CN110635478A - 一种基于单目标的新能源接入下的输电网规划的优化方法 - Google Patents

Abstract

本发明公开一种基于单目标的新能源接入下的输电网规划的优化方法，包括步骤：搭建含新能源的多目标输电网规划模型，将其通过选定权重系数转化为单目标函数；根据EPSO优化算法的粒子个体搭建相应的输电网网络拓扑结构并进行修补，使得输电网网络拓扑结构连通；利用概率直流潮流法求得粒子个体对应的输电网网络各个支路的潮流，判断修正不能满足输电网规划模型约束条件的粒子个体；根据所述单目标函数，利用自适应策略每次选择较高成功率的PSO策略进行多次迭代得到最优的全局粒子个体，获得规划方案。本发明解决了风险发生概率的不确定性信息建模，实现了控制过负荷风险条件下的输电网网络拓扑结构规划，增强了算法的择优性能。

Description

一种基于单目标的新能源接入下的输电网规划的优化方法

技术领域

本发明属于输电网技术领域，特别是涉及一种基于单目标的新能源接入下的输电网规划的优化方法。

背景技术

在对电力系统的预测、规划、评估等各方面，大规模新能源的并网带来了巨大挑战。随着新能源并网装机容量的增加，其随机波动特性、反调峰特性等特点对电力系统整体的运行稳定性、安全性以及总体的经济性等方面提出了更高的要求。其中，对输电网规划方面主要带来的挑战是，对输电网潮流分布的影响。风电、光伏等新能源出力具有随机波动性，其会间接地导致输电网潮流的大小和方向发生变化。

输电网规划问题的实质是非线性规划，起源于二十世纪初的仿生学的现代启发式算法的出现，使得求解组合优化问题以及目标函数或某些约束条件不可微分的非线性优化问题有了新的发展。其较强的适应能力使其在电力系统优化研究领域取得了广泛的应用，形成了多种各具特色的优化算法，如遗传算法(GA)、粒子群算法(PSO)和非支配排序遗传算法(NSGA)等。GA算法计算复杂，不稳定，容易局部收敛；PSO算法则包含具有互补能力的不同PSO变体，随机性强；NSGA-Ⅱ是对于两个具有相同非支配排序的解，处于更小拥挤区域的解更优，重复挑选由父代种群通过遗传算法基本操作产生的次代种群，直至满足条件为止，NSGA-Ⅱ算法较为复杂，结果收敛性有待提高。现有的具有新能源接入的输电网规划方式，无法避免风险发生概率的不确定性，无法对控制过负荷风险条件下的输电网进行规划，优化性能差。

发明内容

为了解决上述问题，本发明提出了一种基于单目标的新能源接入下的输电网规划的优化方法，能够有效解决在风险发生概率的不确定性下进行信息建模，实现了控制过负荷风险条件下的输电网网络拓扑结构规划，增强了择优性能。

为达到上述目的，本发明采用的技术方案是：一种基于单目标的新能源接入下的输电网规划的优化方法，包括步骤：

S100，搭建含新能源的多目标输电网规划模型，将多目标输电网规划模型通过选定权重系数转化获得单目标函数；

S200，基于所述多目标输电网规划模型根据EPSO优化算法的粒子个体搭建相应的输电网网络拓扑结构；

S300，对所述输电网网络拓扑结构进行修补，使得输电网网络拓扑结构连通；

S400，利用概率直流潮流法求得粒子个体对应的输电网网络拓扑结构中各个支路的潮流，并根据潮流结果判断并修正不能满足输电网规划模型约束条件的粒子个体；

S500，根据所述单目标函数，利用自适应策略每次选择较高成功率的PSO策略进行多次迭代得到最优的全局粒子个体；

S600，把最优的全局粒子个体转化成相对应的规划方案。

进一步的是，在所述步骤S100中，综合考虑过负荷风险，以新建线路的输电投资成本等额年费用和网损功率构建目标函数，以线路的有功潮流过负荷随机变量的期望值构成过负荷风险约束，搭建含新能源的多目标输电网规划模型，再将其根据选定权重系数转化为单目标函数。

进一步的是，采用线性加权求和的方法，给建立的多目标输电网规划模型的目标函数分别乘以权重系数求和来得到粒子个体的适应度函数作为单目标函数；

所述单目标函数值包括网损功率和新建线路的输电投资成本等额年费用；网损功率包括丰期网损功率和枯期网损功率：

根据丰期各个支路的潮流求解结果，计算丰期网损功率，计算公式为：

式中：f₂为网损功率；N_L为系统总走廊数；

为支路i的原有线路数；z_i为支路i的扩建线路数；r_i为支路i的单回线路电阻；P_li为正常运行方式下线路i上的有功潮流；

根据枯期各个支路的潮流求解结果，计算枯期网损功率，计算公式为：

进一步的是，在所述步骤S300中对所述输电网网络拓扑结构进行修补时，采用去除孤立节点和去除孤岛两步进行输电网网络拓扑结构的修补，使得输电网网络拓扑结构连通。

进一步的是，所述去除孤立节点包括步骤：

S301，进行初始化设置：对输电网网络拓扑结构的节点进行编号；获取输电网网络拓扑结构的邻接矩阵；

S302，设定节点i＝1，根据邻接矩阵linjie1_n×n判断节点i是否为孤立节点；若是，转到步骤S303；若否，进行步骤S305；

S303，由所述新建线路的输电投资成本等额年费用的目标函数计算新建线路的输电投资成本等额年费用，选择新建线路的输电投资成本等额年费用最少的一条两端节点编号含上述孤立节点编号的线路；

S304，对步骤S303中得到的线路进行存储，更新邻接矩阵；

S305，判断上述孤立节点编号是否小于节点总数；若是，转到步骤S302依次判断下一个节点是否为孤立节点；若否，则孤立节点去除完毕。

进一步的是，所述去除孤岛包括步骤：

S311，进行初始设置：设定节点i＝1，输电网网络拓扑结构中节点1为中心节点，节点集合P当前只包含节点1；

S312，在输电网网络拓扑结构中依次检索所有与集合P中节点i相连的节点j，将节点j存储在集合P中，直到所有节点检测完毕；

S313，检测集合P是否包含输电网网络拓扑结构中的每一个节点；若是，孤岛去除完毕；若否，转到步骤S314；

S314，去除输电网网络拓扑结构中的孤岛。

进一步的是，所述步骤S314中去除输电网网络拓扑结构中的孤岛，包括步骤：

S3141，设置起始节点a＝1，节点集合

S3142，依次将不属于集合P中的节点a存储到集合T中；

S3143，i∈P，a∈T；由所述新建线路的输电投资成本等额年费用目标函数计算新建线路的输电投资成本等额年费用，选择新建线路的输电投资成本等额年费用最少的两端节点编号为节点i和节点a的一条线路；

S3144，通过从步骤S3143中得到的线路更新邻接矩阵linjie1_n×n，转到步骤S311。

进一步的是，在所述步骤S400中，利用概率直流潮流法求得粒子个体对应的输电网网络拓扑结构中各个支路的潮流，并根据潮流结果判断并修正不能满足输电网规划模型约束条件的粒子个体，包括步骤：

S401，初始化：初始化初代粒子个体；修补初代粒子个体；

S402，计算出系统中每个节点注入功率取期望值时的直流潮流分布，得到节点电压相角θ₀和支路潮流功率Pl，计算公式为：

P＝B₀θ₀，Pl_ij＝(θ_i-θ_j)/x_ij；

式中，P为节点注入有功功率的期望值；B₀为系统节点电纳矩阵；θ_i为节点i的相角，θ_j为节点j的相角；x_ij为线路两端节点i与节点j的线路阻抗；

S403，根据输电网中发电机的出力和节点有功负荷随机变量的分布，计算节点有功注入随机变量的各阶矩m_r(P)，计算公式为：

式中，m_r为随机变量的r阶矩；E(x)为离散型随机变量x的期望值；p_i是离散型随机变量x取x_i的概率；

S404，由于随机变量矩与半不变量间的关系，通过m_r(P)可得到相应的各阶半不变量k_r(P)，计算公式为：

式中，k_r为随机变量的r阶半不变量；

为多项式系数；

S405，支路潮流的一阶半不变量和二阶半不变量的平方根分别对应其数学期望和标准差，其余阶半不变量则由上述步骤S404得到，进而得出粒子个体对应的输电网网络各个支路的潮流；

