[发明专利]基于配电网概率潮流计算的分布式光伏电源选址优化方法

权利要求书

1.一种基于配电网概率潮流计算的分布式光伏电源选址优化方法，其特征是：包括如下步骤：

构建考虑配电网动态特性的多目标优化模型；

获取并清洗实施例中含分布式光伏接入的配电网中母线电压、配变负荷以及光伏电源出力一年的历史数据；

采用拉丁超立方采样法从母线电压、负荷与光伏出力的历史数据中抽取N个样本，作为配电网概率潮流计算的网络运行状态；

如果配电网拓扑未知，依据配电网历史运行数据辨识配电网拓扑，作为概率潮流计算的拓扑基础；

以采样的样本作为输入，对不同运行状态下的配电网进行潮流计算，从而把DG选址这一动态多目标优化问题转化为多场景的静态多目标优化问题进行分析；

依据SOP的目标函数从潮流计算结果中获取该方案的评分，利用向量评估遗传算法对方案进行优化，迭代计算至算法收敛为止，获得的方案即为DG的最优接入方案。

2.根据权利要求1所述的基于配电网概率潮流计算的分布式光伏电源选址优化方法，其特征是：所述目标函数主要包括网络损耗、电压质量是衡量配电网运行状态的两项重要指标；DG的选址往往不能同时使这两项指标达到最优水平，为协调它们之间的矛盾，建立了包括网络损耗和电压质量的SOP模型。

3.根据权利要求1所述的基于配电网概率潮流计算的分布式光伏电源选址优化方法，其特征是：所述多目标优化模型，从配电公司的角度未考虑DG的固定投资及运行维护费用。

4.根据权利要求1所述的基于配电网概率潮流计算的分布式光伏电源选址优化方法，其特征是：所述配电网概率潮流计算，采用拉丁超立方采样方法对母线电压、负荷与光伏出力的历史数据抽样，确保采样值能够覆盖输入随机变量的整个分布区间。

5.根据权利要求1所述的基于配电网概率潮流计算的分布式光伏电源选址优化方法，其特征是：所述向量评估遗传算法，采用成比例选择机制，循环执行“分割、评价、选择、交叉、变异”过程；使用向量评估遗传算法进行优化的步骤为：

首先，针对SOP的目标函数产生对应的粒子种群；

然后，在未达到最大迭代次数的情况下，以目标函数为种群的评价函数，对每个粒子的适应度进行评价，选择出适应度高的粒子；

然后，将所有种群中适应度高的粒子放入交叉池，随机选择种群中各的属性进行两两交叉，直到新的个体依然满足SOP的约束条件；

最后，在新的粒子满足约束条件情况下，将变异算子作用于种群直到未达到最大变异次数，由此得到下一代群体。

6.根据权利要求1所述的基于配电网概率潮流计算的分布式光伏电源选址优化方法，其特征是：包括如下步骤：

步骤一、首先，构建考虑配电网动态特性的多目标优化模型，DG选址优化的静态多目标优化问题模型的构建主要包括确定约束条件和确定目标函数两个步骤；具体而言，网络损耗、电压质量是衡量配电网运行状态的两项重要指标，但DG的选址往往不能同时使这两项指标达到最优水平，为协调它们之间的矛盾，建立了包括网络损耗和电压质量的SOP模型，SOP的目标函数如下：

式中：N_S为描述多时空配电网运行状态的场景数量；N_node为测试系统中节点的个数；N_line为系统中线路的条数；P_total为线路的总传输功率；V_Q1为节点的电压偏差率指标，其表达式如下：

式中：U_i为系统中第i个节点的电压，U_N为该节点的电压标称值；V_Q2为国标GB/T 12326-200规定的节点的电压波动率指标，其表达式如下：

式中：V_max为系统内节点电压最大值；V_min为系统内节点电压最小值；V_mean为系统内节点电压平均值；P_loss为单条支路损耗，其表达式如下：

式中S_Gi为接入分布式光伏电源后节点i的注入功率；S_Li为节点i的负荷；P_Gi和Q_Gi分别为电源在i的有功和无功；P_Li和Q_Li分别为节点i的有功负荷和无功负荷；U_i为节点i的电压；考虑到目前国内可再生能源发电项目中，上网电价高于当地脱硫燃煤机组标杆上网电价的部分，是通过向电力用户征收附加电价的方式解决，因此，从配电公司的角度可不必考虑DG的固定投资及运行维护费用；

