CN111682557B - 电力系统无功设备配置地点和最佳补偿容量的优化方法 - Google Patents

电力系统无功设备配置地点和最佳补偿容量的优化方法 Download PDF

Info

Publication number
CN111682557B
CN111682557B CN202010561050.2A CN202010561050A CN111682557B CN 111682557 B CN111682557 B CN 111682557B CN 202010561050 A CN202010561050 A CN 202010561050A CN 111682557 B CN111682557 B CN 111682557B
Authority
CN
China
Prior art keywords
reactive
power system
node
optimal
particle
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.)
Active
Application number
CN202010561050.2A
Other languages
English (en)
Other versions
CN111682557A (zh
Inventor
钟俊
焦兴伟
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202010561050.2A priority Critical patent/CN111682557B/zh
Publication of CN111682557A publication Critical patent/CN111682557A/zh
Application granted granted Critical
Publication of CN111682557B publication Critical patent/CN111682557B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • H02J3/1821—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators
    • H02J3/1871—Methods for planning installation of shunt reactive power compensators
    • 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
    • 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
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Game Theory and Decision Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)

Abstract

本发明公开电力系统无功设备配置地点和最佳补偿容量的优化方法，包括步骤：设定电力系统参数；根据局部电压稳定L指标获得电力系统负荷节点的电压稳定性排序，对于稳定性差的节点作为无功补偿节点；参数初始化；计算粒子适应度值；更新粒子群；根据已更新的粒子群，通过遗传算子操作获得粒子个体最优值和当前种群的全局最优值作为无功设备的最佳补偿容量；判断计算结果是否达到收敛精度或最大迭代次数，若达到则输出当前所计算的无功设备的最佳补偿容量作为安装容量，若不达到则更新粒子返回再次计算粒子适应度值，再次计算适应度值，更新粒子群。本发明能够快速且有效的获得电力系统无功设备的配置地点和最佳补偿容量。

Description

电力系统无功设备配置地点和最佳补偿容量的优化方法
技术领域
本发明属于电力系统技术领域，特别是涉及电力系统无功设备配置地点和最佳补偿容量的优化方法。
背景技术
随着电力系统规模不断增加，不能因系统中某区域无功不足对该区域每个负荷节点都配置无功补偿装置，这虽然很大程度上保证了系统电压稳定性，但是其成本投入太大，控制方式冗余复杂，没有实际工程应用价值。确定无功补偿设备的最佳补偿点是电力系统无功规划研究的关键问题。同时，无功补偿装置的容量配置也是非线性规划所要探讨的问题。
传统的基于标准粒子群算法计算最佳补偿容量时需要设定局部学习因子和全局学习因子等参数，对于寻找优化模型的最佳参数有一定不利影响，同时粒子位置更新缺乏随机性，容易出现局部最优问题。
发明内容
为了解决上述问题，本发明提出了电力系统无功设备配置地点和最佳补偿容量的优化方法，能够快速且有效的获得电力系统无功设备的配置地点和最佳补偿容量。
为达到上述目的，本发明采用的技术方案是：电力系统无功设备配置地点和最佳补偿容量的优化方法，包括步骤：
S10,设定电力系统参数；
S20,计算负荷节点的局部电压稳定L指标，根据局部电压稳定L指标获得电力系统负荷节点的电压稳定性排序，对于稳定性差的节点作为无功补偿节点，获得无功设备的配置地点；
S30,遗传量子粒子群算法参数初始化；
S40,根据电力系统参数和无功补偿节点，计算粒子适应度值；
S50,更新粒子群；
S60,根据已更新的粒子群，通过遗传算子操作获得粒子个体最优值和当前种群的全局最优值作为无功设备的最佳补偿容量；
S70,判断计算结果是否达到收敛精度或最大迭代次数，若达到则输出当前所计算的无功设备的最佳补偿容量作为安装容量，若不达到则更新粒子返回步骤S50再次计算粒子适应度值，再次计算适应度值，更新粒子群。
进一步的是，所述电力系统参数包括：将电力系统有功网损最小作为优化目标；将发电机机端电压幅值、无功补偿点的无功配置容量和可调变压器分接头位置作为控制变量；将负荷节点电压、发电机出力和支路传输功率作为状态变量。
进一步的是，所述遗传量子粒子群算法参数初始化包括：随机初始化种群；设置种群规模、最大迭代次数，根据所述控制变量确定空间维度及其上下限。
进一步的是，所述计算粒子适应度值包括：根据适应度函数计算粒子个体的适应度值，记录粒子个体最优值和全局最优值。
进一步的是，所述更新粒群包括：重新计算粒子个体在此次迭代的适应度值，并更新粒子个体最优值和当前种群全局最优值。
进一步的是，所述遗传算子操作包括将量子粒子群算法已更新的种群粒子作为遗传算法中浮点数编码的染色体，通过交叉算子操作使得粒子间进行信息交互，使粒子个体具备充分的位置更新机会。进一步对染色体进行变异算子操作，提升算法局部搜索能力，加速算法收敛到全局最优解。
进一步的是，在电力系统稳态运行条件下，通过配置无功补偿装置能够有效地降低网损，提高系统运行的经济性；确定优化目标函数表示为：
Figure BDA0002546071060000021
式中，N表示电力系统节点总数；δij＝δi-δj表示节点i和节点j电压向量相角差；Gij为网络导纳矩阵节点i和节点j两节点间的电导，Ui为节点i的电压，Uj′为节点j的电压；Ploss为电力系统有功网损；
所述优化目标函数的约束条件包括控制变量约束条件和状态变量约束条件：
所述控制变量约束条件为：
Figure BDA0002546071060000022
式中，QCi.max和QCi.min表示补偿点i处无功补偿容量上下限；UGj.max和UGj.min表示发电机j处机端电压上下限；Ttk.max和Ttk.min表示可调变压器k分接头档位上下限；NC、NG和Nt表示对应最大的无功补偿装置编号、发电机编号和变压器编号；
所述状态变量约束条件：
Figure BDA0002546071060000031
式中，QGi.max和QGi.min表示发电机i无功出力的上限和下限；ULi.max和ULi.min表示负荷节点j电压幅值上限和下限；qBk.max和qBk.min表示支路k的无功潮流上限和下限；NG、NL和NB表示对应最大的发电机编号、负荷节点编号和支路编号。
进一步的是，所述更新粒子个体最优值和当前种群的全局最优值的计算公式为：
Figure BDA0002546071060000032
式中，pij(k)表示粒子个体i在第k次迭代中第j维吸引子，其值是从个体历史最优值和全局最优值之间随机数值，表示为
Figure BDA0002546071060000033
Figure BDA0002546071060000034
表示第k次迭代中全局最优值，c1和c2表示[0,1]之间的随机数；±是由随机数决定的，若随机数大于0.5取“+”，否则取“-”；β表示为扩张-收缩因子，控制粒子的收敛速度，一般控制在[0.3,0.8]会取得较好的收敛效果。
进一步的是，所述负荷节点的局部电压稳定L指标的获取计算公式为：
Figure BDA0002546071060000041
式中，αG表示PV节点集合；αL表示PQ节点集合；Hjk为负荷参与因子矩阵的第j行第k列元素；
Figure BDA0002546071060000043
表示节点电压相量；Zji表示负荷节点j、i之间的互阻抗；
Figure BDA0002546071060000042
为节点i的系统负荷功率；上角标*为共轭符号。
采用本技术方案的有益效果：
