CN105140913B - 一种基于不确定性的有源配电网重构方法 - Google Patents
一种基于不确定性的有源配电网重构方法 Download PDFInfo
- Publication number
- CN105140913B CN105140913B CN201510500585.8A CN201510500585A CN105140913B CN 105140913 B CN105140913 B CN 105140913B CN 201510500585 A CN201510500585 A CN 201510500585A CN 105140913 B CN105140913 B CN 105140913B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- munder
- overbar
- mover
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 23
- 238000010845 search algorithm Methods 0.000 claims abstract description 4
- 239000000243 solution Substances 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 229910002056 binary alloy Inorganic materials 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000005055 memory storage Effects 0.000 claims description 6
- 238000010206 sensitivity analysis Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000002347 injection Methods 0.000 claims description 5
- 239000007924 injection Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 101100177269 Arabidopsis thaliana HCAR gene Proteins 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000007142 ring opening reaction Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
Abstract
本发明提出一种基于不确定性的有源配电网重构方法，所述方法包括，构建网损及成本最小化的多目标重构模型；采用区间层次分析法处理该模型的负荷参数；结合二进制粒子群算法和包含DG的和声搜索算法，获取所述多目标重构模型的最优解；所述最优解包括开关状态、DG的位置和出力大小。
Description
技术领域
本发明涉及一种重构方法，具体涉及一种基于不确定性的有源配电网重构方法。
背景技术
网络重构是一个对网络中联络开关和分段开关的开断状态进行切换调整的过程。通过网络重构，使得新的拓扑网络能降低网损，提高运行可靠性。
在重构过程中，时序影响和环境因素将不可避免地导致数据产生不确定性。这些不确定性通常表现为负荷的波动、设备维护参数的波动等等。以负荷不确定性为例，在负荷预测中常常需要用不确定的数值区间来描述未来一段时间的负荷。这样的数值更负荷客观需求。而利用不确定数值得出的预测结果，在电网规划、风险分析、可靠性评估等方面更为可靠和科学。
发明内容
针对现有技术的缺陷，本文提出一种基于不确定性的有源配电网重构方法，对配电网重构方法进行改进，合理地调节潮流分布，更符合实际需求的优化效果。
本发明的目的是采用下述技术方案实现的：
一种基于不确定性的有源配电网重构方法，所述方法包括，
(1)构建网损及成本最小化的多目标重构模型；
(2)采用区间层次分析法处理该模型的负荷参数；
(3)结合二进制粒子群算法和包含DG的和声搜索算法，获取所述多目标重构模型的最优解；所述最优解包括开关状态、DG的位置和出力大小。
优选的，所述步骤(1)中多目标重构模型为：
式(1)中，F为目标函数，Xi为二进制离散粒子群优化算法控制变量，Sj为HAS控制变量；w1、w2和w3分别为电量不足期望值、网损和开关操作的权重因子；w4和w5分别为电压、电流约束项的惩罚因子；和U i为节点i处电压区间值的上下界，为节点i输出电流的区间值上界；和为节点i电压上下界；为节点i最大输出电流，为节点i最小输出电流；Pa,i为节点i处的平均负荷；[Ti]为区间形式的年平均断电时间，N表示节点数；[Ptloss]为区间形式的总损耗，τ为一年的时间常数，d为单位电价；q为单次操作费用，Nop为操作次数。
优选的，所述步骤(2)中采用区间层次分析法处理模型的负荷参数包括，当负荷功率为[Pi]+i[Qi]，则[Pi]和[Qi]的区间分别为和；其中，和分别为节点i的注入有功功率上下界，和分别为节点i的注入无功功率上下界；
当区间变量为[x]、[y]时，其上下限分别为 x， y，则区间层次分析表达式为：
优选的，所述步骤(3)中获取多目标重构模型的最优解包括；
3-1输入初始开关状态，粒子群规模Npop和最大迭代次数tmax；初始化二进制粒子群优化算法中的变量和矢量，令迭代次数t＝0，生成粒子群，利用二进制粒子群算法输出开关状态最优解；并将其保存为向量NodeInfo；
3-2执行灵敏度分析，确定DG位置；
3-3初始化HAS的变量、矢量和内存，利用所述向量NodeInfo生成HSA的目标函数；该目标函数自变量即为DG的出力；并通过HSA的DG优化定容，获取DG出力的和声矢量。
进一步地，所述步骤(3-1)中输出开关状态最优解具体包括：
a)将开关状态设为数组矩阵A，所述数组矩阵A中各元素取值为“1”或“0”，分别表示开关断开和闭合；利用所述数组矩阵A计算原始网络适应度值，并将该值作为评价指标；
b)生成原始网络的邻接支路矩阵和节点关联矩阵，从电源点开始搜寻由闭合开关组成的环网，记录其开关编号，记作数组{bi}，生成粒子群；
所述生成粒子群的方法包括，断开数组{bi}各环网中的任一开关，使其变为开环；当所有环网均为开环时，生成新的粒子xi；循环步骤(b)，直到粒子群规模达到预定标准；
c)制定约束条件，避免数组{bi}中各环网存在重叠；
d)验证开关状态最优解的拓扑可行性，并计算适应度值，若优于历史最优值则更新评价指标；
e)重复步骤(d)和(e)，直到达到最大迭代次数tmax，输出开关状态最优解和相应拓扑图。
进一步地，所述步骤(b)中的粒子群包括位移矢量xi和速度矢量vi；所述速度矢量vi影响位移矢量发生变化，其概率为：
{xi},{vi}(i＝1,2,3...D) (3)
式(3)中，D为粒子的维度；
开环过程中，粒子群各粒子的位移矢量与速度矢量的关系表达式为：
式(4)中，r为预设阈值，默认取值0.5；Sigmoid为S型生长函数。
进一步地，所述步骤(3-2)中执行灵敏度分析，确定DG位置具体包括，定义支路k至k+1之间的损耗对节点k有功的灵敏度为则：
式(5)中，Pk为节点k的有功功率，Rk为下游支路电阻，Vk为节点k电压幅值。
进一步地，所述步骤(3-3)中获取DG最优出力的和声矢量具体包括下述步骤：
4-1所述DG出力的和声矢量，包括和声记忆库HM，和声记忆库容量HMS、记忆库考虑概率HMCR，调距速度PAR和算法迭代次数NI；
4-2将所述调距速度PAR定义为一个变量，其表达式为；
PAR＝(PARmax-PARmin)×(tci/tmax)+PARmin (6)
式(6)中，PARmin和PARmax分别为PAR的上下界，tci为当前迭代次数，tmax为最大迭代次数；
重新定义变量PAR的距离带宽bw，如下式所示：
其中，bwmin和bwmax分别表示bw的上、下界；η用于调节bw的相关系数；
4-3所述PAR和bw随着声记忆库容量HAS的迭代自动更新；根据式(7)和(8)更新和声记忆库HM；
4-4若当前迭代次数小于最大迭代次数tmax则返回步骤(4-3)；否则结束迭代，并输出当前最优解。
进一步地，所述步骤(d)验证开关状态最优解的拓扑可行性包括下述步骤：
d-1构建节点关联矩阵B，计算B中所有节点的连接度，若其中包含连接度为0的节点，即表示该网络中含有孤立节点，则不可行；
d-2若未包含连接度为0的节点，则删除网络中连接度为1且编号最大的节点，即删除该点对应的行与列，返回步骤d-1，直到剩余两个节点；
d-3若剩余的两个节点连接度均为1表示该网络不含孤岛，则可行；否则不可行。
与现有技术相比，本发明达到的有益效果是：
(1)在考虑负荷和设备参数不确定性的基础上，将DG出力与开关状态量相结合，考虑了网损、可靠性、操作费用多个目标。
(2)通过分两步采用二进制离散粒子群优化算法与HSA算法，将整型变量与连续变量分开处理，有效地解决了含分布式电源的网络重构问题。
(3)在二进制离散粒子群优化算法中，引入有针对性的拓普分析方法辅助筛选可行解，提升了计算效率。
附图说明
图1为一种基于不确定性的有源配电网重构方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
如图1所示，在此基础上，引入了区间分析来处理参数的不确定性。
一种基于不确定性的有源配电网重构方法，所述方法包括，
(1)构建网损及成本最小化的多目标重构模型；具体包括最小化网损、最小化供电不足期望(Expected Energy Not Serve，EENS)和最小化开关操作费用；
步骤(1)中多目标重构模型为：
式(1)中，F为目标函数，Xi为二进制离散粒子群优化算法控制变量，Sj为HAS控制变量；w1、w2和w3分别为电量不足期望值、网损和开关操作的权重因子；w4和w5分别为电压、电流约束项的惩罚因子；和U i为节点i处电压区间值的上下界，为节点i输出电流的区间值上界；和为节点i电压上下界；为节点i最大输出电流，为节点i最小输出电流；Pa,i为节点i处的平均负荷；[Ti]为区间形式的年平均断电时间，N表示节点数；[Ptloss]为区间形式的总损耗，τ为一年的时间常数，d为单位电价；q为单次操作费用，Nop为操作次数。
(2)采用区间层次分析法处理该模型的负荷参数；引入了区间分析从而处理参数的不确定性。
步骤(2)中，采用区间层次分析法处理模型的负荷参数包括，当负荷功率为[Pi]+i[Qi]，则[Pi]和[Qi]的区间分别为和其中，和分别为节点i的注入有功功率上下界，和分别为节点i的注入无功功率上下界；
当区间变量为[x]、[y]时，其上下限分别为 x， y，则区间层次分析表达式为：
(3)结合二进制粒子群算法(Binary Particle Swarm Optimization，BPSO)和包含DG的和声搜索算法，获取所述多目标重构模型的最优解；所述最优解包括开关状态、DG的位置和出力大小。
步骤(3)中获取多目标重构模型的最优解包括；
3-1输入初始开关状态，粒子群规模Npop和最大迭代次数tmax；初始化二进制粒子群优化算法中的变量和矢量，令迭代次数t＝0，生成粒子群，利用二进制粒子群算法输出开关状态最优解；并将其保存为向量NodeInfo；步骤(3-1)中输出开关状态最优解具体包括：
a)将开关状态设为数组矩阵A，所述数组矩阵A中各元素取值为“1”或“0”，分别表示开关断开和闭合；利用所述数组矩阵A计算原始网络适应度值，并将该值作为评价指标；
b)生成原始网络的邻接支路矩阵和节点关联矩阵，从电源点开始搜寻由闭合开关组成的环网，记录其开关编号，记作数组{bi}，生成粒子群；
所述生成粒子群的方法包括，断开数组{bi}各环网中的任一开关，使其变为开环；当所有环网均为开环时，生成新的粒子xi；循环步骤(b)，直到粒子群规模达到预定标准；步骤(b)中的粒子群包括位移矢量xi和速度矢量vi；所述速度矢量vi影响位移矢量发生变化，其概率为：
{xi},{vi}(i＝1,2,3...D) (3)
式(3)中，D为粒子的维度；
开环过程中，粒子群各粒子的位移矢量与速度矢量的关系表达式为：
式(4)中，r为预设阈值，默认取值0.5；Sigmoid为S型生长函数。
3-2执行灵敏度分析，确定DG位置；步骤(3-2)中执行灵敏度分析，确定DG位置具体包括，定义支路k至k+1之间的损耗对支路k至k+1之间上的某一节点k有功的灵敏度为，则：
式(5)中，Pk为节点k的有功功率，Rk为下游支路电阻，Vk为节点k电压幅值。
c)制定约束条件，避免数组{bi}中各环网存在重叠；
d)验证开关状态最优解的拓扑可行性，并计算适应度值，若优于历史最优值则更新评价指标；
e)重复步骤(d)和(e)，直到达到最大迭代次数tmax，输出开关状态最优解和相应拓扑图。
步骤(d)验证开关状态最优解的拓扑可行性包括下述步骤：
d-1构建节点关联矩阵B，计算B中所有节点的连接度，若其中包含连接度为0的节点，即表示该网络中含有孤立节点，则不可行；
d-2若未包含连接度为0的节点，则删除网络中连接度为1且编号最大的节点，即删除该点对应的行与列，返回步骤d-1，直到剩余两个节点；
d-3若剩余的两个节点连接度均为1表示该网络不含孤岛，则可行；否则不可行。
3-3初始化HAS的变量、矢量和内存，利用所述向量NodeInfo生成HSA的目标函数；
该目标函数自变量即为DG的出力；并通过HSA的DG优化定容，获取DG出力的和声矢量。步骤(3-3)中获取DG最优出力的和声矢量具体包括下述步骤：
4-1所述DG出力的和声矢量，包括和声记忆库HM，和声记忆库容量HMS、记忆库考虑概率HMCR，调距速度PAR和算法迭代次数NI；
4-2将所述调距速度PAR定义为一个变量，其表达式为；
PAR＝(PARmax-PARmin)×(tci/tmax)+PARmin (6)
式(6)中，PARmin和PARmax分别为PAR的上下界，tci为当前迭代次数，tmax为最大迭代次数；
重新定义变量PAR的距离带宽bw，如下式所示：
其中，bwmin和bwmax分别表示bw的上、下界；η用于调节bw的相关系数；
4-3所述PAR和bw随着声记忆库容量HAS的迭代自动更新；根据式(7)和(8)更新和声记忆库HM；
4-4若当前迭代次数小于最大迭代次数tmax则返回步骤(4-3)；否则结束迭代，并输出当前最优解。
最后应当说明的是：以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，这些变更、修改或者等同替换，其均在其申请待批的权利要求范围之内。
Claims (6)
1.一种基于不确定性的有源配电网重构方法，其特征在于，所述方法包括，
(1)构建网损及成本最小化的多目标重构模型；
所述步骤(1)中多目标重构模型为：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mo>&rsqb;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>&lsqb;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mi>l</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
<mi>&tau;</mi>
<mi>d</mi>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>3</mn>
</msub>
<msub>
<mi>N</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
</mrow>
</msub>
<mi>q</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>4</mn>
</msub>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>min</mi>
<mrow>
<mo>(</mo>
<msub>
<munder>
<mi>U</mi>
<mo>&OverBar;</mo>
</munder>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>U</mi>
<mi>i</mi>
<mi>min</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>U</mi>
<mi>i</mi>
<mi>max</mi>
</msubsup>
<mo>-</mo>
<msub>
<mover>
<mi>U</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>U</mi>
<mi>i</mi>
<mi>max</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>U</mi>
<mi>i</mi>
<mi>min</mi>
</msubsup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>5</mn>
</msub>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>min</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>I</mi>
<mi>i</mi>
<mi>max</mi>
</msubsup>
<mo>-</mo>
<msub>
<mover>
<mi>I</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>I</mi>
<mi>i</mi>
<mi>max</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>I</mi>
<mi>i</mi>
<mi>min</mi>
</msubsup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中，F为目标函数，Xi为二进制离散粒子群优化算法控制变量，Sj为HAS控制变量；w1、w2和w3分别为电量不足期望值、网损和开关操作的权重因子；w4和w5分别为电压、电流约束项的惩罚因子；和U i为节点i处电压区间值的上下界，为节点i输出电流的区间值上界；和为节点i电压上下界；为节点i最大输出电流，为节点i最小输出电流；Pa,i为节点i处的平均负荷；[Ti]为区间形式的年平均断电时间，N表示节点数；[Ptloss]为区间形式的总损耗，τ为一年的时间常数，d为单位电价；q为单次操作费用，Nop为操作次数；
(2)采用区间层次分析法处理该模型的负荷参数；
所述步骤(2)中采用区间层次分析法处理模型的负荷参数包括，当负荷功率为[Pi]+i[Qi]，则[Pi]和[Qi]的区间分别为[Pi min,Pi max]和其中，Pi min和Pi max分别为节点i的注入有功功率上下界，和分别为节点i的注入无功功率上下界；
当区间变量为[x]、[y]时，其上下限分别为 x， y，则区间层次分析表达式为：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>&lsqb;</mo>
<mi>x</mi>
<mo>&rsqb;</mo>
<mo>+</mo>
<mo>&lsqb;</mo>
<mi>y</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<mo>&lsqb;</mo>
<munder>
<mi>x</mi>
<mo>&OverBar;</mo>
</munder>
<mo>+</mo>
<munder>
<mi>y</mi>
<mo>&OverBar;</mo>
</munder>
<mo>,</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>+</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&lsqb;</mo>
<mi>x</mi>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>&lsqb;</mo>
<mi>y</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<mo>&lsqb;</mo>
<munder>
<mi>x</mi>
<mo>&OverBar;</mo>
</munder>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<munder>
<mi>y</mi>
<mo>&OverBar;</mo>
</munder>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&lsqb;</mo>
<mi>x</mi>
<mo>&rsqb;</mo>
<mo>&CenterDot;</mo>
<mo>&lsqb;</mo>
<mi>y</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<mo>&lsqb;</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mover>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
<munder>
<mi>x</mi>
<mo>&OverBar;</mo>
</munder>
<munder>
<mi>y</mi>
<mo>&OverBar;</mo>
</munder>
<mo>,</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<munder>
<mi>y</mi>
<mo>&OverBar;</mo>
</munder>
<mo>,</mo>
<munder>
<mi>x</mi>
<mo>&OverBar;</mo>
</munder>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>max</mi>
<mrow>
<mo>(</mo>
<mover>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
<munder>
<mi>x</mi>
<mo>&OverBar;</mo>
</munder>
<munder>
<mi>y</mi>
<mo>&OverBar;</mo>
</munder>
<mo>,</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<munder>
<mi>y</mi>
<mo>&OverBar;</mo>
</munder>
<mo>,</mo>
<munder>
<mi>x</mi>
<mo>&OverBar;</mo>
</munder>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mo>&lsqb;</mo>
<mi>x</mi>
<mo>&rsqb;</mo>
<mo>/</mo>
<mo>&lsqb;</mo>
<mi>y</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<mo>&lsqb;</mo>
<munder>
<mi>x</mi>
<mo>&OverBar;</mo>
</munder>
<mo>,</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
<mo>&CenterDot;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>/</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
<mn>1</mn>
<mo>/</mo>
<munder>
<mi>y</mi>
<mo>&OverBar;</mo>
</munder>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
<munder>
<mi>y</mi>
<mo>&OverBar;</mo>
</munder>
<mo>&NotEqual;</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
(3)结合二进制粒子群算法和包含DG的和声搜索算法，获取所述多目标重构模型的最优解；所述最优解包括开关状态、DG的位置和出力大小；
所述步骤(3)中获取多目标重构模型的最优解包括；
3-1输入初始开关状态，粒子群规模Npop和最大迭代次数tmax；初始化二进制粒子群优化算法中的变量和矢量，令迭代次数t＝0，生成粒子群，利用二进制粒子群算法输出开关状态最优解；并将其保存为向量NodeInfo；
3-2执行灵敏度分析，确定DG位置；
3-3初始化HAS的变量、矢量和内存，利用所述向量NodeInfo生成HSA的目标函数；该目标函数自变量即为DG的出力；并通过HSA的DG优化定容，获取DG出力的和声矢量。
2.根据权利要求1所述的方法，其特征在于，所述步骤(3-1)中输出开关状态最优解具体包括：
a)将开关状态设为数组矩阵A，所述数组矩阵A中各元素取值为“1”或“0”，分别表示开关断开和闭合；利用所述数组矩阵A计算原始网络适应度值，并将所述原始网络适应度值作为评价指标；
b)生成原始网络的邻接支路矩阵和节点关联矩阵，从电源点开始搜寻由闭合开关组成的环网，记录其开关编号，记作数组{bi}，生成粒子群；
所述生成粒子群的方法包括，断开数组{bi}各环网中的任一开关，使其变为开环；当所有环网均为开环时，生成新的粒子xi；循环步骤(b)，直到粒子群规模达到预定标准；
c)制定约束条件，避免数组{bi}中各环网存在重叠；
d)验证开关状态最优解的拓扑可行性，并计算适应度值，若优于历史最优值则更新评价指标；
e)重复步骤(d)和(e)，直到达到最大迭代次数tmax，输出开关状态最优解和相应拓扑图。
3.根据权利要求2所述的方法，其特征在于，所述步骤(b)中的粒子群包括位移矢量xi和速度矢量vi；所述速度矢量vi影响位移矢量发生变化，其概率为：
{xi},{vi}(i＝1,2,3...D) (3)
式(3)中，D为粒子的维度；
开环过程中，粒子群各粒子的位移矢量与速度矢量的关系表达式为：
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>r</mi>
<mo>></mo>
<mi>S</mi>
<mi>i</mi>
<mi>g</mi>
<mi>m</mi>
<mi>o</mi>
<mi>i</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>r</mi>
<mo>&le;</mo>
<mi>S</mi>
<mi>i</mi>
<mi>g</mi>
<mi>m</mi>
<mi>o</mi>
<mi>i</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式(4)中，r为预设阈值，默认取值0.5；Sigmoid为S型生长函数。
4.根据权利要求1所述的方法，其特征在于，所述步骤(3-2)中执行灵敏度分析，确定DG位置具体包括，定义支路k至k+1之间的损耗对节点k有功的灵敏度为则：
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
<mo>,</mo>
<mi>k</mi>
<mo>~</mo>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mn>2</mn>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
</mrow>
<msubsup>
<mi>V</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式(5)中，Pk为节点k的有功功率，Rk为下游支路电阻，Vk为节点k电压幅值。
5.根据权利要求1所述的方法，其特征在于，所述步骤(3-3)中获取DG最优出力的和声矢量具体包括下述步骤：
4-1所述DG出力的和声矢量，包括和声记忆库HM，和声记忆库容量HMS、记忆库考虑概率HMCR，调距速度PAR和算法迭代次数NI；
4-2将所述调距速度PAR定义为一个变量，其表达式为；
PAR＝(PARmax-PARmin)×(tci/tmax)+PARmin (6)
式(6)中，PARmin和PARmax分别为PAR的上下界，tci为当前迭代次数，tmax为最大迭代次数；
重新定义变量PAR的距离带宽bw，如下式所示：
<mrow>
<mi>b</mi>
<mi>w</mi>
<mo>=</mo>
<msub>
<mi>bw</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>&eta;</mi>
<mo>&times;</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&eta;</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>lg</mi>
<mfrac>
<mrow>
<msub>
<mi>bw</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>bw</mi>
<mi>max</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，bwmin和bwmax分别表示bw的上、下界；η用于调节bw的相关系数；
4-3所述PAR和bw随着声记忆库容量HAS的迭代自动更新；根据式(7)和(8)更新和声记忆库HM；
4-4若当前迭代次数小于最大迭代次数tmax则返回步骤(4-3)；否则结束迭代，并输出当前最优解。
6.根据权利要求2所述的方法，其特征在于，所述步骤(d)验证开关状态最优解的拓扑可行性包括下述步骤：
d-1构建节点关联矩阵B，计算B中所有节点的连接度，若其中包含连接度为0的节点，即表示该网络中含有孤立节点，则不可行；
d-2若未包含连接度为0的节点，则删除网络中连接度为1且编号最大的节点，即删除网络中连接度为1且编号最大的节点对应的行与列，返回步骤d-1，直到剩余两个节点；
d-3若剩余的两个节点连接度均为1表示该网络不含孤岛，则可行；否则不可行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510500585.8A CN105140913B (zh) | 2015-08-14 | 2015-08-14 | 一种基于不确定性的有源配电网重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510500585.8A CN105140913B (zh) | 2015-08-14 | 2015-08-14 | 一种基于不确定性的有源配电网重构方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105140913A CN105140913A (zh) | 2015-12-09 |
| CN105140913B true CN105140913B (zh) | 2018-04-03 |
Family
ID=54726171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510500585.8A Active CN105140913B (zh) | 2015-08-14 | 2015-08-14 | 一种基于不确定性的有源配电网重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105140913B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106410784B (zh) * | 2016-06-02 | 2020-03-17 | 国网江西省电力公司赣东北供电分公司 | 变电站有功负荷对地区电网有功网损的灵敏度计算方法 |
| CN108242806B (zh) * | 2016-12-26 | 2020-02-18 | 中国能源建设集团广东省电力设计研究院有限公司 | 馈线自动化开关布点方法和系统 |
| CN106786543A (zh) * | 2017-01-05 | 2017-05-31 | 国网江苏省电力公司电力科学研究院 | 一种考虑最大供电能力约束的配电网络优化降损重构方法 |
| 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 |
| CN107392350B (zh) * | 2017-06-08 | 2021-08-13 | 国网宁夏电力公司电力科学研究院 | 含分布式能源及充电站的配电网扩展规划综合优化方法 |
| CN109119985A (zh) * | 2017-06-23 | 2019-01-01 | 南京理工大学 | 一种主动配电网能源优化配置方法 |
| CN107909224A (zh) * | 2017-12-11 | 2018-04-13 | 国网山东省电力公司菏泽供电公司 | 基于和声算法的快速移除不可行解的配电网重构方法 |
| CN111277004B (zh) * | 2020-02-11 | 2020-09-29 | 天津大学 | 一种配电网“源-网-荷”两阶段多目标控制方法及系统 |
| CN111798163B (zh) * | 2020-07-28 | 2021-03-05 | 南京邮电大学 | 一种有源配电网安全评估方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104022505A (zh) * | 2014-06-20 | 2014-09-03 | 国家电网公司 | 一种考虑重要节点电压暂降经济损失的配网重构方法 |
| CN104123684A (zh) * | 2014-08-04 | 2014-10-29 | 国家电网公司 | 一种计及网损和可靠性的配电网经济性重构方法 |
| CN104734153A (zh) * | 2014-12-18 | 2015-06-24 | 国家电网公司 | 一种含分布式电源的配电网络重构方法 |
-
2015
- 2015-08-14 CN CN201510500585.8A patent/CN105140913B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104022505A (zh) * | 2014-06-20 | 2014-09-03 | 国家电网公司 | 一种考虑重要节点电压暂降经济损失的配网重构方法 |
| CN104123684A (zh) * | 2014-08-04 | 2014-10-29 | 国家电网公司 | 一种计及网损和可靠性的配电网经济性重构方法 |
| CN104734153A (zh) * | 2014-12-18 | 2015-06-24 | 国家电网公司 | 一种含分布式电源的配电网络重构方法 |
Non-Patent Citations (1)
| Title |
|---|
| 含随机出力分布式电源的配电网静态电压稳定快速概率评估方法;胡丽娟 等;《电网技术》;20141031;第38卷(第10期);第2766-2771页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105140913A (zh) | 2015-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105140913B (zh) | 一种基于不确定性的有源配电网重构方法 | |
| Ibrahim et al. | A novel hybrid model for hourly global solar radiation prediction using random forests technique and firefly algorithm | |
| Amjadi et al. | Estimation of electricity demand of Iran using two heuristic algorithms | |
| Kumar et al. | Efficient real coded genetic algorithm to solve the non-convex hydrothermal scheduling problem | |
| CN104332995B (zh) | 基于改进粒子群算法的配电网重构优化方法 | |
| CN106779198A (zh) | 一种道路拥堵情况分析方法 | |
| Liao et al. | An adaptive artificial bee colony algorithm for long-term economic dispatch in cascaded hydropower systems | |
| Kavousi-Fard et al. | Multi-objective probabilistic distribution feeder reconfiguration considering wind power plants | |
| Luo et al. | A hybrid multi-objective PSO–EDA algorithm for reservoir flood control operation | |
| Chen et al. | An improved NSGA-III algorithm for reservoir flood control operation | |
| Karakonstantis et al. | Ant colony optimization for continuous domains applied to emission and economic dispatch problems | |
| CN104123684B (zh) | 一种计及网损和可靠性的配电网经济性重构方法 | |
| CN105631517A (zh) | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 | |
| Wang et al. | Forecasting hydropower generation by GFDL‐CM3 climate model and hybrid hydrological‐Elman neural network model based on Improved Sparrow Search Algorithm (ISSA) | |
| CN106777449A (zh) | 基于二进制粒子群算法的配电网络重构方法 | |
| CN106786543A (zh) | 一种考虑最大供电能力约束的配电网络优化降损重构方法 | |
| Nagahamulla et al. | An ensemble of artificial neural networks in rainfall forecasting | |
| CN104050505A (zh) | 一种基于带学习因子蜂群算法的多层感知器训练方法 | |
| Azad-Farsani et al. | A new hybrid CPSO-TLBO optimization algorithm for distribution network reconfiguration | |
| Li et al. | Data-driven design of the extended fuzzy neural network having linguistic outputs | |
| Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
| Hong et al. | Short-term electric load forecasting using particle swarm optimization-based convolutional neural network | |
| Pandya et al. | Comparative study of bat & flower pollination optimization algorithms in highly stressed large power system | |
| CN104598657A (zh) | 一种基于memetic算法的基因模体重构技术 | |
| Esmailnezhad et al. | Simultaneous distribution network reconfiguration and DG allocation for loss reduction by invasive weed optimization algorithm |
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 |