基于混合遺傳算法的配網就地補償無功優化策略

朱凌

摘要：本文針對于惠州地區無功調控頻繁的情況，提出了一種無功優化混合遺傳算法的改進方案。通過在Ward&Hale 6節點系統的仿真結果顯示，混合遺傳算法具有更高的尋優效率，能有效地解決該地區搜尋最優無功資源調控的方案。

關鍵詞：無功優化;調控資源;混合遺傳算法;Ward&Hale6節點系統

中圖分類號：TM715 文獻標識碼：A 文章編號：1007-9416（2019）02-0118-02

0 引言

目前，廣東惠州地區無功調控資源分為三個部分，主網側的220kV變電站、110kV變電站站內無功補償設備和接入主網的地調調管機組;配網側的10kV饋線的線路無功補償設備，10kV饋線調壓器，10kV有載調壓變，10kV配變無功補償裝置;分布式電源部分。各資源站之間的配置運行冗雜和資源分配不均問題極大影響了整個惠州電網的穩定性，所以計算出電網的最佳無功優化方案，改善電網電壓質量尤為重要。

本論文無功優化改進方法是根據惠州地區無功調控資源調控頻繁問題，在減少變壓器調檔次數、實施就地平衡和分散補償的策略原則下，以減少有載分接開關動作次數降低變壓器開關損耗、添加就地補償函數減少無功功率在電網中越級流動的形式，建立了的無功優化混合遺傳算法模型。

1 遺傳算法的目標函數

本文所用目標函數在當前系統已滿足約束條件下定義，再以懲減形式加入了就地平衡等價損耗，優先按照就地平衡、分散補償的原則，減少了無功功率遠距離[1]。

（1）

（2）

（3）

適應度目標函數F將節點電壓越限、無功越限和就地平衡等價損耗以懲減的形式加入函數中，式中各項為有功網損Py，發電機的無功越限懲減函數Qi，節點電壓幅值越限懲減函數Ui，就地平衡指標懲減函數Pl，式（2）和式（3）分別表示該Qi節點的發電機的最大（最小）無功值，和該Ui節點的最大（最小）電壓值。

1.1 約束條件

等式約束。無功優化等式約束功率在平衡時的方程表達式（4）、（5），如下：

（4）

（5）

式（4）中的PL為就地平衡等價損耗，其中Cimax、Cimin分別是第i臺無功補償設備（包括電容器無功補償、有載調壓變壓器抽頭、等在內的所有無功補償設備）出力的上下限，n為當前設備的補償數量，Ci，t、Ci，t-1分別是第i臺無功補償設備在t期和t-1期的無功出力，gi為第i臺無功補償設備的等級系數;式（5）中，Pi和Qi分別代表i節點在平衡時的有功和無功，Ui和Uj分別作為i和j點的電壓幅值，Gij表示i和j點之間電位的電導，而Bij表示i和j點之間的電納，表示i和j點之間的電壓相角差，并且j點是所有i點的相交點。

1.2 不等式約束

不等式約束中的控制變量一般選取由電力系統發電機中的機端電壓Ug、無功補償的容量大小Qc、變壓器的接頭位置Tg作為其控制約束變量。不等式約束的狀態量變量采用電力系統中發電機的無功出力Qg和節點的電壓幅值Ue作為狀態約束變量[3]。

控制變量表達式（6）和狀態變量表達式（7），如下：

（6）

（7）

2 遺傳算法的操作過程

2.1 初始種群的設定

本文采用的編碼方式是混合編碼的方式，混合編碼方式是通過二進制編碼與實數編碼方式同時一起對種群的特征量來進行標定，本算法設定種群編碼方式為，其中 ，，該方式先逐位判斷每個特征量是否為實數變量，如果該變量為實數型則直接用實數來表達該部分的特征量，簡短了編碼的長度，否則用二進制的方式來表達該部分的特征量，該部分的二進制編碼的最大長度大小取決于由實數編碼的最大變量數值的限制，這種方式既能有效地表達特征變量又使特征量精簡化，解決了部分復雜特征量的精度的問題，為后續為電力系統計算提供更加精準和全局的最優解。

2.2 遺傳算法的操作算子

遺傳算法的操作模式主要分為三個算子，分別是遞進選擇算子、混合交叉算子和混合片段式變異算子，并用階段終止算法加快該算法搜尋的收斂程度[2]。

2.2.1 選擇算子

遺傳選擇算子是選擇適應的策略個體進入下一階段選擇的重要算法，常用的賭輪選擇算子是參考適應度函數來設定的，它與適應度的大小成正比，它是遺傳算法中尋找最優個體的最主要的手段。

種群的大小為P，個體i的適應度為Fi，每個個體被選中的概率Pis為：? ? ? ? ? ? ? ? ? ? ? ? ?（8）

2.2.2 混合交叉算子

交叉算子是整個種群中產生新個體的主要算子方法之一，同時也是在全局搜索最優的個體的不可或缺的手段。

2.2.3 混合片段式變異算子

變異算子是遺傳算法中另一個重要的算子，它是偶然發生突變量的表達，是為了產生新個體的一種重要手段。

2.2.4 階段終止算法

針對于遺傳算法中最優解的出現，可能在還未進行最大遺傳代數的時候已經判斷結束。根據遞進選擇算子實行的分階段選擇，采用跳階段判斷算法，在多個階段中所求得得最優解經過20次迭代情況下仍然不變，則進行直接跳入下一選擇階段，直至遺傳算法運行至最終階段。

3 算例分析

本文采用Ward&Hale6節點的系統進行電力系統無功優化計算，根據常用的遺傳算法參數設置：群體個數P為100，交叉概率Pc為0.8，異變概率設置為0.02，終止迭代步數為50。而改進設定混合遺傳算法選定種群的規模P為100，通過基因編碼取得全局種群N的個數，計算得適應度F及選擇算子概率Pis，交叉算子Pc1和Pc2分別選取為0.8和0.8，異變算子Pm1和Pm2分別選取為0.02和0.025，終止算法跳接段數設置為20。分別采用兩種算法對無功優化系統進行多次優化運算，電力系統無功優化運算結果見表1所示。

從表1內容結果可以看出。經過兩種遺傳算法無功優化的計算后，可看出優化后的解都能符合滿足電力系統閾值范圍，原始的遺傳算法無功優化后的有功網損下降到0.8810311，改進后的遺傳算法無功優化后的有功網損下降到0.8653921，顯然改進后的遺傳算法的解更加收斂于全局搜索的最優解。

4 結語

本文針對于廣東惠州地區無功調控資源分配方案的問題，在減少變壓器調檔次數、就地平衡和分散補償的策略原則下，進行無功優化。通過在Ward&Hale 6的標準系統中進行方針的結果表明，改進后的混合遺傳算法使得搜索的結果更加具有的全局性，是一種解決無功優化中多線性問題的有效方法。該算法搜索出來的最優解可為決策者提供更加完善和更具體細致化的調控解決方案。

參考文獻

[1] 陶文娟，鐘俊，黃宏光.電力系統無功補償點的選取及優化方法[J].電力電容器與無功補償，2018（03）：116-120.

[2] 邵昱，拜姝羽，董銳，王超，基于改進的遺傳算法的配電網無功優化計算程序研究[J].河南科技，2018（07）：061.

[3] 葉楊潔.基于混合智能算法的配電網無功優化研究[D].南昌大學，2016.

[4] 李宏陽.基于改進遺傳算法的風電場無功優化控制策略研究[D].沈陽工業大學，2018.

[5] Using the gray wolf optimizer for solving optimal reactive power dispatch problem[J].Mohd Herwan Sulaiman，Zuriani Mustaffa，Mohd Rusllim Mohamed，Omar Aliman. Applied Soft Computing.2015.

[6] A novel approach for optimum number and location of FACTS devices on IEEE-30bus grid using meta-heuristic basd Harmony Search. EISSA M M，ABDEL-HAMEEDT S，GABBAR H. International Conference on Smart Energy Grid Engineering.2013.

In-situ Compensation Reactive Power Optimization Strategy of Distribution Network Based on Hybrid Genetic Algorithm

ZHU Ling

（Guangdong Power Grid Co.， Ltd. Huizhou Power Supply Bureau，Huizhou Guangdong? 516001）

Abstract：In view of the frequent reactive power regulation in Huizhou， this paper proposes an improved scheme of reactive power optimization hybrid genetic algorithm. The simulation results in the Ward&Hale 6-node system show that the hybrid genetic algorithm has higher optimization efficiency and can effectively solve the problem of searching for optimal reactive resource regulation in the region.

Key words：reactive power optimization; regulation resources; hybrid genetic algorithm; Ward&Hale6 node system