CN113937808B - 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 - Google Patents
一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 Download PDFInfo
- Publication number
- CN113937808B CN113937808B CN202111083445.7A CN202111083445A CN113937808B CN 113937808 B CN113937808 B CN 113937808B CN 202111083445 A CN202111083445 A CN 202111083445A CN 113937808 B CN113937808 B CN 113937808B
- Authority
- CN
- China
- Prior art keywords
- node
- sparrow
- voltage deviation
- active loss
- acceptance
- 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
Links
- 241000287127 Passeridae Species 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000010845 search algorithm Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000000739 chaotic effect Effects 0.000 claims description 12
- 238000009434 installation Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004513 sizing Methods 0.000 claims description 2
- 230000005477 standard model Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 241000254173 Coleoptera Species 0.000 description 1
- 241000254158 Lampyridae Species 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- H02J3/04—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
- 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
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于改进麻雀搜索算法的分布式电源选址定容优化方法，包括：首先建立基于全寿命周期成本、网络有功损耗和电压偏差三个指标的综合接受度标准模型，并基于综合接受度标准模型确定优化目标函数和约束条件。然后采用改进的麻雀搜索算法对DG的选址定容进行合理规划，通过Tent混沌的遍历性、规律性及其随机性，引入高斯变异，提高算法的全局搜索能力及收敛速度，能够有效避免陷入局部最优，利于获得全局最优解。应用此种方法有效提高系统负荷率、节约经济成本、减小有功损耗等，同时保证配电网安全可靠的运行及其经济性。
Description
技术领域
本发明属于能源优化技术领域，特别涉及一种基于改进麻雀搜索算法的分布式电源选址定容优化方法。
背景技术
随着分布式发电技术的发展，分布式电源(Distributed Generation,DG)在配电网中的比重越来越大，多个DG并网也越来越普遍。DG是指将发电系统以小规模，分散的安装在靠近用户侧，可独立发电的装置，接入配电网后可以降低线路的传输功率，从而提升电压，减小网络损耗，且其受影响的程度与DG的安装位置及容量密切相关。因此为了有效提高系统负荷率、节约经济成本，改善配电网的电压质量、减小有功损耗等，就需要全面合理地考虑DG选址和定容的问题，保证配电网的安全可靠及经济性。
DG接入配电网的选址定容问题一般采用多目标优化方案。虽然已有萤火虫算法、人工搜索群算法和天牛须算法等先进的优化算法。但考虑到算法的复杂度、准确度和稳定性等方面同时提高算法的收敛速度和计算效率，仍是需要解决的问题。
发明内容
针对上述问题，本发明公开了一种基于改进麻雀搜索算法的分布式电源选址定容优化方法。从实际配电网规划角度出发，建立基于全寿命周期成本、网络损耗和电压偏差三个指标的综合接受度标准模型，并以此建立目标函数。改进了麻雀搜索算法，提高算法的全局搜索能力及收敛速度，能够有效避免陷入局部最优，利于获得全局最优解。应用此种方法有效提高系统负荷率、节约经济成本、减小有功损耗等，同时保证配电网安全可靠的运行及其经济性。
本发明提出了一种基于改进麻雀搜索算法的分布式电源选址定容优化方法，具体设计方案如下：
步骤1，从实际配电网规划角度出发，综合考虑全寿命周期成本LCC、网络有功损耗及电压偏差指标，构建其目标函数；
步骤2，分别构建全寿命周期成本、网络有功损耗和电压偏差的接受度函数，并确定约束条件；
步骤3，利用边际效用求得各位置的备选概率和Tent混沌序列初始化麻雀种群，再用麻雀算法进行优化求解。
