电力系统最优潮流计算基于退火算法Word文档格式.docx

1、如果液体冷却缓慢,热流动性将会消失。大量的原子通常可以排列成行, 在每个方向上排列有序的距离，在数百万次的单个原子之间形成纯水晶。因此,这个过程的本质是在大量原子失去流动性之前慢慢冷却获得其时间被重新分配，确保较低的能量状态是一个必要条件。简而言之,物理退火过程由以下三个组成:1）加热过程：其目的是为了增强粒子的热运动,这样他们可以偏离平衡位置。当温度足够高时,固体将融化成液体, 从而消除了系统中可能存在的非均匀状态，从而使随后的冷却过程可以从一个平衡状态开始。熔融过程涉及到系统的熵增加过程，系统的能量也随着温度的升高而增加。2）等温过程：物理知识告诉我们对于封闭的系统与周围环境交换热量但温度

2、恒定，系统的状态的自发变化总是朝着自由能源减少方向。系统达到平衡态时自由能减少到最低限度。3）冷却过程：它的目的是使粒子的热运动减弱,逐步有序。系统的能量逐渐下降,导致了低能量的晶体结构。 2.1、退火算法的基本步骤1）随机生成一个初始解x0,让xb = x0,并计算目标函数值E（x0）;2）设置初始温度T（0）= T0,迭代数i= 1;3）Do while T（i） Tmin1）for j = 1 k2） 对于当前最优解xbest，按照一定的邻域函数，生成一个新的解xnew。计算:表1. 模拟退火算法与物理退火过程的相似关系新的目标函数值E（xnew）,并计算目标函数的增量值E = E（xn

3、ew）- E（xbest）3）if E 0,p = exp（-E / T（i）;1）if c =random0,1 p,xbest = xnew;otherwise xbest = xbest5）End for6）i= i+ 1;7）End Do8） Output the current optimal point, this is the end of calculation.（输出当前最优的点,这是计算的结束。）2.2、退火算法的需求和应用范围退火算法是软计算方法,近年来吸引了越来越多的关注。它可以解决一些传统的非线性规划方法难以解决的问题,并且被广泛研究了在超大规模集成,生成调度、控制工

4、程、机器学习、神经网络、图像处理、功能优化和许多其他领域。退火算法的应用三个方面必须符合以下要求:1）简洁的描述问题,即数学模型,包括三个部分:解决方案空间,目标函数和初始解;a.解决方案空间是所有可能的集合（可行或不可行）问题的解决方案,它定义了初始解的选择范围和新的解决方案的生成。无约束优化问题的解空间的集合是可行的解决方案,而在许多组合优化问题,和解决方案不仅需要满足目标函数的形,而且也要满足一组约束。因此,解集可能包含一些不可行的解决方案。b.目标函数是周增长规律描述问题的优化目标,通常表示为一个求和公式的某些优化的目标。给出客观的选择必须正确地反映了整体优化问题的需求。一般来说,目标

5、函数不一定是问题的最优目标函数值,但对应关系是很明显的。此外,目标函数应该容易计算。它将有利于简化计算目标函数的优化过程,容易提高算法的效率。c.最初的解决方案起点从迭代算法开始。初始解的选择应使算法推导出最终好的解决方案。但是大量的测试结果显示模拟退火算法是“健壮”算法,即算法的最终解决没有依赖最初的解决方案。2）新解决方案的生成和接受机制;a.发电设备从当前的解决方案生成一个新的解决方案的解决方案空间,以促进下面的计算和验收。通常生成新的解决方案的选择方法,通过一个简单的转换当前的解决方案,如更换、交换或倒置的全部或部分元素构成解决方案。代入新解决方案的方法确定当前的社区结构的解决方案。b

6、.计算目标函数的差异伴随着新解决方案。因为目标函数的区别仅仅是转换生成的一部分,不同的目标函数计算的增量要好。c.判断是否接受新解决方案是基于大都市标准。此外,在受约束的组合优化问题,新的解决方案的可行性的判断应该被添加到这个验收标准。d. 当新的解决方案被确定为接受，重新将当前的解决方案与新的解决方案，意味着同时修改的目标函数值。在这种情况下，当前的解决方案实现了迭代。下一轮的测试可以在此基础上开始。当新的解决方案被判定为被丢弃时，在原解的基础上继续下一轮的测试1。3）冷却时间。所谓的冷却进度表是一套控制算法的过程来近似的模拟退火算法的渐进收敛状态参数，使算法返回一个近似最优解在有限的时间内

7、执行过程后。冷却进度表包括控制参数的初始值，其衰减函数，相应长度的马尔可夫链和停止准则。它是影响测试的一个重要因素的模拟退火算法及其合理的选择算法应用的关键性能2。3、退火算法在电力系统的应用流量计算3.1、退火算法模拟退火（SA）是一个通用的随机搜索算法, Metropolis 于1953年首次提出,但未造成影响。直到1983年,柯克帕特里克提出现代SA算法,并成功地用它来解决大规模组合优化问题。多亏了SA算法的优点,如克服依赖初始值和避免局部优化,它已广泛应用于诸多领域。SA算法的基本思想来源于物理退火过程:首先,给出一个初始高温。在这个温度,使用Metropolis法解空间中随机跳跃特征

8、的随机抽样策略。重复抽样过程,随着温度下降,并最终获得全局最优的解决方案。SA算法的关键是Metropolis抽样策略,设定当前解决方案的标准和方法搬到其他的解决方案。集合X作为当前解决方案,X 附近地区的新的解决方案,和他们的目标价值的增量为:,寻求最小值时,如果f q,然后搬到一个新的状态。Metropolis的标准是保证SA算法跳出局部极值。整个计算过程的SA算法具有两个循环,内循环和外循环。内循环是本地搜索过程控制的Me-tropolis抽样标准;外循环是温度下降过程控制的冷却功能。常见的冷却功能有以下两种:1） =*r,当r （0.95,0.99）,r越大,温度下降的更慢，这个方法是

9、简单可行的，每一次的温度下降相同的比例。2） -, 是温度随时间步长。这种方法可以控制总次数的温度下降,每次气温下降的大小是相等的。SA算法的具体实现方法解决问题的传输网络规划如下:1）随机生成一个初始程序X,初始温度设置为T=和最终温度T=,迭代频率k = 1, 。2）根据一定的规则,生成新的,计算目标值的增量 3）如果f q,然后搬到这个新项目。4）如果它达到热平衡（内循环的数量达到最大）,转到步骤（5）,否则转到步骤（2）。（5）减少,k = k + 1,如果在最小的目标值的当前最优方案;r是滤波器系数。之前每次本地搜索在当前的解决方案,首先判断其功能值,只有当函数值满足上面的公式中,然

10、后在本地搜索,可以极大地提高收敛速度。混合SA算法应用于输电网规划的具体步骤如下:1）初始化算法参数:集合种群数设置为S,初始温度最终温度,温度下降步的步长,滤波器系数r。2）使用GRASP算法构造S的初始可行解,用最小值算出当前最优解的目标值。3）在当前温度,实现GRASP算法的局部搜索过程。搜索时, Metropolis标准接受概率劣解，更新当前解决方案中的位置。所有的解决方案进行局部搜索后、更新当前最优解最小。4） 分析最小值是否有改进或不连续的最小N1迭代。如果没有改善,转到步骤（6）。否则,确定当前温度低于温度,如果低,转到步骤（6）。5）使k = k + 1, ，转到步骤（3）。6

11、）输出当前最优解作为最优解,停止计算。混合SA算法流程图如图1所示图1 SA算法流程4、例子和解释4.1、例子和解决方案平衡节点,节点U1 = 10,节点的节点是PQ,S2 = -0.8 - 0.8 j,节点PV节点,P3 = 0.4,U3 = 1.1,网络结构和参数如图1所示（参数均值的单位值为导纳）,并找到负载流量计算的结果。使用模拟退火算法的步骤由负载流计算系统的三个简单的节点图2所示如下:1）生成分支阻抗矩阵Y（i,j）和节点到地面电容矩阵。图2 示例1的网络结构2）生成解决方案空间Sline1i和Sline2i,Sline1i和Sline2i分别结束开始存储有功功率和无功功率支路,并

12、给予适当的初始值。3）设置模拟退火算法的初始温度当T = 1,温度下降系数= 0.999,最终温度= e -30,迭代系数k = 1。4）计算节点2和节点3的电压和节点2的负载功率。5）得到系统电压节点2的电压之间的差值f,同样的电压节点3,得到负载功率之间的差值的节点2和电力系统。和判断元素的值f都是0,如果f中元素的值都是0,然后转到步骤7,如果元素的值f并非都是0,然后使用Metropo1is标准来判断元素。6）这些元素由Metro-po1is接受标准,保持解决值的新值,这些元素不接受Metropo1is标准, 比较了由系统给出的值，并基于干扰比较的结果，与此同时，,k = k + 1,

13、T = T *at,如果T TF,然后转到步骤7,否则转到步骤4。7）使解决值作为最后的结论,并在整个网络进一步得到每个节点的电压和网损值。模拟退火算法计算结果如下表1和表2所示整个网络损耗: 有功损耗= 0.0258944 无功损耗= 0.103945 通过牛顿迭代法计算结果如下表3和表4表1 通过SA计算每个节点的电压、相角节点数节点电压 相角的节点电压（弧度） 相角的节点电压（角度）功率注入节点无功功率注入节点10.430.2520.968-0.027-1.5-0.8-0.631.10.05242.90.40.46表2 通过SA支路的功率潮流计算支路数左节点右节点 初始值 终值-0.38

14、-j0.40.4+j0.460.82+j0.65-0.8-j0.60-j0.40+j0表3 电压、相角计算每个节点的牛顿迭代相角的节点电压（弧度） 相角的点电（角度） 功率注入节点0.4258940.2458940.96653-0.0269036-1.541460.05205522.982550.45805表4 由牛顿支路的功率潮流计算 右节点初始值-0.38481-j0.3969250.4+j0.458050.810705+j0.642818-0.8-j0.6000010-j0.3993有功损耗= 0.0258944 无功损耗= 0.1039454.2、一些解释和比较1）温度Metro-po

15、1is的标准是关键因素混合SA算法全局搜索, 使算法跳出局部极小和倾斜到全局最优解的能力。温度的大小是Metro-po1is的核心准则:当很大,算法将会有一个广阔的区域内搜索,并将接受任何解决方案在附近区域,即使这个解决方案不如当前的解决方案,当非常小,算法将本地搜索,只接受更好的解决当前区域。因此, 的选择也是非常重要的。它直接影响算法的收敛性。2）温度系数和干扰值Metro-po1is标准的关键因素是混合SA算法有一个适当的收敛速度。如果 太大,有可能达成解决方案时的温度依然很高。在这种情况下,计算资源被浪费了。如果太小,最后将不是一个最优的解决方案。干扰值,这也是重要的选择一个适当的值。

16、较大的值可能会导致一个无收敛具有严格的精度要求和一个小的值会导致收敛速度慢。为了获得一个很好的收敛性能, 和烦恼的价值值应该是协调达成平衡。获得更好的收敛性质, 和干扰值还可以设置偏移值的函数f4。3）该方法的有效性牛顿迭代方法仍是主要手段,计算电力系统的负载流量的计算结果有很大的借鉴意义,而模拟退火算法使用牛顿迭代方法非常相似,所以我们可以说，使用模拟退火算法计算电力系统的潮流是有效的。5。结论本文深入分析的SA算法的特点,将GRASP算法与SA算法结合形成混合SA算法。混合算法充分发挥了两种原始算法的优点。它使计算效率高的SA算法引入Metro-po1is采样的SA算法标准掌握算法的收敛性

17、能大大提高。据传输网络规划问题的特点,为了减少计算量,混合SA算法采取了局部改进,引入筛选机制,使得最优解有本地搜索,进一步提高了算法的计算速度。以这种方式退火算法应用于解决传输网络规划问题,并通过实例验证了模型的可行性和优越性。引用1wdRosehart c . a . Caniares和v . h . Quintana”Multi-ob-jective最佳功率流评估Volt-age掌权Networls Sedcurity成本,“IEEE Transac-tions电力系统,18卷,2号,2003年,页578 - 587。doi:10.1109 / TPWRS.2003.8108952j . A . Momoh EI-Hawary和r . Adapa“非线性和二次规划方法,第一部分回顾选定最优功率流文学，2003年,14卷,1号,2005年,页96 - 104。3agBakirtzis et al .,“En-hanced遗传算法最优功率流,IEEE电力系统,2008年,17卷,2号,第229 - 236页。10.1109 / TPWRS.2002.10078864张x r邓恩和f李,“稳定约束的最优功率流平衡市场使用遗传,对所建模型的“学报IEEE PES大会,多伦多（加拿大）:2003。