CN115378047A - 基于人工蜂群的配电系统运行优化方法、系统及计算机设备 - Google Patents

基于人工蜂群的配电系统运行优化方法、系统及计算机设备 Download PDF

Info

Publication number
CN115378047A
CN115378047A CN202210953507.3A CN202210953507A CN115378047A CN 115378047 A CN115378047 A CN 115378047A CN 202210953507 A CN202210953507 A CN 202210953507A CN 115378047 A CN115378047 A CN 115378047A
Authority
CN
China
Prior art keywords
power
photovoltaic
output
constraint
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
Application number
CN202210953507.3A
Other languages
English (en)
Inventor
王栋
丁波
戴欣
李�浩
魏巍
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.)
HuaiAn Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
HuaiAn Power Supply Co of State Grid Jiangsu Electric Power 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 HuaiAn Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical HuaiAn Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202210953507.3A priority Critical patent/CN115378047A/zh
Publication of CN115378047A publication Critical patent/CN115378047A/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
    • H02J3/38—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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • 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
    • H02J3/388—Islanding, i.e. disconnection of local power supply from the network
    • 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
    • G06F2111/10—Numerical modelling
    • 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
    • H02J2300/20—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及配网内运行调度与控制领域，公开了一种基于人工蜂群的区域功率交换约束下配电系统运行的优化方法、系统及计算机设备，包括：采用蒙特卡洛方法获取配电网内部光伏出力不确定参数，构建光伏的出力模型；以配电网运行的网损最小为目标，优化调度区域电网内的DG有功出力，构建包含多种DG的优化调度模型并设置约束条件；采用人工蜂群算法求解模型，到计及区域功率交换的配电系统优化最优调度方案以及灾时孤岛划分策略。与现有技术相比，本发明得到的运行策略充分考虑了光伏出力的不确定性，能够保证在各种情况下满足安全约束，模型简单，易于求解，具有一定的理论价值和工程价值。

