[摘 要]在做无功优化算法设计时，发现遗传算法和粒子群算法是无功优化的两大主要算法，相关算法都是从这两中标准算法中改进而来，到底选择哪一分支去改进更好，本文通过IEEE6标准节点系统的仿真结表明：粒子群算法用于无功优化具有可行性和有效性，比遗传算法更具优势。
　　[关键词]无功优化 粒子群算法 遗传算法
　　中图分类号：TM714 文献标识码：A 文章编号：1009-914X（2014）07-0324-01
　　1、无功优化目标函数
　　从经济性考虑，通常把有功网损最小作为目标函数[1-2]：
　　2、两种算法MATLAB仿真
　　本文采用标准遗传算法和标准粒子群算法[3]，文献[4]在用人工鱼群法做IEEE6的优化时，采用了标准的IEEE6节点系统，给出了控制变量、状态变量的取值，具体接线图，参数设置见本文献[4]，由于。此典型系统基准功率为SB=100MVA。该系统包括6个节点（节点1为平衡节点，节点2为PV节点，其它节点为PQ节点）、7条支路、4个负荷节点（分别是节点3、4、5、6）、2台发电机（节点1、2）、2条可调变压器支路（支路3-5、4-6）和2个无功补偿点（节点3和4）。系统中的发电机机端电压是连续变化的；可调变压器的调节间距为2.5%，无功补偿容量间距分别为0.005和0.0055。
　　本文选取群体规模N为200，迭代次数100，粒子群算法中惯性权重取常值0.8即可，用MATLAB语言编写无功优化程序，结果如图2.1，图2.2和表2.1。
　　由图2.1和图2.2可知，粒子群算法可以更早的收敛，得到最优解，遗传算法最优解有些不稳定，只能在总体上得到；系统的网损由11.505 MVA下降到粒子群算法的7.91MVA，遗传算法的8.76 MVA，粒子群算法用于无功优化完全可行，效果更理想；由表2.1知，用粒子群算法和遗传算法优化后各负荷节点电压和发电机节点的无功功率都有了明显改善；粒子群算法计算时间更短，编程也更简单。
　　3、 结论
　　本文用MATLAB语言编写无功优化程序，引入经典的IEEE6节点系统，对粒子群算法和遗传算法用于无功优化的可行性和有效性进行对比验证。结果显示，基于粒子群算法的无功优化，收敛速度更快，编程简单，计算时间短，易于推广使用，能精确地找到全局最优解，系统的网络损耗明显降低，电压值稳定且有了相应的提升，达到了改善电压质量、减少网络损耗和提高电压稳定性的无功优化目的。鉴于粒子群算法是一种更加优秀的算法，在今后的无功优化算法设计中，作者将以粒子群算法为基础，去研究如何更好的解决无功优化的问题，很多学者已经提出了很多构想，比如二进制粒子群法，小生境粒子群法，免疫粒子群法等等，本文只是把最基本的粒子群算法運用到无功优化问题，在以后的研究中，应该整合各类思想，使基于粒子群算法的无功优化方案更加科学，更加合理。
　　参考文献
　　[1] 赵波，曹一家.电力系统无功优化的多智能体粒子群优化算[J].中国电机工程学报，2005，25（5）：1-7.
　　[2] 万盛斌，陈明军.于改进遗传算法的电力系统无功优化[J].继电器，2005，33（15）：37-40.
　　[3] 纪震，廖惠连，吴青华.粒子群算法及应用[M].北京：科学出版社，2009，16-180.
　　[4] 唐剑东.电力系统无功优化算法及其应用研究[D].武汉：华中科技大学，2004.
　　作者简介
　　张坤超（1989—— ），男，山东德州人，电气工程专业硕士。