申请/专利权人：华南理工大学

申请日：2023-12-27

公开（公告）日：2024-04-02

公开（公告）号：CN117808151A

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06N3/006;G06N3/126

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明公开了一种基于粒子群‑遗传融合算法的变电站无功优化方法，包括以下步骤：计算初始适应度；粒子分群；更新惯性权重；更新粒子速度与种群；交叉操作；根据约束条件判断粒子是否越界；更新最优粒子和最优适应度；判断是否满足终止准则；输出结果。本发明以有功网损最小化、电压合格化和设备投切次数最少化为目标，通过获取变电设备的电气参数后，建立无功优化的数学模型，构建针对网损和电压的多目标函数，利用本发明的方法计算求解目标函数，达到无功优化的目的。本发明是基于粒子群‑遗传混合算法，通过增加对设备操作次数的约束条件和调整速度因子的惯性权重进行修正，实现更好的无功优化效果。

主权项：1.一种基于粒子群-遗传融合算法的变电站无功优化方法，其特征在于，所述变电站无功优化方法包括以下步骤：S1、获取变电设备的电气参数和未来24小时的负载数据，其中，所述电气参数包括变电设备中的额定电压值、频率值、阻抗值、变压器初始变比、变压器可调挡位、电容器组初始投入组数、电容器组最大投入组数、变压器额定容量、一日内变压器组的最大允许调档次数、一日内电容器组的最大允许投切次数以及电容器组无功补偿容量；S2、将电气参数初始化，建立初始种群，过程如下：S201、定义小时t＝1,2,3,…,24；S202、设置迭代次数iter为1，设置种群大小m；S203、将步骤S1中获得的负载数据按小时t分成24组；S204、将电气参数中的电容器组投切次数、变压器分接头调节次数作为控制变量，将上述控制变量离散化取整后作为矩阵元素构成矩阵，将上述矩阵作为粒子；S205、通过粒子建立种群Gt，Gt数学描述如下： Gt＝[Pi,t…Pm,t]T其中，Pi,t为该小时t下的第i个粒子，种群Gt是一个{Nc×m}的矩阵，m为种群大小，Nc为控制变量的数目，pij,t为小时t下的第i个粒子中第j个需要控制的变量，i＝1,2,…,m，j＝1,2,…,Nc；S3、将种群Gt进行迭代，得出无功优化结果，过程如下：S301、获取当前小时t，依据小时t的取值，获得当前小时t对应的负载数据，并代入变电站低压侧母线端；S302、将粒子代入适应度函数FF，计算粒子适应度，获得该小时t下的最优粒子pt、最优种群GBt和全局最优粒子At；S303、根据粒子的适应度的大小将粒子按从小到大排序，对粒子进行分群操作，得到基础种群和开拓种群，将排在前20％的粒子定义为开拓种群并降低开拓种群中粒子被选择的概率，赋予其较大的速度再代入更新，将其余80％的粒子定义为基础种群，正常进行更新；S304、代入迭代次数iter，更新惯性权重δ；S305、将粒子和惯性权重δ代入速度更新公式，更新粒子速度与种群；S306、对粒子进行选择操作和交叉操作；S307、设定约束条件，依据约束条件判断粒子是否越界：若越界，则对越界粒子进行惩罚；若未越界，则直接进入下一步；S308、计算粒子适应度并更新种群内最优粒子和最优种群：将粒子代入适应度函数FF，更新种群内最优粒子pt、最优种群GBt和全局最优粒子At，将原种群Gt更新为种群G′t；S309、判断当前迭代次数是否达到最大迭代次数：若未达到，则记迭代次数iter＝iter+1，返回步骤S302；若达到，结束当前计算，输出当前最优优化目标；S310、判断小时t是否取值为24：若未满足，则记小时t＝t+1，返回步骤S301；若满足，输出有功网损、电压偏移量、变压器分接头调节次数以及电容器组投切次数作为最终优化结果。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于粒子群-遗传融合算法的变电站无功优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD