[发明专利]基于改进粒子群算法的光伏电站站内多目标无功优化方法

说明书

本发明涉及一种基于改进粒子群算法的光伏电站站内多目标无功优化方法，属于光伏电站无功调节技术领域。该方法在建立大型光伏电站的模型的基础上，对光伏电站内部进行基于改进的粒子群算法的多目标无功优化，达到均衡光伏电站站内节点电压，提高其稳定裕度，并且降低有功网损的目的；所述改进的粒子群算法是指在标准粒子群算法中加入粒子判据，距离最优粒子较近的粒子按照标准粒子群算法进化，距离最优粒子较远的粒子则将其混沌映射，增加算法的粒子多样性，保证算法在达到全局最优的目标。本发明可以稳定并网点电压、均衡光伏电站内部电压、降低电站内部有功损耗和提高电站的稳定裕度。

技术领域

本发明属于光伏电站无功调节技术领域，涉及一种基于改进粒子群算法的光伏电站站内多目标无功优化方法。

背景技术

据统计，截至2015年6月底，全国光伏发电装机容量达到3578万千瓦，其中，光伏电站3007万千瓦。随着光伏发电装机容量的日益增大，光伏电站对电网的影响也日益增大。大型光伏电站一般建立在光照充足的荒漠地区，这些地区负荷较小，电网结构薄弱，电站电压稳定性较弱，造成光伏电站电压稳定问题突出。受光照强度的变化，光伏电站的并网点电压会呈现波动变化，甚至造成越限的可能性，所以大型光伏电站必须具备无功调节能力。

目前大型光伏电站的无功控制仅有少数文献对其进行研究。例如，有文献采用九区图对光伏电站并网点电压进行控制，有文献采用三层无功源对并网点电压进行控制，但上述文献只是对并网点电压进行控制，并没有考虑光伏电站内部电压越线的可能性、稳定裕度和经济性运行。

无功优化算法包括传统优化算法和现代智能算法。传统无功优化算法包括线性规划法、梯度法、动态规划法和内点法等。智能算法包括遗传算法，粒子群算法，人工鱼群算法，免疫算法等。在光伏和风电领域已有文献将智能算法应用到电力系统的无功优化，例如，有文献采用遗传算法对含多个风电机组的配电网无功优化，目标函数是网损最小，有文献提出一种利用自适应权重遗传算法，基于场景发生概率的无功优化对配网进行无功优化。在光伏领域也有一些关于无功优化的文献对配网进行无功优化，但没有考虑光伏电站内部情况。

标准粒子群算法相比与其他算法而言具有算法简单收敛速度快的特点。但标准的粒子群算法容易陷入局部最优，造成“早熟”现象。有文献将混沌映射加入粒子群算法，在算法后期保持了粒子多样性，但是全部的粒子进行混沌映射破坏了最优粒子及其附近的粒子向着最优解进化的趋势。

发明内容

有鉴于此，本发明的目的在于提供一种基于改进粒子群算法的光伏电站站内多目标无功优化方法，该方法在建立大型光伏电站的模型的基础上，对光伏电站内部进行基于改进的粒子群算法的多目标无功优化，达到均衡光伏电站站内节点电压，提高其稳定裕度，并且降低有功网损的目的。

为达到上述目的，本发明提供如下技术方案：

一种基于改进粒子群算法的光伏电站站内多目标无功优化方法，在该方法中，在建立大型光伏电站的模型的基础上，对光伏电站内部进行基于改进的粒子群算法的多目标无功优化，达到均衡光伏电站站内节点电压，提高其稳定裕度，并且降低有功网损的目的；所述改进的粒子群算法是指在标准粒子群算法中加入粒子判据，距离最优粒子较近的粒子按照标准粒子群算法进化，距离最优粒子较远的粒子则将其混沌映射，增加算法的粒子多样性，保证算法在达到全局最优的目标。

进一步，该方法具体包括以下步骤：

S1：建立大型光伏电站的拓扑结构模型；

S2：建立多目标无功优化的数学模型；

S3：利用改进的粒子群算法对数学模型进行无功优化。

进一步，在步骤S3中，所述改进的粒子群算法具体包括以下步骤：

1)输入算法参数，光伏电站站内节点信息；

2)通过混沌初始化产生初始化序列：