1、基于新能源并网的电站综合无功优化控制算法研究胡艺文（江西电力职业技术学院，南昌 330032）摘要:随着分布式新能源的不断并网，其间歇性、随机性使得电网运行过程中谐波污染加剧。为了保持新能源接入电网的稳定性，本文采用优化算法实现对电站的综合控制，主要包括调节发电侧机组的出力、输电侧的主变压器分接头以及电容器组的投退，或对电网中的某些节点新增投入无功补偿设备。算法以确保新增无功补偿容量最小和接入点最佳为最终控制目标，在分布式能源接入电网扰动影响较大的情况下，将遗传算法和免疫算法结合进行验证。通过编程将二者的优化结果进行比较后，证明免疫与遗传两种算法相结合的电压综合控制策略具有良好的收敛性和抗扰动
2、能力，最后以实际案例证明了免疫遗传算法的实效性。关键词：新能源；电力系统稳定性；综合优化控制；免疫遗传算法中图分类号：TM761.1 文献标识码：B 文章编号：1001-1390（2015）00-0000-00Study of Immune genetic algorithm application on the control of power station integratedintegrated reactive optimization control algorithm in power station based on new energy grid-connection Hu
3、yiwen(Jiang Xi Vocational power system stability; , optimal control; , immune genetic algorithm0 引言由于分布式新能源具有间歇性、随机性，若分布式新能源大量并网运行，必然对电力系统稳定性产生一定的不良影响。电力系统运行中，由于各电（厂）站负荷水平和负荷性质的差异，导致了部分电（厂）站出现无功容量不足而另一部分无功过剩，易造成系统的电压过低或者过高，影响电力系统的电压合格率以及经济、稳定运行。因此，有必要调整变压器分接头档位和补偿电容器组、发电机机端电压来使电力系统稳定运行，在现有无功补偿设备不能满足
4、要求的情况下，需要在某些节点增加无功补偿设备，同时保证新增容性容量最小。研究该问题的主要目标就是对电站的综合控制优化。1 电站综合控制优化方法电站综合控制优化方法很多，文献1研究以有功网损最小、电压偏差最小和电压稳定指标最小为电力系统多目标无功优化的数学模型, 提出一种基于模糊控制理论及模拟退火原理的改进粒子群算法，避免了陷入局部最优的问题。文献2提出基于局部量测信息，用无功电源的注入无功与其理想期望注入无功的接近程度即分区无功平衡程度，作为优化目标，提高了低压无功补偿装置的利用率，降低了配电网的有功损耗。文献3建立了以有功网损、无功补偿设备的投入、电压水平为目标的无功优化数学模型采用预测校正
5、原对偶内点法进行求解，从而获取交直流系统的优化补偿节点及补偿节点的优化补偿容量。文献4研究了包含分布式电源的配电网无功优化问题，建立了无功优化问题的多智能体免疫模型，利用基于聚类和竞争克隆机制的多智能体免疫算法实现无功优化。上述内容均未考虑到以新增无功补偿容量最小作为目标，因此在该领域存在空白。鉴于此，本文基于遗传算法和免疫算法的广泛适用性，提出两种算法结合后在电站综合优化控制中的应用，确保电站综合控制决策达到最优，并减少无功设备的投资。1.1 遗传算法缺陷遗传算法是一种非常流行的求解混合整数规划问题的规划技术。但是遗传算法自身存在早熟收敛、随机漫游、参数的选择等许多难以解决的问题。而这些问题
6、的存在，给遗传算法的实际应用带来了极大的不便。遗传算法在迭代计算的后期，适应值大的个体在数量上占绝对优势，失去了个体多样性的优势，避免不了陷入局部最优解。1.2 免疫与遗传结合算法的优越性将免疫算法思想引入到遗传算法中，形成免疫遗传算法。可以实现个体收敛性与多样性之间的平衡，达到良好的全局收敛能力和收敛速度。在免疫遗传算法中，将带求解的目标函数对应为抗原，问题的备选解对应为抗体（待进化个体） 。相对于遗传算法，免疫遗传算法 5在选择操作中，多了一个计算抗体浓度的步骤，个体的适应值为个体与抗原之间结合力和个体浓度的加权和。这样，使适应值在体现个体与目标函数的匹配度与保持种群个体的多样性之间保持平
7、衡。然后，采用排序法来选择个体，适应值越小的个体被选择的概率越大。并且，由上述方法选择产生种群的一部分个体，而另外一部分个体由新随机生成的个体补充。在这样的情况下，免疫遗传算法能充分保持种群个体的多样性，从而能够有效避免局部最优解，可以以很快的速度收敛于全局最优解6-11。2 电站综合优化控制模型电站综合优化控制模型是非线性的，即针对电力系统中电站运行状态制定优化调整方案。该模型主要包括目标函数、等式约束和不等式约束。2.1 目标函数文中优化控制目标为全系统电压合格率最高，新增无功补偿节点投资最省，即接入点最佳和补偿容量值最小。目标函数取为无功补偿容量最小，并且以节点电压运行约束为罚函数。（1
