APP下载

基于遗传算法的低压配电网无功补偿优化方法研究

2023-10-17陈育明

电气传动自动化 2023年5期
关键词:低压配电遗传算法谐波

陈育明

(广东创辉电力工程有限公司,广东佛山 528000)

低压配电网的关联电力设备及装置较多,再加上外部环境及特定因素的影响,常常出现运行不稳的状况,为此需要进行低压配电网无功补偿优化处理。传统的无功补偿优化形式一般为单向,参考文献[1]和文献[2],设定传统多层级协同无功补偿优化方法、传统粒子群算法无功补偿优化方法。这一类处理形式虽然可以实现预期的电网控制任务,但是稳定性与针对性较差,在复杂的配电网环境下也难以打动预期设定的优化标准,为此提出对基于遗传算法的低压配电网无功补偿优化方法的设计与验证研究。遗传算法,主要指的是一种计算数学中用于解决最佳化的搜索算法,实际上也是进化算法。将该项算法与低压配电网无功补偿优化工作进行融合,一定程度上可以进一步强化实际的优化环节,逐步形成更加稳定、灵活的无功补偿处理结构,加强对优化问题的控制,改善配电线路的无功分布情况,分时段优化,为后续配电网无功补偿处理技术的创新奠定基础[3]。

1 设计低压配电网无功补偿遗传测算优化方法

1.1 无功补偿点选择

低压配电网的运行线路较为复杂,所以在进行无功补偿之前,需要先选择对应的补偿点[4]。传统的设定形式一般为单层级,针对性不强,所以优化的效果十分有限。为了减小故障空间,增加实际的优化效果,结合具体的处理需求,先计算出补偿点的灵敏度:

公式(1)中:S 表示补偿点的灵敏度,k 表示状态矢量,D 表示潮流定值。根据上述设定,完成对补偿点灵敏度具体值的计算,接下来,结合配电网的运行状态,进行定向优化矩阵的设计[5]。

同时,采集配变低压侧补偿点与中压补偿点之间的变动数据和信息,判定此时无功补偿的降损效果,为后续的优化处理奠定基础环境。

1.2 设定低压配电网多阶约束条件

所谓约束条件,实际上是一种针对于配电网运行的限制结构。电网在运行的过程中常常会出现逆向的故障或者缺陷等问题,对关联设备也会造成不可控制的损坏,为此需要先进行补偿电容容量的多阶约束处理。

图1 低压配电网多阶约束条件图示

根据图1,完成对低压配电网约束条件的设定,结合实际的测定需求,形成可控的约束结构,营造稳定的限制环境。

1.3 构建遗传算法无功补偿优化模型

利用上述设定的约束条件结构,结合遗传算法,进行无功补偿优化模型的构建。首先,综合无功补偿的优化处理标准,进行基础指标数值的设置,如下表1 所示。

表1 无功补偿优化模型基础指标数值设置表

根据表1,完成对无功补偿优化模型基础指标数值的设置,综合电容容量的变动状态,调整无功补偿的位置以及负荷值,建立一个遗传种群,将每一个不补偿点设定为一个遗传单元值,形成循化性的智能优化程序,基于遗传算法,计算出降损值:

公式(3)中:ΔP 表示降损值,W0表示定向遗传单元值,J0表示配变低压侧补偿偏差,ΔR 表示补偿容量上限,U 表示补偿次数。将该数值设定在模型之中,强化模型的负荷情况,确保配电网保持平衡,以此来提高模型的优化效果。

1.4 无功谐波潮流限制实现优化处理

无功谐波潮流是低压配电网无功补偿的基础性条件,需要先确定电网中实际的电子量传输权限标准,营造无功谐波的处理环境,确保每种潮流单元负载相同,通过低压控制逐渐促使负载运行趋于稳定,测定计算出最小电网无功差异量:

公式(4)中:L 表示最小电网无功差异量,σ 表示谐波电子分布差,β 表示判别定值,y 表示无功补偿次数,b 表示无功谐波潮流单元值。结合得出的数值,调整模型的优化结构,结合无功谐波潮流的限制,强化补偿环境,获取最佳效果。

2 方法测试

本次主要是对基于遗传算法的低压配电网无功补偿优化方法的实际应用效果进行分析和验证研究,考虑到最终测试结果的真实性与可靠性,选定G 低压配电网作为测试的主要目标对象,采用对的方式展开分析,参考文献设定传统多层级协同无功补偿优化测试组、传统粒子群算法无功补偿优化测试组以及此次所设计的遗传算法无功补偿优化测试组。根据实际的测定需求及标准,对最终获取的测试结果比照研究,接下来,进行初始测试环境的搭建。

2.1 测试准备

将低压配电网相关设备及应用主机调节至最佳状态,在控制系统中接入一个无功断路控制器,便于后期补偿优化环境的设定。设置中压传输区域,控制传输流失效率,确保配电网的运行趋势保持平稳,计算出电网全局输出最大值20.13%与全局输出最小值16.25%,形成优化控制的限制条件。接下来,结合遗传算法,对基础性电网测试控制指标及参数的设置,如下表2 所示。

表2 低压配电网测试控制指标及参数设置表

根据表2,完成对低压配电网测试控制指标及参数的设置,综合实际的测定需求及标准,计算出补偿后功率因数标准值为0.85,中压电压最大值为13kV,实现基础测试环境的搭建之后,结合遗传算法,进行具体的测定分析。

2.2 测试过程及结果分析

在上述搭建的测试环境中,基于遗传算法,对G 低压配电网无功补偿优化方法进行测定研究。首先,需要明确配电网中无功补偿的具体范围,且在区域之内设定5 个配变接入点,设定补偿的单元容量为85kvar。利用遗传算法构建种群,设置其规模为25,最大的迭代代数为1600,结合此时配电网中的配变负荷功率的变动情况,计算出遗传交叉率为0.65,变异率为0.21。结合各个配变接入点的无功补偿最大、平均、最小的功率因数变化状态以及电压的稳定程度,计算出无功补偿极限损耗值:

公式(5)中:G 表示无功补偿极限损耗值,m 表示覆盖补偿范围,η 表示低压侧最低电压,i 表示补偿频次,v 表示配变最大补偿度。根据上述设定,完成对测试结果的分析,具体如下图2 所示。

图2 测试结果对比分析图示

根据图2,完成对测试结果的分析:对比于传统多层级协同无功补偿优化测试组、传统粒子群算法无功补偿优化测试组,此次所设计的遗传算法无功补偿优化测试组最终得出的无功补偿极限损耗值均被较好地控制在了150kW 以下,说明该种优化形式的针对性与稳定性较高,在进行无功补偿优化的过程中控制效果更佳,具有较高的应用价值。

3 结论

总而言之,以上便是对基于遗传算法的低压配电网无功补偿优化方法的设计与验证研究。与初始的无功补偿优化形式相对比,此次结合遗传算法,所设计的优化处理形式更加灵活、多变,具有较强的针对性和稳定性。结合配电网实际的执行需求,设计对应的优化环节,加强对网络指令的定向控制,提高配电网日常的综合应用能力。

猜你喜欢

低压配电遗传算法谐波
低压配电网接地方式及与剩余电流保护的配置探究
基于自适应遗传算法的CSAMT一维反演
一种基于遗传算法的聚类分析方法在DNA序列比较中的应用
基于遗传算法和LS-SVM的财务危机预测
工厂供电系统低压配电保护电器的选择研究
基于改进的遗传算法的模糊聚类算法
虚拟谐波阻抗的并网逆变器谐波抑制方法
基于ELM的电力系统谐波阻抗估计
基于ICA和MI的谐波源识别研究
中低压配电网能效管理系统设计及其实现