电力系统无功补偿点的选取及优化方法

提出了以局部电压稳定L指标为基础的负荷节点电压稳定裕度概念和改进的粒子群优化算法。首先利用负荷节点电压稳定裕度识别系统电压弱节点,以此作为无功补偿点,该裕度不受负荷增长方式的影响,具有确定的上下界。然后以有功网损最小为目标函数,建立电力系统无功优化数学模型,进而提出改进的粒子群算法。该算法中引入"飞回"策略及二次插值算子,提高了算法的局部搜索能力和收敛速度。该方法使系统无功得到平衡,无功源得到合理配置。最后,对IEEE 30节点系统进行无功优化,Matlab仿真结果表明了所提方法的有效性。     

基于改进型纵横交叉算法的电力系统无功规划优化

<正>将纵横交叉(CSO)算法应用到电力系统无功规划优化问题,并对CSO算法进行改进。运用混沌映射产生分布均匀的初始解,引进纵交叉微算子,并将量子粒子群算法搜索机制与CSO结合,增加算法的搜索能力。利用电压稳定裕度指标,找寻系统电压稳定性较薄弱节点,将其作为无功规划节点,并将综合规划费用和电压稳定裕度指标写入目标函数,追寻综合规划费用最低的同时提高电压稳定性。通过IEEE-30节点系统的仿真,验证了该规划方法和算法的有     

提高系统无功备用容量的多目标无功补偿规划

系统的无功备用容量越大,其电压稳定裕度越大,为此提出了提高系统无功备用容量的多目标无功补偿规划。在系统无功备用容量定义基础上,推导出各负荷节点无功补偿对于提高系统无功备用容量的灵敏度和降低有功损耗的灵敏度,并将综合灵敏度大的负荷节点作为候选无功补偿点;提出了多目标优化的自适应免疫算法,以其提高系统无功备用容量的多目标无功补偿规划优化求解,且在IEEE-30节点系统中分析补偿前后系统电压稳定裕度。将补偿后的相关指标与普通的免疫算法所得指标比较的结果表明,所提方法正确可行。     

基于改进粒子群算法的配电网无功优化

无功优化是保证系统可靠运行的重要措施,针对配电网无功优化的特点,提出一种基于局部电压稳定指标分区与改进粒子群算法相结合的配电网无功优化方法。首先计算系统负荷节点的局部电压稳定指标,根据电压稳定指标大小将负荷节点进行排序,选取排序在后的一部分负荷节点作为候选补偿点集合,结合电气距离将其分区;然后借助改进粒子群算法获得系统最佳补偿点位置与无功补偿量;最后在MATLAB中用IEEE33节点系统进行仿真验证,仿真结果表明,由局部电压稳定指标与电气距离相结合的方法可以缩小寻优范围,得到的候选补偿区合理有效,改进粒子群算法初始化粒子多样性更好,具有更快的收敛速度。     

考虑电压稳定的电力系统无功优化规划

建立了模糊多目标无功优化规划的数学模型.在目标函数中考虑了网损、无功补偿设备的投资、静态电压稳定裕度以及负荷节点电压的偏移.首先采用电压稳定灵敏度排序法找出电压稳定性最差的节点,作为候选无功补偿节点;然后采用遗传算法对数学模型进行求解,得到优化补偿节点及补偿节点的优化补偿容量.通过对IEEE30节点的计算结果表明:采用文中的优化规划方法能够达到很好的降损效果,提高了整个系统的电压稳定性.     

考虑电压稳定的电力系统无功优化规划

建立了模糊多目标无功优化规划的数学模型。在目标函数中考虑了网损、无功补偿设备的投资、静态电压稳定裕度以及负荷节点电压的偏移。首先采用电压稳定灵敏度排序法找出电压稳定性最差的节点,作为候选无功补偿节点;然后采用遗传算法对数学模型进行求解,得到优化补偿节点及补偿节点的优化补偿容量。通过对IEEE30节点的计算结果表明:采用文中的优化规划方法能够达到很好的降损效果,提高了整个系统的电压稳定性。     

基于自适应聚焦粒子群优化算法的电力系统多目标无功优化

自适应聚焦粒子群算法(adaptive focusing particle swarm optimization,AFPSO)是根据粒子群算法的全局搜索与局部搜索平衡特性,并予以改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。作者将此算法用于电力系统无功优化。该方法以最优控制原理为基础,引入了静态电压稳定性指标,建立了综合考虑系统有功网损最小、静态电压稳定裕度最大的多目标无功优化模型。IEEE 30节点系统仿真结果表明,AFPSO算法在实现系统经济运行的同时也增强了电网的电压稳定性,证明了AFPSO算法的有效性和优越性。     

多目标无功优化的向量评价自适应免疫粒子群算法

为了克服粒子群算法在高维复杂问题寻优时容易陷入局部搜索的现象,提出了一种自适应免疫粒子群算法。该算法利用引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子,从整体上达到系统的最佳控制方案。并将基于目标向量的个体评价方法与自适应免疫粒子群算法相结合,提出了基于向量评价的自适应免疫粒子群算法(vector evaluated adaptive immune particle swarm optimization,VEAIPSO)来解决多目标无功优化问题。通过引入静态电压稳定指标,建立了以系统有功损耗最小、节点电压偏移量最小及静态电压稳定裕度最大为目标的多目标无功优化模型。IEEE30和IEEE118节点系统算例仿真结果表明,该算法能有效地解决多目标无功优化问题,并具有良好的收敛稳定性和较高的寻优精度。     

基于粒子群算法的电力系统无功优化及补偿点的确定

根据简单交流电路的电压电流特性推导出节点电压临界崩溃的条件,提出了无功裕度的概念.根据节点无功裕度的排序确定了电力系统无功补偿点,并在此基础上用粒子群算法进行电力系统无功优化.该方法使电力系统无功分布更合理,实现无功就地补偿.IEEE 14节点算例的仿真结果表明该方法是有效和可行的.     

改进粒子群优化算法在电力系统多目标无功优化中应用

采用自适应聚焦粒子群优化(AFPSO)算法对电力系统进行无功优化.以最优控制原理为基础,引入静态电压稳定性指标,建立了综合考虑系统有功网损最小、电压水平最好以及静态电压稳定裕度最大的多目标无功优化模型,并采用模糊集理论将此多目标优化问题转化为单目标优化问题.通过最小化各目标的隶属度最大值(指标差的隶属度值大),从而只提升差的指标,使系统整体性能提高.同时,采用罚函数的形式处理负荷节点电压和无功发电功率2个状态变量不等式约束.在IEEE 57节点系统上进行测试,通过仿真测试及不同算法优化结果的对比,表明AFPSO算法在实现系统经济运行的同时也增强了电网的电压稳定,同时证明了AFPSO算法的有效性和优越性.     

Optimal placement of multiple STATCOM for voltage stability margin enhancement using particle swarm optimization

This paper proposes an approach for optimal placement of STATic synchronous COMpensator (STATCOM) in power systems. The approach is based on the simultaneous application of particle swarm optimization (PSO) and continuation power flow (CPF) to improve voltage profile, minimizing power system total losses, and for maximizing system loadability with respect to the size of STATCOM. Simulation results show the suitability of the PSO technique in finding multiple optimal solutions to the problem with reasonable computational effort. The installation of the STATOCM on these buses can increase the system voltage stability margin. The proposed technique is examined on the IEEE57 bus test system.     

基于粒子群算法的24小时综合无功协调优化

对于电力系统24小时无功协调优化来说,优化方法是使用粒子群优化算法及罚函数法,将所有的不等式约束方程式引入原目标函数作为惩罚项;优化目标是以全天经济费用最小作为目标函数;优化过程为静态优化和综合优化两个阶段。并根据在线负荷预测来确定24个时刻的并联电容器组的投切状态和变压器分接头的位置。将粒子群算法用于求解多目标无功优化问题中能够有效降低有功网损,减少无功补偿成本,而且其收敛性能好、收敛速度快、稳定性好。     

用于地区电网无功配置的极限潮流方法

指出现有的无功优化算法并不能较好地解决省地协调下的地区电网无功配置问题,提出了基于电压贡献度和无功贡献度的极限潮流方法。为满足省地协调下的电压和关口功率因数要求,该方法选择对系统电压水平和关口功率因数改善最有效的电容器进行松弛优化,并提出电压贡献度和无功贡献度的指标进行相应的量化。极限潮流方法选择合理的电容器进行松弛后,能够有效地扩大优化问题的搜索空间寻求不同负荷方式下的最优解,并根据最优解的形式给电网规划和运行部门提出相应的建议。最后在IEEE30节点系统和四川省某地区电网141节点系统中验证了该方法的灵活性与有效性。     

Optimal location and setting of SVC and TCSC devices using non-dominated sorting particle swarm optimization

In this paper, a new method for optimal locating multi-type FACTS devices in order to optimize multi-objective voltage stability problem is presented. The proposed methodology is based on a new variant of particle swarm optimization (PSO) specialized in multi-objective optimization problem known as non-dominated sorting particle swarm optimization (NSPSO). The crowding distance technique is used to maintain the Pareto front size at the chosen limit, without destroying its characteristics. To aid the decision maker choosing the best compromise solution from the Pareto front, the fuzzy-based mechanism is employed for this task. NSPSO is used to find the optimal location and setting of two types of FACTS namely: Thyristor controlled series compensator (TCSC) and static var compensator (SVC) that maximize static voltage stability margin (SVSM), reduce real power losses (RPL), and load voltage deviation (LVD). The optimization is carried out on two and three objective functions for various FACTS combinations considering. For ensure the robustness of the proposed method and gives a practical sense of our study, N − 1 contingency analysis and the stress of power system is considered in the optimization process. The thermal limits of lines and voltage limits of load buses are considered as the security constraints. The proposed method is validated on IEEE 30-bus and realistic Algerian 114-bus power system. The simulation results are compared with those obtained by particle swarm optimization (PSO) and non-dominated sorting genetic algorithms (NSGA-II). The comparisons show the effectiveness of the proposed NSPSO to solve the multi-objective optimization problem and capture Pareto optimal solutions with satisfactory diversity characteristics.     

基于广域量测信息的负荷裕度灵敏度计算新方法

提出一种基于广域量测信息的电力系统负荷裕度灵敏度(LMS)分析方法。根据电力系统的广域量测信息,在线计算电力系统中各负荷节点的负荷裕度;依据所得的负荷裕度,提出一种基于广域量测信息的节点负荷裕度对有功、无功及机端电压的灵敏度分析方法;针对所提的LMS方法,进一步提出了改善系统电压稳定性的相关控制策略;最后将所提方法应用到New England 39节点系统和IEEE 118节点系统中,仿真结果验证了所提方法的正确性和有效性。     

电力系统无功优化多目标处理与算法改进

电力系统无功优化属于典型的多目标非线性复杂优化问题,求解非常困难。近年来,众多智能优化算法应用于该问题,其中粒子群优化(Particle Swarm Optimization,PSO)算法最具代表性;但PSO算法性能仍有待提高,如可能陷入局部极值。提出一种多策略融合粒子群优化(Particle Swarm Optimization with Multi-Strategy Integration,MSI-PSO)算法,对速度更新公式引入选择操作,分阶段加速因子调整和惯性权重动态调整,以平衡粒子局部搜索与全局探索能力;同时,随机选取部分性能差的粒子,将其速度更新公式中的个体认知部分修改为社会认知部分,以提高算法搜索精度和收敛速度。建立以系统网络损耗最小和系统电压稳定裕度最大为目标的无功优化仿真模型,分别考虑加权法、隶属度函数法和Pareto法实施多目标处理。针对IEEE30节点测试系统进行仿真实验,结果表明,和其他几种改进PSO算法以及基于pareto最优解集PSO算法进行对比,所提MSI-PSO算法具有更好的性能,能够有效求解电力系统多目标无功优化问题。