基于改進遺傳算法的含風電場電力系統(tǒng)無功優(yōu)化

李澎 彭敏放

摘? 要： 文中研究了目前分布式電源中發(fā)展最成熟的風電機組及其并網(wǎng)后對電力系統(tǒng)無功優(yōu)化和有功網(wǎng)損的影響。引用基于概率發(fā)生的風機功率場景選擇策略，考慮風電機組隨機出力的場景模型。在電力系統(tǒng)潮流計算中同時考慮風電機組的特點，構(gòu)造出含風電機組的電力系統(tǒng)無功優(yōu)化模型。該模型以網(wǎng)損期望值最小為目標函數(shù)，并考慮控制變量和狀態(tài)變量約束。在上述模型的基礎上，使用改進遺傳算法對含風電場的IEEE33節(jié)點系統(tǒng)進行無功優(yōu)化，并改進了隨著遺傳自適應的交叉率和變異率計算公式，與傳統(tǒng)遺傳算法相比，得到了更好的網(wǎng)損和電壓優(yōu)化結(jié)果。算例表明，改進算法和模型具有更好的計算性能，證明了其有效性。

關鍵詞： 電力系統(tǒng); 無功優(yōu)化; 網(wǎng)損期望; 風電機組; 場景分析; 改進遺傳算法

中圖分類號： TN915.853?34? ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）13?0167?05

Reactive optimization of improved genetic algorithm based power system with wind farm

LI Peng， PENG Minfang

（College of Electrical and Information Engineering， Hunan University， Changsha 410082， China）

Abstract： The most mature wind turbine generator in distributed generation （DG） and their effects on power system reactive optimization and active network loss after grid connection are studied. The selection strategy of fan power scenario based on probability is introduced. The scenario model of random output of wind turbine generator is taken into account. Meanwhile， the characteristics of wind turbine generator in power flow calculation of power system is taken into account to construct a reactive optimization model of power system with wind turbine. In the model， the minimum expected value of network loss are taken as the objective function， and the constraints of control variables and state variables are taken into account. On the basis of the above model， the improved genetic algorithm is used to perform reactive optimization of the IEEE33 node system with wind farm， and the calculation formula of crossover rate and mutation rate with genetic adaptation is improved.? Contrastive experiment verifies that the system with improved genetic algorithm obtains better network loss and voltage optimization results than those with the traditional genetic algorithm. The example shows that the improved algorithm and model have better computational performances and prove their effectiveness.

Keywords： power system; reactive power optimization; network loss expectation; wind power generator; scenario analysis; improved genetic algorithm

0? 引? 言

電力系統(tǒng)無功優(yōu)化是指當系統(tǒng)的參數(shù)及負荷情況已知時，在滿足約束條件的情況下，通過對控制變量的調(diào)整及優(yōu)化，使得電力系統(tǒng)的某一個或多個指標達到最優(yōu)的無功調(diào)節(jié)方法[1]。在無功優(yōu)化變量中，發(fā)電機無功出力是連續(xù)變量，變壓器分接頭的位置和無功補償裝置的投切量均是離散變量，并且系統(tǒng)潮流方程是非線性的，由此可見無功優(yōu)化是一個復雜的非線性混合規(guī)劃優(yōu)化問題[2?4]。

近年來風電得到了與常規(guī)發(fā)電競爭的能力[5]，風電機組并網(wǎng)后的種種問題也獲得了國內(nèi)研究專家的重視。文獻[6]將風電場僅作為一個PQ模型參與無功優(yōu)化，沒有考慮風電的隨機性問題。文獻[7]在風速預測曲線基礎上考慮風速變化對無功的影響，由于誤差大而無法適應風電快速變化的特點。目前，國內(nèi)傳統(tǒng)的電力系統(tǒng)無功優(yōu)化方法不能較好地適應分布式風電并網(wǎng)的情況，這是由于分布式風電接入時有功出力隨機性很大，相鄰風電場之間也存在較大的相關性，不方便進行統(tǒng)一的控制和管理，這給傳統(tǒng)電力系統(tǒng)無功優(yōu)化帶來了很大的挑戰(zhàn)與許多不可控因素[8]。

本文主要研究風電機組并網(wǎng)后電力系統(tǒng)無功優(yōu)化問題。風機出力隨著風速的變化而變化，多風情況下獲得的最優(yōu)方案在少風情況下并不一定適用，甚至會造成負優(yōu)化的嚴重后果。根據(jù)實際風速和風機出力之間的關系，利用Weibull分布擬合了風速曲線模型[9]，并且依據(jù)該曲線劃分多種場景，每種場景分別對應一種風機的輸出情況，由此建立改進的無功優(yōu)化模型[10]，相應地，對遺傳算法進行改進，考慮計算更穩(wěn)定、計算效率更高的根據(jù)遺傳代數(shù)自適應變化的交叉率和變異率計算公式[11?12]，并在IEEE 33節(jié)點系統(tǒng)上進行仿真分析，通過和多種方案以及傳統(tǒng)算法的對比，證明所提方法的可行性。

1? 風電場場景分析法

1.1? 場景的評估方法

場景分析法的優(yōu)勢在于將實際情況中難以建模的不確定性問題轉(zhuǎn)化為已經(jīng)確定概率的場景問題，大大降低了復雜問題建模和求解的難度[13?14]。應用場景分析法最重要的一點在于如何依據(jù)實際情況劃分場景。本文主要研究風電機并網(wǎng)后的電力系統(tǒng)無功優(yōu)化，所以僅考慮風電機組輸出功率的影響。

劃分場景后關鍵在于如何確定各個場景發(fā)生的概率、優(yōu)化效果以及何種組合的優(yōu)化會達到最優(yōu)。利用概率密度函數(shù)分別計算每個場景發(fā)生的概率，然后計算出各個場景對應的目標函數(shù)期望值，通過分析對比期望值大小得到最優(yōu)優(yōu)化方案。設[Qi]為第[i]個場景的優(yōu)化目標，其目標函數(shù)值為[F（Qi）]，那么以期望值來評估優(yōu)化效果的方法就可以表示為：

式中：[n]為劃分的場景總數(shù);[Pi]為第[i]個場景發(fā)生的概率;[E[F（Qi）]]為在第[i]個場景進行優(yōu)化的目標函數(shù)期望值。這樣，所求的最優(yōu)化問題就變成了求上述期望值的最大值或者最小值。

1.2? 風電場景劃分方法

風機輸出功率與風速的關系即風電機組功率特性曲線如圖1所示。根據(jù)風電機組特性曲線，可以得到風電機組風速和功率的關系為：

式中：[v0]為風電機組切入風速;[vn]為風電機組額定風速;[vm]為風電機組切出風速;[f（v）]為風速和功率的函數(shù)關系式。

用于擬合風速分布曲線的模型很多，常用的包括Weibull分布、瑞利分布等。但是目前一般認為風速服從于含兩參數(shù)的Weibull分布，其分布函數(shù)為：

可得其概率密度函數(shù)為：

式中：[c]和[k]分別為Weibull分布的尺度參數(shù)和形狀參數(shù)，[c]反映風電場的平均風速;[V]為給定的風電場風速，單位為m/s。在已知Weibull分布尺度參數(shù)[c]和形狀參數(shù)[k]的情況下，根據(jù)風速和功率的關系式（2）可以將風機輸出功率依次劃分為三種不同的場景：場景1（零輸出場景）、場景2（欠輸出場景）、場景3（額定輸出場景），通過式（4），求得三種場景發(fā)生的概率分別為：

1.3? 無功優(yōu)化網(wǎng)損指標

經(jīng)過以上分析，為了能夠準確地評估風電機組輸出功率的不確定性對電力系統(tǒng)無功優(yōu)化的影響，本文考慮了一種基于概率場景發(fā)生的無功優(yōu)化網(wǎng)損指標。設該指標為[θ]，那么可以得出：

式中：[Pk]為第[k]個場景發(fā)生的概率;[Pkl]為第[k]個場景發(fā)生的情況下電力系統(tǒng)網(wǎng)損值。

2? 含風電場的電力系統(tǒng)無功優(yōu)化模型

2.1? 目標函數(shù)

該模型以基于概率發(fā)生場景的電力系統(tǒng)無功優(yōu)化網(wǎng)損指標為目標函數(shù)：

2.2? 約束條件

電力系統(tǒng)無功優(yōu)化的約束條件主要包括等式約束和不等式約束，等式約束主要是潮流方程的約束：

式中：[PGi]為注入節(jié)點[i]的有功功率;[PDi]為節(jié)點[i]的負荷有功功率;[Vi]和[Vj]分別為節(jié)點[i]和節(jié)點[j]的電壓;[Gij]和[Bij]分別為節(jié)點[i]和[j]之間的電導和電納;[δ]為節(jié)點[i]和[j]之間的電壓相角;[QGi]為注入節(jié)點[i]的有功功率;[QDi]為節(jié)點[i]的負荷有功功率;[Ni]為與節(jié)點[i]相連接的節(jié)點數(shù)。

不等式約束主要包括控制變量和狀態(tài)變量的上下限值約束。

式中：[VGmax]和[VGmin]分別為發(fā)電機機端電壓的上下限值;[Tmax]和[Tmin]分別為有載調(diào)壓變壓器分接頭位置的上下限值;[QCmax]和[QCmin]分別為可投切電容器無功補償量的上下限值;[VLmax]和[VLmin]分別為負荷節(jié)點電壓的上下限值;[QGmax]和[QGmin]分別為發(fā)電機無功功率的上下限值。

2.3? 狀態(tài)變量越限與罰函數(shù)

在電力系統(tǒng)實際的運行中，包括發(fā)電機無功功率和負荷節(jié)點電壓在內(nèi)的狀態(tài)變量必須滿足約束條件，不能超出限值。因此，當狀態(tài)變量出現(xiàn)越限情況時采用罰函數(shù)處理，那么目標函數(shù)變?yōu)椋?/p>

式中：[λ1]和[λ2]分別為兩個狀態(tài)變量越限的罰函數(shù)因子;[n1]為負荷節(jié)點電壓越限的節(jié)點數(shù);[n2]為發(fā)電機無功功率越限的節(jié)點數(shù)。針對越限情況，[ΔVL]和[ΔQG]可分別表示為：

2.4? 含風電機組的潮流計算

由于傳統(tǒng)的電力系統(tǒng)無功優(yōu)化中沒有考慮類似于風電機組并網(wǎng)的分布式電源這類發(fā)電節(jié)點，并且當前潮流計算方法眾多，例如，有PQ分解法、高斯賽德爾法、牛頓法等。由于牛頓法能夠有效地處理多種類型的節(jié)點，并且綜合風電機組的各種特點，所以本文選擇牛頓法對IEEE 33節(jié)點系統(tǒng)進行潮流計算。

一般風電場常采用結(jié)構(gòu)較為簡單的異步風力發(fā)電機，而異步發(fā)電機在運行的過程中需要從電力系統(tǒng)吸收無功，吸收量的大小取決于異步發(fā)電機組輸出的有功功率以及其機端電壓的大小，所以在牛頓法中只要修改雅可比矩陣中的[Ui?ΔQi?Ui]元素，其他元素均保持不變。那么在潮流計算中，可以將風電機組作為系統(tǒng)的PV節(jié)點或者是電壓靜態(tài)特性節(jié)點處理。如果風電場采用雙饋風力發(fā)電機，由于雙饋風力發(fā)電機組的定子側(cè)吸收或發(fā)出無功功率可以調(diào)節(jié)，因此，雙饋風力發(fā)電機組在牛頓法的潮流計算中可以作為PQ或者PV節(jié)點處理。

3? 基于改進遺傳算法的無功優(yōu)化

本文無功優(yōu)化模型的控制變量中變壓器分接頭和可投切電容器組數(shù)在實際運用中是離散變量，而發(fā)電機機端電壓是連續(xù)變量。近年部分研究人員將這三者都統(tǒng)一簡化為離散變量進行優(yōu)化，這種處理雖然簡單方便，但是結(jié)果會有誤差，而遺傳算法恰好在處理整數(shù)變量并進行迭代時具有優(yōu)勢，所以本文在傳統(tǒng)遺傳算法的基礎上進行了以下改進。

1） 編碼?？紤]控制變量的計算速度和精度，本文發(fā)電機機端電壓連續(xù)變量部分采用浮點編碼，有載調(diào)壓變壓器分接頭位置和可投切電容器組數(shù)的離散變量部分采用整數(shù)編碼，采用和傳統(tǒng)遺傳算法的單一編碼方式不同的混合編碼方式：[[VG1 VG2…VGaT1 T2…Tb QC1 QC2…QCc]]。其中：[VGi]為第[i]臺發(fā)電機機端電壓值;[Tj]為第[j]臺有載調(diào)壓變壓器分接頭的位置;[QCk]為第[k]個可投切電容器投運組數(shù);[a]，[b]，[c]分別為發(fā)電機、變壓器和電容器組的數(shù)量。

2） 適應度函數(shù)。目前傳統(tǒng)遺傳算法的適應度函數(shù)即[F=1F]，此公式可以體現(xiàn)遺傳算法每代最優(yōu)個體的適應度值，但是不能直觀表現(xiàn)整個種群。為了增強整個種群的對比性，綜合考慮種群初始個體和最優(yōu)個體，本文對適應度函數(shù)進行了改進，對應的網(wǎng)損期望值[θ]越小，目標函數(shù)值就越小，適應度函數(shù)的值就會越大，優(yōu)化效果越好：

式中：[Fi]為種群中第[i]個個體的目標函數(shù)值即網(wǎng)損期望指標;[Fmax]和[Fmin]分別為第[i]個個體所在整個種群中目標函數(shù)的初始值和最優(yōu)值;[γ]為一個防止式（14）分母為0的變量。

3） 遺傳操作。以輪盤賭法作為選擇算子，并且通過最優(yōu)個體保留法將每次遺傳的最優(yōu)個體直接復制到下一代中。同時，為了更好保護個體性狀和適應度的遺傳，采用單點交叉和位點變異分別作為交叉算子和變異算子。在傳統(tǒng)遺傳算法中交叉率和變異率是一個固定值，不利于算法探索未知解域。本文在前人使用的自適應交叉變異率的基礎上，將其改進為式（15）計算效率更高并且更穩(wěn)定的形式，更好地防止算法陷入局部收斂：

式中，[Pc]和[Pm]分別為自適應的交叉率和變異率;[Pc1]和[Pc2]分別為最小和最大交叉率;[Pm2]為最大變異率;[fc]為要交叉的兩個個體中適應度值較大個體的適應度值;[fm]為要進行變異的個體的適應度值;[fmax]為群體中最大適應度值;[favg]為整個群體的平均適應度值。

4） 改進遺傳算法流程。采用自適應遺傳交叉變異率的改進遺傳算法求解含風電機組的無功優(yōu)化流程，如圖2所示。

4? 算例分析

為了驗證算法及模型的可行性，對IEEE 33節(jié)點系統(tǒng)進行無功優(yōu)化試驗。本系統(tǒng)負荷總有功功率為3 715 kW，總無功功率為2 300 kvar。在系統(tǒng)節(jié)點0和1之間加入1臺有載調(diào)壓變壓器（包含5個分接頭，可調(diào)電壓范圍為0.95～1.05）。在節(jié)點5和節(jié)點27處安裝可投切電容器組，單組電容器容量為50 kvar，最大可投切組數(shù)為10組。在電容器組投入運行和有載調(diào)壓變壓器分接頭在額定位置不進行變化前，該系統(tǒng)的有功網(wǎng)損值為150 kW。在系統(tǒng)節(jié)點18處接入1臺采用異步發(fā)電機的風電機組，額定容量為600 kW，機端額定電壓為690 V，切入風速為3 m/s，額定風速為12 m/s，切出風速為25 m/s，尺度參數(shù)[c]為8.5，形狀參數(shù)[k]為2.0。

本次試驗將風電機組并網(wǎng)情況劃分為三個場景，由以上參數(shù)并通過式（5）～式（7）計算得到各場景發(fā)生概率和風電輸出功率如表1所示，風機輸出功率期望值為0.339 MW。改進遺傳算法參數(shù)分別設置如下：種群規(guī)模為50，最大迭代次數(shù)為50，最大交叉率[Pc2]為0.75，最小交叉率[Pc1]為0.5，最大變異率[Pm2]為0.1。

表2所示是本次優(yōu)化中，對應的零輸出場景、欠輸出場景、額定輸出場景的無功優(yōu)化最優(yōu)方案。其中，[T]表示有載調(diào)壓變壓器分接頭的位置，[Q]表示在節(jié)點5和節(jié)點27處投入運行的電容器組的數(shù)量（最大組數(shù)為10組）。

表3是最終無功優(yōu)化結(jié)果的比較，即在表2給出的三種無功優(yōu)化方案基礎上，在三種場景里分別求得的系統(tǒng)有功網(wǎng)損值和網(wǎng)損期望值（單位均為kW）。由表3可知，風機在額定輸出情況下并網(wǎng)的有功網(wǎng)損值和網(wǎng)損期望值比另外兩種情況小。

由表3可知，可以發(fā)現(xiàn)方案X的優(yōu)化效果最好。通過此次優(yōu)化，可以基于方案X在額定輸出場景的情況下得出傳統(tǒng)遺傳算法含風機和不含風機的數(shù)據(jù)比較，以及含風電機組情況下傳統(tǒng)遺傳算法和改進遺傳算法無功優(yōu)化結(jié)果比較，如表4所示。

圖3是在表4的基礎上，為了能更好對比傳統(tǒng)遺傳算法和本文改進遺傳算法之間的優(yōu)劣，將三種情況下的算法運行30次后得出的收斂曲線。圖4是節(jié)點電壓優(yōu)化前和優(yōu)化后的對比圖，可見優(yōu)化后節(jié)點電壓水平更穩(wěn)定。

從以上結(jié)果可以得知：在額定輸出情況下的有功網(wǎng)損和網(wǎng)損期望值比零輸出和欠輸出情況下的值更小，說明系統(tǒng)在風電機組額定運行時更有利于減小網(wǎng)損，主要是由于風電機組并入電力系統(tǒng)后在一定程度上減少了系統(tǒng)有功的流動，同時，風電機從系統(tǒng)吸收無功所造成的不利影響在無功優(yōu)化中通過無功的補償?shù)窒?。并且由?和圖3可知，同樣是含風電機的無功優(yōu)化，改進過后的遺傳算法計算速度、對系統(tǒng)網(wǎng)損的優(yōu)化程度等方面明顯優(yōu)于傳統(tǒng)的遺傳算法，說明本文對遺傳算法所做出的改進是有效的。

本文在風電場多臺機組并網(wǎng)的情況下也做了研究，對該系統(tǒng)的其他節(jié)點接入了與本文同樣參數(shù)的風電機并進行仿真。一般情況下，在同一地區(qū)的同參數(shù)風機特性曲線是相同的，所以當多臺風機加入電力系統(tǒng)時同樣采取本文的經(jīng)典場景劃分方法和改進遺傳算法進行分析計算，得到的結(jié)果和1臺風機的情況基本相似。

5? 結(jié)? 論

分析含風電場的無功優(yōu)化問題，針對風電機組的特性曲線，本文考慮了一種基于概率發(fā)生的場景分析方法，由此引出以網(wǎng)損期望值最小為目標函數(shù)。在場景分析法的基礎上改進了風機并網(wǎng)的電力系統(tǒng)無功優(yōu)化模型，并優(yōu)化了含風電場的電力系統(tǒng)潮流計算方法。算例使用遺傳算法并優(yōu)化了適應度值計算方法，增加了整個種群的對比性，考慮了更為穩(wěn)定可靠的自適應交叉率和變異率計算公式，提高了計算效率。本文所使用的無功優(yōu)化模型和方法同樣適用于其他分布式電源，諸如光伏發(fā)電等并網(wǎng)的情況，具有一定的參考價值。

參考文獻

[1] 余路.基于改進遺傳算法的配網(wǎng)無功優(yōu)化[J].現(xiàn)代電子技術，2016，39（22）：18?21.

[2] 陳海焱，陳金富，段獻忠.含風電機組的配網(wǎng)無功優(yōu)化[J].中國電機工程學報，2008，28（7）：40?45.

[3] 季玉琦，耿光飛，溫渤嬰，等.基于最優(yōu)分割法的含DG配電網(wǎng)動態(tài)無功優(yōu)化[J].電網(wǎng)技術，2017，41（8）：2585?2592.

[4] 林少華，吳杰康，莫超，等.基于二階錐規(guī)劃的含分布式電源配電網(wǎng)動態(tài)無功分區(qū)與優(yōu)化方法[J].電網(wǎng)技術，2018，42（1）：238?246.

[5] DECARAJ D， ROSRLYN J P. Genetic algorithm based reactive power dispatch for voltage stability improvement [J]. International journal of electrical power & energy systems， 2010， 32（10）： 1151?1156.

[6] 魏希文，邱曉燕，李興源，等.含風電場的電網(wǎng)多目標無功優(yōu)化[J].電力系統(tǒng)保護與控制，2010，38（17）：107?111.

[7] 趙晶晶，符楊，李東東.考慮雙饋電機風電場無功調(diào)節(jié)能力的配電網(wǎng)無功優(yōu)化[J].電力系統(tǒng)自動化，2011，35（11）：33?38.

[8] 丁明，吳義純，張立軍.風電場風速概率分布參數(shù)計算方法的研究[J].中國電機工程學報，2005，25（10）：107?110.

[9] 梁俊文，林舜江，劉明波.主動配電網(wǎng)分布式無功優(yōu)化控制方法[J].電網(wǎng)技術，2018，42（1）：230?237.

[10] 張麗，徐玉琴，王增平，等.包含分布式電源的配電網(wǎng)無功優(yōu)化[J].電工技術學報，2011，26（3）：168?174.

[11] SHENG Wanxing， LIU Keyan， CHENG Sheng. Optimal power flow algorithm and analysis in distribution system considering distributed generation [J]. IET generation transmission & distribution， 2014， 8（2）： 261?272.

[12] GAO Hongjun， LIU Junyong， WANG Lingfeng. Robust coordinated optimization of active and reactive power in active distribution systems [J]. IEEE transactions on smart grid， 2018， 9（5）： 4436?4447.

[13] 趙亮，呂劍虹.基于改進遺傳算法的風電場多目標無功優(yōu)化[J].電力自動化設備，2010，30（10）：84?88.

[14] AZZAM M， MOUSA A A. Using genetic algorithm and TOPSIS technique for multi objective reactive power compensation [J]. Electric power systems research， 2010， 80（6）： 675?681.

[15] 陳繼明，祁麗志，孫名妤，等.多場景下含風電機組的配電網(wǎng)無功優(yōu)化的研究[J].電力系統(tǒng)保護與控制，2016，44（9）：129?134.

[16] 汪文達，崔雪，馬興，等.考慮多個風電機組接入配電網(wǎng)的多目標無功優(yōu)化[J].電網(wǎng)技術，2015，39（7）：1860?1865.