【技术实现步骤摘要】
基于改进的NSGA-II算法的三相配电网多目标优化方法
本专利技术属于三相不平衡配电网多目标优化
,尤其涉及基于改进的NSGA-II算法的三相配电网多目标优化方法。
技术介绍
目前,三相不平衡配电网的多目标优化按照求解算法可分为权重系数法和多目标智能算法两大类,光伏有功功率的不确定性处理按场景分析方法可分为静态场景分析法和动态场景分析法两大类。权重系数法通过权重系数的选取,将多目标优化问题转化为单目标优化问题,降低其求解难度。多目标智能算法运用非支配概念,直接对多目标问题进行求解,搜索得到多目标的非支配前沿,再根据调度员的偏好选择其折衷解,NSGA-II算法是多目标智能算法中较成熟的算法。不论是权重系数法还是多目标智能算法都存在种种不足,如权重系数法中系数的选取具有一定的目标函数倾向性,其不同的取值将极大影响求得的结果。如何增强该算法的全局搜索能力,如何对多类型变量进行编码,以及如何保证状态变量严格满足约束条件是应用NSGA-II算法须解决的问题。静态场景分析法通过取消随机变量的相关性,产生各独立随机变量的场景,以有限数量的典型场景代表随机变量的不确定性。动态场景分析法考虑随机变量跨时间断面的相关性,部分研究通过协方差矩阵表示其相关程度。不论是静态场景分析法还是动态场景分析法都存在种种不足,如静态场景分析法只针对独立不相关的随机变量。动态场景分析法中采用协方差矩阵表示随机变量的相关程度,已有研究采用遗忘因子递推估计得到协方差矩阵,然而其均采用常数遗忘因子,常数的取值具有研究主观性,且假定任意时刻该值均相同,存在一定的误差,同时现今未有研究对遗忘因子取 ...
【技术保护点】
基于改进的NSGA‑II算法的三相配电网多目标优化方法,其特征是,包括以下步骤:步骤1、对历史数据进行处理,采用经验分布拟合光伏有功功率实际值分布;步骤2、进行遗忘因子参数辨识;步骤3、生成光伏有功功率场景;步骤4、削减场景;步骤5、建立三相不平衡配电网多目标优化模型;步骤6、利用改进的NSGA‑II算法对三相不平衡配电网多目标优化模型进行求解。
【技术特征摘要】
1.基于改进的NSGA-II算法的三相配电网多目标优化方法,其特征是,包括以下步骤:步骤1、对历史数据进行处理,采用经验分布拟合光伏有功功率实际值分布;步骤2、进行遗忘因子参数辨识;步骤3、生成光伏有功功率场景;步骤4、削减场景;步骤5、建立三相不平衡配电网多目标优化模型;步骤6、利用改进的NSGA-II算法对三相不平衡配电网多目标优化模型进行求解。2.如权利要求1所述的基于改进的NSGA-II算法的三相配电网多目标优化方法,其特征是,步骤1的实现包括:步骤1.1、统计电网的历史光伏预测值和实际值,并将其标幺化;步骤1.2、将光伏预测值分为51个箱,分别为0p.u.箱和数值区间在(0p.u.,1p.u.]范围内每隔0.02p.u.区间长度的50个箱,每个箱内数据为光伏预测值数值区间内所有光伏有功功率实际值,采用经验分布对其进行拟合。3.如权利要求1所述的基于改进的NSGA-II算法的三相配电网多目标优化方法,其特征是,步骤2的实现包括:步骤2.1、引入光伏有功功率波动量,提出遗忘因子辨识方法;步骤2.2、得到最佳的遗忘因子,以此递归估计协方差矩阵,通过协方差矩阵表示光伏有功功率时间断面的相关性程度;步骤2.3、生成满足该协方差矩阵的随机数。4.如权利要求2所述的基于改进的NSGA-II算法的三相配电网多目标优化方法,其特征是,步骤3的实现包括:根据步骤1.2得到的每个光伏有功功率预测值范围内光伏有功功率实际值的累积经验分布函数生成0-1随机数,再通过经验分布函数求逆生成光伏有功功率场景。5.如权利要求4所述的基于改进的NSGA-II算法的三相配电网多目标优化方法,其特征是,步骤4所述削减场景采用同步回带消除法削减光伏有功功率场景,得到有限的典型场景。6.如权利要求1所述的基于改进的NSGA-II算法的三相配电网多目标优化方法,其特征是,步骤5的实现包括:步骤5.1、建立同时优化网损和三相不平衡配电网多目标优化模型,限制电容器和调压器一日的最大调节次数,且考虑由于光伏有功功率的不确定导致的光伏无功功率调节范围的不确定;步骤5.2、采用动态场景分析法将不确定性问题转化为等价的确定性问题。7.如权利要求1所述的基于改进的NSGA-II算法的三相配电网多目标优化方法,其特征是,步骤6所述改进的NSGA-II算法为,提出简化的离散变量编码方式,采用非支配概念处理状态变量约束,利用优先保留优良个体及新的拥挤距离计算方法,且结合多目标差分进化算法及经典的NSGA-II算法进行求解。8.如权利要求7所述的基于改进的NSGA-II算法的三相配电网多目标优化方法,其特征是,所述步骤6的具体实现包括以下步骤:步骤6.1、采用递归估计方式自适应估计协方差矩阵,式(1)为其数学形式,通过式(2)对协方差矩阵进行转化,保证协方差矩阵对角元素为1;Σt=λΣt-1+(1-λ)Xt-KXt-KT(1)式(2)中,∑t为时刻t的协方差矩阵,∑t-1为t-1时刻协方差矩阵,λ为遗忘因子,且满足λ∈[0,1),t=1,2,…,K,K为总时刻数,Xt-K为时刻t的前K个时刻光伏有功功率实际值,向量Xt-K的维度与矩阵∑t的阶数相同;为点除运算符号,R为K维列向量,其值为协方差矩阵∑的对角元素的平方根;步骤6.2、采用逆变换抽样得到考虑光伏有功功率时间相关性的多个场景,引入功率波动Pramp,该值由式(3)得到,通过不同遗忘因子下的S条动态场景,再通过式(4)对遗忘因子进行辨识,得到最佳的遗忘因子值及S条动态场景;Pramp=Pt-Pt+1(3)式(3)、(4)中,Pt和Pt+1分别为时刻t和时刻t+1的光伏有功功率;u为在数值区间[-0.2,0.2]的等间距抽样点;N为总抽样数;pdf0(u)和pdf(u)分别为历史数据以及场景对应的光伏功率波动Pramp的t-location分布概率密度函数;步骤6.3、采用同步回带消除法对场景进行削减,其数学形式为式(5);
【专利技术属性】
技术研发人员:徐箭,王静,廖思阳,孙元章,刘继,蒋一博,魏聪颖,唐博文,
申请(专利权)人:武汉大学,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。