本發(fā)明涉及電力系統(tǒng)領(lǐng)域，特別涉及一種電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的方法及系統(tǒng)。
背景技術(shù)：
：電力系統(tǒng)無(wú)功優(yōu)化是指在滿足系統(tǒng)各項(xiàng)運(yùn)行約束條件下，通過(guò)調(diào)節(jié)發(fā)電機(jī)機(jī)端電壓、變壓器分接頭、無(wú)功補(bǔ)償設(shè)備容量的大小的等措施來(lái)調(diào)整電網(wǎng)無(wú)功潮流，使系統(tǒng)達(dá)到網(wǎng)損最小、電壓偏差最小、靜態(tài)電壓穩(wěn)定裕度最大、無(wú)功補(bǔ)償設(shè)備投資費(fèi)用最小等目標(biāo)，以實(shí)現(xiàn)系統(tǒng)安全、穩(wěn)定與經(jīng)濟(jì)運(yùn)行。無(wú)功優(yōu)化問(wèn)題它是一個(gè)含有等式約束和不等式約束并存的多約束、多變量、多目標(biāo)的混合非線性規(guī)劃問(wèn)題，其控制變量包括離散變量和連續(xù)變量?，F(xiàn)有的很多無(wú)功優(yōu)化方法，只考慮了單個(gè)目標(biāo)函數(shù)，其優(yōu)化結(jié)果不能為決策者提供多樣性化的選擇，當(dāng)考慮多個(gè)目標(biāo)函數(shù)時(shí)，對(duì)于多目標(biāo)函數(shù)的求解，現(xiàn)有的很多無(wú)功優(yōu)化方法一般都是采用直接加權(quán)求和法、模糊隸屬度法，或者將多個(gè)目標(biāo)函數(shù)進(jìn)行歸一化處理之后再進(jìn)行相加，最終將多目標(biāo)函數(shù)轉(zhuǎn)換成單目標(biāo)函數(shù)進(jìn)行求解，然而不同的目標(biāo)函數(shù)量綱不一樣，不能簡(jiǎn)單的利用固定加權(quán)法將多目標(biāo)直接轉(zhuǎn)換成單目標(biāo)計(jì)算，其權(quán)重系數(shù)也很難決策，需要大量的先驗(yàn)知識(shí)；轉(zhuǎn)換成單目標(biāo)函數(shù)時(shí)每次迭代只能得到一個(gè)最優(yōu)解。因此需要采用更合適的方法求解多目標(biāo)無(wú)功優(yōu)化問(wèn)題。在無(wú)功優(yōu)化算法上，傳統(tǒng)的線性規(guī)劃法、非線性規(guī)劃法、牛頓法和內(nèi)點(diǎn)法等算法對(duì)求解含有離散變量、多目標(biāo)、多變量問(wèn)題存在一定的局限性，近年來(lái)，遺傳算法、粒子群優(yōu)化算法、禁忌搜索算法、免疫算法、模擬退火算法等智能優(yōu)化算法的出現(xiàn)在求解電力系統(tǒng)無(wú)功優(yōu)化問(wèn)題顯示了強(qiáng)有效的能力，但是很多智能算法存在全局收斂能力差、容易陷入局部最優(yōu)、收斂速度慢等缺點(diǎn)，因此，如何克服局部最優(yōu)，更加高效、快速地得到最優(yōu)解，是本領(lǐng)域技術(shù)人員需要解決的技術(shù)問(wèn)題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是提供一種電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的方法及系統(tǒng)，改進(jìn)的布谷鳥搜索算法收斂速度快，個(gè)體多樣性好，獲得的最優(yōu)解集具有良好多樣性和均勻分布性，能很好的適用于求解電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化問(wèn)題。為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的方法，包括：S1、確定優(yōu)化目標(biāo)和約束條件，建立以系統(tǒng)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(biāo)函數(shù)的多目標(biāo)無(wú)功優(yōu)化數(shù)學(xué)模型；S2、輸入各個(gè)預(yù)定參數(shù)，利用Kent混沌映射產(chǎn)生N個(gè)初始鳥窩的位置作為初始鳥窩種群X(0)，對(duì)X(0)進(jìn)行潮流計(jì)算并計(jì)算各初始鳥窩的適應(yīng)度值，根據(jù)Pareto支配關(guān)系建立初始外部檔案集；S3、利用具有自適應(yīng)慣性權(quán)重w的布谷鳥尋窩的路徑和位置更新公式更新鳥窩位置，得到新的鳥窩種群X(1)，并計(jì)算X(1)中各鳥窩適應(yīng)度值；S4、將更新前后的兩代種群進(jìn)行合并，得到組合鳥窩種群X(1)”，計(jì)算X(1)”中各鳥窩適應(yīng)度值，選擇適應(yīng)度值為前N的鳥窩作下一代鳥窩種群X(2)，根據(jù)Pareto支配關(guān)系更新外部檔案集，并計(jì)算擁擠距離控制檔案集容量；S5、對(duì)X(2)中各鳥窩進(jìn)行差分進(jìn)化操作更新鳥窩位置，得到下一代鳥窩種群，根據(jù)Pareto支配關(guān)系更新外部檔案集并計(jì)算擁擠距離控制檔案集容量；S6、判斷是否滿足迭代終止條件，若滿足，輸出最優(yōu)Pareto最優(yōu)解集；否則返回步驟S3。其中，步驟S1包括：多目標(biāo)無(wú)功優(yōu)化數(shù)學(xué)模型為minF＝(f1,f2,f3)T其中，f2=minΣi=1Ni(Ui-Ui*Uimax-Uimin)2+∂1Σi=1Ni(ΔUiUimax-Uimin)2+∂2Σi=1NG(ΔQGQGimax-QGimin)2]]>f3=min1λmin+∂1Σi=1Ni(ΔUiUimax-Uimin)2+∂2Σi=1NG(ΔQGQGimax-QGimin)2]]>其中，f1、f2、f3分別為系統(tǒng)有功網(wǎng)損最小、電壓偏差最小和靜態(tài)電壓穩(wěn)定裕度最大的目標(biāo)函數(shù)，Nb為電力系統(tǒng)支路總數(shù)，Ui、Uj分別為節(jié)點(diǎn)i和j處的電壓值，Gk(i,j)、θij分別為支路k上節(jié)點(diǎn)i、j之間的互電導(dǎo)和相位差，Ni、NG分別為系統(tǒng)節(jié)點(diǎn)和發(fā)電機(jī)個(gè)數(shù)，Uimax、Uimin、分別為節(jié)點(diǎn)電壓i的上下限值和基準(zhǔn)電壓幅值，QGi、QGimax、QGimin分別為發(fā)電機(jī)節(jié)點(diǎn)無(wú)功出力及其上下限值，λmin為收斂潮流的雅可比矩陣最小奇異值，為懲罰因子。