随着国民经济的高速发展,电力系统规模的不断扩大,电网结构日益复杂,用户对电网提供的电能质量也提出了更高的要求。随着电力市场机制的引入,采取有效地无功优化手段降低网损、改善系统电压水平,增强系统的电压稳定性,已经成为直接关系电力企业自身经济效益的课题,电力系统无功优化的已成为国内外重要的研究热点之一。电力系统无功优化问题是一个非线性、多变量、多约束的混合规划问题,其控制变量包含连续变量和离散变量,优化过程也十分复杂。粒子群优化算法因其易于实现,参数少、适应性强等优点被广泛地应用于电力系统无功优化问题的求解之中。本文在分析了近年来国内外对于粒子群优化算法和电力系统无功优化研究现状的基础上,对粒子群优化算法在电力系统无功优化中的应用作了深入地研究,主要研究内容如下:(1)对粒子群优化算法的位置更新公式进行改进,提出了一种反向学习伪梯度搜索粒子群算法。该算法能够判别粒子运动方向的好坏,当粒子向一个较好的方向移动时加快粒子运动的步伐,反之则通过反向学习法进行扰动,增强算法的多样性。(2)建立以有功网损最小为目标的单目标无功优化数学模型,并针对单目标优化问题,引入聚焦距离变化率和位置权重的概念来衡量粒子的分布情况,并建立以此为控制变量的动态惯性权重,提出了动态改变惯性权重的反向学习伪梯度搜索粒子群算法,将其应用于电力系统无功优化中。最后通过IEEE-30节点系统验证了算法的高效性和实用性。(3)建立以有功网损最小、电压偏移量最小和电压稳定性最好为目标的多目标无功优化数学模型,并针对多目标优化问题,提出了基于Pareto的解空间分区的反向学习伪梯度搜索多目标粒子群优化算法。该算法通过分区的方法来探索外部档案中Pareto解的收敛性和多样性,并以此为依据提出了新的外部档案维护策略、全局与个体最优解选择策略,同时通过反向学习伪梯度搜索法指导粒子运动的方向,增强算法的寻优能力。最后通过IEEE-30节点系统和某实际地区电网验证了算法的有效性和正确性。