CN105449675A - 优化分布式能源接入点和接入比例的电力网络重构方法 - Google Patents

Abstract

本发明涉及分布式能源接入领域，具体地来讲为一种优化分布式能源接入点和接入比例的电力网络重构方法，采用自适应权重粒子群算法、牛顿-拉夫逊法方法、配电网重构方法，对分布式能源存在情况下的电力网络进行优化重构，分析两种或以上分布式能源(风电、光伏)接入系统时的接入点优化选取方法、接入有功容量计算方法和接入前后系统潮流的计算方法。调整风电和光伏两种分布式能源接入点和接入比例，分析不同接入比例时对系统经济性的影响，给出系统优化措施。该方法应用到IEEE-14节点和IEEE-30节点模型中，并对重构结果进行分析，得到两种分布式能源的最佳接入点和接入比例，重构网络优化后网损最小和无功出力合理，系统的经济性得到改善，电压水平满足稳定运行要求。

Description

优化分布式能源接入点和接入比例的电力网络重构方法

技术领域

本发明涉及分布式能源接入领域，具体地来讲为一种优化分布式能源接入点和接入比例的电力网络重构方法。

背景技术

电力系统传统的火力发电模式主要是依靠一次能源，即煤、石油、天然气等，但是这种一次能源发电对环境污染日益严重，一次能源的储量也在急速下降，以清洁能源为主的分布式能源发电方式日益成熟，电力网络重构将成为一种必然的趋势。分布式能源一般是安装在用户侧的中小型发电装置，其容量在几兆瓦至几十兆瓦不等，既可以孤立运行，只为用户提供电能；也可以接入电力网络一起运行，为整个系统提供电能。分布式能源以近乎零污染的能源为主，凭借一定的经济性、可靠性、灵活性和环保性等优势，弥补了传统发电模式所出现的缺陷，实现电力行业和用户之间的双赢。但是分布式能源并入电力网络会对原有系统产生诸多无法忽视的影响。比如：改变原有模式的潮流分布，使功率、电压及网损等发生改变；而接入不同的容量及不同的接入点的不同对系统造成的影响也会千差万别。为此，需要对接入分布式能源的电力网络进行无功优化，使重构网络具有更高的可靠性和合理性。因此，优化含分布式能源的接入位置、接入比例、优化无功补偿点、经济运行、网络重构将是研究的热点。

CN103514570A(2013)公开了一种含分布式电源的配电网扩展规划综合优化方法。这种方法包括以下步骤：建立基于全寿命周期成本的多目标优化函数，确定约束条件，进行配电网扩展规划综合优化。该方法的优点是将分布式电源作为可优化因素，以扩展电网成本最小为目标函数，提供多约束条件下的变电站、分布式电源和馈线综合优化规划方法，通过求解，获得规划区域待建变电站的位置、容量、馈线网的结构及分布式电源优化配置的最佳方案。

CN103903073A(2014)公开了一种含分布式电源及储能的微电网优化规划方法及系统。该方法的优点是对含分布式电源及储能的微电网的优化，包括为规划设计方案提供基础数据，对待规划区域进行建模及潮流计算，确定适合待规划区域微电网接线模式，确定多类型分布式电源的待选站址，建立定容模型并对多种分布式电源及储能的微电网网架进行规划设计，形成确定投资主体下的联合规划方案联合规划模块，并对联合规划方案输出评价。

CN103904644A(2014)公开了一种基于分布式电源接入的智能变电站负荷自动分配方法。该方法包括以下步骤：建立分布式电源的数学模型，包括建立风力发电机组的数学模型、光伏电池的数学模型和稳定性分布式电源的数学模型，根据当前分布式电源接入配电网的智能变电站所采集的网路及负荷数据进行全网潮流计算，在给定约束条件下，建立分布式电源接入配电网的无功优化模型和网络重构模型，智能变电站负荷自动分配系统中的迭代计算模块将分布式电源接入配电网的无功优化模型和网路重构模型两个子问题交叉迭代，逐步逼近最优解，完成分布式单元接入配电网的智能变电站负荷自动分配。可以应用于智能变电站的负荷自动分配过程中。

CN104361413A(2014)公开了一种含分布式电源的配电网重构方法。该方法的优点是先获取当前需要重构的配电网的网架结构参数和运行参数，并初始化最大最小蚁群算法的参数，然后依据最大最小蚁群算法和生成树理论形成多个辐射网，再采用前推回代法潮流计算形成的辐射网的网损值，随后找出本次计算的最小网损值及本次计算的最小网损值所对应的辐射网的网架结构中各支路的信息素浓度，接着对更新后的各支路的信息素浓度进行限定以完成一次迭代，再一次循环直至完成最大迭代次数，最后输出得到的全局最小网损值及所对应的辐射网的网架结构，可实现含分布式电源的配电网重构。

CN104734153A(2015)公开了一种含分布式电源的配电网重构方法。该方法提供的含分布式电源的配电网络重构方法，从配电网的实际运行情况出发，建立了一种考虑多种负荷方式的配电网络拓扑调整模型，具有较好的实用价值。同时，根据配电网拓扑调整的特点，采用二进制粒子群优化算法进行拓扑调整，并提出了一种动态惯性权重调整方式，能更好地协调全局收敛速度与局部收敛的精度，具有较好的寻优效果。

CN104377733A(2014)公开了一种分布式电源多点动态接入优化分配方法。该方法的优点是动态选择并网的节点，计算每个并网节点单独接入分布式电源后的配电网的网损影响，根据配电网的网络损耗对并网节点进行数据分类，根据配电网的网路损耗影响对分布式电源节点进行聚类和排序，分配并网分布式电源节点的能量注入率，将分配后的分布式电源电能注入率作为初始条件，运用粒子群算法优化分布式并网电源的能量注入率，以达到配电网的网络损耗最小的目标。

以上几种公开的方法中，研究重点是对分布式电源在配电网中的位置及容量进行优化选择，达到配电网的网络损耗最小的目标。这些优化方法一般针对分布式电源在配电网中的位置固定，或者是针对一种分布式能源动态地接入电网时的优化方案。近年来多种分布式电源要同时并入电网，现有技术不适用于几种分布式电源同时接入电网的场景，且同时考虑分布式电源的接入位置、接入比例、优化无功出力及网损最小等的网络重构等问题。

发明内容

本发明所要解决的技术问题在于提供一种优化分布式能源接入点和接入比例的电力网络重构方法，通过寻找两种或以上分布式能源的最优接入位置和接入比例，优化电力网络潮流分布，以有功网损最小和无功出力最合理为约束条件，实现电力网络重构，解决不适用于几种分布式电源同时接入电网的场景，且同时考虑分布式电源的接入位置、接入比例、优化无功出力及网损最小等的网络重构等问题。

本发明是这样实现的，

一种优化分布式能源接入点和接入比例的电力网络重构方法，该方法包括以下步骤：

步骤1：输入电力网络的原始数据，构建原始网络；

步骤2：根据原始数据通过牛顿-拉夫逊法计算电力网络潮流；

步骤3：以总无功优化和总有功网损的加权值最小为目标函数，计算原始网络的目标函数值；

步骤4：设置自适应权重粒子群算法原始参数并初始每种分布式能源的接入位置和接入比例，构建优化补偿点后的重构网络；

步骤5：通过牛顿-拉夫逊法对经过自适应权重粒子群算法优化补偿点后的重构网络进行重新计算，通过潮流计算结果判断电力网络运行状态是否稳定和合理；

步骤6：以总无功优化和总有功网损的加权值最小为目标函数，计算重构网络的目标函数值；

步骤7：根据重构网络的目标函数值，更新每种分布式能源的个体最佳接入位置和全局最佳接入位置；

步骤8：判断终止条件，若没有达到终止条件，则更新每种分布式能源的接入位置和接入比例并返回步骤5；若满足终止条件，则直接输出重构结果。

进一步地，步骤4中，设置自适应权重粒子群原始参数并初始每种分布式能源的接入位置和接入比例，包括：

初始化分布式能源的接入位置和接入比例，将每种分布式能源的当前个体最佳接入位置p_best设为初始位置，并将其取为电力网络中全局最佳接入位置g_best中的最优值。

进一步地，步骤7中包括，

步骤7-1：根据重构网络的目标函数值，储存每种分布式能源的个体最佳接入位置和适应度，并从电力网络中选择适应度个体最佳接入位置作为该种分布式能源的接入位置；

步骤7-2：调整每种分布式能源的接入位置并更新；

步骤7-3：计算接入位置更新后电力网络的目标函数值，将其与更新前的个体最佳接入位置p_best所对应的目标函数值对比，若小于，则将更新后的接入位置作为该种分布式能源的当前个体最佳接入位置p_best；

步骤7-4：将电力网络的目标函数值与全局所经历过的全局最佳位置g_best目标函数值对比，若小于，则将更新全局最佳位置g_best的值；

进一步地，步骤5)中通过牛顿-拉夫逊法计算电力网络潮流包括如下的步骤：

步骤5-1：根据通过自适应权重粒子群算法的计算结果所得到的重构网络，形成导纳矩阵Y，设定电力网络中所有节点电压的初值相位δ⁽⁰⁾、初始幅值U⁽⁰⁾；

步骤5-2：建立极坐标下导纳矩阵Y和节点电压表达式，并建立功率误差方程，将功率误差方程改写成雅可比矩阵的形式，将以上电压初值代入功率误差方程，求取节点注入功率的有功功率误差函数值ΔP_i ⁽⁰⁾和误差函数的无功功率误差函数值

步骤5-3：将电压初值再代入雅可比矩阵，求解雅可比矩阵中的各个元素；

步骤5-4：根据雅可比矩阵的各个元素带入到的雅可比矩阵的形式的功率误差方程，求解节点电压相位修正量Δδ⁽⁰⁾、和幅值修正量ΔU⁽⁰⁾；

步骤5-5：根据得到的节点电压相位修正量Δδ⁽⁰⁾、和幅值修正量ΔU⁽⁰⁾修改各节点的电压得到新值相位δ⁽¹⁾、幅值U⁽¹⁾；

步骤5-6：将新值相位δ⁽¹⁾、幅值U⁽¹⁾再重复步骤52，计算新的各节点注入功率的有功功率误差函数值ΔP_i ⁽¹⁾和误差函数的无功功率误差函数值ΔP_i ⁽¹⁾；

步骤5-7：检查计算是否收敛，若收敛，结束迭代，计算所需要的潮流数据，并输出结果；若不收敛，则返回步骤52，继续迭代，直到收敛，迭代收敛后计算平衡节点功率及网络损耗。

进一步地，计算电力网络的目标函数值，包括：计算每一个分布式能源对应的网络在现有负荷方式下的状态变量、无功出力及有功网损，并校验分布式能源是否满足功率和节点电压的约束条件,若满足约束，按配电网络拓扑调整的目标函数计算其适应值。

进一步地，目标函数表达式为：

$F=min\underset{j=1}{\overset{n}{\Σ}}\[lanbda\·R_i\·\frac{P_i^2+Q_i^2}{U_i^2}+(1-lanbda)\·Q_i\]$

其中，F是目标函数值，lanbda是加权系数，R_i,P_i,Q_i,U_i分别是第i条支路的电阻、有功功率、无功功率和节点电压。

功率约束条件

P_min≤P_D≤P_max

Q_min≤Q_D≤Q_max

其中，P_D,Q_D分别为分布式能源的有功出力和无功出力，P_min,P_max分别为系统有功出力的最小值和最大值，Q_min,Q_max为系统无功出力的最小值和最大值。

节点电压约束条件

U_imin≤U_i≤U_imax,i＝1,2,…,n

其中，U_i,U_imax,U_imin分别为节点i的电压值、电压上限值与电压下限值。

本发明与现有技术相比，有益效果在于：本发明利用自适应权重粒子群算法寻找分布式能源的最优接入位置和接入比例；利用牛顿-拉夫逊算法计算经过粒子群算法优化后分布式能源接入后电力网络潮流，判断系统运行状态是否稳定和合理；之后以有功网损最小和无功出力最合理为约束条件，对电力网络进行重构，对分布式能源以优化方式接入电力网络提供一种可行性的建议。

附图说明

图1为本发明实施例提供的方法流程图；

图2为本发明实施例提供的牛顿-拉夫逊法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参见图1，本发明一种优化分布式能源接入点和接入比例的电力网络重构方法，该方法包括以下步骤：

步骤1：输入电力网络的原始数据，构建原始网络；原始数据包括支路参数、负荷及支路状态等；

步骤2：根据原始数据通过牛顿-拉夫逊法计算电力网络潮流；

步骤3：以总无功优化和总有功网损的加权值最小为目标函数，计算原始网络的目标函数值；

步骤4：设置自适应权重粒子群算法原始参数并初始每种分布式能源的接入位置和接入比例，构建优化补偿点后的重构网络；包括：

初始化分布式能源的接入位置和接入比例，将每种分布式能源的当前个体最佳接入位置p_best设为初始位置，并将其取为电力网络中全局最佳接入位置g_best中的最优值。

步骤5：通过牛顿-拉夫逊法对经过自适应权重粒子群算法优化补偿点后的重构网络进行重新计算，通过潮流计算结果判断电力网络运行状态是否稳定和合理；

步骤6：以总无功优化和总有功网损的加权值最小为目标函数，计算重构网络的目标函数值；

步骤7：根据重构网络的目标函数值，更新每种分布式能源的个体最佳接入位置和全局最佳接入位置；

步骤8：判断终止条件，若没有达到终止条件，则更新每种分布式能源的接入位置和接入比例并返回步骤5；若满足终止条件，则直接输出重构结果。

步骤7中包括，

步骤7-1：根据重构网络的目标函数值，储存每种分布式能源的个体最佳接入位置和适应度，并从电力网络中选择适应度个体最佳接入位置作为该种分布式能源的接入位置；

步骤7-2：调整每种分布式能源的接入位置并更新；

步骤7-3：计算接入位置更新后电力网络的目标函数值，将其与更新前的个体最佳接入位置p_best所对应的目标函数值对比，若小于，则将更新后的接入位置作为该种分布式能源的当前个体最佳接入位置p_best；

步骤7-4：将电力网络的目标函数值与全局所经历过的全局最佳位置g_best目标函数值对比，若小于，则将更新全局最佳位置g_best的值；

自适应权重粒子群算法原理及主要参数如下，

v_ij(t+1)＝ωv_ij(t)+c₁r₁[p_ij-x_ij(t)]+c₂r₂[p_gj-x_ij(t)](1)

x_ij(t+1)＝x_ij(t)+v_ij(t+1),j＝1,…,d(2)

由n个粒子构成的群体表示为X＝(X₁,X₂,…,X_n)。

第i个粒子为一个D维向量为X_i＝(x_i1,x_i2,x_i3…,x_iD)^T。

第i个粒子的速度为V_i＝(V_i1,V_i2,…,V_iD)^T。

个体极值为P_i＝(P_i1,P_i2,P_i3,…,P_iD)^T。

全局极值为P_g＝(P_g1,P_g2,P_g3,…,P_gD)^T。

速度更新为 $V_{id}^{k+1}=V_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(P_{gd}^k-X_{gd}^k),$ c₁和c₂为加速因子，r₁和r₂为0～1上均匀分布的随机数值。

位置更新为 $X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}.$

自适应惯性权重ω可以影响粒子的搜索能力。较大的ω能够加强算法的整体搜索能力，较小的ω可以提高算法的局部搜索能力。ωv_ij(t)为粒子原来的速度。c₁r₁[p_ij-x_ij(t)]为粒子的局部搜索能力。c₂r₂[p_gj-x_ij(t)]为粒子之间的整体搜索能力。式(2)为求解空间里，互相影响的粒子对运动的位置进行调整。整个求解过程中，惯性权重ω、加速因子c₁和c₂以及最大速度v_max一起维持粒子对整体和局部搜索能力的平衡。

自适应权重的粒子群算法其权重系数表达式为：

$\mathrm{\ω}=\left\{\begin{array}{c}{\mathrm{\ω}}_{\min }-\frac{({\mathrm{\ω}}_{max}-{\mathrm{\ω}}_{\min })\·(f-f_{\min })}{f_{avg}-f_{\min }},f\≤f_{avg}\\ {\mathrm{\ω}}_{\max },f>f_{avg}\end{array}\right.---\left(3\right)$

其中，ω_min,ω_max分别为ω的最小值和最大值，f为粒子当前的目标函数值，f_min和f_avg分别为当前所有粒子的最小目标值和平均目标值。权重系数ω根据粒子的目标函数值的改变而自行调整自身的大小，从而改善算法的寻优效果。

步骤5)中通过牛顿-拉夫逊法计算电力网络潮流，

牛顿-拉夫逊法潮流解法迭代时所应用的基本方程为 $Y\stackrel{\·}{U}={\left(\frac{\tilde{S}}{\stackrel{\·}{U}}\right)}^{*},$ 将其展开为功率方程为

$P_i+{\mathrm{jQ}}_i-{\stackrel{\·}{U}}_i{\[\underset{j=1}{\overset{n}{\Σ}}{Y}_{ij}{\stackrel{\·}{U}}_j\]}^{*}=0,i=1,2,...,n---\left(4\right)$

式中，P_i+jQ_i为给定的节点注入功率，为通过节点电压求解的节点注入功率。二者之差即节点功率的误差趋近于零时，各节点电压即为所求方程的解。

其中，U表示各节点电压幅值，S表示各节点注入的视在功率，P表示各节点注入的有功功率，Q表示各节点注入的无功功率。

在极坐标系下，节点电压和导纳可表示成

$\left\{\begin{array}{c}\stackrel{\·}{U_i}=U_i{e}^{{\mathrm{j\δ}}_i}=U_i({\mathrm{cos\δ}}_i+{\mathrm{sin\δ}}_i)\\ Y_{ij}=G_{ij}+{\mathrm{jB}}_{ij}\end{array}\right.---\left(5\right)$

功率误差方程可列为

$\left\{\begin{array}{c}{\mathrm{\ΔP}}_i=P_{is}-P_i=P_{is}-U_i\underset{j=1}{\overset{n}{\Σ}}{U}_j\[G_{ij}\cos ({\mathrm{\δ}}_i-{\mathrm{\δ}}_j)+B_{ij}\sin ({\mathrm{\δ}}_i-{\mathrm{\δ}}_j)\],i=1,2,\mathrm{...},n-1\\ {\mathrm{\ΔQ}}_i=Q_{is}-Q_i=Q_{is}-U_i\underset{j=1}{\overset{n}{\Σ}}{U}_j\[G_{ij}\sin ({\mathrm{\δ}}_i-{\mathrm{\δ}}_j)-B_{ij}\cos ({\mathrm{\δ}}_i-{\mathrm{\δ}}_j)\],i=1,2,\mathrm{...},m\end{array}\right.---\left(6\right)$

式(6)即为潮流计算求解的非线性方程组，共有n+1-m个方程式，已知量为P_i和Q_i，待求量为PQ节点电压相位δ_i和幅值U_i。

这样建立修正方程式的矩阵形式为

$\left(\begin{array}{c}\mathrm{\Δ}P\\ \mathrm{\Δ}Q\end{array}\right)=-J\left(\begin{array}{c}\mathrm{\Δ}\mathrm{\δ}\\ \mathrm{\Δ}U/U\end{array}\right)=-\left(\begin{array}{cc}H& N\\ M& L\end{array}\right)\left(\begin{array}{c}\mathrm{\Δ}\mathrm{\δ}\\ \mathrm{\Δ}U/U\end{array}\right)---\left(7\right)$

式中， $\begin{array}{cccc}\mathrm{\Δ}P=\left(\begin{array}{c}{\mathrm{\ΔP}}_1\\ {\mathrm{\ΔP}}_2\\ .\\ .\\ .\\ {\mathrm{\ΔP}}_{n-1}\end{array}\right),& \mathrm{\Δ}Q=\left(\begin{array}{c}{\mathrm{\ΔQ}}_1\\ {\mathrm{\ΔQ}}_2\\ .\\ .\\ .\\ {\mathrm{\ΔQ}}_m\end{array}\right),& \mathrm{\Δ}\mathrm{\δ}=\left(\begin{array}{c}{\mathrm{\Δ\δ}}_1\\ {\mathrm{\Δ\δ}}_2\\ .\\ .\\ .\\ {\mathrm{\Δ\δ}}_{n-1}\end{array}\right),& \mathrm{\Δ}U=\left(\begin{array}{c}{\mathrm{\ΔU}}_1\\ {\mathrm{\ΔU}}_2\\ .\\ .\\ .\\ {\mathrm{\ΔU}}_m\end{array}\right),\end{array}$ H为(n-1)*(n-1)阶方阵，N为(n-1)*m阶矩阵，M为m*(n-1)阶矩阵，L为m*m阶矩阵。各矩阵中元素分别为

$\left\{\begin{array}{c}{H}_{ij}=\frac{\∂{\mathrm{\ΔP}}_i}{\∂{\mathrm{\δ}}_j}\\ N_{ij}=\frac{\∂{\mathrm{\ΔP}}_i}{\∂U_j}{U}_j\\ M_{ij}=\frac{\∂{\mathrm{\ΔQ}}_i}{\∂{\mathrm{\δ}}_j}\\ L_{ij}=\frac{\∂{\mathrm{\ΔQ}}_i}{\∂U_j}{U}_j\end{array}\right.---\left(8\right)$

根据得到的修正量求解节点电压相位和幅值新值：δ_i ⁽¹⁾＝δ_i ⁽⁰⁾+Δδ_i ⁽⁰⁾，判断收敛，若不满足收敛条件，则继续迭代。若收敛，即可计算平衡节点功率、支路功率、支路损耗等。计算公式如下：

平衡节点功率： ${\tilde{S}}_1=\stackrel{\·}{U_1}\[{\underset{j=1}{\overset{n}{\Σ}}{Y}_{1j}\stackrel{\·}{U_j}\]}^{*}---\left(9\right)$

支路功率： ${\tilde{S}}_{ij}=\stackrel{\·}{U_i}{I}_{ij}^{*}=\stackrel{\·}{U_i^2}{y}_{i0}^{*}+\stackrel{\·}{U_i}(U_i^{*}-U_j^{*})y_{ij}^{*}---\left(10\right)$

${\tilde{S}}_{ji}=\stackrel{\·}{U_j}{I}_{ji}^{*}=\stackrel{\·}{U_j^2}{y}_{j0}^{*}+\stackrel{\·}{U_j}(U_j^{*}-U_i^{*})y_{ij}^{*}---\left(11\right)$

支路损耗： $\mathrm{\Δ}{\tilde{S}}_{ij}={\tilde{S}}_{ij}+{\tilde{S}}_{ji}---\left(12\right)$

收敛判据为 $\begin{array}{cc}max& \{{{\mathrm{\ΔP}}_i}^{\left(k\right)},{\mathrm{\ΔQ}}_i^{\left(k\right)}\}\≤\mathrm{\ϵ}\end{array}$ 或 $\begin{array}{cc}max& \{{{\mathrm{\ΔP}}_i}^{\left(k\right)},{\mathrm{\ΔQ}}_i^{\left(k\right)}\}\≤\mathrm{\ϵ},\end{array}$ 其中ε为事先给定的小数。

根据上述公式，参见图2，步骤5中的步骤描述为：

步骤5-1：根据通过自适应权重粒子群算法的计算结果所得到的重构网络，形成导纳矩阵Y，设定电力网络中所有节点电压的初值相位δ⁽⁰⁾、初始幅值U⁽⁰⁾；

步骤5-2：建立极坐标下导纳矩阵Y和节点电压表达式，并建立功率误差方程，将功率误差方程改写成雅可比矩阵的形式，将以上电压初值代入功率误差方程公式(6)的方程，求取节点注入功率的有功功率误差函数值ΔP_i ⁽⁰⁾和误差函数的无功功率误差函数值

步骤5-3：将电压初值再代入雅可比矩阵公式(8)中，求解雅可比矩阵中的各个元素；

步骤5-4：根据雅可比矩阵的各个元素带入到的雅可比矩阵的形式的功率误差方程，求解节点电压相位修正量Δδ⁽⁰⁾、和幅值修正量ΔU⁽⁰⁾；

步骤5-5：根据得到的节点电压相位修正量Δδ⁽⁰⁾、和幅值修正量ΔU⁽⁰⁾修改各节点的电压得到新值相位δ⁽¹⁾、幅值U⁽¹⁾；即δ_i ⁽¹⁾＝δ_i ⁽⁰⁾+Δδ_i ⁽⁰⁾， $U_i^{\left(1\right)}=U_i^{\left(0\right)}+{\mathrm{\ΔU}}_i^{\left(0\right)}.$

步骤5-6：将新值相位δ⁽¹⁾、幅值U⁽¹⁾再重复步骤5-2，计算新的各节点注入功率的有功功率误差函数值ΔP_i ⁽¹⁾和误差函数的无功功率误差函数值ΔP_i ⁽¹⁾；

步骤5-7：检查计算是否收敛，若收敛，结束迭代，计算所需要的潮流数据，并输出结果；若不收敛，则返回步骤5-2，以δ⁽²⁾、U⁽²⁾代替δ⁽¹⁾、U⁽¹⁾继续迭代，直到收敛，迭代收敛后计算平衡节点功率及网络损耗。

在上述的步骤中计算电力网络的目标函数值，包括：计算每一个分布式能源对应的网络在现有负荷方式下的状态变量、无功出力及有功网损，并校验分布式能源是否满足功率和节点电压的约束条件,若满足约束，按配电网络拓扑调整的目标函数计算其适应值。目标函数表达式为：

$F=\min \underset{j=1}{\overset{n}{\Σ}}\[lanbda\·R_i\·\frac{P_i^2+Q_i^2}{U_i^2}+(1-lanbda)\·Q_i\]$

其中，F是目标函数值，lanbda是加权系数，R_i,P_i,Q_i,U_i分别是第i条支路的电阻、有功功率、无功功率和节点电压。

功率约束条件

P_min≤P_D≤P_max

Q_min≤Q_D≤Q_max

其中，P_D,Q_D分别为分布式能源的有功出力和无功出力，P_min,P_max分别为系统有功出力的最小值和最大值，Q_min,Q_max为系统无功出力的最小值和最大值。

节点电压约束条件

U_imin≤U_i≤U_imax,i＝1,2,…,n

其中，U_i,U_imax,U_imin分别为节点i的电压值、电压上限值与电压下限值。

实施例

以IEEE-14节点模型和IEEE-30节点模型为例验证本发明方法的合理性。

按照本发明提供的含分布式电源的配电网络重构方法包括按顺序执行的下列步骤。

分别输入上述两个电力网络模型的原始数据，包括支路参数、负荷及支路状态等。

设置自适应权重粒子群原始参数并初始每种分布式能源的接入位置和接入比例。将每个粒子的当前个体最佳位置p_best设为初始位置，取粒子群全局最佳位置为g_best中的最优值。

自适应权重的粒子群算法其权重系数表达式为式(3)，设置粒子群算法参数,包括种群规模、惯性权重范围、加速系数和速度取值范围等。控制参数如下：粒子数取相应节点数，加速因子c₁和c₂都取2，最大速度v_max取4，最大惯性权重ω_max取0.9，最小惯性权重ω_min取0.6。

通过牛顿-拉夫逊算法计算电力网络潮流。按着Step1获得的原始数据进行网络潮流计算，牛顿-拉夫逊法潮流解法迭代时的功率误差方程如式(6)所示。

迭代步数取50，迭代精度取10^-6，潮流迭代次数：IEEE-14节点取600、IEEE-30节点取300。迭代收敛后计算平衡节点功率及网络损耗(式9-式12)。

计算每个节点的目标函数值即适应度值。储存每种分布式能源的接入位置和接入比例，并从其在电力网络中所经过的接入位置中选择接入比例最佳的接入位置作为分布式能源的接入位置。

网络重构的目标函数表达式为式(13)，即计算每一个粒子对应的网络在现有负荷方式下的状态变量、无功出力及有功网损，并校验粒子是否满足功率和节点电压的约束条件(式14-式16)，若满足约束，按配电网络拓扑调整的数学模型计算其适应值。

更新个体最佳接入位置和全局最佳接入位置。按照式(1)和(2)来调整每种分布式能源的接入位置。计算位置更新后每个节点的适应度。将节点的适应度与其以前的个体最佳位置p_best所对应的适应度对比。若小于之前的适应度，则将此时的接入位置作为该种分布式能源的p_best。将每个节点的适应度与全局所经历过的最佳位置g_best对比。若小于之前的适应度，则将更新g_best的值。

判断终止条件(到达设定的最大次数)或者接入位置不再变化。若没有达到终止条件，则更新每种分布式能源的接入位置并返回Step3；若满足终止条件，则直接输出重构结果，网络重构数学模型要满足式(13)约束条件。

上述IEEE-14节点模型和IEEE-30节点模型经过优化后获得接入节点位置、接入容量，以各节点的电压、网损以及无功出力为约束目标来判断对系统经济性的影响，动态调整两种分布式能源接入时的比例，网络重构后，得到两个模型优化措施为：

(1)IEEE-14节点模型：

分布式电源占总容量为0.7的时候综合效果最好，当容量小于0.7时优化后电压越限，大于0.7时优化曲线失真，建议选取风机接入节点6注入0.2，光伏接入节点3注入0.5这一情况。在等注入容量的情况下，无功出力基本相等的情况下网损最小，电压没有越限。分布式能源接入比例为：风机：5.8％，光伏：14.58％。

(2)IEEE-30节点模型：

分布式电源占总容量为0.35的时候综合效果最好，当容量小于0.35时优化后效果较差，大于0.35时优化曲线失真，建议选取风机接入节点8注入0.15，光伏接入节点13注入0.2这一情况。在等注入容量的情况下，无功出力和网损最小，电压没有越限。分布式能源接入比例：风机：4.63％，光伏：6.18％。风力发电、光伏发电能源的接入点和注入有功功率见表1所示。

表1风机和光伏的接入点和注入有功功率

表2风机和光伏接入电力网络前后的潮流数据(标幺值)

表3风机和光伏接入电力网络后相对于原始网络的潮流数据改善程度

风力发电和光伏发电两种能源接入电力网络前后的潮流计算结果整理见表2和表3所示，表2中数据对比了IEEE-14节点模型和IEEE-30节点模型原始网络的网络损耗和系统无功出力数据、重构网络未优化时的网络损耗和系统无功出力以及重构网络优化后的网络损耗和系统无功出力三种数据，证明在网络重构并优化后效果最优。表3中数据对比了风力发电和光伏发电两种能源接入电力网络后相对于原始网络的潮流数据改善程度，可以看出重构网络优化后的网损改善程度进一步提高，两个实例的仿真结果证实了本发明的可信性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种优化分布式能源接入点和接入比例的电力网络重构方法，其特征在于，该方法包括以下步骤：

步骤1：输入电力网络的原始数据，构建原始网络；

步骤2：根据原始数据通过牛顿-拉夫逊法计算电力网络潮流；

步骤3：以总无功优化和总有功网损的加权值最小为目标函数，计算原始网络的目标函数值；

步骤4：设置自适应权重粒子群算法原始参数并初始每种分布式能源的接入位置和接入比例，构建优化补偿点后的重构网络；

步骤5：通过牛顿-拉夫逊法对经过自适应权重粒子群算法优化补偿点后的重构网络进行重新计算，通过潮流计算结果判断电力网络运行状态是否稳定和合理；

步骤6：以总无功优化和总有功网损的加权值最小为目标函数，计算重构网络的目标函数值；

步骤7：根据重构网络的目标函数值，更新每种分布式能源的个体最佳接入位置和全局最佳接入位置；

步骤8：判断终止条件，若没有达到终止条件，则更新每种分布式能源的接入位置和接入比例并返回步骤5；若满足终止条件，则直接输出重构结果。

2.按照权利要求1所述的方法，其特征在于，步骤4中，设置自适应权重粒子群原始参数并初始每种分布式能源的接入位置和接入比例，包括：

初始化分布式能源的接入位置和接入比例，将每种分布式能源的当前个体最佳接入位置p_best设为初始位置，并将其取为电力网络中全局最佳接入位置g_best中的最优值。

3.按照权利要求1所述的方法，其特征在于，步骤7中包括，

步骤7-1：根据重构网络的目标函数值，储存每种分布式能源的个体最佳接入位置和适应度，并从电力网络中选择适应度个体最佳接入位置作为该种分布式能源的接入位置；

步骤7-2：调整每种分布式能源的接入位置并更新；

步骤7-3：计算接入位置更新后电力网络的目标函数值，将其与更新前的个体最佳接入位置p_best所对应的目标函数值对比，若小于，则将更新后的接入位置作为该种分布式能源的当前个体最佳接入位置p_best；

步骤7-4：将电力网络的目标函数值与全局所经历过的全局最佳位置g_best目标函数值对比，若小于，则将更新全局最佳位置g_best的值。

4.按照权利要求1所述的方法，其特征在于，步骤5)中通过牛顿-拉夫逊法计算电力网络潮流包括如下的步骤：

步骤5-1：根据通过自适应权重粒子群算法的计算结果所得到的重构网络，形成导纳矩阵Y，设定电力网络中所有节点电压的初值相位δ⁽⁰⁾、初始幅值U⁽⁰⁾；

步骤5-2：建立极坐标下导纳矩阵Y和节点电压表达式，并建立功率误差方程，将功率误差方程改写成雅可比矩阵的形式，将以上电压初值代入功率误差方程，求取节点注入功率的有功功率误差函数值和误差函数的无功功率误差函数值

步骤5-3：将电压初值再代入雅可比矩阵，求解雅可比矩阵中的各个元素；

步骤5-4：根据雅可比矩阵的各个元素带入到的雅可比矩阵的形式的功率误差方程，求解节点电压相位修正量Δδ⁽⁰⁾、和幅值修正量ΔU⁽⁰⁾；

步骤5-5：根据得到的节点电压相位修正量Δδ⁽⁰⁾、和幅值修正量ΔU⁽⁰⁾修改各节点的电压得到新值相位δ⁽¹⁾、幅值U⁽¹⁾；

步骤5-6：将新值相位δ⁽¹⁾、幅值U⁽¹⁾再重复步骤52，计算新的各节点注入功率的有功功率误差函数值和误差函数的无功功率误差函数值

步骤5-7：检查计算是否收敛，若收敛，结束迭代，计算所需要的潮流数据，并输出结果；若不收敛，则返回步骤52，继续迭代，直到收敛，迭代收敛后计算平衡节点功率及网络损耗。

5.按照权利要求1所述的方法，其特征在于，计算电力网络的目标函数值，包括：计算每一个分布式能源对应的网络在现有负荷方式下的状态变量、无功出力及有功网损，并校验分布式能源是否满足功率和节点电压的约束条件,若满足约束，按配电网络拓扑调整的目标函数计算其适应值。

6.按照权利要求5所述的方法，其特征在于，目标函数表达式为：

其中，F是目标函数值，lanbda是加权系数，R_i,P_i,Q_i,U_i分别是第i条支路的电阻、有功功率、无功功率和节点电压。

功率约束条件

P_min≤P_D≤P_max

Q_min≤Q_D≤Q_max

其中，P_D,Q_D分别为分布式能源的有功出力和无功出力，P_min,P_max分别为系统有功出力的最小值和最大值，Q_min,Q_max为系统无功出力的最小值和最大值。

节点电压约束条件

U_imin≤U_i≤U_imax,i＝1,2,…,n

其中，U_i,U_imax,U_imin分别为节点i的电压值、电压上限值与电压下限值。