其中，步驟S2包括：采用目標(biāo)排序法確定各鳥窩個(gè)體適應(yīng)度；根據(jù)各鳥窩個(gè)體適應(yīng)度，利用Kent混沌映射產(chǎn)生N個(gè)初始鳥窩的位置作為初始鳥窩種群X(0)，對(duì)X(0)進(jìn)行潮流計(jì)算并計(jì)算各初始鳥窩的適應(yīng)度值，根據(jù)Pareto支配關(guān)系建立初始外部檔案集。其中，步驟S3包括：利用更新鳥窩位置，得到新的鳥窩種群X(1)，并計(jì)算X(1)中各鳥窩適應(yīng)度值；其中，分別為第i個(gè)鳥窩在第t+1代和第t代的位置，α為步長(zhǎng)控制向量，其值為：α0＝0.01，表示第t代最優(yōu)鳥窩位置，符號(hào)代表點(diǎn)對(duì)點(diǎn)的乘法，Levy(λ)為服從萊維概率分布隨機(jī)搜索路徑；其中，w為自適應(yīng)慣性權(quán)重，wmin、wmax分別為慣性權(quán)重的最小值和最大值，fi為當(dāng)前鳥窩位置的適應(yīng)度值；fmax、fmin分別為當(dāng)前整個(gè)鳥窩種群適應(yīng)度值的最大值和最小值。其中，根據(jù)Pareto支配關(guān)系更新外部檔案集，包括：利用擂臺(tái)賽法構(gòu)造非支配解集；根據(jù)Pareto支配關(guān)系，比較所述非支配解集中每個(gè)解與外部檔案集中的每個(gè)解的支配關(guān)系，根據(jù)比較規(guī)則更新外部檔案集。其中，計(jì)算擁擠距離控制檔案集容量，包括：利用計(jì)算擁擠距離控制檔案集容量；其中，D(i)、D(i,k)分別為非支配解X(i)的擁擠距離和在目標(biāo)k上的擁擠距離，f+(i,k)、f_(i,k)分別為解Xi在目標(biāo)k上的前后相鄰目標(biāo)函數(shù)值，f+(i,k)、f_(i,k)為檔案集中的解在目標(biāo)k上的目標(biāo)函數(shù)最大值和最小值。其中，步驟S5包括：S51自適應(yīng)更新X(2)中各鳥窩的鳥蛋被發(fā)現(xiàn)概率Pa，將產(chǎn)生的隨機(jī)數(shù)R與Pa進(jìn)行比較；若R＞Pa，則按照隨機(jī)游動(dòng)公式更新差的鳥窩位置，若R＜Pa，保持當(dāng)前鳥窩位置不變，得到新的鳥窩種群X(3)，S52對(duì)X(3)中各鳥窩進(jìn)行差分進(jìn)化操作更新鳥窩位置，得到下一代鳥窩種群，根據(jù)Pareto支配關(guān)系更新外部檔案集，并計(jì)算擁擠距離控制檔案集容量。其中，步驟S51還包括：比較更新前后的鳥窩種群中對(duì)應(yīng)鳥窩的適應(yīng)度，保留適應(yīng)度較優(yōu)的鳥窩，得到新的鳥窩種群X(3)'。其中，步驟S52中對(duì)X(3)'中各鳥窩進(jìn)行差分進(jìn)化操作更新鳥窩位置，包括：從X(3)'中隨機(jī)選擇兩個(gè)不同個(gè)體將其向量差縮放后與待變異個(gè)體合成得到變異個(gè)體將個(gè)體和其變異個(gè)體進(jìn)行交叉重組產(chǎn)生候選個(gè)體比較個(gè)體與候選個(gè)體支配關(guān)系，將較優(yōu)個(gè)體保留作為下一代個(gè)體其中，待變異個(gè)體為X(3)'中鳥窩。本發(fā)明還提供一種電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的系統(tǒng)，包括：模型建立模塊，用于確定優(yōu)化目標(biāo)和約束條件，建立以系統(tǒng)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(biāo)函數(shù)的多目標(biāo)無(wú)功優(yōu)化數(shù)學(xué)模型；初始化模塊，用于輸入各個(gè)預(yù)定參數(shù)，利用Kent混沌映射產(chǎn)生N個(gè)初始鳥窩的位置作為初始鳥窩種群X(0)，對(duì)X(0)進(jìn)行潮流計(jì)算并計(jì)算各初始鳥窩的適應(yīng)度值，根據(jù)Pareto支配關(guān)系建立初始外部檔案集；第一更新模塊，用于利用具有自適應(yīng)慣性權(quán)重w的布谷鳥尋窩的路徑和位置更新公式更新鳥窩位置，得到新的鳥窩種群X(1)，并計(jì)算X(1)中各鳥窩適應(yīng)度值；第二更新模塊，用于將更新前后的兩代種群進(jìn)行合并，得到組合鳥窩種群X(1)″，計(jì)算X(1)″中各鳥窩適應(yīng)度值，選擇適應(yīng)度值為前N的鳥窩作下一代鳥窩種群X(2)，根據(jù)Pareto支配關(guān)系更新外部檔案集，并計(jì)算擁擠距離控制檔案集容量；第三更新模塊，用于對(duì)X(2)中各鳥窩進(jìn)行差分進(jìn)化操作更新鳥窩位置，得到下一代鳥窩種群，根據(jù)Pareto支配關(guān)系更新外部檔案集并計(jì)算擁擠距離控制檔案集容量；判斷模塊，用于判斷是否滿足迭代終止條件，若滿足，輸出最優(yōu)Pareto最優(yōu)解集。本發(fā)明所提供的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的方法，考慮了多個(gè)目標(biāo)函數(shù)的最優(yōu)，克服了傳統(tǒng)方法將多目標(biāo)轉(zhuǎn)化為單目標(biāo)以及權(quán)重系數(shù)難確定的缺點(diǎn)，提供一種收斂速度快，求解精度高、全局尋優(yōu)能力強(qiáng)的改進(jìn)布谷鳥搜索(ICS)算法，并將其應(yīng)用于解決含有多個(gè)目標(biāo)的電力系統(tǒng)無(wú)功優(yōu)化問(wèn)題，從而達(dá)到降低系統(tǒng)網(wǎng)損、減少電壓偏差和提高電壓穩(wěn)定性等目的，并且為決策者提供可選擇的多樣性Pareto最優(yōu)解，且求得的Pareto最優(yōu)解集具有良好多樣性和均勻分布性，能很好的適用于求解電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化問(wèn)題。附圖說(shuō)明為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。