CN105119292A - 基于预测和粒子群算法的多目标电压无功滚动优化方法 - Google Patents

Abstract

本发明公开了基于预测和粒子群算法的多目标电压无功滚动优化方法，包括设定滚动优化计算的时间集；在时间集内收集与处理地区电网的负荷预测数据和风电的实时预测数据，同时，获取地区电网的基本潮流计算数据；利用粒子群优化算法，构建地区电压无功优化的目标函数和约束条件，并进一步地求解；对优化后的结果进行校核，然后进入下一个滚动周期的电压无功优化计算流程。利用粒子群优化算法实现了地区电网电压无功的滚动优化，为电力系统地区电网的电压/无功控制提供有效的参考，对系统调度运行具有明显的指导借鉴意义。适用于分布式风电较多的电网区域，能够将粒子群优化算法的优势应用到该地区电网的滚动优化中，为电网的调度提供决策支撑。

Description

基于预测和粒子群算法的多目标电压无功滚动优化方法

技术领域

本发明涉及电气领域，尤其涉及一种基于预测和粒子群算法的多目标电压无功滚动优化方法。

背景技术

从上世纪70年代开始，世界各国开始研究风力发电技术。特别是最近几年，人们对化石能源的广泛使用导致的大量二氧化碳排放以及气候变化日益重视，具有显著减排效果的风力发电、太阳能发电、地热发电等可再生能源得到了迅速发展。其中，风力发电技术最为成熟，生产成本已经接近常规电源，因而得到了迅速发展。但是，由于自然环境下风速变动不定，具有随机性、间歇性的特点，导致风电场出力波动较大，风场不可调度，这与常规火电、水电机组差异巨大。特别是在快速风速(风功率)波动时，系统电压、频率、潮流等都会发生快速波动，从而影响系统的安全稳定运行。此外，很多风电机组并未配置有功-频率控制功能，为适应风功率波动，系统往往要额外安排备用，导致系统效率降低。电压水平的高低是衡量电网运行安全性和电能质量好坏的主要指标，必须时刻保证电压损耗在合理的范围内，即能够保证系统各节点的电压水平满足要求。

为适应风电接入并充分利用已建成风场的风资源，需要根据相应地区电网的不同负荷水平、不同风速下无功-电压特性分析，提出基于负荷预测和风电预测数据的地区电网电压无功滚动优化方法。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于预测和粒子群算法的多目标电压无功滚动优化方法，充分的考虑了无功补偿投切、变压器分接头调节、风电场电压控制等约束，优化变压器分接头和并联电容器控制。

为了实现上述目的，本发明采用如下技术方案：

基于预测和粒子群算法的多目标电压无功滚动优化方法，包括以下步骤：

步骤一，设定滚动优化计算的时间集；

步骤二，在时间集内收集与处理地区电网的负荷预测数据和风电的实时预测数据，同时，获取地区电网的基本潮流计算数据；

步骤三，利用粒子群优化算法，构建地区电压无功优化的目标函数和约束条件，并进一步地求解；

步骤四，对优化后的结果进行校核，然后进入下一个滚动周期的电压无功优化计算流程。

所述风电的实时预测数据包括时间、地理信息数据、风速预测数据、风功率预测数据和风电总量预测。

利用粒子群优化算法进行求解的方法包括：

步骤3.1，初始化一群规模为n的m维粒子群，n和m都为不等于0的自然数，该粒子群中的每个粒子代表一种控制方案，该控制方案包括可投切电容器组数和变压器分接头的档位；

步骤3.2，计算每个粒子的适应值；

步骤3.3，对每个粒子i，将其适应值与个体所经历过最好位置时的适应值做比较，如果该粒子较好，则将其作为当前各个方案的个体极值；

步骤3.4，对每个粒子i，将其适应值与全局经历最好位置时的适应值作比较，得出当前全局最好值；

步骤3.5，根据速度方程和位置方程更新每一个粒子的速度和位置；

步骤3.6，判断是否达到最大迭代次数或适应值收敛到设定精度，如果都未满足，则返回所述步骤3.2，继续计算，否则输出结果，计算结束。

所述步骤3.1进行初始化的包括随机位置和速度。

在适应值的选择上，选择地区电网在一个小时内不同时段下的网损P_loss之和最小作为优化目标，系统各节点电压合格作为约束，约束条件为：

$min\underset{k=1}{\overset{6}{\Σ}}{P}_{lossk}$

s.t.

g_k(x)＝0

$U_i^{\min }\≤U_{ik}\≤U_i^{\max }$

其中，等式约束g_k(x)＝0为第k个时段下的潮流方程，不等式约束为各节点电压满足不越限要求，U_ik为节点i在第k个时段下的电压标幺值，为节点i电压下限，为节点i电压上限。

将各节点的电压越限量通过罚函数的方法进行处理，并将网损变为网损率，适应值为：

$fitness=\underset{k=1}{\overset{6}{\Σ}}(P_{lossk}^{*}+{\mathrm{\λ}}_i\×{\mathrm{\ΔU}}_{ik})$

各节点在第k个时段下的电压越限量ΔU_ik定义为：

各节点的电压约束条件为：地区电网所有220kV和110kV母线电压介于0.95～1.05p.u.范围内。

所述步骤四中核验的方法为计算电网运行方式，保证电网的节点电压电流等满足电网的等式和不等式约束。

本发明的有益效果：

本发明设计了利用粒子群优化算法实现了地区电网电压无功的滚动优化，为电力系统地区电网的电压/无功控制提供有效的参考，对系统调度运行具有明显的指导借鉴意义。这种整合适用于分布式风电较多的电网区域，能够将粒子群优化算法的优势应用到该地区电网的滚动优化中，为地区电网的调度提供决策支撑。

附图说明

图1为基于预测数据和粒子群优化算法的电压无功滚动优化流程图；

图2为PSO算法求解无功优化问题的流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

基于预测和粒子群算法的多目标电压无功滚动优化方法，包括以下步骤：

步骤一，设定滚动优化计算的时间集；

步骤二，在时间集内收集与处理地区电网的负荷预测数据和风电的实时预测数据，同时，获取地区电网的基本潮流计算数据；

步骤三，利用粒子群优化算法，构建地区电压无功优化的目标函数和约束条件，并进一步地求解；

步骤四，对优化后的结果进行校核，然后进入下一个滚动周期的电压无功优化计算流程。

(1)基于预测数据的地区电网无功滚动优化方法

如图1所示，基于负荷预测和风速预测，从一个确定的(已优化或未优化)运行方式出发，考虑变压器、并联电容器等的动作次数约束，对1个小时时段内获取每10分钟一次的负荷预测值和风速预报值并进行相应的无功-电压优化，进而实现24小时的滚动优化和控制。

一般情况下，为了保证设备安全，变压器分接头和并联电容量不允许短时间内进行多次调整。有关材料显示，对于35kV变压器其24小时内允许动作次数为30次，而220kV变压器和110kV变压器分接头24小时内只允许动作20次，且每移动一档即为一次动作。同样，并联电容器也存在同样的问题。

不同的变压器、不同的并联电容器有不同的运行动作约束。为考虑在初始运行状态下，1个小时内变压器分接头只能动作一次(增加一档或降低一档，或者维持不动)，1个小时内并联电容器只能投切一组(投入一组或切除一组，或者维持不动)(实际程序中可以独立设置各设备的动作约束)。

在适应值的选择上，选择地区电网在一个小时内不同时段下的网损P_loss之和最小作为优化目标，系统各节点电压合格作为约束，即

$min\underset{k=1}{\overset{6}{\Σ}}{P}_{lossk}$

s.t.

g_k(x)＝0

$U_i^{\min }\≤U_{ik}\≤U_i^{\max }$

其中，等式约束g_k(x)＝0为第k个时段下的潮流方程，不等式约束为各节点电压满足不越限要求，U_ik为节点i在第k个时段下的电压标幺值，为节点i电压下限，为节点i电压上限。

需处理不等式约束，将各节点的电压越限量通过罚函数的方法进行处理，并将网损变为网损率，即适应值为：

$fitness=\underset{k=1}{\overset{6}{\Σ}}(P_{lossk}^{*}+{\mathrm{\λ}}_i\×{\mathrm{\ΔU}}_{ik})$

各节点的罚因子仍统一取为1000。各节点在第k个时段下的电压越限量ΔU_ik定义为：

各节点的电压约束条件依然为：地区电网所有220kV和110kV母线电压介于0.95～1.05p.u.范围内。PSO粒子数为20，迭代次数上限为100。

(2)PSO算法求解无功优化问题的求解流程与步骤

如图2所示，使用PSO算法解决电网无功优化问题从整体来看，大体可以分为：选取初始种群，潮流计算，个体的评价与选择(适应值的计算)，速度-位置更新，判断收敛五部分，PSO算法求解无功优化问题的步骤如下：

Step1：初始化一群规模为n的m维粒子群，包括随机位置和速度。该粒子群中的每个粒子代表一种控制方案，即可投切电容器组数和变压器分接头的档位。

Step2：计算每个粒子的适应值(目标函数)。即所有控制方案中以总网络损耗和平均电压偏差为目标的多目标函数。

Step3：对每个粒子i，将其适应值与个体所经历过最好位置时的适应值做比较，如果该粒子较好，则将其作为当前各个方案的最好位值，即个体极值。

Step4：对每个粒子i，将其适应值与全局经历最好位置时的适应值作比较，得出当前全局最好值。

Step5：根据方程速度方程和位置方程更新每一个粒子的速度和位置。

Step6：判断是否满足结束条件，如是否达到最大迭代次数或适应值收敛到一定精度，如果未满足结束条件，则返回Step2，继续计算，否则输出结果，计算结束。

(3)求解无功优化问题的特点

PSO算法求解优化问题有其自身的特点，主要优点如下：该算法原理简单，容易编程实现，可以很好的处理离散变量和连续变量，不需要对离散变量进行连续化处理，对求解问题的目标函数和约束条件没有可微性、连续性等特殊要求，且搜索速度受网络规模的影响较小，具有收敛速度快，搜索能力强等优点。因此，PSO算法适合于求解电网无功优化问题，可以从整个网络的角度进行全局寻优，最终得到较好的全局最优解。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.基于预测和粒子群算法的多目标电压无功滚动优化方法，其特征是，包括以下步骤：

步骤一，设定滚动优化计算的时间集；

步骤二，在时间集内收集与处理地区电网的负荷预测数据和风电的实时预测数据，同时，获取地区电网的基本潮流计算数据；

步骤三，利用粒子群优化算法，构建地区电压无功优化的目标函数和约束条件，并进一步地求解；

步骤四，对优化后的结果进行校核，然后进入下一个滚动周期的电压无功优化计算流程。

2.如权利要求1所述基于预测和粒子群算法的多目标电压无功滚动优化方法，其特征是，所述风电的实时预测数据包括时间、地理信息数据、风速预测数据、风功率预测数据和风电总量预测。

3.如权利要求1所述基于预测和粒子群算法的多目标电压无功滚动优化方法，其特征是，利用粒子群优化算法进行求解的方法包括：

步骤3.1，初始化一群规模为n的m维粒子群，n和m都为不等于0的自然数，该粒子群中的每个粒子代表一种控制方案，该控制方案包括可投切电容器组数和变压器分接头的档位；

步骤3.2，计算每个粒子的适应值；

步骤3.3，对每个粒子i，将其适应值与个体所经历过最好位置时的适应值做比较，如果该粒子较好，则将其作为当前各个方案的个体极值；

步骤3.4，对每个粒子i，将其适应值与全局经历最好位置时的适应值作比较，得出当前全局最好值；

步骤3.5，根据速度方程和位置方程更新每一个粒子的速度和位置；

步骤3.6，判断是否达到最大迭代次数或适应值收敛到设定精度，如果都未满足，则返回所述步骤3.2，继续计算，否则输出结果，计算结束。

4.如权利要求3所述基于预测和粒子群算法的多目标电压无功滚动优化方法，其特征是，所述步骤3.1进行初始化的包括随机位置和速度。

5.如权利要求3所述基于预测和粒子群算法的多目标电压无功滚动优化方法，其特征是，在适应值的选择上，选择地区电网在一个小时内不同时段下的网损P_loss之和最小作为优化目标，系统各节点电压合格作为约束，约束条件为：

$min\underset{k=1}{\overset{6}{\Σ}}{P}_{lossk}$

s.t.

g_k(x)＝0

$U_i^{\min }\≤U_{ik}\≤U_i^{\max }$

其中，等式约束g_k(x)＝0为第k个时段下的潮流方程，不等式约束为各节点电压满足不越限要求，U_ik为节点i在第k个时段下的电压标幺值，为节点i电压下限，为节点i电压上限。

6.如权利要求5所述基于预测和粒子群算法的多目标电压无功滚动优化方法，其特征是，将各节点的电压越限量通过罚函数的方法进行处理，并将网损变为网损率，适应值为：

$fitness=\underset{k=1}{\overset{6}{\Σ}}(P_{lossk}^{*}+{\mathrm{\λ}}_i\×{\mathrm{\ΔU}}_{ik})$

各节点在第k个时段下的电压越限量ΔU_ik定义为：

各节点的电压约束条件为：地区电网所有220kV和110kV母线电压介于0.95～1.05p.u.范围内。

7.如权利要求1所述基于预测和粒子群算法的多目标电压无功滚动优化方法，其特征是，所述步骤四中核验的方法为计算电网运行方式，保证电网的节点电压电流等满足电网的等式和不等式约束。