CN107437813A - 基于布谷鸟‑粒子群的配电网无功功率优化方法 - Google Patents
基于布谷鸟‑粒子群的配电网无功功率优化方法 Download PDFInfo
- Publication number
- CN107437813A CN107437813A CN201710580542.4A CN201710580542A CN107437813A CN 107437813 A CN107437813 A CN 107437813A CN 201710580542 A CN201710580542 A CN 201710580542A CN 107437813 A CN107437813 A CN 107437813A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power
- power distribution
- individual
- cuckoo
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 112
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 239000002245 particle Substances 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 210000000051 wattle Anatomy 0.000 claims description 26
- 239000003990 capacitor Substances 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 3
- 241000544061 Cuculus canorus Species 0.000 abstract description 9
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- 230000005611 electricity Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 230000010006 flight Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 235000005770 birds nest Nutrition 0.000 description 1
- 244000240635 birds nest Species 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- IAPHXJRHXBQDQJ-ODLOZXJASA-N jacobine Natural products O=C1[C@@]2([C@H](C)O2)C[C@H](C)[C@](O)(C)C(=O)OCC=2[C@H]3N(CC=2)CC[C@H]3O1 IAPHXJRHXBQDQJ-ODLOZXJASA-N 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 235000005765 wild carrot Nutrition 0.000 description 1
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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Control Of Electrical Variables (AREA)
Abstract
本发明针对现有配电网无功功率优化方法中,收敛速度比较慢,优化后总网损降幅不够明显的问题,提供一种基于布谷鸟‑粒子群的配电网无功功率优化方法。该方法,包括:将配电网中待优化的多个变量作为粒子群中的一个个体并建立群体;考虑负荷不确定性,以优化前变量的当前状态值作为每个个体的初始值,建立计算配电网总网损的适应度函数;采用Lévy飞行模式更新个体速度和位置,满足预设的收敛条件时,获得配电网的最小总网损及变量的设置参数。本发明从配电网系统经济性角度出发,以配电网总网损最小为优化目标,建立目标函数。将布谷鸟寻优算法中的Lévy飞行策略引入粒子群算法,形成布谷鸟‑粒子群混合算法,具有较好的全局寻优能力。
Description
技术领域
本发明涉及电力系统运行优化相关技术领域,具体地说,涉及一种基于布谷鸟-粒子群的配电网无功功率优化方法。
背景技术
电力系统无功功率的合理分布是保证分布式电源电压质量和降低配电网网损的重要前提,直接影响电网的经济性和安全性。配电网无功功率优化是降低网络损耗、提高电压质量的有效手段,对整个配电网系统的安全稳定和经济运行有着重要的意义。无功功率优化是一个含有连续变量和离散变量的混合优化问题,具有多约束,非线性,高维度的特点。
现有技术中,解决无功优化问题的算法一般分为两类:传统优化方法,如线性规划法、非线性规划法、内点法等,优点是优化速度快,但存在可能无法找到全局最优的问题;二是智能算法,例如,对多随机参数下的配电网进行多目标无功优化;将混沌并行差分进化算法经用于含风电的配电网无功优化;此外小生境遗传算法、标准粒子群算法也被应用于配电网无功功率的优化问题中。但是现有技术中,鲜有收敛迅速,优化后总网损降幅明显,且电能质量亦有所提高的配电网无功功率优化方法。
发明内容
本发明针对现有配电网无功功率优化方法中,收敛速度比较慢,优化后总网损降幅不够明显的问题,提供一种基于布谷鸟-粒子群的配电网无功功率优化方法。
本发明所需要解决的技术问题,可以通过以下技术方案来实现:
一种基于布谷鸟-粒子群算法的配电网无功功率优化方法,其他特征在于,包括:
根据配电网的拓扑结构,确定配电网中待优化的多个变量,并将每个变量作为粒子群中的一个个体;
根据配电网的拓扑结构,考虑负荷的不确定性,将负荷处理为遵循正态分布的随机变量,预设粒子群的搜索维数并建立粒子群的群体,确定粒子群算法的各种参数、每个个体的搜索范围和速度范围;
以配电网无功功率优化前,多个变量的当前状态值作为每个个体的初始值,建立计算配电网总网损的目标函数,并将所述目标函数作为粒子群算法的适应度函数;
在寻优求解阶段,采用Lévy飞行模式更新个体速度和个体位置,在适应度函数满足预设的收敛条件时,获得计及越界惩罚和投切成本的配电网的最小总网损及多个变量的设置参数。
本发明中,所述待优化的多个变量为以下类型中的两个或者两个以上的组合:
1)分布式电源的节点电压;
2)可调变压器的变比;
3)无功补偿节点的无功功率补偿容量。
本发明中,所述分布式电源包括发电机,所述发电机的节点电压的搜索范围为[0.95,1.1],所述搜索范围采用标幺值表示;
所述可调变压器的变比Tk=1+Bk×ak,其中,档位Bk为连续的整型变量,步长ak=0.025,可调变压器的变比的搜索范围为[-4,4];
所述无功补偿节点的无功功率补偿容量Qi=Di×ai×bi,其中,Di为无功补偿节点采用的无功补偿装置的投切档位,当无功补偿为容性补偿时bi=-1,当无功补偿为感性补偿时bi=1,搜索范围为[-4,4]内的整数。
本发明中,确定配电网中待优化的多个变量,并将每个变量作为粒子群中的一个个体,所述个体包含连续型变量和离散型变量,采用浮点数和整数混合编码的形式,粒子群如下表示:
其中,VGik,k=1,…,NG,为分布式电源的节点电压,NG为分布式电源个数,为可调变压器的档位,NT为可调变压器个数;QCjk,k=1,…,NC,NC为补偿节点个数。
本发明中,所述预设粒子群的搜索维数D为[20,100]区间内的正整数。
本发明中,所述粒子群算法的各种参数包括:权重因子w的上下限 Wmax,Wmin,加速度系数c1,c2,学习因子β和淘汰概率pa。
本发明中,在配电网的分布式电源有功调度给定的情况下,以配电网的总网损最小为优化目标,以负荷节点电压、发电机节点无功出力越界和电容投切成本为罚函数项,目标函数为:
其中,pL为配电网的有功网损,Vi、Vimax、Vimin分别为负荷节点的电压、电压上限、电压下限,Qj、Qj·max、Qj·min分别为分布式电源节点的无功功率、无功功率上限、无功功率下限,ND为配电网负荷节点总数,NG为分布式电源总数,λ1为负荷电压越界惩罚系数,λ2为分布式电源无功出力越界惩罚系数,CT为可调变压器接头位置动作的调节代价,CQ为电容器投切动作的调节代价,ut为t 时刻发电机端电压、可调变压器接头位置及电容器投切组数控制变量,Δut为ut的增量,ΔVi是负荷节点电压的越界限制,ΔQj是分布式电源节点无功出力的越界限制。
所述配电网的有功网损为配电网节点数, Vi,Vj分别为配电网i,j节点的电压,θij为配电网i,j两节点的相角差,Gij节点表示导纳矩阵中元素的实部。
所述负荷节点电压和分布式电源节点无功出力的越界限制如下:
本发明中,配电网的无功优化还包括潮流约束,建立功率约束方程如下:
其中pGi、QGi为分布式电源节点的有功功率、无功功率;pDi、QDi为负荷节点的有功功率、无功功率,QCi为无功补偿容量,Vi、Vj为节点i和j的电压幅值;Gij、Bij、θij别为节点i和j之间的电导、电纳、电压相角差。
本发明中,初始值生成的过程中,除了遵循变量上下取值范围,还考虑负荷需求的不确定性,将负荷处理为正态分布的随机变量,公式如下:
其中,~N(·)表示正态分布,为节点i有功负荷的均值和方差;为无功负荷的均值和方差。
本发明中,配电网的无功优化还包控制变量和状态变量约束,
其中,VGmax、VGmin分别为分布式电源节点电压的上限值和下限值;QCmax、 QCmin分别为无功补偿容量的上限值和下限值;KTmax、KTmin分别为可调变压器变比的上限值和下限值;QGmax、QGmin分别为分布式电源节点无功出力的上限值和下限值;VDmax、VDmin分别为负荷节点电压的上限值和下限值;NC、Nt分别为无功补偿数、变压器可调分接头数。
本发明中,所述寻优求解阶段还包括:
在不同迭代周期,如第t步,第i个个体的最优位置是 Pbesti(t)={Pbesti1(t),…,PbestiD(t)},整个种群中所有个体的最优位置是 Gbest(t)={Gbest1(t),…,GbestD(t)}。在(t+1)th步,第i个粒子新的位置会由迭代公式决定:
以淘汰概率pa选择适应度较差的个体,并随机引入新的个体取代之;
实时更新权重因子w,其中Wmax为权重最大值,Wmin为权重最小值,T为总的迭代次数。出于优选,取Wmax=0.9,Wmin=0.4。
本发明中,采用Lévy飞行模式更新个体速度:
,
进而,更新个体位置:
xij(t+1)=xij(t)+vij(t+1)
其中,i=1∶D,D是粒子群的维数,j=1∶N,N是变量的数量,w为权重因子,c1和c2为加速度系数,vij(t)是第i个体中第j个变量的当前变化值,第t 步,第i个个体的最优位置是Pbesti(t)={Pbesti1(t),…,PbestiD(t)},整个种群中所有个体的最优位置是Gbest(t)={Gbest1(t),…,GbestD(t)},Lévy(s)为符合Lévy分布的变化步长。
本发明中,所述预设的收敛条件为达到最大迭代次数或者配电网总网损满足预设的最小值。
本发明基于布谷鸟-粒子群的配电网无功功率优化方法,从配电网系统经济性角度出发,在系统有功调度给定的情况下,以配电网总网损最小为优化目标,以负荷节点电压和发电机节点无功出力越界为约束项,建立目标函数。将布谷鸟寻优算法中的Lévy飞行策略引入粒子群算法,形成布谷鸟-粒子群混合算法,实际应用的数值算例表明,该算法具有较好的全局寻优能力。
附图说明
以下结合附图和具体实施方式来进一步说明本发明。
图1为本发明的流程图。
图2为IEEE-30节点系统无功优化结果。
图3为IEEE-30节点系统无功优化前后节点电压对比。
图4为熊家河04线电气拓扑图
图5为熊家河04号线无功优化结果。
图6为熊家河04号线无功优化前后节点电压对比。
具体实施方式
为了使本发明的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
本发明的主旨在于,通过对现有配电网无功功率优化方法的分析,发现收敛速度比较慢,优化后总网损降幅不够明显的问题,通过本发明提供一种基于布谷鸟-粒子群的配电网无功功率优化方法以解决上述问题。
在对本发明的基于布谷鸟-粒子群的配电网无功功率优化方法进行阐述前,为了更好的理解本发明,首先对标准的粒子群算法、布谷鸟搜索算法及 Lévy飞行的基本原理进行简单介绍。
标准的粒子群算法的基本原理为:考虑粒子群{Xi,i=1,…,N},粒子群体规模为N;第i个微粒(个体)Xi={xi1,…,xiD}用其位置表示D维空间中待寻优问题的可能解。在搜索空间内微粒(个体)以速度Vi={vi1,…,viD}变化位置。在每一步变化中,如第t步,第i个粒子(个体)的最优位置是:
Pbesti(t)={Pbesti1(t),…,PbestiD(t)},整个粒子群中所有粒子(个体)的最优位置是:
Gbest(t)={Gbest1(t),…,GbestD(t)},在(t+1)th步,第i个粒子(个体)新的位置会由迭代公式决定:
vij(t+1)=w×vij(t)+c1×rand1×[Pbestij(t)-xij(t)]+c2×rand2×[Gbestj(t)-xij(t)]
xij(t+1)=xij(t)+vij(t+1)
其中,w为权重因子,c1和c2是两个正的常数,称为加速度系数,rand1和 rand2为均匀分布在[0,1]上的随机数。对于标准的粒子群算法,存在的主要问题是收敛的速度比较慢。
受到布谷鸟孵蛋行为的启发,2009年剑桥大学Yang Xinshe提出布谷鸟搜索算法。该算法的两个关键因素包括:①为模拟布谷鸟的寻窝行动,以发现概率pa引入新的个体替换原有较差个体;②针对动物和昆虫飞行的特点,在搜索过程中遵循Lévy飞行原则。所谓Lévy飞行是指寻优的随机步长遵循 Lévy分布。研究表明Lévy飞行可以将不确定环境下的源搜索效率最大化。
设u和v服从如下所示的正态分布:
其中,β为学习因子。则步长
简化的Lévy分布定义如下:
其中μ>0为最小步长,γ为范围参数。
将布谷鸟搜索和粒子群优化等算法在某些方面混合以获取更佳的寻优能力是目前的研究热点之一。而配电网无功优化存在大量次优解,是典型的非凸问题,为提高优化算法的寻优能力和收敛速度,本发明将布谷鸟算法中的发现概率和Lévy飞行引入标准的粒子群算法,形成混合的基于布谷鸟-粒子群的配电网无功功率优化方法。
参见图1,基于布谷鸟-粒子群的配电网无功功率优化方法,根据配电网的拓扑结构,例如支路数、节点数、分布式电源数、可调变压器台数、无功补偿节点个数等,确定配电网中待优化的多个变量,并将每个变量作为粒子群中的一个个体。同样,再根据配电网的拓扑结构,预设粒子群的搜索维数并建立粒子群的群体,确定粒子群算法的各种参数、每个个体的搜索范围和速度范围。
上述的过程没有必然的先后顺序,即可用先确定待优化的多个变量,也可以先确定搜索维度以及算法的各种参数等。在实际针对配电网进行无网功率优化时,待优化的变量一般采用以下三个类型中的两个或者两个以上的组合:
1)分布式电源的节点电压;
2)可调变压器的变比;
3)无功补偿节点的无功功率补偿容量。
对于这些类型的待优化变量,基于不同的配电网,每种类型的待优化变量可能不止一个,基于配电网的不同拓扑结构,可能需要采用多个。
对于上述类型变量构成的个体,搜索范围一般如下设定:
当分布式电源电压为发电机时,发电机的节点电压的搜索范围为 [0.95,1.1],搜索范围采用标幺值表示。
可调变压器的变比Tk=1+Bk×ak,其中,档位Bk为连续的整型变量,步长 ak=0.025,可调变压器的变比的搜索范围为[-4,4]。
无功补偿节点的无功功率补偿容量Qi=Di×ai×bi,其中,Di为无功补偿节点采用的无功补偿装置的投切档位,当无功补偿为容性补偿时bi=-1,当无功补偿为感性补偿时bi=1,搜索范围为[-4,4]内的整数
本发明中,确定配电网中待优化的多个变量,并将每个变量作为粒子群中的一个个体,采用个体混合编码,无功优化问题包含连续型变量(节点电压)和离散型变量(无功功率补偿容量、可调变压器档位),因此本发明采用浮点数和整数混合编码的形式。具体操作如下:
其中VGik,k=1,…,NG,为分布式电源的节点电压,NG为分布式电源个数。为可调变压器的档位,NT为可调变压器个数;为更好的表征其网架结构、具有更明确的工程意义,下标Sk,k=1,…,NT在具体算例中用第k个变压器的两个接入节点的编号表示;QCjk,k=1,…,NC,NC为补偿节点个数,为更好的表征其网架结构、具有更明确的工程意义,下标Ck,k=1,…,NC在具体算例中用第k个补偿节点的编号表示。
对于配电网无功功率优化,预设粒子群的搜索维数D为[20,100]区间内的正整数。搜索维数曾加可以提高寻优算法的可靠性,但如果维数设置过大,往往会导致计算时间过长或存储不足问题。本发明中,对取值范围内的参数设置进行了超过500次的实验,由仿真运行结果对比,可优先选择40左右的搜索维数。本发明中,粒子群算法的各种参数包括:权重因子w的上下限 Wmax,Wmin,加速度系数c1,c2,学习因子β和淘汰概率pa
进一步,以配电网无功功率优化前,多个变量的当前状态值作为每个个体的初始值,建立计算配电网总网损的目标函数,并将所述目标函数作为粒子群算法的适应度函数。
在本发明中,采用了一种较优的实施方式,在配电网的分布式电源有功调度给定的情况下,以计及越界惩罚和投切成本的配电网的总网损最小为优化目标,以负荷节点电压和发电机节点无功出力越界为罚函数项,目标函数为:
其中,pL为配电网的有功网损,Vi、Vimax、Vimin分别为负荷节点的电压、电压上限、电压下限,Qj、Qj·max、Qj·min分别为分布式电源节点的无功功率、无功功率上限、无功功率下限,ND为配电网负荷节点总数,NG为分布式电源总数,λ1为负荷电压越界惩罚系数,λ2为分布式电源无功出力越界惩罚系数,CT为可调变压器接头位置动作的调节代价,CQ为电容器投切动作的调节代价,ut为t 时刻发电机端电压、可调变压器接头位置及电容器投切组数控制变量,Δut为 ut的增量,即Δut=ut-ut-1,ΔVi是负荷节点电压的越界限制,ΔQj是分布式电源节点无功出力的越界限制。
配电网的有功网损为配电网节点数,Vi,Vj分别为配电网i,j节点的电压,θij为配电网i,j两节点的相角差,Gij节点表示导纳矩阵中元素的实部。
负荷节点电压和分布式电源节点无功出力的越界限制如下:
