一、遗传算法在配电网无功优化中的应用(论文文献综述)
张永良[1](2021)在《基于改进萤火虫算法的含分布式电源配电网多目标无功优化》文中研究表明电力供应的经济性、安全性和电能质量迎来了严峻考验。随着分布式电源接入配电网,使得系统的网损和节点电压与传统配电网相比发生了较大的变化。所以在电力系统运行过程中,关注配电网无功优化问题,对于有效降低系统网损以及提高电压质量有着重要的意义。首先,介绍了本文的研究背景与意义,阐述了配网无功优化的研究现状和无功优化模型求解算法的研究现状。分析了分布式电源并网后对配网中节点电压与有功网损产生的影响,给出了不同类型DG的计算模型和并网接口类型,为潮流计算奠定了基础。其次,分析了配电网传统潮流计算方法的原理;并对常规的前推回代法进行改进以适应新的网络结构;算例仿真结果表明,系统网损和电压受分布式电源节点类型、电源容量和接入点位置的变化而变化。最后,建立了含分布式电源(DG)的配网无功优化模型,通过控制分布式电源的出力、变压器分接头档位以及合理的配置无功补偿装置容量,以实现网损最小和电压偏差最小的目标。引入线性递减权重对萤火虫算法进行改进,并将改进后的萤火虫算法应用到含DG的配电网无功优化中。算例结果表明,系统的网络损耗和电压质量在进行无功优化后均得到显着改善,提高了配网运行的经济性和可靠性。验证了建立的无功优化模型的有效性和改进萤火虫算法的适用性。
侯秉臣[2](2021)在《基于NSGA-Ⅱ和BAS混合算法的含固态变压器的有源配电网无功优化》文中研究说明随着传统配电网的迭代以及高比例分布式电源(Distributed Generation,DG)的渗透,有源配电网正逐步走向成熟,能源压力能有效地得到缓解。但有源配电网中DG大规模并网所呈现的问题依旧很多,包括一定区域的传统配电网由单向潮流变为双向潮流、无功分布的改变引起电压稳定问题以及谐波增加等问题,所以有源配电网需要相关的改进与优化,以适应目前电力工业的新环境。固态变压器(Solid State Transformer,SST)具有维持系统电压稳定、改善谐波以及具有高低压直流输出等功能,故含SST的有源配电网较传统配电网能有效解决增长较快的电力需求与电力生产之间的矛盾。但对含SST的有源配电网的无功控制增加了一定难度,包括寻找新的目标函数、SST的约束集、控制变量等,同时也增加了复杂模型的求解难度。随着新能源发电的发展,配电网面临的形势多种多样,建立含SST的有源配电网优化模型,是一个非常值得深入研究的课题,其中对模型进行正确求解尤为关键。首先,本文对传统配电网、含SST的有源配电网以及求解配电网优化模型的几种常用算法进行详细的介绍,并分析了典型的AC/DC、AC/DC/AC型SST的无功优化与电压调整原理,包括SST工作结构、数学模型与控制方式等。其次,在分析配电网无功优化时,潮流计算是最基础的,也是最重要的。考虑到传统的配电网潮流计算对于含SST的有源配电网并不适用,所以本文在传统交替迭代潮流算法的基础上,利用适应于含SST有源配电网的改进前推回代潮流计算方法,并进行算例分析与验证。再次,针对配电网无功优化中常用的算法,为了求出Pareto最优解,本文详细地对比分析了目前比较新的BAS算法与经典的NSGA-Ⅱ算法在求解实际问题时的优点与不足之处,并取长补短,提出了一种NSGA-Ⅱ算法与BAS算法的混合多目标优化算法对其进行求解。该混合算法结合了BAS算法的编程简单与NSGA-Ⅱ算法稳定的优点,使得混合算法寻优能力更强,收敛速度更快。利用测试函数及综合度量指标对混合算法进行测试,验证了算法的可行性与有效性。最后,建立含SST的有源配电网目标函数与约束条件,将BAS与NSGA-Ⅱ混合算法应用于含SST的有源配电网无功优化求解中,并对修改的IEEE-33节点系统在正常负荷与重负荷两种情况下进行仿真计算,对比分析了不同优化措施下的系统网损与电压质量,验证了混合算法较单一算法在含SST的有源配电网优化计算中的优异性。结果表明,含SST的有源配电网无功优化在降损方面和电压质量方面都有较好的效果,使得配电网充分发挥最大的利用效率。
杨成[3](2021)在《基于深度差分进化的电力系统无功优化研究》文中提出在电力系统中,主要存在有功和无功两种功率,无功功率的补偿量和分布情况,会对电力系统的安全、经济运行产生直接影响。因此,无功优化研究是调整电力系统运行状态的重要途径之一。无功优化问题是一个众所周知的非线性、多约束优化问题,目前使用的优化算法并不能有效的解决该问题。传统优化方法对模型的精确度要求严格,对不同电力模型适应性差,优化结果存在较大误差。而差分进化(Differential Evolution,DE)算法对模型的限制不严格、对电力模型适应性好,被广泛应用于无功优化研究。现有DE算法容易陷入局部最优,在解决无功优化问题时常常无法找到全局最优解。因此,在本文中采用基于深度信息的差分进化(Di-DE,Depth Information-based Differential Evolution)算法来解决无功优化问题。本文的工作主要分为以下四点:(1)在无功优化方面,研究分析了潮流计算中高斯-赛德尔(G-S)法和牛顿-拉夫逊(N-R)法的优缺点,并选择N-R法作为本文的潮流计算算法。然后分析了无功优化数学模型,选择有功损耗最小作为优化目标,建立目标函数、约束条件以及相应的罚函数。(2)在优化算法方面,对DE算法进行了深入研究。目前用于无功优化研究的算法的全局搜索能力不足,容易陷入局部最优。因此,将种群进化过程中的深度信息纳入到变异策略中,以增强算法的“勘探”和“开发”能力,这些信息能够反映目标函数的结构特征,并设定了参数自适应机制。基于这两点,提出了Di-DE算法。(3)在国际标准测试套件CEC2013上,对Di-DE算法进行数值优化验证,在Matlab2016b上进行实验。在30维度优化中,与DE算法、iw PSO算法和QUATRE算法在收敛精度和收敛速度两个方面进行了比较,实验结果表明,Di-DE算法在这两方面的表现都是最优秀的。(4)在IEEE-14节点、IEEE-30节点和IEEE-57节点系统上,对Di-DE算法进行电力系统无功优化验证,在Matlab2016b上进行仿真实验,并与DE算法、iw PSO算法和QUATRE算法进行比较,实验结果表明,Di-DE算法具有更好的收敛精度和收敛速度,能够有效的降低系统的有功损耗。
商俊杰[4](2021)在《基于并行海鸥算法的电力系统无功功率优化》文中研究说明无功优化(Reactive Power Optimization)是实现电网的安全、经济、可靠运行目标的至关重要的途径之一,同时也是提升电能质量,降低线路损耗的重要手段。通过无功优化,合理配置无功功率,不仅可以降低电网运行过程中的有功功率损耗,而且可以稳定系统电压,保证电力系统合理运行。本文采用并行海鸥算法(Parallel Seagull Optimization Algorithm,PSOA)对无功优化问题进行求解,以提升电网的运行效率。本文的工作内容主要分为以下四点:(1)分析了海鸥算法(Seagull Optimization Algorithm,SOA)的运行原理,SOA算法是属于元启发类进化算法,其关键特征是模拟海鸥种群“迁徙”和“攻击”行为。SOA算法具有收敛速度快,寻优能力强、收敛精度高等优点,但是在求解一些复杂的高维度优化问题时,原始SOA算法会出现早熟,陷入局部最优解现象,最终导致算法无法收敛到全局最优解。为了进一步提高SOA算法的寻优能力,引入并行更新策略以及自适应螺旋形状参数,提出了PSOA算法。(2)电网的复杂性导致无功优化问题包含了很多等式约束条件、不等式约束条件。在处理状态变量的不等式约束条件时,引入可行域原则,通过统计状态变量越界次数,判断解的可用性,避免传统罚函数法中繁琐的惩罚因子选取,极大提高算法运行效率。(3)电力系统无功优化是建立在潮流计算基础上的,常用的潮流计算方法有:牛顿-拉夫逊法和P-Q分解法。根据不同系统运行需求,无功优化问题数学模型是不同的。对于单目标无功优化问题,从经济方面考虑,考虑有功网络损耗最小作为目标函数;对于多目标无功优化问题,先考虑电网运行的经济性和稳定性,以电网网损最小和静态电压稳定裕度最大这两个目标函数,通过归一化处理,并使用加权法对其转换。(4)对PSOA算法进行性能测试验证以及电力系统无功优化验证,在MATLAB 2018b的环境下,对IEEE-14节点系统和IEEE-30节点系统分别进行单目标和多目标的无功优化仿真实验,并与SOA算法、PSO算法和MVO算法进行对比,结果表明PSOA算法具有更好的全局收敛能力和寻优性能,能够有效地降低网络损耗,同时还能提高电力系统电压稳定性,保证现代电网运行安全可靠。
吴乐川[5](2020)在《基于场景分析的含分布式电源配电网无功规划优化研究》文中提出为缓解能源短缺和环境日益恶化的现状,高比例的可再生能源大量接入配电网,但这也改变原有配电网系统单电源、辐射状的潮流分布结构,对电网的规划、运行、控制带来了新的挑战。使得原有的无功规划优化措施不再奏效,必须进一步加强在该领域的研究。本文的研究思路是建立计及分布式电源(DG)出力波动和随机特征的静态无功规划和动态无功优化模型,并通过现代智能算法对模型求解。首先,以场景分析法作为解决分布式电源随机出力特性的有效方法,通过拉丁超立方抽样生成出力场景、场景缩减剔除冗余场景等一系列技术手段,建立考虑分布式电源随机出力的并网场景概率模型。以改进的前推回代潮流法作为本文无功优化的基本计算方法。然后,在确定电源随机出力的基础上建立无功规划模型,改进灵敏度分析法和配电网分区寻找最佳的无功补偿点,以无功补偿装置和网损年支付费用、节点电压总偏差为目标函数,运用改进非支配排序遗传(NSGA-II)算法对模型求解。结果表明,候选补偿点布置合理,Pareto解集分布均匀,基于此选择的无功规划方案净收益最大,同时也验证了模型和算法的可行性。最后,以一天作为调度周期,考虑负荷的波动和DG出力变化,充分利用储能装置、柔性负荷和无功补偿设备等可控资源进行协调优化。同时,兼顾无功补偿设备日投切次数约束和有功损耗最少,建立源荷储协调的动态无功优化模型。考虑到优化过程中既要考虑储能的协调运行又存在离散和连续控制变量,制定了多阶段优化策略。采用引入禁忌策略的精英保留遗传算法对该模型进行求解,并以改进的IEEE 33节点系统为例,针对DG无功出力出力调度、无功控制设备约束、储能协调优化多方面进行仿真,验证本文优化策略的有效性。
卢奔[6](2020)在《含分布式电源的配电网无功配置优化》文中指出节能减排和清洁能源应用是社会发展的趋势,分布式发电(Distributed Generation,DG)是可再生能源应用的重要方面。配电网中,随着DG的渗透率逐步提高,配电网的本质发生了变化,由原来的单电源供电转化为多电源供电,导致原有的配电网计算模型和分析方法不再适用。无功优化是保证配电网经济运行的重要手段,为此,对接入DG的配电网无功配置进行研究具有重要意义。论文中分析了不同DG的并网及控制特性,将其等效成不同类型的节点,给出了含DG的配电网潮流计算方法。建立了含DG的配电网无功配置多阶段优化数学模型,优化目标包括多场景下的综合电能损耗费用、无功设备投资费用及电压越限罚函数,确定了相应的约束条件。为了提高求解方法的计算效率,减少计算量,应用随机支路开断法对含DG的配电网进行可行无功平衡区域划分,根据配电网局部平衡等原理确定该区域补偿容量,在区域内部运用功率负荷阻抗距法结合Floyd算法确定补偿点,最终确定不同分区方式下的最优结果,选取目标函数值最优的结果作为最终方案。最后,对配电网无功配置优化数学模型和算法编制了程序并进行算例验证,计算过程和结果验证了算法的可行性和有效性。
刘欣雨[7](2020)在《基于蚁群算法的配电网无功优化研究》文中研究表明电力系统中由于无功的不足和分布的不合理,产生了线路网损过高、电压水平偏低、电能质量差等问题。无功优化是保证系统安全、经济运行的有效手段,是提高电能质量的重要措施之一,因此如何利用和优化无功资源,进一步降低配网损耗,提高电压合格率,具有重要意义。根据是否考虑配电网负荷变化,无功优化问题可分为静态无功优化与动态无功优化两类。本文首先从静态无功优化入手,以获得投资收益最高作为无功优化的目标,同时兼顾系统经济性与安全性建立了静态无功优化目标函数,选取遗传算法与本文算法分别计算在负荷水平不变的情况下,所需安装无功补偿装置的最佳位置及补偿容量,并进行比较分析,验证了蚁群算法的可行性。引入某地区全年负荷实际数据,研究在负荷水平变化情况下的动态优化问题。由于负荷数据量庞大且负荷变化具有随机性和波动性的特点,采用场景分析技术将难以建模的复杂模型转化为易于求解的确定性模型,降低了建模和求解的难度,借助K-均值聚类算法以每日数据为聚类单元,对全年负荷变化数据进行聚类分析实现典型场景的构建,得到六个能够表征全年数据特征的典型时序场景和各个场景的概率,在考虑单一场景时,每个场景可以等效为静态。因此就以静态无功优化目标函数为基础得到动态无功优化的目标函数,运用蚁群算法求得负荷水平变化情况下所需安装的无功补偿装置最佳位置及补偿容量。最终,经IEEE-33节点系统仿真计算,结果表明:对比分别通过蚁群算法与遗传算法进行配电网静态无功优化计算,运用蚁群算法的优化结果综合运行费用减少、网络损耗减小、电压稳定度提高;将基于K-均值聚类和典型场景分析的动态无功优化与静态无功优化结果对比,可知动态优化更贴合负荷变化的实际情况、投资收益更高、需要补偿的节点数减少一倍、总补偿容量减少、总网损更小、电压也更稳定。
石琛[8](2020)在《基于数据驱动和深度学习的配电网无功优化技术研究》文中研究表明无功优化(Reactive Power Optimization)是维持配电网安全、可靠、经济运行的重要手段,也是提高电网电压质量、降低线损的有效措施。通过无功优化,合理配置无功功率使其就地平衡,不仅可以减少电网中的线路损耗,而且可以提高系统电压水平,能够带来经济效益和社会效益。目前,随着大量的分布式电源(Distributed Generation,DG)和电动汽车(Electric Vehicle,EV)接入配电网,配电网运行的复杂性大大增加,对无功优化也提出了更高的要求。本文主要提出了一种基于数据驱动的无功优化方法,摆脱了传统无功优化模型和参数的限制,利用神经网络进行训练学习,更快地提出优化策略。具体来说,以降低配电网络线损与减少电压偏差为出发点,通过调节变压器分接头以及投切电容器组进行无功控制,首先利用传统遗传算法求解得到这些优化措施,对配电网进行无功优化,同时通过系统线路损耗以及整体电压偏离度两项指标验证其有效性。而后根据历史大数据中每个时刻的各类电气数据及环境数据,以及该时刻对应的用遗传算法求得的无功优化控制策略,通过神经网络学习他们之间的映射关系,将数据作为输入,对应的策略作为输出来训练网络,训练好网络后,输入当前待优化时刻的数据,便直接可以输出对应的策略用于无功优化。通过两种网络进行测试,一种是先利用自由熵的方法提取数据的特征指标,然后将特征指标和策略通过BP人工神经网络进行学习。另外一种是通过深度学习,利用卷积神经网络CNN,该方法具备更强大的自主特征学习能力,无需对数据进行前期特征处理,直接可以利用配电系统原始特征数据与对应时刻策略进行学习。最后,利用一年半的历史数据,在改进的IEEE37节点配电系统中进行各方法算例测试与效果比较。结果表明,基于CNN深度学习的方法有着更好的性能,基本学习到了各类数据与无功优化策略的映射关系,可以明显降低线路损耗和系统整体电压偏离度,部分时刻甚至优于传统方法。同时,它不再依赖于配电系统的模型和参数,与传统方法相比,优化时间大大减少,可以更快地提供在线决策。通过对各方法在不同DG渗透率率和历史数据量下优化效果的讨论,表明即使在新的未知场景下,基于深度学习的方法也有着良好的优化效果,验证了基于CNN方法的适应性、鲁棒性和泛化能力,为大数据和深度学习技术在配电网无功优化中的应用提供了一条新的途径。
邹杨[9](2020)在《基于无功成本分析的主动配电网全天无功优化》文中提出随着资源短缺和环境污染问题的加剧,环境友好型的分布式电源越来越多地被投入到配电网的运行之中,针对其带来的各种优势与弊端,人们建立起了“主动配电网”的概念,而主动配电网中,由于各种分布式电源无功出力的特性互不相同,无法运用传统发电机的模型一概而论,故针对主动配电网的无功优化需要慎重对待。另一方面,在电力市场改革不断深化的背景下,成本控制的思想逐步深入人心,无功也不能再单纯地作为有功的附属品,片面地忽略其成本的存在。因此,在配电网的无功优化过程中,仅以有功网损作为电网运行经济性指标的判据,已不能准确衡量系统无功优化的成本。准确的经济性指标应是能够同时包含有功网损和无功出力成本的目标函数。本文在总结了主动配电网中和电力市场背景下的无功优化研究现状后,根据主动配电网中各种分布式电源和无功补偿装置的出力特性,分析建立了各自的无功成本模型。之后介绍了可用于无功优化中的和声搜索和模型退火两种智能算法。针对和声搜素算法优点众多,又有着容易陷入局部寻优的缺点,用模拟退火算法对其进行改进,构建出寻优能力优异的改进和声退火算法,并从标准测试函数和无功优化算例两方面进行了验证。最后,在计及无功成本的基础上,运用熵权法权重分配思想,建立了兼顾主动配电网运行经济性与稳定性的全天无功优化目标函数,同时讨论了各无功源的出力上下限问题,并在修改的IEEE33节点标准测试系统中,进行了全天无功优化的算例验证,结果证明,计及无功成本后,可在保证稳定性的同时,大幅节约优化成本。
张怡宁[10](2020)在《基于遗传-模拟退火算法的某地区配电网优化设计》文中认为配电网作为电力系统的一个部分承担着电网与用户相连接的重要作用,直接影响着老百姓生产生活等各个方面。目前,我国仍处于高速且平稳的发展当中,对电力的需求不仅仅是是否能够满足当下的需要更是能否在现有网络构架的基础上满足未来的需求。一直以来,对配电网络优化问题的研究十分活跃,通过对配电网的改造,充分发挥现有配电网的潜力,提升对整个网络的安全性与稳定性,并产生更大的经济效益和社会效益。本文首先从配电网优化和配电网无功补偿的研究背景以及国内外研究现状入手,并介绍当前主流的配电网潮流计算方法以及配电网的多种优化目标函数,从经济出发,建立了配电网络以最小网损为重构的目标函数,并分析了遗传算法和模拟退火算法的基本原理以及特点,同时分析了配电网的无功补偿对配电网的电压稳定以及抬升的积极作用。依据模拟退火算法和遗传算法的优缺点进行算法的整合,并采用遗传-模拟退火算法。其主要是将模拟退火算法中可以接受差解的优点来避免遗传算法陷入局部最优解,从而改进了算法。并且引入静态电压稳定性指标,辅助判断本文所构造的算法是否提高了配电网的整体电压,从而优化了配电网。最后本文使用MATLAB软件编写了相关程序,采用IEEE33标准配电网模型对各算法进行对比,对基于遗传-模拟退火算法可行性进行验证,并使用该算法对某地区配电网进行网络重构以及针对重构后网络采用相同算法寻找网络的无功补偿点并进行无功补偿,数据结果可以表明该算法可以有效减少配电网的网络损耗,对网络的电压稳定性有明显的提升,从而有效的对该地区配电网进行了合理的优化。
二、遗传算法在配电网无功优化中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、遗传算法在配电网无功优化中的应用(论文提纲范文)
(1)基于改进萤火虫算法的含分布式电源配电网多目标无功优化(论文提纲范文)
摘要 |
英文摘要 |
1 绪论 |
1.1 课题的研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 配电网研究现状 |
1.2.2 无功优化模型的研究现状 |
1.2.3 无功优化算法的研究现状 |
1.2.4 含DG的配电网无功优化研究现状 |
1.3 本文主要工作 |
2 DG并网对配电网的影响 |
2.1 分布式电源并网接口类型 |
2.2 DG并网对配电网电压的影响 |
2.3 DG并网对配电网网损的影响 |
2.4 DG并网的处理方法 |
2.5 本章小结 |
3 并入DG后配电网的潮流计算 |
3.1 配电网潮流计算方法 |
3.1.1 支路类算法 |
3.1.2 牛顿类算法 |
3.1.3 母线类算法 |
3.2 不同类型的节点在潮流计算中的解决方法 |
3.3 含DG的配电网潮流计算 |
3.4 不同位置和容量的DG并入系统后对电压及网损的影响 |
3.4.1 DG的接入位置对系统电压和网损的影响 |
3.4.2 DG的接入容量对系统电压和网损的影响 |
3.5 本章小结 |
4 含有分布式电源的有源配电网无功优化 |
4.1 含DG的配电网无功优化数学模型 |
4.1.1 目标函数 |
4.1.2 约束条件 |
4.2 萤火虫算法 |
4.2.1 萤火虫算法原理 |
4.2.2 算法描述 |
4.2.3 参数分析 |
4.2.4 基于惯性权重对萤火虫算法的改进 |
4.3 模糊隶属度函数法选取最优解 |
4.4 算法求解流程 |
4.5 算例分析 |
4.5.1 系统不含分布式电源 |
4.5.2 系统含有单个分布式电源 |
4.5.3 系统含多个分布式电源 |
4.6 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
附录 IEEE33节点配电系统支路参数和母线负荷 |
(2)基于NSGA-Ⅱ和BAS混合算法的含固态变压器的有源配电网无功优化(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.1.1 分布式电源对有源配电网的影响 |
1.1.2 固态变压器在有源配电网中的意义 |
1.2 国内外研究现状 |
1.2.1 固态变压器研究现状 |
1.2.2 含固态变压器的配电网潮流计算研究现状 |
1.2.3 含固态变压器的有源配电网无功优化的研究现状 |
1.3 本文的主要内容及章节安排 |
第2章 含SST的有源配电网无功优化计算分析 |
2.1 引言 |
2.2 SST工作原理及无功控制原理 |
2.2.1 SST基本工作原理 |
2.2.2 SST拓扑结构分析 |
2.2.3 SST的数学模型与无功控制策略 |
2.3 有源配电网中DG接口处理 |
2.3.1 异步发电机 |
2.3.2 同步发电机 |
2.3.3 变频器 |
2.4 含SST的有源配电网潮流计算分析 |
2.4.1 建立SST的潮流计算数学模型 |
2.4.2 含SST的有源配电网潮流计算步骤 |
2.5 算例验证 |
2.6 本章小结 |
第3章 多目标问题及基于NSGA-Ⅱ和 BAS混合算法的研究 |
3.1 引言 |
3.2 多目标优化问题 |
3.2.1 MOPs的数学模型 |
3.2.2 Pareto最优解基本定义 |
3.3 NSGA-Ⅱ和 BAS算法原理分析 |
3.3.1 NSGA-Ⅱ算法的概述 |
3.3.2 NSGA-Ⅱ算法基本流程 |
3.3.3 BAS算法的概述 |
3.3.4 BAS算法基本流程 |
3.4 基于NSGA-Ⅱ和 BAS的混合算法 |
3.4.1 混合算法的概述 |
3.4.2 基于NSGA-Ⅱ和 BAS的混合算法原理 |
3.4.3 基于NSGA-Ⅱ和 BAS的基本流程 |
3.5 算例验证与分析 |
3.5.1 多目标优化算法的度量指标 |
3.5.2 算法的四种测试函数 |
3.5.3 基于NSGA-Ⅱ和 BAS混合算法的验证 |
3.6 本章小结 |
第4章 含SST的有源配电网无功优化算例及分析 |
4.1 引言 |
4.2 含SST的有源配电网无功优化数学模型 |
4.2.1 目标函数 |
4.2.2 约束条件 |
4.3 算法求解步骤及流程 |
4.4 算例分析 |
4.4.1 算例参数设置 |
4.4.2 含SST的配电网有无DG算例分析 |
4.4.3 含SST的有源配电网重负荷下算例分析 |
4.5 算法性能分析 |
4.6 本章小结 |
第5章 总结与展望 |
参考文献 |
致谢 |
附录 A 攻读学位期间所发表的学术论文目录 |
附录 B 攻读学位期间所参与课题项目目录 |
(3)基于深度差分进化的电力系统无功优化研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 无功优化的研究背景和意义 |
1.2 无功优化的国内外研究现状及研究方法 |
1.2.1 传统数学优化方法 |
1.2.2 人工智能优化算法 |
1.2.3 电力系统无功优化研究中存在的主要问题 |
1.3 论文的主要研究工作 |
第二章 基于深度信息的差分进化(Di-DE)算法研究 |
2.1 DE算法 |
2.1.1 DE算法的基本理论 |
2.1.2 DE算法的变异策略及其影响 |
2.1.3 DE算法的参数设置及分析 |
2.2 基于深度信息的差分进化(Di-DE)算法 |
2.2.1 Di-DE算法的提出 |
2.2.2 Di-DE算法的流程 |
2.3 本章小结 |
第三章 基于Di-DE算法的电力系统无功优化 |
3.1 无功功率对电压和有功功率的影响 |
3.1.1 无功功率对电压的影响 |
3.1.2 无功功率对有功损耗的影响 |
3.1.3 无功功率的调节方法 |
3.2 电力系统潮流计算 |
3.2.1 潮流计算的数学模型 |
3.2.2 高斯-赛德尔迭代法 |
3.2.3 牛顿-拉夫逊迭代法 |
3.3 无功优化的数学模型 |
3.3.1 目标函数 |
3.3.2 约束条件 |
3.4 Di-DE算法在无功优化中的应用 |
3.4.1 目标函数的选取 |
3.4.2 约束条件的处理 |
3.4.3 Di-DE算法应用于无功优化 |
3.5 本章小结 |
第四章 算例仿真与结果分析 |
4.1 Di-DE在标准测试集上的性能测试 |
4.2 IEEE-14 节点系统及结果分析 |
4.2.1 IEEE-14 节点系统结构图及参数 |
4.2.2 IEEE-14 系统算例分析 |
4.3 IEEE-30 节点系统及结果分析 |
4.3.1 IEEE-30 节点系统结构图及参数 |
4.3.2 IEEE-30 系统算例分析 |
4.4 IEEE-57 节点系统及结果分析 |
4.4.1 IEEE-57 节点系统结构图及参数 |
4.4.2 IEEE-57 系统算例分析 |
4.5 本章小结 |
总结与展望 |
参考文献 |
致谢 |
个人简历、在学期间的研究成果及发表的学术论文 |
(4)基于并行海鸥算法的电力系统无功功率优化(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 无功优化的研究背景和意义 |
1.2 无功优化的研究方法和现状 |
1.2.1 传统数学优化方法 |
1.2.2 人工智能优化算法 |
1.3 目前存在的问题 |
1.4 论文主要研究内容 |
第二章 并行海鸥(PSOA)算法的研究 |
2.1 SOA算法 |
2.1.1 SOA算法的基本理论 |
2.1.2 SOA算法的运行步骤 |
2.2 SOA算法的优点和缺点 |
2.3 并行海鸥(PSOA)算法 |
2.2.1 并行策略 |
2.2.2 自适应螺旋形状参数 |
2.2.3 PSOA算法的运行步骤 |
2.4 算法性能测试 |
2.5 本章小结 |
第三章 基于PSOA算法的电力系统无功优化 |
3.1 电力系统潮流计算 |
3.1.1 数学模型 |
3.1.2 牛顿—拉夫逊法 |
3.1.3 P-Q分解法 |
3.2 无功功率对电网的影响 |
3.3 电力系统的无功电源 |
3.4 电力系统无功优化数学模型 |
3.4.1 无功优化模型 |
3.4.2 无功优化约束条件 |
3.5 PSOA算法在无功优化中的应用 |
3.5.1 目标函数的选取 |
3.5.2 约束条件的处理 |
3.5.3 控制变量的选取及处理 |
3.5.4 算法步骤 |
3.6 本章小结 |
第四章 算例及计算结果分析 |
4.1 算例结构图 |
4.1.1 IEEE-14节点系统结构图及参数 |
4.1.2 IEEE-30节点系统 |
4.2 IEEE-14节点测试系统仿真 |
4.2.1 有功网损最小的单目标测试 |
4.2.2 系统网损最小和静态电压稳定裕度最大的多目标测试 |
4.3 IEEE-30节点测试系统仿真 |
4.3.1 有功网损最小的单目标测试 |
4.3.2 有功网损最小和静态电压稳定裕度最大的多目标测试 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
个人简历、在学期间的研究成果及发表的学术论文 |
(5)基于场景分析的含分布式电源配电网无功规划优化研究(论文提纲范文)
摘要 |
Abstract |
变量注释表 |
1 绪论 |
1.1 课题背景及意义 |
1.2 国内外研究现状 |
1.3 本文主要工作 |
2 分布式电源的场景概率模型与潮流计算方法 |
2.1 引言 |
2.2 风光场景概率模型的构建 |
2.3 分布式电源并网出力的概率模型 |
2.4 含分布式电源的配电网潮流计算方法 |
2.5 算例分析 |
2.6 本章小结 |
3 基于场景概率的含分布式电源配电网多目标无功规划 |
3.1 引言 |
3.2 综合场景灵敏度的构建 |
3.3 风光电源接入的配电网分区 |
3.4 基于场景概率的含分布式电源配电网无功规划模型 |
3.5 NSGA-Ⅱ算法的多目标无功规划模型求解 |
3.6 算例分析 |
3.7 本章小结 |
4 基于场景分析的源荷储协调的配电网动态无功优化 |
4.1 引言 |
4.2 风光调度下的储能与柔性负荷模型 |
4.3 源荷储协调的配电网动态无功优化模型 |
4.4 基于改进遗传算法的动态无功优化的多阶段求解策略 |
4.5 算例分析 |
4.6 本章小结 |
5 总结与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
附录 |
作者简历 |
致谢 |
学位论文数据集 |
(6)含分布式电源的配电网无功配置优化(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 分布式电源 |
1.2.1 分布式电源类型及特点 |
1.2.2 分布式电源对配电网的影响 |
1.3 无功配置的研究现状 |
1.3.1 无功配置优化模型的研究现状 |
1.3.2 无功配置优化模型求解方法的研究现状 |
1.4 无功平衡区域划分研究现状 |
1.5 论文章节安排 |
第二章 配电网的无功补偿及优化模型建立 |
2.1 配电网的无功补偿 |
2.1.1 无功补偿的基本原理 |
2.1.2 无功补偿配置原则 |
2.1.3 无功补偿方式 |
2.1.4 配电网的无功配置 |
2.2 含分布式电源的配电网无功配置优化模型 |
2.2.1 目标函数 |
2.2.2 约束条件 |
2.2.3 无功优化模型的求解 |
2.3 小结 |
第三章 含分布式电源的配电网潮流计算 |
3.1 分布式电源在配电网潮流计算中的节点类型 |
3.1.1 同步发电机接口模型 |
3.1.2 异步发电机接口模型 |
3.1.3 电力电子变换器接口模型 |
3.2 前推回代潮流计算方法 |
3.2.1 前推回代算法原理 |
3.2.2 潮流计算中各节点的处理方法 |
3.2.3 关键计算过程 |
3.2.4 算例验证 |
3.3 小结 |
第四章 启发式无功配置优化算法 |
4.1 可行无功平衡区域划分 |
4.1.1 随机开断支路法 |
4.1.2 分区步骤及流程图 |
4.2 负荷功率阻抗矩法 |
4.2.1 负荷功率阻抗矩法原理 |
4.2.2 负荷功率阻抗矩法步骤及分析 |
4.3 最短路径Floyd算法 |
4.3.1 Floyd算法思想 |
4.3.2 Floyd算法具体步骤及分析 |
4.4 补偿点的确定 |
4.5 补偿容量的确定 |
4.6 最优方案选取 |
4.7 小结 |
第五章 无功配置算例 |
5.1 IEEE33 节点系统无功配置 |
5.1.1 无功优化配置方案确定 |
5.1.2 优化配置结果分析 |
5.2 某典型馈线算例分析 |
5.2.1 无功优化配置方案确定 |
5.2.2 优化配置结果分析 |
5.3 小结 |
第六章 结论与展望 |
致谢 |
参考文献 |
附录 |
攻读学位期间参加科研情况及获得的学术成果 |
(7)基于蚁群算法的配电网无功优化研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 无功优化的目的和意义 |
1.2 无功优化的国内外研究现状 |
1.3 本文所作的工作 |
第二章 配电网无功优化的数学模型 |
2.1 配电网无功优化模型 |
2.2 配电网无功优化的静态目标函数构建 |
2.2.1 配电网静态无功优化目标函数 |
2.2.2 约束条件 |
2.3 配电网无功优化的动态目标函数构建 |
2.3.1 配电网动态无功优化目标函数 |
2.3.2 约束条件 |
2.4 本章小结 |
第三章 基于场景分析法的配电网动态无功优化 |
3.1 场景分析技术 |
3.1.1 场景生成法 |
3.1.2 场景缩减法 |
3.1.3 场景分析方法的应用 |
3.2 聚类分析算法 |
3.2.1 聚类算法的要求 |
3.2.2 数据的相似性度量 |
3.2.3 常用的聚类分析方法 |
3.2.4 K-均值聚类算法 |
3.3 配电网中不确定因素的场景划分 |
3.3.1 基于K-均值聚类算法的典型场景分析 |
3.3.2 配电网典型场景分析 |
3.3.3 负荷场景划分 |
3.4 本章小结 |
第四章 基于蚁群算法的配电网无功优化 |
4.1 蚁群算法的基本原理 |
4.1.1 蚂蚁觅食行为与策略 |
4.1.2 人工蚁群 |
4.2 蚁群算法模型 |
4.3 蚁群算法在配电网无功优化中的应用 |
4.3.1 蚁群算法的实现 |
4.3.2 无功补偿位置及补偿容量的选择 |
4.3.3 适应度函数的选取 |
4.3.4 应用于蚁群算法的公式 |
4.3.5 运用蚁群算法求解无功优化问题的参数选取 |
4.4 本章小结 |
第五章 算例分析 |
5.1 配电网静态无功优化 |
5.1.1 静态无功优化算例与参数 |
5.1.2 静态无功优化结果 |
5.2 配电网动态无功优化 |
5.2.1 动态无功优化算例与参数 |
5.2.2 动态无功优化结果 |
5.3 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
附录 |
攻读学位期间参加科研情况及获得的学术成果 |
(8)基于数据驱动和深度学习的配电网无功优化技术研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 配电网无功优化 |
1.2.2 大数据技术在配电网中的应用 |
1.2.3 人工智能技术在电网中的应用 |
1.2.4 研究现状小结 |
1.3 本文主要研究内容及章节安排 |
2 基于OpenDss平台的配电网建模和数据预处理 |
2.1 OpenDss相关功能简介 |
2.1.1 软件简介 |
2.1.2 配电网建模方法 |
2.1.3 潮流计算功能 |
2.2 配电网相关模型建模分析 |
2.2.1 主要元件模型结构 |
2.2.2 分布式电源及电动汽车模型 |
2.3 本文的数据来源及处理 |
2.4 基于OpenDss的配电网无功控制优化 |
2.4.1 改进的IEEE37节点配电网模型 |
2.4.2 OpenDss无功控制模块优化分析 |
2.5 本章小结 |
3 基于遗传算法和人工神经网络的配电网无功优化 |
3.1 传统无功优化数学模型 |
3.2 遗传算法在无功优化中的应用 |
3.2.1 遗传算法基本原理及步骤 |
3.2.2 改进遗传算法的配网无功优化流程 |
3.2.3 算例分析 |
3.3 基于浅层神经网络的配电网无功优化 |
3.3.1 神经网络相关理论 |
3.3.2 BP神经网络的无功优化流程 |
3.3.3 算例分析 |
3.4 本章小结 |
4 基于卷积神经网络深度学习的配电网无功优化 |
4.1 卷积神经网络 |
4.1.1 相关理论基础 |
4.1.2 CNN的具体结构和训练方法 |
4.2 基于CNN的无功优化模型及流程 |
4.2.1 初始特征集的构建 |
4.2.2 网络模型搭建及超参数设置调整 |
4.2.3 无功优化流程 |
4.3 算例分析 |
4.4 本章小结 |
5 无功优化效果综合对比及影响因素分析 |
5.1 优化效果指标 |
5.2 改进的BP网络半年优化效果分析 |
5.2.1 改进方法介绍 |
5.2.2 各方法综合比较 |
5.3 含CNN的各类方法优化效果比较 |
5.3.1 CNN半年优化效果统计 |
5.3.2 各类方法综合比较 |
5.4 优化效果影响因素分析 |
5.4.1 历史数据量对优化效果的影响 |
5.4.2 分布式电源渗透率对优化效果的影响 |
5.5 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
附录 IEEE37节点系统相关原始数据 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(9)基于无功成本分析的主动配电网全天无功优化(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 主动配电网中无功优化的研究现状 |
1.2.2 电力市场背景下无功优化的研究现状 |
1.3 本文主要内容 |
第2章 ADN中各元件无功成本分析 |
2.1 引言 |
2.2 光伏无功成本模型的建立 |
2.3 风电无功成本模型的建立 |
2.4 微型燃气轮机无功成本模型的建立 |
2.5 并联电容器组无功成本分析 |
2.6 本章小结 |
第3章 基于模拟退火改进的和声搜索算法 |
3.1 引言 |
3.2 和声搜索算法概述 |
3.2.1 和声搜素算法原理 |
3.2.2 和声搜素算法的初始化参数 |
3.2.3 和声搜素算法的算法流程 |
3.2.4 和声搜素算法的优缺点 |
3.3 模拟退火算法概述 |
3.3.1 模拟退火算法原理 |
3.3.2 模拟退火算法的主要参数 |
3.3.3 模拟退火算法的算法流程 |
3.3.4 模拟退火算法的优点 |
3.4 改进的和声退火(HSSA)算法 |
3.4.1 算法结合的思路 |
3.4.2 算法改进的角度 |
3.4.3 改进HSSA的算法流程 |
3.4.4 与当前HS算法的改进研究相比较 |
3.5 算例验证 |
3.5.1 标准测试函数验证 |
3.5.2 配电网无功优化算例验证 |
3.6 本章小结 |
第4章 计及无功成本的主动配电网无功优化 |
4.1 引言 |
4.2 目标函数设计 |
4.2.1 考虑经济与稳定性指标的目标函数 |
4.2.2 基于熵权法的目标函数权重确定 |
4.3 约束条件的确定 |
4.4 算例验证 |
4.4.1 算例参数设计 |
4.4.2 算例结果分析 |
4.5 本章小结 |
第5章 结论与展望 |
5.1 结论 |
5.2 进一步工作的方向 |
致谢 |
参考文献 |
附录 IEE33节点标准测试系统参数 |
(10)基于遗传-模拟退火算法的某地区配电网优化设计(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 配电网优化的概述 |
1.2.1 国内外配电网优化的发展 |
1.2.2 配电网优化研究现状 |
1.3 配电网无功优化概述 |
1.3.1 无功优化的国内外研究现状 |
1.3.2 无功优化的研究方法 |
1.4 本文所做的工作 |
第2章 配电网无功补偿与优化算法 |
2.1 配电网的无功补偿 |
2.2 静态电压稳定性指标 |
2.3 潮流计算模型与方法 |
2.3.1 潮流计算模型 |
2.3.2 潮流计算方法 |
2.3.3 配电网潮流计算对比 |
2.4 配电网优化的数学模型 |
2.4.1 配电网优化的目标函数 |
2.4.2 配电网优化的约束条件 |
2.5 本章小结 |
第3章 遗传-模拟退火算法 |
3.1 遗传算法 |
3.2 模拟退火算法 |
3.3 构造优化算法的出发点 |
3.4 优化配电网算法的具体步骤 |
3.4.1 编码 |
3.4.2 种群初始化 |
3.4.3 适应度计算 |
3.4.4 选择操作 |
3.4.5 交叉操作 |
3.4.6 变异操作 |
3.4.7 引入模拟退火算法的Metropolis准则 |
3.5 遗传-模拟退火算法的流程 |
3.6 去孤岛及去环网方法 |
3.7 本章小结 |
第4章 遗传-模拟退火算法在配电网中的应用 |
4.1 算法可行性验证 |
4.1.1 IEEE33配电网络 |
4.1.2 各类算法对比 |
4.2 某地区基于遗传-模拟退火算法的配电网优化 |
4.2.1 地区配电网简介 |
4.2.2 该地区原网络计算结果 |
4.2.3 基于遗传-模拟退火算法的配电网重构 |
4.2.4 基于遗传-模拟退火算法的无功补偿 |
4.2.5 基于遗传-模拟退火算法的应用结果对比 |
4.3 本章小结 |
第5章 总结与展望 |
参考文献 |
攻读学位期间主要的研究成果 |
致谢 |
四、遗传算法在配电网无功优化中的应用(论文参考文献)
- [1]基于改进萤火虫算法的含分布式电源配电网多目标无功优化[D]. 张永良. 西安理工大学, 2021(01)
- [2]基于NSGA-Ⅱ和BAS混合算法的含固态变压器的有源配电网无功优化[D]. 侯秉臣. 兰州理工大学, 2021(01)
- [3]基于深度差分进化的电力系统无功优化研究[D]. 杨成. 福建工程学院, 2021(02)
- [4]基于并行海鸥算法的电力系统无功功率优化[D]. 商俊杰. 福建工程学院, 2021(02)
- [5]基于场景分析的含分布式电源配电网无功规划优化研究[D]. 吴乐川. 山东科技大学, 2020(06)
- [6]含分布式电源的配电网无功配置优化[D]. 卢奔. 西安石油大学, 2020(10)
- [7]基于蚁群算法的配电网无功优化研究[D]. 刘欣雨. 西安石油大学, 2020(10)
- [8]基于数据驱动和深度学习的配电网无功优化技术研究[D]. 石琛. 北京交通大学, 2020(03)
- [9]基于无功成本分析的主动配电网全天无功优化[D]. 邹杨. 南昌大学, 2020(01)
- [10]基于遗传-模拟退火算法的某地区配电网优化设计[D]. 张怡宁. 湖南工业大学, 2020(02)