CN102509175A - 分布式供电系统可靠性优化方法 - Google Patents

Abstract

本发明涉及一种分布式供电系统可靠性优化方法，主要考虑负荷预测值的随机不确定性和可再生能源式DG出力的模糊不确定性，以正态分布的随机变量表示负荷预测值，以梯形模糊变量表示可再生能源式DG有功输出，以分布式供电系统投资运行费用和补偿停电损失费用之和的期望值最小为目标函数，建立基于可靠性优化的混合机会约束规划模型。与采用传统方法得到的方案相比，对于未来因素的不确定性具有更强的适应性，能在很大程度上减少事后的补偿投资，降低损失和浪费。

Description

分布式供电系统可靠性优化方法

技术领域

本发明涉及一种配电优化技术，特别涉及一种分布式供电系统可靠性优化方法。

背景技术

配电系统的可靠性与经济性是紧密联系的。对于供电部门，在进行配电系统可靠性优化时，其投资成本就应该是为增强供电可靠性在设备上增加的投入，其用户损失一般是指供电中断所造成的停电损失。考虑到可靠性与经济性两者之间的关系，我们不可能为片面地提升一方而降低另一方。如何在供电可靠性与电网方的投入之间寻求某种平衡，是可靠性优化需要考虑的问题。近年来，随着分布式电源技术的迅速发展，分布式电源（DG）开始接入配电系统（分布式供电系统）。它们是配置在用户附近容量较小的发电机组，包括太阳能发电、风力发电、微型燃气轮机、柴油发电机、燃料电池、生物质能发电及储能装置等。根据需求不同，DG可以用来实现备用电源、电力调峰、热电联产以及向偏远地区供电等用途。分布式供电系统是未来智能配电网建设的重要组成部分，它与传统配电系统相结合被公认为是能够节省投资、降低能耗、提高电力系统可靠性和灵活性的供电方式。

目前，分布式供电系统可靠性优化管理研究鲜有所见。虽有不少关于可靠性方面的研究，但忽视经济评价，难以比较可靠性效益与成本。有的也考虑了经济运行问题：起初主要集中在DG技术的研究方面；目前存在以DG安装成本、运行维护成本及与大电网交互电能所得效益为基础的最小化成本模型的研究，但这种基于传统可靠性约束的优化不一定等同于可靠性优化。配电系统接入DG，也需要权衡DG的投资运行成本以及系统容量不足造成的停电损失费用；考虑DG运行方式、出力特性与传统电源存在较大区别且易智能化调度，可靠性优化管理在分布式供电系统中有更大实现价值。此外，目前配电系统优化已着眼处理诸如负荷预测等不确定因素，而间歇性出力的可再生能源式DG接入无疑又增加了处理量，有可能使优化问题同时包含模糊和随机两类不确定因素，为不确定理论应用提出新的课题。

发明内容

本发明是针对分布式供电系统运用面对复杂情况需要优化的问题，提出了一种带温度调节的太阳能光伏组件，利用风冷自动控制太阳能电池板上的多余热量，保证太阳能光伏组件正常有效的工作。

本发明的技术方案为：一种分布式供电系统可靠性优化方法，包括如下具体步骤：

１）采用随机变量表示负荷预测值：根据负荷预测值特点，采用正态分布随机变量表示负荷预测值，已知时段t的预测负荷为                                               

，则实际负荷

可表示为

和

之和，为服从均值为0、方差为的随机变量，即

  ；

２）采用模糊变量表示可再生能源式DG有功输出值：预测时段DG输出功率不会大于或小于

，以梯形模糊变量表示可再生能源式DG有功输出，其隶属函数如下式所示：

 　，

～

可以根据预测时段DG平均输出功率

、隶属度参数

取决于DG输出功率的历史数据确定：

 ；                  

３）建立分布式供电系统可靠性优化模型：

A:目标函数为：

其中：

，i为DG编号：1、……、为风机编号，为初始投资；为资本回收系数，

为年运行维护费用，

为DG额定功率，

为容量因数；

，

+

+1、……、N为微型燃气轮机编号，

为天然气价格，

为天然气低热值，

为微型燃气轮机有功出力，为发电效率；

 ，

为与主网交换功率，其为正时，以购电价格购电，其为负时，以

售电价格售电；

，

为等价电负荷中断量，为单位电负荷中断费用系数；为热（冷）负荷削减量，K ₁为空调制热（冷）系数； 

B: 等效电功率平衡约束:

, 式中的

含义是微型燃气轮机联供时的等效电功率输出，即包含自身电功率输出、热（冷）功率输出转化为空调供给所消耗的电功率两部分， 其中

、

为模糊变量，

为电负荷功率， 表示

中事件的可能性，

表示

中事件的概率，

、为约束条件的置信水平，

+1、……、+为太阳能光伏阵列编号，

，

为综合供能系数，K ₂为余热经溴机制热（冷）系数，R为热电比；

C: 热（冷）负荷供给不等式约束:

 ，含义是微型燃气轮机供热（冷）不外送。其中为供给全部冷（热）负荷消耗的空调电功率；

D: 重要负荷供给不等式约束:

，即发电单元出力至少需要满足重要负荷的需求；

E: DG出力、系统与主网物理传输线容量约束：

                   

 

；              

4）采用基于模糊随机模拟的遗传算法求解：

a:产生初始群体：定义种群规模为pop_size,

Ⅰ随机产生一个0，1字符串和实数混合编码向量，该向量维数等于决策向量的维数；

Ⅱ在决策向量的可行域中产生一个随机点，运用模糊随机模拟方法检验其可行性；

Ⅲ如果可行，则作为一个染色体；否则，从该可行域中重新生成随机点，直到得到可行解为止；

Ⅳ重复上述步骤，直至生成pop_size个染色体；

b:根据目标期望值将染色体由好到坏排序，并根据基于序的评价函数进行选择,对选择操作后的染色体以二进制段和实数段分别进行交叉、变异操作，并用模糊随机模拟方法检验子代可行性；

c:采用设定最大代数的方法作为遗传算法的停止准则，优化过程结束后，得到的最优解即作为可靠性优化的最终结果。

所述模糊随机模拟方法：由模糊变量

（

）均匀生成一个清晰值（

）、使得

、

，然后从

的概率分布中产生N个独立的随机变量，分别同模糊变量清晰值、决策变量值一起代入不等式，设

是不等式成立的次数，如果

，即染色体可行；否则对模糊变量重新清晰化，检验约束是否成立。

本发明的有益效果在于：本发明一种分布式供电系统可靠性优化方法，与采用传统方法得到的方案相比，对于未来因素的不确定性具有更强的适应性，能在很大程度上减少事后的补偿投资，降低损失和浪费。

附图说明

图1为本发明梯形模糊数描述的模糊风电其隶属度函数曲线图；

图2为本发明遗传算法求解流程图；

图3为本发明分布式供电系统结构示意图；

图4为本发明分布式供电系统预测参数图。

具体实施方式

本发明主要考虑负荷预测值的随机不确定性和可再生能源式DG出力的模糊不确定性，以正态分布的随机变量表示负荷预测值，以梯形模糊变量表示可再生能源式DG有功输出，以分布式供电系统投资运行费用和补偿停电损失费用之和的期望值最小为目标函数，建立基于可靠性优化的混合机会约束规划模型。

具体实施步骤如下：

（1）采用随机变量表示负荷预测值：

根据负荷预测值特点，采用正态分布随机变量表示负荷预测值。比如，已知时段t的预测负荷为

，则实际负荷可表示为

和

之和，

为服从均值为0、方差为

的随机变量，即

                       (1)

（2）采用模糊变量表示可再生能源式DG有功输出值：

以风力发电为例，预测时段风机输出功率不会大于

或小于，很有可能在和

之间，风力发电的这种模糊性可用梯形模糊数来表示，其隶属函数如下式所示。

 

                 (2)

其隶属度函数曲线如下图1所示。图1中，

～

可以根据预测时段风机平均输出功率

、风电场隶属度参数

（取决于风机输出功率的历史数据）确定：

                   (3)

（3）建立分布式供电系统可靠性优化模型

分布式供电系统能在向用户供给电能基础上，也提供热（冷）能；既可并网运行，也可在主网故障或需要时孤岛运行。其可靠性优化的目标是在两种运行方式下，优化各DG出力，并网时还包括与主网交换功率，保证分布式供电系统内重要负荷需求和削减部分非重要负荷，使投资运行费用和停电损失费用之和的期望值最小。目标函数为：

      (4)

其中：           (5)

              (6)

               (7)

               (8)

式（5）中，i为DG编号：1、……、

为风机编号，

+

+1、……、N为微型燃气轮机编号；N为DG总数；t为运行时段；

为第i个DG有功出力，对于风力发电和太阳能发电，以运行时段的平均输出功率代替；

为初始投资；

为资本回收系数，与折现率和DG寿命有关； 

为年运行维护费用； 为DG额定功率，

为容量因数；

式（6）中，

为天然气价格；

为天然气低热值；

为微型燃气轮机有功出力；

为发电效率；

式（7）中，

为含DG配电系统运行方式变量，取0孤岛运行，取1并网运行；

为与主网交换功率，其为正时，以

购电价格购电，其为负时，以

售电价格售电；

式（8）中，

为等价电负荷中断量，

为单位电负荷中断费用系数；

为热（冷）负荷削减量；K ₁为空调制热（冷）系数。该式表示热（冷）负荷有空调、微型燃气轮机余热两种供给方式，且热（冷）负荷均为非重要负荷，削减补偿费用等价完全由电空调供给所需电量中断产生费用。

s.t.

   (9)

           (10)

   (11)

                      (12)

                     (13)

                 (14)

                  (15)

式（9）表示等效电功率平衡约束，式（10）表示热（冷）负荷供给不等式约束，式（11）表示重要负荷供给不等式约束；式(12)表示引入综合供能系数表达式。其中、

为模糊变量；

为电负荷功率、

为供给全部冷（热）负荷消耗的空调电功率，都为随机变量；表示

中事件的可能性，

表示

中事件的概率，

、

为约束条件的置信水平，+1、……、

+

为太阳能光伏阵列编号；

为综合供能系数，K ₂为余热经溴机制热（冷）系数；

式（13）-（15）表示DG出力、系统与主网物理传输线容量、可中断负荷限制约束。

（4）采用基于模糊随机模拟的遗传算法求解：

上述混合机会约束规划模型具有多变量（包含整数变量）、多约束特性，采用传统数学规划方法难以求解。而遗传算法是一种通过模拟自然进化过程搜索最优解的方法，在解决复杂的全局优化问题方面，遗传算法具有明显的优势，因此，本发明采用将模糊模拟和随机模拟相结合的方法，设计基于混合模拟的遗传算法求解模型，流程如图2所示。

遗传算法是一种基于群体寻优的方法，需产生初始种群。初始种群由染色体构成，每个染色体对应着问题的一个解。以上采用0，1字符串和实数混合编码方式，字符串代表风机、太阳能光伏阵列选择情况；而其余决策变量可在约束范围内任意取值，实数编码在遗传求解过程中就能体现便捷性。

初始群体通常以随机方法产生，但应保证初始群体中染色体为优化问题的解，即满足优化模型的约束条件。以上提出的可靠性优化模型中的约束条件比较复杂，需要检验模糊随机约束。以式（9）为例，即由模糊变量（

）均匀生成一个清晰值

（

）、使得

、

。然后从的概率分布中产生N个独立的随机变量，分别同模糊变量清晰值、决策变量值一起代入不等式，设

是不等式成立的次数，如果

，即染色体可行；否则对模糊变量重新清晰化，检验约束是否成立。经过给定次数后，无法生产满足约束的清晰值，则染色体不可行。

因此，产生初始群体的步骤如下：

定义种群规模为pop_size。

1)    随机产生一个0，1字符串和实数混合编码向量，该向量维数等于决策向量的维数。

2)    在决策向量的可行域中产生一个随机点，运用上述模糊随机模拟方法检验其可行性。

3)    如果可行，则作为一个染色体；否则，从该可行域中重新生成随机点，直到得到可行解为止。

重复上述步骤，直至生成pop_size个染色体。

根据目标期望值将染色体由好到坏排序，并根据基于序的评价函数进行选择。对选择操作后的染色体以二进制段和实数段分别进行交叉、变异操作，并用上述模糊随机模拟方法检验子代可行性。

采用设定最大代数的方法作为遗传算法的停止准则，优化过程结束后，得到的最优解即作为可靠性优化的最终结果。

理论基础：同时带有模糊和随机参数的数学规划模型如下

            (15)

其中，

是决策向量，

是随机向量参数，

是模糊向量参数，

是目标函数，

是约束函数。

上述模型的数学意义并不明晰，这是由于模糊参数和随机参数

的出现，导致模型中的符号min以及约束缺乏明确意义。为解决这一问题，借鉴Charnes 和 Cooper等人在研究随机规划和模糊规划时采用的做法，将模型中同时出现的模糊和随机因素看成是模糊机会和随机机会并存，转化成如下模糊和随机混合机会约束规划模型

     (16)

其中

和

分别为各个约束事先给定的置信水平。

为验证以上所提出的模型的有效性，将该模型应用于一个分布式供电系统中,结构如图3所示。

以冬季某天为研究对象，取时间间隔为1h，风电、光伏功率以及热电负荷的预测如图4所示。

实例系统风电选用200kW高速风力机组，待选3台；太阳能光伏采用Pilkington公司SFM144H*250wp型电池，单位容量100kW，光电转换率13.44%，待选3组；微型燃气轮机选用Capstone公司C100型，单位容量100kW，待选3台。系统与主网物理传输线最大容量100kW。

采用遗传算法求取最优解时，各参数为：初始群体规模pop_size=50，交叉概率P _c=0.6，变异概率P _m=0.1，终止代数T=100，含模糊随机参数的约束条件置信水平0.9。以1时刻为例，采用以上模型进行优化计算，其结果为：3台风力机组投入、微型燃气轮机发电75kW、主网向系统供电100kW、削减热负荷375kW。

本发明基于风电出力的模糊性及负荷需求的随机性，提出了混合机会约束规划的可靠性优化模型，并利用基于模糊随机模拟的遗传算法求解。算例表明分布式供电系统最优可靠性受DG发电成本、负荷可靠性需求成本、与主网的交换功率成本等诸多因素影响，人为确定的系统可靠性与最优可靠性间存在偏差；本发明介绍的方法所得最优方案在统筹可靠性与经济性方面优于可靠性最高约束方案。此外，利用混合机会约束规划模型，安排的各DG出力能在风速模糊变化、负荷随机变化的情况下既经济可靠又满足设定的概率约束水平。与采用传统方法得到的方案相比，对于未来因素的不确定性具有更强的适应性，能在很大程度上减少事后的补偿投资，降低损失和浪费。

Claims (2)

1.一种分布式供电系统可靠性优化方法，其特征在于，包括如下具体步骤：

１）采用随机变量表示负荷预测值：根据负荷预测值特点，采用正态分布随机变量表示负荷预测值，已知时段t的预测负荷为                                               

，则实际负荷

可表示为

和之和，

为服从均值为0、方差为

的随机变量，即

  ；

２）采用模糊变量表示可再生能源式DG有功输出值：预测时段DG输出功率不会大于

或小于

，以梯形模糊变量表示可再生能源式DG有功输出，其隶属函数如下式所示：

 

　，

～

可以根据预测时段DG平均输出功率

、隶属度参数

取决于DG输出功率的历史数据确定：

 ；                  

３）建立分布式供电系统可靠性优化模型：

A:目标函数为：

其中：，i为DG编号：1、……、

为风机编号，为初始投资；

为资本回收系数，为年运行维护费用，

为DG额定功率，为容量因数；

，

+

+1、……、N为微型燃气轮机编号，

为天然气价格，

为天然气低热值，

为微型燃气轮机有功出力，

为发电效率；

 ，

为与主网交换功率，其为正时，以购电价格购电，其为负时，以

售电价格售电；

，为等价电负荷中断量，

为单位电负荷中断费用系数；

为热（冷）负荷削减量，K ₁为空调制热（冷）系数； 

B: 等效电功率平衡约束:

, 式中的

含义是微型燃气轮机联供时的等效电功率输出，即包含自身电功率输出、热（冷）功率输出转化为空调供给所消耗的电功率两部分，其中

、

为模糊变量，

为电负荷功率， 

表示

中事件的可能性，表示

中事件的概率，

、

为约束条件的置信水平，

+1、……、

+

为太阳能光伏阵列编号，

，

为综合供能系数，K ₂为余热经溴机制热（冷）系数，R为热电比；

C: 热（冷）负荷供给不等式约束，:

 ，含义是微型燃气轮机供热（冷）不外送，其中

为供给全部冷（热）负荷消耗的空调电功率；

D:重要负荷供给不等式约束:

，即发电单元出力至少需要满足重要负荷的需求；

E: DG出力、系统与主网物理传输线容量约束：

                   

 

；              

4）采用基于模糊随机模拟的遗传算法求解：

a:产生初始群体：定义种群规模为pop_size,

Ⅰ随机产生一个0，1字符串和实数混合编码向量，该向量维数等于决策向量的维数；

Ⅱ在决策向量的可行域中产生一个随机点，运用模糊随机模拟方法检验其可行性；

Ⅲ如果可行，则作为一个染色体；否则，从该可行域中重新生成随机点，直到得到可行解为止；

Ⅳ重复上述步骤，直至生成pop_size个染色体；

b:根据目标期望值将染色体由好到坏排序，并根据基于序的评价函数进行选择,对选择操作后的染色体以二进制段和实数段分别进行交叉、变异操作，并用模糊随机模拟方法检验子代可行性；

c:采用设定最大代数的方法作为遗传算法的停止准则，优化过程结束后，得到的最优解即作为可靠性优化的最终结果。

2.根据权利要求1所述分布式供电系统可靠性优化方法，，其特征在于，所述模糊随机模拟方法：由模糊变量

（

）均匀生成一个清晰值

（

）、使得

、

，然后从

的概率分布中产生N个独立的随机变量，分别同模糊变量清晰值、决策变量值一起代入不等式，设

是不等式成立的次数，如果

，即染色体可行；否则对模糊变量重新清晰化，检验约束是否成立。

Images