CN108734349B - 基于改进遗传算法的分布式电源选址定容优化方法及*** - Google Patents

Abstract

本发明公开了一种基于改进遗传算法的分布式电源选址定容优化方法及***，包括：首先通过对实验地区的实际情况进行调研，确定优化目标函数和约束条件，并在此基础上将多目标优化函数进行归一化处理，其次对含分布式电源的配电网进行基于OpenDSS的建模，完成潮流计算和相关参数的求解，然后应用改进后的遗传算法对并网分布式电源的安装位置和容量进行优化。本发明应用OpenDSS对含分布式电源的配电网进行建模与潮流分析，减少潮流计算、节点电压等计算所需的时间，并且采用改进遗传算法能够有效避免陷入局部最优，利于全局最优的求解，由此分布式电源并网位置、容量的选取更加合理化，从根本上降低对配电网造成的不良影响。

Description

基于改进遗传算法的分布式电源选址定容优化方法及***

技术领域

本发明涉及一种基于改进遗传算法的分布式电源选址定容优化方法及***。

背景技术

目前，常见的分布式电源选址定容优化算法可以划分为传统的数学算法和智能算法，其中智能算法有经典遗传算法、粒子群算法、蚁群算法和Tabu搜索算法等。遗传算法是一种建立在遗传机制和自然选择原理上的全局性优化方法，适用于任何函数表达形式，可以有效地解决实际问题。由于遗传算法自身的运算优势和限制，在现实应用中有利也有弊。该算法具有快速的搜索能力，具有并行性，可以同时比较多个个体，并且可以与其他算法结合使用，具有较强的可扩展性。但存在求解时间较长、编程实现过程较为复杂、潜在的并行机制并没有充分开发利用等缺陷，因此使得遗传算法仍是当前的研究热点。

发明内容

本发明的目的在于针对传统遗传算法的弊端，提供一种基于改进遗传算法的分布式电源选址定容优化方法及***，将变异概率以及交叉概率由算子改进为动态概率，以此与迭代次数的平方相关，改进遗传算法的局部最优情况，能够在分布式电源并入配电网时，选取较优的接入位置与容量，充分发挥分布式电源并网的优势，减少由于分布式电源并网 不当给配电网带来诸多方面的影响，提高总体的电能质量。

为实现上述目的，本发明采用下述技术方案，包括：

本发明公开了基于改进遗传算法的分布式电源选址定容优化方法，包括以下步骤：

(1)采集当地配电设备以及分布式电源的数据，搭建基于OpenDSS的分布式电源模型和含分布式电源的配电网仿真模型；

(2)根据搭建的含分布式电源的配电网仿真模型进行仿真，得到配电网中各节点的电压、电流数据，进行潮流计算，得到接入分布式电源的配电网潮流分布；

(3)建立分布式电源并网的优化目标函数，并确定约束条件；

(4)对遗传操作参数进行编码，采用二进制编码进行个体的编码，采用改进遗传算法对分布式电源的位置、容量进行优化。

进一步地，所述步骤(3)中，如果构建的优化目标函数为多目标函数，则对多目标进行归一化处理，归一化后的目标函数为改进遗传算法的适应度函数。

进一步地，求解极大值时，所述适应度函数设置为目标函数与适当小的正数之和；求解极小值时，所述适应度函数设置为充分大的正数与目标函数之差。

进一步地，所述步骤(4)中，采用改进遗传算法对分布式电源的位置、容量进行优化具体为：

a.产生初始种群，设置染色体长度和最大迭代次数；在开始计算时，随机选择染色体构成一个初始种群；

b.选择适应度较高的个体遗传到下一代，剔除适应度较低的个体；

c.模仿自然界生物染色体基因重组，确定交叉概率pcross，对父代两个个体的部分基因进行交换，产生新的子代，提供个体多样性；

d.通过设置变异概率pmutation，对种群中的一些个体进行变异，就是把染色体上的基因取反；

e.判断是当前迭代次数否达到最大迭代次数，如果是，则转向步骤f，否则转向步骤b；

f.输出最优解。

进一步地，交叉概率pcross具体为：

其中，gen为当前迭代代数，maxgen为最大迭代次数。

进一步地，所述变异概率具体为：

其中，gen为当前迭代代数，maxgen为最大迭代次数。

本发明公开了一种基于改进遗传算法的分布式电源选址定容优化***，包括：

用于采集当地配电设备以及分布式电源数据的数据采集装置；

用于搭建基于OpenDSS的分布式电源模型和含分布式电源的配电网仿真模型的装置；

用于根据搭建的含分布式电源的配电网仿真模型进行仿真的装置；

用于建立分布式电源并网的优化目标函数，并确定约束条件的装置；

用于对遗传操作参数进行编码，采用二进制编码进行个体的编码的装置；

用于采用改进遗传算法对分布式电源的位置、容量进行优化的装置。

进一步地，还包括：用于对多目标进行归一化处理的装置。

进一步地，用于采用改进遗传算法对分布式电源的位置、容量进行优化的装置具体为：

用于产生初始种群的装置；

用于选择适应度较高的个体遗传到下一代的装置；

用于模仿自然界生物染色体基因重组，对父代两个个体的部分基因进行交换，产生新的子代的装置；

用于通过设置变异概率P_m，对种群中的一些个体进行变异的装置；

用于判断是当前迭代次数否达到最大迭代次数的装置；

用于输出最优解的装置。

本发明有益效果：

本发明采用改进遗传算法对分布式电源并入配电网时的安装位置和容量进行优化，减少由于分布式电源安装位置、容量不合理导致***网损增大，电压稳定性降低的情况发生，从而保障了含分布式电源配电网的安全生产与稳定运行。

本发明将交叉与变异概率从静态转化为与迭代次数的平方相关的动态，变异交叉概率随着迭代次数的变化而变化，，经试验表明其优化结果比静态固定概率更加稳定，且优化效果更好。

本发明计算简便、速度快，具有良好的实际应用价值，适于各种类型的分布式电源选址定容优化分析。本发明方法不但采用改进遗传算法保持个体遗传的多样性，防止算法过早收敛陷入局部最优，同时可以减少配电网潮流分析和参数求解时的计算量，为研究整个优化过程节省了大量的时间和精力，并且能够适用于任何函数表达形式的分布式电源选址定容优化，选取分布式电源并网的最佳接入位置和容量，有效地减少由于分布式电源的安装不当对配电网造成诸多的不利影响。

附图说明

图1是本发明基于改进遗传算法的分布式电源选址定容优化方法的流程图。

具体实施方式：

下面结合附图对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明 提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明 所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明 的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

为了解决本发明背景技术中指出的问题，本发明提供了一种分布式电源接入配电网的选址定容优化方法，该方法首先通过对实验地区的实际情况进行调研，确定优化目标函数和约束条件，并在此基础上将多目标优化函数进行归一化处理，其次对含分布式电源的配电网进行基于OpenDSS的建模，完成潮流计算和相关参数的求解，然后应用改进后的遗传算法对并网分布式电源的安装位置和容量进行优化。由于该方法应用OpenDSS对配电网和分布式电源建模并完成潮流计算和相关参数的求解，不仅可以减少数据计算所需的时间，而且改进后的遗传算法具有良好的收敛性，局部最优的情况得以缓解，能够对分布式电源的接入容量、位置进行寻优，因此有效提高了选址定容优化的效率和寻优能力。

本发明公开的基于改进遗传算法的分布式电源选址定容优化方法，如图1 所示，包括以下步骤：

a.查找有关于分布式电源分类和工作原理的国内外文献、报告，分析各类分布式电源并网对配电***产生的影响。总结上述分布式电源并网给配电网带来的不利影响，结合实验地区现状与政策要求，制定符合实际情况与政策的目标函数，并在此基础上明确约束条件；

b.搜集当地配电设备以及分布式电源的数据，确定相关的参数，搭建基于OpenDSS的分布式电源建模和含分布式电源的配电网仿真与模拟平台；

c.使用构建好的含分布式电源的配电网仿真模型对实验地区进行算例分析，得到网络中各节点的电压、电流等数据，进行潮流计算；

d.对遗传操作参数进行编码，采用二进制编码进行个体的编码，使运算较为方便，控制变量为分布式电源的并网容量和位置；

e.产生初始种群，设置染色体长度lchrom为20，最大迭代次数最大迭代次数maxgen为100。在开始计算时，随机选择染色体构成一个初始种群，且种群的规模不宜过大或是过小，设置为50；

f.根据上述已经确定的优化目标函数，并且大多为多目标函数，先将多目标进行归一化处理，处理后的目标函数可以作为遗传算法的适应度函数f_fitness(X)，也可以将归一化的目标函数进行以下变形处理。对于极大值问题，适应度函数可以设置为F＝f+C_min(C_min为适当小的正数，f为目标函数)，求解极小值时的适应度函数设置为F＝C_max-f，其中C_max为充分大的正数；

g.选择个体适应度较高的个体遗传到下一代，剔除适应度较低的个体；

h.模仿自然界生物染色体基因重组，对父代两个个体的部分基因进行交换，产生新的子代，提供个体多样性，本发明采用的动态交叉概率，

其中，gen为当前迭代代数，maxgen为最大迭代次数；以此改进局部收敛的情况；

i.通过设置变异概率P_m对种群中的一些个体进行变异，就是把染色体上的基因取反，0→1，1→0。本发明中，经试验确定变异概率为以下公式表达时求解结果更加稳定；

j.判断gen是否达到最大迭代次数maxgen，如果是，则转向步骤k，否则转向步骤g；

k.输出最优解。

假设辐射状配电网允许N个节点安装分布式电源，假设待安装的分布式电源的容量为P_i，且P_i＝x_iP_s，其中P_s为基准容量，安装方案可以用一组变量C＝{c₁,c₂,…,c_N}表示，c_i表示第i个节点分布式电源的建设情况(c_i必为实数)，若c_i＝0说明此负荷节点不安装分布式电源，若c_i＝K(K为常数)，则说明该节点可以接入分布式电源的容量为P_i＝KP_s。

为达到上述目的，本发明采用的技术方案包括以下步骤：

输入：安装方案变量组C＝{c₁,c₂,…,c_N}，最大迭代次数maxgen，染色体长度为20，种群大小为50，交叉概率

变异概率为

输出：最优解

步骤1：采用二进制编码方式对个体进行编码，每个位置上的0和1代表该个体的基因编码；

步骤2：利用随机数发生器在可行域内生成M个个体，剔除大于新增负荷总量20％的个体，并用重新生成的个体替换被剔除的个体，并在此基础上使用适应度函数f_fitness(X)对上述中每一个变量进行评估，计算适应值，确定遗传概率；

步骤3：对种群中所有个体的适应值进行排序，优先遗传适应度高的个体，淘汰适应度较低的个体；

步骤4：设置自适应动态交叉概率为

其中，gen为当前迭代次数，maxgen为最大迭代次数，进行交叉操作产生新的基因；

步骤5：通过以下式子得到自适应变异概率pmutation，并在此基础上进行变异运算。对于新的种群，如果随机变量小于自适应变异概率，则进行变异操作；

步骤6：迭代终止，输出最优解。

本发明计算简便、速度快，具有良好的实际应用价值，适于各种类型的分布式电源选址定容优化分析。本发明方法不但采用改进遗传算法保持个体遗传的多样性，防止算法过早收敛陷入局部最优，同时可以减少配电网潮流分析和参数求解时的计算量，为研究整个优化过程节省了大量的时间和精力，并且能够适用于任何函数表达形式的分布式电源选址定容优化，选取分布式电源并网的最佳接入位置和容量，有效地减少由于分布式电源的安装不当对配电网造成诸多的不利影响。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (2)

1.基于改进遗传算法的分布式电源选址定容优化方法，其特征在于，包括以下步骤：

(1)采集当地配电设备以及分布式电源的数据，搭建基于OpenDSS的分布式电源模型和含分布式电源的配电网仿真模型；

(2)根据搭建的含分布式电源的配电网仿真模型进行仿真，得到配电网中各节点的电压、电流数据，进行潮流计算，得到接入分布式电源的配电网潮流分布；

(3)建立分布式电源并网的优化目标函数，并确定约束条件；

(4)对遗传操作参数进行编码，采用二进制编码进行个体的编码，采用改进遗传算法对分布式电源的位置、容量进行优化；

所述步骤(3)中，如果构建的优化目标函数为多目标函数，则对多目标进行归一化处理，归一化后的目标函数为改进遗传算法的适应度函数；求解极大值时，所述适应度函数设置为目标函数与适当小的正数之和；求解极小值时，所述适应度函数设置为充分大的正数与目标函数之差；

所述步骤(4)中，采用改进遗传算法对分布式电源的位置、容量进行优化具体为：

a.输入配电网初始结构信息，根据相关参数产生初始种群，设置染色体长度和最大迭代次数；在开始计算时，随机选择染色体构成一个初始种群；

b.使用适应度函数进行个体适应度评估，计算适应度值，对种群中所有个体的适应度值进行排序，选择适应度值较高的个体遗传到下一代，剔除适应度值较低的个体；

c.模仿自然界生物染色体基因重组，设置交叉概率pcross进行自适应交叉操作，就是对父代两个个体的部分基因进行交换，产生新的子代，提供个体多样性；

d.通过设置变异概率pmutation，对种群中的一些个体进行自适应变异操作，就是把染色体上的基因取反；

e.判断当前迭代次数是否达到最大迭代次数，如果是，则转向步骤f，否则转向步骤b；

f.输出最优解；

所述交叉概率pcross具体为：

所述变异概率pmutation具体为：

其中，gen为当前迭代次数，maxgen为最大迭代次数。

2.基于改进遗传算法的分布式电源选址定容优化***，其特征在于，包括：

用于采集当地配电设备以及分布式电源数据的数据采集装置；

用于搭建基于OpenDSS的分布式电源模型和含分布式电源的配电网仿真模型的装置；

用于根据搭建的含分布式电源的配电网仿真模型进行仿真，得到配电网中各节点的电压、电流数据，进行潮流计算，得到接入分布式电源的配电网潮流分布的装置；

用于建立分布式电源并网的优化目标函数，并确定约束条件的装置；

用于对遗传操作参数进行编码，采用二进制编码进行个体的编码的装置；

用于采用改进遗传算法对分布式电源的位置、容量进行优化的装置；

其中，所述用于建立分布式电源并网的优化目标函数，并确定约束条件的装置具体包括：用于当构建的优化目标函数为多目标函数，对多目标进行归一化处理，归一化后的目标函数为改进遗传算法的适应度函数的装置；

所述用于采用改进遗传算法对分布式电源的位置、容量进行优化的装置具体包括：

用于输入配电网初始结构信息，根据相关参数产生初始种群，设置染色体长度和最大迭代次数；在开始计算时，随机选择染色体构成一个初始种群的装置；

用于使用适应度函数进行个体适应度评估，计算适应度值，对种群中所有个体的适应度值进行排序，选择适应度值较高的个体遗传到下一代，剔除适应度值较低的个体的装置；

用于模仿自然界生物染色体基因重组，设置交叉概率pcross进行自适应交叉操作，就是对父代两个个体的部分基因进行交换，产生新的子代的装置；

用于通过设置变异概率pmutation，对种群中的一些个体进行自适应变异操作，就是把染色体上的基因取反的装置；

用于判断当前迭代次数是否达到最大迭代次数的装置；

用于输出最优解的装置；

所述交叉概率pcross具体为：

所述变异概率pmutation具体为：

其中，gen为当前迭代次数，maxgen为最大迭代次数。

Images