基于粒子群算法的69节点网络无功优化设计(源码+万字报告+部署讲解等)

基于粒子群算法的69节点网络无功优化设计
摘要
随着社会经济建设的迅猛发展，能源危机和环境问题的日益凸显，传统的能源使用会对环境造成破坏，而其本身也逐渐枯竭。传统的能源利用形式和电网结构正在发生深刻的变化。作为对传统的集中式供电的有效补充和有力支撑，分布式电源以其投资少、占地小、节能环保、供电可靠、发电方式灵活等优势，以受到世界各国的广泛关注。而分布式电源并网会对节点网络的网络损耗以及电压幅值等方面造成一定的影响，传统的无功优化模型已经不再适用，因此，对含分布式电源的节点网络进行无功优化是很必要的。针对新能源给节点网络无功波动带来的影响，建立了含有风力发电机的节点网络无功优化模型。通过粒子群算法对无功优化模型进行求解，有效降低了节点网络的网损，同时节点电压也得到了提升。
关键词:69节点网络;风力发电;无功优化；

1 绪论
1.1研究背景与研究意义
1.1.1 研究背景
发电、输电、变电、配电、用电作为电力系统的五大重要组成部分，为国民经济的发展起着重大的推动作用。配电是联系电力系统和电力用户的重要纽带，为整个电力系统安全稳定运行以及电力用户生产生活提供重要保障，无功优化配电系统，使系统安全、稳定、经济运行不仅可以为广大电力用户提供高质量的电能，而且还可以为电力部门带来显著的经济效益。我国沿海地区能源需求极大，而大量能源集中在中西部，特别是煤碳、风能和光伏大多数都集中在西部。随着经济的发展，网络用户数量多、覆盖范围广，而负荷的功率因数不高，无功又不能远距离、大容量输送，当前点网络中的感性负载急剧增多，不仅消耗大量的有功功率，而且还要吸收大量的无功功率，所以无功优化作为一个重要的调节手段，关系着点网络安全经济运行。若无功补偿量不足会使电压下降，会降低电力系统的静稳极限，导致稳定性下降。若无功过剩会让电压值抬升，电气设备绝缘受损，寿命降低。在分层分区、就地补偿的原则上，合理规划无功补偿设备的提供的无功支撑，尽量减少不必要的无功流动，在一定范围内维持无功平衡，为用户提供更好的电能质量、使网络运行更安全经济已成为目前电力研究的热门课题之一.
1.1.2 研究意义

随着我国经济发展，分布式电源（Distributed Generation，DG）作为一种新兴的供电电源。因其有灵活、绿色环保、投资小、可持续发展等优点，同时为了响应“碳中和”国家制定很多政策大力支持DG的发展，DG电源并入电网已成为未来能源发展的首要选择。而网络相结合之后，不仅会改变网络原有框架和运行方式，还会引起配网内无功分布不均从而引起节点电压的非正常波动，恶化各节点电压质量和增大有功损耗，由此引发的运行不稳定、投资成本高等一系列影响导致了网络运行状态变得更加复杂。这就要求并入网络的DG要以减少增设无功设备的投资、支撑系统电压及有效降低系统有功损耗的目的而合理配置。否则，不合理配置将严重影响网络的经济性和安全稳定性。因此，网络无功优化作为实现网络高效运行的重要手段之一，它的发展有着深刻的社会背景。合理规划DG的无功出力，结合传统无功补偿设备的投入，对于节能降损、改善功率因数、提高电压水平及设备使用率，提高电网运行的稳定性和经济性意义重大，并且可以带来显著的经济效益。随着网络系统规模的迅速增长以及降损节能成为国家经济发展的长远战略方针，对网络无功优化的研究将更具现实意义。
1.2 国内外研究现状和发展趋势
1.2.1 国外研究现状

文献[11]提出了一种多均值侦察粒子群优化（MMSCPSO）算法，主要目标是在满足各种约束条件的同时，最大限度地减少传输线路中的有功功率损耗。标准PSO具有较好的开发能力，但具有非常差的勘探能力。因此，为了平衡缺点和优势，在初始种群由帐篷和物流地图产生的情况下进行了修改，并将其细分为子群，以确保粒子在搜索空间内的良好分布。该算法已在IEEE 118节点系统上应用和测试，与原始PSO算法相比，在有功功率损耗最小化和电压曲线改善方面表现出较强的性能，其中MMSCPSO算法将有功功率损耗降低到18.681%，PSO算法将有功功率损耗降低到15.457%。文献[12]提出一种改进粒子群优化和Pareto存档算法相结合，解决多目标无功优化问题。采用ε贪婪策略的思想，改进粒子群优化算法。它使一些粒子在整个迭代过程中具有更强的全局搜索能力，同时使其他粒子具有更强的局部搜索能力。此后，该策略在迭代初期显著探索了局部空间最优解的可能性，缓解了迭代后期陷入局部最优解的倾向。
1.2.2 国内研究现状
文献[1]提出随着政策鼓励及能源发展趋势以光伏、太阳能等分布式电源占电网发电装机容量的比重越来越大。文献[2]表明分布式电源的并网改变了69节点网络的潮流分布，其特有的随机性和波动性增加了69节点网络无功调节的难度。文献[3]指出无功补偿的优化，传统方法有线性规划法、非线性规划法、牛顿法等。文献[4]指出上述方法的研究较为成熟，算法稳定、速度快，但对初始点较敏感，只有初始值离全局最优点较近时才可能获得全局最优，否则易得到局部最优的问题。另外，若迭代步长选取不合适，可能会引发振荡或收敛缓慢,新兴粒子群优化算法较为常用，该算法在初期收敛速度较快，但后期却易于陷入局部最优解。文献[5]给出了粒子群算法（Particle Swarm Optimization）的定义和理论文献。[6]针对SPO在无功优化中的一些不足，提出了在算法中加入惯性权重（ω）、学习因子（c）和免疫算法来优化。文献[7]在运用PSO通过对初始聚类中心的优化，再应用改进后的 K-means聚类算法将69节点网络划分为若干个集群，解得优化模型，改善电压上下限。文献[8]提出MATLAB 中用 IEEE33 节点系统进行仿真验证，结果表明，由局部电压稳定指标与电气距离相结合的方法可以缩小寻优范围，得到的候选补偿区合理有效。文献[9]在第二阶段考虑 DG 的不确定性优化 DG 的无功出力。然后，通过场景缩减法来减少机会约束优化方法的场景数。文献[10]对馈线和台区分别建立馈线物理模型和台区拟合模型。然后,利用主从分裂法对全局无功优化模型进行分解,并将不可控台区的潮流拟合模型引入馈线无功优化模型,从而充分调用馈线资源改善不可控台区各节点的电压质量，仿真结果验证了策略的优越性.
1.2.3 发展趋势
目前国内外对于网络的无功优化方式以PSO粒子群算法居多，无功优化问题的关键在于: 无功补偿点的选择; 补偿点无功补偿量的确定。一般采取下面两种方法: 其一先确定补偿点然后计算相应节点的无功补偿容量，其中补偿点选取是否合理十分关键; 其二利用智能算法同时求解补偿点和无功补偿量，一般节点网络中候选补偿点的数目较多，这种方法易陷于维数灾。针对如何选择补偿点的问题，学者们提出了辐射型节点网络的无功补偿精确矩法，采用无功二次精确矩确定补偿点，无功一次精确矩确定补偿容量; 但所得补偿点集中分布在线路末端，造成补偿范围重叠; 针对无功二次精确矩确定的补偿点过于集中，分布不均的缺陷。有学者提出了负荷功率阻抗矩法，按照平均分配阻抗矩的方法确定补偿点，使补偿点较为均匀的分布在整个网络。有的提出了一种基于模糊聚类的无功优化方法，结合多种电压稳定指标，获得待补偿点上述方法从不同角度探讨了如何选择合理的补偿点，但均是先确定一个或多个补偿点，然后再进行补偿容量的计算，这样的分步运算计算结果的优劣很大程度上依赖于所求的补偿点，通常不能保证补偿点与无功补偿量的组合是最优结果; 智能优化算法可以同时求解补偿点和补偿容量，进而可以避免上述方法的不足，但是由于补偿点较多，优化问题控制变量维数增加，计算量将急剧增加。针对上述问题，有学者提出了结合无功二次精确矩将整个系统分区，再用改进粒子群算法同时求解补偿点与补偿容量的方法，避免了分步求解所得结果未必是全局最优的问题且在一定程度上避免了维数灾，但是计算量仍然较大。
1.3 研究内容与研究方法
1.3.1 研究内容
（1）论文开题，明确论文任务及要求，选题，接收任务书；
（2）分析网络无功补偿设备方法，给出网络无功补偿配置必要性分析、69节点网络无功补偿配置方式及网络无功补偿设备结构分析；
（3）研究粒子群算法原理，主要推导出粒子群算法的数学过程并给出粒子群算法流程图；
（4）研究基于粒子群算法的配网无功优化设计，首先获取点网络基本模型参数，其次基于MATLABBNT工具箱建立网络无功优化规划数学模型，给出优化前后降损对比分析及节点电压分布对比分析；
（5）基于MATLABBNT工具箱的数学建模对基于粒子群算法的配网无功优化设计研究，首先获取网络基本模型参数，其次建立网络无功优化规划数学模型，然后给出优化前后降损对比分析A4VISIO图。

1.3.2 研究方法

（1）文献研究法
学习粒子群算法原理，通过图书馆、互联网、知网等形式查阅相关文献来获得资料，了解69节点网络无功优化有关问题的历史和现状，帮助确定研究课题。形成关于研究对象的一般印象，并将其和能得到现实资料的比较资料，对比地深入学习、研究；
（2）软件预测法
利用MATLABBNT工具箱进行数学建模，对基于粒子群算法的69结点69节点网络无功优化状态预测，并给出预测结果。
2 相关理论基础
2.1 网络无功补偿设备方法
1.变电站集中补偿
通常情况下，69节点网络无功功率补偿方案采用变电站集中补偿方式。无功功率补偿点，选择10kV母线，将母线作为接入线。补偿装置涉及到静态补偿器、并联电容器、同步调相机装置。
2.低压集中补偿方式
低压变压器以集中补偿为主，可以有效改善专用变压器用户功率因数，确保无功功率平衡，时用户电压水平保持平稳的保障，能够降低69节点网络、变压器损耗。
3.网络无功补偿法
在网络系统中，公共变压器多应用高压配电线路补偿，由于公共变压器数量多，传输期间，功率损耗会持续增加，此时要采用无功功率补偿法弥补。此种补偿方式应用较多，也被称为线路无功补偿。通常情况下，10kV室外并联电容器，会改变69节点网络功率因数，利用电容器方式，降低功率损耗。高压配电无功优化补偿，必须遵循标准化原则，以此获得最佳补偿效果。
4.用户终端分散补偿方式
用户终端分散补偿法，可以降低电压损耗、线路损耗。注重改善线路供电能力，优化电压质量。然而，应用此种补偿方式，面对不同配电变压器低压负载波动，会导致电容器轻载限制，还会降低设备利用效率。通过此种补偿方式，应当关注到变压器功率需求，当变压器功率不满足要求时，则会影响低压无功功率补偿安装
5.低压配电线路无功补偿
线路无功功率持续增加，相应增加电压损耗与线路损耗。为了处理好上述问题，改善不良影响，需要采用无功功率补偿配电方式。低压69节点网络也存在弊端，比如69节点网络布设混乱、分支多、节点多等，为了实现最优补偿，必须合理配置补偿电容器。
2.3 网络无功补偿设备结构
在电子供电系统中所承担的作用是提高电网的功率因数，降低供电变压器及输送线路的损耗，提高供电效率，改善供电环境。所以无功功率补偿装置在电力供电系统中处在一个不可缺少的非常重要的位置。合理的选择补偿装置，可以做到最大限度的减少网络的损耗，使电网质量提高。反之，如选择或使用不当，可能造成供电系统，电压波动，谐波增大等诸多因素。
（1）固定电容器和固定电抗器组成的一个补偿加滤波支路

图2.1 补偿、滤波支路
该部分适当选择电抗器和电容器容量，可滤除电网谐波，并补偿容性，将电网补偿到容性状态。
（2）固定电抗器
（3）可控硅电子开关

3 粒子群优化算法及其常见的改进方法
3.1粒子群优化算法概述
著名的算法有蚁群算法与粒子群算法等，他们都是动物世界的社会性质的高度抽象化。起初动物学家在观察妈蚁的觅食行为的时候，就发现一个有趣的显现：所有的妈蚁都在随机的寻找食物，不管一开始的时候这些妈蚁的分布多么随机，只要有足够多的妈蚁往返在某条路径上，这条路径最终就会是寻觅食物的最短路径。蚁群算法就是从这个简单的动物行为中总结出来的。与此类似的是粒子群算法的发现过程。动物学家在观察鸟类的捕食行为时发现了鸟类捕食的奇特现象：在一片森林中，有一块食物随机分布在这块区域中。有一群鸟儿在其间随化觅食，而且所有的鸟儿都不知道食物在哪，那么这些鸟儿怎么才能最快地找到食物呢？通过简单分析过们就会发现，寻找距离食物最近的那一只鸟的周围区域。
3.2粒子群优化算法原理
PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。
3.3相关的参数设置
PSO中并没有许多需要调节的参数,下面列出了这些参数以及经验设置
粒子数: 一般取 20–40. 其实对于大部分的问题10个粒子已经足够可以取得好的结果, 不过对于比较难的问题或者特定类别的问题, 粒子数可以取到100 或 200
粒子的长度: 这是由优化问题决定, 就是问题解的长度
粒子的范围: 由优化问题决定,每一维可是设定不同的范围
全局PSO和局部PSO: 我们介绍了两种版本的粒子群优化算法: 全局版和局部版. 前者速度快不过有时会陷入局部最优. 后者收敛速度慢一点不过很难陷入局部最优. 在实际应用中, 可以先用全局PSO找到大致的结果,再用局部PSO进行搜索.
3.4粒子群优化算法的流程
图3.1为算法的流程图：

图3.1 粒子群算法的流程图

4 基于粒子群算法的69节点配网无功优化设计
4.1 前言
风力发电技术快速发展，截至2020年底，我国风能装机容量已超过23217万千瓦。风力发电具有较大的波动性，大规模的接入主69节点网络，会使无功出现较大的波动。同时，新能源汽车等负载也在增多，大量的电力电子整流设备给电网无功带来了冲击。电力系统无功优化为电网的安全可靠运行提供了保障，而优化方法需要快速可靠有效。传统的物理等效模型已经难以适用于风力发电等新能源大规模接入的69节点网络。为此，本文提出了一种基于粒子群算法(PSO)的含风电接入的69节点网络无功优化方法。
4.2 含风电的无功优化模型
4.2.1 风力发电模型
准确的风电预测能够有效降低风电波动性对69节点网络无功的影响。风力发电功率主要受风机轮翼处风速的影响，风速在切入风速和切出风速范围内时，风力发电机能够正常发电，而风速低于切入风速或大于切出风速时，风力发电机不能正常发电，因此风力发电机输出功率与风速的关系式为:

式中：
Pw、Qw分别为风力发电机输出的有功和无功功率;
vmin、vmax分别为风力发电机的切入、切出风速;
ａ为系数，与风力发电机的固有参数相关。
4.2.2 无功优化模型
无功优化的目标是减小节点网络的网损，以实现电网的经济运行。为此，本文无功优化模型以网损最小为目标：

式中：
i、j为节点编号；
Ｕ 为节点电压；
δij为节点ｉ与节点ｊ的电压相位差。
4.3 粒子群算法
含风电的69节点网络无功优化是一个复杂的非线性问题，粒子群算法(PSO)非常适用于此类问题的求解。粒子群算法从解空间内随机的位置开始，向着适应度函数最小的方向移动，通过不断迭代，在规定的解空间范围内求得最优解。粒子群算法的更新表达式为：

式中：
s为粒子速度；
ｘ为粒子位置；
ω为惯性子因子；
c为学习因；
rand为[0,1]的随机数。
根据已有的研究成果，粒子群算法敛速度快，是一种非常有效的寻优算法。
4.4 含风电的69节点网络无功优化
4.4.1 优化流程
基于粒子群算法的含风电69节点网络无功优化问题流程如图4.1所示。

图4.1 含风电的69节点网络无功优化流程图
(1)参数初始化阶段，设置各个节点电压、功率极限为粒子群算法中粒子的上卜界限，同时粒子满足无功优化模型中的等式条件，随机生成一组粒子为初始粒子。
(2)设置网损函数为粒子群算法的适应度函数，并计算初始粒子群的适应度值。
(3)将每个粒子个体的最优解设置为新的粒子位置，并计算适应度值。
(4)将每个粒子的适应度值与个体最优解适应度值比较，保留最优的解。
(5)根据粒子群算法的原理(式(6)、式(7))更新粒子的速度和位置。
(6)判断是否达到停止条件，若是则输出最优解，否则重复步骤(3)——(6)。
经过以上步骤后，即可得到不同节点所需补偿的无功容量、网损。经过分析计算后可得到各个节点的电压。
4.4.2 仿真分析
以我国南方某地的节点网络为研究对象，该节点网络含有节点30个，接入小型风力发电场1座。该区域节点网络在无功优化前，部分节点存在长期低电压的情况，用户供电质量不能得到满足。该区域仅部分节点有无功补偿设备，经优化后，在某时刻各节点无功补偿容量见表4.1。无功优化前后的节点网络节点电压如图2所示。在无功优化后，该节点网络中各节点的电压均得到了不同程度的提升，网损降低了28.57%。
表4.1 无功补偿容量

图4.2 节点电压
4.5 本章小结
针对风电接入的节点网络，本文提出的粒子群算法无功优化方法能够有效降低网损，提高节点电压。本文虽然主要针对风电接入节点网络进行无功优化，但对于其他新能源和分布式电源接入节点网络的无功优化仍具有很好的借鉴意义。

5总结
对含DG的节点网络无功优化问题进行分析研究，用MATLAB进行建模与仿真，分析表明，DG接入线路中部的位置能够有效地降低69节点网络的网损，且DG不宜接在太靠近线路后面的位置，因为从变化趋势上看，DG接入线路后部的话，很可能不仅不会降低网损，反而会增加69节点网络的网损，造成适得其反的局面;在研究分析PSO算法在含DG69节点网络中无功优化的问题时，建立了以有功网损最小为目的的目标函数，并采用罚函数的形式兼顾了电压的质量，以IEEE33节点系统和14节点系统为算例，综合前面得出的结论，选择在节点15接入微型燃气轮机，并将其视为功率恒定的PQ节点。根据前人经验，设置粒子群算法中的各个参数。为了避免传统PSO算法中收敛速度慢和容易陷于局部最优等缺点，本文提出了一种新的改进PSO算法。

参考文献
[1] 鲁裕婷, 赵天乐, 都洪基,等. 基于改进粒子群算法的含DG69节点网络无功优化[J]. 2022(6).
[2] 谢宏飞. 基于约束粒子群算法的网络节点定位技术研究[J]. 黑龙江科技信息, 2021(026):000.
[3] 黄招娣. 基于改进粒子群算法的神经网络优化证券投资组合方法[J]. 2021(2014-3):76-80.
[4] 胡金明, 陶大军, 孙玉田,等. 基于粒子群优化算法的可变速抽水蓄能发电电动机电磁优化设计[J]. 2021.
[5] 王一镜, 罗广恩, 王陈阳,等. 基于自适应变异粒子群算法的船舶结构优化方法[J]. 中国舰船研究, 2022, 17(2):156-164.
[6] 肖建华, 李春亮, 黄晓权,等. 基于粒子群算法的含风电69节点网络无功优化研究[J]. 电工技术, 2022(18):3.
[7] 梅泽迅, 周木春. 基于改进粒子群算法的光学相控阵栅瓣优化[J]. 激光与光电子学进展, 2023, 60(20).
[8] 董海, 吴瑶, 齐新娜. 基于改进鲸鱼优化算法的血液供应链网络多目标鲁棒优化设计[J]. 计算机应用, 2021, 41(10):3063-3069.
[9] 张尚然. 基于改进粒子群算法的69节点网络无功优化研究[J]. 承德石油高等专科学校学报, 2022, 24(5):4.
[10] 林巧红, 翁知颖, 张国星. 基于粒子群算法的中低压69节点网络无功补偿协同优化方法[J]. 电子设计工程, 2021, 29(20):5.
[11] 王哲, 王喆, 曾伟. 基于改进粒子群算法的主动69节点网络有功无功协调优化控制[J]. 制造业自动化, 2021, 43(7):4.
[12] 胡雪凯, 尹瑞, 时珉,等. 基于改进粒子群算法的分布式光伏集群划分与无功优化策略[J]. 电力电容器与无功补偿, 2021, 42(4):8.
[13] 苏福清匡洪海钟浩匡威陶成. 基于柯西变异改进粒子群算法的无功优化[J]. 电气制造, 2021, 016(001):55-61.
[14] 李旭炯. 基于粒子群优化算法的无功和电压控制及仿真[J]. 电力电容器与无功补偿, 2022, 43(3):7.
[15] 谢宏飞. 基于约束粒子群算法的网络节点定位技术研究[J]. 科学技术创新, 2021(26):2.