CN109888835B - 一种基于改进粒子群的分布式光伏配电网规划方法 - Google Patents

Abstract

本发明提出了一种基于改进粒子群的分布式光伏配电网规划方法。本发明建立配电网网络结构模型以及初始化粒子群算法参数；根据各节点负荷信息确立聚类结果生成初始种群；通过采样光伏典型日出力曲线以及地区典型日负荷曲线，计算一天中各时段配电网各节点分布式光伏总体日出力数据；依据配电网损及节点电压建立目标函数模型；对于种群中粒子,应用前推回代法进行潮流和网损计算，以建立优化模型；通过迭代结果依据预设参数更新粒子位置，重新评估粒子适应值；若粒子达到最大迭代次数条件则输出最优解即迭代终止时群体当前的最优解，否则重新规划安装方案。本发明能够在电压不越限的情况下在并网点位置安装更多分布式光伏发电系统以满足用电需求。

Description

一种基于改进粒子群的分布式光伏配电网规划方法

技术领域

本发明属于非有效接地配电网技术领域，具体涉及一种基于改进粒子群的分布式光伏配电网规划方法。

背景技术

根据2016年国家发展改革委发布的《可再生能源发展“十三五”规划》以及2018年国家能源局发布的《2018年能源工作指导意见》，分布式户用屋顶光伏发电已成为我国提高可再生能源消纳比重的主要手段之一，是我国实现2020年太阳能发电并网装机达到1.1亿千瓦目标的重要举措。

由于典型居民负荷的高峰与低谷时段和光照时段的不匹配，高比例户用屋顶光伏的并网将造成低压配电网电压越限，即低压配电网在白天容易出现过电压风险，而夜间容易面临欠电压风险，其已成为影响光伏消纳的最重要因素之一。目前处理配电网规划的算法主要分为两类:一是传统的优化算法，如线性规划法、非线性规划法、混合整数规划法、动态规划法等，但是面对多节点规划难以得到全局最优解；二是粒子群算法等人工智能的优化算法，能较好地处理离散、多目标的优化问题。在处理配电网分布式光伏发电系统规划时，采用粒子群算法时能够较好地实现电压不越限情况下光伏装机数量最多的规划目标并解决数据实时变化以及装机数量与容量不确定的问题。但现有方法中的求解规划模型往往假定负荷沿馈线按一定规律分布，与实际配电网中的负荷随机分布特性不一致，无法满足配电网分布式光伏发电精益化规划的需要。

因此，需寻找一种依据节点负荷大小，并能够考虑到实时光照变化以及户用负荷变化的分布式光伏配电网规划新方法，能够在保证电压不越限的情况下在给定并网点位置安装更多分布式光伏发电系统以满足用电需求。

发明内容

本发明的目的是提供一种基于改进粒子群的分布式光伏配电网规划方法，可用于可靠确定配电网中分布式光伏在每个节点的最优安装数量及容量，以克服背景技术中存在的问题。

为了实现上述目的，本发明的技术方案为一种基于改进粒子群的分布式光伏配电网规划方法，具体包括以下步骤：

步骤1：建立配电网网络结构模型以及初始化粒子群算法参数；

步骤2：根据各节点负荷信息确立聚类结果生成初始种群；

步骤3:通过采样分布式光伏的典型日出力曲线以及规划地区典型日负荷曲线，计算一天中各时段配电网各节点分布式光伏总体日出力数据；

步骤4：选定配电网网损以及各节点电压，结合惩罚函数建立目标函数模型；

步骤5：对于种群中每个粒子,应用前推回代法进行潮流计算和网损计算，以建立粒子优化模型；

步骤6：依据迭代次数更新惯性因子，计算每个粒子的速度以及每个粒子的位置；

步骤7：应用前推回推法进行潮流计算和网损计算，重新评估每个粒子的适应值；

步骤8：检查是否达到最大迭代次数，若满足条件输出最优解即迭代终止时的群体当前的最优解；如果没有达到最大迭代次数则转步骤4。

作为优选，步骤1中所述建立配电网网络结构模型为：

获取配电网节点数为N、Z_i为节点i的支路阻抗、P_i+jQ_i为节点i的负荷，P_i为节点i的负荷有功功率，Q_i为节点i的负荷无功功率，确定电压上限为U_max，确定电压下限为U_min；i∈[1,N]；

