CN110955971A - 基于改进遗传算法的电力弹簧优化配置方法 - Google Patents

Abstract

本发明公开了一种基于改进遗传算法的电力弹簧优化配置方法，包括以下步骤：分析电力弹簧拓扑结构，建立电力弹簧调节模型，确定电力系统潮流算法；以网络损耗、电压偏差、电力弹簧投资成本最小为目标函数，功率平衡、节点电压、电力弹簧容量与配置数量为约束条件，建立电力弹簧配置优化模型；采用改进遗传算法求解电力弹簧配置优化模型，得到电力弹簧的配置位置和容量。本发明能明显的提高电能质量、降低网损，最大程度地降低弃风弃光等浪费能源的情况，协调规划方法相比传统的方法能更加适合配电网。

Description

基于改进遗传算法的电力弹簧优化配置方法

技术领域

本发明涉及配电网技术领域，尤其涉及一种基于改进遗传算法的电力弹簧优化配置方法。

背景技术

由于新能源发电具有不确定性，在并网时会对电网产生冲击，为了实现电网的功率平衡和电压稳定，通常对新能源并网发电做了诸多限制，甚至出现了严重的弃风、弃水以及光伏无法充分利用等能源严重浪费情况。

多种新型负荷不断涌现，智能化程度不断提高，面对电网的运行需求，可以接受有目的性的调节。如何发挥需求侧的调节潜力，提高含有可再生能源配电网的运行效率和经济性，成为当前配电网优化运行中面临的重要问题。

与其他现有的提高微电网电能质量方法相比，电力弹簧(以下简称ES)与非关键负载串联构成的智能负载具有较强的负载响应能力，能将分布式能源波动转移到非关键负载，也能参与频率调节。而其他微电网电压调整方法，一般直接与关键负载串联，如静止同步串联补偿器、动态电压补偿器，或直接与关键负载并联，如静止无功补偿器，在某些情况下，电力弹簧的调整效率比普通无功补偿装置更高。

发明内容

发明目的：针对现有技术中存在的问题，本发明公开了一种基于改进遗传算法的电力弹簧优化配置方法，在分析分布式发电的随机性和电力弹簧的调节基础上，构建了兼顾配电网运行经济性与系统电压质量的运行优化模型。

技术方案：本发明采用如下技术方案：一种基于改进遗传算法的电力弹簧优化配置方法，其特征在于，包括以下步骤：

步骤1)、分析电力弹簧拓扑结构，建立电力弹簧调节模型，确定电力系统潮流算法；

步骤2)、以网络损耗、电压偏差、电力弹簧投资成本最小为目标函数，功率平衡、节点电压、电力弹簧容量与配置数量为约束条件，建立电力弹簧配置优化模型；

步骤3、采用改进遗传算法求解电力弹簧配置优化模型，得到电力弹簧的配置位置和容量。

优选的，所述步骤1)中电力弹簧调节模型以无功补偿为手段为关键负载提供自适应电压。

优选的，所述步骤2)中电力弹簧配置优化模型为：

A、目标函数：以系统网络损耗C_loss、电压偏差C_V、电力弹簧投资成本C_CR作为3个目标子函数，对电力弹簧的位置、容量进行多目标优化：

min f_up＝ξ₁C_V+ξ₂C_loss+ξ₃C_CR

其中，网络损耗目标子函数：

其中，ΔP_d，t为Δt时间的有功损耗；

电压偏差目标子函数：

其中，U_n，t为n节点t时刻的电压，U_N表示考察时间段内节点电压额定值，N_node表示系统节点数；

电力弹簧投资成本目标子函数：

C_CR＝C_fix+λ_iS_es，i

其中，C_fix为投资固定成本，λ_i为电力弹簧单位容量成本，S_es，i为节点i的电力弹簧容量；

B、约束条件：

功率平衡约束：

其中，G_ij、B_ij、δ_ij表示节点i、j之间的电导、电纳、电压与电流之间的相角差；

节点电压约束：

U_i，min≤U_i≤U_i，max

其中，U_i，min、U_i，max分别为电压U_i的下限和上限；

电力弹簧容量约束：

S_es，i≤S_es，max

其中，S_es，max为电力弹簧的最大容量；

电力弹簧配置数量约束：

其中，X_i为0-1二值变量，为1表示节点i配置电力弹簧，为0表示节点i不配置电力弹簧；N_es为预配电力弹簧的数量。

优选的，所述步骤3)中改进遗传算法的改进方法包括：

A、改进选择步骤：使用基于种群个体适应度大小排序的选择算法代替轮盘赌选择；

B、改进交叉步骤：随机选择出父本和母本后，先进行n次交叉，产生2n个个体，再从中选出2个最优个体加入新种群；

C、采用自适应交叉率和变异率。

优选的，所述步骤3)中采用改进遗传算法求解流程包括：

步骤31)、输入网络原始数据、不同典型日微电网并网点负荷特性数据、配电网负荷数据；

步骤32)、采用无功二次精确矩求取无功配置备选点；

步骤33)、随机生成初始种群，置迭代次数T＝1；

步骤34)、通过改进遗传算法获得最优解，并计算上层每个染色体的适应度；

步骤35)、采用选择、交叉、变异遗传操作，产生新种群；

步骤36)、进行终止条件判断，若遗传代数T大于最大遗传代数，计算结束，输出结果；否则，T＝T+1，转至步骤33)。

有益效果：本发明具有如下有益效果：

(1)、本发明应用电力弹簧将连接的非关键负载转换为智能负载，提供电压支持和电压抑制功能，从而减轻可再生分布式发电中不确定性引起的电压越限，通过配置合理的容量与位置，使配电网的性能得到提升；

(2)、本发明通过配置合理的智能负载，将发电端和负载端联合起来考虑配电网电压质量和功率平衡，利用智能负载的电能需求弹性特点，最大程度地降低弃风弃光等浪费能源的情况；

(3)、本发明能明显的提高电能质量、降低网损，协调规划方法相比传统的方法能更加适合配电网；

(4)、本发明采用改进遗传算法，避免了早期高适应度个体迅速占据种群和后期的种群因个体适应度相差不大使得种群停止进化，避免了陷入局优解的可能，同时加快了种群进化速度又可以提高算法的整体性能。

附图说明

图1为本发明的电力弹簧模型结构图；

图2为本发明的电力弹簧配置步骤流程图；

图3为本发明案例分析的改进IEEE-33节点仿真模型图；

图4为本发明求解结果的节点电压分布曲线对比图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

本发明公开了一种基于改进遗传算法的电力弹簧优化配置方法，如图2所示，包括以下步骤：

步骤1)、如图1所示，分析电力弹簧拓扑结构，建立电力弹簧调节模型，确定电力系统潮流算法。

关键负载在含有较高比例可再生能源接入的微电网中依然有高可靠用电的需求。牺牲非关键负载的电压质量并非没有代价，非关键负载能否接受调节一方面取决于自身负载特性，另一方面还取决于补贴情况和用户意愿。本发明中，电力弹簧调节模型以无功补偿为手段为关键负载提供自适应电压。

步骤2)、以网络损耗、电压偏差、电力弹簧运行成本最小为目标函数，功率平衡、节点电压、电力弹簧容量与配置数量为约束条件，建立电力弹簧配置优化模型。

A、标函数：以系统网络损耗C_loss、电压偏差C_V、电力弹簧投资成本C_CR作为3个目标子函数，对电力弹簧的位置、容量进行多目标优化：

min f_up＝ξ₁C_V+ξ₂C_loss+ξ₃C_CR

其中，网络损耗目标子函数：

其中，ΔP_d，t为Δt时间的有功损耗；

电压偏差目标子函数：

其中，U_n，t为n节点t时刻的电压，U_N表示考察时间段内节点电压额定值，N_node表示系统节点数；

电力弹簧投资成本目标子函数：

C_CR＝C_fix+λ_iS_es，i

其中，C_fix为投资固定成本，λ_i为电力弹簧单位容量成本，S_es，i为节点i的电力弹簧容量；

B、约束条件：

任意时刻满足功率平衡约束：

其中，G_ij、B_ij、δ_ij表示节点i、j之间的电导、电纳、电压与电流之间的相角差；

节点电压约束：

U_i，min≤U_i≤U_i，max

其中，U_i，min、U_i，max分别为电压U_i的下限和上限；

电力弹簧容量约束：

S_es，i≤S_es，max

其中，S_es，max为电力弹簧的最大容量；

电力弹簧配置数量约束：

其中，X_i为0-1二值变量，为1表示节点i配置电力弹簧，为0表示节点i不配置电力弹簧；N_es为预配电力弹簧的数量。

步骤3)、采用改进遗传算法求解电力弹簧配置优化模型，得到电力弹簧的配置位置和容量。

改进遗传算法的改进方法包括：

A、改进选择步骤：使用基于种群个体适应度大小排序的选择算法代替轮盘赌选择，以避免造成早期高适应度个体迅速占据种群和后期的种群因个体适应度相差不大使得种群停止进化；

B、改进交叉步骤：随机选择出父本和母本后，先进行n次交叉，产生2n个个体，再从中选出2个最优个体加入新种群；

C、采用自适应交叉率和变异率。

算法求解流程如下：

步骤31)、输入网络原始数据、不同典型日微电网并网点负荷特性数据、配电网负荷数据；

步骤32)、采用无功二次精确矩求取无功配置备选点；

步骤33)、随机生成初始种群，置迭代次数T＝1；

步骤34)、通过改进遗传算法获得最优解，并计算上层每个染色体的适应度；

步骤35)、采用选择、交叉、变异遗传操作，产生新种群；

步骤36)、进行终止条件判断，若遗传代数T大于最大遗传代数，计算结束，输出结果；否则，T＝T+1，转至步骤33)。

本发明针对配电网的改善电压质量提出了一种改进遗传算法的电力弹簧优化配置方法，并用MATLAB进行仿真验证。图3为修改的IEEE-33节点算例模型，由此求出的电力弹簧预配节点为6、14、17、26、29、31、32。从图4可以看出经改进遗传算法后电压分布更加合理，电压偏差显著变小。优化结果如下表1、表2所示：

表1

表2

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于改进遗传算法的电力弹簧优化配置方法，其特征在于，包括以下步骤：

步骤1)、分析电力弹簧拓扑结构，建立电力弹簧调节模型，确定电力系统潮流算法；

步骤2)、以网络损耗、电压偏差、电力弹簧投资成本最小为目标函数，功率平衡、节点电压、电力弹簧容量与配置数量为约束条件，建立电力弹簧配置优化模型；

步骤3)、采用改进遗传算法求解电力弹簧配置优化模型，得到电力弹簧的配置位置和容量。

2.根据权利要求1所述的一种基于改进遗传算法的电力弹簧优化配置方法，其特征在于，所述步骤1)中电力弹簧调节模型以无功补偿为手段为关键负载提供自适应电压。

3.根据权利要求1所述的一种基于改进遗传算法的电力弹簧优化配置方法，其特征在于，所述步骤2)中电力弹簧配置优化模型为：

A、目标函数：以系统网络损耗C_loss、电压偏差C_V、电力弹簧投资成本C_CR作为3个目标子函数，对电力弹簧的位置、容量进行多目标优化：

min f_up＝ξ₁C_V+ξ₂C_loss+ξ₃C_CR

其中，网络损耗目标子函数：

其中，ΔP_d，t为Δt时间的有功损耗；

电压偏差目标子函数：

其中，U_n，t为n节点t时刻的电压，U_N表示考察时间段内节点电压额定值，N_node表示系统节点数；

电力弹簧投资成本目标子函数：

C_CR＝C_fix+λ_iS_es，i

其中，C_fix为投资固定成本，λ_i为电力弹簧单位容量成本，S_es，i为节点i的电力弹簧容量；

B、约束条件：

功率平衡约束：

其中，G_ij、B_ij、δ_ij表示节点i、j之间的电导、电纳、电压与电流之间的相角差；

节点电压约束：

U_i，min≤U_i≤U_i，max

其中，U_i，min、U_i，max分别为电压U_i的下限和上限；

电力弹簧容量约束：

S_es，i≤S_es，max

其中，S_es，max为电力弹簧的最大容量；

电力弹簧配置数量约束：

其中，X_i为0-1二值变量，为1表示节点i配置电力弹簧，为0表示节点i不配置电力弹簧；N_es为预配电力弹簧的数量。

4.根据权利要求1所述的一种基于改进遗传算法的电力弹簧优化配置方法，其特征在于，所述步骤3)中改进遗传算法的改进方法包括：

A、改进选择步骤：使用基于种群个体适应度大小排序的选择算法代替轮盘赌选择；

B、改进交叉步骤：随机选择出父本和母本后，先进行n次交叉，产生2n个个体，再从中选出2个最优个体加入新种群；

C、采用自适应交叉率和变异率。

5.根据权利要求4所述的一种基于改进遗传算法的电力弹簧优化配置方法，其特征在于，所述步骤3)中采用改进遗传算法求解流程包括：

步骤31)、输入网络原始数据、不同典型日微电网并网点负荷特性数据、配电网负荷数据；

步骤32)、采用无功二次精确矩求取无功配置备选点；

步骤33)、随机生成初始种群，置迭代次数T＝1；

步骤34)、通过改进遗传算法获得最优解，并计算上层每个染色体的适应度；

步骤35)、采用选择、交叉、变异遗传操作，产生新种群；

步骤36)、进行终止条件判断，若遗传代数T大于最大遗传代数，计算结束，输出结果；否则，T＝T+1，转至步骤33)。

Images