基于粒子群算法的配電網優化設計
來源:用戶上傳
作者:
摘 要：電力系統的無功平衡，是影響電壓質量的重要因素。無功分布對保證電力系統的安全穩定和經濟運行影響很大。無功功率、無功規劃的合理安排，選擇合適的優化目標函數的適當方法，對電網安全穩定運行具有重要意義。
關鍵詞：電網優化;粒子群算法;無功補償;配電網
DOI：10.16640/j.cnki.37-1222/t.2019.17.142
1 課題的背景及意義
電力系統無功功率的平衡是保證電壓質量的基本條件之一。配電對電力系統的安全穩定和經濟運行具有很大的影響。無功功率規劃，合理安排無功功率，運用合適的方法進行優化目標函數的建立，對于保證電網健康運行非常重要。長期以來，人們引用了線性規劃法和非線性規劃法以及動態規劃法，處理電力系統的優化問題。這些算法通常要求被優化的函數是可微的或連續的，各種基于梯度的算法，問題越復雜難度越大，傳統的優化方法似乎已經很難適應越來越復雜的優化問題，所以人們在不斷改進這些在傳統算法的基礎上，對嚴格優化的理論和方法進行了探討一種基于人工智能和智能優化方法的優化方法。
2 配電網絡無功優化的算法和建模
（1）配電網絡無功優化的原理思想。根據功率損耗公式ΔP=（P2+Q2）R/U2。
當有功功率P和無功功率Q通過網絡中的電阻R進行時，會產生有功功率損耗增量ΔP，網絡電阻 R較小，功率損耗ΔP增量較小。另一方面當輸送有功功率P時，輸送無功功率的Q較多，有功損耗ΔP 就越大;反之，當輸送無功功率Q越小，有功損耗ΔP越小。
（2）配電網絡無功優化的模型。目標函數、潮流約束方程以及變量約束條件組成了無功優化的數學模型。
取采用PSO算法進行無功優化運算時， 可采用罰函數的方法構造適合于PSO算法的無功優化目標函數。
（1）
其中：為電壓越限的罰函數，為電壓越限的罰因子。
（3）模型分析與算法選擇。粒子群優化的算法是一種技術演進，來自鳥類捕獲獵物行為的研究，它實質上是一種具有并行處理功能，魯棒性好，容易實現的隨機搜索算法的一種，原理上在全球范圍內可能找到最佳解決方案優化的概率較大，并且擁有高計算效率，已經有成功用于解決各種復雜優化問題的案例。最近，該算法被分別引入到電力系統，對電網擴容計劃，機組組和，和電力系統補償電容器優化配置的優化，都取得了良好的效果。
3 配網無功優化算法設計
（1）粒子群算法綜述。粒子群算法（PSO）是一種進化的算法，其基本概念是基于鳥類覓食中遷徙和聚集行為的研究，通過模擬捕食行為中的鳥類達到處理優化問題。粒子群首先在解空間隨機初始化鳥類中，每個優化問題的在搜索空間需要求解的點看做鳥，被稱為“粒子”，即粒子群優化系統中，每一個粒子都代表問題的一個解。粒子具有三個屬性：矢量位置和速度矢量和適應度，飛行目的是用來找到最佳位置的。依據粒子的兩個極值：個體極值和全局極值，來更新飛行的速度和位置。以前的k次迭代中粒子的最佳位置為個別極值，粒子群體在前面k次的迭代中發現在最佳位置為全局極值。
（2）參數的設置。在MATLAB中用粒子群優化問題的函數：“POS”，其功能為：用基本粒子群算法求解優化的問題：
調用格式：[xm，fv]=POS（fitness，N，c1，c2，w，M，D）
其中，fitness：待優化的目標函數;N：粒子數目;C1：學習因子1;C2：學習因子2;W：慣性權重;M：最大迭代次數;D：自變量個數;xm：目標函數取最小值時的自變量值;fv;目標函數的最小值取值問題：
1）粒子數：根據具體情況自行決定，簡單問題10個粒子就足夠了，一般問題，20～40個粒子就可以得到很好的結果，特別復雜的問題可以取到100以上;2）粒子的維度：取決于優化問題本身，是需要求解的個數，即問題解的維度;3）粒子范圍：每一維度都可以給定不同的范圍;4）最大速度Vmax：每次循環中粒子最大移動距離;5）學習因子：由于學習因子，粒子可以自我總結并向群體中優秀個體學習，朝著群體中或者鄰域里最優點靠近，一般情況下，c1和c2取2，有時也可以取別的，通常c1=c2，區間為[0，4];6）慣性權重：決定了粒子對當前速度以后保持的程度，選取合適可以讓粒子具有均衡的探索能力、開發能力。
（3）算法流程。運用PSO算法求解電網無功優化問題的解的具體步驟如下：
1）初始化，輸入原始數據，讀取配電網的節點數據和支路數據，確定電壓電流的上下限，滿足不等式約束條件的要求;2）設定迭代系數t為0，隨機生成m個粒子，粒子位置為xi，設定初始速度，并設定某個可滿足條件的值為各個粒子的個體最優解和全局最優解;3）應用牛拉法進行潮流計算，編寫目標函數，評估種群中每個粒子的適應值，取其中的最小值作為群體當前的最優解gbest，設定每個粒子當前位置為認知最優解pbest;4）更新循環次數t=t+1，計算每個粒子的速度，則;若，則，更新慣性因子w;5）應用牛拉法進行潮流計算得到基礎數據再基三目標函數的值，重新評價每個粒子的適應值，比較各個粒子適應值和當前個體最優解的值，若某個粒子的適應值小于個體最優解，則將個體最優解賦值給該粒子的適應值，同時令所有粒子適應值中的最小值為最小適應值，若最小適應值小于全局最優解，則進行替換;6）判斷k是否已經循環到最迭代次數，是則進行下一步，否則繼續循環返回第四步;7）輸出最優結果。
參考文獻：
[1]吳磊.高壓配電網無功優化運行研究[D].杭州電子科技大學，2015.
[2]林品鳳，黃振強，孫曉東.城市配電網無功補償優化設計[J].廣東電力，2011（01）：41-43+74.
[3]楊桂丹，李濤.城市配電網無功補償優化配置的應用研究[J].廣東電力，2008（05）：48-51.
[4]張文.基于粒子群體優化算法的電力系統無功優化研究[D].山東大學，2006.
[5]唐劍東.電力系統無功優化算法及其應用研究[D].華中科技大學，2004.
[6]李妮.配電網規劃中的無功功率補償方法研究[D].湖南大學，2009.
轉載注明來源:http://www.hailuomaifang.com/1/view-14927406.htm
