[發明專利]計及分布式電源和負荷不確定性的多目標配網重構方法

有效

• 申請號: 201610246588.8
• 申請日: 2016-04-20
• 公開（公告）號: CN105741193B
• 公開（公告）日: 2019-10-18
• 發明（設計）人: 衛志農;王薪蘋;孫國強;李逸馳;臧海祥
• 申請（專利權）人: 河海大學
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;H02J3/00
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種計及分布式電源和負荷不確定性的多目標配網重構方法，其特征在于：包括以下步驟：

步驟1：建立重構優化的三個目標函數，即：有功損耗、節點最小電壓值、負荷均衡度；

所述步驟1包括以下步驟：

步驟101：建立重構優化的第一個目標：配網系統有功損耗，即為：

式中，N_b表示支路數；R_k表示支路k的電阻；P_k表示支路k的有功功率；Q_k表示支路k的無功功率；V_k表示支路k的末端電壓；

步驟102：建立重構優化的第二個目標：最大化電壓最低節點電壓，即為：

式中，V_j表示節點j的電壓標幺值，N表示節點數；

步驟103：建立重構優化的第三個目標：負荷均衡，通過網絡重構將負荷較重線路上的負荷部分轉移到負荷較輕的線路上，用系統負荷均衡度指數進行衡量，其值越小越好，即為：

式中，N_b表示支路數；S_j表示流經支路j的實際電流大小；表示允許流經支路j的最大電流；

此外，潮流計算中，還需要考慮以下約束條件：

式中：V^min，V^max分別表示配網正常運行時節點電壓的上下限；S_k表示支路k的載流量，S^max表示線路k的最大載流量；

步驟2：采用場景分析法處理風電出力、光伏出力以及負荷中的不確定性因素；

所述步驟2中包括以下步驟：

步驟201：對風機出力、光伏出力以及負荷進行場景劃分：

目前一般認為風速服從Weibull分布，概率密度函數如下式：

式中，f_v為風速的概率密度函數，c和d分別是尺度參數和形狀參數，可以根據現場實測風速的歷史數據辨識，v表示風速m/s，在已知風速隨機分布參數的條件下，可以求出任意風速區間的概率，計算公式如下：

上式中case_i表示第i個場景，v_n和v_m分別表示風速場景區間的上下邊界；

太陽光照強度可以近似看成Beta分布：

式中，s和s_max分別為一時間段內的實際光強和最大光強，α和β為一段時間內Beta分布的形狀參數；

太陽能電池方陣輸出功率為：

P_sun＝sAη

其中，P_sun為電池方陣輸出功率，A為太陽能電池方陣總面積，η為光電轉化效率；

采用與風電機組出力同樣的場景劃分方法，劃分光強區間，根據光強概率密度函數計算不同區間即不同場景的概率；

配電網絡中，日負荷曲線、月負荷曲線和年負荷曲線都有較大的波動，隨著分布式電源并網，負荷預測更加困難，因此使得配網重構中的不確定性更強，負荷分為三個典型場景：常態負荷場景，低負荷場景和高負荷場景；

步驟202：場景數確定策略及方案綜合最優性的評價：

場景分析法將不確定性因素轉化到確定性場景中來，風電、光伏并網后，配網重構中不確定性因素主要來自三個方面：風電機組輸出功率、太陽能電池板輸出功率、負荷，因而重構模型中選擇的場景是以上三者所含場景的組合，采用同步回代縮減法對大規模的場景進行削減，對于方案的綜合性能：比較基于場景發生概率的目標函數期望值大小，如下式：

式中：n_s為削減后的場景數；PB_k為場景k發生的概率；F_ik為第k個場景下第i個優化方案的綜合評價值；D_i為第i個優化方案，E[F(D_i)]為第i個優化方案的目標函數期望值；

步驟3：利用多目標擾動生物地理學算法與模糊集理論獲得最終重構方案；

所述步驟3包括以下步驟：

步驟301：采用擾動生物地理學算法來獲得多目標重構方案；該算法采用擾動遷移算子和余弦遷移模型，根據最小化各子目標的原則設計棲息地適宜度評價指標以引導種群進化，用歸檔種群保存進化過程中的非支配解；其中，擾動遷移算子按下式獲得：

q_i,j＝p_k,j+ceil(ξ(p_k1,j-p_k2,j))

式中，ξ為0-1的隨機數；用輪盤賭確定第k個棲息地的第j個變量(p_k,j)遷移到第i個棲息地的第j個變量(q_i,j)位置，隨機生成k1,k2∈{1,2,…,N}/{i}；

余弦遷移模型如下：

式中，λ_k為移入概率，μ_k為移出概率，I為最大移入概率，E為最大移出概率；

定義為綜合評價指標，用來引導種群進化：

式中，F表示棲息地適宜度向量，f_i表示棲息地第i目標函數值向量，f_i,max，f_i,min分別表示所有棲息地第i個目標的最大最小值，rank表示棲息地非支配等級向量，ratio表示種群中非支配等級為1個體所占的比例，迭代前期，支配等級為1的個體較少，支配等級在綜合指標中所占比重較大，隨著種群迭代進化，非支配等級為1的個體越來越多，支配等級在綜合評價指標中的作用降低；w₁，w₂，w₃初始值均設置為1，根據對各目標的重視程度，可以靈活設置權重，三者的和為1；

步驟302：在實際的配網運行中，決策者需要從候選解中確定一個最佳的重構操作方案，采用模糊集理論來確定最佳折中解將每個子目標模糊化處理，定義如下：

式中：i∈{1,2,...,N_obj}；f_i為目標函數；N_obj為目標函數個數；f_i^max,f_i^min分別為第i目標函數的最大值，最小值；h_i取0和1分別表示完全不滿意和完全滿意；非支配解集中各解的滿意程度可以用下式標量化：

h值最大的解定為最佳折中解。