1、電力系統(tǒng)無功優(yōu)化是指在已知網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和運行參數(shù)的情況下,在滿足各種約束條件的前提下,通過現(xiàn)代化的技術(shù)或者人工智能算法,合理的調(diào)節(jié)控制變量(發(fā)電機的機端電壓、有載調(diào)壓變壓器的變比和無功補償裝置的檔位),達到充分利用電力系統(tǒng)的無功電源,改善電壓質(zhì)量,減小網(wǎng)絡(luò)損耗的目的。傳統(tǒng)的無功優(yōu)化的計算方法存有諸多不足之處,優(yōu)化結(jié)果很不理想。針對無功優(yōu)化問題的復(fù)雜特點,近年來人們開始使用人工智能算法來解決無功優(yōu)化問題,利用智能算法的優(yōu)秀性質(zhì)可以更好的求

2、解離散變量。其中,發(fā)展時間并不長的粒子群算法憑借參數(shù)少、收斂迅速、實現(xiàn)簡單的優(yōu)點,被廣泛應(yīng)用到電力系統(tǒng)無功優(yōu)化的問題中,但是粒子群算法仍然存在著易陷入局部最優(yōu)值和后期收斂速度慢的缺點,有待進一步優(yōu)化研究。
　　針對基本粒子群算法初始解的隨機性的問題,本文運用混沌優(yōu)化策略對粒子群進行初始化,增加粒子取值的多樣性,給出改進的混沌粒子群算法(Chaotic Particle Swarm Optimization,CPSO)。對無功優(yōu)化的

3、數(shù)學(xué)模型和有關(guān)求解的算法進行了研究,從系統(tǒng)運行的經(jīng)濟性考慮,將有功網(wǎng)損最小作為目標函數(shù),建立了無功優(yōu)化單目標模型。運用改進算法對其求解得到較高質(zhì)量的解。
　　針對粒子群算法易陷入局部最優(yōu)值和后期收斂速度慢的問題,為進一步提高粒子群優(yōu)化算法在解空間的探索能力,從尋優(yōu)機理的角度入手設(shè)計了兩種改進策略:分別是基于云模型正態(tài)云發(fā)生器的進化策略和變異策略。進化策略是依據(jù)粒子的適應(yīng)度值將種群中的粒子分成靠近最優(yōu)值、較靠近最優(yōu)值和遠離最優(yōu)值的三

4、個子群,并分別采取不同的慣性權(quán)重生成策略進行處理,其中較靠近最優(yōu)粒子的子群的慣性權(quán)重由正態(tài)云發(fā)生器動態(tài)自適應(yīng)調(diào)整,擺脫算法陷入局部最優(yōu)值束縛。變異策略是在迭代后期通過正態(tài)云算子實現(xiàn)粒子的變異操作,加快后期收斂速度。通過仿真實驗分析了兩種策略的可行性,并將其應(yīng)用無功優(yōu)化計算驗證了算法的有效性。
　　綜合考慮系統(tǒng)運行的安全性和經(jīng)濟性,以有功網(wǎng)損最小、電壓偏差最小和靜態(tài)電壓穩(wěn)定裕度最大為目標函數(shù),建立了模糊多目標無功優(yōu)化模型。在混沌粒子

5、群算法的基礎(chǔ)之上,結(jié)合基于正態(tài)云發(fā)生器的進化策略和變異策略,給出混合優(yōu)化算法-云自適應(yīng)變異混沌粒子群優(yōu)化算法(Could Adaptive Variation Chaos Particle Swarm Optimization,CAVCPSO)并對多目標問題進行優(yōu)化求解。運用 MATLAB7.0進行編程和測試,對標準IEEE30節(jié)點系統(tǒng)和IEEE118節(jié)點系統(tǒng)進行測試仿真。通過對比實驗結(jié)果,可以驗證CAVCPSO優(yōu)化算法在避免陷入局部最