基于智能优化方法的城市移动应急电源最优调度方法技术

一种新型的城市移动应急电源最优调度方法，包括如下步骤：1)输入初始参数；2)相关集合及优化变量；3)第一阶段的最优孤岛划分；4)第二阶段的最优接入点选择；5)输出最终结果。本发明专利技术结合智能优化方法，解决城市移动应急电源的最优调度问题。

【技术实现步骤摘要】

本专利技术涉及一种结合智能优化方法的应急电源最优接入点选择方法，特别针对一 种考虑负荷等级和可控负荷的配电网应急电源最优调度方法问题。
技术介绍
随着配电网建设的加强和微电网技术的日趋成熟，配电网的故障恢复逐渐成为智 能电网自愈控制的重要环节。随着分布式电源（distributed generation，DG)大量接入城 市配电网，传统的单源辐射状配电网变为多源系统，电网结构越发复杂。当城市配电网发生 故障或遭遇到大面积的停电，若不采取应急措施将会为城市中的用户带来巨大的经济损失 和安全隐患。 移动应急电源作为一种直接恢复配电网馈线供电的设备，能够分布式解决重要用 户的供电问题，目前受到广泛关注。因此，在城市配电网发生灾变的同时，如果有效利用移 动应急电源最优限度降低配电网的故障损失成为了目前热门研究方向。移动应急电源的最 优调度问题是一种大规模、非线性、多目标的组合优化问题，目前主要的求解方法即启发式 搜索方法：针对单个移动应急电源的最优调度问题，需要枚举移动应急电源接入配电网中 所有节点后得到的孤岛划分方案，选取其中加权失电负荷最小的方案为最终的最优故障划 分方案；针对多个移动应急电源的最优调度问题，则需要枚举所有移动应急电源的不同组 合方式，然后按照移动应急电源组合容量总和从大到小排列，一次按照单移动电源的处理 方式，选择最优孤岛方案，最后加以修正，并进行最优潮流计算，得出最终的多台移动应急 电源最优调度方案。该方法在应对节点数量较少、移动应急电源数量较少的最优调度问题 时，比较高效便捷，但一旦配电网的节点数量增加以及移动应急电源数量的增加，仅仅通过 枚举所有节点和所有容量组合方式的做法效率较低，易造成维数灾难，导致最后在有限的 时间内无法获取最终的最优调度方案；同时，如果配电网中含有联络开关，则通过启发式搜 索方法无法得到孤岛划分方案，这使得上述方法的适用性较窄。因此，针对多移动应急电源 接入多节点、含联络开关配电网的最优调度问，目前鲜有效果较好的解决方法。
技术实现思路
本专利技术要克服现有技术的上述缺点，提出一种结合智能优化方法的新型的城市移 动应急电源最优调度方法。 城市中的移动应急电源可以直接恢复所连接馈线的供电，解决重要用户的停电问 题，减少其经济损失，目前已经成为现代城市电力应急体系的一项重要资源。但由于移动应 急电源造价昂贵，配置数量有限，不可能在配电网发生PCC点故障时满足所有负荷的需求。 因此，如何合理的调度移动应急电源成为当下研究的关键。本专利技术提出一种基于智能优化 方法的移动应急电源最优调度方法，将整个调度分为两个阶段：最优孤岛划分和最优接入 点搜索。两个阶段分别以加权恢复负荷量和网络损耗为目标函数，通过智能优化算法进行 优化求解：第一阶段即最优孤岛的生成，采用智能优化算法对整个配电网络的孤岛划分，使 得最终加权负荷恢复总量最大；第二阶段的目标即最优接入点的选取，通过智能优化算法 求解每个孤岛内各个应急电源的接入点，使得所有孤岛运行时网损最小。 本专利技术项目采用量子粒子群智能优化方法求解考虑负荷等级的配电网移动应急 电源最优调度问题，具体的优化流程如图1所示。本专利技术方法所述的最优调度方法，步骤如 下： 1)输入初始参数 输入配电网的线路参数、负荷有功功率和无功功率参数、可控负荷的可控比例参 数、负荷等级参数、移动应急电源的数量N、移动电源的容量参数、整个配电网的开关总数为 N1，节点总数为Nd，量子粒子群算法的粒子数Np; 2)构建相关集合及优化变量 设优化调度后的网络最终形成L个孤岛；L个孤岛内的节点集合为D = (D1, D2，… ，D1，…，DJ，D1为第i个孤岛内的节点集合；所有孤岛内的线路集合为E = {E ^ E2，…，E1，… ，EJ，E1为第i个孤岛内的线路集合。所有孤岛内移动应急电源的集合为F= {Fub - ，F1，…，FJ，F1为第i个孤岛内的接入的移动应急电源集合。第一个优化阶段内优化变量 空间为X = (X1, X2,…，Xi,…，xN，Z1, Z2，…，z_j,…，zN1}，Xi表示第i个移动应急电源所接入 的节点序号，Z1表示第i个开关的状态；第二个优化阶段内优化变量空间为y = {y u y2，~ ，yN}，Y1表示第二阶段内第i个移动应急电源所接入的节点序号 3)第一阶段的最优孤岛划分 第一阶段主要通过选取初始的移动应急电源接入点和配电网中各个开关的状态， 使得整个配电网在满足运行约束的情况下因负荷切除而产生的加权失电负荷量最小，得出 最优孤岛划分方案。 3. 1)第一阶段模型构建和参数输入 3.1.1)目标函数 第一阶段主要考虑的目标为加权负荷恢复总量，因此，目标函数表示如下： 其中，H1为第一阶段的目标函数，D j为第j个孤岛的节点集合，Ic1为节点i上负荷 的重要程度，Plciad,i表示节点i上的负荷有功功率，b廣示节点i上的负荷是否切除，b 1= 0 表示节点i恢复供电，h= 1表示节点i被切除，b ;为小数则表示可控负荷被切除的比例。 3. 1.2)约束条件 i)系统功率平衡约束 针对接入移动应急电源的第i个孤岛，需要满足有功功率和无功功率约束： 其中，Pwd, j和Q Wdi j表示节点j上负荷的有功功率和无功功率；X廣示线路k的 电抗；PdgiJP Qdgil表示移动应急电源1的有功功率和无功功率。 ii)辐射状网络约束 CgridGCf (3) 其中，Cg"d为重构后的拓扑结构，C f为辐射状的拓扑结构。 iii)支路容量约束 针对第i个孤岛，需要满足支路容量潮流约束： Slinin^ S1^ Slinax i e G1 (4) 其中，Slinun、Sliniax为第i条支路的最大和最小容量，S i为第i条支路实际的功率容 量A1表示接于移动应急电源馈线并恢复供电的线路集合。 iv)电压约束 针对第i个孤岛，需要满足电压幅值和相角约束： Vlinin^ V ^ Vlinax i e Gb (5) δ ι ηιη^ δ ^ δ i nax i e Gb (6) 其中，表示节点i的电压值、电压上限值和下限值；δ 、δ ι ηιιη、δ i niax 为节点i的相角值、相角上限值和下限值；Gb表示接于移动应急电源馈线并恢复供电的节 点集合 3. L 3)第一阶段参数输入 输入第一阶段量子粒子算法所需要的参数，即速度初始值V、惯性权重的最大值 、惯性权重的最小值、迭代最大次数111_、自身学习因子C1、社会学习因子c2、 3. 2)初始化粒子的位置值 根据智能优化算法的特点，在可行域的范围内随机定义粒子的初始位置值。设第 一阶段粒子的位置值为： Xw= Ix 广)，x2(m)，…，Xk(m)."，x Np(m)} (7) xk(m) = {x !, x2, ···, Xi, ···, xN, Z1, z2, ···, z j, ···, zN1} (8) 其中，x(m)表示第m次迭代时所有粒子的位置集合；x k(m)表示第m次迭代时粒子k 的位置值；Xl表示第k个粒子中移动应急电源i所接入的节点序号，z ,表示第k个粒子中 开关j的状态。其中，Xl的可行域为之间的正整数，Zj的可行域为0或1。因此，综 上所述，本文档来自技高网...

【技术保护点】
基于智能优化方法的城市移动应急电源最优调度方法，步骤如下：1)输入初始参数；输入配电网的线路参数、负荷有功功率和无功功率参数、可控负荷的可控比例参数、负荷等级参数、移动应急电源的数量N、移动电源的容量参数、整个配电网的开关总数为Nl，节点总数为Nd，量子粒子群算法的粒子数Np；2)构建相关集合及优化变量；设优化调度后的网络最终形成L个孤岛；L个孤岛内的节点集合为D＝{D1,D2,…,Di,…,DL}，Di为第i个孤岛内的节点集合；所有孤岛内的线路集合为E＝{E1,E2,…,Ei,…,EL}，Ei为第i个孤岛内的线路集合；所有孤岛内移动应急电源的集合为F＝{F1,F2,…,Fi,…,FL}，Fi为第i个孤岛内的接入的移动应急电源集合；第一个优化阶段内优化变量空间为x＝{x1,x2,…,xi,…,xN,z1,z2,…,zj,…,zNl},xi表示第i个移动应急电源所接入的节点序号,zi表示第i个开关的状态；第二个优化阶段内优化变量空间为y＝{y1,y2,…,yN},yi表示第二阶段内第i个移动应急电源所接入的节点序号；3)第一阶段的最优孤岛划分；第一阶段主要通过选取初始的移动应急电源接入点和配电网中各个开关的状态，使得整个配电网在满足运行约束的情况下因负荷切除而产生的加权失电负荷量最小，得出最优孤岛划分方案；3.1)第一阶段模型构建和参数输入；3.1.1)目标函数；第一阶段主要考虑的目标为加权负荷恢复总量，因此，目标函数表示如下：min H1=Σj=1LΣi∈DjkibiPload,i---(1)]]>其中，H1为第一阶段的目标函数，Dj为第j个孤岛的节点集合，ki为节点i上负荷的重要程度，Pload,i表示节点i上的负荷有功功率，bi表示节点i上的负荷是否切除，bi＝0表示节点i恢复供电，bi＝1表示节点i被切除，bi为小数则表示可控负荷被切除的比例；3.1.2)约束条件；i)系统功率平衡约束；针对接入移动应急电源的第i个孤岛，需要满足有功功率和无功功率约束：Σj∈FiPload,j+Σk∈Eirk(Pk2+Qk2Vk)≤Σl∈FiPdg,lΣj∈FiQload,j+Σk∈Eixk(Pk2+Qk2Vk)≤Σl∈FiQdg,l---(2)]]>其中，Pload,j和Qload,j表示节点j上负荷的有功功率和无功功率；xk表示线路k的电抗；Pdg,l和Qdg,l表示移动应急电源l的有功功率和无功功率；ii)辐射状网络约束；Cgrid∈Cf   (3)其中，Cgrid为重构后的拓扑结构，Cf为辐射状的拓扑结构；iii)支路容量约束；针对第i个孤岛，需要满足支路容量潮流约束：Si,min≤Si≤Si,max i∈Gl   (4)其中，Si,min、Si,max为第i条支路的最大和最小容量，Si为第i条支路实际的功率容量；Gl表示接于移动应急电源馈线并恢复供电的线路集合；iv)电压约束；针对第i个孤岛，需要满足电压幅值和相角约束：Vi,min≤Vi≤Vi,max i∈Gb   (5)δi,min≤δi≤δi,max i∈Gb   (6)其中，Vi、Vi,min、Vi,max表示节点i的电压值、电压上限值和下限值；δi,、δi,min、δi,max为节点i的相角值、相角上限值和下限值；Gb表示接于移动应急电源馈线并恢复供电的节点集合；3.1.3)第一阶段参数输入；输入第一阶段量子粒子算法所需要的参数，即速度初始值v、惯性权重的最大值wmax、惯性权重的最小值wmin、迭代最大次数mmax、自身学习因子c1、社会学习因子c2；3.2)初始化粒子的位置值；根据智能优化算法的特点，在可行域的范围内随机定义粒子的初始位置值；设第一阶段粒子的位置值为：X(m)＝{x1(m),x2(m),…,xk(m),…,xNp(m)}   (7)xk(m)＝{x1,x2,…,xi,…,xN,z1,z2,…,zj,…,zNl}   (8)其中，X(m)表示第m次迭代时所有粒子的位置集合；xk(m)表示第m次迭代时粒子k的位置值；xi表示第k个粒子中移动应急电源i所接入的节点序号，zj表示第k个粒子中开关j的状态；其中，xi的可行域为[1,Nd]之间的正整数，zj的可行域为0或1；因此，综上所述，在可行域的范围内，随机定义粒子的初始位置值X(0)；3.2)粒子的适应度计算；为了后续量子粒子群算法的迭代优化，对每个粒子按以下步骤进行适应度计算，直至得出所有粒子的适应度值；若为初次迭代，则将每个粒子的位置值记为各个粒子所对应的局部最优解Xp＝{xp1,xp...

【技术特征摘要】

【专利技术属性】
技术研发人员：王晶，陈骏宇，冯杰，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33