CN111817306B - 一种考虑可调控负荷的主动配电网重构方法 - Google Patents
一种考虑可调控负荷的主动配电网重构方法 Download PDFInfo
- Publication number
- CN111817306B CN111817306B CN202010677651.XA CN202010677651A CN111817306B CN 111817306 B CN111817306 B CN 111817306B CN 202010677651 A CN202010677651 A CN 202010677651A CN 111817306 B CN111817306 B CN 111817306B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- load
- active power
- reconstruction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 53
- 210000000349 chromosome Anatomy 0.000 claims description 20
- 238000004146 energy storage Methods 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 239000000243 solution Substances 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000007142 ring opening reaction Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明涉及一种考虑可调控负荷的主动配电网重构方法，包括以下步骤：1)采集主动配电网的结构参数和运行参数，所述配电网的结构参数和运行参数包括可调控负荷的结构参数和运行参数；2)采用双轨制协同种群进化算法对主动配电网的重构和可调控负荷的调度进行融合优化求解；所述主动配电网的重构具体为，根据所述主动配电网的结构参数和运行参数，采用预先建立的主动配电网重构模型，进行主动配电网的重构；所述可调控负荷的调度具体为，根据所述可调控负荷的结构参数和运行参数，采用预先建立的可调控负荷重构模型，进行可调控负荷的调度。与现有技术相比，本发明考虑了可调控负荷，提高了配电网重构效率以及重构精度。
Description
技术领域
本发明涉及主动配电网重构方法领域，尤其是涉及一种考虑可调控负荷的主动配电网重构方法。
背景技术
目前的主动配电网重构一般不考虑可调控负荷对电网重构的影响，并没有对可调控负荷对配电网的作用进行更为细致全面的研究。在目前可调控负荷在配电系统中占比越来越大的情况下，如果不考虑可调控负荷的影响，重构的效率将会越来越低。
对于双目标优化算法，一般情况下两个优化问题的解空间形式差异较大，现有的技术对于主动配电网重构优化和其他负荷或者分布式电源等多目标的优化问题采用分步优化或者直接使用一种算法进行混合优化，这些方法主要有两个缺点1.虽然这些方法简单易操作但是这种分步优化的结果并不是本技术所研究的可调控负荷的调度配合主动配电网等双目标优化调度问题的最优解。2.如果将两个问题结合起来采用同一算法进行计算，那么整个计算将会十分复杂计算过程也将难以收敛。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑可调控负荷，且保证双目标优化准确度的考虑可调控负荷的主动配电网重构方法。
本发明的目的可以通过以下技术方案来实现：
一种考虑可调控负荷的主动配电网重构方法，包括以下步骤：
参数采集步骤：采集主动配电网的结构参数和运行参数，所述配电网的结构参数和运行参数包括可调控负荷的结构参数和运行参数；
主动配电网重构步骤：采用双轨制协同种群进化算法对主动配电网的重构和可调控负荷的调度进行融合优化求解；
所述主动配电网的重构具体为，根据所述主动配电网的结构参数和运行参数，采用预先建立的主动配电网重构模型，进行主动配电网的重构；
所述可调控负荷的调度具体为，根据所述可调控负荷的结构参数和运行参数，采用预先建立的可调控负荷重构模型，进行可调控负荷的调度。
进一步地，所述双轨制协同种群进化算法具体为，所述主动配电网的重构的次数达到第一次数后，相应进行第二次数的所述可调控负荷的调度，然后返回进行所述主动配电网的重构，实现循环优化求解，所述第一次数大于所述第二次数。
进一步地，采用CE-NSGA-II算法进行所述主动配电网的重构。
进一步地，所述CE-NSGA-II算法根据所述主动配电网重构模型的可行解，构建有母种群和子种群，采用染色体交叉法求解所述子种群的适应度；
所述染色体交叉法包括以下步骤：
S101：将所述母种群和子种群合并为一个暂时的种群，然后进行排序，得到多个非劣性质的支配层；
S102：对各支配层排序，从而构建下一代母种群；
S103：选取所述步骤S102获取的母种群的个体代表；
S104：对所述步骤S101获取的母种群依次进行变异、交叉和选择操作，得到下一代子种群，并计算子种群的适应度；
S105：对所述步骤S104获取的子种群进行检验和修正，所述检验和修正具体为，根据所述步骤S104获取的子种群，构建染色体，采用优先等级搜索法对所述染色体进行辐射和连通性检验，然后根据所述辐射和连通性检验的检验结果对所述染色体的环网进行解环，保证所述染色体满足所述主动配电网的网络拓扑约束。
进一步地，采用CE-MOCLPSO算法进行所述可调控负荷的调度。
进一步地，所述CE-MOCLPSO算法为实数型的粒子群算法，所述CE-MOCLPSO算法与所述双轨制协同种群进化算法相配合；
所述CE-MOCLPSO算法包括以下步骤：
S201：对所述双轨制协同种群进化算法的每代种群，随机设置粒子学习对象、自身历史最优位置和种群最优位置；
S202：根据所述可调控负荷重构模型的可行解，构建粒子；将所述粒子当前的适应度与所述粒子自身历史最优位置的适应度作比较，若所述粒子对应的当前解支配所述自身历史最优位置，则更新所述自身历史最优位置为当前解，否则，保持不变；若不支配，则从所述自身历史最优位置和所述当前接随机选择一个更新所述自身历史最优位置；
S203：更新所述粒子的速度；
S204：更新所述粒子的位置，使所述粒子满足所述可调控负荷的调控限制。
进一步地，所述步骤S203中，所述粒子的速度更新表达式为：
Vpd＝WVpd+Rand(Learnobjpd-xpd)
式中，xpd为粒子p在维度d上的位置，Vpd为粒子在维度p在维度d上的速度，为惯性系数，Rand为属于[0,1]的随机数，Learnobjpd为粒子p在维度d上的所述粒子学习对象。
进一步地，所述主动配电网重构模型的目标函数的表达式为：
式中，Floss为系统网络损耗，N为网络节点数，B为支路编号，i为支路B的首节点号，kB为支路B的断开与闭合代表量，0为断开，1为闭合，Pi为输电线路注入节点i的用功功率，Qi为输电线路注入节点i的无功功率，rB为线路B的电阻，Ui为支路B首节点i的电压幅值；
所述主动配电网重构模型的约束条件包括可调控负荷控制范围约束，该可调控负荷控制范围约束的表达式为：
PGLmin≤PGL≤PGLmax
式中，PGLmin为可调控负荷功率的最小限，PGLmax为可调控负荷功率的最大限。
进一步地，所述可调控负荷重构模型的表达式为：
式中，X为可调控负荷参与重构时的功率调度范围，CL为可调控负荷的调度值，Pmax为可调控负荷参与重构时调度功率的上限，Pmin为可调控负荷参与重构时调度功率的下限；
所述可调控负荷重构模型对所述可调控负荷调度后，所述主动配电网对应节点的负荷值的更新表达式为：
Aload＝(CL+NCCL)+NC
式中，Aload为主动配电网对应节点的负荷值，NC为不含可调控负荷节点的负荷值，NCCL为含可调控负荷节点的初始负荷值。
进一步地，所述可调控负荷包括可灵活调控负荷和可转移负荷，可灵活调控负荷包括电动汽车充电站和储能系统，所述可调控负荷重构模型建立有电动汽车充电站子模型、储能系统子模型和可转移负荷子模型；
所述电动汽车充电站子模型的表达式为：
式中，SOC(0)为电动汽车初始储能状态值，Pcharge为充电功率，Pout为放电功率，SOCev为充电结束时的预期储能状态值，EVmax为电动汽车最大存储容量；
所述储能系统子模型的表达式为：
式中，SOC为用储能状态表示的储能系统子模型的电池状态，Erem为目前的存储容量，Emax是储能系统的最大存储容量；
所述可转移负荷子模型的表达式为：
PTFmin≤PTF≤PTFmax
式中PTF为可转移负荷的调控值，PTFmax为可转移负荷的可调控的最大值，PTFmin为可转移负荷的可调控的最小值。
与现有技术相比，本发明具有以下优点：
(1)本发明在主动配电网重构中考虑了可调控负荷，保证了主动配电网在可调控负荷在电网中占比越来越大的情况下实现更高效率的重构，并且运用提出的双轨制协同种群进化算法弥补现有双目标优化精确程度不高和计算复杂难以收敛的缺点；
