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 FACTS-устройства, 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 Jos? 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.