步骤1中所述初始化粒子群算法参数：

粒子群体的规模为M、最大迭代次数为iter_max、第一权重因子为c₁、第二权重因子为c₂、粒子更新的最大速度为v^max，采集光伏出力数据为α，户用负荷变化数据为β；

作为优选，步骤2中所述根据各节点负荷信息确立聚类结果生成初始种群具体为：

各节点装入最大光伏数量由该节点负荷所决定，故而采用系统聚类法将各节点输入有功作为聚类元素进行比较，即先将所有节点依据自身负荷各自形成一类，然后依据迭代公式进行系统聚类，即将每次离差和增加量最小的两类合并，如下所示：

其中，

代表p类中离差平方和大小，

代表q类中离差平方和大小，S_A代表p和q类合并为A类后的离差平方和，

代表同类节点有功功率平均值，p_p,i代表p类节点中第i个节点有功功率，p_q,i代表q类节点中第i个节点有功功率；

由于生成初始种群中，可能出现光伏有功输出之和大于节点消耗有功，故而各节点应当依据自身聚类结果计算虚拟光伏最大输出，即保证每节点光伏有功输入不越限情况下，假设最大光伏安装数量不变而改变后的最大有功输出，如下所示：

式中，

代表在聚类结果T中第a类的节点负荷最小值，p_pv代表单个光伏最大有功输出；

接着一天中配电网节点i分布式光伏总体日出力数据最大值p_s,i，如下所示：

其中n_i代表第i个节点的光伏装机数量，

代表虚拟光伏最大有功输出；

作为优选，步骤3中所述计算一天中各时段配电网各节点分布式光伏总体日出力数据为：

式中，p_t,i代表当前t时刻节点i分布式光伏总体日出力数据，α_t代表当前t时刻分布式光伏的典型日出力数据，α_max代表分布式光伏的典型日出力曲线中最大值，p_s,i代表计算一天中配电网节点i分布式光伏总体日出力数据最大值；

接着计算每小时配电网节点实际用电功率，具体为更新各节点每小时用电功率大小

如下所示：

其中，P_i为节点i的负荷有功功率，β_t代表规划地区当前t时刻典型日负荷曲线数据，β_max代表规划地区典型日负荷曲线中最大值，p_t,i代表当前t时刻节点i分布式光伏总体日出力数据；

接着，依据最大负荷节点计算接入最大光伏数量J，形成下述初始种群矩阵：

作为优选，步骤4中所述建立目标函数模型为：

考虑到一天之中太阳辐射以及户用负荷变化，为获得符合时间变化的最优铺设方案，依据生成种群结果计算配电网损以及节点电压情况构造如下：

式中，

表示配电网m条路径中网络损耗之和，E₁为电压越限时的惩罚因子，E₂为根据节点装机数量所定权重，N_max,i代表i节点光伏装机数量，min H表示最小化各粒子适应值；

K(V_i)＝max(0,|V_i|^min-|V_i|)+max(0,|V_i|-|V_i|^max)表示节点电压约束；

作为优选，步骤5中所述应用前推回代法进行潮流计算和网损计算为：

根据潮流计算的结果按步骤2中改变后的最大有功输出评估种群中每个粒子的适应值；

步骤5中所述建立粒子优化模型为：

依据粒子群算法进行路径寻优，其中每个粒子即每种安装方案在维空间中的坐标位置可表示为x_i＝[x_i，1,x_i，2,...,x_i,D]，粒子i(i＝1,2,...,N)的速度定义为每次迭代中粒子移动的距离，用v_i＝[v_i,1,v_i,2,...,v_i,D]表示；

第i个粒子迄今为止搜索到的最优位置为x_p,i＝[x_p,i,1,x_p,i,2,...,x_p,i,D]，该位置适应度值为p_best,i，称为个体极值；整个粒子群迄今为止搜索到的最优位置为x_g＝[x_g,1,x_g,2,...,x_g,D]，该位置适应度值为g_best，称为全局极值；

