MATPOWER实战记录（一）：高斯赛德尔算初值，转牛拉法

高斯-塞德尔法+牛拉法

潮流计算方法对比

牛顿拉夫逊法：

1）收敛速度快，若初值较好，算法将具有平方收敛特性，一般迭代4～5 次便可以
收敛到非常精确的解，而且其迭代次数与所计算网络的规模基本无关。
2）具有良好的收敛可靠性，对于对高斯-塞德尔法呈病态的系统，牛顿法均能可靠收敛。
3）初值对牛顿法的收敛性影响很大。解决的办法可以先用高斯-塞德尔法迭代1～2 次，以此迭代结果作为牛顿法的初值。也可以先用直流法潮流求解一次求得一个较好的角度初值，然后转入牛顿法迭代。

PQ法特点：

(1)用解两个阶数几乎减半的方程组（n-1 阶和n-m-1 阶）代替牛顿法的解一个(2n-m-2)阶方程组，显著地减少了内存需求量及计算量。
(2)牛顿法每次迭代都要重新形成雅可比矩阵并进行三角分解，而P-Q 分解法的系数矩阵 B’和B’’是常数阵，因此只需形成一次并进行三角分解组成因子表，在迭代过程可以反复应用，显著缩短了每次迭代所需的时间。
(3)雅可比矩阵J 不对称，而B’和B’’都是对称阵，为此只要形成并贮存因子表的上三角或下三角部分，减少了三角分解的计算量并节约了内存。由于上述原因，P-Q 分解法所需的内存量约为牛顿法的60%，而每次迭代所需时间约为牛顿法的1/5。二：因为牛顿法每次迭代都要重新生成雅克比矩阵，而PQ法的迭代矩阵是常数阵（第一次形成的）。参数一变，用PQ法已做的工作相当于白做了，相当于重新算，次数必然增多。

潮流计算代码

%% 高斯赛德尔法，不收敛，给一个初值
clc,clear
mpopt=mpoption;
mpopt=mpoption(mpopt,'PF_ALG',4,'PF_DC',0,'VERBOSE',3,'OUT_GEN',1);
mpopt.pf.gs.max_it = 10;  % 高斯赛德尔迭代次数
mpc = CASE;  % matpower潮流算例
results_4 = runpf(mpc,mpopt)
save GS_result
%% 无直流，牛拉法，用高斯赛德尔法修改初始值
clc,clear
load GS_result.mat
mpopt=mpoption;
mpopt=mpoption(mpopt,'PF_ALG',1,'PF_MAX_IT',10,'PF_DC',0,'VERBOSE',3,'OUT_GEN',1);
mpc = CASE;
mpc.bus(:,8:9) = results_4.bus(:,8:9);  % 利用高斯赛德尔的V、θ参数
% mpc.gen(:,3) = results.gen(:,3);
results_n = runpf(mpc,mpopt)