CN109242271B - 分布式光伏接入配电网电能质量治理的节点灵敏度分析法 - Google Patents

Abstract

本发明公开了一种分布式光伏接入配电网电能质量治理的节点灵敏度分析法。本发明的技术方案包括：提出节点电压偏差总和、电流总谐波畸变率和安装成本优化目标函数；构建复合储能装置选址定容多目标优化模型；分别在各个节点安装同一容量的复合储能装置，并进行潮流计算获得各个节点的电压偏差和电流总谐波畸变率变化量；应用粒子群算法，设定粒子群大小和迭代次数；求解获得复合储能装置安装位置和安装容量。本发明利用节点灵敏度分析法对节点预处理减少计算节点个数，从而大大减小计算量，提高优化效率；同时采用自适应动态权重的改进粒子群算法，根据目标函数值与全局平均值的差值动态改变权重系数，提高了全局寻优速度。

Description

分布式光伏接入配电网电能质量治理的节点灵敏度分析法

技术领域

本发明涉及配电网电能质量治理领域，尤其是一种高功率密度分布式光伏接入配电网后进行电能质量治理的节点灵敏度分析方法。

背景技术

当前世界能源枯竭，能源变革势在必行，高功率密度分布式光伏发电迅速发展。但其自身波动性和间歇性的特点以及大量的电力电子装置的接入会导致配电网出现严重的电压质量问题。研究表明在相应节点配置一定容量的储能装置，可以达到改善电能质量的目标。储能系统接入位置与容量的不同对电能质量的治理影响很大，因此如何利用算法计算出储能系统的最优安装位置和安装容量是亟待解决的热点问题，而如何在复杂多节点的配电网系统中快速、高效的求解出储能系统的最优安装位置和容量更是一个难点问题。

近年来，对储能系统的最优安装位置和安装容量的求解有一些科研成果，一些学者提出了基于遗传算法的优化算法，并在算法中加入容量修正环节，从而大大节约安装成本；也有一些学者利用粒子群算法和遗传算法的交叉变异操作结合，从而提高求解的速度和效率；但从整体而言，目前针对储能系统的最优安装位置和安装容量的求解算法均只在算法本身进行了改进，仅仅提升了算法本身的求解速率，但均未考虑配电网本身结构复杂、节点个数多所带来计算量大、求解效率低的影响。

在复合储能系统选址定容求解方法方面，国内外学者大都采用遗传算法、粒子群算法等智能算法以及相关改进的智能算法进行求解。国外一些学者采用粒子群算法进行优化模型的求解；国内一些学者提出配电网中选址定容的双层优化方案，该方案采用了遗传算法，外层以成本最低为目标，内层以降低网损为目标，内外层相互配合并利用内层结果修正储能容量，使得计算结果最优。也有学者提出了粒子群算法和遗传算法相结合的混合智能算法，该方法既吸收了粒子群算法寻优速度快的特点，同时又加入遗传算法的交叉变异操作，避免所求解陷入局部最优的情况。

发明内容

针对现有技术中存在的问题，本发明提供一种高功率密度分布式光伏接入配电网电能质量治理的节点灵敏度分析方法，该方法一方面用节点灵敏度分析法对所有节点预处理，以减少计算节点个数，从而大大减小计算量，提高优化效率；另一方面该方法采用自适应动态权重的改进粒子群算法，根据目标函数值与全局平均值的差值动态改变权重系数，极大提高全局寻优速度。

为解决现有技术中存在的技术问题，本发明采用如下技术方案：分布式光伏接入配电网电能质量治理的节点灵敏度分析法，其包括如下步骤：

步骤1，提出节点电压偏差总和、电流总谐波畸变率和安装成本优化目标函数；

步骤2，构建由超级电容和铅酸电池组成的复合储能装置选址定容多目标优化模型；

步骤3，分别在各个节点安装同一容量的复合储能装置，并进行潮流计算获得各个节

点的电压偏差和电流总谐波畸变率变化量；

步骤4，计算每个节点的灵敏度系数α_storek，采用如下公式(1)；

式中，Δf_U为电压偏差总和变化量；Δf_THD为电流总谐波畸变率变化量；β₁和β₂为灵敏度系数权重，其取值范围介于0到1之间，且满足β₁+β₂＝1；ΔS为复合储能装置的变化容量；