步骤6中更新迭代次数为：

更新迭代序号iter＝iter+1；

其中，iter为迭代的次数；

步骤6中所述更新惯性因子ω为：

其中，iter为迭代的次数，iter_max为预置的最大迭代次数，ω_max为限定的惯性因子上限值，ω_min为限定的惯性因子下限值；

各粒子根据如下公式更新自己的速度和位置，进行迭代操作：

计算每个粒子在k+1次迭代后的速度

为：

其中，

为粒子经k次迭代后的速度，

为群体经k次迭代后的全局最优解,

粒子在当前位置的个体最优解。

计算每个粒子在当前k+1次迭代后位置为

其中，

为粒子在k次迭代后位置，

为粒子在k+1次迭代后的速度；

取其中最小值作为群体当前的最优解g_best,设定每个粒子当前位置为认知最优解p_best,i；

作为优选，步骤7中所述应用前推回推法进行潮流计算和网损计算，重新评估每个粒子的适应值具体为：

比较各粒子适应值H和当前个体最优解p_best,i，其中H如下所示：

式中，

表示配电网m条路径中网络损耗之和，E₁为电压越限时的惩罚因子，E₂为根据节点装机数量所定权重，N_max,i代表i节点光伏装机数量；

K(V_i)＝max(0,|V_i|^min-|V_i|)+max(0,|V_i|-|V_i|^max)表示节点电压约束；

若某个粒子的适应值H(x_i)<p_best,i，则H(x_i)＝p_best,i，x_i＝x_p,i；

其中，x_p,i为第i个粒子迄今为止搜索到的最优位置，p_best,i为粒子i在当前位置的个体最优解；

令所有粒子H(x_i)中的最小值为H_min，若H_min<g_best，即本代群体最优解小于上代群体最优解，则g_best＝H_min；若g_best值不变，则h＝h+1，若h≥20则重新将部分粒子初始化，若h<20，则h＝0；

作为优选，步骤8中所述输出最优解具体为：

确定单个分布式光伏发电系统最大有功功率输出不变，限制各节点装机数量最终确定各节点实际光伏装机方案，依据分类结果回代计算实际各节点光伏数量如下所示：

式中，N_pv代表最终各节点实际光伏装机数量，g_best为确定最佳分布式光伏装机方案，p_pv代表单个分布式光伏发电系统最大有功输出，

代表虚拟光伏最大有功输出。

本发明优点在于，依据各节点负荷差异，采用聚类方法限制各节点光伏装机容量并能够考虑到实时光照变化以及户用负荷变化，采用粒子群算法进行多目标规划，使得能够在保证电压不越限的情况下在给定并网点位置安装更多分布式光伏发电系统以满足用电需求。

附图说明

图1：本发明方法流程图；

图2：本发明IEEE33节点场景示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

下面结合图1，介绍本发明的具体实施方式方法为：

步骤1：建立配电网网络结构模型以及初始化粒子群算法参数；

步骤1中所述建立配电网网络结构模型为：

获取配电网节点数为N、Z_i为节点i的支路阻抗、P_i+jQ_i为节点i的负荷，P_i为节点i的负荷有功功率，Q_i为节点i的负荷无功功率，确定电压上限为U_max，确定电压下限为U_min；i∈[1,N]；

步骤1中所述初始化粒子群算法参数：

粒子群体的规模为M、最大迭代次数为iter_max、第一权重因子为c₁、第二权重因子为c₂、粒子更新的最大速度为v^max，采集光伏出力数据为α，户用负荷变化数据为β；

步骤2：根据各节点负荷信息确立聚类结果生成初始种群；

步骤2中所述根据各节点负荷信息确立聚类结果生成初始种群具体为：

各节点装入最大光伏数量由该节点负荷所决定，故而采用系统聚类法将各节点输入有功作为聚类元素进行比较，即先将所有节点依据自身负荷各自形成一类，然后依据迭代公式进行系统聚类，即将每次离差和增加量最小的两类合并，如下所示：

