CN112446175B - 基于配电网概率潮流计算的分布式电源选址优化方法 - Google Patents

基于配电网概率潮流计算的分布式电源选址优化方法 Download PDF

Info

Publication number
CN112446175B
CN112446175B CN202011390184.9A CN202011390184A CN112446175B CN 112446175 B CN112446175 B CN 112446175B CN 202011390184 A CN202011390184 A CN 202011390184A CN 112446175 B CN112446175 B CN 112446175B
Authority
CN
China
Prior art keywords
distribution network
node
power supply
power distribution
voltage
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
CN202011390184.9A
Other languages
English (en)
Other versions
CN112446175A (zh
Inventor
周嘉
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.)
Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
Original Assignee
Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
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 Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co filed Critical Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
Priority to CN202011390184.9A priority Critical patent/CN112446175B/zh
Publication of CN112446175A publication Critical patent/CN112446175A/zh
Application granted granted Critical
Publication of CN112446175B publication Critical patent/CN112446175B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid 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
    • 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
    • H02J2203/10—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]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明揭示了一种基于配电网概率潮流计算的分布式电源选址优化方法，所述方法包括：S1、构建考虑配电网动态特性的多目标优化模型；S2、通过拉丁超立方采样法从原始数据中抽取样本；S3、以采样的样本作为输入，对不同运行状态下的配电网进行概率潮流计算；S4、基于向量评估遗传算法对分布式电源选址进行方案优化。本发明有助于配电网规划人员合理安排分布式光伏电源的布点和运行方式，有助于提高配电网规划决策的科学性，有助于充分利用分布式电源接入时对电压的抬升作用，进而降低网络损耗，提高供电稳定性。

Description

基于配电网概率潮流计算的分布式电源选址优化方法
技术领域
本发明属于电源规划技术领域，具体涉及一种基于配电网概率潮流计算的分布式电源选址优化方法。
背景技术
随着分布式发电技术迅速发展，光伏等分布式电源(Distributed Generation,DG)接入配电网所带来的问题也不可忽视。一方面，由于光伏发电与负荷需求在时序上不匹配，导致地区配电网潮流的随机性增大，进而降低配电网电压质量，影响电网运行的安全性；另一方面，分布式光伏电源接入电网，可能增加配电网网损，影响电网运行的经济性。同时，随着分布式电源在配电网中的渗透率不断增加，传统配电网辐射状的结构被改变。
因此，相较于辐射状的配电网，含分布式电源的配电网规划难度更大。研究结果表明，负荷节点电压变化与分布式电源接入点和母线间的距离、接入容量以及有功、无功配比密切相关。合理的规划分布式电源接入位置、接入容量，以及有效的协调分布式电源输出的有、无功配比，能使得分布式电源出力对配电网电压，尤其是末端电压起到良好的支撑作用。所以，科学、智能的分布式电源布点规划方案，将可以降低分布式电源对配电网安全和经济运行的影响。
配电系统的拓扑结构、线路参数和分布式电源的接入点、装机容量决定了分布式电源接入对网络损耗、电能质量以及可靠性的影响。准确、实时的配电网拓扑和线路物理参数可以为分布式电源规划问题提供可感知的配电网状态，为量化分析分布式电源接入对配电网的影响提供数据基础。
因此，针对上述技术问题，有必要提供一种基于配电网概率潮流计算的分布式电源选址优化方法。
发明内容
有鉴于此，本发明的目的在于提供一种基于配电网概率潮流计算的分布式电源选址优化方法，本发明能够对分布式电源接入系统后对配电网的影响做出客观而且科学的评估，从而为光伏等领域的规划决策提供可靠的数据辅助。
为了实现上述目的，本发明一实施例提供的技术方案如下：
一种基于配电网概率潮流计算的分布式电源选址优化方法，所述方法包括：
S1、构建考虑配电网动态特性的多目标优化模型；
S2、通过拉丁超立方采样法从原始数据中抽取样本；
S3、以采样的样本作为输入，对不同运行状态下的配电网进行概率潮流计算；
S4、基于向量评估遗传算法对分布式电源选址进行方案优化。
一实施例中，所述步骤S1中的多目标优化模型为基于网络损耗和电压质量的SOP模型。
一实施例中，所述SOP模型的目标函数为：
Figure BDA0002812066140000021
其中，NS为描述多时空配电网运行状态的场景数量；Nnode为测试系统中节点的个数；Nline为系统中线路的条数；Ptotal为线路的总传输功率；VQ1为节点的电压偏差率指标，其表达式如下：
Figure BDA0002812066140000022
其中，Ui为系统中第i个节点的电压，UN为该节点的电压标称值；VQ2为节点的电压波动率指标，其表达式如下：
Figure BDA0002812066140000031
其中，Vmax为系统内节点电压最大值；Vmin为系统内节点电压最小值；Vmean为系统内节点电压平均值；Ploss为单条支路损耗，其表达式如下：
Figure BDA0002812066140000032
其中，SGi为接入分布式电源后节点i的注入功率；SLi为节点i的负荷；PGi和QGi分别为电源在节点i的有功和无功；PLi和QLi分别为节点i的有功负荷和无功负荷；Ui为节点i的电压。
一实施例中，所述SOP模型的约束条件为：
Figure BDA0002812066140000033
Figure BDA0002812066140000034
Figure BDA0002812066140000035
Pij≤Pijmax
其中，Gij和Bij为节点i与节点j之间的线路导纳；θij为节点i与节点j之间的相角差；
Figure BDA0002812066140000036
和
Figure BDA0002812066140000037
分别为节点i的电压Ui的下限和上限。
一实施例中，所述步骤S2具体为：
获取并清洗含分布式电源接入的配电网中母线电压、配变负荷以及电源出力一年的历史数据，作为原始数据；
采用拉丁超立方采样法从原始数据中抽取N个样本，作为配电网概率潮流计算的网络运行状态。
一实施例中，所述拉丁超立方采样法具体包括：
采样，对每个输入随机变量进行采样，确保随机分布区域能够被采样点完全覆盖；
排对，改变各随机变量采样值的排列顺序，使相互独立的随机变量的采样值的相关性趋于最小。
一实施例中，所述步骤S2还包括：
如果配电网拓扑未知，依据配电网历史运行数据辨识配电网拓扑，作为概率潮流计算的拓扑基础。
一实施例中，所述步骤S3具体为：
以采样的样本作为输入，利用蒙特卡洛模拟法对不同运行状态下的配电网进行概率潮流计算，将分布式电源选址的动态多目标优化问题转化为多场景的静态多目标优化问题。
一实施例中，所述步骤S4具体为：
针对SOP模型的目标函数产生对应的粒子种群；
在未达到最大迭代次数的情况下，以目标函数为种群的评价函数，对每个粒子的适应度进行评价，选择出适应度高的粒子；
将所有种群中适应度高的粒子放入交叉池，随机选择种群中各的属性进行两两交叉，直到新的个体依然满足SOP模型的约束条件；
在新的粒子满足约束条件情况下，将变异算子作用于种群直到未达到最大变异次数，由此得到下一代群体；
循环执行上述步骤，直到满足规定的循环次数或判断条件，此时算法输出的解即为对目标函数适应度最大的Pareto解。
一实施例中，所述步骤S4还包括：
依据得到的Pareto解来确定分布式电源的接入点。
本发明具有以下有益效果：
由于配电网中负荷和光伏发电量是动态变化的，DG选址优化本质上是一个动态多目标优化问题，本发明利用蒙特卡洛模拟法把DG选址这一动态多目标优化问题转化为多场景的静态多目标优化(SOP)问题进行分析；
本发明为DG选址优化提供了合理的方法，提出的基于向量评估遗传算法的DG接入方案优化技术具有较强的实用性，有助于配电网规划人员合理安排分布式光伏电源的布点和运行方式，有助于提高配电网规划决策的科学性，有助于充分利用分布式电源接入时对电压的抬升作用，进而降低网络损耗，提高供电稳定性；
将本发明提出的方案应用到DG选址过程中，对于广泛地提升用户电压合格率、实现节能减排具有重要意义。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明分布式电源选址优化方法的流程示意图；
图2为本发明一具体实施例中配电网的拓扑结构图；
图3为本发明一具体实施例中概率潮流计算的结果示意图；
图4为本发明一具体实施例中采用VEGA算法搜寻最优解的流程图；
图5a、5b为发明一具体实施例中初始粒子群指标空间及最终Pareto解集。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
参图1所示，本发明公开了一种基于配电网概率潮流计算的分布式电源选址优化方法，包括：
S1、构建考虑配电网动态特性的多目标优化模型；
S2、通过拉丁超立方采样法从原始数据中抽取样本；
S3、以采样的样本作为输入，对不同运行状态下的配电网进行概率潮流计算；
S4、基于向量评估遗传算法对分布式电源选址进行方案优化。
本发明首先构建考虑配电网动态特性的多目标优化模型，以配电网供电的经济性和稳定性为目标，制定了多目标优化问题的目标函数和约束条件。接着，分析了负荷、光伏出力的时序性波动规律，并提出利用概率潮流的方式将动态多目标规划转化为静态多目标优化。然后，对多时空的含光伏电源配电网实际历史运行数据进行拉丁超立方采样，利用蒙特卡洛模拟法计算概率潮流。在概率潮流计算过程中，考虑了配电网拓扑、线路参数的动态特性，避免了单一网架结构对DG接入方案评价的局限性。最后采用概率潮流计算结果对不同的接入方案评分，并结合向量评估遗传算法得到考虑配网拓扑线路动态特性的分布式光伏电源选址优化方案。
在本发明的一具体实施例中，采用真实世界中15节点含分布式电源的10kV配电网作为仿真算例的基础网络，网络的拓扑结构如图2所示。配电网拓扑包含两条由联络开关连接的馈线，线路的电压等级为10kV，馈线上共13个用户、11条线路段，有2个断路器、3个分段开关和1个联络开关。在正常运行的情况下，在上述的6个开关中，有且仅有1个开关处于断开状态，其余开关闭合。
以下对本实施例中的分布式电源选址优化方法进行详细说明。
步骤S1、构建考虑配电网动态特性的多目标优化模型。
首先，构建考虑配电网动态特性的多目标优化模型，DG选址优化的静态多目标优化问题(Static Optimization Problem,SOP)模型的构建主要包括确定约束条件和确定目标函数两个步骤。具体而言，网络损耗、电压质量是衡量配电网运行状态的两项重要指标，但DG的选址往往不能同时使这两项指标达到最优水平，为协调它们之间的矛盾，建立了基于网络损耗和电压质量的SOP模型，SOP的目标函数为：
Figure BDA0002812066140000071
其中，NS为描述多时空配电网运行状态的场景数量；Nnode为测试系统中节点的个数；Nline为系统中线路的条数；Ptotal为线路的总传输功率；VQ1为节点的电压偏差率指标，其表达式如下：
Figure BDA0002812066140000072
其中，Ui为系统中第i个节点的电压，UN为该节点的电压标称值；VQ2为节点的电压波动率指标，其表达式如下：
Figure BDA0002812066140000073
其中，Vmax为系统内节点电压最大值；Vmin为系统内节点电压最小值；Vmean为系统内节点电压平均值；Ploss为单条支路损耗，其表达式如下：
Figure BDA0002812066140000074
其中，SGi为接入分布式电源后节点i的注入功率；SLi为节点i的负荷；PGi和QGi分别为电源在节点i的有功和无功；PLi和QLi分别为节点i的有功负荷和无功负荷；Ui为节点i的电压。
考虑到目前国内可再生能源发电项目中，上网电价高于当地脱硫燃煤机组标杆上网电价的部分，是通过向电力用户征收附加电价的方式解决，因此，从配电公司的角度可不必考虑DG的固定投资及运行维护费用。
SOP模型的约束条件为：
Figure BDA0002812066140000081
Figure BDA0002812066140000082
Figure BDA0002812066140000083
Pij≤Pijmax
其中，Gij和Bij为节点i与节点j之间的线路导纳；θij为节点i与节点j之间的相角差；
Figure BDA0002812066140000084
和
Figure BDA0002812066140000085
分别为节点i的电压Ui的下限和上限。
步骤S2、通过拉丁超立方采样法从原始数据中抽取样本。
首先，获取并清洗含分布式电源接入的配电网中母线电压、配变负荷以及电源出力一年的历史数据，作为原始数据；
采用拉丁超立方采样法从原始数据中抽取N个样本，作为配电网概率潮流计算的网络运行状态。
如果配电网拓扑未知，依据配电网历史运行数据辨识配电网拓扑，作为概率潮流计算的拓扑基础。
拉丁超立方采样属于分层采样，是一种有效的用采样值反映随机变量的整体分布的方法。该方法分成以下两步：
1)采样：对每个输入随机变量进行采样，确保随机分布区域能够被采样点完全覆盖；
2)排对：改变各随机变量采样值的排列顺序，使相互独立的随机变量的采样值的相关性趋于最小。
拉丁超立方采样优于随机采样的原因是它确保采样值能够覆盖输入随机变量的整个分布区间，在采样规模相同的情况下，误差有很大改善；误差收敛的稳健性比随机采样好，可以得到较为稳定的收敛精度；并且，拉丁超立方采样在估计输出随机变量的期望值时特别有效。对于相同的采样规模N，用随机采样和拉丁超立方采样得到的2个独立随机变量的联合覆盖空间百分比的期望值分别为：
Figure BDA0002812066140000091
Figure BDA0002812066140000092
上式表明，对于任何N≥2，后者的值总是比前者的值大，例如：当N＝10，由以上2个式子得到的期望值分别为66.9％和81.0％。因此，拉丁超立方采样覆盖的输入随机变量的采样空间总是比随机采样的大。拉丁超立方采样改进了采样策略能够做到以较小的采样规模获得较高的采样精度，在实际应用中具有高效性很受欢迎。
步骤S3、以采样的样本作为输入，对不同运行状态下的配电网进行概率潮流计算。
具体为：
以采样的样本作为输入，利用蒙特卡洛模拟法对不同运行状态下的配电网进行概率潮流计算，将分布式电源选址的动态多目标优化问题转化为多场景的静态多目标优化问题。
由于配电网中负荷和光伏发电量是动态变化的，传统配电自动化系统中确定性潮流计算功能很大程度上不能满足对配网系统运行状态的分析需求。概率潮流最早由Borkowska B提出，可以将动态变化的电力系统状态转化为多个静态场景进行分析，具备综合分析各种不确定性因素对系统运行影响的能力，进而为全面评价DG接入方案提供数据基础，因此更适合应用于DG选址优化。
概率潮流的计算方法主要有三种：近似法、解析法和模拟法。其中，蒙特卡洛模拟法作为一种以概率和统计理论方法为基础的计算方法，在处理大规模随机因素和复杂状态时具有一定的优势，因此本文将利用蒙特卡洛模拟法把DG选址这一动态多目标优化问题转化为多场景的静态多目标优化问题进行分析。
蒙特卡洛模拟法的基本思想是对分布式电源出力、节点有功和无功负荷进行抽样，分别对每种组合进行潮流计算，然后再从潮流结果中统计出潮流的分布情况。蒙特卡罗模拟法把不确定问题转换为一系列确定问题来解决，具有简单、灵活的优点。但是只有在采样规模很大时，才能够保证精度，计算量过大是其主要缺点。
在本实施例中，抽取概率潮流计算样本的做法是先抽取5000组样本，再将这些样本分别输入到线路开关处于6种可能状态组合的配电网拓扑中进行潮流计算，所有潮流计算的迭代方法均为牛顿拉夫逊算法，最终的方案对目标函数的适应度为所有样本经过概率潮流计算得到的适应度的均值。概率潮流计算的结果示例(光伏选址为节点5、11)时概率潮流计算结果如图3所示。
在图3中，竖线标明了节点电压分布范围，线段两边的阴影表示对节点电压统计分布进行核密度估计后的概率密度函数，圆点则是未接入光伏电源时的网络电压分布。从实验结果可以明显看到，光伏电源在不同位置对电压质量的影响不同。在光伏电源接入的位置电压有明显抬升，在线路轻载的情况下会拉高附近接节点的电压，在线路重载情况下会支撑附近节点的电压不越下限，因此分析光伏电源最优接入位置仅仅考虑固定拓扑下的一个场景是远远不够的，应该从多个配电网运行状态下分析多个场景下电压和线损的情况。
步骤S4、基于向量评估遗传算法对分布式电源选址进行方案优化。
基于拉丁超立方采样的概率潮流计算将DG选址规划问题转化为一个静态非线性优化问题，一般来说，静态非线性优化问题的求解方法可以分为四种：穷举法、贪婪算法、数学方法和进化算法。穷举法是列举出所有方案，将它们一一比较，最终得到最优解，穷举法可以得到最好的结果，但计算量大，求解效率低。贪婪算法只枚举部分方案，一旦遇到的解为当前情况的最优时，就将其作为最终结果，因此贪婪算法的求解速度很快，但最优解的质量不高。数学方法是通过非负加权求和把多目标问题转化为单目标问题，基于梯度的方法求解，但这一转化过程本身存在诸多问题：例如各目标之间量纲不统一、各目标的非负权重难以确定、SOP问题的Pareto面可能为非凸等，这些问题都导致转化的单目标问题难以和多目标问题等价，因此无法保证求得的解最优。进化算法是将SOP问题作为向量优化问题，可以解决非凸、不可导、不可微等问题，通过迭代生成、交互的过程求解最优，虽然在目标数量庞大的情况下存在计算时间过长、迭代难以收敛的问题，但在SOP的目标规模不大的情况下，使用进化算法是最好的选择。
进化算法主要包括粒子群算法、模拟退火算法、蚁群算法、遗传算法等。其中，遗传算法在收敛性方面相较于其他进化算法已经有了较成熟的收敛性分析方法，并且可对收敛速度进行估计。而诸如PSO算法在这方面的研究还比较薄弱，尽管已经有简化确定性版本的收敛性分析，但将确定性向随机性的转化尚需进一步研究。并且，在应用方面，大多数仿生学算法主要应用于连续问题，包括神经网络训练和函数优化等，而GA除了连续问题之外，还可应用于离散问题，适用于本文的DG优化选址问题。
为更加鲁棒地处理DG选址这一多目标优化问题，本文采用向量评估遗传算法求取问题的最优解，即DG接入方案。向量评估遗传算法(Vector Evaluate Genetic Algorithm,VEGA)是由Schaffer于1985年提出的一个用于寻找非劣解的多目标进化算法。VEGA通过模仿自然进化机制搜索出全局中的最优解，是遗传算法的多目标版。具有并行搜索全局，过程简单，可扩展性强等特点，适合用于求解本文所提出的分布式电源选址优化问题。
VEGA采用成比例选择机制，循环执行“分割、评价、选择、交叉、变异”过程。本实施例中采用VEGA算法搜寻最优解的流程图如图4所示，包括以下步骤：
首先，针对SOP模型的目标函数产生对应的粒子种群；
接着，在未达到最大迭代次数的情况下，以目标函数为种群的评价函数，对每个粒子的适应度进行评价，选择出适应度高的粒子；
然后，将所有种群中适应度高的粒子放入交叉池，随机选择种群中各的属性进行两两交叉，直到新的个体依然满足SOP模型的约束条件；
最后，在新的粒子满足约束条件情况下，将变异算子作用于种群直到未达到最大变异次数，由此得到下一代群体；
循环执行上述步骤，直到满足规定的循环次数或判断条件，此时算法输出的解即为对目标函数适应度最大的最大的非劣解(亦称Pareto解)。配电网规划人员可以依据得到的Pareto解来确定分布式光伏电源的接入点，达到优化配电网运行，节省发电成本的目的。
在本实施例中，考虑到网络中可选择的接入点不多，为节省计算时间，遗传算法的初始种群数量设置为50，最大进化次数为30次。在光伏接入点数量为2个的情况下，利用向量评估遗传算法计算多目标优化问题的Pareto解集。在进化过程中，粒子群对目标函数的适应度进行追踪分析，进化记录器记录的粒子群指标变化过程如图5a、5b所示。
基于概率潮流计算的结果求得的Pareto解集对目标函数的适应度如表1所示。
表1：Pareto解集对目标函数的适应度
Figure BDA0002812066140000121
从表1的计算结果可以看出光伏接入后配电网的平均电压波动率明显大于平均电压偏差率，这是因为光伏出力与负荷的升降特性有区别而导致的，因此分布式光伏电源接入一定要同时考虑负荷与光伏出力的时序特性，不同负荷类别的配电网光伏最优接入方案也会有所不同。
在本实施例中，以所有不在Pareto解集内的接入方案作为基准值，求得的Pareto解集中的方案在电压偏差率方面平均降低7.3％，在电压波动率方面平均降低6.7％，在线损方面平均降低8.5％。在光伏出力与负荷的升降特性差异很大的配电网，分布式光伏电源接入位置优化效果较为显著。Pareto解集中的接入方案可以更好的发挥多端供电的优势，提高配电网的供电可靠性。
由以上技术方案可以看出，本发明具有以下优点：
由于配电网中负荷和光伏发电量是动态变化的，DG选址优化本质上是一个动态多目标优化问题，本发明利用蒙特卡洛模拟法把DG选址这一动态多目标优化问题转化为多场景的静态多目标优化(SOP)问题进行分析；
本发明为DG选址优化提供了合理的方法，提出的基于向量评估遗传算法的DG接入方案优化技术具有较强的实用性，有助于配电网规划人员合理安排分布式光伏电源的布点和运行方式，有助于提高配电网规划决策的科学性，有助于充分利用分布式电源接入时对电压的抬升作用，进而降低网络损耗，提高供电稳定性；
将本发明提出的方案应用到DG选址过程中，对于广泛地提升用户电压合格率、实现节能减排具有重要意义。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于配电网概率潮流计算的分布式电源选址优化方法，其特征在于，所述方法包括：
S1、构建考虑配电网动态特性的多目标优化模型；
S2、通过拉丁超立方采样法从原始数据中抽取样本；
S3、以采样的样本作为输入，对不同运行状态下的配电网进行概率潮流计算；
S4、基于向量评估遗传算法对分布式电源选址进行方案优化；
所述步骤S1中的多目标优化模型为基于网络损耗和电压质量的SOP模型，SOP模型为静态多目标优化问题模型；
所述SOP模型的目标函数为：
Figure FDA0003668061360000011
其中，NS为描述多时空配电网运行状态的场景数量；Nnode为测试系统中节点的个数；Nline为系统中线路的条数；Ptotal为线路的总传输功率；VQ1为节点的电压偏差率指标，其表达式如下：
Figure FDA0003668061360000012
其中，Ui为系统中第i个节点的电压，UN为该节点的电压标称值；VQ2为节点的电压波动率指标，其表达式如下：
Figure FDA0003668061360000013
其中，Vmax为系统内节点电压最大值；Vmin为系统内节点电压最小值；Vmean为系统内节点电压平均值；Ploss为单条支路损耗，其表达式如下：
Figure FDA0003668061360000021
其中，SGi为接入分布式电源后节点i的注入功率；SLi为节点i的负荷；PGi和QGi分别为电源在节点i的有功和无功；PLi和QLi分别为节点i的有功负荷和无功负荷；Ui为节点i的电压；
所述步骤S2具体为：
获取并清洗含分布式电源接入的配电网中母线电压、配变负荷以及电源出力一年的历史数据，作为原始数据；
采用拉丁超立方采样法从原始数据中抽取N个样本，作为配电网概率潮流计算的网络运行状态。
2.根据权利要求1所述的方法，其特征在于，所述SOP模型的约束条件为：
Figure FDA0003668061360000022
Figure FDA0003668061360000023
Figure FDA0003668061360000024
Pij≤Pijmax
其中，Gij和Bij为节点i与节点j之间的线路导纳；θij为节点i与节点j之间的相角差；
Figure FDA0003668061360000025
和
Figure FDA0003668061360000026
分别为节点i的电压Ui的下限和上限。
3.根据权利要求1所述的方法，其特征在于，所述拉丁超立方采样法具体包括：
采样，对每个输入随机变量进行采样，确保随机分布区域能够被采样点完全覆盖；
排对，改变各随机变量采样值的排列顺序，使相互独立的随机变量的采样值的相关性趋于最小。
4.根据权利要求1所述的方法，其特征在于，所述步骤S2还包括：
如果配电网拓扑未知，依据配电网历史运行数据辨识配电网拓扑，作为概率潮流计算的拓扑基础。
5.根据权利要求1所述的方法，其特征在于，所述步骤S3具体为：
以采样的样本作为输入，利用蒙特卡洛模拟法对不同运行状态下的配电网进行概率潮流计算，将分布式电源选址的动态多目标优化问题转化为多场景的静态多目标优化问题。
6.根据权利要求2所述的方法，其特征在于，所述步骤S4具体为：
针对SOP模型的目标函数产生对应的粒子种群；
在未达到最大迭代次数的情况下，以目标函数为种群的评价函数，对每个粒子的适应度进行评价，选择出适应度高的粒子；
将所有种群中适应度高的粒子放入交叉池，随机选择种群中各的属性进行两两交叉，直到新的个体依然满足SOP模型的约束条件；
在新的粒子满足约束条件情况下，将变异算子作用于种群直到未达到最大变异次数，由此得到下一代群体；
循环执行上述步骤，直到满足规定的循环次数或判断条件，此时算法输出的解即为对目标函数适应度最大的Pareto解。
7.根据权利要求6所述的方法，其特征在于，所述步骤S4还包括：
依据得到的Pareto解来确定分布式电源的接入点。
CN202011390184.9A 2020-12-01 2020-12-01 基于配电网概率潮流计算的分布式电源选址优化方法 Active CN112446175B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011390184.9A CN112446175B (zh) 2020-12-01 2020-12-01 基于配电网概率潮流计算的分布式电源选址优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011390184.9A CN112446175B (zh) 2020-12-01 2020-12-01 基于配电网概率潮流计算的分布式电源选址优化方法

Publications (2)

Publication Number Publication Date
CN112446175A CN112446175A (zh) 2021-03-05
CN112446175B true CN112446175B (zh) 2022-07-12

Family

ID=74739528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011390184.9A Active CN112446175B (zh) 2020-12-01 2020-12-01 基于配电网概率潮流计算的分布式电源选址优化方法

Country Status (1)

Country Link
CN (1) CN112446175B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113742994A (zh) * 2021-07-28 2021-12-03 广东电网有限责任公司 一种含分布式电源的配电网多目标优化方法
CN115173421B (zh) * 2022-07-30 2023-07-21 重庆大学 一种基于渐进拉丁超立方采样的概率最优潮流计算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376410A (zh) * 2014-11-06 2015-02-25 国家电网公司 一种配电网中分布式电源的规划方法
CN105305490A (zh) * 2015-10-26 2016-02-03 国网天津市电力公司 一种考虑电能质量经济性最优的有源配电网规划方法
CN108446805A (zh) * 2018-04-02 2018-08-24 国网江西省电力有限公司电力科学研究院 一种计及供电可靠性的多目标分布式电源选址定容方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376410A (zh) * 2014-11-06 2015-02-25 国家电网公司 一种配电网中分布式电源的规划方法
CN105305490A (zh) * 2015-10-26 2016-02-03 国网天津市电力公司 一种考虑电能质量经济性最优的有源配电网规划方法
CN108446805A (zh) * 2018-04-02 2018-08-24 国网江西省电力有限公司电力科学研究院 一种计及供电可靠性的多目标分布式电源选址定容方法

Also Published As

Publication number Publication date
CN112446175A (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
Yan et al. Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria
CN112994017A (zh) 基于配电网概率潮流计算的分布式光伏电源选址优化方法
Pezzini et al. Optimization techniques to improve energy efficiency in power systems
Maghouli et al. A scenario-based multi-objective model for multi-stage transmission expansion planning
CN107612016B (zh) 基于电压最大相关熵的配电网中分布式电源的规划方法
CN105449713A (zh) 考虑分布式电源特性的有源配电网智能软开关规划方法
CN105305490A (zh) 一种考虑电能质量经济性最优的有源配电网规划方法
Wan et al. Data-driven hierarchical optimal allocation of battery energy storage system
Jain et al. Planning and impact evaluation of distributed generators in Indian context using multi-objective particle swarm optimization
Zhang et al. Equilibrium-inspired multiagent optimizer with extreme transfer learning for decentralized optimal carbon-energy combined-flow of large-scale power systems
CN112446175B (zh) 基于配电网概率潮流计算的分布式电源选址优化方法
CN104408562A (zh) 一种基于bp神经网络的光伏系统发电效率综合评估方法
CN114066315A (zh) 一种适应多元源荷接入的配电网规划系统
CN112149264A (zh) 一种基于改进哈里斯鹰优化算法的主动配电网规划方法
Chang et al. Feature extraction of non-intrusive load-monitoring system using genetic algorithm in smart meters
CN113139596A (zh) 低压台区线损神经网络的优化算法
Huang et al. An efficient probabilistic approach based on area grey incidence decision making for optimal distributed generation planning
CN109066819A (zh) 一种基于案件推理的配电网的无功优化方法
CN110363334A (zh) 基于灰色神经网络模型的光伏并网的电网线损预测方法
CN108009684A (zh) 一种包含短期负荷预测的微电网并网状态能量管理方法
CN115733191A (zh) 一种源网荷储系统互动协调优化方法、系统及存储介质
CN114240069A (zh) 一种基于回归学习与特征挖掘的电网在线风险计算方法
CN108110756A (zh) 考虑不确定性因素的工业园区配电网规划方法
CN111293687A (zh) 一种基于三维粒子群算法的分布式电源选址定容的方法
Domínguez et al. Analysis of electric power consumption using Self-Organizing Maps.

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