(2)本发明考虑到可调控负荷的调度的解空间要远远大于主动配电网重构的解空间，主动配电网重构优化的进度会比可调控负荷的调度优化进度快，为平衡两个模块间的优化进度，CE-MOCLPSO算法更新每进行6次相应进行1次CE-NSGA-II算法更新；
(3)可调控负荷的调度相比主动配电网重构其解集空间呈现出了一定的连续性，本发明为优化可调控负荷调度编码工作，采取实数型的粒子群算法；
(4)通过对含DG的IEEE 33节点配电系统的仿真试验表明，在主动配电网重构时考虑可调控负荷的调度对改善重构的效率具有重要意义；
(5)双轨制协同种群进化算法基于协同合作思想将一个复杂的问题分解为两个子问题求解，这种模型可以为每一个子问题设置各自的种群，只通过共同的生态优化系统进行协同合作，扩展较为简单，当主动配电网中有其他控制对象比如DG、负荷等，需要控制时可通过添加子种群来求解，具有较好的推广性和工程应用价值。
附图说明
图1为双轨制协同种群进化算法的模型框架示意图；
图2为双轨制协同种群进化算法的流程图；
图3为CE-NSGA-II算法原理图；
图4为考虑可调控负荷优化重构结果图；
图5为本发明实施例的算例节点电压比较图；
图6为本发明考虑可调控负荷的主动配电网重构方法的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
如图6所示，本实施例提供一种考虑可调控负荷的主动配电网重构方法，包括以下步骤：
参数采集步骤S1：采集主动配电网的结构参数和运行参数，所述配电网的结构参数和运行参数包括可调控负荷的结构参数和运行参数；
主动配电网重构步骤S2：采用双轨制协同种群进化算法对主动配电网的重构和可调控负荷的调度进行融合优化求解；
所述主动配电网的重构具体为，根据所述主动配电网的结构参数和运行参数，采用预先建立的主动配电网重构模型，通过CE-NSGA-II算法，进行主动配电网的重构；
所述可调控负荷的调度具体为，根据所述可调控负荷的结构参数和运行参数，采用预先建立的可调控负荷重构模型，通过CE-MOCLPSO算法，进行可调控负荷的调度。
下面对各步骤进行具体描述。
1、主动配电网重构数学模型
本实施例考虑了分布式电源(DG)与可调控负荷，所以在建立数学模型时将两者都考虑了进去。下面对目标函数和约束条件进行具体描述。
1.1、目标函数
本实施例配电网重构的目标以系统网络损耗最小，目标函数为：
式中，Floss是系统网络损耗；N是网络节点数；B为支路编号；i是支路B的首节点号；kB为支路B的断开与闭合代表量，0表示断开，1表示闭合；Pi是输电线路注入节点i的用功功率；Qi为输电线路注入节点i的无功功率；rB表示线路B的电阻；Ui为支路B首节点i的电压幅值。
1.2、约束条件
1)节点电压约束，公式为：
Vmin≤Vi≤Vmax
式中，Vmin/Vmax为节点电压的最小最大限。
2)可调控负荷控制范围约束，公式为：
PGLmin≤PGL≤PGLmax
式中，PGLmin/PGLmax为可调控负荷功率最小最大限。
3)支路容量约束，公式为：
SI≤Smax
式中，Smax为最大允许功率。
4)网络拓扑约束，公式为：
gk∈Gk
式中，Gk为有效辐射状态网络的开关组合的集合。
5)考虑到分布式电源(DG)的潮流等式约束，公式为：
式中，pi为输入输电线路的有功功率，Qi为输入输电线路无功功率，pDG为DG输入节点的有功功率，Bijθij为节点i、j之间的电纳与相角差，Ui、Uj分别为节点i与节点j电压幅值；QDG为DG输入节点的无功功率，N为网络节点数，pLi为输入节点的用功功率，QLi为向节点输入的无功功率。
6)开关次数限制，公式为：
0≤Opt≤Optmax
式中：Optmax为开关最大次数。
2、可调控负荷建模
本实施例中进行建模的可调控负荷包括可灵活调控负荷和可转移负荷，可灵活调控负荷包括电动汽车充电站和储能系统。
2.1、电动汽车充电站
对电动汽车的进行调度，其数学模型公式为：
式中，SOC(0)是电动汽车初始储能状态值。Pcharge/Pout分别充放电功率。SOCev是充电结束时的预期SOC值。EVmax是电动汽车最大存储容量。
2.2、储能系统
一般的储能系统的电池状态用储能状态(SOC)表示，公式为：
式中，Erem是目前的存储容量。Emax是储能系统的最大存储容量。
2.3、可转移负荷
可转移负荷在用户与电网签订协议的情况下，对电网的调度做出响应。它能在一定范围内调节的电量，如：
PTFmin≤PTF≤PTFmax
式中，PTFmax/PTFmin分别可以调控的最大最小值。
3、可调控负荷的重构数学模型
