基于遗传算法的无功优化与控制文档格式.docx

基于遗传算法的无功优化与控制文档格式.docx

《基于遗传算法的无功优化与控制文档格式.docx》由会员分享，可在线阅读，更多相关《基于遗传算法的无功优化与控制文档格式.docx（47页珍藏版）》请在冰豆网上搜索。

指导教师签名：

使用授权说明本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：

按照学校要求提交毕业设计（论文）的印刷本和电子版本；

学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；

学校可以采用影印、缩印、数字化或其它复制手段保存论文；

在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。

作者签名：

学位论文原创性声明本人郑重声明：

所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。

除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。

对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。

本人完全意识到本声明的法律后果由本人承担。

日期：

年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。

本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。

涉密论文按学校规定处理。

年月日导师签名：

年月日基于遗传算法的无功优化与控制摘要电力系统无功功率的有效优化与合理控制既能提高电力系统运行时的电压质量，也能有效减少网损，节约能源，是保证电力系统安全经济运行的重要措施,对电网调度和规划具有重要的指导意义。

无功优化的核心问题主要集中在数学模型和优化算法两方面，其中数学模型问题是根据解决问题的重点不同来选取不同的目标函数；

而优化算法的研究则大量集中在提高计算速度、改善收敛性能上。

本文选取有功网损最小作为数学模型的目标函数，数学模型的约束条件有各节点的注入有功、无功功率的等式约束和各节点电压、发电机输出无功功率、可调变压器变比、并联补偿电容量、发电机机端电压均在各自的上下限之内的不等式约束，优化方法采用遗传算法。

设计和编制了牛顿拉夫逊直角坐标matlab潮流计算程序以及遗传算法无功优化的matlab潮流计算程序。

通过IEEE30节点系统的算例分析，得出基于遗传算法的无功优化能有效降低系统网损、提高电压水平，验证了该算法在解决多变量、非线性、不连续、多约束问题时的独特优势，并指出了该算法的不足之处以及如何改善。

关键词：

牛顿拉夫逊法，无功优化，遗传算法REACTIVEPOWEROPTIMIZATIONBASEDONGENETICALGORITHMABSTRACTReactivepowerwithreasonableoptimizationandcontrolofPowersystemcannotonlyimprovethestabilityofpowersystem,butalsoeffectivelyreducenetworklossesandsaveenergy.Itensuresthesafetyandeconomicoperationofpowersystemsandimprovethevoltagequality.Itisimportantforplanningdepartmentsongridreactivepowerscheduling.Reactivepoweroptimizationfocusesonmathematicalmodelsandoptimizationalgorithms.Themathematicalmodelisselecteddependingonthefocusofproblem-solving.Optimizationalgorithmisconcentratedinimprovingthecalculationspeedandimprovetheconvergenceperformance.Thispaperselectstheactivepowerlossminimumobjectivefunctionasamathematicalmodel,theconstraintsofmathematicalmodelareeachnodeoftheinjectedactiveandreactivepowerequalityconstraintandthenodevoltageandreactivepowerofgeneratoroutput,adjustabletransformerratio,parallelcapacitancecompensation,thegeneratorterminalvoltagewithintherespectiveupperandlowerlimitsoftheinequalityconstraints,optimizationmethodusinggeneticalgorithms.DesignCartesiancoordinateNewtonRaphsonpowerflowcalculationmethodandgeneticalgorithmmatlabcalculatethereactivepoweroptimizationprocedures.ThroughanumericalexampleoftheIEEE14nodesystem,wecandrawreactivepoweroptimizationbasedongeneticalgorithmcaneffectivelyreducesystemlossandimprovevoltagelevelandverifythealgorithmhaveuniqueadvantagestosolvemultivariable,nonlinear,discontinuous,multi-constraintproblem.Keywords:

NewtonRaphsonmethod;

reactivepoweroptimization;

geneticalgorithm1绪论绪论1.1背景与意义背景与意义电能是现今社会最主要的能源，人们工作生活中都离不开电能。

随着社会的不断发展，电能的重要性显著增加。

提供安全、可靠、稳定、环保的电能是现今电力系统发展的首要目标。

最优潮流被提出以后就一直用于电力系统的经济和安全运行及规划1。

最优潮流是指当系统的结构参数和负荷情况都已给定时，调节可利用的控制变量（如发电机输出功率、可调变压器抽头等）来找到能满足所有运行约束的，并使系统的某一性能指标（如发电成本或网络损耗）达到最优值下的潮流分布2-4。

这一大系统非线性规划问题，通常分为两个子问题：

调节发电机的有功出力以减少发电费用；

调节P-V节点和平衡节点的电压及可调变压器的分接头位置以改善电压分布及减少系统的有功网损5,后者即为无功优化问题。

电力系统无功优化控制是指在满足各种电力系统运行条件的约束下，对系统进行尽量少的无功补偿，使电力系统中的各个节点电压得到最大限度的改善，系统的有功网损降低，达到提高电力系统运行稳定性与经济性的目的6。

它涉及选择无功补偿装置地点、确定无功补偿容量、调节变压器分接头和发电机机端电压的配合等,是一个动态、多目标、多约束的非线性规划问题，也是电力系统分析中的一个难题7-9。

无功功率的最优分布包括无功功率电源的最优分布和无功功率负荷的最优补偿两个方面10。

电力系统的无功优化和电压控制是相互作用的，合理的无功潮流分布是维持电压稳定的前提。

无功功率的流动将在电网中产生压降，造成电力系统节点电压偏移。

当节点处的无功功率过剩时，往往意味着电压的升高，相反，当节点处的无功功率不足时，常常会使电压水平降低11-13。

电力系统无功优化与控制是保证电力系统安全经济运行、提高电压质量的重要措施，对指导调度人员安全运行和计划部门进行电网规划具有重要意义。

电力系统无功优化与控制不仅能改善电压质量，提高电力系统运行的稳定性，更能有效的减少网损，节约能源14。

因此研究无功优化与控制问题具有重要意义。

1.2现状和发展趋势现状和发展趋势在无功优化问题这一研究领域内,已有多种解决方法,例如：

线性规划、非线性规划、混合整数规划、灵敏度分析、遗传算法等。

这些方法都有各自的优越性，也有一定程度的局限性15。

线性规划是比较成熟的，它速度快、收敛性好、算法稳定，但在处理无功规划优化时需要将目标函数和约束函数线性化，要求优化问题可微，对离散性问题缺乏指导性；

若迭代步长选取不合适，可能会引发振荡或收敛缓慢。

非线性规划能直接处理非线性的目标函数和约束函数，但非线性规划还没有一个成熟的算法，现有算法存在计算量大、收敛性差、稳定性不好等问题。

尽管基于灵敏度和梯度法的数学优化方法能用来解决电力系统的无功优化问题，但与线性规划法同样要求假设控制量是连续的，而且通常只能求得局部最优解。

混合整数规划可以较好地处理离散性整数问题，但在实际中由于操作复杂而得不到推广应用16-18。

1967年J.D.Bagley首次提出了遗传算法（GeneticAlgorithm，简称GA）的概念。

1975年左右美国密执安大学教授JohnH.Holland等研究出了具有开创意义的遗传算法理论和方法。

在研究遗传算法的专家学者中，D.E.Goldberg的贡献最为突出。

他不但建立并完善了整个GA体系，而且将其应用到优化、搜索及机器学习等领域，为GA的发展拓展了天地19。

遗传算法把自然界中基于自然遗传和自然选择的机制引入到数学理论中来，提出了一种全新的寻优算法。

它是利用目标函数本身的信息建立寻优方向，因此不要求函数的连续性和可导性，有能力在一个复杂的、多极值点、具有不确定性的空间中寻找全局最优解20。

遗传算法随着计算机技术的高速发展已经引起越来越多的注意，并已经应用于求解许多领域中的难题。

在许多情况下，遗传算法表现得优于传统的优化算法21-22。

近年来,遗传算法在搜索与最优化问题方面已取得较大的进展。

在电力系统技术中,这一应用已经覆盖了负荷预测,电力系统设计与规划,电力系统的进度安排与调度,单位投入和其它电力系统控制问题23-24。

遗传算法在寻求电力系统问题全局最优解方面是强有力的工具，并被广泛应用于最优化及数学问题上25-26。

在电力系统研究中，遗传算法具有随机搜索、灵活高效、稳定、多目标处理和对复杂因素进行处理等优点27。

2电力系统潮流计算问题及其方程求解方法电力系统潮流计算问题及其方程求解方法2.1电力网络方程电力网络方程电力网络方程是指将网络的相关参数、变量及相互关系所组成的能反映电力电力网络性能的数学方程式组。

电力系统潮流计算不常采用割集电压方程。

节点电压方程和回路电流方程相比，节点电压方程有明显的优势。

因电力系统的等值电路中有较多的接地支路，节点电压方程数远小于独立的回路方程数。

采用节点电压方程，还有如下一些优点:

对具有交叉跨接的非平面网络，节点电压方程的建立比回路