CN117013607A - 带分布式电源配电网的状态估计方法及系统 - Google Patents

带分布式电源配电网的状态估计方法及系统 Download PDF

Info

Publication number
CN117013607A
CN117013607A CN202311108471.XA CN202311108471A CN117013607A CN 117013607 A CN117013607 A CN 117013607A CN 202311108471 A CN202311108471 A CN 202311108471A CN 117013607 A CN117013607 A CN 117013607A
Authority
CN
China
Prior art keywords
bird
bird nest
nest
azalea
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
CN202311108471.XA
Other languages
English (en)
Inventor
么红岩
徐瑞臣
冀爽
邢士标
鲁中超
蔡一鸣
苑凤均
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.)
Siping Power Supply Co Of State Grid Jilinsheng Electric Power Supply Co
Original Assignee
Siping Power Supply Co Of State Grid Jilinsheng Electric Power Supply Co
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 Siping Power Supply Co Of State Grid Jilinsheng Electric Power Supply Co filed Critical Siping Power Supply Co Of State Grid Jilinsheng Electric Power Supply Co
Priority to CN202311108471.XA priority Critical patent/CN117013607A/zh
Publication of CN117013607A publication Critical patent/CN117013607A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • H02J3/381—Dispersed generators
    • 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]
    • 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
    • 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
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Water Supply & Treatment (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电网运维技术领域，公开了一种基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法及系统，包括：确定目标函数；初始化种群；根据鸟巢离散位置中所选的波段子集计算其目标函数值，并记录每个鸟巢的局部最优解和种群的全局最优解；对目标函数值进行排序，对质量较优的m个位置进行混沌扰动，对其余位置根据杜鹃搜索算法进行更新现有鸟巢位置；将随机数r∈[0,1]与宿主鸟发现外来鸟蛋概率p进行比较，若r>p，则随机产生新位置作为现有鸟巢位置；比较上一代鸟巢位置和现有鸟巢位置，若现有鸟巢位置更好，则将其更新为当前鸟巢位置；判断循环是否满足终止条件，若终止则算法运行结束，输出全局最优鸟巢位置，反之，则继续更新鸟巢位置。

Description

带分布式电源配电网的状态估计方法及系统
技术领域
本发明属于电网运维技术领域，尤其涉及一种基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法及系统。
背景技术
随着经济发展和科技进步，电网正朝着信息化、互动化、智能化的坚强电网发展，为用户提供安全、可靠的用电是电网的首要目标。配电网状态估计通过适当的算法，利用电力系统已经实测的信息数据和补充的伪测量数据估算出精确、完整、可靠的电力系统状态。利用状态估计不但可以提高电网稳定性与安全性，使其高质量可靠供电，也可以替代早期潮流计算，实现电网智能化发展。同时，分布式电源技术日趋成熟，其环保、高效、经济的特点让其在全球能源危机和环境问题的解决方案中扮演重要角色。故而，带分布式电源接入的配电网状态估计成了新的研究热点和挑战。
