CN106549394B - 基于双鱼群算法的电力无功优化系统及方法 - Google Patents

Abstract

本发明提出基于双鱼群算法的电力无功优化系统及方法，该系统包括电网状态采集模块、电网无功调节模块和电网无功执行模块；电网状态采集模块包括电网状态采集器和中继传输器；电网无功调节模块为控制终端；电网无功执行模块包括各发电机端电压调节器、各变压器分接头调节器和各无功补偿调节器；该方法为获取当前网络待优化初始数据；采用基于双鱼群算法对当前网络待优化初始数据进行优化，得到电网中各控制变量的优化取值；电网无功执行模块根据得到电网中各控制变量的优化取值调节发电机端电压、变压器分接头、无功补偿器的补偿容量。该方法能够有效的提高电网的无功优化寻优能力是待优化配电网能够得到更为合理的无功潮流分布。

Description

基于双鱼群算法的电力无功优化系统及方法

技术领域

本发明属于电力系统无功优化技术领域，具体涉及基于双鱼群算法的电力无功优化系统及方法。

背景技术

电力系统无功优化，是指系统有功负荷、有功电源及潮流分布已经给定的况下，通过优化计算确定系统中某些控制变量的值，以找到在满足所有约束条件的前提下，使系统的某一个或多个性能指标(如有功网损最小、电压质量最优、年支出费用最少)达到最优时的运行方式。系统无功分布的合理与否直接关系着电力系统的安全和稳定，并且和经济效益有着密切的联系。一方面，如果系统的无功不足，将使电压水平低下，一些工厂和家庭的电器不能正常运行，而且系统一旦发生扰动，就可能使电压低于临界电压，产生电压崩溃，从而导致系统因失去同步而瓦解的灾难性事故。另一方面，系统无功过剩会使电压过高，危害系统和设备的安全。另外，系统无功的不合理流动，会使线路的压降增大、线路的损耗增加、供电的经济性下降。总之，无功设备的合理配置和优化运行能有效地降低网损，改善电压质量和保证系统电压稳定性，从而提高电力系统运行的安全性和经济性。

目前所用的无功优化方法主要有常规的数学方法和智能优化算法这两大类优化算法。常规的数学方法具有较快的计算速度，但它对优化函数的连续性、非凸性、可微性的计算具有较高要求，而且它还存在易于陷入局部最优解等缺点。智能优化算法在处理非线性、多变量、不连续、非凸等优化问题上体现出了很强的寻优能力。

人工鱼群算法作为一种新型的全局寻优策略，已应用于时变系统在线辨识、鲁棒PID的参数整定和优化前向神经网络中，取得了较好的效果。该算法具有良好的求取全局极值能力，并具有对初值、参数选择不敏感、鲁棒性强、简单(只使用目标函数值)、易实现等诸多优点。不过人工鱼群算法仍然存在一些不足，主要是：求解的效率不高，求解时间增多，后期收敛的速度将减慢，容易陷入局部最优解，难得到精确的最优解等。

发明内容

针对现有技术的不足，本发明提出一种基于双鱼群算法的电力无功优化系统及方法。

本发明技术方案如下：

一种基于双鱼群算法的电力无功优化系统，包括：电网状态采集模块、电网无功调节模块和电网无功执行模块；

所述电网状态采集模块，包括电网状态采集器和中继传输器；

所述电网无功调节模块为控制终端；

所述电网无功执行模块，包括各发电机端电压调节器、各变压器分接头调节器和各无功补偿调节器；

所述电网状态采集器的输入端连接电网，所述电网状态采集器的输出端连接中继传输器的输入端，所述中继传输器的输出端连接控制终端的输入端，所述控制终端的输出端连接发各电机端电压调节器的输入端、各变压器分接头调节器的输入端和各无功补偿调节器的输入端，所述发电机端电压调节器的输出端连接电网中的发电机，所述变压器分接头调节器的输出端连接电网中的变压器，所述无功补偿调节器的输出端连接电网中的无功补偿装置；

所述电网状态采集器，用于采集电网的当前网络信息，判断当前网络信息是否满足电网所需求的最优状态，若当前网络信息不能满足电网所需求的最优状态，则将当前网络信息传输至中继传输器，所述当前网络信息包括：电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息；

所述中继传输器，用于将电网状态采集器所采集的当前网络信息中进行无功优化所需要的电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息传输至控制终端；

所述电网无功调节模块：包括参数获取单元、基于双鱼群算法无功优化单元、优化决策控制单元；

所述参数获取单元，用于获取中继传输器传输的电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息，作为当前网络待优化初始数据；

所述基于双鱼群算法无功优化单元，用于建立电力系统无功优化的数学模型，采用基于双鱼群算法对获取的当前网络待优化初始数据进行优化，得到电网中各控制变量的优化取值，所述各控制变量包括发电机端电压幅值、变压器可调变比、无功补偿装置的无功容量；

所述优化决策控制单元，用于将各控制变量的优化取值传送至电网无功执行模块；

所述发电机端电压调节器，用于根据电网无功调节模块得到的发电机端电压幅值优化取值调节发电机端电压；

所述变压器分接头调节器，用于根据电网无功调节模块得到的变压器可调变比优化取值调节变压器分接头；

所述无功补偿调节器，用于根据电网无功调节模块得到的无功补偿装置的无功容量优化取值调节无功补偿器的补偿容量。

所述建立电力系统无功优化的数学模型如下所示：

其中，F为电力无功优化数学模型目标函数， 1＜h＜nl，nl为电网系统总支路数，G_lv为连接支路l-v的电导，θ_v为节点v的相角，θ_l为节点l的相角，α₁为网损最小目标函数的权重系数，α₂为电压最优目标函数的权重系数，u_l为节点l的电压，u_v为节点v的电压，1＜v＜N_d，N_d为电网系统中负荷节点总数，1＜k＜N_g，N_g为电网中发电机个数，V_v为节点v电压，为节点v的电压给定值，为节点v的电压偏差最大值，V_v.max为节点v电压上限值，V_v.min为节点v电压下限值，λ_u为负荷节点电压越界惩罚系数，λ_q发电机无功出力越界惩罚系数，Q_k为发电机节点k的无功出力，Q_k.max为发电机节点k的无功出力的上限值，Q_k.min为发电机节点k的无功出力的下限值；

所述采用基于双鱼群算法对获取的当前网络待优化初始数据进行优化，得到电网中各控制变量的优化取值的具体过程如下：

根据电网待优化的各控制变量的取值上限及取值下限随机生成小型鱼群；

根据电网待优化的各控制变量的取值上限及取值下限随机生成凶猛鱼群；

初始化当前最优食物浓度值进入公告板：以电力无功优化数学模型目标函数的倒数作为食物浓度值FC，通过计算当前网络待优化初始数据条件下的食物浓度值、各小型人工鱼个体状态下的食物浓度值、各凶猛人工鱼个体状态下的食物浓度值，取食物浓度值的最大值作为当前最优食物浓度值进入公告板，保存其状态及当前最优食物浓度值FC；

对小型鱼群进行行动：根据小型鱼群中各小型人工鱼个体与凶猛人工鱼个体之间的距离，以及小型鱼群各小型人工鱼个体之间的距离，对小型人工鱼个体进行觅食聚群行为、追尾行为和防护聚群行为，并对小型鱼群进行行动后的公告板Y1进行更新；

对凶猛鱼群进行行动：根据凶猛鱼群中各凶猛人工鱼个体与小型人工鱼个体之间的距离，以及凶猛鱼群各凶猛人工鱼个体之间的距离，对各凶猛人工鱼个体进行捕食行为、追踪行为和聚群行为，并对凶猛鱼群进行行动后的公告板Y2进行更新；

当迭代次数达到了最大迭代次数时，比较公告板Y1和公告板Y2的食物浓度值，将食物浓度最大的记录的状态作为优化结果，得到各控制变量的优化取值，即发电机端电压幅值优化取值、变压器可调变比优化取值、无功补偿装置的无功容量优化取值。

采用基于双鱼群算法的电力无功优化系统进行电力无功优化的方法，包括以下步骤：

步骤1：通过电网状态采集器采集电网的当前网络信息，判断当前网络信息是否满足电网所需求的最优状态，若当前网络信息不能满足电网所需求的最优状态，则将当前网络信息传输至中继传输器；

步骤2：通过中继传输器将电网状态采集器所采集的当前网络信息中进行无功优化所需要的电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息传输至控制终端；

步骤3：通过控制终端获取中继传输器传输的电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息，作为当前网络待优化初始数据；

步骤4：通过控制终端建立电力系统无功优化的数学模型，采用基于双鱼群算法对获取的当前网络待优化初始数据进行优化，得到电网中各控制变量的优化取值，将各控制变量的优化取值传送至电网无功执行模块；

步骤4.1：以网损最小和电压水平最优为优化目标，采用加权和法中的α-法建立电力系统无功优化的数学模型：

其中，F为电力无功优化数学模型目标函数， 1＜h＜nl，nl为电网系统总支路数，G_lv为连接支路l-v的电导，θ_v为节点v的相角，θ_l为节点l的相角，α₁为网损最小目标函数的权重系数，α₂为电压最优目标函数的权重系数，u_l为节点l的电压，u_v为节点v的电压，1＜v＜N_d，N_d为电网系统中负荷节点总数，1＜k＜N_g，N_g为电网中发电机个数，V_v为节点v电压，为节点v的电压给定值，为节点v的电压偏差最大值，V_v.max为节点v电压上限值，V_v.min为节点v电压下限值，λ_u为负荷节点电压越界惩罚系数，λ_q发电机无功出力越界惩罚系数，Q_k为发电机节点k的无功出力，Q_k.max为发电机节点k的无功出力的上限值，Q_k.min为发电机节点k的无功出力的下限值；

步骤4.2：设定双鱼群算法参数：小型鱼群规模N1、凶猛鱼群规模N2、小型鱼群感知范围Visual1、凶猛鱼群感知范围Visual2、小型鱼群移动步长Step1、凶猛鱼群移动步长Step2、小型鱼群拥挤度因子δ₁、凶猛鱼群拥挤度因子δ₂、最大迭代次数K＞0；

步骤4.3：根据电网待优化的各控制变量的取值上限及取值下限随机生成小型鱼群；

步骤4.3.1：初始化生成小型人工鱼个数t₁＝0；

步骤4.3.2：根据电网待优化的各控制变量的取值上限及取值下限随机生成小型人工鱼个体：

X＝[U_G11，U_G12，...U_G1g，K_T11，K_T12，...，K_T1t，Q_C11，Q_C12，...，Q_C1c]＝[x₁，x₂，...，x_s，...，x_S]；

其中，X为小型人工鱼个体的控制变量取值序列，x_s＝x_smin+rand(·)×(x_{s max}-x_{s min})，rand(·)为(0，1)区间的随机数，x_{s min}为对应控制变量的取值下限，x_{s max}为对应控制变量的取值上限，U_G1g为随机生成的小型人工鱼个体中发电机端电压幅值，K_T1t为随机生成的小型人工鱼个体中变压器可调变比，Q_C1c为随机生成的小型人工鱼个体中无功补偿装置的无功容量，x_s为随机生成的小型人工鱼个体的控制变量，1≤s≤S，S＝N_g+N_t+N_c，N_g为电网中发电机个数，N_t为电网中变压器个数，N_c为电网中无功补偿装置的个数；

步骤4.3.3：对步骤4.3.2中随机生成的小型人工鱼个体中各控制变量采用P-Q分解法进行潮流计算，若当前小型人工鱼个体的潮流值收敛，则保留该小型人工鱼个体，令t₁＝t₁+1，执行步骤4.3.4，否则，不保留该小型人工鱼个体，返回步骤4.3.2；

步骤4.3.4：若当前生成小型鱼个数t₁达到小型鱼群规模N1，则得到当前小型鱼群，执行步骤4.4，否则，返回步骤4.3.2；

步骤4.4：根据电网待优化的各控制变量的取值上限及取值下限随机生成凶猛鱼群；

步骤4.4.1：初始化生成凶猛人工鱼个数t₂＝0；

步骤4.4.2：根据电网待优化的各控制变量的取值上限及取值下限随机生成凶猛人工鱼个体：

W＝[U_G21，U_G22，...U_G2g，K_T21，K_T22，...，K_T2t，Q_C21，Q_C22，...，Q_C2c]＝[w₁，w₂，...，w_s，...，w_S]；

其中，W为凶猛人工鱼个体的控制变量取值序列，w_s＝x_{s max}+rand(·)×(x_{s max}-x_{s min})，U_G2g为随机生成的凶猛人工鱼个体中发电机端电压幅值，K_T2t为随机生成的凶猛人工鱼个体中变压器可调变比，Q_C2c为随机生成的凶猛人工鱼个体中无功补偿装置的无功容量，w_s为随机生成的凶猛人工鱼个体的控制变量；

步骤4.4.3：对步骤4.4.2中随机生成的凶猛人工鱼个体中各控制变量采用P-Q分解法进行潮流计算，若当前凶猛人工鱼个体的潮流值收敛，则保留该凶猛人工鱼个体，令t₂＝t₂+1，执行步骤4.4.4，否则，不保留该凶猛人工鱼个体，令t₂＝t₂+1，返回步骤4.4.2；

若当前凶猛人工鱼个数t₂达到凶猛鱼群规模N2，则得到当前凶猛鱼群，执行步骤4.5，否则，返回步骤4.4.2；

步骤4.5：初始化当前迭代次数k′＝0，初始化当前最优食物浓度值进入公告板：以电力无功优化数学模型目标函数的倒数作为食物浓度值FC，通过计算当前网络待优化初始数据条件下的食物浓度值、各小型人工鱼个体状态下的食物浓度值、各凶猛人工鱼个体状态下的食物浓度值，取食物浓度值的最大值作为当前最优食物浓度值进入公告板，保存其状态及当前最优食物浓度值FC；

步骤4.6：小型鱼群进行行动：根据小型鱼群中各小型人工鱼个体与凶猛人工鱼个体之间的距离，以及小型鱼群各小型人工鱼个体之间的距离，对小型人工鱼个体进行觅食聚群行为、追尾行为和防护聚群行为，并对小型鱼群进行行动后的公告板Y1进行更新；

步骤4.6.1：确定当前第i个小型人工鱼个体X_i与各凶猛人工鱼个体W_j之间的距离D＝{D_i1，D_i2，...，D_ij，...，D_iN2}，其中，D_ij＝||X_i-W_j||，1＜j＜N2；

步骤4.6.2：判断当前第i个小型人工鱼个体X_i与各凶猛人工鱼个体W_j之间的距离D_ij是否小于等于小型鱼群感知范围Visual1，若是，则执行步骤4.6.3，否则，执行步骤4.6.5；

步骤4.6.3：确定第i个小型人工鱼个体X_i感知范围内小型人工鱼个体总数n，从而确定防护聚集安全位置X_safe，对第i个小型人工鱼个体X_i进行防护聚群行为，得到第i个小型人工鱼个体进行防护聚群行为更新值X_inext1；

所述防护聚集安全位置X_safe的计算公式如下：

X_safe＝(X_i1+X_i2+...+X_in)×λ/n；

其中，λ＝(n+p)/n为逃离因子，p为小型人工鱼个体X_i感知范围Visual1内凶猛人工鱼个体总数，X_in为小型人工鱼个体X_i感知范围内的小型人工鱼个体；

所述第i个小型人工鱼个体进行防护聚群行为更新值X_inext1的计算公式如下：

X_inext1＝X_i+rand(·)×Step1×δ₁×(X_safe-X_i)/||X_safe-X_i||；

步骤4.6.4：判断当前小型人工鱼个体进行防护聚群行为更新值X_inext1是否满足其约束条件并且潮流收敛，若是，则记录该更新值X_inext1的状态，并计算其食物浓度，更新公告板Y1，执行步骤4.7，否则，返回步骤4.6.3；

步骤4.6.5：确定第i个小型人工鱼个体X_i感知范围内小型鱼群中食物浓度FC_j′为最大的小型人工鱼个体X_j′，对第i个小型人工鱼个体X_i进行追尾行为，得到第i个小型人工鱼个体X_i进行追尾行为更新值X_inext2；

所述第i个小型人工鱼个体X_i进行追尾行为的更新值X_inext2的计算公式如下：

X_inext2＝X_i+rand(·)×Step1×δ₁×(X_j′-X_i)/||X_j′-X_i||；

步骤4.6.6：确定第i个小型人工鱼个体X_i感知范围内小型人工鱼个体总数n，从而确定觅食聚群中心位置X_c1，对第i个小型人工鱼个体X_i进行觅食聚群行为，得到第i个小型人工鱼个体进行觅食聚群行为更新值X_inext3；

所述觅食聚群中心位置X_c1的计算公式如下：

X_c1＝(X_i1+X_i2+...+X_in)/n；

所述第i个小型人工鱼个体进行觅食聚群行为更新值X_inext3的计算公式如下：

X_inext3＝X_i+rand(·)×Step1×δ₁×(X_c1-X_i)/||X_c1-X_i||；

步骤4.6.7：判断当前小型人工鱼个体进行追尾行为更新值X_inext2和小型人工鱼个体进行觅食聚群行为更新值X_inext3是否均满足其约束条件并且潮流收敛，若是，则记录该更新值X_inext2的状态和更新值X_inext3的状态，并计算其食物浓度，更新公告板Y1，执行步骤4.7，否则，返回步骤4.6.5。

步骤4.7：凶猛鱼群进行行动：根据凶猛鱼群中各凶猛人工鱼个体与小型人工鱼个体之间的距离，以及凶猛鱼群各凶猛人工鱼个体之间的距离，对各凶猛人工鱼个体进行捕食行为、追踪行为和聚群行为，并对凶猛鱼群进行行动后的公告板Y2进行更新；

步骤4.7.1：确定当前第i′个凶猛人工鱼个体W_i′与各小型人工鱼个体X_j′之间的距离L＝{L_i′1，L_i′2，...，L_i′j′，...，L_i′N1}，其中，L_i′j″＝||W_i′-X_j″||，1＜j″＜N1；

步骤4.7.2：判断当前第i′个凶猛人工鱼个体W_i′与各小型人工鱼个体X_j″之间的距离L_i′j″是否小于等于凶猛鱼群感知范围Visual2，若是，则执行步骤4.7.3，否则，执行步骤4.7.6；

步骤4.7.3：确定当前第i′个凶猛人工鱼个体W_i′感知范围内小型人工鱼个体总数m，以当前第i′个凶猛人工鱼个体W_i′感知范围内小型鱼群中心位置X_c2作为当前食物浓度最大值，对第i′个凶猛人工鱼个体W_i′进行捕食行为，将第i′个凶猛人工鱼个体W_i′更新为小型鱼群中心位置X_c2，得到第i′个凶猛人工鱼个体W_i′进行捕食行为的更新值W_i′next1＝X_c2；

所述第i′个凶猛人工鱼个体W_i′感知范围内小型鱼群中心位置X_c2的计算公式如下：

X_c2＝(X_i′1+X_i′2+...+X_i′m)/m；

其中，X_i′m为凶猛人工鱼个体W_i′感知范围内小型人工鱼；

步骤4.7.4：以当前第i′个凶猛人工鱼个体W_i′感知范围内小型鱼群中心位置X_c2作为当前食物浓度最大值，对第i′个凶猛人工鱼个体W_i′进行追踪行为，得到第i′个凶猛人工鱼个体W_i′进行追踪行为的更新值W_i′next2；

所述第i′个凶猛人工鱼个体W_i′进行追踪行为的更新值W_i′next2的计算公式如下：

W_i′next2＝W_`i+rand(·)×Step2×δ₂×(X_c2-W_i′)/||X_c2-W_i＇||；

步骤4.7.5：判断当前凶猛人工鱼个体W_i′进行捕食行为的更新值W_i′next1和凶猛人工鱼个体W_i′进行追踪行为的更新值W_i′next2是否均满足其约束条件并且潮流收敛，若是，则记录该更新值W_i′next1的状态和更新值W_i′next2的状态，并计算其食物浓度，更新公告板Y2，执行步骤4.7.6，否则，返回步骤4.7.3；

步骤4.7.6：确定第i′个凶猛人工鱼个体W_i＇感知范围内凶猛人工鱼个体总数r，从而确定聚群行为中心位置W_c，对第i′个凶猛人工鱼个体W_i＇进行聚群行为，得到第i′个凶猛人工鱼个体W_i＇进行聚群行为的更新值W_i′next3；

所述聚群行为中心位置W_c的计算公式如下：

W_c＝(W_i＇1+W_i＇2+...+W_i＇r)/r；

其中，W_i＇r为第i′个凶猛人工鱼个体W_i′感知范围内凶猛人工鱼个体；

所述第i′个凶猛人工鱼个体W_i＇进行聚群行为的更新值W_i′next3的计算公式如下：

W_i＇next1＝W_i＇+rand(·)×Step2×δ₂×(W_c-W_i＇)/||W_c-W_i＇||；

步骤4.7.7：判断当前凶猛人工鱼个体W_i＇进行聚群行为的更新值W_i′next3是否满足其约束条件并且潮流收敛，若是，则记录该更新值W_i′next3的状态，并计算其食物浓度，更新公告板Y2，执行步骤4.8，否则，返回步骤4.7.6；

步骤4.8：判断当前迭代次数k′是否达到了最大迭代次数K，若是执行步骤4.9，否则，令k′＝k′+1，返回步骤4.6；

步骤4.9：比较公告板Y1和公告板Y2的食物浓度值，将食物浓度最大的记录的状态作为优化结果，得到各控制变量的优化取值，即发电机端电压幅值优化取值、变压器可调变比优化取值、无功补偿装置的无功容量优化取值；

步骤4.10：将各控制变量的优化取值传送至电网无功执行模块。

步骤5：各发电机端电压调节器根据发电机端电压幅值优化取值调节发电机端电压，各变压器分接头调节器根据变压器可调变比优化取值调节变压器分接头，各无功补偿调节器根据无功补偿装置的无功容量优化取值调节无功补偿器的补偿容量。

本发明的有益效果：

本发明提出一种基于双鱼群算法的电力无功优化系统及方法，本发明对系统进行模块化处理，易于控制和执行无功优化方案，基于双鱼群的无功优化方法，引入新鱼群-凶猛鱼群，增大搜索范围，很大改善了基本鱼群算法容易陷入局部最优解、难得到精确最优解的缺点，提高了其在计算过程中的收敛性，能够有效的提高电网的无功优化寻优能力是待优化配电网能够得到更为合理的无功潮流分布。

附图说明

图1为本发明具体实施方式中IEEE10节点系统；

图2为本发明具体实施方式中基于双鱼群算法的电力无功优化系统的结构框图；

图3为本发明具体实施方式中基于双鱼群算法的电力无功优化方法的流程图；

图4为本发明具体实施方式中采用基于双鱼群算法对当前网络待优化初始数据进行优化，得到电网中各控制变量的优化取值的过程流程图。

具体实施方式

下面结合附图对本发明具体实施方式加以详细的说明。

本实施方式中，采用如图1所示的IEEE10节点系统进行仿真。该系统是一个闭环系统，有6条线路，3个发电机节点，3个负荷节点，3台有载调压变压器。3个发电机节点中，节点1作为平衡节点，其余2个发电机节点为PV节点，系统中其它节点为PQ节点，2个无功补偿节点(节点为5，10)，可调变压器支路为1-4，2-8，3-6，4-10。电压等级是220kV，系统总负荷为315+j255MVA。

一种基于双鱼群算法的电力无功优化系统，如图2所示，包括：电网状态采集模块、电网无功调节模块和电网无功执行模块。

电网状态采集模块，包括电网状态采集器和中继传输器。

电网无功调节模块为控制终端。

电网无功执行模块，包括各发电机端电压调节器、各变压器分接头调节器和各无功补偿调节器。

电网状态采集器的输入端连接电网，电网状态采集器的输出端连接中继传输器的输入端，中继传输器的输出端连接控制终端的输入端，控制终端的输出端连接发各电机端电压调节器的输入端、各变压器分接头调节器的输入端和各无功补偿调节器的输入端，发电机端电压调节器的输出端连接电网中的发电机，变压器分接头调节器的输出端连接电网中的变压器，无功补偿调节器的输出端连接电网中的无功补偿装置。

本实施方式中，电网状态采集器的型号为DCZL23-CL156N，用于采集电网的当前网络信息，判断当前网络信息是否满足电网所需求的最优状态，若当前网络信息不能满足电网所需求的最优状态，则将当前网络信息传输至中继传输器，当前网络信息包括：电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息。

本实施方式中，根据图1中IEEE10节点系统得到的变压器信息和对应支路信息如表1和表2所示，负荷参数如表3所示，支路参数如表4所示。

表1双绕组变压器信息和对应支路信息

变压器支路	R	X	变比
				2-6	0	0.0625	1.0
3-8	0	0.0586	1.0

表中，R为电阻，X为电抗。

表2三绕组变压器信息和对应支路信息

变压器支路	高压阻抗(R/X)	中压阻抗(R/X)	低压阻抗(R/X)
				1-4-10	0.0011 0.085	0.0037 -0.015	0.0015 0.095

表3负荷参数

节点号	Pload	Qload
			5	1.25	0.80
7	1.00	0.55
			9	0.90	1.20

表中，P_load为负载的有功功率，Q_load为负载的无功功率。

表4支路参数

支路号	首末节点号	R	X	B/2
					1	4-5	0.0100	0.085	0.0440
2	5-6	0.0320	0.161	0.0765
					3	6-7	0.0085	0.072	0.0373
4	7-8	0.0119	0.1008	0.0523
					5	8-9	0.0390	0.170	0.0895
6	9-4	0.017	0.092	0.0395

本实施方式中，中继传输器的型号为RD980，用于将电网状态采集器所采集的当前网络信息中进行无功优化所需要的电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息传输至控制终端。

电网无功调节模块：包括参数获取单元、基于双鱼群算法无功优化单元、优化决策控制单元。

参数获取单元，用于获取中继传输器传输的电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息，作为当前网络待优化初始数据。

基于双鱼群算法无功优化单元，用于建立电力系统无功优化的数学模型，采用基于双鱼群算法对获取的当前网络待优化初始数据进行优化，得到电网中各控制变量的优化取值，所述各控制变量包括发电机端电压幅值、变压器可调变比、无功补偿装置的无功容量。

本实施方式中，以网损最小和电压水平最优为优化目标，采用加权和法中的α-法，以罚函数的形式，建立电力系统无功优化的数学模型如式(1)所示：

其中，F为电力无功优化数学模型目标函数， 1＜h＜nl，nl为电网系统总支路数，G_lv为连接支路l-v的电导，θ_v为节点v的相角，θ_l为节点l的相角，α₁为网损最小目标函数的权重系数，α₂为电压最优目标函数的权重系数，u_l为节点l的电压，u_v为节点v的电压，1＜v＜N_d，N_d为电网系统中负荷节点总数，1＜k＜N_g，N_g为电网中发电机个数，V_v为节点v电压，为节点v的电压给定值，为节点v的电压偏差最大值，V_v.max为节点v电压上限值，V_v.min为节点v电压下限值，λ_u为负荷节点电压越界惩罚系数，λ_q发电机无功出力越界惩罚系数，Q_k为发电机节点k的无功出力，Q_k.max为发电机节点k的无功出力的上限值，Q_k.min为发电机节点k的无功出力的下限值。

本实施方式中，采用基于双鱼群算法对获取的当前网络待优化初始数据进行优化，得到电网中各控制变量的优化取值的具体过程如下：

根据电网待优化的各控制变量的取值上限及取值下限随机生成小型鱼群，各控制变量包括：发电机端电压幅值、变压器可调变比、无功补偿装置的无功容量；

根据电网待优化的各控制变量的取值上限及取值下限随机生成凶猛鱼群；

初始化当前最优食物浓度值进入公告板：以电力无功优化数学模型目标函数的倒数作为食物浓度值FC，通过计算当前网络待优化初始数据条件下的食物浓度值、各小型人工鱼个体状态下的食物浓度值、各凶猛人工鱼个体状态下的食物浓度值，取食物浓度值的最大值作为当前最优食物浓度值进入公告板，保存其状态及当前最优食物浓度值FC；

本实施方式中，食物浓度值FC的计算公式如式(2)所示：

FC＝1/F (2)

对小型鱼群进行行动：根据小型鱼群中各小型人工鱼个体与凶猛人工鱼个体之间的距离，以及小型鱼群各小型人工鱼个体之间的距离，对小型人工鱼个体进行觅食聚群行为、追尾行为和防护聚群行为，并对小型鱼群进行行动后的公告板Y1进行更新；

对凶猛鱼群进行行动：根据凶猛鱼群中各凶猛人工鱼个体与小型人工鱼个体之间的距离，以及凶猛鱼群各凶猛人工鱼个体之间的距离，对各凶猛人工鱼个体进行捕食行为、追踪行为和聚群行为，并对凶猛鱼群进行行动后的公告板Y2进行更新；

当迭代次数达到了最大迭代次数时，比较公告板Y1和公告板Y2的食物浓度值，将食物浓度最大的记录的状态作为优化结果，得到各控制变量的优化取值，即发电机端电压幅值优化取值、变压器可调变比优化取值、无功补偿装置的无功容量优化取值。

优化决策控制单元，用于将各控制变量的优化取值传送至电网无功执行模块。

本实施方式中，发电机端电压调节器型号为EQ1512，用于根据电网无功调节模块得到的发电机端电压幅值优化取值调节发电机端电压。

本实施方式中，变压器分接头调节器型号为TSGC2J，用于根据电网无功调节模块得到的变压器可调变比优化取值调节变压器分接头。

本实施方式中，无功补偿调节器型号为GLTSC，用于根据电网无功调节模块得到的无功补偿装置的无功容量优化取值调节无功补偿器的补偿容量。

采用基于双鱼群算法的电力无功优化系统进行电力无功优化的方法，如图3所示，包括以下步骤：

步骤1：通过电网状态采集器采集电网的当前网络信息，判断当前网络信息是否满足电网所需求的最优状态，若当前网络信息不能满足电网所需求的最优状态，则将当前网络信息传输至中继传输器。

步骤2：通过中继传输器将电网状态采集器所采集的当前网络信息中进行无功优化所需要的电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息传输至控制终端。

步骤3：通过控制终端获取中继传输器传输的电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息，作为当前网络待优化初始数据。

本实施方式中，当前网络待优化初始数据为节点信息、支路信息、发电机个数及各发电机端电压幅值U_G的上下限、变压器个数及各变压器可调变比K_t的上下限、无功补偿装置的投切组数及各无功补偿装置无功容量Q_c的上下限。

步骤4：通过控制终端建立电力系统无功优化的数学模型，采用基于双鱼群算法对获取的当前网络待优化初始数据进行优化，得到电网中各控制变量的优化取值，将各控制变量的优化取值传送至电网无功执行模块，如图4所示。

步骤4.1：以网损最小和电压水平最优为优化目标，采用加权和法中的α-法建立电力系统无功优化的数学模型。

步骤4.2：设定双鱼群算法参数：小型鱼群规模N1、凶猛鱼群规模N2、小型鱼群感知范围Visual1、凶猛鱼群感知范围Visual2、小型鱼群移动步长Step1、凶猛鱼群移动步长Step2、小型鱼群拥挤度因子δ₁、凶猛鱼群拥挤度因子δ₂、小型鱼群尝试次数try_number1、凶猛鱼群尝试次数try_number2、最大迭代次数K＞0。

本实施方式中，最大迭代次数K为100。

步骤4.3：根据电网待优化的各控制变量的取值上限及取值下限随机生成小型鱼群。

步骤4.3.1：初始化生成小型人工鱼个数t₁＝0。

步骤4.3.2：根据电网待优化的各控制变量的取值上限及取值下限随机生成小型人工鱼个体如式(3)所示：

X＝[U_G11，U_G12，...U_G1g，K_T11，K_T12，...，K_T1t，Q_C11，Q_C12，...，Q_C1c]＝[x₁，x₂，...，x_s，...，x_S] (3)

其中，X为小型人工鱼个体的控制变量取值序列，x_s＝x_{s min}+rand(·)×(x_{s max}-x_{s min})，rand(·)为(0，1)区间的随机数，x_{s min}为对应控制变量的取值下限，x_{s max}为对应控制变量的取值上限，U_G1g为随机生成的小型人工鱼个体中发电机端电压幅值，K_T1t为随机生成的小型人工鱼个体中变压器可调变比，Q_C1c为随机生成的小型人工鱼个体中无功补偿装置的无功容量，x_s为随机生成的小型人工鱼个体的控制变量，1≤s≤S，S＝N_g+N_t+N_c，N_g为电网中发电机个数，N_t为电网中变压器个数，N_c为电网中无功补偿装置的个数。

步骤4.3.3：对步骤4.3.2中随机生成的小型人工鱼个体中各控制变量采用P-Q分解法进行潮流计算，若当前小型人工鱼个体的潮流值收敛，则保留该小型人工鱼个体，令t₁＝t₁+1，执行步骤4.3.4，否则，不保留该小型人工鱼个体，返回步骤4.3.2。

步骤4.3.4：若当前生成小型鱼个数t₁达到小型鱼群规模N1，则得到当前小型鱼群，执行步骤4.4，否则，返回步骤4.3.2。

步骤4.4：根据电网待优化的各控制变量的取值上限及取值下限随机生成凶猛鱼群。

步骤4.4.1：初始化生成凶猛人工鱼个数t₂＝0。

步骤4.4.2：根据电网待优化的各控制变量的取值上限及取值下限随机生成凶猛人工鱼个体如式(4)所示：

W＝[U_G21，U_G22，...U_G2g，K_T21，K_T22，...，K_T2t，Q_C21，Q_C22，...，Q_C2c]＝[w₁，w₂，...，w_s，...，w_S] (4)

其中，W为凶猛人工鱼个体的控制变量取值序列，w_s＝x_{s max}+rand(·)×(x_{s max}-x_{s min})，U_G2g为随机生成的凶猛人工鱼个体中发电机端电压幅值，K_T2t为随机生成的凶猛人工鱼个体中变压器可调变比，Q_C2c为随机生成的凶猛人工鱼个体中无功补偿装置的无功容量，w_s为随机生成的凶猛人工鱼个体的控制变量。

步骤4.4.3：对步骤4.4.2中随机生成的凶猛人工鱼个体中各控制变量采用P-Q分解法进行潮流计算，若当前凶猛人工鱼个体的潮流值收敛，则保留该凶猛人工鱼个体，令t₂＝t₂+1，执行步骤4.4.4，否则，不保留该凶猛人工鱼个体，返回步骤4.4.2。

步骤4.4.4：若当前凶猛人工鱼个数t₂达到凶猛鱼群规模N2，则得到当前凶猛鱼群，执行步骤4.5，否则，返回步骤4.4.2。

步骤4.5：初始化当前迭代次数k′＝0，初始化当前最优食物浓度值进入公告板：以电力无功优化数学模型目标函数的倒数作为食物浓度值FC，通过计算当前网络待优化初始数据条件下的食物浓度值、各小型人工鱼个体状态下的食物浓度值、各凶猛人工鱼个体状态下的食物浓度值，取食物浓度值的最大值作为当前最优食物浓度值进入公告板，保存其状态及当前最优食物浓度值FC。

步骤4.6：小型鱼群进行行动：根据小型鱼群中各小型人工鱼个体与凶猛人工鱼个体之间的距离，以及小型鱼群各小型人工鱼个体之间的距离，对小型人工鱼个体进行觅食聚群行为、追尾行为和防护聚群行为，并对小型鱼群进行行动后的公告板Y1进行更新。

步骤4.6.1：确定当前第i个小型人工鱼个体X_i与各凶猛人工鱼个体W_i之间的距离如式(5)所示：

D＝{D_i1，D_i2，...，D_ij，...，D_iN2} (5)

其中，D_ij＝||X_i-W_j||，1＜j＜N2。

步骤4.6.2：判断当前第i个小型人工鱼个体X_i与各凶猛人工鱼个体W_j之间的距离D_ij是否小于等于小型鱼群感知范围Visual1，若是，则执行步骤4.6.3，否则，执行步骤4.6.5。

步骤4.6.3：确定第i个小型人工鱼个体X_i感知范围内小型人工鱼个体总数n，从而确定防护聚集安全位置X_safe，对第i个小型人工鱼个体X_i进行防护聚群行为，得到第i个小型人工鱼个体进行防护聚群行为更新值X_inext1。

本实施方式中，确定第i个小型人工鱼个体X_i感知范围内小型人工鱼个体，即满足公式(6)所示的小型人工鱼个体X_in：

d_iin＝||X_i-X_in||≤Visual1 (6)

其中，d_iin为第i个小型人工鱼个体X_i与周围小型人工鱼个体X_in的距离。

本实施方式中，防护聚集安全位置X_safe的计算公式如式(7)所示：

X_safe＝(X_i1+X_i2+...+X_in)×λ/n (7)

其中，λ＝(n+p)/n为逃离因子，p为小型人工鱼个体X_i感知范围Visual1内凶猛人工鱼个体总数，X_in为小型人工鱼个体X_i感知范围内的小型人工鱼个体，引入逃离因子λ的目的是使小型鱼群进行防护聚群行为时，尽可能的聚集到离凶猛鱼群较远的安全位置。

本实施方式中，第i个小型人工鱼个体进行防护聚群行为更新值X_inext1的计算公式如式(8)所示：

X_inext1＝X_i+rand(·)×Step1×δ₁×(X_safe-X_i)/||X_safe-X_i|| (8)

步骤4.6.4：判断当前小型人工鱼个体进行防护聚群行为更新值X_inext1是否满足其约束条件并且潮流收敛，若是，则记录该更新值X_inext1的状态，并计算其食物浓度，更新公告板Y1，执行步骤4.7，否则，返回步骤4.6.3。

本实施方式中，各约束条件为对应的发电机个数及各发电机端电压幅值U_G的上下限、变压器个数及各变压器可调变比K_t的上下限、无功补偿装置的投切组数及各无功补偿装置无功容量Q_c的上下限。

步骤4.6.5：确定第i个小型人工鱼个体X_i感知范围内小型鱼群中食物浓度FC_j′为最大的小型人工鱼个体X_j′，对第i个小型人工鱼个体X_i进行追尾行为，得到第i个小型人工鱼个体X_i进行追尾行为更新值X_inext2。

本实施方式中，第i个小型人工鱼个体X_i进行追尾行为的更新值X_inext2的计算公式如式(9)所示：

X_inext2＝X_i+rand(·)×Step1×δ₁×(X_j′-X_i)/||X_j′-X_i|| (9)

步骤4.6.6：确定第i个小型人工鱼个体X_i感知范围内小型人工鱼个体总数n，从而确定觅食聚群中心位置X_c1，对第i个小型人工鱼个体X_i进行觅食聚群行为，得到第i个小型人工鱼个体进行觅食聚群行为更新值X_inext3。

本实施方式中，觅食聚群中心位置X_c1的计算公式如式(10)所示：

X_c1＝(X_i1+X_i2+...+X_in)/n (10)

本实施方式中，第i个小型人工鱼个体进行觅食聚群行为更新值X_inext3的计算公式如式(11)所示：

X_inext3＝X_i+rand(·)×Step1×δ₁×(X_c1-X_i)/||X_c1-X_i|| (11)

步骤4.6.7：判断当前小型人工鱼个体进行追尾行为更新值X_inext2和小型人工鱼个体进行觅食聚群行为更新值X_inext3是否均满足其约束条件并且潮流收敛，若是，则记录该更新值X_inext2的状态和更新值X_inext3的状态，并计算其食物浓度，更新公告板Y1，执行步骤4.7，否则，返回步骤4.6.5。

步骤4.7：凶猛鱼群进行行动：根据凶猛鱼群中各凶猛人工鱼个体与小型人工鱼个体之间的距离，以及凶猛鱼群各凶猛人工鱼个体之间的距离，对各凶猛人工鱼个体进行捕食行为、追踪行为和聚群行为，并对凶猛鱼群进行行动后的公告板Y2进行更新。

步骤4.7.1：确定当前第i′个凶猛人工鱼个体W_i′与各小型人工鱼个体X_j′之间的距离如式(12)所示：

L＝{L_i′1，L_i′2，...，L_i′j″，...，L_i′N1} (12)

其中，L_i′j″＝||W_i′-X_j″||，1＜j″＜N1。

步骤4.7.2：判断当前第i′个凶猛人工鱼个体W_i′与各小型人工鱼个体X_j″之间的距离L_i′j″是否小于等于凶猛鱼群感知范围Visual2，若是，则执行步骤4.7.3，否则，执行步骤4.7.6。

步骤4.7.3：确定当前第i′个凶猛人工鱼个体W_i′感知范围内小型人工鱼个体总数m，以当前第i′个凶猛人工鱼个体W_i′感知范围内小型鱼群中心位置X_c2作为当前食物浓度最大值，对第i′个凶猛人工鱼个体W_i′进行捕食行为，将第i′个凶猛人工鱼个体W_i′更新为小型鱼群中心位置X_c2，得到第i′个凶猛人工鱼个体W_i′进行捕食行为的更新值W_i′next1＝X_c2。

本实施方式中，第i′个凶猛人工鱼个体W_i′感知范围内小型鱼群中心位置X_c2的计算公式如式(13)所示：

X_c2＝(X_i′1+X_i′2+...+X_i′m)/m (13)

其中，X_i′m为凶猛人工鱼个体W_i′感知范围内小型人工鱼。

步骤4.7.4：以当前第i′个凶猛人工鱼个体W_i′感知范围内小型鱼群中心位置X_c2作为当前食物浓度最大值，对第i′个凶猛人工鱼个体W_i′进行追踪行为，得到第i′个凶猛人工鱼个体W_i′进行追踪行为的更新值W_i′next2。

本实施方式中，第i′个凶猛人工鱼个体W_i′进行追踪行为的更新值W_i′next2的计算公式如式(14)所示：

W_i＇next2＝W_`i+rand(·)×Step2×δ₂×(X_c2-W_i＇)/||X_c2-W_i＇|| (14)

步骤4.7.5：判断当前凶猛人工鱼个体W_i′进行捕食行为的更新值W_i′next1和凶猛人工鱼个体W_i′进行追踪行为的更新值W_i′next2是否均满足其约束条件并且潮流收敛，若是，则记录该更新值W_i′next1的状态和更新值W_i′next2的状态，并计算其食物浓度，更新公告板Y2，执行步骤4.7.6，否则，返回步骤4.7.3。

步骤4.7.6：确定第i′个凶猛人工鱼个体W_i′感知范围内凶猛人工鱼个体总数r，从而确定聚群行为中心位置W_c，对第i′个凶猛人工鱼个体W_i′进行聚群行为，得到第i′个凶猛人工鱼个体W_i′进行聚群行为的更新值W_i′next3。

本实施方式中，聚群行为中心位置W_c的计算公式如式(15)所示：

W_c＝(W_i＇1+W_i＇2+...+W_i＇r)/r (15)

其中，W_i＇r为第i′个凶猛人工鱼个体W_i＇感知范围内凶猛人工鱼个体。

本实施方式中，第i′个凶猛人工鱼个体W_i＇进行聚群行为的更新值W_i′next3的计算公式如式(16)所示：

W_i′next1＝W_i＇+rand(·)×Step2×δ₂×(W_c-W_i′)/||W_c-W_i′|| (16)

步骤4.7.7：判断当前凶猛人工鱼个体W_i′进行聚群行为的更新值W_i′next3是否满足其约束条件并且潮流收敛，若是，则记录该更新值W_i′next3的状态，并计算其食物浓度，更新公告板Y2，执行步骤4.8，否则，返回步骤4.7.6。

步骤4.8：判断当前迭代次数k′是否达到了最大迭代次数K，若是执行步骤4.9，否则，令k′＝k′+1，返回步骤4.6。

步骤4.9：比较公告板Y1和公告板Y2的食物浓度值，将食物浓度最大的记录的状态作为优化结果，得到各控制变量的优化取值，即发电机端电压幅值优化取值、变压器可调变比优化取值、无功补偿装置的无功容量优化取值。

步骤4.10：将各控制变量的优化取值传送至电网无功执行模块。

步骤5：各发电机端电压调节器根据发电机端电压幅值优化取值调节发电机端电压，各变压器分接头调节器根据变压器可调变比优化取值调节变压器分接头，各无功补偿调节器根据无功补偿装置的无功容量优化取值调节无功补偿器的补偿容量。

本实施方式中，分别采用粒子群算法、遗传算法和本发明中双鱼群算法对该系统进行无功优化仿真，三种算法均迭代100次，均通过10次仿真实验，仿真结果对比情况如表5和表6所示：

表5采用粒子群算法、遗传算法和本发明中双鱼群算法优化前后节点电压对比

表6采用粒子群算法、遗传算法和本发明中双鱼群算法优化前后系统网损对比

根据表5和表6可知，通过补偿后的对比分析，可知双鱼群算法相比于粒子群算法和遗传算法，在无功优化过程中，取得更优的效果，电压质量提高明显，网损下降最大，使得无功分布得到改善，保证了系统的安全性和稳定性，其结果证明该算法具有很好的可行性和实用性。

Claims (9)

1.一种基于双鱼群算法的电力无功优化系统，其特征在于，包括：电网状态采集模块、电网无功调节模块和电网无功执行模块；

所述电网状态采集模块，包括电网状态采集器和中继传输器；

所述电网无功调节模块为控制终端；

所述电网无功执行模块，包括各发电机端电压调节器、各变压器分接头调节器和各无功补偿调节器；

所述电网状态采集器的输入端连接电网，所述电网状态采集器的输出端连接中继传输器的输入端，所述中继传输器的输出端连接控制终端的输入端，所述控制终端的输出端连接发各电机端电压调节器的输入端、各变压器分接头调节器的输入端和各无功补偿调节器的输入端，所述发电机端电压调节器的输出端连接电网中的发电机，所述变压器分接头调节器的输出端连接电网中的变压器，所述无功补偿调节器的输出端连接电网中的无功补偿装置；

所述电网状态采集器，用于采集电网的当前网络信息，判断当前网络信息是否满足电网所需求的最优状态，若当前网络信息不能满足电网所需求的最优状态，则将当前网络信息传输至中继传输器，所述当前网络信息包括：电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息；

所述中继传输器，用于将电网状态采集器所采集的当前网络信息中进行无功优化所需要的电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息传输至控制终端；

所述电网无功调节模块：包括参数获取单元、基于双鱼群算法无功优化单元、优化决策控制单元；

所述参数获取单元，用于获取中继传输器传输的电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息，作为当前网络待优化初始数据；

所述基于双鱼群算法无功优化单元，用于建立电力系统无功优化的数学模型，采用基于双鱼群算法对获取的当前网络待优化初始数据进行优化，得到电网中各控制变量的优化取值，所述各控制变量包括发电机端电压幅值、变压器可调变比、无功补偿装置的无功容量；

所述优化决策控制单元，用于将各控制变量的优化取值传送至电网无功执行模块；

所述发电机端电压调节器，用于根据电网无功调节模块得到的发电机端电压幅值优化取值调节发电机端电压；

所述变压器分接头调节器，用于根据电网无功调节模块得到的变压器可调变比优化取值调节变压器分接头；

所述无功补偿调节器，用于根据电网无功调节模块得到的无功补偿装置的无功容量优化取值调节无功补偿器的补偿容量。

2.根据权利要求1所述的基于双鱼群算法的电力无功优化系统，其特征在于，所述建立电力系统无功优化的数学模型如下所示：

其中，F为电力无功优化数学模型目标函数， 1≤h≤nl，nl为电网系统总支路数，G_lv为连接支路l-v的电导，θ_v为节点v的相角，θ_l为节点l的相角，α₁为网损最小目标函数的权重系数，α₂为电压最优目标函数的权重系数，u_l为节点l的电压，u_v为节点v的电压，1＜v＜N_d，N_d为电网系统中负荷节点总数，1＜k＜N_g，N_g为电网中发电机个数，V_v为节点v电压，为节点v的电压给定值，为节点v的电压偏差最大值，V_v.max为节点v电压上限值，V_v.min为节点v电压下限值，λ_u为负荷节点电压越界惩罚系数，λ_q发电机无功出力越界惩罚系数，Q_k为发电机节点k的无功出力，Q_k.max为发电机节点k的无功出力的上限值，Q_k.min为发电机节点k的无功出力的下限值。

3.根据权利要求1或2所述的基于双鱼群算法的电力无功优化系统，其特征在于，所述采用基于双鱼群算法对获取的当前网络待优化初始数据进行优化，得到电网中各控制变量的优化取值的具体过程如下：

根据电网待优化的各控制变量的取值上限及取值下限随机生成小型鱼群；

根据电网待优化的各控制变量的取值上限及取值下限随机生成凶猛鱼群；

初始化当前最优食物浓度值进入公告板：以电力无功优化数学模型目标函数的倒数作为食物浓度值FC，通过计算当前网络待优化初始数据条件下的食物浓度值、各小型人工鱼个体状态下的食物浓度值、各凶猛人工鱼个体状态下的食物浓度值，取食物浓度值的最大值作为当前最优食物浓度值进入公告板，保存其状态及当前最优食物浓度值FC；

对小型鱼群进行行动：根据小型鱼群中各小型人工鱼个体与凶猛人工鱼个体之间的距离，以及小型鱼群各小型人工鱼个体之间的距离，对小型人工鱼个体进行觅食聚群行为、追尾行为和防护聚群行为，并对小型鱼群进行行动后的公告板Y1进行更新；

对凶猛鱼群进行行动：根据凶猛鱼群中各凶猛人工鱼个体与小型人工鱼个体之间的距离，以及凶猛鱼群各凶猛人工鱼个体之间的距离，对各凶猛人工鱼个体进行捕食行为、追踪行为和聚群行为，并对凶猛鱼群进行行动后的公告板Y2进行更新；

当迭代次数达到了最大迭代次数时，比较公告板Y1和公告板Y2的食物浓度值，将食物浓度最大的记录的状态作为优化结果，得到各控制变量的优化取值，即发电机端电压幅值优化取值、变压器可调变比优化取值、无功补偿装置的无功容量优化取值。

4.采用权利要求1所述的基于双鱼群算法的电力无功优化系统进行电力无功优化的方法，其特征在于，包括以下步骤：

步骤1：通过电网状态采集器采集电网的当前网络信息，判断当前网络信息是否满足电网所需求的最优状态，若当前网络信息不能满足电网所需求的最优状态，则将当前网络信息传输至中继传输器；

步骤2：通过中继传输器将电网状态采集器所采集的当前网络信息中进行无功优化所需要的电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息传输至控制终端；

步骤3：通过控制终端获取中继传输器传输的电网节点信息、支路信息、发电机信息、变压器信息和无功补偿装置信息，作为当前网络待优化初始数据；

步骤4：通过控制终端建立电力系统无功优化的数学模型，采用基于双鱼群算法对获取的当前网络待优化初始数据进行优化，得到电网中各控制变量的优化取值，将各控制变量的优化取值传送至电网无功执行模块；

步骤5：各发电机端电压调节器根据发电机端电压幅值优化取值调节发电机端电压，各变压器分接头调节器根据变压器可调变比优化取值调节变压器分接头，各无功补偿调节器根据无功补偿装置的无功容量优化取值调节无功补偿器的补偿容量。

5.根据权利要求4所述的基于双鱼群算法的电力无功优化的方法，其特征在于，所述步骤4包括以下步骤：

步骤4.1：以网损最小和电压水平最优为优化目标，采用加权和法中的α-法建立电力系统无功优化的数学模型：

其中，F为电力无功优化数学模型目标函数， 1≤h≤nl，nl为电网系统总支路数，G_lv为连接支路l-v的电导，θ_v为节点v的相角，θ_l为节点l的相角，α₁为网损最小目标函数的权重系数，α₂为电压最优目标函数的权重系数，u_l为节点l的电压，u_v为节点v的电压，1＜v＜N_d，N_d为电网系统中负荷节点总数，1＜k＜N_g，N_g为电网中发电机个数，V_v为节点v电压，为节点v的电压给定值，为节点v的电压偏差最大值，V_v.max为节点v电压上限值，V_v.min为节点v电压下限值，λ_u为负荷节点电压越界惩罚系数，λ_q发电机无功出力越界惩罚系数，Q_k为发电机节点k的无功出力，Q_k.max为发电机节点k的无功出力的上限值，Q_k.min为发电机节点k的无功出力的下限值；

步骤4.2：设定双鱼群算法参数：小型鱼群规模N1、凶猛鱼群规模N2、小型鱼群感知范围Visual1、凶猛鱼群感知范围Visual2、小型鱼群移动步长Step1、凶猛鱼群移动步长Step2、小型鱼群拥挤度因子δ₁、凶猛鱼群拥挤度因子δ₂、最大迭代次数K＞0；

步骤4.3：根据电网待优化的各控制变量的取值上限及取值下限随机生成小型鱼群；

步骤4.4：根据电网待优化的各控制变量的取值上限及取值下限随机生成凶猛鱼群；

步骤4.5：初始化当前迭代次数k′＝0，初始化当前最优食物浓度值进入公告板：以电力无功优化数学模型目标函数的倒数作为食物浓度值FC，通过计算当前网络待优化初始数据条件下的食物浓度值、各小型人工鱼个体状态下的食物浓度值、各凶猛人工鱼个体状态下的食物浓度值，取食物浓度值的最大值作为当前最优食物浓度值进入公告板，保存其状态及当前最优食物浓度值FC；

步骤4.6：小型鱼群进行行动：根据小型鱼群中各小型人工鱼个体与凶猛人工鱼个体之间的距离，以及小型鱼群各小型人工鱼个体之间的距离，对小型人工鱼个体进行觅食聚群行为、追尾行为和防护聚群行为，并对小型鱼群进行行动后的公告板Y1进行更新；

步骤4.7：凶猛鱼群进行行动：根据凶猛鱼群中各凶猛人工鱼个体与小型人工鱼个体之间的距离，以及凶猛鱼群各凶猛人工鱼个体之间的距离，对各凶猛人工鱼个体进行捕食行为、追踪行为和聚群行为，并对凶猛鱼群进行行动后的公告板Y2进行更新；

步骤4.8：判断当前迭代次数k′是否达到了最大迭代次数K，若是执行步骤4.9，否则，令k′＝k′+1，返回步骤4.6；

步骤4.9：比较公告板Y1和公告板Y2的食物浓度值，将食物浓度最大的记录的状态作为优化结果，得到各控制变量的优化取值，即发电机端电压幅值优化取值、变压器可调变比优化取值、无功补偿装置的无功容量优化取值；

步骤4.10：将各控制变量的优化取值传送至电网无功执行模块。

6.根据权利要求5所述的基于双鱼群算法的电力无功优化的方法，其特征在于，所述步骤4.3包括以下步骤：

步骤4.3.1：初始化生成小型人工鱼个数t₁＝0；

步骤4.3.2：根据电网待优化的各控制变量的取值上限及取值下限随机生成小型人工鱼个体：

X＝[U_G11，U_G12，...U_G1g，K_T11，K_T12，...，K_T1t，Q_C11，Q_C12，...，Q_C1c]＝[x₁，x₂，...，x_s，...，x_s]；

其中，X为小型人工鱼个体的控制变量取值序列，x_s＝x_{s min}+rand(·)×(x_{s max}-x_{s min})，rand(·)为(0，1)区间的随机数，x_{s min}为对应控制变量的取值下限，x_{s max}为对应控制变量的取值上限，U_Glg为随机生成的小型人工鱼个体中发电机端电压幅值，K_T1t为随机生成的小型人工鱼个体中变压器可调变比，Q_C1c为随机生成的小型人工鱼个体中无功补偿装置的无功容量，x_s为随机生成的小型人工鱼个体的控制变量，1≤s≤S，S＝N_g+N_t+N_c，N_g为电网中发电机个数，N_t为电网中变压器个数，N_c为电网中无功补偿装置的个数；

步骤4.3.3：对步骤4.3.2中随机生成的小型人工鱼个体中各控制变量采用P-Q分解法进行潮流计算，若当前小型人工鱼个体的潮流值收敛，则保留该小型人工鱼个体，令t₁＝t₁+1，执行步骤4.3.4，否则，不保留该小型人工鱼个体，返回步骤4.3.2；

步骤4.3.4：若当前生成小型鱼个数t₁达到小型鱼群规模N1，则得到当前小型鱼群，执行步骤4.4，否则，返回步骤4.3.2。

7.根据权利要求5所述的基于双鱼群算法的电力无功优化的方法，其特征在于，所述步骤4.4包括以下步骤：

步骤4.4.1：初始化生成凶猛人工鱼个数t₂＝0；

步骤4.4.2：根据电网待优化的各控制变量的取值上限及取值下限随机生成凶猛人工鱼个体：

W＝[U_G21，U_G22，...U_G2g，K_T21，K_T22，...，K_T2t，Q_C21，Q_C22，...，Q_C2c]＝[w₁，w₂，...，w_s，...，w_S]；

其中，W为凶猛人工鱼个体的控制变量取值序列，w_s＝x_{s max}+rand(·)×(x_{s max}-x_{s min})，U_G2g为随机生成的凶猛人工鱼个体中发电机端电压幅值，K_T2t为随机生成的凶猛人工鱼个体中变压器可调变比，Q_C2c为随机生成的凶猛人工鱼个体中无功补偿装置的无功容量，w_s为随机生成的凶猛人工鱼个体的控制变量；

步骤4.4.3：对步骤4.4.2中随机生成的凶猛人工鱼个体中各控制变量采用P-Q分解法进行潮流计算，若当前凶猛人工鱼个体的潮流值收敛，则保留该凶猛人工鱼个体，令t₂＝t₂+1，执行步骤4.4.4，否则，不保留该凶猛人工鱼个体，返回步骤4.4.2；

步骤4.4.4：若当前凶猛人工鱼个数t₂达到凶猛鱼群规模N2，则得到当前凶猛鱼群，执行步骤4.5，否则，返回步骤4.4.2。

8.根据权利要求5所述的基于双鱼群算法的电力无功优化的方法，其特征在于，所述步骤4.6包括以下步骤：

步骤4.6.1：确定当前第i个小型人工鱼个体X_i与各凶猛人工鱼个体W_j之间的距离D＝{D_i1，D_i2，...，D_ij，...，D_iN2}，其中，D_ij＝||X_i-W_j||，1＜j＜N2；

步骤4.6.2：判断当前第i个小型人工鱼个体X_i与各凶猛人工鱼个体W_j之间的距离D_ij是否小于等于小型鱼群感知范围Visual1，若是，则执行步骤4.6.3，否则，执行步骤4.6.5；

步骤4.6.3：确定第i个小型人工鱼个体X_i感知范围内小型人工鱼个体总数n，从而确定防护聚集安全位置X_iafe，对第i个小型人工鱼个体X_i进行防护聚群行为，得到第i个小型人工鱼个体进行防护聚群行为更新值X_inext1；

所述防护聚集安全位置X_safe的计算公式如下：

X_safe＝(X_i1+X_i2+...+X_in)×λ/n；

其中，λ＝(n+p)/n为逃离因子，p为小型人工鱼个体X_i感知范围Visual1内凶猛人工鱼个体总数，X_in为小型人工鱼个体X_i感知范围内的小型人工鱼个体；

所述第i个小型人工鱼个体进行防护聚群行为更新值X_inext1的计算公式如下：

X_inext1＝X_i+rand(·)×Step1×δ₁×(X_safe-X_i)/||X_safe-X_i||；

步骤4.6.4：判断当前小型人工鱼个体进行防护聚群行为更新值X_inext1是否满足其约束条件并且潮流收敛，若是，则记录该更新值X_inext1的状态，并计算其食物浓度，更新公告板Y1，执行步骤4.7，否则，返回步骤4.6.3；

步骤4.6.5：确定第i个小型人工鱼个体X_i感知范围内小型鱼群中食物浓度FC_j′为最大的小型人工鱼个体X_j′，对第i个小型人工鱼个体X_i进行追尾行为，得到第i个小型人工鱼个体X_i进行追尾行为更新值X_inext2；

所述第i个小型人工鱼个体X_i进行追尾行为的更新值X_inext2的计算公式如下：

X_inext2＝X_i+rand(·)×Step1×δ₁×(X_j′-X_i)/||X_j′-X_i||；

步骤4.6.6：确定第i个小型人工鱼个体X_i感知范围内小型人工鱼个体总数n，从而确定觅食聚群中心位置X_c1，对第i个小型人工鱼个体X_i进行觅食聚群行为，得到第i个小型人工鱼个体进行觅食聚群行为更新值X_inext3；

所述觅食聚群中心位置X_c1的计算公式如下：

X_c1＝(X_i1+X_i2+...+X_in)/n；

所述第i个小型人工鱼个体进行觅食聚群行为更新值X_inext3的计算公式如下：

X_inext3＝X_i+rand(·)×Step1×δ₁×(X_c1-X_i)/||X_c1-Xi||；

步骤4.6.7：判断当前小型人工鱼个体进行追尾行为更新值X_inext2和小型人工鱼个体进行觅食聚群行为更新值X_inext3是否均满足其约束条件并且潮流收敛，若是，则记录该更新值X_inext2的状态和更新值X_inext3的状态，并计算其食物浓度，更新公告板Y1，执行步骤4.7，否则，返回步骤4.6.5。

9.根据权利要求5所述的基于双鱼群算法的电力无功优化的方法，其特征在于，所述步骤4.7包括以下步骤：

步骤4.7.1：确定当前第i′个凶猛人工鱼个体W_i′与各小型人工鱼个体X_j″之间的距离L＝{L_i′1，L_i′2，...，L_i′j″，...，L_i′N1}，其中，L_i′j″＝||W_i′-X_j″||，1＜j″＜N1；

步骤4.7.2：判断当前第i′个凶猛人工鱼个体W_i′与各小型人工鱼个体X_j″之间的距离L_i′j″是否小于等于凶猛鱼群感知范围Visual2，若是，则执行步骤4.7.3，否则，执行步骤4.7.6；

步骤4.7.3：确定当前第i′个凶猛人工鱼个体W_i′感知范围内小型人工鱼个体总数m，以当前第i′个凶猛人工鱼个体W_i′感知范围内小型鱼群中心位置X_c2作为当前食物浓度最大值，对第i′个凶猛人工鱼个体W_i′进行捕食行为，将第i′个凶猛人工鱼个体W_i′更新为小型鱼群中心位置X_i2，得到第i′个凶猛人工鱼个体W_i′进行捕食行为的更新值W_i′next1＝X_i2；

所述第i′个凶猛人工鱼个体W_i′感知范围内小型鱼群中心位置X_c2的计算公式如下：

X_c2＝(X_i′1+X_i′2+...+X_i′m)/m；

其中，X_i′m为凶猛人工鱼个体W_i′感知范围内小型人工鱼；

步骤4.7.4：以当前第i′个凶猛人工鱼个体W_i′感知范围内小型鱼群中心位置X_c2作为当前食物浓度最大值，对第i′个凶猛人工鱼个体W_i′进行追踪行为，得到第i′个凶猛人工鱼个体W_i′进行追踪行为的更新值W_i′next2；

所述第i′个凶猛人工鱼个体W_i′进行追踪行为的更新值W_i′next2的计算公式如下：

W_i′next2＝W_′i+rand(·)×Step2×δ₂×(X_c2-W_i′)/||X_c2-W_i′||；

步骤4.7.5：判断当前凶猛人工鱼个体W_i′进行捕食行为的更新值W_i′next1和凶猛人工鱼个体W_i′进行追踪行为的更新值W_i′next2是否均满足其约束条件并且潮流收敛，若是，则记录该更新值W_i′next1的状态和更新值W_i′next2的状态，并计算其食物浓度，更新公告板Y2，执行步骤4.7.6，否则，返回步骤4.7.3；

步骤4.7.6：确定第i′个凶猛人工鱼个体W_i′感知范围内凶猛人工鱼个体总数r，从而确定聚群行为中心位置W_c，对第i′个凶猛人工鱼个体W_i′进行聚群行为，得到第i′个凶猛人工鱼个体W_i′进行聚群行为的更新值W_i′next3；

所述聚群行为中心位置W_c的计算公式如下：

W_c＝(W_i′1+W_i′2+...+W_i′r)/r；

其中，W_i′r为第i′个凶猛人工鱼个体W_i′感知范围内凶猛人工鱼个体；

所述第i′个凶猛人工鱼个体W_i′进行聚群行为的更新值W_i′next3的计算公式如下：

W_i′next1＝W_i′+rand(·)×Step2×δ₂×(W_c-W_i′)/||W_c-W_i′||；

步骤4.7.7：判断当前凶猛人工鱼个体W_i′进行聚群行为的更新值W_i′next3是否满足其约束条件并且潮流收敛，若是，则记录该更新值W_i′next3的状态，并计算其食物浓度，更新公告板Y2，执行步骤4.8，否则，返回步骤4.7.6。