运用MATLAB优化工具箱对某电网进行无功优化Word文档格式.docx
- 文档编号:18279261
- 上传时间:2022-12-15
- 格式:DOCX
- 页数:34
- 大小:120.06KB
运用MATLAB优化工具箱对某电网进行无功优化Word文档格式.docx
《运用MATLAB优化工具箱对某电网进行无功优化Word文档格式.docx》由会员分享,可在线阅读,更多相关《运用MATLAB优化工具箱对某电网进行无功优化Word文档格式.docx(34页珍藏版)》请在冰豆网上搜索。
潮流计算和短路电流计算是电力系统中运用最广泛的基本运算。
无论在系统的运行分析、实时监控、继电保护及电气设备的选择和校验时,这两种计算数据都是必不可缺的。
但从构建一个数学模型到非线性方程的迭代求解过程,需要大量反复的数学计算,特别是这两种计算中都含有大量矩阵,如节点导纳矩阵、雅克比矩阵等,矩阵的消元、分解和化简的过程非常繁琐,现在用MATLAB语言编写大大简化了工作量[2]。
1.2毕业论文完成的任务
(1)学习并掌握MATLAB软件,完成相关编程设计;
(2)学习无功优化的基本知识,了解无功优化的作用,掌握遗传算法;
(3)利用MATLAB遗传算法工具箱对IEEE6节点系统进行无功优化;
(4)翻译相关英文资料;
2.关于无功优化的介绍
2.1基本概念
(1)无功功率是影响电压质量的主要因素。
在电力系统中,母线电压时与系统无功密切联系的,用电设备所消耗的无功功率,大致与电压的平方成正比。
对于发电机来说,机组总的视在功率是一定的,输出有功功率大,则相应无功功率减小,此时系统电压就要降低[3]。
各级电压母线无功缺乏,将产生无功功率的大量流动,由于无功功率从电源点向负荷侧大量流动,因而占用了变压器及线路的传输容量,使变压器及线路的有功出力受到影响,传输效率降低。
(2)电压质量是衡量电能的主要质量指标之一。
电压质量对电网稳定、电力设备安全运行以及工农业生产具有重大影响,无功则是影响电压的一个重要因素。
对确定规模的10kV配电网络终端系统,无功过剩时一方面会提高系统运行电压,导致运行中的用电设备的运行电压超出额定工况,缩短设备的使用寿命;
另一方面,无功过剩也会影响线路传输的安全稳定性,导致系统的输送容量下降,给电网运行调度带来不利的影响。
而系统无功不足时,一方面会降低电网电压,另一方面,电网中传送的无功功率还增加了电能传输时的网络损耗,加大了电网的运行成本,电力系统无功潮流分布是否合理,不仅关系到电力系统向电力用户提供电能质量的优劣,而且还直接影响电网自身运行的安全性和经济性。
因此,解决好配电网络无功补偿的问题,优化无功,对电网的安全性和降损节能有着重要的意义。
(3)电力系统电压无功优化控制是指在保证满足运行约束的同时,用尽量少的无功投入,最大限度地改善电压质量,降低网损[4]。
电力系统中的有功功率电源是集中在各类发电机中;
无功功率电源初发电机外,还有电容器,调相机和静止补偿器等,分散在各变电所。
因此合理的选择无功补偿点以及补偿容量,能够有效地维持系统的电压水平,提高系统的电压稳定性,避免大量无功的远距离传输,从而降低有功网损,减少发电费用。
而且由于我国配电网长期以来无功缺乏,尤其造成的线损相当大,因此无功功率补偿是降损措施中投资少回报高的方案。
配电网无功优化主要是通过合理的无功分配,以实现无功功率,减少有功损耗,提高电能质量,使系统稳定安全运行。
它涉及无功补偿地点的选择,无功补偿的确定,有载调压变压器分接头的调节等,是一个多目标,多变量,多约束的混合非线性规划问题。
无功优化问题所要追求的目标有多种,如网损最小,年运行费最小,补偿设备的综合投资最小及获得的经济效益最大等。
考虑到高压无功补偿设备主要是降低网损和提高电压,而且要降低运行的优化模型是以年运行费最小为目标函数。
年总运费用包括设备的年运行维护费,投资回收,网损引起的电能网损费用。
2.2.无功优化的数学模型
2.2.1目标函数
(1)全系统发电燃料总耗量(或总费用)
f1=
(式2.1)
NG:
全系统发电机的集合,其中包括平衡节点S的发电机组
的耗量特性
(2)全网有功网损
F2=
(式2.2)
NL:
全系统所有支路的集合
考虑上述情况,电力系统无功优化模型的目标函数可以简单的描述为:
(式2.3)
更加详细地介绍了无功优化目标函数,如电压质量最好,电网新增无功补偿容量最小等。
2.2.2等式约束
等式约束就是潮流方程
+
(式2.4)
(式2.5)
ND:
系统所有负荷的集合
2.2.3不等式约束
不等式约束包括:
(1)控制变量的约束。
如:
发电机有功输出功率和机端电压上下限,变压器上下限约束等。
(2)状态变量的约束。
如线路各传输功率的限值约束,发电机无功输出功率上下限约束等
(3)各种函数不等式的约束。
如线路各传输功率的限值约束,发电机无功输出功率上下限约束等可简单地表示为:
h(u,x)≤0上述无功优化地数学模型为非线性规划模型,现采用遗传算法进行求解。
2.3无功优化的基本方法
(1)专家系统(ExpertSystem)方法,在结合其他方法的基础上,根据专家经验设置初始值,并不断调整控制参数的大小,直到取得一个比较好的解。
将专家系统应用于无功优化的主要优点在于以常规算法为基础,与运行人员的知识结合后功能增强。
已开发的系统大都是基于专家经验和数值计算程序的混合。
介绍了一个基于专家知识和常规算法的混合型专家系统。
该方法利用调度员的启发式知识和无功电源调压的灵敏度因子,从可能的控制手段中选出少数有效措施,以减少优化变量的数目和约束的数目,然后用线性整数规划的分支定界法求解。
该方法有如下特征:
控制方法一次求出;
电容器和变压器分接头作为离散变量处理,避免了将其作为连续变量所引入的取整过程以及由此引起的优化结果不是可行解的问题;
尽量降低可控变量数与约束数目,使算法较为有效,增加了实用意义。
(2)人工神经网络(ArtificialNeuralNetwork)又称连接机制模型或并行分布处理模型,是由大量简单元件广泛连接而成的,用以模拟人脑行为的复杂网络系统。
十几年来,此理论研究取得了重大成果,提出了许多模型及其计算理论,并被应用于电力系统的诸多方面。
提出了一种基于非线性规划人工神经网络模型的无功电源最优分布方法。
该方法运用改进的Hopfield连续模型,直接利用有功损耗的非线性表达式,因而保证了计算精度。
作者用1个30节点系统验证了其可行性。
(3)由Holland创建的遗传算法(GeneticAlgorithms),是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索方法。
遗传算法采用随机优化技术,通过遗传操作处理离散变量,以较大的概率求得全局最优解,同时可为实际工程问题提供一系列的最优、次优解,以便选择。
此算法用于无功优化就是在电力系统环境下的一组初始解,受各种约束条件限制,通过适应值评估函数评价其优劣,适应值低的函数被抛弃,适应值高的才有机会将其特性迭代到下一轮解,最后趋向于最优解。
遗传算法利用某种编码技术作用于称为染色体的字符串,其基本思想是模拟由这些字符串组成的群体的进化过程,核心操作是选择、杂交和变异。
在当前电力系统中,基于遗传算法的无功优化研究也是一个热门课题。
对控制变量进行二进制编码,对优化编码和变异概率两个方面进行了研究,用IEE30节点系统予以验证,指出该算法在处理非连续的和非平滑的函数寻优方面优于传统寻优方法。
算法根据目标函数对各基因片分别进行遗传操作,形成完整的染色体,从而增强了算法的局部搜索能力。
为了使解点更快地进入可行域,作者提出了用专家系统辅助进行变异操作的方案,加快了算法的收敛性。
以一个简单系统为例进行无功优化,结论是收敛性优于传统非线性方法,可以达到全局最优。
采用一种修正的遗传算法求解无功优化问题。
算法借助Benders分解将原问题分解为投资子问题和运行问题;
其中,运行问题用逐次线性规划法求解,而投资子问题用遗传算法求解。
将二者结合起来,综合了两种方法的长处。
该算法缩小了求解空间,降低求解维数,加快了收敛速度。
简单遗传算法并不比其它搜索方法有更多优越性,因此出现了多种将遗传算法与其它智能算法结合的混合遗传算法。
基于遗传算法的无功优化方法有许多优良特性,能可靠地找到近似全局最优的计算结果。
但是该算法迭代次数多,计算时间长,很难满足实际运行优化的需要,欲达到实时应用很困难。
因而实现遗传算法的实用化,是需要进一步解决的问题。
(4)模拟退火算法(SimulatedAnneal)是一种随机的启发式搜索方法,适用于处理非线性规划问题,能以较大概率(理论证明能够以概率1收敛到全局最优)求得优化问题的全局最优解。
该算法模拟了金属溶液冷却或退火的过程,即退火过程中能量逐渐减小,而退火结束后,金属的能量最小。
该算法寻优结束时能得到优化问题的最小值,但其参数的选取比较复杂。
为了使最终解尽可能接近全局最优,退火过程不能太快,但这又使算法的计算时间过长。
用SA方法求解多状态的离散无功优化问题,并给出了小规模系统上的算例。
(5)Tabu搜索方法(TabuSearch)是近年来受到普遍关注的一种高效率的启发式优化技术。
其基本思想是由Glover在20世纪60年代末提出的,在近几年中得到了很大发展。
它是一种限制性的搜索技术,能通过记录搜索历史,在搜索过程中获得知识,并利用它可知后续的搜索方向以避开局部最优解。
在很多领域中,TS方法已成功地应用于求解复杂的组合优化问题。
在无功优化问题的处理上,TS技术处于积极的尝试中。
将TS方法用于电力系统无功优化,采用二进制和十进制编码两种方案。
在对30节点系统和125节点系统进行了优化计算后,与简单遗传算法和结合模拟退火的遗传算法进行了比较。
结果表明,TS法在跳出局部最优解方面有很大优势,收敛特性好,即TS方法具有更好的全局寻优能力,且十进制编码的TS法比二进制编码的搜索效率高。
作者认为该方法具有良好的在线应用前景。
(6)糊集理论(FuzzySet)诞生于20世纪60年代,它的产生不仅拓宽了经典数学,而且使计算机科学向人们的自然机理方面发展取得了重大突破。
模糊数学的独特特性可以处理电力系统优化问题中的参数不确定问题。
采用模糊集表示多目标和软约束,通过分段隶属函数,把原优化问题转化为标准的线性规划。
新的目标函数给出原多目标软约束的满意解,简化了复杂的计算[5]。
在求解无功优化方面使用线性化灵敏度矩阵建立起目标函数和状态控制变量之间的关系,给出无功优化问题的最大λ法优化模型和各目标函数的最优隶属函数,从而求得多目标问题的满意解。
该方法巧妙地引用灵敏度矩阵,避免了末一次迭代中必须的潮流计算,而只需用灵敏度矩阵校验系统状态变量,对其进行修改。
值得一提的是,在形成线性规划时,也引入了“ε-有效约束”机制,减少了约束个数,节省了计算机内存,提高了计算速度。
(7)线性规划和非线性规划等都是对于静态问题而言,目标函数和约束条件都与时间无关。
动态规划法(DynamicProgramming)是数学规划的一个分支,由于能够处理非线性问题并且能反映过程,在工程中得到应用。
其基本特点是从动态过程的总体上寻优,将问题分阶段求解,每个阶段包含一个变量,尤其适合于多变量方程。
动态规划法较多应用于有功优化问题,在无功优化中也有运用。
应用动态规划法,求取了配电系统的无功优化问题[6]。
作者在给出最优有载调压变压器分接头、配电站电容器和馈线电容器的控制方案的同时,出于维护设备的考虑,加上了限制调节次数的约束。
为了减少计算量,此处采用启发式简化算法。
2.4无功优化的几点讨论
2.4.1初值问题
初值选取的好坏,会影响计算方法的收敛性和计算速度,对解的质量也有很大影响.遗传算法对初值的要求不高,在理论上能收敛到全局最优解;
动态规划法对初值没有要求,是一种动态过程中整体寻优的方法;
而线性规划法、非线性规划法、禁忌算法、人工神经网络法对初值的要求都较严格[7]。
2.4.2收敛特性
收敛特性是算法成功与否的关键.线性规划法、动态规划法、禁忌
算法、人工神经网络法以及模糊优化法的收敛特性较好;
非线性规划法、遗传算法的收敛特性较差,并且遗传算法的收敛速度较慢。
2.4.3解的质量
解的质量是评价算法好坏的标志.线性规划法、非线性规划法、混合整数规划法是基于一点搜索,易泻入局部最优解;
动态规划法、遗传算法在理论上能得到全局最优解;
人工神经网络法由于缺少十分有效的学习方法,在训练的过程中很容易陷入局部极值;
禁忌算法解的质量受初值的影响较大。
2.4.4离散变量的处理
在求解电网电容器优化投切策略时,需考虑电容器投切是离散性变量问题.混合整数规划法、遗传算法、禁忌算法、动态规划法在处理离散变量上具有一定优越性;
而线性规划法、非线性规划法、无功优化经典法在处理离散变量时有一定的误差[8]。
无功优化从数学上讲,就是在满足约束方程条件下求出目标函数的极值,由于目标函数及运行变量的约束方程都是非线性函数,所以要通过求解非线性方程求出问题的解。
但非线性规划计算时收敛慢,计算时间长,所以实现起来受到限制,一般先进行线性化,然后用线性规划,整数规划和动态规划等方法进行求解。
无功优化作为最优潮流的一种,其数学模型可表示为:
minf(u,x)
g(u,x)=0
s.t(式2.6)
h(u,x)≤0
u:
给定的控制变量(如发电机的有功出力,无功出力或节点电压模值等)
x:
系统的状态变量(如节点电压模值及角度)
f:
目标函数
g:
等式约束
h:
不等式约束
2.5无功功率的调节
实现地区电网在额定电压下无功平衡是保证电压质量的基本条件。
地区电网无功平衡的基本要求是电网中无功电源可能发出的无功功率应大于或等于负荷所需的无功功率和网络中的无功损耗[9]。
为了保证运行可靠性和适应无功负荷增长,在地区电网中应有足够无功功率备用容量。
当电网无功功率得不到合理控制,可能会使大量无功功率流经长线路,使电网的某些节点电压降低;
当输送的有功功率一定时,由于电压降低,电流就会增大,从而使线路上功率损耗和电压损耗增加;
当电网的无功功率比较充裕,能满足较高电压水平下无功功率平衡的要求时,电网就能在较高电压水平下运行;
因此应力求实现在额定电压下系统无功功率的平衡,并根据要求进行合理无功功率控制。
在地区电网中,为数不多的发电机、高压输电线路、大型同步电动机及电力电容器、同期调相机、静止补偿器等都是很重要的无功电源。
为满足系统电压及经济运行的需要,系统中还必须设置一定容量的无功补偿设备来补充无功功率[10]。
2.5.1利用发电机调节无功功率
从无功电源的投资来看,额外设置补偿设备不如将发电机功率因数制造的较低合适。
由分析可知,当发电机的额定功率因数为0.98时,其视在功率为1.02Pe,而发出的无功功率为0.2Pe;
当发电机功率因数为0.8时,其视在功率为1.2Pe,而无功功率则达0.75Pe,可见功率因数降低可明显提高无功功率输出。
用发电机输出无功的单位投资相当于同期调相机或电容器的三分之一到五分之一,既节省容量,又节省投资。
但发电机的额定功率因数过低,将大大增加发电机的造价,因此一般发电机的额定功率因数都在0.8及以上[11]。
2.5.2采用并联电容器进行无功补偿
通过发电机提供无功功率有其局限性,根据无功就地平衡的原则,同时应该考虑在带无功负荷的各级母线进行无功补偿。
无功就地补偿的实用方法之一是采用并联电容器。
并联电容器是静止补偿装置,它的优点是损耗小,效率高。
在满负荷运行时,电容器的有功损耗约为0.3%-0.5%,而同期调相机的有功损耗约为1.5%-5.5%。
电容器可根据无功负荷需求在各级母线安装,选择适当容量分组配置可达到非常好的无功就地平衡效果。
由于电压等级高的电容器造价很高,因此通常电力系统在10KV及380V母线装设并联电容器。
但电力系统负荷变化很大,对无功功率的需求也会发生很大变化,如何根据母线负荷变化选择适当的电容量,也是通过计算可以实现的[12]。
补偿容量的计算有如下常规方法:
假设线路首端电压
保持不变,为保持线路末端电压为约束值
,有公式:
(式2.7)
式中
、
为母线负荷,r、x为线路参数,
为需补偿的电容量;
设a点母线实际电压为
,并令
,通过计算可得:
(式2.8)
当母线负荷
发生变化时,
随之也发生变化。
所以在电容补偿规划时考虑母线最大及最小负荷情况,计算补偿的电容量。
2,5.3采用同期调相机进行无功功率调节
同期调相机(又称同步补偿机)实质上是空载运行的同步电动机。
在过励磁运行时,向系统输出无功功率;
在欠励磁运行时,则从系统吸收无功,可以起到很好的无功调节作用[13]。
与并联电容器相比,同期调相机由平滑无级调节、输出功率不受电网电压影响的特点,但也有只能集中在大型变电站使用、运行维护量大、造价高的缺点。
2.5.4通过调节主变分接头改变系统无功分布
由分析可知,改变主变的分接头位置可改变系统的无功功率分布,进而可能达到无功优化的目的。
改变分接头无需额外投资,相对易于实现。
至此可以知道,调节发电机励磁电流、改变主变压器分接头位置可以调节无功潮流分布,安装并联电容器可实现无功的就地平衡,造价不高,易于实现,目前在电力系统较为通行[14]。
但调节发电机无功输出及变压器分头不能仅依靠人工、根据供给电压曲线进行调节,因为系统潮流在随时变化,人工依据经验调节无法精确实现最优状态,也就不可能实现网损最小的经济运行目标。
以网损最小为最终目的进行发电机无功调节及主变分头调节,必须研制专用软件,在已知电网参数的条件下,以有功网损为目标函数进行优化分析,计算系统潮流,最终潮流计算收敛在有功网损最小状态。
这就要求我们首先建立系统结构及各有关参数,选择主力电厂作为平衡节点调节无功输出,确定有功网损为目标函数,在给定的初值下对目标函数进行优化分析,计算潮流,也就是本文地区电网无功优化分析系统所要实现的。
3遗传算法在无功优化中的应用
遗传算法是80年代出现的新型优化算法,在经典电力系统潮流优化,经济调度,自适应控制等领域日益得以应用。
它的机理源于达尔文的进化理论,遗传算法是一种模拟自然界遗传选择和适者生存的生物进化过程的随机搜索方法。
它强调自适应性[15]。
设想在其特定环境下的一群个体.由于环境限制,只有适应性强的可以生存下来并将优良性状遗传,而弱者则被淘汰。
首先按一定的概率分布在较大的范围随机产生试探点,以实现大范围的粗略搜索,然后逐步缩小随机产生试探点的范围,使搜索范围逐步变为精细搜索,而得到全局最优解。
它主要包括初始化、评价、选择、杂交和变异过程。
由于遗传算法无初值要求、通用性强等优点,它被广泛应用于配电网的无功优化中。
①针对配电网电容器的实时投切的非线性、整数寻优和快速性的特点,提出改进遗传算法,并与禁忌算法相结合,用于配电网电容器的实时投切。
②针对无功优化的实际情况,在不同的优化阶段,对目标函数各项罚因子采用不同的权重,且构造出分阶段适应性函数,以及应用选择式杂交方式,来提高遗传算法无功优化的寻优速度和收敛精度[16]。
遗传算法应用于无功优化问题时可以理解为:
电力系统环境下的一组初始潮流解,受各种约束条件限制,通过目标函数评价其优劣,评价值低的被抛弃,只有评价值高的才有机会将其特征迭代至下轮解,最后趋向最优。
该算法首先在电力系统运行环境下随机产生一组初始潮流解,然后对变量进行二进制编码,再通过选择(即通过目标函数评价其母体的优劣)-杂交(即随机从繁殖库中选取两个个体进行部分信息交换从而延续父代的优良性状)-变异(即对杂交后的每一个个体的每一个基因位产生随机数再与变异概率比较后确定其值是否翻转),使其重新组合逐代遗传后获得趋于最优解[17]。
遗传算法具有如下的特点:
鲁棒性好,对目标函数要求极少,既不要求可微又不要求连续,通用性强;
算法沿用目标函数本身的信息建立寻优方向,以参数编码进行操作,便于处理离散型变量。
原理和操作简单,占用内存少,适用于计算机进行大规模网络计算;
从多初始点开始沿多路径搜索实现全局最优。
遗传算法存在的不足是处理简单问题效率不高,由于每个个体都需要相应的潮流计算,所以计算速度较慢,如何提高搜索速度是需要进一步有待研究的问题。
遗传算法的缺点:
在进化搜索过程中,每代总要维持一定规模的群体,若群体规模小,含有的信息量也少,不能使遗传算法的作用得到充分发挥:
若群体规模大,包含地信息量较大,但计算次数会急剧增加,因此限制了遗传算法的使用[18]。
另一个缺点是“早熟”,造成这种成熟前收敛的原因:
遗传算法操作的交叉算子使群体中的染色体具有局部相似性,父代染色体的信息交换量小,从而使搜索停滞不前;
变异概率太小,以至于不能驱动搜索转向其他的解空间进行搜索。
此外,遗传算法的爬山能力较差。
遗传算法是人工智能的重要新分支,它基于达尔文进化论,是在微型计算机上模拟生命进化机制而发展起来的一门新学科。
它根据适者生存,优胜劣汰等自然进化规则来进行搜索计算和问题求解。
用遗传算法求解无功优化问题时,首先随机产生一组初始潮流解,受各种约束条件限制,通过目标函数值来评价优劣,评价值低的被抛弃,只有评价值高的才有机会将其特征遗传到下一代,然后对变量进行带有遗传信息的编码,再执行遗传操作,进行重新组合,以产生更加优秀的个体,这个个体对应的解将趋于最优。
如此重复迭代遗传,直到收敛为止,最后得到趋于最优的一组原问题的解。
应用遗传算法求解电力系统无功优化问题,关键在于确定反映原问题目标的适应度函数和易于操作的染色体编码,因为原问题的编码形式是遗传操作的基
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 运用 MATLAB 优化 工具箱 电网 进行 无功