一种基于模糊聚类改进和声算法的风电配网优化调度方法与流程

本发明涉及电力系统优化调度技术领域，尤其涉及一种基于模糊聚类改进和声算法的风电配网优化调度方法。

背景技术：

风电等可再生能源发电并网比重的不断增加，其出力不确定性对电力系统安全经济调度的影响日趋增大，含风电系统的电力优化调度模型逐渐由以往的确定性建模转变为不确定性建模。以可控分布式电源的有功和无功出力作为决策变量，节点电压幅值偏差和系统网络损耗均取其区间数最小为目标函数来构建风电配网优化调度模型，通过计算区间数潮流，得到皆为区间数描述的节点电压、线路电流及支路功率。通过引入区间数优化理论，将风电出力、电价、负荷等不确定性因素作为区间数处理，然后采用区间序关系将所刻画的不确定性问题转化为确定型函数形式。

深入分析和声算法基本原理，参照模糊聚类思想，对算法中部分参数的生成方式进行改进，使算法在迭代求解过程中有利于自适应解的生成，提出一种基于模糊聚类的改进和声算法。并利用所提出的改进和声算法对上述风电配网优化调度模型进行求解。

和声算法搜索新解的三种方式有利用较大概率的hmcr在hm中搜索新解，或以概率1-hmcr在hm外搜索新解，或利用较小概率的par(取值—般在0.2和0.5之间)扰动和声记忆库中搜索到的新解。若依据最初的算法，hmcr和par均取固定值，则会影响算法中新解的多样性，且没有充分利用hm的累计信息。因此，为兼顾算法全局和局部搜索能力，参数改进的基本思路是新解搜索前期以较大概率在和声记忆库外搜寻新解，这样全局搜索能力较优。

技术实现要素：

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种求解方法简单、优化协调性能好的基于模糊聚类改进和声算法的风电配网优化调度方法，改善了风电配网节点电压分布以及降低了电力系统的网络损耗，同时改进和声算法的计算更加简单高效，有利于工程优化问题的求解。

为解决上述技术问题，本发明提出的技术方案为：

一种基于模糊聚类改进和声算法的风电配网优化调度方法，步骤包括：

s1.深入分析和声算法基本原理，参照模糊聚类思想，对和声算法中部分参数的生成方式进行改进，提出一种基于模糊聚类的改进和声算法；

s2.以可控分布式电源的有功和无功出力作为决策变量，节点电压幅值偏差和系统网络损耗最小为目标函数来构建风电配网优化调度模型；

s3.利用改进和声算法对上述模型进行求解，并论证该算法的优越性。

作为本发明的进一步改进：所述步骤s1中，为兼顾和声算法全局和局部搜索能力，参数改进的基本思路是新解搜索前期以较大概率在和声记忆库外搜寻新解。

作为本发明的进一步改进：改进和声算法以目标函数作为其适应度函数，若搜索到新解的适应度值小于原和声库中最差解的适应度值，则取代最差值，当搜索进行到一定阶段，和声库外搜索不到更优的解时，会出现新解适应度值大于和声库中解的适应度值，此时不需要对和声库进行修改，而将hmcr增大，从而增大算法后期局部搜索能力。

作为本发明的进一步改进：基于模糊聚类思想，和声算法的具体改进方式如下：

hmcrk+1＝hmcrmax-wk×(hmcrmax-hmcrmin)

park+1＝parmax-wk×(parmax-parmin)

其中：hmcrk+1、park+1表示第k+1次迭代时和声记忆库的考虑概率和扰动概率；gx0表示第k次迭代时新解的适应度值；gxi表示第k次迭代时和声记忆库中除了新解以外的其他解的适应度值；gximin表示和声记忆库中除了新解以外的其他解的最小适应度值。

作为本发明的进一步改进：所述步骤s2中，某一时段的优化函数以节点电压幅值偏差区间数和系统网络损耗区间数最小为目标函数，分别表示如下：

式中：t表示第t个时段；uⁱt,i为节点i的电压区间值；u^*i为节点i的额定电压表幺值(取1)；pⁱk、qⁱk分别为流出支路k末端的有功功率与无功功率的区间值；uⁱt,k为支路k的末端节点电压区间值。rk为支路k的电阻；nb为系统支路数目，n为系统节点数。

作为本发明的进一步改进：所述步骤s2中，可控分布式电源的出力约束为：

式中：pgimax、pgimin分别为分布式电源有功出力的最大与最小值；qgimax、qgimin别为分布式电源无功出力的最大与最小值。

作为本发明的进一步改进：所述步骤s3中，将改进后的和声算法、粒子群算法、遗传算法应用于同一算例，并给出三者的收敛性的关系，由此来论证改进和声算法的优越性。

与现有技术相比，本发明的优点在于：

1)本发明参照模糊聚类思想，对和声算法中部分参数的生成方式进行改进，使算法在迭代求解过程中更有利于自适应解的生成，提出了一种基于模糊聚类的改进和声算法。改进后的和声算法兼顾算法全局和局部搜索能力，增大了算法后期局部搜索能力，既保留了算法中新解多样性，又充分利用了hm的累计信息，使得整个过程中算法参数做到自适应调整。

2)参数改进后的和声算法较其它智能算法更显优越性，其计算简单高效，不仅适用于本文中的风电配网优化问题，也适用于其他工程类问题，实用性较高。

3)本发明以可控分布式电源的有功和无功出力作为决策变量，节点电压幅值偏差和系统网络损耗最小为目标函数来构建风电配网优化调度模型，该模型改善了风电配网节点电压分布，降低了电力系统的网络损耗。

附图说明

图1是本实施例基于模糊聚类改进和声算法的风电配网优化调度方法实现流程图。

图2是改进和声算法求解步骤流程图。

图3是33节点系统中负荷、风速及电价的预测变化曲线图。

图4是33节点系统优化前节点电压分布图。

图5是33节点系统优化后节点电压分布图。

图6是33节点系统优化前后电压幅值偏差对比图。

图7是33节点系统优化前网络损耗分布图。

图8是33节点系统优化后网络损耗分布图。

图9是33节点系统优化前后网络损耗对比图。

具体实施方式

以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。

如图1所示，本实施例方法步骤包括一种基于模糊聚类改进和声算法的风电配网优化调度方法：

s1.深入分析和声算法基本原理，参照模糊聚类思想，对和声算法中部分参数的生成方式进行改进，提出一种基于模糊聚类的改进和声算法；

s2.以可控分布式电源的有功和无功出力作为决策变量，节点电压幅值偏差和系统网络损耗最小为目标函数来构建风电配网优化调度模型；

s3.利用改进和声算法对上述模型进行求解，并论证该算法的优越性。

和声算法搜索新解的三种方式有利用较大概率的hmcr在hm中搜索新解，或以概率1-hmcr在hm外搜索新解，或利用较小概率的par(取值—般在0.2和0.5之间)扰动和声记忆库中搜索到的新解。若依据最初的算法，hmcr和par均取固定值，则会影响算法中新解的多样性，且没有充分利用hm的累计信息。因此，为兼顾算法全局和局部搜索能力，参数改进的基本思路是新解搜索前期以较大概率在和声记忆库外搜寻新解，这样全局搜索能力较优。

图2所示为改进和声算法求解步骤流程图。以目标函数作为改进和声算法的适应度函数，因本实例中目标函数是求取最小值，因此若搜索到新解的适应度值小于原和声库中最差解的适应度值，则取代最差值，当搜索进行到一定阶段，和声库外搜索不到更优的解时，会出现新解适应度值大于和声库中解的适应度值，此时不需要对和声库进行修改，而将hmcr增大，这样算法在和声库中搜索新解的概率增大，即增大算法后期局部搜索能力。这样既保留了算法中新解多样性，又充分利用了hm的累计信息，使得整个过程中算法参数做到自适应调整。基于模糊聚类思想，其具体改进方式如下：

hmcrk+1＝hmcrmax-wk×(hmcrmax-hmcrmin)(2)

park+1＝parmax-wk×(parmax-parmin)(3)

式中：hmcrk+1、park+1表示第k+1次迭代时和声记忆库的考虑概率和扰动概率；gx0表示第k次迭代时新解的适应度值；gxi表示第k次迭代时和声记忆库中除了新解以外的其他解的适应度值；gximin表示和声记忆库中除了新解以外的其他解的最小适应度值。

本实例以可控分布式电源的有功和无功出力作为决策变量，节点电压幅值偏差区间数和系统网络损耗区间数最小为目标函数来构建风电配网优化调度模型。目标函数表示如下：

式中：t表示第t个时段；uⁱt,i为节点i的电压区间值；u^*i为节点i的额定电压表幺值(取1)；pⁱk、qⁱk分别为流出支路k末端的有功功率与无功功率的区间值；uⁱt,k为支路k的末端节点电压区间值。rk为支路k的电阻；nb为系统支路数目，n为系统节点数。

在本实例中，为方便对问题进行分析，将多目标转为单目标进行分析。将f2进行标幺化，取系统有功和的10％作为分母(一般配网的网损率小于10％)。f1与f2线性叠加后的目标函数为fⁱci：

式中取α＝β(一般取0.5)。支路有功pⁱk和支路无功qⁱk通过潮流约束计算获得，公式如下：

式中：pⁱwi，pⁱgi，pⁱli分别为节点i的风机有功出力，可控分布式电源有功出力和有功负荷，(注意本实例考虑可控分布式电源有功出力作为决策变量)qⁱgi，qⁱli分别为节点i的分布式电源无功出力和无功负荷(因研究的是每个时段问题，所以qⁱli在数值上等于qⁱi)；gij、bij和θij分别为节点i、j之间的电导、电纳和电压相角差。

本实例中风电配网优化模型线路安全约束条件如下：

式中：s^rij为线路容量区间值的最大值(其表达式为复数形式，这里取其绝对值)；s^maxij为支路可载容量的最大值，线路容量区间值表示如下：

式中：为节点i，j的电压共轭值区间数；gii，bii为节点i的自电导和自电纳。

可控分布式电源的出力约束条件如下：

式中：pgimax、pgimin分别为分布式电源有功出力的最大与最小值；qgimax、qgimin分别为分布式电源无功出力的最大与最小值；假设分布式电源的功率因数为常数。

将线路安全不等式约束和电源出力不等式约束，采用惩罚函数的形式考虑于目标函数中。对单个时段的优化，其适应度函数为gct，如下所示：

式中：jpen为惩罚函数。

为了验证本发明的有效性，采用ieee33节点系统进行实验验证。假设所有馈线段的最大载容量相同，皆smax＝2000kva。风速的预测误差取25％，所有风机的vc,i取3m/s，vr取14m/s，vc,o取25m/s。给定24个时刻电价，预测误差取8％。通过引入区间数优化理论，将风电出力、电价、负荷等不确定因素作为区间数处理，从而将不确定问题转化为明确的确定型函数形式。潮流计算时，变电站出线端电压取1p.u.，同时给定和声算法参数如hm的大小为hm＝8，和声算法考虑概率最小值最大值分别为hmcrmin＝0.75和hmcrmax＝0.95；和声算法扰动概率最小值和最大值分别为parmin＝0.15和parmax＝0.25；扰动幅值大小为bbw＝0.001；最大循环次数为ni＝200。

图3为系统中负荷、风速及电价的预测变化曲线，其中风速的基准值取20m/s，负荷的基准值为各负荷节点的当前值，电价基准值为1元/千瓦时。

为了验证前文所提改进和声算法的优越性，即实现改进和声算法(has)与遗传算法(ga)以及粒子群算法(pso)进行对比，将遗传算法以及粒子群算法应用于本算例中。表1给出三者的收敛性的关系，相较于遗传算法和粒子群算法，has其收敛速度更快，且获得最优解的循环次数少，只要81次便行，且循环100次cpu计算耗时相对较少，为64.8s，这相较于ga计算耗时，为85.6s，以及pso计算耗时，73.7s来说。整个过程计算结束所花时间为802.6s。

表1和声算法、遗传算法和粒子群算法收敛性对比

通过与遗传算法(ga)以及粒子群算法(pso)对比，所提出的改进和声算法的优越性得到验证。

为了验证前文所建风电配网优化模型的优越性，将优化前后的节点电压与网络损耗进行分析比较。由图4、图5给出的系统节点在24个时段优化前后的电压分布结果可知(其中x轴为节点编号，y轴为24个时间时段，z轴为优化前后的电压值)，优化前后的节点电压分布改善明显，其优化前的电压下界值都大于0.90，其优化后的电压下界值都大于0.92。且图6更加清晰比较优化前后配网电压幅值偏差目标函数对比图。由图可知，通过优化，各时刻点的电压目标函数值的上界与下界值减小的幅度都很大。且对于负荷峰值点的时刻10与时刻20，优化前后的效果最显著。但优化前的上、下界值和优化后的上、下界值的变化不大。

图7、图8给出的系统节点在24个时段优化前、后的网损分布情况(其中x轴为支路编号，y轴为24个优化的时段，z轴为优化前后的网络损耗值)，据图可知，优化前后的支路损耗的总值明显减小。个别支路的网损值有所增大，是因为通过优化控制措施改变系统的潮流分布。同时图9更加清晰地比较了优化前后配网网络损耗，不难发现，图3中的负荷峰值点为时刻10与时刻20，图9中网络损耗的峰值点也是时刻10与20，说明负荷越大系统网络损耗自然也大，同时，这两个时刻优化前后的网络损耗差值也是最大，优化前后的效果最显著。

由上述实验结果可得，参数改进后的和声算法较其它智能算法更显优越性。在实际的工程应用方面能得到有效应用。

上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。