一种基于智能优化技术的含新能源配电网状态估计方法

摘要

本发明公开了一种基于智能优化技术的含新能源配电网状态估计方法，对非线性、离散配电网的运行状态进行在线实时的估计，根据输入的REDG有功功率和负载功率的量测值实时的估计出REDGs的有功功率和负载功率的平均输出值。本发明方法将智能优化算法中量子进化算法QIEA全局寻优能力强、收敛速度快和贪婪随机自适应算法GRASP局部搜索能力强的优点相结合，给出一种混合量子进化算法(mQIEA),能够根据输入的REDG有功功率和负载功率的量测值实时的估计出REDGs的有功功率和负载功率的平均输出值,便于系统有效地监控系统运行状态。

主权项

1.一种基于智能优化技术的含新能源配电网状态估计方法，对非线性、离散配电网的运行状态进行在线实时的估计，根据输入的REDG有功功率和负载功率的量测值实时的估计出REDGs的有功功率和负载功率的平均输出值，具体作法包括：步骤1：读取系统的网络数据，包括网络结构和线路阻抗、量测值、REDGs有功功率和负载功率平均值以及它们的标准差；通过量测数据和负载率来初始化每个负载值；通过每个REDG的输出功率平均值来初始化每个REDG的有功功率；步骤2：通过前推回代法计算配电网的潮流，并获得每个变量的上下限约束；步骤3：产生初始种群Q(t)，(t=1),n为种群规模，t为进化代数，(i=1,2,...,n)为种群中第t代的第i个个体，其形式如下所示$q_i^t=\left[\begin{array}{c}{\alpha }_{i1}^t\\ {\beta }_{i1}^t\end{array}\right|\left.\begin{array}{c}{\alpha }_{i2}^t\\ {\beta }_{i2}^t\end{array}\right|\begin{array}{c}···\\ ···\end{array}\left|\begin{array}{c}{\alpha }_{\mathrm{im}}^t\\ {\beta }_{\mathrm{im}}^t\end{array}\right]$式中，(j=1,2,...,m)是一个量子比特，并且满足归一化条件m为量子比特的个数，即一个量子染色体的长度，在初始化时，将全部n条染色体的2mn个概率幅，即所有的表示状态|0>概率幅的和表示状态|1>概率幅的(i=1,2,...,n;j=1,2,...,m)均置为即$Q\left(t\right)=\left(\begin{array}{ccc}1/\sqrt{2}& ···& 1/\sqrt{2}\\ M& O& M\\ 1/\sqrt{2}& ···& 1/\sqrt{2}\end{array}\right)$它表示在t=1时，每条染色体以相同的概率处于所有可能状态的线性叠加m=hl，h是REDGs和负载的总个数，l是每个REDG的有功功率和负载功率量子比特的长度;步骤4：将有约束的配电网状态估计问题转化为无约束的配电网状态估计问题；在此步骤中，采用罚函数将配电网状态估计问题中任何违反约束条件的值纳入惩罚性因子，分别将外点法和内点法用于处理等式和不等式约束，从而配电网状态估计的目标函数转换成一个无约束增广目标函数：$\left\{\begin{array}{c}F\left(x\right)=f\left(x\right)+\frac{1}{\sqrt{r^t}}{\left(\underset{j=1}{\overset{N_1}{\Sigma }}{J}_j\left(x\right)\right)}^2+r^t\underset{j=1}{\overset{N_2}{\Sigma }}\frac{1}{g_j\left(x\right)}\\ J_j\left(x\right)=0,j=\mathrm{1,2,3}···,N_1\\ g_j\left(x\right)<0,j=\mathrm{1,2,3}···,N_2\end{array}\right.$其中,f(x)是配电网状态估计的目标函数值，N₁和N₂分别为等式和不等式约束的数量，J_j(x)和g_j(x)分别为等式和不等式约束；通常惩罚函数的初始值都被设置为1，本发明中罚函数为$r^t={\left(\frac{1}{2}\right)}^{t-1};$步骤5：对种群Q(t)进行观测，产生观测态值其中(i=1,2,...n)是由(i=1,2,...n)观测产生的一个长度为m的二进制串；观测过程如下：如果random[0,1)<|α|²，观测值就为0，否则为1，其中，α为任一量子比特的概率幅；步骤6：通过步骤4中的目标函数来评价P(t)；步骤7：将P(t)中的最优个体存储到最优个体的集合s(t)；步骤8：采用贪婪随机自适应算法GRASP对s(t)进行局部搜索，产生新的种群R(t)；步骤9：通过步骤4中的目标函数来评价局部搜索所产生的个体集合R(t)；步骤10：将R(t)中的最优个体存储到s(t)；步骤11：量子门更新；步骤12：终止条件判断，若满足终止条件，则向智能电网能量管理系统或配电网实时状态监控系统输出REDG有功功率和负载功率平均值的估计值，若不满足，则令t←t+1，$r^t={\left(\frac{1}{2}\right)}^{t-1},$并转步骤5；