基于并行動態無功優化蟻群算法的應用

周鑫,劉柱揆,許守東

(云南電網公司電力研究院,昆明 650217)

基于并行動態無功優化蟻群算法的應用

周鑫,劉柱揆,許守東

(云南電網公司電力研究院,昆明 650217)

為考慮負荷變動下動態無功優化控制變量全天動作次數的限制,針對其多目標、強時空耦合的特點,以全天電能損耗最小、變壓器分接頭和電容器投切次數最少為目標函數,通過改進調節變量動作的時間約束,提出一種更加實用的新模型。利用并行算法計算不同目標函數,并通過多種信息素交換方可得到多組的較優解,增加了算法的靈活性和實用性。本文蟻群算法在尋優過程中不僅計及整個網絡電能損耗的減少,而且改進了蟻群間信息素交換規則,因此能夠較快地找到對電能損耗影響較大的節點,提高搜索速度。通過IEEE14、IEEE30系統仿真計算驗證了該模型及算法的有效性和可行性。結果表明該文模型及算法能夠有效的調節及分配控制變量的動作次數,對調節時機的選擇也更為準確。

動態無功優化;并行蟻群算法;多目標

1 前言

電力系統動態無功優化中不僅需要考慮系統全天負荷的變動,還要滿足控制設備動作次數的要求。所以,其是一個大規模、非線性、多時段的混合整數規劃。由于問題本身的復雜性和矛盾性,電網在實際運行中往往是根據經驗安排全天的動作時間及次數。因此,如何在保證電能質量的前提下通過合理控制變壓器分接頭和并聯電容器投切,引起了眾多研究人員的興趣。

目前,電力系統動態無功優化目標函數主要為在滿足動作次數的約束條件下使電網全天電能損耗最小[1-8]。在此基礎上,文獻 [9]針對電力市場下無功服務的特點,以有功網損電費和無功輔助服務費用的總和最小為目標,提出了計及無功費用的日無功計劃數學模型。

在求解策略上主要通過數學方法及進化算法[10-15]仿真分析。文獻 [11-12]應用內嵌離散懲罰機制的非線性原對偶內點法求解動態無功優化問題,較好的解決內點法求解時存在維數災的問題。文獻 [13]提出一種改進的禁忌搜索算法,將時間段的起始點和該段控制變量共同構成解向量,達到整體上優化的效果。文獻 [14]根據設備的壽命將動作次數轉化為經濟成本,保證的經濟效益,但這樣調節可能無法有效的提高電網的電能質量,不能滿足電網的實際需要。文獻[15]將一天24h的負荷曲線按照劇烈程度分為相應的階梯狀分布曲線,各分段對采用靜態無功優化,有效的減少了計算時間。但是靜態分時段方法無法很好的從全局上考慮每次設備動作的效果,全局尋優能力較弱。

文中首先根據我國110 kV及以上變壓器分接頭全天動作次數需少于10次的規定[16-17],對模型進行了研究,提出一種具有時間約束的新多目標模型。然后針對該模型對多種群蟻群算法進行討論,建立了一套新的搜索策略和信息交換規則,使蟻群能夠更加容易的得到多個全局最優解,為實際系統的運行增加了靈活性。

2 多目標動態無功優化的數學模型

動態無功優化是一個多目標問題,單目標算法無法從整體上考慮動態無功優化的要求。為了提高電網運行的可靠性、安全性、靈活性。本文選取系統全天電能損耗最小和調節設備動作次數最少為目標函數,并改進了調節設備動作的時間約束,其目標函數及約束條件表示如下：

(1)目標函數

minF=(f1,f2) (1)

(2)約束條件[7]

PGi-PLi-Ui∑nj=1Uj(Gijcosδij+Bijsinδij)=0 (2)

QGi-QLi-Ui∑nj=1Uj(Gijsinδij-Bij-Bijcosδij)=0 (3)

QGimin≤QGi≤QGimax(4)

Vimin≤Vi≤Vimax(5)

QCimin≤QCi≤QCimax(6)

Timin≤Ti≤Timax(7)

式中：f1=min∑23i=0Ploss,t(Vt,Qt,Tt)Δt為系統全天電能損耗;f2=min∑23t=0(Tl,t⊕Tl,t+1|,|Cm,t⊕Cm,t+1|)為控制設備全天動作次數;PGi(QGi)、PLi(QLi)、Ui、Gij、Bij、δij分別為節點i的發電機有功(無功)出力、有功(無功)負荷、節點i電壓、節點i與節點j間電導和電納以及節點間的電壓相角差;QGimin(QGimax)、Vimin(Vimax)、Qcimin(Qcimax)、Timin(Timax)分別為發電機注入無功、節點電壓幅值、并聯電容器無功容量、變壓器變比的最小(最大)值。