Description

基于人工蜂群的配电系统运行优化方法、系统及计算机设备
技术领域
本发明属于配网内运行调度与控制领域，涉及一种基于人工蜂群的区域功率交换约束下配电系统运行的优化方法、系统及计算机设备。
背景技术
由于配电网经常暴露在自然环境中，极端自然灾害会给配电网的安全运行带来巨大挑战。为了应对此类问题，增强配电网的弹性，可以通过孤岛划分的方式把配电网划分成若干个微电网，利用DG的发电能力，保障微网内负荷的正常运行。但是，在构建微电网时，微电网与配电网之间功率交换过大将导致微电网形成失败，并可能导致二次故障。为了避免这种情况，需要限制联络线功率也即限制区域功率交换。
发明内容
发明目的：针对背景技术中指出的问题，本发明提出一种基于人工蜂群的区域功率交换约束下配电系统运行的优化方法、系统及计算机设备，通过区域功率交换约束来限制联络线功率，在完成传统优化调度方案目标函数的同时，在灾时能够保障微网的安全建立。
技术方案：本发明公开了一种基于人工蜂群的区域功率交换约束下配电系统运行的优化方法，包括以下步骤：
步骤1：采用蒙特卡洛方法获取配电网内部光伏出力不确定参数，构建光伏的出力模型，所述光伏出力不确定参数包括光照强度和光伏有功出力最大值、光伏出力概率密度；
步骤2：以配电网网损最小为目标构建包含多种DG的优化调度模型并设置约束条件，其中多种DG包括储能、微型燃气轮机和光伏，目标函数为：
Figure BDA0003788367380000011
其中，X表示所有的决策变量集，NL表示所有的支路集合，
Figure BDA0003788367380000012
表示第t个时步支路l上的电流平方，Rl，t表示支路l上的阻值；
约束条件包括：系统运行约束，安全运行约束，分布式电源约束，区域功率交换约束以及辐射状约束；
步骤3：对步骤2中以配电网网损最小为目标的优化调度模型采用人工蜂群算法求解，得到计及区域功率交换的配电系统优化最优调度方案以及灾时孤岛划分策略。
进一步地，所述步骤1中对配电网内部光伏出力不确定参数建模，具体包括以下步骤：
步骤1-1：构建光照强度和光伏有功出力的关系，光伏最大出力用PM表示：
Figure BDA0003788367380000021
其中，r表示光照强度，M表示光伏电池的数量，Am和ηm为第m个电池的照明面积和光电转换效率；
步骤1-2：构建光伏出力概率密度函数，假设光强度在一段时间内服从β分布，可以表示为：
Figure BDA0003788367380000022
其中，RM表示最大光伏有功出力，α和β表示β分布的形状参数；
步骤1-3：将模型总计算时长均分为N等分，采用蒙特卡洛方法获取各时段光伏出力。
进一步地，所述步骤2中约束条件为：
(1)系统运行约束
Figure BDA0003788367380000023
Figure BDA0003788367380000024
其中，Pi，t和Qi，t分别为时间t内注入节点i的有功功率和无功功率，Vi，t和Vj，t是节点i和节点j在时间t内的电压，Gij和Bij分别是节点i和节点j之间的电导和电纳，θij，t是节点i与节点j在时间t内的相位角；
(2)安全运行约束
所有节点的电压和所有支路的电流必须满足安全标准，表示为以下不等式约束：
Vi min≤Vi，t≤Vi max
Figure BDA0003788367380000031
其中，Vi min和Vi max分别为节点i处电压最小值和最大值，
Figure BDA0003788367380000032
是支路ij的最大电流；
(3)DG约束
配电网内的每个DG包括储能、微型燃气轮机、光伏都需要满足有功功率和无功功率平衡约束，可以写作：
(PMT，i，t)2+(QMT，i，t)2≤(SMT，i)2
Figure BDA0003788367380000033
Figure BDA0003788367380000034
Figure BDA0003788367380000035
Figure BDA0003788367380000036
QPV，i，t＝PPV，i，t×tanθ
Figure BDA0003788367380000037
Figure BDA0003788367380000038
Figure BDA0003788367380000039
Figure BDA00037883673800000310
Figure BDA00037883673800000311
Figure BDA00037883673800000312
Figure BDA00037883673800000313
其中，SMT，i为微型燃气轮机的装机容量，PMT，i，t和QMT，i，t分别为微型燃气轮机的有功出力和无功出力。
Figure BDA00037883673800000314
和
Figure BDA00037883673800000315
分别为放置于节点i的微型燃气轮机(MT)的向上爬坡功率限值和向下爬坡功率限值，
Figure BDA0003788367380000041
为微型燃气轮机出力的最大值。
Figure BDA0003788367380000042
为光伏出力的最大值。Ei，max表示储能的装机容量。Pi，ch，max和Pi，dis，max分别是放置于节点i的储能的最大充电和放电功率。
Figure BDA0003788367380000043
和
Figure BDA0003788367380000044
分别表示放置于节点i的储能在时间t上的充放电状态。
Figure BDA0003788367380000045
表示储能在时间t+1上的SOC状态，ΔT为一个优化时步，E0表示储能的初始SOC状态。
Figure BDA0003788367380000046
和
Figure BDA0003788367380000047
分别代表储能的充电和放电功率。
(4)区域功率交换约束
Scons1，t-Scons2，t＜SMAX
通过限制配电网和含DG的区域电网之间的功率交换，使得在主网发生故障时，含DG的区域电网能安全形成孤岛，Scons1，t和Scons2，t分别是它们之间的流入功率和流出功率；
(5)辐射状结构约束
g∈G
其中，g是网架重构后所有可能的网架结构，G是所有辐射状网架结构的集合。
进一步地，所述步骤3中利用人工蜂群算法求解模型，具体包括以下步骤：
步骤3-1：设置初始化参数，初始化参数包括种群大小、迭代次数和迭代结束条件，当参数被输入后，每个种群将随机产生一组初始微型燃气轮机有功出力值，同时，结合光伏和储能出力值，可以计算得到各种群对应的初始目标函数也即网损和适应度值，算法将保留最佳值；
步骤3-2：雇佣蜂阶段，雇佣蜂将在现有出力值附近搜索新的微型燃气轮机有功出力值，并计算新出力值的适应值，计算后，雇佣蜂将新出力值相关信息传递给观察蜂，包括新出力值及其适应值；
步骤3-3：观察蜂阶段，观察蜂接收由雇佣蜂提供的新微型燃气轮机有功出力值相关信息，再次结合光伏和储能出力值，计算获取新的适应度值并和步骤3-1和步骤3-2中的适应度值比较，保留适应度值更高的种群；
步骤3-4：侦察蜂阶段，当对出力值的信息更新达到一定次数而适应度值没有进一步优化时，侦察蜂会随机生成新出力值并替换原有出力值，在以上步骤之后，算法将记住最佳出力值，并在迭代次数中加1；
步骤3-5：判断终止条件，当算法的迭代次数达到上限时，算法结束并输出最优解。
本发明还公开一种基于人工蜂群的区域功率交换约束下配电系统运行优化方法的系统，包括以下模块：
光伏模型构建模块：用于对配电网内部光伏出力不确定参数采用蒙特卡洛方法构建光伏的出力模型，所述光伏出力不确定参数包括光照强度和光伏有功出力、光伏出力概率密度；
优化调度模型构建模块：构建多种DG包括储能和微型燃气轮机以及光伏的出力模型，以网损最小为目标函数构建调度模型，并设置约束条件；
求解模块：采用人工蜂群算法求解模型，得到计及区域功率交换的配电系统优化最优调度方案以及灾时孤岛划分策略。
本发明还公开一种计算机设备，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上述方法的步骤。
有益效果：
本发明的方法考虑了多类DG，丰富了模型的结构，采用蒙特卡洛方法，可以模拟光伏波动情况，利用本发明得到的运行调度方案能够让网损最小并保证配网在失去主电网供电时，微网可以安全建立。可以适用于含多种类DG的配电网日常运行调度，具有一定的理论价值和工程价值。
附图说明
图1为本发明的方法流程图；
图2为测试系统的拓扑结构；
图3为考虑预测误差前后配电网整体电压水平前后对比图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
结合图1，本发明公开的基于人工蜂群的区域功率交换约束下配电系统运行的优化方法，包括如下步骤：
步骤1、对配电网内部光伏出力不确定参数建模，具体步骤为：
步骤1-1、构建光照强度和光伏有功出力的关系，光伏最大出力用PM表示：
Figure BDA0003788367380000061
其中，r表示光照强度，M表示光伏电池的数量，Am和ηm为第m个电池的照明面积和光电转换效率。
步骤1-2、构建光伏出力概率密度函数，假设光强度在一段时间内服从β分布，可以表示为：
Figure BDA0003788367380000062
其中，RM表示最大光伏有功出力，α和β表示β分布的形状参数。
步骤1-3、将模型总计算时长均分为N等分，采用蒙特卡洛方法获取各时段光伏出力。
步骤2、根据步骤1的光伏出力模型，建立以配电网网损最小为目标的包含多种DG的优化调度模型，具体为：
步骤2-1、以配电网网损最小为目标函数：
Figure BDA0003788367380000063
其中，X表示所有的决策变量集，NL表示所有的支路集合。
Figure BDA0003788367380000064
表示第t个时步支路l上的电流平方，Rl，t表示支路l上的阻值。
步骤2-2、确定优化调度策略的过程中，需要考虑的约束条件如下：
(1)系统运行约束
Figure BDA0003788367380000065
Figure BDA0003788367380000066
其中，Pi，t和Qi，t分别为时间t内注入节点i的有功功率和无功功率。Vi，t和Vj，t是节点i和节点j在时间t内的电压。Gij和Bij分别是节点i和节点j之间的电导和电纳。θij，t是节点i与节点j在时间t内的相位角。
(2)安全运行约束
所有节点的电压和所有支路的电流必须满足安全标准。可以表示为以下不等式约束：
Vi min≤Vi，t≤Vi max
Figure BDA0003788367380000071
其中Vi min和Vi max分别为节点i处电压最小值和最大值，
Figure BDA0003788367380000072
是支路ij的最大电流。
(3)DG约束
配电网内的每个DG包括储能，微型燃气轮机，光伏都需要满足有功功率和无功功率平衡约束，可以写作：
(PMT，i，t)2+(QMT，i，t)2≤(SMT，i)2
Figure BDA0003788367380000073
Figure BDA0003788367380000074
Figure BDA0003788367380000075
Figure BDA0003788367380000076
QPV，i，t＝PPV，i，t×tanθ
Figure BDA0003788367380000077
Figure BDA0003788367380000078
Figure BDA0003788367380000079
Figure BDA00037883673800000710
Figure BDA00037883673800000711
Figure BDA00037883673800000712
Figure BDA00037883673800000713
其中，SMT，i为微型燃气轮机的装机容量，PMT，i，t和QMT，i，t分别为微型燃气轮机的有功出力和无功出力。
Figure BDA0003788367380000081
和
Figure BDA0003788367380000082
分别为放置于节点i的微型燃气轮机(MT)的向上爬坡功率限值和向下爬坡功率限值，
Figure BDA0003788367380000083
为微型燃气轮机出力的最大值。
Figure BDA0003788367380000084
为光伏出力的最大值。Ei，max表示储能的装机容量。Pi，ch，max和Pi，dis，max分别是放置于节点i的储能的最大充电和放电功率。
Figure BDA0003788367380000085
和
Figure BDA0003788367380000086
分别表示放置于节点i的储能在时间t上的充放电状态。
Figure BDA0003788367380000087
表示储能在时间t+1上的SOC状态，ΔT为一个优化时步，E0表示储能的初始SOC状态。
Figure BDA0003788367380000088
和
Figure BDA0003788367380000089
分别代表储能的充电和放电功率。
(4)区域功率交换约束
Scons1，t-Scons2，t＜SMAX
通过限制配电网和含DG的区域电网之间的功率交换，使得在主网发生故障时，含DG的区域电网能安全形成孤岛。Scons1，t和Scons2，t分别是它们之间的流入功率和流出功率。
(5)辐射状结构约束
g∈G
其中g是网架重构后所有可能的网架结构，G是所有辐射状网架结构的集合。
步骤3、对步骤2中以配电网网损最小为目标的优化调度模型采用人工蜂群算法求解，得到计及区域功率交换的配电系统优化最优调度方案以及灾时孤岛划分策略，具体为：
步骤3-1：设置初始化参数，初始化参数包括种群大小、迭代次数和迭代结束条件，当参数被输入后，每个种群将随机产生一组初始微型燃气轮机有功出力值，同时，结合光伏和储能出力值，可以计算得到各种群对应的初始目标函数也即网损和适应度值，算法将保留最佳值；
步骤3-2：雇佣蜂阶段，雇佣蜂将在现有出力值附近搜索新的微型燃气轮机有功出力值，并计算新出力值的适应值，计算后，雇佣蜂将新出力值相关信息传递给观察蜂，包括新出力值及其适应值；
步骤3-3：观察蜂阶段，观察蜂接收由雇佣蜂提供的新微型燃气轮机有功出力值相关信息，再次结合光伏和储能出力值，计算获取新的适应度值并和步骤3-1和步骤3-2中的适应度值比较，保留适应度值更高的种群；
步骤3-4：侦察蜂阶段，当对出力值的信息更新达到一定次数而适应度值没有进一步优化时，侦察蜂会随机生成新出力值并替换原有出力值，在以上步骤之后，算法将记住最佳出力值，并在迭代次数中加1；
步骤3-5：判断终止条件，当算法的迭代次数达到上限时，算法结束并输出最优解。
下面结合具体实施例对本发明做进一步详细的描述：
采用改进的IEEE33节点测试系统适用于测试所提出方法的性能。其中，总线电压水平为12.66kV，电压偏差的允许波动为0.06p.u.，最大支路电流设置为400A，负荷参数为标准33节点系统的1.2倍。采用国内某地区某一典型日的光伏发电3小时内12个时步的预测出力值为参考值，由于实际的光伏出力是波动的，采用蒙特卡洛方法来代表光伏出力的不确定性，表1给出详细参数。
表1光伏出力预测值
Figure BDA0003788367380000091
系统包括光伏、储能、微型燃气轮机三种分布式能源，均安装在节点30处。光伏的规模为160kW；储能的规模为1×0.4MW，充电和放电功率限制为80kW，初始SoC状态设置为0.5，SoC状态的下限和上限分别设置为0.2和0.9，效率系数为93.1％；微型燃气轮机的规模为1×0.4MW，有功出力上下限为0.2MW和0.05MW，上下爬坡功率限制为0.01MW/h和0.01MW/h，图2表示测试系统的拓扑结构。
图3显示了在第8个时步的配电网的整体电压电平在加入DG的前后对比结果。从图中可以看出，配电网最小电压从0.88p.u.提升到了0.94p.u.，这意味着系统的整体电压水平已得到改善。表2显示了添加分布式发电系统前后3小时的网损比较结果。
表2网损在3小时内比较结果
Figure BDA0003788367380000101
表2加入DG的前后3小时的网损数值对比。结果证明了该模型在降低网络损耗方面的有效性。
表3显示了网架重构策略和区域功率约束所选支路。当主网发生停电时，所区域功率约束所选支路的开关将被关闭，使得包含DG在内的区域电网可以安全地形成孤岛电网。
表3网架重构策略和区域功率约束所选支路
Figure BDA0003788367380000102
综上，当主网正常运行时，按照传统调度方案结合网架重构策略对于DG出力进行调度；当主网发生故障时，通过区域功率约束，隔离DG附近区域并形成孤岛，利用DG的主动发电能力，保障区域内的负荷应急供电。
从以上实施结果可以看出，本发明的方法考虑区域功率约束下配电网运行的网损模型，在此基础上利用蒙特卡洛方法充分考虑了光伏出力不确定性的影响，模型简单，易于求解，利用本发明得到的运行策略能够充分利用光伏资源以及配电网内部的各种DG，保证了微网建立的安全性，降低了配电网日常运行的网损。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于人工蜂群的区域功率交换约束下配电系统运行的优化方法，其特征在于，包括以下步骤：
步骤1：采用蒙特卡洛方法获取配电网内部光伏出力不确定参数，构建光伏的出力模型，所述光伏出力不确定参数包括光照强度和光伏有功出力最大值、光伏出力概率密度；
步骤2：以配电网网损最小为目标构建包含多种DG的优化调度模型并设置约束条件，其中多种DG包括储能、微型燃气轮机和光伏，目标函数为：
Figure FDA0003788367370000011
其中，X表示所有的决策变量集，NL表示所有的支路集合，
Figure FDA0003788367370000012
表示第t个时步支路l上的电流平方，Rl，t表示支路l上的阻值；
约束条件包括：系统运行约束，安全运行约束，分布式电源约束，区域功率交换约束以及辐射状约束；
步骤3：对步骤2中以配电网网损最小为目标的优化调度模型采用人工蜂群算法求解，得到计及区域功率交换的配电系统优化最优调度方案以及灾时孤岛划分策略。
2.根据权利要求1所述的基于人工蜂群的区域功率交换约束下配电系统运行的优化方法，其特征在于，所述步骤1中对配电网内部光伏出力不确定参数建模，具体包括以下步骤：
步骤1-1：构建光照强度和光伏有功出力的关系，光伏最大出力用PM表示：
Figure FDA0003788367370000013
其中，r表示光照强度，M表示光伏电池的数量，Am和ηm为第m个电池的照明面积和光电转换效率；
步骤1-2：构建光伏出力概率密度函数，假设光强度在一段时间内服从β分布，可以表示为：
Figure FDA0003788367370000014
其中，RM表示最大光伏有功出力，α和β表示β分布的形状参数；
步骤1-3：将模型总计算时长均分为N等分，采用蒙特卡洛方法获取各时段光伏出力。
3.根据权利要求1所述的基于人工蜂群的区域功率交换约束下配电系统运行的优化方法，其特征在于，所述步骤2中约束条件为：
(1)系统运行约束
Figure FDA0003788367370000021
Figure FDA0003788367370000022
其中，Pi，t和Qi，t分别为时间t内注入节点i的有功功率和无功功率，Vi，t和Vj，t是节点i和节点j在时间t内的电压，Gij和Bij分别是节点i和节点j之间的电导和电纳，θij，t是节点i与节点j在时间t内的相位角；
(2)安全运行约束
所有节点的电压和所有支路的电流必须满足安全标准，表示为以下不等式约束：
Vi min≤Vi，t≤Vi max
Figure FDA0003788367370000023
其中，Vi min和Vi max分别为节点i处电压最小值和最大值，
Figure FDA0003788367370000024
是支路ij的最大电流；
(3)DG约束
配电网内的每个DG包括储能、微型燃气轮机、光伏都需要满足有功功率和无功功率平衡约束，可以写作：
(PMT，i，t)2+(QMT，i，t)2≤(SMT，i)2
Figure FDA0003788367370000025
Figure FDA0003788367370000026
Figure FDA0003788367370000027
Figure FDA0003788367370000031
QPV，i，t＝PPV，i，t×tanθ
Figure FDA0003788367370000032
Figure FDA0003788367370000033
Figure FDA0003788367370000034
Figure FDA0003788367370000035
Figure FDA0003788367370000036
Figure FDA0003788367370000037
Figure FDA0003788367370000038
其中，SMT，i为微型燃气轮机的装机容量，PMT，i，t和QMT，i，t分别为微型燃气轮机的有功出力和无功出力。
Figure FDA0003788367370000039
和
Figure FDA00037883673700000310
分别为放置于节点i的微型燃气轮机(MT)的向上爬坡功率限值和向下爬坡功率限值，
Figure FDA00037883673700000311
为微型燃气轮机出力的最大值。
Figure FDA00037883673700000312
为光伏出力的最大值。Ei，max表示储能的装机容量。Pi，ch，max和Pi，dis，max分别是放置于节点i的储能的最大充电和放电功率。
Figure FDA00037883673700000313
和
Figure FDA00037883673700000314
分别表示放置于节点i的储能在时间t上的充放电状态。
Figure FDA00037883673700000315
表示储能在时间t+1上的SOC状态，ΔT为一个优化时步，E0表示储能的初始SOC状态。
Figure FDA00037883673700000316
和
Figure FDA00037883673700000317
分别代表储能的充电和放电功率。
(4)区域功率交换约束
Scons1，t-Scons2，t＜SMAX
通过限制配电网和含DG的区域电网之间的功率交换，使得在主网发生故障时，含DG的区域电网能安全形成孤岛，Scons1，t和Scons2，t分别是它们之间的流入功率和流出功率；
(5)辐射状结构约束
g∈G
其中，g是网架重构后所有可能的网架结构，G是所有辐射状网架结构的集合。
4.根据权利要求1所述的基于人工蜂群的区域功率交换约束下配电系统运行的优化方法，其特征在于，所述步骤3中利用人工蜂群算法求解模型，具体包括以下步骤：
步骤3-1：设置初始化参数，初始化参数包括种群大小、迭代次数和迭代结束条件，当参数被输入后，每个种群将随机产生一组初始微型燃气轮机有功出力值，同时，结合光伏和储能出力值，可以计算得到各种群对应的初始目标函数也即网损和适应度值，算法将保留最佳值；
步骤3-2：雇佣蜂阶段，雇佣蜂将在现有出力值附近搜索新的微型燃气轮机有功出力值，并计算新出力值的适应值，计算后，雇佣蜂将新出力值相关信息传递给观察蜂，包括新出力值及其适应值；
步骤3-3：观察蜂阶段，观察蜂接收由雇佣蜂提供的新微型燃气轮机有功出力值相关信息，再次结合光伏和储能出力值，计算获取新的适应度值并和步骤3-1和步骤3-2中的适应度值比较，保留适应度值更高的种群；
步骤3-4：侦察蜂阶段，当对出力值的信息更新达到一定次数而适应度值没有进一步优化时，侦察蜂会随机生成新出力值并替换原有出力值，在以上步骤之后，算法将记住最佳出力值，并在迭代次数中加1；
步骤3-5：判断终止条件，当算法的迭代次数达到上限时，算法结束并输出最优解。
5.一种基于权利要求1至4任一所述的基于人工蜂群的区域功率交换约束下配电系统运行优化方法的系统，其特征在于，包括以下模块：
光伏模型构建模块：用于对配电网内部光伏出力不确定参数采用蒙特卡洛方法构建光伏的出力模型，所述光伏出力不确定参数包括光照强度和光伏有功出力、光伏出力概率密度；
优化调度模型构建模块：构建多种DG包括储能和微型燃气轮机以及光伏的出力模型，以网损最小为目标函数构建调度模型，并设置约束条件；
求解模块：采用人工蜂群算法求解模型，得到计及区域功率交换的配电系统优化最优调度方案以及灾时孤岛划分策略。
6.一种计算机设备，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1-4中任一项所述方法的步骤。
CN202210953507.3A 2022-08-09 2022-08-09 基于人工蜂群的配电系统运行优化方法、系统及计算机设备 Pending CN115378047A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210953507.3A CN115378047A (zh) 2022-08-09 2022-08-09 基于人工蜂群的配电系统运行优化方法、系统及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210953507.3A CN115378047A (zh) 2022-08-09 2022-08-09 基于人工蜂群的配电系统运行优化方法、系统及计算机设备

Publications (1)

Publication Number Publication Date
CN115378047A true CN115378047A (zh) 2022-11-22

Family

ID=84062906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210953507.3A Pending CN115378047A (zh) 2022-08-09 2022-08-09 基于人工蜂群的配电系统运行优化方法、系统及计算机设备

Country Status (1)

Country Link
CN (1) CN115378047A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544655A (zh) * 2013-10-18 2014-01-29 国家电网公司 一种含微电网的区域配电网分层优化方法
CN105956706A (zh) * 2016-05-09 2016-09-21 苏州泛能电力科技有限公司 一种基于改进型人工蜂群算法的配电网无功优化方法
CN107706933A (zh) * 2017-09-20 2018-02-16 华北电力大学 基于储能分时状态决策的主动配电网三层优化调度方法
CN109214593A (zh) * 2018-10-19 2019-01-15 天津大学 一种主动配电网供电能力多目标评价方法
CN114825348A (zh) * 2022-04-24 2022-07-29 广西电网有限责任公司电力科学研究院 一种计及风光不确定性的配电网双层优化调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544655A (zh) * 2013-10-18 2014-01-29 国家电网公司 一种含微电网的区域配电网分层优化方法
CN105956706A (zh) * 2016-05-09 2016-09-21 苏州泛能电力科技有限公司 一种基于改进型人工蜂群算法的配电网无功优化方法
CN107706933A (zh) * 2017-09-20 2018-02-16 华北电力大学 基于储能分时状态决策的主动配电网三层优化调度方法
CN109214593A (zh) * 2018-10-19 2019-01-15 天津大学 一种主动配电网供电能力多目标评价方法
CN114825348A (zh) * 2022-04-24 2022-07-29 广西电网有限责任公司电力科学研究院 一种计及风光不确定性的配电网双层优化调度方法

Similar Documents

Publication Publication Date Title
Arya Impact of hydrogen aqua electrolyzer-fuel cell units on automatic generation control of power systems with a new optimal fuzzy TIDF-II controller
Karami et al. An optimal dispatch algorithm for managing residential distributed energy resources
Zhang et al. Lifelong learning for complementary generation control of interconnected power grids with high-penetration renewables and EVs
Arabali et al. Genetic-algorithm-based optimization approach for energy management
CN107622324A (zh) 一种考虑多微网能量交互的鲁棒环境经济调度方法
JP7153289B1 (ja) クラスタ学習に基づく低炭素ｃｓｐシステム協調的最適化方法及び装置
CN104239967A (zh) 一种含风电场的电力系统多目标经济调度方法
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
CN102510108A (zh) 一种用于求取地区电网最大风电装机容量的方法
Zhang et al. Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach
CN114725926A (zh) 面向韧性提升的分布式资源辅助主网关键节点黑启动策略
Gonzalez et al. Model predictive control for the energy management of a hybrid PV/battery/fuel cell power plant
CN112396304B (zh) 一种主动配电网中区域自治电网的划分策略研究方法
Bruno et al. Managing networked hybrid-energy systems: A predictive dispatch approach
CN115473284B (zh) 区域电力交换约束下配电系统运行的鲁棒优化方法、系统及计算机设备
CN115378047A (zh) 基于人工蜂群的配电系统运行优化方法、系统及计算机设备
ónica Alonso et al. A multiobjective var/volt management system in smartgrids
Kumar et al. Sensitivity Analysis Based Multi-Objective Economic Emission Dispatch in Microgrid
Wenyue et al. Optimal scheduling strategy for virtual power plant considering voltage control
Vishakha et al. Review of Optimization Techniques for Hybrid Wind PV-ESS System
Wu et al. Multi objective optimization based on SPEA for the microgrid energy dispatch
Segera Economic Dispatch of PV-Integrated Power System with Optimally Sized Battery Energy Storage System using Particle Swarm Optimization
CN111931322B (zh) 自主式元胞电网的电源及耦合点规划方法及系统
Fan et al. Research on Optimal Operation and Capacity Configuration of Energy Storage Based on Pumped Storage Station
CN113054685B (zh) 基于乌鸦算法和模式搜索算法的太阳能微电网调度方法

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