一种基于改进鲸鱼算法的配电网无功优化方法技术

本发明专利技术公开了一种基于改进鲸鱼算法的配电网无功优化方法，包括：以有功网损和电压越界惩罚最小为目标函数，计及风电机组和无功补偿装置SVG的约束条件建立配电网无功优化模型；对各个节点的负荷进行处理，乘以一个负荷变化系数，作为处理后的电力负荷数据；依据处理后的电力负荷数据，获取配电网系统的潮流计算结果；基于改进鲸鱼算法对含风电机组和SVG的配电网进行无功优化，得到风电机组和SVG的无功出力。本发明专利技术通过建立配电网无功优化模型，引入非线性时变因子、随机学习策略和柯西变异策略提升鲸鱼算法的收敛速度和计算精度，得到含风电机组和SVG的IEEE33节点系统无功优化策略，合理协调风电机组和SVG的无功出力，降低系统网损，提升系统运行的经济效益。提升系统运行的经济效益。提升系统运行的经济效益。

【技术实现步骤摘要】
一种基于改进鲸鱼算法的配电网无功优化方法


[0001]本专利技术涉及一种基于改进鲸鱼算法的配电网无功优化方法，属于无功优化领域。

技术介绍

[0002]随着风电并网规模的不断扩大，风电并网系统的电压无功问题愈发突出，维持系统无功平衡是保持电力系统稳定经济运行的重要手段。风电机组自身有一定的无功支撑能力，接入系统后与无功补偿装置缺乏统一协调，无功能力得不到充分利用，系统运行经济性较差。
[0003]传统鲸鱼算法易陷入局部最优且全局搜索能力弱，导致算法存在收敛速度慢，计算精度低的问题。

技术实现思路

[0004]本专利技术提供了一种基于改进鲸鱼算法的配电网无功优化方法，以用于对配电网系统的无功出力进行优化。
[0005]本专利技术的技术方案是：一种基于改进鲸鱼算法的配电网无功优化方法，包括：
[0006]以有功网损和电压越界惩罚最小为目标函数，计及风电机组和无功补偿装置SVG的约束条件建立配电网无功优化模型；
[0007]对各个节点的负荷进行处理，乘以一个负荷变化系数，作为处理后的电力负荷数据；依据处理后的电力负荷数据，获取配电网系统的潮流计算结果；
[0008]基于改进鲸鱼算法对含风电机组和SVG的配电网进行无功优化，得到风电机组和SVG的无功出力。
[0009]所建立配电网无功优化模型，具体为：
[0010]有功网损P
loss
：
[0011][0012]电压越限惩罚Δf：
[0013][0014]综上，配电网无功优化模型的综合目标函数F为：
[0015]minF＝Δf+P
loss
[0016]式中：i、j为节点编号；n为配电网系统总节点数；G
ij
为支路ij的电导；U
i
、U
j
为节点i、j的电压幅值；δ
i
、δ
j
为节点电压的相角；λ为惩罚系数；U为基准电压。
[0017]所述约束条件包括等式约束、不等式约束。
[0018]所述等式约束：
[0019][0020]式中：P
Gi
、P
Di
分别为节点i注入的有功功率和负荷有功功率；Q
Gi
、Q
Di
分别为节点i注入的无功功率和负荷无功功率；P
W
、Q
W
分别为安装的双馈风电机组注入的有功功率和无功功率；G
ij
为支路ij的电导；U
i
、U
j
为节点i、j的电压幅值；Q
S
为无功补偿装置SVG注入的无功功率；B
ij
为支路ij的电纳；δ
ij
为节点i、j之间的电压相角差；
[0021]所述不等式约束：
[0022][0023]式中：U
i,max
、U
i,min
分别为节点i电压的上下限；Q
S,max
、Q
S,min
分别为无功补偿装置SVG的无功出力上下限；Q
W,max
、Q
W,min
分别为双馈风电机组的无功出力上下限。
[0024]依据传统鲸鱼算法，引入非线性时变因子、自适应权值策略、随机学习策略和柯西变异策略，获得改进鲸鱼算法。
[0025]依据引入的非线性时变因子、自适应权值策略、随机学习策略和柯西变异策略进行位置更新，具体公式为：
[0026]x(t+1)＝x
rand
(t)
×
ω(t)
‑
A
×
D
rand
,p<0.5,|A|>1
[0027]x(t+1)＝x
new
(t)
×
ω(t)
‑
A
×
D1,p<0.5,|A|≤1
[0028]x(t+1)＝D2e
bl cos(2πl)+x
new
(t)
×
(1
‑
ω(t)),p≥0.5
[0029]A＝2ar
‑
a,r∈rand[0,1][0030]式中：x(t+1)为鲸鱼更新后的位置，x
rand
(t)为鲸鱼任意位置，ω(t)为自适应权值，A是调节算法全局勘测和局部寻优的重要参数；D
rand
＝|c
·
x
rand
(t)
‑
x
new1
(t)|，c＝2r，r为0到1之间的随机数，x(t)为鲸鱼当前位置，x
new1
(t)为经过随机性学习策略后的最优个体；p为随机概率；x
new
(t)为当前最优个体/当前最优个体经柯西变异后的新值；D1＝|c
·
x
*
(t)
‑
x(t)|，x
*
(t)为当前最优个体，D2＝|x
*
(t)
‑
x(t)|，b＝1为常量系数，l为
‑
1到1之间的随机数；a表示非线性时变因子。
[0031]引入非线性时变因子为：
[0032][0033]式中：a表示非线性时变因子，t为当前迭代次数，T为最大迭代次数。
[0034]引入自适应权值策略为：
[0035][0036]式中：ω(t)表示自适应权值；t为当前迭代次数，T为最大迭代次数。
[0037]若迭代多次，个体的最优适应度值均相同，则对个体进行柯西变异，柯西变异策略对当前最优个体的位置更新公式如下：
[0038]x
new
(t)＝x
*
(t)
×
(1+cauchy(0,1))
[0039]式中：x
new
(t)为当前最优个体经柯西变异后的新值，x
*
(t)为当前最优个体，cauchy(0,1)为柯西算子。
[0040]随机性学习策略通过比较两个个体的适应度值，选择更优的个体，对于当前个体x(t)，从种群中随机选取一个与之不同的个体x(t1)，产生新个体：
[0041][0042]式中：x
new1
(t)为经过随机性学习策略后的最优个体，f(x(t))和f(x(t1))分别为个体x(t)和x(t1)的适应度值；如果f(x
new1
(t))<f(x(t))，则个体x
new1
(t)取代个体x(t)，否则x
new1
(t)直接为个体x(t)。
[0043]本专利技术的有益效果是：本专利技术通过建立配电网无功优化模型，引入非线性时变因子、随机学习策略和柯西变异策略提升鲸鱼算法的收敛速本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进鲸鱼算法的配电网无功优化方法，其特征在于，包括：以有功网损和电压越界惩罚最小为目标函数，计及风电机组和无功补偿装置SVG的约束条件建立配电网无功优化模型；对各个节点的负荷进行处理，乘以一个负荷变化系数，作为处理后的电力负荷数据；依据处理后的电力负荷数据，获取配电网系统的潮流计算结果；基于改进鲸鱼算法对含风电机组和SVG的配电网进行无功优化，得到风电机组和SVG的无功出力。2.根据权利要求1所述的基于改进鲸鱼算法的配电网无功优化方法，其特征在于，所建立配电网无功优化模型，具体为：有功网损P
loss
：电压越限惩罚Δf：综上，配电网无功优化模型的综合目标函数F为：minF＝Δf+P
loss
式中：i、j为节点编号；n为配电网系统总节点数；G
ij
为支路ij的电导；U
i
、U
j
为节点i、j的电压幅值；δ
i
、δ
j
为节点电压的相角；λ为惩罚系数；U为基准电压。3.根据权利要求1所述的基于改进鲸鱼算法的配电网无功优化方法，其特征在于，所述约束条件包括等式约束、不等式约束。4.根据权利要求3所述的基于改进鲸鱼算法的配电网无功优化方法，其特征在于，所述等式约束：式中：P
Gi
、P
Di
分别为节点i注入的有功功率和负荷有功功率；Q
Gi
、Q
Di
分别为节点i注入的无功功率和负荷无功功率；P
W
、Q
W
分别为安装的双馈风电机组注入的有功功率和无功功率；G
ij
为支路ij的电导；U
i
、U
j
为节点i、j的电压幅值；Q
S
为无功补偿装置SVG注入的无功功率；B
ij
为支路ij的电纳；δ
ij
为节点i、j之间的电压相角差；所述不等式约束：式中：U
i,max
、U
i,min
分别为节点i电压的上下限；Q
S,max
、Q
S,min
分别为无功补偿装置SVG的无功出力上下限；Q
W,max
、Q
W,min
分别为双馈风电机组的无功出力上下限。5.根据权利要求1所述的基于改进鲸鱼算法的配电网无功优化方法，其特征在于，依据
传统鲸鱼算法，引入非线性时变因子、自适应权值策略、随机学习策略和柯西变异策略，获得改进鲸鱼算法。6.根据权利要求5所述的基于改进鲸鱼算法的配电网无功优化方法，其特征在于，依据引入的非线性时变因子、自适应权值策略、随机学习策略和柯西变异策略进行位置更新，具体公式为：x(t+1)＝x
rand
(t)
×
ω(t)
‑
A
×
D
rand
,p<0.5,|A|>1x(t+1)＝x

【专利技术属性】
技术研发人员：刘志坚，许荣彪，郭成，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：