基于BAS-IGA算法的分布式光伏集群划分方法和系统技术方案

本发明专利技术属于电气技术领域，公开了一种基于BAS

【技术实现步骤摘要】
基于BAS
‑
IGA算法的分布式光伏集群划分方法和系统


[0001]本专利技术涉及电气
，特别涉及一种基于BAS
‑
IGA算法的分布式光伏集群划分方法和系统。

技术介绍

[0002]近年来分布式电源(distributed generator，DG)在电网中所占的比重逐步增加，其接入对配电网的影响越来越不容忽视。光伏(photo votaic，PV)输出的有功功率受外部太阳光强度的影响，波动性强。在光照强度高的时刻，光伏输出的有功功率过高可能会导致节点电压越上限，并且光伏输出有功功率的波动可能会导致电压随之波动，给配电网的电压调节带来困难。
[0003]为了解决这一关键问题，分布式发电集群应运而生，即在一个配电网区域中，若干在地理上相近，或者在电气上形成相似或互补关系的分布式发电单元、储能及负荷组成的集合。但是，分布式发电集群的划分结果准确性和有效性较差，从而影响到配电网的优化性能。

技术实现思路

[0004]本专利技术实施例提供了一种基于BAS
‑<br/>IGA算法的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BAS
‑
IGA算法的分布式光伏集群划分方法，其特征在于，所述方法包括：在海量数据中，基于天牛须搜索算法获取初始种群数据集；基于所述初始种群数据集构建遗传算法模型；通过优化遗传算子和交叉变异概率算法对所述遗传算法模型进行优化，并得到遗传迭代产生的最优解；基于所述最优解以模块度指标作为聚类目标优化K
‑
means聚类算法，以得到初始聚类中心；以所述初始聚类中心作为初始质心，并基于节点间的集群划分指标对目标配电网进行集群划分。2.根据权利要求1所述的分布式光伏集群划分方法，其特征在于，所述基于所述初始种群数据集构建遗传算法模型，具体包括：以有功功率损耗最小和节点电压偏移量最小为优化目标，构建如下双目标函数：式中：U
i
为节点i的电压；U
j
为节点j的电压；U
p.u.
为基准电压；G
ij
为节点i和j之间的电导值；θ
ij
为节点i和j之间的相角差；f1为第一目标函数；f2为第二目标函数；n为系统的节点总数，n为正整数。3.根据权利要求2所述的分布式光伏集群划分方法，其特征在于，所述目标函数的约束方程为：式中：P
max
为节点能够吸收的最大有功功率；Q
max
为节点能够吸收的最大无功功率；P
min
为节点能够吸收的最小有功功率；Q
min
为节点能够吸收的最小无功功率；U
min
为系统允许的最小节点电压；U
max
为系统允许的最大节点电压。4.根据权利要求2所述的分布式光伏集群划分方法，其特征在于，所述基于所述初始种群数据集构建遗传算法模型，进一步包括：根据权重将双目标函数转化为单目标函数：
F＝α1f1+α2f2式中，α1为第一目标函数f1的权值；α2为第二目标函数f2的权值。5.根据权利要求1所述的分布式光伏集群划分方法，其特征在于，基于所述最优解以模块度指标作为聚类目标优化K
‑
means聚类算法，以得到初始聚类中心，具体包括：基于系统的节点参数和遗传算法模型参数，根据无功电压灵敏度计算节点之间的电气距离矩阵，初始化遗传算法各参数设置；计算得出每个节点归属的集群，选择集群中到其余节点的电气距离总和最小的节点作为新的集群质心，重新划分集群，进行编码和初始种群生成；计算种群个体适应度，并进行改进遗传算法的适应度计算；若确定满足迭代结束条件，则得到初始聚类中心。6.根据权利要求1所述的分布式光伏集群划分方法，其特征在于，所述交叉变异概率算法的优化模型包括交叉概率算法的优化模型和变异概率算法的优化模型。7.根据权利要求6所述的分布式光伏集群划分方法，其特征在于，所述交叉概率算法的优化模型为：式中：P
c
为交叉概率；f
max
是群体中最大适应度值，f
avg
是群体中平均适应度值；f
′
是待交叉的两个个体中适应度值较大的一个；k1，k3为交叉概率系数。8.根据权利要求6所述的分布式光伏集群划分方法，其特征在于，所述变异概率算法的优化模型为：式中：P
m
为...

【专利技术属性】
技术研发人员：李立生，刘洋，张世栋，苏国强，刘合金，孙勇，王峰，李帅，于海东，张鹏平，刘文彬，由新红，黄敏，张林利，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：