1。3 人工智能类启发式优化算法

人工智能算法是从一个初始解群体开始，按照概率转移原则，采用某种方式自适应地 搜索最优解。该类算法具有全局搜索能力而且可以方便地处理离散变量，因此在电力系统 无功优化中得到了广泛的应用。这类方法主要有人工神经网络、专家系统、模糊理论、模 拟退火算法、遗传算法、禁忌搜索、粒子群算法、进化规划和多 Agent 系统等。论文网

1．模拟退火算法(Simulated Annealing Algorithm)

模拟退火算法是一种基于热力学的退火原理建立的启发式随机搜索算法，使用基于概 率的双向随机搜索技术，能有效地解决离散变量的组合优化问题和连续变量函数的极小优 化问题。文献[12]将遗传－模拟退火算法用于解决配电网电容器的优化配置问题，通过仿 真计算，优化结果表明了该算法的合理性和可行性。

2．遗传算法(Genetic Algorithm)

遗传算法本身对控制变量没有连续性的要求，因此可以有效地处理无功优化问题中的 大量离散变量。其编码方式灵活，可以有效解决无功优化的混合整数变量问题。但它需要 计算大量的适应值，收敛速度慢，而且算法容易产生早熟收敛。文献[13]提出了一种自适 应多目标遗传算法来求解多目标无功优化问题，采用自适应权重和方式处理多目标问题， 在处理不等式约束方面采用适应性罚函数法，通过 IEEE14 节点系统表明所提算法是解决 多目标无功优化问题的有效方法。

3．禁忌搜索(Tabu Search)

禁忌搜索(Tabu Search)算法通过引入一个灵活的存储结构和相应的禁忌准则来避免迂 回搜索，并通过藐视准则来赦免一些被禁忌的优良状态，进而保证多样化的有效搜索以最 终实现全局优化。

4．粒子群算法(Particle Swarm Optimization)

在粒子群算法中，每个优化问题的解都可以想象成搜索空间上的一个粒子，所有粒子 都有一个被目标函数决定的适应值，还有一个决定他们飞行方向和距离的速度。在每一次 迭代中，粒子通过跟踪个体极值和当前全局最优来更新自己的位置。然后粒子们就追随当 前的最优粒子在解空间中搜索，从理论上可以找到全局最优解。文献[14]将自适应粒子群 算法应用到 IEEE30 节点的无功优化问题中，克服了粒子群算法需要多次试算确定参数的 缺点，且算法避免陷入局部最优的能力有所增强。

5．进化规划(Evolutionary Programming)

大量的研究表明传统的进化规划具有和遗传算法相似的优缺点。其优点是：具有通用 性、鲁棒性和并行性，易于解决复杂的非线性的，尤其是难以有效建立形式化模型的问题。 其主要不足是计算时间较长、易早熟收敛。文献[15]根据从多种进化规划方法中总结出来 的变异幅度变化规律，分析了一种广泛运用的进化规划方法的不足并对其进行了改进。

6．多 Agent 技术(Multi-Agent Technology)

多 Agent 技术在无功优化中的应用是刚刚起步。目前，多 Agent 技术主要用于提高无 功电压控制设备之间的协调能力[15]。文献[16]建立了全网电压无功控制的分区等值模型，

通过并行求解得到全网无功最优解，将分布并行优化算法与多 Agent 技术相结合，建立了 基于多 Agent 技术的分布式电压无功优化系统的设计方案。

1。4 无功优化的组合算法

无功优化问题中包含了连续变量和离散变量，常规的数学规划方法在求解时，通常将 离散变量视为连续变量参与优化计算，得到最优解后再进行归整，因此该类方法在求解无 功优化问题时遇到的困难之一就是离散变量的归整问题。对于大规模实际系统的无功优 化，由归整产生的误差可能是不可接受的。虽然混合整数规划法能够有效地解决优化计算 中的离散变量问题，但它的计算过程很复杂，计算量很大。以遗传算法为代表的人工智能 类无功优化算法具有编码方式灵活，可以有效解决无功优化的混合整数变量问题，但它需 要计算大量的适应值，收敛速度慢，而且容易产生早熟收敛。为了充分利用上述两类方法 的优势，扬长避短，一些学者对相应的混合策略进行了研究[17]。