CN110061494A - 一种考虑dg出力不确定性的三相不平衡配电网重构方法 - Google Patents

Abstract

本发明涉及一种考虑DG出力不确定性的三相不平衡配电网重构方法，对配电网分段开关、联络开关编码；使用概率模型对风电及光伏发电出力进行预测，获取分布式电源出力预测值，并根据预测值构造场景；构建以网络损耗最低为优化目标的考虑DG出力不确定性的三相不平衡配电网重构模型；用改进的布谷鸟算法求解出满足约束条件下使得网络损耗最低的开断开关组合进而得到相应的网络拓扑结构。与现有技术相比，本发明综合考虑了DG出力的不确定性和配电网的三相不平衡运行特性，并具有较强的鲁棒性等优点。

Description

一种考虑DG出力不确定性的三相不平衡配电网重构方法

技术领域

本发明涉及一种配电网重构技术，尤其是涉及一种考虑DG出力不确定性的三相不平衡配电网重构方法。

背景技术

配电网重构是智能配电网核心特征之一。配电网重构指的是满足运行条件下，通过改变配电网的拓扑结构，即改变线路上的分段开关和联络开关状态，来实现网络优化运行的控制策略。约束条件一般设置为潮流约束、电压约束、容量约束和网络拓扑结构约束，其中网络拓扑结构约束中要求重构后的网络必须保持辐射状，且网络中不能出现孤立的节点，即“孤岛”。优化目标包括恢复最大供电阈值、降低网损、提高电能质量和供电可靠性，但现阶段配电网重构也面临很多难题，其中包括：不确定性因素和三相不平衡问题。

分布式发电由于其特殊的运行模式以及发电的方式(诸如风电、光伏)，在并网运行时将会给配电网运行带来诸多不确定因素，对电网调度、运行、网络分析产生影响同时负荷有着时变性和随机性强的特点，使得其充满着大量的不确定性。

当前，现有配电网重构方法中多假设配电网络三相平衡，从而采用单相网络模型等效。然而，与输电网不同的是由于负荷三相分配不平衡、网络结构不对称、分布式电源的随机性，使配电系统的三相不平衡特点突出。因而，采用单相网络模型不能有效表征配电网的三相不平衡特征。另外，配电网的三相不平衡运行将会造成网络损耗成本与系统投资成本的显著增加，并且三相DG的不平衡运行需要满足不平衡度约束以避免DG脱网。因此，研究配电网三相不平衡运行条件下的配电网重构策略十分重要。

智能电网是未来电网发展的必然趋势，配电网重构作为电网智能化的核心特征具有较高的研究价值。考虑配电网的三相不平衡的运行特性，将分布式电源和负荷的不确定性纳入到配电网重构的考虑因素中也将成为配电网重构研究领域的热点，具有理论价值和现实意义。

发明内容

本发明的目的就是为了针对当前智能配电网网络重构优化过程中忽略线路参数不对称、功率不平衡以及DG出力的不确定性而提出的一种考虑DG出力不确定性的三相不平衡配电网重构方法

本发明的目的可以通过以下技术方案来实现：

一种考虑DG出力不确定性的三相不平衡配电网重构方法，包括以下步骤：

步骤1：采用拉丁超立方采样对光伏、风电出力采样构建场景，再对采样生成的场景进行缩减；

步骤2：将配电系统划分为多个环网，基于环网对分断开关和联络开关编码；

步骤3：构建三相不平衡配电网重构模型，该模型以场景平均网络损耗最低为目标；

步骤4：对改进的布谷鸟算法的鸟巢初始化，每个环网断开的开关编码作为鸟巢其中一维的坐标，利用改进的布谷鸟算法求解三相不平衡配电网重构模型，得出场景平均网络损耗最低时对应的断开开关集合。

进一步地，所述步骤1包括以下分步骤：

步骤11：对光伏、风电出力及负荷变化范围内的概率进行归一化处理并得出t时段的概率密度函数；

步骤12：通过拉丁超采样方法对每个变量进行随机采样，并缩减采样场景得到理想的场景数量以描述DG出力的不确定性。

进一步地，所述步骤11中的概率密度函数，其描述公式为：

式中，P^max,t和P^t分别为t时段分布式能源出力及负荷吸收功率的实际最大值与预测值，P_u和P_f分别为预测范围的上限和下限，σ为预测值的标准差。

进一步地，所述步骤2包括将配电系统划分为多个环网，每个环网只断开一个开关，分别对每个环网中的开关进行环内编码。

进一步地，所述步骤3包括以下分步骤：

步骤31：建立全天场景平均网络有功损耗最低对应的目标函数；

步骤32：建立针对目标函数的约束条件，所述约束条件具体包括：潮流约束、DG输出功率约束、支路容量约束、节点电压幅值约束、三相电压不平衡度约束和网络辐射状运行约束。

