[发明专利]随机惯性因子粒子群优化算法的电网无功容量配置方法

说明书

技术领域

本发明涉及一种电网智能调度支持系统电网运行状态评估与预警领域的方法，具体涉及一种随机惯性因子粒子群优化算法的电网无功容量配置方法。 

背景技术

随着社会、经济及电力工业的快速发展，电网逐渐发展成大规模、远距离、特高压交直流互联及新能源接入比例加大等形式，增加了电网运行的不确定性。而受端电网主要以负荷集中地区为中心，通过周边联络线与远距离广义发端电源相连，进而实现电能的供需平衡。由于能源和负荷中心区域分布的不匹配，以及考虑环境等因素制约，受端系统内部电源支撑不足，大量电能需要从远方进行远距离传输，受端系统规模迅猛增大且其复杂度越趋复杂。 

20世纪80年代以来，国际上多个大型电力系统相继发生多起电压持续偏低、电压崩溃事件，造成巨大的经济损失和社会影响，使电压稳定逐渐成为国际电工学界关注的焦点，对运行环境下的受端电网电压稳定在线监控提出了更高的要求。目前，用于电力系统静态电压稳定和动态电压稳定仿真的数值算法比较成熟，引起仿真结果与真实系统不吻合的原因主要是系统中元件模型与参数的不准确。另外，基于数学建模和仿真的分析方法，受电网模型、参数以及数值计算等因素的制约，在应用规模、速度及可靠性等方面很难适应电压稳定在线实时评估的要求。 

交流电网无功配置是提高系统性能的重要实时电压控制管理技术。一般情况下，输电网无功补偿手段可分为两大类，即发电厂无功功率输出调节和变电站电容器电压支撑。这两者的组合对输电网中无功功率的传输及网络节点电压的数值有着显著影响，对其的优化属于多目标组合寻优问题。 

在基于网损最小化的无功容量优化配置问题中，试图同时在一系列给定的条件之下，最优化地设置控制变量的值。这些控制变量包括发电机无功的输入、变压器变比、并联电容/抗器的无功输出等。近年来许多文献对其进行了建模研究，并采用演化算法对其进行求解，诸如遗传算法、蚁群算法和禁忌搜索法等。 

粒子群优化算法是智能算法中的一种。粒子群算法由于建模简易、收敛性快等优点，在无功功率容量优化配置寻优问题求解领域得到了充分的发展。 

由于粒子群优化算法具有收敛速度快、容易实现且需要参数少等优点，已有不少文献就无功容量优化问题，提出了改进的PSO算法。然而，当PSO应用于高维复杂问题时，容易 出现过早收敛且造成局部最优等问题，导致了该算法不能保证收敛到全局最优。出现这种情况的主要原因是早期收敛速度快，到了后期没有得到有效约束使得算法脱离极小点。 

发明内容

为了克服上述现有技术的缺陷，本发明提供了一种随机惯性因子粒子群优化算法的电网无功容量配置方法。 

为了实现上述发明目的，本发明采取如下技术方案： 

一种随机惯性因子粒子群优化算法的电网无功容量配置方法，其改进之处在于：所述方法包括以下步骤： 

I、实时获取WAMS系统的系统参数，设定粒子的边界条件； 

II、初始化种群，建立电网的无功优化模型，确定所述粒子的适应值； 

III、划分迭代阶段； 

IV、更新所述粒子的速度和位置； 

V、判断迭代次数是否到全局搜索阶段最大迭代次数； 

VI、判断迭代次数是否到初级解稳定阶段最大迭代次数； 

VII、判断迭代次数是否到迭代上限； 

VIII、跌代到最大次数，输出在线无功容量配置方案。 

进一步的，所述步骤I的所述系统参数包括所述电网系统的PMU测量值和所述EMS数据； 

所述PMU测量值包括母线电流、母线电压、有功功率和无功功率； 

所述EMS数据包括母线电压、母线电压、有功功率和无功功率； 

所述粒子的边界为基于所述电网系统的状态局势的估计结果及当前调度运行规定的实时各点电压上下限值，设定的对应算法的解空间范围； 

进一步的，所述步骤II包括以下步骤： 

S201、获取配电网系统的节点信息和支路信息，设置控制变量的个数及各控制变量的取值范围以及初始种群的群体规模； 

对所述初始种群进行初始化并设置初始参数，获得初始粒子群； 

初始化获得所述初始种群是指在粒子取值范围内对所述初始种群中的粒子随机选择粒子的初始速度和初始位置，所述初始参数包括最大迭代次数和适应阈值； 

S202、选取输电网络有功功率损耗为目标函数，如下式确定无功优化的数学模型：