层次聚类法及蚁群计算理论下的电力体系无功优化.docVIP

　　层次聚类法及蚁群计算理论下的电力体系无功优化 1 绪 论 1.1课题研究的背景及意义 在输送电能的过程中，如何有效利用无功调节手段减少电力系统的电能损耗的相关研究受到广泛重视。电力系统的无功功率分布对系统运行的经济性和安全性有重要影响。为使系统中的无功功率分布合理，可以通过调节发电机机端电压、安装并联电容器和有载调压变压器（OLTC）进行电力系统的无功电压控制。在电力系统规划时，通过优化计算来有效地配置并联电容器的个数、位置及容量；在电力系统运行时，根据全天负荷曲线的变动，合理调节发电机机端电压、投切电容器和调节有载调压变压器分接头。因此，加强无功功率控制，保证电压质量和降低系统网损是电力系统需要解决的重要问题之一。电力系统无功优化问题是一个大规模非线性非连续控制变量的优化问题。通过优化计算能以较小的投资达到最佳的补偿效果，从而有效降低电网中的能量损耗和改进电能质量。本文针对如何合理确定系统的无功电源的数量、位置和容量，调节控制设备全天动作的时段和次数的无功优化问题进行研究有着十分重要的理论意义和现实意义。 1.2国内外无功优化研究现状 由于无功优化问题研究的复杂性，长久以来，相关研究人员对其优化模型和算法进行了大量研究。本文仅从电力系统无功规划研究和电力系统动态无功优化研究两个方面阐述国内外无功优化方面的研究现状。 1.2.1电力系统无功规划研究现状 电力系统无功规划问题，主要针对在恒定负荷条件下，确定无功补偿设备的数量、位置和容量。对该问题的大量研究总体上可以归结为数学规划法、启发式方法和人工智能方法。 ①数学规划法研究 人员采用数学规划法，将无功规划问题处理成有约束的极值问题用最优化方法迭代计算。该方法能够在模型中较为完善地考虑电压和电流等约束条件，并可以考虑补偿点位置的具体情况和电容器的型号。此类优化方法有线性规划法(Linear Programming，LP)、非线性规划法(Non-Linear Programming，NLP)和混合整数规划法等。 1）线性规划法(LP) 线性规划法作为最优化技术中发展最成熟的方法，具有收敛性好、计算速度快等优点。文献[1]将线性规划法引入到无功规划中，控制电网的无功功率及电压。文献[2]采用模糊集理论对无功优化问题建模，将其转化为一个标准的 LP 问题。但电容器的容量和安装位置本身为非线性规划问题，用一个连续变量来替代离散变量，不能准确描述无功规划问题，使计算的误差较大。 2）非线性规划法（NLP） 非线性规划法能够直接处理非线性模型，更符合无功规划实际问题，计算精度高。文献[3]用非线性规划法中的梯度法进行优化计算，采用运行与投资费用最小作为目标函数。将问题分解为最大负荷、一般负荷和最小负荷三个子模型，并在最大负荷条件下考虑投资费用，使优化方案更符合实际需求。可是现有算法存在计算量大、内存需求量大、收敛性差的缺点，对不等式处理存在一定的困难，限制了算法的应用。 2 聚类方法简介和蚁群算法的基本原理 2.1 引言 聚类是一种重要的数据挖掘技术。它通过分析数据间的相互关系，利用一定规则将数据划分为性质相似的若干簇。聚类分析的结果揭示了数据间的内在关系，为进一步分析数据提供了重要的依据。除此以外，聚类分析也可以作为其它算法的预处理步骤，在聚类生成簇的基础上进行处理，这样可以大大提高算法的效率。聚类方法已经在电力系统研究领域得到了应用。蚁群优化算法(Ant Colony Optimization algorithm,ACO)是模拟自然界中真实蚂蚁觅食行为而形成的一种新型模拟进化算法。它利用具有记忆功能的人工蚂蚁，通过蚂蚁个体间消息的交流与相互协作来找到从蚁穴到食物源的最短路径，其具有搜索速度快等优点。本章简要介绍聚类分析方法和蚁群算法的基本原理。 2.2 聚类方法简介 聚类分析是数据挖掘中一个活跃的研究领域。它是将物理或抽象对象的集合组成的多个簇或类的过程，并满足相同簇内差异度最小，不同簇内差异度最大的原则。聚类是搜索簇的无监督学习过程。与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，只需要由聚类学习算法自动确定标记，而分类学习的实例或数据对象必需有类别标记。因为聚类是观察式学习，而不是示例式的学习，所以聚类更为复杂。下面结合文献[41、42]对聚类方法的要求和种类进行简要介绍。 3 基于层次聚类法和蚁群算法.......................... 22-47 3.1 引言.......................... 22 3.2 配电网无功规划的数学模型.......................... 22-23 3.3 基于层次聚类法确定无功待.......................... 23-26 3.3.1 层次聚类法的基