一種電力系統無功優化方法與裝置與流程
本發明涉及電力系統技術領域，特別是涉及一種電力系統無功優化方法與裝置。
背景技術：
電力系統無功優化是一個離散、非線性、多目標混合整數規劃問題。在進行多目標決策時，各目標函數有可能是相互沖突的，要同時使它們一起達到最優不太可能，因此，為了找到一個對各個目標都較為合適的一組解，我們必須根據各個目標之間的關系，明確總目標函數中各個目標的權重，將多個子目標線性加權組合為單一目標。這種方法的優點是便于計算，缺點是難以確定各目標函數的權重。
長期以來，國內外眾多學者為解決無功優化問題做了大量的研究工作，提出了很多算法，這些算法對解決多目標無功優化問題提供了新途徑。但是傳統算法在處理無功優化問題上具有一定的局限性，不方便處理離散變量，易陷入局部最優解且收斂速度慢，而人工智能算法具有較強的全局搜索能力且能處理含有離散約束條件的多目標無功優化，因此人工智能算法在無功優化問題中得到了廣泛的研究和應用。其中，人工智能算法包括粒子群算法，遺傳算法，免疫算法和混合算法。
kennedy和eberhart博士于1995通過對鳥群覓食行為的研究，提出一種仿生智能計算技術——粒子群優化算法，該算法具有依賴參數較少、簡單易行、收斂速度快等優點。但標準粒子群算法在進化過程中也存在初值敏感性、易陷入局部極值點和搜索精度不高等缺點。可見，如何提高粒子群算法整體尋優性能，實現電力系統的無功優化，是本領域技術人員亟待解決的問題。
技術實現要素：
本發明實施例的目的是提供一種電力系統無功優化方法與裝置，可以實現電力系統的無功優化目標。
為解決上述技術問題，本發明實施例提供一種電力系統無功優化方法，包括：
s10：初始化目標參數，獲取一個粒子的初始速度和初始位置；
s11：依據所述目標參數和約束條件，建立電力系統無功優化的目標函數；
s12：利用建立的組合混沌序列，對所述粒子的所述初始速度和所述初始位置進行組合混沌操作，得到混沌初始粒子群中各個粒子各自對應的父代速度和父代位置；并將所述混沌初始粒子群作為父代粒子群；
s13：利用所述目標函數，計算所述父代粒子群中各粒子的適應度，確定出粒子最優位置和種群最優位置；
s14：依據設置的更新規則，對所述父代速度和所述父代位置進行更新操作，得到子代速度和子代位置；并依據所述子代速度和慣性權重規則，調整所述子代粒子群的慣性權重；
s15：對所述子代粒子群中各粒子進行混沌化處理；
s16：利用所述目標函數，計算所述混沌化處理后的子代粒子群中各粒子的適應度，保留適應度最優的粒子作為下一次迭代的父代粒子群，完成對所述粒子最優位置和所述種群最優位置的更新；
s17：判斷迭代次數是否達到預設的最大迭代次數；若否，則返回所述s14；若是，則執行s18；
s18：輸出最優解。
可選的，所述約束條件包括系統功率約束條件和不等式約束條件；
所述系統功率約束條件的公式如下，
其中，n為系統中的節點數；vi、vj分別是第i節點和第j節點電壓幅值；pgi、qgi分別為第i臺發電機有功功率和無功功率；pli、qli分別為第i節點有功功率負荷和無功功率負荷；δij為節點i和節點j之間的相角差；gij、bij分別為節點i和節點j之間互導納的實部和虛部；
所述不等式約束條件的公式如下，
其中，vi為節點電壓約束，tk為變壓器分接頭約束，qi為無功補償約束。
可選的，所述目標函數包括系統網絡損耗目標函數、節點電壓偏移目標函數和靜態電壓穩定裕度目標函數；
所述系統網絡損耗目標函數的公式如下，
其中，gij為i、j節點之間的支路電導；vi、vj分別為i、j節點的電壓模值；θij為i、j節點之間的電壓相角差；nl為系統總節點數；
所述節點電壓偏移目標函數的公式如下，
其中，vi為節點i的實際電壓，
所述靜態電壓穩定裕度目標函數的公式如下，
maxf4＝δmin；
其中，δmin為以潮流計算收斂時的雅可比矩陣的最小奇異值。
可選的，所述組合混沌序列的表達式如下，
其中，x0、y0為粒子的初始值，n、μ為控制參數。
可選的，在所述s14中包括：
利用如下公式，對所述父代速度和所述父代位置進行更新操作，得到子代速度和子代位置；
其中，
可選的，在所述s14中包括：
利用如下公式，計算出所述父代粒子群的平均速度的期望
其中，v0為所述父代粒子群的平均速度，tmax為最大迭代次數；t1＝0.4×tmax；k為一個變量值；
并依據如下慣性權重規則對應的公式，調整所述子代粒子群的慣性權重，
其中，
可選的，在所述s15中包括：
利用公式xk+1＝f(μ,xk)＝μxk(1-xk)，得到混沌化處理后的子代粒子群，
其中，xk表示所述父代粒子群；xk+1表示所述子代粒子群。
可選的，在所述s16中包括：
利用所述目標函數，計算出粒子群對應的變量(x1,x2,x3)及最優函數值(p1,p2,p3)；其中，所述目標函數包括系統網絡損耗目標函數、節點電壓偏移目標函數和靜態電壓穩定裕度目標函數；
計算各個目標函數的熵權值和模糊權值，確定出各個目標函數基于模糊熵權法的權值λ1、λ2、λ3；
依據所述權值，得到無功優化適應度函數；
依據所述無功優化適應度函數，確定出粒子最優位置和種群最優位置。
本發明實施例還提供了一種電力系統無功優化裝置，包括初始化單元、建立單元、混沌操作單元、計算單元、更新單元、處理單元、保留單元、判斷單元和輸出單元，
所述初始化單元，用于初始化目標參數，獲取一個粒子的初始速度和初始位置；
所述建立單元，用于依據所述目標參數和約束條件，建立電力系統無功優化的目標函數；
所述混沌操作單元，用于利用建立的組合混沌序列，對所述粒子的所述初始速度和所述初始位置進行組合混沌操作，得到混沌初始粒子群中各個粒子各自對應的父代速度和父代位置；并將所述混沌初始粒子群作為父代粒子群；
所述計算單元，用于利用所述目標函數，計算所述父代粒子群中各粒子的適應度，確定出粒子最優位置和種群最優位置；
所述更新單元，用于依據設置的更新規則，對所述父代速度和所述父代位置進行更新操作，得到子代速度和子代位置；并依據所述子代速度和慣性權重規則，調整所述子代粒子群的慣性權重；
所述處理單元，用于對所述子代粒子群中各粒子進行混沌化處理；
所述保留單元，用于利用所述目標函數，計算所述混沌化處理后的子代粒子群中各粒子的適應度，保留適應度最優的粒子作為下一次迭代的父代粒子群，完成對所述粒子最優位置和所述種群最優位置的更新；
所述判斷單元，用于判斷迭代次數是否達到預設的最大迭代次數；若否，則返回所述更新單元；若是，則觸發所述輸出單元；
所述輸出單元，用于輸出最優解。
可選的，所述約束條件包括系統功率約束條件和不等式約束條件；
所述系統功率約束條件的公式如下，
其中，n為系統中的節點數；vi、vj分別是第i節點和第j節點電壓幅值；pgi、qgi分別為第i臺發電機有功功率和無功功率；pli、qli分別為第i節點有功功率負荷和無功功率負荷；δij為節點i和節點j之間的相角差；gij、bij分別為節點i和節點j之間互導納的實部和虛部；
所述不等式約束條件的公式如下，
其中，vi為節點電壓約束，tk為變壓器分接頭約束，qi為無功補償約束。
可選的，所述目標函數包括系統網絡損耗目標函數、節點電壓偏移目標函數和靜態電壓穩定裕度目標函數；
所述系統網絡損耗目標函數的公式如下，
