CN112290544B - 一种基于粒子群优化算法的换相开关优化配置方法及系统 - Google Patents

一种基于粒子群优化算法的换相开关优化配置方法及系统 Download PDF

Info

Publication number
CN112290544B
CN112290544B CN202011134337.3A CN202011134337A CN112290544B CN 112290544 B CN112290544 B CN 112290544B CN 202011134337 A CN202011134337 A CN 202011134337A CN 112290544 B CN112290544 B CN 112290544B
Authority
CN
China
Prior art keywords
phase
phase change
commutation
switch
sequence current
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
Application number
CN202011134337.3A
Other languages
English (en)
Other versions
CN112290544A (zh
Inventor
张宗峰
符奥
张国飞
王海江
张锐
曹立霞
李成栋
辛征
阎俏
郑学汉
刘辉利
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.)
State Grid Corp of China SGCC
Shandong Jianzhu University
Rizhao Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Shandong Jianzhu University
Rizhao Power Supply Co of State Grid Shandong 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 State Grid Corp of China SGCC, Shandong Jianzhu University, Rizhao Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011134337.3A priority Critical patent/CN112290544B/zh
Publication of CN112290544A publication Critical patent/CN112290544A/zh
Application granted granted Critical
Publication of CN112290544B publication Critical patent/CN112290544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于粒子群优化算法的换相开关优化配置方法及系统，包括：根据用户负荷功率和配电网拓扑节点阻抗构建换相开关配置模型；以最小化三相不平衡度和换相开关动作次数为目标函数，利用粒子群优化算法对换相开关配置模型求解，得到换相开关最优开关动作；根据换相开关最优开关动作执行前后负荷的变化确定参与换相的负荷；对参与换相的负荷换相次数排序，换相次数最多的负荷所处位置即为换相开关的安装位置。根据配电网拓扑结构和负荷功率数据建立换相开关配置模型，以三相不平衡度和换相次数为目标利用粒子群优化算法对该模型进行求解，根据最优解确定换相开关的安装位置，实现对换相开关的合理配置。

Description

一种基于粒子群优化算法的换相开关优化配置方法及系统
技术领域
本发明涉及电能质量治理技术领域，特别是涉及一种基于粒子群优化算法的换相开关优化配置方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
实际配电台区的供给负荷种类较多，各负荷密度不相同，负荷自身的波动性会加大三相不平衡程度；通过智能换相开关对负荷进行相序切换，能够实现负荷的均衡配置，实现三相不平衡的治理，并且能够避免人工换相操作慢和高危险性的问题。
换相开关中只含有一个控制端和若干个执行端，在实际工程中，需要根据配电台区的具体情况，对换相开关的安装位置和数量进行决定。通常情况下，为了考虑设备的投资成本，不会对配电台区内的所有单相负载安装换相开关的执行端，一般来说，换相开关的执行端安装在三相不平衡较重的地方，安装数量在单相负荷数量的三分之一左右。在安装换相开关时，应避开对电能质量要求比较敏感的负荷；安装人员通常情况下根据自身的经验以及各支路的不平衡情况进行安装，但是，发明人认为，该方法不可避免的造成三相不平衡治理效果的差异，尽管对换相开关安装配置提出一定的配置原则，但是针对换相开关的安装点的配置并未进行研究，而在实际工程中也主要是安装工作人员根据自身经验对位置点进行确定，然后进行换相开关的安装。
另外，通过对基于配电网用户负荷电流有效值、有功功率、用电量作为参考信息计算相不平衡度，存在忽略电流相角的不对称的问题；仅以电流有效值，或无功功率，只考虑有功功率均无法准确表示电流不平衡度；且仅通过电流和电压有效值无法真实反映负荷特性问题，所以在换相开关的配置中应尽可能准确的表示三相不平衡度和负荷特性。
发明内容
为了解决上述问题，本发明提出了一种基于粒子群优化算法的换相开关优化配置方法及系统，根据配电网拓扑结构和负荷功率数据建立换相开关配置模型，以三相不平衡度和换相次数为目标利用粒子群优化算法对该模型进行求解，根据最优解确定换相开关的安装位置，实现对换相开关的合理配置。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种基于粒子群优化算法的换相开关优化配置方法，包括：
根据用户负荷功率和配电网拓扑节点阻抗构建换相开关配置模型；
以最小化三相不平衡度和换相开关动作次数为目标函数，利用粒子群优化算法对换相开关配置模型求解，得到换相开关最优开关动作；
根据换相开关最优开关动作执行前后负荷的变化确定参与换相的负荷；
对参与换相的负荷换相次数排序，换相次数最多的负荷所处位置即为换相开关的安装位置。
第二方面，本发明提供一种基于粒子群优化算法的换相开关优化配置系统，包括：
模型构建模块，用于根据用户负荷功率和配电网拓扑节点阻抗构建换相开关配置模型；
求解模块，用于以最小化三相不平衡度和换相开关动作次数为目标函数，利用粒子群优化算法对换相开关配置模型求解，得到换相开关最优开关动作；
执行模块，用于根据换相开关最优开关动作执行前后负荷的变化确定参与换相的负荷；
选择模块，用于对参与换相的负荷换相次数排序，换相次数最多的负荷所处位置即为换相开关的安装位置。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
由于换相开关的数量已经被固定或尽可能减少使用，所以本发明的侧重点主要是换相开关安装位置的合理配置，提出根据配电网拓扑结构和负荷功率数据建立换相开关配置模型，利用粒子群优化算法对该模型进行求解，根据所求最优解确定安装不同数量的换相开关所对应的安装位置，为换相开关在线治理实现最好的治理效果。
本发明引入用户负荷无功功率和有功功率，解决现有数据参考信息无法准确描述三相负荷不平衡的问题，构建基于用户负荷数据，且以三相不平衡度、换相次数最小为目标的不平衡负荷调整数学模型，实现对换相开关的合理配置。
本发明的换相开关配置模型考虑配电网拓扑结构的影响，增加配电网各节点的阻抗数据，由于三相不平衡度的降低不仅是配电网变压器低压侧三相不平衡度的降低，也需要考虑各支路节点的三相不平衡度，能够适应于不同的配电网拓扑结构。
为了解决粒子群算法在解决多目标优化问题时存在的收敛问题，本发明将多目标函数转化为单目标函数，不受约束条件限制，具有很好的全局搜索能力，且搜索速度快。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的智能换相开关治理电路图；
图2为本发明实施例1提供的基于粒子群优化算法的换相开关优化配置方法流程图；
图3为本发明实施例1提供的粒子群算法求解流程图；
图4为本发明实施例1提供的低压配电网拓扑结构图；
图5为本发明实施例1提供的不同数量换相开关安装后适应度值图；
图6为本发明实施例1提供的不同数量换相开关安装后治理效果图；
图7为本发明实施例1提供的某时刻换相开关安装数量为15个时，节点处负序电流不平衡度对比图；
图8为本发明实施例1提供的某时刻换相开关安装数量为15个时，节点处零序电流不平衡度对比图。
具体实施方式：
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例所采用的换相开关主要由两部分组成：即换相开关的控制端和换相开关的执行端，其中换相开关控制端作为换相指令的输出端，控制端和执行端通过数据传输实现信息交互，根据信息交互实现对单相负荷的相序切换，最终实现对配电台区的三相不平衡治理。
如图1所示，在配电台区配置换相开关控制端，增加负荷换相执行端，综合控制端实时检测配变低压侧及各换相开安关装点的负荷用户数据，通过对三相不平衡度的计算，从而确定三相不平衡度是否越限；在一定的检测周期内，如果三相不平衡度越限，则执行相应的各支路的相序实时数据进行优化计算，发送最优换相指令，从而实现配电台区、三相负荷的均衡分配，实现配电台区的安全经济运行。
如图1所示，换相开关安装在不同的支路中，对不同支路的治理效果不同，将影响到配变低压侧三相不平衡度，所以换相开关的合理配置决定三相不平衡治理效果，如果在换相开关线治理前对换相开关进行合理配置，不仅能够降低设备安装投资的费用，而且能够为换相开关在线治理实现最好的治理效果。
本实施例所安装换相开关的位置主要是居民单相负荷，且在配置时未考虑换相操作造成电压波动的影响；且在通常情况下，由于换相开关的数量已经被固定或尽可能减少使用，所以本实施例在换相开关对三相不平衡治理方法中，侧重点主要在于换相开关安装位置的合理配置；
故本实施例提供一种基于用户负荷功率数据与粒子群优化算法PSO的换相开关优化配置方法，如图2所示，具体包括：
S1：根据用户负荷功率和配电网拓扑节点阻抗构建换相开关配置模型；
S2：以最小化三相不平衡度和换相开关动作次数为目标函数，利用粒子群优化算法对换相开关配置模型求解，得到换相开关最优开关动作；
S3：根据换相开关最优开关动作执行前后负荷的变化确定参与换相的负荷；
S4：对参与换相的负荷换相次数排序，换相次数最多的负荷所处位置即为换相开关的安装位置。
所述步骤S1中，所述用户负荷功率包括有功功率和无功功率，本实施例将有功功率、无功功率引入到三相负荷不平衡的治理研究中，而有功功率、无功功率的引入能够克服现有数据参考信息无法较准确描述三相负荷不平衡的问题，实现对三相不平衡度的表示；为了便于分析，本实施例在分析三相不平衡度与功率之间的关系时，未考虑电压变化所带来的影响。
假设配电网电压正弦对称且为额定值，设三相负荷电压的相电压表示三相负荷不平衡度与用户负荷量化之间的关系，三相负荷电压的相电压为：
Figure BDA0002736174620000071
Figure BDA0002736174620000072
Figure BDA0002736174620000073
其中，算子
Figure BDA0002736174620000074
Figure BDA0002736174620000075
UN为三相相电压额定有效值；
设三相不对称负荷中感性无功功率、容性无功功率分别为正值和负值，则各相负荷复功率表示为：
Figure BDA0002736174620000076
Figure BDA0002736174620000077
Figure BDA0002736174620000078
Figure BDA0002736174620000079
公共连接点处的负荷三相总功率为：
P＝PA+PB+PC
Q＝QA+QB+QC
Figure BDA00027361746200000710
根据复功率的定义，三相负荷的线电流为：
Figure BDA0002736174620000081
Figure BDA0002736174620000082
Figure BDA0002736174620000083
式中，
Figure BDA0002736174620000084
为A相负荷复功率的共轭，
Figure BDA0002736174620000085
为A相负荷相电压的共轭。根据对称分量法，三相负荷线电流正序分量、负序分量和零序分量为：
Figure BDA0002736174620000086
Figure BDA0002736174620000087
Figure BDA0002736174620000088
负荷功率表示的正序电流分量为：
Figure BDA0002736174620000089
P1＝PA+PB+PC
Q1＝QA+QB+QC
根据正序、负序电流分量的表达式，三相不对称正序电流有效值为：
Figure BDA00027361746200000810
Figure BDA00027361746200000811
同理可得，负序电流分量为：
Figure BDA0002736174620000091
Figure BDA0002736174620000092
Figure BDA0002736174620000093
三相不对称负荷的负序电流有效值为：
Figure BDA0002736174620000094
由三相负荷线电流的正序分量和负序分量定义三相负荷的正负序功率。
根据上式，负序电流不平衡度表示为：
Figure BDA0002736174620000095
即：
Figure BDA0002736174620000096
同理可得，零序电流不平衡度表示为：
Figure BDA0002736174620000097
即：
Figure BDA0002736174620000098
根据上述三相电流不平衡度计算方法建立换相开关配置模型；在本实施例中，换相开关配置模型还添加配电网拓扑结构中各节点的阻抗值。
考虑到三相不平衡度的降低不仅仅是配电网变压器低压侧三相不平衡度的降低，而且需要考虑各支路节点的三相不平衡度，同时为适应不同的配电网拓扑结构，本实施例将配电网中各节点的阻抗引入到换相开关配置模型中，使得所建立的目标函数具有一定的通用性；
基于阻抗的三相电流不平衡度目标函数为：
Figure BDA0002736174620000101
其中，x1n为根节点到节点之间的阻抗有效值，其能够反映拓扑结构变化所带来的影响，同时也能起到各节点在整个网络中三相不平衡治理的比重。
所述步骤S2中，本实施例以三相不平衡度最小为目标函数，即：
Figure BDA0002736174620000102
其中，x1n为根节点到节点之间的阻抗有效值；N为配电网节点总数；εI2nk为第n个节点在第k时刻的负序电流不平衡度；εI0nk为第n个节点在第k时刻的零序电流不平衡度。
为延长换相开关的使用寿命，需要考虑换相开关的换相次数，在建立换相控制策略时，应尽量减少换相开关的切换次数，提高换相开关的使用寿命，减小负荷波动。换相过程中智能换相开关动作次数应该最少，而换相过程中，开关调整次数可以根据换相前后开关相序状态相量Xj(k)变化情况确定。
定义Xj(k)＝{(1,0,0)T,(0,1,0)T,(0,0,1)T}分别表示换相开关与A、B、C相接入；定义mj(k)为第j个用户在第k时刻换相开关动作次数，当Xj(k)＝Xj(k+1)时，表示换相开关没有动作，mj(k)＝0；当Xj(k)≠Xj(k+1)时，表示换相开关动作，mj(k)＝1。
最小化换相开关动作次数表示：
Figure BDA0002736174620000111
式中，J为配电台区单相用户总数。
本实施例在解决换相开关的配置问题时，主要从换相开关治理效果和开关使用寿命方面考虑，并未将换相开关数量作为配置目标。因为在实际工程中，换相开关的安装数量主要根据现场采购的换相开关进行安装，也就是换相开关在安装配置之前其数量已经被确定，只需要配置最优的安装位置即可。
因此，本实施例建立的目标函数模型为负序电流不平衡度和零序电流不平衡度最小、换相开关动作次数最少。
由于目标函数重要性不同，本实施例采用加权法对多目标函数进行处理，由于本实施例主要对三相不平衡治理效果进行考虑，所以三相不平衡度的权重较大，即α1＝0.8，α2＝0.2；
Figure BDA0002736174620000112
考虑到目标函数存在量纲不同的问题，所以需要对目标函数进行去量纲归一化处理，避免由于负序电流不平衡度平方和数值较小，被换相开关次数值加和后所淹没，使得目标函数求解更加合理科学。
对目标函数进行Min-max标准的归一化处理，转换函数如下：
Figure BDA0002736174620000113
其中，xmax为样本数据的最大值，xmin为样本数据的最小值。
在本实施例中对目标函数进行去量纲归一化处理，将其转化为适应度函数：
Figure BDA0002736174620000121
式中，εI2n为换相后第n个节点处负序电流不平衡度；
Figure BDA0002736174620000122
为换相前第n个节点处负序电流不平衡度；εI0n为换相后第n个节点处零序电流不平衡度；
Figure BDA0002736174620000123
为换相前第n个节点处零序电流不平衡度；换相开关部分去量纲时，M′为所安装换相开关的数量；d为换相开关的换相次数。
在步骤S2中，本实施例采用粒子群优化算法求解换相开关配置模型；
粒子群优化算法(Particle Swarm Optimization，PSO)是受鸟群捕食行为的启发演变而来，通过鸟群中每个个体对食物捕食获得寻找空间中个体解，根据速度和位置变换公式，不断改变每个个体的位置获得一个适应度值，在不断变化的过程中，更新当前值和最优值，主要用速度和位置变换公式：
vij(t+1)＝wvij(t)+c1r1(pij(t)-xij(t))+c2r2(gij(t)-xij(t))
xij(t+1)＝xij(t)+vij(t+1)
Figure BDA0002736174620000124
其中，vij为第i个粒子在维数为j处的速度；pij为第i个粒子在维数为j处的局部极值；gij为第i个粒子当前的全局极值；xij为第i个粒子在维数为j处的位置；t为当前迭代次数；w为惯性权重，wmax和wmin分别为最大惯性权重值和最小惯性权重值；通常情况下为初始化时的给定值，c1、c2为学习因子；r和r2为[0,1]区间随机函数，loopcount为最大迭代次数。
粒子群优化算法PSO具有以下三种优势：
(1)具有很好的全局搜索能力，在处理目标优化问题时能够快速求取最优值；
(2)对于单目标函数处理时，不受约束条件限制；
(3)没有交叉、变异运算，依靠粒子速度完成搜索且搜索速度快；同时具有记忆性，能够将群体最好位置信息进行记录传递给其他粒子。
由于粒子群算法在解决单目标函数时不受约束条件的影响，所以对问题的处理方便快捷，而本实施例所建立的数学模型为多目标函数，粒子群算法在解决多目标优化问题时，容易收敛到效果比较差的求解区域，所以将多目标函数转化为单目标函数，利用PSO进行求解更能体现其优势，同时在多目标优化问题中常采用将其转化为单目标函数的处理方式进行解决。
如图3所示，具体求解过程为：
(1)开关状态编码策略
在本实施例建立的数学模型中，假设对40个负荷点全部安装换相开关，换相开关的负荷相序向量组成一个40维的粒子，且开关相序向量中的每一维由k＝{(1,0,0)T,(0,1,0)T,(0,0,1)T}中的一个表示所对应换相开关切到A、B、C的某一相，所以每个粒子是3×40维的开关状态矩阵。
为便于计算，将换相开关接通A、B、C相分别用1，2，3表示，粒子群算法在解决连续性问题优势明显，而本实施例所考虑的开关相序为离散化模型，需要将其转化为连续化问题进行处理；
通过将开关相序的离散空间映射到连续空间内，对每个粒子中开关相序1，2，3离散化转化为[0,3]连续范围内，将当xi∈[0,1]时，对应的xi向上取整为1，表示开关切到A相；同理，xi∈(1,2]或xi∈(2,3]时，表示开关切到B相或C相，那么各负荷点所对应的开关状态矩阵变为1×40维的行向量。
(2)粒子群算法求解过程：
(2-1)粒子参数初始化：设置最大迭代次数m＝200，粒子总数为40，种群规模为300，学习因子c1＝c2＝2，最大权重、最小权重为wmax＝0.9，wmin＝0.4；
(2-2)粒子位置初始化
对于初始时刻而言，由于各负荷的粒子位置在初始化之前就有原始开关相序状态，所以根据粒子表示方法对原始开关状态进行表示，目的在于求取其适应度值作为初始局部极值pbest和初始全局极值gbest，便于接下来最优换相指令比较，并对各负荷粒子种群采用随机函数rand()，依据开关状态编码策略进行初始化，生成300×40维的初始种群作为最优换相指令的初始解集。
(2-3)全局极值的确定：
(2-3.1)确定适应度函数，将建立的多目标函数转化为基于权重的单目标函数，将新目标函数称为适应度函数，适应度函数最小值即为多目标函数的最优取值。
(2-3.2)根据初始种群的粒子开关状态，将各个粒子所表示的开关状态带入适应度函数，计算适应度值fi。
由于对种群中的各个粒子进行适应度函数计算，所以适应度值fi不断更新；为了能够确定全局极值gbest，适应度值fi对局部极值pbest和全局极值gbest有如下更新原则：如果fi<pbest，则fi替代pbest；如果fi<gbest，则fi替代gbest；
至此，得出第一次迭代后的全局极值gbest，并记录下全局极值gbest所对应的开关状态序列。
(2-3.3)第二次迭代，此次迭代根据粒子速度和位置更新公式，依据前一次迭代的开关状态序列结果，更新粒子的速度和位置，生成新的开关状态种群；对新种群再次进行适应度值计算，将新的适应度值与前一次迭代产生的局部极值pbest和全局极值gbest进行比较，更新局部极值pbest和全局极值gbest。
(2-3.4)通过不断的迭代计算，适应度值和开关状态不断更新，直至迭代过程结束，输出全局极值，即最优的换相开关状态、换相次数和电流不平衡度值，根据全局极值中的开关状态发送最优换相指令。
(3)参与换相负荷的确定
根据配电台区一年内历史数据得到全年不同的最优换相指令数据集，对40个负荷所组成的最优换相指令中，前后时刻指令的变化确定各负荷的变动情况，记录变化负荷的位置，即参与换相的负荷。
(4)换相开关安装位置点配置
对参与换相的负荷在周期内参与换相次数进行统计，并对其换相次数排序，可得到参与换相的高频率负荷；根据台区治理需要安装换相开关的数量q，从排序数据中由大到小选择与之对应的负荷即换相开关的安装位置。
(5)所选负荷参与三相不平衡治理的验证
将所选的负荷重新引入粒子群算法进行计算，在粒子群算法的验证方法中主要针对所选负荷对应安装的换相开关的开关状态的变化；未被选择负荷的开关状态不发生改变，通过生成的1×q维的粒子开关状态，对所选负荷位置换相开关的开关状态进行替换，从而用新生成的开关状态参与到粒子群算法验证求解中，计算过程同上。根据输出的最优开关矩阵状态即可求得相应的三相电流不平衡度，从而反映出所选负荷位置点安装换相开关对三相负荷不平衡的治理效果。
为了验证本实施例所提方法的可行性，选取三相四线制12节点低压配电台区进行仿真，配电网拓扑结构如图4所示，基准电压0.38kV，本实施例方法所建立数学模型中涉及的参数如下：α1＝0.8，α2＝0.2，ξ＝300，c1＝c2＝2，ωmax＝0.9，ωmin＝0.4，粒子群规模p＝150。
对台区40个负荷进行分析，用户用电采集频率为15min/次，采样周期为1年，采样点为35040个；操作系统为Windows7(64位)；处理器为Intel(R)Core(TM)i5-3337U CPU@1.80GHZ；内存容量为4GB；仿真软件为Matlab 2016b(64位)；编写程序进行仿真，计算换相开关的安装数量、安装位置、最优适应度值的程序计算结果，如图5所示，此时单目标函数值由治理前的0.8降为0.5，尽管存在极少数节点电流不平衡度的升高，但降低了整个配电台区三相不平衡度；换相次数、平均损耗、负/零序电流不平衡度如图6所示，需要注意的是，平均换相次数为全部换相开关一年内参与换相的总次数平均到每十五分钟内的换相次数。
如图7-8所示，本实施例选取15个换相开关进行配置，随着换相开关安装数量的增加，配电网中的三相不平衡度在不断降低，相应的线路损耗也在降低，说明本实施例所提出的方法的可行性，但同时换相开关的安装位置开始集中，此时对于换相开关的安装应根据安装数量以及所期望的治理目标决定。在图8中节点7处的零序电流不平衡度增加，造成的主要原因是对于数学模型建立的多目标函数转化为单目标函数，对单目标函数优化结果好坏的判断是单目标函数值最小来反映全网各节点不平衡的最好治理效果。
本实施例针对换相开关的合理配置，提出根据低压配电网的拓扑结构和负荷功率建立换相开关配置数学模型，利用粒子群优化算法进行求解，根据最优解确定安装不同数量的换相开关所对应的安装位置；同时在处理多目标优化问题时，可根据实际情况对目标函数进行处理并选取合适的优化算法；最后以某12节点配电网线路为例，对本实施例所提换相开关配置方法进行算例分析，通过仿真结果验证本实施例所提方法的有效性。
实施例2
本实施例提供一种基于粒子群优化算法的换相开关优化配置系统，包括：
模型构建模块，用于根据用户负荷功率和配电网拓扑节点阻抗构建换相开关配置模型；
求解模块，用于以最小化三相不平衡度和换相开关动作次数为目标函数，利用粒子群优化算法对换相开关配置模型求解，得到换相开关最优开关动作；
执行模块，用于根据换相开关最优开关动作执行前后负荷的变化确定参与换相的负荷；
选择模块，用于对参与换相的负荷换相次数排序，换相次数最多的负荷所处位置即为换相开关的安装位置。
此处需要说明的是，上述模块对应于实施例1中的步骤S1至S4，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.一种基于粒子群优化算法的换相开关优化配置方法，其特征在于，包括：
根据用户负荷功率和配电网拓扑节点阻抗构建换相开关配置模型；
以最小化三相不平衡度和换相开关动作次数为目标函数，利用粒子群优化算法对换相开关配置模型求解，得到换相开关最优开关动作；
根据换相开关最优开关动作执行前后负荷的变化确定参与换相的负荷；
对参与换相的负荷换相次数排序，换相次数最多的负荷所处位置即为换相开关的安装位置；
根据用户负荷功率和三相负荷线电流，分别构建用户负荷功率与正序电流分量、用户负荷功率与负序电流分量的对应关系，并以此得到三相负荷的正序电流有效值和负序电流有效值；
根据正序电流有效值和负序电流有效值得到负序电流不平衡度和零序电流不平衡度；
根据负序电流不平衡度、零序电流不平衡度和配电网拓扑节点阻抗构建换相开关配置模型；
所述目标函数中，最小化三相不平衡度为：
Figure FDA0003855688200000011
其中，x1nk为根节点到节点n在第k时刻的阻抗有效值；N为配电网节点总数；εI2nk为第n个节点在第k时刻的负序电流不平衡度；εI0nk为第n个节点在第k时刻的零序电流不平衡度；
所述目标函数中，最小化换相开关动作次数为：
Figure FDA0003855688200000021
式中，J为配电台区单相用户总数，mj(k)为第j个用户在第k时刻换相开关动作次数；
对目标函数进行去量纲归一化处理，将其转化为适应度函数：
Figure FDA0003855688200000022
式中，x1n为根节点到节点之间的阻抗有效值，εI2n为换相后第n个节点处负序电流不平衡度；
Figure FDA0003855688200000023
为换相前第n个节点处负序电流不平衡度；εI0n为换相后第n个节点处零序电流不平衡度；
Figure FDA0003855688200000024
为换相前第n个节点处零序电流不平衡度；换相开关部分去量纲时，M′为所安装换相开关的数量；d为换相开关的换相次数。
2.如权利要求1所述的一种基于粒子群优化算法的换相开关优化配置方法，其特征在于，对多目标函数采用加权处理，最小化三相不平衡度的目标函数权重大于最小化换相开关动作次数的目标函数权重。
3.如权利要求1所述的一种基于粒子群优化算法的换相开关优化配置方法，其特征在于，所述粒子群优化算法求解过程包括：
构建换相开关的负荷相序向量以及每个负荷点粒子的开关状态矩阵，所述负荷相序向量中每一维表示换相开关切换到三相的某一相；
初始化粒子种群，将目标函数转换为基于权重的单目标函数，对单目标函数迭代求解适应度值，得到换相开关最优开关动作；
对参与换相的负荷的换相次数进行排序，得到参与换相的高频率负荷，根据换相开关数量，选取对应的负荷即为换相开关的安装位置。
4.如权利要求3所述的一种基于粒子群优化算法的换相开关优化配置方法，其特征在于，根据初始粒子种群的粒子开关状态，计算适应度值，得到全局极值以及全局极值对应的开关状态矩阵；
根据前一次迭代的开关状态矩阵更新粒子种群的粒子速度和位置，依次迭代计算适应度值，更新全局极值，直至迭代结束，输出换相开关最优开关状态。
5.一种基于粒子群优化算法的换相开关优化配置系统，其特征在于，包括：
模型构建模块，用于根据用户负荷功率和配电网拓扑节点阻抗构建换相开关配置模型；
求解模块，用于以最小化三相不平衡度和换相开关动作次数为目标函数，利用粒子群优化算法对换相开关配置模型求解，得到换相开关最优开关动作；
执行模块，用于根据换相开关最优开关动作执行前后负荷的变化确定参与换相的负荷；
选择模块，用于对参与换相的负荷换相次数排序，换相次数最多的负荷所处位置即为换相开关的安装位置；
根据用户负荷功率和三相负荷线电流，分别构建用户负荷功率与正序电流分量、用户负荷功率与负序电流分量的对应关系，并以此得到三相负荷的正序电流有效值和负序电流有效值；
根据正序电流有效值和负序电流有效值得到负序电流不平衡度和零序电流不平衡度；
根据负序电流不平衡度、零序电流不平衡度和配电网拓扑节点阻抗构建换相开关配置模型；
所述目标函数中，最小化三相不平衡度为：
Figure FDA0003855688200000041
其中，x1nk为根节点到节点n在第k时刻的阻抗有效值；N为配电网节点总数；εI2nk为第n个节点在第k时刻的负序电流不平衡度；εI0nk为第n个节点在第k时刻的零序电流不平衡度；
所述目标函数中，最小化换相开关动作次数为：
Figure FDA0003855688200000042
式中，J为配电台区单相用户总数，mj(k)为第j个用户在第k时刻换相开关动作次数；
对目标函数进行去量纲归一化处理，将其转化为适应度函数：
Figure FDA0003855688200000043
式中，x1n为根节点到节点之间的阻抗有效值，εI2n为换相后第n个节点处负序电流不平衡度；
Figure FDA0003855688200000044
为换相前第n个节点处负序电流不平衡度；εI0n为换相后第n个节点处零序电流不平衡度；
Figure FDA0003855688200000045
为换相前第n个节点处零序电流不平衡度；换相开关部分去量纲时，M′为所安装换相开关的数量；d为换相开关的换相次数。
6.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-4任一项所述的方法。
CN202011134337.3A 2020-10-21 2020-10-21 一种基于粒子群优化算法的换相开关优化配置方法及系统 Active CN112290544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011134337.3A CN112290544B (zh) 2020-10-21 2020-10-21 一种基于粒子群优化算法的换相开关优化配置方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011134337.3A CN112290544B (zh) 2020-10-21 2020-10-21 一种基于粒子群优化算法的换相开关优化配置方法及系统

Publications (2)

Publication Number Publication Date
CN112290544A CN112290544A (zh) 2021-01-29
CN112290544B true CN112290544B (zh) 2022-11-01

Family

ID=74424613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011134337.3A Active CN112290544B (zh) 2020-10-21 2020-10-21 一种基于粒子群优化算法的换相开关优化配置方法及系统

Country Status (1)

Country Link
CN (1) CN112290544B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114865602B (zh) * 2022-05-05 2023-03-31 国网安徽省电力有限公司 一种基于5g通信和改进dtw的配电网差动保护算法
CN115102195A (zh) * 2022-07-18 2022-09-23 山东农业工程学院 一种基于农村电网的三相负荷不平衡治理方法及装置
CN115021287A (zh) * 2022-08-08 2022-09-06 南昌工程学院 三相不平衡治理的换相方法、系统、存储介质及设备
CN117688886B (zh) * 2024-02-02 2024-04-30 中国人民解放军陆军装甲兵学院 一种无线电能传输系统补偿电路参数优化方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2562399A (en) * 1998-02-26 1999-09-15 Trace Technologies Voltage controller for supply of three-phase unbalanced load from static inverter
CN104158198A (zh) * 2013-05-15 2014-11-19 株式会社日立制作所 配电网优化潮流控制装置和方法
CN110058157B (zh) * 2019-04-30 2021-06-04 杭州安脉盛智能技术有限公司 基于对称分量法和多维指标融合的电机监测方法及系统
CN111478345B (zh) * 2020-04-13 2021-08-17 山东建筑大学 一种低压配电系统智能换相开关配置方法及系统

Also Published As

Publication number Publication date
CN112290544A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN112290544B (zh) 一种基于粒子群优化算法的换相开关优化配置方法及系统
JP7412423B2 (ja) ニューラルネットワークによる負荷予測方法及び装置
Niknam et al. Scenario-based multiobjective distribution feeder reconfiguration considering wind power using adaptive modified particle swarm optimisation
Atteya et al. Radial distribution network reconfiguration for power losses reduction using a modified particle swarm optimisation
CN108306298B (zh) 一种柔性多状态开关接入配电网的设计方法
de Macêdo Braz et al. Distribution network reconfiguration using genetic algorithms with sequential encoding: Subtractive and additive approaches
Radu et al. A multi-objective genetic algorithm approach to optimal allocation of multi-type FACTS devices for power systems security
CN105321003B (zh) 一种含vsc-hvdc的交直流系统多目标潮流优化方法
TWI436230B (zh) 直流微電網最佳化線損分析方法
CN104134104A (zh) 一种基于多目标优化的配电网络重构优化方法
CN108462194B (zh) 一种针对低压配电网三相负荷不平衡的广域优化方法
CN108539766B (zh) 基于协同进化的三相不平衡虚拟电阻优化方法
CN111917111B (zh) 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质
CN115146872A (zh) 配电网中可调资源的灵活性聚合方法、装置、设备及介质
CN114709831A (zh) 考虑储能和光伏无功出力的分布式储能规划方法及系统
CN111193295A (zh) 一种考虑动态重构的配网灵活性提升鲁棒优化调度方法
CN115764933B (zh) 一种考虑三相电流不平衡的智能换相方法和系统
CN111478345B (zh) 一种低压配电系统智能换相开关配置方法及系统
CN108347057A (zh) 一种含lcc-mmc混合直流电网的交直流电力系统潮流计算方法
CN112701700B (zh) 一种基于多目标优化的台区三相不平衡治理方法和系统
CN115133540B (zh) 一种配电网无模型的实时电压控制方法
Tatipally et al. Swarm intelligence methods for optimal network reconfiguration of distribution system
Teshome et al. An improved distribution system reconfiguration using hybrid GA with PSO
Li et al. Multi-objective distribution network reconfiguration based on system homogeneity
Liu et al. A distribution network restoration decision support algorithm based on multi-agent system

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