Page 21 - 电力与能源2024年第五期

林少佳，等：基于混沌-遗传混合算法的多目标优化无功补偿研究 553

ì N 验分析，安装数量试验结果如表 3 所示。
ï ï∑ P i = L P + δ P
ï ï i = 1 表 3 安装数量试验结果对比
í N （8）
ï ï 母线 SCORPION 方法 遗传算法 混合算法
ï
ï ï ï ∑ Q i = L Q + δ Q
î i = 1 1 -50 -50 -50
式中 N——母线的馈线数量；P i，Q i——有功电 5 30 20 10
13 10 10 5
力潮流和无功电力潮流；L P，L Q——当前母线有功
24 5 5 5
和无功的需求； δ P 和 δ Q——当前母线有功和无功 28 5 5 5
的最大失衡承受度。 合计 100 90 75
对 于 IEEE 30 总 线 系 统 ，SCORPION 产 生
3 试验结果
的 理 想 补 偿 为 95.5 Mvar，这 已 被 四 舍 五 入 到
本文采用 IEEE 30 总线模拟系统对所提出的 100 Mvar的实际补偿。遗传算法计算的目标优化
无功补偿方法进行验证，该 IEEE 30 总线系统共 方法得出的实际补偿为 80 Mvar。相比之下，本文
包含 9 个无功补偿模拟场景。IEEE 30 总线系统 所提出的混合算法在多目标优化计算后的实际补

的详细信息及约束条件分别见表 1 和表 2。由于 偿为 75 Mvar。因此，本文所提方法在无功补偿上
试验模拟系统相对较小且稳定，因此在空闲母线 具有更少的安装数量。
上注入 50 Mvar 的无功电源，将系统推向崩溃边 另外一个试验内容是对成本的分析，成本是
缘，模拟无功补偿。可用的补偿装置以 5 Mvar 无 多目标优化问题的一部分。同时，采用现有遗传
功电容器块为增量，如果需要 10 Mvar 补偿，则将 算法研究作为对比方法，试验结果如表 4 所示。

使用两个无功电容器块。遗传算法参数设置为 表 4 成本分析结果对比
500 个种群规模，交叉率为 80%，突变率为 0.8%。 系统参数 SCORPION 方法 遗传算法 混合算法
本 次 试 验 的 结 果 是 在 50 次 试 验 中 发 现 的 最 佳 母线超限数 0 0 0
有功不匹配度 0.142 7 0.134 6 0.121 7
结果。
无功不匹配度 0.048 9 0.041 2 0.401 1
表 1 IEEE 30 总线系统的详细信息 无功补偿额 450 421 409
设备 母线 馈线 发电机 调节变压器 待补偿母线 平均电压准确度 0.970 4 0.987 1 0.996 4
有功损失 0.57 0.55 0.54
数量/个 30 41 2 3 30
无功损失 1.05 1.03 1.01
表 2 IEEE 30 总线系统的约束条件 成本/元 9 965 8 875 8 105
无功电源约束/Mvar
节点 电压幅度 从表 4 可以看出，相比于 SCORPION 方法和
最小值 最大值
1 1.0 0 0 遗传算法，本文所提出的混合算法在系统各项参
2 1.0 -20.0 60.0
数上都取得了更好的结果。尤其是在电压准确度
5 1.0 -15.0 62.5
和成本值方面，混合算法表现出了更高的电压稳
8 1.0 -15.0 50.0
11 1.0 -10.0 40.0 定性和更低的成本。因此，本文所提出的混合算
13 1.0 -15.0 45.0
法在无功补偿计算过程中取得了更好的效果，进
为了对本文所提出的方法进行对比分析，采 而提高了电力系统的可靠性。
用现有无功补偿广泛应用的 SCORPION 方法作
4 结语
为多目标优化的对比分析模型。SCORPION 采

用线性规划技术独立求解每个系统状态，并结合 本文对无功补偿进行了研究，分析了现有遗
启发式回溯来降低所有系统状态的成本。试验部 传算法在无功补偿多目标计算中的不足，并据此
分主要对两个内容进行验证，分别是安装数量和 提出了一种混沌噪声优化与遗传算法融合的混合
成本价值。随机选择母线 1，5，13，24，28 进行试 （下转第 567 页）