基于自適應慣性權重混沌粒子群算法的多機系統(tǒng)低頻減載整定算法

錢敏慧, 居蓉蓉,2, 姜達軍, 趙大偉,2, 劉艷章, 葉榮波

〔1.新能源與儲能運行控制國家重點實驗室(中國電力科學研究院有限公司)，江蘇 南京210003； 2.江蘇省儲能變流及應用工程技術研究中心(中國電力科學研究院有限公司)，江蘇 南京210003〕

0 引 言

低頻減載作為保障電力系統(tǒng)穩(wěn)定運行的最后一道防線，在實際系統(tǒng)中獲得了高度重視和廣泛應用[1-2]。為不斷改進低頻減載方案的性能[3]，將計算機輔助的智能優(yōu)化算法與低頻減載算法結合已經成為研究熱點。文獻[4]通過引入單位負荷切除因子提出了一種低頻減載綜合代價最優(yōu)模型，模型采用層次分析法計算單位負荷切除因子的大小，并利用粒子群優(yōu)化算法求解該多約束優(yōu)化問題。文獻[5]提出了一種考慮潮流轉移對系統(tǒng)影響的低頻減載方案優(yōu)化方法，并采用帶精英策略的快速非支配排序遺傳算法求解。

粒子群優(yōu)化算法(particle swarm optimization, PSO)是通過群體中個體之間的協作和信息共享尋找最優(yōu)解的一種計算進化技術，其缺點為在多峰問題的研究中極易陷入局部解，全局搜索能力較差[6]。自適應慣性權重混沌粒子群算法(adaptive inertia weight chaos particle swarm optimization,AWCPSO)由于在進行粒子初始化的過程中采用了混沌算法，并在優(yōu)化過程中自適應調整慣性權重，困此便于尋找到全局最優(yōu)解[7-8]。

本文提出一種基于自適應慣性權重混沌粒子群算法的低頻減載優(yōu)化整定算法，按照給定系統(tǒng)頻率建立約束條件，以最大程度減少系統(tǒng)低頻減載總切負荷量為目標，針對一個多變量、多約束條件的非線性規(guī)劃問題進行求解，以選取最優(yōu)參數。

1 多機系統(tǒng)低頻減載整定計算表達式

設系統(tǒng)中共有N個負荷節(jié)點上裝有低頻減載設備。設系統(tǒng)發(fā)生故障后首個低頻減載設備切除負荷的時刻為t1，低頻減載裝置全部動作完畢的時刻為ttotal。系統(tǒng)在0≤t≤t1時間段內發(fā)生故障，在t1≤t≤ttotal時間段內完成切負荷動作。對每一部分暫態(tài)過程采用式(1)所示方程表示。

(1)

0=φ(x,y,u)

(2)

式中：f=[f1,f2, …,fl]T為l維向量值函數；φ=[φ11，φ12, …,φm1,φm2]T為2m維向量值函數；x為系統(tǒng)中各負荷節(jié)點及發(fā)電機組的狀態(tài)變量組成的向量；y為代數變量組成的向量且y∈R2m；u為控制變量。

1.1 控制變量

控制變量u如式(3)所示。

u=[P1,P2, …,PN]

(3)

1.2 目標函數

算法目標為盡可能減少系統(tǒng)低頻減載總切負荷量，如式(4)所示。

(4)

式中:J(u)為優(yōu)化問題的目標函數。

1.3 約束函數

為選取最優(yōu)參數需要考慮系統(tǒng)的靜態(tài)約束及暫態(tài)約束。不等式約束如式(5)所示。

(5)

2 基于自適應慣性權重的混沌粒子群算法

2.1 標準粒子群算法

假設在D維空間中有K個粒子形成的鳥群，其中第i個粒子在各個維度的位置為一個D維向量Xi=(xi1, …,xid, …,xiD)，此粒子的速度也為一個D維向量Vi=(vi1, …,vid, …,viD)，則當迭代到第t+1代時，粒子第d維子空間的速度與位置如式(6)、式(7)所示。

vid(t+1)=wvid(t)+c1rand1[qid(t)-xid(t)]+c2rand2[qgd(t)-xid(t)]

(6)

xid(t+1)=xid(t)+vid(t+1)

(7)

式中：qid(t)、qgd(t)分別為第t代全局最優(yōu)解和粒子i的歷史最優(yōu)解；w為慣性權重；c1、c2為學習因子，表示每組控制變量追尋兩個最好極值的加速系數。在迭代的過程中，每個粒子都會通過跟蹤兩個最優(yōu)解來更新自己的位置。然而由于標準粒子群算法存在搜索多樣性較低、容易陷入局部最優(yōu)等問題，因此本文采用基于自適應慣性權重的混沌粒子群算法解決上述問題。

2.2 混沌算法初始化系統(tǒng)變量

采用混沌序列便能按自身規(guī)律遍歷所有狀態(tài)，因此本文采用立方映射作為混沌序列，如式(8)所示。

(8)

式中：y(k)為第k個粒子的位置。對于D維空間K個粒子的映射方法如下：首先初始化第一個粒子的位置取值并使其在-1與1之間，隨后將此位置值代入立方映射公式中，進行K-1次迭代，最終得到所有粒子初始解。

2.3 自適應調節(jié)慣性權重

考慮到慣性權重在每一次迭代均不變的處理方式過于簡單，因此本文引入了慣性權重自適應變化，粒子的慣性權重將隨粒子適應值自動調整，如式(9)所示。

(9)

式中：wmin、wmax分別為慣性權重的最小值和最大值，在本文取值0.4與0.9;r1、rav、rmin分別為當代粒子適應度、當代平均適應度和當代最小適應度。

3 基于自適應慣性權重的混沌粒子群算法的多機系統(tǒng)低頻減載整定算法

3.1 目標函數

針對1.2、1.3小節(jié)所述的目標函數與約束條件，本文采用罰函數法將約束優(yōu)化問題轉化為無約束優(yōu)化問題，因此基于自適應慣性權重的混沌粒子群算法的目標函數如式(10)所示。

(10)

式中：J(x)為此優(yōu)化問題的目標函數，A、B、C為約束權值。顯然，式(10)包含了1.2及1.3小節(jié)所述的目標函數與幾類約束條件，將式(10)作為目標函數，在粒子群算法中便不需要額外考慮約束條件的限制。

3.2 參數設置

在粒子群算法中，需要調節(jié)的參數不多，本文將不同參數進行調整、比較，最終確定如下參數，所得結果較好。

(1)在自適應慣性中，wmin和wmax分別取0.4和0.9。

(2)學習因子c1、c2代表每一代粒子向個體最優(yōu)和全局最優(yōu)的飛行速度，本文均取1.5。

(3)高種群規(guī)模能夠帶來更高的精度和穩(wěn)定性，但運行時間會有所增加，本文種群規(guī)模取100。

3.3 進化狀態(tài)評估

根據粒子分布情況能夠判斷出目前系統(tǒng)的進化狀態(tài)，具體步驟如下：

(1)計算粒子群中所有粒子到其他粒子的平均距離，如式(11)所示。

(11)

式中:K為粒子群中所含粒子總數；D為描述粒子位置的維數。

(2)將距離其他粒子距離最小的粒子計作全局最優(yōu)粒子dopt，設此粒子的所有距離中最大值為dmax、最小值為dmin，進化因子計為α，如式(12)所示。

(12)

根據進化因子α的值，能夠判斷算法的進化狀態(tài)。

3.4 算法流程

基于自適應混沌粒子群算法的多機系統(tǒng)低頻減載整定算法流程如圖1所示。

4 仿真算例

采用所提的基于自適應混沌粒子群算法的多機系統(tǒng)低頻減載整定算法對新英格蘭10機39節(jié)點標準系統(tǒng)一臺發(fā)電機故障及三臺發(fā)電機故障的情況進行分析。

4.1 單臺發(fā)電機故障

算例采用新英格蘭10機39節(jié)點標準系統(tǒng)數據，包含了10臺發(fā)電機、39個節(jié)點、12個變壓器及34條線路，其接線圖如圖2所示。

假設在0.5 s時，此系統(tǒng)的九號發(fā)電機發(fā)生故障，丟失有功830 MW。首先依照傳統(tǒng)算法，假定系統(tǒng)負荷調節(jié)效應系數Kpf為1.5，計算出各裝置點切負荷量，如表1所示。

計算可得，在頻率下降至48.5 Hz后，裝置一至四級依次減載，動作時間為0.72 s、1.03 s、1.42 s、2.62 s。采用自適應慣性權重的混沌粒子群算法進行獨立的20次運算，取最優(yōu)的一次運算結果與傳統(tǒng)方法對比，計算出各裝置點切負荷量如表2所示。

傳統(tǒng)粒子群算法與基于自適應慣性權重混沌粒子群算法的系統(tǒng)頻率恢復曲線如圖3所示。因此基于自適應混沌粒子群算法與傳統(tǒng)粒子群算法相比總切負荷量較小，且系統(tǒng)頻率恢復曲線更優(yōu)。

4.2 三臺發(fā)電機故障

假設在0.5 s時，此系統(tǒng)的一號、七號、八號發(fā)電機同時發(fā)生故障，丟失有功1 350 MW。首先依舊假定系統(tǒng)負荷調節(jié)效應因數Kpf為1.75，根據傳統(tǒng)算法計算出各裝置點切負荷量如表3所示。

表3 傳統(tǒng)算法切負荷明細表

與算例1類似，在頻率下降至48.5 Hz后，裝置一到五級開始減載，動作時間為0.82 s、1.17 s、1.45 s、2.68 s、3.22 s，此外在21.89 s時特殊一級、二級開始減載。

同樣，采用自適應慣性權重的混沌粒子群算法進行獨立的20次運算，取最優(yōu)的一次運算結果與傳統(tǒng)方法對比，計算出各裝置點切負荷量如表4所示。

表4 改進粒子群算法切負荷明細表

由表3、表4可知，兩種算法相比改進粒子群算法的總切負荷量依然較小。此外，改進粒子群算法能使系統(tǒng)頻率恢復得更快，兩種算法的頻率恢復曲線如圖4所示。

綜上所述，根據傳統(tǒng)算法與自適應慣性權重混沌粒子群算法所求結果，可知改進的粒子群算法切除系統(tǒng)的總負荷量比傳統(tǒng)粒子群算法少。由圖3、圖4可知，自適應慣性權重混沌粒子群算法能使系統(tǒng)頻率恢復得更快。

5 結束語

本文采用自適應慣性權重混沌粒子群算法進行多機系統(tǒng)低頻減載的整定計算，相比傳統(tǒng)粒子群算法，自適應慣性權重混沌粒子群算法能夠有效降低系統(tǒng)切負荷的總量，且系統(tǒng)頻率恢復時間較短。算例結果驗證了此算法的有效性。

隨著新能源在國內外的大規(guī)模快速發(fā)展[9-10]、交直流電網復雜程度的增加以及多類型新負荷的涌現，電力系統(tǒng)的安全穩(wěn)定不斷受到新的威脅[11]，低頻減載作為電力系統(tǒng)第三道防線的重要技術手段，需要不斷探索含高比例新能源的電力系統(tǒng)低頻減載策略，特別是策略的適應范圍[12]，這是本文下一步的研究方向。