电网换相换流器的无功特性

换流器消耗的无功公式对沟通系统而言，换流器总可以认为是一种无功负荷，由上述公式可以看出换流站无功功率受到许多参数的影响在实际运行除了上述确定性参数外，还有许多模糊性参数，比如换流变压器的换相电抗，直流电流和直流电压互感器的误差，触发角和关断角的测量和掌握误差，母线电压的随机性等都会造成电力系统中的状态变量和目标函数都为模糊变量

1.2模糊期望值模型目前比较常见的随机规划模型主要有三种分支，即机会约束规划、相关机会规划、期望值值模型期望值模型一般是通过期望值进行约束，从而得到最优目标函数期望值，用来解决函数的极大化、微小化问题模糊期望值模型主要基于可信性理论，可信性测度是与概率论中的概率测度并行，并且具有自对偶性和次可加性的一种模糊数学的概念基于可信性测度，形成了一种完备公理化体系的可信性理论

[7]当模糊变量为独立变量，目标函数又是线性函数时，通常可以转换成确定性模型，很简单求解对于一个可能性空间（®，P（®）Pos）集合A为P（）的一个元素，则可信性测度为Cr{A}=

0.5{Pos{A}+Nec{A^Pos{A}、Nec{A}分别为集合A的可能性测度和必要性测度不等式约束U黑SUgLLNgQ黑WQcSQXj=12…，Nc丁54草%=、2…电2多目标模糊优化的求解

2.1模糊潮流计算在电力系统中得到广泛应用［10］由于换流站的无功消耗和负荷猜测值的模糊性，采纳传统的确定性潮流计算不再适用，本文采纳梯形隶属度函数梯形隶属度函数由猜测值和四元比例参数表示为P=（PlP2P3P4）=Pfc（wxw2w3w4）

（9）式中P/c为猜测值；必为比例系数，k=1234模糊期望值模型的目标函数和约束中存在可信性的求解怎样由模糊潮流得出期望值约束和可信性求解是模糊期望值模型的关键本文通过模糊隶属度函数求解状态变量可信分布，计算过程如下1）不考虑换流器的无功调整力量，将换流器等效为节点换流器的无功出力2”为Qin=几/tancp式中:Pin为有功出力；夕为功率因数角2）由换流器的无功消耗和负荷的猜测值解确定性沟通潮流方程，解得%、%Q、Plossd、VvDd其中％为节点电压，的为电压相角，”为PV节点的发电机无功出力，纥源为网损，彩帆电压偏移，下标d表示对应变量的确定值3）求包括换流器和负荷在内的各个节点注入功率的模糊增量AP、A4）本文的算例系统负荷P-Q解耦特性，采用快速解耦潮流算法求解节点电压以及相角的的模糊增量APA5）求解模糊变量V、66）求解、和Ploss的模糊变量式中:y为发电机无功出力、电压偏移和网络损耗；吃为与），直接相关的系统模糊变量，如节点电压以及相角计算得出状态变量的模糊增量后，通过公式求解目标函数的隶属度函数7通过隶属度函数和可信性测度求解状态模糊变量及目标函数模糊变量的可信性分布3多目标处理策略帕累拖最优前沿是可行域内的最优解集，但是由于其计算量大而且使各个目标同时达到最优很难实现，在实际问题中决策者常常依据需求求解单个目标函数的最优解因此，本文采纳模糊规划的方法将多目标优化转化为单目标优化首先，需要解决两个重点问题

①通过建立目标函数的隶属度函数来达到模糊化处理，

②处理不同的目标时采纳模糊算子进行综合，进而形成整体满足度，得到帕累托最优解［9］本文选用线性函数构造隶属度函数［10］详细方法如下xeXAmax=maxAU）

（15）xeX式中Z=l2…KK为优化目标数量X为优化可行域；尤为决策向量；了为优化目标，/广\犬而分别为第k个优化目标在优化可行域的最大值和最小值确定好隶属度函数后，采纳模糊目的法对多目标进行综合评测模糊目的法的步骤如下

①决策者对每个目标函数Ax确定其隶属度函数4力.%并给出对应的目的隶属值［4=12，…K

②为了避开进行解的有效性检验，只考虑求解以下扩展的微小极大问题4（A⑴）+dJ—〃=〃/=12・・Kx^X其中〃4J分别为正负偏差变量，推断与目的隶属值的水平差距假如决策者对局部的有效解不满足，则可以通过转变目的隶属值更新有效解直到获得满足解4改进粒子群算法粒子群的基本原理标准粒子群算法尸SO的基本思路为初始化一群随机粒子，得到随机解将每个粒子看做问题的解，每个粒子具有由优化函数得到的适应值，在解空间中通过肯定的速度跟新自己的位置，速度来自其自身的阅历和优良信息的传递不断的朝着最优粒子运动通过不断迭代最终寻得最优解对于给定的优化函数，PSO简单陷入局部最优，造成算法过早收敛，使得查找最优解性能较差同步变化学习因子的粒子群算法学习因子qc2有像自我学习和群体学习的力量，较大的值q会使粒子过多的在局部运动，较大的又简单使得粒子过早的收敛到局部最小值为了达到两者有效的平衡，本文采纳同步变化的学习因子

9、取值范围设定为［cmincmax］第N次迭代时的学习因子/的取值如下式速度更新公式为通过不断变化的学习因子平衡其局部和全局的学习力量，避开过早的陷入局部最优算法步骤1输入电力系统原始数据，包括电力系统线路，节点发电机出力，换流器的无功消耗和负荷的模糊参数，各掌握变量的上下限约束2初始化鸟类种群的各个掌握参数，各微粒的速度和位置并设置最大迭代次数7和种群规模机3鸟类种群中微粒目标函数和其状态变量的可信性分布可以通过上述的模糊潮流进行计算，用隶属度值表示目标函数通过模糊目的法得到微粒的微小化目标值，理期望值约束用罚函数来约束，并得到微粒的适应度评价个体的适度，分别储存在pbestgbest中4采用公式18更新每个微粒的速度和位置，并采用公式17更新学习因子°5将各个微粒的适应值与其经受过得最好位置进行对比并更新其及群体的gbes/；6终止条件推断，若/二T结束，输出结果否则/=/+O。