[发明专利]一种电力系统的最优潮流计算方法、装置及系统

摘要

本发明实施例公开了一种电力系统最优潮流的计算方法、装置及系统，包括初始化预设参数；利用初始化后的预设参数、差分进化算法以及粒子群优化算法对预先建立的最优潮流优化数学模型进行求解，得到最优潮流解；最优潮流优化数学模型为依据发电机的参数建立的、满足约束条件的、使机组耗煤成本最低的最优潮流优化数学模型；最优潮流优化数学模型包括目标函数及约束条件。可见，在优化前期粒子群优化算法具有较快的收敛速度，优化后期差分进化算法可以增强种群跳出局部最优解的能力，从而避免算法陷入局部最优解。通过粒子群优化算法和差分进化算法的混合算法对预先建立的最优潮流优化数学模型进行求解以得到收敛速度更快、精度更高的全局最优解。

主权项

1.一种电力系统最优潮流的计算方法，其特征在于，包括：/n初始化预设参数；/n利用初始化后的预设参数、差分进化算法以及粒子群优化算法对预先建立的最优潮流优化数学模型进行求解，得到最优潮流解；其中：/n所述最优潮流优化数学模型为依据发电机的参数建立的、满足约束条件的、使机组耗煤成本最低的最优潮流优化数学模型；所述最优潮流优化数学模型包括目标函数及所述约束条件；其中：/n所述预设参数包括最大迭代次数、算法基本参数以及每个所述发电机的参数；/n则，所述利用初始化后的预设参数、差分进化算法以及粒子群优化算法对预先建立的数学优化模型进行求解，得到最优潮流解的过程具体为：/nS221：依据所述发电机的参数及所述算法基本参数随机初始化种群，并将所有粒子分成PSO种群和DE种群；/nS222：采用所述粒子群优化算法对所述PSO种群中的各个粒子进行速度和位置的更新，并依据潮流计算及所述目标函数分别计算出所述PSO种群中的各个当前粒子的适应度值，依据各个所述当前粒子的适应度值找到所述PSO种群中的最优适应度值对应的PSO种群最优粒子；/nS223：采用所述差分进化算法对所述DE种群的各个粒子进行变异、交叉和选择处理以产生新的粒子个体，并通过所述潮流计算及所述目标函数分别计算出所述DE种群中的各个当前粒子的适应度值，依据各个所述当前粒子的适应度值找到所述DE种群中的最优适应度值对应的DE种群最优粒子；/nS224：比较所述PSO种群中的最优适应度值以及所述DE种群中的最优适应度值，并将所述PSO种群最优粒子与DE种群最优粒子中适应度值最优的粒子作为当前最优粒子，并保留进入下一代；/nS225：判断是否满足终止条件，如果是，则将所述当前最优粒子作为最终最优粒子，并将与所述最终最优粒子对应的最优解进行输出，所述与最终最优粒子对应的最优解为使所述目标函数达到最小值的最优潮流解，否则，返回S222，以进行下一次迭代；所述终止条件为最大迭代次数和/或预设精度；/n所述依据潮流计算及所述目标函数分别计算出所述PSO种群中的各个当前粒子的适应度值，依据各个所述当前粒子的适应度值找到所述PSO种群中的最优适应度值对应的PSO种群最优粒子的过程为：/nS2221：依据潮流计算及所述目标函数分别计算出所述PSO种群中的各个当前粒子的适应度值；/nS2222：依据各个所述当前粒子的适应度值找到当前最优的粒子；/nS2223：采用相应的动态调整策略对所述当前最优的粒子的寿命进行动态调整，并依据调整后的寿命判断是否引入竞争者，如果是，则产生新个体粒子，并依据潮流计算及所述目标函数计算出所述新个体粒子的适应度值，并进入S2224；否则将所述当前最优的粒子作为所述PSO种群最优粒子，并保留进入下一代；/nS2224：判断所述新个体粒子的适应度值是否小于所述当前最优的粒子的适应度值，如果是，则将所述新个体粒子作为所述PSO种群最优粒子；否则，将所述当前最优的粒子的寿命减1，并将寿命减1后的当前最优的粒子作为所述PSO种群最优粒子，并保留进入下一代；/n所述动态调整策略为：/n所述PSO种群的个体优化程度值小于0，则所述当前最优的粒子的粒子寿命加2；/n所述PSO种群的个体优化程度值等于0，且所述PSO种群的群体优化程度值小于0，则所述当前最优的粒子的粒子寿命加1；/n所述PSO种群的个体优化程度值等于0，且所述PSO种群的群体优化程度值等于0，则所述当前最优的粒子的粒子寿命保持不变；/n分别依据第一计算关系式和第二计算关系式得到相应的个体优化程度值和相应的群体优化程度值，其中：/n所述第一计算关系式为所述第二计算关系式为其中，表示所述PSO种群的群体优化程度值，表示所述PSO种群中第i个个体的个体优化程度值，表示最优个体适应度，f(X_Gbest(t))表示群体最优个体适应度，t表示当前迭代次数，n表示PSO种群中的粒子数量，表示与第t-1次迭代对应的最优个体适应度，f(X_Gbest(t-1))表示与第t-1次迭代对应的群体最优个体适应度。/n