含风电场最优潮流及其关键技术研究综述

大型风电场并网发电给电网带来清洁能源的同时也使电力系统安全可靠运行面临诸多挑战,研究含风电场最优潮流对于提高电力系统稳定运行与能源利用率具有重要意义. 含风电场最优潮流是一个新型的高维、非线性的复杂优化问题,且由于风电的随机性、间歇性和不可控性使其复杂程度和计算难度进一步加大. 针对这一问题,本文通过数学模型和求解方法这一主线,阐述了含风电场最优潮流的发展现状以及因风电的随机性对电力系统造成的影响;总结了对风电场处理的现有研究技术,分析了求解含风电场最优潮流的各种算法的优点与不足;在此基础上对未来含风电场最优潮流的研究方向进行展望.     

一种独立电力系统三相潮流计算新方法

针对独立电力系统的特点,在分析3种传统潮流算法在独立电力系统分析中不足的基础上,提出一种适合于独立电力系统的潮流计算方法--改进的前推回代算法,对传统的前推回代算法进行了3点改进.为解决在有些连接方式下,变压器互节点导纳子矩阵奇异,导致潮流计算时前推回代过程无法进行的问题,提出一种新的统一变压器模型,基于叠加原理实现了含局部弱环的辐射状网络的潮流计算.所提出的算法成功解决了独立电力系统潮流计算的问题.并通过典型算例验证了所提算法的有效性.     

考虑输配交互的含风电场电力系统多目标动态随机模糊最优潮流

提出一种考虑输配交互的含风电场电力系统多目标动态随机模糊最优潮流方法。突破传统输配网最优潮流独立计算且配网一般以负荷计及的现状,考虑主动配电网与输电网的双向潮流交互特性和风电注入功率随机模糊性,兼顾系统经济、低碳、降损多目标优化,考虑输配网静态安全,基于随机模糊机会约束规划建立含风电场电力系统输配交互多目标动态随机模糊潮流模型;提出在随机模糊模拟、牛顿拉夫逊法与前推回代法求解输配系统随机模糊潮流基础上,通过输配网节点功率和电压考虑输配交互特性,基于Look-ahead和NSGA-I获取各时段Pareto解,采用最大满意度法决策,从而提出模型求解算法。改进的IEEE 30节点输电系统与IEEE 33节点配电系统的算例仿真结果表明了文中提出的模型和算法有效性和优越性。     

基于内点法的含风电场电力系统随机最优潮流

基于机会约束规划的随机最优潮流模型的求解一般采用智能优化算法,提出了一种内点法结合随机调节因子更新的方法,以求解基于机会约束规划的含风电场电力系统的随机最优调度模型。模型考虑了节点电压和线路功率的机会约束,并采用半不变量和Cornish-Fisher级数结合的方法来计算机会约束的概率分布。引入调节因子,对机会约束概率进行变形,将随机最优潮流问题转化为可采用内点法求解的最优潮流模型。提出了调节因子的更新方法,通过原始对偶内点法的参数结果更新调节因子来调节机会约束满足的概率,迭代求解机会约束随机最优潮流模型。最后,以IEEE14和IEEE118节点系统为例,验证了方法的正确性和有效性。     

电力系统谐波潮流计算算法综述

谐波潮流计算是谐波分析和管理的一项重要基础工作,在电力系统中占有重要的地位.本文概述了谐波潮流分布的计算原理,根据谐波潮流计算算法的基本要求,结合谐波潮流计算自身的特点,对应用于谐波潮流计算的算法进行了分析和评述,并提出了算法改进方面应进一步考虑的问题.     

基于约束优化问题的人工鱼群算法及其改进

在人工鱼群算法基础上,对人工鱼群算法进行改进,结合遗传算法提出的适应度函数来解决约束优化问题.具体表现在改进了人工鱼的觅食行为,另外引入了吞噬行为以便加快收敛速度,得到更优的适应度值.仿真结果表明改进的人工鱼群算法在解决约束优化问题时,具有收敛速度快、适应度值优、全局寻优性能强等优点.改进的人工鱼群算法较之基本人工鱼群算法具有更好的性能.     

求解多目标背包问题的改进人工鱼群算法

作为一种新的群智能算法,在求解多目标背包问题时,人工鱼群算法存在盲目搜索、收敛速度慢和求解精度低等问题.针对这些问题,本文结合人工鱼位置全局最优信息,对人工鱼的移动策略进行自适应改进,提出一种改进的人工鱼群算法.对多目标背包优化问题实验仿真表明,本文改进的人工鱼群算法收敛速度和搜索到的非劣解的精度均优于粒子群算法和遗传算法.     

基于牛顿法的电力系统最优潮流计算

为研究电力系统最优潮流问题的可行算法,对牛顿法进行探讨并基于该算法进行最优潮流计算.由于最优潮流问题属于典型有约束条件的非线性规划问题,故引入二次罚函数处理约束条件,将牛顿法和二次罚函数结合并用MATLAB仿真平台进行算法编程,求出IEEE14节点标准系统的最优潮流计算结果,同时得出收敛时间和系统发电成本.实验结果表明:该方法的收敛性较好,计算速度较快;运用牛顿算法求解最优潮流,可使发电成本最小或功率损耗最小,从而达到优化资源配置,降低发电及输电成本的目的,具有很好的经济效益和社会效益.     

一种改进的最优潮流算法研究

提出一种改进的信赖域内点算法.新方法无须与潮流计算配合增加算法通用性,并由常规潮流获得初始点改善信赖域子问题可行性;此外,改进信赖域子问题模型提高计算精度,调整收敛判据加快计算速度;由现代内点法求解信赖域子问题,并构造简约修正方程减小计算量.用改进的方法求解电力系统中以发电费用最小为目标的最优潮流问题.通过对IEEE14-300测试系统的数值仿真实验,证明所提出的算法是正确和有效的.     

基于改进人工鱼群算法的传感器优化布置

针对结构健康监测中传感器位置优化的问题,提出了一种改进的人工鱼群算法。改进算法采用整数对人工鱼进行编码,改进人工鱼距离的衡量方式,并改进算法的追尾和觅食行为,实现结构传感器位置的最优选择。以一个平面桁架结构为例进行数值模拟分析,验证所改进算法的有效性。仿真结果表明:相比于传统的人工鱼群算法,改进的人工鱼群算法具有更强的寻优搜索性能,收敛速度更快,精度更高,适用于解决土木工程结构中传感器位置的优化问题。     

采用改进鱼群算法的张拉整体结构找形方法

针对传统力密度法求解大规模、不规则张拉整体结构找形效率不高的问题,提出了一种力密度法与改进鱼群算法相结合的找形方法．先基于力密度法建立结构的平衡方程组, 然后采用改进的鱼群算法在力密度空间内进行全局搜索, 找出一组合适的力密度值使得平衡矩阵的秩满足求解条件, 从而找到结构的平衡构形．该算法加入了全局最优人工鱼信息, 引入了吞食行为和跳跃行为, 并采用了自适应步长, 比传统鱼群算法搜索效率更高, 不容易陷入局部极值．以扩展八面体张拉整体结构为例, 用该方法进行了找形, 并和传统鱼群算法的找形结果进行了对比分析．仿真结果表明,该找形方法的找形结果可靠, 并且收敛精度和平均最优值较传统鱼群算法均有所提高．     

混合人工鱼群算法在约束非线性优化中的应用

为了解决具有约束的非线性优化问题,本文将增广拉格朗日乘子法和鱼群算法相结合用于非线性问题的全局优化,即用人工鱼群算法寻找增广拉格朗日函数的近似最优解,并将该近似解用于拉格朗日乘子和惩罚因子等参数的更新．同时,简要分析了人工鱼群算法的随机收敛性．仿真结果证明,与自适应惩罚遗传算法相比,该混合算法在解决约束优化问题中具有优越性和有效性．     

考虑风电不确定性的风电场参与调频市场投标策略

针对风电大规模并网将增加电网调频需求的问题,提出考虑风电不确定性的风电机组同时参与能量市场与调频市场的日前投标方法.分析风电场在2种市场中的收益机制,在调频市场收益中考虑调频性能指标（FRPI）,提出调频性能指标的估值方法. 分析风电场参与2种市场的投标策略. 利用核极限学习机（KELM）和核密度估计（KDE）,建立风电功率概率预测模型KELM-PSO-KDE.基于功率概率密度的预测结果,以风电场收益最大为目标函数建立优化模型,利用蚁狮优化（ALO）算法求解该模型,得到风电场同时参与2种市场的日前最优投标功率. 风电场真实数据的仿真表明,提出的风电场同时参与2种市场的投标策略,可以使风场侧获得更大收益,有助于缓解电网的调频压力,具有优越性和普适性.     

海上风电场接入上海电网的无功优化研究

根据未来崇明岛、北支厂址两个海上风电场接入上海崇明地区电网的规划,研究了海上风电场接入崇明地区电网后的无功优化问题,并提出了以提高区域节点电压质量和降低网络损耗为目标的多风电场无功优化粒子群算法。最后,通过MATLAB软件编写了无功优化程序,算例结果验证了所提出优化算法的有效性和可行性。     

变步长和拥挤度因子的自适应人工鱼群算法

为了改进传统的人工鱼群算法会随着迭代的深入而导致算法易陷入局部最优的问题,以及固定的参数导致算法收敛慢和求解精度不高的问题,提出了一种改进的人工鱼群算法.首先结合迭代次数,为移动步长引入一个权值; 然后以每条人工鱼的视野范围所构成的子群为小生境,结合子群最优解与当前人工鱼状态,为拥挤度因子引入一个变异策略.数值实验结果表明,本文提出的算法收敛速度快、精度高、鲁棒性强,优于传统的人工鱼群算法和文献[4]提出的算法.     

Multi-objective coordination optimal model for new power intelligence center based on hybrid algorithm

In order to resolve the coordination and optimization of the power network planning effectively, on the basis of introducing the concept of power intelligence center (PIC), the key factor power flow, line investment and load that impact generation sector, transmission sector and dispatching center in PIC were analyzed and a multi-objective coordination optimal model for new power intelligence center (NPIC) was established. To ensure the reliability and coordination of power grid and reduce investment cost, two aspects were optimized. The evolutionary algorithm was introduced to solve optimal power flow problem and the fitness function was improved to ensure the minimum cost of power generation. The gray particle swarm optimization (GPSO) algorithm was used to forecast load accurately, which can ensure the network with high reliability. On this basis, the multi-objective coordination optimal model which was more practical and in line with the need of the electricity market was proposed, then the coordination model was effectively solved through the improved particle swarm optimization algorithm, and the corresponding algorithm was obtained. The optimization of IEEE30 node system shows that the evolutionary algorithm can effectively solve the problem of optimal power flow. The average load forecasting of GPSO is 26.97 MW, which has an error of 0.34 MW compared with the actual load. The algorithm has higher forecasting accuracy. The multi-objective coordination optimal model for NPIC can effectively process the coordination and optimization problem of power network. Foundation item: Project (70671039) supported by the National Natural Science Foundation of China     

基于改进粒子群优化的神经网络及应用

为了克服粒子群算法的早熟收敛,提出了一种改进的粒子群算法用于神经网络训练。该算法对种群进行均匀初始化,用多个粒子的信息引导个体的更新,以保证全局搜索的有效性,同时引入随机算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。将改进粒子群算法训练的神经网络应用于IRIS模式分类问题和短期电力负荷预测,与BP算法、遗传算法及粒子群算法比较,该算法在提高误差精度的同时可加快训练收敛的速度。