一种分布式电源优化配置的方法及系统的制作方法

文档序号:6639908阅读:265来源:国知局
一种分布式电源优化配置的方法及系统的制作方法
【专利摘要】本申请提供了一种分布式电源优化配置的方法中,确定分布式电源的概率密度函数和负荷的概率密度函数;根据所述分布式电源的概率密度函数和所述负荷的概率密度函数,建立分布式电源和负荷的不确定性数学模型;确定分布式电源优化配置的目标函数与约束条件,建立计及不确定性的分布式电源优化配置模型;按照预设的方法对所述计及不确定性的分布式电源优化配置模型进行求解,得到Pareto最优解;计算所述Pareto最优解对应的标准化满意度值,根据所述标准化满意度值确定所述分布式电源优化配置方案。不仅能有效处理分布式电源优化配置中的不确定性,还充分考虑了各目标函数之间的相关性,有效避免了优化方案针对性强的问题。
【专利说明】-种分布式电源优化配置的方法及系统

【技术领域】
[0001] 本申请涉及分布式发电【技术领域】,特别涉及一种分布式电源优化配置的方法及系 统。

【背景技术】
[0002] 随着技术的发展,人们对配电网中分布式电源优化配置的方法要求越来越高。
[0003] 现有的配电网中分布式电源优化配置的方法中,一般都忽略了不确定性对分布式 电源优化配置的影响,且建立的模型比较单一,准确性差。
[0004] 因此,如何能够准确的进行分布式电源的优化配置是本领域技术人员目前需要解 决的技术问题。


