關(guān)于新能源并網(wǎng)供電無功性能優(yōu)化設(shè)計研究

【摘 要】因為新能源發(fā)電會受到光照及風力條件影響，而且在接入到配電網(wǎng)之后潮流走向會產(chǎn)生變化，系統(tǒng)的無功優(yōu)化就會更加困難難度。對此，本文提出一種以判斷因子為基礎(chǔ)的自適應(yīng)粒子群算法，依靠平均熵的初始化，提高種群多樣性，依靠判斷因子針對粒子的適應(yīng)值收斂性展開動態(tài)跟蹤，對慣性權(quán)重進行自適應(yīng)性調(diào)節(jié)，可以有效處理后期粒子可能陷入局部最優(yōu)的狀況，算法的整體尋優(yōu)水平得到有效提升，再與正弦變化學習因子相互配合進行策略調(diào)整，加快算法收斂速度，對于適應(yīng)值較好的粒子，在其位置展開Logistic的混沌映射來有效增強搜索精度。依靠對有新能源接入的所有IEEE-30配電系統(tǒng)展開建模，和其余算法進行對比研究，進而驗證該算法的收斂性及尋優(yōu)性更強。

【關(guān)鍵詞】新能源；并網(wǎng)供電；自適應(yīng)粒子群算法；無功性能優(yōu)化；

由于我國的用電需求不斷提升，環(huán)境和能源問題已經(jīng)變得愈加惡劣，而化石燃料由于大規(guī)模消耗造成氣候污染問題，為全球都帶來嚴重影響，所以開發(fā)利用新型能源是當今的關(guān)鍵要點。新能源稱作非常規(guī)性能源，主要包含地熱能、海洋能、生物質(zhì)能、風能以及太陽能之類的非化石性能源。

新能源發(fā)電優(yōu)勢在于環(huán)保綠色、成本較低、電源的位置較為靈活。然而因為太陽能及風能所具備的屬性，所以新能源發(fā)電會具備清潔環(huán)保、間歇性以及隨機性特征。這樣配電網(wǎng)網(wǎng)絡(luò)構(gòu)造就會由于新能源接入出現(xiàn)變化，進而從放射性的無源網(wǎng)絡(luò)改變成分布著中小型電源的供配電網(wǎng)絡(luò)，而配電網(wǎng)的潮流會有所改變，這樣對于系統(tǒng)網(wǎng)損以及電能質(zhì)量都會造成一定的影響，潮流計算就會更加困難。所以針對新能源配網(wǎng)的無功優(yōu)化展開研究是我們必須要做的。

最近這些年，人工智能優(yōu)化算法發(fā)展十分迅猛。而一些研究者把其中一些智能尋優(yōu)算法運用至電力系統(tǒng)的無功優(yōu)化當中，而且收獲了較好的成效。智能算法主要包含蟻群算法、模擬退火算法、禁忌搜索算法、粒子群算法以及遺傳算法。這當中的粒子群算法由于魯棒性較好，容易實現(xiàn)及計算效率較高之類優(yōu)勢應(yīng)用較為廣泛。但是此算法的迭代后期是有一定缺陷的，尋優(yōu)速度較慢，且容易陷入到局部最優(yōu)解。而為了防止算法的早熟問題，借助離子聚集度，依照迭代的次數(shù)變化使慣性權(quán)重進行動態(tài)變化，目的在于迭代初期可以使搜索的范圍增大，在后期展開最優(yōu)解的精細化搜尋，然而在學習因子上是沒有改進優(yōu)化的。把學習因子和

慣性權(quán)重利用函數(shù)進行有效聯(lián)系，利用兩者的互相作用使得整體尋優(yōu)和局部開發(fā)水平更為均衡，然而隨機初始化種群有可能造成粒子取值的不分散問題，迭代后期可能得不到最優(yōu)解。此文中采取所提出的以平均熵為基礎(chǔ)的種群初始化，其與隨機初始化比較有時會存在不均勻分布問題，此手段能夠得到優(yōu)良的初始種群分布。此文分析新能源并網(wǎng)可能為配電網(wǎng)電壓與網(wǎng)損造成的影響，然而對于慣性權(quán)重的相關(guān)調(diào)節(jié)手段只是隨著迭代次數(shù)指數(shù)而改變，無法依照粒子適應(yīng)值大小完成動態(tài)性的自適應(yīng)調(diào)節(jié)，迭代后期容易陷入到局部最優(yōu)解。對此此文對粒子群算法缺陷進行優(yōu)化，提出以判斷因子為基礎(chǔ)的一種自適應(yīng)性粒子群算法。此種措施不僅能夠依靠判斷因子完成對慣性權(quán)重的一種自適應(yīng)調(diào)整，而且能夠確保初始粒子的均勻性分布，使搜索范圍增大，防止陷入到局部最優(yōu)。然后依靠建模，對措施可行性進行驗證。

1、電力系統(tǒng)無功優(yōu)化的數(shù)學模型

此文將最小有功網(wǎng)損作為目標函數(shù)，將補償電容、變壓器分接頭檔位與發(fā)電機端的電壓視作控制變量，構(gòu)建新能源配電網(wǎng)的無功優(yōu)化模型。這當中的新能源電源能夠作為恒定無功補償源完成無功補償。

1.1無功優(yōu)化目標函數(shù)

針對支路數(shù)是N的一個網(wǎng)絡(luò)系統(tǒng)，目標函數(shù)優(yōu)化數(shù)學表達式為：

公式當中的Gk（i，j）是節(jié)點i和節(jié)點j間電導，Vi，Vj是節(jié)點i，j電壓幅值，而θi，θj是節(jié)點j與i相角。

1.2約束條件

（1）不等式的約束條件

公式當中Tmin與Tmax是有載調(diào)壓變壓器分接頭檔位上限與下限，QCmin與QCmax是無功補償電容器的投切組數(shù)上限與下限，UG是發(fā)電機有功功率出力，QG是發(fā)電機無功功率出力，U是節(jié)點電壓幅值。

（2）等式約束條件

公式當中PGi與QGi分別是節(jié)點i發(fā)電機的有功功率以及無功功率。而PLi與QLi分別是節(jié)點i負荷有功功率以及無功功率，Bij與Gij分別是節(jié)點i和節(jié)點j間電納與電導。N屬于系統(tǒng)當中的節(jié)點個數(shù)。

新能源接入配電網(wǎng)的無功優(yōu)化屬于復雜程度較高的混合優(yōu)化，其特征為約束較多、非線性且維度較高。此問題當中因為變量是非常多的，算法很容易就陷入到局部最優(yōu)解，所以算法優(yōu)化難點在于確保種群多樣性基礎(chǔ)上，算法可以依照自身收斂性展開參數(shù)調(diào)節(jié)，進而防止陷入到局部最優(yōu)。

2、以判斷因子為基礎(chǔ)的自適應(yīng)性粒子群算法

2.1簡化粒子群算法

基本PSO算法屬于通過鳥類覓食而得到的以群體智能為基礎(chǔ)的一種全局隨機性搜索算法。PSO算法初始化就是產(chǎn)生一些隨機粒子，N是總粒子數(shù)，搜索空間是D維，而第i粒子空間位置是Xi=（xi1，xi2……xiD），Vi=（vi1，Vi2……viD）是粒子i飛行速度，Pbesti=（pbesti1，pbesti2，……pbestiD）是D維空間中粒子i經(jīng)過的最優(yōu)部位，因此稱為個體最優(yōu)化位置。

本文當中將最小有功網(wǎng)損minf（D）作為目標函數(shù)，D維數(shù)就是補償電容、變壓器分接頭檔位與發(fā)電機端的電壓。其中粒子i當前的最優(yōu)位置公式是。

架設(shè)群體粒子數(shù)是N，而群體當中全部粒子經(jīng)過最佳位置gbest（t）就是全局最優(yōu)位置，這樣：

找出個體的最優(yōu)值與全局的最優(yōu)值之后，依照下式粒子對于自身的位置與速度進行更新

公式當中的ω是慣性權(quán)重，c1與c2是學習因子并都是正數(shù)，r1與r2?。?，1）。

基于基本PSO算法，提出了簡化PSO算法，而且通過數(shù)學角度來證明SPSO算法收斂性，收獲了優(yōu)良的優(yōu)化成效，此算法將粒子速度項舍掉。具體的數(shù)學表達式為：

2.2優(yōu)化簡化粒子群算法

（1）慣性權(quán)重優(yōu)化方法

慣性權(quán)重屬于SPSO算法當中的一項關(guān)鍵調(diào)整參數(shù)，能否有效選擇和SPSO算法的尋優(yōu)性優(yōu)劣有直接關(guān)系，對于慣性權(quán)重研究成果展開具體分析之后，此文采取以判斷因子為基礎(chǔ)的自適應(yīng)性慣性權(quán)重手段，數(shù)學表達式的描述為下：

此公式當中ωstart=0.9，ωend=0.4，ωnow是當前的迭代慣性權(quán)重，i是當前的迭代次數(shù)，Imax是最大的迭代次數(shù)，std是算法的當前迭代適應(yīng)標準差，mean是算法中當前的迭代適應(yīng)度均值。Ρ是判斷因子，對算法的收斂性參數(shù)進行判斷。

此慣性權(quán)重的調(diào)節(jié)方法和實際的優(yōu)化過程是符合的，通過上式能夠了解到當前的迭代收斂性會對下一次迭代之時慣性權(quán)重值造成影響，依照粒子的收斂性慣性權(quán)重能夠完成自適應(yīng)性調(diào)節(jié)，迭代早期粒子收斂性差，其適應(yīng)度的標準差較高，在迭代早期慣性權(quán)重比較高，進而確保算法早期能夠完成大規(guī)?？臻g中的粒子搜索，找到最適當粒子，進而讓算法全局搜索能力有效提升。優(yōu)化算法后期判斷因子降低，不斷縮減范圍，確保粒子處于較好空間完成精細化搜索，提升收斂的速度，強化算法局部的搜索水平。這樣不僅能夠確保算法全局的尋優(yōu)速度，而且可以確保粒子一直在合適空間范圍之中尋優(yōu)，進而有效防止陷入局部最優(yōu)。

（2）學習因子優(yōu)化方法

算法迭代早期粒子的最優(yōu)位置會很大程度受到個體的最優(yōu)位置影響，算法迭代后期粒子的最優(yōu)位置是通過粒子群最優(yōu)位置進行決定，對此展開展開研究分析之后，此文選用正弦函數(shù)變化學習因子，數(shù)學表達式具體是：

公式當中c1是認知學習因子，而c2是社會學習因子。

迭代初期的c1比較大c2比較小，粒子的自身思考會對新的位置產(chǎn)生很大影響，如此可以使算法展開大范圍搜尋。在迭代的后期c1比較小c2比較大，粒子會很大程度受到鄰居粒子影響，這樣粒子會更容易收斂到全局的最優(yōu)值。和常數(shù)項的學習因子比較，針對c1與c2展開分階段的調(diào)整更能滿足算法實際，并且維持兩者相對的獨立能夠提升算法尋優(yōu)水平。

2.3平均熵為基礎(chǔ)的初始化

此文采取一種以平均熵為基礎(chǔ)的群體初始化方法，這樣可以使初始化的種群均勻分布到搜索空間當中。假設(shè)D是各個體維數(shù)，而N是初始種群的個體數(shù)目，通過信息論熵知，其群體熵H是與各位編碼熵Hj（j=1，2…，D）總和相等的。

公式中的m指初始的個體數(shù)，k指的是新初始個體，Pik是第i個體和第k個體的第j維的編碼相似性，即為：

其中Aj與Bj是第j維的變量上下界。先是對三個個體進行隨機初始化視作初始種群，之后再隨機產(chǎn)生新的個體，依照種群平均熵的計算，如果結(jié)果超過了所設(shè)崗值，就把新的個體添加到初始的群體當中，最后指導獲取N個個體。

2.4 Logistic混沌算子

混沌變量的產(chǎn)生手段是很多的，此文所采取就是最具代表性的Logistic混沌系統(tǒng)。即為：

其中μ是指混沌系數(shù)，基于給定的參數(shù)，依靠上式展開從初始值迭代形成需要長度的Logistic序列，若是混沌系數(shù)出現(xiàn)變化，Logistic系統(tǒng)同樣會出現(xiàn)一些不同狀況。此過程之中，通常認為當μ取3.570的時候，系統(tǒng)就會進入到混沌狀態(tài)。

2.5對算法的描述

此文提出以判斷因子為基礎(chǔ)的自適應(yīng)性粒子群算法，能夠提升算法尋優(yōu)的精度，使收斂的速度提升。而為了敘述更為便捷，把此算法記為ASPSO算法，算法的流程圖用下圖表示。

結(jié)束語

與已有研究對比，此文在對粒子群算法簡化前提下針對慣性權(quán)重與學習因子展開優(yōu)化，提出判斷因子參數(shù)針對適應(yīng)值收斂程度展開實時性評估。采取平均熵初始化使種群多樣性更為豐富。最終在較好的適應(yīng)性粒子位置展開混沌映射?；谂潆娋W(wǎng)的經(jīng)濟穩(wěn)定運行基礎(chǔ)，進行系統(tǒng)的有功網(wǎng)改進，這對處理新能源配電網(wǎng)的無功優(yōu)化問題來說有著積極作用。

參考文獻：

[1]韓周，任勇豐.以分布型電源為基礎(chǔ)的微電網(wǎng)建模仿真[J].計算機仿真，2018，（5）：120-124.

[2]劉集鎮(zhèn)，大范圍新能源電力高效安全利用問題[J].中國電機工程學報，2018，（16）：1-8+25.

[3]牛還那.基于回路研究含分布型電源配電網(wǎng)的簡化潮流計算[J].電網(wǎng)技術(shù)，2018，（4）：1033-1038.

作者簡介：

林桂（1981-），男，瑤族，廣西桂林人，本科，工程師，主要從事配電網(wǎng)設(shè)計工作。

（作者單位：廣西大學設(shè)計研究院）