基于强化学习及纵横交叉粒子群算法的电网最优潮流计算

孟安波，王鹏，丁伟锋，陈顺，梁濡铎，张铮

MENGAnbo，WANGPeng*，DINGWeifeng，CHENShun，LIANGRuduo，ZHANGZheng

（广东工业大学自动化学院，广州510006）

（School of Automation，Guangdong University of Technology，Guangzhou 510006，China）

0 引言

最优潮流问题（Optimal Power Flow，OPF）已经被提出了很长时间，但是随着电力系统的发展，对最优潮流问题求解的要求越来越高。最优潮流问题具有连续变量和离散变量共存、约束较多且不适合线性化处理的特点。

目前，解决此类问题的主要方法有2类。一类是经典优化算法，另一类是智能优化算法。经典优化算法主要包括内点法［1］、牛顿法［2］和线性规划法［3］等，这类方法对数学模型的依赖程度较高，不易于处理非线性和离散性优化问题。而智能优化算法由于不需要对优化模型做线性处理，也不需要求导数，打破了传统数学优化方法的瓶颈，因此，逐渐成为研究的热点。文献［4］针对最优潮流问题离散变量和连续变量共存的特点，提出了模拟退火粒子群（Simulated Annealing based Particle Swarm Optimization，SA-PSO）和预测校正原对偶内点法（Predictor-Corrector Primal-Dual Interior Point Method，PCPDIPM）结合的改进最优潮流算法（SAPSO+PCPDIPM），该方法用模拟退火粒子群求解系统离散变量，用预测-校正原对偶内点法求解系统连续变量，发挥了SA-PSO算法求解离散变量方便和PCPDIPM算法优化速度快的优势。文献［5］将遗传算法（Genetic Algorithm，GA）应用于最优潮流问题的求解中，针对遗传算法容易出现早熟的缺点，将种群进行分化，编码、选择、交叉、变异等操作中均进行改进，在IEEE14节点系统和IEEE118节点系统上的仿真结果，证明了改进遗传算法在寻优过程中能够避免陷入局部最优，提高求解精度。文献［6］将改进的引力搜索算法（Gravitational Search Algorithm，GSA）应用于电力系统最优潮流的计算，在IEEE30节点和IEEE57节点系统中，求解出与其他算法结果相比更小的发电成本。……