4ieee标准系统算例测试及结果分析

《4ieee标准系统算例测试及结果分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、3.4IEEE标准系统算例测试及结果分析为了验证本文中的改进遗传算法无功优化模型的优越性和实用性，本章先用该算法在标准系统IEEE-6统上进行算例测试及结果分析，并在Matlab软件平台分别编写了遗传算法(GA)和改进遗传算法(IGA)无功优化的通用程序。通过测试结果验证改进遗传算法比简单遗传算法具有优越性。本文中的典型系统基准功率SB=100MV·A，所用的变量为标么值形式。改进遗传算法的最大遗传代数(MAXGEN)为100，最优个体最小保留代数为(NPGEN)为15，而种群规模因模型的复杂程度而定。该系统包括6个节点（节点1为平衡节点，节点2

2、为PV节点，其它节点为PQ节点）、7条支路、4个负荷节点（分别是节点3、4、5、6）、2台发电机（节点1、2）、2条可调变压器支路（支路3-5、4-6）和2个无功补偿点（节点3和4）。为了适用于任意的系统进行无功优化计算，本文将按总数编排所用到的变量，在后面的系统也是如此，不再复述。因此，控制变量xp=[VG1，VG2，QC1，QC2，Tt1，Tt2]，状态变量up=[QG1，QG2，VF1，VF2，VF3，VF4]。表4-1是IEEE-6节点系统中控制变量和状态变量的上下限。3.4.1IEEE-6标准系统测试及结果分析典型系统IEEE-6接线图

3、如图4–1所示，相关的数据如表4-1、表4-2、表4-3所示。图3-2典型系统IEEE-6系统接线图Fig.3-2IEEE-6simulationsystem3.4.1.1IEEE-6节点系统数据表3-1IEEE-6节点系统中控制变量和状态变量的上下限Table3-1IEEE-6bussysteminthecontrolvariablesandstatevariablesoftheupperandlowerlimits变量名称及符号上限下限控制变量VG1～VG21.1，1.151，1.1Tt1～Tt21.10.9QC1～QC20.50，0.550

4、0.000状态变量QG1～QG21.0-0.2VF1～VF41.10.93.4.2IEEE-6节点系统优化结果系统中的发电机机端电压是连续变化的；可调变压器的调节间距为2.5%，无功补偿容量间距分别为0.005和0.0055。改进遗传算法的种群规模为200。本文给出了初始潮流计算、GA和IGA无功优化计算的结果，如表3-2所示。表3-2IEEE-6节点系统计算的结果Table3-2ThecalculativeresultsofIEEE-6bussystem变量名称初始潮流计算GAIGAVG11.05001.09301.0819VG21.10001

5、.14601.1489QC10.00000.04800.0300QC20.00000.05500.0550Tt11.10000.98410.9500Tt21.02500.95390.9250QG10.34780.16250.4541QG20.38120.39730.1840VF10.95250.98970.9535VF20.93320.98511.0042VF30.85520.98950.9729VF40.90090.99231.0073PLoss0.11620.08760.0819计算时间t(s)148.6885.93由以上计算结果可知，初始潮

6、流计算的有功网损为0.1162，有1个负荷节点的电压0.8552越下限；同初始潮流相比，两者算法优化后各负荷节点电压和发电机节点的无功功率都有了明显改善，且都没有发生越界,系统有功网损也都减少了；两者优化算法的系统有功网损由初始潮流计算的0.1162分别下降到了0.0876和0.0819，降低率分别为24.6%和29.5%，相比之下改进遗传算法的优化结果最为理想且耗时少。改进遗传算法的优化过程中，经过最大遗传迭代后种群中个体的适应度值如图3-3所示最优个体的适应度值为12.21。同时针对GA和IGA优化算法，得出这两种优化算法的每代种群中最优个体

7、的有功网损与迭代次数的关系变化的对比曲线如图3-4所示。图3-3经过最大遗传迭代后种群中个体的适应度值图3-4最优个体的有功网损与迭代次数的关系图Fig.3-4Therelationshipchartofmeritoriousnetworklossanditerationonoptimalindividuals从图3-4可知，IGA能够在80代左右找到最优解，且满足最优个体保留的代数与最小保留代数相吻合的优化判据，而GA一直摇摆不定，只能从总体找到最优解，所以可以得出所采用IGA的优化结果明显优于GA。