计及分布式发电和储能单元的智能配网重构方法

摘要

本发明公开了一种计及分布式发电和储能单元的智能配网重构方法，首先建立配网重构的多目标多约束数学模型，对模型中的控制变量进行编码，然后采用改进的NSGA‑Ⅱ优化算法进行求解，解算过程中反复调用三相潮流计算模块，将NSGA‑Ⅱ中各代种群的个体进行解码，对解码后的网络重构方案进行三相潮流计算，进而得到各网络重构方案的适应度值，再反馈到NSGA‑Ⅱ进行优化处理。本发明所构建的多目标多约束重构模型能够同时计及分布式电源和储能单元的影响；所采用的多电源三相前推回推算法能够很好地考虑配网的三相不平衡特征，且计算速度快；所采用的带越限剔除策略的快速非支配排序遗传算法能够避免权重设置的盲目性，并能及时排除不可行解，计算效率高。

主权项

一种计及分布式发电和储能单元的智能配网重构方法，其特征是，首先建立配网重构的多目标多约束数学模型，对模型中的控制变量进行编码，然后采用改进的NSGA‑Ⅱ优化算法进行求解，解算过程中反复调用三相潮流计算模块，将NSGA‑Ⅱ中各代种群的个体进行解码，对解码后的网络重构方案进行三相潮流计算，进而得到各网络重构方案的适应度值，再反馈到NSGA‑Ⅱ进行优化处理；所述一种分布式发电和储能单元的智能配网重构方法，具体步骤为：步骤一：建立智能配网重构的数学模型，模型中的目标函数有两个，分别为网络损耗最小数学模型和负荷均衡度最高数学模型，表达式为：${\mathrm{minf}}_1\left(x\right)=\underset{i\in B}{\Sigma }\underset{m\in M}{\Sigma }{R}_{i,m}\frac{(P_{i,m}^2+Q_{i,m}^2)}{V_{i,m}^2},x\in X---\left(1\right)$${\mathrm{minf}}_2\left(x\right)=\underset{i\in B,m\in M}{max}\frac{\left|I_{i,m}\right|}{I_{N,i,m}},x\in X---\left(2\right)$其中，f₁为网络有功损耗，f₂为支路最大负荷率；x为控制变量，即配网开关的状态组合，X为所有状态组合所构成的集合；M＝{A,B,C}为相序集合，B为配网支路集合，P_i,m、Q_i,m和I_i,m分别为流过支路i的有功功率、无功功率和电流；R_i,m为支路i的支路电阻；V_i,m为支路i的末端电压，I_N,i,m为支路i的额定电流；步骤二：确定智能配网重构的数学模型的约束条件；步骤三：对含分布式电源和储能单元的多电源配电网络，利用三相前推回推潮流算法将弱环网转化为辐射型网络，通过在断点两侧注入补偿量的方法来等效智能配网所含的环路的影响；同时根据各类分布式电源电网互联的接口方式以及它们的运行和控制方式，分别建立其在潮流计算中的等值模型，在各迭代步将分布式电源所在节点转换为PQ节点、PI节点或PV节点；步骤四：利用基于Pareto最优解理论的加入越限剔除策略的NSGA‑Ⅱ算法优化智能配网的重构；所述步骤三的具体步骤为：(3‑1)对智能配电网络的原始数据进行初始化，包括配网拓扑信息、元件参数、负荷数据；(3‑2)根据读入的数据计算各负荷节点的注入电流；(3‑3)确定分布式电源和储能单元的等值注入电流；(3‑4)判断网络中是否存在环网回路，若存在环网回路则向解环节点叠加注入电流；(3‑5)叠加储能单元及分布式电源的三相注入电流，进行三相前推回推潮流计算；(3‑6)从馈线末端节点开始进行前推计算，对支路电流进行求和，从而得到各条支路始端节点的三相电流；(3‑7)从馈线首端节点开始回推计算各支路末端节点的电压，同时对各节点的三相电压进行修正；(3‑8)修正PV节点注入的无功功率，然后判断PV节点的无功功率是否发生越界，若发生越界则将PV节点转化成PQ节点转入步骤(3‑2)重新进行计算，否则转入(3‑9)；(3‑9)以节点相邻两次迭代电压幅值差是否满足预设精度为收敛条件，若满足条件则迭代收敛，转入(3‑10)，否则重新修正所在节点的注入电流，然后转入步骤(3‑2)重新计算；(3‑10)计算结束，输出潮流计算结果；所述步骤二中的约束条件为：(2‑1)功率平衡约束，对智能配网任一支路i，需满足如下条件：$S_i^{\prime }=S_{Li}+S_{Si}-S_{Gi}+\underset{j=1}{\overset{k}{\Sigma }}{S}_{i,j},i\in B---\left(3\right)$S_i＝S′_i+ΔS_i，i∈B             (4)其中，S_i和S′_i分别为支路i首段和末端的复功率，S_Li为节点i的负荷功率，S_Gi和S_Si分别为节点i所接DG的注入功率和SU的充放电功率，S_i,j分别为节点i的第j条出支的首端复功率，ΔS_i为支路i消耗的复功率，B为节点集合；(2‑2)支路电流约束，即各支路电流幅值应不大于最大允许载流量：|I_i,m|≤I_i,m,max，i∈B           (5)其中，I_i,m,max为支路i第m相的最大允许电流；(2‑3)节点电压约束，即各节点的电压V_i应满足：V_i，min≤V_i≤V_i，max，i∈N      (6)其中，V_i,min和V_i,max分别为节点i的电压下限和上限，N为所有节点的集合；(2‑4)变压器容量约束：|S_t|≤|S_t,max|，t∈T     (7)其中，S_t和S_t,max分别为变压器t的实际功率和额定容量，T为所有变压器的集合；(2‑5)储能单元状态约束，包括功率约束、电压约束、注入电流约束；分别为：P_gi,min≤P_g,i≤P_gi,max,i∈G_P                   (8)Q_gi,min≤Q_g,i≤Q_gi,max,i∈G_Q          (9)V_gi,min≤V_g,i≤V_gi,max,i∈G_V         (10)I_gi,min≤I_g,i≤I_gi,max,i∈G_I         (11)其中，P_g,i和Q_g,i分别为第i个DG的有功和无功输出，P_gi,max和P_gi,min分别为其对应的有功功率上、下限，Q_gi,max和Q_gi,min分别为其对应的无功功率上、下限，V_g,i为第i个DG的端电压，V_gi,max和V_gi,min分别为其对应的电压上、下限，I_g,i为第i个DG的注入电流，I_gi,max和I_gi,min分别为其对应的输出电流上、下限，G_P、G_Q、G_V和G_I分别为有功可调、无功可调、电压可调和电流可调的可控DG集合；分布式电源充放电状态约束，储能单元i的充放电功率S_Si应满足如下约束：S_DN,i≤S_Si≤S_CN,i               (12)其中，S_CN,i为储能单元i的额定充电功率，S_DN,i为储能单元i的额定放电功率，其中，额定放电功率为负值；网络拓扑约束，重构后的网络g_k应满足：g_k∈G_R         (13)其中，G_R为所有可能的辐射状网络构成的集合；所述步骤四的具体步骤为：(4‑1)数据初始化，读入智能配电网络的基础参数和运行数据，同时设置遗传算法参数；设种群规模为W，最大进化代数为r_max，收敛标准差σ_a；(4‑2)置进化代数r为0，然后随机生成初始种群，采用二进制方式对配网重构模型进行编码，进化代数指种群整体进化的次数，进化前为第0代群体，每进化一次r增加1；(4‑3)对种群进行越限检查，将种群中的个体解码后，通过三相前推回推潮流计算，得到系统潮流分布状态，按智能配电网络重构数学模型的约束条件检查有无个体越限，若有则剔除越限个体，同时随机生成新个体进行补齐，直到不再有越限个体为止；(4‑4)按照智能配网重构的数学模型的两个目标函数确定函数值f₁和f₂，并进行快速Pareto非支配排序，确定个体所属的非支配层级，对处于同一层的个体，则通过拥挤距离的计算区分优劣；(4‑5)令r＝r+1，通过选择算子、交叉算子、和变异算子的处理，得到下一代个体，重新进行越限剔除和个体评价；(4‑6)从第二代个体开始，经过越限剔除操作后，采用精英保留策略，将子代种群Cr和父代种群Pr进行合并，形成过渡种群，两代个体共同竞争，以个体所处的非支配层级和拥挤度进行排序，取前W个非支配个体作为下一代的父种群；(4‑7)满足如下收敛条件时，算法停止并输出最优解集；收敛条件：r≥r_max或σ_r≤σ_a其中，σ_r为第r代种群的适应度标准差。