風(fēng)電場(chǎng)的電力系統(tǒng)無(wú)功優(yōu)化方法
【專利摘要】本發(fā)明涉及一種電力系統(tǒng)無(wú)功優(yōu)化，具體為風(fēng)電場(chǎng)的電力系統(tǒng)無(wú)功優(yōu)化方法。風(fēng)電場(chǎng)的電力系統(tǒng)無(wú)功優(yōu)化方法，種群的隨機(jī)初始化，引入線性退火權(quán)重，將新種群中個(gè)體與原始種群中個(gè)體基因在CR的權(quán)重下進(jìn)行基因融合，生成目標(biāo)種群，完成交叉操作，計(jì)算目標(biāo)個(gè)體的適應(yīng)度值，并與原始個(gè)體的適應(yīng)度值進(jìn)行一對(duì)一的比較，擇優(yōu)保存，最終生成新一代種群，在最大進(jìn)化代數(shù)范圍內(nèi)迭代搜索，直至達(dá)到最大進(jìn)化代數(shù)。該方法對(duì)差分算法的參數(shù)進(jìn)行了動(dòng)態(tài)調(diào)整，并對(duì)種群中重疊的個(gè)體采用線性退火的變異策略，避免了算法陷入局部最優(yōu)，提高了尋優(yōu)和全局搜索能力，縮短計(jì)算時(shí)間，有效處理風(fēng)電場(chǎng)對(duì)電網(wǎng)無(wú)功分布和電壓?jiǎn)栴}的影響，減小系統(tǒng)網(wǎng)損，提高電壓水平。
【專利說(shuō)明】
風(fēng)電場(chǎng)的電力系統(tǒng)無(wú)功優(yōu)化方法
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及一種電力系統(tǒng)無(wú)功優(yōu)化，具體為風(fēng)電場(chǎng)的電力系統(tǒng)無(wú)功優(yōu)化方法?！颈尘凹夹g(shù)】
[0002]電力系統(tǒng)無(wú)功優(yōu)化是指當(dāng)系統(tǒng)的結(jié)構(gòu)參數(shù)及負(fù)荷情況給定時(shí)，通過(guò)控制變量的優(yōu)選，在滿足所有指定的約束條件下，找到使系統(tǒng)的一個(gè)或多個(gè)性能指標(biāo)達(dá)到最優(yōu)時(shí)的無(wú)功調(diào)節(jié)手段。無(wú)功優(yōu)化的目的是通過(guò)調(diào)整無(wú)功潮流的分布降低有功網(wǎng)損，并保證電壓在一個(gè)最好的水平，在滿足運(yùn)行條件約束的前提下，靠改變電網(wǎng)的電壓、無(wú)功分布來(lái)降低系統(tǒng)有功網(wǎng)損，實(shí)現(xiàn)有功網(wǎng)損最小。無(wú)功優(yōu)化是一個(gè)多目標(biāo)、多變量、多約束的混合非線性規(guī)劃問(wèn)題， 其優(yōu)化變量既有連續(xù)變量如節(jié)點(diǎn)電壓，又有離散變量如變壓器調(diào)壓檔位、無(wú)功補(bǔ)償裝置組數(shù)等，這樣使得整個(gè)優(yōu)化過(guò)程十分復(fù)雜，其中對(duì)離散變量的處理更是增加了優(yōu)化的難度。無(wú)功優(yōu)化算法可分為兩類:傳統(tǒng)無(wú)功優(yōu)化算法和現(xiàn)代人工智能算法。
[0003]傳統(tǒng)的無(wú)功優(yōu)化算法，需要進(jìn)行大量復(fù)雜繁冗的計(jì)算，需要投入大量的精力進(jìn)行反復(fù)驗(yàn)證，由于數(shù)據(jù)量龐大，會(huì)對(duì)結(jié)果的精確度產(chǎn)生影響。同時(shí)解的情況可以評(píng)價(jià)算法的計(jì)算效果。在配電網(wǎng)無(wú)功優(yōu)化過(guò)程中，由于簡(jiǎn)化程度或由于算法限制，線性規(guī)劃法、非線性規(guī)劃法、混合整數(shù)規(guī)劃法只能得到次優(yōu)解或局部最優(yōu)解。
[0004]人工智能方法，包括現(xiàn)代啟發(fā)式搜索算法、專家系統(tǒng)和人工神經(jīng)元網(wǎng)絡(luò)等?，F(xiàn)代啟發(fā)式搜索算法中的模擬退火算法、遺傳算法等在電力系統(tǒng)無(wú)功優(yōu)化中的應(yīng)用已取得了大量的研究成果。與嚴(yán)格的數(shù)學(xué)優(yōu)化方法不同，以上方法可以很好地處理離散的、非線性問(wèn)題。 目前，這些方法已初步應(yīng)用到電力系統(tǒng)中，在一定程度上提高了計(jì)算的收斂性和速度，彌補(bǔ)了數(shù)學(xué)優(yōu)化方法的不足，并取得了較好的優(yōu)化結(jié)果。
[0005]缺點(diǎn)是，模擬退火算法、遺傳算法參數(shù)較多，參數(shù)選取比較麻煩，對(duì)問(wèn)題的依賴性過(guò)強(qiáng);人工神經(jīng)網(wǎng)絡(luò)前期需投入大量樣本訓(xùn)練，自我學(xué)習(xí)周期較長(zhǎng)，而且很容易陷入局部極值;模糊優(yōu)化算法對(duì)精確問(wèn)題的求解過(guò)于復(fù)雜。由于最終仍歸結(jié)為線性或非線性規(guī)劃問(wèn)題， 計(jì)算速度沒(méi)有明顯提高，會(huì)導(dǎo)致模型變成非線性而影響計(jì)算效率。
【發(fā)明內(nèi)容】

[0006]針對(duì)上述技術(shù)問(wèn)題，本發(fā)明提供一種風(fēng)電場(chǎng)的電力系統(tǒng)無(wú)功優(yōu)化方法，采用基本差分進(jìn)化算法，并融入遞增二次函數(shù)交叉算子以增加算法的收斂速度；當(dāng)算法陷入早熟后， 對(duì)最優(yōu)個(gè)體和隨機(jī)選取的個(gè)體采用隨機(jī)擾動(dòng)的變異策略，幫助其跳出局部極值，以增強(qiáng)算法的魯棒性，提高算法的全局搜索能力。
[0007]具體技術(shù)方案為:
[0008]風(fēng)電場(chǎng)的電力系統(tǒng)無(wú)功優(yōu)化方法，包括以下過(guò)程:
[0009](1)種群的隨機(jī)初始化
[0010]設(shè)置無(wú)功優(yōu)化控制變量(機(jī)端電壓、有載變壓器抽頭和可調(diào)電容器容量)的維數(shù)和取值范圍，設(shè)置DEA的種群規(guī)模NP，最大進(jìn)化代數(shù)GEN_MAX，以及交叉因子CR。隨機(jī)生成原始種群，計(jì)算原始個(gè)體的適應(yīng)度值。
[0011](2)引入線性退火權(quán)重，在最大進(jìn)化代數(shù)范圍內(nèi)任選三個(gè)個(gè)體進(jìn)行變異操作，變異后生成新的種群，即新的一組控制變量。
[0012](3)將新種群中個(gè)體與原始種群中個(gè)體基因在CR的權(quán)重下進(jìn)行基因融合，生成目標(biāo)種群，完成交叉操作，即對(duì)控制變量各值進(jìn)行新一代的生成。
[0013](4)計(jì)算目標(biāo)個(gè)體的適應(yīng)度值，并與原始個(gè)體的適應(yīng)度值進(jìn)行一對(duì)一的比較，擇優(yōu)保存，最終生成新一代種群。即完成對(duì)控制變量的一次全局搜索，找到網(wǎng)損較小的點(diǎn)。[〇〇14](5)在最大進(jìn)化代數(shù)范圍內(nèi)迭代搜索，直至達(dá)到最大進(jìn)化代數(shù)，滿足搜索截止條件，這時(shí)算法收斂，在全局范圍內(nèi)找到控制變量的最佳配置，實(shí)現(xiàn)網(wǎng)損最小的目標(biāo)。
[0015]含風(fēng)電場(chǎng)的電力潮流計(jì)算的關(guān)鍵是如何正確處理風(fēng)力發(fā)電機(jī)組本身固有的特性。 本發(fā)明提供的風(fēng)電場(chǎng)的電力系統(tǒng)無(wú)功優(yōu)化方法，進(jìn)行含風(fēng)電場(chǎng)的潮流計(jì)算，為了保持潮流計(jì)算精度與迭代效率，且簡(jiǎn)化風(fēng)電接入系統(tǒng)后潮流計(jì)算，在簡(jiǎn)化異步發(fā)電機(jī)穩(wěn)態(tài)等效電路的基礎(chǔ)上，采用不修改雅可比矩陣元素，根據(jù)風(fēng)電場(chǎng)有功功率及節(jié)點(diǎn)電壓動(dòng)態(tài)修改無(wú)功功率，進(jìn)行聯(lián)合迭代，這樣能較準(zhǔn)確的計(jì)算出含風(fēng)電機(jī)組的配電網(wǎng)潮流。最后將改進(jìn)差分進(jìn)化算法應(yīng)用到含風(fēng)電場(chǎng)的電力系統(tǒng)無(wú)功優(yōu)化中，建立以系統(tǒng)網(wǎng)損最小為目標(biāo)函數(shù)的數(shù)學(xué)模型，將節(jié)點(diǎn)電壓、電容器無(wú)功補(bǔ)償和發(fā)電機(jī)可調(diào)無(wú)功功率越界作為懲罰項(xiàng)來(lái)處理。在仿真算例中驗(yàn)證該模型的可行性和正確性。