本发明将电压稳定性较低的负荷节点作为无功补偿装置安装地点，系统有功网损最小作为优化目标；将发电机机端电压、补偿点的无功补偿容量和可调变压器分接头位置作为控制变量；将负荷节点电压、发电机出力和支路传输功率作为状态变量；在满足相关约束条件下利用遗传量子粒子群混合优化算法不断进行潮流迭代运算，最终达到系统有功网损最小的经济目标；从而快速且有效的获得电力系统无功设备的配置地点和最佳补偿容量。
本发明在最佳补偿容量计算过程中结合了遗传算法与量子粒子群算法各自的优势，能够避免算法早熟收敛陷入局部最优，在全局搜索能力和收敛速度方面具有较大的提升。
附图说明
图1为本发明的电力系统无功设备配置地点和最佳补偿容量的优化方法的步骤示意图；
图2为本发明实施例中电力系统无功设备配置地点和最佳补偿容量的优化方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1和图2所示，本发明提出了电力系统无功设备配置地点和最佳补偿容量的优化方法，包括步骤：
S10,设定电力系统参数；
S20,计算负荷节点的局部电压稳定L指标，根据局部电压稳定L指标获得电力系统负荷节点的电压稳定性排序，对于稳定性差的节点作为无功补偿节点，获得无功设备的配置地点；
S30,遗传量子粒子群算法参数初始化；
S40,根据电力系统参数和无功补偿节点，计算粒子适应度值；
S50,更新粒子群；
S60,根据已更新的粒子群，通过遗传算子操作获得粒子个体最优值和当前种群的全局最优值作为无功设备的最佳补偿容量；
S70,判断计算结果是否达到收敛精度或最大迭代次数，若达到则输出当前所计算的无功设备的最佳补偿容量作为安装容量，若不达到则更新粒子返回步骤S50再次计算粒子适应度值，再次计算适应度值，更新粒子群。
作为上述实施例的优化方案，所述电力系统参数包括：将电力系统有功网损最小作为优化目标；将发电机机端电压幅值、无功补偿点的无功配置容量和可调变压器分接头位置作为控制变量；将负荷节点电压、发电机出力和支路传输功率作为状态变量。
作为上述实施例的优化方案，所述遗传量子粒子群算法参数初始化包括：随机初始化种群；设置种群规模、最大迭代次数，根据所述控制变量确定空间维度及其上下限。
所述计算粒子适应度值包括：根据适应度函数计算粒子个体的适应度值，记录粒子个体最优值和全局最优值。
所述更新粒群包括：重新计算粒子个体在此次迭代的适应度值，并更新粒子个体最优值和当前种群全局最优值。
所述遗传算子操作包括将量子粒子群算法已更新的种群粒子作为遗传算法中浮点数编码的染色体，通过交叉算子操作使得粒子间进行信息交互，使粒子个体具备充分的位置更新机会。进一步对染色体进行变异算子操作，提升算法局部搜索能力，加速算法收敛到全局最优解。
作为上述实施例的优化方案，在电力系统稳态运行条件下，通过配置无功补偿装置能够有效地降低网损，提高系统运行的经济性；确定优化目标函数表示为：
Figure BDA0002546071060000061
式中，N表示电力系统节点总数；δij＝δi-δj表示节点i和节点j电压向量相角差；Gij为网络导纳矩阵节点i和节点j两节点间的电导，Ui为节点i的电压，Uj′为节点j的电压；Ploss为电力系统有功网损；
所述优化目标函数的约束条件包括控制变量约束条件和状态变量约束条件：
所述控制变量约束条件为：
Figure BDA0002546071060000062
式中，QCi.max和QCi.min表示补偿点i处无功补偿容量上下限；UGj.max和UGj.min表示发电机j处机端电压上下限；Ttk.max和Ttk.min表示可调变压器k分接头档位上下限；NC、NG和Nt表示对应最大的无功补偿装置编号、发电机编号和变压器编号；
所述状态变量约束条件：
Figure BDA0002546071060000063
式中，QGi.max和QGi.min表示发电机i无功出力的上限和下限；ULi.max和ULi.min表示负荷节点j电压幅值上限和下限；qBk.max和qBk.min表示支路k的无功潮流上限和下限；NG、NL和NB表示对应最大的发电机编号、负荷节点编号和支路编号。
作为上述实施例的优化方案，所述更新粒子个体最优值和当前种群的全局最优值的计算公式为：
Figure BDA0002546071060000064
式中，pij(k)表示粒子个体i在第k次迭代中第j维吸引子，其值是从个体历史最优值和全局最优值之间随机数值，表示为
Figure BDA0002546071060000071
Figure BDA0002546071060000072
表示第k次迭代中全局最优值，c1和c2表示[0,1]之间的随机数；±是由随机数决定的，若随机数大于0.5取“+”，否则取“-”；β表示为扩张-收缩因子，控制粒子的收敛速度，一般控制在[0.3,0.8]会取得较好的收敛效果。
作为上述实施例的优化方案，所述负荷节点的局部电压稳定L指标的获取计算公式为：
Figure BDA0002546071060000073
式中，αG表示PV节点集合；αL表示PQ节点集合；Hjk为负荷参与因子矩阵的第j行第k列元素；
Figure BDA0002546071060000075
表示节点电压相量；Zji表示负荷节点j、i之间的互阻抗；
Figure BDA0002546071060000074
为节点i的系统负荷功率；上角标*为共轭符号。
以上显示和描述了本发明的基本原理和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 (8)

1.电力系统无功设备配置地点和最佳补偿容量的优化方法，其特征在于，包括步骤：
S10,设定电力系统参数；
S20,计算负荷节点的局部电压稳定L指标，根据局部电压稳定L指标获得电力系统负荷节点的电压稳定性排序，对于稳定性差的节点作为无功补偿节点，获得无功设备的配置地点；
S30,遗传量子粒子群算法参数初始化；
S40,根据电力系统参数和无功补偿节点，计算粒子适应度值；
S50,更新粒子群；
S60,根据已更新的粒子群，通过遗传算子操作获得粒子个体最优值和当前种群的全局最优值作为无功设备的最佳补偿容量；
S70,判断计算结果是否达到收敛精度或最大迭代次数，若达到则输出当前所计算的无功设备的最佳补偿容量作为安装容量，若不达到则更新粒子返回步骤S50再次计算粒子适应度值，再次计算适应度值，更新粒子群；
所述负荷节点的局部电压稳定L指标的获取计算公式为：
Figure FDA0004058330220000011
式中，αG表示PV节点集合；αL表示PQ节点集合；Hjk为负荷参与因子矩阵的第j行第k列元素；
Figure FDA0004058330220000012
表示节点电压相量；Zji表示负荷节点j、i之间的互阻抗；
Figure FDA0004058330220000013
为节点i的系统负荷功率；上角标*为共轭符号。
2.根据权利要求1所述的电力系统无功设备配置地点和最佳补偿容量的优化方法，其特征在于，所述电力系统参数包括：将电力系统有功网损最小作为优化目标；将发电机机端电压幅值、无功补偿点的无功配置容量和可调变压器分接头位置作为控制变量；将负荷节点电压、发电机出力和支路传输功率作为状态变量。
3.根据权利要求2所述的电力系统无功设备配置地点和最佳补偿容量的优化方法，其特征在于，所述遗传量子粒子群算法参数初始化包括：随机初始化种群；设置种群规模、最大迭代次数，根据所述控制变量确定空间维度及其上下限。
4.根据权利要求3所述的电力系统无功设备配置地点和最佳补偿容量的优化方法，其特征在于，所述计算粒子适应度值包括：根据适应度函数计算粒子个体的适应度值，记录粒子个体最优值和全局最优值。
5.根据权利要求4所述的电力系统无功设备配置地点和最佳补偿容量的优化方法，其特征在于，所述更新粒子群包括：重新计算粒子个体在此次迭代的适应度值，并更新粒子个体最优值和当前种群全局最优值。
6.根据权利要求5所述的电力系统无功设备配置地点和最佳补偿容量的优化方法，其特征在于，所述遗传算子操作包括将量子粒子群算法已更新的种群粒子作为遗传算法中浮点数编码的染色体，通过交叉算子操作使得粒子间进行信息交互，使粒子个体具备充分的位置更新机会。
7.根据权利要求2-6中任一所述的电力系统无功设备配置地点和最佳补偿容量的优化方法，其特征在于，确定优化目标函数表示为：
Figure FDA0004058330220000021
式中，N表示电力系统节点总数；δij＝δi-δj表示节点i和节点j电压向量相角差；Gij为网络导纳矩阵节点i和节点j两节点间的电导，Ui为节点i的电压，Uj为节点j的电压；Ploss为电力系统有功网损；
所述优化目标函数的约束条件包括控制变量约束条件和状态变量约束条件：
所述控制变量约束条件为：
Figure FDA0004058330220000022
式中，QCi.max和QCi.min表示补偿点i处无功补偿容量上下限；UGj.max和UGj.min表示发电机j处机端电压上下限；Ttk.max和Ttk.min表示可调变压器k分接头档位上下限；NC、NG和Nt表示对应最大的无功补偿装置编号、发电机编号和变压器编号；
所述状态变量约束条件：
Figure FDA0004058330220000031
式中，QGi.max和QGi.min表示发电机i无功出力的上限和下限；ULi.max和ULi.min表示负荷节点j电压幅值上限和下限；qBk.max和qBk.min表示支路k的无功潮流上限和下限；NG、NL和NB表示对应最大的发电机编号、负荷节点编号和支路编号。
8.根据权利要求5或6中所述的电力系统无功设备配置地点和最佳补偿容量的优化方法，其特征在于，所述更新粒子个体最优值和当前种群的全局最优值的计算公式为：
Figure FDA0004058330220000032
式中，pij(k)表示粒子个体i在第k次迭代中第j维吸引子，其值是从个体历史最优值和全局最优值之间随机数值，表示为
Figure FDA0004058330220000033
Figure FDA0004058330220000034
表示第k次迭代中全局最优值，c1和c2表示[0,1]之间的随机数；±是由随机数决定的，若随机数大于0.5取“+”，否则取“-”；β表示为扩张-收缩因子，控制粒子的收敛速度。
CN202010561050.2A 2020-06-18 2020-06-18 电力系统无功设备配置地点和最佳补偿容量的优化方法 Active CN111682557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010561050.2A CN111682557B (zh) 2020-06-18 2020-06-18 电力系统无功设备配置地点和最佳补偿容量的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010561050.2A CN111682557B (zh) 2020-06-18 2020-06-18 电力系统无功设备配置地点和最佳补偿容量的优化方法

Publications (2)

Publication Number Publication Date
CN111682557A CN111682557A (zh) 2020-09-18
CN111682557B true CN111682557B (zh) 2023-04-25

Family

ID=72455727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010561050.2A Active CN111682557B (zh) 2020-06-18 2020-06-18 电力系统无功设备配置地点和最佳补偿容量的优化方法

Country Status (1)

Country Link
CN (1) CN111682557B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113517723A (zh) * 2021-07-08 2021-10-19 云南电网有限责任公司电力科学研究院 一种含小型水电站的配电网系统的无功电压优化方法
CN115117892A (zh) * 2022-02-22 2022-09-27 中铁第一勘察设计院集团有限公司 一种电气化铁路电力贯通线无功补偿方案优化设计方法
CN115693681B (zh) * 2022-11-04 2023-12-26 国网江苏省电力有限公司盐城供电分公司 一种改进的配电网络分区方法、优化算法及调控规划方案
CN117639452B (zh) * 2024-01-23 2024-04-23 深圳市科沃电气技术有限公司 逆变器的电压补偿方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101882237A (zh) * 2010-05-14 2010-11-10 长沙理工大学 一种改进的免疫-粒子群优化算法
CN102055196A (zh) * 2010-12-20 2011-05-11 南京软核科技有限公司 一种电力系统中10kv配电网的无功补偿优化方法
TW201404984A (zh) * 2012-07-30 2014-02-01 Univ Chung Chou Sci & Tech 以粒子群法最佳化吸音板結構之方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101882237A (zh) * 2010-05-14 2010-11-10 长沙理工大学 一种改进的免疫-粒子群优化算法
CN102055196A (zh) * 2010-12-20 2011-05-11 南京软核科技有限公司 一种电力系统中10kv配电网的无功补偿优化方法
TW201404984A (zh) * 2012-07-30 2014-02-01 Univ Chung Chou Sci & Tech 以粒子群法最佳化吸音板結構之方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
The particle swarm-explosion,stability, and convergence in a multidimensional complex space;Clerc,M and Kennedy,J;《IEEE Transactions on Evolutionary Computation》;第6卷(第1期);全文 *
基于改进粒子群算法的无功优化研究;吴强;《硕士电子期刊》(第3期);第15-67页 *
计及风光出力相关性的配电网多目标无功优化;刘梦依等;《电网技术》;第44卷(第5期);全文 *

Also Published As

Publication number Publication date
CN111682557A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN111682557B (zh) 电力系统无功设备配置地点和最佳补偿容量的优化方法
CN109768573B (zh) 基于多目标差分灰狼算法的配电网无功优化方法
Zhang et al. Multi-objective optimal reactive power dispatch of power systems by combining classification-based multi-objective evolutionary algorithm and integrated decision making
Ghasemi et al. Solving optimal reactive power dispatch problem using a novel teaching–learning-based optimization algorithm
CN107437813B (zh) 基于布谷鸟-粒子群的配电网无功功率优化方法
Erlich et al. Optimal dispatch of reactive sources in wind farms
Mousavi et al. Enhanced fractional chaotic whale optimization algorithm for parameter identification of isolated wind-diesel power systems
CN108599180B (zh) 一种考虑功率随机性的配电网无功电压优化方法
CN113363998B (zh) 一种基于多智能体深度强化学习的配电网电压控制方法
Niknam et al. Multi-objective daily operation management of distribution network considering fuel cell power plants
CN112636396B (zh) 光伏配电网控制方法及终端
CN110518580A (zh) 一种考虑微网主动优化的主动配电网运行优化方法
CN110365050B (zh) 基于差分元胞遗传算法的dwf并网多目标优化方法
CN111262243A (zh) 一种园区配电系统运行方式智能辨识以及优化方法
CN113872213B (zh) 一种配电网电压自主优化控制方法及装置
CN117239741B (zh) 一种自适应微电网电力调度方法及系统
Dixit et al. Optimal placement of TCSC for enhancement of power system stability using heuristic methods: An overview
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
CN110148936B (zh) 有源配电网中柔性多状态开关与分布式电源的协调规划方法
CN116520084A (zh) 一种含源配电网故障定位方法、装置及存储介质
CN113285461B (zh) 基于不完全量测的配电网分散控制方法、系统
CN113629715A (zh) 一种计及可输电能力的upfc多目标优化配置方法
CN112564138A (zh) 一种三相不平衡无功优化方法及其系统
CN113517723A (zh) 一种含小型水电站的配电网系统的无功电压优化方法
Nahilia et al. Distribution power loss minimization using Particle Swarm Optimization and genetic algorithms: Application on Algerian isolated grid

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