孫 亮，呂凌虹，張秀琦，劉國炳

(東北電力大學(xué) 電氣工程學(xué)院，吉林 吉林 132012)

智能優(yōu)化算法應(yīng)用于分布式電源配電網(wǎng)無功優(yōu)化綜述

孫 亮，呂凌虹，張秀琦，劉國炳

(東北電力大學(xué) 電氣工程學(xué)院，吉林 吉林 132012)

由于分布式電源并網(wǎng)會給配電網(wǎng)潮流帶來影響，所以DG并網(wǎng)后進(jìn)行無功優(yōu)化的必要性尤為凸顯。將智能以及由此衍生的混合智能優(yōu)化算法在含有DG并網(wǎng)的無功優(yōu)化中的應(yīng)用進(jìn)行介紹，并針對配電網(wǎng)無功優(yōu)化問題屬于多變量，高緯度的非線性化問題；分析了在無功優(yōu)化中，多目標(biāo)的智能優(yōu)化算法所帶來的優(yōu)越效果。最后,也對無功優(yōu)化問題未來的方向進(jìn)行了分析。

分布式電源；無功優(yōu)化；智能優(yōu)化算法；混合智能優(yōu)化算法；多目標(biāo)智能優(yōu)化算法

分布式發(fā)電(Distributed Generation，DG)，是指分散在一定范圍內(nèi)，利用多種形式進(jìn)行發(fā)電，發(fā)電設(shè)備共同發(fā)出電能向負(fù)荷供電，以就近滿足用戶的用電需求的發(fā)電形式[1]。近年來，經(jīng)濟(jì)發(fā)展迅速，致使人們對于用電的需求量日益增加，以可持續(xù)發(fā)展的新型發(fā)電方式來代替以往的化石能源，成為各國開始紛紛尋求的目標(biāo)。分布式發(fā)電憑借其經(jīng)濟(jì)性、安全性、靈活性和可靠性，獲得了眾多能源專家的青睞[2]。

系統(tǒng)無功潮流的分布，會因系統(tǒng)結(jié)構(gòu)的改變而改變。由分布式電源并網(wǎng)帶來的原有單電源輻射結(jié)構(gòu)的變化，改變了潮流，這也許會引起無功功率的不足或過剩，發(fā)生電壓質(zhì)量的下降乃至于越限。因此，對含有分布式電源的配電網(wǎng)進(jìn)行無功優(yōu)化有很重要的實(shí)際意義。無功優(yōu)化算法主要包括傳統(tǒng)的無功優(yōu)化算法和新興的人工智能算法[3]。雖然，傳統(tǒng)無功優(yōu)化算法是各個新興算法的理論基礎(chǔ)，但隨著電網(wǎng)復(fù)雜性的增加以及各種優(yōu)化理論的日益完善，基于隨機(jī)搜索的智能優(yōu)化算法具有較好的并行處理以及全局收斂特性，其實(shí)用性被更好地發(fā)掘出來[4]。本文綜述了幾種智能優(yōu)化算法以及整合不同算法后的混合智能優(yōu)化算法應(yīng)用于含有DG的配電網(wǎng)中的優(yōu)化效果與比較；并針對當(dāng)前能源局勢與輸配電要求的日益提高的情況，分析了多目標(biāo)智能優(yōu)化算法在無功優(yōu)化中的作用。

1 智能優(yōu)化算法在無功優(yōu)化中的應(yīng)用

1.1 遺傳算法

遺傳算法是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法，是一種基于自然選擇和基因遺傳學(xué)原理的優(yōu)化搜索方法[5]。遺傳算法具有通用性強(qiáng)，并行性好，對可行性解表示廣泛，群體搜索等特性。同時，它也具有收斂速度較慢，容易陷入局部最優(yōu)等不足之處。

文獻(xiàn)[6]中以Ploss最小為目標(biāo)函數(shù)，應(yīng)用改進(jìn)的DA算法來對電力系統(tǒng)中各種變量進(jìn)行優(yōu)化選擇。為改善GA算法中所存在的不足，文中的交叉、變異概率使用自適應(yīng)的方式，改善了以往GA算法一成不變的概率所帶來的局限，并且通過增加一定的擾動，使種群變得更為多樣，以避免早熟的出現(xiàn)，同時這也使陷入局部最優(yōu)的情況得以改善。

文獻(xiàn)[7]提出了節(jié)點(diǎn)無功補(bǔ)償動態(tài)區(qū)間的計算方法，構(gòu)建節(jié)點(diǎn)無功補(bǔ)償動態(tài)區(qū)間，有效壓縮算法搜索空間。在算法方面，將罰因子自適應(yīng)調(diào)整機(jī)制及動態(tài)災(zāi)變算法等啟發(fā)式算法引入進(jìn)遺傳算法中，形成混合啟發(fā)式搜索算法，使得算法的尋優(yōu)質(zhì)量得以提升。

文獻(xiàn)[8]提出將協(xié)同進(jìn)化思想引入GA算法中，也就是將需要解決的問題映射為多個相互聯(lián)系的種群，這樣就把復(fù)雜的無功優(yōu)化問題分解成多個遺傳過程分開的并且彼此協(xié)同進(jìn)化的子問題，有效的減小了搜索解空間。

1.2 粒子群算法

粒子群優(yōu)化算法(PSO)最早是由Eberhart和Kelnnedy提出的。它仿照鳥群覓食行為，使群體中的個體能通過相互之間的信息共享和自身經(jīng)驗的總結(jié)來修正其行動策略，最終求得最優(yōu)化問題的解[9]。最優(yōu)解的探索仍是通過每個粒子的競爭與合作來完成的，但它是在其解空間內(nèi)，根據(jù)最優(yōu)的粒子來使后續(xù)粒子進(jìn)行尾隨達(dá)到尋優(yōu)效果，這是與遺傳算法的不同之處。但它依然存在低收斂精度，難以跳出局部最優(yōu)的問題。

文獻(xiàn)[10]針對慣性權(quán)重ω較大容易搜素范圍過大，影響最優(yōu)解出現(xiàn)，ω較小容易陷入局部最優(yōu)的問題，提出了將不同慣性權(quán)重賦予不同的粒子的改進(jìn)粒子群算法。這樣，使得擁有較大和較小ω的粒子分別用于搜索面積的增多和局部探索力度的加強(qiáng)，這樣可以更有效使出現(xiàn)全局最優(yōu)的情況減少。

文獻(xiàn)[11]以Ploss最小為目的，提出了一種新的使ω和學(xué)習(xí)因子動態(tài)變化的PSO算法。選擇一種按指數(shù)規(guī)律越來越小的ω策略和一種按sin函數(shù)變化的學(xué)習(xí)因子，更好的調(diào)節(jié)了全局和局部的收斂能力。

文獻(xiàn)[12]提出了一種帶收縮因子的粒子群算法。將其應(yīng)用到含風(fēng)力發(fā)電機(jī)組的無功優(yōu)化程序中進(jìn)行優(yōu)化，驗證了這種算法的合理性與正確性。

1.3 免疫算法

雖然，類似GA算法的一系列算法可以較好的處理優(yōu)化問題，但它們距離人工智能仍有較大差距。人們開始將視線放在和生物學(xué)有關(guān)的免疫知識運(yùn)用到算法中去，提出了一種新的與GA算法相結(jié)合的免疫算法，大大提升了優(yōu)化性能。在原有算法優(yōu)點(diǎn)的基礎(chǔ)上，使優(yōu)化過程中常出現(xiàn)的退化現(xiàn)象得到有效控制，現(xiàn)在這種算法已經(jīng)得到了大量的應(yīng)用[13]。

文獻(xiàn)[14]提出了一種新的基于聚類和競爭克隆機(jī)制的多智能體免疫算法。將高效問題求解能力的多智能體系統(tǒng)模型應(yīng)用于免疫算法，并且將聚類和克隆增殖以及高斯和柯西混合變異算子引入其中，大大增強(qiáng)了全局搜索能力。

文獻(xiàn)[15]提出了一種聚類和自適應(yīng)改進(jìn)型免疫算法。它首先通過聚類和克隆操作，使得免疫算法在深度和廣度上都有了更好的搜索能力。為了使高親和度的抗體能有更多機(jī)會保留下來，對親和度低的則增高它的變異率，引進(jìn)能使變異率動態(tài)調(diào)節(jié)的自適應(yīng)算子，以便于形成全局最優(yōu)解。

