CN111342469A - 一种多电压等级网络架构优化方法 - Google Patents
一种多电压等级网络架构优化方法 Download PDFInfo
- Publication number
- CN111342469A CN111342469A CN202010417573.XA CN202010417573A CN111342469A CN 111342469 A CN111342469 A CN 111342469A CN 202010417573 A CN202010417573 A CN 202010417573A CN 111342469 A CN111342469 A CN 111342469A
- Authority
- CN
- China
- Prior art keywords
- voltage
- representing
- nest
- host
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/26—Arrangements for eliminating or reducing asymmetry in polyphase networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/50—Arrangements for eliminating or reducing asymmetry in polyphase networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种多电压等级网络架构优化方法,包括:S1.采集待优化的不同电压等级配电网络的拓扑结构信息;S2.建立以最小有功网损、最小电压偏差及最优负荷均衡度为目标函数,以潮流功率平衡、节点电压、节点容量、配电网络可靠性及相邻电压等级网络线路负载率为约束条件的多电压等级网络架构优化模型;S3.利用随机权重分配法将目标函数中三个目标进行归一化处理;S4.利用混合模拟退火布谷鸟算法求解多电压等级网络架构优化模型,得到配电网络的有功网损、电压偏差及负荷均衡度。本发明提出的方法增强了各电压等级间的协调性,提高了模型的求解速度及电力系统整体资源的优化配置效率。
Description
技术领域
本发明涉及网络架构优化的技术领域,更具体地,涉及一种多电压等级网络架构优化方法。
背景技术
近年来,随着售电增幅趋缓、输配电价改革及成本的刚性增长,电网公司的运营压力逐渐增大,因此,对负荷转供和配电网重构等网络架构优化提出了越来越高的要求。网络架构优化是指以最小网损和最小电压偏差等经济性和可靠性指标为目标函数,在满足配电网运行结构要求的同时,以电压、电流、容量上下限和潮流方程等为约束条件,利用算法寻求最佳优化方案以实现降低电网运行成本,提高供电质量及可靠性的目的。
目前,网络架构优化的研究大多针对城市单一电压等级配电网,在已有线路基础上,通过传统人工智能算法对负荷供电线路、风电、光伏等分布式电源及无功补偿装置的出力进行优化求解实现的,但单电压等级网络架构优化的方法难以解决各电压层级间协调性不够高、线路负载率不平衡以及电网整体利用率不高的问题,且传统人工智能算法的优化求解速度慢,效率低。
综上所述,提出一种用于多电压等级网络架构优化的方法十分有必要。
发明内容
现有网络架构优化的方法大多针对城市单一电压等级配电网,难以解决各电压层级间协调性不高、线路负载率不平衡以及电网整体利用率不高等问题,且具有求解速度慢的缺陷,为克服以上弊端,本发明提出了一种多电压等级网络架构优化方法,增强各电压等级间的协调性,提高电力系统整体资源的优化配置效率。
为了达到上述技术效果,本发明的技术方案如下:
一种多电压等级网络架构优化方法,至少包括:
S1.采集待优化的不同电压等级配电网络的拓扑结构信息;
S2.结合拓扑结构信息,建立以最小有功网损、最小电压偏差及最优负荷均衡度为目标函数,以潮流功率平衡、节点电压、节点容量、配电网络可靠性及相邻电压等级网络线路负载率为约束条件的多电压等级网络架构优化模型;
S3.利用随机权重分配法将目标函数中的最小有功网损、最小电压偏差及最优负荷均衡度三个目标进行归一化处理;
S4.利用混合模拟退火布谷鸟算法求解多电压等级网络架构优化模型,得到优化后的网络架构、配电网络的有功网损、电压偏差及负荷均衡度。
优选地,步骤S1所述的拓扑结构信息包括:支路总数目、支路电阻、支路电导及支路电纳。
优选地,步骤S2所述的目标函数包括:
a.最小有功网损,表达式为:
其中,f 1表示有功网损函数;n表示支路总数目;i为支路编号;P i 表示第i条支路末端的有功功率值;Q i 表示第i条支路末端的无功功率值;k i 表示第i条支路上的开关状态,k i =0表示开关断开,k i =1表示开关闭合;R i 表示第i条支路的支路电阻值;U i 表示第i条支路的支路电压值;
b.最小电压偏差,表达式为:
其中,f 2表示表示电压偏差函数,j表示节点编号,z表示配电网络节点总数目;U js 表示第j个节点处的实际电压;U jN 表示第j个节点处的额定电压;
