[发明专利]一种多目标无功优化方法、装置、计算机设备及存储介质

权利要求书

1.一种多目标无功优化方法，其特征在于，包括：

获取系统相关参数，根据第一预设规则选取预设个数的粒子生成第一初始种群，并确定每个所述粒子的初始个体最优粒子与初始全局最优粒子，所述根据第一预设规则选取预设个数的粒子生成初始种群包括：

粒子种群初始化；在控制变量范围内根据整、实数混合编码方案所描述的编码方式随机生成N个粒子的位置x_i与速度v_i，按准反向学习策略生成相对应的准反向点x′_i，利用P-Q分解法进行潮流计算，根据各个粒子的目标函数值，选择前N个较优秀的粒子作为种群P的初始粒子，以及确定各个粒子的初始个体最优p_i与全局最优p_g；

通过正态云发生器产生自适应惯性权重因子，并生成动态学习因子，根据第二预设规则对所述第一初始种群进行更新以形成第一新种群，所述根据第二预设规则对所述第一初始种群进行更新包括：

根据第一预设表达式对所述初始种群中各个粒子的速度与位置进行更新；

所述第一预设表达式为：

其中，ω是惯性权重因子，r₁、r₂是在(0,1)区间内分布均匀的随机数，c₁、c₂是学习因子，i＝1,2,...,NB，NB是系统所有节点总数，v_i是结点i处粒子的速度，x_i是结点i处粒子的位置，t表示迭代次数，n表示搜索空间的维度，x^t_in和p^t_gn分别表示第i个粒子在第t次迭代下时，第n维度上粒子的当前自身位置和全局最优位置；

所述第一预设表达式中的学习因子c₁、c₂根据学习因子计算表达式生成；

所述学习因子计算表达式为：

其中，T_max表示迭代次数的预设最大值，c₀表示预设学习因子，c₀的取值范围是【0.5,1】；

对所述第一新种群进行可行粒子群和不可行粒子群划分，并计算对应的可行非支配解和不可行非支配解，将所述不可行非支配解保存到不可行解集中，将所述可行非支配解保存到可行解集中，并根据第三预设规则在所述可行解集或不可行解集中选取当前全局最优粒子以及当前个体最优粒子，所述根据第三预设规则在所述可行解集或不可行解集中选取当前全局最优粒子并更新个体最优粒子包括：

将所述随机数r₁、r₂与选择概率p进行比较，若r₁、r₂均小于p，则从不可行解集中选择取所述当前全局最优粒子，若r₁、r₂不均小于p，则从可行解集中选择取所述当前全局最优粒子；

所述概率p的表达式为：

采用Pareto支配或约束Pareto支配来确定所述个体最优粒子：若当前粒子支配所述当前个体最优粒子，则用当前粒子更新当前个体最优粒子；若当前粒子与当前个体最优粒子互不支配，则按50％的概率随机选择一个作为当前个体最优粒子；若当前粒子被当前个体最优粒子支配，保持当前个体最优粒子；

将所述第一初始种群与所述第一新种群进行合并，形成第一合并种群，并对所述第一合并种群内的粒子进行非支配排序；

根据所述第一预设规则在所述第一合并种群中的选取预设个数的粒子生成第二初始种群，并将所述第二初始种群替换所述第一初始种群进行迭代运算；

判断所述迭代运算的次数是否达到预设迭代运算次数阈值；

若所述迭代运算的次数达到预设迭代运算次数阈值，输出可行解集中的Pareto前沿以及最优折衷解；

具体的，电力系统的约束条件主要包括两个方面，即等式约束和不等式约束，而等式约束是系统潮流方程的平衡，即：

式中：i＝1,2,...,NB，NB是系统的所有节点总数，P_Gi、Q_Gi分别是在节点i上发电机输出的有功及无功功率，P_Li、Q_Li分别是在节点i上负荷所需要的有功及无功功率，Q_Ci是在节点i上进行无功补偿的容量，G_ij、B_ij分别是节点i、j之间的电导以及电纳；

不等式约束是由控制变量以及状态变量的约束构成的，其中控制变量包括发电机的端电压U_G、有载变压器的变比T以及无功补偿容量Q_C，状态变量包括各负荷节点的电压U_L、各发电机输出的无功功率Q_G以及各输电线路的视在潮流S_L；

控制变量约束为：

式中：U_Gi是在节点i上发电机的端电压，T_i是有载变压器的变比，max、min分别是相应变量的最大值以及最小值，NG、NT、NC分别是发电机、变压器以及无功补偿设备的节点总数；

状态变量约束为：

式中：U_Li是在节点i上负荷的电压，是在第k条支路上的视在潮流。