CN116093995A - 一种配电***多目标网络重构方法及*** - Google Patents
一种配电***多目标网络重构方法及*** Download PDFInfo
- Publication number
- CN116093995A CN116093995A CN202310207332.6A CN202310207332A CN116093995A CN 116093995 A CN116093995 A CN 116093995A CN 202310207332 A CN202310207332 A CN 202310207332A CN 116093995 A CN116093995 A CN 116093995A
- Authority
- CN
- China
- Prior art keywords
- individual
- energy storage
- objective
- power distribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 128
- 238000004146 energy storage Methods 0.000 claims abstract description 82
- 230000006870 function Effects 0.000 claims abstract description 74
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 45
- 230000009471 action Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 18
- 230000000739 chaotic effect Effects 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 239000000243 solution Substances 0.000 description 56
- 238000010586 diagram Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种配电***多目标网络重构方法及***,方法包括:获取配电网参数和储能参数;根据所述配电网参数和所述储能参数构建多目标优化模型,其中所述多目标优化模型在预设约束条件下以功率损耗最小、电压偏移量最小和储能运行成本最小为目标函数;对所述多目标优化模型进行求解得到Pareto解集;根据预设的最优折中解策略对所述Pareto解集进行筛选得到最优解,即得到重构策略。通过对网络损耗、电能质量、储能相关的损耗进行精细化综合建模,改进了APO算法,降低了网络重构的计算复杂度,提高了收敛性能,确保了种群的随机性,并对最终求解得到的Pareto解集进行了筛选,最终得到可靠的重构策略。
Description
技术领域
本发明属于配电***技术领域,尤其涉及一种配电***多目标网络重构方法及***。
背景技术
随着能源结构的不断转变,新的问题也在产生——高比例可再生能源的接入,带来了许多不确定因素,可能会造成输电网阻塞等后果。研究和实践表面:大规模储能***的接入可以有效缓解甚至解决新能源出力波动等问题。但是,对于多节点配电网而言,大规模储能***的接入造成了节点注入功率的变化,增加了求解电力***潮流的复杂度。
现有技术中,基于混合整数二次规划模型的优化方法在求解过程中,考虑所有网络结构进行逐一计算是可行的,最终比较得出最优解。但这种方式无疑是耗时耗力的。因此该模型采用了凸优化方法,降低数学模型复杂度,并且限制了切换开关动作的数量(开关动作亦会造成损耗),以寻求最优网损和合理切换开关次数之间的权衡。基于和声搜索算法的配电网重构方法的目的同样是求解最小网损与最有开关状态组合,采用随机搜索过程代替梯度搜索,消除了对衍生信息的需求,具有概念简单、参数少、易于实现等优点。通过设置原有参数、不断迭代更新状态,当符合最优解条件时,终止程序,从而获得答案。
但是,现有方法具体以下技术缺陷:1)、收敛到最优解的过程仍然较为缓慢,对于大规模配电网的求解不适用;2)、求解过程繁琐,一些条件被过于简化,可能会导致结果不准确等问题;3)大规模分布式储能的接入对于节点功率参数将产生较大的影响,且具有很高的不确定性,现有方法的优化目标缺乏对储能接入以及储能出力不确定性的考虑。
发明内容
本发明提供一种配电***多目标网络重构方法及***,用于解决大规模储能***的接入会造成节点注入功率变化,从而增加求解电力***潮流复杂度的技术问题。
第一方面,本发明提供一种配电***多目标网络重构方法,所述方法包括:
获取配电网参数和储能参数;
根据所述配电网参数和所述储能参数构建多目标优化模型,其中所述多目标优化模型在预设约束条件下以功率损耗最小、电压偏移量最小和储能运行成本最小为目标函数;
对所述多目标优化模型进行求解得到Pareto解集,其中求解得到Pareto解集包括:
基于Tent混沌映射和反向学习策略对种群进行初始化,其中,所述种群为所述目标函数中的自变量;
基于预设的质量函数计算规则将可行域内个体的个体质量限定在内,并与个体的序值建立直接映射,以及将不可行域内个体的个体质量限定在内,并与个体的约束违反度值建立直接映射,其中,所述质量函数计算规则为:
,
式中,为第i个个体的质量函数,为个体经过改进快速非支配排序后的序号,为种群规模,为个体i的约束违反值,为个体i的约束违反值的平均值;
基于预设作用规则对所述可行域和/或所述不可行域中的个体受到个体在第维上的虚拟力进行修正,使得到Pareto解集;
根据预设的最优折中解策略对所述Pareto解集进行筛选得到最优解,即得到重构策略。
第二方面,本发明提供一种配电***多目标网络重构***,所述***包括:
获取模块,配置为获取配电网参数和储能参数;
构建模块,配置为根据所述配电网参数和所述储能参数构建多目标优化模型,其中所述多目标优化模型在预设约束条件下以功率损耗最小、电压偏移量最小和储能运行成本最小为目标函数;
求解模块,配置为对所述多目标优化模型进行求解得到Pareto解集,其中求解得到Pareto解集包括:
基于Tent混沌映射和反向学习策略对种群进行初始化,其中,所述种群为所述目标函数中的自变量;
基于预设的质量函数计算规则将可行域内个体的个体质量限定在内,并与个体的序值建立直接映射,以及将不可行域内个体的个体质量限定在内,并与个体的约束违反度值建立直接映射,其中,所述质量函数计算规则为:
,
式中,为第i个个体的质量函数,为个体经过改进快速非支配排序后的序号,为种群规模,为个体i的约束违反值,为个体i的约束违反值的平均值;
基于预设作用规则对所述可行域和/或所述不可行域中的个体受到个体在第维上的虚拟力进行修正,使得到Pareto解集;
筛选模块,配置为根据预设的最优折中解策略对所述Pareto解集进行筛选得到最优解,即得到重构策略。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的配电***多目标网络重构方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的配电***多目标网络重构方法的步骤。
本申请的配电***多目标网络重构方法及***,具有以下有益效果:
1.将储能参数置入了目标函数,在确保电网潮流最优(网损最小、电能质量最佳)的同时,保证了储能调控运行的经济性;
2.通过 Tent 映射产生混沌序列,再通过反向学习得到最终的初始化种群;针对可行域与不可行域的个体,设计不同质量函数,将其与个体序号建立起直接映射,并对虚拟力作用规则也进行修正,使得算法具有良好的多样性和收敛性;
3.在分区引导种群进化的拟态物理学优化算法达到最大迭代次数后寻优,通过最优折中策略完成最优解的挑选,进行了满意度计算。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明一实施例提供的一种配电***多目标网络重构方法的流程图;
图2为本发明一实施例提供的一种配电***多目标网络重构***的结构框图;
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
请参阅图1,其示出了本申请的一种配电***多目标网络重构方法的流程图。
如图1所示,配电***多目标网络重构方法具体包括以下步骤:
步骤S101,获取配电网参数和储能参数。
在本实施例中,获取配电网络初始开关状态和拓扑结构,以及各个分段的线路阻抗参数、节点已知功率参数、电压参数、储能配置情况等,其中,假设储能的接入位置固定,在进行一次网络重构期间不能更改,变量仅仅是其充放电电量。
步骤S102,根据所述配电网参数和所述储能参数构建多目标优化模型,其中所述多目标优化模型在预设约束条件下以功率损耗最小、电压偏移量最小和储能运行成本最小为目标函数。
在本实施例中,配电网的功率损耗包括网损与开关状态转换损耗。故整个***的功率损耗可以表示为:
,
式中,为网损,为开关状态转换损耗、为母线i和母线j之间的有功功率,为母线i和母线j之间的无功功率,为动作开关数量,为线路ij的电阻值,为经历一次开关动作的损耗。
电压偏移量是表征电能质量的重要指标。电压偏移量的定义如下:
,
式中,为重构后节点j的电压,为节点的额定电压。对1类负荷、2类负荷、3类负荷就实际运行需要分别赋予不同的权重(,负荷重要等级越高,权重越大),该配电网的综合电能质量评估指标定义如下:
,
***共有N个节点,为1类负荷所在的节点电压,为2类负荷所在的节点电压,为3类负荷所在的节点电压,且。越小,表明电压总偏移量最小,电能质量最优。
储能的充放电成本可粗略表述如下:
,
式中,为储能单位功率的运行边际成本,为第i个储能装置在t时刻的充放电功率,其中,放电为正,充电为负。
储能的退化成本在其调用过程中亦不可忽略。经验表明:电池退化是一个非线性过程,可分为两部分。第一部分为日历老化,反映了储能随时间的固有退化,取决于电池的荷电状态和温度;第二部分为循环老化,是由每次充放电之间的循环导致,取决于循环次数、放电深度、充电状态、电池温度、电池当前寿命。
对储能的退化做线性化处理后,电池寿命的线性分量可以表述为荷电率、放电深度、温度、持续时间的函数。
综上,储能***(或电池)的退化成本为:
,
式中,为电池失去每千瓦时容量时的电池成本,为配网重构前的储能电池寿命,为配网重构后并在所预估运行一段时间后的储能电池寿命。
储能***运行成本:,
式中,为储能***的退化成本,为储能***的充放电成本。
