本發明涉及電力系統規劃技術領域，尤其涉及一種基于改進蛙跳算法的電網無功優化方法及裝置。

背景技術：

降低網損，提高電力系統輸電效率和電力系統運行的經濟性是電力系統運行部門面臨的實際問題，也是電力系統研究的主要方向之一。電網電壓控制在很大程度上是無功優化控制問題，系統無功分布的合理與否直接影響著電力系統的安全與穩定,并與經濟效益直接掛鉤。電力系統無功優化問題屬于最優潮流問題的一個組成部分。

電力系統的無功優化問題是一個多變量、多約束的混合非線性規劃問題,其操作變量既有連續變量(如節電電壓、發電機的無功出力),又有離散變量(如變壓器分接頭位置,補償電抗器和電容器的投切容量),使得優化過程十分復雜，因此需建立系統模型，提出和改進相應算法，用科學的手段完成系統的優化，即獲取用于配電網的無功優化參數。傳統的無功優化算法包括內點法、遺傳法、蜂群算法、粒子群算法等。

一般說到的無功優化方法主要包含兩方面，一方面是對無功補償裝置進行優化規劃，另一方面是對電壓無功優化控制。無功優化方法的數學模型包括目標函數(按一定的準則設置，如經濟最優或電壓穩定度最優)與約束條件(例如節點電壓水平的設置，有載調壓變壓器分接頭的調整等)。在數學上無功優化實際就是在約束條件下求解目標函數的值的問題。無功優化方法的數學模型又分為兩類，基于解析解的數學優化和基于智能最優迭代的最優潮流問題優化。但目前的無功優化方法收斂性較差、優化程度較低，容易陷入局部最優。

技術實現要素：

本申請提供一種基于改進蛙跳算法的電網無功優化方法及裝置，能夠使用于配電網的無功優化，使其具有更好的收斂性和優化程度。

第一方面，本發明的實施例提供了一種基于改進蛙跳算法的電網無功優化方法，包括：獲取配電網的控制變量以及配電網的狀態變量，配電網的控制變量用于指示配電網的可調發電機節點電壓幅值、配電網的可調變壓器可調分接頭檔位以及配電網的無功補償電容器投切組數，配電網的狀態變量用于指示配電網的PQ節點的電壓以及配電網的發電機的無功出力；獲取包括指定數量的青蛙個體以及與指定數量的青蛙個體各自對立的青蛙個體的青蛙種群，其中指定數量的青蛙個體為設定范圍內的配電網的控制變量；根據青蛙種群獲取初始無功電壓；根據初始無功電壓獲取局部無功電壓的最優值，并根據局部無功電壓的最優值獲取全局無功電壓的最優解，全局無功電壓的最優解用于配電網的無功優化。

第二方面，本發明的實施例提供了一種基于改進蛙跳算法的電網無功優化裝置，包括：獲取模塊，用于獲取配電網的控制變量以及配電網的狀態變量，配電網的控制變量用于指示配電網的可調發電機節點電壓幅值、配電網的可調變壓器可調分接頭檔位以及配電網的無功補償電容器投切組數，配電網的狀態變量用于指示配電網的PQ節點的電壓以及配電網的發電機的無功出力；處理模塊，用于獲取包括指定數量的青蛙個體以及與指定數量的青蛙個體各自對立的青蛙個體的青蛙種群，其中指定數量的青蛙個體為設定范圍內的配電網的控制變量；處理模塊，還用于根據青蛙種群獲取初始無功電壓；處理模塊，還用于根據初始無功電壓獲取局部無功電壓的最優值，并根據局部無功電壓的最優值獲取全局無功電壓的最優解，全局無功電壓的最優解用于配電網的無功優化。

本發明的實施例提供了一種基于改進蛙跳算法的電網無功優化方法及裝置，通過獲取配電網的控制變量以及配電網的狀態變量，并獲取包括指定數量的青蛙個體以及與指定數量的青蛙個體各自對立的青蛙個體的青蛙種群，根據青蛙種群獲取初始無功電壓，根據初始無功電壓獲取局部無功電壓的最優值，并根據局部無功電壓的最優值獲取全局無功電壓的最優解。在剛開始時以蛙跳算法為主進行更新，混沌搜索起輔助作用，從而加速青蛙個體向全局最優位置處移動，隨著局部深度搜索迭代次數的增加，算法逐漸進入到以混沌搜索為主，從而幫助算法跳出局部極值，與現有技術相比使其具有更好的收斂性和優化程度，還能夠提高電網的運行效率和電能質量，降低系統有功網損。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發明的實施例所提供的一種基于改進蛙跳算法的電網無功優化方法的示意性流程圖；

圖2為本發明的另一實施例所提供的一種基于改進蛙跳算法的電網無功優化方法的示意性流程圖；

圖3為本發明的實施例所提供的一種基于改進蛙跳算法的電網無功優化裝置的示意性結構圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例?；诒景l明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

為了便于清楚描述本發明實施例的技術方案，在本發明的實施例中，采用了“第一”、“第二”等字樣對功能和作用基本相同的相同項或相似項進行區分，本領域技術人員可以理解“第一”、“第二”等字樣并不是在對數量和執行次序進行限定。

如附圖1所示，本發明的實施例提供了一種基于改進蛙跳算法的電網無功優化方法，包括：

101、獲取配電網的控制變量以及配電網的狀態變量。

具體的，配電網的控制變量用于指示配電網的可調發電機節點電壓幅值、配電網的可調變壓器可調分接頭檔位以及配電網的無功補償電容器投切組數，配電網的狀態變量用于指示配電網的PQ節點的電壓以及配電網的發電機的無功出力。

102、獲取包括指定數量的青蛙個體以及與指定數量的青蛙個體各自對立的青蛙個體的青蛙種群。

具體的，其中指定數量的青蛙個體為設定范圍內的配電網的控制變量。

103、根據青蛙種群獲取初始無功電壓。

104、根據初始無功電壓獲取局部無功電壓的最優值，并根據局部無功電壓的最優值獲取全局無功電壓的最優解。

其中，全局無功電壓的最優解用于配電網的無功優化。

本發明的實施例提供了一種基于改進蛙跳算法的電網無功優化方法，通過獲取配電網的控制變量以及配電網的狀態變量，并獲取包括指定數量的青蛙個體以及與指定數量的青蛙個體各自對立的青蛙個體的青蛙種群，根據青蛙種群獲取初始無功電壓，根據初始無功電壓獲取局部無功電壓的最優值，并根據局部無功電壓的最優值獲取全局無功電壓的最優解。在剛開始時以蛙跳算法為主進行更新，混沌搜索起輔助作用，從而加速青蛙個體向全局最優位置處移動，隨著局部深度搜索迭代次數的增加，算法逐漸進入到以混沌搜索為主，從而幫助算法跳出局部極值，與現有技術相比使其具有更好的收斂性和優化程度，還能夠提高電網的運行效率和電能質量，降低系統有功網損。

更進一步的，如附圖2所示，本發明的實施例提供了一種基于改進蛙跳算法的電網無功優化方法，包括：

201、根據X＝(V_GK,T_i,C_j)獲取配電網的控制變量X，根據U＝(V_i,Q_Gj)獲取配電網的狀態變量U。

其中，其中V_GK為配電網的可調發電機節點電壓幅值、T_i為配電網的可調變壓器可調分接頭檔位、C_j為配電網的無功補償電容器投切組數、V_i為配電網的PQ節點的電壓，Q_Gj是配電網的發電機的無功出力、i為配電網的無功補償節點數、j為配電網的可調變壓器數、k為配電網的發電機節點數。所有控制變量的編碼可以表示為X＝[C,T,V_G]＝[C₁,C₂,…,C_i,T₁,T₂,…,T_j,V_G1,V_G2,…,V_GK]。

202、獲取設定范圍(a_i,b_i)內的指定數量N個青蛙個體，并根據求出指定數量N只青蛙個體各自對立的青蛙個體從而組成規模為2N的青蛙種群。

具體的，可以隨機初始化N只青蛙個體x_i∈(a_i,b_i)，并依次求出其對立個體從而組成規模為2N的青蛙種群，并計算該種群中所有個體的適應度值，并依據適應度值從優到劣進行排序，以一定概率隨機選擇其中的N只青蛙個體組成初始種群，概率選擇的依據是適應度值越好的個體被選入初始種群的概率越高，概率選擇公式為p_i＝(2N-i)/2N，i＝1,2,…,2N。

203、計算該青蛙種群中所有青蛙個體的適應度值。

204、依據適應度值對青蛙種群中所有青蛙個體進行排序。

205、獲取排序后的青蛙個體中每個青蛙個體的選擇概率p_i并根據選擇概率p_i在排序后的青蛙個體中選擇N個青蛙個體組成初始種群。

具體的，根據p_i＝(2N-i)/2N，獲取排序后的青蛙個體中每個青蛙個體的選擇概率p_i，其中i＝1,2,…,2N，并根據選擇概率p_i在排序后的青蛙個體中選擇N個青蛙個體組成初始種群。

206、獲取初始無功電壓。

具體的，根據等式約束方程以及不等式約束方程獲取初始無功電壓

207、根據適應度值更新青蛙種群的最優個體位置X_b和全局最優個體位置X_g并更新確定當前迭代中子群體的更新后的最差個體位置newX_wi。

具體的，根據適應度值更新青蛙種群的最優個體位置X_b和全局最優個體位置X_g，并根據newX_wi(k)＝X_wi(k)·exp·[(1-exp(-α·y(k)))·(μ·X_wi(k)·(1-X_wi(k)))]+e^-2α·y(k)·Ω_i(k)更新確定當前迭代中子群體的更新后的最差個體位置newX_wi。

其中，Ω(k)為蛙跳步長更新變量，y(k)為混沌變量，可以根據Ω(k)＝a₁·rand()·(X_b(k)-X_w(k))獲取蛙跳步長更新變量Ω(k)，根據y(k)＝y(k-1)·(1+λ)獲取混沌變量y(k)，其中式中，X_b(k)和X_w(k)分別表示當前子群體第k次迭代時的最優個體和最差個體，rand()是均勻分布在[0,1]之間的隨機數，a₁是常數；k為迭代次數；λ為小于1的混沌因子，X_wi(k)表示當前子群體在第k次迭代時的最差個體X_w(k)的第i維，Ω_i(k)為Ω(k)的第i維，α和μ均為正常數。

208、判斷newX_w的適應度值是否優于X_w的適應度值。

當newX_w的適應度值優于X_w的適應度值時，執行步驟209，當newX_w的適應度值并不優于X_w的適應度值時，執行步驟210。

209、用newX_w取代X_w。

210、更新Ω(k)以及y(k)并生成newX_w。

具體的，當newX_w的適應度值優于X_w的適應度值時，則用newX_w取代X_w，當newX_w的適應度值并不優于X_w的適應度值時，則更新Ω(k)以及y(k)，并根據newX_wi(k)＝O_min+(O_max-O_min)·rand()生成newX_w，其中O_max和O_min分別表示算法搜索范圍的最大值和最小值，rand()為均勻分布在[0,1]之間的隨機個體。

211、將青蛙種群中的青蛙個體依據適應度值從優到劣進行排序，并依次依照三角選擇概率2(m+1-i)/[m(m+1)]挑選出Q只青蛙個體組成n個子群體，并根據n個子群體求解全局無功電壓的最優解。

212、確定所有子群體是否都完成了局部深度搜索。

當確定所有子群體都完成了局部深度搜索時，執行步驟213。

當確定并非所有子群體都完成了局部深度搜索，執行步驟207。

213、確定是否滿足全局混合迭代次數G。

當確定滿足全局混合迭代次數G時，執行步驟214。

當確定不滿足全局混合迭代次數G，則執行步驟215。

214、輸出全局無功電壓的最優解。

215、所有青蛙個體重新混合，再依據適應度值對青蛙種群中所有青蛙個體進行排序并執行步驟205。

本發明的實施例提供了一種基于改進蛙跳算法的電網無功優化方法，通過獲取配電網的控制變量以及配電網的狀態變量，并獲取包括指定數量的青蛙個體以及與指定數量的青蛙個體各自對立的青蛙個體的青蛙種群，根據青蛙種群獲取初始無功電壓，根據初始無功電壓獲取局部無功電壓的最優值，并根據局部無功電壓的最優值獲取全局無功電壓的最優解。在剛開始時以蛙跳算法為主進行更新，混沌搜索起輔助作用，從而加速青蛙個體向全局最優位置處移動，隨著局部深度搜索迭代次數的增加，算法逐漸進入到以混沌搜索為主，從而幫助算法跳出局部極值，與現有技術相比使其具有更好的收斂性和優化程度，還能夠提高電網的運行效率和電能質量，降低系統有功網損。

如附圖3所示，本發明的實施例提供了一種配電網的配置裝置301，包括：

獲取模塊302，用于獲取配電網的控制變量以及配電網的狀態變量。

具體的，配電網的控制變量用于指示配電網的可調發電機節點電壓幅值、配電網的可調變壓器可調分接頭檔位以及配電網的無功補償電容器投切組數，配電網的狀態變量用于指示配電網的PQ節點的電壓以及配電網的發電機的無功出力。

處理模塊303，用于獲取包括指定數量的青蛙個體以及與指定數量的青蛙個體各自對立的青蛙個體的青蛙種群。

具體的，其中指定數量的青蛙個體為設定范圍內的配電網的控制變量。

處理模塊303，還用于根據青蛙種群獲取初始無功電壓。

處理模塊303，還用于根據初始無功電壓獲取局部無功電壓的最優值，并根據局部無功電壓的最優值獲取全局無功電壓的最優解。

其中，全局無功電壓的最優解用于配電網的無功優化。

本發明的實施例提供了一種基于改進蛙跳算法的電網無功優化裝置，通過獲取配電網的控制變量以及配電網的狀態變量，并獲取包括指定數量的青蛙個體以及與指定數量的青蛙個體各自對立的青蛙個體的青蛙種群，根據青蛙種群獲取初始無功電壓，根據初始無功電壓獲取局部無功電壓的最優值，并根據局部無功電壓的最優值獲取全局無功電壓的最優解。在剛開始時以蛙跳算法為主進行更新，混沌搜索起輔助作用，從而加速青蛙個體向全局最優位置處移動，隨著局部深度搜索迭代次數的增加，算法逐漸進入到以混沌搜索為主，從而幫助算法跳出局部極值，與現有技術相比使其具有更好的收斂性和優化程度，還能夠提高電網的運行效率和電能質量，降低系統有功網損。

更進一步的，獲取模塊302，具體用于：根據X＝(V_GK,T_i,C_j)獲取配電網的控制變量X，根據U＝(V_i,Q_Gj)獲取配電網的狀態變量U。

其中，其中V_GK為配電網的可調發電機節點電壓幅值、T_i為配電網的可調變壓器可調分接頭檔位、C_j為配電網的無功補償電容器投切組數、V_i為配電網的PQ節點的電壓，Q_Gj是配電網的發電機的無功出力、i為配電網的無功補償節點數、j為配電網的可調變壓器數、k為配電網的發電機節點數。所有控制變量的編碼可以表示為X＝[C,T,V_G]＝[C₁,C₂,…,C_i,T₁,T₂,…,T_j,V_G1,V_G2,…,V_GK]。

處理模塊303，具體用于獲取設定范圍(a_i,b_i)內的指定數量N個青蛙個體，并根據求出指定數量N只青蛙個體各自對立的青蛙個體從而組成規模為2N的青蛙種群。

具體的，可以隨機初始化N只青蛙個體x_i∈(a_i,b_i)，并依次求出其對立個體從而組成規模為2N的青蛙種群，并計算該種群中所有個體的適應度值，并依據適應度值從優到劣進行排序，以一定概率隨機選擇其中的N只青蛙個體組成初始種群，概率選擇的依據是適應度值越好的個體被選入初始種群的概率越高，概率選擇公式為p_i＝(2N-i)/2N，i＝1,2,…,2N。

處理模塊303，具體用于計算該青蛙種群中所有青蛙個體的適應度值，依據適應度值對青蛙種群中所有青蛙個體進行排序。獲取排序后的青蛙個體中每個青蛙個體的選擇概率p_i并根據選擇概率p_i在排序后的青蛙個體中選擇N個青蛙個體組成初始種群。

具體的，根據p_i＝(2N-i)/2N，獲取排序后的青蛙個體中每個青蛙個體的選擇概率p_i，其中i＝1,2,…,2N，并根據選擇概率p_i在排序后的青蛙個體中選擇N個青蛙個體組成初始種群；獲取初始無功電壓。

具體的，根據等式約束方程以及不等式約束方程獲取初始無功電壓。

處理模塊303，具體用于根據適應度值更新青蛙種群的最優個體位置X_b和全局最優個體位置X_g并更新確定當前迭代中子群體的更新后的最差個體位置newX_wi。

具體的，根據適應度值更新青蛙種群的最優個體位置X_b和全局最優個體位置X_g，并根據newX_wi(k)＝X_wi(k)·exp·[(1-exp(-α·y(k)))·(μ·X_wi(k)·(1-X_wi(k)))]+e^-2α·y(k)·Ω_i(k)更新確定當前迭代中子群體的更新后的最差個體位置newX_wi。

其中，Ω(k)為蛙跳步長更新變量，y(k)為混沌變量，可以根據Ω(k)＝a₁·rand()·(X_b(k)-X_w(k))獲取蛙跳步長更新變量Ω(k)，根據y(k)＝y(k-1)·(1+λ)獲取混沌變量y(k)，其中式中，X_b(k)和X_w(k)分別表示當前子群體第k次迭代時的最優個體和最差個體，rand()是均勻分布在[0,1]之間的隨機數，a₁是常數；k為迭代次數；λ為小于1的混沌因子，X_wi(k)表示當前子群體在第k次迭代時的最差個體X_w(k)的第i維，Ω_i(k)為Ω(k)的第i維，α和μ均為正常數。

處理模塊303，具體用于判斷newX_w的適應度值是否優于X_w的適應度值。

當newX_w的適應度值優于X_w的適應度值時，用newX_w取代X_w，當newX_w的適應度值并不優于X_w的適應度值時，更新Ω(k)以及y(k)并生成newX_w。

具體的，當newX_w的適應度值優于X_w的適應度值時，則用newX_w取代X_w，當newX_w的適應度值并不優于X_w的適應度值時，則更新Ω(k)以及y(k)，并根據newX_wi(k)＝O_min+(O_max-O_min)·rand()生成newX_w，其中O_max和O_min分別表示算法搜索范圍的最大值和最小值，rand()為均勻分布在[0,1]之間的隨機個體。

處理模塊303，具體用于將青蛙種群中的青蛙個體依據適應度值從優到劣進行排序，并依次依照三角選擇概率2(m+1-i)/[m(m+1)]挑選出Q只青蛙個體組成n個子群體，并根據n個子群體求解全局無功電壓的最優解。

處理模塊303，還用于確定所有子群體是否都完成了局部深度搜索。

當確定所有子群體都完成了局部深度搜索時，確定是否滿足全局混合迭代次數G，當確定滿足全局混合迭代次數G時，輸出全局無功電壓的最優解。

本發明的實施例提供了一種基于改進蛙跳算法的電網無功優化裝置，通過獲取配電網的控制變量以及配電網的狀態變量，并獲取包括指定數量的青蛙個體以及與指定數量的青蛙個體各自對立的青蛙個體的青蛙種群，根據青蛙種群獲取初始無功電壓，根據初始無功電壓獲取局部無功電壓的最優值，并根據局部無功電壓的最優值獲取全局無功電壓的最優解。在剛開始時以蛙跳算法為主進行更新，混沌搜索起輔助作用，從而加速青蛙個體向全局最優位置處移動，隨著局部深度搜索迭代次數的增加，算法逐漸進入到以混沌搜索為主，從而幫助算法跳出局部極值，與現有技術相比使其具有更好的收斂性和優化程度，還能夠提高電網的運行效率和電能質量，降低系統有功網損。

通過以上的實施方式的描述，所屬領域的技術人員可以清楚地了解到本發明可以用硬件實現，或固件實現，或它們的組合方式來實現。當使用軟件實現時，可以將上述功能存儲在計算機可讀介質中或作為計算機可讀介質上的一個或多個指令或代碼進行傳輸。計算機可讀介質包括計算機存儲介質和通信介質，其中通信介質包括便于從一個地方向另一個地方傳送計算機程序的任何介質。存儲介質可以是計算機能夠存取的任何可用介質。以此為例但不限于：計算機可讀介質可以包括隨機存儲器(英文全稱：Random Access Memory，英文簡稱：RAM)、只讀存儲器(英文全稱：Read Only Memory，英文簡稱：ROM)、電可擦可編程只讀存儲器(英文全稱：Electrically Erasable Programmable Read Only Memory，英文簡稱：EEPROM)、只讀光盤(英文全稱：Compact Disc Read Only Memory，英文簡稱：CD-ROM)或其他光盤存儲、磁盤存儲介質或者其他磁存儲設備、或者能夠用于攜帶或存儲具有指令或數據結構形式的期望的程序代碼并能夠由計算機存取的任何其他介質。此外。任何連接可以適當的成為計算機可讀介質。例如，如果軟件是使用同軸電纜、光纖光纜、雙絞線、數字用戶專線(英文全稱：Digital Subscriber Line，英文簡稱：DSL)或者諸如紅外線、無線電和微波之類的無線技術從網站、服務器或者其他遠程源傳輸的，那么同軸電纜、光纖光纜、雙絞線、DSL或者諸如紅外線、無線和微波之類的無線技術包括在計算機可讀介質的定義中。

通過以上的實施方式的描述，所屬領域的技術人員可以清楚地了解到，當以軟件方式實現本發明時，可以將用于執行上述方法的指令或代碼存儲在計算機可讀介質中或通過計算機可讀介質進行傳輸。計算機可讀介質包括計算機存儲介質和通信介質，其中通信介質包括便于從一個地方向另一個地方傳送計算機程序的任何介質。存儲介質可以是計算機能夠存取的任何可用介質。以此為例但不限于：計算機可讀介質可以包括RAM、ROM、電可擦可編程只讀存儲器(全稱：electrically erasable programmable read-only memory，簡稱：EEPROM)、光盤、磁盤或者其他磁存儲設備、或者能夠用于攜帶或存儲具有指令或數據結構形式的期望的程序代碼并能夠由計算機存取的任何其他介質。

以上所述，僅為本發明的具體實施方式，但本發明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發明揭露的技術范圍內，可輕易想到變化或替換，都應涵蓋在本發明的保護范圍之內。因此，本發明的保護范圍應所述以權利要求的保護范圍為準。