CN111507863A - 一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法 - Google Patents

一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法 Download PDF

Info

Publication number
CN111507863A
CN111507863A CN202010314682.9A CN202010314682A CN111507863A CN 111507863 A CN111507863 A CN 111507863A CN 202010314682 A CN202010314682 A CN 202010314682A CN 111507863 A CN111507863 A CN 111507863A
Authority
CN
China
Prior art keywords
voltage
capacity
recovery system
shape
load
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
Application number
CN202010314682.9A
Other languages
English (en)
Inventor
姜华
沈兴来
张涛
周利
孙书芬
程永
张潇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Xuzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Xuzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Xuzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010314682.9A priority Critical patent/CN111507863A/zh
Publication of CN111507863A publication Critical patent/CN111507863A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Genetics & Genomics (AREA)
  • Evolutionary Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法，首先，建立交叉供电动态电压恢复系统容量配置优化数学模型；其次，在建立的容量优化配置模型的基础上，利用遗传算法，求解出最优动态电压恢复系统的容量。本发明可以避免交叉和变异操作将原本得到的最优解破坏，从而保证采用精英策略的遗传算法准确收敛到最优解。

Description

一种基于遗传算法的交叉供电大容量动态电压恢复系统容量 设计方法
技术领域
本发明涉及动态电压恢复系统(DVR)技术领域，具体的说是涉及一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法。
背景技术
高现代化生产和高品质生活需求引起用户对电能质量问题的迫切关注。根据各国学者和电力部门的统计和分析，在各种电能质量问题当中，电压暂降是发生概率最高的电能质量问题。最近几十年来，由于敏感负荷的增加，由电压暂降造成的经济损失也迅速增加。为减少由此引起的损失，用户必须采用相应的电力补偿装置。动态电压恢复器(DVR)是一种串联型电压补偿器，当系统侧电压偏离一定范围时DVR就迅速动作以补偿电源电压的偏差，快速跟踪并恢复负荷侧的电压波形。传统的DVR多以补偿电压跌落为主，但随着新能源的发展，尤其是风电和太阳能发电的大规模接入，电力系统日趋复杂，呈现地域供电的不平衡性和负荷波动较大等问题，使得用户对开始增加了对系统电压“闪变”问题的治理需求。
发明内容
考虑交叉供电动态电压恢复系统的通用性，经济性等因素，以交叉供电动态电压恢复系统容量配置最小化为目标，基于遗传算法，提出一种具有普适性的交叉供电大容量动态电压恢复系统容量设计方法。
本发明按以下技术方案实现：
一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法，其特征在于：
步骤一，建立交叉供电动态电压恢复系统容量配置优化数学模型；
步骤二，在建立的容量优化配置模型的基础上，利用遗传算法，求解出最优动态电压恢复系统的容量。
进一步，步骤一具体方法如下：
1.目标函数
在保证敏感负载电压在正常工作范围的前提下，使配电网中DVR总容量最小：
minf＝min[SDVR0+SDVR1+...+SDVRn]
式中，SDVR1为第i台DVR的在最大电压跌落时补偿的最大单机容量；
2.电压变量等式约束条件
在交叉供电大容量动态电压恢复系统模型中，存在以下电压等式约束：
Uj+UZj＝Up+UDVRj
式中：Up为母线j的上级母线电压；UDVRj为线路j上DVR的补偿电压；UZj为线路j上压降；
3.电压变量不等式约束条件
由于各负载电压敏感度不同，为保证各负载均能正常工作，其工作电压上下限构成负载电压变量的不等式约束条件，对于含有n个负载，m条母线的系统，有
ULimin≤ULi≤ULimax
式中：ULi为负载i电压，i＝1,2,…,n；ULimin为负载i工作电压下限；ULimax为负载i工作电压上限；为满足负载电压的不等式约束条件，配电网中母线电压应满足
Ujmin≤Uj≤Ujmax
式中：Uj为母线j的电压，j＝1,2,…,m；Ujmin为母线j的电压下限，取该母线上所有负载的工作电压下限最大值；Ujmax为母线j的电压上限，取该母线上所有负载的工作电压上限最小值。
进一步，步骤二具体方法如下：
(1)确定问题的参数集：包括交叉供电大容量动态电压恢复系统中的电压，电流，功率等；
(2)初始化群体P(t)：设置群体大小，个体长度，迭代次数等；
(3)评价群体：计算目标函数值，函数值向适应值映射，进行适应值调整；
(4)遗传操作：进行选择操作，设置交叉概率范围，设置变异概率范围；
(5)判断是否满足迭代次数及约束条件，是则结束，若不满足则继续生成新种群进行迭代。
与以往的技术相比，本发明内容具有如下有益效果：
遗传算法在选择操作时是基于概率进行的，概率选择增加了种群的多样性，但也可能导致适应度高的个体被淘汰。为了弥补概率选择法的不足，常引入精英策略来保存适应度较好的解。精英策略也即最优保存策略，是把当代种群中适应度最高的个体，也即当代最优解，直接保留到下一代种群的方法。通常做法是将经过选择操作之后得到的最优个体保留下来，再去替代经过交叉和变异操作得到的种群个体中适应度最低的个体。它的优点在于可以避免交叉和变异操作将原本得到的最优解破坏，从而保证采用精英策略的遗传算法准确收敛到最优解。
附图说明
为了更加清晰地描述本发明的具体实施例，下面将对本发明实施方案所需使用的附图作简单介绍。
图1为交叉供电大容量动态电压恢复系统示意图。
图2为基于遗传优化算法流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。
下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。
如图1所示的交叉供电大容量动态电压恢复系统示意图：P1、Q1为负载1实际有功、无功功率；P2、Q2为负载2实际有功、无功功率；U1为母线1电压；U2为母线2电压；US为额定电网电压；k为电压骤降/骤升百分比；UDVR1、UDVR2分别为DVR1和DVR2的补偿电压；R1、X1为线路1的等效阻抗；R2、X2为线路2的等效阻抗。
线路1电流为：
Figure BDA0002457442450000031
线路1功角为：
Figure BDA0002457442450000041
DVR1输出有功功率、无功无功率为：
Figure BDA0002457442450000042
Figure BDA0002457442450000043
线路1压降(忽略纵向分量，下同)为：
Figure BDA0002457442450000044
线路1有功、无功损耗为：
PZ1＝I1 2R1 (10)
QZ1＝I1 2X1 (11)
DVR2输出功率为
Figure BDA0002457442450000045
Figure BDA0002457442450000046
线路2压降为：
Figure BDA0002457442450000047
由式(5-3)(5-4)可得，DVR1补偿容量为
Figure BDA0002457442450000048
由式(5-8)(5-9)可得，DVR2补偿容量为
Figure BDA0002457442450000049
如图2所示的基于遗传算法的流程，其主要步骤包括：
(1)确定问题的参数集：包括交叉供电大容量动态电压恢复系统中的电压，电流，功率等；
(2)初始化群体P(t)：设置群体大小，个体长度，迭代次数等；
(3)评价群体：计算目标函数值，函数值向适应值映射，进行适应值调整；
(4)进行遗传操作：进行选择操作，设置交叉概率范围，设置变异概率范围；
(5)判断是否满足迭代次数及约束条件，是则结束，若不满足则种群继续进行迭代。
建立一个基于遗传算法的交叉供电大容量动态电压恢复系统容量优化数学模型：
1.目标函数
考虑到DVR储能元件、开关器件成本高且与容量正相关，为减少DVR配置成本，在保证敏感负载电压在正常工作范围的前提下，使配电网中DVR总容量最小：
minf＝min[SDVR0+SDVR1+...+SDVRn] (17)
式中，SDVR1为第i台DVR的在最大电压跌落时补偿的最大单机容量。
2.电压变量等式约束条件
负载通过配电线路联结在一起，根据基尔霍夫电压定律和电流定律，各回路电压、电流之间存在等式关系。其中，电流关系已体现在上节对系统分析中，电压关系则构成等式约束。考虑到同相位补偿下，DVR补偿电压与电网电压相位相同，忽略线路纵向压降，线路压降与负载电压相位也相同，因此电压矢量关系可表示为标量关系。在交叉供电大容量动态电压恢复系统模型中，存在以下电压等式约束：
Uj+UZj＝Up+UDVRj (18)
式中：Up为母线j的上级母线电压；UDVRj为线路j上DVR的补偿电压；UZj为线路j上压降。
3.电压变量不等式约束条件
由于各负载电压敏感度不同，为保证各负载均能正常工作，其工作电压上下限构成负载电压变量的不等式约束条件，对于含有n个负载，m条母线的系统，有
ULimin≤ULi≤ULimax (19)
式中：ULi为负载i电压，i＝1,2,…,n；ULimin为负载i工作电压下限；ULimax为负载i工作电压上限。为满足负载电压的不等式约束条件，配电网中母线电压应满足
Ujmin≤Uj≤Ujmax (20)
式中：Uj为母线j的电压，j＝1,2,…,m；Ujmin为母线j的电压下限，取该母线上所有负载的工作电压下限最大值；Ujmax为母线j的电压上限，取该母线上所有负载的工作电压上限最小值。
综上，遗传算法在选择操作时是基于概率进行的，概率选择增加了种群的多样性，但也可能导致适应度高的个体被淘汰。为了弥补概率选择法的不足，常引入精英策略来保存适应度较好的解。精英策略也即最优保存策略，是把当代种群中适应度最高的个体，也即当代最优解，直接保留到下一代种群的方法。通常做法是将经过选择操作之后得到的最优个体保留下来，再去替代经过交叉和变异操作得到的种群个体中适应度最低的个体。它的优点在于可以避免交叉和变异操作将原本得到的最优解破坏，从而保证采用精英策略的遗传算法准确收敛到最优解。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (3)

1.一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法，其特征在于：
步骤一，建立交叉供电动态电压恢复系统容量配置优化数学模型；
步骤二，在建立的容量优化配置模型的基础上，利用遗传算法，求解出最优动态电压恢复系统的容量。
2.根据权利要求1所述的一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法，其特征在于，步骤一具体方法如下：
1.目标函数
在保证敏感负载电压在正常工作范围的前提下，使配电网中DVR总容量最小：
minf＝min[SDVR0+SDVR1+...+SDVRn]
式中，SDVR1为第i台DVR的在最大电压跌落时补偿的最大单机容量；
2.电压变量等式约束条件
在交叉供电大容量动态电压恢复系统模型中，存在以下电压等式约束：
Uj+UZj＝Up+UDVRj
式中：Up为母线j的上级母线电压；UDVRj为线路j上DVR的补偿电压；UZj为线路j上压降；
3.电压变量不等式约束条件
由于各负载电压敏感度不同，为保证各负载均能正常工作，其工作电压上下限构成负载电压变量的不等式约束条件，对于含有n个负载，m条母线的系统，有
ULimin≤ULi≤ULimax
式中：ULi为负载i电压，i＝1,2,…,n；ULimin为负载i工作电压下限；ULimax为负载i工作电压上限；为满足负载电压的不等式约束条件，配电网中母线电压应满足
Ujmin≤Uj≤Ujmax
式中：Uj为母线j的电压，j＝1,2,…,m；Ujmin为母线j的电压下限，取该母线上所有负载的工作电压下限最大值；Ujmax为母线j的电压上限，取该母线上所有负载的工作电压上限最小值。
3.根据权利要求1所述的一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法，其特征在于，步骤二具体方法如下：
(1)确定问题的参数集：包括交叉供电大容量动态电压恢复系统中的电压，电流，功率等；
(2)初始化群体P(t)：设置群体大小，个体长度，迭代次数等；
(3)评价群体：计算目标函数值，函数值向适应值映射，进行适应值调整；
(4)遗传操作：进行选择操作，设置交叉概率范围，设置变异概率范围；
(5)判断是否满足迭代次数及约束条件，是则结束，若不满足则继续生成新种群进行迭代。
CN202010314682.9A 2020-04-20 2020-04-20 一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法 Pending CN111507863A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010314682.9A CN111507863A (zh) 2020-04-20 2020-04-20 一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010314682.9A CN111507863A (zh) 2020-04-20 2020-04-20 一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法

Publications (1)

Publication Number Publication Date
CN111507863A true CN111507863A (zh) 2020-08-07

Family

ID=71878867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010314682.9A Pending CN111507863A (zh) 2020-04-20 2020-04-20 一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法

Country Status (1)

Country Link
CN (1) CN111507863A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112003281A (zh) * 2020-08-26 2020-11-27 广东电网有限责任公司广州供电局 一种动态电压恢复器的优化配置方法、装置和设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130308570A1 (en) * 2012-05-17 2013-11-21 Beijing University Of Posts And Telecommunications Method for joint optimization of schedule and resource allocation based on the genetic algorithm
CN108122043A (zh) * 2016-11-29 2018-06-05 赵吉彬 一种新型定制电力设备的优化配置策略
CN109038568A (zh) * 2018-08-24 2018-12-18 国网四川省电力公司经济技术研究院 基于供需协调的电压暂降综合治理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130308570A1 (en) * 2012-05-17 2013-11-21 Beijing University Of Posts And Telecommunications Method for joint optimization of schedule and resource allocation based on the genetic algorithm
CN108122043A (zh) * 2016-11-29 2018-06-05 赵吉彬 一种新型定制电力设备的优化配置策略
CN109038568A (zh) * 2018-08-24 2018-12-18 国网四川省电力公司经济技术研究院 基于供需协调的电压暂降综合治理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
盛晓光 等: ""配电网中多台动态电压恢复器的优化配置研究"", 《电网技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112003281A (zh) * 2020-08-26 2020-11-27 广东电网有限责任公司广州供电局 一种动态电压恢复器的优化配置方法、装置和设备
CN112003281B (zh) * 2020-08-26 2022-04-01 广东电网有限责任公司广州供电局 一种动态电压恢复器的优化配置方法、装置和设备

Similar Documents

Publication Publication Date Title
Elmetwaly et al. An adaptive D-FACTS for power quality enhancement in an isolated microgrid
CN110676838B (zh) 柔性配电系统故障自适应鲁棒优化恢复方法
CN111614110B (zh) 一种基于改进多目标粒子群算法的受端电网储能优化配置方法
CN107947183B (zh) 基于微分进化的含三端snop的配电网自适应优化方法
CN116384559A (zh) 一种基于整数线性规划求解的混合储能容量配置策略的建模方法
CN111507863A (zh) 一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法
Raza et al. Robust nonlinear control of regenerative fuel cell, supercapacitor, battery and wind based direct current microgrid
Mahmoodianfard et al. Optimal capacitor placement for loss reduction
CN116760109A (zh) 一种分布式光伏电源并网的综合调控系统
CN105977992B (zh) 一种基于负载变化智能调节无功输出的配电系统
Ramesh et al. Microgrid design and control using a discrete proportional resonant controller
CN112087000B (zh) 一种光伏型柔性合环装置及运行控制方法
CN113013909A (zh) 一种基于平抑牵引的储能容量改进方法
Sharbaf et al. Placement and quantitating of FACTS devices in a power system including the wind unit to enhance system parameters
Chankaya et al. Generalized Normal Distribution Algorithm-Based Control of 3-Phase 4-Wire Grid-Tied PV-Hybrid Energy Storage System. Energies 2021, 14, 4355
Wang Construction of coordinated operation control system of distribution network based on electric energy router
CN113507106B (zh) 一种基于虚拟电容控制的直流微电网电压协同控制方法
Prasad et al. Optimal placement of shunt capacitor with VCPI to improve voltage profile using Mi power
Liu et al. Distributed Newton-Based Voltage Control Method for Distribution Networks with High PV Penetration
CN113746143B (zh) 一种配电网备用电源智能切换方法及系统
CN114204537B (zh) 一种低通信压力的微电网群系统功率均衡控制方法、设备
CN113452067B (zh) 一种电能质量调节装置及控制方法
CN114142496B (zh) 基于微电网的电力储能设备与方法
Chakraborty et al. Optimal placement of a PV-DSTATCOM in a radial distribution system
Kohila et al. Intelligent Controller Based Custom Power Device 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: 20200807