基于改进和声算法的含风电系统无功优化研究

本文针对含双馈型风力发电机DFIG(double-fed induction generator,DFIG)的风电场接入电网时的无功补偿问题,建立了以有功网损最小为目标的无功优化模型,采用改进的和声搜索算法实现无功优化的方法。改进和声优化算法将和声搜索算法及粒子群算法相结合,利用和声搜素算法选出局部最优的优点和粒子群算法收敛速度快的特点,将和声库看做粒子种群,对其进行寻优,并对和声算法中音调调整率PAR(pitch-adjust-ting rate,PAR)和距离带宽bw(band width,bw)进行调节以提高对多维问题的搜索效率。文章以IEEE 33节点系统为基础,对无功优化算法进行仿真验证,实验结果表明文中所提出的改进型和声算法较其他算法具有更好的全局寻优性及快速收敛性,同时也能较好的改善各节点电压幅值。     

基于改进差分进化法的含双馈型风电场的配电网无功优化

以双馈型风电机组为研究对象,建立以风电无功功率、并联电容器投运组数为优化变量,以电压稳定性最好、电压偏差最小和有功网损最小为目标的无功优化模型。在对差分进化方法进行改进的基础上,研究基于改进差分进化法的含双馈型风电场的配电网无功优化算法。在IEEE 33节点系统中进行算例测试,结果验证了无功优化算法的有效性,合理调度双馈风力发电机有利于配电网的运行优化与电能质量的改善。     

基于量子粒子群算法的含风电场配电网无功优化

研究了含双馈异步电机(DFIG)型风电场的配电网无功优化。DFIG出力的随机性使得传统无功优化模型难以胜任。因此,应用场景分析法对含DFIG的配电网进行场景划分。采用蒙克卡罗仿真对其进行无功补偿选址,结合DFIG的无功补偿能力,建立了模糊无功优化模型,以降低网损、减少电压偏移量。最后,以IEEE33为测试系统,基于量子粒子群算法(QPSO)进行求解,结果验证了所提方法的可行性和有效性。     

基于改进差分进化算法的配电网无功优化

采用改进差分进化算法(Improved Differential Evolution Algorithm,IDEA)求解配电网无功优化问题。该算法引入基于反学习的种群初始化方法,使算法得到的初始种群具有多样性,能够充分提取搜索空间的信息;引入高斯扰动机制到交叉操作中,提高了在维尺度上的种群多样性;在进化过程中融入人工蜂群搜索思想,引入蜂群加速进化与侦查操作策略,使算法能快速跳出局部最优,避免了早熟问题。建立了配电网无功优化数学模型,并采用IDE算法对IEEE30节点系统求解该模型,并与基本DE算法进行对比,仿真结果证明了所提IDE算法具有更佳的性能,能够有效的求解配电网无功优化的问题。     

基于量子差分进化算法的电力系统无功优化

以系统有功网损最小为目标,建立了一种电力系统无功优化数学模型,并提出了一种基于量子差分进化算法的电力系统无功优化方法。该算法采用量子计算中的并行、坍缩等特性,增强了对解空间的遍历能力;同时在传统选择策略的基础上加入了量子计算的概率表达特性,有效地避免了算法的早熟现象。对IEEE-30节点测试系统进行仿真分析,并将优化结果与传统差分进化算法和粒子群优化算法进行对比分析,结果表明量子差分进化算法在解决系统无功优化问题上更科学、更有效。     

基于DESA算法且含风电接入的配网无功优化

针对配电网无功规划优化的非线性和约束复杂的特点,提出一种DESA混合进化算法进行求解。该算法将DE和SA算法各自的优势相融合,利用DE算法的全局优化特性在解空间探寻全局最优解,利用SA算法的局部最优逃逸能力实现对DE算法不足的补偿。采用IEEE 33节点系统进行仿真分析,验证该方法的可行性和有效性。     

采用混沌蝙蝠算法的含DG配电网无功优化

文中提出一种混沌蝙蝠算法(Chaotic Bat Algorithm,CBA)求解含分布式发电(Distributed Generation,DG)的配电网无功优化问题.CBA算法在基本蝙蝠算法(Bat Algorithm,BA)的基础上,采用Tent混沌映射初始化蝙蝠位置和更新脉冲发射率以提高全局收敛性,同时动态自适...     

考虑安全性的含风电场配电网动态无功优化

研究了双馈异步发电机(DFlG)的灵活无功调节能力,将其无功输出作为连续控制变量参与配电网动态无功优化。鉴于DFIG有功输出功率的波动性,提出了一种基于DFIG有功输出功率变化趋势的自适应分时段法。鉴于目前配电网无功优化重视经济性而轻视安全性的情况,提出了同时考虑经济性与安全性的无功优化目标函数。对配电网进行分区,计算其各区域的安全性指标,将该安全性指标权重加入到安全性目标函数中,并采用改进差分进化算法和内点法分别对离散控制变量和连续控制变量交替求解。最后,利用IEEE 33节点系统对本文所提出的动态无功优化模型进行仿真分析,结果表明系统网损得以明显降低,其配电网安全性也得到提高,证明了该方法的可行性和有效性。     

基于混沌神经网络的配电网无功优化

利用混沌人工神经网络对配电网中无功进行优化,模拟配电网中的“痛点”,即无功配置不合理的线路,反应给神经元,令神经元输出“痛感”,因此根据“痛点”找到无功配置不合理的线路,重新分配无功,直到实现配电网无功优化配置.经对IEEE30节点的配电网实例的计算,验证了该方法的有效性,更适应智能电网的要求.     

基于改进粒子群算法含双馈风电机组配网无功优化研究

针对风电机组并网后对配电网无功补偿产生的影响,从双馈风电机组自身的有功、无功输出特性出发,基于场景概率的方法计算风力机组出力情况,以网损最小为目标函数寻求优化求解方法。利用改进粒子群算法来实现系统接入双馈风电机组后的无功优化,在Matlab 2013b软件中构造IEEE33节点模型并利用该算法求解。结果表明,双馈风电机组在参与系统无功优化时具有良好的性能,验证了该改进算法的有效性。     

基于差异进化和PC集群的并行无功优化

提出了一种在线求解电力系统无功优化问题的方法。该方法基于新的差异进化（DE）算法和并行计算技术,在PC集群上实现优化。IEEE118节点系统的算例表明：DE算法尽管简单,但可快速收敛到近似最优解;采用并行差异进化和适当规模的PC集群,可大大缩短电力系统无功优化的计算时间,使之满足在线应用的需要。     

电力市场环境下含风电机组的配电网无功优化

电力市场环境下,合理考虑无功成本,有利于配电网无功功率资源的最优利用。本文从降低含网损、设备损耗和无功成本在内的综合成本的角度出发,研究含双馈感应风力发电机DFIG(doubly-fed induction generator)的配电网无功优化调度方法。首先,通过研究DFIG功率特性,对DFIG输出功率进行区域划分,建立无功分区计价模型;其次,分析了风速波动对DFIG无功最大出力影响,基于平均风速预测曲线,给出改良风速计算方法;最后以改进IEEE 14节点系统为算例,采用改进遗传算法优化求解。仿真计算结果表明,本文所提无功优化模型和方法具有合理性。     

基于改进微分进化算法的电力系统无功优化

提出了一种改进的微分进化算法求解电力系统无功优化问题。在进化过程中，该算法根据进化情况采用动态参数调整机制提高算法的搜索效率，并且对种群重叠状况进行实时监视，对重叠个体利用混沌搜索策略来进一步提高算法的全局寻优能力。通过对IEEE 6、IEEE 30、IEEE 118标准测试系统及某地区实际系统的无功优化问题计算及结果分析表明，文中提出的改进微分进化算法高效、且全局寻优能力强。     

考虑风电功率预测的分散式风电场无功控制策略

分散式风电接网模式可以解决集中式并网限电等问题,但对配电网传统运行模式带来挑战。为解决其经济稳定运行难题,提出了一种包含无功预测、无功整定、无功分配的三层新型分散式风电场无功协调控制策略。其中,无功预测层利用物理和统计方法组合预测单台机组未来无功输出能力;无功整定层针对有无无功补偿设备,提出风电机组基于电网无功缺额降出力的自身补偿和多时间尺度协调离散补偿设备、静止无功发生器(SVG)与风电机组共同补偿配电网无功需求方法;无功分配层基于风电功率预测无功功率信息,考虑风速波动性,按照优先级动态筛选风电机组,调节其输出功率以跟踪无功补偿指令。工程算例证明了所提策略可以有效提高电压支撑能力,减小风电场损耗。     

基于自适应遗传算法的配电网无功优化

针对传统的遗传算法在求解配电网无功优化问题时容易陷入局部最优,并且收敛速度慢的缺点,将自适应遗传算法引入配电网无功优化中,采用自适应的交叉率和变异率使之符合遗传算法动态性和适应性搜索过程,并在编码方式、适应度函数设计、遗传操作以及终止判据等方面进行改进,对IEEE 33测试系统进行仿真分析,算例表明了算法的实用性和有效性。     

基于多种主动管理策略的配电网综合无功优化

建立了主动配电网综合无功优化模型,该模型基于主动配电网中各种主动管理措施和优化策略,包括电容器无功补偿、变压器有载调压、分布式电源无功调节、配电网络重构。通过分析无功优化策略对配电网的负面效应,在模型中加入了无功优化策略之间的优先次序,同时还加入了变压器损耗,使优化模型更具实际意义。通过改进的IEEE 33节点系统仿真对模型进行了验证,结果表明:应用考虑各种主动管理策略及其对配电网负面效应的综合无功优化模型可以得到更加合理的无功优化方案,并且网损和电压质量都较传统无功优化方案有大幅改善。     

基于自适应遗传算法的配电网无功优化

针对传统的遗传算法在求解配电网无功优化问题时容易陷入局部最优,并且收敛速度慢的缺点,将自适应遗传算法引入配电网无功优化中,采用自适应的交叉率和变异率使之符合遗传算法动态性和适应性搜索过程,并在编码方式、适应度函数设计、遗传操作以及终止判据等方面进行改进,对IEEE33测试系统进行仿真分析,算例表明了算法的实用性和有效性。