CN108197709A - 基于杂交水稻算法的光伏电站多目标无功优化方法及*** - Google Patents
基于杂交水稻算法的光伏电站多目标无功优化方法及*** Download PDFInfo
- Publication number
- CN108197709A CN108197709A CN201810092417.3A CN201810092417A CN108197709A CN 108197709 A CN108197709 A CN 108197709A CN 201810092417 A CN201810092417 A CN 201810092417A CN 108197709 A CN108197709 A CN 108197709A
- Authority
- CN
- China
- Prior art keywords
- represent
- voltage
- normalization
- active power
- power loss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 47
- 235000009566 rice Nutrition 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 46
- 241000196324 Embryophyta Species 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 240000007594 Oryza sativa Species 0.000 title 1
- 238000010606 normalization Methods 0.000 claims abstract description 89
- 241000209094 Oryza Species 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000006978 adaptation Effects 0.000 claims description 12
- 238000009395 breeding Methods 0.000 claims description 12
- 230000001488 breeding effect Effects 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 27
- 108090000623 proteins and genes Proteins 0.000 description 11
- 238000010248 power generation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000009396 hybridization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Control Of Electrical Variables (AREA)
Abstract
本发明公开基于杂交水稻算法的光伏电站多目标无功优化方法及***,包括:获取光伏电站的电压值;根据电压值得到电压差、有功网损;根据雅克比矩阵得到表示***的稳定裕度的最小特征值;分别对电压差、有功网损、最小特征值进行归一化处理,根据归一化后的电压偏差、归一化后的有功网损、归一化后的最小特征值得到目标函数;根据杂交水稻算法对目标函数进行最优值求解,得到目标函数的最优值;根据最优值确定对应的最优电压偏差、最优有功网损、最优最小特征值。采用本发明方法或***对光伏电站内部进行基于杂交水稻算法的多目标无功优化,达到均衡光伏电站站内节点电压,提高其稳定裕度,并且降低有功网损的目的。
Description
技术领域
本发明涉及光伏电站无功优化领域,特别是涉及基于杂交水稻算法的光伏电站多目标无功优化方法及***。
背景技术
光伏电站不同于普通发电站,有其自身独有的特点,即只有在光照等气候条件满足时,才处于并网发电状态,属于多变、冲击性负荷,其并网功率的变化必然引起并网点电压的频繁波动,尤其在电网故障时,并网逆变器存在低电压穿越过程,不能够提供足够的无功,可能导致***电压长时间、大幅跌落,诱发电站出现大规模脱网事故。根据GB/T19964—2012《光伏发电站接入电力***技术规定》、GB/T 29321—2012《光伏发电站无功补偿技术规范》的明确规定光伏发电站的无功电源包括光伏并网逆变器及光伏发电站无功补偿装置,光伏发电站要充分利用并网逆变器的无功容量及其调节能力;当逆变器的无功容量不能满足***电压调节需要时,应在光伏发电站集中加装适当容量的无功补偿装置,必要时加装动态无功补偿装置。目前对大型光伏电站无功控制的研究仅仅只针对并网点电压进行控制,并没有考虑光伏电站内部电压越线的可能性、稳定裕度和经济性运行。
无功优化问题是一个混合变量的、多约束和多目标的非线性组合优化问题,在这一研究领域内已有多种方法。牛顿法是一种直接求解Kuhn-Tucker等式寻优的方法,该法以Lagrange乘子法处理等式约束,以惩罚函数处理违约变量不等式约束。Sun D提出以牛顿法为基础的最优潮流用以实现***无功的优化,该法被公认为是牛顿最优潮流算法实用化的重大飞跃,它首次将电力***的稀疏性与牛顿法结合起来,使得计算量大大减小。该法的优点是利用了二阶导数信息,收敛快,使用稀疏技术节省内存,可用于大规模网络;其缺点是难以有效确定约束集,一般用试验迭代法,编程实现困难,对应控制变量的Hessian阵对角元易出现小值或零值,造成矩阵奇异,引入的Lagrange乘子的初值对迭代计算的稳定性影响大。
传统的无功优化方法虽然计算迅速、收敛可靠,但是需要一些假设条件,随着人工智能算法在无功优化中的广泛应用,收到了很好的效果,同时由于遗传算法、粒子群算法和传统量子粒子群算法的收敛瓶颈,导致算法在后期容易陷入局部最优解和产生“维数灾难”而无法寻得全局最优解,进而影响算法进行大规模***优化的效果。
发明内容
本发明的目的是提供基于杂交水稻算法的光伏电站多目标无功优化方法及***,对光伏电站内部进行基于杂交水稻算法的多目标无功优化,达到均衡光伏电站站内节点电压,提高其稳定裕度,并且降低有功网损的目的。
为实现上述目的,本发明提供了如下方案:
一种基于杂交水稻算法的光伏电站多目标无功优化方法,包括:
获取光伏电站的电压值;
根据所述电压值得到电压差、有功网损;
根据雅克比矩阵得到表示***的稳定裕度的最小特征值;
分别对所述电压差、所述有功网损、所述最小特征值进行归一化处理,得到归一化后的电压偏差、归一化后的有功网损、归一化后的最小特征值;
根据所述归一化后的电压偏差、所述归一化后的有功网损、所述归一化后的最小特征值得到目标函数;
根据杂交水稻算法对所述目标函数进行最优值求解,得到所述目标函数的最优值;
根据所述最优值确定对应的最优电压偏差、最优有功网损、最优最小特征值。
可选的,所述根据所述电压值得到电压差、有功网损具体包括:
根据公式得到电压差,其中,dv表示电压差,vij表示光伏电站结点电压,表示结点ij的理想电压,Δvmax表示结点电压的最大偏差,i=1,2……,m;j=1,2……,n,m,n均为正整数;
根据公式得到有功网损,其中,Ploss表示有功网损,Gi(j+1)ij表示ij节点与i(j+1)节点之间的电导,θi(j+1)ij表示结点ij与i(j+1)之间的电压相角差。
可选的,所述分别对所述电压差、所述有功网损、所述最小特征值进行归一化处理,得到归一化后的电压偏差、归一化后的有功损耗、归一化后的最小特征值具体包括:
根据公式得到归一化后的电压偏差,其中,dv*表示所述归一化后的电压偏差,dv表示所述电压差,dvmin表示最小电压差;
根据公式得到归一化后的有功网损,其中,表示所述归一化后的有功网损,Ploss表示所述有功网损,Ploss_min表示最小有功网损;
根据公式得到归一化后的最小特征值,其中表示所述归一化后的最小特征值,λmin表示所述最小特征值,λmin_max表示最大的最小特征值。
可选的,所述根据所述归一化后的电压偏差、所述归一化后的有功网损、所述归一化后的最小特征值得到目标函数,具体包括:
根据以下公式确定目标函数minf(x):
其中c1表示所述电压偏差的权重值、c2表示所述有功网损的权重值、c3表示所述归一化后的最小特征值的权重值,dv*表示所述归一化后的电压偏差,表示所述归一化后的有功网损,表示所述归一化后的最小特征值。
可选的,所述根据杂交水稻算法对所述目标函数进行最优值求解,得到所述目标函数的最优值具体包括:
初始化水稻种群数、最大育种次数、最大自交次数,每个水稻个体表示所述目标函数的一种取值;
分别计算所述水稻种群中各个个体的适应度值;所述适应度值表示所述水稻种群中个体的优劣;
根据所述适应度值将水稻进行排序得到个体适应度序列;
将所述个体适应度序列区分为保持系、不育系、恢复系;
将所述保持系与所述不育系进行杂交产生新的不育系个体;
将所述恢复系进行自交产生新的恢复系个体;
根据所述新的不育系个体与所述新的恢复系个体得到最优个体,所述最优个体即为所述目标函数的最优值。
可选的,所述将所述个体适应度序列区分为保持系、不育系、恢复系具体包括:
所述个体适应度序列包括N个个体,所述保持系的数量为A,所述不育系的数量为A,所述恢复系数量为N-2A。
一种基于杂交水稻算法的光伏电站多目标无功优化***,包括:
电压值获取模块,用于获取光伏电站的电压值;
电压值处理模块,用于根据所述电压值得到电压差、有功网损;
最小特征值获取模块,用于根据雅克比矩阵得到表示***的稳定裕度的最小特征值;
归一化处理模块,用于分别对所述电压差、所述有功网损、所述最小特征值进行归一化处理,得到归一化后的电压偏差、归一化后的有功网损、归一化后的最小特征值;
目标函数确定模块,用于根据所述归一化后的电压偏差、所述归一化后的有功网损、所述归一化后的最小特征值得到目标函数;
最优值计算模块,用于根据杂交水稻算法对所述目标函数进行最优值求解,得到所述目标函数的最优值;
最优值分析模块,用于根据所述最优值确定对应的最优电压偏差、最优有功网损、最优最小特征值。
可选的,所述电压值处理模块具体包括:
电压差计算单元,用于根据公式得到电压差,其中,dv表示电压差,vij表示光伏电站结点电压,表示结点ij的理想电压,Δvmax表示结点电压的最大偏差,m,n均为正整数;
有功网损计算单元,用于根据公式得到有功网损,其中,Ploss表示有功网损,Gi(j+1)ij表示ij节点与i(j+1)节点之间的电导,θi(j+1)ij表示结点ij与i(j+1)之间的电压相角差。
可选的,所述归一化处理模块具体包括:
电压偏差计算单元,用于根据公式得到归一化后的电压偏差,其中,dv*表示所述归一化后的电压偏差,dv表示所述电压差,dvmin表示最小电压差;
有功网损计算单元,用于根据公式得到归一化后的有功网损,其中,表示所述归一化后的有功网损,Ploss表示所述有功网损,Ploss_min表示最小有功网损;
归一化最小特征值计算单元,用于根据公式得到归一化后的最小特征值,其中表示所述归一化后的最小特征值,λmin表示所述最小特征值,λmin_max表示最大的最小特征值。
可选的,所述目标函数具体为:其中c1表示所述电压偏差的权重值、c2表示所述有功网损的权重值、c3表示所述归一化后的最小特征值的权重值,dv*表示所述归一化后的电压偏差,表示所述归一化后的有功网损,表示所述归一化后的最小特征值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明中通过建立光伏电站稳态运行模型并对电压进行分析,得到电压差、有功网损、最小特征值;对电压差、有功网损、最小特征值进行归一化处理后得到目标函数,采用杂交水稻算法进行求解得到最优值,根据所述最优值确定对应的最优电压偏差、最优有功网损、最优最小特征值。对光伏电站内部进行基于杂交水稻算法的多目标无功优化,达到均衡光伏电站站内节点电压,提高其稳定裕度,并且降低有功网损的目的。本发明该算法寻优能力强,计算复杂度低,计算速度快,有跳出局部最优解的能力,收敛速度快,能够进行全局搜索,不易陷入局部最优。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例光伏电站多目标无功优化方法流程图;
图2为本发明实施例光伏电站多目标无功优化***结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例光伏电站多目标无功优化方法流程图。参见图1,一种基于杂交水稻算法的光伏电站多目标无功优化方法,包括:
步骤101:获取光伏电站的电压值;
步骤102:根据所述电压值得到电压差、有功网损;
步骤103:根据雅克比矩阵得到表示***的稳定裕度的最小特征值;
步骤104:分别对所述电压差、所述有功网损、所述最小特征值进行归一化处理,得到归一化后的电压偏差、归一化后的有功网损、归一化后的最小特征值;
步骤105:根据所述归一化后的电压偏差、所述归一化后的有功网损、所述归一化后的最小特征值得到目标函数;
步骤106:根据杂交水稻算法对所述目标函数进行最优值求解,得到所述目标函数的最优值;
步骤107:根据所述最优值确定对应的最优电压偏差、最优有功网损、最优最小特征值。
采用本发明上述方法对光伏电站内部进行基于杂交水稻算法的多目标无功优化,达到均衡光伏电站站内节点电压,提高其稳定裕度,并且降低有功网损的目的。
其中,所述根据所述电压值得到电压差、有功网损具体包括:
根据公式得到电压差,其中,dv表示电压差,vij表示光伏电站结点电压,表示结点ij的理想电压,Δvmax表示结点电压的最大偏差,i=1,2……,m;j=1,2……,n,m,n均为正整数;
根据公式得到有功网损,其中,Ploss表示有功网损,Gi(j+1)ij表示ij节点与i(j+1)节点之间的电导,θi(j+1)ij表示结点ij与i(j+1)之间的电压相角差。
所述分别对所述电压差、所述有功网损、所述最小特征值进行归一化处理,得到归一化后的电压偏差、归一化后的有功损耗、归一化后的最小特征值具体包括:
根据公式得到归一化后的电压偏差,其中,dv*表示所述归一化后的电压偏差,dv表示所述电压差,dvmin表示最小电压差;
根据公式得到归一化后的有功网损,其中,表示所述归一化后的有功网损,Ploss表示所述有功网损,Ploss_min表示最小有功网损;
根据公式得到归一化后的最小特征值,其中表示所述归一化后的最小特征值,λmin表示所述最小特征值,λmin_max表示最大的最小特征值。
所述根据所述归一化后的电压偏差、所述归一化后的有功网损、所述归一化后的最小特征值得到目标函数,具体包括:
根据以下公式确定目标函数min f(x):
其中c1表示所述电压偏差的权重值、c2表示所述有功网损的权重值、c3表示所述归一化后的最小特征值的权重值,dv*表示所述归一化后的电压偏差,表示所述归一化后的有功网损,表示所述归一化后的最小特征值。
所述根据杂交水稻算法对所述目标函数进行最优值求解,得到所述目标函数的最优值具体包括:
初始化水稻种群数、最大育种次数、最大自交次数,每个水稻个体表示所述目标函数的一种取值;
分别计算所述水稻种群中各个个体的适应度值;所述适应度值表示所述水稻种群中个体的优劣;
根据所述适应度值将水稻进行排序得到个体适应度序列;
将所述个体适应度序列区分为保持系、不育系、恢复系;所述个体适应度序列包括N个个体,所述保持系的数量为A,所述不育系的数量为A,所述恢复系数量为N-2A。
将所述保持系与所述不育系进行杂交产生新的不育系个体;
将所述恢复系进行自交产生新的恢复系个体;
根据所述新的不育系个体与所述新的恢复系个体得到最优个体,所述最优个体即为所述目标函数的最优值。
图2为本发明实施例光伏电站多目标无功优化***结构框图。参见图2,一种基于杂交水稻算法的光伏电站多目标无功优化***,包括:
电压值获取模块201,用于获取光伏电站的电压值;
电压值处理模块202,用于根据所述电压值得到电压差、有功网损;
最小特征值获取模块203,用于根据雅克比矩阵得到表示***的稳定裕度的最小特征值;
归一化处理模块204,用于分别对所述电压差、所述有功网损、所述最小特征值进行归一化处理,得到归一化后的电压偏差、归一化后的有功网损、归一化后的最小特征值;
目标函数确定模块205,用于根据所述归一化后的电压偏差、所述归一化后的有功网损、所述归一化后的最小特征值得到目标函数;
最优值计算模块206,用于根据杂交水稻算法对所述目标函数进行最优值求解,得到所述目标函数的最优值;
最优值分析模块207,用于根据所述最优值确定对应的最优电压偏差、最优有功网损、最优最小特征值。
采用本发明中上述***对光伏电站内部进行基于杂交水稻算法的多目标无功优化,达到均衡光伏电站站内节点电压,提高其稳定裕度,并且降低有功网损的目的。本发明该算法寻优能力强,计算复杂度低,计算速度快,有跳出局部最优解的能力。收敛速度快。能够进行全局搜索,不易陷入局部最优。
其中,所述电压值处理模块具体包括:
电压差计算单元,用于根据公式得到电压差,其中,dv表示电压差,vij表示光伏电站结点电压,表示结点ij的理想电压,Δvmax表示结点电压的最大偏差,m,n均为正整数;
有功网损计算单元,用于根据公式得到有功网损,其中,Ploss表示有功网损,Gi(j+1)ij表示ij节点与i(j+1)节点之间的电导,θi(j+1)ij表示结点ij与i(j+1)之间的电压相角差。
所述归一化处理模块具体包括:
电压偏差计算单元,用于根据公式得到归一化后的电压偏差,其中,dv*表示所述归一化后的电压偏差,dv表示所述电压差,dvmin表示最小电压差;
有功网损计算单元,用于根据公式得到归一化后的有功网损,其中,表示所述归一化后的有功网损,Ploss表示所述有功网损,Ploss_min表示最小有功网损;
归一化最小特征值计算单元,用于根据公式得到归一化后的最小特征值,其中表示所述归一化后的最小特征值,λmin表示所述最小特征值,λmin_max表示最大的最小特征值。
所述目标函数具体为:其中c1表示所述电压偏差的权重值、c2表示所述有功网损的权重值、c3表示所述归一化后的最小特征值的权重值,dv*表示所述归一化后的电压偏差,表示所述归一化后的有功网损,表示所述归一化后的最小特征值。
本发明中采用杂交水稻算法进行求解,具体杂交水稻算法具体如下:
Step1初始化:设置水稻种群的总数为N,其中保持系、不育系占群体的比例均为a%,数量为A=N×a/100,则恢复系占群体的比例为(100-2a)%,每个个体的基因的维度为D。表示第t次育种时群体中第i个个体的基因,当t=0时,即初始时刻,在解空间内随机生成N个解其具体的生成公式为
其中j∈{1,2,…,D-1,D},min xj,max xj分别表示搜索空间第j维分量的最大值与最小值。
初始化时会确定以下参数:
①水稻种群数N;
②最大育种次数maxIteration;
③最大自交次数maxTime。
每个水稻个体表示一种站内各逆变器与无功补偿装置配置方案
Step2适应度值计算:分别计算种群中各个个体的适应度值根据水稻的优劣将水稻进行排序,保持系、不育系、恢复系的数量分别为A、A、N-2A。
Step3杂交过程:将保持系与不育系进行杂交产生新的不育系个体。
对于每一次育种,杂交过程进行的次数与不育系的个体数量相同。每一次杂交,将从不育系和保持系中各选取一个个体作为父本母本,选取方式可以随机选取也可以按一一对映的方式选取。杂交的方式是将父本与母本对应位置的基因按照随机权重相加进行重组而得到一个拥有新的基因的个体。计算新个体的适应度,并以贪心算法为准则将其与其父本母本中的不育系个体对比,将适应度较优的个体保留至下一代。
①随机杂交
其中表示该轮育种过程中第k次杂交产生的新个体的第j维基因,r1,r2为[-1,1]之间的随机数,且r1+r2≠0。a,b随机取自{1,2,…,A},XAa表示不育系中的第a个个体,XBb表示保持系中的第b个个体。产生的新个体的基因的每一维都由不育系和保持系中的随机个体以随机比例杂交得到。
②对映杂交
式中a=b=k,XAa表示不育系中的第a个个体,XBb表示保持系中的第b个个体。产生的新个体的基因的每一维都由不育系的第k个个体育保持系中的第k个个体以随机比例杂交得到。
杂交后对新产生的个体进行贪心算法选择。
若f(new_Xk)>f(XBk)将new_Xk取代XBk保留至下一代,若f(new_Xk)≤f(XBk)则将XBk保留至下一代。
Step4自交过程:恢复系自交产生新的恢复系个体。
育种过程中,自交进行的次数与恢复系的个体数量相同。每一次自交,参与自交的恢复系个体各个位置上的基因都会向着当前最优解靠近一个随机量。计算新的个体的适应度并根据贪心算法与自交之前的恢复系个体相比,选择较优的保存到下一代。若保存到下一代的个体为自交之前的个体那么该个体的自交次数将加1。如果保存到下一代的个体为自交产生的新个体,若新个体优于当前最优个体,则将其自交次数设置为0,否则保持其自交次数不变。若某个恢复系个体的自交次数达到了限制次数maxTime,那么在下一轮育种过程中它将不参与自交过程,取而代之的是重置过程。
new_Xk=XSk+rand(0,1)(Xbest-XSr) (5)
式中new_Xk表示该轮育种过程中第k次自交产生的新个体,Xs表示恢复系中的第s个个体,Xbest表示当前所找到的最优个体,XSr为恢复系中的第sr个个体,其中sr随机取值于{1,2,…,N-2A}。
同样自交后对新产生的个体进行贪心算法选择。
若f(new_Xk)>f(XSk)将new_Xk取代XSr保留至下一代其自交次数保持不变,若f(new_Xk)≤f(XSk)则将XSk保留至下一代,其自交次数加1,即timeSk=timeSk+1。
若f(new_Xk)>f(Xbest)则将new_Xk取代当前的最优个体的记录并将其自交次数设为0,timeSk=0。如果timeSk≥maxTime,则在下一代育种时,该个体不进行自交过程,而是进行重置过程。
Step5重置过程:
重置过程实际上是自交过程的一个子过程,用来处理达到自交次数上限的恢复系个体。重置过程将在解空间内随机生成一组基因,并将这组基因加到参与重置的个体的基因上,同时其自交次数将被设置为0。
Step6记录当前所得到的最优的个体的基因:
若未达到最大育种代数maxIteration或小于优化误差则跳转至步骤(2),否则将当前最优个体的基因作为结果输出。输出的结果就是的最终结果。
其中,无功优化过程中还涉及到了变量约束问题。无功优化约束分为控制变量约束与状态变量约束。
控制变量约束包括:逆变器无功输出量,无功补偿装置无功输出量,变压器分接头。
状态变量约束包括:光伏电站结点电压。
控制变量约束方程:
Qij_min≤Qij≤Qij_max
Qsvc_min≤Qsvc≤Qsvc_max
kt_min≤kt≤kt_max
状态变量约束方程:
vij_min≤vij≤vij_max
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于杂交水稻算法的光伏电站多目标无功优化方法,其特征在于,包括:
获取光伏电站的电压值;
根据所述电压值得到电压差、有功网损;
根据雅克比矩阵得到表示***的稳定裕度的最小特征值;
分别对所述电压差、所述有功网损、所述最小特征值进行归一化处理,得到归一化后的电压偏差、归一化后的有功网损、归一化后的最小特征值;
根据所述归一化后的电压偏差、所述归一化后的有功网损、所述归一化后的最小特征值得到目标函数;
根据杂交水稻算法对所述目标函数进行最优值求解,得到所述目标函数的最优值;
根据所述最优值确定对应的最优电压偏差、最优有功网损、最优最小特征值。
2.根据权利要求1所述的多目标无功优化方法,其特征在于,所述根据所述电压值得到电压差、有功网损具体包括:
根据公式得到电压差,其中,dv表示电压差,vij表示光伏电站结点电压,表示结点ij的理想电压,Δvmax表示结点电压的最大偏差,i=1,2……,m;j=1,2……,n,m,n均为正整数;
根据公式得到有功网损,其中,Ploss表示有功网损,Gi(j+1)ij表示ij节点与i(j+1)节点之间的电导,θi(j+1)ij表示结点ij与i(j+1)之间的电压相角差。
3.根据权利要求1所述的多目标无功优化方法,其特征在于,所述分别对所述电压差、所述有功网损、所述最小特征值进行归一化处理,得到归一化后的电压偏差、归一化后的有功损耗、归一化后的最小特征值具体包括:
根据公式得到归一化后的电压偏差,其中,dv*表示所述归一化后的电压偏差,dv表示所述电压差,dvmin表示最小电压差;
根据公式得到归一化后的有功网损,其中,表示所述归一化后的有功网损,Ploss表示所述有功网损,Ploss_min表示最小有功网损;
根据公式得到归一化后的最小特征值,其中表示所述归一化后的最小特征值,λmin表示所述最小特征值,λmin_max表示最大的最小特征值。
4.根据权利要求1所述的多目标无功优化方法,其特征在于,所述根据所述归一化后的电压偏差、所述归一化后的有功网损、所述归一化后的最小特征值得到目标函数,具体包括:
根据以下公式确定目标函数min f(x):
其中c1表示所述电压偏差的权重值、c2表示所述有功网损的权重值、c3表示所述归一化后的最小特征值的权重值,dv*表示所述归一化后的电压偏差,表示所述归一化后的有功网损,表示所述归一化后的最小特征值。
5.根据权利要求1所述的多目标无功优化方法,其特征在于,所述根据杂交水稻算法对所述目标函数进行最优值求解,得到所述目标函数的最优值具体包括:
初始化水稻种群数、最大育种次数、最大自交次数,每个水稻个体表示所述目标函数的一种取值;
分别计算所述水稻种群中各个个体的适应度值;所述适应度值表示所述水稻种群中个体的优劣;
根据所述适应度值将水稻进行排序得到个体适应度序列;
将所述个体适应度序列区分为保持系、不育系、恢复系;
将所述保持系与所述不育系进行杂交产生新的不育系个体;
将所述恢复系进行自交产生新的恢复系个体;
根据所述新的不育系个体与所述新的恢复系个体得到最优个体,所述最优个体即为所述目标函数的最优值。
6.根据权利要求5所述的多目标无功优化方法,其特征在于,所述将所述个体适应度序列区分为保持系、不育系、恢复系具体包括:
所述个体适应度序列包括N个个体,所述保持系的数量为A,所述不育系的数量为A,所述恢复系数量为N-2A。
7.一种基于杂交水稻算法的光伏电站多目标无功优化***,其特征在于,包括:
电压值获取模块,用于获取光伏电站的电压值;
电压值处理模块,用于根据所述电压值得到电压差、有功网损;
最小特征值获取模块,用于根据雅克比矩阵得到表示***的稳定裕度的最小特征值;
归一化处理模块,用于分别对所述电压差、所述有功网损、所述最小特征值进行归一化处理,得到归一化后的电压偏差、归一化后的有功网损、归一化后的最小特征值;
目标函数确定模块,用于根据所述归一化后的电压偏差、所述归一化后的有功网损、所述归一化后的最小特征值得到目标函数;
最优值计算模块,用于根据杂交水稻算法对所述目标函数进行最优值求解,得到所述目标函数的最优值;
最优值分析模块,用于根据所述最优值确定对应的最优电压偏差、最优有功网损、最优最小特征值。
8.根据权利要求7所述的多目标无功优化***,其特征在于,所述电压值处理模块具体包括:
电压差计算单元,用于根据公式得到电压差,其中,dv表示电压差,vij表示光伏电站结点电压,表示结点ij的理想电压,Δvmax表示结点电压的最大偏差,m,n均为正整数;
有功网损计算单元,用于根据公式得到有功网损,其中,Ploss表示有功网损,Gi(j+1)ij表示ij节点与i(j+1)节点之间的电导,θi(j+1)ij表示结点ij与i(j+1)之间的电压相角差。
9.根据权利要求7所述的多目标无功优化***,其特征在于,所述归一化处理模块具体包括:
电压偏差计算单元,用于根据公式得到归一化后的电压偏差,其中,dv*表示所述归一化后的电压偏差,dv表示所述电压差,dvmin表示最小电压差;
有功网损计算单元,用于根据公式得到归一化后的有功网损,其中,表示所述归一化后的有功网损,Ploss表示所述有功网损,Ploss_min表示最小有功网损;
归一化最小特征值计算单元,用于根据公式得到归一化后的最小特征值,其中表示所述归一化后的最小特征值,λmin表示所述最小特征值,λmin_max表示最大的最小特征值。
10.根据权利要求7所述的多目标无功优化***,其特征在于,所述目标函数具体为:其中c1表示所述电压偏差的权重值、c2表示所述有功网损的权重值、c3表示所述归一化后的最小特征值的权重值,dv*表示所述归一化后的电压偏差,表示所述归一化后的有功网损,表示所述归一化后的最小特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810092417.3A CN108197709A (zh) | 2018-01-31 | 2018-01-31 | 基于杂交水稻算法的光伏电站多目标无功优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810092417.3A CN108197709A (zh) | 2018-01-31 | 2018-01-31 | 基于杂交水稻算法的光伏电站多目标无功优化方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108197709A true CN108197709A (zh) | 2018-06-22 |
Family
ID=62592078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810092417.3A Pending CN108197709A (zh) | 2018-01-31 | 2018-01-31 | 基于杂交水稻算法的光伏电站多目标无功优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197709A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015180727A1 (en) * | 2014-05-30 | 2015-12-03 | Vestas Wind Systems A/S | A wind power plant with reduced losses |
CN105790278A (zh) * | 2016-04-06 | 2016-07-20 | 重庆大学 | 基于改进粒子群算法的光伏电站站内多目标无功优化方法 |
-
2018
- 2018-01-31 CN CN201810092417.3A patent/CN108197709A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015180727A1 (en) * | 2014-05-30 | 2015-12-03 | Vestas Wind Systems A/S | A wind power plant with reduced losses |
CN105790278A (zh) * | 2016-04-06 | 2016-07-20 | 重庆大学 | 基于改进粒子群算法的光伏电站站内多目标无功优化方法 |
Non-Patent Citations (2)
Title |
---|
CHUAN LIU: "Improved K-means algorithm based on hybrid rice optimization algorithm", 《2017 9TH IEEE INTERNATIONAL CONFERENCE ON INTELLIGENT DATA ACQUISITION AND ADVANCED COMPUTING SYSTEMS: TECHNOLOGY AND APPLICATIONS》 * |
ZHIWEI YE ET AL: "A hybrid rice optimization algorithm", 《THE 11TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE & EDUCATION》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105449675B (zh) | 优化分布式能源接入点和接入比例的电力网络重构方法 | |
CN106295880A (zh) | 一种电力***多目标无功优化的方法及*** | |
CN109995075A (zh) | 一种含分布式电源的主动配电网动态重构方法 | |
Edward et al. | An enhanced bacterial foraging algorithm approach for optimal power flow problem including FACTS devices considering system loadability | |
CN105488593A (zh) | 一种基于遗传算法的定容分布式电源发电最优选址及容量分配方法 | |
CN106058914B (zh) | 基于Elman算法的配网发电预测技术的电压优化方法 | |
CN107171339B (zh) | 一种含微网的配电网电压无功优化方法 | |
CN110943465B (zh) | 一种储能***选址定容优化方法 | |
CN115545290A (zh) | 一种含光伏发电配电网中的分布式储能经济优化配置方法 | |
CN110611305B (zh) | 考虑配网电压越限风险的光伏接入规划方法 | |
Dixit et al. | Optimal placement of PV array in distribution system for power loss minimization considering feeder reconfiguration | |
CN116722608B (zh) | 一种基于光伏逆变器的无功功率补偿*** | |
CN103515964A (zh) | 无功补偿控制方法和无功补偿控制装置 | |
CN110635504A (zh) | 基于改进花粉算法的配电网分布式光伏消纳能力评估方法 | |
CN108734349A (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及*** | |
CN105896547B (zh) | 一种风电接入下的大电网分级电压控制方法 | |
CN104484832A (zh) | 评估220kv拉手网最大供电能力的方法 | |
CN116995749A (zh) | 基于电能质量调节器的微网功率优化方法 | |
Zhang et al. | A multi-objective optimization method for power system reactive power dispatch | |
CN108197709A (zh) | 基于杂交水稻算法的光伏电站多目标无功优化方法及*** | |
CN104410077B (zh) | 基于改进遗传算法的电力***多线程电压无功优化控制方法 | |
CN112994016B (zh) | 一种用于电力***潮流的恢复可解性调整方法及*** | |
Mandal et al. | Hybridization of particle swarm optimization with biogeography-based optimization for reactive power and voltage control | |
Chen et al. | The optimal planning and dynamic operation of distributed generation method based on modified multiobjective optimization in power distribution system | |
CN112491090B (zh) | 考虑转供路径优化的电力电子变压器端口配置优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180622 |