含风电场电力系统动态优化潮流.docVIP

含风电场电力系统动态优化潮流的混合蛙跳算法 摘要：考虑发电机的阀点效应和异步风力发电机组无功补偿装置投切的离散性，含风电场的电力系统动态优化潮流属于复杂的多约束混合整数非凸非线性规划问题。计及各个时间断面的耦合性，将所有时段统一进行优化，以整个时段所有常规机组费用最小为目标函数，建立了含风电场电力系统动态优化潮流的数学模型。提出将混合蛙跳（Shuffled Frog Leaping, SFL）算法应用到含风电场电力系统对所有时段统一进行考虑的动态优化潮流计算中，给出了算法的具体实现方法。根据无功补偿就近的原则，风电场尽量不从系统吸收无功，风电场所需无功主要由风电场无功补偿装置提供，在改进的IEEE 30节点系统中分别采用SFL算法和粒子群优化（particle swarm optimization, PSO）算法进行了仿真计算，结果表明所提出的方法是有效的，具有一定的实用性。 关键词：风力发电；动态优化潮流；SFL算法；无功补偿 0 引言( 动态优化潮流属于典型的多约束非线性规划问题，当发电机费用函数考虑发电机的阀点效应后，优化问题成为非凸的，在含风电场电力系统动态优化潮流中，由于异步风力发电机组无功补偿装置是分组投切的，从而使该问题成为复杂的多约束混合整数非凸非线性规划问题。 对含风电场的电力系统优化潮流问题，因风能具有随机性和易变性特点，加之负荷的随机性，应将所有时段统一进行考虑后进行动态优化潮流调控。通常，动态优化潮流的求解是将整个时段分成多个时间断面，然后每个时间断面按静态优化的方法计算[1-6]。文献[4]在含风电场的电力系统动态优化潮流问题中，模型采用分时间断面的计算模型，算法上采用传统的简化梯度法，对异步风力发电机组无功补偿装置的离散控制变量只采用连续量近似处理。若考虑到发电机费用函数的阀点效应，这类算法难以处理目标函数的不连续，且容易陷入局部最优。 在处理复杂的多约束混合整数非凸非线性优化问题上，智能算法显示了极大的优越性。寻求构造具有良好全局寻优和局部求精能力的高效智能优化算法，是智能优化计算领域的一个重要研究课题。SFL算法是2003年由 Eusuff 和 Lansey 提出的一种基于群体的启发式进化计算技术[7]，它是一种受自然生物模仿启示而产生的基于群体的协同搜索方法。该算法将群体分为多个族群，每个族群独立地以类似于PSO [8]的方法进行局部深度搜索，为提高全局搜索能力，全体族群周期性地以类似于混合复形进化[9]算法的方法混合和重组构成新的族群，从而达到全局信息交换的目的。全局信息交换和局部深度搜索的平衡策略使得该算法能够以较大的概率跳出局部极值点,向着全局最优的方向进行[10]。 本文选择常规机组（平衡机组除外）的有功出力以及风电场无功补偿装置分组投切组数作为优化变量，考虑常规机组的阀点效应和爬坡速率约束，以整个时段所有常规机组费用最小为目标函数，建立了含风电场电力系统动态优化潮流的数学模型。提出将SFL算法应用到含风电场电力系统动态优化潮流计算中，给出了算法的具体实现方法。 异步风力发电机风电场要吸收无功，风电场无功补偿装置主要用来补偿风电场所需无功，根据无功补偿就近的原则，在调控时风电场尽量不从系统吸收无功，因为无功补偿装置是分组投切的，允许风电场从系统吸收的最大无功为每组投切无功容量。 文中以改进的IEEE30节点测试系统为例，对含风电场电力系统动态优化潮流分别采用SFL算法和PSO算法进行了仿真计算，测试结果表明提出方法的有效性。 1 数学模型 为建立含风电场电力系统动态优化潮流数学模型，首先对风电场的有功出力和异步风力发电机吸收的无功进行讨论。 风力发电机输出功率可以用分段函数表示，参见文献[11]。第t时段风机输出功率可用其期望值Ptw,av来代替。对负荷进行预测，可以得到第t时段负荷期望值，这样，在动态优化的每个时段，风电机组出力和负荷大小就可作为确定值处理。 对异步风力发电机，在运行时要吸收无功，吸收的无功功率与机端电压的函数关系参见文献[4]。 1.1 等式约束 　　等式约束为潮流平衡约束，即各节点有功和无功的平衡方程。 含风电场电力系统的潮流计算研究热点在于风电场的计算模型[12]，在潮流计算中，异步风电机组的节点处理方法有:P-Q简化模型[13]、P-Q迭代模型[14]、R-X迭代模型[15]、Q-V联合迭代模型[4,16] 和P-Z模型[17]。本文采用Q-V联合迭代模型计算含风电场电力系统的潮流，该方法只需修改雅可比矩阵中对应风电场节点的元素（Vi是风电场节点的电压，△Qi是风电场节点注入无功不平衡量），且其计算速度快。 通过潮流计算,可获得与当前控制变量相对应的状态变量、网损及平衡机组出力情况。对潮流计算获得的平衡机组有功出力越限情况，本文提出平衡机组有功出力越限