论文部分内容阅读
在现实的科学研究和工程实践中，往往面对的是同时存在多个目标优化问题。电力系统最优潮流是电力系统运行的基础优化问题，随着对以往单一目标的最优潮流问题研究日臻完善，如何真正实现电力系统多目标的最优潮流引起了广泛关注。单目标最优潮流本质上是一个以单一目标为优化对象的复杂大规模、多约束、非线性优化问题。多目标最优潮流在此基础上，引入多个目标同时进行优化，其优化模型更为复杂，求解难度陡增。近年来，随着人工智能技术的兴起以及在科研和实践领域的积极应用，电力系统的学者把目光逐步投向智能优化算法，利用智能优化算法解决多目标优化问题，使得现有的多目标优化技术开始由目标组合方式逐步向基于Pareto的向量优化方法发展。本文首先介绍了最优潮流问题和多目标优化问题的基础知识，对现有的多目标优化算法进行了综述，然后从传统组合多目标优化和向量多目标优化两类方法出发，提出了分布式多步回溯Q(λ)算法，MGSO算法以及HMGSO算法，探讨研究电力系统多目标最优潮流。分布式多步回溯Q(λ)算法是一种新颖强化学习方法，利用该算法实现复杂电网的多目标最优潮流，在处理多目标优化问题上，根据多个目标不同的重要程度，设置权重因子进行加权处理，重点在于将分布式多步回溯Q(λ)算法应用于多区域复杂电网的潮流优化。在加权多目标最优潮流的成果上，创新地提出了集群智能优化的MGSO算法。MGSO作为对GSO的改进，通过多个群组之间的协调合作实现多目标的优化。将该方法用于电力系统多目标无功优化，本质上实现了从间接多目标潮流优化到Pareto潮流优化的升华，在多个IEEE算例中的仿真结果中形成更为均匀、广泛的Pareto前沿。在MGSO基础上改进算法，引入分层搜索的思想，得到HMGSO算法，用以实现多区域互联电网的多目标Pareto最优潮流，HMGSO构思新颖，对电力系统多目标最优潮流发展具有积极的意义。本论文的研究得到国家技术研究发展计划（863计划）（2012AA050209）国家自然科学基金项目（50807016，51177051），中央高校基本科研业务费（2012ZZ0020），香港理工大学研究计划（A-PL97，A-PD0K）资助。