CN113629789B - 一种配电网无功优化方法及系统 - Google Patents

一种配电网无功优化方法及系统 Download PDF

Info

Publication number
CN113629789B
CN113629789B CN202111190162.2A CN202111190162A CN113629789B CN 113629789 B CN113629789 B CN 113629789B CN 202111190162 A CN202111190162 A CN 202111190162A CN 113629789 B CN113629789 B CN 113629789B
Authority
CN
China
Prior art keywords
network
power distribution
distribution network
reactive power
dynamic
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
CN202111190162.2A
Other languages
English (en)
Other versions
CN113629789A (zh
Inventor
袁建洪
袁建业
余音
庾晓栋
叶锡滔
彭昕
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.)
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Dongguan Power Supply Bureau of Guangdong Power Grid 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 Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202111190162.2A priority Critical patent/CN113629789B/zh
Publication of CN113629789A publication Critical patent/CN113629789A/zh
Application granted granted Critical
Publication of CN113629789B publication Critical patent/CN113629789B/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
    • 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
    • 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
    • H02J3/18—Arrangements for adjusting, eliminating or compensating reactive 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
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/20—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
    • 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

本发明公开了一种配电网无功优化方法及系统，包括以下步骤：步骤S1、基于含分布电源的配电网的网络结构以及电控参数利用智能搜索算法建立无功优化动态模型；步骤S2、基于所述电控参数进行潮流计算，并依据所述潮流计算结果量化无功优化动态模型的约束框架；步骤S3、基于所述无功优化动态模型利用多目标遗传算法在约束框架的约束下获得含分布电源的配电网的无功优化动态方案。本发明利用动态平滑度和无功优化度构建目标函数，将无功优化问题转变为最小化多目标优化问题，以此建立无功优化动态模型实现在时效性、经济性和稳定性三者中的权衡，完成最佳的无功优化动态方案。

Description

一种配电网无功优化方法及系统
技术领域
本发明涉及电网优化技术领域，具体涉及一种配电网无功优化方法及系统。
背景技术
目前，随用电量的日益增加，电网的稳定、经济运行日益受到重视，电网的电能质量差，不仅影响电力企业本身，同时影响电力系统的安全。电力系统的无功功率优化和无功功率补偿是电力系统安全运行的重要组成部分，对电力系统的合理配置和无功负荷的最佳补偿，不仅可以提高电力系统运行的稳定性，还可以降低网损，使电力系统安全、经济运行。无功优化就是在系统网络结构和系统负荷给定的情况下，通过调节控制变量使系统在满足各种约束调节下网损达到最小，通过无功优化不仅使全网电源在额定值附近运行，而且能够提高电网经济效益、电能质量。
现有技术中，对于无功优化问题的传统算法和智能算法两种，其中传统算法分为线性和非线性规划两种，其缺点是目标函数及约束条件必须连续、可微，对初始点的要求比较高，此外，对离散变量较难处理。而智能算法比如CN201410834526.X公开了含分布电源的配电网无功优化方法及装置，包括：根据预设的含分布电源的配电网控制参数和遗传算法模型建立配电网无功优化遗传算法模型；对预设的配电网控制参数进行潮流计算确定配电网无功优化遗传算法模型的无功优化的等式约束；根据配电网控制参数中的可调控变压器分接头的位置、各节点电压、并联无功补偿容量发电机出力及各节点配变高压侧的功率因数确定配电网无功优化遗传算法模型的不等式约束；根据预设的优先级参数、无功优化的等式约束、不等式约束及无功优化遗传算法模型生成无功优化结果，求解问题时要求的信息少，求解过程简单，可较大几率的得到最优解或次优解，该智能优化模型只考虑了无功优化对配电网的安全性、时效性和经济性，却未考虑到优化过程中需要保持配电网络的动态稳定性，导致配电网络的无法维持稳健运行。
发明内容
本发明的目的在于提供一种配电网无功优化方法及系统，以解决现有技术中未考虑到优化过程中需要保持配电网络的动态稳定性，导致配电网络的无法维持稳健运行的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种配电网无功优化方法，包括以下步骤：
步骤S1、基于含分布电源的配电网的网络结构以及电控参数利用智能搜索算法建立无功优化动态模型；
步骤S2、基于所述电控参数进行潮流计算，并依据所述潮流计算结果量化无功优化动态模型的约束框架；
步骤S3、基于所述无功优化动态模型利用多目标遗传算法在约束框架的约束下获得含分布电源的配电网的无功优化动态方案。
作为本发明的一种优选方案，所述步骤S1中，所述无功优化动态模型构建的方法包括：
步骤S101、基于分布电源的动态分布对所述含分布电源的配电网的网络结构进行动 态社团分析获得配电网动态社团结构
Figure 100002_DEST_PATH_IMAGE001
，n为分布电源在配电网中的电性动态变化 的形态总数，并基于所述配电网动态社团结构计算确定所述含分布电源的配电网的网络结构 的动态平滑度，所述动态平滑度的计算公式为：
Figure 903996DEST_PATH_IMAGE002
，
其中，
Figure 635192DEST_PATH_IMAGE003
为动态平滑度值，H为混合矩阵，
Figure 894135DEST_PATH_IMAGE004
表征为配电网动态社团结构
Figure 382885DEST_PATH_IMAGE005
中社团k内的网络节点同时处于
Figure 385476DEST_PATH_IMAGE006
中社团l内的数目，
Figure 908861DEST_PATH_IMAGE007
和
Figure 135443DEST_PATH_IMAGE008
分别是
Figure 377069DEST_PATH_IMAGE009
和
Figure 917771DEST_PATH_IMAGE010
划分结果中的社团总个数，
Figure 295663DEST_PATH_IMAGE011
、
Figure 896409DEST_PATH_IMAGE012
分别为
Figure 422068DEST_PATH_IMAGE013
和
Figure 766462DEST_PATH_IMAGE014
的社团总个数n的对应区分标号，H k 和H l 分别为混合矩阵H中第k行和第l列的元素之和，
Figure 264439DEST_PATH_IMAGE015
，
Figure 770507DEST_PATH_IMAGE016
分别表示为社团结构的标号，N为配电网的网络结构中网络节点总数；
步骤S102、基于所述含分布电源的配电网的电控参数计算确定所述含分布电源的配电网的无功优化度，所述无功优化度计算公式为：
Figure 986724DEST_PATH_IMAGE017
，
其中，
Figure 931547DEST_PATH_IMAGE018
；
Figure 284031DEST_PATH_IMAGE019
；
Figure 961000DEST_PATH_IMAGE020
；
Figure 398934DEST_PATH_IMAGE021
；
Figure 147447DEST_PATH_IMAGE022
；
Figure 354438DEST_PATH_IMAGE023
；
SC为无功优化度值，A1，A2，A3为电控参数的权重参数，N为配电网的网络结构中网络节点总数，
Figure 467887DEST_PATH_IMAGE024
为分布电源的数目，
Figure 393118DEST_PATH_IMAGE025
，
Figure 617426DEST_PATH_IMAGE026
，
Figure 944502DEST_PATH_IMAGE027
分别为网络节点
Figure 291170DEST_PATH_IMAGE028
的电压值，电压允许极限高值，电压允许极限低值，
Figure 438117DEST_PATH_IMAGE029
，
Figure 466116DEST_PATH_IMAGE030
，
Figure 710016DEST_PATH_IMAGE031
分别为分布电源i2处的无功功率，无功出力极限高值，无功出力极限低值，T i 为配电网的网络结构中网络节点
Figure 165268DEST_PATH_IMAGE028
的调节个数，
Figure 65091DEST_PATH_IMAGE032
和
Figure 631201DEST_PATH_IMAGE033
为网络节点
Figure 667290DEST_PATH_IMAGE028
和
Figure 293444DEST_PATH_IMAGE034
的导纳矩阵W和B的矩阵元素，
Figure 477300DEST_PATH_IMAGE035
