含双馈型风电场的配电网智能无功优化方法研究

研究了含双馈电机的风电场接入配电网后的无功电压优化控制方法,通过分析双馈感应风电机组的功率情况,充分发挥双馈感应风电机组对配电网的无功调节能力,将构建的无功优化问题转换为一个非线性混合整数优化的数学问题,并采用智能遗传优化算法进行求解。利用IEEE30节点系统作为算例进行仿真分析,计算结果可为含风电场的配电网提供合适的无功分布参考,验证了该控制方法的有效性。     

含双馈风力发电机组的配电网无功电压优化

为了研究含双馈风力发电机组的配电网无功电压优化问题,将双馈风力发电机组的无功出力与电容器投切组数和有载调压变压器档位作为控制变量,通过均分次日控制时段使动态无功电压优化问题简化为静态无功电压优化问题。在每个时段开始时利用改进的遗传算法求得使系统网损最低的控制变量组合,每个时段内保持有载调压变压器档位和电容器投切组数不变,通过改变发电机机端电压来进行无功补偿。最后利用改进的IEEE33节点系统进行仿真计算,结果表明利用双馈风力发电机组的无功补偿能力可以有效降低配电网的有功损耗。     

考虑双馈机组无功调节能力的海上风电场无功优化

针对目前海上风电场运行时大量无功传输会引起有功损耗增加的问题,分析了海上风电场集电系统各电气设备的无功特性,以及双馈风电机组(doubly fed induction generator,DFIG)无功出力约束、风速变化对风电场内部无功潮流影响,提出了在保证最大风能利用的前提下将双馈风力发电机组作为连续无功源参与风电场无功补偿的方式,在保证风电场内部节点电压质量的前提下同时获得风电场内部网损最小的目标。以各风电机组的无功实时输出值为控制对象,将风电场无功优化问题转换为一个多变量、多约束的非线性混合优化问题,并采用粒子群优化算法(particle swarm optimization algorithm,PSO)进行求解。算例结果验证了该方法的有效性。     

双馈风电场无功电压协调控制策略

针对大型风电场并网运行的电压稳定问题,研究了双馈风电场内多无功源在时间尺度上的动态响应配合和空间粒度上的物理分布特性,提出了一种综合考虑升压站集中动态无功补偿设备和双馈风电机组的无功电压协调控制策略。该策略以在线实时监控数据为基础,采用基于过滤集合的原对偶内点法求解风电场无功电压多目标优化控制模型,能够在满足公共接入点电压控制指令的同时,使得集中动态补偿设备无功裕度更大,馈线上各风电机组的机端电压裕度更均衡。对中国北方某风电场的仿真计算验证了所提控制策略的有效性。     

基于混沌并行差分进化算法的含风电配电网无功优化

将风电机组接入配电网,其出力的间歇性、随机性使得传统无功优化模型不再适用。为此,采用场景分析法对双馈异步发电机（doubly fed induction generator,DFIG）的出力情况进行探讨,建立了含DFIG的配电网无功优化场景模型。考虑DFIG的灵活无功调节能力,建立以降低系统网损、抑制电压波动为综合目标的模糊无功优化模型。通过蒙特卡罗仿真对配电网系统进行无功补偿选址,采用带反馈的混沌并行差分进化算法（chaotic parallel differential evolution algorithm with feedback,CPDEF）求解含DFIG的配电网无功优化问题。通过IEEE 33节点系统对所提出的无功优化模型进行仿真计算,结果表明系统网损得以明显降低,电压水平明显改善,并证明了所提方法的可行性和有效性。     

计及安全性指标的含风电场配电网无功优化

研究了含双馈异步电机型风电场的配电网无功优化。由于DFIG具有灵活无功调节的能力,故使其无功输出作为一个连续变量参与配电网的无功优化。鉴于目前电力系统无功优化大多重视经济性而较少考虑其安全性的情况,为此,本文提出了同时考虑经济性与安全性的目标函数。将配电网进行分区,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,并采用反向差分进化算法进行求解。最后,利用IEEE 33节点系统对本文所提出的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,同时提高了其安全性。通过算例分析,证明了本文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。     

双馈风电场损耗最小化的有功无功协调优化控制

基于最优潮流模型,提出一种适用于双馈风电场的有功无功协调控制策略。该策略能够在分配机组的有功和无功功率的同时降低双馈风电场的网络损耗、发电机损耗和变流器损耗,也可以根据调度中心的调度需求实现双馈风电场的降载运行。通过优化双馈风力发电机的定子侧和网侧变流器的无功分配来降低双馈风机内部的发电机铜耗和变流器损耗。在此基础上,将双馈风电场构建成基于线性潮流方程的最优潮流模型,从而同时降低网络损耗和双馈风机的内部损耗。该文提出的控制策略能够在实现风电场降载运行的同时降低双馈风电场内部损耗,从而降低变流器等设备的累积疲劳效应。仿真结果表明,所提出的优化控制策略在实现跟踪有功功率、分配无功功率的前提下,能够降低双馈风电场的内部损耗。     

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。     

基于改进微分进化算法的电力系统无功优化

针对传统无功优化模型对于大系统编程实现十分困难的缺点,采用矩阵形式的数学模型进行优化.对标准微分进化算法提出了改进,引入增强算子,并采用模拟赌盘操作的方法有目的地使种群中的较差个体参与增强运算,提高了算法的寻优能力.由于微分进化算法中,初始种群的优劣对算法的收敛性有重要影响,根据无功优化的本质,依据初始潮流结果启发初始种群产生,加快收敛速度.在IEEE-14系统上进行校验,并与其他方法比较,结果表明,提出的改进算法具有收敛特性好、运行速度快的突出优点.     

基于改进粒子群算法的电力系统无功优化

电力系统无功优化问题是一个多变量、多约束的混合非线性规划问题。提出了一种改进粒子群算法用以解决这一复杂优化问题。在改进的算法中,首先结合混沌优化思想对粒子群进行初始化,减轻了粒子初始位置的选择对算法优化性能的影响;在进化过程中引入了自探索行为,使得粒子的搜索过程更加符合实际;引入了变异机制及3种判断陷入局部最优的标准,当发现粒子群陷入局部最优时,通过变异,帮助粒子跳出局部陷阱,增加发现最优解的机会。给出了问题的求解方法,并对IEEE 6、14节点系统进行了仿真计算,实验数值对比表明了算法的可行性和有效性。     

基于改进模拟退火算法的电网无功优化

无功运行优化问题的关键在于获得最优解或较好的次优解.传统的线性规划法和非线性规划法不能很好地处理整型变量问题,而常规模拟退火算法(SA)的鲁棒性不高.结合高中压配电网的特点,对SA进行了改进:采用记忆指导搜索方法,并采用模式法修正局部最优解.数值对比试验表明,本方法是合理的和可行的,具有一定的实用意义.     

基于改进模拟退火算法的电网无功优化

无功运行优化问题的关键在于获得最优解或较好的次优解。传统的线性规划法和非线性规划法不能很好地处理整型变量问题,而常规模拟退火算法(SA)的鲁棒性不高。结合高中压配电网的特点,对SA进行了改进:采用记忆指导搜索方法,并采用模式法修正局部最优解。数值对比试验表明,本方法是合理的和可行的,具有一定的实用意义。     

基于混沌优化算法的电力系统无功优化

混沌优化利用混沌变量的特定内在随机性和遍历性来跳出局部最优点,而线性搜索可以提高局部空间的搜索速度和精度.本文将基于线性搜索的混沌优化算法用于电力系统无功优化.应用该算法对IEEE6、14、30节点系统进行了无功优化计算,结果表明该算法是正确可行的.     

基于混沌优化算法的电力系统无功优化

混沌优化利用混沌变量的特定内在随机性和遍历性来跳出局部最优点 ,而线性搜索可以提高局部空间的搜索速度和精度。本文将基于线性搜索的混沌优化算法用于电力系统无功优化。应用该算法对IEEE6、1 4、30节点系统进行了无功优化计算 ,结果表明该算法是正确可行的     

基于协同粒子群优化算法的电力系统无功优化

为了解决粒子算法应用在电力系统无功优化中存在的问题,提出了一种改进的协同粒子优化算法.笔者根据电力系统无功优化问题非线性、不连续、大范围以及电压等级增多、无功优化控制变量较多的特点,建立了改进的协同粒子优化算法无功优化的数学模型,并将协同粒子群算法在无功优化中进行了应用.算例结果表明,该算法有效地改善了粒子群算法的局部收敛问题,缩短了搜索时间,提高了准确性.     

多场景下含风电机组的配电网无功优化的研究

研究了多场景下含风电机组的配电网无功优化问题。利用概率统计的思想解决了风电机组有功输出的不确定性问题,根据转子侧最大电流限制条件确立了风电机组无功输出范围。结合传统的电容器无功补偿方法,将风电机组作为连续可调无功源参与到配电网的无功优化。建立了以系统网损最小和节点电压越限惩罚为目标的无功优化模型。算例表明不同场景下的风电机组参与配电网无功优化可有效地降低系统的网损,提高各节点电压,同时,增强配电系统受风速影响的适应性。     

基于动态云进化粒子群算法的风电系统无功优化方法

针对风电系统中,风力的不确定性导致粒子的适应度不稳定性较大、劣性粒子偏多,难以快速收敛到最优值,进而造成系统电压偏差较大,网损剧增的问题,提出了基于动态云进化粒子群算法对风电系统进行无功优化。首先以网损最小作为优化目标建立了风电系统无功优化模型。然后提出动态云进化粒子群算法。该算法根据粒子的适应度值,选取优秀个体进行进化,从而降低劣性粒子比例,增强搜索速度。再通过云发生器,使得优秀个体进化出的优秀种群趋于正态分布,从而达到改善粒子分布的目的。在此基础上,根据正态云的分布特点,动态改变飞行速度,进一步改善粒子分布、提高搜索精度。最后以风电系统的有功网损为优化目标,进行补偿容量的确定,仿真结果证明了该方法的有效性。     

融合鱼群和微分进化的蚁群算法的无功优化

对于求解电力系统无功优化问题,提出了一种融合鱼群和微分进化的蚁群优化算法（FDEACO）。受人工鱼群觅食、聚群和追尾行为的启发,在基本蚁群算法的基础上,应用人工鱼群算法的追尾行为对蚁群在可行域上搜索到的解进行改进,加快了向最优解收敛的速度。在信息素更新机制里,通过引入微分进化算法的发散项,增加一个随机扰动,减小了算法陷入局部最优的可能性。在IEEE30测试系统上对新提出的算法进行校验,并与其它算法比较,证明FDEACO算法收敛速度快、全局寻优能力强。