需要说明的是,多目标优化模型的目标函数为:
,
式中,为功率损耗最小,为开关状态的集合,为动作开关数量,为重构后节点j的电压,为节点i与节点j之间的开关状态,为线路ij的电阻值,为经历一次开关动作的损耗,为母线i和母线j之间的有功功率,为母线i和母线j之间的无功功率,为配电网的电压偏移量最小,为1类负荷权重,为1类负荷所在的节点电压,为2类负荷权重,为2类负荷所在的节点电压,为3类负荷权重,为3类负荷所在的节点电压,为运行时段内储能的充放电成本最小,为第i个储能装置在t时刻的充放电功率,为配网重构前的储能电池寿命,为配网重构后并在所预估运行一段时间后的储能电池寿命,为储能***的退化成本,为储能***的充放电成本。
其中,预设约束条件的表达式为:
,
式中,为输电线路的传输下限,为母线i和母线j之间的有功功率,为输电线路的传输上限;
,
式中,为节点j的电压下限,为节点j的电压,为节点j的电压上限;
,
式中,为***在运行过程中的功率损耗,为第i个储能装置的负荷功率,为第i个储能装置的发电机功率,为第i个储能装置在t时刻的充放电功率,I为储能装置总数;
,
式中,为节点i与节点j之间的开关状态,为总节点数;
,
当功率从母线i流向j时,为1,为0;
,
式中,为变电所母线;
,
,
式中,为第i个储能装置在t时刻的充放电功率,为储能充放电功率的上限;
,
式中,为第i个储能装置的总充放电电量,为第i个储能装置在t时刻的充放电功率,为充放电持续时间;
,
式中,为储能容量的下限,为储能容量的上限。
步骤S103,对所述多目标优化模型进行求解得到Pareto解集。
在本实施例中,求解得到Pareto解集包括:基于Tent混沌映射和反向学习策略对种群进行初始化,其中,所述种群为所述目标函数中的自变量。
需要说明的是,采用Tent混沌映射和反向学习策略进行种群的初始化。
其中,Tent混沌映射的数学表达式为:
,
式中,为粒子的位置函数,为第t+1个粒子的位置,为第t个粒子的位置,当参数时,***处于混沌状态。
反向学习策略可以扩大算法搜索区域,目前已在很多智能优化算法中得到成功应用。将一维空间的反向点的概念拓展到多维空间,设为D维空间中的一点,,则其反向数为:
,
其中,为函数中自变量1,为函数中自变量2,为函数中自变量D,、、……、为反向数,为解的下限,为解的上限。
Tent混沌映射遍历性佳,效率高,首先利用混沌变量的遍历均匀性,在可行域中产生 Tent 混沌序列,利用 Tent混沌序列产生初始解,即根据,求出每个初始解 所对应的反向解,其中,为第i个解的下限,为第i个解的上限,为间的随机数。最后对两类解排序选择,将适应值较优的前个解作为初始种群的解。引入反向学习策略,可以扩大搜索区域,能够使算法全局搜索时更好地跳出局部最优,保持群体多样性,提高算法收敛速度,避免算法陷入早熟。
进一步地,基于预设的质量函数计算规则将可行域内个体的个体质量限定在内,并与个体的序值建立直接映射,以及将不可行域内个体的个体质量限定在内,并与个体的约束违反度值建立直接映射,其中,所述质量函数计算规则为:
,
式中,为第i个个体的质量函数,为个体经过改进快速非支配排序后的序号,为种群规模,为个体i的约束违反值,为个体i的约束违反值的平均值;
基于预设作用规则对所述可行域和/或所述不可行域中的个体受到个体在第维上的虚拟力进行修正,使得到Pareto解集;
进一步地,计算个体的约束违反度值的表达式为:
,
式中,为个体的约束违反度值,为第j个不等式约束,为第k个等式约束,为等式约束的数量,为不等式约束的数量。
需要说明的是,多目标约束优化问题中可行域内的个体与不可行域内的个体有很大区别,可行域内个体约束违反度为0,对于可行域内的个体,优化目标是使其朝着真实Pareto 前沿运动;不可行域内的个体依据远离可行域的程度计算其约束违反度值,对于不可行域内的个体,优化目标是使其朝着可行域方向运动。
分区引导种群进化的拟态物理学优化算法在APO算法的基础上,依据可行性法则与约束保持法,对个体在第维上受到个体的虚拟力作用规则进行修正,分四种情况进行讨论:
当个体和个体都在可行域时,第个个体在第维上所受第个个体的虚拟作用力为:
,
式中,为第个个体在第维上所受第个个体的虚拟作用力,为引力常数,为第i个个体的质量函数,为第j个个体的质量函数,为第k维上的第j个个体的位置,为第k维上的第i个个体的位置,为个体i的目标函数值,为个体j的目标函数值;
当个体在不可行域,个体在可行域时,第个个体在第维上所受第个个体的虚拟作用力为:
,
当个体在可行域,个体在不可行域时,第个个体在第维上所受第个个体的虚拟作用力为:
,
当个体和个体都在不可行域时,第个个体在第维上所受第个个体的虚拟作用力为:
,
式中,为个体i的约束违反值,为个体j的约束违反值。
当两个体都在可行域时,适应值好的个体对差的个体表现为引力,可以有效引导可行个体向真正的 Pareto 最优区域运动,当两个体都在不可行域时,根据其约束违反度计算虚拟力,个体离可行域越近,其约束违反度越小,个体离可行域越远,其约束违反度越大,约束违反度小的个体对约束违反度大的个体作用力表现为引力,可以有效引导不可行个体向可行域运动,不可行域内的个体对可行域内个体作用力为零,可行域内的个体对不可行域内的个体表现为引力。
步骤S104,根据预设的最优折中解策略对所述Pareto解集进行筛选得到最优解,即得到重构策略。
在本实施例中,计算Pareto解集中每组中各个目标函数的满意度,其中,计算各个目标函数的满意度的表达式为:
,
式中,为第i个个体在第m个目标函数中的目标值满意度,为目标函数最大值,为第i个个体在第m个目标函数中的函数值,为目标函数最小值;
计算每组各个目标函数的满意度之和,并筛选满意度最大的一组作为最优解,其中,计算每组各个目标函数的满意度之和的表达式为:
,
式中,为优化目标总数,为综合满意度。
综上,本申请的方法,将储能参数置入了目标函数,在确保电网潮流最优(网损最小、电能质量最佳)的同时,保证了储能调控运行的经济性,并通过 Tent 映射产生混沌序列,再通过反向学习得到最终的初始化种群;针对可行域与不可行域的个体,设计不同质量函数,将其与个体序号建立起直接映射,并对虚拟力作用规则也进行修正,使得算法具有良好的多样性和收敛性,在分区引导种群进化的拟态物理学优化算法达到最大迭代次数后寻优,通过最优折中策略完成最优解的挑选,进行了满意度计算。
请参阅图2,其示出了本申请的一种配电***多目标网络重构***。
如图2所示,配电***多目标网络重构***200,包括获取模块210、构建模块220、求解模块230以及筛选模块240。
其中,获取模块210,配置为获取配电网参数和储能参数;
构建模块220,配置为根据所述配电网参数和所述储能参数构建多目标优化模型,其中所述多目标优化模型在预设约束条件下以功率损耗最小、电压偏移量最小和储能运行成本最小为目标函数;
求解模块230,配置为对所述多目标优化模型进行求解得到Pareto解集,其中求解得到Pareto解集包括:
基于Tent混沌映射和反向学习策略对种群进行初始化,其中,所述种群为所述目标函数中的自变量;
基于预设的质量函数计算规则将可行域内个体的个体质量限定在内,并与个体的序值建立直接映射,以及将不可行域内个体的个体质量限定在内,并与个体的约束违反度值建立直接映射,其中,所述质量函数计算规则为:
,
式中,为第i个个体的质量函数,为个体经过改进快速非支配排序后的序号,为种群规模,为个体i的约束违反值,为个体i的约束违反值的平均值;
基于预设作用规则对所述可行域和/或所述不可行域中的个体受到个体在第维上的虚拟力进行修正,使得到Pareto解集;
筛选模块240,配置为根据预设的最优折中解策略对所述Pareto解集进行筛选得到最优解,即得到重构策略。
应当理解,图2中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块,在此不再赘述。
在另一些实施例中,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行上述任意方法实施例中的配电***多目标网络重构方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
获取配电网参数和储能参数;
根据所述配电网参数和所述储能参数构建多目标优化模型,其中所述多目标优化模型在预设约束条件下以功率损耗最小、电压偏移量最小和储能运行成本最小为目标函数;
对所述多目标优化模型进行求解得到Pareto解集;
根据预设的最优折中解策略对所述Pareto解集进行筛选得到最优解,即得到重构策略。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据配电***多目标网络重构***的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至配电***多目标网络重构***。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图,如图3所示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例配电***多目标网络重构方法。输入装置330可接收输入的数字或字符信息,以及产生与配电***多目标网络重构***的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于配电***多目标网络重构***中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取配电网参数和储能参数;
根据所述配电网参数和所述储能参数构建多目标优化模型,其中所述多目标优化模型在预设约束条件下以功率损耗最小、电压偏移量最小和储能运行成本最小为目标函数;
对所述多目标优化模型进行求解得到Pareto解集;
根据预设的最优折中解策略对所述Pareto解集进行筛选得到最优解,即得到重构策略。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种配电***多目标网络重构方法,其特征在于,所述方法包括:
获取配电网参数和储能参数;
根据所述配电网参数和所述储能参数构建多目标优化模型,其中所述多目标优化模型在预设约束条件下以功率损耗最小、电压偏移量最小和储能运行成本最小为目标函数;
对所述多目标优化模型进行求解得到Pareto解集,其中求解得到Pareto解集包括:
基于Tent混沌映射和反向学习策略对种群进行初始化,其中,所述种群为所述目标函数中的自变量;
基于预设的质量函数计算规则将可行域内个体的个体质量限定在 内,并与个体的序值建立直接映射,以及将不可行域内个体的个体质量限定在内,并与个体的约束违反度值建立直接映射,其中,所述质量函数计算规则为:
,
式中,为第i个个体的质量函数,为个体经过改进快速非支配排序后的序号,为种群规模,为个体i的约束违反值,为个体i的约束违反值的平均值;
基于预设作用规则对所述可行域和/或所述不可行域中的个体受到个体在第维上的虚拟力进行修正,使得到Pareto解集;
根据预设的最优折中解策略对所述Pareto解集进行筛选得到最优解,即得到重构策略。
2.根据权利要求1所述的一种配电***多目标网络重构方法,其特征在于,其中,所述配电网参数包括配电网初始开关状态、配电网拓扑结构、配电网中各个分段的线路阻抗参数、节点已知功率参数以及电压参数;
所述储能参数包括荷电率、放电深度、温度、持续时间、 储能单位功率的运行边际成本、各个储能装置的充放电功率。
3.根据权利要求1所述的一种配电***多目标网络重构方法,其特征在于,其中,所述预设约束条件的表达式为:
,
式中,为输电线路的传输下限,为母线i与母线j之间的有功功率,为输电线路的传输上限;
,
式中,为节点j的电压下限,重构后节点j的电压,为节点j的电压上限;
,
式中,为***在运行过程中的功率损耗,为第i个储能装置的负荷功率,为第i个储能装置的发电机功率,为第i个储能装置在t时刻的充放电功率,I为储能装置总数;
,
式中,为节点i与节点j之间的开关状态,为总节点数;
,
当功率从母线i流向j时,为1,为0;
,
式中,为变电所母线;
,
,
式中,为第i个储能装置在t时刻的充放电功率,为储能充放电功率的上限;
,
式中,为第i个储能装置的总充放电电量,为第i个储能装置在t时刻的充放电功率,为充放电持续时间;
,
式中,为储能容量的下限,为储能容量的上限。
4.根据权利要求1所述的一种配电***多目标网络重构方法,其特征在于,其中,所述多目标优化模型的目标函数为:
,
式中,为功率损耗最小,为开关状态的集合,为动作开关数量,为重构后节点j的电压,为节点i与节点j之间的开关状态,为线路ij的电阻值,为经历一次开关动作的损耗,为母线i和母线j之间的有功功率,为母线i和母线j之间的无功功率,为配电网的电压偏移量最小,为1类负荷权重,为1类负荷所在的节点电压,为2类负荷权重,为2类负荷所在的节点电压,为3类负荷权重,为3类负荷所在的节点电压,为运行时段内储能的充放电成本最小,为第i个储能装置在t时刻的充放电功率,为配网重构前的储能电池寿命,为配网重构后并在所预估运行一段时间后的储能电池寿命,为储能***的退化成本,为储能***的充放电成本。
5.根据权利要求1所述的一种配电***多目标网络重构方法,其特征在于,计算个体的约束违反度值的表达式为:
,
式中,为个体的约束违反度值,为第j个不等式约束,为第k个等式约束,为等式约束的数量,为不等式约束的数量。
6.根据权利要求1所述的一种配电***多目标网络重构方法,其特征在于,所述基于预设作用规则对所述可行域和/或所述不可行域中的个体受到个体在第维上的虚拟力进行修正,包括:
当个体和个体都在可行域时,第个个体在第维上所受第个个体的虚拟作用力为:
,
式中,为第个个体在第维上所受第个个体的虚拟作用力,为引力常数,为第i个个体的质量函数,为第j个个体的质量函数,为第k维上的第j个个体的位置,为第k维上的第i个个体的位置,为个体i的目标函数值,为个体j的目标函数值;
当个体在不可行域,个体在可行域时,第个个体在第维上所受第个个体的虚拟作用力为:
,
当个体在可行域,个体在不可行域时,第个个体在第维上所受第个个体的虚拟作用力为:
,
当个体和个体都在不可行域时,第个个体在第维上所受第个个体的虚拟作用力为:
,
式中,为个体i的约束违反值,为个体j的约束违反值。
7.根据权利要求1所述的一种配电***多目标网络重构方法,其特征在于,所述根据预设的最优折中解策略对所述Pareto解集进行筛选得到最优解,包括:
计算所述Pareto解集中每组中各个目标函数的满意度,其中,计算各个目标函数的满意度的表达式为:
,
式中,为第i个个体在第m个目标函数中的目标值满意度,为目标函数最大值,为第i个个体在第m个目标函数中的函数值,为目标函数最小值;
计算每组各个目标函数的满意度之和,并筛选满意度最大的一组作为最优解,其中,计算每组各个目标函数的满意度之和的表达式为:
,
式中,为优化目标总数,为综合满意度。
8.一种配电***多目标网络重构***,其特征在于,所述***包括:
获取模块,配置为获取配电网参数和储能参数;
构建模块,配置为根据所述配电网参数和所述储能参数构建多目标优化模型,其中所述多目标优化模型在预设约束条件下以功率损耗最小、电压偏移量最小和储能运行成本最小为目标函数;
求解模块,配置为对所述多目标优化模型进行求解得到Pareto解集,其中求解得到Pareto解集包括:
基于Tent混沌映射和反向学习策略对种群进行初始化,其中,所述种群为所述目标函数中的自变量;
基于预设的质量函数计算规则将可行域内个体的个体质量限定在内,并与个体的序值建立直接映射,以及将不可行域内个体的个体质量限定在内,并与个体的约束违反度值建立直接映射,其中,所述质量函数计算规则为:
,
式中,为第i个个体的质量函数,为个体经过改进快速非支配排序后的序号,为种群规模,为个体i的约束违反值,为个体i的约束违反值的平均值;