进一步地，所述步骤31中的目标函数，其描述公式为：

式中：H为构建场景数；T为重构周期内的时段数，取值为24；N_L为网络支路集合；Δd_t为第t个时段的长度；为支路ij的有功损耗。

进一步地，所述步骤4包括以下分步骤：

步骤41：对鸟巢位置初始化并以场景平均网络损耗为适应度函数，获取各鸟巢适应度值；

步骤42：对鸟巢进行levy飞行并更新鸟巢位置，获取各新鸟巢的适应度值；

步骤43：以pa＝0.25的概率舍弃鸟巢，根据舍弃鸟巢的编码生成对应的量子位编码，对量子角度进行旋转产生新的鸟巢替代被舍弃的鸟巢，获取新鸟巢的适应度值；

步骤44：保留当代最优鸟巢并保存，判断是否满足迭代条件，若满足返回步骤42，若不满足，输出最优解。

进一步地，所述步骤42中的levy飞行过程，其描述公式为：

式中，X_i表示鸟巢的当前位置；表示levy飞行后的位置；F^*表示levy飞行后鸟巢对应的断开开关集合；表示对整数部分进行不定进制运算；s＞0为步长参数；rand为[0,1]内成正态分布的随机值；ΔX为服从Levy分布的随机数；F为断开开关的环内编码集合。

进一步地，所述步骤43中具体包括将旧鸟巢通过转化公式得到各量子位的值，再通过三角函数变换得到量子概率幅，并采用自适应量子旋转角对算法进行改进得到新的量子角度，其中，所述转化公式为：

式中，x_j为鸟巢的第j维坐标，s_j为第j维步长，为量子概率幅P_i上第j个量子位。

进一步地，所述量子旋转角的计算公式为：

式中，θ_min为最小旋转角；θ_max为最大旋转角；f_i为第i个鸟巢的适应度值；f_min为当代鸟巢的最小适应值；f_max为当代鸟巢的最大适应值；G为当前迭代数；G_max为最大迭代数。

与现有技术相比，本发明具有以下优点：

(1)本发明步骤1的过程充分考虑DG出力不确定性的三相不平衡配电网重构策略，收敛速度良好。

(2)本发明步骤3构建的三相不平衡配电网重构模型在DG出力不确定的情况下能够有效减小网络损耗，可广泛应用于配电网重构领域。

(3)本发明通过对布谷鸟算法中的levy飞行进行改进并且引入了自适应量子旋转角，能够使得最终得出的解更为精确。

附图说明

图1为本发明的重构方法流程图；

图2为本发明改进布谷鸟算法的流程图；

图3为本发明实施例的配电网拓扑图；

图4为本发明构建的风电出力场景图；

图5为本发明构建的光伏发电场景图；

图6为本发明实施例中采用改进布谷鸟算法时的迭代收敛图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

如图1所示为本发明实施例的重构方法流程图，包括以下步骤：

步骤1：采用拉丁超立方采样对光伏、风电出力采样构建场景，再对采样生成的场景进行缩减；

步骤2：将配电系统划分为多个环网，基于环网对分断开关和联络开关编码；

步骤3：构建三相不平衡配电网重构模型，该模型以场景平均网络损耗最低为目标；

步骤4：对改进的布谷鸟算法的鸟巢初始化，每个环网断开的开关编码作为鸟巢其中一维的坐标，利用改进的布谷鸟算法求解三相不平衡配电网重构模型，得出场景平均网络损耗最低时对应的断开开关集合。

单步骤具体流程如下：

一、根据网络拓扑结构基于环路对开关编码，将配电系统划分为R个环网，R为联络开关的个数，每个环网只断开一个开关(包括联络开关及分段开关)，保证了配电网的辐射状运行，避免了大量不可行解的产生。分别对每个环网中的开关重新进行环内编码，环内编码均为整数范围是0～(s_r-1)，r为环网的编码；s_r为第r个环网的开关个数。将每个环路断开开关的编码存入集合T，T作为一个变进制数，鸟巢坐标作为不定进制数与断开开关编码相对应，不定进制数的第r位数为环路r断开开关的环内编码，第r位数的进制为s_r。r为环网的编码；s_r为环路r的开关个数。算法在迭代过程中通过不定进制数进行寻优。

二、获取场景信息

对光伏、风电出力及负荷变化范围内的概率进行归一化处理，则t时段的概率密度函数f(P^max,t)为：

式中：P^max,t和P^t分别为t时段分布式能源出力及负荷吸收功率的实际最大值与预测值P_u和P_f分别为预测范围的上限和下限，σ为预测值的标准差。

采用Beta分布近似模拟一段时间内太阳辐照强度的概率分布，光伏阵列通常由多块太阳能电池组件构成，某一时刻光伏发电系统输出功率为：

P_PV＝rMAη

P_PV为光伏阵列输出功率；r为单位面积上太阳辐照强度；M为光伏阵列中太阳能电池组件的个数；η为光伏阵列光电转换效率。

风电系统模型

风速的间歇性导致了风电机组的间歇性，常用概率分布来反映风速的变化。研究表明威尔布分布拟合实际风速效果最好，实际风速v与风电出力P_W之间的函数关系为：

式中，P_WN为风电机组的额定功率；v_in、v_r、v_out分别为切入、额定和切出风速。

通过拉丁超采样方法对每个变量进行随机采样，从而保证采样能够完全覆盖整个随机变量的分布区域。设有K个随机变量(风速、太阳辐照强度和负荷有功/无功功率)采样，采样规模为N，将分布函数的取值范围分为N个子区间，每个区间的宽度为1/N，选取每个中点作为采样值。x₁，x₂，...x_k是待求问题中的k个随机变量，x_k为x₁，x₂，...，x_k中的任意一个随机变量。为保证场景模拟的多样性，采用拉丁超立方采样法生成的场景规模通常非常庞大，如果对每个场景都进行计算将进行大量的潮流计算，并且也没有必要。需要对所产生的样本进行场景缩减，最后产生n个随机场景，其中L_n＝[x_n1，x_n2，…，x_nk]，本实施例选取的拉丁超立方抽样样本空间为500，缩减后的目标场景数为5，预测误差为25％，图4和图5分别为构建的光伏出力场景和风电出力场景，每一个场景都在一定的范围内波动充分体现了分布式电源出力的不确定性。

三、构建模型

构建三相配电网模型，通过控制该模型开关的开通关断改变网络拓扑结构，并对该网络拓扑结构结合DG及负荷的运行情况进行潮流计算，得在出该网络结构下运行一天的场景平均网络损耗，

对应的目标函数为：

式中：H为构建场景数；T为重构周期内的时段数，本发明取值为24；N_L为网络支路集合；Δd_t为第t个时段的长度；为支路ij的有功损耗。

如图3配电系统包含34个节点，38条支路，33个分段开关和5个联络开关，该配电网的电压等级为24.9kV、基准功率为25MVA。系统总额定有功功率和无功功率分别为1769Kw和1925kvar。节点8处接入10个额定功率为100kW的Pilkington SFM144Hx250wp型太阳能电池组件。节点34处接入1台额定功率为1.5MW的SUT70-1500D型风机，v_in、v_r和v_out分别为3.5、12.5和25m/s。

针对目标函数的相应约束条件如下：

1.潮流约束：

式中：φ∈{A，B，C}为三相不平衡模型；和分别为支路ij首端的三相有功功率和无功功率；和分别为支路ij的有功损耗和无功损耗；集合m(j)为配电网中以节点j为末端节点支路的首端节点集合；集合n(j)为配电网中以j为首端节点支路的末端节点集合；V_i ^φ，t为结点电压幅值；P_j ^φ，t和分别为节点j的有功功率和无功功率的净注入量；和分别为节点j上所连接的DG和负荷有功功率；和分别为节点j上所连接的DG无功功率和负荷无功功率；和分别为考虑配电网三相线路自阻抗和自阻抗的支路电阻和电抗。

2.DG输出功率约束

0≤P_i ^φ，t≤P_i ^φ，max

式中：P_i ^φ，max和分别为节点i处三相DG有功功率和无功功率允许注入的最大值。

3.支路容量约束

式中：和分别为t时段支路(i，j)传输的三相有功功率和无功功率；为支路传输容量的上限。

4.结点电压幅值约束

V_i ^φ，min≤V_i ^φ，t≤V_i ^φ，max

式中：V_i ^φ，min和V_i ^φ，max分别为节点i电压幅值的上、下限。

5.三相电压不平衡度约束

根据国标GB/T15543-2008规定正常运行方式下电压不平衡度允许值为2％，电压不平衡度约束可表示为：

6.网络辐射状运行约束

M＝N+1

rank(L(G))＝M-1

L(G)＝diag(sum(A(G)))-A(G)

四、提出一种改进的布谷鸟算法，流程如图2所示，将该算法应用于上述模型的求解。步骤包括：1、设置算法参数并对鸟巢位置初始化；2、以场景平均网络损耗为适应度函数，计算鸟巢适应度函数并评价；3、对鸟巢位置进行levy飞行搜索，计算新的鸟巢位置的适应度函数并评价；4、以pa＝0.25的概率舍弃鸟巢，根据舍弃鸟巢的的编码生成器量子位编码，再利用量子角度旋转产生新鸟巢代替旧鸟巢，计算新鸟巢的的适应度值并评价；5、选择当代最优解保存，判断是否满足迭代条件，若满足，转至步骤3，若不满足，输出最优解。

常规布谷鸟算法只能求解连续型优化问题，在这里将levy飞行路径离散化了，也就是进行了不定进制变换，这样离散后，使得布谷鸟算法可以求解整数优化方面的问题也就是这样改进后求解出来的解只能是非负整数。对鸟巢levy飞行具体步骤为：

式中，X_i表示鸟巢的当前位置；表示levy飞行后的位置；F^*表示levy飞行后鸟巢对应的断开开关集合；表示对整数部分进行不定进制运算；s＞0为步长参数；rand为[0，1]内成正态分布的随机值；ΔX为服从Levy分布的随机数。

不定进制加减运算准则：

相同数位上的数相加，从低位加起；哪一位上的数加满对应位的进制，向前一位进一；最高位加满对应进制后复位且不向前进一。相同数位上的数相减，从低位减起；哪一位上的数不够减，就从它的前一位退一，当前位置的数与其相应的进制数相加，再减。

量子位与鸟巢坐标的变换

量子概率幅实部公式为：P_i＝(cos(θ_i1)，cos(θ_i2)，…cos(θ_in))，其中，θ_ij∈(0，0.5π)，n为环网个数。记量子概率幅P_i上第j个量子位为则鸟巢的第j维坐标计算公式如下：

一个量子概率幅可以得到一组鸟巢：X＝[x₁，x₂...x_n]，F＝floor(X)＝[f₁，f₂...f_n]；

F为断开开关的环内编码集合；f_i为第i个环路断开开关的环内编码；floor()表示向下取整函数。

旧鸟巢通过可得到各量子位的值，再通过三角函数反变换得到量子概率幅。在原有量子角度中加入旋转的角度，改变量子概率幅的值，量子旋转角θ_i满足如下公式：

式中：θ_min为最小旋转角；θ_max为最大旋转角；f_i为第i个鸟巢的适应度值；f_min为当代鸟巢的最小适应值；f_max为当代鸟巢的最大适应值；G为当前迭代数；G_max为最大迭代数。

所提改进算法的迭代收敛图如图6所示，该算法改进后收敛较快，能快速收敛到可行方案的最优解，表明算法的改进具有一定的效果。这是由于量子计算的引入提高了种群的多样性，从而使算法的计算效率得到了提升。

传统的确定性动态重构与考虑分布式能源注入节点功率不确定性的重构方法在相同测试环境下的优化结果如表1所示。

表1：IEEE34节点系统重构结果

由表1数据可知，通过考虑不确定性因素的配电网重构，配网的最优场景网络损耗由5761.59kWh降低到1265.93kWh，最劣场景网络损耗由6037.54kWh降低到1397.66kWh，网络损耗明显降低，说明本文提出的重构方法对提高配电网经济性运行有显著提高。确定性重构与不确定性重构方案的网络拓扑结构不同，确定性重构方案的网络损耗小于不确定性重构方案的网络损耗，这是因为确定性重构模型的重构方案不需要考虑节点注入功率波动的影响，而不确定性重构需要以牺牲一定的优化结果以考虑各种场景下的节点功率注入情况。

在节点注入功率波动情况下对两种重构方案进行比较，确定性重构方案和不确定性重构方案在最劣场景下的网络损耗如表2所示。

表2：两种重构策略的网络损耗比较

确定性重构方案在恶劣场景下的网络损耗由1179.43kWh升高到1639.87kWh明显高于不确定性重构方案的网络损耗，且不确定性重构方案的平均网络损耗更低，说明在节点注入功率预测值存在误差时不确定性重构能够有效减小配电网网络损耗，保障系统经济安全运行，且效果优于确定性配电网重构。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种考虑DG出力不确定性的三相不平衡配电网重构方法，其特征在于，包括以下步骤：

步骤1：采用拉丁超立方采样对光伏、风电出力采样构建场景，再对采样生成的场景进行缩减；

步骤2：将配电系统划分为多个环网，基于环网对分断开关和联络开关编码；

步骤3：构建三相不平衡配电网重构模型，该模型以场景平均网络损耗最低为目标；

步骤4：对改进的布谷鸟算法的鸟巢初始化，每个环网断开的开关编码作为鸟巢其中一维的坐标，利用改进的布谷鸟算法求解三相不平衡配电网重构模型，得出场景平均网络损耗最低时对应的断开开关集合。

2.根据权利要求1所述的一种考虑DG出力不确定性的三相不平衡配电网重构方法，其特征在于，所述步骤1包括以下分步骤：

步骤11：对光伏、风电出力及负荷变化范围内的概率进行归一化处理并得出t时段的概率密度函数；

步骤12：通过拉丁超采样方法对每个变量进行随机采样，并缩减采样场景得到理想的场景数量以描述DG出力的不确定性。

3.根据权利要求2所述的一种考虑DG出力不确定性的三相不平衡配电网重构方法，其特征在于，所述步骤11中的概率密度函数，其描述公式为：

式中，P^max,t和P^t分别为t时段分布式能源出力及负荷吸收功率的实际最大值与预测值，P_u和P_f分别为预测范围的上限和下限，σ为预测值的标准差。

4.根据权利要求1所述的一种考虑DG出力不确定性的三相不平衡配电网重构方法，所述步骤2包括将配电系统划分为多个环网，每个环网只断开一个开关，分别对每个环网中的开关进行环内编码。

5.根据权利要求1所述的一种考虑DG出力不确定性的三相不平衡配电网重构方法，所述步骤3包括以下分步骤：

步骤31：建立全天场景平均网络有功损耗最低对应的目标函数；

步骤32：建立针对目标函数的约束条件，所述约束条件具体包括：潮流约束、DG输出功率约束、支路容量约束、节点电压幅值约束、三相电压不平衡度约束和网络辐射状运行约束。

6.根据权利要求5所述的一种考虑DG出力不确定性的三相不平衡配电网重构方法，所述步骤31中的目标函数，其描述公式为：

式中：H为构建场景数；T为重构周期内的时段数，取值为24；N_L为网络支路集合；Δd_t为第t个时段的长度；为支路ij的有功损耗。

7.根据权利要求1所述的一种考虑DG出力不确定性的三相不平衡配电网重构方法，所述步骤4包括以下分步骤：

步骤41：对鸟巢位置初始化并以场景平均网络损耗为适应度函数，获取各鸟巢适应度值；

步骤42：对鸟巢进行levy飞行并更新鸟巢位置，获取各新鸟巢的适应度值；

步骤43：以pa＝0.25的概率舍弃鸟巢，根据舍弃鸟巢的编码生成对应的量子位编码，对量子角度进行旋转产生新的鸟巢替代被舍弃的鸟巢，获取新鸟巢的适应度值；

步骤44：保留当代最优鸟巢并保存，判断是否满足迭代条件，若满足返回步骤42，若不满足，输出最优解。

8.根据权利要求7所述的一种考虑DG出力不确定性的三相不平衡配电网重构方法，所述步骤42中的levy飞行过程，其描述公式为：

式中，X_i表示鸟巢的当前位置；表示levy飞行后的位置；F^*表示levy飞行后鸟巢对应的断开开关集合；表示对整数部分进行不定进制运算；s＞0为步长参数；rand为[0,1]内成正态分布的随机值；ΔX为服从Levy分布的随机数；F为断开开关的环内编码集合。

9.根据权利要求8所述的一种考虑DG出力不确定性的三相不平衡配电网重构方法，所述步骤43中具体包括将旧鸟巢通过转化公式得到各量子位的值，再通过三角函数变换得到量子概率幅，并采用自适应量子旋转角对算法进行改进得到新的量子角度，其中，所述转化公式为：

式中，x_j为鸟巢的第j维坐标，s_j为第j维步长，为量子概率幅P_i上第j个量子位。

10.根据权利要求9所述的一种考虑DG出力不确定性的三相不平衡配电网重构方法，所述量子旋转角的计算公式为：

式中，θ_min为最小旋转角；θ_max为最大旋转角；f_i为第i个鸟巢的适应度值；f_min为当代鸟巢的最小适应值；f_max为当代鸟巢的最大适应值；G为当前迭代数；G_max为最大迭代数。