CN115117892A - 一种电气化铁路电力贯通线无功补偿方案优化设计方法 - Google Patents

一种电气化铁路电力贯通线无功补偿方案优化设计方法 Download PDF

Info

Publication number
CN115117892A
CN115117892A CN202210161128.0A CN202210161128A CN115117892A CN 115117892 A CN115117892 A CN 115117892A CN 202210161128 A CN202210161128 A CN 202210161128A CN 115117892 A CN115117892 A CN 115117892A
Authority
CN
China
Prior art keywords
power
line
optimization
scheme
calculating
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
CN202210161128.0A
Other languages
English (en)
Inventor
高鑫
王颢
刘贻军
牛明哲
刘广军
李延亮
王帅
任虔英
李浩森
王小星
王冠雄
郑钧曦
鲍禄山
史海旗
李泽宇
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.)
China Railway First Survey and Design Institute Group Ltd
Original Assignee
China Railway First Survey and Design Institute Group 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 China Railway First Survey and Design Institute Group Ltd filed Critical China Railway First Survey and Design Institute Group Ltd
Priority to CN202210161128.0A priority Critical patent/CN115117892A/zh
Publication of CN115117892A publication Critical patent/CN115117892A/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
    • 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
    • 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
    • H02J3/04—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
    • 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]
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明为一种电气化铁路电力贯通线无功补偿方案优化设计方法，其克服了现有技术中存在的设计中依赖主观判断、有限方案比选的局限的问题，本发明包括以下步骤：开始；获取电力贯通线负荷位置、容量等参数；构建多目标优化模型；初始化粒子群位置和速度；计算电力贯通线潮流分布；判断是否满足约束条件，是则进入下一步，否则返回初始化粒子群位置和速度步骤；计算各子目标函数值；更新外部数据库、个体极值及全局极值；计算Pareto熵，判断进化状态；计算惯性系数及学习因子；判断是否满足迭代精度要求，是则进入下一步，否则更新个体位置和速度，返回计算电力贯通线潮流分布步骤；输出Pareto解集；根据满意度值求最优方案；结束。

Description

一种电气化铁路电力贯通线无功补偿方案优化设计方法
技术领域：
本发明属于电气化铁路电力供电技术领域，涉及一种电气化铁路电力贯通线无功补偿方案优化设计方法。
背景技术：
电气化铁路电力贯通线沿铁路架设，是为铁路沿线车站、信号和电力设备等各类用电负荷进行供电的专用电力线路。由于架空线易受自然环境影响，为了提高供电可靠性，在高速铁路中采用全电缆贯通线向铁路非牵引负荷供电。电力贯通线采用全电缆供电时，为解决电缆分布电容效应带来的末端电压抬升、功率因数下降等问题，现场通常采用集中补偿和分散补偿相结合的方式对电容电流进行补偿。传统的无功补偿方案设计过于依赖设计人员专业经验，主要补偿装置数量和位置的确定易受主观因素影响，并且有限方案的比选，也缺乏全局寻优能力，难以保证设计最优。
综上所述，基于电气化铁路电力贯通线无功补偿的特点，通过构建单目标或者多目标寻优数学模型，结合智能算法，使得结果不断改善，最终收敛于最优补偿方案。
发明内容：
本发明的目的在于提供一种电气化铁路电力贯通线无功补偿方案优化设计方法，其克服了现有技术中存在的设计中依赖主观判断、有限方案比选的局限的问题，本发明能快速、准确地确定铁路电力贯通线无功补偿装置的容量、数目及位置等设计参数，减少设计中主观判断的不足，克服了有限方案比选的局限，同时能减小补偿装置补偿容量，节约投资。
为实现上述目的，本发明采用的技术方案为：
一种电气化铁路电力贯通线无功补偿方案优化设计方法，其特征在于：包括以下步骤：
步骤1：开始；
步骤2：获取电力贯通线负荷位置、容量等参数；
步骤3：构建多目标优化模型；
步骤4：初始化粒子群位置和速度；
步骤5：计算电力贯通线潮流分布；
步骤6：判断是否满足约束条件；是则进入下一步，否则返回步骤4；
步骤7：计算各子目标函数值；
步骤8：更新外部数据库、个体极值及全局极值；
步骤9：计算Pareto熵，判断进化状态；
步骤10：计算惯性系数及学习因子；
步骤11：判断是否满足迭代精度要求。是则进入下一步，否则更新个体位置和速度，返回步骤5；
步骤12：输出Pareto解集；
步骤13：根据满意度值求最优方案；
步骤14：结束。
上述方法包括以下步骤：
步骤1：获取电气化铁路电力贯通线沿线负荷位置、负荷容量等基础数据；
步骤2：建立电力贯通线无功补偿的多目标优化模型，包括优化变量：配电所动态无功补偿装置容量Q1、沿线分散设置的电抗器数量N、容量QLk和位置Pk，其中k＝1，2，…N；优化目标：全线网损Xloss最小、无功补偿设备容量Q最小、经济性M最优；约束条件：负荷点电压Ui偏差、贯通线首端功率因数cosφ；设置优化过程收敛条件：迭代精度要求；
步骤3：以基于Pareto熵的多目标粒子群优化算法为例，将优化变量作为粒子群，初始化位置和速度，作为电力贯通线潮流模型的输入参数；
步骤4：计算电力贯通线潮流分布，若满足约束条件，则递进至步骤5；若约束条件不满足，则返回步骤3，重新对粒子群初始化；
步骤5：计算优化目标函数值，建立外部数据库，用来储存优化过程得到的Pareto熵；
步骤6：利用前后两次迭代熵的变化，反映Pareto前沿重新分布的情况，推断种群的进化状态，如收敛状态、多样化状态和停滞状态；
步骤7：判断优化过程是否满足收敛条件，若满足步骤2中设置的收敛条件，则迭代过程结束，输出对应单目标优化的Pareto解或对应多目标优化的解集；若不满足步骤2中设置的收敛条件，则返回步骤6，继续进行迭代优化；
步骤8：若为单目标优化设计，则Pareto解对应的设计方案记为最优方案；若为多目标优化设计，应用模糊隶属度函数来评价每个Pareto解中各个目标函数对应的满意度，将满意度值最大的解对应的设计方案记为最优方案；
步骤9：输出电气化铁路电力贯通线无功补偿方案，优化设计过程结束。
所述步骤2中的多目标优化模型为：
Figure BDA0003514044560000041
式中，Fi为第i个目标优化函数，Xloss为网损、Q为无功补偿容量，T为时间范围，it为贯通线电流，R为贯通线阻值，Q1为动态无功补偿装置容量，QLk、N分别为电抗器容量和数目。
约束条件为：
Figure BDA0003514044560000042
所述步骤8中的模糊隶属度函数为：
Figure BDA0003514044560000043
式中：Fm为第m个目标函数值；
Figure BDA0003514044560000044
分别为第m个目标函数值中最小值和最大值。对于Pareto解集中的每个解，应用公式(4)求其对应的满意度值，将满意度值最大的解，对应的设计方案记为最优方案或满意方案。
Figure BDA0003514044560000045
与现有技术相比，本发明具有的优点和效果如下：
1、本发明避免了既有电力贯通线无功方案设计方法过于依赖设计人员主观经验，将主要设计参数定义为优化变量，配电所动态无功补偿装置容量、沿线分散设置的电抗器数量、位置、容量；根据设计性能和要求设置约束条件，包括负荷点电压、贯通线首端功率因数；以明确的函数形式描述优化目标，包括全线最小网损、无功补偿设备容量最小、经济性最优等，建立满足单目标最优或多目标满意优化的电气化铁路电力贯通线无功补偿设计数学模型。
2、本发明利用粒子群算法等智能优化算法，对上述数学模型进行计算机自动寻优，在约束条件限制域内对所有可能的无功补偿方案进行自动比选，确定符合优化目标的最优方案或满意方案。
3、本发明方法能快速、准确地确定无功补偿装置的容量、数目及位置等设计参数，提高牵引供电设计的精细化水平；同时减少补偿装置的补偿容量，节约投资。
附图说明：
图1为本发明实施基于粒子群算法的电力贯通线无功补偿优化设计流程图；
图2为电气化铁路电力贯通线无功补偿示意图。
具体实施方式：
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
本发明为一种电气化铁路电力贯通线无功补偿方案优化设计方法，通过将配电所动态无功补偿装置容量、固定电抗器容量、数量、位置作为优化变量；根据电力贯通线无功补偿要求设置约束条件(例如：负荷点电压Ui、贯通线首端功率因数
Figure BDA0003514044560000051
等)，确定优化目标函数(例如：全线网损Xloss最小、无功补偿设备容量Q最小、经济性M最优等)，建立满足单目标最优或多目标满意优化的电气化铁路电力贯通线无功补偿数学模型。利用粒子群算法在约束条件限制域内对所有可能的无功补偿方案进行自动比选，确定符合优化目标的最优方案或满意方案。参见图1，本发明包括以下步骤：
步骤1：开始；
步骤2：获取电力贯通线负荷位置、容量等参数；
步骤3：构建多目标优化模型；
步骤4：初始化粒子群位置和速度；
步骤5：计算电力贯通线潮流分布；
步骤6：判断是否满足约束条件。是则进入下一步，否则返回步骤4；
步骤7：计算各子目标函数值；
步骤8：更新外部数据库、个体极值及全局极值；
步骤9：计算Pareto熵，判断进化状态；
步骤10：计算惯性系数及学习因子；
步骤11：判断是否满足迭代精度要求。是则进入下一步，否则更新个体位置和速度，返回步骤5；
步骤12：输出Pareto解集；
步骤13：根据满意度值求最优方案；
步骤14：结束。
本发明具体包括以下步骤：
步骤1：获取电气化铁路电力贯通线沿线负荷位置、负荷容量等基础数据；
步骤2：建立电力贯通线无功补偿的多目标优化模型，参见图2，模型包括优化变量：配电所动态无功补偿装置容量(Q1)、沿线分散设置的电抗器数量(N)、容量(QLk)和位置(Pk，其中k＝1，2，…N)；优化目标：全线网损Xloss最小、无功补偿设备容量Q最小、经济性M最优等；约束条件：负荷点电压Ui偏差、贯通线首端功率因数
Figure BDA0003514044560000071
设置优化过程收敛条件：迭代精度要求；
步骤2中的多目标优化模型为：
Figure BDA0003514044560000072
式中，Fi为第i个目标优化函数，Xloss为网损、Q为无功补偿容量，T为时间范围，it为贯通线电流，R为贯通线阻值，Q1为动态无功补偿装置容量，QLk、N分别为电抗器容量和数目。
约束条件为：
Figure BDA0003514044560000073
步骤3：以基于Pareto熵的多目标粒子群优化算法为例，将优化变量作为粒子群，初始化位置和速度，作为电力贯通线潮流模型的输入参数；
步骤4：计算电力贯通线潮流分布，若满足约束条件，则递进至步骤5；若约束条件不满足，则返回步骤3，重新对粒子群初始化；
步骤5：计算优化目标函数值，建立外部数据库，用来储存优化过程得到的Pareto熵；
步骤6：利用前后两次迭代熵的变化，反映Pareto前沿重新分布的情况，推断种群的进化状态，如收敛状态、多样化状态和停滞状态；
步骤7：判断优化过程是否满足收敛条件，若满足步骤2中设置的收敛条件，则迭代过程结束，输出Pareto解(对应单目标优化)或解集(对应多目标优化)；若不满足步骤2中设置的收敛条件，则返回步骤6，继续进行迭代优化；
步骤8：若为单目标优化设计，则Pareto解对应的设计方案记为最优方案；若为多目标优化设计，可以应用模糊隶属度函数来评价每个Pareto解中各个目标函数对应的满意度，将满意度值最大的解对应的设计方案记为最优方案；
步骤8中的模糊隶属度函数为：
Figure BDA0003514044560000081
式中：Fm为第m个目标函数值；Fm min，Fm max分别为第m个目标函数值中最小值和最大值。对于Pareto解集中的每个解，应用公式(4)求其对应的满意度值，将满意度值最大的解，对应的设计方案记为最优方案或满意方案。
Figure BDA0003514044560000082
步骤9：输出电气化铁路电力贯通线无功补偿方案，优化设计过程结束。
实施例：
若以电力贯通线全线网损Xloss最小和无功补偿配置容量Q最小为优化目标，可以建立如下多目标优化模型，如式(1)所示：
Figure BDA0003514044560000091
式中，Fi为第i个目标优化函数，Xloss为网损、Q为无功补偿容量，T为时间范围，it为贯通线电流，R为贯通线阻值，Q1为动态无功补偿装置容量、QLk、N分别为电抗器容量和数目。
约束条件：
Figure BDA0003514044560000092
同时N≠0；Pk∈W(Pk，其中k＝1，2，…N)。
以基于Pareto熵的混沌多目标粒子群优化算法为例，对上述数学模型进行寻优。首先，在优化变量可行域域内初始化生成一个粒子群，粒子初始速度是在速度域内的一组随机数。然后，利用计算潮流分布和优化目标函数值。在迭代计算过程中，采用近似Pareto分布熵及差熵来评估种群的进化状态，并以此为反馈信息动态的跟踪调节进化策略和变异算子，并利用混沌扰动对变量进行调整。通过协调多个目标函数之间的关系，计算满足约束条件的Pareto解集。具体优化流程见图1。
对于无功补偿方案多目标优化，应采用模糊隶属度函数来评估每个Pareto解中各个目标函数对应的满意度，定义模糊隶属度函数如式(3)所示：
Figure BDA0003514044560000093
式中：Fm为第m个目标函数值；Fm min，Fm max分别为第m个目标函数值中最小值和最大值。对于Pareto解集中的每个解，应用公式(4)求其对应的满意度值，将满意度值最大的解，对应的设计方案记为最优方案或满意方案。
Figure BDA0003514044560000101
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡是利用本发明的说明书及附图内容所做的等同结构变化，均应包含在发明的专利保护范围内。

Claims (4)

1.一种电气化铁路电力贯通线无功补偿方案优化设计方法，其特征在于：包括以下步骤：
步骤1：开始；
步骤2：获取电力贯通线负荷位置、容量等参数；
步骤3：构建多目标优化模型；
步骤4：初始化粒子群位置和速度；
步骤5：计算电力贯通线潮流分布；
步骤6：判断是否满足约束条件；是则进入下一步，否则返回步骤4；
步骤7：计算各子目标函数值；
步骤8：更新外部数据库、个体极值及全局极值；
步骤9：计算Pareto熵，判断进化状态；
步骤10：计算惯性系数及学习因子；
步骤11：判断是否满足迭代精度要求。是则进入下一步，否则更新个体位置和速度，返回步骤5；
步骤12：输出Pareto解集；
步骤13：根据满意度值求最优方案；
步骤14：结束。
2.根据权利要求1所述的一种电气化铁路电力贯通线无功补偿方案优化设计方法，其特征在于：包括以下步骤：
步骤1：获取电气化铁路电力贯通线沿线负荷位置、负荷容量等基础数据；
步骤2：建立电力贯通线无功补偿的多目标优化模型，包括优化变量：配电所动态无功补偿装置容量Q1、沿线分散设置的电抗器数量N、容量QLk和位置Pk，其中k＝1，2，…N；优化目标：全线网损Xloss最小、无功补偿设备容量Q最小、经济性M最优；约束条件：负荷点电压Ui偏差、贯通线首端功率因数cosφ；设置优化过程收敛条件：迭代精度要求；
步骤3：以基于Pareto熵的多目标粒子群优化算法为例，将优化变量作为粒子群，初始化位置和速度，作为电力贯通线潮流模型的输入参数；
步骤4：计算电力贯通线潮流分布，若满足约束条件，则递进至步骤5；若约束条件不满足，则返回步骤3，重新对粒子群初始化；
步骤5：计算优化目标函数值，建立外部数据库，用来储存优化过程得到的Pareto熵；
步骤6：利用前后两次迭代熵的变化，反映Pareto前沿重新分布的情况，推断种群的进化状态，如收敛状态、多样化状态和停滞状态；
步骤7：判断优化过程是否满足收敛条件，若满足步骤2中设置的收敛条件，则迭代过程结束，输出对应单目标优化的Pareto解或对应多目标优化的解集；若不满足步骤2中设置的收敛条件，则返回步骤6，继续进行迭代优化；
步骤8：若为单目标优化设计，则Pareto解对应的设计方案记为最优方案；若为多目标优化设计，应用模糊隶属度函数来评价每个Pareto解中各个目标函数对应的满意度，将满意度值最大的解对应的设计方案记为最优方案；
步骤9：输出电气化铁路电力贯通线无功补偿方案，优化设计过程结束。
3.根据权利要求2所述的一种电气化铁路电力贯通线无功补偿方案优化设计方法，其特征在于：所述步骤2中的多目标优化模型为：
Figure FDA0003514044550000031
式中，Fi为第i个目标优化函数，Xloss为网损、Q为无功补偿容量，T为时间范围，it为贯通线电流，R为贯通线阻值，Q1为动态无功补偿装置容量，QLk、N分别为电抗器容量和数目。
约束条件为：
Figure FDA0003514044550000032
4.根据权利要求2所述的一种电气化铁路电力贯通线无功补偿方案优化设计方法，其特征在于：所述步骤8中的模糊隶属度函数为：
Figure FDA0003514044550000033
式中：Fm为第m个目标函数值；Fm min，Fm max分别为第m个目标函数值中最小值和最大值。对于Pareto解集中的每个解，应用公式(4)求其对应的满意度值，将满意度值最大的解，对应的设计方案记为最优方案或满意方案。
Figure FDA0003514044550000041
CN202210161128.0A 2022-02-22 2022-02-22 一种电气化铁路电力贯通线无功补偿方案优化设计方法 Pending CN115117892A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210161128.0A CN115117892A (zh) 2022-02-22 2022-02-22 一种电气化铁路电力贯通线无功补偿方案优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210161128.0A CN115117892A (zh) 2022-02-22 2022-02-22 一种电气化铁路电力贯通线无功补偿方案优化设计方法

Publications (1)

Publication Number Publication Date
CN115117892A true CN115117892A (zh) 2022-09-27

Family

ID=83325417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210161128.0A Pending CN115117892A (zh) 2022-02-22 2022-02-22 一种电气化铁路电力贯通线无功补偿方案优化设计方法

Country Status (1)

Country Link
CN (1) CN115117892A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116073395A (zh) * 2023-03-06 2023-05-05 中国铁路设计集团有限公司 一种电力贯通线智能化分布式补偿系统及补偿方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834974A (zh) * 2015-05-13 2015-08-12 西南交通大学 一种电气化铁路牵引供电方案优化设计方法
CN106549394A (zh) * 2016-12-07 2017-03-29 东北大学 基于双鱼群算法的电力无功优化系统及方法
CN108108532A (zh) * 2017-12-06 2018-06-01 华南理工大学 运用粒子群算法优化功率电子电路的方法
CN111682557A (zh) * 2020-06-18 2020-09-18 四川大学 电力系统无功设备配置地点和最佳补偿容量的优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834974A (zh) * 2015-05-13 2015-08-12 西南交通大学 一种电气化铁路牵引供电方案优化设计方法
CN106549394A (zh) * 2016-12-07 2017-03-29 东北大学 基于双鱼群算法的电力无功优化系统及方法
CN108108532A (zh) * 2017-12-06 2018-06-01 华南理工大学 运用粒子群算法优化功率电子电路的方法
CN111682557A (zh) * 2020-06-18 2020-09-18 四川大学 电力系统无功设备配置地点和最佳补偿容量的优化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116073395A (zh) * 2023-03-06 2023-05-05 中国铁路设计集团有限公司 一种电力贯通线智能化分布式补偿系统及补偿方法

Similar Documents

Publication Publication Date Title
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
CN113515884A (zh) 分散式电动汽车实时优化调度方法、系统、终端及介质
CN107169631B (zh) 基于改进加权Voronoi图的有源配电网变电站规划方法
CN107508287B (zh) 电网变电站负荷分群方法、装置、存储介质和计算机设备
CN113054688B (zh) 考虑不确定性的可再生能源集群出力分布式协调控制方法
CN115117892A (zh) 一种电气化铁路电力贯通线无功补偿方案优化设计方法
CN110766190A (zh) 一种配电网负荷预测方法
CN109586278B (zh) 一种交直流混合配电网供电能力评估方法
CN110611305A (zh) 考虑配网电压越限风险的光伏接入规划方法
CN113890017A (zh) 基于关键量测的配电网电压自适应控制方法
CN111064201B (zh) 一种基于网络拓扑优化控制的配电网电压优化调节方法
CN116316755B (zh) 一种基于强化学习的电气化铁路储能系统能量管理方法
Wang et al. Distributed economic automatic generation control: A game theoretic perspective
CN116822719A (zh) 一种配电网的多目标规划方法及装置
CN113085561B (zh) 机车再生制动能量分配方法、系统和装置
CN111082463B (zh) 一种用于提高配电网分布式发电承载能力的方法
MingKui et al. Multi-objective transmission network expansion planning based on Reinforcement Learning
Schoot Uiterkamp Robust planning of electric vehicle charging
Shan et al. A voltage control method for distribution networks based on TCN and MPGA under cloud edge collaborative architecture
CN111047465A (zh) 一种基于电力大数据的电网友好型负荷响应方法
CN112952831B (zh) 一种负荷侧储能提供堆叠服务的日内优化运行策略
CN113690930B (zh) 基于nsga-iii算法的分布式光伏电源中长期选址定容方法
CN114421470B (zh) 一种柔性钻石型配电系统智能化实时运行控制方法
Li et al. A Distributed Two-Layer Frequency Compensation for Islanded Microgrids Based on Q-learning and PI Controllers
CN107423847A (zh) 一种分布式智能配电网的电力负荷预测方法

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