可调控负荷作为本技术的研究重点，其在主动配电网重构时产生了重要的作用，本技术研究研究的参与重构的可调控负荷为系统工作时的某一时刻(不考虑时间的变化)。可调控负荷的种类不同其初始值也就各不相同，可调控负荷的调度范围受供电需求、用户与电网签的协议等多个因素影响。可调控负荷参与重构时调度功率的数学模型如下式所示：
公式中X为可调控负荷参与重构时的功率调度范围；Pmax/Pmin分别为可调控负荷参与重构时调度功率的上下限。
所有的可调控负荷在参加完调度之后都被分配到其原有的节点上去，这时系统的节点的负荷值如下式所示：
Aload＝(CL+NCCL)+NC
公式中：CL为可调控负荷的调度值；NC为不含可调控负荷节点的负荷值；NCCL为含可调控负荷节点的初始负荷值。
4、双轨制协同种群进化算法
本实施例提出一种在需要双重优化优化的情况下的解决方案——双轨制协同种群进化模型，这是一种多目标的协同进化模型，这种模型建立在基于CE-MOCLPSO的可调控负荷的调度算法和基于CE-NSGA-II的主动配电网重构算法的基础上，将两个算法融入到双轨制协同种群进化模型当中用于优化求解可调控负荷的调度与主动配电网重构的双重优化问题。
本实施例所提出的模型是一种基于协同合作思想将一个复杂的问题分解为两个子问题求解，这种模型可以为每一个子问题设置各自的种群，只通过共同的生态优化系统进行协同合作，图2为双轨制协同种群进化算法的主流程图。图1所示的双轨制协同种群进化模型由三个组成部分，其最重要的部分是生态系统优化模型，代表主动配电网重构与可调控负荷的调度的双轨制优化问题，其作用是用来执行图1的算法，协同双轨模块计算适应度。生态系统优化模型不处理具体的问题。其他两个双轨制模块处理主动配电网重构与可调控负荷调度问题两者分别采用了CE-NSGA-II算法和CE-MOCLPSO算法。因为可调控负荷的调度的解空间要远远大于主动配电网重构的解空间，所以主动配电网重构优化的进度会比可调控负荷的调度优化进度快，为平衡两个模块间的优化进度，CE-MOCLPSO更新每进行6次相应进行1次CE-NSGA-II更新。
5、基于CE-NSGA-II的主动配电网重构
采用CE-NSGA-II算法对主动配电网进行重构，采用二进制数对网络编码，其中对于子种群个体适应度的计算由生态系统优化模型估算即可。考虑到重构的实际情况，提出了一种染色体交叉法，先随机的选择两个点，这样可以确定两点间的染色体交叉区，同时交叉区的闭合的支路数量一样，如果子代染色体的长度小于算法规定的限制长度就进行随机采零，如果子代染色体尺度大于算法规定的最大值长度就对染色体交叉部分的前端进行删零。变异方式采取随机操作。算法的示意图如图3所示。具体的步骤如下：
S11：将母种群Mu和子种群Du合并为一个暂时的种群Ru，然后进行排序，得到各非劣性质的支配层F1、F2、…、FL；
S12：对F1、F2、…、FL排序，选择比较优秀的母代种群Mu+1：从F1选怎更加优秀个体，直到F1达到种群规模限制；
S13：选取F1作为主动电网重构优化的个体代表；
S14：一代母种群Mu+1依次进行变异、交叉和选择操作，得出子种群Du+1，子种群个体的适应度用协同方式估算得到。如果只进行主动配电网重构直接计算Du+1的适应度；
S15：对得到的子种群Du+1进行检验和修正，先用优先等级搜索法对染色体进行辐射和连通性检验，然后按照检验结果对染色体环网进行解环，保证染色体满足主动配电网网络拓扑约束。
6、基于CE-MOCLPSO的可调控负荷调度
可调控负荷的调度问题与主动配电网存在一定的差异，可调控负荷的调度相比主动配电网重构其解集空间呈现出了一定的连续性，本技术为了优化编码工作，采取实数型的粒子群算法。传统的粒子群算法当中的粒子在学习时学习的对象相对固定，使粒子无法充分利用搜索信息容易过早收敛陷入局部最优解。面对这样的问题本技术对传统的粒子群算法引入一种全面快速学习策略得到的CE-MOCLPSO算法解决可调控负荷的调度问题，这种算法的最直接的作用就是使粒子群算法中的粒子不管在任何维度时都能使粒子处于历史和群体最好位置进行学习。为使全面学习粒子群算法兼容双轨制协同种群进化模型，对种群排序选取匹配等级最高的个体作为种群代表个体，当更新粒子位置时，对粒子位置进行约束使之满足可调控负荷的调控限制。具体的步骤如下：
S21：为使CE-MOCLPSO算法可以配合协同进化模型，对种群进行非劣态排序；
S22：每代随机设置粒子学习对象，设置自身历史最优位置、种群最优位置；
S23：粒子目前的适应度与粒子本身历史最优位置Pbest的适应度作比较，若当前解支配Pbest则更新Pbest为当前解；情况相反则保持位置不变；若不支配，就在两者之间随机选择一个作为Pbest；
S24：根据下式更新粒子速度；
