大規模電網的動態無功優化算法

賴永生， 劉明波， 陳燕梅

(1.福建電力調度控制中心， 廈門 361004； 2.華南理工大學電力學院， 廣州 510640；3.福建省廈門電業局， 廈門 361004)

大規模電網的動態無功優化算法

賴永生1， 劉明波2， 陳燕梅3

(1.福建電力調度控制中心， 廈門 361004； 2.華南理工大學電力學院， 廣州 510640；3.福建省廈門電業局， 廈門 361004)

為解決應用內嵌離散懲罰的非線性原對偶內點法求解離散整數動態無功優化模型時產生的“維數災”問題，對修正方程用塊矩陣解耦的算法做進一步探討，提出了兩次求解修正方程系數矩陣并三角分解從而降低動態無功優化應用于大電網時的數據存儲量的新思路，即以時間換取空間(定義為時空轉換)。在兩個實際系統(14節點和538節點系統)和IEEE 118節點系統上的優化計算表明，所提算法既能計算大電網的動態無功優化，又具有較快的計算速度。

大電網； 動態無功優化； 塊矩陣結構； 精確解耦； 時空轉換

完整的動態無功優化模型是計及設備動作次數約束，并考慮變量離散化特性的一種非線性混合整數規劃問題，在實際運行電網特別是大電網中計算動態無功優化問題比較困難，求解比較復雜。

迄今，國內外學者已提出許多求解配電網電壓無功控制問題的計算方法。文獻[1，2]先對網損曲線進行分段，并對對應的負荷曲線根據變化的劇烈程度進行劃分，從而把動態優化等效成若干個時段的靜態優化。該算法要求設備動作具有同時性。文獻[3，4]把離散設備動作次數作為調節代價加入目標函數中，從而將各時段解耦。該算法具有較快的計算速度，但離散設備的調節代價是根據經驗得到。文獻[5]對24時段進行靜態無功優化后，根據優化結果設置調節設備的預動作表，并根據此動作表把24時段耦合動態無功優化解耦，并用基于隔離小生境遺傳算法求解，該方法模型簡單，便于實現，但預動作表的設置不能保證得到全局最優解。文獻[6～11]采用動態規劃法或混合法求解。動態規劃法可以得到全局最優解，但在離散設備數量或允許動作次數增加時會使問題的求解規模變得很大而難以求解。文獻[12]將模糊集理論應用于配電網絡動態無功優化的建模，該模型考慮了有載調壓變壓器分接頭和電容器組的動作次數限制，并采用模擬退火算法進行求解。文獻[13～15]提出了完整的動態無功優化數學模型和嚴格數學意義下的優化算法，該算法存在“維數災”的難題，隨著系統規模的擴大而急劇增加的計算負擔可能會引起計算速度太慢甚至是數值精度的問題，限制了其在大型電力系統中的應用。文獻[16]提出了一種基于近似牛頓方向的動態無功優化解耦分解算法，該算法如何找到適合的“預處理”是個難題，且不能在理論上確定m的取值也導致該法的實用性差。文獻[17]在分析修正方程特點的基礎上，提出用塊矩陣對修正方程進行精確解耦，具有較快的計算速度，但其數據存儲量大，在計算大規模電網時仍會出現“維數災”問題。

本文在文獻[17]的基礎上，對修正方程用塊矩陣解耦的算法做進一步的探討，提出兩次求解修正方程系數矩陣并三角分解從而降低動態無功優化應用于大電網時的數據存儲量的新思路。本文算法由于兩次求解修正方程系數矩陣并三角分解，計算效率會降低，但可降低數據存儲量，也即用時間換取空間(定義為時空轉換)實現大規模電網的動態無功優化。所提算法既能計算大規模電網的動態無功優化近最優離散解，又具有較高的計算效率。

1 動態無功優化模型及其解耦算法

設系統有n個節點、u臺有載調壓變壓器、m臺可調發電機，有r個節點裝設可投切電容器組；并將全天等分為24個時段(t=0，1，2，…，23)，從而將各負荷母線的全天有功和無功變化曲線分為24段，并認為各時間段中的負荷功率保持恒定。本文采用的動態無功優化模型和基本算法與文獻[13]一致，最終得到修正方程[13]為

(1)

式中：A(t,t)為對稱矩陣，At,t∈R[(p+q+3n)×(p+q+3n)]；

以上詳細的求解過程參見文獻[13]。從式(1)可以看出，修正方程系數矩陣具有箭形分塊結構，可采用文獻[17]中的解耦算法2的形式，最終將式(1)展開后相繼求解方程為

(2)

A(t,t)Δz(t)=b(t)-A(t,n)Δyn

(3)

即由式(2)求出Δyn，然后代入式(3)求得Δz(t)，從而求得式(1)。

2 時空轉換算法的流程及實現

其中，SUB1為求解24個時段的A(t,t)矩陣子程序；SUB2為求解式(2)子程序；SUB3為求解式(3)子程序。該算法流程用TH1表示。

對上述流程再進一步分析，在SUB1中仍需對求出的24個時段的A(t,t)矩陣進行存儲，所存儲數據量也可能限制動態無功優化在大電網中的應用，本文再次采用時空轉換算法解決24個時段的A(t,t)矩陣存儲問題，也即把SUB1中求解24個時段的A(t,t)矩陣的過程并入至SUB2與SUB3，即在SUB2與SUB3分別各自求A(t,t)矩陣。由于A(t,t)矩陣的維數為 維，從而24個時段的A(t,t)矩陣所需存儲元素個數僅為(p+q+3n)×(p+q+3n)個。此時算法流程為

其中，SUB4為計算式(2) 子程序，SUB5為計算式(3) 子程序。該流程算法用TH2表示。

3 算例分析

3.1 試驗系統簡介

為驗證所提算法的正確性和有效性，采用1個個試驗系統和2個實際系統作為算例。其中系統1與系統2分別為文獻[17]的一個實際14節點系統和IEEE118節點系統。系統3為文獻[18]中的某省級538節點實際系統。所有參數均為標幺值，基準功率為100 MVA。

系統3為某省級538節點系統，該系統節點數為538，有48臺發電機，118個無功補償設備，409條變壓器支路。考慮到該電網節點眾多、某些重要節點的運行參數要求嚴格等特點，選擇了48臺發電機、118個無功補償設備、51臺升壓變壓器和13臺降壓變壓器參與優化。可調變壓器變比、無功補償設備和發電機無功出力的上、下限均按系統的給定值確定，可調變壓器的變比和分級步長按變壓器的銘牌值給定，有2.25%、2.5%、1.25%和1.5%。無功補償設備的分級步長都取為0.05。節點電壓的上、下限根據實際電網中節點性質的不同確定了幾種范圍：對于發電機機端電壓和500 kV母線電壓、500 kV變電站的220 kV電壓監測點和220 kV電廠的220 kV電壓監測點，其電壓允許偏移值嚴格限定為1～1.1；對于220 kV變電站的220 kV電壓監測點，其電壓允許偏移值為0.95～1.10；其余節點電壓的上、下限定為0.90～1.15。日負荷特性曲線與文獻[17]的典型日負荷曲線一致，將154個負荷歸為這6個負荷類別。

3.2 試驗結果分析

對3個試驗系統，分別采用本文算法TH1和TH2與文獻[17]的解耦算法2進行對比計算，為方便說明，文獻[17]解耦算法2用TH3表示。所有算法均用C語言編寫，在Visual C++ 6.0環境編譯。所用計算機為Intel(R) Core(TM) 2 Duo CPU T8100 2.1GHz，內存2GB。假設所有設備的全天最大允許動作次數均取相同值。

表1和表2分別列出TH3算法在不同的動作次數約束Cx1下計算試驗系統1和試驗系統2得到的全天能量損耗、迭代次數和計算時間，但由于內存不足，TH3不能夠計算試驗系統3。

表1 系統1由TH3計算得到的能量損耗、迭代次數和計算時間

表2 系統2由TH3計算得到的能量損耗、迭代次數和計算時間

表3和表4分別列出了TH1和TH2算法在不同的動作次數約束Cx1下計算試驗系統1和試驗系統2得到的全天能量損耗、迭代次數和計算時間。表中最后一部分“靜態結果”為用24時段單時段靜態優化算法[18]的計算結果(其中能量損耗和計算時間取24個時段之和，迭代次數取24個時段的平均值)。

從表3與表1、表4與表2的對比中發現，本文算法在能量損耗、迭代次數與TH3算法完全一致，但計算時間比TH3算法多，也即計算效率比TH3算法低，這是因為本文的兩種算法均對A(t,t)矩陣進行了兩次三角分解。其中，試驗系統1中TH2算法計算效率比TH1算法計算效率稍低，試驗系統2中TH2算法計算效率又比TH1高。

本文TH1和TH2算法均對A(t,t)矩陣三角分解結果不存儲，節約了大量內存，因此可以計算試驗系統3。對于系統3，改變其Cx1從20到110，發現Cx1取51次及以下時，均不能收斂。表5列出了系統3在不同Cx1下得到的全天網損、迭代次數和計算時間。

表3 系統1計算得到的能量損耗、迭代次數和計算時間

表4 系統2計算得到的能量損耗、迭代次數和計算時間

從表5可以看出，TH1和TH2算法的能量損耗和迭代次數均一致，但TH2的計算效率遠遠高于TH1。這充分說明對于大電網系統，采用兩次求解A(t,t)矩陣并三角分解的時空轉換算法能夠節約大量的計算機內存且具有較快的計算速度，也即充分說明了本文算法的有效性。

本文還把計算機內存擴展到3.25G，嘗試用TH3算法計算試驗系統3，仍是內存不足導致無法計算；另外，把TH3算法24時段的A(t,t)矩陣采用只存儲其上三角矩陣的辦法，內存仍為3.25G，也是內存不足無法計算。這充分說明了本文算法在計算大電網動態無功優化數據存儲量方面的優勢，即充分說明了本文算法在計算大電網方面的有效性。

表5 系統3計算得到的能量損耗、迭代次數和計算時間

4 結論

(1)采用兩次求解A(t,t)矩陣并三角分解的時空轉換算法，雖會增加一定計算時間，但可以節省大量存儲空間，取得了大規模電網的動態無功優化結果；

(2)TH1與TH2對A(t,t)矩陣采取不同的處理辦法，TH2所需的存儲空間比TH1少，對于大規模電網TH2計算效率也比TH1高。這是由于TH2中SUB4和SUB5分別求A(t,t)矩陣，此時定義A(t,t)矩陣變量為局部變量，且TH2的數據存儲量較小，在計算大規模電網時，數據交換均在內存內部，從而計算效率高；而TH1只求解一次A(t,t)矩陣，定義A(t,t)矩陣變量為公用變量，且其所需的數據存儲量也較大，在計算大規模電網時，可能會內存不足，此時有一部分數據存儲于虛擬內存，導致在內存與虛擬內存之間進行數據交換，從而降低計算效率；所以TH2具有較快速度，并且隨著計算系統規模的增大，TH2算法的計算效率及存儲優勢比TH1算法也更加明顯。

[1] 鄧佑滿, 張伯明, 田田(Deng Youman，Zhang Boming，Tian Tian). 虛擬負荷法及其在配電網絡動態優化中的應用(A fictitious load algorithm and its applications to distribution network dynamic optimizations) [J]. 中國電機工程學報(Proceedings of the CSEE)，1996, 16(4): 241-244.

[2] Chebbo A M , Irving M R , Sterling M J H. Reactive power dispatch incorporating voltage stability[J]. IEE Proceedings: Generation , Transmission and Distribution ,1992 ,139 (3) : 253-260.

[3] 張勇軍,俞悅,任震,等(Zhang Yongjun , Yu Yue , Ren Zhen,etal). 實時環境下動態無功優化建模研究(Research on dynamic modeling for reactive power optimization under real-time circumstance) [J]. 電網技術(Power System Technology)，2004，28 (12) :12-15.

[4] 周任軍,段獻忠,周暉(Zhou Renjun ,Duan Xianzhong , Zhou Hui). 計及調控成本和次數的配電網無功優化策略(A strategy of reactive power optimization for distribution system considering control action cost and times) [J]. 中國電機工程學報(Proceedings of the CSEE),2005 ,25 (9) :23-28,157.

[5] 蔡昌春，丁曉群，王寬,等(Cai Changchun, Ding Xiaoqun, Wang Kuan,etal).動態無功優化的簡化方法及實現(Simplified method of dynamic reactive power optimization and its implementation) [J].電力系統自動化(Automation of Electric Power Systems),2008,32(5):43-46,58.

[6] Hsu Y-Y，Kuo H-C. Dispatch of capacitors on distribution system using dynamic programming [J]. IEE Proceedings: Generation，Transmission and Distribution ,1993，140(6)：433-438.

[7] Lu Feng-Chang, Hsu Yuan-Yin.Fuzzy dynamic programming approach to reactive power/voltage control in a distribution substation [J]. IEEE Trans on Power Systems ,1997,12(2)：681-688.

[8] Hsu Y Y, Lu F C. A combined artificial neural network-fuzzy dynamic programming approach to reactive power/voltage control in a distribution substation [J]. IEEE Trans on Power Systems ,1998, 13(4):1265-1271.

[9] Hsu Yuan-Yin, Yang Chien-Chuen. A hybrid artificial neural network-dynamic programming approach for feeder capacitor scheduling[J]. IEEE Trans on Power Systems ,1994,9(2):1069-1075.

[10]Hsu Yuan-Yih，Lu Feng-Chang. A combined artificial neural network-fuzzy dynamic programming approach to reactive power/voltage control in a distribution substation [J]. IEEE Trans on Power Systems ,1998,13(4):1265-1271.

[11]Liang R -H, Cheng C -K. Dispatch of main transformer ULTC and capacitors in a distribution system[J]. IEEE Trans on Power Delivery ,2001,16(4):625-630.

[12]Liang Ruey-Hsun， Wang Yung-Shuen. Fuzzy-based reactive power and voltage control in a distribution system [J]. IEEE Trans on Power Delivery ,2003,18(2)：610-618.

[13]劉明波，謝敏，趙維興.大電網最優潮流計算[M].北京：科學出版社，2010.

[14]Sharif S S, Taylor J H. Dynamic optimal reactive power flow[C]∥The American Control Conference, Philadelphia, USA: 1998.

[15]Sharif S S, Taylor J H. Real-time implementation of optimal reactive power flow[C]∥The American Control Conference, San Diego, USA: 1999.

[16]Liu M B, Canizares C A, Huang W. Reactive power and voltage control in distribution systems with limited switching operations [J].IEEE Trans on Power Systems ,2009，24(2)：889-899.

[17]賴永生，劉明波(Lai Yongsheng, Liu Mingbo).電力系統動態無功優化問題的快速解耦算法(Fast decomposition algorithm for solution of dynamic reactive power optimization problem in power systems) [J].中國電機工程學報(Proceeding of the CSEE)，2008，28(7)：32-39.

[18]Liu Mingbo，Tso S K, Ying Cheng. An extended nonlinear primal-dual interior-point algorithm for reactive-power optimization of large-scale power systems with discrete control variables [J]. IEEE Trans on Power Systems ,2002，17(4)：982-991.

賴永生(1981-)，男，碩士，工程師，研究方向為電力系統無功優化調度與電壓控制。Email:laiysh16@126.com

劉明波(1964-)，男，教授，博士生導師，研究方向為電力系統優化、運行與控制。Email:epmlliu@scut.edu.cn

陳燕梅(1983-)，女，學士，助理工程師，主要從事調控一體化工作。Email:yanmei831244@126.com

AlgorithmforDynamicReactivePowerOptimizationProbleminLargePowerGrid

LAI Yong-sheng1， LIU Ming-bo2， CHEN Yan-mei3

(1.Fujian Electric Power Dispatching Control Center, Xiamen 361004, China；2.School of Electric Power Engineering, South China University of Technology,Guangzhou 510640, China；3.Xiamen Power Supply Bureau, Xiamen 361004, China)

In order to resolve the so-called problem of quot;curse of dimensionalityquot;, this paper analyzed dynamic reactive-power optimization by using nonlinear primal-dual interior-point algorithm which introduced discretization penalty and showed the further exploration of block-matrix decoupling method used in the coefficient matrix of the reduced linear correction equation. Moreover, a realization of exchanging time for space (time-space transformation) by twice computing coefficient matrix of the reduced linear correction equation and its triangular factorization which can reduce the data storage is given. The numerical results on IEEE 118-bus system and two real power supply systems with 14 nodes and 538 nodes show that the proposed algorithm is suitable for using in large-scale power systems and has fast calculation speed.

large-scale power system； dynamic reactive power optimization； block matrix structure； accurate decomposition； time-space transformation

TM744

A

1003-8930(2012)05-0007-06

2011-08-24；

2011-10-12

國家自然科學基金項目(50777021)