针对台区网损和电压偏差测量的ICOA算法实现_杨海跃.pdf

北大中文核心期刊国外电子测量技术 ：针对台区网损和电压偏差测量的 算法实现杨海跃高建宇王虎张惠娟（国网河北省电力有限公司衡水供电分公司 衡水 ；华北理工大学轻工学院 唐山 ；河北工业大学电气工程学院 天津 ）摘要：台区网损和电压偏差精准测算对促进台区能源节约和提高电能质量具有重要意义。旨在研究考虑分布式电源的台区综合优化问题，以提高台区电能质量、降低能源损耗。首先，提出改进型蹼鸡优化算法（）解决多约束、多目标的非线性台区综合优化问题，并验证了所提方法的先进性；然后，搭建考虑分布式电源的台区综合优化模型；最后，在测试系统中构建多场景验证所提方法的有效性。实验结果表明，与初始状态相比，有功损耗降低了 ，节点电压偏差降低了 。研究通过对台区网损和电压偏差的测算与优化，显著改善了台区能源效益和电能质量，对促进经济生产具有重要意义。关键词：台区网损；分布式电源；电能质量；改进型蹼鸡优化算法中图分类号：文献标识码：国家标准学科分类代码：（，；，；，）：，（），：；收稿日期：基金项目：天津市自然科学基金重点项目（）、国网河北省电力有限公司衡水供电分公司科学技术项目（）资助引言风能、太阳能等清洁能源在电力系统中的渗透率不断增长。台区是电力系统中重要的组成部分，其内部具有风能、太阳能等分布式电源（，），且网络拓扑可以灵活调整。台区与 联系紧密，然而，出力的随机性会使系统的节点电压、网络损耗、支路功率等发 生较 大 改 变，严 重 影响 了台 区 安全 稳 定 运国外电子测量技术北大中文核心期刊行。电压过高会影响台区设备的寿命，甚至损坏设备，而电压过低可能降低设备的运行性能，还会引起系统电压不稳定问题，威胁系统安全运行。台区的网损直接关系到系统能源效益和供电企业的经济效益，只有对台区网损进行准确测算，才能得到合理的线损分布，为节能降损提供依据。因此，需要对台区网损和电压偏差进行精准测量和计算，以提高台区能源效益和电能质量。网络重构、无功优化作为改善台区运行的技术手段，可以有效优化台区运行，减少台区网损和电压偏差。网络重构通过控制开关通断，改变潮流分布，改善系统电压分布，能够有效降低网络损耗、提高能源利用率。现阶段，网络重构按时间断面可分为静态重构和动态重构。其中静态重构主要是考虑在某一时间断面下，在电源出力、负荷消耗的功率全部已知的情况下，寻找在当前情境下最优的拓扑结构。动态重构考虑的是在连续时间段内的运行情况，即考虑电源、负荷的时序特性，在电源、负荷功率随时间不断变化的情况下，使系统在连续时间下整体最优的网络重构。无功优化利用并联电容器（，）、静止无功补偿器（，）等进行无功补偿，能够有效降低发电成本、减少能源损耗、增强系统电压稳定性、提高电能质量。在台区规划阶段计及网络重构与无功优化等技术，充分利用台区内多种可控源并合理规划网络拓扑结构，以达到节能降损、提高电压控制能力的目的，符合台区发展趋势，对电网的经济性、运行可靠性以及电能质量的提升等都具有重要理论意义和实际工程应用价值，且有助于打造优质可靠的台区能源资源优化配置平台，提升区域源荷平衡和能源综合利用效率，推动区域能源结构调整和低碳发展。随着分布式能源的接入，台区的拓扑愈加复杂，内部包含多种，因此计及网损和电压偏差测量的台区优化运行是一个多约束、高维度、多目标的复杂非线性优化问题。台区网损和电压偏差测算及优化问题是当前的热门研究问题，传统网损测算常用的方法包括电压损失法、等值电阻法和台区损失率法等。随着人工智能的发展，出现了一些智能化、高效化的智能算法。台区网损测算和优化也正朝着智能计算方法发展，如粒子群优化（，）算法、鲸鱼优化算法（，）、多元宇宙优化（，）算法，飞蛾扑火优化（，）算法 等。文献 采用鲸鱼优化算法解决最优无功功率调度问题，从而实现功率损耗的降低，但只考虑了功率损耗问题，不能满足实际工程需求。为了满足工程实际，文献 考虑多个影响因素，构建了多目标无功优化模型，并采用模拟渔民捕鱼优化算法求解模型，提出了一种基于用户参考区域将目标函数转化为约束的方法，提高搜索速度，但容易陷入局部最优。传统算法收敛速度普遍较慢，容易陷入局部最优，因此提出了许多改进的优化方法。文献 提出模糊粒子群优化算法（，），提高粒子群算法性能，实现无功优化，并建立系统静态和动态数学模型，但是该模型没有考虑分布式电源对台区的影响。文献 考虑分布式电源的接入，对包含风电和光伏的系统模型进行无功优化，降低网络损耗和提高电能质量，但没有考虑运行成本。文献 提出一种混合改进粒子群和灰狼优化算法（，），考虑实时电价和负荷的时变性，以网络损耗、运行成本和能源损耗为目标建立动态重构模型，提高了优化速度。然而上述研究只单独进行网络重构或者无功优化，没有考虑多种方法协同优化，限制了可再生能源在台区中的利用率，且台区电能质量还有较大提升空间。文献 提出了一种新的小偷窃警算法（，），优化 与电容器的配置并进行网络重构，但是只进行了静态分析。为了对系统进行动态分析，文献 提出了一种新颖的改进精英 算法来解决同时进行的网络动态重构和 分配问题，但是忽略了多个目标函数间的矛盾关系，可能不能获得实际最优解。文献 提出一种自适应粒子群优化算法对系统进行优化，先进行无功功率补偿再进行网络重构，然而忽略了 的接入对系统的影响，不能满足实际需求。文献 建立动态最优潮流模型，综合考虑网络重构、无功补偿等优化手段，降低网络损耗，增大可再生能源的消纳。然而，上述研究只将降低网络损耗或者实现最优潮流分布作为目标，不满足实际工程需求。含分布式电源的台区综合优化问题是一个多约束、多目标的复杂非线性优化问题，其问题处理需要性能优越的人工智能算法。因此，本文提出改进型蹼鸡优化算法（，）处理台区综合优化问题。同时，建立计及网损和电压偏差测算的台区综合优化模型，采用网络重构和无功优化两种手段进行协同优化，降低台区网络损耗，平抑节点电压波动，提高电能质量，减少能源浪费。首先，在蹼鸡优化算法（，）的基础上引入混沌初始化策略、高斯变异策略和莱维飞行策略，提高算法的搜索能力和收敛精度，提出 算法。然后，利用 算法优化所建模型。最后，分别采用测试函数和 节点系统验证 算法的优越性和所建模型的有效性。模型描述 目标函数与优化变量）有功功率损耗 （）式中：、和分别代表台区支路数、第条支路的电阻和第条支路的电流。北大中文核心期刊国外电子测量技术）节点电压偏差 （）式中：、和 分别代表台区节点数、第节点的电压幅值和第节点的额定电压。）综合目标函数 （，）（）式中：、分别代表有功损耗的权重系数、节点电压偏差的权重系数、未优化前的有功损耗、未优化前的节点电压偏差。本文设置 ，（接入 后系统的网络损耗和电压偏差）。）优化变量为提高台区的电能质量，实现经济安全运行，选择台区连接开关的通断状态、静止无功补偿器的接入容量和并联电容器组的接入组数作为优化变量。约束条件）潮流平衡约束 ，（）式中：和 分别为线路供电的有功功率和无功功率；，和，分别为第个 的有功功率输出和无功功率输出；，和，分别为第条线路的负载需求的有功功率和无功功率；，和，分别表示第条线路的有功功率损耗和无功功率损耗。）不等式约束，.（）式中：，、，分别为节点的电压上下限值，取 ，取 ；为支路流过的电流；为线路允许流过的最大电流；为第个静止无功补偿器投入容量；.、.为第个静止无功补偿器投入容量的上下限；为第个并联电容器组投入组数；.、.为第个并联电容器组投入组数的上下限；为重构后的网络拓扑；为所有可行的网络拓扑集合。）网络拓扑化简为生成满足台区径向结构的决策变量，减少不可行解，进行配电网拓扑化简，具体步骤如下。（）去除含联络开关的支路，生成关联矩阵，为支路数、为节点数。（）在关联矩阵的最后一行加入含联络开关的支路，计算矩阵每列的元素之和。将和为的节点相连的支路去除。（）重复步骤（），至矩阵的每列元素和不为，剩余的支路就是第一个联络开关所对应的回路中的支路。（）依次在关联矩阵的最后一行加入带联络开关的一条支路，重复进行上述步骤，找出每个联络开关所对应的回路，最后进行径向结构约束检验。蹼鸡优化算法与改进型蹼鸡优化算法）蹼鸡优化算法蹼鸡优化算法是一种新颖的智能优化算法。该算法中，蹼鸡群分为普通蹼鸡和领导者两类。（）普通蹼鸡位置更新 （）（），（），且 （），其他（）（），（）式中：、和分别代表第次迭代时第个普通蹼鸡的位置、第次迭代时第个普通蹼鸡的位置、第次迭代时第个普通蹼鸡的位置和第次迭代时第个领导者的位置；和分别代表当前迭代次数和最大迭代次数；和分别代表决策变量的维度和领导者的个数；代表一个维的矩阵，且其元素均属于之间；、和都是随机变量；和均为属于的随机变量。（）领导者位置更新 （）（），（）（），其他（），（）式中：和分别为第次和第次迭代时第个领导者的位置；是全局适应度最优个体的位置。）改进型蹼鸡优化算法为了增加算法种群的多样性、提高算法的搜索能力和收敛速度，在蹼鸡优化算法的基础上引入混沌映射策略、莱维飞行策略和高斯变异策略，提出 。（）混沌映射策略本文引入三阶混沌映射策略对种群初始化，增加种群多样性。国外电子测量技术北大中文核心期刊.（）.（.）.，（）式中：和分别表示搜索空间中第维变量的上、下界；.、.和 分别表示种群中第个体搜索空间中的第维坐标、混沌空间中第个体的第维坐标和种群数。（）莱维飞行策略为了增强算法的搜索能力，在种群链式运动中引入莱维步进因子。改进后的个体位置跟新公式为：（）（），（），且 （），其他（）（）（）（）！，（）（）（）（）（）（）式中：是莱维步进因子；和均为随机变量；的值取 。（）高斯变异策略.，（，）（）式中：.和.分别为高斯变异后和高斯变异前的第个体的第维决策变量；是随机变量且服从正态分布；和分别代表种群数和决策变量维度。对变异个体的适应度值进行计算，并与当前最优解的适应度值进行比较，通过优胜劣汰的方法确定最优个体。图所示为 优化计及网损和电压偏差测算的综合优化模型的流程。采用 算法优化的主要步骤如下。输入系统参数及初始化 算法参数，包括种群数、迭代次数、领导者个体比例等。混沌初始化所有种群的位置，判断是否满足约束条件，若不满足则重新初始化，然后根据领导者个体比例将所有种群划分为领导者和普通个体。更新领导者位置，并对领导者位置进行高斯变异，然后根据优胜劣汰规则选择新的领导者。根据领导者位置更新普通个体位置，并对普通个体位置进行高斯变异，然后选择新的普通个体。判断是否到达最大迭代次数，若未到达最大迭代次图 优化流程数，则返回步骤，若到达，则进行下一步骤。输出适应度值最优的个体位置以及其最优值。仿真分析 算法性能分析）算法参数设置为了验证 算法的性能，选取个基准测试函数对其测试验证。选取鸡群优化算法（）、和 作为对比算法，各算法的主要参数设置如表所示。表各算法的主要参数设置算法参数 ，表中，、和分别代表公鸡、母鸡和小鸡占比；、和分别代表惯性因子、社会学习因子和个体学习因子；和分别代表虫洞存在概率和开采度；北大中文核心期刊国外电子测量技术、分别代表领导者占比、领导者位置调整因子和莱维飞行步长因子。）测试函数与评价指标的选择单峰测试函数能评估算法的收敛速度与收敛精度，多峰测试函数用于测试算法跳出局部最优的能力与全局搜索的能力。因此，本文选择个单峰测试函数与个多峰测试函数来验证算法的综合性能。测试函数相关信息如表所示，单峰测试函数如图所示，多峰测试函数如图所示。表测试函数相关信息函数维度范围最优值单多峰（），单峰（），单峰（）（），单峰（）（）（），多峰（）（），多峰图单峰测试函数图多峰测试函数）算法运行结果分析为了保证测试结果的公平性，各测试结果均为独立实验 次后的结果，并将算法的总迭代次数和种群数均设置一致，总迭代次数设置为 ，种群数为 。表所示为 、和 在单峰测试函数上的结果。表所示为 、和 在多峰测试函数上的测试结果。表为各算法在单峰测试函数中独立运行 次后最终收敛值的平均值、标准差和最优值，且将各指标下的最优值进行了加粗处理。相较于 、和 算法，算法的各项指标均最优，表明 算法收敛速度最快