CN110649644B - 一种含分布式电源的城市配电网优化降损方法 - Google Patents

Abstract

本发明公开了一种含分布式电源的城市配电网优化降损方法，包括步骤如下：首先根据风速和光照强度的历史数据，利用最大似然估计法拟合模型参数，建立风电出力随机模型、光伏出力随机模型；然后对上述两种模型均进行抽样，获得大量的随机场景，之后对大量随机场景进行削减获得描述风光随机性的经典场景；然后建立多目标优化降损模型；最后将风光随机性的经典场景和系统数据输入到多目标优化降损模型中，利用改进的和声算法对多目标优化降损模型进行求解，获得最优网络结构和补偿容量。本发明的方法综合考虑了无功优化和分布式电源分配的问题、实现网络的结构优化和能源的充分利用，提高了新能源渗透率高的城市配电网系统运行的经济性和安全性。

Description

一种含分布式电源的城市配电网优化降损方法

技术领域

本发明属于电力系统网络重构技术领域，特别涉及一种含分布式电源的城市配电网优化降损方法。

背景技术

由于配电网通常为闭环设计、开环运行，通常网络呈现辐射状结构。在配电馈线上分布着大量的开关，分为分段开关和联络开关。网络重构就是在保证配网呈辐射状、满足馈线热容量、电压限制要求等的前提下，在运行过程中根据电网负荷变化的实际情况调整网络中联络开关和分段开关的组合状态即选择用户的供电路径，通过科学地改变网络的运行方式，从而达到降低网损、消除过载、平衡负荷、提高供电电压质量等目的。

随着自动化和通信系统的部署以及高处理计算机的日益发展，智能电网的网络配置是配电系统优化运行的最佳选择之一。近年来，配电系统中现场发电机组的增长趋势显著，必须同时进行网络重构和分布式电源优化分配，以达到配电系统的最佳或接近最佳运行状态。许多研究人员也尝试过相同的方法，其中大多数方法是用于分布式电源容量优化的元启发式方法和用于网络重构的启发式/元启发式方法的组合。

现有研究通常只考虑单一形式的分布式能源，没有考虑多种分布式能源同时并入电网时对系统运行的影响。随着城市配网系统中，分布式电源渗透率的不断提高，传统的网络降损方法已经不能满足系统经济、稳定运行的要求。对于含大规模分布式能源的系统，单一的考虑无功补偿和分布式能源分配不足以平衡分布式电源带来的影响，而过于复杂的目标函数又由于计算量太庞大而无法快速收敛得到最优解。

发明内容

本发明所解决的技术问题在于提供一种含分布式电源的城市配电网优化降损方法，目的在于提高新能源渗透率高的城市配电网系统运行的经济性和安全性。

实现本发明目的的技术解决方案为：一种含分布式电源的城市配电网优化降损方法，包括以下步骤：

步骤1、根据风速和光照强度的历史数据，利用最大似然估计法拟合风电、光伏出力随机模型的参数，从而建立风电出力随机模型、光伏出力随机模型；

步骤2、对所述风电出力随机模型、光伏出力随机模型均进行抽样，获得大量的随机场景，之后对大量随机场景进行削减获得描述风光随机性的经典场景；

步骤3、建立多目标优化降损模型；

步骤4、将步骤2获得的风光随机性的经典场景和系统数据输入到步骤3建立的多目标优化降损模型中，利用改进的和声算法对所述多目标优化降损模型进行求解，获得最优网络结构和补偿容量。

本发明与现有技术相比，其显著优点：1)本发明同时考虑了风电、光伏能源并入电网的影响，利用大量历史数据对风速和光照强度模型进行参数拟合，能够准确地描述风速和光照强度的随机性，从而增大了该方法的现实可行性；2)本发明对风速和光照强度模型进行了大量抽样，并对样本进行最优聚类，得到的经典场景集能够准确而且完整的描述风光资源的随机性，并减少模型的计算负担；3)本发明所建立的配电网优化降损模型，考虑了无功补偿和分布式电源分配，能够在最大化利用风光能源的同时，保证系统运行的经济性和安全性；4)本发明针对多目标优化模型的特点，对常规和声算法进行了改进，融合了遗传算法和精英保留策略，提升了算法的收敛速度和计算精度。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明提供的一种含分布式电源的城市配电网优化降损方法的流程图。

图2为本发明提供的改进和声算法求解含分布式电源配电网优化降损问题的流程图。

图3为本发明具体实施例中选取的实际配电网的网络简化示意图。

图4为本发明具体实施例中风速的历史经验分布和拟合曲线分布图。

图5为本发明具体实施例中光照强度的历史经验分布和拟合曲线分布图。

具体实施方式

结合图1，本发明一种含分布式电源的城市配电网优化降损方法，包括以下步骤有：

步骤1、根据风速和光照强度的历史数据，利用最大似然估计法拟合风电、光伏出力随机模型的参数，从而建立风电出力随机模型、光伏出力随机模型。其中，建立风电出力随机模型、光伏出力随机模型，具体为：

步骤1-1、建立风电出力随机模型，具体为：

将风速表示为Weibull密度分布函数：

式中，v是风速；k和c分别是形状参数和比例参数；

风机的输出功率与风速的关系为：

式中，P_rW为风机的额定功率；v_i、v_r和v_o分别为风机的切入风速、额定风速和切出风速；

其中，k₁和k₂分别为：

风速保持在v_i、v_r之间，P_W和v之间的关系接近函数，则风电出力随机模型为：

步骤1-2、建立光伏出力随机模型，具体为：

将光照强度表示为Beta概率密度函数为：

式中，r和r_max分别为实际和最大光照强度；a和b为分布的形状参数，Γ是伽玛函数。给定M块太阳能电池组件，每个太阳能电池组件的面积为A_m，效率为η_m(m＝1，...，M)，则总有功功率P_M为：

P_M＝r·A·η

式中，A和η为M块太阳能电池组件的总面积和加权效率，分别为：

光伏出力随机模型为：

式中，R_M为M块太阳能电池组件可用的最大功率，如果P_M超出范围[0，R_M]，则将其定义为零。

步骤2、对所述风电出力随机模型、光伏出力随机模型均进行抽样，获得大量的随机场景，之后利用k-means聚类法对大量随机场景进行削减获得描述风光随机性的经典场景。

步骤3、以含分布式电源网络损耗、变压器损耗和电压越界惩罚最小为目标的多目标优化降损模型。具体为：

步骤3-1、确定多目标优化降损模型的目标函数；具体为：

所述目标函数包括含分布式电源的网损计算P_LOSS、变压器损耗P_B和电压越界惩罚f_V；目标函数的数学模型为：

min f(x)＝P_LOSS+P_B+f_V

其中，含分布式电源的网损计算P_LOSS为：

式中，N为配电网的总支路数；k_n为支路n上所有开关的闭合状态，取值为0或1，0表示开关处于断开状态，1表示开关处于闭合状态；r_n为支路n的电阻；P_n为支路n的有功功率，Q_n为支路n的无功功率；P_DGn为支路n的DG的有功功率，Q_DGn为支路n的DG的无功功率；|V_n|为支路n末节点的电压幅值；

其中，变压器损耗P_B为：

P_B＝P₀+β²P_k

式中，P₀、P_k分别为变压器的空载损耗与短路损耗，β为变压器的负载率；

其中，电压越界惩罚f_V为：

式中，Nb为节点总数；λ为惩罚因子；ΔU_i为节点i的电压降落；U_{i max}和U_{i min}分别为节点i允许的电压最大值和最小值。

步骤3-2、确定多目标优化降损模型的约束条件。具体为：

所述约束条件包括潮流约束条件、电压约束条件、电流约束条件；

(1)潮流约束条件为：

式中，P_i、Q_i分别为节点i处注入的有功功率和无功功率；P_DGi、Q_DGi分别为节点i处注入的分布式电源的有功功率和无功功率；U_i、U_j分别为节点i，j处的电压；G_ij、B_ij、θ_ij分别为节点i，j的电导、电纳、相角差；

(2)电压约束条件为：

根据ANSI C84.1，电压幅度应保持在标称值的5％以内。在本文中，±5％限制被认为是“严格”和“优秀”，而±10％限制被认为是“宽松”和“公平”：

式中，U_i、

和

分别为节点i的电压的当前值、允许的最小值和最大值。

(3)电流约束条件为每个分支处的电流必须小于或等于其最大容量：

式中，I_ij、

为分别支路ij的电流的当前值和允许的最大值。其中支路ij为节点i和节点j之间的支路。

步骤4、将步骤2获得的风光随机性的经典场景和系统数据输入到步骤3建立的多目标优化降损模型中，利用改进的和声算法对所述多目标优化降损模型进行求解，获得最优网络结构和补偿容量。其中，系统数据包括配电网系统的节点数据、支路数据；改进的和声算法为精英保留策略、遗传算法与和声搜索算法的融合。结合图2，该步骤具体为：

步骤4-1、将步骤2获得的风光随机性的经典场景和系统数据输入到步骤3建立的多目标优化降损模型中。

步骤4-2、对和声搜索算法参数和遗传算法的参数进行初始化；其中对和声搜索算法的重要参数设置进行了改进，采用动态参数结构以适应进化迭代过程中不断调整的种群个体状态。

对于记忆保留概率HMCR、和声微调幅度bw和微调扰动概率PAR，根据和声搜索过程中种群状态的不断更新与调整和迭代进化次数的增加，采用动态参数模式进行更新设置。

在和声搜索算法的初期，较小的微调扰动概率PAR能够增强算法的局部搜索能力，有利于算法快速地搜寻较好的解空间；在和声搜索算法的后期，较大的微调扰动概率PAR能够有利于避免算法陷入局部最优解，使算法能够围绕和声记忆库调整搜索的解空间范围。因此，本文采用动态调整的微调扰动概率PAR，微调扰动概率的调整计算公式为：

式中，t为和声搜索算法当前的迭代次数；PAR(t)为迭代次数为t时的微调扰动概率；PAR_max为和声搜索算法所设定的最大微调扰动概率；PAR_min为和声搜索算法所设定的最小微调扰动概率。

在和声搜索算法的初期，采用较大的和声微调幅度bw，有利于算法在较大范围内进行搜索，能够使算法跳出局部最优解；在和声搜索算法的后期，采用较小的和声微调幅度bw，有利于算法在局部解空间中进行精细求解。因此，本文采用动态调整的和声微调幅度bw，和声微调幅度的调整计算公式为：

式中，t为和声搜索算法当前的迭代次数；bw(t)为迭代次数为t时的和声微调幅度；bw_max为和声搜索算法所设定的最大和声微调幅度；bw_min为和声搜索算法所设定的最小和声微调幅度；T为和声搜索算法所设定的最大迭代次数。

在和声搜索算法的初期，采用较大的记忆保留概率HMCR，有利于在和声记忆库中快速搜寻局部最优解，降低算法的运行时间；在和声搜索算法的后期，采用较小的记忆保留概率HMCR，有利于增加解空间的多样性，确保所得最优解不是局部最优解。因此，本文采用动态调整的记忆保留概率HMCR，记忆保留概率的调整计算公式为：

式中，t为和声搜索算法当前的迭代次数；HMCR(t)为迭代次数为t时的记忆保留概率；HMCR_max为和声搜索算法所设定的最大记忆保留概率；HMCR_min为和声搜索算法所设定的最小记忆保留概率；T为和声搜索算法所设定的最大迭代次数。

步骤4-3、随机生成初始种群中的每个个体；

步骤4-4、将所述初始种群中的精英个体保留，对其余初始种群个体进行交叉和变异，并以微调扰动概率进行调整，获得包含新个体的新的种群；

步骤4-5、对步骤4-4获得的新的种群中每个个体的目标函数值进行评价，目标函数值越小，个体越优；若步骤4-4得到的新个体优于原个体，则用新个体将原个体替换掉，否则，保留原个体，从而完成对步骤4-4新的种群的更新；

步骤4-6、设定最大迭代次数Q,判断是否达到最大迭代次数Q，若达到，将步骤4-5中最优目标函数值对应的个体输出，即为最优网络结构和补偿容量；若未达到，则返回步骤4-4继续迭代计算。

实施例

本实施例选择某地区中某10kV配电网进行优化降损分析，经过节点与线路的简化，可将系统等效成29个负荷节点、28条支路，其中线路中联络开关有5处，如图3所示。配电网的具体线路参数如下表1所示。

表1 配电网线路参数

配电网首端变压器参数如表2所示。

表2 首端变压器参数

风电和光伏机组的具体参数如下表3所示。

表3 分布式能源参数

结合图1，本发明一种含分布式电源的配电网优化降损方法，包括以下步骤：

(1)根据风速和光照强度的历史数据，利用最大似然估计法拟合风电、光伏出力随机模型的参数，建立风电出力随机模型、光伏出力随机模型，绘制出出风、光分布曲线分别如图4、图5所示。

(2)对风电出力随机模型、光伏出力随机模型均进行抽样，获得大量的随机场景，之后利用k-means聚类法对大量随机场景进行削减获得描述风光随机性的经典场景。

(3)建立多目标优化降损模型。

(4)结合图2，将风光随机性的经典场景和系统数据输入到多目标优化降损模型中，利用改进的和声算法对模型进行求解，其中改进的和声算法为精英保留策略、遗传算法与和声搜索算法的融合，对和声搜索算法的参数设定如下表4所示。

表4 和声搜索算法设定参数

对遗传算法的参数设定如下表5所示。

表5 遗传算法设定参数

最终得到城市配电网的最优网络结构和无功补偿容量，如下表6所示。

表6 优化降损结果

本发明提出了一种含分布式电源的配电网优化降损方法，综合考虑了无功优化和分布式电源分配的问题，建立了多目标优化模型，用改进的和声搜索算法对模型进行求解，实现网络的结构优化和能源的充分利用，提高了新能源渗透率高的城市配电网系统运行的经济性和安全性。

Claims (7)

1.一种含分布式电源的城市配电网优化降损方法，其特征在于，包括以下步骤：

步骤1、根据风速和光照强度的历史数据，利用最大似然估计法拟合风电、光伏出力随机模型的参数，从而建立风电出力随机模型、光伏出力随机模型；

步骤2、对所述风电出力随机模型、光伏出力随机模型均进行抽样，获得大量的随机场景，之后对大量随机场景进行削减获得描述风光随机性的经典场景；

步骤3、建立多目标优化降损模型；具体为：

步骤3-1、确定多目标优化降损模型的目标函数；具体为：

所述目标函数包括含分布式电源的网损计算P_LOSS、变压器损耗P_B和电压越界惩罚f_V；目标函数的数学模型为：

minf(x)＝P_LOSS+P_B+f_V

其中，含分布式电源的网损计算P_LOSS为：

式中，N为配电网的总支路数；k_n为支路n上所有开关的闭合状态，取值为0或1，0表示开关处于断开状态，1表示开关处于闭合状态；r_n为支路n的电阻；P_n为支路n的有功功率，Q_n为支路n的无功功率；P_DGn为支路n的DG的有功功率，Q_DGn为支路n的DG的无功功率；|V_n|为支路n末节点的电压幅值；

其中，变压器损耗P_B为：

P_B＝P₀+β²P_k

式中，P₀、P_k分别为变压器的空载损耗与短路损耗，β为变压器的负载率；

其中，电压越界惩罚f_V为：

式中，Nb为节点总数；λ为惩罚因子；ΔU_i为节点i的电压降落；U_imax和U_imin分别为节点i允许的电压最大值和最小值；

步骤3-2、确定多目标优化降损模型的约束条件；

步骤4、将步骤2获得的风光随机性的经典场景和系统数据输入到步骤3建立的多目标优化降损模型中，利用改进的和声算法对所述多目标优化降损模型进行求解，获得最优网络结构和补偿容量；

具体为：

步骤4-1、将步骤2获得的风光随机性的经典场景和系统数据输入到步骤3建立的多目标优化降损模型中；

步骤4-2、对和声搜索算法参数和遗传算法的参数进行初始化；

步骤4-3、随机生成初始种群中的每个个体；

步骤4-4、将所述初始种群中的精英个体保留，对其余初始种群个体进行交叉和变异，并以微调扰动概率进行调整，获得包含新个体的新的种群；

步骤4-5、对步骤4-4获得的新的种群中每个个体的目标函数值进行评价，目标函数值越小，个体越优；若步骤4-4得到的新个体优于原个体，则用新个体将原个体替换掉，否则，保留原个体，从而完成对步骤4-4新的种群的更新；

步骤4-6、设定最大迭代次数Q,判断是否达到最大迭代次数Q，若达到，将步骤4-5中最优目标函数值对应的个体输出，即为最优网络结构和补偿容量；若未达到，则返回步骤4-4继续迭代计算。

2.根据权利要求1所述的含分布式电源的城市配电网优化降损方法，其特征在于，步骤1所述建立风电出力随机模型、光伏出力随机模型，具体为：

步骤1-1、建立风电出力随机模型，具体为：

将风速表示为Weibull密度分布函数：

式中，v是风速；k和c分别是形状参数和比例参数；

风机的输出功率与风速的关系为：

式中，P_rW为风机的额定功率；v_i、v_r和v_o分别为风机的切入风速、额定风速和切出风速；

其中，k₁和k₂分别为：

k₂＝-k₁v_i

风速保持在v_i、v_r之间，P_W和v之间的关系接近函数，则风电出力随机模型为：

步骤1-2、建立光伏出力随机模型，具体为：

将光照强度表示为Beta概率密度函数为：

式中，r和r_max分别为实际和最大光照强度；a和b为分布的形状参数，Γ是伽玛函数；给定M块太阳能电池组件，每个太阳能电池组件的面积为A_m，效率为η_m(m＝1，...，M)，则总有功功率P_M为：

P_M＝r·A·η

式中，A和η为M块太阳能电池组件的总面积和加权效率，分别为：

光伏出力随机模型为：

式中，R_M为M块太阳能电池组件可用的最大功率，如果P_M超出范围[0，R_M]，则将其定义为零。

3.根据权利要求1所述的含分布式电源的城市配电网优化降损方法，其特征在于，步骤2所述对大量随机场景进行削减获得描述风光随机性的经典场景具体为：利用k-means聚类法对大量随机场景进行削减获得描述风光随机性的经典场景。

4.根据权利要求1所述的含分布式电源的城市配电网优化降损方法，其特征在于，步骤3所述多目标优化降损模型具体为以含分布式电源网络损耗、变压器损耗和电压越界惩罚最小为目标的多目标优化降损模型。

5.根据权利要求1所述的含分布式电源的城市配电网优化降损方法，其特征在于，步骤3-2所述确定多目标优化降损模型的约束条件，具体为：

所述约束条件包括潮流约束条件、电压约束条件、电流约束条件；

(1)潮流约束条件为：

式中，P_i、Q_i分别为节点i处注入的有功功率和无功功率；P_DGi、Q_DGi分别为节点i处注入的分布式电源的有功功率和无功功率；U_i、U_j分别为节点i，j处的电压；G_ij、B_ij、θ_ij分别为节点i，j的电导、电纳、相角差；

(2)电压约束条件为：

式中，U_i、

和

分别为节点i的电压的当前值、允许的最小值和最大值；

(3)电流约束条件为：

式中，I_ij、

为分别支路ij的电流的当前值和允许的最大值；其中支路ij为节点i和节点j之间的支路。

6.根据权利要求1所述的含分布式电源的城市配电网优化降损方法，其特征在于，步骤4所述系统数据包括配电网系统的节点数据、支路数据。

7.根据权利要求1所述的含分布式电源的城市配电网优化降损方法，其特征在于，步骤4所述改进的和声算法为精英保留策略、遗传算法与和声搜索算法的融合。

Images