一種基於改進分子動理論優化算法的電力系統無功優化方法與流程
2023-07-02 08:02:16 1
本發明涉及一種基於改進分子動理論優化算法的電力系統無功優化方法，屬於電力系統技術領域。
背景技術：
隨著我國經濟和技術的快速發展，工業和居民的用電需求量也逐年遞增，電網規模也隨之增大。電力系統日常運行的安全性和經濟性得到人們的高度重視。因此，保障其安全運行、降低其在傳輸過程中的各種損耗、提高其電能質量是相關部門當前所要解決的重要問題。
電力系統無功優化是減少有功網損、提高電能質量的重要手段之一，是保證電力系統安全運行的有效前提。其基本思路是：在滿足等式約束和不等式約束的前提下，通過合理調度控制變量，使電力系統中的目標性能指數達到最優。但是，該問題具有非線性、等式約束與不等式約束兼具和連續變量與離散變量兼有等特點，對優化方法的選擇要求較高，對其實現精確計算困難很大。分子動理論優化算法作為一種新型的啟發式算法，目前仍沒有將其用於求解電力系統相關問題。因此，本發明將改進的分子動理論優化算法應用到電力系統無功優化能很好的降低系統的有功網損，提高電壓質量的要求以及優化了系統的無功功率分布。
技術實現要素：
本發明的目的在於提出了一種改進的分子動理論優化算法，用於電力系統的無功優化，該算法性能好、快速、穩定，能夠降低了系統的有功網損，提高電壓質量。
本發明的具體實施方案
以ieee-14節點系統為例。該系統共有14個節點和20條支路，其中包括5臺發電機，分別分布在節點1、2、3、6和節點8(其中，節點1為平衡節點，節點2、3、6和8為pv節點)，3臺有載調壓變壓器，分別分布在支路4-7、4-9和支路5-6，2個無功補償量，分別分布在節點9和節點14。控制變量x包括發電機端電壓、有載調壓變壓器變比和無功補償量等10個變量，各算法的參數設置如下：所有算法的種群規模都設置為size＝50，最大迭代次數均設為gen＝200，其中，kmtoa、c-kmtoa和tl-kmtoa中吸引率p1＝0.64，排斥率p2＝0.3，波動率p3＝0.06。c-kmtoa算法的參數ε1＝0.8、ε2＝0.55；tl-kmtoa算法參數mean＝0.7；de算法的縮放因子f＝0.9，交叉概率為0.05；pso算法中的加速常數c1＝c2＝2，慣性因子ω＝0.628。
(1)所採用的的電力系統無功優化數學模型為：
式中：f為目標函數，ntl為系統的支路數；gk為支路k的電導；vi為節點i的電壓；vj為節點j的電壓；δij為節點i，j之間的相角差。為負荷節點數，為發電機節點數，vi為負荷節點電壓，qgi為發電機無功出力，λv：和λq：分別是負荷節點電壓和發電機無功出力越界的懲罰因子，和分別是對應狀態變量超過上、下限制值時的設定值。
和可表示如下：
等式約束條件
式中：pgi為發電機有功功率，qgi為發電機無功功率，pdi為負荷有功功率，qdi為負荷無功功率，nb為總節點數，gij和bij分別為節點i、j間的電導和電納。
不等式約束條件
式中，和分別表示節點i的發電機端電壓幅值的上下限值；和分別表示有載調壓變壓器變比的上下限值；和分別表示無功補償器補償容量的上下限值；ng、nt和nc分別表示所有發電機端電壓節點集合、所有有載調壓變壓器支路集合、所有無功補償節點集合。其中，發電機端電壓為連續變量，有載調壓變壓器變比和無功補償器的補償容量均為離散變量。
(2)輸入電力系統原始數據和算法參數。輸入的電網系統參數包括控制變量vg、t、qc和發電機無功輸出qg、傳輸線路負荷sl等狀態變量的取值範圍、各節點的負荷功率以及系統支路信息等。輸入基於結晶過程的分子動理論優化算法(c-kmtoa)的數據，包括：種群大小size、維度d、最大迭代次數gen、引力因子p1、斥力因子p2、波動率p3、參數ε1、ε2等。
(3)對種群個體進行初始化。分別對個體的位置和速度進行初始化。
初始化種群個體的位置信息：
初始化種群個體的速度信息：
式中eid、vid分別為種群中第i個個體在第d維控制變量的取值與速度，和分別表示第i個個體在第d維取值的上、下限值，和分別第i個個體在第d維速度的上、下限值，rand為(0,1)之間的隨機數。
(4)進行潮流計算。對於種群中的每個個體，採用牛頓拉夫遜法進行求解。通過迭代計算求出潮流結果，可獲得與當前最優控制變量相對應的狀態變量及輸出變量，如線路的有功功率、無功功率、各節點的電壓幅值和相角等。
(5)計算個體適應值。根據潮流計算的結果，，計算每個個體的適應值，即每個個體對應的有功網損值。同時採用罰函數對越界的狀態變量進行處理，對于越界的狀態變量均採用取上下限值的方式進行處理，同時保存此時個體的有功網損值。
(6)更新種群個體的位置及適應值。判斷此時滿足引力條件、斥力條件和擾動條件中的哪一種情況，並根據更新個體速度和位置公式進行移動。
第t+1次迭代時，個體xi速度的為
vi(t+1)＝(0.9-0.5t/t)vi(t)+ai
當算法進行第t+1次迭代時，個體xi的位置可用公式表示：
xi(t+1)＝xi(t)+vi(t+1)
(7)根據當前種群中個體適應值的優劣程度，將當前種群p分成子群pbetter和子群pworst。
根據式
判斷子群pbetter中的個體xi處於「進化狀態」還是「拓展狀態」，並分別
根據式
相應與子群中的其它個體進行信息交換或逃離當前位置；子群pworst中的個體xi能根據式通過向最優個體xbest反饋學習提高適應值。
(8)：對當前種群中有功網損值達到最優的個體進行精英保留操作。
(9)：算法迭代完畢，輸出結果；否則，返回(4)，繼續循環計算。
附圖說明
圖1實現本發明的算法模塊的程序流程圖。