2010年7月电工技术学报Vol.25No.7第25卷第7期TRANSACTIONSOFCHINAELECTROTECHNICALSOCIETYJul.2010一种改进粒子群优化算法在多目标无功优化中的应用李鑫滨1,2朱庆军1(1.燕山大学电气工程学院秦皇岛0660042.河北省数学研究中心石家庄050000摘要针对粒子群优化算法容易陷入局部最优等问题,提出了一种新的模糊自适应-模拟退火粒子群优化算法。该算法首先是基于模糊推理的思想,将规范化的当前最好性能评价和粒子群算法的惯性权重、学习因子作为模糊控制器的输入,以算法参数变化量的百分数作为模糊控制器的输出,并根据参数设置经验建立了相应的模糊控制规则,使其能够自适应地调节粒子群优化算法的参数;对调节后粒子新位置的优劣,则通过采用模拟退火算法调节粒子的适应度来加以评价。最后,采用改进后的粒子群优化算法对多目标无功优化模型进行了求解。IEEE30节点和IEEE118节点的标准电力系统算例验证了本文所提出的模糊自适应-模拟退火粒子群优化算法的有效性和可行性。关键词:粒子群优化多目标无功优化模糊自适应模拟退火:TM714.3ApplicationofImprovedPSwarmOptimizationAlgorithmtoMulti-ObjectiveReactivePowerOptimizationLiXinbin1,2ZhuQingjun1(1.YanshanUniversityQinhuangdao066004China2.HebeiMathematicalResearchCenterShijiazhuang050000ChinaAbstractInordertoavoidthedefectthataconventionalpswarmoptimization(PSOalgorithmiseasytotrapintoalocaloptimization,anewfuzzyadaptive-simulatedannealingPSOalgorithmisproposedinthispaper.Basedontheprincipleoffuzzylogic,theinputstothefuzzycontrollerarethenormalizedcurrentbestperformancevaluation,inertiaweighingofthePSOalgorithmandthelearningfactor,theoutputsofthecontrolleraretheparametersrateofchange.ThefuzzyrulesareformulatedbasedontheexperienceofparameterssettingssoastoadjustthePSOparametersadaptively.Thequalityofps’newlocationaftertheadjustmentisvaluedbysimulatedannealing(SA.Then,themodifiedPSOalgorithmisintroducedtosolvemulti-objectivereactivepoweroptimizationproblem.IEEE30-busandIEEE118-bussystemaresimulatedtoverifytheeffectivenessandfeasibilityofSA-fuzzyself-adaptivepswarmoptimizationalgorithm.Keywords:Pswarmoptimization(PSO,multi-objectivereactivepoweroptimization,fuzzylogic,adaptive,simulatedannealing(SA1引言电力系统无功优化是保障电力系统安全、经济运行的有效手段,合理的无功分布可以降低网损、提高电压质量并保持电网的正常运行。通常,建立无功优化模型要从经济性和安全性两个角度同时考虑,以有功网损最小、节点电压幅值偏离期望值最小及电压稳定裕度最大为目标函数,构成多目标的无功优化模型。因此,无功优化是一个多变量、多约束、多目标的混合非线性规划问题。对于此类非国家自然科学基金(60874026和河北省自然科学基金(07M007资助项目。收稿日期2009-07-10改稿日期2009-09-11138电工技术学报2010年7月凸的、存在多个局部最优点的非线性规划问题的求解,目前常用的方法大致可分为常规优化方法和现代启发式方法。其中梯度法、线性规划和非线性规划等常规数学优化方法,虽然都各有其一定的优越性和适应性,却普遍存在要求目标函数可微、求解时间较长和容易产生维数灾等缺点[1]。随着进化计算技术的发展,遗传算法、蚁群算法和粒子群优化算法等现代启发式算法逐渐引发了人们的研究兴趣,并显示出极大的应用潜力。粒子群优化(PSwarmOptimization,PSO算法是一种基于群体智能的全局优化进化算法。近年来,PSO算法已广泛应用于函数优化、神经网络训练、组合优化、模式识别、电力系统优化等领域[2-3]。PSO算法具有原理简单、容易实现、易于与其他算法融合等特点,但也存在容易早熟收敛等问题[4]。在算法执行过程中,PSO算法的参数(惯性权重w、加速常数c1和c2通常被设置成常数或按线性变化规律自适应地从一个较大的初值递减到一个较小的值。由于粒子群算法的搜索过程是一个非线性、动态优化的过程,从全局到局部搜索的线性过渡过程并不能真实反映粒子在寻...