一种三相不平衡无功优化方法及其系统

技术领域

本发明一种三相不平衡无功优化方法及其系统，属于三相不平衡无功优化方法及其系统技术领域。

背景技术

随着技术发展和电力普及，配电网无功优化呈现出的是多变量多约束的高度非线性优化问题，其中三相不平衡的出现加剧了配电网无功优化的复杂程度。现有技术中，配电网的无功优化使用传统的数学方法，对其进行无功优化，但传统的优化方法对优化模型的精确性有极大的依赖性，难以满足实时控制的要求。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种三相不平衡无功优化方法的改进。

为了解决上述技术问题，本发明采用的技术方案为：一种三相不平衡无功优化方法，包括如下步骤：

步骤一：获取电力网络系统的数据集，所述数据集包括电力网络参数、控制变量、状态变量、约束条件；

步骤二：构建系统评价的目标函数，所述目标函数以配电网系统负序电压和电网网络损失两者的最小值为目标建立目标函数；

步骤三：选取分析约束条件，所述分析约束条件用于限定配电网中各参数量的上下限；

步骤四：根据遗传算法选择出最优组合方式。

所述步骤一中的控制变量包含可调变压器分接头位置T

所述状态变量包括发电机的负荷节点电压U

所述约束条件包括注入节点i的有功功率、注入节点i的无功功率、节点i的三相不平衡率K

所述步骤二中的目标函数的计算公式为：

上式中：λ

所述U

上式中：N

所述节点i负序电压的计算公式为：

α＝1∠120°；

上式中：

所述P

上式中：β表示a、b、c三相，

所述步骤三中的约束条件包括等式约束条件和不等式约束条件，所述等式约束条件包括节点的有功平衡约束条件和无功平衡约束条件，所述有功平衡约束条件的计算公式为：

上式中：P

所述无功平衡约束条件的计算公式为：

上式中：Q

所述不等式约束条件包括控制变量约束条件、状态变量约束条件和配置约束条件，所述控制变量约束条件的计算公式为：

上式中：T

所述状态变量约束条件的计算公式为：

上式中：U

所述配置约束条件的计算公式为：

上式中：K

所述约束条件的计算过程中采用非线性规划方法，利用Fmincon函数对数据进行处理，给出处理数据预定义的上下限，获得极值。

所述步骤四中根据遗传算法选择出最优组合方式的具体步骤如下：

步骤4.1：初始化种群数据，并随机产生母体；

步骤4.2：根据适应度函数评估个体适应度；

步骤4.3：选取父串染色体进行演化操作；

步骤4.4：判断是否满足进化达规条件，当满足条件则生成若干最优解，当不满足条件则携带产生结果回到步骤4.2；

步骤4.5：将生成的优化解转化为初始信息素分布；

步骤4.6：在节点上随机散布若干只蚂蚁进行搜索；

步骤4.7：计算适应度并更新新路径上的信息素；

步骤4.8：输出蚁群最优解并判断循环是否满足终止条件，当满足条件则输出全局最优解，当不满足条件则回到步骤4.6。

所述步骤4.3中选取父串染色体进行演化操作具体包括选择、交叉、变异操作，所述选择操作采用轮盘赌的方式进行操作，其具体为个体被选中的概率与其适应度大小成正比；

所述交叉操采用自适应交叉操作，当种群各个体适应度区域一致时，交叉概率增加，当群体适应度分散时，交叉概率减少，其交叉概率为P

上式中：，f

所述变异操采用自适应变异操作，当种群各个体适应度区域一致时，变异概率增加，当群体适应度分散时，变异概率减少，其变异概率为P

上式中：f′表示变异个体的适应度值，k

对于适应度值高于群体平均适应值的个体，其对应于低交叉概率和低变异概率，使得该个体得以保护；对于适应度值低于平均适应值的个体，其对应于高交叉概率和高变异概率，并将该个体淘汰。

所述步骤4.7中更新新路径上的信息素进一步为通过遗传算法获得初始优化解，并根据获得的初始优化解设定初始信息素的分布，对其采用强制手段进行调整；

其中信息素的更新公式为：

上式中：σ表示惩罚因子，用于降低信息素浓度，ρ表示信息素的挥发率，l

包括用于获取网络系统数据集的第一模块，所述第一模块将获取的系统数据通过互联网反馈至数据处理中心进行数据间协同、约束的限定，所述数据处理中心包括用于建立目标函数的第二模块、用于限定约束条件的第三模块、用于选取最优组合方式的第四模块。

所述第一模块进一步包括信息采集模块、信息反馈模块；所述信息采集模块通过电网中部署的电力设备进行数据的获取，所述信息反馈模块用于将获取到的数据通过互联网反馈至数据处理中心进行数据间协同、约束的限定。

本发明相对于现有技术具备的有益效果为：本发明通过改进的遗传的算法，以电网网络损耗和系统负序电压两者最小为目标函数，建立无功优化模型，并将简单的遗传算法与非线性规划法相结合，通过fmincon函数解决非线性最小值问题，并用于约束条件的数值限定，从而提高优化性能；进一步利用遗传算法快速随机的全局搜索能力产生蚁群算法初期使用的信息素分布，通过初始信息素的分布情况，结合蚁群算法突出的局部搜索能力获得全局最优解，达到精度和收敛速度均具有较好的优越性，为三相不平衡电网系统无功优化提供有效参考和指导依据。

附图说明

下面结合附图对本发明做进一步说明：

图1为本发明的方法流程图。

图2为本发明改进的遗传算法流程图。

具体实施方式

如图1和图2所示，本发明一种三相不平衡无功优化方法，其具体实现步骤如下：

步骤一、获取电力网络系统数据集，并作为应用在遗传算法演化获得组合推荐方案的源数据。通过配电网中所涉及设备，获取实时的参数数据。该步骤所述数据集获取分为电力网络参数、控制变量、状态变量、约束条件。其中所述控制变量包含可调变压器分接头位置T

步骤二、构建系统评价目标函数，用于作为配电网中，针对数据组合获得有益效果的评价。进一步为通过以配电网的系统负序电压和电网网络损失两者最小为目标，并建立目标函数如下式：

其中，U

其中，U

其中，P

α＝1∠120°

其中，

步骤三、选取分析约束条件，该约束条件用于限定配电网中个参数量的上下限。针对建立的优化模型。所述约束条件进一步分为等式约束和不等式约束，其中等式约束进一步为节点的有功平衡约束和无功平衡约束，所述有功平衡约束进一步表示为：

其中，P

所述无功功率平衡为：

其中，Q

所述不等式约束条件进一步为控制变量约束、状态变量约束以及配置约束，所述控制变量约束为

其中，T

其中，U

其中，K

计算过程中采用非线性规划方法，利用Fmincon函数对数据进行处理，赋予处理数据预定义的上下限，获得极值。

步骤四、根据遗传算法选择出最优组合方式。该步骤进一步划分如下：

步骤4.1、初始化种群数据，并随机产生母体，对于编码方式采用实数编码，个体初始化在搜索边界内随机产生。

步骤4.2、根据适应度函数评估个体适应度，完成反映待优化问题的目标函数与算法进化搜索方向的映射关系，并在寻优进化中，考虑待优化问题的目标函数值大小的同时，考虑个体对于有约束条件情况的满足程度。

步骤4.3、选取父串染色体进行演化操作，其中演化操作进一步包含选择、交叉、变异操作。

步骤4.4、判断是否满足进化达规条件，若满足则生成若干最优解，若不满足则携带产生结果回到步骤4.2。

步骤4.5、将生成的优化解转化为初始信息素分布。

步骤4.6、在节点上随机散布若干只蚂蚁进行搜索。

步骤4.7、计算适应度并更新新路径上的信息素。

步骤4.8、输出蚁群最优解并判断循环是否满足终止条件，若满足则输出全局最优解，若不满足则回到步骤4.6。

其中所述步骤4.3演化操作中的选择操作采用轮盘赌的方式进行操作，其具体为个体被选中的概率与其适应度大小成正比，将选择适应度值优的个体保存下来进入下一代；其中所述交叉操作为自适应交叉操作，将变异个体与某个目标个体按照选择概率进行交叉混合。当种群各个体适应度区域满足一致时，交叉概率增加；当群体适应度分散时，交叉概率减少，其交叉概率为P

其中，f

其中所述变异操作为自适应变异操作，利用从种群中随机选取的两个个体的差向量作为第三个个体的随机变化量来源，将加权的差向量按照预定规则融入第三个个体产生变异个体。当种群各个体适应度区域满足一致时，变异概率增加；当群体适应度分散时，变异概率减少，其变异概率为P

其中，f′表示变异个体的适应度值，k

其中所述步骤4.7中更新新路径上的信息素进一步为通过遗传算法获得初始优化解，并根据获得的初始优化解设定初始信息素的分布，对其采用强制手段进行调整；其中信息素的更新表示为：

其中，σ表示惩罚因子，用于降低信息素浓度，ρ表示信息素的挥发率，l

基于上述所述一种三相不平衡无功优化方法进一步提出实现上述方法的一种三相不平衡无功优化系统，包含以下模块：

用于获取网络系统数据集的第一模块；该模块进一步包括信息采集模块、信息反馈模块；其中所述信息采集模块通过电网中部署的电力设备进行数据的获取，所述信息反馈模块用于将获取到的数据通过互联网反馈至数据处理中心进行数据间协同、约束的限定；其中数据的获取包括数据集有电力网络参数、控制变量、状态变量、约束条件；所述控制变量包含可调变压器分接头位置T

用于建立目标函数的第二模块；该模块进一步以配电网中系统负序电压和电网网络损失两者最小为目标建立目标函数；用于限定约束条件的第三模块；该模块进一步为约束条件包括等式约束和不等式约束，所述等式约束进一步为节点的有功平衡约束和无功平衡约束，用于选取最优组合方式的第四模块；该模块进一步首先，初始化种群数据，并随机产生母体；其次，根据适应度函数评估个体适应度，并选取父串染色体进行演化操作；再次，根据获得结果判断是否满足进化达规条件，若满足则生成若干最优解，若不满足则携带产生结果回到适应度评价进行循环；从次，将生成的优化解转化为初始信息素分布，并在节点上随机散布若干只蚂蚁进行搜索；最后，计算适应度并更新新路径上的信息素，并输出蚁群最优解，同时进一步判断循环是否满足终止条件，若满足则输出全局最优解，若不满足则回到随机散布蚂蚁接着迭代。

关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。