電力系統動態無功優化主要是根據各時段負荷水平調節控制設備的狀態,使系統的全天電能損耗達到最小。但考慮到電容器開關和OLTC分接頭等離散控制變量的使用壽命,必須對它們的全天動作次數進行限制。由于不同時段間控制設備的調節效率,與該時段負荷變化率幅度相關[18]。但文獻[18]對離散控制設備動作區間是優化初期就確定的,沒有根據控制設備的動作情況對其進行調整,而且相關參數是通過仿真得到,對于不同系統需重新進行計算,增加了優化過程的難度和工作量。因此,本文提出動態調整離散控制設備動作區間約束條件的方法。

在對每個時段優化時,首先根據各控制設備剩余的調整次數及之后時段的負荷率差值,重新計算當前時段的控制設備可動作次數,如式(8)～(10)。

式中：FT-t為T-t時段的負荷率差值;Ts表示T時段無需動作時間,分別對應于式(9)、(10)中的Ta、Tn;AT為T時段離散控制設備總剩余可動作次數,每一時段優化后均對其進行計算;Tl,t為第l個變壓器分接頭t時段的檔位值,式(9)表示只允許變壓器分接頭在Ta個相鄰時段動作一次,本文認為分接頭每調節一檔即動作一次。Cm,t為第m個電容器開關t時段的狀態,式(10)表示只允許電容器在Ts個相鄰時段動作一次,本文采用實際變電站電容器“先投先切、后投后切”的原則[19],并對不同精度的目標設定不同的時間間隔。

3 蟻群算法求解策略

3.1 蟻群算法[20]

螞蟻優化算法本身是一種迭代算法,但它并不是簡單的迭代,當前的迭代總是利用以前迭代的信息,即模擬了信息正反饋原理。由于正反饋原理和啟發式算法相互作用,使得蟻群算法有著較強的全局收斂性,并在解決TSP問題中的到了驗證。

3.2 啟發因子選擇

為了反映各控制變量對總電能損耗變化的影響程度,本文選取電容器無功對電能損耗的靈敏度[21]及流過變壓器的電流為能見度因子。

3.3 基于雙種群蟻群算法的動態無功優化

本文在蟻群算法具有內在的并行性和加強學習的特點的基礎上,結合動態無功優化的特點采用改進的雙種群蟻群算法,運用不同的螞蟻種群分別計算兩個不同的目標函數,并根據所需可行解的個數自動調整約束條件的數值從而得到幾組可行解,增加了運行地靈活性。

3.3.1 目標函數的轉化

本文把動態無功優化問題設計成類似于TSP (Traveling Salesman Problem)問題的模式,并適當的處理約束條件,從而使該問題可以運用蟻群算法求解。螞蟻優化算法中,每個優化方案均由一只螞蟻走過的路徑表示。每次優化的所有狀態對應于TSP問題中的各個城市,而兩個狀態之間的決策對應于TSP中直接連接兩個城市的路徑。相應的目標函數式(1)中的f1、f2可以分別寫成TSP問題模式：

式中：π(k)代表每只螞蟻在第k次調節控制設備時選擇的狀態集合;Qt,π(k)、 Tt,π(k)分別代表在t時段對應的補償容量及變壓器分接頭的變比向量的狀態集合;∑β(k,t)代表每只螞蟻在t時刻第k次調節控制設備時設備的調節次數的狀態集合。

3.3.2 信息素更新規則

本文采用與文獻 [18]相同的單種群蟻群算法狀態轉移概論和搜索策略,并對種群間信息素交換方式進行改進,為了保持種群的多樣性在更新過程中需要考慮每個控制變量的種群密度系數如式(21)、(22)所示[22];在一次搜索完成之后,則加強上次搜索的較優信息素濃度。假設現有n個控制變量。

式中：Dj,k表示控制變量j在第k次調節設備時的動作次數;fk為控制變量k的種群密度;(t)為螞蟻第k次調節時節點t的信息素;ek表示多樣性系數隨搜索次數的增長影響度成指數增長;β、χ為常數。τij(t+n)表示完成一次搜索后節點的信息素;Di為控制變量在上次搜索過程中所動作的次數。

