论文部分内容阅读
多目标优化潮流(Multi-objective Optimal Power Flow,MOOPF)是实现电网优化运行的主要手段,它能够在零约束违反的情况下提高经济性和稳定性。非凸、非线性和高维特性使得传统方法不适合求解MOOPF问题,而智能算法则为处理该问题提供了有效的工具。基于MOOPF的优化结果调节相应可调变量,即可实现复杂电网的多目标有功优化调度。为获取高质量帕累托解集(Pareto Optimal Set,POS),需要选择恰当的约束处理策略。传统罚函数法(Penalty Function Approach,PFA)需要大量时间成本来确定可行的罚系数,在复杂电网的优化问题中局限性大。故本文提出约束优先的帕累托占优方法(Constraints-prior Pareto Rule,CPR)用于寻求满足全部约束的优化潮流方案。为证明CPR策略解决MOOPF问题的适用性,将多目标蝙蝠算法(Many-objective Bat Algorithm,MBA)作为主体,分别基于PFA和CPR方法构成MBA-PFA和MBA-CPR两种算法,并在IEEE30、IEEE57系统上进行了比较研究。可行解数量等实验数据有力地证明了本文提出的MBA-CPR方法在满足系统约束方面的竞争优势。然而,提出的MBA-CPR算法在求解大规模系统的三目标优化问题时有较大局限性。通过整合非线性权重系数、变异交叉机制和基于极值的单向随机更新策略(Monotone Random Flling Model Based on Extreme,MRFME),提出一种新型混合蝙蝠算法(Novel Hybrid Bat Algorithm,NHBA)。此外,基于CPR方法提出考虑约束的模糊非劣排序方法(Constrained Pareto Fuzzy Sorting Method,CPFM),将其与NHBA算法整合,形成本文的NHBA-CPFM算法。实验表明,NHBA-CPFM算法优化了MBA-CPR算法的解集多样性、降低了局部最优解限制。具体来说,NHBA-CPFM算法能够获得比MBA-CPR算法更可取的最优折衷解(Best Compromise Solution,BCS),也能够有效处理MBA-CPR算法不能求解的IEEE118系统上的MOOPF优化问题。与典型的非支配排序遗传(Non-dominated Sorting Genetic Algorithm II,NSGA-II)、多目标粒子群(Many-objective Particle Swarm Optimization,MOPSO)和多目标差分进化(Many-objective Differential Evolutionary Algorithm,MODE)算法进行对比,实验表明所提出的NHBA-CPFM算法寻优能力更强。比较实验旨在降低燃料费用、废气排放、功率损耗以及考虑阀点效应的燃料费用,具体包括9个双目标案例和3个三目标案例。由此,本文对MOOPF问题进行了较为全面的研究。最后,从收敛速度、平均运行时间和BCS解占优率等方面综合评估了NHBA-CPFM方法求解MOOPF问题的性能。同时,利用超体积(Hyper-Volume,HV)和世代距离(Generational Distance,GD)两个评价指标证明了NHBA-CPFM算法在POS解集的多样性、分布均匀性方面的显著优势。综上,提出的NHBA-CPFM算法在处理复杂MOOPF问题时优势明显。