CN106355511A - 考虑新能源与电动汽车接入的主动配电网重构方法 - Google Patents

Abstract

本发明公开了一种考虑新能源与电动汽车接入的主动配电网重构方法，包括步骤：步骤1，构建风电随机性模型和电动汽车随机性模型；步骤2，结合风电随机性模型、电动汽车随机性模型、目标函数和约束条件构建配电网重构系统模型；步骤3，根据各时刻用电情况将一天划分为若干时间场景；步骤4，基于配电网重构系统模型，采用改进的生物地理优化法搜索最优配电网络结构。本发明考虑了负荷侧和电源侧的随机性特点，结合场景分析法和随机潮流，在简化模型的前提下保证了精确性，计算方法的收敛速度和收敛精度都较传统的人工智能算法有优势。

Description

考虑新能源与电动汽车接入的主动配电网重构方法

技术领域

本发明属于配电系统运行技术领域，具体涉及一种考虑新能源与电动汽车接入的主动配电网重构方法。

背景技术

近年来，化石能源短缺、环境污染和全球气候变化等问题引发世界范围内的新能源革命。以风能、光伏发电为主要形式的分布式电源(Distributed Generation，DG)发展迅速，中国风电机组装机容量计划在2020年达到2亿千瓦。这些新能源为缓解电能紧张、改善能源结构做出了巨大贡献，受到广泛重视和研究。电动汽车(Electric Vehicle，EV)也在减少碳排放，治理雾霾问题方面被寄予厚望，国内EV保有量预计于2020年达到50万辆。

未来配电网络具有分布式新能源和EV等柔性负荷渗透率较高的特点，其随机性使得系统的运行状态不确定，波动性较大，配电网的潮流计算变得更为复杂。常规的配电网重构方法如支路交换法、动态规划法等一般只适应辐射型配电网，而含DG的配电网则是多端网络，结构更复杂；且当DG和EV接入配电网后，配电网潮流的随机性和复杂性大大增加，传统重构方法对电源及负荷的随机性考虑不足。人工智能算法能适应不同网络结构，且在搜索全局最优解的方面表现较好，但受初始解影响较大。目前考虑DG和EV随机性的配电网重构方法较少。

发明内容

针对现有技术存在的不足，本发明提出了一种考虑新能源与电动汽车接入的主动配电网重构方法。

本发明采用基于时间尺度的场景分析法分割分布式电源出力(DG)出力和电动汽车(EV)负荷，利用划分区间分割波动，继而在各时间场景内利用随机潮流分析计算配电网潮流，在不失准确性的前提下简化了DG和EV的随机性模型和潮流计算。

为解决上述技术问题，本发明采用如下的技术方案：

考虑新能源与电动汽车接入的主动配电网重构方法，包括步骤：

步骤1，构建风电随机性模型和电动汽车随机性模型；

步骤2，结合风电随机性模型、电动汽车随机性模型、目标函数和约束条件构建配电网重构系统模型；

所述的目标函数为OF表示配电网系统有功损耗总期望值；p_b表示时间场景b出现的概率，即时间场景b的时间长度在一天时间的占比；L_b表示时间场景b下考虑电源及负荷随机性的随机潮流有功网损期望值；G为时间场景数；

所述的约束条件包括潮流约束、节点电压约束、传输功率约束、网络拓扑约束、以及风电和电动汽车充电站接入点的功率因素约束；

步骤3，根据各时刻用电情况将一天划分为若干时间场景；

步骤4，基于配电网重构系统模型，采用改进的生物地理优化法搜索最优配电网络结构。

步骤1具体为：

采用线性函数表示风力机的功率曲线位于切入风速和额定风速间的部分，获得风电功率概率密度函数f(P_W)，采用高斯分布函数对f(P_W)进行近似，获得风电随机性模型f^*(P_Wi)＝αG(α₁,α₂,P_Wi)，其中，G(α₁,α₂,P_Wi)表示高斯分布函数，P_Wi表示风电有功出力；α、α₁、α₂分别为G(α₁,α₂,P_Wi)的系数、均值和方差，α根据地理信息确定。

步骤2中，所述的电动汽车随机性模型包括电动汽车的充电起始时刻、充电功率、充电耗时、充电状态的概率密度函数。

基于电动汽车充电起始时刻满足正态分布，构建充电起始时刻的概率密度函数f_S(x₁)：

其中，x₁表示变量，这里x₁表示充电起始时刻；σ_S表示变量的方差；μ_s表示变量的均值；σ_S和μ_s用来描述充电起始时刻的分布特性，μ_S＝17.6，σ_S＝3.4。

基于电动汽车的充电功率在2～3kW范围内满足均匀分布，构建充电功率的概率密度函数

其中，x₂表示变量，这里x₂表示充电功率。

充电耗时的概率密度函数为：

其中，x₃表示变量，这里x₃表充电耗时；σ_D表示变量的方差；μ_D表示变量的均值；p表示积分变量；σ_D和μ_D用来描述电动汽车充电耗时的分布特性，μ_D＝3.2，σ_D＝0.88。

时刻t₀充电状态的概率密度函数如下：

其中，表示充电状态为1时的概率密度，表示充电状态为0时的概率密度，1代表正在充电，0代表未在充电；t_s表示充电起始时刻；t_C表示充电时长；F_S和分别为充电起始时刻和充电耗时的概率分布函数。

步骤3具体为：

将一天划分为6个时间场景，即0:00～6:00为第一时间场景，6:00～12:00为第二时间场景，12:00～13:00为第三时间场景，13:00～17:00为第四时间场景，17:00～21:00为第五时间场景，21:00～0:00为第六时间场景。

步骤5进一步包括子步骤：

5.1初始化参数；

5.2随机初始化初始种群中各栖息地的适宜度向量x_i，i＝1,2,...,n；

5.3计算初始种群中各栖息地i的适宜度指数，适宜度指数最大的栖息地即个体最优解，其他栖息地则为非精英栖息地，适宜度指数f(x_i)即配电网系统有功损耗总期望值OF，通过潮流计算获得；

5.4对栖息地进行迁移操作，形成新种群，以新种群为当前种群，计算当前种群中各栖息地i的适宜度指数，获得当前个体最优解和当前非精英栖息地；

5.5根据当前种群各栖息地的平均适宜度指数判断是否陷入局部最优，若是，执行步骤5.6；否则，执行步骤5.7；

5.6计算当前种群各栖息地的变异率基于变异率对当前非精英栖息地进行突变操作，以突变后的种群为当前种群，计算当前种群中各栖息地i的适宜度指数，获得当前个体最优解和当前非精英栖息地，然后执行步骤5.7；

5.7判断是否达到最大迭代次数，若达到，则结束；否则，继续执行步骤5.2。

步骤4中采用如下的编码方法：

首先，使配电网络结构中所有开关均闭合；

然后，对配电网络结构中各环均进行一次解环操作；

接着，对可行解编码获得M维空间的点集，将初始栖息地也编码为M维的点，M为配电网络结构中的环数；每个可行解中，任何一个开关最多被打开一次，不同环路间的共用路径上最多打开一个开关。

与现有技术相比，本发明具有以下优点和有益效果：

1)风电和EV的分场景随机性模型能在保证精确性的前提下简化模型，避免了场景的组合爆炸，体现了对于配电网中不断增加的DG和EV的适应性；

2)场景分析和随机潮流计算相结合的方法既能弥补场景分析法在精确性上的不足，又能有效限制随机潮流计算中的波动误差；

3)本发明采用改进的生物地理算法能快速收敛并避免早熟、陷入局部最优，在迭代次数较少的情况下就能搜寻到最优解，在收敛速度和收敛精度上表现出了相对与传统的BBO算法、PSO算法、GA算法的优势。

附图说明

图1为本发明方法的具体流程图；

图2为实施例中初始配电网络结构示意图；

图3为实施例中重构后的配电网络结构示意图；

图4为实施例中重构后各时间场景下节点电压分布图；

图5为实施例中重构前后节点电压期望值分布图；

图6为实施例中不同方法的重构效果对比图。

具体实施方式

下面将结合附图和具体实施方式进一步说明本发明技术方案。

见图1，本发明具体步骤如下：

步骤1，建立风电随机性模型。

当风力机的功率曲线位于切入风速和额定风速之间的部分用线性函数表示时，精确的风电功率概率密度函数f(P_W)如下：

式(1)中：

P_W表示风电出力；

P_rate表示风机的额定功率；

v_rate、v_co、v_ci分别表示额定风速、切入风速、切除风速；

F(v_co)、F(v_rate)、F(v_ci)分别为风速不大于v_co、v_rate和v_ci的概率；

k和c分别表示形状参数和尺度参数；

k₁＝P_rate/(v_rate-v_ci)，k₂＝-k₁v_ci；

q_w为风电自身的强迫停运概率。

风电出力的精确概率密度函数模型见式(1)，但是该函数模型比较复杂，难以应用于实际的解析概率潮流计算中。为了兼顾其准确性与实用性，采用高斯分布函数对式(1)进行近似，获得风电随机性模型f^*(P_Wi)：

f^*(P_Wi)＝αG(α₁,α₂,P_Wi) (2)

式(2)中：

G(α₁,α₂,P_Wi)表示高斯分布函数，P_Wi表示风电有功出力；

α、α₁、α₂分别为G(α₁,α₂,P_Wi)的系数、均值和方差，α根据地理信息确定。

步骤2，建立电动汽车随机性模型。

假设EV充电起始时刻是独立的随机变量，满足如下正态分布，充电起始时刻的概率密度函数f_S(x₁)为：

式(3)中：

x₁表示变量，这里x₁表示充电起始时刻；

σ_S表示变量的方差；

μ_s表示变量的均值；

σ_S和μ_s用来描述充电起始时刻的分布特性，μ_S＝17.6，σ_S＝3.4。

EV的充电功率P_C在2～3kW范围内满足均匀分布，即充电功率的概率密度函数为：

式(4)中，x₂表示变量，这里x₂表示EA的充电功率。

EV充电耗时的概率密度函数为：

式(5)中：

x₃表示变量，这里x₃表示EA的充电耗时；

σ_D表示变量的方差；

μ_D表示变量的均值；

p表示积分变量。

σ_D和μ_D用来描述电动汽车充电耗时的分布特性，μ_D＝3.2，σ_D＝0.88。

EV在时刻t₀的充电状态用变量表示，值可以为1或0，1代表正在充电，0代表未在充电。充电状态的概率密度函数如下：

式(6)～(7)中：

表示充电状态为1时的概率密度；

表示充电状态为0时的概率密度；

t_s表示充电起始时刻；

t_C表示充电时长；

F_S和分别为充电起始时刻和充电耗时的概率分布函数。

步骤3，结合风电随机性模型和电动汽车随机性模型，建立配电网重构系统模型。

配电网重构的优化目标一般是最小化系统有功网损，考虑到DG和EV接入的随机性，配电网系统有功网损可采用概率分布函数来逼近真实情况。因此，本发明以配电网系统有功网损期望值最小为目标函数构建配电网重构系统模型，所述的配电网重构系统模型包括风电随机性模型、电动汽车随机性模型、目标函数和约束条件。

配电网重构系统模型的目标函数如下：

式(8)～(9)中：

OF表示配电网系统有功损耗总期望值；

p_b表示时间场景b出现的概率，即时间场景b的时间长度在一天时间的占比，p_b＝T_b/24，T_b表示时间场景b的时间长度，单位：小时；

L_b表示时间场景b下考虑电源及负荷随机性的随机潮流有功网损期望值；

G为时间场景数；

r_a为支路a的电阻，l表示支路数；

P_ab、Q_ab、U_ab分别为支路a在时间场景b下的有功功率、无功功率和电压。

配电网重构系统模型的约束条件包括潮流约束、节点电压约束、传输功率约束、网络拓扑约束、以及风电和电动汽车充电站接入点的功率因素约束。

风电和电动汽车充电站接入点的功率因数约束如下：

式(13)～(11)中：F_w表示风电接入点的功率，F_EV表示电动汽车充电站接入点的功率；和分别为风电接入点的功率下限和上限，和分别为电动汽车充电站接入点的功率下限和上限。

其他约束条件均为配电网重构系统模型采用的常规约束条件，在此不作赘述。

步骤4，基于时间尺度进行场景划分，获得时间场景。

根据一天的用电曲线将一天划分为多个时间场景，各时间场景内的用电曲线无明显变化。用电曲线包括普通负荷曲线、特殊负荷曲线和DG功率曲线，普通负荷进一步包括居民用电、工业用电、商业用电和农村用电，特殊负荷即电动汽车用电。

本步骤中，根据经验划分时间场景，划分方式并不唯一。具体可基于普通负荷曲线、特殊负荷曲线和DG功率曲线将一天划分为多个时间场景，时间场景内各曲线的变化幅度均应小于对应的预设值，预设值根据实际情况和经验人为设定。

具体实施中，将一天划分为6个时间场景，即，0:00～6:00时间段为第一时间场景，6:00～12:00时间段为第二时间场景，12:00～13:00时间段为第三时间场景，13:00～17:00时间段为第四时间场景，17:00～21:00时间段为第五时间场景，21:00～0:00时间段为第六时间场景。

步骤5，基于配电网重构系统模型，采用基于改进的生物地理优化法搜索最优配电网络结构。

本步骤依次包括如下子步骤：

(1)设置最大迭代次数，初始化种群规模n、优化问题维度D、栖息地种群最大容量S_max、迁入率函数最大值I、迁出率函数最大值E、最大变异率m_max、迁移率P_mod和精英个体留存数z。

(2)随机初始化初始种群中各栖息地的适宜度向量x_i，i＝1,2,...,n，各适宜度向量均对应一个配电网络结构，即配电网重构系统模型的潜在解。

(3)计算初始种群中各栖息地i的适宜度指数f(x_i)，适宜度指数f(x_i)最大的栖息地即个体最优解，其他栖息地则为非精英栖息地。适宜度指数f(x_i)即对当前配电网络结构进行潮流计算得到的系统有功网损总期望值，即公式(8)中的OF，

(4)采用余弦迁移模型对栖息地进行迁移操作，形成新种群，以新种群为当前种群，计算当前种群中各栖息地i的适宜度指数，获得当前个体最优解和当前非精英栖息地；

(5)根据当前种群各栖息地的平均适宜度指数的方差判断是否陷入局部最优，若是，执行步骤(6)；否则，执行步骤(7)。

(6)通过公式计算当前种群各栖息地的变异率，基于变异率对当前非精英栖息地进行突变操作，用m(s_i)判断栖息地i的某个特征分量是否进行突变，以突变后的种群为当前种群，计算当前种群中各栖息地i的适宜度指数，获得当前个体最优解和当前非精英栖息地，然后执行步骤(7)。其中，s_i表示第i个栖息地的种群数量，m(s_i)表示第i个栖息地的的变异率，m_max为最大变异率，P(s_i)指第i个栖息地的种群数量为s_i的概率，P_max为最大概率。

(7)判断是否达到最大迭代次数，若达到，则结束；否则，继续执行步骤(2)。

本步骤中，本发明提出了一种适用于重构模型求解的编码方法，具体如下：

对于有M个环的配电网络结构，第j个环的开关数记为k_j，j＝1,2,...M。将第j个环中第p个开关编码为S_jp，那么该配电网络结构的可能树状结构就有种。求解时，首先，使配电网络结构中所有开关均闭合；然后，对配电网络结构中各环均进行一次解环操作，即在各环中分别选取一个开关将其解环，这样对可行解进行编码可以得到一个M维空间的点集，将初始栖息地编码为M维的点，这个点就包含了配电网网络结构信息。

在配电网络结构较复杂、不同环间无共用路径时，上述编码方法可能导致求解结果违背连通性约束或者导致形成新的环。因此，本步骤中还添加了两条编码方法来解决上述问题：

a、每个可行解中，任何一个开关最多被打开一次；

b、每个可行解中，不同环路间的共用路径上最多打开一个开关。

下面通过实施例进一步说明本发明。

以IEEE69节点配电系统为例，结构见图2，风力机接入点为节点10、19、23和69，EV充电站接入点为节点34、53、58、67。风电机组的切入风速、额定风速、切出风速分别为3m/s、14m/s、25m/s，c和k分别为9.19和1.93。算例原始的负荷量为3.8MW，加入的EV负荷峰值为2MW，风电出力峰值为3MW。

利用IBBO算法对建立的配电网重构系统模型进行求解，算例初始配电网络结构图见图2，经重构后的配电网络结构图见图3，重构前后配电网络结构数据对比见表2。图4～5分别给出了各时间场景下重构后和重构前的节点电压点电压期望值分布图。

表2 重构前后的配电网络结构数据

分别采用本发明方法、粒子群法、遗传法和模拟退火法对图2所示配电网络结构进行重构，最大迭代次数均为20，不同方法重构结果对比见图6和表3。从表3可以看出本发明方法搜索的最优配电网络结构的网络损耗平均值和均方差均最低，说明本发明方法重构结果优于其他方法，且收敛程度好，结果误差低。

表3 不同方法的重构效果比较

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.考虑新能源与电动汽车接入的主动配电网重构方法，其特征在于，包括步骤：

步骤1，构建风电随机性模型和电动汽车随机性模型；

步骤2，结合风电随机性模型、电动汽车随机性模型、目标函数和约束条件构建配电网重构系统模型；

所述的目标函数为OF表示配电网系统有功损耗总期望值；p_b表示时间场景b出现的概率，即时间场景b的时间长度在一天时间的占比；L_b表示时间场景b下考虑电源及负荷随机性的随机潮流有功网损期望值；G为时间场景数；

所述的约束条件包括潮流约束、节点电压约束、传输功率约束、网络拓扑约束、以及风电和电动汽车充电站接入点的功率因素约束；

步骤3，根据各时刻用电情况将一天划分为若干时间场景；

步骤4，基于配电网重构系统模型，采用改进的生物地理优化法搜索最优配电网络结构。

2.如权利要求1所述的考虑新能源与电动汽车接入的主动配电网重构方法，其特征在于：

步骤1具体为：

采用线性函数表示风力机的功率曲线位于切入风速和额定风速间的部分，获得风电功率概率密度函数f(P_W)，采用高斯分布函数对f(P_W)进行近似，获得风电随机性模型f^*(P_Wi)＝αG(α₁,α₂,P_Wi)，其中，G(α₁,α₂,P_Wi)表示高斯分布函数，P_Wi表示风电有功出力；α、α₁、α₂分别为G(α₁,α₂,P_Wi)的系数、均值和方差，α根据地理信息确定。

3.如权利要求1所述的考虑新能源与电动汽车接入的主动配电网重构方法，其特征在于：

步骤2中，所述的电动汽车随机性模型包括电动汽车的充电起始时刻、充电功率、充电耗时、充电状态的概率密度函数。

4.如权利要求3所述的考虑新能源与电动汽车接入的主动配电网重构方法，其特征在于：

基于电动汽车充电起始时刻满足正态分布，构建充电起始时刻的概率密度函数f_S(x₁)：

其中，x₁表示变量，这里x₁表示充电起始时刻；σ_S表示变量的方差；μ_s表示变量的均值；σ_S和μ_s用来描述充电起始时刻的分布特性，μ_S＝17.6，σ_S＝3.4。

5.如权利要求3所述的考虑新能源与电动汽车接入的主动配电网重构方法，其特征在于：

基于电动汽车的充电功率在2～3kW范围内满足均匀分布，构建充电功率的概率密度函数

其中，x₂表示变量，这里x₂表示充电功率。

6.如权利要求3所述的考虑新能源与电动汽车接入的主动配电网重构方法，其特征在于：

充电耗时的概率密度函数为：

其中，x₃表示变量，这里x₃表充电耗时；σ_D表示变量的方差；μ_D表示变量的均值；p表示积分变量；σ_D和μ_D用来描述电动汽车充电耗时的分布特性，μ_D＝3.2，σ_D＝0.88。

7.如权利要求3所述的考虑新能源与电动汽车接入的主动配电网重构方法，其特征在于：

时刻t₀充电状态的概率密度函数如下：

其中，表示充电状态为1时的概率密度，表示充电状态为0时的概率密度，1代表正在充电，0代表未在充电；t_s表示充电起始时刻；t_C表示充电时长；F_S和分别为充电起始时刻和充电耗时的概率分布函数。

8.如权利要求1所述的考虑新能源与电动汽车接入的主动配电网重构方法，其特征在于：

步骤3具体为：

将一天划分为6个时间场景，即0:00～6:00为第一时间场景，6:00～12:00为第二时间场景，12:00～13:00为第三时间场景，13:00～17:00为第四时间场景，17:00～21:00为第五时间场景，21:00～0:00为第六时间场景。

9.如权利要求1所述的考虑新能源与电动汽车接入的主动配电网重构方法，其特征在于：

步骤5进一步包括子步骤：

5.1初始化参数；

5.2随机初始化初始种群中各栖息地的适宜度向量x_i，i＝1,2,…,n；

5.3计算初始种群中各栖息地i的适宜度指数，适宜度指数最大的栖息地即个体最优解，其他栖息地则为非精英栖息地，适宜度指数f(x_i)即配电网系统有功损耗总期望值OF，通过潮流计算获得；

5.4对栖息地进行迁移操作，形成新种群，以新种群为当前种群，计算当前种群中各栖息地i的适宜度指数，获得当前个体最优解和当前非精英栖息地；

5.5根据当前种群各栖息地的平均适宜度指数判断是否陷入局部最优，若是，执行步骤5.6；否则，执行步骤5.7；

5.6计算当前种群各栖息地的变异率基于变异率对当前非精英栖息地进行突变操作，以突变后的种群为当前种群，计算当前种群中各栖息地i的适宜度指数，获得当前个体最优解和当前非精英栖息地，然后执行步骤5.7；

5.7判断是否达到最大迭代次数，若达到，则结束；否则，继续执行步骤5.2。

10.如权利要求1所述的考虑新能源与电动汽车接入的主动配电网重构方法，其特征在于：

步骤4中采用如下的编码方法：

首先，使配电网络结构中所有开关均闭合；

然后，对配电网络结构中各环均进行一次解环操作；

接着，对可行解编码获得M维空间的点集，将初始栖息地也编码为M维的点，M为配电网络结构中的环数；每个可行解中，任何一个开关最多被打开一次，不同环路间的共用路径上最多打开一个开关。