一种降低有源配电网节点电压偏离的分布式优化管理方法与流程

本发明涉及电力系统规划，具体涉及一种降低有源配电网节点电压偏离的分布式优化管理方法。

背景技术：

1、随着分布式电源，如太阳能、风能等大量并网，由于其自然属性的特点，发电量会受到天气、季节等因素的影响，存在间歇性和波动性，这些因素的变化会导致分布式电源的输出功率产生波动，进而影响电网的电压稳定性，分布式电源通常不具备强大的电压调节能力，无法像传统电源那样通过调节无功功率来稳定电网电压。因此，当分布式电源接入电网时，可能会增加电网的电压波动和偏移。通过对分布式电源的调度运行方式进行优化，合理分配电力负荷，可以有效减少电网的电压波动和偏移。柔性负荷与电动汽车可以通过与分布式电源的协调配合，在用电高峰期吸收多余的电力，在用电低谷期释放电力，从而平衡间歇式能源的波动，提高电力系统的稳定性和可靠性。同时，柔性负荷还可以通过与分布式电源的协调配合，提供一些辅助服务，如调频、调相、无功补偿等。这些服务可以提高电力系统的运行效率和质量，进一步优化电力资源的利用。

2、在智能小区中，除了智能楼宇中的非弹性负荷及温控负荷，还有一类重要的柔性负荷-电动汽车。随着电动汽车及其相关技术的快速发展，电动汽车已经成为智能小区中一类重要的电力负荷，其接入后对智能小区系统造成的影响也将不容忽视。当大规模电动汽车无序充电时，必将会引起智能小区微网系统的用电高峰，给其运行带来压力。而如果对其进行合理调度，将在促进分布式能源消纳、提升电能质量以及提高电网运行经济性等多方面带来经济效益和社会效益。

3、但由于温控负荷动态变化及电动汽车充电需求之间的时序耦合关系、温控负荷及电动汽车分布所形成的空间耦合关系，都给分布式算法的设计带来了巨大的挑战。因此，本文将以解决以上问题为出发点，提出优化算法对智能小区电力系统进行最优管理。

技术实现思路

1、本发明提供一种降低有源配电网节点电压偏离的分布式优化管理方法，以解决的问题，所采用的技术方案具体如下：

2、本发明一个实施例一种降低有源配电网节点电压偏离的分布式优化管理方法，该方法包括以下步骤：

3、采集智能小区内的电力相关数据，所述电力相关数据包括每个房间的实际温度、设定温度、配电网中每个节点与分布式电源之间的输电距离、配电网中每个节点接收的电力信号、智能小区从主电网购买的电量、每辆电动车每个充电时刻的充放电功率、以及每次充电的平均电流；

4、基于配电网上每个节点以及与每个节点距离同一分布式电源输电距离相同的节点每个时刻所接收电力信号上谐波叠加情况确定每个静态无功补偿装置的电力距离补偿因子；

5、基于所有静态无功补偿装置的电力距离补偿因子的聚类结果确定灰狼优化算法中种群的初始化结果；

6、基于相邻两次迭代结果中种群位置之间的变化量以及每次迭代结果中全局搜索能力的强弱确定相邻两次迭代的互作用系数；基于每次迭代与相邻上次迭代之间的互作用系数以及历史迭代中的互作用系数确定每次迭代的收敛因子；

7、基于智能小区每个时刻的电力相关数据构建智能小区电力系统优化管理的多目标函数；采用灰狼优化算法基于所述多目标函数以及每次迭代的收敛因子确定每个节点的最优电压幅值。

8、优选的，所述基于配电网上每个节点以及与每个节点距离同一分布式电源输电距离相同的节点每个时刻所接收电力信号上谐波叠加情况确定每个静态无功补偿装置的电力距离补偿因子的方法为：

9、将每个电力信号中电压幅值最大值对应的频率作为基本频率，将从每个电力信号中删除基本频率对应成分后剩余的信号作为一个瞬时谐波信号；将每个瞬时谐波信号上所有电压幅值按照频率升序的顺序组成的序列作为一个瞬时谐波分布序列；

10、基于与每个静态无功补偿装置处于同一支路上的每个节点每个时刻的瞬时谐波分布序列确定所述每个节点的单向谐波叠加因子；

11、将配电网中与每个节点距离同一分布式电源输电距离相同的任意一个节点同一时刻的瞬时谐波分布序列之间的度量距离作为第一距离值；将第一距离值在配电网中与每个节点距离同一分布式电源输电距离相同的所有节点同一时刻上累加结果作为每个节点每个时刻的等距波动因子；

12、将每个节点所有的单向谐波叠加因子的分布方差与每个节点所有的单向谐波叠加因子中最小值的乘积作为分子；

13、将每个节点所有时刻等距波动因子的分布方差与每个节点所有时刻等距波动因子中最大值的乘积与预设参数之和作为分母；

14、将分子与分母的比值在与每个静态无功补偿装置处于同一支路的所有节点上的累加结果作为每个静态无功补偿装置的电力距离补偿因子。

15、优选的，所述基于与每个静态无功补偿装置处于同一支路上的每个节点每个时刻的瞬时谐波分布序列确定所述每个节点的单向谐波叠加因子的方法为：

16、将任意一个位于每个节点与任意一个分布式电源之间输电线路上的节点作为每个节点的一个间隔节点；

17、将每个节点从起始时刻到每个时刻之间所有时刻瞬时谐波分布序列内元素的赫斯特指数按照时间顺序组成的序列作为节点的长期谐波分量序列；

18、将每个节点与其任意一个间隔节点的长期谐波分量序列之间的度量距离在每个节点的所有间隔节点上的累加结果作为每个节点的单向谐波叠加因子。

19、优选的，所述基于所有静态无功补偿装置的电力距离补偿因子的聚类结果确定灰狼优化算法中种群的初始化结果的方法为：

20、将所有静态无功补偿装置的电力距离补偿因子作为输入，利用数据聚类算法获取电力距离补偿因子的聚类簇；

21、分别将每个聚类簇的中心点对应的电力距离补偿因子作为每个聚类簇的代表补偿因子，对于中心点不存在与之对应的电力距离补偿因子的聚类簇，则将与中心点欧式距离最小的点对应的电力距离补偿因子作为聚类簇的代表补偿因子；

22、将所有聚类簇的代表补偿因子按照升序顺序组成的向量作为全局中心向量；将全局中心向量作为高斯混合模型中的均值向量；

23、将每个聚类簇内电力距离补偿因子的最大值、最小值之间的差值作为每个聚类簇的补偿长度；

24、将每个聚类簇与其相邻聚类簇的补偿长度之间差值绝对值中的最大值与预设参数的比值作为每个聚类簇对应高斯分布的方差；

25、采用高斯混合模型基于所述均值向量、方差生成均匀分布的随机化种群初始化结果。

26、优选的，所述基于相邻两次迭代结果中种群位置之间的变化量以及每次迭代结果中全局搜索能力的强弱确定相邻两次迭代的互作用系数的方法为：

27、将每次迭代结果中前3个最优解连线构成三角形的面积与预设参数之和作为每次迭代结果的置信值；将每次迭代结果中前3个最优解连线构成三角形的面积与其相邻上次迭代结果的置信值的比值作为每次迭代结果的置信度；

28、基于相邻两次迭代结果的置信度以及相邻两次迭代结果中前三个最优解之间的变化量确定相邻两次迭代之间的全局寻优变化量；

29、基于相邻两次迭代结果中每头灰狼位置属于所有高斯分布的概率确定相邻两次迭代之间的寻优关联指数；

30、相邻两次迭代的互作用系数由相邻两次迭代之间的全局寻优变化量、寻优关联指数两部分组成，其中，所述互作用系数与全局寻优变化量成反比、所述互作用系数与寻优关联指数成正比。

31、优选的，所述基于相邻两次迭代结果的置信度以及相邻两次迭代结果中前三个最优解之间的变化量确定相邻两次迭代之间的全局寻优变化量的方法为：

32、将每次迭代结果的置信度与每次迭代结果中任意一个最优解属于所有高斯分布的概率中的最大值的乘积作为每次迭代结果中任意一个最优解的第一特征值；

33、将相邻两次迭代结果中相同次序的最优解的第一特征值之间差值的绝对值作为最优解的寻优变化量；

34、将每次迭代结果中所有灰狼位置对应的点作为输入，采用密度峰值聚类算法获取每个灰狼位置的局部密度；将相邻两次迭代结果中相同次序的最优解对应的局部密度之间差值的绝对值作为第一密度差值；

35、将任意一个最优解的寻优变化量与第一密度差值的数据映射结果之间的乘积作为第一累加因子；

36、将第一累加因子在前3个最优解上的累加作为相邻两次迭代之间的全局寻优变化量。

37、优选的，所述基于相邻两次迭代结果中每头灰狼位置属于所有高斯分布的概率确定相邻两次迭代之间的寻优关联指数的方法为：

38、将每次迭代结果中每头灰狼位置属于所有高斯分布的概率按照高斯分布的顺序组成的序列作为每次迭代结果中每头灰狼位置的概率分布序列；

39、将相邻两次迭代结果中同一头灰狼位置的概率分布序列之间相似度度量结果在所有灰狼上的累加结果作为相邻两次迭代之间的寻优关联指数。

40、优选的，所述基于每次迭代与相邻上次迭代之间的互作用系数以及历史迭代中的互作用系数确定每次迭代的收敛因子的方法为：

41、将每次迭代之前所有历史迭代结果之间互作用系数的最大值作为分母；将每次迭代与其相连上次迭代之间的互作用系数与分母的比值作为第一比例因子；

42、将每次迭代的迭代次序与预设最大迭代次数的比值作为第二比例因子，将第一比例因子与第二比例因子的乘积作为每次迭代的迭代平衡因子；

43、将以预设收敛因子最大值与最小值之间的差值为底数，以每次迭代的迭代平衡因子的归一化结果为指数的计算结果作为每次迭代的收敛因子。

44、优选的，所述基于智能小区每个时刻的电力相关数据构建智能小区电力系统优化管理的多目标函数的方法为：

45、基于智能小区从主电网购买的电量构建主电网发电成本；

46、基于智能小区内每个房间在每个时刻的实际温度和设定温度构建用户满意度成本；

47、基于智能小区内所有电动汽车在每个时刻的充电功率、放电功率构建电动汽车电池退化成本；

48、基于智能小区内所有电动汽车充电时的平均电流与节点的额定电压构建网络节点电压偏离惩罚；

49、将主电网发电成本、用户满意度成本、电动汽车电池退化成本、网络节点电压偏离惩罚组成的目标函数作为智能小区电力系统优化管理的多目标函数。

50、优选的，所述采用灰狼优化算法基于所述多目标函数以及每次迭代的收敛因子确定每个节点的最优电压幅值的方法为：

51、将智能小区电力系统优化管理的多目标函数作为灰狼优化算法中的目标函数，采用灰狼优化算法基于每次迭代的收敛因子确定配电网中每个静态无功补偿装置的切入容量；

52、基于确定配电网中所有静态无功补偿装置的切入容量确定智能小区电力系统中每个节点的最优电压幅值。

53、本发明的有益效果是：本发明通过基于每个节点与分布式电源之间的输电信号的谐波叠加情况以及输电距离信息构建电力距离补偿因子，基于电力距离补偿因子确定高斯混合分布中高斯分布的数量以及均值、方差，其有益效果在于能够均匀随机化初始位置，避免初始化不均匀对寻优效率的影响；其次根据相邻两次迭代结果之间的关联性构建互作用系数，结合迭代次数确定每次迭代的迭代平衡因子，其有益效果在于综合考虑了迭代次数和迭代结果相关性两个方面，通过非线性函数的映射使得寻优结果更符合电力系统供电稳定的要求，提高智能小区电力系统供电的稳定性，降低分布式电源输电过程中配电网上节点发生电压偏离的概率。