一种基于PSO新能源电站自发无功和SVG无功补偿的容量优化配置方法与流程

本发明涉及静止无功发生器(svg)技术领域，具体的说是涉及一种基于pso新能源电站自发无功和svg无功补偿的容量优化配置方法。

背景技术：

目前，随着全球能源形势的紧张，新能源作为缓解化石能源危机的重要方式，逐步接入电力系统中，特别是光伏电池，随着光伏发电装机容量的日益增大，光伏电站对电网的影响也日益增大。大型光伏电站一般建在光照充足的荒漠地区，这些地区负荷较小，电网结构薄弱，电站电压稳定性较弱，造成光伏电站电压稳定问题突出。受光照强度的变化，光伏电站的并网点电压会呈现波动变化，甚至有越限的可能性，光伏电站并网点电压下降的主要原因是光伏电站无功功率不足，所以大型光伏电站必须具备无功调节能力。光伏发电并网系统在一般情况下只提供给电网有功电能，即将太阳能光伏阵列的直流电转换为与电网同频同相的交流电馈送给电网，并保证其具有较高的功率因数。而国家电网公司2011年正式颁布的q/gdw617—2011《光伏电站接入电网技术规定》中规定:“对于专线接入公共电网的光伏电站，光伏电站应具备一定无功备用容量，在电网故障或异常时，向电网提供无功支持，防止电压崩溃”。因此需要对含有光伏电站的配电网进行无功补偿。通过合理配置无功补偿装置和有效补偿无功负荷，不仅可以提高节点电压水平，维持系统运行的稳定性，而且还可以降低系统网络损耗，提高电能质量，使配电网络能够安全经济地运行。

技术实现要素：

本发明的目的是：提出一种基于pso的新能源电站自发无功和svg无功补偿的容量优化配置方法，采用粒子群优化算法，在考虑光伏逆变器自发无功的情况下，以最小经济投入为指标，对光伏逆变器自发无功与svg无功补偿容量进行合理配置。

为了实现本目的，本发明提供了一种基于pso新能源电站自发无功和svg无功补偿的容量优化配置方法，以最小经济性投入为指标，基于粒子群算法，建立考虑光伏逆变器无功补偿容量的无功补偿优化数学模型；具体包括以下步骤：

(1)目标函数：以系统运行经济性最优为目标函数，考虑由于配电网无功补偿而减少的网络损耗费用和添加无功补偿装置的支出费用，其模型表达式为：

minf＝βτmaxδp∑+(α+γ)kcqc∑(1)

式中：β为每度电价；τmax为年最大负荷损耗小时数；α、γ分别表示无功补偿设备年度折旧维护率和投资回收率；kc为单位容量无功补偿设备的价格；qc∑为各点无功补偿容量之和；δp∑为补偿后的无功网损；

(2)功率方程等式约束：在无功补偿优化模型中，节点有功功率和无功功率平衡约束如下：

pi,min≤pi≤pi,maxi＝1,2,…,ng(4)

式中n为系统总节点数；

(3)变量约束：变量约束包括控制变量约束和状态变量约束二个部分；本方法选定的控制变量为光伏电站的无功调节容量qdg、无功补偿装置的出力qc和有载调压变压器的变比tt，状态变量是负荷节点电压值ud；

控制变量约束为：

qdgi,min≤qdgi≤qdgi,maxi＝1,2,…,ng(5)

qcj,min≤qcj≤qcj,maxj＝1,2,…,nc(6)

ttk,min≤ttk≤ttk,maxk＝1,2,…,nt(7)

状态变量约束为：

udj,min≤udj≤udj,maxj＝1,2,…,nd(8)

式中：qdgi、qdgi,max、qdgi,min分别为光伏电站的无功容量、无功容量的上限值和下限值；qcj、qcj,max、qcj,min分别为无功补偿装置svg容量、无功补偿装置svg容量的上限值和下限值；ttk、ttk,max、ttk,min分别为变压器可调分接头及其上限值和下限值；udj、udj,max、udj,min分别为负荷节点的电压、节点电压上限值和下限值；ng、nc、nt、nd分别为光伏电站数、无功补偿装置数、变压器可调分接头数、负荷节点数。

更进一步的，在建立的无功优化模型的基础上，利用粒子群优化算法，求解出最优逆变器自发无功量和svg无功补偿容量；在pso中，每个粒子都是解空间里的一个解，每个粒子是d维变量，d是优化问题中变量个数；设第i个粒子pi＝(xi1,xi2,…xid)，它在迭代过程中产生的最优的适应值(目标函数值)为pbesti＝(pbest1,pbest2,…,pbestd)。在经过多次迭代过程中，会在每代中产生最优粒子gbest＝(gbest1,gbest2,…,gbestd)。粒子群算法粒子i的速度和位置更新方程为：

xij(t+1)＝xij(t)+vij(t+1)j＝1,2,…,d(10)

式中：c1，c2，c3为加速系数(或称学习因子)，分别调节向全局最优粒子和个体最优粒子方向飞行的步长，合适的c1，c2，c3加快收敛速度且不易陷入局部最优，通常令c1＝c2＝c3＝2；r1，r2；r3为[0，1]之间任意可能的随机数；pbest为粒子的个体最优点的位置(即坐标)；gbest为整个种群的全局最优点的位置；mbest为各组别最优点位置。

与以往的技术相比，本发明内容具有如下有益效果：基本粒子群算法由于采用常数惯性权重，寻优结果往往不够理想；此外所有粒子都使用相同的gbest来更新速度和位置并朝这个最优粒子聚集，容易陷入局部最优解；因此在本方法中粒子在每一次迭代中，除了跟踪个体极值pbest和全局极值gbest外，还要跟踪组织中的最佳值mbest，这样能够更快、更精确地收敛到全局最优解。

附图说明

为了更加清晰地描述本发明的具体实施例，下面将对本发明实施方案所需使用的附图作简单介绍。

图1为基于粒子群优化算法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明的具体实施方案做更加明确完整地描述。

如图1所示的基于粒子群优化算法流程，其主要步骤包括：

(1)输入算法参数(种群数目，粒子数目，迭代次数，惯性因子，加速次数)和光伏电站系统参数；

(2)初始化粒子的速度和位置；

(3)进行潮流计算得到各个粒子的适应度f(x)；

(4)更新粒子的pbest，gbest和mbest；

(5)根据粒子群算法粒子i的速度和位置更新方程更新粒子速度和位置；

(6)判断是否满足迭代次数及约束条件，是则结束，若不满足则从潮流计算继续进行迭代。

考虑光伏逆变器无功补偿容量的svg无功补偿优化数学模型：

1.目标函数：以系统运行最优为目标函数，考虑由于配电网无功补偿而减少的网络损耗费用和添加无功补偿装置的支出费用，其模型表达式为：

minf＝βτmaxδp∑+(α+γ)kcqc∑(1)

式中：β为每度电价；τmax为年最大负荷损耗小时数；α、γ分别表示无功补偿设备年度折旧维护率和投资回收率；kc为单位容量无功补偿设备的价格；qc∑为各点无功补偿容量之和；δp∑为补偿后的无功网损；

2.功率方程等式约束：在无功补偿优化模型中，节点有功功率和无功功率平衡约束如下：

pi,min≤pi≤pi,maxi＝1,2,…,ng(4)

式中n为系统总节点数；

3.变量约束：变量约束包括控制变量约束和状态变量约束二个部分；本方法选定的控制变量为光伏电站的无功调节容量qdg、无功补偿装置的出力qc和有载调压变压器的变比tt，状态变量是负荷节点电压值ud；

控制变量约束为：

qdgi,min≤qdgi≤qdgi,maxi＝1,2,…,ng(5)

qcj,min≤qcj≤qcj,maxj＝1,2,…,nc(6)

ttk,min≤ttk≤ttk,maxk＝1,2,…,nt(7)

状态变量约束为：

udj,min≤udj≤udj,maxj＝1,2,…,nd(8)

式中：qdgi、qdgi,max、qdgi,min分别为光伏电站的无功容量、无功容量的上限值和下限值；qcj、qcj,max、qcj,min分别为无功补偿装置svg容量、无功补偿装置svg容量的上限值和下限值；ttk、ttk,max、ttk,min分别为变压器可调分接头及其上限值和下限值；udj、udj,max、udj,min分别为负荷节点的电压、节点电压上限值和下限值；ng、nc、nt、nd分别为光伏电站数、无功补偿装置数、变压器可调分接头数、负荷节点数。

粒子群优化算法(pso)是模拟鸟群觅食行为而发展起来的启发式进化算法(共生合作算法)；在pso中，每个粒子都是解空间里的一个解，每个粒子是d维变量，d是优化问题中变量个数；设第i个粒子pi＝(xi1,xi2,…xid)，它在迭代过程中产生的最优的适应值(目标函数值)为pbesti＝(pbest1,pbest2,…,pbestd)；在经过多次迭代过程中，会在每代中产生最优粒子gbest＝(gbest1,gbest2,…,gbestd)；粒子群算法粒子i的速度和位置更新方程为：

xij(t+1)＝xij(t)+vij(t+1)j＝1,2,…,d(10)

式中：c1，c2，c3为加速系数(或称学习因子)，分别调节向全局最优粒子和个体最优粒子方向飞行的步长，合适的c1，c2，c3加快收敛速度且不易陷入局部最优，通常令c1＝c2＝c3＝2；r1，r2；r3为[0，1]之间任意可能的随机数；pbest为粒子的个体最优点的位置(即坐标)；gbest为整个种群的全局最优点的位置；mbest为各组别最优点位置。