改进粒子群算法的应用研究

改进粒子群算法的应用研究

作者：赵树铭 李佳思

来源：《数字技术与应用》2013年第02期

摘要：粒子群优化算法是由Kennedy和Eberhart于1995年提出的一种基于智能的进化算法。目前，在自适应控制、组合优化、人工生命、管理决策等领域得到了广泛的应用。本文在粒子群算法后期加入了禁忌表思想，形成了改进粒子群算法，并将改进后的粒子群算法应用于配电网重构问题。通过对含分布式电源的IEEE-33节点系统进行仿真，结果表明分布式电源的接入能够提高节点电压，降低网络损耗，证明本文算法对含分布式电源的配电网重构问题具有良好效果。

关键词：粒子群算法 配电网重构 分布式电源

中图分类号：TP301.6 文献标识码：A 文章编号：1007-9416（2013）02-0112-01 1 引言

Kennedy和Eberhart于1995年提出了粒子群优化算法 （Particle Swarm Optimization，PSO）[1]。由于该算法描述简单、需要较少的调整参数，具有较快的收敛速度等优点，目前己在自适应控制、组合优化、模式识别、管理决策等领域得到了大范围的应用，被证明是解决全局优化问题的有效方法之一。

随着研究的不断深入，学者们也发现了粒子群算法在优化过程中存在的一些弊病。粒子群算法参数的选择对优化的结果会产生很大的影响，参数选择的合适与否会导致收敛速度和精度不同。针对上面提出的问题，学者们也作出了很多改进的措施，通过实验表明，改进后的算法大多取得了理想的效果，随着对理论的深入研究以及工程领域的不断实践，显示出了自身无比广阔的应用前景和研究价值[2]。 2 粒子群算法基本原理

标准粒子群优化算法的理论产生于对动物群体智能觅食行为的模拟。对于鸟群的捕食行为，我们可以设置如下场面：一个鸟群在一个森林里随机地寻找食物，但是这个森林里只有一个地方有食物。没有一个鸟知道这个有食物的地方的具体位置，但是它们知道他们的位置与有食物地点之间的距离。怎么能找到这个地方？最简单的办法就是找到哪只鸟离这个有食物地点的距离最小。粒子群优化算法就是从这种问题中得到启发并且应用到优化问题中。

在粒子群优化算法中，每一个需要优化的问题的可能解都是解空间中的一个“粒子”。每个粒子都会对应一个适应值，这个适应值由适应函数计算得到，适应值的优劣决定了粒子位置的好坏。寻优过程中每个粒子都有两个描述粒子状态的量，即寻优的速度和当前的位置。每个粒子都会不断的去追踪当前位置最优的粒子，从而不断地向最优位置移动。

龙源期刊网 http://www.qikan.com.cn

在解空间中初始化一个具有M个粒子的粒子群体。在优化的过程中，群中每个粒子的状态都通过两个N维向量表示出来，即当前的位置和移动的速度，记作：X=（X11，X12，…，X1M）和V1=（V11，V12，…，V1M）。前者为粒子自身到目前为止经过的最好位置，表示粒子自身的搜索经验，即个体极值Pk1，记为P1=（P11，P12，…P1M）；后者为当前所有粒子经过的最好位置，表示其他粒子的搜索经验，即全局极值PK，记为P1=（P1，

P2，…PM）。每个粒子都要追踪这两个极值来更新搜索的速度，从而更新自身的位置，直至搜索到全局最优解。 3 改进粒子群算法

禁忌搜索算法的收敛效果较好，但计算的结果很大程度上依赖于设定的初始解，一个合适的初始解很有可能会帮助禁忌搜索算法快速地收敛，并找到全局最优解，而一个不恰当的初始值会很大程度地使算法的收敛速度降低，收敛效果变差。介于此，我们考虑运用其他智能优化算法进行前期的计算来求得一个较好的初始解，从而来完善禁忌搜索算法的优化效果。粒子群优化算法计算到后期时收敛速度变得缓慢，局部搜索能力差，但是粒子群优化算法的操作简单、易于实现、全局搜索能力强。分析了两种算法的各自特点后，本文在粒子群优化算法的后期加入局部寻优能力较强的禁忌搜索算法，把两种算法融合在一起，这样以来就解决了粒子群算法后期收敛难的问题。 4 仿真分析

本文利用Matlab编程，采用下图所示的含DG的IEEE-33节点配电网系统进行仿真。其电网额定电压为12.66kV，网络总负荷为3715.0kW+j2300.0kVar。在系统的7、17、19、29节点处接有DG。进行重构前，支路7-20、8-14、11-21、17-32、24-28打开。

在分布式电源接入配电网时，由于DG和节点上的负荷支路距离非常近，所以支路7-33、17-36、19-34、29-35上的电阻与电抗忽略不计，视为零计算；DG的注入功率按照负荷进行计算，并标记符号为负。

经过重构后，得到最优结果为打开开关6-7、8-9、13-1424-28、31-32。系统不接DG前的初始网损为203.55kW，接入DG后系统网损降低到90.99kW，与之前相比减少了55%，可见DG的接入降低了网络损耗。

实验结果表明本文提出的改进方法较之基本粒子群算法对降低网络损耗和提高节点电压具有明显的效果。 参考文献

[1]曾建潮.微粒群算法[M].北京：科学出版社，2004.

龙源期刊网 http://www.qikan.com.cn

[2]靳现林，王建生，韩蕾.一种改进粒子群优化算法的配电网重构.东北电力技术[J]，2007，10：11-15.