CN108242807B - 一种考虑多维安全约束的含光伏配电网重构方法 - Google Patents

Abstract

本发明涉及一种考虑多维安全约束的含光伏电源配电网重构方法，包括：1.采集目标配电网的建模参数；2.收集目标地区光伏电站出力预设时间T天历史数据，对光伏出力曲线进行聚类分析确定最佳聚类数N，并得到N种典型光伏出力场景的聚类中心Z ₀，作为相应出力场景的出力曲线；3.确定的负荷需求场景和典型光伏出力场景曲线，基于配电网安全域指标，构建考虑多场景N‑1安全约束的含光伏配电网重构数学模型；4.利用遗传算法求解考虑多场景N‑1安全约束的含光伏配电网重构数学模型，得到含光伏配电网的最优重构方案。本发明对配电网安全域理论进行改进，使含光伏配电网N‑1安全约束成为网络优化重构模型的一部分，避免了逐点仿真法导致的计算速度缓慢的问题。

Description

一种考虑多维安全约束的含光伏配电网重构方法

技术领域

本发明涉及配电网优化控制相关领域，更具体地，涉及一种考虑多维安全约束的含光伏电源配电网重构方法。

背景技术

近年来，随着分布式光伏电源在配电网中大量接入，配电网的优化运行面临着新的机遇和挑战。一方面，光伏电源属于可再生清洁能源，提高配电网对光伏的消纳能力对实现配电网低碳经济运行具有重要意义。另一方面，光伏电源出力具有较强的间歇性和随机性，大量光伏电源的接入会对配电网造成一定消极影响，如潮流单向性不复存在、电压合格率降低和网损增大等问题。因此，提出高效可行的优化控制方法充分发挥分布式光伏的优势，解决光伏接入导致的问题，是实现光伏电源大规模应用的重要环节之一。

配电网网络重构(Distribution Network Reconfiguration,DNR)是提高配电网运行的安全性、可靠性和经济性的重要手段。DNR通过调整配电网网络拓扑结构来实现均衡负荷分配、降低网损和提高电压质量等目标。目前，配电网重构模型主要有将电源出力和负荷需求视为定值进行寻优的单断面静态模型，以及依照电源和负荷实时变化进行寻优的动态模型。对于静态模型，其忽略了负荷的时变性以及分布式电源的间歇性和随机性，故优化重构模型与配电网实际运行情况不相符。对于动态模型，其最优方案需要对开关频繁操作，这在当前配电网自动水平下不能实现，且此类调整方案的调节成本和风险代价与经济和安全性收益的关系有待研究。

发明内容

本发明的目的在于克服现有技术的不足，提供一种考虑多维安全约束的含光伏电源配电网重构方法，对配电网安全域理论进行改进，使含光伏配电网N-1安全约束成为网络优化重构模型的一部分，避免了使用传统N-1逐点仿真法导致的计算速度缓慢的问题。

为解决上述问题，本发明提供的技术方案为：一种考虑多维安全约束的含光伏电源配电网重构方法，包括以下步骤：

S1.采集目标配电网的建模参数，包括线路型号、长度以及M种负荷需求场景下的各负荷点负荷曲线，M种负荷需求场景取为最大负荷日、最小负荷日；

S2.收集目标地区光伏电站出力预设时间T天历史数据，对光伏出力曲线进行聚类分析确定最佳聚类数N，并得到N种典型光伏出力场景的聚类中心Z₀，作为相应出力场景的出力曲线；

S3.根据步骤S1和步骤S2所确定的负荷需求场景和典型光伏出力场景曲线，基于配电网安全域指标，构建考虑多场景N-1安全约束的含光伏配电网重构数学模型；

S4.利用遗传算法求解考虑多场景N-1安全约束的含光伏配电网重构数学模型，得到含光伏配电网的最优重构方案。

进一步地，所述的S2步骤中确定最佳聚类数N，并得到N种典型光伏出力场景的聚类中心Z₀，作为相应出力场景的出力曲线，具体包括：

S201.确定聚类数k的搜索范围[k_min，k_max]，其中k_min＝2，k_max＝int(T^0.5)，int表示向上取整；

S202.当k_min≤k≤k_max时，运用K-均值聚类算法根据T天光伏历史数据集{x₁,x₂,…,x_T}，依次求解得到不同的k所对应的聚类中心Z_k；

S203.根据聚类有效性指标S_k确定最佳聚类数，S_k值越大表示聚类质量越好，其最大值对应的类数k即为最佳聚类数N，最后输出相应的聚类中心Z₀，其中S_k的计算公式为：

其中，l^k _out(i)为当聚类数为k时，样本x_i与类内所有其他样本的平均距离，l^k _in(i)为当聚类数为k时，样本x_i到其他每个类中样本平均距离的最小值。

进一步地，所述的S202步骤具体包括：

S2021.根据数据集{x₁,x₂,…,x_T}，任选k个样本作为初始聚类中心(z₁,z₂,…,z_k)；

S2022.对于每个样本x_i以欧式距离为尺度，找到离它最近的聚类中心z_v，并将其划分到以z_v为聚类中心的类别；

S2023.通过将属于相应类别的样本的相应维度求平均的方法计算得到分类后的各类心(z₁,z₂,…,z_k)；

S2024.计算每一个样本x_i和与其最近的聚类中心z_v的平方距离的和D：

S2025.如果D值收敛，则输出聚类中心Z_k＝(z₁,z₂,…,z_k)，否则转至步骤S2022。

进一步地，所述的S3步骤中构建考虑多场景N-1安全约束的含光伏配电网重构数学模型，具体包括以下步骤：

S301.计算含光伏配电网各馈线的N-1安全边界：

式中：b_i为备用电源即馈线编号；S^bi _F,max为馈线容量；S^bi _F为馈线b_i负荷需求；为接在馈线b_i的光伏出力水平；S^bi _T,max为馈线b_i所在主变容量；Φ^(bi)表示该主变的所有馈线的集合；为该主变馈线集合Φ^(bi)的第j条馈线的容量，为接在该馈线上的光伏出力水平；Θ⁽ⁱ⁾表示一组馈线的集合，这些馈线与B_i出自同一主变，且故障后其负荷与B_i转移到同一主变；为该主变馈线集合Θ⁽ⁱ⁾的第k条馈线的容量，为接在该馈线上的光伏出力水平；

S302.由各馈线安全边界计算各条馈线的安全距离，并得到配电网内最小馈线安全距离MSD：

式中，I为馈线总数，S_i是第i条馈线的负荷功率；SD_i为单条馈线安全距离，表示第i条馈线在N-1约束下能增供的最大功率；当MSD大于0时，表示系统满足N-1安全约束，当MSD小于0时，其绝对值表示任一主变或馈线故障后，可能失去的最大负荷量；

S303.含光伏配电网重构数学模型：

式中：M为所考虑的负荷需求场景数；N为所考虑的典型光伏出力场景数；t为一天不同时刻；Ploss_i,m,n,t为第i条支路在第m种负荷需求场景、V_i,m,n,t为第n种典型光伏出力方式和时刻t的有功损耗、SD_i,m,n,t为电压幅值和安全距离，Ploss_i,m,n,t、V_i,m,n,t和SD_i,m,n,t分别由相应场景相应时刻负荷需求和电源出力经过步骤S302的公式和潮流计算获得；α_n为第n种典型光伏出力场景出现的概率；V_i,min与V_i,max分别表示节点i电压的上下限；G表示网络重构后依然为配电网为辐射状网络。

进一步地，所述的S4步骤具体包括：

S401.个体编码：对开关状态采用二进制编码方式，0表示闭合，1表示打开；每组互联线路上只有一个打开开关以保证配电网开环运行；将每组互联线路开关集合组成一个基因块，各组互联接线的基因块组成染色体；

S402.适应度函数：以目标函数的倒数作为适应度函数：

首先判断个体是否满足馈线安全距离约束SD_i,min≤SD_i，若不满足则将其适应度令为0，不需要进行潮流计算，以此来提高求解速度，若满足，则进行适应度计算，其中F由步骤S303求得；

S403.基因操作：选择操作在不同遗传算法中差异不大，本文采用常规的轮盘赌选择法。对于交叉操作，规定其只发生在相同位置的基因块之间，并不对其他位置的基因块产生影响。变异操作只发生在基因块内部，随机选取要发生变异的基因块，将块内值为1变为值为0，然后在块内随机选取一位，将其值由1变为0。以上操作使得重构后网络依然保持辐射状，避免了新生群体含有大量不可行解。

S404.最优个体保存策略；在某代个体繁衍结束后，需要对最有个体进行保存策略，即适者生存。在第t+1代时用第t代的最优个体代替当代适应度最低的个体。每代都进行以上操作以提高求解速度；

S405.群体经过若干代进化后，若满足收敛条件，即进化停止并输出最优个体。

与现有技术相比，有益效果是：

1.本发明技术方案中，对配电网安全域理论进行改进，使含光伏配电网N-1安全约束成为网络优化重构模型的一部分，避免了使用传统N-1逐点仿真法导致的计算速度缓慢的问题；

2.本发明提供的含光伏电网重构方法基于配电网的实际情况，建立了一种计及多种负荷需求场景、不同典型光伏出力场景以及光伏出力和负荷需求的时序性的配电网重构模型；

3.本发明在复杂的负荷需求变化和光伏电源接入的情况下，考虑了含光伏配电网的降损、N-1安全约束和电压约束，有利于实现含光伏配电网的经济、安全、稳定运行，具有较高的工程应用价值。

附图说明

图1为本发明方法流程图。

图2为本发明方法具体步骤流程图。

图3为本发明仿真案例示意图。

图4为本发明不同天气类型下典型光伏场景出力归一化曲线。

图5为本发明不同负荷类型的日负荷变化归一化曲线。

图6为本发明重构前后的馈线安全距离对比图。

图7为本发明最大负荷日下重构前后节点16电压水平。

具体实施方式

如图1、图2所示，一种考虑多维安全约束的含光伏电源配电网重构方法，包括以下步骤：

步骤1：采集目标配电网的建模参数，包括线路型号、长度以及M种负荷需求场景下的各负荷点负荷曲线，M种负荷需求场景取为最大负荷日、最小负荷日；

步骤2：收集目标地区光伏电站出力预设时间T天历史数据，对光伏出力曲线进行聚类分析确定最佳聚类数N，并得到N种典型光伏出力场景的聚类中心Z₀，作为相应出力场景的出力曲线；具体步骤为：

S201.确定聚类数k的搜索范围[k_min，k_max]，其中k_min＝2，k_max＝int(T^0.5)，int表示向上取整；

S202.当k_min≤k≤k_max时，运用K-均值聚类算法根据T天光伏历史数据集{x₁,x₂,…,x_T}，依次求解得到不同的k所对应的聚类中心Z_k；其具体步骤为：

S2021.根据数据集{x₁,x₂,…,x_T}，任选k个样本作为初始聚类中心(z₁,z₂,…,z_k)；

S2022.对于每个样本x_i以欧式距离为尺度，找到离它最近的聚类中心z_v，并将其划分到以z_v为聚类中心的类别；

S2023.通过将属于相应类别的样本的相应维度求平均的方法计算得到分类后的各类心(z₁,z₂,…,z_k)；

S2024.计算每一个样本x_i和与其最近的聚类中心z_v的平方距离的和D：

S2025.如果D值收敛，则输出聚类中心Z_k＝(z₁,z₂,…,z_k)，否则转至步骤S2022；

S203.根据聚类有效性指标S_k确定最佳聚类数，S_k值越大表示聚类质量越好，其最大值对应的类数k即为最佳聚类数N，最后输出相应的聚类中心Z₀，其中S_k的计算公式为：

其中，l^k _out(i)为当聚类数为k时，样本x_i与类内所有其他样本的平均距离，l^k _in(i)为当聚类数为k时，样本x_i到其他每个类中样本平均距离的最小值。

步骤3：根据步骤S1和步骤S2所确定的负荷需求场景和典型光伏出力场景曲线，基于配电网安全域指标，构建考虑多场景N-1安全约束的含光伏配电网重构数学模型；具体步骤为：

S301.计算含光伏配电网各馈线的N-1安全边界：

式中：b_i为备用电源即馈线编号；S^bi _F,max为馈线容量；S^bi _F为馈线b_i负荷需求；为接在馈线b_i的光伏出力水平；S^bi _T,max为馈线b_i所在主变容量；Φ^(bi)表示该主变的所有馈线的集合；为该主变馈线集合Φ^(bi)的第j条馈线的容量，为接在该馈线上的光伏出力水平；Θ⁽ⁱ⁾表示一组馈线的集合，这些馈线与B_i出自同一主变，且故障后其负荷与B_i转移到同一主变；为该主变馈线集合Θ⁽ⁱ⁾的第k条馈线的容量，为接在该馈线上的光伏出力水平；

S302.由各馈线安全边界计算各条馈线的安全距离，并得到配电网内最小馈线安全距离MSD：

式中，I为馈线总数，SD_i为单条馈线安全距离，表示第i条馈线在N-1约束下能增供的最大功率；当MSD大于0时，表示系统满足N-1安全约束，当MSD小于0时，其绝对值表示任一主变或馈线故障后，可能失去的最大负荷量；

S303.含光伏配电网重构数学模型：

式中：M为所考虑的负荷需求场景数；N为所考虑的典型光伏出力场景数；t为一天不同时刻；Ploss_i,m,n,t为第i条支路在第m种负荷需求场景、V_i,m,n,t为第n种典型光伏出力方式和时刻t的有功损耗、SD_i,m,n,t为电压幅值和安全距离，Ploss_i,m,n,t、V_i,m,n,t和SD_i,m,n,t分别由相应场景相应时刻负荷需求和电源出力经过步骤S302的公式和潮流计算获得；α_n为第n种典型光伏出力场景出现的概率；V_i,min与V_i,max分别表示节点i电压的上下限；G表示网络重构后依然为配电网为辐射状网络。

步骤4：利用遗传算法求解考虑多场景N-1安全约束的含光伏配电网重构数学模型，得到含光伏配电网的最优重构方案，其具体步骤为：

S401.个体编码：对开关状态采用二进制编码方式，0表示闭合，1表示打开；每组互联线路上只有一个打开开关以保证配电网开环运行；将每组互联线路开关集合组成一个基因块，各组互联接线的基因块组成染色体；

S402.适应度函数：以目标函数的倒数作为适应度函数：

首先判断个体是否满足馈线安全距离约束SD_i,min≤SD_i，若不满足则将其适应度令为0，不需要进行潮流计算，以此来提高求解速度，若满足，则进行适应度计算，其中F由步骤S303求得；

S403.基因操作：选择操作在不同遗传算法中差异不大，本文采用常规的轮盘赌选择法。对于交叉操作，规定其只发生在相同位置的基因块之间，并不对其他位置的基因块产生影响。变异操作只发生在基因块内部，随机选取要发生变异的基因块，将块内值为1变为值为0，然后在块内随机选取一位，将其值由1变为0。以上操作使得重构后网络依然保持辐射状，避免了新生群体含有大量不可行解。

S404.最优个体保存策略；在某代个体繁衍结束后，需要对最有个体进行保存策略，即适者生存。在第t+1代时用第t代的最优个体代替当代适应度最低的个体。每代都进行以上操作以提高求解速度；

S405.群体经过若干代进化后，若满足收敛条件，即进化停止并输出最优个体。

实施例

本发明实施例中采用多主变多馈线互联的配电网进行算例分析，不同变电站间或者同一变电站间线路存在联络开关，呈现环网设计、开环运行的特点，如图3所示，其中编号4、14和25是网络初始断开开关，线路和变压器参数如表1所示。其中节点5、节点17和节点29分别接入装机容量为3MW、4MW和4MW的分布式光伏，经过聚类分析确定光伏数据聚类数为5时，S值最大，5种典型光伏场景出力归一化曲线，如图4所示；最大负荷日不同负荷点的负荷有功幅值如表2所示，最小负荷日有功负荷为最大负荷日有功负荷的0.2，功率因数均为0.95，不同时刻的负荷水平按照负荷点的负荷类型选择相应的日负荷变化曲线，仿真用到的五种负荷类型日变化曲线如图5所示。

重构前后其网损、最小安全距离和电压合格率如表3所示。配电网最小安全距离MSD产生于最大负荷日阴天天气下的早上11点，该时刻下重构前后各条馈线的安全距离对比如图6，可见通过配网优化重构能够提高馈线F3的最小安全距离。图7是节点16在最大负荷日不同光伏出力场景下电压水平，其中重构前节点16所在馈线不含光伏电源，重构后光伏电源被转供电节点16所在馈线。

表1节点负荷类型

负荷类型	节点编号
		居民负荷	3、12、14、19、28
农业加工负荷	4、7、11、15、16、17、20、32、29、30
		酒店商业负荷	5、13、18、21、25
工业负荷	22、8、27
		综合负荷	2、9、6、23、31、26

表2最大负荷日有功负荷幅值

表3配电网重构前后相关指标对比

	开关位置	网损率	最小安全距离MSD	电压合格率
					重构前	4-14-25	1.25％	0.880MW	98.54％
重构后	4-13-24	1.02％	1.286MW	100％

由上述图表可以知道：

(1)考虑光伏接入的配网优化重构能够显著降低网损，提高电压合格率和线路安全距离，保证了N-1通过率，经过重构后网损率降低了18.4％，最小安全距离从0.880MW提高到了1.286MW，电压合格率从98.54％达到了100％。

(2)网络的重构将过载线路的一部分负荷转供到较轻载的线路，解决了过载线路的低电压问题同时均衡了负荷在配电网络的分布，也使得更多的负荷就地消纳光伏发电，因此有利于降低网损和提高了网络最小安全距离；

(3)由图7可知，环网组内开环点的选择将会对节点电压水平产生显著的影响，节点16的电压在网络重构前，由于所在馈线负荷较重，其电压存在越下限的风险，但在优化重构后，由于光伏电源的接入，使得其越限风险大大降低。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种考虑多维安全约束的含光伏电源配电网重构方法，其特征在于，包括以下步骤：

S1.采集目标配电网的建模参数，包括线路型号、长度以及多种负荷需求场景下的各负荷点负荷曲线，多种负荷需求场景取为最大负荷日、最小负荷日；

S2.收集目标地区光伏电站出力预设时间T天历史数据，对光伏出力曲线进行聚类分析确定最佳聚类数N，并得到N种典型光伏出力场景的聚类中心Z₀，作为相应出力场景的出力曲线；

S3.根据步骤S1和步骤S2所确定的负荷需求场景和典型光伏出力场景曲线，基于配电网安全域指标，构建考虑多场景N-1安全约束的含光伏配电网重构数学模型；

S4.利用遗传算法求解考虑多场景N-1安全约束的含光伏配电网重构数学模型，得到含光伏配电网的最优重构方案。

2.根据权利要求1所述的一种考虑多维安全约束的含光伏电源配电网重构方法，其特征在于，所述的S2步骤中确定最佳聚类数N，并得到N种典型光伏出力场景的聚类中心Z₀，作为相应出力场景的出力曲线，具体包括：

S201.确定聚类数k的搜索范围[k_min，k_max]，其中k_min＝2，k_max＝int(T^0.5)，int表示向上取整；

S202.当k_min≤k≤k_max时，运用K-均值聚类算法根据T天光伏历史数据集{x₁,x₂,…,x_T}，依次求解得到不同的k所对应的聚类中心Z_k；

S203.根据聚类有效性指标S_k确定最佳聚类数，S_k值越大表示聚类质量越好，其最大值对应的类数k即为最佳聚类数N，最后输出相应的聚类中心Z₀，其中S_k的计算公式为：

其中，l^k _out(i)为当聚类数为k时，样本x_i与类内所有其他样本的平均距离，l^k _in(i)为当聚类数为k时，样本x_i到其他每个类中样本平均距离的最小值。

3.根据权利要求2所述的一种考虑多维安全约束的含光伏电源配电网重构方法，其特征在于，所述的S202步骤具体包括：

S2021.根据数据集{x₁,x₂,…,x_T}，任选k个样本作为初始聚类中心(z₁,z₂,…,z_k)；

S2022.对于每个样本x_i以欧式距离为尺度，找到离它最近的聚类中心z_v，并将其划分到以z_v为聚类中心的类别；

S2023.通过将属于相应类别的样本的相应维度求平均的方法计算得到分类后的各类心(z₁,z₂,…,z_k)；

S2024.计算每一个样本x_i和与其最近的聚类中心z_v的平方距离的和D：

S2025.如果D值收敛，则输出聚类中心Z_k＝(z₁,z₂,…,z_k)，否则转至步骤S2022。

4.根据权利要求1所述的一种考虑多维安全约束的含光伏电源配电网重构方法，其特征在于，所述的S3步骤中构建考虑多场景N-1安全约束的含光伏配电网重构数学模型，具体包括以下步骤：

S301.计算含光伏配电网各馈线的N-1安全边界：

式中：b_i为备用电源即馈线编号；S^bi _F,max为馈线容量；S^bi _F为馈线b_i负荷需求；为接在馈线b_i的光伏出力水平；S^bi _T,max为馈线b_i所在主变容量；Φ^(bi)表示该主变的所有馈线的集合；为该主变馈线集合Φ^(bi)的第j条馈线的容量，为接在该馈线上的光伏出力水平；Θ⁽ⁱ⁾表示一组馈线的集合，这些馈线与B_i出自同一主变，且故障后其负荷与B_i转移到同一主变；为该主变馈线集合Θ⁽ⁱ⁾的第k条馈线的容量，为接在该馈线上的光伏出力水平；

S302.由各馈线安全边界计算各条馈线的安全距离，并得到配电网内最小馈线安全距离MSD：

式中，I为馈线总数，S_i是第i条馈线的负荷功率；SD_i为单条馈线安全距离，表示第i条馈线在N-1约束下能增供的最大功率；当MSD大于0时，表示系统满足N-1安全约束，当MSD小于0时，其绝对值表示任一主变或馈线故障后，可能失去的最大负荷量；

S303.含光伏配电网重构数学模型：

式中：M为所考虑的负荷需求场景数；N为所考虑的典型光伏出力场景数；t为一天不同时刻；I为总支路数；Ploss_i,m,n,t为第i条支路在第m种负荷需求场景、V_i,m,n,t为第n种典型光伏出力方式和时刻t的有功损耗、SD_i,m,n,t为电压幅值和安全距离，Ploss_i,m,n,t、V_i,m,n,t和SD_i,m,n,t分别由相应场景相应时刻负荷需求和电源出力经过步骤S302的公式和潮流计算获得；α_n为第n种典型光伏出力场景出现的概率；V_i,min与V_i,max分别表示节点i电压的上下限；G表示网络重构后依然为配电网为辐射状网络。

5.根据权利要求1所述的一种考虑多维安全约束的含光伏电源配电网重构方法，其特征在于，所述的S4步骤具体包括：

S401.个体编码：对开关状态采用二进制编码方式，0表示闭合，1表示打开；每组互联线路上只有一个打开开关以保证配电网开环运行；将每组互联线路开关集合组成一个基因块，各组互联接线的基因块组成染色体；

S402.适应度函数：以目标函数的倒数作为适应度函数：

首先判断个体是否满足馈线安全距离约束SD_i,min≤SD_i，若不满足则将其适应度令为0，不需要进行潮流计算，以此来提高求解速度，若满足，则进行适应度计算；

S403.基因操作：采用常规的轮盘赌选择法，对于交叉操作，规定其只发生在相同位置的基因块之间，并不对其他位置的基因块产生影响；变异操作只发生在基因块内部，随机选取要发生变异的基因块，将块内值为1变为值为0，然后在块内随机选取一位，将其值由1变为0；

S404.最优个体保存策略；

S405.群体经过若干代进化后，若满足收敛条件，即进化停止并输出最优个体。