CN108418247B - 一种配电网中分布式电源优化配置方法及计算设备 - Google Patents
一种配电网中分布式电源优化配置方法及计算设备 Download PDFInfo
- Publication number
- CN108418247B CN108418247B CN201810241758.2A CN201810241758A CN108418247B CN 108418247 B CN108418247 B CN 108418247B CN 201810241758 A CN201810241758 A CN 201810241758A CN 108418247 B CN108418247 B CN 108418247B
- Authority
- CN
- China
- Prior art keywords
- distributed power
- power supply
- node
- solving
- search
- 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.)
- Active
Links
Images
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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电网中分布式电源优化配置方法及计算设备,该方法包括:分别构建配电网中分布式电源对应的投资成本模型、网损成本模型和购电成本模型;根据所述投资成本模型、网损成本模型和购电成本模型生成分布式电源配置模型,所述分布式电源配置模型关联有相应的约束条件,以实现配电网的总成本最小化;通过全局搜索对所述分布式电源配置模型进行求解,保留性能较优、数量上满足预设的第一比例的搜索结果,所述搜索结果包括求解参数和求解结果;基于各保留的搜索结果进行局部搜索以获取局部最优解,并将求解次数加1;若所述求解次数不小于预设的次数阈值,则将所述局部最优解作为全局最优解,以优化配电网中分布式电源配置。
Description
技术领域
本发明涉及能源电力领域,特别涉及一种配电网中分布式电源优化配置方法及计算设备。
背景技术
分布式电源(distributed generation,DG)是近年来我国电力系统理论和技术研究重点发展方向,通过将分布式电源接入配电网中,能够促进实现对负荷多种能源形式的高可靠供给,是实现主动式配电网的一种有效方式,是传统电网向智能电网的过渡。
目前,在有关分布式电源配置的研究中,通常以配电网损耗最小为优化问题的目标函数,采用遗传算法、蚁群算法等传统主流智能优化算法求解分布式电源的选址和定容。但是,传统算法中变量的设计较为简单,收敛速度不佳,难以保证算法的平衡性,且经过其他方法验证得知优化结果并非最优解,尚有优化空间。
发明内容
为此,本发明提供一种配电网中分布式电源优化配置的技术方案,以力图解决或者至少缓解上面存在的问题。
根据本发明的一个方面,提供一种配电网中分布式电源优化配置方法,适于在计算设备中执行,该方法包括如下步骤:首先,分别构建配电网中分布式电源对应的投资成本模型、网损成本模型和购电成本模型;根据投资成本模型、网损成本模型和购电成本模型生成分布式电源配置模型,分布式电源配置模型关联有相应的约束条件,以实现配电网的总成本最小化;通过全局搜索对分布式电源配置模型进行求解,保留性能较优、数量上满足预设的第一比例的搜索结果,搜索结果包括求解参数和求解结果;基于各保留的搜索结果进行局部搜索以获取局部最优解,并将求解次数加1;若求解次数不小于预设的次数阈值,则将局部最优解作为全局最优解,以优化配电网中分布式电源配置。
可选地,在根据本发明的配电网中分布式电源优化配置方法中,还包括:若求解次数小于次数阈值,则缩小搜索区域,并在新的搜索区域内随机生成数量上满足预设的第二比例的求解参数;将随机生成的各求解参数与保留的各求解参数相结合,通过全局搜索对分布式电源配置模型进行求解,保留性能较优、数量上满足预设的第一比例的搜索结果;基于各保留的搜索结果进行局部搜索以获取局部最优解,并将求解次数加1。
可选地,在根据本发明的配电网中分布式电源优化配置方法中,第一比例与第二比例之和为100%。
可选地,在根据本发明的配电网中分布式电源优化配置方法中,投资成本模型以如下公式确定:
其中,Ci为节点i处的分布式电源的固定投资成本,Wi为节点i处的分布式电源运行检修维护成本,n为节点总数。
可选地,在根据本发明的配电网中分布式电源优化配置方法中,网损成本模型以如下公式确定:
可选地,在根据本发明的配电网中分布式电源优化配置方法中,购电成本模型以如下公式确定:
Tmaxe(L∑new-P∑i)
其中,Tmax为最大年负荷小时数,e为单位电价,L∑new为系统新增负荷量,P∑i为分布式电源的总有功出力。
可选地,在根据本发明的配电网中分布式电源优化配置方法中,分布式电源配置模型以如下公式确定:
其中,F表示配电网的总成本,min表示使总成本F最小,a1、a2和a3分别表示投资成本模型、网损成本模型及购电成本模型对应的权重。
可选地,在根据本发明的配电网中分布式电源优化配置方法中,约束条件包括电网潮流约束和相关电网参数约束。
可选地,在根据本发明的配电网中分布式电源优化配置方法中,电网潮流约束以如下公式确定:
其中,PGi和QGi分别为节点i处的有功发电功率和无功发电功率,PLi和QLi分别为节点i处的有功负荷功率和无功负荷功率,Ui和Uj分别为节点i处和节点j处的电源幅值,Gij和Bij分别为节点i和节点j之间输电线路的电导和电纳,αij为节点i处的电压矢量与节点j处的电压矢量的夹角,n为节点总数。
可选地,在根据本发明的配电网中分布式电源优化配置方法中,相关电网参数约束包括相关电压、电流及分布式电源的容量约束,分别以如下公式确定:
Umin≤Ui≤Umax
|Ii|≤Imax
Pmin≤Pi≤Pmax
其中,Ui为节点i处的电源幅值,Umax和Umin分别为电压最大幅值和电压最小幅值,Ii为节点i处的电流,|·|表示求绝对值,Imax为支路上允许流过的电流的最大值,Pi为节点i处的分布式电源有功出力,Pmax和Pmin分别为分布式电源有功出力的上下限。
根据本发明的又一个方面,提供一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括用于执行根据本发明的配电网中分布式电源优化配置方法的指令。
根据本发明的又一个方面,还提供一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,指令当由计算设备执行时,使得计算设备执行根据本发明的配电网中分布式电源优化配置方法。
根据本发明的配电网中分布式电源优化配置的技术方案,首先构建分布式电源配置模型,该模型包含有最小化分布式电源的固定投资费用、负荷增量与分布式电源出力的相关费用、以及以最小网损和最小常规发电机有功出力为目标的风电机组的惩罚成本三者加权形成的目标函数,以配电系统中电压、电流等为约束条件,通过全局搜索和局部搜索相结合来获取模型的全局最优解。在上述方案中,利用全局搜索求解分布式电源配置模型后,保留性能较优、数量上满足预设的第一比例的搜索结果,搜索结果包括求解参数和求解结果,再基于各保留的搜索结果进行局部搜索以获取局部最优解,并将求解次数加1,若求解次数小于预设的次数阈值,则缩小搜索区域,并在新的搜索区域内随机生成数量上满足预设的第二比例的求解参数,将随机生成的各求解参数与保留的各求解参数相结合,进而继续对分布式电源配置模型进行全局搜索和局部搜索,直至求解次数达到次数阈值,此时将得到的局部最优解作为全局最优解,以优化配电网中分布式电源配置,从而实现了有功网损的降低和投资费用的减少,且求解过程具有较快的收敛速度和较强的局部搜索能力,节约了运行上的时间成本。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明的一个实施例的计算设备100的结构框图;
图2示出了根据本发明的一个实施例的配电网中分布式电源优化配置方法200的流程图;
图3示出了根据本发明的一个实施例的IEEE 69节点配电网系统的示意图;以及
图4示出了根据本发明的一个实施例的遗传算法和本发明方法的优化收敛结果示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1是示例计算设备100的框图。在基本的配置102中,计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置,处理器104可以是任何类型的处理,包括但不限于:微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用,或者在一些实现中,存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置,系统存储器106可以是任意类型的存储器,包括但不限于:易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个程序122以及程序数据124。在一些实施方式中,程序122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。
计算设备100还可以包括有助于从各种接口设备(例如,输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156,它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160,其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块,并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号,它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例,通信介质可以包括诸如有线网络或者专线网络之类的有线介质,以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100可以实现为服务器,例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等,也可以实现为小尺寸便携(或者移动)电子设备的一部分,这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。
在一些实施例中,计算设备100被配置为执行根据本发明的配电网中分布式电源优化配置方法200。其中,计算设备100的一个或多个程序122包括用于执行根据本发明的配电网中分布式电源优化配置方法200的指令。
图2示出了根据本发明一个实施例的配电网中分布式电源优化配置方法200的流程图。配电网中分布式电源优化配置方法200适于在计算设备(例如图1所示的计算设备100)中执行。
如图2所示,方法200始于步骤S210。在步骤S210中,分别构建配电网中分布式电源对应的投资成本模型、网损成本模型和购电成本模型。根据本发明的一个实施例,投资成本模型以如下公式确定:
其中,Ci为节点i处的分布式电源的固定投资成本,Wi为节点i处的分布式电源运行检修维护成本,n为节点总数。
网损成本模型以如下公式确定:
而购电成本模型以如下公式确定:
Tmaxe(L∑new-P∑i) (3)
其中,Tmax为最大年负荷小时数,e为单位电价,L∑new为系统新增负荷量,P∑i为分布式电源的总有功出力。
随后,进入步骤S220,根据投资成本模型、网损成本模型和购电成本模型生成分布式电源配置模型,分布式电源配置模型关联有相应的约束条件,以实现配电网的总成本最小化。根据本发明的一个实施例,结合式(1)、(2)和(3),得出分布式电源配置模型以如下公式确定:
其中,F表示配电网的总成本,min表示使总成本F最小,a1、a2和a3分别表示投资成本模型、网损成本模型及购电成本模型对应的权重。
在该实施方式中,与上述分布式电源配置模型所关联的约束条件包括电网潮流约束和相关电网参数约束。其中,电网潮流约束以如下公式确定:
其中,PGi和QGi分别为节点i处的有功发电功率和无功发电功率,PLi和QLi分别为节点i处的有功负荷功率和无功负荷功率,Ui和Uj分别为节点i处和节点j处的电源幅值,Gij和Bij分别为节点i和节点j之间输电线路的电导和电纳,αij为节点i处的电压矢量与节点j处的电压矢量的夹角,n为节点总数。
而相关电网参数约束包括相关电压、电流及分布式电源的容量约束,分别以如下公式确定:
Umin≤Ui≤Umax (7)
|Ii|≤Imax (8)
Pmin≤Pi≤Pmax (9)
其中,Ui为节点i处的电源幅值,Umax和Umin分别为电压最大幅值和电压最小幅值,Ii为节点i处的电流,|·|表示求绝对值,Imax为支路上允许流过的电流的最大值,Pi为节点i处的分布式电源有功出力,Pmax和Pmin分别为分布式电源有功出力的上下限。
在完成分布式电源配置模型的构建后,在步骤S230中,通过全局搜索对分布式电源配置模型进行求解,保留性能较优、数量上满足预设的第一比例的搜索结果,搜索结果包括求解参数和求解结果。其中,第一比例优选为20%。根据本发明的一个实施例,在进行全局搜索时,可采用粒子群优化算法来对分布式电源配置模型求解。当然,对于上述具体求解算法并不予以限制。
下面对粒子群优化算法先进行一个简要说明。粒子群优化(PSO:Particle SwarmOptimization)算法是一种基于种群的随机优化技术,属于进化算法的一种。粒子群优化算法模仿昆虫、兽群、鸟群和鱼群等的群集行为,这些群体按照一种合作的方式寻找食物,群体中的每个成员通过学习它自身的经验和其他成员的经验来不断改变其搜索模式。和遗传算法相似,粒子群优化算法也是从随机解出发,通过迭代寻找最优解,也是利用适应度来评价解的品质,但它比遗传算法规则更为简单,具有实现容易、精度高、收敛速度快等优点。
对粒子群优化算法来说,每个寻优的问题解都被想象成一只鸟,称为“粒子”。所有粒子都在一个D维空间进行搜索,都由一个适应度函数确定适应度以判断目前的位置好坏。每一个粒子必须赋予记忆功能,能记住所搜寻到的最佳位置,且还有一个速度以决定飞行的距离和方向,这个速度根据粒子本身的飞行经验以及同伴的飞行经验进行动态调整。
在D维空间中,有M个粒子,第m个粒子所经过的历史最佳位置形成的位置集合(pbest)pm为:
(pbest)pm=[pm,1,pm,2,...,pm,D] (10)
其中,pm,1、pm,2、…、pm,D依次表示第m个粒子在第1维、第2维、…、第D维所经过的最佳位置,且1≤m≤M。
对M个粒子形成的粒子群而言,群体所发现的历史最佳位置形成的位置集合(gbest)pg为:
(gbest)pg=[pg,1,pg,2,...,pg,D] (11)
其中,pg,1、pg,2、…、pg,D依次表示该群体在第1维、第2维、…、第D维所经过的最佳位置。
进而,对各粒子的适应值函数进行评价并以如下公式更新各粒子的速度和位置:
vm,d(t+1)=gvm,d(t)+h1k1[pm,d(t)-xm,d(t)]+h2k2[pm,d(t)-xm,d(t)] (12)
xm,d(t+1)=xm,d(t)+vm,d(t+1) (13)
其中,vm,d(t+1)表示t+1时刻(或者理解为第t+1次迭代)第m个粒子在第d维的速度,vm,d(t)表示t时刻(或者理解为第t次迭代)第m个粒子在第d维的速度,pm,d(t)表示t时刻第m个粒子在第d维所经过的最佳位置,g为惯性权因子,h1和h2为学习因子,k1和k2为均匀分布的随机数,其取值范围为[0,1],xm,d(t+1)表示t+1时刻第m个粒子在第d维的位置,xm,d(t)表示t时刻第m个粒子在第d维的位置,1≤d≤D。
由式(12)可知,惯性权因子g决定着粒子上一时刻速度对当前速度的影响。因此,通过合理调节惯性权因子的值有利于准确快速找到最优解。为了改善粒子群优化算法的全局搜索能力,引入了惯性权系数g的自适应处理,使其随粒子目标值变化而变化,表达式如下:
其中,gmax和gmin分别表示最大和最小惯性权因子,f表示粒子的当前目标函数值,fmin和favg分别表示粒子的最小和平均目标值。
在该实施方式中,在进行全局搜索对分布式电源配置模型求解时,首先通过粒子群优化算法,随机生成初始种群。由于配电网中含有风电机组接入的分布式电源,为便于理解,此处对风电机组的输出功率模型先予以说明。
风电机组的输出功率主要取决于风速,由于风资源具有随机性,因此由风速变量进行特定转换而成的风电机组输出功率也可以视为随机变量。目前针对风速的研究认为风速具有统计特征,呈现正偏态分布,考虑风速的大小及其不确定性对风机出力的影响,传统方法采用威布尔分布建模,刻画描述风速的不确定性。风机输出功率的概率密度函数function(Pwind)以如下公式确定:
其中,Pwind表示风机输出功率,a=Prvci/(vci-vr),b=Pr/(vr-vci),Pr为风机额定功率,vci为风机切入风速,vr为风机额定风速,K为形状参数,C为尺度参数。
假设不考虑机组内部的各种非线性情况及损耗,在k时段风电机组的发电功率可以表示如下:
其中,Pwind(k)为k时段风电机组的发电功率,和分别为风电机组最大和最小发电功率,Prate为风电机组的额定输出功率,vw(k)为k时段的风速,vin和vout分别为切入和切出风速,vrate为额定风速。
此时,选择种群中的第一个粒子进行初始化,基于普通的概率密度函数随机生成风速大小,然后用式(17)计算风电机组的发电功率,进而根据式(15)获取对应的概率。用式(4)计算配电网的总成本,得到当前的成本总额。继而,检验约束条件,即式(5)~(9),若有一个条件没有满足,从移除当前选中的粒子,并继续进行全局搜索,否则,总成本就会被重复记录。待全局搜索完成后,保留性能较优、数量上满足20%的搜索结果,这里的搜索结果即为粒子,换言之就是保留群体中性能最好的20%的粒子,搜索结果中的求解参数可理解为粒子在本次求解过程中的最佳位置,而求解结果可以理解为粒子在本次求解过程中的适应度,或者说是目标函数值,即式(4)的值。
接下来,在步骤S240中,基于各保留的搜索结果进行局部搜索以获取局部最优解,并将求解次数加1。其中,求解次数初始化为0。根据本发明的一个实施例,在进行局部搜索时,可采用混沌优化算法来进一步对分布式电源配置模型求解。当然,对于上述具体求解算法并不予以限制。
下面对混沌优化算法先进行简要说明。混沌优化算法是一种直接搜索优化算法,通过引入混沌变量并按混沌运动的自身规律进行在允许解空间内进行搜索的方式进行求解,具有计算稳定、搜索效率高、具备全局搜索能力、不需要目标函数和约束条件连续、可微等限制条件等优势,多用于处理复杂优化问题,能使搜索过程避免陷入局部极小值,直至最终获得全局最优解。
混沌是一种似无规则、似随机的现象,并不是出于混乱状态,而是有着精致的内在结构。混沌是非线性动力学系统在一定形式下变出出来的运动形式,是系统在非平衡过程中产生的随机行为。混沌变量在搜索优化时最为常用的模型为Logistic模型,其方程为:
sq+1=λsq(1-sq) (18)
其中,sq+1表示第q+1次映射时生成的值,sq表示第q次映射时生成的值,λ为Logistic参数,取值范围是[0,4],当λ取值为4时,系统处于完全混沌状态。
假设所求优化问题的描述如下:
其中,f′(S)f(S)表示与变量S相关的目标函数,R1(S)和R2(S)为约束函数,则混沌优化算法在求解最优化问题时的步骤描述如下:
1)初始化:设定控制误差ε,给定初始混沌向量s0,令q=0;
2)将混沌变量sq映射到sq+1=λsq(1-sq):初始时q=0,则s1=4s0(1-s0),令s*=s1,f*=f′(s1),s*和f*分别表示最优解及最优解所对应的目标函数值;
3)利用混沌变量进行迭代搜索,得出sq+1和f′(sq+1),若|f′(sq+1)-f′(sq)|<ε,则s*=sq,f*=f′(sq),结束搜索,否则转向步骤4);
4)令q=q+1,转向步骤3)继续循环。
在该实施方式中,在进行局部搜索对分布式电源配置模型求解时,首先通过混沌优化算法,对保留下来的粒子进行混沌局部搜索,以更新各粒子的最佳位置及群体最佳位置,将群体最佳位置作为局部最优解,并将求解次数加1。此时,求解次数为59+1=60。
最后,执行步骤S250,若求解次数不小于预设的次数阈值,则将局部最优解作为全局最优解,以优化配电网中分布式电源配置。根据本发明的一个实施例,次数阈值为60,从步骤S240可知,求解次数为60,刚好等于次数阈值,满足求解次数不小于次数阈值的前提,则将步骤S240中得到的局部最优解作为全局最优解,以实现配电网中分布式电源配置的优化。
此外,考虑到求解次数小于次数阈值的情形,根据本发明的又一个实施例,若求解次数小于次数阈值,则缩小搜索区域,并在新的搜索区域内随机生成数量上满足预设的第二比例的求解参数,将随机生成的各求解参数与保留的各求解参数相结合,通过全局搜索对分布式电源配置模型进行求解,保留性能较优、数量上满足预设的第一比例的搜索结果,再基于各保留的搜索结果进行局部搜索以获取局部最优解,并将求解次数加1。
在该实施方式中,第一比例与第二比例之和为100%。由上可知,第一比例为20%,则第二比例为100%-20%=80%。当前的求解次数为15,小于次数阈值60,进而缩小搜索区域,并在新的搜索区域内随机生成数量为原搜索结果总数的80%的求解参数,将随机生成的各求解参数与保留的各求解参数相结合,通过全局搜索对分布式电源配置模型进行求解,保留性能较优、数量上满足20%的搜索结果,基于各保留的搜索结果进行局部搜索以获取局部最优解,并将求解次数加1。此时,求解次数为15+1=16。
上述求解过程可以这样理解,当求解次数小于次数阈值时,先缩小搜索区域,在新的搜索区域随机生成数量为原群体粒子总数的80%的新粒子,将生成的新粒子与之前保留的粒子形成新的群体,通过全局搜索对分布式电源配置模型进行求解,保留群体中性能最好的20%的粒子,再基于各保留的粒子进行局部搜索以获取局部最优解,并将求解次数加1。换言之,若求解次数未达到次数阈值,则需要执行如上循环处理直至求解次数等于次数阈值为止。一旦求解次数不小于次数阈值,则跳转至步骤S250。
为验证上述配置优化方案,在MATLAB环境下对IEEE69节点配电系统进行分析验证,图3示出了根据本发明的一个实施例的IEEE 69节点配电网系统的示意图。如图3所示,设置配电网中各节点的负荷类型为工业负荷(节点1-节点17)、农业负荷(节点18-节点35)、商业负荷(节点36-节点52)与市政生活负荷(节点53-节点69)四种,依据四种负荷各自的时序特性,按照优先满足重要负荷、优先满足容量较大的负荷点及优先满足用户数较大的负荷的原则,将分布式电源接入该配电网,具体接入点接入分布式电源情况见表1。
表1
参数设置如下:
h1=h2=2.0,gmax=1.2,gmin=0.2,Pr=2;
vin=5米/秒,vrate=15米/秒,vout=45米/秒;
C=15,K=1,b=4.0;
a1=0.4,a2=0.3,a3=0.3。
取初始种群大小为100,假设待选单个含风电的分布式电源容量小于所安装节点的负荷,单个分布式电源功率因数为0.8,分布式电源节点安装比例不超过系统总容量的15%。
将设置的参数代入MATLAB程序代码中进行运算分析。图4示出了根据本发明的一个实施例的遗传算法和本发明方法的优化收敛结果示意图。如图4所示,在配电网重要负荷节点中接入了分布式电源,可以减少节点间的有功和无功流动,优化系统潮流,降低配电网系统的运行费用以及分布式电源的投资费用,并使整个系统的负荷-功率输出更加平衡,显著提升系统的稳定性和安全性。
进一步的,表2示出了根据本发明的一个实施例的不同算法下IEEE69节点配电网的仿真结果,具体为:
表2
如表2所示,采用本发明方法及分布式电源接入前系统的有功网损分别为158.432千瓦和275.087千瓦,可见,采用本发明方法优化后的有功网损下降了42.40%。与遗传算法相比,其优势主要体现在有功网损更小、投资费用更少,并且收敛较块、局部搜索能力较强、运行时间较少。
现有的配电网中分布式电源优化配置方法中变量设计简单,收敛速度较慢,且经过其他方法验证得知优化结果并非最优解,尚有优化空间。根据本发明实施例的配电网中分布式电源优化配置的技术方案,首先构建分布式电源配置模型,该模型包含有最小化分布式电源的固定投资费用、负荷增量与分布式电源出力的相关费用、以及以最小网损和最小常规发电机有功出力为目标的风电机组的惩罚成本三者加权形成的目标函数,以配电系统中电压、电流等为约束条件,通过全局搜索和局部搜索相结合来获取模型的全局最优解。在上述方案中,利用全局搜索求解分布式电源配置模型后,保留性能较优、数量上满足预设的第一比例的搜索结果,搜索结果包括求解参数和求解结果,再基于各保留的搜索结果进行局部搜索以获取局部最优解,并将求解次数加1,若求解次数小于预设的次数阈值,则缩小搜索区域,并在新的搜索区域内随机生成数量上满足预设的第二比例的求解参数,将随机生成的各求解参数与保留的各求解参数相结合,进而继续对分布式电源配置模型进行全局搜索和局部搜索,直至求解次数达到次数阈值,此时将得到的局部最优解作为全局最优解,以优化配电网中分布式电源配置,从而实现了有功网损的降低和投资费用的减少,且求解过程具有较快的收敛速度和较强的局部搜索能力,节约了运行上的时间成本。
A9.如A8所述的方法,所述电网潮流约束以如下公式确定:
其中,PGi和QGi分别为节点i处的有功发电功率和无功发电功率,PLi和QLi分别为节点i处的有功负荷功率和无功负荷功率,Ui和Uj分别为节点i处和节点j处的电源幅值,Gij和Bij分别为节点i和节点j之间输电线路的电导和电纳,αij为节点i处的电压矢量与节点j处的电压矢量的夹角,n为节点总数。
A10.如A8或9所述的方法,所述相关电网参数约束包括相关电压、电流及分布式电源的容量约束,分别以如下公式确定:
Umin≤Ui≤Umax
|Ii|≤Imax
Pmin≤Pi≤Pmax
其中,Ui为节点i处的电源幅值,Umax和Umin分别为电压最大幅值和电压最小幅值,Ii为节点i处的电流,|·|表示求绝对值,Imax为支路上允许流过的电流的最大值,Pi为节点i处的分布式电源有功出力,Pmax和Pmin分别为分布式电源有功出力的上下限。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间,以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外,所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的配电网中分布式电源优化配置方法。
以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (11)
1.一种配电网中分布式电源优化配置方法,适于在计算设备中执行,所述方法包括:
分别构建配电网中分布式电源对应的投资成本模型、网损成本模型和购电成本模型;
根据所述投资成本模型、网损成本模型和购电成本模型生成分布式电源配置模型,所述分布式电源配置模型关联有相应的约束条件,以实现配电网的总成本最小化;
通过全局搜索对所述分布式电源配置模型进行求解,保留性能较优、数量上满足预设的第一比例的搜索结果,所述搜索结果包括求解参数和求解结果,所述通过全局搜索对所述分布式电源配置模型进行求解包括:采用粒子群优化算法对分布式电源配置模型求解,并引入惯性权系数g的自适应处理,使其随粒子目标值变化而变化,表达式如下:
其中,gmax和gmin分别表示最大和最小惯性权因子,f表示粒子的当前目标函数值,fmin和favg分别表示粒子的最小和平均目标值;
基于各保留的搜索结果进行局部搜索以获取局部最优解,采用混沌优化算法对所述粒子群优化算法保留下来的粒子进行混沌局部搜索,以更新各粒子的最佳位置及群体最佳位置,将所述群体最佳位置作为局部最优解,并将求解次数加1;
若所述求解次数不小于预设的次数阈值,则将所述局部最优解作为全局最优解,以优化配电网中分布式电源配置;
其中,所述网损成本模型以如下公式确定:
2.如权利要求1所述的方法,还包括:
若所述求解次数小于所述次数阈值,则缩小搜索区域,并在新的搜索区域内随机生成数量上满足预设的第二比例的求解参数;
将随机生成的各求解参数与保留的各求解参数相结合,通过全局搜索对所述分布式电源配置模型进行求解,保留性能较优、数量上满足预设的第一比例的搜索结果;
基于各保留的搜索结果进行局部搜索以获取局部最优解,并将求解次数加1。
3.如权利要求2所述的方法,所述第一比例与第二比例之和为100%。
5.如权利要求4所述的方法,所述购电成本模型以如下公式确定:
Tmaxe(L∑new-P∑i)
其中,Tmax为最大年负荷小时数,e为单位电价,L∑new为系统新增负荷量,P∑i为分布式电源的总有功出力。
7.如权利要求6所述的方法,所述约束条件包括电网潮流约束和相关电网参数约束。
9.如权利要求7所述的方法,所述相关电网参数约束包括相关电压、电流及分布式电源的容量约束,分别以如下公式确定:
Umin≤Ui≤Umax
|Ii|≤Imax
Pmin≤Pi≤Pmax
其中,Ui为节点i处的电源幅值,Umax和Umin分别为电压最大幅值和电压最小幅值,Ii为节点i处的电流,|Ii|表示求绝对值,Imax为支路上允许流过的电流的最大值,Pi为节点i处的分布式电源有功出力,Pmax和Pmin分别为分布式电源有功出力的上下限。
10.一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至9所述的方法中的任一方法的指令。
11.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至9所述的方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810241758.2A CN108418247B (zh) | 2018-03-22 | 2018-03-22 | 一种配电网中分布式电源优化配置方法及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810241758.2A CN108418247B (zh) | 2018-03-22 | 2018-03-22 | 一种配电网中分布式电源优化配置方法及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108418247A CN108418247A (zh) | 2018-08-17 |
CN108418247B true CN108418247B (zh) | 2020-09-15 |
Family
ID=63132175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810241758.2A Active CN108418247B (zh) | 2018-03-22 | 2018-03-22 | 一种配电网中分布式电源优化配置方法及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108418247B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109361237B (zh) * | 2018-11-30 | 2022-01-18 | 国家电网公司西南分部 | 基于改进混合粒子群算法的微电网容量优化配置方法 |
CN116339899B (zh) * | 2023-05-29 | 2023-08-01 | 内江师范学院 | 一种基于人工智能的桌面图标的管理方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104184172B (zh) * | 2014-06-13 | 2017-03-15 | 西华大学 | 一种微电网能量控制方法、gpu处理器及系统 |
CN104037776B (zh) * | 2014-06-16 | 2016-08-24 | 国家电网公司 | 随机惯性因子粒子群优化算法的电网无功容量配置方法 |
-
2018
- 2018-03-22 CN CN201810241758.2A patent/CN108418247B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108418247A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep reinforcement learning: Framework, applications, and embedded implementations | |
CN112286677B (zh) | 一种面向资源受限边缘云的物联网应用优化部署方法 | |
CN107147116B (zh) | 一种风电投资规划的优化方法、装置及计算设备 | |
Qu et al. | Chicken swarm optimization based on elite opposition‐based learning | |
CN108390393B (zh) | 配电网多目标无功优化方法及终端设备 | |
Sirjani et al. | Heuristic optimization techniques to determine optimal capacitor placement and sizing in radial distribution networks: a comprehensive review | |
CN108418247B (zh) | 一种配电网中分布式电源优化配置方法及计算设备 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN114741955A (zh) | 一种基于安全云的多目标优化任务调度方法 | |
CN116242383A (zh) | 一种基于增强哈里斯鹰算法的无人车路径规划方法 | |
CN111461443A (zh) | 风电场的优化设计方法、系统、电子设备和存储介质 | |
Wang et al. | Hybrid of comprehensive learning particle swarm optimization and SQP algorithm for large scale economic load dispatch optimization of power system | |
CN111370074A (zh) | 一种分子序列的生成方法、装置和计算设备 | |
CN113256118A (zh) | 一种家庭智能用电设备运行优化方法、系统及设备 | |
Chen et al. | Modified antipredatory particle swarm optimization for dynamic economic dispatch with wind power | |
Teshome et al. | An improved distribution system reconfiguration using hybrid GA with PSO | |
Pappala et al. | Power system optimization under uncertainties: A PSO approach | |
CN114583714A (zh) | 电力系统无功优化控制参数求解方法、系统、设备及介质 | |
CN109754108A (zh) | 基于变加速度系数混沌粒子群的机组经济负荷分配方法 | |
Jiang et al. | A hybrid algorithm of harmony search and simulated annealing for multiprocessor task scheduling | |
Liu et al. | Location and capacity determination of energy storage system based on improved whale optimization algorithm | |
Kong3d et al. | Parallel Seagull Optimization Algorithm for Application in Distribution Network Reactive power optimization | |
CN104573813A (zh) | 一种基于运行过程中历史信息自适应的人工蜂群优化方法 | |
CN114123258B (zh) | 一种风光储容量配置并行优化方法及系统 | |
CN117931413B (zh) | 一种测控系统实时任务调度方法、装置及电子设备 |
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 |