CN108539730B - 基于改进免疫离散粒子群算法的主动配电网量测位置优化方法 - Google Patents

基于改进免疫离散粒子群算法的主动配电网量测位置优化方法 Download PDF

Info

Publication number
CN108539730B
CN108539730B CN201710119222.9A CN201710119222A CN108539730B CN 108539730 B CN108539730 B CN 108539730B CN 201710119222 A CN201710119222 A CN 201710119222A CN 108539730 B CN108539730 B CN 108539730B
Authority
CN
China
Prior art keywords
particle
distribution network
measurement
power distribution
algorithm
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.)
Active
Application number
CN201710119222.9A
Other languages
English (en)
Other versions
CN108539730A (zh
Inventor
卢锦玲
李伟光
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN201710119222.9A priority Critical patent/CN108539730B/zh
Publication of CN108539730A publication Critical patent/CN108539730A/zh
Application granted granted Critical
Publication of CN108539730B publication Critical patent/CN108539730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Feedback Control In General (AREA)

Abstract

本文公开了一种基于改进免疫离散粒子群算法的主动配电网量测位置优化方法，包括以下步骤：根据所选配电网，初始化量测数量和位置，并建立主动配电网相应的Forney式因子图模型。初始化免疫离散粒子群算法的各项参数、粒子个数、位置等；在量测个数约束的条件下，以全网所有状态变量估计误差的绝对值之和S最小为目标函数，建立量测位置优化模型；在每个粒子所代表的量测位置下，运行状态估计程序，从所有粒子中选出S最小的粒子位置为全局最优位置，并且形成每个粒子的个体最优位置；根据粒子群的全局和个体最优位置跟新每个粒子的位置和速度，进行下一轮算法的迭代；matlab编程对量测位置优化进行模型求解，直至算法收敛；实施例结果说明了该发明可以使配电网状态估计精度显著提高，使电网的量测装置发挥最大的作用。

Description

基于改进免疫离散粒子群算法的主动配电网量测位置优化 方法
技术领域
本发明涉及电网量测装置配置领域，更具体的说涉及一种基于改进免疫离散粒子群算法的主动配电网量测位置优化方法。
背景技术
随着世界能源危机和新能源技术的快速发展以及现代社会对电能质量与电网运行经济性要求的提高，以光伏，风电为代表的分布式能源大规模接入配电网，对配电***造成了广泛的影响。在此背景下，有关学者提出了主动配电网(Active DistributionNetwork，ADN)的概念。ADN是综合考虑需求侧响应，将配电管理模式由被动变为主动的公用配电网。在配网管理模式从被动变为主动的需求下，配电网的状态估计成为配电管理***(Distribution Management Application，DMS)必不可少的基本组成要素，也是智能电网中众多应用程序(如电压调节控制，负荷分配)的基础。由于技术和成本的约束我国配电网中量测配置数量较少，为使昂贵的量测装置发挥最大的作用，本发明提出了一种适用于我国当前主动配电网建设的量测位置优化方法。
发明内容
本发明的目的在于，针对我国现有配电***，提出一种基于改进免疫离散粒子群算法的主动配电网量测位置优化方法，以提高配电***状态估计精度，使***中昂贵的量测装置发挥最大的作用。
为实现上述目的，本发明采用的技术方案是：
1)根据所选配电网，初始化量测数量和位置，并建立主动配电网相应的Forney式因子图模型。初始化免疫离散粒子群算法的各项参数、粒子个数、位置等。
2)在量测个数约束的条件下，以全网所有状态变量估计误差的绝对值之和S最小为目标函数，建立量测位置优化模型。
3)在每个粒子所代表的量测位置下，运行状态估计程序，从所有粒子中选出S最小的粒子位置为全局最优位置，并且形成每个粒子的个体最优位置。
4)根据粒子群的全局和个体最优位置跟新每个粒子的位置和速度，进行下一轮算法的迭代。
4)matlab编程对量测位置优化进行模型求解，直至算法收敛。
本发明的技术方案具有以下有益效果：
本发明的技术方案，提出一种改进免疫离散粒子群算法，同时结合新的状态估计算法，对配电网中数量一定的量测装置进行优化配置，从而达到了提高主动配电网状态估计精度和使量测装置发挥最大作用的目的。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明实施例所述的主动配电网量测位置优化方法流程图
图2是本发明中配电网状态估计的流程图
图3是本发明实施例中所采用的配电***图
图4是本发明实施例的量测位置优化仿真结果图
具体实施方式
下面将结合附图和具体实施例对本发明进行进一步详细说明。
本实例采用基于改进的IEEE-14配电***，***如图3，分别在算例***支路7和9末端接入两个输出PQ类型的双馈式风力发电机，P＝300kW，Q＝100kvar。量测向量由实量测和伪量测组成，以新型电力***仿真软件GridLAB-D的潮流计算结果作为***的真值，所有的量测量以潮流结果叠加随机量测误差得到，误差均服从标准差为0.04，均值为0的正态分布。实时量测数据由潮流计算中得到的支路功率提供，并由已知条件变换为节点电压和负荷电流参与到状态估计中。以潮流计算结果加10％的高斯白噪声模拟伪量测节点的数据。权重矩阵设置为实数矩阵，其中实量测对应的权重较大，伪量测对应的权重值较小。主动配电网中分布式电源作为实时量测接入公共节点，使得该节点的量测误差变小，所以对接入分布式电源的负荷节点，本文将对其重新设置权重，在给定输出上添加1％～3％的随机误差，权重设为1.0。设基准电压为23KV，三相功率的基准值为100MVA，将标准模型中的数据转换为标幺值，根据标准模型的数据可算出各支路功率。
鉴于我国配电网发展现状，设该配电网的量测个数为4个，均为支路功率量测，初始化粒子群内粒子个数为30个，Xij为0或1，其中i为粒子标号，j为该粒子的维度，为1的维度数受量测个数的约束。设迭代次数为50次。采用logistic回归分析映射产生N+M个粒子群体。同时本文算法采用基于浓度选择机制的多样性保持策略，使得新一代粒子群体中，各适应度层次的粒子维持一定浓度。第i个粒子浓度定义如下：
Figure BSA0000141126700000031
基于抗体浓度的概率选择公式为：
Figure BSA0000141126700000032
根据配电网的Forney式因子图将初始量测尽量配置于连有两个因子函数的状态变量所在的馈线上，根据每个粒子初始化的量测位置，运行全网的状态估计程序，状态估计流程如图2所示。状态估计时，首先在状态初始化的基础上处理缺少的量测。对于负荷的建模，是从历史负荷曲线人工设置生成状态变量的先验分布。然后，使用Forney式因子图对微电网建立时空模型，若因子为非线性则需先进行线性化。进行蒙特卡洛模拟的确定性状态估计，生成大量的负荷和DG时空模型的随机数，参与到BP算法的迭代过程中。根据状态估计的结果生成每个粒子位置下的目标函数S的值，进而生成全局最优Pbest和个体最优gbest，跟新公式如下式：
Figure BSA0000141126700000041
Figure BSA0000141126700000042
利用下面的式子跟新粒子的位置：
Figure BSA0000141126700000043
vid＝ω*vid+c1r1(pid-xid)+c2r2(pgd-xid)
Figure BSA0000141126700000044
Figure BSA0000141126700000045
式中ri(t)为[0，1]内均匀分布的随机数，vi为粒子的速度，xi为粒子位置。Pbest和bgest分别为粒子群体的全局和粒子个体最优位置。
本发明的免疫离散粒子群算法如图2，随着迭代的进行，算法收敛至全局最优位置。为了避免偶然现象得到的结果，运行仿真程序11次结果如图4可以看出每次运行程序时，横坐标对应迭代次数，纵坐标为相应的粒子群体全局最优位置对应的适应值S。实施例结果说明了该发明可以使配电网状态估计精度显著提高，使电网的量测装置发挥最大的作用。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于改进免疫离散粒子群算法的主动配电网量测位置优化方法，包含以下步骤：
1)根据所选配电网，初始化量测数量和位置，并建立主动配电网相应的Forney式因子图模型，初始化免疫离散粒子群算法的各项参数、粒子个数、位置等；
2)在量测个数约束的条件下，以全网所有状态变量估计误差的绝对值之和S最小为目标函数，建立量测位置优化模型；
3)在每个粒子所代表的量测位置下，运行状态估计程序，从所有粒子中选出S最小的粒子位置为全局最优位置，并且形成每个粒子的个体最优位置；
4)根据粒子群的全局和个体最优位置跟新每个粒子的位置和速度，进行下一轮算法的迭代；
5)matlab编程对量测位置优化进行模型求解，直至算法收敛。
2.根据权利要求1所述的基于改进免疫离散粒子群算法的主动配电网量测位置优化方法，其特征在于，步骤1)中根据所建立的主动配电网Forney式因子图模型，为了进一步提高算法的全局寻优能力，将量测配置在同两个因子节点相连的状态变量所在馈线，使较精确的实时量测数据发挥最大的作用，提高了算法的全局寻优性能。
3.根据权利要求1所述的基于改进免疫离散粒子群算法的主动配电网量测位置优化方法，其特征在于，步骤1)中采用logistic回归分析映射产生N+M个粒子群体，同时本文算法采用基于浓度选择机制的多样性保持策略，使得新一代粒子群体中，各适应度层次的粒子维持一定浓度，第i个粒子浓度定义如下：
Figure QLYQS_1
基于抗体浓度的概率选择公式为：
Figure QLYQS_2
4.根据权利要求1所述的基于改进免疫离散粒子群算法的主动配电网量测位置优化方法，其特征在于，步骤2)中以全网所有状态变量估计误差的绝对值之和S最小为目标函数，建立量测位置优化模型，其形式如下：
Figure QLYQS_3
其中：状态向量的个数为n；
Figure QLYQS_4
为状态向量的估计值；Xi为状态向量真值。
5.根据权利要求1所述的基于改进免疫离散粒子群算法的主动配电网量测位置优化方法，其特征在于，步骤4)中粒子位置跟新的离散化，具体方法如下：
Figure QLYQS_5
vid＝ω*vid+c1r1(pid-xid)+c2r2(pgd-xid)
Figure QLYQS_6
Figure QLYQS_7
式中ri(t)为[0，1]内均匀分布的随机数，vi为粒子的速度，xi为粒子位置，Pbest和gbest分别为粒子群体的粒子个体和全局最优位置。
CN201710119222.9A 2017-03-02 2017-03-02 基于改进免疫离散粒子群算法的主动配电网量测位置优化方法 Active CN108539730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710119222.9A CN108539730B (zh) 2017-03-02 2017-03-02 基于改进免疫离散粒子群算法的主动配电网量测位置优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710119222.9A CN108539730B (zh) 2017-03-02 2017-03-02 基于改进免疫离散粒子群算法的主动配电网量测位置优化方法

Publications (2)

Publication Number Publication Date
CN108539730A CN108539730A (zh) 2018-09-14
CN108539730B true CN108539730B (zh) 2023-05-30

Family

ID=63489114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710119222.9A Active CN108539730B (zh) 2017-03-02 2017-03-02 基于改进免疫离散粒子群算法的主动配电网量测位置优化方法

Country Status (1)

Country Link
CN (1) CN108539730B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110247390A (zh) * 2019-01-30 2019-09-17 国网浙江安吉县供电有限公司 一种基于免疫粒子群算法的多类型分布式电源优化配置方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198189A (zh) * 2013-04-03 2013-07-10 国家电网公司 基于粒子群算法的输电网单线图自动布局与绘制方法
CN103701117A (zh) * 2013-12-19 2014-04-02 浙江大学 基于混合人工智能的主动配电网动态拓扑重构方法
CN104112165A (zh) * 2014-05-19 2014-10-22 浙江工业大学 基于多目标离散粒子群的智能配电网故障恢复方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5226927A (en) * 1991-02-13 1993-07-13 Southern California Edison Wood gasifier
WO2011152900A2 (en) * 2010-02-22 2011-12-08 Benjamin Vigoda Distributed factor graph system
CN102854528B (zh) * 2012-07-13 2014-04-16 孙赞东 粒子群优化算法叠前非线性反演方法
CN105243516B (zh) * 2015-11-11 2019-06-21 国网青海省电力公司 基于主动配电网的分布式光伏发电最大消纳能力计算***
CN106099964B (zh) * 2016-06-16 2018-09-11 南京工程学院 一种储能***参与主动配电网运行调节计算方法
CN106130007A (zh) * 2016-06-27 2016-11-16 华北电力大学 一种基于脆弱性理论的主动配电网储能规划方法
CN106230552B (zh) * 2016-07-27 2019-04-23 东北大学 星地链路中结合人工加扰和ldpc安全编码的信息传输方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198189A (zh) * 2013-04-03 2013-07-10 国家电网公司 基于粒子群算法的输电网单线图自动布局与绘制方法
CN103701117A (zh) * 2013-12-19 2014-04-02 浙江大学 基于混合人工智能的主动配电网动态拓扑重构方法
CN104112165A (zh) * 2014-05-19 2014-10-22 浙江工业大学 基于多目标离散粒子群的智能配电网故障恢复方法

Also Published As

Publication number Publication date
CN108539730A (zh) 2018-09-14

Similar Documents

Publication Publication Date Title
CN107425520B (zh) 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法
CN109861202B (zh) 一种柔性互联配电网动态优化调度方法及***
CN106532778B (zh) 一种计算分布式光伏并网最大准入容量的方法
CN107563550B (zh) 一种基于pmu的配电网实时分布式状态估计及pmu的优化配置方法
CN114362196B (zh) 一种多时间尺度主动配电网电压控制方法
CN108306303A (zh) 一种考虑负荷增长和新能源出力随机的电压稳定评估方法
CN103985058B (zh) 一种基于改进多中心校正内点法的可用输电能力计算方法
CN103106314B (zh) 太阳能光伏电源输出功率的时序概率建模方法
CN105391059A (zh) 一种基于电流量测变换的分布式发电***状态估计方法
CN107681655B (zh) 一种潮汐流能发电场协调规划方法
CN110212551B (zh) 基于卷积神经网络的微网无功自动控制方法
CN106786608B (zh) 一种适用于分布式电源接入的不确定谐波潮流计算方法
CN105303250A (zh) 一种基于最优权系数的风电功率组合预测方法
CN107834593A (zh) 一种下垂控制型孤岛微电网静态电压稳定概率评估方法
CN105634018A (zh) 一种基于随机响应面法和内点法的含风电随机最优潮流求解方法
CN106503861A (zh) 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法
CN106372440B (zh) 一种并行计算的配电网自适应抗差状态估计方法及装置
CN105743093B (zh) 一种考虑风光出力不确定性的配电网潮流计算方法
Ni et al. A review of line loss analysis of the low-voltage distribution system
CN108539730B (zh) 基于改进免疫离散粒子群算法的主动配电网量测位置优化方法
CN105633971A (zh) 一种基于***竞争算法的智能配电网随机潮流方法
CN107846039A (zh) 考虑风速相关性的集群风电并网建模分析方法及***
Chenhong et al. Wind speed prediction research based on time series model with residual correction
CN116054240A (zh) 一种基于功率预测的风电并网运行控制优化方法及***
CN104850914B (zh) 一种基于特征建模的新能源发电量预测方法

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
DD01 Delivery of document by public notice
DD01 Delivery of document by public notice

Addressee: Li Weiguang

Document name: Notification of Patent Invention Entering into Substantive Examination Stage

DD01 Delivery of document by public notice

Addressee: Li Weiguang

Document name: Notice of the First Examination Opinion

DD01 Delivery of document by public notice
DD01 Delivery of document by public notice
DD01 Delivery of document by public notice

Addressee: Li Weiguang

Document name: Deemed not to have provided notice

Addressee: Li Weiguang

Document name: Notice of Handling Registration Procedures

GR01 Patent grant
GR01 Patent grant
DD01 Delivery of document by public notice
DD01 Delivery of document by public notice

Addressee: Li Weiguang

Document name: payment instructions