CN109088434B - 一种基于人工鱼群算法的配电网光伏极限容量计算方法 - Google Patents

一种基于人工鱼群算法的配电网光伏极限容量计算方法 Download PDF

Info

Publication number
CN109088434B
CN109088434B CN201811080630.9A CN201811080630A CN109088434B CN 109088434 B CN109088434 B CN 109088434B CN 201811080630 A CN201811080630 A CN 201811080630A CN 109088434 B CN109088434 B CN 109088434B
Authority
CN
China
Prior art keywords
photovoltaic
fish
distribution network
node
power
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
Application number
CN201811080630.9A
Other languages
English (en)
Other versions
CN109088434A (zh
Inventor
庞松岭
林桃贝
朱望诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan Electric Power Industry Development Co ltd
Original Assignee
Electric Power Research Institute of Hainan Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Hainan Power Grid Co Ltd filed Critical Electric Power Research Institute of Hainan Power Grid Co Ltd
Priority to CN201811080630.9A priority Critical patent/CN109088434B/zh
Publication of CN109088434A publication Critical patent/CN109088434A/zh
Application granted granted Critical
Publication of CN109088434B publication Critical patent/CN109088434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/50—Controlling the sharing of the out-of-phase component
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种基于人工鱼群算法的配电网光伏极限容量计算方法，通过构建配电网光伏极限容量计算模型，并利用基于人工鱼群的标准粒子群算法对所述配电网光伏极限容量计算模型进行求解，综合协调光伏系统接入位置和接入容量，实现满足配电网运行约束的光伏极限容量，提高光伏系统的利用率。

Description

一种基于人工鱼群算法的配电网光伏极限容量计算方法
技术领域
本发明涉及新能源技术领域，尤其涉及一种基于人工鱼群算法的配电网光伏极限容量计算方法。
背景技术
随着经济的发展社会发展，人类对能源的需求越来越多样性，清洁、高效的可再生能源的开发利用是解决能源问题的重要途径。太阳能由于其分布广、易开发等特点得到广泛的关注，越来越多的光伏发电系统得到开发以分布式电源的形式并网接入，为传统电力能源提供了有力的补充。
由于受地域、气候条件限制，光伏发电系统并网接入方式有多重，有集中式的大型光伏电站并网接入，也有分散式的分布式光伏并网接入。光伏的接入对传统电网的运行带来了不小的影响，一方面，人们希望光伏等清洁能源的接入越多越好，其可以缓解环境污染、电力短缺等问题；另一方面，不管是分散式接入还是集中式接入，传统网架结构下系统消纳光伏的能力受到各种制约，致使目前很多光伏发电系统并网不能完全消纳，造成浪费。在配电网侧，大量分布式光伏发电系统并网接入配电网，给配电网的运行可靠性带来不同程度的影响。比如，大量分布式光伏的接入，使得系统潮流发生双向流动从而影响传统继电保护策略，给配电网的稳定运行带来隐患；另外，光伏发电系统带来的三相不平衡、电能质量、谐波等问题也越来越严重。
因此，在国家大力开发可再生能源分布式发电系统时，需要对分布式光伏发电系统的并网接入进行综合规划，以提高配电网消纳光伏系统的能力，提高光伏发电系统的利用效率。通过分析现有配电网网架结构特性，综合考虑配电网运行约束条件，最大限度的消纳分布式光伏系统，提高光伏系统的利用率。
发明内容
本发明的目的在于提供一种基于人工鱼群算法的配电网光伏极限容量计算方法，以解决上述背景技术中提出的问题。
本发明是通过以下技术方案实现的：一种基于人工鱼群算法的配电网光伏极限容量计算方法，通过构建配电网光伏极限容量计算模型，并利用基于人工鱼群的标准粒子群算法对所述配电网光伏极限容量计算模型进行求解，综合协调分布式光伏发电系统接入位置和接入容量，所述光伏极限容量计算方法如下：
S1、设置所述配电网光伏极限容量计算模型的目标函数F；
S2、设置所述配电网光伏极限容量计算模型的约束条件；
S3、采用人工鱼群算法以及标准粒子群算法对所述配电网光伏极限容量计算模型求解，获得配电网接入光伏极限容量。
优选的，步骤S1中，所构建的目标函数F是所有光伏接入功率之和的最大值，表示为：
Figure BDA0001801857620000023
式中，
Figure BDA0001801857620000024
表示光伏接入功率。
优选的，步骤S2中，所述配电网光伏极限容量计算模型的约束条件包括等式约束条件与不等式约束条件，所述等式约束条件为：
Figure BDA0001801857620000021
Figure BDA0001801857620000022
Pij＝Ui*Uj*(Gij*cosθij+Bij*sinθij)
Qij＝Ui*Uj*(Gij*sinθij+Bij*cosθij)
所述不等式约束条件为：
Figure BDA0001801857620000031
式中：i和j为节点号，
Figure BDA0001801857620000032
分别为节点i的传统电源有功功率、分布式光伏的有功功率、分布式光伏的负荷有功功率；
Figure BDA0001801857620000033
分别为节点i的传统电源无功功率、分布式光伏的无功功率、分布式光伏的负荷无功功率；Pij和Qij分别为节点i和节点j之间的线路有功功率和无功潮流；Ui、Uj为节点i和节点j的电压幅值；θij为节点i和节点j的电压相角差；Gij和Bij分别为线路ij的电导和电钠；ΩN为系统节点集；Uimin和Uimax为节点i的电压上下限；Pi和Si分别为节点i的注入功率；PFi为节点i的功率因素要求；
Figure BDA0001801857620000034
为支路基波电流；
Figure BDA0001801857620000035
为支路线路载流量；
Figure BDA0001801857620000036
为主变低压侧向高压侧输送的有功功率；Psmin和Psmax为断面s潮流的上下限制；UiTHD和UTHDmax分别为节点电压的谐波量和最大允许谐波量。
优选的，步骤S3中，利用人工鱼群算法的聚群行为和追尾行为指导标准粒子群初始粒子的进化，从而对配电网光伏极限容量计算模型进行求解，由以下具体步骤组成：
S31、初始化人工鱼群，设置鱼群的种群规模Nfish和Npro，迭代次数Genfish和Genpro，鱼群视觉感知范围Visurang，鱼群移动Stepfish，拥挤因子δ，觅食尝试次数Num，学习因子C1和C2，惯性权重范围ωmin、ωmax和粒子速度范围Vmin、Vmax；
S32、利用人工鱼群算法进行粗搜索，随机产生满足所有限制条件的粒子x1，x2，…，xj，…，xN，并计算鱼群食物浓度；
S33、设置迭代次数Gen1＝0，当Gen1＜Genfish时，通过人工鱼群算法的聚群行为和追尾行为确定鱼群初始位置，同时更新鱼群对应位置的食物浓度；
S34、迭代计算Gen1，计算方法为：Gen1＝Gen1+1，并确定鱼群最优位置和全局最优位置；
S35、设置迭代次数Gen2＝0，当Gen2＜Genpro时，将鱼群全局最优位置作为标准粒子群粒子的初始值，并对标准粒子群中的粒子速度与粒子位置进行迭代计算，获得标准粒子群的个体最优解pbest和全局最优解gbest；
S36、迭代计算Gen2，计算方法为：Gen2＝Gen2+1，所获得的个体最优解pbest之和即为目标函数F的解，即光伏极限容量。
优选的，步骤S33中，通过下式进行人工鱼群算法的聚群行为和追尾行为计算：
Figure BDA0001801857620000041
Figure BDA0001801857620000042
式中，xk(t+1)为t+1时人工鱼粒子位置，xk(t)为t时刻人工鱼粒子位置，xc(t)为t时刻人工鱼群粒子中心位置，rand为区间(0，1)的随机数，Stepfish为鱼群移动步长，xbest代表最优食物浓度位置。
优选的，步骤S35中，采用下式对标准粒子群中的粒子速度与粒子位置进行迭代计算：
Figure BDA0001801857620000043
xj(t+1)＝xj(t)+vj(t+1)
式中，xj(t)为第j个粒子第t代的位置，vj(t)为第j个粒子第t代的速度，
Figure BDA0001801857620000052
为个体最优解，gbest为全局最优解，C1和C2为学习因子，rand1和rand2为区间(0,1)的随机数，ω为粒子群的惯性权重。
优选的，所述个体最优解代表个体鱼最优位置的食物浓度，所述全局最优解代表鱼群全局最优位置的食物浓度。
优选的，所述粒子群的惯性权重ω的计算方法为：
Figure BDA0001801857620000051
式中，ωmin、ωmax为惯性权重的最小、最大值，N为粒子群的粒子数量。
优选的，所述ωmin、ωmax的取值范围为(0,1.4)。
与现有技术相比，本发明达到的有益效果如下：
本发明提供的一种基于人工鱼群算法的配电网光伏极限容量计算方法，综合考虑了光伏接入时配电网运行不同因素的影响约束，将光伏接入极限容量问题转化为优化问题，并采用基于鱼群算法的标准粒子群算法进行求解，综合协调光伏系统接入位置和接入容量，实现满足配电网运行约束的光伏极限容量，提高光伏系统的利用率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于人工鱼群算法的配电网光伏极限容量计算方法的流程图。
具体实施方式
为了更好理解本发明技术内容，下面提供具体实施例，并结合附图对本发明做进一步的说明。
参见图1，一种基于人工鱼群算法的配电网光伏极限容量计算方法，通过构建综合考虑了配电网运行的电压偏差、线路载流量、功率因素、主变限容、功率倒送、断面潮流、谐波分量的配电网光伏极限容量计算模型，并利用基于人工鱼群的标准粒子群算法对所述配电网光伏极限容量计算模型进行求解，综合协调光伏系统接入位置和接入容量，所述光伏极限容量计算方法如下：
S1、设置所述配电网光伏极限容量计算模型的目标函数F；
S2、设置所述配电网光伏极限容量计算模型的约束条件；
S3、采用人工鱼群算法以及标准粒子群算法对所述配电网光伏极限容量计算模型求解。
具体的，步骤S1中，所构建的目标函数F是所有光伏接入功率之和的最大值，表示为：
Figure BDA0001801857620000061
式中，
Figure BDA0001801857620000062
表示光伏接入功率。
具体的，步骤S2中，所述配电网光伏极限容量计算模型的约束条件包括等式约束条件与不等式约束条件，等式约束指的是系统运行过程中的潮流平衡约束，所述等式约束条件为：
Figure BDA0001801857620000063
Figure BDA0001801857620000064
Pij＝Ui*Uj*(Gij*cosθij+Bij*sinθij)
Qij＝Ui*Uj*(Gij*sinθij+Bij*cosθij)
不等式约束包括配电网运行过程中电压，注入功率，线路电流，变压器容量，断面潮流和电压谐波等约束，所述不等式约束条件为：
Figure BDA0001801857620000071
式中：i和j为节点号，
Figure BDA0001801857620000072
分别为节点i的传统电源有功功率、分布式光伏的有功功率、分布式光伏的负荷有功功率；
Figure BDA0001801857620000073
分别为节点i的传统电源无功功率、分布式光伏的无功功率、分布式光伏的负荷无功功率；Pij和Qij分别为节点i和节点j之间的线路有功功率和无功潮流；Ui、Uj为节点i和节点j的电压幅值；θij为节点i和节点j的电压相角差；Gij和Bij分别为线路ij的电导和电钠；ΩN为系统节点集；Uimin和Uimax为节点i的电压上下限；Pi和Sj分别为节点i的注入功率；PFi为节点i的功率因素要求；
Figure BDA0001801857620000074
为支路基波电流；
Figure BDA0001801857620000075
为支路线路载流量；
Figure BDA0001801857620000076
为主变低压侧向高压侧输送的有功功率；Psmin和Psmax为断面s潮流的上下限制；UiTHD和UTHDmax分别为节点电压的谐波量和最大允许谐波量。所建立的配电网光伏极限容量计算模型需在上述两个约束条件下求解。
具体的，将分布式光伏发电系统接入配电网的每个点视为单独一条人工鱼，采用人工鱼群算法以及标准粒子群算法获得分布式光伏发电系统接入配电网的每个点最大容量，其最大容量之和即为所述光伏极限容量，在计算时，需利用人工鱼群算法的聚群行为和追尾行为指导标准粒子群初始粒子的进化，在迭代过程中通过控制标准粒子群算法的粒子惯性权重提高算法的收敛性。其具体的运算过程由以下具体步骤组成：
S31、初始化人工鱼群，设置鱼群的种群规模Nfish和Npro，迭代次数Genfish和Genpro，鱼群视觉感知范围Visurang，鱼群移动Stepfish，拥挤因子6，觅食尝试次数Num，学习因子C1和C2，惯性权重范围ωmin、ωmax和粒子速度范围Vmin、Vmax；
S32、利用人工鱼群算法进行粗搜索，随机产生满足所有限制条件的粒子x1，x2，…，xj，…，xN，每个粒子代表一条人工鱼，并计算人工鱼群食物浓度，食物浓度即具体问题中的分布式光伏电源接入配电网的极限容量；
S33、设置迭代次数Gen1＝0，当Gen1＜Genfish时，通过人工鱼群算法的聚群行为和追尾行为确定鱼群初始位置，同时更新鱼群对应位置的食物浓度，食物浓度最高的鱼群位置即为鱼群全局最优解，在人工鱼群的聚群行为中，设置一条人工鱼的位置为xk，在小于视野范围的领域范围内搜索所有鱼个体数目Nn和中心位置xc，当
Figure BDA0001801857620000081
时，则表示xc位置食物较多，且不拥挤，因此个体鱼可以向xc位置方向移一步，其聚群行为的表达式如下式所示：
Figure BDA0001801857620000082
式中，xk(t+1)为t+1时人工鱼粒子位置，xk(t)为t时刻人工鱼粒子位置，xc(t)为t时刻人工鱼群粒子中心位置，rand为区间(0，1)的随机数，Stepfish为鱼群移动步长，yk为当前鱼群食物浓度；
在人工鱼群的追尾行为中，设置一条人工鱼的位置为xk，在小于视野范围的领域范围内搜索最优食物浓度的人工鱼个体Xbest，当
Figure BDA0001801857620000083
时，则表示Xbest位置食物较多，且不拥挤，因此个体鱼可以向Xbest位置方向移动，其聚群行为的表达式如下式所示：
Figure BDA0001801857620000084
式中，xk(t+1)为t+1时人工鱼粒子位置，xk(t)为t时刻人工鱼粒子位置，xbest(t)为t时刻位于最优食物浓度位置的人工鱼粒子位置，rand为区间(0，1)的随机数，Stepfish为鱼群移动步长，yk为当前鱼群食物浓度；
S34、迭代计算Gen1，计算方法为：Gen1＝Gen1+1，并保存个体最优的食物浓度所在的个体人工鱼的位置和鱼群全局最优食物浓度所在的鱼群位置，将个体最优的食物浓度所在的个体人工鱼的位置记为个体最优解，将鱼群全局最优食物浓度所在的鱼群位置记为全局最优解；
S35、设置迭代次数Gen2＝0，当Gen2＜Genpro时，将鱼群全局最优位置的食物浓度作为标准粒子群粒子的初始值，并采用下式对标准粒子群中的粒子速度与粒子位置进行迭代计算：
Figure BDA0001801857620000091
xj(t+1)＝xj(t)+vj(t+1)
式中，xj(t)为第j个粒子第t代的位置，vj(t)为第j个粒子第t代的速度，
Figure BDA0001801857620000092
为个体最优解，gbest为全局最优解，C1和C2为学习因子，rand1和rand2为区间(0，1)的随机数，ω为粒子群的惯性权重。进行迭代计算后，取一次迭代后的最大值作为个体最优解pbest，取所有次数迭代后的个体最优解pbest的最大值作为全局最优解gbest，同时更新标准粒子群中粒子个体的个体最优解pbest和全局最优解gbest，所述个体最优解pbest即为分布式光伏发电系统每个点接入极限容量，所述全局最优解gbest代表分布式光伏电源接入配电网的极限容量。
特别的，所述粒子群的惯性权重ω是用来调节对上一次迭代产生的速度的继承度，它直接影响粒子的全局探索能力和局部的开发能力，当惯性权重ω较大时，对以前的速度集成度较高，则对全局的探索能力较强，有利于寻到全局最优解，当惯性权重ω较小时，则上次迭代运算产生的最优位置对粒子运动影响较大，则有利于局部最优位置开发，运算的收敛性增强，其惯性权重ω的计算方法为：
Figure BDA0001801857620000101
式中，ωmin、ωmax为惯性权重的最小、最大值，N为粒子群的粒子数量，在本发明实施例中，所述ωmin、ωmax的取值范围为(0，1.4)。
具体的，所述学习因子可调节新的最优位置对粒子运动的影响程度，使之具有自我学习的能力，从而得到新的全体最优值，在本发明实施例中，C1和C2的取值均为[0，4]之间，优选的，C1＝C2＝2。
S36、迭代计算Gen2，计算方法为：Gen2＝Gen2+1，通过上述步骤可获得个体最优解pbest即分布式光伏发电系统每个点接入极限容量，也即是
Figure BDA0001801857620000103
光伏接入功率
Figure BDA0001801857620000102
通过对每点的接入极限容量进行求和，即可获得配电网接入光伏的极限容量。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (7)

1.一种基于人工鱼群算法的配电网光伏极限容量计算方法，其特征在于，通过构建配电网光伏极限容量计算模型，并利用基于人工鱼群的标准粒子群算法对所述配电网光伏极限容量计算模型进行求解，综合协调分布式光伏发电系统接入位置和接入容量，所述光伏极限容量计算方法如下：
S1、设置所述配电网光伏极限容量计算模型的目标函数F；
S2、设置所述配电网光伏极限容量计算模型的约束条件；
S3、采用人工鱼群算法以及标准粒子群算法对所述目标函数F求解，获得配电网接入光伏极限容量；步骤S1中，所构建的目标函数F是所有光伏接入功率之和的最大值，表示为：
Figure FDA0002250967520000011
式中，
Figure FDA0002250967520000012
表示光伏接入功率；步骤S2中，所述配电网光伏极限容量计算模型的约束条件包括等式约束条件与不等式约束条件，所述等式约束条件为：
Figure FDA0002250967520000013
Figure FDA0002250967520000014
Pij＝Ui*Uj*(Gij*cosθij+Bij*sinθij)
Qij＝Ui*Uj*(Gij*sinθij+Bij*cosθij)
所述不等式约束条件为：
Figure FDA0002250967520000015
式中：i和j为节点号，
Figure FDA0002250967520000021
分别为节点i的传统电源有功功率、分布式光伏的有功功率、分布式光伏的负荷有功功率；
Figure FDA0002250967520000022
分别为节点i的传统电源无功功率、分布式光伏的无功功率、分布式光伏的负荷无功功率；Pij和Qij分别为节点i和节点j之间的线路有功功率和无功功率；Ui、Uj为节点i和节点j的电压幅值；θij为节点i和节点j的电压相角差；Gij和Bij分别为线路ij的电导和电纳 ；ΩN为系统节点集；Uimax和Uimin分别为节点i的电压上、下限；Pi和Si分别为节点i的注入有功功率和注入视在功率；PFi为节点i的功率因数要求；
Figure FDA0002250967520000023
为支路基波电流；
Figure FDA0002250967520000024
为支路线路载流量；
Figure FDA0002250967520000025
为主变低压侧向高压侧输送的有功功率；Psmax和Psmin分别为断面s有功功率的上、下限；UiTHD和UTHDmax分别为节点i的电压的谐波量和节点电压的最大允许谐波量。
2.根据权利要求1所述的一种基于人工鱼群算法的配电网光伏极限容量计算方法，其特征在于，步骤S3中，利用人工鱼群算法的聚群行为和追尾行为指导标准粒子群初始粒子的进化，从而对配电网光伏极限容量计算模型进行求解，由以下具体步骤组成：
S31、初始化人工鱼群，设置鱼群的种群规模Nfish和Npro，迭代次数Genfish和Genpro，鱼群视觉感知范围Visurang，鱼群移动Stepfish，拥挤因子δ，觅食尝试次数Num，学习因子C1和C2，惯性权重范围ωmin、ωmax和粒子速度范围Vmin、Vmax；
S32、利用人工鱼群算法进行粗搜索，随机产生满足所有限制条件的粒子x1，x2，…，xj，…，xN，并计算鱼群食物浓度；
S33、设置迭代次数Gen1＝0，当Gen1<Genfish时，通过人工鱼群算法的聚群行为和追尾行为确定鱼群初始位置，同时更新鱼群对应位置的食物浓度；
S34、迭代计算Gen1，计算方法为：Gen1＝Gen1+1，并确定鱼群最优位置和全局最优位置；
S35、设置迭代次数Gen2＝0，当Gen2<Genpro时，将鱼群全局最优位置作为标准粒子群粒子的初始值，并对标准粒子群中的粒子速度与粒子位置进行迭代计算，获得标准粒子群的个体最优解pbest和全局最优解gbest；
S36、迭代计算Gen2，计算方法为：Gen2＝Gen2+1，所获得的个体最优解pbest之和即为目标函数F的解，即光伏极限容量。
3.根据权利要求2所述的一种基于人工鱼群算法的配电网光伏极限容量计算方法，其特征在于，步骤S33中，通过下式进行人工鱼群算法的聚群行为和追尾行为计算：
Figure FDA0002250967520000031
Figure FDA0002250967520000032
式中，xk(t+1)为t+1时人工鱼粒子位置，xk(t)为t时刻人工鱼粒子位置，xc(t)为t时刻人工鱼群粒子中心位置，rand为区间(0,1)的随机数，Stepfish为鱼群移动步长，xbest代表最优食物浓度位置。
4.根据权利要求3所述的一种基于人工鱼群算法的配电网光伏极限容量计算方法，其特征在于，步骤S35中，采用下式对标准粒子群中的粒子速度与粒子位置进行迭代计算：
Figure FDA0002250967520000033
xj(t+1)＝xj(t)+vj(t+1)
式中，xj(t)为第j个粒子第t代的位置，vj(t)为第j个粒子第t代的速度，
Figure FDA0002250967520000034
为个体最优解，gbest为全局最优解，C1和C2为学习因子，rand1和rand2为区间(0,1)的随机数，ω为粒子群的惯性权重。
5.根据权利要求4所述的一种基于人工鱼群算法的配电网光伏极限容量计算方法，其特征在于，所述个体最优解代表个体鱼最优位置的食物浓度，所述全局最优解代表鱼群全局最优位置的食物浓度。
6.根据权利要求4所述的一种基于人工鱼群算法的配电网光伏极限容量计算方法，其特征在于，所述粒子群的惯性权重ω的计算方法为：
Figure FDA0002250967520000041
式中，ωmin、ωmax为惯性权重的最小、最大值，N为粒子群的粒子数量。
7.根据权利要求6所述的一种基于人工鱼群算法的配电网光伏极限容量计算方法，其特征在于，所述ωmin、ωmax的取值范围为(0,1.4)。
CN201811080630.9A 2018-09-17 2018-09-17 一种基于人工鱼群算法的配电网光伏极限容量计算方法 Active CN109088434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811080630.9A CN109088434B (zh) 2018-09-17 2018-09-17 一种基于人工鱼群算法的配电网光伏极限容量计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811080630.9A CN109088434B (zh) 2018-09-17 2018-09-17 一种基于人工鱼群算法的配电网光伏极限容量计算方法

Publications (2)

Publication Number Publication Date
CN109088434A CN109088434A (zh) 2018-12-25
CN109088434B true CN109088434B (zh) 2020-04-14

Family

ID=64841729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811080630.9A Active CN109088434B (zh) 2018-09-17 2018-09-17 一种基于人工鱼群算法的配电网光伏极限容量计算方法

Country Status (1)

Country Link
CN (1) CN109088434B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399589B (zh) * 2019-07-11 2023-05-26 东华大学 基于nmdafsa的电力系统最优潮流计算方法
CN116488250B (zh) * 2023-03-17 2023-12-15 长电新能有限责任公司 一种混合储能系统容量优化配置方法
CN117713213A (zh) * 2023-12-18 2024-03-15 国网辽宁省电力有限公司辽阳供电公司 基于改进人工鱼群的光伏集群控制方法、装置及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833607B (zh) * 2010-05-11 2012-05-23 天津大学 双馈风力发电机多目标混合粒子群优化设计方法
US9843189B2 (en) * 2014-05-19 2017-12-12 The University Of North Carolina At Charlotte Grid tied system controller including logic coupled to a photovoltaic station and an energy storage system
CN105162151B (zh) * 2015-10-22 2017-06-16 国家电网公司 一种基于人工鱼群算法的智能化储能系统并网实时控制方法
CN108197340A (zh) * 2017-11-21 2018-06-22 国网上海市电力公司经济技术研究院 一种配网分布式电源极限接入容量的优化方法

Also Published As

Publication number Publication date
CN109088434A (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
CN109088434B (zh) 一种基于人工鱼群算法的配电网光伏极限容量计算方法
CN104036329B (zh) 一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法
CN107392418B (zh) 一种城市配电网网络重构方法及系统
CN103746374B (zh) 含多微网配电网的合环控制方法
CN105449675B (zh) 优化分布式能源接入点和接入比例的电力网络重构方法
CN107546743B (zh) 一种辐射状配电网分布式优化潮流方法
CN110504691A (zh) 一种计及vsc控制方式的交直流配电网最优潮流计算方法
Fokui et al. Optimal placement of electric vehicle charging stations in a distribution network with randomly distributed rooftop photovoltaic systems
CN107453381B (zh) 基于两阶段交叉控制的电动汽车集群功率调节方法及系统
CN107634518A (zh) 一种“源‑网‑荷”相协调的主动配电网经济调度方法
CN104734153A (zh) 一种含分布式电源的配电网络重构方法
CN108304972B (zh) 一种基于供需互动和dg运行特性的主动配电网网架规划方法
Bompard et al. A multi-site real-time co-simulation platform for the testing of control strategies of distributed storage and V2G in distribution networks
CN108631317B (zh) 一种含多源主体的主动配电网分布式动态最优潮流方法
CN105790315A (zh) 一种基于粒子群算法的储能变流下垂控制方法
Vijayalakshmi et al. Simultaneous allocation of EV charging stations and renewable energy sources: An Elite RERNN‐m2MPA approach
CN106451504A (zh) 一种混合储能系统配置成本的控制方法及装置
Cheng et al. Power balance partition control based on topology characteristics of multi-source energy storage nodes
Hui et al. A novel wind DC microgrid energy management strategy based on LSTM forecast model
Kumar et al. Integration of hybrid PV-wind system for electric vehicle charging: Towards a sustainable future
Xin Research on computing the access limit capacity of distributed photovoltaic system based on ant lion algorithm
Shi et al. Distribution network distributed energy storage configuration optimization method considering variance of network loss sensitivity
CN107611980B (zh) 基于双端发电机等效的交直流混合潮流优化方法
CN109149561A (zh) 一种基于光储充电塔接入的配电网静态优化方法
CN110930263A (zh) 基于黑洞粒子群算法的含光伏电源和感应电动机的中压配电网短路电流计算方法

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: 20230803

Address after: 570101 Room 506, Huayu Building, Haifu Yiheng Road, Meilan District, Haikou City, Hainan Province

Patentee after: Hainan Electric Power Industry Development Co.,Ltd.

Address before: No.23, hairuihou Road, Longhua District, Haikou City, Hainan Province, 570100

Patentee before: ELECTRIC POWER RESEARCH INSTITUTE OF HAINAN POWER GRID Co.,Ltd.