CN105243516A - 基于主动配电网的分布式光伏发电最大消纳能力计算系统 - Google Patents

Abstract

本发明涉及一种基于主动配电网的分布式光伏发电最大消纳能力计算系统，包括：输入模块，用于获取配网参数、光伏发电系统参数、光伏时序特性参数、负荷时序特性参数、一年各典型日天数以及自适应混沌粒子群算法参数；初始化模块，利用混沌算法初始化种群，种群中的每个粒子代表一种分布式光伏接入方案；潮流计算模块，进行考虑主动管理的潮流计算，并获得各粒子在时段t下的适应值大小；粒子群操作模块，采用自适应混沌粒子群算法进行循环计算，获得总适应值最优的粒子；输出模块，输出最优分布式光伏接入方案，及该分布式光伏接入方案下的年最大消纳量。与现有技术相比，本发明具有计算效率高、整合性强、紧密结合实际等优点。

Description

基于主动配电网的分布式光伏发电最大消纳能力计算系统

技术领域

本发明涉及配电网领域，涉及分布式光伏发电消纳能力的计算，尤其是涉及一种基于主动配电网的分布式光伏发电最大消纳能力计算系统。

背景技术

环境污染和能源短缺已成为现代文明社会的世纪性难题，在此背景下，分布式电源(DistributedGeneration，DG)和可再生能源的利用得到了越来越广泛的发展。作为新能源中最为丰富且不受地域限制的发电形式，光伏发电得到越来越多的应用。随着分布式光伏越来越多的接入配电网，配电网对其消纳能力越来越受到人们的重视。分布式光伏发电不能无上限的接入配电网，其接入容量受到电压约束、支路潮流约束等因素的限制；为了能够更好、更多地消纳分布式光伏发电，有必要研究主动配电网中的分布式光伏发电最大消纳能力计算方法。近年来主动配电网发展迅速，主动管理技术应运而生，其对分布式光伏消纳能力的影响如何，是如何产生影响的，值得深入研究。

经对现有文献进行检索发现，现有文献中，于建成、迟福建、徐科等在《电力系统及其自动化学报》(2012,24(1):138-141)上发表的“分布式电源接入对电网的影响分析”，分析了分布式电源接入对配电网电压、配电网短路电流、电网可靠性等方面带来的影响；夏成军、崔弘、王强、张尧在《电网技术》(2009,16:96-100)上发表的“考虑静态安全约束的分布式电源准入容量计算”，从电力系统静态安全约束的角度出发，建立了计算分布式电源准入容量的数学模型；苏小玲、韩民晓、赵正奎、范瑞祥在《电网技术》(2012,10:87-92)上发表的“配电网中分布式电源最大准入容量分析”，分析了DG接入位置、容量及接入方法等因素对配电网影响，形成了模型的电压约束、潮流约束以及DG的容量约束。范元亮、赵波、江全元在《电力系统自动化》(2012,9(36)：23-27)上发表的“过电压限制下分布式光伏电源最大允许接入峰值容量的计算”通过计算在配电网馈线上所有负荷等级下分布式光伏电源的最大允许输出功率，计算出分布式光伏电源的最大允许接入峰值容量，并提出当配电网馈线离满载运行还有一定余量时，分布式光伏电源按超前功率因数运行，可提高最大允许接入峰值容量。以上文献对DG接入配电网的准入容量进行了一定的研究，但对于分布式光伏出力及负荷的不确定性考虑不多，仅仅将光伏发电当做恒定出力考虑。且都没有考虑主动配电网中分布式光伏的消纳能力。主动管理技术对分布式光伏消纳能力的影响值得深入研究。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种计算效率高、整合性强、紧密结合实际的基于主动配电网的分布式光伏发电最大消纳能力计算系统。

本发明的目的可以通过以下技术方案来实现：

一种基于主动配电网的分布式光伏发电最大消纳能力计算系统，包括：

输入模块，用于获取配网参数、光伏发电系统参数、光伏时序特性参数、负荷时序特性参数、一年各典型日天数以及自适应混沌粒子群算法参数；

初始化模块，用于根据输入模块的数据，利用混沌算法初始化种群，种群中的每个粒子代表一种分布式光伏接入方案；

潮流计算模块，用于对所述种群中的各粒子所代表的分布式光伏接入方案进行考虑主动管理的潮流计算，并获得各粒子在时段t下的适应值大小；

粒子群操作模块，累加所有时段的适应值，得到各个粒子的总适应值，采用自适应混沌粒子群算法进行循环计算，获得总适应值最优的粒子；

输出模块，输出总适应值最优的粒子所对应的分布式光伏接入方案，及该分布式光伏接入方案下的年最大消纳量。

所述配网参数包括络拓扑结构、发电机节点及负荷节点情况、网络支路阻抗及导纳和网络电压等级；

所述光伏发电系统参数包括光伏面板面积、光电效率、额定功率、功率因数和Beta分布参数；

所述光伏时序特性参数包括典型日光伏发电按小时出力情况；

所述负荷时序特性参数包括典型日居民负荷和商业负荷按小时出力情况；

所述自适应混沌粒子群算法参数包括粒子群的种群数和最大迭代次数。

所述利用混沌算法初始化种群具体为：

随机产生2N_DG维、每个分量数值在0-1之间的向量根据Logistic完全混沌迭代公式Z_n+1＝4Z_n(1-Z_n),n＝1,2,...,N，得到N个向量Z₁,Z₂,...,Z_N，该N个向量即为初始化后的种群。

所述潮流计算模块进行潮流计算时，计算各粒子所代表的分布式光伏接入方案下的潮流分布，并判断潮流计算结果是否满足主动管理下的约束条件，若满足约束条件，则直接评价各粒子在当前时段下的适应值，若不满足约束条件，则加入处罚项后再评价各粒子在当前时段下的适应值。

所述主动管理的措施包括：削减分布式光伏出力、调节有载调压变压器抽头和无功补偿的投切。

所述约束条件包括：

(1)节点功率平衡约束

$P_{PVi}-P_{Li}=U_i\underset{j\∈{\mathrm{\Ω}}_i}{\Σ}{U}_j\left(G_{ij}{\mathrm{cos\θ}}_{ij}+B_{ij}{\mathrm{sin\θ}}_{ij}\right)$

$Q_{PVi}+Q_{Ci}-Q_{Li}=U_i\underset{j\∈{\mathrm{\Ω}}_i}{\Σ}{U}_j\left(G_{ij}{\mathrm{sin\θ}}_{ij}-B_{ij}{\mathrm{cos\θ}}_{ij}\right)$

其中，P_PVi为节点i的分布式光伏有功注入；P_Li为节点i的有功负荷；Q_PVi为节点i的分布式光伏无功注入；Q_Ci为节点i的无功补偿无功注入；Q_Li为节点i的无功负荷；U_i、U_j分别为节点i、j电压幅值；θ_ij为节点i、j间电压相角；G_ij、B_ij分别表示导纳矩阵中节点i、j间的电导和电纳，Ω_i表示与节点i相连的其他节点集合；

(2)节点电压约束

U_imin≤U_i≤U_imax

其中，U_i为节点i的电压；U_imin、U_imax为节点i所允许的最小电压值和最大电压值；

(3)支路潮流约束

S_l≤S_lmax

其中，S_l为通过支路l的视在功率；S_lmax为支路l传输容量极限值；

(4)CVC抽头约束

T_kmin≤T_k≤T_kmax

其中，T_k为变压器的抽头位置；T_kmin、T_kmax为变压器的抽头最小值和最大值；

(5)无功补偿装置约束

Q_Cimin≤Q_Ci≤Q_Cimax

其中，Q_Ci为节点i无功补偿装置的无功输出；Q_Cimin、Q_Cimax为节点i无功补偿最小值和最大值；

将其转化为功率因数的限制，即：

其中为时段k节点i的功率因数，和分别为功率因数的最小值和最大值；

(6)分布式光伏出力约束

P_PVimin≤P_PVi≤P_PVimax

其中，P_PVi为节点i分布式光伏有功出力；P_PVimin、P_PVimax分别为节点i的分布式光伏有功出力最小值、最大值；

将其转化为光伏切除量的大小，即：

${\mathrm{CE}}_g^k\≤{\mathrm{CE}}_{gmax}^k$

其中为时段k光伏发电g出力切除量，其中为切除系数，为时段k光伏发电g在不进行切除的情况下最大出力。

所述自适应混沌粒子群算法具体为：

利用粒子速度和位置更新公式更新粒子的速度和位置，对最优位置进行混沌优化，将最优位置映射到Logistic方程对应变量取值区间上后，利用Logistic方程进行迭代，产生混沌变量序列，再将混沌序列逆映射到原空间，在原空间对混沌变量经历的每一个可行解计算其适应度之后，得到性能最好解。

所述自适应混沌粒子群算法采用粒子速度和位置更新公式如下：

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

$x_{id}^{t+1}=x_{id}^t+v_{id}^{t+1},i=1,2,3,...,N$

$\left\{\begin{array}{cc}{v}_{id}^{t+1}=v_{max.d}& v_{id}^{t+1}>v_{max.d}\\ v_{id}^{t+1}=v_{min.d}& v_{id}^{t+1}<v_{\min .d}\end{array}\right.$

式中，i表示粒子的编号；t表示粒子群算法运行的代数；d表示搜索空间的维度D的第d分量；g表示全局最优；p_i为粒子的个体极值；x_id、v_id、p_id、v_max.d、v_min.d、g_d分别表示X_i、V_i、p_i、v_max、v_min、g的第d维分量；N表示粒子数；ω是惯性权重；c₁，c₂是学习因子，均为非负常数；r₁，r₂是介于[0,1]间相互独立的随机数。

所述惯性权重为随着迭代次数而减少的线性函数：

$\mathrm{\&omega;}={\mathrm{\&omega;}}_{max}-\frac{{\mathrm{\&omega;}}_{max}-{\mathrm{\&omega;}}_{\min }}{{\mathrm{\&omega;}}_{max}}\&times;n$

其中，ω_max为初始权重，ω_min为最终权重，n_max为最大迭代次数，n为当前迭代次数。

所述学习因子c₁、c₂满足以下公式：

$c_1=a+dcos\left(\frac{n\mathrm{\&pi;}}{n_{max}}\right)$

$c_2=b-dcos\left(\frac{n\mathrm{\&pi;}}{n_{max}}\right)$

其中，a、b、d为参数，n为当前迭代次数，n_max为最大迭代次数。

与现有技术相比，本发明具有以下有益效果：

(1)本发明在进行潮流计算时考虑了主动管理措施对分布式光伏消纳能力的影响，与实际情况紧密结合，整合性强，提高了计算结果的可靠性；

(2)本发明采用自适应混沌粒子群算法，能够快速获得最优解，且计算精度高；

(3)本发明在自适应混沌粒子群算法的粒子速度计算中添加一个惯性权重，有效改善了粒子群算法的收敛性能，且惯性权重为随着迭代次数而减少的线性函数，更利于粒子搜索到全局最优解；

(4)本发明自适应混沌粒子群算法中，在搜索初期，避免陷入局部最优，应当使粒子多向自身最优学习，少向全局最优学习，c₁取较大值，c₂取较小值；在搜索后期，应当增强局部搜索能力，c₁取较小值，c₂取较大值。

附图说明

图1为本发明的结构示意图；

图2为本发明的计算流程图；

图3为本发明的ACPSO算法流程图；

图4为实施例中系统单线图；

图5为光伏发电时序特性曲线；

图6为居民负荷时序特性曲线；

图7为商业负荷时序特性曲线；

图8为各分布式光伏发电最大消纳能力方案比较示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例提供一种基于主动配电网的分布式光伏发电最大消纳能力计算系统，包括输入模块1、初始化模块2、潮流计算模块3、粒子群操作模块4和输出模块5。如图2-3所示，输入模块1用于获取配网参数、光伏发电系统参数、光伏时序特性参数、负荷时序特性参数、一年各典型日天数以及自适应混沌粒子群算法(AdaptiveChaosParticleSwarmOptimization，ACPSO)参数；初始化模块2用于根据输入模块的数据，利用混沌算法初始化种群，种群中的每个粒子均含有各个节点的分布式光伏接入量，即每个粒子代表一种分布式光伏接入方案；潮流计算模块3用于对所述种群中的各粒子所代表的分布式光伏接入方案进行考虑主动管理的潮流计算，并获得各粒子在时段t下的适应值大小；粒子群操作模块4累加所有时段的适应值，得到各个粒子的总适应值，采用自适应混沌粒子群算法进行循环计算，获得总适应值最优的粒子；输出模块，5输出总适应值最优的粒子所对应的分布式光伏接入方案，及该分布式光伏接入方案下的年最大消纳量。

输入模块1中，输入的配网参数包括络拓扑结构、发电机节点及负荷节点情况、网络支路阻抗及导纳和网络电压等级；光伏发电系统参数包括光伏面板面积、光电效率、额定功率、功率因数和Beta分布参数；光伏时序特性参数包括典型日光伏发电按小时出力情况；负荷时序特性参数包括典型日居民负荷和商业负荷按小时出力情况；自适应混沌粒子群算法参数包括粒子群的种群数和最大迭代次数。其中，时序特性指分布式光伏随时刻、天气、季节出力的变化情况及负荷随时刻、季节负荷水平的变化情况。

Beta分布用以描述光照辐射强度概率分布，其概率密度可表示为：

$f\left(r\right)=\frac{\mathrm{\&Gamma;}(\mathrm{\&alpha;}+\mathrm{\&beta;})}{\mathrm{\&Gamma;}\left(\mathrm{\&alpha;}\right)\mathrm{\&Gamma;}\left(\mathrm{\&beta;}\right)}{\left(\frac{r}{r_{\max }}\right)}^{\mathrm{\&alpha;}-1}{(1-\frac{r}{r_{max}})}^{\mathrm{\&beta;}-1}$

其中，α和β为Beta分布的形状参数；r和r_max分别为某一时段内的太阳辐照强度及其最大值，单位kW/m²。

光伏输出有功功率可表示为：

P_M＝rMAη

其中，P_M为光伏阵列输出有功功率，单位kW；M为光伏阵列中太阳能电池组件个数；A为每个太阳能电池组件的面积，单位m²；η为光伏阵列的光电转换效率。

初始化模块2中，利用混沌算法初始化种群具体为：

随机产生2N_DG维、每个分量数值在0-1之间的向量根据Logistic完全混沌迭代公式Z_n+1＝4Z_n(1-Z_n),n＝1,2,...,N，得到N个向量Z₁,Z₂,...,Z_N，该N个向量即为初始化后的种群。

潮流计算模块3进行潮流计算时，计算各粒子所代表的分布式光伏接入方案下的潮流分布，并判断潮流计算结果是否满足主动管理下的约束条件，若满足约束条件，则直接评价各粒子在当前时段下的适应值，若不满足约束条件，则加入处罚项后再评价各粒子在当前时段下的适应值。

主动管理的措施主要包括三部分，分别为：

1)削减分布式光伏出力(GC)：通过控制接入节点的分布式光伏出力，起到控制电压，改善潮流分布的作用；

2)调节有载调压变压器抽头(CVC)：通过调节有载调压变压器一次侧的可变抽头位置，使配电网电压保持在规定范围内；

3)无功补偿的投切(RC)：在分布式光伏接入点投切无功补偿设备来吸收或者放出无功来改变网络无功分布，达到改善系统潮流分布和电压水平的目的。

主动管理下的约束条件包括：

(1)节点功率平衡约束

$P_{PVi}-P_{Li}=U_i\underset{j\&Element;{\mathrm{\&Omega;}}_i}{\&Sigma;}{U}_j\left(G_{ij}{\mathrm{cos\&theta;}}_{ij}+B_{ij}{\mathrm{sin\&theta;}}_{ij}\right)$

$Q_{PVi}+Q_{Ci}-Q_{Li}=U_i\underset{j\&Element;{\mathrm{\&Omega;}}_i}{\&Sigma;}{U}_j\left(G_{ij}{\mathrm{sin\&theta;}}_{ij}-B_{ij}{\mathrm{cos\&theta;}}_{ij}\right)$

其中，P_PVi为节点i的分布式光伏有功注入；P_Li为节点i的有功负荷；Q_PVi为节点i的分布式光伏无功注入；Q_Ci为节点i的无功补偿无功注入；Q_Li为节点i的无功负荷；U_i、U_j分别为节点i、j电压幅值；θ_ij为节点i、j间电压相角；G_ij、B_ij分别表示导纳矩阵中节点i、j间的电导和电纳，Ω_i表示与节点i相连的其他节点集合；

(2)节点电压约束

U_imin≤U_i≤U_imax

其中，U_i为节点i的电压；U_imin、U_imax为节点i所允许的最小电压值和最大电压值；

(3)支路潮流约束

S_l≤S_lmax

其中，S_l为通过支路l的视在功率；S_lmax为支路l传输容量极限值；

(4)CVC抽头约束

T_kmin≤T_k≤T_kmax

其中，T_k为变压器的抽头位置；T_kmin、T_kmax为变压器的抽头最小值和最大值；

(5)无功补偿装置约束

Q_Cimin≤Q_Ci≤Q_Cimax

其中，Q_Ci为节点i无功补偿装置的无功输出；Q_Cimin、Q_Cimax为节点i无功补偿最小值和最大值；

将其转化为功率因数的限制，即：

其中为时段k节点i的功率因数，和分别为功率因数的最小值和最大值；

(6)分布式光伏出力约束

P_PVimin≤P_PVi≤P_PVimax

其中，P_PVi为节点i分布式光伏有功出力；P_PVimin、P_PVimax分别为节点i的分布式光伏有功出力最小值、最大值；

将其转化为光伏切除量的大小，即：

${\mathrm{CE}}_g^k\&le;{\mathrm{CE}}_{gmax}^k$

其中为时段k光伏发电g出力切除量，其中为切除系数，为时段k光伏发电g在不进行切除的情况下最大出力。

粒子群操作模块4采用自适应混沌粒子群算法进行循环计算获得最优解，如图3所示，具体过程为：

考虑了惯性权重和学习因子的改进，利用粒子速度和位置更新公式更新粒子的速度和位置，对最优位置X_g＝(x_g1,x_g2...,x_gn)进行混沌优化，将最优位置通过z_ji＝(x_gi-a_i)/(b_i-a_i)映射到Logistic方程对应变量取值区间上后，利用Logistic方程进行迭代，产生混沌变量序列Z_j，再通过x_ji＝a_i+(b_i-a_i)z_ji将混沌序列逆映射到原空间，在原空间对混沌变量经历的每一个可行解计算其适应度之后，得到性能最好解X^*。

自适应混沌粒子群算法采用粒子速度和位置更新公式如下：

$v_{id}^{t+1}={\mathrm{\&omega;v}}_{id}^t+c_1{r}_1(p_{id}^t-x_{id}^t)+c_2{r}_2(g_d^t-x_{id}^t)$

$x_{id}^{t+1}=x_{id}^t+v_{id}^{t+1},i=1,2,3,...,N$

$\left\{\begin{array}{cc}{v}_{id}^{t+1}=v_{max.d}& v_{id}^{t+1}>v_{max.d}\\ v_{id}^{t+1}=v_{min.d}& v_{id}^{t+1}<v_{\min .d}\end{array}\right.$

式中，i表示粒子的编号；t表示粒子群算法运行的代数；d表示搜索空间的维度D的第d分量；g表示全局最优；p_i为粒子的个体极值；x_id、v_id、p_id、v_max.d、v_min.d、g_d分别表示X_i、V_i、p_i、v_max、v_min、g的第d维分量；N表示粒子数；ω是惯性权重，为了改善基本粒子群算法的收敛性能，速度更新公式中添加了这一惯性权重；c₁，c₂是学习因子，均为非负常数；r₁，r₂是介于[0,1]间相互独立的随机数。

惯性权重ω的取值不同影响搜索全局最优解和局部最优解的能力。当ω较大时，粒子速度也较大，对在更大空间里搜索有利，当ω较小时，粒子速度也较小，对在当前解空间附近寻找更优解有利。为了更利于粒子搜索到全局最优解，在迭代初期使粒子的搜索范围更大，而在随着迭代的深入，减小粒子的搜索范围，惯性权重设为随着迭代次数而减少的线性函数：

$\mathrm{\&omega;}={\mathrm{\&omega;}}_{max}-\frac{{\mathrm{\&omega;}}_{max}-{\mathrm{\&omega;}}_{\min }}{{\mathrm{\&omega;}}_{max}}\&times;n$

其中，ω_max为初始权重，ω_min为最终权重，n_max为最大迭代次数，n为当前迭代次数。

学习因子c₁、c₂对粒子自身经验和群体经验在搜索过程中的重要程度起着决定性的作用。在搜索初期，避免陷入局部最优，应当使粒子多向自身最优学习，少向全局最优学习，所以令取c₁较大值，c₂取较小值；在搜索后期，应当增强局部搜索能力，所以令c₁取较小值，c₂取较大值，具体公式如下：

$c_1=a+dcos\left(\frac{n\mathrm{\&pi;}}{n_{max}}\right)$

$c_2=b-dcos\left(\frac{n\mathrm{\&pi;}}{n_{max}}\right)$

其中，a、b、d为参数，n为当前迭代次数，n_max为最大迭代次数。

输出模块5给出最优方案中各节点分布式光伏的接入功率，以及分布式光伏的年最大消纳量。

本实例将上述计算方法应用于IEEE33节点标准配电系统，以验证该方法的有效性。IEEE33节点系统的电压等级为12.66kV，总有功负荷、无功负荷分别为3715kW和2300kVar，网络单线图如图4所示。网络数据如表1所示。光伏阵列采用PilkingtonSFM144Hx250wp型太阳能电池组件，其技术参数如表2所示。根据每个节点负荷的不同将其分为商业负荷和居民负荷两类，具体分布如表3所示。光伏发电的时序特性曲线如图5所示，居民负荷的时序特性曲线如图6所示，商业负荷的时序特性曲线如图7所示。线路型号为架空线LGJ-70，40℃下热稳定输送极限容量为3.86MVA，粒子群算法粒子种群数N＝100，最大迭代次数n_max＝100。在主动管理方面，有载变压器抽头调节范围为-5％～+5％；功率因数维持在0.9超前～0.9滞后，且无功补偿量不超过负荷无功总量；即切除量不能大于分布式光伏发电的90％。分布式光伏接入位置为15、17、30、31、32五个节点。测试环境为2011b，所使用的计算机CPU为AMDAthlon^TMIIX4-635，主频2.91GHz，内存为2.00GB。

表1IEEE33节点网络数据

表2光伏阵列技术参数

表3IEEE33节点负荷分布情况

为研究主动管理措施对分布式光伏消纳能力的影响，分别模拟不加入主动管理措施(A)、只加入CVC调节措施(B)、只加入功率切除措施(C)、只加入无功补偿措施(D)、三种主动管理措施全加入(E)等五个场景，对分布式光伏最大消纳能力进行计算。图8给出了五种场景下分布式光伏最大消纳量的对比。

(A)不加入主动管理措施

表4场景A分布式光伏最大消纳量(MW)

当不加入主动管理措施时，分布式光伏最大消纳量如表4。整个网络分布式光伏的最大准入容量为3.3MW，其中在节点15接入最大，为1.1MW。在考虑时序特性的基础上，一年分布式光伏总消纳量达到4235MWh，全网网损量为465MWh。

(B)只加入CVC调节措施

表5场景B分布式光伏最大消纳量(MW)

当只加入CVC调节措施时，分布式光伏最大消纳量如表5。分布式光伏的最大准入容量上升到3.5MW，较场景A增加0.2MW。相应的全年消纳分布式光伏总量为4512MWh，比场景A增加6.5％；相应的，网损上升至613MWh，比场景A增加31.8％，网损的增加量远远大于分布式光伏接入容量的增加量。当加入CVC调节时，全网的电压调节范围增大，能容许更多的分布式光伏接入。

(C)只加入功率切除措施

表6场景C分布式光伏最大消纳量(MW)

当只加入功率切除措施时，分布式光伏最大消纳量如表6。网络分布式光伏最大准入容量为3.6MW，较场景A增加了0.3MW。全年消纳分布式光伏总量为4678MWh，比场景A增加10.4％；相应的，网损上升至505MWh，比场景A增加8.6％，网损增量较少。当加入功率切除措施后，可以将某些特殊时段(如低负荷高出力)的分布式光伏切除，减小了反向潮流，增大了接入更多分布式光伏的可能性。

(D)只加入无功补偿措施

表7场景D分布式光伏最大消纳量(MW)

当只加入无功补偿措施时，分布式光伏最大消纳量如表7。网络分布式光伏最大准入容量为3.6MW，较场景A增加了0.3MW。全年消纳分布式光伏总量为4694MWh，比场景A增加10.8％；网损上升至577MWh，比场景A增加24％。当加入无功补偿措施后，可以通过投切无功补偿设备，在极端情况下改变网络的电压和潮流分布，使网络运行在约束范围内。

(E)三种措施全部加入

表8场景E分布式光伏最大消纳量(MW)

当三种主动管理措施全部加入时，分布式光伏最大消纳量如表8。网络分布式光伏的最大准入容量提升至3.8MW，较场景A增加0.5MW。全年消纳分布式光伏总量为4993MWh，比场景A增加17.8％；网损上升至529MWh。当三种主动管理措施全部加入后，三种措施相互弥补，分布式光伏的消纳量达到最大，且各个节点接入分布式光伏容量较平均，没有出现某几节点过高情况。以上计算验证了主动管理措施对提高分布式光伏消纳能力的有效性。

为验证ACPSO算法的有效性，采用基本粒子群算法对本文提出的模型进行计算，分析在三种主动管理模式全部加入下分布式光伏最大消纳量，得到的结果和迭代次数如表9：

表9ACPSO性能分析

从结果可以看出自适应混沌粒子群经过较少的迭代次数即能找到最优解，收敛性较基本粒子群算法有所提高，且搜索到的最优解优于基本粒子群算法。

通过本实施例的验证，可知一种基于主动配电网的分布式光伏发电最大消纳能力计算方法有效解决了主动管理措施背景下分布式光伏最大消纳能力计算的问题；当主动管理措施加入配网后，可以有效提高分布式光伏发电消纳能力，不同的主动管理措施对提高分布式光伏消纳能力的影响不同。本发明所采用的ACPSO算法可以有效计算分布式光伏的年最大消纳能力，且具有收敛速度快、效率高、结果准确的优点。

Claims (10)

1.一种基于主动配电网的分布式光伏发电最大消纳能力计算系统，其特征在于，包括：

输入模块，用于获取配网参数、光伏发电系统参数、光伏时序特性参数、负荷时序特性参数、一年各典型日天数以及自适应混沌粒子群算法参数；

初始化模块，用于根据输入模块的数据，利用混沌算法初始化种群，种群中的每个粒子代表一种分布式光伏接入方案；

潮流计算模块，用于对所述种群中的各粒子所代表的分布式光伏接入方案进行考虑主动管理的潮流计算，并获得各粒子在时段t下的适应值大小；

粒子群操作模块，累加所有时段的适应值，得到各个粒子的总适应值，采用自适应混沌粒子群算法进行循环计算，获得总适应值最优的粒子；

输出模块，输出总适应值最优的粒子所对应的分布式光伏接入方案，及该分布式光伏接入方案下的年最大消纳量。

2.根据权利要求1所述的基于主动配电网的分布式光伏发电最大消纳能力计算系统，其特征在于，所述配网参数包括络拓扑结构、发电机节点及负荷节点情况、网络支路阻抗及导纳和网络电压等级；

所述光伏发电系统参数包括光伏面板面积、光电效率、额定功率、功率因数和Beta分布参数；

所述光伏时序特性参数包括典型日光伏发电按小时出力情况；

所述负荷时序特性参数包括典型日居民负荷和商业负荷按小时出力情况；

所述自适应混沌粒子群算法参数包括粒子群的种群数和最大迭代次数。

3.根据权利要求1所述的基于主动配电网的分布式光伏发电最大消纳能力计算系统，其特征在于，所述利用混沌算法初始化种群具体为：

随机产生2N_DG维、每个分量数值在0-1之间的向量根据Logistic完全混沌迭代公式Z_n+1＝4Z_n(1-Z_n),n＝1,2,...,N，得到N个向量Z₁,Z₂,...,Z_N，该N个向量即为初始化后的种群。

4.根据权利要求1所述的基于主动配电网的分布式光伏发电最大消纳能力计算系统，其特征在于，所述潮流计算模块进行潮流计算时，计算各粒子所代表的分布式光伏接入方案下的潮流分布，并判断潮流计算结果是否满足主动管理下的约束条件，若满足约束条件，则直接评价各粒子在当前时段下的适应值，若不满足约束条件，则加入处罚项后再评价各粒子在当前时段下的适应值。

5.根据权利要求4所述的基于主动配电网的分布式光伏发电最大消纳能力计算系统，其特征在于，所述主动管理的措施包括：削减分布式光伏出力、调节有载调压变压器抽头和无功补偿的投切。

6.根据权利要求4所述的基于主动配电网的分布式光伏发电最大消纳能力计算系统，其特征在于，所述约束条件包括：

(1)节点功率平衡约束

$P_{PVi}-P_{Li}=U_i\underset{j\&Element;{\mathrm{\&Omega;}}_i}{\&Sigma;}{U}_j(G_{ij}{\mathrm{cos\&theta;}}_{ij}+B_{ij}{\mathrm{sin\&theta;}}_{ij})$

$Q_{PVi}+Q_{Ci}-Q_{Li}=U_i\underset{j\&Element;{\mathrm{\&Omega;}}_i}{\&Sigma;}{U}_j(G_{ij}{\mathrm{sin\&theta;}}_{ij}-B_{ij}{\mathrm{cos\&theta;}}_{ij})$

其中，P_PVi为节点i的分布式光伏有功注入；P_Li为节点i的有功负荷；Q_PVi为节点i的分布式光伏无功注入；Q_Ci为节点i的无功补偿无功注入；Q_Li为节点i的无功负荷；U_i、U_j分别为节点i、j电压幅值；θ_ij为节点i、j间电压相角；G_ij、B_ij分别表示导纳矩阵中节点i、j间的电导和电纳，Ω_i表示与节点i相连的其他节点集合；

(2)节点电压约束

U_imin≤U_i≤U_imax

其中，U_i为节点i的电压；U_imin、U_imax为节点i所允许的最小电压值和最大电压值；

(3)支路潮流约束

S_l≤S_lmax

其中，S_l为通过支路l的视在功率；S_lmax为支路l传输容量极限值；

(4)CVC抽头约束

T_kmin≤T_k≤T_kmax

其中，T_k为变压器的抽头位置；T_kmin、T_kmax为变压器的抽头最小值和最大值；

(5)无功补偿装置约束

Q_Cimin≤Q_Ci≤Q_Cimax

其中，Q_Ci为节点i无功补偿装置的无功输出；Q_Cimin、Q_Cimax为节点i无功补偿最小值和最大值；

将其转化为功率因数的限制，即：

其中为时段k节点i的功率因数，和分别为功率因数的最小值和最大值；

(6)分布式光伏出力约束

P_PVimin≤P_PVi≤P_PVimax

其中，P_PVi为节点i分布式光伏有功出力；P_PVimin、P_PVimax分别为节点i的分布式光伏有功出力最小值、最大值；

将其转化为光伏切除量的大小，即：

${\mathrm{CE}}_g^k\&le;{\mathrm{CE}}_{gmax}^k$

其中为时段k光伏发电g出力切除量，其中为切除系数，为时段k光伏发电g在不进行切除的情况下最大出力。

7.根据权利要求1所述的基于主动配电网的分布式光伏发电最大消纳能力计算系统，其特征在于，所述自适应混沌粒子群算法具体为：

利用粒子速度和位置更新公式更新粒子的速度和位置，对最优位置进行混沌优化，将最优位置映射到Logistic方程对应变量取值区间上后，利用Logistic方程进行迭代，产生混沌变量序列，再将混沌序列逆映射到原空间，在原空间对混沌变量经历的每一个可行解计算其适应度之后，得到性能最好解。

8.根据权利要求7所述的基于主动配电网的分布式光伏发电最大消纳能力计算系统，其特征在于，所述自适应混沌粒子群算法采用粒子速度和位置更新公式如下：

$v_{id}^{t+1}={\mathrm{\&omega;v}}_{id}^t+c_1{r}_1(p_{id}^t-x_{id}^t)+c_2{r}_2(g_d^t-x_{id}^t)$

$x_{id}^{t+1}=x_{id}^t+v_{id}^{t+1},i=1,2,3,...,N$

$\left\{\begin{array}{cc}{v}_{id}^{t+1}=v_{max.d}& v_{id}^{t+1}>v_{max.d}\\ v_{id}^{t+1}=v_{min.d}& v_{id}^{t+1}<v_{min.d}\end{array}\right.$

式中，i表示粒子的编号；t表示粒子群算法运行的代数；d表示搜索空间的维度D的第d分量；g表示全局最优；p_i为粒子的个体极值；x_id、v_id、p_id、v_max.d、v_min.d、g_d分别表示X_i、V_i、p_i、v_max、v_min、g的第d维分量；N表示粒子数；ω是惯性权重；c₁，c₂是学习因子，均为非负常数；r₁，r₂是介于[0,1]间相互独立的随机数。

9.根据权利要求8所述的基于主动配电网的分布式光伏发电最大消纳能力计算系统，其特征在于，所述惯性权重为随着迭代次数而减少的线性函数：

$\mathrm{\&omega;}={\mathrm{\&omega;}}_{max}-\frac{{\mathrm{\&omega;}}_{max}-{\mathrm{\&omega;}}_{min}}{n_{\max }}\&times;n$

其中，ω_max为初始权重，ω_min为最终权重，n_max为最大迭代次数，n为当前迭代次数。

10.根据权利要求8所述的基于主动配电网的分布式光伏发电最大消纳能力计算系统，其特征在于，所述学习因子c₁、c₂满足以下公式：

$c_1=a+dcos\left(\frac{n\mathrm{\&pi;}}{n_{max}}\right)$

$c_2=b-dcos\left(\frac{n\mathrm{\&pi;}}{n_{max}}\right)$

其中，a、b、d为参数，n为当前迭代次数，n_max为最大迭代次数。