CN113364057A - 一种配电网调控方法、装置及终端设备 - Google Patents
一种配电网调控方法、装置及终端设备 Download PDFInfo
- Publication number
- CN113364057A CN113364057A CN202110714570.7A CN202110714570A CN113364057A CN 113364057 A CN113364057 A CN 113364057A CN 202110714570 A CN202110714570 A CN 202110714570A CN 113364057 A CN113364057 A CN 113364057A
- Authority
- CN
- China
- Prior art keywords
- population
- distribution network
- power distribution
- individuals
- generation
- 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.)
- Pending
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
- 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
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
- H02J3/38—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
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
-
- 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
- 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
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例涉及配电网技术领域,公开了一种配电网调控方法、装置及终端设备。上述配电网调控方法包括:建立配电网有功无功联合调控模型;有功无功联合调控模型包括目标函数和约束条件;目标函数包括第一目标函数和第二目标函数,第一目标函数表征配电网总体节点电压偏差,第二目标函数表征配电网线路网络功率损耗;约束条件包括节点电压约束、支路电流约束、短路电流约束和架空线的额定传输容量约束中的一项或多项;根据配电网有功无功联合调控模型,计算配电网运行的最优参数;按照最优参数对配电网进行设置。
Description
技术领域
本发明涉及配电网技术领域,尤其涉及一种配电网调控方法、装置及终端设备。
背景技术
随着我国经济的发展,电力系统网架结构越来越复杂,同时用户对电能质量的要求也越来越高。电压是衡量电能质量的基本指标之一,是反映电力系统功率平衡和合理分布的标志。近些年来随着高比例分布式电源并网,虽然在一定程度上缓解了电力负荷过重的情况,但是在并网过程中也为电力系统规划、调节和负荷预测等带来了较多的问题,其中尤以电压无功调节问题和有功功率损耗问题最为严重。对于电压的有功无功调节问题,相关技术中有以下解决方案:利用光伏逆变器的剩余容量,通过增加其无功输出或者减少其有功输出等操作来解决电压越线问题;通过并联电容补偿器的方式来解决电压越下限问题,但是以上方案都无法很好地同时解决无功电压调节和有功功率损耗的问题。
因此,现阶段亟需采取有效的手段提升电压质量,维持电压稳定,降低网络损耗,为客户提供优质的电力。
发明内容
本发明实施例提供了一种配电网调控方法,以解决配电网电压波动和有功功率损耗的问题。
第一方面,本发明实施例提供了一种配电网调控方法,包括:建立配电网有功无功联合调控模型;所述有功无功联合调控模型包括目标函数和约束条件;所述目标函数包括第一目标函数和第二目标函数,所述第一目标函数表征配电网总体节点电压偏差,所述第二目标函数表征配电网线路网络功率损耗;所述约束条件包括节点电压约束、支路电流约束、短路电流约束和架空线的额定传输容量约束中的一项或多项;根据所述配电网有功无功联合调控模型,计算配电网运行的最优参数;按照所述最优参数对配电网进行设置。
本发明实施例中,通过分析电路系统中的可调控参数接入配电网后对电压带来的影响,求得以总体电压偏差最小和线路损耗最小为目标函数的模型最优解,该模型充分考虑了包括节点电压约束,支路电流约束,短路电流约束,架空线的额定传输容量约束在内的限定条件,最后通过该模型求得的最优参数设置配电网参数,能够有效解决间歇性分布式电源接入配电网的比例日益增高导致的配电网局部电压波动越限、功率损耗增加的情况,提高了配电网对分布式能源的利用率,改善了配电网的经济运行水平。
基于第一方面,在一些实施例中,所述根据所述配电网有功无功联合调控模型,计算配电网运行的最优参数,包括:步骤B1,根据配电网中的可调控参数初始化种群,得到第k代种群;所述种群中个体为所述配电网有功无功联合调控模型的一组解;步骤B2,根据所述目标函数确定适应度函数,所述适应度函数表征所述种群中个体作为所述配电网有功无功联合调控模型的解的优劣性;步骤B3,基于所述适应度函数,更新第k代种群的速度和位置,得到第k+1代种群;步骤B4,基于所述适应度函数,采用改进的轮盘赌选择方法对第k+1代种群进行选择运算,得到第k+2代种群;步骤B5,基于所述适应度函数,采用自适应交叉算子对第k+2代种群进行交叉运算,得到第k+3代种群;步骤B6,基于所述适应度函数,采用混沌变异算子对第k+3代种群进行变异运算,得到第k+4代种群;步骤B7,根据所述约束条件对第k+4代种群中个体进行判断,保留符合约束条件的个体,对不符合约束条件的个体通过混沌映射进行替换,得到第k+5代种群;步骤B8,基于所述适应度函数,采用自适应移民算子对第k+5代种群进行移民运算,得到第k+6代种群;步骤B9,基于所述适应度函数,对第k+6代种群进行精英保留和混沌扰动处理,得到第k+7代种群;判断是否满足循环结束条件,若不满足,将第k+7代种群输入步骤B3,按照步骤B3至步骤B9再次循环;满足循环结束条件时,输出全局最优解;该最优解为配电网运行的最优参数。
