法律状态公告日
法律状态信息
法律状态
2016-10-12
未缴年费专利权终止 IPC(主分类):H02J3/18 授权公告日:20140806 终止日期:20150817 申请日:20120817
专利权的终止
2014-08-06
授权
授权
2013-01-30
实质审查的生效 IPC(主分类):H02J3/18 申请日:20120817
实质审查的生效
2012-12-12
公开
公开
技术领域
本发明属于电力系统无功优化领域,尤其涉及一种含分布式电源的电 力系统多目标无功优化方法。
背景技术
电力系统无功优化,通常是以发电机机端电压、变压器分接头和并联 补偿电容器、电抗器等设备的调控作为控制手段,通过合理调节无功 潮流分布,以达到降低电网有功损耗、改善系统电压质量、提高负荷 端功率因数、保证电气设备的正常运行等目的,从而实现电力系统运 行状态的优化,它是从最优潮流的发展中逐渐分化出的一个分支问题 。
在数学上,无功优化是典型的多目标优化问题,其约束条件数量多、 类型多;目标函数及约束条件具有非线性特征;负荷及运行方式具有 不确定性;控制变量混杂有离散变量和连续变量;目标函数难以由控 制变量显式描述;再加上智能电网分布式电源接入后,会对电力系统 的规划、设计、运行、控制及保护等各个方面造成影响,因此求解难 度很大。
近年来,人工蜂群算法ABC已经成功的应用到了背包问题、任务调度等 优化问题上,具有算法简单、鲁棒性强的特点,通过各人工蜂 个体的局部寻优行为,最终在群体中使全局最优值突现出来,有较快 的收敛速度。和声搜索算法HS是一种新兴的智能优化算法,通过反复 调整记忆库中的解变量,使函数值随着迭代次数的增加不断收敛。在 解决多维函数优化问题上展示了较遗传算法、模拟退火算法等更好的 优化性能。但是和声搜索算法HS主要是基于邻域搜索的,初始解的好 坏对搜索性能影响很大。尤其是带有很复杂的约束问题,随机给出的 初始解很可能是不可行的,甚至通过多步搜索也很难找到可行解,因 此针对特定的复杂约束,采用启发式方法或其他方法找出一个可行解 作为初始解是至关重要的。本发明在分析人工蜂群算法ABC与和声搜索 HS算法优缺点的基础上,提出一种混合优化算法ABC-HS,用于解决含 分布式电源的多目标无功优化问题。
发明内容
针对背景技术中提到的含分布式电源的多目标无功优化问题,以及人 工蜂群算法ABC与和声搜索算法HS在求解多目标优化问题中的各自优势 ,本发明提出了一种含分布式电源的电力系统多目标无功优化方法。
本发明的技术方案是,一种含分布式电源的电力系统多目标无功优化 方法,其特征在于,所述方法包括以下步骤:
步骤1:推导风力发电机在潮流计算中的模型;
步骤2:初始化电网参数及分布式电源的并网参数;
步骤3:构造由系统无功优化控制变量组成的个体向量,初始化 种群;
步骤4:根据已经初始化的种群和分布式电源并网后的电网参数进行潮 流计算,并计算各个目标函数值;
步骤5:用基于人工蜂群的和声搜索混合算法进行多目标优化;
步骤6:优化过程结束,输出优化结果。
步骤1中,风电场的发电机在潮流计算中的模型推导如下:
由风力发电机注入电网的有功功率为:
此时,X=Xr+XS,其中,XS为发电机定子漏抗,Xr为转子漏抗,Rr是转 子电阻,Xm是励磁电抗,S是转差率,V是机端电压,PWT是风力发电机 有功输出,QWT为风力发电机吸收的无功功率。在这个回路中,忽略定 子电阻。
由推导可算出风力发电机发出的无功功率为:
假定发电机端电压为常量,变量只剩下风电场有功功率输出PWT。因此 按照风力发电机的额定电压计算吸收的无功功率,在这样的简化下, 误差非常小。风力发电的鼠笼式发电机在此处要从电网中吸收无功功 率,所以此处无功功率QWT为负值。
步骤2中,所述原始电网参数包括发电机有功出力、支路数据、节点负 荷和电网整体结构;所述分布式电源的并网参数包括可调压的发电机 机端电压、变压器变比、无功补偿设备的位置、容量、所有控制变量 约束条件和状态变量约束条件。
步骤3中,系统无功优化控制变量包括:发电机机端电压、有载调压变 压器档位和无功补偿设备容量;初始化种群的方法包括以下步骤:
步骤31:由系统无功优化控制变量组成个体向量;
步骤32:对种群中所有个体向量分别随机生成初始值。
步骤4中,根据已经初始化的种群和分布式电源并网后的电网参数进行 潮流计算,并计算各个目标函数值的过程包括以下步骤:
步骤41:根据步骤3中已经初始化的种群和电网参数进行潮流计算;潮 流计算通过式(1)进行:
其中,PGi,WTi为同步发电机或者风力发电机所发出的有功功率,QGi,WTi为同步 发电机或者风力发电机所发出的无功功率;PLi为电力系统第i节点负荷 的有功功率;QLi为电力系统第i节点负荷的无功功率;Vi为第i节点的 电压值;Vj为第j节点的电压值;NB为节点的数量;|Yij|为第i节点和 第j节点间的导纳大小;θij为第i节点和第j节点之间导纳角;δi与δ j分别为i节点和j节点的电压相位角。
步骤42:计算步骤3中已经进行初始化的种群的所有个体的所有目标函 数值,目标函数值包括有功网损、电压偏移和无功补偿。
目标函数值计算公式为:
其中第一个目标函数Ploss为总的有功网损;NL为支路数;ND为负荷节点 数;δij为两电压相位角的差;gL为导线电导;QSVCi为i点的静态无功补 偿值。第二个目标函数f2中εV为电压偏移。第三个目标函数f3可以解 释为我们期望的静态无功补偿裕量最大化的变型。即希望f4最大化。 而实际上所求的多目标都希望为最小值,所以用f3的形式替代f4。
状态变量约束条件:
控制变量约束条件:
风力发电机组限制:
其中,VDi为节点i的实际电压;Vi,nom为节点i额定电压;VGi为i点发电机总 线的电压大小;QCi为固定电容器在i点产生的无功功率补偿;Ti为可调 变压器的抽头位置。
步骤5中,用基于人工蜂群的和声搜索混合算法进行多目标优化,优化 过程包括以下步骤:
步骤51:根据帕累托Pareto支配关系,用快速支配排序法求解非支配 解集;
步骤52:采用精英归档技术,用一个独立于进化过程的外部集合—— 精英集,保存迭代中搜索到的非支配最优解;
步骤53:采用拥挤度算子维持精英集容量;
步骤54:按照混合优化算法ABC-HS进行个体进化,重新构造优化方案;
步骤55:判断种群优化终止条件是否满足,若收敛条件满足,则转入 步骤6,否,则返回步骤51。
所述步骤53中,个体拥挤度距离的计算公式为:
其中,h指目标函数总数;为个体c沿着目标j的两边相邻个体之间的 水平距离;
所述步骤54具体包括以下步骤:
步骤541:初始化和声记忆库,随即生成规模为NP个和声,其值要满足 约束条件,并选取适应度函数;
步骤542:计算初始和声的适应度值,并且记录下适应度最差的个体;
步骤543:生成一个新的和声,若新的和声优于最差个体,则用此和声 替换最差个体。
本发明在发挥和声搜索算法HS优势的同时,结合了人工蜂群算法ABC部 分算法的思想加以改进,得到了一种适应多目标优化问题的混合算法 ,应用在多目标电力系统无功优化问题中能够很好的搜索到满足多个 目标的帕累托Pareto解集。本发明提出的混合优化算法ABC-HS在已有 和声搜索算法HS局部搜索的同时,融合了人工蜂群算法ABC全局搜索的 优点,提高了算法的效率并改善了算法的鲁棒性。
附图说明
图1是本发明提供的电力系统风电鼠笼式发电机等效电路图;
图2是本发明提供的修改的IEEE14节点接线图;
图3是本发明提供的一种含分布式电源的电力系统多目标无功优化方法 的流程图;
图4是本发明提供的一种含分布式电源的电力系统多目标无功优化方法 的混合优化算法ABC-HS的多目标无功优化流程图;
图5是本发明提供的一种含分布式电源的电力系统多目标无功 优化方法的混合优化算法ABC-HS个体进化流程图。
其中,1-第1节点,2-第2节点,3-第3节点,4-第4节点,5-第5节点, 6-第6节点,7-第7节点,8-第8节点,9-第9节点,10-第10节点,11- 第11节点,12-第12节点,13-第13节点,14-第14节点。
具体实施方式
下面结合附图,对优选实施例作详细说明。应该强调的是下述说明仅 仅是示例性的,而不是为了限制本发明的范围及其应用。
图1是本发明提供的电力系统风电鼠笼式发电机等效电路图。图1中, XS为定子漏抗,Xr为转子漏抗,Rr是转子电阻,Xm是励磁电抗,s是转 差率,V为端电压,PWT为风力发电机的有功输出,QWT为风力发电机的无 功输出。
图2是本发明提供的修改的IEEE14节点接线图。整个系统包含14个节点 (1-14),20条支路(连接两个不同节点之间的线路)。代表无功补 偿发电机,代表分布式风力发电机,代表有功发电机,分别在第4节 点到第7节点形成的支路、第4节点到第9节点形成的支路以及第5节点 到第6节点形成的支路上安装了有载调压变压器,变压器变比可调控范 围为[0.90,1.10],有载调压变压器分接头档位为离散变量,范围为[ 0,20]。在14个节点中,第1节点1、第2节点2、第3节点3、第6节点6、 第8节点8和第14节点14为发电机节点,其中第1节点1为平衡节点;第 9节点9为无功补偿节点,安装 有并联电容器,无功功率出力可调控范围为[0,18],并联电容器投切 组数为离散变量,范围为[0,3];所有节点的电压约束范围为[0.90,1 .10],可调压发电机机端电压也受此电压约束限制。
图3是本发明提供的一种含分布式电源的电力系统多目标无功优化方法 的流程图。本发明提供的方法具体包括以下步骤:
步骤301:推导出分布式电源并网的等效电路图;风电场的鼠笼式发电 机在潮流计算中的模型推导如下:
由风力发电机注入电网的有功功率为:
在这个回路中,忽略定子电阻。
由推导可算出风力发电机发出的无功功率为:
步骤302:初始化电网参数及分布式电源的并网参数;
步骤302中,所述原始电网参数包括发电机有功出力、支路数 据、节点负荷及电网整体结构;所述分布式电源的并网参数包括可调 压的发电机机端电压、变压器变比、无功补偿设备的位置、容量、所 有控制变量约束条件和状态变量约束条件。
步骤303:构造由系统无功优化控制变量组成的个体向量,初始化种群 ;具体包括以下步骤:
步骤3031:由系统无功优化控制变量组成个体向量;
电力系统无功优化控制变量主要包括:发电机机端电压、有载调压变 压器分接头位置、并联电容器和电抗器投切组数。如步骤301所述,修 改的IEEE14节点系统中有10个控制变量,发电机机端电压包括:U1、 U2、U3、U6、U8和U14(分别对应第1节点1、第2节点2、第3节点3、第 6节点6、第8节点8和第14节点14),可调控范围为[0.90,1.10];有载 调压变压器分接头档位包括:T47、T49和T56(分别对应第4节点到第7节 点形成的支路、第4节点到第9节点形成的支路以及第5节点到第6节点 形成的支路),此变量为整数,可调控范围为[0,20];并联电容器投 切组数包括:N9(对应第9节点9),此变量为整数,可调控范围为[0 ,3]。为了方便,统一用yi代表控制变量,可以将系统无功优化控制变 量组成D维个体向量为:
(y1,…,yD)
其中:D=10。
步骤3032:对种群(即模拟的可能解的群体)中所有个体向量分别随 即生成初始值。种群规模为NP。在控制变量约束范围[yjmin,yjmax]内取随机 值初始化种群个体xi(0):
初始种群为:
yjmax、yjmin分别代表控制变量yj的上限值和下限值;xi(0)代表初始种群中 第i个个体;代表初始种群中第i个个体的第j维变量值,j={1,…,D} 。
步骤304:根据已经初始化的种群和分布式电源并网后的电网参数进行 潮流计算,并计算各个目标函数值;具体包括以下步骤:
步骤3041:根据步骤303中已经进行初始化的种群和电网参数进行潮流 计算。计算公式为:
上式中,PGi,WTi为同步发电机或者风力发电机所发出的有功功率,QGi,WTi为同 步发电机或者风力发电机所发出的无功功率;PLi为电力系统第i节点负 荷的有功功率;QLi为电力系统第i节点负荷的无功功率;Vi为第i节点 的电压值;Vj为第j节点的电压值;NB为节点的数量;|Yij|为第i节点 和第j节点间的导纳大小;θij为第i节点和第j节点之间导纳角;δi与 δj分别为i节点和j节点的电压相位角。
步骤3042:计算步骤303中已初始化种群的目标函数值,三个目标值包 括有功网损、电压偏移和静态无功补偿裕量。
所述步骤3042的计算公式为:
f1、f2和f3分别代表有功网损Ploss、电压偏移εV和无功补偿裕量的目标 函数值,Ploss为总的有功网损;NL为支路数;δij为两电压相位角的差; gL为导线电导;QSVCi为i点的静态无功补偿值;为i点静态无功补偿最大 值;εV为电压偏移;RQSVC为最大无功补偿裕量。
步骤305:用基于人工蜂群的和声搜索混合算法进行多目标优化;如图 4,具体优化过程包括以下步骤:
步骤3051:根据帕累托Pareto支配概念,比较个体向量的优劣,并按 照快速排序法构造种群的非支配解集,寻找每次迭代中出现帕累托Pa reto最优解;
步骤3052:计算非支配解集中个体拥挤度距离;
根据步骤3051得到的非支配解集,在集合中计算个体拥挤度距离:步 骤3052个体拥挤度距离的计算公式为:
上式中:h指目标函数总数,此处,h=3;为个体c沿 着目标j的两边相邻个体之间的水平距离;
个体拥挤度是指种群中给定个体周围的个体密度;个体拥挤度距离是 指:在h维目标空间中,取个体c沿着每个目标的两边相邻个体之间的 水平距离,并将c个这样的水平距离相加作为个体c的拥挤距离dc;为 了保持精英集中个体多样性,避免最优解过于集中近似,选择拥挤距 离较大的个体,以维持精英集的容量.
步骤3053:按照帕累托Pareto支配关系中的比较关系更新精英集,同 时结合个体拥挤度距离控制精英集的大小;具体包括以下步骤:
步骤a:设定精英集的大小为 30。
步骤b:将步骤3051获得的非支配解集中的解按个体拥挤度距离从大到 小排列。
步骤c:将步骤3052中排列好的解依次加入精英集中,如果精英集中解 的数量达到了限定大小,则将待加入精英集中的解(超过30后剩下的 待加入精英集的解)的个体拥挤度距离和精英集中原有解的最小个体 拥挤度距离比较,原有解就是指目前在精英集中的解,最小个体拥挤 度距离就是在精英集中所有解的个体拥挤度距离的最小值,在精英集 中保留个体拥挤度距离较大的解,舍弃另一个解。
步骤3054:按混合优化算法ABC-HS进行个体进化,即更新控制变量的 值,重新构造优化方案;具体包括以下步骤:
步骤①:选定人工蜂群算法ABC的编码规则,按照编码规则产生规模为 NP的初始种群,选取适应度函数:
其中:Fc表示初始种群G中第c个个体的适应度值;、、分别代表有 功网损、电压偏移和静态无功补偿裕量。Fc越小表明该个体越优良, 即该个体无功优化解越好。λ1,λ2,λ3的值根据实际情况的需要赋值 。
步骤②:首先计算初始种群G的适应度,并按适应度的值Fc,将种群中 适应度值最差(即Fc最大)的个体记为Gworst;
步骤③:对初始种群G的个体Gc使用蜂群的局部启发式搜索算法,对初 始种群按下式进行邻域搜索:
其中,xij为第i个个体的第j维向量,。vij为第i个个体的j维向量的新 个体。搜索的次数设定为N1。当N1次搜索结束后,设此时种群的第i个 个体的第j维向量为(i=1,2,…,NP;j=1,2,…,N)。
步骤④:如图5所示,对个体进行和声搜索算法HS的。我们把步骤③中 迭代N1次后的新解采用和声搜索算法HS的更新操作。其算法的参数有 :和声记忆库的大小HMS,和声记忆库的取值概率HMCR,音调微调概率 PAR,音调微调带宽bw,创作次数Tmax。下面举例说明新解变量产生机 理。
新解的第一个变量x'1有HMCR的概率选自和声记忆库HM中的任何一个 值,有1-HMCR的概率选自和声记忆库HM外(且在变量范围内)的任何 一个值,记作Xi。同样的,其他变量的生成方式如下:
其中rand表示[0,1]上均匀分布的随机数。
其次,如果新的和声x'1来自和声记忆库HM,要对其进行音调微调,具 体操作如下:
最后对新的和声进行评估,如果优于和声记忆库HM中的函数值最差的 一个,则将新和声更新至和声记忆库HM中,具体操作如下:
若
直到创作迭代次数达到Tmax为止。
步骤306:优化过程结束,输出优化结果。
由于和声搜索算法 HS主要是基于邻域搜索的,初始解的好坏对搜索 的性能影响很大。因此本发明在优化前期结合了人工蜂群算法ABC,得 到一种混合优化算法ABC-HS,通过初步迭代来使全局最优解突现出来 ,混合算法使得优化收敛速度加快,进而更快的搜索到满足多个目标 的帕累托Pareto最优解集。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并 不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范 围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内 。因此,本发明的保护范围应该以权利要求的保护范围为准。
机译: 基于索引连锁分析的多目标优化方法,用于电力系统的峰值调节调度
机译: 基于索引连杆分析的电力系统峰值多目标优化方法
机译: 基于索引连杆分析的电力系统峰值多目标优化方法