基于遗传禁忌混合算法的配电网无功优化

为了有效解决由配电网分布式电源(distribution generation,DG)渗透率逐渐升高带来的电压越限、网损增加问题。建立了配电网无功优化模型,以网损最小和电压不越限为综合目标,通过采用一种遗传禁忌混合算法(genetic/tabu hybrid algorithm,GATS)研究了接入DG的配电网无功优化问题。在MATLAB软件上以IEEE-33节点配电系统为算例对所研究问题进行了分析与验证。结果表明:GATS混合算法的可行性和优越性较强,通过该算法进行无功优化可以有效改善系统电压水平、降低网损;并且适当提高DG渗透率,同样有利于网损降低、电压水平提高;但若DG渗透率过高,会导致网损增加、电压越限问题,通过GATS算法进行无功优化这些问题可得到有效解决。     

基于量子混合蛙跳算法的含分布式电源配电网无功优化

将分布式电源(DG)的无功调节能力与传统的电压调节手段相结合,研究了含DG的配电网无功优化问题。建立以降低系统网损、抑制电压波动为综合目标的配电网模糊无功优化模型。通过蒙特卡罗仿真对配电网系统进行无功补偿选址,采用量子混合蛙跳算法求解含DG的配电网无功优化问题。最后,通过IEEE 33节点系统进行仿真计算,表明在配电网接入DG的基础上进行无功优化能较大程度地改善系统电压水平和降低系统网损,并且证明了所提算法的快速性和有效性。     

计及电压稳定指标的含DG配电网无功优化

将分布式电源(DG)的无功调节能力与传统的电压调节手段相结合,研究了含DG的配电网无功优化问题。建立以降低系统网损、抑制电压波动和电压稳定指标为综合目标的配电网多目标无功优化模型。通过蒙特卡罗仿真对配电网系统进行无功补偿选址,采用模糊层次分析法确定各指标的权重系数,并基于量子混合蛙跳算法求解含DG的配电网无功优化问题。最后,通过IEEE 33节点系统进行仿真计算,结果表明在配电网接入DG的基础上进行无功优化能较大程度地改善系统电压水平和降低系统网损,并且证明了所提算法的可行性和有效性。     

计及分布式电源的配电网无功潮流优化研究

随着分布式电源大力发展,为提高电压质量和减小系统网损,对含分布式电源的配电网无功潮流优化意义重大.本文介绍了各种分布式电源在配网中的相关模型,对含DG(distributed generation)的配电网模型进行适当的分析,提出含DG的配网无功补偿方式,并给出了分布式电源并网后配电网无功潮流计算方法,最后应用标准的I...     

基于免疫教与学算法的含DG的配电网无功优化

以分布式电源接入配电网运行时产生的有功网损最小并能改善节点电压质量为目标,提出将免疫算法与教与学算法相结合的配电网无功优化方法。为了提高教与学优化算法的收敛性能,将免疫算法的免疫记忆和自我调节机制引入到教与学算法,并采用个体浓度机制的多样性保持策略,同时利用免疫算法的"接种疫苗"和"免疫选择"来提高个体全局搜索能力,加快算法收敛速度。通过对改进后的含DG的IEEE33节点配电系统进行仿真分析,结果表明在接入DG的基础上进行无功优化,系统电压水平得到稳定提升,系统网损也大大降低,从而验证了所提算法的有效性。     

含光储联合发电系统的配电网双目标拓展无功优化

光储联合发电系统接入配电网给其优化调度带来了新的资源和挑战。分析了光储联合发电系统接入配电网后对配电网电压和网损的影响机理,揭示了光储系统的有功无功调控对配电网调压和降损的重要地位。构建了以系统有功网损最小和电压越限风险最小为优化目标的拓展无功优化模型。该模型在传统无功优化模型的基础上增加储能有功出力和光伏发电功率因数作为控制变量,丰富了有源配电网无功优化的内涵。采用带精英策略的非支配排序多目标优化遗传算法(NSGA-II)求取帕累托前沿,并根据模糊集理论选取最优折衷解。与多种无功优化方案进行仿真比较,结果表明所提出的双目标拓展无功优化模型能够实现含源配电网中有功潮流和无功潮流的协调优化,在充分挖掘系统节能降耗潜力的同时提高配电网电压运行安全裕度。     

考虑多个分布式电源接入配电网的多目标无功优化调度

坚强智能电网的建设促进了分布式电源(Distributed Generation,DG)并网技术的发展,DG并网对配网进行无功优化不仅能够提高电压质量、降低有功网损,还增加了配网运行的灵活性、经济性与安全性。以系统有功功率损耗最低与电压偏压量最小为双目标函数,建立无功优化模型。针对目前无功优化问题尚缺乏一种能兼顾求解的高效性与全局搜索最优性的方法,文中将一种新的启发式算法-鲸鱼优化算法(WOA)运用到电网无功优化调度中,对多个DG接入的IEEE 33节点系统进行无功优化仿真分析。研究表明DG并网增加了配网的稳定性,并且证明了WOA算法在解决此问题上的鲁棒性和有效性。     

计及网损最小的含分散式风电场配电网多目标优化策略

提出一种计及网损最小的含分散式风电场配电网多目标优化策略。首先,提出了含分散式风电场配电网的3层功率控制系统,该系统整定层通过对比网损减小值和接入点功率损失值,判断采用恒功率因数为1控制或基于网损最小的多目标优化控制,以便灵活控制分散式风电场有功及无功功率主动参与配电网经济运行。其次,提出2个表征电网损耗的指标:有功网损率和无功网损率,并给出了基于权重的多目标网损最小的优化函数,求解得到最优有功功率和功率因数值。最后,分析了分散式风电场并网后对配电网电压稳定裕度的影响,并通过算例验证了证明所提策略可有效减小配电网网损,提高接入点电压水平,增强电网电压稳定裕度。     

考虑光伏逆变器剩余容量的配电网无功优化

在保证光伏电源有功出力最大的情况下,将光伏逆变器的剩余容量作为连续可调的无功电源研究了含光伏电源的配电网无功优化问题。在分析光伏发电出力随机性和不确定性的基础上,建立了光伏电源出力的概率分布模型,并以配电网有功网损和总电压偏差之和最小为目标函数,建立了考虑光伏逆变器剩余容量的配电网无功优化模型,采用线性递减权重粒子群算法(Lin WPSO)对离散变量进行处理,并寻求无功优化最优解。通过IEEE33节点系统算例仿真,验证了本文所提出的模型和方法更接近实际,可以有效降低配电网总电压偏差,改善配电网电压水平,降低配电网有功网损,验证了本文模型和方法的正确性和有效性。     

考虑电压稳定性的含分布式电源配电网多目标无功优化

建立考虑电压稳定性的含分布式电源配电网多目标无功优化模型,该模型兼顾有功网损、电压偏移指标和电压稳定指标3个目标函数。提出一种自适应多目标差分进化算法获取模型的Pareto最优解集,并采用灰色关联决策法提取出最优折中无功优化方案。以IEEE 33节点和IEEE69节点配电系统为算例进行仿真分析,结果验证了所提无功优化方法的有效性。     

基于改进蜉蝣算法的含分布式电源配电网无功优化

近年来,风光等分布式电源（distributed generation,DG）的大规模并网运行给主动配电网无功优化带来新挑战。首先,在对分布式电源无功调控特性进行分析的基础上,针对配电网单相、三相混杂的情况,文中分别建立了考虑三相平衡与不平衡情况下计及DG无功支撑能力的配电网无功优化模型。其次,在蜉蝣算法的基础上,利用Sobol序列生成超均匀分布的初始蜉蝣种群提高算法收敛性;引入自适应重力系数合理化搜索机制和基因突变以增加种群多样性;同时调整越界约束策略以减少无效计算,提出一种改进蜉蝣算法（improved mayfly algorithm,IMA）用于求解含DG的配电网无功优化问题,并给出具体的无功优化流程。最后,通过对改进后的IEEE 33节点和三相IEEE 33节点配电系统进行测试,验证IMA较于其他智能算法在无功优化计算中的优越性。结果表明所提模型和算法能够有效降低配网的有功网损和三相不平衡度,提高各节点的电压水平。     

基于改进粒子群算法的含DG配电网无功优化

含分布式电源(DG)配电网的无功优化是一个复杂的非线性优化问题,文中采用改进的粒子群算法(PSO)对配电网进行无功优化计算,建立以系统网损和电压平均偏离最小为目标函数,节点电压和电容器投切容量为约束条件的优化模型。在PSO中引入位置方差防止PSO陷入局部最优解,根据种群中粒子的适应度值对粒子进行变异处理,在保证算法收敛速度的基础上,改善算法性能。以含分布式电源的IEEE14节点配电系统为例进行无功优化分析,结果表明DG能增强电网运行的稳定性,所提算法具有较好的优化性能。     

基于集群划分的含分布式光伏配电网有功-无功多目标优化

随着高比例分布式光伏并网,配电网潮流随光伏出力波动,系统有功-无功优化面临新的挑战。建立了配电网网损最小、光伏消纳量最大和电压偏移最小的多目标优化模型,通过调节光伏逆变器出力和无功补偿设备的投切,实现配电网网损最小、光伏消纳率最大和电压偏移最小的目标。建立了基于电气距离和区域电压调节能力的集群性能指标计算方法,并基于指标计算结果将配电网划分为多个子集群,利用NSGAIII算法对子集群进行有功-无功优化。最后以一条实际10 kV配电线路和IEEE123系统为算例仿真验证,计算结果表明经划分后对子集群进行有功-无功优化相比于全局优化可以提高光伏消纳率、减少系统网损和减少节点电压偏移。验证集群划分方法和有功-无功优化模型的有效性。     

计及智能软开关与分布式电源调节能力的配电网两阶段无功优化

安装于配电网联络线上的智能软开关(soft normally open point,SNOP)除了能够传输有功功率外,还能够调节无功输出以实现对电压水平的支撑。配电网的无功优化需要综合考虑有载调压变压器(on-load tap changer,OLTC)的分接头、SNOP与分布式电源(distributed generation,DG)的无功输出。针对这一多控制变量的求解难题,首先建立了以系统有功网损和与上级电网无功交换功率最小为目标函数的优化模型,该问题属于带时间耦合的混合整数规划问题。然后,提出了基于粒子群算法的两阶段无功优化方法,第一阶段忽略时间耦合性,通过聚类算法得出OLTC动作方案,第二阶段获得SNOP与DG的组合状态。最后,以改进的IEEE 33节点系统为算例,计算结果表明考虑SNOP与DG灵活运行的配电网无功优化满足网损减小、无功就地平衡的要求。     

计及无功优化的分布式电源选址与定容

为提高电网的电压水平和降低线路损耗,在分布式电源选址与定容的基础上,加入了无功优化。根据分布式电源出力情况,将计及无功优化的分布式电源选址与定容问题分解成分布式电源并网和切除两种模式,即DG满出力时配电网网损、电压偏移及静态电压稳定裕度综合目标最优和DG零出力时电压合格为约束条件下的配电网网损最小,通过加权法将多目标转换成单目标。运用免疫算法对含分布式电源的33节点的配电系统进行算例分析,证明了计及无功优化的分布式电源选址定容的优越性。通过无功优化和分布式电源选址定容的优化分析,得出了当同时考虑两者时,优化效果最佳。     

基于改进粒子群优化算法的DG准入容量与优化布置

为进一步优化配电网中分布式电源（distributed generation,DG）的准入容量和优化布置问题,以节点电压和线路载流量为约束条件建立了单电源和多电源准入容量的数学模型,以有功网损最小为目标函数建立了DG优化布置模型。为有效求解该模型,采用了基于粒子群优化（particle swarm optimization,PSO）算法和二次插值相结合的改进PSO算法,将该改进方法应用于IEEE 33节点标准算例,分别进行了DG的最优接入位置与最优容量的仿真,并与粒子群算法优化结果进行了对比,同时还分析了优化布置下的潮流分布。算例仿真结果表明该方法可有效减少DG接入后配电网的网损,提高配电网的供电质量。     

基于遗传算法和微分进化算法的分布式电源优化配置

配电系统中,分布式电源（DG）安装位置的选择、额定容量的确定对于电网规划、设计和投资至关重要,以10节点配电网系统为例,采用遗传算法和微分进化算法对分布式电源进行了优化配置,建立了DG的不确定性模型,并将其加入到优化分析中,给出了优化算法的求解程序。对含DG的配电网进行了潮流计算,分析了DG容量与系统总网损的关系。算例分析结果表明,优化配置有效改善了配电网的电压分布,减小了网损,提高了系统负荷率,说明了该优化配置方法合理、有效。     

基于自然选择粒子群算法含DG接入的配电网无功优化

以分布式电源接入配电网运行时产生的有功网损最小并能改善电压质量为目标,提出将自然选择机理与粒子群算法相结合的配电网无功优化方法。将DG向系统注入的无功功率作为配电网无功优化的控制变量,建立了包括目标函数、潮流方程等式约束和不等式约束的配电网无功优化数学模型。基于自然选择的粒子群算法其核心思想为每次迭代过程中将整个粒子群按适应值排序,用群体中最好的一半的粒子的速度和位置替换最差的一半的速度和位置,同时保留原来每个个体所记忆的历史最优值。通过对改进后的IEEE33节点配电系统进行仿真分析,结果表明所提出的算法具有很强的全局收敛性和稳定性,并能以最快的收敛速度搜索到系统最小网损值。     

计及电动汽车充电模式的主动配电网多目标优化重构

电动汽车的入网会影响到电网的经济性和安全性,而配电网重构是电网优化运行的有效措施。根据主动配电网(ADN)的特点,提出了含分布式电源(DG)和电动汽车充电的优化重构模型。通过有功网损灵敏度确定DG的安装位置和容量,构造出DG出力和EV充电的多时段概率模型。建立有功网损、电压偏移指标(VSI)和开关操作次数的多目标优化数学模型以确定系统的最佳重构方案,并在IEEE33节点标准配电系统中,采用引入小生境技术的改进多目标粒子群算法(IMPSO)进行计算,提高了算法的全局寻优能力。考虑了电动汽车无序充电和智能充电两种模式,对比不同场景下得出的结果,验证了该方法的实用性和有效性。     

基于自然选择粒子群算法的含DG接入的配电网无功优化

以分布式电源接入配电网运行时产生的有功网损最小并能改善电压质量为目标,提出将自然选择机理与粒子群算法相结合的配电网无功优化方法。将DG向系统注入的无功功率作为配电网无功优化的控制变量,建立了包括目标函数、潮流方程等式约束和不等式约束的配电网无功优化数学模型。基于自然选择的粒子群算法其核心思想为每次迭代过程中将整个粒子群按适应值排序,用群体中最好的一半的粒子的速度和位置替换最差的一半的速度和位置,同时保留原来每个个体所记忆的历史最优值。通过对改进后的IEEE33节点配电系统进行仿真分析,结果表明所提出的算法具有很强的全局收敛性和稳定性,并能以最快的收敛速度搜索到系统最小网损值。