CN114784831A - 一种基于移动储能的主动配电网多目标无功优化方法 - Google Patents

一种基于移动储能的主动配电网多目标无功优化方法 Download PDF

Info

Publication number
CN114784831A
CN114784831A CN202210539447.0A CN202210539447A CN114784831A CN 114784831 A CN114784831 A CN 114784831A CN 202210539447 A CN202210539447 A CN 202210539447A CN 114784831 A CN114784831 A CN 114784831A
Authority
CN
China
Prior art keywords
energy storage
mobile energy
reactive power
optimization
distribution network
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
Application number
CN202210539447.0A
Other languages
English (en)
Inventor
谢云云
胡红新
覃晓慧
蔡胜
吴昊
时涵
王洁
邹云
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202210539447.0A priority Critical patent/CN114784831A/zh
Publication of CN114784831A publication Critical patent/CN114784831A/zh
Pending legal-status Critical Current

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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • 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
    • G06F2111/06—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
    • 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]
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)

Abstract

本发明公开了一种基于移动储能的主动配电网多目标无功优化方法，包括：以节点电压总偏移和网络有功损耗为优化目标，建立基于移动储能的主动配电网多目标无功优化模型；对有载调压变压器、并联电容器组、分布式电源和固定储能这些固定无功优化设备的运行特性进行建模；对移动储能的路径约束和出力约束进行建模；对模型进行求解，得到包含节点电压总偏移和网络有功损耗的Pareto解集；从多目标解集中选取综合最优解，得到包含移动储能在内的各无功优化设备的日前调度方案。本发明能够在时间和空间双维度上实现电能的灵活转移，与配电网原有无功优化设备相比，本方法在降低电压偏移和减少网络损耗方面的效果更好，更加有利于配电网的安全稳定运行。

Description

一种基于移动储能的主动配电网多目标无功优化方法
技术领域
本发明属于电力系统无功优化技术领域，特别是一种基于移动储能的主动配电网多目标无功优化方法。
背景技术
风电和光伏等分布式电源在配电网中渗透率的提高，使配电网的结构发生改变，增加了对配电网的控制难度，同时分布式电源具备出力的不确定性，并网后容易产生电压越限等问题，因此对配电网进行有效的无功优化变得至关重要。移动储能作为时空双维度皆可灵活转移的储能设备，可以为配电网提供及时有效的功率支撑，改善配电网的无功功率分布。目前关于移动储能参与配电网无功优化的研究主要集中在移动储能与有载调压变压器、电容器、分布式电源等固定无功设备协同优化，实现对配电网的电压控制或经济调度。然而，关于移动储能参与的无功优化中一般只涉及节点电压偏移最小或网损最小的单目标优化，并未从综合的角度对配电网进行包括经济性与安全性等多目标的优化。
发明内容
本发明的目的在于针对当前配电网部分区域无功功率分布不均衡而产生的电压越限及网损过多的问题，提供一种基于移动储能的主动配电网多目标无功优化方法。
实现本发明目的的技术解决方案为：一种基于移动储能的主动配电网多目标无功优化方法，其特征在于，所述方法包括以下步骤：
步骤1，以节点电压总偏移和网络有功损耗为优化目标，建立基于移动储能的主动配电网多目标无功优化模型；
步骤2，针对步骤1中的模型，对有载调压变压器、并联电容器组、分布式电源和固定储能这些固定无功优化设备的运行特性进行建模；
步骤3，利用移动储能灵活部署的特性，对移动储能的路径约束和出力约束进行建模；
步骤4，针对步骤1中建立的基于移动储能的主动配电网多目标无功优化模型，采用多目标粒子群优化算法对模型进行求解，得到包含节点电压总偏移和网络有功损耗的Pareto解集；
步骤5，针对步骤4得到的Pareto解集，采用模糊隶属度函数法从多目标解集中选取综合最优解，得到包含移动储能在内的各无功优化设备的日前调度方案。
一种基于移动储能的主动配电网多目标无功优化系统，所述系统包括依次执行的：
第一模块，用于以节点电压总偏移和网络有功损耗为优化目标，建立基于移动储能的主动配电网多目标无功优化模型；
第二模块，用于针对第一模块中的模型，对有载调压变压器、并联电容器组、分布式电源和固定储能这些固定无功优化设备的运行特性进行建模；
第三模块，用于利用移动储能灵活部署的特性，对移动储能的路径约束和出力约束进行建模；
第四模块，用于针对第一模块建立的基于移动储能的主动配电网多目标无功优化模型，采用多目标粒子群优化算法对模型进行求解，得到包含节点电压总偏移和网络有功损耗的Pareto解集；
第五模块，用于针对第四模块得到的Pareto解集，采用模糊隶属度函数法从多目标解集中选取综合最优解，得到包含移动储能在内的各无功优化设备的日前调度方案。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
步骤1，以节点电压总偏移和网络有功损耗为优化目标，建立基于移动储能的主动配电网多目标无功优化模型；
步骤2，针对步骤1中的模型，对有载调压变压器、并联电容器组、分布式电源和固定储能这些固定无功优化设备的运行特性进行建模；
步骤3，利用移动储能灵活部署的特性，对移动储能的路径约束和出力约束进行建模；
步骤4，针对步骤1中建立的基于移动储能的主动配电网多目标无功优化模型，采用多目标粒子群优化算法对模型进行求解，得到包含节点电压总偏移和网络有功损耗的Pareto解集；
步骤5，针对步骤4得到的Pareto解集，采用模糊隶属度函数法从多目标解集中选取综合最优解，得到包含移动储能在内的各无功优化设备的日前调度方案。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
步骤1，以节点电压总偏移和网络有功损耗为优化目标，建立基于移动储能的主动配电网多目标无功优化模型；
步骤2，针对步骤1中的模型，对有载调压变压器、并联电容器组、分布式电源和固定储能这些固定无功优化设备的运行特性进行建模；
步骤3，利用移动储能灵活部署的特性，对移动储能的路径约束和出力约束进行建模；
步骤4，针对步骤1中建立的基于移动储能的主动配电网多目标无功优化模型，采用多目标粒子群优化算法对模型进行求解，得到包含节点电压总偏移和网络有功损耗的Pareto解集；
步骤5，针对步骤4得到的Pareto解集，采用模糊隶属度函数法从多目标解集中选取综合最优解，得到包含移动储能在内的各无功优化设备的日前调度方案。
本发明与现有技术相比，其显著优点为：
(1)本发明采用移动储能参与无功优化的方法，能够实现电能在时间和空间双维度的灵活转移，从而使主动配电网的无功功率分布更加均衡，有效地改善了配电网中电压越限及网损过多的问题。
(2)本发明采用的多目标优化方法，能够将系统节点电压偏移和网络有功损耗同时作为优化目标进行优化，能够得到更加综合的优化效果，更加利于配电网安全且经济的运行。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于移动储能的主动配电网多目标无功优化方法的流程图。
图2为本发明实施例采用的IEEE 33节点系统图。
图3为本发明的配电网系统负荷预测曲线图。
图4为本发明实施例中的目标函数的Pareto解集示意图。
图5为本发明实施例中的各时步系统节点电压图。
图6为本发明实施例中的最大节点电压偏差结果对比图。
图7为本发明实施例中的变压器档位调度结果图。
图8为本发实施例明中的并联电容器组调度结果图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
结合图1，本发明提供了一种基于移动储能的主动配电网多目标无功优化方法，所述方法包括以下步骤：
步骤1，以节点电压总偏移和网络有功损耗为优化目标，建立基于移动储能的主动配电网多目标无功优化模型；具体包括：
步骤1-1，以24h为一个调度周期，建立以一个调度周期内系统所有节点电压的偏移量最小和网络有功损耗最小的优化目标函数：
Figure BDA0003650013950000041
Figure BDA0003650013950000042
式中，N为系统中网络节点的总个数，Vi,t为t时段节点i实际电压值，Vref为系统节点电压参考值，M为系统中与j节点直接相连的节点个数，Ui,t、Uj,t为t时段系统节点i与节点j的电压，Gij,t、Bij,t和θij,t分别为t时段系统支路i-j的电导、电纳和阻抗角；
步骤1-2，确定配电网可靠运行的安全约束条件，包括潮流及电压约束：
潮流及电压约束是实现配电网可靠运行的基本要求，各无功优化设备为系统提供功率支撑的同时也要满足系统的潮流检验。
Figure BDA0003650013950000043
Figure BDA0003650013950000044
式中，
Figure BDA0003650013950000051
为t时刻节点i电压幅值Vi,t的上、下限值；PGi,t、QGi,t分别为t时刻节点i的发电机注入有功、无功功率；PDG,t、QDG,t分别为t时刻分布式电源的注入有功、无功功率；PESS,t、QESS,t分别为t时刻储能装置注入的有功、无功功率，放电为正，充电为负；PLi,t、QLi,t分别为t时刻节点i的负荷有功、无功功率；QCi,t为t时刻节点i的并联电容器组的补偿容量；Vi,t为t时刻节点i的电压幅值；Gij、Bij分别为节点i、j之间的电导和电纳；θij,t为t时刻节点i、j之间的电压相角差。
步骤2，针对步骤1中的模型，对有载调压变压器、并联电容器组、分布式电源和固定储能这些固定无功优化设备的运行特性进行建模；具体包括：
(1)有载调压变压器及电容器组的出力约束
有载调压变压器和电容器组的控制方式为离散控制，如果对其频繁调节，则可能会使设备出现故障甚至毁坏，减少设备的生命周期，且不利于系统的经济化运行。基于以上分析，得到有载调压变压器及电容器组的运行约束条件：
Figure BDA0003650013950000052
Figure BDA0003650013950000053
Figure BDA0003650013950000054
Figure BDA0003650013950000055
式中，
Figure BDA0003650013950000056
为变压器节点集合，
Figure BDA0003650013950000057
和
Figure BDA0003650013950000058
分别为t时段第i台OLTC(On-Load TapChanger，有载调压变压器)档位
Figure BDA0003650013950000059
的上、下限值；Nk,max表示OLTC在一个调度周期内最大动作次数；
Figure BDA00036500139500000510
为电容器安装节点集合，
Figure BDA00036500139500000511
和
Figure BDA00036500139500000512
分别为t时段第i台并联电容器组投入容量
Figure BDA00036500139500000513
的上、下限值；NC,max表示并联电容器组在一个调度周期内最大动作次数；
(2)分布式电源出力约束
分布式电源的出力往往以最大有功功率为条件，但受到环境等因素影响，通常具有一定的限制；无功最大出力则其通常受到有功功率和换流器视在功率的影响，要满足换流器容量限制的约束条件。因此，当分布式电源参与电力系统无功优化调度时，其出力约束为：
Figure BDA0003650013950000061
Figure BDA0003650013950000062
Figure BDA0003650013950000063
式中，PDG,i,t为t时段第i个分布式电源DG的有功出力，
Figure BDA0003650013950000064
为DG有功出力的上限；
Figure BDA0003650013950000065
分别为DG无功出力的上、下限；SDG,i为DG的装机容量；
(3)固定储能出力约束
利用储能装置参与电力系统无功优化调度，需要考虑储能装置的储能容量约束、充放电约束、功率约束以及电池荷电状态约束：
Figure BDA0003650013950000066
Figure BDA0003650013950000067
SOCmin≤SOCt≤SOCmax
Figure BDA0003650013950000068
式中，PESS,i和QESS,i为储能系统的有功功率、无功功率，Pt ESS是t时段储能系统的有功功率，
Figure BDA0003650013950000069
分别为PESS,i上限，
Figure BDA00036500139500000610
为储能系统最大视在功率，SoCmin、SoCmax为储能荷电状态的最小、最大值，SoCt为t时刻的储能荷电状态，ηch和ηdis分别表示储能系统的充电效率和放电效率，ΔT为调度周期的一个时步，
Figure BDA00036500139500000611
为当前时刻储能系统中所存储的电量。
步骤3，利用移动储能灵活部署的特性，对移动储能的路径约束和出力约束进行建模；具体包括：
假设配电网中各节点均为储能接入点，对移动储能的移动特性进行建模；在移动储能优化调度过程中，规定每个移动储能在每个时段只能接入一个节点，即：
Figure BDA0003650013950000071
式中，N′为移动储能接入候选点集合，
Figure BDA0003650013950000072
为移动储能s在t时段是否接入节点，是为1，否则为0；
根据移动储能的路径约束可知，移动储能不是每个时刻都接入电网参与运行调度。当移动储能从一个接入节点移动到另一个接入节点时，其运行约束为：
Figure BDA0003650013950000073
式中，trij为移动储能在接入节点i和接入节点j之间的移动时间，T为一个调度周期，t为当前时刻；
每一个接入节点能够接入的移动储能个数是有限的，即：
Figure BDA0003650013950000074
式中，M为移动储能个数集合，Ns.max为每个接入节点所能接入移动储能最大个数；
当移动储能没有接入电网时，不考虑其输出功率；当其接入电网时，其功率输出约束为：
Figure BDA0003650013950000075
Figure BDA0003650013950000076
Figure BDA0003650013950000077
Figure BDA0003650013950000078
SoCmin≤SoCt≤SoCmax
式中，
Figure BDA0003650013950000079
为移动储能s在t时段是否接入节点，是为1，否则为0；
Figure BDA00036500139500000710
和
Figure BDA00036500139500000711
为移动储能有功及无功出力的上限；
Figure BDA00036500139500000712
和
Figure BDA00036500139500000713
分别为移动储能s在接入节点i的有功和无功出力；
Figure BDA00036500139500000714
为移动储能的最大视在功率；SOCmin、SOCmax为移动储能荷电状态的最小、最大值，SOCt为t时刻的移动储能荷电状态，
Figure BDA00036500139500000715
为移动储能s在t时段的荷电状态；ΔT为调度周期的一个时步；
Figure BDA0003650013950000081
为移动储能在当前时刻所存储的电量；ηch和ηdis分别表示移动储能系统的充电效率和放电效率。
步骤4，针对步骤1中建立的基于移动储能的主动配电网多目标无功优化模型，采用多目标粒子群优化算法对模型进行求解，得到包含节点电压总偏移和网络有功损耗的Pareto解集；
粒子群优化算法是通过模仿自然界内鸟类寻找食物的行为而实现群集智能优化的算法。多目标粒子群优化算法则需要考虑多个目标函数值的支配情况，其关键步骤在于找寻种群的非支配解，其过程为：
1)种群初始化
给定粒子群规模N，初始种群中的每个个体代表无功优化模型的一个调度方案，即包括DG、MESS的有功无功出力和MESS的连接节点情况，出力值在取值范围内随机生成；
2)获取全局非支配个体
假设经过优化计算，得到含多优化目标的函数值；获取全局非支配个体，即根据每个向量之间的支配关系，确定个体中该向量是否被其他个体支配；获取不被其他任何个体所支配的个体，这些个体被称为非支配个体，非支配个体将被放置到档案库中；在本发明模型中，计算得到的多目标函数值包括支路有功损耗和节点电压偏移两个向量，根据两个向量的支配情况，得到种群的非支配个体；
3)建立栅格边界和档案库
确定非支配个体种群的最大值和最小值，并依据最大值和最小值划分出栅格；划分栅格，既可以根据个体的目标函数值将个体对应到划分好的栅格位置上，方便管理非支配种群，又可以在同一个栅格位置出现多个非支配个体时，删掉多余的非支配个体；
4)粒子的更新和变异
粒子的更新遵从粒子群速度和位置更新公式，表示为：
Figure BDA0003650013950000082
Figure BDA0003650013950000083
式中，k表示迭代次数，N为种群个体数量，
Figure BDA0003650013950000084
表示当迭代次数为k时粒子i在d维搜索空间的速度向量，ω为惯性权重，
Figure BDA0003650013950000091
为粒子i的个体最优解，
Figure BDA0003650013950000092
为整个群体的全局最优解，
Figure BDA0003650013950000093
为粒子i的位置向量，ξ和η是服从U(0,1)均匀分布的随机值；学习因子c1、c2用于调节飞行方向的比重，D为决策量的个数；
由于多目标优化时不再存在单一的最佳速度值，因此采用轮盘赌的方式在非支配种群中进去选择。同时，为了使粒子更具备多样性，选择一个变量在定义范围内随机变化，如果变异后的目标值优于之前的个体，则变异后的个体替代之前个体，否则按照50％的概率选择是否替代之前的个体；
5)动态更新栅格档案库
粒子在每一次的迭代更新后，都会产生新的非支配个体，新产生的非支配个体与原来档案库中的非支配个体会产生新的支配和非支配关系，因此，在新的非支配个体产生后，需要对所有的非支配个体重新确定支配关系，并且产生新的档案库和栅格矩阵；
6)停止迭代
在迭代最大次数后得到的种群中，输出当前的Pareto解集并绘制出图形。
步骤5，针对步骤4得到的Pareto解集，采用模糊隶属度函数法从多目标解集中选取综合最优解，得到包含移动储能在内的各无功优化设备的日前调度方案。其中，采用模糊隶属度函数法选取综合最优解的过程，具体包括：
采用模糊隶属度函数中的偏小型对Pareto解集进行表示，表达式如下所示：
Figure BDA0003650013950000094
式中，fn、
Figure BDA0003650013950000095
分别为模型的第n个目标函数和其对应的模糊隶属度函数，fnmax和fnmin分别为第n个目标函数的最大值和最小值；
Figure BDA0003650013950000096
的取值范围为(0,1)，fn越小，即更靠近fnmin，
Figure BDA0003650013950000097
越靠近1，即此时的解更符合最优解；
针对多目标函数的总体模糊隶属度函数表示为：
Figure BDA0003650013950000098
式中，M为目标函数的个数，在本发明中M＝2；根据上式对Pareto解集中的解进行计算，则当
Figure BDA0003650013950000101
最靠近1即
Figure BDA0003650013950000102
与1差值的绝对值最小时，对应的解为综合最优解。
进一步地，本发明提供了一种基于移动储能的主动配电网多目标无功优化系统，其特征在于，所述系统包括依次执行的：
第一模块，用于以节点电压总偏移和网络有功损耗为优化目标，建立基于移动储能的主动配电网多目标无功优化模型；
第二模块，用于针对第一模块中的模型，对有载调压变压器、并联电容器组、分布式电源和固定储能这些固定无功优化设备的运行特性进行建模；
第三模块，用于利用移动储能灵活部署的特性，对移动储能的路径约束和出力约束进行建模；
第四模块，用于针对第一模块建立的基于移动储能的主动配电网多目标无功优化模型，采用多目标粒子群优化算法对模型进行求解，得到包含节点电压总偏移和网络有功损耗的Pareto解集；
第五模块，用于针对第四模块得到的Pareto解集，采用模糊隶属度函数法从多目标解集中选取综合最优解，得到包含移动储能在内的各无功优化设备的日前调度方案。
关于基于移动储能的主动配电网多目标无功优化系统的具体限定可以参见上文中对于基于移动储能的主动配电网多目标无功优化方法的限定，在此不再赘述。上述基于移动储能的主动配电网多目标无功优化系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
进一步地，本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
步骤1，以节点电压总偏移和网络有功损耗为优化目标，建立基于移动储能的主动配电网多目标无功优化模型；
步骤2，针对步骤1中的模型，对有载调压变压器、并联电容器组、分布式电源和固定储能这些固定无功优化设备的运行特性进行建模；
步骤3，利用移动储能灵活部署的特性，对移动储能的路径约束和出力约束进行建模；
步骤4，针对步骤1中建立的基于移动储能的主动配电网多目标无功优化模型，采用多目标粒子群优化算法对模型进行求解，得到包含节点电压总偏移和网络有功损耗的Pareto解集；
步骤5，针对步骤4得到的Pareto解集，采用模糊隶属度函数法从多目标解集中选取综合最优解，得到包含移动储能在内的各无功优化设备的日前调度方案。
关于每一步的具体限定可以参见上文中对于基于移动储能的主动配电网多目标无功优化方法的限定，在此不再赘述。
进一步地，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
步骤1，以节点电压总偏移和网络有功损耗为优化目标，建立基于移动储能的主动配电网多目标无功优化模型；
步骤2，针对步骤1中的模型，对有载调压变压器、并联电容器组、分布式电源和固定储能这些固定无功优化设备的运行特性进行建模；
步骤3，利用移动储能灵活部署的特性，对移动储能的路径约束和出力约束进行建模；
步骤4，针对步骤1中建立的基于移动储能的主动配电网多目标无功优化模型，采用多目标粒子群优化算法对模型进行求解，得到包含节点电压总偏移和网络有功损耗的Pareto解集；
步骤5，针对步骤4得到的Pareto解集，采用模糊隶属度函数法从多目标解集中选取综合最优解，得到包含移动储能在内的各无功优化设备的日前调度方案。
关于每一步的具体限定可以参见上文中对于基于移动储能的主动配电网多目标无功优化方法的限定，在此不再赘述。
下面结合具体实施例对本发明做进一步的描述。
实施例
本实施例采用IEEE 33节点系统以验证该方法的有效性，其拓扑结构如图2所示。
1)仿真场景
配电网拓扑结构如图2所示，一个典型日的负荷预测比例系数曲线如图3所示。IEEE33节点系统的基准容量为100MVA，电压等级为12.66kV，系统中电压允许偏移范围设置为基准值的±10％，即电压允许偏移范围为0.9～1.1(p.u.)。系统中接入一台有载调压变压器，包含17个分接头(UN±8×1.25％)，并联电容器组单组容量为50kvar，接入两台分布式电源均为风力发电机，其额定容量为150kW，接有3个移动储能，初始节点为2、19、33节点。各无功优化设备的参数如表1和表2所示。
表1无功设备参数设置表
Figure BDA0003650013950000121
表2移动储能参数设置表
Figure BDA0003650013950000122
2)仿真结果：
采用多目标粒子群算法对模型进行求解，设置算法迭代次数为200，得到目标函数Pareto解集如图4所示。同时，各个无功设备的动作情况及出力满足约束要求。
从目标函数的Pareto解集可以看出，本发明的无功优化模型不存在单一的最优目标函数值。因此，采用模糊隶属度函数法，在求得的包含电压偏差和网络损耗的目标函数的Pareto解集中选取最优解，目标函数的Pareto解集及其对应的隶属度值如表3所示，可以看出，当隶属度值取0.6327时，无功优化得到相对更优的结果。
表3目标函数的Pareto解集及隶属度值
Figure BDA0003650013950000123
Figure BDA0003650013950000131
各无功优化设备的节点电压偏移对比如表4所示，系统各时段节点电压如图5所示。由图表可得，采用多目标优化后节点电压偏移降低至1.0062，电压减少率为3.15％，多目标优化方法能够进一步地降低节点电压偏移，并且各节点电压都能满足节点电压约束，即维持在0.95～1.05(p.u.)范围内。选取系统中节点电压偏差最大的时段的各节点电压，与其他无功优化方法对比如图6所示。从图中可以看出，基于多目标无功优化的系统节点电压幅值在电压波动最恶劣的情况时，依然比只进行单目标优化以及只有固定无功设备时更小。
表4各无功优化设备的电压偏移对比
Figure BDA0003650013950000132
基于各无功优化方法的网络损耗对比如表5所示。可以看出，当采用多目标无功优化后，系统的有功损耗减少至3.8156MW，相对初始网络较少率为24.65％，相对于移动储能单目标优化减少率为5.73％。因此，多目标优化模型能够在减小配电网电压偏移的同时，使线路的有功损耗进一步减小，在确保系统安全稳定运行的同时，也提高了系统运行控制的经济性。
表5有功损耗对比
Figure BDA0003650013950000133
OLTC、并联电容器组的调度结果如图7、图8所示，其动作次数均满足系统约束条件。各个无功优化方法中OLTC、并联电容器组动作次数情况如表6所示。与基于固定无功设备的优化方法相比，基于移动储能的多目标无功优化调度方法中传统无功优化设备的动作次数更少，降低了设备的损耗程度，更有利于电力系统的经济运行。
表6 OLTC和电容器组控制效果对比
Figure BDA0003650013950000141
经过多目标优化后的移动储能的移动路径如表7～9所示，移动储能和分布式电源的无功出力情况如表10所示。由优化调结果可以看出，移动储能在多目标优化时可以根据需要接入系统的不同位置，进而根据系统的能量状况进行充放电，合理的均衡了配电网的无功潮流，从而实现系统的节点电压保持在更安全的范围内，并且提高系统运行的经济性。
表7移动储能1的调度策略
Figure BDA0003650013950000142
表8移动储能2的调度策略
Figure BDA0003650013950000143
表9移动储能3的调度策略
Figure BDA0003650013950000144
表10 DG及MESS无功优化结果
Figure BDA0003650013950000151
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于移动储能的主动配电网多目标无功优化方法，其特征在于，所述方法包括以下步骤：
步骤1，以节点电压总偏移和网络有功损耗为优化目标，建立基于移动储能的主动配电网多目标无功优化模型；
步骤2，针对步骤1中的模型，对有载调压变压器、并联电容器组、分布式电源和固定储能这些固定无功优化设备的运行特性进行建模；
步骤3，利用移动储能灵活部署的特性，对移动储能的路径约束和出力约束进行建模；
步骤4，针对步骤1中建立的基于移动储能的主动配电网多目标无功优化模型，采用多目标粒子群优化算法对模型进行求解，得到包含节点电压总偏移和网络有功损耗的Pareto解集；
步骤5，针对步骤4得到的Pareto解集，采用模糊隶属度函数法从多目标解集中选取综合最优解，得到包含移动储能在内的各无功优化设备的日前调度方案。
2.根据权利要求1所述的基于移动储能的主动配电网多目标无功优化方法，其特征在于，步骤1所述以节点电压总偏移和网络有功损耗为优化目标，建立基于移动储能的主动配电网多目标无功优化模型，具体包括：
步骤1-1，以24h为一个调度周期，建立以一个调度周期内系统所有节点电压的偏移量最小和网络有功损耗最小的优化目标函数：
Figure FDA0003650013940000011
Figure FDA0003650013940000012
式中，N为系统中网络节点的总个数，Vi,t为t时段节点i实际电压值，Vref为系统节点电压参考值，M为系统中与j节点直接相连的节点个数，Ui,t、Uj,t为t时段系统节点i与节点j的电压，Gij,t、Bij,t和θij,t分别为t时段系统支路i-j的电导、电纳和阻抗角；
步骤1-2，确定配电网可靠运行的安全约束条件，包括潮流及电压约束：
各无功优化设备为系统提供功率支撑的同时也要满足系统的潮流检验
Figure FDA0003650013940000021
Figure FDA0003650013940000022
式中，
Figure FDA0003650013940000023
为t时刻节点i电压幅值Vi,t的上、下限值；PGi,t、QGi,t分别为t时刻节点i的发电机注入有功、无功功率；PDG,t、QDG,t分别为t时刻分布式电源的注入有功、无功功率；PESS,t、QESS,t分别为t时刻储能装置注入的有功、无功功率，放电为正，充电为负；PLi,t、QLi,t分别为t时刻节点i的负荷有功、无功功率；QCi,t为t时刻节点i的并联电容器组的补偿容量；Vi,t为t时刻节点i的电压幅值；Gij、Bij分别为节点i、j之间的电导和电纳；θij,t为t时刻节点i、j之间的电压相角差。
3.根据权利要求2所述的基于移动储能的主动配电网多目标无功优化方法，其特征在于，步骤2所述对有载调压变压器、并联电容器组、分布式电源和固定储能这些固定无功优化设备的运行特性进行建模，具体包括：
(1)有载调压变压器及电容器组的出力约束
有载调压变压器OLTC及电容器组的运行约束条件：
Figure FDA0003650013940000024
Figure FDA0003650013940000025
Figure FDA0003650013940000026
Figure FDA0003650013940000027
式中，Ωk为变压器节点集合，
Figure FDA0003650013940000028
和
Figure FDA0003650013940000029
分别为t时段第i台OLTC档位
Figure FDA00036500139400000210
的上、下限值；Nk,max表示OLTC在一个调度周期内最大动作次数；Ωc为电容器安装节点集合，
Figure FDA00036500139400000211
和
Figure FDA00036500139400000212
分别为t时段第i台并联电容器组投入容量
Figure FDA00036500139400000213
的上、下限值；NC,max表示并联电容器组在一个调度周期内最大动作次数；
(2)分布式电源出力约束
当分布式电源参与电力系统无功优化调度时，其出力约束为：
Figure FDA0003650013940000031
Figure FDA0003650013940000032
Figure FDA0003650013940000033
式中，PDG,i,t为t时段第i个分布式电源DG的有功出力，
Figure FDA0003650013940000034
为DG有功出力的上限；
Figure FDA0003650013940000035
分别为DG无功出力的上、下限；SDG,i为DG的装机容量；
(3)固定储能出力约束
利用储能装置参与电力系统无功优化调度，需要考虑储能装置的储能容量约束、充放电约束、功率约束以及电池荷电状态约束：
Figure FDA0003650013940000036
Figure FDA0003650013940000037
SOCmin≤SOCt≤SOCmax
Figure FDA0003650013940000038
式中，PESS,i和QESS,i为储能系统的有功功率、无功功率，Pt ESS是t时段储能系统的有功功率，
Figure FDA0003650013940000039
分别为PESS,i上限，
Figure FDA00036500139400000310
为储能系统最大视在功率，SoCmin、SoCmax为储能荷电状态的最小、最大值，SoCt为t时刻的储能荷电状态，ηch和ηdis分别表示储能系统的充电效率和放电效率，ΔT为调度周期的一个时步，
Figure FDA00036500139400000311
为当前时刻储能系统中所存储的电量。
4.根据权利要求3所述的基于移动储能的主动配电网多目标无功优化方法，其特征在于，步骤3所述对移动储能的路径约束和出力约束进行建模，具体包括：
假设配电网中各节点均为储能接入点，对移动储能的移动特性进行建模；在移动储能优化调度过程中，规定每个移动储能在每个时段只能接入一个节点，即：
Figure FDA0003650013940000041
式中，N′为移动储能接入候选点集合，
Figure FDA0003650013940000042
为移动储能s在t时段是否接入节点，是为1，否则为0；
移动储能从一个接入节点移动到另一个接入节点时，其运行约束为：
Figure FDA0003650013940000043
式中，trij为移动储能在接入节点i和接入节点j之间的移动时间，T为一个调度周期，t为当前时刻；
每一个接入节点能够接入的移动储能个数是有限的，即：
Figure FDA0003650013940000044
式中，M为移动储能个数集合，Ns.max为每个接入节点所能接入移动储能最大个数；
当移动储能没有接入电网时，不考虑其输出功率；当其接入电网时，其功率输出约束为：
Figure FDA0003650013940000045
Figure FDA0003650013940000046
