混合优化算法及其在同步相量测量单元最优配置中的应用

摘要

随着电力系统规模的日益扩大，如何及时获取电网信息显得愈发重要和迫切。对于大规模电力系统的监视和控制，同步相量测量单元(PMU)是一种有力的工具。它能够同步的监测系统中安装了PMU的母线电压相量，以及与母线相连的线路的电流相量。近年来，国内外关于PMU的应用研究在逐渐深入，相关研究的内容包括改善状态估计的精度，暂态稳定性预测控制以及系统状态完全可观测下的PMU配置等。 在以系统状态完全可观测为目标的PMU配置方面，Phadke博士曾提出，如果在所有系统母线都安装PMU，则全系统必然是完全可观测的，而且可以大大改善电力系统的监控水平。但PMU及其通讯装置价格昂贵，这样做将增加一次性经济投资。因此就需要选择在哪些母线上安装PMU，使得在满足系统可观性条件下所需要的PMU个数最少，这就是所谓PMU最优配置问题。 本文在电力系统状态可观测性研究现状的基础上，深入分析了近年来新兴的几种智能优化算法，提出了一种新的混合优化算法来求解以系统状态完全可观测为目标的PMU最优配置问题。混合算法以粒子群算法为主体，保持了其搜索效率高，编程简单易于实现的特点；同时引入交叉、变异操作，增加了群体的多样性，提高了全局寻优能力；模拟退火机制被引入算法中以控制粒子的更新，从而避免了粒子群优化算法易陷入局部极值点的缺点，提高了进化的收敛速度和精度。 为解决优化中的约束条件问题，引入了一种改进的启发式修补策略，避免修补时产生过多局部特征类似的解。另外，本文在判断电力系统状态可观测性时提出了一种基于节点邻接矩阵的快速可观测性分析方法。与以往的分析方法相比，这种方法将大大减少最优配置问题中的计算量，提高程序的效率。 IEEE标准算例的仿真结果说明了该混合优化算法在解决PMU最优配置问题上的有效性。

目录

文摘

英文文摘

声明

第一章绪论

1.1同步相量测量单元(PMU)综述

1.1.1 PMU的产生和发展

1.1.2 PMU的功能

1.2 PMU最优配置综述

1.3本文所做的工作

第二章现代优化计算方法介绍

2.1遗传算法

2.1.1遗传算法的基本理论

2.2模拟退火算法

2.2.1物理特性

2.2.2数学模型

2.2.3新解的产生和接受机制

2.2.4 Metropolis准则

2.2.5温度参数的控制

2.2.6模拟退火算法的步骤和特点

2.3粒子群算法

2.3.1算法原理

2.3.2算法流程

2.3.3标准粒子群算法参数分析

2.3.4离散粒子群算法

第三章改进的粒子群算法

3.1 Supervisor-Student模型的粒子群算法

3.2邻域变换的粒子群算法

3.3并行粒子群算法

3.4采用函数拉伸的粒子群算法

第四章混合优化算法的设计与应用

4.1混合优化算法的设计

4.1.1算法思想

4.1.2算法设计

4.2混合算法在PMU最优配置中的应用

4.2.1系统状态估计及可观测性分析

4.2.2数学模型分析及算法实现

第五章算例分析

第六章总结与展望

附录 IEEE测试系统的PMU最优配置方案图

参考文献

发表论文和参加科研情况说明

致 谢