S406，依次判断各个支路潮流是否满足所述约束条件；若是，保留该粒子个体；若否，转到步骤S401。

本发明所提出的优化方法考虑了新能源对输电网规划的影响，通过支路潮流的多阶半不变量对输电网系统的波动性有了精确的刻画。

进一步的是，本发明通过利用具有互补能力的不同PSO策略的EPSO优化算法中采用了自适应策略选择一种较高成功率的PSO策略，增加了该算法的择优性能。

在所述步骤S500中，根据所述单目标函数，利用自适应策略每次选择较高成功率的PSO策略进行多次迭代得到最优的全局粒子个体，包括步骤：

S501，初始化：初始化算法参数以及输电网网络拓扑结构参数；初始化初代粒子个体，包括粒子个体的位置和速度、粒子的最优全局位置和最优个体位置；修补初代粒子个体，初始化适应度函数；

S502，判断代数是否为1；若是，初始化每个PSO策略的被选择概率，并为第一代随机选择PSO策略；若否，采用自适应选择策略选择高成功率的PSO策略作为最优PSO策略；

S503，根据所述最优PSO策略来进行粒子个体位置和速度的更新，得到次代粒子个体；

S504，采用所述去除孤立节点和去除孤岛两步对所述次代粒子个体进行修补；

S505，由概率直流潮流法得到粒子个体对应的输电网网络各个支路的潮流，并根据潮流结果判断并修正不能满足输电网规划模型约束条件的粒子个体；

S506,通过所述单目标函数更新粒子的最优全局位置和最优个体位置；

S507，判断是否达到最大代数；若是，则结束计算；若否，转到步骤S502。

进一步的是，所述步骤S502中的自适应选择策略，将固定数量的世代数目定义为学习期LP，并且EPSO跟踪在学习期间每个PSO策略的成功或失败的情况，根据记录下来的成功和失败的记忆，在学习期生成之后，计算每个PSO策略的成功率，同时，在每个子代中更新每个PSO策略的选择概率，然后，选择与当前代中每个粒子的成功率成正比的PSO策略，包括步骤：

S5021，令P_k作为每个PSO策略的被选择概率，并把每个P_k初始化为1/K以使得它们具有相等的被选择概率，其中，k＝1,2,L,K；K是在联营体中PSO策略的总数目；

S5022，使用随机的通用选择方法来为粒子选择候选的策略；

S5023，对于第G代，如果所选择的PSO策略产生改进的解决方案，则成功的记忆记录nS_k,g用来促进该被选策略；否则，PSO策略会被记录为故障记忆nf_k,g而被降级；

S5024，成功和失败的记忆被更新为一个称为学习期LP的固定数目的子代；如果存储器在LP生成后溢出，则存储在存储器中的最早记录将被删除，以便将当前获得的数字存储在存储器中；

S5025，在LP代之后的下一代，从联营体中选择PSO策略的概率更新，更新公式为：

式中：k＝1,2,…,K；G>LP；S_k,G为第k个PSO策略产生的解决方案的成功率；ε用于避免可能出现的空成功率，ε＝0.01。

采用本技术方案的有益效果：

本发明所提出的优化方法解决了风险发生概率的不确定性信息建模，实现了控制过负荷风险条件下的输电网网络拓扑结构规划；能够高效、快速且准确的得到新能源接入下的输电网的最优规划结果。

本发明通过搭建新能源的多目标输电网规划模型来实现新建线路的输电投资成本等额年费用、网损功率以及新能源接入下对输电网规划影响的规划模型，为后续优化计算提供了基础。本发明所提出的优化方法考虑了多目标优化问题的复杂性，往往多个目标不能同时进行优化等冲突问题，故将多目标输电网规划模型通过选定权重系数转化获得单目标函数，简化了优化过程中多个目标之间可能存在的冲突问题。本发明选用EPSO优化算法，并根据其粒子个体搭建相应的输电网网络拓扑结构，能够有效解决单目标问题和适应输电网规划的特点。本发明为了尽可能多的使得得到的规划结果快速满足潮流约束，进行了输电网网络拓扑结构的修补，提高了算法的效率和搜索解的速度。本发明以线路的有功潮流过负荷随机变量的期望值构成过负荷风险约束，考虑了风险发生概率，通过对不确定信息的概率建模，利用概率直流潮流进行各随机变量的相关计算，实现了控制过负荷风险下的输电网网络拓扑结构规划；为了使得得到的解满足约束条件，利用概率直流潮流法求得支路潮流，并判断修正，保证了解的可行性与合理性。本发明将多目标输电网规划模型转化获得单目标函数，考虑到规划结果的经济性，在每次迭代中，均根据所述单目标函数来更新最优的全局粒子个体，以得到最优的规划结果。

附图说明

图1本发明的一种基于单目标的新能源接入下的输电网规划的优化方法流程示意图；

图2为本发明实施例中52节点不同权重系数下方案1的输电网系统规划线路图；

图3为本发明实施例中52节点不同权重系数下方案2的输电网系统规划线路图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。

在本实施例中，参见图1所示，本发明提出了一种基于单目标的新能源接入下的输电网规划的优化方法，包括步骤：

S100，搭建含新能源的多目标输电网规划模型，将多目标输电网规划模型通过选定权重系数转化获得单目标函数；

S200，基于所述多目标输电网规划模型根据EPSO优化算法的粒子个体搭建相应的输电网网络拓扑结构；

S300，对所述输电网网络拓扑结构进行修补，使得输电网网络拓扑结构连通；

S400，利用概率直流潮流法求得粒子个体对应的输电网网络拓扑结构中各个支路的潮流，并根据潮流结果判断并修正不能满足输电网规划模型约束条件的粒子个体；

S500，根据所述单目标函数，利用自适应策略每次选择较高成功率的PSO策略进行多次迭代得到最优的全局粒子个体；

S600，把最优的全局粒子个体转化成相对应的规划方案。

作为上述实施例的优化方案，在所述步骤S100中，综合考虑过负荷风险，以新建线路的输电投资成本等额年费用和网损功率构建目标函数，以线路的有功潮流过负荷随机变量的期望值构成过负荷风险约束，搭建含新能源的多目标输电网规划模型，再将其根据选定权重系数转化为单目标函数。

含风光的输电网规划模型：

1)目标函数

minf＝[f₁,f₂]^T；

式中，f₂为网损功率目标函数；f₁为新建线路的输电投资成本等额年费用目标函数；N_L为系统总走廊数，C_i为支路i的单回线路单位长度造价，Z_i为支路i扩建线路数；l_i为支路i线路长度；λ为贴现率，n为投资还贷期；为支路i的原有线路数；z_i为支路i的扩建线路数；r_i为支路i的单回线路电阻；P_li为正常运行方式下线路i上的有功潮流。

2)约束条件

BE(θ)＝E(P)；

P_l ≤E(P_l)-λσ(P_l)；

式中，第一个约束以支路的有功潮流过负荷随机变量的期望值为过负荷风险约束，其中，E(θ)为系统中每个节点电压相角的期望值，E(P)为着系统内每个节点注入的有功的期望值；此时的E(P_l)为考虑N运行方式下的支路有功潮流的期望值，其受到的约束在支路有功输送容量最小值P_l 和支路有功输送容量最大值的范围内；另外，扩建线路的约束是不大于该节点系统第i条支路的扩建线路最大值

采用线性加权求和的方法，给建立的多目标输电网规划模型的目标函数分别乘以权重系数求和来得到粒子个体的适应度函数作为单目标函数；

所述单目标函数值包括网损功率和新建线路的输电投资成本等额年费用；网损功率包括丰期网损功率和枯期网损功率：

根据丰期各个支路的潮流求解结果，计算丰期网损功率，计算公式为：

式中：f₂为网损功率；N_L为系统总走廊数；

为支路i的原有线路数；z_i为支路i的扩建线路数；r_i为支路i的单回线路电阻；P_li为正常运行方式下线路i上的有功潮流；

根据枯期各个支路的潮流求解结果，计算枯期网损功率，计算公式为：

作为上述实施例的优化方案，在所述步骤S300中对所述输电网网络拓扑结构进行修补时，采用去除孤立节点和去除孤岛两步进行输电网网络拓扑结构的修补，使得输电网网络拓扑结构连通。

所述去除孤立节点包括步骤：

S301，进行初始化设置：对输电网网络拓扑结构的节点进行编号；获取输电网网络拓扑结构的邻接矩阵；

S302，设定节点i＝1，根据邻接矩阵linjie1_n×n判断节点i是否为孤立节点；若是，转到步骤S303；若否，进行步骤S305；

S303，由所述新建线路的输电投资成本等额年费用的目标函数计算新建线路的输电投资成本等额年费用，选择新建线路的输电投资成本等额年费用最少的一条两端节点编号含上述孤立节点编号的线路；

S304，对步骤S303中得到的线路进行存储，更新邻接矩阵；

S305，判断上述孤立节点编号是否小于节点总数；若是，转到步骤S302依次判断下一个节点是否为孤立节点；若否，则孤立节点去除完毕。

所述去除孤岛包括步骤：

S311，进行初始设置：设定节点i＝1，输电网网络拓扑结构中节点1为中心节点，节点集合P当前只包含节点1；

S312，在输电网网络拓扑结构中依次检索所有与集合P中节点i相连的节点j，将节点j存储在集合P中，直到所有节点检测完毕；

S313，检测集合P是否包含输电网网络拓扑结构中的每一个节点；若是，孤岛去除完毕；若否，转到步骤S314；

S314，去除输电网网络拓扑结构中的孤岛。

所述步骤S314中去除输电网网络拓扑结构中的孤岛，包括步骤：

S3141，设置起始节点a＝1，节点集合

S3142，依次将不属于集合P中的节点a存储到集合T中；

S3143，i∈P，a∈T；由所述新建线路的输电投资成本等额年费用目标函数计算新建线路的输电投资成本等额年费用，选择新建线路的输电投资成本等额年费用最少的两端节点编号为节点i和节点a的一条线路；

S3144，通过从步骤S3143中得到的线路更新邻接矩阵linjie1_n×n，转到步骤S311。

S400，利用概率直流潮流法求得粒子个体对应的输电网网络各个支路的潮流，判断修正不能满足输电网规划模型约束条件的粒子个体。

作为上述实施例的优化方案，在所述步骤S400中，利用概率直流潮流法求得粒子个体对应的输电网网络拓扑结构中各个支路的潮流，并根据潮流结果判断并修正不能满足输电网规划模型约束条件的粒子个体，包括步骤：

S401，初始化：初始化初代粒子个体；修补初代粒子个体；

S402，计算出系统中每个节点注入功率取期望值时的直流潮流分布，得到节点电压相角θ₀和支路潮流功率Pl，计算公式为：

P＝B₀θ₀，Pl_ij＝(θ_i-θ_j)/x_ij；

式中，P为节点注入有功功率的期望值；B₀为系统节点电纳矩阵；θ_i为节点i的相角，θ_j为节点j的相角；x_ij为线路两端节点i与节点j的线路阻抗；

S403，根据输电网中发电机的出力和节点有功负荷随机变量的分布，计算节点有功注入随机变量的各阶矩m_r(P)，计算公式为：

式中，m_r为随机变量的r阶矩；E(x)为离散型随机变量x的期望值；p_i是离散型随机变量x取x_i的概率；

S404，由于随机变量矩与半不变量间的关系，通过m_r(P)可得到相应的各阶半不变量k_r(P)，计算公式为：

式中，k_r为随机变量的r阶半不变量；

为多项式系数；

S405，支路潮流的一阶半不变量和二阶半不变量的平方根分别对应其数学期望和标准差，其余阶半不变量则由上述步骤S404得到，进而得出粒子个体对应的输电网网络各个支路的潮流；

S406，依次判断各个支路潮流是否满足所述约束条件；若是，保留该粒子个体；若否，转到步骤S401。

作为上述实施例的优化方案，在所述步骤S500中，根据所述单目标函数，利用自适应策略每次选择较高成功率的PSO策略进行多次迭代得到最优的全局粒子个体，包括步骤：

S501，初始化：初始化算法参数以及输电网网络拓扑结构参数；初始化初代粒子个体，包括粒子个体的位置和速度、粒子的最优全局位置和最优个体位置；修补初代粒子个体，初始化适应度函数；

S502，判断代数是否为1；若是，初始化每个PSO策略的被选择概率，并为第一代随机选择PSO策略；若否，采用自适应选择策略选择高成功率的PSO策略作为最优PSO策略；

S503，根据所述最优PSO策略来进行粒子个体位置和速度的更新，得到次代粒子个体；

S504，采用所述去除孤立节点和去除孤岛两步对所述次代粒子个体进行修补；

S505，由概率直流潮流法得到粒子个体对应的输电网网络各个支路的潮流，并根据潮流结果判断并修正不能满足输电网规划模型约束条件的粒子个体；

S506,通过所述单目标函数更新粒子的最优全局位置和最优个体位置；

S507，判断是否达到最大代数；若是，则结束计算；若否，转到步骤S502。

所述步骤S502中的自适应选择策略，将固定数量的世代数目定义为学习期LP，并且EPSO跟踪在学习期间每个PSO策略的成功或失败的情况，根据记录下来的成功和失败的记忆，在学习期生成之后，计算每个PSO策略的成功率，同时，在每个子代中更新每个PSO策略的选择概率，然后，选择与当前代中每个粒子的成功率成正比的PSO策略，包括步骤：

S5021，令P_k作为每个PSO策略的被选择概率，并把每个P_k初始化为1/K以使得它们具有相等的被选择概率，其中，k＝1,2,L,K；K是在联营体中PSO策略的总数目；

S5022，使用随机的通用选择方法来为粒子选择候选的策略；

S5023，对于第G代，如果所选择的PSO策略产生改进的解决方案，则成功的记忆记录nS_k,g用来促进该被选策略；否则，PSO策略会被记录为故障记忆nf_k,g而被降级；

S5024，成功和失败的记忆被更新为一个称为学习期LP的固定数目的子代；如果存储器在LP生成后溢出，则存储在存储器中的最早记录将被删除，以便将当前获得的数字存储在存储器中；

S5025，在LP代之后的下一代，从联营体中选择PSO策略的概率更新，更新公式为：

式中：k＝1,2,…,K；G>LP；S_k,G为第k个PSO策略产生的解决方案的成功率；ε用于避免可能出现的空成功率，ε＝0.01。

根据实施例子进行验证：在52节点输电网系统中进行测试，其包括52个节点，240条走廊如图2。系统参数设置如下：整个输电网系统负荷服从正态分布，标准差取期望值的2％；在43-49号节点接入100MW的风机，风机的切入风速v_ci＝3m/s，额定风速v_r＝14m/s，切出风速v_co＝25m/s；风速采用两参数威布尔分布模型，形状参数k＝100，尺度参数c＝11.85；在41、42号节点接入100MW的光伏；光伏采用贝塔分布模型，形状参数a＝630，b＝270；每条支路每条走廊单位长度造价C_i＝180(万元/km)；λ取值为10％；n设定为8年。EPSO优化算法的参数设置如下：粒子个体数50个，粒子维数240维，迭代次数500次，PSO策略数5个。

表1不同权重系数下最优输电网规划方案

如图2所示为方案1的输电网系统规划线路图。

如图3所示为方案2的输电网系统规划线路图。

观察方案1和方案2规划线路图，显然其满足了连通性；其次可以看到，若没有权重系数，方案1和方案2的f₁和f₂不会同时增加或减少，存在相互矛盾的现象，但当加入权重系数后，就可以看到单目标函数相对于权重系数值的改变，进而简化了多个目标值之间的冲突问题。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于单目标的新能源接入下的输电网规划的优化方法，其特征在于，包括步骤：

S100，搭建含新能源的多目标输电网规划模型，将多目标输电网规划模型通过选定权重系数转化获得单目标函数；

S200，基于所述多目标输电网规划模型根据EPSO优化算法的粒子个体搭建相应的输电网网络拓扑结构；

S300，对所述输电网网络拓扑结构进行修补，使得输电网网络拓扑结构连通；

S400，利用概率直流潮流法求得粒子个体对应的输电网网络拓扑结构中各个支路的潮流，并根据潮流结果判断并修正不能满足输电网规划模型约束条件的粒子个体；

S500，根据所述单目标函数，利用自适应策略每次选择较高成功率的PSO策略进行多次迭代得到最优的全局粒子个体；

S600，把最优的全局粒子个体转化成相对应的规划方案。

2.根据权利要求1所述的一种基于单目标的新能源接入下的输电网规划的优化方法，其特征在于，在所述步骤S100中，综合考虑过负荷风险，以新建线路的输电投资成本等额年费用和网损功率构建目标函数，以线路的有功潮流过负荷随机变量的期望值构成过负荷风险约束，搭建含新能源的多目标输电网规划模型，再将其根据选定权重系数转化为单目标函数。

3.根据权利要求2所述的一种基于单目标的新能源接入下的输电网规划的优化方法，其特征在于，采用线性加权求和的方法，给建立的多目标输电网规划模型的目标函数分别乘以权重系数求和来得到粒子个体的适应度函数作为单目标函数；

所述单目标函数值包括网损功率和新建线路的输电投资成本等额年费用；网损功率包括丰期网损功率和枯期网损功率：

根据丰期各个支路的潮流求解结果，计算丰期网损功率，计算公式为：

式中：f₂为网损功率；N_L为系统总走廊数；

为支路i的原有线路数；z_i为支路i的扩建线路数；r_i为支路i的单回线路电阻；P_li为正常运行方式下线路i上的有功潮流；

根据枯期各个支路的潮流求解结果，计算枯期网损功率，计算公式为：

4.根据权利要求1所述的一种基于单目标的新能源接入下的输电网规划的优化方法，其特征在于，在所述步骤S300中对所述输电网网络拓扑结构进行修补时，采用去除孤立节点和去除孤岛两步进行输电网网络拓扑结构的修补，使得输电网网络拓扑结构连通。

5.根据权利要求4所述的一种基于单目标的新能源接入下的输电网规划的优化方法，其特征在于，所述去除孤立节点包括步骤：

S301，进行初始化设置：对输电网网络拓扑结构的节点进行编号；获取输电网网络拓扑结构的邻接矩阵；

S302，设定节点i＝1，根据邻接矩阵linjie1_n×n判断节点i是否为孤立节点；若是，转到步骤S303；若否，进行步骤S305；

S303，由所述新建线路的输电投资成本等额年费用的目标函数计算新建线路的输电投资成本等额年费用，选择新建线路的输电投资成本等额年费用最少的一条两端节点编号含上述孤立节点编号的线路；

S304，对步骤S303中得到的线路进行存储，更新邻接矩阵；

S305，判断上述孤立节点编号是否小于节点总数；若是，转到步骤S302依次判断下一个节点是否为孤立节点；若否，则孤立节点去除完毕。

6.根据权利要求5所述的一种基于单目标的新能源接入下的输电网规划的优化方法，其特征在于，所述去除孤岛包括步骤：

S311，进行初始设置：设定节点i＝1，输电网网络拓扑结构中节点1为中心节点，节点集合P当前只包含节点1；

S312，在输电网网络拓扑结构中依次检索所有与集合P中节点i相连的节点j，将节点j存储在集合P中，直到所有节点检测完毕；

S313，检测集合P是否包含输电网网络拓扑结构中的每一个节点；若是，孤岛去除完毕；若否，转到步骤S314；

S314，去除输电网网络拓扑结构中的孤岛。

7.根据权利要求6所述的一种基于单目标的新能源接入下的输电网规划的优化方法，其特征在于，所述步骤S314中去除输电网网络拓扑结构中的孤岛，包括步骤：

S3141，设置起始节点a＝1，节点集合

S3142，依次将不属于集合P中的节点a存储到集合T中；

S3143，i∈P，a∈T；由所述新建线路的输电投资成本等额年费用目标函数计算新建线路的输电投资成本等额年费用，选择新建线路的输电投资成本等额年费用最少的两端节点编号为节点i和节点a的一条线路；

S3144，通过从步骤S3143中得到的线路更新邻接矩阵linjie1_n×n，转到步骤S311。

8.根据权利要求7所述的一种基于单目标的新能源接入下的输电网规划的优化方法，其特征在于，在所述步骤S400中，利用概率直流潮流法求得粒子个体对应的输电网网络拓扑结构中各个支路的潮流，并根据潮流结果判断并修正不能满足输电网规划模型约束条件的粒子个体，包括步骤：

S401，初始化：初始化初代粒子个体；修补初代粒子个体；

S402，计算出系统中每个节点注入功率取期望值时的直流潮流分布，得到节点电压相角θ₀和支路潮流功率Pl，计算公式为：

P＝B₀θ₀，Pl_ij＝(θ_i-θ_j)/x_ij；

式中，P为节点注入有功功率的期望值；B₀为系统节点电纳矩阵；θ_i为节点i的相角，θ_j为节点j的相角；x_ij为线路两端节点i与节点j的线路阻抗；

S403，根据输电网中发电机的出力和节点有功负荷随机变量的分布，计算节点有功注入随机变量的各阶矩m_r(P)，计算公式为：

式中，m_r为随机变量的r阶矩；E(x)为离散型随机变量x的期望值；p_i是离散型随机变量x取x_i的概率；

S404，由于随机变量矩与半不变量间的关系，通过m_r(P)可得到相应的各阶半不变量k_r(P)，计算公式为：

式中，k_r为随机变量的r阶半不变量；

为多项式系数；

S405，支路潮流的一阶半不变量和二阶半不变量的平方根分别对应其数学期望和标准差，其余阶半不变量则由上述步骤S404得到，进而得出粒子个体对应的输电网网络各个支路的潮流；

S406，依次判断各个支路潮流是否满足所述约束条件；若是，保留该粒子个体；若否，转到步骤S401。

9.根据权利要求8所述的一种基于单目标的新能源接入下的输电网规划的优化方法，其特征在于，在所述步骤S500中，根据所述单目标函数，利用自适应策略每次选择较高成功率的PSO策略进行多次迭代得到最优的全局粒子个体，包括步骤：

S501，初始化：初始化算法参数以及输电网网络拓扑结构参数；初始化初代粒子个体，包括粒子个体的位置和速度、粒子的最优全局位置和最优个体位置；修补初代粒子个体，初始化适应度函数；

S502，判断代数是否为1；若是，初始化每个PSO策略的被选择概率，并为第一代随机选择PSO策略；若否，采用自适应选择策略选择高成功率的PSO策略作为最优PSO策略；

S503，根据所述最优PSO策略来进行粒子个体位置和速度的更新，得到次代粒子个体；

S504，采用所述去除孤立节点和去除孤岛两步对所述次代粒子个体进行修补；

S505，由概率直流潮流法得到粒子个体对应的输电网网络各个支路的潮流，并根据潮流结果判断并修正不能满足输电网规划模型约束条件的粒子个体；

S506,通过所述单目标函数更新粒子的最优全局位置和最优个体位置；

S507，判断是否达到最大代数；若是，则结束计算；若否，转到步骤S502。

10.根据权利要求9所述的一种基于单目标的新能源接入下的输电网规划的优化方法，其特征在于，所述步骤S502中的自适应选择策略，将固定数量的世代数目定义为学习期LP，并且EPSO跟踪在学习期间每个PSO策略的成功或失败的情况，根据记录下来的成功和失败的记忆，在学习期生成之后，计算每个PSO策略的成功率，同时，在每个子代中更新每个PSO策略的选择概率，然后，选择与当前代中每个粒子的成功率成正比的PSO策略，包括步骤：

S5021，令P_k作为每个PSO策略的被选择概率，并把每个P_k初始化为1/K以使得它们具有相等的被选择概率，其中，k＝1,2,L,K；K是在联营体中PSO策略的总数目；

S5022，使用随机的通用选择方法来为粒子选择候选的策略；

S5023，对于第G代，如果所选择的PSO策略产生改进的解决方案，则成功的记忆记录nS_k,g用来促进该被选策略；否则，PSO策略会被记录为故障记忆nf_k,g而被降级；

S5024，成功和失败的记忆被更新为一个称为学习期LP的固定数目的子代；如果存储器在LP生成后溢出，则存储在存储器中的最早记录将被删除，以便将当前获得的数字存储在存储器中；

S5025，在LP代之后的下一代，从联营体中选择PSO策略的概率更新，更新公式为：

式中：k＝1,2,L,K；G＞LP；S_k,G为第k个PSO策略产生的解决方案的成功率；ε用于避免可能出现的空成功率，ε＝0.01。

Images