一种配电网无功优化方法技术

本发明专利技术提供一种配电网无功优化方法，包括以下步骤：以分布式电源投资效益最高、网络有功损耗最小及节点电压偏差最小建立多目标无功优化模型；以及采用kriging模型全局优化算法对所述无功优化模型进行求解。利用本发明专利技术提供的配电网无功优化方法可以对含DG配电网的配电网进行无功优化，实现多目标配电网无功优化。

【技术实现步骤摘要】
一种配电网无功优化方法
本专利技术涉及供电
，尤其涉及一种配电网无功优化方法。
技术介绍
大规模分布式电源(DG)并网，使配电网结构变复杂。而配电网无功功率平衡对保障电能质量至关重要。大规模分布式电源并网势必改变配电网的潮流分布，使电网中的无功潮流改变，若某个节点无功不足或过剩，则会降低电压质量。通过逆变器并网的DG，如直驱式风电机组和光伏系统等，可以对并网功率实现有功功率和无功功率独立调节。使含DG的配电网无功优化控制既要解决静止无功补偿装置(SVC)的无功出力，又要处理DG的无功出力，同时还要考虑投切电容器组挡位、有载调压器分接头位置这些离散变量。在实际运行中，DG和大部分负荷都具有较强的随机性，又有储能装置及电动汽车等可控负荷，对优化目标也有新的要求，以满足电网运行的安全性和经济性。
技术实现思路
基于此，有必要针对上述问题，提供一种含DG配电网的配电网无功优化方法，实现多目标配电网无功优化。一种配电网无功优化方法，包括以下步骤：S1，以分布式电源投资效益最高、网络有功损耗最小及节点电压偏差最小建立多目标无功优化模型；以及S2，采用kriging模型全局优化算法对所述无功优化模型进行求解。利用本专利技术提供的配电网无功优化方法可以对含DG配电网的配电网进行无功优化，实现多目标配电网无功优化。附图说明图1为本专利技术实施例提供的配电网无功优化方法流程示意图。图2为本专利技术实施例提供的基于kriging元模型全局优化算法求解无功优化问题的流程图。图3为本专利技术实施例中改造后的节点测试系统示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。请参见图1，本专利技术实施例提供一种配电网无功优化方法，包括以下步骤：S1，以分布式电源投资效益最高、网络有功损耗最小及节点电压偏差最小建立多目标无功优化模型；S2，采用kriging模型全局优化算法对所述无功优化模型进行求解。步骤S1中，建立所述含分布式电源的配电网无功优化模型需要考虑源荷不确定性及电容器组等动作次数约束，本申请中利用概率场景生成和场景削减的方法描述源荷不确定性。风力发电机的有功输出和风速有关，风速一般服从威布尔分布，概率密度函数为：其中，v是风速，k、c分别为威布尔分布的形状、尺度参数，k、c由风速24小时观测均值和方差计算得出，则风电发电机组有功功率输出为：其中，Pr为额定风功率出力，vr、vci、vco分别为额定、切入和切出风速。太阳光照强度beta分布模拟，基于此得出太阳能光伏电池方阵输出功率的概率密度函数为：其中，α和β是beta分布的形状参数，由光照的平均值和方差计算，PM为方阵输出功率，RM为方阵最大输出功率且与方阵总面积和光电转换效率成正比。负荷功率概率分布采用正态分布进行模拟，表达式为：其中，μp、μQ和σP、σQ分别为有功负荷和无功负荷的期望和方差。储能装置(ESS)模型，本申请考虑电化学储能，设电池在控制周期内的充放电过程以恒功率进行，设单个ESS在t时段的荷电状态为S，其中，Pba(t)为电池注入功率，其值为正表示电池放电，其值为负表示电池充电，其值为零表示既不充电也不放电，为充放电效率，Δt为控制时间间隔，Swh为ESS额定容量。由于分布式电源和负荷均具有随机性，储能装置作为可控负荷和电源，对削谷填峰改善电压有积极作用。对于随机性源荷，本申请对每个随机变量的累积概率分布曲线的纵轴等概率分成N个空间，有P个随机变量，则通过采样后得到一个N×P的采样矩阵，通过迭代计算，最后形成N个采样场景，场景集合为SC。为满足抽样规模，N取值大，精度高，但降低了计算效率，因此可采用同步回代削减SBR技术进行场景削减，通过计算场景间的概率距离，找到与其距离最短的场景，合并相似的场景并确定相应概率。基于源荷不确定性，选取分布式电源、无功补偿装置和储能放电时的无功出力为连续控制变量，电容器组无功投切容量、有载调压器(OLTC)分接头位置为离散控制变量；以DG投资效益最高、网络有功损耗最小及节点电压偏差最小建立多目标无功优化模型。即：分布式电源投资效益B：其中，B为DG投资效益，B1为DG年投资收益，B2为DG年投资成本。配电网有功损耗Ploss：其中，为系统在场景sc下第t时段的有功网损；SC为总的场景数，psc为第sc个场景发生的概率，N1为配电网支路数，m和n是支路的首末端节点的编号；Vm，sc，t、Vn，sc，t分别为节点m和n在场景sc下第t时段的电压幅值；Gk(m，n)为节点m和n之间支路的导纳元素的实部；θm，n，sc，t为节点m和n之间在场景sc下第t时段的电压相角差。节点电压偏差dV其中，NL为配电节点数，SC为场景集合的个数；为第sc个场景下，t时段，m节点电压的给定值，一般设为1.0pu；和分别是第sc个场景下，t时段，节点m处的最大电压限值和最小电压限值。对目标进行归一化处理，其中，α1、α2和α3分别是分布式电源年投资效益、系统有功网损、节点电压偏差的归一值。Bmax和Ploss，min分别是单独以分布式电源效益、有功网损为单一优化目标时得到的投资效益最大值和有功网损最小值。Bmin和Ploss，max是不进行优化时得到的分布式电源效益和有功网损值。采用权重系数法，将问题进行转化求解，建立满意度函数：f＝aα1+bα2+c(1-α3)(13)a、b、c为权重系数，采用以有功损耗为主的层次分析法，a、b、c分别取值为：0.1，0.7，0.2，f为满意度值，其值越接近1，说明优化方案越理想。约束条件动态无功优化的约束条件包括等式约束条件和不等式约束条件。其中等式约束条件即为潮流约束等式方程：其中，N为配电网中的节点总数；PGm、QGm为分布式电源在节点m处输出的有功功率和无功功率；Pdm、Qdm为在节点m处的负荷的有功功率和无功功率。电容器组无功补偿容量(组数)有载调压变压器分接头位置SVC无功功率满足的不等式约束及考虑电容器组投切次数和有载调压变压器分接头动作次数约束：其中，NC、NT、NSVC、NESS分别为并联电容器组、OLTC、SVC、ESS个数，和分别为第m个并联电容器组允许最大组数和最小组数，分别是第k个OLTC分接头位置调节上下限，为第m个SVC允许的最大、最小无功功率输出，为第m个ESS放电时，允许的最大、最小无功功率输出，Mm为第m个电容器组日限制动作次数，Zk为第k个OLTC日限制动作次数。DG、ESS运行约束应满足：本文档来自技高网...

【技术保护点】
1.一种配电网无功优化方法，其特征在于，包括以下步骤：/nS1，以分布式电源投资效益最高、网络有功损耗最小及节点电压偏差最小建立多目标无功优化模型；/nS2，采用kriging模型全局优化算法对所述无功优化模型进行求解。/n

【技术特征摘要】
1.一种配电网无功优化方法，其特征在于，包括以下步骤：
S1，以分布式电源投资效益最高、网络有功损耗最小及节点电压偏差最小建立多目标无功优化模型；
S2，采用kriging模型全局优化算法对所述无功优化模型进行求解。


2.根据权利要求1所述的配电网无功优化方法，其特征在于，步骤S1中选取分布式电源、无功补偿装置和储能放电时的无功出力为连续控制变量；电容器组无功投切容量、有载调压器分接头位置为离散控制变量。


3.根据权利要求1所述的配电网无功优化方法，其特征在于，步骤S1中，风电发电机组有功功率输出为：



其中，Pr为额定风功率出力，vr、vcl、vco分别为额定、切入和切出风速。


4.根据权利要求1所述的配电网无功优化方法，其特征在于，步骤S1中，太阳能光伏电池方阵输出功率的概率密度函数为：



其中，α和β是beta分布的形状参数，由光照的平均值和方差计算，PM为方阵输出功率，RM为方阵最大输出功率且与方阵总面积和光电转换效率成正比。


5.根据权利要求1所述的配电网无功优化方法，其特征在于，步骤S1中，负荷功率概率分布采用正态分布进行模拟，表达式为：






其中，μp、μQ和μP、σQ分别为有功负荷和无功负荷的期望和方差。


6.根据权利要求1所述的配电网无功优化方法，其特征在于，步骤S1中，对每个随机变量的累积概率分布曲线的纵轴等概率分成N个空间，有P个随机变量，则通过采样后得到一个N×P的采样矩阵，通过迭代计算，最后形成N个采样场景，场景集合为SC。


7.根据权利要求1所述的配电网无功优化方法，其特征在于，步骤S1中，分布式电源投资效益B：



其中，B为DG投资效益，B1为DG年投资收益，B2为DG年投资成本；
配电网有功损耗Ploss：...

【专利技术属性】
技术研发人员：石佩玉，张红星，路文梅，田晓军，彭程，
申请(专利权)人：河北水利电力学院，
类型：发明
国别省市：河北;13