基于混合型粒子群优化算法的电力系统无功优化VIP免费

1基于混合型粒子群优化算法的电力系统无功优化李然，盛四清（华北电力大学电力工程系河北保定071003）摘要：粒子群优化算法是近年来提出的一种新型的优化算法，以其简单易行、收敛速度快、优化效率高的优势被应用于电力系统无功优化，得到了较好的结果。但对于优化中的离散可控变量，即可调变压器变比、电容器的投切容量，一般都是用近似的归整进行处理，不能准确地表达。本文研究了离散粒子群优化算法，直接构造了离散解值集和离散速度值集，并与粒子群算法相结合，形成了混合粒子群优化算法。应用于Ward-Hale6节点系统和IEEE30节点系统，结果表明了该算法的可行性和有效性。关键词：无功优化；粒子群优化算法；离散值0引言随着电力市场化的进行，现今电力系统运行的一个重要任务就是在保证全网电压质量的前提下，使系统运行更经济。而无功功率的合理分布可以有效地减少网损，提高电网的运行经济性。传统的无功优化算法如线性规划、非线性规划、动态规划和混合整数规划都不适于处理离散变量，且由于局部收敛常常达不到全局最优点。近年来，一些人工智能方法如遗传算法、Tabu搜索方法、混沌优化方法等[1-4]在电力系统无功优化中的研究与应用也取得了一定的进展。粒子群优化(ParticleSwarmOptimization，以下简称为PSO)算法是一种基于群体优化的全局搜索方法，可有效解决无功优化这类非线性混和整数优化问题。另外，PSO算法能较好地解决优化问题中的各类约束，在程序实现上非常简洁，需要调整的参数少。最近两年不少学者纷纷对该算法进行研究和改进，因而发展很快。本文研究一种离散型的粒子群算法(DPSO)，对于无功优化中的离散变量进行直接的处理，而不是进行简单的归整，使优化的整个过程更准确地反映真实的电力系统运行情况。并且结合PSO算法，提出了混合型粒子群优化(MPSO)算法。通过算例分析计算，其结果和PSO算法相比，具有同样好的寻优效果，但其结果更符合实际情况。1无功优化的数学模型无功优化问题是多变量、多约束、混合非线性的大规模优化问题，其目的是通过调整无功潮流的分布降低有功网损，并提高电压质量，使系统的可靠性最好。无功潮流分布的变动在满足系统约束条件情况下，可以通过调节控制变量，如发电机端电压(连续变量)，变压器分接头档位(离散变量)和电容器投切情况(离散变量)来实现。1.1目标函数在本文中，考虑全网有功网损和各节点电压最优情况，采用惩罚函数的方法构造适合于PSO算法的无功优化目标如下：2lim12maxminminPQttllMtNttUUfplossUU23limGgtttNQQ(1)式中：M为所有支路集合，NPQ为所有PQ节点集合，NG为所有发电机节点集合，式中右边第一项为有功损耗对目标函数的贡献，第二项为节点电压越限的惩罚函数，第三项为发电机所发无功越限的惩罚函数。λ1，λ2，λ3分别为目标函数中有功网损、电压越限和无功越限的罚因子，Utlim和Qtlim定义如下：maxmaxlimminmaxminmintttttttttttUUUUUUUUUUUmaxmaxlimminmaxminmingtgtgttgtgtgtgtgtgtgtQQQQQQQQQQQ1.2功率约束方程功率约束方程，即潮流方程为：(cossin)(sincos)giliijijijijijjigiciliijijijijijjiPPUUGBQQQUUGB(i=1，2，…，N)(2)2式中：Pgi、Qgi分别为发电机节点的有功功率和无功功率出力；Pli、Qli分别为负荷节点的有功功率和无功功率负荷；Qc为无功补偿容量；Gij、Bij、δij分别为节点i、j之间的电导、电纳和电压相角差；N为节点总数。1.3变量约束变量约束分为控制变量约束和状态变量约束。选取发电机机端电压Ug、无功补偿节点补偿容量Qc、变压器分接头Tt为控制变量，发电机无功出力Qg和负荷节点电压Ud为状态变量。控制变量的约束为：minmaxminmaxminmax1,2,,1,2,,1,2,,gigigigcjcjcjctktktktUUUiNQQQjNTTTkN………状态变量约束为：minmaxminmax1,2,,1,2,,gigigigdjdjdjdQQQiNUUUjN……式中：带有下标max、min的量分别代表各变量的上下限值。2粒子群优化算法简述2.1基本粒子群算法粒子群优化算法最初是由Kenn...