进一步的，所述步骤1具体步骤为，综合考虑全寿命周期成本LCC、网络有功损耗及电压偏差指标，构建其目标函数具体过程如下：
式中：k1，k2，k3分别为LCC、网络有功损耗及电压偏差对应的接受度。
进一步的，所述步骤2的具体过程如下：
步骤2.1构建全寿命周期成本接受度标准函数为：
式中：a1，b1为设定参数，LCCmax表示在满足约束条件下配电网中的DG配置优化后在理想情况下所消费的最大成本。
步骤2.2构建网络有功损耗接受度函数：
式中：a2，b2为设定参数，Ploss为配电网的有功网损，Pmax和Pmin分别为能最大和最小网损。
步骤2.3当电压偏差在可接受电压偏差的2％的范围内，可认为其接受度为1，当电压偏移超过可接受偏差的10％范围内，接受度为0。归一化处理后：
式中，k3,now和k3,before为电压偏差接受度归一化前后的值。
步骤2.4确定约束条件
优化的等式约束条件为一般节点潮流平衡：
式中：Gij，Bij，θij为支路的电导、电纳及相角差。
电压约束
Uimin≤Ui≤Uimax
式中：Uimin，Uimax为节点i处电压最小值和最大值。
节点传输功率约束
Pij＜Pijmax
式中：Pij，Pijmax为i，j间线路传输功率及最大功率。
DG总安装容量约束
∑SiDG≤SDGmax
式中：SiDG为节点i安装的DG的容量。
进一步的，所述步骤3的具体过程为：
步骤3.1通过边际效用计算各节点安装单位容量DG引起的总适应度的变化量，以此作为依据计算各节点作为备选DG安装位置的概率，边际效用数学表达式：
式中，MU是单位商品消费量ΔQ所产生的增量ΔTU，即边际效用。其旨在描述两个变量之间的动态变化关系。若函数为非线性，自变量Q取不同值时，其边际值也会不同；当边际值趋于0时，TU便达到了最大值。
步骤3.2运用求得的备选概率和Tent混沌序列初始化麻雀种群，引入随机变量的Tent映射表达式：
式中：NT是混沌序列内的粒子个数
步骤3.3计算各麻雀的适应度值f，选出当前全局最优和最差适应度值fg和fw，确定其所对应的位置，再重新根据边际效用计算各节点的备选概率。选取适应度值优的一部分麻雀作为发现者，剩余为加入者，更新发现者和加入者的位置。完成一次迭代后，重新计算每只麻雀的适应度值fi和种群的平均适应度值favg，若fi＞favg则采用Tent混沌扰动；否则采用高斯变异用满足均值为μ，方差为σ2的正态分布的随机数来替代原参数。变异公式为：
mutation(x)＝x(1+N(0,1))
式中：x为原来的参数值；N(0,1)表示期望为0；标准差为1的正态分布随机数。
采用以上技术方案，实现了以下有益效果：
(1)本发明的基于改进麻雀搜索算法的分布式电源选址定容系统及方法，采用改进的麻雀搜索算法考虑了全寿命周期成本、网络有功损耗和电压偏差，构建了接受度标准模型，更加符合未来电力市场的实际情况。
(2)本发明采用了改进的麻雀搜索算法对网络进行优化求解，具有原理简单及较强局部搜索能力，从而避免出现“早熟”现象，更快的收敛到全局最优解。附图说明
图1是本发明基于改进麻雀搜索算法的分布式电源选址定容优化方法流程图；
图2是不同种方法下33节点配电测试系统优化后的收敛曲线；
图3是不同种方法下各节点电压幅值。
具体实施方式
下面结合具体实施例，进一步阐明本发明，为了更好的说明本发明，以IEEE33节点系统为例，验证方法的有效性和优越性。具体步骤如下：
步骤1，综合考虑全寿命周期成本LCC、网络有功损耗及电压偏差指标，构建其目标函数具体过程如下：
式中：k1，k2，k3分别为LCC、网络有功损耗及电压偏差对应的接受度。
步骤2，建立接受度函数并确定约束条件
(1)构建全寿命周期成本接受度标准函数为：
式中：a1，b1为设定参数，LCCmax表示在满足约束条件下配电网中的DG配置优化后在理想情况下所消费的最大成本。
(2)构建网络有功损耗接受度函数：
式中：a2，b2为设定参数，Ploss为配电网的有功网损，Pmax和Pmin分别为能最大和最小网损。
(3)当电压偏差在可接受电压偏差的2％的范围内，可认为其接受度为1，当电压偏移超过可接受偏差的10％范围内，接受度为0。归一化处理后：
式中，k3,now和k3,before为电压偏差接受度归一化前后的值。
(4)确定约束条件
优化的等式约束条件为一般节点潮流平衡：
式中：Gij，Bij，θij为支路的电导、电纳及相角差。
电压约束
Uimin≤Ui≤Uimax
式中：Uimin，Uimax为节点i处电压最小值和最大值。
节点传输功率约束
Pij＜Pijmax
式中：Pij，Pijmax为i，j间线路传输功率及最大功率。
DG总安装容量约束
∑SiDG≤SDGmax
式中：SiDG为节点i安装的DG的容量。步骤3，首先选取高斯函数如下：
步骤3，基于改进的麻雀搜索算法优化求解
如图1所示，(1)首先初始化系统参数，通过边际效用计算各节点安装单位容量DG引起的总适应度的变化量，以此作为依据计算各节点作为备选DG安装位置的概率，边际效用数学表达式：
式中，MU是单位商品消费量ΔQ所产生的增量ΔTU，即边际效用。其旨在描述两个变量之间的动态变化关系。若函数为非线性，自变量Q取不同值时，其边际值也会不同；当边际值趋于0时，TU便达到了最大值。
(2)运用求得的备选概率和Tent混沌序列初始化麻雀种群，引入随机变量的Tent映射表达式：
式中：NT是混沌序列内的粒子个数。
(3)计算各麻雀的适应度值f，选出当前全局最优和最差适应度值fg和fw，确定其所对应的位置，再重新根据边际效用计算各节点的备选概率。选取适应度值优的一部分麻雀作为发现者，剩余为加入者，更新发现者和加入者的位置。发现者的位置更新：
式中：Xi,j表示第i个麻雀在第j维中的位置信息。α为随机数，R2为预警值，ST为安全值。Q为随机数，且服从正态分布。L为一个1×j的元素全为1的矩阵。当R2＜ST时，表示周围安全，发现者可继续广泛搜索，当R2≥ST时，表示发现捕食者，并发出警报信号，所有麻雀立刻前往安全区域。
加入者的位置更新如下：
式中：Xrbest为目前发现者所占据的最优位置，Xworst为当前全局最差位置；A表示所有元素赋值为1或-1的1×j的矩阵，且A+＝AT(AAT)-1。当i＞n/2时，适应度值较低的第i个加入者没有获得食物，需要去其它地方觅食，同样，当i≤n/2时，第i个加入者将在当前最优位置附近随机找一个位置觅食。
(4)随机选取一部分麻雀进行侦查预警，并更新其位置。侦察预警麻雀的位置更新：
式中：Xbest为当前全局最优位置。β为步长控制参数。K为一个属于[-1,1]是随机数，ε为最小的常数。当fi≠fg时，表示该麻雀正处于种群的边缘，易受攻击；当fi＝fg时，表示该麻雀正处于种群中间。
(5)完成一次迭代后，重新计算每只麻雀的适应度值fi和种群的平均适应度值favg，若fi＞favg则采用Tent混沌扰动；否则采用高斯变异用满足均值为μ，方差为σ2的正态分布的随机数来替代原参数。变异公式为：
mutation(x)＝x(1+N(0,1))
式中：x为原来的参数值；N(0,1)表示期望为0；标准差为1的正态分布随机数。
(6)当达到最大迭代次数或求解精度时，输出最优结果。
本发明在MATLAB2019a环境下,以IEEE33配电网节点系统为例,分别采用粒子群PSO，基本麻雀SSA和结合边际效用的改进麻雀算法MSSA对算例进行仿真。接入的DG功率因数为0.9，在前推回代法的潮流计算中收敛的精度为ε＝10-4。改进麻雀算法的参数设置为：种群群体大小为200；最大迭代次数为1000；安全值为0.8。结果如图2、3所示，可以很清晰地看出，PSO和SSA分别迭代了80次和176次才趋于稳定且计算时间较长，而MSSA仅迭代37次后达到目标值，且得到的全局最优解更好。同时，PSO和SSA易陷入局部最优值，更突出了MSSA算法具有较强的全局搜索能力。
结果说明：
图2为不同种方法下33节点配电测试系统优化后的收敛曲线，由图可以看出，MSSA、SSA和PSO算法对比，可以很清晰地看出，PSO和SSA分别迭代了80次和176次才趋于稳定且计算时间较长，而MSSA仅迭代37次后达到目标值，且得到的全局最优解更好。同时，PSO和SSA易陷入局部最优值，更突出了MSSA算法具有较强的全局搜索能力。
图3为不同种方法下各节点电压幅值，从图可以看出，配电网接入DG后，除了节点1外，其余节点电压均提高，且与靠近线路末端的节点电压提升效果越明显。初始系统的节点电压在0.896到1之间，节点间电压变化较大，电压幅值最小的为18节点。MSSA优化后的节点电压较PSO和SSA算法略有提升，电压幅值最小的为30节点。
综上所述，本发明所设计的控制方案基于接受度标准考虑全寿命周期成本、网络有功损耗和电压偏差3个指标的DG配置优化，通过分析各指标的变化特性，提出一种更为合理的动态选取各指标的权重系数的方法。利用混沌序列及高斯变异，改进麻雀搜索算法，增加了计算精度，提高收敛速度，并将边际效用与之结合，增加了算法的稳定性和计算效率。通过对IEEE33节点系统的仿真测试，与PSO算法和基本麻雀算法对比，体现了本发明算法的优越性。
上述具体实施案例，只是为了便于本研究领域的人员理解本发明，但本发明并不只适用于案例中的情况，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于改进麻雀搜索算法的分布式电源选址定容优化方法，其特征在于，包括如下步骤：
步骤1，从实际配电网规划角度出发，综合考虑全寿命周期成本LCC、网络有功损耗及电压偏差指标，构建其目标函数；
所述步骤1中综合考虑全寿命周期成本LCC、网络有功损耗及电压偏差指标，构建其目标函数具体过程如下：
，
式中：，/>，/>分别为LCC、网络有功损耗及电压偏差对应的接受度函数；
步骤2，分别构建全寿命周期成本、网络有功损耗和电压偏差的接受度函数，并确定约束条件；
所述步骤2的具体过程如下：
步骤2.1构建全寿命周期成本接受度函数为：
，
式中：，/>为设定参数，/>表示在满足约束条件下配电网中的DG配置优化后在理想情况下所消费的最大成本；
步骤2.2构建网络有功损耗接受度函数：
，
式中：，/>为设定参数，/>为配电网的有功网损，/>和/>分别为能最大和最小网损；
步骤2.3当电压偏差在可接受电压偏差的2%的范围内，可认为其接受度为1，当电压偏移超过可接受偏差的10%范围内，接受度为0；归一化处理后：
，
式中，和/>为电压偏差接受度归一化前后的值；
步骤2.4确定约束条件
优化的等式约束条件为一般节点潮流平衡：
，
式中：，/>，/>为支路的电导、电纳及相角差；
电压约束
，
式中：，/>为节点/>处电压最小值和最大值；
节点传输功率约束
，
式中：，/>为/>，/>间线路传输功率及最大功率；
DG总安装容量约束
，
式中：为节点/>安装的DG的容量；
步骤3，利用边际效用求得各位置的备选概率和Tent混沌序列初始化麻雀种群，再用麻雀算法进行优化求解；
所述步骤3的具体过程为：
步骤3.1通过边际效用计算各节点安装单位容量DG引起的总适应度的变化量，以此作为依据计算各节点作为备选DG安装位置的概率，边际效用数学表达式：
，
式中，是单位商品消费量/>所产生的增量/>，即边际效用；其旨在描述两个变量之间的动态变化关系；若函数为非线性，自变量/>取不同值时，其边际值也会不同；当边际值趋于0时，/>便达到了最大值；
步骤3.2运用求得的备选概率和Tent混沌序列初始化麻雀种群，引入随机变量的Tent映射表达式：
，
式中：是混沌序列内的粒子个数；
步骤3.3计算各麻雀的适应度值，选出当前全局最优和最差适应度值/>和/>，确定其所对应的位置，再重新根据边际效用计算各节点的备选概率；选取适应度值优的一部分麻雀作为发现者，剩余为加入者，更新发现者和加入者的位置；完成一次迭代后，重新计算每只麻雀的适应度值/>和种群的平均适应度值/>，若/>则采用Tent混沌扰动；否则采用高斯变异用满足均值为/>，方差为/>的正态分布的随机数来替代原参数；变异公式为：
，
式中：为原来的参数值；/>表示期望为0；标准差为1的正态分布随机数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111083445.7A CN113937808B (zh) | 2021-09-16 | 2021-09-16 | 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111083445.7A CN113937808B (zh) | 2021-09-16 | 2021-09-16 | 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113937808A CN113937808A (zh) | 2022-01-14 |
| CN113937808B true CN113937808B (zh) | 2024-05-07 |
Family
ID=79276012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111083445.7A Active CN113937808B (zh) | 2021-09-16 | 2021-09-16 | 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113937808B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114595864A (zh) * | 2022-01-19 | 2022-06-07 | 上海电力大学 | 一种电力负荷智能预测模型的优化方法 |
| CN114459052B (zh) * | 2022-01-27 | 2022-09-09 | 东北电力大学 | 一种基于改进SSA的燃煤锅炉NOx排放优化方法及装置 |
| CN114792980B (zh) * | 2022-03-30 | 2024-09-27 | 国网上海市电力公司 | 基于ssa-pso融合的配电网无功电压优化运行方法及设备 |
| CN114722395B (zh) * | 2022-04-28 | 2024-07-02 | 湖北工业大学 | 用于入侵检测的多目标麻雀搜索特征选择方法及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105762773A (zh) * | 2016-03-22 | 2016-07-13 | 国网浙江省电力公司丽水供电公司 | 一种配电网用户故障自动优化判别方法 |
| CN106485395A (zh) * | 2016-08-30 | 2017-03-08 | 上海交通大学 | 一种考虑配电网网损和扩容成本的分布式电源配置方法 |
| AU2020101065A4 (en) * | 2020-06-19 | 2020-07-23 | Hubei University Of Technology | Method for scheduling UAVs based on chaotic adaptive firefly algorithm |
| CN112994085A (zh) * | 2021-02-05 | 2021-06-18 | 中南大学 | 基于麻雀搜索算法的微电网储能优化调度方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9373960B2 (en) * | 2013-03-13 | 2016-06-21 | Oracle International Corporation | Computerized system and method for distributed energy resource scheduling |
-
2021
- 2021-09-16 CN CN202111083445.7A patent/CN113937808B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105762773A (zh) * | 2016-03-22 | 2016-07-13 | 国网浙江省电力公司丽水供电公司 | 一种配电网用户故障自动优化判别方法 |
| CN106485395A (zh) * | 2016-08-30 | 2017-03-08 | 上海交通大学 | 一种考虑配电网网损和扩容成本的分布式电源配置方法 |
| AU2020101065A4 (en) * | 2020-06-19 | 2020-07-23 | Hubei University Of Technology | Method for scheduling UAVs based on chaotic adaptive firefly algorithm |
| CN112994085A (zh) * | 2021-02-05 | 2021-06-18 | 中南大学 | 基于麻雀搜索算法的微电网储能优化调度方法 |
Non-Patent Citations (5)
| Title |
|---|
| The research and comparison of multi-objective portfolio based on intuitionistic fuzzy optimization;Xue Deng. et al;Computers & Industrial Engineering;2018(124);第411-414页 * |
| 分布式电源在中压配电网中的优化配置分析;居梦菁;孙超杰;;科技风(第19期);全文 * |
| 基于改进人工鱼群算法在无线传感网络覆盖优化中的研究;傅彬;;计算机系统应用(第12期);第224页 * |
| 基于改进布谷鸟算法的分布式电源优化配置;谢海波;宁夏电力(第5期);第7-9页 * |
| 基于改进蜂群算法的含DG配网多目标无功优化;陈国发;张文庆;刘锋;樊尚明;张永年;吴丽珍;;智慧电力(第03期);第98-100页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113937808A (zh) | 2022-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113937808B (zh) | 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 | |
| CN109980700B (zh) | 一种分布式电源多目标优化规划方法、装置和设备 | |
| CN108448620B (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
| CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
| Chen et al. | An improved NSGA-III algorithm for reservoir flood control operation | |
| CN105071433B (zh) | 一种分布式电源的优化配置方案 | |
| CN112887994B (zh) | 基于改进二进制粒子群的无线传感器网络优化方法及应用 | |
| CN109670655B (zh) | 一种电力系统多目标粒子群优化调度方法 | |
| CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
| CN116108982A (zh) | 一种水库群多目标调度合作搜索方法及系统 | |
| CN114221350B (zh) | 基于bas-iga算法的分布式光伏集群划分方法和系统 | |
| CN115940267A (zh) | 一种区域配电网分布式光伏集群划分方法 | |
| CN112242703A (zh) | 一种基于pso优化蒙特卡洛算法的配电网光伏消纳评估方法 | |
| CN114444755A (zh) | 一种风电短期功率预测方法、装置及可读存储介质 | |
| CN116757406A (zh) | 一种考虑不确定性的分布式电源接入配电网选址定容方法 | |
| CN117172486A (zh) | 一种基于强化学习的虚拟电厂光储资源聚合调控方法 | |
| CN115693768A (zh) | 分布式光伏系统优化配置方法 | |
| CN114781705A (zh) | 一种综合考虑用户侧多能负荷特性的能源局域网划分方法 | |
| CN115034293A (zh) | 基于改进双尺度谱聚类算法的配电网动态重构方法 | |
| Li et al. | Improved artificial fish swarm algorithm approach to robot path planning problems | |
| Liu et al. | Location and capacity determination of energy storage system based on improved whale optimization algorithm | |
| CN111460550A (zh) | 一种基于变化小生境的自由曲面结构多工况Pareto解集优化法 | |
| Lee et al. | Genetic algorithmic topology control for two-tiered wireless sensor networks | |
| Ramsami et al. | Adaptive Parameters for Multi-Objective Optimization of Distributed Generation Units in Distribution Systems | |
| Shen et al. | WSN coverage hierarchical optimization method based on the improved MOEA/D. |
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 |