一种基于粒子群算法的区间无功电压控制方法及装置与流程

1.本发明涉及智能电网领域，尤其涉及一种基于粒子群算法的区间无功电压控 制方法及装置。


背景技术：

2.第二次工业革命为社会带来了“电力”这一能源，通过对电的研究，社会生 活水平不断提升。但是随着环境污染不断加剧，如何获取电能而不造成环境污染 成为了科学家们研究的问题。而随着新能源技术的不断发展，光伏发电、风力放 电的技术越来越成熟，在我国许多地区采用了这两种技术进行间歇性的发电。然 而，新能源发电技术会造成电网中电压、频率的变化，这对无功优化问题的解决 造成了威胁。传统的无功优化问题一般是确定性的优化问题，但随着新能源技术 在电网中的使用不断增加，无功优化问题的不确定性因素也越来越多。光伏发电 和风力发电是根据自然资源来进行发电的，这一情况会改变电网的网络结构和负 荷功率，而传统的无功优化控制方法无法解决这一问题。因此在新能源构成的电 力系统中，无功电压控制能力成为了造成重大新能源机组脱网事故的主要原因之 一。
3.现有根据新能源发电不稳定性的无功优化策略大致分为两种：第一种是随机 规划法，通过概率分布函数来表示不确定性的参数，构建无功优化模型计算期望 值，以此来获得约束条件以及目标函数满足预设的置信水平的无功优化策略。第 二种是鲁棒优化法，通过寻求不确定因素集合内的所有场景约束条件的优化方案， 可解决不确定性数据建模复杂和计算时间长的问题。
4.本发明人在实施本发明的过程中发现，随机规划法模拟计算量大，而鲁棒优 化法只能用于解决凸优化问题，需要将无功优化进行近似凸化的处理，容易增大 计算误差，导致电压控制策略无法发挥作用。因此，对于新能源电网无功优化策 略，需要找到能够真正满足针对电网的约束条件，以保证电网安全可靠的运行。


技术实现要素：

5.本发明实施例提供一种基于粒子群算法的区间无功电压控制方法及装置，通 过区间数构建无功优化模型，采用改进的粒子群算法处理无功优化模型的控制变 量，以提高无功电压控制策略的安全性和稳定性。
6.为了解决上述问题，本发明一实施例提供一种基于粒子群算法的区间无功电 压控制方法，包括：
7.实时采集电网中的状态变量值和控制变量值，以网损中点值为目标函数，并 根据所述状态变量值和所述控制变量值，构建区间无功电压控制模型；其中，所 述区间无功电压控制模型包含潮流方程约束、控制变量约束和状态变量约束；
8.根据粒子群算法随机模拟生成多组控制变量作为初始种群个体，并将所述初 始种群个体组成种群，分别将所述种群中的每个种群个体输入至所述无功电压控 制模型中，
并获得每个种群个体的位置和速度；其中，所述种群中的个体满足控 制变量约束；
9.使用粒子群算法分别对每个种群个体的位置和速度进行迭代计算，并在每一 次迭代中根据线性递减权值策略对每个种群个体进行位置和速度更新，计算更新 后每个种群个体的个体适应度函数值，继而根据更新后的个体适应度函数值，更 新每个种群个体，直到迭代计算次数达到最大迭代次数后停止，输出全局适应度 函数值最小对应的种群个体；
10.提取全局适应度函数值最小的种群个体对应的控制变量，并根据提取的控制 变量对电网无功电压进行控制。
11.作为优选的，所述以网损中点值为目标函数，并根据所述状态变量值和所述 控制变量值，构建区间无功电压控制模型，具体为：
12.以所述控制变量为实数、以所述状态变量为区间，并以不确定数据为区间形 式代入确定性无功电压控制模型，从而构建区间无功电压控制模型；
13.将目标函数和约束条件采用向量和函数表示区间无功优化模型可以表示为 以下数学形式：
14.min f(x,u)＝[f
l
,fu]
[0015][0016]
式中：f(x,u)为网络损耗；[f
l
,fu]为目标函数求解结果(网络损耗)的区间形式； h(x,u)为潮流方程等式约束函数；[h
l
,hu]为节点注入功率区间向量，对于确定性的 注入功率，h
l
＝hu；g(x,u)为所有不等式约束；x为状态变量；u为控制变量；g
min
,g
max
分别为不等式约束的下限和上限。
[0017]
作为优选的，所述使用粒子群算法分别对每个种群个体的位置和速度进行迭 代计算，并在每一次迭代中根据线性递减权值策略对每个种群个体进行位置和速 度更新，计算更新后每个种群个体的个体适应度函数值，更新每个种群个体，直 到迭代计算次数达到最大迭代次数后停止，输出全局适应度函数值最小对应的种 群个体，具体为：
[0018]
将每个种群个体视为粒子算法中的微粒，根据计算获得所述每个微粒的位置 和速度，使用所述潮流方程约束得到状态变量区间，进而计算每个微粒对应的个 体适应度函数值；其中，所述适应度函数值对应网损中点值，以及所述第一适应 度函数值对应的目标函数带有罚函数项；
[0019]
采用线性递减权值策略对所述每个微粒的位置和速度进行迭代更新，在每次 迭代中，比较上一次迭代获得的全局适应度函数值和每个微粒本次迭代的个体适 应度函数值的大小，并只保留适应度函数值最小所对应的微粒；在每次迭代中， 在适应度函数值最小所对应的微粒的位置邻域内进行局部搜索，获得该次迭代中 全局最优适应度函数值对应的微粒；
[0020]
直到迭代计算次数达到最大迭代次数后停止，输出全局适应度函数值最小对 应的种群个体。
[0021]
作为优选的，在每次迭代中适应度函数值最小所对应的微粒的位置邻域内进 行局部搜索，获得该次迭代中全局适应度函数值最小对应的微粒，具体为
[0022]
在每个所述适应度函数值最小所对应的微粒的位置邻域内进行局部搜索，将 每
个个体适应度函数值最小对应的微粒更新为全局适应度函数值最小对应的微 粒；其中，所述全局适应度函数值最小的数值小于等于个体适应度函数值最小的 数值；
[0023]
其中，微粒进行局部搜索的表达式为：
[0024][0025]
式中，step为局部搜索的初始步长；ω为惯性权重因子，采用线性递减权值策略， 其值可以动态改变。
[0026]
作为优选的，所述在获得每个种群个体的位置和速度之前，还包括:
[0027]
使用潮流方程约束计算所述每个种群个体的状态变量；
[0028]
对于所得状态变量区间满足状态变量约束的种群个体采用罚函数项为零的 目标函数进行适应度函数值的求解；对于所得状态变量区间不满足状态变量约束 的种群个体采用含有罚函数项的目标函数进行适应度函数值的求解。
[0029]
作为优选的，所述用潮流方程约束计算所述每个种群个体的状态变量，具体 为：
[0030]
使用优化场景法进行潮流方程约束的求解，假设潮流方程表示为h(x)＝[h
l
,hu]， 其中[h
l
,hu]和x分别为输入功率数据区间和区间潮流变量，搜索每一个潮流变量xi对应的和以获得区间将场景ξ看作是在区间[h
l
,hu]内变化的变 量，可得优化模型：
[0031]
min or max xi[0032][0033]
式中，xi可表示负荷节点电压幅值或非平衡节点电压相角；ξ为任意场景；h
l
、hu分别为输入功率数据区间的下边界和上边界。
[0034]
作为优选的，所述使用粒子群算法分别对每个种群个体的位置和速度进行迭 代计算，还包括:
[0035]
在粒子群算法中引入离散变量的交叉操作，分别将微粒个体与本身进行交叉， 微粒与个体适应度函数值最小所对应的微粒进行交叉，微粒与全局适应度函数值 最小所对应的微粒进行交叉；
[0036]
其中，微粒交叉公式为：
[0037][0038]
式中，需要进行处理的离散变量为ui，与之进行交叉操作的个体为uj，c为 区间[0,1]中随机产生的一个数；u
i max
为变压器和电容器步长个数最大值。对交叉 操作的结果取整，替换群体中相应的个体，即u
i*
替换ui。
[0039]
本发明实施例还提供了一种基于粒子群算法的区间无功电压控制装置，包括： 模型构建模块、数据生成模块、迭代计算模块和结果输出模块；
[0040]
其中，所述模型构建模块用于实时采集电网中的状态变量值和控制变量值， 以网损中点值为目标函数，并根据所述状态变量值和所述控制变量值，构建区间 无功电压控制模型；其中，所述区间无功电压控制模型包含潮流方程约束、控制 变量约束和状态变量约
束；
[0041]
所述数据生成模块用于根据粒子群算法随机模拟生成多组控制变量作为初 始种群个体，并将所述初始种群个体组成种群，分别将所述种群中的每个种群个 体输入至所述无功电压控制模型中，并获得每个种群个体的位置和速度；其中， 所述种群中的个体满足控制变量约束；
[0042]