Vpd＝WVpd+Rand(Learnobjpd-xpd)
式中，xpd和Vpd为粒子p在维度d上的位置和运行速度；为惯性系数；Rand为一个属于[0,1]的随机数；Learnobjpd表示粒子p在维度d上的学习对象；
S25：更新粒子位置，对粒子位置约束使粒子满足可调控负荷的调控限制。
7、算例分析
本实施例使用含DG的IEEE 33节点配电系统对考虑可调控负荷调度配合主动配电网重构进行仿真。基准电压为12.66kV，有功负荷和无功负荷分别为3715kW和2300kvar，对于网架拓扑结构优化，群体大小50，交叉概率0.6，变异概率0.02，迭代次数最大值为200。对于可调控负荷的调度优化，将粒子各维的范围设置为不同的可调控对应的可以调度的范围区间，算法的收敛精度为，最大迭代次数200，种群数量设置为50，粒子维度19。DG的并网参数见表1，可调控负荷参数见表2。
表1 DG并网参数
表2可调控负荷可调容量
本实施例共进行了四个不同的方案并运用含DG的IEEE33节点配电系统进行分析比较，算例1在不考虑可调控负荷的调度不进行主动配电网重构的情况下将DG并入IEEE33节点的正常运行状态；算例2在算例1的情况下不考虑可调控负荷的调度运用遗传算法对主动配电网进行重构操作；算例3运用本技术的双轨制协同种群进化算法进行算例分析，得到的重构结果和最终的最优的网络拓扑结构图如表3和图4所示，算例4作为比较算例采用分步重构策略对可调控负荷和主动配电网重构进行分步优化，最终四个算例的结果如表4所示。
表3算例3优化重构结果
通过表4分析可得算例3的网损分别比算例1、算例2和算例4的网损低48.75％、23.32％、6.12％，比较分析可得算例3的考虑可调控负荷的主动配电网重构策略比算例4的两阶段分步重构策略更为有效。在主动配电网重构时考虑可调控负荷的调度对改善重构的效率具有重要意义。
表4算例结果对比
从图5可以看出算例3的节点电压分布更均匀，节点电压差更小。所以在运用双轨制协同种群进化策略考虑可调控负荷调度配合主动配电网重构后，节点电压分布更为均匀，最终让配网更加安全与稳定。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种考虑可调控负荷的主动配电网重构方法，其特征在于，包括以下步骤：
参数采集步骤：采集主动配电网的结构参数和运行参数，所述配电网的结构参数和运行参数包括可调控负荷的结构参数和运行参数；
主动配电网重构步骤：采用双轨制协同种群进化算法对主动配电网的重构和可调控负荷的调度进行融合优化求解；
所述主动配电网的重构具体为，根据所述主动配电网的结构参数和运行参数，采用预先建立的主动配电网重构模型，进行主动配电网的重构；
所述可调控负荷的调度具体为，根据所述可调控负荷的结构参数和运行参数，采用预先建立的可调控负荷重构模型，进行可调控负荷的调度；
所述主动配电网重构模型的目标函数的表达式为：
式中，Floss为系统网络损耗，N为网络节点数，B为支路编号，i为支路B的首节点号，kB为支路B的断开与闭合代表量，0为断开，1为闭合，Pi为输电线路注入节点i的用功功率，Qi为输电线路注入节点i的无功功率，rB为线路B的电阻，Ui为支路B首节点i的电压幅值；
所述主动配电网重构模型的约束条件包括可调控负荷控制范围约束，该可调控负荷控制范围约束的表达式为：
PGLmin≤PGL≤PGLmax
式中，PGLmin为可调控负荷功率的最小限，PGLmax为可调控负荷功率的最大限；
所述可调控负荷重构模型的表达式为：
式中，X为可调控负荷参与重构时的功率调度范围，CL为可调控负荷的调度值，Pmax为可调控负荷参与重构时调度功率的上限，Pmin为可调控负荷参与重构时调度功率的下限；
所述可调控负荷重构模型对所述可调控负荷调度后，所述主动配电网对应节点的负荷值的更新表达式为：
Aload＝(CL+NCCL)+NC
式中，Aload为主动配电网对应节点的负荷值，NC为不含可调控负荷节点的负荷值，NCCL为含可调控负荷节点的初始负荷值。
2.根据权利要求1所述的一种考虑可调控负荷的主动配电网重构方法，其特征在于，所述双轨制协同种群进化算法具体为，所述主动配电网的重构的次数达到第一次数后，相应进行第二次数的所述可调控负荷的调度，然后返回进行所述主动配电网的重构，实现循环优化求解，所述第一次数大于所述第二次数。
3.根据权利要求1所述的一种考虑可调控负荷的主动配电网重构方法，其特征在于，采用CE-NSGA-II算法进行所述主动配电网的重构。
4.根据权利要求3所述的一种考虑可调控负荷的主动配电网重构方法，其特征在于，所述CE-NSGA-II算法根据所述主动配电网重构模型的可行解，构建有母种群和子种群，采用染色体交叉法求解所述子种群的适应度；
