含分布式能源及充电站的配电网扩展规划综合优化方法与流程
本发明涉及配电网技术领域，特别是涉及一种含分布式能源及充电站的配电网扩展规划综合优化方法。
背景技术：
配电网处于电力系统末端，是联系电源与用户的一个重要环节，电力系统对用户的供电能力必须通过配电网来实现。随着城市配电网智能化建设和改造工作的推进，大规模分布式能源和充电站接入配电网，配电网呈现规模大、节点多、设备杂、运行方式多的特点。网络接线发展为多种供电模式共存；网络拓扑结构的变化、新设备的投入、多样性负荷的接入等一系列对城市配电网的网络重构、网络扩展规划等方面将造成很大的影响。在大规模分布式能源和充电站接入配电网的新场景下，传统配电网规划优化变量较少考虑分布式能源和充电站接入配电网，配电网规划求解算法例如基于二进制编码的粒子群解析容易陷入局部收敛，且产生大量的非可行解，计算量巨大、耗时长，求解局限性越来越突出。
技术实现要素：
本发明实施例提供一种含分布式能源及充电站的配电网扩展规划综合优化方法和系统，以解决大规模分布式能源和充电站接入配电网的场景下，现有技术的优化方法导致智能配电网建设和改造经济性不足、供电可靠性提高受限的问题。
第一方面，提供一种含分布式能源及充电站的配电网扩展规划综合优化方法，包括：建立基于系统平均断电持续时间和规划的所述配电网的年平均费用的多目标优化函数；确定所述多目标优化函数的约束条件；设定所述配电网中的每个节点的分布式能源的容量和充电站的容量；根据所述每个节点的分布式能源的容量和充电站的容量、所述多目标优化函数和所述约束条件，通过多目标扰动生物地理学算法，求解所述多目标优化函数；按照所需的所述多目标优化函数的解对应的所述配电网中的每个节点的分布式能源的容量和充电站的容量，进行含分布式能源及充电站的配电网扩展规划综合优化。
第二方面，提供一种含分布式能源及充电站的配电网扩展规划综合优化系统，包括：建立模块，用于建立基于系统平均断电持续时间和规划的所述配电网的年平均费用的多目标优化函数；确定模块，用于确定所述多目标优化函数的约束条件；设定模块，用于设定所述配电网中的每个节点的分布式能源的容量和充电站的容量；求解模块，用于根据所述每个节点的分布式能源的容量和充电站的容量、所述多目标优化函数和所述约束条件，通过多目标扰动生物地理学算法，求解所述多目标优化函数；优化模块，用于按照所需的所述多目标优化函数的解对应的所述配电网中的每个节点的分布式能源的容量和充电站的容量，进行含分布式能源及充电站的配电网扩展规划综合优化。
这样，本发明实施例中，通过选择合适的多目标优化参数和约束条件，并通过多目标扰动生物地理学算法，对配电网扩展规划中可选节点分布式能源和充电站多项变量进行了优化，解决分布式能源接入配电网场景下配电网扩展规划中智能配电网建设和改造经济性不足、供电可靠性提高受限和调度成本上升的问题，在扩展规划后的配电网的可靠性提升一定条件下，年网络综合费用最优。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，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。
图1是本发明实施例的含分布式能源及充电站的配电网扩展规划综合优化方法的流程图；
图2是本发明实施例的通过多目标扰动生物地理学算法，求解所述多目标优化函数的步骤的流程图；
图3是本发明实施例的根据第一栖息地种群生成第二栖息地种群的步骤的流程图；
图4是本发明实施例的根据第二栖息地种群生成非支配栖息地种群的步骤的流程图；
图5是本发明实施例的含分布式能源及充电站的配电网扩展规划综合优化系统的结构框图；
图6是本发明实施例的配电网的初始网架图；
图7是本发明实施例的系统平均断电持续时间和配电网的年平均费用的曲线图。
具体实施方式
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一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开一种含分布式能源及充电站的配电网扩展规划综合优化方法。如图1所示，该方法包括如下的步骤：
步骤s10：建立基于系统平均断电持续时间和年平均费用的多目标优化函数。
其中，该基于系统平均断电持续时间的目标优化函数为：
其中，tn表示规划区域内所有用户停电时间之和，n表示规划区域内用户总数，r为规划区域内负荷点的集合，ti为负荷点i平均停电时间，ni为负荷点i处的用户数。
该基于系统平均断电持续时间的目标优化函数可作为配电网的可靠性目标优化参数。
基于年平均费用的目标优化函数为：
其中，aj为馈线支路j的建设费用，并且aj满足下式：(3)aj＝aj1+aj2。aj1为馈线支路j输电走廊建设费用，aj2为馈线支路j导线投资费用。
bi为分布式能源和充电站i的建设费用，并且bi满足下式：(4)bi＝bi1+bi2。bi1为分布式能源i建设费用，bi2为充电站i投资费用。
ctj为第t年馈线支路j的运行维护费用，并且ctj满足下式：(5)ctj＝ctj1+ctj2。ctj1为馈线j在第t年的折旧费及年维修管理费，ctj2为馈线j在第t年的运行费用。
dti为第t年分布式能源i的运行维护费用，并且dti满足下式：(6)dti＝dti1+dti2。dti1为分布式能源i在第t年的折旧费、年维修管理费以及运行费用，dti2为充电站i在第t年的折旧费、年维修管理费以及运行费用。
其中，f为等年法得到的年平均费用，r为收益率，n为规划周期，li为新建馈线的集合。
年平均费用以规划配电网的总费用(建设费用、维护费用)进行折算得到。该基于年平均费用的目标优化函数可作为配电网的经济性目标优化参数。
步骤s20：确定多目标优化函数的约束条件。
优选的，约束条件包括：配电网络拓扑结构约束、节点功率平衡约束、线路功率约束、节点电压约束、供电能力要求约束、分布式能源安装容量约束、充电站所需容量约束和负荷要求约束。其中，配电网络拓扑结构约束、节点功率平衡约束、线路功率约束和节点电压约束为基础约束。通过这些基础约束产生衍生约束。衍生约束为供电能力要求约束、分布式能源安装容量约束、充电站所需容量约束和负荷要求约束。其中，分布式能源安装容量约束和充电站所需容量约束用于约束基于系统平均断电持续时间的目标优化函数。供电能力要求约束和负荷要求约束用于约束基于年平均费用的目标优化函数。
具体的，配电网络拓扑结构约束包括：g∈g，其中，g为规划的配电网的框架结构，g为配电网的总框架结构。
配电网络拓扑结构约束必须满足对所有供电区域的负荷点供电，不存在孤岛或孤链，成环。
节点功率平衡约束包括：
线路功率约束包括：si＜simax，i＝1，2，……，n，其中si为线路i的实际传输功率，simax为线路i的最大传输功率，n为节点的个数。
节点电压约束包括：ujmin≤uj≤ujmax，j＝1，2，……，m，其中，ujmin为节点j最小允许电压，ujmax为节点j最大允许电压，m为节点的个数。
供电能力要求约束包括：
分布式能源安装容量约束包括：sengdemand＜∑peng＜σsmax，其中，smax为配电网最大负荷，∑peng为分布式能源总容量，σ为分布式能源安装占最大负荷的比例上限，sengdemand为规划水平年分布式能源容量。
充电站所需容量约束包括：
负荷要求约束包括：
步骤s30：设定配电网中的每个节点的分布式能源的容量和充电站的容量。
通过该步骤对配电网中的每个节点的分布式能源的容量和充电站的容量进行预设。根据每一预设结果，可采用后续的步骤求解多目标优化函数。
步骤s40：根据每个节点的分布式能源的容量和充电站的容量、多目标优化函数和约束条件，通过多目标扰动生物地理学算法，求解多目标优化函数。
具体的，步骤s40输入求解多目标优化函数所需的参数，并基于多目标扰动生物地理学算法求解目标优化参数。如图2所示，该算法的具体步骤如下：
步骤s401：将优化变量随机生成np个栖息地xi。
具体的，优化变量为x＝[x1|x2|x3|x4|x5|x6]。
其中，该优化变量采用混合编码方式。具体的，x1、x2和x3采用十进制编码，x4、x5和x6采用二进制编码；x1表示配电网网架结构，通过随机生成树策略产生，并满足配电网拓扑结构约束条件；x2表示待选充电站节点的安装容量；x3表示待选节点分布式能源安装容量；x4表示待更换线路是否更换；x5表示待选节点是否安装分布式能源；x6表示是否新建线路。该分布式能源的类型可以包括风力发电、光伏发电等等。
对优化变量进行混合编码，该多变量编码机制适用于大规模分布式能源和充电站接入配电网的场景。
步骤s402：将np个栖息地xi生成第一栖息地种群h。
该第一栖息地种群h即为上述的优化变量。
步骤s403：根据第一栖息地种群h生成第二栖息地种群hn。
具体的，如图3所示，该步骤包括如下具体的过程：
步骤s4031：获取第一栖息地种群h中的每个栖息地xi的适应度。
其中，适应度为：f(xi)＝(f1(xi)，…，fm(xi))。
步骤s4032：根据适应度，获取第一栖息地种群h中的每个栖息地xi的适应度指数。
该适应度指数为：
其中，xj＞xk表示xjpareto支配xk，该式计算xi在xjpareto支配xk条件下xi的适应度指数。
步骤s4033：根据第一栖息地种群h中的每个栖息地xi的适应度指数，获取非支配栖息地。
步骤s4034：判断第一栖息地种群h中的非支配栖息地的数量是否小于或等于np。
若非支配栖息地的数量小于或等于np，则进行步骤s4035；否则进行步骤s336。
步骤s4035：根据适应度指数对第一栖息地种群h中的栖息地按升序排列，并将前np个栖息地生成第二栖息地种群hn。
应当理解的是，第一次生成第二栖息地种群hn时，第一栖息地种群h中的栖息地只有np个；以后再生成第二栖息地种群hn时，由于后续的合并步骤，则第一栖息地种群h中的栖息地可能超过np个。
步骤s4036：在非支配栖息地种群hc中的栖息地间进行基于动态距离矩阵的竞争选择，并将非支配栖息地种群hc中的按照适应度指数排序在前np个的栖息地生成第二栖息地种群hn。
应当理解的是，只有在第一次生成栖息地种群hn以及通过后续步骤生成hc、合并hn和hc后，再次进行步骤s4034进行判断时，才有可能出现非支配栖息地的数量大于np的情况，即才有可能进行步骤s4036。由于已经生成了非支配栖息地种群hc，所以可以从hc中挑选栖息地，经过迁移变异生成第二栖息地hn。
该非支配栖息地种群为：hc＝{xi，i＝1，2，…，n}。
步骤s404：根据第二栖息地种群hn生成非支配栖息地种群hc。
具体的，如图4所示，该步骤包括如下具体的过程：
步骤s4041：获取第二栖息地种群hn中的每个栖息地的物种迁入率λi和物种迁出率μi。
其中，
μi＝1-λi。
fmin表示fi的最小值，fmax表示fi的最大值，α表示第二栖息地种群hn的非支配率。
步骤s4042：根据物种迁入率和物种迁出率，按照第一规则和第二规则，对第二栖息地种群hn中的每个栖息地进行无功迁移和变异，生成第三栖息地种群hd。
其中，第一规则为：xij＝rmin+λi·(rmax-rmin)。第二规则为：xij＝(2-2zij)×xij+(2zij-1)×xkj。
其中，xij是栖息地xi的第j维解变量。zij为0-1随机数。rmin表示可以控制差分相量扰动幅度的实时间因子下限，跟时间有关，可人为设置，rmax表示可以控制差分相量扰动幅度的实时间因子上限，跟时间有关，可人为设置。
步骤s4043：根据第三栖息地种群hd，获取系统平均断电持续时间，并对系统平均断电持续时间进行约束。
步骤s4044：从第三栖息地种群hd中获取满足系统平均断电持续时间的约束的栖息地，生成非支配栖息地种群hc。
步骤s405：对非支配栖息地种群hc进行解码。
步骤s406：根据解码结果，判断是否满足终止条件。
若满足终止条件，则进行步骤s407；否则，进行步骤s408。
步骤s407：输出非支配栖息地种群hc；
步骤s408：合并第二栖息地种群hn和非支配栖息地种群hc为第一栖息地种群h。
进行步骤s408后，重复进行步骤s403～s406，直到满足终止条件，进行步骤s407。
步骤s409：根据非支配栖息地种群hc，得到系统平均断电持续时间和规划的配电网的年平均费用。
通过目标优化函数和约束条件，根据非支配栖息地种群hc，求解得到系统平均断电持续时间和规划的配电网的年平均费用。
步骤s410：根据系统平均断电持续时间和规划的配电网的年平均费用绘制pareto曲线。
具体的，可以系统平均断电持续时间和规划的配电网的年平均费用中的任一变量为横坐标，则另一边变量为纵坐标。
步骤s411：设置系统平均断电持续时间的权重和规划的配电网的年平均费用的权重，并根据pareto解集获取多目标优化函数的最优解。
系统平均断电持续时间的权重和规划的配电网的年平均费用的权重之和为1。具体可根据实际需求进行设定。例如，系统平均断电持续时间对规划的影响较大，则系统平均断电持续时间的权重较大。
根据pareto解集获取多目标优化函数的最优解，从而实现含分布式能源及充电站的配电网扩展规划综合优化。
同时满足多目标优化函数的解集是pareto解集，目标a的解有对应另外一个目标b唯一最优解，以目标a的解(如系统平均断电持续时间)为横坐标，目标b的最优解(如规划的配电网的年平均费用)为纵坐标进行描点得到pareto曲线。上述的算法适用于配电网扩展规划。通过上述的算法，对栖息地种群的自适应迁入迁出，随着栖息地种群的不断进化，非支配栖息地数目逐渐增多，非支配栖息地有更多的机会参与进化，使之分布区域更均匀，对求解全局优化问题具有计算简单、收敛速度快、对当前群体信息有效利用能力强及稳定性好、陷入局部收敛的可能性小等诸多优点，在满足可靠性要求下，得出可靠性和经济性的pareto曲线以及多组推荐方案。规划人员可以自行根据实际需要权衡经济性和可靠性要求，灵活选择合适方案。
步骤s50：按照所需的多目标优化函数的解对应的配电网中的每个节点的分布式能源的容量和充电站的容量，进行含分布式能源及充电站的配电网扩展规划综合优化。
由于步骤s30中配电网中的每个节点的分布式能源的容量和充电站的容量的设定可以有多种。根据不同的设定，最终得到不同的解。根据不同的实际需求，则选择所需的解。例如，需要较小的系统平均断电持续时间，或者，需要较小的配电网的年平均费用，则按照需求，选择所需的多目标优化函数的解对应的每个节点的分布式能源的容量和充电站的容量，进行城市配电网网络重构。
综上，本发明实施例的方法，适用于大规模分布式能源和充电站接入配电网多目标优化模型，通过选择合适的多目标优化参数和约束条件，并通过多目标扰动生物地理学算法，对配电网扩展规划中可选节点分布式能源和充电站多项变量进行了优化，解决分布式能源接入配电网场景下配电网扩展规划中智能配电网建设和改造经济性不足、供电可靠性提高受限和调度成本上升的问题，满足在扩展规划后的配电网的可靠性提升一定条件下，年网络综合费用最优。
本发明实施例还提供了一种含分布式能源及充电站的配电网扩展规划综合优化系统。如图5所示，该系统包括如下的模块：
建立模块501，用于建立基于系统平均断电持续时间和规划的配电网的年平均费用的多目标优化函数。
确定模块502，用于确定多目标优化函数的约束条件。
设定模块503，用于设定配电网中的每个节点的分布式能源的容量和充电站的容量。
求解模块504，用于根据每个节点的分布式能源的容量和充电站的容量、多目标优化函数和约束条件，通过多目标扰动生物地理学算法，求解多目标优化函数。
优化模块505，用于按照所需的多目标优化函数的解对应的配电网中的每个节点的分布式能源的容量和充电站的容量，进行含分布式能源及充电站的配电网扩展规划综合优化。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
综上，本发明实施例的系统，适用于大规模分布式能源和充电站接入配电网多目标优化模型，通过选择合适的多目标优化参数和约束条件，并通过多目标扰动生物地理学算法，对配电网扩展规划中可选节点分布式能源和充电站多项变量进行了优化，解决分布式能源接入配电网场景下配电网扩展规划中智能配电网建设和改造经济性不足、供电可靠性提高受限和调度成本上升的问题，在扩展规划后的配电网的可靠性提升一定条件下，年网络综合费用最优。
具体的，在区域1电压等级为10kv已有配电网架中，已有5个节点、4条支路、需扩展为13节点的闭环设计开环运行网络。如图6所示，(1)假设规划年充电量需求为1mw。(2)假设充电站备选节点3、4、6、7、8，在备选节点投资建设充电站是可行的。(3)设定节点4、5、6、7、8、9可接入风力发电，额定容量选择300kw或500kw，节点10、11、12、13可接入光伏电站，容量选择为100kw或200kw。对本发明实施例的方法进行验证。如图7所示，在设定配电网中的每个节点的不同的分布式能源的容量和充电站的容量的情况下，根据得到的多目标优化函数的解，绘制的系统平均断电持续时间和配电网的年平均费用的曲线。从图中可以看出，区域1随着系统平均断电持续时间的减少，配电网的年平均费用会相应的增加；对区域2进行求解也能得到如区域1的变化趋势的曲线。因此，根据该曲线，可根据实际需求，选择所需的系统平均断电持续时间及对应的配电网的年平均费用，然后按照该系统平均断电持续时间及对应的配电网的年平均费用对应的配电网中的每个节点的分布式能源的容量和充电站的容量，进行综合优化。通过该方法，可在扩展规划后的配电网的可靠性提升一定条件下，年网络综合费用最优。
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，可轻易想到变化或替换，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。
- 还没有人留言评论。精彩留言会获得点赞！