基于改進免疫粒子群算法的大型光伏電站無功優(yōu)化方法
【技術領域】
[0001] 本發(fā)明屬于光伏電站控制技術領域，涉及一種基于改進免疫粒子群算法的大型光 伏電站無功優(yōu)化方法。
【背景技術】
[0002] 近年來光伏發(fā)電發(fā)展迅速，光伏電站的大型化和規(guī)?；殉蔀楣夥a業(yè)的發(fā)展趨 勢。大型光伏電站多建立在荒漠化邊遠地區(qū)，所接入地區(qū)電網短路容量較小，大量的光伏電 力需要經高壓長距離輸電線路接入電網，光伏出力的波動會造成并網點電壓大幅波動甚至 越限，影響系統(tǒng)的穩(wěn)定運行，因此大型光伏電站必須具備獨立的無功電壓控制能力。再次， 受到資源密度和能量分布的制約，大型光伏電站通常由多組光伏發(fā)電單元（PVGeneration Unit，PVGU)并聯(lián)組成，受集電線路輸送功率和電氣距離的影響，各組PV⑶出口電壓呈現(xiàn)較 大的時空分散特性，不利于保護裝置的整定，因此有必要對光伏電站內部電壓進行優(yōu)化。目 前光伏電站無功電壓控制的方法主要有分層控制，針對的并網點的定電壓控制和基于分區(qū) 圖法區(qū)法的無功控制。這些方法只針對并網點電壓進行控制，均未考慮光伏電站內部光伏 發(fā)電單元的電壓分布情況。
[0003]目前，粒子群算法在國內其他行業(yè)有一些應用，如中國發(fā)明專利《基于免疫克隆粒 子群優(yōu)化的正交小波盲均衡方法》（申請?zhí)朇N201110093589. 0)就公開了一種水聲通信系 統(tǒng)中基于免疫克隆粒子群優(yōu)化的正交小波盲均衡方法。但在大型光伏電站無功優(yōu)化，由于 本領域人員還需要通過克服多種技術壁皇，如優(yōu)化目標的選擇，系統(tǒng)模型的建立以及如何 提高算法的局部搜索能力等技術手段，所以目前在該領域尚無相關應用的報道。

【發(fā)明內容】

[0004] 有鑒于此，本發(fā)明的目的在于提供一種基于改進免疫粒子群算法的大型光伏電站 無功優(yōu)化方法，采用免疫粒子群算法對光伏電站無功電壓進行優(yōu)化，能夠明顯改善并網點 電壓和站內電壓分布。
[0005] 為達到上述目的，本發(fā)明提供如下技術方案：
[0006] 基于改進免疫粒子群算法的大型光伏電站無功優(yōu)化方法，該方法包括以下步驟：
[0007] 步驟1)建立光伏電站穩(wěn)態(tài)運行模型并對電壓進行分析，所述模型中包括站內集 電線路，升壓變壓器，輸電線路阻抗；
[0008] 步驟2)建立多目標無功優(yōu)化模型；
[0009] 步驟3)采用改進免疫粒子群算法進行求解。
[0010] 進一步，所述步驟1)中的光伏電站穩(wěn)態(tài)運行模型中每組光伏發(fā)電單元有功出力 為：
[0011]
[0012] 其中，比為光伏電池板在額定工況下的最大功率電壓，I"為光伏電池板在額定工 況下的最大功率電流，U' "，1' "為實際工況最大功率電壓和電流；S為實際光照照度；Sraf 為參考光照強度，Np為每組PVGU所串并聯(lián)的電池板個數(shù)。
[0013] 進一步，所述步驟1)中的光伏電站穩(wěn)態(tài)運行模型中光伏發(fā)電單元等效為PQ節(jié)點， 忽略升壓變壓器激磁導納以及集電線路對地導納；主變壓器采用r型模型，輸電線路采用 n型等效，如圖2所示。
[0014] 進一步，所述步驟2)多目標無功優(yōu)化的目標包括并網點電壓波動最小，光伏發(fā)電 單元出口電壓偏差最小，以及有功損耗最??；所述目標函數(shù)為：
[0015] min|UP0I-1
[0016]
[0017]
a^Nno.de.
[0018] 其中，UP。^光伏電站并網點實際電壓，N為站內PV⑶組數(shù)，Un為第n組PV⑶出 口實際電壓，Uraf為電壓參考；Ua、Ub為節(jié)點a，b處的電壓幅值；Gab、Sab為支路a-b的電導、 電壓相角差。
[0019] 不等式約束為：
[0020]
[0021] 其中，Qinun為第i組PVCTJ的容性無功容量、Qe_為無功補償裝置的容性無功容量、 為第i組PVGU的感性無功容量、Q為無功補償裝置的感性無功容量；
[0022] Qi為逆變器無功輸出，Qe為無功補償裝置無功輸出；
[0023] Troi_S主變壓器分接頭最小檔位、Tinun第i組PVGU升壓變壓器的分接頭最小檔 位、Troi_為主變壓器的分接頭最大檔位、Tiniax第i組PVGU升壓變壓器的分接頭最大檔位；
[0024] 等式約束為：
[0025]
[0026] 式中，P&、QGa--節(jié)點a處的有功注入和無功注入；PU、Qu--節(jié)點a處負荷的 有功功率和無功功率；Nncidf3--總的節(jié)點數(shù)；Ua、Ub--節(jié)點a，b處的電壓幅值；Gab、Bab、 8ab--支路a-b的電導、電鈉及電壓相角差。
[0027] 進一步，所述步驟2)還包括對多目標進行模糊處理，采用權重系數(shù)法將多目標問 題轉化為單目標問題；
[0028] 依據(jù)模糊理論將優(yōu)化目標模糊化，隸屬度函數(shù)為：
[0029]
[0030] 其中，fp(x)為第P個優(yōu)化目標函數(shù)值；./fg，/，in為第P個優(yōu)化目標的最大值 和最小值。
[0031] 進一步，對于優(yōu)化目標光伏發(fā)電單元出口電壓偏差最小，分別求取各組PVGU出口 電壓偏差的模糊值，將其平均值作為最終優(yōu)化目標。
[0032] 進一步，通過加權，將多目標優(yōu)化轉化為單目標問題，
[0033]
[0034] 其中，Xp為第p個優(yōu)化目標的權重系數(shù)。
[0035] 進一步，所述步驟3)具體包括以下步驟：
[0036] 步驟3-1)輸入算法參數(shù)以及系統(tǒng)參數(shù)；
[0037] 步驟3-2)隨機生成N個粒子的速度和位置，通過潮流計算得到各個粒子的適應 度F(x)，將各粒子的目前位置設置為歷史最優(yōu)xbest，選擇適應度最高（F(x)最大的粒子位 置）粒子為全局最優(yōu)gbest;
[0038] 通過以下公式更新粒子速度和位置；
[0039]v；j(t+1) =wv；j(t) [xbest；j(t) -x；; (t) ] +c2r2[gbest(t) -x；; (t)]
[0040] Xij(t+1) =Xij(t)+Vij(t+1)
[0041] 其中，t為進化代數(shù)，Vu，xxj為第i個粒子的速度和位置的第j維分量；gbest為 全局最優(yōu)，表示粒子群所找到的最優(yōu)位置；xbest為局部最優(yōu)，表示某粒子歷史上所尋找到 的最優(yōu)位置;W為慣性權重；Cl，c2為學習因子，ri，r2為隨機數(shù)；
[0042] 步驟3-3)通過以下公式更新權重系數(shù)，
[0043]
[0044]
[0045] 其中，w_，w_為慣性權重最大值和最小值i(t+1)為粒子i所對應的慣性權重； F(x)為適應度評價函數(shù)；
[0046] 步驟3-4)判斷還是否滿足算法終止條件，若滿足則算法結束，若不滿足，則跳轉 至下一步；
[0047] 步驟3-5)隨機生成M個粒子，與原來N個粒子組成M+N的種群；計算新種群各個 粒子的適應度和濃度；
[0048] 步驟3-6)更新全局最優(yōu)和局部最優(yōu)，當粒子適應度大于全局最優(yōu)時，則當前粒子 為全局最優(yōu)，當粒子適應度大于局部最優(yōu)時，當前位置為局部最優(yōu)，將適應度最大的若干粒 子存入記憶庫中；
[0049] 步驟3-7)根據(jù)以下公式計算各粒子的期望選擇概率，以輪盤賭的選擇方式從M+N 個粒子中選擇出N個粒子；
[0050]
[0051] 其中，a為常數(shù)，抗原抗體親和力為Ai= F(x JQ為抗體濃度；
[0052] 步驟3-8)將記憶庫中的