8、）TiiiMl VQf12lm1Clmin其中， )(maxmaxiniinlii iVV式中 ； 为节点 的新增无功补偿T,21ClQl容量； 为新增无功补偿装置的节点数； 为一M个数值很大的惩罚因子； 是节点 的电压（即节ii点 电压向量的幅值） ； 是节点 的电压上限；imaxiV是节点 的电压下限； 为被考核节点个数minViT（不包括三绕组变压器等值电路的中点） 。2.2 等式约束电力系统的等式约束即为潮流约束，如下。（2） ij ijijijiji BGUPsnco（3） ij ijijijijiQ式中 为节点 i 的注入有功功率和无功功率；iPi、是指直接与节点 i 相连的节点
9、j，包括j时的自导纳； 、 为节点 i 与节点 j 之iijGijB间的互导纳的实部和虚部， 节点 i 的自导ii、纳的实部和虚部； ， 分别为jiijj、i节点 i、 j 的电压相位角。2.3 不等式约束控制变量包括发电机无功出力、变压器变比、无功补偿容量，不等式约束包括：；maxGminGiiQGN；itttTTt；maxCminCkk C式中 、 为发电机无功出力上下限； axGiQi、 为变压器分接头的上下限；matTint、 为现有无功补偿设备的容量上下xCkik限。 、 、 分别为发电机节点集合，现GNCT有无功补偿设备装设点集合，有载调压变压器集合。3.算例 3.1 免疫遗传算法
10、的应用原理电站综合优化调整的程序包括潮流程序部分和优化调整程序部分。潮流程序采用极坐标下的牛顿法程序，在潮流程序中不考虑负荷随电压变化的静态特性。因此，除平衡节点外，保持其它节点的注入有功功率不变。同样，除平衡节点和无功补偿节点外，其它各节点的无功功率不发生变化。 另外，在优化程序中使用动态内存，从而提高计算速度。免疫遗传算法程序部分，将发电机电压 ，iVG电容器的投切档位 。变压器分接头可调档位iDC，这三类控制变量编码为抗体，其中 为实iBiG数编码， 、 为整数编码，变压器变比 被iCi iK映射为可调档位 ，无功补偿容量 被映射为i iQC电容器投切档位 。这样，避免了截断小数部iDC
11、分而引起的截断误差，减少不必要的基因组合，加快收敛速度。对控制变量进行染色体编码，随机产生初始群体，进行潮流计算，计算每个个体的适应度函数值和浓度，用排序法来选择部分双亲个体，并且补充部分新的个体，加快种群进化速度，保持个体多样性。若还不能满足电压要求，则研究制定新增补偿节点方案，在某些节点新增无功补偿设备，重新对个控制变量编码，进行潮流计算，直到满足要求。在程序中，两个抗体 v、w 之间的距离取为欧氏空间中 2 一范数意义下的距离。wvH,2, CiwivGiwivv DV(4)21iwivB抗体的浓度 ，其中抗体与抗体之间Ncwvv1,的结合力 。抗体的适应值 由该wvwvHB,p抗体与抗
12、原的结合力 和该抗体的浓度两部分组A成： (5)vvcp1式中 为一个比例系数， 。结合力10采用个体的目标函数值。显然，抗体的适应值vA的意义在于，抗体与抗原的结合力越小，相应的适应值越小；抗体的浓度概率越小，相应的适应值越小；适应值越小,越接近最优解。这样既可保留与抗原的结合力小(即目标函数小 )的抗体，又可基于抗体之间浓度的相互促进与抑制，确保个体多样性，这样有利于提高最优解附近的收敛性。3.2 节点系统算例3.2.1 Ward-Hale6 节点系统算例系统如图 1 所示。图 1 Ward-Hale6 节点系统接线图Fig.1 Wiring diagram of Ward-Hale6 b
13、us node system根据上面的步骤，用 C 语言编写程序，对Ward-Hale6 节点系统进行电压优化调整与治理。在本算例中，有 6 个电力系统网络节点，7 条电力系统支路。其中，发电节点有 2 个，补偿节点 2个，有载可调抽头变压器 2 台，发电机 1 的机端电压维持在额定值的 100%110%，发电机 2 的机端电压维持在额定值的 110%115%，负荷节点的的运行范围为额定值的 90%107%。在程序中，潮流迭代误差精度取为0.000001，电压为实数编码，标幺值的精度取为0.01，可调抽头变压器档位步长为 ，无025.ia功补偿装置每个档位的步长取为 1Mvar，节点 4 的无
14、功补偿功率的上限为 5Mvar，节点 6 的无功补偿功率的上限为 5.5Mvar。基准值为 100MVA。目标函数中的惩罚因子 取为 10000。 表 1.负荷节点电压幅值优化前后比较（标么值）Tab.1 Load node voltage amplitude comparison before and after optimization节点号 2 5 6电压初值 0.84 0.88 0.90电压优化调整值 0.98 0.95 0.93表 2.电压优化调整前后各控制变量的变化Tab.2 The cChange of control variables before and after the
15、 voltage optimization adjustment变压器的变比 发电机端电压（标么值） 新增无功补偿量（MVAR）控制变量K43 K65 V1 V2 Q4 Q6优化前 1.100 1.025 1.050 1.100 0 0优化后 0.925 0.925 1.050 1.120 0 0表 3.两种算法优化调整前后的目标函数值变化情况Tab.3 The cChange of objective function values before and after the two algorithms optimization adjustment算法 遗传算法 免疫遗传算法优化前 20.
16、05 19.05优化后 8.00 0减少量 12.05 19.05减少幅度 65.09% 100%3.2.2 WSCC 9 节点系统算例WSCC 9 节点系统如图 2 所示。图 2 WSCC 9 节点系统接线图Fig.2 Wiring diagram of The WSCC 9 node system wiring diagram该系统有 9 个电力系统网络节点，9 条网络支路。其中有 3 个发电机节点，3 个有载可调变压器。发电机的机端电压维持在额定值的 100%110%，负荷节点的运行范围为额定值的 90%107%。通过调整机端电压和变压器分接头不能满足运行要求，在节点 2、4、5 增加无
17、功补偿设备，每个节点的无功补偿上限为 10Mvar。然后，通过免疫遗传算法程序来得到优化治理的结果。表 4. 优化前后负荷节点电压幅值比较（标么值）Tab.4 Load node voltage amplitude comparison before and after optimization节点号 1 2 3 4 5 6电压初值 0.94 0.90 0.96 0.84 0.85 0.90电压优化值 1.02 0.96 1.02 0.94 0.95 1.04表5.优化调整前后各控制变量的变化Tab.5 The cChange of control variables before and a
18、fter the optimization adjustment变压器变比变化 发电机端电压（标幺值） 新增武功补偿量（MVAR）控制变量K96 K71 K83 V7 V8 V9 Q2 Q4 Q5优化前 1.00000 1.00000 1.00000 1.02500 1.02500 1.04000 0.00000 0.00000 0.00000优化后 0.935 1.000 1.050 1.090 1.080 1.060 1.000 1.000 1.000表 6.优化调整目标函数值变化情况Tab.6 The cChange of objective function values after
19、optimization adjustment优化前 优化后 减少量 减少幅度68.20 3.75 64.45 94.50%由表 1 和表 4 可知，在对系统进行综合优化调整之后，电压的幅值在正常运行要求范围内，电压的质量得到了明显的提高和改善。由上面表2 和表 5 可知电压越限的范围更小了，而且补偿容量实现了最小化，减少了无功补偿容量的投资成本。另外，由表 3 可见，免疫遗传算法的优化效果明显优于遗传算法，且在试验中，免疫遗传算法的收敛速度比遗传算法快。由此可见，文章所使用的免疫遗传算法和潮流计算方法的收敛性和效果是很好的。4.结束语文章建立了以电站无补偿容量最小的电站综合优化控制模型。求解
20、控制优化问题时，利用免疫和遗传算法的结合后的抗扰动能力强以及收敛性好的优势进行编程计算，同时为了提高潮流计算的精确度,对电力系统的电容器补偿容量进行了处理，对个体解码时，求出其补偿容量对应的导纳值，再进行潮流计算。从而获得了精度更高的个体，保证了优化调整准确性和效果。算例结果表明，该算法可行且高效。参考文献1 李鑫滨，朱庆军. 一种改进粒子群优化算法在多目标无功优化中的应用J. 电工技术学报，2010, 25(7) ：138-142.Li Xinbin, Zhu Qingjun. Application of improved particle swarm optimization algor
21、ithm to multi-objective reactive power optimizationJ. Transactions of China Electrotechnical Society, 2010, 25(7): 138-142.2 颜伟，赵科，赵霞等基于局部量测的配网馈线广域无功优化控制方法J电力系统保护与控制，2013，41(14)：8891Yan Wei，Zhao Ke，Zhao Xia et alWide-area reactive optimal control method of radial distribution networks based on parti
22、al measurement dataJPower System Protection and Control，2013，41(14)：88913 邸弢，李华强，范锫. 基于奇异值分解和内点法的交直流系统无功优化J. 电工技术学报，2009,24(2):159-163.Di Tao, Li Huaqiang, Fan Pei. Reactive power optimaztion of AC/DC power system based on singular value decomposition and interior point methodJ. Transactions of Chin
23、a Electrotechnical Society, 2009,24(2):159-163.4 张丽，徐玉琴，王增平等. 包含分布式电源的配电网无功优化 J. 电工技术学报，2011, 36(3): 169-173.Zhang Li, Xu Yu-qin, Wang Zengping, et al. Reactive power optimization for distribution system with distributed generatorsJ. Transactions of China Electrotechnical Society, 2011, 36(3): 169-1
24、73.5 刘科研，盛万兴，李运华基于改进免疫遗传算法的无功优化J电网技术，2007，13(31) ：11-16.Liu Keyan, Sheng Wanxing, Li Yunhua. Based on improved immune genetic algorithm for reactive power optimization J. Power system technology, 2007, 13 (31):11-16.6 李晶，王素华，谷彩连. 基于遗传算法的含分布式发电的配电网无功优化控制研究J. 电力系统保护与控制，2010, 38（6）：60-63.Li Jing，Wang S
25、uhua, Gu Cailian. Research of reactive power optimization control in distribution networks based on genetic algorithmJ. Power System Protection and Control, 2010, 38（6）：60-63.7 周晓娟，蒋炜华，马丽丽. 基于改进遗传算法的电力系统无功优化J. 电力系统保护与控制，2010, 38（7）：37-41.Zhou Xiao-juan, Jiang Wei-hua, Ma Lili. Reactive power optimiz
26、ation of power system based on improved genetic algorithmJ. 2010, 38(7): 37-41.8 康忠健，訾淑伟.基于差分进化算法的油田区域配电网无功优化技术的研究J. 电工技术学报，2013, 28(6): 227-231.Kang Zhongjian, Zi Shuwei. Research on the reactive power optimization of oil-field regional distribution network based on differential evolutionJ. 2013, 2
27、8(6): 227-231.9 张聪誉，陈民铀，罗辞勇等. 基于多目标粒子群算法的电力系统无功优化J.电力系统保护与控制，2010，38(20)：154-157.Zhang Congyu, Chen Min-you, Luo Ciyong, et al. Power system reactive power optimization based on multi-objective particle swarm algorithmJ. Power System Protection and Control, 2010, 38(20): 154-157.10 郑新才 10 kV 配电网络无功补
28、偿配置 J电力系统及其自动化学报，2008，20（6）：120-122Zheng Xin-caiMethod of reactive compensation in view of the distribution networkJProceedings of the Chinese Society of Universities for Electric Power System and its Automation，2008，20（6）：120-12211 王海英，黄强，李传涛，褚宝增图论算法及其 MATLAB 实现M北京：北京航空航天大学出版社，2010：2-25 作者简介：胡艺文（1987），男，汉族，江西九江人，硕士，讲师，主要从事电力系统自动检测与控制研究。Email：收稿日期：2014-09-23 ；修回日期：2014-12-19（刘爽 编发）
