改进粒子群-禁忌搜索算法提升多目标电力系统无功优化性能

本文主要探讨了在电力系统多目标无功优化中，如何利用改进粒子群-禁忌搜索算法来提升优化效果。针对有功网损、电压偏差和静态电压稳定裕度这三个关键性能指标，传统的无功优化问题通常涉及到复杂的多目标优化，既要考虑多个目标之间的权衡，又要克服传统算法如粒子群优化（PSO）和禁忌搜索（TS）的局限性。 PSO算法作为一种生物启发式算法，以其并行计算和快速收敛性著称，但它存在初始值敏感性和易陷入局部最优的缺点。为解决这些问题，文中采用了凸函数递减惯性权重和自适应学习因子，旨在提高算法的收敛速度和精度。然而，PSO在搜索精度方面仍有不足，因此在算法后期，当粒子群收敛后，引入了禁忌搜索算法以增强全局搜索能力，避免陷入局部最优区域。 禁忌搜索算法的优势在于能够跳出局部最优，但对初始解的依赖较强。为解决这个问题，作者利用Kent映射生成混沌序列作为初始种群，保证了种群的多样性和均匀性，有助于算法更好地探索搜索空间。此外，文章还创新性地提出了基于群体适应度方差的模糊截集理论，将模糊集合转化为经典集合，并设计了一种收敛指标，当该指标达到特定阈值时，算法会自动切换到禁忌搜索阶段，实现了两种算法的协同工作，以优化无功优化问题的解决方案。 通过将所提方法应用于IEEE 14、30和118节点的电力系统仿真，结果验证了该方法的有效性和实用性。这种方法不仅解决了多目标优化的权衡问题，还提高了算法的收敛性能，克服了传统算法的局限，为电力系统的无功优化提供了新的优化策略。本文的工作对于提高电力系统的运行效率和稳定性具有重要意义。