SOP模型的约束条件为：

P_ij≤P_ijmax

式中：G_ij和B_ij为节点i与节点j之间的线路导纳；θ_ij为节点i，j之间的相角差；和分别为节点i的电压U_i的下限和上限；

步骤二、获取并清洗实施例中含DG接入的配电网中母线电压、配变负荷以及光伏电源出力一年的历史数据；采用拉丁超立方采样法从母线电压、负荷与光伏出力的历史数据中抽取N个样本，作为概率潮流计算的网络运行状态；如果配电网拓扑未知，依据配电网历史运行数据辨识配电网拓扑，作为概率潮流计算的拓扑基础；以采样的样本作为输入，利用python分别对不同运行状态下的配电网进行潮流计算；

利用蒙特卡洛模拟法把DG选址这一动态多目标优化问题转化为多场景的静态多目标优化问题进行分析；

蒙特卡洛模拟法的基本思想是对分布式电源出力、节点有功和无功负荷进行抽样，分别对每种组合进行潮流计算，然后再从潮流结果中统计出潮流的分布情况；蒙特卡罗模拟法把不确定问题转换为一系列确定问题来解决，具有简单、灵活的优点；但是只有在采样规模很大时，才能够保证精度，计算量过大是其主要缺点；拉丁超立方采样属于分层采样，是一种有效的用采样值反映随机变量的整体分布的方法；该方法分成以下两步：1)采样：对每个输入随机变量进行采样，确保随机分布区域能够被采样点完全覆盖；2)排对：改变各随机变量采样值的排列顺序，使相互独立的随机变量的采样值的相关性趋于最小；

拉丁超立方采样优于随机采样的原因是它确保采样值能够覆盖输入随机变量的整个分布区间，在采样规模相同的情况下，误差有很大改善；误差收敛的稳健性比随机采样好，可以得到较为稳定的收敛精度；并且，拉丁超立方采样在估计输出随机变量的期望值时特别有效；对于相同的采样规模N，用随机采样和拉丁超立方采样得到的2个独立随机变量的联合覆盖空间百分比的期望值分别为：

上式表明，对于任何N≥2，后者的值总是比前者的值大，例如：当N＝10，由以上2个式子得到的期望值分别为66.9％和81.0％；因此，拉丁超立方采样覆盖的输入随机变量的采样空间总是比随机采样的大；拉丁超立方采样改进了采样策略能够做到以较小的采样规模获得较高的采样精度，在实际应用中具有高效性很受欢迎；

抽取概率潮流计算样本的做法是先抽取5000组样本，再将这些样本分别输入到线路开关处于6种可能状态组合的配电网拓扑中进行潮流计算，所有潮流计算的迭代方法均为牛顿拉夫逊算法，最终的方案对目标函数的适应度为所有样本经过概率潮流计算得到的适应度的均值；

步骤三、基于向量评估遗传算法对DG选址进行方案优化；基于拉丁超立方采样的概率潮流计算将DG选址规划问题转化为一个静态非线性优化问题，在SOP的目标规模不大的情况下，使用进化算法是最好的选择；

采用向量评估遗传算法求取问题的最优解，即DG接入方案；采用向量评估遗传算法，采用成比例选择机制，循环执行“分割、评价、选择、交叉、变异”过程；首先，针对SOP的目标函数产生对应的粒子种群；接着，在未达到最大迭代次数的情况下，以目标函数为种群的评价函数，对每个粒子的适应度进行评价，选择出适应度高的粒子；然后，将所有种群中适应度高的粒子放入交叉池，随机选择种群中各的属性进行两两交叉，直到新的个体依然满足SOP的约束条件；最后，在新的粒子满足约束条件情况下，将变异算子作用于种群直到未达到最大变异次数，由此得到下一代群体；循环执行上述过程，直到满足规定的循环次数或判断条件，此时算法输出的解即为对目标函数适应度最大的非劣解，亦称Pareto解；配电网规划人员可以依据得到的Pareto解来确定分布式光伏电源的接入点，达到优化配电网运行，节省发电成本的目的；

考虑到网络中可选择的接入点不多，为节省计算时间，遗传算法的初始种群数量设置为50，最大进化次数为30次；在光伏接入点数量为2个的情况下，利用向量评估遗传算法计算多目标优化问题的Pareto解集；在进化过程中，粒子群对目标函数的适应度进行追踪分析，进化记录器记录的粒子群指标变化过程；

基于概率潮流计算的结果求得的Pareto解集对目标函数的适应度；从计算结果可以看出光伏接入后配电网的平均电压波动率明显大于平均电压偏差率，这是因为光伏出力与负荷的升降特性有区别而导致的，因此分布式光伏电源接入一定要同时考虑负荷与光伏出力的时序特性，不同负荷类别的配电网光伏最优接入方案也会有所不同；

以所有不在Pareto解集内的接入方案作为基准值，求得的Pareto解集中的方案在电压偏差率方面平均降低7.3％，在电压波动率方面平均降低6.7％，在线损方面平均降低8.5％；在光伏出力与负荷的升降特性差异很大的配电网，分布式光伏电源接入位置优化效果较为显著。