其中，gij為i、j節點之間的支路電導；vi、vj分別為i、j節點的電壓模值；θij為i、j節點之間的電壓相角差；nl為系統總節點數；
所述節點電壓偏移目標函數的公式如下，
其中，vi為節點i的實際電壓，
所述靜態電壓穩定裕度目標函數的公式如下，
maxf4＝δmin；
其中，δmin為以潮流計算收斂時的雅可比矩陣的最小奇異值。
可選的，所述組合混沌序列的表達式如下，
其中，x0、y0為粒子的初始值，n、μ為控制參數。
可選的，所述更新單元具體用于利用如下公式，對所述父代速度和所述父代位置進行更新操作，得到子代速度和子代位置；
其中，
可選的，所述更新單元包括計算子單元和調整子單元，
所述計算子單元，用于利用如下公式，計算出所述父代粒子群的平均速度的期望
其中，v0為所述父代粒子群的平均速度，tmax為最大迭代次數；t1＝0.4×tmax；k為一個變量值；
所述調整子單元，用于依據如下慣性權重規則對應的公式，調整所述子代粒子群的慣性權重，
其中，
可選的，所述處理單元具體用于利用公式xk+1＝f(μ,xk)＝μxk(1-xk)，得到混沌化處理后的子代粒子群，
其中，xk表示所述父代粒子群；xk+1表示所述子代粒子群。
可選的，所述保留單元包括計算子單元、確定子單元和得到子單元，
所述計算子單元，用于利用所述目標函數，計算出粒子群對應的變量(x1,x2,x3)及最優函數值(p1,p2,p3)；其中，所述目標函數包括系統網絡損耗目標函數、節點電壓偏移目標函數和靜態電壓穩定裕度目標函數；
所述確定子單元，用于計算各個目標函數的熵權值和模糊權值，確定出各個目標函數基于模糊熵權法的權值λ1、λ2、λ3；
所述得到子單元，用于依據所述權值，得到無功優化適應度函數；
所述確定子單元還用于依據所述無功優化適應度函數，確定出粒子最優位置和種群最優位置。
由上述技術方案可以看出，依據所述目標參數和約束條件，建立電力系統無功優化的目標函數；在初始化目標參數時，可以獲取一個粒子的初始速度和初始位置；利用建立的組合混沌序列，對該粒子的速度和位置進行組合混沌操作，得到混沌初始粒子群中各個粒子各自對應的父代速度和父代位置；并將所述混沌初始粒子群作為父代粒子群；依據目標函數，可以確定出粒子最優位置和種群最優位置；依據設置的更新規則，對父代速度和父代位置進行更新操作，得到子代速度和子代位置；并依據子代速度和慣性權重規則，調整子代粒子群的慣性權重；利用目標函數，計算所述混沌化處理后的子代粒子群中各粒子的適應度，保留適應度最優的粒子作為下一次迭代的父代粒子群，完成對所述粒子最優位置和所述種群最優位置的更新；當迭代次數達到預設的最大迭代次數，則結束操作；若否，則重復上述更新粒子群的操作。通過利用組合混沌序列，提出組合混沌動態粒子群算法，提高了粒子群算法整體尋優性能，實現了電力系統的無功優化。
附圖說明
為了更清楚地說明本發明實施例，下面將對實施例中所需要使用的附圖做簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
圖1為本發明實施例提供的一種電力系統無功優化方法的流程圖；
圖2為本發明實施例提供的一種電力系統無功優化裝置的結構示意圖。
具體實施方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下，所獲得的所有其他實施例，都屬于本發明保護范圍。
為了使本技術領域的人員更好地理解本發明方案，下面結合附圖和具體實施方式對本發明作進一步的詳細說明。
接下來，詳細介紹本發明實施例所提供的一種電力系統無功優化方法。圖1為本發明實施例提供的一種電力系統無功優化方法的流程圖，該方法包括：
s10：初始化目標參數，獲取一個粒子的初始速度和初始位置。
目標參數可以是算法中涉及的相關參數，包括種群規模、最大迭代次數、加速因子、慣性權重上限值以及發電機參數。
在初始化過程中，可以隨機的將一個粒子的速度和位置進行初始化，獲取該粒子的初始速度和初始位置。
s11：依據所述目標參數和約束條件，建立電力系統無功優化的目標函數。
在本發明實施例中，可以以系統網絡損耗、節點電壓偏移和靜態電壓穩定裕度建立多目標數學模型，也即目標函數可以包含有這三類函數。相應的，在建立目標函數之前，可以依據實際運行情況，設置約束條件，
約束條件可以包括系統功率約束條件和不等式約束條件；
所述系統功率約束條件的公式如下，
其中，n為系統中的節點數；vi、vj分別是第i節點和第j節點電壓幅值；pgi、qgi分別為第i臺發電機有功功率和無功功率；pli、qli分別為第i節點有功功率負荷和無功功率負荷；δij為節點i和節點j之間的相角差；gij、bij分別為節點i和節點j之間互導納的實部和虛部；
所述不等式約束條件的公式如下，
其中，vi為節點電壓約束，tk為變壓器分接頭約束，qi為無功補償約束。
依據初始化后的目標參數以及上述約束條件，可以建立出系統網絡損耗目標函數、節點電壓偏移目標函數和靜態電壓穩定裕度目標函數，這三種類型的目標函數。
所述系統網絡損耗目標函數的公式如下，
其中，gij為i、j節點之間的支路電導；vi、vj分別為i、j節點的電壓模值；θij為i、j節點之間的電壓相角差；nl為系統總節點數；
所述節點電壓偏移目標函數的公式如下，
其中，vi為節點i的實際電壓，
所述靜態電壓穩定裕度目標函數的公式如下，
maxf4＝δmin；
其中，δmin為以潮流計算收斂時的雅可比矩陣的最小奇異值。
在本發明實施例中，也可以將靜態電壓穩定裕度目標函數轉化為最優值為最小值的函數，即：
s12：利用建立的組合混沌序列，對所述粒子的所述初始速度和所述初始位置進行組合混沌操作，得到混沌初始粒子群中各個粒子各自對應的父代速度和父代位置；并將所述混沌初始粒子群作為父代粒子群。
pso算法是一種群體智能優化算法，針對算法搜索后期種群多樣性的下降，引起粒子群算法陷入局部最優解的問題，本發明實施例在粒子初始化過程中引入混沌的思想。混沌運動能在一定范圍內按其自身“規律”不重復地遍歷所有狀態，常被用來改進pso算法。典型的logistic映射數學方程為：
xn+1＝f(μ,xn)＝μxn(1-xn)
由于典型的logistic混沌系統對初值的依賴性比較強，在本發明實施例中將logistic映射與chebyshev映射相結合的組合混沌序列引入到pso算法的初始化過程中，以改善粒子分布的隨機性和均勻性。
所述組合混沌序列的表達式如下，
其中，x0、y0為粒子的初始值，n、μ為控制參數。在實際應用中，可以令μ＝4，n＝4，此時系統處于完全混沌狀。
在具體實現中，可以利用組合混沌序列對s10中得到的粒子的初始速度和初始位置，進行n-1次計算，可以產生n個混沌粒子，每個粒子有其對應的速度和位置；并對產生的n個粒子進行歸一化逆操作，將[0,1]之間的變量轉化為實際數值。
在該過程中，產生的n個混沌粒子即混沌初始粒子群，為后續介紹方便，可以將該混沌初始粒子群稱為父代粒子群。
在本發明實施例中，需要進行多次迭代操作，確定出電力系統無功優化的最終結果，后續內容中均以一次迭代為例展開介紹，迭代前的粒子群作為父代粒子群，經過一次迭代后得到的粒子群作為子代粒子群，依次類推，從而完成多次迭代。
s13：利用所述目標函數，計算所述父代粒子群中各粒子的適應度，確定出粒子最優位置和種群最優位置。
粒子最優位置可以用于表示每一代中的每個粒子自身所處的最優位置，種群最優位置可以用于表示所有粒子中位置最優的那個粒子。
潮流計算后可以獲知每個粒子的電壓、有功、無功等(目標函數里的變量)，知道這些變量就能根據目標函數求出每個粒子的適應度。故此，在本發明實施例中，可以根據潮流計算的結果利用目標函數計算適應度，確定粒子本身經歷最優位置、種群最優位置。
s14：依據設置的更新規則，對所述父代速度和所述父代位置進行更新操作，得到子代速度和子代位置；并依據所述子代速度和慣性權重規則，調整所述子代粒子群的慣性權重。
在具體實現中，利用如下公式(1)和公式(2)，對所述父代速度和所述父代位置進行更新操作，得到子代速度和子代位置；公式(1)和公式(2)可以看做是更新規則對應的公式。
其中，
由公式(1)可以看出粒子速度與慣性權重具有關聯關系，慣性權重ω決定原有速度對現在速度的影響，平衡全局搜索能力和局部搜索能力的比例關系，大的ω有助于增強全局搜索能力，而小的ω有助于在當前位置做局部搜索。
在本發明實施例中可以采用動態慣性權重，當種群速度大于期望速度時，應該減小慣性權值；反之，則應該增大慣性權值。在每一次迭代時可以由慣性權重規則對應的公式動態調整慣性權重，假設初始的慣性權重為ω0，第k代種群粒子平均速度的期望為
以第k代種群粒子和第k+1代種群粒子為例，第k代種群粒子可以看做是父代粒子群，第k+1代種群粒子可以看做是子代粒子群；
其中，
根據實驗測試結果可知p取1.05效果最佳，同時設定ω的上、下限值，當ωk+1＞ωmax時，取ωk+1＝ωmax；當ωk+1＜ωmin時，ωk+1＝ωmin。在粒子進化初期，為了加強算法的局部搜索能力，應保持較大的種群速度；在粒子進化后期，為了加強算法的全局尋優能力，應保持較小的種群速度。
在本發明實施例中，可以利用如下公式，計算出父代粒子群的平均速度的期望
其中，v0為所述父代粒子群的平均速度，tmax為最大迭代次數；t1＝0.4×tmax；k為一個變量值；在具體實現中，可以取k＝4。
s15：對所述子代粒子群中各粒子進行混沌化處理。
具體的，可以利用公式xk+1＝f(μ,xk)＝μxk(1-xk)，得到混沌化處理后的子代粒子群，其中，xk表示所述父代粒子群；xk+1表示所述子代粒子群。
s16：利用所述目標函數，計算所述混沌化處理后的子代粒子群中各粒子的適應度，保留適應度最優的粒子作為下一次迭代的父代粒子群，完成對所述粒子最優位置和所述種群最優位置的更新。
由上述介紹可知，目標函數包含有系統網絡損耗目標函數、節點電壓偏移目標函數和靜態電壓穩定裕度目標函數，這三種類型的函數。利用所述目標函數，可以計算出粒子群對應的變量(x1,x2,x3)及最優函數值(p1,p2,p3)；
計算各個目標函數的熵權值和模糊權值，確定出各個目標函數基于模糊熵權法的權值λ1、λ2、λ3；
依據所述權值，可以將多目標函數轉化為單目標函數，從而得到無功優化適應度函數；依據所述無功優化適應度函數，確定出粒子最優位置和種群最優位置。
s17：判斷迭代次數是否達到預設的最大迭代次數；若否，則返回所述s14；若是，則執行s18。
s18：輸出最優解。
重復執行一次s14-s16即為進行了一次迭代過程。當迭代次數達到預設的最大迭代次數后，便可以輸出電力系統無功優化的最優解，即輸出粒子最優位置和種群最優位置。
由上述技術方案可以看出，依據所述目標參數和約束條件，建立電力系統無功優化的目標函數；在初始化目標參數時，可以獲取一個粒子的初始速度和初始位置；利用建立的組合混沌序列，對該粒子的速度和位置進行組合混沌操作，得到混沌初始粒子群中各個粒子各自對應的父代速度和父代位置；并將所述混沌初始粒子群作為父代粒子群；依據目標函數，可以確定出粒子最優位置和種群最優位置；依據設置的更新規則，對父代速度和父代位置進行更新操作，得到子代速度和子代位置；并依據子代速度和慣性權重規則，調整子代粒子群的慣性權重；利用目標函數，計算所述混沌化處理后的子代粒子群中各粒子的適應度，保留適應度最優的粒子作為下一次迭代的父代粒子群，完成對所述粒子最優位置和所述種群最優位置的更新；當迭代次數達到預設的最大迭代次數，則結束操作；若否，則重復上述更新粒子群的操作。通過利用組合混沌序列，提出組合混沌動態粒子群算法，提高了粒子群算法整體尋優性能，實現了電力系統的無功優化。
圖2為本發明實施例提供的一種電力系統無功優化裝置的結構示意圖，包括初始化單元21、建立單元22、混沌操作單元23、計算單元24、更新單元25、處理單元26、保留單元27、判斷單元28和輸出單元29，
所述初始化單元21，用于初始化目標參數，獲取一個粒子的初始速度和初始位置；
所述建立單元22，用于依據所述目標參數和約束條件，建立電力系統無功優化的目標函數；
所述混沌操作單元23，用于利用建立的組合混沌序列，對所述粒子的所述初始速度和所述初始位置進行組合混沌操作，得到混沌初始粒子群中各個粒子各自對應的父代速度和父代位置；并將所述混沌初始粒子群作為父代粒子群；
所述計算單元24，用于利用所述目標函數，計算所述父代粒子群中各粒子的適應度，確定出粒子最優位置和種群最優位置；
所述更新單元25，用于依據設置的更新規則，對所述父代速度和所述父代位置進行更新操作，得到子代速度和子代位置；并依據所述子代速度和慣性權重規則，調整所述子代粒子群的慣性權重；
所述處理單元26，用于對所述子代粒子群中各粒子進行混沌化處理；
所述保留單元27，用于利用所述目標函數，計算所述混沌化處理后的子代粒子群中各粒子的適應度，保留適應度最優的粒子作為下一次迭代的父代粒子群，完成對所述粒子最優位置和所述種群最優位置的更新；
所述判斷單元28，用于判斷迭代次數是否達到預設的最大迭代次數；若否，則返回所述更新單元25；若是，則觸發所述輸出單元29。
所述輸出單元29，用于輸出最優解。
可選的，所述約束條件包括系統功率約束條件和不等式約束條件；
所述系統功率約束條件的公式如下，
其中，n為系統中的節點數；vi、vj分別是第i節點和第j節點電壓幅值；pgi、qgi分別為第i臺發電機有功功率和無功功率；pli、qli分別為第i節點有功功率負荷和無功功率負荷；δij為節點i和節點j之間的相角差；gij、bij分別為節點i和節點j之間互導納的實部和虛部；
所述不等式約束條件的公式如下，
其中，vi為節點電壓約束，tk為變壓器分接頭約束，qi為無功補償約束。
可選的，所述目標函數包括系統網絡損耗目標函數、節點電壓偏移目標函數和靜態電壓穩定裕度目標函數；
所述系統網絡損耗目標函數的公式如下，
其中，gij為i、j節點之間的支路電導；vi、vj分別為i、j節點的電壓模值；θij為i、j節點之間的電壓相角差；nl為系統總節點數；
所述節點電壓偏移目標函數的公式如下，
其中，vi為節點i的實際電壓，
所述靜態電壓穩定裕度目標函數的公式如下，
maxf4＝δmin；
其中，δmin為以潮流計算收斂時的雅可比矩陣的最小奇異值。
可選的，所述組合混沌序列的表達式如下，
其中，x0、y0為粒子的初始值，n、μ為控制參數。
可選的，所述更新單元具體用于利用如下公式，對所述父代速度和所述父代位置進行更新操作，得到子代速度和子代位置；
其中，
可選的，所述更新單元包括計算子單元和調整子單元，
所述計算子單元，用于利用如下公式，計算出所述父代粒子群的平均速度的期望
其中，v0為所述父代粒子群的平均速度，tmax為最大迭代次數；t1＝0.4×tmax；k為一個變量值；
所述調整子單元，用于依據如下慣性權重規則對應的公式，調整所述子代粒子群的慣性權重，
其中，
可選的，所述處理單元具體用于利用公式xk+1＝f(μ,xk)＝μxk(1-xk)，得到混沌化處理后的子代粒子群，
其中，xk表示所述父代粒子群；xk+1表示所述子代粒子群。
可選的，所述保留單元包括計算子單元、確定子單元和得到子單元，
所述計算子單元，用于利用所述目標函數，計算出粒子群對應的變量(x1,x2,x3)及最優函數值(p1,p2,p3)；其中，所述目標函數包括系統網絡損耗目標函數、節點電壓偏移目標函數和靜態電壓穩定裕度目標函數；
所述確定子單元，用于計算各個目標函數的熵權值和模糊權值，確定出各個目標函數基于模糊熵權法的權值λ1、λ2、λ3；
所述得到子單元，用于依據所述權值，得到無功優化適應度函數；
所述確定子單元還用于依據所述無功優化適應度函數，確定出粒子最優位置和種群最優位置。
圖2所對應實施例中特征的說明可以參見圖1所對應實施例的相關說明，這里不再一一贅述。
由上述技術方案可以看出，依據所述目標參數和約束條件，建立電力系統無功優化的目標函數；在初始化目標參數時，可以獲取一個粒子的初始速度和初始位置；利用建立的組合混沌序列，對該粒子的速度和位置進行組合混沌操作，得到混沌初始粒子群中各個粒子各自對應的父代速度和父代位置；并將所述混沌初始粒子群作為父代粒子群；依據目標函數，可以確定出粒子最優位置和種群最優位置；依據設置的更新規則，對父代速度和父代位置進行更新操作，得到子代速度和子代位置；并依據子代速度和慣性權重規則，調整子代粒子群的慣性權重；利用目標函數，計算所述混沌化處理后的子代粒子群中各粒子的適應度，保留適應度最優的粒子作為下一次迭代的父代粒子群，完成對所述粒子最優位置和所述種群最優位置的更新；當迭代次數達到預設的最大迭代次數，則結束操作；若否，則重復上述更新粒子群的操作。通過利用組合混沌序列，提出組合混沌動態粒子群算法，提高了粒子群算法整體尋優性能，實現了電力系統的無功優化。
以上對本發明實施例所提供的一種電力系統無功優化方法與裝置進行了詳細介紹。說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以對本發明進行若干改進和修飾，這些改進和修飾也落入本發明權利要求的保護范圍內。
專業人員還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結合來實現，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經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執行，取決于技術方案的特定應用和設計約束條件。專業技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本發明的范圍。
結合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執行的軟件模塊，或者二者的結合來實施。軟件模塊可以置于隨機存儲器(ram)、內存、只讀存儲器(rom)、電可編程rom、電可擦除可編程rom、寄存器、硬盤、可移動磁盤、cd-rom、或技術領域內所公知的任意其它形式的存儲介質中。
- 還沒有人留言評論。精彩留言會獲得點贊！