CN113489019A - 一种基于自适应粒子群算法的配电网无功优化方法 - Google Patents
一种基于自适应粒子群算法的配电网无功优化方法 Download PDFInfo
- Publication number
- CN113489019A CN113489019A CN202110774368.3A CN202110774368A CN113489019A CN 113489019 A CN113489019 A CN 113489019A CN 202110774368 A CN202110774368 A CN 202110774368A CN 113489019 A CN113489019 A CN 113489019A
- Authority
- CN
- China
- Prior art keywords
- power
- reactive power
- distribution network
- optimization
- particle swarm
- 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
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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- 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]
-
- 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)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明应用于电力系统无功优化领域,涉及一种基于自适应粒子群算法的配电网无功优化方法。包括以下几个步骤:一、根据配电网三类负荷的特征,建立其有功出力模型;二、基于分布式发电功率输出方向是传统潮流的反方向,将其分为两种正负负荷,从而建立净负荷的数学模型,再建立起净负荷功率出力曲线;三、从经济性和安全性上去实现配电网更优规划,综合考虑并建立多目标无功优化模型;四、采用自适应粒子群算法求解无功优化模型,能使系统有功损耗和节点电压偏差最小;本发明专利通过自适应粒子群的无功优化,大大提高了电网的安全性和经济性,具有良好的社会效益,具有良好的应用价值和推广应用前景。
Description
技术领域
本发明涉及本发明涉及配电网无功优化方法,涉及电力系统无功优化领域。
背景技术
面对能源和环境的双重挑战,中高压配电网系统中接入了高比例可再生能源,使配电网的网络架构更加复杂,也让其规划运行和潮流特性更加多变。这不仅使配电网安全可靠性规划更加艰难,而且对分布式发电源与传统无功设备之间的密切协调控制提出了更高的要求。
为了降低配电网稳定运行的经济成本,无功优化是必不可少的手段,所以一直是研究人员关注的重点,由于分布式电电源的输出和负荷随时间具有波动性和随机性,一方面,应该利用分布式电源的无功调节能力来参与无功优化。另一方面,要使分布式电源协调配电网中的无功补偿设备更加充分合理,从而最大限度地提高了经济性和实用性。
粒子群算法(PSO)应用工程优化主要分为两部分,一是个体层面的优化,即每一个粒子个体都会有对应的一个解,二是群体层面的优化,即粒子个体之间需要交互影响与制约,以达到群体层面的优化。但随着求解问题的复杂程度和维数越来越高,那么其收敛速度明显下降且容易陷入局部最优。标准的PSO算法将最优适应度值的粒子就作为全局最优粒子,且由于其惯性权重不变,经过迭代计算后其位置保持不变,因此产生大量的无效迭代过程。
发明内容
针对上述问题,本发明的目的是要提供一种减少系统有功损耗和节点电压偏差并且提高电网安全性和经济性的配电网无功优化方法,本发明充分考虑网络损耗和电压偏差量对配电网无功优化的影响,建立了一个多目标无功优化模型,采用自适应粒子群算法对该模型求解,相比于标准的粒子群算法,可以更高效地减少网络损耗并改善电压质量。
实现本发明目的的技术方案是提供一种基于自适应粒子群算法的配电网无功优化方法,包括以下步骤:
步骤一:根据配电网三类负荷的特征,建立其有功出力模型;
步骤二:基于分布式发电功率输出方向是传统潮流的反方向,将其分为两种正负负荷,从而建立净负荷的数学模型,再建立起净负荷功率出力曲线;
步骤三:从经济性和安全性上去实现配电网更优规划,综合考虑并建立多目标无功优化模型:以网络损耗最小和电压偏差量为目标函数;以潮流方程为约束条件,以DG的无功出力范围,节点电压的运行范围,静止无功补偿器无功出力范围,电容器组的无功出力范围,电容器组全天最大投切次数为不等式约束,建立无功优化模型;
步骤四:首先在粒子群算法中引入惯性权重线性递减策,然后采用自适应粒子群算法(SPSO)进行有源配电网无功优化,相比于标准的粒子群算法,自适应粒子群算法引入惯性权重线性递减策略,更能精确地实现配电网的无功优化;
发明效果:针对标准的粒子群算法在无功优化中的缺点,本发明利用自适应粒子群算法,利用惯性权重线性递减策略,让迭代中的惯性权重能够跟着粒子的位置变化而变化,消除惯性分量对其的不良干扰,减少了算法中无效迭代次数,能更快速地找到最优解的粒子,能高效地减少网络损耗,从而能更加精确地实现配电网的无功优化;
本发明的配电网无功优化方法可以有效的减少有功损耗和节点电压偏差,大大提高了电网的安全性和经济性;可见基于自适应粒子群算法用于配电网的无功优化相比于其他算法,其计算精度更好,全局搜索能力更好,能更快的找到最优解的粒子,同时也减少了局部极值对其结果的干扰性;因此,本发明的自适应粒子群算法在解决配电网无功优化问题方面具有一定的实用意义。
附图说明
图1是本发明实施案例自适应粒子群算法求解流程图;
图2是本发明实施案例PSO、SPSO算法优化前后节点电压对比图;
图3是本发明实施案例PSO、SPSO算法优化前后网损对比图。
具体实施方式
本实施例的一种基于自适应粒子群算法的配电网无功优化方法,包括如下几个步骤:
步骤一:根据配电网三类负荷的特征,建立其有功出力模型;
步骤二:基于分布式发电功率输出方向是传统潮流的反方向,将其分为两种正负负荷,从而建立净负荷的数学模型,再建立起净负荷功率出力曲线;
净负荷的数学模型:如果分布式电源向馈线注入的功率太大,而其潮流方向又是传统潮流流动的反方向,极易引起反向潮流,从而会严重影响配电网运行安全以及用户用电质量等一系列问题,为了防止这一重要问题,定义了净负荷的概念,其大小等于两者的差值:
Pn=P-PWT-PPV
其中:Pn为净负荷,P为用户负荷,PWT为风电负荷,PPV为光伏负荷;由定义可知,净负荷的数学模型含义在于代表用户实际的用电需求。
步骤三:从经济性和安全性上去实现配电网更优规划,综合考虑并建立多目标无功优化模型:以网络损耗最小和电压偏差量为目标函数;以潮流方程为约束条件,以DG的无功出力范围,节点电压的运行范围,静止无功补偿器无功出力范围,电容器组的无功出力范围,电容器组全天最大投切次数为不等式约束,建立无功优化模型;
目标函数数学模型可表示为:
网络损耗最小:
式中:N1为支路数,R1为电阻,U1为端电压,P1为支路的有功出力,Q1为支路的无功输出;
电压偏差量:
式中:Nn为节点数,Ui为节点电压,Ui,rat为额定电压;
综上的无功优化模型:
minf(x)=λ1f1+λ2f2
式中:λ1为系统有功网损权值因子,λ2为节点电压偏差和的权值因子,且λ1+λ2=1;
潮流方程约束条件为:
式中:Gij、Bij分别为节点间的电导和电纳,θij为相位差,PGi、QGi分别为发电机组和DG提供的有功出力和无功输出,QCi为无功补偿设备提供的无功出力,PLi、QLi分别为节点消耗的有功与无功功率,Ui、Uj分别为节点i、j的电压幅值;
DG无功出力约束:
QDG,min≤QDG≤QDG,max
式中:QDG为DG的无功输出,QDG,min、QDG,max分别为其下上限值;
节点电压约束:
Ui,min≤U≤Ui,max
式中:U为节点电压,Ui,min、Ui,max分别为其上下限值;
无功出力范围约束:
式中:QSVC为SVC提供的无功输出,QC为电容器组提供的无功出力,QSVC,min、QSVC,max、QC,min、QC,max分别为其上下限值;
电容器组全天最大投切次数约束:
式中:nC,max为投切次数的上限值;
步骤四:采用自适应粒子群算法进行有源配电网无功优化,相比于标准的粒子群算法,自适应粒子群算法引入惯性权重线性递减策略,更能精确地实现配电网的无功优化;
首先在粒子群算法中引入惯性权重线性递减策,目的是为了让迭代中的惯性权重能够跟着粒子的位置变化而变化,消除了惯性分量对其的不良干扰,减少了算法中无效迭代次数,这样就能更快的找到最优解的粒子,同时也减少了局部极值对其结果的干扰性。权重计算公式如下:
式中:惯性权重的初值和终值分别用ωmax和ωmin表示;s表示当前迭代数;S表示最大迭代数;
其次,参阅图1所示,采用自适应粒子群算法求解上述无功优化模型。首先输入系统参数和相关数据以建立受DG、SVC和电容器无功输出约束的无功优化模型;其次初始化粒子群并设定基本参数;然后应用潮流计算程序以计算粒子适应度,并求解最有粒子和最优解;最后更新粒子,更新最优粒子和最优解,利用权重计算公式更新粒子的权重并计算粒子的适合度,如果达到最大迭代次数S,则终止算法且输出无功优化结果;如果不是,则继续更新最优粒子和最优解,进行下一次的迭代直到达到最大迭代次数;
然后在MatlabR2018b上进行仿真测试。求解算法用的是自适应粒子群算法,其种群大小为60,迭代次数为100,学习因子c1=c2=2,惯性权重从0.9到0.4,优化的24h无功优化满意度为0.8354;
参阅图2和图3,可以看出优化前后24h各节点电压以及各支路网损对比情况,自适应粒子群算法优化后,每个节点电压幅值都有了大大的提高,其中对最小节点电压幅值的效果显著,由原有的0.9117pu提高到0.9427pu,提高了3.4%,也将电压偏差降低24.13%;同时也使得配电网的潮流分布更趋于合理,每个节点有功损耗值都有了大大的降低,其中对第19h最大有功网损值的效果显著,由原有的300kW下降到现在的184kW,下降了38.67%。配电网一天总的有功损耗值也由原有的538.2kW下降到现在的307.9kW,下降了42.89%,这样也更好地改善配电网的电压水平,实现了配电网的经济性运行;由此证实了使用自适应粒子群算法优化可以更高效地减少网络损耗并改善电压质量。
Claims (4)
1.一种基于自适应粒子群算法的配电网无功优化方法,包括以下步骤:
步骤一:根据配电网三类负荷的特征,建立其有功出力模型;
步骤二:基于分布式发电功率输出方向是传统潮流的反方向,将其分为两种正负负荷,从而建立净负荷的数学模型,再建立起净负荷功率出力曲线;
步骤三:从经济性和安全性上去实现配电网更优规划,综合考虑并建立多目标无功优化模型:以网络损耗最小和电压偏差量为目标函数;以潮流方程为约束条件,以DG的无功出力范围,节点电压的运行范围,静止无功补偿器无功出力范围,电容器组的无功出力范围,电容器组全天最大投切次数为不等式约束,建立无功优化模型;
步骤四:采用自适应粒子群算法进行有源配电网无功优化,相比于标准的粒子群算法,自适应粒子群算法引入惯性权重线性递减策略,更能精确地实现配电网的无功优化。
2.根据权利要求1所述的一种基于自适应粒子群算法的配电网无功优化方法,其特征在于:步骤二具体来讲:净负荷的数学模型:
如果分布式电源向馈线注入的功率太大,而其潮流方向又是传统潮流流动的反方向,极易引起反向潮流,从而会严重影响配电网运行安全以及用户用电质量等一系列问题,为了防止这一重要问题,定义了净负荷的概念,其大小等于两者的差值:
Pn=P-PWT-PPV
其中:Pn为净负荷,P为用户负荷,PWT为风电负荷,PPV为光伏负荷;由定义可知,净负荷的数学模型含义在于代表用户实际的用电需求。
3.根据权利要求1或2所述的一种基于自适应粒子群算法的配电网无功优化方法,其特征在于:步骤三具体来讲:目标函数数学模型可表示为:
网络损耗最小:
式中:N1为支路数,R1为电阻,U1为端电压,P1为支路的有功出力,Q1为支路的无功输出;
电压偏差量:
式中:Nn为节点数,Ui为节点电压,Ui,rat为额定电压;
综上的无功优化模型:
minf(x)=λ1f1+λ2f2
式中:λ1为系统有功网损权值因子,λ2为节点电压偏差和的权值因子,且λ1+λ2=1;
潮流方程约束条件为:
式中:Gij、Bij分别为节点间的电导和电纳,θij为相位差,PGi、QGi分别为发电机组和DG提供的有功出力和无功输出,QCi为无功补偿设备提供的无功出力,PLi、QLi分别为节点消耗的有功与无功功率,Ui、Uj分别为节点i、j的电压幅值;
DG无功出力约束:
QDG,min≤QDG≤QDG,max
式中:QDG为DG的无功输出,QDG,min、QDG,max分别为其下上限值;
节点电压约束:
Ui,min≤U≤Ui,max
式中:U为节点电压,Ui,min、Ui,max分别为其上下限值;
无功出力范围约束:
式中:QSVC为SVC提供的无功输出,QC为电容器组提供的无功出力,QSVC,min、QSVC,max、QC,min、QC,max分别为其上下限值;
电容器组全天最大投切次数约束:
式中:nC,max为投切次数的上限值。
4.根据权利要求1或3所述的一种基于自适应粒子群算法的配电网无功优化方法,其特征在于:步骤四具体来讲:在粒子群算法中引入惯性权重线性递减策,目的是为了让迭代中的惯性权重能够跟着粒子的位置变化而变化,消除了惯性分量对其的不良干扰,减少了算法中无效迭代次数,这样就能更快的找到最优解的粒子,同时也减少了局部极值对其结果的干扰性。权重计算公式如下:
式中:惯性权重的初值和终值分别用ωmax和ωmin表示;s表示当前迭代数;S表示最大迭代数。
首先输入系统参数和相关数据以建立受DG、SVC和电容器无功输出约束的无功优化模型;其次初始化粒子群并设定基本参数;然后应用潮流计算程序以计算粒子适应度,并求解最有粒子和最优解;最后更新粒子,更新最优粒子和最优解,利用权重计算公式更新粒子的权重并计算粒子的适合度,如果达到最大迭代次数S,则终止算法且输出无功优化结果;如果不是,则继续更新最优粒子和最优解,进行下一次的迭代直到达到最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774368.3A CN113489019A (zh) | 2021-07-08 | 2021-07-08 | 一种基于自适应粒子群算法的配电网无功优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774368.3A CN113489019A (zh) | 2021-07-08 | 2021-07-08 | 一种基于自适应粒子群算法的配电网无功优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113489019A true CN113489019A (zh) | 2021-10-08 |
Family
ID=77938113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110774368.3A Pending CN113489019A (zh) | 2021-07-08 | 2021-07-08 | 一种基于自适应粒子群算法的配电网无功优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113489019A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102280889A (zh) * | 2011-06-03 | 2011-12-14 | 上海电力学院 | 基于克隆-粒子群混杂算法的电力系统无功优化方法 |
CN108899919A (zh) * | 2018-08-21 | 2018-11-27 | 江苏方天电力技术有限公司 | 一种基于Haar小波变换的有源配电网动态无功优化调度方法 |
CN111064235A (zh) * | 2019-12-17 | 2020-04-24 | 湘潭大学 | 一种有源配电网日前动态无功优化方法 |
CN112803434A (zh) * | 2021-02-25 | 2021-05-14 | 国网河北省电力有限公司经济技术研究院 | 有源配电网的无功优化方法、装置、设备和存储介质 |
-
2021
- 2021-07-08 CN CN202110774368.3A patent/CN113489019A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102280889A (zh) * | 2011-06-03 | 2011-12-14 | 上海电力学院 | 基于克隆-粒子群混杂算法的电力系统无功优化方法 |
CN108899919A (zh) * | 2018-08-21 | 2018-11-27 | 江苏方天电力技术有限公司 | 一种基于Haar小波变换的有源配电网动态无功优化调度方法 |
CN111064235A (zh) * | 2019-12-17 | 2020-04-24 | 湘潭大学 | 一种有源配电网日前动态无功优化方法 |
CN112803434A (zh) * | 2021-02-25 | 2021-05-14 | 国网河北省电力有限公司经济技术研究院 | 有源配电网的无功优化方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pradhan et al. | Coordinated power management and control of standalone PV-hybrid system with modified IWO-based MPPT | |
CN109768573B (zh) | 基于多目标差分灰狼算法的配电网无功优化方法 | |
García-Triviño et al. | Power control based on particle swarm optimization of grid-connected inverter for hybrid renewable energy system | |
CN110504691A (zh) | 一种计及vsc控制方式的交直流配电网最优潮流计算方法 | |
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 | |
CN109409705B (zh) | 一种区域综合能源系统的多目标优化调度方法 | |
Eltamaly et al. | Load flow analysis by gauss-seidel method; a survey | |
CN113541146B (zh) | 计及分布式电源的电力系统潮流计算优化方法 | |
Suyono et al. | Power system optimization of static VAR compensator using novel global harmony search method | |
Yildirim et al. | A robust non-integer controller design for load frequency control in modern marine power grids | |
CN113378100B (zh) | 考虑碳排放的配电网源网荷储协同优化调度模型和方法 | |
Nguyen et al. | Performance Comparison between PSO and GA in Improving Dynamic Voltage Stability in ANFIS Controllers for STATCOM. | |
Sindi et al. | Robust control of adaptive power quality compensator in Multi-Microgrids for power quality enhancement using puzzle optimization algorithm | |
Jasim et al. | A novel cooperative control technique for hybrid AC/DC smart microgrid converters | |
CN112467748A (zh) | 三相不平衡主动配电网双时标分布式电压控制方法及系统 | |
Zou et al. | Optimized Robust Controller Design Based on CPSOGSA Optimization Algorithm and H 2/H∞ Weights Distribution Method for Load Frequency Control of Micro-Grid | |
Li et al. | Active distribution network operational optimization problem: A multi-objective tuna swarm optimization model | |
CN108551177B (zh) | 基于灵敏度分析的直流受端系统暂态切负荷控制优化方法 | |
Arunsankar et al. | Optimal controller for mitigation of harmonics in hybrid shunt active power filter connected distribution system: An EGOANN technique | |
Sun et al. | Optimal voltage/var control of pv inverters in distribution network based on genetic algorithm | |
CN113489019A (zh) | 一种基于自适应粒子群算法的配电网无功优化方法 | |
Krishnan et al. | An efficient DLN2-CRSO approach based dynamic stability enhancement in micro-grid system | |
Quan et al. | Two-stage optimization strategy of multi-objective Volt/Var coordination in electric distribution network considering renewable uncertainties | |
CN115967078A (zh) | 一种含分布式光伏的农村配电网电压分布式优化控制方法 | |
Hongfei et al. | Optimal control virtual inertia of optical storage microgrid based on improved sailfish algorithm |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211008 |