CN114792980A - 基于ssa-pso融合的配电网无功电压优化运行方法及设备 - Google Patents

基于ssa-pso融合的配电网无功电压优化运行方法及设备 Download PDF

Info

Publication number
CN114792980A
CN114792980A CN202210328859.XA CN202210328859A CN114792980A CN 114792980 A CN114792980 A CN 114792980A CN 202210328859 A CN202210328859 A CN 202210328859A CN 114792980 A CN114792980 A CN 114792980A
Authority
CN
China
Prior art keywords
ssa
pso
power distribution
distribution network
fusion
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
Application number
CN202210328859.XA
Other languages
English (en)
Inventor
刘俊
杨帆
陆冰冰
章文俊
任丽佳
单鸿涛
李志伟
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.)
Shanghai University of Engineering Science
State Grid Shanghai Electric Power Co Ltd
Original Assignee
Shanghai University of Engineering Science
State Grid Shanghai Electric Power Co Ltd
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 Shanghai University of Engineering Science, State Grid Shanghai Electric Power Co Ltd filed Critical Shanghai University of Engineering Science
Priority to CN202210328859.XA priority Critical patent/CN114792980A/zh
Publication of CN114792980A publication Critical patent/CN114792980A/zh
Pending legal-status Critical Current

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
    • 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
    • H02J3/04—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
    • 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
    • H02J3/50—Controlling the sharing of the out-of-phase component
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (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

本发明涉及一种基于SSA‑PSO融合的配电网无功电压优化运行方法及设备，所述方法包括以下步骤：1)基于配电网实际参数，以电压偏差和网络损耗最优为目标，构建无功电压优化模型；2)以变压器分接头的档位以及各个电容器组、电抗器组、SVG装置的无功补偿容量构建控制变量，采用SSA‑PSO融合算法求解所述无功电压优化模型，所述控制变量作为SSA‑PSO融合算法中的粒子；3)基于步骤2)获得的求解结果控制配电网优化运行。与现有技术相比，本发明搜索精度高，能够使得在配电网络各关键节点电压能够满足要求的同时，又可尽量减少配电网络的电能损耗。

Description

基于SSA-PSO融合的配电网无功电压优化运行方法及设备
技术领域
本发明涉及配电网运行控制方法，尤其是涉及一种基于SSA-PSO融合的配电网无功电压优化运行方法及设备。
背景技术
配电网是连接输电系统与终端用户的纽带，是电力系统的核心组成部分之一。配电网中无功功率的分布情况的优劣，将直接影响到系统各节点电压质量。这不仅与用户的用电体验直接挂钩，还会影响到整个电网运行的安全性和经济性。
如果无功功率不足，将会引起系统电压的偏低，导致有功网损增大。在这种情形下，如果系统再发生一些意外扰动，就很可能导致系统电压低于下限值，引起系统电压崩溃。无功功率过剩同样也会引起系统电压偏高，将对电气设备的使用寿命、设备的绝缘等产生不良影响。
配电网无功优化是保证系统运行经济性与安全性的重要措施，在国内外研究和实际运行中都受到广泛关注。无功优化是指当系统的有功负荷、有功电源以及节点支路参数已经给定的情况下，有策略地依靠调节有载调压变压器抽头和投切并联电容器组等举措实现配电网无功潮流的重分布，使得配电网的一个或多个指标达到最优。
随着群智能算法的发展，在配电网无功优化中群智能算法的应用越来越多。但目前基于群智能算法的配电网无功优化还存在无法快速获得优化结果的不足。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种优化效果较优、搜索精度高的基于SSA-PSO融合的配电网无功电压优化运行方法及设备，使得在配电网络各关键节点电压能够满足要求的同时，又可尽量减少配电网络的电能损耗。
本发明的目的可以通过以下技术方案来实现：
一种基于SSA-PSO融合的配电网无功电压优化运行方法，包括以下步骤：
1)基于配电网实际参数，以电压偏差和网络损耗最优为目标，构建无功电压优化模型；
2)以变压器分接头的档位以及各个电容器组、电抗器组、SVG装置的无功补偿容量构建控制变量，采用SSA-PSO融合算法求解所述无功电压优化模型，所述控制变量作为SSA-PSO融合算法中的粒子；
3)基于步骤2)获得的求解结果控制配电网优化运行。
进一步地，所述无功电压优化模型中，采用罚函数形式将所述电压偏差和网络损耗转化为单目标函数，所述单目标函数表示为：
Figure BDA0003572456100000021
Figure BDA0003572456100000022
式中：ΔUi为优化前节点i的电压越限偏差，PLoss为线路的有功功率网损，λ为惩罚因子，n为网络节点数，Ui、Uj为节点i、j电压幅值，Uimax和Uimin为节点i电压上下限，Gij为节点i与节点j之间电导，Bij为节点i与节点j之间电纳，δij为节点i与节点j之间电压相角差。
进一步地，所述电压越限偏差ΔUi的计算规则为：
当Ui≤Uimin时，ΔUi＝Uimin-Ui；当Uimin≤Ui≤Uimax时，ΔUi＝0；当Ui≥Uimax时，ΔUi＝Ui-Uimax。
进一步地，所述无功电压优化模型的约束条件包括各个节点之间的有功功率及无功功率的平衡约束和各控制变量的上下限约束。
进一步地，所述SSA-PSO融合算法中，将种群内粒子分为发现者粒子和加入者粒子，所述发现者粒子的位置采用SSA算法更新，加入者粒子的速度和位置采用PSO算法更新，且在加入者粒子的速度更新过程中引入反映发现者粒子能力变化的影响因子。
进一步地，所述加入者粒子的速度更新公式表示为：
vij(t+1)＝rr·wvij(t)+c1r1(pij(t)-xij(t))+c2r2(gij(t)-xij(t))
式中：w为惯性权重，r1和r2为[0,1]区间内的随机数，c1和c2为学习因子，rr为影响因子，vij为第i个粒子在j维处的速度，pij为第i个粒子在j维处的局部极值，gij为第i个粒子当前的全局极值，xij为第i个粒子在j维处的位置，t为当前迭代次数。
进一步地，所述影响因子rr的计算公式为：
Figure BDA0003572456100000031
式中：α为发现者粒子位置更新时采用的(0,1]区间的随机数，itermax为最大迭代数。
进一步地，所述SSA-PSO融合算法中，在更新种群时，生成随机数rand，rand∈(0,1)，若rand大于0.5，则采用随机游走更新种群，否则采用混沌映射更新种群。
进一步地，所述混沌映射为Tent混沌映射。
本发明还提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述配电网无功电压优化运行方法的指令。
与现有技术相比，本发明具有以下有益效果：
1、本发明以有功网损和电压偏差此二者最优为目标构建无功电压优化模型，通过求解该无功电压优化模型进行配电网优化运行，使得在配电网络各关键节点电压能够满足要求的同时，又可尽量减少配电网络的电能损耗。
2、本发明采用SSA-PSO融合算法进行无功电压优化模型的优化求解，求解精度高。
3、针对传统粒子群算法存在大范围搜索过程中局部搜索能力和搜索精度不高的问题，本发明利用随机游走和Tent混沌映射两种策略先对最优麻雀个体进行更新，以改善算法性能，然后利用改进麻雀搜索算法具备搜索范围大且位置更新速度快的优点，对传统粒子群算法进行融合优化，有效提高局部搜索能力和搜索精度。
附图说明
图1为本发明SSA-PSO融合算法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供一种基于SSA-PSO融合的配电网无功电压优化运行方法，包括以下步骤：
1)根据实时的负荷情况进行潮流计算，得到当前配电网的运行情况，获得配电网实际参数，以电压偏差和网络损耗最优为目标，构建无功电压优化模型；
2)以变压器分接头的档位以及各个电容器组、电抗器组、SVG装置的无功补偿容量构建控制变量，采用SSA-PSO融合算法求解所述无功电压优化模型，所述控制变量作为SSA-PSO融合算法中的粒子；
3)基于步骤2)获得的求解结果控制配电网优化运行。
上述方法以有功网损和电压偏差此二者最优为目标，并采用改进的麻雀搜索与粒子群算法融合的方法对配电网无功功率的流动与分布进行优化，在很大程度上可以起到对配电网的网损和配电网关键节点电压同时进行优化的效果。
1、无功电压优化模型
(1)目标函数
主要以有功网损和电压偏差此二者最优为目标，为了同时兼顾网络损耗和电压质量，采用罚函数的形式形成目标函数如下：
Figure BDA0003572456100000041
Figure BDA0003572456100000042
式中：ΔUi——优化前节点i的电压越限偏差，当Ui≤Uimin时，ΔUi＝Uimin-Ui；当Uimin≤Ui≤Uimax时，ΔUi＝0；当Ui≥Uimax时，ΔUi＝Ui-Uimax
PLoss——线路的有功功率网损；
n——网络节点数；
Ui——节点i电压幅值；
Uimax，Uimin——节点i电压上下限；
Gij——节点i与节点j之间电导；
Bij——节点i与节点j之间电纳；
δij——节点i与节点j之间电压相角差；
λ——惩罚因子。
(2)约束条件
无功电压优化模型的约束条件包括各个节点之间的有功功率及无功功率的平衡约束和各控制变量的上下限约束，前者为等式约束，后者为不等式约束。
1)等式约束条件：
Figure BDA0003572456100000051
式中：
ΔPi——节点i中发电机(含分布式发电DG，若有的话)以及负荷的有功功率的代数和；
ΔQi——节点i中发电机以及负荷的无功功率的代数和；
Ui——节点i的电压幅值；
Gij——节点i与节点j之间的电导；
Bij——节点i与节点j之间的电纳；
δij——节点i与节点j之间的电压相角差。
2)不等式约束条件：
在对调压装置的控制策略中，控制变量包括变压器分接头的档位以及各个电容器组、电抗器组、SVG装置的无功补偿容量。控制变量可以表示为：
Figure BDA0003572456100000053
式中：Ti——变压器分接头的档位；
Qci——第i节点电容器的容量；
QRi——第i节点电抗器组的容量；
QSVGi——第i节点SVG装置的容量。
控制变量约束主要包括变压器分接头档位Ti、电容器组无功补偿容量Qc、电抗器组无功补偿容量QR、SVG装置无功补偿容量QSVG，其约束表达式如(5)所示。
Figure BDA0003572456100000052
式中：Timax，Timin——变压器分接头档位上下限；
Qcimax，Qcimin——节点i处电容装置无功出力上下限；
QRimax，QRimin——节点i处电抗装置无功出力上下限。
QSVG imax，QSVG imin——节点i处SVG装置无功出力上下限。
2、传统PSO算法
传统PSO算法是一种启发于飞鸟规律性集群活动种群智能优化算法，具备全局迭代寻优的能力。粒子群算法结构简单且鲁棒性好，因此常用于解决最优解问题。
粒子群算法通过模拟飞鸟对食物捕食行为，对应在多维空间中每个粒子获取多维空间中个体解。在粒子群算法搜索过程中，每个粒子将被赋予速度和位置两个维度的属性，则当每个粒子在不同时刻迭代更新时，其运动规律可表示为：
Figure BDA0003572456100000061
式中：vij为第i个粒子在j维处的速度；pij为第i个粒子在j维处的局部极值；gij为第i个粒子当前的全局极值；xij为第i个粒子在j维处的位置；t为当前迭代次数；w为惯性权重，wmax和wmin分别为最大惯性权重值和最小惯性权重值，通常情况下为初始化时的给定值，r1和r2为[0,1]区间内的随机数；c1和c2为学习因子；loopcount为最大迭代次数。
3、改进的SSA算法
麻雀搜索算法(Sparrow Search Algorithm,SSA)启发于麻雀觅食行为和逃避捕食行为而提出的一种新种群优化算法。相较于传统优化算法，麻雀算法具有寻优能力强，收敛速度快等优点。在全局觅食活动中，扮演发现者的麻雀，在一定范围内提供搜索方向和区域；扮演加入者的麻雀，依据发现者所提供的搜索信息进行搜索；扮演警戒者的麻雀，利用反捕食策略以避免种群搜索陷入局部最优。
设在J维解空间内每只麻雀位置X＝(x1,x2,…,xd)，适应度值fi＝f(x1,x2,…xd)，在整个麻雀群体中发现者和加入者数量是不变的，每当增加一个加入者就会减少一个发现者。
每代发现者位置更新公式如下：
Figure BDA0003572456100000071
式中，
Figure BDA0003572456100000072
分别为第t和t+1次迭代中第i只麻雀在j维处的位置；α为(0,1]区间的随机数；R2为(0,1]区间的预警值，ST为[0.5,1]之间的安全值；Q为(0,1]区间正态分布的随机数；L为所有元素为1且结构为1×d的矩阵；itermax为最大迭代数。
当R2＜ST时表明当前环境安全，发现者可以在此觅食，而当R2＞ST时表明当前环境有危险，种群中一些麻雀就向其他同伴发出警报，示意它们到安全地方觅食。
加入者的位置更新公式如下：
Figure BDA0003572456100000073
式中，xp和xworst分别为当前最优和最差位置；
Figure BDA0003572456100000074
分别为第t和t+1次迭代中第i只麻雀在j维处的位置；A为元素值随机设置为1或-1且结构为1×d的矩阵，并满足A+＝AT(AAT)-1。当i＞n/2时，表明适应度值较低，第i个加入者需要飞往别处觅食。警戒者来源于从探索者及追随者中随机挑选出的部分麻雀，其作用在于利用麻雀反捕食策略避免算法搜索陷入局部最优。
传统麻雀搜索算法在更新种群时所采用的随机生成方式易导致麻雀种群分布不均匀，从而影响后期的全局搜索能力，因此本发明方法引入随机游走和混沌映射两种策略对最优麻雀个体进行更新，增强麻雀搜索算法在全局搜索最优的性能。其中，混沌映射可为Tent混沌映射或其他类型混沌映射。
(1)随机游走
设f(x)是一个含有n个变量的多元函数，x＝(x1,x2,…,xn)为n维向量。随机游走算法步骤如下：
步骤1：初始化迭代点x，步长λ，精度ε。
步骤2：设置迭代次数N，当前迭代次数k，k＝1。
步骤3：当k<N时，随机生成u＝(u1,u2,…un)，其维度为n，数值范围为(-1,1)，并按其标准化得到公式：
Figure BDA0003572456100000075
并且设x1＝x+λu′，第一步游走结束。
步骤4：函数值计算，当f(x1)＜f(x)时，表明搜索到相对较好的点，此时重置k＝1，令当前x1为x，返回步骤2；否则k＝k+1，返回步骤3。
步骤5：若N次找不到最优值且λ＜ε，则最优解为以λ步长为半径，当前最优解为中心的N维球内，算法结束；否则设λ＝λ/2，返回步骤1，重新开始。
(2)Tent混沌映射
Tent映射具备良好的均匀性和随机性，从而能够有效避免搜索陷入局部最优解，提高算法的全局寻优能力。Tent映射表达式如下：
Figure BDA0003572456100000081
式中：x(t)∈[0,1]。
在传统麻雀搜索算法后期引入随机数rand，rand∈(0,1)，若rand大于0.5，引入随机游走，否则引入混沌映射，由于rand设为随机分布于(0,1)之间的数，因此取比较值0.5能均匀分布随机游走和混沌映射。
4、改进的SSA-PSO融合算法
由于改进SSA算法具备搜索范围大且位置更新速度快的优点，因此可以融合改进麻雀搜索算法优化粒子群算法，利用改进麻雀搜索算法优化粒子群算法中所存在的大范围搜索过程中局部搜索能力和搜索精度不高的问题，以实现快速收敛的目标。如图1所示，改进算法的具体流程如下：
步骤1：初始化种群，确定种群内获得具有发现者麻雀能力的粒子比例，比例系数a表达式如下：
Figure BDA0003572456100000082
式中：Xbest为位置最好的PN只麻雀，设为发现者粒子；Xworst为位置相对较差的N-PN只麻雀，设为加入者粒子；
步骤2：更新发现者位置，当发现者的粒子的警报值r2恒小于安全值ST时，发现者粒子进行大范围跳跃式搜索，发现者粒子的能力更新公式如下：
Figure BDA0003572456100000083
式中：
Figure BDA0003572456100000084
分别为第t和t+1次迭代中第i只麻雀在j维处的位置；α为(0,1]区间的随机数；itermax为最大迭代数。
步骤3：更新加入者位置，加入者粒子由发现者粒子引导以正常的速度进行搜索。依照发现者粒子能力的变化，生成影响因子rr来改变粒子过去位置和速度对现在的影响，计算公式如下：
Figure BDA0003572456100000091
式中：α为(0,1]区间的随机数；itermax为最大迭代数。加入者粒子的速度和位置更新公式如下：
vij(t+1)＝rr·wvij(t)+c1r1(pij(t)-xij(t))+c2r2(gij(t)-xij(t)) (14)
xij(t+1)＝xj(t)+vij(t+1)
w为惯性权重，用于调节局部搜索和全局搜索能力。r1和r2为[0,1]区间内的随机数；c1和c2为学习因子。将改进麻雀搜索算法融合进粒子群算法中，利用改进麻雀搜索算法的大范围快速搜索能力来消除传统PSO算法的各种缺点，提升算法收敛速度和性能。
步骤4：更新警戒者位置和最优麻雀位置。
步骤5：生成随机数rand，rand∈(0,1)，若rand大于0.5，则采用随机游走更新种群，否则采用混沌映射更新种群。
步骤6：返回步骤2，直至达到最大迭代次数或收敛。
利用上述优化算法对构建的无功电压优化模型进行求解，获得的
Figure BDA0003572456100000092
对应的就是控制变量
Figure BDA0003572456100000093
中的第j维处的值。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于SSA-PSO融合的配电网无功电压优化运行方法，其特征在于，包括以下步骤：
1)基于配电网实际参数，以电压偏差和网络损耗最优为目标，构建无功电压优化模型；
2)以变压器分接头的档位以及各个电容器组、电抗器组、SVG装置的无功补偿容量构建控制变量，采用SSA-PSO融合算法求解所述无功电压优化模型，所述控制变量作为SSA-PSO融合算法中的粒子；
3)基于步骤2)获得的求解结果控制配电网优化运行。
2.根据权利要求1所述的基于SSA-PSO融合的配电网无功电压优化运行方法，其特征在于，所述无功电压优化模型中，采用罚函数形式将所述电压偏差和网络损耗转化为单目标函数，所述单目标函数表示为：
Figure FDA0003572456090000011
Figure FDA0003572456090000012
式中：ΔUi为优化前节点i的电压越限偏差，PLoss为线路的有功功率网损，λ为惩罚因子，n为网络节点数，Ui、Uj为节点i、j电压幅值，Uimax和Uimin为节点i电压上下限，Gij为节点i与节点j之间电导，Bij为节点i与节点j之间电纳，δij为节点i与节点j之间电压相角差。
3.根据权利要求2所述的基于SSA-PSO融合的配电网无功电压优化运行方法，其特征在于，所述电压越限偏差ΔUi的计算规则为：
当Ui≤Uimin时，ΔUi＝Uimin-Ui；当Uimin≤Ui≤Uimax时，ΔUi＝0；当Ui≥Uimax时，ΔUi＝Ui-Uimax。
4.根据权利要求1所述的基于SSA-PSO融合的配电网无功电压优化运行方法，其特征在于，所述无功电压优化模型的约束条件包括各个节点之间的有功功率及无功功率的平衡约束和各控制变量的上下限约束。
5.根据权利要求1所述的基于SSA-PSO融合的配电网无功电压优化运行方法，其特征在于，所述SSA-PSO融合算法中，将种群内粒子分为发现者粒子和加入者粒子，所述发现者粒子的位置采用SSA算法更新，加入者粒子的速度和位置采用PSO算法更新，且在加入者粒子的速度更新过程中引入反映发现者粒子能力变化的影响因子。
6.根据权利要求5所述的基于SSA-PSO融合的配电网无功电压优化运行方法，其特征在于，所述加入者粒子的速度更新公式表示为：
vij(t+1)＝rr·wvij(t)+c1r1(pij(t)-xij(t))+c2r2(gij(t)-xij(t))
式中：w为惯性权重，r1和r2为[0,1]区间内的随机数，c1和c2为学习因子，rr为影响因子，vij为第i个粒子在j维处的速度，pij为第i个粒子在j维处的局部极值，gij为第i个粒子当前的全局极值，xij为第i个粒子在j维处的位置，t为当前迭代次数。
7.根据权利要求5所述的基于SSA-PSO融合的配电网无功电压优化运行方法，其特征在于，所述影响因子rr的计算公式为：
Figure FDA0003572456090000021
式中：α为发现者粒子位置更新时采用的(0,1]区间的随机数，itermax为最大迭代数。
8.根据权利要求1所述的基于SSA-PSO融合的配电网无功电压优化运行方法，其特征在于，所述SSA-PSO融合算法中，在更新种群时，生成随机数rand，rand∈(0,1)，若rand大于0.5，则采用随机游走更新种群，否则采用混沌映射更新种群。
9.根据权利要求8所述的基于SSA-PSO融合的配电网无功电压优化运行方法，其特征在于，所述混沌映射为Tent混沌映射。
10.一种电子设备，其特征在于，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-9任一所述配电网无功电压优化运行方法的指令。
CN202210328859.XA 2022-03-30 2022-03-30 基于ssa-pso融合的配电网无功电压优化运行方法及设备 Pending CN114792980A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210328859.XA CN114792980A (zh) 2022-03-30 2022-03-30 基于ssa-pso融合的配电网无功电压优化运行方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210328859.XA CN114792980A (zh) 2022-03-30 2022-03-30 基于ssa-pso融合的配电网无功电压优化运行方法及设备

Publications (1)

Publication Number Publication Date
CN114792980A true CN114792980A (zh) 2022-07-26

Family

ID=82462410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210328859.XA Pending CN114792980A (zh) 2022-03-30 2022-03-30 基于ssa-pso融合的配电网无功电压优化运行方法及设备

Country Status (1)

Country Link
CN (1) CN114792980A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659749A (zh) * 2022-11-01 2023-01-31 河海大学 基坑变形预测方法及系统、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659749A (zh) * 2022-11-01 2023-01-31 河海大学 基坑变形预测方法及系统、电子设备和存储介质
CN115659749B (zh) * 2022-11-01 2024-02-06 河海大学 基坑变形预测方法及系统、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN111884213B (zh) 一种基于深度强化学习算法的配电网电压调节方法
CN114362196A (zh) 一种多时间尺度主动配电网电压控制方法
CN114792980A (zh) 基于ssa-pso融合的配电网无功电压优化运行方法及设备
CN108448659B (zh) 一种基于hacs算法求解电力系统无功优化的方法
CN114784831A (zh) 一种基于移动储能的主动配电网多目标无功优化方法
Dou et al. Distributed cooperative control method based on network topology optimisation in microgrid cluster
CN117833263A (zh) 一种基于ddpg的新能源电网电压控制方法及系统
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
CN115833101B (zh) 电力调度方法、装置、电子设备和存储介质
CN114048576B (zh) 一种稳定电网输电断面潮流的储能系统智能化控制方法
CN116995645A (zh) 基于保护机制强化学习的电力系统安全约束经济调度方法
Pu et al. An improved genetic algorithm for reactive power optimization
CN110661264A (zh) 基于带惯性权重粒子群算法的安全约束最优潮流计算方法
Qu et al. Path planning of electric power inspection robot based on improved lion swarm algorithm
CN116231679A (zh) 一种基于深度强化学习的自适应虚拟同步机控制方法
CN115714397A (zh) 一种配电台区无功功率优化降损方法及系统
CN115693655A (zh) 一种基于ts模糊控制的负荷频率控制方法、装置及设备
Fan et al. Optimization of PID parameters based on improved particle-swarm-optimization
CN110729759B (zh) 一种微电网中分布式电源配置方案的确定方法及装置
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
Salama et al. Short term optimal generation scheduling of fixed head hydrothermal system using genetic algorithm and constriction factor based particle swarm optimization technique
Liu et al. Location and Capacity Determination of Energy Storage System Based on Improved Whale Optimization Algorithm
Eslami et al. Optimal design of fractional order fuzzy PID controller using an intelligent hybrid algorithm for nonlinear power system
Xie et al. Research on load frequency control of multi‐microgrids in an isolated system based on the multi‐agent soft actor‐critic algorithm
Ma et al. A Bionic-Intelligent Scheduling Algorithm for Distributed Power Generation System

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