電力系統(tǒng)無功優(yōu)化研究的進展與展望

劉 凱，申小敏，陳志江

(廣東工業(yè)大學 自動化學院，廣州 510006)

電力系統(tǒng)無功優(yōu)化一直是電力系統(tǒng)研究的重要內(nèi)容之一，其主要研究內(nèi)容是在系統(tǒng)結(jié)構參數(shù)與負荷分布確定的情況下，通過對某些控制變量的優(yōu)化計算，使該系統(tǒng)的性能在滿足特定約束條件的前提下達到最優(yōu)。無功優(yōu)化是一個多目標、多約束、動態(tài)且具有不確定性的非線性規(guī)劃問題［1］。它一般涉及到選擇無功補償?shù)牡攸c，投切無功補償容量，調(diào)節(jié)變壓器分接頭位置和選擇合適的發(fā)電機機端電壓等［2］。其中，發(fā)電機機端電壓是連續(xù)的控制變量，而有載調(diào)壓變壓器分接頭的檔位與投切的電容組數(shù)卻是離散的控制變量，使無功優(yōu)化求解過程變得十分復雜。然而，隨著電力系統(tǒng)不斷發(fā)展，無功優(yōu)化正逐漸應用于電力系統(tǒng)運行各個領域，并對其優(yōu)化方案和控制手段的要求越來越嚴格。因此，對現(xiàn)有的無功優(yōu)化算法進行改進和拓展迫在眉睫。

1 無功優(yōu)化的數(shù)學模型

無功優(yōu)化數(shù)學模型是在系統(tǒng)安全運行和發(fā)電機組運行約束條件的前提下，以系統(tǒng)有功網(wǎng)損Ploss最小、電壓的偏移量dv最小和靜態(tài)電壓穩(wěn)定裕度VSM最大為目標所建立的多目標數(shù)學模型，該模型表達式如下［3－4］:

式中:Gij為節(jié)點i、j之間的電導;Vi和Vj分別為節(jié)點i、j的電壓幅值;θij為節(jié)點i、j之間的電壓相角差;Vl為負荷節(jié)點l的實際電壓;VN為標準電壓;ΔVmaxl為最大允許電壓偏差，其中為系統(tǒng)的負荷節(jié)點數(shù)。

上述多目標的對應約束條件包含潮流方程等式約束、電壓幅值約束、無功補償容量、變壓器抽頭位置和無功出力等不等式約束。

2 傳統(tǒng)的無功優(yōu)化算法在無功優(yōu)化中的應用

在20世紀60年代后，許多運籌學上的優(yōu)化方法都在最優(yōu)潮流計算中得到了研究和應用。優(yōu)化方法主要有非線性規(guī)劃法、線性規(guī)劃法、混合整數(shù)規(guī)劃法以及動態(tài)規(guī)劃法四大類。另外，比較常用的經(jīng)典算法有:簡化梯度算法、牛頓法、和內(nèi)點法。

2．1 簡化梯度法

1968年，H．W．Dommel和 W．F．Tinney第一次將簡化梯度法［5］引入到求解最優(yōu)潮流問題，此算法的出現(xiàn)對后來無功優(yōu)化的研究產(chǎn)生了較大的影響。它以極坐標形式的牛頓－拉弗遜潮流計算為基礎，首先運用拉格朗日乘子來處理等式約束條件，接著再運用Kuhn－Tucke罰函數(shù)來處理不等式約束條件，最后沿控制變量的負梯度方向?qū)?yōu)。但是，簡化梯度法在接近最優(yōu)點時會出現(xiàn)鋸齒現(xiàn)象，導致收斂性差，且每次迭代都要重新計算潮流。對此，文獻［6］提出了修正的簡化梯度法，并引入一個近似的簡化海森矩陣的逆矩陣來修正負簡化梯度，該方法不僅減少了計算量，避免了數(shù)值穩(wěn)定性問題的求逆過程，而且具有比簡化梯度法更快的收斂速度。文獻［7］提出了一種改進的簡化梯度法，該方法結(jié)合簡化梯度法和共軛梯度法，充分利用了各自算法的優(yōu)點，克服了梯度法的很多不足，加快了計算速度。尤其在接近最優(yōu)點時，運用該方法能得到較好的收斂效果。

