浅述配电网无功优化补偿.docVIP

浅述配电网无功优化补偿 　　[摘要] 无功优化补偿问题主要考虑在负荷给定情况下,补偿设备最佳投入位置和投入容量。本文综合考虑了电能损耗、补偿设备投资费用等因素,以经济效益最大化为目标,建立了配电网无功优化补偿的数学模型。在此基础上通过灵敏度分析,选取高补偿效益的位置进行补偿,进一步采用结合灵敏度分析的遗传算法在补偿点上进行补偿容量的优化规划。 　　[关键词] 配电网 无功优化补偿 灵敏度分析 遗传算法 　　 　　引言 　　在电力系统无功规划方面,国内外学者己做了大量工作,归纳起来主要有两个方面:一是使规划中所建立的数学模型尽量反映实际情况,即目标函数和多种约束条件接近电力系统运行情况;二是针对大规模优化问题在求解过程中遇到的求解时间长、易产生局部最优解和“维数灾”等问题进行改进,提出了线形规划法、非线形规划法、Tabu搜索法、灵敏度分析以及近年来提出的模拟退火算法、遗传算法[1]、神经网络法等算法。 　　在电力系统中,无功补偿的原则是“就地补偿”,即在配电网的末端进行补偿,以减少无功流动引起的损耗,但实现起来有困难。目前的状况是在配网高压侧(即110kV或35kV变电站)集中补偿居多,中压侧分散补偿很少,因此在10kV 配电线路末端实施无功补偿己日益迫切。但配网中节点很多,分布多呈辐射状,这种多节点、多约束的无功优化规划给大规模的计算带来了困难。为此,本文提出一种综合考虑电能损耗和无功补偿投资的目标函数,并考虑在不同负荷的运行方式下,应用结合灵敏度分析的遗传算法求解配电网无功补偿,以获得较优的规划方案。 　　1.无功优化的数学模型 　　本文建立以网损最小、考虑负荷节点电压质量的同时兼顾无功补偿设备的投资为最少的配电网无功综合优化的数学模型。故目标函数为: 　　(1-1) 　　式中:nl为系统总支路数;l为补偿节点总数:△Pi为支路i的有功网损;SCi为第i个无功补偿器的补偿容量;k1, k2分别为有功网损费用(元//MW)和无功补偿器费用(元/Mvar)的比值。 　　约束条件: 　　(1-2) 　　(1-3) 　　 (1-4) 　　 (1-5) 　　式(1-2),(1-3)为任意节点有功功率和无功功率平衡方程式;式(1-4),(1-5)分别为各节点电压和无功补偿器容量上下限。 　　其中,不等式约束条件可以通过惩罚因子形式引入到目标函数当中,考虑惩罚因子后的目标函数变为: 　　 (1-6) 　　 (1-7) 　　 (1-8) 　　 (1-9) 　　其中,是优化过程的总惩罚因子;是电压越界惩罚因子;是补偿器容量越界惩罚因子;为了很好的把电压和补偿容量约束到规定范围内,系数,一般取得较大。为符合遗传算法最大值的特点,适应度函数可表示为: 　　 (1-10) 　　2.灵敏度原理 　　灵敏度[2-3]系指以状态变量表征的系统运行状况对控制变量和扰动变量的变化的敏感性程度。对于无功规划问题,就是要求配电网中节点无功变化对系统有功网损的灵敏度系数,选灵敏度较高的节点作为无功补偿的候选投切点,从而缩小了配电网无功补偿的搜索空间。灵敏度分析如下: 　　系统的有功网损为 　　 (2-1) 　　节点无功变化对系统网损的灵敏度为 　　(2-2) 　　式中、和分别为配网节点注入无功、节点电压幅值与相角。 　　经过变换,最后可得出 　　(2-3) 　　对于系统中第i个节点,则有 　　 (2-4) 　　(2-5) 　　而灵敏度矩阵中的各元素可由牛顿一拉夫逊法潮流计算中的雅可比矩阵求得。在求出配电网中各节点的灵敏度后,按照升幂排成一列,并由计算机自动选取其中灵敏度最高的2或3个节点作为无功补偿的候选位置,然后由现场工作人员根据实际情况选取最合理的一点进行无功补偿,依次迭代2或3次。这样, 即使无功优化在初始计算时就局限于补偿效益最明显的节点,降低了计算负担和时间;又能准确地考虑不同运行时段时灵敏度的差异,得出最优补偿。 　　3.结合灵敏度分析的遗传算法应用于配电网无功优化 　　3.1 遗传算法的基本原理 　　遗传算法[4-5](Genetic Algorithm,简称GA)是美国密执教授John .Holland在1975年和他的同事、学生共同研究出的一种搜索方法,是一种通过模拟上述自然进化过程来搜索最优解的方法。GA应用于配电网无功优化问题时,可理解为电力系统环境下的一组初始潮流解,受各种约束条件约束,通过适应度评价其优劣,适应度值低的被淘汰,只有适应度值高的有机会将其特征迭代至下一轮解,最后趋向最优。传统遗传算法首先随机产生一组初始潮流解,然后对其编码,通过遗传操作――选择、杂交、变异,最后这串码对应的解将趋向最优。其基本流程图如下: 　　 　　图3-1遗传算法框图