通过上述分析，现有技术存在的问题及缺陷为：
1.复杂的电网拓扑和动态变化：分布式电源的接入极大地增加了电网的复杂性。这些电源可能随时接入或断开，导致电网拓扑的快速变化。而现有的状态估计技术往往难以快速适应这种动态变化。
2.数据质量和可用性问题：电网状态估计需要高质量的实测数据和伪测量数据。然而，对于分布式电源，这些数据可能难以获取，或者质量不高。因此，如何提高数据质量和可用性是一个重要挑战。
3.不确定性和随机性：分布式电源，特别是依赖于可再生能源(如风能、太阳能)的电源，其产出具有很大的不确定性和随机性。这对电网状态估计造成了很大的困难。
4.计算复杂性：由于电网的复杂性和动态性，以及数据的不确定性和随机性，电网状态估计的计算复杂性也很高。如何设计高效的算法，以在可接受的时间内得到准确的状态估计，是一个重要的技术问题。
5.安全和隐私问题：随着电网的智能化和信息化，如何保证电网数据的安全性和用户的隐私权，是一个亟需解决的问题。
基于以上分析，我们可以看出，带分布式电源接入的配电网状态估计的研究具有较大的挑战性。但随着电力系统和信息技术的不断发展，相信这些问题都有可能得到解决。
发明内容
针对现有技术存在的问题，本发明提供了一种基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法及系统。
本发明是这样实现的，一种基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法，所述基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法包括：
步骤一，获取配电网中分布式电源的历史出力时间序列，并进行参数归一化，同时确定目标函数；
步骤二，设置算法所需参数，初始化种群；
步骤三，根据鸟巢离散位置中所选的波段子集计算其目标函数值，并记录每个鸟巢的局部最优解和种群的全局最优解；
步骤四，对鸟巢位置的目标函数值进行排序，对质量较优的m个位置进行混沌扰动，对其余位置根据杜鹃搜索算法进行更新现有鸟巢位置；
步骤五，将随机数r∈[0,1]与宿主鸟发现外来鸟蛋概率p进行比较，若r>p，则随机产生新位置作为现有鸟巢位置；
步骤六，比较上一代鸟巢位置和现有鸟巢位置，若现有鸟巢位置更好，则将其更新为当前鸟巢位置；
步骤七，计算鸟巢位置的目标函数值，记录鸟巢的局部最优解和种群的全局最优解；
步骤八，判断循环是否满足终止条件，若终止则算法运行结束，输出全局最优鸟巢位置，即并根据该波段子集的影像进行目标地物的识别和分类，反之，则返回步骤三继续更新鸟巢位置。
进一步，所述步骤一，以量测值与估计值差值平方和最小为目标，状态变量为负荷节点和与分布式电源节点的有功功率，则含分布式电源配电网的状态估计目标函数为：
X＝[Pg，PL](1×n)
PG＝[PG1，PG2......PGs](1×s)
PL＝[PL1，PL2......PLI](1×I)
n＝s+I
式中，X为状态变量，由分布式电源的有功功率PG和负荷的有功功率PL组成；r为量测节点序号；R为量测节点总数；Zr表示第r个节点的量测值；Wr表示第r个节点的权重因子；hr(X)表示第r个节点的量测方程；s表示分布式电源节点的数量；I表示负荷节点的数量；n为配电网节点总数，为s和I之和。
进一步，所述步骤二，初始化种群，随机产生鸟巢的起始位置X及其离散位置BX。
进一步，所述步骤三-步骤八中，杜鹃鸟的寻窝产卵过程满足3个理想化规则：1)每只杜鹃鸟每次选择宿主鸟巢位置随机，且每次只在该宿主鸟巢中产一枚鸟蛋；2)在随机选择的宿主鸟巢中，只有孵化最好杜鹃幼鸟的鸟巢才会被保留至下一代；3)可供选择的宿主鸟巢的数量是事先确定的，并且宿主鸟察觉外来鸟蛋的概率为P。规则3中若宿主鸟发现外来的鸟蛋，该宿主鸟便会将鸟蛋推出巢外，或选择放弃此鸟巢而建筑新鸟巢，因此为简化该计算过程，规则3可以近似为原宿主鸟巢被新鸟巢代替的概率为P。
进一步，所述步骤三-步骤八中，基于理想化规则，可将杜鹃鸟搜寻的宿主鸟巢位置如下式进行更新：
上式中xi(t)为第i只杜鹃鸟进行第t次迭代时的鸟巢位置；表示点对点乘法；α表示搜索步长，且α＞0，一般情况下取α＝1；Levy(λ)表示随机搜索路径，其中λ为指数参数，随机搜索路径Levy(λ)遵从公式：
Levy～u＝t-λ，(1＜λ≤3)
上式是带有重尾的概率分布，通常采用模拟Levy飞行路径的计算公式：
上式中s即为杜鹃鸟的随机搜索路径Levy(λ)，其中参数β一般取1.5，参数μ、v服从以下正态分布：
上式正态分布中对应的标准差满足公式：
上式中Γ()为gamma函数。
进一步，所述步骤四中，对鸟巢位置的目标函数值进行排序，对质量较优的m个位置进行混沌扰动，对其余位置根据杜鹃搜索算法进行更新现有鸟巢位置，混沌来源于非线性动力学系统，它是由确定性系统产生的一种运动状态，混沌的随机性具有确定性；能在有限区域内按照自身的一定规律没有重复地遍历其所有可能状态；混沌的规律性体现在确定性方程的迭代；具有初值敏感依赖性：
xi+1＝μ·xi(1-xi)
式中xi∈[0,1]表示映射过程中优化变量归一化后的混沌变量。
本发明的另一目的在于提供一种基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计系统，所述基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计系统包括：
目标函数建立模块，用于确定目标函数；
目标函数求解模块，用于求解每个鸟巢的局部最优解和种群的全局最优解；
排序模块，用于对鸟巢位置的目标函数值进行排序；
判断模块，用于判断循环是否满足终止条件，若终止则算法运行结束，输出全局最优鸟巢位置，反之，则继续更新鸟巢位置。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计系统。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一、本发明针对含分布式电源配电网状态估计优化模型的特点，提出了求解该模型的杜鹃搜索算法，确定种群迭代步数后，通过磁场算子阶段和地标算子阶段，在反复迭代搜索后，于解空间获取优化问题的最优解。
第二，基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法，每个步骤对于解决上述挑战和问题有着显著的技术进步：
1.步骤一：获取配电网中分布式电源的历史出力时间序列，并进行参数归一化。这一步有助于处理数据质量和可用性问题，归一化数据可以使得算法更容易解析和处理数据。
2.步骤二：设置算法所需参数，初始化种群。种群初始化是遗传算法的重要步骤，合理的初始化可以提高算法的收敛速度和精度。
3.步骤三和步骤七：计算鸟巢位置的目标函数值，记录鸟巢的局部最优解和种群的全局最优解。这两个步骤有助于找到最佳的电网状态，从而提高电网的稳定性和安全性。
4.步骤四：对鸟巢位置的目标函数值进行排序，对质量较优的个位置进行混沌扰动。这一步有助于处理电网的复杂性和动态性问题，混沌扰动可以使得算法更容易找到全局最优解。
5.步骤五和步骤六：更新鸟巢位置。这两步有助于处理电网状态估计的计算复杂性问题，通过持续更新鸟巢位置，可以在可接受的时间内得到准确的状态估计。
6.步骤八：判断循环是否满足终止条件。这一步有助于控制算法的运行时间，避免无限循环。
通过这种基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法，可以有效地解决带分布式电源接入的配电网状态估计的挑战和问题，实现电网的智能化和高效化。
附图说明
图1是本发明实施例提供的方法流程图；
图2是本发明实施例提供的改进后的IEEE33配电系统接线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供的基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法包括以下步骤：
S101，获取配电网中分布式电源的历史出力时间序列，并进行参数归一化，同时确定目标函数；
S102，设置算法所需参数，初始化种群；
S103，根据鸟巢离散位置中所选的波段子集计算其目标函数值，并记录每个鸟巢的局部最优解和种群的全局最优解；
S104，对鸟巢位置的目标函数值进行排序，对质量较优的m个位置进行混沌扰动，对其余位置根据杜鹃搜索算法进行更新现有鸟巢位置；
S105，将随机数r∈[0,1]与宿主鸟发现外来鸟蛋概率p。进行比较，若r>p。则随机产生新位置作为现有鸟巢位置；
S106，比较上一代鸟巢位置和现有鸟巢位置，若现有鸟巢位置更好，则将其更新为当前鸟巢位置；
S107，计算鸟巢位置的目标函数值，记录鸟巢的局部最优解和种群的全局最优解；
S108，判断循环是否满足终止条件，若终止则算法运行结束，输出全局最优鸟巢位置，即并根据该波段子集的影像进行目标地物的识别和分类；反之，则返回步骤三继续更新鸟巢位置。
本发明实施例提供的步骤一，以量测值与估计值差值平方和最小为目标，状态变量为负荷节点和与分布式电源节点的有功功率，则含分布式电源配电网的状态估计目标函数为：
X＝[Pg，PL](1×n)
PG＝[PG1，PG2......PGs](1×s)
PL＝[PL1，PL2......PLI](1×I)
n＝s+I
式中，X为状态变量，由分布式电源的有功功率PG和负荷的有功功率PL组成；r为量测节点序号；R为量测节点总数；Zr表示第r个节点的量测值；Wr表示第r个节点的权重因子；hr(X)表示第r个节点的量测方程；s表示分布式电源节点的数量；I表示负荷节点的数量；n为配电网节点总数，为s和I之和。
本发明实施例提供的步骤二，初始化种群，随机产生鸟巢的起始位置X及其离散位置BX。
本发明实施例提供的步骤三-步骤八中，杜鹃鸟的寻窝产卵过程满足3个理想化规则：1)每只杜鹃鸟每次选择宿主鸟巢位置随机，且每次只在该宿主鸟巢中产一枚鸟蛋；2)在随机选择的宿主鸟巢中，只有孵化最好杜鹃幼鸟的鸟巢才会被保留至下一代；3)可供选择的宿主鸟巢的数量是事先确定的，并且宿主鸟察觉外来鸟蛋的概率为P。规则3中若宿主鸟发现外来的鸟蛋，该宿主鸟便会将鸟蛋推出巢外，或选择放弃此鸟巢而建筑新鸟巢，因此为简化该计算过程，规则3可以近似为原宿主鸟巢被新鸟巢代替的概率为P。
基于上述理想化规则，可将杜鹃鸟搜寻的宿主鸟巢位置如下式进行更新：
上式中xi(t)为第i只杜鹃鸟进行第t次迭代时的鸟巢位置；表示点对点乘法；α表示搜索步长，且α＞0，一般情况下取α＝1；Levy(λ)表示随机搜索路径，其中λ为指数参数，随机搜索路径Levy(λ)遵从公式：
Levy～u＝t-λ，(1＜λ≤3)
上式是带有重尾的概率分布，通常采用模拟Levy飞行路径的计算公式：
上式中s即为杜鹃鸟的随机搜索路径Levy(λ)，其中参数β一般取1.5，参数μ、v服从以下正态分布：
上式正态分布中对应的标准差满足公式：
上式中Γ()为gamma函数。
混沌来源于非线性动力学系统，它是由确定性系统产生的一种运动状态，主要具有如下特征：1)伪随机性。混沌的运动状态貌似随机，但每一时刻的状态是受前一时刻确定出现，而并非随机出现，因此混沌的随机性是具有确定性的。2)遍历性。混沌能在有限区域内按照自身的一定规律没有重复地遍历其所有可能状态。3)规律性。混沌的规律性体现在确定性方程的迭代。4)初值的敏感依赖性。
xi+1＝μ·xi(1-xi)
式中xi∈[0，1]表示映射过程中优化变量归一化后的混沌变量。
本发明实施例提供的基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计系统包括：
目标函数建立模块，用于确定目标函数；
目标函数求解模块，用于求解每个鸟巢的局部最优解和种群的全局最优解；
排序模块，用于对鸟巢位置的目标函数值进行排序；
判断模块，用于判断循环是否满足终止条件，若终止则算法运行结束，输出全局最优鸟巢位置，反之，则继续更新鸟巢位置。
将本发明应用实施例提供的基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法应用于计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法的步骤。
将本发明应用实施例提供的基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法应用于信息数据处理终端，所述信息数据处理终端用于实现所述基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计系统。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
为了验证算法，本文以IEEE33配电系统为算例进行状态估计计算。改进后的IEEE33配电系统接线如图2所示，计算时基准功率为100MVA,基准电压为12.66kV,在节点3、8、14、20、23、28接入DG。DG平均有功功率和负荷有功功率实测值分别如表1和表2所示。
参数初始化，设置鸟窝数num＝15。搜索空间dim＝2，最大迭代次数time＝500，发现概率pa＝0.25，随机初始化鸟窝位置xi，定义目标函数f(x)。文中采取的目标函数为交叉熵函数，函数效果好则说明寻优效果越好。将这些参数代入配电网状态估计优化模型，依据本文提出的求解步骤，分别计算与节点相连的DG有功功率估计值和负荷有功功率估计值，见表1和表2中的本文算法估计值。为了验证本文算法的有效性，同时采用遗传算法(GA)分别计算与节点相连的DG有功功率估计值和负荷有功功率估计值，见表1和表2的中GA估计值。
表1 DG有功功率
表2负荷有功功率
为了更加直观地分析鸽群优化算法的误差处理能力，引入均方根误差RMSE(RootMeanSquareEr-ror)和平均绝对误差MAE(MeanAbsoluteError):
式中：y表示实际值，y′表示预测值，表示平均值，n表示样本容量。
式中，v为估计值或者量测值的数量；XE为估计值；XA为量测值；p为组数。
表3为DG有功功率和负荷有功功率的RMSE和MAE在本文算法和遗传算法(GA)中的对比。
表3 DG有功功率和负荷有功功率的RMSE和MAE在GA和PIOA中的对比
从表3可以看出，在DG的有功功率估计值计算中，本文算法中的RMSE和MAE均小于GA算法中的RMSE和MAE；同样，从表3可以看出，负荷的有功功率在本文算法中的RMSE和MAE均小于遗传算法中的RMSE和MAE。因此，从DG和负荷有功功率的RMSE和MAE来分析，得到本文算法计算状态估计值误差小于GA算法，算法性能更好。
以下是两个使用基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法的具体实施例及其实现方案：
实施例一：风力发电系统
在风力发电系统中，风力发电机作为分布式电源接入配电网。由于风速的不稳定性，风力发电机的输出功率具有很大的随机性和不确定性，这对配电网状态估计带来了挑战。
1.收集风力发电机的历史出力时间序列，并进行参数归一化。
2.使用混沌杜鹃搜索算法进行状态估计：设置算法参数，初始化种群，计算鸟巢位置的目标函数值，记录局部最优解和全局最优解，对鸟巢位置进行混沌扰动和更新，直到满足终止条件。
3.输出全局最优鸟巢位置，即风力发电机的状态估计结果。
实施例二：光伏发电系统
在光伏发电系统中，光伏电池作为分布式电源接入配电网。由于阳光的不稳定性，光伏电池的输出功率具有很大的随机性和不确定性，这对配电网状态估计带来了挑战。
1.收集光伏电池的历史出力时间序列，并进行参数归一化。
2.使用混沌杜鹃搜索算法进行状态估计：设置算法参数，初始化种群，计算鸟巢位置的目标函数值，记录局部最优解和全局最优解，对鸟巢位置进行混沌扰动和更新，直到满足终止条件。
3.输出全局最优鸟巢位置，即光伏电池的状态估计结果。
这两个实施例都利用了混沌杜鹃搜索算法的优势，能够有效地处理分布式电源的不确定性和随机性，提高配电网状态估计的准确性和可靠性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法，其特征在于，包括：
步骤一，获取配电网中分布式电源的历史出力时间序列，并进行参数归一化，同时确定目标函数；
步骤二，设置算法所需参数，初始化种群；
步骤三，根据鸟巢离散位置中所选的波段子集计算其目标函数值，并记录每个鸟巢的局部最优解和种群的全局最优解；
步骤四，对鸟巢位置的目标函数值进行排序，对质量较优的m个位置进行混沌扰动，对其余位置根据杜鹃搜索算法进行更新现有鸟巢位置；
步骤五，将随机数r∈[0,1]与宿主鸟发现外来鸟蛋概率p进行比较，若r>p，则随机产生新位置作为现有鸟巢位置；
步骤六，比较上一代鸟巢位置和现有鸟巢位置，若现有鸟巢位置更好，则将其更新为当前鸟巢位置；
步骤七，计算鸟巢位置的目标函数值，记录鸟巢的局部最优解和种群的全局最优解；
步骤八，判断循环是否满足终止条件，若终止则算法运行结束，输出全局最优鸟巢位置，即并根据该波段子集的影像进行目标地物的识别和分类，反之，则返回步骤三继续更新鸟巢位置。
2.根据权利要求1所述的基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法，其特征在于，所述步骤一，以量测值与估计值差值平方和最小为目标，状态变量为负荷节点和与分布式电源节点的有功功率，则含分布式电源配电网的状态估计目标函数为：
X＝[Pg,PL](1×n)
PG＝[PG1，PG2......PGs](1×s)
PL＝[PL1，PL2......PLI](1×I)
n＝s+I
式中，X为状态变量，由分布式电源的有功功率PG和负荷的有功功率PL组成；r为量测节点序号；R为量测节点总数；Zr表示第r个节点的量测值；Wr表示第r个节点的权重因子；hr(X)表示第r个节点的量测方程；s表示分布式电源节点的数量；I表示负荷节点的数量；n为配电网节点总数，为s和I之和。
3.根据权利要求1所述的基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法，其特征在于，所述步骤二，初始化种群，随机产生鸟巢的起始位置X及其离散位置BX。
4.根据权利要求1所述的基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法，其特征在于，所述步骤三-步骤八中，杜鹃鸟的寻窝产卵过程满足3个理想化规则：1)每只杜鹃鸟每次选择宿主鸟巢位置随机，且每次只在该宿主鸟巢中产一枚鸟蛋；2)在随机选择的宿主鸟巢中，只有孵化最好杜鹃幼鸟的鸟巢才会被保留至下一代；3)可供选择的宿主鸟巢的数量是事先确定的，并且宿主鸟察觉外来鸟蛋的概率为P。规则3中若宿主鸟发现外来的鸟蛋，该宿主鸟便会将鸟蛋推出巢外，或选择放弃此鸟巢而建筑新鸟巢，因此为简化该计算过程，规则3可以近似为原宿主鸟巢被新鸟巢代替的概率为P。
5.根据权利要求1所述的基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法，其特征在于，所述步骤三-步骤八中，基于理想化规则，可将杜鹃鸟搜寻的宿主鸟巢位置如下式进行更新：
上式中xi(t)为第i只杜鹃鸟进行第t次迭代时的鸟巢位置；表示点对点乘法；α表示搜索步长，且α＞0，一般情况下取α＝1；Levy(λ)表示随机搜索路径，其中λ为指数参数，随机搜索路径Levy(λ)遵从公式：
Levy～u＝t-λ，(1＜λ≤3)
上式是带有重尾的概率分布，通常采用模拟Levy飞行路径的计算公式：
上式中s即为杜鹃鸟的随机搜索路径Levy(λ)，其中参数β一般取1.5，参数μ、v服从以下正态分布：
上式正态分布中对应的标准差满足公式：
上式中Γ()为gamma函数。
6.根据权利要求1所述的基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法，其特征在于，所述步骤四中，对鸟巢位置的目标函数值进行排序，对质量较优的m个位置进行混沌扰动，对其余位置根据杜鹃搜索算法进行更新现有鸟巢位置，混沌来源于非线性动力学系统，它是由确定性系统产生的一种运动状态，混沌的随机性具有确定性；能在有限区域内按照自身的一定规律没有重复地遍历其所有可能状态；混沌的规律性体现在确定性方程的迭代；具有初值敏感依赖性：
xi+1＝μ·xi(1-xi)
式中xi∈[0，1]表示映射过程中优化变量归一化后的混沌变量。
7.一种实施如权利要求1-4任意一项所述基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计系统，其特征在于，所述基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计系统包括：
目标函数建立模块，用于确定目标函数；
目标函数求解模块，用于求解每个鸟巢的局部最优解和种群的全局最优解；
排序模块，用于对鸟巢位置的目标函数值进行排序；
判断模块，用于判断循环是否满足终止条件，若终止则算法运行结束，输出全局最优鸟巢位置，反之，则继续更新鸟巢位置。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法的步骤。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述基于混沌杜鹃搜索算法的带分布式电源配电网的状态估计系统。
CN202311108471.XA 2023-08-31 2023-08-31 带分布式电源配电网的状态估计方法及系统 Pending CN117013607A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311108471.XA CN117013607A (zh) 2023-08-31 2023-08-31 带分布式电源配电网的状态估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311108471.XA CN117013607A (zh) 2023-08-31 2023-08-31 带分布式电源配电网的状态估计方法及系统

Publications (1)

Publication Number Publication Date
CN117013607A true CN117013607A (zh) 2023-11-07

Family

ID=88561912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311108471.XA Pending CN117013607A (zh) 2023-08-31 2023-08-31 带分布式电源配电网的状态估计方法及系统

Country Status (1)

Country Link
CN (1) CN117013607A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117388643A (zh) * 2023-12-11 2024-01-12 国网湖北省电力有限公司经济技术研究院 有源配电网故障区段的定位方法、系统、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117388643A (zh) * 2023-12-11 2024-01-12 国网湖北省电力有限公司经济技术研究院 有源配电网故障区段的定位方法、系统、设备及存储介质
CN117388643B (zh) * 2023-12-11 2024-03-08 国网湖北省电力有限公司经济技术研究院 有源配电网故障区段的定位方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
Abdalla et al. Wind driven optimization algorithm based global MPPT for PV system under non-uniform solar irradiance
Wu et al. Parameter identification of photovoltaic cell model based on improved ant lion optimizer
CN114865676B (zh) 一种混合储能系统控制方法、装置和电子设备
CN117013607A (zh) 带分布式电源配电网的状态估计方法及系统
CN112785027B (zh) 风光储联合发电系统置信容量评估方法及系统
CN108365608A (zh) 一种区域能源互联网不确定优化调度方法及系统
CN113992153B (zh) 一种光伏电站可视化实时监测分布式管理系统
Huang et al. An efficient probabilistic approach based on area grey incidence decision making for optimal distributed generation planning
CN112803434A (zh) 有源配电网的无功优化方法、装置、设备和存储介质
Pan et al. Chaotic glowworm swarm optimization algorithm based on Gauss mutation
Ye et al. K-means clustering algorithm based on improved Cuckoo search algorithm and its application
Iqbal et al. Stochastic maximum power point tracking of photovoltaic energy system under partial shading conditions
Bai et al. Investigation on photovoltaic array modeling and the MPPT control method under partial shading conditions
CN114638153A (zh) 光伏电池参数的辨识方法、装置、存储介质及电子设备
Safdarian et al. Multiclass learning-aided temporal decomposition and distributed optimization for power systems
Raj et al. Numerical Simulation and Comparative Assessment of Improved Cuckoo Search and PSO based MPPT System for Solar Photovoltaic System Under Partial Shading Condition
Qu et al. A Hunter‐Prey Algorithm Coordinating Mutual Benefit and Sharing and Interactive Learning for High‐Efficiency Design of Photovoltaic Models
Heydari et al. A new combined PV output power forecasting model based on optimized LSTM network
Pappala et al. Power system optimization under uncertainties: A PSO approach
Sulaiman et al. Cuckoo search for determining Artificial Neural Network training parameters in modeling operating photovoltaic module temperature
Wei et al. Long-term autonomous mission planning of AUV in large-scale complex marine environment
Li et al. An Improved Cuckoo Search Algorithm Using Elite Opposition-Based Learning and Golden Sine Operator
Gao et al. On Solar Photovoltaic Parameter Estimation: Global Optimality Analysis and a Simple Efficient Differential Evolution Method
Zhou et al. A multi-strategy firefly algorithm based on rough data reasoning for power economic dispatch
CN113094899B (zh) 一种随机潮流计算方法、装置、电子设备及存储介质

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