基于网络重构的配电网无功优化研究.doc

密级：工学硕士学位论文指导教师：苑薇薇学科、专业：控制理论与控制工程 密级：工学硕士学位论文苑薇薇沈阳理工大学 篫：篗，： 沈阳理工大学学位论文版权使用授权书本学位论文作者完全了解沈阳理工大学有关保留、使用学位论文的规定，即：沈阳理工大学有权保留并向国家有关部门或机构送交学位论文的复印件和磁盘，允许论文被查阅和借阅。本人授权沈阳理工大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其它复制手段保存、汇编学位论文。艿难宦畚脑诮饷芎笫视帽臼谌学位论文作者铭办嗣 沈阳理工大学硕士学位论文关键词：经济运行；网络重构；无功优化；免疫遗传算法 甌 籲 目目第滦髀邸遗传算法 攻读硕士学位期间发表的论文和取得的科研成果 在正常运行的配电网中，消耗电能的负荷类型不尽相同，分别有工业类负荷以及民用负荷。不同种类的负荷主要消耗电能的时间范围是不同的，使得配电网中各变压器以及各条馈线上出现负荷峰值的时间也会不同，这就导致电网各线路上负荷的不均衡分布，将会大大降低配电线路和用电设备的利用效率，缩短线路设备的使用寿命。利用配电网络重构优化，能够将处于重负荷甚至超负荷运行的馈线上的负荷转移到其它线路上，达到均衡电网负荷的目的。通过无功功率补偿优化可以改变无功在电网中的流动，使得由传送无功功率引起的损耗减少。通过这两种措施的优化，使得负荷在电网中的分配变得更加合理，不但调节了电网各条馈线的运行水平消除了过载运行现象，还能降低电网电压在线路上的电压降落，提高供电质量。配电网络重构是指在保证配电网运行时呈辐射状结构，满足馈线容量要求、 水平和供电质量。 人工神经网络是由简单的处理单元组成的并行互联网络【】，它能够模拟生物神经系统对外界物体刺激做出交互反应，通过对样本的训练，把输入与输出之间的非线性关系存储到神经元的权值中。可以用人工神经网络反映电网运行结构与网络最优结构之间的非线性关系。由于人工神经网络具有学习、联想、自组织、记忆等功能，在应用中不需要创建复杂的数学模型以及进行严格的推理论证，在处理信息不完整问题和非线性问题方面存在广泛的应用前景。采用人工神经网络算法进行网络重构不需要对电网的潮流进行计算，由此利用该算法不但可以降低配电网重构的维数，而且还能提高运算速度，大大降低配电网重构的计算时间。然而利用该算法所得结果的精度依赖于算法提供的训练样本，当电网结构和负荷 无功功率补偿的研究现状 粒子群算法是一种基于种群智能的随机搜索优化算法，该算法通过研究鸟群的捕食行为，模拟简单的社会系统，在多维解空间中创建“粒子群”，粒子群中的粒子通过记忆群体和自己所得到的最优解，不断修正自己的速度和前进方向，达到寻找最优解的目的。粒子群算法与遗传算法类似，但没有遗传算法中交叉和变异操作，而是粒子在拥有最优解的空间内进行搜索。粒子群算法在多维空间、动态目标寻优等方面具有收敛速度快、鲁棒性好等特点；其缺点是容易陷入局部最优解，且算法收敛精度不高，收敛性受参数影响较大。 功优化领域中的应用受到重视。本文主要工作， 网络中多节点而节点较少；网络的馈线总长度比输电网线路总长度大而且 配电网潮流计算方法扑愎绲缭丛谀赶呱喜牡缪箄：，式中：8诘愕缪怪担琙为电网的等值阻抗值，为待求点的等值阻抗扑憬鲇械戎底氲缌髯饔檬钡哪赶叩缪筓”玫佣淼玫揭G竽赶叩缪筓 组转化为相对应的线性方程组进行计算，再对所得结果进行反复修正和迭代，直到计算结果满足既定的计算精度要求。该方法运算过程中包含大量矩阵运算，计算效率比较低，但在稀疏矩阵技术在矩阵存储中得到应用后，大大的提高了算法的计算速度，目前已广泛适应到大规模电网的潮流计算中。牛顿拉夫逊法是输电系统计算潮流的主要算法，但由于输电网和配电网在参数及结构方面有着巨大的差别，因此该算法在配电网中一直没能得到很好的应用。为解决这些问题，许多学者对牛顿拉夫逊法进行了各种改进，在一定程度上改善了该算法的应用。文献点的电压值做线性拟合处理，获得了较好的结果。 图简单辐射状馈线不意图配电网在运行中是保持辐射状的结构，在不考虑负荷的电压的静态特性的情 从根节点开始依次对后续节点电压进行计算，便可得到网络中全部节点的电压值，完成功率的前推过程和电压的回代计算即完成了一次完整的迭代过程。通过迭代结果与所设定计算精度的对比，判断所得结果是否满足要求。如满足要求，结束计算，得出所求网络的潮流分布；如不满足要求，则返回继续进行迭代计算，直到满足要求为止。前推回代算法的计算步骤如下：布； 分布由根节点向末节点计算各节点电压：值主图前推同代法潮流计算流程图 图：点配电网结构图利用前推回代潮流计算方法得到结果如下所示：表二点配电网潮流计算结果有功损耗损耗率 本章小结 疫细胞利用自身的特殊结构形态来实现机体的免疫功能。自身调节能力。生物界中抗原的种类要远远多于生物体内抗体的种类，疫应答两种。在抗原侵入生物体内后，免疫系统受到刺激产生初次免疫应答，抗原被系统产生的抗体消灭。免疫系统通过学习功能产生记忆免疫细胞，当生物体再次侵入相同种类的抗原时，将会激发生物体的二次免疫应答，免疫系统利用初次免疫应答所产生的记忆细胞快速的产生大量抗体，快速的将抗原消灭。晕锾宥捞氐呐斜鹆庖呦低尘哂斜嫒稀胺羌和“自己”的特殊识 免疫算法的主要特点有【】： 该算法的流程图如下： 该算法以基因遗传原理和自然选择为基础，通过模拟生物进化过程得出最终结果。它将进化理论中的“适者生存”概念引用到编码结构中，并在编码串之间随机的进行信息交换。随着算法的进行，使得优良的品质在运算中得到保留并重新组合，进而得出品质更加的个体；不好的特性随着进化的进行逐渐被淘汰。在新一代的个体中含有上一代个体的大量信息，通过免疫操作保留了群体中好的特性，使得遗传算法与传统的优化方法相比，其特征主要为：内的多个区域并行搜索，从而加快搜索速度。 遗传算法中最常用的编码方法是二进制编码方法，该编码方法利用二进制符号蚻对变量进行编码，所构成的染色体为一串二进制符号。二进制编码的优点在于用于表示个体的字符串的每一位只能为，编码过程和进行交叉、变异等操作简单易实现，且编码机制与计算机一致，适合在计算机中应用。同时二进制编码也存在一些不足，二进制编码不能清晰的反映出待求问题的特定知识，对具有高精度、多维要求的连续函数进行优化时，对连续函数进行离散化时会出现映射误差；当表示个体的字符串较短时，运算精度可能达不到要求，当个体编码较长时，又会使算法的搜索范围增大，将会导致运算时间的增加和算法性能的降低。 上一交叉操作是遗传算法中寻找最优个体的最主要手段，进行交叉运算时将选择出来的个体按照设定的交叉方式进行等位基因的交换，从而产生新的个体。通过交叉操作子代种群继承了父代种群的基因，但基因排列方式和上一代又不完全相同，在进行交叉操作后所产生的新种群中可能存在更加优秀的个体，促使搜索朝最优解的方向靠近。交叉操作运算对遗传算法的全局寻优能力起着决定性作用， 图变异操作不恿图 并根据问题的求解精度来确定个体编码长度。交叉概率陴：遗传算法中新个体产生主要是通过交叉操作来实现的，因此交就会减弱。一般的取值范围一般为。最大迭代数：当算法运行到预先设定的进化代数后就停止程序的运算，此时 图遗传算法流程图 免疫遗传算法是基于生物免疫机制提出的一种改进遗传算法，它将待解决问题的目标函数看作为免疫系统中的抗原，将问题的解看作为免疫系统产生的抗体。在实际问题求解中，目标函数作为抗原输入，并生成初始抗体种群，利用遗传算法的交叉和变异操作及对抗体亲和力的计算，在保证种群中抗体多样性的前提下求出与抗原亲和力最大的抗体，该抗体即为问题的最优解。彳，】，高利用抗原与抗体的亲和力来表示可行解和最优解的相似程度。拥有较高亲和力的删趚高 隆芀，在免疫遗传算法中，种群中抗体的抑制和促进是以抗体与抗原的亲和力大小以及抗体浓度的高低为基础进行调节的。抗体的亲和力越大则选中的概率越大，这样能够使得优良个体得以保留。抗体的浓度越大则被选择概率就越小，这样能够保证种群中个体的多样性，抗体的抑制和促进通过抗体期望值来表达。期望值的计算公式为五痗选择克隆细胞数量、免疫补充数量、变异率、进化终止条件等。 力、抗体浓度以及抗体的期望值。在该优化算法中，抗体与抗原之间的亲和力表示可行解对问题的满足程度。形成下一代抗体。图免疫遗传算法流程图介绍了免疫算法和遗传算法的基本原理和发展状况，在此基础上提出将两种 算法相结合，形成混合的智能优化算法即免疫遗传算法。免疫遗传算法在基本遗 数定义为：它的物理意义为系统消耗的有功功率在视在功率中所占的百分比。由式可以看出，在电网的运行中，功率因数越大则表明配电网越多的电能作为有功功率被负荷所消耗，在这种状态下电能有着高效的利用率。骸辏骸溃阂睿篟 配电网的无功功率补偿主要是通过安装电容器实现的，根据电容器在配电网 咒。疲阂籖 尸福豁口，狟尺， 无功优化数学模型簃兄：窆芔，祏豼只芔郼賡芔縮恳籅玎式中：、直鹞A魅虢诘鉯的有功功率和无功功率；=诘鉯的电压；岛、。！躋。一 免疫遗传算法在无功优化中的应用以，本文从以下几个方面设计算法的操作模型，使其能适用于配电网的无功优化问题。的变化范围为，无功补偿容量和投切档位砬之间存在如下关系：襛 免疫遗传算法中的抗原对应于无功优化的目标函数，抗体对应于优化问题的解。产生初始种群后，根据公式和分别算得每个抗体亲和力及抗体的期望值，并根据期望值的大小对种群中的抗体进行排序。抗体的期望值越高被选择的概率就越大，促使与抗原亲和度高而浓度低的抗体得到促进，与抗原亲和度低且浓度大的抗体得到抑制。使得算法能够较快的收敛于全局最优解。 的个体按照设定的交叉方式进行等位基因的交换，从而产生新的抗体。将父代中的抗体进行两两随机分组，对于被选出的两个抗体，在【】之间产生一个随机数，若交叉概率大于产生的随机数，则对两个抗体进行交叉操作。节点配电网数据结构图节点配电网结构图 ，”掩 在进行网络重构优化实际应用中，结合各开关的开断状态，以网损最小的目标函幽尸葡騃乇等 【】中得到的配电网运行时最优的网络拓扑结构作为进行无功补偿优化的基础构架，即断开支路开关、卜、，其余开关闭合。图节点配电网网络重构后结构图 表节点配电网重构前后运行数据对比表重构前网络结构优化后效果分析：图节点配电网重构前后各节点电压对比图 上各补偿点的补偿容量如表所示：表节点配电网各补偿点的补偿容量无功功率补偿前、后配电网的有功总损耗如表所示。表节点配电网功率损耗优化结果由表数据可知，有功功率损耗由原来的 本文利用免疫遗传算法在经过重构后得到的最优网络结构的基础上进行无功表节点配电网本文方法各补偿点的补偿容量 笱拍打勰汐如”图节点电压标幺值对比图 由以上表图中数据可知，配电网经过网络重构和无功补偿这两种措施的综合优化后，电网的最低节点电压标幺值由原来的岣叩，使得网络的最低节点电压提高了缪蛊罴跣，使其数值满足配电网正常运行状态下对供电电压偏差的要求，提高了电能质量，保证供电的可靠性。配电网的有功功率损耗由原来的本章小结通过对提高配电网运行的经济性和可靠性措施的分析，提出将网络重构和无功优化这两种手段综合的策略运用