風電場的電力系統無功優化方法
【專利摘要】本發明涉及一種電力系統無功優化，具體為風電場的電力系統無功優化方法。風電場的電力系統無功優化方法，種群的隨機初始化，引入線性退火權重，將新種群中個體與原始種群中個體基因在CR的權重下進行基因融合，生成目標種群，完成交叉操作，計算目標個體的適應度值，并與原始個體的適應度值進行一對一的比較，擇優保存，最終生成新一代種群，在最大進化代數范圍內迭代搜索，直至達到最大進化代數。該方法對差分算法的參數進行了動態調整，并對種群中重疊的個體采用線性退火的變異策略，避免了算法陷入局部最優，提高了尋優和全局搜索能力，縮短計算時間，有效處理風電場對電網無功分布和電壓問題的影響，減小系統網損，提高電壓水平。
【專利說明】
風電場的電力系統無功優化方法
技術領域
[0001]本發明涉及一種電力系統無功優化，具體為風電場的電力系統無功優化方法。【背景技術】
[0002]電力系統無功優化是指當系統的結構參數及負荷情況給定時，通過控制變量的優選，在滿足所有指定的約束條件下，找到使系統的一個或多個性能指標達到最優時的無功調節手段。無功優化的目的是通過調整無功潮流的分布降低有功網損，并保證電壓在一個最好的水平，在滿足運行條件約束的前提下，靠改變電網的電壓、無功分布來降低系統有功網損，實現有功網損最小。無功優化是一個多目標、多變量、多約束的混合非線性規劃問題， 其優化變量既有連續變量如節點電壓，又有離散變量如變壓器調壓檔位、無功補償裝置組數等，這樣使得整個優化過程十分復雜，其中對離散變量的處理更是增加了優化的難度。無功優化算法可分為兩類:傳統無功優化算法和現代人工智能算法。
[0003]傳統的無功優化算法，需要進行大量復雜繁冗的計算，需要投入大量的精力進行反復驗證，由于數據量龐大，會對結果的精確度產生影響。同時解的情況可以評價算法的計算效果。在配電網無功優化過程中，由于簡化程度或由于算法限制，線性規劃法、非線性規劃法、混合整數規劃法只能得到次優解或局部最優解。
[0004]人工智能方法，包括現代啟發式搜索算法、專家系統和人工神經元網絡等。現代啟發式搜索算法中的模擬退火算法、遺傳算法等在電力系統無功優化中的應用已取得了大量的研究成果。與嚴格的數學優化方法不同，以上方法可以很好地處理離散的、非線性問題。 目前，這些方法已初步應用到電力系統中，在一定程度上提高了計算的收斂性和速度，彌補了數學優化方法的不足，并取得了較好的優化結果。
[0005]缺點是，模擬退火算法、遺傳算法參數較多，參數選取比較麻煩，對問題的依賴性過強;人工神經網絡前期需投入大量樣本訓練，自我學習周期較長，而且很容易陷入局部極值;模糊優化算法對精確問題的求解過于復雜。由于最終仍歸結為線性或非線性規劃問題， 計算速度沒有明顯提高，會導致模型變成非線性而影響計算效率。
【發明內容】

[0006]針對上述技術問題，本發明提供一種風電場的電力系統無功優化方法，采用基本差分進化算法，并融入遞增二次函數交叉算子以增加算法的收斂速度；當算法陷入早熟后， 對最優個體和隨機選取的個體采用隨機擾動的變異策略，幫助其跳出局部極值，以增強算法的魯棒性，提高算法的全局搜索能力。
[0007]具體技術方案為:
[0008]風電場的電力系統無功優化方法，包括以下過程:
[0009](1)種群的隨機初始化
[0010]設置無功優化控制變量(機端電壓、有載變壓器抽頭和可調電容器容量)的維數和取值范圍，設置DEA的種群規模NP，最大進化代數GEN_MAX，以及交叉因子CR。隨機生成原始種群，計算原始個體的適應度值。
[0011](2)引入線性退火權重，在最大進化代數范圍內任選三個個體進行變異操作，變異后生成新的種群，即新的一組控制變量。
[0012](3)將新種群中個體與原始種群中個體基因在CR的權重下進行基因融合，生成目標種群，完成交叉操作，即對控制變量各值進行新一代的生成。
[0013](4)計算目標個體的適應度值，并與原始個體的適應度值進行一對一的比較，擇優保存，最終生成新一代種群。即完成對控制變量的一次全局搜索，找到網損較小的點。[〇〇14](5)在最大進化代數范圍內迭代搜索，直至達到最大進化代數，滿足搜索截止條件，這時算法收斂，在全局范圍內找到控制變量的最佳配置，實現網損最小的目標。
[0015]含風電場的電力潮流計算的關鍵是如何正確處理風力發電機組本身固有的特性。 本發明提供的風電場的電力系統無功優化方法，進行含風電場的潮流計算，為了保持潮流計算精度與迭代效率，且簡化風電接入系統后潮流計算，在簡化異步發電機穩態等效電路的基礎上，采用不修改雅可比矩陣元素，根據風電場有功功率及節點電壓動態修改無功功率，進行聯合迭代，這樣能較準確的計算出含風電機組的配電網潮流。最后將改進差分進化算法應用到含風電場的電力系統無功優化中，建立以系統網損最小為目標函數的數學模型，將節點電壓、電容器無功補償和發電機可調無功功率越界作為懲罰項來處理。在仿真算例中驗證該模型的可行性和正確性。
[0016]本發明提供的風電場的電力系統無功優化方法，對差分進化算法在含風電場的無功優化中存在易陷入局部最優的缺點，對差分算法的參數進行了動態調整，并對種群中重疊的個體采用線性退火的變異策略，避免了算法陷入局部最優，提高了尋優和全局搜索能力，縮短了計算時間，有效處理風電場對電網無功分布和電壓問題的影響，減小系統網損， 提高電壓水平。【附圖說明】
[0017]圖1是本發明的流程圖。【具體實施方式】
[0018]結合【附圖說明】本發明的【具體實施方式】。
[0019]分析新疆達坂城風電場的實際數據，根據IEEE-30節點系統各粒子的位置信息利用PSASP進行潮流計算，給出線路有功、無功潮流，各節點電壓幅值、相角及有功網損等計算結果，為后續節點系統的無功優化做準備。具體過程如圖1所示。
[0020]將改進差分進化算法應用到風電場的電力系統無功優化中，并對IEEE-30節點系統進行優化仿真計算，仿真結果可驗證差分進化算法的可行性和有效性。
【主權項】
1.風電場的電力系統無功優化方法，其特征在于，包括以下過程:(1)種群的隨機初始化設置無功優化控制變量的維數和取值范圍，設置DEA的種群規模NP，最大進化代數GEN_ MAX，以及交叉因子CR;隨機生成原始種群，計算原是個體的適應度值；(2)引入線性退火權重，在最大進化代數范圍內任選三個個體進行變異操作，變異后生 成新的種群，即新的一組控制變量；(3)將新種群中個體與原始種群中個體基因在CR的權重下進行基因融合，生成目標種 群，完成交叉操作，即對控制變量各值進行新一代的生成；(4)計算目標個體的適應度值，并與原始個體的適應度值進行一對一的比較，擇優保 存，最終生成新一代種群;即完成對控制變量的一次全局搜索，找到網損較小的點；(5)在最大進化代數范圍內迭代搜索，直至達到最大進化代數，滿足搜索截止條件，這 時算法收斂，在全局范圍內找到控制變量的最佳配置，實現網損最小的目標。
【文檔編號】H02J3/38GK106026200SQ201610333200
【公開日】2016年10月12日
【申請日】2016年5月9日
【發明人】任甜甜, 何穎, 朱曉明, 劉光輝, 張海麗, 朱婷婷, 馬曉倩
【申請人】任甜甜