CN116362141A - 基于量子遗传算法的配电网无功优化方法及装置 - Google Patents

基于量子遗传算法的配电网无功优化方法及装置 Download PDF

Info

Publication number
CN116362141A
CN116362141A CN202310636513.0A CN202310636513A CN116362141A CN 116362141 A CN116362141 A CN 116362141A CN 202310636513 A CN202310636513 A CN 202310636513A CN 116362141 A CN116362141 A CN 116362141A
Authority
CN
China
Prior art keywords
time period
distribution network
reactive power
power
reactive
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.)
Granted
Application number
CN202310636513.0A
Other languages
English (en)
Other versions
CN116362141B (zh
Inventor
王嘉诚
张少仲
张栩
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.)
Zhongcheng Hualong Computer Technology Co Ltd
Original Assignee
Zhongcheng Hualong Computer Technology 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 Zhongcheng Hualong Computer Technology Co Ltd filed Critical Zhongcheng Hualong Computer Technology Co Ltd
Priority to CN202310636513.0A priority Critical patent/CN116362141B/zh
Publication of CN116362141A publication Critical patent/CN116362141A/zh
Application granted granted Critical
Publication of CN116362141B publication Critical patent/CN116362141B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • H02J3/38—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
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/30—Reactive power compensation

Landscapes

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

Abstract

本发明涉及配电网优化技术领域，尤其涉及一种基于量子遗传算法的配电网无功优化方法及装置。方法包括：基于历史数据，预测目标配电网中各负载所在节点的电压在预设时间段内的电压分布；所述目标配电网包括多个负载、至少一种无功补偿设备和至少一个分布式能源，每个所述分布式能源均通过逆变器与所述目标配电网连接，所述逆变器用于向所述目标配电网提供有功功率和无功功率；基于所述电压分布，构建所述目标配电网的无功优化模型；基于量子遗传算法对所述无功优化模型进行求解，得到所述目标配电网内各无功补偿设备和所述逆变器的最优配置。本发明，能够提高配电网无功优化的效率和准确度。

Description

基于量子遗传算法的配电网无功优化方法及装置
技术领域
本发明涉及配电网优化技术领域，特别涉及一种基于量子遗传算法的配电网无功优化方法及装置。
背景技术
随着经济和科技的发展，人们对能源的需求越来越多。若一味地开采煤炭、石油和天然气等传统能源，不仅会造成能源危机，而且会加重环境负担。近年来，分布式能源（如风力发电、太阳能发电等可再生能源）越来越受到人们的重视，分布式能源并网发电可以缓解用电压力。但是，由于分布式能源受环境影响较大，出力很不稳定，因此，分布式能源并网会对配电网的稳定运行造成影响，不仅增加网损，还会引起电压波动。
针对上述问题，采用无功补偿的方法可以缓解配电网的电压波动。现有技术在进行无功补偿计算时，首先构建无功优化模型，然后对模型进行求解。但是现有求解方法计算效率及准确度均较低，得到的结果不能较好的抑制配电网的电压波动。
因此，目前亟待需要一种基于量子遗传算法的配电网无功优化方法及装置来解决上述技术问题。
发明内容
本发明实施例提供了一种基于量子遗传算法的配电网无功优化方法及装置，能够提高配电网无功优化的效率和准确度。
第一方面，本发明实施例提供了一种基于量子遗传算法的配电网无功优化方法，包括：
基于历史数据，预测目标配电网中各负载所在节点的电压在预设时间段内的电压分布；所述目标配电网包括多个负载、至少一种无功补偿设备和至少一个分布式能源，每个所述分布式能源均通过逆变器与所述目标配电网连接，所述逆变器用于向所述目标配电网提供有功功率和无功功率；
基于所述电压分布，构建所述目标配电网的无功优化模型；
基于量子遗传算法对所述无功优化模型进行求解，得到所述目标配电网内各无功补偿设备和所述逆变器的最优配置。
第二方面，本发明实施例还提供了一种基于量子遗传算法的配电网无功优化装置，包括：
预测模块，用于基于历史数据，预测目标配电网中各负载所在节点的电压在预设时间段内的电压分布；所述目标配电网包括多个负载、至少一种无功补偿设备和至少一个分布式能源，每个所述分布式能源均通过逆变器与所述目标配电网连接，所述逆变器用于向所述目标配电网提供有功功率和无功功率；
构建模块，用于基于所述电压分布，构建所述目标配电网的无功优化模型
求解模块，基于量子遗传算法对所述无功优化模型进行求解，得到所述目标配电网内各无功补偿设备和所述逆变器的最优配置。
第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种基于量子遗传算法的配电网无功优化方法及装置。该方法首先基于历史数据预测目标配电网在预设时间段内的电压分布，即目标配电网中各节点的电压随负荷用电变化和分布式能源出力变化的变化趋势。然后基于电压分布构建无功优化模型。最后利用量子遗传算法对模型进行求解，得到无功优化的最优解。本申请将量子计算与遗传算法相结合，可以显著提高无功优化模型的求解效率和优化结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种基于量子遗传算法的配电网无功优化方法流程图；
图2是本发明一实施例提供的一种电子设备的硬件架构图；
图3是本发明一实施例提供的一种基于量子遗传算法的配电网无功优化装置结构图；
图4是本发明一实施例提供的采用本发明方法确定出的多种无功补偿设备随时间变化的无功优化曲线；
图5是本发明一实施例提供的采用本发明方法对某配电网进行无功优化以及未进行无功优化时节点电压的波动曲线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，本发明实施例提供了一种基于量子遗传算法的配电网无功优化方法，包括：
步骤100，基于历史数据，预测目标配电网中各负载所在节点的电压在预设时间段内的电压分布；目标配电网包括多个负载、至少一种无功补偿设备和至少一个分布式能源，每个分布式能源均通过逆变器与目标配电网连接，逆变器用于向目标配电网提供有功功率和无功功率；
步骤102，基于电压分布，构建目标配电网的无功优化模型；
步骤104，基于量子遗传算法对无功优化模型进行求解，得到目标配电网内各无功补偿设备和逆变器的最优配置。
本发明实施例中，首先基于历史数据预测目标配电网在预设时间段内的电压分布，即目标配电网中各节点的电压随负荷用电变化和分布式能源出力变化的变化趋势。然后基于电压分布构建无功优化模型。最后利用量子遗传算法对模型进行求解，得到无功优化的最优解。本申请将量子计算与遗传算法相结合，可以显著提高无功优化模型的求解效率和优化结果的准确性。
下面具体描述图1所示的各个步骤的执行方式。
首先，针对步骤100，基于历史数据，预测目标配电网中各负载所在节点的电压在预设时间段内的电压分布；目标配电网包括多个负载、至少一种无功补偿设备和至少一个分布式能源，每个分布式能源均通过逆变器与目标配电网连接，逆变器用于向目标配电网提供有功功率和无功功率。
该步骤中，目标配电网可以是高、中、低压配电网，配电网的实际覆盖范围根据用户需要确定。负载可以是水泵、发电机、电灯等，无功补偿设备可以是并联电容器组、静止无功发生器等可以向配电网提供无功功率的设备，分布式能源可以是风力发电、太阳能发电或水力发电等可再生能源。由于负载的用电和分布式能源的发电存在波动性，因此会对配电网的稳定性造成影响。此外，预设时间段的时长大于一个小时，可以是几个小时、一天或其它。根据历史数据预测各节点的电压分布，即预测各节点的电压幅值的变化规律。
在一些实施方式中，基于历史数据，预测目标配电网中各负载所在节点的电压在预设时间段内的电压分布，包括：
步骤A1，基于目标配电网中各负载在预设时间段内的历史用电数据，确定目标配电网中各负载的综合用电概率密度函数；
步骤A2，基于目标配电网中各分布式能源在预设时间段内的历史发电数据，确定目标配电网内各分布式能源的综合发电概率密度函数；
步骤A3，基于综合用电概率密度函数和综合发电概率密度函数，利用潮流计算法确定各负载所在节点的电压在预设时间段内的电压分布。
在一些实施方式中，步骤A1是通过如下方式确定的：
基于各负载在预设时间段内的历史用电数据，确定各负载随时间变化的用电规律，各负载的用电规律均服从正态分布；
利用高斯混合分布将各个正态分布进行融合，得到各负载的综合用电概率密度函数。
该步骤中，不同类型的负载具有不同的用电规律。如居民用电主要集中于早晨和晚上，工业用电主要集中在法定工作时段，而电动汽车等负载的用电具有较强的随机性。因此，根据历史用电数据，可以很好的确定各负载的用电规律，各负载的用电规律均服从正态分布。将各正态分布进行融合，即可得到各负载的综合用电概率密度函数。
在一些实施方式中，步骤A2是通过如下方式确定的：
基于各分布式能源在预设时间段内的历史发电数据，确定各分布式能源的发电规律，各分布式能源的用电规律均服从正态分布；
利用高斯混合分布将各个正态分布进行融合，得到各分布式能源的综合发电概率密度函数。
该步骤中，分布式能源容易受到环境的影响，如对于风力发电，主要受风速的影响；对于太阳能发电，则主要受光照的影响。因此，各分布式能源在不同时刻的发电量不同，根据历史运行数据，可以确定出各分布式能源在不同时刻的发电规律，通常，每个分布式能源的发电规律服近似从正态分布。将各正态分布进行融合，即可得到各分布式能源的综合发电概率密度函数。
最后，针对步骤A3，基于综合用电概率密度函数和综合发电概率密度函数，利用潮流计算法，优选前推回代潮流计算法，即可确定各节点电压在预设时间段内电压分布。即各节点电压在预设时间段内的电压波动规律。
然后，针对步骤102，基于电压分布，构建目标配电网的无功优化模型。
该步骤中，无功优化模型是以各节点的电压偏差之和最小，以及投资费用最小为目标构建的。对上述两个目标进行加权处理，得到无功优化模型的目标函数为：
Figure SMS_1
式中，t为优化时刻，t∈[1，T m]，T m为预设时间段内优化时刻的数量；n为目标配电网内节点的数量；U t,i为t时刻节点i的电压；U 0为节点电压的标称值；y1和y2分别为各节点的电压偏差之和最小目标与投资费用最小目标的权重，A1和A2分别为无功补偿设备的固定成本和运维成本。
在该目标函数中，T m的数量越多，即优化时刻的间隔越小，优化效果越好，但计算量也随之增加，用户可以根据需要确定优化间隔。例如，优化时刻的间隔可以根据负载的用电规律和分布式能源的发电规律确定。当负载用电和分布式能源的发电较稳定时，优化时刻的间隔取较大值；当负载用电和分布式能源的发电波动较大时，优化时刻的间隔取较小值。
在一些实施方式中，需要对目标函数制定一些约束条件，使优化结果不超出预设的范围，约束条件包括：
在任意时刻，均满足：
每个节点均满足有功功率平衡和无功功率平衡；
每个无功补偿设备输出的无功功率均不大于其额定功率；
逆变器输出的无功功率不大于其视在功率，且逆变器的视在功率的平方等于其输出的无功功率的平方与其输出的有功功率的平方的和；
任意节点的电压均大于该节点电压的下限值，且小于该节点电压的上限值；
每个无功补偿设备的安装容量均不超过安装节点的最大允许接入容量；
每个无功补偿设备在预设时间段内的投切次数均不超过预设值。
通过上述约束条件，可以在保证系统安全、稳定运行的基础上，求解出最佳的优化方案。当然，用户也可以根据需要增加或减少约束条件，在不同的约束条件下，求解出的最优解也有所差异。
最后，针对步骤104，无功补偿设备包括第一补偿设备和第二补偿设备，第一补偿设备的响应时长大于第二补偿设备的响应时长，第二补偿设备的响应时长大于逆变器的响应时长；
基于量子遗传算法对无功优化模型进行求解，得到当前目标配电网内各无功补偿设备和逆变器的最优配置，包括：
以第一时长为优化间隔，针对每个第一时长，基于当前第一时长内的电压分布，确定当前第一时长所需的第一无功功率；基于当前第一无功功率，利用量子遗传算法计算当前第一时长内第一补偿设备和第二补偿设备的配置结果；
以第二时长为优化间隔，针对每个第二时长，基于当前第二时长内的电压分布，确定当前第二时长所需的第二无功功率；将当前第二时长所需的第二无功功率与第一补偿设备在当前第二时长内补偿的无功功率的差值作为当前第二时长所需的第一剩余无功功率；基于第一剩余无功功率，利用量子遗传算法计算当前第二时长内第二补偿设备的配置结果；
以第三时长为优化间隔，针对每个第三时长，基于当前第三时长内的电压分布，确定当前第三时长所需的第三无功功率；将当前第三时长所需的第三无功功率与第一补偿设备和第二补偿设备在当前第三时长内补偿的无功功率的差值作为当前第三时长所需的第二剩余无功功率；基于第二剩余无功功率，利用量子遗传算法计算当前第三时长内逆变器的配置结果；第三时长、第二时长、第一时长依次递增，且第一时长小于预设时间段。
在该步骤中，第一补偿设备可以是并联电容器组，第二补偿设备可以是静止无功发生器，第一时长、第二时长和第三时长分别为整数倍关系。例如，第一时长可以是一小时，第二时长可以是20分钟，第三时长可以是5分钟。配电网在输送电能时，由于负载的用电和分布式能源的发电是实时变化的，因此电压的波动也是实时的，因此最优的无功补偿方案是跟随电压的波动进行实时补偿。但是各无功补偿设备并不能对电压的波动做出实时响应，且每种设备不能无限次的在各种状态之间进行切换。因此，需要结合各种设备的特性联合进行无功补偿。
在本实施例中，由于并联电容器组、静止无功发生器和逆变器的响应时长不同，因此可以按时段进行无功补偿。例如，预设时间段为9-11点，我们需要确定在这2个小时内各无功设备的配置。那么，首先取第一时长为1小时，则可以根据该优化间隔的电压变化确定需要的第一无功功率，并根据该第一无功功率确定并联电容器组和静止无功发生器的配置结果。由于并联电容器组的响应时长较长，且投切次数受限，因此在确定其无功补偿量后就不再变化。
配电网在实际运行中电压的波动频率是较频繁的，为了保证系统的稳定，需要以更小的优化间隔调整静止无功发生器的配置。因此，需要根据第二时长优化间隔的电压变化确定需要的第二无功功率，由于在该优化间隔内，并联电容器组已经补偿了部分无功功率，因此，静止无功发生器只需要补偿剩余的无功即可。并基于剩余的无功确定出静止无功发生器在每个第二时长的无功补偿量。
最后，分布式能源的逆变器主要用于输出有功，但是也可以根据配电网的电压变化输出无功，可以做到对电压波动进行实时补偿。本实施例进一步缩小优化间隔，在并联电容器组和静止无功发生器无功补偿的基础上，进一步补偿第三时长内需要的剩余无功，从而进一步降低配电网的电压波动。
该实施例通过多种无功补偿设备相互配合，可以降低设备的综合成本，且使配电网的电压更加稳定。
在一些实施方式中，利用量子遗传算法计算第一时长，和/或第二时长，和/或第三时长内的配置结果是通过如下方式计算的：
S1，初始化初代种群，随机生成多个以量子比特为编码的染色体；
S2，对种群中的每个个体进行一次测量，得到对应的确定解；
S3，将所述无功优化模型的目标函数作为适应度函数，对各确定解进行适应度评估；
S4，记录最优个体和对应的适应度；
S5，判断计算过程是否满足结束条件，若是，则解码生成相应设备的最优配置，若否，执行步骤S6；
S6，利用量子旋转门对当前种群进行更新，将更新后的种群作为新的种群，并执行步骤S2，直至满足结束条件。
需要说明的是，构建初代种群，初代种群初始化以及适应度计算等均是本领域技术人员的公知，此处不再赘述。
为了证明本发明方法的有效性，发明人以某个含有33个节点的配电网为例进行了算例分析。分析的预设时间段为上午10点~11点，分布式能源为太阳能发电，无功补偿设备分别为并联电容器组、静止无功发生器和风能逆变器。第一时长为60分钟，第二时长为15分钟，第三时长为5分钟。采用本发明方法进行无功优化后，各无功补偿设备随时间变化的无功优化曲线如图4所示，各节点的电压幅值优化前后的变化曲线如图5所示。从图4可以看出，各无功补偿设备可以充分发挥自身响应特性的优势，在不同时段对各节点的电压波动进行补偿。从图5可以看出，本发明方法可以有效抑制配电网中各节点的电压波动。
此外，在一些实施方式中，分布式能源为多个，由于每个分布式能源的位置不同，因此，其发电量改变对目标配电网中不同节点的电压影响程度不同。也就是说，针对任意一个分布式能源，配电网中总存在一些节点与其强耦合，即该分布式能源的出力改变会对靠近其并网位置的节点电压产生较大的影响，而对远离其并网位置的节点电压影响较小。
因此，为了进一步提高无功优化的效果，可以将目标配电网划分为多个子区域，每个子区域中均包括多个负载、至少一种无功补偿设备和一个分布式能源，分布式能源通过逆变器与当前子区域内的电网连接，逆变器用于向当前子区域提供有功功率和无功功率。
在一些实施方式中，将目标配电网划分为多个子区域，包括：
针对目标配电网中的每个分布式能源，均执行：
将当前分布式能源所在的节点作为基准节点；
改变输入该基准节点的无功功率，分别计算每个负载所在节点的电压偏差值；
判断每个电压偏差值是否大于预设值；若是，则将当前电压偏差值对应的负载划分至该分布式能源所在的子区域；若否，则将当前电压偏差值对应的负载划分至与其电气距离最近的负载所在的子区域。
在该实施例中，电压偏差值可以反映基准节点的无功功率对负载节点的电压幅值的影响程度。电压偏差值越大，说明分布式能源的出力变化对相应节点的影响越大，反之，则影响越小。因此，以分布式能源的位置作为分区标准，更能体现每个子区域的响应特性。用户可以根据需要提前确定预设值，大于该预设值的负载节点则并入相应分布式能源对应的子区域。当然，会有部分负载节点对每个分布式能源的变化都不敏感，此时，则根据该负载节点与其它负载节点的电气距离进行划分。电气距离越近的节点，节点之间的耦合度越大，两节点之间的联系越紧密。
通过上述分区方法，可以使每个子区域内各节点之间的耦合度更高，更有利于控制该子区域的电压波动。此外，通过分区，可以使各子区域之间的关联性降低，即某个子区域内的节点电压发生变化时对其他子区域内的节点电压影响很小。
需要说明的是，将目标配电网划分为多个子区域后，针对每个子区域进行电压分布预测，基于每个子区域的电压分布构建该子区域的无功优化模型，以及基于量子遗传算法对各子区域的无功优化模型进行求解的过程，均与对目标配电网的处理过程相同，本申请不再赘述。
如图2、图3所示，本发明实施例提供了一种基于量子遗传算法的配电网无功优化装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种基于量子遗传算法的配电网无功优化装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种基于量子遗传算法的配电网无功优化装置，包括：
预测模块300，用于基于历史数据，预测目标配电网中各负载所在节点的电压在预设时间段内的电压分布；目标配电网包括多个负载、至少一种无功补偿设备和至少一个分布式能源，每个分布式能源均通过逆变器与目标配电网连接，逆变器用于向目标配电网提供有功功率和无功功率；
构建模块302，用于基于电压分布，构建目标配电网的无功优化模型
求解模块304，基于量子遗传算法对无功优化模型进行求解，得到目标配电网内各无功补偿设备和逆变器的最优配置。
在本发明实施例中，预测模块300可用于执行上述方法实施例中的步骤100，构建模块302可用于执行上述方法实施例中的步骤102，求解模块304可用于执行上述方法实施例中的步骤104。
在一些实施方式中，预测模块300用于执行如下操作：
步骤A1，基于目标配电网中各负载在预设时间段内的历史用电数据，确定目标配电网中各负载的综合用电概率密度函数；
步骤A2，基于目标配电网中各分布式能源在预设时间段内的历史发电数据，确定目标配电网内各分布式能源的综合发电概率密度函数；
步骤A3，基于综合用电概率密度函数和综合发电概率密度函数，利用潮流计算法确定各负载所在节点的电压在预设时间段内的电压分布。其中，
步骤A1包括：基于各负载在预设时间段内的历史用电数据，确定各负载随时间变化的用电规律，各负载的用电规律均服从正态分布；
利用高斯混合分布将各个正态分布进行融合，得到各负载的综合用电概率密度函数。
步骤A2包括：基于各分布式能源在预设时间段内的历史发电数据，确定各分布式能源的发电规律，各分布式能源的用电规律均服从正态分布；
利用高斯混合分布将各个正态分布进行融合，得到各分布式能源的综合发电概率密度函数。
在一些实施方式中，在构建模块302中，无功优化模型的目标函数是对预设时间段内各节点的电压偏差之和最小目标以及投资费用最小目标进行加权计算得到的，目标函数为：
Figure SMS_2
式中，t为优化时刻，t∈[1，T m]，T m为预设时间段内优化时刻的数量；n为子区域内节点的数量；U t,i为t时刻节点i的电压；U 0为节点电压的标称值；y1和y2分别为各节点的电压偏差之和最小目标与投资费用最小目标的权重，A1和A2分别为无功补偿设备的固定成本和运维成本。
在一些实施方式中，目标函数的约束条件为：
在任意时刻，均满足：
每个节点均满足有功功率平衡和无功功率平衡；
每个无功补偿设备输出的无功功率均不大于其额定功率；
逆变器输出的无功功率不大于其视在功率；
逆变器的视在功率的平方等于其输出的无功功率的平方与其输出的有功功率的平方的和；
任意节点的电压均大于该节点电压的下限值，且小于该节点电压的上限值；
每个无功补偿设备的安装容量均不超过安装节点的最大允许接入容量；
每个无功补偿设备在预设时间段内的投切次数均不超过预设值。
在一些实施方式中，无功补偿设备包括第一补偿设备和第二补偿设备，第一补偿设备的响应时长大于第二补偿设备的响应时长，第二补偿设备的响应时长大于逆变器的响应时长。
求解模块304用于执行如下操作：
以第一时长为优化间隔，针对每个第一时长，基于当前第一时长内的电压分布，确定当前第一时长所需的第一无功功率；基于当前第一无功功率，利用量子遗传算法计算当前第一时长内第一补偿设备和第二补偿设备的配置结果；
以第二时长为优化间隔，针对每个第二时长，基于当前第二时长内的电压分布，确定当前第二时长所需的第二无功功率；将当前第二时长所需的第二无功功率与第一补偿设备在当前第二时长内补偿的无功功率的差值作为当前第二时长所需的第一剩余无功功率；基于第一剩余无功功率，利用量子遗传算法计算当前第二时长内第二补偿设备的配置结果；
以第三时长为优化间隔，针对每个第三时长，基于当前第三时长内的电压分布，确定当前第三时长所需的第三无功功率；将当前第三时长所需的第三无功功率与第一补偿设备和第二补偿设备在当前第三时长内补偿的无功功率的差值作为当前第三时长所需的第二剩余无功功率；基于第二剩余无功功率，利用量子遗传算法计算当前第三时长内逆变器的配置结果；第三时长、第二时长、第一时长依次递增，且第一时长小于预设时间段。
在一些实施方式中，利用量子遗传算法计算第一时长，和/或第二时长，和/或第三时长内的配置结果是通过如下方式计算的：
S1，初始化初代种群，随机生成多个以量子比特为编码的染色体；
S2，对种群中的每个个体进行一次测量，得到对应的确定解；
S3，将所述无功优化模型的目标函数作为适应度函数，对各确定解进行适应度评估；
S4，记录最优个体和对应的适应度；
S5，判断计算过程是否满足结束条件，若是，则解码生成相应设备的最优配置，若否，执行步骤S6；
S6，利用量子旋转门对当前种群进行更新，将更新后的种群作为新的种群，并执行步骤S2，直至满足结束条件。
可以理解的是，本发明实施例示意的结构并不构成对一种基于量子遗传算法的配电网无功优化装置的具体限定。在本发明的另一些实施例中，一种基于量子遗传算法的配电网无功优化装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种基于量子遗传算法的配电网无功优化方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种基于量子遗传算法的配电网无功优化方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机（或CPU或MPU）读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘（如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW）、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于量子遗传算法的配电网无功优化方法，其特征在于，包括：
基于历史数据，预测目标配电网中各负载所在节点的电压在预设时间段内的电压分布；所述目标配电网包括多个负载、至少一种无功补偿设备和至少一个分布式能源，每个所述分布式能源均通过逆变器与所述目标配电网连接，所述逆变器用于向所述目标配电网提供有功功率和无功功率；
基于所述电压分布，构建所述目标配电网的无功优化模型；
基于量子遗传算法对所述无功优化模型进行求解，得到所述目标配电网内各无功补偿设备和所述逆变器的最优配置。
2.根据权利要求1所述的方法，其特征在于，所述基于历史数据，预测目标配电网中各负载所在节点的电压在预设时间段内的电压分布，包括：
基于所述目标配电网中各负载在所述预设时间段内的历史用电数据，确定所述目标配电网中各负载的综合用电概率密度函数；
基于所述目标配电网中各分布式能源在所述预设时间段内的历史发电数据，确定所述目标配电网内各分布式能源的综合发电概率密度函数；
基于所述综合用电概率密度函数和所述综合发电概率密度函数，利用潮流计算法确定各负载所在节点的电压在所述预设时间段内的电压分布。
3.根据权利要求2所述的方法，其特征在于，所述基于所述目标配电网中各负载在所述预设时间段内的历史用电数据，确定所述目标配电网中各负载的综合用电概率密度函数，包括：
基于各负载在所述预设时间段内的历史用电数据，确定各负载随时间变化的用电规律，各负载的用电规律均服从正态分布；
利用高斯混合分布将各个正态分布进行融合，得到各负载的综合用电概率密度函数。
4.根据权利要求1所述的方法，其特征在于，
所述无功优化模型的目标函数是对预设时间段内各节点的电压偏差之和最小目标以及投资费用最小目标进行加权计算得到的，所述目标函数为：
Figure QLYQS_1
式中，t为优化时刻，t∈[1，T m]，T m为预设时间段内优化时刻的数量；n为子区域内节点的数量；U t,i为t时刻节点i的电压；U 0为节点电压的标称值；y1和y2分别为各节点的电压偏差之和最小目标与投资费用最小目标的权重，A1和A2分别为无功补偿设备的固定成本和运维成本。
5.根据权利要求4所述的方法，其特征在于，所述目标函数的约束条件为：
在任意时刻，均满足：
每个节点均满足有功功率平衡和无功功率平衡；
每个所述无功补偿设备输出的无功功率均不大于其额定功率；
所述逆变器输出的无功功率不大于其视在功率；
所述逆变器的视在功率的平方等于其输出的无功功率的平方与其输出的有功功率的平方的和；
任意节点的电压均大于该节点电压的下限值，且小于该节点电压的上限值；
每个无功补偿设备的安装容量均不超过安装节点的最大允许接入容量；
每个所述无功补偿设备在预设时间段内的投切次数均不超过预设值。
6.根据权利要求1所述方法，其特征在于，所述无功补偿设备包括第一补偿设备和第二补偿设备，所述第一补偿设备的响应时长大于所述第二补偿设备的响应时长，所述第二补偿设备的响应时长大于所述逆变器的响应时长；
所述基于量子遗传算法对所述无功优化模型进行求解，得到当前子区域内各无功补偿设备和所述逆变器的最优配置，包括：
以第一时长为优化间隔，针对每个第一时长，基于当前第一时长内的电压分布，确定当前第一时长所需的第一无功功率；基于当前第一无功功率，利用量子遗传算法计算当前第一时长内所述第一补偿设备和所述第二补偿设备的配置结果；
以第二时长为优化间隔，针对每个第二时长，基于当前第二时长内的电压分布，确定当前第二时长所需的第二无功功率；将当前第二时长所需的第二无功功率与所述第一补偿设备在当前第二时长内补偿的无功功率的差值作为当前第二时长所需的第一剩余无功功率；基于所述第一剩余无功功率，利用量子遗传算法计算当前第二时长内所述第二补偿设备的配置结果；
以第三时长为优化间隔，针对每个第三时长，基于当前第三时长内的电压分布，确定当前第三时长所需的第三无功功率；将当前第三时长所需的第三无功功率与所述第一补偿设备和所述第二补偿设备在当前第三时长内补偿的无功功率的差值作为当前第三时长所需的第二剩余无功功率；基于所述第二剩余无功功率，利用量子遗传算法计算当前第三时长内所述逆变器的配置结果；所述第三时长、所述第二时长、所述第一时长依次递增，且所述第一时长小于所述预设时间段。
7.根据权利要求6所述的方法，其特征在于，利用量子遗传算法计算第一时长，和/或第二时长，和/或第三时长内的配置结果是通过如下方式计算的：
S1，初始化初代种群，随机生成多个以量子比特为编码的染色体；
S2，对种群中的每个个体进行一次测量，得到对应的确定解；
S3，将所述无功优化模型的目标函数作为适应度函数，对各确定解进行适应度评估；
S4，记录最优个体和对应的适应度；
S5，判断计算过程是否满足结束条件，若是，则解码生成相应设备的最优配置，若否，执行步骤S6；
S6，利用量子旋转门对当前种群进行更新，将更新后的种群作为新的种群，并执行步骤S2，直至满足结束条件。
8.一种基于量子遗传算法的配电网无功优化装置，其特征在于，包括：
预测模块，用于基于历史数据，预测目标配电网中各负载所在节点的电压在预设时间段内的电压分布；所述目标配电网包括多个负载、至少一种无功补偿设备和至少一个分布式能源，每个所述分布式能源均通过逆变器与所述目标配电网连接，所述逆变器用于向所述目标配电网提供有功功率和无功功率；
构建模块，用于基于所述电压分布，构建所述目标配电网的无功优化模型
求解模块，基于量子遗传算法对所述无功优化模型进行求解，得到所述目标配电网内各无功补偿设备和所述逆变器的最优配置。
9.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一项所述的方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的方法。
CN202310636513.0A 2023-06-01 2023-06-01 基于量子遗传算法的配电网无功优化方法及装置 Active CN116362141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310636513.0A CN116362141B (zh) 2023-06-01 2023-06-01 基于量子遗传算法的配电网无功优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310636513.0A CN116362141B (zh) 2023-06-01 2023-06-01 基于量子遗传算法的配电网无功优化方法及装置

Publications (2)

Publication Number Publication Date
CN116362141A true CN116362141A (zh) 2023-06-30
CN116362141B CN116362141B (zh) 2023-08-01

Family

ID=86941937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310636513.0A Active CN116362141B (zh) 2023-06-01 2023-06-01 基于量子遗传算法的配电网无功优化方法及装置

Country Status (1)

Country Link
CN (1) CN116362141B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105914758A (zh) * 2016-05-17 2016-08-31 华北电力大学 考虑分布式电源无功补偿成本的电网无功优化方法
EP3261209A1 (en) * 2016-06-24 2017-12-27 Siemens Aktiengesellschaft Method, control apparatus, system and computer program product for reactive power and voltage control in distribution grids
CN109274136A (zh) * 2018-10-24 2019-01-25 南京邮电大学 一种基于量子粒子群算法的光伏系统无功优化方法
CN112803434A (zh) * 2021-02-25 2021-05-14 国网河北省电力有限公司经济技术研究院 有源配电网的无功优化方法、装置、设备和存储介质
CN112993979A (zh) * 2021-02-22 2021-06-18 广东电网有限责任公司韶关供电局 配电网无功优化方法、装置、电子设备和存储介质
CN113629723A (zh) * 2021-07-05 2021-11-09 燕山大学 考虑dg和apf参与电压治理的svg优化配置方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105914758A (zh) * 2016-05-17 2016-08-31 华北电力大学 考虑分布式电源无功补偿成本的电网无功优化方法
EP3261209A1 (en) * 2016-06-24 2017-12-27 Siemens Aktiengesellschaft Method, control apparatus, system and computer program product for reactive power and voltage control in distribution grids
CN109274136A (zh) * 2018-10-24 2019-01-25 南京邮电大学 一种基于量子粒子群算法的光伏系统无功优化方法
CN112993979A (zh) * 2021-02-22 2021-06-18 广东电网有限责任公司韶关供电局 配电网无功优化方法、装置、电子设备和存储介质
CN112803434A (zh) * 2021-02-25 2021-05-14 国网河北省电力有限公司经济技术研究院 有源配电网的无功优化方法、装置、设备和存储介质
CN113629723A (zh) * 2021-07-05 2021-11-09 燕山大学 考虑dg和apf参与电压治理的svg优化配置方法

Also Published As

Publication number Publication date
CN116362141B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
Akram et al. Optimal sizing of a wind/solar/battery hybrid grid‐connected microgrid system
Yan et al. Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria
Zhang et al. Optimal allocation of battery energy storage systems in distribution networks with high wind power penetration
Mikkola et al. Modeling flexibility and optimal use of existing power plants with large-scale variable renewable power schemes
Saxena et al. Improved load frequency control considering dynamic demand regulated power system integrating renewable sources and hybrid energy storage system
Chang An RBF Neural Network Combined with OLS Algorithm and Genetic Algorithm for Short‐Term Wind Power Forecasting
Nick et al. Wind power optimal capacity allocation to remote areas taking into account transmission connection requirements
Lu et al. Data-driven stochastic programming for energy storage system planning in high PV-penetrated distribution network
Wang et al. Coordinated planning of transmission expansion and coal‐fired power plants flexibility retrofits to accommodate the high penetration of wind power
Van den Bergh et al. The impact of bidding zone configurations on electricity market outcomes
Nawaz et al. Least‐cost generation expansion planning using whale optimization algorithm incorporating emission reduction and renewable energy sources
KR20200114424A (ko) 이종 신재생 에너지원이 결합된 발전원 운영 방법 및 장치
Ma et al. Optimal economic operation of islanded microgrid by using a modified pso algorithm
de Carvalho Neiva Pinheiro et al. Reinforcement learning for electricity dispatch in grids with high intermittent generation and energy storage systems: A case study for the Brazilian grid
CN116961052A (zh) 一种分布式储能系统的选址定容方法及系统
Chen et al. Multi‐stage dynamic optimal allocation for battery energy storage system in distribution networks with photovoltaic system
Ayan et al. Size optimization of a stand‐alone hybrid photovoltaic/wind/battery renewable energy system using a heuristic optimization algorithm
Bhuvanesh et al. Application of differential evolution algorithm and its variants for solving energy storage technologies integrated generation expansion planning
Zhou et al. Planning of Electric Power Systems Considering Virtual Power Plants with Dispatchable Loads Included: An Inexact Two‐Stage Stochastic Linear Programming Model
Yang et al. Optimizing distributed generation and energy storage in distribution networks: Harnessing metaheuristic algorithms with dynamic thermal rating technology
Vijay Kumar et al. Optimal location and capacity of Unified Power Flow Controller based on chaotic krill herd blended runner root algorithm for dynamic stability improvement in power system
CN116362141B (zh) 基于量子遗传算法的配电网无功优化方法及装置
CN117955133A (zh) 一种配电网储能优化配置方法及系统
Wang et al. Distribution system planning incorporating distributed generation and cyber system vulnerability
CN112699615A (zh) 一种跨时空能源综合配置优化方法、装置及存储介质

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