论文部分内容阅读
目前电力系统变得越来越复杂,且各种分布式可再生能源发电大量渗透。电力系统领域内柔性交流输电系统(Flexible AC Transmission Systems,FACTS)设备优化配置和太阳能光伏模型参数辨识这两大关键科学技术对于我国在能源转型中构建安全高效、绿色低碳、可持续发展的现代能源体系意义重大。因此,研究探索新颖元启发式智能优化算法及其在电力系统中的应用无论在理论上还是现实工程应用上皆拥有重要价值和意义。本文主要以电力系统领域FACTS设备优化配置和太阳能光伏模型参数辨识两大关键科学技术问题为切入点,着重研究分析布谷鸟搜索算法(Cuckoo Search Algorithm,CSA)和共生生物搜索算法(Symbiotic Organisms Search,SOS)这两种新颖元启发式智能优化算法,从两种算法的性能改进和算法的工程应用角度展开研究探索,充分发挥多学科交叉研究,重点对CSA算法和SOS算法这两种算法及它们的改进算法在电力系统领域的上述两大关键科学问题中的应用进行研究,主要工作和创新点体现在:(1)针对如何在正常运行条件下甚至最严重的单线故障条件下最大化考虑线路潮流和电压水平的电力系统静态安全问题,提出了采用一种混合方法来寻找两种典型的FACTS设备即晶闸管控制串联电容器(Thyristor-Controlled Series Compensator,TCSC)和静止无功补偿器(Static Var Compensator,SVC)的最优安装位置和容量。所提混合方法需要两步策略。首先,为了降低问题的解的搜索空间范围,提出了采用最小切割算法(Min Cut Algorithm,MCA)和切向量技术(Tangent Vector Technique,TVT)来分别确定TCSC和SVC安装的合适的候选位置,这大大减少了必须通过调查电网中的线路和母线来分别确定TCSC和SVC安装的最优位置的线路和母线的数量,这样直接减少了接下来利用CSA算法来求解研究问题的计算量;接着提出了利用CSA算法通过同时优化TCSC和SVC的候选位置和容量来解决该问题。最后,通过在IEEE测试系统中仿真验证了所提混合方法能够找到TCSC和SVC安装的最优位置和容量,且所提方法能以有效的方式通过在正常运行条件下甚至最严重的单线故障条件下消除或者缓解线路过载和电压越限途径来提高电力系统静态安全。(2)针对太阳能电池模型即单二极管模型(Single Diode Model,SDM)和双二极管模型(Double Diode Model,DDM)参数辨识问题,为了加速标准CSA算法收敛率并增强其求解准确性,提出了一种基于准对立种群初始化策略改进CSA算法,记作QOPIS-CSA算法来解决基于太阳能电池的实验测量电流电压(Current versus Voltage,I-V)数据的太阳能电池模型参数辨识问题。该算法在标准CSA算法的种群初始化阶段采用准对立学习机制(Quasi-Opposition based Learning,QOBL)。所提出的QOPIS-CSA算法已经在不同的太阳能电池模型,如SDM和DDM中进行了验证。实验结果以及与最近文献中报道的其他不同辨识方法的结果比较证实了所提QOPIS-CSA算法的优越性能。(3)针对光伏组件模型参数辨识问题,提出了一种采用改进型共生生物搜索算法的光伏组件模型参数辨识方法。首先,为提高标准SOS算法的寻优性能,提出了新的改进型SOS算法,记作ImSOS算法。该算法在标准SOS算法的生物种群初始化阶段采用了准反射学习机制(Quasi-Reflection-based Learning,QRBL);在互利共生搜索阶段采用了改进受益因子策略;在偏利共生搜索阶段采用了收缩随机数产生因子区间策略。其次,给出了采用所提ImSOS算法求解基于实验测量电流-电压(Current versus Voltage,I-V)数据的光伏组件模型参数辨识问题的具体步骤及实现流程。最后,利用实际Sharp ND-R250A5光伏组件进行实验,通过与标准SOS算法以及其他7种新颖元启发式智能优化算法进行对比验证,结果表明了所提ImSOS算法在光伏组件模型参数辨识的有效性和优越性。(4)针对当前大部分光伏模型参数辨识算法均存在准确性低和可靠性差等问题,提出了采用一种新的改进型布谷鸟搜索算法,记作ImCSA算法来估计基于实际光伏电池与组件的实验测量I-V数据的光伏模型参数。为克服标准CSA算法的不足而增强其寻优能力,提出了ImCSA算法,该算法通过三种策略来改善标准CSA算法的优化性能。第一,在标准CSA算法的种群初始化阶段采用QOBL策略。第二,采用动态自适应步长大小策略来代替标准CSA算法中的莱维(Lévy)飞行步长大小,这样使得步长大小可以根据每次迭代过程中单个鸟巢所对应的适应度值以及当前迭代次数来自适应地调整,无需事先设置任何参数值。第三,采用动态调整发现概率P_a的策略来更好地平衡算法的探索和开采能力以增强其优化搜索性能。最后,所提ImCSA算法已经在不同光伏模型如SDM、DDM和光伏组件模型(PV Module Model,PMM)中进行了全面验证,结果表明了所提ImCSA算法能够有效地找出光伏模型中未知参数的最佳取值,使得模型最大程度地逼近实际光伏电池和组件的实验测量I-V数据。通过与标准CSA算法以及其他文献中已有方法进行对比分析,体现了所提ImCSA算法的优越性能。