CN107480885A - 基于非支配排序差分进化算法的分布式电源布点规划方法 - Google Patents
基于非支配排序差分进化算法的分布式电源布点规划方法 Download PDFInfo
- Publication number
- CN107480885A CN107480885A CN201710692196.9A CN201710692196A CN107480885A CN 107480885 A CN107480885 A CN 107480885A CN 201710692196 A CN201710692196 A CN 201710692196A CN 107480885 A CN107480885 A CN 107480885A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- distribution network
- power source
- distributed power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005611 electricity Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 7
- 230000002068 genetic effect Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 241000767593 Eulemur hybrids Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000007773 growth pattern Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于非支配排序差分进化算法的分布式电源布点规划方法,涉及配电网工程技术领域。该方法针对进行配电网分布式电源规划时采用的优化布点方法规划目标不充分、求解速度慢等问题,构建分布式电源布点的多目标优化模型,采用基于非支配排序差分的进化算法对优化模型进行求解,本发明提出的方法可以综合考虑分布式电源规划时的多个规划目标,提高算法的计算速度,有效解决含分布式电源的智能电网布点规划问题。
Description
技术领域
本发明涉及配电网工程技术领域,更具体涉及一种含分布式电源的智能电网布点方法。
背景技术
智能电网规划是基于智能电网的现状以及现有负荷的增长情况,提出一套方案用于整个***的扩建与改造,达到电能质量以及未来负荷用电量的要求后升级线路和接线方式以及扩建或增容变电站,以高效、安全、优质为指标,采用最优方案作为规划方案,让用户的用电需求得到满足以及供电部门获得最大利益。
含分布式电源的智能电网布点规划是关于电源的规划,依照当地政策、环境、可利用资源等实际情形,考虑电源投资商的经济利益,以***可靠、稳定安全运行为前提,将合适容量分布式电源与智能电网的最佳位置接入;一般以电网的利益为中心,以经济成本最小为目标且保证电网的可靠运行,考虑负荷的年增长状况,全面规划,包括安装分布式电源、变电站扩容以及馈线升级等。
近年来,为了实现电网的可靠稳定运行,达到最小网损,国内外研究者对分布式电源布点规划的方法进行了大量研究。文献Celli G,Pilo F.Optimal DistributedGeneration Allocation in MV Distribution Network[A].in:Proceedings of 22ndIEEE Power Engineering Society International Conference on Power IndustryComputerApplications[C].Sydney(Australia):2001.81-86.提出了一种在分布式电源个数、位置和容量均未知的条件下,采用遗传算法(GA)对MV级配电网中分布式电源的位置和容量进行优化的算法,该算法考虑了馈线容量极限、馈线电压形态以及三相短路电流等技术,建立了以网络扩建及损耗成本用最少的目标函数。文献Kim K H,Lee Y J,etal.Dispersed GeneratorPlacement Using Fuzzy-GA in Distribution Systems[A].in:IEEE PES Summer Meeting[C].2002.1148-1153.提出一种通过模糊遗传算法(Fuzzy-GA)来解决配电网分布式电源最优安装地点问题。考虑配电***的有功网损最小为目标函数,分布式电源的数量和容量大小以及电压上下限为约束条件。将目标函数和约束条件转化为多目标函数,通过模糊方法建模,并使用目标规划和遗传算法计算出多目标函数的全局最优解。文献AlHajri M F,AlRashidi M R,El-Hawary M E.Hybrid Particle SwarmOptimization Approach for Optimal Distribution Generation Sizing andAllocation in Distribution Systems[A].in:Canadian Conference on Electricaland Computer Engineering[C].2007.1290-1293.将粒子群优化(PSO)与潮流算法相结合,用于同时搜索DG的最优容量和接入位置,在满足***电压约束的条件下最终达到有功网损最小的目的。专利师璞师,任惠,孙晨军等.一种分布式电源规划方法及其***:CN105119279A[P].2015-12-02.发明了一种分别确定分布式电源的最佳接入位置和最佳接入容量的配电网中分布式电源的规划方法。通过提出一种新的电压稳定指数,然后基于电压稳定指数和***网络电能损耗最优来进行分布式电源的最优配置,从而提高配电网电压稳定性和降低***的网络损耗,得到一种分布式电源规划方法及其***。专利张婷婷,刘洪,孙伟等.一种配电网中分布式电源的规划方法:CN104376410A[P].2015-02-25.发明了一种针对各类工业园区、大楼内、社区里等具有安装分布式电源条件的配电网中分布式电源的规划方法。
本发明提供了一种同时计及分布式电源的时序特性和随机性,并考虑接入分布式电源后配电网单位收益成本费用的配电网中分布式电源的规划方法。基于非支配排序差分进化算法的分布式电源布点规划方法与传统数学规划方法及模糊遗传算法、粒子群优化算法等算法相比,具有全局优化性能、鲁棒性强、通用性强、收敛性更好、计算速度快的特点,并能兼顾经济性,安全性及可靠性,在电力***规划中计算有明显优势。
本发明提出基于非支配排序差分进化算法的分布式电源布点规划方法,该方法规划多目标优化模型,根据含分布式电源的智能电网布点规划,在智能电网负荷预测值不确定的情况下,以分布式电源最小电压稳定指标、最小网络损耗、最小投资成本为子目标,采用非支配排序差分进化(NSDE)算法对模型进行求解。本发明提出的方法可以综合考虑分布式电源规划时的多个规划目标,提高算法的计算速度,有效解决含分布式电源的智能电网布点规划问题。
发明内容
本发明的目的是提供基于非支配排序差分进化算法配电网含分布式电源布点规划方法。该方法针对进行配电网分布式电源规划时采用的优化布点方法规划目标不充分、求解速度慢等问题,构建分布式电源布点的多目标优化模型,采用基于非支配排序差分的进化算法对优化模型进行求解,从而实现对分布式电源接入配电网的位置进行合理规划。
为了达到上述目的,本发明采用如下技术方案:
基于非支配排序差分进化算法的分布式电源布点规划方法,该方法包含下列步骤:
1、基于非支配排序差分进化算法配电网含分布式电源布点规划方法,其特征在于,该方法包含下列步骤:
(a)、设定待规划配电网规模;
(b)、确定目标函数;
(c)、确定各目标函数的权重;
(d)、生成待规划配电网的初始配电网网络架构;
(e)、基于步骤(d)所生成的初始配电网网络架构,初始待选支路集合;
(f)、对待规划配电网进行编码;
(g)、依据NSDE算法进行差分、交叉、变异,对规划目标函数进行求解;
(h)、当迭代次数达到设定的阈值时,寻优过程结束,输出Pareto最优解集;
步骤(a)所述的配电网规模为节点数有N个,支路有N-1条;
步骤(b)所述的目标函数为:
b1、配电网经济性最优的目标函数
k1=r(1+r)n/[r(1+r)n-1]
k3=Ccost×τ/u2[万元/Ω×(MW)2]
其中,Ω为网络中新建线路与已有线路的集合;Ω1为待选的新建线路;
k1为资金回收系数;k2为工程固定运行费用;k3为年网损费用;
Pj为支路j输送的有功功率;rj为支路j的电阻;xj为支路j的线路回数;Ccost为网损电价;Cj为支路j中扩展一回新建线路的费用;上述目标函数中的第一项为固定资产投入费用与运行维护费,第二项为运行中的***的线损费用,MW为兆瓦,r为资金利率,n为使用年限;
b2、配电网损耗最小的目标函数
Pk,Qk分别流过支路k的有功与无功功率,rk为支路k的电阻值,Uk为支路k的首端电压幅值;
b3、配电网分布式电源最小电压稳定指标最小的目标函数
min(f3)=min(L)
L=max(L1,L2,L3,…,LN-1)
其中:N为配电网的节点数,支路为N-1为配电网的支路数,Ri和Xi分别为支路i的线路电阻值和电抗值,线路i连接节点m1和m2,P(m2)和Q(m2)分别为节点m2流入的有功和无功功率,V(m1)为节点m1的节点电压,Li为支路i的电源稳定指标;
b4、采用负荷缺电率LPSP评价含分布式电源配电网的供电可靠性指标,使负荷缺电率LPSP最低的目标函数
其中,Pload1为电负荷需求量,T为评估周期,T=24h,PWG、PPV、PMT、PSB分别为风力发电机、光伏电池、微型燃气轮机、蓄电池的输出功率,Pload为总负荷量,ηinv为分布式电源逆变效率;
b5、环境成本最低的目标函数
PTPG(t)=PWG(t)+PPV(t)+PMT(t)+PSB(t)
PWG、PPV、PMT、PSB和PTPG分别为风力发电机、为光伏电池、微型燃气轮机、蓄电池的输出功率和总发电功率;EWG、EPV、EMT、ESB和ETPG分别为风力发电机、为光伏电池、微型燃气轮机、蓄电池的环境成本和总环境成本;
步骤(c)各目标函数的权重由专家确定;
步骤(d)采用prim拓扑最小生成树算法生成待规划配电网的初始配电网架构:
步骤(e)初始待选支路集合为所有可选支路的集合;
步骤(f)所述编码方式为:
X={s1,SS1...si,SSi...sn,SSn,kDG1...kDGi...kDGH}
si为第i个基本环路支路状态,其中0表示断开、1表示闭合,SSi为第i个基本环路中断开支路,n为基本回路数目,kDGi为第i个分布式电源的位置,H为分布式电源的总数;kDGi~kDGH中kDGi表示节点i安装的分布式电源容量,当kDGi为0时,表示节点i不安装分布式电源,n为基本回路数目,H为分布式电源的总数。
本发明的优点是:针对进行配电网分布式电源规划时采用的优化布点方法规划目标不充分、求解速度慢等问题,构建分布式电源布点的多目标优化模型,采用基于非支配排序差分的进化算法对优化模型进行求解,从而实现对分布式电源接入配电网的位置进行合理规划。
附图说明
图1为基于非支配排序差分进化算法配电网含分布式电源布点规划方法的流程图。
图2为依据NSDE算法进行差分、交叉、变异,对规划目标函数进行求解过程的示意图。
具体实施方式
下面结合说明书附图和具体实施例对本发明的技术方案作进一步详细说明。
找最优解集,并不要准确衡量各目标间的权重关系。带精英策略的快速非支配排序遗传算法(NSGA-II)是最常用也是最有效的一种MOEA。它继承于非支配排序遗传算法州(SGA),为确保非劣解的均匀分布以及提升算法的鲁棒性与运算速度,采用了基于解的非支配排序等级和拥挤距离、精英保留策略以及Pareto非支配快速排序的选择算子,是一种基于Pareto最优多目标进化算法。
遗传算法的变异和交叉机制有应用在NSGA-II算法中,但是其自身有容易早熟、速度不快,收敛不稳定等问题。所以本文将算法中的遗传操作替换为差分进化操作,得到非支配排序差分进化算法(NSDE)。在解决多目标电网规划问题时,子代个体可由差分进化操作得到,再使用NSGA-II算法中的快速非支配排序方法对种群进行分层,根据拥挤度衡量个体在目标空间的分布;最后,利用精英策略遗传父代的优良个体,根据个体的非支配等级以及个体空间分布密度进行选择操作。
本发明提出基于非支配排序差分进化算法的分布式电源布点规划方法,其特征在于所述方法包括以下步骤:
(1)、设定待规划配电规模、规划目标函数、规划目标函数的权重;
包含的子目标包括经济性最优、网络损耗最小、分布式电源最小电压稳定指标最小、供电可靠性最高、环境成本最低。
1)经济性最优目标,包含固定资产投入费用(包括线路、变压器等设备)与运行维护费,***的线损费用,如下式所示:
k1=r(1+r)n/[r(1+r)n-1]
k3=Ccost×τ/u2[万元/Ω×(MW)2]
其中,Ω为网络中新建线路与已有线路的集合;Ω1为待选的新建线路;
k1为资金回收系数;k2为工程固定运行费用;k3为年网损费用;
Pj为支路j输送的有功功率;rj为支路j的电阻;xj为支路j的线路回数;Ccost为网损电价(元/kW.h);Cj为支路j中扩展一回新建线路的费用(万元)。上述目标函数中的第一项为固定资产投入费用(包括线路、变压器等设备)与运行维护费,第二项为运行中的***的线损费用。
2)网络损耗最小目标,如下式所示:
Pk,Qk分别流过支路k的有功与无功功率;rk为支路k的电阻值;Uk为支路k的首端电压幅值。
3)分布式电源最小电压稳定指标最小,如下式所示
mim(f3)=min(L)
L=max(L1,L2,L3,…,LN-1)
其中,闭环设计开环运行的智能电网***的节点数目为N,支路为N-1条,支路i的线路电阻值和电抗值为Ri和Xi,线路i连接节点m1和m2,P(m2)和Q(m2)为节点m2流入的有功和无功功率,V(m1)为节点m1的节点电压。
4)供电可靠性高。采用负荷缺电率LPSP评价含分布式电源配电网的供电可靠性指标,所述供电可靠性指标为使LPSP最低;所述LPSP指标如下式所示
其中,Ploadi为电负荷需求量;T为评估周期,T=24h,
5)环境成本最低,如下式所示
PTPG(t)=PWG(t)+PPV(t)+PMT(t)+PSB(t)
PWG,PPV,PMT,PSB,PTPG分别为WG,PV,MT,SB和TPG的输出功率;EWG,EPV,EMT,ESB,ETPG分别为WG,PV,MT,SB和TPG的环境成本。所述环境成本最低对应相对环境成本EB越小。
(2)、生成待规划网络的初始配电网网络架构;
利用prim算法(拓扑最小生成树算法)生成初始网络架构。
(3)、基于步骤(2)所生成的初始配电网网络架构,初始待选支路集合,所述待选支路集合中的每一条支路与网络架构都能构成一个基本回路;
基于步骤(2)得到的初始配电网网络架构,得到待选支路集合。
(4)、对待规划网络进行编码;
所述编码方式为:
X={s1,SS1...si,SSi..sn,SSn,kDG1...kDGi...kDGH}
si为第i个基本环路支路状态(0表示断开,1表示闭合);SSi为第i个基本环路中断开支路;n为基本回路数目;kDGi为第i个分布式电源的位置;H为分布式电源的总数。kDGi~kDGH中kDGi表示节点i安装的分布式电源容量,当kDGi为0时,表示节点i不安装分布式电源。
(5)、如图2所示,依据NSDE算法进行差分、交叉、变异,对规划目标函数进行求解;
(6)、当迭代次数达到设定的阈值时,寻优过程结束,输出Pareto最优解集。该解集是表示各条线路状态的一个矩阵,0表示断开,1表示闭合。该结果表达出满足最优解集的最终安装线路的具***置。
上述迭代次数的阈值为迭代10~20次之间,最佳迭代次数为18次。
以上所述仅为本发明的较佳实施例,对本发明而言仅仅是说明性的,而非限制性的。本专业技术人员理解,在本发明权利要求所限定的精神和范围内可对其进行许多改变,修改,甚至等效,但都将落入本发明的保护范围内。
Claims (3)
1.基于非支配排序差分进化算法配电网含分布式电源布点规划方法,其特征在于,该方法包含下列步骤:
(a)、设定待规划配电网规模;
(b)、确定目标函数;
(c)、确定各目标函数的权重;
(d)、生成待规划配电网的初始配电网网络架构;
(e)、基于步骤(d)所生成的初始配电网网络架构,初始待选支路集合;
(f)、对待规划配电网进行编码;
(g)、依据NSDE算法进行差分、交叉、变异,对规划目标函数进行求解;
(h)、当迭代次数达到设定的阈值时,寻优过程结束,输出Pareto最优解集;
步骤(a)所述的配电网规模为节点数有N个,支路有N-1条;
步骤(b)所述的目标函数为:
b1、配电网经济性最优的目标函数
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mi> </mi>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>je&Omega;</mi>
<mn>1</mn>
</msub>
</mrow>
</munder>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>k</mi>
<mn>3</mn>
</msub>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mi>e</mi>
<mi>&Omega;</mi>
</mrow>
</munder>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<msubsup>
<mi>P</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
</mrow>
k1=r(1+r)n/[r(1+r)n-1]
k3=Ccost×τ/u2[万元/Ω×(MW)2]
其中,Ω为网络中新建线路与已有线路的集合;Ω1为待选的新建线路;
k1为资金回收系数;k2为工程固定运行费用;k3为年网损费用;
Pj为支路j输送的有功功率;rj为支路j的电阻;xj为支路j的线路回数;Ccost为网损电价;Cj为支路j中扩展一回新建线路的费用;上述目标函数中的第一项为固定资产投入费用与运行维护费,第二项为运行中的***的线损费用,MW为兆瓦,r为资金利率,n为使用年限;
b2、配电网损耗最小的目标函数
<mrow>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mrow>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>Q</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
</mrow>
<msubsup>
<mi>U</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>&CenterDot;</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
</mrow>
Pk,Qk分别流过支路k的有功与无功功率,rk为支路k的电阻值,Uk为支路k的首端电压幅值;
b3、配电网分布式电源最小电压稳定指标最小的目标函数
min(f3)=min(L)
L=max(L1,L2,L3,…,LN-1)
<mrow>
<msub>
<mi>L</mi>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mn>4</mn>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>(</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>Q</mi>
<mo>(</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mo>|</mo>
<mi>V</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>(</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mo>|</mo>
<mi>V</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>4</mn>
</msup>
</mrow>
</mfrac>
</mrow>
其中:N为配电网的节点数,支路为N-1为配电网的支路数,Ri和Xi分别为支路i的线路电阻值和电抗值,线路i连接节点m1和m2,P(m2)和Q(m2)分别为节点m2流入的有功和无功功率,V(m1)为节点m1的节点电压,Li为支路i的电源稳定指标;
b4、采用负荷缺电率LPSP评价含分布式电源配电网的供电可靠性指标,使负荷缺电率LPSP最低的目标函数
<mrow>
<mi>L</mi>
<mi>P</mi>
<mi>S</mi>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>&lsqb;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>W</mi>
<mi>G</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>P</mi>
<mi>V</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>M</mi>
<mi>T</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>S</mi>
<mi>B</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>S</mi>
<mi>B</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>&CenterDot;</mo>
<msub>
<mi>&eta;</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
<mi>v</mi>
</mrow>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,Pload1为电负荷需求量,T为评估周期,T=24h,PWG、PPV、PMT、PSB分别为风力发电机、光伏电池、微型燃气轮机、蓄电池的输出功率,Pload为总负荷量,ηinv为分布式电源逆变效率;
b5、环境成本最低的目标函数
<mrow>
<mi>E</mi>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>W</mi>
<mi>G</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>W</mi>
<mi>G</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>P</mi>
<mi>V</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>P</mi>
<mi>V</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>M</mi>
<mi>T</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>M</mi>
<mi>T</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>S</mi>
<mi>B</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>B</mi>
<mi>T</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>T</mi>
<mi>P</mi>
<mi>G</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>T</mi>
<mi>P</mi>
<mi>G</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
PTPG(t)=PWG(t)+PPV(t)+PMT(t)+PSB(t)
PWG、PPV、PMT、PSB和PTPG分别为风力发电机、为光伏电池、微型燃气轮机、蓄电池的输出功率和总发电功率;EWG、EPV、EMT、ESB和ETPG分别为风力发电机、为光伏电池、微型燃气轮机、蓄电池的环境成本和总环境成本;
步骤(c)各目标函数的权重由专家确定;
步骤(d)采用prim拓扑最小生成树算法生成待规划配电网的初始配电网架构:
步骤(e)初始待选支路集合为所有可选支路的集合;
步骤(f)所述编码方式为:
X={s1,SS1...si,SSi...sn,SSn,kDG1...kDGikDGH}
si为第i个基本环路支路状态,其中0表示断开、1表示闭合,SSi为第i个基本环路中断开支路,n为基本回路数目,kDGi为第i个分布式电源的位置,H为分布式电源的总数;kDGi~kDGH中kDGi表示节点i安装的分布式电源容量,当kDGi为0时,表示节点i不安装分布式电源,n为基本回路数目,H为分布式电源的总数。
2.根据权利要求1所述的基于非支配排序差分进化算法配电网含分布式电源布点规划方法,其特征在于,步骤(h)所述的迭代次数阈值为10~20次。
3.根据权利要求1所述的基于非支配排序差分进化算法配电网含分布式电源布点规划方法,其特征在于,步骤(h)所述的迭代次数阈值为18次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710692196.9A CN107480885A (zh) | 2017-08-14 | 2017-08-14 | 基于非支配排序差分进化算法的分布式电源布点规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710692196.9A CN107480885A (zh) | 2017-08-14 | 2017-08-14 | 基于非支配排序差分进化算法的分布式电源布点规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107480885A true CN107480885A (zh) | 2017-12-15 |
Family
ID=60600342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710692196.9A Pending CN107480885A (zh) | 2017-08-14 | 2017-08-14 | 基于非支配排序差分进化算法的分布式电源布点规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480885A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108110769A (zh) * | 2018-01-09 | 2018-06-01 | 国网江西省电力有限公司上饶供电分公司 | 基于灰狼算法的主动配电网电压协调控制策略 |
CN109345411A (zh) * | 2018-10-19 | 2019-02-15 | 天津大学 | 一种应用于配电网供电能力提升的量化控制方法 |
CN109765788A (zh) * | 2019-03-29 | 2019-05-17 | 华东理工大学 | 一种多目标原油调合在线优化方法 |
CN110110948A (zh) * | 2019-06-13 | 2019-08-09 | 广东电网有限责任公司 | 一种多目标分布式电源优化配置方法 |
CN114818517A (zh) * | 2022-06-28 | 2022-07-29 | 南京北斗创新应用科技研究院有限公司 | 一种基于nsga-ii自校正元胞自动机的土地利用变化模拟方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036234A (zh) * | 2013-01-10 | 2013-04-10 | 南京软核科技有限公司 | 一种配电网防误优化方法 |
US20150310366A1 (en) * | 2012-11-09 | 2015-10-29 | Tianjin University | Security region based security-constrained economic dispatching method |
CN106295885A (zh) * | 2016-08-11 | 2017-01-04 | 中国电力科学研究院 | 基于主动管理模式的主动配电网联合规划方法 |
-
2017
- 2017-08-14 CN CN201710692196.9A patent/CN107480885A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150310366A1 (en) * | 2012-11-09 | 2015-10-29 | Tianjin University | Security region based security-constrained economic dispatching method |
CN103036234A (zh) * | 2013-01-10 | 2013-04-10 | 南京软核科技有限公司 | 一种配电网防误优化方法 |
CN106295885A (zh) * | 2016-08-11 | 2017-01-04 | 中国电力科学研究院 | 基于主动管理模式的主动配电网联合规划方法 |
Non-Patent Citations (4)
Title |
---|
彭光斌等: "《基于自适应粒子群算法优化DG的配网静态电压稳定性提高策略》", 《电力***保护与控制》 * |
朱斌等: "《基于双层改进粒子群算法含DG配电网的重构策略研究》", 《电网与清洁能源》 * |
郭宁等: "《考虑综合评估的孤立微网优化调度》", 《电力建设》 * |
黄映: "《智能电网下的多目标电网规划研究》", 《万方数据》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108110769A (zh) * | 2018-01-09 | 2018-06-01 | 国网江西省电力有限公司上饶供电分公司 | 基于灰狼算法的主动配电网电压协调控制策略 |
CN109345411A (zh) * | 2018-10-19 | 2019-02-15 | 天津大学 | 一种应用于配电网供电能力提升的量化控制方法 |
CN109345411B (zh) * | 2018-10-19 | 2023-03-31 | 南方电网科学研究院有限责任公司 | 一种应用于配电网供电能力提升的量化控制方法 |
CN109765788A (zh) * | 2019-03-29 | 2019-05-17 | 华东理工大学 | 一种多目标原油调合在线优化方法 |
CN109765788B (zh) * | 2019-03-29 | 2022-03-04 | 华东理工大学 | 一种多目标原油调合在线优化方法 |
CN110110948A (zh) * | 2019-06-13 | 2019-08-09 | 广东电网有限责任公司 | 一种多目标分布式电源优化配置方法 |
CN114818517A (zh) * | 2022-06-28 | 2022-07-29 | 南京北斗创新应用科技研究院有限公司 | 一种基于nsga-ii自校正元胞自动机的土地利用变化模拟方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Prakash et al. | Optimal sizing and siting techniques for distributed generation in distribution systems: A review | |
CN107480885A (zh) | 基于非支配排序差分进化算法的分布式电源布点规划方法 | |
Xu et al. | Hierarchical multi-objective optimal planning model of active distribution network considering distributed generation and demand-side response | |
CN106487005B (zh) | 一种考虑输配电价的电网规划方法 | |
CN105226643B (zh) | 安全约束下电力***运行模拟模型快速生成与求解方法 | |
Niknam et al. | Impact of thermal recovery and hydrogen production of fuel cell power plants on distribution feeder reconfiguration | |
Sun et al. | Flexible expansion planning of distribution system integrating multiple renewable energy sources: An approximate dynamic programming approach | |
Wang et al. | Analysis of operation cost and wind curtailment using multi-objective unit commitment with battery energy storage | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
Zhang et al. | A hybrid particle swarm optimization with small population size to solve the optimal short-term hydro-thermal unit commitment problem | |
CN105071389B (zh) | 计及源网荷互动的交直流混合微电网优化运行方法及装置 | |
CN107316125A (zh) | 一种基于经济运行域的主动配电网经济运行评价方法 | |
Chen et al. | Integrated planning of distribution systems with distributed generation and demand side response | |
CN112561273B (zh) | 一种基于改进pso的主动配电网可再生dg规划方法 | |
Reche-López et al. | Comparison of metaheuristic techniques to determine optimal placement of biomass power plants | |
CN107681655A (zh) | 一种潮汐流能发电场协调规划方法 | |
Mekontso et al. | Review of optimization techniques for sizing renewable energy systems | |
Boroumandfar et al. | Information gap decision theory with risk aversion strategy for robust planning of hybrid photovoltaic/wind/battery storage system in distribution networks considering uncertainty | |
Shi et al. | Research on energy management of hydrogen electric coupling system based on deep reinforcement learning | |
Evangeline et al. | A real-time multi-objective optimization framework for wind farm integrated power systems | |
Nozarian et al. | Reliability-oriented planning framework for smart cities: From interconnected micro energy hubs to macro energy hub scale | |
Diaz-Cachinero et al. | A microgrid model with EV demand uncertainty and detailed operation of storage systems | |
Hosseinnia et al. | Utilising reliability‐constrained optimisation approach to model microgrid operator and private investor participation in a planning horizon | |
Qing et al. | Integrated optimal planning of distribution network with geographical-zone-restricted renewable energy sources | |
Tang et al. | Multi-objective coordination optimisation method for DGs and EVs in distribution networks |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171215 |