為了使不同種群在不同時間段能有效的收斂于最優解,本文采用信息素的橫向交換和縱向更新規則[22],并對其進行改進。在每次搜索開始前讀取以前時段的相應最優解的信息素濃度,并在搜索完成后,對不同種群之間相應的最優解進行信息交換。(22)

式中：τm,ij(t,k)為種群m在t時刻第k組可行解中控制變量 i的信息素初始濃度Em,i,T,k為種群m在t時刻以前控制變量i在第k組最優解中的動作次數;En,i,t,k-1為種群n在t時刻控制變量在第k-1組最優解中的動作次數。e為常數,表示兩個種群的信息交換量隨著尋優過程逐漸增加。

3.3.3 并行蟻群算法流程圖

圖1 并行蟻群算法的動態無功優化流程圖

4 算例分析

文中計算程序采用Matlab7.0環境編制,采用IEEE14[23]、IEEE30[19]節點,對所建模型與算法進行仿真。全天24h負荷曲線如下圖2所示：

圖2 系統負荷率分布曲線

4.1 調節設備動作時間約束的影響

以文中模型算法、文獻 [23]模型算法、無時間約束模型為例,全天能耗最小為目標函數,對表1、表2分別采用負荷曲線1、2,對IEEE14測試系統進行仿真計算。

表1 IEEE14系統3種模型下的動態無功優化結果

表2 IEEE14系統2種模型下的動態無功優化結果

從表1中可以看出,若采用文獻模型及算法, IEEE14系統3組變壓器分接頭全天動作次數分別為6、14、8。在多種群蟻群算法無時間約束模型條件下,變壓器全天調節次數分別為7、14、1,動作總次數相比較少,但全天電能損耗略小,說明本文算法在動作時間及動作幅度的選擇上更為準確,能夠有效的收斂于全局最優解。

但結果仍無法滿足系統實際運行中變壓器全天動作次數需少于10次的要求,通過分析表1、表2可以得知,在兩種負荷條件下,與文獻模型、無時間約束模型相比,本文模型仿真結果全天電能損耗分別增加0.16 MW·h、0.19 MW·h、0.09 MW·h,而變壓器的動作次數明顯減少,各變壓器調節時間和調節次數也更加均勻,可以有效減少變壓器在短時間內產生的電弧,使其有充分的冷卻時間,延長變壓器壽命。

4.2 多目標結果的分析計算

采用文中提出的多目標模型的多種群蟻群算法以全天電能損耗最小、變壓器分接頭和電容器投切次數最少為目標函數,每個種群得到3組解為條件,對IEEE14、IEEE30測試系統進行仿真,部分計算結果見表3、表4。

表3 多種群蟻群算法IEEE14優化結果

表4 多種群蟻群算法IEEE30節點優化結果

表3為IEEE14節點仿真計算結果,K、M分別代表螞蟻種群1、2。從表3中可以得出種群1的優化結果隨著變壓器分接頭的減少全天能耗也隨之變化。種群2中M1、M2動作次數相同而全天能耗的不同。從M3與K2對比可以發現,M3的動作次數相對較少但效果較好。分析表4同樣可以發現,M3與K1相比動作總次數少一次,優化效果卻較好。通過分析有兩點原因,1.電容器動作次數及補償容量的不同;2.兩個種群通過交換信息素互相學習加強了蟻群算法的全局尋優性能。在本文多目標算法中可以根據需要可以得到不同目標函數的幾組近似解,從而能夠為系統的實際運行提供了不同的方案。

5 結束語

本文建立了動態無功優化的新模型,提出了一種新的雙種群蟻群算法,通過對 IEEE14、IEEE30系統進行仿真計算,結果驗證了模型及算法的正確性、有效性,并得出如下結論：

1)模型考慮了動態調節設備的動作時間約束,能夠有效的保證變壓器全天的動作次數要求,并可以更加合理的分配分配變壓器、電容器動作次數。

2)根據蟻群算法的并行性,采用雙種群群算法蟻群算法計算多目標問題,為運行人員同時提供多組較優解,增加了算法的靈活性和全局尋優能力。

[1] 胡澤春,王錫凡.配電網無功優化的分時段控制策略[J].電力系統自動化,2002,26(6)：45-49.

[2] 王秀麗,李正文,胡澤春,等.高壓配電網無功/電壓的日分段綜合優化控制 [J].電力系統自動化,2006,30 (7)：5-29.

[3] Youman Deng,Xiaojuan Ren.A Heuristic and Algorithmic Combined Approach for Reactive Power Optimization With Time-Varying Load Demand in Distribution Systems[J]. IEEE Transaction on Power Systems,2002,17(4)：1068 -1072.

[4] 王淳,程浩忠,陳懇.配電網動態無功補償的整體優化算法 [J].電工技術學報,2008,23(2)：109-114.

[5] 賴永生,劉明波.電力系統動態無功優化問題的快速解藕算法 [J].中國電機工程學報,2008,28(7)：32-39.

[6] Liang R H,Cheng C K.Dispatch of main transformer ULTC and capacitors in a distribution system[J].IEEE Trans on Power Delivery,2001,16(4)：625-630.

[7] 蔡昌春,丁曉群,王寬,等.動態無功優化的簡化方法及實現 [J].電力系統自動化,2008,32(5)：43-46.

[8] 任曉娟,鄧佑滿,趙長城,等.高中壓配電網動態無功優化算法的研究 [J].中國電機工程學報,2003,23(1)：31-36.

[9] 舒雋,張粒子,劉易,等.電力市場下日無功計劃優化模型和算法的研究 [J].中國電機工程學報,2005,25 (13)：80-85.

[10] Hus YY,Lu F C.A combined artificial neural network-fuzzy dynamic programming approach to reactive power/voltage control in a distribution substation[J].IEEE Transaction on Power Systems.1998,13(4)：1265-1271.

[11] 繆楠林,劉明波,趙維興.電力系統動態無功優化并行算法及其實現 [J].電工技術學報,2009,24(2)：150 -157.

[12] 劉明波,朱春明,錢康齡,等.計及控制設備動作次數約束的動態無功優化算法 [J].中國電機工程學報,2004, 24(3)：34-40.

[13] 攝偉,劉健,周艷.考慮時段優化的地區電網無功電壓優化控制 [J].電力系統自動化,2009,33(4)：31-35.

[14] 張勇軍,俞悅,任震,等.實時環境下動態無功優化建模研究 [J].電網技術,2004,28(12)：12-15.

[15] 方興,郭志忠.配電網時變無功優化方法 [J].電力系統自動化,2005,29(9)：40-45.

[16] 許有方.華中電網500 kV樞紐變電站的有載調壓器和靜止無功補償器 [J].電網技術,2003,27(6)：68-70.

[17] 楊斌文,劉芳.有載分接開關的質量檢測、運行管理與故障處理 [J].變壓器,2009,46(2)：47-49.

[18] 周鑫,諸弘安,馬愛軍.基于多種群蟻群算法的多目標動態無功優化研究 [J].電網技術,2012,36(7)：231 -236.

[19] 顏偉,田甜,張海兵.考慮相鄰時段投切次數約束的動態無功優化啟發式策略 [J].電力系統自動化,2008,32 (10)：71-75.

[20] Dorigo M,Maniezzo V,Colorni A.Ant system：optimization by a colony of cooperating agents[J].IEEE Transactions on SMC,1996,26(1)：29-41.

[21] 陳珩.電力系統穩態分析 (第二版)[M].北京：中國電力出版社,1995.

[22] 崔遜學.多目標進化算法及其應用 (第一版)[M].北京：國防工業出版社,2006.

[23] LIU Fang,C.Y.Chung,K.P.Wong.Hybrid Immune Genetic Method for Dynamic Reactive Power Optimization[J]. Power System Technology,2006.PowerCon 2006,Oct 22-26.2006：1-6.

To consider the control variables limits in a day of the dynamic reactive power optimization which load changes,according to the characteristic of the a space-time close coupled a new model for dynamic reactive power optimization is proposed,which the objective functions is minimum power loss throughout the day and the minimum switching operations,by limits of regulation time.In order to get different target groups of the better solutions,many kinds of way are used to change the pheromone.The colony optimization search strategy of ACOA is improved,they can find compensation buses that have a greater impact on network on network losses and improve the search speed.Test on IEEE 14bus、IEEE 30bus systems demonstrate the efficiency of the proposed model and algorithm. The results show that the model and algorithm can effectively control the regulation and distribution of the number of variables.

Dynamic Reactive Power Optimization;Dual-Ant Colony algorithm;Multi-objective

TM74

B

1006-7345(2014)01-0098-05

2013-12-03

周鑫 (1984),男,碩士,工程師,云南電網公司電力研究院,主要從事勵磁及保護工作 (e-mail)zhouxin8421@126.com。

Dynamic Reactive Power Optimization on the Basis of Dual-Ant Colony algorithm

ZHOU Xin,LIU Zhukui,XU ShouDong

(Yunnan Electric Power Research Institute,Kunming 650217)