CN113904341B - 一种基于免疫遗传算法的配电网无功优化方法和装置 - Google Patents
一种基于免疫遗传算法的配电网无功优化方法和装置 Download PDFInfo
- Publication number
- CN113904341B CN113904341B CN202111200730.2A CN202111200730A CN113904341B CN 113904341 B CN113904341 B CN 113904341B CN 202111200730 A CN202111200730 A CN 202111200730A CN 113904341 B CN113904341 B CN 113904341B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- reactive
- power distribution
- antibody
- parameters
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 230000002068 genetic effect Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000003321 amplification Effects 0.000 claims description 12
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000013377 clone selection method Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000009469 supplementation Effects 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000427 antigen Substances 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- 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
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于免疫遗传算法的配电网无功优化方法和装置，主要包括：根据预设的配电网系统参数和免疫遗传算法参量获得初始抗体，并对初始抗体进行迭代计算；在迭代计算中通过预设的潮流算法更新每个初始抗体的亲和度，并根据更新后的亲和度对初始抗体进行进化操作，直到迭代计算次数达到预设值获得迭代抗体；根据所述迭代抗体，计算配电网的无功优化结果并根据所述无功优化结果对所述配电网进行无功优化。通过改进的免疫遗传算法对抗体进行迭代和对配电网进行优化，确保补偿线路电压损失的同时，无功容量最小，相对于现有技术使配电网系统无功分布更合理，同时有更好的安全性和稳定性。
Description
技术领域
本发明涉及配电网无功优化领域，尤其涉及一种基于免疫遗传算法的配电网无功优化方法和装置。
背景技术
目前，电力系统电压控制很大程度上受制于无功优化控制问题。对于配电网而言，造成用户端电压偏低的根本原因是电压在输电线路传输的过程中损耗较大，输送到用户端的电压低于规定值电压。只有找出影响配电网线路上电压损耗的因素才能解决配电网末端电压偏低的现状。
电力用户大量采用感应电动机和其他感性用电设备，需要电力系统供给大量无功功率。这些无功功率经过多级送电线路、变压器的输送和转换，不仅造成电网的功率损失，而且使电网功率因数下降过多的无功功率在线路上传输也会使得电压损耗增加，线路末端电压降低。无功补偿可以减少电网无功功率的传输，从而使线路上的电压损耗降低，提高线路末端电压水平。目前使用较多的改善配电网供电末端低电压问题的方案是进行无功补偿，大多数通过并联电容器实现。
而配电网电压无功运行优化问题是一个大规模非线性整数规划问题。其目标函数通常为网损最小，也有采用偏移量最小，控制设备调节量最小或操作设备次数最少等作为目标函数。其等约束条件一般为各节点功率平衡，不等约束条件包括节点电压、线路功率和各控制量调压范围的限制。其算法主要有线性规划法、非线性规划法、混合整数规划法、动态规划法和人工智能法等，然而这些方法普遍存在以下局限：由于现代电力系统规模越来越大，控制变量越来越多，其解空间是多维的、复杂的，而这些方法均是从一个初始解开始寻优，能否实现全局最优而非局部最优和初始点的选取密切相关。初始点位置的选取直接影响优化结果，所以只有接近优化域的初始点才有可能接近最优解，否则就会落入局部优化域中。
发明内容
本发明提供了一种基于免疫遗传算法的配电网无功优化方法和装置，以解决非线性数学规划的电力系统无功优化问题，实现配电网系统无功分布更合理，提高配电网末端电压和功率因数，同时增强电力系统的安全性和稳定性。
为了解决上述技术问题，本发明实施例提供了一种基于免疫遗传算法的配电网无功优化方法和装置，包括：
根据预设的配电网系统参数获得发电机节点电压、无功补偿装置投切档位和变压器分接头可调档位，并将所述发电机节点电压、所述无功补偿装置投切档位和所述变压器分接头可调档位作为初始抗体；
根据预设的免疫遗传算法参量，对所有初始抗体进行迭代计算，以使在每次迭代计算中，通过预设的潮流算法更新每个初始抗体的亲和度，继而在每次迭代中根据更新后的亲和度对初始抗体进行进化操作，直到迭代计算次数达到预设值，获得若干个迭代抗体；
根据所述迭代抗体，计算配电网的无功优化结果并对根据所述无功优化结果对所述配电网进行无功优化。
进一步的，所述根据预设的配电网系统参数获得发电机节点电压、无功补偿装置投切档位和变压器分接头可调档位，具体为：
根据所述配电网系统参数计算得到发电机节点电压、无功补偿容量和变压器变比，并将离散的所述无功补偿容量和离散的所述变压器变比分别转化为整型的无功补偿装置投切档位和整型的变压器分接头可调档位。
进一步的，所述在每次迭代中根据更新后的亲和度对初始抗体进行进化操作，具体为：
根据亲和度的大小、种群规模、最大迭代次数、克隆选择数量、克隆扩增倍数、免疫补充数量、交叉概率和高频变异概率对所有抗体进行克隆选择操作、扩增操作、高频变异操作、交叉操作、补充新抗体操作和产生记忆抗体操作。
进一步的，所述通过预设的潮流算法更新每个初始抗体的亲和度，具体为：
对每个初始抗体利用P-Q分解法进行潮流计算，获得潮流结果，再根据所述潮流结果计算并更新每个初始抗体对应的亲和度；其中，所述潮流结果包括线路的有功参数、无功参数、各节点电压幅值和相角。
进一步的，所述配电网系统参数包括发电机参数、线路参数、变压器参数、负荷参数、无功补偿设备参数和与所有变量对应的约束条件。
相应的，本发明实施例还提供了一种基于免疫遗传算法的配电网无功优化装置，包括初始抗体模块、迭代模块和优化模块；其中，
所述初始抗体模块用于根据预设的配电网系统参数获得发电机节点电压、无功补偿装置投切档位和变压器分接头可调档位，并将所述发电机节点电压、所述无功补偿装置投切档位和所述变压器分接头可调档位作为初始抗体；
所述迭代模块用于根据预设的免疫遗传算法参量，对所有初始抗体进行迭代计算，以使在每次迭代计算中，通过预设的潮流算法更新每个初始抗体的亲和度，继而在每次迭代中根据更新后的亲和度对初始抗体进行进化操作，直到迭代计算次数达到预设值，获得若干个迭代抗体；
所述优化模块用于根据所述迭代抗体，计算配电网的无功优化结果并根据所述无功优化结果对所述配电网进行无功优化。
进一步的，所述初始抗体模块根据预设的配电网系统参数获得发电机节点电压、无功补偿装置投切档位和变压器分接头可调档位，具体为：
所述初始抗体模块根据所述配电网系统参数计算得到发电机节点电压、无功补偿容量和变压器变比，并将离散的所述无功补偿容量和离散的所述变压器变比分别转化为整型的无功补偿装置投切档位和整型的变压器分接头可调档位。
进一步的，所述迭代模块在每次迭代中根据更新后的亲和度对初始抗体进行进化操作，具体为：
所述迭代模块根据亲和度的大小、种群规模、最大迭代次数、克隆选择数量、克隆扩增倍数、免疫补充数量、交叉概率和高频变异概率对所有抗体进行克隆选择操作、扩增操作、高频变异操作、交叉操作、补充新抗体操作和产生记忆抗体操作。
进一步的，所述迭代模块通过预设的潮流算法更新每个初始抗体的亲和度，具体为：
所述迭代模块对每个初始抗体利用P-Q分解法进行潮流计算，获得潮流结果，再根据所述潮流结果计算并更新每个初始抗体对应的亲和度；其中，所述潮流结果包括线路的有功参数、无功参数、各节点电压幅值和相角。
进一步的，所述配电网系统参数包括发电机参数、线路参数、变压器参数、负荷参数、无功补偿设备参数和与所有变量对应的约束条件。
相比于现有技术，本发明实施例具有如下有益效果：
本发明提供了一种基于免疫遗传算法的配电网无功优化方法和装置，主要包括：根据预设的配电网系统参数和免疫遗传算法参量获得初始抗体，并对初始抗体进行迭代计算；在迭代计算中通过预设的潮流算法更新每个初始抗体的亲和度，并根据更新后的亲和度对初始抗体进行进化操作，直到迭代计算次数达到预设值获得迭代抗体；根据所述迭代抗体，计算配电网的无功优化结果并根据所述无功优化结果对所述配电网进行无功优化。通过改进的免疫遗传算法对抗体进行迭代和对配电网进行优化，确保补偿线路电压损失的同时，无功容量最小，相对于现有技术使配电网系统无功分布更合理，同时有更好的安全性和稳定性。
附图说明
图1：为本发明基于免疫遗传算法的配电网无功优化方法提供的一种实施例的流程示意图。
图2:为本发明基于免疫遗传算法的配电网无功优化方法提供的一种实施例中抗体编码结构图。
图3:为本发明基于免疫遗传算法的配电网无功优化装置提供的一种实施例的结构示意图。
具体实施方式
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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
实施例一:
请参照图1，图1为本发明实施例提供的一种基于免疫遗传算法的配电网无功优化方法，包括步骤S1至S3；其中，
步骤S1，根据预设的配电网系统参数获得发电机节点电压、无功补偿装置投切档位和变压器分接头可调档位，并将所述发电机节点电压、所述无功补偿装置投切档位和所述变压器分接头可调档位作为初始抗体。
在本实施例中，输入配电网系统参数，所述配电网系统参数包括发电机参数、线路参数、变压器参数、负荷参数、无功补偿设备参数和与所有变量对应的约束条件。这些参数反映了系统的网络拓扑结构、潮流分布以及各类变量约束。
参照图2，根据这些配电网系统参数计算得到发电机节点电压UGI、无功补偿容量QCi和变压器变比TKi，并将离散的所述无功补偿容量QCi和离散的所述变压器变比TKi分别转化为整型的无功补偿装置投切档位BCi和整型的变压器分接头可调档位Di。将所述发电机节点电压UGI、所述无功补偿装置投切档位BCi和所述变压器分接头可调档位Di三类控制变量编码作为初始抗体，同时目标函数也就是抗原为电力系统的有功损耗最小。其中，发电机节点电压UGI采用实数编码、无功补偿装置投切档位BCi和所述变压器分接头可调档位Di采用整数编码。每一类控制变量的取值都在各自的取值范围内。
对一些离散变量通过映射采用整数编码，避免了在实数编码中由于截断小数部分而引起的截断误差，同时在迭代寻优过程中大大减少了不必要的基因组合，加快了收敛速度。
步骤S2，根据预设的免疫遗传算法参量，对所有初始抗体进行迭代计算，以使在每次迭代计算中，通过预设的潮流算法更新每个初始抗体的亲和度，继而在每次迭代中根据更新后的亲和度对初始抗体进行进化操作，直到迭代计算次数达到预设值，获得若干个迭代抗体。
在本实施例中，根据预设的免疫遗传算法参量，对每个初始抗体利用P-Q分解法进行潮流计算，获得潮流结果，再根据所述潮流结果计算并更新每个初始抗体对应的亲和度；其中，所述潮流结果包括线路的有功参数、无功参数、各节点电压幅值和相角等。
本实施例将无功优化的目标函数作为抗体对抗原的亲和力评估函数，从而抗体的亲和度越小，则表明抗体越优。
根据亲和度的大小、种群规模N、最大迭代次数、免疫补充数量M、克隆扩增倍数、交叉概率和变异概率P m对所有抗体进行克隆选择操作、扩增操作、高频变异操作、交叉操作、补充新抗体操作和产生记忆抗体操作。其中上述的这些参数（种群规模N、最大迭代次数、免疫补充数量M、克隆扩增倍数、交叉概率和变异概率P m）根据具体的电力系统来确定。
在本实施例中，为了保持种群的多样性，引入高频变异操作，对每代群体中最优秀的一些个体进行等倍克隆复制，然后对克隆复制好的抗体进行高频变异，对每一个抗体产生一个在区间（0,1）中的随机数r，如果r＜Pm,则在限定范围内对被变异选中的个体重新赋值。
当迭代计算的次数达到预设值，则认为迭代收敛；否则重复S2进行循环计算。
步骤S3，根据所述迭代抗体，计算配电网的无功优化结果并对根据所述无功优化结果对所述配电网进行无功优化。
相应的，本发明实施例还提供了一种基于免疫遗传算法的配电网无功优化装置，参照图3，所述配电网无功优化装置包括初始抗体模块101、迭代模块102和优化模块103；其中，
所述初始抗体模块101用于根据预设的配电网系统参数获得发电机节点电压、无功补偿装置投切档位和变压器分接头可调档位，并将所述发电机节点电压、所述无功补偿装置投切档位和所述变压器分接头可调档位作为初始抗体；
所述迭代模块102用于根据预设的免疫遗传算法参量，对所有初始抗体进行迭代计算，以使在每次迭代计算中，通过预设的潮流算法更新每个初始抗体的亲和度，继而在每次迭代中根据更新后的亲和度对初始抗体进行进化操作，直到迭代计算次数达到预设值，获得若干个迭代抗体；
所述优化模块103用于根据所述迭代抗体，计算配电网的无功优化结果并根据所述无功优化结果对所述配电网进行无功优化。
进一步的，所述初始抗体模块101根据预设的配电网系统参数获得发电机节点电压、无功补偿装置投切档位和变压器分接头可调档位，具体为：
所述初始抗体模块101根据所述配电网系统参数计算得到发电机节点电压、无功补偿容量和变压器变比，并将离散的所述无功补偿容量和离散的所述变压器变比分别转化为整型的无功补偿装置投切档位和整型的变压器分接头可调档位。
进一步的，所述迭代模块102在每次迭代中根据更新后的亲和度对初始抗体进行进化操作，具体为：
所述迭代模块102根据亲和度的大小、种群规模、最大迭代次数、克隆选择数量、克隆扩增倍数、免疫补充数量、交叉概率和高频变异概率对所有抗体进行克隆选择操作、扩增操作、高频变异操作、交叉操作、补充新抗体操作和产生记忆抗体操作。
进一步的，所述迭代模块102通过预设的潮流算法更新每个初始抗体的亲和度，具体为：
所述迭代模块102对每个初始抗体利用P-Q分解法进行潮流计算，获得潮流结果，再根据所述潮流结果计算并更新每个初始抗体对应的亲和度；其中，所述潮流结果包括线路的有功参数、无功参数、各节点电压幅值和相角。
进一步的，所述配电网系统参数包括发电机参数、线路参数、变压器参数、负荷参数、无功补偿设备参数和与所有变量对应的约束条件。
相比于现有技术，本发明实施例具有如下有益效果：
本发明提供了一种基于免疫遗传算法的配电网无功优化方法和装置，主要包括：根据预设的配电网系统参数和免疫遗传算法参量获得初始抗体，并对初始抗体进行迭代计算；在迭代计算中通过预设的潮流算法更新每个初始抗体的亲和度，并根据更新后的亲和度对初始抗体进行进化操作，直到迭代计算次数达到预设值获得迭代抗体；根据所述迭代抗体，计算配电网的无功优化结果并根据所述无功优化结果对所述配电网进行无功优化。通过改进的免疫遗传算法对抗体进行迭代和对配电网进行优化，确保补偿线路电压损失的同时，无功容量最小，相对于现有技术使配电网系统无功分布更合理，同时有更好的安全性和稳定性。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，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，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于免疫遗传算法的配电网无功优化方法，其特征在于，包括：
根据预设的配电网系统参数获得发电机节点电压、无功补偿装置投切档位和变压器分接头可调档位，并将所述发电机节点电压、所述无功补偿装置投切档位和所述变压器分接头可调档位作为初始抗体；
根据预设的免疫遗传算法参量，对所有初始抗体进行迭代计算，以使在每次迭代计算中，通过预设的潮流算法更新每个初始抗体的亲和度，继而在每次迭代中根据更新后的亲和度对初始抗体进行进化操作，直到迭代计算次数达到预设值，获得若干个迭代抗体；
根据所述迭代抗体，计算配电网的无功优化结果并对根据所述无功优化结果对所述配电网进行无功优化；
所述根据预设的配电网系统参数获得发电机节点电压、无功补偿装置投切档位和变压器分接头可调档位，具体为：
根据所述配电网系统参数计算得到发电机节点电压、无功补偿容量和变压器变比，并将离散的所述无功补偿容量和离散的所述变压器变比分别转化为整型的无功补偿装置投切档位和整型的变压器分接头可调档位；
所述在每次迭代中根据更新后的亲和度对初始抗体进行进化操作，具体为：
根据亲和度的大小、种群规模、最大迭代次数、克隆选择数量、克隆扩增倍数、免疫补充数量、交叉概率和高频变异概率对所有抗体进行克隆选择操作、扩增操作、高频变异操作、交叉操作、补充新抗体操作和产生记忆抗体操作；
所述通过预设的潮流算法更新每个初始抗体的亲和度，具体为：
对每个初始抗体利用P-Q分解法进行潮流计算，获得潮流结果，再根据所述潮流结果计算并更新每个初始抗体对应的亲和度；其中，所述潮流结果包括线路的有功参数、无功参数、各节点电压幅值和相角；
所述配电网系统参数包括发电机参数、线路参数、变压器参数、负荷参数、无功补偿设备参数和与所有变量对应的约束条件。
2.一种基于免疫遗传算法的配电网无功优化装置，其特征在于，包括初始抗体模块、迭代模块和优化模块；其中，
所述初始抗体模块用于根据预设的配电网系统参数获得发电机节点电压、无功补偿装置投切档位和变压器分接头可调档位，并将所述发电机节点电压、所述无功补偿装置投切档位和所述变压器分接头可调档位作为初始抗体；
所述迭代模块用于根据预设的免疫遗传算法参量，对所有初始抗体进行迭代计算，以使在每次迭代计算中，通过预设的潮流算法更新每个初始抗体的亲和度，继而在每次迭代中根据更新后的亲和度对初始抗体进行进化操作，直到迭代计算次数达到预设值，获得若干个迭代抗体；
所述优化模块用于根据所述迭代抗体，计算配电网的无功优化结果并根据所述无功优化结果对所述配电网进行无功优化；
所述初始抗体模块根据预设的配电网系统参数获得发电机节点电压、无功补偿装置投切档位和变压器分接头可调档位，具体为：
所述初始抗体模块根据所述配电网系统参数计算得到发电机节点电压、无功补偿容量和变压器变比，并将离散的所述无功补偿容量和离散的所述变压器变比分别转化为整型的无功补偿装置投切档位和整型的变压器分接头可调档位；
所述迭代模块在每次迭代中根据更新后的亲和度对初始抗体进行进化操作，具体为：
所述迭代模块根据亲和度的大小、种群规模、最大迭代次数、克隆选择数量、克隆扩增倍数、免疫补充数量、交叉概率和高频变异概率对所有抗体进行克隆选择操作、扩增操作、高频变异操作、交叉操作、补充新抗体操作和产生记忆抗体操作；
所述迭代模块通过预设的潮流算法更新每个初始抗体的亲和度，具体为：
所述迭代模块对每个初始抗体利用P-Q分解法进行潮流计算，获得潮流结果，再根据所述潮流结果计算并更新每个初始抗体对应的亲和度；其中，所述潮流结果包括线路的有功参数、无功参数、各节点电压幅值和相角；
所述配电网系统参数包括发电机参数、线路参数、变压器参数、负荷参数、无功补偿设备参数和与所有变量对应的约束条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111200730.2A CN113904341B (zh) | 2021-10-14 | 2021-10-14 | 一种基于免疫遗传算法的配电网无功优化方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111200730.2A CN113904341B (zh) | 2021-10-14 | 2021-10-14 | 一种基于免疫遗传算法的配电网无功优化方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113904341A CN113904341A (zh) | 2022-01-07 |
| CN113904341B true CN113904341B (zh) | 2024-04-23 |
Family
ID=79192089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111200730.2A Active CN113904341B (zh) | 2021-10-14 | 2021-10-14 | 一种基于免疫遗传算法的配电网无功优化方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113904341B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662387B (zh) * | 2022-03-19 | 2022-12-09 | 特斯联科技集团有限公司 | 基于gan的低碳经济园区的风光储能优化方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11252794A (ja) * | 1998-02-26 | 1999-09-17 | Ffc:Kk | 配電系統の損失最小化方法 |
| CN101882791A (zh) * | 2010-07-13 | 2010-11-10 | 东北电力大学 | 一种提高可用输电能力的可控串联电容器最优配置方法 |
| CN106655207A (zh) * | 2017-03-21 | 2017-05-10 | 国网山东省电力公司枣庄供电公司 | 基于多数据分析的配电网无功优化系统及方法 |
| CN106849112A (zh) * | 2016-12-30 | 2017-06-13 | 国网四川省电力公司经济技术研究院 | 基于非支配邻域免疫算法的配电网多目标无功优化方法 |
| CN106849097A (zh) * | 2017-04-13 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种主动配电网潮流计算方法 |
| CN111724064A (zh) * | 2020-06-20 | 2020-09-29 | 国网福建省电力有限公司 | 一种基于改进免疫算法的含储能配电网规划方法 |
| CN112557817A (zh) * | 2020-11-27 | 2021-03-26 | 广东电网有限责任公司肇庆供电局 | 一种基于量子免疫优化算法的有源配电网故障定位方法、系统、存储介质及计算机设备 |
-
2021
- 2021-10-14 CN CN202111200730.2A patent/CN113904341B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11252794A (ja) * | 1998-02-26 | 1999-09-17 | Ffc:Kk | 配電系統の損失最小化方法 |
| CN101882791A (zh) * | 2010-07-13 | 2010-11-10 | 东北电力大学 | 一种提高可用输电能力的可控串联电容器最优配置方法 |
| CN106849112A (zh) * | 2016-12-30 | 2017-06-13 | 国网四川省电力公司经济技术研究院 | 基于非支配邻域免疫算法的配电网多目标无功优化方法 |
| CN106655207A (zh) * | 2017-03-21 | 2017-05-10 | 国网山东省电力公司枣庄供电公司 | 基于多数据分析的配电网无功优化系统及方法 |
| CN106849097A (zh) * | 2017-04-13 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种主动配电网潮流计算方法 |
| CN111724064A (zh) * | 2020-06-20 | 2020-09-29 | 国网福建省电力有限公司 | 一种基于改进免疫算法的含储能配电网规划方法 |
| CN112557817A (zh) * | 2020-11-27 | 2021-03-26 | 广东电网有限责任公司肇庆供电局 | 一种基于量子免疫优化算法的有源配电网故障定位方法、系统、存储介质及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113904341A (zh) | 2022-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111342461B (zh) | 一种考虑网架动态重构的配电网优化调度方法及系统 | |
| Radu et al. | A multi-objective genetic algorithm approach to optimal allocation of multi-type FACTS devices for power systems security | |
| CN109066692A (zh) | 一种分布式能源接入的电力网络潮流优化方法 | |
| CN112383237B (zh) | 一种并网逆变器的模型预测控制方法 | |
| CN107506914B (zh) | 计及分布式电源渗透率变化的变电站动态扩展规划方法 | |
| CN113904341B (zh) | 一种基于免疫遗传算法的配电网无功优化方法和装置 | |
| CN106058858A (zh) | 一种配电网优化方法与装置 | |
| CN114928057B (zh) | 一种适用于新能源多端柔直系统的多目标潮流优化方法 | |
| Rahmat et al. | Differential evolution ant colony optimization (DEACO) technique in solving economic load dispatch problem | |
| 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 | |
| CN104484517A (zh) | 一种mmc桥臂电抗器参数优化方法 | |
| CN109830987B (zh) | 计及分布式光伏随机性的主动配电网概率稳定性分析方法 | |
| CN106712050B (zh) | 一种基于改进蛙跳算法的电网无功优化方法及装置 | |
| CN109494750B (zh) | 一种高中压配电网的分层分布式电压优化控制方法 | |
| CN114389282A (zh) | 一种基于仿射的不确定性模态分析方法 | |
| CN117081079A (zh) | 一种upfc多目标优化配置模型 | |
| CN109687468A (zh) | 一种基于电力弹簧的微电网电压分布式控制方法 | |
| CN115864403B (zh) | 基于交直流配电系统交互作用的控制方法、装置、设备 | |
| CN110955971B (zh) | 基于改进遗传算法的电力弹簧优化配置方法 | |
| Ogita et al. | Parallel dual tabu search for capacitor placement in smart grids | |
| CN107425519B (zh) | 含分布式电源的三相配电网最大供电能力计算方法 | |
| Kaur et al. | An optimal reactive power dispatch (ORPD) for voltage security using particle swarm optimization (PSO) in graph theory | |
| Regad et al. | Frequency control of microgrid with renewable generation using PID controller based krill herd | |
| CN110854862B (zh) | 一种含下垂特性电源的船舶电网潮流计算方法 | |
| JP2018182982A (ja) | 潮流計算装置、潮流計算方法、及び潮流計算プログラム |
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 |