其中，

代表p类中离差平方和大小，

代表q类中离差平方和大小，S_A代表p和q类合并为A类后的离差平方和，

代表同类节点有功功率平均值，p_p,i代表p类节点中第i个节点有功功率，p_q,i代表q类节点中第i个节点有功功率；

由于生成初始种群中，可能出现光伏有功输出之和大于节点消耗有功，故而各节点应当依据自身聚类结果计算虚拟光伏最大输出，即保证每节点光伏有功输入不越限情况下，假设最大光伏安装数量不变而改变后的最大有功输出，如下所示：

式中，

代表在聚类结果T中第a类的节点负荷最小值，p_pv代表单个光伏最大有功输出；

接着一天中配电网节点i分布式光伏总体日出力数据最大值p_s,i，如下所示：

其中n_i代表第i个节点的光伏装机数量，

代表虚拟光伏最大有功输出；

步骤3:通过采样分布式光伏的典型日出力曲线α以及规划地区典型日负荷曲线β，计算一天中各时段配电网各节点分布式光伏总体日出力数据p_t；

步骤3中所述计算一天中各时段配电网各节点分布式光伏总体日出力数据为：

式中，p_t,i代表当前t时刻节点i分布式光伏总体日出力数据，α_t代表当前t时刻分布式光伏的典型日出力数据，α_max代表分布式光伏的典型日出力曲线中最大值，p_s,i代表计算一天中配电网节点i分布式光伏总体日出力数据最大值；

接着计算每小时配电网节点实际用电功率，具体为更新各节点每小时用电功率大小

如下所示：

其中，P_i为节点i的负荷有功功率，β_t代表规划地区当前t时刻典型日负荷曲线数据，β_max代表规划地区典型日负荷曲线中最大值，p_t,i代表当前t时刻节点i分布式光伏总体日出力数据；

接着，依据最大负荷节点计算接入最大光伏数量J，形成下述初始种群矩阵：

步骤4：建立目标函数模型；

步骤4中所述建立目标函数模型为：

考虑到一天之中太阳辐射以及户用负荷变化，为获得符合时间变化的最优铺设方案，依据生成种群结果计算配电网损以及节点电压情况构造如下：

式中，

表示配电网m条路径中网络损耗之和，E₁为电压越限时的惩罚因子，E₂为根据节点装机数量所定权重，N_max,i代表i节点光伏装机数量，min H表示最小化各粒子适应度值；

K(V_i)＝max(0,|V_i|^min-|V_i|)+max(0,|V_i|-|V_i|^max)表示节点电压约束；

步骤5：对于种群中每个粒子,应用前推回代法进行潮流计算和网损计算，以建立粒子优化模型；

步骤5中所述应用前推回代法进行潮流计算和网损计算为：

根据潮流计算的结果按步骤2中改变后的最大有功输出评估种群中每个粒子的适应值；

步骤5中所述建立粒子优化模型为：

依据粒子群算法进行路径寻优，其中每个粒子即每种安装方案在维空间中的坐标位置可表示为x_i＝[x_i，1,x_i，2,...,x_i,D]，粒子i(i＝1,2,...,N)的速度定义为每次迭代中粒子移动的距离，用v_i＝[v_i,1,v_i,2,...,v_i,D]表示；

第i个粒子迄今为止搜索到的最优位置为x_p,i＝[x_p,i,1,x_p,i,2,...,x_p,i,D]，该位置适应度值为p_best,i，称为个体极值；整个粒子群迄今为止搜索到的最优位置为x_g＝[x_g,1,x_g,2,...,x_g,D]，该位置适应度值为g_best，称为全局极值；

步骤6：更新迭代次数、惯性因子、计算每个粒子的速度以及每个粒子的位置；

步骤6中更新迭代次数为：

更新迭代序号iter＝iter+1；

其中，iter为迭代的次数；

步骤6中所述更新惯性因子ω为：

其中，iter为迭代的次数，iter_max为预置的最大迭代次数，ω_max为限定的惯性因子上限值，ω_min为限定的惯性因子下限值。

各粒子根据如下公式更新自己的速度和位置，进行迭代操作：

计算每个粒子在k+1次迭代后的速度

为：

其中，

为粒子经k次迭代后的速度，

为群体经k次迭代后的全局最优解,

粒子在当前位置的个体最优解。

计算每个粒子在当前k+1次迭代后位置为

其中，

为粒子在k次迭代后位置，

为粒子在k+1次迭代后的速度。

取其中最小值作为群体当前的最优解g_best,设定每个粒子当前位置为认知最优解p_best,i；

步骤7：应用前推回推法进行潮流计算和网损计算，重新评估每个粒子的适应值；

步骤7中所述应用前推回推法进行潮流计算和网损计算，重新评估每个粒子的适应值具体为：

比较各粒子适应值H和当前个体最优解p_best,i，其中H如下所示：

式中，

表示配电网m条路径中网络损耗之和，E₁为电压越限时的惩罚因子，E₂为根据节点装机数量所定权重，N_max,i代表i节点光伏装机数量；

K(V_i)＝max(0,|V_i|^min-|V_i|)+max(0,|V_i|-|V_i|^max)表示节点电压约束；

若某个粒子的适应值H(x_i)<p_best,i，则H(x_i)＝p_best,i，x_i＝x_p,i；

其中，x_p,i为第i个粒子迄今为止搜索到的最优位置，p_best,i为粒子i在当前位置的个体最优解；

令所有粒子H(x_i)中的最小值为H_min，若H_min<g_best，即本代群体最优解小于上代群体最优解，则g_best＝H_min；若g_best值不变，则h＝h+1，若h≥20则重新将部分粒子初始化，若h<20，则h＝0；

步骤8：检查是否达到最大迭代次数iter_max，若满足条件则输出最优解即迭代终止时的群体当前的最优解，如果没有达到最大迭代次数则转步骤4重新计算；

步骤8中所述输出最优解具体为：

确定单个分布式光伏发电系统最大有功功率输出不变，限制各节点装机数量最终确定各节点实际光伏装机方案，依据分类结果回代计算实际各节点光伏数量如下所示：

式中，N_pv代表最终各节点实际光伏装机数量，g_best为确定最佳分布式光伏装机方案，p_pv代表单个分布式光伏发电系统最大有功输出，

代表虚拟光伏最大有功输出。

IEEE33节点配电系统如附图2所示，该模型是一个10kV的配电网馈线系统。下面结合图1以及图2介绍本发明的实施方式为：

步骤1，确立网架结构，以IEEE33配电网为例，获取配电网节点数为N、支路阻抗为Z_i、节点i的负荷为P_i+jQ_i，P_i为节点i的负荷有功功率，Q_i为节点i的负荷无功功率，确定电压上限为U_max，确定电压下限为U_min并初始化粒子群算法参数：粒子群体的规模为M、最大迭代次数为iter_max、第一权重因子为c₁、第二权重因子为c₂、粒子更新的最大速度为v^max，采集光伏出力数据为α，户用负荷变化数据为β；

步骤2，根据各节点负荷信息确立聚类结果生成初始种群；

步骤2中所述根据各节点负荷信息确立聚类结果生成初始种群具体为：

各节点装入最大光伏数量由该节点负荷所决定，故而采用系统聚类法将各节点输入有功作为聚类元素进行比较，即先将所有节点依据自身负荷各自形成一类，然后依据迭代公式进行系统聚类，即将每次离差和增加量最小的两类合并，如下所示：

其中，

代表p类中离差平方和大小，

代表q类中离差平方和大小，S_A代表p和q类合并为A类后的离差平方和，

代表同类节点有功功率平均值，p_p,i代表p类节点中第i个节点有功功率，p_q,i代表q类节点中第i个节点有功功率；

依据上述迭代公式进行系统聚类，得到聚类结果如下：

T＝[2 2 2 1 1 3 3 1 1 2 1 1 1 2 2 2 2 2 2 4 4 1 1 1 2 3 2 3 1]

步骤3:通过采样分布式光伏的典型日出力曲线α以及规划地区典型日负荷曲线β，计算一天中各时段配电网各节点分布式光伏总体日出力数据p_t；

步骤3中设定光伏出力中一般设定光伏最大有功出力为3kW，IEEE33配电系统中有功负荷最大值为420kW，故而推荐最大安装数量x_max为84，依据公式计算后计算各类别接入虚拟光伏有功最大输出分别为1.5，1.071和0.429。

生成初始路径形成部分矩阵如下：

步骤4：建立目标函数模型；

步骤4中所述建立目标函数模型为：

考虑到一天之中太阳辐射以及户用负荷变化，为获得符合时间变化的最优铺设方案，依据生成种群结果计算配电网损以及节点电压情况构造如下：

式中，

表示配电网m条路径中网络损耗之和，E₁为电压越限时的惩罚因子，E₂为根据节点装机数量所定权重，N_max,i代表i节点光伏装机数量；

K(V_i)＝max(0,|V_i|^min-|V_i|)+max((0,|V_i|-|V_i|^max)表示节点电压约束；

依据上述模型，依据光伏并网相关要求，电压上下波动应当设定为标准电压上下10％，故而设定电压上限V^max为1.07pu，电压下限为0.9pu，设定惩罚因子E₁为1000，装机数赋权E₂为3，按照初始装机方案得到初始得分H＝2.381×10²。

步骤5中所述建立粒子优化模型为：

依据粒子群算法进行路径寻优，其中每个粒子即每种安装方案在维空间中的坐标位置可表示为x_i＝[x_i，1,x_i，2,...,x_i,D]，粒子i(i＝1,2,...,N)的速度定义为每次迭代中粒子移动的距离，用v_i＝[v_i,1,v_i,2,...,v_i,D]表示；

第i个粒子迄今为止搜索到的最优位置为x_p,i＝[x_p,i,1,x_p,i,2,...,x_p,i,D]，该位置适应度值为p_best,i，称为个体极值；整个粒子群迄今为止搜索到的最优位置为x_g＝[x_g,1,x_g,2,...,x_g,D]，该位置适应度值为g_best，称为全局极值；

各粒子根据如下公式更新自己的速度和位置，进行迭代操作；取其中最小值作为群体当前的最优解g_best,设定每个粒子当前位置为认知最优解p_best,i；

步骤6中所述更新迭代次数为：

更新迭代序号iter＝iter+1；

其中，iter为迭代的次数；

步骤6中所述更新惯性因子ω为：

其中，iter为迭代的次数，iter_max为预置的最大迭代次数，ω_max为限定的惯性因子上限值，ω_min为限定的惯性因子下限值。

本实例中，预先设定迭代次数上限iter_max为600，重新计算每次惯性因子，依据惯性因子随机保留局部最优方案p_besti，重新进行迭代计算，设定惯性因子下限为ω_min0.1，惯性因子上限为ω_min0.7。

步骤7中所述应用前推回推法进行潮流计算和网损计算，重新评估每个粒子的适应值具体为：

比较各粒子适应值H和当前个体最优解p_best,i，比较各粒子适应值H和当前个体最优解p_best,i，其中H如下所示：

式中，

表示配电网m条路径中网络损耗之和，E₁为电压越限时的惩罚因子，E₂为根据节点装机数量所定权重，N_max,i代表i节点光伏装机数量；

K(V_i)＝max(0,|V_i|^min-|V_i|)+max((0,|V_i|-|V_i|^max)表示节点电压约束；

若某个粒子的适应值H(x_i)<p_best,i，则H(x_i)＝p_best,i，x_i＝x_p,i；

其中，x_p,i为第i个粒子迄今为止搜索到的最优位置，p_best,i粒子i在当前位置的个体最优解；

令所有粒子H(x_i)中的最小值为H_min，若H_min<g_best，即本代群体最优解小于上代群体最优解，则g_best＝H_min；若g_best值不变，则h＝h+1，若h≥20则重新将部分粒子初始化，若h<20，则h＝0；

在本实例中，依据粒子群算法进行路径寻优，在首次迭代中得到局部最优方案p_besti方案如下：

p_best＝[47 40 15 75 67 … 51 82 68 23 77 55]

将每次迭代后当前个体最优解p_besti进行比较，得到全局最优方案g_best：

g_best＝[8 81 71 29 6 … 6 52 76 65 49 54]

步骤8，输出最优解即迭代终止时的g_best，确定单个分布式光伏发电系统最大有功功率输出不变，限制各节点装机数量最终确定各节点实际光伏装机方案并得到配电网最大装机数量总和，依据分类结果回代计算实际各节点光伏数量Num：

Num＝[16 20 20 7 4 … 9 28 36 3 39 3]

接着将最优方案求和得到在保证电压不越限情况下最大装机数量为551。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种基于改进粒子群的分布式光伏配电网规划方法，其特征在于，包括：

步骤1：建立配电网网络结构模型以及初始化粒子群算法参数；

步骤2：根据各节点负荷信息确立聚类结果生成初始种群；

步骤3：通过采样分布式光伏的典型日出力曲线以及规划地区典型日负荷曲线，计算一天中各时段配电网各节点分布式光伏总体日出力数据；

步骤4：选定配电网网损以及各节点电压，结合惩罚函数建立目标函数模型；

步骤5：对于种群中每个粒子,应用前推回代法进行潮流计算和网损计算，以建立粒子优化模型；

步骤6：依据迭代次数更新惯性因子，计算每个粒子的速度以及每个粒子的位置；

步骤7：应用前推回推法进行潮流计算和网损计算，重新评估每个粒子的适应值；

步骤8：检查是否达到最大迭代次数，若满足条件输出最优解即迭代终止时的群体当前的最优解；如果没有达到最大迭代次数则转步骤4；

步骤2中所述根据各节点负荷信息确立聚类结果生成初始种群具体为：

各节点装入最大光伏数量由该节点负荷所决定，故而采用系统聚类法将各节点输入有功作为聚类元素进行比较，即先将所有节点依据自身负荷各自形成一类，然后依据迭代公式进行系统聚类，即将每次离差和增加量最小的两类合并，如下所示：

其中，

代表p类中离差平方和大小，

代表q类中离差平方和大小，S_A代表p和q类合并为A类后的离差平方和，

代表同类节点有功功率平均值，p_p,i代表p类节点中第i个节点有功功率，p_q,i代表q类节点中第i个节点有功功率；

由于生成初始种群中，可能出现光伏有功输出之和大于节点消耗有功，故而各节点应当依据自身聚类结果计算虚拟光伏最大输出，即保证每节点光伏有功输入不越限情况下，假设最大光伏安装数量不变而改变后的最大有功输出，如下所示：

式中，

代表在聚类结果T中第a类的节点负荷最小值，p_pv代表单个光伏最大有功输出；

接着一天中配电网节点i分布式光伏总体日出力数据最大值p_s,i，如下所示：

其中n_i代表第i个节点的光伏装机数量，

代表虚拟光伏最大有功输出；

步骤3中所述计算一天中各时段配电网各节点分布式光伏总体日出力数据为：

式中，p_t,i代表当前t时刻节点i分布式光伏总体日出力数据，α_t代表当前t时刻分布式光伏的典型日出力数据，α_max代表分布式光伏的典型日出力曲线中最大值，p_s,i代表计算一天中配电网节点i分布式光伏总体日出力数据最大值；

接着计算每小时配电网节点实际用电功率，具体为更新各节点每小时用电功率大小

如下所示：

其中，P_i为节点i的负荷有功功率，β_t代表规划地区当前t时刻典型日负荷曲线数据，β_max代表规划地区典型日负荷曲线中最大值，p_t,i代表当前t时刻节点i分布式光伏总体日出力数据；

接着，依据最大负荷节点计算接入最大光伏数量J，形成下述初始种群矩阵：

2.根据权利要求1所述的基于改进粒子群的分布式光伏配电网规划方法，其特征在于：步骤1中所述建立配电网网络结构模型为：

获取配电网节点数为N、Z_i为节点i的支路阻抗、P_i+jQ_i为节点i的负荷，P_i为节点i的负荷有功功率，Q_i为节点i的负荷无功功率，确定电压上限为U_max，确定电压下限为U_min；i∈[1,N]；

步骤1中所述初始化粒子群算法参数：

粒子群体的规模为M、最大迭代次数为iter_max、第一权重因子为c₁、第二权重因子为c₂、粒子更新的最大速度为v^max，采集光伏出力数据为α，户用负荷变化数据为β。

3.根据权利要求1所述的基于改进粒子群的分布式光伏配电网规划方法，其特征在于：步骤4中所述建立目标函数模型为：

考虑到一天之中太阳辐射以及户用负荷变化，为获得符合时间变化的最优铺设方案，依据生成种群结果计算配电网损以及节点电压情况构造如下：

式中，

表示配电网m条路径中网络损耗之和，E₁为电压越限时的惩罚因子，E₂为根据节点装机数量所定权重，N_max,i代表i节点光伏装机数量，minH表示最小化各粒子适应值；

K(V_i)＝max(0,|V_i|^min-|V_i|)+max(0,|V_i|-|V_i|^max)表示节点电压约束。

4.根据权利要求1所述的基于改进粒子群的分布式光伏配电网规划方法，其特征在于：步骤5中所述应用前推回代法进行潮流计算和网损计算为：

根据潮流计算的结果按步骤2中改变后的最大有功输出评估种群中每个粒子的适应值；

步骤5中所述建立粒子优化模型为：

依据粒子群算法进行路径寻优，其中每个粒子即每种安装方案在维空间中的坐标位置可表示为x_i＝[x_i，1,x_i，2,...,x_i,D]，粒子i(i＝1,2,...,N)的速度定义为每次迭代中粒子移动的距离，用v_i＝[v_i,1,v_i,2,...,v_i,D]表示；

第i个粒子迄今为止搜索到的最优位置为x_p,i＝[x_p,i,1,x_p,i,2,...,x_p,i,D]，该位置适应度值为p_best,i，称为个体极值；整个粒子群迄今为止搜索到的最优位置为x_g＝[x_g,1,x_g,2,...,x_g,D]，该位置适应度值为g_best，称为全局极值。

5.根据权利要求1所述的基于改进粒子群的分布式光伏配电网规划方法，其特征在于：

步骤6中更新迭代次数为：

更新迭代序号iter＝iter+1；

其中，iter为迭代的次数；

步骤6中所述更新惯性因子ω为：

其中，iter为迭代的次数，iter_max为预置的最大迭代次数，ω_max为限定的惯性因子上限值，ω_min为限定的惯性因子下限值；

各粒子根据如下公式更新自己的速度和位置，进行迭代操作：

计算每个粒子在k+1次迭代后的速度为：

其中，

为粒子经k次迭代后的速度，

为群体经k次迭代后的全局最优解,

粒子在当前位置的个体最优解；

计算每个粒子在当前k+1次迭代后位置为

其中，

为粒子在k次迭代后位置，

为粒子在k+1次迭代后的速度；

取其中最小值作为群体当前的最优解g_best,设定每个粒子当前位置为认知最优解p_best,i。

6.根据权利要求1所述的基于改进粒子群的分布式光伏配电网规划方法，其特征在于：步骤7中所述应用前推回推法进行潮流计算和网损计算，重新评估每个粒子的适应值具体为：

比较各粒子适应值H和当前个体最优解p_best,i，其中H如下所示：

式中，

表示配电网m条路径中网络损耗之和，E₁为电压越限时的惩罚因子，E₂为根据节点装机数量所定权重，N_max,i代表i节点光伏装机数量；

K(V_i)＝max(0,|V_i|^min-|V_i|)+max(0,|V_i|-|V_i|^max)表示节点电压约束；

若某个粒子的适应值H(x_i)＜p_best,i，则H(x_i)＝p_best,i，x_i＝x_p,i；

其中，x_p,i为第i个粒子迄今为止搜索到的最优位置，p_best,i为粒子i在当前位置的个体最优解；

令所有粒子H(x_i)中的最小值为H_min，若H_min＜g_best，即本代群体最优解小于上代群体最优解，则g_best＝H_min；若g_best值不变，则h＝h+1，若h≥20则重新将部分粒子初始化，若h＜20，则h＝0。

7.根据权利要求1所述的基于改进粒子群的分布式光伏配电网规划方法，其特征在于：步骤8中所述输出最优解具体为：

确定单个分布式光伏发电系统最大有功功率输出不变，限制各节点装机数量最终确定各节点实际光伏装机方案，依据分类结果回代计算实际各节点光伏数量如下所示：

式中，N_pv代表最终各节点实际光伏装机数量，g_best为确定最佳分布式光伏装机方案，p_pv代表单个分布式光伏发电系统最大有功输出，

代表虚拟光伏最大有功输出。

Images