基于GATS的电网无功电压综合控制

pop_size为种群大小；fmax－最大适应值；Ratf－最大适应值与平均值之比的门限值，可取为0.4；σ2－每代种群适应值的方差；Ratσ2－适应值方差与平均值之比的门限值，可取为0.1。
　　3. 由于GA的选择性压力往往较大，因而易陷入局部最优，且很难跳出壁垒；当发生种群最优解连续数代都没有更新，就有可能意味着陷入了局部最优，此时借助于TS能接受劣解和避免重复的特点，通过执行禁忌操作，跳出局部最优。显然判断是否陷入局部最优时，最优解保留代数门限值N_local应小于搜索终止对应的最大代数N_whole。此外，由于TS的“爬山”能力强，在种群执行遗传操作的同时，可在每代选出性能最优的若干个解，并行执行t1代禁忌搜索操作作为补充，以期更快地达到最优。在每次循环的最后，再对本代最优解执行t2代TS操作，若大于历代最优解则取而代之，否则保持不变。t1、t2的值视TS操作的效果可实时改变，但不宜过小，否则无法起到禁忌的作用。各TS操作独立进行，且每次循环中，若选出的若干最优解中包含有上次进行过TS操作的，则相应的禁忌表依然有效，其它的TS表则清空。
　　TS方法包括移动、Tabu表和释放准则3个基本要素，下面分别做简单介绍。　
　　①移动的设计 TS方法的搜索过程由“移动”来实现，一次“移动”产生一个试验解。本文中采用多点移动的方式，即每次对多个设备的值进行领域搜索；其选择策略采用最好解优先策略，即将最优移动后的解作为下一次搜索的起点，以提高搜索质量；
　　②Tabu表 禁忌表是禁忌搜索算法的核心。凡是记录到Tabu表中的移动，在当前迭代中禁止实现，以避免搜索陷入死循环。Tabu表规模(Tabulistsize)随着搜索的深入由小到大动态变化，以适应不同搜索阶段的特点，提高解的质量。Tabu表的更新采用采用传统的“先进先出”(FIFO)的管理方式；
　　③释放准则 对于Tabu表有可能限制某些可以导致更好解的“移动”，所以TS方法使用了“释放准则”。被Tabu表禁忌的“移动”，如果满足“释放准则”，仍然可以实现。释放准则的设计方法很多，本文采用基于适应值的“释放准则”：如果一个移动作用于当前解后，可达到一个到目前为止最优的适应值，则认为该移动满足了“释放准则”。
　　另外,为使初始种群中尽可能地包含更多的优良基因,同时又能有效控制运算量,初始种群取为90,每两次迭代减少5,直至到50为止。此外，由于遥信数据的不完整，可能出现数据缺失或数据错误的情况，因而可能出现病态网络和潮流不收敛的情况，对此情况要能加以闭锁。最后采用最优个体保留最大代数和种群平均适应度与最大适应度之比作为收敛综合判据。在迭代初期，可采用较大的最优个体保留代数以避免发生早熟收敛，而在平均适应度与最大适应度的比值接近1时，为了缩短搜索时间可考虑适当减少最优个体保留代数。例如，早期可取为8，在后期取为5。

3．无功电压综合控制主流程
　　系统用于闭环运行时的流程如下所示：

　　首先周期性地从实时数据库中读取数据，并进行潮流计算，当满足优化条件时，执行优化程序。启动条件可包括网损大小，各节点电压水平，负荷变化情况等，当有紧急情况时，也允许手动启动优化进程。在输入网络数据及算法参数，并产生初始解群后，执行算法核心部分。当算法收敛后，程序将无功电压控制方案发送给SCADA系统，再通过遥信和遥调执行。在开环运行期间，也可以输出多组优化方案，调度人员可根据运行经验和现场情况灵活选择。此外，可通过对迭代终止判据的修改，在优化效率和优化质量间进行权衡。

4.算例及分析
　　基于以上GATS混合优化策略的优化程序,在IEEE118节点系统和某地区电网中进行了优化计算，取得了较好的效果。以IEEE系统为例，初始种群规模N=90，最大遗传代数M为100，采用可变交叉率和变异率，初值分别为0.9和0.1，终值分别近似为0.7和0.3，t1、t2分别取为为问题的规模。与简单遗传算法相比，在运算速度和优化效果上都有较大的改进。表1所示为简单遗传算法和GATS混合优化策略进行20次优化运算后数据平均值统计。

　　由表中数据可以看出，混合优化算法的迭代次数明显少于SGA，适应函数值有了大幅提高，对节点电压的控制上，基本做到了全网电压的合格。由于考虑了动作次数（变压器调节一档或电容器投切一组视为动作一次）的限制，设备的动作次数也明显下降。
　　在实验中，混合优化算法最快只用了41秒就得到了全局最优解，其适应值为193.93。而SGA得到的最优解的适应度最大只有121.52，均为局部最优解。由此可以看出，混合优化算法较之简单遗传算法在运算速度和优化效果等方面都有了很大提高，能够满足电力系统实时应用的要求。
此外通过对IEEE14节点和30节点系统的试验发现，网络规模越大，改进算法的性能提高越明显。

5.结论
　　本文简要介绍了电网无功电压综合控制的设计思想和功能，并详细论述了基于电力系统运行实际和本系统运行要求提出的GATS混合优化策略。通过IEEE系统和实际电网中的运行试验，说明混合优化算法结合了GA和TS两者的优点，能以大概率收敛到全局最优，且收敛速度快，在优化速度和优化效果上都有了很大改进。此外，可根据电力系统的实际运行要求，灵活地改变无功电压综合控制方式，具有较强的适应性。

参考文献

[1]Yutian Liu,Li Ma,Jianjun Zhang,"GA/SA/TS Hybird Algorithms for Reactive Power Optimization",IEEE Tran. On Power Systems,January 2000:245-249.
[2]I.Hano e.a,"Real Time Control of System Voltage and Reactive Power",IEEE Transaction on Power Apparatus and System,Vol.PAS-88,No.10,October 1969:1544-1559.
[3]G.A.Taylor,Y.H.Song,M.R.lrving,M.E.Bradkey,and T.G.Williams,"A review of algorithmic and heuristic based methods for voltage/VAr control,"in 5th internationall Power Engineering Conference (IPEC2001), Singapore, 17th-19th.May 2001:117-122.
[4]文劲宇，江振华等(Wen Jinyu, Jiang Zhenghua ,etal).“基于遗传算法的无功优化在鄂州电网中的实现”(Genetic Algorithm Based Reactive Power Optimization and Its Application in Ezhou City Power System)，电力系统自动化(Automation of Electric　Power Systems)，2000,24(2): 45-47.
[5] 王凌.智能优化算法及其应用.北京：清华大学出版社，施普林格出版社，2001.

上一页  [1] [2] 

本文关键字：暂无联系方式家电综合知识，电子学习 - 家电综合知识