利用混合智能算法求解含分布式電源的配電網(wǎng)無功規(guī)劃問題

卓定明，王增煜（.廣東電網(wǎng)有限責(zé)任公司惠州供電局，廣東惠州　56000；.廣州供電局有限公司，廣東廣州　50000）

?

利用混合智能算法求解含分布式電源的配電網(wǎng)無功規(guī)劃問題

卓定明1，王增煜2
（1.廣東電網(wǎng)有限責(zé)任公司惠州供電局，廣東惠州516000；2.廣州供電局有限公司，廣東廣州510000）

摘要：提出了一種求解基于機會約束規(guī)劃理論的含分布式電源配電網(wǎng)無功規(guī)劃問題的方法，引入隨機變量來表示風(fēng)速，建立了基于機會約束規(guī)劃的數(shù)學(xué)模型，利用隨機模擬、支持向量機、粒子群算法相結(jié)合的混合智能算法進行求解。在含風(fēng)機的IEEE33節(jié)點系統(tǒng)上進行算例分析，結(jié)果表明該方法具有較高的決策效率和計算精度，從而驗證了所提出模型和方法的合理性和有效性。

關(guān)鍵詞：間歇性分布式電源；配電網(wǎng)；無功規(guī)劃；機會約束規(guī)劃；混合智能算法

0　引言

近些年來，由于傳統(tǒng)能源形式所凸顯的弊端越來越明顯，風(fēng)能作為一種綠色的循環(huán)能源，具有較好的環(huán)保性跟經(jīng)濟性，以風(fēng)力發(fā)電為代表的間歇性分布式電源在中國得到了迅速發(fā)展。新能源普遍具有波動性、間歇性和隨機性的特點，當(dāng)越來越多的分布電源接入配電網(wǎng)之后，改變了網(wǎng)絡(luò)結(jié)構(gòu)，將配電網(wǎng)系統(tǒng)從較為簡單的無源網(wǎng)絡(luò)轉(zhuǎn)變成復(fù)雜的有源網(wǎng)絡(luò)，系統(tǒng)運行狀態(tài)的不確定大大增加，系統(tǒng)潮流發(fā)生變化，系統(tǒng)的無功功率需求將進一步增長，此時對含分布式電源的配網(wǎng)進行合理的無功規(guī)劃至為關(guān)鍵。

由于配電網(wǎng)無功規(guī)劃問題本身就是一個非線性、離散化的優(yōu)化問題，并入分布式電源之后，該問題就難以用常規(guī)的數(shù)學(xué)方法進行分析了，主要原因便是風(fēng)力發(fā)電機的有功輸出具有很強間歇性和隨機性，因此在某一確定場景下尋優(yōu)得到的無功規(guī)劃方案，在另外一些場景時不一定是最優(yōu)規(guī)劃方案，甚至有可能使得系統(tǒng)的潮流分布更不合理，嚴(yán)重影響到電網(wǎng)安全經(jīng)濟運行，因此傳統(tǒng)的確定性規(guī)劃對于處理隨機變化的風(fēng)電出力并不合適。在含分布式電源的配電網(wǎng)無功規(guī)劃問題上，國內(nèi)外學(xué)者已有了一定的研究。文獻[1]考慮了靜止無功補償器作為補償設(shè)備，綜合有功網(wǎng)損和補償設(shè)備的安裝及生產(chǎn)費用作為目標(biāo)函數(shù)，建立無功規(guī)劃模型，但由于SVC設(shè)備昂貴，實際中還未廣泛投入使用。文獻[2]采用遺傳算法對分布式電源無功優(yōu)化問題進行求解，但僅僅考慮風(fēng)力發(fā)電機在某一場景下的情況，在其他場景下未必最優(yōu)。文獻[3]提出了一種基于場景發(fā)生概率的無功優(yōu)化綜合指標(biāo)，考慮了網(wǎng)損和靜態(tài)電壓穩(wěn)態(tài)裕度，采用自適應(yīng)權(quán)重的遺傳算法求解問題。文獻[4]以風(fēng)力發(fā)電機的有功輸出期望值近似代替隨機變化的輸出功率，用三種負荷運行方式代替近期的運行狀況，利用NSGA-Ⅱ算法進行求解。

本文提出的無功規(guī)劃方案充分考慮到了風(fēng)速的隨機性及其統(tǒng)計特征，將含分布式電源無功規(guī)劃問題作為不確定規(guī)劃問題進行研究，以網(wǎng)損費用和電容補償設(shè)備投資安裝費用最小化為優(yōu)化目標(biāo)，選取補償裝置的安裝位置和容量大小作為優(yōu)化變量，約束條件包括系統(tǒng)潮流方程約束、可調(diào)變壓器變比上下限約束、無功補償容量約束以及某一置信水平之下的節(jié)點電壓上下限約束，建立基于機會約束規(guī)劃的無功規(guī)劃模型，并利用蒙特卡洛模擬法求解各類隨機場景下安裝補償電容器的優(yōu)化方案，這樣便能夠考慮多種可能的運行方式，而不僅僅是典型運行方式，由于采用概率形式表示電壓約束條件，避免出現(xiàn)考慮確定性約束條件時優(yōu)化結(jié)果過于保守的情況。同時為了減少系統(tǒng)潮流計算次數(shù)以達到提高求解速度的目的，設(shè)計了混合智能算法，將訓(xùn)練好的回歸擬合函數(shù)代替費時的潮流計算過程，在計算精度不受太大影響的前提下，大大提高了粒子群算法優(yōu)化迭代的速度，縮短了程序運行時間，本文將該算法運用到具體案例中，得到了不錯的優(yōu)化效果。

1　風(fēng)電場隨機輸出功率的計算

一般認為，由于風(fēng)速等氣象條件的隨機性，與風(fēng)速有著很大相關(guān)性的風(fēng)機有功輸出是不可控的隨機變量，目前已有該領(lǐng)域的眾多研究人員對隨機風(fēng)速的分布特性展開了深入分析，一般可認為風(fēng)速服從Weibull分布從而對風(fēng)力發(fā)電力的隨機出力情況進行數(shù)學(xué)建模[5]：

其中c和k分別為尺度參數(shù)和形狀參數(shù)。

風(fēng)電發(fā)電機有功輸出功率PWPG與該點的風(fēng)速v間的函數(shù)關(guān)系可用式（2）的分段函數(shù)近似描述：

其中，Pr表示風(fēng)機輸出的額定功率，vr，vci，vco則分別表示風(fēng)機運行時的額定風(fēng)速、切入風(fēng)速跟切出風(fēng)速。

2　基于機會約束規(guī)劃的無功規(guī)劃數(shù)學(xué)模型

隨機機會約束規(guī)劃（Stochastic Chance-Const?rai-ned Programming，SCCP）是由Cooper和Charnes聯(lián)合提出的一種隨機規(guī)劃模型[6]，其核心是規(guī)劃模型中的隨機機會約束條件至少需滿足某一給定的置信水平。機會約束規(guī)劃是隨機規(guī)劃領(lǐng)域的重要內(nèi)容，可在一定的置信水平下求解含有多個隨機參數(shù)的隨機規(guī)劃問題。

隨機機會約束規(guī)劃模型通常表示為：

其中，x和ξ分別是模型的決策和隨機變量，pr{ }表示某事件發(fā)生的概率，α和β分別是決策者給出的各約束條件和目標(biāo)函數(shù)的置信水平，fˉ則是模型的目標(biāo)函數(shù)f( ) x,ξ在滿足目標(biāo)函數(shù)置信水平至少為β時所能達到的最大值。

2.1目標(biāo)函數(shù)

本文綜合考慮了含分布式電源配電網(wǎng)運行時的有功網(wǎng)損、無功補償電容裝置投資運營經(jīng)濟性，以并聯(lián)電容補償容量的投運組數(shù)和無功補償裝置的安裝地點作為控制變量，考慮潮流約束、電壓上下限約束、可調(diào)變壓器變比的上下限約束和無功補償容量約束來建立規(guī)劃模型。由于無功補償設(shè)備的投資費用是一次性的，需將其轉(zhuǎn)換為等年值。

因此，本文的優(yōu)化目標(biāo)為：

其中，Δpi為系統(tǒng)有功網(wǎng)損，常數(shù)k為單位能耗費用，n為系統(tǒng)總節(jié)點數(shù)，τmax為負荷運行小時數(shù)，ei為0-1變量，決定各節(jié)點是否安裝并聯(lián)補償電容器組，ri為節(jié)點i安裝單位補償電容器組的費用（包括購買、安裝費用），Qci為節(jié)點i的補償電容容量，a為貼現(xiàn)率，m為補償設(shè)備的使用年限。

2.2約束條件

（1）潮流等式約束

其中，PWPGi和QWPGi為節(jié)點i所接風(fēng)力發(fā)電機發(fā)出的有功功率和無功功率；PLi和Qci為節(jié)點i處的有功負載及無功負載功率；Vi為節(jié)點i的電壓幅值，Gij表示支路電導(dǎo)，Bij表示支路電納，θij表示節(jié)點i與節(jié)點j之間的電壓相角差。

（2）電壓上下限約束為：

Vmin≤Vi≤Vmax

（3）可調(diào)變壓器變比的上下限約束：

Kmin≤KX≤Kmax

（4）補償點i的無功補償容量約束：

0≤Qci≤Qimax

其中，Vmax和Vmin分別為節(jié)點i電壓幅值的上下限；KX為可調(diào)變壓器的變比，Kmax和Kmin分別為可調(diào)變壓器變比的上下限。Qimax為節(jié)點i電容補償量的最大值。

3　利用混合智能算法求解無功規(guī)劃模型

3.1隨機模擬技術(shù)

隨機模擬技術(shù)又稱蒙特卡洛模擬法(Monte Carlo Simulation, MCS)，是一種廣泛應(yīng)用于隨機問題分析的工具，尤其對于那種模型構(gòu)成復(fù)雜、隨機變量過多且具有相關(guān)性的問題，并常常用來檢驗其他概率潮流求解方法的求解精度其依據(jù)概率分布對隨機變量進行抽樣[7]。雖然模擬技術(shù)只能給出統(tǒng)計估計值而非精確計算值，且應(yīng)用其求解問題時需要花費大量的計算時間，然而它確實是處理針對解析方法行不通的復(fù)雜問題（如機會約束規(guī)劃模型）的可行工具，下面以式(9)所示的無功規(guī)劃隨機模型中的電壓水平約束條件為例，給出利用MCS法檢驗隨機規(guī)劃模型中機會約束條件可行性的過程。

風(fēng)速服從式(1)所示的Weibull分布，隨機模擬算法如下：

設(shè)n′=0。

根據(jù)式（1）生成一個風(fēng)速樣本。

根據(jù)該風(fēng)速樣本計算風(fēng)電場出力。

計算配電網(wǎng)潮流，如果對于系統(tǒng)每個節(jié)點都有Vmin≤Vi≤Vmax，則n′=n′+1。

重復(fù)步驟（2）~（4）n次

3.2混合智能算法

為求解基于機會約束規(guī)劃的含分布式電源配電網(wǎng)無功規(guī)劃問題，本文將粒子群尋優(yōu)算法(Parti?cle Swarm Optimization, PSO)和支持向量機(Support Vector Machine, SVM)結(jié)合起來構(gòu)造混合智能算法?？紤]到在利用粒子群尋優(yōu)算法對機會約束規(guī)劃模型進行求解時，需對每一代種群的粒子進行適應(yīng)度計算，從而進行種群更新。而在機會約束規(guī)劃模型中，每個粒子的適應(yīng)度都需要先在多種隨機場景下來計算出目標(biāo)值后才能得出，當(dāng)隨機場景數(shù)的設(shè)置較大時便涉及到大量的潮流計算，這直接導(dǎo)致隨機規(guī)劃模型的尋優(yōu)求解效率低下。為了減少系統(tǒng)潮流計算次數(shù)以達到提高求解速度的目的，本文先根據(jù)隨機模擬技術(shù)產(chǎn)生足夠的訓(xùn)練樣本，并采用支持向量機良好的擬合泛化能力對這些訓(xùn)練樣本進行擬合，形成支持向量機回歸擬合函數(shù)，并用它代替費時的潮流計算過程，即每個粒子的適應(yīng)度值通過支持向量機擬合函數(shù)映射得出，從而使得混合智能算法在整個尋優(yōu)過程中達到計算效率和求解精度的協(xié)調(diào)均衡。

因此，文本利用混合智能算法求解機會約束規(guī)劃問題，算法流程如圖1所示，其中每個粒子的目標(biāo)值代表采用某種補償方案后配網(wǎng)系統(tǒng)的網(wǎng)損值，而每個粒子的適應(yīng)度則是采用該補償方案后優(yōu)化目標(biāo)值f，并且在利用回歸逼近函數(shù)檢驗更新例子的可行性時，如發(fā)現(xiàn)節(jié)點電壓幅值的機會約束條件不符合，則對該粒子采用加懲罰項的方式處理。

