基于改进神经网络算法的含分布式电源的配电网重构方法技术

本发明专利技术涉及基于改进神经网络算法的含分布式电源的配电网重构方法：首先，以配电网运行有功损耗最小，电压稳定性指数最高为目标建立配电网重构的数学模型；然后，确定出求解配电网重构问题的边界约束条件；在此基础上，引入混沌序列和准反向学习策略对求解该问题的标准神经网络算法（neural network algorithm，NNA）进行改进；最后，基于改进算法（INNA）对含分布式电源（DG）的配电网进行重构，并通过软件仿真对比分析，验证所提方法的有效性与优越性。结果表明，该方法具有更好的收敛特性，可以优化得到更小的有功损耗、更高的电压稳定性指数，并有效改善了各母线电压的水平分布，在多种负荷状态下进行配电网重构，该方法均保持较好的稳定水平。法均保持较好的稳定水平。法均保持较好的稳定水平。

【技术实现步骤摘要】
基于改进神经网络算法的含分布式电源的配电网重构方法


[0001]本专利技术涉及配电网优化
，具体涉及基于改进神经网络算法的含分布式电源的配电网重构方法。

技术介绍

[0002]伴随国内经济和人们对电力需求的快速增长，位于电力网络系统的末端给电网客户供给电能的配电网，因为其建设的滞后，结构上的不合理、供电的可靠性较差等问题逐渐突显，所以供电用户所要求的高电能质量、高供电可靠性的要求很难达到。而配电网重构恰恰是作为对配电网络进行控制和运行的重要方法之一，更是配电管理环节中的重要组成内容，所以在当前配电网络环境下，进行网络重构研究很有必要。与此同时，随着系统中普通居民的用电比例日益上升，通过公共配电网的电力传输中的所带负荷与网络结构发生了很大变化，配电网络中由于线路上的损耗引起的系统损耗所占比例也越来越大，所以此类问题都已成为电力系统研究者越发重视的问题。针对这些问题，将DG接入配电系统，既可以合理优化系统运行的经济性，又可以增加更多的电能。但DG的接入使得配电网中的潮流具有双向性，DG并网会改变传统配电网的潮流分布，导致网络中各节点的负荷分布发生变化，DG并网点及容量的选择，对系统的运行特性有很大的影响，若配置不合理，不仅会增加系统运行有功损耗，对各母线电压水平造成影响，还会增加电网运行成本，因此，对含有DG的配电网进行优化很重要。
[0003]另一方面，随着人工智能技术的快速发展，以神经网络为代表的人工智能算法在电力领域的应用越来越广泛，因此，提出一种基于神经网络的配电网重构问题求解算法具有重要的现实意义。

技术实现思路

[0004]本专利技术的目的是为克服现有技术的不足，为解决含分布式能源的配电网优化重构问题，提高配电网对DG的消纳能力，本专利技术提出基于改进神经网络算法的含分布式电源的配电网重构方法，包括如下步骤：
[0005]步骤1：以有功损耗最小，电压稳定性指数最高为目标建立配电网重构的数学模型；
[0006]步骤2：确定求解配电网重构问题的边界约束条件；
[0007]步骤3：对标准神经网络算法进行改进；
[0008]步骤4：基于改进神经网络算法对含分布式电源的配电网进行重构。
[0009]具体的，所述步骤1中，以有功损耗最小，电压稳定性指数最高为目标建立配电网重构的数学模型。含有DG的配电网重构问题可以定义为DG优化配置问题，在所有运行约束条件下最大限度地减少配电网中的有功功率损耗、提高电压稳定性指数。配电网中的有功损耗计算公式为：
[0010][0011]式中，B为支路数；P
loss
为有功损耗；R
k
表示第k条支路的电阻；I
k
表示第k条支路的电流。
[0012]电压稳定性指数的计算公式为：
[0013][0014]式中，OVSI各个母线的电压稳定指数(除松弛节点外)，N表示节点数。VSI为电压稳定性指数，计算公式为：
[0015]VSI
i+1
＝|V
i4
|
‑
4(P
i+1
X
k
‑
Q
i+1
R
k
)
‑
4(P
i+1
R
k
+Q
i+1
X
k
)|V
i2
| (3)
[0016]式中，X
k
表示第k条支路的电抗；V
i
表示节点i的电压；P
i+1
、Q
i+1
表示节点i处的有功和无功。
[0017]因此，总的目标函数可以写为：
[0018]OF＝min(w1·
OF1+w2·
OF2) (4)
[0019]式中，w1、w2表示两个子目标函数的权重系数。
[0020]具体的，所述步骤2，确定求解配电网重构问题的边界约束条件。配电网正常运行的约束条件包括功率平衡约束、节点电压约束、支路电流约束、DG容量约束以及DG渗透率约束，具体数学表达式为：
[0021]1)对于辐射型配电网，功率平衡约束为：
[0022][0023]式中，P
S
、Q
S
为松弛节点处发电机发出的有功和无功；N
DG
为配电网接入DG的数量；P
DG,i
、Q
DG,i
表示节点i处的DG发出的有功和无功。
[0024]2)对于节点i，其节点电压上下限约束可以表示为：
[0025]V
i,min
≤V
i
≤V
i,max (6)
[0026]3)第k条支路支路电流的约束为：
[0027]I
k
≤I
k,max (7)
[0028]式中，I
k,max
为支路所允许的最大电流值。
[0029]4)DG容量约束。DG接入配电网的有功功率与无功功率应是一个合适的有效值，约束可表示为：
[0030][0031]式中，P
DG,min
、P
DG,max
分别表示DG发出的有功功率的最小值和最大值，Q
DG,min
、Q
DG,max
分别表示DG发出无功功率的最小值和最大值。
[0032]5)多个DG并网需要更为先进的配电网控制技术，否则可能会因其波动性导致切除负荷、脱网并降低配电网的稳定性，但可通过限制DG的渗透水平来避免，选择DG的渗透率为配电网中总有功负荷需求的10％～60％。计算公式为：
[0033][0034]具体的，所述步骤3，对标准神经网络算法进行改进。NNA的主要步骤为：
[0035]1)初始化NNA参数，包括解、权重矩阵、偏置及最大迭代次数T
max
，每个迭代过程中解对应着一种配电网重构的可行方案，第t次迭代过程中的解X
t
、权重矩阵W
t
、偏置B
t
可以表示为：
[0036][0037][0038]B
t
＝0.99
×
B
t
‑
1 (12)
[0039]式中，Np表示种群数量；W为[0,1]间满足均匀分布的随机数，所有权重之和为1；B
t
、B
t+1
分别表示迭代次数为t、t+1时的偏置，该公式使得偏置自适应减少，可使解趋向于全局最优解，并避免在迭代过程中解在数值上的剧烈变化。
[0040]2)计算适应度值，并不断更新解、权重和偏置项。通过对比偏置B与随机数rand的大小确定解的更新策略，当随机数rand小于偏置B时，更新公式为：
[0041][0042]式中，
⊙
表示矩阵元素对应相乘。
[0043]当rand大于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进神经网络算法的含分布式电源的配电网重构方法，其特征在于，包括以下步骤：步骤1：以有功损耗最小，电压稳定性指数最高为目标建立配电网重构的数学模型；步骤2：确定求解配电网重构问题的边界约束条件；步骤3：对标准神经网络算法进行改进；步骤4：基于改进神经网络算法对含分布式电源的配电网进行重构。2.根据权利要求1所述的基于改进神经网络算法的含分布式电源的配电网重构方法，其特征在于，所述步骤1：以有功损耗最小，电压稳定性指数最高为目标建立配电网重构的数学模型；含有DG的配电网重构问题可以定义为DG优化配置问题，在所有运行约束条件下最大限度地减少配电网中的有功功率损耗、提高电压稳定性指数；配电网中的有功损耗计算公式为：式中，B为支路数；P
loss
为有功损耗；R
k
表示第k条支路的电阻；I
k
表示第k条支路的电流；电压稳定性指数的计算公式为：式中，OVSI各个母线的电压稳定指数(除松弛节点外)，N表示节点数；VSI为电压稳定性指数，计算公式为：VSI
i+1
＝|V
i4
|
‑
4(P
i+1
X
k
‑
Q
i+1
R
k
)
‑
4(P
i+1
R
k
+Q
i+1
X
k
)|V
i2
|式中，X
k
表示第k条支路的电抗；V
i
表示节点i的电压；P
i+1
、Q
i+1
表示节点i处的有功和无功；因此，总的目标函数可以写为：OF＝min(w1·
OF1+w2·
OF2)式中，w1、w2表示两个子目标函数的权重系数。3.根据权利要求1所述的基于改进神经网络算法的含分布式电源的配电网重构方法，其特征在于，所述步骤2：确定求解配电网重构问题的边界约束条件；配电网正常运行的约束条件包括功率平衡约束、节点电压约束、支路电流约束、DG容量约束以及DG渗透率约束，具体数学表达式为：1)对于辐射型配电网，功率平衡约束为：式中，P
S
、Q
S
为松弛节点处发电机发出的有功和无功；N
DG
为配电网接入DG的数量；P
DG,i
、Q
DG,i
表示节点i处的DG发出的有功和无功；2)对于节点i，其节点电压上下限约束可以表示为：
V
i,min
≤V
i
≤V
i,max
3)第k条支路支路电流的约束为：I
k
≤I
k,max
式中，I
k,max
为支路所允许的最大电流值；4)DG容量约束；...

【专利技术属性】
技术研发人员：李明明，赵智勇，王瑞琦，李卫军，郑秒，宋仁杰，赵毅，
申请(专利权)人：国网河南省电力公司驻马店供电公司，
类型：发明
国别省市：