關于新能源并網供電無功性能優化設計研究

【摘 要】因為新能源發電會受到光照及風力條件影響，而且在接入到配電網之后潮流走向會產生變化，系統的無功優化就會更加困難難度。對此，本文提出一種以判斷因子為基礎的自適應粒子群算法，依靠平均熵的初始化，提高種群多樣性，依靠判斷因子針對粒子的適應值收斂性展開動態跟蹤，對慣性權重進行自適應性調節，可以有效處理后期粒子可能陷入局部最優的狀況，算法的整體尋優水平得到有效提升，再與正弦變化學習因子相互配合進行策略調整，加快算法收斂速度，對于適應值較好的粒子，在其位置展開Logistic的混沌映射來有效增強搜索精度。依靠對有新能源接入的所有IEEE-30配電系統展開建模，和其余算法進行對比研究，進而驗證該算法的收斂性及尋優性更強。

【關鍵詞】新能源；并網供電；自適應粒子群算法；無功性能優化；

由于我國的用電需求不斷提升，環境和能源問題已經變得愈加惡劣，而化石燃料由于大規模消耗造成氣候污染問題，為全球都帶來嚴重影響，所以開發利用新型能源是當今的關鍵要點。新能源稱作非常規性能源，主要包含地熱能、海洋能、生物質能、風能以及太陽能之類的非化石性能源。

新能源發電優勢在于環保綠色、成本較低、電源的位置較為靈活。然而因為太陽能及風能所具備的屬性，所以新能源發電會具備清潔環保、間歇性以及隨機性特征。這樣配電網網絡構造就會由于新能源接入出現變化，進而從放射性的無源網絡改變成分布著中小型電源的供配電網絡，而配電網的潮流會有所改變，這樣對于系統網損以及電能質量都會造成一定的影響，潮流計算就會更加困難。所以針對新能源配網的無功優化展開研究是我們必須要做的。

最近這些年，人工智能優化算法發展十分迅猛。而一些研究者把其中一些智能尋優算法運用至電力系統的無功優化當中，而且收獲了較好的成效。智能算法主要包含蟻群算法、模擬退火算法、禁忌搜索算法、粒子群算法以及遺傳算法。這當中的粒子群算法由于魯棒性較好，容易實現及計算效率較高之類優勢應用較為廣泛。但是此算法的迭代后期是有一定缺陷的，尋優速度較慢，且容易陷入到局部最優解。而為了防止算法的早熟問題，借助離子聚集度，依照迭代的次數變化使慣性權重進行動態變化，目的在于迭代初期可以使搜索的范圍增大，在后期展開最優解的精細化搜尋，然而在學習因子上是沒有改進優化的。把學習因子和

慣性權重利用函數進行有效聯系，利用兩者的互相作用使得整體尋優和局部開發水平更為均衡，然而隨機初始化種群有可能造成粒子取值的不分散問題，迭代后期可能得不到最優解。此文中采取所提出的以平均熵為基礎的種群初始化，其與隨機初始化比較有時會存在不均勻分布問題，此手段能夠得到優良的初始種群分布。此文分析新能源并網可能為配電網電壓與網損造成的影響，然而對于慣性權重的相關調節手段只是隨著迭代次數指數而改變，無法依照粒子適應值大小完成動態性的自適應調節，迭代后期容易陷入到局部最優解。對此此文對粒子群算法缺陷進行優化，提出以判斷因子為基礎的一種自適應性粒子群算法。此種措施不僅能夠依靠判斷因子完成對慣性權重的一種自適應調整，而且能夠確保初始粒子的均勻性分布，使搜索范圍增大，防止陷入到局部最優。然后依靠建模，對措施可行性進行驗證。

1、電力系統無功優化的數學模型

此文將最小有功網損作為目標函數，將補償電容、變壓器分接頭檔位與發電機端的電壓視作控制變量，構建新能源配電網的無功優化模型。這當中的新能源電源能夠作為恒定無功補償源完成無功補償。

1.1無功優化目標函數

針對支路數是N的一個網絡系統，目標函數優化數學表達式為：

公式當中的Gk（i，j）是節點i和節點j間電導，Vi，Vj是節點i，j電壓幅值，而θi，θj是節點j與i相角。

1.2約束條件

（1）不等式的約束條件

公式當中Tmin與Tmax是有載調壓變壓器分接頭檔位上限與下限，QCmin與QCmax是無功補償電容器的投切組數上限與下限，UG是發電機有功功率出力，QG是發電機無功功率出力，U是節點電壓幅值。

（2）等式約束條件

公式當中PGi與QGi分別是節點i發電機的有功功率以及無功功率。而PLi與QLi分別是節點i負荷有功功率以及無功功率，Bij與Gij分別是節點i和節點j間電納與電導。N屬于系統當中的節點個數。

新能源接入配電網的無功優化屬于復雜程度較高的混合優化，其特征為約束較多、非線性且維度較高。此問題當中因為變量是非常多的，算法很容易就陷入到局部最優解，所以算法優化難點在于確保種群多樣性基礎上，算法可以依照自身收斂性展開參數調節，進而防止陷入到局部最優。

2、以判斷因子為基礎的自適應性粒子群算法

2.1簡化粒子群算法

基本PSO算法屬于通過鳥類覓食而得到的以群體智能為基礎的一種全局隨機性搜索算法。PSO算法初始化就是產生一些隨機粒子，N是總粒子數，搜索空間是D維，而第i粒子空間位置是Xi=（xi1，xi2……xiD），Vi=（vi1，Vi2……viD）是粒子i飛行速度，Pbesti=（pbesti1，pbesti2，……pbestiD）是D維空間中粒子i經過的最優部位，因此稱為個體最優化位置。

本文當中將最小有功網損minf（D）作為目標函數，D維數就是補償電容、變壓器分接頭檔位與發電機端的電壓。其中粒子i當前的最優位置公式是。

架設群體粒子數是N，而群體當中全部粒子經過最佳位置gbest（t）就是全局最優位置，這樣：

找出個體的最優值與全局的最優值之后，依照下式粒子對于自身的位置與速度進行更新

公式當中的ω是慣性權重，c1與c2是學習因子并都是正數，r1與r2取（0，1）。

基于基本PSO算法，提出了簡化PSO算法，而且通過數學角度來證明SPSO算法收斂性，收獲了優良的優化成效，此算法將粒子速度項舍掉。具體的數學表達式為：

2.2優化簡化粒子群算法

（1）慣性權重優化方法

慣性權重屬于SPSO算法當中的一項關鍵調整參數，能否有效選擇和SPSO算法的尋優性優劣有直接關系，對于慣性權重研究成果展開具體分析之后，此文采取以判斷因子為基礎的自適應性慣性權重手段，數學表達式的描述為下：

此公式當中ωstart=0.9，ωend=0.4，ωnow是當前的迭代慣性權重，i是當前的迭代次數，Imax是最大的迭代次數，std是算法的當前迭代適應標準差，mean是算法中當前的迭代適應度均值。Ρ是判斷因子，對算法的收斂性參數進行判斷。

此慣性權重的調節方法和實際的優化過程是符合的，通過上式能夠了解到當前的迭代收斂性會對下一次迭代之時慣性權重值造成影響，依照粒子的收斂性慣性權重能夠完成自適應性調節，迭代早期粒子收斂性差，其適應度的標準差較高，在迭代早期慣性權重比較高，進而確保算法早期能夠完成大規模空間中的粒子搜索，找到最適當粒子，進而讓算法全局搜索能力有效提升。優化算法后期判斷因子降低，不斷縮減范圍，確保粒子處于較好空間完成精細化搜索，提升收斂的速度，強化算法局部的搜索水平。這樣不僅能夠確保算法全局的尋優速度，而且可以確保粒子一直在合適空間范圍之中尋優，進而有效防止陷入局部最優。

（2）學習因子優化方法

算法迭代早期粒子的最優位置會很大程度受到個體的最優位置影響，算法迭代后期粒子的最優位置是通過粒子群最優位置進行決定，對此展開展開研究分析之后，此文選用正弦函數變化學習因子，數學表達式具體是：

公式當中c1是認知學習因子，而c2是社會學習因子。

迭代初期的c1比較大c2比較小，粒子的自身思考會對新的位置產生很大影響，如此可以使算法展開大范圍搜尋。在迭代的后期c1比較小c2比較大，粒子會很大程度受到鄰居粒子影響，這樣粒子會更容易收斂到全局的最優值。和常數項的學習因子比較，針對c1與c2展開分階段的調整更能滿足算法實際，并且維持兩者相對的獨立能夠提升算法尋優水平。

2.3平均熵為基礎的初始化

此文采取一種以平均熵為基礎的群體初始化方法，這樣可以使初始化的種群均勻分布到搜索空間當中。假設D是各個體維數，而N是初始種群的個體數目，通過信息論熵知，其群體熵H是與各位編碼熵Hj（j=1，2…，D）總和相等的。

公式中的m指初始的個體數，k指的是新初始個體，Pik是第i個體和第k個體的第j維的編碼相似性，即為：

其中Aj與Bj是第j維的變量上下界。先是對三個個體進行隨機初始化視作初始種群，之后再隨機產生新的個體，依照種群平均熵的計算，如果結果超過了所設崗值，就把新的個體添加到初始的群體當中，最后指導獲取N個個體。

2.4 Logistic混沌算子

混沌變量的產生手段是很多的，此文所采取就是最具代表性的Logistic混沌系統。即為：

其中μ是指混沌系數，基于給定的參數，依靠上式展開從初始值迭代形成需要長度的Logistic序列，若是混沌系數出現變化，Logistic系統同樣會出現一些不同狀況。此過程之中，通常認為當μ取3.570的時候，系統就會進入到混沌狀態。

2.5對算法的描述

此文提出以判斷因子為基礎的自適應性粒子群算法，能夠提升算法尋優的精度，使收斂的速度提升。而為了敘述更為便捷，把此算法記為ASPSO算法，算法的流程圖用下圖表示。

結束語

與已有研究對比，此文在對粒子群算法簡化前提下針對慣性權重與學習因子展開優化，提出判斷因子參數針對適應值收斂程度展開實時性評估。采取平均熵初始化使種群多樣性更為豐富。最終在較好的適應性粒子位置展開混沌映射。基于配電網的經濟穩定運行基礎，進行系統的有功網改進，這對處理新能源配電網的無功優化問題來說有著積極作用。

參考文獻：

[1]韓周，任勇豐.以分布型電源為基礎的微電網建模仿真[J].計算機仿真，2018，（5）：120-124.

[2]劉集鎮，大范圍新能源電力高效安全利用問題[J].中國電機工程學報，2018，（16）：1-8+25.

[3]牛還那.基于回路研究含分布型電源配電網的簡化潮流計算[J].電網技術，2018，（4）：1033-1038.

作者簡介：

林桂（1981-），男，瑤族，廣西桂林人，本科，工程師，主要從事配電網設計工作。

（作者單位：廣西大學設計研究院）