[发明专利]基于改进教与学算法的电力系统可用输电能力计算方法

摘要

本发明涉及一种基于改进教与学算法的输电能力的计算方法，属于电力系统输电能力技术领域，该方法将可用输电能力问题用优化问题处理，基于一种智能算法—教与学算法用于电力系统求解带有复杂非线性约束优化问题；具体包括：建立可用输电能力的计算模型，建立初始化班级学生群体，将班级学生群体分组，“教”阶段，“学”阶段，“创造性学习”阶段，各阶段的约束处理，淘汰及组合，得到可用输电能力的最优结果。该算法可以实用于我国区域电力系统、省级电力系统等各级系统，能够求解出较为准确的区域间可用输电能力，为调度人员提供了电网安全稳定运行的重要参考指标，能够保障电力交易的顺利进行，具有显著的社会价值和经济价值。

主权项

一种基于改进教与学算法的输电能力的计算方法，其特征在于，该方法将可用输电能力问题用优化问题处理，基于一种智能算法—教与学算法用于电力系统求解带有复杂非线性约束优化问题；该方法具体包括以下步骤：1)建立可用输电能力的计算模型：可用输电能力的本质是在满足一定约束条件下求解最大值问题，因而可以利用优化模型来处理可用输电能力的计算问题。则有：变量：受电区域负荷增长率λ；参与调度的送电区域发电机有功出力P_Gk(k＝1,2...gencon)；目标函数：f＝real(S_ij)   (1)S_ij代表某一线路i‑j或断面潮流。等式约束：潮流方程约束：$\{\begin{array}{c}{\mathrm{\Φ}}_{Pi}=P_i-V_i\underset{j=1}{\overset{N}{\Σ}}{V}_j(G_{ij}{\mathrm{cos\θ}}_{ij}+B_{ij}{\mathrm{sin\θ}}_{ij})+{\mathrm{\ΔP}}_{Fi}=0\\ {\mathrm{\Φ}}_{Qi}=Q_i-V_i\underset{j=1}{\overset{N}{\Σ}}{V}_j(G_{ij}{\mathrm{cos\θ}}_{ij}-B_{ij}{\mathrm{sin\θ}}_{ij})+{\mathrm{\ΔQ}}_{Fi}=0\end{array}---\left(2\right)$注入节点i的有功和无功功率为：P_i＝P_Gi‑P_Li，Q_i＝Q_Gi‑Q_Li   (3)式中，P_Gi、Q_Gi为节点i发电机有功和无功；P_Li、Q_Li为节点i负荷有功和无功；节点电压约束Vimin≤Vi≤Vimax   (4)负荷、发电容量约束P_Gk(min)≤P_Gk≤P_Gk(max)k∈SQ_Gi(min)≤Q_Gi≤Q_Gi(max)0≤P_Ld≤P_Ld(max)d∈R0≤Q_Ld≤Q_Ld(max)d∈R   (5)式中，S为送电区域，R为受电区域；P_Gk(min)P_Gk(max)分别代表供电区域节点K发电机的有功出力上、下限；Q_Gi(min)Q_Gi(max)分别为全系统范围内节点i发电机的无功出力的上、下限；P_Ld(max)Q_Ld(max)分别为受电区域节点d负荷的有功、无功上限。线路负荷传输极限约束S_ij≤S_ij‑lim   (6)式中，S_ij代表线路i‑j的传输容量；S_ij‑lim代表线路线路i‑j的传输容量极限。N‑1条件下静态稳定裕度约束$\frac{P_{ij-max}-P_{ij0}}{P_{ij-max}}---\left(7\right)$2)建立初始化群体根据步骤1)中建立的模型确定优化目标函数、变量，确定班级学生数目NP，老师数目为S，并在搜索空间内随机初始化群体得到,其中学生表示由变量构成的用于寻找最大输电能力的解，班级代表由全部解构成的解群体，老师表示得到输电能力最大的变量构成的解，上标i代表学生：Xⁱ(i＝1,2,3...NP)   (8)3)将班级同学分组首先，将初始化群体带入目标函数中计算初始班集体中每个个体成绩，选取成绩最好的个体作为本次迭代中的主导老师X_teacher，将其所在组定为第1组，即：f(X_teacher)₁＝f(X)_best   (9)其次，依据主导老师选取另外几名老师，并依其成绩高低排序，在本发明中选取3名老师，将班级分为3组，下标S代表组别，best代表当代群体中最优解。选取老师的具体过程如下：f(X_teacher)_s＝f(X)_best‑rand*f(X)_best(s＝2,3)   (10)选取个体中成绩最接近经过上式产生的其他几名老师成绩的个体作为另外几名老师。依据学生们的成绩将他们分到各组中，其中k代表第k名学生：for k＝1:(NP‑S)if f(X_teacher)₁≥f(X)_k＞f(X_teacher)₂将该学生分到第一名老师带领的第1组中；else,if f(X_teacher)₂≥f(X)_k＞f(X_teacher)₃将该学生分到第二名老师带领的第2组中；else将该学生分到第S名老师带领的第S组中；4)“教”阶段首先，计算每组学生的平均水平M_t(t＝1,2,..s)，并依据式(9)、(10)、(11)计算各组学生平均水平与各位老师之间的差距Difference_Mean_t(t＝1,2...s)。Difference_Mean＝rand(1,1)*(X_teacher‑T_FM)   (11)其中，If X_teahcer≠0${\left(T_F\right)}_i={\left(\frac{X_k}{X_{teacher}}\right)}_i---\left(12\right)$If X_teahcer＝0(T_F)_i＝1   (13)其中，i代表每位学生。其次，每组同学依据与老师的差距通过老师的帮助以及互相学习更新自己的知识，任意选取该组中两名同学P、Q：If f(X^P)＞f(X ^Q)(X^'P)_s＝(X^P)+Difference_Mean_s+rand(X^P‑X^Q)   (14)If f(X^P)＜f(X^Q)(X^'P)_s＝(X^P)+Difference_Mean_s+rand(X^Q‑X^P)   (15)5)约束处理基于可行解优越理论，本发明提出了通过给各个解特别是不可行解打分的方式来处理约束问题，具体步骤如下：Step1:初始化各个体的不可行度分数为0，首先判断输入的各个体是否在搜索空间内，即是否满足变量上下界的要求。若不满足，强行将其限制在搜索空间内；Step2:将Step1中的初步处理后的个体代入约束条件函数中，判断个体是否满足约束条件。若个体满足各约束条件，则不可行度得分为0；若个体不满足各约束条件，则需要给其不可行度打分，打分的具体方式借鉴模糊隶属度如下：Maximize f(X)Subject to g_m(X)≤0(m＝1,2,3...p)h_n(X)＝0(n＝1,2,3...q)   (16)将等式约束做如下处理有：h_n(X)‑ε≤0(n＝1,2,3...q)‑h_n(X)‑ε≤0(n＝1,2,3...q)   (17)其中，p为不等式约束个数，q为等式约束个数，ε为一个接近0的很小的值，该不可行解的分数为：$\begin{array}{c}ifed\left(X\right)=\\ \underset{m=1}{\overset{p}{\mathrm{\Σ}}}\frac{g_{m,\max }-g_m\left(X\right)}{g_{m,\max }-g_{m,\min }}+\underset{n=1}{\overset{q}{\mathrm{\Σ}}}\frac{h_{m,\max }-h_m\left(X\right)}{h_{m,\max }-h_{m,\min }}+\underset{n=1}{\overset{q}{\mathrm{\Σ}}}\frac{{(-h)}_{m,\max }-{(-h)}_m\left(X\right)}{{(-h)}_{m,\max }-{(-h)}_{m,\min }}\end{array}---\left(18\right)$式中，max代表极大值，min代表极小值；Step3:在计算出各个体的不可行度分数后，算出全体解不可行度分数的平均值：ifed_mean＝(Σifed(X))/NP   (19)跟据此平均值划定一个分数线：ifed_level＝ifed_mean/T   (20)其中，T为分数线因子，在迭代过程中随迭代次数的增多而增大；Step4:将计算出的每个个体的不可行度分数与Step3中得到的分数线做比较，如果得分高于此分数线，则此解需要被精英解代替，为了避免重复解的多次产生，需要将被替代后的个体进行随机变化，即将被替代个体中的任意一维在搜索空间内随机变化；如果个体的不可行度分数低于这一分数线，该个体允许被保留；Step5:将Step4中被保留下来的不可行度较小的解进行标记排序，降低其输电能力以惩罚其超出约束，具体措施如下：f(X)_new＝f_min‑ifed(X)   (21)若此次迭代中找到了可行解，则：f_min为可行解的所得到的输电能力的平均值；若此次迭代中未找到可行解，则：f_min为不可行度成绩最小的个体对应的输电能力。6)“学”阶段每组同学通过向其他同学学习以及自学更新自己的知识，选取同一组中任意两同学PP,QQ：If f(X^'PP)＞f(X^'QQ)(X^”PP)_s＝(X^'PP)_s+rand((X^'PP)_s‑(X^'QQ)_s)+rand((X_teacher)_s‑E_FX^'PP)   (22)If f(X^'PP)＜f(X^'QQ)(X^”PP)_s＝(X^'PP)_s+rand((X^'QQ)_s‑(X^'PP)_s)+rand((X_teacher)_s‑E_FX^'PP)   (23)其中E_F为探索因子，E_F＝round(1+rand)；7)约束处理利用步骤5)中的方法对更新后的个体进行可行性检测，判断是否满足各约束；8)“创造性学习”阶段在学习过程中，每位同学都有一定的可能性进行创造性学习，即解在可行域内随机变化：If rand()＜L_c(X^”'PP)_s＝(X^”PP)_s+rand()*(X_U‑X_L)   (24)其中，L_c为创造性学习因子，其值需在初始化使给定；X_U、X_L为解空间的上下限；9)约束处理利用步骤5)中的方法再次对更新后的个体进行可行性检测，判断是否满足各约束；10)淘汰及组合首先，找到每组的最差解，用精英解替代，替代后需要消除可能出现的重复解；其次，重新将各组同学组合在一起，重复3)到10)的过程直到达到终止条件。