c.最优负荷均衡度,表达式为:
其中,f 3表示负荷均衡度函数,m表示配电网络中闭合支路总数,S i 表示第i条支路注入的复功率值;S imax表示第i条支路允许注入的最大复功率值。以上建立的目标函数中综合了考虑电网运营的经济效益、可靠性指标及各电压等级的协调性。
优选地,步骤S2所述的约束条件包括:
潮流功率平衡约束,表达式为:
其中,x、y均表示配电网络的节点;△P表示节点x注入的有功功率变化量;△Q表示节点x注入的无功功率变化量;P x 为节点x注入的有功功率值;Q x 表示节点x注入的无功功率值;V x 表示节点x的电压幅值;V y 表示节点y的电压幅值;G xy 表示节点x与节点y之间的电导;B xy 表示节点x与节点y之间的电纳;θ xy表示节点x电压与节点y电压的相角差;
节点电压约束,表达式为:
其中,V jmin表示节点j的电压幅值允许最小值;V j 表示节点j的电压幅值;V jmax表示节点j的电压幅值允许最大值;
节点容量约束,表达式为:
其中,S j 表示节点j的实际容量;S jmax表示节点j允许容量的最大值;
配电网络可靠性约束,表达式为:
其中,W表示配电网络可靠性指标;W min表示配电网络可靠性指标的最低允许值;W的表达式为:
其中,P max表示配电网络所供的最大负荷;F表示配电网络故障合集;P h 表示配电网络处于h故障状态的切负荷量;Pr state , h 表示配电网络处于h故障状态的概率;
相邻电压等级网络线路负载率约束,表达式为:
其中,,,α G 表示相邻电压等级电网中高电压等级电网线路的平均负载率;α d 表示相邻电压等级电网中低电压等级电网线路的平均负载率;t G表示相邻电压等级电网中的高电压等级电网线路的总数,i G表示相邻电压等级电网中高电压等级电网的第i G条线路;I G 表示相邻电压等级电网中高电压等级电网第i条线路的实际电流;I max,iG表示相邻电压等级电网中高电压等级电网第i G条线路的最大允许电流;t d 表示相邻电压等级电网中的低电压等级电网线路的总数,i d表示相邻电压等级电网中低电压等级电网的第i d条线路;I d 表示相邻电压等级电网中低电压等级电网第i d条线路的实际电流;I max,id表示相邻电压等级电网中低电压等级电网第i d条线路的最大允许电流。
优选地,步骤S3所述随机权重分配法的公式为:
其中,rand l 表示目标函数中最小有功网损、最小电压偏差及最优负荷均衡度三个目标中任意一个目标l对应的(0,1)之间的随机数,φ l 表示目标函数的最小有功网损、最小电压偏差及最优负荷均衡度三个目标中任意一个目标l的随机权重;
归一化处理的公式为:
其中,f表示归一化处理后的目标函数;φ 1表示目标函数中最小有功网损目标f 1的随机权重值,φ 2表示目标函数中最小电压偏差目标f 2的随机权重值,φ 3表示目标函数中最优负荷均衡度目标f 3的随机权重值;D 1表示目标函数中最小有功网损目标f 1每次迭代计算后的最小值;D 2表示目标函数中最小电压偏差目标f 2的每次迭代计算后的最小值;D 3表示目标函数中最优负荷均衡度目标f 3的每次迭代计算后的最小值。采用随机权重分配法进行多目标权重的确定,避免了人为确定权重带来的较强主观性。
优选地,步骤S4所述的利用混合模拟退火布谷鸟算法求解多电压等级网络架构优化模型的过程为:
S41.设置宿主鸟巢规模为Nest={Nest 1,…,Nest p },即不同电压等级配电网络的网络架构数,Nest p 表示第p个宿主鸟巢,最大迭代次数为τ,宿主鸟巢主人发现布谷鸟蛋的概率为P a,步长因子为β;
S42.初始化;计算每一个宿主鸟巢的适应度值f(Nest c),c=1,…,p,其中表示f表示归一化处理后的目标函数,保留适应度值最优的宿主鸟巢,剩余p-1个宿主鸟巢进入宿主鸟巢位置的迭代更新;
S43.判断迭代更新是否进入局部最优,若是,执行步骤S44;否则,执行步骤S45;
S44.随机从p-1个宿主鸟巢中选取γa个宿主鸟巢,采用模拟退火法更新γa个宿主鸟巢的位置,剩余p-1-γa个宿主鸟巢中的一个宿主鸟巢与另一个宿主鸟巢进行随机交叉,然后将采用模拟退火法更新后的γa个宿主鸟巢与随机交叉后的剩余p-1-γa宿主鸟巢合并,计算并保留适应度值最优的宿主鸟巢;
S45.采用莱维飞行随机搜索路径更新宿主鸟巢位置,计算并保留适应度值最优的鸟巢;
S46.随机产生均匀分布的随机数M∈(0,1),比较M与宿主鸟巢主人发现布谷鸟蛋的概率P a的大小,若M>P a,则布谷鸟蛋被发现并丢弃,更新宿主鸟巢位置,否则,宿主鸟巢位置不变,计算并保留适应度值最优的宿主鸟巢;
S47.判断当前迭代次数是否大于最大迭代次数τ,若是,输出最优适应度值及最优鸟巢位置,否则,返回步骤S42。
在此,为提高布谷鸟搜索法后期收敛速度以及优化结果的精度,引入模拟退火法,对布谷鸟搜索法进行改进,形成混合模拟退火布谷鸟法对多电压等级网络架构优化模型进行优化求解,即在布谷鸟搜索法迭代更新计算过程中,判断迭代是否陷入局部最优,若陷入局部最优则引入模拟退火法,保证优化计算的精度。
