Многофункциональная оптимизация при компенсации реактивной мощности

Abstract

Актуальность. В настоящее время в России создается интеллектуальная энергосистема с активно-адаптивной сетью - ИЭС ААС (за рубежом - Smart Grid). Базовым кластером архитектуры Smart Grid являются FACTS­устройства, сложность проектирования которых заключается в многокритериальности задачи. Оптимизация реактивной мощности представляет собой подзадачу оптимального потока мощности, в ходе решения которой определяется правильная настройка переменных реактивной мощности, таких как величины: напряжения, положений ступеней трансформаторов и характеристик устройств компенсации реактивной мощности. Решение задач оптимизации реактивной мощности, которые не являются линейными и дискретными, при использовании традиционных методов оптимизации сопровождается определенными трудностями, связанными с обработкой данных разного характера. Поэтому в настоящее время ведется поиск адекватного способа многообъектной обработки данных, например, с помощью алгоритма эволюционной оптимизации. Целью исследования является разработка математического метода поиска оптимального решения из всего множества возможных решений, которое было бы лучше других хотя бы для одной из поставленных целей. При этом модель должна выполнять расчет потока мощности на основной и гармонической частоте для конкретного режима, при большом количестве ограничений. Методы. Моделирование для внедрения устройств FACTS было выполнено в программе DYCSE. Использовался алгоритм случайного поиска, который является модификацией метода интеграции переменных. Он позволяет решать проблемы сходимости при применении к очень большому массиву данных. В качестве примера и основы для разработки обсуждаемого метода был принят метод расчета и результаты исследования Jose' Arzola Ruiz. В данном исследовании оптимизации используется целевая функция метода Чебышева, позволяющая уменьшить взвешенное расстояние от расчетного до желаемого значения каждого индикатора, включенного в целевую функцию. Естественно, что популяция с высоким уровнем исходных данных представляет лучшее решение задачи и при определенных условиях может представлять даже единственно оптимальное решение. Из первоначального поколения потенциальных решений для процесса, который является повторяющимся, вычислялись новые поколения решений, каждый раз с лучшими характеристиками, наиболее близкими к оптимальному решению задачи. Критерии остановки расчета представляли собой смешанное условие - разницу между худшим и лучшим решениями. Каждый эксперимент выполнялся с начальной популяцией, которая имела случайный характер. Исследования показали, что при заданном диапазоне изменения любого параметра, применяемого для решения поставленной задачи компенсации реактивной мощности в электрических сетях, достаточно количество сочетаний ограничить 7 % от всех возможных его значений. В результате реализации алгоритма получается множество решений с минимальными значениями целевой функции. В ходе расчета задача эксперта заключается в выборе рабочего варианта. Результаты. Применение эволюционных методов в оптимизации позволяет одновременно рассматривать несколько независимых решений, создавая набор так называемых оптимально эффективных решений, или решений Pareto, которые удовлетворяют целям исследования. Во всех экспериментах были получены эффективные решения при оценке численности популяции около 10 % от всех возможных решений. Полученные решения можно считать эффективными в сравнении с расчетами, которые можно было бы произвести при наличии абсолютно всех необходимых исходных данных и выполненных полномасштабных вычислений. Выводы. Для достижения энергоэффективности в промышленных сетях требуются новые методы оптимизации, позволяющие улучшить технико-экономические показатели сетей. Использование метода Чебышева позволяет уменьшить взвешенное расстояние от расчетного до желаемого значения каждого индикатора, включенного в целевую функцию. Теоретические расчеты прошли апробацию в ходе практических исследований. Доказано, что для значений, близких к 10 % от спектра всех возможных решений, можно получить решения, которые удовлетворяют требованиям поиска эффективных решений. Разработанный алгоритм значительно сокращает время вычислений при гарантии сходимости результатов и совпадает с рекомендациями, предложенными Arzola.

Relevance. Currently, Russia is creating an intelligent power system with an actively-adaptive network - IES AAS (abroad - Smart Grid). The basic Smart Grid group architecture is FACTS-devices; the complexity is the multi-criterion nature of the problem. Reactive power optimization is a secondary problem of the optimal power flow, when the setting of the correct reactive power variables, such as values of voltage, transformer position stages and reactive power characteristics of compensation devices, is determined. The solution for the problems to reactive power optimization, which are not linear and discrete, using traditional optimization methods is accompanied by certain difficulties associated with the processing of data that has different nature. Therefore, at the present, an adequate method of multiobject data processing is being searched, for example, using the evolutionary optimization algorithm The aim of the research is to develop a mathematical method to find an optimal solution from the whole set of possible ones, which would be better than others for at least one objective. In this case, the model must perform a calculation of the power flux at the fundamental and harmonic frequency for a particular mode, with a large number of restrictions. Methods. The simulation modeling of the FACTS device implementation was carried out in a program called DYCSE. We used the random search algorithm, which is a variable integration method modification and allows solving convergence problems when it is applied to a very large data set. The calculation method and the results of the study of Arzola Ruiz Jose As were taken as an example and the basis for developing our method. The Chebyshev method was used in the objective function. This methods allows reducing the weighted distance from the calculated value to the desired one of each indicator included in the objective function. It is obvious that a population with a high level of initial data represents the best solution to the problem and, under certain conditions, it can present even the only optimal solution. From the initial generation of potential solutions for the process that is repetitive, the new generations of solutions were derived, each time with better characteristics approaching the optimal solution of the problem. The criteria for stopping the calculation were a mixed condition - the difference between the worst and the best decisions. Each experiment was performed with the initial population that has a random character, obtaining acceptable solutions about 7 % according to the estimated value. Results. The use of evolutionary methods in optimization allows simultaneous consideration of several independent solutions, creating a set of so-called optimally effective solution or Pareto solutions that satisfy the research objectives. In all the experiments, the effective solutions were obtained to estimate the population size about 10 % of all possible solutions. The obtained solutions can be considered effective in comparison with the calculations that could be performed with absolutely all required initial data and full-scale calculations performed. Conclusions. To achieve energy efficiency in industrial networks, new optimization methods that improve the technical and economic performance of networks are required. The use of the Chebyshev method, which makes it possible to reduce the weighted distance from the calculated value to the desired one of each indicator included in the objective function, was tested obtaining satisfactory results in theoretical and practical studies. It is proved that for values close to 10 % of the spectrum of all possible solutions we can obtain solutions that satisfy the search for effective solutions, and that coincide with the recommendations proposed by Arzola. The developed algorithm significantly reduces the computation time, with results convergence guarantee.