粒子群算法在电力系统中的应用研究

杨丽华

摘 要：粒子群算法是一种新的智能优化算法，它是对生物群体协同优化能力的研究，是一种针对每个粒子追求自身最优粒子和全局最优位置的一种启发式随机优化算法。在随机搜索的过程中，此算法收敛于最优粒子群优化算法。详细介绍了基本粒子群优化算法和改进的粒子群优化算法，并进行仿真研究，简要阐述了该算法在电力系统中优化应用情况，以期为日后的相关工作提供参考。

关键词：粒子群算法；智能优化算法；人工生命；计算技术

中图分类号：TM73 文献标识码：A DOI：10.15913/j.cnki.kjycx.2016.03.090

人工生命用来研究人工系统的基本特征，它主要包括利用计算技术研究生物现象，利用生物技术研究和计算问题。另外，生物系统是社会系统的一部分，对其研究主要利用的是局部信息，而仿真系统中则很可能发生不可预知的群体行为。

在计算智能领域中，主要有粒子群优化算法（PSO）和蚁群算法（ACO）2种基于群体智能的算法。粒子群优化算法是基于模拟鸟群觅食的过程而创立的，它具有参数调整简单、容易实现等优点，且优化效果良好。目前，这种算法已被广泛应用于智能控制、模糊控制和专家控制方面。蚁群算法主要是模拟蚁群采集食物的过程而创立的，它适用于解决离散优化问题。

1 基本粒子群算法

设定目标搜索空间为D维，群落的粒子数为n，第j个粒子表示为一个D维向量 =（xi1，xi2，…，xin），i=1，2，…，n.将 带入目标函数 得到适应值 ，并根据 的值衡量相关内容。在此过程中，可用 =（vi1，vi2，…，vin），i=1，2，…，n表示第i个粒子的飞行速度，用 =（Pg1，Pg2，…，Pgn），i=1，2，…，n表示第i个粒子当前的最优位置。

早期PSO算法更新粒子状态为：

vid=v1d+c1r1（Pid-xid）+c2r2（Pid-xid）. （1）

xrd=xid+vid（i=1，2，…，n；d=1，2，…，D）. （2）

式（1）（2）中：c1、c2为学习因子，非负常数；r1和r1是介于[1，2]之间的随机数；vid∈[-vmax，vmax]，vmax是常数，可根据问题人为设定。

2 改进的粒子群算法

2.1 改进算法参数和步骤

改进群微粒算法是利用群微粒算法求取目标函数的最大值，具体步骤是：①派生出群微粒类，类中必须定义double GetFit方法，以计算每个微粒的适合度；②生成派生类实例，并在构造函数中指明微粒坐标维数和群体个数；③用SetXup和SetXdown设置微粒坐标下界数组和上界数组；④用SetVmax方法设置微粒最大速度；⑤设置可选参数C1、C2、W和通讯函数；⑥采用Run方法实现优化运算，优化后用GetBest方法获取最优个体适合度和坐标。

2.2 仿真研究

选定目标函数，并设置惯性权重数值。设定惯性权重W=0.8，1.0，参数C1=2.0，C2=2.0，将最佳适合度作为运行方式，则程序运行后得到的结果如表1所示。

结合表1中的相关数据，经过比较可知，在设定参数和迭代次数的情况下，可以得到最优个体的适合度和坐标值，而且还可以利用相关测试求得其平均值。由此可知，所得坐标值在理想值附近，并且误差满足相关要求。

3 粒子群算法在电力系统中的应用

在处理优化问题方面，粒子群算法有明显的优势，所以，它被广泛应用于电力系统规划、运行和控制方面。它主要被应用在以下几方面：①电力系统能量的传输、网络的扩展是一个

大而复杂的非凸优化问题。通过对粒子群优化算法的深入研究，建立了功率损耗成本、投资成本和设备成本的目标函数方程，并采用PSO优化算法处理得到最小的目标函数值。②利用PSO优化算法求解辨识电力系统的参考变量，它在辨识负荷模型参数方面有明显的优势。同步发电机参数辨识是保证电力系统安全、稳定运行的重要因素之一，其参考变量的准确性和可靠性对系统的精度和安全有重要的影响。同时，它也能有效处理同步发电机中出现的涡流和饱和等非线性优化问题。③电力系统稳定器（PSS）的作用是抑制电力系统因负阻尼因素而造成的系统低频震荡，同时，采用PSO算法优化求解能获得PSS的最佳取值，从而大大提高电力系统的动态稳定性。④在电力系统和发电机组满足各种约束条件的情况下，要想电力系统能够经济、稳定的运行，可以利用粒子群优化算法求解，得出不同发电机组的功率分配情况。⑤粒子群优化算法为求解复杂的无功优化和最优潮流问题提供了有效的解决方案，进一步提高了电网运行的安全性和稳定性。

4 结束语

近年来，随着对粒子群算法优化研究的不断加深，它被广泛应用于各个领域。在工业工程控制和各个不同的领域，利用粒子群优化算法求解复杂非线性系统的优化问题是非常重要的。在电力系统中应用粒子群优化算法能保证电网安全、稳定的运行，从而获得最好的经济效益。

参考文献

[1]郑思平，陈红周.一种加入创新粒子的粒子群[J].数学理论与应用，2010（01）.

[2]史海军，王志刚，郭广寒.引入变异算子的粒子群优化算法[J].长春理工大学学报（自然科学版），2007（3）.

[3]王存睿，段晓东，刘向东，等.改进的基本粒子群优化算法[J].计算机工程，2004（21）.

〔编辑：白洁〕