基于增殖-缩减策略的启发式优化方法研究

1. 绪论

1.1 课题背景及意义

1.1.1 背景

• 随着新型电力系统的建设与发展，新能源发电量占总发电量的比例不断升高。
• 大规模新能源机组对传统机组的置换导致电网频率和电压支撑能力下降。
• 直流闭锁产生的大功率缺额将引发频率、电压大幅偏移，严重时会引发频率、电压崩溃，甚至功角失稳。
• 紧急切负荷是电力系统安全稳定的第二道防线，发生功率缺额后，为了保持电力系统暂态安全稳定，需要进行紧急切负荷。
• 紧急切负荷的经济代价是高昂的，选取恰当的切负荷方案，在满足暂态安全稳定的同时最小化切负荷控制代价是具有重要意义的。

1.1.2 意义

• 紧急切负荷是电力系统三道防线的第二道防线，通过在系统中配置负荷紧急控制装置和监测装置，当系统发生大的功率不平衡时，依据预先整定的紧急负荷控制方案，主动地、集中地跳开负荷出线，保证电力系统的暂态稳定，防止电力系统第三道防线触发。
• 研究如何使紧急切负荷的控制代价最小具有重要意义。可以通过进化算法和暂态时域仿真对这个优化问题求解，然而，时域仿真是十分耗时的，简单地通过时域仿真往往是不能满足时间上的要求的，需要寻求解决这个问题更好的策略。

1.2 紧急切负荷优化研究现状

1.2.1 决策方式

• 紧急切负荷存在多种决策方式，依据控制方案的计算形式，可分为离线计算-实时匹配、在线预测-实时匹配和实时计算-实时匹配。
• 根据电网信息流覆盖区域，可分为就地负荷控制和区域负荷控制。
• 依据紧急控制措施触发条件不同，可分为低压/低频紧急负荷控制、基于功角稳定的紧急负荷控制、基于联络线/关键断面热稳定极限的紧急负荷控制等。

1.2.2 优化算法

• 经典优化算法在紧急切负荷优化问题上速度快，但容易陷入局部最优解。
• 启发式算法具有较好的寻优能力，可在较短时间内得到较好的优化结果。
• 随着研究的深入，紧急控制策略优化问题开始利用更加高效的混合算法，其收敛性和优化结果更好。

1.3 差分进化算法和粒子群优化算法简介

1.3.1 差分进化算法

• 差分进化算法(Differential Evolution,DE)是一种多目标连续变量优化算法，用于求解多维空间中的全局最优解。
• 差分进化是基于实数编码的进化算法，结构与遗传算法类似，主要在变异操作上不同。
• 差分进化算法步骤包括生成初始种群、变异操作、交叉操作、选择操作。

1.3.2 粒子群算法

• 粒子群算法(Particle Swarm Optimization， PSO)源于对鸟群捕食的行为研究，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中从无序到有序的演化过程，从而获得全局最优解。
• 粒子群算法步骤包括更新速度、更新位置、选择操作。

1.4 本文所做的工作

• 建立了紧急切负荷优化问题的数学模型，以切负荷总量最小为目标函数，约束为功角、电压、频率的安全指标均大于等于电力系统约束边界，并给出了安全指标的量化评估方法。
• 提出了基于支持向量回归模型的增殖缩减策略的差分进化算法 (SVRADE-PR)。
• 以山东电网为例，将SVRADE-PR、DE、PSO算法运用到紧急切负荷优化问题中，比较它们的优化结果，说明了SVRADE-PR算法比DE、PSO算法更加有效。

紧急切负荷优化的数学模型

2. 紧急切负荷优化的数学模型

2.1 引言

• 当电力系统发生功率缺额，需要进行切负荷时，可以控制负荷所在母线的切负荷量。
• 切负荷的比例是有上限的，需要保证切负荷之后，电力系统的功角、频率、电压满足一定的安全约束。
• 在这个前提的起初上，如果某个紧急切负荷方案的切负荷总量更小，那么就认为这个切负荷方案更优。

2.2 优化问题的目标函数

• 切负荷优化的目标函数为切负荷总量最小。

2.3 数学模型的假设条件

2.3.1 假设条件

• 母线上切除的有功功率与切除的无功功率是成正比的。
• 每一条母线上的负荷是恒定不变的。
• 所有负荷所在母线的切负荷量认为是连续可调的。
• 位于不同区域的母线的切负荷优先级是相同的。

2.4 优化问题的约束条件

• 优化问题的约束条件为电力系统安全约束边界。
• 暂态功角稳定，计算最大转子角度差。
• 暂态频率、电压安全裕度指标，基于二元表的暂态频率、电压安全性量化评估。

基于增殖缩减策略的紧急切负荷进化优化算法

3. 基于增殖缩减策略的紧急切负荷进化优化算法

3.1 算法框架

• 算法框架基于支持向量回归模型和增殖缩减策略。

3.2 支持回归向量模型

3.2.1 线性二分类模型

• 线性二分类模型是一种常用的分类模型。

3.2.2 线性支持向量机

• 线性支持向量机是一种强大的非线性分类模型。

3.2.3 支持向量回归

• 支持向量回归是一种强大的非线性回归模型。

3.2.4 模型训练

• 支持向量回归模型的训练过程包括数据预处理、模型选择、参数调优等步骤。

3.3 紧急切负荷方案的增殖策略

3.3.1 亲代方案的分组

• 亲代方案的分组方法可以提高种群的多样性。

3.3.2 不同分组方案的自适应进化操作

• 不同分组方案的自适应进化操作可以提高种群的多样性。

3.4 基于支持向量回归模型的增殖方案缩减策略

3.4.1 基于支持向量回归模型的增殖方案预筛选

• 基于支持向量回归模型的增殖方案预筛选可以提高种群的多样性。

3.4.2 基于STEPS 的预筛方案验证

• 基于STEPS 的预筛方案验证可以提高种群的多样性。

3.4.3 新亲代种群的形成

• 新亲代种群的形成可以提高种群的多样性。

3.5 模型样本数据库的更新

• 模型样本数据库的更新可以提高支持向量回归模型的预测精度。

3.6 小结

• 基于增殖-缩减策略的紧急切负荷进化优化算法可以提高种群的多样性，同时避免优化耗时过大的问题。

算例分析

4. 算例分析

4.1 测试系统介绍

• 测试系统介绍可以验证算法的有效性。

4.2 SVRADE-PR算法参数的设置

• SVRADE-PR算法参数的设置可以优化算法性能。

4.3 结果分析及与PSO、DE算法的比较

• 结果分析及与PSO、DE算法的比较可以验证SVRADE-PR算法的有效性。

4.4 小结

• 算例分析可以验证SVRADE-PR算法的高效性。

结论与展望

5. 结论与展望

5.1 结论

• 基于增殖-缩减策略的紧急切负荷进化优化算法可以提高种群的多样性，同时避免优化耗时过大的问题。

5.2 展望

• 未来的研究可以进一步优化算法性能，提高预测精度。