所述迭代计算模块用于使用粒子群算法分别对每个种群个体的位置和速度 进行迭代计算，并在每一次迭代中根据线性递减权值策略对每个种群个体进行位 置和速度更新，计算更新后每个种群个体的个体适应度函数值，继而根据更新后 的个体适应度函数值，更新每个种群个体，直到迭代计算次数达到最大迭代次数 后停止，输出全局适应度函数值最小对应的种群个体；
[0043]
所述结果输出模块用于提取全局适应度函数值最小的种群个体对应的控制 变量，并根据提取的控制变量对电网无功电压进行控制。
[0044]
作为优选的，所述迭代计算模块，包括：迭代开始单元、迭代运行单元和迭 代输出单元；
[0045]
其中，所述迭代开始单元用于将每个种群个体视为粒子群算法中的微粒，根 据计算获得所述每个微粒的位置和速度，使用所述潮流方程约束得到状态变量区 间，进而计算每个微粒对应的个体适应度函数值；其中，所述适应度函数值对应 网损中点值，以及所述第一适应度函数值对应的目标函数带有罚函数项；
[0046]
所述迭代运行单元用于采用线性递减权值策略对所述每个微粒的位置和速 度进行迭代更新，在每次迭代中，比较上一次迭代获得的全局适应度函数值和每 个微粒本次迭代的个体适应度函数值的大小，并只保留适应度函数值最小所对应 的微粒；在每次迭代中，在适应度函数值最小所对应的微粒的位置邻域内进行局 部搜索，获得该次迭代中全局适应度函数值最小对应的微粒；
[0047]
所述迭代输出单元用于直到迭代计算次数达到最大迭代次数后停止，输出全 局适应度函数值最小对应的种群个体。
[0048]
作为优选的，所述模型构建模块，包括：构建单元和表达式单元；
[0049]
其中，所述构建单元用于以所述控制变量为实数、以所述状态变量为区间， 并以不确定数据为区间形式代入确定性无功电压控制模型，从而构建区间无功电 压控制模型；
[0050]
所述表达式单元用于将目标函数和约束条件采用向量和函数表示区间无功 优化模型可以表示为以下数学形式：
[0051]
min f(x,u)＝[f
l
,fu]
[0052][0053]
式中：f(x,u)为网络损耗；[f
l
,fu]为目标函数求解结果(网络损耗)的区间形 式；h(x,u)为潮流方程等式约束函数；[h
l
,hu]为节点注入功率区间向量，对于确定 性的注入功率，h
l
＝hu；g(x,u)为所有不等式约束；x为状态变量；u为控制变量； g
min
,g
max
分别为不等式约束的下限和上限。
[0054]
由上可见，本发明具有如下有益效果：
[0055]
本发明提供了一种基于粒子群算法的区间无功电压控制方法及装置，本方法 所
构建的区间无功电压控制模型，采用区间数描述新能源发电中的不确定性因素， 建模方式简单，且能保证模型输出的控制策略的安全性。相比于现有技术，本发 明无需假设概率分布函数，无需进行凸化处理。通过粒子群算法处理区间无功电 压控制模型中的控制变量，提高了新能源电网无功优化策略的效率和安全性，并 且能够节约新能源无功电压控制的成本。
[0056]
进一步的，本发明采用了优化场景法进行区间潮流方程的求解，同时在粒子 群算法中添加了局部搜索操作和离散变量的交叉操作，相比于现有技术，具有收 敛速度更快、求解精度更高和寻优能力更强的有益效果，大大提高了新能源电网 无功优化策略的生成效率。
附图说明
[0057]
图1是本发明一实施例提供的基于粒子群算法的区间无功电压控制方法的 流程示意图；
[0058]
图2是本发明一实施例提供的基于粒子群算法的区间无功电压控制方法及 装置的结构示意图；
[0059]
图3是本发明另一实施例提供的基于粒子群算法的区间无功电压控制方法 的流程示意图；
[0060]
图4是本发明一实施例提供的基于粒子群算法的区间无功电压控制方法的 结果示意图；
[0061]
图5是本发明另一实施例提供的基于粒子群算法的区间无功电压控制方法 的结果示意图；
[0062]
图6是本发明一实施例提供的一种终端设备结构示意图。
具体实施方式
[0063]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、 完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的 实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前 提下所获得的所有其他实施例，都属于本发明保护的范围。
[0064]
参见图1，图1是本发明一实施例提供的基于粒子群算法的区间无功电压控 制方法的流程示意图，如图1所示，该方法包括步骤101至步骤104，各步骤具 体如下：
[0065]
步骤101：实时采集电网中的状态变量值和控制变量值，以网损中点值为目 标函数，并根据所述状态变量值和所述控制变量值，构建区间无功电压控制模型； 其中，所述区间无功电压控制模型包含潮流方程约束、控制变量约束和状态变量 约束。
[0066]
在本实施例中，步骤101具体为：以控制变量为实数、以状态变量为区间， 并以不确定数据为区间形式代入确定性无功电压控制模型，从而构建区间无功电 压控制模型；
[0067]
以网损为目标函数，考虑交流潮流方程约束、控制变量约束和状态变量约束， 假设负荷和发电机有功出力在相应区间内变化，采用极坐标形式，则区间无功电 压控制模型可以表示为如下形式：
[0068]
1)目标函数
[0069][0070]
式中：s为所有节点集合；θ
ij
＝θ
i-θj，θi,θj为节点i，j的电压相角；p
loss
为电 网有功损耗；vi、vj为节点电压幅值；g
ij
为节点导纳矩阵元素实部。
[0071]
2)约束条件
[0072][0073][0074][0075][0076][0077]vimin
≤vi≤v
imax
，i∈sg∪s
l
ꢀꢀꢀ
(7)
[0078][0079]
t
lmin
≤t
l
≤t
lmax
，l∈s
t
ꢀꢀꢀ
(9)
[0080][0081][0082]
式(2)为发电机节点潮流方程约束，式(3)为负荷节点潮流方程约束，式 (4)为平衡节点潮流方程约束，其为等式约束条件，其中pi、qi由式(10)和(11) 给出。式(5)为发电机无功出力约束，式(6)为无功补偿输出功率约束，式(7) 为节点电压约束，式(8)为平衡机有功出力约束，式(9)为变压器变比约束， 这些为不等式约束。
[0083]
其中，s
′g为所有不包含平衡节点的新能源发电机节点；sg为所有发电机节 点；s
l
为负荷节点；s
gs
为平衡节点，一般只含一个平衡节点；sc为带有无功补偿 电容节点；s
t
为变压器支路。式(2)中，为节点i的发电机有功出力，其值 为区间，可表示为p
gi
,分别为发电机有功出力下边界和上边界； p
li
为发电机节点i的有功负荷；q
gi
为节点i的发电机无功出力；q
li
为发电机节 点i的无功负荷。式(3)中，和分别为负荷节点i的有功负荷和无功负荷 区间，可表示为和p
li
,分别为有功负荷下边界 和上边界，q
li,
分别为无功负荷下边界和上边界；q
ci
为节点i的无功补偿容量， 若无补偿，q
ci
＝0。式(4)中，p
gi
和q
gi
分别为平衡机有功出力和无功出力。由 于发电厂负荷一般比较平稳，式(2)和式(4)中平衡节点和发电机节点的有功、 无功负荷为确定性数据。pi、qi分别为节点i的有功功率和无功功率；t
l
为变压 器变比；b
ij
为节点导纳矩阵元素的虚部；分别为发电机节点i无功出 力的下限和上限；分别为节点i无功
补偿容量的下限和上限；补偿容量的下限和上限；分别为节点i电压幅值的下限和上限；分别为平衡机组有功出 力的下限和上限；分别为变压器变比的下限和上限。
[0084]
将目标函数和约束条件采用向量和函数表示区间无功优化模型可以表示为 以下数学形式：
[0085]
min f(x,u)＝[f
l
,fu]
[0086][0087]
式中：f(x,u)为网络损耗；[f
l
,fu]为目标函数求解结果(网络损耗)的区间形式； h(x,u)为潮流方程等式约束函数；[h
l
,hu]为节点注入功率区间向量，对于确定性的 注入功率，h
l
＝hu；g(x,u)为所有不等式约束；x为状态变量；u为控制变量；g
min
,g
max
分别为不等式约束的下限和上限。
[0088]
步骤102：根据粒子群算法随机模拟生成多组控制变量作为初始种群个体， 并将所述初始种群个体组成种群，分别将所述种群中的每个种群个体输入至所述 无功电压控制模型中，并获得每个种群个体的位置和速度；其中，所述种群中的 个体满足控制变量约束。
