欢迎来到利索能及~ 联系电话:18621327849
利索能及
我要发布
收藏
专利号: 2018112294606
申请人: 重庆邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 发电、变电或配电
更新日期:2024-09-06
缴费截止日期: 暂无
联系人

摘要:

权利要求书:

1.一种基于DSICA算法的电力系统多目标无功优化方法,其特征在于,包括以下步骤:S1、建立满足约束条件的电力系统多目标无功优化模型,设置电力系统运行参数以及DSICA距离策略帝国主义算法参数;

S2、根据多目标无功优化模型,确定最小化网络损耗和电压稳定性指标的双目标优化模型,并确定包括等式约束和不等式约束在内的约束条件;

S3、初始化种群即国家,通过潮流计算得到每个国家的目标函数值、约束违反总值以及与控制变量对应的状态变量,并将初始群体复制到外部储存空间;

S4、算法迭代,采用DSICA距离策略帝国主义算法进行优化更新国家,所述DSICA距离策略帝国主义算法主要改进在于:殖民地国家的位置更新不止依赖于所在帝国的帝国主义国家位置,还将其他强大殖民地的作用也作为殖民地更新的影响元素;将萤火虫算法的运动力学理念借鉴到殖民地位置更新中,即殖民地的位置更新不仅受到国家权力值的影响还受到国家间距离的影响;对更新后的国家重新进行潮流计算得到更新后的目标函数值和约束违反总值,将更新后的国家复制到外部储存空间与上一代国家进行非劣排序和拥挤距离计算,然后根据所得的排序情况进行裁剪以保持外部储存空间大小不变;

S5、判断是否满足迭代次数,若不满足,则继续进行算法迭代,若满足,则停止迭代,输出外部储存空间的帕累托最优解集,并根据模糊决策法从帕累托最优解集中找到最优折衷解,通过最优折衷解可得到无功优化的目标函数值以及所对应的控制变量值,通过所得到的控制变量值对控制设备进行调节实现无功功率更合理的分布,从而实现电力系统的无功优化。

2.根据权利要求1所述的基于DSICA算法的电力系统多目标无功优化方法,其特征在于,所述步骤S1建立满足约束条件的多目标无功优化数学模型为:minF=(f1(x,u),f2(x,u),…,fi(x,u),…,fM(x,u))s.t.gj(x,u)=0,j=1,2,…,p

hk(x,u)≤0,k=1,2,…,q

其中,min表示取最小值函数,F表示参与优化的目标函数,fi(x,u)表示第i个目标函数,M表示目标个数,x表示状态变量或非独立变量,u表示控制变量,s.t.表示受约束于,gj(x,u)和hk(x,u)分别表示p个等式约束和q个不等式约束。

3.根据权利要求1或2所述的基于DSICA算法的电力系统多目标无功优化方法,其特征在于,所述约束条件包括等式约束和不等式约束,具体包括:①等式约束

式中,Ni表示与节点i连接的节点数,PGi和PDi分别表示第i个PV节点和第i个PQ节点的有功功率,QGi和QDi分别表示第i个PV节点和第i个PQ节点的无功功率,δij表示Vi和Vj之间的相角差,Gij和Bij分别表示节点i和j间输电线路的电导和电纳,N表示平衡节点外的节点总数;

②不等式约束

所述不等式约束根据变量的类型分为状态变量不等式约束和控制变量不等式约束,其中所述状态变量不等式约束包括:PQ节点的电压约束、PV节点的无功功率约束、视在功率约束;

所述控制变量不等式约束包括:发电机端电压约束、变压器抽头变比约束、无功补偿装置约束。

4.根据权利要求3所述的基于DSICA算法的电力系统多目标无功优化方法,其特征在于,所述多目标无功优化数学模型包括目标函数:最小化网络损耗和电压稳定性指标,其中所述网络损耗的目标函数为:式中,f1表示第一个目标,Ploss表示网络损耗,NE表示总支路数,gk表示第k条支路的电导,Vi和Vj分别表示第i和第j个节点的电压幅值,δij表示Vi和Vj之间的相角差;

所述电压稳定性指标的目标函数为:

minf2=min(Lindex)=max{Lj},j∈NPQ

式中,f2表示第二个目标,L index表示电压稳定性指标,NPQ表示PQ节点数,Lj表示第j个节点的局部电压稳定性指标,表示如下:式中,NPV表示PV节点数,HLGjk是负荷参与因子矩阵HLG中第j行k列元素,Vi和Vj分别是第i个PV节点复电压以及第j个PQ节点的复电压,其中L index和系统电压稳定性关系为:L index小于1时,系统电压稳定;等于1时,系统电压处于临界状态;大于1时,系统电压失稳。

5.根据权利要求1所述的基于DSICA算法的电力系统多目标无功优化方法,其特征在于,所述步骤S3通过潮流计算得到每个国家的目标函数值、约束违反总值以及与控制变量对应的状态变量,具体包括:所述的目标函数值求取,在潮流计算的基础上通过权利要求3所述的目标函数计算公式可以得到网络损耗Ploss和电压稳定性指标L index的函数值大小。

所述的约束违反总值计算式如下:

式中,Vio(u)表示约束违反总值,Ns是状态变量的不等式约束总数,hk(x,u)表示第k个状态变量的不等式约束;

所述的状态变量获取,是在得到确定的控制变量值即国家个体的位置属性后,通过牛顿-拉夫逊迭代法进行潮流计算可得到包括发电机无功出力QG、系统负荷节点电压幅值VL以及线路视在功率S在内的状态变量大小。

6.根据权利要求1所述的基于DSICA算法的电力系统多目标无功优化方法,其特征在于,所述步骤S4将其他强大殖民地的作用也作为殖民地更新的影响元素,改进后的殖民地位置更新公式如下:P(Colnew)=P(Colold)+β*[P(countrystronger)-P(Colold)]+α*(rand(0,1)-0.5)式中,P(Colnew)表示殖民地更新后的位置,P(Colold)表示殖民地更新前的位置,P(countrystronger)表示殖民地所在帝国中所有比该殖民地更强的国家,也包括该帝国的帝国主义国家,α*(rand(0,1)-0.5)表示扰动项,α表示扰动项系数。

7.根据权利要求1所述的基于DSICA算法的电力系统多目标无功优化方法,其特征在于,所述萤火虫算法中,萤火虫的位置更新公式为:式中, 表示更新后的萤火虫位置, 表示更新前的萤火虫位置, 表示

吸引萤火虫i移动的另一个萤火虫j的位置,β0=1为最大吸引力,γ∈[0.01,100]为光吸收指数,rij为萤火虫i和萤火虫j之间的笛卡尔距离;

将萤火虫的运动力学理念借鉴到殖民地位置更新中,即殖民地的位置更新不仅受到国家权力值的影响还受到国家间距离的影响,所述的引入距离策略的殖民地国家位置更新公式如下:P(Colnew)=P(Colold)+β0exp(-γ×rij2)*[P(countrystronger)-P(Colold)]+α*(rand(0,

1)-0.5)

式中,与萤火虫算法类似,β0=1表示最大吸引力,γ∈[0.01,100]为国家的吸收指数,rij为国家i和国家j之间的笛卡尔距离,表示为如下:式中,countryi和countryj分别表示国家i和国家j的位置,D表示变量的维数。

8.根据权利要求1所述的基于DSICA算法的电力系统多目标无功优化方法,其特征在于,所述步骤S5通过非劣排序和拥挤距离计算得到帕累托最优解集,具体包括如下:①非劣排序

对更新后的所有国家进行非劣排序,确定每个国家之间的占优关系。对于任意两个国家u1和u2,通过权利要求5所述的约束违反总值计算公式可以得到两个国家的约束违反总值Vio(u1)和Vio(u2),其占优情况通过以下法则进行判断:若Vio(u1)<Vio(u2),则u1优于u2;

若Vio(u1)>Vio(u2),则u2优于u1;

若Vio(u1)=Vio(u2)

若 则u1优于u2;否则u2优于u1;

通过占优情况,实现对所有国家的非劣排序,每个个体被赋予秩,得到非劣前端F1,F2,…,Fn,其中n表示个体所在前端的秩,每组非劣前端解的秩相同,且定义个体i所在的非劣排序的秩为Rank(i);

②拥挤距离计算

所述的拥挤距离计算是在非劣排序的基础上,再次对同一非劣前端的国家按拥挤比较操作 进行排序,初始化第i个个体的拥挤距离为Dist(i)=0,定义边解的拥挤距离无穷大,其他个体的拥挤距离Dist(i)计算如下式:式中,fmmax、fmmax分别表示第m个目标函数的最大值和最小值,fm(i+1)、fm(i-1)分别表示与非劣解i相邻的两个解对应的目标函数值;

对于同一非劣解集的国家,拥挤距离越小则表明该国家的周围越拥挤,质量也就相对越差,通过国家的两个属性:Rank(i)和Dist(i)可以得到所有国家的排列顺序。对于国家i和国家j,利用如下法则可以进行优劣排序:若Rank(i)<Rank(j),则

若Rank(i)=Rank(j)且Dist(i)=Dist(j),则

通过以上所述的非劣排序和拥挤距离计算可以对外部储存空间中所有的国家进行排序,通过不断迭代更替,进而确定帕累托最优前端。

9.根据权利要求8所述的基于DSICA算法的电力系统多目标无功优化方法,其特征在于,所述通过模糊群决策法从帕累托最优前端中找到所需最优折衷解的方法,首先计算每个帕累托最优解对应的各目标函数的满意度,其数学表达式为:式中,umi(x)表示第i个帕累托最优解对应的目标函数的满意度,fm max和fm min是所有帕累托解中目标函数m的最大值和最小值。当umi(x)为0时,表示从第m个目标函数方面评价,第i个帕累托最优解是最不满意的,当umi(x)为1时,表示从第m个目标函数方面评价,对第i个帕累托最优解是完全满意的;

在获得每个帕累托最优解对应的目标函数满意度之后,再计算出对应的标准化满意度:式中,ui为第i个帕累托最优解对应的标准化满意度,Np为帕累托最优解的总数,即外部储存空间的大小,M表示目标函数总数,将所有的帕累托最优解对应的标准化满意度进行比较,ui最大的帕累托解即为所求的最优折衷解。