電力系統(tǒng)最優(yōu)潮流算法研究綜述

2 最優(yōu)潮流的智能優(yōu)化算法

2.1 遺傳算法

遺傳算法是 80 年代出現(xiàn)的新型優(yōu)化算 法,近年來迅速發(fā)展,它的機(jī)理源于自然界中 生物進(jìn)化的選擇和遺傳,通過選擇 (Selection) 、雜交(Crossover)和變異(Mutation) 等核心操作,實(shí)現(xiàn)“優(yōu)勝劣汰” 。它的主要特 點(diǎn)是:可從多初值點(diǎn)開始,沿多路徑搜索實(shí)現(xiàn) 全局或準(zhǔn)全局最優(yōu);可方便地處理混合整數(shù) 離散性問題;是一種有效的自適應(yīng)優(yōu)化方法。 GA 應(yīng)用于潮流優(yōu)化問題時(shí),一般步驟為: 首先隨機(jī)給出一組初始潮流解, 受各種約束 條件約束,然后通過目標(biāo)函數(shù)評(píng)價(jià)其優(yōu)劣,然 對(duì)其編碼,通過遺傳操作——選擇、 雜交和變 異,使其重新組合,評(píng)價(jià)值低的被拋棄,只有評(píng) 價(jià)值高的有機(jī)會(huì)將其特征迭代至下一輪解 , 最后這碼串對(duì)應(yīng)的解將趨向優(yōu)化。

遺傳算法優(yōu)點(diǎn)是具有很好的全局尋優(yōu) 能力,優(yōu)化結(jié)果普遍比傳統(tǒng)優(yōu)化方法好。 缺點(diǎn) 是計(jì)算量比較大,計(jì)算時(shí)間長。 現(xiàn)在遺傳算法 的研究主要集中在以下兩方面:通過改進(jìn)目 標(biāo)函數(shù)計(jì)算方法以提高其計(jì)算速度 ,通過改 進(jìn)遺傳算法的操作改進(jìn)整體收斂性和尋優(yōu) 性能。

在遺傳算法操作研究方面 , 文獻(xiàn) [11] 在 一個(gè) 103 節(jié)點(diǎn)系統(tǒng)上研究了使用不同的算子 參數(shù)對(duì)迭代次數(shù)和優(yōu)化結(jié)果的影響 ,還研究 了控制變量約束的影響,建議在尋優(yōu)過程中 不斷縮小解空間。文獻(xiàn)[12]研究了多種用于 提高 GA 效率及精度的方法,表明同時(shí)變罰 因子及變權(quán)重因子的 GA 應(yīng)用于經(jīng)濟(jì)調(diào)度中 最有效,它最能保證收斂精度,雖然它犧牲了 一些收斂時(shí)間。文獻(xiàn)[13]使用了有指導(dǎo)性的 變異操作,減小了群體規(guī)模,提高了計(jì)算速度。

2.2 模擬退火算法

最優(yōu)潮流模擬退火算法(SA ) 是基于熱 力學(xué)原理建立的隨機(jī)搜索算法。文獻(xiàn)[14]應(yīng) 用平均場(chǎng)理論 (mean field theory) 求解最優(yōu) 潮流問題, 首先將最優(yōu)潮流問題描述為一個(gè) 混合整數(shù)規(guī)劃問題, 在此基礎(chǔ)上提出了考慮 該問題特征的一種 SA 算法, 并用多個(gè)算例 驗(yàn)證了這種方法用于小型電力系統(tǒng)的有效 性。文獻(xiàn)[15]提出了基于熵理論的最優(yōu)潮流 代理約束算法, 將最優(yōu)潮流問題中的大量不 等式約束用一個(gè)代理約束不等式來處理, 這 種方法減小了最優(yōu)潮流問題的規(guī)模和維數(shù) , 非常適用于低溫下的 SA 算法。但是代理約 束算法存在兩點(diǎn)缺陷: 首先, 這種方法在有 大量起作用不等式約束的情況下難以收斂; 其次, 當(dāng)初始點(diǎn)不是內(nèi)點(diǎn)時(shí)也難以收斂或收 斂到一個(gè)不可行解上。

3 最優(yōu)潮流各種算法的比較

本文主要從基于導(dǎo)數(shù)和非導(dǎo)數(shù)優(yōu)化的 角度對(duì)現(xiàn)有算法進(jìn)行分類和比較。

電力系統(tǒng) 最優(yōu)潮 流計(jì)算經(jīng)典方法中的簡化梯度法、 牛頓 法和內(nèi)點(diǎn)法都是基于導(dǎo)數(shù)的優(yōu)化方法, 而現(xiàn) 代優(yōu)化方法中的進(jìn)化算法和模擬退火算法 等的一個(gè)共同特點(diǎn)是不以梯度作為尋找最 優(yōu)解的主要信息,屬于非導(dǎo)數(shù)優(yōu)化方法。

前者主要優(yōu)點(diǎn)是: ①能按照目標(biāo)函數(shù)的 導(dǎo)數(shù)信息確定搜索方向, 因此計(jì)算速度較快; ②算法較為成熟, 應(yīng)用廣泛, 解析過程清晰, 結(jié)果的可信度高。其缺點(diǎn)是: ①對(duì)目標(biāo)函數(shù) 及約束條件有一定限制 , 如連續(xù)、可微等 , 必要時(shí)需要做簡化和近似處理; ② “維數(shù)災(zāi)” 問題難以解決; ③很多情況下會(huì)陷入局部極 小或接近最優(yōu)解時(shí)難以收斂; ④對(duì)離散控制 變量的處理不理想。

后者的主要優(yōu)點(diǎn)是: ① 與導(dǎo)數(shù)無關(guān)性。 工程上很多優(yōu)化問題的目標(biāo) 函數(shù)是不可導(dǎo)的, 若采取前一類方法只能對(duì) 其進(jìn)行假設(shè)和近似 ,這顯然影響到解的真實(shí) 性; 若采取非導(dǎo)數(shù)優(yōu)化方法, 則不需要知道 函數(shù)的導(dǎo)數(shù)信息, 只依賴于對(duì)目標(biāo)函數(shù)的重 復(fù)求值運(yùn)算; ②它的靈活性, 不用導(dǎo)數(shù)意味 著對(duì)目標(biāo)函數(shù)的可微性沒有要求, 因此我們 可以使用特殊應(yīng)用問題所需的復(fù)雜目標(biāo)函 數(shù), 而無需付出過多的額外編程和計(jì)算時(shí)間; ③它的隨機(jī)性, 容易跳出局部極值點(diǎn), 它們 是一類全局優(yōu)化算法, 特別適用于非線性大 規(guī)模問題以及問題的解空間分布不規(guī)則的 情況 ; ④它的內(nèi)在并行性 , 它的操作對(duì)象是 一組可行解, 而非單個(gè)可行解, 搜索軌道有 多條, 而非單條, 這種內(nèi)在的可并行處理性 大大提高了處理復(fù)雜優(yōu)化問題的速度, 對(duì)其 內(nèi)在并行性的開發(fā)可在一定程度上克服其 性能上的不足。

其缺點(diǎn)是 : ①表現(xiàn)不穩(wěn)定 , 算法在同一問題的不同實(shí)例計(jì)算中會(huì)有不 同的效果, 造成計(jì)算結(jié)果的可信度不高; ② 按概率進(jìn)行操作, 不能保證百分之百獲得最 優(yōu)解, 通常得到的解是與最優(yōu)解很接近的次 最優(yōu)解, 但是可以達(dá)到足以滿足工程上需要 的精度; ③算法中的某些控制參數(shù)需要憑 經(jīng)驗(yàn)人為地給出, 需要一定量的試驗(yàn)或?qū)＜?經(jīng)驗(yàn)。 最優(yōu)潮流解耦算法雖然有較快的執(zhí)行 速度, 但是難以用于不宜解耦情況, 所以它 的應(yīng)用范圍和通用性都受到一定的限制。

最 優(yōu)潮流并行算法使用了分布式處理和并行 計(jì)算技術(shù), 可以大幅提高算法執(zhí)行效率和處 理大規(guī)模問題的能力, 為解決大規(guī)模最優(yōu)潮 流問題提供了有力幫助。 最優(yōu)潮流計(jì)算的其 它方法也是對(duì)此問題的有益探索, 但是尚未 取得公認(rèn)的滿意的成果。