可以理解的是,目标函数也可以采用其他形式,只要能实现以配电网的总网损最小为优化目标即可。
此外,配电网的无功优化还包括潮流约束,建立功率约束方程如下:
其中pGi、QGi为分布式电源节点的有功功率、无功功率;pDi、QDi为负荷节点的有功功率、无功功率,QCi为无功补偿容量,Vi、Vj为节点i和j的电压幅值;Gij、Bij、θij分别为节点i和j之间的电导、电纳、电压相角差。
本发明中,配电网的无功优化还包控制变量和状态变量约束,
其中,VGmax、VGmin分别为分布式电源节点电压的上限值和下限值;QCmax、 QCmin分别为无功补偿容量的上限值和下限值;KTmax、KTmin分别为可调变压器变比的上限值和下限值;QGmax、QGmin分别为分布式电源节点无功出力的上限值和下限值;VDmax、VDmin分别为负荷节点电压的上限值和下限值;NC、Nt分别为无功补偿数、变压器可调分接头数。
优化变量的初始值生成的过程中,除了遵循变量上下取值范围,还考虑负荷需求的不确定性,将负荷处理为正态分布的随机变量,公式如下:
其中,~N(·)表示正态分布,为节点i有功负荷的均值和方差;为无功负荷的均值和方差。
在寻优求解阶段,本发明采用Lévy飞行模式更新个体速度和个体位置,在适应度函数满足预设的收敛条件时,获得配电网的最小总网损及多个变量的设置参数。具体而言:
在不同迭代周期,如第t步,第i个个体的最优位置是 Pbesti(t)={Pbesti1(t),…,PbestiD(t)},整个种群中所有个体的最优位置是 Gbest(t)={Gbest1(t),…,GbestD(t)}。在(t+1)th步,第i个粒子新的位置会由迭代公式决定:
以淘汰概率pa选择适应度较差的个体,并随机引入新的个体取代之;
实时更新权重因子w,其中Wmax为权重最大值,Wmin为权重最小值,T为总的迭代次数。出于优选,取Wmax=0.9,Wmin=0.4
本发明中,采用Lévy飞行模式更新个体速度:
,
进而,更新个体位置:
xij(t+1)=xij(t)+vij(t+1)
其中,i=1∶D,D是粒子群的维数,j=1∶N,N是变量的数量,w为权重因子,c1和c2为加速度系数,vij(t)是第i个体中第j个变量的当前变化值,第t 步,第i个个体的最优位置是Pbesti(t)={Pbesti1(t),…,PbestiD(t)},整个种群中所有个体的最优位置是Gbest(t)={Gbest1(t),…,GbestD(t)},Lévy(s)为符合Lévy分布的变化步长。
最后,对于预设的收敛条件为配电网总网损满足预设的最小值或者迭代步数满足预设值。即,有两个收敛的准则:到达最大迭代次数,或满足收敛精度,未满足收敛条件的话则继续迭代寻优。
对于一次迭代运算得到的群体,计算其中每个个体对应的适应度函数即总网损的数值,找出局部最优的个体Pbest和对应的局部最优适应度函数FPbest (即最小的总网损)
比较不同群体的局部最优适应度函数,找出各代的FPbest中的最小值Fmin,对应的个体即为全局最优Gbest。
若F<FPbest,则更新Pbest;
若FPbest<Fmin,则更新Pbest。
随机生成立即数rand(0,1)。若rand(0,1)≤Pa,则基于本发明的淘汰法则,会随机生成新的个体,若新的个体的适应度函数优于原个体,则更新;否则保持不变。这样的处理是模仿布谷鸟侵占其他鸟类巢穴被原主人发现的概率,引入巡游过程中可提高寻优效率。
以IEEE-14节点标准测试系统为算例,考虑输电系统只有一个配电网并入配电网,对输电网进行相应的无功优化。无功优化前所有发电机节点的电压节点的电压均取1.0,变压器变比取1.0,无功补偿容量取0,在基于本发明方法的计算中,参数以及计算结果均取标准值,功率的基准值为 SB=100MVA。IEEE-14节点系统中包含5台发电机ND=14,NG=5,3台可调变压器和1个无功补偿节点,即一共选取了上述8个待优化的变量作为个体。
个体组成为x=[VG1 VG2 VG3 VG6 VG8 T5,6 T4,7 T4,9 Q9],其中VGi为发电机节点电压,取值范围为[0.95,1.1];Tk=1+Bk×ak为可调变压器变比,档位Bk为连续的整型变量,取值为[-4,4],步长ak=0.025;Qi为无功补偿容量,与无功补偿装置的投切档位Di相对应,Qi=Di×ai×bi,容性补偿时bi=-1,感性补偿时bi=1。
其中,采用P-Q分解法进行潮流计算,对牛顿法修正方程的雅各比矩阵进行有效简化,可在保证精确度的基础上,提高计算速度。
电压及无功越限的惩罚因子λ1和λ2均设置为500;可调变压器及电容器动作的调节代价CT和CQ分别为7kw/次和4kw/次;各电容器及有载调压器的日限制次数为10次。CS-PSO中参数设定为:N=100,c1=c2=2,Wmax=0.9,Wmin=0.4, pa=0.25,β=2/3。应用本发明提出的优化算法,选取上述参数,将IEEE-14节点系统的总网损由初始的0.2004降低为0.1862,达到7.1%的网损降幅。
同理,以IEEE-30节点系统为例算例,其包含41条支路,30个节点。其中有22个负荷节点,6个发电机节点为1、2、5、8、11、13(分别对应 VB1,VG2,VG5,VG8,VG11,VG13),2个无功补偿节点为10、24(分别对应QC10,QC24),4条含有载变压器节点支路为6-9、6-10、4-17、27-28(分别对应T6,9,T6,10,T4,17,T27,28),取节点1为平衡节点,节点2、5、8、11、13为PV节点,其余节点为PQ节点。
在进行编码时,待优化的变量X包括12个变量(个体),具体如下:
X=[VB1,VG2,VG5,VG8,VG11,VG13,T6,9,T6,10,T4,17,T27,28,QC10,QC24]。变量的取值范围、优化算法参数设置,均与IEEE-14节点案例仿真相同。优化运行的收敛曲线如下图2所示。
由图2可见,应用本发明所提出的优化算法,总网损由初始的0.1057降至0.0781,达到26.1%的网损降幅。整体的电能质量有所提高,优化前后各节点电压变化如图3所示。
再以安徽省金寨县全军变电站熊家河04号线支路实际系统为研究对象,其电气结构拓扑图如图4。由实际运行数据及测试情况可知,该支路节点电压普遍偏高。该系统除母线外包含4个分布式电源,分别位于节点2、7、8、24,对应VB1,VG2,VG7,VG8,VG24;2个补偿电容,位于节点7、12,对应QC7,QC12;4条含有载变压器节点支路为4-5、6-7、6-12、18-20(分别对应T4,5,T6,7,T6,12,T18,20)。节点1 为平衡节点,其余均为PQ节点。控制变量X包含11个待优化变量: X=[VB1,VG2,VG7,VG8,VG24,T4,5,T6,7,T6,12,T18,20,QC7,QC12]。可调变压器及补偿电容动作的调节代价CT和CQ分别为7kw/次和4kw/次;各电容器及有载调压器的日限制次数为10 次。运行结果如图5,优化前后节点电压对比如图6。
由运行结果可见,优化进程基本可在前30-20步达到全局最优解,将熊家河04号线无功网损由0.087降至0.078,降幅为8%,节点电压有所提高。
本发明建立了配电网无功优化的数学模型,提出了基于Lévy飞行搜索策略的混合算法,阐述了适应度函数的选取、粒子编码等问题,对所提出的新型算法进行了数值测试。最后,以IEEE-14和IEEE-30节点系统为仿真算例,结果表明该算法可行有效,适用于配电网无功优化问题,收敛迅速,优化后总网损有明显降幅,电能质量亦有所提高。
以上仅就本发明较佳的实施例作了说明,但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例,其具体结构允许有变化。总之,凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。
Claims (10)
1.基于布谷鸟-粒子群算法的配电网无功功率优化方法,其他特征在于,包括:
根据配电网的拓扑结构,确定配电网中待优化的多个变量,并将每个变量作为粒子群中的一个个体;
根据配电网的拓扑结构,考虑负荷的不确定性,将负荷处理为遵循正态分布的随机变量,预设粒子群的搜索维数并建立粒子群的群体,确定粒子群算法的各种参数、每个个体的搜索范围和速度范围;
以配电网无功功率优化前,多个变量的当前状态值作为每个个体的初始值,建立计算配电网总网损的目标函数,并将所述目标函数作为粒子群算法的适应度函数;
在寻优求解阶段,采用Lévy飞行模式更新个体速度和个体位置,在适应度函数满足预设的收敛条件时,获得计及越界惩罚和投切成本的配电网的最小总网损及多个变量的设置参数。
2.根据权利要求1所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法,其特征在于:所述待优化的多个变量为以下类型中的两个或者两个以上的组合:
1)分布式电源的节点电压;
2)可调变压器的变比;
3)无功补偿节点的无功功率补偿容量。
3.根据权利要求2所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法,其特征在于:所述分布式电源包括发电机,所述发电机的节点电压的搜索范围为[0.95,1.1],所述搜索范围采用标幺值表示;
所述可调变压器的变比Tk=1+Bk×ak,其中,档位Bk为连续的整型变量,步长ak=0.025,可调变压器的变比的搜索范围为[-4,4];
所述无功补偿节点的无功功率补偿容量Qi=Di×ai×bi,其中,Di为无功补偿节点采用的无功补偿装置的投切档位,当无功补偿为容性补偿时bi=-1,当无功补偿为感性补偿时bi=1,搜索范围为[-4,4]内的整数。
4.根据权利要求1所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法,其特征在于:确定配电网中待优化的多个变量,并将每个变量作为粒子群中的一个个体,所述个体包含连续型变量和离散型变量,采用浮点数和整数混合编码的形式,粒子群如下表示:
其中,VGik,k=1,…,NG,为分布式电源的节点电压,NG为分布式电源个数,为可调变压器的档位,NT为可调变压器个数;QCjk,k=1,…,NC,NC为补偿节点个数。
5.根据权利要求1所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法,其特征在于:在配电网的分布式电源有功调度给定的情况下,以配电网的总网损最小为优化目标,以负荷节点电压、发电机节点无功出力越界和电容投切成本为罚函数项,目标函数为:
其中,pL为配电网的有功网损,Vi、Vimax、Vimin分别为负荷节点的电压、电压上限、电压下限,Qj、Qj.max、Qj.min分别为分布式电源节点的无功功率、无功功率上限、无功功率下限,ND为配电网负荷节点总数,NG为分布式电源总数,λ1为负荷电压越界惩罚系数,λ2为分布式电源无功出力越界惩罚系数,CT为可调变压器接头位置动作的调节代价,CQ为电容器投切动作的调节代价,ut为t 时刻发电机端电压、可调变压器接头位置及电容器投切组数控制变量,Δut为ut的增量,ΔVi是负荷节点电压的越界限制,ΔQj是分布式电源节点无功出力的越界限制,所述配电网的有功网损为配电网节点数,Vi,Vj分别为配电网i,j节点的电压,θij为配电网i,j两节点的相角差,Gij节点表示导纳矩阵中元素的实部。
6.根据权利要求5所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法,其特征在于:所述负荷节点电压和分布式电源节点无功出力的越界限制如下:
7.根据权利要求5或6所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法,其特征在于:配电网的无功优化还包控制变量和状态变量约束,
其中,VGmax、VGmin分别为分布式电源节点电压的上限值和下限值;QCmax、QCmin分别为无功补偿容量的上限值和下限值;KTmax、KTmin分别为可调变压器变比的上限值和下限值;QGmax、QGmin分别为分布式电源节点无功出力的上限值和下限值;VDmax、VDmin分别为负荷节点电压的上限值和下限值;NC、Nt分别为无功补偿数、变压器可调分接头数。
8.根据权利要求1所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法,其特征在于:考虑负荷需求的不确定性,将随机负荷处理为正态分布,公式如下:
其中~N(·)表示正态分布,为节点i有功负荷的均值和方差;为无功负荷的均值和方差。
9.根据权利要求1所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法,其特征在于:所述寻优求解阶段还包括:
在不同迭代周期,如第t步,第i个个体的最优位置是Pbesti(t)={Pbesti1(t),…,PbestiD(t)},整个种群中所有个体的最优位置是Gbest(t)={Gbest1(t),…,GbestD(t)},在(t+1)th步,第i个粒子新的位置会由迭代公式决定;
以淘汰概率pa选择适应度较差的个体,并随机引入新的个体取代之;
实时更新权重因子w,其中Wmax为权重最大值,Wmin为权重最小值,T为总的迭代次数。
10.根据权利要求1所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法,其特征在于:采用Lévy飞行模式更新个体速度:
,
进而,更新个体位置:
xij(t+1)=xij(t)+vij(t+1)
其中,i=1:D,D是粒子群的维数,j=1:N,N是变量的数量,w为权重因子,c1和c2为加速度系数,vij(t)是第i个体中第j个变量的当前变化值,第t 步,第i个个体的最优位置是Pbesti(t)={Pbesti1(t),…,PbestiD(t)},整个种群中所有个体的最优位置是Gbest(t)={Gbest1(t),…,GbestD(t)},Lévy(s)为符合Lévy分布的变化步长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710580542.4A CN107437813B (zh) | 2017-07-17 | 2017-07-17 | 基于布谷鸟-粒子群的配电网无功功率优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710580542.4A CN107437813B (zh) | 2017-07-17 | 2017-07-17 | 基于布谷鸟-粒子群的配电网无功功率优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107437813A true CN107437813A (zh) | 2017-12-05 |
CN107437813B CN107437813B (zh) | 2021-02-09 |
Family
ID=60460245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710580542.4A Active CN107437813B (zh) | 2017-07-17 | 2017-07-17 | 基于布谷鸟-粒子群的配电网无功功率优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107437813B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108387820A (zh) * | 2018-03-20 | 2018-08-10 | 东北电力大学 | 含分布式电源的配电网故障区段定位方法 |
CN109066710A (zh) * | 2018-07-13 | 2018-12-21 | 国网安徽省电力有限公司滁州供电公司 | 一种多目标无功优化方法、装置、计算机设备及存储介质 |
CN109255142A (zh) * | 2018-05-16 | 2019-01-22 | 浙江大学 | 基于小生境遗传算法的环形张拉整体结构拓扑优化方法 |
CN109347096A (zh) * | 2018-10-29 | 2019-02-15 | 国网山东省电力公司枣庄供电公司 | 一种主动配电网电能质量的优化管理方法 |
CN109888835A (zh) * | 2019-04-16 | 2019-06-14 | 武汉理工大学 | 一种基于改进粒子群的分布式光伏配电网规划方法 |
CN110429667A (zh) * | 2019-09-06 | 2019-11-08 | 国网甘肃省电力公司经济技术研究院 | 基于布谷鸟搜索的光热光伏打捆发电系统容量配置方法 |
CN111080111A (zh) * | 2019-12-09 | 2020-04-28 | 浙江工业大学 | 一种基于分布式非凸优化算法的电力系统经济调度方法 |
CN111461385A (zh) * | 2019-12-25 | 2020-07-28 | 杭州电子科技大学 | 一种基于Lévy飞行的粒子群算法的生产计划优化方法 |
CN112165104A (zh) * | 2020-10-21 | 2021-01-01 | 广东电网有限责任公司广州供电局 | 一种多站点快速投切电容器控制方法 |
CN113011105A (zh) * | 2021-04-08 | 2021-06-22 | 东方红卫星移动通信有限公司 | 基于改进型布谷鸟算法的多目标星座模块优化方法 |
CN115421885A (zh) * | 2022-08-29 | 2022-12-02 | 山东财经大学 | 一种分布式多目标云任务的调度方法、装置及云服务系统 |
CN116154798A (zh) * | 2023-03-30 | 2023-05-23 | 国网冀北电力有限公司 | 基于数字孪生的配电网分布式静止同步补偿器的配置方法 |
CN117639082A (zh) * | 2024-01-26 | 2024-03-01 | 南京师范大学 | 基于改进量子粒子群算法的配电网多目标无功优化方法 |
WO2024074023A1 (zh) * | 2022-10-07 | 2024-04-11 | 南京邮电大学 | 一种基于改进粒子群优化算法的任务调度方法 |
CN118199088A (zh) * | 2024-05-16 | 2024-06-14 | 国网江西省电力有限公司信息通信分公司 | 一种基于改进粒子群算法的配电网无功优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104104096A (zh) * | 2014-08-11 | 2014-10-15 | 国家电网公司 | 一种电力系统无功优化方法及系统 |
CN106058887A (zh) * | 2016-07-08 | 2016-10-26 | 燕山大学 | 提高含分布式光伏电源配电网电压合格率的无功优化方法 |
-
2017
- 2017-07-17 CN CN201710580542.4A patent/CN107437813B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104104096A (zh) * | 2014-08-11 | 2014-10-15 | 国家电网公司 | 一种电力系统无功优化方法及系统 |
CN106058887A (zh) * | 2016-07-08 | 2016-10-26 | 燕山大学 | 提高含分布式光伏电源配电网电压合格率的无功优化方法 |
Non-Patent Citations (2)
Title |
---|
李娜 等: "基于粒子群算法的布谷鸟搜索算法", 《纺织高校基础科学学报》 * |
肖军 等: "基于双种群粒子群算法的分时段电力系统无功优化", 《电网技术》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108387820A (zh) * | 2018-03-20 | 2018-08-10 | 东北电力大学 | 含分布式电源的配电网故障区段定位方法 |
CN109255142B (zh) * | 2018-05-16 | 2022-10-14 | 浙江大学 | 基于小生境遗传算法的环形张拉整体结构拓扑优化方法 |
CN109255142A (zh) * | 2018-05-16 | 2019-01-22 | 浙江大学 | 基于小生境遗传算法的环形张拉整体结构拓扑优化方法 |
CN109066710A (zh) * | 2018-07-13 | 2018-12-21 | 国网安徽省电力有限公司滁州供电公司 | 一种多目标无功优化方法、装置、计算机设备及存储介质 |
CN109066710B (zh) * | 2018-07-13 | 2022-05-27 | 国网安徽省电力有限公司滁州供电公司 | 一种多目标无功优化方法、装置、计算机设备及存储介质 |
CN109347096B (zh) * | 2018-10-29 | 2022-05-31 | 国网山东省电力公司枣庄供电公司 | 一种主动配电网电能质量的优化管理方法 |
CN109347096A (zh) * | 2018-10-29 | 2019-02-15 | 国网山东省电力公司枣庄供电公司 | 一种主动配电网电能质量的优化管理方法 |
CN109888835B (zh) * | 2019-04-16 | 2022-10-11 | 武汉理工大学 | 一种基于改进粒子群的分布式光伏配电网规划方法 |
CN109888835A (zh) * | 2019-04-16 | 2019-06-14 | 武汉理工大学 | 一种基于改进粒子群的分布式光伏配电网规划方法 |
CN110429667A (zh) * | 2019-09-06 | 2019-11-08 | 国网甘肃省电力公司经济技术研究院 | 基于布谷鸟搜索的光热光伏打捆发电系统容量配置方法 |
CN110429667B (zh) * | 2019-09-06 | 2022-04-22 | 国网甘肃省电力公司经济技术研究院 | 基于布谷鸟搜索的光热光伏打捆发电系统容量配置方法 |
CN111080111A (zh) * | 2019-12-09 | 2020-04-28 | 浙江工业大学 | 一种基于分布式非凸优化算法的电力系统经济调度方法 |
CN111080111B (zh) * | 2019-12-09 | 2022-04-05 | 浙江工业大学 | 一种基于分布式非凸优化算法的电力系统经济调度方法 |
CN111461385B (zh) * | 2019-12-25 | 2022-04-22 | 杭州电子科技大学 | 一种基于Lévy飞行的粒子群算法的生产计划优化方法 |
CN111461385A (zh) * | 2019-12-25 | 2020-07-28 | 杭州电子科技大学 | 一种基于Lévy飞行的粒子群算法的生产计划优化方法 |
CN112165104B (zh) * | 2020-10-21 | 2022-08-09 | 广东电网有限责任公司广州供电局 | 一种多站点快速投切电容器控制方法 |
CN112165104A (zh) * | 2020-10-21 | 2021-01-01 | 广东电网有限责任公司广州供电局 | 一种多站点快速投切电容器控制方法 |
CN113011105A (zh) * | 2021-04-08 | 2021-06-22 | 东方红卫星移动通信有限公司 | 基于改进型布谷鸟算法的多目标星座模块优化方法 |
CN115421885A (zh) * | 2022-08-29 | 2022-12-02 | 山东财经大学 | 一种分布式多目标云任务的调度方法、装置及云服务系统 |
WO2024074023A1 (zh) * | 2022-10-07 | 2024-04-11 | 南京邮电大学 | 一种基于改进粒子群优化算法的任务调度方法 |
CN116154798A (zh) * | 2023-03-30 | 2023-05-23 | 国网冀北电力有限公司 | 基于数字孪生的配电网分布式静止同步补偿器的配置方法 |
CN116154798B (zh) * | 2023-03-30 | 2023-06-23 | 国网冀北电力有限公司 | 基于数字孪生的配电网分布式静止同步补偿器的配置方法 |
CN117639082A (zh) * | 2024-01-26 | 2024-03-01 | 南京师范大学 | 基于改进量子粒子群算法的配电网多目标无功优化方法 |
CN117639082B (zh) * | 2024-01-26 | 2024-04-19 | 南京师范大学 | 基于改进量子粒子群算法的配电网多目标无功优化方法 |
CN118199088A (zh) * | 2024-05-16 | 2024-06-14 | 国网江西省电力有限公司信息通信分公司 | 一种基于改进粒子群算法的配电网无功优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107437813B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437813A (zh) | 基于布谷鸟‑粒子群的配电网无功功率优化方法 | |
Ardakani et al. | A novel approach for optimal chiller loading using particle swarm optimization | |
Panigrahi et al. | Multiobjective fuzzy dominance based bacterial foraging algorithm to solve economic emission dispatch problem | |
Narimani et al. | A novel approach to multi-objective optimal power flow by a new hybrid optimization algorithm considering generator constraints and multi-fuel type | |
Berrazouane et al. | Parameter optimization via cuckoo optimization algorithm of fuzzy controller for energy management of a hybrid power system | |
Sharma et al. | Reserve constrained multi-area economic dispatch employing differential evolution with time-varying mutation | |
Hardiansyah et al. | Solving economic load dispatch problem using particle swarm optimization technique | |
Dhamanda et al. | A traditional approach to solve economic load dispatch problem of thermal generating unit using MATLAB programming | |
CN108204944A (zh) | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 | |
Valipour et al. | Using a new modified harmony search algorithm to solve multi-objective reactive power dispatch in deterministic and stochastic models | |
CN105631528A (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
CN113872213B (zh) | 一种配电网电压自主优化控制方法及装置 | |
Mason et al. | Applying multi-agent reinforcement learning to watershed management | |
CN108808693A (zh) | 配电网无功功率优化控制方法 | |
CN106650988B (zh) | 一种高压配电网规划项目模糊组合优化方法 | |
Gacem et al. | Hybrid genetic algorithm and particle swarm for optimal power flow with non-smooth fuel cost functions | |
CN113300380A (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
CN115759475A (zh) | 基于数据驱动的多区域电力系统经济环境调度方法及系统 | |
Subramanian et al. | An efficient firefly algorithm to solve economic dispatch problems | |
Ortiz-Martínez et al. | Multiplicity of solutions in model-based multiobjective optimization of wastewater treatment plants | |
CN117200213A (zh) | 基于自组织映射神经网络深度强化学习的配电系统电压控制方法 | |
CN109449994B (zh) | 一种含柔性互联装置的主动配电网的功率调控方法 | |
Lalaoui et al. | Simulated annealing with adaptive neighborhood using fuzzy logic controller | |
CN110851911B (zh) | 终端状态计算模型训练方法、控制序列搜索方法及装置 | |
Sankar et al. | A posteriori multiobjective techno-economic accommodation of DGs in distribution network using Pareto optimality and TOPSIS approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |