海濤,杜松霖,葛思揚(yáng)
(1.廣西大學(xué) 電氣工程學(xué)院,廣西南寧,530000;2.南方電網(wǎng)電力科技股份有限公司,廣東廣州,510080)
為改善化石能源對(duì)自然環(huán)境的污染,同時(shí)響應(yīng)國(guó)家“雙碳”和“十四五”能源規(guī)劃,需大力發(fā)展以新能源為主體的新型電力系統(tǒng)。從而推動(dòng)分布式電源(Distribute Generator, DG)快速化、規(guī)?;l(fā)展[1]。隨著DG 大規(guī)模、高密度地接入,配電網(wǎng)的原有結(jié)構(gòu)、潮流和電壓分布發(fā)生改變,會(huì)增大網(wǎng)絡(luò)損耗和降低電壓質(zhì)量,從而影響配電網(wǎng)運(yùn)行的安全性和穩(wěn)定性[2~3]。在含DG 的交流配電系統(tǒng)的網(wǎng)絡(luò)損耗和電壓優(yōu)化問(wèn)題方面已有一定研究基礎(chǔ)[4],無(wú)功優(yōu)化則是其中一大熱點(diǎn)。
無(wú)功優(yōu)化的常見(jiàn)手段是控制靜態(tài)無(wú)功補(bǔ)償裝置(Static Var Generator, SVG)的切入容量,這是一個(gè)多目標(biāo)、多約束的非線性規(guī)劃問(wèn)題。傳統(tǒng)數(shù)學(xué)優(yōu)化法存在算法復(fù)雜度高、收斂性不足等缺點(diǎn)[5~6]。因此,研究人員引入智能優(yōu)化算法來(lái)解決。文獻(xiàn)[7]針對(duì)配電網(wǎng)無(wú)功優(yōu)化的特點(diǎn),提出一種基于局部電壓穩(wěn)定指標(biāo)分區(qū)與改進(jìn)粒子群算法相結(jié)合的配電網(wǎng)無(wú)功優(yōu)化方法。文獻(xiàn)[8]提出一種引入馮諾依曼拓?fù)浣Y(jié)構(gòu)的改進(jìn)鯨魚(yú)優(yōu)化算法求解無(wú)功優(yōu)化問(wèn)題。文獻(xiàn)[9]采用最優(yōu)場(chǎng)景法模擬DG 和負(fù)荷的隨機(jī)性進(jìn)行無(wú)功優(yōu)化問(wèn)題建模,并提出一種改進(jìn)人工蜂群算法求解。文獻(xiàn)[10]建立了考慮風(fēng)電、光伏的隨機(jī)概率出力的無(wú)功優(yōu)化模型,出一種基于改進(jìn)元胞差分算法的配電網(wǎng)無(wú)功優(yōu)化方法。
灰狼優(yōu)化算法 (Gray Wolf optimization, GWO)是一種模擬灰狼群體捕食行為的智能優(yōu)化算法,其結(jié)構(gòu)簡(jiǎn)單、調(diào)節(jié)參數(shù)少,有著較好的求解精度和收斂速度,已應(yīng)用于故障診斷、功率預(yù)測(cè)等諸多領(lǐng)域。與其他智能優(yōu)化算法類似,GWO 算法仍存在種群多樣性低、易陷入局部最優(yōu)等缺點(diǎn)。
鑒于上述問(wèn)題,本文首先分析含分布式電源的配電網(wǎng)系統(tǒng),建立以有功網(wǎng)損和電壓越限偏差最小為目標(biāo)的無(wú)功優(yōu)化模型;然后融合Sobol 序列、非線性收斂因子、黃金正弦優(yōu)化算法和貪婪策略,提出一種改進(jìn)GWO 算法;最后以增強(qiáng)式IEEE 33 節(jié)點(diǎn)配電網(wǎng)系統(tǒng)作為算例,對(duì)所建立無(wú)功優(yōu)化模型和所提改進(jìn)算法進(jìn)行仿真分析,驗(yàn)證其可行性和優(yōu)越性。
本文設(shè)配電網(wǎng)系統(tǒng)中并入分布式光伏電源、分布式風(fēng)能電源,通過(guò)控制SVG 補(bǔ)償無(wú)功出力實(shí)現(xiàn)無(wú)功優(yōu)化。以上三種設(shè)備在潮流計(jì)算中均可視為負(fù)輸出的負(fù)載。參考并網(wǎng)等效計(jì)算方法,其并網(wǎng)模型可分為兩類:
(1)PQ 節(jié)點(diǎn)
分布式風(fēng)能電源和SVG 在運(yùn)行過(guò)程中功率因數(shù)恒定,在潮流計(jì)算中可等效為PQ 節(jié)點(diǎn),其計(jì)算模型可表示為:
式中:Pflow、Qflow分別表示潮流計(jì)算時(shí)的等效有功出力和無(wú)功出力,inP表示分布式電源注入有功,Qin表示分布式電源或SVG 的注入無(wú)功。
(2)PI 節(jié)點(diǎn)
分布式光伏通過(guò)直流逆變器并入配電網(wǎng),其有功出力和注入電流恒定,在潮流計(jì)算中視為PI 節(jié)點(diǎn),其計(jì)算模型可表示為:
(1)有功網(wǎng)損
有功網(wǎng)損指電能輸送過(guò)程中以熱能形式散發(fā)的有功功率損失,減小有功網(wǎng)損可以有效提升配電網(wǎng)運(yùn)行的經(jīng)濟(jì)性,其數(shù)學(xué)模型可表示為:
式中:Ploss表示有功網(wǎng)損,n表示配電網(wǎng)系統(tǒng)節(jié)點(diǎn)數(shù),Γ 表示能與節(jié)點(diǎn)i連成支路的節(jié)點(diǎn)j的集合,Gij表示節(jié)點(diǎn)i、j之間支路的電導(dǎo),Ui、Uj分別表示節(jié)點(diǎn)i、j的電壓幅值,ijθ表示節(jié)點(diǎn)i、j之間支路的相位差。
(2)電壓越限偏差
節(jié)點(diǎn)電壓越限可能導(dǎo)致設(shè)備無(wú)法正常運(yùn)行甚至局部故障,帶來(lái)安全隱患。減小電壓越限偏差量能提高配電網(wǎng)系統(tǒng)運(yùn)行的穩(wěn)定性和安全性,其數(shù)學(xué)模型可表示為:
式中:1λ、2λ表示權(quán)值,本文取λ1=0.3,λ2=0.7。
(1)等式約束
潮流計(jì)算時(shí),系統(tǒng)各節(jié)點(diǎn)的有功功率和無(wú)功功率相等,表示為:
式中:Pi、Qi分別表示節(jié)點(diǎn)i處有功負(fù)荷和無(wú)功負(fù)荷,Bij表示節(jié)點(diǎn)i、j之間支路的電納。
(2)不等式約束
本文選擇SVG 的出力作為控制變量,需考慮其出力閾值,表示為:
GWO 算法模擬構(gòu)建了灰狼群體的社會(huì)等級(jí)分層。把每一個(gè)灰狼個(gè)體看作一個(gè)問(wèn)題的解,并將種群中求解適應(yīng)度最好的三個(gè)灰狼個(gè)體依次標(biāo)記為α、β、δ,其余標(biāo)記為ω?;依侨后w狩獵過(guò)程如下:
(1)包圍獵物
灰狼群體發(fā)現(xiàn)獵物后,會(huì)逐步包圍獵物,其數(shù)學(xué)模型表示為:
式中,tmax表示最大迭代次數(shù)。
(2)捕食獵物
在實(shí)現(xiàn)包圍后,ω狼在α、β、δ狼的帶領(lǐng)下捕食獵物,其數(shù)學(xué)模型表示為:
GWO 算法存在后期全局搜索能力差、易陷入局部最優(yōu)以及收斂速度較慢等問(wèn)題,本文采取多種策略改進(jìn)原算法,提出一種改進(jìn)GWO 算法(IGWO)。
2.2.1 改進(jìn)種群初始化
對(duì)于解分布未知的優(yōu)化問(wèn)題,若采用隨機(jī)序列產(chǎn)生初始,可能使最優(yōu)解附近個(gè)體分布稀疏,劣等解附近個(gè)體分布集聚,影響求解效率。
Sobol 序列是一種低差異序列,能通過(guò)合理的采樣方向?qū)颖颈M可能均勻地填充在樣本空間內(nèi),在處理概率問(wèn)題時(shí)具有更高的優(yōu)越性。
為對(duì)比隨機(jī)序列和Sobol 序列產(chǎn)生的初始種群,分別用兩種序列在取值范圍為,維度為2 的樣本空間中產(chǎn)生100 個(gè)樣本,結(jié)果如圖1 所示。
圖1 使用不同序列產(chǎn)生樣本
由圖1 可得,相較于隨機(jī)數(shù)序列,通過(guò)Sobol 序列產(chǎn)生的初始種群分布更均勻,遍歷性更高,有利于提升算法求解效率。
2.2.2 改進(jìn)收斂因子
在GWO 算法中,A用于指示算法進(jìn)行全局搜索或局部搜索。由式(11)可知,A隨著收斂因子a變化而變化。由式(13)可知,a隨著迭代次數(shù)線性減小,但算法的迭代搜索過(guò)程是非線性的,a線性遞減會(huì)導(dǎo)致算法后期的全局搜索能力較差,易陷入局部最優(yōu)。因此,本文引入余弦函數(shù)構(gòu)造非線性收斂因子,表示為:
式中:aini、afin分別表示a的初始值和終止值,在本文中,aini=2 ,afin=0 。
非線性收斂因子隨迭代次數(shù)的變化情況如圖2 所示。
圖2 不同收斂因子迭代變化曲線
由圖2 可得,非線性收斂因子在算法前期變化速率慢,能更好地適應(yīng)算法的全局搜索,在算法后期變化速率快,能提高算法局部搜索的效率。因此,非線性收斂因子可以有效平衡算法的全局搜索和局部搜索能力。
2.2.3 改進(jìn)位置更新策略
黃金正弦優(yōu)化算法(Golden sine algorithm, Gold-SA)根據(jù)正弦函數(shù)與單位圓的關(guān)系,可以遍歷正弦函數(shù)上的所有值,即尋遍單位圓上所有的點(diǎn),同時(shí)在其位置更新過(guò)程中引入黃金分割數(shù)縮小解決方案的空間,以便掃描產(chǎn)生優(yōu)質(zhì)解概率大的區(qū)域,很大程度上提高了搜索速度,且使搜索和開(kāi)發(fā)達(dá)到良好的平衡。其數(shù)學(xué)表達(dá)式如下:
將Gold-SA 算法的位置更新策略融合進(jìn)GWO 算法中,通過(guò)比較個(gè)體適應(yīng)度選擇位置更新策略;同時(shí)采用貪婪策略判斷是否更新當(dāng)前個(gè)體,當(dāng)新個(gè)體適應(yīng)度優(yōu)于當(dāng)前個(gè)體時(shí)更新,否則就保留當(dāng)前個(gè)體,以增強(qiáng)算法的求解效率。其改進(jìn)的位置更新策略表示如下:
綜上所述,本文所提及基于改進(jìn)GWO 算法的含DG 配電網(wǎng)無(wú)功優(yōu)化流程如圖3 所示。
圖3 含DG 配電網(wǎng)無(wú)功優(yōu)化流程框圖
本文選取增強(qiáng)式IEEE 33 節(jié)點(diǎn)系統(tǒng)作為算例,基準(zhǔn)電壓為12.66kV,其結(jié)構(gòu)如圖4 所示。光伏電源接入節(jié)點(diǎn)18、33,其最大有功出力為0.4MW,注入電流為50A;風(fēng)能電源接入節(jié)點(diǎn)22、25,其最大有功出力為0.3MW,功率因數(shù)為0.88;SVG 接入節(jié)點(diǎn)18、22、25、33,其最大無(wú)功出力為1.5Mvar。
圖4 增強(qiáng)式IEEE 33 節(jié)點(diǎn)系統(tǒng)
以1h 為采樣步長(zhǎng),系統(tǒng)的日有功負(fù)荷和DG 日有功出力情況分別如圖5 和圖6 所示。
圖5 增強(qiáng)式IEEE 33 節(jié)點(diǎn)系統(tǒng)日有功負(fù)荷曲線
圖6 增強(qiáng)式IEEE 33 節(jié)點(diǎn)系統(tǒng)電源日有功出力曲線
3.3.1 算法性能測(cè)試
為驗(yàn)證IGWO 算法優(yōu)化性能的優(yōu)越性,在算例中分別獨(dú)立應(yīng)用GWO 無(wú)功優(yōu)化策略(以下簡(jiǎn)稱“GWO 策略”)和IGWO 無(wú)功優(yōu)化策略(以下簡(jiǎn)稱“IGWO 策略”)。設(shè)最大迭代次數(shù)均為80 次,其仿真結(jié)果如圖7 所示。
圖7 有功網(wǎng)損迭代曲線
在求解精度方面,系統(tǒng)未引入無(wú)功優(yōu)化策略時(shí)的總體有功網(wǎng)損為2426.01kW,分別引入GWO 策略和IGWO策略,系統(tǒng)穩(wěn)定后的總體有功網(wǎng)損分別為806.93kW 和795.97kW。IGWO 算法的求解精度相較于GWO 算法更高。
在迭代速度方面,IGWO 策略能在24 次完成迭代,而GWO 策略需要在63 次完成迭代。IGWO 策略的迭代速率明顯高于GWO 策略,且迭代曲線平穩(wěn)。
因此,在求解無(wú)功優(yōu)化問(wèn)題方面,IGWO 策略比GWO策略更具有優(yōu)越性。
3.3.2 有功網(wǎng)損優(yōu)化結(jié)果分析
將兩種無(wú)功優(yōu)化策略后的有功網(wǎng)損分別與未引入無(wú)功優(yōu)化策略有功網(wǎng)損相比較,求得各時(shí)刻有功網(wǎng)損優(yōu)化率如圖8 所示。
圖8 各時(shí)刻有功網(wǎng)損優(yōu)化比
式中:R表示有功網(wǎng)損優(yōu)化率,Pini表示未引入無(wú)功優(yōu)化策略時(shí)的有功網(wǎng)損,Pop表示引入無(wú)功優(yōu)化策略后系統(tǒng)穩(wěn)定時(shí)的有功網(wǎng)損。
由圖8 總體上看,IGWO 策略在各時(shí)刻的有功網(wǎng)損優(yōu)化水平略優(yōu)于GWO 策略。IGWO 策略最大有功網(wǎng)損優(yōu)化率為70.11%,最小為59.44%;GWO 策略最大有功網(wǎng)損優(yōu)化率為70%,最小為59.22%。當(dāng)配電網(wǎng)系統(tǒng)容量增大時(shí),IGWO 策略優(yōu)化有功網(wǎng)損的量相較于GWO 策略將獲得可觀的提升。
由圖5 可得,系統(tǒng)用戶側(cè)用電有兩個(gè)高峰時(shí)段,為7~13 點(diǎn)和17~21 點(diǎn),結(jié)合圖8 可得,IGWO 策略在兩個(gè)用戶側(cè)用電高峰時(shí)刻的有功網(wǎng)損優(yōu)化情況優(yōu)于GWO 策略,說(shuō)明IGWO 策略處理高峰時(shí)段的能力優(yōu)于GWO 策略,有利于支撐配電網(wǎng)在高峰時(shí)期的運(yùn)行能力。
3.3.3 電壓偏差優(yōu)化結(jié)果分析
有圖5 可得,21 點(diǎn)是一天中系統(tǒng)最大負(fù)荷時(shí)點(diǎn),其未引入無(wú)功優(yōu)化策略和分別引入兩種無(wú)功優(yōu)化策略后的節(jié)點(diǎn)電壓的變化情況對(duì)比結(jié)果如圖9 所示。
圖9 21 點(diǎn)各節(jié)點(diǎn)電壓變化情況
由圖9 可得,未引入無(wú)功優(yōu)化策略時(shí),配電網(wǎng)系統(tǒng)的電壓在節(jié)點(diǎn)18 達(dá)到最低值0.914p.u;引入GWO 策略后,系統(tǒng)電壓在節(jié)點(diǎn)12 取得最低值0.967p.u.,在節(jié)點(diǎn)18 抬升至0.985p.u.;引入IGWO 策略后,系統(tǒng)電壓在節(jié)點(diǎn)30 取得最低值0.969p.u.,在節(jié)點(diǎn)18 抬升至0.990p.u.。IGWO策略相較于GWO 策略對(duì)節(jié)點(diǎn)電壓最低值的抬升效果更好,能更好解決電壓跌落情況。
為驗(yàn)證節(jié)點(diǎn)電壓優(yōu)化的普適性,本文選取節(jié)點(diǎn)16 作為研究對(duì)象,其在未引入無(wú)功優(yōu)化策略和分別引入兩種無(wú)功優(yōu)化策略的各時(shí)刻節(jié)點(diǎn)電壓變化情況如圖10 所示。
圖10 節(jié)點(diǎn)16 各時(shí)刻電壓變化情況
由圖10 可得,IGWO 策略和GWO 策略在各時(shí)刻對(duì)節(jié)點(diǎn)電壓均有抬升作用。未引入無(wú)功優(yōu)化策略時(shí),節(jié)點(diǎn)16在20 時(shí)取最低電壓0.919p.u.;引入GWO 策略后,節(jié)點(diǎn)16 在20 時(shí)取最低電壓0.972p.u.;引入IGWO 策略后,節(jié)點(diǎn)16 在21 時(shí)取最低電壓0.978p.u.,在20 時(shí)抬升電壓至0.979p.u.。因此,IGWO 策略相較于GWO 策略對(duì)最低電壓抬升效果更明顯。對(duì)整體而言,IGWO 策略對(duì)節(jié)點(diǎn)電壓的優(yōu)化效果更加平穩(wěn),更能有效減少電壓情況,確保配電網(wǎng)系統(tǒng)穩(wěn)定安全運(yùn)行。
本文以有功網(wǎng)損和電壓越限偏差最小為目標(biāo),融合Sobol 序列、非線性收斂因子、黃金正弦優(yōu)化算法和貪婪策略,提出一種IGWO 算法應(yīng)用于解決DG 并網(wǎng)無(wú)功優(yōu)化問(wèn)題。通過(guò)分析算例仿真結(jié)果可得,所提IGWO 算法組成的無(wú)功優(yōu)化策略,能降低配電網(wǎng)的總體有功網(wǎng)損和電壓越限偏差,提高系統(tǒng)電能質(zhì)量。相較于傳統(tǒng)GWO 算法,IGWO 算法擁有更好的優(yōu)化效率。
同時(shí),本文所提改進(jìn)算法有利于制定更優(yōu)質(zhì)的無(wú)功優(yōu)化策略,減小DG 并入配電網(wǎng)后的不利影響,提高系統(tǒng)運(yùn)行的穩(wěn)定性、安全性和經(jīng)濟(jì)性,為后續(xù)解決含DG 的配電網(wǎng)系統(tǒng)的優(yōu)化問(wèn)題提供了進(jìn)一步的借鑒和參考。