基于改进遗传算法的含风电场电力系统无功优化

发布时间：2021-12-21 22:16

　　文中研究了目前分布式电源中发展最成熟的风电机组及其并网后对电力系统无功优化和有功网损的影响。引用基于概率发生的风机功率场景选择策略,考虑风电机组随机出力的场景模型。在电力系统潮流计算中同时考虑风电机组的特点,构造出含风电机组的电力系统无功优化模型。该模型以网损期望值最小为目标函数,并考虑控制变量和状态变量约束。在上述模型的基础上,使用改进遗传算法对含风电场的IEEE33节点系统进行无功优化,并改进了随着遗传自适应的交叉率和变异率计算公式,与传统遗传算法相比,得到了更好的网损和电压优化结果。算例表明,改进算法和模型具有更好的计算性能,证明了其有效性。 

【文章来源】：现代电子技术. 2020,43(13)北大核心

【文章页数】：6 页

【部分图文】：

风电机组的功率特性曲线

为了验证算法及模型的可行性，对IEEE 33节点系统进行无功优化试验。本系统负荷总有功功率为3 715 kW，总无功功率为2 300 kvar。在系统节点0和1之间加入1台有载调压变压器（包含5个分接头，可调电压范围为0.95～1.05）。在节点5和节点27处安装可投切电容器组，单组电容器容量为50 kvar，最大可投切组数为10组。在电容器组投入运行和有载调压变压器分接头在额定位置不进行变化前，该系统的有功网损值为150 kW。在系统节点18处接入1台采用异步发电机的风电机组，额定容量为600 kW，机端额定电压为690 V，切入风速为3 m/s，额定风速为12 m/s，切出风速为25 m/s，尺度参数c为8.5，形状参数k为2.0。本次试验将风电机组并网情况划分为三个场景，由以上参数并通过式（5）～式（7）计算得到各场景发生概率和风电输出功率如表1所示，风机输出功率期望值为0.339 MW。改进遗传算法参数分别设置如下：种群规模为50，最大迭代次数为50，最大交叉率Pc2为0.75，最小交叉率Pc1为0.5，最大变异率Pm2为0.1。

图3是在表4的基础上，为了能更好对比传统遗传算法和本文改进遗传算法之间的优劣，将三种情况下的算法运行30次后得出的收敛曲线。图4是节点电压优化前和优化后的对比图，可见优化后节点电压水平更稳定。图4 节点电压优化图

【参考文献】：
期刊论文
[1]主动配电网分布式无功优化控制方法[J]. 梁俊文,林舜江,刘明波.  电网技术. 2018(01)
[2]基于二阶锥规划的含分布式电源配电网动态无功分区与优化方法[J]. 林少华,吴杰康,莫超,王正卿,郭清元.  电网技术. 2018(01)
[3]基于最优分割法的含DG配电网动态无功优化[J]. 季玉琦,耿光飞,温渤婴,李秀磊,陆凌芝,魏子睿.  电网技术. 2017(08)
[4]基于改进遗传算法的配网无功优化[J]. 余路.  现代电子技术. 2016(22)
[5]多场景下含风电机组的配电网无功优化的研究[J]. 陈继明,祁丽志,孙名妤,薛永端.  电力系统保护与控制. 2016(09)
[6]考虑多个风电机组接入配电网的多目标无功优化[J]. 汪文达,崔雪,马兴,汪颖翔,刘会金.  电网技术. 2015(07)
[7]考虑双馈电机风电场无功调节能力的配电网无功优化[J]. 赵晶晶,符杨,李东东.  电力系统自动化. 2011(11)
[8]包含分布式电源的配电网无功优化[J]. 张丽,徐玉琴,王增平,李雪冬,李鹏.  电工技术学报. 2011(03)
[9]基于改进遗传算法的风电场多目标无功优化[J]. 赵亮,吕剑虹.  电力自动化设备. 2010(10)
[10]含风电场的电网多目标无功优化[J]. 魏希文,邱晓燕,李兴源,张子健.  电力系统保护与控制. 2010(17)



本文编号：3545275