为网络节点
Figure 847102DEST_PATH_IMAGE028
和
Figure 3277DEST_PATH_IMAGE034
的电压相位差，P为配电网的网络结构的有功损耗；
步骤S103、对所述动态平滑度和无功优化度进行权重构建确定所述无功优化动态模型的目标函数，所述目标函数的计算公式为：
Figure 800331DEST_PATH_IMAGE036
，其中，
Figure 409167DEST_PATH_IMAGE037
为目标函数的权重参数。
作为本发明的一种优选方案，所述步骤S1中，还包括量化配电网的网络结构，对所述配电网的所有配电组件均量化为网络节点，以及将连接配电组件的所有电性线路量化为所述网络节点连接用的边，具体量化方法为：
将所述配电组件进行十进制编码量化为节点
Figure 379397DEST_PATH_IMAGE028
，并汇总成节点集
Figure 390079DEST_PATH_IMAGE038
,N为配电网的网络结构中网络节点总数；
将所述配电组件间连接用的电性线路量化为边
Figure 358035DEST_PATH_IMAGE039
，并汇总成边集
Figure 454167DEST_PATH_IMAGE040
，
Figure 228088DEST_PATH_IMAGE039
表示节点
Figure 358855DEST_PATH_IMAGE028
和节点
Figure 497712DEST_PATH_IMAGE034
间的电性线路；
将节点集
Figure 815561DEST_PATH_IMAGE041
和边集
Figure 330856DEST_PATH_IMAGE042
映射量化成配电网的网络结构
Figure 316129DEST_PATH_IMAGE043
。
作为本发明的一种优选方案，所述步骤S101中，所述分布电源的动态分布是指分布电源对所述配电网的电性动态变化，对所有所述配电网的网络结构依次进行动态社团分析获得配电网动态社团结构的具体方法包括：
依时序获取分布电源在配电网中的电性动态变化并量化为一组配电网的网络结构的序列
Figure 688205DEST_PATH_IMAGE044
；
对一组配电网的网络结构的序列
Figure 493350DEST_PATH_IMAGE044
中每个所述网络结构依次进行动态社团分析获得一组配电网社团结构的序列
Figure 546757DEST_PATH_IMAGE045
作为配电网动态社团结构，其中，C1为配电网的网络结构G1的社团结构，n为分布电源在配电网中的电性动态变化的形态总数。
作为本发明的一种优选方案，步骤S2中，所述约束框架包括等量约束和非等量约束，所述等量约束包括：
Figure 386537DEST_PATH_IMAGE046
；
Figure 867196DEST_PATH_IMAGE047
；
其中，
Figure 487534DEST_PATH_IMAGE048
为网络节点
Figure 79052DEST_PATH_IMAGE028
的有功潮流，
Figure 38918DEST_PATH_IMAGE049
为网络节点
Figure 690479DEST_PATH_IMAGE028
的无功潮流，
Figure 532533DEST_PATH_IMAGE032
和
Figure 927742DEST_PATH_IMAGE033
为网络节点
Figure 804431DEST_PATH_IMAGE028
和
Figure 626894DEST_PATH_IMAGE034
的导纳矩阵W和B的矩阵元素，
Figure 893927DEST_PATH_IMAGE035
为网络节点
Figure 92827DEST_PATH_IMAGE028
和
Figure 761706DEST_PATH_IMAGE034
的电压相位差。
作为本发明的一种优选方案，所述非等量约束包括：
Figure 755070DEST_PATH_IMAGE050
，
其中，
Figure 571716DEST_PATH_IMAGE051
、
Figure 574307DEST_PATH_IMAGE052
为配电网的网络结构中网络节点
Figure 97692DEST_PATH_IMAGE028
的调节个数的极限低值和极限高值，
Figure 324274DEST_PATH_IMAGE026
，
Figure 565900DEST_PATH_IMAGE027
分别为网络节点
Figure 106603DEST_PATH_IMAGE028
的电压允许极限高值和电压允许极限低值，
Figure 484494DEST_PATH_IMAGE030
，
Figure 147557DEST_PATH_IMAGE031
分布电源i2处的无功出力极限高值和无功出力极限低值。
作为本发明的一种优选方案，所述步骤S3中，含分布电源的配电网的无功优化动态方案获取的方法：
利用多目标遗传算法求解所述目标函数获得含分布电源的配电网的无功优化Pareto解集；
线性标定目标函数构建适应度函数，并在所述约束框架限定范围内选取所述无功优化Pareto解集中适应度值最高的解作为分布电源的配电网的无功优化动态方案，所述适应度函数的计算公式为：
Figure 821287DEST_PATH_IMAGE053
；
其中，F为适应度值，
Figure 227998DEST_PATH_IMAGE054
为目标函数，
Figure 460396DEST_PATH_IMAGE055
为扰动常数。
作为本发明的一种优选方案，所述动态社团分析的具体方法包括：
获取配电网的网络结构Gx的各网络节点的电控参数，并依据电控参数计算网络节点间的欧氏距离；
基于网络节点间的欧氏距离最短原则对所述配电网的网络结构Gx进行K-means聚 类分簇获得配电网的配电网社团结构Cx，其中，
Figure 294360DEST_PATH_IMAGE056
，n为分布电源在配电网中的电性 动态变化的形态总数。
作为本发明的一种优选方案，利用多目标遗传算法求解目标函数的具体方法包括：
步骤一：对所述电控参数数据进行二进制编码初始化多目标遗传算法的种群交配池；
步骤二：对种群交配池进行迭代遗传，并依据适应度函数对种群交配池进行优选更新；
步骤三：若迭代遗传完成，选取种群交配池优选结果作为所述无功优化Pareto解集，若迭代遗传未完成，返回步骤二。
作为本发明的一种优选方案，本发明提供了一种根据所述的配电网无功优化方法的无功优化系统，包括：
模型建立单元，基于含分布电源的配电网的网络结构以及电控参数利用智能搜索算法建立无功优化动态模型；
框架建立单元，基于所述电控参数进行潮流计算，并依据所述潮流计算结果量化无功优化动态模型的约束框架；
