【《电能质量监测点的优化配置方法与仿真分析案例》4700字】

电能质量监测点的优化配置方法与仿真分析案例目录TOC\o"1-3"\h\u19094电能质量监测点的优化配置方法与仿真分析案例 1188951.1状态估计方法 1125371.1.1静态状态估计 2181551.1.2动态状态估计 3299441.2优化模型建立 3257491.3多种群遗传算法 531032仿真实验分析 81.1状态估计方法随着现代电力系统和电力调度智能化的发展，状态估计在电力系统能源管理系统（EMS）中扮演着越来越重要的角色。状态估计是一种基于可得到的测量数据来估计动态系统内部状态的方法，因为通过直接测量系统的输入和输出获得的相应数据只能反映系统的外部状态特征，而动态系统的变化规律通常需要用状态变量来描述，但是状态变量不能通过直接测量的方式来获取。由此可见，为了深入了解并高效控制一个系统，状态估计体现出了十分重要的意义。它的核心功能是为系统提供完整而可靠的系统状态数据和信息。电力系统状态估计模型是从电力系统潮流计算模型导出的，因此从某种程度上来说，状态估计可以说是实时潮流计算，它是电力系统运行、控制和安全评估等各个方面的基础，其结果直接影响电网调度的智能化分析和决策。状态估计所需的电力系统的各类运行数据，即遥测、遥信信息，是由数据采集与监视控制系统（SCADA系统）进行采集整理后传送到调度中心的，因为各种数据采集处理装置可能会存在误差，以及在处理传送信息的过程中传输介质等环节带来的影响，会导致数据信息存有不同水平的偏差。同时，我们还应充分考虑如何在电网中配置监测设备的相关问题，比如数量或类型的限制，电力系统分析过程所需要的是完整、可靠的测量数据，而这些制约往往导致系统无法得到能达到此要求的数据信息。关于以上这些问题的解决方案，除去能够不断改进和优化数据采样与监视系统以及信息传输过程外，解决这些问题的方法还可以通过一些科学手段将低准确度和不完善的测量数据转换为高精度，完整可靠的数据。在此基础上，提出了电力系统状态估计方法，并在各种研究中得到了扩展和发展。其实还能够运用某些科学化的手段来把低精确度、不完善的测量数据转变成高精确度、完备可信的数据，正是在这样的基础上，电力系统状态估计的方法被提出并在各类研究中得到了引申和发展。1.1.1静态状态估计静态状态估计没有考虑系统状态伴随时间的变动，只运用某个时刻的测量数据来预估电力网的状态，其功能重点是完成对系统目前运转状态的安全情况做出监控，获得精确的电力系统运转静态断面，以供稳定计算与安全性分析运用。静态状态估计方法重点包含加权最小二乘法与抗差估计法。其中，电力系统状态估计器运用的估计标准大部分为极大似然估计，其中加权最小二乘方法预估是目前广泛运用的估计方法。模型相对简单、运算量少、收敛性强、估计具备一致无偏等良好统计特征是加权最小二乘估计器的突出优势。但因为此运算方法的运算量与所占内部存储量比较大，无法运用在大中型电力系统的实时运算，并且在权值因子差异大、节点输入型测定比较多或者长短线路相互连接等状况下存有显著缺陷，这将带来数值运算的稳定性问题，为了使这些问题得到高效的解决，也引申和发展出了各种各样的改进算法。最小二乘估计得到最佳一致无偏差估计结果的基础是测量误差满足正态分布，但是实际测量并不满足正态分布。抗差估计则是粗差无法规避的状况下，选取适宜的预估算法使粗差对预估数值的影响达到最低。抗差估计器大概分成三种：L估计是依托于顺序统计量的线性组合估计，这种方法具有运算简便的突出特点，适合于电脑仿真不同类别的抗差估计，同时对其抗差水平与效率做出检测；M估计是基于传统的极大似然估计的拓展，即是广义极大似然估计，此算法运用比较多且最接近经典的加权最小二乘估计；R估计是经过秩检验输出估计量，也称之为秩检测估计。抗差估计的显著优点是能够真实反映量测的分布模式，没有被普及并得到广泛应用的主要原因是计算量过大和模型过于复杂的明显缺陷。1.1.2动态状态估计动态状态估计是静态状态估计的相对概念。静态状态估计中只按照某一时间点的测定数据来确认此时间点的状态量，而动态状态估计则是把某一时间点的测定数据当作初始值来执行下个时间点状态量的估计，等同于具有状态预报的功能，能够同时提供系统状态的估计值和预报值，在处理系统异常情况及电力系统安全分析评估、电能调度、经济分配、事故的预防与控制等方面具有较重要的现实意义。动态状态估计主要是依托于卡尔曼滤波理论来构建的，该理论基于系统上的测定值与状态向量的预测值，以加权最小二乘法的形式展开滤波运算，进而推导出系统的最优状态值。在此理论的基础上，又有学者提出跟踪状态估计器的概念以及多种对该模型的优化与改进方法。1.2优化模型建立最优化模型是在经济决策管理工作中运用线性规划、非线性规划、整数规划、动态规划以及其他体系化的科学计算方法所确定的能够产出最佳方案的数学模型。因此，对于电能质量监测点优化配置问题，其本质就是一个优化问题，那么首先要建立起优化模型。根据基尔霍夫电流定律和基尔霍夫电压定律可知，电路中的电流和电压具有可以互相推算的关系。由基尔霍夫电流定律可知，假定从1条母线上流出n条线路，则会存在n个可能的安装检测器的地点，然而这种情况下，并不需要在n个可能的地点都去安装监测器，因为1条支路的电流可通过另外n-1条支路计算得到，但假设只安装n-2个监测器，2条未被监测的支路电流将无法确定，所以为了避免支路电流不明确的情况，最少需要安装的监测器的数量就是n-1个。另外，根据线路电压降落的计算方法，当确定了线路的类型和长度时，已知线路其中一段的电能工频数据，就可以推断另一部分的电力信息。这种经典的潮流算法包含了一种重要的思想，即可以通过电力系统拓扑架构来传递并计算电力信息数据，这种观念正是状态估计方法的理论根基。对于监控系统来说，在具有一定数量的电能质量监控装置布设的情况下，可以从该设备的测量数据中获取特征值，并将这类特征值形成状态估计矩阵模型，以估计电力系统中没有安装监测装置的节点处的电能质量数据。以上便是状态估计方法的主要思想。引入特征函数gn(u,v)来表示在第n个电能质量监测装置处，电能质量数据信息从节点u映射至节点v的精确度，p上述矩阵中的各个gn(u,v)反映的是电气参数的映射过程，即根据线路参数和电网拓扑结构，进行等效计算的方式得到的，当两个节点之间的距离愈远、分流支路的数量愈多、线路参数的数量愈多的情况下，基于上述状态估计模型，将较复杂抽象的、定性层面上的成本与性能优化问题转换为定量优化问题。构建如下优化模型：minFf(x)为经济成本函数，h(x)表征系统特性，即准确度函数。fhα是成本函数，β是性能函数，x是优化过程中的可行解，代表m个节点的每个位置是否需要安装PQM（不安装则取0，安装则取1）xi是指x中第i个位置，p1.3多种群遗传算法遗传算法是一类源自于自然生物界中自然选择定律与自然遗传机理的并行优化检索方法，这种算法在进行优化计算时不依赖于梯度信息，且不要求目标函数连续及可导，因此传统搜索方法难以处理的几类问题，比如大规模、非线性组合优化等问题，遗传算法是一个比较适用的解决方案。遗传算法从个体构成的组群中搜寻迭代，其开始的个体是随机形成的，接着对个体展开评定，实用度高的更满足条件要求，每代中适应度数值比较高的一些个体将被保存至下代，其它个体则经过选择、交叉与变异等操作形成新个体迭代剩余部分。当满足设置的迭代频次的时候，终止进化，输出最佳个体当作改进结果。但一般遗传方法存在随机性比较强的特点，假如迭代频次与组群规模比较小的时候，较易陷进局部收敛。多种群遗传算法则是在一般遗传算法的基础上通过优化并引进多种群的概念之后形成的算法，其基本框架是划分多个独立的子集合，分别进行遗传进化，再进行综合并得到最后的优化结果。此算法重点包含有如下优化：将单一组群转变成多个组群，各个组群均具有可调控的参量，比如交叉、变异几率，给予不一样的数值可以形成不一样的检索结果；经过指定的操作因子来操控各个组群间的关系和协同进化，比如设置移民算子，能够获得全部组群最佳的进化结果；多组群的收敛条件能够按照各个组群进化的最佳个体的数量来测度，每个组群当中的最佳个体能够增添人工选取算子来做出保留。多种群遗传算法的优势表现在：首先，每个组群不同参量的设置，比如交叉几率和变异几率的设置，能够让每个组群向各个方向做出进化，如此将全方位加强检索能力；其次，每个组群间的交流是通过既定的操作因子予以实现，经过设置移民算子，即组群中最佳个体，将最佳个体引进其它组群中，完成各组群间的信息沟通；最后，判定整个遗传操作流程是不是收敛，设置精华组群，在精华组群中，每一个个体都不参与遗传处理，如此每一代的最优个体都可以获得保护，也可以将精华个体的数目当作终止条件。图SEQ图\*ARABIC1多种群遗传算法的结构示意图针对电能质量监测点优化配置问题，采用二进制编码的形式，引入向量xi图SEQ图\*ARABIC2多种群遗传算法训练过程图SEQ图\*ARABIC3多种群遗传算法迭代过程

