CN104659816B - 基于改进粒子群算法的分布式电源接入配电系统优配方法 - Google Patents

基于改进粒子群算法的分布式电源接入配电系统优配方法 Download PDF

Info

Publication number
CN104659816B
CN104659816B CN201510108589.1A CN201510108589A CN104659816B CN 104659816 B CN104659816 B CN 104659816B CN 201510108589 A CN201510108589 A CN 201510108589A CN 104659816 B CN104659816 B CN 104659816B
Authority
CN
China
Prior art keywords
distributed
particle
rationally
generation resource
access
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.)
Expired - Fee Related
Application number
CN201510108589.1A
Other languages
English (en)
Other versions
CN104659816A (zh
Inventor
李鹏程
丛中笑
欧家祥
彭志炜
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.)
Guizhou Electric Power Test and Research Institute
Original Assignee
Guizhou Electric Power Test and Research Institute
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 Guizhou Electric Power Test and Research Institute filed Critical Guizhou Electric Power Test and Research Institute
Priority to CN201510108589.1A priority Critical patent/CN104659816B/zh
Publication of CN104659816A publication Critical patent/CN104659816A/zh
Application granted granted Critical
Publication of CN104659816B publication Critical patent/CN104659816B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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"
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Power Engineering (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于改进粒子群算法的分布式电源接入配电系统优化配置方法，包括步骤一：输入优化配置计算参数数据，初始化粒子群粒子、飞行速度和所接入的分布式电源功率因数；步骤二：选择优化配置类型，根据分布式电源优化配置方案类型选择入口，优化配置方案类型：定址优容、定容优址和指定接入数目为的优址优容；步骤三：选择优化配置目标，记录配电系统参数和分布式电源系统参数，包括系统网损，平均电压水平参数；步骤四：执行优化配置计算，对每个粒子下进行基波潮流计算和谐波潮流计算，获得本次粒子下的系统节点电压、系统基波损耗和谐波损耗，进而计算出系统节点偏差指标和系统总损耗指标；步骤五：查看和输出优化配置计算结果。

Description

基于改进粒子群算法的分布式电源接入配电系统优配方法
技术领域
本发明具体涉及一种基于改进粒子群算法的分布式电源接入配电系统优配方法，属于电力系统领域。
背景技术
以可再生能源为一次能源的分布式发电技术适应21世纪人类发展低碳经济和实现可持续发展的要求，因而在全球范围内引起极大关注，DG的接入使得配电系统从无源网络转变为有源网络。DG的接入位置、容量以及运行方式对配电网的节点电压、线路潮流、网络损耗及谐波注入等都将产生很大影响，其影响程度与DG的接入位置、容量及运行方式密切相关，因此合理选择分布式电源的接入位置和安装容量十分重要。
目前国内外对分布式电源规划问题的研究一般是从规划模型和求解方法两个方面进行的，专家学者做了一些探索和研究，现规划模型涵盖含多种复合能源的分布式电源供电系统发电成本最低的机组组合模型、风力-柴油联合发电系统、光伏/风能混合发电系统容量优化配置模型等；现求解方法涵盖蚁群优化算法、遗传算法、禁忌搜索算法等以及在此基础上对单个算法进行改进或对多个算法进行组合求解分布式电源优化配置问题。
分布式电源多目标接入地址和安装容量的优化配置计算属于分布式电源规划范畴，根据上述技术背景的介绍，现有技术分别侧重从不同角度进行理论研究，也已取得一些研究成果，但常规的优化配置模型和算法在不同程度上仍然存在如下问题：1、未能兼顾实际中更需要考虑的系统网损、平均电压水平及节点总谐波电压畸变率等多目标下的优化，使得分布式电源的优化配置计算缺乏多样性和灵活性；2、优化配置计算方案和计算结果缺乏工程实际应用性。
发明内容：
本发明要解决的技术问题是，提供一种基于改进粒子群算法的分布式电源接入配电系统优配方法，可以克服现有技术的不足。
本发明的技术方案是：基于改进粒子群算法的分布式电源接入配电系统优配方法，包括如下步骤：
步骤一：输入优化配置计算参数数据，初始化粒子群粒子、飞行速度和所接入的分布式电源功率因数；
步骤二：选择优化配置类型，应用模糊集理论将其转化为统一量纲下进行优化比较，对多目标优化问题转化为单目标优化问题，对分布式电源接入总有功容量进行约束(可设置为总有功功率负荷的25％)，根据分布式电源优化配置方案类型选择入口，优化配置方案类型：定址优容、定容优址和指定接入数目为N的优址优容；
定址优容：在初始化和改进粒子群优化计算的过程中，设置未被指定的节点接入容量为0，以实现在指定节点上进行优化配置计算；
定容优址：引入随机组合数的概念，优化配置计算量指标以来衡量。
优址优容：在初始化和优化的过程中，随机指定n个节点接入，并在选定的节点上进行优化配置计算，最后选取各种组合下的最优值，优化配置计算融合了定址优容和定容优址优化计算思想；
步骤三：选择优化配置目标，记录配电系统参数和分布式电源系统参数，包括系统网损，平均电压水平参数；；
步骤四：执行优化配置计算，对每个粒子下进行基波潮流计算和谐波潮流计算，获得本次粒子下的系统节点电压、系统基波损耗和谐波损耗，进而计算出系统节点偏差指标和系统总损耗指标；取得各待优化目标的隶属满意度，对其进行综合评估；改进粒子群算法能对个体极值和全局极值进行记录和优化(过程中引入变异算子，保持粒子多样性，提高寻优的能力)；
步骤五：查看和输出优化配置计算结果。
上述的基于改进粒子群算法的分布式电源接入配电系统优配方法，其特征在于：步骤一中的“输入优化配置计算参数数据，初始化粒子群粒子、飞行速度和所接入的分布式电源功率因数”的标函数分别为：
其中f1为系统总有功损耗；l为第l条支路编号；L为系统支路总数；Lossl为第l条支路基波有功损耗；lossl为第l条支路谐波有功损耗；f2为系统各节点总电压偏移绝对值；Ui为第i个节点电压幅值；UNi为第i个节点额定电压幅值；n为系统节点总数。
上述的基于改进粒子群算法的分布式电源接入配电系统优配方法，其特征在于：步骤二中应用模糊集理论将其转化为统一量纲下进行优化比较，应用公式如下：
其中为分布式电源优化配置后的系统预期总有功损耗；为分布式电源优化配置前原系统预期总有功损耗；dUS为分布式电源优化配置后的总电压偏移绝对值之和的预期值；dUM为分布式电源优化配置前的总电压偏移绝对值之和的预期值；μ1(f1)，μ2(f2)为优化目标的满意度数值，即为衡量优化效果的最终指标。
上述的基于改进粒子群算法的分布式电源接入配电系统优化配置方法是，步骤二中多目标优化问题转化为单目标优化问题，应用公式如下：
e＝-min(μ1(f1),μ2(f2))
前述的基于改进粒子群算法的分布式电源接入配电系统优配方法是，步骤二中分布式电源优化配置的改进粒子群优化算法流程如下：
S2-1：初始化粒子群，设置参数(如学习因子、迭代次数、种群规模、解空间维数、最大飞行速度、最小飞行速度、最大惯性权重以及最小惯性权重等)；
S2-2：计算每个粒子的μ1(f1)，μ2(f2)应用公式e＝-min(μ1(f1),μ2(f2))取得每个粒子的最大适应度值，记录个体最佳位置pbest和全局最佳位置gbest；
S2-3：更新个体极值：对每个粒子的满意度值进行评价，即将第i个粒子的当前满意度值与该粒子的个体极值pi进行比较，如果当前位置更优，则更新个体最佳位置pbest；否则，个体最佳位置pbest保持不变；
S2-4：更新全局极值：从pi中选出最优的作为全局极值gi，其对应更新全局最佳位置gbest；
S2-5：更新粒子的速度和位置，应用公式更新粒子的速度：
v(j)＝ω(i)×v(j)+c1×rand×(gbest(j)-pop(j))+c2×rand×(zbest-pop(j))，如果v(j)中某一维飞行速度超过最大飞行速度，限定v(j)＝vmax；如果v(j)中某一维飞行速度小于最小飞行速度，限定v(j)＝vmin；
应用公式更新粒子的位置：pop(j)＝pop(j)+v(j)，如果pop(j)中某一维接入DG容量超过最大允许接入容量，限定pop(j)＝popmax；如果pop(j)中某一维接入DG容量小于0，限定pop(j)＝popmin；
其中v(j)为第j个粒子的飞行速度；ω(i)为第i次迭代时的惯性权重；ωmax为最大惯性权重；ωmin为最小惯性权重；gen为最大迭代次数；i为迭代次数；c1，c2为学习因子；rand为0～1之间的随机数；gbest(j)为第j个粒子的个体极值；pop(j)为第j个粒子的本次满意度值；zbest为全局最优值；vmax为最大飞行速度；vmin为最小飞行速度；popmax为最大允许接入容量；popmin为最小允许接入容量。
S2-6：检查是否满足程序中止条件，是否满足预设的迭代次数，若不满足，转至步骤S2-2，若满足，则退出。
前述的基于改进粒子群算法的分布式电源接入配电系统优配方法是，：步骤四中取得各待优化目标的隶属满意度，对其进行综合评估，应用公式如下：e＝-min(μ1(f1),μ2(f2))。
与现有技术比较，本发明采用改进粒子群算法的分布式电源接入地址和安装容量的优化配置计算方法，与模糊集理论相结合处理多目标优化问题，对优化配置计算流程进行控制。从优化目标的角度，该计算方法能实现系统网损、平均电压水平及总谐波电压畸变率等多目标优化计算；这样能够兼顾实际中更需要考虑的系统网损、平均电压水平及节点总谐波电压畸变率等多目标下的优化。
通过从优化配置类型的角度，改进粒子群算法能实现分布式电源定址优容、定容优址和指定接入数目的优址优容等三种方案下的优化配置计算，更符合实际工程需要，使得分布式电源的优化配置计算具有多样性和灵活性。
附图说明
图1为本发明的总体流程图；
图2为本发明中改进粒子群算法流程图；
图3为本发明实施例IEEE33配电系统算例示意图；
图4为IEEE33节点配电系统参数示意图；
图5、6为IEEE33节点配电系统分布式电源接入系统定址优容双目标优化配置计算结果图；
图7、8为IEEE33节点配电系统分布式电源接入系统定容优址双目标优化配置计算结果图；
图9、10为IEEE33节点配电系统分布式电源接入系统指定接入数目为2，优址优容双目标优化配置计算结果图。
具体实施方式
下面结合附图对本发明作进一步描述。
实施例1.如图1所示，一种基于改进粒子群算法的分布式电源接入配电系统优化配置方法，包括如下步骤：
步骤一：输入优化配置计算参数数据，初始化粒子群粒子、飞行速度和所接入的分布式电源功率因数；
步骤二：选择优化配置类型，应用模糊集理论将其转化为统一量纲下进行优化比较，对多目标优化问题转化为单目标优化问题，对分布式电源接入总有功容量进行约束(可设置为总有功功率负荷的25％)，根据分布式电源优化配置方案类型选择入口，优化配置方案类型：定址优容、定容优址和指定接入数目为N的优址优容；
定址优容：在初始化和改进粒子群优化计算的过程中，设置未被指定的节点接入容量为0，以实现在指定节点上进行优化配置计算；
定容优址：引入随机组合数的概念，优化配置计算量指标以来衡量；
优址优容：在初始化和优化的过程中，随机指定n个节点接入，并在选定的节点上进行优化配置计算，最后选取各种组合下的最优值，优化配置计算融合了定址优容和定容优址优化计算思想；
步骤三：选择优化配置目标，记录配电系统参数和分布式电源系统参数，包括系统网损，平均电压水平参数；
步骤四：执行优化配置计算，对每个粒子下进行基波潮流计算和谐波潮流计算，获得本次粒子下的系统节点电压、系统基波损耗和谐波损耗，进而计算出系统节点偏差指标和系统总损耗指标；取得各待优化目标的隶属满意度，对其进行综合评估；改进粒子群算法能对个体极值和全局极值进行记录和优化(过程中引入变异算子，保持粒子多样性，提高寻优的能力)；
步骤五：查看和输出优化配置计算结果；
步骤一中的多目标函数分别为：
其中f1为系统总有功损耗；l为第l条支路编号；L为系统支路总数；Lossl为第l条支路基波有功损耗；lossl为第l条支路谐波有功损耗；f2为系统各节点总电压偏移绝对值；Ui为第i个节点电压幅值；UNi为第i个节点额定电压幅值；n为系统节点总数。
步骤二中应用模糊集理论将其转化为统一量纲下进行优化比较，应用公式如下：
其中为分布式电源优化配置后的系统预期总有功损耗；为分布式电源优化配置前原系统预期总有功损耗；dUS为分布式电源优化配置后的总电压偏移绝对值之和的预期值；dUM为分布式电源优化配置前的总电压偏移绝对值之和的预期值；μ1(f1)，μ2(f2)为优化目标的满意度数值，即为衡量优化效果的最终指标；
步骤二中多目标优化问题转化为单目标优化问题，应用公式如下：e＝-min(μ1(f1),μ2(f2))
步骤二中DG优化配置的改进粒子群优化算法流程如下：
S2-1：初始化粒子群，设置参数(如学习因子、迭代次数、种群规模、解空间维数、最大飞行速度、最小飞行速度、最大惯性权重以及最小惯性权重等)；
S2-2：计算每个粒子的μ1(f1)，μ2(f2)应用公式e＝-min(μ1(f1),μ2(f2))取得每个粒子的最大适应度值，记录个体最佳位置pbest和全局最佳位置gbest；
S2-3：更新个体极值：对每个粒子的满意度值进行评价，即将第i个粒子的当前满意度值与该粒子的个体极值pi进行比较，如果当前位置更优，则更新个体最佳位置pbest；否则，个体最佳位置pbest保持不变；
S2-4：更新全局极值：从pi中选出最优的作为全局极值gi，其对应更新全局最佳位置gbest；
S2-5：更新粒子的速度和位置，应用公式更新粒子的速度：
v(j)＝ω(i)×v(j)+c1×rand×(gbest(j)-pop(j))+c2×rand×(zbest-pop(j))，如果v(j)中某一维飞行速度超过最大飞行速度，限定v(j)＝vmax；如果v(j)中某一维飞行速度小于最小飞行速度，限定v(j)＝vmin。
应用公式更新粒子的位置：pop(j)＝pop(j)+v(j)，如果pop(j)中某一维接入DG容量超过最大允许接入容量，限定pop(j)＝popmax；如果pop(j)中某一维接入DG容量小于0，限定pop(j)＝popmin；
其中v(j)为第j个粒子的飞行速度；ω(i)为第i次迭代时的惯性权重；ωmax为最大惯性权重；ωmin为最小惯性权重；gen为最大迭代次数；i为迭代次数；c1，c2为学习因子；rand为0～1之间的随机数；gbest(j)为第j个粒子的个体极值；pop(j)为第j个粒子的本次满意度值；zbest为全局最优值；vmax为最大飞行速度；vmin为最小飞行速度；popmax为最大允许接入容量；popmin为最小允许接入容量。
S2-6：检查是否满足程序中止条件，是否满足预设的迭代次数，若不满足，转至步骤S2-2，若满足，则退出；
步骤四中取得各待优化目标的隶属满意度，对其进行综合评估，应用公式如下：e＝-min(μ1(f1),μ2(f2))。
在上述的实施例进行优化配置计算：在定址优容优化计算中，假设接入DG的节点地址为节点16和29，DG功率因数为0.85，经定址优容优化配置计算，在节点16处接入DG容量S1＝0.511+0.3167j，在节点29处接入DG容量S1＝0.4178+0.2589j，系统有功损耗为0.0835MW；在定容优址优化计算中，假设DG1容量为S＝0.4+0.25j，可选节点地址为18，20，26，29，31，DG2容量为S＝0.5+0.31j，可选节点地址为9，16，23，经定容优址优化配置计算，DG1接入地址为节点31，DG2接入地址为节点16，系统有功损耗为0.0839MW；在指定接入数目n＝2的优址优容中，假设DG1功率因数为0.85，可选节点地址为10，16，DG2功率因数为0.85，可选节点地址为18，23，31，经优址优容优化配置计算，在节点16处接入DG容量S1＝0.511+0.3167j，在节点31处接入DG容量S1＝0.4178+0.2589j，系统有功损耗为0.0817MW；基准电压UB＝12.66kV，SB＝10MVA。
在上述所述多目标优化中可加入其它具有类似目标函数，即目标函数并不只局限于系统有功损耗和节点电压偏差，结合上述实施例仅说明本发明的技术方案而非对其限制。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.一种基于改进粒子群算法的分布式电源接入配电系统优配方法，其特征在于：包括如下步骤：
步骤一：输入优化配置计算参数数据，初始化粒子群粒子、飞行速度和所接入的分布式电源功率因数；
步骤二：选择优化配置类型，应用模糊集理论将其转化为统一量纲下进行优化比较，对多目标优化问题转化为单目标优化问题，对分布式电源接入总有功容量进行约束，根据分布式电源优化配置方案类型选择入口，优化配置方案类型：定址优容、定容优址或指定接入数目为N的优址优容；
定址优容：在初始化和改进粒子群优化计算的过程中，设置未被指定的节点接入容量为0，以实现在指定节点上进行优化配置计算；
定容优址：引入随机组合数的概念，优化配置计算量指标以来衡量；
优址优容：在初始化和优化的过程中，随机指定n个节点接入，并在选定的节点上进行优化配置计算，最后选取各种组合下的最优值，优化配置计算融合了定址优容和定容优址优化计算思想；
步骤三：选择优化配置目标，记录配电系统参数和分布式电源系统参数，包括系统网损，平均电压水平参数；
步骤四：执行优化配置计算，对每个粒子下进行基波潮流计算和谐波潮流计算，获得本次粒子下的系统节点电压、系统基波损耗和谐波损耗，进而计算出系统节点偏差指标和系统总损耗指标；取得各待优化目标的隶属满意度，对其进行综合评估；改进粒子群算法能对个体极值和全局极值进行记录和优化，过程中引入变异算子，保持粒子多样性，提高寻优的能力；
步骤五：查看和输出优化配置计算结果。
2.根据权利要求1所述的基于改进粒子群算法的分布式电源接入配电系统优配方法，其特征在于：步骤一中的“输入优化配置计算参数数据，初始化粒子群粒子、飞行速度和所接入的分布式电源功率因数”的函数分别为：
其中f1为系统总有功损耗；l为第l条支路编号；L为系统支路总数；Lossl为第l条支路基波有功损耗；lossl为第l条支路谐波有功损耗；f2为系统各节点总电压偏移绝对值；Ui为第i个节点电压幅值；UNi为第i个节点额定电压幅值；n为系统节点总数。
3.根据权利要求2所述的基于改进粒子群算法的分布式电源接入配电系统优配方法，其特征在于：步骤二中应用模糊集理论将其转化为统一量纲下进行优化比较，应用公式如下：
其中为分布式电源优化配置后的系统预期总有功损耗；为分布式电源优化配置前原系统预期总有功损耗；dUS为分布式电源优化配置后的总电压偏移绝对值之和的预期值；dUM为分布式电源优化配置前的总电压偏移绝对值之和的预期值；μ1(f1)，μ2(f2)为优化目标的满意度数值，即为衡量优化效果的最终指标。
4.根据权利要求3所述的基于改进粒子群算法的分布式电源接入配电系统优配方法，其特征在于：步骤二中分布式电源多目标优化问题转化为单目标优化问题，应用公式如下：
e＝-min(μ1(f1),μ2(f2))。
5.根据权利要求4所述的基于改进粒子群算法的分布式电源接入配电系统优配方法，其特征在于：步骤二中分布式电源优化配置的改进粒子群优化算法流程如下：
S2-1：初始化粒子群，设置参数，包括学习因子、迭代次数、种群规模、解空间维数、最大飞行速度、最小飞行速度、最大惯性权重以及最小惯性权重；
S2-2：计算每个粒子的μ1(f1)，μ2(f2)应用公式e＝-min(μ1(f1),μ2(f2))取得每个粒子的最大适应度值，记录个体最佳位置pbest和全局最佳位置gbest；
S2-3：更新个体极值：对每个粒子的满意度值进行评价，即将第i 个粒子的当前满意度值与该粒子的个体极值pi进行比较，如果当前位置更优，则更新个体最佳位置pbest；否则，个体最佳位置pbest保持不变；
S2-4：更新全局极值：从pi中选出最优的作为全局极值gi，其对应更新全局最佳位置gbest；
S2-5：更新粒子的速度和位置，应用公式更新粒子的速度：v(j)＝ω(i)×v(j)+c1×rand×(gbest(j)-pop(j))+c2×rand×(zbest-pop(j))，如果v(j)中某一维飞行速度超过最大飞行速度，限定v(j)＝vmax；如果v(j)中某一维飞行速度小于最小飞行速度，限定v(j)＝vmin；
应用公式更新粒子的位置：pop(j)＝pop(j)+v(j)，如果pop(j)中某一维接入DG容量超过最大允许接入容量，限定pop(j)＝popmax；如果pop(j)中某一维接入DG容量小于0，限定pop(j)＝popmin；
其中v(j)为第j个粒子的飞行速度；ω(i)为第i次迭代时的惯性权重；ωmax为最大惯性权重；ωmin为最小惯性权重；gen为最大迭代次数；i为迭代次数；c1，c2为学习因子；rand为0-1之间的随机数；gbest(j)为第j个粒子的个体极值；pop(j)为第j个粒子的本次满意度值；zbest为全局最优值；vmax为最大飞行速度；vmin为最小飞行速度；popmax为最大允许接入容量；popmin为最小允许接入容量；
S2-6：检查是否满足程序中止条件，所述中止条件是预设的迭代次数，若不满足，转至步骤S2-2，若满足，则退出。
6.根据权利要求5所述的基于改进粒子群算法的分布式电源接入配电系统优配方法，其特征在于：步骤四中取得各待优化目标的隶属满意度，对其进行综合评估，应用公式如下：
e＝-min(μ1(f1),μ2(f2))。
7.根据权利要求6所述的基于改进粒子群算法的分布式电源接入配电系统优配方法，其特征在于：对分布式电源接入总有功容量进行约束为总有功功率负荷的25％。
CN201510108589.1A 2015-03-13 2015-03-13 基于改进粒子群算法的分布式电源接入配电系统优配方法 Expired - Fee Related CN104659816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510108589.1A CN104659816B (zh) 2015-03-13 2015-03-13 基于改进粒子群算法的分布式电源接入配电系统优配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510108589.1A CN104659816B (zh) 2015-03-13 2015-03-13 基于改进粒子群算法的分布式电源接入配电系统优配方法

Publications (2)

Publication Number Publication Date
CN104659816A CN104659816A (zh) 2015-05-27
CN104659816B true CN104659816B (zh) 2018-04-20

Family

ID=53250640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510108589.1A Expired - Fee Related CN104659816B (zh) 2015-03-13 2015-03-13 基于改进粒子群算法的分布式电源接入配电系统优配方法

Country Status (1)

Country Link
CN (1) CN104659816B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105071433B (zh) * 2015-07-31 2018-04-20 贵州大学 一种分布式电源的优化配置方案
CN105186556B (zh) * 2015-08-20 2017-11-14 国家电网公司 基于改进免疫粒子群算法的大型光伏电站无功优化方法
CN106485344A (zh) * 2016-08-29 2017-03-08 薛晓辉 输电设备数据处理方法
CN106845626B (zh) * 2017-01-05 2020-04-17 国网福建省电力有限公司 一种基于混合蛙跳粒子群的dg优化配置应用方法
CN107067344B (zh) * 2017-05-27 2020-12-25 东北电力大学 考虑配电网谐波管理的分布式电源多目标接入规划方法
CN107147152B (zh) * 2017-06-15 2019-12-10 广东工业大学 新能源配电网多类型有功无功源协同优化配置方法及系统
CN107492103A (zh) * 2017-07-05 2017-12-19 上海斐讯数据通信技术有限公司 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法
CN107657342A (zh) * 2017-09-25 2018-02-02 上海泛智能源装备有限公司 一种分布式能源系统的配置方法及装置
CN108923461B (zh) * 2018-07-11 2021-10-15 河海大学 一种计及继电保护约束的分布式逆变器电源入网优化方法
CN109242271B (zh) * 2018-08-20 2021-10-01 国网浙江省电力有限公司电力科学研究院 分布式光伏接入配电网电能质量治理的节点灵敏度分析法
CN111193292B (zh) * 2019-12-30 2023-03-24 国网辽宁省电力有限公司电力科学研究院 一种分布式电源选址定容方法
CN111985722A (zh) * 2020-08-28 2020-11-24 贝壳技术有限公司 目标优化方法和装置、系统、存储介质、电子设备
CN112667962B (zh) * 2020-11-11 2023-02-14 福州大学 一种电网谐波潮流相量矩阵计算方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034912B (zh) * 2012-12-20 2016-08-03 诸暨市供电局 一种分布式电源选址定容的优化方法
CN103515954B (zh) * 2013-09-10 2015-10-07 河海大学 一种基于时变负荷分布特性的配电网动态重构方法

Also Published As

Publication number Publication date
CN104659816A (zh) 2015-05-27

Similar Documents

Publication Publication Date Title
CN104659816B (zh) 基于改进粒子群算法的分布式电源接入配电系统优配方法
Wang et al. Balancing risk and cost in fuzzy economic dispatch including wind power penetration based on particle swarm optimization
Khare et al. Solar–wind hybrid renewable energy system: A review
CN111950809B (zh) 基于主从博弈的综合能源系统分层分区优化运行方法
Taher et al. New approach for optimal UPFC placement using hybrid immune algorithm in electric power systems
CN108448620B (zh) 基于综合性能指标的高渗透率分布式电源集群划分方法
CN107706921B (zh) 基于纳什博弈的微电网电压调节方法和装置
CN105449675A (zh) 优化分布式能源接入点和接入比例的电力网络重构方法
Zheng et al. Stochastic optimization of cost-risk for integrated energy system considering wind and solar power correlated
CN112134309A (zh) 一种适用于配电网分布式电压控制的新型分区方法
CN109066741A (zh) 一种用于区域电网削峰填谷的分布式储能规划方法及系统
CN107302231A (zh) 一种小水电群接入电网的两目标随机经济调度方法
CN106803130A (zh) 分布式电源接入配电网的规划方法
Abaci et al. Optimal power flow with SVC devices by using the artificial bee colony algorithm
Liu et al. SARAP algorithm of multi-objective optimal capacity configuration for WT-PV-DE-BES stand-alone microgrid
CN112990596A (zh) 一种主动配电网和虚拟电厂协同运行的分布式优化方法
CN108667077A (zh) 一种风蓄联合系统优化调度方法
CN110942186B (zh) 基于自适应粒子群算法的柔性交流输电设备优化配置方法
CN109638837B (zh) 一种面向新能源并网的动态负载管理方法及系统
CN115425697B (zh) 基于交替方向乘子法的分布式跨区跨省调度方法及系统
Singh et al. Enhancement of available transfer capability using TCSC with hybridized model: Combining lion and moth flame algorithms
CN110535123A (zh) 一种快速的解析式分布式多目标多微网经济调度优化方法
Sakthivel et al. Particle Swarm Optimization algorithm for voltage stability enhancement by optimal reactive power reserve management with multiple TCSCs
Zeng et al. Non-Convex optimal power flow implementation by distributed Meta-Heuristic optimization algorithm
CN110212593B (zh) 一种基于区间的耦合输配电系统分散调度方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180420

Termination date: 20190313