CN109390971A - 一种基于门当户对遗传算法的配电网多目标主动重构方法 - Google Patents
一种基于门当户对遗传算法的配电网多目标主动重构方法 Download PDFInfo
- Publication number
- CN109390971A CN109390971A CN201811318328.2A CN201811318328A CN109390971A CN 109390971 A CN109390971 A CN 109390971A CN 201811318328 A CN201811318328 A CN 201811318328A CN 109390971 A CN109390971 A CN 109390971A
- Authority
- CN
- China
- Prior art keywords
- factor
- distribution network
- distributed generation
- generation resource
- 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.)
- Granted
Links
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
- 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
- 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
-
- 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
-
- 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
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于门当户对遗传算法的配电网多目标主动重构方法,首先,将功率损耗、电压偏移和***稳定裕度等指标融合到目标函数中,并引入判断矩阵法和线性加权法确定各个指标的权重和实现多目标函数的转化;其次,针对传统遗传算法的弊端,提出了基于“门当户对”原则的多种染色体交叉策略,丰富了种群进化方式的多样性,算法计算效率和寻优能力得到大大加强;最后通过设定临界值,实现主动配电网的自我感知和主动重构,提高配电网安全性和稳定性。仿真算例表明,本发明提出的模型和算法以及主动重构的理念符合当前主动配电网主动运行和主动控制的思路,具有较为广泛的应用前景。
Description
技术领域
本发明属于配电网技术领域,具体涉及一种基于门当户对遗传算法的配电网多目标主动重构方法。
背景技术
配电网是直接面向用户,连接输电***和负荷的重要环节,是保障供电质量,提高电网运行效率的关键。配电网的重构可以有效降低***的网损、提高***可靠性和安全运行水平,对于当前主动配电网建设具有重要意义。
近年来国内外学者对配电网重构展开了大量的分析研究,取得了一系列的研究成果:(1)在重构模型构建方面,大部分研究都以有功网损最小为目标函数,未兼顾***的电压水平、负荷平衡以及可靠性等因素。另一方面,已有的配电网重构研究无论是正常情况下以网损最小而做出的网络结构优化还是故障情况下的重构往往是被动地,没有体现预告和主动性,不符合当今主动配电网的发展趋势;(2)在求解算法分析方面,配电网重构的方法主要有分支定界法、支路交换法、最优流模式法、模拟退火法、遗传算法、粒子群算法等。其中,分支定界法面对大规模配电网计算量太大而难以奏效,支路交换法配电网重构的结果与配电网的初始结构有关,不能保证全局最优,最优流模式法经两次环网潮流计算才能确定一个开关的断合,计算量大,算法编程较复杂。启发式算法有搜索效率低、难以收敛全局最优解的问题;3)在分布式电源的处理方式方面,大部分研究将其看成是PQ型分布式电源来处理,对分布式电源的不确定性和波动性对配电网重构的影响分析不够全面和深入。
发明内容
针对上述现有技术中描述的不足,本发明提供一种基于门当户对遗传算法的配电网多目标主动重构方法。
为解决上述技术问题,本发明所采用的技术方案如下:
一种基于门当户对遗传算法的配电网多目标主动重构方法,步骤如下:
S1,建立多目标函数。
所述多目标函数,包括有功损耗最小的目标函数f1、电压偏移最小的目标函数f2和电压稳定裕度最小的目标函数f3。
S1.1,构建有功损耗最小的目标函数f1:
式中,f1为配电网有功损耗;N为配电网支路总数;kz表示支路开关状态,kz为0表示支路断开,kz为1表示支路闭合;Rz为支路z的电阻;Pz为支路z末端流过的有功功率;Qz为支路z末端流过的无功功率;Uz为支路末端节点电压。
S1.2,构建电压偏移最小的目标函数f2:
式中,f2为电压偏移之和;M为节点个数;Uj为节点j的电压值,UN为线路额定电压值。
S1.3,构建电压稳定裕度最小的目标函数f3,电压稳定性是衡量电网安全性与可靠性的重要指标。配电网潮流解存在性的电压稳定判据如下:
f3=min max(L1,L2,...,LN) (4);
式中,Lij为支路ij的电压稳定指标;Pj流入支路节点j的有功功率;Qj为流入支路节点j的无功功率;Rij为支路ij的电阻;Xij为支路ij的电抗;Ui为节点i的电压值;f3为电压稳定裕度指标,f3越小***越稳定。
S2,构建多目标函数的约束条件。
配电***网络重构应该同时满足以下约束条件,所述约束条件,包括配电网的潮流约束、网络拓扑约束、配电网电压电流约束和分布式电源的出力约束。
S2.1,获取配电网的潮流约束。
S2.2,获得网络拓扑约束gk;
gk∈G;
gk为重构后网络拓扑结构,G为所有可行的辐射状网络结构的集合。
S2.3,构建配电网电压电流约束。
式中,Uj min和Uj max为节点j电压的下限和上限,Ij max为节点j电流的上限。
S2.4,获得分布式电源的出力约束。
PDGj max表示分布式电源出力最大值;Pload,j表示节点j负荷;nDG表示含分布式电源的节点数;PDGj表示节点j的分布式电源出力;n表示节点数;j表示节点编号。
分布式电源总出力一般不超过总负荷的25%;各节点处分布式电源受其出力上、下限的限制。
S3,构建分布式电源的模型。
所述分布式电源包括PQ型分布式电源、PV型分布式电源和PQ(V)型分布式电源。
S3.1,构建PQ型分布式电源的模型。
采用功率因数控制的分布式电源作为PQ型分布式电源,在潮流计算中认为是负的负荷视为PQ节点来进行处理;
式中,Pj流入支路节点j的有功功率;Qj为流入支路节点j的无功功率;Ps表示PQ型分布式电源有功功率;Qs表示PQ型分布式电源无功功率;
S3.2,构建PV型分布式电源的模型。
微型燃气轮机以及燃料电池并网输出恒定的电压,输出可控的有功功率,将其视为PV型分布式电源,对于PV型分布式电源,把有功功率和电压看成是恒定,每次迭代过程中通过电压偏差来修正无功功率;
式中,Pj流入支路节点j的有功功率;Ps表示PV型分布式电源有功功率;U表示节点电压;Us表示PV型分布式电源电压;Qj t+1表示t+1次迭代时PV型分布式电源注入无功功率;Qj t表示t次迭代时PV型分布式电源注入无功功率;t为迭代次数,f(ΔUt)为第t次迭代的无功修正量;f(ΔUt-1)为第t-1次迭代的无功修正量;Qj t-1表示t-1次迭代时PV型分布式电源注入无功功率;为无功功率的上限;为无功功率下限。
S3.3,构建PQ(V)型分布式电源的模型。
定速恒频的异步风力发电机,由于本身没有励磁装置,靠电网的同步发电机为其提供励磁电流,在潮流计算中认为输出恒定的有功功率,吸收的无功功率满足以下关系:
式中,xm为励磁电抗,x为发电机定子与转子电抗之和。
S4,将多目标函数转换为单目标函数。
多目标问题可以只保留一个目标函数,将其他子目标函数以约束条件的形式加以体现,但这种做法往往会产生一系列的不可行解,本发明采用判断矩阵法确定权重并通过线性加权法将多目标函数转化为容易求解的单目标函数,表达式如下:
F=min(c1f1'+c2f2'+c3f3') (11);
式中,c1,c2,c3是权重,f1',f2',f3'是归一化后的值,目的是为了消除数量级以及量纲不同对结果的影响。
而权重的获取是通过判断矩阵法;判断矩阵法的核心是依据决策者或者专家的经验构建判断矩阵,用aij表示第i个因素相对于第j个因素的比较结果,判断矩阵表示如下:
其中,
决策者或者专家根据第i个因素与第j个因素的重要程度进行赋值;
当第i个因素与第j个因素一样重要时,权重为1;
当第i个因素相对第j个因素位于一样重要和稍微重要之间时,权重为2;
当第i个因素比第j个因素稍微重要时,权重为3;
当第i个因素相对第j个因素位于稍微重要和明显重要之间时,权重为4;
当第i个因素比第j个因素明显重要时,权重为5;
当第i个因素相对第j个因素位于明显重要和强烈重要之间时,权重为6;
当第i个因素比第j个因素强烈重要时,权重为7;
当第i个因素相对第j个因素位于强烈重要和极端重要之间时,权重为8;
当第i个因素比第j个因素极端重要时,权重为9;
对本发明中有功损耗、电压偏移和电压稳定裕度指标构建判断矩阵如下:
经过矩阵处理后,得到各目标权重向量为C=[0.4934 0.1958 0.3108]。
S5,进行配电网主动重构。
S5.1,利用蒙特卡洛法初始化种群,并计算初始种群的适应度函数。
S5.2,设定一个随机数,并将随机数与单点交叉概率pc1进行比较,若随机数小于单点交叉概率pc1则进行单点交叉,否则,进行多点交叉;并且在交叉操作过程中以门当户对原则选择交叉个体。
所述的门当户对原则是目标函数值大的跟大的配对,目标函数值小的跟小的配对。
所述单点交叉,设定闭合配电网全部开关后有n个环网,随机从染色体库中收取两个父代的染色体:
father=w1w2...wn,mother=e1e2...en。
随机地选取交叉位置t,将两个父代的染色***置t之后的部分基因进行交换:
所述多点交叉,设定闭合全部开关后有n个环网,在交叉过程中以门当户对的原则从染色体库中收取两个目标函数值相近的染色体:
father=w1w2...wn,mother=e1e2...en。
随机地选取交叉位置t1和t2,将两个父代染色体中t1和t2之间的部分染色体交换:
S5.3,设定另一个随机数,并将随机数与多变异概率pc2进行比较,若随机数小于多变异概率pc2,则进行单点变异,否则,进行下一步。
所述单点变异,随机选一个染色体变异的位置t1,从对应环网中随机抽取一个支路替代原来t1位置的基因:
S5.4,检验新产生的染色体是否满足拓扑结构约束,不满足的话进行个体校正。
S5.5,计算校正后个体的适应度。
