基于粒子群优化算法的最优潮流与其应用.研究

《基于粒子群优化算法的最优潮流与其应用.研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：郭远帆日期：2006年5月10日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印

2、或扫描等复制手段保存和汇编本学位论文。保密□，在____________年解密后适用本授权书。本论文属于不保密□。（请在以上方框内打“√”）学位论文作者签名：郭远帆指导教师签名：日期：2006年5月10日日期：年月日1绪论1.1研究背景与现状电力工业的市场化改革和我国电力体制改革的不断深化给电力系统潮流有关问题带来了新的机遇和挑战，20世纪90年代世界范围内电力工业的市场化改革，将经济性提到了一个新的高度，给最优潮流的研究带来了的机遇。无论是节点实时电价的计算、输电服务价格的计算，还是无功支持辅助服务价格的计算、联络线输电能力的计算等等电力市场理论和实践中最困难的工作都需要最优潮流作为

3、理想的工具。这些都为最优潮流的发展带来了机遇和挑战，也对最优潮流的算法提出了更高的要求。1.1.1最优潮流所谓最优潮流（OptimalPowerFlow，简称OPF），就是当系统的结构参数及负荷情况给定时，通过控制变量的优选，所找到的能够满足所有指定的约束条件，并使系统的一个或多个性能指标达到最优时的潮流分布。由于电力系统的状态变量及有关函数的上下限值间有一定的间距，控制变量也可以在其一定的容许范围内调节，因此对某一种负荷情况，理论上可以同时存在为数众多的、技术上都能满足要求的可行潮流解。这里每一个可行潮流解对应于系统的某一个特定的运行方式，具有相应总体的经济上或技术上的性能指标（如系

4、统总的燃料消耗量、系统总的网损等）。为了优化系统的运行，就有必要从所有的可行潮流解中挑选出上述性能指标[1]为最佳的一个方案。这就是最优潮流所要解决的问题。最优潮流一直是一个具有挑战性的课题，广大学者对其进行了大量的研究，发展到今天，最优潮流的应用领域已经十分广泛，针对不同的应用，OPF模型可以选择不同的控制变量、状态变量集合，不同的目标函数，以及不同的约束条件。从数学模型上看，最优潮流是典型的非线性数学规划问题，随着系统规模的不断扩大，变量和约束条件的数目剧增，变量之间复杂的函数关系和众多的非线性约束条件使最优潮流跻身于最困难的大规模数学规划问题之列，至今人们还在探索有关最优潮1流的

5、算法及其应用。电力系统最优潮流作为经典潮流的发展与延伸，将经济性与安全性、有功功率优化和无功功率优化结合在一起。20世纪60年代初，法国学者Carpentier最早提[2]出了建立在严格数学基础之上的电力系统OPF模型，备受学者和研究人员关注。经过几十年的发展，取得了一系列的成果，电力系统最优潮流已经成为一种重要的电力系统网络运行分析和优化的工具。相继涌现出基于非线性规划、二次规划、线性规划、混合规划等计算方法。然而，上述传统的OPF算法存在以下几个方面的不足：随着电力系统开放性的增加，OPF问题非凸性的特点愈发明显，采用仅适用于凸性问题的传统方法，容易使解陷于局部极值，而无法获取全局

6、最优解；对于所有不等式约束条件都有清晰而不能逾越的边界值，过于苛刻的限制使得OPF问题的可行域大大缩小，造成实际运行中的欠优；系统的优化运行往往需要综合考虑安全稳定及经济等多方面的因素，使得单目标优化已无法满足要求。1.1.2粒子群优化算法近年来，人工智能（ArtificialIntelligence，简称AI）作为科学体系中一门新兴的边缘学科，在从理论发展到实际应用的过程中，不断显示出其强大的生命力，它的成果正在以一种新的力量进入社会。人工智能算法是以一定的直观基础而构造的[4][5][6]算法，主要包括遗传算法GA、模拟退火算法SA、粒子群优化算法PSO等。这类算法以独特的优点和机

7、制为解决复杂问题提供了新的思路和手段，当前主要应用于传统的数学优化方法难以解决的大规模非线性优化问题。AI方法不需要严格的数学模型，更适合于处理非线性和离散性问题，在电力系统中的应用越来越广泛，AI方法在OPF问题处理（也称为现代优化算法）中的展现出来的优越性，使其得到了飞速的发展并且成为许多学者和研究人员关注的热点问题。粒子群优化（ParticleSwarmOptimization，简称PSO）算法最初是由Kennedy[6][7]和Eber