传统的数学优化方法依赖于精确的数学模型，但精确的数学模型较为复杂，难以适应实时控制要求；而粗略的数学模型又存在较大的误差。近年来，基于对自然界和人类本身的有效类比而获得的智能方法受到了研究人员的关注。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、多智能体算法、蚁群算法、混沌优化算法等。
（1）人工神经网络
利用人工神经网络方法来解决无功优化问题时，首先利用一个隶属函数将总负荷模糊化，然后将模糊化的负荷输入神经网络，得到各控制变量的隶属度，通过隶属度函数解出控制变量的实际值，最后用专家系统结合灵敏度分析法来处理各边界越界的情况。该方法速度很快，只要在离线情况下训练好神经网络，就能适应于实时无功优化。但其应用效果依赖于隶属函数的选取和神经网络训练的好坏，并且难以随运行方式或网络结构的改变而变化，且算法的学习速度一般比较慢，训练时间较长，不容易收敛或可能收敛到局部极小点等。因此，实际中很少单独采用专家系统或神经网络方法进行无功优化，一般用来补充和辅助常规算法。
（2）专家系统
专家系统方法，在结合其他方法的基础上，根据专家经验设置初始值，并不断调整控制参数的大小，直到取得一个比较好的解，将专家系统应用于无功优化的主要优点在于以常规算法为基础，与运行人员的知识结合后功能将增强。已开发的系统大都是基于专家经验和数值计算程序的混合。将专家系统应用于无功优化的主要优点在于：以常规算法为基础，与运行人员的知识相结合后增强了算法功能。然而，不同的专家可能有不同的经验，有时候甚至是矛盾的，这将给推理带来困难。对于规模较大、规则较多的系统，完成推理的时间就比较长，推理的速度受到限制。此外，建造和维护大型专家系统也存在困难。
（3）模糊理论
模糊算法源于模糊集理论，利用模糊集将多目标函数和负荷电压模糊化，给出各目标函数的分段隶属函数，将问题转化为标准的线性规划和非线性规划处理。采用模糊集表示多目标和软约束，通过分段隶属函数，把原优化问题转化为标准的线性规划。
模糊理论的优点是可以处理电力系统优化问题中的参数不确定问题。基于模糊技术的模糊控制具有较强的鲁棒性和被控对象参数的变化对模糊控制的影响不明显等优点。此外，由于控制的强与弱本身具有一定的模糊性，因此可以用模糊集表示电压的偏差和控制变量，并用模糊推理的方法得到优化的控制结果。
（4）模拟退火法（Simulated Annealing，SA）
模拟退火法是一种基于热力学退火原理建立的启发式随机搜索算法。它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化问题，能以概率1收敛到全局最优解。
模拟退火算法是局部搜索算法的扩展。它不同于局部搜索算法之处是以一定的概率选择领域中费用值大的状态。理论上来说，它是一个全局最优算法，故具有相当广泛的应用前景。
（5）遗传算法（GA）
遗传算法本身对控制模式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。GA用目标函数本身建立最优方向，无需求导求逆等复导数数学运算，且可以方便地引入各种约束条件，有利于得到最优解，适合于处理混合非线性规划和多目标优化。但它需要计算大量的适应值，而且算法容易产生早熟收敛。
总的来说，与常规的优化算法相比，遗传算法有如下一些优点：①在每次迭代计算过程中都保留一些候选解，从而有较大的机会摆脱局部最优解；②具有并行处理特征，易于并行实现；③方法是通用的；④可产生一组好的解；⑤可求得全局最优解。但是该算法迭代次数多，计算时间长，很难满足实际运行优化的需要，欲达到实时应用很困难，这是一个需要进一步研究解决的重要问题。
（6）禁忌搜索（Tabu Search）
禁忌算法是近年来伴随计算机技术的发展而产生的“现代启发式”优化技术。其基本思想是利用一种灵活的“记忆”技术，对已经进行的优化过程进行记录和选择，指导下一步搜索方向，为避免落入局部最优当达到局部最优解时，禁忌算法将搜索方向后退到目标退化最小的一个方向上，以此作为新的初始方向。其三个基本要素为移动、TABU表、期望水平。在配电网无功优化过程中，禁忌算法得到了广泛应用。(www.xing528.com)
（7）粒子群算法
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，还有一个决定它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。然后粒子就追随当前的最优粒子在解空间搜索，从理论上可以找到全局最优解。
（8）进化规划法
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。
（9）多智能体算法（Multi-Agent Technology）
多智能体技术在无功优化中的应用是刚刚起步，近年来被广泛应用。目前，多智能体技术主要用于提高无功控制设备之间的协调能力。Agent（智能体）是一种具有感知能力、问题求解能力，能够和系统中其他Agent通信交互来完成一个或多个功能目标的软件实体。它在一定环境下能独立运行，通过与环境的相互作用不断地从环境中获取知识，提高自己的处理能力。多智能体系统（MAS）是由多个松散耦合的、粗粒度的Agent组成的网络结构，具备自行解决问题的能力，不存在全局的控制机构，数据是分布的，计算过程不一定同步，但可以极大地克服单个Agent知识不全面、处理不准确的缺点。
除了上述算法以外，近年来应用比较多的还有人工鱼群算法、BOX算法、蚁群算法、混沌优化法及粒子群优化法、免疫优化算法、差异进化算法等。
人工鱼群算法是一种基于模拟鱼群行为的随机搜索算法，通过鱼群中个体的局部寻优达到局寻优的目的。
BOX算法源于非线性规划中的单纯形法，通过单纯形的反射与收缩来寻求最优解，属于直接搜索法。该算法不要求目标函数和控制变量具有显式函数关系，可以实现整个可行域内的寻优。
蚁群算法通过模拟蚁群搜索食物的过程，达到求解比较困难的组合优化目的。它采用有记忆的人工蚂蚁，通过个体之间的信息交流与相互协作来找到从蚁穴到食物源的最短路径。蚁群算法有利于发现较好的解，不易于陷入局部最优，在求解复杂优化问题特别是离散优化问题方面已经显示出了优势。此外，它具有较强的鲁棒性和搜索较好解的能力，易与其他算法结合。但是其自身存在一定的不足，如求解过程中易出现停滞现象，当群体规模变大时，优化时间较长，这使得它的适用范围也变得十分有限。
混沌优化法充分利用混沌变量的遍历性、随机性和规律性等特点进行全局优化搜索，更易跳出局部最优解，收敛速度快，但是计算精度不高，因此，产生了一系列诸如变尺度混沌优化法的改进算法。
粒子群优化法通过模拟鸟类的捕食行为，达到求解的目的，是一种基于群体优化的全局搜索算法，收敛速度快，但由于微粒种群的快速趋同效应，容易陷入局部最优。
免疫优化（Immune Optimal，IO）算法基于细胞理论和网络学说所提出的。近年来，人工免疫被引入到许多工程项目中，受到了越来越多的研究人员的重视。该算法模拟生物免疫系统原理，可以避免陷入局部最优解，同时又可以利用个体浓度的抑制与促进以及记忆单元的作用提高局部搜索能力，加快计算速度。但是其缺点是当求解到一定范围时，往往做大量无谓的冗余迭代，求解效率较低。
差异进化（Differential Evolution，DE）算法是最好的现代启发式算法之一，是遗传算法的一个分支，也是一种直接随机搜索方法。它通过模拟生物的进化现象来表现复杂现象的概率搜索方法，由在当前种群中随机采样的个体之间的基因差异来驱动，能快速有效地解决各种难解的优化问题，且它具有收敛速度快、鲁棒性好、计算精度高的优点。虽然在全局最优点附近有很强的搜索能力，但是它容易过早收敛而陷入局部最优。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