步骤5，对节点灵敏度系数从大到小排序；

步骤6，根据需求设定安装节点比例k，取前k％×N的节点作为可行安装节点备选集合，N表示配电网的节点总数；

步骤7，采用粒子群算法，设定粒子群大小和迭代次数；

步骤8，计算每个粒子的适应度，并根据适应度更新个体最优值和全局最优值；

步骤9，更新粒子的速度、位置和惯性权重，采用如下公式(2)和公式(3)；

式中，ω为惯性权重，c₁和c₂为正的加速因子，r₁和r₂为在(0,1)区间的随机数；v_ij(t+1)表示第t+1次迭代时粒子的速度；v_ij(t)表示第t次迭代时粒子的速度；p_ij表示第t次迭代时粒子的最佳位置；x_ij(t)表示第t次迭代时粒子的位置；x_ij(t+1)表示第t+1次迭代时粒子的最佳位置；p_gj表示第t次迭代时粒子群的最佳位置；d表示迭代的总次数；

式中，ω_min和ω_max分别代表ω的最大值和最小值，f代表目前粒子的目标函数值，f_min和f_avg分别代表当前所有粒子目标函数的最小值和平均值；

步骤10，求解获得复合储能装置安装位置和安装容量。

本发明从配电网系统本身出发，先利用节点灵敏度法对所有节点进行预处理，计算各节点灵敏度系数并进行筛选，从而有效减少计算节点个数，以提高计算速度和效率。本发明采用自适应动态权重的改进粒子群算法，根据目标函数值与全局平均值的差值动态改变权重系数，提高了全局寻优速度。

作为上述技术方案的补充，所述步骤1中，各目标函数的定义式如下：

式中，f_U为节点电压偏差总和目标函数；N为系统节点个数，T为检测时刻数，U_ij为j时刻i节点的电压，U_N为系统额定电压；

式中，f_THDI为电流总谐波畸变率目标函数；I_h为第h次谐波电流的方均根值，I₁为基波电流方均根值；M表示谐波电流的总次数；

式中，f_P为安装成本优化目标函数；P_C和P_b为系统中需要配置的超级电容器和蓄电池的容量，η₁和η₂分别表示超级电容器和蓄电池的能量转换效率，c_1a和c_2a为超级电容器和蓄电池单位容量的价格，P_sum为复合储能装置总容量，c_m表示复合储能装置的日常维护成本。

所述的优化目标函数综合考虑了复合储能系统的经济性和改善电能质量的效果。

作为上述技术方案的补充，所述步骤2中，建立的复合储能装置选址定容多目标优化模型如下所示：

式中，V_i为第i个节点电压，V_min和V_max为系统电压下限和系统电压上限；P_S为输入配网总功率，P_Li为第i个节点负荷功率，P_DGj为第j个节点接入分布式光伏出力，P_storek为第k个复合储能装置容量，储能放电时为正；P_{oc_min}为复合储能装置输出功率下限，P_{oc_max}为复合储能装置输出功率上限；P_{oc_i}为复合储能装置输出功率。

作为上述技术方案的补充，所述步骤3中，首先求解未安装复合储能装置各节点的电压偏差和电流总谐波畸变率，其次通过固定复合储能装置的安装容量，分别在各个节点安装同一容量的复合储能装置，求解各个节点安装复合储能装置时的电流偏差总和变化量和电流总谐波电流变化量，有效抑制了其它因素的干扰，更好的体现出了每个节点对于电压偏差和电流总谐波畸变率的敏感程度。

作为上述技术方案的补充，所述步骤6中，设定的安装比例k的大小决定最终计算节点的个数，其数值自行调节更改。当现场对精确度要求较高时，可以将k的值设置的大一些，此时节点个数相对多，求解获得的安装位置和安装容量更优，但计算时长增长；当现场对于计算速度要求较高时，可以将k的值设置的小一些，此时节点个数相对少，求解速度快，但求得的安装位置和容量相对于节点个数较多时差一些。

作为上述技术方案的补充，所述步骤7中，粒子群算法属于一种随机优化算法，其初始化为一群随机的粒子，粒子在解空间中根据自身的信息和群体信息共同决定自身的速度和方向，通过不断迭代来获取最优解，假设搜索空间为2N维，那么每个粒子各自的速度和位置如式(8)所示：

式中，V_i为第i个粒子的速度，X_i为第i个粒子的位置；复合储能装置所接入的系统节点为X_i的前N维，复合储能装置的容量为X_i的后N维。

作为上述技术方案的补充，所述步骤9中，当粒子目标函数值大于所有粒子平均目标函数值时，ω取最大值，此时粒子可快速接近全局最优解；当粒子目标函数值小于所有粒子平均目标函数值时，ω则是在最小值的基础上加一动态值，从而提高局部寻优能力，且目标函数值越小，ω越小。惯性权重有效平衡粒子群算法的全局寻优能力和局部搜索能力。

本发明采用了自适应权重的改进粒子群算法，该算法能够根据粒子当前适应度与全局总体平均适应度进行比较，从而动态改变权重，有效平衡算法的全局寻优能力和局部搜索能力，提高了寻优效率。

本发明具有的有益效果如下：本发明提出高功率密度分布式光伏接入配电网电能质量治理的节点灵敏度分析法，该方法将灵敏度法合理应用到电能质量治理优化计算过程中，通过计算节点灵敏度系数，从而减小安装节点个数，解决了常规优化算法在节点个数较多时计算量大、效率低的问题。

附图说明

图1是本发明分布式光伏接入配电网电能质量治理的节点灵敏度分析法的流程图。

具体实施方式

下面结合说明书附图对本发明作进一步详细地说明。

如图1所示，本发明的高功率密度分布式光伏接入配电网电能质量治理的节点灵敏度分析法流程图，包括如下步骤：

101步骤1，提出节点电压偏差总和、电流总谐波畸变率和安装成本优化目标函数，该目标函数综合考虑了复合储能装置的经济性和改善电能质量的效果，各目标函数的定义式如下：

式中，f_U为节点电压偏差总和目标函数；N为系统节点个数，T为检测时刻数，U_ij为j时刻i节点的电压，U_N为系统额定电压。

式中，f_THDI为电流总谐波畸变率目标函数；I_h为第h次谐波电流的方均根值，I₁为基波电流方均根值，M表示谐波电流的总次数。

式中，f_P为安装成本优化目标函数；P_C和P_b为系统中需要配置的超级电容器和蓄电池的容量，η₁和η₂分别表示超级电容器和蓄电池的能量转换效率，c_1a和c_2a为超级电容器和蓄电池单位容量的价格，P_sum为复合储能装置总容量，c_m表示复合储能装置的日常维护成本。

102步骤2，构建复合储能装置选址定容多目标优化模型，其优化模型可由公式(4)表示：

式中，V_i为第i个节点电压，V_min和V_max为系统电压下限和系统电压上限；P_S为输入配网总功率，P_Li为第i个节点负荷功率，P_DGj为第j个节点接入分布式光伏出力，P_storek为第k个复合储能装置容量，储能放电时为正；P_{oc_min}为复合储能装置输出功率下限，P_{oc_max}为复合储能装置输出功率上限；P_{oc_i}为复合储能装置输出功率。

103步骤3，首先对未安装复合储能装置的配电网系统进行潮流计算，根据公式(1)和公式(2)计算出节点的电压偏差总和和电流总谐波畸变率，其次取复合储能装置的安装容量为固定容量S，接下来分别在每个节点安装S容量的复合储能装置，每在一个节点安装复合储能装置后就进行一次潮流计算，计算该情况下节点的电压偏差总和和电流总谐波畸变率，通过与未安装复合储能装置的计算值相减获得变化量，直至计算完所有节点。

104步骤4，计算每个节点的灵敏度系数α_storek，采用如下公式(5)；

式中，Δf_U为电压偏差总和变化量；Δf_THD为电流总谐波畸变率变化量；β₁和β₂为灵敏度系数权重，其取值范围介于0到1之间，且满足β₁+β₂＝1。β₁和β₂大小的不同体现了配电系统网络对于电压偏差和谐波含量的重视程度，其数值可根据实际需求进行更改；ΔS为复合储能装置的变化容量。

105步骤5，对节点灵敏度系数从大到小排序。通过公式(5)可知灵敏度系数越大，在该节点安装复合储能装置所改善的电能质量效果越好，因此对节点灵敏度系数从大到小排序可以清晰的体现出各个节点对于改善电能质量的敏感程度。

106步骤6，根据需求设定安装节点比例k，取前k％×N的节点作为可行安装节点备选集合，N表示配电网的节点总数。安装比例k的大小决定了最终计算节点的个数，其数值可以自行调节更改。当现场对精确度要求较高时，可以将k的值设置的大一些，此时节点个数相对多，求解获得的安装位置和安装容量更优，但计算时长增长；当现场对于计算速度要求较高时，可以将k的值设置的小一些，此时节点个数相对少，求解速度快，但求得的安装位置和容量相对于节点个数较多时可能差一些。

107步骤7，采用粒子群算法，设定粒子群大小和迭代次数。粒子群算法属于一种随机优化算法，其初始化为一群随机的粒子，粒子在解空间中根据自身的信息和群体信息共同决定自身的速度和方向，通过不断迭代来获取最优解。假设搜索空间为2N维，那么每个粒子各自的速度和位置如式(6)所示：

式中，V_i为第i个粒子的速度，X_i为第i个粒子的位置。复合储能装置所接入的系统节点为X_i的前N维，复合储能装置的容量为X_i的后N维。

108步骤8，计算每个粒子的适应度，并根据适应度更新个体最优值和全局最优值。其中粒子的适应度即为复合储能装置选址定容优化模型的三个目标函数值。

109步骤9，更新粒子的速度、位置和惯性权重，采用如下公式(7)和公式(8)；

式中，ω为惯性权重，c₁和c₂为正的加速因子，r₁和r₂为在(0,1)区间的随机数；v_ij(t+1)表示第t+1次迭代时粒子的速度；v_ij(t)表示第t次迭代时粒子的速度；p_ij表示第t次迭代时粒子的最佳位置；x_ij(t)表示第t次迭代时粒子的位置；x_ij(t+1)表示第t+1次迭代时粒子的最佳位置；p_gj表示第t次迭代时粒子群的最佳位置；d表示迭代的总次数。

式中，ω_min和ω_max分别代表ω的最大值和最小值，f代表目前粒子的目标函数值，f_min和f_avg分别代表了当前所有粒子目标函数的最小值和平均值。

惯性权重ω有效平衡粒子群算法的全局寻优能力和局部搜索能力，当粒子目标函数值大于所有粒子平均目标函数值时，ω取最大值，此时粒子可快速接近全局最优解；当粒子目标函数值小于所有粒子平均目标函数值时，ω则是在最小值的基础上加一动态值，从而提高局部寻优能力，且目标函数值越小，ω越小。

110步骤10，求解获得复合储能装置安装位置和安装容量。

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

Claims (6)

1.分布式光伏接入配电网电能质量治理的节点灵敏度分析法，其特征在于，包括如下步骤：

步骤1，提出节点电压偏差总和、电流总谐波畸变率和安装成本优化目标函数；

步骤2，构建由超级电容和铅酸电池组成的复合储能装置选址定容多目标优化模型；

步骤3，分别在各个节点安装同一容量的复合储能装置并进行潮流计算获得各个节点的电压偏差和电流总谐波畸变率变化量；

步骤4，计算每个节点的灵敏度系数α_storek，采用如下公式：

式中，Δf_U为电压偏差总和变化量；Δf_THD为电流总谐波畸变率变化量；β₁和β₂为灵敏度系数权重，其取值范围介于0到1之间，且满足β₁+β₂＝1；ΔS为复合储能装置的变化容量；

步骤5，对节点灵敏度系数从大到小排序；

步骤6，根据需求设定安装节点比例k，取前k％×N的节点作为可行安装节点备选集合，N表示配电网的节点总数；

步骤7，采用粒子群算法，设定粒子群大小和迭代次数；

步骤8，计算每个粒子的适应度，并根据适应度更新个体最优值和全局最优值；

步骤9，更新粒子的速度、位置和惯性权重，采用如下公式：

式中，ω为惯性权重，c₁和c₂为正的加速因子，r₁和r₂为在(0,1)区间的随机数；v_ij(t+1)表示第t+1次迭代时粒子的速度；v_ij(t)表示第t次迭代时粒子的速度；p_ij表示第t次迭代时粒子的最佳位置；x_ij(t)表示第t次迭代时粒子的位置；x_ij(t+1)表示第t+1次迭代时粒子的最佳位置；p_gj表示第t次迭代时粒子群的最佳位置；d表示迭代的总次数；

式中，ω_min和ω_max分别代表ω的最大值和最小值，f代表目前粒子的目标函数值，f_min和f_avg分别代表当前所有粒子目标函数的最小值和平均值；

步骤10，求解获得复合储能装置安装位置和安装容量；

所述步骤1中，各目标函数的定义式如下：

式中，f_U为节点电压偏差总和目标函数；N为系统节点个数，T为检测时刻数，U_ij为j时刻i节点的电压，U_N为系统额定电压；

式中，

为电流总谐波畸变率目标函数；I_h为第h次谐波电流的方均根值，I₁为基波电流方均根值；M表示谐波电流的总次数；

式中，f_P为安装成本优化目标函数；P_C和P_b为系统中需要配置的超级电容器和蓄电池的容量，η₁和η₂分别表示超级电容器和蓄电池的能量转换效率，c_1a和c_2a为超级电容器和蓄电池单位容量的价格，P_sum为复合储能装置总容量，c_m表示复合储能装置的日常维护成本。

2.根据权利要求1所述的分布式光伏接入配电网电能质量治理的节点灵敏度分析法，其特征在于，所述步骤2中，建立的复合储能装置选址定容多目标优化模型如下所示：

式中，V_i为第i个节点电压，V_min和V_max为系统电压下限和系统电压上限；P_S为输入配网总功率，P_Li为第i个节点负荷功率，

为第j个节点接入分布式光伏出力，P_storek为第k个复合储能装置容量，储能放电时为正；P_{oc_min}为复合储能装置输出功率下限，P_{oc_max}为复合储能装置输出功率上限；P_{oc_i}为复合储能装置输出功率。

3.根据权利要求1所述的分布式光伏接入配电网电能质量治理的节点灵敏度分析法，其特征在于，所述步骤3中，首先求解未安装复合储能装置各节点的电压偏差和电流总谐波畸变率，其次通过固定复合储能装置的安装容量，分别在各个节点安装同一容量的复合储能装置，求解各个节点安装复合储能装置时的电流偏差总和变化量和电流总谐波电流变化量。

4.根据权利要求1所述的分布式光伏接入配电网电能质量治理的节点灵敏度分析法，其特征在于，所述步骤6中，设定的安装比例k的大小决定最终计算节点的个数，其数值自行调节更改。

5.根据权利要求1所述的分布式光伏接入配电网电能质量治理的节点灵敏度分析法，其特征在于，所述步骤7中，粒子群算法属于一种随机优化算法，其初始化为一群随机的粒子，粒子在解空间中根据自身的信息和群体信息共同决定自身的速度和方向，通过不断迭代来获取最优解，假设搜索空间为2N维，那么每个粒子各自的速度和位置如下式所示：

式中，V_i为第i个粒子的速度，X_i为第i个粒子的位置；复合储能装置所接入的系统节点为X_i的前N维，复合储能装置的容量为X_i的后N维。

6.根据权利要求1所述的分布式光伏接入配电网电能质量治理的节点灵敏度分析法，其特征在于，所述步骤9中，当粒子目标函数值大于所有粒子平均目标函数值时，ω取最大值，此时粒子可快速接近全局最优解；当粒子目标函数值小于所有粒子平均目标函数值时，ω则是在最小值的基础上加一动态值，从而提高局部寻优能力，且目标函数值越小，ω越小。

Images