基于粒子群算法的风电场并网电力系统的无功优化

发布时间：2019-07-15 21:23

【摘要】：随着我国经济的飞速发展,用电需求量也变得越来越大,电力系统的安全稳定问题越来越受到人们的重视。电压是影响电力系统的一个重要因素,而无功功率1则是衡量电压质量的一个重要指标,所以我们通过对电网系统进行合理的无功优化2,这样不仅能保证电力系统安全稳定的运行,还能适当的降低网损。通过对基本粒子群算法及一些改进的粒子群算法进行研究和分析,本文提出了一种改进粒子群算法,先采用混沌序列预处理粒子的位置,增强粒子的遍历性,然后在粒子群速度更新迭代中引入粒子历史最差个体的反向学习能力,明显改善了粒子群算法迭代后期的早熟收敛现象。电力系统无功优化计算可归类为一个非常复杂的非线性规划问题,其约束等式是一个高阶方程组称为潮流方程,包括了多个连续和离散的变量和约束条件。实现电力系统无功优化可通过调整发电机的机端电压、可调变压器的变比和可投切电容器无功补偿来完成,以达到降低电力系统的损耗和电压的越限概率,使电网能够更加安全稳定的运行。介绍了风力发电技术和风能并网方面相关的知识,本文所选的风电场中的风电机组为双馈感应风电机组,然后用改进粒子群算法对该类型风电场并网后的电力系统进行无功优化计算,并且介绍了其中几个关键问题的处理,主要包括风力分时段策略、控制变量的编码方式。其中适应度函数选取了以网损3最小为目标函数并结合罚函数的模型;潮流方程的计算采用P-Q分解法。随后给出了改进粒子群优化算法应用于风电场并网的电力系统无功优化的流程。为了验证所提算法的有效性,本文选取了IEEE57节点系统以及相应的风电场,将改进粒子群算法应用在风电场并网的IEEE57节点标准测试系统上,并和混沌粒子群算法(Chaos Particle Swarm Optimization,CPSO)、分组粒子群算法(Grouping Particle Swarm Optimization,GPSO)、双变异粒子群算法(Lowdiversity Highdiversity-Dual Mutation Particle Swarm Optimization,LH-DMPSO)和基于交叉因子与双向学习机制粒子群算法(Cross-factor and Bilingual learning Mechanism Particle Swarm Optimization,CBMPSO)进行比较,仿真结果表明改进粒子群算法有效地降低了系统的网损。
文内图片：
图片说明： 迭代次数 k 是否等于 M，若满足则退出循环，否则迭代次数 k 加 1 转到第（与仿真多维多峰函数 Ackley 和 Rastrigin 函数，对本文所提算法、CPSO、LH-DMMPSO 进行仿真，将仿真结果相互比较并分析了性能。y 函数： fxxxeeeNjjNjjxNxNN ,2020112cos2110.2*12 ，，在 ,12 Nxxx值 0。gin 函数： NiNiifxxxxx1212, 10cos2 10，在 ,0,0012 Nx xxckley 函数和 Rastrigin 函数的仿真图形如下：
文内图片：
图片说明： 图 2.2 Rastrigin 仿真图形验参数选取如下协同参数：种群规模N固定为50，粒子的速度 30maxv ， minv 上限 a=50，下限 b 100，学习因子 1.512c c ， 13c ，惯性权重 ω=0子与双向学习机制的粒子群算法以及改进算法中的 p=0.1。双变异=0.003，highdiversity=0.3。混沌算法中的控制变量 μ=4。本实验中每个函数100 次，问题空间的维数 D 设为 50 维。在图 2.3 和图 2.4 中，虚线表示改进次测试结果，其他曲线描述了五种算法各自独立进行 50 次测试获得的适应平均值。数为 Ackley 函数时仿真结果如下：
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TM614;TM714.3

【相似文献】

相关期刊论文 前10条

1 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

2 吴军;李为吉;;改进的粒子群算法及在结构优化中的应用[J];陕西理工学院学报(自然科学版);2006年04期

3 段海涛;刘永忠;冯霄;;水系统优化的粒子群算法分析[J];华北电力大学学报(自然科学版);2007年02期

4 王伟;;混合粒子群算法及其优化效率评价[J];中国水运(学术版);2007年06期

5 付宜利;封海波;孙建勋;李荣;马玉林;;机电产品管路自动敷设的粒子群算法[J];机械工程学报;2007年11期

6 蒋荣华;王厚军;龙兵;;基于离散粒子群算法的测试选择[J];电子测量与仪器学报;2008年02期

7 周苗;陈义保;刘加光;;一种新的协同多目标粒子群算法[J];山东理工大学学报(自然科学版);2008年05期

8 姚峰;杨卫东;张明;;改进粒子群算法及其在热连轧负荷分配中的应用[J];北京科技大学学报;2009年08期

9 张大兴;贾建援;张爱梅;郭永献;;基于粒子群算法的三轴跟瞄装置跟踪策略研究[J];仪器仪表学报;2009年09期

10 王丽萍;江波;邱飞岳;;基于决策偏好的多目标粒子群算法及其应用[J];计算机集成制造系统;2010年01期

相关会议论文 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

相关博士学位论文 前10条

1 王芳;粒子群算法的研究[D];西南大学;2006年

2 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

3 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

相关硕士学位论文 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

本文编号：2514881