介绍 |
| 分销系统的网络传输电能的大部分变电站对许多服务或负载。分销系统越来越大,延伸得太远导致更高的系统损失和可怜的电压调节。因此有必要减少系统的损失。通过最小化损失,系统可能获得更长的寿命和更大的可靠性。 |
| 由于高浓度的电感负载在分销系统中,电力和能源损失更多。并联电容器广泛应用于配电系统消耗- VAR,抵消一些落后的组件的归纳VAR的安装。因此,它修改电感负载的特点。并联电容器的结果等一系列福利改善功率因数,减少功率损耗,提高电压,提高电压稳定性和已提供能力。实现这些好处在最大的程度上各种操作条件下,工程师需要确定最优位置,分布类型和大小的电容器被放置和控制设置切换电容器在不同负荷水平。 |
| 各种解决方案的技术已经用来解决电容放置的问题。这些技术分为四类。分析方法,数值编程方法,启发式搜索方法和基于人工智能(AI)的方法。制定所有考虑当一个现实的问题是有待解决,但是,大多数分析,数值编程启发式无法很好地工作。近年来,基于人工智能的方法,如遗传算法(GA)应用于电容器位置问题不错的效果。意味着,一些新的基于ai方法介绍和发展。虽然这些基于人工智能的方法并不总是保证全局最优的解决方案,他们将提供子最优(接近全局最优)解决方案在一个短的CPU时间。 |
| 现代基于ai的方法,使用粒子群优化解决电容位置与所有现实问题公式化的考虑。这种优化技术可用于解决许多相同的问题,并且不受遗传算法的一些困难。算法已经发现是健壮的解决问题的非线性、non-differentiability和高维度。 |
数学公式 |
| 在任何径向分布系统,电当量为1,这是连接节点1和2之间有一个电阻r(1)和归纳电抗x(1)如图1所示 |
| branch-1is由流动的电流 |
 (1) |
 (2) |
| 在那里,V(1)(1)(2)(2)相对应的电压大小和角度在发送端分别节点1和节点接收端2。在一般情况下 |
 (3) |
| 没有,节点。我= 1,2,…,钕 |
| 没有分支。,j=1,2…,nd-1 |
| nd =总没有。的节点 |
的活性和无功功率损失分支给出的“j”, (4) |
 (5) |
| 系统的总活性和无功功率损失 |
 (6) |
 (7) |
| 在哪里 |
| 普洛斯[j], Qloss [j] =活跃的分支“j”和无功功率损失 |
| TPL TQL =总活跃和系统的无功功率损失 |
| 通常变电站电压V(我)是已知的,作为V (1) | | = 1.0 p.u。最初,普洛斯[j], Qloss [j]将零j。那么的初始估计P(2)和(2)将所有节点的负载的总和超过节点2 +的局部负荷节点2。所有的分支j = 1、2…nd-1,计算P (i + 1)和使用算法(i + 1)。计算V (i + 1) | |,普洛斯(j)和Qloss (j)使用方程(2),(4)和(5)。这将完成迭代。更新加载P (i + 1)和Q (i + 1)(包括损失)和重复同样的步骤,直到电压大小计算0.0001的公差在逐次迭代中部件。 |
节点的识别算法 |
| 下面的算法解释方法确定候选节点,这是更适合电容器位置。 |
| •径向分布系统读取数据。 |
| •运行负载流和计算基础情况下有功功率损失。 |
| •通过补偿无功功率注入(Qc)在每个节点和运行负载流动,在每种情况下计算有功功率损失。 |
| •减少计算功率损耗和功率损耗指数(PLI)。 |
| •选择候选节点的PLI >宽容。 |
| •停止。 |
| 该算法测试15-node径向分布系统,33-node径向分布系统和69 -节点径向分布系统 |
| 的电容大小从粒子群优化获得的节点。这些电容保持在候选节点和负载流量解决方案执行观察改善电压概要和净储蓄三个系统。 |
粒子群优化 |
| 粒子群优化(PSO)是一种元启发式并行搜索技术用于继续非线性的优化问题。该方法通过仿真发现简化社会模型。PSO在两根主成分方法也许更明显是人工生命关系一般来说,鱼鸟成群结队,尤其是教育和聚集理论。也是相关的,然而进化计算,并与遗传算法和进化规划。它只需要原始的数学操作符和计算便宜的内存需求和速度。使用人口的粒子进行搜索相应的个人。每个粒子代表候选人解决电容大小的问题。在算法系统中,粒子改变立场,在多维搜索太空飞行,直到相对不变的地位已经遇到,或者直到计算超出限制。在社会科学的背景下,PSO系统结合社会和认知模型。 |
| 的一般元素算法简要解释如下: |
| 粒子X (t):这是一个k维实值向量代表候选人的解决方案。对于一个在时间t i粒子,粒子被描述为Xi (t) ={ξ1 (t), 2 (t)…Xi, k (t)}。 |
| 人口:它是一组“n”粒子数在时间t描述为{X1 (t) X2 (t)…Xn (t)}。 |
| 群:这是一个明显紊乱的人口移动粒子似乎倾向于聚集在一起,每个粒子在随机方向移动。 |
| 粒子速度V (t):移动粒子的速度由一个k维实值向量Vi (t) = {Vi, 1 (t), Vi, 2 (t)……Vi, k (t)}。 |
| 惯性权重W (t):它是一个控制参数,用于控制前速度对当前速度的影响。 |
| 最好粒子(pb): pb在概念上类似于自传式记忆,每个粒子还记得自己的经验。当一个粒子在搜索空间移动,比较其健身价值在当前位置最好的价值它曾经获得在任何时间到当前时间。最好的位置,与最好的健身到目前为止称为个人最佳或粒子。中的每个粒子群的铅可以确定在搜索和更新。 |
| 全球最佳(gb):它是最好的位置在所有粒子的个体pb取得了迄今为止。 |
| 速度升级:使用全球最佳和个人最佳,第i个粒子速度更新在k维根据以下方程。 |
| V[我][j] = K * (w * V[我][j] + c1 * rand1 * (pbestX[我][j] - x[我][j]) + c2 * rand2 * (gbestX [j] - x[我][j]))。 |
| ,K收缩因子c1, c2体重因素 |
| w惯性权重参数 |
| 我粒子数量,j控制变量 |
| rand1, rand2随机数在0和1之间 |
| 停止条件:这是条件终止搜索过程。它可以实现下面的两个方法: |
| 我。自从上次的迭代次数的变化最好的解决方案是大于一个预先确定的数字。 |
| 二世。指定的迭代次数达到最大值 |
使用PLI & PSO算法电容器位置和大小 |
| 步骤1:运行基本情况、负载流量分布确定有功功率损失。 |
| 步骤2:确定位置的候选人巴士电容器使用功率损耗指标。 |
| 步骤3:随机生成“n”数量的粒子,每个粒子都被表示为粒子[我]= {Qc 1, Qc 2,…。Qc j} |
| 在“j”代表候选人公交车的数量。 |
| 目的:生成粒子速度(v[我])-vmax和vmax之间。 |
| ,,= (capmax-capmin) / N |
| 在千乏Capmax =最大电容器功率 |
| 在千乏Capmin =最低电容器评级 |
| N =数量的步骤粒子从一个位置移动到另一个。 |
| 第五:设置迭代计算,iter = 1。 |
| 第六段:运行负载流将粒子“我”候选人总线的无功补偿和存储有功功率损失(pl)。 |
| 评估没有或正在穿衣的健身价值(基础力量loss-pl)粒子“我”和与之前最好粒子(pb)值。如果当前健身价值大于其pb值,然后将pb值分配给当前值。 |
| 向客人确定当前全球最佳(gb)最大值(pb)最好粒子个体值。 |
| Step9:比较之前的全球地位的全球地位。如果目前的全球地位大于前面,然后将全球地位设置为当前的全球地位。 |
| Step10:更新速度通过 |
| v[我][j] = K * (w * v[我][j] + c1 * rand1 * (pbestparticle[我] |
| (我),粒子位置的个人的吗 |
| gbestparticle群之间的最佳位置 |
| v[我]速度如果单独的“我” |
| Step11:如果速度v[我][j]违反了其局限性 |
| (-vmax,),设置适当的限制 |
| Step12:更新粒子的位置通过添加速度(v[我][j])。 |
| Step13:现在运行流和确定的负载有功功率损失(pl)更新粒子。 |
| 步骤9 Step14:重复步骤7 |
| Step15:重复相同的过程对于每个粒子从步骤6 - 13所示。 |
| Step16:重复步骤6 - 13至终止标准实现。 |
结果和分析 |
| 平衡径向分布系统 |
| 示例1:该算法测试15-node径向分布系统的单线图是图1所示。表1中给出的测试结果。电压概要文件之前和之后的补偿是图2所示。从结果,观察有功功率损失减少从60.34821 kW至29.77601 kW。,损失减少50.6596%,最低电压改善从0.942389便士。0.967561 u到动力装置,电压调节从5.7611%提高到3.2439%,也就是说。,43.6930%的改善。 |
| 示例2:33-node径向分布系统的测试结果给出了表。电压概要文件之前和之后的补偿是图3所示。从结果,观察活跃powerlosses减少从202.7069 kW至143.7255 kW。,损失减少29.096866%,最低电压改善从0.913041便士。0.925082 u到部件因此电压调节改善即从8.6959%降至7.4918%。,13.8468%的改善。 |
| 径向分布不平衡系统 |
| 示例1径向分布不平衡系统的算法也是19 -节点径向分布不平衡测试系统。19-node径向分布系统的测试结果如表4所示。从结果可以看出总有功功率损失减少从13.471 kW至11.013 kW。,18.27 % loss reduction and minimum voltage of phase A, phase B and phase C improved from 0.951592, 0.949758, 0.950466 p.u to 0.958514, 0.95719, 0.957709 p.u. respectively. |
| Example2:径向分布系统的算法是不平衡测试52-node径向分布系统。测试结果的不平衡52-node径向分布系统表5中给出。从结果可以看出有功功率损失减少从159.0603 kW至131.083 kW。,17.58 % loss reduction and minimum voltage of phase A, phase B and phase C improved from 0.92777, 0.95127, 0.91318 p.u to 0.93783, 0.96002, 0.92386 p.u. |
结论 |
| 新方法基于PSO算法求解径向分布系统的并联电容器的放置问题提出了在项目。充分考虑不同的负载水平和实用方面的固定或切换电容器银行目标的问题是新配方的综合目标函数等式和不等式约束和一组。建议的解决方案方法采用算法搜索最优位置和大小的电容器被放置在不同的负荷和优化数字切换电容器银行的水平。 |
| 电容器的最佳位置的有效途径提出了径向分布系统。从结果,几个重要的观察结果可以总结如下。 |
| •径向分布系统的功率损耗可以有效地减少shuntcapacitor的合理安排。 |
| •除了权力的 |
表乍一看 |
|
|
|
数据乍一看 |
|
|
|
引用 |
- B。斯科特和O。Alsac赞助,“快速解耦负载流”,IEEE反式。对权力的装置和系统不是- 93卷,1974年,pp.859 - 869。
- S.I.Wamoto和Y。(“负载流方法计算坏心肠的电力系统,IEEE反式。电力设备和系统,pas - 100卷,1981年,pp.1736 - 1740。
- D。Rajicic和Y。(“修改后的快速解耦潮流网络高R / X比率”,IEEE反式。电力设备和系统,3卷,11月。1988年,pp.341 - 348。
- 称呼的Kresting和D.L.Mendive梯子”,一个应用程序的网络理论三相径向载荷流问题的解决方案”,IEEE PES冬季会议,纽约,1976年1月,纸A76 044 - 8。
- D。Shirmohammadi和H.W.香港”,基于补偿功率流方法弱网状分布和传输网络,“IEEE反式。对权力的交付,3卷,11月。1988年,页753 - 762。
- 主机Baran和F.F.吴,“分销系统优化电容放置”IEEE反式。在功率输出,4卷,1989年1月,页725 - 734。
- 詹姆斯•肯尼迪RusselEbehart Proc.Int“粒子群优化”。设计,神经网络,卷4。
- J。肯尼迪,“粒子群:社会采用知识”IEEE, 1997。詹姆斯·肯尼迪,“小单词和大型,邻里trpology对粒子群的影响表现”,IEEE 1999。
- D。Thukaram,莫莱森Wijekoon班达,Jovitha杰罗姆。”一个健壮的三相潮流算法径向分布系统”电力系统研究,11月1日
|
菜单
(1)
(2)
(3)
(4)
(5)
(6)
(7)