所述染色体交叉法包括以下步骤：
S101：将所述母种群和子种群合并为一个暂时的种群，然后进行排序，得到多个非劣性质的支配层；
S102：对各支配层排序，从而构建下一代母种群；
S103：选取所述步骤S102获取的母种群的个体代表；
S104：对所述步骤S101获取的母种群依次进行变异、交叉和选择操作，得到下一代子种群，并计算子种群的适应度；
S105：对所述步骤S104获取的子种群进行检验和修正，所述检验和修正具体为，根据所述步骤S104获取的子种群，构建染色体，采用优先等级搜索法对所述染色体进行辐射和连通性检验，然后根据所述辐射和连通性检验的检验结果对所述染色体的环网进行解环，保证所述染色体满足所述主动配电网的网络拓扑约束。
5.根据权利要求1所述的一种考虑可调控负荷的主动配电网重构方法，其特征在于，采用CE-MOCLPSO算法进行所述可调控负荷的调度。
6.根据权利要求5所述的一种考虑可调控负荷的主动配电网重构方法，其特征在于，所述CE-MOCLPSO算法为实数型的粒子群算法，所述CE-MOCLPSO算法与所述双轨制协同种群进化算法相配合；
所述CE-MOCLPSO算法包括以下步骤：
S201：对所述双轨制协同种群进化算法的每代种群，随机设置粒子学习对象、自身历史最优位置和种群最优位置；
S202：根据所述可调控负荷重构模型的可行解，构建粒子；将所述粒子当前的适应度与所述粒子自身历史最优位置的适应度作比较，若所述粒子对应的当前解支配所述自身历史最优位置，则更新所述自身历史最优位置为当前解，否则，保持不变；若不支配，则从所述自身历史最优位置和所述当前接随机选择一个更新所述自身历史最优位置；
S203：更新所述粒子的速度；
S204：更新所述粒子的位置，使所述粒子满足所述可调控负荷的调控限制。
7.根据权利要求6所述的一种考虑可调控负荷的主动配电网重构方法，其特征在于，所述步骤S203中，所述粒子的速度更新表达式为：
Vpd＝WVpd+Rand(Learnobjpd-xpd)
式中，xpd为粒子p在维度d上的位置，Vpd为粒子在维度p在维度d上的速度，WVpd为惯性系数，Rand为属于[0,1]的随机数，Learnobjpd为粒子p在维度d上的所述粒子学习对象。
8.根据权利要求1所述的一种考虑可调控负荷的主动配电网重构方法，其特征在于，所述可调控负荷包括可灵活调控负荷和可转移负荷，可灵活调控负荷包括电动汽车充电站和储能系统，所述可调控负荷重构模型建立有电动汽车充电站子模型、储能系统子模型和可转移负荷子模型；
所述电动汽车充电站子模型的表达式为：
式中，SOC(0)为电动汽车初始储能状态值，Pcharge为充电功率，Pout为放电功率，SOCev为充电结束时的预期储能状态值，EVmax为电动汽车最大存储容量；
所述储能系统子模型的表达式为：
式中，SOC为用储能状态表示的储能系统子模型的电池状态，Erem为目前的存储容量，Emax是储能系统的最大存储容量；
所述可转移负荷子模型的表达式为：
PTFmin≤PTF≤PTFmax
式中PTF为可转移负荷的调控值，PTFmax为可转移负荷的可调控的最大值，PTFmin为可转移负荷的可调控的最小值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010677651.XA CN111817306B (zh) | 2020-07-14 | 2020-07-14 | 一种考虑可调控负荷的主动配电网重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010677651.XA CN111817306B (zh) | 2020-07-14 | 2020-07-14 | 一种考虑可调控负荷的主动配电网重构方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111817306A CN111817306A (zh) | 2020-10-23 |
| CN111817306B true CN111817306B (zh) | 2023-11-24 |
Family
ID=72865228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010677651.XA Active CN111817306B (zh) | 2020-07-14 | 2020-07-14 | 一种考虑可调控负荷的主动配电网重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111817306B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017035964A1 (zh) * | 2015-08-31 | 2017-03-09 | 中车大连电力牵引研发中心有限公司 | 一种电力系统的负荷特性确定方法及系统 |
| CN107482638A (zh) * | 2017-07-21 | 2017-12-15 | 杭州电子科技大学 | 冷热电联供型微电网多目标动态优化调度方法 |
| WO2018049737A1 (zh) * | 2016-09-18 | 2018-03-22 | 国电南瑞科技股份有限公司 | 一种基于分区负荷控制的安全校正计算方法 |
| CN111277004A (zh) * | 2020-02-11 | 2020-06-12 | 天津大学 | 一种配电网“源-网-荷”两阶段多目标控制方法及系统 |
-
2020
- 2020-07-14 CN CN202010677651.XA patent/CN111817306B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017035964A1 (zh) * | 2015-08-31 | 2017-03-09 | 中车大连电力牵引研发中心有限公司 | 一种电力系统的负荷特性确定方法及系统 |
| WO2018049737A1 (zh) * | 2016-09-18 | 2018-03-22 | 国电南瑞科技股份有限公司 | 一种基于分区负荷控制的安全校正计算方法 |
| CN107482638A (zh) * | 2017-07-21 | 2017-12-15 | 杭州电子科技大学 | 冷热电联供型微电网多目标动态优化调度方法 |
| CN111277004A (zh) * | 2020-02-11 | 2020-06-12 | 天津大学 | 一种配电网“源-网-荷”两阶段多目标控制方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 瞿合祚 等.考虑负荷 和分布式电源时变性的配电网多目标动态重构和DG调度.高电压技术.2019,第45卷(第3期),第873-881页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111817306A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Deb et al. | Charging coordination of plug-in electric vehicle for congestion management in distribution system integrated with renewable energy sources | |
| Zhang et al. | Lifelong learning for complementary generation control of interconnected power grids with high-penetration renewables and EVs | |
| Moghaddam et al. | Multi-objective operation management of a renewable MG (micro-grid) with back-up micro-turbine/fuel cell/battery hybrid power source | |
| Sun et al. | A customized voltage control strategy for electric vehicles in distribution networks with reinforcement learning method | |
| CN107332234B (zh) | 一种考虑可再生能源间歇性的主动配电网多故障修复方法 | |
| Du et al. | Deep reinforcement learning from demonstrations to assist service restoration in islanded microgrids | |
| CN114091879A (zh) | 基于深度强化学习的多园区能源调度方法和系统 | |
| Gandhi et al. | Review of optimization of power dispatch in renewable energy system | |
| El Helou et al. | Fully decentralized reinforcement learning-based control of photovoltaics in distribution grids for joint provision of real and reactive power | |
| Zhai et al. | Robust model predictive control for energy management of isolated microgrids | |
| CN114448044A (zh) | 一种换电站双向快充有序充放电方法及系统 | |
| Mao et al. | Microgrid group control method based on deep learning under cloud edge collaboration | |
| Leo et al. | Multi agent reinforcement learning based distributed optimization of solar microgrid | |
| CN111817306B (zh) | 一种考虑可调控负荷的主动配电网重构方法 | |
| Singh et al. | Energy management of an active distribution network considering correlation between uncertain input variables | |
| CN115940275A (zh) | 一种不同功率缺额下分布式可控资源运行模式优化匹配与协调切换控制方法及装置 | |
| Qazi et al. | Coordinated energy and reserve sharing of isolated microgrid cluster using deep reinforcement learning | |
| Alam et al. | Energy management by scheduling ESS with active demand response in low voltage grid | |
| Serraji et al. | A multi-objective approach for micro grid energy management based on fuzzy multi-agent decision-making process | |
| Behera et al. | Battery energy management and power control in microgrids using PI and fuzzy logic controller based SMA | |
| Luo et al. | Real-time distributed dispatch strategy for distribution transformer supply zone cluster based on cloud-edge collaboration architecture | |
| Maslekar et al. | Electric Vehicle Impact Analysis in a Microgrid Using Optimized Bio-Inspired Non-Integer Controller | |
| Ghiassi et al. | On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization | |
| Xu et al. | Static Reconstruction Method of NSGA-II Distribution Network Based on Basic Ring | |
| Liao et al. | Stochastic Day-ahead Optimal Scheduling of Active Distribution Networks with Renewable Energy Sources and Electric Vehicles |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |