CN108988314A - 一种基于智能优化算法的电网优化控制方法及系统 - Google Patents
一种基于智能优化算法的电网优化控制方法及系统 Download PDFInfo
- Publication number
- CN108988314A CN108988314A CN201810617097.9A CN201810617097A CN108988314A CN 108988314 A CN108988314 A CN 108988314A CN 201810617097 A CN201810617097 A CN 201810617097A CN 108988314 A CN108988314 A CN 108988314A
- Authority
- CN
- China
- Prior art keywords
- control variable
- value
- optimum
- control
- variable
- 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.)
- Pending
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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于智能优化算法的电网优化控制方法及系统,包括:基于粒子群算法对预先建立的潮流模型进行求解,得到全局最优目标函数值和首次最优控制变量;基于模拟退火算法、所述全局最优目标函数值和首次最优控制变量得到控制变量的最优解;根据所述控制变量的最优解对电网进行控制。本发明利用混合智能优化算法快速找到交直流电网控制变量的全局最优解,弥补传统数值算法在解决非线性问题中存在的不足,达到减少交直流系统的网络损耗,提升电网电压运行水平的目的,可有效提高交直流电网的经济性与可靠性。
Description
技术领域
本发明涉及电网运行与控制技术领域,具体涉及一种基于智能优化算法的电网优化控制方法及系统。
背景技术
现阶段电网已经进入了大电厂、大机组、跨区域、远距离输电、多种新型能源发电广泛接入、高度自动控制的新时代,电力系统是由各类发电装置、输配电线路、变压器以及用电负荷等一系列单元组合而成的大规模非线性动态系统,存在着许多极为复杂的工程计算和非线性优化问题。随着电网的复杂程度越来越高,系统的运行状态、动作行为也更加复杂,电网的复杂性、非线性、波动性以及实时性,使电网调控的某些方面难以用传统的机理分析模型和控制方法来实现,需要针对交直流电网优化控制非线性问题难以用传统数值算法解决的问题,提供一种电网优化控制的方法。
智能优化算法在解决大空间、非线性、全局寻优、组合优化等复杂问题方面具有独特的优势,因而得到了学者的广泛关注。其中,粒子群算法本质是一种随机搜索算法,能以较大概率收敛于全局最优解,适合在动态、多目标优化环境中寻优,与传统优化算法相比,具有更好的全局搜索能力。模拟退火算法以优化问题的求解与物理系统退火过程的相似性为基础,适当地控制温度的下降过程来实现模拟退火,从而达到求解全局优化问题的目的。
然而利用粒子群算法解决交直流电网的优化控制问题,容易陷入局部最优,导致收敛精度低和不易收敛。而模拟退火算法的全局搜索性能受到初始温度与温度控制参数的影响,为获得较好的全局搜索能力其初始温度需要设置较高的数值,导致收敛速度较慢。
发明内容
为了解决现有技术中所存在的上述不足,本发明提供一种基于智能优化算法的电网优化控制方法及系统。模拟退火算法以一定的概率选择领域中目标值大的劣质解,从一定程度上弥补的粒子群算法的缺陷,而粒子群算法没有交叉和变异运算,在迭代过程中只有最优的粒子把信息传递给其它粒子,搜索速度较快。因此,本发明将粒子群与模拟退火算法有机结合,弥补两种算法单独使用的缺陷,形成一种粒子群与模拟退火混合的智能优化算法,用于解决交直流电网的优化控制问题,改善交直流电网的控制水平。
本发明提供的技术方案是:一种基于智能优化算法的电网优化控制方法,包括:
基于粒子群算法对预先建立的潮流模型进行求解,得到全局最优目标函数值和首次最优控制变量;
基于模拟退火算法、所述全局最优目标函数值和首次最优控制变量得到控制变量的最优解;
根据所述控制变量的最优解对电网进行控制。
优选的,所述潮流模型,包括:
基于交直流电网系统的网损和节点电压偏差的加权值之和最小为控制目标,建立目标函数;
为所述目标函数建立约束条件;
将所述目标函数中的发电机有功功率和无功功率作为控制变量;
基于所述约束条件设置控制变量的取值上下限。
