CN102280889B - 基于克隆-粒子群混杂算法的电力系统无功优化方法 - Google Patents

基于克隆-粒子群混杂算法的电力系统无功优化方法 Download PDF

Info

Publication number
CN102280889B
CN102280889B CN2011101484253A CN201110148425A CN102280889B CN 102280889 B CN102280889 B CN 102280889B CN 2011101484253 A CN2011101484253 A CN 2011101484253A CN 201110148425 A CN201110148425 A CN 201110148425A CN 102280889 B CN102280889 B CN 102280889B
Authority
CN
China
Prior art keywords
particle
population
network loss
clone
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN2011101484253A
Other languages
English (en)
Other versions
CN102280889A (zh
Inventor
韩文花
孙建鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
University of Shanghai for Science and Technology
Original Assignee
Shanghai University of Electric Power
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN2011101484253A priority Critical patent/CN102280889B/zh
Publication of CN102280889A publication Critical patent/CN102280889A/zh
Application granted granted Critical
Publication of CN102280889B publication Critical patent/CN102280889B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/30—Reactive power compensation

Abstract

本发明涉及一种基于克隆-粒子群混杂算法的电力系统无功优化方法，采用牛顿-拉夫逊法求解潮流，各支路网损叠加求取全系统网损，将克隆算法的克隆算子引入标准粒子群算法，克隆-粒子群混杂算法具有更强的搜索到全局最优解的能力，与基于标准粒子群算法的电力系统无功优化方法相比较，基于克隆-粒子群混杂算法的电力系统无功优化方法得到的系统网损值更小，可更大程度地降低电网的运行成本。

