CN112202168A - 多目标协调优化的多元电网超前控制供电方法及其系统 - Google Patents

多目标协调优化的多元电网超前控制供电方法及其系统 Download PDF

Info

Publication number
CN112202168A
CN112202168A CN202011043328.3A CN202011043328A CN112202168A CN 112202168 A CN112202168 A CN 112202168A CN 202011043328 A CN202011043328 A CN 202011043328A CN 112202168 A CN112202168 A CN 112202168A
Authority
CN
China
Prior art keywords
power supply
cost
formula
load
algorithm
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.)
Withdrawn
Application number
CN202011043328.3A
Other languages
English (en)
Inventor
赵家庆
陈妍希
苏大威
陈中
李春
黄学良
丁宏恩
赵慧
徐秀之
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
State Grid Jiangsu Electric Power Co Ltd
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Southeast University
State Grid Jiangsu Electric Power Co Ltd
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University, State Grid Jiangsu Electric Power Co Ltd, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Southeast University
Priority to CN202011043328.3A priority Critical patent/CN112202168A/zh
Publication of CN112202168A publication Critical patent/CN112202168A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种多目标协调优化的多元电网超前控制供电方法及其系统，对考虑主动控制成本的可控源‑网‑荷系统供电能力进行评估，属于电网供电领域。该方法对可再生能源出力及需求响应进行建模，以区域供电能力最大化和主动控制成本最小化为目标对系统进行超前优化调度。考虑分布式发电机组的出力、网络拓扑、负荷可控等级，构建电力系统的多目标协调优化模型。基于改进的NSGA‑II的交叉算子和选择策略和熵TOPSIS的方法为发电机组提供了出力解决方案。经验证，该方法可以事先有效增强分布式发电机组出力；依存其开发的系统可以应用至电力系统调度层面，节约现有的控制成本，并且提高实际系统中分布式发电机组的发电效率，实现了多元电网的超前优化调度。

Description

多目标协调优化的多元电网超前控制供电方法及其系统
技术领域
本发明涉及电网供电领域，具体涉及一种多目标协调优化的多元电网超前控制供电方法及其系统。
背景技术
随着环保意识的增强，“煤电”政策大力推行以减少冬季煤炭污染，提高空气质量，导致了电力负荷大幅度增加。此外，在环保方面，大规模电动汽车入网状态一定程度影响了电网的安全可靠运行。因此，准确计算负载接入的安全容量具有重要的现实意义。对电力系统供电容量进行预测评估，可以更好地指导供电公司安全高效运行。
随着分布式电源的引入，先进的信息通信技术和电力电子技术的应用，传统的单向被动分布网络正逐步发展成为双向互动、多协调的主动配电网络。主动配电网络具有源-网-荷三元结构：“源”指主动配电网中所有类型的分布式电源和储能设备。间歇性分布式电源包括风力发电机和光伏发电机。“网”主要包括电力变压器、线路、开关和其他电力设备，通过灵活的网络拓扑来管理潮流。“荷”是指需求侧的各种类型的负载资源，包括可控制的负载以及不可控制的负载。
发明内容
针对现有技术的不足，本发明提出了一种多目标协调优化的多元电网超前控制供电方法及其系统。
本发明的目的可以通过以下技术方案实现：
一种多目标协调优化的多元电网超前控制供电方法，包括以下步骤：
步骤1：描述可中断负荷用户的响应行为，确定用户对不确定行为的响应度；
步骤2：估测主动配电网的供电容量，估算主动控制成本；
步骤3：对所述主动配电网中的变量进行约束；
步骤4：通过NSGA-II算法，选择、交叉和突变获得满足运行条件的种群；
步骤5：选择下一代粒子；
步骤6：达到迭代次数后，通过熵权TOPSIS法从最优集中选择最优解。
另外，本发明还涉及一种多目标协调优化的多元电网超前控制供电系统，包括响应度定义模块、成本控制模块、变量约束模块、NSGA-II算法模块与最优解求解模块，所述响应度定义模块定义用户对不确定行为的响应度，所述成本控制模块根据电网的供电容量估算用主动控制成本；所述变量约束模块对所述电网中的变量进行约束，所述NSGA-II算法模块通过NSGA-II算法，进行选择、交叉和突变，获得满足运行条件的种群；选择下一代粒子后，所述最优解求解模块通过熵权TOPSIS法求得最优解。
本发明的有益效果：
基于多目标协同优化算法解决配电网供电容量计算问题，通过源-网-荷的协调控制，可以提高有源配电网络的供电能力，节省控制装置的成本，减少不确定因素对有源配电网的影响。
附图说明
下面结合附图对发明作进一步的说明。
图1是本发明的多目标协调优化的多元电网超前控制供电方法的算法流程图；
图2是本发明的一个示例中的IEEE 33节点系统简化结构示意图；
图3为现有的NSGA-II算法与本实施例中的改进的NSGA-II算法下的主动控制成本的收敛示意图；
图4为现有的NSGA-II算法与本实施例中的改进的NSGA-II算法下的平均电源容量倍数随迭代次数增加的收敛曲线示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
如图1所示，本发明提出了一种多目标协调优化的多元电网超前控制供电方法，可以包括以下步骤：
步骤1：描述可中断负荷用户的响应行为，确定用户对不确定行为的响应度。
更具体地说，用户的响应度可以采用如下公式定义：
Figure BDA0002707256260000031
式中：U表示均匀分配；βa,i(c)、βb,i(c)分别为用户i在价格c下负荷下降率的最大界限和最小界限；
其中βa,i(c)、βb,i(c)：
Figure BDA0002707256260000041
Figure BDA0002707256260000042
式中：βm为用户最大负荷衰减率。
步骤2：估测主动配电网的供电容量，估算主动控制成本。而供电容量采用如下方法估测：
Figure BDA0002707256260000043
式中：maxLass代表评估区域所能提供的最大负荷；Lcur,j、Lb,j分别为当前实际负载与负载增长基本量；J表示供电量评估区域的母线集，NJ表示供电量评估区域的母线集数量；λj为母线j的负荷增长系数。
步骤2中，控制成本具体可以是分布式电源主动控制成本、网络重构成本、可中断负荷成本的最小控制成本模型。也就是说，控制成本可以用如下公式计算：
minC＝CDG+CSO+CIL (5)
式中：CDG表示分布式电源主动管理成本；CSO表示网络配置成本；CIL表示可中断负载成本。
更具体地说，所述分布式电源主动管理成本通过以下公式计算：
Figure BDA0002707256260000044
式中：Cg为发电机组单位出力成本；PDG为分布式电源主动输出功率；η为发电机组运行效率；COM为不可控分布式电源运行维护成本；
所述网络配置成本与开关动作数量成正比：
CSO＝CrcsNrcs (7)
式中：Crcs为单位开关操作成本；Nrcs为开关动作数量；
所述侧管理成本通过以下公式计算：
Figure BDA0002707256260000051
式中：PIL,i用户i的负载中断潜力；Δt为用户i的负载中断时间；
决策变量X包括每个开关的状态、可控DG(Distributed Generation，即分布式发电)输出和可中断补偿价格；目标函数f包括供电容量、主动控制成本。
步骤3：对所述主动配电网中的变量进行约束，受约束的变量例如为母线电压约束、负荷衰减率约束、功率平衡约束、发电机组出力约束、功率衰减成本约束与补偿价格约束中的一种或多种。
对于电压约束中，所有的母线电压都必须控制在一定的范围内，并满足一定的机会约束，即控制在如下范围内：
Vi，min≤Vi(x,σ)≤Vi，max (9)
式中：Vi(x,σ)表示母线i在状态σ下的节点电压；Vi，min、Vi，max分别为母线i电压的最低、最高限。
而针对于用户的负荷衰减率，在一定补偿标准c下，在以下范围内波动：
βib(c)≤βi(x,σ)≤βia(c) (10)
式中：βi(x,σ)为状态σ下的负荷衰减度；βib(c)、βia(c)为补偿准则c的减载率下限、上限。
系统有功功率和无功功率实时保持平衡，有功功率与无功功率可以配置为如下关系：
Pi＝Vi∑j∈iVj(Gijcosθij+Bijsinθij)
Qi＝Vi∑j∈iVj(Gijsinθij-Bijcosθij) (11)
式中：Pi、Qi为母线i注入的有功功率和无功功率；Vi为母线i的节点电压；Gij、Bij为母线i和j之间的电导和电纳；θij为母线i和j之间的相位差。
另外，发电机组发电时，机组发电功率应保持在额定容量之内：
PDG,g,min≤PDG,g≤PDG,g,max (12)
式中：PDG,g为发电机组g的出力；PDG,g,min为机组g最小出力；PDG,g,max为机组g最大出力。
针对功率衰减成本约束，在负载减少的情况下，用户具有相应的功率衰减成本：
Figure BDA0002707256260000061
式中：a、b、c为功率衰减成本系数；φi为用户类型参数(取值在(0，1)之间)，φi越大，单位缺电成本越高。
可中断用户收入可表示为供电公司给予的补偿减去功率衰减成本：
vi(pIL,i,ci,θi)＝cipIL,i-Ci(pIL,i,θi) (14)
式中：ci为用户i的补偿价格。
当供电公司签订可中断合同时，为了保证经济，补偿价格c应在一定的范围内：
cmin≤c≤cmax (15)
式中：cmin、cmax为可中断负荷价格补偿最小值、最大值。
步骤4：通过多目标遗传算法，选择、交叉和突变获得满足运行条件的种群；在本示例中，多目标遗传算法具体为NSGA-II算法，并且根据电网供电控制的应用场景进行改进。
所建立模型的基础上，以最大供电容量、最小控制成本为目标函数，以供电量评估区域母线集、供电量评估区域母线集数量、各母线负荷增长系数、发电机组单位出力成本、发电机组运行效率、不可控分布式电源运行维护成本、单位开关操作成本为输入参数，利用改进NSGA-II算法求得满足母线电压约束、负荷衰减率约束、功率平衡约束、发电机组出力约束、功率衰减成本约束与补偿价格约束的每个开关的状态、可控DG输出和可中断补偿价格。同时要求输入参数及约束之间不产生冲突，即在输入参数，一定存在可以满足约束集的变量。
NSGA-II算法即是第二代非支配排序遗传算法，其进化过程中使用的交叉算子是模拟二进制交叉(SBX)。由于其搜索范围有限，进化过程往往会发生局部最优和不稳定等问题。此外，NSGA-II选择策略的基本思想是计算非支配解的拥挤距离，对非支配解根据拥挤距离进行排序，保留较大拥挤距离的解。然而，当一个方案被消除时并不考虑对相邻解的拥挤距离的影响。当周围更密的方案被消除时，剩下的方案可能变得太稀疏，分布均匀性不好，不利于改善帕累托解的多样性。基于上述考虑，对NSGA-II的交叉算子和选择策略进行了改进，改进的交叉算子选择策略使NSGA-II算法具有更大规模的空间搜索能力，具体改进方法如下：
首先，与模拟的二进制交叉算子相比，算术交叉算子具有更好的全局搜索能力，能够更好地保持种群的多样性。先通过下式进行优化：
Figure BDA0002707256260000071
Figure BDA0002707256260000072
式中：
Figure BDA0002707256260000073
为第t次交互下m、n决策变量；k为取值在[0,1]之间的参数。当k是一个常数时，称为均匀算术交叉，否则，为非均匀算术交叉。
考虑到在进化过程中，控制水平较低和分布较好的个体有望占据较大比例的后代个体，因此算子系数可以是：
Figure BDA0002707256260000081
式中：
Figure BDA0002707256260000082
表示决策变量A和B在第t次交互作用下的非支配排序水平；
Figure BDA0002707256260000083
第t次交互作用中决策变量A和B的拥挤距离。
这样，在算法的早期阶段，更好的个体的基因被保存下来，因此算法的收敛速度加快；在算法的后期，保留了分布较好的个体的基因，从而提高了算法的多样性。
更具体地，改进NSGA-II算法求解步骤如下：
步骤4.1初始化加载系统的线路参数、负载数据、分布式电源数据、可中断负载数据、NSGA-II算法参数等；
步骤4.2：初始化控制变量以获得初始种群；
步骤4.3：确定放射性拓扑，进行潮流计算，计算适应函数值；
步骤4.4：对初始群体进行非支配排序和拥挤距离计算，选择种群中的N/2优势个体作为遗传变异个体，使用逐步淘汰策略形成测试种群；
步骤4.5：通过遗传操纵(交叉、突变)从选定的显性个体中获得后代种群；
步骤4.6：将当前种群与子代繁殖种群进行组合，得到混合种群。根据适应度函数值，重新计算每个个体和非支配分类个体的优势关系和拥挤距离；
步骤4.7：保留精英并采用淘汰策略从混合种群中选择上层N个个体作为下一次迭代的父群体；
确定终止条件，如果满足，输出系统的优化结果，否则返回步骤步骤4.4。
步骤5：下一代粒子的选择。根据优势关系，从种群中得到的非主导解NND的数目可能大于种群数量N，也可能小于N。对于选择下一次迭代粒子，当NND>N时，随机或根据拥挤距离顺序从当前的非支配解集中选择。否则，将当前全部粒子加入下一代。
步骤6：达到迭代次数后，通过熵权TOPSIS法(Technique for Order Preferenceby Similarity to an Ideal Solution，逼近理想解排序法)从最优集中选择最优解，具体步骤如下：
步骤6.1：先基于本示例中的两个目标函数，即式(4)与式(5)，和Pareto最优解解集建立评价矩阵X：
Figure BDA0002707256260000091
式中：xij表示第i各Pareto解的第j个决定指示符的值。
步骤6.2：数据标准化。功率容量属于效益型指标，控制成本属于成本型指标。统一大小和顺序，并在相同的时间计算所有指标，将成本型指标转化为效益型指标。
Figure BDA0002707256260000092
式中：yij为与归一化的第j个Pareto优化解对应的第i个目标函数值；min(xij)、
Figure BDA0002707256260000093
分别为X中第j行的最小值与最大值。
计算第j个指标的信息权重rj，熵权wr,j表示目标提供的信息量取决于不同解决方案之间的差异。
Figure BDA0002707256260000101
用算子的主观权重ws,j修正权重系数wj：
Figure BDA0002707256260000102
建立加权归一化评价矩阵
Figure BDA0002707256260000103
Figure BDA0002707256260000104
确定最坏的情况
Figure BDA0002707256260000105
以及最好的情况
Figure BDA0002707256260000106
Figure BDA0002707256260000107
计算第i个Pareto最优解与最坏、最好情况的欧氏距离：
Figure BDA0002707256260000108
计算与最差情况相似的阈度，Ii越高表明解越接近最佳条件。
Figure BDA0002707256260000109
选择具有最高Ii的Pareto最优解作为折衷最优解。
此外，本专利还提出了一种多目标协调优化的多元电网超前控制供电系统，包括响应度定义模块、成本控制模块、变量约束模块、NSGA-II算法模块与最优解求解模块，所述响应度定义模块定义用户对不确定行为的响应度，所述成本控制模块根据电网的供电容量估算用主动控制成本；所述变量约束模块对所述电网中的变量进行约束，所述NSGA-II算法模块通过NSGA-II算法，进行选择、交叉和突变，获得满足运行条件的种群；选择下一代粒子后，所述最优解求解模块通过熵权TOPSIS法求得最优解。其中本示例中的供电系统使用的NSGA-II算法模块也可以是上述多目标协调优化的多元电网超前控制供电方法的示例的改进NSGA-II算法。
本发明的另一种示例中，给出了针对IEEE 33节点拓扑系统的供电控制示例。图2为改进的IEEE 33节点拓扑系统，该系统有37个支路，参考电压为12.66kV。假设每个支路都配备用于网络优化的可操作开关以提供灵活的拓扑结构。每次转换操作的成本为7元。分布式电源主要包括燃气轮机、光伏机组和风电机组。燃气轮机安装在16、30节点，光伏机组安装在17、21号节点，风电机组安装在6、28节点。节点8、14、24、30和32作为可中断负荷节点，可中断负荷补偿价格范围为0.5～2.5元，a为0.4元/(MWh)2，b为300元/MWh，c为0，φi为0.8。主观权重可以根据算子的偏好选择，设定ws＝[0.5，0.5]。
对改进的IEEE 33节点拓扑系统供电调度多目标协同优化，步骤为：
步骤1：描述可中断负荷用户的响应行为，确定用户对不确定行为的响应度；
步骤2：估测主动配电网的供电容量，估算主动控制成本；
步骤3：对所述主动配电网中的变量进行约束；
步骤4：通过NSGA-II算法，选择、交叉和突变获得满足运行条件的种群；
步骤5：选择下一代粒子；
步骤6：达到迭代次数后，通过熵权TOPSIS法从最优集中选择最优解。
表1和表2详细说明了在折衷最优解下的供电能力比较以及不同控制方案的成本。通过比较发现，如果没有采取任何措施，则区域负载是现有负载的0.2156倍，而影响负载访问的主要因素是总线18和33处的电压。如果对源-网-荷进行协调，合理安排成本，则供电倍数可提高到1.0283，此时成本在合理范围内。
表1供电能力的比较
Figure BDA0002707256260000121
表2不同控制方案的成本
Figure BDA0002707256260000122
在用电高峰时段，必须计算供电能力以避免发生故障，并采用提出的方法来主动控制实际情况，主动控制成本如表3所示。为了释放重负载支路的电源压力，一些可中断负载被主动地管理，通过控制分布式电源的输出功率提高馈线末端的电压。
表3主动控制成本
Figure BDA0002707256260000123
表4对优化前后供电能力进行分析，可以发现，通过主动控制网络拓扑结构，分布式电源输出功率和需求侧负荷总供电量增加13.40％。
表4优化前后供电能力
Figure BDA0002707256260000124
Figure BDA0002707256260000131
图3、图4在解决了整个配电网的供电能力的前提下比较了改进前后NSGA-II算法的优化性能。图1表明改进的NSGA-II算法的Pareto最优解分布较好，在相同的成本下供电能力更高。图2表示Pareto解集的平均供电容量值的变化随迭代次数的变化。当进化达到一定数量时，平均值将趋于不变，表明遗传进化收敛。不难发现，改进的NSGA-II算法收敛速度快，收敛性能好。
在表5给出了NSGA-II算法改进前后的优化方案，可见改进NSGA-II算法所得到的优化结果比传统NSGA-II算法更加理想。改进NSGA-II算法不仅保证了控制策略的经济性，而且提高了电网的整体供电能力。
表5 NSGA-II算法改进前后优化结果的比较
Figure BDA0002707256260000132
基于多目标协同优化算法解决配电网供电容量计算问题，通过源-网-荷的协调控制，可以提高有源配电网络的供电能力，节省控制装置的成本，减少不确定因素对有源配电网的影响。改进NSGA-II算法收敛速度快，容易找到全局最优解。逐步淘汰策略可以使Pareto前沿更均匀地分布，确保了种群多样性。
以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解，本公开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公开的原理，在不脱离本公开精神和范围的前提下，本公开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公开范围内。

Claims (10)

1.一种多目标协调优化的多元电网超前控制供电方法，其特征在于，包括以下步骤：
步骤1：描述可中断负荷用户的响应行为，确定用户对不确定行为的响应度；
步骤2：估测主动配电网的供电容量，估算主动控制成本；
步骤3：对所述主动配电网中的变量进行约束；
步骤4：通过NSGA-II算法，选择、交叉和突变获得满足运行条件的种群；
步骤5：选择下一代粒子；
步骤6：达到迭代次数后，通过熵权TOPSIS法从最优集中选择最优解。
2.根据权利要求1所述的多目标协调优化的多元电网超前控制供电方法，其特征在于，所述步骤1中，采用以下公式定义所述用户的响应度：
Figure FDA0002707256250000011
式中：U表示均匀分配；βa,i(c)、βb,i(c)分别为用户i在价格c下负荷下降率的最大界限和最小界限；
βa,i(c)、βb,i(c)分别采用下述公式计算：
Figure FDA0002707256250000012
Figure FDA0002707256250000013
式中：βm为用户最大负荷衰减率。
3.根据权利要求1所述的多目标协调优化的多元电网超前控制供电方法，其特征在于，所述步骤2中，采用以下方法估算供电容量：
Figure FDA0002707256250000014
式中：max Lass代表评估区域所能提供的最大负荷；Lcur,j、Lb,j分别为当前实际负载与负载增长基本量；J表示供电量评估区域的母线集，NJ表示供电量评估区域的母线集数量；λj为母线j的负荷增长系数。
4.根据权利要求1所述的多目标协调优化的多元电网超前控制供电方法，其特征在于，所述步骤2中，所述主动控制成本包括分布式电源主动控制成本、网络重构成本与可中断负荷成本。
5.根据权利要求1所述的多目标协调优化的多元电网超前控制供电方法，其特征在于，所述步骤3中，所述变量的约束包括母线电压约束、负荷衰减率约束、功率平衡约束、发电机组出力约束、功率衰减成本约束与补偿价格约束中的一种或多种。
6.根据权利要求1所述的多目标协调优化的多元电网超前控制供电方法，其特征在于，所述步骤4中，通过下式优化所述NSGA-II算法：
Figure FDA0002707256250000021
Figure FDA0002707256250000022
式中：
Figure FDA0002707256250000023
为第t次交互下m、n决策变量；k为取值在[0,1]之间的参数；
所述多目标遗传算法的算子系数为：
Figure FDA0002707256250000024
式中：
Figure FDA0002707256250000025
表示决策变量A和B在第t次交互作用下的非支配排序水平；
Figure FDA0002707256250000026
第t次交互作用中决策变量A和B的拥挤距离。
7.根据权利要求1所述的多目标协调优化的多元电网超前控制供电方法，其特征在于，所述步骤5中，采用如下方式选择下一代粒子：根据优势关系，从种群中得到的非主导解NND>N时，随机或根据拥挤距离顺序从当前的非支配解集中选择；否则，将当前全部粒子加入下一代。
8.根据权利要求1所述的多目标协调优化的多元电网超前控制供电方法，其特征在于，所述步骤6中，采用如下方法选择最优解：
步骤6.1：根据所述供电最大负荷函数、所述成本控制函数和Pareto最优解解集建立评价矩阵X：
Figure FDA0002707256250000031
式中：xij表示第i各Pareto解的第j个决定指示符的值；
步骤6.2：将成本型指标转化为效益型指标；
Figure FDA0002707256250000032
式中：yij为与归一化的第j个Pareto优化解对应的第i个目标函数值；
Figure FDA0002707256250000033
分别为X中第j行的最小值与最大值；
通过以下公式计算第j个指标的信息权重rj：
Figure FDA0002707256250000034
熵权wr,j表示目标提供的信息量取决于不同解决方案之间的差异；
用算子的主观权重ws,j修正权重系数wj：
Figure FDA0002707256250000041
建立加权归一化评价矩阵
Figure FDA0002707256250000042
Figure FDA0002707256250000043
确定最坏的情况
Figure FDA0002707256250000044
以及最好的情况
Figure FDA0002707256250000045
Figure FDA0002707256250000046
计算第i个Pareto最优解与最坏、最好情况的欧氏距离：
Figure FDA0002707256250000047
计算与最差情况相似的阈度，Ii越高表明解越接近最佳条件；
Figure FDA0002707256250000048
选择具有最高Ii的所述Pareto最优解作为最优解。
9.一种多目标协调优化的多元电网超前控制供电系统，其特征在于：包括响应度定义模块、成本控制模块、变量约束模块、NSGA-II算法模块与最优解求解模块，所述响应度定义模块定义用户对不确定行为的响应度，所述成本控制模块根据电网的供电容量估算用主动控制成本；所述变量约束模块对所述电网中的变量进行约束，所述NSGA-II算法模块通过NSGA-II算法，进行选择、交叉和突变，获得满足运行条件的种群；选择下一代粒子后，所述最优解求解模块通过熵权TOPSIS法求得最优解。
10.根据权利要求9所述的多目标协调优化的多元电网超前控制供电系统，其特征在于，所述步骤4中，通过下式优化所述NSGA-II算法模块：
Figure FDA0002707256250000051
Figure FDA0002707256250000052
式中：
Figure FDA0002707256250000053
为第t次交互下m、n决策变量；k为取值在[0,1]之间的参数；
所述多目标遗传算法的算子系数为：
Figure FDA0002707256250000054
式中：
Figure FDA0002707256250000055
表示决策变量A和B在第t次交互作用下的非支配排序水平；
Figure FDA0002707256250000056
第t次交互作用中决策变量A和B的拥挤距离。
CN202011043328.3A 2020-09-28 2020-09-28 多目标协调优化的多元电网超前控制供电方法及其系统 Withdrawn CN112202168A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011043328.3A CN112202168A (zh) 2020-09-28 2020-09-28 多目标协调优化的多元电网超前控制供电方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011043328.3A CN112202168A (zh) 2020-09-28 2020-09-28 多目标协调优化的多元电网超前控制供电方法及其系统

Publications (1)

Publication Number Publication Date
CN112202168A true CN112202168A (zh) 2021-01-08

Family

ID=74007732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011043328.3A Withdrawn CN112202168A (zh) 2020-09-28 2020-09-28 多目标协调优化的多元电网超前控制供电方法及其系统

Country Status (1)

Country Link
CN (1) CN112202168A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116914751A (zh) * 2023-09-12 2023-10-20 济南舜信达电力科技有限公司 一种智能配电控制系统
CN117937522A (zh) * 2024-03-25 2024-04-26 湖北世纪森源电气集团有限公司 电力控制柜的电力节能控制方法、控制柜及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116914751A (zh) * 2023-09-12 2023-10-20 济南舜信达电力科技有限公司 一种智能配电控制系统
CN116914751B (zh) * 2023-09-12 2023-12-05 济南舜信达电力科技有限公司 一种智能配电控制系统
CN117937522A (zh) * 2024-03-25 2024-04-26 湖北世纪森源电气集团有限公司 电力控制柜的电力节能控制方法、控制柜及存储介质
CN117937522B (zh) * 2024-03-25 2024-06-04 湖北世纪森源电气集团有限公司 电力控制柜的电力节能控制方法、控制柜及存储介质

Similar Documents

Publication Publication Date Title
CN113595158B (zh) 配售电竞争态势下区域配电网的供电能力评估方法
Ma et al. Optimal allocation of hybrid energy storage systems for smoothing photovoltaic power fluctuations considering the active power curtailment of photovoltaic
CN111342461B (zh) 一种考虑网架动态重构的配电网优化调度方法及系统
CN106602557B (zh) 一种含电动汽车的主动配电网多时段优化重构方法
Tang et al. Study on day-ahead optimal economic operation of active distribution networks based on Kriging model assisted particle swarm optimization with constraint handling techniques
CN111244985B (zh) 基于节点综合灵敏度系数的分布式储能序次优化配置方法
CN110350597B (zh) 基于分布式光伏有功-无功优化的配电网电压控制方法
CN108304972B (zh) 一种基于供需互动和dg运行特性的主动配电网网架规划方法
CN112202168A (zh) 多目标协调优化的多元电网超前控制供电方法及其系统
CN111614110B (zh) 一种基于改进多目标粒子群算法的受端电网储能优化配置方法
CN114069687B (zh) 一种计及逆变器无功调节作用的分布式光伏规划方法
CN113312839A (zh) 一种基于强化学习的电网紧急辅助切负荷决策方法及装置
Salkuti Multi-objective based optimal network reconfiguration using crow search algorithm
Dixit et al. Optimal placement of PV array in distribution system for power loss minimization considering feeder reconfiguration
CN112671045B (zh) 一种基于改进遗传算法的分布式电源优化配置方法
CN111242389A (zh) 一种智能储能软开关规划方法、系统、设备及介质
Nguyen et al. Power loss minimization by optimal placement of distributed generation considering the distribution network configuration based on artificial ecosystem optimization
Manusov et al. Population-based algorithms for optimization of the reactive power distribution and selection of the cable cross-section in the power-supply systems
CN115841216A (zh) 计及分布式光伏消纳率的配电网储能优化配置方法
CN115411719A (zh) 一种基于源荷不确定性和电压稳定性的分布式电源规划方法
CN114243766A (zh) 一种区域多能源系统优化配置方法及系统
CN110829440A (zh) 一种三相中低压一体化配电网电压控制方法及系统
Mustaffa et al. Location and sizing of distributed generation photovoltaic (DGPV) via multi-objective pareto algorithm
Chege et al. Optimal placement of distributed generation and capacitors in radial distribution networks using hybrid evolution programming algorithm
Montoya et al. A joint application of a genetic algorithm plus the minimal spanning tree for optimizing electrical energy systems

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210108

WW01 Invention patent application withdrawn after publication