CN110611305B - 考虑配网电压越限风险的光伏接入规划方法 - Google Patents

Abstract

本发明公开了一种考虑配网电压越限风险的光伏接入规划方法，以光伏接入容量最大、风险最低作为目标函数，以系统潮流、光伏接入容量作为约束条件，构建配网的光伏接入模型；利用功效系数法，将多目标函数转化为单目标函数；对系统进行潮流计算，选取备选光伏待接入点；利用改进的粒子群算法求解配网的光伏接入模型，得到光伏最大接入容量和接入位置完成规划。本发明考虑了电压越限的风险，能够在尽可能多的接入光伏增大经济效益的同时，降低配网电压的越限风险，提高供电的可靠性；引入了遗传算法对粒子群算法进行改进，能够同时规划光伏的接入容量和位置。

Description

考虑配网电压越限风险的光伏接入规划方法

技术领域

本发明涉及电力系统规划领域，特别是涉及一种考虑配网电压越限风险的光伏接入规 划方法。

背景技术

光伏接入会引起配网系统的运行方式和结构发生改变，使得系统电压越限的风险大 大增加，进而导致配网的供电电压质量恶化，供电可靠性下降。但是传统的光伏接入规划方法多以经济效益为目标,采用粒子群算法进行接入规划，并没有考虑到系统电压越 限的风险，而且只能对光伏接入容量进行规划，不能规划接入位置，按此方案接入光伏， 并不能有效改善配网的供电电压质量。

发明内容

本发明的目的在于提供一种考虑配网电压越限风险的光伏接入规划方法。

实现本发明目的的技术解决方案为：一种考虑配网电压越限风险的光伏接入规划方 法，包括以下步骤：

步骤1、以光伏接入容量最大、风险最低作为目标函数，以系统潮流、光伏接入容量作为约束条件，构建配网的光伏接入模型；

步骤2、利用功效系数法，将多目标函数转化为单目标函数；

步骤3、对系统进行潮流计算，选取备选光伏待接入点；

步骤4、利用改进的粒子群算法求解配网的光伏接入模型，得到光伏最大接入容量和 接入位置完成规划。

本发明与现有技术相比，其显著优点为：1)配网模型考虑了电压越限的风险，能够在尽可能多的接入光伏增大经济效益的同时，降低配网电压的越限风险，提高供电的可 靠性；2)引入遗传算法对粒子群算法进行改进，能够同时规划光伏的接入容量和位置。

附图说明

图1为本发明考虑配网电压越限风险的光伏接入规划方法的流程图。

图2为本发明光伏接入仿真系统的接线图。

具体实施例

如图1所示，考虑配网电压越限风险的光伏接入规划方法，包括以下步骤：

步骤1、构建以光伏接入容量最大，风险最低为目标的多目标规划函数，以系统潮流、 光伏接入容量作为约束条件的数学模型，具体如下：

目标函数为：

式中，Risk代表配网电压越限风险的总值，i代表系统的节点，n代表系统节点总数， P_i代表节点i电压越限风险的概率，S_iev代表节点电压越限的严重程度，P_dg为光伏接入总 容量，P_dgj为各光伏规划接入点所接入的光伏容量，m代表接入光伏点的个数。

约束条件为：

式中，P_i和Q_i是节点i的注入有功功率和无功功率，V_i为节点i的电压幅值，V_j为节点j的电压幅值，G_ij为ij支路的电导，B_ij为ij支路的电纳，θ_ij为节点i、j之间的电压相 角差，P_dgi是节点i的光伏接入容量，P_dgimin表示节点i光伏的最低接入容量，P_dgimax表示 节点i光伏的最高接入容量。

步骤2、利用功效系数法和改进层次分析法将多目标函数转化为单目标函数。

步骤2.1、利用功效系数法求取目标函数的功效函数。

在多目标函数优化时各目标的要求不全相同，有的目标需要求取最小值，有的却需要 求取最大值，为了反映这些不同的目标要求，因此引入功效系数法来综合考虑各个目标。 功效系数法的基本思想就是对各个目标函数求取其对应的功效函数d_i，d_i的范围为[0,1]， 当目标函数对所取得的值越满意时，d_i越趋近于1，反之，越不满意时，d_i则越趋近于0。

本发明建立的系统模型中，第一个目标函数是求取光伏接入的容量最大，属于求解最 大值的目标函数，其功效函数可表示为：

式中，P_dg代表接入的光伏总容量，P_dgmax代表在不考虑风险大小的情况下光伏接入总 容量的最大值，P_dgmin代表在不考虑风险大小的情况下光伏接入总容量的最小值。

第二个目标函数是求取系统的电压越限风险最小，属于求解最小值的目标函数，其功 效函数可表示为：

式中，Risk代表系统的电压越限风险值，Risk_max代表在不考虑光伏接入容量大小的情 况下系统电压越限风险的最大值，Risk_min在不考虑光伏接入容量大小的情况下系统电压越 限风险的最小值。

步骤2.2、利用改进的层次分析法求取目标的权重系数，确定综合评价函数。

改进的层次分析法通过构造一致性矩阵来避免层次分析法的一致性校验。

对于反对称矩阵有如下定义：

定义1：对于n阶的实数矩阵A，对

始终有a_ij＝-a_ji，则称A为反对称矩 阵。当一个矩阵A为反对称矩阵并且满足a_ij＝a_ik+a_kj时，称矩阵A为一个传递矩阵。

对于A的最优传递矩阵B有如下定义：

定义2：若B为A的一个最优传递矩阵，则

必将取得最小值。

据此，可以参照如下定理求解最优传递矩阵。

定理1：若B为A的一个最优传递矩阵，其各个元素则应当满足：

根据定义1易知电能质量各项指标所形成的判断矩阵C一定为一个反对称矩阵，故矩 阵C的一个最优传递矩阵B的各项元素必然满足下式：

为了构造一致性矩阵，首先定义完全一致性矩阵如下。

定义3：当存在

时，则称C^*为完全一致性矩阵。

同时存在如下定理：

定理2：对于反对称矩阵C来说C^*＝e^B必然是矩阵C的一个完全一致性矩阵。

据此得到C的一个完全一致性矩阵C^*，再根据下式求取目标的权重系数W_i：

最后按下式形成最终的百分制综合功效评价函数f：

f＝w₁d₁×100+w₂d₂×100 (8)

式中w_i代表第i个目标在总体评价中所占的权重。这样即可将多目标优化问题转化为 单目标优化问题。

步骤3、对系统进行潮流计算得到系统各节点的电压，确定备选光伏待接入点。

由于光伏接入点应为正常运行情况下节点电压达不到额定电压的线路主干线节点，因 此选择电压低于额定电压的节点作为备选光伏待接入点，这样光伏接入后，可以有效改善 节点的电压质量。

步骤4、利用改进的粒子群算法求解数学模型，确定最终的光伏接入位置和容量。

改进的粒子群算法保留了粒子群算法的主体，同时融合了遗传算法进行寻址操作，即 粒子群的每次迭代中，在进化得到新的位置后加入对粒子进行杂交的步骤，产生新的粒子 后代完成一次迭代过程，这样可以同时对光伏的接入容量和位置进行规划。

步骤4.1、利用粒子群算法求解数学模型得到接入容量。

将含有光伏的容量和位置的信息作为粒子，利用粒子群算法对光伏接入容量的大小进 行规划，即光伏的容量大小进化遵循粒子群算法的进化原则，粒子i在第k次迭代时的速 度满足下式：

式中，V_i ^k代表粒子i在第k次迭代时的速度，ω代表惯性系数，c1和c2分别代表粒子的个体学习因子和社会学习因子，rand₁和rand₂均代表一个[0,1]之间的随机数，

代表k-1次迭代后粒子i的个体最优位置，

代表k-1次迭代后粒群体的最优位置，

代表粒子i第k-1次迭代后的所处位置。

粒子i在第k次迭代时的位置满足下式：

步骤4.2、利用遗传算法求解数学模型得到光伏接入位置。

假定进行杂交的两个粒子的位置分别为pos1和pos2的两个数组，均有m^*个元素，m^*为选取的备选光伏待接入点的个数，代表m^*个光伏可选接入位置，其中有i个元素值 为1，代表实际接入光伏的i个节点，其余位置均为0，代表未接入光伏节点，即：

pos1＝[y₁,y₂,...,y_m*] (11)

pos2＝[z₁,z₂,...,z_m*] (12)

则杂交操作如下所示，

对pos3中各元素的大小进行比较，将较大的i位元素值置为1，其余元素置为0，完成杂交，选择粒子进行杂交，将产生的后代加入整个粒子群中，将所有粒子的适应度函数排序，淘汰适应度最差的粒子，注意此处淘汰的粒子数和加入的后代数量一致，保证整个粒子群的数量一致。比如产生十个后代加入整个粒子群中，就需要将粒子群中最差的十个粒子淘汰掉，完成遗传进化的过程。

步骤4.3、重复步骤4.1-4.2，直至达到最大迭代次数或者功效评价函数结果趋于稳定， 即得到光伏最大接入容量和接入位置。

实施例

为了验证本发明方案的有效性，进行如下仿真实验，仿真实验采用标准的IEEE34节 点配电网络系统，该系统的基准电压为V_b＝24.9kV，根节点参考电压为 V_root＝1.03p.u.＝25.647kV，系统的基准容量为S_b＝1MVA。为了计算方便，此系统中所 有的输电线路都被简化为单相线路。

步骤1、构建以光伏接入容量最大，风险最低为目标的多目标规划函数，以系统潮流、 光伏接入容量作为约束条件的数学模型。

目标函数为：

式中P_dg为光伏接入总容量，P_dgj为各光伏规划接入点所接入的光伏容量。

约束条件为：

式中，P_i和Q_i是节点i的注入有功功率和无功功率，V_i为节点i的电压幅值，V_j为节点j的电压幅值，G_ij为ij支路的电导，B_ij为ij支路的电纳，θ_ij为节点i、j之间的电压相 角差，P_dgi是节点i的光伏接入容量。

步骤2、利用功效系数法和改进层次分析法将多目标函数转化为单目标函数。

步骤2.1、利用功效系数法求取目标函数的功效函数。

本发明建立的系统模型中，第一个目标函数是求取光伏接入的容量最大，其目标函数 的功效函数为：

式中，P_dg代表接入的光伏总容量。

第二个目标函数是求取系统的电压越限风险最小，其目标函数的功效函数为：

式中，Risk代表系统的电压越限风险值。

步骤2.2、利用改进层次分析法求目标的权重系数，确定综合功效评价函数。

首先确认各指标的重要程度，由于电网的安全可靠性相比于经济效益更加重要，因此 可以构建如下的判断矩阵C：

然后构造一致性矩阵C^*：

得到权重分配W：

W＝[0.269 0.731]

最终的综合功效评价函数为：

f(x)＝26.9d₁+73.1d₂

步骤3、对IEEE34系统进行潮流计算选取备选光伏接入点。IEEE34系统在节点20后节点电压期望值均要低于标准电压，因此选择节点20,22,24,28这四个处于主干线上的重要节点作为建设光伏电站的待选接入点。

步骤4、利用改进的粒子群算法对步骤1和步骤2所构建的数学模型进行计算，终止循环时输出规划光伏容量及位置，完成规划。在改进的粒子群算法运行到36次后，功效 评价函数结果趋于稳定为80.166，得到最优的规划结果，最终规划为在节点22接入 0.68MW光伏、节点24接入0.84MW光伏，共计1.52MW的光伏。

本发明构建了多目标的数学模型，满足了在保证系统电压越限风险的同时，尽可能的 接入更多的光伏，提升经济效益。面对多目标规划中各个目标要求不同，导致模型难以优 化的问题，本发明利用功效系数法将多目标规划问题转化为单目标规划问题进行求解，简 化了多目标问题的优化。同时本发明引用遗传算法对粒子群算法进行改进，在对光伏接入 容量进行规划时，还可以规划接入位置。

Claims (3)

1.考虑配网电压越限风险的光伏接入规划方法，其特征在于，包括以下步骤：

步骤1、以光伏接入容量最大、风险最低作为目标函数，以系统潮流、光伏接入容量作为约束条件，构建配网的光伏接入模型；

步骤2、利用功效系数法，将多目标函数转化为单目标函数；

步骤3、对系统进行潮流计算，选取备选光伏待接入点；

步骤4、利用改进的粒子群算法求解配网的光伏接入模型，得到光伏最大接入容量和接入位置完成规划；

步骤2中，将多目标函数转化为单目标函数的具体方法为：

步骤2.1、利用功效系数法求取目标函数的功效函数；

在多目标函数优化时各目标的要求不全相同，有的目标需要求取最小值，有的却需要求取最大值，为了反映这些不同的目标要求，因此引入功效系数法来综合考虑各个目标，对各个目标函数求取其对应的功效函数d_i，d_i的范围为[0,1]，当目标函数对所取得的值越满意时，d_i越趋近于1，反之，越不满意时，d_i则越趋近于0，第一个目标函数是求取光伏接入的容量最大，属于求解最大值的目标函数，其功效函数表示为：

式中，P_dg代表接入的光伏总容量，P_dgmax代表在不考虑风险大小的情况下光伏接入总容量的最大值，P_dgmin代表在不考虑风险大小的情况下光伏接入总容量的最小值；

第二个目标函数是求取系统的电压越限风险最小，属于求解最小值的目标函数，其功效函数表示为：

式中，Risk代表系统的电压越限风险值，Risk_max代表在不考虑光伏接入容量大小的情况下系统电压越限风险的最大值，Risk_min在不考虑光伏接入容量大小的情况下系统电压越限风险的最小值；

步骤2.2、利用改进的层次分析法求取目标的权重系数，确定综合评价函数；

改进的层次分析法通过构造一致性矩阵来避免层次分析法的一致性校验，对于反对称矩阵有如下定义：

定义1：对于n阶的实数矩阵A，对

始终有a_ij＝-a_ji，则称A为反对称矩阵；当一个矩阵A为反对称矩阵并且满足a_ij＝a_ik+a_kj时，称矩阵A为一个传递矩阵；

对于A的最优传递矩阵B有如下定义：

定义2：若B为A的一个最优传递矩阵，则

必将取得最小值；

据此，参照如下定理求解最优传递矩阵；

定理1：若B为A的一个最优传递矩阵，其各个元素则应当满足：

根据定义1易知电能质量各项指标所形成的判断矩阵C一定为一个反对称矩阵，故矩阵C的一个最优传递矩阵B的各项元素必然满足下式：

为了构造一致性矩阵，首先定义完全一致性矩阵如下；

定义3：当存在

时，则称C^*为完全一致性矩阵；

同时存在如下定理：

定理2：对于反对称矩阵C来说C^*＝e^B必然是矩阵C的一个完全一致性矩阵；

据此得到C的一个完全一致性矩阵C^*，再根据下式求取目标的权重系数W_i：

最后按下式形成最终的百分制综合功效评价函数f：

f＝w₁d₁×100+w₂d₂×100

式中，w_i代表第i个目标在总体评价中所占的权重，这样即将多目标优化问题转化为单目标优化问题；

步骤4中，改进的粒子群算法保留粒子群算法的主体，同时融合了遗传算法进行寻址操作，即粒子群的每次迭代中，在进化得到新的位置后加入对粒子进行杂交的步骤，产生新的粒子后代完成一次迭代过程，具体过程如下：

步骤4.1、利用粒子群算法求解数学模型得到接入容量；

将含有光伏的容量和位置的信息作为粒子，利用粒子群算法对光伏接入容量的大小进行规划，即光伏的容量大小进化遵循粒子群算法的进化原则，粒子i在第k次迭代时的速度满足下式：

式中V_i ^k代表粒子i在第k次迭代时的速度，ω代表惯性系数，c1和c2分别代表粒子的个体学习因子和社会学习因子，rand₁和rand₂均代表一个[0,1]之间的随机数，

代表k-1次迭代后粒子i的个体最优位置，

代表k-1次迭代后粒群体的最优位置，

代表粒子i第k-1次迭代后的所处位置；

粒子i在第k次迭代时的位置满足下式：

步骤4.2、利用遗传算法求解数学模型得到光伏接入位置；

假定进行杂交的两个粒子的位置分别为pos1和pos2的两个数组，均有m*个元素，m*为选取的备选光伏待接入点的个数，代表m*个光伏可选接入位置，其中有i个元素值为1，代表实际接入光伏的i个节点，其余位置均为0，代表未接入光伏节点，即：

则杂交操作如下所示，

pos3＝[y1×rand+z1×rand,y2×rrand+z2×rand,…,yn×rand+zn×rand]

对pos3中各元素的大小进行比较，将较大的i位元素值置为1，其余元素置为0，完成杂交，选择粒子进行杂交，将产生的后代加入整个粒子群中，将所有粒子的适应度函数排序，淘汰适应度最差的粒子，注意此处淘汰的粒子数和加入的后代数量一致，保证整个粒子群的数量一致；

步骤4.3、重复步骤4.1-4.2，直至达到最大迭代次数或者功效评价函数结果趋于稳定，即得到光伏最大接入容量和接入位置。

2.根据权利要求1所述的考虑配网电压越限风险的光伏接入规划方法，其特征在于，步骤1中，构建的配网的光伏接入模型具体如下：

目标函数为：

式中，Risk代表配网电压越限风险的总值，i代表系统的节点，n代表系统节点总数，P_i代表节点i电压越限风险的概率，S_iev代表节点电压越限的严重程度，P_dg为光伏接入总容量，P_dgj为各光伏规划接入点所接入的光伏容量，m代表接入光伏点的个数；

约束条件为：

式中，P_i和Q_i是节点i的注入有功功率和无功功率，V_i为节点i的电压幅值，V_j为节点j的电压幅值，G_ij为ij支路的电导，B_ij为ij支路的电纳，θ_ij为节点i、j之间的电压相角差，P_dgi是节点i的光伏接入容量，P_dgimin表示节点i光伏的最低接入容量，P_dgimax表示节点i光伏的最高接入容量。

3.根据权利要求1所述的考虑配网电压越限风险的光伏接入规划方法，其特征在于，步骤3中，确定备选光伏待接入点的具体方法为：

由于光伏接入点应为正常运行情况下节点电压达不到额定电压的线路主干线节点，因此选择电压低于额定电压的节点作为备选光伏待接入点。

Images