优选的,所述以交直流电网系统的网损和节点电压偏差的加权值之和最小为控制目标,建立目标函数,如下式所示:
式中:obj:目标函数;ω1和ω2为目标函数权重因子,取值范围为[0,1],且ω1+ω2=1;Pf:交直流系统节点f的注入功率;f:交直流系统节点,f=1,2,…n,其中,n:交直流系统节点总数;Uf:交直流系统节点f的电压;UN:额定电压。
优选的,所述约束条件包括:
按下式计算的交流侧潮流等式约束:
式中:PGi:发电机的有功功率;QGi:发电机的无功功率;PDi:交流系统节点i的有功负荷;QDi:交流系统节点i的无功负荷;Gij:交流系统节点i和交流系统节点j之间的电导;Bij:交流系统节点i和交流系统节点j之间的电纳;Ui:交流系统节点i的电压;Uj:交流系统节点j的电压;θij:交流系统节点i和交流系统节点j之间的电压相角差;t:交流系统节点数。
优选的,所述约束条件还包括:
按下式计算的交流侧潮流不等式约束:
式中:发电机的有功功率上限;PG i:发电机的有功功率下限;发电机的无功功率上限;QG i:发电机的无功功率下限。
优选的,所述基于所述约束条件设置控制变量的取值上下限,包括:
根据发电机的有功功率上限和发电机的无功功率上限设置控制变量的取值上限;
根据发电机的有功功率下限P Gi 和发电机的无功功率下限Q Gi 设置控制变量的取值下限。
优选的,所述基于粒子群算法对预先建立的潮流模型和控制变量进行求解,得到全局最优目标函数值和首次最优控制变量,包括:
基于控制变量的取值上下限初始化所述控制变量;
基于预设的控制变量更新速度上下限计算所述控制变量的变化速度;
基于所述目标函数、初始化后的控制变量和所述控制变量的变化速度,通过迭代得到全局最优目标函数值和首次最优控制变量。
优选的,所述基于控制变量的取值上下限初始化所述控制变量,如下式所示:
Xb=(Xbmax-Xbmin)×rand+Xbmin b=1,2,…D
式中:Xb:第b个控制变量;rand:在[0,1]区间内的随机数;Xbmax:第b个控制变量的取值下限;Xbmin:第b个控制变量的取值下限;D:控制变量的个数。
优选的,所述基于预设的控制变量更新速度上下限计算所述控制变量的变化速度,如下式所示:
Vb=(Vbmax-Vbmin)×rand+Vbmin b=1,2,…D
式中:Vb:第b个控制变量的变化速度;Vbmax:第b个控制变量更新速度上限;Vbmin:第b个控制变量更新速度下限。
优选的,所述基于模拟退火算法、所述全局最优目标函数值和首次最优控制变量得到控制变量的最优解,包括:
对所述首次最优控制变量进行扰动,对所述扰动后的控制变量进行边界条件处理,得到更新后的最优控制变量;
基于所述更新后的最优控制变量、目标函数、全局最优目标函数值、预设的初始温度和模拟退火衰减参数迭代得到控制变量的最优解。
优选的,所述对所述首次最优控制变量进行扰动,对所述扰动后的控制变量进行边界条件处理,得到更新后的最优控制变量,包括:
对所述首次最优控制变量进行扰动后,将扰动后的首次最优控制变量作为最优控制变量;
对所述最优控制变量进行边界条件处理,当最优控制变量取值不大于预设限值时,得到更新后的最优控制变量,否则重新进行扰动。
基于同一发明构思,本发明还提供了一种基于智能优化算法的电网优化控制系统,包括:
粒子群模块,用于基于粒子群算法对预先建立的潮流模型进行求解,得到全局最优目标函数值和首次最优控制变量;
模拟退火模块,用于基于模拟退火算法、所述全局最优目标函数值和首次最优控制变量得到控制变量的最优解;
控制模块,用于根据所述控制变量的最优解对电网进行控制。
优选的,还包括:建立模块;
所述建立模块包括:
目标函数单元,用于基于交直流电网系统的网损和节点电压偏差的加权值之和最小为控制目标,建立目标函数;
约束条件单元,用于为所述目标函数建立约束条件;
设置单元,用于将所述目标函数中的发电机有功功率和无功功率作为控制变量;
约束单元,用于基于所述约束条件设置控制变量的取值上下限。
与最接近的现有技术相比,本发明提供的技术方案具有以下有益效果:
本发明提供的技术方案,基于粒子群算法对预先建立的潮流模型进行求解,得到全局最优目标函数值和首次最优控制变量;基于模拟退火算法、所述全局最优目标函数值和首次最优控制变量得到控制变量的最优解;根据所述控制变量的最优解对电网进行控制,利用混合智能优化算法快速找到交直流电网控制变量的全局最优解,弥补传统数值算法在解决非线性问题中存在的不足,达到减少交直流系统的网络损耗,提升电网电压运行水平的目的,可有效提高交直流电网的经济性与可靠性。
本发明提供的技术方案,利用智能算法在求解非线性、全局寻优问题中的优势,通过有效融合粒子群算法与模拟退火算法,快速找到交直流电网控制变量的全局最优解。
附图说明
图1为本发明提供的一种基于智能优化算法的电网优化控制方法总流程图;
图2为本发明实施例中的交直流电网拓扑结构图;
图3为本发明实施例中的换流器等值电路图;
图4为本发明实施例中的电网优化控制方法详细流程图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
图1为本发明提供的一种基于智能优化算法的电网优化控制方法总流程图,如图1所示,包括:
S1、基于粒子群算法对预先建立的潮流模型进行求解,得到全局最优目标函数值和首次最优控制变量;
S2、基于模拟退火算法、所述全局最优目标函数值和首次最优控制变量得到控制变量的最优解;
S3、根据所述控制变量的最优解对电网进行控制。
本实施例以附图2所示的交直流电网拓扑结构图为例。
图2中所示为由5个交流母线和3个直流母线组成的交直流网络,包括交流母线1至交流母线5,以及直流母线1至直流母线3,其中交流母线2、交流母线3和交流母线5连接换流器,从而与直流母线1、直流母线2和直流母线3相连,交流母线1和交流母线2连接发电机组。
图3为换流器等值电路图。
控制目标为交直流电网系统的全网网损和节点电压偏差的加权值之和最小;
控制变量为母线1和2所连发电机的有功功率和无功功率。
有功功率的取值范围为10~50MW,无功功率的取值范围为0~50MW,控制变量的更新速度上限为10MW。
图4为本发明实施例中的电网优化控制方法详细流程图,如图4所示,采用本发明提出基于粒子群模拟退火智能算法的交直流电网优化控制方法,包括以下步骤:
预先构建潮流模型,包括:
(1)建立交直流电网的优化潮流数学模型。以全网网损和节点电压偏差的加权值之和最小为控制目标,如下所示:
其中,目标函数权重因子ω1=1,ω2=0。f=1,2,…8,Pf和Uf分别为节点f的注入功率和节点电压,UN为额定电压。
满足的约束条件包括:
交流侧潮流等式约束:
式中,PGi和QGi分别为发电机的有功和无功功率,PDi和QDi分别为交流系统节点i的有功和无功负荷,Gij和Bij分别为交流系统节点i和交流系统节点j之间的电导和电纳,θij为交流系统节点i和交流系统节点j之间的电压相角差。
直流侧等式约束:
换流器等式约束:
式中,Psi和Qsi分别为换流器交流侧有功和无功功率,Msi为换流器的调制比,Usi为换流器交流侧电压幅值,Udi为换流器直流侧电压,Ysi为换流器交流侧等值导纳,δsi为换流器等值阻抗两侧电压相角差,αsi为等值阻抗的阻抗角,Idi为直流侧节点di的注入电流,Gdiq为换流器直流侧节点与直流电网节点之间的电导。
不等式约束包括:
|Pij|≤Pl
式中, PG i,和QG i分别为发电机的有功和无功功率上下限,和U f为各节点电压的上下限约束,Pij为线路功率,Pl为线路功率上限值,为换流器的实际功率,S为换流器的功率上限值。
S1、基于粒子群算法对预先建立的潮流模型进行求解,得到全局最优目标函数值和首次最优控制变量,包括:
(2)优化控制参数设置。包括群体粒子数N=10,粒子的维数D=4,粒子群最大迭代次数M1=100,目标函数停滞更新次数M2=3,学习因子c1=1.5,c2=1.5,控制变量的取值上限Xmax=(50,50,50,50),控制变量的取值下限Xmin=(10,10,0,0)。
控制变量即为电源的有功和无功输出,控制变量的上下限值对应各电源的有功和无功功率上下限值。
控制变量更新速度上限Vmax=(10,10,10,10),控制变量更新速度下限Vmin=(-10,-10,-10,-10)。
粒子个体最优值pbest=inf(无穷大值)和粒子群全局最优值gbest=inf(无穷大值)。
模拟退火衰减参数K=0.98,步长因子S=0.1,初始温度T=100,温度下限值Tmin=1。
迭代容差为Yz=e-4。
(3)初始化控制变量的变化速度值Vb和控制变量的取值Xb。
Vb=(Vbmax-Vbmin)×rand+Vbmin b=1,2,…D
Xb=(Xbmax-Xbmin)×rand+Xbmin b=1,2,…D
其中,rand为[0,1]区间内的随机数。
(4)将控制变量值代入步骤(1)中的交直流电网的优化潮流数学模型中,计算出优化目标函数值,并记录本次目标函数值。
(5)计算个体和全局的最优值。如果本次计算目标函数值优于个体最优目标函数值pbest,则更新个体最优目标函数值pbest,以所有个体最优目标值中的最优值更新全局最优目标函数值gbest。
(6)计算控制变量的更新速度与取值。
Vb=Vb+c1×rand1×(pbest-Xb)+c2×rand2×(gbest-Xb)b=1,2,…,D
Xb=Xb+Vb b=1,2,…,D
式中,rand和rand2为[0,1]区间内的随机数。
(7)边界条件处理。
如果计算得到的控制变量更新步长和取值超出了限值,则得用第(3)步中的公式重新生成新的控制变量更新步长和取值。
若未超出限值,即采用第(6)步中计算得到的控制变量取值。
(8)判断两次目标函数最优值的绝对值之差小于容差Yz的次数是否超过M2,或者迭代次数大于M1,则转入步骤(9),否则返回步骤(4)。
S2、基于模拟退火算法和所述全局最优目标函数值和首次最优控制变量得到控制变量的最优解,包括:
(9)对全局最优目标函数值gbest对应的控制变量进行扰动并进行边界条件处理。
按下式进行计算得到新的控制变量值:
X″b=X′b+S×rand3×(Xbmax-Xbmin)+Xbmin b=1,2,…,D
式中:X″b表示第b个最优控制变量;X′b表示第b个首次最优控制变量;S表示步长因子;rand3表示第三个[0,1]区间内的随机数;D表示控制变量的个数;
进行边界条件处理,包括:扰动后的控制变量取值超过限值时,需要重新计算新的控制变量值,直到扰动后的控制变量取值小于限值。
(10)基于步骤(9)得到的控制变量,计算目标函数值,当目标函数值优于目标函数最优值gbest,更新最优控制变量取值Xb和最优目标函数值gbest;否则转入第(11)步。
(11)当exp(-ΔE/T)>rand4时,更新最优控制变量取值Xb和最优目标函数值gbest;否则转入第(12)步。
其中,ΔE为两次最优目标函数值gbest的差值,rand4为[0,1]区间内的随机数。
(12)更新温度值T,T=K×T。
(13)当两次目标函数最优值gbest的差值绝对值大于容差Yz,并且温度值T高于Tmin时,返回步骤(9);否则退出循环。
此时,Xb即为控制变量的最优解,gbest为最优目标函数值。
S3根据控制变量的最优解对电网进行控制。
应用本发明所提方法,实施例中系统网损由8.35MW降到了8.29MW,有效降低了系统损耗,提高了交直流系统运行的经济性。
基于同一发明构思,本发明实施例中还提供了一种基于智能优化算法的电网优化控制系统,包括:
粒子群模块,用于基于粒子群算法对预先建立的潮流模型进行求解,得到全局最优目标函数值和首次最优控制变量;
模拟退火模块,用于基于模拟退火算法、所述全局最优目标函数值和首次最优控制变量得到控制变量的最优解;
控制模块,用于根据所述控制变量的最优解对电网进行控制。
一种基于智能优化算法的电网优化控制系统,还包括:建立模块;
所述建立模块包括:
目标函数单元,用于基于交直流电网系统的网损和节点电压偏差的加权值之和最小为控制目标,建立目标函数;
约束条件单元,用于为所述目标函数建立约束条件;
设置单元,用于将所述目标函数中的发电机有功功率和无功功率作为控制变量;
约束单元,用于基于所述约束条件设置控制变量的取值上下限。
实施例中,所述粒子群模块,包括:
初始化单元,用于基于控制变量的取值上下限初始化所述控制变量;
计算单元,用于基于预设的控制变量更新速度上下限计算所述控制变量的变化速度;
粒子群单元,用于基于所述目标函数、初始化后的控制变量和所述控制变量的变化速度,通过迭代得到全局最优目标函数值和首次最优控制变量。
所述模拟退火模块,包括:
更新子模块,用于对所述首次最优控制变量进行扰动,对所述扰动后的控制变量进行边界条件处理,得到更新后的最优控制变量;
模拟退火子模块,用于基于所述更新后的最优控制变量、目标函数、全局最优目标函数值、预设的初始温度和模拟退火衰减参数迭代得到控制变量的最优解。
实施例中,所述更新子模块,包括:
扰动单元,用于对所述首次最优控制变量进行扰动后,将扰动后的首次最优控制变量作为最优控制变量;
更新单元,用于对所述最优控制变量进行边界条件处理,当最优控制变量取值不大于预设限值时,得到更新后的最优控制变量,否则重新进行扰动。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (13)
1.一种基于智能优化算法的电网优化控制方法,其特征在于,包括:
基于粒子群算法对预先建立的潮流模型进行求解,得到全局最优目标函数值和首次最优控制变量;
基于模拟退火算法、所述全局最优目标函数值和首次最优控制变量得到控制变量的最优解;
根据所述控制变量的最优解对电网进行控制。
2.如权利要求1所述电网优化控制方法,其特征在于,所述潮流模型,包括:
基于交直流电网系统的网损和节点电压偏差的加权值之和最小为控制目标,建立目标函数;
为所述目标函数建立约束条件;
将所述目标函数中的发电机有功功率和无功功率作为控制变量;
基于所述约束条件设置控制变量的取值上下限。
3.如权利要求2所述电网优化控制方法,其特征在于,所述以交直流电网系统的网损和节点电压偏差的加权值之和最小为控制目标,建立目标函数,如下式所示:
式中:obj:目标函数;ω1和ω2为目标函数权重因子,取值范围为[0,1],且ω1+ω2=1;Pf:交直流系统节点f的注入功率;f:交直流系统节点,f=1,2,…n,其中,n:交直流系统节点总数;Uf:交直流系统节点f的电压;UN:额定电压。
4.如权利要求2所述电网优化控制方法,其特征在于,所述约束条件包括:
按下式计算的交流侧潮流等式约束:
式中:PGi:发电机的有功功率;QGi:发电机的无功功率;PDi:交流系统节点i的有功负荷;QDi:交流系统节点i的无功负荷;Gij:交流系统节点i和交流系统节点j之间的电导;Bij:交流系统节点i和交流系统节点j之间的电纳;Ui:交流系统节点i的电压;Uj:交流系统节点j的电压;θij:交流系统节点i和交流系统节点j之间的电压相角差;t:交流系统节点数。
5.如权利要求4所述电网优化控制方法,其特征在于,所述约束条件还包括:
按下式计算的交流侧潮流不等式约束:
式中:发电机的有功功率上限;P Gi:发电机的有功功率下限;发电机的无功功率上限;Q Gi:发电机的无功功率下限。
6.如权利要求5所述电网优化控制方法,其特征在于,所述基于所述约束条件设置控制变量的取值上下限,包括:
根据发电机的有功功率上限和发电机的无功功率上限设置控制变量的取值上限;
根据发电机的有功功率下限P Gi和发电机的无功功率下限Q Gi设置控制变量的取值下限。
7.如权利要求2所述电网优化控制方法,其特征在于,所述基于粒子群算法对预先建立的潮流模型和控制变量进行求解,得到全局最优目标函数值和首次最优控制变量,包括:
基于控制变量的取值上下限初始化所述控制变量;
基于预设的控制变量更新速度上下限计算所述控制变量的变化速度;
基于所述目标函数、初始化后的控制变量和所述控制变量的变化速度,通过迭代得到全局最优目标函数值和首次最优控制变量。
8.如权利要求7所述电网优化控制方法,其特征在于,所述基于控制变量的取值上下限初始化所述控制变量,如下式所示:
Xb=(Xbmax-Xbmin)×rand+Xbmin b=1,2,…D
式中:Xb:第b个控制变量;rand:在[0,1]区间内的随机数;Xbmax:第b个控制变量的取值下限;Xbmin:第b个控制变量的取值下限;D:控制变量的个数。
9.如权利要求8所述电网优化控制方法,其特征在于,所述基于预设的控制变量更新速度上下限计算所述控制变量的变化速度,如下式所示:
Vb=(Vbmax-Vbmin)×rand+Vbmin b=1,2,…D
式中:Vb:第b个控制变量的变化速度;Vbmax:第b个控制变量更新速度上限;Vbmin:第b个控制变量更新速度下限。
10.如权利要求2所述电网优化控制方法,其特征在于,所述基于模拟退火算法、所述全局最优目标函数值和首次最优控制变量得到控制变量的最优解,包括:
对所述首次最优控制变量进行扰动,对所述扰动后的控制变量进行边界条件处理,得到更新后的最优控制变量;
基于所述更新后的最优控制变量、目标函数、全局最优目标函数值、预设的初始温度和模拟退火衰减参数迭代得到控制变量的最优解。
11.如权利要求10所述电网优化控制方法,其特征在于,所述对所述首次最优控制变量进行扰动,对所述扰动后的控制变量进行边界条件处理,得到更新后的最优控制变量,包括:
对所述首次最优控制变量进行扰动后,将扰动后的首次最优控制变量作为最优控制变量;
对所述最优控制变量进行边界条件处理,当最优控制变量取值不大于预设限值时,得到更新后的最优控制变量,否则重新进行扰动。
12.一种基于智能优化算法的电网优化控制系统,其特征在于,包括:
粒子群模块,用于基于粒子群算法对预先建立的潮流模型进行求解,得到全局最优目标函数值和首次最优控制变量;
模拟退火模块,用于基于模拟退火算法、所述全局最优目标函数值和首次最优控制变量得到控制变量的最优解;
控制模块,用于根据所述控制变量的最优解对电网进行控制。
13.如权利要求12所述电网优化控制系统,其特征在于,还包括:建立模块;
所述建立模块包括:
目标函数单元,用于基于交直流电网系统的网损和节点电压偏差的加权值之和最小为控制目标,建立目标函数;
约束条件单元,用于为所述目标函数建立约束条件;
设置单元,用于将所述目标函数中的发电机有功功率和无功功率作为控制变量;
约束单元,用于基于所述约束条件设置控制变量的取值上下限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810617097.9A CN108988314A (zh) | 2018-06-14 | 2018-06-14 | 一种基于智能优化算法的电网优化控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810617097.9A CN108988314A (zh) | 2018-06-14 | 2018-06-14 | 一种基于智能优化算法的电网优化控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108988314A true CN108988314A (zh) | 2018-12-11 |
Family
ID=64541274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810617097.9A Pending CN108988314A (zh) | 2018-06-14 | 2018-06-14 | 一种基于智能优化算法的电网优化控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108988314A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113364021A (zh) * | 2021-04-28 | 2021-09-07 | 深圳供电局有限公司 | 交直流系统的控制方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201672A (zh) * | 2010-03-26 | 2011-09-28 | 长沙理工大学 | 改进的模拟退火-粒子群优化算法 |
CN103580061A (zh) * | 2013-10-28 | 2014-02-12 | 贵州电网公司电网规划研究中心 | 微电网运行方法 |
CN104638637A (zh) * | 2014-12-08 | 2015-05-20 | 国家电网公司 | 基于agc与avc的协调优化控制方法 |
CN104850891A (zh) * | 2015-05-29 | 2015-08-19 | 厦门大学 | 一种时间序列预测的智能优化递归神经网络方法 |
CN106340888A (zh) * | 2016-09-18 | 2017-01-18 | 国网福建省电力有限公司 | 基于佳点集量子粒子群算法的交直流系统无功优化方法 |
-
2018
- 2018-06-14 CN CN201810617097.9A patent/CN108988314A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201672A (zh) * | 2010-03-26 | 2011-09-28 | 长沙理工大学 | 改进的模拟退火-粒子群优化算法 |
CN103580061A (zh) * | 2013-10-28 | 2014-02-12 | 贵州电网公司电网规划研究中心 | 微电网运行方法 |
CN104638637A (zh) * | 2014-12-08 | 2015-05-20 | 国家电网公司 | 基于agc与avc的协调优化控制方法 |
CN104850891A (zh) * | 2015-05-29 | 2015-08-19 | 厦门大学 | 一种时间序列预测的智能优化递归神经网络方法 |
CN106340888A (zh) * | 2016-09-18 | 2017-01-18 | 国网福建省电力有限公司 | 基于佳点集量子粒子群算法的交直流系统无功优化方法 |
Non-Patent Citations (1)
Title |
---|
李波: "基于粒子群与模拟退火协同进化方法的电力系统无功优化", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113364021A (zh) * | 2021-04-28 | 2021-09-07 | 深圳供电局有限公司 | 交直流系统的控制方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning | |
Reddy et al. | Efficiency improvements in meta-heuristic algorithms to solve the optimal power flow problem | |
Chen et al. | Comprehensive cost minimization in distribution networks using segmented-time feeder reconfiguration and reactive power control of distributed generators | |
CN107579518B (zh) | 基于mhba的电力系统环境经济调度方法和装置 | |
Montoya et al. | Numerical methods for power flow analysis in DC networks: State of the art, methods and challenges | |
CN104794541B (zh) | 一种基于模拟退火和锥优化的配电网运行优化方法 | |
JP2012157239A (ja) | volt/VAR潮流最適化を加速するためのシステム、方法、および装置 | |
CN103746374A (zh) | 含多微网配电网的合环控制方法 | |
CN114140022A (zh) | 一种多虚拟电厂分布式动态经济调度方法及系统 | |
CN110445167A (zh) | 一种光伏接入配网的优化方法及系统 | |
CN113890039B (zh) | 一种多端柔性直流配电网潮流调度优化方法 | |
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 | |
CN109888817B (zh) | 对光伏电站和数据中心进行位置部署和容量规划方法 | |
CN113872213B (zh) | 一种配电网电压自主优化控制方法及装置 | |
Pijarski et al. | Methods of simulated annealing and particle swarm applied to the optimization of reactive power flow in electric power systems | |
CN109861226A (zh) | 一种综合优化谐波稳定性和阻尼损耗的lcl滤波器设计方法 | |
CN104090496A (zh) | 一种智能电网控制运行连续模拟的仿真方法 | |
CN108988314A (zh) | 一种基于智能优化算法的电网优化控制方法及系统 | |
CN108734349A (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及系统 | |
Akbari-Zadeh et al. | Dstatcom allocation in the distribution system considering load uncertainty | |
CN106950831A (zh) | 一种离线优化/在线切换的无功补偿方法 | |
Qin et al. | Tertiary control based on non-parametric model prediction for dc microgrid cluster | |
Ling et al. | A distributed model for power system restoration based on ant colony optimization algorithm | |
Jianfang et al. | Hierarchical control model of smart distribution network based on self-organizing multi-agent system | |
Penangsang et al. | Determination of location and capacity of distributed generations with reconfiguration in distribution systems for power quality improvement |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |