CN107947206A - 基于改进的nsga‑ii算法的三相配电网多目标优化方法 - Google Patents
基于改进的nsga‑ii算法的三相配电网多目标优化方法 Download PDFInfo
- Publication number
- CN107947206A CN107947206A CN201711387597.XA CN201711387597A CN107947206A CN 107947206 A CN107947206 A CN 107947206A CN 201711387597 A CN201711387597 A CN 201711387597A CN 107947206 A CN107947206 A CN 107947206A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- photovoltaic
- scene
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 239000003990 capacitor Substances 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000013459 approach Methods 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012850 discrimination method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000004308 accommodation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000205 computational method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000000243 solution Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
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
- H02J3/26—Arrangements for eliminating or reducing asymmetry in polyphase networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H02J3/383—
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Y02E40/50—Arrangements for eliminating or reducing asymmetry in polyphase networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及三相不平衡配电网多目标优化技术，具体涉及基于改进的NSGA‑II算法的三相配电网多目标优化方法，包括以下步骤：对历史数据进行处理，采用经验分布拟合光伏有功功率实际值分布；进行遗忘因子参数辨识；生成光伏有功功率场景；削减场景；建立三相不平衡配电网多目标优化模型；利用改进的NSGA‑II算法对三相不平衡配电网多目标优化模型进行求解。该方法生成的场景更符合光伏有功功率的实际波动特性；提高了电容器及调压器的使用寿命，同时还提高了算法的全局搜索能力以及非支配前沿的均匀性。
Description
技术领域
本发明属于三相不平衡配电网多目标优化技术领域，尤其涉及基于改进的NSGA-II算法的三相配电网多目标优化方法。
背景技术
目前，三相不平衡配电网的多目标优化按照求解算法可分为权重系数法和多目标智能算法两大类，光伏有功功率的不确定性处理按场景分析方法可分为静态场景分析法和动态场景分析法两大类。
权重系数法通过权重系数的选取，将多目标优化问题转化为单目标优化问题，降低其求解难度。多目标智能算法运用非支配概念，直接对多目标问题进行求解，搜索得到多目标的非支配前沿，再根据调度员的偏好选择其折衷解，NSGA-II算法是多目标智能算法中较成熟的算法。不论是权重系数法还是多目标智能算法都存在种种不足，如权重系数法中系数的选取具有一定的目标函数倾向性，其不同的取值将极大影响求得的结果。如何增强该算法的全局搜索能力，如何对多类型变量进行编码，以及如何保证状态变量严格满足约束条件是应用NSGA-II算法须解决的问题。
静态场景分析法通过取消随机变量的相关性，产生各独立随机变量的场景，以有限数量的典型场景代表随机变量的不确定性。动态场景分析法考虑随机变量跨时间断面的相关性，部分研究通过协方差矩阵表示其相关程度。不论是静态场景分析法还是动态场景分析法都存在种种不足，如静态场景分析法只针对独立不相关的随机变量。动态场景分析法中采用协方差矩阵表示随机变量的相关程度，已有研究采用遗忘因子递推估计得到协方差矩阵，然而其均采用常数遗忘因子，常数的取值具有研究主观性，且假定任意时刻该值均相同，存在一定的误差，同时现今未有研究对遗忘因子取值进行理论定义。
发明内容
本发明的目的是提供一种同时降低网损和电压不平衡度且考虑光伏有功出力不确定性的三相配电网多目标优化模型，并通过多目标差分进化算法与经典的NSGA-II算法结合对模型进行求解的方法。
为实现上述目的，本发明采用的技术方案是：基于改进的NSGA-II算法的三相配电网多目标优化方法，包括以下步骤：
步骤1、对历史数据进行处理，采用经验分布拟合光伏有功功率实际值分布；
步骤2、进行遗忘因子参数辨识；
步骤3、生成光伏有功功率场景；
步骤4、削减场景；
步骤5、建立三相不平衡配电网多目标优化模型；
步骤6、利用改进的NSGA-II算法对三相不平衡配电网多目标优化模型进行求解。
在上述的基于改进的NSGA-II算法的三相配电网多目标优化方法中，步骤1的实现包括：
步骤1.1、统计电网的历史光伏预测值和实际值，并将其标幺化；
步骤1.2、将光伏预测值分为51个箱，分别为0p.u.箱和数值区间在(0p.u.,1p.u.]范围内每隔0.02p.u.区间长度的50个箱，每个箱内数据为光伏预测值数值区间内所有光伏有功功率实际值，采用经验分布对其进行拟合。
在上述的基于改进的NSGA-II算法的三相配电网多目标优化方法中，步骤2的实现包括：
步骤2.1、引入光伏有功功率波动量，提出遗忘因子辨识方法；
步骤2.2、得到最佳的遗忘因子，以此递归估计协方差矩阵，通过协方差矩阵表示光伏有功功率时间断面的相关性程度；
步骤2.3、生成满足该协方差矩阵的随机数。
在上述的基于改进的NSGA-II算法的三相配电网多目标优化方法中，步骤3的实现包括：根据步骤1.2得到的每个光伏有功功率预测值范围内光伏有功功率实际值的累积经验分布函数生成0-1随机数，再通过经验分布函数求逆生成光伏有功功率场景。
在上述的基于改进的NSGA-II算法的三相配电网多目标优化方法中，步骤4所述削减场景采用同步回带消除法削减光伏有功功率场景，得到有限的典型场景。
在上述的基于改进的NSGA-II算法的三相配电网多目标优化方法中，步骤5的实现包括：
步骤5.1、建立同时优化网损和三相不平衡配电网多目标优化模型，限制电容器和调压器一日的最大调节次数，且考虑由于光伏有功功率的不确定导致的光伏无功功率调节范围的不确定；
步骤5.2、采用动态场景分析法将不确定性问题转化为等价的确定性问题。
在上述的基于改进的NSGA-II算法的三相配电网多目标优化方法中，步骤6所述改进的NSGA-II算法为，提出简化的离散变量编码方式，采用非支配概念处理状态变量约束，利用优先保留优良个体及新的拥挤距离计算方法，且结合多目标差分进化算法及经典的NSGA-II算法进行求解。
在上述的基于改进的NSGA-II算法的三相配电网多目标优化方法中，所述步骤6的具体实现包括以下步骤：
步骤6.1、采用递归估计方式自适应估计协方差矩阵，式(1)为其数学形式，通过式(2)对协方差矩阵进行转化，保证协方差矩阵对角元素为1；
Σt＝λΣt-1+(1-λ)Xt-KXt-K T (1)
式(2)中，∑t为时刻t的协方差矩阵，∑t-1为t-1时刻协方差矩阵，λ为遗忘因子，且满足λ∈[0,1)，t＝1,2,…,K，K为总时刻数，Xt-K为时刻t的前K个时刻光伏有功功率实际值，向量Xt-K的维度与矩阵∑t的阶数相同；为点除运算符号，R为K维列向量，其值为协方差矩阵∑的对角元素的平方根；
步骤6.2、采用逆变换抽样得到考虑光伏有功功率时间相关性的多个场景，引入功率波动Pramp，该值由式(3)得到，通过不同遗忘因子下的S条动态场景，再通过式(4)对遗忘因子进行辨识，得到最佳的遗忘因子值及S条动态场景；
Pramp＝Pt-Pt+1 (3)
式(3)、(4)中，Pt和Pt+1分别为时刻t和时刻t+1的光伏有功功率；u为在数值区间[-0.2,0.2]的等间距抽样点；N为总抽样数；pdf0(u)和pdf(u)分别为历史数据以及场景对应的光伏功率波动Pramp的t-location分布概率密度函数；
步骤6.3、采用同步回带消除法对场景进行削减，其数学形式为式(5)；
式(5)中，和为场景概率，为场景间的Kantorovich距离；式(5)表示削减概率小且不具有代表性的场景；
步骤6.4、建立三相配电网多目标优化模型为式(6)：
式(6)中，πs为场景概率，为电压不平衡度值，下标s表示场景号，t为时标，i表示节点编号；为负序电压，为正序电压；和分别为以直角坐标形式表示的节点电压的实部和虚部，和分别为电导和电纳，下标i和j均为节点编号，γ和β均表示相位，可取a，b，c相，T为优化总时间长度，N为线路的集合；和分别为输入和输出电压，为调压器的档位，Vtap为上调一个档位对应的电压(p.u.)，和为调压器档位上下限， 为调压器允许的最大一天总调节幅度，下标k为调压器编号；QSCj,rated和分别为电容器的额定无功功率和投切状态，为电容器注入的无功功率，CapSCj,max为电容器允许的最大一天总投切次数，下标j表示投切电容器的编号；和分别为光伏的无功出力及其上限，pfg,PV为光伏正常运行允许的最小功率因数滞后0.95，和分别表示光伏运行在允许的功率因数范围内和额定容量范围内的无功出力上限，为光伏的额定容量，为光伏的有功出力，下标g为光伏的编号；和分别为DG有功和无功出力，和分别为有功和无功负荷值，为投切电容器的无功出力；为节点i的电压，Vi,max和Vi,min分别为节点i的电压上限和下限；为线路l的视在功率，Sl,max为线路l允许的最大传输功率，下标l为线路编号；
步骤6.5、调压器进行简化编码，随机产生调压器第一个时刻档位，再由式(7)随机产生第一个档位差，进而由式(8)、(9)产生其余各时刻档位及档位差，直至一天调压器档位全部编码；
式(7)、(8)、(9)中，和分别为调压器档位及两时刻档位差，和分别为调压器允许的档位上限和下限，为调压器一日允许的最大调节次数；
步骤6.6、电容器进行简化编码，随机产生电容器第一类投切状态，由式(10)得到其余各投切状态，再由式(11)随机产生各状态持续时刻数；
x1＝1-x0,x2＝x0 (10)
1≤m0≤24，1≤m1≤24-m0,m2＝24-m0-m1 (11)
其中，x0，x1和x2分别为第一个、第二个及第三个时间段的投切状态，m0，m1和m2分别为各投切状态持续时刻数；
步骤6.7、进行状态变量约束处理，首先计算所有状态变量的偏差量，对其进行非支配排序，根据非支配排序情况分为N个种群，每个群内的约束条件排序号相同，不受彼此支配；再对每个群内的个体进行目标函数非支配排序，其中，下个群的每个个体的排序号均要加上上个群的最大排序号；
步骤6.8、进行拥挤距离计算，首先删除拥挤距离最小的一个点，然后重新计算拥挤距离，再删除距离最小的一个点，直至保留的个体数为要求个体数；
步骤6.9、改进的NSGA-II算法求解，首先采用NSGA-II算法对问题进行求解；当非支配前沿更新解的数目小于15时，采用多目标差分进化算法对问题进行求解；反之，继续采用NSGA-II算法求解；直至迭代数达到上限，计算结束。
本发明的有益效果：1.保证在预测时间段内跨时段的光伏有功功率出力服从其预测误差的联合概率分布，从而生成的场景更符合光伏有功功率的实际波动特性；2.限制电容器及调压器一日的调节次数，挖掘光伏的无功调节能力，可提高电容器及调压器的使用寿命；3.提出改进的NSGA-II算法对配电网多目标优化模型进行求解，提高算法的全局搜索能力以及非支配前沿的均匀性。
附图说明
图1是本发明一个实施例处理三相不平衡配电网优化问题的流程图；
图2是本发明一个实施例对配电网多目标优化模型求解的NSGA-II算法流程图；
图3是本发明一个实施例在场景数为100、300、500、1000、3000下的不考虑光伏有功功率时间相关性，遗忘因子取0.995，遗忘因子取0.999，提出的遗忘因子辨识的四种场景生成方法得到的场景在三个事件下的年平均布赖尔分数比较图；
图4是本发明一个实施例在场景数为500，定义的三种事件出力水平为20％，30％，40％，50％，60％下，四种场景生成方法得到的场景的年平均布赖尔分数；
图5是本发明一个实施例通过建立的配电网多目标优化模型得到的各时刻网损与基准算例无优化得到的各时刻网损的比较图；
图6是本发明一个实施例通过建立的配电网多目标优化模型得到的各时刻电压不平衡度与基准算例无优化得到的各时刻电压不平衡度的比较图；
图7是本发明一个实施例通过建立的配电网多目标优化模型得到的各时刻调压器的档位状态图。
图8是本发明一个实施例通过经典的NSGA-II算法，SPEA2算法以及改进的NSGA-II算法求解建立的配电网多目标优化模型得到的非支配前沿的SP指标分布箱形图；
其中，三个事件分别定义为：事件1：光伏有功功率持续4小时出力水平大于30％；事件2：光伏有功功率持续2小时出力水平大于30％；事件3：光伏有功功率在长度为1小时的时间窗内的波动量大于20％。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
本实施例采用遗忘因子辨识方法递归估计协方差矩阵考虑光伏有功功率时间断面上的相关性，保证在预测时间段内跨时段的光伏有功功率出力服从其预测误差的联合概率分布，从而使生成的场景更符合光伏有功功率的实际波动特性。
本实施例提出了一种改进的NSGA-II算法对三相不平衡配电网多目标优化模型进行求解。将多目标差分算法与NSGA-II算法相结合，增强算法的全局搜索能力。并提出多类型控制变量的简化编码方式，以及拥挤距离处理方法，且将非支配概念运用至约束条件处理中，提高非支配前沿的均匀性。
实施例的具体实施如下：
如图1所示，基于改进的NSGA-II算法的三相配电网多目标优化方法，包括以下步骤：
S1.历史数据处理步骤：统计比利时电网从2013年1月1日00:00至2016年12月31日23:45共四年的光伏预测值和实际值，并将其标幺化。将预测值分为51个箱，分别为0p.u.箱和数值区间在(0p.u.,1p.u.]范围内每隔0.02p.u.区间长度的50个箱，每个箱内数据为预测值数值区间内所有光伏有功功率实际值，采用经验分布对其进行拟合；
S2.遗忘因子参数辨识步骤：引入光伏有功功率波动量，提出遗忘因子辨识方法。得到最佳的遗忘因子，以此递归估计协方差矩阵，通过协方差矩阵表示光伏有功功率时间断面的相关性程度。生成满足该协方差矩阵的随机数。
S3.光伏有功功率场景生成步骤：根据S1得到的每个光伏有功功率预测值范围内光伏有功功率实际值的累积经验分布函数生成0-1随机数，再通过经验分布函数求逆生成光伏有功功率场景。
S4.场景削减步骤：再采用同步回带消除法进行场景削减，得到有限的典型场景。
S5.建立三相不平衡配电网多目标优化模型的步骤：建立同时优化网损和电压不平衡度的三相配电网多目标优化模型，限制电容器和调压器一日的最大调节次数，且考虑由于光伏有功功率的不确定导致的光伏无功功率调节范围的不确定。同时，采用动态场景分析法将不确定性问题转化为等价的确定性问题。
S6.采用改进的NSGA-II算法对模型求解步骤：提出改进的NSGA-II算法对S5建立的三相不平衡配电网多目标优化模型进行求解，且采用S2得到的光伏有功功率的出力值及其概率处理光伏有功功率的不确定性。对于改进的NSGA-II算法，主要提出简化的离散变量编码方式，采用非支配概念处理状态变量约束，提出优先保留优良个体及新的拥挤距离计算方法，且结合多目标差分进化算法及经典的NSGA-II算法提高算法的全局搜索能力。
如图2所示，采用改进的NSGA-II算法对模型求解具体步骤如下：
一、通过动态场景分析方法处理光伏有功功率的不确定性，具体步骤如下：
1.采用递归估计方式自适应估计协方差矩阵，式(1＇)为其数学形式，通过式(2＇)对协方差矩阵进行转化，保证协方差矩阵对角元素为1；
Σt＝λΣt-1+(1-λ)Xt-KXt-K T (1＇)
其中，∑t为时刻t的协方差矩阵，∑t-1为t-1时刻协方差矩阵，λ为遗忘因子，且满足λ∈[0,1)，t＝1,2,…,K，K为总时刻数，Xt-K为时刻t的前K个时刻光伏有功功率实际值，向量Xt-K的维度与矩阵∑t的阶数相同。为点除运算符号，R为K维列向量，其值为协方差矩阵∑的对角元素的平方根。
2.采用逆变换抽样得到考虑光伏有功功率时间相关性的多个场景，引入功率波动Pramp，该值由式(3＇)得到，通过不同遗忘因子下的S条动态场景，再通过式(4＇)对遗忘因子进行辨识，得到最佳的遗忘因子值及S条动态场景；
Pramp＝Pt-Pt+1 (3＇)
其中，Pt和Pt+1分别为时刻t和时刻t+1的光伏有功功率；u为在数值区间[-0.2,0.2]的等间距抽样点；N为总抽样数；pdf0(u)和pdf(u)分别为历史数据以及场景对应的光伏功率波动Pramp的t-location分布概率密度函数。
3.采用同步回带消除法对场景进行削减，以此降低计算难度，其数学形式如式(5＇)所示。
其中，和为场景概率，为场景间的Kantorovich距离。式(5＇)表示削减概率小且不具有代表性的场景。
4.比较不考虑光伏有功功率时间相关性，遗忘因子取0.995，遗忘因子取0.999，提出的遗忘因子辨识的四种场景生成方法得到的场景在三个事件下的年平均布赖尔分数。如图3(a)、图3(b)、图(c)所示，定义三类事件，事件1：光伏有功功率持续4小时出力水平大于30％；事件2：光伏有功功率持续2小时出力水平大于30％；事件3：光伏有功功率在长度为1小时的时间窗内的波动量大于20％。“光伏有功功率轨迹持续一段时间大于某一出力水平”的布赖尔分数计算公式如式(6＇)所示，“光伏有功功率轨迹在某一时间窗内出力波动量大于某一阈值”的布赖尔分数计算公式如式(7＇)所示，年平均布赖尔分数计算公式如式(8＇)所示。
其中，pt为光伏在时刻t有功功率出力值，k为时刻点，h为时间窗，ξ为出力水平阈值，l{·}为一个算子，当括号内的条件为真，其值为1，否则为0，为生成的光伏有功功率场景的事件发生次数，gt(·)为光伏实有功功率的事件发生次数。图3(a)表示事件1下的年平均布赖尔分数比较图，图3(b)表示事件2下的年平均布赖尔分数比较图，图(c)表示事件3下的年平均布赖尔分数比较图。图4(a)图4(b)图4(c)分别为场景数为500，事件1、事件2、事件3出力水平为20％，30％，40％，50％，60％下，四种场景生成方法得到的场景的年平均布赖尔分数。
二、建立三相不平衡配电网多目标优化模型，其模型如式(9)所示。
其中，πs为场景概率，为电压不平衡度值，下标s表示场景号，t为时标，i表示节点编号。为负序电压，为正序电压。和分别为以直角坐标形式表示的节点电压的实部和虚部，和分别为电导和电纳，下标i和j均为节点编号，γ和β均表示相位，可取a，b，c相，T为优化总时间长度，N为线路的集合。和分别为输入和输出电压，为调压器的档位，Vtap为上调一个档位对应的电压(p.u.)，和为调压器档位上下限，为调压器允许的最大一天总调节幅度，下标k为调压器编号。QSCj,rated和分别为电容器的额定无功功率和投切状态，为电容器注入的无功功率，CapSCj,max为电容器允许的最大一天总投切次数，下标j表示投切电容器的编号。和分别为光伏的无功出力及其上限，pfg,PV为光伏正常运行允许的最小功率因数滞后0.95，和分别表示光伏运行在允许的功率因数范围内和额定容量范围内的无功出力上限，为光伏的额定容量，为光伏的有功出力，下标g为光伏的编号。和分别为DG有功和无功出力，和分别为有功和无功负荷值，为投切电容器的无功出力。为节点i的电压，Vi,max和Vi,min分别为节点i的电压上限和下限。为线路l的视在功率，Sl,max为线路l允许的最大传输功率，下标l为线路编号。
三、提出改进的NSGA-II算法对配电网多目标优化模型进行求解，求解步骤如下：
1)调压器简化编码，随机产生调压器第一个时刻档位，再由式(10)随机产生第一个档位差，进而由式(11)(12)产生其余各时刻档位及档位差，直至一天调压器档位全部编码。
其中，和分别为调压器档位及两时刻档位差，和分别为调压器允许的档位上限和下限，为调压器一日允许的最大调节次数。
2)电容器简化编码，随机产生电容器第一类投切状态，由式(13)得到其余各投切状态，再由式(14)随机产生各状态持续时刻数；
x1＝1-x0,x2＝x0 (13)
1≤m0≤24，1≤m1≤24-m0,m2＝24-m0-m1 (14)
其中，x0，x1和x2分别为第一个、第二个及第三个时间段的投切状态，m0，m1和m2分别为各投切状态持续时刻数。
3)状态变量约束处理。首先计算所有状态变量的偏差量，对其进行非支配排序，根据非支配排序情况分为N个种群，每个群内的约束条件排序号相同，不受彼此支配。再对每个群内的个体进行目标函数非支配排序，其中，下个群的每个个体的排序号均要加上上个群的最大排序号。
4)拥挤距离计算。提出首先删除拥挤距离最小的一个点，然后重新计算拥挤距离，再删除距离最小的一个点，以此类推，直至保留的个体数为要求个体数。
5)全局搜索能力的增强。首先采用NSGA-II算法对问题进行求解；当非支配前沿更新解的数目小于15时，采用多目标差分进化算法对问题进行求解；反之，继续采用NSGA-II算法求解；直至迭代数达到上限，计算结束。
步骤3.6：通过式(15)-(17)计算SP指标，比较经典的NSGA-II算法，SPEA2算法及改进的NSGA-II算法得到的SP指标。
其中，m为目标函数个数，|A|为集合A中元素总数。fi(x)为第i个目标函数值，S为表示非支配前沿得到SP指标，S值越小越均匀。
如图5所示，是本实施例通过建立的配电网多目标优化模型得到的各时刻网损与基准算例无优化得到的各时刻网损的比较图。
如图6所示，是本实施例通过建立的配电网多目标优化模型得到的各时刻电压不平衡度与基准算例无优化得到的各时刻电压不平衡度的比较图。
如图7所示，为本实施例通过建立的配电网多目标优化模型得到的各时刻调压器的档位状态图。
如图8所示，是本实施例通过经典的NSGA-II算法，SPEA2算法以及改进的NSGA-II算法求解建立的配电网多目标优化模型得到的非支配前沿的SP指标分布箱形图。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。
所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。此外，本发明提供了各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其它工艺的可应用性和/或其他材料的使用。另外，以下描述的第一特征在第二特征之“上”的结构可以包括第一和第二特征形成为直接接触的实施例，也可以包括另外的特征形成在第一和第二特征之间的实施例，这样第一和第二特征可能不是直接接触。
本发明的描述中，需要说明的是，除非另有规定和限定，术语“相连”“连接"应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于相关领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
参照下面的描述和附图，具体公开了本发明实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
Claims (8)
1.基于改进的NSGA-II算法的三相配电网多目标优化方法，其特征是，包括以下步骤：
步骤1、对历史数据进行处理，采用经验分布拟合光伏有功功率实际值分布；
步骤2、进行遗忘因子参数辨识；
步骤3、生成光伏有功功率场景；
步骤4、削减场景；
步骤5、建立三相不平衡配电网多目标优化模型；
步骤6、利用改进的NSGA-II算法对三相不平衡配电网多目标优化模型进行求解。
2.如权利要求1所述的基于改进的NSGA-II算法的三相配电网多目标优化方法，其特征是，步骤1的实现包括：
步骤1.1、统计电网的历史光伏预测值和实际值，并将其标幺化；
步骤1.2、将光伏预测值分为51个箱，分别为0p.u.箱和数值区间在(0p.u.,1p.u.]范围内每隔0.02p.u.区间长度的50个箱，每个箱内数据为光伏预测值数值区间内所有光伏有功功率实际值，采用经验分布对其进行拟合。
3.如权利要求1所述的基于改进的NSGA-II算法的三相配电网多目标优化方法，其特征是，步骤2的实现包括：
步骤2.1、引入光伏有功功率波动量，提出遗忘因子辨识方法；
步骤2.2、得到最佳的遗忘因子，以此递归估计协方差矩阵，通过协方差矩阵表示光伏有功功率时间断面的相关性程度；
步骤2.3、生成满足该协方差矩阵的随机数。
4.如权利要求2所述的基于改进的NSGA-II算法的三相配电网多目标优化方法，其特征是，步骤3的实现包括：根据步骤1.2得到的每个光伏有功功率预测值范围内光伏有功功率实际值的累积经验分布函数生成0-1随机数，再通过经验分布函数求逆生成光伏有功功率场景。
5.如权利要求4所述的基于改进的NSGA-II算法的三相配电网多目标优化方法，其特征是，步骤4所述削减场景采用同步回带消除法削减光伏有功功率场景，得到有限的典型场景。
6.如权利要求1所述的基于改进的NSGA-II算法的三相配电网多目标优化方法，其特征是，步骤5的实现包括：
步骤5.1、建立同时优化网损和三相不平衡配电网多目标优化模型，限制电容器和调压器一日的最大调节次数，且考虑由于光伏有功功率的不确定导致的光伏无功功率调节范围的不确定；
步骤5.2、采用动态场景分析法将不确定性问题转化为等价的确定性问题。
7.如权利要求1所述的基于改进的NSGA-II算法的三相配电网多目标优化方法，其特征是，步骤6所述改进的NSGA-II算法为，提出简化的离散变量编码方式，采用非支配概念处理状态变量约束，利用优先保留优良个体及新的拥挤距离计算方法，且结合多目标差分进化算法及经典的NSGA-II算法进行求解。
8.如权利要求7所述的基于改进的NSGA-II算法的三相配电网多目标优化方法，其特征是，所述步骤6的具体实现包括以下步骤：
步骤6.1、采用递归估计方式自适应估计协方差矩阵，式(1)为其数学形式，通过式(2)对协方差矩阵进行转化，保证协方差矩阵对角元素为1；
Σt＝λΣt-1+(1-λ)Xt-KXt-K T (1)
式(2)中，∑t为时刻t的协方差矩阵，∑t-1为t-1时刻协方差矩阵，λ为遗忘因子，且满足λ∈[0,1)，t＝1,2,…,K，K为总时刻数，Xt-K为时刻t的前K个时刻光伏有功功率实际值，向量Xt-K的维度与矩阵∑t的阶数相同；为点除运算符号，R为K维列向量，其值为协方差矩阵∑的对角元素的平方根；
步骤6.2、采用逆变换抽样得到考虑光伏有功功率时间相关性的多个场景，引入功率波动Pramp，该值由式(3)得到，通过不同遗忘因子下的S条动态场景，再通过式(4)对遗忘因子进行辨识，得到最佳的遗忘因子值及S条动态场景；
Pramp＝Pt-Pt+1 (3)
<mrow>
<mtable>
<mtr>
<mtd>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>&lambda;</mi>
</munder>
</mtd>
<mtd>
<mrow>
<msub>
<mi>I</mi>
<mi>&lambda;</mi>
</msub>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<mi>U</mi>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mi>d</mi>
<mi>f</mi>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>pdf</mi>
<mn>0</mn>
</msub>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mi>N</mi>
</mfrac>
</msqrt>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式(3)、(4)中，Pt和Pt+1分别为时刻t和时刻t+1的光伏有功功率；u为在数值区间[-0.2,0.2]的等间距抽样点；N为总抽样数；pdf0(u)和pdf(u)分别为历史数据以及场景对应的光伏功率波动Pramp的t-location分布概率密度函数；
步骤6.3、采用同步回带消除法对场景进行削减，其数学形式为式(5)；
<mrow>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mrow>
<mo>{</mo>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>S</mi>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</munder>
<msup>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>{</mo>
<mrow>
<munder>
<munder>
<mi>min</mi>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
</munder>
<mrow>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>&NotEqual;</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<mrow>
<mo>{</mo>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>S</mi>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</munder>
<msup>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</msup>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>w</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>w</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</msup>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
</mrow>
<mo>}</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式(5)中，和为场景概率，为场景间的Kantorovich距离；式(5)表示削减概率小且不具有代表性的场景；
步骤6.4、建立三相配电网多目标优化模型为式(6)：
式(6)中，πs为场景概率，为电压不平衡度值，下标s表示场景号，t为时标，i表示节点编号；为负序电压，为正序电压；和分别为以直角坐标形式表示的节点电压的实部和虚部，和分别为电导和电纳，下标i和j均为节点编号，γ和β均表示相位，可取a，b，c相，T为优化总时间长度，N为线路的集合；和分别为输入和输出电压，为调压器的档位，Vtap为上调一个档位对应的电压(p.u.)，和为调压器档位上下限， 为调压器允许的最大一天总调节幅度，下标k为调压器编号；和分别为电容器的额定无功功率和投切状态，为电容器注入的无功功率，为电容器允许的最大一天总投切次数，下标j表示投切电容器的编号；和分别为光伏的无功出力及其上限，pfg,PV为光伏正常运行允许的最小功率因数滞后0.95，和分别表示光伏运行在允许的功率因数范围内和额定容量范围内的无功出力上限，为光伏的额定容量，为光伏的有功出力，下标g为光伏的编号；和分别为DG有功和无功出力，和分别为有功和无功负荷值，为投切电容器的无功出力；为节点i的电压，Vi,max和Vi,min分别为节点i的电压上限和下限；为线路l的视在功率，Sl,max为线路l允许的最大传输功率，下标l为线路编号；
步骤6.5、调压器进行简化编码，随机产生调压器第一个时刻档位，再由式(7)随机产生第一个档位差，进而由式(8)、(9)产生其余各时刻档位及档位差，直至一天调压器档位全部编码；
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>max</mi>
<mrow>
<mo>{</mo>
<mrow>
<mo>-</mo>
<msubsup>
<mi>Tap</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>max</mi>
</mrow>
<mi>&gamma;</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>T</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>min</mi>
</mrow>
<mi>&gamma;</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>T</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msubsup>
</mrow>
<mo>}</mo>
</mrow>
<mo>&le;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>h</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<mi>min</mi>
<mrow>
<mo>{</mo>
<mrow>
<msubsup>
<mi>Tap</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>max</mi>
</mrow>
<mi>&gamma;</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>T</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>max</mi>
</mrow>
<mi>&gamma;</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>T</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msubsup>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>T</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>T</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>h</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<mo>-</mo>
<msubsup>
<mi>Tap</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>&gamma;</mi>
</msubsup>
<mo>-</mo>
<munder>
<mi>&Sigma;</mi>
<mi>t</mi>
</munder>
<mo>|</mo>
<msubsup>
<mi>h</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msubsup>
<mo>|</mo>
<mo>,</mo>
<msubsup>
<mi>T</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>min</mi>
</mrow>
<mi>&gamma;</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>T</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msubsup>
<mo>}</mo>
<mo>&le;</mo>
<msubsup>
<mi>h</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<mi>min</mi>
<mo>{</mo>
<msubsup>
<mi>Tap</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>&gamma;</mi>
</msubsup>
<mo>-</mo>
<munder>
<mi>&Sigma;</mi>
<mi>t</mi>
</munder>
<mo>|</mo>
<msubsup>
<mi>h</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msubsup>
<mo>|</mo>
<mo>,</mo>
<msubsup>
<mi>T</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>&gamma;</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>T</mi>
<mrow>
<msub>
<mi>reg</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msubsup>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
式(7)、(8)、(9)中，和分别为调压器档位及两时刻档位差，和分别为调压器允许的档位上限和下限，为调压器一日允许的最大调节次数；
步骤6.6、电容器进行简化编码，随机产生电容器第一类投切状态，由式(10)得到其余各投切状态，再由式(11)随机产生各状态持续时刻数；
x1＝1-x0,x2＝x0 (10)
1≤m0≤24，1≤m1≤24-m0,m2＝24-m0-m1 (11)
其中，x0，x1和x2分别为第一个、第二个及第三个时间段的投切状态，m0，m1和m2分别为各投切状态持续时刻数；
步骤6.7、进行状态变量约束处理，首先计算所有状态变量的偏差量，对其进行非支配排序，根据非支配排序情况分为N个种群，每个群内的约束条件排序号相同，不受彼此支配；再对每个群内的个体进行目标函数非支配排序，其中，下个群的每个个体的排序号均要加上上个群的最大排序号；
步骤6.8、进行拥挤距离计算，首先删除拥挤距离最小的一个点，然后重新计算拥挤距离，再删除距离最小的一个点，直至保留的个体数为要求个体数；
步骤6.9、改进的NSGA-II算法求解，首先采用NSGA-II算法对问题进行求解；当非支配前沿更新解的数目小于15时，采用多目标差分进化算法对问题进行求解；反之，继续采用NSGA-II算法求解；直至迭代数达到上限，计算结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711387597.XA CN107947206B (zh) | 2017-12-20 | 2017-12-20 | 基于改进的nsga-ii算法的三相配电网多目标优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711387597.XA CN107947206B (zh) | 2017-12-20 | 2017-12-20 | 基于改进的nsga-ii算法的三相配电网多目标优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107947206A true CN107947206A (zh) | 2018-04-20 |
| CN107947206B CN107947206B (zh) | 2020-01-07 |
Family
ID=61942011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711387597.XA Active CN107947206B (zh) | 2017-12-20 | 2017-12-20 | 基于改进的nsga-ii算法的三相配电网多目标优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107947206B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108808745A (zh) * | 2018-06-20 | 2018-11-13 | 华侨大学 | 一种主动配电网的动态无功优化方法 |
| CN108829943A (zh) * | 2018-05-29 | 2018-11-16 | 哈尔滨工业大学深圳研究生院 | 一种航天器太阳电池阵布片方案的优化方法 |
| CN114881101A (zh) * | 2022-03-21 | 2022-08-09 | 武汉大学 | 一种基于仿生搜索的电力系统典型场景关联特征选择方法 |
| CN114997068A (zh) * | 2022-07-04 | 2022-09-02 | 东南大学溧阳研究院 | 基于改进nsga-ⅱ的配电网三相不平衡多目标优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102064553A (zh) * | 2011-01-13 | 2011-05-18 | 华北电网有限公司 | 基于控制指令编码的变电站自动电压控制方法 |
| CN102545225A (zh) * | 2012-01-16 | 2012-07-04 | 广西电网公司电力科学研究院 | 高压并联混合型有源电力滤波器及带遗忘因子的迭代学习控制方法 |
| CN103219743A (zh) * | 2013-03-25 | 2013-07-24 | 山东大学 | 基于风电功率波动概率特性的主导节点选择方法 |
| CN103606014A (zh) * | 2013-10-18 | 2014-02-26 | 国家电网公司 | 一种基于多目标的海岛分布式电源优化方法 |
| CN106980704A (zh) * | 2017-02-13 | 2017-07-25 | 上海交通大学 | 应用于多电飞机停电负荷的多目标转供策略柔性优化方法 |
-
2017
- 2017-12-20 CN CN201711387597.XA patent/CN107947206B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102064553A (zh) * | 2011-01-13 | 2011-05-18 | 华北电网有限公司 | 基于控制指令编码的变电站自动电压控制方法 |
| CN102545225A (zh) * | 2012-01-16 | 2012-07-04 | 广西电网公司电力科学研究院 | 高压并联混合型有源电力滤波器及带遗忘因子的迭代学习控制方法 |
| CN103219743A (zh) * | 2013-03-25 | 2013-07-24 | 山东大学 | 基于风电功率波动概率特性的主导节点选择方法 |
| CN103606014A (zh) * | 2013-10-18 | 2014-02-26 | 国家电网公司 | 一种基于多目标的海岛分布式电源优化方法 |
| CN106980704A (zh) * | 2017-02-13 | 2017-07-25 | 上海交通大学 | 应用于多电飞机停电负荷的多目标转供策略柔性优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| XI-YUAN MA,ETC.: "Scenario Generation of Wind Power Based on Statistical Uncertainty and Variability", 《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》 * |
| 朱志键等: "基于改进NSGA_的电力系统动态环境经济调度", 《电力自动化设备》 * |
| 马溪原: "含风电电力系统的场景分析方法及其在随机优化中的应用", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108829943A (zh) * | 2018-05-29 | 2018-11-16 | 哈尔滨工业大学深圳研究生院 | 一种航天器太阳电池阵布片方案的优化方法 |
| CN108808745A (zh) * | 2018-06-20 | 2018-11-13 | 华侨大学 | 一种主动配电网的动态无功优化方法 |
| CN108808745B (zh) * | 2018-06-20 | 2021-08-03 | 华侨大学 | 一种主动配电网的动态无功优化方法 |
| CN114881101A (zh) * | 2022-03-21 | 2022-08-09 | 武汉大学 | 一种基于仿生搜索的电力系统典型场景关联特征选择方法 |
| CN114997068A (zh) * | 2022-07-04 | 2022-09-02 | 东南大学溧阳研究院 | 基于改进nsga-ⅱ的配电网三相不平衡多目标优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107947206B (zh) | 2020-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khatod et al. | Evolutionary programming based optimal placement of renewable distributed generators | |
| CN107947206A (zh) | 基于改进的nsga‑ii算法的三相配电网多目标优化方法 | |
| Baker et al. | Distribution-agnostic stochastic optimal power flow for distribution grids | |
| Mahdavi et al. | Robust mixed-integer programing model for reconfiguration of distribution feeders under uncertain and variable loads considering capacitor banks, voltage regulators, and protective relays | |
| Hardiansyah et al. | Solving economic load dispatch problem using particle swarm optimization technique | |
| Tang et al. | Study on day-ahead optimal economic operation of active distribution networks based on Kriging model assisted particle swarm optimization with constraint handling techniques | |
| CN105186499A (zh) | 一种配电网多目标概率最优潮流模糊建模与求解方法 | |
| Banu et al. | Multi-objective GA with fuzzy decision making for security enhancement in power system | |
| Xu et al. | Stochastic multi-objective optimization of photovoltaics integrated three-phase distribution network based on dynamic scenarios | |
| Dall’Anese et al. | Risk-constrained microgrid reconfiguration using group sparsity | |
| Ali et al. | Solution of constrained mixed‐integer multi‐objective optimal power flow problem considering the hybrid multi‐objective evolutionary algorithm | |
| CN110635518A (zh) | 一种基于光伏高渗透率的源网荷储优化方法 | |
| CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN106251242A (zh) | 一种风电出力区间组合预测方法 | |
| CN109103881A (zh) | 适用于多场景的电力负荷预测方法 | |
| CN107706938B (zh) | 一种基于分位点回归的风电功率波动区间分析方法 | |
| CN109829599A (zh) | 基于高比例可再生能源的配电网的集群划分方法及装置 | |
| Chen et al. | Convolutional LSTM-based Frequency Nadir Prediction | |
| CN110428164A (zh) | 一种电网运行状态监测方法、装置、设备及可读存储介质 | |
| CN111539086B (zh) | 一种储能电站多点布局方法及系统 | |
| CN104793107B (zh) | 一种基于改进opa模型的电网连锁故障确定方法 | |
| CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、系统及设备 | |
| CN114330938A (zh) | 一种配电网分布式储能规划方法及系统 | |
| Doagou-Mojarrad et al. | Probabilistic interactive fuzzy satisfying generation and transmission expansion planning using fuzzy adaptive chaotic binary PSO algorithm | |
| Zare et al. | A sufficient stochastic framework to capture the uncertainty of load models in the management of distributed generations in power systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230421 Address after: Room 1205, 10th Floor, Building B3, Phase I, Longshan Innovation Park, Wuhan Future Science and Technology City, No. 999, Gaoxin Avenue, Donghu New Technology Development Zone, Wuhan, Hubei Province, 430000 (Wuhan Area of Free Trade Zone) Patentee after: Wuhan Longde Control Technology Co.,Ltd. Address before: 430072 Hubei Province, Wuhan city Wuchang District of Wuhan University Luojiashan Patentee before: WUHAN University |