基于免疫遗传算法的配电网无功优化研究

《基于免疫遗传算法的配电网无功优化研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、太原理工大学硕士研究生学位论文基于免疫遗传算法的配电网无功优化研究摘要系统无功分布的合理与否直接影响着电力系统的安全与稳定，并与经济效益直接挂钩。无功优化控制是保证电力系统安全、经济运行的一项有效手段，是降低网络有功网损，提高电压质量的重要措施。因此电力系统无功优化问题的研究既具有理论意义，又具有实际应用价值。本文在查阅大量文献的基础上，对无功优化的方法进行了研究。目前，无功优化方法主要有线性规划法，非线性规划法，混合整数规划法，动态规划法等传统的数学优化方法，以及人工智能优化算法。将传统数学优化方法应用于无功优化研究，

2、在电力系统无功优化中已经取得了较好的成果，但普遍存在一些局限性。传统数学优化方法依赖十分精确的数学模型，但精确的数学模型较复杂，求解困难，且难以适应实时控制要求，而粗略的数学模型又存在较大的误差。近年来，人工智能优化算法在解决多变量、非线性、不连续、多约束的问题时显示出独特的优势，弥补了传统的数学规划方法的不足，在无功优化领域中的应用日益为人们所重视。目前，以遗传算法为代表的人工智能方法被广泛应用于无功优化领域。遗传算法是目前应用最广的优化搜索算法之一，但基本遗传算法易陷入局部最优，在有些时候收敛速度过慢，这使得基本遗传

3、算法很难找到全局最优。如何能够使遗传算法尽可能快地跳出局部最优和如何能够提高遗传算法的收敛速度，是遗传算法面临的主要问题。针对无功优化问题的特点和遗传算法存在的局限性，本文采用了一种新的免疫遗传算法用于无功优化研究。该算法依据自然免疫响应的特点，将克隆选择，克隆扩增，高频变异，未被激发的细胞消亡及记忆细胞的产生，免疫补充等免疫机制引入到基本遗传算法中，对遗传算法进行了改进。太原理工大学硕士研究生学位论文本文算法的框架与遗传算法相似，但采用高频变异操作和保留记忆细胞群体，增加了群体的多样性，保留了更多且不同的最优个体，并随

4、进化过程的进行而不断更新这些个体，这样能加快找到全局最优值；免疫算法还采用克隆扩增和免疫补充两个操作，前者使得算法通过变异能在当前种群最优点处进行多方向搜索，从而提高了获得全局最优解的概率；后者通过在每一代引入新个体，保证了种群的多样性，避免了封闭竞争问题，从而加速找到全局最优值。首先，将免疫遗传算法用于一组多模态函数优化测试及PID控制器参数优化整定，仿真结果表明本文采用的免疫遗传算法比遗传算法有更快的收敛速度和更高的收敛精度。接着，将免疫遗传算法用于无功优化。电力系统的无功优化问题是一个多变量、多约束的混合非线性规划

5、问题，其操作既有离散变量，又有连续变量。本文采用十进制整数与实数混合的编码方式，对离散变量通过映射采用整数编码，既避免了在实数编码中由于截断小数部分而引起的截断误差，同时在迭代寻优中又大大减少了不必要的基因组合，以加快收敛速度。仿真实验是将免疫遗传算法用于IEEE．30节点系统，并将计算结果与遗传算法进行了比较。计算表明，本文所采用的基于免疫遗传算法的电力系统无功优化方法是有效的，与常规遗传算法相比，不但降低了网损，提高了收敛速度，而且改善了电压质量，有良好的理论价值和实用价值。关键词：电力系统，无功优化，遗传算法，免疫

6、系统，免疫遗传算法太原理工大学硕士研究生学位论文RESEARCHoFDISTRIBUTIoNREACTIVEPoWERoPTIMIZATIoNBASEDoNIMMUNEGENETICALGoRITHMABSTRACTWhetherthereactivepowerdistributescorrectlyhasdirecteffecttothesafetyandstabilizationofpowersystem，alsoithasdirectrelationtotheeconomybenefit．Reactivepower

7、optimizationinpowersystemsisoneofthemosteffectivecontrolmethodstoensurepowersystemoperationsecurelyandeconomically,andallimportantmeasuretoimprovethevoltagequalityandreducethenetrealloss．Sothestudyofthereactivepoweroptimizationhasthegreatsignificanceintheoryandpr

8、acticalapplication．Thispaperconsultsaplentyofliteraturesandresearchesthemethodsofreactivepoweroptimization．Thealgorithmmostlyincludesthetraditionmathoptimizati