圖1為本發(fā)明實(shí)施例所提供的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的方法的流程圖；圖2為本發(fā)明實(shí)施例所提供的具體的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的方法的流程示意圖；圖3為本發(fā)明實(shí)施例所提供的電力系統(tǒng)實(shí)施例IEEE-14節(jié)點(diǎn)系統(tǒng)圖；圖4為本發(fā)明實(shí)施例所提供的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的方法得到的Pareto最優(yōu)解空間分布示意圖；圖5為MOPSO算法多目標(biāo)無(wú)功優(yōu)化Pareto最優(yōu)解空間分布示意圖；圖6為本發(fā)明實(shí)施例所提供的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的方法與CS及PSO算法求解單個(gè)目標(biāo)時(shí)的收斂曲線圖；圖7為本發(fā)明實(shí)施例所提供的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的系統(tǒng)的結(jié)構(gòu)框圖。具體實(shí)施方式本發(fā)明的核心是提供一種電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的方法及系統(tǒng)，改進(jìn)的布谷鳥搜索算法收斂速度快，個(gè)體多樣性好，獲得的最優(yōu)解集具有良好多樣性和均勻分布性，能很好的適用于求解電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化問(wèn)題。為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。布谷鳥搜索CS(cuckoosearch)算法是由劍橋大學(xué)YangXin-She等人模擬布谷鳥尋窩產(chǎn)蛋行為提出的一種新型的啟發(fā)式算法，該算法具有所用參數(shù)少、搜索路徑優(yōu)、尋優(yōu)能力強(qiáng)等特點(diǎn)，目前已成功應(yīng)用到很多領(lǐng)域，但是也存在后期收斂速度慢、收斂精度不高的缺點(diǎn)。本申請(qǐng)為了解決現(xiàn)有的布谷鳥搜索算法中后期收斂速度慢、收斂精度不高的缺點(diǎn)，對(duì)其進(jìn)行改進(jìn)，從而提高了ICS算法的收斂速度，求解精度、全局尋優(yōu)能力。具體實(shí)施例如下：請(qǐng)參考圖1，圖1為本發(fā)明實(shí)施例所提供的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的方法的流程圖；該方法可以包括：S1、確定優(yōu)化目標(biāo)和約束條件，建立以系統(tǒng)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(biāo)函數(shù)的多目標(biāo)無(wú)功優(yōu)化數(shù)學(xué)模型；其中，這里的多目標(biāo)無(wú)功優(yōu)化數(shù)學(xué)模型的具體目標(biāo)值可以根據(jù)用戶實(shí)際情況進(jìn)行確認(rèn)，并不局限于上述系統(tǒng)有功網(wǎng)損最小、電壓偏差最小和靜態(tài)電壓穩(wěn)定裕度最大這幾個(gè)目標(biāo)，還可以包括其他目標(biāo)；下面的過(guò)程僅以這三個(gè)目標(biāo)為例進(jìn)行方法的說(shuō)明。即優(yōu)化目標(biāo)分別為系統(tǒng)網(wǎng)損Ploss最小、電壓偏差ΔU最小和靜態(tài)電壓穩(wěn)定裕度λmin最大，約束條件包括潮流等式約束、控制變量和狀態(tài)變量不等式約束。具體的，優(yōu)化目標(biāo)從系統(tǒng)經(jīng)濟(jì)、安全和穩(wěn)定性能出發(fā)，以系統(tǒng)網(wǎng)損最小、節(jié)點(diǎn)電壓偏差最小及靜態(tài)電壓穩(wěn)定裕度最大為優(yōu)化目標(biāo)；同時(shí)采用罰因子隨迭代次數(shù)指數(shù)遞增的可變罰函數(shù)來(lái)處理節(jié)點(diǎn)電壓和發(fā)電機(jī)無(wú)功出力的越限；加入罰函數(shù)的目標(biāo)函數(shù)表達(dá)式如下：f1=minΣk=1NbGk(i,j)(Ui2+Uj2-2UiUjcosθij)+∂1Σi=1Ni(ΔUiUimax-Uimin)2+∂2Σi=1NG(ΔQGQGimax-QGimin)2]]>f2=minΣi=1Ni(Ui-Ui*Uimax-Uimin)2+∂1Σi=1Ni(ΔUiUimax-Uimin)2+∂2Σi=1NG(ΔQGQGimax-QGimin)2]]>f3=min1λmin+∂1Σi=1Ni(ΔUiUimax-Uimin)2+∂2Σi=1NG(ΔQGQGimax-QGimin)2]]>其中，f1、f2、f3分別為系統(tǒng)有功網(wǎng)損最小、電壓偏差最小和靜態(tài)電壓穩(wěn)定裕度最大的目標(biāo)函數(shù)，Nb為電力系統(tǒng)支路總數(shù)，Ui、Uj分別為節(jié)點(diǎn)i和j處的電壓值，Gk(i,j)、θij分別為支路k上節(jié)點(diǎn)i、j之間的互電導(dǎo)和相位差，Ni、NG分別為系統(tǒng)節(jié)點(diǎn)和發(fā)電機(jī)個(gè)數(shù)，Uimax、Uimin、分別為節(jié)點(diǎn)電壓i的上下限值和基準(zhǔn)電壓幅值，QGi、QGimax、QGimin分別為發(fā)電機(jī)節(jié)點(diǎn)無(wú)功出力及其上下限值，λmin為收斂潮流的雅可比矩陣最小奇異值，其值表示系統(tǒng)運(yùn)行電壓距離電壓臨界點(diǎn)的距離，λmin越大表示系統(tǒng)的電壓穩(wěn)定裕度越高，也就是電壓越穩(wěn)定。為了使各目標(biāo)函數(shù)具有統(tǒng)一的最小化形式，將靜態(tài)電壓穩(wěn)定裕度最大轉(zhuǎn)為最小化形式，即對(duì)λmin取倒數(shù)如f3中所示，為懲罰因子，其值為t為迭代次數(shù)，λ1、λ2為常數(shù)。其中，ΔUi、ΔUG的值定義如下：ΔUi=Ui-UimaxUi>Uimax0Uimin≤Ui≤UimaxUimin-UiUi<Uimax]]>ΔQG=QGi-QGimaxQGi>QGimax0QGimin≤QGi≤QGimaxQGimin-QGiQGi<QGimax]]>因此，多目標(biāo)無(wú)功優(yōu)化數(shù)學(xué)模型為minF＝(f1,f2,f3)T。電力系統(tǒng)無(wú)功優(yōu)化約束條件包括潮流等式約束、控制變量和狀態(tài)變量不等式約束等。