CN113256055A - 配电网多元接入体规划方法及终端设备 - Google Patents

配电网多元接入体规划方法及终端设备 Download PDF

Info

Publication number
CN113256055A
CN113256055A CN202110348370.4A CN202110348370A CN113256055A CN 113256055 A CN113256055 A CN 113256055A CN 202110348370 A CN202110348370 A CN 202110348370A CN 113256055 A CN113256055 A CN 113256055A
Authority
CN
China
Prior art keywords
planning
scheme
scheme set
preset
schemes
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.)
Granted
Application number
CN202110348370.4A
Other languages
English (en)
Other versions
CN113256055B (zh
Inventor
李梦宇
刘林青
刘云龙
康之增
段子荷
安亚刚
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
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
Marketing Service Center of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
Marketing Service Center of State Grid Hebei 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, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, Marketing Service Center of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110348370.4A priority Critical patent/CN113256055B/zh
Publication of CN113256055A publication Critical patent/CN113256055A/zh
Application granted granted Critical
Publication of CN113256055B publication Critical patent/CN113256055B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (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)

Abstract

本发明适用于配电网技术领域，公开了一种配电网多元接入体规划方法及终端设备，上述方法包括S1：获取初始方案集；S2：对初始方案集中的方案进行交叉和变异操作得到多个新的方案，并将多个新的方案并入初始方案集得到第一方案集；S3：基于非劣排序遗传算法，根据预设可扩展潜力预测模型和预设日运行成本预测模型从第一方案集中选取第一预设数量的规划方案得到第二方案集；S4：若第二方案集与初始方案集相同或当前迭代次数达到预设次数，则根据第二方案集得到最优规划方案；否则，将第二方案集作为新的初始方案集，将当前迭代次数加1，并跳转至S2的步骤循环执行；S5：根据最优规划方案进行配电网规划。本发明能准确得到最优规划方案。

Description

配电网多元接入体规划方法及终端设备
技术领域
本发明属于配电网技术领域，尤其涉及一种配电网多元接入体规划方法及终端设备。
背景技术
配电网多元接入体指配电网中接入的微电网、综合能源系统、分布式光伏以及分布式风电等几种不同的新能源消纳形式。然而，大规模的多元接入体接入配电网对于配电网的安全稳定运行可能产生威胁。
传统的配电网多元接入体规划方法的准确性较低，无法找到最优的规划方案。
发明内容
有鉴于此，本发明实施例提供了一种配电网多元接入体规划方法及终端设备，以解决现有技术准确性较低，无法找到最优的规划方案的问题。
本发明实施例的第一方面提供了一种配电网多元接入体规划方法，包括：
S1：获取初始方案集，初始方案集包括第一预设数量的规划方案；
S2：对初始方案集中的规划方案进行交叉和变异操作，得到多个新的方案，并将多个新的方案并入初始方案集得到第一方案集；
S3：基于非劣排序遗传算法，根据预设可扩展潜力预测模型和预设日运行成本预测模型，从第一方案集中选取第一预设数量的规划方案得到第二方案集；
S4：若第二方案集与初始方案集相同或当前迭代次数达到预设次数，则根据第二方案集得到最优规划方案；否则，将第二方案集作为新的初始方案集，将当前迭代次数加1，并跳转至S2的步骤循环执行；
S5：根据最优规划方案进行配电网规划。
本发明实施例的第二方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面所述的配电网多元接入体规划方法的步骤。
本发明实施例的第三方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被一个或多个处理器执行时实现如第一方面所述的配电网多元接入体规划方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例通过获取初始方案集，对初始方案集中的规划方案进行交叉和变异操作，得到多个新的方案，并将多个新的方案并入初始方案集得到第一方案集，基于非劣排序遗传算法，根据预设可扩展潜力预测模型和预设日运行成本预测模型，从第一方案集中选取第一预设数量的规划方案得到第二方案集，若第二方案集与初始方案集相同或当前迭代次数达到预设次数，则根据第二方案集得到最优规划方案；否则，将第二方案集作为新的初始方案集，将当前迭代次数加1，并跳转至对初始方案集中的规划方案进行交叉和变异操作，得到多个新的方案的步骤循环执行，最后根据最优规划方案进行配电网规划，可以准确得到最优规划方案。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的多元接入体接入配电网的示意图；
图2是本发明一实施例提供的配电网多元接入体规划方法的实现流程示意图；
图3是本发明一实施例提供的交叉与变异操作的示意图；
图4是本发明一实施例提供的帕累托前沿与修正后的拥挤距离的示意图；
图5是本发明一实施例提供的由第一方案集生成第二方案集的示意图；
图6是本发明一实施例提供的配电网多元接入体规划装置的示意框图；
图7是本发明一实施例提供的终端设备的示意框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明一实施例提供的多元接入体接入配电网的示意图，如图1所示，多元接入体可以包括综合能源系统、微电网、分布式风电和分布式光伏等。
图2是本发明一实施例提供的配电网多元接入体规划方法的实现流程示意图，为了便于说明，仅示出了与本发明实施例相关的部分。本发明实施例的执行主体可以是终端设备。
如图2所示，上述配电网多元接入体规划方法可以包括以下步骤：
S1：获取初始方案集，初始方案集包括第一预设数量的规划方案。
在本发明的一个实施例中，上述S1可以包括以下步骤：
随机生成多元接入体接入配电网的多个规划方案，并根据多个规划方案和已有规划方案得到第一待选方案集；
获取第一待选方案集中的各个规划方案的置信度，并从第一待选方案集中选取置信度大于预设阈值的规划方案，作为第二待选方案集；
根据
Figure BDA0003001440110000031
计算第二待选方案集中的每个规划方案的保留个数；其中，
Figure BDA0003001440110000032
为第二待选方案集中第z个规划方案的保留个数；δz为第二待选方案集中第z个规划方案的置信度；Nopt为第二待选方案集中的规划方案的预设置入总数；nopt为第二待选方案集中的规划方案的数量，
Figure BDA0003001440110000041
为向下取整运算符；
根据第二待选方案集中的每个规划方案的保留个数和第二待选方案集，生成第三待选方案集；
若第三待选方案集中的规划方案的数量不小于第一预设数量，则按照置信度由大到小的顺序从第三待选方案集中选取第一预设数量的规划方案，得到初始方案集；
若第三待选方案集中的规划方案的数量小于第一预设数量，则按照置信度由大到小的顺序从第一待选方案集的剩余规划方案中选取第二预设数量的规划方案，并根据第三待选方案集和第二预设数量的规划方案得到初始方案集；第二预设数量为第一预设数量减去第三待选方案集中的规划方案的数量。
在本发明实施例中，一个规划方案是指一个由整数组成的向量，向量中元素的个数等于配电网中规划的多元接入体接入节点的数量，每一个元素的值代表该节点多元接入体的类型。配电网中规划的多元接入体接入节点的数量可以是预先确定的。
将多元接入体的类型和节点进行随机组合生成规划方案即为随机生成规划方案。已有规划方案是指现在已经具有的规划方案，可以包括之前实际投入使用的规划方案和之前根据某些算法生成的规划方案等。已有规划方案中可能会包含一些有益信息，使迭代加速收敛，因此，已有规划方案的置信度可能会比随机生成的规划方案的置信度高。各个规划方案的置信度可以根据现有方法计算得到，也可以是通过专家人为给定。
可选地，随机生成的规划方案的数量可以是第一预设数量。第一预设数量可以根据实际需求进行设置，例如，可以是50。
若没有已有规划方案，则随机生成的多个规划方案形成第一待选方案集；若存在已有规划方案，则随机生成的多个规划方案与已有规划方案形成第一待选方案集。第一待选方案集中的规划方案的数量大于或等于第一预设数量。
从第一待选方案集中选取出一些较优的规划方案，作为第二待选方案集。可以是选取置信度大于预设阈值的规划方案，也可以是按照置信度由大到小的顺序选取第三预设数量的规划方案。预设阈值和第三预设数量可以根据实际需求设置。第三预设数量小于第一预设数量。
根据公式计算出第二待选方案集中的每个规划方案可以保留的个数。示例性地，若某个规划方案的保留个数为2，则增加一个该规划方案；若某个规划方案的保留个数为3，则增加两个该规划方案；若某个规划方案的保留个数为1，则只保留第二待选方案集中已有的该规划方案，等等。
根据第二待选方案集中的每个规划方案的保留个数和第二待选方案集，生成第三待选方案集，即，根据第二待选方案集中的每个规划方案的保留个数，在第三待选方案集中生成对应个数的该规划方案。第二待选方案集中的每个规划方案的保留个数的和为第三待选方案集中的规划方案的数量。
在本发明实施例中，第一待选方案集的剩余规划方案为第一待选方案集中除了已被选取作为第二待选方案集中的规划方案外的规划方案。
在初始化方案集中时，需要考虑一些关键信息对于规划方案的影响，例如，某些关键节点环境条件的影响，关键线路与边界条件，微电网、综合能源系统、分布式光伏、分布式风电考虑接入待选定若干节点(受一次能源分布的地理位置限制)等，一些已有规划方案或预制定的较优方案相比于随机方案由于考虑了某些约束，会存在更多的优质信息，因此应当给予各个规划方案不同的置信度，置信度越大的方案应越多的被保留在初始方案集中，相比于全随机生成初始方案集，采用置信度将可以加速迭代收敛。
可选地，Nopt可以根据实际需求进行设置，例如，可以是nopt的1～2倍之间的数量，可以不大于第一预设数量的1/3。δz是正实数，该值越大表示对应的规划方案含更多优质信息的可信度越高。
S2：对初始方案集中的规划方案进行交叉和变异操作，得到多个新的方案，并将多个新的方案并入初始方案集得到第一方案集。
参见图3，父代方案集Ci即为初始方案集，子代方案集Di即为上述多个新的方案的集合。Ci1、Ci2和Ci3均是初始方案集中的规划方案，Di1、Di2和Di3均是通过交叉或变异操作生成的新的规划方案。
可选地，通过交叉和变异操作得到的新的方案的数量可以与初始方案集中的方案数量相等。
具体地，实数编码的交叉操作为：
x1j(t)＝0.5×[(1+γj)x1j(t)+(1-γj)x2j(t)]
x2j(t)＝0.5×[(1-γj)x1j(t)+(1+γj)x2j(t)]
其中，
Figure BDA0003001440110000061
多项式变异操作为：
x1j(t)＝x1j(t)+Δj
其中，
Figure BDA0003001440110000062
并且0≤uj≤1。
初始方案集与生成的新的方案合并为第一方案集。
S3：基于非劣排序遗传算法，根据预设可扩展潜力预测模型和预设日运行成本预测模型，从第一方案集中选取第一预设数量的规划方案得到第二方案集。
在本发明的一个实施例中，预设可扩展潜力预测模型以可扩展功率裕度最大为目标函数，以潮流约束、节点电压约束以及节点规划功率裕度约束为约束条件；
预设日运行成本预测模型以日运行成本最小为目标函数，以负荷约束、发电机约束以及电力系统约束为约束条件。
在本发明的一个实施例中，预设可扩展潜力预测模型的目标函数为：
Figure BDA0003001440110000071
潮流约束为：
Figure BDA0003001440110000072
Figure BDA0003001440110000073
节点电压约束为：
Vi.min≤Vi≤Vi.max
节点规划功率裕度约束为：
Pi≥Pi0
其中，Pi为第i个节点的最大接入功率；Pi0为第i个节点接入功率的规划值；m为配电网中规划的多元接入体接入节点的数量；PGi为第i个节点发电机有功功率注入值；PLi为第i个节点负荷的有功功率；QGi为第i个节点发电机无功功率注入值；QLi为第i个节点负荷的无功功率；Vi为第i个节点的电压；Vj为第j个节点的电压；n为配电网中节点的数量；Gij为第i个节点和第j个节点之间的线路的电导；Bij为第i个节点和第j个节点之间的线路的电纳；θij为第i个节点和第j个节点之间的相角差；Vi.min为第i个节点的电压的最小值；Vi.max为第i个节点的电压的最大值；
预设日运行成本预测模型的目标函数为：
Figure BDA0003001440110000074
其中，CB,i为第i个节点所接入的多元接入体的建设成本；ni为第i个节点所接入的多元接入体的规划使用年限；CD,i为第i个节点所接入的多元接入体的弃风、弃光日成本；CE,i为第i个节点向外购电日成本；CGen,i为第i个节点的日发电成本；
负荷约束为：
PGmin≤KLPL≤PGmax
其中，PGmin为多元接入体的发电机最小出力；PGmax为多元接入体的发电机最大出力；PL为负荷大小；KL为考虑未来负荷增长的发展系数；
发电机约束包括发电机出力约束、发电机出力爬坡约束和新能源机组的出力约束；
发电机出力约束为：
Figure BDA0003001440110000081
其中，
Figure BDA0003001440110000082
为第i个节点所接入的多元接入体的发电机组在t时刻的预计出力；Pi min为第i个节点所接入的多元接入体的发电机组的最小出力；Pi max为第i个节点所接入的多元接入体的发电机组的最大出力；
发电机出力爬坡约束为：
Figure BDA0003001440110000083
其中，rdown为发电机组的向下爬坡速率；rup为发电机组的向上爬坡速率；Δt为时刻间隔；
新能源机组的出力约束为：
Figure BDA0003001440110000084
其中，Pt sw为分布式新能源机组t时刻的运行出力；
Figure BDA0003001440110000085
为分布式新能源机组t时刻的预计最大出力；
电力系统约束包括潮流约束和节点电压约束。
其中，CB,i为第i个节点所接入的多元接入体的建设成本，为一次性投资，均摊到每日。
CD,i＝∑λi,tPDt，为弃风、弃光电量QD＝PDt乘以该地此时刻电价λi,t。其中，PD为弃风、弃光功率，t为一天的时间。
CE,i＝∑λi,tPEt，为向外购电电量QE＝PEt乘以此时刻电价λi,t。其中，PE为向外购电功率。
CGen,i＝KGenQGen，主要指综合能源系统中购气成本，为燃料系数KGen乘以日发电总量QGen。
在本发明的一个实施例中，非劣排序遗传算法包括非劣排序算法和含修正因子的拥挤距离计算算法；
上述S3可以包括以下步骤：
根据预设可扩展潜力预测模型和预设日运行成本预测模型分别计算第一方案集的各个规划方案的可扩展潜力值和日运行成本值；
基于非劣排序算法，根据第一方案集的各个规划方案的可扩展潜力值和日运行成本值对第一方案集中的各个规划方案进行排序，得到多个由优至劣的帕累托集；
基于含修正因子的拥挤距离计算算法，计算各个帕累托集中的各个规划方案的拥挤距离；
按照拥挤距离由大到小的顺序从所有帕累托集中选取第一预设数量的规划方案，得到第二方案集。
在本发明实施例中，计算第一方案集中的各个规划方案的优劣水平，即计算各个规划方案的可扩展潜力值和日运行成本值。
具体地，建立上述预设可扩展潜力预测模型，以规划方案中多元接入节点的可扩展功率裕度的最大值为目标函数，考虑并极端配电网极坐标形式下的潮流约束，考虑节点电压约束，考虑未来能源结构优化，新能源消纳指标不断增大，配电网最大注入功率相对于目前规划需要留有一定功率裕度的约束，即上述节点规划功率裕度约束，计算得到第一方案集中的各个规划方案的可扩展潜力值。
建立上述预设日运行成本预测模型，以规划方案的最小日运行成本为目标函数，考虑负荷约束，考虑发电机出力约束、发电机出力爬坡约束、新能源机组的出力约束，考虑并计算配电网潮流约束，考虑节点电压约束，计算得到第一方案集中的各个规划方案的日运行成本值。
在本发明的一个实施例中，基于含修正因子的拥挤距离计算算法，计算各个帕累托集中的各个规划方案的拥挤距离，包括：
根据
Figure BDA0003001440110000101
计算第j个帕累托集中的第i个规划方案的拥挤距离；
其中，ldg为第d个帕累托集中的第g个规划方案的拥挤距离；σdg,E为第d个帕累托集中的第g个规划方案对于预设可扩展潜力预测模型的拥挤度修正因子；fEd(g+1)为第d个帕累托集中的第g+1个规划方案的可扩展潜力值；fEd(g-1)为第d个帕累托集中的第g-1个规划方案的可扩展潜力值；
Figure BDA0003001440110000102
为第d个帕累托集中的各个规划方案的可扩展潜力值的最大值；
Figure BDA0003001440110000103
为第d个帕累托集中的各个规划方案的可扩展潜力值的最小值；σdg,C为第d个帕累托集中的第g个规划方案对于预设日运行成本预测模型的拥挤度修正因子；fCd(g+1)为第d个帕累托集中的第g+1个规划方案的日运行成本值；fCd(g-1)为第d个帕累托集中的第g-1个规划方案的日运行成本值；
Figure BDA0003001440110000104
为第d个帕累托集中的各个规划方案的日运行成本值的最大值；
Figure BDA0003001440110000105
为第d个帕累托集中的各个规划方案的日运行成本值的最小值；
Figure BDA0003001440110000106
Figure BDA0003001440110000107
IE[g]为非劣解集合中的第g个规划方案的可扩展潜力值；
Figure BDA0003001440110000108
Figure BDA0003001440110000109
IC[g]为非劣解集合中的第g个规划方案的日运行成本值。
具体地，非劣排序算法和拥挤距离计算算法是非劣排序遗传算法的核心。非劣排序即非支配排序，在于计算每个方案p的被支配个数np和该方案所支配的方案组成的集合Sp，逐级迭代直到对该方案集中全部方案进行分级Fk,，再进行拥挤距离计算，在非劣排序遗传算法中，帕累托前沿两边界处的拥挤距离被定义为∞，以使得边界处的方案可以优先在下一代中被保留并利于扩大新方案集各帕累托前沿的分布。但当在规划前已经事先对目标函数的范围进行限定，则此拥挤距离的定义不再适用，本发明实施例对拥挤距离进行修正，取边界内第一个方案的拥挤距离为上界到边界内第二个方案之间的距离，取边界内最末方案的拥挤距离为次末方案到下界的距离，如有方案在边界之外则取该方案拥挤距离为0，在原拥挤距离函数的基础上引入修正因子。
参见图4，其示出了帕累托前沿和修正后的拥挤距离。根据上述计算得到的各个规划方案的可扩展潜力值和日运行成本值进行非支配排序。支配指的是方案a的两优化目标函数值均优于另一方案b，则称a支配b，帕累托最优解指的是方案无法在改进任何优化目标的同时不削弱至少一个其他优化目标，若对于方案c不存在其他方案可以支配c，则将c分级为F1，并将c从方案集中剔除，F1分级完成后，再将方案集中剩余方案按照上述规则逐次分级为F2、F3等。该算法需要计算方案集大小为100的第一方案集Ri中每个方案p的被支配个数np和该方案支配的解的集合Sp这两个参数，遍历整个方案集，直到所有方案均被分级。该算法的伪代码如下：
(1)计算出第一方案集中每个方案的两个参数np和Sp。
(2)将方案集中参数np＝0的方案放入集合F1中。
Figure BDA0003001440110000111
Figure BDA0003001440110000121
(4)至此得到分级为F2的全部方案，对集合F2中的方案重复步骤(3)直到方案集中全部方案分级完成。
每个等级的方案组成一个帕累托集，等级F1的帕累托集由于等级F2的帕累托集，以此类推。
快速非劣排序完成后，为了使得到的解在目标空间中更加均匀，对同级中的方案进行含修正因子的拥挤距离计算，修正后的拥挤距离计算公式为上述所述，不再赘述。
在两目标优化问题中，就像是该方案在目标空间所能生成的最大的矩形(该矩形不能触碰目标空间其他的点)的边长之和。
可选地，可以按照拥挤距离由大到小的顺序从所有帕累托集中选取第一预设数量的规划方案，得到第二方案集；也可以按照等级，将等级较优的帕累托集中的规划方案放入第二方案集，即，向放入等级F1的帕累托集中的规划方案，再放入等级F2的帕累托集中的规划方案，以此类推。若当某个等级的规划方案不能全部放入第二方案集，即放入该等级的规划方案后，第二方案集的方案数量超过第一预设数量，则优先将该等级中的拥挤距离较大的放入第二方案集，即按照方案的拥挤距离由大到小的顺序，将该等级的方案放入第二方案集，直至第二方案集中的规划方案的数量达到第一预设数量。
具体过程参见图5，第一方案集Ri经过快速非劣排序和拥挤距离计算得到第二方案集Ci+1。
可选地，最终得到的第二方案集为帕累托最优解集Sopt。
S4：若第二方案集与初始方案集相同或当前迭代次数达到预设次数，则根据第二方案集得到最优规划方案；否则，将第二方案集作为新的初始方案集，将当前迭代次数加1，并跳转至S2的步骤循环执行。
其中，第二方案集与初始方案集相同，即经过一次迭代新生成的第二方案集与初始方案集相比没有变化，包含的规划方案都是相同的。
预设次数可以根据实际需求设置，例如，可以为50、100等。
具体地，若第二方案集与初始方案集相同或当前迭代次数达到预设次数，则根据第二方案集得到最优规划方案；若第二方案集与初始方案集不相同且当前迭代次数未达到预设次数，则将第二方案集作为新的初始方案集，将当前迭代次数加1，并跳转至S2的步骤循环执行。
在本发明的一个实施例中，根据第二方案集得到最优规划方案，包括：
若第二方案集中包含最优的帕累托集中的规划方案的数量为1，则确定第二方案集中包含的最优的帕累托集中的规划方案为最优规划方案；
若第二方案集中包含最优的帕累托集中的规划方案的数量不为1，则基于模糊满意度法，从第三方案集中选出最优规划方案；其中，第三方案集为第二方案集中包含的最优的帕累托集中的规划方案组成的集合。
其中，最优的帕累托集为等级为F1的帕累托集。若最优的帕累托集包含唯一解，则该唯一解即为最优规划方案；若最优的帕累托集不是唯一解，由于最优的帕累托集无法在帕累托最优意义下相互比较优劣，因此，本发明实施例基于模糊满意度法，从第二方案集中包含的最优的帕累托集中的多个规划方案中选出最优规划方案。
在本发明的一个实施例中，基于模糊满意度法，从第三方案集中选出最优规划方案，包括：
根据JCs＝(μE-μE(s))2+(μC-μC(s))2，计算第三方案集中的各个规划方案的决策值；其中，JCs为第三方案集中的第s个规划方案的决策值；μE为预设可扩展潜力的偏重水平值；μC为预设日运行成本的偏重水平值；μE(s)为第三方案集中的第s个规划方案基于预设可扩展潜力预测模型的模糊满意度值；μC(s)为第三方案集中的第s个规划方案基于预设日运行成本预测模型的模糊满意度值；
Figure BDA0003001440110000131
fE(s)为第三方案集中的第s个规划方案的可扩展潜力值，
Figure BDA0003001440110000141
为第三方案集中的各个规划方案的可扩展潜力值的最大值，
Figure BDA0003001440110000142
为第三方案集中的各个规划方案的可扩展潜力值的最小值；
Figure BDA0003001440110000143
fC(s)为第三方案集中的第s个规划方案的日运行成本值，
Figure BDA0003001440110000144
为第三方案集中的各个规划方案的日运行成本值的最大值，
Figure BDA0003001440110000145
为第三方案集中的各个规划方案的日运行成本值的最小值；
从第三方案集中选取决策值最小的规划方案作为最优规划方案。
其中，μE和μC为预设值，可以根据实际需求设置，值越大表示对其对应的目标函数的关注度越高。
S5：根据最优规划方案进行配电网规划。
具体地，根据最优规划方案中各个节点接入的多元接入体的类型进行配电网规划。
本发明实施例综合考虑了配电网的可扩展潜力和日运行成本，能够实现在配电网中多元接入体规划方案的最优选择，为配电网中新能源消纳以及未来高比例能源结构下的规划提供优化科学的选择方案。
本发明实施例采用考虑置信度的方法生成初始方案集，可以加快迭代的收敛速度；建立了可扩展潜力预测模型和日运行成本预测模型，以可扩展潜力最大和日运行成本最低为目标函数，利用非劣排序遗传算法得到帕累托最优解，其中，利用修正的拥挤距离来解决优化目标存在边界的问题，并针对帕累托最优解集中存在的多方案，根据模糊满意度方法，得到最优规划方案，可以实现对配电网中多元接入体的最优规划选择。
本发明实施例有效考虑了新能源消纳规划方案的可扩展潜力，能够克服以往仅考虑短期利益的缺陷，可以协调兼顾配电网短期规划收益与中长期可扩展潜力，能够获得更加优质的规划方案。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上述配电网多元接入体规划方法，本发明一实施例还提供了一种配电网多元接入体规划装置，具有与上述配电网多元接入体规划方法同样的有益效果。图6是本发明一实施例提供的配电网多元接入体规划装置的示意框图，为了便于说明，仅示出与本发明实施例相关的部分。
在本发明实施例中，配电网多元接入体规划装置30可以包括获取模块301、交叉变异模块302、选取模块303、最优方案确定模块304和规划模块305。
其中，获取模块301，用于获取初始方案集，初始方案集包括第一预设数量的规划方案；
交叉变异模块302，用于对初始方案集中的规划方案进行交叉和变异操作，得到多个新的方案，并将多个新的方案并入初始方案集得到第一方案集；
选取模块303，用于基于非劣排序遗传算法，根据预设可扩展潜力预测模型和预设日运行成本预测模型，从第一方案集中选取第一预设数量的规划方案得到第二方案集；
最优方案确定模块304，用于若第二方案集与初始方案集相同或当前迭代次数达到预设次数，则根据第二方案集得到最优规划方案；否则，将第二方案集作为新的初始方案集，将当前迭代次数加1，并跳转至对初始方案集中的规划方案进行交叉和变异操作，得到多个新的方案，并将多个新的方案并入初始方案集得到第一方案集的步骤循环执行；
规划模块305，用于根据最优规划方案进行配电网规划。
可选地，获取模块301，还可以用于：
随机生成多元接入体接入配电网的多个规划方案，并根据多个规划方案和已有规划方案得到第一待选方案集；
获取第一待选方案集中的各个规划方案的置信度，并从第一待选方案集中选取置信度大于预设阈值的规划方案，作为第二待选方案集；
根据
Figure BDA0003001440110000161
计算第二待选方案集中的每个规划方案的保留个数；其中，
Figure BDA0003001440110000162
为第二待选方案集中第z个规划方案的保留个数；δz为第二待选方案集中第z个规划方案的置信度；Nopt为第二待选方案集中的规划方案的预设置入总数；nopt为第二待选方案集中的规划方案的数量，
Figure BDA0003001440110000163
为向下取整运算符；
根据第二待选方案集中的每个规划方案的保留个数和第二待选方案集，生成第三待选方案集；
若第三待选方案集中的规划方案的数量不小于第一预设数量，则按照置信度由大到小的顺序从第三待选方案集中选取第一预设数量的规划方案，得到初始方案集；
若第三待选方案集中的规划方案的数量小于第一预设数量，则按照置信度由大到小的顺序从第一待选方案集的剩余规划方案中选取第二预设数量的规划方案，并根据第三待选方案集和第二预设数量的规划方案得到初始方案集；第二预设数量为第一预设数量减去第三待选方案集中的规划方案的数量。
可选地，非劣排序遗传算法包括非劣排序算法和含修正因子的拥挤距离计算算法；
选取模块303还用于：
根据预设可扩展潜力预测模型和预设日运行成本预测模型分别计算第一方案集的各个规划方案的可扩展潜力值和日运行成本值；
基于非劣排序算法，根据第一方案集的各个规划方案的可扩展潜力值和日运行成本值对第一方案集中的各个规划方案进行排序，得到多个由优至劣的帕累托集；
基于含修正因子的拥挤距离计算算法，计算各个帕累托集中的各个规划方案的拥挤距离；
按照拥挤距离由大到小的顺序从所有帕累托集中选取第一预设数量的规划方案，得到第二方案集。
可选地，选取模块303还用于：
根据
Figure BDA0003001440110000171
计算第j个帕累托集中的第i个规划方案的拥挤距离；
其中，ldg为第d个帕累托集中的第g个规划方案的拥挤距离；σdg,E为第d个帕累托集中的第g个规划方案对于预设可扩展潜力预测模型的拥挤度修正因子；fEd(g+1)为第d个帕累托集中的第g+1个规划方案的可扩展潜力值；fEd(g-1)为第d个帕累托集中的第g-1个规划方案的可扩展潜力值；
Figure BDA0003001440110000172
为第d个帕累托集中的各个规划方案的可扩展潜力值的最大值；
Figure BDA0003001440110000173
为第d个帕累托集中的各个规划方案的可扩展潜力值的最小值；σdg,C为第d个帕累托集中的第g个规划方案对于预设日运行成本预测模型的拥挤度修正因子；fCd(g+1)为第d个帕累托集中的第g+1个规划方案的日运行成本值；fCd(g-1)为第d个帕累托集中的第g-1个规划方案的日运行成本值；
Figure BDA0003001440110000174
为第d个帕累托集中的各个规划方案的日运行成本值的最大值；
Figure BDA0003001440110000175
为第d个帕累托集中的各个规划方案的日运行成本值的最小值；
Figure BDA0003001440110000176
Figure BDA0003001440110000177
IE[g]为非劣解集合中的第g个规划方案的可扩展潜力值；
Figure BDA0003001440110000178
Figure BDA0003001440110000179
IC[g]为非劣解集合中的第g个规划方案的日运行成本值。
可选地，最优方案确定模块304还可以用于：
若第二方案集中包含最优的帕累托集中的规划方案的数量为1，则第二方案集中包含的最优的帕累托集中的规划方案为最优规划方案；
若第二方案集中包含最优的帕累托集中的规划方案的数量不为1，则基于模糊满意度法，从第三方案集中选出最优规划方案；其中，第三方案集为第二方案集中包含的最优的帕累托集中的规划方案组成的集合。
可选地，最优方案确定模块304还可以用于：
根据JCs＝(μE-μE(s))2+(μC-μC(s))2，计算第三方案集中的各个规划方案的决策值；其中，JCs为第三方案集中的第s个规划方案的决策值；μE为预设可扩展潜力的偏重水平值；μC为预设日运行成本的偏重水平值；μE(s)为第三方案集中的第s个规划方案基于预设可扩展潜力预测模型的模糊满意度值；μC(s)为第三方案集中的第s个规划方案基于预设日运行成本预测模型的模糊满意度值；
Figure BDA0003001440110000181
fE(s)为第三方案集中的第s个规划方案的可扩展潜力值，
Figure BDA0003001440110000182
为第三方案集中的各个规划方案的可扩展潜力值的最大值，
Figure BDA0003001440110000183
为第三方案集中的各个规划方案的可扩展潜力值的最小值；
Figure BDA0003001440110000184
fC(s)为第三方案集中的第s个规划方案的日运行成本值，
Figure BDA0003001440110000185
为第三方案集中的各个规划方案的日运行成本值的最大值，
Figure BDA0003001440110000186
为第三方案集中的各个规划方案的日运行成本值的最小值；
从第三方案集中选取决策值最小的规划方案作为最优规划方案。
可选地，预设可扩展潜力预测模型以可扩展功率裕度最大为目标函数，以潮流约束、节点电压约束以及节点规划功率裕度约束为约束条件；
预设日运行成本预测模型以日运行成本最小为目标函数，以负荷约束、发电机约束以及电力系统约束为约束条件。
可选地，预设可扩展潜力预测模型的目标函数为：
Figure BDA0003001440110000187
潮流约束为：
Figure BDA0003001440110000188
Figure BDA0003001440110000189
节点电压约束为：
Vi.min≤Vi≤Vi.max
节点规划功率裕度约束为：
Pi≥Pi0
其中，Pi为第i个节点的最大接入功率；Pi0为第i个节点接入功率的规划值；m为配电网中规划的多元接入体接入节点的数量；PGi为第i个节点发电机有功功率注入值；PLi为第i个节点负荷的有功功率；QGi为第i个节点发电机无功功率注入值；QLi为第i个节点负荷的无功功率；Vi为第i个节点的电压；Vj为第j个节点的电压；n为配电网中节点的数量；Gij为第i个节点和第j个节点之间的线路的电导；Bij为第i个节点和第j个节点之间的线路的电纳；θij为第i个节点和第j个节点之间的相角差；Vi.min为第i个节点的电压的最小值；Vi.max为第i个节点的电压的最大值；
预设日运行成本预测模型的目标函数为：
Figure BDA0003001440110000191
其中，CB,i为第i个节点所接入的多元接入体的建设成本；ni为第i个节点所接入的多元接入体的规划使用年限；CD,i为第i个节点所接入的多元接入体的弃风、弃光日成本；CE,i为第i个节点向外购电日成本；CGen,i为第i个节点的日发电成本；
负荷约束为：
PGmin≤KLPL≤PGmax
其中，PGmin为多元接入体的发电机最小出力；PGmax为多元接入体的发电机最大出力；PL为负荷大小；KL为考虑未来负荷增长的发展系数；
发电机约束包括发电机出力约束、发电机出力爬坡约束和新能源机组的出力约束；
发电机出力约束为：
Figure BDA0003001440110000201
其中，
Figure BDA0003001440110000202
为第i个节点所接入的多元接入体的发电机组在t时刻的预计出力；Pi min为第i个节点所接入的多元接入体的发电机组的最小出力；Pi max为第i个节点所接入的多元接入体的发电机组的最大出力；
发电机出力爬坡约束为：
Figure BDA0003001440110000203
其中，rdown为发电机组的向下爬坡速率；rup为发电机组的向上爬坡速率；Δt为时刻间隔；
新能源机组的出力约束为：
Figure BDA0003001440110000204
其中，Pt sw为分布式新能源机组t时刻的运行出力；
Figure BDA0003001440110000205
为分布式新能源机组t时刻的预计最大出力；
电力系统约束包括潮流约束和节点电压约束。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述配电网多元接入体规划装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图7是本发明一实施例提供的终端设备的示意框图。如图7所示，该实施例的终端设备40包括：一个或多个处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403。所述处理器401执行所述计算机程序403时实现上述各个配电网多元接入体规划方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器401执行所述计算机程序403时实现上述配电网多元接入体规划装置实施例中各模块/单元的功能，例如图6所示模块301至303的功能。
示例性地，所述计算机程序403可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器402中，并由所述处理器401执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述终端设备40中的执行过程。例如，所述计算机程序403可以被分割成获取模块、交叉变异模块、选取模块、最优方案确定模块和规划模块，各模块具体功能如下：
获取模块，用于获取初始方案集，初始方案集包括第一预设数量的规划方案；
交叉变异模块，用于对初始方案集中的规划方案进行交叉和变异操作，得到多个新的方案，并将多个新的方案并入初始方案集得到第一方案集；
选取模块，用于基于非劣排序遗传算法，根据预设可扩展潜力预测模型和预设日运行成本预测模型，从第一方案集中选取第一预设数量的规划方案得到第二方案集；
最优方案确定模块，用于若第二方案集与初始方案集相同或当前迭代次数达到预设次数，则根据第二方案集得到最优规划方案；否则，将第二方案集作为新的初始方案集，将当前迭代次数加1，并跳转至对初始方案集中的规划方案进行交叉和变异操作，得到多个新的方案，并将多个新的方案并入初始方案集得到第一方案集的步骤循环执行；
规划模块，用于根据最优规划方案进行配电网规划。
其它模块或者单元可参照图6所示的实施例中的描述，在此不再赘述。
所述终端设备40可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备40包括但不仅限于处理器401、存储器402。本领域技术人员可以理解，图7仅仅是终端设备40的一个示例，并不构成对终端设备40的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备40还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，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。
所述存储器402可以是所述终端设备40的内部存储单元，例如终端设备40的硬盘或内存。所述存储器402也可以是所述终端设备40的外部存储设备，例如所述终端设备40上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括终端设备40的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序403以及所述终端设备40所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，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。
在本申请所提供的实施例中，应该理解到，所揭露的配电网多元接入体规划装置和方法，可以通过其它的方式实现。例如，以上所描述的配电网多元接入体规划装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种配电网多元接入体规划方法，其特征在于，包括：
S1：获取初始方案集，所述初始方案集包括第一预设数量的规划方案；
S2：对所述初始方案集中的规划方案进行交叉和变异操作，得到多个新的方案，并将所述多个新的方案并入所述初始方案集得到第一方案集；S3：基于非劣排序遗传算法，根据预设可扩展潜力预测模型和预设日运行成本预测模型，从所述第一方案集中选取第一预设数量的规划方案得到第二方案集；
S4：若所述第二方案集与所述初始方案集相同或当前迭代次数达到预设次数，则根据所述第二方案集得到最优规划方案；否则，将所述第二方案集作为新的初始方案集，将当前迭代次数加1，并跳转至所述S2的步骤循环执行；
S5：根据所述最优规划方案进行配电网规划。
2.根据权利要求1所述的配电网多元接入体规划方法，其特征在于，所述S1包括：
随机生成多元接入体接入配电网的多个规划方案，并根据所述多个规划方案和已有规划方案得到第一待选方案集；
获取所述第一待选方案集中的各个规划方案的置信度，并从所述第一待选方案集中选取置信度大于预设阈值的规划方案，作为第二待选方案集；
根据
Figure FDA0003001440100000011
计算所述第二待选方案集中的每个规划方案的保留个数；其中，
Figure FDA0003001440100000012
为所述第二待选方案集中第z个规划方案的保留个数；δz为所述第二待选方案集中第z个规划方案的置信度；Nopt为所述第二待选方案集中的规划方案的预设置入总数；nopt为所述第二待选方案集中的规划方案的数量，
Figure FDA0003001440100000013
为向下取整运算符；
根据所述第二待选方案集中的每个规划方案的保留个数和所述第二待选方案集，生成第三待选方案集；
若所述第三待选方案集中的规划方案的数量不小于所述第一预设数量，则按照置信度由大到小的顺序从所述第三待选方案集中选取第一预设数量的规划方案，得到所述初始方案集；
若所述第三待选方案集中的规划方案的数量小于所述第一预设数量，则按照置信度由大到小的顺序从所述第一待选方案集的剩余规划方案中选取第二预设数量的规划方案，并根据所述第三待选方案集和所述第二预设数量的规划方案得到所述初始方案集；所述第二预设数量为所述第一预设数量减去所述第三待选方案集中的规划方案的数量。
3.根据权利要求1所述的配电网多元接入体规划方法，其特征在于，所述非劣排序遗传算法包括非劣排序算法和含修正因子的拥挤距离计算算法；
所述S3包括：
根据所述预设可扩展潜力预测模型和所述预设日运行成本预测模型分别计算所述第一方案集的各个规划方案的可扩展潜力值和日运行成本值；
基于所述非劣排序算法，根据所述第一方案集的各个规划方案的可扩展潜力值和日运行成本值对所述第一方案集中的各个规划方案进行排序，得到多个由优至劣的帕累托集；
基于所述含修正因子的拥挤距离计算算法，计算各个帕累托集中的各个规划方案的拥挤距离；
按照拥挤距离由大到小的顺序从所有帕累托集中选取所述第一预设数量的规划方案，得到第二方案集。
4.根据权利要求3所述的配电网多元接入体规划方法，其特征在于，所述基于所述含修正因子的拥挤距离计算算法，计算各个帕累托集中的各个规划方案的拥挤距离，包括：
根据
Figure FDA0003001440100000021
计算第j个帕累托集中的第i个规划方案的拥挤距离；
其中，ldg为第d个帕累托集中的第g个规划方案的拥挤距离；σdg,E为第d个帕累托集中的第g个规划方案对于所述预设可扩展潜力预测模型的拥挤度修正因子；fEd(g+1)为第d个帕累托集中的第g+1个规划方案的可扩展潜力值；fEd(g-1)为第d个帕累托集中的第g-1个规划方案的可扩展潜力值；
Figure FDA0003001440100000031
为第d个帕累托集中的各个规划方案的可扩展潜力值的最大值；
Figure FDA0003001440100000032
为第d个帕累托集中的各个规划方案的可扩展潜力值的最小值；σdg,C为第d个帕累托集中的第g个规划方案对于所述预设日运行成本预测模型的拥挤度修正因子；fCd(g+1)为第d个帕累托集中的第g+1个规划方案的日运行成本值；fCd(g-1)为第d个帕累托集中的第g-1个规划方案的日运行成本值；
Figure FDA0003001440100000033
为第d个帕累托集中的各个规划方案的日运行成本值的最大值；
Figure FDA0003001440100000034
为第d个帕累托集中的各个规划方案的日运行成本值的最小值；
Figure FDA0003001440100000035
Figure FDA0003001440100000036
IE[g]为非劣解集合中的第g个规划方案的可扩展潜力值；
Figure FDA0003001440100000037
Figure FDA0003001440100000038
IC[g]为非劣解集合中的第g个规划方案的日运行成本值。
5.根据权利要求3所述的配电网多元接入体规划方法，其特征在于，所述根据所述第二方案集得到最优规划方案，包括：
若所述第二方案集中包含最优的帕累托集中的规划方案的数量为1，则确定所述第二方案集中包含的最优的帕累托集中的规划方案为最优规划方案；
若所述第二方案集中包含最优的帕累托集中的规划方案的数量不为1，则基于模糊满意度法，从第三方案集中选出最优规划方案；其中，所述第三方案集为所述第二方案集中包含的最优的帕累托集中的规划方案组成的集合。
6.根据权利要求5所述的配电网多元接入体规划方法，其特征在于，所述基于模糊满意度法，从所述第三方案集中选出最优规划方案，包括：
根据JCs＝(μE-μE(s))2+(μC-μC(s))2，计算所述第三方案集中的各个规划方案的决策值；其中，JCs为所述第三方案集中的第s个规划方案的决策值；μE为预设可扩展潜力的偏重水平值；μC为预设日运行成本的偏重水平值；μE(s)为所述第三方案集中的第s个规划方案基于所述预设可扩展潜力预测模型的模糊满意度值；μC(s)为所述第三方案集中的第s个规划方案基于所述预设日运行成本预测模型的模糊满意度值；
Figure FDA0003001440100000041
fE(s)为所述第三方案集中的第s个规划方案的可扩展潜力值，
Figure FDA0003001440100000042
为所述第三方案集中的各个规划方案的可扩展潜力值的最大值，
Figure FDA0003001440100000043
为所述第三方案集中的各个规划方案的可扩展潜力值的最小值；
Figure FDA0003001440100000044
Figure FDA0003001440100000045
fC(s)为所述第三方案集中的第s个规划方案的日运行成本值，
Figure FDA0003001440100000046
为所述第三方案集中的各个规划方案的日运行成本值的最大值，
Figure FDA0003001440100000047
为所述第三方案集中的各个规划方案的日运行成本值的最小值；
从所述第三方案集中选取决策值最小的规划方案作为最优规划方案。
7.根据权利要求1至6任一项所述的配电网多元接入体规划方法，其特征在于，所述预设可扩展潜力预测模型以可扩展功率裕度最大为目标函数，以潮流约束、节点电压约束以及节点规划功率裕度约束为约束条件；
所述预设日运行成本预测模型以日运行成本最小为目标函数，以负荷约束、发电机约束以及电力系统约束为约束条件。
8.根据权利要求7所述的配电网多元接入体规划方法，其特征在于，所述预设可扩展潜力预测模型的目标函数为：
Figure FDA0003001440100000048
所述潮流约束为：
Figure FDA0003001440100000049
Figure FDA00030014401000000410
所述节点电压约束为：
Vi.min≤Vi≤Vi.max
所述节点规划功率裕度约束为：
Pi≥Pi0
其中，Pi为第i个节点的最大接入功率；Pi0为第i个节点接入功率的规划值；m为配电网中规划的多元接入体接入节点的数量；PGi为第i个节点发电机有功功率注入值；PLi为第i个节点负荷的有功功率；QGi为第i个节点发电机无功功率注入值；QLi为第i个节点负荷的无功功率；Vi为第i个节点的电压；Vj为第j个节点的电压；n为配电网中节点的数量；Gij为第i个节点和第j个节点之间的线路的电导；Bij为第i个节点和第j个节点之间的线路的电纳；θij为第i个节点和第j个节点之间的相角差；Vi.min为第i个节点的电压的最小值；Vi.max为第i个节点的电压的最大值；
所述预设日运行成本预测模型的目标函数为：
Figure FDA0003001440100000051
其中，CB,i为第i个节点所接入的多元接入体的建设成本；ni为第i个节点所接入的多元接入体的规划使用年限；CD,i为第i个节点所接入的多元接入体的弃风、弃光日成本；CE,i为第i个节点向外购电日成本；CGen,i为第i个节点的日发电成本；
所述负荷约束为：
PGmin≤KLPL≤PGmax
其中，PGmin为多元接入体的发电机最小出力；PGmax为多元接入体的发电机最大出力；PL为负荷大小；KL为考虑未来负荷增长的发展系数；
所述发电机约束包括发电机出力约束、发电机出力爬坡约束和新能源机组的出力约束；
所述发电机出力约束为：
Figure FDA0003001440100000061
其中，
Figure FDA0003001440100000062
为第i个节点所接入的多元接入体的发电机组在t时刻的预计出力；Pi min为第i个节点所接入的多元接入体的发电机组的最小出力；Pi max为第i个节点所接入的多元接入体的发电机组的最大出力；
所述发电机出力爬坡约束为：
Figure FDA0003001440100000063
其中，rdown为发电机组的向下爬坡速率；rup为发电机组的向上爬坡速率；Δt为时刻间隔；
所述新能源机组的出力约束为：
Figure FDA0003001440100000064
其中，Pt sw为分布式新能源机组t时刻的运行出力；
Figure FDA0003001440100000065
为分布式新能源机组t时刻的预计最大出力；
所述电力系统约束包括所述潮流约束和所述节点电压约束。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述配电网多元接入体规划方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现如权利要求1至8任一项所述配电网多元接入体规划方法的步骤。
CN202110348370.4A 2021-03-31 2021-03-31 配电网多元接入体规划方法及终端设备 Active CN113256055B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110348370.4A CN113256055B (zh) 2021-03-31 2021-03-31 配电网多元接入体规划方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110348370.4A CN113256055B (zh) 2021-03-31 2021-03-31 配电网多元接入体规划方法及终端设备

Publications (2)

Publication Number Publication Date
CN113256055A true CN113256055A (zh) 2021-08-13
CN113256055B CN113256055B (zh) 2022-06-10

Family

ID=77181282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110348370.4A Active CN113256055B (zh) 2021-03-31 2021-03-31 配电网多元接入体规划方法及终端设备

Country Status (1)

Country Link
CN (1) CN113256055B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107256441A (zh) * 2017-06-02 2017-10-17 广东电网有限责任公司电网规划研究中心 基于非支配排序遗传算法的配电网规划建设方案设计方法
CN108269008A (zh) * 2017-12-29 2018-07-10 天津大学 考虑用户满意度和配网可靠性的充电设施优化规划方法
US20190108463A1 (en) * 2017-04-24 2019-04-11 State Grid Corporation Of China Method for constructing a future-state power grid model, device and equipment and storage medium
CN111509731A (zh) * 2020-04-26 2020-08-07 云南电网有限责任公司电力科学研究院 一种风光新能源互补电网的帕累托多目标无功优化方法
CN111639870A (zh) * 2020-06-04 2020-09-08 国网山东省电力公司潍坊供电公司 考虑源荷不确定性的输电网多目标柔性规划方法及系统
CN111738519A (zh) * 2020-06-24 2020-10-02 广东电网有限责任公司 一种配电网规划方法、系统及设备
CN112131695A (zh) * 2020-09-30 2020-12-25 国网河北省电力有限公司经济技术研究院 源网协同规划方法及终端设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190108463A1 (en) * 2017-04-24 2019-04-11 State Grid Corporation Of China Method for constructing a future-state power grid model, device and equipment and storage medium
CN107256441A (zh) * 2017-06-02 2017-10-17 广东电网有限责任公司电网规划研究中心 基于非支配排序遗传算法的配电网规划建设方案设计方法
CN108269008A (zh) * 2017-12-29 2018-07-10 天津大学 考虑用户满意度和配网可靠性的充电设施优化规划方法
CN111509731A (zh) * 2020-04-26 2020-08-07 云南电网有限责任公司电力科学研究院 一种风光新能源互补电网的帕累托多目标无功优化方法
CN111639870A (zh) * 2020-06-04 2020-09-08 国网山东省电力公司潍坊供电公司 考虑源荷不确定性的输电网多目标柔性规划方法及系统
CN111738519A (zh) * 2020-06-24 2020-10-02 广东电网有限责任公司 一种配电网规划方法、系统及设备
CN112131695A (zh) * 2020-09-30 2020-12-25 国网河北省电力有限公司经济技术研究院 源网协同规划方法及终端设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李翀，刘林青等: "基于多源数据融合技术的输电线路故障定位方法", 《水电能源科学》 *

Also Published As

Publication number Publication date
CN113256055B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
Mendoza et al. NSGA and SPEA applied to multiobjective design of power distribution systems
CN111950225B (zh) 一种芯片布局方法、装置、存储介质和电子设备
CN111178487B (zh) 电力优化调度方法、装置、计算机设备和存储介质
Pereira Jr et al. On multicriteria decision making under conditions of uncertainty
CN110120670B (zh) 含dpv配电网无功电压优化方法、终端设备及存储介质
CN112636396B (zh) 光伏配电网控制方法及终端
CN110504716B (zh) 光伏逆变器无功模式优化选择方法、终端设备及存储介质
CN110518591B (zh) 一种不确定电力系统的潮流计算方法
CN113011529A (zh) 文本分类模型的训练方法、装置、设备及可读存储介质
Vitor et al. Operation planning and decision-making approaches for Volt/Var multi-objective optimization in power distribution systems
CN114970345A (zh) 短期负荷预测模型构建方法、装置、设备及可读存储介质
Xiao et al. A judicious decision-making approach for power dispatch in smart grid using a multiobjective evolutionary algorithm based on decomposition
Owerko et al. Unsupervised optimal power flow using graph neural networks
CN113094899B (zh) 一种随机潮流计算方法、装置、电子设备及存储介质
Zhang et al. State-space approximate dynamic programming for stochastic unit commitment
CN113256055B (zh) 配电网多元接入体规划方法及终端设备
CN116093995B (zh) 一种配电系统多目标网络重构方法及系统
CN116976514A (zh) 一种分布式电源选址定容方法、装置及存储介质
CN115360768A (zh) 基于muzero和深度强化学习的电力调度方法、装置及存储介质
Liu et al. Bi-objective Pareto optimization for clustering-based hierarchical power control in a large-scale PV power plant
CN111027709B (zh) 信息推荐方法、装置、服务器及存储介质
CN114461619A (zh) 能源互联网多源数据融合方法、装置、终端及存储介质
CN110504709B (zh) 光伏集群无功电压调控方法、终端设备及存储介质
Kumar et al. Adaptive Algorithm for Solving the Load Flow Problem in Distribution System
Hutterer et al. Dynamic optimal power flow control with simulation-based evolutionary policy-function approximation

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