本发明实施例中改进的算法既继承了粒子群算法的快速搜索能力又通过遗传算法有效解决陷入局部最优解的问题。具体体现在:a.混沌映射本身就具有很强的遍历性,通过混沌映射能保证在初始化阶段中种群个体的多样性;b.在遗传算法的基础上融入粒子群算法增加了寻优速度;c.选择算子中对轮盘赌选择的相同个体进行混沌扰动,在避免局部最优的同时可有效增加种群多样性;d.采用自适应变异算子,在算法后期,适当提高了变异概率,可提升种群的多样性,并且采用的变异方式是扰动变异,能较大的增加种群的多样性;e.自适应移民算子能将外界的个体替换原种群的个体,增加种群的多样性;f.采用的精英保留策略能保证优秀个体的存在,对未保留的普通个体进行混沌扰动也能增加种群多样性。
基于第一方面,在一些实施例中,所述步骤B4包括:确定第k+1代种群中个体的原适应度;计算所述原适应度的平方的倒数,得到所述第k+1代种群中个体的新适应度;根据所述新适应度,通过轮盘赌方法复制其中部分个体,对经复制后重复的个体进行混沌扰动,得到第k+2代种群。
基于第一方面,在一些实施例中,所述步骤B1包括:根据配电网中的可调控参数确定初始数组中的元素个数和元素的取值范围,设定初始数组的组数,生成组数和元素个数与所述初始数组一致的随机数组;基于所述随机数组通过混沌映射的方式生成初始数组,所述初始数组为第k代种群。
基于第一方面,在一些实施例中,所述步骤B8包括:根据移民概率确定是否对种群进行移民操作,移民概率Pi的表达式为:
其中,Pi max、Pi min分别为最大移民概率和最小移民概率,E表示当前第k+5代种群的适应度方差,σ为阀值,γ=Pi max-Pi min;若所述移民概率表示的事件发生时,对种群进行移民操作,计算第k+5代种群中所有个体的适应度,将所有个体中的目标个体进行替换,所述目标个体的数量为所有个体与预设比例的乘积,且所述目标个体的适应度小于其他个体的适应度;替换方式为:经混沌映射随机产生新个体,如果所述新个体的适应度大于所述目标个体中的任何一个个体,则用所述新个体替换该个体,直到所述目标个体全部被替换完,得到第k+6代种群。
基于第一方面,在一些实施例中,所述步骤B5包括:根据交叉概率确定是否对种群进行交叉操作,交叉概率pc的表达式为:
其中t为当前循环次数,f表示需要进行交叉运算的第k+2代种群中两个个体的适应度平均值,表示第k+2代种群中所有个体的适应度平均值,Pc max,Pc min分别为最大交叉率和最小交叉率,ρ=Pc max-Pc min;若所述交叉概率表示的事件发生时,对种群进行交叉操作,具体表达式为:
其中,α为系统产生的(0,1)之间的随机数,zn,yn为需要进行交叉操作的第k+2代种群个体,z'n,y'n为进行交叉操作后的第k+3代种群个体,得到第k+3代种群。
基于第一方面,在一些实施例中,所述步骤B9包括:计算第k+6代种群中所有个体的适应度,将所有个体中的目标个体进行保留,所述目标个体的数量为所有个体与预设比例的乘积,且所述目标个体的适应度高于其他个体的适应度,被保留的所述目标个体不参加下一次循环中的步骤B4、步骤B5、步骤B6和步骤B8,对未进行保留的个体添加混沌扰动,混沌扰动添加方式和步骤B6一致,所述被保留的个体和经混沌扰动后的个体组成第k+7代种群。
第二方面,本发明实施例提供了一种配电网调控装置,包括:模型建立模块,用于建立配电网有功无功联合调控模型;所述有功无功联合调控模型包括目标函数和约束条件;所述目标函数包括第一目标函数和第二目标函数,所述第一目标函数表征配电网总体节点电压偏差,所述第二目标函数表征配电网线路网络功率损耗;所述约束条件包括节点电压约束、支路电流约束、短路电流约束和架空线的额定传输容量约束中的一项或多项;参数计算模块,用于根据所述配电网有功无功联合调控模型,计算配电网运行的最优参数;参数设置模块,用于按照所述最优参数对配电网进行设置。
第三方面,本发明实施例提供了一种终端设备,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,所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述配电网调控方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任一项所述配电网调控方法的步骤。
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是本发明实施例提供的多虚拟同步机惯量配置方法的流程示意图;
图2是本发明实施例提供的PSO-GA算法流程示意图;
图3是本发明实施例提供的ieee33节点配电网络拓扑图;
图4是本发明实施例提供的初始系统节点电压曲线图;
图5是本发明实施例提供的接入分布式电源后系统节点电压曲线图;
图6是本发明实施例提供的经最优参数设置后系统节点电压曲线图;
图7是本发明实施例提供的算法寻优曲线对比图;
图8是本发明实施例提供的一种基于有功无功联合优化的配电网调控装置结构示意图;
图9是本发明实施例提供的终端设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本方案,下面将结合本方案实施例中的附图,对本方案实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本方案一部分的实施例,而不是全部的实施例。基于本方案中的实施例,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,都应当属于本方案保护的范围。
本方案的说明书和权利要求书及上述附图中的术语“包括”以及其他任何变形,是指“包括但不限于”,意图在于覆盖不排他的包含,并不仅限于文中列举的示例。此外,术语“第一”和“第二”等是用于区别不同对象,而非用于描述特定顺序。
以下结合具体附图对本发明实施例的实现进行详细的描述:
如图1所示,该配电网调控方法可以包括步骤101至步骤103。
步骤101:建立配电网有功无功联合调控模型。
步骤1011:构建目标函数,目标函数包括第一目标函数和第二目标函数。
(1)第一目标函数
第一目标函数是反映配电网总体节点电压偏差的函数,在约束条件下的总体节点电压偏差最小是电网运行稳定性和电压无功调节的重要指标,第一目标函数f1表达式如下:
其中,f1表示总体电压偏差,N表示系统拓扑结构的节点数,Vi表示第i个节点的电压,Vabs表示线路额定电压。
(2)第二目标函数
第二目标函数是反映配电网线路网络功率损耗的函数,在配电网运行过程中需要调节系统线路网络功率损耗最小,分布式电源接入配电网后会对电网中支路潮流流向及大小产生影响,使得线路网损发生变化,网损过大不利于配电网的经济运行。根据从电网中提取的具体设置参数,经过潮流计算得到支路有功功率,无功功率,节点电压,支路电阻等数据,进而得出功率损耗,第二目标函数f2表达式如下:
式中,f2表示有功功率损耗的总和,Nl表示系统中所有节点构成的集合,Pij、Qij分别表示支路ij上流过的有功功率和无功功率值,Ui表示第i个节点的电压幅值,Rij表示节点i和节点j之间的线路电阻值。
有功无功联合优化模型的目标函数是第一目标函数和第二目标函数的权重组合,目标函数minF的表达式为:
其中0<r1,r2<1,r1+r2=1。
步骤1012:构建约束条件,约束条件包括节点电压约束,支路电流约束,短路电流约束,架空线的额定传输容量约束。
在一具体实施方式中,约束条件构成可以包含步骤A1至步骤A4。
步骤A1,节点电压约束。
根据潮流计算结果得到的节点电压,对其进行范围判断,看是否处在约束范围内,计算完成转入步骤A2,其具体表达式如下:
UN(1-ε1)≤Ui≤UN(1+ε2) (4)
式中,UN表示系统的额定电压,ε1、ε2表示国标规定允许的电压偏差率。
步骤A2,支路电流约束。
根据潮流计算结果得到的支路电流,对其进行范围判断,看是否处在约束范围内,计算完成转入步骤A3,其具体表达式如下:
Iij≤Iijmax (5)
式中,Iij表示连接节点i和节点j的支路ij的支路电流,Iijmax表示连接节点i和节点j的支路ij所允许通过的最大电流值。
步骤A3,短路电流约束,根据潮流计算结果得到的短路电流,对其进行范围判断,看是否处在约束范围内,计算完成转入步骤A4,其具体表达式如下:
Itrouble≤Itrouble max (6)
式中,Itrouble表示故障点短路电流的有效值,Itrouble max为国标规定的最大短路电流值。
步骤A4,架空线额定容量约束,根据潮流计算结果得到的架空线额定容量,对其进行范围判断,看是否处在约束范围内,其具体表达式如下:
式中,PPV,i,QPV,i分别表示第i个节点的光伏有功出力及无功出力;PL,i,QL,i分别表示第i个节点的有功负荷量及无功负荷量;PESS,i表示第i个节点的储能出力;QSC,i表示第i个节点的电容器组的无功出力;Smax表示该配电网线路的最大传输容量。
步骤1013:根据目标函数和约束条件,建立有功无功联合优化模型。
有功无功联合优化模型是一个非线性规划模型,由目标函数和约束条件组成。以配电网总体节点电压偏差和线路网络功率损耗最小为目标构建目标函数,目标函数包括配电网的第一目标函数和第二目标函数,第一目标函数反映配电网总体节点电压偏差,第二目标函数反映配电网线路网络功率损耗。约束条件包括节点电压约束,支路电流约束,短路电流约束,架空线的额定传输容量约束。
步骤102:根据配电网有功无功联合调控模型,计算配电网运行的最优参数。
针对本发明实施例构建的配电网有功无功联合调控模型,采用改进的PSO-GA算法求取该模型中目标函数的全局最优解,该全局最优解即为配电网运行的最优参数。
本发明实施例采用的算法是基于粒子群优化算法PSO(Particle SwarmOptimization)和遗传算法GA(Genetic Algorithm)的改进算法,算法流程如图2所示,在一具体实施方式中,该改进PSO-GA算法流程可以包括步骤B1至步骤B9。
步骤B1:根据配电网中的可调控参数初始化种群,得到第k代种群;种群中个体为配电网有功无功联合调控模型的一组解。
遗传算法是从代表问题可能潜在的解集的一个种群开始的,而一个种群则由经过基因编码的一定数目的个体组成,以种群中的所有个体为对象,并利用随机化技术进行高效搜索。但是遗传算法同时也存在收敛速度较慢,无法很好地记忆最优解的缺点,由此,本发明实施例选择在粒子群算法和遗传算法的基础上进行改进,得到改进的PSO-GA算法,使改进后的算法具有良好的遍历性和收敛的快速性。对于改进后的PSO-GA算法,参数编码方式、初始化种群、设计适应度函数、种群迭代的操作等要素组成了算法的核心内容。
参数编码即把一个问题的可行解从其解空间转换到算法所能处理的搜索空间的转换方法,关系到交叉算子、变异算子等遗传算子的运算方法,极大地影响着计算的效率。目前比较常用的编码方式是二进制编码,但二进制编码存在着一些局限性,例如:本质特征或相关必要信息可能会有所丢失;算法的小范围优化能力变差;产生Hamming问题,即相邻整数之间的间距会影响到搜索的精度,降低算法搜索的效率;如果字符串的长度不够,就不能得到理想的结果的精度,如果长度太长,那么计算负载太大,可能导致计算机运行停滞等等。所以本算法采用实数编码,以经实数编码的数组作为种群。
首先采用基于立方映射的混沌映射对数组进行混沌初始化,生成初始数组。初始数组中的元素个数和元素的取值范围根据该配电网系统中影响电路波动的可调控参数确定。算法运行中种群中的每一个个体都是数组中的一组数。
例如,在本发明的实施例里根据实验配电网系统中的可调控参数组成DG-OLTC-SC-ESS数组,可调控参数包括分布式光伏无功出力(DG),有载调压变压器分接头位置(OLTC),电容器投切组数(SC)及储能装置的有功出力(ESS)。
具体的,首先根据需要生成的DG-OLTC-SC-ESS数组的组数(种群的个数)确定随机数组的组数n,再根据每一组DG-OLTC-SC-ESS数组所包含的元素个数,确定每一组随机数中包含的随机数的个数i。随机数由如下公式(8)产生:
再将生成的随机数组带入到公式(9),限制其范围,形成DG-OLTC-SC-ESS数组:
其中,maxi,mini分别表示每一组DG-OLTC-SC-ESS数组中第i个元素的上、下限,yi(n)是利用立方映射产生的第n个随机数组的第i维量,xin为第n个DG-OLTC-SC-ESS数组的第i个元素值。
通过上述两个步骤得到了最原始的DG-OLTC-SC-ESS数组,也就是联合调控模型中目标函数的多组随机解,标注为第k代种群。
步骤B2:根据目标函数确定适应度函数,适应度函数值表征种群中个体作为配电网有功无功联合调控模型的解的优劣性。
适应度函数可以反应DG-OLTC-SC-ESS数组作为调控模型的解的优劣性,是算法过程中对种群中个体进行淘汰和选择等操作的依据。
算法运算过程中采用的适应度函数为:
其中,fitness(n)表示DG-OLTC-SC-ESS数组中的第n个个体的适应度值。
步骤B3:基于适应度函数,更新第k代种群的速度和位置,得到第k+1代种群。
对初始形成的DG-OLTC-SC-ESS数组或者经过循环后转入该部分的DG-OLTC-SC-ESS数组,统一用x1,x2,…,xn表示,对第k代DG-OLTC-SC-ESS数组进行更新速度和位置的操作,数组中的每一个个体是粒子群算法中的一个粒子,仅具有两个属性:速度和位置,每个粒子在搜索空间中单独的搜寻最优值。种群中粒子个体的最优值与整个粒子群里的其他粒子共享,比较整个种群的适应度函数值,确定整个粒子群的当前全局最优值,粒子群中的所有粒子根据自己搜寻的最优值和全局最优值来更新自身的速度和位置。
速度更新公式为:
v(i)2=w*v(i)1+c1*rand*(pbest(i)-pop(i))+c2*rand*(gbest-pop(i)) (11)
其中,v(i)2表示更新后的速度,v(i)1表示更新前的速度,w为权重因子,c1,c2分别表示不同的学习因子,rand表示随机数,pbest(i)表示到目前为止,第i个DG-OLTC-SC-ESS数组的最优值,gbest表示到目前位置所有DG-OLTC-SC-ESS数组中的最优值,pop(i)表示第i个DG-OLTC-SC-ESS数组值;
如果v(i)2大于所规定的最大速度或者最小速度,则分别将v(i)2设定为最大速度或则最小速度;
位置更新公式为:
pop(i)new=v(i)2+pop(i)old (12)
其中,pop(i)new表示更新后的第i组DG-OLTC-SC-ESS数组值,pop(i)old更新前的第i组DG-OLTC-SC-ESS数组值;
如果pop(i)new大于所规定DG-OLTC-SC-ESS数组值的最大值或者最小值,则分别将pop(i)new设定为所规定DG-OLTC-SC-ESS数组值的最大值或者最小值。形成新的k+1代DG-OLTC-SC-ESS数组x1',x'2,…,x'n,转入步骤B4。
步骤B4:基于适应度函数,采用改进的轮盘赌选择方法对第k+1代种群进行选择运算,得到第k+2代种群。
用改进的轮盘赌选择对DG-OLTC-SC-ESS数组进行选择运算,将第k+1代DG-OLTC-SC-ESS数组x1',x'2,…,x'n中的每一个x'n先求适应度值,然后用原适应度的平方再求倒数代替原本适应度:
其中,fitness(n)new表示DG-OLTC-SC-ESS数组中的第n个元素x'n的新适应度值,fitness(n)old表示DG-OLTC-SC-ESS数组中的第n个元素x'n的原适应度值。
再经过轮盘赌选择方法复制其中的部分个体,轮盘赌选择方法又称比例选择方法,其基本思想是:各个个体被选中的概率与其适应度大小成正比,然后对被选中的个体进行复制。
复制结束后,将其中重复的x'n进行混沌扰动,带入公式(14):
其中,xold为需要进行扰动操作的DG-OLTC-SC-ESS数组,xnew为进行扰动操作后的DG-OLTC-SC-ESS数组,v为混沌扰动因子,由混沌系统产生,β为人工退化因子,该表达式首先计算混沌扰动因子v,再由人工退化因子β缩小扰动大小,确定扰动半径,使扰动均匀遍历以扰动前的DG-OLTC-SC-ESS数组为中心,区间长度为2β中的点。
通过选择算子,可以将部分适应度低的DG-OLTC-SC-ESS数组通过选择的方式替换掉,从而得到第k+2代DG-OLTC-SC-ESS数组x″1,x″2,…,x″n,转入步骤B5。
步骤B5:基于适应度函数,采用自适应交叉算子对第k+2代种群进行交叉运算,得到第k+3代种群。
采用自适应交叉算子,即算子既与循环次数相关,又与相应循环次数中的适应度函数值相关。随着循环次数的增加,算法的全局搜索需求降低,故本文交叉算子中的交叉概率随着循环次数增加而逐渐减小。另一方面,当参加交叉操作的DG-OLTC-SC-ESS数组适应度比当代平均适应度大时,说明该DG-OLTC-SC-ESS数组有保留的价值,交叉概率也会随着DG-OLTC-SC-ESS数组适应度函数值增加而减小,其具体表达式如下:
其中,pc表示交叉概率,t为当前循环次数,f表示需要进行交叉运算的两个DG-OLTC-SC-ESS数组x″i,x″j的适应度平均值,表示所有的DG-OLTC-SC-ESS数组x″1,x″2,…x″n的适应度平均值,Pc max=0.8,Pc min=0.5分别为DG-OLTC-SC-ESS数组的最大交叉率和最小交叉率,ρ=Pc max-Pc min。
之后的交叉方式采取算术交叉,具体表达式为:
其中,α为系统产生的(0,1)之间的随机数,zn,yn为需要进行交叉操作的DG-OLTC-SC-ESS数组,z'n,y'n为进行交叉操作后的DG-OLTC-SC-ESS数组,然后将交叉运算后的第k+3代数组x″′1,x″′2,…,x″′n转入步骤B6。
步骤B6:基于适应度函数,采用混沌变异算子对第k+3代种群进行变异运算,得到第k+4代种群。
变异运算可以使DG-OLTC-SC-ESS数组进行小的方向不确定的变化,增加数组的随机性。改进的自适应变异算子与自适应交叉算子原理类似,不仅与循环次数相关,而且还和DG-OLTC-SC-ESS数组的适应度有关。随着循环次数的增加,为了防止搜索后期进入局部最优解,改进的自适应算子的变异概率随着循环次数的增加而增加,直至达到最大变异概率。当该组DG-OLTC-SC-ESS数组适应度大于所有的DG-OLTC-SC-ESS数组的平均适应度时,加大变异概率,否则减小。
具体的,设置一个概率事件,如果概率事件发生就变异,不发生就不变异。例如,可以生成随机数,如果随机数大于变异概率值,则进行变异,反之则不进行变异。
变异概率Pm的表达式如下:
其中,Pm max=0.05,Pm min=0.001分别为最大变异概率和最小变异概率,μ=Pm max-Pm min。
采用的混沌变异为扰动变异,将x″′1,x″′2,…x″′n带入表达式(18)中的xold:
步骤B7:根据约束条件对第k+4代种群中个体进行判断,保留符合约束条件的个体,对不符合约束条件的个体通过混沌映射进行替换,得到第k+5代种群。
通过潮流计算可以得到DG-OLTC-SC-ESS数组中参数所表示的配电网中各节点的电压,支路电流,短路电流,然后分别将节点电压,支路电流,短路电流,架空线的传输容量与约束条件进行对比,不满足,则舍弃该DG-OLTC-SC-ESS数组,满足则保留。
节点电压约束表达式为公式(4):
UN(1-ε1)≤Ui≤UN(1+ε2) (4)
式中,Iij表示连接节点i和节点j的支路ij的支路电流,Iij max表示连接节点i和节点j的支路ij所允许通过的最大电流值。根据上式和已知的UN,判断该电压值是否在允许的范围内;如果是,则保留该电压值对应的DG-OLTC-SC-ESS数组,如果不是则舍弃。
支路电流约束表达式为公式(5):
Iij≤Iij max (5)
式中,Iij表示连接节点i和节点j的支路ij的支路电流,Iij max表示连接节点i和节点j的支路ij所允许通过的最大电流值。根据上式,判断该电流值是否在允许的范围内;如果是,则保留该电流值对应的DG-OLTC-SC-ESS数组,如果不是则舍弃。
短路电流约束表达式为公式(6):
Itrouble≤Itrouble max (6)
式中,Itrouble表示故障点短路电流的有效值,Itrouble max为国标规定的最大短路电流值。根据上式,判断该电流值是否在允许的范围内;如果是,则保留该电流值对应的DG-OLTC-SC-ESS数组,如果不是则舍弃;
架空线额定容量约束表达式为公式(7):
式中,PPV,i,QPV,i分别表示第i个节点的光伏有功出力及无功出力;PL,i,QL,i分别表示第i个节点的有功负荷量及无功负荷量;PESS,i表示第i个节点的储能出力;QSC,i表示第i个节点的电容器组的无功出力;Smax表示该配电网线路的最大传输容量。根据上式判断该架空线容量值是否小于配电网线路最大传输容量;如果是,则保留该架空线容量值对应的DG-OLTC-SC-ESS数组,如果不是则舍弃。
可选的,可以对适应度函数添加惩罚函数,将所有不符合约束条件的数组的适应度通过惩罚函数降低后可以保留不符合约束条件的数组,将种群直接转入步骤B8进行处理。
步骤B8:基于适应度函数,采用自适应移民算子对第k+5代种群进行移民运算,得到第k+6代种群。
是否进行移民取决于移民概率,如果概率事件发生就移民,不发生就不移民。采用自适应移民算子,即算子既与循环次数相关,也与DG-OLTC-SC-ESS数组适应度的方差相关。随着循环次数的增加,为了防止搜索后期进入局部最优解,改进的自适应算子中移民概率的大小随着循环次数的增加而增加,直至最大移民概率。当DG-OLTC-SC-ESS数组适应度的方差大于某一阀值时,说明DG-OLTC-SC-ESS数组的随机性比较良好,此时移民概率Pi随着DG-OLTC-SC-ESS数组适应度的方差的增大而减小,其具体表达式如下:
其中,Pi max=0.8,Pi min=0.5分别为最大移民概率和最小移民概率,E表示当前DG-OLTC-SC-ESS数组的适应度方差,σ为阀值,γ=Pi max-Pi min。
移民算子可以将适应度低的DG-OLTC-SC-ESS数组替换,保持所有DG-OLTC-SC-ESS数组的高适应度。
移民方式采取部分替换方式,先进行适应度计算,对DG-OLTC-SC-ESS数组按照适应度值降序排序,找出适应度最低的一部分劣质DG-OLTC-SC-ESS数组。
优选的,在本实施例中选取适应度排序后5%的个体;然后经混沌映射随机产生新的DG-OLTC-SC-ESS数组xi,如果xi的适应度大于原适应度末尾的5%中的某一组DG-OLTC-SC-ESS数组xj,则用xi替换xj,直到替换完成原DG-OLTC-SC-ESS数组适应度最低的5%,得到第k+6代DG-OLTC-SC-ESS数组转入步骤B9。
步骤B9:基于适应度函数,对第k+6代种群进行精英保留和混沌扰动处理,得到第k+7代种群。
先对第k+6代DG-OLTC-SC-ESS数组的适应度值进行降序排序,选择其中适应度值最大的5%的DG-OLTC-SC-ESS数组进行保留,使其不参加下一次循环中的选择,交叉,变异和移民操作,直到下一次精英保留确定是否对其进行保留。
此步骤可以将适应度高的DG-OLTC-SC-ESS数组进行保留,防止在进行扰动,交叉和变异时将其破坏,使得下一轮得到的结果还没有上一轮的好。没有保留的DG-OLTC-SC-ESS数组进行下一步,增加DG-OLTC-SC-ESS数组的随机性。然后对未进行精英保留的95%的DG-OLTC-SC-ESS数组添加小幅度的混沌扰动,混沌扰动添加方式和步骤B6里一致,处理完成后判断是否满足结束条件,若不满足,将处理后的第k+7代种群再次转入步骤B3。
当满足循环结束条件,即完成步骤B3到步骤B9的循环次数到规定循环次数(例如300次),则在下一次循环(例如第301次循环)过程中,完成步骤B6确认输出的最优解符合优化模型中的约束条件后,直接计算数组的适应度函数值,其中适应度值最大的DG-OLTC-SC-ESS数组xm即为全局最优解,然后将xm代入到目标函数中,得到目标函数minF模型的最优结果,接着输出最优DG-OLTC-SC-ESS数组xm,得到配电网运行的最优参数。
步骤103:按照最优参数对配电网进行设置。
根据步骤102中计算出的最优参数,对配电网进行设置,按照最优参数设置的配电网,总体电压偏差和线路网络的功率损耗达到了最小,实现了有功无功的联合调控。
实施例1,通过配电网模拟系统进行实验,验证本发明实施例的调控效果。以图3所示的ieee33节点配电网络拓扑图为基础,其中支路参数不做更改,系统基准容量为10MVA,基准电压为12.66kV,系统总负荷为5084.26+j2547.32kVA。其中1号节点为配电网系统的电源点,设置为平衡节点,电压取值1.0pu,节点电压的范围为0.95-1.05(pu),线路的电流限值为250A,每个节点光伏容量上限为1MW,最大短路电流值参照国家电网公司制定的《10kV配电工程典型设计技术导则》中的规定值选取:最大三相短路电流不能超过20kA。
选择在节点1和节点2中间添加一个台有载调压变压器,调节档位分为9档,每一档调节量为0.0125p.u。节点11,18,25,28,33分别接入可投切并联电容器组,容量分别为50kvar*10,在节点15以及节点30处分别接入一个光伏电源以及一个储能系统,分布式光伏电源总的额定功率为1MW,其中有功出力均为800kW,得无功调节上限为600kvar;储能系统的最大充放电功率为1MW;
当未接入有载调压变压器(OLTC),光伏电源(DG),储能系统(ESS)以及电容补偿器(SC)时,系统中各个节点电压如图4所示,其中系统总有功损耗为202.45kW,可以看到部分节点电压已经超越下限。
当将两台分布式电源投入以后,系统节点电压曲线如图5所示,其中系统总有功损耗为91.50kW,可以看到有功损耗得到了明显的降低,并且所有节点的电压都已经在允许范围内。当接入有载调压变压器和投入储能以及并联电容器以后,采用PSO算法以及改进的PSO-GA算法对光伏的无功出力,储能出力,投切电容器的组数以及变压器分接头的位置这些可调控参数进行优化。然后按照得到的最优参数结果进行设置,最后运行系统得到的电压对比结果如图6,其中各部分参数如表1所示,算法寻优曲线对比如图7所示。
表1:算法寻优结果中各环节参数
由图表对比可知经过有功无功联合优化后,系统的电压都无越限情况,电压波动大幅度降低,同时有功损耗也得到了大幅度的降低。再对比PSO算法和改进PSO-GA算法可知,改进PSO-GA算法比PSO算法具有更好的更快的收敛速度以及更强的寻优能力,同时对比初代适应度值,可以看出混沌映射初始化比随机数初始化具有更好的效果。
参见图8,本发明实施例提供了基于有功无功联合优化的配电网调控装置30,包括:模型建立模块310、参数计算模块320、参数设置模块330。
模型建立模块310,用于建立配电网有功无功联合调控模型;有功无功联合调控模型包括目标函数和约束条件;目标函数包括第一目标函数和第二目标函数,第一目标函数表征配电网总体节点电压偏差,第二目标函数表征配电网线路网络功率损耗;约束条件包括节点电压约束、支路电流约束、短路电流约束和架空线的额定传输容量约束中的一项或多项。
参数计算模块320,用于根据配电网有功无功联合调控模型,计算配电网运行的最优参数。
参数设置模块330,用于按照最优参数对配电网进行设置。
图9是本发明一实施例提供的终端设备的示意图。如图9所示,该实施例的终端设备4包括:处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42,例如基于有功无功联合优化的配电网调控程序。处理器40执行计算机程序42时实现上述配电网调控方法实施例中的步骤,例如图1所示的步骤101至步骤103。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图8所示模块310至330的功能。
示例性的,所述计算机程序42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41中,并由所述处理器40执行,以完成本发明。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42在所述终端设备4中的执行过程。例如,所述计算机程序42可以被分割成模型建立模块、参数计算模块、参数设置模块。
所述终端设备4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。所述终端设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图9仅仅是终端设备4的示例,并不构成对终端设备4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,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40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)、现成可编程门阵列(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41可以是所述终端设备4的内部存储单元,例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备,例如所述终端设备4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41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
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,并不用于限制本发明的保护范围。上述系统中单元、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。
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发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备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,在本发明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,本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、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电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种配电网调控方法,其特征在于,包括:
建立配电网有功无功联合调控模型;所述有功无功联合调控模型包括目标函数和约束条件;所述目标函数包括第一目标函数和第二目标函数,所述第一目标函数表征配电网总体节点电压偏差,所述第二目标函数表征配电网线路网络功率损耗;所述约束条件包括节点电压约束、支路电流约束、短路电流约束和架空线的额定传输容量约束中的一项或多项;
根据所述配电网有功无功联合调控模型,计算配电网运行的最优参数;
按照所述最优参数对配电网进行设置。
2.如权利要求1所述的配电网调控方法,其特征在于,所述根据所述配电网有功无功联合调控模型,计算配电网运行的最优参数,包括:
步骤B1,根据配电网中的可调控参数初始化种群,得到第k代种群;所述种群中个体为所述配电网有功无功联合调控模型的一组解;
步骤B2,根据所述目标函数确定适应度函数,所述适应度函数表征所述种群中个体作为所述配电网有功无功联合调控模型的解的优劣性;
步骤B3,基于所述适应度函数,更新第k代种群的速度和位置,得到第k+1代种群;
步骤B4,基于所述适应度函数,采用改进的轮盘赌选择方法对第k+1代种群进行选择运算,得到第k+2代种群;
步骤B5,基于所述适应度函数,采用自适应交叉算子对第k+2代种群进行交叉运算,得到第k+3代种群;
步骤B6,基于所述适应度函数,采用混沌变异算子对第k+3代种群进行变异运算,得到第k+4代种群;
步骤B7,根据所述约束条件对第k+4代种群中个体进行判断,保留符合约束条件的个体,对不符合约束条件的个体通过混沌映射进行替换,得到第k+5代种群;
步骤B8,基于所述适应度函数,采用自适应移民算子对第k+5代种群进行移民运算,得到第k+6代种群;
步骤B9,基于所述适应度函数,对第k+6代种群进行精英保留和混沌扰动处理,得到第k+7代种群;
判断是否满足循环结束条件,若不满足,将第k+7代种群输入步骤B3,按照步骤B3至步骤B9再次循环;
满足循环结束条件时,输出全局最优解;该最优解为配电网运行的最优参数。
3.如权利要求2所述的配电网调控方法,其特征在于,所述步骤B4包括:
确定第k+1代种群中个体的原适应度;
计算所述原适应度的平方的倒数,得到所述第k+1代种群中个体的新适应度;
根据所述新适应度,通过轮盘赌方法复制其中部分个体,对经复制后重复的个体进行混沌扰动,得到第k+2代种群。
4.如权利要求2所述的配电网调控方法,其特征在于,所述步骤B1包括:
根据配电网中的可调控参数确定初始数组中的元素个数和元素的取值范围,设定所述初始数组的组数,生成组数和元素个数与所述初始数组一致的随机数组;
基于所述随机数组通过混沌映射的方式生成所述初始数组,所述初始数组为第k代种群。
5.如权利要求2所述的配电网调控方法,其特征在于,所述步骤B8包括:
根据移民概率确定是否对种群进行移民操作,移民概率Pi的表达式为:
其中,Pi max、Pi min分别为最大移民概率和最小移民概率,E表示当前第k+5代种群的适应度方差,σ为阀值,γ=Pi max-Pi min;
若所述移民概率表示的事件发生时,对种群进行移民操作,计算第k+5代种群中所有个体的适应度,将所有个体中的目标个体进行替换,所述目标个体的数量为所有个体与预设比例的乘积,且所述目标个体的适应度小于其他个体的适应度;
所述将所有个体中的目标个体进行替换的方式为:经混沌映射随机产生新个体,如果所述新个体的适应度大于所述目标个体中的任何一个个体,则用所述新个体替换该个体,直到所述目标个体全部被替换完,得到第k+6代种群。
7.如权利要求2所述的配电网调控方法,其特征在于,步骤B9包括:
计算第k+6代种群中所有个体的适应度,将所有个体中的目标个体进行保留,所述目标个体的数量为所有个体与预设比例的乘积,且所述目标个体的适应度高于其他个体的适应度,被保留的所述目标个体不参加下一次循环中的步骤B4、步骤B5、步骤B6和步骤B8;
对第k+6代种群中未进行保留的个体添加混沌扰动;
将所述被保留的个体和经混沌扰动后的个体组成第k+7代种群。
8.一种配电网调控装置,其特征在于,包括:
模型建立模块,用于建立配电网有功无功联合调控模型;所述有功无功联合调控模型包括目标函数和约束条件;所述目标函数包括第一目标函数和第二目标函数,所述第一目标函数表征配电网总体节点电压偏差,所述第二目标函数表征配电网线路网络功率损耗;所述约束条件包括节点电压约束、支路电流约束、短路电流约束和架空线的额定传输容量约束中的一项或多项;
参数计算模块,用于根据所述配电网有功无功联合调控模型,计算配电网运行的最优参数;
参数设置模块,用于按照所述最优参数对配电网进行设置。
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7中任一项所述配电网调控方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述配电网调控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714570.7A CN113364057A (zh) | 2021-06-25 | 2021-06-25 | 一种配电网调控方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714570.7A CN113364057A (zh) | 2021-06-25 | 2021-06-25 | 一种配电网调控方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113364057A true CN113364057A (zh) | 2021-09-07 |
Family
ID=77536636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110714570.7A Pending CN113364057A (zh) | 2021-06-25 | 2021-06-25 | 一种配电网调控方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113364057A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114123164A (zh) * | 2021-10-12 | 2022-03-01 | 国网河北省电力有限公司电力科学研究院 | 一种电力系统短路容量计算方法、装置及终端设备 |
CN117526443A (zh) * | 2023-11-07 | 2024-02-06 | 北京清电科技有限公司 | 一种基于新型电力系统的配电网优化调控方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106410856A (zh) * | 2016-11-30 | 2017-02-15 | 国网山东省电力公司电力科学研究院 | 一种含分布式电源的配电网多目标优化调度方法 |
CN108306298A (zh) * | 2018-01-17 | 2018-07-20 | 中国科学院电工研究所 | 一种柔性多状态开关接入配电网的设计方法 |
CN109449994A (zh) * | 2018-12-29 | 2019-03-08 | 合肥工业大学 | 一种含柔性互联装置的主动配电网的功率调控方法 |
CN109687472A (zh) * | 2019-01-23 | 2019-04-26 | 合肥工业大学 | 一种基于柔性多状态开关的无功电压协调控制方法 |
CN112994099A (zh) * | 2021-03-05 | 2021-06-18 | 河北工业大学 | 一种高比例分布式光伏并网消纳能力分析方法 |
-
2021
- 2021-06-25 CN CN202110714570.7A patent/CN113364057A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106410856A (zh) * | 2016-11-30 | 2017-02-15 | 国网山东省电力公司电力科学研究院 | 一种含分布式电源的配电网多目标优化调度方法 |
CN108306298A (zh) * | 2018-01-17 | 2018-07-20 | 中国科学院电工研究所 | 一种柔性多状态开关接入配电网的设计方法 |
CN109449994A (zh) * | 2018-12-29 | 2019-03-08 | 合肥工业大学 | 一种含柔性互联装置的主动配电网的功率调控方法 |
CN109687472A (zh) * | 2019-01-23 | 2019-04-26 | 合肥工业大学 | 一种基于柔性多状态开关的无功电压协调控制方法 |
CN112994099A (zh) * | 2021-03-05 | 2021-06-18 | 河北工业大学 | 一种高比例分布式光伏并网消纳能力分析方法 |
Non-Patent Citations (2)
Title |
---|
康忠健等: "基于改进遗传算法的自抗扰控制器参数优化", 《信息与控制》 * |
杨艺等: "含有分布式电源的主动配电网多目标优化", 《自动化与仪表》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114123164A (zh) * | 2021-10-12 | 2022-03-01 | 国网河北省电力有限公司电力科学研究院 | 一种电力系统短路容量计算方法、装置及终端设备 |
CN114123164B (zh) * | 2021-10-12 | 2023-08-22 | 国网河北省电力有限公司电力科学研究院 | 一种电力系统短路容量计算方法、装置及终端设备 |
CN117526443A (zh) * | 2023-11-07 | 2024-02-06 | 北京清电科技有限公司 | 一种基于新型电力系统的配电网优化调控方法及系统 |
CN117526443B (zh) * | 2023-11-07 | 2024-04-26 | 北京清电科技有限公司 | 一种基于电力系统的配电网优化调控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Multi-objective optimal reactive power dispatch of power systems by combining classification-based multi-objective evolutionary algorithm and integrated decision making | |
Radu et al. | A multi-objective genetic algorithm approach to optimal allocation of multi-type FACTS devices for power systems security | |
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 | |
CN113036772B (zh) | 一种基于深度强化学习的配电网拓扑电压调节方法 | |
CN112803404A (zh) | 配电网自愈重构规划方法、装置及终端 | |
CN113364057A (zh) | 一种配电网调控方法、装置及终端设备 | |
CN109066710A (zh) | 一种多目标无功优化方法、装置、计算机设备及存储介质 | |
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 | |
Banu et al. | Multi-objective GA with fuzzy decision making for security enhancement in power system | |
WO2011068989A1 (en) | Restoration switching analysis with modified genetic algorithm | |
CN112994099B (zh) | 一种高比例分布式光伏并网消纳能力分析方法 | |
CN112054519B (zh) | 一种配电网低电压优化治理方法、系统及设备 | |
Korab et al. | Application of particle swarm optimization for optimal setting of Phase Shifting Transformers to minimize unscheduled active power flows | |
Quoc et al. | Symbiotic organism search algorithm for power loss minimization in radial distribution systems by network reconfiguration and distributed generation placement | |
Sedighizadeh et al. | Optimal reconfiguration and capacitor allocation in radial distribution systems using the hybrid shuffled frog leaping algorithm in the fuzzy framework | |
CN111146815B (zh) | 一种智能配电网分布式发电规划配置方法 | |
Rahiminejad et al. | Shuffled frog leaping algorithm optimization for AC--DC optimal power flow dispatch | |
Guo et al. | Distribution network reconfiguration based on opposition learning genetic algorithm | |
CN115912254A (zh) | 一种配电网多目标重构策略自愈控制方法及装置 | |
CN115912493A (zh) | 分布式电源接入方法、电子设备、配电网及存储介质 | |
CN115313519A (zh) | 一种配电网储能优化配置方法、装置、设备及存储介质 | |
Balasubbareddy | A solution to the multi-objective optimization problem with FACTS devices using NSHCSA including practical constraints | |
Vo et al. | Multi-objective security constrained optimal active and reactive power dispatch using hybrid particle swarm optimization and differential evolution | |
CN110829440B (zh) | 一种三相中低压一体化配电网电压控制方法及系统 | |
Le Roux et al. | Distribution network reconfiguration using genetic algorithm and load flow |
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 |