刘丽军，蔡金锭

(福州大学电气工程与自动化学院，福建 福州350108)

1 引言

近年来多种启发式优化算法如遗传算法、Tabu算法、模拟退火算法等被用来求解电力系统无功电压优化控制问题［1－4］。改善了电力系统电压质量不稳定、电能损耗比较大的状况。但这类算法也存在容易陷入局部最优、后期搜索效率不高的问题。

许多文献验证，在同样求解精度条件下，Tabu算法可节约20%的求解时间［5］。但常规Tabu算法对初始解具有较强的依赖性，且可能在大范围(超出禁忌表长)内迂回搜索。模拟退火能以较大的概率获得全局最优，要求退火过程不能太快，使得算法收敛较缓慢。遗传算法适用范围比较广，寻优能力较强，程序实现简单，适合于求解类似无功规划优化等复杂非线性优化问题，但计算速度比较慢。与遗传算法相比，粒子群算法的信息共享机制很不同:在遗传算法中，染色体互相共享信息，整个种群的移动是比较均匀地向最优区域移动，在粒子群优化算法中，信息单向流动，即只有粒子历史最优位置gbest将信息传给其他的粒子，搜索更新过程跟随当前最优解。据实验分析可得出粒子群优化算法在多数的情况下，比遗传算法更快地收敛于最优解［6］。

粒子群算法［7］因其简单易行，优化效率高，鲁棒性较好等特点，能方便地被用于求解带离散变量的非线性、不连续、多约束、多变量的复杂优化问题中［8-9］。PSO种群的初始化一般随机生成，和遗传算法类似，也存在如早熟与速度爆炸等问题，即算法前期搜索速度较快，但搜索后期粒子不断向个体最优和群体最优两个“最优值”靠近，粒子渐趋同一化，极易收敛于局部而不是全局最优。……