计及电压稳定的电力系统无功规划优化

提出了一种考虑电压稳定的多目标无功规划优化的模型，并用模糊方法和遗传算法对其进行了求解。在无功优化的多目标中，包括了电压稳定性的静态指标一系统的静态稳定裕度λmin，约束条件中考虑了发电机的无功备用约束。无功优化前，首先用特征结构分析法确定当前运行方式下的系统薄弱节点作为候选补偿点，然后用无功优化模型决定候选补偿点应加装的无功补偿容量。     

改进粒子群算法的风电场多目标无功优化

采用基于场景的思想确定了风电机组功率输出,通过在潮流计算中增加对风电场节点电压的迭代解决了含风电场的潮流计算问题。建立了有功网损最小、电压偏差最小、静态电压稳定裕度最大的多目标无功优化模型,提出了多目标归一化处理方法,通过改变各分量权重系数解决了多目标无功优化问题。分析了基于遗传交叉因子的粒子群优化算法,通过父代的遗传交叉产生代表解的新粒子,有效避免了粒子解陷入局部最优。算例表明,该模型和算法可有效解决含风电场的多目标无功优化问题。     

电力系统电压无功多目标的优化控制

电力系统电压无功多目标的优化控制是主要的复杂优化和控制问题之一. 本文在明确电压无功多目标控制方式及意义的基础上, 剖析了电力系统中的电压问题, 进一步详细研究了电压无功多目标优化算法的实现, 并通过在IEEE-6节点网络的无功优化计算结果的分析, 表明本文所研究优化控制方法的有效性.     

基于负荷曲线分段的配电网无功优化策略

针对电网负荷的波动性,采取分时段无功补偿策略对改善电压质量和保证运行经济性具有重要实用价值。首先,基于典型日负荷曲线建立了负荷曲线的优化分段模型。在此基础上基于平均节点电压偏移灵敏度指标和网损灵敏度指标建立了无功补偿点的筛选确定方法,并以平均电压偏移和网损最小为优化目标建立无功补偿优化模型。其次,通过基于分解的多目标优化算法对所建立优化模型分别进行求解,可得出负荷曲线的分段点及每个负荷分段下对应的最优补偿方案。最后,以IEEE 33节点配网系统和实际电网仿真分析,验证了所建立优化策略的可行性和有效性。     

暂态电压稳定薄弱区的厂站稳态无功协调方法

考虑协调发电机和变电站电容器稳态无功出力占比对系统暂态电压稳定性的影响,以及无功优化和电压稳定的区域调控特点,研究了基于厂站稳态无功协调提高系统暂态电压稳定裕度的预防控制方案决策方法。该方法在利用AP聚类算法和综合暂态电压稳定裕度确定稳定裕度薄弱区域的基础上,基于发电机无功调节对薄弱母线电压作用的加权平均灵敏度进行灵敏调节发电机选择。接着以薄弱区并联无功补偿和灵敏发电机无功出力作为控制变量,建立兼顾暂态电压稳定裕度和母线电压额定值偏移的厂站无功协调多目标优化模型,并结合暂态稳定计算,利用MOEA/D算法和TOPSIS方法求解系统对严重预想故障的多目标稳态无功协调方案。江西电网实际算例的仿真研究验证了该决策方法的有效性。     

多目标萤火虫算法的电力系统无功优化方法

为解决传统单目标无功优化电压偏高的问题,采用建立多目标无功优化数学模型的方法,提出一种带精英保留策略和Pareto占优及拥挤距离排序的多目标萤火虫算法对建立的无功优化数学模型进行优化.研究结果表明:多目标萤火虫算法在优化过程中具有较强的寻优能力和全局收敛性,在减小电力系统有功网损的同时有效解决了电压偏高的问题,是一种求解多目标无功优化问题的有效方法.     

计及静态电压稳定的变尺度混沌无功优化

选择系统有功网损作为目标函数，同时考虑满足电压水平和电压稳定性两个约束条件来探讨无功优化问题,介绍了变尺度混沌优化算法，该算法不断缩小优化变量的搜索空间并不断提高搜索精度，从而有较高的搜索效率，将该算法应用于计及静态电压稳定的电力系统无功优化问题，并对IEEE14节点系统进行了仿真计算，计算结果验证了算法的有效性．     

考虑重构和分布式电源无功特性的主动配电网多目标日前调度

主动配电网的优化调度方案是配电网经济运行的核心,本文提出一种考虑配电网拓扑重构和分布式电源无功特性的主动配电网日前调度方案,建立配电网经济运行成本最小和系统网络损耗最小的多目标优化模型.该方案在资源优化配置时,考虑拓扑结构的改变对资源调度结果的影响,并且充分利用分布式电源的无功特性,尤其是常被忽视的风机和光伏的无功支持能力.通过该优化调度方案可确定配电网一天内各时段分布式电源的最优有功和无功出力、可中断负荷的参与量以及对应的各时段最优拓扑结构.该优化模型为非线性优化问题,采用万有引力搜索算法进行求解,最后通过修改的PG&E－69节点系统进行仿真验证.     

含分布式电源的配电网多目标无功优化

针对传统模型和现有算法对配电网无功优化带来的电压波动和网络损耗等问题,提出一种基于改进元胞差分算法的含风、光的配电网无功优化方法。建立了风电、光伏的随机概率出力模型,获取了其出力预测数据,以电压波动、有功损耗和电压越限3个目标为优化函数,通过权重系数将三目标模型转换为双目标模型,建立了含风电、光伏的双目标配电网无功优化模型。通过电压稳定指标（voltage stability index,VSI）对配电网各个时段的电压的稳定性进行评价,用改进元胞差分算法对模型进行求解,并利用测试函数对算法进行验证。结果表明,较传统模型和传统算法而言,所提模型和所用算法均能有效降低配电网的电压波动和减小配电网的有功损耗,从而保证电网的安稳运行。     

地区配电网多目标动态无功优化研究

地区配电网多目标动态无功优化是一项非常复杂的工作,具有非线性、多目标的特点,主要的工作目标是使电力系统在满足特定的约束条件的前提下,使系统的多个指标达到相应的最优状态,本文主要分析了目前地区配电多目标动态无功优化研究中所存在的问题,提出了针对性的一种优化方法,并结合PowerStation软件,应用实例与分析说明了该方法的有效性。     

含静态电压稳定裕度约束的无功优化计算

提出了一种电压稳定裕度约束无功优化新方法,通过调节系统的控制变量,能真正有效地提高系统的静态电压稳定裕度,同时取得较小的网损。该方法将电压稳定裕度约束无功优化问题分解为非线性无功优化和电压稳定裕度及其对控制变量灵敏度分析两个子问题,通过两者的交替求解实现寻优。前者采用非线性原对偶内点法求解,后者则是以连续潮流计算为基础。该方法计算速度快,对多种系统具有一定的普适性。在IEEE 14、30、118节点系统的试验结果验证了它的有效性,并发现一个系统在特定的负荷增长方式下,由于无功潮流的改变其分岔类型可能会在极限诱导分岔和鞍结分岔之间转换。     

提高大规模电力系统静态电压稳定性的无功补偿方法

基于电力系统潮流方程雅可比矩阵的特征结构分析法，提出了一种以提高系统静态电压稳定性为目标的大规模电力系统无功功率优化补偿方法．该方法研究了与系统静态电压稳定性密切相关的潮流方程雅可比矩阵的最小模特征值及与其对应的左特征向量．以最小模特征值作为系统静态电压稳定裕度指标，以最小模特征值对应的左特征向量作为节点电压对无功功率变化的灵敏度指标，给出了系统在指定工况下，全电网中最有可能发生电压不稳定或电压崩溃的节点，从而为系统无功功率补偿装置的配置提供决策依据。通过对我国某区域电力系统的计算表明，该方法简洁快速，适合求解大规模电力系统电压稳定性的无功功率补偿问题．     

基于改进内点法的含双馈型风电场的电力系统无功优化研究

针对含双馈型风电场的电力系统无功补偿问题,建立了以有功网损最小、节点电压偏差最小为目标的无功优化模型;并考虑了风电场旋转备用的约束,提出了跟踪中心轨迹内点法实现无功优化。跟踪中心轨迹内点法在传统内点法基础上引入自适应压缩因子,利用自适应压缩因子的动态收敛性,提高算法的局部搜索能力,从而提高算法的效率。在IEEE14系统中进行了仿真测试。实验结果证明了提出的无功优化算法的有效性,算法能较好的减少有功网损;同时使其他目标函数值都得到了不同程度的改善。     

基于置信度机会约束规划的风电场无功优化技术

风电不确定性给其功率预测带来一定困难,功率预测误差过大容易引发电压越限问题。为了保证电压安全并兼顾运行经济性,本文以网损最小为目标函数并考虑控制电压越限风险,对系统进行无功优化,通过一定置信度下的电压约束将随机优化模型转变成机会约束规划模型,再用内点法求解。提出了三种考虑电压安全裕度的优化方法,分析了它们各自特点和适用工况,制定了根据不同风电预测精度来灵活选用的综合方法。本文利用解析化梯度矩阵和海森矩阵的改进算法来求解无功优化模型,与以往采用差分近似梯度的算法相比大幅提升了计算效率,减少了一半以上的迭代次数和计算时间。最后在含风电场的IEEE-39节点系统和我国内陆某实际风场中验证了所提方法的有效性和优越性。     

一种基于二阶锥规划的配网无功优化算法

在深入分析分布式电源并入配电网对电压的影响基础上,考虑逆变器的快速控制和无功特性,建立了配电网电压无功优化模型,提出一种基于二阶锥规划的配电网无功优化算法,对原始非凸、非线性、NP-难的潮流优化模型进行松弛变换,得到易于求解计算、收敛效果好的二阶锥规划模型,通过IEEE 33节点配电系统算例的计算和分析,表明逆变器参与电压无功优化能够有效地进行电压调节和降低网络损耗,证明了所提优化方法的有效性。     

配电网电能质量综合控制策略的构建

为避免谐波问题造成电气设备的损坏,根据谐振阻抗型混合有源滤波器（RITHAF）的滤波特性,把RITHAF加入电压无功控制装置（VQC）,构建一种具有电压调节、无功补偿和谐波抑制功能的配电网电能质量治理装置.分析系统谐波放大产生的原因,提出其抑制策略,构建配电网电能质量综合控制模型.仿真结果表明,该装置及控制策略在调整电压和无功功率的同时能有效地抑制谐波放大.