电力系统无功电压综合优化控制方法研究

摘要

电能是一种高效、清洁、经济、实用且容易控制和转换的能源形式，在国民经济和人类日常生活中，已成为一种最为广泛利用的能源，其应用程度和相关技术设备的发展状况成为一个国家发展水平的主要标志之一。电压质量是衡量电能质量的实质标准，目前影响电网电压质量的因素主要有无功功率优化补偿状况、系统谐波抑制状况以及各种故障因素等。 无功功率优化补偿提高电压质量，降低网络有功损耗的理论研究已有很多年的历史。用于无功/电压优化的算法主要有数学类的数值优化算法和人工智能类的启发式优化算法。数值优化方法的求解依赖于精确的数学模型，而精确的数学模型随着实际电力系统节点数的增多，求解变得十分复杂和困难，往往难于找到全局最优解，并且求解速度很慢，难以适应实时控制要求。因此，基于对自然界和人类本身的有效类比而获得启示的人工智能方法受到了研究人员的关注，其中以人工神经网络、专家系统、模糊理论、遗传算法、模拟退火算法、禁忌搜索算法、粒子群算法、进化规划、多Agent系统等为代表。这些人工智能算法不用精确求解无功优化的数学模型，而是以各种生物智能的方式来搜索满足某些约束条件的最优解，当搜索结果与理想值误差在某个限值之内或达到一定的搜索步骤后，就可以以搜索到的结果来进行控制。这种方法避免了精确求解的困难，使得优化控制问题变得更加可行、实用。 本文即采用人工智能方法中的人工神经网络(ANN)和粒子群优化(PSO)算法对电力系统的无功电压优化控制问题进行研究、探索和尝试。本文的主要工作可以概括如下： (1)应用人工神经网络理论，利用其中利用率最高的反向传播BP神经网络进行电力系统无功电压综合优化控制的应用研究，避开了传统数值优化算法中非线性、线性方程组求解复杂而困难的问题。本文提出了一种综合的算法来确定神经网络中比较难于确定的隐层节点数目，同时提出了一种标准化方法来处理电力网络的初始训练数据，以保证网络训练的有效收敛。 (2)通过反复实验对不同的训练函数的训练效果分别作了详细的分析和对比，对训练完成后的网络的泛化能力作了验证和改进。通过实例系统分析了简单的BP神经网络如果训练数据选取得比较适当、网络拓扑结构合理、参数设置合理，是可以满足一定的训练精度要求的。 (3)研究了近几年出现并应用的新的智能计算方法——粒子群优化算法，在电力系统无功电压综合优化控制中的应用。利用粒子群优化算法比遗传算法更简单，更容易实现，控制变量少，收敛速度快的特点，提出了一种均匀初始化的可行解保留策略并具有自身探索机制的改进粒子群优化算法，即对于粒子群的初始化，不采用随机初始化的方法，而是采用在可行域内按满足均匀分布的规律产生初始粒子种群，使迭代更趋于全局；对于粒子在搜索过程中速度的更新，采用只有满足问题可行解条件的粒子才能进行粒子的速度和位置更新，以限制有效搜索的范围和速度：其次采用粒子个体的自身探索机制指导粒子的全局寻优，即采用适应值好的满足可行解要求的若干个粒子作为个体最优，而不是只有粒子本身的历史最优来指导粒子的飞行，这样使得粒子的搜索信息多样，避免粒子陷入局优。 (4)对于粒子群优化算法的改进本文还提出了一种混沌变异的方法。即对于改进的粒子若仍有陷入局优的可能，则在适应值连续若干代没有明显变化时引进混沌变异机制，运用Logistic方程产生混沌变异序列，帮助粒子跳出局部最优。改进后的算法经算例证明比基本的粒子群算法收敛性好，收敛速度加快。 (5)综合了粒子群优化算法和神经网络的特点，利用粒子群优化算法和改进的粒子群优化算法，即满足可行解保留策略的均匀初始化的混沌变异的粒子群优化算法的快速搜索和良好的收敛性能优化BP神经网络的初始权值和阈值，利用优化得到的BP网络对系统做无功电压的综合优化，实例表明网络最终的优化结果收敛性能、收敛速度、泛化能力均有相当的提高。 (6)提出了一种BP神经网络的网络结构的优化新方法，即利用改进的粒子群优化算法对BP网络中的各网络参数，包括网络的隐层节点数目、学习率和动量因子等参数进行整体优化，用得出的优化网络进，行系统无功电压综合控制。实例同样证明了此种改进后的网络收敛速度和泛化能力得到了相当的提高。 从本文的研究和试验结论可以看出，粒子群优化方法和神经网络的结合算法应用于电力系统的无功电压综合优化控制是可行的。

目录

文摘

英文文摘

声明

第一章绪论

1.1电力系统电能质量概述

1.1.1引言

1.1.2电能质量的概念

1.1.3电能质量的分类

1.1.4电能质量的影响因素及危害

1.1.5电能质量的评价指标

1.1.6国内外电能质量现状

1.1.7电能质量的研究方法

1.2本论文的主要工作

第二章电力系统无功电压综合优化控制方法研究

2.1无功电压综合优化控制的研究现状

2.2无功电压综合优化控制的研究方法

2.2.1传统研究方法

2.2.2人工智能研究方法

2.3无功电压综合优化控制设备的研究应用状况

2.3.1常规电容器(组)的应用

2.3.2静止无功补偿器(SVC)的应用

2.3.3静态同步补偿器(STATCOM)的应用

2.3.4有载调压变压器的应用

2.4无功电压综合优化控制研究中仍存在的问题

第三章电力系统无功电压综合优化控制的数学模型

3.1引言

3.2无功电压综合优化控制的系统要求

3.3无功电压综合优化控制的数学模型

3.3.1以网损最小为优化目标的数学模型

3.3.2以最小电压降为优化目标的数学模型

3.3.3运行费用、成本最低的数学模型

3.3.4计及网损和控制成本的无功优化模型

3.3.5多目标优化的数学模型

3.3.6以控制变量表示的网损最小的无功优化模型

3.3.7非线性规划问题的统一数学模型

3.4电网有功功率模型相关参数矩阵

3.4.1以节点电压和变压器变比表示的系统有功损耗

3.4.2以节点注入功率表示的系统有功损耗

3.4.3梯度和灵敏度矩阵

3.5小结

第四章人工神经元网络在电力系统无功电压综合优化控制中的应用研究

4.1神经元网络概述

4.2人工神经元网络模型

4.2.1典型神经元模型

4.2.2神经元模型的激励函数

4.2.3人工神经网络模型的分类

4.2.4人工神经网络的学习规则

4.3人工神经网络在电力系统无功电压综合优化控制中的应用研究

4.3.1人工神经网络在电力系统无功优化中的应用

4.3.2人工神经网络的改进及其在电力系统无功优化中的应用

4.4 BP(Back-Propagation)前馈神经网络

4.4.1 BP前馈神经网络概述

4.4.2 BP神经网络的工作原理

4.4.3 BP神经网络的训练函数

4.4.4 BP神经网络的计算流程

4.4.5 BP神经网络的泛化能力

4.5自适应BP神经网络在无功电压综合优化控制中的应用

4.5.1学习样本的获取

4.5.2网络拓扑结构的确定

4.5.3网络训练参数的确定

4.6仿真算例分析

4.7小结

第五章粒子群优化算法在电力系统无功电压综合优化控制中的应用

5.1粒子群优化算法概述

5.2基本粒子群优化算法

5.3粒子群优化算法的改进研究

5.3.1参数的改进

5.3.2搜索过程的改进

5.3.3与其它优化方法的结合

5.4改进粒子群优化算法在无功电压综合优化控制中的应用

5.4.1初始化的改进

5.4.2粒子的自身探索机制和可行解保留策略

5.4.3混沌变异

5.4.4无功电压综合控制数学模型的确定

5.4.5 改进的IPSO用于无功电压综合优化控制

5.5算例仿真分析

5.6 结论

第六章粒子群优化算法与人工神经网络结合在电力系统无功电压综合优化控制中的应用

6.1运用PSO算法优化BP神经网络的初始权值和阈值

6.1.1 基本粒子群算法(BPSO)优化BP神经网络

6.1.2运用IPSO优化BP神经网络的初始权值和阈值

6.2 IPSO优化BP神经网络的隐层节点数、学习率和动量因子

6.3有待改进之处

第七章结论

附录

参考文献

致谢

攻读学位论文期间发表的文章