CN114386322A - 一种基于蜻蜓算法的含分布式电源的配电网无功优化方法 - Google Patents
一种基于蜻蜓算法的含分布式电源的配电网无功优化方法 Download PDFInfo
- Publication number
- CN114386322A CN114386322A CN202111602864.7A CN202111602864A CN114386322A CN 114386322 A CN114386322 A CN 114386322A CN 202111602864 A CN202111602864 A CN 202111602864A CN 114386322 A CN114386322 A CN 114386322A
- Authority
- CN
- China
- Prior art keywords
- dragonfly
- distribution network
- power
- reactive
- power distribution
- 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
- 241000238633 Odonata Species 0.000 title claims abstract description 111
- 238000009826 distribution Methods 0.000 title claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000005054 agglomeration Methods 0.000 claims description 3
- 238000005295 random walk Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力系统无功优化技术领域，尤其涉及一种基于蜻蜓算法的含分布式电源的配电网无功优化方法。包括：步骤1.考虑分布式电源对配电网无功优化的影响，建立配电网无功优化数学模型；步骤2.获取配电网系统的节点数据，选取分布式电源放置的节点位置，设置控制变量的个数及取值范围；步骤3.初始化参数；步骤4.对种群内每个蜻蜓个体进行相关计算，并自适应的调整各项行为的权重系数；步骤5.调整每个蜻蜓个体的位置更新范围；步骤6.蜻蜓适应度计算；步骤7.终止条件判断；步骤8.停止迭代，输出最终的最优无功补偿量和最优值。本发明能够提供高精度的无功补偿方案，降低线损，保证配电系统安全稳定的运行。
Description
技术领域
本发明属于电力系统无功优化技术领域，尤其涉及一种基于蜻蜓算法的含分布式电源的配电网无功优化方法。
背景技术
随着经济的飞速发展和人民生活水平的不断提高，对电能的需求越来越大，并且对电压质量的要求也越来越高。然而，传统能源发电带来了环境污染问题且传统能源储备也出现短缺情况，为解决日益增长的能源需求与实际发电问题之间的矛盾，在传统电网中引入了分布式电源，利用可再生能源发电，同时加强配电网的降损节能管理。但也因此给电网的运行带来了新的挑战。
分布式电源的接入改变了传统配电网的结构，使得配电网运行与规划的受约束条件更多。分布式电源将原本的单电源供电转变为多电源同时供电，当分布式电源容量较大时，会改变配电网中的潮流方向，增加电压越限的风险和网络损耗，甚至出现逆潮流问题。
无功优化是解决以上问题的一种有效方法，它作为最优潮流的一部分，可以通过优化无功控制设备的调节方式，使系统运行过程达到最有效果。通过无功优化，不仅能有效的降低网损，节约运行成本，还能提高电压质量，使配电网更可靠、安全的运行。
目前在无功优化问题中，对于目标函数的选取，从系统经济性角度出发，通常以网损最小或补偿设备动作代价最低为目标函数。从系统安全性考虑，通常以电压偏移量最低为目标函数。对于约束条件，一般包括潮流约束和控制变量约束等。在求解方法方面，传统方法一般包括线性规划法、非线性规划法、动态规划法等。传统方法的求解效果通常依赖于目标函数的性质，如线性和非线性、凸性和非凸性等，这就给问题求解上造成了一定的限制，通常目标函数的性质越复杂，求解的效果就越差，所以这类方法在配电网无功优化中是难以实施的。而后来出现的人工智能方法则不依赖于目标函数的性质和梯度信息，但其中的大多数都存在计算量大、过程复杂以及容易陷入局部最优等问题，也影响着配电网无功补偿中的最优方案的制定。
发明内容
针对上述现有技术中存在的不足之处，本发明提供了一种基于蜻蜓算法的含分布式电源的配电网无功优化方法。其目的是为了有效的解决配电网在运行中的线损过高、电压质量低等问题的发明目的。
本发明为实现上述目的所采用的技术方案是：
一种基于蜻蜓算法的含分布式电源的配电网无功优化方法，包括以下步骤：
步骤1.考虑分布式电源对配电网无功优化的影响，建立配电网无功优化数学模型；
步骤2.获取配电网系统的节点数据，选取分布式电源放置的节点位置，设置控制变量的个数及取值范围；
步骤3.初始化参数；
步骤4.对种群内每个蜻蜓个体进行相关计算，并自适应的调整各项行为的权重系数；
步骤5.调整每个蜻蜓个体的位置更新范围；
步骤6.蜻蜓适应度计算；
步骤7.终止条件判断；
步骤8.停止迭代，输出最终的最优无功补偿量和最优值。
更进一步的，步骤1所述建立配电网无功优化数学模型包括：
步骤101.选取以网损最小、电压质量最高为目标函数：
min f＝aPloss+bΔU+cL
其中，f为目标函数，Ploss表示配电网的线损，ΔU表示电压越限程度，L是电压稳定性的一个指标，L越小电压稳定性越好，a、b、c分别为各指标的权重系数，其大小根据配电网数据特点利用变异系数法确定，以示客观性；
其中，Ploss表示配电网的线损,N表示配电网的支路总数，gk表示支路k的电导，Ui和Uj分别为节点i和j的电压幅值，θij表示节点i和j间的电压相角差；
其中，ΔU表示电压越限程度，
表示节点i的电压基准值，
和
分别为节点i电压的上限和下限；
假设潮流方向从节点i流向节点j，那么该支路的电压稳定指标可以表示为：
其中，Pj和Qj分别是节点j的注入有功功率和无功功率，Rij为支路电阻，Xij为支路电抗；
步骤102.潮流计算方程：
其中，PDGi和QDGi分别是分布式电源在节点i的注入有功功率和无功功率，PDi和QDi为节点i的负荷功率。
更进一步的，步骤2所述获取配电网系统的节点数据，选取分布式电源放置的节点位置，设置控制变量的个数及取值范围，包括：
其中，QDGi和QCi分别为第i个DG的无功出力和第i个无功补偿装置的无功出力，为节点i的电压幅值，
为分布式电源提供的无功补偿量下限，
为分布式电源提供的无功补偿量上限，
为无功补偿设备提供的无功补偿量下限，
为无功补偿设备提供的无功补偿量上限，
和
分别为节点i电压的上限和下限。
更进一步的，步骤3所述初始化参数，包括：在约束范围内初始化蜻蜓的位置X，即实际问题中的无功补偿量的初始值，以及步长向量ΔX,并计算初始目标函数值，设置最大迭代次数T。
更进一步的，所述相关计算包括：分离、对齐、凝聚、捕食以及躲避天敌行为的计算；
所述分离：指蜻蜓与邻居中其他蜻蜓之间的避免静态碰撞；
其中，Sj表示分离度,X是当前蜻蜓的位置，Xj表示相邻第j个蜻蜓的位置，N表示相邻蜻蜓的数量；
所述对齐：表示蜻蜓与邻居中其他蜻蜓的速度匹配；
其中，Ai表示对齐度，Vj表示第j个相邻蜻蜓的速度；
所述凝聚：指蜻蜓倾向于邻里蜻蜓的中心；
其中，Ci表示凝聚程度,X是当前蜻蜓的位置，Xj表示相邻第j个蜻蜓的位置，N表示相邻蜻蜓的数量；
所述捕食，指聚集捕食猎物：
Fi＝X+-X
其中，Fi表示捕食情况,X是当前蜻蜓的位置，X+显示食物来源的位置；
所述躲避天敌，指分散躲避天敌：
Ei＝X-+X
其中，Ei表示表示躲避天敌的分散程度,X是当前蜻蜓的位置，X-显示敌人的位置。
更进一步的，步骤5所述调整每个蜻蜓个体的位置更新范围，包括：更新当前迭代次数的步长向量和位置向量，对控制变量进行调整，修正越界的状态变量。
更进一步的，所述步长向量，如下式：
ΔXt+1＝(sSi+aAi+cCi+fFi+eEi)+wΔXt
其中，ΔXt+1为第t+1次迭代的步长向量，ΔXt为第t次迭代的步长向量，s、a、c、f、e分别为以上五种行为的权重，t为迭代次数，w为惯性权重；
所述位置向量，表示如下：
(1)当存在邻近解时：
Xt+1＝Xt+ΔXt+1
其中，Xt+1表示第t+1次迭代的蜻蜓位置向量,Xt表示第t次迭代的位置向量,△Xt+1表示第t+1次迭代的步长向量；
(2)当不存在邻近解时，需要使用随机游动在搜索空间中飞行：
Xt+1＝Xt+Levy(d)*Xt
其中，t为当前迭代次数，d为位置向量的维数；
其中，Levy(x)是蜻蜓自由飞行模式中位置更新系数,是r1、r2是[0,1]中的两个随机数，β是一个常数，一般取1.5,σ值按下式计算；
Γ(x)＝(x-1)！
蜻蜓的位置向量表示实际问题中的无功补偿量QCi，更新后需要满足无功约束范围条件。
更进一步的，所述蜻蜓适应度计算，是根据每只蜻蜓的位置，进行潮流计算，计算目标函数值，即网损和电压质量情况，得到蜻蜓当前的最优位置X'opt和最优目标函数值f′opt；
所述终止条件判断，若蜻蜓算法达到最大迭代次数T，则执行下一步骤，若不满足，则返回步骤4，继续向后依次执行，直至达到最大迭代次数条件；
所述停止迭代，输出最终的最优无功补偿量Xopt和最优值fopt，其中最优解即为最优的无功补偿量，最优值为系统运行的最小代价，即网损最小和电压质量最高。
一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种基于蜻蜓算法的含分布式电源的配电网无功优化方法的步骤。
一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于蜻蜓算法的含分布式电源的配电网无功优化方法的步骤。
本发明具有以下有益效果及优点：
本发明提出了一种基于蜻蜓算法的含分布式电源的配电网无功优化方法，在蜻蜓算法的求解下，便于找到问题的全局最优解，从而找到配电网无功优化的最高精度解，保证补偿方案达到最优效果。相对于传统算法如遗传算法、粒子群算法，蜻蜓算法能够改善给定问题的初始随机总体，收敛到全局最优解，提供较高的寻优精度。
应用本发明方法在配电网的实际运行中，可在考虑分布式电源的影响下，提供高精度的无功补偿方案，从而降低线损，保证配电系统安全稳定的运行，具有很大的实际应用价值。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明方法应用的IEEE-33节点标准配电系统；
图2是本发明方法中蜻蜓算法的流程图；
图3是本发明蜻蜓算法求解下的无功补偿前后配电网网损对比；
图4是本发明蜻蜓算法求解下的无功补偿前后的节点电压对比。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1-图4描述本发明一些实施例的技术方案。
实施例1
本发明提供了一个实施例，是一种基于蜻蜓算法的含分布式电源的配电网无功优化方法。如图1所示，是本发明方法应用的IEEE-33节点标准配电系统。IEEE 33节点系统是一个含有33个节点的标准算例测试系统，它通常是某个实际电力系统的简化模型，用于电力系统领域中不同研究方向下不同算法的性能测试。本发明应实际需求，在原测试系统部分节点处引入了分布式电源。在测试系统上实现无功优化的步骤包括以下几部分。首先，选取测试系统中的一部分节点作为分布式电源接入的节点，其次，对测试系统建立无功优化数学模型，并引入优化算法求解，最终得到无功补偿装置的容量及放置位置。
基于此，本发明提供一种基于蜻蜓算法的含分布式电源的配电网无功优化方法，如图2所示，是本发明方法中蜻蜓算法的流程图，本发明具体包括以下步骤：
步骤1.考虑分布式电源对配电网无功优化的影响，建立配电网无功优化数学模型；需要结合配电网系统的节点数据特征，从安全性的角度出发，以网损最小和电压质量最高为目标函数，
其中，所述建立配电网无功优化数学模型，包括：
步骤101.选取以网损最小、电压质量最高为目标函数：
min f＝aPloss+bΔU+cL
其中，f为目标函数，Ploss表示配电网的线损，ΔU表示电压越限程度，L是电压稳定性的一个指标，L越小，表示电压稳定性越好。a、b、c分别为各指标的权重系数，其大小根据配电网数据特点利用变异系数法确定，以示客观性；
其中，Ploss表示配电网的线损,N表示配电网的支路总数，gk表示支路k的电导，Ui和Uj分别为节点i和j的电压幅值，θij表示节点i和j间的电压相角差。
其中，ΔU表示电压越限程度，
表示节点i的电压基准值，
和
分别为节点i电压的上限和下限。
假设潮流方向从节点i流向节点j，那么该支路的电压稳定指标可以表示为：
其中，Pj和Qj分别是节点j的注入有功功率和无功功率，Rij为支路电阻，Xij为支路电抗。
步骤102.潮流计算方程：
其中，PDGi和QDGi分别是分布式电源在节点i的注入有功功率和无功功率，PDi和QDi为节点i的负荷功率。
步骤2.获取配电网系统的节点数据，选取分布式电源放置的节点位置，设置控制变量的个数及取值范围；
其中，QDGi和QCi分别为第i个DG的无功出力和第i个无功补偿装置的无功出力，Ui为节点i的电压幅值，
为分布式电源提供的无功补偿量下限，
为分布式电源提供的无功补偿量上限，
为无功补偿设备提供的无功补偿量下限，
为无功补偿设备提供的无功补偿量上限，
和
分别为节点i电压的上限和下限。步骤3.初始化参数；
所述参数包括：在约束范围内初始化蜻蜓的位置X，即实际问题中的无功补偿量的初始值，以及步长向量ΔX,并计算初始目标函数值，设置最大迭代次数T。
步骤4.对种群内每个蜻蜓个体进行相关计算，并自适应的调整各项行为的权重系数；
所述相关计算包括：分离、对齐、凝聚、捕食以及躲避天敌行为的计算。
所述分离：是指蜻蜓与邻居中其他蜻蜓之间的避免静态碰撞。
其中，Sj表示分离度,X是当前蜻蜓的位置，Xj表示相邻第j个蜻蜓的位置，N表示相邻蜻蜓的数量。
所述对齐：表示蜻蜓与邻居中其他蜻蜓的速度匹配。
其中，Ai表示对齐度，Vj表示第j个相邻蜻蜓的速度。
所述凝聚：指蜻蜓倾向于邻里蜻蜓的中心。
其中，Ci表示凝聚程度,X是当前蜻蜓的位置，Xj表示相邻第j个蜻蜓的位置，N表示相邻蜻蜓的数量。
所述捕食，指聚集捕食猎物：
Fi＝X+-X
其中，Fi表示捕食情况,X是当前蜻蜓的位置，X+显示食物来源的位置。
所述躲避天敌，指分散躲避天敌：
Ei＝X-+X
其中，Ei表示躲避天敌的分散程度,X是当前蜻蜓的位置，X-显示敌人的位置。
步骤5.调整每个蜻蜓个体的位置更新范围；
包括：更新当前迭代次数的步长向量ΔX和位置向量，对控制变量进行调整，修正越界的状态变量。
所述步长向量，如下式：
ΔXt+1＝(sSi+aAi+cCi+fFi+eEi)+wΔXt
其中，ΔXt+1为第t+1次迭代的步长向量，ΔXt为第t次迭代的步长向量，s、a、c、f、e分别为以上五种行为的权重，t为迭代次数，w为惯性权重。
所述位置向量，表示如下：
(1)当存在邻近解时：
Xt+1＝Xt+ΔXt+1
其中，Xt+1表示第t+1次迭代的蜻蜓位置向量,Xt表示第t次迭代的位置向量,△Xt+1表示第t+1次迭代的步长向量。
(2)当不存在邻近解时，需要使用随机游动在搜索空间中飞行：
Xt+1＝Xt+Levy(d)*Xt
其中，t为当前迭代次数，d为位置向量的维数。
其中，Levy(x)是蜻蜓自由飞行模式中位置更新系数,是r1、r2是[0,1]中的两个随机数，β是一个常数，一般取1.5,σ值按下式计算。
Γ(x)＝(x-1)！
蜻蜓的位置向量表示实际问题中的无功补偿量QCi，在更新后需要满足步骤2中给出的无功约束范围条件。
步骤6.蜻蜓适应度计算；
根据每只蜻蜓的位置，进行潮流计算，计算目标函数值，即网损和电压质量情况，得到蜻蜓当前的最优位置X'opt和最优目标函数值f′opt。
步骤7.终止条件判断；
若蜻蜓算法达到最大迭代次数T，则执行步骤8，若不满足，则返回步骤4，继续向后依次执行，直至达到最大迭代次数条件；
步骤8.停止迭代，输出最终的最优无功补偿量Xopt和最优值fopt。
其中最优解即为最优的无功补偿量，最优值为系统运行的最小代价，也就是网损最小和电压质量最高。
实施例2
本发明又提供了一个实施例，是一种基于蜻蜓算法的含分布式电源的配电网无功优化方法，为进一步说明本发明的效果，下面给出本发明的一个数值算例进行仿真计算。
为验证本发明所提算法的有效性，选择如图1所示的改进后IEEE 33节点系统进行仿真验证。该标准算例测试系统具有33个标准节点，它通常是某个实际电力系统的简化模型，用于电力系统领域中不同研究方向下不同算法的性能测试。在8、25、32节点处引入了分布式电源，并假设分布式电源的有功出力为150kW，无功出力为0kW。另外，每个节点均可作为无功补偿点，其中无功补偿设备容量为0.1MVar×33，若在补偿方案中某个节点处补偿容量为0，说明该节点无需进行无功补偿。无功补偿设备为电容器。其中网络总负荷为3715kW+j2300kVar，额定电压为12.66kV。
从系统安全性角度出发，以网损最小，电压质量最高为目标函数，并考虑配电网的潮流约束即潮流计算方程、控制变量即无功补偿装置产生的无功补偿量Q和状态变量即配电网系统的节点电压U的约束条件，得到如下的配电网无功优化模型。
min f＝aPloss+bΔU+cL
其中，f为目标函数，Ploss表示配电网的线损，ΔU表示电压越限程度，L是电压稳定性的一个指标，L越小，表示电压稳定性越好。a、b、c分别为各指标的权重系数，其大小根据配电网数据特点利用变异系数法确定，以示客观性，在本实例中a，b，c分别取为20、5、1，PDGi和QDGi分别是分布式电源在节点i的注入有功功率和无功功率，PDi和QDi为节点i的负荷功率，Ui、Uj分别为节点i和j的节点电压，Gij、Bij分别为支路电导和电纳，θij为节点i和j之间的电压相位差，
分别为节点i允许的电压幅值波动上、下限，在本实施例中，节点电压Ui的约束范围为0.85-1.05p.u.，无功补偿量QCi的约束范围为0-0.1MW。
为了充分验证蜻蜓算法(Dragonfly Algorithm,DA)在解决上述配电网无功优化问题的有效性，将传统算法粒子群算法(Particle Swarm Optimization，PSO)和遗传算法(Genetic Algorithm，GA)引入作对比分析。其中各算法的迭代次数统一为200。GA的种群数量为20，交叉率为0.01，变异率为0.001；PSO的种群数量为20，加速因子均为0.1，惯性权重为0.1。
编写各算法的仿真程序，在MATLAB 2014环境下仿真测试。分别得到补偿前后的系统网损和节点电压的对比图，如图3和图4所示。从图中可以看出，在优化算法下，对于各个节点，进行无功补偿后，系统网损都有明显的降低，节点电压也都得到了显著提高，且满足0.85-1.05p.u.的约束范围。将DA与PSO和GA的补偿方案进行了对比，结果见表1。
表1智能算法优化方案对比结果
| 智能算法 | 网络损耗(MW) | 电压稳定性指标 | 目标函数值 |
| 蜻蜓算法 | 0.1355 | 0.0515 | 1.8805 |
| 粒子群算法 | 0.1368 | 0.0551 | 1.9096 |
| 遗传算法 | 0.1401 | 0.0662 | 1.9901 |
由表1结果对比可知，相比于传统算法，在降低线损方面，DA的效果比较好；从电压稳定性指标来看，DA的指标值更小，因此说明电压稳定性较好；从目标函数值来看，DA的最优值是最低的，也就是说，综合降低线损和提高电压质量来看，DA的求解的优化方案更具有优势。综上可见，在DA在解决配电网无功优化问题中更具优势。
实施例3
基于同一发明构思，本发明实施例还提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现实施例1或2所述的任意一种基于蜻蜓算法的含分布式电源的配电网无功优化方法的步骤。
实施例4
基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例1或2所述的任意一种基于蜻蜓算法的含分布式电源的配电网无功优化方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，尽管参照上述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等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于蜻蜓算法的含分布式电源的配电网无功优化方法，其特征是：包括以下步骤：
步骤1.考虑分布式电源对配电网无功优化的影响，建立配电网无功优化数学模型；
步骤2.获取配电网系统的节点数据，选取分布式电源放置的节点位置，设置控制变量的个数及取值范围；
步骤3.初始化参数；
步骤4.对种群内每个蜻蜓个体进行相关计算，并自适应的调整各项行为的权重系数；
步骤5.调整每个蜻蜓个体的位置更新范围；
步骤6.蜻蜓适应度计算；
步骤7.终止条件判断；
步骤8.停止迭代，输出最终的最优无功补偿量和最优值。
2.根据权利要求1所述的一种基于蜻蜓算法的含分布式电源的配电网无功优化方法，其特征是：步骤1所述建立配电网无功优化数学模型包括：
步骤101.选取以网损最小、电压质量最高为目标函数：
min f＝aPloss+bΔU+cL
其中，f为目标函数，Ploss表示配电网的线损，ΔU表示电压越限程度，L是电压稳定性的一个指标，L越小电压稳定性越好，a、b、c分别为各指标的权重系数，其大小根据配电网数据特点利用变异系数法确定，以示客观性；
其中，Ploss表示配电网的线损,N表示配电网的支路总数，gk表示支路k的电导，Ui和Uj分别为节点i和j的电压幅值，θij表示节点i和j间的电压相角差；
其中，ΔU表示电压越限程度，
表示节点i的电压基准值，
和
分别为节点i电压的上限和下限；
假设潮流方向从节点i流向节点j，那么该支路的电压稳定指标可以表示为：
其中，Pj和Qj分别是节点j的注入有功功率和无功功率，Rij为支路电阻，Xij为支路电抗；
步骤102.潮流计算方程：
其中，PDGi和QDGi分别是分布式电源在节点i的注入有功功率和无功功率，PDi和QDi为节点i的负荷功率。
3.根据权利要求1所述的一种基于蜻蜓算法的含分布式电源的配电网无功优化方法，其特征是：步骤2所述获取配电网系统的节点数据，选取分布式电源放置的节点位置，设置控制变量的个数及取值范围，包括：
其中，QDGi和QCi分别为第i个DG的无功出力和第i个无功补偿装置的无功出力，为节点i的电压幅值，
为分布式电源提供的无功补偿量下限，
为分布式电源提供的无功补偿量上限，
为无功补偿设备提供的无功补偿量下限，
为无功补偿设备提供的无功补偿量上限，
和
分别为节点i电压的上限和下限。
4.根据权利要求1所述的一种基于蜻蜓算法的含分布式电源的配电网无功优化方法，其特征是：步骤3所述初始化参数，包括：在约束范围内初始化蜻蜓的位置X，即实际问题中的无功补偿量的初始值，以及步长向量ΔX,并计算初始目标函数值，设置最大迭代次数T。
5.根据权利要求1所述的一种基于蜻蜓算法的含分布式电源的配电网无功优化方法，其特征是：所述相关计算包括：分离、对齐、凝聚、捕食以及躲避天敌行为的计算；
所述分离：指蜻蜓与邻居中其他蜻蜓之间的避免静态碰撞；
其中，Sj表示分离度,X是当前蜻蜓的位置，Xj表示相邻第j个蜻蜓的位置，N表示相邻蜻蜓的数量；
所述对齐：表示蜻蜓与邻居中其他蜻蜓的速度匹配；
其中，Ai表示对齐度，Vj表示第j个相邻蜻蜓的速度；
所述凝聚：指蜻蜓倾向于邻里蜻蜓的中心；
其中，Ci表示凝聚程度,X是当前蜻蜓的位置，Xj表示相邻第j个蜻蜓的位置，N表示相邻蜻蜓的数量；
所述捕食，指聚集捕食猎物：
Fi＝X+-X
其中，Fi表示捕食情况,X是当前蜻蜓的位置，X+显示食物来源的位置；
所述躲避天敌，指分散躲避天敌：
Ei＝X-+X
其中，Ei表示表示躲避天敌的分散程度,X是当前蜻蜓的位置，X-显示敌人的位置。
6.根据权利要求1所述的一种基于蜻蜓算法的含分布式电源的配电网无功优化方法，其特征是：步骤5所述调整每个蜻蜓个体的位置更新范围，包括：更新当前迭代次数的步长向量和位置向量，对控制变量进行调整，修正越界的状态变量。
7.根据权利要求6所述的一种基于蜻蜓算法的含分布式电源的配电网无功优化方法，其特征是：所述步长向量，如下式：
ΔXt+1＝(sSi+aAi+cCi+fFi+eEi)+wΔXt
其中，ΔXt+1为第t+1次迭代的步长向量，ΔXt为第t次迭代的步长向量，s、a、c、f、e分别为以上五种行为的权重，t为迭代次数，w为惯性权重；
所述位置向量，表示如下：
(1)当存在邻近解时：
Xt+1＝Xt+ΔXt+1
其中，Xt+1表示第t+1次迭代的蜻蜓位置向量,Xt表示第t次迭代的位置向量,△Xt+1表示第t+1次迭代的步长向量；
(2)当不存在邻近解时，需要使用随机游动在搜索空间中飞行：
Xt+1＝Xt+Levy(d)*Xt
其中，t为当前迭代次数，d为位置向量的维数；
其中，Levy(x)是蜻蜓自由飞行模式中位置更新系数,是r1、r2是[0,1]中的两个随机数，β是一个常数，一般取1.5,σ值按下式计算；
Γ(x)＝(x-1)！
蜻蜓的位置向量表示实际问题中的无功补偿量QCi，更新后需要满足无功约束范围条件。
8.根据权利要求1所述的一种基于蜻蜓算法的含分布式电源的配电网无功优化方法，其特征是：所述蜻蜓适应度计算，是根据每只蜻蜓的位置，进行潮流计算，计算目标函数值，即网损和电压质量情况，得到蜻蜓当前的最优位置X'opt和最优目标函数值f′opt；
所述终止条件判断，若蜻蜓算法达到最大迭代次数T，则执行下一步骤，若不满足，则返回步骤4，继续向后依次执行，直至达到最大迭代次数条件；
所述停止迭代，输出最终的最优无功补偿量Xopt和最优值fopt，其中最优解即为最优的无功补偿量，最优值为系统运行的最小代价，即网损最小和电压质量最高。
9.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一权利要求所述的一种基于蜻蜓算法的含分布式电源的配电网无功优化方法的步骤。
10.一种计算机存储介质，其特征是：所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8中任一权利要求所述的一种基于蜻蜓算法的含分布式电源的配电网无功优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111602864.7A CN114386322A (zh) | 2021-12-24 | 2021-12-24 | 一种基于蜻蜓算法的含分布式电源的配电网无功优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111602864.7A CN114386322A (zh) | 2021-12-24 | 2021-12-24 | 一种基于蜻蜓算法的含分布式电源的配电网无功优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114386322A true CN114386322A (zh) | 2022-04-22 |
Family
ID=81198886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111602864.7A Pending CN114386322A (zh) | 2021-12-24 | 2021-12-24 | 一种基于蜻蜓算法的含分布式电源的配电网无功优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114386322A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628425A (zh) * | 2023-06-01 | 2023-08-22 | 常州易宝网络服务有限公司 | 一种大数据实时监控系统及方法 |
-
2021
- 2021-12-24 CN CN202111602864.7A patent/CN114386322A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628425A (zh) * | 2023-06-01 | 2023-08-22 | 常州易宝网络服务有限公司 | 一种大数据实时监控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Panda et al. | Comparison of particle swarm optimization and genetic algorithm for FACTS-based controller design | |
| Miotto et al. | Coordinated tuning of the parameters of PSS and POD controllers using bioinspired algorithms | |
| Gupta et al. | Optimized switching scheme of cascaded H-bridge multilevel inverter using PSO | |
| Abido | Optimal design of power-system stabilizers using particle swarm optimization | |
| Zhang et al. | Reactive power optimization based on PSO in a practical power system | |
| Hardiansyah et al. | Solving economic load dispatch problem using particle swarm optimization technique | |
| Chen et al. | Multi-objective enhanced PSO algorithm for optimizing power losses and voltage deviation in power systems | |
| CN112564125B (zh) | 一种基于变步长天牛须算法的配电网动态无功优化方法 | |
| CN112818588B (zh) | 一种电力系统的最优潮流计算方法、装置及存储介质 | |
| CN114362187B (zh) | 一种基于多智能体深度强化学习的有源配电网协同调压方法及系统 | |
| CN112670984A (zh) | 一种基于改进鲸鱼算法的电力系统经济负荷分配方法 | |
| Sabo et al. | Farmland fertility optimization for designing of interconnected multi-machine power system stabilizer | |
| CN116760047A (zh) | 基于安全强化学习算法的配电网电压无功控制方法及系统 | |
| CN108448659B (zh) | 一种基于hacs算法求解电力系统无功优化的方法 | |
| CN114386322A (zh) | 一种基于蜻蜓算法的含分布式电源的配电网无功优化方法 | |
| CN115714397A (zh) | 一种配电台区无功功率优化降损方法及系统 | |
| CN117498353B (zh) | 新能源场站并网系统电压支撑调整方法及系统 | |
| Azadani et al. | Optimal placement of multiple STATCOM | |
| CN113097994A (zh) | 基于多强化学习智能体的电网运行方式调节方法及装置 | |
| Panda et al. | Model reduction of linear systems by conventional and evolutionary techniques | |
| Hong et al. | A novel adaptive elite‐based particle swarm optimization applied to var optimization in Electric Power Systems | |
| CN114583714A (zh) | 电力系统无功优化控制参数求解方法、系统、设备及介质 | |
| Khokhar et al. | An efficient particle swarm optimization with time varying acceleration coefficients to solve economic dispatch problem with valve point loading | |
| Fathy et al. | A novel modified Cheetah Optimizer for designing fractional-order PID-LFC placed in multi-interconnected system with renewable generation units | |
| Singh et al. | Economic load dispatch using MRPSO with generator ramp rate limits constraint |
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 |