4　算例分析

本文以IEEE33節(jié)點配電網(wǎng)系統(tǒng)為例，如圖2所示，系統(tǒng)基礎(chǔ)數(shù)據(jù)見文獻[10]，系統(tǒng)中有一臺有載調(diào)壓變壓器，有5個分接口（UN±2×2.5%），單組補償電容的容量為70 kvar，每一位置最多可安裝10組補償電容，且無功補償電容裝置的綜合投資費用為70元/kvar，無功補償裝置使用年限為20年，貼現(xiàn)率取0.1，單位電能損耗費用取0.6元/kWh。節(jié)點6和節(jié)點31分別安裝有一臺異步風(fēng)力發(fā)電機，其技術(shù)參數(shù)見文獻[3]，切入風(fēng)速vci為5 m/s，切出風(fēng)速vco為25 m/s，額定風(fēng)速vr為 14 m/s，形狀參數(shù)k為2.0，尺度參數(shù)c為7.5。

圖1　混合智能算法流程圖

圖2　IEEE33節(jié)點配網(wǎng)系統(tǒng)

為了檢驗混合智能算法的準(zhǔn)確度及求解效率，本文先利用隨機模擬與PSO算法相結(jié)合的隨機機會約束規(guī)劃算法求解33節(jié)點系統(tǒng)無功規(guī)劃問題，即先隨機模擬產(chǎn)生若干風(fēng)速場景，對每一場景直接用PSO算法進行目標(biāo)值尋優(yōu)，其中隨機風(fēng)速樣本取為200，目標(biāo)函數(shù)置信水平β為0.9，電壓約束條件置信水平α為0.99，節(jié)點電壓標(biāo)幺值的上下限約束為1.07和0.93，粒子群規(guī)模設(shè)為20，迭代次數(shù)為200。另外，根據(jù)圖1所示的流程圖，利用混合智能算法求解該相同問題時，產(chǎn)生訓(xùn)練樣本數(shù)為1 250，然后分別利用BP神經(jīng)網(wǎng)絡(luò)和支持向量機建立回歸擬合函數(shù)，其中支持向量機采用徑向基核函數(shù)。三種算法的優(yōu)化結(jié)果如表1所示，在優(yōu)化結(jié)果中，括號前的數(shù)字表示電容補償裝置安裝位置的節(jié)點號，括號內(nèi)的數(shù)字為該位置投運的電容器組數(shù)。

表1　無功規(guī)劃結(jié)果對比

從表1可以看出，與傳統(tǒng)的隨機機會約束規(guī)劃算法相比，利用混合智能算法求解得到的優(yōu)化方案亦能達到較好的無功補償效果，混合智能算法1（含BP）求解的最優(yōu)目標(biāo)值的相對誤差為3.840%，而利用混合智能算法2（含SVM）的只為0.698%，因回歸逼近函數(shù)造成的計算誤差仍在容忍范圍內(nèi)。

并且，由于混合智能算法無需在整個粒子群尋優(yōu)過程中，都對每一代種群的各粒子適應(yīng)度進行精確計算，而是通過擬合函數(shù)進行適應(yīng)度值估算，從而節(jié)約了大量潮流計算所耗費的時間。從表1可以看出，混合智能算法1計算耗時從4 958秒減少到2 017秒，而混合智能算法2則只需1 625秒，分別減少到原先的40.68%和32.78%。同時，通過兩種混合智能算法的計算結(jié)果對比可看出，支持向量機較BP神經(jīng)網(wǎng)絡(luò)的擬合效果更佳，最后所得解的適應(yīng)度更佳，并且支持向量機在訓(xùn)練擬合函數(shù)時較BP神經(jīng)網(wǎng)絡(luò)所耗費的時間更短。

更進一步，針對同一機會約束規(guī)劃模型分別設(shè)置不同的目標(biāo)函數(shù)置信水平和約束條件置信水平，并利用粒子群算法和支持向量機構(gòu)造成的混合智能算法進行求解，求解結(jié)果如表2所示。

表2　不同置信水平下的優(yōu)化結(jié)果

從表2可知，當(dāng)保持模型中的電壓水平約束條件置信水平不變而增加目標(biāo)函數(shù)置信水平時，所得解的目標(biāo)值將變大；另外，當(dāng)保持模型中的目標(biāo)函數(shù)置信水平不變而增加電壓水平約束條件置信水平時，所得解到的目標(biāo)值將變小，這表明此規(guī)劃偏于冒險，較易造成電壓越限。

在表3中，繼續(xù)研究分布式電源不同接入情況下，利用混合智能算法2（含SVM）進行求解，可見隨著接入點的增加，求解時間只是略有增加，依然具有較高的決策效率。

表3　分布式電源點增加后的優(yōu)化結(jié)果

5　結(jié)論

本文建立了基于機會約束規(guī)劃的含間歇性電源配電網(wǎng)無功規(guī)劃的數(shù)學(xué)模型，利用隨機模擬技術(shù)仿真表示風(fēng)機各種出力狀態(tài)，同時避免出現(xiàn)確定性約束條件造成優(yōu)化結(jié)果過于保守。為了提高優(yōu)化迭代速度，這里采用了混合智能算法進行求解，避免大量重復(fù)的潮流計算，并取得較好的計算精度，算例結(jié)果表明該方法有效可行，具有一定的工程應(yīng)用價值。

參考文獻：

［1］陳琳，鐘金，倪以信，等.含分布式發(fā)電的配電網(wǎng)無功優(yōu)化［J］.電力系統(tǒng)自動化，2006，30（14）：20-24.

［2］李晶，王素華，谷彩連.基于遺傳算法的含分布式發(fā)電的配電網(wǎng)無功優(yōu)化控制研究［J］.電力系統(tǒng)保護與控制，2010，38（6）：60-63.

［3］陳海焱，陳金富，段獻忠.含風(fēng)電機組的配網(wǎng)無功優(yōu)化［J］.中國電機工程學(xué)報，2008，28（7）：40-45.

［4］劉學(xué)平，劉天琪，李興源.含風(fēng)電機組的配電網(wǎng)無功優(yōu)化補償［J］.電力系統(tǒng)保護與控制，2010，38（20）：130-135.

［5］Abouzahr I，Ramakumar R．An Approach to Assess the Performance of utility-interactive wind electric conver?sion systems［J］. IEEE Trans on Energy Conversion，1991，6（4）：627-638.

［6］Charnes A，Cooper W W. Chance-constrained Program?ming［J］. Management Science，1959，6（1）：73-79.

［7］Feijoo A E，Cidras J，Dornelas J L G. Wind Speed Simu?lation in Wind Farms for Steady-state Security Assess?ment of Electrical Power system［J］. IEEE Trans on En?ergy Conversion，1999，14（4）：1582-1588.

［8］張學(xué)工.關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機［J］.自動化學(xué)報，2000，26（1）：32-42.

［9］李愛國，覃征，鮑復(fù)民，等.粒子群優(yōu)化算法［J］.計算機工程與應(yīng)用，2002，38（21）：1-3.

［10］Baran M E，WU F F. Network reconfiguration in distri?bution systems for loss reduction and load balancing ［J］. IEEE Trans on Power Delivery，1989，4（2）：1401-1407. 33.

［11］朱勇，楊京燕，高領(lǐng)軍，等.含異步風(fēng)力發(fā)電機的配電網(wǎng)無功優(yōu)化規(guī)劃研究［J］.電力系統(tǒng)保護與控制，2012，40（5）：80-84.

(編輯：向飛)

Hybrid Intelligent Algorithm for Solving Reactive Power Planning Problem in Distribution System with Distributed Generation

ZHUO Ding-ming1，WANG Zeng-yu2
（1. Huizhou Power Sypply Bureau , Guangdong Power Grid Cooperation，Huizhou516000，China；2. Guangzhou Power Supply Co.，Ltd.，Guangzhou 510000，China）

Abstract:Based on the stochastic programming theory, the paper present a method to solve reactive power optimization problem in distribution system with distributed generation. In order to describe wind speed, random variables are led in, and the mathematical model which based on chance-constrained programming is built. Then the model is solved bythe hybrid intelligent algorithm combined with stochastic simulation, support vector machine, particle swarm optimization. Wind power generators were added to IEEE 33-bus system, and the modified test system study results show that the method has higher decision-making efficiency and calculation precision, and verify that the proposed model and method are reasonable and effective.

Key words:distributed generation；distribution system；reactive power planning；chance-constrained programming；hybrid intelligent algorithm

作者簡介：第一卓定明，男，1989年生，廣東梅州人，大學(xué)本科，助理工程師。研究領(lǐng)域：電力系統(tǒng)運行與控制。

收稿日期：2015－08－09

DOI:10. 3969 / j. issn. 1009-9492. 2015. 11. 030

中圖分類號：TM727

文獻標(biāo)識碼：A

文章編號：1009－9492 ( 2015 ) 11－0114－05