CN116995644A - 一种基于ibpao-sa算法的高比例新能源配电网故障恢复的方法 - Google Patents
一种基于ibpao-sa算法的高比例新能源配电网故障恢复的方法 Download PDFInfo
- Publication number
- CN116995644A CN116995644A CN202310566117.5A CN202310566117A CN116995644A CN 116995644 A CN116995644 A CN 116995644A CN 202310566117 A CN202310566117 A CN 202310566117A CN 116995644 A CN116995644 A CN 116995644A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- distribution network
- load
- power distribution
- node
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 91
- 238000011084 recovery Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000002245 particle Substances 0.000 claims abstract description 58
- 238000002922 simulated annealing Methods 0.000 claims abstract description 15
- 238000004146 energy storage Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 230000008901 benefit Effects 0.000 claims description 13
- 230000013016 learning Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000000137 annealing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 230000009326 social learning Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000013459 approach Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于IBPAO‑SA算法的高比例新能源配电网故障恢复的方法。该方法包括：根据光伏***出力波动较大建立光储***时变模型和负荷特性模型；根据孤岛划分原则确定孤岛划分目标函数，得到孤岛划分流程；根据粒子群算法和模拟退火算法基础，提出改进二进制粒子群‑模拟退火IBPAO‑SA算法；根据IBPAO‑SA算法，确定配电网故障恢复模型，得到配电网故障恢复方案。本发明提供的基于IBPAO‑SA算法的高比例新能源配电网故障恢复方法，能够在故障恢复过程中动态调整初始孤岛，保证配电网故障后高效可靠地恢复。
Description
技术领域
本发明涉及高比例新能源配电网故障恢复领域，特别是涉及一种基于IBPAO-SA算法的高比例新能源配电网故障恢复的方法。
背景技术
现阶段，对配电网的协同管理研究多集中在“源网荷”三者之间的协调上，忽视了作为主动配电网重要一环的储能参与，无法趋近电网稳定性和社会效益的最优解。因此，为充分发挥电源的互补性、电网的灵活性、负荷和储能的灵活可控性，保证配电网运行的可靠性和经济性，构建能实现“源-网-荷-储”协同的高比例新能源配电网显得尤为重要。
由于风力发电和光伏发电等分布式电源具有间歇性和随机性，在发生停电事故，制定恢复方案时需要考虑分布式电源的波动性和不同电源之间的协调特性，保证恢复的孤岛负荷可以获得稳定、可靠的电力供应。
用户对于用电需求及可靠性要求越来越高，因此在配电网发生故障时，应考虑不同类型用户的用电需求，在保证恢复负荷量最大的基础上，尽可能提高用户满意度指标，优化电力营商环境。除此之外，研究高比例新能源分布式电源接入下的配电网故障恢复方法，指导开展配电网故障抢修，缩短停电时间，提高电网企业的供电可靠性及供电服务水平。
发明内容
本发明提供一种基于IBPAO-SA算法的高比例新能源配电网故障恢复的方法，能够在故障恢复过程中动态调整初始孤岛，保证配电网故障后高效可靠地恢复，恢复速度快，全网恢复功率占比高。
为实现上述目的，本发明提供了如下方案：
一种基于IBPAO-SA算法的高比例新能源配电网故障恢复的方法，所述方法包括：
根据光伏***出力波动较大建立光储***时变模型和负荷特性模型；
根据孤岛划分原则确定孤岛划分目标函数，得到孤岛划分流程；
根据粒子群算法和模拟退火算法，提出改进二进制粒子群-模拟退火(IBPAO-SA)算法；
根据IBPAO-SA算法，确定配电网故障恢复模型，得到配电网故障恢复方案。
可选的，所述根据光伏***出力波动较大建立光储***时变模型和负荷特性模型，具体包括：
根据光伏发电的出力公式：
PPV(t)＝ηAr(t)
式中，PPV(t)为t时刻光伏出力，η为光电转换效率，A为光伏组件总面积，r(t)为t时刻的光照强度。
根据储能装置的充电、放电模型：
式中，PB(t)为储能装置的充放电功率，PB(t)＞0为放电状态，PB(t)＜0为充电状态；E(t)表示t时刻末储能装置的剩余电量；Pchmax、Pdchmax分别表示储能装置的最大充、放电功率；Emax、Emin分别表示储能装置允许的最大、最小剩余电量。
根据光伏发电的出力公式和储能装置的充电、放电模型，光储***在t时刻总出力为光伏输出功率和储能出力之和：
PPV-BES(t)＝PPV(t)+PB(t)
根据配电网各节点的负荷量会随时间而变化，不同类型的负荷也具有不同特性。考虑到在实际配电网中，同一节点可能会连接不同类型的负荷，假设同一节点中各类负荷的分布比例不同，但同种类负荷的曲线函数相同，那么，i节点在t时刻的负荷大小可以表示为：
式中，λ表示负荷类型，λ＝1代表医用负荷、λ＝2代表政府负荷、λ＝3代表商业负荷、λ＝4代表居民负荷；Lmax,i表示节点i的负荷最大值；Mλ,i表示节点i中第λ类负荷的比例；Cλ,t表示第λ类负荷在t时刻的分量。
根据配电网各节点各时刻的负荷数据，可以得到配电网各节点的日负荷曲线函数，在此基础上进行积分计算，可以得到故障恢复时段内任意节点的用电需求Li：
式中，fi(x)表示节点i的负荷曲线函数；t为0-23内的整点时间。
可选的，所述根据孤岛划分原则确定孤岛划分目标函数，得到孤岛划分流程，具体包括：
根据配电网孤岛划分的目的是在故障发生后通过DG独立运行，第一时间恢复对重要负荷的供电，并尽可能多地恢复负荷，因此孤岛划分的目标函数为：
式中，fDG表示t时刻DG恢复的重要负荷总量；D表示孤岛内负荷节点的集合；μd为状态变化参数，μd＝1表示节点d在t时刻已恢复供电，μd＝0表示其未恢复供电；τd表示节点d的重要程度权重，为表现三种负荷重要程度的差异性并确保重要负荷能够优先被划入孤岛，一级负荷、二级负荷、三级负荷对应τ值分别取为1、0.1、0.01；τiLi为配电网内每个节点的负荷重要加权值。
根据孤岛划分相当于将配电网图分成若干部分，优先对邻近的重要负荷进行恢复，需要使用搜索算法对每个节点进行遍历，访问获得节点值并更新数据。孤岛划分的具体流程如下：
1)读取配电网的初始数据，如网络拓扑结构、阻抗负荷值等。
2)由权利要求2所提出的DG模型，计算得到故障恢复过程中DG的出力值PDG(t)。
3)以DG连接的节点作为根节点，根据DG出力，向外利用广度优先算法(BFS)进行搜索，确定孤岛的范围。若出现两个或多个孤岛交叉的情况，则将它们融合为一个孤岛。
4)利用深度优先算法(DFS)遍历所有节点，若存在未恢复的重要负荷，则以其为根节点，将未恢复供电的重要负荷划分给最近的分布式电源。
5)判断孤岛内是否满足功率平衡约束，若不满足，则计算故障时段孤岛内DG出力值与孤岛内总负荷量之差dif。若满足则转步骤8)。
6)在可控负荷点排序集合LC中，从第一个节点开始进行容量累计，直到累计节点容量恰好大于dif，削减该部分节点容量。若LC中的所有可控负荷均被削减至0，仍无法满足功率平衡约束，则执行步骤7)。若满足则转步骤8)。
7)将负荷的τiLi值从小到大排列，并标记孤岛边界节点，得到待切负荷顺序。按顺序切除负荷并更新孤岛，若更新后的孤岛符合约束要求，则转步骤8)，否则转步骤4)将未恢复的重要负荷节点重新划分给较远处的大容量DG。
8)初步完成孤岛划分，输出孤岛划分方案。
可选的，所述根据粒子群算法和模拟退火算法，提出改进二进制粒子群-模拟退火(IBPAO-SA)算法，具体包括：
根据标准粒子群算法，引入惯性递减权重和异步变化学习因子，提出IBPSO算法(改进的二元粒子群优化)，主要用于优化离散空间约束问题。在求解含DG的配电网故障恢复问题时，控制变量是离散的，适合使用二元粒子群算法求解。
引入惯性递减权重。在粒子群搜索的早期阶段，较大的惯性权重可以更好地遍历解空间，有利于全局搜索；在粒子群搜索的后期，较小的权重更适合锁定最优解，有利于局部搜索。惯性权重更新公式如下：
ω＝ωmax-(ωmax-ωmin)·k/kmax
式中，ωmax、ωmin为惯性权重的最大值和最小值，kmax代表最大迭代次数，k代表迭代次数。
采用异步变化的学习因子c1和c2，使得在优化初始阶段，粒子的自学习能力较强、社会学习能力较弱，从而增强了算法的全局搜索能力；而随着迭代次数的增加，粒子的自学习能力逐渐变弱，而社会学习能力则逐渐增强，从而更易于获得全局最优解。学习因子的更新公式如下：
式中，c1s和c2s表示学习因子的初始值；c1e和c2e表示学习因子的最终值。
得到IBPSO算法速度的最终迭代公式如下：
式中，表示粒子a在维度d上的速度；k和k+1表示迭代次数；r1和r2是区间[0，1]中的随机数；/>表示粒子a当前的最佳位置；/>表示种群中所有粒子的当前最佳位置；/>表示粒子a的当前位置。
式中，Sigmoid表示将粒子的速度转换为区间[0，1]内的Sigmoid概率函数，并通过与随机数rand(0,1)比较来确定粒子的下一个位置；rand(0,1)表示[0，1]范围内的随机数。
位置迭代公式如下
根据模拟退火(SA)算法有概率接受比当前算法更差的解决方案，这使得算法非常灵活地跳出局部最优值，即使温度趋于最低临界值，最终结果也会收敛到全局最优值，其适用于解决大规模组合优化问题。模拟退火算法通过改变概率来确定是否接受新解。这个验收标准是Metroplis标准，概率P公式如下：
式中，f(xk)表示k次迭代后的适应度值；xk表示k次迭代后获得的解；Tk表示k次迭代后的温度；e是自然对数的底数。
根据IBPSO和SA算法，提出IBPSO-SA算法。对传统的二元粒子群算法进行了改进，并在内部嵌入了退火过程，使该算法结合了两者的优点。初始化总体并评估每个粒子的优点，使用轮盘策略随机选择一个个体极值而不是总体极值，更新退火过程中粒子的位置和速度，将新解与旧解进行比较，并根据Metroplis准则判断是否接受比当前解差的解，使粒子跳出局部最优解，从而收敛到全局最优解。
可选的，所述根据IBPAO-SA算法，确定配电网故障恢复模型，得到配电网故障恢复方案，具体包括：
根据恢复重要负荷总量、网络损耗和切换操作次数这三个配电网重要指标，将多目标优化转换为单目标优化来解决，得到总目标函数为：
f0＝-σ1f1+σ2f2+σ3f3
式中，f1表示配电网恢复的重要负荷总量；f2表示网络损耗；f3表示切换操作次数；σ1、σ2、σ3表示各指标对应的权重系数，取σ1＝0.5，σ2＝0.3，σ3＝0.2。
其中
式中，f1表示配电网恢复的重要负荷的总量；N表示配电网节点的总数；μi是状态变化参数，μi＝1表示节点i已经恢复供电，μi＝0表示节点i尚未恢复供电；τi表示节点i的重要程度权重，一级、二级和三级负荷的对应τ值分别为1、0.1和0.01；Li表示故障恢复期间节点i的用电需求。
式中，f2表示***网络损耗；H表示配电网中支路的总数，μh表示支路编号为h的支路的状态，μh＝0则支路h断开，μh＝1则支路h闭合；Rh表示支路h的阻抗；Ph、Qh、Rh分别表示支路h的有功功率、无功功率和电压幅值。
式中，f3表示切换操作的次数；B表示配电网中的开关总数，b是开关编号，μb表示开关b的状态，μb＝0则开关b处于非活动状态，μb＝1则开关b处于活动状态。
根据IBPSO-SA算法对配电网孤岛划分后的故障进行恢复，具体步骤如下：
1)孤岛后更新配电网的具体数据，如负荷数据、网络拓扑、开关信息等。
2)初始化与算法相关的参数，如粒子维数dim、种群规模popsize、惯性权重ω、初始温度T0、温度系数递减ρ等。
3)对群体进行初始化，随机生成粒子的初始速度和位置，并评估每个粒子的优点。
4)对算法进行迭代优化搜索，使用轮盘策略随机选择单个极值而不是总体极值，更新粒子的速度和位置并计算新的适应度函数值。
5)确定是否根据Metroplis准则更新粒子的个别极值和群体极值，执行退火操作，如果解满足约束，则转到步骤6)，如果不满足约束，则转到步骤4)。
6)输出满足终端条件的最优故障恢复方案，即最终配电网故障恢复策略。
该技术与现有技术相比，具有如下有益效果：
本发明提供的一种基于IBPAO-SA算法的高比例新能源配电网故障恢复的方法，其中建立的光伏储能***时变模型和负荷特性模型能够有效应对配电网故障恢复持续时间长、光伏出力波动较大的问题，具有一定的工程价值；采用了BFS和DFS两种搜索算法的组合，在发生故障后对配电网快速进行孤岛划分，保证光伏储能***恢复重要负荷供电的优先级；提出的基于IBPSO-SA算法的主动配电网故障恢复策略，能够在恢复过程中动态调整初始孤岛，得到最优策略，保证配电网故障后高效、可靠地恢复，恢复速度快，全网恢复功率占比更高。
附图说明
图1为本发明用于高比例新能源配电网故障恢复方法的流程图；
图2为本发明用于高比例新能源配电网孤岛划分流程图；
图3为本发明对高比例新能源配电网发生故障后进行故障快速恢复的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供一种基于IBPAO-SA算法的高比例新能源配电网故障恢复的方法，能够在故障恢复过程中动态调整初始孤岛，保证配电网故障后高效可靠地恢复，恢复速度快，恢复效果好。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明用于高比例新能源配电网故障恢复方法的流程图，如图1所示，一种基于IBPAO-SA算法的高比例新能源配电网故障恢复的方法，所述方法包括：
步骤101：根据光伏***出力波动较大建立光储***时变模型和负荷特性模型；
步骤102：根据孤岛划分原则确定孤岛划分目标函数，得到孤岛划分流程；
步骤103：根据粒子群算法和模拟退火算法，提出改进二进制粒子群-模拟退火(IBPAO-SA)算法；
步骤104：根据IBPAO-SA算法，确定配电网故障恢复模型，得到配电网故障恢复方案。
图2为本发明用于高比例新能源配电网孤岛划分流程图，如图2所示，一种高比例新能源配电网孤岛划分的流程，所述方法包括：
步骤1：读取配电网的初始数据，如网络拓扑结构、阻抗负荷值等。
步骤2：由权利要求2所提出的DG模型，计算得到故障恢复过程中DG的出力值PDG(t)。
步骤3：以DG连接的节点作为根节点，根据DG出力，向外利用广度优先算法(BFS)进行搜索，确定孤岛的范围。若出现两个或多个孤岛交叉的情况，则将它们融合为一个孤岛。
步骤4：利用深度优先算法(DFS)遍历所有节点，若存在未恢复的重要负荷，则以其为根节点，将未恢复供电的重要负荷划分给最近的分布式电源。
步骤5：判断孤岛内是否满足功率平衡约束，若不满足，则计算故障时段孤岛内DG出力值与孤岛内总负荷量之差dif。若满足则转步骤8。
步骤6：在可控负荷点排序集合LC中，从第一个节点开始进行容量累计，直到累计节点容量恰好大于dif，削减该部分节点容量。若LC中的所有可控负荷均被削减至0，仍无法满足功率平衡约束，则执行步骤7。若满足则转步骤8。
步骤7：将负荷的τiLi值从小到大排列，并标记孤岛边界节点，得到待切负荷顺序。按顺序切除负荷并更新孤岛，若更新后的孤岛符合约束要求，则转步骤8，否则转步骤4将未恢复的重要负荷节点重新划分给较远处的大容量DG。
步骤8：初步完成孤岛划分，输出孤岛划分方案。
图3为本发明对高比例新能源配电网发生故障后进行故障快速恢复的流程图，如图3所示，一种高比例新能源配电网发生故障后进行故障快速恢复的流程，所述方法包括：
步骤1：孤岛后更新配电网的具体数据，如负荷数据、网络拓扑、开关信息等。
步骤2：初始化与算法相关的参数，如粒子维数dim、种群规模popsize、惯性权重ω、初始温度T0、温度系数递减ρ等。
步骤3：对群体进行初始化，随机生成粒子的初始速度和位置，并评估每个粒子的优点。
步骤4：对算法进行迭代优化搜索，使用轮盘策略随机选择单个极值而不是总体极值，更新粒子的速度和位置并计算新的适应度函数值。
步骤5：确定是否根据Metroplis准则更新粒子的个别极值和群体极值，执行退火操作，如果解满足约束，则转到步骤6，如果不满足约束，则转到步骤4。
步骤6：输出满足终端条件的最优故障恢复方案，即最终配电网故障恢复策略。
综上，本发明提供的一种基于IBPAO-SA算法的高比例新能源配电网故障恢复的方法，其中建立的光伏储能***时变模型和负荷特性模型能够有效应对配电网故障恢复持续时间长、光伏出力波动较大的问题，具有一定的工程价值；采用了BFS和DFS两种搜索算法的组合，在发生故障后对配电网快速进行孤岛划分，保证光伏储能***恢复重要负荷供电的优先级；提出的基于IBPSO-SA算法的主动配电网故障恢复策略，能够在恢复过程中动态调整初始孤岛，得到最优策略，保证配电网故障后高效、可靠地恢复，恢复速度快，全网恢复功率占比更高。
本发明具体实施方法的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于IBPAO-SA算法的高比例新能源配电网故障恢复的方法，其特征在于，所述方法具体包括如下步骤：
步骤101、根据光伏***出力波动建立光储***时变模型和负荷特性模型；
步骤102、根据孤岛划分原则确定孤岛划分目标函数，得到孤岛划分流程；
步骤103、根据粒子群算法和模拟退火算法，提出改进二进制粒子群-模拟退火IBPAO-SA算法；
步骤104、根据IBPAO-SA算法，确定配电网故障恢复模型，得到配电网故障恢复方案。
2.根据权利要求1所述的基于IBPAO-SA算法的高比例新能源配电网故障恢复的方法，其特征在于，所述步骤101具体包括：
根据光伏发电的出力公式：
PPV(t)＝ηAr(t)
式中，PPV(t)为t时刻光伏出力，η为光电转换效率，A为光伏组件总面积，r(t)为t时刻的光照强度；
根据储能装置的充电、放电模型：
式中，PB(t)为储能装置的充放电功率，PB(t)＞0为放电状态，PB(t)＜0为充电状态；E(t)表示t时刻末储能装置的剩余电量；Pchmax、Pdchmax分别表示储能装置的最大充、放电功率；Emax、Emin分别表示储能装置允许的最大、最小剩余电量；
根据光伏发电的出力公式和储能装置的充电、放电模型，光储***在t时刻总出力为光伏输出功率和储能出力之和：
PPV-BES(t)＝PPV(t)+PB(t)
根据配电网各节点的负荷量会随时间而变化，不同类型的负荷也具有不同特性。考虑到在实际配电网中，同一节点可能会连接不同类型的负荷，假设同一节点中各类负荷的分布比例不同，但同种类负荷的曲线函数相同，那么，i节点在t时刻的负荷大小可以表示为：
式中，λ表示负荷类型，λ＝1代表医用负荷、λ＝2代表政府负荷、λ＝3代表商业负荷、λ＝4代表居民负荷；Lmax,i表示节点i的负荷最大值；Mλ,i表示节点i中第λ类负荷的比例；Cλ,t表示第λ类负荷在t时刻的分量；
根据配电网各节点各时刻的负荷数据，得到配电网各节点的日负荷曲线函数，在此基础上进行积分计算，得到故障恢复时段内任意节点的用电需求Li：
式中，fi(x)表示节点i的负荷曲线函数；t为0-23内的整点时间。
3.根据权利要求1所述的基于IBPAO-SA算法的高比例新能源配电网故障恢复的方法，其特征在于，所述步骤102具体包括：
根据配电网孤岛划分的目的是在故障发生后通过DG独立运行，第一时间恢复对重要负荷的供电，并尽可能多地恢复负荷，因此孤岛划分的目标函数为：
式中，fDG表示t时刻DG恢复的重要负荷总量；D表示孤岛内负荷节点的集合；μd为状态变化参数，μd＝1表示节点d在t时刻已恢复供电，μd＝0表示其未恢复供电；τd表示节点d的重要程度权重，为表现三种负荷重要程度的差异性并确保重要负荷能够优先被划入孤岛，一级负荷、二级负荷、三级负荷对应τ值分别取为1、0.1、0.01；τiLi为配电网内每个节点的负荷重要加权值；
根据孤岛划分相当于将配电网图分成若干部分，优先对邻近的重要负荷进行恢复，需要使用搜索算法对每个节点进行遍历，访问获得节点值并更新数据，孤岛划分的具体流程如下：
1)读取配电网的初始数据，如网络拓扑结构、阻抗负荷值等；
2)根据DG模型，计算得到故障恢复过程中DG的出力值PDG(t)；
3)以DG连接的节点作为根节点，根据DG出力，向外利用广度优先算法BFS进行搜索，确定孤岛的范围，若出现两个或多个孤岛交叉的情况，则将它们融合为一个孤岛；
4)利用深度优先算法DFS遍历所有节点，若存在未恢复的重要负荷，则以其为根节点，将未恢复供电的重要负荷划分给最近的分布式电源；
5)判断孤岛内是否满足功率平衡约束，若不满足，则计算故障时段孤岛内DG出力值与孤岛内总负荷量之差dif，若满足则转步骤8)；
6)在可控负荷点排序集合LC中，从第一个节点开始进行容量累计，直到累计节点容量恰好大于dif，削减该部分节点容量；若LC中的所有可控负荷均被削减至0，仍无法满足功率平衡约束，则执行步骤7)，若满足则转步骤8)；
7)将负荷的τiLi值从小到大排列，并标记孤岛边界节点，得到待切负荷顺序；按顺序切除负荷并更新孤岛，若更新后的孤岛符合约束要求，则转步骤8)，否则转步骤4)将未恢复的重要负荷节点重新划分给较远处的大容量DG；
8)初步完成孤岛划分，输出孤岛划分方案。
4.根据权利要求1所述的基于IBPAO-SA算法的高比例新能源配电网故障恢复的方法，其特征在于，所述步骤103具体包括：
根据标准粒子群算法，引入惯性递减权重和异步变化学习因子，提出IBPSO算法，用于优化离散空间约束问题；在求解含DG的配电网故障恢复问题时，控制变量是离散的，适合使用二元粒子群算法求解；
引入惯性递减权重；在粒子群搜索的早期阶段，较大的惯性权重可以更好地遍历解空间，有利于全局搜索；在粒子群搜索的后期，较小的权重更适合锁定最优解，有利于局部搜索；惯性权重更新公式如下：
ω＝ωmax-(ωmax-ωmin)·k/kmax
式中，ωmax、ωmin为惯性权重的最大值和最小值，kmax代表最大迭代次数，k代表迭代次数；
采用异步变化的学习因子c1和c2，使得在优化初始阶段，粒子的自学习能力较强、社会学习能力较弱，从而增强了算法的全局搜索能力；而随着迭代次数的增加，粒子的自学习能力逐渐变弱，而社会学习能力则逐渐增强，从而更易于获得全局最优解；学习因子的更新公式如下：
式中，c1s和c2s表示学习因子的初始值；c1e和c2e表示学习因子的最终值；
得到IBPSO算法速度的最终迭代公式如下：
式中，表示粒子a在维度d上的速度；k和k+1表示迭代次数；r1和r2是区间[0，1]中的随机数；/>表示粒子a当前的最佳位置；/>表示种群中所有粒子的当前最佳位置；/>表示粒子a的当前位置；
式中，Sigmoid表示将粒子的速度转换为区间[0，1]内的Sigmoid概率函数，并通过与随机数rand(0,1)比较来确定粒子的下一个位置；rand(0,1)表示[0，1]范围内的随机数；
位置迭代公式如下
模拟退火算法通过改变概率来确定是否接受新解，这个验收标准是Metroplis标准，概率P公式如下：
式中，f(xk)表示k次迭代后的适应度值；xk表示k次迭代后获得的解；Tk表示k次迭代后的温度；e是自然对数的底数；
根据IBPSO和SA算法，提出IBPSO-SA算法；对传统的二元粒子群算法进行了改进，并在内部嵌入了退火过程，使该算法结合了两者的优点；初始化总体并评估每个粒子的优点，使用轮盘策略随机选择一个个体极值而不是总体极值，更新退火过程中粒子的位置和速度，将新解与旧解进行比较，并根据Metroplis准则判断是否接受比当前解差的解，使粒子跳出局部最优解，从而收敛到全局最优解。
5.根据权利要求1所述的基于IBPAO-SA算法的高比例新能源配电网故障恢复的方法，其特征在于，所述步骤104具体包括：
根据恢复重要负荷总量、网络损耗和切换操作次数这三个配电网重要指标，将多目标优化转换为单目标优化来解决，得到总目标函数为：
f0＝-σ1f1+σ2f2+σ3f3
式中，f1表示配电网恢复的重要负荷总量；f2表示网络损耗；f3表示切换操作次数；σ1、σ2、σ3表示各指标对应的权重系数，取σ1＝0.5，σ2＝0.3，σ3＝0.2；
其中
式中，f1表示配电网恢复的重要负荷的总量；N表示配电网节点的总数；μi是状态变化参数，μi＝1表示节点i已经恢复供电，μi＝0表示节点i尚未恢复供电；τi表示节点i的重要程度权重，一级、二级和三级负荷的对应τ值分别为1、0.1和0.01；Li表示故障恢复期间节点i的用电需求；
式中，f2表示***网络损耗；H表示配电网中支路的总数，μh表示支路编号为h的支路的状态，μh＝0则支路h断开，μh＝1则支路h闭合；Rh表示支路h的阻抗；Ph、Qh、Rh分别表示支路h的有功功率、无功功率和电压幅值；
式中，f3表示切换操作的次数；B表示配电网中的开关总数，b是开关编号，μb表示开关b的状态，μb＝0则开关b处于非活动状态，μb＝1则开关b处于活动状态；
根据IBPSO-SA算法对配电网孤岛划分后的故障进行恢复，具体步骤如下：
1)孤岛后更新配电网的负荷数据、网络拓扑、开关信息；
2)初始化与算法相关的粒子维数dim、种群规模popsize、惯性权重ω、初始温度T0、温度系数递减ρ参数；
3)对群体进行初始化，随机生成粒子的初始速度和位置，并评估每个粒子的优点；
4)对算法进行迭代优化搜索，使用轮盘策略随机选择单个极值而不是总体极值，更新粒子的速度和位置并计算新的适应度函数值；
5)确定是否根据Metroplis准则更新粒子的个别极值和群体极值，执行退火操作，如果解满足约束，则转到步骤6)，如果不满足约束，则转到步骤4)；
6)输出满足终端条件的最优故障恢复方案，即最终配电网故障恢复策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310566117.5A CN116995644A (zh) | 2023-05-19 | 2023-05-19 | 一种基于ibpao-sa算法的高比例新能源配电网故障恢复的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310566117.5A CN116995644A (zh) | 2023-05-19 | 2023-05-19 | 一种基于ibpao-sa算法的高比例新能源配电网故障恢复的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116995644A true CN116995644A (zh) | 2023-11-03 |
Family
ID=88520195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310566117.5A Pending CN116995644A (zh) | 2023-05-19 | 2023-05-19 | 一种基于ibpao-sa算法的高比例新能源配电网故障恢复的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116995644A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117793663A (zh) * | 2024-02-27 | 2024-03-29 | 长春理工大学 | 一种基于LoRa的农机作业信息远距离传输方法 |
-
2023
- 2023-05-19 CN CN202310566117.5A patent/CN116995644A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117793663A (zh) * | 2024-02-27 | 2024-03-29 | 长春理工大学 | 一种基于LoRa的农机作业信息远距离传输方法 |
| CN117793663B (zh) * | 2024-02-27 | 2024-05-14 | 长春理工大学 | 一种基于LoRa的农机作业信息远距离传输方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111178619B (zh) | 一种考虑分布式电源和充电站联合规划的多目标优化方法 | |
| Syahputra | Fuzzy multi-objective approach for the improvement of distribution network efficiency by considering DG | |
| CN112713618B (zh) | 基于多场景技术的主动配电网源网荷储协同优化运行方法 | |
| CN106602557A (zh) | 一种含电动汽车的主动配电网多时段优化重构方法 | |
| CN109802387B (zh) | 一种含微网的弹性配电网多级供电恢复方法 | |
| CN114884110B (zh) | 一种源网荷多约束条件下的电力***储能优化运行方法 | |
| CN116667325B (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
| CN106684913B (zh) | 一种基于多代理的储能电站跟踪发电计划控制***和方法 | |
| CN116995644A (zh) | 一种基于ibpao-sa算法的高比例新能源配电网故障恢复的方法 | |
| CN108512238B (zh) | 基于需求侧响应的智能家居两阶段优化调度方法 | |
| CN115622101A (zh) | 一种促进可再生能源消纳的储能优化配置双层规划方法 | |
| CN114759616B (zh) | 一种考虑电力电子器件特性的微电网鲁棒优化调度方法 | |
| Nagaballi et al. | A hybrid fuzzy and PSO based optimum placement and sizing of DG in radial distribution system | |
| CN116629354A (zh) | 一种分布式电网多目标优化方法、装置及存储介质 | |
| CN116316812A (zh) | 面向高比例分布式能源接入的输配网多时间尺度风险调度方法 | |
| CN115841216A (zh) | 计及分布式光伏消纳率的配电网储能优化配置方法 | |
| Sun et al. | Optimal operation strategy of wind-hydrogen integrated energy system based on NSGA-II algorithm | |
| Meliani et al. | Energy management of a fuzzy control system in a microgrid | |
| CN113488990A (zh) | 基于改进的蝙蝠算法的微电网优化调度方法 | |
| CN112421673A (zh) | 基于多源协调的配电网网损优化控制方法及*** | |
| CN104616067A (zh) | 考虑上网电价与遗传算法优化的风储发电控制方法及*** | |
| CN115034549B (zh) | 一种基于改进共生生物搜索的微电网能源调度优化方法 | |
| CN113783213B (zh) | 一种集中式储能电站选址定容两阶段优化方法 | |
| CN113902280B (zh) | 一种多微网联合经济调度方法 | |
| Wang et al. | Distribution network loss calculation and reactive power optimization loss reduction analysis |
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 |