【技术实现步骤摘要】
本专利技术属于光伏电站无功调节
，涉及一种基于改进粒子群算法的光伏电站站内多目标无功优化方法。
技术介绍
据统计，截至2015年6月底，全国光伏发电装机容量达到3578万千瓦，其中，光伏电站3007万千瓦。随着光伏发电装机容量的日益增大，光伏电站对电网的影响也日益增大。大型光伏电站一般建立在光照充足的荒漠地区，这些地区负荷较小，电网结构薄弱，电站电压稳定性较弱，造成光伏电站电压稳定问题突出。受光照强度的变化，光伏电站的并网点电压会呈现波动变化，甚至造成越限的可能性，所以大型光伏电站必须具备无功调节能力。目前大型光伏电站的无功控制仅有少数文献对其进行研究。例如，有文献采用九区图对光伏电站并网点电压进行控制，有文献采用三层无功源对并网点电压进行控制，但上述文献只是对并网点电压进行控制，并没有考虑光伏电站内部电压越线的可能性、稳定裕度和经济性运行。无功优化算法包括传统优化算法和现代智能算法。传统无功优化算法包括线性规划法、梯度法、动态规划法和内点法等。智能算法包括遗传算法，粒子群算法，人工鱼群算法，免疫算法等。在光伏和风电领域已有文献将智能算法应用到电力系统的无功优化，例如，有文献采用遗传算法对含多个风电机组的配电网无功优化，目标函数是网损最小，有文献提出一种利用自适应权重遗传算法，基于场景发生概率的无功优化对配网进行无功优化。在光伏领域也有一些关于无功优化的文献对配网进行无功优化，但没有考虑光伏电站内部...
【技术保护点】
一种基于改进粒子群算法的光伏电站站内多目标无功优化方法，其特征在于：在该方法中，在建立大型光伏电站的模型的基础上，对光伏电站内部进行基于改进的粒子群算法的多目标无功优化，达到均衡光伏电站站内节点电压，提高其稳定裕度，并且降低有功网损的目的；所述改进的粒子群算法是指在标准粒子群算法中加入粒子判据，距离最优粒子较近的粒子按照标准粒子群算法进化，距离最优粒子较远的粒子则将其混沌映射，增加算法的粒子多样性，保证算法在达到全局最优的目标。
【技术特征摘要】
1.一种基于改进粒子群算法的光伏电站站内多目标无功优化方法，其特征在于：在该
方法中，在建立大型光伏电站的模型的基础上，对光伏电站内部进行基于改进的粒子群算
法的多目标无功优化，达到均衡光伏电站站内节点电压，提高其稳定裕度，并且降低有功网
损的目的；所述改进的粒子群算法是指在标准粒子群算法中加入粒子判据，距离最优粒子
较近的粒子按照标准粒子群算法进化，距离最优粒子较远的粒子则将其混沌映射，增加算
法的粒子多样性，保证算法在达到全局最优的目标。
2.根据权利要求1所述的一种基于改进粒子群算法的光伏电站站内多目标无功优化方
法，其特征在于：该方法具体包括以下步骤：
S1：建立大型光伏电站的拓扑结构模型；
S2：建立多目标无功优化的数学模型；
S3：利用改进的粒子群算法对数学模型进行无功优化。
3.根据权利要求2所述的一种基于改进粒子群算法的光伏电站站内多目标无功优化方
法，其特征在于：在步骤S3中，所述改进的粒子群算法具体包括以下步骤：
1)输入算法参数，光伏电站站内节点信息；
2)通过混沌初始化产生初始化序列：
21)在区间(0,1)中随机产生1×D个随机矩阵作为P1；
22)对P1中每个数采用以下公式产生混沌序列，得到n个初始化粒子：
其中c1，c2，c3分别表示各个目标的权重值；
23)通过以下公式将混沌空间映射到解空间：
min f ( x ) = f ( x 1 , x 2 , L , x D ) s . t . x i _ min ≤ x i ≤ x i _ max , i = 1 , 2 , L , D ; ]]>3)通过潮流计算得到每个粒子的适应值，并得到个体最优粒子Pbest和全局最优粒子
Gbest；
4)计算粒子Pi距离最优粒子Gbest的空间距离di和全部粒子(除最优粒子外)距离最优粒
子的平均距离5)以最优粒子Gbest的位置作为球心，作为半径，在球内的粒子按照粒子群算法的以下
公式进行进化：
其中，dvmin，Ploss_min，λmin_max分别表示在经过优化处理过后电压偏差、有功
损耗、最小特征值的最优值；
在球外的粒子采用以下公式进行混沌优化：
min f ( x ) = c 1 dv * + c 2 P l o s s * + c 3 1 λ m i n * ; min f ( x ) = f ( x 1 , x 2 , L , x D ) s . t . x ...
【专利技术属性】
技术研发人员：周林，马卫，邵念彬，杜潇，郝高锋，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;85
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。