電力評職稱論文發(fā)表

　　電力評職稱論文發(fā)表【1】

　　隨著電網(wǎng)規(guī)模的擴(kuò)張和電網(wǎng)結(jié)構(gòu)的復(fù)雜化，電壓問題逐漸凸顯。其主要表現(xiàn)在[1]：

　�、俨糠肿冸娬境霈F(xiàn)無功供需不匹配而導(dǎo)致系統(tǒng)母線電壓的過高或過低;

　�、谝蚋行载�(fù)載過多而導(dǎo)致系統(tǒng)整體出現(xiàn)無功缺額，這有可能造成電壓崩潰或系統(tǒng)非同步振蕩，使大面積停電事故發(fā)生。

　　因此，在電網(wǎng)運(yùn)行中，我們應(yīng)綜合運(yùn)用變壓器分接檔位調(diào)節(jié)、電容器投切、發(fā)電機(jī)機(jī)端電壓調(diào)整、無功補(bǔ)償點(diǎn)新增等手段來優(yōu)化系統(tǒng)各層級電壓。當(dāng)然，在電力市場環(huán)境下，電網(wǎng)運(yùn)行追求經(jīng)濟(jì)性，因此需要實(shí)現(xiàn)以最低的投入獲得最大的電壓合格率。

　　文獻(xiàn)[2]基于分區(qū)無功平衡原則，尋求電容器實(shí)際投入與理想期望的最小差距，以此提升電容器的經(jīng)濟(jì)利用水平，但未涉及對新增無功點(diǎn)的考量。

　　文獻(xiàn)[3]建立電壓偏差和電壓穩(wěn)定的協(xié)同優(yōu)化模型，并以改進(jìn)的粒子群算法(增加模糊控制與模擬退火環(huán)節(jié))進(jìn)行計(jì)算，可有效避免陷入局部最優(yōu)，但過程較為繁雜。

　　文獻(xiàn)[4]從多目標(biāo)優(yōu)化角度出發(fā)，統(tǒng)籌電壓合格率與年支出費(fèi)用，使用預(yù)測校正原對偶內(nèi)點(diǎn)法進(jìn)行最佳補(bǔ)償節(jié)點(diǎn)尋找，但未考慮電壓優(yōu)化的其他手段。

　　文獻(xiàn)[5]對分布式電源接入配網(wǎng)后的電壓變化進(jìn)行研究，并以多智能體免疫算法求解，但存在收斂速度慢等不足。

　　綜合上述，當(dāng)前研究在取得成績的同時(shí)，也暴露出以下缺憾：

　　①關(guān)于電壓優(yōu)化和治理的模型不夠完備，未納入所有手段以作協(xié)同考慮;②具體算法有待變革，使其在求解模型時(shí)同時(shí)達(dá)到收斂速度和全局尋優(yōu)的雙重優(yōu)化。

　　其中，第一點(diǎn)是前提，模型的復(fù)雜程度影響到算法的選擇。文章認(rèn)為免疫遺傳算法在解決大規(guī)模組合問題時(shí)性能較優(yōu)，可在電力系統(tǒng)電壓優(yōu)化問題上進(jìn)行應(yīng)用。

　　1 電壓優(yōu)化和治理的數(shù)學(xué)建模

　　1.1 目標(biāo)函數(shù)

　　電壓問題是全網(wǎng)性的，其治理之關(guān)切為在投資最少情況下取得電壓合格率的最優(yōu)，因此目標(biāo)函數(shù)可寫作：

　　(1)

　　其中，

　　以上：指節(jié)點(diǎn)l的新增無功補(bǔ)償容量，M指需新增無功補(bǔ)償?shù)墓?jié)點(diǎn)數(shù)，為懲罰因子，為節(jié)點(diǎn)i的電壓幅值，、分別為節(jié)點(diǎn)i電壓幅值上下限，T為納入觀察范圍的節(jié)點(diǎn)數(shù)。

　　1.2 約束條件

　　約束分等式約束和不等式約束。

　　(1)不等式約束。

　　(2)

　　其中：、為發(fā)電單元b的無功功率上下限，、為變壓器單元t的分接檔位上下限，、為現(xiàn)有無功補(bǔ)償單元k的容量上下限，、、對應(yīng)發(fā)電單元集、變壓器集和無功裝置集。

　　(2)等式約束。

　　(3)

　　式中：Pi、Qi為節(jié)點(diǎn)i的注入有功與無功，j∈i指與節(jié)點(diǎn)i有直接電氣連接的點(diǎn)，Gij、Bij為節(jié)點(diǎn)i-j間互導(dǎo)納的實(shí)部與虛部(i=j時(shí)指自導(dǎo)納)，為節(jié)點(diǎn)i、j間電壓向量的角度差。

　　以上模型屬于大規(guī)模組合問題，需要運(yùn)用啟發(fā)類方法進(jìn)行求解。

　　2 免疫遺傳算法

　　2.1 遺傳算法

　　遺傳算法基于對生物遺傳和進(jìn)化過程的模仿，是一種科學(xué)的啟發(fā)式算法。其特點(diǎn)是并行性、魯棒性、適用性良好，尋優(yōu)能力強(qiáng)大[3]。但是，當(dāng)組合問題較為復(fù)雜時(shí)，其在應(yīng)用時(shí)會呈現(xiàn)一個明顯缺點(diǎn)：在迭代后期，適應(yīng)值大的個體會在種群中重復(fù)出現(xiàn)，導(dǎo)致種群失去個體多樣化，即所謂的早熟現(xiàn)象;雖然可通過選擇大交叉率和大變異率來提升個體多樣化，但這又會導(dǎo)致種群退化。因此，直接將遺傳算法應(yīng)用于電網(wǎng)電壓優(yōu)化與治理，將達(dá)不到既定的對最優(yōu)解搜索的期望。

　　2.2 免疫遺傳算法

　　為了解決遺傳算法在復(fù)雜組合模型求解上可能出現(xiàn)的早熟或退化現(xiàn)象，人們將生物進(jìn)化過程中的免疫機(jī)制引入到遺傳算法中(即設(shè)計(jì)一個免疫算子)，使新算法兼具遺傳算法的搜索優(yōu)勢和免疫算法的多機(jī)制求取最優(yōu)解的自適應(yīng)特性[4]，這就是“免疫遺傳算法”。

　　在免疫遺傳算法中，將目標(biāo)函數(shù)視作為抗原，將備選解視作抗體。免疫遺傳算法在結(jié)構(gòu)上的先進(jìn)性主要體現(xiàn)在抗體與抗原親和度的計(jì)算上。這種親和度包括兩項(xiàng)[5]：①抗體與抗原的結(jié)合力，即解和問題的適合程度;②個體的濃度，即個體-個體間相似性。

　　該算法采用排序法來優(yōu)選個體，即適應(yīng)值越小對應(yīng)被選中幾率越大;另外，除了以選擇法產(chǎn)生種群的個體外，還允許由新隨機(jī)生成方法來補(bǔ)充個體;這樣，種群個體的多樣化得以持續(xù)保持，從而能在根本上避免陷入局部最優(yōu)的可能。

　　2.3 算法的具體實(shí)現(xiàn)

　　在運(yùn)用免疫遺傳算法進(jìn)行電網(wǎng)電壓優(yōu)化和治理時(shí)，重點(diǎn)是要將電網(wǎng)中可調(diào)節(jié)的各環(huán)節(jié)對象(發(fā)電機(jī)、電容器、變壓器等)對應(yīng)為算法的關(guān)鍵元素，并編制軟件實(shí)現(xiàn)流程。

　　(1)抗體設(shè)計(jì)及流程編制。為避免截?cái)嗾`差和減少不必要的基因組合，可選擇發(fā)電機(jī)電壓VGi(實(shí)數(shù))、電容器投切檔位DCi(整數(shù))和變壓器分接檔位Bi(整數(shù))這三類控制變量作為抗體進(jìn)行編碼。這樣，變壓器變比Ki與Bi可對應(yīng)，無功容量QCi與DCi可對應(yīng)。

　　在完成控制變量的染色體編碼后，就能執(zhí)行“隨機(jī)群體產(chǎn)生→潮流計(jì)算→個體適應(yīng)度函數(shù)值和濃度計(jì)算→排序法選擇部分個體→補(bǔ)充部分新個體”的流程。若經(jīng)歷以上計(jì)算仍達(dá)不到電壓指標(biāo)，則需新增補(bǔ)償節(jié)點(diǎn)，然后重新編碼并進(jìn)行潮流計(jì)算。詳細(xì)流程框架見圖1所示。

　　相關(guān)參數(shù)設(shè)計(jì)。參照文獻(xiàn)[6]，取抗體v、w之間距離為歐式空間中2-范數(shù)意義下的距離，即：

　　(4)取抗體濃度為：

　　(5)其中，Bv,w指抗體間結(jié)合力，其計(jì)算方法：

　　(6)以Fv表示“抗體-抗原”結(jié)合力(可采用目標(biāo)函數(shù)值)，則抗體適應(yīng)值可表達(dá)為：

　　(7)顯然，“抗體-抗原結(jié)合力”越小(即目標(biāo)函數(shù)值越小)，適應(yīng)值越小，而我們采取的策略是認(rèn)為適應(yīng)值小的更接近最優(yōu)解，這樣就實(shí)現(xiàn)了電壓優(yōu)化與免疫遺傳算法的緊密關(guān)聯(lián);另外，抗體濃度小也對應(yīng)適應(yīng)值小，這樣做的目的是確保個體多樣化。

　　3 算例

　　以Ward-Hale 6節(jié)點(diǎn)系統(tǒng)作為算例，系統(tǒng)拓?fù)湟妶D2所示，各節(jié)點(diǎn)初始狀態(tài)見表1，其他的網(wǎng)絡(luò)參數(shù)參照文獻(xiàn)[6]，限于篇幅不再贅述。

　　1 )麗徐玉琴王增平等包含分布式電源的配電網(wǎng)無功優(yōu)化電工技術(shù)學(xué)報(bào)

節(jié)點(diǎn)編號	電壓初值	注入P初值	注入Q初值
1	1.05	0.958	0.372
2	1.10	0.501	0.344
3	1.00	-0.551	-0.131
4	1.00	0.00	0.00
5	1.00	-0.301	-0.181
6	1.00	-0.500	-0.050