2．2 牛頓法

在20世紀80年代，不少國內(nèi)外專家開始提出用牛頓法求解最優(yōu)潮流問題。牛頓法是基于非線性規(guī)劃的拉格朗日乘數(shù)法，把拉格朗日函數(shù)的二次導數(shù)組成的海森矩陣與網(wǎng)絡等式方程的一次導數(shù)組成的雅克比矩陣再用牛頓法聯(lián)立求解。牛頓法收斂速度較快，收斂性較好，而且適合應用于節(jié)點數(shù)很多的大電網(wǎng)［8］。在此基礎上，文獻［9］對牛頓法最優(yōu)潮流進行了改進，將發(fā)電機節(jié)點的有功功率、無功功率以及補償?shù)臒o功作為狀態(tài)量，簡化了不等式約束的處理。改進的牛頓法不需要罰函數(shù)法，這使得算法程序?qū)崿F(xiàn)更簡捷快速，但該方法不能有效地處理無功優(yōu)化中大量不等式條件的約束。文獻［10］提出了一種新的基于非線性互補問題函數(shù)(NCP)的半光滑牛頓方法。通過引入NCP函數(shù)，不僅能夠增強系統(tǒng)的魯棒性，而且能有效處理無功優(yōu)化模型中的不等式約束問題。

2．3 內(nèi)點法

美國專家Karmarkar在1984年提出了一個線性規(guī)劃的內(nèi)點法，20世紀90年代開始把它應用到電力系統(tǒng)最優(yōu)潮流的優(yōu)化中。內(nèi)點法是拉格朗日函數(shù)、牛頓法和對數(shù)障礙函數(shù)法3種方法的組合，該方法不僅繼承了牛頓法的優(yōu)點，而且解決了牛頓法不可避免的試驗迭代。然而，如何探測與處理優(yōu)化過程中的不可求解的問題是內(nèi)點法的一個難點。文獻［11］中提出了原－對偶內(nèi)點法最優(yōu)潮流方法，它繼承了牛頓法的超稀疏性，克服了牛頓法無法跨越的預估違約約束和迭代過程等缺點，從而使編程簡單，計算量小，計算速度快。文獻［12］在常規(guī)的非線性原－對偶內(nèi)點法的基礎上對修正方式進行了快速解耦和系數(shù)矩陣的常數(shù)化，提高了其收斂速度與算法穩(wěn)定性，但高階修正方程的求解是制約內(nèi)點法的一個瓶頸。

3 現(xiàn)代人工智能搜索算法在無功優(yōu)化中的應用

由于傳統(tǒng)的優(yōu)化算法在不同程度上都存在著一些問題。例如，對離散變量的處理缺乏指導性，而且經(jīng)常求得的是局部最優(yōu)解。因此，不少專家學者逐漸把研究系統(tǒng)無功優(yōu)化方法轉(zhuǎn)向人工智能搜索算法?，F(xiàn)代人工智能搜索算法的優(yōu)點是其所具有的“魯棒性”對無功優(yōu)化問題提供了較為可靠的解。當今常用的現(xiàn)代智能搜索算法有遺傳算法、粒子群算法、多智能體算法等。

3．1 遺傳算法

在20世紀70年代初期，遺傳算法由美國密執(zhí)安大學的Holland．J．H教授提出，在20世紀80年代末到90年代初開始運用到電氣系統(tǒng)無功優(yōu)化求解問題當中。遺傳算法是把自然界中基于自然遺傳和自然選擇的理論引入到數(shù)學理論中來而開拓的一種全新尋優(yōu)算法。它是一種自適應全局優(yōu)化搜索算法，在解決多變量、非線性、不連續(xù)和多約束的問題上顯示了其獨特的優(yōu)勢，即對求解信息要求較少、建模簡單、適用領域非常廣泛。其主要的缺點是“早熟收斂”及收斂速度較慢。因此，為了改善遺傳算法的性能，各種改進的算法也應運而生，其中包括編碼方式、適應度函數(shù)、選擇操作、交叉操作和變異操作，并且這些算法還與其他算法進行組合，進行優(yōu)勢互補。文獻［13］針對無功優(yōu)化中具有連續(xù)性和離散性的特點，對原始的遺傳算法編碼方式交叉算子和變異算子進行了重新的選取，提出了一種改進自適應變異概率遺傳算法，通過在算法后期加大變異概率，增大種群多樣性。在典型自適應變異概率的基礎上，考慮算法所處的階段，改進自適應變異概率遺傳算法，既能保持典型自適應概率較快收斂的特性，又通過在算法后期產(chǎn)生的更多新基因維持種群多樣性，它能保持較快收斂的特性并具有更強的尋優(yōu)能力。通過以往電網(wǎng)實例的優(yōu)化計算結(jié)果表明，在網(wǎng)絡電壓質(zhì)量提高時，系統(tǒng)的有功損耗也明顯降低了。如文獻［14］提出了在不同優(yōu)化階段，構造分階段適應性函數(shù)，對目標函數(shù)的每個罰因子采用不同的權重，并且引入了選擇式雜交方式等改進措施。仿真結(jié)果表明，組合的算法大大提高了計算的尋優(yōu)速度與收斂精度。文獻［15］提出了一種基于遺傳算法和內(nèi)點法的無功優(yōu)化混合策略，它不考慮無功優(yōu)化中的離散約束，首先采用內(nèi)點法求解得到初始解，再針對種群個體的不同特點，分別對遺傳算法和內(nèi)點法進行動態(tài)調(diào)整，使兩者的優(yōu)化結(jié)果互為基礎，相互利用，從而確保了混合策略的整體尋優(yōu)效率。文獻［16］提出了一種改進小生境遺傳算法來克服小生境遺傳算法中小生境難以確定的不足，改善遺傳算法容易陷入局部收斂和早熟的缺點。算法通過模糊動態(tài)聚類方法實現(xiàn)小生境種群的劃分，形成小生境進化環(huán)境，再利用適應度共享技術調(diào)整小生境內(nèi)個體的適應度，由此提高全局搜索能力;運用隔代小生境共享機制、最優(yōu)個體鄰域搜索及保留策略，改善了算法的計算速度和收斂速度。對節(jié)點算例進行了優(yōu)化計算和分析，結(jié)果表明該算法在應用電力系統(tǒng)無功優(yōu)化問題當中，具有穩(wěn)定、高效、更好的全局尋優(yōu)能力等優(yōu)點。根據(jù)生物免疫原理，文獻［17］提出了一種免疫遺傳算法，它具有抗原識別、記性功能、抗體的抑制和促進等顯著特點。免疫算法將目標函數(shù)與約束條件當作抗原，把所求問題的解當作抗體。該算法通過親和度的計算來評價抗體并促進或抑制抗體的產(chǎn)生，以減少進化過程中陷入局部最優(yōu)解的可能性;通過抗原的記憶功能，很好地保持了個體的多樣性。將人工免疫系統(tǒng)中抗體多樣性等特點再融入到遺傳算法中，形成改進免疫遺傳算法(IGA)［18］，它采用保優(yōu)抗體中的免疫疫苗，接種最佳基因的新方法，加快了計算速度，克服了早熟現(xiàn)象，從而提高了局部搜索能力，避免陷入局部最優(yōu)，加快了計算的速度。

3．2 粒子群算法

粒子群算法是近些年新興的一類基于群智能的隨機優(yōu)化算法，它是由 Kennedy和 Eberhart在1995年提出的一種模擬鳥群覓食過程中遷徙和群集行為的智能算法［19］。該算法是一種新興的隨機進化搜索算法，具有并行處理特征、魯棒性強、容易實現(xiàn)等優(yōu)點。粒子群優(yōu)化算法(PSO)在搜索的初期收斂速度非常快，在后期容易陷入局部最優(yōu)，這是普通PSO算法的一個主要缺點。針對傳統(tǒng)粒子群優(yōu)化算法早熟與后期收斂速度慢的缺點，文獻［20］提出一種并行自適應粒子群優(yōu)化算法，該算法首先將初始種群隨機劃分成若干個子群，然后分別在各子群中提出不同的方法尋優(yōu)，從而實現(xiàn)了所有子群的并行尋優(yōu)計算。為避免各子群陷入局部極值點，再采用二值交叉算子使各子群間的信息共享并更新相關粒子位置，在維持了種群的多樣性同時保證了算法的全局搜索能力。各子群尋優(yōu)過程中，根據(jù)利己、利他及自主三個方向?qū)Ξ斍八阉鞣较蜃赃m應更新，極大地提高了算法的收斂速度。在此基礎上，文獻［21］又提出了一種基于向量評價的自適應粒子群算法來解決多目標無功優(yōu)化問題。該算法首先解得問題的Pateto最優(yōu)解集，再從Pateto最優(yōu)解集中采用基于決策者偏好及投影尋蹤聚類模型來進行不同量綱的多目標整合，最終選取到合適的最優(yōu)解，進而使結(jié)果更加真實可靠。對于有著許多控制變量的大規(guī)模實際電網(wǎng)來說，控制變量分布在不同區(qū)域使得無功優(yōu)化問題的求解變得復雜。基于此，文獻［22］采用分層控制中的分解－協(xié)調(diào)思想，將大規(guī)模的系統(tǒng)分解成若干個小系統(tǒng)來單獨優(yōu)化。子系統(tǒng)應用協(xié)同進化原理，使其對應的解逐漸逼近原問題的最優(yōu)解。它將大系統(tǒng)的高維解空間分為多個低維解集的組合。結(jié)果證明，此方法降低了大規(guī)模計算的復雜性，提高了全局尋優(yōu)能力，避免了過早地陷入局部最優(yōu)解。針對混合算法在電力系統(tǒng)中的優(yōu)勢，文獻［23］提出了基于改進粒子群算法和預測校正內(nèi)點法的解耦無功優(yōu)化算法，在時代因子和鄰近變異策略基礎上，采用分段處理方法對粒子群算法進行改進。利用預測校正算法替代原－對偶內(nèi)點，使得在內(nèi)點法尋優(yōu)過程中的迭代步長增大，同時避免了尋優(yōu)過程中出現(xiàn)振蕩。若分別把改進粒子群算法和預測校正內(nèi)點算法用于無功優(yōu)化的離散優(yōu)化和連續(xù)優(yōu)化子問題上，會使整體的尋優(yōu)速度更快，效果更佳。文獻［24］將混沌優(yōu)化算法融合到粒子群算法中，提出了混沌粒子群算法應用到求解多目標無功優(yōu)化問題。該算法采用混沌思想，增加初始化種群的多樣性，通過粒子群無功優(yōu)化算法計算各個粒子對應的適應值，并按照其大小擇優(yōu)選取適當種群進行混沌優(yōu)化，使無功優(yōu)化目標跳出局部極值區(qū)域，再根據(jù)無功優(yōu)化目標函數(shù)值自適應地調(diào)整其慣性權重系數(shù)，提高局部與全局的搜索能力。通過算例結(jié)果分析表明，采用自適應混沌粒子群算法進行無功優(yōu)化，能夠及時跳出局部極值得到全局最優(yōu)解，且收斂速度快。針對風力不確定性導致粒子適應度不穩(wěn)定的風電系統(tǒng)，文獻［25］提出了基于動態(tài)云進化粒子群算法。根據(jù)粒子的適應度值，該算法選取優(yōu)異的個體進行進化，以降低劣性粒子比例，增強搜索速度。通過云發(fā)生器，使優(yōu)異個體進化得到的種群趨于正態(tài)分布，從而改善粒子分布，避免“早熟”;動態(tài)調(diào)節(jié)飛行速度，進一步改善粒子分布，提高搜索精度。仿真結(jié)果證明了該方法的有效性與結(jié)果的可靠性。綜合以上所言，粒子群改進的新算法的發(fā)展趨勢主要包括位置、速度更新公式的改進、控制參數(shù)修正、增加種群多樣性的算法及算法的混合等。

3．3 差分進化算法

差分進化法是Stom與Price于1995年提出的一種基于種群進化的多點搜索算法，它是現(xiàn)代最好的啟發(fā)式算法之一。從表面上看，它與PSO算法有相似之處，同時具備遺傳算法的一些特征，因此它更像PSO算法與遺傳算法的綜合。針對多目標多變量復雜問題的尋優(yōu)方面，它是一種非常具有潛力的優(yōu)化算法。差分進化算法利用2個隨機選取的矢量參數(shù)的差向量作為第3個矢量參數(shù)的隨機變化源，通過對當前種群進行重組、變異和選擇等操作產(chǎn)生新一代種群，并逐步使種群進化到包含或接近最優(yōu)解的狀態(tài)［26］。傳統(tǒng)的差分算法、控制參數(shù)是保持不變的，且變異參數(shù)決定了收斂速度，而交叉參數(shù)對問題的復雜性較敏感，容易過早收斂陷入局部最優(yōu)。文獻［27］應用一種混合差異進化算法，該算法中提出了一種加速操作和種群遷移操作。仿真結(jié)果表明，它與單純的差異進化法、粒子群算法相比，具有收斂度更快、魯棒性更強、計算精度更高等優(yōu)點。根據(jù)粒子群算法的慣性權重動態(tài)調(diào)整思想的啟發(fā)，文獻［26］提出一種改進的的差分進化算法，該算法對DE算法的控制參數(shù)也采用進化動態(tài)調(diào)整的策略，根據(jù)混沌理論的遍歷性，對搜索過程中重疊的個體，利用混沌變量搜索來提高算法的整體搜索能力。測試與算例表明，改進的DE算法更加快速、高效和準確。根據(jù)量子計算中的并行、坍縮等特性和算法組合尋優(yōu)，文獻［28］提出了一種基于量子差分進化算法的電力系統(tǒng)無功優(yōu)化方法，該方法不僅增強了對解空間的遍歷能力，而且通過量子計算的概率表達特性來增加種群多樣性，從而很好地避免算法的早熟現(xiàn)象，全面提高了全局尋優(yōu)能力。

4 展望

本文在分析常用的無功優(yōu)化算法基礎上，重點介紹了應用廣泛的經(jīng)典傳統(tǒng)算法與人工智能算法，每一種算法都會在原始算法上進行改進，從而使計算的速度與精度得到很大的改善。組合算法通過發(fā)揮各自優(yōu)勢，彌補某些缺點來改善算法的尋優(yōu)效率。組合優(yōu)化算法在未來需要更深層次的研究與探討。另外，開發(fā)新的智能算法如區(qū)間算法［29］、雜草優(yōu)化算法［30］等應用到電力系統(tǒng)無功優(yōu)化中也是未來無功優(yōu)化研究的一個方向。

目前，無功優(yōu)化相對來說研究得比較成熟。無論是在數(shù)學模型還是優(yōu)化算法上都取得了一定的成果。對于動態(tài)的無功優(yōu)化問題我們研究得較少，今后需要對它作更深入的探索和研究。另外，新的電力系統(tǒng)環(huán)境下的無功優(yōu)化也需要進一步對其探究。

［1］諸駿偉．電力系統(tǒng)分析(上冊)［M］．北京:中國電力出版社，1995．ZHU Junwei．Power system analysis(Volume 1)［M］．Beijing:China Electric Power Press，1995．

［2］陳海炎，陳金富，段獻忠．含風電機組的配電網(wǎng)無功優(yōu)化［J］．中國電機工程學報，2008，28(7):40-45．CHEN Haiyan，CHEN Jinfu，DUAN Xianzhong．Reactive power optimization of distribution network containing wind power generators［J］．Proceedings of the CSEE，2008，28(7):40-45．

［3］ YOSHIDA H，KAWATA K，F(xiàn)UKUYAMA Y．Particles warm optimization for reactive power and voltage control considering voltage security assessment［J］．IEEE Transactions on Power System，2000，15(4):1232-12391．

［4］熊虎崗，程浩忠，李宏仲．基于免疫算法的多目標無功優(yōu)化［J］．中國電機工程學報，2006，26(11):102-108．XIONG Hugang，CHENG Haozhong，LI Hongzhong．Multi-objective reactive power optimization based on immune algorit-hm［J］．Proceedings of the CSEE，2006，26(11):102-108．

［5］ H．W．DOMMEL，W．F．TINNEY．Option Power Flow Solution［J］．IEEE Trans on PAS，1968，87(10):1866-1876．

［6］李文沅．求解最優(yōu)潮流的修正簡化梯度法［J］．中國電機工程學報，1981:53-61．LI Wenyuan．Optimal power flow solution by modification of the simplified gradient method［J］．Proceedings of the CSEE，1981:53-61．

［7］劉學東，王磊，余耀．最優(yōu)潮流改進簡化梯度法的研究及應用［J］．山東電力技術，2003，(1):19-22．LIU Xuedong，WANG Lei，YU Yao．Research and application of improved simplifying gradient algorithm in the optimal power flow［J］．Shandong Electric Power Technology，2003，(1):19-22．

［8］張力平，何大愚，朱太秀．牛頓法最優(yōu)潮流與最優(yōu)無功補償［J］．中國電機工程學報，1987，7(1):11-19．ZHANG Liping，HE Dayu，ZHU Taixiu．Optimal power flow and optimal reactive power compensation by Newton’s method ［J］．Proceedings of the CSEE，1987，7(1):11-19．

［9］王永剛，彭世康，靳現(xiàn)林．牛頓法最優(yōu)潮流的改進［J］．繼電器，2003，31(3):1-5．WANG Yonggang，PENG Shikang，JIN Xianlin．Improved Newton optimal power flow algorithm［J］．Relay，2003，31(3):1-5．

［10］張永平，童小嬌，吳復立，等．基于非線性互補問題函數(shù)的半光滑牛頓最優(yōu)潮流算法［J］．中國電機工程學報，2004，24(9):130-135．ZHANG Yongping，TONG Xiaojiao，WU Fuli，et al．Semi-smooth newton optimal power flow algorithm based on nonlinear complementary problem function［J］．Proceedings of the CSEE，2004，24(9):130-135．

［11］李彩華，郭志忠，樊愛軍．原-對偶內(nèi)點法最優(yōu)潮流在電力系統(tǒng)中的應用［J］．電力自動化設備，2002，22(8):4-7．LI Caihua，GUO Zhizhong，F(xiàn)AN Aijun．Application of primal-dual interior point method of optimal power flow to power syst-em［J］．Electric Power Automation Equipment，2002，22(8):4-7．

［12］侯芳，吳政球，王良緣．基于內(nèi)點法的快速解耦最優(yōu)潮流算法［J］．電力系統(tǒng)及其自動化學報，2001，13(6):8-12．HOU Fang，WU Zhengqiu，WANG Liangyuan．Optimal power solution based on fast decouple interior point algorithm ［J］．Proceedings of the EPSA，2001，13(6):8-12．

［13］靳丹，王維洲，曹俊龍，等．基于改進自適應變異概率遺傳算法的無功優(yōu)化方法［J］．電網(wǎng)技術，2012，31(7):6-10．JIN Dan，WANG Weizhou，CAO Junlong，et al．Reactive power optimization method based on adaptive mutation probability genetic algorithm ［J］．Power System Technology，2012，31(7):6-10．

［14］趙登福，周文華，張伏生．遺傳算法在無功優(yōu)化應用中的改進［J］．電網(wǎng)技術，1998，22(10):34-43．ZHAO Dengfu，ZHOU Wenhua，ZHANG Fusheng．Improvement of genetic algorithm in the application of reactive power optimization［J］．Power System Technology，1998，22(10):34-43．

［15］劉方，顏偉，DAVID C．Yu．基于遺傳算法和內(nèi)點法的無功優(yōu)化混合策略［J］．中國電機工程學報，2005，25(15):67-72．LIU Fang，YAN Wei，DAVID C．Yu．Hybrid strategy based on genetic algorithm and interior point method for optimal reactive power flow［J］．Proceedings of the CSEE，2005，25(15):67-72．

［16］崔挺，孫元章，徐箭，等．基于改進小生境遺傳算法的電力系統(tǒng)無功優(yōu)化［J］．中國電機工程學報，2011，31(19):43-50．CUI Ting，SUN Yuanzhang，XU jian，et al．Reactive power optimization of power system based on improved niche genetic algorithm［J］．Proceedings of the CSEE，2011，31(19):43-50．

［17］鐘紅梅，任震，張勇軍．免疫算法及其在電力系統(tǒng)無功優(yōu)化中的應用［J］．電網(wǎng)技術，2004，28(3):16-19．ZHONG Hongmei，REN Zhen，ZHANG Yongjun．Immune algorithm and its application in power system reactive power optimization［J］．Power System Technology，2004，28(3):16-19．

［18］曾令全，吳昊華，劉琳琳，等．改進免疫遺傳算法在DG系統(tǒng)無功優(yōu)化中的應用［J］．電力系統(tǒng)保護與控制，2013，25(5):138-143．ZENG Lingquan，WU Haohua，LIU Linlin，et al．Application of immune genetic algorithm in DG system reactive power optimization［J］．Power System Protection and Control，2013，25(5):138-143．

［19］ KENNDY J，EBERHART R C．Particle swam optimization［C］．Proceedings of IEEE International Conference on Neutral Networks．Perth，Australia，1995:1942-1948．

［20］張文，劉玉田．自適應粒子群優(yōu)化算法及其在無功優(yōu)化中的應用［J］．電網(wǎng)技術，2006，30(8):19-24．ZHANG Wen，LIU Yutian．Adaptive particle swarm optimization and its application in reactive power power optimization［J］．Power System Technology，2006，30(8):19-24．

［21］劉佳，李丹，高立群．多目標無功優(yōu)化的向量評價自適應粒子群算法［J］．中國電機工程學報，2008，28(31):22-28．LIU Jia，LI Dan，GAO Liqun．Vector evaluated adaptive particle swarm optimization algorithm for multi-objective reactive power optimization［J］．Proceedings of the CSEE，2008，28(31):22-28．

［22］趙波，郭創(chuàng)新，張鵬翔．基于分布式協(xié)同粒子群優(yōu)化算法的電力系統(tǒng)無功優(yōu)化［J］．中國電機工程學報，2005，25(21):1-7．ZHAO Bo，GUO Chuangxin，ZHANG Pengxiang．Distributed cooperative particle swarm optimization algorithm for reactive power optimization［J］．Proceedings of the CSEE，2005，25(21):1-7．

［23］張鋒，段余平，邱軍，等．基于粒子群算法與內(nèi)點算法的無功優(yōu)化研究［J］．電力系統(tǒng)保護與控制，2010，38(13):11-16．ZHANG Feng，DUAN Yuping，QIU Jun，et al．Research on reactive power flow based on particle swarm optimization and interior point method［J］．Power System Protection and Control，2010，38(13):11-16．

［24］李娟，楊琳，劉金龍，等．基于自適應混沌粒子群優(yōu)化算法的多目標無功優(yōu)化［J］．電力系統(tǒng)保護與控制，2011，39(9):26-31．LI Juan，YANG Lin，LIU Jinlong，et al．Multi-objective reactive power optimization based on adaptive chaos particle swarm optimization algorithm ［J］．Power System Protection and Control，2011，39(9):26-31．

［25］王希，王昕，李立學．基于動態(tài)云進化粒子群算法的風電系統(tǒng)無功優(yōu)化方法［J］．電力系統(tǒng)保護與控制，2013，41(21):36-43．WNAG Xi，WANG Xin，LI Lixue．Reactive power optimization for wind power system based on dynamic cloud evolutionary particle swarm optimization［J］．Power System Protection and Control，2013，41(21):36-43．

［26］劉自發(fā)，閆景信，張建華．基于改進微分進化算法的電力系統(tǒng)無功優(yōu)化［J］．電網(wǎng)技術，2007，31(18):68-72．LIU Zifa，YAN Jingxin，ZHANG Jianhua．Power system reactive power optimization based on improved differential evolution algorithm ［J］．Power System Technology，2007，31(18):68-72．

［27］張豐田，宋家驊，李鑒．基于混合差異進化優(yōu)化算法的電力系統(tǒng)無功優(yōu)化［J］．電網(wǎng)技術，2007，31(9):33-37．ZHANG Fengtian，SONG Jiahua，LI Jan．Hybrid differential evolution method for optimal reactive power optimization［J］．Power System Technology，2007，31(9):33-37．

［28］馬玲，于青，劉剛．基于量子差分進化算法的電力系統(tǒng)無功優(yōu)化［J］．電力系統(tǒng)保護與控制，2013，41(17):39-43．MA Ling，YU Qing，LIU Gang．Power system reactive power optimization based on quantum differential evolution algorithm ［J］．Power System Protection and Control，2013，41(17):39-43．

［29］ LUO J，LI W，WANG Q．Checking strong optimality of interval linear programming with inequality constraints and nonnegative constraints［J］．Journal of Computational and Applied Mathematics，2014，260:180-190．

［30］左旭坤，蘇守寶．多子群入侵雜草優(yōu)化算法研究及應用［J］．計算機工程，2014，40(2):184-188．ZUO Xukun，SU Shoubao．Research and application of multi subpopulation invasive weed optimization algorithm ［J］．Computer Engineering，2014，40(2):184-188．