基于预设作用规则对所述可行域和/或所述不可行域中的个体受到个体在第维上的虚拟力进行修正,使得到Pareto解集;
筛选模块,配置为根据预设的最优折中解策略对所述Pareto解集进行筛选得到最优解,即得到重构策略。
9.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310207332.6A CN116093995B (zh) | 2023-03-07 | 2023-03-07 | 一种配电***多目标网络重构方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310207332.6A CN116093995B (zh) | 2023-03-07 | 2023-03-07 | 一种配电***多目标网络重构方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116093995A true CN116093995A (zh) | 2023-05-09 |
CN116093995B CN116093995B (zh) | 2023-07-14 |
Family
ID=86212146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310207332.6A Active CN116093995B (zh) | 2023-03-07 | 2023-03-07 | 一种配电***多目标网络重构方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116093995B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709651A (zh) * | 2023-12-14 | 2024-03-15 | 国网青海省电力公司清洁能源发展研究院 | 一种区域电网多点布局储能***规划配置方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310065A (zh) * | 2013-06-25 | 2013-09-18 | 国家电网公司 | 计及分布式发电和储能单元的智能配网重构方法 |
CN106803157A (zh) * | 2017-02-17 | 2017-06-06 | 广东电网有限责任公司电力科学研究院 | 一种低压配电网分布式储能***的电能质量改善方法 |
CN107392418A (zh) * | 2017-06-08 | 2017-11-24 | 国网宁夏电力公司电力科学研究院 | 一种城市配电网网络重构方法及*** |
CN107732960A (zh) * | 2017-09-18 | 2018-02-23 | 国网甘肃省电力公司电力科学研究院 | 微电网储能***容量优化配置方法 |
CN109713694A (zh) * | 2019-01-25 | 2019-05-03 | 南方电网科学研究院有限责任公司 | 一种三相不对称配电网的网络动态重构方法 |
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN111342469A (zh) * | 2020-05-18 | 2020-06-26 | 广东电网有限责任公司佛山供电局 | 一种多电压等级网络架构优化方法 |
CN113036823A (zh) * | 2021-03-10 | 2021-06-25 | 海南电网有限责任公司电力科学研究院 | 一种分布式配电网优化重构方法 |
CN113629743A (zh) * | 2021-08-06 | 2021-11-09 | 广东电网有限责任公司 | 基于遗传算法的电动汽车充电站配电网重构方法及*** |
CN114069708A (zh) * | 2021-11-25 | 2022-02-18 | 国网青海省电力公司经济技术研究院 | 一种计及不确定性的分散光储多层级多目标优化接入方法 |
WO2022142392A1 (zh) * | 2020-12-28 | 2022-07-07 | 国网天津市电力公司电力科学研究院 | 一种移动储能时空联合优化调度策略的制定方法 |
CN114884082A (zh) * | 2022-06-14 | 2022-08-09 | 河北工业大学 | 一种主动配电网重构与无功协同优化方法 |
CN115622056A (zh) * | 2022-12-20 | 2023-01-17 | 国网江西省电力有限公司经济技术研究院 | 一种基于线性加权和选解法的储能优化配置方法及*** |
-
2023
- 2023-03-07 CN CN202310207332.6A patent/CN116093995B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310065A (zh) * | 2013-06-25 | 2013-09-18 | 国家电网公司 | 计及分布式发电和储能单元的智能配网重构方法 |
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN106803157A (zh) * | 2017-02-17 | 2017-06-06 | 广东电网有限责任公司电力科学研究院 | 一种低压配电网分布式储能***的电能质量改善方法 |
CN107392418A (zh) * | 2017-06-08 | 2017-11-24 | 国网宁夏电力公司电力科学研究院 | 一种城市配电网网络重构方法及*** |
CN107732960A (zh) * | 2017-09-18 | 2018-02-23 | 国网甘肃省电力公司电力科学研究院 | 微电网储能***容量优化配置方法 |
CN109713694A (zh) * | 2019-01-25 | 2019-05-03 | 南方电网科学研究院有限责任公司 | 一种三相不对称配电网的网络动态重构方法 |
CN111342469A (zh) * | 2020-05-18 | 2020-06-26 | 广东电网有限责任公司佛山供电局 | 一种多电压等级网络架构优化方法 |
WO2022142392A1 (zh) * | 2020-12-28 | 2022-07-07 | 国网天津市电力公司电力科学研究院 | 一种移动储能时空联合优化调度策略的制定方法 |
CN113036823A (zh) * | 2021-03-10 | 2021-06-25 | 海南电网有限责任公司电力科学研究院 | 一种分布式配电网优化重构方法 |
CN113629743A (zh) * | 2021-08-06 | 2021-11-09 | 广东电网有限责任公司 | 基于遗传算法的电动汽车充电站配电网重构方法及*** |
CN114069708A (zh) * | 2021-11-25 | 2022-02-18 | 国网青海省电力公司经济技术研究院 | 一种计及不确定性的分散光储多层级多目标优化接入方法 |
CN114884082A (zh) * | 2022-06-14 | 2022-08-09 | 河北工业大学 | 一种主动配电网重构与无功协同优化方法 |
CN115622056A (zh) * | 2022-12-20 | 2023-01-17 | 国网江西省电力有限公司经济技术研究院 | 一种基于线性加权和选解法的储能优化配置方法及*** |
Non-Patent Citations (4)
Title |
---|
SALIM MALEK等: "Reconstructing Cloud-Contaminated Multispectral Images With Contextualized Autoencoder Neural Networks", 《 IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
孙宝等: "分区引导种群进化的拟态物理学多目标优化算法", 《计算机应用研究》, pages 1 - 11 * |
杨晓东;张有兵;翁国庆;赵波;高翔;: "基于虚拟电价的电动汽车充放电优化调度及其实现机制研究", 电工技术学报, no. 17, pages 52 - 62 * |
王庆荣: "基于IPSO的配电网多目标优化重构研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》, pages 30 - 51 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709651A (zh) * | 2023-12-14 | 2024-03-15 | 国网青海省电力公司清洁能源发展研究院 | 一种区域电网多点布局储能***规划配置方法及*** |
CN117709651B (zh) * | 2023-12-14 | 2024-07-16 | 国网青海省电力公司清洁能源发展研究院 | 一种区域电网多点布局储能***规划配置方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116093995B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shuai et al. | Stochastic optimization of economic dispatch for microgrid based on approximate dynamic programming | |
Li et al. | Learning to operate distribution networks with safe deep reinforcement learning | |
Niknam et al. | Scenario-based multiobjective distribution feeder reconfiguration considering wind power using adaptive modified particle swarm optimisation | |
Singh et al. | Stability analysis of networked control in smart grids | |
Zhou et al. | Multi-objective artificial bee colony algorithm for short-term scheduling of hydrothermal system | |
Li et al. | Using multi-objective sparrow search algorithm to establish active distribution network dynamic reconfiguration integrated optimization | |
Vosoogh et al. | An intelligent day ahead energy management framework for networked microgrids considering high penetration of electric vehicles | |
Lezama et al. | Agent-based microgrid scheduling: An ICT perspective | |
Tandon et al. | A comparative analysis of SPSO and BPSO for power loss minimization in distribution system using network reconfiguration | |
CN116093995B (zh) | 一种配电***多目标网络重构方法及*** | |
Khunkitti et al. | Optimal location and sizing of BESS for performance improvement of distribution systems with high DG penetration | |
CN115588998A (zh) | 一种基于图强化学习的配电网电压无功优化方法 | |
Kreishan et al. | Allocation of dump load in islanded microgrid using the mixed-integer distributed ant colony optimization | |
Xiao et al. | Optimal sizing and siting of soft open point for improving the three phase unbalance of the distribution network | |
Aydin et al. | Comparative analysis of multi-criteria decision making methods for the assessment of optimal SVC location | |
Xing et al. | Real-time optimal scheduling for active distribution networks: A graph reinforcement learning method | |
Khorram-Nia et al. | Optimal switching in reconfigurable microgrids considering electric vehicles and renewable energy sources | |
Hinners et al. | Model order reduction of active distribution networks with TSO-DSO interconnection power flow control | |
Teekaraman et al. | Investigations on the effect of micro-grid using improved NFIS-PID with hybrid algorithms | |
Zhang et al. | A fault reconfiguration strategy based on adjustable space operator discrete state transition algorithm for ship microgrid system | |
CN111276962B (zh) | 一种配电网的运行方法及*** | |
CN115360717B (zh) | 用于综合能源的配电网调度方法、***、设备及介质 | |
Giraldo et al. | Optimal operation of community energy storage using stochastic gradient boosting trees | |
Singh et al. | Economic load dispatch using MRPSO with generator ramp rate limits constraint | |
Bose et al. | Load restoration in islanded microgrids: Formulation and solution strategies |
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 |