[0016]本發(fā)明提供的風(fēng)電場(chǎng)的電力系統(tǒng)無(wú)功優(yōu)化方法，對(duì)差分進(jìn)化算法在含風(fēng)電場(chǎng)的無(wú)功優(yōu)化中存在易陷入局部最優(yōu)的缺點(diǎn)，對(duì)差分算法的參數(shù)進(jìn)行了動(dòng)態(tài)調(diào)整，并對(duì)種群中重疊的個(gè)體采用線性退火的變異策略，避免了算法陷入局部最優(yōu)，提高了尋優(yōu)和全局搜索能力，縮短了計(jì)算時(shí)間，有效處理風(fēng)電場(chǎng)對(duì)電網(wǎng)無(wú)功分布和電壓?jiǎn)栴}的影響，減小系統(tǒng)網(wǎng)損， 提高電壓水平。【附圖說(shuō)明】
[0017]圖1是本發(fā)明的流程圖。【具體實(shí)施方式】
[0018]結(jié)合【附圖說(shuō)明】本發(fā)明的【具體實(shí)施方式】。
[0019]分析新疆達(dá)坂城風(fēng)電場(chǎng)的實(shí)際數(shù)據(jù)，根據(jù)IEEE-30節(jié)點(diǎn)系統(tǒng)各粒子的位置信息利用PSASP進(jìn)行潮流計(jì)算，給出線路有功、無(wú)功潮流，各節(jié)點(diǎn)電壓幅值、相角及有功網(wǎng)損等計(jì)算結(jié)果，為后續(xù)節(jié)點(diǎn)系統(tǒng)的無(wú)功優(yōu)化做準(zhǔn)備。具體過(guò)程如圖1所示。
[0020]將改進(jìn)差分進(jìn)化算法應(yīng)用到風(fēng)電場(chǎng)的電力系統(tǒng)無(wú)功優(yōu)化中，并對(duì)IEEE-30節(jié)點(diǎn)系統(tǒng)進(jìn)行優(yōu)化仿真計(jì)算，仿真結(jié)果可驗(yàn)證差分進(jìn)化算法的可行性和有效性。
【主權(quán)項(xiàng)】
1.風(fēng)電場(chǎng)的電力系統(tǒng)無(wú)功優(yōu)化方法，其特征在于，包括以下過(guò)程:(1)種群的隨機(jī)初始化設(shè)置無(wú)功優(yōu)化控制變量的維數(shù)和取值范圍，設(shè)置DEA的種群規(guī)模NP，最大進(jìn)化代數(shù)GEN_ MAX，以及交叉因子CR;隨機(jī)生成原始種群，計(jì)算原是個(gè)體的適應(yīng)度值；(2)引入線性退火權(quán)重，在最大進(jìn)化代數(shù)范圍內(nèi)任選三個(gè)個(gè)體進(jìn)行變異操作，變異后生 成新的種群，即新的一組控制變量；(3)將新種群中個(gè)體與原始種群中個(gè)體基因在CR的權(quán)重下進(jìn)行基因融合，生成目標(biāo)種 群，完成交叉操作，即對(duì)控制變量各值進(jìn)行新一代的生成；(4)計(jì)算目標(biāo)個(gè)體的適應(yīng)度值，并與原始個(gè)體的適應(yīng)度值進(jìn)行一對(duì)一的比較，擇優(yōu)保 存，最終生成新一代種群;即完成對(duì)控制變量的一次全局搜索，找到網(wǎng)損較小的點(diǎn)；(5)在最大進(jìn)化代數(shù)范圍內(nèi)迭代搜索，直至達(dá)到最大進(jìn)化代數(shù)，滿足搜索截止條件，這 時(shí)算法收斂，在全局范圍內(nèi)找到控制變量的最佳配置，實(shí)現(xiàn)網(wǎng)損最小的目標(biāo)。
【文檔編號(hào)】H02J3/38GK106026200SQ201610333200
【公開日】2016年10月12日
【申請(qǐng)日】2016年5月9日
【發(fā)明人】任甜甜, 何穎, 朱曉明, 劉光輝, 張海麗, 朱婷婷, 馬曉倩
【申請(qǐng)人】任甜甜