電力系統(tǒng)無(wú)功電壓綜合優(yōu)化控制方法研究.pdf

1、電能是一種高效、清潔、經(jīng)濟(jì)、實(shí)用且容易控制和轉(zhuǎn)換的能源形式，在國(guó)民經(jīng)濟(jì)和人類(lèi)日常生活中，已成為一種最為廣泛利用的能源，其應(yīng)用程度和相關(guān)技術(shù)設(shè)備的發(fā)展?fàn)顩r成為一個(gè)國(guó)家發(fā)展水平的主要標(biāo)志之一。電壓質(zhì)量是衡量電能質(zhì)量的實(shí)質(zhì)標(biāo)準(zhǔn)，目前影響電網(wǎng)電壓質(zhì)量的因素主要有無(wú)功功率優(yōu)化補(bǔ)償狀況、系統(tǒng)諧波抑制狀況以及各種故障因素等。 無(wú)功功率優(yōu)化補(bǔ)償提高電壓質(zhì)量，降低網(wǎng)絡(luò)有功損耗的理論研究已有很多年的歷史。用于無(wú)功/電壓優(yōu)化的算法主要有數(shù)學(xué)類(lèi)的數(shù)值優(yōu)

2、化算法和人工智能類(lèi)的啟發(fā)式優(yōu)化算法。數(shù)值優(yōu)化方法的求解依賴(lài)于精確的數(shù)學(xué)模型，而精確的數(shù)學(xué)模型隨著實(shí)際電力系統(tǒng)節(jié)點(diǎn)數(shù)的增多，求解變得十分復(fù)雜和困難，往往難于找到全局最優(yōu)解，并且求解速度很慢，難以適應(yīng)實(shí)時(shí)控制要求。因此，基于對(duì)自然界和人類(lèi)本身的有效類(lèi)比而獲得啟示的人工智能方法受到了研究人員的關(guān)注，其中以人工神經(jīng)網(wǎng)絡(luò)、專(zhuān)家系統(tǒng)、模糊理論、遺傳算法、模擬退火算法、禁忌搜索算法、粒子群算法、進(jìn)化規(guī)劃、多Agent系統(tǒng)等為代表。這些人工智能算法不用

3、精確求解無(wú)功優(yōu)化的數(shù)學(xué)模型，而是以各種生物智能的方式來(lái)搜索滿足某些約束條件的最優(yōu)解，當(dāng)搜索結(jié)果與理想值誤差在某個(gè)限值之內(nèi)或達(dá)到一定的搜索步驟后，就可以以搜索到的結(jié)果來(lái)進(jìn)行控制。這種方法避免了精確求解的困難，使得優(yōu)化控制問(wèn)題變得更加可行、實(shí)用。 本文即采用人工智能方法中的人工神經(jīng)網(wǎng)絡(luò)(ANN)和粒子群優(yōu)化(PSO)算法對(duì)電力系統(tǒng)的無(wú)功電壓優(yōu)化控制問(wèn)題進(jìn)行研究、探索和嘗試。本文的主要工作可以概括如下： (1)應(yīng)用人工神經(jīng)網(wǎng)絡(luò)

4、理論，利用其中利用率最高的反向傳播BP神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)無(wú)功電壓綜合優(yōu)化控制的應(yīng)用研究，避開(kāi)了傳統(tǒng)數(shù)值優(yōu)化算法中非線性、線性方程組求解復(fù)雜而困難的問(wèn)題。本文提出了一種綜合的算法來(lái)確定神經(jīng)網(wǎng)絡(luò)中比較難于確定的隱層節(jié)點(diǎn)數(shù)目，同時(shí)提出了一種標(biāo)準(zhǔn)化方法來(lái)處理電力網(wǎng)絡(luò)的初始訓(xùn)練數(shù)據(jù)，以保證網(wǎng)絡(luò)訓(xùn)練的有效收斂。 (2)通過(guò)反復(fù)實(shí)驗(yàn)對(duì)不同的訓(xùn)練函數(shù)的訓(xùn)練效果分別作了詳細(xì)的分析和對(duì)比，對(duì)訓(xùn)練完成后的網(wǎng)絡(luò)的泛化能力作了驗(yàn)證和改進(jìn)。通過(guò)實(shí)例系統(tǒng)分

5、析了簡(jiǎn)單的BP神經(jīng)網(wǎng)絡(luò)如果訓(xùn)練數(shù)據(jù)選取得比較適當(dāng)、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)合理、參數(shù)設(shè)置合理，是可以滿足一定的訓(xùn)練精度要求的。 (3)研究了近幾年出現(xiàn)并應(yīng)用的新的智能計(jì)算方法——粒子群優(yōu)化算法，在電力系統(tǒng)無(wú)功電壓綜合優(yōu)化控制中的應(yīng)用。利用粒子群優(yōu)化算法比遺傳算法更簡(jiǎn)單，更容易實(shí)現(xiàn)，控制變量少，收斂速度快的特點(diǎn)，提出了一種均勻初始化的可行解保留策略并具有自身探索機(jī)制的改進(jìn)粒子群優(yōu)化算法，即對(duì)于粒子群的初始化，不采用隨機(jī)初始化的方法，而是采用在

6、可行域內(nèi)按滿足均勻分布的規(guī)律產(chǎn)生初始粒子種群，使迭代更趨于全局；對(duì)于粒子在搜索過(guò)程中速度的更新，采用只有滿足問(wèn)題可行解條件的粒子才能進(jìn)行粒子的速度和位置更新，以限制有效搜索的范圍和速度：其次采用粒子個(gè)體的自身探索機(jī)制指導(dǎo)粒子的全局尋優(yōu)，即采用適應(yīng)值好的滿足可行解要求的若干個(gè)粒子作為個(gè)體最優(yōu)，而不是只有粒子本身的歷史最優(yōu)來(lái)指導(dǎo)粒子的飛行，這樣使得粒子的搜索信息多樣，避免粒子陷入局優(yōu)。 (4)對(duì)于粒子群優(yōu)化算法的改進(jìn)本文還提出了一種

7、混沌變異的方法。即對(duì)于改進(jìn)的粒子若仍有陷入局優(yōu)的可能，則在適應(yīng)值連續(xù)若干代沒(méi)有明顯變化時(shí)引進(jìn)混沌變異機(jī)制，運(yùn)用Logistic方程產(chǎn)生混沌變異序列，幫助粒子跳出局部最優(yōu)。改進(jìn)后的算法經(jīng)算例證明比基本的粒子群算法收斂性好，收斂速度加快。 (5)綜合了粒子群優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，利用粒子群優(yōu)化算法和改進(jìn)的粒子群優(yōu)化算法，即滿足可行解保留策略的均勻初始化的混沌變異的粒子群優(yōu)化算法的快速搜索和良好的收斂性能優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值

8、和閾值，利用優(yōu)化得到的BP網(wǎng)絡(luò)對(duì)系統(tǒng)做無(wú)功電壓的綜合優(yōu)化，實(shí)例表明網(wǎng)絡(luò)最終的優(yōu)化結(jié)果收斂性能、收斂速度、泛化能力均有相當(dāng)?shù)奶岣摺?(6)提出了一種BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化新方法，即利用改進(jìn)的粒子群優(yōu)化算法對(duì)BP網(wǎng)絡(luò)中的各網(wǎng)絡(luò)參數(shù)，包括網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)目、學(xué)習(xí)率和動(dòng)量因子等參數(shù)進(jìn)行整體優(yōu)化，用得出的優(yōu)化網(wǎng)絡(luò)進(jìn)，行系統(tǒng)無(wú)功電壓綜合控制。實(shí)例同樣證明了此種改進(jìn)后的網(wǎng)絡(luò)收斂速度和泛化能力得到了相當(dāng)?shù)奶岣摺?從本文的研究和試驗(yàn)