[发明专利]基于模块度优化的双阶段无功电压分区方法及系统

说明书

本发明属于电力系统自动化技术领域，具体涉及一种基于模块度优化的双阶段无功电压分区方法及系统，其方法的具体步骤包括：1)第一阶段，进行中心吸引聚类；2)第二阶段，利用粒子群优化算法对初始种群的模块度进行优化，得到模块度的最优解和与其相对应最优无功分区；其系统包括：电网信息采集模块、初始分区模块、优化分区模块和分区显示模块。本发明避免了搜索的盲目性并提高了搜索的精确性。

所属技术领域

本发明属于电力系统自动化技术领域，具体涉及一种基于模块度优化的双阶段无功电压分区方法及系统。

背景技术

提高电力系统电压稳定水平，防止电压崩溃事故的发生是电力系统安全运行必须考虑的主要问题，无功区域电压控制是保证电力系统安全稳定运行的重要手段。

目前，由法国电力集团公司提出的分级电压控制思想与方案最为成功，其中心思想是将电网分成彼此电气距离较远、相互近似解耦的控制区域；利用无功就地平衡的特性进行合理有效的电网分区是实现无功区域电压控制的前提。

随着电力系统的不断发展，其不断呈现复杂性，可将电力系统用复杂网络的方法进行无功分区，然而无功分区与复杂网络的社团结构具有相似性，进而复杂网络的社团挖掘为无功分区提供了一个全新视角。社团结构是复杂网络的一个重要属性，具有高内聚、低耦合的特点。主要的分区算法有层次聚类算法、图论法、模糊聚类法、复杂网络理论等分区算法，并且已在控制区域的划分得到应用。

2004年，Girvan和Newman在复杂网络的社团划分问题中提出了模块度的概念，将其扩展到加权网络中，作为复杂网络社团结构划分优劣的评价标准。无功分区是一个非线性的大规模组合优化问题，而基于模块度优化的社团挖掘算法主要有层次聚类算法和人工智能算法，层次聚类算法具有较高的复杂程度，当网络的规模较大时，该问题尤为突出。人工智能算法避免了层次聚类算法的复杂程度，适合于大型网络的社团挖掘，而人工智能中的粒子群优化算法具有易于实现、收敛快、精度高的特点，适合于解决电力系统的无功分区，但现有技术在搜索效率和精确性上还不足以满足行业需求。

发明内容

针对上述存在的技术问题，本发明提供一种基于模块度优化的双阶段无功电压分区方法，其特征在于，包括以下步骤：

步骤1，根据电力系统信息进行中心吸引聚类，本步骤为所述双阶段无功电压分区方法的第一阶段；

所述电力系统信息包括节点信息、支路信息和容量信息；根据电力系统信息以中心吸引聚类方法对电力系统无功电压的节点进行初始无功分区；所述初始无功分区包括邻接节点归并和电源节点归并；所述中心吸引聚类方法包括以下步骤：

步骤1.1，建立复杂网络模型；

根据电力系统的节点信息、支路信息和容量信息建立复杂网络模型，即复杂网络G(V,E)，其中V为根据节点信息建立节点的集合，E为根据支路信息建立边的集合；V中包括中心节点、邻接节点和电源节点；

步骤1.2，建立邻接矩阵；

邻接矩阵A_N×N中的矩阵元素为任意2个节点v_i和v_j的组合；如果v_i和v_j之间存在边，则v_i和v_j所代表的矩阵元素的值a_ij或a_ji为1/(2M)；如果v_i和v_j之间不存在边，则该矩阵元素的值为0；即：

其中，N为复杂网络G(V,E)中的节点的个数，M为复杂网络G(V,E)中边的数量总和；

步骤1.3，计算节点度；