【技术实现步骤摘要】
基于改进鲸鱼优化算法的动态重构与无功电压调整的双层优化调度方法
[0001]本专利技术涉及属于有源配电网优化调度
,具体涉及一种基于改进鲸鱼优化算法的动态重构与无功电压调整的双层优化调度方法。
技术介绍
[0002]近年来,为了促进节能减排和解决能源危机,光伏和风电等分布式电源高渗透接入,使得配电网发展为有源配电网。间歇性分布式电源注入功率呈现较强随机性,使传统配电网重构方案不再适用;此外,高渗透的分布式电源并网引起的电压波动或过电压导致其脱网,严重制约主动配电网消纳可再生能源的能力。因此,研究考虑分布式电源时变性、不确定性的配电网动态重构与无功电压调整协同优化,对保证配电网安全经济运行具有重要意义。
[0003]网络重构、DG出力调度和无功优化作为关键的主动管理策略,已有众多学者对其展开了探索,并取得了一系列的研究成果。中国专利“一种提高新能源接纳能力的配电网重构方法”(CN109741207A)、中国专利“一种基于自适应粒子群算法的配电网无功优化方法”(CN113489019A)等公开的技术方案只考虑了单一的主动管理措施,未考虑多种主动管理策略之间的协调优化,难以充分发挥主动配电网中各种可控设备调控能力。
[0004]中国专利“考虑极限场景的主动配电网重构与无功联合鲁棒优化方法”(CN112671047A)虽然考虑了网络重构和无功优化,但该方法局限于静态重构,未充分考虑清洁能源的时序波动对主动配电网的影响。
[0005]中国专利“一种考虑动态网络重构的主动配电网优化调度方法”(CN1 ...
【技术保护点】
【技术特征摘要】
1.基于改进鲸鱼优化算法的动态重构与无功电压调整的双层优化调度方法,其特征在于包括以下步骤:步骤1:建立配电网节点系统;步骤2:构建出动态网络重构与无功电压调整的主动配电网双层优化调度模型:上层优化模型以配电网综合运行成本最低为目标,采用机会约束规划处理风光出力的随机性问题,以机会约束的动态重构为手段,实现配电网长时间尺度的经济运行;下层优化模型以系统节点总偏差最小为目标,以静止无功补偿、微型燃气轮机和储能出力为控制对象,实现对系统电压质量的优化;步骤3:采用改进的鲸鱼优化算法与内点法相结合的混合求解策略,对步骤2的主动配电网双层优化调度模型进行求解。2.根据权利要求1所述基于改进鲸鱼优化算法的动态重构与无功电压调整的双层优化调度方法,其特征在于:所述步骤1中,对参数进行初始化,建立包含风电和光伏两种分布式电源的主动配电网拓扑结构,首先对节点和支路进行编号,然后在指定节点接入静止无功补偿、储能和微型燃气轮机。3.根据权利要求1所述基于改进鲸鱼优化算法的动态重构与无功电压调整的双层优化调度方法,其特征在于:所述步骤2中,建立的主动配电网双层优化调度数学模型,具体如下:
①
、分布式风机出力随机性模型:风机输出功率与风速的关系如下:式中:P
tw
为t时刻风机输出的有功功率,P
r
为发电机额定功率;v
t
为t时刻的风速,v
ci
为切入风速,v
r
为额定风速,v
co
为切出风速,其中A=P
r
/(v
r
‑
v
ci
),B=
‑
Av
ci
;由上式可得出风机输出功率的期望值:式中:E(P
DG,t
)为风机输出功率的期望值,f(v
t
)为风速概率密度函数;
②
、光伏出力模型:设光伏发电机功率输出概率密度函数如下:设光伏发电机功率输出概率密度函数如下:
式中:Γ为Gamma函数,P
s
为太阳能电池板输出功率,P
smax
为太阳能电池板输出功率最大值,α和β分别为Beta分布的形状参数,u和δ分别为一定时段光照强度的标准差和方差,Γ(α+β)、Γ(α)、Γ(β)均为Beta分布中形状参数对应的伽马函数值;可得出光伏输出功率的期望值:式中:f(P
s
)为光伏发电机的功率输出概率密度函数,E(P
s
)为光伏输出功率期望值;建立的主动配电网双层优化调度模型如下:基于机会约束的上层优化模型目标函数minf1,目标函数的概率约束为:Pr(f(X,ξ)≤f1)≥β;式中:X为控制变量,为各支路开关状态;ξ为状态变量;Pr(
·
)表示事件成立概率;β为目标置信水平;f(X,ξ)为在状态ξ下系统综合运行成本值,f1为f(X,ξ)在概率水平为至少β时所取得的最小值;f(X,ξ)=C
Ploss
+C
swi
;式中:C
Ploss
为网损费用,C
swi
为开关操作费用;式中:c
L
为t时段的电价;P
loss,t
为时段t内满足一定置信水平的等效网络损耗;
△
t=1h;式中:Ω
b
为电网支路集合,l为支路集合中某一支路;M为时段划分后的总段数,m为总分段中的单独时段;c
act
为单次操作开关的费用;s
l,m
‑1、s
l,m
分别为m
‑
1时段、m时段支路l上的开关状态,断开为0,闭合为1;节点电压约束:Pr(V
i,min
≤V
i
≤V
i,max
)≥β
U
式中:V
i,min
和V
i,max
分别为节点电压上、下限;β
U
为电压约束置信水平;Pr(V
i,min
≤V
i
≤V
i,max
)为节点电压合格的概率;有功、无功潮流约束:式中:P
iin
和分别为节点i处注入有功功率和无功功率;v
i
、v
j
分别为节点i和节点j处的电压幅值;N为总节点数;G
ij
、B
ij
、θ
ij
分别为节点i和j之间的电导、电纳和电压相角值,i、j=1,2,
…
,n,其中n为节点总数;支路潮流约束:
Pr(|τ
ij
P
l
|≤P
l,max
)≥β
I
;式中:P
l
为线路l的传输功率;P
l,max
为线路l的传输功率上限;τ
ij
为支路i
‑
j的开关状态,τ
ij
=0表示支路断开,τ
ij
=1表示支路闭合;Pr(|τ
ij
P
l
|≤P
l,max
)表示支路传输功率合格的概率,β
I
为线路传输功率置信水平;分布式电源(distributed generation,DG)出力约束:Pr(0≤P
DG,i
≤P
DG,i,max
)≥β
DG
;式中:P
DG,i
为节点i处DG出力值;P
DG,max
为节点i处DG出力上限;Pr(0≤P
DG,i
≤P
DG,i,max
)为节点i处DG出力合格的概率;β
DG
为DG出力置信水平;开关动作次数约束:N
i
≤N
i,max
;N
all
≤N
all,max
;式中:N
i
代表单个开关在一天内的操作次数,其最大操作次数为N
i,max
;N
all
为一天内的所有开关操作次数,其允许的最大动作次数为N
all,max
下层优化模型目标函数:式中:T为计算时段(24h);n为总节点数;u
i,t
和u
i,N
分别为节点i的t时刻的实际电压和额定电压;微型燃气轮机((Micro Turbine Generator,MTG)出力限制:Generator,MTG)出力限制:式中:P
MTG,i
、Q
MTG,i
为节点i处微型燃气轮机有功、无功出力;分别为节点i处微型燃气轮机有功、无功出力最小值;分别为节点i处微型燃气轮机有功、无功出力最大值;静止无功补偿装置SVC约束:式中:Q
svc,i,t
为节点i在时刻t无功补偿出力大小;和分别为节点i处SVC无功补偿的上限值和下限值;储能电池运行约束:荷电状态上、下限:E
SOC,min
≤E
SOC,t
≤E
SOC,max
;式中:E
SOC,t
为t时刻的储能剩余容量;E
SOC,min
和E
SOC,max
分别为最小、最大荷电状态;充放电功率:
式中:λ
c,t
为t时刻充电标志位,充电时为1,不充电为0;λ
d,t
为t时刻放电标志位,放电时为1,不放电为0;式中:p
c,t
为时刻t实际充电功率;p
d,t
为时刻t实际放电功率;p
c,max
为最大充电功率;p
d,max
为最大放电功率。4.根据权利要求1所述基于改进鲸鱼优化算法的动态重构与无功电压调整的双层优化调度方法,其特征在于:所述步骤3中,上层模型求解流程包括如下步骤:S1:重构全天时段分为0:00
‑
7:00、7:00
‑
15:00、15:00
‑
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。