基于遗传算法的含分布式电源电网无功优化.pptVIP

分布式发电简介 分布式发电运行方式 无功优化 基于遗传算法的含分布式电源无功优化 总结 分布式发电简介 分布式发电（Distributed Generation，简称DG），通常是指发电功率在几千瓦至数百兆瓦（也有的建议限制在30～50兆瓦以下）的小型模块化、分散式、布置在用户附近的高效、可靠的发电单元。主要包括：以液体或气体为燃料的内燃机、微型燃气轮机、太阳能发电（光伏电池、光热发电）、风力发电、生物质能发电等。 分布式电源 主要包括太阳能发电、风能发电、小水电、潮汐、地热等可再生能源电源及燃料电池、燃气轮机等化学燃料电源. 分布式发电系统运行方式 孤立运行方式 并网供电方式 孤立运行模式 采用孤立运行模式时,微网不仅可以满足微网内用户对电力质量和可靠性的要求,而且不会对大电网产生不利影响,不需要对大电网的运行策略进行修改. 并网供电方式 微网和传统大电网之间具有灵活、可控的电力电子接口,允许两侧在接口处实现经济地输送、接受电能. 无功优化 无功运行优化是指在现有无功补偿装置的基础上,根据负荷的典型变化,确定发电机和调相机的无功出力、有载调压变压器分接头的位置以及无功补偿装置的投切方案等,以达到系统网损最小、电压质量最好、潮流最优等目的。 无功优化 DG的接入，虽然在一定情况下，可以发出无功功率起到电压支撑的作用，部分改善无功不足的情况，但由于有些DG其功率因数近似为1，不仅不能向系统提供无功功率，反而其自身还需要消耗大量无功功率，造成网络中无功功率的缺额进一步扩大畔J。由此可见，DG的大量接入并不能取代传统的无功补偿设备，电容器等无功补偿设备仍是改善配电网中无功功率不足的重要手段 遗传算法在分布式发电系统中无功优化 遗传算法 编码 适应度函数评价 选择 交叉 变异 改进型遗传算法 混合编码方式 分阶段设计的适应度函数 选择操作 交叉算子 变异算子 收敛判据确定 混合编码方式 无功优化问题是典型的即含离散量又有连续量的多变量、非线性问题。 优点 引入整数和实数混合编码方式,使得编码串的长度和控制变量的个数一致此编码方式与单一的二进制编码和单一实数编码相比,克服了前者在处理连续变量离散化问题时出现的误差,以及解的精度依赖于编码串的长短缺点:保留了后者求解精度高!便于较大空间搜索的优点更精确地反映了无功优化控制变量的特点,提高了遗传算法在无功优化应用中的针对性!实用性 分阶段设计的适应度函数 依据在进化不同时期,目标函数中的三个部分权重的差异,结合目标函数与上述适应度函数的设计原则,分阶段构造不同的适应度函数 第一阶段：遗传进化前期,将主要目标集中在寻求整体目标的最优区域,按照指数规律变化的罚系数在数量级上基本相同,目标函数中三项所占比重相当适应度函数设计为:J=1/F 第二阶段：主要目标是追求安全条件下的有功损耗为最小因此,这一阶段要淘汰节点电压和发电机无功出力越界的那些个体,反应在适应度函数上就是节点电压和发电机无功出力越界的罚因子较大适应度函数设计为:J=e-F。 分两阶段的不同适应度函数提高算法收敛速度的同时,保证了算法的计算精度 选择操作 简单遗传算法的选择操作常采用单一的轮盘赌!锦标赛等方式考虑到群体的多样性在进化过程中逐渐减小的特点，可以采用一种在不同进化阶段采用不同选择方式的混合选择策略。 进化初期采用锦标赛加精英保留的选择方法 进化后期采用基于赌轮盘的非线性排名选择方法 基于赌轮盘的非线性排名选择方法能够简单有效控制种群选择压力变小、搜索范围变窄,避免过早收敛，混合选择策略能在提高算法收敛速度的同时提高算法精度。 交叉算子 pc=pco-pcstep×t pc=pcmin ppcmin pco：交叉初始概率， pcstep：交叉率减小的步长， t：遗传进化代数， pcmin：是预先设定的最小交叉率。 变异算子 变异率过大：增大了进化的随机性,不容易得到稳定解; 变异率过小：会减弱算法产生新个体、抑制早熟的能力,容易陷入局部最优； 改进后的变异算子：采用逐步增加的而不能超过预先设定的最大变异率算法。 Pm=Pmo+Pmstep×t Pm=Pmax PmPmax Pmo变异率初始值 Pmstep是变异率步进量, t 是遗传进化代数 Pmax是预先设定的最大变异率. 控制变量的实际操作是在原有基础上逐档调节,因此变异操作应尽可能使变量编码在当前取值的较小范围内变化。依据这点,本文采用小变异方法,首先由变异概率随机产生变异个体，然后确定变异个体的变异点，同交叉点的选择，最后生成变异量p