基于改进蚁群算法的海上风电集群输电系统拓扑优化

大型海上风电集群的输电系统成本较高,针对输电系统的拓扑优化可以有效提高系统经济性。为了解决输电海缆路径受风电场布局限制可能导致海缆随意穿越风电场区域问题,文章建立了考虑海缆可行路径约束的风电集群输电系统的经济性模型,通过设计蚁群算法对该优化问题进行求解,并从择路策略和信息素更新策略计算方法等方面对传统的蚁群算法进行了改进。以江苏如东海上风电场作为实际工程进行算例分析,结果表明:相比目前工程规划方案,所建模型可以有效提高系统经济性;相比传统蚁群算法,改进蚁群算法的优化效率大大提高。

含高比例分布式电源接入的低感知度配电网电压控制方法

大规模分布式电源的接入给中低压配电网的电压控制带来了新的挑战。考虑配电网中低四遥覆盖率和网络建模精度的限制,设计了一种无潮流模型依赖的低感知度配电网集中式电压控制方法。该方法以最小化节点电压与参考值的偏差为优化目标,并用一个深度神经网络来拟合可控节点注入功率与关键节点电压之间的函数关系,然后采用梯度下降的方法对优化模型进行求解实现系统电压控制。该方法对节点电压的拟合和控制梯度的计算都是基于深度神经网络实现,仅以系统历史运行数据作为训练数据,无需依赖系统的电气参数,因此可有效应用于低感知度配电网。最后以修改的IEEE33节点系统作为算例验证了所提方法的有效性。

配电网持续无功优化的深度强化学习方法

高渗透率分布式光伏的出力波动可能导致配电网电压波动大、网损提高和电容器投切需求频繁。但配电网节点监控覆盖率低、潮流建模难度大,需要在上述不利条件下实现对台区内持续电压无功优化。采用深度强化学习的方法提出了适用于低感知度配电网的连续无功优化方法。该方法将原问题转化为一个多步马尔科夫决策过程,以最小化网损和动作成本之和为优化目标,以离散无功调节设备的投切指令为控制变量,并采用基于行动者–评论家(actor-critic)的深度强化学习算法进行求解。针对配电网缺乏完整潮流模型和观测数据的特点,分别设计了用来拟合投切策略的Actor网络和用来拟合动作价值函数的Ctritic网络。所提方法用深度神经网络直接拟合系统状态到离散无功调节设备的投切动作的函数关系,在与实际配电网的交互过程中完成网络训练。相比传统方法,该无需潮流建模和分段决策,且不依赖于日前的负荷与分布式电源出力预测,可以实现在线的多时间断面下的连续无功优化,提高了系统运行经济性。

基于改进遗传算法的海上风电场集电系统拓扑优化

海上风电的集电系统的投资成本占比高,对集电系统的拓扑进行优化对降低固定投资有重要意义。集电系统的拓扑优化问题可转化成一个动态变权的最小生成树问题,由于边权变化与拓扑优化相互耦合,无法用传统的生成树方法求解。采用改进的遗传算法,通过优选初始种群、采用链表式编码、精英选择算子的环节改进,既提高了算法效率,又可处理海缆不可交叉等复杂约束。算例表明优化算法具有较好的寻优性和收敛性。