CN103034912B - 一种分布式电源选址定容的优化方法 - Google Patents

Abstract

本发明公开一种分布式电源选址定容的优化方法，属于分布式发电技术领域。首先根据配电网结构和分布式电源位置容量配置方案，生成个体的位置信息，依据改进的粒子群算法生成搜索群体和侦查群体；对上述搜索群体和侦察群里中每个个体对应的方案进行潮流计算，算出各节点电压和功率值；根据主成分分析法建立综合评价指标，并结合每个个体对应的方案中的配电网结构、分布式电源位置容量、节点电压及功率值等参数计算出相应的适应度值；根据适应度值调整搜索群体中每个个体的位置信息，与侦查群体作对比，生成子代群体，并重复迭代直至最大迭代次数，以最终得到的群体最优解作为分布式电源选址定容最优方案。

Description

一种分布式电源选址定容的优化方法

技术领域

本发明涉及一种分布式电源选址定容的优化方法，属于分布式发电技术领域。

背景技术

分布式电源多采用可再生能源，装机容量小，地形适应性强。分布式电站与电网并网运行，是综合利用资源，为广大用户高效供电的理想方式。随着分布式发电技术日益广泛的应用，其对电网运行的影响也逐渐暴露出来，因此，分布式电源的优化方法也受到了人们的重视。

对分布式电源选址定容的优化指的是通过对分布式电源在配电网中的接入位置和容量进行优化来解决分布式电源并网运行造成的部分问题，主要有两个方面：

从工业用户的角度考虑，包括分布式电源并网运行可能造成的供电可靠性降低和电压稳定性降低的问题。首先，在配电网故障时，分布式电源与负荷形成孤岛，如果不进行规划，可能对岛内敏感度高的设备造成不同程度的损坏；其次，分布式电源受自然环境影响大，发电过程存在大量不确定因素，盲目接入势必对配电网电压稳定性造成一定影响。

从电网公司的角度考虑，存在分布式电源建设运行成本过高的问题。分布式电站需要在建设初期进行机组购买，线路铺设等大量投资，需要通过优化避免资金亏损。

现有的分布式电源选址定容的优化方法是以经济性或网损为评价指标，所得的优化方案具有较强的针对性；所采用的优化算法为传统启发式算法或改进的启发式算法，在算法实施过程中存在局部最优和收敛性的问题。

有鉴于此，本发明人对此进行研究，专门开发出一种分布式电源选址定容的优化方法，本案由此产生。

发明内容

本发明的目的是提供一种配电网分布式电源选址定容的优化方法，采用综合评价指标避免了优化方案针对性强的问题，采用改进的粒子群算法改善了传统优化算法的收敛性，为配电网分布式电源选址定容的优化配置提供合理的依据。

为了实现上述目的，本发明的解决方案是：

一种配电网分布式电源选址定容的优化方法，包括如下步骤：

1)首先根据配电网结构和分布式电源位置容量配置方案，生成个体的位置信息，依据改进的粒子群算法生成搜索群体和侦查群体；

2)对上述搜索群体和侦察群体中每个个体对应的方案进行潮流计算，算出各节点电压和功率值；

3)根据主成分分析法建立综合评价指标，并结合每个个体对应的方案中的配电网结构、分布式电源位置容量、节点电压及功率值等参数计算出相应的适应度值；

4)根据适应度值调整搜索群体中每个个体的位置信息，与侦查群体作对比，生成子代群体，并重复迭代直至最大迭代次数，以最终得到的群体最优解作为分布式电源选址定容最优方案。

上述步骤1)所述的改进的粒子群算法，是指在粒子群算法的基础上对算法进行改进。结合遗传算法的编码理论，以二进制码表示配电网结构，并转化成十进制数用个体位置信息的首个维度表示；结合人工蜂群算法，生成侦查群体，对陷入局部最优解的个体进行跳转操作，避免出现无用个体。每个参数的第一个维度包含的是配电网结构信息，其后的维度包含的是分布式电源的位置和容量信息。

上述步骤3)所述的综合评价指标包括：配电网运行可靠性函数、基于潮流解存在性的配电网电压稳定性函数、配电网建设运行经济性函数以及基于配电网运行约束的惩罚函数，通过主成分分析对单个评价指标加以权值，对优化方案的可靠性、电压稳定性以及经济性进行综合评价。

上述步骤3)对多个指标进行的主成分分析，先取若干个体进行数据分析并统计，将所有逆向指标正向化并将正向化后的数据和原始正向数据标准化；对标准化后的数据进行主观赋权；计算赋权后各指标的相关系数矩阵，求解特征方程，将特征值从大到小排列，并取85％—95％特征值为主成分，相关系数矩阵由式(13)和式(14)计算，

$r_{ij}=\frac{\underset{k=1}{\Σ}(x_{ki}-{\stackrel{\‾}{x}}_j)(x_{kj}-{\stackrel{\‾}{x}}_j)}{\sqrt{{(x_{ki}-{\stackrel{\‾}{x}}_i)}^2\underset{k=1}{\Σ}{(x_{kj}-{\stackrel{\‾}{x}}_j)}^2}}---\left(14\right)$

其中，r_ij为指标x_i和x_j的相关系数，x_ki是指标x_i的第k项原始数据主观赋权后的值，x_kj是指标x_j的第k项原始数据主观赋权后的值，表示第i个指标的平均值,表示第j个指标的平均值。

在上述步骤4)迭代过程中，若某个子代个体在迭代时超过n代位置信息未出现明显变化且不是群体最优解时，跳转至新位置，并继续进行迭代，新位置按式(21)计算：

x_ij＝x_mini+λ(x_maxi-x_mini)(21)

其中，x_ij表示跳转后的个体的第i维位置信息，x_maxi表示侦查群体历史最优位置的第i维位置信息，λ为0到1的随机数。x_mini表示即将进行跳转的个体的第i维位置信息，达到最大迭代次数后，以整个群体最优解作为分布式电源选址定容最优方案。

本发明所述的分布式电源选址定容优化方法，通过建立综合评价指标避免了优化方案针对性强的问题；基于人工蜂群算法和遗传算法对粒子群算法提出改进，提高了算法的全局搜索性和收敛性。在配电网规划的过程中，对并网运行的分布式电源进行优化配置，提高了配电网的运行效率。

以下结合附图及具体实施例对本发明做进一步详细描述。

附图说明

图1是配电网分布式电源选址定容优化方法的流程图。

具体实施方式

如图1所示，一种分布式电源选址定容优化的方法包括以下步骤：

1)首先以配电网结构和分布式电源位置容量配置方案，作为个体的位置信息，依据改进的粒子群算法生成搜索群体和侦查群体；

在本实施例中，选取改进的粒子群算法，对于协同搜索的粒子群，取群体的个体数目为40，选20个个体作为搜索群体，另外20个个体作为侦查群体。每个个体包括三个参数：当前位置x_i＝(x_i1,x_i2,…,x_in)，个体或群体历史最优位置p_i＝(p_i1,p_i2,…,p_in)，当前运动速度v_i＝(v_i1,v_i2,…,v_in)。每个参数的第一个维度包含的是配电网结构信息，其后的维度包含的是分布式电源的位置和容量信息。

2)对上述搜索群体和侦察群体中每个个体对应的方案进行潮流计算，算出各节点电压和功率值；

3)根据主成分分析法建立综合评价指标，并结合每个个体对应的方案中的配电网结构、分布式电源位置容量、节点电压及功率值等参数计算出相应的适应度值，综合评价指标包括下列几项：

①配电网运行可靠性

对于每个个体对应方案中的配电网结构，从平衡节点起对该配电网结构进行广度优先搜索遍历，从而确定其到初始节点即平衡节点的最小路。以分布式电源所在节点为圆心，通过启发式孤岛划分算法，在保证分布式电源额定功率允许的前提下，尽量保证权值大的负荷优先纳入孤岛范围，确定孤岛划分的可行域。负荷点的可靠性指标包括负荷的平均故障率、负荷的年平均停运时间、负荷的平均停运持续时间：

a、若负荷点在孤岛范围内，可靠性的指标按(1)式计算：

$\left\{\begin{array}{c}{\mathrm{\λ}}_k={\mathrm{DP}}_i\underset{n=1}{\overset{t}{\Σ}}{\mathrm{\λ}}_n+(1-{\mathrm{DP}}_i)\underset{n=1}{\overset{m}{\Σ}}{\mathrm{\λ}}_m\\ U_k={\mathrm{DP}}_i\underset{n=1}{\overset{t}{\Σ}}{\mathrm{\λ}}_n{r}_n+(1-{\mathrm{DP}}_i)\underset{n=1}{\overset{m}{\Σ}}{\mathrm{\λ}}_m{r}_m\\ r_k=U_k/{\mathrm{\λ}}_k\end{array}\right.---\left(1\right)$

b、若负荷点不在孤岛范围内，可靠性的指标按(2)式计算：

$\left\{\begin{array}{c}{\mathrm{\λ}}_k=\underset{n=1}{\overset{t}{\Σ}}{\mathrm{\λ}}_n\\ U_k=\underset{n=1}{\overset{t}{\Σ}}{\mathrm{\λ}}_n{r}_n\\ r_k=U_k/{\mathrm{\λ}}_k\end{array}\right.---\left(2\right)$

其中，λ_k表示负荷的平均故障率，U_k表示负荷的年平均停运时间，r_k表示负荷的平均停运持续时间，λ_n表示同时处在负荷到平衡节点和分布式电源的最小路上的元件的平均故障率，节点故障率等于接在该节点处的所有非最小路上的分段开关的故障率之和，r_n表示同时处在负荷到平衡节点和分布式电源的最小路上的元件的平均停运持续时间，λ_m表示负荷点到平衡节点的最小路上的元件的平均故障率，r_m表示负荷点到平衡节点的最小路上的元件的平均停运持续时间，DP_i表示负荷点对应的分布式电源形成孤岛的概率，取值范围为0<DP_i<1，取决于分布式电源的输出特性曲线。

②基于潮流解存在性的配电网电压稳定性

对于配电网结构中的支路ab，a为送端，b为受端，则系统的可靠性按式(3)计算：

$\left\{\begin{array}{c}{L}_{ab}=\frac{4}{V_i^2}\&lsqb;{(P_{ba}{X}_{ab}-Q_{ba}{R}_{ab})}^2+(P_{ba}{R}_{ab}+Q_{ba}{X}_{ab})V_i^2\&rsqb;\&le;1\\ L=\max \left(L_{ab}\right)\end{array}\right.---\left(3\right)$

其中，L_ab指支路ab的电压稳定性，L为系统的电压稳定性，V_i指节点i上的电压幅值，P_ab指a端输入的有功功率，Q_ab指a端输入的无功功率，R_ab指支路上的电阻，X_ab指支路上的电抗。

③配电网建设运行经济性

经济性模型主要有电网维护费C_N、用分布式电源安装及运行费用C_DG、网络损耗C_L、向常规电源购电费的变化C_E，电网维护费按式(4)计算，用分布式电源安装及运行费用C_DG按式(5)计算，网络损耗C_L按式(6)计算，向常规电源购电费的变化C_E按式(7)计算：

$C_N=n_{DG}\underset{i=1}{\&Sigma;}{C}_{mi}---\left(4\right)$

$C_{DG}=\underset{i=1}{\&Sigma;}\{{\mathrm{\&eta;}}_i{S}_{DGi}\&lsqb;\frac{C_{DGi}r{(r+1)}^{n_{DG}}}{r{(r+1)}^{n_{DG}}-1}\&rsqb;+C_{DMi}\}---\left(5\right)$

$C_L=\underset{i=1}{\&Sigma;}{C}_e{\mathrm{\&tau;}}_{imax}{R}_i\frac{P_i^2}{{\left(U_N{\mathrm{\&lambda;}}_i\right)}^2}---\left(6\right)$

$C_E=n_{DG}\underset{i=1}{\&Sigma;}{S}_{DGi}{C}_e---\left(7\right)$

其中，C_mi为每条支路维护费用，S_DGi为分布式电源的额定功率，n_DG为分布式电源的成本回收期，C_DGi为分布式电源的建设成本，C_DMi为分布式电源的维护费用，r为固定年利率，η_i为分布式电源的功率因数，R_i为支路电阻，P_i为支路传输的有功功率，λ_i为支路上的功率因数，U_N为线路额定电压，C_e为一般电价，τ_imax为最大负荷损耗小时数。

针对电网基本要求，设置两项运行约束，节点电压约束K_U按式(8)计算，分布式电源容量约束K_DG可按式(9)计算：

$K_U\left(U_i\right)=\left\{\begin{array}{c}{K}_1{(U_{imin}-U_i)}^2(U_i<U_{imin})\\ K_1{(U_i-U_{imax})}^2(U_i>U_{imax})\\ 0(U_{i\min }\&le;U_i\&le;U_{i\max })\end{array}\right.---\left(8\right)$

$K_{DG}\left(S_{DG}\right)=\left\{\begin{array}{c}{K}_2(S_{DG}-\frac{1}{5}{S}_L)(S_{DG}>\frac{1}{5}{S}_L)\\ 0(S_{DG}\&le;S_L)\end{array}\right.---\left(9\right)$

其中，U_i表示i节点的标称电压，U_imax表示i节点标称电压电压的1.05倍电压值，U_imin表示i节点标称电压0.95倍电压值，K₁、K₂表示惩罚因子，通常取较大的值，S_DG表示分布式电源总容量，S_L表示配电网负荷总容量。

对上述综合评价指标进行主成分分析：

先取若干个体进行数据分析并统计，将所有逆向指标正向化，并将正向化后的数据和原始正向数据标准化。数据正向化按式(10)计算，数据标准化按式(11)计算：

$y_{ij}=\frac{M_j-x_{ij}}{M_{ij}-m_{ij}}---\left(10\right)$

$y_{ij}^{\&prime;}=\frac{y_{ij}-\mathrm{\&mu;}}{{\mathrm{\&sigma;}}^2}---\left(11\right)$

其中，x_ij表示指标x_j的第i个原始数据，y_ij表示正向化后的数据，y_ij'表示标准化后的数据，M_i和m_i分别是指标x_j原始数据的最大值和最小值，μ和σ²分别是原始数据的均值和方差。

对标准化后的数据进行主观赋权，主观赋权可按式(12)计算：

$\left\{\begin{array}{c}{y}_{ij}^{\&prime;}={\mathrm{\&omega;}}_j{y}_{ij}\\ \underset{j=1}{\overset{n}{\&Sigma;}}{\mathrm{\&omega;}}_j=1\end{array}\right.---\left(12\right)$

其中，y_ij表示第j个指标的第i项原始数据标准化后的值，y_ij'表示主观赋权后的数据，ω_j表示第j个指标的主观赋权值。

分级计算各指标的相关系数矩阵，求解特征方程，将特征值从大到小排列，并取85％—95％特征值为主成分，相关系数矩阵由式(13)、(14)计算。

$r_{ij}=\frac{\underset{k=1}{\&Sigma;}(x_{ki}-{\stackrel{\&OverBar;}{x}}_i)(x_{kj}-{\stackrel{\&OverBar;}{x}}_j)}{\sqrt{{(x_{ki}-{\stackrel{\&OverBar;}{x}}_i)}^2\underset{k=1}{\&Sigma;}{(x_{kj}-{\stackrel{\&OverBar;}{x}}_j)}^2}}---\left(14\right)$

其中，r_ij为指标x_i和x_j的相关系数，x_ki是指标x_i的第k项原始数据主观赋权后的值，x_kj是指标x_j的第k项原始数据主观赋权后的值，表示第i个指标的平均值,表示第j个指标的平均值。

对于相关系数矩阵R，求其特征值，将特征值按从大到小的顺序排列，并求出相应的特征向量。这里，将每个指标称作主成分，计算每个主成分的贡献率，贡献率可按式(15)计算：

${\mathrm{\&tau;}}_k=\frac{{\mathrm{\&lambda;}}_k}{\underset{i=1}{\&Sigma;}{\mathrm{\&lambda;}}_i}---\left(15\right)$

式中λ_k表示第k个特征值，τ_k表示第k个特征值的贡献率。

计算累计贡献率，累计贡献率可按式(16)计算：

${\mathrm{\&tau;}}_p=\frac{\underset{k=1}{\overset{p}{\&Sigma;}}{\mathrm{\&lambda;}}_k}{\underset{i=1}{\&Sigma;}{\mathrm{\&lambda;}}_i}---\left(16\right)$

τ_p表示前p个特征值的累计贡献率，取τ_p≥85％的最小的p的值，则主成分可按式(17)、(18)表示：

$\left\{\begin{array}{c}{Y}_1=u_{11}{X}_1+u_{12}{X}_2+...+u_{1n}{X}_n\\ Y_2=u_{21}{X}_1+u_{22}{X}_2+...+u_{2n}{X}_n\\ .\\ .\\ .\\ Y_p=u_{p1}{X}_1+u_{p2}{X}_2+...+u_{pn}{X}_n\end{array}\right.---\left(17\right)$

$Y=\underset{k=1}{\overset{p}{\&Sigma;}}{\mathrm{\&tau;}}_k{Y}_k---\left(18\right)$

式中Y_i表示第i个主成分，u_ij表示第i个特征值对应的特征向量中维数为j的数值，X_i表示第i个指标数据，τ_k表示第k个主成分对应的特征值的贡献率，Y表示综合主成分。

4)根据适应度值调整初始搜索群体中每个个体的位置信息，与初始侦查群体作对比，生成子代群体，并重复迭代直至最大迭代次数，以最终得到的群体最优解作为分布式电源选址定容最优方案。

在本实施例中，先根据式(18)计算适应度值，计算初代群体每个个体的运行速度，生成子代群体，并进行迭代。改进的粒子群算法其更新后的速度按式(19)计算：

$v_{id}^{k+1}={\mathrm{\&omega;v}}_{id}^k+c_1{r}_1(p_{id}-x_{id}^k)+c_2{r}_2(p_{gd}-x_{id}^k)---\left(19\right)$

其中，v_id为第i个个体的d维运动速度，ω为速度更新权重因子，c₁和c₂为学习因子，由专家经验设定，r₁和r₂为随机数，由专家经验设定，p_id为第i个个体自身的历史最佳位置，p_gd为群体历史为佳位置，x_id表示第i个粒子的第d维位置信息。

采用自适应权重法，避免陷入局部最优。式(19)中的速度更新权重因子按式(20)计算：

$\mathrm{\&omega;}=\left\{\begin{array}{c}{\mathrm{\&omega;}}_{min}+\frac{({\mathrm{\&omega;}}_{max}-{\mathrm{\&omega;}}_{min})(f-f_{min})}{f_{ave}-f_{min}}(f<f_{ave})\\ {\mathrm{\&omega;}}_{\max }(f>f_{ave})\end{array}\right.---\left(20\right)$

其中，f表示当前个体的适应度函数值，ω_min表示最小权重值，ω_max表示最大权重值，由专家经验设定，f_min表示当前群体最小适应度值，f_ave表示当前群体平均适应度值。

侦查群体不参与迭代，侦查群体的运动次数与搜索群体的总运动次数相同，且每次运动的速度都为随机值，并在运动结束后记录所有位置信息及相应的适应度。若某个子代个体在迭代时超过n代位置信息未出现明显变化且不是群体最优解时，跳转至新位置，并继续进行迭代，新位置按式(21)计算：

x_ij＝x_mini+λ(x_maxi-x_mini)(21)

其中，x_ij表示跳转后的个体的第i维位置信息，x_maxi表示侦查群体历史最优位置的第i维位置信息，λ为0到1的随机数。x_mini表示即将进行跳转的个体的第i维位置信息，达到最大迭代次数后，以整个群体最优解作为分布式电源选址定容最优方案。

Claims (2)

1.一种配电网分布式电源选址定容的优化方法，其特征在于包括如下步骤：

1)首先根据配电网结构和分布式电源位置容量配置方案，生成个体的位置信息，依据改进的粒子群算法生成搜索群体和侦查群体；

2)对上述搜索群体和侦察群体中每个个体对应的方案进行潮流计算，算出各节点电压和功率值；

3)根据主成分分析法建立综合评价指标，并结合每个个体对应的方案中的配电网结构、分布式电源位置容量、节点电压及功率值参数计算出相应的适应度值；

4)根据适应度值调整搜索群体中每个个体的位置信息，与侦查群体作对比，生成子代群体，并重复迭代直至最大迭代次数，以最终得到的群体最优解作为分布式电源选址定容最优方案；

上述步骤1)所述的改进的粒子群算法，是指在粒子群算法的基础上对算法进行改进；结合遗传算法的编码理论，以二进制码表示配电网结构，并转化成十进制数用个体位置信息的首个维度表示；结合人工蜂群算法，生成侦查群体，对陷入局部最优解的个体进行跳转操作，避免出现无用个体，每个参数的第一个维度包含的是配电网结构信息，其后的维度包含的是分布式电源的位置和容量信息；

上述步骤3)所述的综合评价指标包括：配电网运行可靠性函数、基于潮流解存在性的配电网电压稳定性函数、配电网建设运行经济性函数以及基于配电网运行约束的惩罚函数，通过主成分分析对单个评价指标加以权值，对优化方案的可靠性、电压稳定性以及经济性进行综合评价；

对多个指标进行的主成分分析，先取若干个体进行数据分析并统计，将所有逆向指标正向化并将正向化后的数据和原始正向数据标准化；对标准化后的数据进行主观赋权；计算赋权后各指标的相关系数矩阵，求解特征方程，将特征值从大到小排列，并取85％—95％特征值为主成分，相关系数矩阵由式(13)和式(14)计算，

$r_{ij}=\frac{\underset{k=1}{\overset{K}{\&Sigma;}}(x_{ki}-{\stackrel{\&OverBar;}{x}}_i)(x_{kj}-{\stackrel{\&OverBar;}{x}}_j)}{\sqrt{{(x_{ki}-{\stackrel{\&OverBar;}{x}}_i)}^2\underset{k=1}{\overset{K}{\&Sigma;}}{(x_{kj}-{\stackrel{\&OverBar;}{x}}_j)}^2}}---\left(14\right)$

其中，r_ij为指标x_i和x_j的相关系数，x_ki是指标x_i的第k项原始数据主观赋权后的值，x_kj是指标x_j的第k项原始数据主观赋权后的值，表示第i个指标的平均值,表示第j个指标的平均值，K为原始数据总项数。

2.如权利要求1所述的一种配电网分布式电源选址定容的优化方法，其特征在于：在上述步骤4)迭代过程中，若某个子代个体在迭代时超过n代位置信息未出现明显变化且不是群体最优解时，跳转至新位置，并继续进行迭代，新位置按式(21)计算：

x_i＝x_mini+λ(x_maxi-x_mini)(21)

其中，x_i表示跳转后的子代个体中的第i个指标值，x_maxi表示侦查群体历史最优位置的第i个指标值，λ为0到1的随机数；x_mini表示即将进行跳转的子代个体中的第i个指标值，达到最大迭代次数后，以整个群体最优解作为分布式电源选址定容最优方案。