1.本发明涉及电力系统配电网优化领域，尤其是涉及一种含微电网的配电网弹性优化方法。
背景技术：
2.随着社会发展，对能源的需求也越来越大，环境保护与能源利用两者之间的矛盾日益增加，越来越多的分布式电源接入配电网。然而这些分布式电源产生了诸如电能质量等问题。微电网能将各分布式电源作为一个整体并通过公共耦合点pcc并入配电网，能实现分布式电源在配电网中的灵活、高效应用，并能有效对配电网提供功率支撑。
3.配电网通常是闭环设计开环运行的，配电网中节点间存在分段开关以及含有少量联络开关；配电网重构需要通过改变开关的状态来改变配电网的拓扑结构。期望是通过降低网络的功率损耗，保持节点电压的稳定性，并提高可靠性。由于配电系统中可能存在许多备选开关组合，因此配电网重构是一个复杂的组合、不可微约束优化问题。
4.目前，国内外许多研究人员对配电网静态重构已经做了大量的研究，但实际负荷是具有时序性的，其对负荷时序性的考虑欠佳。
5.遗传算法作为一种离散编码算法，能够很好地处理多维优化问题，较早地作为人工智能算法应用于配电网馈线重构；但传统的遗传算法存在cpu开销大、编码复杂等缺点；
6.粒子群优化算法pso作为一种智能优化算法技术，其比遗传算法更易于设置参数以及花费更少的时间的优势；但是传统粒子群算法通常采用的是连续编码，而配电馈线重构是一个离散问题，需要采用二进制粒子群编码。但随着网络的扩展和粒子维数的增加，粒子的收敛速度会减慢，甚至无法得到最优的收敛结果。
7.为了对配电馈线重构进行优化，需要设计一种收敛速度快的配电网弹性优化方法，使得配电网系统在不同负荷状态的情况下弹性最优运行。
技术实现要素：
8.本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种使得配电网系统在不同负荷状态的情况下弹性最优运行的含微电网的配电网弹性优化方法。
9.本发明的目的可以通过以下技术方案来实现：
10.本发明提供了一种含微电网的配电网弹性优化方法，该方法包括以下步骤：
11.步骤s1、基于分布式电源以及电网负荷，建立含微电网的配电网负荷模型；
12.步骤s2、将弹性支路映射到配电网中，重构含微电网的配电网负荷模型；基于功率损耗目标函数、电压稳定目标函数以及支路弹性目标函数，归一化得到单目标优化函数；
13.步骤s3、采用基于十进制整数编码的离散量子粒子群算法dqpso对单目标优化函数进行优化，求解重构后的含微电网的配电网负荷模型。
14.优选地，所述步骤s1中的分布式电源包括风机出力和光伏出力；所述风机出力中满足风速服从weibull分布；所述光伏出力采用光伏发电随机模型。
15.优选地，所述风机出力的建模过程为：
[0016][0017]
其中，pw为风机实际输出功率，p
wr
为风机额定功率；v
ci
、和v
co
分别为风机切入风速和风机切出风速；v为实际风速，服从两参数的weibull分布，其概率密度函数为：
[0018][0019]
其中，k和c分别为形状参数和尺度参数。
[0020]
优选地，所述光伏出力采用光伏发电随机模型，光伏实际输出功率p
pv
服从于beta分布，其概率密度函数为：
[0021][0022]
其中，r
pv
为光伏最大输出功率；γ(
·
)为γ函数；α和β均为beta分布形状参数，与太阳光辐照度有关，其取值随光伏安装位置不同而有差异。
[0023]
优选地，所述电网负荷的建模过程为：
[0024]
p
l
＝a(t)p
nl
(1-a(t))p
ev
[0025]
其中，p
l
为t时刻的负荷；p
nl
为常规负荷，服从期望为μ
nl
、标准差为σ
nl
的正态分布；p
ev
为充电负荷，a(t)为负荷占比系数；
[0026]
则t时刻负荷p
l
的概率密度函数为：
[0027][0028]
其中，μ
l,t
和σ
l,t
分别为负荷p
l
的期望值和标准差。
[0029]
优选地，所述充电负荷p
ev
采用充电负荷随机模型，表达式为：
[0030][0031]
其中，μ
ev
为充电负荷的期望值；λ
ev
为充电负荷的变异系数，表征为标准差与期望值的绝对值的比值。
[0032]
优选地，所述步骤s2中将弹性支路映射到配电网中，重构含微电网的配电网负荷模型，具体为：基于支路的功角特性，将配电网映射成弹性力学网络，实时对应且同步变化支路和节点的状态，将网络拓扑优化转化成支路弹性，从而重构含微电网的配电网负荷模型。
[0033]
优选地，所述配电网映射成弹性力学网络的映射过程如下：
[0034]
计算支路传输有功功率为：
[0035][0036]
其中，ui、uj分别为交流支路首节点i电压和末节点j电压；x
l
为支路电抗，δ
ij
为节点
电压的相角差；
[0037]
支路传输有功功率p
l
的一阶增量方程为：
[0038][0039]
线路弹性系数k
l
体现支路实际功角特性，其表达式为：
[0040][0041]
其中，δp
l
为有功功率p
l
的一阶增量，δδ
ij
节点电压的相角差δ
ij
的一阶增量；
[0042]
则支路弹性目标函数为：
[0043][0044]
其中，ui、uj分别为交流支路首节点i电压和末节点j电压，δ
ij
为线路两端的相位角差，n为网络节点总数；x
l
为支路电抗。
[0045]
优选地，所述步骤s2中基于功率损耗目标函数、电压稳定目标函数以及支路弹性目标函数，归一化得到单目标优化函数，具体过程为：
[0046]
1)建立功率损耗目标函数，表达式为：
[0047][0048]
其中，ui、pi和qi分别为支路首节点为i的支路的电压、有功功率和无功功率；n为支路数，与网络节点总数相同；ri为配电网第i条支路的电阻；ki为二进制变量，ki＝0，1表示开关i断开或闭合；
[0049]
2)建立电压稳定目标函数，表达式为：
[0050]ustabl
＝4[(xp
j-rqj)2 (xqj rpj)u
i2
]/u
i4
[0051]
其中，u
stabl
为支路的电压稳定指标，首节点为i，末节点为j；r、x分别为支路的电阻和电抗；pj、qj分别为末节点j流入的有功功率和无功功率；ui为支路首节点i的电压幅值；所有支路中的最大的电压稳定性指标为配电网系统的电压稳定性指标；
[0052]
3)归一化得到的单目标优化函数为：
[0053][0054]
其中，f
ploss
、u
stabl
、f
kl
分别为功率损耗目标函数、电压稳定目标函数和支路弹性目标函数，f1、f2、f3分别为重构前的含微电网的配电网负荷模型的功率损耗值、电压稳定值和支路弹性值；λ1、λ2、λ3分别表示功率损耗、电压稳定性和支路弹性的权重系数。
[0055]
优选地，所述步骤s3中离散量子粒子群算法dqpso粒子位置更新表达式为：
[0056]
[0057][0058][0059]
其中，x
id
(t 1)为第t 1次迭代粒子i的第d维位置；mbest(t)为第t次迭代种群中第i个粒子的平均最优位置，p
id
(t)为第t次迭代粒子i的当前最佳位置；m为种群中的粒子数，d为粒子维度；p
id
(t)是第t次迭代粒子i的当前最佳位置，p
gd
(t)为第t次迭代粒子i的全局最优位置，为区间[0,1]内均匀分布的随机数；β为收缩系数，u为区间[0,1]内均匀分布的随机数，x
id
(t)是第t次迭代粒子i的第d维位置。
[0060]
与现有技术相比，本发明具有以下优点：
[0061]
1)本发明以系统弹性最优为子目标的动态重构优化方法，优化配电网根据负荷改变拓扑结构，同时基于量子粒子群算法，增强了粒子的搜索能力，设计相应的十进制整数编码方式，使得系统在不同负荷状态的情况下弹性最优运行，能够有效的提升原有配电网系统的弹性值，降低网损以及提升电压稳定性；
[0062]
2)本发明通过将配电网映射为弹性力学网络，基于电网有功流动方向遵循的从发电机流向负荷的规律，将反映功角特性的配电网一一映射成弹性力学网络，通过优化网络的拓扑来增大支路的弹性；
[0063]
3)本发明采用了具有更强全局优化能力的离散量子粒子群算法dqpso，通过将十进制整数编码应用于量子粒子群算法qpso，对配电网进行弹性优化，降低了配电网系统的有功损耗，提升电压稳定性；
[0064]
4)本发明采用微电网将分布式电源dgs作为一个整体并通过公共耦合点并入配电网接入配电网，实现了分布式电源在配电网中的灵活、高效应用，并能有效对配电网提供功率支撑。
附图说明
[0065]
图1为本发明的方法流程图；
[0066]
图2为实施例中的方法流程图；
[0067]
图3为33节点配电网的拓扑结构图；
[0068]
图4为实施例中的负荷图；
[0069]
图5为实施例中的风电出力以及光伏出力图；
[0070]
图6为实施例中含微电网的配电系统优化前后弹性对比图；
[0071]
图7为实施例中网络拓扑优化前后节点电压仿真结果图。
具体实施方式
[0072]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
[0073]
本发明针对配电网重构问题，综合考虑了网损、电压稳定性以及支路弹性度，通过归一法将多目标函数转化为单目标优化函数，采用离散量子粒子群算法dqpso来解决不同分布式电源下的馈线重构问题。
[0074]
如图1所示，本实施例提出的含微电网的配电网弹性优化方法，包括以下步骤：
[0075]
步骤s1、基于分布式电源以及电网负荷，建立含微电网的配电网负荷模型；所述分布式电源包括风机出力和光伏出力；
[0076]
风机出力建模过程为：
[0077][0078]
其中，pw为风机实际输出功率，p
wr
为风机额定功率；v
ci
、和v
co
分别为风机切入风速和风机切出风速；v为实际风速，服从两参数的weibull分布，其概率密度函数为：
[0079][0080]
其中，k和c分别为形状参数和尺度参数。
[0081]
光伏出力采用光伏发电随机模型，光伏实际输出功率p
pv
服从于beta分布，其概率密度函数为：
[0082][0083]
其中，r
pv
为光伏最大输出功率；γ(
·
)为γ函数；α和β均为beta分布形状参数，与太阳光辐照度有关，其取值随光伏安装位置不同而有差异。
[0084]
步骤s12、所述电网负荷的建模过程为：
[0085]
p
l
＝a(t)p
nl
(1-a(t))p
ev
[0086]
其中，p
l
为t时刻的负荷；p
nl
为常规负荷，服从期望为μ
nl
、标准差为σ
nl
的正态分布；p
ev
为充电负荷，a(t)为负荷占比系数；
[0087]
则t时刻负荷p
l
的概率密度函数为：
[0088][0089]
其中，μ
l,t
和σ
l,t
分别为负荷p
l
的期望值和标准差。
[0090]
所述充电负荷p
ev
采用充电负荷随机模型，表达式为：
[0091][0092]
其中，μ
ev
为电动汽车总体充电负荷的期望值，λ
ev
为电动汽车总体充电负荷的变异系数，表征为标准差与期望值的绝对值的比值。
[0093]
步骤s2、将弹性支路映射到配电网中，重构含微电网的配电网负荷模型；基于功率损耗目标函数、电压稳定目标函数以及支路弹性目标函数，归一化得到单目标优化函数；
[0094]
弹性支路映射方法是基于力学分析的，支路和节点的状态是实时对应并且同步变化的；基于在物理上支路的功角特性与弹簧的拉力伸长特性的相似性，将配电网映射为弹性力学网络；电网有功流动方向遵循从发电机流向负荷的规律，为使有功功率相加与矢量力的叠加规律相同，本实施例将所有支路看作垂直方向，这时就能够将反映功角特性的配电网络一一映射成力学中的弹性网络网络，从而通过优化网络的拓扑来增大支路的弹性。
[0095]
上述映射过程如下：
[0096]
1)计算支路传输有功功率为：
[0097][0098]
其中，ui、uj分别为交流支路首节点i电压和末节点j电压；x
l
为支路电抗，δ
ij
为节点电压的相角差；
[0099]
支路传输有功功率p
l
的一阶增量方程为：
[0100][0101]
2)线路弹性系数k
l
体现支路实际功角特性，其表达式为：
[0102][0103]
其中，δp
l
为有功功率p
l
的一阶增量，δδ
ij
节点电压的相角差δ
ij
的一阶增量；
[0104]
3)则最大化支路弹性目标函数为：
[0105][0106]
其中，ui、uj分别为交流支路首节点i电压和末节点j电压，δ
ij
为线路两端的相位角差，n为网络节点总数；x
l
为支路电抗；
[0107]
所述步骤s2中基于功率损耗目标函数、电压稳定目标函数以及支路弹性目标函数，归一化得到单目标优化函数，具体过程为：
[0108]
1)建立功率损耗目标函数，表达式为：
[0109][0110]
其中，ui、pi和qi分别为支路首节点为i的支路的电压、有功功率和无功功率；n为支路数，与网络节点总数相同；ri为配电网第i条支路的电阻；ki为二进制变量，ki＝0，1表示开关i断开或闭合；
[0111]
2)建立电压稳定目标函数，表达式为：
[0112]ustabl
＝4[(xp
j-rqj)2 (xqj rpj)u
i2
]/u
i4
[0113]
其中，u
stabl
为支路的电压稳定指标，首节点为i，末节点为j；r、x分别为支路的电阻和电抗；pj、qj分别为末节点j流入的有功功率和无功功率；ui为支路首节点i的电压幅值；
[0114]
当系统发生崩溃时，必定从系统中的薄弱支路开始，可以根据与临界值间的距离
来判断配电网系统的电压稳定性程度。所有支路中的最大的电压稳定性指标为配电网的电压稳定性指标。
[0115]
3)归一化得到的单目标优化函数为：
[0116][0117]
其中，f
ploss
、u
stabl
、f
kl
分别为功率损耗目标函数、电压稳定目标函数和支路弹性目标函数，f1、f2、f3分别为重构前的含微电网的配电网负荷模型的功率损耗值、电压稳定值和支路弹性值；λ1、λ2、λ3分别表示功率损耗、电压稳定性和支路弹性的权重系数，本实施例分别设为0.3、0.3和0.4。
[0118]
步骤s3、如图2所示，采用基于十进制整数编码的离散量子粒子群算法dqpso对单目标优化函数进行优化，求解重构后的含微电网的配电网负荷模型，具体过程为：
[0119]
1)初始化配电网参数，确定微电网的容量以及安装节点，对环网进行整数型编码；
[0120]
2)初始化离散量子粒子群算法，判断解的可行性，并按照搜索空间随机生成初始种群；
[0121]
3)判断解的可行性，对可行解进行适应度计算；
[0122]
4)更新种群信息，直至满足终止条件，输出优化结果。
[0123]
上述种群信息中粒子位置更新表达式为：
[0124][0125][0126][0127]
其中，x
id
(t 1)为第t 1次迭代粒子i的第d维位置；mbest(t)为第t次迭代种群中第i个粒子的平均最优位置，p
id
(t)为第t次迭代粒子i的当前最佳位置；m为种群中的粒子数，d为粒子维度；p
id
(t)是第t次迭代粒子i的当前最佳位置，p
gd
(t)为第t次迭代粒子i的全局最优位置，为区间[0,1]内均匀分布的随机数；β为收缩系数，u为区间[0,1]内均匀分布的随机数，x
id
(t)是第t次迭代粒子i的第d维位置。
[0128]
接下来，以33节点的配电网系统为例，对本发明方法的有效性进行验证。
[0129]
如图3所示为33节点的配电网系统的拓扑结构图，图4为33节点母线的12.66kv辐射状配电网系统。其中包括由5个联络开关和32个分段开关组成，其中1至32为常闭开关，33至37为常开开关。所有联络和分段开关被认为是重新配置的候选开关。
[0130]
验证一：为了验证离散量子粒子群算法dqpso算法的性能，将其与遗传算法ga、粒子群算法pso和离散粒子群算法dpso在馈线重构方面进行比较。
[0131]
其中算法参数设置为：总体规模为50，最大迭代次数为1000；对于离散粒子群算法
dpso，加权值的最大值和最小值分别为0.9和0.4，学习因子c1和c2都是2.0。遗传算法ga的交叉率和变异率分别设置为0.8和0.15。
[0132]
结果如表1所示。
[0133]
表1
[0134][0135][0136]
对于无微电网的33节点配电网系统，四种算法所得到的结果是一样的。本发明采用离散量子粒子群算法dqpso仅迭代16次后就收敛。
[0137]
验证二：
[0138]
在配电网上加入微电网，加入微电网的分布式电源参数设置见表2。
[0139]
表2
[0140][0141]
微电网并网安装的位置和33节点配电网系统的容量如表3所示。微电网做pq节点(其中节点有功功率p和无功功率q是给定的)处理。收敛精度设为10e-6，各个维度粒子下限设均为1，上限分别分别为10,7,15,21,11。
[0142]
表3
[0143]
微电网编号并网节点有功出力(kw)功率因数13500.8261000.93242000.94291001
[0144]
图4为实施例中的负荷图。图5为实施例中的风电以及光伏出力图。图6为含微电网的配电网负荷系统优化前后弹性对比图。图7为实施例中网络拓扑优化前后节点电压仿真结果图。重构结果及重构前后节点电压幅值如表4所示。
[0145]
表4
[0146][0147]
从仿真结果可以看出，针对含微电网的配电网系统，采用本发明的离散量子粒子
群算法dqpso进行弹性优化后，供电网系统的有功损耗降低，电压稳定性得到了一定程度提升。
[0148]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。