2仿真实验分析以上基于状态估计方法建立了优化模型，运用多种群遗传算法进行编程，现在引入IEEE5节点配电网拓扑结构和IEEE13节点配电网结构，其中IEEE5节点模型可在mathworks官网下载，IEEE13节点模型可通过在Matlab软件命令行窗口输入power_13NodeTestFeeder打开。仿真模型的示意图及相关参数如下。图SEQ图\*ARABIC4IEEE5节点配电网结构================================================================================|SystemSummary|================================================================================Howmany?Howmuch?P(MW)Q(MVAr)Buses5TotalGenCapacity1530.0-1147.5to1147.5Generators5On-lineCapacity1530.0-1147.5to1147.5CommittedGens5Generation(actual)1005.0371.3Loads3Load1000.0328.7Fixed3Fixed1000.0328.7Dispatchable0Dispatchable-0.0of-0.0-0.0Shunts0Shunt(inj)-0.00.0Branches6Losses(I^2*Z)5.0350.27Transformers0BranchCharging(inj)-7.7Inter-ties0TotalInter-tieFlow0.00.0Areas1MinimumMaximumVoltageMagnitude0.989p.u.@bus21.000p.u.@bus1VoltageAngle-0.76deg@bus24.11deg@bus5PLosses(I^2*R)-1.77MW@line1-2QLosses(I^2*X)-17.67MVAr@line1-2================================================================================|BusData|================================================================================BusVoltageGenerationLoad#Mag(pu)Ang(deg)P(MW)Q(MVAr)P(MW)Q(MVAr)11.0003.273210.0030.73--20.989-0.759--300.0098.6131.000-0.492323.49194.65300.0098.6141.0000.000*5.03184.12400.00131.4751.0004.112466.51-38.21--Total:1005.03371.291000.00328.69================================================================================|BranchData|================================================================================BrnchFromToFromBusInjectionToBusInjectionLoss(I^2*Z)#BusBusP(MW)Q(MVAr)P(MW)Q(MVAr)P(MW)Q(MVAr)112249.7721.60-248.01-4.641.76717.67214186.50-13.61-185.4423.581.06310.63315-226.2722.74226.60-22.550