一种基于遗传算法的故障限流器优化布点配置方法与流程

技术特征：

1.一种基于遗传算法的故障限流器优化布点配置方法，其特征在于：包括顺序执行的以下步骤：

步骤1、通过对电网指定电压等级节点进行三相短路故障的短路电流扫描，确定需要限制短路电流的全部节点，并计算上述节点的自阻抗、互阻抗值；同时，设定电网中能够安装的故障限流器数量下限值为1、上限值为M，设定故障限流器的阻值范围，设定限制短路电流的节点的限流目标；

步骤2、定义遗传算法中的每个染色体为由故障限流器在电网中的安装位置、故障限流器的安装数量以及故障限流器的阻值信息组成的二进制代码序列，设定遗传算法的种群中染色体的总数为N；

步骤3、设定遗传算子系数，经过遗传算子迭代，寻找种群最优适应函数值FV对应的染色体作为全局最优个体，按照全局最优个体的二进制代码序列所对应的故障限流器在电网中的安装位置、故障限流器的安装数量以及故障限流器的阻值信息进行故障限流器的配置；

步骤4、改变遗传算子系数，产生相应的故障限流器在电网中的配置方案，选取满足限流效果且限流效果最佳情况下对应的遗传算子系数以及相应的故障限流器的配置方案为最终结果。

2.根据权利要求1所述的基于遗传算法的故障限流器优化布点配置方法，其特征在于：步骤3中，种群最优适应函数值FV的数学模型如下：

$\left\{\begin{array}{c}\max \mathrm{\δ}=\frac{\mathrm{\Σ}\left|{\mathrm{\ΔY}}_{ii}^{\left(k\right)}\right|{\mathrm{\ϵ}}^{\left(k\right)}}{Y_{f_1}+Y_{f_2}+...+Y_{f_{i^{\′}}}+...+Y_{f_m}}\\ \begin{array}{cc}s.t.& Y_{ii}^{\left(k\right)}\≤Y_G^{\left(k\right)}\end{array}\end{array}\right.,1\≤k\≤n$

上式中：

等号左边即为种群最优适应函数值FV；

k为节点号；

n为支路节点总数；

Y_fi'为故障限流器的阻值,i'取1到m,m表示使用的故障限流器的数量；

ε^(k)为节点号为k的节点超过短路电流允许值的幅度，为节点号为k的节点的限流目标，为节点号为k的节点的短路电流值；

Y_ii^(k)为节点号为k的节点自导纳模值，满足为节点号为k的节点线路导纳；

Y_G^(k)为节点号为k的节点的短路电流恰好达到时的节点号为k的节点的自导纳值；加入故障限流器前后节点号为k的节点的自导纳模值之差。

3.根据权利要求2所述的基于遗传算法的故障限流器优化布点配置方法，其特征在于：计算过程中，在节点导纳矩阵中计算加入故障限流器后的节点导纳；

加入故障限流器前的节点导纳矩阵形式如下：

$Y=\left[\begin{array}{cccc}{Y}_{11}& Y_{12}& ...& Y_{1n}\\ Y_{21}& Y_{22}& ...& Y_{2n}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ Y_{n1}& Y_{n2}& ...& Y_{nn}\end{array}\right]$

上式中，节点i和节点j之间的互导纳用Y_ij表示，节点i的自导纳用Y_ii表示，i和j均在1到n中取值；

加入故障限流器后的节点导纳矩阵形式如下：

上式中：

$\left\{\begin{array}{c}{y}_{ij}=\frac{1}{Z_f^{\′}}\\ Z_f^{\′}=-(\frac{Z_{ij}^2}{Z_f}+Z_{ij})\end{array}\right.$

Z_f为接入节点i和节点j之间的支路的故障限流器的电抗；

Z_ij为节点i和节点j之间的支路在接入故障限流器之前的阻抗。