CN111525547A - 一种基于最优无功补偿的低电压智能治理方法 - Google Patents
一种基于最优无功补偿的低电压智能治理方法 Download PDFInfo
- Publication number
- CN111525547A CN111525547A CN202010214419.2A CN202010214419A CN111525547A CN 111525547 A CN111525547 A CN 111525547A CN 202010214419 A CN202010214419 A CN 202010214419A CN 111525547 A CN111525547 A CN 111525547A
- Authority
- CN
- China
- Prior art keywords
- particle
- reactive
- optimal
- max
- value
- 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
Images
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
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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)
Abstract
本发明涉及一种基于最优无功补偿的低电压智能治理方法,属于低电压治理技术领域。本发明首先通过计算线路功率潮流和传输损耗,选择无功优化指标,并采用动态PSO算法增强算法的全局寻优能力;其次在寻优至最优解后引入非平稳多阶段赋值惩罚函数对离散变量进行归整操作,即将一个有约束条件的最优潮流问题转为一个无约束求极值问题;最后,利用最优无功指标实现低电压治理的无功补偿配置。本发明方法结合动态PSO算法和非平稳多阶段赋值惩罚函数来进行潮流计算,快速精确分析低压配电网无功分布,综合优化目标,动态调整无功补偿方案,并计算和分析补偿结果,为低电压有效治理提供必要的无功优化依据。
Description
技术领域
本发明属于低电压治理技术领域,具体涉及一种基于最优无功补偿的低电压智能治理方法。
背景技术
随着工业的快速发展及家用电器的不断增加,居民用电量不断上升,一些偏远的配电网末端区域,低电压问题频繁出现,严重影响了人们的生活与生产。目前各种低电压治理方法中,利用无功补偿进行配电台区低电压治理是较合理和经济的方法。无功补偿指在电网中安装并联电容器或静止无功补偿器无功补偿设备后,提供感性负载所消耗的无功功率,减少电源端向感性负荷提供的无功功率,减少无功功率在电网线路中的流动,降低线路和变压器因输送无功功率造成的电能损耗和电压损耗,从而避免低电压问题。
为了全面系统解决低电压问题,需要对不同补偿点的无功补偿量进行全局考虑,整个系统的无功优化是典型的非线性优化问题,具有多约束、多变量、离散性特点,一般的优化方法求解时存在求解时间长、求解精度低、难以找到全局最优解问题。目前,以粒子群(PSO)算法为代表的群智能算法成为了求解无功优化这类复杂非线性优化问题的有效手段。然而,标准的粒子群优化算法一般不能兼顾计算速度和全局收敛能力,容易陷入到局部最优,这将导致在利用无功补偿治理台区低电压的时候出现补偿不及时、局部过补偿、全区无功不经济问题。
专利《一种基于前推回代算法的低电压台区智能治理方法》提出了一种基于前推回代算法的低电压治理方法,可对低电压台区无功分别进行一定的优化,但需要针对辐射型配电网进行潮流计算,在计算中还需要对节点支路进行编号,计算过程相对复杂,且计算结果达不到全局优化,具有一定的局限性和单一性。文献《自适应粒子群优化算法及其在无功优化中的应用》提出了一种基于粒子群智能算法的无功优化方法,可应用于低电压治理中的无功优化过程,但该方法不能兼顾计算速度和全局收敛能力,且没有具体的量化分析方法。因此,如何提供一种全局最优无功补偿的低电压治理方法,以及给出具体的量化分析方案是本发明亟需解决的问题。
发明内容
本发明的目的是为了解决现有技术的不足,提供一种基于最优无功补偿的低电压智能治理方法,该方法结合动态PSO算法和非平稳多阶段赋值惩罚函数来进行潮流计算,快速精确分析低压配电网无功分布,综合优化目标,动态调整无功补偿方案,并计算和分析补偿结果,为低电压有效治理提供必要的无功优化依据。
为实现上述目的,本发明采用的技术方案如下:
一种基于最优无功补偿的低电压智能治理方法,包括如下步骤:
步骤(1),确定无功优化指标:选择有功功率网络损耗和系统平均电压偏离标称值作为无功优化指标;
步骤(2),寻找最优无功指标:采用动态PSO算法寻找最优无功指标,设定算法原始参数,随机初始化微粒种群,用Ci=[Cc1,Cc2,...,CcD]T表示配电网中某位置的无功指标,式中D为维度搜索空间,Ci为第i个微粒位置值;
步骤(3),确定最佳功率流和传输网络损耗:针对动态PSO算法中的每一个微粒,运用有功-无功分解法计算最佳功率流和传输网络损耗,得到评估值Cbest;
步骤(4),利用群体中的非平稳多阶段惩罚函数对微粒动态寻优,将有约束条件的最优潮流问题转为一个无约束求极值问题:
惩罚函数为F(x,u)=f(x,u)+h(k)H(x,u),式中f(x,u)是经P-Q分解后的原始目标函数,式中h(k)是动态修改的值,且H(x,u)是惩罚因子,k是算法中当前迭代次数,x是状态变量集合,u控制变量集合,Ploss表示系统有功功率网络损耗,Vi、Vi.max、Vi.min分别为负荷节点电压、电压上限值、电压下限值,Qj、Qj.max、Qj.min分别为发电机节点的无功、无功上限值、无功下限值,NP为系统负荷节点总数,NG为发电机总数,λ1为负荷节点电压越界惩罚系数,λ2无为发电机节点无功越界惩罚系数;
θ[qi(x,u)]]=max{0,|gi(x,u)|}i=1,2,...,m;
γ[qi(x,u)]=max{0,hi(x,u)}i=1,2,...,n;
步骤(5),更新微粒速度:依据更新每个微粒的速度v,如果v>vmax,则v=vmax,如果v<-vmax,则v=-vmax,式中d为迭代次数,为d次迭代时的微粒的空间位置,为d次迭代时的微粒的速度,ω为惯性权重,c1、c2为加速度常数,r1、r2为[0,1]内变化的随机数值,为所寻找的最优解;
步骤(7),迭代确定最优微粒和全局极值:依据每个微粒的更新自身位置对其进行评估,评估方法为:记当前位置评估值为Abest,若Abest优于步骤(3)的Cbest,则将该Abest值替换为Cbest;若没有得到优于Cbest的Abest,则重新转到步骤(5);直到生成并输出最新全局极值Cbest,即为最后一次迭代微粒对应的无功指标Ci=[Cc1,Cc2,...,CcD]T,Ci为配电网中某位置的无功指标,式中D为维度搜索空间,Ci为第i个微粒位置值;
步骤(8),配置配电网中各点的无功补偿装置:根据位置和最优无功指标,配置配电网中各点的无功补偿装置。
进一步,优选的是,步骤(3),针对动态PSO算法中的每一个微粒,运用有功-无功分解法计算最佳功率流和传输网络损耗,得到评估值Cbest;其具体方法为:
Sl:输入原始数据,并对控制变量进行约束,满足F(x,u)=f(x,u)+h(k)H(x,u):原始电力系统参数包括负荷、变压器、发电机、线路和无功补偿装置;
S2:种群初始化:随机初始化微粒种群的位置xi及其速度vi;
S3:计算微粒适应度值并排序:用P-Q分解法对每个微粒进行潮流计算,结合P-Q分解模型计算各微粒的适应度值后进行排序,适应度值最小的排在第一位,以此类推;
S4:计算各微粒更新后的速度、位置:从第一次迭代开始,依据更新公式更新微粒自身速度,依据公式更新微粒自身位置,式中d为迭代次数,为d次迭代时的微粒的空间位置,为d次迭代时的微粒的速度,ω为惯性权重,c1、c2为加速度常数,r1、r2为[0,1]内变化的随机数值,为所寻找的最优解;
S5:评估各分区微粒并更新极值:运用分解模型计算分区中微粒的适应度值,如果则否则保持不变,其中为分区中的任意微粒,为所有微粒。若全部微粒中个体极值最好的微粒对应适应度函数则否则保持不变;式中为个体极值最好的微粒,为个体极值中所有的微粒;
S6:逻辑判断:若k<30,则返回S4;否则,进入S7。
S7:当逻辑环节判定k=30时,各分区各自独立计算微粒种群的适应度值并由大范围到小范围区域进行排序;
S8:按照S4方法更新微粒的自身速度及位置;
S9:按照S5方法评估各分区微粒并更新极值;
S10:进行逻辑判断:若k<100,则返回S8;否则终结算法流程并由有功-无功分解法直接出计算最佳功率流和传输网络损耗,成并输出最新全局极值得到评估值Cbest,且Cbest由最后一次迭代微粒对应的无功指标Ci=[Cc1,Cc2,...,CcD]T确定。
进一步,优选的是,步骤(4)中,如果qi(x,u)≤1,则γ(qi(x,u))=1,否则γ(qi(x,u))=2;当qi(x,u)≤0.001,则θ(qi(x,u))=10,当qi(x,u)≤0.1,则θ(qi(x,u))=20,当qi(x,u)≤1,则θ(qi(x,u))=100,否则θ(qi(x,u))=300。
进一步,优选的是,步骤(5)中,为防止粒子的盲目搜索,将其速度限制在区间[-vmax,vmax],其中“-”表示反方向搜索。
进一步,优选的是,步骤(6)中,如果一个微粒在任何维度上超出了其位置上的搜索空间,则将其位置限制在区间[-xmax,xmax],其中“-”表示反方向搜索。
本发明中由惯性权重值ω确定微粒分区,当ω较小时,微粒主要分布在的附近搜索区域,当ω较大时,微粒可以分布在全局搜索区域。对于此,本发明不做特殊限制。
确定无功优化指标、寻找最优无功指标、确定最佳功率流和传输网络损耗、利用群体中的非平稳多阶段惩罚函数对微粒动态寻优,将有约束条件的最优潮流问题转为一个无约束求极值问题、更新微粒速度、更新微粒位置、迭代确定最优微粒和全局极值、配置配电网中各点的无功补偿装置。
本发明首先通过计算线路功率潮流和传输损耗,选择无功优化指标,并采用动态PSO算法增强算法的全局寻优能力;其次在寻优至最优解后引入非平稳多阶段赋值惩罚函数对离散变量进行归整操作,即将一个有约束条件的最优潮流问题转为一个无约束求极值问题;最后,利用最优无功指标实现低电压治理的无功补偿配置。
本发明中k为算法中当前的迭代次数,d为算法总的迭代次数,二者关系为k∈d。
本发明与现有技术相比,其有益效果为:
1).结合动态PSO算法完成最优潮流的计算具有寻优效率高、范围广优点。另外由于电网规模庞大,采用动态PSO算法对潮流计算进行优化,在得到最优解的同时还提高了计算速度和减少寻优时间;
2).一般的优化方法求解时存在求解时间长、求解精度低、难以找到全局最优解问题。本发明结合动态PSO算法和非平稳多阶段赋值惩罚函数对潮流计算进行全局寻优,打破了常规方法带来的局限性和单一性,克服单一模式控制带来的局部调控问题;
3).标准的粒子群优化算法一般不能兼顾计算速度和全局收敛能力,容易陷入到局部最优。本发明综合考虑多种随机性因素影响,对电力系统潮流进行优化计算,解决了利用无功补偿治理台区低电压的时候出现补偿不及时、局部过补偿、全区无功不经济问题,以此为低电压治理提供一种智能治理方法。
附图说明
图1为用于确定最佳功率流和传输网络损耗流程图;
图2为基于最优无功补偿的低电压智能治理方法步骤。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者,均为可以通过购买获得的常规产品。
一种基于最优无功补偿的低电压智能治理方法,包括如下步骤:
(1)确定无功优化指标
综合考虑系统运行的经济性与安全性,选择有功功率网络损耗和系统平均电压偏离标称值作为无功优化指标,记Cib=[Ccb1,Ccb2,...,CcbD]T为优化前各位置的无功指标。式中,D为维度搜索空间,Ci为第i个微粒位置值。
(2)寻找最优无功指标
在PC机上用MATLAB 2018b版本编译和实现动态PSO算法,原始参数设置如下:速度的惯性权重ωstart=0.9,ωend=0.4,粒子数目N=40,最大迭代次数Tmax=100,在一个D维的搜索空间中由40个粒子组成种群x=(x1,x2,...,x40),通过确定第i个微粒速度vi=[vi1,vi2,...,viD]T和当前位置评估值Abest的适应度函数Ai=[Ai1,Ai2,...,AiD]T得到种群的各位置的无功指标为Cib=[Ccb1,Ccb2,...,CcbD]T。
(3)确定最佳功率流和传输网络损耗
针对动态PSO算法中的每一个微粒,通过运用P-Q分解法来进行潮流计算和传输损耗,得到评估值Cbest,采用的P-Q分解模型为
h(k)是动态修改的值,且H(x,u)是惩罚因子,k是算法中当前迭代次数,x是状态变量集合,u控制变量集合,Ploss表示系统有功功率网络损耗,Vi、Vi.max、Vi.min分别为负荷节点电压、电压上限值、电压下限值,Qj、Qj.max、Qj.min分别为发电机节点的无功、无功上限值、无功下限值,NP为系统负荷节点总数,NG为发电机总数,λ1为负荷节点电压越界惩罚系数,λ2无为发电机节点无功越界惩罚系数;
计算详细步骤如下:
Sl:输入原始数据,并对控制变量进行约束,满足F(x,u)=f(x,u)+h(k)H(x,u):原始电力系统参数包括负荷、变压器、发电机、线路和无功补偿装置;
S2:种群初始化:随机初始化微粒种群的位置xi及其速度vi;
S3:计算微粒适应度值并排序:用P-Q分解法对每个微粒进行潮流计算,结合P-Q分解模型计算各微粒的适应度值后进行排序,适应度值最小的排在第一位,以此类推;
S4:计算各微粒更新后的速度、位置:从第一次迭代开始,依据更新公式更新微粒自身速度,依据公式更新微粒自身位置,式中d为迭代次数,为d次迭代时的微粒的空间位置,为d次迭代时的微粒的速度,ω为惯性权重,c1、c2为加速度常数,r1、r2为[0,1]内变化的随机数值,为所寻找的最优解;
S5:评估各分区微粒并更新极值:运用分解模型计算分区中微粒的适应度值,如果则否则保持不变,其中为分区中的任意微粒,为所有微粒。若全部微粒中个体极值最好的微粒对应适应度函数则否则保持不变。式中为个体极值最好的微粒,为个体极值中所有的微粒;
S6:逻辑判断:若k<30,则返回S4;否则,进入S7。
S7:当逻辑环节判定k=30时,由惯性权重值ω确定微粒分区,当ω较小时,微粒主要分布在的附近搜索区域,当ω较大时,微粒可以分布在全局搜索区域。各分区各自独立计算微粒种群的适应度值并由大范围到小范围区域进行排序;
S8:按照S4方法更新微粒的自身速度及位置;
S9:按照S5方法评估各分区微粒并更新极值;
S10:进行逻辑判断:若k<100,则返回S8;否则终结算法流程并由有功-无功分解法直接出计算最佳功率流和传输网络损耗,成并输出最新全局极值得到评估值Cbest,且Cbest由最后一次迭代微粒对应的无功指标Ci=[Cc1,Cc2,...,CcD]T确定。
(4)利用群体中的非平稳多阶段惩罚函数对微粒动态寻优,将算法转为无约束条件求解
利用群体中非平稳多阶段惩罚函数对微粒动态寻优,依据目标函数的等式约束条件g(x,u)=0和不等式约束条件h(x,u)≤0对动态惩罚值进行修改,将越界不等式约束以惩罚项的形式附加在原来的目标函数f(x,u)上,从而构成新的惩罚函数,其定义为F(x,u)=f(x,u)+h(k)H(x,u),其中其值会随迭代次数改变,H(x,u)是惩罚因子,计算公式为:qi(x,u)=max{0,|gi(x,u)|}i=1,2,...,m,qi(x,u)=max{0,hi(x,u)}i=1,2,...,n。在计算中,如果qi(x,u)≤1,则γ(qi(x,u))=1,否则γ(qi(x,u))=2。此外,当qi(x,u)≤0.001,则θ(qi(x,u))=10,当qi(x,u)≤0.1,则θ(qi(x,u))=20,当qi(x,u)≤1,则θ(qi(x,u))=100,否则θ(qi(x,u))=300。
(5)更新微粒速度
(6)更新微粒位置
(7)迭代确定最优微粒和全局极值
依据每个微粒的更新自身位置对其进行评估,若当前位置评估值Abest优于采用P-Q分解法来进行潮流计算和传输损耗得到评估值Cbest,则需要将旧的Abest值替换为新的Cbest;若当前位置评估值Abest没有优于采用P-Q分解法来进行潮流计算和传输损耗得到评估值Cbest,需要继续更新微粒速度和自身位置,具体操作为:依据更新每个微粒的速度vi,如果vi>vmax,则vi=vmax,如果vi<-vmax,则vi=-vmax,为防止粒子的盲目搜索,将其速度限制在区间[-vmax,vmax]。依据更新每个微粒的自身位置,如果一个微粒在任何维度上超出了其位置上的搜索空间,则将其位置限制在区间[-xmax,xmax],其中的“-”表示反方向搜索;直到生成并输出最新全局评估值Cbest,就可确定为最后一次迭代微粒对应的无功指标Ci=[Cc1,Cc2,...,CcD]T。
(8)配置配电网中各点的无功补偿装置
依据最优无功指标Cib=[Ccb1,Ccb2,...,CcbD]T,经P-Q分解模型确定最佳功率流和传输网络损耗的目标函数f(x,u),利用群体中的非平稳多阶段惩罚函数F(x,u)=f(x,u)+h(k)H(x,u)对微粒动态寻优,将有约束条件的最优潮流问题转为无约束求极值问题。其中为P-Q分解模型,f(x,u)是经P-Q分解后的原始目标函数,h(k)是动态修改的值,且H(x,u)是惩罚因子,k是算法中当前迭代次数,x是状态变量集合,u控制变量集合计算补偿容量。通过更新微粒速度和微粒位置改造现有补偿点,或增加新的补偿点,确定最优微粒和全局极值,配置完成配电网中各点的无功补偿装置。
本方法优异性体现在采用动态PSO算法对潮流计算进行优化,在得到最优解的同时还提高了计算速度和减少寻优时间;结合动态PSO算法和非平稳多阶段赋值惩罚函数对潮流计算进行全局寻优,打破了常规方法带来的局限性和单一性,克服单一模式控制带来的局部调控问题;综合考虑多种随机性因素影响,对电力系统潮流进行优化计算,解决了利用无功补偿治理台区低电压的时候出现补偿不及时、局部过补偿、全区无功不经济问题。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于最优无功补偿的低电压智能治理方法,其特征在于,包括如下步骤:
步骤(1),确定无功优化指标:选择有功功率网络损耗和系统平均电压偏离标称值作为无功优化指标;
步骤(2),寻找最优无功指标:采用动态PSO算法寻找最优无功指标,设定算法原始参数,随机初始化微粒种群,用Ci=[Cc1,Cc2,...,CcD]T表示配电网中某位置的无功指标,式中D为维度搜索空间,Ci为第i个微粒位置值;
步骤(3),确定最佳功率流和传输网络损耗:针对动态PSO算法中的每一个微粒,运用有功-无功分解法计算最佳功率流和传输网络损耗,得到评估值Cbest;
步骤(4),利用群体中的非平稳多阶段惩罚函数对微粒动态寻优,将有约束条件的最优潮流问题转为一个无约束求极值问题:
惩罚函数为F(x,u)=f(x,u)+h(k)H(x,u),式中f(x,u)是经P-Q分解后的原始目标函数,h(k)是动态修改的值,且H(x,u)是惩罚因子,k是算法中当前迭代次数,x是状态变量集合,u控制变量集合,Ploss表示系统有功功率网络损耗,Vi、Vi.max、Vi.min分别为负荷节点电压、电压上限值、电压下限值,Qj、Qj.max、Qj.min分别为发电机节点的无功、无功上限值、无功下限值,NP为系统负荷节点总数,NG为发电机总数,λ1为负荷节点电压越界惩罚系数,λ2无为发电机节点无功越界惩罚系数;
θ[qi(x,u)]=max{0,|gi(x,u)|} i=1,2,...,m;
γ[qi(x,u)]=max{0,hi(x,u)} i=1,2,...,n;
步骤(5),更新微粒速度:依据更新每个微粒的速度v,如果v>vmax,则v=vmax,如果v<-vmax,则v=-vmax,式中d为迭代次数,为d次迭代时的微粒的空间位置,为d次迭代时的微粒的速度,ω为惯性权重,c1、c2为加速度常数,r1、r2为[0,1]内变化的随机数值,为所寻找的最优解;
步骤(7),迭代确定最优微粒和全局极值:依据每个微粒的更新自身位置对其进行评估,评估方法为:记当前位置评估值为Abest,若Abest优于步骤(3)的Cbest,则将该Abest值替换为Cbest;若没有得到优于Cbest的Abest,则重新转到步骤(5);直到生成并输出最新全局极值Cbest,即为最后一次迭代微粒对应的无功指标Ci=[Cc1,Cc2,...,CcD]T,Ci为配电网中某位置的无功指标,式中D为维度搜索空间,Ci为第i个微粒位置值;
步骤(8),配置配电网中各点的无功补偿装置:根据位置和最优无功指标,配置配电网中各点的无功补偿装置。
2.根据权利要求1所述的基于最优无功补偿的低电压智能治理方法,其特征在于,步骤(3),针对动态PSO算法中的每一个微粒,运用有功-无功分解法计算最佳功率流和传输网络损耗,得到评估值Cbest;其具体方法为:
Sl:输入原始数据,并对控制变量进行约束,满足F(x,u)=f(x,u)+h(k)H(x,u):原始电力系统参数包括负荷、变压器、发电机、线路和无功补偿装置;
S2:种群初始化:随机初始化微粒种群的位置xi及其速度vi;
S3:计算微粒适应度值并排序:用P-Q分解法对每个微粒进行潮流计算,结合P-Q分解模型计算各微粒的适应度值后进行排序,适应度值最小的排在第一位,以此类推;
S4:计算各微粒更新后的速度、位置:从第一次迭代开始,依据更新公式更新微粒自身速度,依据公式更新微粒自身位置,式中d为迭代次数,为d次迭代时的微粒的空间位置,为d次迭代时的微粒的速度,ω为惯性权重,c1、c2为加速度常数,r1、r2为[0,1]内变化的随机数值,为所寻找的最优解;
S5:评估各分区微粒并更新极值:运用分解模型计算分区中微粒的适应度值,如果则否则保持不变,其中为分区中的任意微粒,为所有微粒。若全部微粒中个体极值最好的微粒对应适应度函数则否则保持不变;式中为个体极值最好的微粒,为个体极值中所有的微粒;
S6:逻辑判断:若k<30,则返回S4;否则,进入S7。
S7:当逻辑环节判定k=30时,各分区各自独立计算微粒种群的适应度值并由大范围到小范围区域进行排序;
S8:按照S4方法更新微粒的自身速度及位置;
S9:按照S5方法评估各分区微粒并更新极值;
3.根据权利要求1所述的基于最优无功补偿的低电压智能治理方法,其特征在于,步骤(4)中,如果qi(x,u)≤1,则γ(qi(x,u))=1,否则γ(qi(x,u))=2;当qi(x,u)≤0.001,则θ(qi(x,u))=10,当qi(x,u)≤0.1,则θ(qi(x,u))=20,当qi(x,u)≤1,则θ(qi(x,u))=100,否则θ(qi(x,u))=300。
4.根据权利要求1所述的基于最优无功补偿的低电压智能治理方法,其特征在于,步骤(5)中,为防止粒子的盲目搜索,将其速度限制在区间[-vmax,vmax],其中“-”表示反方向搜索。
5.根据权利要求1所述的基于最优无功补偿的低电压智能治理方法,其特征在于,步骤(6)中,如果一个微粒在任何维度上超出了其位置上的搜索空间,则将其位置限制在区间[-xmax,xmax],其中“-”表示反方向搜索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010214419.2A CN111525547B (zh) | 2020-03-24 | 2020-03-24 | 一种基于最优无功补偿的低电压智能治理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010214419.2A CN111525547B (zh) | 2020-03-24 | 2020-03-24 | 一种基于最优无功补偿的低电压智能治理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111525547A true CN111525547A (zh) | 2020-08-11 |
CN111525547B CN111525547B (zh) | 2023-06-16 |
Family
ID=71901045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010214419.2A Active CN111525547B (zh) | 2020-03-24 | 2020-03-24 | 一种基于最优无功补偿的低电压智能治理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111525547B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113994829A (zh) * | 2021-11-19 | 2022-02-01 | 国网甘肃省电力公司电力科学研究院 | 一种考虑可时移与成本因素的led补光灯运行调控方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106712051A (zh) * | 2017-01-17 | 2017-05-24 | 广东技术师范学院 | 低压配电台区分散无功补偿与扩大线径协调优化计算方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108199383A (zh) * | 2018-02-06 | 2018-06-22 | 北京天润新能投资有限公司 | 一种自动电压控制系统与动态无功补偿系统的联调控制方法及系统 |
US20180309294A1 (en) * | 2016-12-07 | 2018-10-25 | Northeastern University | Reactive power optimization system and method of power grid based on the double-fish-swarm algorithm |
CN109256768A (zh) * | 2018-09-26 | 2019-01-22 | 云南电网有限责任公司电力科学研究院 | 一种基于半定规划的配电网最优潮流算法 |
CN110880760A (zh) * | 2019-11-29 | 2020-03-13 | 国网辽宁省电力有限公司葫芦岛供电公司 | 一种低压配电网线损与无功补偿协同优化方法 |
-
2020
- 2020-03-24 CN CN202010214419.2A patent/CN111525547B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
US20180309294A1 (en) * | 2016-12-07 | 2018-10-25 | Northeastern University | Reactive power optimization system and method of power grid based on the double-fish-swarm algorithm |
CN106712051A (zh) * | 2017-01-17 | 2017-05-24 | 广东技术师范学院 | 低压配电台区分散无功补偿与扩大线径协调优化计算方法 |
CN108199383A (zh) * | 2018-02-06 | 2018-06-22 | 北京天润新能投资有限公司 | 一种自动电压控制系统与动态无功补偿系统的联调控制方法及系统 |
CN109256768A (zh) * | 2018-09-26 | 2019-01-22 | 云南电网有限责任公司电力科学研究院 | 一种基于半定规划的配电网最优潮流算法 |
CN110880760A (zh) * | 2019-11-29 | 2020-03-13 | 国网辽宁省电力有限公司葫芦岛供电公司 | 一种低压配电网线损与无功补偿协同优化方法 |
Non-Patent Citations (3)
Title |
---|
张志强等: "电力系统无功补偿点的确定及其容量优化", 《电力系统及其自动化学报》 * |
曹松伟等: "考虑季节性负荷变化的配电网无功优化研究", 《电气应用》 * |
李成博等: "基于ATP的静止无功补偿器电磁暂态仿真模型建模", 《电力电容器与无功补偿》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113994829A (zh) * | 2021-11-19 | 2022-02-01 | 国网甘肃省电力公司电力科学研究院 | 一种考虑可时移与成本因素的led补光灯运行调控方法 |
CN113994829B (zh) * | 2021-11-19 | 2022-09-20 | 国网甘肃省电力公司电力科学研究院 | 一种考虑可时移与成本因素的led补光灯运行调控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111525547B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Distributed model predictive control for on-connected microgrid power management | |
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 | |
Das et al. | A computationally efficient optimization approach for battery systems in islanded microgrid | |
Zhu et al. | Control-limited adaptive dynamic programming for multi-battery energy storage systems | |
Lal et al. | Grey wolf optimizer algorithm based fuzzy PID controller for AGC of multi-area power system with TCPS | |
Sayed et al. | Gain tuning PI controllers for boiler turbine unit using a new hybrid jump PSO | |
CN114362267B (zh) | 考虑多目标优化的交直流混合配电网分散式协调优化方法 | |
CN110011358B (zh) | 一种配电网负荷状态调节控制器 | |
CN111258211A (zh) | 一种基于模糊神经元pid的微电网频率控制系统及方法 | |
CN103259258A (zh) | 微电网及其控制方法和装置 | |
CN116914751A (zh) | 一种智能配电控制系统 | |
CN111478344B (zh) | 一种能源微网负荷频率控制方法、系统及相关产品 | |
Yin et al. | Expandable deep width learning for voltage control of three-state energy model based smart grids containing flexible energy sources | |
Wang et al. | A multicriteria evaluation and cascaded optimization framework for integrated energy system of steel industry | |
CN111525547A (zh) | 一种基于最优无功补偿的低电压智能治理方法 | |
Mu et al. | Adaptive composite frequency control of power systems using reinforcement learning | |
Keshta et al. | Adaptive control strategy for improved dynamic performance of two islanded inter-connected micro-grids | |
Karthikeyan et al. | Smart Emergency Charging of Electric Vehicle with Solar PV-based Backstepping Model-Free and critic RL Control Structure | |
CN114400675B (zh) | 基于权重均值深度双q网络的主动配电网电压控制方法 | |
Ramya et al. | Optimization of synchronous generator excitation controller parameters | |
CN114301062A (zh) | 一种分布式能源优化治理装置 | |
Khooban et al. | Modeling and HiL real-time simulation for the secondary LFC in time-delay shipboard microgrids | |
Mohammadzadeh et al. | Application of mixture of experts in machine learning-based controlling of DC-DC power electronics converter | |
Heidary et al. | Load frequency control in a microgrid using double forward-feedback path fractional order fuzzy controller | |
Rani et al. | Combined economic emission dispatch problem using chaotic self adaptive PSO |
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 |