CN104410077A - 基于改进遗传算法的电力系统多线程电压无功优化控制方法 - Google Patents
基于改进遗传算法的电力系统多线程电压无功优化控制方法 Download PDFInfo
- Publication number
- CN104410077A CN104410077A CN201410795783.7A CN201410795783A CN104410077A CN 104410077 A CN104410077 A CN 104410077A CN 201410795783 A CN201410795783 A CN 201410795783A CN 104410077 A CN104410077 A CN 104410077A
- Authority
- CN
- China
- Prior art keywords
- voltage
- fitness value
- multithreading
- iaga
- control
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力系统调度自动化领域,尤其涉及一种基于改进遗传算法的电力系统多线程电压无功优化控制方法。包括以下步骤:分关口、多线程按照优先级进行改进遗传算法计算,生成电压无功控制方案;分关口、多线程下载电压无功控制方案,采用并发遥控的模式执行电压无功控制方案。本发明采用分关口多线程进行遗传算法优化计算,变异概率采用模糊调整,交叉概率采用相似度调整,并通过定空间灵敏度缩小搜索空间,能快速给出最优控制方案,采用并发遥控,能快速调整越限电压和功率因数,同时优化网损。
Description
技术领域
本发明属于电力系统调度自动化领域,尤其涉及一种基于改进遗传算法的电力系统多线程电压无功优化控制方法。
背景技术
调度地县一体化,使得无功电压优化控制也变得复杂,监视控制电压大量增加,可选的控制设备也急剧增多,传统的遗传算法在计算速度、收敛性等方面不能很好满足实际需求。主要面临着以下问题:
1)对于地调来说,在高峰期,会出现大量越限电压和功率因数,地县一体,控制设备也增多,采用传统的遗传算法,种群规模非常大,搜索空间也变得很大,受迭代次数限制,往往会陷入局部最优。2)监控的厂站、电压、功率因数等数量增多,在高峰期要兼顾每个厂站、每个电压和功率因数往往会出现没有的方案的情况,或者给出的调整方案侧重点在不重要的厂站、电压和功率因数上。上述问题导致调度过程无法获得最优的无功控制方案。
发明内容
为解决上述问题,本发明提供了一种基于改进遗传算法的电力系统多线程电压无功优化控制方法,根据该方法可获得较优的电压无功控制方案。
本发明采用的方案为:
一种基于改进遗传算法的电力系统多线程电压无功优化控制方法,包括以下步骤:
步骤1、分关口、多线程按照优先级进行改进遗传算法计算,生成电压无功优化控制方案;其中改进遗传算法计算包括以下步骤:
步骤1-1根据定空间灵敏度确定遗传算法的搜索空间;
步骤1-2、确定求改进遗传算法电压无功优化控制适应度值的函数,其中用到的权重根据优先级确定;
步骤1-3、根据种群适应度值情况对每个个体的变异概率进行模糊自动调整;
步骤1-4、根据个体间的相似度大小确定两个体的交叉概率;
步骤1-5、进行改进遗传算法计算,生成电压无功控制方案;
步骤2、分关口、多线程下载电压无功优化控制方案,采用并发遥控的模式执行电压无功优化控制方案。
本发明对地区电网分关口,采用多线程对每个关口分别进行改进遗传算法优化计算,多个关口同时进行,关口之间没有影响,大大缩减了整体计算时间,使得电网越限电压、功率因数快速得到调整,越限时间缩短,提高整体电压质量。对电压无功优化方案的执行采用并发遥控的模式,分关口多线程采用遗传算法对电网电压、功率因数等监控量进行矫正,控制方案同样也分关口给出,有利于分关口并发遥控实现。
步骤1-1由定空间灵敏度确定遗传算法的搜索空间,灵敏度计算采用摄动法,多线程计算,缩短计算时间。适当的缩小搜索空间,指定大致的搜索方向,则可以大大地减少迭代代数,缩短收敛时间,改善实时性。根据灵敏度分析指定搜索方向、通过修正约束条件作为改进的搜索空间形成新的定空间灵敏度遗传算法。灵敏度计算用到的灵敏度系数有有载调压变压器变比和电容/电抗器对电压的灵敏度有载调压变压器变比和电容/电抗器对网损的灵敏度有载调压变压器变比和电容/电抗器对功率因数的灵敏度根据上述公式计算各灵敏度,判断各变压器、电容/电抗器的三类灵敏度是否满足限值条件,满足限值条件的变压器、电容/电抗器定义的空间即为定空间灵敏度确定的搜索空间。
由定空间灵敏度确定的搜索空间为:
其中:X—有载调压变压器、电容、电抗器;
YoutLim—越限的电压、越限功率因数以及网损;
m—灵敏度阈值。
本发明根据实际地区电网的要求,对监控点划分优先级,根据优先级计算各监控点的权重,不同的优先级对应不同的权重,权重应用于适应度值的计算,不同的权重对适应度值的影响不同,优先级高的,对适应度值影响大,遗传算法在寻优过程中就有所侧重,给出的调整策略体现了不同优先级的要求。
步骤1-2中适应度值的求取过程为:针对种群中的每个个体,对各电压等级下监控点的电压、功率因数、变压器和电容的投切成本以及有功网损根据优先级分别求出电压适应度值FV、功率因数适应度值投切成本适应度值FT+C和网损适应度值FPloss,针对每次迭代对四类适应度值求和获得一个总适应度值F,取总适应度值的最小值作为遗传算法无功优化的适应度值。在此,1个个体对应搜索空间内所有变压器、电容/电抗器的一种状态组合,所有不同状态的组合所对应的个体即组成了一个种群。
上文所述的各适应值的计算公式如下:
(1)总适应度值
(2)电压适应度值
(3)功率因数适应度值
(4)投切成本适应度值
(5)网损适应度值
FPloss=λPlossPloss
Ri、R分别为监控电压或者功率因数的罚因子;ΔUi220、ΔUi110、ΔUi35、ΔUi10分别为各个电压等级越限电压的偏移量;分别为各个电压等级越限功率因数的偏移量;n220、n110、n35、n10、n分别为各个电压等级下监控电压、功率因数以及控制的变压器和电容的个数;λ220、λ110、λ35、λ10、λT+C、λploss分别为根据优先级确定的各个电压等级电压、功率因数以及投切成本、网损的权重;CTi、CCi分别为单台变压器、电容的投切成本;ΔXTi、ΔXCi分别为变压器、电容的动作状态;Ploss是系统的有功网损。
接下来,计算每个个体的变异概率。在种群适应值方差较小的情况下,为保证算法的稳定性,应施以较小的变异概率;在种群适应值方差较大的情况下,为了尽快淘汰劣质解,对适应值大的个体,施以较大的变异概率,出于保护优秀个体的考虑,对适应值较小的个体,应施以较小的变异概率。为适应上述不同的变异概率要求,本发明根据适应度值模糊自动调整变异概率。针对每个个体的四类适应度值分别求对应的变异概率,变异概率的求取公式为:
pm=(Fadapi-Fmin)/Ferro
其中,Cr—变异概率;
Fadapi—第i个个体的适应度值;
Fmin—种群中最小适应度值;
Ferro—种群的平均适应度值;在此所述的适应度值是电压适应度值FV、功率因数适应度值投切成本适应度值FT+C和网损适应度值FPloss四类适应度值中的一种。
之后,是交叉概率的计算过程。交叉概率的好坏直接影响到遗传算法的收敛速度快慢。本文采用改进的交叉概率相似度调整方法作为交叉概率,根据个体间的相似度大小来决定是否进行交叉操作。交叉概率由下式确定:
S=l/n
其中:S—相似度;
l—两个个体最长公共控制变量串的长度;
n—控制变量串的长度;
设定阈值,只有当两个个体的相似度小于阈值时,两个个体才进行交叉。阈值是根据实际需求,经过测试选取的最优值。
步骤1-2中各个监控点的权重根据优先级按照以下公式计算:
λ—各个监控点权重,其中包括λ220、λ110、λ35、λ10、λT+C、VPloss;
—各类监控点优先级平方;
m—监控点分类数目。
本发明的有益效果:
1)采用定空间灵敏度遗传算法能够适当的缩小搜索空间,指定大致的搜索方向,则可以大大地减少迭代代数,缩短收敛时间,改善实时性。
2)提出目标分级控制的方法能在不能兼顾所有越限的情况下首先调整优
先级高的重点厂站、电压和功率因数。
3)采用多线程对每个关口分别进行改进遗传算法优化计算,多个关口同时
进行,大大缩减了整体计算时间,使得电网越限电压、功率因数快速得到
调整,越限时间缩短,提高整体电压质量。
4)采用并发遥控执行优化方案,能快速调整越限电压和功率因数,同时优
化网损。
具体实施方式
下面来说明本发明的具体实施过程。
一、目标分级、分关口多线程优化计算
首先,对搜索空间内的监控点划分优先级,不同优先级有不同的权重。各个监控点的权重根据优先级按照以下公式计算:
λ—各个监控点权重,根据电压等级的不同以及监控点的不同,本发明用到的权重有λ220、λ110、λ35、λ10、λT+C、λPloss;
—各类监控点优先级平方;
m—监控点分类数目。
求得的权重用于下文适应度值的计算,从而作用于改进遗传算法的计算过程,实现按优先级给出控制方案的目的。
其次,采用分关口计算,采用多线程对每个关口分别进行改进遗传算法优化计算,改进遗传算法计算过程如下:
1、由定空间灵敏度确定遗传算法的搜索空间。
首先,采用摄动法计算灵敏度,利用多线程同时计算。灵敏度计算用到的灵敏度系数有有载调压变压器变比和电容/电抗器对电压的灵敏度有载调压变压器变比和电容/电抗器对网损的灵敏度有载调压变压器变比和电容/电抗器对功率因数的灵敏度
然后,根据灵敏度确定搜索空间。根据上述公式计算的各灵敏度,判断各变压器、电容/电抗器的三类灵敏度是否满足限值条件,满足限值条件的变压器、电容/电抗器定义的空间即为定空间灵敏度确定的搜索空间。
由定空间灵敏度确定的搜索空间的公式为:
其中:X—有载调压变压器、电容、电抗器;
YoutLim—越限的电压、越限功率因数以及网损;
m—灵敏度阈值。
2、确定求改进遗传算法电压无功优化适应度值的函数
(1)总适应度值
(2)电压适应度值
(3)功率因数适应度值
(4)投切成本适应度值
(5)网损适应度值
FPloss=λPlossPloss
Ri、R分别为监控电压或者功率因数的罚因子;ΔUi220、ΔUi110、ΔUi35、ΔUi10分别为各个电压等级越限电压的偏移量;分别为各个电压等级越限功率因数的偏移量;n220、n110、n35、n10、n分别为各个电压等级下监控电压、功率因数以及控制的变压器和电容的个数;λ220、λ110、λ35、λ10、λT+C、λPloss分别为根据优先级确定的各个电压等级电压、功率因数以及投切成本、网损的权重;CTi、CCi分别为单台变压器、电容的投切成本;ΔXTi、ΔXCi分别为变压器、电容的动作状态;Ploss是系统的有功网损。
先加权求得电压适应度值、功率因数适应度值、投切成本适应度值、网损适应度值,然后再求和得到总适应度值。针对每个个体,每次迭代,取总适应度值的最小值作为改进遗传算法电压无功优化适应度值。
3、模糊自动调整变异概率
在种群适应值方差较小的情况下,为保证算法的稳定性,应施以较小的变异概率;在种群适应值方差较大的情况下,为了尽快淘汰劣质解,对适应值大的个体,施以较大的变异概率,出于保护优秀个体的考虑,对适应值较小的个体,应施以较小的变异概率。为实现上述目的,本发明根据每个个体的四类适应度值分别计算对应的变异概率,具体公式为:
pm=(Fadapi-Fmin)/Ferro
其中,Cr—变异概率;
Fadapi—第i个个体的适应度值;
Fmin—种群中最小适应度值;
Ferro—种群的平均适应度值;
在对第i个个体的变异概率计算时,分别选取第i个体的电压适应度值FV或功率因数适应度值或投切成本适应度值FT+C或网损适应度值FPloss作为Fadapi,相应的,选种群中对应类型的最小适应度值作为Fmin,选对应类型的种群平均适应度值作为Ferro,针对四类适应度值均计算相应的变异概率。
4、交叉概率相似度调整
采用改进的交叉概率相似度调整方法作为交叉概率,根据个体间的相似度大小来决定是否进行交叉操作。
交叉概率由下式确定:S=l/n
其中:S-相似度;
l—两个个体最长公共控制变量串的长度;
n—控制变量串的长度;
设定阈值,只有当两个个体的相似度小于阈值时,两个个体才进行交叉。
5、进行改进遗传算法计算,生成电压无功优化控制方案。
二、采用并发遥控模式执行电压无功优化控制方案。
分关口多线程采用遗传算法对电网电压、功率因数等监控量进行矫正,分关口、多线程下载电压无功优化控制方案,采用并发遥控模式执行无功优化控制方案。
Claims (6)
1.一种基于改进遗传算法的电力系统多线程电压无功优化控制方法,其特征在于包括以下步骤:
步骤1、分关口、多线程按照优先级进行改进遗传算法计算,生成电压无功优化控制方案;其中改进遗传算法计算包括以下步骤:
步骤1-1根据定空间灵敏度确定遗传算法的搜索空间;
步骤1-2、确定求改进遗传算法电压无功优化控制适应度值的函数,其中用到的权重根据优先级确定;
步骤1-3、根据种群适应度值情况对每个个体的变异概率进行模糊自动调整;
步骤1-4、根据个体间的相似度大小确定两个体的交叉概率;
步骤1-5、进行改进遗传算法计算,生成电压无功控制方案;
步骤2、分关口、多线程下载电压无功优化控制方案,采用并发遥控的模式执行电压无功优化控制方案。
2.根据权利要求1所述的基于改进遗传算法的电力系统多线程电压无功优化控制方法,其特征在于:步骤1-1中由定空间灵敏度确定的搜索空间为:
其中:X—有载调压变压器、电容、电抗器;
YoutLim—越限的电压、越限功率因数以及网损;
m—灵敏度阈值。
3.根据权利要求1所述的基于改进遗传算法的电力系统多线程电压无功优化控制方法,其特征在于:步骤1-2中适应度值的求取过程为:针对种群中的每个个体,对各电压等级下监控点的电压、功率因数、变压器和电容的投切成本以及有功网损根据优先级分别求出电压适应度值FV、功率因数适应度值投切成本适应度值FT+C和网损适应度值Fploss,针对每次迭代对四类适应度值求和获得一个总适应度值F,取总适应度值的最小值作为遗传算法无功优化的适应度值。
4.根据权利要求3所述的基于改进遗传算法的电力系统多线程电压无功优化控制方法,其特征在于:步骤1-3中针对每个个体的四类适应度值分别求对应的变异概率,变异概率的求取公式为:
pm=(Fadapi-Fmin)/Ferro。
其中,Cr—变异概率;
Fadapi—第i个个体的适应度值;
Fmin—种群中最小适应度值;
Ferro—种群的平均适应度值;在此所述的适应度值是电压适应度值FV、功率因数适应度值投切成本适应度值FT+C和网损适应度值FPloss四类适应度值中的一种。
5.根据权利要求1所述的基于改进遗传算法的电力系统多线程电压无功优化控制方法,其特征在于:步骤1-4中交叉概率由下式确定:
S=l/n
其中:S—相似度;
l—两个个体最长公共控制变量串的长度;
n—控制变量串的长度;
设定阈值,只有当两个个体的相似度小于阈值时,两个个体才进行交叉。
6.根据权利要求1或3所述的基于改进遗传算法的电力系统多线程电压无功优化控制方法,其特征在于:步骤1-2中各个监控点的权重根据优先级按照以下公式计算:
λ—各个监控点权重;
—各类监控点优先级平方;
m—监控点分类数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410795783.7A CN104410077B (zh) | 2014-12-18 | 2014-12-18 | 基于改进遗传算法的电力系统多线程电压无功优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410795783.7A CN104410077B (zh) | 2014-12-18 | 2014-12-18 | 基于改进遗传算法的电力系统多线程电压无功优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104410077A true CN104410077A (zh) | 2015-03-11 |
CN104410077B CN104410077B (zh) | 2017-04-05 |
Family
ID=52647682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410795783.7A Active CN104410077B (zh) | 2014-12-18 | 2014-12-18 | 基于改进遗传算法的电力系统多线程电压无功优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104410077B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005866A (zh) * | 2015-07-30 | 2015-10-28 | 国家电网公司 | 一种电力系统无功优化控制策略的鲁棒性评估方法 |
CN108767870A (zh) * | 2018-06-28 | 2018-11-06 | 国网福建省电力有限公司宁德供电公司 | 一体分布式自适应无功电压自动控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011211803A (ja) * | 2010-03-29 | 2011-10-20 | Mitsubishi Electric Corp | 電力系統安定化装置の制御装置 |
CN104112237A (zh) * | 2014-06-30 | 2014-10-22 | 国家电网公司 | 一种基于wams的改进遗传算法的电网无功容量优化配置方法 |
-
2014
- 2014-12-18 CN CN201410795783.7A patent/CN104410077B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011211803A (ja) * | 2010-03-29 | 2011-10-20 | Mitsubishi Electric Corp | 電力系統安定化装置の制御装置 |
CN104112237A (zh) * | 2014-06-30 | 2014-10-22 | 国家电网公司 | 一种基于wams的改进遗传算法的电网无功容量优化配置方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005866A (zh) * | 2015-07-30 | 2015-10-28 | 国家电网公司 | 一种电力系统无功优化控制策略的鲁棒性评估方法 |
CN108767870A (zh) * | 2018-06-28 | 2018-11-06 | 国网福建省电力有限公司宁德供电公司 | 一体分布式自适应无功电压自动控制方法 |
CN108767870B (zh) * | 2018-06-28 | 2021-09-28 | 国网福建省电力有限公司宁德供电公司 | 一体分布式自适应无功电压自动控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104410077B (zh) | 2017-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN109687530A (zh) | 一种考虑阻塞和储能分时电价的电网混合滚动调度方法 | |
EP3375062A1 (en) | Hierarchical robust model predictive voltage and var control with coordination and optimization of autonomous der voltage control | |
CN104036334B (zh) | 一种耦合调峰和通航需求的梯级水电站多目标优化调度混合搜索方法 | |
CN103136585B (zh) | 基于混沌遗传策略的加权Voronoi图变电站规划方法 | |
CN108054771B (zh) | 一种储能系统充放电控制方法及系统 | |
CN105024398A (zh) | 一种基于最优风电置信度的优化调度方法 | |
CN106058914B (zh) | 基于Elman算法的配网发电预测技术的电压优化方法 | |
CN103199554A (zh) | 一种实现电网光储系统容量配置及优化分布的方法 | |
CN103576553B (zh) | 一种燃煤锅炉蒸汽温度的分数阶自整定控制方法 | |
CN103746374A (zh) | 含多微网配电网的合环控制方法 | |
CN103280821A (zh) | 智能配电系统多时段动态无功优化方法 | |
CN109345019A (zh) | 一种基于改进粒子群算法的微电网经济调度优化策略 | |
CN105184426B (zh) | 一种基于随机连续寻优策略的梯级电站调峰方法 | |
CN103441506A (zh) | 不同时间尺度下多目标协调分散风电场无功优化控制方法 | |
CN104299173A (zh) | 一种适用于多种能源接入的鲁棒优化日前调度方法 | |
CN104638637A (zh) | 基于agc与avc的协调优化控制方法 | |
CN107565880B (zh) | 优化型风光互补混合发电系统 | |
CN115313403A (zh) | 一种基于深度强化学习算法的实时电压调控方法 | |
CN104636831B (zh) | 一种面向多电网的水电站短期调峰特征值搜索方法 | |
CN104410077A (zh) | 基于改进遗传算法的电力系统多线程电压无功优化控制方法 | |
CN111245032A (zh) | 一种计及风电场集电线路降损优化的电压预测控制方法 | |
CN112600244B (zh) | 一种基于神经网络的光伏电站电压控制方法 | |
CN110635504A (zh) | 基于改进花粉算法的配电网分布式光伏消纳能力评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |