一种基于改进分数阶粒子群的分布式电源选址定容优化方法技术

本发明专利技术涉及一种基于改进分数阶粒子群的分布式电源选址定容优化方法，首先对分布式电源(风机、光伏等)的输出特性和负荷波动进行不确定性建模，以Weibull分布描述风机出力，以Beta分布描述光伏出力，以高斯分布描述负荷波动，随后采用拟蒙特卡洛法采样风机、光伏、负荷等随机变量，通过Johnson变换将采样点转化成符合系统随机变量概率分布的样本序列；进一步，建立以年综合费用最小为优化目标，基于机会约束的分布式电源选址定容优化模型，最后，提出一种改进分数阶粒子群优化算法求解优化模型。与现有技术相比，本发明专利技术具有大范围寻优能力，对算法的粒子数量和算法初值具有强鲁棒性，适用于目标函数和约束条件复杂多变的分布式电源选址定容问题。式电源选址定容问题。式电源选址定容问题。

【技术实现步骤摘要】
一种基于改进分数阶粒子群的分布式电源选址定容优化方法


[0001]本专利技术涉及配电网优化规划
，尤其是涉及一种基于改进分数阶粒子群的分布式电源选址定容优化方法。

技术介绍

[0002]由于化石燃料的储量有限及其带来的环境问题日益严峻，实现“低碳、可持续发展”成为解决能源问题的核心理念。以风电和光伏为主的分布式电源相比于传统火力发电有着清洁、可持续的特点，分布式电源接入电网可以带来巨大的经济效益和环境效益。但分布式电源出力固有的随机和波动特性会对电网造成冲击，大规模分布式电源的并网将导致电能质量下降，供电可靠性降低。分布式电源接入配电网的位置和容量会影响配电网的网络拓扑和潮流分布。因此，优化分布式电源的选址定容可以提升配电网新能源消纳水平，保障配电网运行稳定并提高经济效益。
[0003]分布式电源的选址定容规划的数学模型是一类多约束条件的高维非凸优化问题，传统的凸优化方法难以应对复杂多变的约束条件，故目前广泛采用智能优化算法来解决上述问题。虽然传统的粒子群优化算法是一种具有代表性的群优化算法，但其具有容易局部收敛、收敛精度不高等缺点，且无法实现粒子更广的搜索范围，进而影响配电网消纳可再生能源的水平。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进分数阶粒子群的分布式电源选址定容优化方法。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于改进分数阶粒子群的分布式电源选址定容优化方法，该方法包括如下步骤：
[0007]步骤1：对风机、光伏、负荷进行不确定性建模，并分别对风机出力、光伏出力和负荷波动进行拟合；
[0008]步骤2：采样风机、光伏、负荷的随机变量，通过Johnson变换将采样点转化为符合系统随机变量概率分布的样本序列；
[0009]步骤3：建立以年综合费用最小为优化目标，基于机会约束的分布式电源选址定容的最优化模型；
[0010]步骤4：采用改进的分数阶粒子群算法对步骤3所建立的模型进行求解，获取在严格满足约束条件下的分布式电源在配电网中的优化选址和经济容量配置方案。
[0011]进一步地，步骤1中，采用Weibull分布拟合风机出力，采用Beta分布拟合光伏出力，并采用高斯分布拟合负荷波动。
[0012]其中，对风机进行不确定性建模的具体内容为：
[0013]风速规律服从两参数Weibull分布，其概率密度函数为：
[0014][0015]式中：V为实际风速；k和c分别为形状参数与尺度参数；
[0016]通过风机功率模型将风速转化为风机功率P
WTG
，转换公式为：
[0017][0018]式中：V
ci
、V
r
、V
co
分别为切入风速、额定风速以及切出风速；P
WTG,r
为风机额定输出功率。
[0019]对光伏进行不确定性建模的具体内容为：
[0020]光照强度服从Beta分布，其概率密度函数为：
[0021][0022]式中：S为光照强度的实际值，S
r
为其额定值；α和β是Beta分布的两个形状参数；Γ(
·
)表示伽马函数；
[0023]将光伏实际出力P
PV
与光照强度S之间进行转换，转换公式为：
[0024][0025]式中：P
PV,r
为光伏的额定功率；S
r
为额定光照强度。
[0026]对负荷进行不确定性建模的具体内容为：
[0027]负荷波动服从高斯分布，令负荷有功和无功的概率密度函数分别为：
[0028][0029][0030]式中：P
L,i
、Q
L,i
分别表示节点i处的有功负荷和无功负荷；μ
P,i
、μ
Q,i
和σ
P,i
、σ
Q,i
分别表示节点i处的有功负荷和无功负荷的期望和标准差。
[0031]进一步地，步骤2中，采用拟蒙特卡洛法采样风机、光伏、负荷的随机变量，获取采样点，具体内容为：
[0032]采用均匀分布序列x
(1)
,x
(2)
,...∈I
n
代替随机点Γ
i
，利用下式获取采样点：
[0033][0034]式中，i为节点，N为节点总数，g(x)将平均收敛，g(x)采用低差异化序列。
[0035]通过拟蒙特卡洛法得到采样点后，先将采样点通过高斯分布的累积函数方程逆运算转换为独立高斯分布，随后进行Johnson分布转换，进而获取系统随机变量原始采样数据，即符合系统随机变量概率分布的样本序列。
[0036]进一步地，所述低差异化序列可采用VANDER CORPUT序列、HALTON序列或SOBOL序列。
[0037]进一步地，步骤3中，分布式电源选址定容的最优化模型的目标函数为：
[0038][0039]式中：τ为现值转等值年系数，Ω
n
、Ω
r
、Ω
b
、Ω
g
分别为可装DG节点集合、DG种类集合、配电网支路集合、发电机节点集合；为在节点i处装设j类DG的数量，为单位容量j类DG的价格，为j类DG的额定容量；为j类DG单位发电量的价格；c
e
为电价，P
Loss,l
为支路l上在最大负荷下的有功损耗，T
max
为年最大负荷小时数；E
GEN,m
为节点m处发电量；c
f
为DG单位发电量的政府补贴费用，为节点i处j类DG的发电量。
[0040]潮流方程约束为：
[0041][0042]式中：Ω
d
为配电网节点集合；P
i
、Q
i
、U
i
分别为节点i处的有功功率、无功功率、节点电压；G
ij
、B
ij
、θ
ij
分别为节点i与节点j之间的电导、电纳与相角差。
[0043]节点电压机会约束为：
[0044][0045]式中：P(A)表示事件A成立的概率，α
U
为满足节点电压约束的置信水平；U
i
、分别为节点i处电压上限与电压下限。
[0046]支路电流机会约束为：
[0047][0048]式中：α
I
为满足支路电流约束的置信水平；为流经支路j的电流上限。
[0049]DG安装容量约束为：
[0050][0051]式中：为配电网接入DG容量上限；为节点i处j类DG的安装容量上限。
[0052]进一步地，步骤4中，改进的分数阶粒子群算法的表达式为：
[0053本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进分数阶粒子群的分布式电源选址定容优化方法，其特征在于，包括下列步骤：1)对风机、光伏、负荷进行不确定性建模，并分别对风机出力、光伏出力和负荷波动进行拟合；2)采样风机、光伏、负荷的随机变量，通过Johnson变换将采样点转化为符合系统随机变量概率分布的样本序列；3)建立以年综合费用最小为优化目标，基于机会约束的分布式电源选址定容的最优化模型；4)采用改进的分数阶粒子群算法对步骤3)所建立的模型进行求解，获取在严格满足约束条件下的分布式电源在配电网中的优化选址和经济容量配置方案。2.根据权利要求1所述的基于改进分数阶粒子群的分布式电源选址定容优化方法，其特征在于，步骤1)中，采用Weibull分布拟合风机出力，采用Beta分布拟合光伏出力，并采用高斯分布拟合负荷波动。3.根据权利要求2所述的基于改进分数阶粒子群的分布式电源选址定容优化方法，其特征在于，步骤1)中，对风机进行不确定性建模的具体内容为：风速规律服从两参数Weibull分布，其概率密度函数为：式中：V为实际风速；k和c分别为形状参数与尺度参数；通过风机功率模型将风速转化为风机功率P
WTG
，转换公式为：式中：V
ci
、V
r
、V
co
分别为切入风速、额定风速以及切出风速；P
WTG,r
为风机额定输出功率。4.根据权利要求2所述的基于改进分数阶粒子群的分布式电源选址定容优化方法，其特征在于，步骤1)中，对光伏进行不确定性建模的具体内容为：光照强度服从Beta分布，其概率密度函数为：式中：S为光照强度的实际值，S
r
为其额定值；α和β是Beta分布的两个形状参数；Γ(
·
)表示伽马函数；将光伏实际出力P
PV
与光照强度S之间进行转换，转换公式为：
式中：P
PV,r
为光伏的额定功率；S
r
为额定光照强度。5.根据权利要求2所述的基于改进分数阶粒子群的分布式电源选址定容优化方法，其特征在于，对负荷进行不确定性建模的具体内容为：负荷波动服从高斯分布，令负荷有功和无功的概率密度函数分别为：负荷波动服从高斯分布，令负荷有功和无功的概率密度函数分别为：式中：P
L,i
、Q
L,i
分别表示节点i处的有功负荷和无功负荷；μ
P,i
、μ
Q,i
和σ
P,i
、σ<...

【专利技术属性】
技术研发人员：陆伟伟，
申请(专利权)人：上海中楠水电配套工程有限公司，
类型：发明
国别省市：