Description

基于克隆-粒子群混杂算法的电力系统无功优化方法
技术领域
本发明涉及一种电力系统控制方法，特别涉及一种基于克隆-粒子群混杂算法的电力系统无功优化方法。 
背景技术
无功潮流在电力系统中的无序流动，将增加系统的有功损耗，对无功功率进行优化调配控制，可以改善系统电压质量，降低有功功率损耗，节约运行成本，达到“节能减排”的目的。常用的无功/电压调节手段有发电机电压、变压器分接头档位、并联电容器组投切组数等。通过调整发电机电压、变压器分接头档位、并联电容器组的投切组数，在满足系统运行各种约束的条件下，来实现无功功率在电网中的优化配置，使电网的有功损耗最小。 
标准粒子群算法在解决无功优化问题时，首先根据发电机电压、变压器分接头档位、并联电容器组投切组数等控制变量的调节上下限，形成初始化种群位置，即各粒子的位置；根据各控制变量的调节步长上下限，通过初始化，生成各粒子的速度。然后计算初始化种群中各粒子的适应度值，适应度值最好的粒子保存为最优粒子，其适应度函数值保存为全局最优解。接着设置循环结束条件，并开始循环。在循环中更新惯性权重、粒子的速度、粒子的位置，并对越界粒子进行处理。重新计算各粒子的适应度值，找出适应度值最优的粒子，并将该最优适应度值与上次保存的全局最优解相比较，如果优于全局最优解，则用本次的最优适应度值替换上次保存的全局最优解，最优粒子也做相应替换。然后判断循环是否结束，如循环结束，则输出全局最优解和最优粒子；如循环未结束，则返回继续做循环。最后得到的全局最优解即电网最小有功损耗，最优粒子即发电机电压、变压器分接头档位、并联电容器组投切组数等控制变量参数。 
标准粒子群算法虽然易于实现，在无功优化问题中可取得一定的优化效果，但在该算法中，粒子易陷入局部最优解，一旦陷入局部最优解，就很难跳出，不利于找到更加理想的全局最优解，不能取得更好的降低网损的效果。 
发明内容
本发明是针对电力系统中无功功率带来的损耗问题，提出了一种基于克隆-粒子群混杂算法的电力系统无功优化方法，通过将克隆算法的克隆算子、自适应变异算子、消亡算子引入标准粒子群算法，以使优良粒子的特征得以保持和继承，并保持粒子多样性，以获得更好的全局寻优效果。将该克隆-粒子群混杂算法应用于电力系统无功优化，以取得更好的降低网损的效果，更大程度地降低电网运行成本。 
本发明的技术方案为：一种 
本发明的有益效果在于：本发明为一种基于克隆-粒子群混杂算法的电力系统无功优化方法，将克隆算法的克隆算子引入标准粒子群算法，克隆-粒子群混杂算法具有更强的搜索到全局最优解的能力，与基于标准粒子群算法的电力系统无功优化方法相比较，基于克隆-粒子群混杂算法的电力系统无功优化方法得到的系统网损值更小，可更大程度地降低电网的运行成本。
附图说明
图1为本发明基于克隆-粒子群混杂算法的电力系统无功优化方法的流程图； 
图2为本发明IEEE 30节点电力系统结构图;
图3为本发明系统网损随迭代次数变化曲线图。
具体实施方式
以所要进行优化的电力系统的有功损耗（即网损）为适应度函数，以找到系统最小网损为目的；采用牛顿-拉夫逊法求解潮流，各支路网损叠加求取全系统网损。在主程序中，以所提算法逻辑的实现为主线，求网损的适应度函数作为子函数调用。以最终求得的全局最优解为系统最小网损，对应的最优粒子即为发电机电压、变压器分接头档位、并联电容器组投切组数等控制变量参数。 
整个算法的前 次循环采用标准粒子群算法计算，
Figure 535294DEST_PATH_IMAGE002
为标准粒子群算法接近收敛的代数；
Figure 919002DEST_PATH_IMAGE002
次以后的循环采用克隆-粒子群混杂算法计算。采用标准粒子群算法和克隆-粒子群混杂算法分段计算，可提高整个算法的全局寻优效率。 
首先建立无功优化模型。本发明采用牛顿-拉夫逊法计算系统潮流，各支路网损叠加求得全系统网损。无功优化的目标函数采用有功网损最小，如式（1）所示；约束条件分为等式约束和不等式约束，等式约束即潮流方程，不等式约束为节点电压幅值、发电机无功出力，电容器无功补偿容量、变压器变比不越上下界，如式（2）所示： 
Figure 49769DEST_PATH_IMAGE004
                              （1）
Figure 126309DEST_PATH_IMAGE006
                           （2）
其中
Figure 709737DEST_PATH_IMAGE008
为系统总支路数，
Figure 959453DEST_PATH_IMAGE010
为连接支路
Figure 380945DEST_PATH_IMAGE012
的电导，
Figure 690704DEST_PATH_IMAGE014
、
Figure 761428DEST_PATH_IMAGE016
分别为节点
Figure 814834DEST_PATH_IMAGE002
、
Figure 592297DEST_PATH_IMAGE018
的相角； 、
Figure 365398DEST_PATH_IMAGE022
分别为节点
Figure 160179DEST_PATH_IMAGE002
注入的有功、无功功率；
Figure 854466DEST_PATH_IMAGE024
、
Figure 506027DEST_PATH_IMAGE026
分别为节点
Figure 489026DEST_PATH_IMAGE002
、
Figure 884236DEST_PATH_IMAGE018
的电压，和
Figure 897901DEST_PATH_IMAGE030
分别为节点
Figure 164935DEST_PATH_IMAGE002
电压幅值上下限；
Figure 35939DEST_PATH_IMAGE032
为节点
Figure 642501DEST_PATH_IMAGE002
发电机无功出力，
Figure 901444DEST_PATH_IMAGE034
和
Figure 826412DEST_PATH_IMAGE036
为节点发电机无功出力上下限；
Figure 352388DEST_PATH_IMAGE038
为第
Figure 454337DEST_PATH_IMAGE002
个无功补偿装置的无功补偿容量，
Figure 695962DEST_PATH_IMAGE040
和
Figure 236665DEST_PATH_IMAGE042
为第
Figure 614556DEST_PATH_IMAGE002
个无功补偿装置的无功补偿容量上下限；
Figure 152985DEST_PATH_IMAGE044
为第台变压器变比，
Figure 960721DEST_PATH_IMAGE046
和为第
Figure 902449DEST_PATH_IMAGE002
台变压器变比可调节的上下限。
接下来根据附图1，详细阐述基于克隆-粒子群混杂算法的电力系统无功优化方法的实施步骤：为提高整个算法的全局寻优效率，本方法采用标准粒子群算法和克隆-粒子群混杂算法分段计算，整个算法的前
Figure 118667DEST_PATH_IMAGE002
次循环采用标准粒子群算法计算（
Figure 457899DEST_PATH_IMAGE002
为标准粒子群算法接近收敛的代数，可通过实验得到，自由设定）；次以后的循环采用克隆-粒子群混杂算法计算。 
附图1的第1步是输入电网参数，各参数含义为：节点数: ；支路数: ；平衡母线节点号: ；由支路参数形成的矩阵: ；各节点参数形成的矩阵: 
Figure 807289DEST_PATH_IMAGE056
；各节点对地导纳形成的矩阵: 
Figure 732519DEST_PATH_IMAGE058
。 
支路参数矩阵
Figure 894510DEST_PATH_IMAGE054
的格式为： 
1.每行由6个数据组成,行数是支路数。每行数据用分号隔开。
2.每行的数据的含义: 
（1）首端号
Figure 505937DEST_PATH_IMAGE060
;
（2）末端号
Figure 89103DEST_PATH_IMAGE062
;
（3）线路阻抗
Figure 117102DEST_PATH_IMAGE064
;
（4）线路的对地容抗
Figure 298685DEST_PATH_IMAGE066
;
（5）变比
Figure 753937DEST_PATH_IMAGE068
; 
     如果是线路输入1;
     如果是变压器支路输入 (变压器的变比是
Figure 157553DEST_PATH_IMAGE070
)
（6）
Figure 193642DEST_PATH_IMAGE064
(线路阻抗)在哪侧的标志;
     如果变压器支路的
Figure 757479DEST_PATH_IMAGE064
在
Figure 879019DEST_PATH_IMAGE068
侧输入0,在1侧输入1;
     如果是线路输入0;      
节点参数矩阵
Figure 248820DEST_PATH_IMAGE056
的格式为：
1.每行由6个数据组成,行数是节点数。
2.每行的数据的含义: 
（1）发电机功率: 
Figure 139733DEST_PATH_IMAGE072
;
（2）负荷功率: 
Figure 187717DEST_PATH_IMAGE072
;
（3）节点电压的初始值: 
Figure 95630DEST_PATH_IMAGE074
;
（4）
Figure 106311DEST_PATH_IMAGE076
节点电压的给定值; 
（5）电容器电纳值(标幺值) ;
（6）节点类型标志; 
     如果是平衡节点输入1;
     如果是
Figure 11950DEST_PATH_IMAGE078
节点输入2;
     如果是
Figure 108082DEST_PATH_IMAGE076
节点输入3.
各节点对地导纳矩阵
Figure 819686DEST_PATH_IMAGE058
的格式为：
1.每行由2个数据组成,行数是节点数
Figure 950453DEST_PATH_IMAGE050
；
2.每行的数据的含义:
（1）节点号;
（2）直接接在该节点上的对地导纳值。   
附图1的第2步是根据发电机电压、变压器分接头档位、并联电容器组投切组数等控制变量的调节上下限，形成初始化种群位置
Figure 26994DEST_PATH_IMAGE080
和种群速度
Figure 344842DEST_PATH_IMAGE082
。
Figure 860137DEST_PATH_IMAGE080
形如
Figure 783094DEST_PATH_IMAGE084
，其中
Figure 92853DEST_PATH_IMAGE086
为各节点电压，
Figure 897998DEST_PATH_IMAGE062
为各电容器组的投入组数，
Figure 387623DEST_PATH_IMAGE088
为变压器分接头档位。速度
Figure 227403DEST_PATH_IMAGE082
的含义为
Figure 708063DEST_PATH_IMAGE080
各控制变量的调节步长，
Figure 203766DEST_PATH_IMAGE082
形如
Figure 795284DEST_PATH_IMAGE090
，其中
Figure 755150DEST_PATH_IMAGE092
为中各节点电压
Figure 124132DEST_PATH_IMAGE086
的调节步长，其调节范围取为变化范围的0.1；
Figure 271396DEST_PATH_IMAGE094
为电容器组的调节步长，其调节范围为整数[-1,0,1]（每次投入、切除1组，或不操作）；
Figure 93859DEST_PATH_IMAGE096
为变压器分接头档位调节步长，其调节范围为整数[-1,0,1]（每次投入、切除1组，或不操作）；种群规模为
Figure 360892DEST_PATH_IMAGE098
，
Figure 993081DEST_PATH_IMAGE098
可根据需要取值，如取
Figure 661959DEST_PATH_IMAGE098
=40;粒子维数为
Figure 655323DEST_PATH_IMAGE100
，
Figure 409653DEST_PATH_IMAGE100
根据所要优化的具体的电力系统取值，该系统有几个控制变量，
Figure 349927DEST_PATH_IMAGE100
值就取几，例如IEEE 30节点系统有12个控制变量，那么
Figure 873312DEST_PATH_IMAGE100
=12。
附图1的第3步是计算初始化种群
Figure 37577DEST_PATH_IMAGE080
中各个粒子的网损值，把其中网损最小值作为全局最小网损，全局最小网损对应的粒子作为最优粒子。 
附图1的第4步更新惯性权重
Figure 216886DEST_PATH_IMAGE102
，更新种群速度
Figure 757588DEST_PATH_IMAGE082
、位置
Figure 135480DEST_PATH_IMAGE080
，对越界粒子进行处理。 
1.     惯性权重采用线性递减更新，更新公式为： 
Figure 137251DEST_PATH_IMAGE104
Figure 481645DEST_PATH_IMAGE106
                                         （3）
其中
Figure 150261DEST_PATH_IMAGE108
=0.9，
Figure 921908DEST_PATH_IMAGE110
=0.4，
Figure 872547DEST_PATH_IMAGE112
为最大迭代次数，
Figure DEST_PATH_IMAGE114
为当前迭代次数。
2. 种群速度的更新公式为： 
Figure DEST_PATH_IMAGE116
            （4）
其中
Figure DEST_PATH_IMAGE118
、
Figure DEST_PATH_IMAGE120
为学习因子，
Figure 982902DEST_PATH_IMAGE118
=
Figure 863134DEST_PATH_IMAGE120
=2；
Figure DEST_PATH_IMAGE122
、为介于(0,1)的随机数；
Figure DEST_PATH_IMAGE126
为当前最优解，为全局最优解，为种群当前位置。
3. 种群位置的更新公式为： 
Figure DEST_PATH_IMAGE130
                                        （5）
4.对于
Figure 571086DEST_PATH_IMAGE080
和
Figure 684535DEST_PATH_IMAGE082
中元素，如果有越界的情况，处理方法是：用边界值代替越界元素。
附图1的第5步对更新后的种群，重新计算其网损值，并与之前的全局最小网损值做比较，如果本次计算的网损值更小，就更新全局最小网损值及相应的最优粒子。 
附图1的第6步是判断标准粒子群的循环是否结束 
判据是判断循环次数是否达到设定值
Figure 547449DEST_PATH_IMAGE002
。
Figure 771757DEST_PATH_IMAGE002
为标准粒子群算法接近收敛的代数，可根据实验得出；如果循环次数没有达到设定值
Figure 98833DEST_PATH_IMAGE002
，则返回第4步继续做标准粒子群算法计算；如果循环次数已经达到设定值，则进入第7步，开始克隆-粒子群混杂算法计算。
附图1的第4步-第6步是采用标准粒子群算法进行无功优化。 
附图1的第7步-第15步是采用克隆-粒子群混杂算法进行无功优化。 
附图1的第7步是更新惯性权重，更新种群速度
Figure 495814DEST_PATH_IMAGE082
、位置
Figure 113614DEST_PATH_IMAGE080
，对越界粒子进行处理。惯性权重
Figure 568867DEST_PATH_IMAGE102
和位置的更新方法同第4步。对于粒子速度
Figure 706904DEST_PATH_IMAGE082
的更新，由于通过克隆选择，每个抗体已经利用了自身的历史信息，因此在引入粒子群优化的进化方程时算法只考虑向全局最优飞行，即利用式(6)使进化具有更明确的方向性以提高收敛速度。 
Figure DEST_PATH_IMAGE132
                             （6） 
式中为学习因子，
Figure 572409DEST_PATH_IMAGE120
=2；
Figure 693949DEST_PATH_IMAGE124
为介于(0,1)的随机数；为全局最优解；
Figure 157608DEST_PATH_IMAGE080
为种群当前位置。
附图1的第8步是对更新后的种群，重新计算其网损值，并与之前的全局最小网损值做比较，如果本次计算的网损值更小，就更新全局最小网损值及相应的最优粒子。同第5步。 
附图1的第9步是根据各粒子的网损值，选择其中网损最小的
Figure DEST_PATH_IMAGE134
个粒子存入数组
Figure DEST_PATH_IMAGE136
，
Figure 954663DEST_PATH_IMAGE134
可根据需要而定，最多不超过种群规模。剩下的个粒子存入数组，为种群规模。对数组
Figure 842383DEST_PATH_IMAGE136
中所有粒子进行复制，各粒子复制的个数与其网损值成反比，网损值越小，粒子复制个数
Figure DEST_PATH_IMAGE142
越大。粒子复制个数按下式计算： 
Figure DEST_PATH_IMAGE144
                                （7）
式中，
Figure DEST_PATH_IMAGE146
是克隆常数，取值范围（0,1）；
Figure 790748DEST_PATH_IMAGE050
是种群规模，
Figure 758704DEST_PATH_IMAGE002
是粒子顺序号。
附图1的第10步是对第9步克隆后产生的数组进行变异，各粒子的变异率由下式计算： 
                                   （8）
式中，是变异率，
Figure DEST_PATH_IMAGE152
是计算网损的函数，
Figure DEST_PATH_IMAGE154
是种群中的第
Figure 228737DEST_PATH_IMAGE002
个粒子。各粒子的变异率与网损值成正比，网损值越大，变异率越大，有利于种群进化和保持种群多样性。对于变异算子作用到的每一个个体分量，采用一种自适应变异方法，公式如下：
Figure DEST_PATH_IMAGE156
                                    （9）
式中，
Figure DEST_PATH_IMAGE158
是变异后的个体分量，
Figure 878024DEST_PATH_IMAGE154
是变异前的个体分量，
Figure DEST_PATH_IMAGE160
是一个服从标准正态分布的随机数。
附图1的第11步是计算变异后种群中所有粒子的网损值。 
附图1的第12步是将变异后种群中所有粒子的网损值与
Figure 680895DEST_PATH_IMAGE136
中其父代粒子的网损值相比较，若变异后粒子网损值更小，则用变异后粒子替换
Figure 819753DEST_PATH_IMAGE136
中其父代粒子。 
附图1的第13步是在第9步产生的由网损值最大的粒子组成的数组中，选择
Figure 856159DEST_PATH_IMAGE018
个粒子，重新初始化，以保持种群中粒子的多样性，
Figure 575853DEST_PATH_IMAGE018
可根据需要设定，最大不超过
Figure 885612DEST_PATH_IMAGE140
中粒子总数。 
附图1的第14步是由
Figure 956336DEST_PATH_IMAGE136
和
Figure 448890DEST_PATH_IMAGE140
重新组成种群
Figure 288670DEST_PATH_IMAGE080
，重新计算各粒子的网损值，并与之前的全局最小网损值做比较，如果本次计算的网损值更小，就更新全局最小网损值及相应的最优粒子。 
附图1的第15步是判断基于克隆-粒子群算法的无功优化是否结束。 
判据是判断循环次数是否达到最大循环次数。如果没有达到最大循环次数，则返回第7步继续做克隆-粒子群算法的计算；如果循环次数已经达到最大循环次数，则进入第16步，输出无功优化结果。 
附图1的第16步是输出无功优化结果。 
无功优化结果包括全局最小网损值和相应的最优粒子。最优粒子的各维元素存放的是发电机电压、电容器投入组数、变压器分接头档位等控制变量的具体参数。至此，整个算法流程结束。 
本发明以IEEE 30节点电力系统的无功优化为例，并与基于标准粒子群算法的无功优化方法相对比，说明基于克隆-粒子群算法的无功优化方法在处理电力系统无功优化问题方面的优越性。 
IEEE 30节点系统具有30条母线（30个节点），41条支路，其中变压器支路有4条；接有并联电容器组的节点号为10和24，其中节点10调节电容电纳上限为0.5（标幺值），调节步长为0.1，节点24调节电容电纳上限为0.1（标幺值），调节步长为0.02；发电机节点号为1、2、5、8、11、13，其中节点1为平衡节点，节点2、5、8、11、13为
Figure 769330DEST_PATH_IMAGE076
节点，其余接点为
Figure 265034DEST_PATH_IMAGE078
节点。电压的调节范围（0.95~1.1），节点10电容器组电纳值的调节范围（0~0.5），节点24电容器组电纳值的调节范围（0~0.1），变压器变比的调节范围（0.9~1.1）。IEEE 30节点系统结构图如附图2所示。 
本发明将求系统最小网损作为目标函数，则在无功优化问题中，那种方法最终求出的网损越小，说明该方法越优秀。依据上海交通大学出版社2000年出版的《电力系统潮流计算的计算机方法》-吴际舜，侯志俭，IEEE 30节点系统的原始网损为5.3700 MW。在IEEE 30节点系统中，分别采用基本粒子群算法和本发明所提方法进行无功优化，并分别将采用两种方法求得的系统最小网损以及IEEE 30节点系统的原始网损比较如下： 
表1
 比较项 无功优化前系统原始网损 采用SPSO进行无功优化后系统网损 采用本发明所提方法进行无功优化后系统网损
  网损 5.3700 MW 4.5313 MW  4.4257 MW
注:
Figure DEST_PATH_IMAGE162
SPSO表示标准粒子群算法；表1中无功优化后系统网损为10次计算的平均值
由表1可看出，相对于无功优化前的系统网损，基于基本粒子群算法的无功优化方法可降低网损0.8387 MW，降损百分比15.61%，本发明方法可降低网损0.9443 MW，降损百分比17.58%；与原始网损相比，本发明所提方法可降低网损17.58%，且比基于基本粒子群算法的无功优化方法多降低网损1.97%，具有明显的降低网损的功能，可以更显著地降低电网运行成本。
表1中无功优化后系统网损为10次计算的平均值，本发明所提方法10次计算中的最小网损值为4.4120 MW，其所对应最优粒子为[1.1000，0.9500，1.0488，1.0784，1.0393，1.0650，5.0000，5.00000，-3.0000， 4.0000，-4.0000，-4.0000]。其物理意义为发电机节点1、2、5、8、11、13的电压幅值（标幺值）分别为1.1000，0.9500，1.0488，1.0784，1.0393，1.0650，并联电容器节点10、24的电容分别投入5.0000，5.00000组，支路6-9，支路6-10，支路4-12，支路28-27的变压器分接头档位分别设定为-3.0000， 4.0000，-4.0000，-4.0000时，可得IEEE 30节点系统最小网损4.4120 MW。 
基于基本粒子群算法的无功优化方法和本发明方法在无功优化过程中，系统网损（标幺值，功率基值为100MVA）随迭代次数变化曲线，如附图3所示。从附图3可以直观看出，本发明方法相比于基于基本粒子群算法的无功优化方法，在降低网损方面，具有明显的优势。 

Claims (6)

1.一种基于克隆-粒子群混杂算法的电力系统无功优化方法，其特征在于，具体包括如下步骤：
1）建立所要优化的电力系统的无功优化模型；
2）根据发电机电压、变压器分接头档位、并联电容器组投切组数等控制变量的调节上下限，随机初始化种群位置                                                ，种群速度
Figure 2011101484253100001DEST_PATH_IMAGE002
，种群规模为
Figure 2011101484253100001DEST_PATH_IMAGE003
，以确定每个粒子的初始位置和速度；
3）计算所有粒子的网损值；找到全局最小网损和最优粒子；
4）更新惯性权重
Figure 2011101484253100001DEST_PATH_IMAGE004
，更新种群速度、位置；
5）对于
Figure 193227DEST_PATH_IMAGE001
和
Figure 878155DEST_PATH_IMAGE002
中元素，如果有越界的情况，用边界值代替越界元素；
6）判断标准粒子群循环终止条件是否满足，若不满足返回步骤4），若达到循环结束条件，算法终止；
7）采用克隆-粒子群混杂算法进行无功优化，更新惯性权重
Figure 649802DEST_PATH_IMAGE004
，更新种群速度、位置，对越界粒子进行处理，并限制速度、位置不超越边界；
8）对更新后的种群，重新计算其网损值，并与步骤3）的最小网损值做比较，如果本次计算的网损值更小，就更新全局最小网损值及相应的最优粒子，选择
Figure 600441DEST_PATH_IMAGE001
中网损值最小的
Figure 2011101484253100001DEST_PATH_IMAGE005
个粒子放入记忆集
Figure 2011101484253100001DEST_PATH_IMAGE006
，剩下的粒子放入数组；
9）克隆
Figure 420629DEST_PATH_IMAGE006
中的每个粒子，各粒子克隆数目
Figure 2011101484253100001DEST_PATH_IMAGE008
与该粒子的网损值大小成反比，克隆后的所有粒子放入新数组
Figure 2011101484253100001DEST_PATH_IMAGE009
；
10）将
Figure 960064DEST_PATH_IMAGE009
中各个粒子进行变异，形成新数组
Figure 2011101484253100001DEST_PATH_IMAGE010
，变异率大小与各个粒子网损值成正比；
11）限定
Figure 840295DEST_PATH_IMAGE010
中粒子位置不超边界；
12）计算
Figure 278230DEST_PATH_IMAGE010
中个各粒子网损值，并更新全局最小网损和最优粒子；
13）将中粒子的网损值与其父代
Figure 171416DEST_PATH_IMAGE006
中粒子的网损值相比较，如果前者小于后者，则用
Figure 471816DEST_PATH_IMAGE010
中的粒子替换其父代中的粒子；
14）在中取网损值最低的
Figure 2011101484253100001DEST_PATH_IMAGE011
个粒子，运用消亡算子将其抛弃，并将其重新初始化；
15）以
Figure 620535DEST_PATH_IMAGE006
和
Figure 904886DEST_PATH_IMAGE007
重新组合生成种群位置，重新计算
Figure 532362DEST_PATH_IMAGE001
中各粒子的网损值，并更新全局最小网损和最优粒子；
16）判断循环次数是否达到最大循环次数，如果没有达到最大循环次数，则返回步骤7）继续做克隆-粒子群算法的计算；如果循环次数已经达到最大循环次数，输出无功优化结果。
2.根据权利要求1所述基于克隆-粒子群混杂算法的电力系统无功优化方法，其特征在于，所述步骤1）中无功优化模型采用牛顿-拉夫逊法计算系统潮流，各支路网损叠加求得全系统网损，无功优化采用有功网损最小，如式
Figure DEST_PATH_IMAGE013
，不等式约束为节点电压幅值、发电机无功出力，电容器无功补偿容量、变压器变比不越上下界，公式如下：
Figure DEST_PATH_IMAGE014
其中
Figure DEST_PATH_IMAGE015
为系统总支路数，
Figure DEST_PATH_IMAGE016
为连接支路
Figure DEST_PATH_IMAGE017
的电导，
Figure DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE019
分别为节点
Figure DEST_PATH_IMAGE021
、的相角；
Figure DEST_PATH_IMAGE023
、
Figure DEST_PATH_IMAGE024
分别为节点
Figure 963212DEST_PATH_IMAGE021
注入的有功、无功功率；、
Figure DEST_PATH_IMAGE028
分别为节点
Figure DEST_PATH_IMAGE029
、
Figure 277519DEST_PATH_IMAGE022
的电压，
Figure DEST_PATH_IMAGE031
和
Figure DEST_PATH_IMAGE033
分别为节点电压幅值上下限；
Figure DEST_PATH_IMAGE034
为节点
Figure 868086DEST_PATH_IMAGE029
发电机无功出力，
Figure DEST_PATH_IMAGE035
和
Figure DEST_PATH_IMAGE036
为节点
Figure 107438DEST_PATH_IMAGE029
发电机无功出力上下限；
Figure DEST_PATH_IMAGE037
为第
Figure 468012DEST_PATH_IMAGE029
个无功补偿装置的无功补偿容量，
Figure DEST_PATH_IMAGE038
和
Figure DEST_PATH_IMAGE039
为第
Figure 42082DEST_PATH_IMAGE029
个无功补偿装置的无功补偿容量上下限；
Figure DEST_PATH_IMAGE040
为第
Figure 349566DEST_PATH_IMAGE029
台变压器变比，
Figure DEST_PATH_IMAGE041
和
Figure DEST_PATH_IMAGE042
为第
Figure 240162DEST_PATH_IMAGE029
台变压器变比可调节的上下限。
3.根据权利要求1所述基于克隆-粒子群混杂算法的电力系统无功优化方法，其特征在于，所述步骤2）中形成初始化种群位置
Figure 224167DEST_PATH_IMAGE001
和种群速度
Figure 833003DEST_PATH_IMAGE002
，
Figure 6495DEST_PATH_IMAGE001
为，其中为各节点电压，
Figure DEST_PATH_IMAGE045
为各电容器组的投入组数，
Figure DEST_PATH_IMAGE046
为变压器分接头档位。
4.根据权利要求3所述基于克隆-粒子群混杂算法的电力系统无功优化方法，其特征在于，所述种群速度的含义为
Figure 133204DEST_PATH_IMAGE001
各控制变量的调节步长，
Figure 167019DEST_PATH_IMAGE002
为，其中
Figure DEST_PATH_IMAGE048
为种群位置
Figure 878623DEST_PATH_IMAGE001
中各节点电压
Figure 930762DEST_PATH_IMAGE044
的调节步长，其调节范围取为
Figure 69619DEST_PATH_IMAGE044
变化范围的0.1；
Figure DEST_PATH_IMAGE049
为电容器组的调节步长，其调节范围为整数[-1,0,1]；
Figure DEST_PATH_IMAGE050
为变压器分接头档位调节步长，其调节范围为整数[-1,0,1]。
5.根据权利要求1所述基于克隆-粒子群混杂算法的电力系统无功优化方法，其特征在于，所述步骤4）中惯性权重
Figure 590730DEST_PATH_IMAGE004
采用线性递减更新，更新公式为：
Figure DEST_PATH_IMAGE051
Figure DEST_PATH_IMAGE052
，其中
Figure DEST_PATH_IMAGE053
，，为最大迭代次数，
Figure DEST_PATH_IMAGE057
为当前迭代次
数。
6.根据权利要求1所述基于克隆-粒子群混杂算法的电力系统无功优化方法，其特征在于，所述步骤4）中种群速度的更新公式为：
Figure DEST_PATH_IMAGE058
，其中
Figure DEST_PATH_IMAGE059
、为学习因子，=
Figure 447063DEST_PATH_IMAGE060
=2；、
Figure DEST_PATH_IMAGE062
为介于(0,1)的随机数；
Figure DEST_PATH_IMAGE063
为当前最优解，
Figure DEST_PATH_IMAGE064
为全局最优解，
Figure 642421DEST_PATH_IMAGE001
为种群当前位置。
CN2011101484253A 2011-06-03 2011-06-03 基于克隆-粒子群混杂算法的电力系统无功优化方法 Expired - Fee Related CN102280889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011101484253A CN102280889B (zh) 2011-06-03 2011-06-03 基于克隆-粒子群混杂算法的电力系统无功优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011101484253A CN102280889B (zh) 2011-06-03 2011-06-03 基于克隆-粒子群混杂算法的电力系统无功优化方法

Publications (2)

Publication Number Publication Date
CN102280889A CN102280889A (zh) 2011-12-14
CN102280889B true CN102280889B (zh) 2013-10-09

Family

ID=45106136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011101484253A Expired - Fee Related CN102280889B (zh) 2011-06-03 2011-06-03 基于克隆-粒子群混杂算法的电力系统无功优化方法

Country Status (1)

Country Link
CN (1) CN102280889B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102611099A (zh) * 2012-02-09 2012-07-25 河海大学 一种微电网降低网损的方法
CN102723721A (zh) * 2012-05-31 2012-10-10 西南交通大学 基于个体最优位置自适应变异扰动粒子群算法的电力系统无功优化方法
CN102738809B (zh) * 2012-06-25 2014-09-17 山东大学 计及风功率分布规律的风电场无功补偿容量优化控制方法
CN102856917B (zh) * 2012-07-31 2014-11-19 上海交通大学 一种配电网无功优化方法
CN103066595B (zh) * 2012-12-26 2014-03-12 中国电力科学研究院 一种特高压暂态稳定控制的优化方法
CN103199544A (zh) * 2013-03-26 2013-07-10 上海理工大学 电力系统的无功优化方法
CN103280821B (zh) * 2013-06-25 2014-12-10 国家电网公司 智能配电系统多时段动态无功优化方法
CN103647466B (zh) * 2013-11-15 2016-01-20 浙江大学 一种基于粒子群算法的谐波电网下vsc多目标优化矢量控制方法
CN103762878B (zh) * 2013-12-17 2016-01-20 浙江大学 一种基于粒子群算法的谐波电网下vsc多目标优化直接功率控制方法
CN103812120B (zh) * 2014-02-12 2016-04-20 邵阳学院 一种基于离散型均匀分布函数的配电网无功优化方法
CN104009484B (zh) * 2014-06-12 2016-02-10 国家电网公司 一种基于潮流计算的电网降损评估方法
CN107230986B (zh) * 2017-07-04 2020-01-03 湘潭大学 一种基于改进分子动理论优化算法的电力系统无功优化方法
CN108631327A (zh) * 2018-06-04 2018-10-09 景德镇陶瓷大学 一种基于粒子群优化算法对配电网无功优化方法
CN109858368B (zh) * 2018-12-29 2021-04-06 浙江工业大学 一种基于Rosenbrock-PSO的人脸识别攻击防御方法
CN110867870B (zh) * 2019-12-16 2020-12-29 贵州电网有限责任公司 一种时间尺度电压无功协调控制方法
CN113489019A (zh) * 2021-07-08 2021-10-08 湘潭大学 一种基于自适应粒子群算法的配电网无功优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105820A (zh) * 2007-08-23 2008-01-16 上海交通大学 电网规划计算机辅助决策支持系统
CN101242103A (zh) * 2008-03-13 2008-08-13 上海交通大学 电力系统稳定器参数的智能优化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000116003A (ja) * 1998-09-29 2000-04-21 Kansai Electric Power Co Inc:The 電圧無効電力制御方法
JP3742375B2 (ja) * 2002-10-10 2006-02-01 東北電力株式会社 配電用変電所における切替母線接続断路器群のためのインターロック装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105820A (zh) * 2007-08-23 2008-01-16 上海交通大学 电网规划计算机辅助决策支持系统
CN101242103A (zh) * 2008-03-13 2008-08-13 上海交通大学 电力系统稳定器参数的智能优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JP特开2000-116003A 2000.04.21
JP特开2004-135432A 2004.04.30

Also Published As

Publication number Publication date
CN102280889A (zh) 2011-12-14

Similar Documents

Publication Publication Date Title
CN102280889B (zh) 基于克隆-粒子群混杂算法的电力系统无功优化方法
CN103280821B (zh) 智能配电系统多时段动态无功优化方法
CN110247438B (zh) 基于天牛须算法的主动配电网资源优化配置
CN110729765A (zh) 一种考虑sop的配电网灵活性评估指标体系和优化调度方法
CN107994595A (zh) 一种削峰填谷控制方法和系统以及应用该控制方法的系统
CN104037776B (zh) 随机惯性因子粒子群优化算法的电网无功容量配置方法
CN103972908A (zh) 一种基于自适应混沌粒子群算法的多目标无功优化方法
CN102856918A (zh) 一种基于小生境粒子群算法的配电网的无功优化方法
CN105186556A (zh) 基于改进免疫粒子群算法的大型光伏电站无功优化方法
CN103020853A (zh) 一种短期交易计划安全校核的方法
CN104584357A (zh) 利用分布式能量源控制降低配电系统的损耗
CN103490428B (zh) 微电网无功补偿容量配置方法及系统
CN103150629A (zh) 基于相关机会二层规划模型的输电网规划方法
CN107492901B (zh) 一种分布式储能系统实时优化方法及装置
CN104769802A (zh) 用于计算机辅助控制电网中的功率的方法
CN110120673B (zh) 基于戴维南等值参数辨识的分布式输配协同无功优化方法及系统
CN103730900A (zh) 电力系统多时间尺度的省地县一体化无功优化方法
CN115481856A (zh) 考虑综合需求响应的综合能源系统多尺度调度方法及系统
CN105896565B (zh) 基于比重变异粒子群算法的配电网无功优化方法
CN108964099B (zh) 一种分布式储能系统布局方法及系统
CN103094910A (zh) 多级自动电压无功控制系统avc协调控制方法
CN105470976A (zh) 一种稳态条件下svc和tcsc的协调配置方法
CN115296296A (zh) 配电网节能降损优化方法、系统、存储介质及计算设备
Paital et al. Reactive power compensation using PSO controlled UPFC in a microgrid with a DFIG based WECS
Eissa et al. A novel approach for optimum allocation of Flexible AC Transmission Systems using Harmony Search technique

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20131009

Termination date: 20150603

EXPY Termination of patent right or utility model