Figure FDA0003650013940000047
Figure FDA0003650013940000048
SoCmin≤SoCt≤SoCmax
式中，
Figure FDA0003650013940000049
为移动储能s在t时段是否接入节点，是为1，否则为0；
Figure FDA00036500139400000410
和
Figure FDA00036500139400000411
为移动储能有功及无功出力的上限；
Figure FDA00036500139400000412
和
Figure FDA00036500139400000413
分别为移动储能s在接入节点i的有功和无功出力；
Figure FDA00036500139400000414
为移动储能的最大视在功率；SOCmin、SOCmax为移动储能荷电状态的最小、最大值，SOCt为t时刻的移动储能荷电状态，
Figure FDA00036500139400000415
为移动储能s在t时段的荷电状态；ΔT为调度周期的一个时步；
Figure FDA0003650013940000051
为移动储能在当前时刻所存储的电量；ηch和ηdis分别表示移动储能系统的充电效率和放电效率。
5.根据权利要求4所述的基于移动储能的主动配电网多目标无功优化方法，其特征在于，步骤4中多目标粒子群算法对模型的求解过程，具体包括：
1)种群初始化
给定粒子群规模N，初始种群中的每个个体代表无功优化模型的一个调度方案，即包括DG、MESS的有功无功出力和MESS的连接节点情况，出力值在取值范围内随机生成；
2)获取全局非支配个体
假设经过优化计算，得到含多优化目标的函数值；获取全局非支配个体，即根据每个向量之间的支配关系，确定个体中该向量是否被其他个体支配；获取不被其他任何个体所支配的个体，这些个体被称为非支配个体，非支配个体将被放置到档案库中；在本发明模型中，计算得到的多目标函数值包括支路有功损耗和节点电压偏移两个向量，根据两个向量的支配情况，得到种群的非支配个体；
3)建立栅格边界和档案库
确定非支配个体种群的最大值和最小值，并依据最大值和最小值划分出栅格；
4)粒子的更新和变异
粒子的更新遵从粒子群速度和位置更新公式，表示为：
Figure FDA0003650013940000052
Figure FDA0003650013940000053
式中，k表示迭代次数，N为种群个体数量，
Figure FDA0003650013940000054
表示当迭代次数为k时粒子i在d维搜索空间的速度向量，ω为惯性权重，
Figure FDA0003650013940000055
为粒子i的个体最优解，
Figure FDA0003650013940000056
为整个群体的全局最优解，
Figure FDA0003650013940000057
为粒子i的位置向量，ξ和η是服从U(0,1)均匀分布的随机值；学习因子c1、c2用于调节飞行方向的比重，D为决策量的个数；
采用轮盘赌的方式在非支配种群中进行选择，同时，选择一个变量在定义范围内随机变化，如果变异后的目标值优于之前的个体，则变异后的个体替代之前个体，否则按照50％的概率选择是否替代之前的个体；
5)动态更新栅格档案库
对所有的非支配个体重新确定支配关系，并且产生新的档案库和栅格矩阵；
6)停止迭代
在迭代最大次数后得到的种群中，输出当前的Pareto解集并绘制出图形。
6.根据权利要求5所述的基于移动储能的主动配电网多目标无功优化方法，其特征在于，步骤5中采用模糊隶属度函数法选取综合最优解的过程，具体包括：
采用模糊隶属度函数中的偏小型对Pareto解集进行表示，表达式如下所示：
Figure FDA0003650013940000061
式中，fn、
Figure FDA0003650013940000062
分别为模型的第n个目标函数和其对应的模糊隶属度函数，fnmax和fnmin分别为第n个目标函数的最大值和最小值；
Figure FDA0003650013940000063
的取值范围为(0,1)，fn越小，即更靠近fnmin，
Figure FDA0003650013940000064
越靠近1，即此时的解更符合最优解；
针对多目标函数的总体模糊隶属度函数表示为：
Figure FDA0003650013940000065
式中，M为目标函数的个数；根据上式对Pareto解集中的解进行计算，则当
Figure FDA0003650013940000066
最靠近1即
Figure FDA0003650013940000067
与1差值的绝对值最小时，对应的解为综合最优解。
7.一种基于移动储能的主动配电网多目标无功优化系统，其特征在于，所述系统包括依次执行的：
第一模块，用于以节点电压总偏移和网络有功损耗为优化目标，建立基于移动储能的主动配电网多目标无功优化模型；
第二模块，用于针对第一模块中的模型，对有载调压变压器、并联电容器组、分布式电源和固定储能这些固定无功优化设备的运行特性进行建模；
第三模块，用于利用移动储能灵活部署的特性，对移动储能的路径约束和出力约束进行建模；
第四模块，用于针对第一模块建立的基于移动储能的主动配电网多目标无功优化模型，采用多目标粒子群优化算法对模型进行求解，得到包含节点电压总偏移和网络有功损耗的Pareto解集；
第五模块，用于针对第四模块得到的Pareto解集，采用模糊隶属度函数法从多目标解集中选取综合最优解，得到包含移动储能在内的各无功优化设备的日前调度方案。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210539447.0A 2022-05-18 2022-05-18 一种基于移动储能的主动配电网多目标无功优化方法 Pending CN114784831A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210539447.0A CN114784831A (zh) 2022-05-18 2022-05-18 一种基于移动储能的主动配电网多目标无功优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210539447.0A CN114784831A (zh) 2022-05-18 2022-05-18 一种基于移动储能的主动配电网多目标无功优化方法

Publications (1)

Publication Number Publication Date
CN114784831A true CN114784831A (zh) 2022-07-22

Family

ID=82436326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210539447.0A Pending CN114784831A (zh) 2022-05-18 2022-05-18 一种基于移动储能的主动配电网多目标无功优化方法

Country Status (1)

Country Link
CN (1) CN114784831A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116014769A (zh) * 2023-01-16 2023-04-25 天津大学 一种低压台区侧移动储能日前调度方法
CN116683472A (zh) * 2023-04-28 2023-09-01 国网河北省电力有限公司电力科学研究院 无功功率补偿方法、装置、设备以及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116014769A (zh) * 2023-01-16 2023-04-25 天津大学 一种低压台区侧移动储能日前调度方法
CN116014769B (zh) * 2023-01-16 2023-08-11 天津大学 一种低压台区侧移动储能日前调度方法
CN116683472A (zh) * 2023-04-28 2023-09-01 国网河北省电力有限公司电力科学研究院 无功功率补偿方法、装置、设备以及存储介质

Similar Documents

Publication Publication Date Title
CN107887903B (zh) 考虑元件频率特性的微电网鲁棒优化调度方法
Lin et al. Controls of hybrid energy storage systems in microgrids: Critical review, case study and future trends
Jan et al. Adaptive and fuzzy PI controllers design for frequency regulation of isolated microgrid integrated with electric vehicles
Khooban et al. A new load frequency control strategy for micro-grids with considering electrical vehicles
CN114784831A (zh) 一种基于移动储能的主动配电网多目标无功优化方法
Zou Design of reactive power optimization control for electromechanical system based on fuzzy particle swarm optimization algorithm
CN109167347B (zh) 基于云自适应粒子群多目标电动汽车充放电优化调度方法
CN110826880A (zh) 一种大规模电动汽车接入的主动配电网优化调度方法
Dou et al. Distributed cooperative control method based on network topology optimisation in microgrid cluster
CN117371755A (zh) 多微网综合能源系统分布式优化方法、装置、设备及介质
CN112467717A (zh) 一种基于模糊控制的混合能源系统实时负荷分配方法
CN114759616B (zh) 一种考虑电力电子器件特性的微电网鲁棒优化调度方法
CN116645089A (zh) 一种考虑退役电池容量退化的储能系统双层优化配置方法
CN110729759B (zh) 一种微电网中分布式电源配置方案的确定方法及装置
Zhang et al. The voltage stabilizing control strategy of off-grid microgrid cluster bus based on adaptive genetic fuzzy double closed-loop control
CN113919721A (zh) 一种可靠性与经济性相协调的分布式电源多目标规划方法
Zhang et al. Decentralised control strategy for hybrid battery energy storage system with considering dynamical state‐of‐charge regulation
CN112751343B (zh) 基于分布式协同控制的配电网双层优化方法
Shan et al. A voltage control method for distribution networks based on TCN and MPGA under cloud edge collaborative architecture
Ye et al. Active and reactive power joint optimization dispatch of islanded microgrid based on SCCSA algorithm
CN112491090B (zh) 考虑转供路径优化的电力电子变压器端口配置优化方法
Li et al. Coordinated Control of AGC and AVC based on Multi-objective Particle Swarm Optimization Algorithm
Han et al. Microgrid Self-healing Control of Distributed Power Supply Combining Particle Swarm Optimization Algorithm
Kavousighahfarokhi et al. Optimizing DC Microgrid: Fuzzy PI Controller with Metaheuristic Energy Storage Management
Xuli et al. Cluster-Based Hierarchical Coordination Planning and Control Strategy for Distribution Network Generation-Load-Storage

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