一种含分布式电源的配电网多目标优化调度方法技术

一种含分布式电源的配电网多目标优化调度方法，它包括以下步骤：S1:建立以系统节点最大电压偏差最小、配电网各支路的网络损耗最小和分布式电源接入最大为目标函数的多目标配电网模型；S2:确定潮流方程约束、DG有功功率上限约束和节点电压约束等约束条件；S3:通过引入群体动物的自学习机制,构建基于多群体自学习的多目标群搜索算法对配电网调度问题进行优化。本发明专利技术以DG入网容量最大、以系统网损和电压偏差最小为目标函数建立多目标配电网模型，以潮流方程、DG容量极限为约束条件，综合考虑多种类型的DG接入，基于自学习群体搜索算法提出了多群体自学习群搜素算法来优化所建立的多目标配电网模型。

【技术实现步骤摘要】

本专利技术涉及一种含分布式电源的配电网多目标优化调度方法，属于配电网调度

技术介绍
近年来为应对能源、环保和气候变化的挑战，低碳可再生能源得到大力发展，新能源以分布式电源的形式直接接入配电网是今后的发展趋势。配电网是直接或降压后将电能送到用户侧的电网，研究大量分布式电源接入后的系统结构和运行显得极其重要。含分布式电源配电网优化问题中存在诸多指标需要优化，如电压偏差、网损、分布式电源最大准入容量等，故需要多目标优化算法进行求解。目前主要有两类方法对该问题进行求解，一类是采用加权法对每个目标进行加权，然后作为单目标优化；一类是采用多目标优化算法获得帕累托解集，然后再通过决策方法确定最优的解。近年来，多目标进化算法以其灵活性高、鲁棒性强、适应性广等优点被广泛应用于求解电力系统优化调度问题。例如，有些学者将多目标遗传算法和非占优选择方法应用到电力系统电网规划中；还有些学者将多目标粒子群算法应用于求解含DG配电网重构问题。最近，一个新的多目标优化算法，多领头者群体搜索算法(GroupSearchOptimizerwithMultipleProducers,GSOMP)被提出来求解经济排放调度。GSOMP是基于群搜索算法(GroupSearchOptimizer，GSO)而提出的，仿真结果证明GSOMP算法明显优于多目标遗传算法和多目标粒子群算法。在GSOMP中，种群个体被赋予三种不同的角色，分别为领头者、追随者和游荡者。领头者是指种群中适应值最好的个体，其任务为带领整个种群寻找优质资源，并且其数量等于优化目标的个数。除了领头者，剩下的个体被随机的分为追随者和游荡者，追随者将随机的选择一个领头者，并且追随该领头者，分享该领头者发现的资源，为快速收敛到最优点，保证算法的局部搜索性能；游荡者将在整个搜素区域内进行随机漫步(RandomWalk，RW)，旨在保持种群多样性，避免算法陷入局部最优，确保算法的全局搜索性能。尽管GSOMP在求解复杂电力系统调度问题上优于多目标遗传算法和多目标粒子群算法，但该算法在优化高维多模优化问题时，仍存在收敛速度慢的缺点。对于基于加权的单目标优化方法，需要统一量纲，且权值的分配带有主观人为因素，具有片面性、缺乏科学性。对于多目标优化算法，主要有多目标粒子群算法、多目标遗传算法和多目标群搜索算法等，它们存在局部搜索或全局搜索性能不足的问题，即不收敛或者容易陷入局部最优。
技术实现思路
针对上述多目标优化算法的不足，本专利技术提出了一种含分布式电源的配电网多目标优化调度方法，其能够权衡局部搜索和全局搜索，旨在快速搜索到全局最优解。本专利技术解决其技术问题采取的技术方案是：一种含分布式电源的配电网多目标优化调度方法，其特征是，包括以下步骤：S1:建立含多类型DG的多目标配电网模型,所述多目标配电网模型以系统节点最大电压偏差最小、配电网各支路的网络损耗最小和配电网的分布式电源接入最大为目标函数；S2:确定约束条件，所述约束条件包括潮流方程约束、DG有功功率上限约束和节点电压约束；S3:进行配电网调度优化，所述对配电网调度进行优化的过程为通过引入群体动物的自学习机制,构建基于多群体自学习的多目标群搜索算法对配电网调度问题进行优化。基于当考虑配电网电压偏差、网络损耗、DG容量和潮流方程等方面问题时，配电网优化配置是一个多目标、多约束的复杂优化问题，本专利技术建立的多目标配电网模型以DG入网容量最大、以系统网损最小和电压偏差最小为目标函数，以潮流方程、DG容量极限为约束条件，综合考虑PQ、PV和PI类型的DG接入；基于自学习群体搜索算法(Self-LearningGroupSearchOptimizer，SLGSO)，提出了多群体自学习群搜素算法(MultipleSelf-LearningGroupSearchOptimizer，MSLGSO)来优化所建立的多目标配电网模型。优选地，在步骤S1中，以系统节点最大电压偏差最小为目标函数f1、以配电网各支路的网络损耗最小为目标函数f2、以配电网的分布式电源接入最大为目标函数f3建立多目标配电网模型；所述目标函数f1为：式中：Pi和Qi分别为节点i的有功功率和无功功率；Ri和Xi分别为节点i处的等值电阻和电抗；ViN为节点i处电压的额定值；n为系统总的节点数；所述目标函数f2为：式中：L为系统总支路数；rj为支路j电阻；Pj和Qj分别为支路j末端流过的有功功率和无功功率；所述目标函数f3为：式中：NDG为配电网接入总的DG数；PDGj为第j个节点接入DG的有功功率；PLi为第i个节点负荷的有功功率。优选地，在所述约束条件中：1)潮流方程约束为：式中：PDGi和QDGi分别为在第i个节点处注入的DG有功功率和无功功率；PLi和QLi分别为第i个节点处负荷的有功功率和无功功率；Gij和Bij分别为节点i和j之间的电导和电纳；δij为节点i和j之间的电压相角差；2)DG有功功率上限约束为：式中：为第i个节点允许接入DG的有功功率上限；3)节点电压约束为：Vimin≤Vi≤Vimax(6)式中：Vimin和Vimax分别为第i个节点电压的下、上极限。优选地，在步骤S3中，所述多群体自学习群搜素算法包括：领头者搜索机制：将每个群体中适应值最小的个体视为领头者，每个领头者将沿着三个方向进行随机搜索，寻找优质资源，确定其下一代的位置；在第g代中，第p个群体的领头者xpg搜素机制如下：式中：r1和r2为(0,1)内的随机数；lmax和θmax分别为最大搜索距离和最大搜索视角；为领头者在第g代的搜索视角；fp为第p个目标函数；D为单位矩阵，CircShit(.)为极坐标和直角坐标变换；组织者搜索机制：在每个群体的每一代中，随机选取一些个体视为组织者，组织者将对其对应的群体的每一代成功进化路径进行学习，确定其在下一代中的进化路径和进化步长；在g代的第p个群体中，第k个组织者的具体搜索机制如下：式中，σpg为在g代中第p个种群组织者的进化步长；N(0,Cpg)为由在g代中第p个种群得组织者形成的多元正态分布；游荡者搜索机制：除了领头者和组织者，每个群体中剩余的个体被视为游荡者，采用LF机制在整个搜索空间内进行随机搜索，用以保持种群多样性，增强多群体自学习群搜素算法的全局搜索性能；所述LF机制如下：在第g代的每个群体中，游荡者首先确定一个随机步长stepsizep,i：式中，u＝Φ·randn(n)，v＝randn(n)，β＝1.50，n为系统优化变量数；Φ的计算如下：式中，Γ为伽马函数；然后，游荡者将根据公式(12)所示步长stepsizep,i进行搜素更新：优选地，在组织者搜索机制中，组织者进行学习的过程为：首先，根据适应值的大小，将其对应的群体中的个体分为优秀个体和劣质个体，适应值小的个体视为优秀，适应值大的个体视为劣质；然后对优秀个体通过指数加权法得到该群体的均值向量m；再次，根据m，得到该群体的协方差矩阵C；最后，根据m和C，确定该群体组织者的进化路径和步长；优选地，在步骤S3中，所述引入群体动物的自学习机制的过程为对MSLGSO算法解集库更新的过程，具体实现过程为：首先引入信息分享策略对每一代多群体自学习群搜素算法的解集进行适应值排序，形成当代的非占优解，存储到解本文档来自技高网...

【技术保护点】
一种含分布式电源的配电网多目标优化调度方法，其特征是，包括以下步骤：S1:建立含多类型DG的多目标配电网模型,所述多目标配电网模型以系统节点最大电压偏差最小、配电网各支路的网络损耗最小和配电网的分布式电源接入最大为目标函数；S2:确定约束条件，所述约束条件包括潮流方程约束、DG有功功率上限约束和节点电压约束；S3:进行配电网调度优化，所述对配电网调度进行优化的过程为通过引入群体动物的自学习机制,构建基于多群体自学习的多目标群搜索算法对配电网调度问题进行优化。

【技术特征摘要】
1.一种含分布式电源的配电网多目标优化调度方法，其特征是，包括以下步骤：S1:建立含多类型DG的多目标配电网模型,所述多目标配电网模型以系统节点最大电压偏差最小、配电网各支路的网络损耗最小和配电网的分布式电源接入最大为目标函数；S2:确定约束条件，所述约束条件包括潮流方程约束、DG有功功率上限约束和节点电压约束；S3:进行配电网调度优化，所述对配电网调度进行优化的过程为通过引入群体动物的自学习机制,构建基于多群体自学习的多目标群搜索算法对配电网调度问题进行优化。2.如权利要求1所述的一种含分布式电源的配电网多目标优化调度方法，其特征是，在步骤S1中，以系统节点最大电压偏差最小为目标函数f1、以配电网各支路的网络损耗最小为目标函数f2、以配电网的分布式电源接入最大为目标函数f3建立多目标配电网模型；所述目标函数f1为：式中：Pi和Qi分别为节点i的有功功率和无功功率；Ri和Xi分别为节点i处的等值电阻和电抗；ViN为节点i处电压的额定值；n为系统总的节点数；所述目标函数f2为：式中：L为系统总支路数；rj为支路j电阻；Pj和Qj分别为支路j末端流过的有功功率和无功功率；所述目标函数f3为：式中：NDG为配电网接入总的DG数；PDGj为第j个节点接入DG的有功功率；PLi为第i个节点负荷的有功功率。3.如权利要求1所述的一种含分布式电源的配电网多目标优化调度方法，其特征是，在所述约束条件中：1)潮流方程约束为：式中：PDGi和QDGi分别为在第i个节点处注入的DG有功功率和无功功率；PLi和QLi分别为第i个节点处负荷的有功功率和无功功率；Gij和Bij分别为节点i和j之间的电导和电纳；δij为节点i和j之间的电压相角差；2)DG有功功率上限约束为：式中：为第i个节点允许接入DG的有功功率上限；3)节点电压约束为：Vimin≤Vi≤Vimax(6)式中：Vimin和Vimax分别为第i个节点电压的下、上极限。4.如权利要求1所述的一种含分布式电源的配电网多目标优化调度方法，其特征是，在步骤S3中，所述多群体自学习群搜素算法包括：领头者搜索机制：将每个群体中适应值最小的个体视为领头者，每个领头者将沿着三个方向进行随机搜索，寻找优质资源，确定其下一代的位置；在第g代中，第p个群体的领头者xpg搜素机制如下：式中：r1和r2为(0,1)内的随机数；lmax和θmax分别为最大搜索距离和最大搜索视角；为领头者在第g代的搜索视角；fp为第p个目标函数；D为单位矩阵，CircShit(.)为极坐标和直角坐标变换；组织者搜索机制：在每个群体的每一代中，随机选取一些个体视为组织者，组织者将对其对应的群体的每一代成功进化路径进行学习，确定其在下一代中的进化路径和进化步长；在g代的第p个群体中，第k个组织者的具体搜索机制如下：式中，σpg为在g代中第p个种群组织者的进化步长；N(0,Cpg)为由在g代中第p个种群得组织者形成的多元正态分布；游荡者搜索机制：除了领头者和组织者，每个群体中剩余的个体被视为游荡者，采用LF机制在整个搜索空间内进行随机搜索，用以保持种群多样性，增强多...

【专利技术属性】
技术研发人员：苏建军，张林利，李立生，孙勇，邵志敏，张世栋，李建修，王昕，刘合金，樊迪，孙树敏，张婉婕，李广磊，王青，李文杰，郭新胜，田野，
申请(专利权)人：国网山东省电力公司电力科学研究院，国网山东省电力公司东营供电公司，国家电网公司，
类型：发明
国别省市：山东;37