CN104376377A - 基于粒子群优化算法的对配电网中分布式电源的管理方法 - Google Patents

Abstract

本发明公开了一种基于粒子群优化算法的对配电网中分布式电源的管理方法，包括三种主动管理策略；该三种主动管理策略分别为：a、削减发电机出力：通过限制分布式电源的有功出力来控制电压；b、有载变压器抽头调节：通过调节变压器一次侧的可变抽头使配电网的电压保持在规定范围内；c、无功补偿：在分布式电源接入点增加无功补偿设备来减少电压增幅。达到不违反电压约束的前提下增大DG的注入容量的目的。

Description

基于粒子群优化算法的对配电网中分布式电源的管理方法

技术领域

本发明涉及电力系统配电网理论运行管理，具体地，涉及一种基于粒子群优化算法的对配电网中分布式电源的管理方法；主要针对配电网中接入的分布式电源(Distributed Generation,DG)进行主动的管理控制，具体算法基于粒子群优化算法(Particle Swarm Optimization,PSO)期望实现设定的优化控制目标。

背景技术

对于分布式发电接入配电网来说，传统配电网管理是一种被动模式管理，配电网的规划方法没有考虑分布式发电引入配电网的影响以及配电网主动管理技术的灵活控制的特性，其规划的网络过于保守、资产利用不充分。随着分布式发电特别是大量分布式发电接入系统，对配电网的稳定、安全和高效运行带来了新的挑战，从而要求配电网的管理模式由原来的被动式管理向主动式管理转变，电网由传统的被动配电网向主动管理配电网转变。英国DTI/OFGEM技术指导组的研究报告中详细介绍了多种AM技术，并将之分为3类:主动故障等级管理、主动电压控制和主动潮流管理。如图1所示的AM的示意图：根据一次系统的测量数据制定合理的控制策略，并将指令发送到变压器、发电机、断路器和无功补偿设备来完成控制。

主动配电网的一大特征表现在DG单元及储能单元对于配电网运行人员来说是可控的，分布式能源参与网络的运行调度，并非以往简单的连接。虽然目前DG的并网技术已趋于商业化应用，但多个DG的集成需要更复杂的协调控制。现有大部分AM技术主要集中在DG的规划、定容与选址、无功优化上。常见到下面的方法：

根据负荷总量确定待建分布式电源的最大容量，在分布式电源个数、位置和单个电源容量均不确定的情况下，建立了便于配电网规划者使用的可变权重的分布式电源选址和定容的多目标优化模型。其中子目标分别为配电网升级及维护费用，分布式电源的投资费用以及配电网网损费用。针对分布式电源规划的多目标性，在优化算法上，采用多种群遗传算法，并运用实数编码。

主动管理模式下基于双层规划的DWG选址定容规划模型，以DWG的净收益期望值最大作为上层规划目标，以满足电压和潮流约束下DWG出力切除量期望值最小为下层规划目标.针对双层不确定性规划的特点，提出了模拟植物生长算法与概率最优潮流算法相结合的求解方法，利用基于三点估计法的概率最优潮流算法评估规划方案，获得目标函数值，通过模拟植物的向光性生长机制进行全局寻优。

基于模糊理论和进化算法的多阶段规划方法以解决接入DG的中压配电网长期规划问题。该方法利用模糊模型处理规划过程中遇到的一系列不确定因素，例如负荷的增长、DG的出力以及经济因素等。该方法使用2层嵌套进化算法解决长期规划中的动态问题，通过第1层进化算法进行规划的选址、定容等静态优化选择，利用第2层进化算法选择规划选项的最佳时间。该方法在优化过程中兼顾经济性和可靠性。

相对而言，针对配电网主动管理技术相关技术或算法研究还处于初步阶段，现有算法多集中于在配电网建设前的对DG的定址与容量选择上，而对于现有配电网如何对已经接入的DG进行主动管理与控制相关研究与技术较少。

发明内容

当配电网中接入的DG容量过大时，配电网的节点电压会升高并很可能越限，这成为限制DG接入容量的主要障碍。

本发明的目的在于，针对上述问题，提出一种基于粒子群优化算法的对配电网中分布式电源的管理方法，以实现在不违反电压约束的前提下增大DG的注入容量的优点。

为实现上述目的，本发明采用的技术方案是：

一种基于粒子群优化算法的对配电网中分布式电源的管理方法，包括三种主动管理策略；该三种主动管理策略分别为：

a、削减发电机出力：通过限制分布式电源的有功出力来控制电压；

b、有载变压器抽头调节：通过调节变压器一次侧的可变抽头使配电网的电压保持在规定范围内；

c、无功补偿：在分布式电源接入点增加无功补偿设备来减少电压增幅。

优选的，三种主动管理策略的优化数学模型为：

$\underset{T_k,Q_C}{\min }{P}_{G,\mathrm{cur}}=\underset{T_k,Q_C}{\min }\mathrm{\Σ}{P}_{G_i,\mathrm{cur}}$

其中P_G,cur是总DG的切除量，为第i个DG的切除量，,Q_C是节点的无功补偿装置输出量，T_k,为变压器抽头调节率；即接入配电网的DG切除量最少，这样接入DG容量相应越大，取得的DG收益也就越大，DG的接入容量大。

优选的，该优化数字模型的约束条件为：

(1)节点功率平衡约束：

$P_{G_i}-P_{L_i}-P_{G_i,\mathrm{cur}}=P_i^{\mathrm{inj}}(U,\mathrm{\θ})$

$Q_{G_i}+Q_{C_i}-Q_{L_i}-Q_{G_i,\mathrm{cur}}=Q_i^{\mathrm{inj}}(U,\mathrm{\θ})$

其中，是节点i的有功和无功负荷；和是节点i的有功和无功出力；是节点i的有功和无功切除量或增加量；是节点i的无功补偿装置输出量；和分别是节点i的有功和无功注入量；

(2)线路潮流约束：

S_i,j≤S_ij,max

其中，S_i,j为支路ij的潮流；S_ij,max为支路ij的潮流最大允许量；

(3)节点电压约束：

$U_i^{\min }\≤U_i\≤U_i^{\max }$

(4)发电切除量由DG容量所限，为第i个DG用功出力：

$P_{G_i}^{\min }\≤P_{G_i}\≤P_{G_i}^{\max };$

(5)无功补偿约束，是节点i的无功补偿装置输出量：

$Q_{C_i}^{\min }\≤Q_{C_i}\≤Q_{C_i}^{\max };$

(6)变压器抽头调节约束，T_k为变压器抽头调节率：

$T_k^{\min }\≤T_k\≤T_k^{\max }.$

优选的，针对上述数学模型的粒子群优化算法包括以下步骤：

步骤一、输入配电网的初始化信息，设定粒子群规模N，惯性权重系数w，加速系数c，迭代次数t等参数；

步骤二、随机初始化粒子群，得到N个可行解；将初始粒子值带入潮流计算构成目标函数模型：

F(x)＝f(x)+k₁(U₁)+k₂(U₂)；

其中，k₁和k₂为惩罚因子；U₁为等式约束；U₂为不等式约束；

利用目标函数求得每个粒子的适应度f_i，设定每个粒子的当前位置为当前最优解P_opi，取g_opi＝min(f_i)；

步骤三、按照目标函数更新每个行进粒子的速度和位置；每次更新后，都要检查速度是否超过规定最大或最小值，如果超出范围，将速度就设定为该最大或最小值；

步骤四、进行潮流计算，计算粒子更新为之后的适应值f_i；如粒子i的适应值优于此前个体最优值P_opi，则将适应值f_i设定为最优值P_opi；如果最优值P_opi优于此前全局极值g_opi，则将适应值f_i设定为g_opi；

步骤五、如果达到最大迭代次数，则停止，否则继续返回步骤三步循环执行。

本发明的技术方案具有以下有益效果：

本发明的技术方案，通过提供三种主动管理策略，对配电网中接入的DG进行主动管理，从而达到不违反电压约束的前提下增大DG的注入容量的目的。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为现有的主动管理配电网示意图；

图2为本发明实施例所述IEEE30节点示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

当配电网中接入的DG容量过大时，配电网的节点电压会升高并很可能越限，这成为限制DG接入容量的主要障碍。鉴于此，本技术方案针对3种AM方法的主要目标是在不违反电压约束的前提下增大DG的注入容量。3种AM方法分别如下。

1)削减发电机出力(GC)：通过限制DG的有功出力来控制电压。

2)有载变压器抽头调节(OLTC)：通过调节变压器一次侧的可变抽头使配电网的电压保持在规定范围内。

3)无功补偿(RC)：在DG接入点增加无功补偿设备来减少电压增幅。

本发明具体采用如下技术方案：

1.主动管理模型描述与约束：

本技术方案的主动管理可以归结为在满足电压和潮流的约束下，使DG出力的切除最少，即是DG以更大的出力方式接入配电网。

上述问题可以归结为如下的数学模型描述：

优化目标：

$\underset{T_k,Q_C}{\min }{P}_{G,\mathrm{cur}}=\underset{T_k,Q_C}{\min }\mathrm{\Σ}{P}_{G_i,\mathrm{cur}}$

其中P_G,cur是总DG的切除量，为第i个DG的切除量，Q_C是节点的无功补偿装置输出量，T_k,为变压器抽头调节率；即接入配电网的DG切除量最少，这样接入DG容量相应越大，取得的DG收益也就越大，DG的接入容量大。

同时，需要满足相应的约束条件：

(1)节点功率平衡约束：

$P_{G_i}-P_{L_i}-P_{G_i,\mathrm{cur}}=P_i^{\mathrm{inj}}(U,\mathrm{\θ})$

$Q_{G_i}+Q_{C_i}-Q_{L_i}-Q_{G_i,\mathrm{cur}}=Q_i^{\mathrm{inj}}(U,\mathrm{\θ})$

其中，是节点i的有功和无功负荷；和是节点i的有功和无功出力；是节点i的有功和无功切除量或增加量；是节点i的无功补偿装置输出量；和分别是节点i的有功和无功注入量。

(2)线路潮流约束：

S_i,j≤S_ij,max

其中，S_i,j为支路ij的潮流；S_ij,max为支路ij的潮流最大允许量。

(3)节点电压约束：

$U_i^{\min }\≤U_i\≤U_i^{\max }.$

(4)发电切除量由DG容量所限，为第i个DG用功出力：

$P_{G_i}^{\min }\≤P_{G_i}\≤P_{G_i}^{\max };$

(5)无功补偿约束，是节点i的无功补偿装置输出量：

$Q_{C_i}^{\min }\≤Q_{C_i}\≤Q_{C_i}^{\max };$

(6)变压器抽头调节约束，T_k为变压器抽头调节率：

$T_k^{\min }\≤T_k\≤T_k^{\max }.$

2.基于PSO的优化算法：

主动管理过程是一个多约束(等式和不等式约束)的优化问题。PSO属于进化算法的一种，并作为一种新的进化计算策略，通过迭代寻找最优解，它是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”和“变异”操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。而用于配电网主动管理优化具有简单、收敛速度快、局部搜索能力强等优点。优化过程为随机初始化粒子群N，第i个粒子用d维向量xi和vi分别表示其位置和速度，将其带入优化目标函数得出适应值，更新粒子速度和位置，通过迭代雪球最优解。其更新方程为：

$v_{\mathrm{id}}^k={\mathrm{wv}}_{\mathrm{id}}^{k-1}+c_1{r}_1(p_{\mathrm{id}}^{k-1}-x_{\mathrm{id}}^{k-1})+c_2{r}_2(g_d^{k-1}-x_{\mathrm{id}}^{k-1})$

$x_{\mathrm{id}}^k=x_{\mathrm{id}}^{k-1}+v_{\mathrm{id}}^{k-1}$

其中，第i个粒子用d维向量表示；和非别为粒子i在第k次迭代时的第d维个体速度和位置；w为惯性权重系数，通常取值在0.1～0.9之间；c₁和c₂为加速系数，通常取为2；r₁和r₂为[0，1]之间的随机数；为粒子i第k维个体最优点的位置；为整个群在第d维全局最优点的位置。

具体算法实施流程：

(1)输入配电网的初始化信息，设定粒子群规模N，惯性权重系数w，加速系数c，迭代次数t等参数；

(2)随机初始化粒子群，得到N个可行解。将初始粒子值带入潮流计算。本发明针对约束条件以罚函数处理，构成扩展的目标函数型如：

F(x)＝f(x)+k₁(U₁)+k₂(U₂)

其中，k₁和k₂为惩罚因子；U₁为等式约束；U₂为不等式约束。

利用上式求得每个粒子的适应度f_i，设定每个粒子的当前位置为当前最优解P_opi，取g_opi＝min(f_i)；

(3)按照上述式子更新每个行进粒子的速度和位置。每次更新后，都要检查速度是否超过规定最大或最小值，如果超出范围，将速度就设定为该最大或最小值；

(4)进行潮流计算，计算粒子更新为之后的适应值f_i。如果粒子i的适应值优于此前个体最优值P_opi，则将其设定为最优值P_opi；如果最优值P_opi优于此前全局极值g_opi，则将其设定为g_opi；

(5)如果达到最大迭代次数，则停止计算，否则继续返回(3)步循环执行。

如图2所示，图2中的数字是对节点的标号，如1为1节点等等依次类推。

采用IEEE 30节点系统最为实例分析对象。

在第11节点和第13节点分别接入DG，接入最大容量分别是3.5WM和5.6MW。PSO算法中，设置粒子数为N＝20，迭代次数为100次，惯性权重系数为w＝0.85，加速系数c1＝c2＝2.0，粒子速度最大值为Vmax＝4，最小值Vmin＝-4，惩罚因子k1＝k2＝0.99。

根据上述算法，得到了在AM模式下，DG接入容量与配电网线损的关系如表1所示。可以看出，随着AM的引入，系统网损降低，在后面，随着DG接入容量增大，AM模式下配电网系统网损趋于稳定。AM模式下DG接入配电网节点电压关系如表2所示。

DG接入容量	10％	20％	30％	40％	50％	60％	70％	80％	90％	100％
											无AM线损	5.037	4.977	4.917	4.859	4.801	4.743	4.687	4.631	4.575	4.520
AM下线损	4.945	4.902	4.731	4.659	4.526	4.489	4.491	4.482	4.477	4.475

表1、在AM模式下DG接入容量与配网线损关系表；

表2、AM模式下DG接入配电网节点电压分布表。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于粒子群优化算法的对配电网中分布式电源的管理方法，其特征在于，包括三种主动管理策略；该三种主动管理策略分别为：

a、削减发电机出力：通过限制分布式电源的有功出力来控制电压；

b、有载变压器抽头调节：通过调节变压器一次侧的可变抽头使配电网的电压保持在规定范围内；

c、无功补偿：在分布式电源接入点增加无功补偿设备来减少电压增幅。

2.根据权利要求1所述的基于粒子群优化算法的对配电网中分布式电源的管理方法，其特征在于，三种主动管理策略的优化数学模型为：

$\underset{T_k,Q_C}{\min }{P}_{G,\mathrm{cur}}=\underset{T_k,Q_C}{\min }\mathrm{\Σ}{P}_{G_i,\mathrm{cur}}$

其中P_G,cur是总DG的切除量，为第i个DG的切除量，,Q_C是节点的无功补偿装置输出量，T_k,为变压器抽头调节率；即接入配电网的DG切除量最少，这样接入DG容量相应越大，取得的DG收益也就越大，DG的接入容量大。

3.根据权利要求2所述的基于粒子群优化算法的对配电网中分布式电源的管理方法，其特征在于，该优化数字模型的约束条件为：

(1)节点功率平衡约束：

$P_{G_i}-P_{L_i}-P_{G_i,\mathrm{cur}}=P_i^{\mathrm{inj}}(U,\mathrm{\θ})$

$Q_{G_i}+Q_{C_i}-Q_{L_i}-Q_{G_i,\mathrm{cur}}=Q_i^{\mathrm{inj}}(U,\mathrm{\θ})$

其中，是节点i的有功和无功负荷；和是节点i的有功和无功出力；是节点i的有功和无功切除量或增加量；是节点i的无功补偿装置输出量；和分别是节点i的有功和无功注入量；

(2)线路潮流约束：

S_i,j≤S_ij,max

其中，S_i,j为支路ij的潮流；S_ij,max为支路ij的潮流最大允许量；

(3)节点电压约束：

$U_i^{\min }\≤U_i\≤U_i^{\max }$

(4)发电切除量由DG容量所限，为第i个DG用功出力：

$P_{G_i}^{\min }\≤P_{G_i}\≤P_{G_i}^{\max };$

(5)无功补偿约束，是节点i的无功补偿装置输出量：

$Q_{C_i}^{\min }\≤Q_{C_i}\≤Q_{C_i}^{\max };$

(6)变压器抽头调节约束，T_k为变压器抽头调节率：

$T_k^{\min }\≤T_k\≤T_k^{\max }.$

4.根据权利要求3所述的基于粒子群优化算法的对配电网中分布式电源的管理方法，其特征在于，针对上述数学模型的粒子群优化算法包括以下步骤：

步骤一、输入配电网的初始化信息，设定粒子群规模N，惯性权重系数w，加速系数c，迭代次数t等参数；

步骤二、随机初始化粒子群，得到N个可行解；将初始粒子值带入潮流计算构成目标函数模型：

F(x)＝f(x)+k₁(U₁)+k₂(U₂)；

其中，k₁和k₂为惩罚因子；U₁为等式约束；U₂为不等式约束；

利用目标函数求得每个粒子的适应度f_i，设定每个粒子的当前位置为当前最优解P_opi，取g_opi＝min(f_i)；

步骤三、按照目标函数更新每个行进粒子的速度和位置；每次更新后，都要检查速度是否超过规定最大或最小值，如果超出范围，将速度就设定为该最大或最小值；

步骤四、进行潮流计算，计算粒子更新为之后的适应值f_i；如粒子i的适应值优于此前个体最优值P_opi，则将适应值f_i设定为最优值P_opi；如果最优值P_opi优于此前全局极值g_opi，则将适应值f_i设定为g_opi；

步骤五、如果达到最大迭代次数，则停止，否则继续返回步骤三步循环执行。