风电场的电力系统无功优化方法

风电场的电力系统无功优化方法
【专利摘要】本发明涉及一种电力系统无功优化，具体为风电场的电力系统无功优化方法。风电场的电力系统无功优化方法，种群的随机初始化，引入线性退火权重，将新种群中个体与原始种群中个体基因在CR的权重下进行基因融合，生成目标种群，完成交叉操作，计算目标个体的适应度值，并与原始个体的适应度值进行一对一的比较，择优保存，最终生成新一代种群，在最大进化代数范围内迭代搜索，直至达到最大进化代数。该方法对差分算法的参数进行了动态调整，并对种群中重叠的个体采用线性退火的变异策略，避免了算法陷入局部最优，提高了寻优和全局搜索能力，缩短计算时间，有效处理风电场对电网无功分布和电压问题的影响，减小系统网损，提高电压水平。
【专利说明】
风电场的电力系统无功优化方法
技术领域
[0001]本发明涉及一种电力系统无功优化，具体为风电场的电力系统无功优化方法。【背景技术】
[0002]电力系统无功优化是指当系统的结构参数及负荷情况给定时，通过控制变量的优选，在满足所有指定的约束条件下，找到使系统的一个或多个性能指标达到最优时的无功调节手段。无功优化的目的是通过调整无功潮流的分布降低有功网损，并保证电压在一个最好的水平，在满足运行条件约束的前提下，靠改变电网的电压、无功分布来降低系统有功网损，实现有功网损最小。无功优化是一个多目标、多变量、多约束的混合非线性规划问题， 其优化变量既有连续变量如节点电压，又有离散变量如变压器调压档位、无功补偿装置组数等，这样使得整个优化过程十分复杂，其中对离散变量的处理更是增加了优化的难度。无功优化算法可分为两类:传统无功优化算法和现代人工智能算法。
[0003]传统的无功优化算法，需要进行大量复杂繁冗的计算，需要投入大量的精力进行反复验证，由于数据量庞大，会对结果的精确度产生影响。同时解的情况可以评价算法的计算效果。在配电网无功优化过程中，由于简化程度或由于算法限制，线性规划法、非线性规划法、混合整数规划法只能得到次优解或局部最优解。
[0004]人工智能方法，包括现代启发式搜索算法、专家系统和人工神经元网络等。现代启发式搜索算法中的模拟退火算法、遗传算法等在电力系统无功优化中的应用已取得了大量的研究成果。与严格的数学优化方法不同，以上方法可以很好地处理离散的、非线性问题。 目前，这些方法已初步应用到电力系统中，在一定程度上提高了计算的收敛性和速度，弥补了数学优化方法的不足，并取得了较好的优化结果。
[0005]缺点是，模拟退火算法、遗传算法参数较多，参数选取比较麻烦，对问题的依赖性过强;人工神经网络前期需投入大量样本训练，自我学习周期较长，而且很容易陷入局部极值;模糊优化算法对精确问题的求解过于复杂。由于最终仍归结为线性或非线性规划问题， 计算速度没有明显提高，会导致模型变成非线性而影响计算效率。
【发明内容】

[0006]针对上述技术问题，本发明提供一种风电场的电力系统无功优化方法，采用基本差分进化算法，并融入递增二次函数交叉算子以增加算法的收敛速度；当算法陷入早熟后， 对最优个体和随机选取的个体采用随机扰动的变异策略，帮助其跳出局部极值，以增强算法的鲁棒性，提高算法的全局搜索能力。
[0007]具体技术方案为:
[0008]风电场的电力系统无功优化方法，包括以下过程:
[0009](1)种群的随机初始化
[0010]设置无功优化控制变量(机端电压、有载变压器抽头和可调电容器容量)的维数和取值范围，设置DEA的种群规模NP，最大进化代数GEN_MAX，以及交叉因子CR。随机生成原始种群，计算原始个体的适应度值。
[0011](2)引入线性退火权重，在最大进化代数范围内任选三个个体进行变异操作，变异后生成新的种群，即新的一组控制变量。
[0012](3)将新种群中个体与原始种群中个体基因在CR的权重下进行基因融合，生成目标种群，完成交叉操作，即对控制变量各值进行新一代的生成。
[0013](4)计算目标个体的适应度值，并与原始个体的适应度值进行一对一的比较，择优保存，最终生成新一代种群。即完成对控制变量的一次全局搜索，找到网损较小的点。[〇〇14](5)在最大进化代数范围内迭代搜索，直至达到最大进化代数，满足搜索截止条件，这时算法收敛，在全局范围内找到控制变量的最佳配置，实现网损最小的目标。
[0015]含风电场的电力潮流计算的关键是如何正确处理风力发电机组本身固有的特性。 本发明提供的风电场的电力系统无功优化方法，进行含风电场的潮流计算，为了保持潮流计算精度与迭代效率，且简化风电接入系统后潮流计算，在简化异步发电机稳态等效电路的基础上，采用不修改雅可比矩阵元素，根据风电场有功功率及节点电压动态修改无功功率，进行联合迭代，这样能较准确的计算出含风电机组的配电网潮流。最后将改进差分进化算法应用到含风电场的电力系统无功优化中，建立以系统网损最小为目标函数的数学模型，将节点电压、电容器无功补偿和发电机可调无功功率越界作为惩罚项来处理。在仿真算例中验证该模型的可行性和正确性。
[0016]本发明提供的风电场的电力系统无功优化方法，对差分进化算法在含风电场的无功优化中存在易陷入局部最优的缺点，对差分算法的参数进行了动态调整，并对种群中重叠的个体采用线性退火的变异策略，避免了算法陷入局部最优，提高了寻优和全局搜索能力，缩短了计算时间，有效处理风电场对电网无功分布和电压问题的影响，减小系统网损， 提高电压水平。【附图说明】
[0017]图1是本发明的流程图。【具体实施方式】
[0018]结合【附图说明】本发明的【具体实施方式】。
[0019]分析新疆达坂城风电场的实际数据，根据IEEE-30节点系统各粒子的位置信息利用PSASP进行潮流计算，给出线路有功、无功潮流，各节点电压幅值、相角及有功网损等计算结果，为后续节点系统的无功优化做准备。具体过程如图1所示。
[0020]将改进差分进化算法应用到风电场的电力系统无功优化中，并对IEEE-30节点系统进行优化仿真计算，仿真结果可验证差分进化算法的可行性和有效性。
【主权项】
1.风电场的电力系统无功优化方法，其特征在于，包括以下过程:(1)种群的随机初始化设置无功优化控制变量的维数和取值范围，设置DEA的种群规模NP，最大进化代数GEN_ MAX，以及交叉因子CR;随机生成原始种群，计算原是个体的适应度值；(2)引入线性退火权重，在最大进化代数范围内任选三个个体进行变异操作，变异后生 成新的种群，即新的一组控制变量；(3)将新种群中个体与原始种群中个体基因在CR的权重下进行基因融合，生成目标种 群，完成交叉操作，即对控制变量各值进行新一代的生成；(4)计算目标个体的适应度值，并与原始个体的适应度值进行一对一的比较，择优保 存，最终生成新一代种群;即完成对控制变量的一次全局搜索，找到网损较小的点；(5)在最大进化代数范围内迭代搜索，直至达到最大进化代数，满足搜索截止条件，这 时算法收敛，在全局范围内找到控制变量的最佳配置，实现网损最小的目标。
【文档编号】H02J3/38GK106026200SQ201610333200
【公开日】2016年10月12日
【申请日】2016年5月9日
【发明人】任甜甜, 何颖, 朱晓明, 刘光辉, 张海丽, 朱婷婷, 马晓倩
【申请人】任甜甜