CN109038653A - 一种追求分散式风电高效消纳的配电网优化运行方法 - Google Patents
一种追求分散式风电高效消纳的配电网优化运行方法 Download PDFInfo
- Publication number
- CN109038653A CN109038653A CN201810788385.0A CN201810788385A CN109038653A CN 109038653 A CN109038653 A CN 109038653A CN 201810788385 A CN201810788385 A CN 201810788385A CN 109038653 A CN109038653 A CN 109038653A
- Authority
- CN
- China
- Prior art keywords
- power
- optimal
- formula
- objective function
- distribution network
- 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.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 63
- 238000009826 distribution Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 230000029087 digestion Effects 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 7
- 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
- 238000013461 design Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H02J3/386—
-
- 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
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种追求分散式风电高效消纳的配电网优化运行方法,充分利用分散式风电的功率调节能力,提高了配电网对分散式风力发电的消纳能力,节省了无功补偿设备的投入;与现有普遍以经济性为目标的主动配电系统优化调度模型相比,以分散式风电高效消纳为优化目标代替系统运行经济性目标,并加入了电压质量提升目标,建立了多目标的优化调度模型。
Description
技术领域
本发明属于配系统的运行控制方法技术领域,具体涉及一种追求分散式风电高效消纳的配电网优化运行方法。
背景技术
近年来,受到化石能源短缺、环境污染等社会问题的驱使,绿色清洁、可再生的风电资源得到了迅速发展。而我国风电属于资源导向型,远离负荷中心,且具有大规模、少业主、高度分散的缺陷,因此分散式风电的作用日益突出。分散式风电场接入配电网后,传统配电网转变为含多DWP的有源网络[1],风能的波动性、不确定性将会给配电网中潮流分布、电压稳定以及网络损耗等产生较大的影响,可能给电网经济、安全运行造成不利影响。为此,有必要在保证配电网安全运行的前提下,充分提高分散式风电消纳能力。
分散式风电场接入配电网后,传统配电网转变为含多DWP的有源网络,风能的波动性、不确定性将会给配电网中潮流分布、电压稳定以及网络损耗等产生较大的影响,可能给电网经济、安全运行造成不利影响。为此,有必要在保证配电网安全运行的前提下,充分提高分散式风电消纳能力。
近年来,有学者陆续对分散式风电接入配电网进行了研究,提出了很多分散式风电并网后的配电网优化方法。。这些研究内容大多涉及含DWP的配电网无功优化控制。其中,有专家以复仿射区间潮流为基础,建立了有源配电网区间多目标无功优化的数学模型。部分学者建立了以风电消纳电量最大和系统运行成本最小为目标的源荷协调多目标优化模型,并采用多目标差分算法进行求解。还有学者采用拉丁超立方采样产生多个场景,利用Cholesky分解排序法对生成的场景进行排序,获得计及多个风电机组出力相关性的多个场景,并以有功网损的期望值最小作为优化目标,以节点电压、支路功率以及电容器投切组数作为约束条件,建立基于多场景分析法的含多个风电机组的配电网无功优化模型。
随着各类可再生能源发电的大力发展和配电网网架结构的增强,接入配电网的分散式电源趋向多元化发展,已有学者开始了面向各类分散式电源并网的最优潮流和优化调度的研究。这些研究中的优化目标包括运行成本目标、网络损耗目标以及负荷满意度目标等,求解优化数学模型的方法也多种多样,传统的线性规划法、非线性规划法、牛顿法和内点法等算法对求解含有离散变量、多目标问题存在一定的局限性,近年来,遗传算法、粒子群优化算法、禁忌搜索算法等智能优化算法的出现弥补了这一缺点,并在分散式风电优化领域中得到了广泛运用。
上述研究从不同的角度和方法提出了分散式风电接入配电网的优化运行策略,取得了显著的效果。然而,多数研究仅考虑了对无功功率进行调控,并未考虑分散式风电的消纳问题,而且其中一些研究并没有充分利用风机自身的无功功率。因此,研究一种考虑分散式风电并网点电压质量的数学模型,实现了风电资源的高效消纳具有重要意义。
发明内容
本发明的目的在于提供一种追求分散式风电高效消纳的配电网优化运行方法,能够充分利用分散式风电自身的无功功率以及分散式风电消纳能力不足的缺点。
本发明的技术方案为,一种追求分散式风电高效消纳的配电网优化运行方法,具体按照以下步骤实施:
步骤1、设计并网点电压质量提升目标函数、风电高效消纳目标函数,构建双目标配电网优化运行模型,通过带权极小模评价函数组合两个目标函数,转化为单目标函数,即为最优目标函数值;
步骤2、改进基本粒子群算法;
步骤3、根据初始化个体公式生成N个初始个体,将每个个体当做一个粒子群,初始化粒子群算法中各参数,包括最大迭代次数、粒子速度范围、学习因子;
步骤4、对初始粒子群进行潮流计算,求解初始粒子群中每个粒子的最优目标函数值,通过比较得出所有粒子中的最优的最优目标函数值,并将最优目标函数值所在粒子信息赋值给局部最优pbest;
步骤5、更新粒子的速度和位置;
步骤6、对更新后的粒子群进行潮流计算,得到最优目标函数值,比较最优目标函数值与局部最优pbest,选出最优pbest;
步骤7、判断是否当更新达到最大迭代次数时,未达到最大迭代次数时,执行步骤5,达到最大迭代次数时,输出最优pbest,将最优pbest对应粒子位置赋值给gbest,即各风场有功出力值P和无功出力值Q,此即为分散式风电场的最优运行方案。
步骤1并网点电压质量提升目标函数为:
式(1)中,F1即为ΔUMCC,表示基于MCC的电压质量指标;N为主动配电系统节点数;k表示调度周期可划分的单位调度阶段数;ΔUi表示第i个节点的电压偏差;dU表示最大允许电压偏差量;Gσ表示MCC的核函数;σ表示核函数的核宽度,通常取为常数1;函数g由式(2)计算:
风电高效消纳目标函数为:
在风电高效消纳目标函数式(3)中,Pg为第g个分散式风电场输出的有功出力,ωk为有功出力系数,Δt为单位阶段的时间。
步骤1双目标配电网优化运行模型包括潮流约束、节点电压约束、风电场有功功率和无功功率调节范围;
潮流约束方程为:
式(4)中,Pi、Qi分别为节点i注入的有功、无功功率;Ui、Uj为节点i和j的电压幅值;Gij、Bij为节点导纳矩阵的实部和虚部;θij为线路ij两端的相角差;
节点电压约束方程为:
Ui表示节点i处的电压幅值,和分别表示节点i处电压的最小值和最大值;
风电场有功功率和无功功率调节范围:
式(6)中,Pg(t)、Qg(t)分别表示t时刻第i个风电场的有功和无功功率;分别表示第i个风电场所能提供的有功功率的范围;分别表示第i个风电场无功调节的范围。
步骤1带权极小模评价函数为:
式(7)中,ω1和ω2分别为优化模型中电压质量和风电消纳子目标的权重,且满足ω1+ω2=1;F1 *和F2 *分别为两个优化子目标的理想点。
步骤2改进基本粒子群算法包括改进权重系数ω和加入扰动量;
改进权重系数ω过程为:设定在t时刻,第k次迭代的惯性权重系数改进公式为:
式(8)中,kmax表示最大迭代次数;k表示当前迭代次数;ωmin表示初始惯性权重;ωmax代表终止惯性权重;
加入扰动量对粒子群算法进行改进公式如下:
式(9)中,Pg分别是加入扰动量前后粒子群所处位置;η为服从标准正态分布的随机变量。
步骤3初始化个体公式为:
式(10)中,表示第i个个体中第d维控制变量;xd.max和xd.min分别表示第d维控制变量的上下限;random(0,1)表示(0,1)之间的随机数。
步骤5更新粒子的速度公式为:
更新粒子的位置公式为:
i为粒子数,k是迭代次数,是当前粒子的位置,是当前迭代次数中i粒子的速度,c1和c2分别是学习因子,Pi是粒子群的个体极值。
步骤6具体过程为:
对更新后的粒子群进行潮流计算,得到最优目标函数值,比较最优目标函数值与局部最优pbest;
若最优目标函数值优于局部最优pbest,则用最优目标函数值赋予最优pbest;
若最优目标函数值不优于局部最优pbest,执行步骤7。
本发明的有益效果是,
1)充分利用分散式风电的功率调节能力,提高了配电网对分散式风力发电的消纳能力,节省了无功补偿设备的投入;
2)与现有普遍以经济性为目标的主动配电系统优化调度模型相比,以分散式风电高效消纳为优化目标代替系统运行经济性目标,并加入了电压质量提升目标,建立了多目标的优化调度模型。
附图说明
图1是本发明一种追求分散式风电高效消纳的配电网优化运行方法流程图;
图2是本发明方法用于实例的配电系统示意图;
图3是本发明方法所使用的三个风场的原始出力曲线图;
图4是本发明方法中所使用的典型日负荷变化曲线;
图5是本发明方法中用于对比的典型节点有功出力变化图;
图6是本发明方法中用于对比的典型节点电压变化图;
图7是本发明方法用于实例的优化后电压变化图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种追求分散式风电高效消纳的配电网优化运行方法,在现有配电网的优化调度不能充分利用分散式风电发电的背景下,提出了考虑分散式风电高效消纳的配电网优化方法,以优化周期内电压质量提升、可再生能源高效消纳为目标,建立了分散式风电并网多目标优化调度模型,将改进的粒子群(Particle Swarm Optimization,PSO)算法用于建立的优化调度模型求解,得到配电网优化方法,并通过扩展的IEEE33节点系统对该方法进行大量测试。如图1所示,具体按照以下步骤实施:
步骤1、设计并网点电压质量提升目标函数、风电高效消纳目标函数,构建双目标配电网优化运行模型,通过带权极小模评价函数组合两个目标函数,转化为单目标函数,即为最优目标函数;
并网点电压质量提升目标函数为:
式(1)中,F1即为ΔUMCC,表示基于MCC的电压质量指标;N为主动配电系统节点数;k表示调度周期可划分的单位调度阶段数;ΔUi表示第i个节点的电压偏差;dU表示最大允许电压偏差量;Gσ表示MCC的核函数;σ表示核函数的核宽度,通常取为常数1;函数g由式(2)计算:
风电高效消纳目标函数为:
在风电高效消纳目标函数式(3)中,Pg为第g个分散式风电场输出的有功出力,ωk为有功出力系数,Δt为单位阶段的时间。
双目标配电网优化运行模型包括潮流约束、节点电压约束、风电场有功功率和无功功率调节范围;
潮流约束方程为:
式(4)中,Pi、Qi分别为节点i注入的有功、无功功率;Ui、Uj为节点i和j的电压幅值;Gij、Bij为节点导纳矩阵的实部和虚部;θij为线路ij两端的相角差;
节点电压约束方程为:
Ui表示节点i处的电压幅值,和分别表示节点i处电压的最小值和最大值;
风电场有功功率和无功功率调节范围:
式(6)中,Pg(t)、Qg(t)分别表示t时刻第i个风电场的有功和无功功率;分别表示第i个风电场所能提供的有功功率的范围;分别表示第i个风电场无功调节的范围。
带权极小模评价函数为:
式(7)中,ω1和ω2分别为优化模型中电压质量和风电消纳子目标的权重,且满足ω1+ω2=1;F1 *和F2 *分别为两个优化子目标的理想点。
步骤2、改进基本粒子群算法;
改进基本粒子群算法包括改进权重系数ω和加入扰动量;
改进权重系数ω过程为:设定在t时刻,第k次迭代的惯性权重系数改进公式为:
式(8)中,kmax表示最大迭代次数;k表示当前迭代次数;ωmin表示初始惯性权重;ωmax代表终止惯性权重;
加入扰动量对粒子群算法进行改进公式如下:
式(9)中,Pg分别是加入扰动量前后粒子群所处位置;η为服从标准正态分布的随机变量。
步骤3、根据初始化个体公式生成N个初始个体,将每个个体当做一个粒子群,初始化粒子群算法中各参数,包括最大迭代次数、粒子速度范围、学习因子;
初始化个体公式为:
式(10)中,表示第i个个体中第d维控制变量;xd.max和xd.min分别表示第d维控制变量的上下限;random(0,1)表示(0,1)之间的随机数。
步骤4、对初始粒子群进行潮流计算,求解初始粒子群中每个粒子的最优目标函数值,通过比较得出所有粒子中的最优的最优目标函数值,并将最优目标函数值所在粒子信息赋值给局部最优pbest。
步骤5、更新粒子的速度和位置;
更新粒子的速度公式为:
更新粒子的位置公式为:
i为粒子数,k是迭代次数,是当前粒子的位置,是当前迭代次数中i粒子的速度,c1和c2分别是学习因子,Pi是粒子群的个体极值。
步骤6、对更新后的粒子群进行潮流计算,得到最优目标函数值,比较最优目标函数值与局部最优pbest,选出最优pbest;
具体过程为:
对更新后的粒子群进行潮流计算,得到最优目标函数值,比较最优目标函数值与局部最优pbest;
若最优目标函数值优于局部最优pbest,则用最优目标函数值赋予最优pbest;
若最优目标函数值不优于局部最优pbest,执行步骤7。
步骤7、判断是否当更新达到最大迭代次数时,未达到最大迭代次数时,执行步骤5,达到最大迭代次数时,输出最优pbest,将最优pbest对应粒子位置赋值给gbest,即各风场有功出力值P和无功出力值Q,此即为分散式风电场的最优运行方案。
实施例
选用扩展的IEEE33节点系统为例进行仿真测试,如图2所示,接入配电网中的分散式风电共3个,其接入位置及对应的参数如表1所示。该算例以24小时为一个优化周期,分散式风电的有功出力曲线及单位调度时长为15分钟的负荷波动曲线分别如图3和图4所示。
表1接入位置及对应的参数
设定算法参数。考虑到当粒子数N取值过小时,算法不需要进行过多适应度评价,计算速度较快,但是粒子群多样性不够,很容易陷入局部收敛;当N值过大时,算法的可靠性增加了,但需要的适应度评价函数会增加,使得计算时间大为增大。因此,经过综合考虑,粒子数目N设定为24。粒子长度设定为6,分别包含了三个分散式风电场的有功功率及无功功率。算法的终止条件设定为达到最大迭代次数。
生成初始的粒子群,主要根据具体实施方式中的步骤4所述的原则进行设置。通过步骤5中潮流计算结合目标函数式(1)和式(3)求得优化目标的初始解,并将其设定为最优值。
按照步骤6中的具体方法,对求解得出的目标函数进行比较,选取最优值,然后采用步骤7的方式,对粒子进行更新迭代,完成粒子速度和位置的更新。
按照上述步骤所述进行迭代搜索,当达到设置好的终止条件时,输出最优解,即三个分散式风电的有功功率和无功功率,以及各个节点的电压质量情况。
对优化运行方案的电压质量优化效果进行分析,对优化运行方案的电压质量优化效果进行分析,图5所示为优化前后18号节点所接风电的有功出力值,可以看出,优化后风电的有功出力有了显著提升。如图6所示为未单位功率因数接入后典型节点的电压曲线,图7为优化后的各节点电压。从图6和图7中可以看出,凌晨0:00至11:00时,负荷较小,且风场出力较大,当分散式风电以单位功率因数接入时,由于风场出力较大,且负荷较轻,导致各接入点产生过电压现象,若考虑对配电网节点电压进行限制时,虽然节点电压满足安全性要求,但是必然会对风电场进行限电。当采用本方案优化运行模型后,可以看到节点电压均处于合格范围内。当处于13:00至20:00时,负荷较大,且风场出力较小,从图中可以看出,分散式风电以单位功率因数接入配电网时,由于风电场出力小,不足以支撑配电系统中的负荷,产生低电压现象。而本文优化运行模型首先通过无功输出来调节电压,使得电压负荷0.95p.u.~1.05p.u.之间。
对优化运行方案的分散式风电高效消纳的优化效果进行分析,对比采用优化方案前后的分散式风电利用指标如表2所示。由表2可以看出,采用优化运行方案,分散式风电接入配网后,有功消纳能力得到了显著提升。
表2优化前后的分散式风电消纳情况对比
通过上述方式,本发明一种追求分散式风电高效消纳的配电网优化运行方法,充分利用分散式风电的功率调节能力,提高了配电网对分散式风力发电的消纳能力,节省了无功补偿设备的投入;与现有普遍以经济性为目标的主动配电系统优化调度模型相比,以分散式风电高效消纳为优化目标代替系统运行经济性目标,并加入了电压质量提升目标,建立了多目标的优化调度模型。
Claims (8)
1.一种追求分散式风电高效消纳的配电网优化运行方法,其特征在于,具体按照以下步骤实施:
步骤1、设计并网点电压质量提升目标函数、风电高效消纳目标函数,构建双目标配电网优化运行模型,通过带权极小模评价函数组合两个目标函数,转化为单目标函数,即为最优目标函数;
步骤2、改进基本粒子群算法;
步骤3、根据初始化个体公式生成N个初始个体,将每个个体当做一个粒子群,初始化粒子群算法中各参数,包括最大迭代次数、粒子速度范围、学习因子;
步骤4、对初始粒子群进行潮流计算,求解初始粒子群中每个粒子的最优目标函数值,通过比较得出所有粒子中的最优的最优目标函数值,并将最优目标函数值所在粒子信息赋值给局部最优pbest;
步骤5、更新粒子的速度和位置;
步骤6、对更新后的粒子群进行潮流计算,得到最优目标函数值,比较最优目标函数值与局部最优pbest,选出最优pbest;
步骤7、判断是否当更新达到最大迭代次数时,未达到最大迭代次数时,执行步骤5,达到最大迭代次数时,输出最优pbest,将最优pbest对应粒子位置赋值给gbest,即各风场有功出力值P和无功出力值Q,此即为分散式风电场的最优运行方案。
2.根据权利要求1所述一种追求分散式风电高效消纳的配电网优化运行方法,其特征在于,步骤1所述并网点电压质量提升目标函数为:
式(1)中,F1即为ΔUMCC,表示基于MCC的电压质量指标;N为主动配电系统节点数;k表示调度周期可划分的单位调度阶段数;ΔUi表示第i个节点的电压偏差;dU表示最大允许电压偏差量;Gσ表示MCC的核函数;σ表示核函数的核宽度,通常取为常数1;函数g由式(2)计算:
风电高效消纳目标函数为:
在风电高效消纳目标函数式(3)中,Pg为第g个分散式风电场输出的有功出力,ωk为有功出力系数,Δt为单位阶段的时间。
3.根据权利要求2所述一种追求分散式风电高效消纳的配电网优化运行方法,其特征在于,步骤1所述双目标配电网优化运行模型包括潮流约束、节点电压约束、风电场有功功率和无功功率调节范围;
潮流约束方程为:
式(4)中,Pi、Qi分别为节点i注入的有功、无功功率;Ui、Uj为节点i和j的电压幅值;Gij、Bij为节点导纳矩阵的实部和虚部;θij为线路ij两端的相角差;
节点电压约束方程为:
Ui表示节点i处的电压幅值,和分别表示节点i处电压的最小值和最大值;
风电场有功功率和无功功率调节范围:
式(6)中,Pg(t)、Qg(t)分别表示t时刻第i个风电场的有功和无功功率;分别表示第i个风电场所能提供的有功功率的范围;分别表示第i个风电场无功调节的范围。
4.根据权利要求1所述一种追求分散式风电高效消纳的配电网优化运行方法,其特征在于,步骤1所述带权极小模评价函数为:
式(7)中,ω1和ω2分别为优化模型中电压质量和风电消纳子目标的权重,且满足ω1+ω2=1;F1 *和F2 *分别为两个优化子目标的理想点。
5.根据权利要求1所述一种追求分散式风电高效消纳的配电网优化运行方法,其特征在于,步骤2所述改进基本粒子群算法包括改进权重系数ω和加入扰动量;
改进权重系数ω过程为:设定在t时刻,第k次迭代的惯性权重系数改进公式为:
式(8)中,kmax表示最大迭代次数;k表示当前迭代次数;ωmin表示初始惯性权重;ωmax代表终止惯性权重;
加入扰动量对粒子群算法进行改进公式如下:
式(9)中,Pg分别是加入扰动量前后粒子群所处位置;η为服从标准正态分布的随机变量。
6.根据权利要求1所述一种追求分散式风电高效消纳的配电网优化运行方法,其特征在于,步骤3所述初始化个体公式为:
式(10)中,表示第i个个体中第d维控制变量;xd.max和xd.min分别表示第d维控制变量的上下限;random(0,1)表示(0,1)之间的随机数。
7.根据权利要求1所述一种追求分散式风电高效消纳的配电网优化运行方法,其特征在于,步骤5所述更新粒子的速度公式为:
更新粒子的位置公式为:
i为粒子数,k是迭代次数,是当前粒子的位置,是当前迭代次数中i粒子的速度,c1和c2分别是学习因子,Pi是粒子群的个体极值。
8.根据权利要求1所述一种追求分散式风电高效消纳的配电网优化运行方法,其特征在于,步骤6具体过程为:
对更新后的粒子群进行潮流计算,得到最优目标函数值,比较最优目标函数值与局部最优pbest;
若最优目标函数值优于局部最优pbest,则用最优目标函数值赋予最优pbest;
若最优目标函数值不优于局部最优pbest,执行步骤7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810788385.0A CN109038653A (zh) | 2018-07-18 | 2018-07-18 | 一种追求分散式风电高效消纳的配电网优化运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810788385.0A CN109038653A (zh) | 2018-07-18 | 2018-07-18 | 一种追求分散式风电高效消纳的配电网优化运行方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109038653A true CN109038653A (zh) | 2018-12-18 |
Family
ID=64643782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810788385.0A Pending CN109038653A (zh) | 2018-07-18 | 2018-07-18 | 一种追求分散式风电高效消纳的配电网优化运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109038653A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110224409A (zh) * | 2019-06-12 | 2019-09-10 | 国网江苏省电力有限公司金湖县供电分公司 | 一种基于电压跌落幅值和功率因数双影响因子的电能质量补偿设备精细化控制方法 |
CN111049155A (zh) * | 2020-01-06 | 2020-04-21 | 新奥数能科技有限公司 | 新能源并网下的微电网台区的电力调节方法及装置 |
CN111900765A (zh) * | 2020-08-27 | 2020-11-06 | 广东电网有限责任公司 | 一种风电接入系统的动态无功规划方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140277599A1 (en) * | 2013-03-13 | 2014-09-18 | Oracle International Corporation | Innovative Approach to Distributed Energy Resource Scheduling |
CN106099987A (zh) * | 2016-08-15 | 2016-11-09 | 东南大学 | 一种分散式风电机组无功优化策略 |
CN107017656A (zh) * | 2016-12-30 | 2017-08-04 | 西安理工大学 | 一种考虑电能质量提升的主动配电系统优化调度方法 |
CN107612016A (zh) * | 2017-08-08 | 2018-01-19 | 西安理工大学 | 基于电压最大相关熵的配电网中分布式电源的规划方法 |
-
2018
- 2018-07-18 CN CN201810788385.0A patent/CN109038653A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140277599A1 (en) * | 2013-03-13 | 2014-09-18 | Oracle International Corporation | Innovative Approach to Distributed Energy Resource Scheduling |
CN106099987A (zh) * | 2016-08-15 | 2016-11-09 | 东南大学 | 一种分散式风电机组无功优化策略 |
CN107017656A (zh) * | 2016-12-30 | 2017-08-04 | 西安理工大学 | 一种考虑电能质量提升的主动配电系统优化调度方法 |
CN107612016A (zh) * | 2017-08-08 | 2018-01-19 | 西安理工大学 | 基于电压最大相关熵的配电网中分布式电源的规划方法 |
Non-Patent Citations (2)
Title |
---|
DUAN JIANDONG 等: "Optimal Operation of Distribution Network in Pursuit of High Effective Consumption of Distributed Wind Power", 《2018 13TH IEEE CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS (ICIEA)》 * |
熊和金等编著: "《智能信息处理》", 31 August 2012 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110224409A (zh) * | 2019-06-12 | 2019-09-10 | 国网江苏省电力有限公司金湖县供电分公司 | 一种基于电压跌落幅值和功率因数双影响因子的电能质量补偿设备精细化控制方法 |
CN111049155A (zh) * | 2020-01-06 | 2020-04-21 | 新奥数能科技有限公司 | 新能源并网下的微电网台区的电力调节方法及装置 |
CN111900765A (zh) * | 2020-08-27 | 2020-11-06 | 广东电网有限责任公司 | 一种风电接入系统的动态无功规划方法及相关装置 |
CN111900765B (zh) * | 2020-08-27 | 2022-03-04 | 广东电网有限责任公司 | 一种风电接入系统的动态无功规划方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Direct load control in microgrids to enhance the performance of integrated resources planning | |
CN107634518B (zh) | 一种“源-网-荷”相协调的主动配电网经济调度方法 | |
CN109768573A (zh) | 基于多目标差分灰狼算法的配电网无功优化方法 | |
CN112069734A (zh) | 一种电热泵-热电联合系统的优化调控方法及系统 | |
CN109409705B (zh) | 一种区域综合能源系统的多目标优化调度方法 | |
CN109193668A (zh) | 一种基于分布鲁棒优化的合同电量分解方法 | |
CN113378100B (zh) | 考虑碳排放的配电网源网荷储协同优化调度模型和方法 | |
CN109038653A (zh) | 一种追求分散式风电高效消纳的配电网优化运行方法 | |
CN107017656A (zh) | 一种考虑电能质量提升的主动配电系统优化调度方法 | |
CN109904877A (zh) | 基于变功率因数的分散式风电场优化运行方法 | |
Lou et al. | Two-stage congestion management considering virtual power plant with cascade hydro-photovoltaic-pumped storage hybrid generation | |
Mao et al. | Operation optimization for multi-microgrids based on centralized-decentralized hybrid hierarchical energy management | |
CN104578091A (zh) | 一种含多源电网的无延时最优无功协调控制系统及方法 | |
CN109474015A (zh) | 基于两层优化的主动配电网储能系统优化配置方法及系统 | |
CN106780119A (zh) | 基于多主动管理的配电网可再生能源消纳方法 | |
CN109038654A (zh) | 一种考虑分布式风电高渗透并网的配电系统优化运行方法 | |
CN105958530A (zh) | 一种具有无功自动补偿的微电网系统 | |
Wang et al. | Reactive power planning in distribution network considering the consumption capacity of distributed generation | |
Zhang et al. | Multi–objective cluster partition method for distribution network considering uncertainties of distributed generations and loads | |
CN107171333B (zh) | 基于智能负荷的虚拟电池模型的实时控制方法 | |
Roy et al. | D-STATCOM control in distribution networks with composite loads to ensure grid code compatible performance of photovoltaic generators | |
Song et al. | Research on optimal scheduling method of active distribution network considering multi-type flexible resources | |
Wenyue et al. | Optimal scheduling strategy for virtual power plant considering voltage control | |
Kou | Particle Swarm Optimization Based Reactive Power Dispatch for Power Networks with Distributed Generation | |
Sangsarawut et al. | Optimal reactive power planning of doubly fed induction generators using genetic algorithms |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |