CN114386323A - 基于改进蝴蝶算法的含分布式电源的配电网无功优化方法 - Google Patents
基于改进蝴蝶算法的含分布式电源的配电网无功优化方法 Download PDFInfo
- Publication number
- CN114386323A CN114386323A CN202111602877.4A CN202111602877A CN114386323A CN 114386323 A CN114386323 A CN 114386323A CN 202111602877 A CN202111602877 A CN 202111602877A CN 114386323 A CN114386323 A CN 114386323A
- Authority
- CN
- China
- Prior art keywords
- butterfly
- distribution network
- reactive
- power
- power distribution
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 78
- 238000005457 optimization Methods 0.000 title claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000003205 fragrance Substances 0.000 claims abstract description 19
- 238000013178 mathematical model Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 19
- 239000000243 solution Substances 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 7
- 241000255777 Lepidoptera Species 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力系统技术领域，尤其涉及一种基于改进蝴蝶算法的含分布式电源的配电网无功优化方法。包括：步骤1.考虑含分布式电源的配电网，建立含分布式电源的低压配电网无功优化数学模型；步骤2.获取配电网系统的节点数据，选取无功补偿装置放置的节点位置，设置控制变量的个数及取值范围；步骤3.初始化蝴蝶种群；步骤4.计算每只蝴蝶在其解空间中的适应度值，找到此时的最优蝴蝶及其位置；步骤5.计算每只蝴蝶散发的香味浓度；步骤6.选择搜索方式；步骤7.若满足要求，则输出最优值及参数。本发明计算量小，过程简单，易于实现，可及时得到无功优化结果，搜索能力大幅提高。有效降低系统网损，提高节点电压质量，减少系统运行成本。
Description
技术领域
本发明属于电力系统技术领域，尤其涉及一种基于改进蝴蝶算法的含分布式电源的配电网无功优化方法。
背景技术
随着我国国民经济的飞速发展，电力负荷和电网容量的迅速增加，电网的经济运行问题日益受到电力部门的重视。低压配电网尚存在三相不平衡严重，电压合格率低，功率因数低等实际情况。尤其是近些年，以分布式电源为代表的新能源得到了广泛关注和快速发展，分布式电源在配电网越来越高的渗透率会造成配电网无功优化变的越来越困难，而无功补偿优化是降低配电网网损，提高供电质量，提高配电网运行经济性和安全性的重要手段。因此研究含分布式电源的配电网无功优化具有重要的理论和实践价值。
分布式电源装置是指功率为数千瓦至50MW小型模块式的、与环境兼容的独立电源。这些电源由电力部门、电力用户或第三方所有，用以满足电力系统和用户特定的要求。分布式电源接入传统配电网后，电流从原来的单向流动变为双向流动，配电网的结构及潮流分布发生变化，相应的影响电网的线损；并且分布式电源的容量、接入位置、运行方式等都会对线损产生不同程度的影响。所以本发明中考虑在分布式电源位置及容量已经确定的配电网中如何加入无功补偿装置，以达到降低配电网网损，保证供电质量，提高配电网运行经济性的目的。
目前关于配电网无功优化问题已经受到国内外学者广泛关注。对于目标函数的选取，可分为从系统经济性角度出发以及从系统安全性角度出发。对于求解方法，传统方法一般包括梯度法、二次规划法、牛顿法和内点法等，但这类方法有着严格的数学定义，对求解复杂的数学模型并不适用。现代智能方法一般包括遗传算法、粒子群等启发式搜索方法，这些启发式搜索方法虽然不依赖于目标函数的性质和梯度信息，但是其中的大多数都存在计算量大、过程复杂以及寻优精度不高等问题，不适用于配电网运行过程中的实时调节。
发明内容
针对上述现有技术中存在的不足之处，本发明提供了一种基于改进蝴蝶算法的含分布式电源的配电网无功优化方法。其目的是为了解决含分布式电源的配电网在实际运行中的无功优化问题，通过引入的混合搜索算子，实现算法的搜索能力大幅提高，并且计算量小、过程简单的发明目的。
本发明为实现上述目的所采用的技术方案是：
基于改进蝴蝶算法的含分布式电源的配电网无功优化方法，包括以下步骤：
步骤1.考虑含分布式电源的配电网，建立含分布式电源的低压配电网无功优化数学模型；
步骤2.获取配电网系统的节点数据，选取无功补偿装置放置的节点位置，设置控制变量的个数及取值范围；
步骤3.初始化蝴蝶种群，根据目标函数和问题的解空间，随机生成n只蝴蝶；
步骤4.根据适应度函数，计算每只蝴蝶在其解空间中的适应度值，找到此时的最优蝴蝶及其位置；
步骤5.计算每只蝴蝶散发的香味浓度；
步骤6.选择搜索方式；
步骤7.若满足要求，则输出最优值及参数，否则返回步骤4继续循环；
步骤8.输出最终的最优无功补偿量和目标函数最优值。
更进一步的，步骤1所述考虑含分布式电源的配电网，建立含分布式电源的低压配电网无功优化数学模型，包括以下步骤：
步骤(101)考虑系统运行的经济性，选取以目标配网的有功总损耗费用和配置补偿装置费用总和最小的目标函数：
minCloss+CQ
其中，Closs为24小时电能经济损失，具体计算公式如下：
Closs＝chigh×PLhigh×thigh+cflat×PLflat×tflat+clow×PLlow×tlow
其中，PLhigh、PLflat、PLlow分别为高峰、平谷和低谷三种负荷方式下的网损；thigh、tflat、tlow分别为三种负荷方式运行的时间；chigh、cflat、clow分别为三种负荷方式对应的电价；
其中，CQ为无功补偿设备费用，具体计算公式如下：
其中，λk为0-1变量，决定节点k是否安装无功补偿装置；μq为单位容量无功补偿的费用；Qk为节点k需要的无功补偿的最大容量；ηq为无功补偿装置中控制部分的投资；Lq为无功补偿设备的使用年限；
步骤(102)潮流计算方程：
其中，Pi、Qj分别为注入节点的有功功率和无功功率；Ui、Uj分别为节点i和j的节点电压；Gij、Bij分别为支路电导和电纳；δij为节点i和j之间的电压相位差。
更进一步的，所述设置控制变量的个数及取值范围，如下：
Uimin≤Ui≤Uimax
QCimin≤QCi≤QCimax
其中，Uimax、Uimin分别为节点i允许的电压幅值波动上、下限；QCimin、QCimax分别为无功补偿装置发出的无功功率上、下限。
更进一步的，步骤4所述根据适应度函数，计算每只蝴蝶在其解空间中的适应度值，找到此时的最优蝴蝶及其位置，其中蝴蝶的位置表示无功补偿量QCi，因此需要满足步骤2中给出的无功约束范围条件。
更进一步的，步骤5所述计算每只蝴蝶散发的香味浓度，所述香味浓度计算公式如下：
f＝cIa
其中，f为其他蝴蝶所感知到的香味浓度；c为感知模态；I为刺激强度；a为依赖于感知模态的幂指数，反映释放香味的不同程度。
更进一步的，步骤6选择搜索方式，包括：
为了减少外界环境的影响，采取比较切换概率p与每次迭代前生成的随机数r的方法，决定搜索方式：若p>r则执行全局搜索，若p<r则执行局部搜索：
(1)全局搜索：
香味浓度低的蝴蝶个体向香味浓度最佳的蝴蝶的位置飞去，全局搜索的公式如下:
其中，
为第i只蝴蝶在第t次迭代时的位置；g*为当前最优蝴蝶的位置；fi为第i只蝴蝶的香味浓度；r为0-1之间的随机数；
(2)局部搜索：
其中，
为柯西分布算子；
根据蝴蝶个体修正后的位置
分别对当前蝴蝶位置进行潮流计算，计算24小时电能经济损失和无功补偿设备费用，得到蝴蝶当前的最优位置以及适应度值。
更进一步的，步骤7所述若满足要求，则输出最优值及参数，否则返回步骤4继续循环，是指：如果满足算法预先设定要求，则程序停止执行并输出最优值及相应的参数，否则返回步骤4继续循环。
更进一步的，所述最优无功补偿量是指最优解；所述目标函数最优值是指系统运行的最小代价，即24小时电能经济损失和无功补偿设备费用。
一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在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所述的基于改进蝴蝶算法的含分布式电源的配电网无功优化方法。
一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现所述的基于改进蝴蝶算法的含分布式电源的配电网无功优化方法的步骤。
本发明具有以下有益效果及优点：
本发明提出的基于混合搜索策略蝴蝶优化算法的含分布式电源的低压配电网无功优化方法，通过引入的混合搜索算子使该算法的搜索能力大幅提高，相对于传统算法如遗传算法、粒子群算法，具有参数较少，计算量小，过程简单，易于实现的优点，寻优能力强等优点，可以及时的得到无功优化结果。而与传统蝴蝶算法相比，引入的混合搜索算子使得该算法相较于传统蝴蝶算法其搜索能力大幅提高。在配电网的实际运行中，及时的得到无功优化结果就可以及时的进行无功补偿，从而有效降低系统网损，提高节点电压的质量，减少系统运行成本。综合该算法在解决含分布式电源的低压配电网无功优化问题中的以上优点，可知该算法可以有效的解决实际运行过程中含分布式电源的低压配电网无功优化问题，具有很大的实际应用价值，适用于配电网运行过程中的实时调节。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明混合搜索策略蝴蝶优化算法的流程图；
图2是本发明改进IEEE-33节点标准配电系统；
图3是本发明负荷典型日特性曲线；
图4是本发明光伏、风电典型日特性曲线；
图5是本发明不同优化算法下网络损耗对比图；
图6是本发明不同优化算法下最低节点电压对比图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1-图6描述本发明一些实施例的技术方案。
实施例1
本发明提供了一个实施例，是一种基于改进蝴蝶算法的含分布式电源的配电网无功优化方法。如附图2所示，是本发明改进IEEE-33节点标准配电系统。IEEE-33节点系统是一个含有33个节点的标准算例测试系统，它通常是某个实际电力系统的简化模型，用于电力系统领域中不同研究方向下不同算法的性能测试。在测试系统上实现无功优化的步骤包括以下几部分。首先，在测试系统中的一部分节点处配置分布式电源，然后，选取测试系统中的一部分节点作为无功补偿节点，再对测试系统建立无功优化数学模型，并引入优化算法求解，最终得到最优的无功补偿装置容量，使得24小时电能经济损失和无功补偿设备费用最小。
基于此，本发明提供了一种基于改进蝴蝶算法的含分布式电源的配电网无功优化方法，具体是一种基于混合搜索策略蝴蝶优化算法的含分布式电源的低压配电网无功优化方法，如图1所示，是本发明混合搜索策略蝴蝶优化算法的流程图，具体包括以下步骤：
步骤1.考虑含分布式电源的配电网，建立含分布式电源的低压配电网无功优化数学模型；
具体是从配电网运行的经济性角度出发，以目标配网的有功总损耗费用和配置补偿装置费用总和最小为目标函数。
所述建立含分布式电源的低压配电网无功优化数学模型，包括以下步骤：
步骤(101)考虑系统运行的经济性，选取以目标配网的有功总损耗费用和配置补偿装置费用总和最小的目标函数：
minCloss+CQ
其中，Closs为24小时电能经济损失，具体计算公式如下：
Closs＝chigh×PLhigh×thigh+cflat×PLflat×tflat+clow×PLlow×tlow
其中，PLhigh、PLflat、PLlow分别为高峰、平谷和低谷三种负荷方式下的网损；thigh、tflat、tlow分别为三种负荷方式运行的时间；chigh、cflat、clow分别为三种负荷方式对应的电价。
其中，CQ为无功补偿设备费用，具体计算公式如下：
其中，λk为0-1变量，决定节点k是否安装无功补偿装置；μq为单位容量无功补偿的费用；Qk为节点k需要的无功补偿的最大容量；ηq为无功补偿装置中控制部分的投资；Lq为无功补偿设备的使用年限。
步骤(102)潮流计算方程：
其中，Pi、Qj分别为注入节点的有功功率和无功功率；Ui、Uj分别为节点i和j的节点电压；Gij、Bij分别为支路电导和电纳；δij为节点i和j之间的电压相位差。
步骤2.获取配电网系统的节点数据，选取无功补偿装置放置的节点位置，设置控制变量的个数及取值范围；
所述设置控制变量的个数及取值范围如下：
Uimin≤Ui≤Uimax
QCimin≤QCi≤QCimax
其中，Uimax、Uimin分别为节点i允许的电压幅值波动上、下限；QCimin、QCimax分别为无功补偿装置发出的无功功率上、下限。
步骤3.初始化蝴蝶种群，根据目标函数和问题的解空间，随机生成n只蝴蝶。
步骤4.根据适应度函数，计算每一只蝴蝶在其解空间中的适应度值，从而找到此时的最优蝴蝶及其位置。
蝴蝶的位置表示无功补偿量QCi，所以需要满足步骤2中给出的无功约束范围条件。
步骤5.计算每一只蝴蝶散发的香味浓度。
所述香味浓度计算公式如下：
f＝cIa
其中，f为其他蝴蝶所感知到的香味浓度；c为感知模态；I为刺激强度；a为依赖于感知模态的幂指数，反映释放香味的不同程度。
步骤6.选择搜索方式；
为了尽可能减少外界环境的影响，采取比较切换概率p与每次迭代前生成的随机数r的方法，决定使用哪种搜索方式。若p>r则执行全局搜索，若p<r则执行局部搜索。
(1)全局搜索：
香味浓度低的蝴蝶个体向香味浓度最佳的蝴蝶的位置飞去，全局搜索的公式如下:
其中，
为第i只蝴蝶在第t次迭代时的位置；g*为当前最优蝴蝶的位置；fi为第i只蝴蝶的香味浓度；r为0-1之间的随机数。
(2)局部搜索：
其中，
为柯西分布算子。
根据蝴蝶个体修正后的位置
分别对当前蝴蝶位置进行潮流计算，潮流计算公式为步骤(102)中的计算方程，计算24小时电能经济损失和无功补偿设备费用，得到蝴蝶当前的最优位置以及适应度值。
步骤7.若满足算法预先设定要求，则程序停止执行并输出最优值及相应的参数，否则返回步骤4继续循环。
步骤8.输出最终的最优无功补偿量和目标函数最优值。
其中最优解即为最优的无功补偿量，最优值就是系统运行的最小代价，即24小时电能经济损失和无功补偿设备费用。
实施例2
本发明又提供了一个实施例，是一种基于改进蝴蝶算法的含分布式电源的配电网无功优化方法，给出本发明的一个数值算例进行仿真计算如下：
如图2所示，是本发明改进IEEE-33节点标准配电系统。改进后IEEE 33节点系统中，系统额定电压为12.66kV，节点电压允许范围为0.95-1.05p.u.；其中10节点接入200kW分布式风电，13、23节点各接入200kW分布式光伏，且这三个节点的无功出力都在-0.15-0.45Mvar之间；取负荷水平较高且电压水平较低的7、8、24、25、30、32这六个节点作为无功补偿点，无功补偿设备容量为200kMVar×5。
如图3所示，是本发明负荷典型日特性曲线。考虑一天内的节点负荷变化，其中，网络总负荷为3715kW+j2300kVar。可见，负荷高峰时段为19:00-22:00；平谷时段为11:00-18:00和23:00-24:00；低谷时段为01:00-10:00。
如图4所示，是本发明光伏、风电典型日特性曲线。考虑分布式光伏和分布式风电的典型日出力。
考虑系统运行的经济性，以目标配网的有功总损耗费用和配置补偿装置费用总和最小为目标函数，得到如下的配电网动态无功优化问题。
min Closs+CQ
Uimin≤Ui≤Uimax
QCimin≤QCi≤QCimax
其中，节点电压Ui的约束范围为0.95-1.05p.u.，无功补偿量QCi的约束范围为0-0.1MW。
为了充分验证混合搜索策略蝴蝶优化算法(HSBOA)在解决配电网动态无功优化问题的有效性，将传统算法粒子群算法(PSO)和遗传算法(GA)引入作对比分析。其中算法的迭代次数统一为200。混合搜索策略蝴蝶优化算法的感知模态c＝0.01，幂指数a＝0.1；GA的种群数量为100，交叉率为0.003，变异率为0.8；PSO的种群数量为25，惯性权重为0.95。
编写算法程序，在MATLAB 2016环境下仿真测试。可得不加无功补偿设备，和加入不同优化算法得到的无功补偿设备下，24小时电能经济损失和无功补偿设备费用，如表1所示。
表1不同优化算法下24小时电能经济损失和无功补偿设备费用对比结果
| 优化算法 | 24小时运行成本(元) |
| 不加无功补偿设备 | 2326.4 |
| HSBOA | 1984.6 |
| PSO | 2095.7 |
| GA | 2094.3 |
从表1可以看出，混合搜索策略蝴蝶优化算法(HSBOA)的24小时运行成本明显小于其他算法，说明得到的解是最优的，确保了配电网运行的经济性。
如图5所示，是本发明不同优化算法下网络损耗对比图；如图6所示，是本发明不同优化算法下最低节点电压对比图。可分别得到一天内的系统网损和节点电压的变化曲线，从图中可以看出，在混合搜索策略蝴蝶优化算法(HSBOA)下，一天内的各个时段中，系统网损都有明显的降低，最低节点电压也得到了显著提高，且满足0.95-1.05p.u.的约束范围。证明了混合搜索策略蝴蝶优化算法(HSBOA)在确保了配电网运行的经济性的同时，系统网损得到了明显的下降，配电网的安全性也得到了提高。同时，相比于其他传统算法，混合搜索策略蝴蝶优化算法得到了更好的寻优结果。故证明了本模型及算法的正确性。
实施例3
基于同一发明构思，本发明实施例还提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在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实施例1至实施例2所述的基于改进蝴蝶算法的含分布式电源的配电网无功优化方法。
实施例4
基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例1或2所述的基于改进蝴蝶算法的含分布式电源的配电网无功优化方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.基于改进蝴蝶算法的含分布式电源的配电网无功优化方法，其特征是：包括以下步骤：
步骤1.考虑含分布式电源的配电网，建立含分布式电源的低压配电网无功优化数学模型；
步骤2.获取配电网系统的节点数据，选取无功补偿装置放置的节点位置，设置控制变量的个数及取值范围；
步骤3.初始化蝴蝶种群，根据目标函数和问题的解空间，随机生成n只蝴蝶；
步骤4.根据适应度函数，计算每只蝴蝶在其解空间中的适应度值，找到此时的最优蝴蝶及其位置；
步骤5.计算每只蝴蝶散发的香味浓度；
步骤6.选择搜索方式；
步骤7.若满足要求，则输出最优值及参数，否则返回步骤4继续循环；
步骤8.输出最终的最优无功补偿量和目标函数最优值。
2.根据权利要求1所述的基于改进蝴蝶算法的含分布式电源的配电网无功优化方法，其特征是：步骤1所述考虑含分布式电源的配电网，建立含分布式电源的低压配电网无功优化数学模型，包括以下步骤：
步骤(101)考虑系统运行的经济性，选取以目标配网的有功总损耗费用和配置补偿装置费用总和最小的目标函数：
min Closs+CQ
其中，Closs为24小时电能经济损失，具体计算公式如下：
Closs＝chigh×PLhigh×thigh+cflat×PLflat×tflat+clow×PLlow×tlow
其中，PLhigh、PLflat、PLlow分别为高峰、平谷和低谷三种负荷方式下的网损；thigh、tflat、tlow分别为三种负荷方式运行的时间；chigh、cflat、clow分别为三种负荷方式对应的电价；
其中，CQ为无功补偿设备费用，具体计算公式如下：
其中，λk为0-1变量，决定节点k是否安装无功补偿装置；μq为单位容量无功补偿的费用；Qk为节点k需要的无功补偿的最大容量；ηq为无功补偿装置中控制部分的投资；Lq为无功补偿设备的使用年限；
步骤(102)潮流计算方程：
其中，Pi、Qj分别为注入节点的有功功率和无功功率；Ui、Uj分别为节点i和j的节点电压；Gij、Bij分别为支路电导和电纳；δij为节点i和j之间的电压相位差。
3.根据权利要求1所述的基于改进蝴蝶算法的含分布式电源的配电网无功优化方法，其特征是：所述设置控制变量的个数及取值范围，如下：
Uimin≤Ui≤Uimax
QCimin≤QCi≤QCimax
其中，Uimax、Uimin分别为节点i允许的电压幅值波动上、下限；QCimin、QCimax分别为无功补偿装置发出的无功功率上、下限。
4.根据权利要求1所述的基于改进蝴蝶算法的含分布式电源的配电网无功优化方法，其特征是：步骤4所述根据适应度函数，计算每只蝴蝶在其解空间中的适应度值，找到此时的最优蝴蝶及其位置，其中蝴蝶的位置表示无功补偿量QCi，因此需要满足步骤2中给出的无功约束范围条件。
5.根据权利要求1所述的基于改进蝴蝶算法的含分布式电源的配电网无功优化方法，其特征是：步骤5所述计算每只蝴蝶散发的香味浓度，所述香味浓度计算公式如下：
f＝cIa
其中，f为其他蝴蝶所感知到的香味浓度；c为感知模态；I为刺激强度；a为依赖于感知模态的幂指数，反映释放香味的不同程度。
6.根据权利要求1所述的基于改进蝴蝶算法的含分布式电源的配电网无功优化方法，其特征是：步骤6选择搜索方式，包括：
为了减少外界环境的影响，采取比较切换概率p与每次迭代前生成的随机数r的方法，决定搜索方式：若p>r则执行全局搜索，若p<r则执行局部搜索：
(1)全局搜索：
香味浓度低的蝴蝶个体向香味浓度最佳的蝴蝶的位置飞去，全局搜索的公式如下:
其中，
为第i只蝴蝶在第t次迭代时的位置；g*为当前最优蝴蝶的位置；fi为第i只蝴蝶的香味浓度；r为0-1之间的随机数；
(2)局部搜索：
其中，
为柯西分布算子；
根据蝴蝶个体修正后的位置
分别对当前蝴蝶位置进行潮流计算，计算24小时电能经济损失和无功补偿设备费用，得到蝴蝶当前的最优位置以及适应度值。
7.根据权利要求1所述的基于改进蝴蝶算法的含分布式电源的配电网无功优化方法，其特征是：步骤7所述若满足要求，则输出最优值及参数，否则返回步骤4继续循环，是指：如果满足算法预先设定要求，则程序停止执行并输出最优值及相应的参数，否则返回步骤4继续循环。
8.根据权利要求1所述的基于改进蝴蝶算法的含分布式电源的配电网无功优化方法，其特征是：所述最优无功补偿量是指最优解；所述目标函数最优值是指系统运行的最小代价，即24小时电能经济损失和无功补偿设备费用。
9.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征是：所述处理器执行所述计算机程序时实现权利要求1至7中任意一项所述的基于改进蝴蝶算法的含分布式电源的配电网无功优化方法。
10.一种计算机存储介质，其特征是：所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任意一项所述的基于改进蝴蝶算法的含分布式电源的配电网无功优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111602877.4A CN114386323A (zh) | 2021-12-24 | 2021-12-24 | 基于改进蝴蝶算法的含分布式电源的配电网无功优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111602877.4A CN114386323A (zh) | 2021-12-24 | 2021-12-24 | 基于改进蝴蝶算法的含分布式电源的配电网无功优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114386323A true CN114386323A (zh) | 2022-04-22 |
Family
ID=81198517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111602877.4A Pending CN114386323A (zh) | 2021-12-24 | 2021-12-24 | 基于改进蝴蝶算法的含分布式电源的配电网无功优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114386323A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114995579A (zh) * | 2022-06-17 | 2022-09-02 | 河海大学 | 融入记忆和自然选择的改进蝴蝶算法实现z源光伏mppt方法 |
| CN115515144A (zh) * | 2022-10-12 | 2022-12-23 | 同济大学 | 一种异构AIoT自组网信号全覆盖方法及装置 |
-
2021
- 2021-12-24 CN CN202111602877.4A patent/CN114386323A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114995579A (zh) * | 2022-06-17 | 2022-09-02 | 河海大学 | 融入记忆和自然选择的改进蝴蝶算法实现z源光伏mppt方法 |
| CN114995579B (zh) * | 2022-06-17 | 2023-03-24 | 河海大学 | 融入记忆和自然选择的改进蝴蝶算法实现z源光伏mppt方法 |
| CN115515144A (zh) * | 2022-10-12 | 2022-12-23 | 同济大学 | 一种异构AIoT自组网信号全覆盖方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165788B (zh) | 一种冷热电联供系统的优化方法 | |
| CN107546781B (zh) | 基于pso改进算法的微电网多目标运行优化方法 | |
| CN108471143A (zh) | 基于正负反馈粒子群算法的微电网多能源调度优化方法 | |
| CN114386323A (zh) | 基于改进蝴蝶算法的含分布式电源的配电网无功优化方法 | |
| CN113378100B (zh) | 考虑碳排放的配电网源网荷储协同优化调度模型和方法 | |
| CN110957717A (zh) | 一种多电源电力系统多目标日前优化调度方法 | |
| CN108667054B (zh) | 一种储能规划方法及装置 | |
| CN109034587B (zh) | 一种协调多种可控单元的主动配电系统优化调度方法 | |
| CN114726009A (zh) | 一种考虑功率预测的风电场群无功分层优化控制方法及其系统 | |
| Manohara et al. | Northern Goshawk Optimization for Optimal Allocation of Multiple Types of Active and Reactive Power Distribution Generation in Radial Distribution Systems for Techno-Environmental Benefits. | |
| CN113162055B (zh) | 一种储能与新能源电站无功电压的协调控制方法及系统 | |
| CN108429271A (zh) | 用于频率调节的混合储能系统微能源网优化方法及系统 | |
| CN115940284B (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
| CN116341855A (zh) | 一种分布式储能规划方法、装置、设备及介质 | |
| CN114362239A (zh) | 一种综合考虑多因素的电网电源极限配置策略 | |
| CN114447963A (zh) | 储能电池功率控制方法及系统 | |
| Liu et al. | Double-Layer Optimal Configuration Method of Hybrid Energy Storage System Based on Chaotic Ant Colony Algorithm | |
| Kamel et al. | Optimal allocation of a wind turbine and battery energy storage systems in distribution networks based on the modified BES-optimizer | |
| CN113988578A (zh) | 计及可靠性的微电网群源网荷储协同优化调度方法及系统 | |
| Zhou et al. | Voltage regulation based on deep reinforcement learning algorithm in distribution network with energy storage system | |
| Wu et al. | Optimal capacity allocation of large-scale wind-PV-battery units | |
| CN113394805B (zh) | 基于自适应动态更新的柔性互联配电网日内滚动优化方法 | |
| CN113991648A (zh) | 一种微电网群源网荷储双层优化调度方法及系统 | |
| Li et al. | Research on Control Strategy of Energy Storage System to Improve Wind Power Smoothing Ability | |
| Tian et al. | Intelligent Distribution Optimization of Distribution Network Based on Multi-objective Genetic Algorithm |
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 |