本發(fā)明涉及電力系統(tǒng)規(guī)劃技術(shù)領(lǐng)域，尤其涉及一種基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化方法及裝置。

背景技術(shù)：

降低網(wǎng)損，提高電力系統(tǒng)輸電效率和電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性是電力系統(tǒng)運(yùn)行部門面臨的實際問題，也是電力系統(tǒng)研究的主要方向之一。電網(wǎng)電壓控制在很大程度上是無功優(yōu)化控制問題，系統(tǒng)無功分布的合理與否直接影響著電力系統(tǒng)的安全與穩(wěn)定,并與經(jīng)濟(jì)效益直接掛鉤。電力系統(tǒng)無功優(yōu)化問題屬于最優(yōu)潮流問題的一個組成部分。

電力系統(tǒng)的無功優(yōu)化問題是一個多變量、多約束的混合非線性規(guī)劃問題,其操作變量既有連續(xù)變量(如節(jié)電電壓、發(fā)電機(jī)的無功出力),又有離散變量(如變壓器分接頭位置,補(bǔ)償電抗器和電容器的投切容量),使得優(yōu)化過程十分復(fù)雜，因此需建立系統(tǒng)模型，提出和改進(jìn)相應(yīng)算法，用科學(xué)的手段完成系統(tǒng)的優(yōu)化，即獲取用于配電網(wǎng)的無功優(yōu)化參數(shù)。傳統(tǒng)的無功優(yōu)化算法包括內(nèi)點法、遺傳法、蜂群算法、粒子群算法等。

一般說到的無功優(yōu)化方法主要包含兩方面，一方面是對無功補(bǔ)償裝置進(jìn)行優(yōu)化規(guī)劃，另一方面是對電壓無功優(yōu)化控制。無功優(yōu)化方法的數(shù)學(xué)模型包括目標(biāo)函數(shù)(按一定的準(zhǔn)則設(shè)置，如經(jīng)濟(jì)最優(yōu)或電壓穩(wěn)定度最優(yōu))與約束條件(例如節(jié)點電壓水平的設(shè)置，有載調(diào)壓變壓器分接頭的調(diào)整等)。在數(shù)學(xué)上無功優(yōu)化實際就是在約束條件下求解目標(biāo)函數(shù)的值的問題。無功優(yōu)化方法的數(shù)學(xué)模型又分為兩類，基于解析解的數(shù)學(xué)優(yōu)化和基于智能最優(yōu)迭代的最優(yōu)潮流問題優(yōu)化。但目前的無功優(yōu)化方法收斂性較差、優(yōu)化程度較低，容易陷入局部最優(yōu)。

技術(shù)實現(xiàn)要素：

本申請?zhí)峁┮环N基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化方法及裝置，能夠使用于配電網(wǎng)的無功優(yōu)化，使其具有更好的收斂性和優(yōu)化程度。

第一方面，本發(fā)明的實施例提供了一種基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化方法，包括：獲取配電網(wǎng)的控制變量以及配電網(wǎng)的狀態(tài)變量，配電網(wǎng)的控制變量用于指示配電網(wǎng)的可調(diào)發(fā)電機(jī)節(jié)點電壓幅值、配電網(wǎng)的可調(diào)變壓器可調(diào)分接頭檔位以及配電網(wǎng)的無功補(bǔ)償電容器投切組數(shù)，配電網(wǎng)的狀態(tài)變量用于指示配電網(wǎng)的PQ節(jié)點的電壓以及配電網(wǎng)的發(fā)電機(jī)的無功出力；獲取包括指定數(shù)量的青蛙個體以及與指定數(shù)量的青蛙個體各自對立的青蛙個體的青蛙種群，其中指定數(shù)量的青蛙個體為設(shè)定范圍內(nèi)的配電網(wǎng)的控制變量；根據(jù)青蛙種群獲取初始無功電壓；根據(jù)初始無功電壓獲取局部無功電壓的最優(yōu)值，并根據(jù)局部無功電壓的最優(yōu)值獲取全局無功電壓的最優(yōu)解，全局無功電壓的最優(yōu)解用于配電網(wǎng)的無功優(yōu)化。

第二方面，本發(fā)明的實施例提供了一種基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化裝置，包括：獲取模塊，用于獲取配電網(wǎng)的控制變量以及配電網(wǎng)的狀態(tài)變量，配電網(wǎng)的控制變量用于指示配電網(wǎng)的可調(diào)發(fā)電機(jī)節(jié)點電壓幅值、配電網(wǎng)的可調(diào)變壓器可調(diào)分接頭檔位以及配電網(wǎng)的無功補(bǔ)償電容器投切組數(shù)，配電網(wǎng)的狀態(tài)變量用于指示配電網(wǎng)的PQ節(jié)點的電壓以及配電網(wǎng)的發(fā)電機(jī)的無功出力；處理模塊，用于獲取包括指定數(shù)量的青蛙個體以及與指定數(shù)量的青蛙個體各自對立的青蛙個體的青蛙種群，其中指定數(shù)量的青蛙個體為設(shè)定范圍內(nèi)的配電網(wǎng)的控制變量；處理模塊，還用于根據(jù)青蛙種群獲取初始無功電壓；處理模塊，還用于根據(jù)初始無功電壓獲取局部無功電壓的最優(yōu)值，并根據(jù)局部無功電壓的最優(yōu)值獲取全局無功電壓的最優(yōu)解，全局無功電壓的最優(yōu)解用于配電網(wǎng)的無功優(yōu)化。

本發(fā)明的實施例提供了一種基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化方法及裝置，通過獲取配電網(wǎng)的控制變量以及配電網(wǎng)的狀態(tài)變量，并獲取包括指定數(shù)量的青蛙個體以及與指定數(shù)量的青蛙個體各自對立的青蛙個體的青蛙種群，根據(jù)青蛙種群獲取初始無功電壓，根據(jù)初始無功電壓獲取局部無功電壓的最優(yōu)值，并根據(jù)局部無功電壓的最優(yōu)值獲取全局無功電壓的最優(yōu)解。在剛開始時以蛙跳算法為主進(jìn)行更新，混沌搜索起輔助作用，從而加速青蛙個體向全局最優(yōu)位置處移動，隨著局部深度搜索迭代次數(shù)的增加，算法逐漸進(jìn)入到以混沌搜索為主，從而幫助算法跳出局部極值，與現(xiàn)有技術(shù)相比使其具有更好的收斂性和優(yōu)化程度，還能夠提高電網(wǎng)的運(yùn)行效率和電能質(zhì)量，降低系統(tǒng)有功網(wǎng)損。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明的實施例所提供的一種基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化方法的示意性流程圖；

圖2為本發(fā)明的另一實施例所提供的一種基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化方法的示意性流程圖；

圖3為本發(fā)明的實施例所提供的一種基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化裝置的示意性結(jié)構(gòu)圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

為了便于清楚描述本發(fā)明實施例的技術(shù)方案，在本發(fā)明的實施例中，采用了“第一”、“第二”等字樣對功能和作用基本相同的相同項或相似項進(jìn)行區(qū)分，本領(lǐng)域技術(shù)人員可以理解“第一”、“第二”等字樣并不是在對數(shù)量和執(zhí)行次序進(jìn)行限定。

如附圖1所示，本發(fā)明的實施例提供了一種基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化方法，包括：

101、獲取配電網(wǎng)的控制變量以及配電網(wǎng)的狀態(tài)變量。

具體的，配電網(wǎng)的控制變量用于指示配電網(wǎng)的可調(diào)發(fā)電機(jī)節(jié)點電壓幅值、配電網(wǎng)的可調(diào)變壓器可調(diào)分接頭檔位以及配電網(wǎng)的無功補(bǔ)償電容器投切組數(shù)，配電網(wǎng)的狀態(tài)變量用于指示配電網(wǎng)的PQ節(jié)點的電壓以及配電網(wǎng)的發(fā)電機(jī)的無功出力。

102、獲取包括指定數(shù)量的青蛙個體以及與指定數(shù)量的青蛙個體各自對立的青蛙個體的青蛙種群。

具體的，其中指定數(shù)量的青蛙個體為設(shè)定范圍內(nèi)的配電網(wǎng)的控制變量。

103、根據(jù)青蛙種群獲取初始無功電壓。

104、根據(jù)初始無功電壓獲取局部無功電壓的最優(yōu)值，并根據(jù)局部無功電壓的最優(yōu)值獲取全局無功電壓的最優(yōu)解。

其中，全局無功電壓的最優(yōu)解用于配電網(wǎng)的無功優(yōu)化。

本發(fā)明的實施例提供了一種基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化方法，通過獲取配電網(wǎng)的控制變量以及配電網(wǎng)的狀態(tài)變量，并獲取包括指定數(shù)量的青蛙個體以及與指定數(shù)量的青蛙個體各自對立的青蛙個體的青蛙種群，根據(jù)青蛙種群獲取初始無功電壓，根據(jù)初始無功電壓獲取局部無功電壓的最優(yōu)值，并根據(jù)局部無功電壓的最優(yōu)值獲取全局無功電壓的最優(yōu)解。在剛開始時以蛙跳算法為主進(jìn)行更新，混沌搜索起輔助作用，從而加速青蛙個體向全局最優(yōu)位置處移動，隨著局部深度搜索迭代次數(shù)的增加，算法逐漸進(jìn)入到以混沌搜索為主，從而幫助算法跳出局部極值，與現(xiàn)有技術(shù)相比使其具有更好的收斂性和優(yōu)化程度，還能夠提高電網(wǎng)的運(yùn)行效率和電能質(zhì)量，降低系統(tǒng)有功網(wǎng)損。

更進(jìn)一步的，如附圖2所示，本發(fā)明的實施例提供了一種基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化方法，包括：

201、根據(jù)X＝(V_GK,T_i,C_j)獲取配電網(wǎng)的控制變量X，根據(jù)U＝(V_i,Q_Gj)獲取配電網(wǎng)的狀態(tài)變量U。

其中，其中V_GK為配電網(wǎng)的可調(diào)發(fā)電機(jī)節(jié)點電壓幅值、T_i為配電網(wǎng)的可調(diào)變壓器可調(diào)分接頭檔位、C_j為配電網(wǎng)的無功補(bǔ)償電容器投切組數(shù)、V_i為配電網(wǎng)的PQ節(jié)點的電壓，Q_Gj是配電網(wǎng)的發(fā)電機(jī)的無功出力、i為配電網(wǎng)的無功補(bǔ)償節(jié)點數(shù)、j為配電網(wǎng)的可調(diào)變壓器數(shù)、k為配電網(wǎng)的發(fā)電機(jī)節(jié)點數(shù)。所有控制變量的編碼可以表示為X＝[C,T,V_G]＝[C₁,C₂,…,C_i,T₁,T₂,…,T_j,V_G1,V_G2,…,V_GK]。

202、獲取設(shè)定范圍(a_i,b_i)內(nèi)的指定數(shù)量N個青蛙個體，并根據(jù)求出指定數(shù)量N只青蛙個體各自對立的青蛙個體從而組成規(guī)模為2N的青蛙種群。

具體的，可以隨機(jī)初始化N只青蛙個體x_i∈(a_i,b_i)，并依次求出其對立個體從而組成規(guī)模為2N的青蛙種群，并計算該種群中所有個體的適應(yīng)度值，并依據(jù)適應(yīng)度值從優(yōu)到劣進(jìn)行排序，以一定概率隨機(jī)選擇其中的N只青蛙個體組成初始種群，概率選擇的依據(jù)是適應(yīng)度值越好的個體被選入初始種群的概率越高，概率選擇公式為p_i＝(2N-i)/2N，i＝1,2,…,2N。

203、計算該青蛙種群中所有青蛙個體的適應(yīng)度值。

204、依據(jù)適應(yīng)度值對青蛙種群中所有青蛙個體進(jìn)行排序。

205、獲取排序后的青蛙個體中每個青蛙個體的選擇概率p_i并根據(jù)選擇概率p_i在排序后的青蛙個體中選擇N個青蛙個體組成初始種群。

具體的，根據(jù)p_i＝(2N-i)/2N，獲取排序后的青蛙個體中每個青蛙個體的選擇概率p_i，其中i＝1,2,…,2N，并根據(jù)選擇概率p_i在排序后的青蛙個體中選擇N個青蛙個體組成初始種群。

206、獲取初始無功電壓。

具體的，根據(jù)等式約束方程以及不等式約束方程獲取初始無功電壓

207、根據(jù)適應(yīng)度值更新青蛙種群的最優(yōu)個體位置X_b和全局最優(yōu)個體位置X_g并更新確定當(dāng)前迭代中子群體的更新后的最差個體位置newX_wi。

具體的，根據(jù)適應(yīng)度值更新青蛙種群的最優(yōu)個體位置X_b和全局最優(yōu)個體位置X_g，并根據(jù)newX_wi(k)＝X_wi(k)·exp·[(1-exp(-α·y(k)))·(μ·X_wi(k)·(1-X_wi(k)))]+e^-2α·y(k)·Ω_i(k)更新確定當(dāng)前迭代中子群體的更新后的最差個體位置newX_wi。

其中，Ω(k)為蛙跳步長更新變量，y(k)為混沌變量，可以根據(jù)Ω(k)＝a₁·rand()·(X_b(k)-X_w(k))獲取蛙跳步長更新變量Ω(k)，根據(jù)y(k)＝y(tǒng)(k-1)·(1+λ)獲取混沌變量y(k)，其中式中，X_b(k)和X_w(k)分別表示當(dāng)前子群體第k次迭代時的最優(yōu)個體和最差個體，rand()是均勻分布在[0,1]之間的隨機(jī)數(shù)，a₁是常數(shù)；k為迭代次數(shù)；λ為小于1的混沌因子，X_wi(k)表示當(dāng)前子群體在第k次迭代時的最差個體X_w(k)的第i維，Ω_i(k)為Ω(k)的第i維，α和μ均為正常數(shù)。

208、判斷newX_w的適應(yīng)度值是否優(yōu)于X_w的適應(yīng)度值。

當(dāng)newX_w的適應(yīng)度值優(yōu)于X_w的適應(yīng)度值時，執(zhí)行步驟209，當(dāng)newX_w的適應(yīng)度值并不優(yōu)于X_w的適應(yīng)度值時，執(zhí)行步驟210。

209、用newX_w取代X_w。

210、更新Ω(k)以及y(k)并生成newX_w。

具體的，當(dāng)newX_w的適應(yīng)度值優(yōu)于X_w的適應(yīng)度值時，則用newX_w取代X_w，當(dāng)newX_w的適應(yīng)度值并不優(yōu)于X_w的適應(yīng)度值時，則更新Ω(k)以及y(k)，并根據(jù)newX_wi(k)＝O_min+(O_max-O_min)·rand()生成newX_w，其中O_max和O_min分別表示算法搜索范圍的最大值和最小值，rand()為均勻分布在[0,1]之間的隨機(jī)個體。

211、將青蛙種群中的青蛙個體依據(jù)適應(yīng)度值從優(yōu)到劣進(jìn)行排序，并依次依照三角選擇概率2(m+1-i)/[m(m+1)]挑選出Q只青蛙個體組成n個子群體，并根據(jù)n個子群體求解全局無功電壓的最優(yōu)解。

212、確定所有子群體是否都完成了局部深度搜索。

當(dāng)確定所有子群體都完成了局部深度搜索時，執(zhí)行步驟213。

當(dāng)確定并非所有子群體都完成了局部深度搜索，執(zhí)行步驟207。

213、確定是否滿足全局混合迭代次數(shù)G。

當(dāng)確定滿足全局混合迭代次數(shù)G時，執(zhí)行步驟214。

當(dāng)確定不滿足全局混合迭代次數(shù)G，則執(zhí)行步驟215。

214、輸出全局無功電壓的最優(yōu)解。

215、所有青蛙個體重新混合，再依據(jù)適應(yīng)度值對青蛙種群中所有青蛙個體進(jìn)行排序并執(zhí)行步驟205。

本發(fā)明的實施例提供了一種基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化方法，通過獲取配電網(wǎng)的控制變量以及配電網(wǎng)的狀態(tài)變量，并獲取包括指定數(shù)量的青蛙個體以及與指定數(shù)量的青蛙個體各自對立的青蛙個體的青蛙種群，根據(jù)青蛙種群獲取初始無功電壓，根據(jù)初始無功電壓獲取局部無功電壓的最優(yōu)值，并根據(jù)局部無功電壓的最優(yōu)值獲取全局無功電壓的最優(yōu)解。在剛開始時以蛙跳算法為主進(jìn)行更新，混沌搜索起輔助作用，從而加速青蛙個體向全局最優(yōu)位置處移動，隨著局部深度搜索迭代次數(shù)的增加，算法逐漸進(jìn)入到以混沌搜索為主，從而幫助算法跳出局部極值，與現(xiàn)有技術(shù)相比使其具有更好的收斂性和優(yōu)化程度，還能夠提高電網(wǎng)的運(yùn)行效率和電能質(zhì)量，降低系統(tǒng)有功網(wǎng)損。

如附圖3所示，本發(fā)明的實施例提供了一種配電網(wǎng)的配置裝置301，包括：

獲取模塊302，用于獲取配電網(wǎng)的控制變量以及配電網(wǎng)的狀態(tài)變量。

具體的，配電網(wǎng)的控制變量用于指示配電網(wǎng)的可調(diào)發(fā)電機(jī)節(jié)點電壓幅值、配電網(wǎng)的可調(diào)變壓器可調(diào)分接頭檔位以及配電網(wǎng)的無功補(bǔ)償電容器投切組數(shù)，配電網(wǎng)的狀態(tài)變量用于指示配電網(wǎng)的PQ節(jié)點的電壓以及配電網(wǎng)的發(fā)電機(jī)的無功出力。

處理模塊303，用于獲取包括指定數(shù)量的青蛙個體以及與指定數(shù)量的青蛙個體各自對立的青蛙個體的青蛙種群。

具體的，其中指定數(shù)量的青蛙個體為設(shè)定范圍內(nèi)的配電網(wǎng)的控制變量。

處理模塊303，還用于根據(jù)青蛙種群獲取初始無功電壓。

處理模塊303，還用于根據(jù)初始無功電壓獲取局部無功電壓的最優(yōu)值，并根據(jù)局部無功電壓的最優(yōu)值獲取全局無功電壓的最優(yōu)解。

其中，全局無功電壓的最優(yōu)解用于配電網(wǎng)的無功優(yōu)化。

本發(fā)明的實施例提供了一種基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化裝置，通過獲取配電網(wǎng)的控制變量以及配電網(wǎng)的狀態(tài)變量，并獲取包括指定數(shù)量的青蛙個體以及與指定數(shù)量的青蛙個體各自對立的青蛙個體的青蛙種群，根據(jù)青蛙種群獲取初始無功電壓，根據(jù)初始無功電壓獲取局部無功電壓的最優(yōu)值，并根據(jù)局部無功電壓的最優(yōu)值獲取全局無功電壓的最優(yōu)解。在剛開始時以蛙跳算法為主進(jìn)行更新，混沌搜索起輔助作用，從而加速青蛙個體向全局最優(yōu)位置處移動，隨著局部深度搜索迭代次數(shù)的增加，算法逐漸進(jìn)入到以混沌搜索為主，從而幫助算法跳出局部極值，與現(xiàn)有技術(shù)相比使其具有更好的收斂性和優(yōu)化程度，還能夠提高電網(wǎng)的運(yùn)行效率和電能質(zhì)量，降低系統(tǒng)有功網(wǎng)損。

更進(jìn)一步的，獲取模塊302，具體用于：根據(jù)X＝(V_GK,T_i,C_j)獲取配電網(wǎng)的控制變量X，根據(jù)U＝(V_i,Q_Gj)獲取配電網(wǎng)的狀態(tài)變量U。

其中，其中V_GK為配電網(wǎng)的可調(diào)發(fā)電機(jī)節(jié)點電壓幅值、T_i為配電網(wǎng)的可調(diào)變壓器可調(diào)分接頭檔位、C_j為配電網(wǎng)的無功補(bǔ)償電容器投切組數(shù)、V_i為配電網(wǎng)的PQ節(jié)點的電壓，Q_Gj是配電網(wǎng)的發(fā)電機(jī)的無功出力、i為配電網(wǎng)的無功補(bǔ)償節(jié)點數(shù)、j為配電網(wǎng)的可調(diào)變壓器數(shù)、k為配電網(wǎng)的發(fā)電機(jī)節(jié)點數(shù)。所有控制變量的編碼可以表示為X＝[C,T,V_G]＝[C₁,C₂,…,C_i,T₁,T₂,…,T_j,V_G1,V_G2,…,V_GK]。

處理模塊303，具體用于獲取設(shè)定范圍(a_i,b_i)內(nèi)的指定數(shù)量N個青蛙個體，并根據(jù)求出指定數(shù)量N只青蛙個體各自對立的青蛙個體從而組成規(guī)模為2N的青蛙種群。

具體的，可以隨機(jī)初始化N只青蛙個體x_i∈(a_i,b_i)，并依次求出其對立個體從而組成規(guī)模為2N的青蛙種群，并計算該種群中所有個體的適應(yīng)度值，并依據(jù)適應(yīng)度值從優(yōu)到劣進(jìn)行排序，以一定概率隨機(jī)選擇其中的N只青蛙個體組成初始種群，概率選擇的依據(jù)是適應(yīng)度值越好的個體被選入初始種群的概率越高，概率選擇公式為p_i＝(2N-i)/2N，i＝1,2,…,2N。

處理模塊303，具體用于計算該青蛙種群中所有青蛙個體的適應(yīng)度值，依據(jù)適應(yīng)度值對青蛙種群中所有青蛙個體進(jìn)行排序。獲取排序后的青蛙個體中每個青蛙個體的選擇概率p_i并根據(jù)選擇概率p_i在排序后的青蛙個體中選擇N個青蛙個體組成初始種群。

具體的，根據(jù)p_i＝(2N-i)/2N，獲取排序后的青蛙個體中每個青蛙個體的選擇概率p_i，其中i＝1,2,…,2N，并根據(jù)選擇概率p_i在排序后的青蛙個體中選擇N個青蛙個體組成初始種群；獲取初始無功電壓。

具體的，根據(jù)等式約束方程以及不等式約束方程獲取初始無功電壓。

處理模塊303，具體用于根據(jù)適應(yīng)度值更新青蛙種群的最優(yōu)個體位置X_b和全局最優(yōu)個體位置X_g并更新確定當(dāng)前迭代中子群體的更新后的最差個體位置newX_wi。

具體的，根據(jù)適應(yīng)度值更新青蛙種群的最優(yōu)個體位置X_b和全局最優(yōu)個體位置X_g，并根據(jù)newX_wi(k)＝X_wi(k)·exp·[(1-exp(-α·y(k)))·(μ·X_wi(k)·(1-X_wi(k)))]+e^-2α·y(k)·Ω_i(k)更新確定當(dāng)前迭代中子群體的更新后的最差個體位置newX_wi。

其中，Ω(k)為蛙跳步長更新變量，y(k)為混沌變量，可以根據(jù)Ω(k)＝a₁·rand()·(X_b(k)-X_w(k))獲取蛙跳步長更新變量Ω(k)，根據(jù)y(k)＝y(tǒng)(k-1)·(1+λ)獲取混沌變量y(k)，其中式中，X_b(k)和X_w(k)分別表示當(dāng)前子群體第k次迭代時的最優(yōu)個體和最差個體，rand()是均勻分布在[0,1]之間的隨機(jī)數(shù)，a₁是常數(shù)；k為迭代次數(shù)；λ為小于1的混沌因子，X_wi(k)表示當(dāng)前子群體在第k次迭代時的最差個體X_w(k)的第i維，Ω_i(k)為Ω(k)的第i維，α和μ均為正常數(shù)。

處理模塊303，具體用于判斷newX_w的適應(yīng)度值是否優(yōu)于X_w的適應(yīng)度值。

當(dāng)newX_w的適應(yīng)度值優(yōu)于X_w的適應(yīng)度值時，用newX_w取代X_w，當(dāng)newX_w的適應(yīng)度值并不優(yōu)于X_w的適應(yīng)度值時，更新Ω(k)以及y(k)并生成newX_w。

具體的，當(dāng)newX_w的適應(yīng)度值優(yōu)于X_w的適應(yīng)度值時，則用newX_w取代X_w，當(dāng)newX_w的適應(yīng)度值并不優(yōu)于X_w的適應(yīng)度值時，則更新Ω(k)以及y(k)，并根據(jù)newX_wi(k)＝O_min+(O_max-O_min)·rand()生成newX_w，其中O_max和O_min分別表示算法搜索范圍的最大值和最小值，rand()為均勻分布在[0,1]之間的隨機(jī)個體。

處理模塊303，具體用于將青蛙種群中的青蛙個體依據(jù)適應(yīng)度值從優(yōu)到劣進(jìn)行排序，并依次依照三角選擇概率2(m+1-i)/[m(m+1)]挑選出Q只青蛙個體組成n個子群體，并根據(jù)n個子群體求解全局無功電壓的最優(yōu)解。

處理模塊303，還用于確定所有子群體是否都完成了局部深度搜索。

當(dāng)確定所有子群體都完成了局部深度搜索時，確定是否滿足全局混合迭代次數(shù)G，當(dāng)確定滿足全局混合迭代次數(shù)G時，輸出全局無功電壓的最優(yōu)解。

本發(fā)明的實施例提供了一種基于改進(jìn)蛙跳算法的電網(wǎng)無功優(yōu)化裝置，通過獲取配電網(wǎng)的控制變量以及配電網(wǎng)的狀態(tài)變量，并獲取包括指定數(shù)量的青蛙個體以及與指定數(shù)量的青蛙個體各自對立的青蛙個體的青蛙種群，根據(jù)青蛙種群獲取初始無功電壓，根據(jù)初始無功電壓獲取局部無功電壓的最優(yōu)值，并根據(jù)局部無功電壓的最優(yōu)值獲取全局無功電壓的最優(yōu)解。在剛開始時以蛙跳算法為主進(jìn)行更新，混沌搜索起輔助作用，從而加速青蛙個體向全局最優(yōu)位置處移動，隨著局部深度搜索迭代次數(shù)的增加，算法逐漸進(jìn)入到以混沌搜索為主，從而幫助算法跳出局部極值，與現(xiàn)有技術(shù)相比使其具有更好的收斂性和優(yōu)化程度，還能夠提高電網(wǎng)的運(yùn)行效率和電能質(zhì)量，降低系統(tǒng)有功網(wǎng)損。

通過以上的實施方式的描述，所屬領(lǐng)域的技術(shù)人員可以清楚地了解到本發(fā)明可以用硬件實現(xiàn)，或固件實現(xiàn)，或它們的組合方式來實現(xiàn)。當(dāng)使用軟件實現(xiàn)時，可以將上述功能存儲在計算機(jī)可讀介質(zhì)中或作為計算機(jī)可讀介質(zhì)上的一個或多個指令或代碼進(jìn)行傳輸。計算機(jī)可讀介質(zhì)包括計算機(jī)存儲介質(zhì)和通信介質(zhì)，其中通信介質(zhì)包括便于從一個地方向另一個地方傳送計算機(jī)程序的任何介質(zhì)。存儲介質(zhì)可以是計算機(jī)能夠存取的任何可用介質(zhì)。以此為例但不限于：計算機(jī)可讀介質(zhì)可以包括隨機(jī)存儲器(英文全稱：Random Access Memory，英文簡稱：RAM)、只讀存儲器(英文全稱：Read Only Memory，英文簡稱：ROM)、電可擦可編程只讀存儲器(英文全稱：Electrically Erasable Programmable Read Only Memory，英文簡稱：EEPROM)、只讀光盤(英文全稱：Compact Disc Read Only Memory，英文簡稱：CD-ROM)或其他光盤存儲、磁盤存儲介質(zhì)或者其他磁存儲設(shè)備、或者能夠用于攜帶或存儲具有指令或數(shù)據(jù)結(jié)構(gòu)形式的期望的程序代碼并能夠由計算機(jī)存取的任何其他介質(zhì)。此外。任何連接可以適當(dāng)?shù)某蔀橛嬎銠C(jī)可讀介質(zhì)。例如，如果軟件是使用同軸電纜、光纖光纜、雙絞線、數(shù)字用戶專線(英文全稱：Digital Subscriber Line，英文簡稱：DSL)或者諸如紅外線、無線電和微波之類的無線技術(shù)從網(wǎng)站、服務(wù)器或者其他遠(yuǎn)程源傳輸?shù)?，那么同軸電纜、光纖光纜、雙絞線、DSL或者諸如紅外線、無線和微波之類的無線技術(shù)包括在計算機(jī)可讀介質(zhì)的定義中。

通過以上的實施方式的描述，所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，當(dāng)以軟件方式實現(xiàn)本發(fā)明時，可以將用于執(zhí)行上述方法的指令或代碼存儲在計算機(jī)可讀介質(zhì)中或通過計算機(jī)可讀介質(zhì)進(jìn)行傳輸。計算機(jī)可讀介質(zhì)包括計算機(jī)存儲介質(zhì)和通信介質(zhì)，其中通信介質(zhì)包括便于從一個地方向另一個地方傳送計算機(jī)程序的任何介質(zhì)。存儲介質(zhì)可以是計算機(jī)能夠存取的任何可用介質(zhì)。以此為例但不限于：計算機(jī)可讀介質(zhì)可以包括RAM、ROM、電可擦可編程只讀存儲器(全稱：electrically erasable programmable read-only memory，簡稱：EEPROM)、光盤、磁盤或者其他磁存儲設(shè)備、或者能夠用于攜帶或存儲具有指令或數(shù)據(jù)結(jié)構(gòu)形式的期望的程序代碼并能夠由計算機(jī)存取的任何其他介質(zhì)。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)所述以權(quán)利要求的保護(hù)范圍為準(zhǔn)。