方案确定单元，与所述模型建立单元、框架建立单元通讯连接，基于所述无功优化动态模型利用多目标遗传算法在约束框架的约束下获得含分布电源的配电网的无功优化动态方案。
本发明与现有技术相比较具有如下有益效果：
本发明利用对含分布电源的配电网进行动态社团分析获得配电网的网络结构的动态平滑度，动态平滑度表征为配电网的无功优化中的运行稳定性，依据电控参数计算无功优化度，无功优化度表征为配电网的无功优化中的时效性和经济性，并依据动态平滑度和无功优化度构建目标函数，将无功优化问题转变为最小化多目标优化问题，以此建立无功优化动态模型实现在时效性、经济性和稳定性三者中的权衡，完成最佳的无功优化动态方案。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的配电网无功优化方法流程图；
图2为本发明实施例提供的无功优化系统结构框图；
图3为本发明实施例提供的IEEE-33配电网系统结构示意图。
图中的标号分别表示如下：
1-模型建立单元；2-框架建立单元；3-方案确定单元。
具体实施方式
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，都属于本发明保护的范围。
如图1所示，具有分布电源的配电网的网络结构与分布电源的电性动态相关，即分布电源的电控参数调整会造成配电网的网络结构的社团结构变化，在实现配电网络无功优化时需要保证原有配电网中配电组件的正常稳健运行，也就是保障配电网的网络社团结构在各时刻上呈现相似性以保持动态平滑，并且分布电源的电控参数调整的时间长短和次数会直接影响配电无功优化的优劣程度，从而进一步影响配电网络的网损挽回效果，最终体现在无功优化的时效性和经济性上，而保障配电网社团结构的动态平滑和保证无功优化的优劣程度呈互斥特性，因此可以根据权衡配电网社团结构的动态平滑和保证无功优化的优劣程度获得一个最佳的无功优化方案，以保障配电网稳健运行以及网损最小，因此本发明提供了一种配电网无功优化方法。
一种配电网无功优化方法，包括以下步骤：
步骤S1、基于含分布电源的配电网的网络结构以及电控参数利用智能搜索算法建立无功优化动态模型；
电控参数包括但不限于配电组件处的电压，配电组件的调节数目，以及配电组件的有功损耗，配电组件包括但不限于变压器、电容器等电性调整部件。
由于需要对配电网的网络结构的动态平滑特性进行研究，因此需要对配电网进行网络结构的量化，具体如下：
步骤S1中，还包括量化配电网的网络结构，对配电网的所有配电组件均量化为网络节点，以及将连接配电组件的所有电性线路量化为网络节点连接用的边，具体量化方法为：
将配电组件进行十进制编码量化为节点
Figure DEST_PATH_IMAGE057
，并汇总成节点集
Figure 369632DEST_PATH_IMAGE058
,N为配电网的网络结构中网络节点总数；
将配电组件间连接用的电性线路量化为边
Figure 252138DEST_PATH_IMAGE059
，并汇总成边集
Figure 666938DEST_PATH_IMAGE060
，
Figure 609487DEST_PATH_IMAGE059
表示节点
Figure 109738DEST_PATH_IMAGE061
和节点
Figure 795934DEST_PATH_IMAGE062
间的电性线路；
将节点集
Figure 2925DEST_PATH_IMAGE063
和边集
Figure 116374DEST_PATH_IMAGE064
映射量化成配电网的网络结构
Figure 103922DEST_PATH_IMAGE065
。
步骤S1中，无功优化动态模型构建的方法包括：
步骤S101、基于分布电源的动态分布对含分布电源的配电网的网络结构进行动态 社团分析获得配电网动态社团结构
Figure 328230DEST_PATH_IMAGE001
，n为分布电源在配电网中的电性动态变化 的形态总数，并基于配电网动态社团结构计算确定含分布电源的配电网的网络结构的动态 平滑度，动态平滑度的计算公式为：
Figure 717623DEST_PATH_IMAGE066
，
其中，
Figure 736395DEST_PATH_IMAGE067
为动态平滑度值，H为混合矩阵，
Figure 148921DEST_PATH_IMAGE068
表征为配电网动态社团结构
Figure 176920DEST_PATH_IMAGE069
中社团k内的网络节点同时处于
Figure 358503DEST_PATH_IMAGE070
中社团l内的数目，
Figure 876072DEST_PATH_IMAGE071
和
Figure 510315DEST_PATH_IMAGE072
分别是
Figure 76426DEST_PATH_IMAGE069
和
Figure 378094DEST_PATH_IMAGE073
划分结果中的社团总个数，
Figure 4248DEST_PATH_IMAGE074
、
Figure 188104DEST_PATH_IMAGE075
分别为
Figure 557906DEST_PATH_IMAGE005
和
Figure 776398DEST_PATH_IMAGE076
的社团总个数n的对应区分标号，H k 和H l 分别为混合矩阵H中第k行和第l列的元素之和，
Figure 573452DEST_PATH_IMAGE077
，
Figure 182288DEST_PATH_IMAGE078
分别表示为社团结构的标号，N为配电网的网络结构中网络节点总数；
动态平滑度表示动态网络结构的瞬时平滑特征，动态平滑度值越高，映射到网络结构中表明相邻时刻的配电网的网络结构并不会发生大的变化，社区结构划分的越稳定，与即表明在未产生无功优化时刻和产生无功优化时刻这两个相邻时刻上配电网的网络结构会维持稳定，意味着在无功优化产生后也并不会对配电网的网络结构造成巨大的改变，不会影响运行稳定性，从而用动态平滑度作优化的其中一个目标，是为了在优化后仍保持配电网的稳定运行，作为优化稳定性的一种优化目标。
步骤S101实现了配电网的网络结构的动态平滑特性的数学量化，化抽象描述为具象计算，
Figure 90201DEST_PATH_IMAGE079
，TC的值越高，则配电网的网络结构的动态平滑度特性越好，则配电网的网络结构在无功优化状况下运行越稳定。
步骤S101中，分布电源的动态分布是指分布电源对配电网的电性动态变化，对所有配电网的网络结构依次进行动态社团分析获得配电网动态社团结构的具体方法包括：
依时序获取分布电源在配电网中的电性动态变化并量化为一组配电网的网络结构的序列
Figure 100883DEST_PATH_IMAGE080
；
对一组配电网的网络结构的序列
Figure 131156DEST_PATH_IMAGE080
中每个网络结构依次进行动态社团分析获得一组配电网社团结构的序列
Figure 227288DEST_PATH_IMAGE081
作为配电网动态社团结构，其中，C1为配电网的网络结构G1的社团结构，n为分布电源在配电网中的电性动态变化的形态总数。
分布电源的电性动态变化包括但不限于电压、电流的变化，在分布电源的电性动态变化每产生一次便会改变一次配电网的网络结构，从而产生一个新的配电网的网络结构，将所有的配电网的网络结构依时序进行汇总构成一组配电网的网络结构的序列用以进行动态社团分析，并获得反应动态平滑特性的配电网动态社团结构进行动态平滑度的计算。
动态社团分析的具体方法包括：
获取配电网的网络结构Gx的各网络节点的电控参数，并依据电控参数计算网络节点间的欧氏距离；
基于网络节点间的欧氏距离最短原则对配电网的网络结构Gx进行K-means聚类分 簇获得配电网的配电网社团结构Cx，其中，
Figure 938892DEST_PATH_IMAGE056
，n为分布电源在配电网中的电性动态 变化的形态总数。
步骤S102、基于含分布电源的配电网的电控参数计算确定含分布电源的配电网的无功优化度，无功优化度计算公式为：
Figure 804079DEST_PATH_IMAGE082
，
其中，
Figure 942937DEST_PATH_IMAGE083
；
Figure 588682DEST_PATH_IMAGE084
；
Figure 103977DEST_PATH_IMAGE085
；
Figure 823671DEST_PATH_IMAGE086
；
Figure 133430DEST_PATH_IMAGE087
；
Figure 204154DEST_PATH_IMAGE088
；
A1，A2，A3为电控参数的权重参数，N为配电网的网络结构中网络节点总数，
Figure 257560DEST_PATH_IMAGE089
为分布电源的数目，
Figure 159657DEST_PATH_IMAGE090
，
Figure 640317DEST_PATH_IMAGE091
，
Figure 198338DEST_PATH_IMAGE092
分别为网络节点
Figure 789856DEST_PATH_IMAGE093
的电压值，电压允许极限高值，电压允许极限低值，
Figure 484142DEST_PATH_IMAGE094
，
Figure 463600DEST_PATH_IMAGE095
，
Figure 243337DEST_PATH_IMAGE096
分别为分布电源i2处的无功功率，无功出力极限高值，无功出力极限低值，T i 为配电网的网络结构中网络节点
Figure 638546DEST_PATH_IMAGE093
的调节个数，
Figure 452918DEST_PATH_IMAGE097
和
Figure 275381DEST_PATH_IMAGE098
为网络节点
Figure 542414DEST_PATH_IMAGE093
和
Figure 803631DEST_PATH_IMAGE099
的导纳矩阵W和B的矩阵元素，
Figure 472510DEST_PATH_IMAGE100
为网络节点
Figure 465874DEST_PATH_IMAGE093
和
Figure 220203DEST_PATH_IMAGE099
的电压相位差，P为配电网的网络结构的有功损耗。
具体的，
Figure 957215DEST_PATH_IMAGE101
整体量化了无功优化的安全性，即无功优化需要保障配电组件和分布电源在电压允许极限值、出力极限值范围内进行工作，
Figure 542917DEST_PATH_IMAGE102
量化了无功优化的时效性，使配电组件以最多的调节数目获得最快速的调节效果，P量化了无功优化的经济性，使配电组件产生最小的有功损耗，利用权重参数A1，A2，A3将三者特性进行统一用以表征无功优化的优劣程度，而A1，A2，A3为预设值，数值大小体现了对安全性、时效性和经济性的侧重程度，比如侧重安全性，则将A1值设置的较大，相应的A2、A3值变小，具体以实际使用而定。
Figure 972762DEST_PATH_IMAGE103
，SC的值越高，则配电网的网络结构的无功优化度越好，则配电网的网络结构在无功优化状况下安全性、时效性和经济性表现越好。
步骤S103、对动态平滑度和无功优化度进行权重构建确定无功优化动态模型的目标函数，目标函数的计算公式为：
Figure 214387DEST_PATH_IMAGE104
，其中，
Figure 489511DEST_PATH_IMAGE105
为目标函数的权重参数。
配电网的网络结构的动态平滑度TC越高，则配电网无功优化的配电组件调节数目越小，则导致无功优化的SC越小，因此动态平滑度TC和无功优化度SC存在互斥的竞争关系，但同时动态平滑度TC和无功优化度SC二者又分别体现了配电网无功优化的两种优化目标，因此将存在竞争的动态平滑度TC和无功优化度SC进行权重组合，将单个目标的优化转变为多个目标的优化，实现对动态平滑度TC和无功优化度SC的折衷优化以获得无功优化的最佳方案满足所有优化目标的要求。
而且将目标函数设置为动态平滑度TC和无功优化度SC的权重组合的反值，将多目标优化问题转变为目标函数的最小值求解问题，简化计算过程，提高效率。
步骤S2、基于电控参数进行潮流计算，并依据潮流计算结果量化无功优化动态模型的约束框架；
步骤S2中，约束框架包括等量约束和非等量约束，等量约束包括：
Figure 132981DEST_PATH_IMAGE106
；
Figure 468148DEST_PATH_IMAGE107
；
其中，
Figure 259386DEST_PATH_IMAGE108
为网络节点
Figure 338201DEST_PATH_IMAGE109
的有功潮流，
Figure 836178DEST_PATH_IMAGE110
为网络节点
Figure 607825DEST_PATH_IMAGE111
的无功潮流，
Figure 620781DEST_PATH_IMAGE112
和
Figure 503286DEST_PATH_IMAGE113
为网络节点
Figure 855770DEST_PATH_IMAGE111
和
Figure 798318DEST_PATH_IMAGE114
的导纳矩阵W和B的矩阵元素，
Figure 236253DEST_PATH_IMAGE115
为网络节点
Figure 719187DEST_PATH_IMAGE116
和
Figure 191756DEST_PATH_IMAGE117
的电压相位差。
非等量约束包括：
Figure 305206DEST_PATH_IMAGE118
，
其中，
Figure 230436DEST_PATH_IMAGE119
、
Figure 454744DEST_PATH_IMAGE120
为配电网的网络结构中网络节点
Figure 516241DEST_PATH_IMAGE111
的调节个数的极限低值和极限高值，
Figure 862909DEST_PATH_IMAGE121
，
Figure 275436DEST_PATH_IMAGE122
分别为网络节点
Figure 303435DEST_PATH_IMAGE123
的电压允许极限高值和电压允许极限低值，
Figure 485017DEST_PATH_IMAGE124
，
Figure 737007DEST_PATH_IMAGE125
分布电源i2处的无功出力极限高值和无功出力极限低值。
步骤S2设定目标函数求解的约束框架，以保障获得最佳无功优化方案的合理性。
步骤S3、基于无功优化动态模型利用多目标遗传算法在约束框架的约束下获得含分布电源的配电网的无功优化动态方案。
步骤S3中，含分布电源的配电网的无功优化动态方案获取的方法：
利用多目标遗传算法求解目标函数获得含分布电源的配电网的无功优化Pareto解集；
线性标定目标函数构建适应度函数，并在约束框架限定范围内选取无功优化Pareto解集中适应度值最高的解作为分布电源的配电网的无功优化动态方案，适应度函数的计算公式为：
Figure 636830DEST_PATH_IMAGE126
；
其中，F为适应度值，
Figure 202940DEST_PATH_IMAGE127
为目标函数，
Figure 504609DEST_PATH_IMAGE128
为扰动常数，扰动常数的设定可以增加多目标遗传算法的种群多样性，最终实现无功优化Pareto解集中解的多样性，避免早熟收敛。
适应度值反应了个体对环境的适应能力强弱，因此可以构建适应度函数来衡量个体的优劣，而且适应度函数可以在不利用外部信息的情况下，作为是多目标遗传算法挑选优秀个体的唯一依据，它由优化问题中目标函数映射而来，在本实施例的多目标优化问题中反映了无功优化Pareto解集中解的优劣，适应度值越高，则解越优。在多目标遗传算法智能搜索过程中，通过适应度值的比较排序操作可以实现最优解的寻优功能，在设定时为方便规定适应度值总是非负的，如此在选择中可以直观的选取个体适应度值在数值上更大的个体，所以再适应度函数是需要遵循最大值形式且函数值非负的规则，并保持低复杂度。
利用多目标遗传算法求解目标函数的具体方法包括：
步骤一：对电控参数数据进行二进制编码初始化多目标遗传算法的种群交配池；
步骤二：对种群交配池进行迭代遗传，并依据适应度函数对种群交配池进行优选更新；
步骤三：若迭代遗传完成，选取种群交配池优选结果作为无功优化Pareto解集，若迭代遗传未完成，返回步骤二。
具体的，电控参数EY在取值范围内[EYmin, EYmax]按照精度ey进行等距切分成
Figure 865183DEST_PATH_IMAGE129
份，并按照
Figure 252302DEST_PATH_IMAGE130
确定二进制编码位数n，将[EYmin, EYmax]映射至n为二进制上形成包含n个个体的种群交配池，比如n为4则EYmin映射为0000，EYmax映射为1111；
适者生存 ( The survival of the fittest )：对环境适应度高的个体参与繁殖的机会比较多，后代就会越来越多。适应度低的个体参与繁殖的机会比较少，后代就会越来越少，因此将计算种群交配池中所有个体的适应度值F，得到个体适应度，并选择种群交配池中适应度值最大的前r个进行遗传运算（交叉和变异），得到个体后代进入种群交配池中，再计算种群交配池中所有个体的适应度值F，得到个体适应度，并选择种群交配池中适应度值最大的前r个进行遗传运算（交叉和变异），得到个体后代进入种群交配池中，如此迭代循环，直至迭代代数完成（一般为预设遗传多少代），此时计算种群交配池中所有个体的适应度值F，得到个体适应度，并选择种群交配池中适应度值最大的第一个作为无功优化Pareto解集。
如图3所示，具体的，以IEEE-33配电网系统为例，基准电压为12.66kV，基准功率为10MVA，系统中节点电压的允许范围为额定电压的±5％，在系统中加入分布式电源WT1、WT2，12节点接入风机M，容量是300kVA，21节点接入光伏PV，容量是300kVA，在节点1，17，5，30分别对应电连接接入配电变压器WP1，WP2和电容器C1，C2，配电变压器的容量是300kVA，每个电容器的容量是20kVA。
利用多目标遗传算法求解目标函数，获得IEEE-33配电网系统稳定为4个区，节点32，0，17，18，19，20以及17下接配电变压器WP2是1区，节点1，2，3，21，22，23以及节点1下接的配电变压器WP1是2区，从节点6到节点16是3区，节点26到节点31是4区。
最佳无功优化方案为，分布式电源WT1的无功出力为300kVA，分布式电源WT2的无功出力为209kVA，光伏PV的无功出力为81kVA，电容器C1的无功出力为18kVA，电容器C2的无功出力为6kVA，配电变压器WP1的无功出力为246kVA，配电变压器WP1的无功出力为183kVA，风机M的无功出力为168kVA，此时，系统的网络损耗为42.45kW，节点电压偏移合计量为3.42p.u.。
如图2所示，基于上述配电网无功优化方法，本发明提供了一种无功优化系统，包括：
模型建立单元1，基于含分布电源的配电网的网络结构以及电控参数利用智能搜索算法建立无功优化动态模型；
框架建立单元2，基于电控参数进行潮流计算，并依据潮流计算结果量化无功优化动态模型的约束框架；
方案确定单元3，与模型建立单元1、框架建立单元2通讯连接，基于无功优化动态模型利用多目标遗传算法在约束框架的约束下获得含分布电源的配电网的无功优化动态方案。
本发明利用对含分布电源的配电网进行动态社团分析获得配电网的网络结构的动态平滑度，动态平滑度表征为配电网的无功优化中的运行稳定性，依据电控参数计算无功优化度，无功优化度表征为配电网的无功优化中的时效性和经济性，并依据动态平滑度和无功优化度构建目标函数，将无功优化问题转变为最小化多目标优化问题，以此建立无功优化动态模型实现在时效性、经济性和稳定性三者中的权衡，完成最佳的无功优化动态方案。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (9)

1.一种配电网无功优化方法，其特征在于，包括以下步骤：
步骤S1、基于含分布电源的配电网的网络结构以及电控参数利用智能搜索算法建立无功优化动态模型；
步骤S2、基于所述电控参数进行潮流计算，并依据所述潮流计算结果量化无功优化动态模型的约束框架；
步骤S3、基于所述无功优化动态模型利用多目标遗传算法在约束框架的约束下获得含分布电源的配电网的无功优化动态方案；
所述步骤S1中，所述无功优化动态模型构建的方法包括：
步骤S101、基于分布电源的动态分布对所述含分布电源的配电网的网络结构进行动态 社团分析获得配电网动态社团结构
Figure DEST_PATH_IMAGE001
，n为分布电源在配电网中的电性动态变化 的形态总数，并基于所述配电网动态社团结构计算确定所述含分布电源的配电网的网络结 构的动态平滑度，所述动态平滑度的计算公式为：
Figure 927330DEST_PATH_IMAGE002
，
其中，
Figure 809835DEST_PATH_IMAGE003
为动态平滑度值，H为混合矩阵，
Figure 162319DEST_PATH_IMAGE004
表征为配电网动态社团结构
Figure 104867DEST_PATH_IMAGE005
中社团k内的网络节点同时处于
Figure 605119DEST_PATH_IMAGE006
中社团l内的数目，
Figure 25736DEST_PATH_IMAGE007
和
Figure 498305DEST_PATH_IMAGE008
分别是
Figure 674072DEST_PATH_IMAGE009
和
Figure 599302DEST_PATH_IMAGE010
划分结果中的社团总个数，
Figure 823610DEST_PATH_IMAGE011
、
Figure 947424DEST_PATH_IMAGE012
分别为
Figure 231775DEST_PATH_IMAGE013
和
Figure 644302DEST_PATH_IMAGE014
的社团总个数n的对应区分标号，H k 和H l 分别为混合矩阵H中第k行和第l列的元素之和，
Figure 734617DEST_PATH_IMAGE015
，
Figure 916200DEST_PATH_IMAGE016
分别表示为社团结构的标号，N为配电网的网络结构中网络节点总数；
步骤S102、基于所述含分布电源的配电网的电控参数计算确定所述含分布电源的配电网的无功优化度，所述无功优化度计算公式为：
Figure 105873DEST_PATH_IMAGE017
，
其中，
Figure 5696DEST_PATH_IMAGE018
；
Figure 634123DEST_PATH_IMAGE019
；
Figure 935792DEST_PATH_IMAGE020
；
Figure 296366DEST_PATH_IMAGE021
；
Figure 745802DEST_PATH_IMAGE022
；
Figure 115603DEST_PATH_IMAGE023
；
SC为无功优化度值，A1，A2，A3为电控参数的权重参数，N为配电网的网络结构中网络节点总数，
Figure 6199DEST_PATH_IMAGE024
为分布电源的数目，
Figure 803254DEST_PATH_IMAGE025
，
Figure 412089DEST_PATH_IMAGE026
，
Figure 647899DEST_PATH_IMAGE027
分别为网络节点
Figure 658580DEST_PATH_IMAGE028
的电压值，电压允许极限高值，电压允许极限低值，
Figure 626536DEST_PATH_IMAGE029
，
Figure 784985DEST_PATH_IMAGE030
，
Figure 496589DEST_PATH_IMAGE031
分别为分布电源i2处的无功功率，无功出力极限高值，无功出力极限低值，T i 为配电网的网络结构中网络节点
Figure 361777DEST_PATH_IMAGE028
的调节个数，
Figure 500634DEST_PATH_IMAGE032
和
Figure 84062DEST_PATH_IMAGE033
为网络节点
Figure 396095DEST_PATH_IMAGE028
和
Figure 381368DEST_PATH_IMAGE034
的导纳矩阵W和B的矩阵元素，
Figure 691127DEST_PATH_IMAGE035
为网络节点
Figure 761851DEST_PATH_IMAGE028
和
Figure 815258DEST_PATH_IMAGE034
的电压相位差，P为配电网的网络结构的有功损耗；
步骤S103、对所述动态平滑度和无功优化度进行权重构建确定所述无功优化动态模型的目标函数，所述目标函数的计算公式为：
Figure 655038DEST_PATH_IMAGE036
，其中，
Figure 198015DEST_PATH_IMAGE037
为目标函数的权重参数。
2.根据权利要求1所述的一种配电网无功优化方法，其特征在于：所述步骤S1中，还包括量化配电网的网络结构，对所述配电网的所有配电组件均量化为网络节点，以及将连接配电组件的所有电性线路量化为所述网络节点连接用的边，具体量化方法为：
将所述配电组件进行十进制编码量化为节点
Figure 490456DEST_PATH_IMAGE028
，并汇总成节点集
Figure 347553DEST_PATH_IMAGE038
,N为配电网的网络结构中网络节点总数；
将所述配电组件间连接用的电性线路量化为边
Figure 41840DEST_PATH_IMAGE039
，并汇总成边集
Figure 693401DEST_PATH_IMAGE040
，
Figure 801034DEST_PATH_IMAGE039
表示节点
Figure 196244DEST_PATH_IMAGE028
和节点
Figure 745037DEST_PATH_IMAGE034
间的电性线路；
将节点集
Figure 833078DEST_PATH_IMAGE041
和边集
Figure 185866DEST_PATH_IMAGE042
映射量化成配电网的网络结构
Figure 384766DEST_PATH_IMAGE043
。
3.根据权利要求2所述的一种配电网无功优化方法，其特征在于：所述步骤S101中，所述分布电源的动态分布是指分布电源对所述配电网的电性动态变化，对所有所述配电网的网络结构依次进行动态社团分析获得配电网动态社团结构的具体方法包括：
依时序获取分布电源在配电网中的电性动态变化并量化为一组配电网的网络结构的序列
Figure 850383DEST_PATH_IMAGE044
；
对一组配电网的网络结构的序列
Figure 109326DEST_PATH_IMAGE044
中每个所述网络结构依次进行动态社团分析获得一组配电网社团结构的序列
Figure 863655DEST_PATH_IMAGE045
作为配电网动态社团结构，其中，C1为配电网的网络结构G1的社团结构，n为分布电源在配电网中的电性动态变化的形态总数。
4.根据权利要求3所述的一种配电网无功优化方法，其特征在于：步骤S2中，所述约束框架包括等量约束和非等量约束，所述等量约束包括：
Figure 600667DEST_PATH_IMAGE046
；
Figure 124052DEST_PATH_IMAGE047
；
其中，
Figure 616213DEST_PATH_IMAGE048
为网络节点
Figure 592259DEST_PATH_IMAGE028
的有功潮流，
Figure 132962DEST_PATH_IMAGE049
为网络节点
Figure 776433DEST_PATH_IMAGE028
的无功潮流，
Figure 111600DEST_PATH_IMAGE050
和
Figure 902838DEST_PATH_IMAGE033
为网络节点
Figure 981652DEST_PATH_IMAGE028
和
Figure 479630DEST_PATH_IMAGE034
的导纳矩阵W和B的矩阵元素，
Figure 985698DEST_PATH_IMAGE035
为网络节点
Figure 264232DEST_PATH_IMAGE028
和
Figure 146738DEST_PATH_IMAGE034
的电压相位差。
5.根据权利要求4所述的一种配电网无功优化方法，其特征在于：所述非等量约束包括：
Figure 499222DEST_PATH_IMAGE051
，
其中，
Figure 441770DEST_PATH_IMAGE052
、
Figure 879704DEST_PATH_IMAGE053
为配电网的网络结构中网络节点
Figure 362638DEST_PATH_IMAGE028
的调节个数的极限低值和极限高值，
Figure 835208DEST_PATH_IMAGE026
，
Figure 683078DEST_PATH_IMAGE027
分别为网络节点
Figure 608309DEST_PATH_IMAGE028
的电压允许极限高值和电压允许极限低值，
Figure 832617DEST_PATH_IMAGE054
，
Figure 159693DEST_PATH_IMAGE031
分布电源i2处的无功出力极限高值和无功出力极限低值。
6.根据权利要求5所述的一种配电网无功优化方法，其特征在于，所述步骤S3中，含分布电源的配电网的无功优化动态方案获取的方法：
利用多目标遗传算法求解所述目标函数获得含分布电源的配电网的无功优化Pareto解集；
线性标定目标函数构建适应度函数，并在所述约束框架限定范围内选取所述无功优化Pareto解集中适应度值最高的解作为分布电源的配电网的无功优化动态方案，所述适应度函数的计算公式为：
Figure 506361DEST_PATH_IMAGE055
；
其中，F为适应度值，
Figure 918887DEST_PATH_IMAGE056
为目标函数，
Figure 743624DEST_PATH_IMAGE057
为扰动常数。
7.根据权利要求6所述的一种配电网无功优化方法，其特征在于，所述动态社团分析的具体方法包括：
获取配电网的网络结构Gx的各网络节点的电控参数，并依据电控参数计算网络节点间的欧氏距离；
基于网络节点间的欧氏距离最短原则对所述配电网的网络结构Gx进行K-means聚类分簇获得配电网的配电网社团结构Cx，其中，
Figure 925207DEST_PATH_IMAGE058
，n为分布电源在配电网中的电性动态变化的形态总数。
8.根据权利要求7所述的一种配电网无功优化方法，其特征在于，利用多目标遗传算法求解目标函数的具体方法包括：
步骤一：对所述电控参数数据进行二进制编码初始化多目标遗传算法的种群交配池；
步骤二：对种群交配池进行迭代遗传，并依据适应度函数对种群交配池进行优选更新；
步骤三：若迭代遗传完成，选取种群交配池优选结果作为所述无功优化Pareto解集，若迭代遗传未完成，返回步骤二。
9.一种根据权利要求1-8任一项所述的配电网无功优化方法的无功优化系统，其特征在于，包括：
模型建立单元（1），基于含分布电源的配电网的网络结构以及电控参数利用智能搜索算法建立无功优化动态模型；
框架建立单元（2），基于所述电控参数进行潮流计算，并依据所述潮流计算结果量化无功优化动态模型的约束框架；
方案确定单元（3），与所述模型建立单元（1）、框架建立单元（2）通讯连接，基于所述无功优化动态模型利用多目标遗传算法在约束框架的约束下获得含分布电源的配电网的无功优化动态方案。
CN202111190162.2A 2021-10-13 2021-10-13 一种配电网无功优化方法及系统 Active CN113629789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111190162.2A CN113629789B (zh) 2021-10-13 2021-10-13 一种配电网无功优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111190162.2A CN113629789B (zh) 2021-10-13 2021-10-13 一种配电网无功优化方法及系统

Publications (2)

Publication Number Publication Date
CN113629789A CN113629789A (zh) 2021-11-09
CN113629789B true CN113629789B (zh) 2022-02-15

Family

ID=78391225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111190162.2A Active CN113629789B (zh) 2021-10-13 2021-10-13 一种配电网无功优化方法及系统

Country Status (1)

Country Link
CN (1) CN113629789B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390198A (zh) * 2013-07-15 2013-11-13 温州大学 一种用于电力网络故障诊断的社团自组织检测方法
CN108233359A (zh) * 2017-08-22 2018-06-29 中国电力科学研究院 一种特高压交直流馈入受端电网的分区优化方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390198A (zh) * 2013-07-15 2013-11-13 温州大学 一种用于电力网络故障诊断的社团自组织检测方法
CN108233359A (zh) * 2017-08-22 2018-06-29 中国电力科学研究院 一种特高压交直流馈入受端电网的分区优化方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于社团结构理论的电网无功分区及主导节点选择方法研究;潘高峰等;《电力系统保护与控制》;20131116;第41卷(第22期);第32页-第37页 *
电力系统无功电压控制分区研究综述;张艳艳;《电工电气》;20180331;第1页-第6页 *

Also Published As

Publication number Publication date
CN113629789A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
Wang et al. Dynamic modeling and small signal stability analysis of distributed photovoltaic grid-connected system with large scale of panel level DC optimizers
CN106655207B (zh) 基于多数据分析的配电网无功优化系统及方法
CN110729765B (zh) 一种考虑sop的配电网灵活性评估指标体系和优化调度方法
WO2022016622A1 (zh) 真双极柔性直流输电系统故障下的自适应优化调控方法
CN107947175B (zh) 一种基于分布式网络控制的微电网经济调度方法
Tang et al. Study on day-ahead optimal economic operation of active distribution networks based on Kriging model assisted particle swarm optimization with constraint handling techniques
CN110265991B (zh) 一种直流微电网的分布式协调控制方法
CN111342461A (zh) 一种考虑网架动态重构的配电网优化调度方法及系统
CN107623337B (zh) 一种微电网能量管理方法
CN110649644B (zh) 一种含分布式电源的城市配电网优化降损方法
CN113541146B (zh) 计及分布式电源的电力系统潮流计算优化方法
CN111009925A (zh) 一种分布式光伏接入低压配电网最大容量的计算方法
CN112467748A (zh) 三相不平衡主动配电网双时标分布式电压控制方法及系统
CN108376994B (zh) 基于三端口电力电子变压器并网的交直流混合微网运行优化方法
CN116388262A (zh) 基于多目标优化的含分布式光伏配网无功优化方法及系统
CN109617079B (zh) 一种直流配电系统潮流解的存在性与稳定性分析方法
CN104767412B (zh) 智能型逆变器的初级、次级控制系统、控制系统及控制方法
CN113629789B (zh) 一种配电网无功优化方法及系统
Zhang et al. Two-layered hierarchical optimization strategy with distributed potential game for interconnected hybrid energy systems
Muthusamy et al. An intelligent hybrid interfacing converter of fuel cell powered telecom loads for efficient power conversion
CN116073453A (zh) 一种基于图计算的交直流混合配电网优化调度方法
CN116154791A (zh) 一种协同多可控资源的功角稳定控制方法、系统及终端
CN115912254A (zh) 一种配电网多目标重构策略自愈控制方法及装置
Zhao et al. Distribution network reconfiguration digital twin model based on bi-level dynamical time division
CN110492493B (zh) 一种电力系统无功补偿配置优化方法

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