CN109103933B - 分布式电源配置方法、装置、计算机设备和可读存储介质 - Google Patents

分布式电源配置方法、装置、计算机设备和可读存储介质 Download PDF

Info

Publication number
CN109103933B
CN109103933B CN201811130673.3A CN201811130673A CN109103933B CN 109103933 B CN109103933 B CN 109103933B CN 201811130673 A CN201811130673 A CN 201811130673A CN 109103933 B CN109103933 B CN 109103933B
Authority
CN
China
Prior art keywords
function
particle
distributed power
node
power distribution
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
CN201811130673.3A
Other languages
English (en)
Other versions
CN109103933A (zh
Inventor
张炀
程韧俐
祝宇翔
马伟哲
史军
何晓峰
车诒颖
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.)
Shenzhen Power Supply Co ltd
Original Assignee
Shenzhen Power Supply 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 Shenzhen Power Supply Co ltd filed Critical Shenzhen Power Supply Co ltd
Priority to CN201811130673.3A priority Critical patent/CN109103933B/zh
Publication of CN109103933A publication Critical patent/CN109103933A/zh
Application granted granted Critical
Publication of CN109103933B publication Critical patent/CN109103933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H02J3/383—
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y02E10/50—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
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Genetics & Genomics (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种分布式电源配置方法、装置、计算机设备和可读存储介质。该方法包括：根据分布式配电系统中的节点数目以及所述分布式配电系统的总配置容量生成初始种群；以预设的配置模型中的目标函数为适应度函数，基于所述初始种群并采用纵横交叉算法获取所述配置模型的配置参数；所述配置参数包括所述分布式配电系统中各节点配置的分布式电源的容量，所述目标函数表征所述分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系。采用本方法能够有效提升配电网络的整体性能，尽可能实现最小化网络损耗、最优化电压调节、提高电压稳定性中的至少两个目标。

Description

分布式电源配置方法、装置、计算机设备和可读存储介质
技术领域
本申请涉及电力系统技术领域，特别是涉及一种分布式电源配置方法、装置、计算机设备和可读存储介质。
背景技术
近年来，能源危机和环境污染逐渐成为全球诸多国家面临的关键难题，而解决这一难题的关键一环就是分布式电源(distributed generation,DG)。由于小容量的分布式电源多数为风能、太阳能等可再生能源，故其具有清洁环保、调节配置灵活的特点。在“智能电网”这一发展趋势下，分布式电源的广泛应用是未来电力系统的必然趋势。
分布式电源因其容量限制大多接入10KV及以下电压等级的配电网。大量研究表明，合理配置分布式电源接入节点和准入容量能够有效地改善配电网络；反之，则会严重影响电网安全。因此，分布式电源的选址定容问题，即配置问题，值得深度研究。
然而，目前的分布式电源配置方法，主要考虑的是成本优化等问题，而对配电网络的整体性能的提升有限。
发明内容
基于此，有必要针对上述技术问题，提供一种能够有效提升配电网络的整体性能的分布式电源配置方法、装置、计算机设备和可读存储介质。
第一方面，一种分布式电源配置方法，所述方法包括：
根据分布式配电系统中的节点数目以及所述分布式配电系统的总配置容量生成初始种群；
以预设的配置模型中的目标函数为适应度函数，基于所述初始种群并采用纵横交叉算法获取所述配置模型的配置参数；所述配置参数包括所述分布式配电系统中各节点配置的分布式电源的容量，所述目标函数表征所述分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系。
在其中一个实施例中，所述绑定关系包括所述有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合。
在其中一个实施例中，所述有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合包括关系式：f1+k1f2+k2f3，
其中，f1为所述有功损耗函数，f2为所述电压水平函数，f3为所述电压稳定性函数；k1为f2的平衡系数，与f1和f2之间的数量级差适配；k2为f3的平衡系数，与f1和f3之间的数量级差适配。
在其中一个实施例中，所述目标函数还包括：针对所述分布式配电系统的各节点的电学参数的惩罚函数，所述惩罚函数与所述f1+k1f2+k2f3之间具有求和的关系；所述惩罚函数用于约束各节点的电学参数。
在其中一个实施例中，所述惩罚函数包括关系式：
Figure BDA0001813467730000021
其中，β1、β2为惩罚系数，N＝nn-1为所述分布式配电系统的支路数目，nn为所述分布式配电系统的节点数目，ni＝2,3,...,nn为各节点的编号，Vni为节点ni的电压值，
Figure BDA0001813467730000022
为节点ni的电压上限值，
Figure BDA0001813467730000023
为节点ni的电压下限值，Sni为节点ni的视在功率，
Figure BDA0001813467730000024
为节点ni的视在功率上限值。
在其中一个实施例中，所述初始种群中各粒子的长度为所述节点数目，各粒子的目标值为设置的初始配置参数。
在其中一个实施例中，所述以预设的配置模型中的目标函数为适应度函数，基于所述初始种群并采用纵横交叉算法获取所述配置模型的配置参数，包括：
执行迭代处理操作，所述迭代处理操作包括：以所述初始种群中的粒子为第一父代粒子，横向交叉产生第一子代粒子，并以所述目标函数为适应度函数，从所述第一父代粒子和所述第一子代粒子中筛选出第二父代粒子，基于所述第二父代粒子进行纵向交叉产生第二子代粒子，并再次以所述目标函数为适应度函数，从所述第二父代粒子和所述第二子代粒子中筛选出第三父代粒子；
将所述第三父代粒子作为新的第一父代粒子，返回执行所述迭代处理操作，直至迭代次数大于或者等于预设阈值为止，并将所述迭代次数大于或者等于预设阈值时的第一父代粒子的目标值确定为所述配置参数。
在其中一个实施例中，所述以所述目标函数为适应度函数，从所述第一父代粒子和所述第一子代粒子中筛选出第二父代粒子，包括：
根据所述第一父代粒子和所述第一子代粒子中各粒子的目标值，进行潮流计算，得到所述第一父代粒子和所述第一子代粒子中各粒子对应的分布式配电系统中各节点的电学参数；
根据所述分布式配电系统中各节点的电学参数，通过所述目标函数得到所述第一父代粒子和所述第一子代粒子中各粒子的适应度；
将所述第一父代粒子和所述第一子代粒子中各粒子的适应度由大到小进行排序，根据所述初始种群中粒子的总数选取数目相同且排序靠后的各粒子作为第二父代粒子。
第二方面，一种分布式电源配置装置，所述装置包括：
初始种群生成模块，用于根据分布式配电系统中的节点数目以及所述分布式配电系统的总配置容量生成初始种群；
配置参数计算模块，用于以预设的配置模型中的目标函数为适应度函数，基于所述初始种群并采用纵横交叉算法获取所述配置模型的配置参数；所述配置参数包括所述分布式配电系统中各节点配置的分布式电源的容量，所述目标函数表征所述分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系。
第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据分布式配电系统中的节点数目以及所述分布式配电系统的总配置容量生成初始种群；
以预设的配置模型中的目标函数为适应度函数，基于所述初始种群并采用纵横交叉算法获取所述配置模型的配置参数；所述配置参数包括所述分布式配电系统中各节点配置的分布式电源的容量，所述目标函数表征所述分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系。
第四方面，一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
根据分布式配电系统中的节点数目以及所述分布式配电系统的总配置容量生成初始种群；
以预设的配置模型中的目标函数为适应度函数，基于所述初始种群并采用纵横交叉算法获取所述配置模型的配置参数；所述配置参数包括所述分布式配电系统中各节点配置的分布式电源的容量，所述目标函数表征所述分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系。
上述分布式电源配置方法、装置、计算机设备和存储介质，通过分布式配电系统中的节点数目以及分布式配电系统的总配置容量生成初始种群，并根据该初始种群采用纵横交叉算法计算得到当目标函数最优时该分布式配电系统中各节点配置的分布式电源的容量，因为该目标函数包括该分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系，因此该目标函数最优时该分布式配电系统整体性能达到最优，该整体性能可以包括与该目标函数对应的该分布式配电系统的有功损耗、电压水平以及电压稳定性中至少两个性能的综合；因此通过本实施例的分布式配置方法得到的配置参数进行分布式电源的配置，可以有效提升配电网络的整体性能，尽可能实现最小化网络损耗、最优化电压调节、提高电压稳定性中的至少两个目标；同时，采用纵横交叉算法能够解决求解出的配置参数为局部最优的问题，从而提高最优解的精确度，同时能够加快收敛速度。
附图说明
图1为一个实施例中分布式电源配置方法的应用环境图；
图2为一个实施例中分布式电源配置方法的流程示意图；
图3为另一个实施例中分布式电源配置方法的流程示意图；
图4为一个实施例中分布式配电系统中相邻两个节点的示意图；
图5为一个实施例中通过迭代处理操作得到配置参数的流程示意图；
图6为另一个实施例中通过目标函数筛选粒子的步骤的流程示意图；
图7为一个实施例中分布式电源配置装置的结构框图；
图8为另一个实施例中分布式电源配置装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的分布式电源配置方法，可以应用于终端设备或服务器中，适用于图1所示的应用环境中。其中，终端设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
图1所示的应用环境为示例性地IEEE-33(电气和电子工程师协会，Institute ofElectrical and Electronics Engineers))节点配电系统(一种标准的分布式配电系统)，为了简化说明，删除了原33节点系统中的5个环路(具有环路的分布式配电系统可以等效简化为无环路的分布式配电系统)；其中，该分布式配电系统中的节点数目为33，节点1已接入到电源或主发电机，其电压等级较高、负荷相对集中，即节点1为平衡节点；节点1-18依次相互连接，节点19-22依次相互连接且节点19连接到节点2上，节点23-25依次相互连接且节点23连接到节点3上，节点26-33依次相互连接且节点26连接到节点6上。
在图1所示的分布式配电系统中，各节点之间为分布式配电系统的支路，各支路的导纳均为已知，各节点还可以接入电动机、变压器等负荷，以及无功补偿装置等。在已知该分布式配电系统的总配置容量(即需要接入各类型分布式发电机的装机容量)的情况下，本实施例中的分布式电源配置方法就是为了确定在各节点接入的分布式电源的容量，优化分布式配电系统的整体性能。示例性地，该分布式配电系统中需要接入的分布式电源的总容量为100MW，一种优化的配置方式为，在节点1接入20MW，在节点2接入20MW，在节点19-22分别接入10MW，在节点3接入20MW，而其它节点均不接入，或者说接入容量为0。
在一个实施例中，如图2所示，提供了一种分布式电源配置方法，通过分布式配电系统中的节点数目以及分布式配电系统的总配置容量生成初始种群，并根据该初始种群采用纵横交叉算法计算得到当目标函数最优时该分布式配电系统中各节点配置的分布式电源的容量，该目标函数包括该分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系，以使得该分布式配电系统的整体性能达到最优，该整体性能可以包括该分布式配电系统的有功损耗、电压水平以及电压稳定性中至少两个性能的综合。下面以该分布式电源配置方法应用于图1中的应用环境为例进行说明，可以包括以下步骤：
S201，根据分布式配电系统中的节点数目以及分布式配电系统的总配置容量生成初始种群。
其中，上述分布式配电系统的总配置容量指的是需要接入各类型分布式发电机(DG，Distributed Generation)的装机容量；各分布式发电机(分布式电源)可以为风力发电机、太阳能电池、飞轮储能装置、小水电等各种类型的分布式发电装置。
示例性地，根据分布式配电系统中的节点数目、分布式配电系统的总配置容量以及预设的种群规模，随机初始化生成初始种群，初始种群中的粒子数目等于种群规模，初始种群中的各粒子的目标值分别为分布式配电系统中各节点配置的分布式电源的随机化的容量，每一个粒子中各节点配置的分布式电源的随机化的容量之和等于总配置容量。可以理解的是，该初始种群的每一个粒子均可以表征该分布式配电系统的一种随机化的初始的配置参数。
S202，以预设的配置模型中的目标函数为适应度函数，基于初始种群并采用纵横交叉算法获取配置模型的配置参数。
其中，配置参数包括分布式配电系统中各节点配置的分布式电源的容量，目标函数表征分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系。
在本实施例中，可以根据预先确定的表征分布式配电网络的整体性能的目标函数，例如该目标函数可以由分布式配电系统的有功损耗函数、电压水平函数组成，可以由分布式配电系统的有功损耗函数、电压稳定性函数组成，可以由分布式配电系统的电压水平函数、电压稳定性函数组成，还可以由分布式配电系统的有功损耗函数、电压水平函数和电压稳定性函数共同组成；上述绑定关系可以为求和关系，也可以为求差关系，还可以为倒数求和关系等各类关系。具体地，该目标函数以最小化网络损耗、最优化电压调节、提高电压稳定性中的至少两个为目标。例如，当电压稳定性函数为函数值越大电压越稳定，有功损耗函数为越小损耗越小时，则目标函数可以由有功损耗函数和电压稳定性函数的差组成，或者由电压稳定性函数的倒数和有功损耗函数的倒数之和组成，总之，本实施例对此并不限制。
纵横交叉算法作为一种粒子群算法，通过对粒子群(种群)中的父代粒子依次进行横向交叉和纵向交叉的方式来产生子代，此时各子代粒子的目标值相比于各父代粒子的目标值产生随机变化，并采用适应度来识别父代粒子和子代粒子的优劣，从父代粒子和子代粒子中筛选较优的粒子，以此不断迭代实现种群粒子的迭代优化，最终得到较优或最优的粒子，使得目标函数的值较优或最优，从而较优或最优的提升分布式配电系统的整体性能。在本实施例中，以上述目标函数为适应度函数作为筛选优选粒子的依据。该算法在高维非凸等优化问题中具有很好的适应性，能够解决求解出的配置参数为局部最优的问题，从而提高最优解的精确度，同时能够加快收敛速度。当然，在纵横交叉算法中，横向交叉和纵向交叉的先后顺序并不限制。
示例性地，当电压稳定性函数为函数值越小电压越稳定，有功损耗函数为越小损耗越小时，由电压稳定性函数和有功损耗函数的和组成的目标函数值最小时对应的粒子为最优，以该最优粒子的目标值为配置参数。
上述分布式电源配置方法中，通过分布式配电系统中的节点数目以及分布式配电系统的总配置容量生成初始种群，并根据该初始种群采用纵横交叉算法计算得到当目标函数最优时该分布式配电系统中各节点配置的分布式电源的容量，因为该目标函数包括该分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系，因此该目标函数最优时该分布式配电系统整体性能达到最优，该整体性能可以包括与该目标函数对应的该分布式配电系统的有功损耗、电压水平以及电压稳定性中至少两个性能的综合；因此通过本实施例的分布式配置方法得到的配置参数进行分布式电源的配置，可以有效提升配电网络的整体性能，尽可能实现最小化网络损耗、最优化电压调节、提高电压稳定性中的至少两个目标；同时，采用纵横交叉算法能够解决求解出的配置参数为局部最优的问题，从而提高最优解的精确度，同时能够加快收敛速度。
在一个实施例中，如图3所示，提供了一种分布式电源配置方法，通过分布式配电系统中的节点数目以及分布式配电系统的总配置容量生成初始种群，并根据该初始种群采用纵横交叉算法计算得到当目标函数最优时该分布式配电系统中各节点配置的分布式电源的容量，该目标函数包括该分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合，以使得该分布式配电系统的整体性能达到最优，该整体性能可以包括该分布式配电系统的有功损耗、电压水平以及电压稳定性的综合。该分布式电源配置方法可以包括以下步骤：
S301，根据分布式配电系统中的节点数目以及分布式配电系统的总配置容量生成初始种群。
初始种群中各粒子的长度为节点数目，各粒子的目标值为设置的初始配置参数。例如，分布式配电系统的节点数目为33，总配置容量为100MW，预设种群规模M为10，即该种群中的粒子总数为10，则随机初始化生成初始种群X＝[X(1),X(2),X(3),X(4),X(5),X(6),X(7),X(8),X(9),X(10)]。各粒子可以包括二维参数，即解空间维数D＝2，其中，第一维参数为各节点的编号，从1～33；第二维参数为各粒子的目标值，即与各节点的编号对应的各节点配置的分布式电源的容量。粒子X1的目标值可以为第一种初始配置参数，可以表示为集合[A1,A2,...,Ai,...A33]，Ai表示第一种初始配置参数中第i个节点配置的分布式电源的容量；粒子X2的目标值可以为第二种初始配置参数，可以表示为集合[B1,B2,...,Bi,...B33]，Bi表示第二种初始配置参数中第i个节点配置的分布式电源的容量，诸如此类。上述各粒子的目标值均可以通过随机化分配总配置容量到各节点得到，需要注意的是，各粒子的目标值中各个节点配置的分布式电源的容量之和为上述分布式配电系统的总配置容量。
可选地，当各分布式电源的容量相等时，分布式配电系统的总配置容量可以简化为分布式电源的总数目，上述各粒子的目标值可以简化为各节点配置的分布式电源的数目，得到的配置参数同样为优化后的各节点配置的分布式电源的数目。
S302，执行迭代处理操作，迭代处理操作包括：以初始种群中的粒子为第一父代粒子，横向交叉产生第一子代粒子，并以目标函数为适应度函数，从第一父代粒子和第一子代粒子中筛选出第二父代粒子，基于第二父代粒子进行纵向交叉产生第二子代粒子，并再次以目标函数为适应度函数，从第二父代粒子和第二子代粒子中筛选出第三父代粒子。
其中，目标函数包括有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合，例如c1f1+c2f2+c3f3，其中，f1为有功损耗函数，f2为电压水平函数，f3为电压稳定性函数；c1、c2、c3分别为f1、f2和f3的权值系数，权值系数可以根据f1、f2和f3对目标函数的贡献水平来考虑，例如当对分布式配电网络的电压稳定性更看重时，电压稳定性函数f3的权重系数c3可以相比c1和c2更大。如此，本实施例可以实现对分布式配电系统的有功损耗、电压水平以及电压稳定性的综合整体性能的优化。
具体地，有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合可以包括关系式：f1+k1f2+k2f3，其中，k1为f2的平衡系数，与f1和f2之间的数量级差适配；k2为f3的平衡系数，与f1和f3之间的数量级差适配。当对分布式配电网络的有功损耗、电压水平和电压稳定性这三个性能同等看重时，可能因为上述有功损耗函数、电压水平函数以及电压稳定性函数的值的数量级差距过大，导致最终得到的配置参数使得分布式配电网络的整体性能更偏向于有功损耗、电压水平和电压稳定性中的其中一个或其中两个性能时，而其中的另外两个或一个性能却得不到基本保障，可能导致分布式配电网络出现缺陷。因此，本实施例中，通过给f2和f3添加平衡系数，使得f1、f2和f3的函数值之间的数量级相适配，避免上述提到的分布式配电网络的整体性能过于偏向的问题。
可以理解的是，目标函数中有功损耗函数、电压水平函数和电压稳定性函数均是对整个分布式配电系统的整体的有功损耗、电压水平和电压稳定性的度量，因此可以由整个分布式配电系统中各个节点或节点之间对应的各有功损耗、电压水平和电压稳定性的度量计算得到。
参照图4所示的分布式配电系统中任意两个相互连接的节点的示意图；示例性地，针对IEEE-33配电网络，其中的任意两个相互连接的节点(两个相邻节点)可以按照与节点1相对靠近的节点为发送节点，与节点1相对远离的节点为接收节点。发送节点ni和接收节点mi(亦可称为节点ni和节点mi)之间为分布式配电网络的一条支路i，该支路i中，电流Ii的方向从发送节点ni指向接收节点mi。针对如图1所示的单辐射网络(树形网络)，每个接收节点仅有一个发送节点，例如对于接收节点2而言，其发送节点为1；对接收节点3而言，其发送节点为2；对接收节点19而言，其发送节点为2；对接收节点23而言，其发送节点为3；对接收节点26而言，其发送节点为6；对接收节点33而言，其发送节点为32。此外，发送节点的电压为Vmi，电压相位为δmi；接收节点的电压为Vni，电压相位为δni；该支路i的阻抗为Rni+jXni，为该支路i的导纳Yni的倒数，Rni为该支路i的电阻值，Xni为该支路i的电抗值。
示例性地，上述有功损耗函数可以通过下式(1)表示：
f1＝PRPL (1)
其中，PRPL为分布式配电系统中各节点的有功功率损耗的和，可以通过下式(2)表示：
Figure BDA0001813467730000101
其中，nn为分布式配电系统的节点数目，Pgni为节点ni的有功功率，即节点ni配置的分布式电源发出的有功功率，Pdni为节点ni的负载所需的有功功率，Vmi为节点mi的电压，Vni为节点ni的电压；Yni为节点mi和节点ni之间的支路的导纳；δmi为节点mi的电压相位；δni为节点ni的电压相位；θni为Yi＝Yni∠θni中的相角。
示例性地，上述电压水平函数可以通过下式(3)表示：
Figure BDA0001813467730000111
其中，Vrated为额定电压，针对各节点的额定电压可以不同，存在波动。
参照图4所示，通过电学公式可以得到：
Figure BDA0001813467730000112
Figure BDA0001813467730000113
其中，Ii为支路i的电流，Rni为线路i的电阻值，Xni为线路i的电抗值，Pni(ni)为从节点ni发送的有功功率，Qni(ni)为从节点ni发送的无功功率，
Figure BDA0001813467730000114
为Vni的共轭值。具体地，上述Pni(ni)可以通过计算以ni节点作为接收节点，从ni节点对应的发送节点mi发送过来的有功功率Pmi(mi)与节点ni的有功功率(即节点ni配置的分布式电源发出的有功功率)之和，减去节点ni的负载所需的有功功率得到；同样地，Pmi(mi)可以通过计算以mi节点作为接收节点，从mi节点对应的发送节点发送过来的有功功率与节点mi的有功功率之和，减去节点mi的负载所需的有功功率得到；如此不断上寻，而最初的从节点1发送的有功功率可以根据节点1的有功功率(即节点1配置的分布式电源发出的有功功率以及节点1配置的原有的电源的有功功率)减去节点1的负载所需的有功功率得到。同理，上述Qni(ni)可以通过计算以ni节点作为接收节点，从ni节点对应的发送节点mi发送过来的无功功率Qmi(mi)与节点ni的无功功率(即节点ni配置的分布式电源发出的无功功率)，以及节点ni的无功补偿功率之和得到；计算方式与Pni(ni)类似，这里不再赘述。
当分布式电源接入分布式配电网络时，整个分布式配电网络的电压稳定性函数的值就会随之改变，电压稳定性函数能够用分布式配电网络的全部节点的电压稳定性指标进行评估，即由式(4)和(5)可推导出电压稳定性函数，如式(6)～(7)所示：
Figure BDA0001813467730000121
其中，SI(ni)为节点ni的电压稳定性指标，当分布式配电系统稳定运行时，SI(ni)>0,ni＝2,3,...,nn；分布式配电网络的电压稳定性函数为：
Figure BDA0001813467730000122
根据上述有功损耗函数、电压水平函数以及电压稳定性函数，目标函数可通过下式(8)表示：
f＝Min{f1+k1f2+k2f3} (8)
其中，k1和k2可以通过统计大量的f1、f2和f3的值得到，或者通过经验预设。例如，k1可以为800-1200，例如1000，与f1和f2之间的数量级差适配；k2可以为800-1200，例如1000，与f1和f3之间的数量级差适配。
可选地，目标函数还可以包括：针对分布式配电系统的各节点的电学参数的惩罚函数，惩罚函数与f1+k1f2+k2f3之间具有求和的关系；惩罚函数用于约束各节点的电学参数。本发明实施例通过引入惩罚函数使得可行解的适应度(即目标函数的值)始终优于不可行解，进而在上述采用纵横交叉算法进行迭代优化的过程中避免算法收敛于不可行解，得到不可行的配置参数。其中，可行解对应的配置参数可以使得分布式系统中各节点的电学参数在可接受的范围内；而不可行解对应的配置参数会使得分布式系统中各节点的电学参数存在超出可接受的范围的情况，导致安全隐患。上述电学参数可以包括分布式配电系统中各节点的电压、有功功率、无功功率或者视在功率等。
示例性地，惩罚函数可以包括下面式(9)所示的关系式：
Figure BDA0001813467730000123
其中，β1、β2为惩罚系数，N＝nn-1为分布式配电系统的支路数目，nn为分布式配电系统的节点数目，ni＝2,3,...,nn为各节点的编号，Vni为节点ni的电压值，
Figure BDA0001813467730000131
为节点ni的电压上限值，
Figure BDA0001813467730000132
为节点ni的电压下限值，Sni为节点ni的视在功率，
Figure BDA0001813467730000133
为节点ni的视在功率上限值。
根据上述有功损耗函数、电压水平函数、电压稳定性函数以及惩罚函数，目标函数可通过下式(10)表示：
Figure BDA0001813467730000134
其中，惩罚系数β1、β2为可以通过统计大量的可行解和不可行解对应的目标函数的值来得到，保证尽可能多的可行解对应的目标函数的值小于不可行解对应的目标函数的值，且惩罚函数的值尽可能小；也可以通过经验预设，例如，β1可以为0.32，β2可以为0.3。
示例性地，参照表1所示，为纵横交叉算法中各参数的含义：
参数 含义
X 种群矩阵
M 种群规模
D 解空间维数
X(i,j) 第i个粒子的第j维
MS<sub>hc</sub>(MS<sub>vc</sub>) 横向(纵向)交叉得到的中庸解
DS<sub>hc</sub>(DS<sub>vc</sub>) 中庸解经过经过竞争算子后得到的占优解
表1
在本实施例中，参照表1和图5所示，上述迭代处理操作具体可以包括：
(1)以初始种群X＝[X(1),X(2),X(3),X(4),X(5),X(6),X(7),X(8),X(9)，X(10)]中的粒子为第一父代粒子进行横向交叉，以第一父代粒子中的X(i)和X(j)为例，即将第一父代粒子中的X(i)和X(j)的第d维执行横向交叉算子，则产生的至少两个第一子代粒子，其中，上述两个第一子代粒子的第d维分别为MShc(i,d)和MShc(j,d)：
Figure BDA0001813467730000141
在本实施例中维数d＝2，r1、r2是[0,1]之间的随机数；c1、c2是[-1,1]之间的随机数；横向交叉产生的第一子代粒子的MShc(i,d)和MShc(j,d)保存在中庸解矩阵MShc中。具体地，可以对第一父代粒子中所有两个不重复的粒子的第2维进行横向交叉得到第一子代粒子。
(2)以目标函数为适应度函数，即通过执行竞争算子，从第一父代粒子和第一子代粒子中筛选出第二父代粒子并保存至占优解矩阵DShc中。
(3)对第二父代粒子进行纵向交叉，以第二父代粒子中的X(i)为例，即将X(i)粒子的第d1维X(i,d1)和第d2维X(i,d2)纵向交叉后产生至少一个第二子代粒子，其中，上述第二子代粒子的第d2维为MSvc(i,d2)：
Figure BDA0001813467730000142
在本实施例中维数d1＝1，d2＝2，r1、r2是[0,1]之间的随机数；c1、c2是[-1,1]之间的随机数；纵向交叉产生的第二子代粒子的MSvc(i,d2)保存在中庸解矩阵MSvc中。具体地，可以对第二父代粒子中所有的粒子的第1维和第2维进行纵向交叉得到第二子代粒子。
需要说明的是，因为纵向交叉采用的是不同维之间的交叉，而不同维之间的度量可能不同，因此需要在纵向交叉前对上述需要交叉的第d1维X(i,d1)和第d2维X(i,d2)分别进行归一化，而在纵向交叉后再根据对d2维进行的归一化系数进行反归一化。此外，在进行纵向交叉前，可以根据纵向交叉概率Pv来确定本次是否进行纵向交叉。具体地，可以通过产生[0,1]内的随机数，当该随机数小于或等于Pv时，进行纵向交叉；而当该随机数大于Pv时，则跳入下一步，不进行纵向交叉。
(4)以目标函数为适应度函数，即通过执行竞争算子，从第二父代粒子和第二子代粒子中筛选出第三父代粒子并保存至占优解矩阵DSvc中。
可选地，参照图6所示，在S302中，以目标函数为适应度函数，从第一父代粒子和第一子代粒子中筛选出第二父代粒子，即通过目标函数筛选粒子的步骤包括：
S601，根据第一父代粒子和第一子代粒子中各粒子的目标值，进行潮流计算，得到第一父代粒子和第一子代粒子中各粒子对应的分布式配电系统中各节点的电学参数。
其中，潮流计算是指在给定电力系统网络拓扑、元件参数和发电、负荷参量条件下，计算有功功率、无功功率及电压等电学参数在电力网中的分布，即计算各节点的有功功率、无功功率及电压等电学参数，具体可以通过牛顿法、PQ乘子法等多种计算方法。对于每一个节点ni，需要满足节点平衡式(13)和(14)：
Figure BDA0001813467730000151
Figure BDA0001813467730000152
其中，节点ni和节点nj为相邻的两个节点，Pgni为节点ni的有功功率，Pdni为节点ni的负载所需的有功功率，Vni为节点ni的电压；Vnj为节点nj的电压，Ynj为节点ni和节点nj之间的支路的导纳，δni为节点ni的电压相位，δnj为节点nj的电压相位，θnj为Ynj的相角，Qgni为节点ni的无功功率，Qdni为节点ni的无功补偿功率。因此，在本实施例中，在已知各支路的导纳及相角、各节点的负载所需的有功功率、各节点的无功补偿功率等参数的情况下，可以根据各节点的配置的分布式电源的容量以及预设的功率因数，得到各节点的配置的分布式电源发出的有功功率和无功功率分别作为各节点的有功功率和无功功率的初值，进而代入由上式(13)-(14)组成的非线性方程组中进行计算，得到各节点的电学参数，包括各节点的电压、有功功率、无功功率或者视在功率等，其中，电压包括电压值以及电压的相位。
上述预设的配置模型包括目标函数，还可以包括对各节点的电学参数的约束条件，可以采用各节点的电学参数的上限值和下限值进行限制：当节点的电学参数的值小于或等于该节点的电学参数的下限值值时，可以将该节点的电学参数的取值修正为该节点的电学参数的下限值；当节点的电学参数的值大于或等于该节点的电学参数的上限值时，可以将该节点的电学参数的取值修正为该节点的电学参数的上限值。
例如，每一个节点电压必须维持在标准范围之内，即：
Figure BDA0001813467730000161
其中，
Figure BDA0001813467730000162
为节点ni的电压上限值，
Figure BDA0001813467730000163
为节点ni的电压下限值。
另外，各节点配置的分布式电源的发电功率本质上会受到所处位置上能源供应等的限制，因此有必要约束各节点的有功功率的上下限，即：
Figure BDA0001813467730000164
其中，
Figure BDA0001813467730000165
为节点ni的有功功率上限值，
Figure BDA0001813467730000166
为节点ni的有功功率下限值。
此外，各节点的热极限(有功视在功率)不应超过其最大值，即：
Figure BDA0001813467730000167
其中，
Figure BDA0001813467730000168
为节点ni的视在功率的上限值。
S602，根据分布式配电系统中各节点的电学参数，通过目标函数得到第一父代粒子和第一子代粒子中各粒子的适应度。
根据第一父代粒子和第一子代粒子中各粒子的目标值进行潮流计算，得到各粒子对应的分布式配电系统中各节点的电学参数，可以通过上式(10)分别计算得到各粒子对应的目标函数的值，作为各粒子的适应度。
S603，将第一父代粒子和第一子代粒子中各粒子的适应度由大到小进行排序，根据初始种群中粒子的总数选取数目相同且排序靠后的各粒子作为第二父代粒子。
可以理解的是，粒子的目标函数值越小，分布式配电网络的整体性能越好，此时该粒子计算得到的适应度较小，因此，可以选取适应度较小的各粒子作为优选的粒子，即第二父代粒子。为了保持前后一致以及计算的便捷性，优选的粒子数目可以为初始种群中粒子的总数，即迭代过程中每一代的优选粒子的数目可以不变。
S303，将第三父代粒子作为新的第一父代粒子，返回执行迭代处理操作，直至迭代次数大于或者等于预设阈值为止，并将迭代次数大于或者等于预设阈值时的第一父代粒子的目标值确定为配置参数。
具体地，参照图5所示，判断此次迭代次数是否达到预设阈值，即最大迭代次数；当迭代次数小于预设阈值时，则以第三父代粒子作为新的第一父代粒子，返回执行迭代处理操作；当迭代次数大于或者等于预设阈值时，停止迭代，此时得到的新的第一父代粒子中各粒子的目标值趋于一致，可以将各粒子的目标值的平均值作为配置参数，还可以选取该新的第一父代粒子中目标函数的值最小的粒子的目标值作为配置参数。
上述分布式电源配置方法中，通过分布式配电系统中的节点数目以及分布式配电系统的总配置容量生成初始种群，并根据该初始种群采用纵横交叉算法计算得到当目标函数最优时该分布式配电系统中各节点配置的分布式电源的容量，因为该目标函数包括该分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合，因此该目标函数最优时该分布式配电系统整体性能达到最优，该整体性能可以包括与该目标函数对应的该分布式配电系统的有功损耗、电压水平以及电压稳定性这三个性能的综合；因此通过本实施例的分布式配置方法得到的配置参数进行分布式电源的配置，可以有效提升配电网络的整体性能，尽可能实现最小化网络损耗、最优化电压调节、提高电压稳定性中的至少两个目标；同时，采用纵横交叉算法能够解决求解出的配置参数为局部最优的问题，从而提高最优解的精确度，同时能够加快收敛速度；此外，本实施例中的目标函数还可以包括约束分布式配电系统的各节点的电学参数的惩罚函数，从而在上述采用纵横交叉算法进行迭代优化的过程中避免算法收敛于不可行解，从而得到可行的配置参数，提高了计算效率。
应该理解的是，虽然图2-3,5-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3,5-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种分布式电源配置装置70，包括：初始种群生成模块701和配置参数计算模块702，其中：
初始种群生成模块701，用于根据分布式配电系统中的节点数目以及分布式配电系统的总配置容量生成初始种群；
配置参数计算模块702，用于以预设的配置模型中的目标函数为适应度函数，基于初始种群并采用纵横交叉算法获取配置模型的配置参数；配置参数包括分布式配电系统中各节点配置的分布式电源的容量，目标函数表征分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系。
可选地，绑定关系包括有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合。
进一步地，有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合包括关系式：f1+k1f2+k2f3，其中，f1为有功损耗函数，f2为电压水平函数，f3为电压稳定性函数；k1为f2的平衡系数，与f1和f2之间的数量级差适配；k2为f3的平衡系数，与f1和f3之间的数量级差适配。
更进一步地，目标函数还包括：针对分布式配电系统的各节点的电学参数的惩罚函数，惩罚函数与f1+k1f2+k2f3之间具有求和的关系；惩罚函数用于约束各节点的电学参数。
具体地，惩罚函数包括关系式：
Figure BDA0001813467730000181
其中，β1、β2为惩罚系数，N＝nn-1为分布式配电系统的支路数目，nn为分布式配电系统的节点数目，ni＝2,3,...,nn为各节点的编号，Vni为节点ni的电压值，
Figure BDA0001813467730000182
为节点ni的电压上限值，
Figure BDA0001813467730000183
为节点ni的电压下限值，Sni为节点ni的视在功率，
Figure BDA0001813467730000184
为节点ni的视在功率上限值。
可选地，初始种群中各粒子的长度为节点数目，各粒子的目标值为设置的初始配置参数。
进一步地，参照图8所示，在上述图7的基础上，配置参数计算模块702，可以包括迭代筛选单元7021和迭代控制单元7022，其中：
迭代筛选单元7021，用于执行迭代处理操作，迭代处理操作包括：以初始种群中的粒子为第一父代粒子，横向交叉产生第一子代粒子，并以目标函数为适应度函数，从第一父代粒子和第一子代粒子中筛选出第二父代粒子，基于第二父代粒子进行纵向交叉产生第二子代粒子，并再次以目标函数为适应度函数，从第二父代粒子和第二子代粒子中筛选出第三父代粒子；
迭代控制单元7022，用于将第三父代粒子作为新的第一父代粒子，返回执行迭代处理操作，直至迭代次数大于或者等于预设阈值为止，并将迭代次数大于或者等于预设阈值时的第一父代粒子的目标值确定为配置参数。
可选地，迭代筛选单元7021可以用于根据第一父代粒子和第一子代粒子中各粒子的目标值，进行潮流计算，得到第一父代粒子和第一子代粒子中各粒子对应的分布式配电系统中各节点的电学参数；根据分布式配电系统中各节点的电学参数，通过目标函数得到第一父代粒子和第一子代粒子中各粒子的适应度；将第一父代粒子和第一子代粒子中各粒子的适应度由大到小进行排序，根据初始种群中粒子的总数选取数目相同且排序靠后的各粒子作为第二父代粒子。
上述分布式电源配置方法中，通过分布式配电系统中的节点数目以及分布式配电系统的总配置容量生成初始种群，并根据该初始种群采用纵横交叉算法计算得到当目标函数最优时该分布式配电系统中各节点配置的分布式电源的容量，因为该目标函数包括该分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系，因此该目标函数最优时该分布式配电系统整体性能达到最优，该整体性能可以包括与该目标函数对应的该分布式配电系统的有功损耗、电压水平以及电压稳定性中至少两个性能的综合；因此通过本实施例的分布式配置方法得到的配置参数进行分布式电源的配置，可以有效提升配电网络的整体性能，尽可能实现最小化网络损耗、最优化电压调节、提高电压稳定性中的至少两个目标；同时，采用纵横交叉算法能够解决求解出的配置参数为局部最优的问题，从而提高最优解的精确度，同时能够加快收敛速度。
关于分布式电源配置装置的具体限定可以参见上文中对于分布式电源配置方法的限定，在此不再赘述。上述分布式电源配置装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种分布式电源配置方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据分布式配电系统中的节点数目以及分布式配电系统的总配置容量生成初始种群；
以预设的配置模型中的目标函数为适应度函数，基于初始种群并采用纵横交叉算法获取配置模型的配置参数；配置参数包括分布式配电系统中各节点配置的分布式电源的容量，目标函数表征分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系。
在一个实施例中，绑定关系包括有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合。
在一个实施例中，有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合包括关系式：f1+k1f2+k2f3，其中，f1为有功损耗函数，f2为电压水平函数，f3为电压稳定性函数；k1为f2的平衡系数，与f1和f2之间的数量级差适配；k2为f3的平衡系数，与f1和f3之间的数量级差适配。
在一个实施例中，目标函数还包括：针对分布式配电系统的各节点的电学参数的惩罚函数，惩罚函数与f1+k1f2+k2f3之间具有求和的关系；惩罚函数用于约束各节点的电学参数。
在一个实施例中，惩罚函数包括关系式：
Figure BDA0001813467730000211
其中，β1、β2为惩罚系数，N＝nn-1为分布式配电系统的支路数目，nn为分布式配电系统的节点数目，ni＝2,3,...,nn为各节点的编号，Vni为节点ni的电压值，
Figure BDA0001813467730000212
为节点ni的电压上限值，
Figure BDA0001813467730000213
为节点ni的电压下限值，Sni为节点ni的视在功率，
Figure BDA0001813467730000214
为节点ni的视在功率上限值。
在一个实施例中，初始种群中各粒子的长度为节点数目，各粒子的目标值为设置的初始配置参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：执行迭代处理操作，迭代处理操作包括：以初始种群中的粒子为第一父代粒子，横向交叉产生第一子代粒子，并以目标函数为适应度函数，从第一父代粒子和第一子代粒子中筛选出第二父代粒子，基于第二父代粒子进行纵向交叉产生第二子代粒子，并再次以目标函数为适应度函数，从第二父代粒子和第二子代粒子中筛选出第三父代粒子；将第三父代粒子作为新的第一父代粒子，返回执行迭代处理操作，直至迭代次数大于或者等于预设阈值为止，并将迭代次数大于或者等于预设阈值时的第一父代粒子的目标值确定为配置参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据第一父代粒子和第一子代粒子中各粒子的目标值，进行潮流计算，得到第一父代粒子和第一子代粒子中各粒子对应的分布式配电系统中各节点的电学参数；根据分布式配电系统中各节点的电学参数，通过目标函数得到第一父代粒子和第一子代粒子中各粒子的适应度；将第一父代粒子和第一子代粒子中各粒子的适应度由大到小进行排序，根据初始种群中粒子的总数选取数目相同且排序靠后的各粒子作为第二父代粒子。
在一个实施例中，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据分布式配电系统中的节点数目以及分布式配电系统的总配置容量生成初始种群；
以预设的配置模型中的目标函数为适应度函数，基于初始种群并采用纵横交叉算法获取配置模型的配置参数；配置参数包括分布式配电系统中各节点配置的分布式电源的容量，目标函数表征分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系。
在一个实施例中，绑定关系包括有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合。
在一个实施例中，有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合包括关系式：f1+k1f2+k2f3，其中，f1为有功损耗函数，f2为电压水平函数，f3为电压稳定性函数；k1为f2的平衡系数，与f1和f2之间的数量级差适配；k2为f3的平衡系数，与f1和f3之间的数量级差适配。
在一个实施例中，目标函数还包括：针对分布式配电系统的各节点的电学参数的惩罚函数，惩罚函数与f1+k1f2+k2f3之间具有求和的关系；惩罚函数用于约束各节点的电学参数。
在一个实施例中，惩罚函数包括关系式：
Figure BDA0001813467730000231
其中，β1、β2为惩罚系数，N＝nn-1为分布式配电系统的支路数目，nn为分布式配电系统的节点数目，ni＝2,3,...,nn为各节点的编号，Vni为节点ni的电压值，
Figure BDA0001813467730000232
为节点ni的电压上限值，
Figure BDA0001813467730000233
为节点ni的电压下限值，Sni为节点ni的视在功率，
Figure BDA0001813467730000234
为节点ni的视在功率上限值。
在一个实施例中，初始种群中各粒子的长度为节点数目，各粒子的目标值为设置的初始配置参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：执行迭代处理操作，迭代处理操作包括：以初始种群中的粒子为第一父代粒子，横向交叉产生第一子代粒子，并以目标函数为适应度函数，从第一父代粒子和第一子代粒子中筛选出第二父代粒子，基于第二父代粒子进行纵向交叉产生第二子代粒子，并再次以目标函数为适应度函数，从第二父代粒子和第二子代粒子中筛选出第三父代粒子；将第三父代粒子作为新的第一父代粒子，返回执行迭代处理操作，直至迭代次数大于或者等于预设阈值为止，并将迭代次数大于或者等于预设阈值时的第一父代粒子的目标值确定为配置参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据第一父代粒子和第一子代粒子中各粒子的目标值，进行潮流计算，得到第一父代粒子和第一子代粒子中各粒子对应的分布式配电系统中各节点的电学参数；根据分布式配电系统中各节点的电学参数，通过目标函数得到第一父代粒子和第一子代粒子中各粒子的适应度；将第一父代粒子和第一子代粒子中各粒子的适应度由大到小进行排序，根据初始种群中粒子的总数选取数目相同且排序靠后的各粒子作为第二父代粒子。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种分布式电源配置方法，其特征在于，所述方法包括：
根据分布式配电系统中的节点数目、预设的种群规模以及所述分布式配电系统的总配置容量生成初始种群；所述种群规模等于所述初始种群中的粒子数目；
以预设的配置模型中的目标函数为适应度函数，基于所述初始种群并采用纵横交叉算法获取所述配置模型的配置参数；所述配置参数包括所述分布式配电系统中各节点配置的分布式电源的容量，所述目标函数表征所述分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系，所述绑定关系包括求和关系、求差关系或者倒数求和关系中的任一种；
其中，以预设的配置模型中的目标函数为适应度函数，基于所述初始种群并采用纵横交叉算法获取所述配置模型的配置参数，包括：
执行迭代处理操作，所述迭代处理操作包括：以所述初始种群中的粒子为第一父代粒子，横向交叉产生第一子代粒子，并以所述目标函数为适应度函数，从所述第一父代粒子和所述第一子代粒子中筛选出第二父代粒子，基于所述第二父代粒子进行纵向交叉产生第二子代粒子，并再次以所述目标函数为适应度函数，从所述第二父代粒子和所述第二子代粒子中筛选出第三父代粒子；
将所述第三父代粒子作为新的第一父代粒子，返回执行所述迭代处理操作，直至迭代次数大于或者等于预设阈值为止，并将所述迭代次数大于或者等于预设阈值时的第一父代粒子的目标值确定为所述配置参数；
其中，所述以所述目标函数为适应度函数，从所述第一父代粒子和所述第一子代粒子中筛选出第二父代粒子，包括：
根据所述第一父代粒子和所述第一子代粒子中各粒子的目标值，进行潮流计算，得到所述第一父代粒子和所述第一子代粒子中各粒子对应的分布式配电系统中各节点的电学参数；
根据所述分布式配电系统中各节点的电学参数，通过所述目标函数得到所述第一父代粒子和所述第一子代粒子中各粒子的适应度；
将所述第一父代粒子和所述第一子代粒子中各粒子的适应度由大到小进行排序，根据所述初始种群中粒子的总数选取数目相同且排序靠后的各粒子作为所述第二父代粒子。
2.根据权利要求1所述的方法，其特征在于，所述绑定关系包括所述有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合。
3.根据权利要求2所述的方法，其特征在于，所述有功损耗函数、电压水平函数以及电压稳定性函数之间的加权线性组合包括关系式：f1+k1f2+k2f3，
其中，f1为所述有功损耗函数，f2为所述电压水平函数，f3为所述电压稳定性函数；k1为f2的平衡系数，与f1和f2之间的数量级差适配；k2为f3的平衡系数，与f1和f3之间的数量级差适配。
4.根据权利要求3所述的方法，其特征在于，所述目标函数还包括：针对所述分布式配电系统的各节点的电学参数的惩罚函数，所述惩罚函数与所述f1+k1f2+k2f3之间具有求和的关系；所述惩罚函数用于约束各节点的电学参数。
5.根据权利要求4所述的方法，其特征在于，所述惩罚函数包括关系式：
Figure FDA0003562711120000021
其中，β1、β2为惩罚系数，N＝nn-1为所述分布式配电系统的支路数目，nn为所述分布式配电系统的节点数目，ni＝2,3,...,nn为各节点的编号，Vni为节点ni的电压值，
Figure FDA0003562711120000022
为节点ni的电压上限值，
Figure FDA0003562711120000023
为节点ni的电压下限值，Sni为节点ni的视在功率，
Figure FDA0003562711120000024
为节点ni的视在功率上限值。
6.根据权利要求1所述的方法，其特征在于，所述初始种群中各粒子的长度为所述节点数目，各粒子的目标值为设置的初始配置参数。
7.一种分布式电源配置装置，其特征在于，所述装置包括：
初始种群生成模块，用于根据分布式配电系统中的节点数目、预设的种群规模以及所述分布式配电系统的总配置容量生成初始种群；所述种群规模等于所述初始种群中的粒子数目；
配置参数计算模块，用于以预设的配置模型中的目标函数为适应度函数，基于所述初始种群并采用纵横交叉算法获取所述配置模型的配置参数；所述配置参数包括所述分布式配电系统中各节点配置的分布式电源的容量，所述目标函数表征所述分布式配电系统的有功损耗函数、电压水平函数以及电压稳定性函数中至少两个函数之间的绑定关系；
所述配置参数计算模块，具体用于执行迭代处理操作，所述迭代处理操作包括：以所述初始种群中的粒子为第一父代粒子，横向交叉产生第一子代粒子，并以所述目标函数为适应度函数，从所述第一父代粒子和所述第一子代粒子中筛选出第二父代粒子，基于所述第二父代粒子进行纵向交叉产生第二子代粒子，并再次以所述目标函数为适应度函数，从所述第二父代粒子和所述第二子代粒子中筛选出第三父代粒子；
将所述第三父代粒子作为新的第一父代粒子，返回执行所述迭代处理操作，直至迭代次数大于或者等于预设阈值为止，并将所述迭代次数大于或者等于预设阈值时的第一父代粒子的目标值确定为所述配置参数；
配置参数计算模块，具体还用于根据所述第一父代粒子和所述第一子代粒子中各粒子的目标值，进行潮流计算，得到所述第一父代粒子和所述第一子代粒子中各粒子对应的分布式配电系统中各节点的电学参数；
根据所述分布式配电系统中各节点的电学参数，通过所述目标函数得到所述第一父代粒子和所述第一子代粒子中各粒子的适应度；
将所述第一父代粒子和所述第一子代粒子中各粒子的适应度由大到小进行排序，根据所述初始种群中粒子的总数选取数目相同且排序靠后的各粒子作为所述第二父代粒子。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN201811130673.3A 2018-09-27 2018-09-27 分布式电源配置方法、装置、计算机设备和可读存储介质 Active CN109103933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811130673.3A CN109103933B (zh) 2018-09-27 2018-09-27 分布式电源配置方法、装置、计算机设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811130673.3A CN109103933B (zh) 2018-09-27 2018-09-27 分布式电源配置方法、装置、计算机设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN109103933A CN109103933A (zh) 2018-12-28
CN109103933B true CN109103933B (zh) 2022-07-12

Family

ID=64867207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811130673.3A Active CN109103933B (zh) 2018-09-27 2018-09-27 分布式电源配置方法、装置、计算机设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN109103933B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903073A (zh) * 2014-04-23 2014-07-02 河海大学 一种含分布式电源及储能的微电网优化规划方法及系统
CN104810861A (zh) * 2015-04-23 2015-07-29 广西电网有限责任公司电力科学研究院 一种低压配电网中分布式电源的优化选址与定容方法
CN106026117A (zh) * 2016-05-19 2016-10-12 重庆邮电大学 一种电力系统中基于约束优先法则的无功优化方法
CN107516892A (zh) * 2017-07-21 2017-12-26 重庆邮电大学 基于处理有功优化约束条件提高电能质量的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2526568B1 (en) * 2010-01-23 2017-04-19 Solarwat Ltd. Solar system for generating electric power
CN104239961B (zh) * 2014-07-16 2016-05-18 广东工业大学 一种基于纵横交叉算法的电力系统经济调度优化方法
CN106485365A (zh) * 2016-10-25 2017-03-08 广东工业大学 一种电力系统负荷预测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903073A (zh) * 2014-04-23 2014-07-02 河海大学 一种含分布式电源及储能的微电网优化规划方法及系统
CN104810861A (zh) * 2015-04-23 2015-07-29 广西电网有限责任公司电力科学研究院 一种低压配电网中分布式电源的优化选址与定容方法
CN106026117A (zh) * 2016-05-19 2016-10-12 重庆邮电大学 一种电力系统中基于约束优先法则的无功优化方法
CN107516892A (zh) * 2017-07-21 2017-12-26 重庆邮电大学 基于处理有功优化约束条件提高电能质量的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多目标纵横交叉算法的分布式电源规划;魏明磊等;《黑龙江电力》;20161031;第38卷(第5期);第412-417页 *
魏明磊等.基于多目标纵横交叉算法的分布式电源规划.《黑龙江电力》.2016,第38卷(第5期),第412-417页. *

Also Published As

Publication number Publication date
CN109103933A (zh) 2018-12-28

Similar Documents

Publication Publication Date Title
Ehsan et al. Optimal integration and planning of renewable distributed generation in the power distribution networks: A review of analytical techniques
Ali et al. A novel distributed generation planning algorithm via graphically-based network reconfiguration and soft open points placement using Archimedes optimization algorithm
Sultana et al. Krill herd algorithm for optimal location of distributed generator in radial distribution system
Kayal et al. Optimal mix of solar and wind distributed generations considering performance improvement of electrical distribution network
CN105243516B (zh) 基于主动配电网的分布式光伏发电最大消纳能力计算系统
Sirjani et al. Optimal placement and sizing of Static Var Compensators in power systems using Improved Harmony Search Algorithm
Abou El‐Ela et al. Minimisation of voltage fluctuation resulted from renewable energy sources uncertainty in distribution systems
Huang et al. Hybrid optimisation method for optimal power flow using flexible AC transmission system devices
Rao et al. Sensitivity analysis based optimal location and tuning of static VAR compensator using firefly algorithm
Ersavas et al. Optimum allocation of FACTS devices under load uncertainty based on penalty functions with genetic algorithm
Anwar et al. Optimum capacity allocation of DG units based on unbalanced three-phase optimal power flow
Parihar et al. Optimal integration of multi-type DG in RDS based on novel voltage stability index with future load growth
Nasiraghdam et al. Load model effect assessment on optimal distributed generation (DG) sizing and allocation using improved harmony search algorithm
Lee et al. Optimal operation of multiple DGs in DC distribution system to improve system efficiency
Kumar et al. Optimal power flow with static VAR compensator based on flower pollination algorithm to minimize real power losses
Rezaeian‐Marjani et al. Probabilistic assessment of D‐STATCOM operation considering correlated uncertain variables
Bhayani et al. Optimal allocation of facts devices using kinetic gas molecular optimization and cuckoo search algorithm
Ayvaz et al. A novel optimization method for wind power investment considering economic and security concerns
Akbari-Zadeh et al. Dstatcom allocation in the distribution system considering load uncertainty
Abbagana et al. Differential evolution based optimal placement and sizing of two distributed generators in a power distribution system
CN109103933B (zh) 分布式电源配置方法、装置、计算机设备和可读存储介质
Wartana et al. Optimal placement of FACTS controllers for maximising system loadability by PSO
Gupta et al. Comparison of deterministic and probabilistic radial distribution systems load flow
Gautam et al. Mitigating congestion in restructured power system using FACTS allocation by sensitivity factors and parameter optimized by GWO
Ruiz-Rodriguez et al. A hybrid method combining JFPSO and probabilistic three-phase load flow for improving unbalanced voltages in distribution systems with photovoltaic generators

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