[0089]
在本实施例中，步骤102具体为：通过粒子群算法生成多组控制变量作为初 始种群个体，控制变量由随机模拟产生的连续变量随机数和离散变量的随机数组 成，多组种群个体组成种群；其中，种群中的个体满足控制变量约束。
[0090]
使用潮流方程约束计算每个种群个体的状态变量；对于所得状态变量区间满 足状态变量约束的种群个体采用罚函数项为零的目标函数进行适应度函数值的 求解；对于所得状态变量区间不满足状态变量约束的种群个体采用含有罚函数项 的目标函数进行适应度函数值的求解。
[0091]
同时，通过添加了罚函数项的目标函数获得每个种群个体的位置和速度。
[0092]
作为优选的，使用优化场景法进行潮流方程约束的求解，假设潮流方程表示 为h(x)＝[h
l
,hu]，其中[h
l
,hu]和x分别为输入功率数据区间和区间潮流变量，搜索每 一个潮流变量xi对应的和以获得区间将场景ξ看作是在区间 [h
l
,hu]内变化的变量，可得优化模型：
[0093]
min or max xi[0094][0095]
式中，xi可表示负荷节点电压幅值或非平衡节点电压相角；ξ为任意场景；h
l
、hu分别为输入功率数据区间的下边界和上边界。
[0096]
作为优选的，上述不等式约束条件g
min
≤g(x,u)≤g
max
的罚函数为：
[0097][0098]
作为优选的，适应度函数值fpbest计算公式为：
[0099]
fpbest(s)＝plm(s)+p(gs(x,u))
[0100]
步骤103：使用粒子群算法分别对每个种群个体的位置和速度进行迭代计算， 并
在每一次迭代中根据线性递减权值策略对每个种群个体进行位置和速度更新， 计算更新后每个种群个体的个体适应度函数值，继而根据更新后的个体适应度函 数值，更新每个种群个体，直到迭代计算次数达到最大迭代次数后停止，输出全 局适应度函数值最小对应的种群个体；
[0101]
在本实施例中，步骤103具体为：将每个种群个体视为粒子算法中的微粒， 根据计算获得每个微粒的位置和速度，使用潮流方程约束得到状态变量区间，进 而计算每个微粒对应的个体适应度函数值；其中，适应度函数值对应网损中点值， 以及个体适应度函数值对应的目标函数带有罚函数项。
[0102]
采用线性递减权值策略对每个微粒的位置和速度进行迭代更新，在每次迭代 中，比较上一次迭代获得的全局适应度函数值和每个微粒本次迭代的个体适应度 函数值的大小，并只保留适应度函数值最小所对应的微粒；在每次迭代中，在适 应度函数值最小所对应的微粒的位置邻域内进行局部搜索，获得该次迭代中全局 适应度函数值最小对应的微粒。
[0103]
直到迭代计算次数达到最大迭代次数后停止，输出全局适应度函数值最小对 应的种群个体。
[0104]
作为优选的，在每个适应度函数值最小所对应的微粒的位置邻域内进行局部 搜索，将每个个体适应度函数值最小对应的微粒更新为全局最优适应度函数值最 小对应的微粒；其中，全局适应度函数值最小的数值小于等于个体适应度函数值 最小的数值；
[0105]
其中，微粒进行局部搜索的表达式为：
[0106][0107]
式中，step为局部搜索的初始步长；ω为惯性权重因子，采用线性递减权值策略， 其值可以动态改变。
[0108]
作为优选的，在粒子群算法中引入离散变量的交叉操作，分别将微粒个体与 本身进行交叉，微粒与个体适应度函数值最小所对应的微粒进行交叉，微粒与全 局适应度函数值最小所对应的微粒进行交叉；
[0109]
其中，微粒交叉公式为：
[0110][0111]
式中，需要进行处理的离散变量为ui，与之进行交叉操作的个体为uj，c为区间 [0,1]中随机产生的一个数；u
i max
为变压器和电容器步长个数最大值。对交叉操作 的结果取整，替换群体中相应的个体，即u
i*
替换ui。
[0112]
步骤104：提取全局适应度函数值最小的种群个体对应的控制变量，并根据 提取的控制变量对电网无功电压进行控制。
[0113]
在本实施例中，步骤104具体为：提取全局适应度函数值最小的种群个体对 应的控制变量，提取出来的控制变量是满足约束条件，同时使系统网损最小的一 组发电机励磁、补偿电容器和变压器变比的值，并以此对电网进行无功电压的控 制。
[0114]
参见图2，图2是本发明一实施例提供的基于粒子群算法的区间无功电压 控制方
法及装置的结构示意图，包括：模型构建模块201、数据生成模块202、 迭代计算模块203和结果输出模块204。
[0115]
其中，模型构建模块201用于实时采集电网中的状态变量值和控制变量值， 以网损中点值为目标函数，并根据状态变量值和控制变量值，构建区间无功电压 控制模型；其中，区间无功电压控制模型包含潮流方程约束、控制变量约束和状 态变量约束。
[0116]
数据生成模块202用于根据粒子群算法随机模拟生成多组控制变量作为初始 种群个体，并将初始种群个体组成种群，分别将所述种群中的每个种群个体输入 至所述无功电压控制模型中，并获得每个种群个体的位置和速度；其中，种群中 的个体满足控制变量约束。
[0117]
迭代计算模块203用于使用粒子群算法分别对每个种群个体的位置和速度进 行迭代计算，并在每一次迭代中根据线性递减权值策略对每个种群个体进行位置 和速度更新，计算更新后每个种群个体的个体适应度函数值，继而根据更新后的 个体适应度函数值，更新每个种群个体，直到迭代计算次数达到最大迭代次数后 停止，输出全局适应度函数值最小对应的种群个体。
[0118]
结果输出模块204用于提取全局适应度函数值最小的种群个体对应的控制变 量，并根据提取的控制变量对电网无功电压进行控制。
[0119]
作为优选的，迭代计算模块203，包括：迭代开始单元、迭代运行单元和迭 代输出单元。
[0120]
其中，迭代开始单元用于将每个种群个体视为粒子群算法中的微粒，根据计 算获得每个微粒的位置和速度，使用潮流方程约束得到状态变量区间，进而计算 每个微粒对应的个体适应度函数值；其中，适应度函数值对应网损中点值，以及 第一适应度函数值对应的目标函数带有罚函数项。
[0121]
迭代运行单元用于采用线性递减权值策略对所述每个微粒的位置和速度进 行迭代更新，在每次迭代中，比较上一次迭代获得的全局适应度函数值和每个微 粒本次迭代的个体适应度函数值的大小，并只保留适应度函数值最小所对应的微 粒；在每次迭代中，在适应度函数值最小所对应的微粒的位置邻域内进行局部搜 索，获得该次迭代中全局适应度函数值最小对应的微粒。
[0122]
迭代输出单元用于直到迭代计算次数达到最大迭代次数后停止，输出全局适 应度函数值最小对应的种群个体。
[0123]
作为优选的，迭代计算模块203，还包括：局部寻优单元和交叉单元。
[0124]
其中，局部寻优单元用于在每个所述适应度函数值最小所对应的微粒的位置 邻域内进行局部搜索，将每个个体适应度函数值最小对应的微粒更新为全局适应 度函数值最小对应的微粒；其中，所述全局适应度函数值最小的数值小于等于个 体适应度函数值最小的数值。
[0125]
其中，微粒进行局部搜索的表达式为：
[0126][0127]
式中，step为局部搜索的初始步长；ω为惯性权重因子，采用线性递减权值策略， 其值可以动态改变。
[0128]
交叉单元用于在粒子群算法中引入离散变量的交叉操作，分别将微粒个体与 本身进行交叉，微粒与个体适应度函数值最小所对应的微粒进行交叉，微粒与全 局适应度函数值最小所对应的微粒进行交叉；
[0129]
其中，微粒交叉公式为：
[0130][0131]
式中，需要进行处理的离散变量为ui，与之进行交叉操作的个体为uj，c为区间 [0,1]中随机产生的一个数；u
i max
为变压器和电容器步长个数最大值。对交叉操作 的结果取整，替换群体中相应的个体，即u
i*
替换ui。
[0132]
作为优选的，模型构建模块201，包括：构建单元和表达式单元。
[0133]
其中，构建单元用于以控制变量为实数、以状态变量为区间，并以不确定数 据为区间形式代入确定性无功电压控制模型，从而构建区间无功电压控制模型；
[0134]
表达式单元用于将目标函数和约束条件采用向量和函数表示区间无功优化 模型可以表示为以下数学形式：
[0135]
min f(x,u)＝[f
l
,fu]
[0136][0137]
式中：f(x,u)为网络损耗；[f
l
,fu]为目标函数求解结果(网络损耗)的区间形式； h(x,u)为潮流方程等式约束函数；[h
l
,hu]为节点注入功率区间向量，对于确定性的 注入功率，h
l
＝hu；g(x,u)为所有不等式约束；x为状态变量；u为控制变量；g
min
,g
max
分别为不等式约束的下限和上限。
[0138]
参见图3，图3是本发明另一实施例提供的基于粒子群算法的区间无功电压 控制方法的流程示意图，具体如下：
[0139]
输入一组控制变量值的数据作为粒子输入到改进粒子群算法中，并随机生成 粒子群，同时设置改进粒子群算法和内点法的参数；其中，粒子群内的粒子满足 控制变量约束。
[0140]
初始化粒子群，计算粒子的初始位置和初始速度，计算每个粒子的适应值(网 损区间中点)，同时使用基于场景优化的区间潮流进行每个粒子状态变量区间的 求解；其中，基于场景优化的区间潮流通过内点法求解构建的优化最小模型和优 化最大模型，从而获得状态变量的区间。
[0141]
此时进行寻找粒子最佳位置的迭代，在每一次迭代中对计算所得的粒子适应 值进行离散变量的交叉操作，同时根据状态变量的区间调整每个粒子的适应值， 以寻找每个粒子的最佳位置pbest，与上一次最佳位置gbest的比较，寻找优于 上一次最佳位置gbest的粒子。并在粒子个体位置领域内进行局部搜寻，不断更 新粒子群中最佳位置gbest；其中，粒子的最佳位置pbest代表着适应值最小的 粒子。
[0142]
获得一次迭代中粒子群中最佳位置gbest后，不断进行迭代在粒子群中进行 粒子最佳位置pbest的寻找，直到达到最大迭代次数，输出结果最佳位置gbest 的粒子所对应的控制变量值。
[0143]
参见图4，图4是本发明一实施例提供的基于粒子群算法的区间无功电压控 制方法的结果示意图，具体如下：图4出了两种区间无功优化算法的迭代收敛过 程。从图中可知两种算法最终均会收敛到期望目标，其中改进粒子群算法寻优能 力更强，目标网损值更小。
[0144]
参见图5，图5是本发明另一实施例提供的基于粒子群算法的区间无功电压 控制方法的结果示意图，具体如下：图5为两种算法迭代收敛过程，从每个算法 所代表的图线斜率可以看出改进粒子群算法收敛速度更快；而从两种算法迭代达 到收敛时的局部放大图可以明显地看出，改进粒子群算法优化得到的目标函数值 更小，因此改进的粒子群算法优化具有更高的求解精度，总体寻优效果更佳。
[0145]
参见图6，图6是本发明一实施例提供的终端设备结构示意图，具体如下：
[0146]
该实施例的一种终端设备包括：处理器601、存储器602以及存储在所述存 储器602中并可在所述处理器601上运行的计算机程序。所述处理器601执行所 述计算机程序时实现上述各个基于粒子群算法的区间无功电压控制方法在实施 例中的步骤，例如图1所示基于粒子群算法的区间无功电压控制方法的所有步骤。 或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能， 例如：图2所示的基于粒子群算法的区间无功电压控制装置的所有模块。
[0147]
另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存 储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机 可读存储介质所在设备执行如上任一实施例所述的基于粒子群算法的区间无功 电压控制方法。
[0148]
本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对 终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者 不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线 等。
[0149]
所称处理器601可以是中央处理单元(central processing unit，cpu)，还 可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、 专用集成电路(application specific integrated circuit，asic)、现成可编 程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、 分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者 该处理器也可以是任何常规的处理器等，所述处理器601是所述终端设备的控制 中心，利用各种接口和线路连接整个终端设备的各个部分。
[0150]
所述存储器602可用于存储所述计算机程序和/或模块，所述处理器601通 过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存 储器602内的数据，实现所述终端设备的各种功能。所述存储器602可主要包括 存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所 需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根 据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以 包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接 式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital, sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易 失性固态存储器件。
[0151]
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作 为独
立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这 样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机 程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介 质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其 中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形 式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包 括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬 盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随 机存取存储器(ram，random access memory)、电载波信号、电信信号以及软 件分发介质等。
[0152]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离 部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以 是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络 单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案 的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们 之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通 技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0153]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术 人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改 进和润饰也视为本发明的保护范围。