CN104361403B - 一种分布式电源与微电网的优化分组配置方法 - Google Patents

一种分布式电源与微电网的优化分组配置方法 Download PDF

Info

Publication number
CN104361403B
CN104361403B CN201410584170.9A CN201410584170A CN104361403B CN 104361403 B CN104361403 B CN 104361403B CN 201410584170 A CN201410584170 A CN 201410584170A CN 104361403 B CN104361403 B CN 104361403B
Authority
CN
China
Prior art keywords
mrow
msub
msubsup
distributed power
capacity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410584170.9A
Other languages
English (en)
Other versions
CN104361403A (zh
Inventor
叶学顺
盛万兴
刘科研
孟晓丽
刘永梅
何开元
贾东梨
胡丽娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
China Electric Power Research Institute Co Ltd CEPRI
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Zhejiang Electric Power Co Ltd, China Electric Power Research Institute Co Ltd CEPRI filed Critical State Grid Corp of China SGCC
Priority to CN201410584170.9A priority Critical patent/CN104361403B/zh
Publication of CN104361403A publication Critical patent/CN104361403A/zh
Application granted granted Critical
Publication of CN104361403B publication Critical patent/CN104361403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • Y02P80/14—District level solutions, i.e. local energy networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明提供一种分布式电源与微电网的优化分组配置方法，包括以下步骤：建立基于分布式电源与微电网混合集成供电的多目标优化模型；采用非支配性遗传算法对多目标优化模型进行求解，实现分布式电源与微电网的优化分组配置。本发明中建立的多目标优化模型充分考虑投资成本、供电可靠性以及运行网损，并计及了微电网功率平衡、储能容量配置比例、渗透率、节点电压、分布式电源出力以及分组数等约束条件，考虑因素较为全面，能有效解决分布式电源与微电网混合集成下各个分布式电源、负荷和储能的接入位置和容量问题。

Description

一种分布式电源与微电网的优化分组配置方法
技术领域
本发明涉及一种配置方法，具体涉及一种分布式电源与微电网的优化分组配置方法。
背景技术
近些年，风力发电和光伏发电等分布式电源接入电网的规模和容量正逐步地增长，有效提高了新能源的利用效率，减少了环境污染，增加了输配电系统的传输裕度。但风力发电和光伏发电具有间歇性、随机性和波动性，这种不确定性对电网造成了一定的冲击。当分布式电源的渗透率到达一定的程度时，甚至会进一步影响系统的安全稳定运行。
微电网是由分布式电源、负荷和储能装置组成的小型网络，可以并网运行也可以在大电网故障时独立孤岛运行。微电网是分布式电源接入配电网的一种较好的解决方案。与单个或多个分布式电源直接并网相比，以微电网形式并网具有灵活的运行模式，供电更加可靠，能有效降低系统的备用容量、克服分布式电源随机性对电网的冲击，提高了系统的稳定性。但是微电网建设需增加储能装置、无功补偿以及控制设备等大量额外的投资，导致投资费用加大，控制难度也会增大。
现有分布式电源接入配电网的方案可以分为两类：第一类方案是分布式电源直接接入配电网和采用微电网形式间接并网，以分布式电源直接并网的方案存在的主要问题是：分布式电源输出功率的波动性取决于自然条件的变化，分布式电源随机性较强，当分布式电源渗透率较高时对系统潮流分布、无功调节、电能质量等的影响较大，可能进一步威胁配电网安全稳定运行，同时分布式电源不具备独立运行能力，一旦有系统中有故障发生时，必须立即退出运行，供电可靠性低；第二类方案是将分布式电源、负荷以及储能装置组成微电网，然后微电网并网，形成集中对外供电的模式，该方案主要特点及问题是：当主网故障时，储能装置采用电压型控制策略，为孤岛系统提供了电压和频率的支撑，使得微电网在离网状态下具备独立运行能力。但这种集中模式需要增加储能装置、无功补偿、控制设备等投入，投资费用较大，对储能装置的容量、短时放电功率、爬坡率等指标要求较高，同时系统的维护费用也相应增长，控制难度加大，二次故障停电风险较大。
如果采用分布式电源与微电网间的混合供电方案，可以充分发挥了分布式电源供电成本低，微电网供电可靠性高的优点，并在两者之间选取了最优的配置方案，达到最佳的技术经济性，同时可以合理分层分区配置风光资源以满足负荷需求，运行方式具有多样性、灵活性以及较强的适应性。
如何优化配置微电网中分布式电源、负荷、储能装置的容量和接入位置，以及分配位于微电网外的负荷和分布式电源是混合供电方案的难点与核心问题，然而对于这种混合集成供电方案，现阶段缺乏相应的规划数学模型和求解算法。
发明内容
为了克服上述现有技术的不足，本发明提供一种分布式电源与微电网的优化分组配置方法，充分考虑投资成本、供电可靠性以及运行网损，并计及了微电网功率平衡、储能容量配置比例、渗透率、节点电压、分布式电源出力以及分组数等约束条件，考虑因素较为全面，能有效解决分布式电源与微电网混合集成下各个分布式电源、负荷和储能的接入位置和容量问题。
为了实现上述发明目的，本发明采取如下技术方案：
本发明提供一种分布式电源与微电网的优化分组配置方法，所述方法包括以下步骤：
步骤1：建立基于分布式电源与微电网混合集成供电的多目标优化模型；
步骤2：采用非支配性遗传算法对多目标优化模型进行求解，实现分布式电源与微电网的优化分组配置。
所述步骤1中，多目标优化模型的目标函数包括投资成本、电网电量不足期望以及网损，对应的约束条件包括等式约束和不等式约束。
目标函数中，有：
(1)投资成本用Fm表示，且：
其中，NES为储能装置的组数，CES为单位容量储能装置的投资成本，PES.p为第p组储能装置的容量；NDG为分布式电源的分组数，CDG为单位容量分布式电源的投资成本，PDG.i为第i组分布式电源的有功容量；CMG为微电网建设成本，且CMG＝a*SMG+b，其中a表示微电网规划容量与建设成本的正相关性，主要包含控制设备、无功补偿设备和谐波治理设备的综合单位成本，SMG为微电网的建设容量，b表示微电网建设的固定成本；
(2)电网电量不足期望用Em表示，且：
其中，pin为位于微电网内部的负荷失电的概率，PL.MG为接入微电网区域内的负荷总量，pout为位于微电网外的负荷的失电概率，PTL为负荷有功总量，xL.i为负荷的接入位置节点，xES为储能装置的接入位置节点，PL.i为接入xL.i节点的负荷容量；
(3)网损用Floss表示，且：
其中，Nb为线路的数目，Rk为第k条线路的电阻，Uk为第k条线路相连的首端对应的母线节点电压，Pk和Qk分别为第k线路的有功功率和无功功率。
所述等式约束包括潮流方程约束、分布式电源容量约束和负荷容量约束；
(1)潮流方程约束表示为：
其中，Pm和Qm分别为节点m的注入有功功率和无功功率，Um和Un分别为节点m和节点n的电压幅值，N为节点总数，Gmn和Bmn分别为节点m和节点n之间线路导纳的实部和虚部，θmn为节点m和节点n之间的相角差；
(2)分布式电源容量约束表示为：
其中，NDG为分布式电源的分组数，PTDG为分布式电源总的有功容量；
(3)负荷容量约束表示为：
其中，NL为负荷的分组数，PL.d为第d组负荷的容量，PTL为负荷总的有功容量。
所述不等式约束包括支路功率约束、分布式电源渗透率约束、储能装置配置容量约束、微电网内有功功率平衡约束、分布式电源出力约束、节点电压偏差约束和分组数约束。
(1)支路功率约束表示为：
其中，Sk为第k条线路的视在功率，第k条线路视在功率上限，且k∈[0,Nb]，Nb为线路的数目；
(2)分布式电源渗透率约束表示为：
其中，NDG为分布式电源的分组数，STL为负荷总的视在容量，η为功率因素，λ为分布式电源渗透率；
(3)储能装置配置容量约束表示为：
λ′PL.MG≤PES≤PES.max
其中，λ′为储能装置配置容量下限比例系数，PL.MG为分布式电源区域内的负荷总量，PES为储能装置的容量，PES.max储能装置的容量上限；
(4)微电网内有功功率平衡约束表示为：
PES+PDG.MG-PL.MG≥ε
其中，ε为有功备用容量，PDG.MG为微电网内分布式电源的总容量，表示为：
其中，xDG.i为第i组分布式电源的接入位置节点；
(5)分布式电源出力约束表示为：
其中，和分别为第i组分布式电源的有功容量上限和下限，和分别为第i组分布式电源的无功容量上限和下限；
(6)节点电压偏差约束表示为：
其中，和分别为节点m的电压幅值的上限和下限；
(7)分组数约束包括负荷分组约束、分布式电源分组约束和储能装置分组约束，分别表示为：
NES＝1
其中，为负荷分组数限值，为分布式电源的分组数限值。
所述步骤2具体包括以下步骤：
步骤2-1：初始化程序数据，包括种群数NP，最大迭代次数Gn，遗传因子F，变异因子CR，以及惩罚因子w1,w2,w3,w4,w5,w6,w7；
步骤2-2：根据初始化数据，考虑惩罚因子w1,w2,w3,w4,w5,w6,w7，计算经过修正得到的多目标优化模型中子目标函数Nobj＝1,2,3；
步骤2-3：根据子目标函数值的大小对种群个体进行非支配性排序，非支配性排序的策略如下：如果个体X1和个体X2对应的子目标函数值满足那么称个体X1支配个体X2，个体X1为非支配解，排序在前；
步骤2-4：通过二元锦标赛，即随机选择个体X1和个体X2，如果个体X1优于个体X2，则选取个体X1，舍弃个体X2，依次从当前种群中挑选出NP/2优势个体作为父代种群；
步骤2-5：对挑选出的父代种群进行遗传和变异操作，生产NP/2个子代种群；
步骤2-6：计算各个子代种群的子目标函数值；
步骤2-7：将NP/2个子代种群和当前种群合并，再进行非支配性排序；
步骤2-8：挑选出NP个优势个体作为下一代种群；
步骤2-9：如果迭代次数达到最大进化代数，则进入下一步，否则进入步骤2-5循环；
步骤2-10：根据决策偏好，确定最终的优化分组配置策略，进而得到帕累托解集，此时根据决策者的偏好选取最优解。
所述步骤2-2中，多目标优化模型进行求解过程转换为求满足等式约束和不等式约束的目标函数最小值的优化模型，多目标优化模型表示为：
minf(xc,xu)＝min{f1(xc,xu),f2(xc,xu),f3(xc,xu)}
S.t：ht(xc,xu)＝0,t＝1,2,3
gt(xc,xu)≤0,t＝1,2,…,7
其中，f(xc,xu)为优化目标函数，f1(xc,xu)、f2(xc,xu)和f3(xc,xu)分别为投资成本子目标函数、电网电量不足期望子目标函数和网损子目标函数；hi(xc,xu)为等式约束条件，gi(xc,xu)为不等式约束；xc为独立控制决策变量，xu为状态变量；
通过罚函数对上述多目标优化模型进行修正，得到：
其中，Nobj＝1,2,3，f′1(xc,xu),f′2(xc,xu),f′3(xc,xu)分别为通过罚函数修正后的投资成本子目标函数、电网电量不足期望子目标函数和网损子目标函数；w1,w2,w3,w4,w5,w6,w7为惩罚因子；ΔSk为线路的视在功率最大偏差，ΔPDG为分布式电源的有功容量最大偏差，ΔPES为储能装置的容量偏差，ΔPMG为微电网的容量偏差，ΔU为节点电压幅值最大偏差，分别表示为：
ΔPES＝max(PES-λ′PL.MG,0)
ΔPMG＝max(PL.MG-PES-PDG.MG,0)
其中，Sk为第k条线路的视在功率，第k条线路视在功率上限；和分别为节点m电压幅值上限和下限。
所述步骤2-10具体包括以下步骤：
1)遍历帕累托解集，计算帕累托解集中第g个解中第Nobj个子目标函数的隶属度有：
其中，为中第Nobj个子目标函数值，和分别第Nobj个子目标函数值的上限和下限；
2)根据决策者偏好设置权重值，并计算多目标函数最优解的隶属度加权值ug，有：
其中，为第Nobj个子目标函数值的权重；
3)选取隶属度加权值ug得到的最大值所对应的帕累托解作为最优解，即分布式电源与微电网的优化分组配置策略。
与现有技术相比，本发明的有益效果在于：
(1)本发明中的多目标优化模型，充分考虑投资成本、供电可靠性以及运行网损，并计及了微电网功率平衡、储能容量配置比例、渗透率、节点电压、分布式电源出力以及分组数等约束条件，考虑因素较为全面，能有效解决分布式电源与微电网混合集成下各个分布式电源、负荷和储能的接入位置和容量问题；
(2)本发明中的多目标优化模型，采用基于非支配性排序遗传算法进行求解，最大限度的保持了各优化目标之间的独立性以及优化结果的全局最优，具有较高的收敛速度，对该多目标数学优化模型具有极强的求解效率和良好求解效果。
附图说明
图1是本发明实施例中采用非支配性遗传算法对多目标优化模型进行求解的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种分布式电源与微电网的优化分组配置方法，所述方法包括以下步骤：
步骤1：建立基于分布式电源(Distributed Generation，DG)与微电网(Micro-Grid，MG)混合集成供电的多目标优化模型；
步骤2：采用非支配性遗传算法对多目标优化模型进行求解，实现分布式电源与微电网的优化分组配置。
所述步骤1中，多目标优化模型的目标函数包括投资成本、电网电量不足期望以及网损，对应的约束条件包括等式约束和不等式约束。
目标函数中，有：
(1)投资成本用Fm表示，且：
其中，NES为储能装置的组数，CES为单位容量储能装置的投资成本，PES.p为第p组储能装置的容量；NDG为分布式电源的分组数，CDG为单位容量分布式电源的投资成本，PDG.i为第i组分布式电源的有功容量；CMG为微电网建设成本，且CMG＝a*SMG+b，其中a表示微电网规划容量与建设成本的正相关性，主要包含控制设备、无功补偿设备和谐波治理设备的综合单位成本，SMG为微电网的建设容量，b表示微电网建设的固定成本；
(2)电网电量不足期望是指某一研究周期内由于供电不足，造成用户减少用电量的期望值。电网电量不足期望值是电网规划中的重要可靠性指标之一。本文选用电网电量不足期望值Em作为目标函数之一。电网电量不足期望用Em表示，且：
其中，pin为位于微电网内部的负荷失电的概率，PL.MG为接入微电网区域内的负荷总量，pout为位于微电网外的负荷的失电概率，PTL为负荷有功总量，xL.i为负荷的接入位置节点，xES为储能装置的接入位置节点，PL.i为接入xL.i节点的负荷容量；
(3)网损用Floss表示，且：
其中，Nb为线路的数目，Rk为第k条线路的电阻，Uk为第k条线路相连的首端对应的母线节点电压，Pk和Qk分别为第k线路的有功功率和无功功率。
所述等式约束包括潮流方程约束、分布式电源容量约束和负荷容量约束；
(1)潮流方程约束表示为：
其中，Pm和Qm分别为节点m的注入有功功率和无功功率，Um和Un分别为节点m和节点n的电压幅值，N为节点总数，Gmn和Bmn分别为节点m和节点n之间线路导纳的实部和虚部，θmn为节点m和节点n之间的相角差；
(2)分布式电源容量约束表示为：
其中，NDG为分布式电源的分组数，PTDG为分布式电源总的有功容量；
(3)负荷容量约束表示为：
其中，NL为负荷的分组数，PL.d为第d组负荷的容量，PTL为负荷总的有功容量。
所述不等式约束包括支路功率约束、分布式电源渗透率约束、储能装置配置容量约束、微电网内有功功率平衡约束、分布式电源出力约束、节点电压偏差约束和分组数约束。
(1)支路功率约束表示为：
其中，Sk为第k条线路的视在功率，第k条线路视在功率上限，且k∈[0,Nb]，Nb为线路的数目；
(2)分布式电源渗透率约束表示为：
其中，NDG为分布式电源的分组数，STL为负荷总的视在容量，η为功率因素，λ为分布式电源渗透率；
(3)储能装置配置容量约束表示为：
λ′PL.MG≤PES≤PES.max
其中，λ′为储能装置配置容量下限比例系数，PL.MG为分布式电源区域内的负荷总量，PES为储能装置的容量，PES.max储能装置的容量上限；
(4)微电网内有功功率平衡约束表示为：
PES+PDG.MG-PL.MG≥ε
其中，ε为有功备用容量，PDG.MG为微电网内分布式电源的总容量，表示为：
其中，xDG.i为第i组分布式电源的接入位置节点；
(5)分布式电源出力约束表示为：
其中，和分别为第i组分布式电源的有功容量上限和下限，和分别为第i组分布式电源的无功容量上限和下限；
(6)节点电压偏差约束表示为：
其中，和分别为节点m的电压幅值的上限和下限；
(7)分组数约束包括负荷分组约束、分布式电源分组约束和储能装置分组约束，分别表示为：
NES＝1
其中，为负荷分组数限值，为分布式电源的分组数限值。
上述的多目标优化模型属于典型的混合非线性优化问题，基于非支配性排序遗传算法因其较强的变量处理能力，最大限度的保持了各优化目标之间的独立性和较好的全局寻优能力可有效求解这一问题。如图1，所述步骤2具体包括以下步骤：
步骤2-1：初始化程序数据，包括种群数NP，最大迭代次数Gn，遗传因子F，变异因子CR，以及惩罚因子w1,w2,w3,w4,w5,w6,w7；
步骤2-2：根据初始化数据，考虑惩罚因子w1,w2,w3,w4,w5,w6,w7，计算经过修正得到的多目标优化模型中子目标函数Nobj＝1,2,3；
步骤2-3：根据子目标函数值的大小对种群个体进行非支配性排序，非支配性排序的策略如下：如果个体X1和个体X2对应的子目标函数值满足那么称个体X1支配个体X2，个体X1为非支配解，排序在前；
步骤2-4：通过二元锦标赛，即随机选择个体X1和个体X2，如果个体X1优于个体X2，则选取个体X1，舍弃个体X2，依次从当前种群中挑选出NP/2优势个体作为父代种群；
步骤2-5：对挑选出的父代种群进行遗传和变异操作，生产NP/2个子代种群；
步骤2-6：计算各个子代种群的子目标函数值；
步骤2-7：将NP/2个子代种群和当前种群合并，再进行非支配性排序；
步骤2-8：挑选出NP个优势个体作为下一代种群；
步骤2-9：如果迭代次数达到最大进化代数，则进入下一步，否则进入步骤2-5循环；
步骤2-10：根据决策偏好，确定最终的优化分组配置策略，进而得到帕累托解集(Pareto解集)，此时根据决策者的偏好选取最优解。
所述步骤2-2中，多目标优化模型进行求解过程转换为求满足等式约束和不等式约束的目标函数最小值的优化模型，多目标优化模型表示为：
min f(xc,xu)＝min{f1(xc,xu),f2(xc,xu),f3(xc,xu)}
S.t：ht(xc,xu)＝0,t＝1,2,3
gt(xc,xu)≤0,t＝1,2,…,7
其中，f(xc,xu)为优化目标函数，f1(xc,xu)、f2(xc,xu)和f3(xc,xu)分别为投资成本子目标函数、电网电量不足期望子目标函数和网损子目标函数；hi(xc,xu)为等式约束条件，gi(xc,xu)为不等式约束；xc为独立控制决策变量，xu为状态变量；
同时，在处理约束条件的过程中，潮流等式约束通过潮流计算保证，分组数及分布式电源出力约束约束通过控制变量数目和上下限来保证，DG与负荷设计容量等式约束及其余的不等式约束条件通过罚函数对上述多目标优化模型进行修正，得到：
其中，Nobj＝1,2,3，f′1(xc,xu),f′2(xc,xu),f′3(xc,xu)分别为通过罚函数修正后的投资成本子目标函数、电网电量不足期望子目标函数和网损子目标函数；w1,w2,w3,w4,w5,w6,w7为惩罚因子；ΔSk为线路的视在功率最大偏差，ΔPDG为分布式电源的有功容量最大偏差，ΔPES为储能装置的容量偏差，ΔPMG为微电网的容量偏差，ΔU为节点电压幅值最大偏差，分别表示为：
ΔPES＝max(PES-λ′PL.MG,0)
ΔPMG＝max(PL.MG-PES-PDG.MG,0)
其中，Sk为第k条线路的视在功率，第k条线路视在功率上限；和分别为节点m电压幅值上限和下限。
所述步骤2-10具体包括以下步骤：
1)遍历帕累托解集，计算帕累托解集中第g个解中第Nobj个子目标函数的隶属度有：
其中，为中第Nobj个子目标函数值，和分别第Nobj个子目标函数值的上限和下限；
2)根据决策者偏好设置权重值，并计算多目标函数最优解的隶属度加权值ug，有：
其中，为第Nobj个子目标函数值的权重；
3)选取隶属度加权值ug得到的最大值所对应的帕累托解作为最优解，即分布式电源与微电网的优化分组配置策略。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (7)

1.一种分布式电源与微电网的优化分组配置方法，其特征在于：所述方法包括以下步骤：
步骤1：建立基于分布式电源与微电网混合集成供电的多目标优化模型；
步骤2：采用非支配性遗传算法对多目标优化模型进行求解，实现分布式电源与微电网的优化分组配置；
所述步骤1中，多目标优化模型的目标函数包括投资成本、电网电量不足期望以及网损，对应的约束条件包括等式约束和不等式约束；
目标函数中，有：
(1)投资成本用Fm表示，且：
<mrow> <mi>min</mi> <mi> </mi> <msub> <mi>F</mi> <mi>m</mi> </msub> <mo>=</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mo>&amp;lsqb;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>p</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mrow> <mi>E</mi> <mi>S</mi> </mrow> </msub> </munderover> <msub> <mi>C</mi> <mrow> <mi>E</mi> <mi>S</mi> </mrow> </msub> <mo>*</mo> <msub> <mi>P</mi> <mrow> <mi>E</mi> <mi>S</mi> <mo>.</mo> <mi>p</mi> </mrow> </msub> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mrow> <mi>D</mi> <mi>G</mi> </mrow> </msub> </munderover> <msub> <mi>C</mi> <mrow> <mi>D</mi> <mi>G</mi> </mrow> </msub> <mo>*</mo> <msub> <mi>P</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>i</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mrow> <mi>M</mi> <mi>G</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> </mrow>
其中，NES为储能装置的组数，CES为单位容量储能装置的投资成本，PES.p为第p组储能装置的容量；NDG为分布式电源的分组数，CDG为单位容量分布式电源的投资成本，PDG.i为第i组分布式电源的有功容量；CMG为微电网建设成本，且CMG＝a*SMG+b，其中a表示微电网规划容量与建设成本的正相关性，主要包含控制设备、无功补偿设备和谐波治理设备的综合单位成本，SMG为微电网的建设容量，b表示微电网建设的固定成本；
(2)电网电量不足期望用Em表示，且：
<mrow> <mi>min</mi> <mi> </mi> <msub> <mi>E</mi> <mi>m</mi> </msub> <mo>=</mo> <mi>min</mi> <mo>{</mo> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>*</mo> <msub> <mi>P</mi> <mrow> <mi>L</mi> <mo>.</mo> <mi>M</mi> <mi>G</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>p</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> </msub> <mo>*</mo> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>T</mi> <mi>L</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>L</mi> <mo>.</mo> <mi>M</mi> <mi>G</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>}</mo> <mo>=</mo> <mi>min</mi> <mo>{</mo> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>*</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>x</mi> <mrow> <mi>L</mi> <mo>.</mo> <mi>i</mi> </mrow> </msub> <mo>&amp;GreaterEqual;</mo> <msub> <mi>x</mi> <mrow> <mi>E</mi> <mi>S</mi> </mrow> </msub> </mrow> </munder> <msub> <mi>P</mi> <mrow> <mi>L</mi> <mo>.</mo> <mi>i</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>p</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> </msub> <mo>*</mo> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>T</mi> <mi>L</mi> </mrow> </msub> <mo>-</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>x</mi> <mrow> <mi>L</mi> <mo>.</mo> <mi>i</mi> </mrow> </msub> <mo>&amp;GreaterEqual;</mo> <msub> <mi>x</mi> <mrow> <mi>E</mi> <mi>S</mi> </mrow> </msub> </mrow> </munder> <msub> <mi>P</mi> <mrow> <mi>L</mi> <mo>.</mo> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>}</mo> </mrow>
其中，pin为位于微电网内部的负荷失电的概率，PL.MG为接入微电网区域内的负荷总量，pout为位于微电网外的负荷的失电概率，PTL为负荷有功总量，xL.i为负荷的接入位置节点，xES为储能装置的接入位置节点，PL.i为接入xL.i节点的负荷容量；
(3)网损用Floss表示，且：
<mrow> <mi>min</mi> <mi> </mi> <msub> <mi>F</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>s</mi> <mi>s</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>b</mi> </msub> </munderover> <mfrac> <mrow> <msubsup> <mi>P</mi> <mi>k</mi> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>Q</mi> <mi>k</mi> <mn>2</mn> </msubsup> </mrow> <msubsup> <mi>U</mi> <mi>k</mi> <mn>2</mn> </msubsup> </mfrac> <msub> <mi>R</mi> <mi>k</mi> </msub> </mrow>
其中，Nb为线路的数目，Rk为第k条线路的电阻，Uk为第k条线路相连的首端对应的母线节点电压，Pk和Qk分别为第k线路的有功功率和无功功率。
2.根据权利要求1所述的分布式电源与微电网的优化分组配置方法，其特征在于：所述等式约束包括潮流方程约束、分布式电源容量约束和负荷容量约束；
(1)潮流方程约束表示为：
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <msub> <mi>P</mi> <mi>m</mi> </msub> <mo>=</mo> <msub> <mi>U</mi> <mi>m</mi> </msub> <mstyle> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> </mstyle> <msub> <mi>U</mi> <mi>n</mi> </msub> <mo>(</mo> <msub> <mi>G</mi> <mrow> <mi>m</mi> <mi>n</mi> </mrow> </msub> <mi>c</mi> <mi>o</mi> <mi>s</mi> <msub> <mi>&amp;theta;</mi> <mrow> <mi>m</mi> <mi>n</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>B</mi> <mrow> <mi>m</mi> <mi>n</mi> </mrow> </msub> <mi>s</mi> <mi>i</mi> <mi>n</mi> <msub> <mi>&amp;theta;</mi> <mrow> <mi>m</mi> <mi>n</mi> </mrow> </msub> <mo>)</mo> </mtd> </mtr> <mtr> <mtd> <msub> <mi>Q</mi> <mi>m</mi> </msub> <mo>=</mo> <msub> <mi>U</mi> <mi>m</mi> </msub> <mstyle> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> </mstyle> <msub> <mi>U</mi> <mi>n</mi> </msub> <mo>(</mo> <msub> <mi>G</mi> <mrow> <mi>m</mi> <mi>n</mi> </mrow> </msub> <mi>s</mi> <mi>i</mi> <mi>n</mi> <msub> <mi>&amp;theta;</mi> <mrow> <mi>m</mi> <mi>n</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>B</mi> <mrow> <mi>m</mi> <mi>n</mi> </mrow> </msub> <mi>cos</mi> <msub> <mi>&amp;theta;</mi> <mrow> <mi>m</mi> <mi>n</mi> </mrow> </msub> <mo>)</mo> </mtd> </mtr> </mtable> </mfenced>
其中，Pm和Qm分别为节点m的注入有功功率和无功功率，Um和Un分别为节点m和节点n的电压幅值，N为节点总数，Gmn和Bmn分别为节点m和节点n之间线路导纳的实部和虚部，θmn为节点m和节点n之间的相角差；
(2)分布式电源容量约束表示为：
<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mrow> <mi>D</mi> <mi>G</mi> </mrow> </msub> </munderover> <msub> <mi>P</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>i</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>P</mi> <mrow> <mi>T</mi> <mi>D</mi> <mi>G</mi> </mrow> </msub> </mrow>
其中，NDG为分布式电源的分组数，PTDG为分布式电源总的有功容量；
(3)负荷容量约束表示为：
<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>d</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>L</mi> </msub> </munderover> <msub> <mi>P</mi> <mrow> <mi>L</mi> <mo>.</mo> <mi>d</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>P</mi> <mrow> <mi>T</mi> <mi>L</mi> </mrow> </msub> </mrow>
其中，NL为负荷的分组数，PL.d为第d组负荷的容量，PTL为负荷总的有功容量。
3.根据权利要求1所述的分布式电源与微电网的优化分组配置方法，其特征在于：所述不等式约束包括支路功率约束、分布式电源渗透率约束、储能装置配置容量约束、微电网内有功功率平衡约束、分布式电源出力约束、节点电压偏差约束和分组数约束。
4.根据权利要求3所述的分布式电源与微电网的优化分组配置方法，其特征在于：
(1)支路功率约束表示为：
<mrow> <msub> <mi>S</mi> <mi>k</mi> </msub> <mo>&amp;le;</mo> <msubsup> <mi>S</mi> <mi>k</mi> <mi>max</mi> </msubsup> </mrow>
其中，Sk为第k条线路的视在功率，第k条线路视在功率上限，且k∈[0,Nb]，Nb为线路的数目；
(2)分布式电源渗透率约束表示为：
<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mrow> <mi>D</mi> <mi>G</mi> </mrow> </msub> </munderover> <msub> <mi>P</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>i</mi> </mrow> </msub> <mo>&amp;le;</mo> <mi>&amp;lambda;</mi> <mo>*</mo> <msub> <mi>S</mi> <mrow> <mi>T</mi> <mi>L</mi> </mrow> </msub> <mo>*</mo> <mi>&amp;eta;</mi> </mrow>
其中，NDG为分布式电源的分组数，STL为负荷总的视在容量，η为功率因素，λ为分布式电源渗透率；
(3)储能装置配置容量约束表示为：
λ′PL.MG≤PES≤PES.max
其中，λ′为储能装置配置容量下限比例系数，PL.MG为分布式电源区域内的负荷总量，PES为储能装置的容量，PES.max储能装置的容量上限；
(4)微电网内有功功率平衡约束表示为：
PES+PDG.MG-PL.MG≥ε
其中，ε为有功备用容量，PDG.MG为微电网内分布式电源的总容量，表示为：
<mrow> <msub> <mi>P</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>M</mi> <mi>G</mi> </mrow> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>x</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>i</mi> </mrow> </msub> <mo>&amp;GreaterEqual;</mo> <msub> <mi>x</mi> <mrow> <mi>E</mi> <mi>S</mi> </mrow> </msub> </mrow> </munder> <msub> <mi>P</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>i</mi> </mrow> </msub> </mrow>
其中，xDG.i为第i组分布式电源的接入位置节点；
(5)分布式电源出力约束表示为：
<mrow> <msubsup> <mi>P</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>i</mi> </mrow> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>P</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>i</mi> </mrow> </msub> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>i</mi> </mrow> <mi>max</mi> </msubsup> </mrow>
<mrow> <msubsup> <mi>Q</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>i</mi> </mrow> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>Q</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>i</mi> </mrow> </msub> <mo>&amp;le;</mo> <msubsup> <mi>Q</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>i</mi> </mrow> <mi>max</mi> </msubsup> </mrow>
其中，和分别为第i组分布式电源的有功容量上限和下限，和分别为第i组分布式电源的无功容量上限和下限；
(6)节点电压偏差约束表示为：
<mrow> <msubsup> <mi>U</mi> <mi>m</mi> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>U</mi> <mi>m</mi> </msub> <mo>&amp;le;</mo> <msubsup> <mi>U</mi> <mi>m</mi> <mi>max</mi> </msubsup> </mrow>
其中，和分别为节点m的电压幅值的上限和下限；
(7)分组数约束包括负荷分组约束、分布式电源分组约束和储能装置分组约束，分别表示为：
<mrow> <mn>0</mn> <mo>&lt;</mo> <msub> <mi>N</mi> <mi>L</mi> </msub> <mo>&lt;</mo> <msubsup> <mi>N</mi> <mi>L</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msubsup> </mrow>
<mrow> <mn>0</mn> <mo>&amp;le;</mo> <msub> <mi>N</mi> <mrow> <mi>D</mi> <mi>G</mi> </mrow> </msub> <mo>&amp;le;</mo> <msubsup> <mi>N</mi> <mrow> <mi>D</mi> <mi>G</mi> </mrow> <mi>max</mi> </msubsup> </mrow>
NES＝1
其中，为负荷分组数限值，为分布式电源的分组数限值。
5.根据权利要求1所述的分布式电源与微电网的优化分组配置方法，其特征在于：所述步骤2具体包括以下步骤：
步骤2-1：初始化程序数据，包括种群数NP，最大迭代次数Gn，遗传因子F，变异因子CR，以及惩罚因子w1,w2,w3,w4,w5,w6,w7；
步骤2-2：根据初始化数据，考虑惩罚因子w1,w2,w3,w4,w5,w6,w7，计算经过修正得到的多目标优化模型中子目标函数Nobj＝1,2,3；
步骤2-3：根据子目标函数值的大小对种群个体进行非支配性排序，非支配性排序的策略如下：如果个体X1和个体X2对应的子目标函数值满足那么称个体X1支配个体X2，个体X1为非支配解，排序在前；
步骤2-4：通过二元锦标赛，即随机选择个体X1和个体X2，如果个体X1优于个体X2，则选取个体X1，舍弃个体X2，依次从当前种群中挑选出NP/2优势个体作为父代种群；
步骤2-5：对挑选出的父代种群进行遗传和变异操作，生产NP/2个子代种群；
步骤2-6：计算各个子代种群的子目标函数值；
步骤2-7：将NP/2个子代种群和当前种群合并，再进行非支配性排序；
步骤2-8：挑选出NP个优势个体作为下一代种群；
步骤2-9：如果迭代次数达到最大进化代数，则进入下一步，否则进入步骤2-5循环；
步骤2-10：根据决策偏好，确定最终的优化分组配置策略，进而得到帕累托解集，此时根据决策者的偏好选取最优解。
6.根据权利要求5所述的分布式电源与微电网的优化分组配置方法，其特征在于：所述步骤2-2中，多目标优化模型进行求解过程转换为求满足等式约束和不等式约束的目标函数最小值的优化模型，多目标优化模型表示为：
minf(xc,xu)＝min{f1(xc,xu),f2(xc,xu),f3(xc,xu)}
S.t：ht(xc,xu)＝0,t＝1,2,3
gt(xc,xu)≤0,t＝1,2,···,7
其中，f(xc,xu)为优化目标函数，f1(xc,xu)、f2(xc,xu)和f3(xc,xu)分别为投资成本子目标函数、电网电量不足期望子目标函数和网损子目标函数；hi(xc,xu)为等式约束条件，gi(xc,xu)为不等式约束；xc为独立控制决策变量，xu为状态变量；
通过罚函数对上述多目标优化模型进行修正，得到：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>min</mi> <mo>{</mo> <msubsup> <mi>f</mi> <mn>1</mn> <mo>&amp;prime;</mo> </msubsup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>c</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>u</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <msubsup> <mi>f</mi> <mn>2</mn> <mo>&amp;prime;</mo> </msubsup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>c</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>u</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <msubsup> <mi>f</mi> <mn>3</mn> <mo>&amp;prime;</mo> </msubsup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>c</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>u</mi> </msub> <mo>)</mo> </mrow> <mo>}</mo> <mo>=</mo> <msub> <mi>f</mi> <mrow> <mi>N</mi> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>c</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>u</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>w</mi> <mn>1</mn> </msub> <mo>(</mo> <mrow> <mo>|</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>d</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>L</mi> </msub> </munderover> <msub> <mi>P</mi> <mrow> <mi>L</mi> <mo>.</mo> <mi>d</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>T</mi> <mi>L</mi> </mrow> </msub> <mo>|</mo> <mo>/</mo> <msub> <mi>P</mi> <mrow> <mi>T</mi> <mi>L</mi> </mrow> </msub> </mrow> <mo>)</mo> <mo>+</mo> <msub> <mi>w</mi> <mn>2</mn> </msub> <mo>(</mo> <mrow> <mo>|</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mrow> <mi>D</mi> <mi>G</mi> </mrow> </msub> </munderover> <msub> <mi>P</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>i</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>T</mi> <mi>D</mi> <mi>G</mi> </mrow> </msub> <mo>|</mo> <mo>/</mo> <msub> <mi>P</mi> <mrow> <mi>T</mi> <mi>D</mi> <mi>G</mi> </mrow> </msub> </mrow> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <msub> <mi>w</mi> <mn>3</mn> </msub> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;S</mi> <mi>k</mi> </msub> <mo>/</mo> <msubsup> <mi>S</mi> <mi>k</mi> <mi>max</mi> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msub> <mi>w</mi> <mn>4</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>D</mi> <mi>G</mi> </mrow> </msub> <mo>/</mo> <mi>&amp;lambda;</mi> <mo>*</mo> <msub> <mi>S</mi> <mrow> <mi>T</mi> <mi>L</mi> </mrow> </msub> <mo>*</mo> <mi>&amp;eta;</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>w</mi> <mn>5</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>E</mi> <mi>S</mi> </mrow> </msub> <mo>/</mo> <mo>(</mo> <mrow> <mfrac> <mn>1</mn> <mn>3</mn> </mfrac> <msub> <mi>P</mi> <mrow> <mi>T</mi> <mi>L</mi> </mrow> </msub> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>w</mi> <mn>6</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>M</mi> <mi>G</mi> </mrow> </msub> <mo>/</mo> <msub> <mi>P</mi> <mrow> <mi>T</mi> <mi>L</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>w</mi> <mn>7</mn> </msub> <mo>(</mo> <mi>&amp;Delta;</mi> <mi>U</mi> <mo>/</mo> <msup> <mrow> <mo>(</mo> <mrow> <msubsup> <mi>U</mi> <mi>m</mi> <mi>max</mi> </msubsup> <mo>-</mo> <msubsup> <mi>U</mi> <mi>m</mi> <mi>min</mi> </msubsup> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </mtd> </mtr> </mtable> </mfenced> 3
其中，Nobj＝1,2,3，f1′(xc,xu),f2′(xc,xu),f3′(xc,xu)分别为通过罚函数修正后的投资成本子目标函数、电网电量不足期望子目标函数和网损子目标函数；w1,w2,w3,w4,w5,w6,w7为惩罚因子；ΔSk为线路的视在功率最大偏差，ΔPDG为分布式电源的有功容量最大偏差，ΔPES为储能装置的容量偏差，ΔPMG为微电网的容量偏差，ΔU为节点电压幅值最大偏差，分别表示为：
<mrow> <mi>&amp;Delta;</mi> <mi>S</mi> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <msub> <mi>S</mi> <mi>k</mi> </msub> <mo>-</mo> <msubsup> <mi>S</mi> <mi>k</mi> <mi>max</mi> </msubsup> <mo>,</mo> <mn>0</mn> <mo>)</mo> </mrow> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>k</mi> <mo>&amp;Element;</mo> <mo>&amp;lsqb;</mo> <mn>0</mn> <mo>,</mo> <msub> <mi>N</mi> <mi>b</mi> </msub> <mo>&amp;rsqb;</mo> </mrow>
<mrow> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>D</mi> <mi>G</mi> </mrow> </msub> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mrow> <mi>D</mi> <mi>G</mi> </mrow> </msub> </munderover> <msub> <mi>P</mi> <mrow> <mi>D</mi> <mi>G</mi> <mo>.</mo> <mi>i</mi> </mrow> </msub> <mo>-</mo> <mi>&amp;lambda;</mi> <mo>*</mo> <msub> <mi>S</mi> <mrow> <mi>T</mi> <mi>L</mi> </mrow> </msub> <mo>*</mo> <mi>&amp;eta;</mi> <mo>,</mo> <mn>0</mn> <mo>)</mo> </mrow> </mrow>
ΔPES＝max(PES-λ′PL.MG,0)
ΔPMG＝max(PL.MG-PES-PDG.MG,0)
<mrow> <mi>&amp;Delta;</mi> <mi>U</mi> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>(</mo> <mrow> <msub> <mi>U</mi> <mi>m</mi> </msub> <mo>-</mo> <msubsup> <mi>U</mi> <mi>m</mi> <mi>max</mi> </msubsup> <mo>,</mo> <msubsup> <mi>U</mi> <mi>m</mi> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msubsup> <mo>-</mo> <msub> <mi>U</mi> <mi>m</mi> </msub> <mo>,</mo> <mn>0</mn> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>m</mi> <mo>&amp;Element;</mo> <mo>&amp;lsqb;</mo> <mn>0</mn> <mo>,</mo> <mi>N</mi> <mo>&amp;rsqb;</mo> </mrow>
其中，Sk为第k条线路的视在功率，第k条线路视在功率上限；和分别为节点m电压幅值上限和下限。
7.根据权利要求5所述的分布式电源与微电网的优化分组配置方法，其特征在于：所述步骤2-10具体包括以下步骤：
1)遍历帕累托解集，计算帕累托解集中第g个解中第Nobj个子目标函数的隶属度有：
<mrow> <msubsup> <mi>u</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <mi>g</mi> </msubsup> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <msub> <mi>F</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> </msub> <mo>=</mo> <msubsup> <mi>F</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <mi>min</mi> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mfrac> <mrow> <msubsup> <mi>F</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msubsup> <mo>-</mo> <msub> <mi>F</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> </msub> </mrow> <mrow> <msubsup> <mi>F</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msubsup> <mo>-</mo> <msubsup> <mi>F</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <mi>min</mi> </msubsup> </mrow> </mfrac> </mtd> <mtd> <mrow> <msubsup> <mi>F</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>F</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> </msub> <mo>&amp;le;</mo> <msubsup> <mi>F</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msub> <mi>F</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> </msub> <mo>=</mo> <msubsup> <mi>F</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <mi>max</mi> </msubsup> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，为中第Nobj个子目标函数值，和分别第Nobj个子目标函数值的上限和下限；
2)根据决策者偏好设置权重值，并计算多目标函数最优解的隶属度加权值ug，有：
<mrow> <msup> <mi>u</mi> <mi>g</mi> </msup> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </munderover> <msub> <mi>&amp;lambda;</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> </msub> <msubsup> <mi>u</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <mi>g</mi> </msubsup> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>g</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>p</mi> </msub> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </munderover> <msub> <mi>&amp;lambda;</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> </msub> <msubsup> <mi>u</mi> <msub> <mi>N</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <mi>g</mi> </msubsup> </mrow> </mfrac> <mo>,</mo> <mi>g</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>N</mi> <mi>p</mi> </msub> </mrow>
其中，为第Nobj个子目标函数值的权重；
3)选取隶属度加权值ug得到的最大值所对应的帕累托解作为最优解，即分布式电源与微电网的优化分组配置策略。
CN201410584170.9A 2014-10-27 2014-10-27 一种分布式电源与微电网的优化分组配置方法 Active CN104361403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410584170.9A CN104361403B (zh) 2014-10-27 2014-10-27 一种分布式电源与微电网的优化分组配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410584170.9A CN104361403B (zh) 2014-10-27 2014-10-27 一种分布式电源与微电网的优化分组配置方法

Publications (2)

Publication Number Publication Date
CN104361403A CN104361403A (zh) 2015-02-18
CN104361403B true CN104361403B (zh) 2017-09-01

Family

ID=52528661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410584170.9A Active CN104361403B (zh) 2014-10-27 2014-10-27 一种分布式电源与微电网的优化分组配置方法

Country Status (1)

Country Link
CN (1) CN104361403B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106385025B (zh) * 2016-10-08 2019-03-12 四川大学 一种分布式电源与联络线多阶段协同规划方法
CN107196333B (zh) * 2017-06-07 2019-12-17 天津大学 基于模块化指数的分布式光伏集群划分方法
CN107392418B (zh) * 2017-06-08 2021-08-13 国网宁夏电力公司电力科学研究院 一种城市配电网网络重构方法及系统
CN107179464B (zh) * 2017-07-20 2019-10-18 南方电网科学研究院有限责任公司 一种电网节点的电压敏感性的检测方法
CN107611987B (zh) * 2017-08-17 2019-10-18 西南交通大学 基于gmn算法的静止同步补偿器的控制方法
CN107706949A (zh) * 2017-11-16 2018-02-16 广东电网有限责任公司电力科学研究院 一种含分布式电源的配电网的运行约束设定方法及装置
CN108539797B (zh) * 2018-03-14 2021-05-28 广州环保投资集团有限公司 一种考虑经济性的孤岛微电网二次频率和电压控制方法
CN109167383B (zh) * 2018-08-17 2022-04-01 国网福建省电力有限公司 基于精确线性化电力网络模型的电力系统调峰优化方法
CN109546685B (zh) * 2018-12-26 2022-06-14 武汉大学 一种分布式电源分组合作的配电网分布式优化控制方法
CN109672197A (zh) * 2019-02-20 2019-04-23 国网能源研究院有限公司 一种考虑分布式电源出力不确定性的储能运行优化方法
CN109946737A (zh) * 2019-04-04 2019-06-28 杭州电力设备制造有限公司 一种分布式电源与微电网的优化分组配置方法及装置
CN110365050B (zh) * 2019-07-31 2023-04-28 上海电力大学 基于差分元胞遗传算法的dwf并网多目标优化方法
CN111224422A (zh) * 2019-08-30 2020-06-02 华北电力大学 一种基于可靠性的微电网分布式电源配置方法及系统
CN110690719B (zh) * 2019-09-18 2021-03-30 国网重庆市电力公司电力科学研究院 一种微电网电池储能配置方法及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6625520B1 (en) * 2000-05-31 2003-09-23 Luonan Chen System and method for operating electric power systems utilizing optimal power flow
US7660649B1 (en) * 2004-07-02 2010-02-09 Optimal Innovations Inc. Resource management using calculated sensitivities
CN102354974A (zh) * 2011-10-13 2012-02-15 山东大学 微电网多目标优化运行控制方法
CN102856899A (zh) * 2012-02-09 2013-01-02 河海大学 一种微电网降低网损的方法
CN103745268A (zh) * 2013-10-29 2014-04-23 上海电力学院 含分布式电源的微电网多目标优化调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6625520B1 (en) * 2000-05-31 2003-09-23 Luonan Chen System and method for operating electric power systems utilizing optimal power flow
US7660649B1 (en) * 2004-07-02 2010-02-09 Optimal Innovations Inc. Resource management using calculated sensitivities
CN102354974A (zh) * 2011-10-13 2012-02-15 山东大学 微电网多目标优化运行控制方法
CN102856899A (zh) * 2012-02-09 2013-01-02 河海大学 一种微电网降低网损的方法
CN103745268A (zh) * 2013-10-29 2014-04-23 上海电力学院 含分布式电源的微电网多目标优化调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于NSGA-II算法的分布式电源优化配置";赵国波等;《现代电力》;20120229;第29卷(第1期);第1-5页 *
基于NSGA-II算法的并网型微网多目标调度;陶思钰等;《华东电力》;20130831;第41卷(第8期);第1678-1682页 *

Also Published As

Publication number Publication date
CN104361403A (zh) 2015-02-18

Similar Documents

Publication Publication Date Title
CN104361403B (zh) 一种分布式电源与微电网的优化分组配置方法
CN103490410B (zh) 一种基于多目标优化的微电网规划和容量配置方法
CN104242335B (zh) 一种基于额定容量的风光储发电单元容量优化配置方法
CN106921164B (zh) 配网电压无功协同优化的混合整数二阶锥规划方法与系统
CN106058855A (zh) 协调储能与柔性负荷的主动配电网多目标优化调度方法
CN109740786A (zh) 一种多端柔性互联配电网规划方法及系统
CN103441506B (zh) 不同时间尺度下多目标协调分散风电场无功优化控制方法
CN105846461A (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
CN106549392B (zh) 一种配电网协调控制方法
CN108551176B (zh) 一种结合储能均衡技术的储能电池系统容量配置方法
CN110635518B (zh) 一种基于光伏高渗透率的源网荷储优化方法
CN107069814A (zh) 配网分布式电源容量布点的模糊机会约束规划方法与系统
CN107959307A (zh) 一种计及配电网运行风险成本的dg优化配置方法
CN107706932A (zh) 一种基于动态自适应模糊逻辑控制器的能量调度优化方法
CN111490542B (zh) 一种多端柔性多状态开关的选址定容方法
CN104158198A (zh) 配电网优化潮流控制装置和方法
CN103577891A (zh) 一种含分布式电源的多孤岛微网优化合作运行方法
CN106505604A (zh) 接入区域配电网的光伏储能联合运行单元优化配置方法
CN106786610A (zh) 一种基于储能电池的光伏高渗透率电网电压优化方法
CN109034587A (zh) 一种协调多种可控单元的主动配电系统优化调度方法
CN107546773A (zh) 一种基于图论的区域多微电网动态组网方法
CN112734116A (zh) 一种含分布式储能的主动配电网优化调度方法
CN107947166A (zh) 一种基于动态矩阵控制的多能微网变时调度方法及装置
Mao et al. Operation optimization for multi-microgrids based on centralized-decentralized hybrid hierarchical energy management
CN115545290A (zh) 一种含光伏发电配电网中的分布式储能经济优化配置方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant