CN103208797B - 一种基于智能优化技术的含新能源配电网状态估计方法 - Google Patents

Abstract

本发明专利公开了一种基于智能优化技术的含新能源配电网状态估计方法，对非线性、离散配电网的运行状态进行在线实时的估计，根据输入的REDG有功功率和负载功率的量测值实时的估计出REDGs的有功功率和负载功率的平均输出值。本发明方法将智能优化算法中量子进化算法QIEA全局寻优能力强、收敛速度快和贪婪随机自适应算法GRASP局部搜索能力强的优点相结合，给出一种混合量子进化算法(mQIEA),能够根据输入的REDG有功功率和负载功率的量测值实时的估计出REDGs的有功功率和负载功率的平均输出值,便于系统有效地监控系统运行状态。

Description

一种基于智能优化技术的含新能源配电网状态估计方法

技术领域

本发明涉及一种基于智能优化技术的含新能源配电网状态估计方法，属于电力系统运行与控制技术领域。

背景技术

随着智能电网技术的不断发展和大量基于可再生能源分布式发电(Renewable Sourcesbased Distributed Generations,REDGs)的接入，配电网状态估计在配电能量管理中心(Distribution Energy Management System,DEMS)的地位越来越重要。配电网状态估计能够准确的获取系统的运行状态，进而帮助系统操作员更好的完成网络重构、优化调度和系统安全评估。此外，配电网状态估计还能为更高级的配网能量能管理应用软件提供一个可靠而完整的电力系统实时数据库。因此，状态估计是电力系统运行、控制和安全评估等方面的基础。随着新能源的大量并网和电网规模的不断扩大，DEMS得到了广泛运用，同时也面临着新的挑战。REDGs并网不仅能够减少配电网能量损失还能减少输电线数量，缩减电网铺设成本，提高经济效益。然而REDGs并网的同时会对配电网的运行、保护、控制等方面产生重大影响。因此，如何使REDGs安全有效的并网是未来智能电网急需解决的问题，而解决这一问题的关键在于配电网状态估计。

配电网状态估计可以看作是一个混合整数非线性优化问题，它的目标是为了求得使状态变量的量测值和计算值的加权误差最小二乘和最小时的估计值，这些状态变量主要是指节点电压，支路有功功率和无功功率等。由于电压控制器、静止无功补偿和REDGs等非线性，以及离散操作设备的存在，导致了目标函数的不可微、离散，而传统的状态估计方法一般都是用牛顿或者内点法进行求解，但是这些非线性优化方法容易陷入局部最优解，即很难获得全局最优解，特别是一些鲁棒性状态估计；为了获得一个可以接受的解必须经过多次迭代，并且这些非线性问题有时候收敛困难，甚至不收敛，求解非常费时。因此，发明一种能有效解决这类非线性、离散的配电网状态估计问题的方法具有十分重要的实际意义，而且有利于未来智能电网的能量管理系统的不断完善。

发明内容

鉴于现有技术的以上缺点，本发明的目的是获得一种能有效求解含新能源配电网状态估计的智能优化方法，本发明方法将智能优化算法中量子进化算法(Quantum-inspiredEvolutionary Algorithm,QIEA)全局寻优能力强、收敛速度快和贪婪随机自适应算法(GreedyRandomized Adaptive Search Procedures,GRASP)局部搜索能力强的优点相结合，给出一种混合量子进化算法(mQIEA),并将其首次运用于配电网状态估计中，该方法能有效处理配电网状态估计中的非线性、离散问题，它能够根据输入的REDG有功功率和负载功率的量测值实时的估计出REDGs的有功功率和负载功率的平均输出值,便于系统操作员有效地监控系统运行状态，进一步研究新能源并网对电网的影响。

本发明为解决其技术问题，所采用的步骤如下：

步骤1：读取系统的网络数据，包括网络结构和线路阻抗、量测值、REDGs有功功率和负载功率平均值以及它们的标准差；通过量测数据和负载率来初始化每个负载值；通过每个REDG的输出功率平均值来初始化每个REDG的有功功率；

步骤2：通过前推回代法计算配电网的潮流，并获得每个变量的上下限约束；

步骤3：产生初始种群Q(t)，(t=1),n为种群规模，t为进化代数，(i=1,2,...,n)为种群中第t代的第i个个体，其形式如下所示

$q_i^t=\left[\begin{array}{c}{\mathrm{\α}}_{i1}^t\\ {\mathrm{\β}}_{i1}^t\end{array}\right|\left.\begin{array}{c}{\mathrm{\α}}_{i2}^t\\ {\mathrm{\β}}_{i2}^t\end{array}\right|\begin{array}{c}\·\·\·\\ \·\·\·\end{array}\left|\begin{array}{c}{\mathrm{\α}}_{\mathrm{im}}^t\\ {\mathrm{\β}}_{\mathrm{im}}^t\end{array}\right]$

式中，(j=1,2,...,m)是一个量子比特，并且满足归一化条件m为量子比特的个数，即一个量子染色体的长度，在初始化时，将全部n条染色体的2mn个概率幅，即所有的表示状态|0>概率幅的和表示状态|1>概率幅的(i=1,2,...,n;j=1,2,...,m)均置为即

$Q\left(t\right)=\left(\begin{array}{ccc}1/\sqrt{2}& \·\·\·& 1/\sqrt{2}\\ M& O& M\\ 1/\sqrt{2}& \·\·\·& 1/\sqrt{2}\end{array}\right)$

它表示在t=1时，每条染色体以相同的概率处于所有可能状态的线性叠加。在基于mQIEA的配电网状态估计中，m=hl，h是REDGs和负载的总个数，l是每个REDG的有功功率和负载功率量子比特的长度；

步骤4：将有约束的配电网状态估计问题转化为无约束的配电网状态估计问题。在此步骤中，采用罚函数将配电网状态估计问题中任何违反约束条件的值纳入惩罚性因子。需要注意的是，本发明中分别将外点法和内点法用于处理等式和不等式约束，从而配电网状态估计的目标函数转换成一个无约束增广目标函数：

$\left\{\begin{array}{c}F\left(x\right)=f\left(x\right)+\frac{1}{\sqrt{r^t}}{\left(\underset{j=1}{\overset{N_1}{\mathrm{\&Sigma;}}}{J}_j\left(x\right)\right)}^2+r^t\underset{j=1}{\overset{N_2}{\mathrm{\&Sigma;}}}\frac{1}{g_j\left(x\right)}\\ J_j\left(x\right)=0,j=\mathrm{1,2,3}\&CenterDot;\&CenterDot;\&CenterDot;,N_1\\ g_j\left(x\right)<0,j=\mathrm{1,2,3}\&CenterDot;\&CenterDot;\&CenterDot;,N_2\end{array}\right.$

其中,f(x)是配电网状态估计的目标函数值。N₁和N₂分别为等式和不等式约束的数量。J_j(x)和g_j(x)分别为等式和不等式约束。通常惩罚函数的初始值都被设置为1，本发明中罚函数为 $r^t={\left(\frac{1}{2}\right)}^{t-1};$

步骤5：对种群Q(t)进行观测，产生观测态值其中(i=1,2,...n)是由(i=1,2,...n)观测产生的一个长度为m的二进制串。观测过程如下：如果random[0,1)<|α|²，观测值就为0，否则为1；|α|²表示该量子比特以某一种概率幅值坍缩到状态“0”上；α为任一量子比特的概率幅。

步骤6：通过步骤4中的目标函数来评价P(t)；

步骤7：将P(t)中的最优个体存储到s(t)；s(t)表示一个存贮最优个体的集合；

步骤8：采用GRASP对s(t)进行局部搜索，产生新的种群R(t)；

步骤9：通过步骤4中的目标函数来评价R(t)；R(t)表示局部搜索所产生的个体集合；

步骤10：将R(t)中的最优个体存储到s(t)；

步骤11：量子门更新；

步骤12：终止条件判断。若满足终止条件，则向智能电网能量管理系统或配电网实时状态监控系统输出REDG有功功率和负载功率平均值的估计值，若不满足，则令t←t+1， $r^t={\left(\frac{1}{2}\right)}^{t-1},$ 并转步骤5。

本发明提供一种基于智能优化技术的含新能源配电网状态估计方法，具有以下优势：

(1)相对于已有的状态估计方法，本发明具有能够估计配电网中新能源有功功率和负载功率平均值的实时输出值，计算效率高、实时性好等优势。

(2)本发明能够处理由电压控制器、静止无功补偿器和REDGs等非线性、离散操作仪器对配电网状态估计中的目标函数带来的不可微、离散问题，能够适用于实际工程领域。而传统的状态估计方法并没有考虑这些非线性和离散操作设备对配电网状态估计带来的问题，或者说传统的配电网状态估计并不能很好的解决目标函数非线性、离散的优化问题

(3)本发明所采用的基于智能优化技术的含新能源配电网状态估计方法在估计新能源和负载实时输出值上，相比于其它的智能优化算法具有精度好、准确度高的优点。这是由于发明中所采用的智能优化方法将量子进化算法全局寻优能力强、收敛速度快和贪婪随机自适应算法局部搜索能力强的优点相结合，这一点优势会在具体的实施例中详细的进行讨论。

附图说明

图1是REDGs四种模型;

图2是本发明流程图；

图3是本发明实施例中所采用的π形等值电路图；

图4是本发明实施例中所采用变压器π形等值电路图；

图5是本发明实施例中的IEEE70节点测试图；

具体实施方式

下面结合IEEE70节点测试系统对本发明的技术方案进行详细描述。

在给定网络接线、支路参数和量测系统的条件下，配电网状态估计在数学上可以形式化为一个含等式和不等式约束的优化问题，并且优化问题的目标函数可表示为：

$\min f\left(x\right)=\underset{i=1}{\overset{r}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i{(z_i-h_i\left(x\right))}^2$

式中，r是量测量的个数；ω_i是第i个量测变量的加权因子；z_i是第i个量测值(通常来自于SCADA系统)；h_i(·)为由基尔霍夫等基本电路定律所建立的量测函数；x为系统状态变量，在本发明中x=[P_G,P_Load]_1×n即为REDG有功功率和负载功率平均输出值，而不是传统的电压幅值或相角，且 $P_G=[P_G^1,P_G^2,...,P_G^N];$ $P_{\mathrm{Load}}=[P_{\mathrm{Load}}^1,P_{\mathrm{Load}}^2,...,P_{\mathrm{Load}}^M];$ d是状态变量数且d=N+M；N是REDGs的个数并且REDG有功功率的输出是变化的，在本实施例中，N=8；M是负载的个数并且负载的功率输出也是变化的；是第i个REDG的有功输出值i=1,2,3...,N；是第i个负载的有功功率输出值i=1,2,3...,M，在本实施例中M=8。

目标函数约束包含等式约束和不等式约束，其中等式约束是指不平衡三相潮流；而不等式约束是指

$\left\{\begin{array}{c}{P}_{G\min }^i\&le;P_G^i\&le;P_{G\max }^i,i=\mathrm{1,2,3}\&CenterDot;\&CenterDot;\&CenterDot;,N\\ P_{\mathrm{Load}\min }^i\&le;P_{\mathrm{Load}}^i\&le;P_{\mathrm{Load}\max }^i,i=\mathrm{1,2,3}\&CenterDot;\&CenterDot;\&CenterDot;,M\\ V_{\min }\&le;V_i\&le;V_{\max },i=\mathrm{1,2,3}\&CenterDot;\&CenterDot;\&CenterDot;,N_b\\ \left|P_{\mathrm{ij}}^{\mathrm{Line}}\right|<P_{\mathrm{ij},\max }^{\mathrm{Line}}\\ 0\&le;Q_c^i\&le;Q_{c,\max }^i,i=\mathrm{1,2,3}\&CenterDot;\&CenterDot;\&CenterDot;,N_c\\ {\mathrm{Tap}}_i^{\min }<\mathrm{Ta}{p}_i<\mathrm{Ta}{p}_i^{\max },i=\mathrm{1,2,3}\&CenterDot;\&CenterDot;\&CenterDot;,N_t\end{array}\right.$

式中，和分别指第i个REDG有功输出的最小和最大值；和分别指第i个负载功率输出的最小和最大值；V_i、V_min和V_max分别指第i个节点实际电压幅值，电压幅值最小和最大值；N_b是节点数目；和分别指节点i和j之间潮流绝对值和线路最大传输功率；和分别是第i个电容器的无功功率和最大无功功率；N_c是安装在馈线上电容器的数目；Tap_i、和分别是指第i个变压器抽头的位置，变压器抽头位置的下限和上限；N_t是指安装在馈线上的变压器数目。

一般来说，REDGs在配电网中建模为PQ或PV节点。考虑到配电网是三相系统，因此REDGs可以用同步三相控制和独立三相控制或单相控制来控制和管理，如图1所示，其中，图1(a)表示同步三相控制PQ模型；图1(c)表示同步三相PV模型；图1(b)表示独立三相控制PQ模型；图1(d)表示独立三相PV模型。本发明中采用图(a)模型。

为了求解上述优化问题，根据流程图2所示，需要采取如下步骤：

步骤1：读取IEEE70节点的网络数据，包括网络结构和线路阻抗、量测值、REDGs有功功率和负载功率平均值以及它们的标准差，其中REDGs和负载参数如表2和表3所示；通过量测数据和负载率来初始化每个负载值；通过每个REDG的输出功率平均值来初始化每个REDG有功功率。

表2  负载参数

表3  REDGs参数

此步中，由于有REDGs的接入，故量测量的配置类型不仅包括各节点的注入功率量测P_i、Q_i、P_G、P_load，还包括支路的功率量测P_ij、Q_ij、P_ji、Q_ji以及各节点的电压幅值量测U_i。它们的量测函数(以极坐标表示)分别为：

节点i电压幅值，U_i=U_i

节点注入有功和无功功率：

$P_i=U_i\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{U}_j(G_{\mathrm{ij}}\cos {\mathrm{\&theta;}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\&theta;}}_{\mathrm{ij}})$

$Q_i=U_i\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{U}_j(G_{\mathrm{ij}}\sin {\mathrm{\&theta;}}_{\mathrm{ij}}-B_{\mathrm{ij}}\cos {\mathrm{\&theta;}}_{\mathrm{ij}})$

式中θ_ij=θ_i-θ_j，P_i和Q_i分别为节点i有功功率和无功功率注入，其方向规定为：流入节点i为正，流出节点i为负；Y_ij为节点导纳矩阵中对应节点i和j之间的元素，当i=j时为自导纳，当i≠j时为互导纳，其通式为Y_ij=G_ij+jB_ij，G_ij为电导，B_ij为电纳。

步骤2：通过前推回代法计算配电网的潮流，并获得每个变量的上下限约束。

此步骤中，对于图3所示的非变压器支路，其线路潮流量测方程如下：

非变压器支路i-j上始端有功功率和无功功率：

$P_{\mathrm{ij}}=U_i^{2}g-U_i{U}_{j}g\cos {\mathrm{\&theta;}}_{\mathrm{ij}}-U_i{U}_{j}b\sin {\mathrm{\&theta;}}_{\mathrm{ij}}$

$Q_{\mathrm{ij}}=-U_i^2(b+y_c)-U_i{U}_{j}g\sin {\mathrm{\&theta;}}_{\mathrm{ij}}+U_i{U}_{j}b\cos {\mathrm{\&theta;}}_{\mathrm{ij}}$

式中，P_ij和Q_ij分别为线路i-j上始端有功功率和无功功率，其方向规定为：由i流向j为正，由j流向i为负。

非变压器支路i-j终端有功功率和无功功率：

$P_{\mathrm{ij}}=U_i^{2}g-U_i{U}_{j}g\cos {\mathrm{\&theta;}}_{\mathrm{ij}}+U_i{U}_{j}b\sin {\mathrm{\&theta;}}_{\mathrm{ij}}$

$Q_{\mathrm{ij}}=-U_i^2(b+y_c)+U_i{U}_{j}g\sin {\mathrm{\&theta;}}_{\mathrm{ij}}+U_i{U}_{j}b\cos {\mathrm{\&theta;}}_{\mathrm{ij}}$

式中，P_ij和Q_ij分别为线路i-j终端有功功率和无功功率，其方向规定为：由j流向i为正，由i流向j为负；y_ij为线路导纳值，有g为线路导纳，b为线路电纳，R为线路电阻，X为线路电抗，y_c为线路对地导纳值。

对于图4所示的变压器支路，其线路潮流量测方程如下：

非变压器支路i-j上始端有功功率和无功功率：

$P_{\mathrm{ij}}=-\frac{1}{K}{U}_i{U}_j{b}_T\sin {\mathrm{\&theta;}}_{\mathrm{ij}}$

$Q_{\mathrm{ij}}=-\frac{1}{K^2}{U}_i^2{b}_T+\frac{1}{K}{U}_i{U}_j{b}_T\cos {\mathrm{\&theta;}}_{\mathrm{ij}}$

其方向规定为：由i流向j为正，由j流向i为负。

变压器支路i-j上终端有功功率和无功功率：

$P_{\mathrm{ij}}=-\frac{1}{K}{U}_i{U}_j{b}_T\sin {\mathrm{\&theta;}}_{\mathrm{ij}}$

$Q_{\mathrm{ij}}=-{b_{T}U}_j^2+\frac{1}{K}{U}_i{U}_j{b}_T\cos {\mathrm{\&theta;}}_{\mathrm{ij}}$

其方向规定为：由j流向i为正，由i流向j为负。

上述变压器支路量测方程中，K为变压器非标准变比；j为标准侧，变比为1；i为非标准侧，变比为K；b_T为变压器标准侧的电纳，有其中X_T为变压器标准侧之电抗。

步骤3包括：产生初始种群Q(t)，(t=1),n=30，t为进化代数，(i=1,2,...,n)为种群中第t代的第i个个体， $Q\left(t\right)=\left(\begin{array}{ccc}1/\sqrt{2}& \&CenterDot;\&CenterDot;\&CenterDot;& 1/\sqrt{2}\\ M& O& M\\ 1/\sqrt{2}& \&CenterDot;\&CenterDot;\&CenterDot;& 1/\sqrt{2}\end{array}\right)$

它表示在t=1时，每条染色体以相同的概率处于所有可能状态的线性叠加。在基于mQIEA的配电网状态估计中，m=hl，h是REDGs和负载的总的个数且h=8，l是每个REDG有功功率和负载功率量子比特的长度且l=8，m=64。例如以4个REDGs的有功功率(DG₁,DG₂,DG₃,DG₄)为例，并且每个DG都用8个量子比特来表示，一个染色体q_i(i=1,2,...,n)表示为

在本发明的几个实例中，所述步骤3包括：将约束的配电网状态估计转化为非约束的配电网状态估计。在此步中通过罚函数将配电网状态估计问题中任何违反约束条件的值纳入惩罚性因子。需要注意的是，本发明中分别将外点法和内点法用于处理等式和不等式约束，从而配电网状态估计的目标函数转换成一个无约束增广目标函数：

$\left\{\begin{array}{c}F\left(x\right)=f\left(x\right)+\frac{1}{\sqrt{r^t}}{\left(\underset{j=1}{\overset{N_1}{\mathrm{\&Sigma;}}}{J}_j\left(x\right)\right)}^2+r^t\underset{j=1}{\overset{N_2}{\mathrm{\&Sigma;}}}\frac{1}{g_j\left(x\right)}\\ J_j\left(x\right)=0,j=\mathrm{1,2,3}...,N_1\\ g_j\left(x\right)<0,j=\mathrm{1,2,3}...,N_2\end{array}\right.$

其中,f(x)是配电网状态估计的目标函数值。N₁=3和N₂=6分别为等式和不等式约束的数量。J_j(x)和g_j(x)分别等式和不等式约束。通常惩罚函数的初始值都被设置为1，本发明中罚函数为 $r^t={\left(\frac{1}{2}\right)}^{t-1};$

步骤4包括：对种群Q(t)进行观测，产生观测态其中(i=1,2,...n)是由(i=1,2,...n)观测产生的一个长度为m的二进制串。观测过程如下：如果random[0,1)<|α|²，观测值就为0，否则为1；|α|²表示该量子比特以某一种概率幅值坍缩到状态“0”上；

步骤5包括：通过步骤3中的目标函数来评价P(t)；

步骤6包括.：将P(t)中的最优个体存储到s(t)；s(t)表示一个存贮最优个体的集合；

步骤7.包括：通过对s(t)进行局部搜索GRASP产生新的种群R(t)；

步骤8包括：通过步骤3中的目标函数来评价R(t)；R(t)表示局部搜索所产生的个体集合；

步骤9包括：将R(t)中的最优个体存储到s(t)；

步骤10包括：量子门更新；在量子进化算法中，由于染色体处于叠加状态，因而更新操作不能采用传统进化算法中的选择、交叉和变异等操作方式，而采用量子门作用于种群中各个染色体的量子叠加态的基态，使其相位发生改变，从而改变各基态的概率幅，完成从父代到子代的更新操作。子代个体的产生不是由父代群里所决定，而是由父代的最优个体及其状态的概率幅决定。量子门更新如下式：

$\left[\begin{array}{c}{\mathrm{\&alpha;}}_{\mathrm{ij}}^{t+1}\\ {\mathrm{\&beta;}}_{\mathrm{ij}}^{t+1}\end{array}\right]=G_{\mathrm{ij}}^t\left(\mathrm{\&theta;}\right)\left[\begin{array}{c}{\mathrm{\&alpha;}}_{\mathrm{ij}}^t\\ {\mathrm{\&beta;}}_{\mathrm{ij}}^t\end{array}\right]$

其中，为某一染色体中第i个量子比特，为更新后该染色体中第i个量子比特，为量子门。在量子进化算法中，量子门的设计是关键，直接关系到算法性能的好坏。在本发明中，采用量子旋转门，即：

$G_{\mathrm{ij}}^t\left(\mathrm{\&theta;}\right)=\left[\begin{array}{cc}\cos {\mathrm{\&theta;}}_{\mathrm{ij}}^t& -\sin {\mathrm{\&theta;}}_{\mathrm{ij}}^t\\ \sin {\mathrm{\&theta;}}_{\mathrm{ij}}^t& \cos {\mathrm{\&theta;}}_{\mathrm{ij}}^t\end{array}\right]$

式中，θ_ij的大小和符号决定算法的性能；旋转角的定义为：

${\mathrm{\&theta;}}_{\mathrm{ij}}^t=s({\mathrm{\&alpha;}}_{\mathrm{ij}}^t,{\mathrm{\&beta;}}_{\mathrm{ij}}^t)\mathrm{\&Delta;}{\mathrm{\&theta;}}_{\mathrm{ij}}^t$

Δθ_ij为旋转角θ_ij的大小，以控制算法收敛速度；为旋转角θ_ij的符号，以保证算法的收敛。

步骤11包括：终止条件判断。假设P(t)中的二进制串(i=1,2,...n)对应于b(t)在t代的最佳个体，量子比特收敛C_λ定义为：

$C_{\mathrm{\&lambda;}}=\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}\max \{{\left|{\mathrm{\&alpha;}}_{\mathrm{ij}}^t\right|}^2,{\left|{\mathrm{\&beta;}}_{\mathrm{ij}}^t\right|}^2\}$

量子比特收敛C_λ精确定义了一个最佳量子比特个体收敛到0或1的程度，本发明中收敛结束条件设置为C_λ>0.99，若满足此终止条件，则向智能电网能量管理系统或配电网实时状态监控系统输出REDG有功功率和负载功率平均值的估计值，若不满足，则令t←t+1，并转步骤4。

运用本发明的方法对IEEE70节点进行计算机仿真，并定义个体最大相对误差(MIRE)和个体最大绝对误差(MIAE):

$\mathrm{MIRE}(\%)=\max \left\{\right|x_e^i-x_a|/|x_a^i|\&times;100\}$

$\mathrm{MIEA}=\max \left\{\right|x_e^i-x_a^i\left|\right\}$

式中和分别为第i个状态变量的估计值和第i个状态变量的实际值，i=1,2,...,N or M，仿真结果如下表4-7所示。

表4  本发明与PSO、HBMO、ACO、PSO、GRASP、QIEA、PSO-NM、NN、GA在估计REDG有功功率输出值的MIRE和MIAE上的对比

表5  本发明与PSO、HBMO、ACO、PSO、GRASP、QIEA、PSO-NM、NN、GA在估计负载功率输出值的MIRE和MIAE上的对比

从表4和表5可以看出，不管是在负载功率输出还是REDGs有功功率输出的估计MIRE、MIAE上，本发明的方法都要优于其它方法，另外从表6和表7可以看出，本发明的方法可以准确的估计出REDGs有功功率和负载功率输出平均值，并且都优于所列的另外3种方法，这对于系统调度员恰当的对电网进行重构、优化以及研究新能源并网对电网的影响都具有重要的指导意义。

本发明可以在线实时的估计出REDGs和负载的运行状态，并且估计精度高，计算速度快，能较好的运用于未来智能电网的能量管理，对智能电网的进一步发展具有重要的意义。

表6  本发明与PSO、HBMO、ACO、PSO、GRASP、QIEA、PSO-NM、NN、GA在估计负载有功和无功平均值上的对比

表7  本发明与PSO、HBMO、ACO、PSO、GRASP、QIEA、PSO-NM、NN、GA在估计REDGs有功功率输出平均值上的对比

Claims (2)

1.一种基于智能优化技术的含新能源配电网状态估计方法，对非线性、离散配电网的运行状态进行在线实时的估计，根据输入的REDG有功功率和负载功率的量测值实时的估计出REDGs的有功功率和负载功率的平均输出值，具体作法包括：

步骤1：读取系统的网络数据，包括网络结构和线路阻抗、量测值、REDGs有功功率和负载功率平均值以及它们的标准差；通过量测数据和负载率来初始化每个负载值；通过每个REDG的输出功率平均值来初始化每个REDG的有功功率；

步骤2：通过前推回代法计算配电网的潮流，并获得每个变量的上下限约束；

步骤3：产生初始种群Q(t)，n为种群规模，t为进化代数，为种群中第t代的第i个个体，其形式如下所示

$q_i^t=\left[\begin{array}{c}{\mathrm{\&alpha;}}_{i1}^t\\ {\mathrm{\&beta;}}_{i1}^t\end{array}\right|\left.\begin{array}{c}{\mathrm{\&alpha;}}_{i2}^t\\ {\mathrm{\&beta;}}_{i2}^t\end{array}\right|\left.\begin{array}{c}...\\ ...\end{array}\right|\left.\begin{array}{c}{\mathrm{\&alpha;}}_{\mathrm{im}}^t\\ {\mathrm{\&beta;}}_{\mathrm{im}}^t\end{array}\right]$

式中，是一个量子比特，并且满足归一化条件m为量子比特的个数，即一个量子染色体的长度，在初始化时，将全部n条染色体的2mn个概率幅，即所有的α_ij，β_ij(i＝1,2,...,n；j＝1,2,...,m)均置为即

它表示在t＝1时，每条染色体以相同的概率处于所有可能状态的线性叠加，m＝hl，h是REDGs和负载的总个数，l是每个REDG的有功功率和负载功率量子比特的长度；

步骤4：将有约束的配电网状态估计问题转化为无约束的配电网状态估计问题；在此步骤中，采用罚函数将配电网状态估计问题中任何违反约束条件的值纳入惩罚性因子，分别将外点法和内点法用于处理等式和不等式约束，从而配电网状态估计的目标函数转换成一个无约束增广目标函数：

$\left\{\begin{array}{c}F\left(x\right)=f\left(x\right)+\frac{1}{\sqrt{r^t}}{\left(\underset{j=1}{\overset{N_1}{\mathrm{\&Sigma;}}}{J}_j\left(x\right)\right)}^2+r^t\underset{j=1}{\overset{N_2}{\mathrm{\&Sigma;}}}\frac{1}{g_j\left(x\right)}\\ J_j\left(x\right)=0,j=\mathrm{1,2,3}...,N_1\\ g_j\left(x\right),0,j=\mathrm{1,2,3}...,N_2\end{array}\right.$

其中,f(x)是配电网状态估计的目标函数值，N₁和N₂分别为等式和不等式约束的数量，J_j(x)和g_j(x)分别为等式和不等式约束；通常惩罚函数的初始值都被设置为1，罚函数为

步骤5：对种群Q(t)进行观测，产生观测态值其中是由观测产生的一个长度为m的二进制串；观测过程如下：如果random[0,1)<|α|²，观测值就为0，否则为1；

步骤6：通过步骤4中的目标函数来评价P(t)；

步骤7：将P(t)中的最优个体存储到s(t)；

步骤8：采用贪婪随机自适应算法GRASP对s(t)进行局部搜索，产生新的种群R(t)；

步骤9：通过步骤4中的目标函数来评价R(t)；

步骤10：将R(t)中的最优个体存储到s(t)；

步骤11：量子门更新；

步骤12：终止条件判断，若满足终止条件，则向智能电网能量管理系统或实时状态控制系统输出REDG有功功率和负载功率平均值的估计值，若不满足，则令t←t+1，并转步骤5。

2.根据权利要求1所述之基于智能优化技术的含新能源配电网状态估计方法，其特征在于，所述步骤12中的终止条件为：C_λ>0.99；

其中， $C_{\mathrm{\&lambda;}}=\frac{1}{m}\max \{{\left|{\mathrm{\&alpha;}}_{i,j}^t\right|}^2,{\left|{\mathrm{\&beta;}}_{i,j}^t\right|}^2\}.$