1.4 差分進(jìn)化算法

差分進(jìn)化算法是一種啟發(fā)式性算法，Storn和Price在 1995 年的科技報告首次提出了“差分進(jìn)化”這個詞。它仿照生物的進(jìn)化過程的隨機(jī)性，通過變異、交叉、選擇算子等，產(chǎn)生了個體間的協(xié)作與較量產(chǎn)生種群智能，從而使適應(yīng)性強(qiáng)的個體更容易被留下，降低了遺傳操作的復(fù)雜性。同時，DE特有的記憶能力使其可以動態(tài)跟蹤當(dāng)前的搜索情況，以調(diào)整其搜索策略，指導(dǎo)整個種群的進(jìn)化[16]。

文獻(xiàn)[17]將免疫原理與二次變異原理加入差分進(jìn)化算法中，形成了改進(jìn)的差分進(jìn)化算法。免疫原理使交叉操作充分利用了進(jìn)化過程中積累的優(yōu)良特征信息，使算法收斂的速度極大地加快；而高斯擾動法的二次變異使種群更豐富了起來，經(jīng)驗證它對增加探索面積和避免局部收斂都有很好的提升作用。

文獻(xiàn)[18]針對傳統(tǒng)差分進(jìn)化算法沒有能夠?qū)⑦M(jìn)化學(xué)習(xí)過程中積累的經(jīng)驗來指引新的個體變異方向的問題，引入了優(yōu)良群體的概念，通過對該群體信息的提取，能使目標(biāo)量與該群體信息作比較，從而能更快的確定交叉概率。因此，一種改進(jìn)的能明顯加快收斂的速度差分進(jìn)化算法被提出并應(yīng)用于實(shí)際中。

2 混合智能優(yōu)化算法在無功優(yōu)化中的應(yīng)用

文獻(xiàn)[19]提出了一種鄰域搜索免疫算法，它是將免疫算法與鄰域搜索進(jìn)行融合。由于免疫算法后期搜索具有隨機(jī)性、收斂性較差的弊端，采用鄰域搜索可以保證在迭代末期算法能夠穩(wěn)定收斂到最優(yōu)解；并在考慮不同類型DG影響的配電網(wǎng)重構(gòu)情況下，實(shí)現(xiàn)了網(wǎng)損的最小化。

文獻(xiàn)[20]采用遺傳算法和PSO算法相結(jié)合的方法，這種算法不僅利用了PSO算法的學(xué)習(xí)記憶能力，具有快速收斂性，而且利用了遺傳算法選擇、交叉和變異操作產(chǎn)生結(jié)果的不確定性，使種群具有多樣性，杜絕了粒子群算法易陷入局部最優(yōu)的現(xiàn)象。

文獻(xiàn)[21]將入侵雜草算法與DE算法相結(jié)合。使最初解能在空間內(nèi)繁殖和擴(kuò)散，當(dāng)達(dá)到所允許的上限時，通過互相之間的競爭，使適應(yīng)度較高的個體被選擇下來，再通過變異、交叉、選擇，最終保留最佳個體。這種方法結(jié)合了雜草法簡單易行和DE算法不易于陷入局部收斂的優(yōu)點(diǎn)，在進(jìn)行試驗和對比之后，表明該改進(jìn)的算法能夠更好的進(jìn)行搜索和收斂，具有很好的應(yīng)用前景。

3 多目標(biāo)智能優(yōu)化算法在無功優(yōu)化中的應(yīng)用

配電網(wǎng)無功優(yōu)化問題屬于多變量，高緯度的非線性化問題。隨著社會的發(fā)展，人們對電力的需求日益增加，安全性和經(jīng)濟(jì)性也同時成為了我們關(guān)注的焦點(diǎn)。因而，除了對以往最經(jīng)典和基礎(chǔ)的單目標(biāo)的無功優(yōu)化問題——Ploss最小為核心目標(biāo)之外，還應(yīng)該考慮到電經(jīng)濟(jì)指標(biāo)以及運(yùn)行穩(wěn)定性的問題。因此，多目標(biāo)的智能優(yōu)化算法在配電網(wǎng)無功優(yōu)化中的應(yīng)用更顯示了其必要性和優(yōu)勢。

文獻(xiàn)[22]同時將Ploss、電壓水平以及穩(wěn)定指標(biāo)作為目標(biāo)函數(shù)，將模糊隸屬度應(yīng)用于將多目標(biāo)問題轉(zhuǎn)化為單目標(biāo)，分開后再統(tǒng)一整合處理。對DE算法的控制參數(shù)引入了自適應(yīng)調(diào)整模式，并將混純優(yōu)化理論與DE算法結(jié)合，在標(biāo)準(zhǔn)測試系統(tǒng)以及實(shí)際電網(wǎng)系統(tǒng)進(jìn)行仿真，證明了文章所應(yīng)用的研究成果對經(jīng)濟(jì)性和穩(wěn)定性均具有很好的優(yōu)化性能。

文獻(xiàn)[23]中已然察覺到DG并網(wǎng)之后所帶來的影響使以往的優(yōu)化模型不能再繼續(xù)滿足人們的要求，因此采用了Ploss和δU最小，靜態(tài)電壓穩(wěn)定裕度最大的多目標(biāo)優(yōu)化函數(shù)模型，并且它可以根據(jù)系統(tǒng)的變化來進(jìn)行動態(tài)調(diào)整。通過擂臺賽法構(gòu)造非支配解集，形成解均勻分布的Pareto最優(yōu)邊界。運(yùn)用改進(jìn)的能夠自動調(diào)節(jié)的慣性權(quán)重刷新粒子的PSO算法，使其具有更強(qiáng)的搜索性能。在計及異步風(fēng)機(jī)并網(wǎng)的情況下進(jìn)行分析，為今后的研究提供參考。

文獻(xiàn)[20]在全場景下計及了Ploss、靜態(tài)電壓穩(wěn)定指標(biāo)兩個目標(biāo)，結(jié)合免疫和二次變異思想改進(jìn)了傳統(tǒng)DE算法，在含風(fēng)電機(jī)組的測試系統(tǒng)進(jìn)行仿真，使人們最后可以根據(jù)結(jié)論來確定綜合了幾種目標(biāo)的更加有優(yōu)勢和實(shí)用性的方案計劃，增加了選擇性。

4 無功優(yōu)化的發(fā)展趨勢

通過對以上綜述可以發(fā)現(xiàn)，對于含DG的系統(tǒng)無功優(yōu)化的困難之處在于變量多且類型復(fù)雜，并且需要全面融合的進(jìn)行考慮。而智能優(yōu)化算法在處理變量時，針對某一種方法的缺陷，將兩種或以上算法進(jìn)行融合之后，因其結(jié)合了多種算法的優(yōu)勢而更具有實(shí)用性。另外，僅僅考慮某一單獨(dú)目標(biāo)的優(yōu)化模型已無法滿足現(xiàn)今人們?nèi)遮呍鲩L的對電力運(yùn)行的要求，為了更好的提高系統(tǒng)經(jīng)濟(jì)性和穩(wěn)定性，多目標(biāo)優(yōu)化將成為為來的發(fā)展趨勢。

風(fēng)電作為可再生的清潔能源正在飛速發(fā)展，風(fēng)電并網(wǎng)給常規(guī)電力系統(tǒng)帶來了諸多影響，同時，也給隨機(jī)生產(chǎn)模擬提出了諸多挑戰(zhàn)[24]。隨著能源結(jié)構(gòu)的改變，這些年來風(fēng)力發(fā)電因其可再生性與清潔性，已被廣泛的應(yīng)用到分布式發(fā)電中，但眾所周知，風(fēng)機(jī)出力與環(huán)境和氣候等因素息息相關(guān)，具有很大的不確定性，因而給我們進(jìn)行無功優(yōu)化帶來了很大困難。于是，用于解決隨機(jī)性問題的有效方法——場景分析法被更多的人所關(guān)注。它是通過將各種對應(yīng)為各種不同場景的不確定因素進(jìn)行組合，從而將不確定的模型用不同場景下的確定性模型來代替進(jìn)行模擬。例如：文獻(xiàn)[21]便是采用該方法，將含風(fēng)機(jī)的不確定的情況轉(zhuǎn)化為一系列確定的場景，根據(jù)每個場景的統(tǒng)計概率，建立含風(fēng)機(jī)的優(yōu)化模型，并采用改進(jìn)的DE算法進(jìn)行無功優(yōu)化。另外，場景分析法在處理多目標(biāo)問題上也顯示了較好的性能，例如文獻(xiàn)[20]。它便是先采用場景分析法，對含風(fēng)機(jī)的系統(tǒng)中在各場景下確定單目標(biāo)無功優(yōu)化方案。接著建立了全場景下的多目標(biāo)的無功優(yōu)化模型，對比各Pareto最優(yōu)解，可以盡可能多的為決策者提供能盡量兼顧多個目標(biāo)的無功補(bǔ)償方案。相信隨著風(fēng)電并網(wǎng)的快速發(fā)展，場景分析法也會越來越多的與其他方法相結(jié)合并不斷改進(jìn)，這也將成為配電網(wǎng)無功優(yōu)化的一個主流發(fā)展趨勢。

5 結(jié)束語

本文對應(yīng)用新興的智能優(yōu)化算法來解決含DG的配電網(wǎng)的無功優(yōu)化的問題進(jìn)行了綜述，分析了單一算法和混合算法在實(shí)際應(yīng)用中的優(yōu)缺點(diǎn)，發(fā)現(xiàn)混合智能優(yōu)化算法由于其可以兼顧每種算法的好處與不足，揚(yáng)長避短，因而在實(shí)際應(yīng)用中更具有競爭力；并且，針對無功優(yōu)化問題本身存在的復(fù)雜性，并考慮到現(xiàn)今人們?nèi)遮呍鲩L的對電力運(yùn)行的要求，多目標(biāo)優(yōu)化問題將越來越成為今后的主要研究方向。另外，考慮到風(fēng)機(jī)并網(wǎng)的重要型，簡述了場景優(yōu)化法作為研究不確定性因素的有效方法在現(xiàn)今的應(yīng)用以及未來的發(fā)展前景及重要性。相信隨著人們研究的不斷深入和科技的不斷發(fā)展，對于含DG并網(wǎng)的無功優(yōu)化方法將更加完善。

[1] 梁有偉，胡志堅，陳允平.分布式發(fā)電及其在電力系統(tǒng)中的應(yīng)用研究綜述[J].電網(wǎng)技術(shù)，2003，27(12)：71-75，88.

[2] 梁才浩，段獻(xiàn)中.分布式發(fā)電及其對電力系統(tǒng)的影響[J].電力系統(tǒng)自動化，2001(12)：53-56.

[3] 王世丹，徐麗杰.含分布電源的配電系統(tǒng)無功優(yōu)化研究[J].華北電力大學(xué)報，2012，39(2)：39-42，69.

[4] 劉述奎.基于自適應(yīng)聚焦粒子群算法的電力系統(tǒng)無功優(yōu)化[D].成都：西南交通大學(xué)，2009.

[5] 梁科，夏定純.Matlab環(huán)境下的遺傳算法程序設(shè)計及優(yōu)化問題求解[J].電腦知識與技術(shù)：學(xué)術(shù)交流，2007(4)：1049-1051.

[6] 王世丹.含分布式電源的配電系統(tǒng)無功優(yōu)化技術(shù)研究[D].北京：北京交通大學(xué)，2012.

[7] 王衛(wèi)平，王主丁，張晙，等.含分布式電源的配電網(wǎng)無功優(yōu)化混合算法[J].電力系統(tǒng)及其自動化學(xué)報，2013，25(6)：93-100.

[8] 未超.含分布式電源的配電網(wǎng)無功優(yōu)化[D].天津：天津大學(xué)碩士學(xué)位論文，2013.

[9] R.C.Eberhart，Shi Yuhui.Comparison between genetic algorithms and particle swarm optimization[C].Annual Conference on Evolutionary Programming.San Diego，USA，1998.

[10] 袁松貴，吳敏，彭斌，等.改進(jìn)PSO算法用于電力系統(tǒng)無功優(yōu)化的研究[J].高電壓技術(shù)，2007，33(7)：159-162.

[11] 雷敏，楊萬里，彭曉波，等.基于改進(jìn)簡化粒子群算法的含DG的配電網(wǎng)無功優(yōu)化[J].華北電力大學(xué)學(xué)報，2015，42(1)：39-44.

[12] 程站立，計及分布式電源的配電網(wǎng)潮流計算及其無功優(yōu)化研究[D].成都：西南交通大學(xué)，2008.

[13] 榮軍，仿生算法在多用戶檢測中的應(yīng)用研究[D].南京：南京理工大學(xué)，2007.

[14] 張麗，徐玉琴，王增平，等.包含分布式電源的配電網(wǎng)無功優(yōu)化[J].電工技術(shù)學(xué)報，2011，26(3)：168-174.

[15] 曾黎琳.含分布式發(fā)電的配電網(wǎng)無功優(yōu)化方法研究[D].株洲：湖南工業(yè)大學(xué)，2013.

[16] R.Storn，K.Price.Differential evolution- a simple andefficient heuristic for global optimization over continuous spaces[J].Journal of Global Optimization，1997，11(4)：341-359.

[17] 馮肯.含風(fēng)電機(jī)組的配電網(wǎng)無功優(yōu)化[D].成都：西南交通大學(xué)，2013.

[18] 曾學(xué)強(qiáng).含風(fēng)電機(jī)組的配電網(wǎng)無功優(yōu)化及算法研究[D].成都：西南交通大學(xué)，2011.

[19] 劉暢，黃民翔.含多種分布式電源的配電網(wǎng)重構(gòu)優(yōu)化研究[J].電力系統(tǒng)保護(hù)與控制，2013，41(6)：13-18.

[20] 涂超.含分布式電源的配電網(wǎng)無功優(yōu)化研究[D].南昌：南昌大學(xué)，2013.

[21] 呂忠，周強(qiáng)，蔡雨昌，等.含分布式電源的 DEIWO 算法配電網(wǎng)無功優(yōu)化[J].電力系統(tǒng)保護(hù)與控制，2015，43(4)：69-73.

[22] 岑正君.基于混沌自適應(yīng)差分進(jìn)化算法的無功優(yōu)化研究[D].廣州：廣東工業(yè)大學(xué)，2015.

[23] 史浩宇，彭顯剛.基于改進(jìn)PSO算法的風(fēng)電并網(wǎng)系統(tǒng)電壓無功優(yōu)化研究[J].廣東電力，2014，27(2)：17-21，92.

[24] 孫亮，郝國屹.計及風(fēng)電并網(wǎng)的電力系統(tǒng)隨機(jī)生產(chǎn)模擬改進(jìn)方法[J].東北電力大學(xué)學(xué)報，2016，36(3)：16-20.

The Application of Intelligent Optimization Algorithm in the Reactive Power Optimization of the Distributed Power Distribution Network

Sun Liang，Lv Linghong，Zhang Xiuqi，Liu Guobing

(Electrical Engineering College，Northeast Electric Power University，Jilin Jilin 132012)

In view of the impact of the distributed power grid，Reactive power optimization of distribution network containing DGs has very important practical significance.This paper introduces the developed intelligent optimization algorithm and the hybrid intelligent optimization algorithm in the application of reactive power optimization of distribution network containing DGs.And in view of the distribution network reactive power optimization problem belongs to the multivariable，the high nonlinear problem，this paper analyses the multi-objective intelligent optimization algorithm in the role of reactive power optimization.Finally it points out the development trend of reactive power optimization.

Distributed power；Reactive power optimization；Intelligent optimization algorithm；Hybrid intelligent optimization algorithm；Multi-objective intelligent optimization algorithms

2016-07-10

孫 亮(1973-)，男，博士，副教授，主要研究方向：新能源技術(shù).

1005-2992(2017)04-0027-05

TM61

A

電子郵箱： 419388060@qq.com(孫亮)；646943365@qq.com(呂凌虹)；956040087@qq.com(張秀琦)；1571332803@qq.com(劉國炳)