S5.6,判断是否达到最大进化次数,若达到则输出结果,否则返回步骤S5.2。
本发明首先,将功率损耗、电压偏移和***稳定裕度等指标融合到目标函数中,并引入判断矩阵法和线性加权法确定各个指标的权重和实现多目标函数的转化;其次,针对传统遗传算法的弊端,提出了基于“门当户对”原则的多种染色体交叉策略,丰富了种群进化方式的多样性,算法计算效率和寻优能力得到大大加强;最后通过设定临界值,实现主动配电网的自我感知和主动重构,提高配电网安全性和稳定性。仿真算例表明,本发明提出的模型和算法以及主动重构的理念符合当前主动配电网主动运行和主动控制的思路,具有较为广泛的应用前景。
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,下面描述中的附图仅仅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为本发明的配电网重构流程图。
图2为本发明仿真用含DG的33节点配电***图。
图3为本发明重构前后节点电压对比示意图。
图4为本发明在线计算变化的目标函数值。
图5为本发明目标函数随开关操作次数的变化趋势。
具体实施方式
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,所描述的实施例仅仅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付出创造性劳动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。
一种基于门当户对遗传算法的配电网多目标主动重构方法,步骤如下:
S1,建立多目标函数。
所述多目标函数,包括有功损耗最小的目标函数f1、电压偏移最小的目标函数f2和电压稳定裕度最小的目标函数f3。
S1.1,构建有功损耗最小的目标函数f1:
式中,f1为配电网有功损耗;N为配电网支路总数;kz表示支路开关状态,kz为0表示支路断开,kz为1表示支路闭合;Rz为支路z的电阻;Pz为支路z末端流过的有功功率;Qz为支路z末端流过的无功功率;Uz为支路末端节点电压。
S1.2,构建电压偏移最小的目标函数f2:
式中,f2为电压偏移之和;M为节点个数;Uj为节点j的电压值,UN为线路额定电压值。
S1.3,构建电压稳定裕度最小的目标函数f3,电压稳定性是衡量电网安全性与可靠性的重要指标。配电网潮流解存在性的电压稳定判据如下:
f3=min max(L1,L2,...,LN) (4);
式中,Lij为支路ij的电压稳定指标;Pj流入支路节点j的有功功率;Qj为流入支路节点j的无功功率;Rij为支路ij的电阻;Xij为支路ij的电抗;Ui为节点i的电压;f3为电压稳定裕度指标,f3越小***越稳定。
S2,构建多目标函数的约束条件。
配电***网络重构应该同时满足以下约束条件,所述约束条件,包括配电网的潮流约束、网络拓扑约束、配电网电压电流约束和分布式电源的出力约束。
S2.1,获取配电网的潮流约束。
S2.2,获得网络拓扑约束gk;
gk∈G;
gk为重构后网络拓扑结构,G为所有可行的辐射状网络结构的集合。
S2.3,构建配电网电压电流约束。
式中,Uj min和Uj max为节点j电压的下限和上限,Ij max为节点j电流的上限。
S2.4,获得分布式电源的出力约束。
PDGj max表示分布式电源出力最大值;Pload,j表示节点j负荷;nDG表示含分布式电源的节点数;PDGj表示节点j的分布式电源出力;n表示节点数;j表示节点编号。
分布式电源总出力一般不超过总负荷的25%;各节点处分布式电源受其出力上、下限的限制。
S3,构建分布式电源的模型。
所述分布式电源包括PQ型分布式电源、PV型分布式电源和PQ(V)型分布式电源。
S3.1,构建PQ型分布式电源的模型。
采用功率因数控制的分布式电源作为PQ型分布式电源,在潮流计算中认为是负的负荷视为PQ节点来进行处理;
式中,Pj流入支路节点j的有功功率;Qj为流入支路节点j的无功功率;Ps表示PQ型分布式电源有功功率;Qs表示PQ型分布式电源无功功率。
S3.2,构建PV型分布式电源的模型。
微型燃气轮机以及燃料电池并网输出恒定的电压,输出可控的有功功率,将其视为PV型分布式电源,对于PV型分布式电源,把有功功率和电压看成是恒定,每次迭代过程中通过电压偏差来修正无功功率;
式中,Pj流入支路节点j的有功功率;Ps表示PV型分布式电源有功功率;U表示节点电压;Us表示PV型分布式电源电压;Qj t+1表示t+1次迭代时PV型分布式电源注入无功功率;Qj t表示t次迭代时PV型分布式电源注入无功功率;t为迭代次数,f(ΔUt)为第t次迭代的无功修正量;f(ΔUt-1)为第t-1次迭代的无功修正量;Qj t-1表示t-1次迭代时PV型分布式电源注入无功功率;为无功功率的上限;为无功功率下限。
S3.3,构建PQ(V)型分布式电源的模型。
定速恒频的异步风力发电机,由于本身没有励磁装置,靠电网的同步发电机为其提供励磁电流,在潮流计算中认为输出恒定的有功功率,吸收的无功功率满足以下关系:
式中,xm为励磁电抗,x为发电机定子与转子电抗之和。
S4,将多目标函数转换为单目标函数。
多目标问题可以只保留一个目标函数,将其他子目标函数以约束条件的形式加以体现,但这种做法往往会产生一系列的不可行解,本发明采用判断矩阵法确定权重并通过线性加权法将多目标函数转化为容易求解的单目标函数,表达式如下:
F=min(c1f1'+c2f2'+c3f3') (11);
式中,c1,c2,c3是权重,f1',f2',f3'是归一化后的值,目的是为了消除数量级以及量纲不同对结果的影响。
而权重的获取是通过判断矩阵法;判断矩阵法的核心是依据决策者或者专家的经验构建判断矩阵,用aij表示第i个因素相对于第j个因素的比较结果,判断矩阵表示如下:
其中,
决策者或者专家根据第i个因素与第j个因素的重要程度进行赋值:
当第i个因素与第j个因素一样重要时,权重为1;
当第i个因素相对第j个因素位于一样重要和稍微重要之间时,权重为2;
当第i个因素比第j个因素稍微重要时,权重为3;
当第i个因素相对第j个因素位于稍微重要和明显重要之间时,权重为4;
当第i个因素比第j个因素明显重要时,权重为5;
当第i个因素相对第j个因素位于明显重要和强烈重要之间时,权重为6;
当第i个因素比第j个因素强烈重要时,权重为7;
当第i个因素相对第j个因素位于强烈重要和极端重要之间时,权重为8;
当第i个因素比第j个因素极端重要时,权重为9;
具体如表1所示:
表1判断矩阵形成准则
尺度 | 含义 |
1 | 第i个因素与第j个因素的一样重要 |
3 | 第i个因素与第j个因素的稍微重要 |
5 | 第i个因素与第j个因素的明显重要 |
7 | 第i个因素与第j个因素的强烈重要 |
9 | 第i个因素与第j个因素的极端重要 |
注:2,4,6,8表示第i个因素相对于第j个因素的重要性介于两个相邻等级之间。
对本发明中有功损耗、电压偏移和电压稳定裕度指标构建判断矩阵如下:
经过矩阵处理后,得到各目标权重向量为C=[0.4934 0.1958 0.3108]。
S5,进行配电网主动重构。
S5.1,利用蒙特卡洛法初始化种群,并计算初始种群的适应度函数。
S5.2,设定一个随机数,并将随机数与单点交叉概率pc1进行比较,若随机数小于单点交叉概率pc1则进行单点交叉,否则,进行多点交叉;并且在交叉操作过程中以门当户对原则选择交叉个体。本发明将提出多种交叉算子,保证交叉更多的基因,解决基于单点交叉的早熟问题。
所述的门当户对原则是目标函数值大的跟大的配对,目标函数值小的跟小的配对。
所述单点交叉,设定闭合配电网全部开关后有n个环网,随机从染色体库中收取两个父代的染色体:
father=w1w2...wn,mother=e1e2...en。
随机地选取交叉位置t,将两个父代的染色***置t之后的部分基因进行交换:
所述多点交叉,设定闭合全部开关后有n个环网,在交叉过程中以门当户对的原则从染色体库中收取两个目标函数值相近的染色体:
father=w1w2...wn,mother=e1e2...en。
随机地选取交叉位置t1和t2,将两个父代染色体中t1和t2之间的部分染色体交换:
S5.3,设定另一个随机数,并将随机数与多变异概率pc2进行比较,若随机数小于多变异概率pc2,则进行单点变异,否则,进行下一步。
所述单点变异,随机选一个染色体变异的位置t1,从对应环网中随机抽取一个支路替代原来t1位置的基因:
就变异而言,采用单点变异能保证算法的收敛精度,削弱交叉强度过大而产生寻优抖振问题。
S5.4,检验新产生的染色体是否满足拓扑结构约束,不满足的话进行个体校正。
S5.5,计算校正后个体的适应度。
S5.6,判断是否达到最大进化次数,若达到则输出结果,否则返回步骤S5.2。
本发明将3种类型的分布式电源共3个分别接入到IEEE33节点配电***中,其拓扑结构如图2所示。1为平衡节点,基准功率为10MVA,平衡节点电压为10.5kV,基准电压为10kV。DG参数如表2所示。
表2接入的DG参数表
首先对某个时刻的负荷水平,评估DG接入对配电网的影响,并考虑有功损耗、电压偏移和电压稳定裕度等因素对含不同类型的DG配电网主动重构。重构前,DG接入前后的网络状态如表3所示。
表3重构前网络状态
从表3看出分别单独接入一定容量的PQ型和PQ(V)型分布式电源使得网损下降、电压偏减小、电压稳定裕度指标下降。PV型分布式电源单独接入虽能下降一定的网损,却使得网络的电压偏移和电压稳定裕度指标上升,不利于配电网的安全性。综合接入一定容量的3种分布式电源使得网损下降、电压偏移和电压稳定裕度指标减小。
设置初始种群数为200,基因长度等于环网数为5位,单点交叉的概率pc1=0.5,多点交叉的概率pc2=0.5,变异概率pb=0.1,最大进化代数为200次。重构前后网络状态如表4和图3所示。
表4重构后网络状态
从表4可以看出,重构之后网损大大减小,同时,仿真模型的电压偏移和电压稳定裕度指标得到了明显的下降,这表明本文提出的配电网重构模型能够显著提升***的经济性和可靠性。另外,从图3也可以看出重构后***的节点最低电压上升,电压分布较为均匀,改善了全网电压分布。
为验证本文提出的改进遗传算法的性能,本文对遗传算法改进前后依次测试50次,得到的结果如表5所示。
表5传统遗传算法和改进遗传算法的比较
从表5可以看出,提出的门当户对遗传算法和传统遗传算法都能得到准确的结果,但本文提出的算法无论是寻优的精度还是收敛速度都优于传统遗传算法,且算法的稳定性也比传统遗传算法得到了加强,这是因为引入了多种交叉策略,丰富了生物进化的多样性,使得遗传算法的搜索能力和稳定性能得到了提升。
仍以IEEE33节点配电***作为算例。将一天分为24个时刻,全程监控网络拓扑结构及负荷水平的变化并计算目标函数值。基于本发明构建的重构目标函数和门当户对遗传算法,将主动重构的目标函数临界值设定为2(根据不同的拓扑结构和配电网运行特征进行设定)。显然,当计算得到的目标函数值大于设定临界值的时候,配电网主动进行重构寻优以改善当前配电网运行状态。一般而言,在主动重构的策略中,如果不设定开关的关断次数,配电网将会主动重构到目标函数最优的运行状态,为了更好的切合配电网运行的实际情况,以开关的关断次数为依据,本文设定了6种不同的重构方案。在此条件下,得出在24小时的时间内,6种重构方案的对比情况如图4所示。
从图4可以看出,如果配电网没有主动重构能力(也就是方案1的情况)***在9h、12h和20h这3个时刻的目标函数值都大于临界值2,不利于配电网的安全经济可靠性运行。如果配电网具备主动重构能力,在9h时刻监控***反馈网络运行状态,并计算出目标函数值已经超过临界值,配电网会在该时刻主动进行重构寻优。在经过一次重构后,后续的运行时间内目标函数值均低于设定的阈值,这说明***运行在安全经济的区间内,随着设定开关次数的增加,***会不停的进行重构优化,直到满足最优的运行状态。6种不同重构方案的目标函数值对比情况如表6所示。
表6不同主动重构方案的比较
从表6中可以得出以下的结论:(1)随着开关动作次数的增多,配电网将会主动重构到最优的运行状态,这体现在24小时内,目标函数的总和值越来越小;(2)三个子目标函数的最优结果是互相矛盾的,因此在多目标进行重构时,应结合配电网当前的运行状态和重构目的进行开关的动作;(3)当配电网的运行状态超过设定的阈值时,将会有多种可行的重构方案,为确定最优的重构方案,需要对计及开关动作次数的重构方案进行比较,得出的多种重构方案的对比示意图如图5所示。
从图5可以看出,随着开关操作次数的增加,重构后目标函数下降,对应的目标函数的灵敏度也在发生变化,从经济的角度考虑应该找到斜率变化最大又能满足***安全性的点。在本文所用的仿真模型中,方案2最佳,既只通过不同开关的一次关断和闭合就可以达到配电网最优的重构方案。
综上所述,本发明具有以下特点:
(1)本发明在考虑有功损耗、电压偏移和电压稳定裕度等多个因素的基础上提出一种含多种分布式电源的主动配电网重构模型,并将改进的遗传算法引入主动配电网重构问题中,满足了含不同类型分布式电源配电网优化问题的重构需求。
(2)针对遗传算法在配电网重构求解方面存在的典型问题,引入门当户对的原则对交叉策略和配对方案进行了改进,并通过仿真算例验证了改进的遗传算法在收敛速度和收敛精度方面的优势。
(3)基于改进遗传算法和当前配电网的智能化水平,提出含分布式电源的多目标配电网主动重构策略,通过设定目标函数的阈值,让配电网主动进行重构,以满足主动配电网灵活性、自适应性的发展要求。
上面所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (8)
1.一种基于门当户对遗传算法的配电网多目标主动重构方法,其特征在于,步骤如下:
S1,建立多目标函数;
所述多目标函数,包括有功损耗最小的目标函数f1、电压偏移最小的目标函数f2和电压稳定裕度最小的目标函数f3;
S2,构建多目标函数的约束条件;
所述约束条件,包括配电网的潮流约束、网络拓扑约束、配电网电压电流约束和分布式电源的出力约束;
S3,构建分布式电源的模型;
所述分布式电源包括PQ型分布式电源、PV型分布式电源和PQ(V)型分布式电源;
S4,将多目标函数转换为单目标函数;
采用判断矩阵法确定权重并通过线性加权法将多目标函数转化为容易求解的单目标函数,表达式如下:
F=min(c1f1'+c2f2'+c3f3') (11);
式中,c1,c2,c3是权重,f1',f2',f3'是归一化后的值;
S5,进行配电网主动重构。
2.根据权利要求1所述的基于门当户对遗传算法的配电网多目标主动重构方法,其特征在于,在步骤S1中,具体步骤如下:
S1.1,构建有功损耗最小的目标函数f1:
式中,f1为配电网有功损耗;N为配电网支路总数;kz表示支路开关状态,kz为0表示支路断开,kz为1表示支路闭合;Rz为支路z的电阻;Pz为支路z末端流过的有功功率;Qz为支路z末端流过的无功功率;Uz为支路末端节点电压;
S1.2,构建电压偏移最小的目标函数f2:
式中,f2为电压偏移之和;M为节点个数;Uj为节点j的电压值,UN为线路额定电压值;
S1.3,构建电压稳定裕度最小的目标函数f3:
f3=minmax(L1,L2,...,LN) (4);
式中,Lij为支路ij的电压稳定指标;Pj流入支路节点j的有功功率;Qj为流入支路节点j的无功功率;Rij为支路ij的电阻;Xij为支路ij的电抗;Ui为节点i的电压值;f3为电压稳定裕度指标。
3.根据权利要求1所述的基于门当户对遗传算法的配电网多目标主动重构方法,其特征在于,在步骤S2中,具体步骤如下:
S2.1,获取配电网的潮流约束;
S2.2,获得网络拓扑约束gk;
gk∈G;
gk为重构后网络拓扑结构,G为所有可行的辐射状网络结构的集合;
S2.3,构建配电网电压电流约束;
式中,Ujmin和Ujmax为节点j电压的下限和上限,Ijmax为节点j电流的上限;
S2.4,获得分布式电源的出力约束;
PDGjmax表示分布式电源出力最大值;Pload,j表示节点j负荷;nDG表示含分布式电源的节点数;PDGj表示节点j的分布式电源出力;n表示节点数;j表示节点编号。
4.根据权利要求1所述的基于门当户对遗传算法的配电网多目标主动重构方法,其特征在于,在步骤S3中,具体步骤如下:
S3.1,构建PQ型分布式电源的模型;
采用功率因数控制的分布式电源作为PQ型分布式电源,在潮流计算中认为是负的负荷视为PQ节点来进行处理;
式中,Pj表示流出支路节点j的有功功率;Qj表示流出支路节点j的无功功率;Ps表示PQ型分布式电源有功功率;Qs表示PQ型分布式电源无功功率;
S3.2,构建PV型分布式电源的模型;
微型燃气轮机以及燃料电池并网输出恒定的电压,输出可控的有功功率,将其视为PV型分布式电源,对于PV型分布式电源,把有功功率和电压看成是恒定,每次迭代过程中通过电压偏差来修正无功功率;
式中,Pj流出支路节点j的有功功率;Ps表示PV型分布式电源有功功率;U表示节点电压;Us表示PV型分布式电源电压;Qj t+1表示t+1次迭代时PV型分布式电源注入无功功率;Qj t表示t次迭代时PV型分布式电源注入无功功率;t为迭代次数,f(ΔUt)为第t次迭代的无功修正量;f(ΔUt-1)为第t-1次迭代的无功修正量;Qj t-1表示t-1次迭代时PV型分布式电源注入无功功率;为无功功率的上限;为无功功率下限;
S3.3,构建PQ(V)型分布式电源的模型;
定速恒频的异步风力发电机,由于本身没有励磁装置,靠电网的同步发电机为其提供励磁电流,在潮流计算中认为输出恒定的有功功率,吸收的无功功率满足以下关系:
式中,xm为励磁电抗,x为发电机定子与转子电抗之和。
5.根据权利要求1所述的基于门当户对遗传算法的配电网多目标主动重构方法,其特征在于,在步骤S4中,所述判断矩阵法的核心是依据决策者或者专家的经验构建判断矩阵,用aij表示第i个因素相对于第j个因素的比较结果,判断矩阵表示如下:
其中,
决策者或者专家根据第i个因素与第j个因素的重要程度对aij进行赋值;
当第i个因素与第j个因素一样重要时,权重为1;
当第i个因素相对第j个因素位于一样重要和稍微重要之间时,权重为2;
当第i个因素比第j个因素稍微重要时,权重为3;
当第i个因素相对第j个因素位于稍微重要和明显重要之间时,权重为4;
当第i个因素比第j个因素明显重要时,权重为5;
当第i个因素相对第j个因素位于明显重要和强烈重要之间时,权重为6;
当第i个因素比第j个因素强烈重要时,权重为7;
当第i个因素相对第j个因素位于强烈重要和极端重要之间时,权重为8;
当第i个因素比第j个因素极端重要时,权重为9。
6.根据权利要求1所述的基于门当户对遗传算法的配电网多目标主动重构方法,其特征在于,在步骤S5中,具体步骤如下:
S5.1,利用蒙特卡洛法初始化种群,并计算初始种群的适应度函数;
S5.2,设定一个随机数,并将随机数与单点交叉概率pc1进行比较,若随机数小于单点交叉概率pc1则进行单点交叉,否则,进行多点交叉;并且在交叉操作过程中以门当户对原则选择交叉个体;
S5.3,设定另一个随机数,并将随机数与多变异概率pc2进行比较,若随机数小于多变异概率pc2,则进行单点变异,否则,进行下一步;
S5.4,检验新产生的染色体是否满足拓扑结构约束,不满足的话进行个体校正;
S5.5,计算校正后个体的适应度;
S5.6,判断是否达到最大进化次数,若达到则输出结果,否则返回步骤S5.2。
7.根据权利要求1所述的基于门当户对遗传算法的配电网多目标主动重构方法,其特征在于,在步骤S5.2中,所述的门当户对原则是目标函数值大的跟大的配对,目标函数值小的跟小的配对;
所述单点交叉,设定闭合配电网全部开关后有n个环网,随机从染色体库中收取两个父代的染色体:
father=w1w2...wn,mother=e1e2...en;
随机地选取交叉位置t,将两个父代的染色***置t之后的部分基因进行交换:
所述多点交叉,设定闭合全部开关后有n个环网,在交叉过程中以门当户对的原则从染色体库中收取两个目标函数值相近的染色体:
father=w1w2...wn,mother=e1e2...en;
随机地选取交叉位置t1和t2,将两个父代染色体中t1和t2之间的部分染色体交换:
8.根据权利要求1所述的基于门当户对遗传算法的配电网多目标主动重构方法,其特征在于,在步骤S5.3中,所述单点变异,随机选一个染色体变异的位置t1,从对应环网中随机抽取一个支路替代原来t1位置的基因:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811318328.2A CN109390971B (zh) | 2018-11-07 | 2018-11-07 | 一种基于门当户对遗传算法的配电网多目标主动重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811318328.2A CN109390971B (zh) | 2018-11-07 | 2018-11-07 | 一种基于门当户对遗传算法的配电网多目标主动重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109390971A true CN109390971A (zh) | 2019-02-26 |
CN109390971B CN109390971B (zh) | 2021-02-26 |
Family
ID=65428524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811318328.2A Active CN109390971B (zh) | 2018-11-07 | 2018-11-07 | 一种基于门当户对遗传算法的配电网多目标主动重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109390971B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154847A (zh) * | 2021-11-30 | 2022-03-08 | 上海建工四建集团有限公司 | 一种工程施工方案的确定方法、装置、客户端和存储介质 |
CN115423351A (zh) * | 2022-09-21 | 2022-12-02 | 国网山东省电力公司淄博供电公司 | 基于层次分析法和遗传算法的配电网多目标主动重构方法 |
CN116187723A (zh) * | 2023-04-26 | 2023-05-30 | 佰聆数据股份有限公司 | 应用于配电线路降损场景下的资源调度方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103066593A (zh) * | 2012-12-20 | 2013-04-24 | 河海大学 | 含多类型分布式电源的弱环配电网三相潮流计算方法 |
CN103779861A (zh) * | 2013-12-30 | 2014-05-07 | 天津大学 | 配电网主动重构策略及其预防控制方法 |
CN103956734A (zh) * | 2014-05-09 | 2014-07-30 | 深圳市海亿达能源科技股份有限公司 | 一种多目标电能质量综合控制与优化装置 |
CN103972908A (zh) * | 2014-05-23 | 2014-08-06 | 国家电网公司 | 一种基于自适应混沌粒子群算法的多目标无功优化方法 |
CN104362623A (zh) * | 2014-11-10 | 2015-02-18 | 国家电网公司 | 一种适用于主动配电网的多目标网络重构方法 |
US20170025858A1 (en) * | 2013-11-28 | 2017-01-26 | Vestas Wind Systems A/S | Reconfiguration of the reactive power loop of a wind power plant |
CN106602557A (zh) * | 2017-02-24 | 2017-04-26 | 三峡大学 | 一种含电动汽车的主动配电网多时段优化重构方法 |
CN108134401A (zh) * | 2017-12-19 | 2018-06-08 | 东北电力大学 | 交直流混合***多目标潮流优化及控制方法 |
-
2018
- 2018-11-07 CN CN201811318328.2A patent/CN109390971B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103066593A (zh) * | 2012-12-20 | 2013-04-24 | 河海大学 | 含多类型分布式电源的弱环配电网三相潮流计算方法 |
US20170025858A1 (en) * | 2013-11-28 | 2017-01-26 | Vestas Wind Systems A/S | Reconfiguration of the reactive power loop of a wind power plant |
CN103779861A (zh) * | 2013-12-30 | 2014-05-07 | 天津大学 | 配电网主动重构策略及其预防控制方法 |
CN103956734A (zh) * | 2014-05-09 | 2014-07-30 | 深圳市海亿达能源科技股份有限公司 | 一种多目标电能质量综合控制与优化装置 |
CN103972908A (zh) * | 2014-05-23 | 2014-08-06 | 国家电网公司 | 一种基于自适应混沌粒子群算法的多目标无功优化方法 |
CN104362623A (zh) * | 2014-11-10 | 2015-02-18 | 国家电网公司 | 一种适用于主动配电网的多目标网络重构方法 |
CN106602557A (zh) * | 2017-02-24 | 2017-04-26 | 三峡大学 | 一种含电动汽车的主动配电网多时段优化重构方法 |
CN108134401A (zh) * | 2017-12-19 | 2018-06-08 | 东北电力大学 | 交直流混合***多目标潮流优化及控制方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154847A (zh) * | 2021-11-30 | 2022-03-08 | 上海建工四建集团有限公司 | 一种工程施工方案的确定方法、装置、客户端和存储介质 |
CN115423351A (zh) * | 2022-09-21 | 2022-12-02 | 国网山东省电力公司淄博供电公司 | 基于层次分析法和遗传算法的配电网多目标主动重构方法 |
CN116187723A (zh) * | 2023-04-26 | 2023-05-30 | 佰聆数据股份有限公司 | 应用于配电线路降损场景下的资源调度方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109390971B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | Multiscenario underfrequency load shedding in a microgrid consisting of intermittent renewables | |
CN106487005B (zh) | 一种考虑输配电价的电网规划方法 | |
Syahputra et al. | Reconfiguration of distribution network with DG using fuzzy multi-objective method | |
Syahputra | Fuzzy multi-objective approach for the improvement of distribution network efficiency by considering DG | |
Niknam et al. | Impact of thermal recovery and hydrogen production of fuel cell power plants on distribution feeder reconfiguration | |
CN107979092A (zh) | 一种考虑分布式电源与软开关接入的配电网动态重构方法 | |
CN104037765B (zh) | 基于改进遗传算法选取有源配电网供电恢复方案的方法 | |
CN105098762A (zh) | 一种含分布式电源配电网的孤岛划分方法 | |
CN109390971A (zh) | 一种基于门当户对遗传算法的配电网多目标主动重构方法 | |
CN104361403A (zh) | 一种分布式电源与微电网的优化分组配置方法 | |
CN104820864A (zh) | 含分布式电源的智能配电网全景故障恢复博弈方法 | |
CN109034587A (zh) | 一种协调多种可控单元的主动配电***优化调度方法 | |
CN109038545A (zh) | 一种基于差分进化入侵杂草算法的配电网重构方法 | |
Xiao et al. | Optimal sizing and siting of soft open point for improving the three phase unbalance of the distribution network | |
Zhang et al. | Service restoration based on dynamic programming | |
Wang et al. | New method of reactive power compensation for oilfield distribution network | |
Afzalan et al. | Optimal DG placement and sizing with PSO&HBMO algorithms in radial distribution networks | |
Mosbah et al. | Differential evolution method for optimal size and localization of photovoltaic in the Algerian transmission power system | |
Shu-jun et al. | Distribution network reconfiguration with distributed power based on genetic algorithm | |
Strbac et al. | A genetic based fuzzy approach to optimisation of electrical distribution networks | |
Wang et al. | Site selection and capacity determination of multi-types of dg in distribution network planning | |
Feipeng et al. | An Island Partition Method for New Distribution Network | |
Yang et al. | A new way of maximum injection power calculation of wind farms connected to power systems | |
Xie et al. | Active distribution network planning based on active management | |
CN117833374B (zh) | 基于随机游走算法的分布式灵活资源集群划分方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |