一种基于蚁群算法的机组启动顺序优化方法与流程

本发明涉及电网安全领域，更具体地说，涉及一种基于蚁群算法的机组启动顺序优化方法。

背景技术：

电网往往由于不可抵抗扰动或意外故障影响产生大面积停电事故，事故发生时范围内机组停止工作，为启动故障机组从而恢复电网系统功能，需要采用系统自启动机组或外电源逐步启动其余待启动机组并实现发电并网功能，恢复电厂供发电能力。

待启动机组启动效率决定启动优先级，其与自身特征参数有关，主要体现为启动时间、爬坡时间、容量和机组状态等。机组爬坡率、容量与启动效率呈现正相关关系，爬坡率越高、容量越大，机组启动越快；机组启动时间、功率越短，启动越快。停机机组状态也决定优先级顺序，极热态、热态或温态机组其启动优先级高于冷态机组。

机组启动顺序需要考虑上述多因素作用，采用科学算法确定机组启动顺序，优化机组启动次序提高系统恢复效率，实现事故后电网快速黑启动自救功能，可有效缩短停电时间和事故损失。

目前国内外关于电网黑启动研究中，电阻启动常伴随事故时间长、电量消耗大，适用对象单一等缺点，为优化启动效率，降低经济损失，寻求一种适用多类电网拓扑结构的、提高机组启动效率的算法优化方法显得至关重要。

技术实现要素：

为满足现有技术的需要，本发明提供一种基于蚁群算法的机组启动顺序优化方法。

本发明的技术方案包括以下步骤：

步骤1：输入所有机组相关的参数与蚁群算法参数，m为蚁群中蚂蚁数量,代表黑启动机组个数，k为蚂蚁编号(k＝1,2,3...,m)，n为待启动机组个数，机组i为当前蚂蚁k所处机组，机组j为蚂蚁k下一个所到达的机组，构建蚂蚁路径矩阵：

步骤2：计算蚂蚁k从机组i到机组j的概率，建立路径概率计算公式：

式中，ak为蚂蚁k在机组i时未启动的机组集合；τij为初始信息素、α为信息素因子、β为启发因子；为蚂蚁k从机组i到机组j的启发程度，定义为：

式中，ts表示机组j的启动时间，tr表示机组j的爬坡时间，pmax表示机组j的最大容量；

步骤3：计算蚂蚁k从机组i到机组j的概率选择概率极大值所对应的机组j为下一待启动机组并更新信息素浓度τij，公式如下：

式中，信息素挥发因子ρ范围为(0-1)，ρ的大小关系到算法的全局搜索能力与收敛速度，1-ρ表示信息素残留因子；表示蚂蚁k在机组路径(i,j)释放的信息素，表征公式如下：

其中q为信息素常数；

步骤4：再次执行步骤1至3，直到蚂蚁k遍历启动所有发电机组；此时找到迭代最优路径并记录，更新蚂蚁路径矩阵f；

步骤5：计算m个蚂蚁遍历发电机组路径，得到本轮迭代最短路径；重复n轮迭代，比较n个极短路径并得到全局最短路径，并输出该全局最短路径即为恢复机组启动顺序。

本发明有益效果为：本发明采用的蚁群算法具有全局搜索能力强、鲁棒性好等特点，通过算法侧重考虑具备启动快、爬坡迅速等优异参数的优先启动机组，实现启动次序优化，加快了电网系统恢复进程，对大规模停电事故快速恢复起到了积极作用；该方法不受电网对象结构限制，适用多种电网拓扑结构，工程实用性和现实适用性较好。

附图说明

图1为本发明所述的基于蚁群算法的机组启动顺序优化方法流程图。

图2为本发明的实施例的输电网拓扑图。

图3是本发明实施例的机组启动顺序结果。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚的说明本发明的技术方案，而非全部实施例，不能以此来限制本发明的保护范围。

如图1所示，本发明的一种基于蚁群算法的机组启动顺序优化方法，包括以下步骤：

步骤1，输入初始黑启动机组、待恢复电源个数和机组启动特性参数；

所述的机组启动特性参数，指待启动机组的启动时间，爬坡时间和最大容量参数；

步骤2，输入蚁群算法参数；

所述的算法参数，指蚂蚁数量、初始信息素、信息素因子、启发因子、信息素挥发因子、信息素常数和最大迭代次数；

步骤3，根据步骤1待恢复电源个数和步骤2蚂蚁数量构建蚂蚁路径矩阵f＝[fkj]m×n，

式中，m--蚂蚁数量；n--待恢复机组的个数；fkj＝1--蚂蚁k经过机组j；

步骤4，计算路径概率，选择下一恢复机组；

步骤5，确定路径后，更新信息素浓度

步骤6，迭代执行步骤3-5，直到蚂蚁k遍历所有发电机组，更新蚂蚁路径矩阵，记录此次迭代最优路径，并记为下一次迭代备选路径；

步骤7，迭代n次后，比较n个极短路径得到其最小值并作为全局最短路径，输出恢复机组启动顺序；

图2为ieee39节点标准测试系统结构示意图；

如图2所示的结构中，系统一共有39条母线、35条输电线路、10台发电机组，其中位于母线30和35的发电机组g30和g35为黑启动机组；

步骤1，设置待恢复机组n＝8、蚂蚁数量m＝2，构建蚂蚁路径矩阵f＝[fkj]2×8；

步骤2，设置初始信息素τij＝0、信息素因子α＝5、启发因子β＝8，计算路径概率j∈[1,8]；

对机组g30：当j＝j0其中j0∈[1,8]，概率为极大值；

对机组g35：当j＝j'0其中j'0∈[1,8]，概率为极大值；

此时机组g30对应j0机组为下一启动机组，g35对应j'0为下一待启动机组；

步骤3，确定路径后，设置信息素挥发因子ρ＝0.5、信息素常数q＝50，更新信息素τij：

对机组g30：

对机组g35：

步骤4，重复步骤1-3，计算再下一待启动机组：

对机组g30：当j＝j1其中j1∈[1,6]，概率为极大值；

对机组g35：当j＝j1'其中j1'∈[1,6]，概率为极大值；

继续迭代，

对机组g30：g30-gj0-gj1-......-gjm；

对机组g35：g35-gj0-gj1-......-gjn；

此时，m+n＝8；

记录本次迭代最优路径并作为下次迭代备选路径；

步骤5，迭代n＝100次，发现全局最短路径并输出恢复机组启动顺序：

对机组g30：g30-g37-g39-g38；

对机组g35：g35-g33-g36-g32-g34-g31；

图3为ieee39节点标准测试系统蚁群迭代结果。

如图3所示，以g30黑启动机组获得最短路径为g30-g37-g39-g38，以g35黑启动机组获得最短路径为g35-g33-g36-g32-g34-g31。整个黑启动过程耗时200分钟，在启动过程中可提供51420mwh电量，未采用蚁群算法优化耗时326分钟，在启动过程中可提供41386mwh电量。

由以上实施例可见，应用本发明技术方案，可充分发挥蚁群算法全局搜索能力强、鲁棒性好等优点，优先给予启动功率小、爬坡率快、容量大的机组较髙的启动优先级，缩短启动时间，加快系统恢复进程，降低停电事故经济损失。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。