具體的，節(jié)點(diǎn)功率平衡方程式為潮流等式約束：Pgi-PLi-UiΣj=1nUj[Gijcosθij+Bijsinθij]=0Qgi-QLi-UiΣj=1nUj[Gijsinθij-Bijcosθij]=0]]>其中，Pgi、PLi分別為節(jié)點(diǎn)i的有功輸出和有功負(fù)荷；Qgi、QLi分別為節(jié)點(diǎn)i的無(wú)功輸出和無(wú)功負(fù)荷，n表示與節(jié)點(diǎn)i直接相連的節(jié)點(diǎn)數(shù)；Gij、Bij、θij分別為節(jié)點(diǎn)i、j的互電導(dǎo)、互電納和相位差?？刂谱兞坎坏仁郊s束：UGimin≤UGi≤UGimaxi=1,2,...,NGQCimin≤QCi≤QCimaxi=1,2,...,NCKTimin≤KTi≤KTimaxi=1,2,...,NK]]>狀態(tài)變量不等式約束：QGimin≤QGi≤QGimaxi=1,2,...,NGUimin≤Ui≤Uimaxi=1,2,...,Ni]]>其中，QCimax、QCimin分別為節(jié)點(diǎn)i的無(wú)功補(bǔ)償器補(bǔ)償容量上下限；UGi、UGimax、UGimin為發(fā)電機(jī)機(jī)端電壓及其上下值，KTi、KTimax、KTimin為有載調(diào)壓變壓器變比及其上下限值；NC、NG、Nk分別為電容器數(shù)目、發(fā)電機(jī)的數(shù)目和有載調(diào)壓變壓器個(gè)數(shù)。即同時(shí)考慮了多個(gè)目標(biāo)函數(shù)的最優(yōu)，優(yōu)化結(jié)果能夠全面反映出系統(tǒng)運(yùn)行的經(jīng)濟(jì)性、安全性、穩(wěn)定性等多種情況。S2、輸入各個(gè)預(yù)定參數(shù)，利用Kent混沌映射產(chǎn)生N個(gè)初始鳥窩的位置作為初始鳥窩種群X(0)，對(duì)X(0)進(jìn)行潮流計(jì)算并計(jì)算各初始鳥窩的適應(yīng)度值，根據(jù)Pareto支配關(guān)系建立初始外部檔案集；其中，各個(gè)預(yù)定參數(shù)可以通過(guò)電網(wǎng)原始數(shù)據(jù)獲得，可以包括系統(tǒng)各支路導(dǎo)納參數(shù)，各節(jié)點(diǎn)負(fù)荷，控制變量及其上下限，其中控制變量包括：發(fā)電機(jī)機(jī)端電壓UGi，有載調(diào)壓變壓器變比KTi，無(wú)功補(bǔ)償容量QCi；所述改進(jìn)的布谷鳥算法所需的各個(gè)參數(shù)，包括解的維數(shù)D，鳥窩的個(gè)數(shù)N，最大迭代次數(shù)Tmax、初始發(fā)現(xiàn)概率Pa，慣性權(quán)重wmax、wmin，交叉概率CR，縮放因子F，外部檔案集容量C。該步驟具體可以包括：采用目標(biāo)排序法確定各鳥窩個(gè)體適應(yīng)度；根據(jù)各鳥窩個(gè)體適應(yīng)度，利用Kent混沌映射產(chǎn)生N個(gè)初始鳥窩的位置作為初始鳥窩種群X(0)，對(duì)X(0)進(jìn)行潮流計(jì)算并計(jì)算各初始鳥窩的適應(yīng)度值，根據(jù)Pareto支配關(guān)系建立初始外部檔案集。為了提高該方法的效率可以在產(chǎn)生初始鳥窩種群之前先利用目標(biāo)排序法確定各鳥窩個(gè)體適應(yīng)度。也可以使用其他方式先對(duì)鳥窩進(jìn)行個(gè)體排序。其中，采用目標(biāo)排序法確定個(gè)體適應(yīng)度的方法如下：這里的個(gè)體指鳥窩；這里采用目標(biāo)排序法確定個(gè)體適應(yīng)度能更好的體現(xiàn)每個(gè)個(gè)體的優(yōu)劣，接近真實(shí)解，同時(shí)還能夠擴(kuò)大最優(yōu)個(gè)體的影響力，更好的引導(dǎo)個(gè)體向最優(yōu)解進(jìn)行搜索。首先對(duì)各個(gè)個(gè)體根據(jù)其每個(gè)目標(biāo)函數(shù)值優(yōu)劣進(jìn)行依次排序，然后生成可行解的排序序列，再根據(jù)個(gè)體的排序計(jì)算其適應(yīng)度，計(jì)算公式如下：fk(Xj)=(N-Rk(Xj))2,Rk(Xj)>1,k=1,2,3SN2,Rk(Xj)=1,k=1,2,3]]>f(Xj)=Σk=1mfk(Xi),j=1,2,...N]]>其中，N為種群的規(guī)模，即為鳥窩的個(gè)數(shù)，m為目標(biāo)函數(shù)個(gè)數(shù)，Xj為第j個(gè)個(gè)體；Rk(Xj)為個(gè)體Xj在種群中對(duì)單個(gè)目標(biāo)k優(yōu)劣排序后所得的排序號(hào)，由于這里所求的目標(biāo)函數(shù)都是以最小值為目標(biāo)，所以目標(biāo)函數(shù)值越小，個(gè)體排序號(hào)越靠前，即所對(duì)應(yīng)的序號(hào)就越小，(P-Rk(Xj))2的值越大，即適應(yīng)度值越大。S為(1,2)之間的隨機(jī)數(shù)，用于擴(kuò)大最優(yōu)個(gè)體適應(yīng)度影響力，fk(Xj)為個(gè)體Xj對(duì)目標(biāo)k的單目標(biāo)適應(yīng)度，f(Xj)為個(gè)體Xj對(duì)全部目標(biāo)函數(shù)計(jì)算所得的綜合適應(yīng)度，并將其用于計(jì)算每個(gè)鳥窩個(gè)體的適應(yīng)度。由上述可知，對(duì)于總體表現(xiàn)好的個(gè)體能得到更大的適應(yīng)度，個(gè)體越優(yōu)其適應(yīng)度越大，個(gè)體最優(yōu)的其適應(yīng)度最大。其中，利用Kent混沌映射產(chǎn)生N個(gè)初始鳥窩的位置作為初始種群X(0)，包括以下步驟：隨機(jī)產(chǎn)生一個(gè)D維且各分量值均在0～1之間的混沌矢量Z1＝(z11,z12,···,z1D)，以Z1為初始值根據(jù)式Kent混沌迭代公式進(jìn)行M次迭代，得到混沌序列Z1,Z2,···,ZM。其中，Zn為混沌變量，Zn∈[0,1],n＝0,1,2···；aj、bj為xij的取值范圍，即為各控制變量不等式約束的約束范圍。再通過(guò)xij＝aj+(bj-aj)ziji＝1,2,···,M；j＝1,2,···,D將混沌序列Zi(i＝1,2,···,M)變換到原優(yōu)化變量的取值區(qū)間，然后根據(jù)式fk(Xj)及f(Xj)計(jì)算變換后各矢量所對(duì)應(yīng)的適應(yīng)度值，根據(jù)適應(yīng)度大小從M個(gè)群體中選擇適應(yīng)度值較優(yōu)的N個(gè)體作為初始鳥窩種群。經(jīng)混沌映射產(chǎn)生的N個(gè)初始鳥窩種群X(0)中，每個(gè)鳥窩個(gè)體的維數(shù)為D，即為控制變量總個(gè)數(shù)，控制變量包括發(fā)電機(jī)電壓UG，有載調(diào)壓變器變比KT，無(wú)功補(bǔ)償器投入容量QC，第i個(gè)鳥窩位置為Xi＝[Xi1,Xi2···,XiD]＝[UG1,UG2,···,UGNG,KT1,KT2,···,KTNK,QC1,QC2,···,QCNC]，代表相應(yīng)控制變量每次迭代的解，NG、Nk、NC分別為發(fā)電機(jī)、有載調(diào)壓器、無(wú)功補(bǔ)償器的個(gè)數(shù)。其中，Pareto支配關(guān)系概念如下：∀k∈{1,2...,m},fk(X)≤fk(Y)∃k∈{1,2...,m},fk(X)<fk(Y)]]>定義極小化多目標(biāo)問(wèn)題的兩個(gè)解向量X和Y，若滿足上式則稱X支配Y，計(jì)為此時(shí)稱X為非支配的，Y為被支配的，如果X和Y之間不存在支配關(guān)系，則稱X和Y無(wú)支配關(guān)系；其中m是目標(biāo)函數(shù)個(gè)數(shù)，fk()指解向量的第k個(gè)目標(biāo)函數(shù)值；如果解空間中不存在任何支配X的解，則稱解X是非支配解，也叫做Pareto最優(yōu)解，所有Pareto最優(yōu)解構(gòu)成的集合稱為多目標(biāo)優(yōu)化問(wèn)題的Pareto最優(yōu)解集，Pareto最優(yōu)解集中每個(gè)解之間互不支配，沒(méi)有優(yōu)劣關(guān)系。Pareto最優(yōu)解集在目標(biāo)函數(shù)空間的分布稱為Pareto最優(yōu)前沿。其中，外部檔案集即Archive是用于存儲(chǔ)迭每次代過(guò)程中所搜索到的Pareto最優(yōu)解，所構(gòu)成的解集為Pareto最優(yōu)解集，初始外部檔案集Archive構(gòu)造方法如下：設(shè)NP為初始種群，Q為構(gòu)造集，初始時(shí)Q＝NP，Archive為外部檔案集，初始時(shí)為空，在構(gòu)造集Q中，任選一個(gè)個(gè)體X依次與Q中其他每個(gè)個(gè)體Y相比較，若X支配Y，則將個(gè)體Y從Q中清除，若Y支配X，則用Y代替X，并繼續(xù)該輪比較；一輪比較完后所得到的個(gè)體即為非支配個(gè)體，并將此非支配個(gè)體加入外部檔案集Archive中，然后再進(jìn)行下一輪比較，直至構(gòu)造集Q為空。最后得到的外部檔案集Archive中的非支配解之間互不支配。即采用基于Pareto最優(yōu)解集方法求解多目標(biāo)函數(shù)，避免了將多目標(biāo)轉(zhuǎn)化為單目標(biāo)以及權(quán)重系數(shù)難確定的缺點(diǎn)，根據(jù)Pareto支配關(guān)系建立非支配解集，采用外部檔案集存儲(chǔ)每次迭代產(chǎn)生的Pareto最優(yōu)解，同時(shí)通過(guò)計(jì)算個(gè)體擁擠距離維護(hù)檔案集容量，能夠有效提高算法運(yùn)行速度和保證Pareto最優(yōu)解的多樣性和均勻分布性。即采用基于Pareto最優(yōu)解集的方法求解多目標(biāo)函數(shù)，不需要確定權(quán)重系數(shù)，所求的優(yōu)化結(jié)果更能夠全面反映出系統(tǒng)運(yùn)行的經(jīng)濟(jì)性、安全性、穩(wěn)定性等多種情況，能夠?yàn)闆Q策者提供多樣性的選擇。S3、利用具有自適應(yīng)慣性權(quán)重w的布谷鳥尋窩的路徑和位置更新公式更新鳥窩位置，得到新的鳥窩種群X(1)，并計(jì)算X(1)中各鳥窩適應(yīng)度值；其中，利用更新鳥窩位置，得到新的鳥窩種群X(1)，并計(jì)算X(1)中各鳥窩適應(yīng)度值；其中，分別為第i個(gè)鳥窩在第t+1代和第t代的位置，α為步長(zhǎng)控制向量，其值為：α0＝0.01，表示第t代最優(yōu)鳥窩位置，符號(hào)代表點(diǎn)對(duì)點(diǎn)的乘法，Levy(λ)為服從萊維概率分布隨機(jī)搜索路徑；其中，w為自適應(yīng)慣性權(quán)重即按照下面的公式進(jìn)行自適應(yīng)改變，wmin、wmax分別為慣性權(quán)重的最小值和最大值，fi為當(dāng)前鳥窩位置的適應(yīng)度值；fmax、fmin分別為當(dāng)前整個(gè)鳥窩種群中適應(yīng)度值的最大值和最小值。具體的，布谷鳥尋窩的路徑和位置更新公式更新過(guò)程為：原布谷鳥尋窩的路徑和位置更新公式為其中，α0＝0.01，表示第t代最優(yōu)鳥窩位置，符號(hào)代表點(diǎn)對(duì)點(diǎn)的乘法，Levy(λ)為服從萊維概率分布隨機(jī)搜索路徑。即：Levy(λ)～u＝t-1-λ,0＜λ≤2，為便于計(jì)算，采用公式計(jì)算Levy(λ)隨機(jī)數(shù)。其中u，v服從正態(tài)分布，即u～N(0,1)，v～N(0,1)，λ＝1.5時(shí)：進(jìn)而在布谷鳥尋窩的路徑和位置更新公式中引入慣性權(quán)重w之后的更新公式為：S4、將更新前后的兩代種群進(jìn)行合并，得到組合鳥窩種群X(1)″，計(jì)算X(1)″中各鳥窩適應(yīng)度值，選擇適應(yīng)度值為前N的鳥窩作下一代鳥窩種群X(2)，根據(jù)Pareto支配關(guān)系更新外部檔案集，并計(jì)算擁擠距離控制檔案集容量；其中，這里的更新前后不僅僅指第一次和第二次，是指每次做這一步驟之前的進(jìn)行更新的鳥窩種群和更新后的鳥窩種群。由于存在迭代次數(shù)，所以應(yīng)適應(yīng)性理解這里的更新前后。即進(jìn)行執(zhí)行S3的第一鳥窩種群和該第一鳥窩種群執(zhí)行完S3之后的鳥窩種群即更新前后的兩代種群?？蛇x的，根據(jù)Pareto支配關(guān)系更新外部檔案集，包括：利用擂臺(tái)賽法構(gòu)造非支配解集；根據(jù)Pareto支配關(guān)系，比較所述非支配解集中每個(gè)解與外部檔案集中的每個(gè)解的支配關(guān)系，根據(jù)比較規(guī)則更新外部檔案集。具體的，采用擂臺(tái)賽法構(gòu)造非支配解集：設(shè)ND為當(dāng)代種群，Q為構(gòu)造集，初始時(shí)Q＝ND，Nds為非支配解集，初始時(shí)Nds為空，首先在Q中，任選一個(gè)個(gè)體X依次與Q中其他每個(gè)個(gè)體Y相比較，若X支配Y，則將個(gè)體Y從Q中清除，若Y支配X，則用Y代替X，并繼續(xù)該輪比較；一輪比較完后，最后得到的個(gè)體即為非支配個(gè)體，并將此非支配個(gè)體加入非支配解集Nds中，然后再進(jìn)行下一輪比較，直至Q為空。根據(jù)Pareto支配關(guān)系，比較非支配解集Nds中每個(gè)解與外部檔案集Archive的每個(gè)解的支配關(guān)系，采用以下規(guī)則來(lái)更新Archive：從當(dāng)前非支配解集Nds中任選一個(gè)解XD與Archive中每一個(gè)解作比較，若XD被Archive中的解支配，則拒絕XD加入到Archive中，若XD支配Archive中的某些解，則將XD加入Archive中，同時(shí)刪除Archive中被支配的解；若兩者無(wú)支配關(guān)系，也將XD加入Archive中。S5、對(duì)X(2)中各鳥窩進(jìn)行差分進(jìn)化操作更新鳥窩位置，得到下一代鳥窩種群，根據(jù)Pareto支配關(guān)系更新外部檔案集并計(jì)算擁擠距離控制檔案集容量；可選的，計(jì)算擁擠距離控制檔案集容量，包括：利用計(jì)算擁擠距離控制檔案集容量；其中，D(i)、D(i,k)分別為非支配解X(i)的擁擠距離和在目標(biāo)k上的擁擠距離，f+(i,k)、f_(i,k)分別為解Xi在目標(biāo)k上的前后相鄰目標(biāo)函數(shù)值，f+(i,k)、f_(i,k)為檔案集中的解在目標(biāo)k上的目標(biāo)函數(shù)最大值和最小值。其中，為保證非支配解的質(zhì)量和提高算法運(yùn)行速度，需要對(duì)外部檔案集進(jìn)行維護(hù)，保留擁擠度大且分布均勻的個(gè)體；若檔案集中非支配解個(gè)數(shù)超過(guò)所設(shè)定的總數(shù)，則按上述公式計(jì)算檔案集中每個(gè)解的擁擠距離，去除擁擠距離較小的個(gè)體，保留擁擠距離大的個(gè)體，直至檔案集容量達(dá)到所設(shè)定容量。個(gè)體的擁擠距離大則說(shuō)明個(gè)體分布的較分散，個(gè)體的多樣性好。布谷鳥鳥蛋被發(fā)現(xiàn)的概率Pa的取值大小會(huì)影響最優(yōu)解的搜索，Pa過(guò)大，由差的鳥窩被遺棄而進(jìn)行的位置更新的概率減少，因此加快了算法的收斂速度，但是較好的解很難收斂到最優(yōu)解；Pa過(guò)小，由差的鳥窩被遺棄而進(jìn)行的位置更新的概率變大，從而算法的收斂速度會(huì)變慢。采用自適應(yīng)改變發(fā)現(xiàn)概率根據(jù)當(dāng)前個(gè)體適應(yīng)度和最優(yōu)個(gè)體適應(yīng)度來(lái)調(diào)整發(fā)現(xiàn)概率的大小，避免了主觀取值的缺點(diǎn)，有效提高了算法搜索能力和收斂速度。增加自適應(yīng)改變發(fā)現(xiàn)概率的過(guò)程。具體方法可以如下：S51自適應(yīng)更新X(2)中各鳥窩的鳥蛋被發(fā)現(xiàn)概率Pa，將產(chǎn)生的隨機(jī)數(shù)R與Pa進(jìn)行比較；若R＞Pa，則按照隨機(jī)游動(dòng)公式更新差的鳥窩位置，若R＜Pa，保持當(dāng)前鳥窩位置不變，得到新的鳥窩種群X(3)，其中，鳥蛋被發(fā)現(xiàn)概率Pa可以按照公式來(lái)自適應(yīng)更新，其中，為第t代種群中第i個(gè)鳥窩鳥蛋被宿主鳥發(fā)現(xiàn)的概率，Pamin、Pamax分別為最小、最大發(fā)現(xiàn)概率。分別為在第t代種群中第i個(gè)鳥窩和最優(yōu)鳥窩的適應(yīng)度。其中，按照以下公式更新差的鳥窩位置：Xit+1=Xit+R(Xjt-Xet)]]>其中，R為[0,1]之間的隨機(jī)數(shù)，為當(dāng)代差的鳥窩位置，即為隨機(jī)數(shù)R大于鳥蛋被發(fā)現(xiàn)概率Pa的鳥窩，為第t代中兩個(gè)隨機(jī)解。進(jìn)一步，為了更好的提高算法搜索能力和收斂速度，這里可以再一次更新得到的鳥窩種群，利用具有更優(yōu)適應(yīng)度值的新的鳥窩種群進(jìn)行下面操作。即優(yōu)選的，比較更新前后的鳥窩種群中對(duì)應(yīng)鳥窩的適應(yīng)度，保留適應(yīng)度較優(yōu)的鳥窩，得到新的鳥窩種群X(3)'。相應(yīng)的S52中的X(3)適應(yīng)性改變?yōu)閄(3)'。即將自適應(yīng)慣性權(quán)重引入到布谷鳥尋窩的路徑和位置更新公式當(dāng)中，并且自適應(yīng)改變發(fā)現(xiàn)概率，提高算法搜索能力和收斂速度；S52對(duì)X(3)中各鳥窩進(jìn)行差分進(jìn)化操作更新鳥窩位置，得到下一代鳥窩種群，根據(jù)Pareto支配關(guān)系更新外部檔案集，并計(jì)算擁擠距離控制檔案集容量。其中，這里的依次對(duì)種群X(3)中各鳥窩實(shí)施差分進(jìn)化操作，具體包括以下步驟：(1)變異操作。從種群X(3)中隨機(jī)選擇兩個(gè)不同個(gè)體將其向量差縮放后與待變異個(gè)體合成得到變異個(gè)體即：Vi(t+1)=Xi(t)+F(Xp(t)-Xq(t)),i≠p≠q]]>其中，表示是第t代的第i個(gè)個(gè)體，F(xiàn)為縮放因子。由上式可知，變異個(gè)體保留了待變異個(gè)體的部分信息，同時(shí)利用了個(gè)體的特性，實(shí)現(xiàn)了種群中個(gè)體間的信息傳遞。(2)交叉操作。對(duì)個(gè)體和其變異個(gè)體進(jìn)行交叉重組產(chǎn)生候選個(gè)體即：Uij(t+1)=Vij(t+1),ifr≤CRorj=jrandXij(t),otherwise]]>其中，r為[0,1]之間的隨機(jī)數(shù)，CR為交叉概率，為的第j維分量，jrand為[1,2,…,D]中的隨機(jī)整數(shù)，D為解空間的維數(shù)。(3)選擇操作。比較個(gè)體與候選個(gè)體支配關(guān)系，將較優(yōu)個(gè)體保留作為下一代個(gè)體Xi(t+1)=Ui(t+1),ifUi(t+1)dominateXitXi(t),otherwise]]>對(duì)種群X(3)每個(gè)個(gè)體進(jìn)行變異、交叉和選擇操作之后，得到新一代鳥窩種群。這里的種群X(3)也可以是X(3)'，即經(jīng)過(guò)上述S51更新后的種群。由于存在迭代次數(shù)，所以應(yīng)適應(yīng)性理解這里的更新后的新的鳥窩種群。即采用差分進(jìn)化策略，使得個(gè)體在更新過(guò)程中能夠繼續(xù)保持種群的多樣性，提高算法收斂精度。即充分利用了種群中每個(gè)個(gè)體的信息，使得個(gè)體在更新過(guò)程中能夠保持種群的多樣性，提高了算法跳出局部最優(yōu)的能力。S6、判斷是否滿足迭代終止條件，若滿足，輸出最優(yōu)Pareto最優(yōu)解集；否則返回步驟S3。其中，輸出的Pareto最優(yōu)解集，也就是外部檔案集中儲(chǔ)存的所有非支配解。請(qǐng)參考圖2，給出了一種具體的基于改進(jìn)布谷鳥搜索算法的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化方法。下面通過(guò)電力系統(tǒng)實(shí)施例IEEE-14節(jié)點(diǎn)系統(tǒng)為例說(shuō)明上述過(guò)程：請(qǐng)參考圖3，該系統(tǒng)共有14個(gè)節(jié)點(diǎn)，包含20條支路，有3臺(tái)可調(diào)變壓器，5臺(tái)發(fā)電機(jī)，1個(gè)并聯(lián)電容器無(wú)功補(bǔ)償點(diǎn)；其中節(jié)點(diǎn)1、2、3、6、8為發(fā)電機(jī)節(jié)點(diǎn)，節(jié)點(diǎn)1作為平衡節(jié)點(diǎn)，節(jié)點(diǎn)2，3，6，8作為PV節(jié)點(diǎn)，發(fā)電機(jī)機(jī)端電壓UG范圍為[0.95,1.1]，調(diào)節(jié)步長(zhǎng)為0.05；無(wú)功補(bǔ)償器設(shè)在節(jié)點(diǎn)9上，補(bǔ)償容量QC調(diào)節(jié)范圍為[0,0.5]，步長(zhǎng)為0.1；有載調(diào)壓變壓器變比KT調(diào)節(jié)范圍為[0.9,1.1]，調(diào)節(jié)步長(zhǎng)為0.025；系統(tǒng)初始有功網(wǎng)損為0.1384，電壓穩(wěn)定裕度為0.532，電壓偏差為2.945，上述值都取標(biāo)幺值p.u.,基準(zhǔn)功率為100MW。對(duì)IEEE-14節(jié)點(diǎn)系統(tǒng)進(jìn)行多目標(biāo)無(wú)功優(yōu)化，并與多目標(biāo)粒子群算法(MOPSO)進(jìn)行比較。算法主要相關(guān)參數(shù)設(shè)置如下：鳥窩種群規(guī)模N＝50，解的維數(shù)D＝9(等于控制變量的個(gè)數(shù))，最大迭代次數(shù)Tmax＝100，初始發(fā)現(xiàn)概率Pa＝0.5，慣性權(quán)重wmax＝0.9，wmin＝0.4，交叉概率CR＝0.5，縮放因子F＝0.5，外部檔案集容量大小C＝30。由圖4與圖5運(yùn)用ICS算法與MOPSO算法進(jìn)行多目標(biāo)優(yōu)化所得的Pareto最優(yōu)解空間分布對(duì)比可知，運(yùn)用本申請(qǐng)所提出的ICS算法進(jìn)行多目標(biāo)無(wú)功優(yōu)化求得的Pareto最優(yōu)解分布更加均勻，更加逼近Pareto最優(yōu)前沿，由此可知ICS算法在尋優(yōu)過(guò)程中能更好地保持種群的多樣性，有更好的全局搜索能力。并且運(yùn)用ICS優(yōu)化所得的電壓偏差大于0.6p.u.的解的個(gè)數(shù)要明顯小于運(yùn)用MOPSO優(yōu)化所得的個(gè)數(shù)，即運(yùn)用本發(fā)明方法優(yōu)化后的電壓水平更好，平均有功網(wǎng)損也比運(yùn)用MOPSO優(yōu)化所得的有功網(wǎng)損小。因此運(yùn)用本申請(qǐng)方法進(jìn)行電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化具有更佳的效果。同時(shí)從圖4和圖5可以清晰地看出電壓偏差、電壓穩(wěn)定裕度和有功網(wǎng)損三者之間存在著競(jìng)爭(zhēng)關(guān)系，不能同時(shí)達(dá)到最優(yōu)，決策者可以根據(jù)偏好選擇所需要的最優(yōu)解，避免了采用加權(quán)法對(duì)多目標(biāo)函數(shù)進(jìn)行求解的缺點(diǎn)。為更好的顯示本發(fā)明方法具有的優(yōu)勢(shì)，采用最優(yōu)解折中法從最優(yōu)解集中選取較優(yōu)解作為決策解，兩種算法獨(dú)立運(yùn)行20次取決策解的平均值進(jìn)行比較，如表1所示。表1為在相同情況下運(yùn)用ICS和MOPSO進(jìn)行多目標(biāo)優(yōu)化獨(dú)立運(yùn)行20次所得的平均優(yōu)化結(jié)果。表1IEEE-14節(jié)點(diǎn)系統(tǒng)平均優(yōu)化結(jié)果對(duì)比由表1數(shù)據(jù)可以看出，運(yùn)用ICS算法優(yōu)化所得的網(wǎng)損、電壓偏差、電壓穩(wěn)定裕度均優(yōu)于運(yùn)用MOPSO算法優(yōu)化所得的結(jié)果。運(yùn)用ICS算法優(yōu)化后，有功網(wǎng)損降低了9.32％，電壓偏差降低了92.8％，電壓穩(wěn)定裕度提高了18.3％。因此本文所提的方法能更好的適用于電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化問(wèn)題，能夠有效降低系統(tǒng)有功網(wǎng)損、減少電壓偏差和提高電壓穩(wěn)定性。請(qǐng)參考圖6，由圖6ICS與CS及PSO算法求解單個(gè)目標(biāo)時(shí)的收斂曲線圖可知，本申請(qǐng)所提的改進(jìn)布谷鳥搜索算法(ICS)相對(duì)于CS及PSO算法具有更好的收斂性能，優(yōu)化后的有功網(wǎng)損更小；由于ICS算法采用kent混沌映射產(chǎn)生初始種群，所以在迭代初期能夠使算法在較好的初始值尋優(yōu)，從而加快了算法的收斂速度，并且通過(guò)自適應(yīng)慣性權(quán)重更新鳥窩位置，自適應(yīng)改變發(fā)現(xiàn)概率，大大提高了算法的尋優(yōu)能力和收斂速度?；谏鲜黾夹g(shù)方案，本發(fā)明實(shí)施例提供的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的方法，改進(jìn)布谷鳥搜索算法，利用Kent混沌映射產(chǎn)生初始種群，使算法能夠從較好的初始值開(kāi)始進(jìn)行尋優(yōu)，同時(shí)也保證了初始種群的多樣性和均勻性，有利于全局尋優(yōu)；自適應(yīng)慣性權(quán)重更新鳥窩位置，能夠平衡算法的局部和全局尋優(yōu)能力；自適應(yīng)改變發(fā)現(xiàn)概率，避免了主觀取值的缺點(diǎn)，兩種自適應(yīng)有效提高了算法搜索能力和收斂速度；采用差分進(jìn)化策略，充分利用了種群中每個(gè)個(gè)體的信息，使得個(gè)體在更新過(guò)程中能夠保持種群的多樣性，提高了算法收斂精度。同時(shí)本發(fā)明方法克服了傳統(tǒng)多目標(biāo)無(wú)功優(yōu)化方法需要將多目標(biāo)轉(zhuǎn)化為單目標(biāo)以及權(quán)重系數(shù)難確定的缺點(diǎn)；考慮了多個(gè)目標(biāo)函數(shù)的最優(yōu)，優(yōu)化結(jié)果能夠全面反映出系統(tǒng)運(yùn)行的經(jīng)濟(jì)性、安全性、穩(wěn)定性等多種情，能為決策者提供多樣性化的選擇。采用目標(biāo)排序法確定個(gè)體適應(yīng)度，比NSGA-II算法中采用虛擬適應(yīng)度的方法更加簡(jiǎn)單有效；采用外部檔案集存儲(chǔ)每次迭代產(chǎn)生的Pareto最優(yōu)解，同時(shí)通過(guò)計(jì)算個(gè)體擁擠距離維護(hù)檔案集容量，能夠有效提高算法運(yùn)行速度和保證Pareto最優(yōu)解的均勻分布性。綜上所述，本申請(qǐng)?zhí)峁┑母倪M(jìn)布谷鳥搜索算法具有收斂速度快、尋優(yōu)精度高、個(gè)體多樣性好，同時(shí)本發(fā)明方法能夠有效降低網(wǎng)損、減少電壓偏差、提高電壓穩(wěn)定性能，能夠很好的應(yīng)用于求解電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化問(wèn)題，求得的Pareto最優(yōu)解集具有良好多樣性和均勻分布性。下面對(duì)本發(fā)明實(shí)施例提供的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的系統(tǒng)進(jìn)行介紹，下文描述的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的系統(tǒng)與上文描述的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的方法可相互對(duì)應(yīng)參照。請(qǐng)參考圖7，圖7為本發(fā)明實(shí)施例所提供的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的系統(tǒng)的結(jié)構(gòu)框圖；可以包括：模型建立模塊100，用于確定優(yōu)化目標(biāo)和約束條件，建立以系統(tǒng)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(biāo)函數(shù)的多目標(biāo)無(wú)功優(yōu)化數(shù)學(xué)模型；初始化模塊200，用于輸入各個(gè)預(yù)定參數(shù)，利用Kent混沌映射產(chǎn)生N個(gè)初始鳥窩的位置作為初始鳥窩種群X(0)，對(duì)X(0)進(jìn)行潮流計(jì)算并計(jì)算各初始鳥窩的適應(yīng)度值，根據(jù)Pareto支配關(guān)系建立初始外部檔案集；其中，采用kent混沌映射產(chǎn)生初始鳥窩種群，使算法從較好的初始值開(kāi)始進(jìn)行尋優(yōu)，同時(shí)保證初始種群的多樣性和均勻性。第一更新模塊300，用于利用具有自適應(yīng)慣性權(quán)重w的布谷鳥尋窩的路徑和位置更新公式更新鳥窩位置，得到新的鳥窩種群X(1)，并計(jì)算X(1)中各鳥窩適應(yīng)度值；第二更新模塊400，用于將更新前后的兩代種群進(jìn)行合并，得到組合鳥窩種群X(1)″，計(jì)算X(1)″中各鳥窩適應(yīng)度值，選擇適應(yīng)度值為前N的鳥窩作下一代鳥窩種群X(2)，根據(jù)Pareto支配關(guān)系更新外部檔案集，并計(jì)算擁擠距離控制檔案集容量；第三更新模塊500，用于對(duì)X(2)中各鳥窩進(jìn)行差分進(jìn)化操作更新鳥窩位置，得到下一代鳥窩種群，根據(jù)Pareto支配關(guān)系更新外部檔案集并計(jì)算擁擠距離控制檔案集容量；判斷模塊600，用于判斷是否滿足迭代終止條件，若滿足，輸出最優(yōu)Pareto最優(yōu)解集。說(shuō)明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見(jiàn)即可。對(duì)于實(shí)施例公開(kāi)的裝置而言，由于其與實(shí)施例公開(kāi)的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法部分說(shuō)明即可。專業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開(kāi)的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來(lái)實(shí)現(xiàn)，為了清楚地說(shuō)明硬件和軟件的可互換性，在上述說(shuō)明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來(lái)執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來(lái)使用不同方法來(lái)實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。結(jié)合本文中所公開(kāi)的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來(lái)實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(RAM)、內(nèi)存、只讀存儲(chǔ)器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動(dòng)磁盤、CD-ROM、或
技術(shù)領(lǐng)域：
內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。以上對(duì)本發(fā)明所提供的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化的方法及系統(tǒng)進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對(duì)于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。當(dāng)前第1頁(yè)1 2 3