一种计及源荷不确定性的电网随机无功优化调度方法技术

一种计及源荷不确定性的电网随机无功优化调度方法，提出了一种针对负荷需求、风力发电和太阳能发电存在不确定性的随机最优无功调度问题的求解过程；考虑适当的概率密度函数来对随机负荷需求和可再生能源发电量进行建模；创建了许多由蒙特卡罗模拟的场景，并且运用了场景削减技术以处理场景数量。以电网中负载母线的实际功率损耗和稳态电压偏差为优化目标。采用基于成功历史的自适应差分进化算法作为基本搜索算法；将SHADE与约束处理技术——epsilon约束处理技术相结合，成功地解决了带有约束的ORPD问题。本发明专利技术为无功优化调度问题提供了更优的解决方案。

【技术实现步骤摘要】
一种计及源荷不确定性的电网随机无功优化调度方法
本专利技术属于电力系统最优潮流研究范畴，具体涉及一种基于场景方法的考虑负荷需求和可再生能源不确定性的随机无功优化调度问题的求解方法。
技术介绍
无功功率是维持电网正常工作的必要因素之一，对电网的安全运行起着至关重要的作用。优化电网无功潮流是系统研究的一个主要方面。为了实现最优无功调度，仅由传统热发电机组成的网络已经得到了广泛的研究。然而，随着能源短缺与环境污染问题日益严重，开发利用可再生能源已成为全球共识。在电力系统行业，大规模利用可再生能源发电已成为研究和发展的热点。丰富清洁的太阳能和风能正成为智能电网的重要组成部分。然而，可再生能源的随机性、间歇性、波动性等特点使得无功优化调度(optimalreactivepowerdispatch，ORPD)问题的复杂性不断上升。因此，将风能和太阳能结合起来进行无功优化调度研究显得尤为重要。除了可再生能源的不确定性，同时考虑负荷需求的可变性能够为电网规划提供更为全面与科学的参考信息和决策信息，以增强电网系统的安全性、可靠性和经济性。r>
技术实现思路
...

【技术保护点】
1.一种计及源荷不确定性的电网随机无功优化调度方法，其特征在于，所述方法包括以下步骤：/nS1，在求解ORPD问题前，选取适当的概率密度函数PDFs对随机负荷需求和可再生能源发电量进行建模，过程如下：/nS11：利用具有已知均值μ

【技术特征摘要】
1.一种计及源荷不确定性的电网随机无功优化调度方法，其特征在于，所述方法包括以下步骤：
S1，在求解ORPD问题前，选取适当的概率密度函数PDFs对随机负荷需求和可再生能源发电量进行建模，过程如下：
S11：利用具有已知均值μd和标准差σd的正态概率密度函数对负荷不确定性进行建模，负荷正态分布的概率密度函数Δd(Pd)由下式给出：



其中，Pd为负荷的有功功率；
S12：风速概率分布通常用韦伯概率密度函数表示，韦伯概率密度函数下的风速概率密度Δv(νw)表示为：



其中，νw是风速，α是比例参数，β是韦伯概率密度函数的形状参数；
S13：太阳辐照度采用对数正态分布建模，已知均值μs和标准差σs的太阳辐照度Gs对数正态概率密度函数ΔG(Gs)表示为：



S2，使用蒙特卡罗方法生成表示不确定负荷需求、风能和太阳能的情景，采用场景削减方法以减少生成的大量场景，过程如下：
S21，将负荷需求、风速和太阳辐照度三个元素组合以形成一组情景，每个情景代表3个元素的矢量合，使用蒙特卡洛法生成设定数量个场景，第i个场景表示为：
Yi＝[Pd,i,νw,i,Gs,i](4)
式中，Pd,i，νw,i，Gs,i分别代表第i个场景中的负荷需求、风速和太阳辐照度；
S22，通过应用随机规划的后向归约技术，将设定数量个场景简化为缩减数量个场景集；
S3，针对每个场景分别运行优化算法，尽可能使实际功耗和总电压偏差的目标函数最小化，过程如下：
S31，带有约束条件的ORPD问题目标函数及约束条件的表示；
带有参数d的约束优化问题表示为：
f(x),x＝(x1,x2,...,xd),x∈S(5)
gi(x)≤0,i＝1,...,p(6)
hj(x)＝0,i＝p+1,...,m(7)
其中：
式(5)是ORPD问题的目标函数f(x)，x是变量，S是包含p个不等式和m-p个等式约束的搜索空间；
式(6)是不等式约束集；
式(7)是等式约束集；
在公差参数δ的帮助下，等式约束转化为不等式约束，总约束表示为：



在将等式约束转换为不等式约束之后，总体约束误差表示为：



其中，wi(＝1/Gi,max)是权重参数，Gi,max是到目前为止获得的约束Gi(x)的最大误差，wi被设置为1/Gi,max，其在进化过程中不断变化，以平衡问题中每个约束的贡献，而不考虑所有约束的不同数值范围，目标是找到在总体约束误差vio(x*)＝0下最佳可行解x*和目标函数f(x*)的最小值；
在EC处理方法中，总体约束误差由ε参数控制，通过控制ε参数可以有效地处理找到可行解的搜索过程，根据以下等式更新参数：
ε(1)＝vio(xθ)(10)



其中ε(1)是初始ε参数，xθ是第θ个变量，θ＝0.05*Np，Np是种群规模，t是计数器，当t达到Tc时，ε参数被设置为零，推荐的参数范围是：Tc∈[0.1Tmax,0.8Tmax]，cp∈[2,10]，其中Tmax是t的最大值；
出现下列情况时，认为解xi优于xj：
①xi是可行的，xj是不可行的；
②xi和xj都是可行的，在最小化问题中xi产生的目标值小于xj；
③xi和xj都是不可行的，但是xi导致较小的总体约束误差，如公式(9)所计算；
如果解决方案的总体约束误差低于ε(t)，则认为该解决方案是可行的，在初始阶段，假定ε(t)是一个较小的值，并且之后将该值设置为零；
S32，基于成功历史的自适应差分进化算法，过程如下：
S321，初始化，使用随机分配的值创建候选解决方案群，即决策向量，为保证决策向量随机生成的值位于定义的上下边界内，第i个决策向量的第j个分量生成为:



其中randij[0,1]是0到1之间的均匀随机数，而上标'1'表示初始化，'Np'是种群规模，'d'是决策向量的维度，并且i＝1,2,...,Np和j＝1,2,...,d；
S322，变异，在给定的第t代，变异算子生成一个与每个种群成员对应的供体/变异向量变异策略给出如下：



其中指数r1i和是从种群范围中随机选择的互斥整数；是从当前一代的最佳Np×p(p∈[0,1])个个体中随机选择的，Fi(t)是第t代的正比例因子，如果元素违反搜索边界[xmin,j,xmax,j]，则执行变异后，将其校正为：

【专利技术属性】
技术研发人员：周丹，郭颖新，戴慧雯，孙可，陈锡祥，郑伟民，郑朝明，
申请(专利权)人：浙江工业大学，国网浙江省电力有限公司，
类型：发明
国别省市：浙江;33