考虑微电网运行的配电网无功优化
考虑微电网运行的配电网无功优化[20191213112315]
本人签名： 日期： 摘 要
配电网无功优化是保证系统安全、经济运行的一项重要有效手段，是降低网损、提高电压质量的重要措施，因此，配电网无功优化的研究既有重要的理论意义，也具有重大的实际意义。传统的无功优化问题都是针对系统在某一特定负荷的情况下所进行的，而在实际运行中，电力系统的负荷是要不断变化的，而且，配电网有不同于输电网的网络结构，在研究过程中，这些问题都需要考虑进去。
配电网的结构特点呈现辐射状，在正常运行时是开环的，配电网线路的总长度比输电网要多且长，线路的充点电容可以忽略，潮流计算在研究电网的特性时具有重要的地位，配电网潮流计算是配电管理系统高级应用软件功能组成之一，本文配电网的潮流计算采用的方法是前推回代法，并且对配电网的结构特点做了详细介绍，配电网的结构特点呈辐射状，在正常运行时是开环的，利用前推回带法进行潮流计算，介绍了遗传算法，做出了相应的改进，通过遗传算法用IEEE33系统做仿真分析，仿真算例表明，此方法具有编程简单、计算速度快、收敛性好的特点，是配电网潮流计算的有效算法，具有很强的实用性。
查看完整论文请+Q: 351916072
关键字:配电网,动态无功优化,前推回代法,遗传算法
目 录
摘 要 I
Abstract II
第1章 绪论 1
1.1无功优化的目的和意义 1
1.2无功优化的研究现状 1
1.2.1无功优化的数学模型 1
1.2.2无功优化算法 2
1.3动态无功优化的概念和研究现状 6
1.3.1动态无功优化的概念 7
1.3.2动态无功优化的研究现状 7
1.3.3配电网的特点 ..............................................................................................7
1.4本文的主要工作 8
第2章 无功补偿与电压调整 9
2.1引言 9
2.2电压与无功的关系 9
2.3无功损耗与有功损耗的关系 11
2.4无功功率的平衡与补偿 11
2.5电力网基本元件模型 12
2.5.1线路模型 13
2.5.2变压器的模型 15
2.5.3负荷模型 18
2.6电力系统节点分类 19
2.7 本章小结 20
第3章 配电网潮流计算分析 21
3.1引言 21
3.2配电网无功优化及潮流计算 21
3.2.1配电网潮流计算概念及研究现状 22
3.2.2前推回代法介绍 22
3.3遗传算法 24
3.3.1遗传算法主要步骤 24
3.3.2遗传算法的特点 27
3.4基于遗传算法的无功优化数学模型 28
3.5本章小结 29
第4章 基于负荷预测的动态无功优化实现 30
4.1引言 30
4.2 负荷预测及分段 30
4.2.1负荷预测 30
4.2.2 负荷分段 31
4.3 动态无功优化模型及计算 33
4.4 仿真分析 34
4.4.1仿真系统介绍 34
4.4.2仿真结果分析 36
第5章 结论与展望 38
参考文献 40
致 谢 41
第1章 绪论
1.1无功优化的目的和意义
电力系统的无功优化，就是当电力系统的结构及参数给定的情况下，通过对某些控制量的优化，在满足制定约束条件下，使系统的某一个或者多个性能指标达到最优时的无功调节手段。
电压是电能质量的重要指标之一，电压质量对电网稳定运行以及降低线路损耗等都有直接的影响，电压过高或者过低都会影响用电设备的寿命和效率，严重的时候甚至会引起电压的崩溃。电力系统的无功补偿和无功平衡是保证电压质量最基本的条件，有效控制和合理的无功补偿，不仅能有效保证电压质量，而且能提高电力系统运行的稳定性和安全性，降低电能损耗，充分发挥电能的经济效益。
随着电网规模的不断扩大和电力需求的增长，如何在满足用户需要的前提下，充分利用电力系统的无功调节方式，保证系统的安全和经济运行，多年来一直是国内外电力工作者们致力研究的问题。为了保证电能质量、提高电网的电压合格率，就应该加强对电压无功的调控能力，充分合理的运用各种电压无功的调节手段，提高电网的电压合格率，保证电网安全稳定经济的运行。
配电网潮流计算是配电网分析的基础，配电网的网络重构、故障处理、无功优化和状态估计等这一切都需要配电网的潮流数据。潮流计算问题在数学上属于多元非线性代数方程的求解问题，必须采用迭代计算方法。配电网与输电网相比，在网络结构上有着明显的差异，其特点是配电网的网络结构呈辐射状，配电网的另一个特点就是配电线路的总长度较输电线路要长且分支较多，配电线的线径比输电网细导致配电网的 R/X比值较大，且线路的充电电容可以忽略。
1.2无功优化的研究现状
1.2.1无功优化的数学模型
1962年法国学者提出了电力系统最优潮流 （OPF）的概念后，电力系统潮流优化问题在理论和实践上都有了较大的发展，而无功优化问题属于OPF的一个组成部分，是一个动态、多目标、多约束、不确定性的非线性混合规划问题。借助于调整可利用的控制变量，在满足各种规定的安全运行条件下，使目标函数最小，从而得到电网的最优运行。近年来，国内外相关研究人员对此进行了大量
研究，通过建立一定的数学模型，提出了各种优化算法。
潮流计算问题在数学上属于多元非线性代数方程的求解问题，必须采用迭代计算方法。可表示为：
min
g(U,X)=0
此公式中，目标函数 为系统的有功功率损耗，U为控制变量，例如发电机的端电压、变压器分接头和无功补偿设备等；X为状态量，例如节点电压幅值、电压相角、节点功率等； 为等式约束； 为不等式约束。
1.2.2无功优化算法
无功优化是一个多变量、多约束的非线性规划问题，含有大量的离散变量，在数学上表现为混合整数规划问题。经过多年的研究，国内外相关研究人员针对无功优化问题的求解提出了一系列的优化算法，可以分为两大类，传统优化方法（线性规划法、非线性规划法和内点法等）和人工智能算法（遗传算法、粒子群算法、混沌算法等）。
1.2.2.1传统优化方法
1．非线性规划法
由于电力系统自身具有非线性，所以非线性规划法(Nonlinear Programming) 最先被运用到电力系统中。无功优化中非线性规划法源于无功优化问题本身的非线性特征，其数学模型简单，通过调整梯度方向实现对非线性函数的处理，计算精度较高。但由于求解过程中有大量的求导、求逆运算，占用计算机内存较多，计算速度慢，收敛性差，易于陷入局部最优解，存在“维数灾”缺陷，而且不可以有效处理离散变量和不等式约束。非线性规划法虽然是最早应用于实践的优化算法，但是由于存在上述缺陷，使其只能作为辅助算法进行局部优化计算。目前用的比较多的主要有简化梯度法、牛顿法、共轭梯度法和二次规划法。简化梯度法原理比较简单，存储需求小，程序设计也比较简单，具有一阶收敛速度，然而它在计算过程中会出现锯齿现象，收敛性较差，尤其是在接近最优点附近收敛速度很慢；每次迭代都需要重新计算潮流，计算量很大，耗时较多；另外，在采用罚函数处理不等式时，罚因子的选取对算法的收敛速度影响很大。牛顿法与简化梯度法相比是具有二阶收敛性的算法，它基于非线性规划法的拉格朗日乘数法，利用目标函数二阶导数组成的海森矩阵与网络潮流方程一阶导数组成的雅可比矩阵来求解。对控制变量和拉格朗日乘子穿插排序，统一修正。牛顿法具有二阶收剑速度，充分利用矩阵的稀疏性简化计算，但在求解海森逆矩阵时浪费了大量时间，计算结果不精确。共轭梯度法可以有效避免“锯齿”现象和求解逆矩阵的操作，但只在目标函数二次性较强的区域收敛速度快。二次规划法主要针对二次函数形式的目标函数，收敛速度较快，计算精度较高，可以直接处理各种约束。
2．线性规划法
线性规划法(Linear Programming)应用于电力系统无功优化，其原理就是把目标函数和约束条件全部用泰勒公式展开，略去高次项，使非线性规划问题在初值点附近处转化为线性规划问题，用逐次线性逼近的方法来进行解空间的寻优。线性规划法是发展最为成熟的一种方法，直接对变量和约束条件设定限制，利用泰勒展开，使非线性问题在初值点附近转化为线性问题求解，收敛可靠，计算速度快，能够满足实时调度对计算速度的要求，但不能有效处理离散变量问题，由于需要多次潮流计算，使优化精度差，效率不高，存在“维数灾”问题。线性规划法的最典型代表就是灵敏度分析法和内点法。灵敏度分析法以灵敏度关系为基础，采用对偶线性规划法求解。由于要对高阶雅可比矩阵求逆，因此，计算工作量大，耗费计算时间和内存，引入的简化假定也影响了计算精度和收敛速度。内点法计算速度快，精度高，具有很好的鲁棒性和收敛特性，但是如何探测和处理优化过程中的不可行解是一个难题，为了解决这一问题，产生了内点法的诸多变形，如仿射尺度法、路径跟随法、原-对偶内点法和二次内点法等。后续出现的有求灵敏度矩阵的控制变量“摄动法”、单纯形法和对偶单纯形法，由于收敛性差，应用不多。
3．动态规划法
动态规划是数学规划的一个分支，是研究多阶段决策过程最优解的有效方法，因其能够处理非线性问题，并反映优化过程而被引入无功优化领域，产生了无功优化的动态规划法。该方法从动态过程的总体进行寻优，按时间或空间顺序将问题分解为若干互相联系的阶段进行求解，每个阶段包含一个变量，依次对每一阶段做出决策，最后获得整个过程的最优解。动态规划法可以有效地处理多变
量方程和离散性问题，通过引入“时段”概念把非线性问题转化为多阶段决策问题进行最优化求解，对目标函数和约束条件无限制，收敛性好。但是该方法建模复杂，计算速度慢，存在“维数灾”问题，不易在工程上实现。近年来的改进措施主要在寻找更理想的降维方法及其他混合控制的方法，并取得了一定成效。
4．混合整数规划法
为了更精确地处理离散变量问题，诞生了混合整数规划法。此类算法先对离散变量归整为整数变量，再与线性规划法协调处理连续变量，分两步优化，提高计算精度。但是这种方法存在优化过程过于复杂、计算量大、收敛慢、易发生振荡、发散的缺点，削弱了总体最优性。混合整数规划法中比较有代表性的是凑整数法、割平面法、分支定界法和拉格朗日松弛方法。凑整数法只应用于低维数小规模的纯整数线性规划问题。割平面法由于内嵌单纯形法而收敛速度慢，仅用于小型纯整数规划。分支定界法适用于大型的混合整数规划，通过将原问题分解为几个部分来缩小可行域，加快收敛速度。拉格朗日松弛法也适合应用于大系统，但是存在对偶间隙误差，影响计算精度。
5．内点法
内点法的整个计算过程均在可行域的内部进行求解，克服了其它确定性算法处理不等式约束较为困难的缺陷，在处理大规模、非线性优化问题时具有较大优势，其主要优点在于计算时间对问题的规模不敏感，不会随着问题规模的增大而显著增加，寻优速度快、收敛性能好。因而，内点法在各种优化计算中得到广泛关注和普遍应用。 但内点法对初始点的选择较为苛刻，要求初始点最好位于可行域之内，对于大规模优化问题很难找到满足约束条件的初始点，并极有可能陷入局部最优；因此，可利用具有大范围随机搜索、全局优化的人工智能算法来寻找内点法的初始点，在一定程度上克服了内点法易陷入局部最优的缺陷。 内点法的另一缺点是其收敛速度相对比较慢，因此出现了各种改进的内点法，如：仿射尺度内点法、同伦内点法、原-对偶内点法、预测-校正内点法等。
1.2.2.2 人工智能法
1.模糊算法
模糊算法源于模糊集理论，利用模糊集将多目标函数和负荷电压模糊化，给出各目标函数的分段隶属函数，将问题转化为标准的线性规划和非线性规划处理。所需信息量少，计算速度快，智能性强，收敛性好，可以很好地反应电压的变化情况，容易在线实现，充分利用模糊逻辑的优越性，简化计算，适用于解决参数不确定的问题。该方法存在以下缺陷：对精确问题的求解过于复杂；由于最终仍归结为线性或非线性规划问题，计算速度没有明显提高；引入模糊算子会导致模型变成非线性而影响计算效率。
2.遗传算法
遗传算法基于适者生存的进化理论，通过模拟生物体的遗传过程进行优化计算。首先将优化问题编码为染色体，将目标函数转化为染色体的适应函数。然后随机产生一批初始染色体，根据各染色体的适应函数值进行繁殖、交叉、变异等遗传操作，产生下一代染色体。经过逐代遗传，通过随机的和结构化的交换各染色体之间的信息，产生更加优秀的染色体，最后将这些染色体解码还原，就可以获得问题的解。遗传算法从初始点沿多路径进行搜索，寻优能力强，适用于求解大规律、多变量、多约束、非线性离散问题，可避免“维数灾”问题，但是存在计算速度慢、处理效率低的缺点。虽然通过变异算子增强解群的多样性和保证全局搜索能力，但容易导致盲目搜索，产生“早熟收敛”。 遗传算法有很多引申算法，比较有代表性的有并行遗传算法、免疫算法及免疫遗传算法。并行遗传算法采用种群密度将原种群分化为若干子种群独立进化，相互之间通过“迁移”交互信息，可以有效解决普通遗传算法的“早熟”和收敛慢的缺陷，提高收敛速度和解的精度。免疫算法模拟人体免疫系统的识别，并消灭异己物质的功能，将目标函数和约束条件比作抗原，解比作抗体，通过计算彼此的亲和度和抗体浓度来选择适应度好的抗体，利用抗原的记忆作用，提高局部搜索能力，达到求解目的。免疫遗传算法将免疫算法维持免疫平衡的机制作用于遗传算法中个体浓度的抑制与促进过程，将抗原的记忆识别功能引入遗传因子中，兼顾全局和局部搜索两方面，具有良好的收敛性和寻优特性。
本人签名： 日期： 摘 要
配电网无功优化是保证系统安全、经济运行的一项重要有效手段，是降低网损、提高电压质量的重要措施，因此，配电网无功优化的研究既有重要的理论意义，也具有重大的实际意义。传统的无功优化问题都是针对系统在某一特定负荷的情况下所进行的，而在实际运行中，电力系统的负荷是要不断变化的，而且，配电网有不同于输电网的网络结构，在研究过程中，这些问题都需要考虑进去。
配电网的结构特点呈现辐射状，在正常运行时是开环的，配电网线路的总长度比输电网要多且长，线路的充点电容可以忽略，潮流计算在研究电网的特性时具有重要的地位，配电网潮流计算是配电管理系统高级应用软件功能组成之一，本文配电网的潮流计算采用的方法是前推回代法，并且对配电网的结构特点做了详细介绍，配电网的结构特点呈辐射状，在正常运行时是开环的，利用前推回带法进行潮流计算，介绍了遗传算法，做出了相应的改进，通过遗传算法用IEEE33系统做仿真分析，仿真算例表明，此方法具有编程简单、计算速度快、收敛性好的特点，是配电网潮流计算的有效算法，具有很强的实用性。
查看完整论文请+Q: 351916072
关键字:配电网,动态无功优化,前推回代法,遗传算法
目 录
摘 要 I
Abstract II
第1章 绪论 1
1.1无功优化的目的和意义 1
1.2无功优化的研究现状 1
1.2.1无功优化的数学模型 1
1.2.2无功优化算法 2
1.3动态无功优化的概念和研究现状 6
1.3.1动态无功优化的概念 7
1.3.2动态无功优化的研究现状 7
1.3.3配电网的特点 ..............................................................................................7
1.4本文的主要工作 8
第2章 无功补偿与电压调整 9
2.1引言 9
2.2电压与无功的关系 9
2.3无功损耗与有功损耗的关系 11
2.4无功功率的平衡与补偿 11
2.5电力网基本元件模型 12
2.5.1线路模型 13
2.5.2变压器的模型 15
2.5.3负荷模型 18
2.6电力系统节点分类 19
2.7 本章小结 20
第3章 配电网潮流计算分析 21
3.1引言 21
3.2配电网无功优化及潮流计算 21
3.2.1配电网潮流计算概念及研究现状 22
3.2.2前推回代法介绍 22
3.3遗传算法 24
3.3.1遗传算法主要步骤 24
3.3.2遗传算法的特点 27
3.4基于遗传算法的无功优化数学模型 28
3.5本章小结 29
第4章 基于负荷预测的动态无功优化实现 30
4.1引言 30
4.2 负荷预测及分段 30
4.2.1负荷预测 30
4.2.2 负荷分段 31
4.3 动态无功优化模型及计算 33
4.4 仿真分析 34
4.4.1仿真系统介绍 34
4.4.2仿真结果分析 36
第5章 结论与展望 38
参考文献 40
致 谢 41
第1章 绪论
1.1无功优化的目的和意义
电力系统的无功优化，就是当电力系统的结构及参数给定的情况下，通过对某些控制量的优化，在满足制定约束条件下，使系统的某一个或者多个性能指标达到最优时的无功调节手段。
电压是电能质量的重要指标之一，电压质量对电网稳定运行以及降低线路损耗等都有直接的影响，电压过高或者过低都会影响用电设备的寿命和效率，严重的时候甚至会引起电压的崩溃。电力系统的无功补偿和无功平衡是保证电压质量最基本的条件，有效控制和合理的无功补偿，不仅能有效保证电压质量，而且能提高电力系统运行的稳定性和安全性，降低电能损耗，充分发挥电能的经济效益。
随着电网规模的不断扩大和电力需求的增长，如何在满足用户需要的前提下，充分利用电力系统的无功调节方式，保证系统的安全和经济运行，多年来一直是国内外电力工作者们致力研究的问题。为了保证电能质量、提高电网的电压合格率，就应该加强对电压无功的调控能力，充分合理的运用各种电压无功的调节手段，提高电网的电压合格率，保证电网安全稳定经济的运行。
配电网潮流计算是配电网分析的基础，配电网的网络重构、故障处理、无功优化和状态估计等这一切都需要配电网的潮流数据。潮流计算问题在数学上属于多元非线性代数方程的求解问题，必须采用迭代计算方法。配电网与输电网相比，在网络结构上有着明显的差异，其特点是配电网的网络结构呈辐射状，配电网的另一个特点就是配电线路的总长度较输电线路要长且分支较多，配电线的线径比输电网细导致配电网的 R/X比值较大，且线路的充电电容可以忽略。
1.2无功优化的研究现状
1.2.1无功优化的数学模型
1962年法国学者提出了电力系统最优潮流 （OPF）的概念后，电力系统潮流优化问题在理论和实践上都有了较大的发展，而无功优化问题属于OPF的一个组成部分，是一个动态、多目标、多约束、不确定性的非线性混合规划问题。借助于调整可利用的控制变量，在满足各种规定的安全运行条件下，使目标函数最小，从而得到电网的最优运行。近年来，国内外相关研究人员对此进行了大量
研究，通过建立一定的数学模型，提出了各种优化算法。
潮流计算问题在数学上属于多元非线性代数方程的求解问题，必须采用迭代计算方法。可表示为：
min
g(U,X)=0
此公式中，目标函数 为系统的有功功率损耗，U为控制变量，例如发电机的端电压、变压器分接头和无功补偿设备等；X为状态量，例如节点电压幅值、电压相角、节点功率等； 为等式约束； 为不等式约束。
1.2.2无功优化算法
无功优化是一个多变量、多约束的非线性规划问题，含有大量的离散变量，在数学上表现为混合整数规划问题。经过多年的研究，国内外相关研究人员针对无功优化问题的求解提出了一系列的优化算法，可以分为两大类，传统优化方法（线性规划法、非线性规划法和内点法等）和人工智能算法（遗传算法、粒子群算法、混沌算法等）。
1.2.2.1传统优化方法
1．非线性规划法
由于电力系统自身具有非线性，所以非线性规划法(Nonlinear Programming) 最先被运用到电力系统中。无功优化中非线性规划法源于无功优化问题本身的非线性特征，其数学模型简单，通过调整梯度方向实现对非线性函数的处理，计算精度较高。但由于求解过程中有大量的求导、求逆运算，占用计算机内存较多，计算速度慢，收敛性差，易于陷入局部最优解，存在“维数灾”缺陷，而且不可以有效处理离散变量和不等式约束。非线性规划法虽然是最早应用于实践的优化算法，但是由于存在上述缺陷，使其只能作为辅助算法进行局部优化计算。目前用的比较多的主要有简化梯度法、牛顿法、共轭梯度法和二次规划法。简化梯度法原理比较简单，存储需求小，程序设计也比较简单，具有一阶收敛速度，然而它在计算过程中会出现锯齿现象，收敛性较差，尤其是在接近最优点附近收敛速度很慢；每次迭代都需要重新计算潮流，计算量很大，耗时较多；另外，在采用罚函数处理不等式时，罚因子的选取对算法的收敛速度影响很大。牛顿法与简化梯度法相比是具有二阶收敛性的算法，它基于非线性规划法的拉格朗日乘数法，利用目标函数二阶导数组成的海森矩阵与网络潮流方程一阶导数组成的雅可比矩阵来求解。对控制变量和拉格朗日乘子穿插排序，统一修正。牛顿法具有二阶收剑速度，充分利用矩阵的稀疏性简化计算，但在求解海森逆矩阵时浪费了大量时间，计算结果不精确。共轭梯度法可以有效避免“锯齿”现象和求解逆矩阵的操作，但只在目标函数二次性较强的区域收敛速度快。二次规划法主要针对二次函数形式的目标函数，收敛速度较快，计算精度较高，可以直接处理各种约束。
2．线性规划法
线性规划法(Linear Programming)应用于电力系统无功优化，其原理就是把目标函数和约束条件全部用泰勒公式展开，略去高次项，使非线性规划问题在初值点附近处转化为线性规划问题，用逐次线性逼近的方法来进行解空间的寻优。线性规划法是发展最为成熟的一种方法，直接对变量和约束条件设定限制，利用泰勒展开，使非线性问题在初值点附近转化为线性问题求解，收敛可靠，计算速度快，能够满足实时调度对计算速度的要求，但不能有效处理离散变量问题，由于需要多次潮流计算，使优化精度差，效率不高，存在“维数灾”问题。线性规划法的最典型代表就是灵敏度分析法和内点法。灵敏度分析法以灵敏度关系为基础，采用对偶线性规划法求解。由于要对高阶雅可比矩阵求逆，因此，计算工作量大，耗费计算时间和内存，引入的简化假定也影响了计算精度和收敛速度。内点法计算速度快，精度高，具有很好的鲁棒性和收敛特性，但是如何探测和处理优化过程中的不可行解是一个难题，为了解决这一问题，产生了内点法的诸多变形，如仿射尺度法、路径跟随法、原-对偶内点法和二次内点法等。后续出现的有求灵敏度矩阵的控制变量“摄动法”、单纯形法和对偶单纯形法，由于收敛性差，应用不多。
3．动态规划法
动态规划是数学规划的一个分支，是研究多阶段决策过程最优解的有效方法，因其能够处理非线性问题，并反映优化过程而被引入无功优化领域，产生了无功优化的动态规划法。该方法从动态过程的总体进行寻优，按时间或空间顺序将问题分解为若干互相联系的阶段进行求解，每个阶段包含一个变量，依次对每一阶段做出决策，最后获得整个过程的最优解。动态规划法可以有效地处理多变
量方程和离散性问题，通过引入“时段”概念把非线性问题转化为多阶段决策问题进行最优化求解，对目标函数和约束条件无限制，收敛性好。但是该方法建模复杂，计算速度慢，存在“维数灾”问题，不易在工程上实现。近年来的改进措施主要在寻找更理想的降维方法及其他混合控制的方法，并取得了一定成效。
4．混合整数规划法
为了更精确地处理离散变量问题，诞生了混合整数规划法。此类算法先对离散变量归整为整数变量，再与线性规划法协调处理连续变量，分两步优化，提高计算精度。但是这种方法存在优化过程过于复杂、计算量大、收敛慢、易发生振荡、发散的缺点，削弱了总体最优性。混合整数规划法中比较有代表性的是凑整数法、割平面法、分支定界法和拉格朗日松弛方法。凑整数法只应用于低维数小规模的纯整数线性规划问题。割平面法由于内嵌单纯形法而收敛速度慢，仅用于小型纯整数规划。分支定界法适用于大型的混合整数规划，通过将原问题分解为几个部分来缩小可行域，加快收敛速度。拉格朗日松弛法也适合应用于大系统，但是存在对偶间隙误差，影响计算精度。
5．内点法
内点法的整个计算过程均在可行域的内部进行求解，克服了其它确定性算法处理不等式约束较为困难的缺陷，在处理大规模、非线性优化问题时具有较大优势，其主要优点在于计算时间对问题的规模不敏感，不会随着问题规模的增大而显著增加，寻优速度快、收敛性能好。因而，内点法在各种优化计算中得到广泛关注和普遍应用。 但内点法对初始点的选择较为苛刻，要求初始点最好位于可行域之内，对于大规模优化问题很难找到满足约束条件的初始点，并极有可能陷入局部最优；因此，可利用具有大范围随机搜索、全局优化的人工智能算法来寻找内点法的初始点，在一定程度上克服了内点法易陷入局部最优的缺陷。 内点法的另一缺点是其收敛速度相对比较慢，因此出现了各种改进的内点法，如：仿射尺度内点法、同伦内点法、原-对偶内点法、预测-校正内点法等。
1.2.2.2 人工智能法
1.模糊算法
模糊算法源于模糊集理论，利用模糊集将多目标函数和负荷电压模糊化，给出各目标函数的分段隶属函数，将问题转化为标准的线性规划和非线性规划处理。所需信息量少，计算速度快，智能性强，收敛性好，可以很好地反应电压的变化情况，容易在线实现，充分利用模糊逻辑的优越性，简化计算，适用于解决参数不确定的问题。该方法存在以下缺陷：对精确问题的求解过于复杂；由于最终仍归结为线性或非线性规划问题，计算速度没有明显提高；引入模糊算子会导致模型变成非线性而影响计算效率。
2.遗传算法
遗传算法基于适者生存的进化理论，通过模拟生物体的遗传过程进行优化计算。首先将优化问题编码为染色体，将目标函数转化为染色体的适应函数。然后随机产生一批初始染色体，根据各染色体的适应函数值进行繁殖、交叉、变异等遗传操作，产生下一代染色体。经过逐代遗传，通过随机的和结构化的交换各染色体之间的信息，产生更加优秀的染色体，最后将这些染色体解码还原，就可以获得问题的解。遗传算法从初始点沿多路径进行搜索，寻优能力强，适用于求解大规律、多变量、多约束、非线性离散问题，可避免“维数灾”问题，但是存在计算速度慢、处理效率低的缺点。虽然通过变异算子增强解群的多样性和保证全局搜索能力，但容易导致盲目搜索，产生“早熟收敛”。 遗传算法有很多引申算法，比较有代表性的有并行遗传算法、免疫算法及免疫遗传算法。并行遗传算法采用种群密度将原种群分化为若干子种群独立进化，相互之间通过“迁移”交互信息，可以有效解决普通遗传算法的“早熟”和收敛慢的缺陷，提高收敛速度和解的精度。免疫算法模拟人体免疫系统的识别，并消灭异己物质的功能，将目标函数和约束条件比作抗原，解比作抗体，通过计算彼此的亲和度和抗体浓度来选择适应度好的抗体，利用抗原的记忆作用，提高局部搜索能力，达到求解目的。免疫遗传算法将免疫算法维持免疫平衡的机制作用于遗传算法中个体浓度的抑制与促进过程，将抗原的记忆识别功能引入遗传因子中，兼顾全局和局部搜索两方面，具有良好的收敛性和寻优特性。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/4878.html
