[科普中国]-最优潮流

简介

最优潮流OPF是指从电力系统优化运行的角度来调整系统中各种控制设备的参数，在满足节点正常功率平衡及各种安全指标的约束下，实现目标函数最小化的优化过程。通常优化潮流分为有功优化和无功优化两种，其中有功优化目标函数是发电费用或发电耗量，无功优化的目标函数是全网的网损。由于最优潮流是同时考虑网络的安全性和经济性的分析方法，因此在电力系统的安全运行、经济调度、电网规划、复杂电力系统的可靠性分析、传输阻塞的经济控制等方面得到广泛的应用。

优化潮流的历史可以追溯到1920年出现的经济负荷调度。20世纪20年代在电力系统功率调度开始使用等耗量微增率准则EICC (Equal Incmnental Cost Criteria )。至今等耗量微增率准则仍然在一些商用OPF软件中使用。现代的经济调度可以视为OPF问题的简化，它们都是优化问题，使某一个目标函数最小。经济调度一般关注发电机有功的分配，同时考虑的约束多仅为潮流功率方程等式约束。

1962年，J Carpentier介绍了一种以非线性规划方法来解决经济分配问题的方法，首次引入了电压约束和其它运行约束，这种考虑更为周全的经济调度问题就是最优潮流(OPF)问题的最初模型。

优化的目标函数，可以为系统的发电费用函数、发电燃料、系统的有功网损、无功补偿的经济效益等等。等式约束条件，即节点注入潮流平衡方程。系统的各种安全约束，包括节点电压约束、发电机节点的有功、无功功率约束、支路潮流约束、变压器变比、可变电容器约束等等。现今潮流优化都是以这个模型为基础的。

简化梯度法是第一个被成功应用的优化潮流方法，至今仍然作为一种成功的方法而加以引用。基于牛顿法的优化算法则具有更好的收敛特性。此外，二次规划算法也被提出来用于潮流优化。内点法克服了牛顿法确定约束集的困难而受到广泛重视。智能算法如遗传算法等由于具有全局收敛性和擅长处理离散变量优化问题而日益受到重视，是极具潜力的优化方法。

线性规划法线性规划法是在一组线性约束条件下，寻找线J陛目标函数的最大值或最小值的优化方法。对于OPF问题，线性规划方法一般将非线性方程和约束使用泰勒级数近似线性化处理，或将目标函数分段线性化。线性化后的求解可以用改进的单纯形法或对偶线性规划法。

将线性规划用于符合安全要求的发电厂的配置2，目标函数和约束都线性化，使用单纯行法求解，受到当时计算机条件限制，其结果有时会出现不可行解，将对偶线性规划用于优化并显示了较好的结果。将发电机费用曲线分段线性化和使用稀疏矩阵技术，并使用了一种修正单纯形法，目标函数使用二次费用曲线和最小二乘法， 由于无功优化问题目标函数具有强非线性，加之在最优潮流问题中，要考虑的等式约束方程，即每个节点的有功和无功功率注入平衡方程是典型的非线性方程，线性优化对有功无功藕合的目标函数优化，尤其是对以网损最小化为目标的优化效果不好，线性化后的优化效果较差。此外，线性规划算法迭代次数随网络规模增加而迅速上升，收敛变慢。这些都限制了线性规划算法在无功优化中的应用。

非线性规划方法非线性规划法处理在等式约束或不等式约束条件下优化目标函数，其中等式约束、不等式约束和目标函数为非线性函数。简化梯度法、二次规划法、牛顿法以及近几年讨论比较多的内点法都是非线性规划法的一种。由于最优潮流问题中等式约束是典型的非线性等式，因此非线性规划法也就成为解决最优潮流问题的常用方法。

简化梯度法利用牛顿拉夫逊潮流程序，采用梯度法进行搜索，用罚函数处理违约的不等式约束。该方法程序编制简便，所需存储量小，对初始点无特殊要求，曾获得普遍重视，成为第一种有效的优化潮流方法。由于该法仅在控制变量子空间上寻优，故称为简化梯度法。

梯度法实际上等同于无约束问题的最速下降法。最速下降法的基本思想是利用函数值在迭代点下降最快的方向作为寻优方向，以使函数值尽快达到极小。由于函数值下降最快的方向为负梯度方向，因此该法也称为梯度法。OPF的简化梯度法首先利用Lagrange乘子法引入等式约束，得到增广的目标函数L(x )=F (x) wag (x）化为无约束问题求解。独立变量空间为系统的控制变量，用罚函数处理函数不等式约束。

随后PQ解耦法和稀疏技术!、被使用到梯度法上。将梯度法优化分解为两步进行，第一步不加约束进行梯度优化，第二步将结果进行修正后，在目标函数上加上可能的电压越限罚函数。该方法可以处理较大的网络规模，但是计算结果有在可行域之外。使用共骊梯度法改进梯度法的搜索方向，结果显示收敛比常规的简化梯度法快。

简化梯度法的缺点:迭代过程中，尤其是在接近最优点附近会出现锯齿现象，收敛性较差，收敛速度很慢;每次迭代都要重新计算潮流，计算量很大，耗时较多;另外，采用罚函数处理不等式时，罚因子数值的选取对算法的收敛速度影响很大等等。现在对这种方法用于最优潮流的研究己经很少。

序列二次规划法序列二次规划法属于典型的非线性规划算法，其所优化的目标函数为二次实函数，其约束一般为线性。序列二次规划法使用拟牛顿法!m一‘8]作为主算法，使用罚函数处理约束，使用一种按照一定规则更新的矩阵来近似代替二阶海森阵。有约束的拟牛顿法由于加入了Kuhn-Tucke访程的二阶信息，能保证超线性的收敛性。在每一次主要迭代中QP子问题依次被求解，所以这种方法又称为序列二次规划法。SQP法允许有约束的牛顿法转化为无约束的牛顿法，拟牛顿法的收敛性比梯度法要好，但是由于近似海森矩阵不是稀疏的，使得拟牛顿法在大型网络中效率不高，限制了其在大型网络中的使用。

二次规划法是二阶的方法，解决最优潮流问题收敛精度较好，能很好地解决藕合的最优潮流问题，但缺点是计算Lagrange函数的二阶偏导数，计算量大、计算复杂。

牛顿法牛顿法是一种直接求解寻优的方法。以牛顿法为基础的最优潮流用以实现系统无功的优化，这种方法被公认为是牛顿OPF算法实用化的重大飞跃。该法以Lagrange乘子法处理等式约束，以惩罚函数法处理违约的变量不等式约束。该文首次将电力系统的稀疏性与牛顿法结合起来，使得计算量大大减小。对912节点的系统测试，利用解耦的PQ分解牛顿法迭代，效果较好。其缺点是对函数不等式约束处理得不好。

牛顿法的难点在于:在迭代过程中，中间变量是不满足潮流方程的。那么在每一个迭代步变量修正后，无法判断不等式约束是否越界，但是如果不能确定那些越界的不等式袍作用的不等式约束集)就无法形成罚函数，而且引入的罚函数对 Hessian阵的部分对角元素有影响，会明显改变计算结果。因此对违约不等式约束的处理，在牛顿法中多采用试验迭代处理，对违约变量进行修正。

牛顿法中，起作用的不等式约束集通常用试验迭代来确定，增加了计算的难度和复杂性。针对此问题，提出用线性规划技术取代试验迭代来进行起作用的不等式约束集的识别，避免使用试验迭代。不等式约束处理过程中考虑优先级策略，认为变量型约束优先级高，函数型约束优先级低。当高优先级约束逐步稳定后再将低优先级约束引入试验迭代。快速预估起作用不等式约束集方法。而文献2基于有效标准，选择和施加最少数量起作用的等式约束，以少的振荡很快得到优化解。

Newton最优潮流优点在于:利用了二阶导数信息，收敛快，使用稀疏技术节省内存，可用于大规模网络。缺点是:难以有效确定约束集，普遍用试验迭代法，编程实现困难;对应控制变量的Hessian阵对角元易出现小值或零值，造成矩阵奇异;引入的La-grange乘子的初值对迭代计算的稳定性影响大。

内点法内点法最初是作为一种线性规划算法，是为了解决单纯形法计算量随变量规模急剧增加而提出来的。内点法从初始内点出发，沿着可行方向，求出使目标函数值下降的后继内点，沿另一个可行方向求出使目标函数值下降的内点，重复以上步骤，从可行域内部向最优解迭代，得出一个由内点组成的序列，使得目标函数值严格单调下降。其特征是迭代次数和系统规模无关。

无限点优化算法无限点优化算法可以看作内点法的改进，基于原一对偶内点算法的内点法由前面的分析可知具有以下特点:①对于不等式约束的处理是:使用松弛变量将不等式约束变为等式约束;②其所有约束变量的迭代初始值，包括松弛变量，必须在可行域之内;③在原目标函数基础上增加障碍函数份般为对数障碍函数);①使用牛顿法求解KKT条件方程过程中必须使用一种严格的计算方法逐步减小障碍参数份般使用对偶间隙法久需要控制迭代步长以保持解的可行性。由于障碍参数和步长的确定对优化的影响较大，对于它们的确定成为限制内点法的主要因素。

遗传算法遗传算法是80年代出现的新型优化算法，近年来迅速发展，它的机理源于自然界中生物进化的选择和遗传，通过选择、杂交、变异得核心操作，实现“优胜劣汰”。它的主要特点是:可从多初值点开始，沿多路径搜索实现全局或准全局最优;可方便地处理混合整数离散J陛问题;是一种有效的自适应优化方法。

GA应用于潮流优化问题时，一般步骤为:首先随机给出一组初始潮流解，受各种约束条件约束，然后通过目标函数评价其优劣，然对其编码，通过遗传操作—选择、杂交和变异，使其重新组合，评价值低的被抛弃，只有评价值高的有机会将其特征迭代至下一轮解，最后这码串对应的解将趋向优化3。

遗传算法优点是具有很好的全局寻优能力，优化结果普遍比传统优化方法好。缺点是计算量比较大，计算时间长。现在遗传算法的研究主要集中在以下两方面:通过改进目标函数计算方法以提高其计算速度，通过改进遗传算法的操作改进整体收敛J陛和寻优性能。

在遗传算法操作研究方面，在一个103节点系统上研究了使用不同的算子参数对迭代次数和优化结果的影响，还研究了控制变量约束的影响，建议在寻优过程中不断缩小解空间。研究了多种用于提高GA效率及精度的方法，表明同时变罚因子及变权重因子的GA应用于经济调度中最有效，它最能保证收敛精度，虽然它牺牲了一些收敛时间。

针对目标函数计算加速，也就是潮流计算加速，将潮流方程中PV节点转为ve节点作为控制变量，同时将网络按节点联系进行分层，以形成一个带状稀疏阵，然后针对网络分层的特点使用一种高效的改进高斯消去法求解线性方程组。在lEEE57, 118, 300和KT896, EvI试验网络上的对比计算表明其方法的速度比浅解耦潮流算法要快。

此外，GA还用于解决含电力电子设备的灵活交流输电系统这样的非凸性的优化。对此进行了研究，结果表明遗传算法在这种非线性、非光滑、不可微的函数优化上十分适合。

优化潮流的并行化计算随着电力系统规模的扩大和日益增加的安全稳定性要求，如何快速、实时地计算OPF成为一个十分紧迫的课题。现有的OPF算法的计算速度均难以满足大型网络的实时性需要。并行计算可以提高现有计算机的计算能力，提高计算速度。最优潮流并行算法是利用待求解问题的并行性通过多个处理器协作完成问题的求解。并行计算的硬件可以是专门的并行计算机，也可以是分布式网络计算环境。

在无限点算法的基础上，使用了Newton - Kylov并行化算法求解非线性方程组，在IEEES, 30, 118系统进行计算，算法在共享内存计算机、分布内存超级计算机和网络集群计算环境下进行。结果表明所使用的方法在各种环境下均具有良好的加速性能。

将遗传算法并行化通过将目标函数的计算分派给各个处理器来实现并行，遗传的操作在主机中进行。试验计算得到的主机效率在80%以上。

定性研究了粗粒度模型并行遗传算法中迁移策略参数对算法性能的影响，这些参数包括:子种群数目、迁移率、迁移规模、迁移选择策略和通信方式等。得到的结论是1}A在高迁移率下容易找到最优解;子种群数目越大，找到最优解的评估次数就越少;在同步迁移和异步迁移下，ESA在不同迁移周期下的算法性能基本相似，采用随机选择的迁移选择策略好于最佳选择的迁移选择策略4。

对分解协调法这类并行最优潮流算法进行了比较研究。分解协调法是一类将网络分块进行计算的方法，属于粗颗粒的空间并行算法。分解协调法有辅助问题法APP (Auxiliary Problan Principle）、预测校正极大乘子法PCPM (Corrector Proxinal Multiplier Method)、交替方向法ADM ( Alte mating Direction Method)三大类。

总结目前OPF已经向大系统、实时控制、在线计算方向发展，电力市场的出现也为OPF提出了新的要求。在实时电价计算、阻塞管理、输电费用计算、辅助费用计算等方面OPF都有应用。对于灵活交流系统下的OPF问题也有待深入研究。考虑负荷变动和系统故障情况下的动态优化潮流问题也是值得研究的。所有这一切都要求OPF的计算速度更快、收敛性更好、鲁棒性更强。随着计算机硬件、软件水平的提高和新型算法的出现，OPF的问题仍有深入研究的必要，以满足新环境下电力系统的要求2。