一种基于多决策理论的分布式光伏多目标优化配置方法与流程

发明涉及一种基于多决策理论的分布式光伏多目标优化配置方法，属于电力运行与控制领域。

发明背景

随着能源危机和气候变暖两大问题的日益严峻，全球能源结构面临着一次新的转型升级。我国现阶段对可再生能源的开发，主要集中在光伏发电、风力发电和水力发电三个方面，与风电和水电相比，光伏发电受地理条件限制程度较轻，容量选择也更为灵活，是新时代发展潜力最大的可再生能源。

光伏发电的主要发展趋势是光伏发电并网，但光伏电源发电方式与传统能源不同，并且光伏接入改变了配电网原有的结构，大规模并网必将对配电网造成一定的消极影响。光伏电源出力具有波动性、随机性，容易引起电网电压波动、电压闪变；光伏逆变器频繁闭合打开开关管会产生谐波电流，导致谐波污染；光伏并网会使配电网电压水平升高，容易造成节点电压越限；光伏接入容量过大会引起潮流逆向流动，降低电力系统稳定性。

全面深入地研究分析光伏接入对配电网的影响规律，并基于这些规律对光伏接入进行优化配置，使配电网的各项指标尽可能达到最优，对分布式光伏接入配电网有重要意义。

技术实现要素：

本发明公开了一种基于多决策理论的分布式光伏多目标优化配置方法，考虑到光伏接入对配电网的电压分布、电压畸变、静态电压稳定和系统网损均有重大影响，以这四个指标构建多目标优化配置模型，利用熵权法和博弈论组合赋权法得到综合权重，利用改进粒子群优化算法求解多目标优化配置模型。

具体方法通过以下实现：

一种基于多决策理论的分布式光伏多目标优化配置方法，其特征在于，包括如下步骤：

(1)构建以降低节点电压偏差、节点电压谐波畸变率和系统网损、提高配电网静态电压稳定性为目标的多目标优化配置模型；

光伏接入后，线路中压降降低，系统整体电压水平升高，部分节点可能电压偏差超标。

节点电压偏差表示为节点实际电压与额定电压之差对额定电压的百分数，由公式(1)确定；系统电压偏差用各节点电压偏差的均值表示，并由公式(2)确定，

其中u为某节点的实际电压，un为该节点的额定电压，δui为i节点的电压偏差，n为配电网系统的节点总数。

光伏逆变器中开关管的频繁通断动作会必然会产生谐波电流，造成配电网节点电压畸变。节点电压谐波畸变率是指各次谐波电压的均方根值与基波电压有效值的相对值，节点k的电压畸变率由公式(3)确定；系统总电压畸变率表示为各节点电压畸变率之和，由公式(4)确定，

其中，thdk为节点k的电压畸变率，thd为系统总电压畸变率，ui为第i次谐波电压有效值，u1为基波电压有效值，n为配电网系统的节点总数。

配电网静态电压稳定性的指标反映当前系统电压距离失稳的距离，对于支路k，基于潮流方程解的存在性的静态电压稳定指标，由公式(5)确定；系统电压稳定指标取各支路静态电压稳定指标的最大值，由公式(6)确定，

vsi＝max{l1,l2,l3,…,ln}(6)

其中，r和x分别为支路k的电阻和电抗，pb和qb分别为支路k的末端吸收有功功率和无功功率，va为支路k首端电压有效值。

光伏接入改变了配电网的结构和潮流分布，必然也改变流过支路的电流大小，对系统网损有一定影响。系统网损由公式(7)确定，

式中，m为配电网系统支路总数，gk为支路k的电导，vi和vj分别为支路k两端节点电压幅值，θi和θj分别为其相位。

(2)建立多目标优化配置的约束方程，约束条件包括系统潮流约束、电压偏差约束、功率倒送约束、总接入流量约束、主变限容约束、支路限流约束；

系统潮流约束：

电网中光伏电源发出的功率与负荷消耗功率、线路中节点间的功率之和相匹配：

其中，分别为节点i处光伏电源提供的有功功率和无功功率；分别为节点i处负荷消耗掉的有功功率和无功功率；pij和qij分别为节点i与节点j之间流动的有功功率和无功功率；ui为节点i的电压幅值，θij为节点i与节点j之间的电压相角差，gij和bij分别为节点i与节点j之间线路的电导和电纳。

电压偏差约束：

节点的电压不能超过其电压幅值的最大值和最小值：

umin≤ui≤umax(9)

其中，ui为i节点电压幅值，umin、umax分别为节点电压幅值的下限和上限。

功率倒送约束：

系统不能将多余的功率倒送至大电网：

pt≥0(10)

其中，pt为外部电网向配电网络输送的功率。

总接入容量约束：

分布式光伏接入容量受到自身安装容量的限制：

∑pdg≤pdgmax(11)

其中，pdgmax是最大允许接入的光伏电源总容量。

主变限容约束；

主变压器传输的功率不能超过规定值。

sti≤sti,max(12)

sti,max是变压器允许最大传输功率。

支路限流约束；每个支路都有自己的最大允许电流，线路实际运行电流原则上不能超过最大允许电流

iij,min≤iij≤iij,max(13)

iij,min和iij,max分别为节点i和节点j之间的支路最大和最小允许通过的电路。

(3)利用熵权法和博弈论组合赋权法得到综合权重。

熵权法是一种对多指标进行客观赋权的方法，其基本思路是根据每个指标的变化程度计算出各指标的信息熵，再通过信息熵计算出各指标的客观权重。

构造多对象，多指标矩阵:

对于有m个对象，n个指标的指标体系，xij为第i个对象(i＝1,2,3,…,m)的第j个指标(i＝1,2,3,…,n)。

数据归一化处理：

若是正向指标则选用第一个公式，若指标为负向指标，则选用第二个公式。

计算指标比重矩阵：

其中，x″ij为第j个指标所占的比重，由公式(17)确定，

计算各指标的熵值，第j个指标的熵值由公式(18)确定，

计算各指标权重，由公式(17)确定，

在实际生活中，不仅要考虑各个指标容易受影响的程度，还要考虑到各个指标在评价体系中的重要性，而这取决于决策者的主观意愿。利用博弈论组合赋权法由主观权重与由熵权法确定的客观权重结合起来，使评价体系更全面有效。

假设通过l种方法得到n个指标的权重，第k种方法得到的权重向量为：

ωk＝(ωk1,ωk2,…,ωkn),k＝(1,2,…,l)(20)

设综合权重为这l种权重向量的线性组合：

通过控制αk的大小来实现ω的最优化，使ω应与每个ωk之间的距离最小：

对公式(22)求导，得到最优化条件为：

求出(α1,α2,…,αl)，对其进行归一化处理，得到综合权重向量ω^*：

(4)利用改进粒子群优化算法对建立的多目标优化配置模型进行求解，获得分布式光伏接入的优化配置方案。

改进粒子群算法的算法步骤如下：

1)读取配电网参数，包括节点个数、线路阻抗、负荷功率等，确定光伏电源的接入个数及接入总容量上限。

2)确定各指标的计算公式，利用前推回代算法求解潮流，同时利用解耦法确定谐波潮流。

3)确定各约束条件的计算公式，设定罚函数。

4)初始化粒子群，设置种群规模、最大迭代次数、初始位置和速度。

5)根据粒子位置计算适应度函数值，即配电网运行综合指标f与罚函数之和。

6)与个体极值pbesti和全局极值gbest比较，更新pbesti和gbest。

对第i个粒子xi随机生成长度为n的0-1向量若则将xi,j和pbesti,j的值互换，若则不进行交换，得到新的粒子xp1和xp2。同样，对于xi和gbest进行以上操作得到xp3和xp4。

对xp1、xp2、xp3、xp4分别计算适应度，令fmin＝minf(xpj)，若fmin＜f(pbesti)，则pbesti＝xpj；若fmin＜f(gbest)，则gbest＝xpj。将pbesti和gbest作为新的个体极值和全局极值参与下一次迭代。

8-7)更新粒子速度与位置，新的速度和位置分别由公式(26)、(27)确定。

其中，和分别表示第i个粒子在第k次迭代中的速度和位置，表示第i个粒子的历史最优解，gbest^k表示全局最优解，表示粒子位置的平均值；c1和c2是加速因子，分别表示粒子向个体极值点和全局极值点逼近的趋势大小；rand1和rand2是在[0,1]区间内随机产生的加速度权重系数；ω为惯性权重，是用来维持上一时刻速度的系数，由公式(28)确定：

公式(28)中，ωmax和ωmin分别为惯性权重的最大值与最小值，kmax为最大迭代次数，k为当前迭代次数。

8)对更新后的粒子进行交叉变异。

当种群的方差低于设定阈值时，根据公式(29)对种群初始化：

其中，为重新初始化种群时第j维位置的下届和上届，由公式(30)确定：

公式(30)中，随着迭代次数的增加由1向0逼近，分别代表粒子第j维的下界和上界。

9)检查是否满足终止条件(达到最大迭代次数或满足收敛精度误差)，若满足，终止迭代并输出最优解；若不满足，则转步骤5)。

本发明的有益效果如下：

本发明由光伏接入配电网后造成的消极影响构建多目标优化配置模型，包括电压偏差、电压畸变、静态电压稳定指标和系统网损。利用熵权法对各个指标进行客观赋权，考虑实际生活中影响因素，采用博弈论组合赋权法完善评价体系。利用改进粒子群算法对目标函数求取最优解。本发明根据光伏接入对电网的影响确定优化目标，在客观与主观两方面对模型赋权，由改进粒子群算法得到全局最优解。

附图说明

图1是本发明的流程图。

具体实施办法

光伏接入改变了配电网原有的结构，大规模并网必将对配电网造成一定的消极影响。光伏电源出力具有波动性、随机性，容易引起电网电压波动、电压闪变；光伏逆变器频繁闭合打开开关管会产生谐波电流，导致谐波污染；光伏并网会使配电网电压水平升高，容易造成节点电压越限；光伏接入容量过大会引起潮流逆向流动，降低电力系统稳定性。

本发明提供了一种基于多决策理论的分布式光伏多目标优化配置方法，将电压偏差、电压畸变率、静态电压稳定指标和系统网损作为优化目标，构建多目标优化配置模型；利用熵权法和博弈论组合赋权法得到综合权重并采用改进粒子群优化算法对建立的多目标优化配置模型进行求解，获得分布式光伏接入的优化配置方案。

如图1所示，一种基于多决策理论的分布式光伏多目标优化配置方法，其特征在于，包括如下步骤：

(1)构建以降低节点电压偏差、节点电压谐波畸变率和系统网损、提高配电网静态电压稳定性为目标的多目标优化配置模型；

光伏接入后，线路中压降降低，系统整体电压水平升高，部分节点可能电压偏差超标。

节点电压偏差表示为节点实际电压与额定电压之差对额定电压的百分数，由公式(1)确定；系统电压偏差用各节点电压偏差的均值表示，并由公式(2)确定，

其中u为某节点的实际电压，un为该节点的额定电压，δui为i节点的电压偏差，n为配电网系统的节点总数。

光伏逆变器中开关管的频繁通断动作会必然会产生谐波电流，造成配电网节点电压畸变。节点电压谐波畸变率是指各次谐波电压的均方根值与基波电压有效值的相对值，节点k的电压畸变率由公式(3)确定；系统总电压畸变率表示为各节点电压畸变率之和，由公式(4)确定，

其中，thdk为节点k的电压畸变率，thd为系统总电压畸变率，ui为第i次谐波电压有效值，u1为基波电压有效值，n为配电网系统的节点总数。

配电网静态电压稳定性的指标反映当前系统电压距离失稳的距离，对于支路k，基于潮流方程解的存在性的静态电压稳定指标，由公式(5)确定；系统电压稳定指标取各支路静态电压稳定指标的最大值，由公式(6)确定，

vsi＝max{l1,l2,l3,...,ln}(6)

其中，r和x分别为支路k的电阻和电抗，pb和qb分别为支路k的末端吸收有功功率和无功功率，va为支路k首端电压有效值。

光伏接入改变了配电网的结构和潮流分布，必然也改变流过支路的电流大小，对系统网损有一定影响。系统网损由公式(7)确定，

式中，m为配电网系统支路总数，gk为支路k的电导，vi和vj分别为支路k两端节点电压幅值，θi和θj分别为其相位。

(2)建立多目标优化配置的约束方程，约束条件包括系统潮流约束、电压偏差约束、功率倒送约束、总接入流量约束、主变限容约束、支路限流约束；

系统潮流约束：

电网中光伏电源发出的功率与负荷消耗功率、线路中节点间的功率之和相匹配：

其中，分别为节点i处光伏电源提供的有功功率和无功功率；分别为节点i处负荷消耗掉的有功功率和无功功率；pij和qij分别为节点i与节点j之间流动的有功功率和无功功率；ui为节点i的电压幅值，θij为节点i与节点j之间的电压相角差，gij和bij分别为节点i与节点j之间线路的电导和电纳。

电压偏差约束。

节点的电压不能超过其电压幅值的最大值和最小值：

umin≤ui≤umax(9)

其中，ui为i节点电压幅值，umin、umax分别为节点电压幅值的下限和上限。

功率倒送约束。

系统不能将多余的功率倒送至大电网：

pt≥0(10)

其中，pt为外部电网向配电网络输送的功率。

总接入容量约束。

分布式光伏接入容量受到自身安装容量的限制：

∑pdg≤pdgmax(11)

其中，pdgmax是最大允许接入的光伏电源总容量。

主变限容约束；

主变压器传输的功率不能超过规定值。

sti≤sti,max(12)

sti,max是变压器允许最大传输功率。

支路限流约束；每个支路都有自己的最大允许电流，线路实际运行电流原则上不能超过最大允许电流

iij,min≤iij≤iij,max(13)

iij,min和iij,max分别为节点i和节点j之间的支路最大和最小允许通过的电路。

(3)利用熵权法和博弈论组合赋权法得到综合权重。

熵权法是一种对多指标进行客观赋权的方法，其基本思路是根据每个指标的变化程度计算出各指标的信息熵，再通过信息熵计算出各指标的客观权重。

构造多对象，多指标矩阵:

对于有m个对象，n个指标的指标体系，xij为第i个对象(i＝1,2,3,…,m)的第j个指标(i＝1,2,3,…,n)。

数据归一化处理：

若是正向指标则选用第一个公式，若指标为负向指标，则选用第二个公式。

计算指标比重矩阵：

其中，x″ij为第j个指标所占的比重，由公式(17)确定，

计算各指标的熵值，第j个指标的熵值由公式(18)确定，

计算各指标权重，由公式(19)确定，

在实际生活中，不仅要考虑各个指标容易受影响的程度，还要考虑到各个指标在评价体系中的重要性，而这取决于决策者的主观意愿。利用博弈论组合赋权法由主观权重与由熵权法确定的客观权重结合起来，使评价体系更全面有效。

假设通过l种方法得到n个指标的权重，第k种方法得到的权重向量为：

ωk＝(ωk1,ωk2,…,ωkn),k＝(1,2,…,l)(20)

设综合权重为这l种权重向量的线性组合：

通过控制αk的大小来实现ω的最优化，使ω应与每个ωk之间的距离最小：

对公式(22)求导，得到最优化条件为：

求出(α1,α2,…,αl)，对其进行归一化处理，得到综合权重向量ω^*：

(4)利用改进粒子群优化算法对建立的多目标优化配置模型进行求解，获得分布式光伏接入的优化配置方案。

改进粒子群算法的算法步骤如下：

1)读取配电网参数，包括节点个数、线路阻抗、负荷功率等，确定光伏电源的接入个数及接入总容量上限。

2)确定各指标的计算公式，利用前推回代算法求解潮流，同时利用解耦法确定谐波潮流。

3)确定各约束条件的计算公式，设定罚函数。

4)初始化粒子群，设置种群规模、最大迭代次数、初始位置和速度。

5)根据粒子位置计算适应度函数值，即配电网运行综合指标f与罚函数之和。

6)与个体极值pbesti和全局极值gbest比较，更新pbesti和gbest。

对第i个粒子xi随机生成长度为n的0-1向量若则将xi,j和pbesti,j的值互换，若则不进行交换，得到新的粒子xp1和xp2。同样，对于xi和gbest进行以上操作得到xp3和xp4。

对xp1、xp2、xp3、xp4分别计算适应度，令fmin＝minf(xpj)，若fmin＜f(pbesti)，则pbesti＝xpj；若fmin＜f(gbest)，则gbest＝xpj。将pbesti和gbest作为新的个体极值和全局极值参与下一次迭代。

8-7)更新粒子速度与位置，新的速度和位置分别由公式(26)、(27)确定。

其中，和分别表示第i个粒子在第k次迭代中的速度和位置，表示第i个粒子的历史最优解，gbest^k表示全局最优解，表示粒子位置的平均值；c1和c2是加速因子，分别表示粒子向个体极值点和全局极值点逼近的趋势大小；rand1和rand2是在[0,1]区间内随机产生的加速度权重系数；ω为惯性权重，是用来维持上一时刻速度的系数，由公式(28)确定：

公式(28)中，ωmax和ωmin分别为惯性权重的最大值与最小值，kmax为最大迭代次数，k为当前迭代次数。

8)对更新后的粒子进行交叉变异。

当种群的方差低于设定阈值时，根据公式(29)对种群初始化：

其中，为重新初始化种群时第j维位置的下届和上届，由公式(30)确定：

公式(28)中，随着迭代次数的增加由1向0逼近，分别代表粒子第j维的下届和上届。

9)检查是否满足终止条件(达到最大迭代次数或满足收敛精度误差)，若满足，终止迭代并输出最优解；若不满足，则转步骤5)。