CN103580023A - 一种基于多目标聚类鱼群算法配电网无功优化方法 - Google Patents

Abstract

一种基于多目标聚类鱼群算法配电网无功优化方法，本发明步骤为：a、往程序中导入相关网架原始数据信息；该原始数据信息应包括网架结构中线路的电阻、电抗等电网静态参数及各节点全天最大有功、无功负荷；b、进行潮流计算，以获得全部网架的有效数据集；c、采用k-均值聚类法，对灵敏度数据进行聚类分析，以便能够快速找到待补偿点的范围；d、调用两个不同目标的鱼群，分别对两个目标函数进行优化，以获得不同目标条件下的最优解；e、不同目标鱼群之间相互交换食物浓度，并转入运行b步骤，直至获得多个全局最优解。本发明加快了算法的优化速度，能够有效降低系统功率损耗，提高电压质量、减少补偿容量。

Description

一种基于多目标聚类鱼群算法配电网无功优化方法

技术领域

本发明属于配电网无功规划领域，涉及基于多目标聚类鱼群算法配电网无功优化方法技术领域。

背景技术

配电网直接面向客户，影响广泛。在实际系统中配电网的传输损耗占到总发电量的10%左右，通过无功规划能够明显降低配电网的电能损耗、提高系统电压质量，保证电网安全稳定运行。因此，配电网无功规划具有重要的意义。而确定无功补偿设备的位置及补偿容量是解决该问题的关键。

配电网中电能损耗及电压质量与电容器的补偿容量相关，若补偿容量多则效果明显，但是投资成本就高。所以，在规划过程中不但要保证系统电压质量，而且需要考虑投资效益。因此，研究一种多目标配电网无功规划方法，合理考虑系统电能损耗和电容器的补偿容量两个相矛盾的子目标，具有重要意义。

目前，传统的无功规划方法主要灵敏度法、功率矩法、人工智能算法。可是这些方法存在计算量大，存在维数灾的问题或者容易陷入局部最优解。现有的配电网无功其模型主要以系统电能损耗最小为目标，但没有考虑经济效益，可能造成投资浪费。另外有文献将电能质量与经济性两个目标函数整合成一个单目标，但是相关系数难以确定。

发明内容

本发明目的在于，针对以上问题，提出基于多目标聚类鱼群算法配电网无功规划，以实现有效处理灵敏度数据、收敛性好及多目标的优点。

本发明的目的是通过如下技术方案来实现的。

一种基于多目标聚类鱼群算法配电网无功优化方法，本发明特征在于，步骤为：

a、往程序中导入相关网架原始数据信息；该原始数据信息应包括网架结构中线路的电阻、电抗等电网静态参数及各节点全天最大有功、无功负荷；

b、进行潮流计算，以获得全部网架的有效数据集；

c、采用k-均值聚类法，对灵敏度数据进行聚类分析，以便能够快速找到待补偿点的范围；

d、调用两个不同目标的鱼群，分别对两个目标函数进行优化，以获得不同目标条件下的最优解；

e、不同目标鱼群之间相互交换食物浓度，并转入运行b步骤，直至获得多个全局最优解；

建立包含无功补偿容量最少、电能损耗损耗最小为目标函数的优化模型，即建立多目标聚类鱼群算法配电网无功优化算法目标函数：

F=min(P_loss(V,Q),Q_ci)；

上述目标函数的约束条件为：

$P_{\mathrm{Gi}}-P_{\mathrm{Li}}-U_i\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{U}_j(G_{\mathrm{ij}}\cos {\mathrm{\δ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\δ}}_{\mathrm{ij}})=0$

$Q_{\mathrm{Gi}}-Q_{\mathrm{Li}}-U_i\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{U}_j(G_{\mathrm{ij}}\cos {\mathrm{\δ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\δ}}_{\mathrm{ij}})=0$

Q_Gimin≤Q_Gi≤Q_Gimax

V_imin≤V_i≤V_imax

Q_Cimin≤Q_Ci≤Q_Cimax

其中：P_Gi(Q_Gi)、P_Li(Q_Li)、U_i、G_ij、B_ij、δ_ij分别为节点i的发电机有功或无功出力、有功或无功负荷、节点i电压、节点i与节点j间电导和电纳以及节点间的电压相角差；Q_Gimin(Q_Gimax)、V_imin(V_imax)、Q_cimin(Q_cimax)、分别为发电机注入无功、节点电压幅值、并联电容器无功容量。

本发明在步骤b之后，要获得全网的潮流数据及每个节点电能损耗对无功功率的灵敏度数据。

本发明在步骤c之后，采用k-均值聚类算法按照馈线对各个节点的灵敏度数据进行筛选、分析，将各簇的中心节点作为进行补偿的候选节点。

本发明在步骤d的之后，不同目标的鱼群分别对各自目标函数进行优化；在优化过程中，鱼群仍然要对每次潮流计算后得到的灵敏度数据进行聚类分析、鱼群间交换食物浓度，更新公告板，以加快寻优速度。

本发明在步骤e之后，不同目标的鱼群之间进行食物浓度信息的交换，一方面可以避免鱼群陷入局部最优解，另一方面可以获得多个全局最优解。

本发明通过k-均值聚类法对系统各节点的灵敏度数据进行分析，找到了各区域内对灵敏度影响最大的点，减少了寻优时需要处理的数据量。采用双鱼群对不同目标函数进行优化，并在不同鱼群间进行食物浓度信息的交换，能够满足对不同目标的要求，无需人为设定目标函数的系数对目标函数准确性造成的影响，同时避免了鱼群陷入局部最优解。

附图说明

图1是本发明的流程图。

具体实施方式

一种基于多目标聚类鱼群算法配电网无功优化方法，本发明特征在于，步骤为：

a、往程序中导入相关网架原始数据信息；该原始数据信息应包括网架结构

中线路的电阻、电抗等电网静态参数及各节点全天最大有功、无功负荷；

b、进行潮流计算，以获得全部网架的有效数据集；

c、采用k-均值聚类法，对灵敏度数据进行聚类分析，以便能够快速找到待补偿点的范围；

d、调用两个不同目标的鱼群，分别对两个目标函数进行优化，以获得不同目标条件下的最优解；

e、不同目标鱼群之间相互交换食物浓度，并转入运行b步骤，直至获得多个全局最优解；

建立包含无功补偿容量最少、电能损耗损耗最小为目标函数的优化模型，即建立多目标聚类鱼群算法配电网无功优化算法目标函数：

F=min(P_loss(V,Q),Q_ci)；

上述目标函数的约束条件为：

$P_{\mathrm{Gi}}-P_{\mathrm{Li}}-U_i\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{U}_j(G_{\mathrm{ij}}\cos {\mathrm{\δ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\δ}}_{\mathrm{ij}})=0$

$Q_{\mathrm{Gi}}-Q_{\mathrm{Li}}-U_i\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{U}_j(G_{\mathrm{ij}}\cos {\mathrm{\δ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\δ}}_{\mathrm{ij}})=0$

Q_Gimin≤Q_Gi≤Q_Gimax

V_imin≤V_i≤V_imax

Q_Cimin≤Q_Ci≤Q_Cimax

其中：P_Gi(Q_Gi)、P_Li(Q_Li)、U_i、G_ij、B_ij、δ_ij分别为节点i的发电机有功或无功出力、有功或无功负荷、节点i电压、节点i与节点j间电导和电纳以及节点间的电压相角差；Q_Gimin(Q_Gimax)、V_imin(V_imax)、Q_cimin(Q_cimax)、分别为发电机注入无功、节点电压幅值、并联电容器无功容量。

本发明在步骤b之后，要获得全网的潮流数据及每个节点电能损耗对无功功率的灵敏度数据。

本发明在步骤c之后，采用k-均值聚类算法按照馈线对各个节点的灵敏度数据进行筛选、分析，将各簇的中心节点作为进行补偿的候选节点。

本发明在步骤d的之后，不同目标的鱼群分别对各自目标函数进行优化；在优化过程中，鱼群仍然要对每次潮流计算后得到的灵敏度数据进行聚类分析、鱼群间交换食物浓度，更新公告板，以加快寻优速度。

本发明在步骤e之后，不同目标的鱼群之间进行食物浓度信息的交换，一方面可以避免鱼群陷入局部最优解，另一方面可以获得多个全局最优解。

本发明通过k-均值聚类法对系统各节点的灵敏度数据进行分析，找到了各区域内对灵敏度影响最大的点，减少了寻优时需要处理的数据量。采用双鱼群对不同目标函数进行优化，并在不同鱼群间进行食物浓度信息的交换，能够满足对不同目标的要求，无需人为设定目标函数的系数对目标函数准确性造成的影响，同时避免了鱼群陷入局部最优解。

下面结合图1对本发明的进行具体说明，该算例仅用于解释说明本发明。

步骤1：读取原始数据，该数据包括在最大负荷条件下，潮流计算的各项数据。

步骤2：潮流计算，得到各节点电压、各支路流过的功率参数。

步骤3：计算各节点的灵敏度数据，以判断各节点无功负荷变化对系统电能损耗的影响程度。

步骤4：采用K-均值聚类法对求出的各节点灵敏度数据进行聚类分析，选取各簇的中心点，作为无功规划的待补充点。

经过仿真可以知道，每个区域只有一个真正灵敏度高的节点，其周围各点的灵敏度数值均是受到该点的影响，而k-均值聚类法结果中各簇的中心点，则为该关键点，因此选取该点作为待补充点可以有效减少优化需处理的数据，更加快捷、有效。

步骤5：分为两个鱼群分别对电能损耗最低、补偿经济性最佳两个子目标进行优化，不同鱼群选择根据其目标函数选择下一补偿点。

步骤6；根据选取的待补偿点，进行补偿后无功负荷的计算。

步骤7；根据补偿后的结果进行潮流计算，得到补偿后的潮流数据。

步骤8；更新公告板，记录所选择的补偿点。

步骤9；判断优化结果是否满足相关设定条件，若不满足则步骤10，满足则转到步骤13。

步骤10：采用K-均值聚类法对求出的各节点灵敏度数据进行聚类分析，选取各簇的中心点，作为无功规划的待补充点。

步骤11：每条鱼得到各负荷节点对应的食物浓度。

步骤12：不同鱼群选择根据其目标函数选择下一补偿点。转到步骤6。

步骤13：判断优化结果是否满足最小电能损耗要求。若满足则输出结果，反之则转步骤14。

步骤14：不同鱼群之间根据其目标函数的优化结果，交换各节点对应的食物浓度。

本发明采用IEEE69节点系统对所发明基于多种群聚类鱼群算法无功优化进行仿真计算，优化结果如表1、表2所示

本算例现将IEEE69节点系统P_loss电能损耗最低、Q_ci补偿容量最少分别作为目标函数，系统有（无）功平衡潮流程序自动满足，单组电容器容量为6kvar，各节点电压范围为0.9≤V_i≤1.1。

表1IEEE69节点系统补偿结果

表2IEEE69节点系统优化结果

从表1可以看出，种群1以电能损耗最小为目标，此情况下补偿点为共10个，该条件下有功网损为143.5679kW。种群二以经济性最好为目标，此情况下补偿点为共7个，该条件下有功网损为146.5632kW，说明该算法能够满足相关目标函数的要求。

Claims (5)

1.一种基于多目标聚类鱼群算法配电网无功优化方法，其特征在于，步骤为：

a、往程序中导入相关网架原始数据信息；该原始数据信息应包括网架结构中线路的电阻、电抗等电网静态参数及各节点全天最大有功、无功负荷；

b、进行潮流计算，以获得全部网架的有效数据集；

c、采用k-均值聚类法，对灵敏度数据进行聚类分析，以便能够快速找到待补偿点的范围；

d、调用两个不同目标的鱼群，分别对两个目标函数进行优化，以获得不同目标条件下的最优解；

e、不同目标鱼群之间相互交换食物浓度，并转入运行b步骤，直至获得多个全局最优解；

建立包含无功补偿容量最少、电能损耗损耗最小为目标函数的优化模型，即建立多目标聚类鱼群算法配电网无功优化算法目标函数：

F=min(P_loss(V,Q),Q_ci)；

上述目标函数的约束条件为：

$P_{\mathrm{Gi}}-P_{\mathrm{Li}}-U_i\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{U}_j(G_{\mathrm{ij}}\cos {\mathrm{\δ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\δ}}_{\mathrm{ij}})=0$

$Q_{\mathrm{Gi}}-Q_{\mathrm{Li}}-U_i\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{U}_j(G_{\mathrm{ij}}\cos {\mathrm{\δ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\δ}}_{\mathrm{ij}})=0$

Q_Gimin≤Q_Gi≤Q_Gimax

V_imin≤V_i≤V_imax

Q_Cimin≤Q_Ci≤QC_imax

其中：P_Gi(Q_Gi)、P_Li(Q_Li)、U_i、G_ij、B_ij、δ_ij分别为节点i的发电机有功或无功出力、有功或无功负荷、节点i电压、节点i与节点j间电导和电纳以及节点间的电压相角差；Q_Gimin(Q_Gimax)、V_imin(V_imax)、Q_cimin(Q_cimax)、分别为发电机注入无功、节点电压幅值、并联电容器无功容量。

2.根据权利要求1所述的一种基于多目标聚类鱼群算法配电网无功优化方法，其特征在于，在步骤b之后，要获得全网的潮流数据及每个节点电能损耗对无功功率的灵敏度数据。

3.根据权利要求1所述的一种基于多目标聚类鱼群算法配电网无功优化方法，其特征在于，在步骤c之后，采用k-均值聚类算法按照馈线对各个节点的灵敏度数据进行筛选、分析，将各簇的中心节点作为进行补偿的候选节点。

4.根据权利要求1所述的一种基于多目标聚类鱼群算法配电网无功优化方法，其特征在于，在步骤d的之后，不同目标的鱼群分别对各自目标函数进行优化；在优化过程中，鱼群仍然要对每次潮流计算后得到的灵敏度数据进行聚类分析、鱼群间交换食物浓度，更新公告板，以加快寻优速度。

5.根据权利要求1所述的一种基于多目标聚类鱼群算法配电网无功优化方法，其特征在于，在步骤e之后，不同目标的鱼群之间进行食物浓度信息的交换，一方面可以避免鱼群陷入局部最优解，另一方面可以获得多个全局最优解。

Images