【发明内容】

[0005] 本申请所要解决的技术问题是提供一种分布式电源优化配置的方法及系统,解决 了现有技术中一般都忽略了不确定性对分布式电源优化配置的影响,且建立的模型比较单 一,准确性差的问题。
[0006] 其具体方案如下:
[0007] -种分布式电源优化配置的方法,其特征在于,
[0008] 确定分布式电源的概率密度函数和负荷的概率密度函数;
[0009] 根据所述分布式电源的概率密度函数和所述负荷的概率密度函数,建立分布式电 源和负荷的不确定性数学模型;
[0010] 确定分布式电源优化配置的目标函数与约束条件,建立计及不确定性的分布式电 源优化配置模型;
[0011] 利用基于拉丁超立方采样的蒙特卡罗模拟嵌入多目标粒子群算法对所述计及不 确定性的分布式电源优化配置模型进行求解,得到Pareto最优解;
[0012] 计算所述ParetO最优解对应的标准化满意度值,根据所述标准化满意度值确定 所述分布式电源优化配置方案。
[0013] 上述的方法,优选的,
[0014] 所述利用基于拉丁超立方采样的蒙特卡罗模拟嵌入多目标粒子群算法对所述计 及不确定性的分布式电源优化配置模型进行求解,得到Pareto最优解,包括:
[0015] 获取原始数据,所述原始数据包括配电网网络参数、多目标粒子群算法参数以及 拉丁超立方采样规模;
[0016] 对粒子进行编码,初始化所述粒子的速度和位置;
[0017] 采用外部精英存储迭代中搜索到的ParetO最优解,设定外部精英集的大小,并初 始化所述外部精英集,设置迭代次数t = 1 ;
[0018] 将所述目标函数分别作为多目标粒子群算法的适应度函数,采用基于拉丁超立方 采样的蒙特卡罗模拟法进行不确定潮流计算,得出粒子的适应度值;
[0019] 基于Pareto支配关系,确定所述粒子的个体极值;
[0020] 按照预设的方法确定粒子群的全局极值;
[0021] 按照预设的更新方法更新所述粒子的惯性权重、学习因子、速度和位置;
[0022] 设置所述迭代次数t = t+Ι,重复执行所述不确定潮流计算、所述确定个体极值、 所述确定全局极值和所述更新的过程,直到所述迭代次数t = T ;
[0023] 输出所述外部精英集中保留的所述Pareto最优解。
[0024] 上述的方法,优选的,
[0025] 所述计算Pareto最优解对应的标准化满意度值,根据所述标准化满意度值确定 所述分布式电源优化配置方案,包括:
[0026] 利用模糊隶属度函数表示每个所述Pareto最优解中各目标函数对应的满意度;
[0027] 按照预设的计算方法,计算所述Pareto最优解的标准化满意度值;
[0028] 确定所述标准化满意度值最大的解所对应的分布式电源优化配置方案为所述分 布式电源优化配置的最佳方案。
[0029] 上述的方法,优选的,
[0030] 所述基于Pareto支配关系,确定所述粒子的个体极值,包括:
[0031] 定义Pareto支配关系;
[0032] 根据所述Pareto支配关系和Pareto最优解,确定所述粒子的个体极值。
[0033] 上述的方法,优选的,
[0034] 所述按照预设的方法确定粒子所属的粒子群的全局极值,包括:
[0035] 将所述外部精英集作为所述粒子群全局极值的候选集合,基于所述Pareto支配 关系对所述外部精英集进行更新;
[0036] 计算更新后的所述外部精英集中每个Pareto最优解的拥挤距离;
[0037] 根据所述拥挤距离维持所述外部精英集的容量,保留拥挤距离较大的粒子,剔除 拥挤距离较小的粒子;
[0038] 按照预设的概率,从所述外部精英集中随机选取一个粒子,将所述粒子的位置作 为所述粒子群的全局极值。
[0039] 一种分布式电源优化配置的系统,该系统包括:
[0040] 第一确定单元,用于确定分布式电源的概率密度函数和负荷的概率密度函数;
[0041] 第一建立单元,用于根据所述分布式电源的概率密度函数和所述负荷的概率密度 函数,建立分布式电源和负荷的不确定性数学模型;
[0042] 第二确定单元,用于确定分布式电源优化配置的目标函数与约束条件,建立计及 不确定性的分布式电源优化配置模型;
[0043] 求解单元,用于利用基于拉丁超立方采样的蒙特卡罗模拟嵌入多目标粒子群算法 对所述计及不确定性的分布式电源优化配置模型进行求解,得到Pareto最优解;
[0044] 第一计算单元,用于计算所述Pareto最优解对应的标准化满意度值,根据所述标 准化满意度值确定所述分布式电源优化配置方案。
[0045] 上述的系统,优选的,所述求解单元包括:
[0046] 获取单元,用于获取原始数据,所述原始数据包括配电网网络参数、多目标粒子群 算法参数以及拉丁超立方采样规模;
[0047] 编码单元,用于对粒子进行编码,初始化所述粒子的速度和位置;
[0048] 设定单元,用于采用外部精英存储迭代中搜索到的Pareto最优解,设定外部精英 集的大小,并初始化所述外部精英集,设置迭代次数t = 1 ;
[0049] 第二计算单元,用于将所述目标函数分别作为多目标粒子群算法的适应度函数, 采用基于拉丁超立方采样的蒙特卡罗模拟法进行不确定潮流计算,得出粒子的适应度值;
[0050] 第三确定单元,用于基于Pareto支配关系,确定所述粒子的个体极值;
[0051] 第四确定单元,用于按照预设的方法确定粒子群的全局极值;
[0052] 第一更新单元,用于按照预设的更新方法更新所述粒子的惯性权重、学习因子、速 度和位置;
[0053] 设置单元,用于设置所述迭代次数t = t+Ι,重复执行所述不确定潮流计算、所述 确定个体极值、所述确定全局极值和所述更新的过程,直到所述迭代次数t = T ;
[0054] 输出单元,用于输出所述外部精英集中保留的所述Pareto最优解。
[0055] 上述的系统,优选的,所述第一计算单元包括:
[0056] 表示单元,用于利用模糊隶属度函数表示每个所述Pareto最优解中各目标函数 对应的满意度;
[0057] 第三计算单元,用于按照预设的计算方法,计算每个所述Pareto最优解的标准化 满意度值;
[0058] 第五确定单元,用于确定所述标准化满意度值最大的解所对应的分布式电源优化 配置方案为所述分布式电源优化配置的最佳方案。
[0059] 上述的系统,优选的,所述第三确定单元包括:
[0060] 定义单元,用于定义Pareto支配关系;
[0061] 第六确定单元,用于根据所述Pareto支配关系和Pareto最优解,确定所述粒子的 个体极值。
[0062] 上述的系统,优选的,所述第四确定单元包括:
[0063] 第二更新单元,用于将所述外部精英集作为所述粒子群全局极值的候选集合,基 于所述Pareto支配关系对所述外部精英集进行更新;
[0064] 第四计算单元,用于计算更新后的所述外部精英集中每个Pareto最优解的拥挤 距离;
[0065] 维持单元,用于根据所述拥挤距离维持所述外部精英集的容量,保留拥挤距离较 大的粒子,剔除拥挤距离较小的粒子;
[0066] 选取单元,用于按照预设的概率,从所述外部精英集中随机选取一个粒子,将所述 粒子的位置作为所述粒子群的全局极值。
[0067] 本申请提供的一种分布式电源优化配置的方法中,确定分布式电源的概率密度函 数和负荷的概率密度函数;根据所述分布式电源的概率密度函数和所述负荷的概率密度函 数,建立分布式电源和负荷的不确定性数学模型;确定分布式电源优化配置的目标函数与 约束条件,建立计及不确定性的分布式电源优化配置模型;按照预设的方法对所述计及不 确定性的分布式电源优化配置模型进行求解,得到Pareto最优解;计算所述Pareto最优解 对应的标准化满意度值,根据所述标准化满意度值确定所述分布式电源优化配置方案。本 发明所述的分布式电源优化配置方法,建立了综合考虑分布式电源优化配置的经济性、安 全性以及环境影响的多目标优化模型,能够更加全面地反映实际情况,具有更高的准确性; 将基于拉丁超立方采样的蒙特卡罗模拟嵌入多目标粒子群算法进行模型求解,不仅能有效 处理分布式电源优化配置中的不确定性,还充分考虑了各目标函数之间的相关性,有效避 免了优化方案针对性强的问题。

【专利附图】

【附图说明】
[0068] 为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使 用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于 本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其 他的附图。
[0069] 图1是本申请的一种分布式电源优化配置的方法实施例的流程图;
[0070] 图2是本申请的一种分布式电源优化配置的系统实施例的结构示意图。

【具体实施方式】
[0071] 本发明的核心是提供一种分布式电源优化配置的方法及系统,解决了现有技术中 一般都忽略了不确定性对分布式电源优化配置的影响,且建立的模型比较单一,准确性差 的问题。
[0072] 下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完 整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于 本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例,都属于本申请保护的范围。
[0073] 参考图1,示出了本申请一种分布式电源优化配置的方法实施例的流程图,可以包 括以下步骤:
[0074] 步骤SlOl :确定分布式电源的概率密度函数和负荷的概率密度函数。
[0075] 步骤S102 :根据所述分布式电源的概率密度函数和所述负荷的概率密度函数,建 立分布式电源和负荷的不确定性数学模型。
[0076] 风力发电机的模型主要由风速模型和风机出力模型两部分组成,在拟合风速分布 的模型中,应用最为广泛的是双参数Weibull分布模型,其概率密度函数f(v)为:

【权利要求】
1. 一种分布式电源优化配置的方法,其特征在于,该方法包括: 确定分布式电源的概率密度函数和负荷的概率密度函数; 根据所述分布式电源的概率密度函数和所述负荷的概率密度函数,建立分布式电源和 负荷的不确定性数学模型; 确定分布式电源优化配置的目标函数与约束条件,建立计及不确定性的分布式电源优 化配置模型; 利用基于拉下超立方采样的蒙特卡罗模拟嵌入多目标粒子群算法对所述计及不确定 性的分布式电源优化配置模型进行求解,得到Pareto最优解; 计算所述Pareto最优解对应的标准化满意度值,根据所述标准化满意度值确定所述 分布式电源优化配置方案。
2. 根据权利要求1所述的方法,其特征在于,所述利用基于拉下超立方采样的蒙特卡 罗模拟嵌入多目标粒子群算法对所述计及不确定性的分布式电源优化配置模型进行求解, 得到Pareto最优解,包括: 获取原始数据,所述原始数据包括配电网网络参数、多目标粒子群算法参数W及拉下 超立方采样规模; 对粒子进行编码,初始化所述粒子的速度和位置; 采用外部精英存储迭代中搜索到的Pareto最优解,设定外部精英集的大小,并初始化 所述外部精英集,设置迭代次数t = 1 ; 将所述目标函数分别作为多目标粒子群算法的适应度函数,采用基于拉下超立方采样 的蒙特卡罗模拟法进行不确定潮流计算,得出粒子的适应度值; 基于Pareto支配关系,确定所述粒子的个体极值; 按照预设的方法确定粒子群的全局极值; 按照预设的更新方法更新所述粒子的惯性权重、学习因子、速度和位置; 设置所述迭代次数t = t+1,重复执行所述不确定潮流计算、所述确定个体极值、所述 确定全局极值和所述更新的过程,直到所述迭代次数t = T ; 输出所述外部精英集中保留的所述Pareto最优解。
3. 根据权利要求1所述的方法,其特征在于,所述计算Pareto最优解对应的标准化满 意度值,根据所述标准化满意度值确定所述分布式电源优化配置方案,包括: 利用模糊隶属度函数表示每个所述Pareto最优解中各目标函数对应的满意度; 按照预设的计算方法,计算所述Pareto最优解的标准化满意度值; 确定所述标准化满意度值最大的解所对应的分布式电源优化配置方案为所述分布式 电源优化配置的最佳方案。
4. 根据权利要求2所述的方法,其特征在于,所述基于Pareto支配关系,确定所述粒子 的个体极值,包括: 定义Pareto支配关系; 根据所述Pareto支配关系和Pareto最优解,确定所述粒子的个体极值。
5. 根据权利要求2所述的方法,其特征在于,所述按照预设的方法确定粒子所属的粒 子群的全局极值,包括: 将所述外部精英集作为所述粒子群全局极值的候选集合,基于所述Pareto支配关系 对所述外部精英集进行更新; 计算更新后的所述外部精英集中每个Pareto最优解的拥挤距离; 根据所述拥挤距离维持所述外部精英集的容量,保留拥挤距离较大的粒子,剔除拥挤 距离较小的粒子; 按照预设的概率,从所述外部精英集中随机选取一个粒子,将所述粒子的位置作为所 述粒子群的全局极值。
6. -种分布式电源优化配置的系统,其特征在于,该系统包括: 第一确定单元,用于确定分布式电源的概率密度函数和负荷的概率密度函数; 第一建立单元,用于根据所述分布式电源的概率密度函数和所述负荷的概率密度函 数,建立分布式电源和负荷的不确定性数学模型; 第二确定单元,用于确定分布式电源优化配置的目标函数与约束条件,建立计及不确 定性的分布式电源优化配置模型; 求解单元,用于利用基于拉下超立方采样的蒙特卡罗模拟嵌入多目标粒子群算法对所 述计及不确定性的分布式电源优化配置模型进行求解,得到Pareto最优解; 第一计算单元,用于计算所述Pareto最优解对应的标准化满意度值,根据所述标准化 满意度值确定所述分布式电源优化配置方案。
7. 根据权利要求6所述的系统,其特征在于,所述求解单元包括: 获取单元,用于获取原始数据,所述原始数据包括配电网网络参数、多目标粒子群算法 参数W及拉下超立方采样规模; 编码单元,用于对粒子进行编码,初始化所述粒子的速度和位置; 设定单元,用于采用外部精英存储迭代中搜索到的Pareto最优解,设定外部精英集的 大小,并初始化所述外部精英集,设置迭代次数t = 1 ; 第二计算单元,用于将所述目标函数分别作为多目标粒子群算法的适应度函数,采用 基于拉下超立方采样的蒙特卡罗模拟法进行不确定潮流计算,得出粒子的适应度值; 第H确定单元,用于基于Pareto支配关系,确定所述粒子的个体极值; 第四确定单元,用于按照预设的方法确定粒子群的全局极值; 第一更新单元,用于按照预设的更新方法更新所述粒子的惯性权重、学习因子、速度和 位置; 设置单元,用于设置所述迭代次数t = t+1,重复执行所述不确定潮流计算、所述确定 个体极值、所述确定全局极值和所述更新的过程,直到所述迭代次数t = T ; 输出单元,用于输出所述外部精英集中保留的所述化reto最优解。
8. 根据权利要求6所述的系统,其特征在于,所述第一计算单元包括: 表示单元,用于利用模糊隶属度函数表示每个所述Pareto最优解中各目标函数对应 的满意度; 第H计算单元,用于按照预设的计算方法,计算所述Pareto最优解的标准化满意度 值; 第五确定单元,用于确定所述标准化满意度值最大的解所对应的分布式电源优化配置 方案为所述分布式电源优化配置的最佳方案。
9. 根据权利要求7所述的系统,其特征在于,所述第H确定单元包括: 定义单元,用于定义Pareto支配关系; 第六确定单元,用于根据所述Pareto支配关系和Pareto最优解,确定所述粒子的个体 极值。
10.根据权利要求7所述的方法,其特征在于,所述第四确定单元包括: 第二更新单元,用于将所述外部精英集作为所述粒子群全局极值的候选集合,基于所 述Pareto支配关系对所述外部精英集进行更新; 第四计算单元,用于计算更新后的所述外部精英集中每个Pareto最优解的拥挤距离; 维持单元,用于根据所述拥挤距离维持所述外部精英集的容量,保留拥挤距离较大的 粒子,剔除拥挤距离较小的粒子; 选取单元,用于按照预设的概率,从所述外部精英集中随机选取一个粒子,将所述粒子 的位置作为所述粒子群的全局极值。
【文档编号】G06Q10/04GK104463374SQ201410815950
【公开日】2015年3月25日 申请日期:2014年12月23日 优先权日:2014年12月23日
【发明者】赵波, 周金辉, 吴红斌, 徐琛, 王子凌 申请人:国家电网公司, 国网浙江省电力公司电力科学研究院
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1