优选地,步骤S42所述宿主鸟巢位置迭代更新的公式为:
莱维飞行随机搜索路径的表达式为:
其中,u,v均为服从正态分布的参数,当δ=1.5时,u,v均服从[0,1]正态分布,φ为待求中间参数,φ的计算公式为:
优选地,步骤S43判断迭代更新是否进入局部最优的方法为:
S431.记录第t次迭代过程中宿主鸟巢的最优适应度值f(Nest t L );
S432.记录第σ次迭代过程中宿主鸟巢的最优适应度值f(Nest σ L );
S433.计算第t次迭代过程中宿主鸟巢的最优适应度值f(Nest t L )与第σ次迭代过程中宿主鸟巢的最优适应度值f(Nest σ L )之间的变化率:
S434.判断变化率△f是否小于固定值E,若是,迭代更新陷入局部最优,执行步骤S44;否则,执行步骤S45。
优选地,步骤S44所述的采用模拟退火法更新宿主鸟巢Nest τL 的位置的过程为:
S441.设定模拟退火法的控制参数T的初始值T0、终值T end 、马尔科夫链长度B、衰减系数A及模拟退火最大迭代次数DI,初始化解q 0并设置适应度函数f(q0),f表示归一化处理后的目标函数;
S442.当控制参数T取T t 时,对当代解q t更新,当代解q t指配电网络的框架结构配置,即
q t+1= q t ⊕random
其中,⊕表示点对点的加法,random表示随机数组,Tt表示当前温度;
S444.判断J是否小于P,若是,令当代解q t更新,即当代解取q t+1;否则,当代解q t不变;
S445.判断是否达到模拟退火最大迭代次数DI,若是,输出当代解q t及适应度函数值f(qt);否则,返回步骤S422。
优选地,步骤S46所述更新宿主鸟巢位置按照随机游走偏差公式进行,随机游走偏差公式为:
与现有技术相比,本发明技术方案的有益效果是:
本发明提出一种多电压等级网络架构优化方法,建立以最小有功网损、最小电压偏差及最优负荷均衡度为目标函数,以潮流功率平衡、节点电压、节点容量、配电网络可靠性及相邻电压等级网络线路负载率为约束条件的多电压等级网络架构优化模型,将目标函数中的最小有功网损、最小电压偏差及最优负荷均衡度三个目标进行归一化处理,克服了现有网络架构优化的方法大多针对城市单一电压等级配电网,难以解决各电压层级间协调性不高、线路负载率不平衡以及电网整体利用率不高等问题,增强各电压等级间的协调性,提高电力系统整体资源的优化配置效率,通过混合模拟退火布谷鸟算法求解模型,提高模型的求解速度,得到配电网络的有功网损、电压偏差及负荷均衡度,完成多电压等级网络架构优化。
附图说明
图1为本发明提出的多电压等级网络架构优化方法的流程图。
图2为本发明实施例中提出的由IEEE14节点配电网络及IEEE33节点配电网络组成的两个电压等级连接结构图。
图3为本发明实施例中提出的优化前后节点电压偏移曲线的对比示意图。
图4为本发明实施例中利用混合模拟退火布谷鸟算法与传统布谷鸟算法、遗传算法在求解模型时的求解速度对比示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际尺寸;
对于本领域技术人员来说,附图中某些公知说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,本发明提出的一种多电压等级网络架构优化方法,包括:
S1.采集待优化的不同电压等级配电网络的拓扑结构信息;拓扑结构信息包括:支路总数目、支路电阻、支路电导及支路电纳。
S2.结合拓扑结构信息,建立以最小有功网损、最小电压偏差及最优负荷均衡度为目标函数,以潮流功率平衡、节点电压、节点容量、配电网络可靠性及相邻电压等级网络线路负载率为约束条件的多电压等级网络架构优化模型;
S3.利用随机权重分配法将目标函数中的最小有功网损、最小电压偏差及最优负荷均衡度三个目标进行归一化处理;
S4.利用混合模拟退火布谷鸟算法求解多电压等级网络架构优化模型,得到优化后的网络架构、配电网络的有功网损、电压偏差及负荷均衡度。
在本实施例中,步骤S2所述的目标函数包括:
a.最小有功网损,表达式为:
其中,f 1表示有功网损函数;n表示支路总数目;i为支路编号;P i 表示第i条支路末端的有功功率值;Q i 表示第i条支路末端的无功功率值;k i 表示第i条支路上的开关状态,k i =0表示开关断开,k i =1表示开关闭合;R i 表示第i条支路的支路电阻值;U i 表示第i条支路的支路电压值;
b.最小电压偏差,表达式为:
其中,f 2表示电压偏差函数,j表示节点编号,z表示配电网络节点总数目;U js 表示第j个节点处的实际电压;U jN 表示第j个节点处的额定电压;
c.最优负荷均衡度,表达式为:
其中,f 3表示负荷均衡度函数,m表示配电网络中闭合支路总数,S i 表示第i条支路注入的复功率值;S imax表示第i条支路允许注入的最大复功率值。以上建立的目标函数中综合了考虑电网运营的经济效益、可靠性指标及各电压等级的协调性。
约束条件包括:
潮流功率平衡约束,表达式为:
其中,x、y均表示配电网络的节点;△P表示节点x注入的有功功率变化量;△Q表示节点x注入的无功功率变化量;P x 为节点x注入的有功功率值;Q x 表示节点x注入的无功功率值;V x 表示节点x的电压幅值;V y 表示节点y的电压幅值;G xy 表示节点x与节点y之间的电导;B xy 表示节点x与节点y之间的电纳;θ xy表示节点x电压与节点y电压的相角差;
节点电压约束,表达式为:
其中,V jmin表示节点j的电压幅值允许最小值;V j 表示节点j的电压幅值;V jmax表示节点j的电压幅值允许最大值;
节点容量约束,表达式为:
其中,S j 表示节点j的实际容量;S jmax表示节点j允许容量的最大值;
配电网络可靠性约束,表达式为:
其中,W表示配电网络可靠性指标;W min表示配电网络可靠性指标的最低允许值;W的表达式为:
其中,P max表示配电网络所供的最大负荷;F表示配电网络故障合集;P h 表示配电网络处于h故障状态的切负荷量;Pr state , h 表示配电网络处于h故障状态的概率;
相邻电压等级网络线路负载率约束,表达式为:
其中,,,α G 表示相邻电压等级电网中高电压等级电网线路的平均负载率;α d 表示相邻电压等级电网中低电压等级电网线路的平均负载率;t G表示相邻电压等级电网中的高电压等级电网线路的总数,i G表示相邻电压等级电网中高电压等级电网的第i G条线路;I G 表示相邻电压等级电网中高电压等级电网第i条线路的实际电流;I max,iG表示相邻电压等级电网中高电压等级电网第i G条线路的最大允许电流;t d 表示相邻电压等级电网中的低电压等级电网线路的总数,i d表示相邻电压等级电网中低电压等级电网的第i d条线路;I d 表示相邻电压等级电网中低电压等级电网第i d条线路的实际电流;I max,id表示相邻电压等级电网中低电压等级电网第i d条线路的最大允许电流。
在本实施例中,步骤S3所述随机权重分配法的公式为:
其中,rand l 表示目标函数中最小有功网损、最小电压偏差及最优负荷均衡度三个目标中任意一个目标l对应的(0,1)之间的随机数,φ l 表示目标函数的最小有功网损、最小电压偏差及最优负荷均衡度三个目标中任意一个目标l的随机权重;
归一化处理的公式为:
其中,f表示归一化处理后的目标函数;φ 1表示目标函数中最小有功网损目标f 1的随机权重值,φ 2表示目标函数中最小电压偏差目标f 2的随机权重值,φ 3表示目标函数中最优负荷均衡度目标f 3的随机权重值;D 1表示目标函数中最小有功网损目标f 1每次迭代计算后的最小值;D 2表示目标函数中最小电压偏差目标f 2的每次迭代计算后的最小值;D 3表示目标函数中最优负荷均衡度目标f 3的每次迭代计算后的最小值。采用随机权重分配法进行多目标权重的确定,避免了人为确定权重带来的较强主观性。
在本实施例中,步骤S4所述的利用混合模拟退火布谷鸟算法求解多电压等级网络架构优化模型的过程为:
S41.设置宿主鸟巢规模为Nest={Nest 1,…,Nest p },即不同电压等级配电网络的网络架构数,Nest p 表示第p个宿主鸟巢,最大迭代次数为τ,宿主鸟巢主人发现布谷鸟蛋的概率为P a,步长因子为β;
S42.初始化;计算每一个宿主鸟巢的适应度值f(Nest c),c=1,…,p,其中表示f表示归一化处理后的目标函数,保留适应度值最优的宿主鸟巢,剩余p-1个宿主鸟巢进入宿主鸟巢位置的迭代更新;
S43.判断迭代更新是否进入局部最优,若是,执行步骤S44;否则,执行步骤S45;
S44.随机从p-1个宿主鸟巢中选取γa个宿主鸟巢,采用模拟退火法更新γa个宿主鸟巢的位置,剩余p-1-γa个宿主鸟巢中的一个宿主鸟巢与另一个宿主鸟巢进行随机交叉,然后将采用模拟退火法更新后的γa个宿主鸟巢与随机交叉后的剩余p-1-γa宿主鸟巢合并,计算并保留适应度值最优的宿主鸟巢;
S45.采用莱维飞行随机搜索路径更新宿主鸟巢位置,计算并保留适应度值最优的鸟巢;
S46.随机产生均匀分布的随机数M∈(0,1),比较M与宿主鸟巢主人发现布谷鸟蛋的概率P a的大小,若M>P a,则布谷鸟蛋被发现并丢弃,更新宿主鸟巢位置,否则,宿主鸟巢位置不变,计算并保留适应度值最优的宿主鸟巢;
S47.判断当前迭代次数是否大于最大迭代次数τ,若是,输出最优适应度值及最优鸟巢位置,否则,返回步骤S42。
在具体实施时,采用随机发生函数随机选取部分宿主鸟巢Nest τL 。
在本实施例中,步骤S42所述宿主鸟巢位置迭代更新的公式为:
莱维飞行随机搜索路径的表达式为:
其中,u,v均为服从正态分布的参数,当δ=1.5时,u,v均服从[0,1]正态分布,φ为待求中间参数,φ的计算公式为:
步骤S43判断迭代更新是否进入局部最优的方法为:
S431.记录第t次迭代过程中宿主鸟巢的最优适应度值f(Nest t L );
S432.记录第σ次迭代过程中宿主鸟巢的最优适应度值f(Nest σ L );
S433.计算第t次迭代过程中宿主鸟巢的最优适应度值f(Nest t L )与第σ次迭代过程中宿主鸟巢的最优适应度值f(Nest σ L )之间的变化率:
S434.判断变化率△f是否小于固定值E,若是,迭代更新陷入局部最优,执行步骤S44;否则,执行步骤S45。
步骤S44所述的采用模拟退火法更新宿主鸟巢Nest τL 的位置的过程为:
S441.设定模拟退火法的控制参数T的初始值T0、终值T end 、马尔科夫链长度B、衰减系数A及模拟退火最大迭代次数DI,初始化解q 0并设置适应度函数f(q0),f表示归一化处理后的目标函数;
S442.当控制参数T取T t 时,对当代解q t更新,当代解q t指配电网络的框架结构配置,即
q t+1=q t ⊕random
其中,⊕表示点对点的加法,random表示随机数组,Tt表示当前温度;
S444.判断J是否小于P,若是,令当代解q t更新,即当代解取q t+1;否则,当代解q t不变;
S445.判断是否达到模拟退火最大迭代次数DI,若是,输出当代解q t及适应度函数值f(qt);否则,返回步骤S422。
步骤S46所述更新宿主鸟巢位置按照随机游走偏差公式进行,随机游走偏差公式为:
下面结合具体场景的实施例进一步对本申请提出的方法的有效性进行说明,如图2所示,将IEEE14节点配电网络和IEEE33节点配电网络连接,组成23kV和12.66kV两个电压等级的配电网络,参见图2,组合后的网络共有46个负荷点,55条分支线路、45个分段开关、10个联络开关,图2中点与点之间线路上的数字表示支路标号,圆圈里的数字表示配电网络的节点,采用本发明提出的混合模拟退火布谷鸟算法对前述网络架构优化模型进行求解。
混合模拟退火布谷鸟算法的参数设置如下:
种群规模为30,最大迭代次数τ为50,宿主鸟巢主人发现布谷鸟蛋的概率P a为0.5,步长因子取0.01,模拟退火法中马尔科夫链长度为30,初始温度3000℃,终止温度Tend=0.001℃,温度衰减系数0.95,经过本发明提出的方法进行负荷配置优化与未经过优化的两种场景结果如表1所示。
表1
优化前配电网络所有联络开关的线路断开,经本发明提出的方法优化后,网络架构的优化结果为:支路9、11、16、17、28、31、41、49、50、54断开,相比于优化前,结合表1的数据,有功网损降低了40.51%,降损效果明显;负荷均衡度和电压偏差分别降低了44.1%和66.7%,系统稳定性得到显著提升。
图3为本发明实施例中提出的优化前后节点电压偏移曲线的对比示意图,可以看出,优化后节点电压普遍上升,IEEE33节点配电网络所有节点电压均上升了0.13kV,从而提升了系统的稳定性。
表2
表2给出了两个电压等级负荷优化与单电压等级负荷优化的对比结果,表2中配电网络电压等级为23kV的指IEEE14节点配电网络结构,配电网络电压等级为12.66kV的指IEEE33节点配电网络架构,两个电压等级系统单独优化时总网损为240.23kW,连接优化后网损降低了14.20%,降损效果更优,负荷均衡度和电压偏差也分别降低了4.10%和57.75%,由此可见,多电压等级负荷优化模型更加显著得提升了系统得经济效益与稳定性。
进一步,为验证本发明提出的网络架构优化方法的准确性与高效性,将其与传统布谷鸟算法、遗传算法进行比较,结果如表3所示,三种算法的迭代曲线如图4所示;
表3
结合表3和图4可见,传统布谷鸟算法与遗传算法均陷入局部最优,未能找到全局最优解,而本发明提出的方法能够兼顾全局寻优和局部寻优能力,收敛速度更快,平均迭代在25次左右,耗时更短,比传统布谷鸟算法速度提升了64%。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种多电压等级网络架构优化方法,其特征在于,至少包括:
S1.采集待优化的不同电压等级配电网络的拓扑结构信息;
S2.结合拓扑结构信息,建立以最小有功网损、最小电压偏差及最优负荷均衡度为目标函数,以潮流功率平衡、节点电压、节点容量、配电网络可靠性及相邻电压等级网络线路负载率为约束条件的多电压等级网络架构优化模型;
S3.利用随机权重分配法将目标函数中的最小有功网损、最小电压偏差及最优负荷均衡度三个目标进行归一化处理;
S4.利用混合模拟退火布谷鸟算法求解多电压等级网络架构优化模型,得到优化后的网络架构、配电网络的有功网损、电压偏差及负荷均衡度。
2.根据权利要求1所述的多电压等级网络架构优化方法,其特征在于,步骤S1所述的拓扑结构信息包括:支路总数目、支路电阻、支路电导及支路电纳。
3.根据权利要求1所述的多电压等级网络架构优化方法,其特征在于,步骤S2所述的目标函数包括:
a.最小有功网损,表达式为:
其中,f 1表示有功网损函数;n表示支路总数目;i为支路编号;P i 表示第i条支路末端的有功功率值;Q i 表示第i条支路末端的无功功率值;k i 表示第i条支路上的开关状态,k i =0表示开关断开,k i =1表示开关闭合;R i 表示第i条支路的支路电阻值;U i 表示第i条支路的支路电压值;
b.最小电压偏差,表达式为:
其中,f 2表示电压偏差函数,j表示节点编号,z表示配电网络节点总数目;U js 表示第j个节点处的实际电压;U jN 表示第j个节点处的额定电压;
c.最优负荷均衡度,表达式为:
其中,f 3表示负荷均衡度函数,m表示配电网络中闭合支路的总数,S i 表示第i条支路注入的复功率值;S imax表示第i条支路允许注入的最大复功率值。
4.根据权利要求3所述的多电压等级网络架构优化方法,其特征在于,步骤S2所述的约束条件包括:
潮流功率平衡约束,表达式为:
其中,x、y均表示配电网络的节点;△P表示节点x注入的有功功率变化量;△Q表示节点x注入的无功功率变化量;P x 为节点x注入的有功功率值;Q x 表示节点x注入的无功功率值;V x 表示节点x的电压幅值;V y 表示节点y的电压幅值;G xy 表示节点x与节点y之间的电导;B xy 表示节点x与节点y之间的电纳;θ xy表示节点x电压与节点y电压的相角差;
节点电压约束,表达式为:
其中,V jmin表示节点j的电压幅值允许最小值;V j 表示节点j的电压幅值;V jmax表示节点j的电压幅值允许最大值;
节点容量约束,表达式为:
其中,S j 表示节点j的实际容量;S jmax表示节点j允许容量的最大值;
配电网络可靠性约束,表达式为:
其中,W表示配电网络可靠性指标;W min表示配电网络可靠性指标的最低允许值;W的表达式为:
其中,P max表示配电网络所供的最大负荷;F表示配电网络故障合集;P h 表示配电网络处于h故障状态的切负荷量;Pr state , h 表示配电网络处于h故障状态的概率;
相邻电压等级网络线路负载率约束,表达式为:
其中,,,α G 表示相邻电压等级电网中高电压等级电网线路的平均负载率;α d 表示相邻电压等级电网中低电压等级电网线路的平均负载率;t G表示相邻电压等级电网中的高电压等级电网线路的总数,i G表示相邻电压等级电网中高电压等级电网的第i G条线路;I G 表示相邻电压等级电网中高电压等级电网第i条线路的实际电流;I max,iG表示相邻电压等级电网中高电压等级电网第i G条线路的最大允许电流;t d 表示相邻电压等级电网中的低电压等级电网线路的总数,i d表示相邻电压等级电网中低电压等级电网的第i d条线路;I d 表示相邻电压等级电网中低电压等级电网第i d条线路的实际电流;I max,id 表示相邻电压等级电网中低电压等级电网第i d条线路的最大允许电流。
5.根据权利要求4所述的多电压等级网络架构优化方法,其特征在于,步骤S3所述随机权重分配法的公式为:
其中,rand l 表示目标函数中最小有功网损、最小电压偏差及最优负荷均衡度三个目标中任意一个目标l对应的(0,1)之间的随机数,φ l 表示目标函数的最小有功网损、最小电压偏差及最优负荷均衡度三个目标中任意一个目标l的随机权重;
归一化处理的公式为:
其中,f表示归一化处理后的目标函数;φ 1表示目标函数中最小有功网损目标f 1的随机权重值,φ 2表示目标函数中最小电压偏差目标f 2的随机权重值,φ 3表示目标函数中最优负荷均衡度目标f 3的随机权重值;D 1表示目标函数中最小有功网损目标f 1每次迭代计算后的最小值;D 2表示目标函数中最小电压偏差目标f 2的每次迭代计算后的最小值;D 3表示目标函数中最优负荷均衡度目标f 3的每次迭代计算后的最小值。
6.根据权利要求5所述的多电压等级网络架构优化方法,其特征在于,步骤S4所述的利用混合模拟退火布谷鸟算法求解多电压等级网络架构优化模型的过程为:
S41.设置宿主鸟巢规模为Nest={Nest 1,…,Nest p },即不同电压等级配电网络的网络架构数,Nest p 表示第p个宿主鸟巢,最大迭代次数为τ,宿主鸟巢主人发现布谷鸟蛋的概率为P a,步长因子为β;
S42.初始化;计算每一个宿主鸟巢的适应度值f(Nest c),c=1,…,p,其中表示f表示归一化处理后的目标函数,保留适应度值最优的宿主鸟巢,剩余p-1个宿主鸟巢进入宿主鸟巢位置的迭代更新;
S43.判断迭代更新是否进入局部最优,若是,执行步骤S44;否则,执行步骤S45;
S44.随机从p-1个宿主鸟巢中选取γa个宿主鸟巢,采用模拟退火法更新γa个宿主鸟巢的位置,剩余p-1-γa个宿主鸟巢中的一个宿主鸟巢与另一个宿主鸟巢进行随机交叉,然后将采用模拟退火法更新后的γa个宿主鸟巢与随机交叉后的剩余p-1-γa宿主鸟巢合并,计算并保留适应度值最优的宿主鸟巢;
S45.采用莱维飞行随机搜索路径更新宿主鸟巢位置,计算并保留适应度值最优的鸟巢;
S46.随机产生均匀分布的随机数M∈(0,1),比较M与宿主鸟巢主人发现布谷鸟蛋的概率P a的大小,若M>P a,则布谷鸟蛋被发现并丢弃,更新宿主鸟巢位置,否则,宿主鸟巢位置不变,计算并保留适应度值最优的宿主鸟巢;
S47.判断当前迭代次数是否大于最大迭代次数τ,若是,输出最优适应度值及最优鸟巢位置,否则,返回步骤S42。
9.根据权利要求8所述的多电压等级网络架构优化方法,其特征在于,步骤S44所述的采用模拟退火法更新宿主鸟巢Nest τL 的位置的过程为:
S441.设定模拟退火法的控制参数T的初始值T 0、终值T end 、马尔科夫链长度B、衰减系数A及模拟退火最大迭代次数DI,初始化解q 0并设置适应度函数f(q0),f表示归一化处理后的目标函数;
S442.当控制参数T取T t 时,对当代解q t更新,当代解q t指配电网络的框架结构配置,即
q t+1=q t ⊕random
其中,⊕表示点对点的加法,random表示随机数组,Tt表示当前温度;
S444.判断J是否小于P,若是,令当代解q t更新,即当代解取q t+1;否则,当代解q t不变;
S445.判断是否达到模拟退火最大迭代次数DI,若是,输出当代解q t及适应度函数值f(qt);否则,返回步骤S422。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417573.XA CN111342469A (zh) | 2020-05-18 | 2020-05-18 | 一种多电压等级网络架构优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417573.XA CN111342469A (zh) | 2020-05-18 | 2020-05-18 | 一种多电压等级网络架构优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111342469A true CN111342469A (zh) | 2020-06-26 |
Family
ID=71186463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010417573.XA Pending CN111342469A (zh) | 2020-05-18 | 2020-05-18 | 一种多电压等级网络架构优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111342469A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001558A (zh) * | 2020-08-31 | 2020-11-27 | 广东电网有限责任公司广州供电局 | 一种配电网设备最优运行模态研究方法及装置 |
CN112700006A (zh) * | 2020-12-29 | 2021-04-23 | 平安科技(深圳)有限公司 | 网络架构搜索方法、装置、电子设备及介质 |
CN116093995A (zh) * | 2023-03-07 | 2023-05-09 | 国网江西省电力有限公司经济技术研究院 | 一种配电系统多目标网络重构方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102570450A (zh) * | 2011-12-31 | 2012-07-11 | 中国电力科学研究院 | 一种适用于复杂电网的静态可靠性评估方法 |
EP3065250A1 (de) * | 2015-03-05 | 2016-09-07 | BKW Energie AG | Verfahren und einrichtung zur bestimmung der topologie eines stromversorgungsnetzes |
CN109038569A (zh) * | 2018-08-24 | 2018-12-18 | 南方电网科学研究院有限责任公司 | 一种配电网重构方法、装置、系统及计算机可读存储介质 |
CN109960833A (zh) * | 2017-12-25 | 2019-07-02 | 中国电力科学研究院有限公司 | 一种直流配电电压等级配置方案优选方法及系统 |
-
2020
- 2020-05-18 CN CN202010417573.XA patent/CN111342469A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102570450A (zh) * | 2011-12-31 | 2012-07-11 | 中国电力科学研究院 | 一种适用于复杂电网的静态可靠性评估方法 |
EP3065250A1 (de) * | 2015-03-05 | 2016-09-07 | BKW Energie AG | Verfahren und einrichtung zur bestimmung der topologie eines stromversorgungsnetzes |
CN109960833A (zh) * | 2017-12-25 | 2019-07-02 | 中国电力科学研究院有限公司 | 一种直流配电电压等级配置方案优选方法及系统 |
CN109038569A (zh) * | 2018-08-24 | 2018-12-18 | 南方电网科学研究院有限责任公司 | 一种配电网重构方法、装置、系统及计算机可读存储介质 |
Non-Patent Citations (5)
Title |
---|
叶诚明等: "输配电协调的网架规划方法", 《水电能源科学》 * |
尹诗德: "基于模拟退火的混合布谷鸟算法求解公交调度问题", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
潘浩等: "基于改进布谷鸟算法的无线传感网络覆盖多目标优化", 《吉林师范大学学报(自然科学版)》 * |
许喆等: "基于改进萤火虫算法的含DG配电网重构方法", 《电力系统保护与控制》 * |
马灿等: "混合模拟退火的布谷鸟算法研究", 《小型微型计算机系统》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001558A (zh) * | 2020-08-31 | 2020-11-27 | 广东电网有限责任公司广州供电局 | 一种配电网设备最优运行模态研究方法及装置 |
CN112700006A (zh) * | 2020-12-29 | 2021-04-23 | 平安科技(深圳)有限公司 | 网络架构搜索方法、装置、电子设备及介质 |
WO2022141840A1 (zh) * | 2020-12-29 | 2022-07-07 | 平安科技(深圳)有限公司 | 网络架构搜索方法、装置、电子设备及介质 |
CN116093995A (zh) * | 2023-03-07 | 2023-05-09 | 国网江西省电力有限公司经济技术研究院 | 一种配电系统多目标网络重构方法及系统 |
CN116093995B (zh) * | 2023-03-07 | 2023-07-14 | 国网江西省电力有限公司经济技术研究院 | 一种配电系统多目标网络重构方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111342469A (zh) | 一种多电压等级网络架构优化方法 | |
CN110071505A (zh) | 含大规模风电接入的输电网扩建与储能配置联合规划方法 | |
CN110266038B (zh) | 一种多虚拟电厂分布式协调调控方法 | |
CN113723807B (zh) | 一种储能与信息系统双层协同规划方法、装置及介质 | |
CN105046354A (zh) | 基于多代理的配电网规划场景模拟生成方法及其系统 | |
Hatata et al. | Ant lion optimizer versus particle swarm and artificial immune system for economical and eco‐friendly power system operation | |
CN115954957A (zh) | 一种复合发电系统的容量配置方法、装置和电子设备 | |
CN116187165A (zh) | 基于改进粒子群算法的电网弹性提升方法 | |
CN116169776A (zh) | 电力系统云边协同人工智能调控方法、系统、介质及设备 | |
CN110460043A (zh) | 基于多目标改进粒子群算法的配电网网架重构方法 | |
CN117833263A (zh) | 一种基于ddpg的新能源电网电压控制方法及系统 | |
CN117172486A (zh) | 一种基于强化学习的虚拟电厂光储资源聚合调控方法 | |
CN111146815B (zh) | 一种智能配电网分布式发电规划配置方法 | |
CN115000994B (zh) | 一种多储能单元分组一致性功率分配方法 | |
CN113139682B (zh) | 一种基于深度强化学习的微电网能量管理方法 | |
CN115714397A (zh) | 一种配电台区无功功率优化降损方法及系统 | |
CN115689375A (zh) | 虚拟电厂运行控制方法、装置、设备及介质 | |
CN115912254A (zh) | 一种配电网多目标重构策略自愈控制方法及装置 | |
CN111311032B (zh) | 一种基于扇形雷达图模型的微网系统容量优化配置方法 | |
CN110729759B (zh) | 一种微电网中分布式电源配置方案的确定方法及装置 | |
CN110365006A (zh) | 一种基于nwbbo算法的电网分区方法 | |
US11973662B1 (en) | Intelligent mapping method for cloud tenant virtual network based on reinforcement learning model | |
CN115994631B (zh) | 一种基于韧性提升的配电网容量规划方法及系统 | |
CN117650533B (zh) | 基于图网络大数据模型的电力系统潮流分析方法及装置 | |
WO2024060344A1 (zh) | 数据-物理融合驱动的柔性配电系统自适应电压控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |