基于改进粒子群算法的风电场无功优化方法及系统技术方案

本发明专利技术公开了基于改进粒子群算法的风电场无功优化方法及系统，所述方法包括：根据风电场拓扑结构与网络参数构建潮流计算模型；考虑电压越限问题，以风电场内部网损最小为优化目标，以风电场潮流，发电机出力

【技术实现步骤摘要】
基于改进粒子群算法的风电场无功优化方法及系统


[0001]本专利技术涉及风电场无功优化
，具体涉及基于改进粒子群算法的风电场无功优化方法及系统
。

技术介绍

[0002]推进能源生产和消费革命，构建清洁低碳
、
安全高效的能源体系和以新能源为主体的新型电力体系，是实现我国双碳战略目标的必由之路和促进绿色低碳发展的重要支撑
。
风力发电作为新能源发电的重要组成部分，有着广泛的应用前景
。
在风电场的规划建设过程中，因长距离电缆
、
变压器和发电机等影响，风电场内部会出现无功功率不足的问题，为获得最小的建设成本和最大的经济收益，需要对风电场内部的无功功率进行优化研究
。
[0003]目前国内外学者针对风电场无功优化作了大量研究，主要从风电场结构与控制算法两方面进行优化
。
风电场结构优化包括利用风电场的径向结构，对风电机组无功功率的分配进行优化，但该优化策略只适用于线性化系统；也有使用外加无功补偿装置对系统进行无功功率补偿，同时对无功补偿装置的容量进行优化，但是附加无功补偿装置一方面增加成本，一方面增加系统复杂度
。
控制算法方面有利用改进遗传算法进行多目标优化，但编程较为复杂，且由于发电机出力限制在无功缺额较大的场合不能达到理想的优化效果
。
粒子群优化算法是一种进化计算技术
。
源于对鸟群捕食的行为研究
。
它的核心思想是利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得问题的可行解，其优点在于简单容易实现并且没有许多参数的调节
。
目前已被广泛应用于函数优化
、
神经网络训练
、
模糊系统控制中，但传统粒子群算法存在易陷入局部最优和收敛效果不佳等问题
。
[0004]现有技术
1(CN 106099987 A)
公开了一种分散式风电机组无功优化策略，包括输入原始数据
、
单纯体法初始化
、
潮流计算
、
计算目标函数适应值
、
更新极值
、
判断是否满足变异条件
、
变异操作
、
判断计算是否满足终止条件的步骤
。
该方法基于粒子群优化算法，提出一种通过改变粒子群初始化方式，在迭代中引入变异因子，修正基本粒子群算法的迭代公式和参数的改进粒子群算法
。
现有技术文件1利用双馈风电机组本身的无功调节能力以抑制电压波动，对风电机组的实时控制策略提出了更高的要求，且双馈风电机组的无功调节能力有限，对于无功缺额较大的场合缺乏适用性
。

技术实现思路

[0005]为解决现有技术中存在的不足，本专利技术提供一种基于改进粒子群算法的风电场无功优化方法及系统，优化提高了风电场的无功经济性与安全性
。
[0006]本专利技术采用如下的技术方案
。
[0007]基于改进粒子群算法的风电场无功优化方法，包括以下步骤：
[0008]S1
：根据风电场拓扑结构与网络参数构建潮流计算模型，用于后续
S3
中根据风电场内部无功补偿装置的安装地点和配置容量计算得到风电场潮流；
[0009]S2
：考虑电压越限问题，以风电场内部网损最小为优化目标，以风电场潮流
、
发电机出力
、
节点电压与无功补偿装置的容量为约束，构建风电场无功优化目标函数；
[0010]S3
：从惯性权重与学习因子两方面对标准粒子群算法更新规则进行改进，将风电场内部无功补偿装置的安装地点和配置容量作为粒子代入改进粒子群算法，根据潮流计算模型进行风电场潮流计算，基于风电场潮流计算优化目标函数，通过迭代优化所述计算的过程，得到最佳的补偿地点和补偿容量
。
[0011]优选地，所述潮流计算模型根据风电场拓扑结构与网络参数数据形成节点导纳矩阵，给定节点电压初始值后，对
PQ
节点和
PV
节点进行功率修正量计算，进而得到节点的功率修正量与电压修正量，并将节点的功率修正量与电压修正量分别与功率初始值与电压初始值相加，得到新的功率分量与电压分量，将新的功率分量与电压分量作为初始值重新计算节点功率修正量与电压修正量，形成潮流计算迭代，重复潮流计算迭代，直到电压修正量收敛，计算平衡节点功率后即得到风电场潮流
。
[0012]优选地，所述风电场无功优化目标函数为：
[0013][0014]式中，
[0015]minf
表示计及风电场内部网损最小同时考虑电压越限问题的优化目标函数；
[0016]f
penalty
为考虑节点电压的越限问题的罚函数；
[0017]G
ij
表示节点
i
和节点
j
之间的支路电导；
[0018]B
ij
表示节点
i
和节点
j
之间的支路电纳；
[0019]U
i
为节点
i
电压；表示节点
j
电压；
[0020]θ
ij
表示节点
i、j
之间的相角差；
n
表示节点个数；
[0021]风电场无功优化目标函数的约束条件包括风电场潮流约束以及发电机出力
、
节点电压与无功补偿装置的容量约束
。
[0022]优选地，考虑节点电压的越限问题的罚函数
f
penalty
为：
[0023][0024]式中，
[0025]k
表示罚函数系数；
[0026]U
imax
表示节点
i
电压的最大限值；
[0027]U
imin
表示节点
i
电压的最小限值；
[0028]Δ
U
i
表示节点
i
电压越限的幅度；
[0029]Δ
U
i
的取值表达式为：
[0030][0031]优选地，风电场潮流约束为：
[0032](8)
[0033]式中，
[0034]P
Gi
表示发电机有功出力；
P
Li
表示节点有功负荷；
Q
Gi
表示发电机无功出力；
[0035]Q
ci
表示补偿的无功功率，即无功补偿装置安装地点的配置容量；
Q
Li
表示节点无功负荷
。
[0036]优选地，发电机出力
、...

【技术保护点】

【技术特征摘要】
1.
基于改进粒子群算法的风电场无功优化方法，其特征在于：包括以下步骤：
S1
：根据风电场拓扑结构与网络参数构建潮流计算模型，用于后续
S3
中根据风电场内部无功补偿装置的安装地点和配置容量计算得到风电场潮流；
S2
：考虑电压越限问题，以风电场内部网损最小为优化目标，以风电场潮流
、
发电机出力
、
节点电压与无功补偿装置的容量为约束，构建风电场无功优化目标函数；
S3
：从惯性权重与学习因子两方面对标准粒子群算法更新规则进行改进，将风电场内部无功补偿装置的安装地点和配置容量作为粒子代入改进粒子群算法，根据潮流计算模型进行风电场潮流计算，基于风电场潮流计算优化目标函数，通过迭代优化所述计算的过程，得到最佳的补偿地点和补偿容量
。2.
根据权利要求1所述的基于改进粒子群算法的风电场无功优化方法，其特征在于：所述潮流计算模型根据风电场拓扑结构与网络参数数据形成节点导纳矩阵，给定节点电压初始值后，对
PQ
节点和
PV
节点进行功率修正量计算，进而得到节点的功率修正量与电压修正量，并将节点的功率修正量与电压修正量分别与功率初始值与电压初始值相加，得到新的功率分量与电压分量，将新的功率分量与电压分量作为初始值重新计算节点功率修正量与电压修正量，形成潮流计算迭代，重复潮流计算迭代，直到电压修正量收敛，计算平衡节点功率后即得到风电场潮流
。3.
根据权利要求1所述的基于改进粒子群算法的风电场无功优化方法，其特征在于：所述风电场无功优化目标函数为：式中，
minf
表示计及风电场内部网损最小同时考虑电压越限问题的优化目标函数；
f
penalty
为考虑节点电压的越限问题的罚函数；
G
ij
表示节点
i
和节点
j
之间的支路电导；
B
ij
表示节点
i
和节点
j
之间的支路电纳；
U
i
为节点
i
电压；
U
j
表示节点
j
电压；
θ
ij
表示节点
i、j
之间的相角差；
n
表示节点个数；风电场无功优化目标函数的约束条件包括风电场潮流约束以及发电机出力
、
节点电压与无功补偿装置的容量约束
。4.
根据权利要求3所述的基于改进粒子群算法的风电场无功优化方法，其特征在于：考虑节点电压的越限问题的罚函数
f
penalty
为：式中，
k
表示罚函数系数；
U
imax
表示节点
i
电压的最大限值；
U
imin
表示节点
i
电压的最小限值；
Δ
U
i
表示节点
i
电压越限的幅度；
Δ
U
i
的取值表达式为：
5.
根据权利要求3所述的基于改进粒子群算法的风电场无功优化方法，其特征在于：风电场潮流约束为：式中，
P
Gi
表示发电机有功出力；
P
Li
表示节点有功负荷；
Q
Gi
表示发电机无功出力；
Q
ci
表示补偿的无功功率，即无功补偿装置安装地点的配置容量；
Q
Li
表示节点无功负荷
。6.
根据权利要求3所述的基于改进粒子群算法的风电场无功优化方法，其特征在于：发电机出力
、
节点电压与无功补偿装置的容量约束为：式中，
Q
Gimax
、Q
Gimin
表示发电机无功出力上下限；
Q
cimax
、Q
cimin
表示无功功率补偿装置补偿容量的上下限；
U
imax
、U
imin
表示节点电压的上下限
。7.
根据权利要求1所述的基于改进粒子群算法的风电场无功优化方法，其特征在于：
S3
中，将风电场内部无功补偿装置的安装地点和配置容量作为粒子代入改进粒子群算法，根据潮流计算模型进行风电场潮流计算，基于风电场潮流计算优化目标函数，通过迭代优化所述计算的过程，得到最佳的补偿地点和补偿容量，具体为：

【专利技术属性】
技术研发人员：王小栋，钱仲豪，陈国华，胡骏，马晗怡，冯曹毅，
申请(专利权)人：国网江苏省电力有限公司，
类型：发明
国别省市：