[发明专利]一种基于自适应粒子群的无功优化方法

说明书

本发明提供一种基于自适应粒子群的无功优化方法，包括以下步骤：S1、输入初始数据，初始化算法参数，初始数据包括最大迭代次数；S2、随机产生N个粒子及每个粒子对应的初始速度与位置；S3、应用随机潮流计算每个粒子的优化方案的网络有功损耗值与满意度函数，将迭代数据记为1；S4、根据自适应粒子群算法更新惯性权重与学习因子并根据其对粒子的速度与位置进行更新；S5、根据满意度函数对N个粒子的满意度重新进行计算，选取最大的满意度对应的粒子位置为最优位置；S6、当迭代次数未达到最大迭代次数时，重复执行步骤S4至S5，并将迭代次数加1，当迭代次数达到最大迭代次数时，停止迭代，输出当局最优位置，即为优化结果。

技术领域

本发明涉及电力系统技术领域，具体涉及一种基于自适应粒子群的无功优化方法。

背景技术

标准粒子群算法的主要控制参数有惯性权重和学习因子，由于学习因子采用固定值，惯性权重采用线性递减的更新策略设置过于简单，导致算法寻优速度慢、求解精度低，从而影响内嵌随机潮流的粒子群算法求解无功优化的精度与速度。

发明内容

本发明的目的是提供一种基于自适应粒子群的无功优化方法，以自适应粒子群算法为主体，将随机潮流嵌入算法寻优，速度快，精度高。

本发明提供了如下的技术方案：

一种基于自适应粒子群的无功优化方法，包括以下步骤：

S1、输入初始数据，初始化算法参数，所述初始数据包括最大迭代次数；

S2、随机产生N个粒子及每个粒子对应的初始速度与位置；

S3、应用随机潮流计算每个粒子的优化方案的网络有功损耗值、电压值与满意度函数，将迭代数据记为1；

S4、根据自适应粒子群算法更新惯性权重与学习因子，根据所述惯性权重与所述学习因子对粒子的速度与位置进行更新；

S5、根据所述满意度函数对N个粒子的满意度重新进行计算，得到N个新的满意度，选取最大的满意度对应的粒子位置为最优位置；

S6、当迭代次数未达到所述最大迭代次数时，重复执行步骤S4至S5，并将迭代次数加1，当迭代次数达到所述最大迭代次数时，停止迭代，输出当局最优位置，即为优化结果。

优选的，所述步骤S1的初始数据包括电容器与配网数据。

优选的，所述步骤S3的网络有功损耗值的计算公式为

其中，P_loss为配电网有功损耗；T为计算时间段(24h)；N’为系统网络节点的个数；M为系统网络负荷与j节点直接相连的节点个数；U_i,t、U_j,t为t时段系统节点i的电压；G_ij,t、B_ij,t和θ_ij,t分别为t时段系统支路i-j的电导、电纳和阻抗角。

优选的，所述步骤S3的满意度函数为f＝aλ₁+bλ₂，其中a、b为权重系数，λ₁和λ₂分别为分布式电源年投资效益系统网络有功损耗值的归一值。

优选的，所述分布式电源年投资效益系统网络有功损耗值的归一值的计算公式为