无功优化进化计算的局部搜索策略及多目标处理方法

【摘要】： 近年来,电力系统无功优化进化计算以其高灵活性、高鲁棒性、强适应性等特征,在电力系统优化领域受到了广泛的关注。这类无功优化算法不需要使用任何梯度信息,对函数性态的依赖性较小,能够方便地同时处理连续与离散无功电压控制设备,是当前研究的热点问题之一。但作为一类随机型的不确定优化方法,进化计算在求解无功优化这类电力系统复杂问题时,仍存在一些不够完善的地方,如容易出现早熟现象,收敛速度较慢,局部搜索能力不高等。目前虽然已经提出了很多相应的改进措施,但算法性能仍有较大的提升空间,且还存在较多问题亟待解决,如在引入局部搜索策略时如何获得收敛性的全面提升,协同进化中如何对控制变量进行分组,考虑多目标优化模型时如何在目标函数间权衡等等。鉴于此,本文以无功优化进化计算的改进策略为研究对象,内容涉及采用多局部搜索策略的无功优化进化计算、多目标无功优化进化计算及其两阶段优化策略、鲁棒性无功优化模型及优化策略、无功优化协同进化中的控制变量分组方法等四部分内容。所做的工作和所取得的主要成果归纳如下： 提出了一种采用多局部搜索策略的无功优化模因算法。该算法在现有局部搜索策略的基础上,提出了修正型、定向型和随机型等3类无功优化模因,并由此构造出无功优化模因池,以达到结合多局部搜索策略的目的。在IEEE 30节点上的系统仿真表明,新算法可以发挥各类局部搜索策略的优势,具有更全面的收敛特性,寻优效率较高。此外,算例中还分析了参与局部搜索的个体的比例对算法性能的影响,得出了比例过高将影响算法性能的结论。 提出了无功优化多目标模型转换方法的一种等值线分析法。该方法借助于地理学中等值线的概念,能够从几何意义的角度,描绘出各类无功优化多目标模型转换方法在目标空间的寻优方向,并挖掘出各种模型转换方法中最优解的几何意义。在这基础上,探讨了各种模型转换方法之间的联系,并据此对模型转换方法进行了比较和归类。 比较研究了五种经典多目标进化算法在无功优化计算中的性能特点。从帕累托前沿、外部解、C指标等角度对五种算法进行了详细的比较,并分析了各算法在求解无功优化问题时所表现出的不同性能等级。结果表明,改进强度帕累托进化算法(Strength Pareto Evolutionary algorithm 2,SPEA2)与改进非支配解排序遗传算法(Nondominated Sorting Genetic Algorithm-Ⅱ,NSGAⅡ)表现出了最优异的性能特点,能获得质量较高的帕累托最优解集。 提出了多目标无功优化进化计算的一种分阶段优化策略。该优化策略将优化过程分为全局搜索和集中搜索两个阶段。第一阶段采用NSGAⅡ搜索到粗略的帕累托解集后,决策者从中获取目标函数的近似分布范围、目标函数间的近似关系等粗略信息,分析并制定对最优解的要求,简单直观的表达偏好信息；在此基础上,第二阶段利用等值线分析的相关结论,获取决策者对最优解的要求后设定偏好参数,并采用权值法、目标规划法、ε约束法等方法,有针对性的在重点区域和方向上进行集中寻优,获得满足要求的最优解。仿真分析表明,分阶段策略能够综合NSGAⅡ与模型转换方法的优势,灵活实用,具有较高的寻优效率。 提出了基于蒙特卡洛积分的鲁棒性无功优化模型。该模型采用了蒙特卡洛积分形式的目标函数,近似地替代了在负荷水平波动下电压偏移、系统网损的期望值,搜索能够抵御负荷波动的无功优化鲁棒解。为降低蒙特卡洛积分的误差,提出了一种鲁棒性无功优化的样本解选择方法。该方法将样本解表示为系统负荷增加比例与功率增长方向两个参数,并根据负荷的增减情况选择恰当的样本解。算例分析中分别采用遗传算法及NSGAⅡ,计算了IEEE118节点系统的单目标与多目标鲁棒性无功优化问题。结果表明,对于负荷水平的波动,无功优化鲁棒解更能保持解的质量,性能较优。 提出了基于自动分区遗传算法的一种无功优化协同进化的分组方法。该方法将控制变量分组问题转换为降阶电网分区问题,并构造了降阶电网分区优化模型。新模型不仅采用了典型的聚类有效性指标,而且考虑了控制变量分组的均匀性。在此基础上,引入了自动分区遗传算法用于求解新分区模型。该算法采用了种子分区编码方法,能够自适应地选择分区数目,具有较高的灵活性。在IEEE 118节点的算例表明,新分区算法能够自动确定分区数目,快速合理地对系统控制变量进行分组,能够进一步提高无功优化协同进化计算的并行效率。