三角骨架差分進(jìn)化算法的電力系統(tǒng)無(wú)功優(yōu)化

馬立新，董 昂，王繼銀

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海200093)

?

三角骨架差分進(jìn)化算法的電力系統(tǒng)無(wú)功優(yōu)化

馬立新，董 昂，王繼銀

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海200093)

在無(wú)功優(yōu)化中通常是以減少線路中的有功網(wǎng)損、降低電網(wǎng)無(wú)功補(bǔ)償容量、提高電能質(zhì)量等方面為目標(biāo)進(jìn)行優(yōu)化。建立了以減少有功網(wǎng)損，降低電壓偏移以及提高電壓穩(wěn)定裕度的三目標(biāo)優(yōu)化模型。在傳統(tǒng)的差分進(jìn)化算法(Differential Evolution Algorithm)中，控制參數(shù)和差分變異策略在對(duì)待優(yōu)化解的問(wèn)題較為敏感。為克服這一缺陷進(jìn)一步提出的一種具有自適應(yīng)參數(shù)的的差分進(jìn)化算法。首次引入全新的三角高斯變異方式，在樣本中隨機(jī)選出的三個(gè)不同的值取均值μ，標(biāo)準(zhǔn)差取任意兩差的絕對(duì)值的平均值為標(biāo)準(zhǔn)差δ進(jìn)行高斯分布。將其運(yùn)用于電力系統(tǒng)IEEE-14節(jié)點(diǎn)的系統(tǒng)中進(jìn)行仿真，將傳統(tǒng)差分算法和粒子群算法與本算法進(jìn)行比較，驗(yàn)證本算法的優(yōu)越性與實(shí)用性。

電力系統(tǒng)；無(wú)功優(yōu)化；三角的骨架差分算法

0 引言

隨著電網(wǎng)日益完善，用戶對(duì)電能質(zhì)量要求越來(lái)越高。在考慮經(jīng)濟(jì)的同時(shí)，電能質(zhì)量也有待提高。而電壓的穩(wěn)定性是衡量電力系統(tǒng)的安全與電能質(zhì)量好壞的標(biāo)準(zhǔn)之一。為了提高電壓的穩(wěn)定性，一些操作簡(jiǎn)單、收斂速度較快的算法逐漸被人們運(yùn)用于電力系統(tǒng)無(wú)功優(yōu)化中。

差分進(jìn)化算法(Differential Evolution Algorithm)是近年興起的一種隨機(jī)優(yōu)化算法。差分算法十分簡(jiǎn)單高效，但是其本身也存在一個(gè)問(wèn)題，就是DE中參數(shù)的控制以及變異策略的對(duì)待比較薄弱。本文引進(jìn)一種新的算法，該算法具有高效搜索能力，可以及時(shí)有效地控制變異的個(gè)體。并且對(duì)電力線路中的有功網(wǎng)損等三方面進(jìn)行一個(gè)合理有效的優(yōu)化。通過(guò)對(duì)IEEE-14節(jié)點(diǎn)系統(tǒng)的仿真計(jì)算，并與標(biāo)準(zhǔn)PSO及差分進(jìn)化算法進(jìn)行比較，從而驗(yàn)證了本文中的算法解決RPO問(wèn)題的可行性及優(yōu)越性。

1 電力系統(tǒng)無(wú)功優(yōu)化模型

1.1 目標(biāo)函數(shù)

調(diào)節(jié)發(fā)電機(jī)端電壓，有載變壓器分接頭檔位和無(wú)功補(bǔ)償裝置的投入組數(shù)量這三個(gè)措施可以改變電網(wǎng)中的無(wú)功功率?？紤]到電網(wǎng)中的電能質(zhì)量最優(yōu)，本文以電能最優(yōu)為基礎(chǔ)建立了以最小電壓偏移和最小有功網(wǎng)損、最大穩(wěn)定裕度為目標(biāo)的一個(gè)無(wú)功優(yōu)化的模型。

(1)有功網(wǎng)損Ploss

(1)

式中：N為電力網(wǎng)絡(luò)中支路數(shù)量；節(jié)點(diǎn)i、j的電壓相角分別是δi，δj；ij支路上的電導(dǎo)為Gk；節(jié)點(diǎn)i、j的電壓分別用Vi和Vj表示。

(2)電壓偏移dv

(2)

(3)電壓穩(wěn)定裕度: 采用穩(wěn)定裕度作為衡量系統(tǒng)穩(wěn)定的一個(gè)參考，其作用是在系統(tǒng)運(yùn)行過(guò)程中，測(cè)量節(jié)點(diǎn)電壓距離崩潰點(diǎn)的距離量。本文采取的是雅可比矩陣最小奇異值的最大值作為一個(gè)衡量指標(biāo)。

(3)

式中：λmin是雅克比矩陣的最小特征值。

1.2 系統(tǒng)中變量的約束條件

(1)功率約束條件

基于功率平衡原則：

(4)

式中：Pi為有功功率；Qi為無(wú)功功率。

(2)變量約束條件

控制變量：

(5)

式中：VGI為發(fā)電機(jī)的機(jī)端電壓；TI為可調(diào)變壓器的變比；QCI為補(bǔ)償電容發(fā)出功率；Ng為機(jī)組的數(shù)量；NT為有載調(diào)壓的節(jié)點(diǎn)數(shù)，Nc為無(wú)功補(bǔ)償裝置節(jié)點(diǎn)數(shù)。

狀態(tài)變量：

(6)

式中：QDI為發(fā)電機(jī)的無(wú)功功率；VDI為負(fù)荷節(jié)點(diǎn)的電壓。

1.3 多目標(biāo)化一處理

上述公式中，網(wǎng)損、電壓偏差以及穩(wěn)定裕度各自的衡量的標(biāo)準(zhǔn)不一樣，無(wú)法將以上三個(gè)方面用同一個(gè)式進(jìn)行運(yùn)算，基于量綱統(tǒng)一的原則，采取以下方式進(jìn)行化一處理：

(7)

式中：初始有功網(wǎng)損用Ploss0表示，電壓偏移用dv0表示。

(8)

式中：w1,w2,w3分別為各目標(biāo)函數(shù)的權(quán)重值，其約束條件滿足w1+w2+w3=1。

2 三角骨架差分進(jìn)化算法

2.1 原始差分算法

差分算法在1995年由Stom等人提出，DE算法基于物種種群的隨機(jī)進(jìn)化算法。DE的基本思路是：在物種種群中，利用兩個(gè)隨機(jī)個(gè)體的偏差向量作為第三個(gè)個(gè)體的加權(quán)增量進(jìn)一步得到新的個(gè)體。再根據(jù)DE算法特性進(jìn)行一個(gè)交叉、變異，選擇產(chǎn)生不同于初代的種群個(gè)體。

(1)種群初始化。種群數(shù)目N,N個(gè)個(gè)體在D維空間中進(jìn)行一個(gè)搜索，隨機(jī)篩選出滿足約束條件初代種群P(種群數(shù)目NP個(gè))，P=[X1,X2,X3,…,XNP]，在初代中各個(gè)個(gè)體表示Xi=[Xi1,Xi2,Xi3…,XiD],個(gè)體表達(dá)式：

(9)

式中：rand為隨機(jī)變量，其數(shù)值大小在(0，1)之間。

(10)

式中：a≠b≠c≠i，F(xiàn)為變異因子，其取值范圍(0，2)，F(xiàn)是控制種群中的偏差量，起到一個(gè)收斂的作用。

(3)交叉操作。為增加種群的多樣性，減少物種選取的單一性，引入交叉操作的方式

(11)

(12)

2.2 基于三角的骨架DE算法

(1)現(xiàn)有的DE算法是基于骨干微粒子群算法(Bare-Bones Particle swarm optimization)的基礎(chǔ)上運(yùn)用的差分進(jìn)化操作算子，這些算法的核心還是PSO中的個(gè)體極值和群體極值，DE的核心差分進(jìn)化沒(méi)有表現(xiàn)出來(lái)，DE算法的核心思想是隨機(jī)選擇個(gè)體之間的差異進(jìn)行高斯變異。

三角的骨架DE算法提出一種不同于之前的高斯變異策略，在變異和交叉操作中有更優(yōu)的操作選擇：

①基于高斯變異的變異操作。每次進(jìn)行變異操作時(shí)，在種群中隨機(jī)選擇3個(gè)不同的個(gè)體，計(jì)算三者的平均值，將選擇出的3個(gè)個(gè)體兩兩相減，取絕對(duì)值。將三者絕對(duì)值相加取平均值。此算法開(kāi)始階段種群個(gè)體差異較大，重點(diǎn)聚焦于全局搜索。這就使得搜索范圍盡可能的擴(kuò)展到種群中的全部個(gè)體。在搜索的后期，種群中的個(gè)體差異減少，逐步趨于最優(yōu)解。

(13)

(14)

(15)

式中：N是以μ為均值的、以δ為標(biāo)準(zhǔn)差的一個(gè)高斯分布的函數(shù)；j,k,w三個(gè)是種群中隨機(jī)取樣的三個(gè)不同的個(gè)體。

②高斯算法下的交叉操作。傳統(tǒng)的DE算法采用的是二分交叉算法操作，這當(dāng)中篩選的新個(gè)體兼具了隨機(jī)差分的變異向量和種群個(gè)體的信息(位置，速度)，但是卻沒(méi)有種群篩選中最優(yōu)個(gè)體的信息。本文采取三元交叉的方法，這種三元交叉的方法較于之前兼顧到種群最優(yōu)個(gè)體的信息(位置，速度)，具體的交叉公式如下：

(16)

在交叉操作過(guò)程中，如果隨機(jī)產(chǎn)生數(shù)小于CR或者j=q(維數(shù))，那么取值是高斯變異中的Vijk,如若不符合要求，進(jìn)行下一步操作，將個(gè)體最優(yōu)值與位置極值進(jìn)行交叉操作，其交叉操作的概率取固定值0.4。個(gè)體最優(yōu)值以概率的形式及參與到新的實(shí)驗(yàn)向量中。其概率表達(dá)式

(17)

③由表達(dá)式(16)可知，CR的大小與粒子群搜索的容易程度有關(guān)，其值越大，搜索局域的能力越強(qiáng)，使得變異個(gè)體豐富種群，這就使得加快淘汰適應(yīng)度較低的個(gè)體；CR越小，則使得原始種群的個(gè)體可以加入新的種群機(jī)會(huì)變大。本文中交叉因子自適應(yīng)表達(dá)式：

(18)

(19)

(2)算法的實(shí)現(xiàn)步驟。

①生成k=1，rand生成一個(gè)種群數(shù)為NP個(gè)種群，根據(jù)公式(9)將生成的種群個(gè)進(jìn)行一個(gè)初始化處理，使得每個(gè)個(gè)體進(jìn)行參數(shù)向量化。(將參數(shù)數(shù)據(jù)輸入系統(tǒng)中)發(fā)電機(jī)的參數(shù)，調(diào)節(jié)步數(shù)，負(fù)荷參數(shù)，變壓器參數(shù)，各變量等。

②生成k=1，按照公式(13)～(15)進(jìn)行種群變異化處理，在根據(jù)(16)，(17)進(jìn)行交叉操作從而產(chǎn)生新的種群個(gè)體。

③根據(jù)適應(yīng)度函數(shù)，計(jì)算每一個(gè)種群個(gè)體的適應(yīng)度，進(jìn)行DE中的選擇操作，適應(yīng)度優(yōu)的個(gè)體被選入新生的種群。

④根據(jù)條件判斷種群個(gè)體是否滿足條件。若不滿足進(jìn)行步驟②，否則終止運(yùn)行。

3 算例及結(jié)果分析

以IEEE-14節(jié)點(diǎn)測(cè)試系統(tǒng)為例，進(jìn)行算例分析。本系統(tǒng)包含20條支路，5臺(tái)發(fā)電機(jī)和帶有3臺(tái)調(diào)壓變壓器，1個(gè)并聯(lián)補(bǔ)償電容器。

14節(jié)點(diǎn)系統(tǒng)中各節(jié)點(diǎn)功能：1節(jié)點(diǎn)設(shè)置為參考點(diǎn)(平衡節(jié)點(diǎn))，PV節(jié)點(diǎn)為2，3，6，8；并聯(lián)電容器節(jié)點(diǎn)是9；發(fā)電機(jī)節(jié)點(diǎn)數(shù)為1,2,3,6,8；4,5,7,10,11,12,13,14為PQ節(jié)點(diǎn)，變壓器安裝支路5-6，4-7，4-9，PQ,PV節(jié)點(diǎn)電壓的取值范圍[0.95,1.10]；有載變壓器變比的取值范圍[0.90,1.10],調(diào)節(jié)步長(zhǎng)1.25%，即17檔；電容的可調(diào)節(jié)范圍取值[0.0.5]，調(diào)節(jié)的步長(zhǎng)0.05。

優(yōu)化結(jié)果分析。

MATLAB系統(tǒng)14節(jié)點(diǎn)優(yōu)化仿真結(jié)果如表1。

由圖1看出，傳統(tǒng)PSO，DE和DDE三者的網(wǎng)損依次降低，其中DDE算法在優(yōu)化后網(wǎng)損的最小，進(jìn)一步表明相同功率下，采用DDE算法優(yōu)化時(shí)刻有功網(wǎng)損最小，其給電網(wǎng)帶來(lái)的經(jīng)濟(jì)效益最好。

表1 IEEE-14節(jié)點(diǎn)系統(tǒng)各算法比較

圖1 IEEE-14節(jié)點(diǎn)系統(tǒng)有功網(wǎng)損

由圖2可知，DDE算法在優(yōu)化電壓方向有比較好的優(yōu)化一面。在迭代至30時(shí)刻就可以看出其電壓偏移量就已經(jīng)比PSO,DE小，其整體的電壓偏移量較小。在迭代至50以后是，整個(gè)曲線已經(jīng)趨于穩(wěn)定。在圖2中電壓偏移量比較，代表其系統(tǒng)電壓穩(wěn)定的程度。

圖2 IEEE-14節(jié)點(diǎn)系統(tǒng)電壓偏差

由圖3可知，DDE在迭代初期其穩(wěn)定裕度沒(méi)有DE和PSO高，這也是因?yàn)镈DE算法早期是基于全局搜索的一個(gè)功能，在后期其穩(wěn)定裕度逐漸比DE和PSO更加穩(wěn)定，這是DDE算法一個(gè)特點(diǎn)。在早期的過(guò)程中為增加種群的多樣性，搜索范圍的增大使得其穩(wěn)定性相比于其他算法沒(méi)那么穩(wěn)定，但是后期其算法的優(yōu)越性就逐漸顯現(xiàn)。

圖3 IEEE-14節(jié)點(diǎn)系統(tǒng)電壓穩(wěn)定裕度

從圖1，2，3中可以看出，DDE算法在優(yōu)減少網(wǎng)損、保持電壓穩(wěn)定以及在穩(wěn)定裕度方面都較PSO，DE有著優(yōu)勢(shì)。PSO算法在處理離散的方面容易陷入局部最優(yōu)中，DE算法通過(guò)不斷篩選種群中的新個(gè)體。淘汰劣質(zhì)個(gè)體，引導(dǎo)種群尋找全局最優(yōu)解。但是沒(méi)有考慮種群個(gè)體的優(yōu)勢(shì)。DDE算法收斂速度較快，充分考慮全局和個(gè)體兩方面。在仿真結(jié)果充分體現(xiàn)其優(yōu)越性。

4 結(jié)論

DDE算法將有功網(wǎng)損、穩(wěn)定裕度、電壓偏差三者同時(shí)考慮在一起。本文首次將三角骨架差分算法和無(wú)功優(yōu)化相結(jié)合，其算法早期增大搜索范圍，后期趨于優(yōu)化階段。采用三角式的優(yōu)化方案，提高了優(yōu)化的準(zhǔn)確性與收斂的快速性。DDE運(yùn)用于IEEE-14節(jié)點(diǎn)的系統(tǒng)中，其實(shí)用性和準(zhǔn)確性在上述三圖中都有所體現(xiàn)，為優(yōu)化提供了一個(gè)新的途徑。

[1]馬立新，孫進(jìn)，彭華坤.多目標(biāo)差分進(jìn)化算法的電力系統(tǒng)無(wú)功優(yōu)化[J].控制工程，2013,20(5)：954-956.

[2]馬立新，王守征，呂新慧，等.電力系統(tǒng)無(wú)功優(yōu)化的反向優(yōu)化差分進(jìn)化算法[J].控制工程，2010，17(6)：803-806.

[3]彭虎，吳志健，周新宇,等.基于三角的骨架差分算法[J].計(jì)算機(jī)研究與發(fā)展,2015,52(12):2776-2788.

[4]張豐田,宋家驊, 李鑒, 等.基于混合差異進(jìn)化優(yōu)化算法的電力系統(tǒng)無(wú)功優(yōu)化[J] .電網(wǎng)技術(shù), 2007,31(9):33-37.

[5]周洪波, 齊占慶, 衡強(qiáng),等.一種改進(jìn)的遺傳算法及其在PID控制中的應(yīng)用[J] .控制工程, 2007,14(6):589-591.

[6]張聰譽(yù)，陳民鈾，羅辭勇，等.基于多目標(biāo)粒子群算法的電力系統(tǒng)無(wú)功優(yōu)化[J].電力系統(tǒng)保護(hù)與控制,2010,38(20):153-158.

[7] 王勤，方鴿飛.考慮電壓穩(wěn)定性的電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化[J].電力系統(tǒng)自動(dòng)化，1999，23(3):31-34.

[8]許小健,黃小平,錢德玲.自適應(yīng)加速差分進(jìn)化算法[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2008，5(1):87-92.

[9] 賀毅朝, 王熙照, 劉坤起,等.差分演化的收斂性分析與算法改進(jìn)[J].軟件學(xué)報(bào)，2010，21(5):875-885.

[10]盛四清，李婧，田文樹(shù).群智能算法在電力系統(tǒng)無(wú)功優(yōu)化中的應(yīng)用[J].電力科學(xué)與工程，2008,24(1)：1-4.

[11]李瑩，簡(jiǎn)獻(xiàn)忠.基于免疫進(jìn)化細(xì)菌覓食算法的多目標(biāo)無(wú)功優(yōu)化[J].電力科學(xué)與工程，2014,30(4)：5-10.

Triangle Differential Skeleton Evolution Algorithm for Reactive Power Optimization

MA Lixin, DONG Ang, WANG Jiyin

(School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China)

In reactive power optimization process, the objective is to reduce the active power loss, and reactive power compensation capacity, and improve the power quality.A three-objective-optimization model is established to reduce the active power loss, and voltage deviation, and to improve the voltage stability margin.In traditional differential evolution algorithms, the control parameters and the differential mutation strategy are more sensitive to the problem of the optimal solution.A differential evolution algorithm with adaptive parameters is proposed to overcome this limitation.A new method of triangular Gauss variation is introduced, and the mean value of the three different values of μ is then selected, and the mean value of the absolute value of the standard deviation is δ for Gauss distribution.The simulation is carried out on the system of the IEEE-14 node of power system.The traditional difference algorithm and particle swarm optimization algorithm are compared with the presented algorithm to verify the superiority and practicability of the algorithm.

power system; reactive power optimization; triangle differential skeleton evolution algorithm

2016-06-16。

滬江基金(C14002)。

馬立新(1960-)，男，教授，主要研究方向?yàn)榕潆娋W(wǎng)規(guī)劃與優(yōu)化配置、電力負(fù)荷需求分析與預(yù)測(cè)方法、調(diào)速系統(tǒng)智能控制等，E-mail:1290808502@qq.com。

TM27

A

10.3969/j.issn.1672-0792.2016.11.002