基于改进蜂群算法的分散式风电并网优化配置装置及方法

摘要

本发明涉及一种基于改进蜂群算法的分散式风电并网优化配置装置及方法，包括调度中心数据采集模块、OPC Server、DSP、MAX232芯片、输入模块、电源模块、上位机。本发明针对分散式风力发电并网接入点的优化配置问题，采用一种改进的蜂群算法，将分散式风电机组接入点的位置和容量确立为未知的参数，形成寻优矩阵，采用保证数据的丰富性和寻优结果的可靠性的主循环和针对最大收益度值的局部搜索的嵌套循环，加快了搜索进度、收敛速度，保证了搜索的准确性，解决了基本蜂群算法求解组合优化问题时收敛速度慢、易陷入局部最优的问题。算法应用在分散式风力发电并网接入点的优化配置可以迅速的收敛到全局最优解。

说明书

技术领域

本发明属于风力发电技术领域，具体为一种基于改进蜂群算法的分散式风电并网优化配置装置及方法。

背景技术

随着现代工业的飞速发展，人类对能源的需求明显增加，而地球上可利用的常规能源日趋匮乏。风电已成为继水电后我国第二大清洁能源，近年来，我国风电集中式规模化发展渐趋饱和，同时并网难问题一直悬而未决，脱网事故频发，不利于产业发展。相比大基地大风电，分散式接入风电项目具有诸多优越性，发展分散式风电项目的优势在于最大限度地利用了风力资源。在发电环节，分散式发电方式对风速、占地面积等要求较低；在输电环节，分散式发电方式的输电距离通常较短等特点。在欧洲风电市场很多采用分散式接入的方式，这让其与传统的电力和电网很好的融合在了一起。目前，国内风电市场在面临消纳难的现状时，也正在积极借鉴欧洲的经验,分散式风电项目的开发在我国一些地区已经有了成功的实践。

分散式电源接入配电网后对电网节点电压、网络潮流、网损等因素的影响与分散式电源接入容量与位置密切相关。所以在分散式电源接入配电网之前，必须对其进行规划。一个原始简单的想法就是列举出所有分散式电源的位置、类型和容量的组合，然后逐个尝试以找到最优配置方案。但是随着电源数量、类型和可接入位置的增加，配置方案将发生可怕的指数形式的增长，所以找到一种可靠可行的方案用以解决该问题已势在必行。

现有技术文献中，中国专利号为201210009111.X、名称为《一种大规模风电并网的电网优化规划方法》的专利中公开了一种大规模风电并网的电网优化 规划方法，其不足之处在于运算速度过慢，不符合分散式风力发电的特点，没有结合现有电网的特点进行风力发电场的容量和选址规划，无法实现电力就近消纳的要求。

发明内容

针对现有技术存在的问题，本发明提供一种基于改进蜂群算法的分散式风电并网优化配置装置及方法。

本发明采用的技术方案是：

本发明装置包括：调度中心数据采集模块、OPC Server、DSP、MAX232芯片、输入模块、电源模块、上位机。调度中心数据采集模块是数据的获取；OPC Server主要是用于DSP与调度中心数据采集模块之间的通讯，采用的是OPC通讯，OPC一般都会提供OPC客户端，用来与设备厂家提供的OPC服务器进行通讯。因为OPC有微软内定的标准，所以OPC客户端无需修改就可以与各家提供的OPC服务器进行通讯；MAX232驱动电路主要负责DSP与上位机之间通讯，采用的是串行通讯方式，利用的是MAX232电平转换电路将TTL电平转换为RS232电平；DSP模块主要功能是对配电网数据进行分析处理。DSP模块采用的是TI公司的数字信号处理器TMS320VC5402；键盘主要用于一些基本数据的输入；电源模块主要有5V电源、电压转换芯片TPS767D318的电源转换电路。其中调度中心数据采集模块、OPC Server、DSP、驱动电路MAX232芯片、上位机顺次连接，5V电源分别与电压转换芯片TPS767D318、MAX232等相连，DSP的内核和I/O接口分别与1.8V和3.3V相连。

本发明方法包括：根据配电网框架结构等效图和调度中心采集配电网潮流数据,利用前推回代法依次计算各个节点上的功率损耗，然后根据各个支路上的功率损耗情况计算整个配电网全网的网络损耗；再次根据网络损耗的大小不断搜索寻优进行风电机组接入点的选择和接入容量的计算，在选择和计算的过程中利用改进蜂群算法，最终得到风电机组接入配电网的最优配置方案。

本发明对分散式风电场的接入位置和容量的优化问题，转化为对现有配电 网接入分散式风电机组后，整个网络的网络损耗变化问题。然后建立目标优化函数，使通过网络损耗最小的原则来确定接入的位置和容量，其中所建立的目标函数为：

$y={\mathrm{minP}}_{LOSS}=\underset{i=1}{\overset{n-1}{\Sigma }}(\Delta {\tilde{S}}_i^{\prime }+\Delta {\tilde{S}}_i^{\prime \prime })$

本发明在对接入分散式风电机组接入的最优位置和最优容量进行搜索寻优时，采用的算法是改进的蜂群算法。由于蜂群算法简单、实现方便、收敛速度快、鲁棒性强，其在复杂组合优化中有明显的优越性，并在国际优化计算领域得到认可和实际问题中得到广泛应用。本发明将分散式风电机组接入点的位置和容量确立未知的参数，形成一个D×N₀矩阵A_k，其中A_k表示经过k次迭代后所得的寻优矩阵，改进蜂群的搜索算法针对的搜索因子即是D×N₀维矩阵A_k的列向量，最终可以根据列向量A_k所对应的适应度值来决定最优的位置和容量。而列向量A_k所对应的适应度函数，即食物源的收益度值的函数如下：

$g\left(X_i\right)=\frac{1}{P_{\mathrm{Loss}}}$

即网络总损耗的倒数，这里要搜索到最大的适应度值。

在进行搜索的过程中所有的网络节点的容量可以当作是D维的一个列向量，这里通过改变该向量各个分量的参数，即将其中的被寻优的分量作为未知量，其他的分量作为已知量，进行最大收益度值的计算，然后依次对其他各分量进行搜索寻优，最终确定整个最优的向量X_o。

本发明在利用改进蜂群算法进行不断搜索寻优的矩阵A_k的各列向量必须满足以下约束条件：

a)配电网中安装分散式风电机组最大节点数约束：

count(X_i中各分量不为0的个数)≤B

式中，X_i表示搜索过程中分散式风电机组的接入位置和容量的一个解，B为分散式风电机组安装的最大节点数。

b)分散式电源的最大安装容量约束：

$\underset{i=1}{\overset{n-1}{\Sigma }}{P}_{\mathrm{DGi}}\le P_{\mathrm{DG}\max }$

式中，P_DGi为第i个节点安装的分散式风电机组的容量；P_DGmax为容许分散式风电机组最大安装容量。

c)待选节点分散式风电装机容量约束

0≤P_DGi≤P_DGimax

式中，P_DGimax为第i个待选节点上允许安装的分散式风电机组的最大容量。

d)分散式风电机组穿透功率极限约束

$\frac{\underset{i=1}{\overset{n-1}{\Sigma }}{P}_{\mathrm{DGi}}}{S_{\mathrm{Load}}^{\max }}\le \rho$

式中，ρ为穿透功率极限系数，为系统中安装风电机组的总容量，为整个配电网最大负荷量。

e)节点电压约束 

U_imin≤U_i≤U_imax

式中，U_imin、U_imax分别为第i个节点的最小允许电压值和最大允许电压值。

根据分散式接入风电项目应充分利用电网现有的变电站和线路，原则上不新建高压送出线路和110千伏、66千伏变电站，并尽可能不新建其他电压等级的输变电设施。因此在进行分散式风电接入容量选取时，要根据现有配电网的需求进行接入并网，配电网的需求容量需要根据配电网的结构进行计算。配电网的结构确定后，要根据调度的数据进行整个网络的网损计算，本方法是将配电网节点的有功、无功迭代方程，支路损耗方程，网络总损耗方程组合起来不断迭代如下：

$P_i^{\prime }=\left(\begin{array}{cc}{P}_i-P_{\mathrm{DGi}}& i=n\\ P_i-P_{\mathrm{DGi}}-{\mathrm{\Delta P}}_{i-1}^{\prime }-P_{i-1}^{\prime }-{\mathrm{\Delta P}}_{\mathrm{Bi}}& (i=\mathrm{1,2}\mathrm{Ln}-1)\end{array}\right)$(节点的有功功率迭代方程)

$Q_i^{\prime }=\left(\begin{array}{cc}{Q}_i-Q_{\mathrm{DGi}}& i=n\\ Q_i-Q_{\mathrm{DGi}}-{\mathrm{\Delta Q}}_{i-1}^{\prime }-Q_{i-1}^{\prime }-{\mathrm{\Delta Q}}_{\mathrm{Bi}}& (i=\mathrm{1,2}\mathrm{Ln}-1)\end{array}\right)$(节点的无功率迭代方程)

${\mathrm{\Delta S}}_i^{\prime }=\frac{P_i^{\prime 2}+Q_i^{\prime 2}}{U_i^2}(R_i+{\mathrm{jX}}_i)={\mathrm{\Delta P}}_i^{\prime }+{\mathrm{j\Delta Q}}_i^{\prime },(i=\mathrm{1,2,3,4}L)$(单条输线支路损耗)

(单条支路上变压器绕组可变损耗)

$P_{LOSS}=\underset{i=1}{\overset{n-1}{\Sigma }}(\Delta {\tilde{S}}_i^{\prime }+\Delta {\tilde{S}}_i^{\prime \prime })$(配电网上总的网络损耗)

其中是第i条支路接入分散式风电机组后该支路上输电线路的网络损耗，R_i、X_i分别表示输电线路上的阻抗和电抗；P′_i、Q′_i是接入分散式风电组后各节点有功和无功分布情况，表示第i上节点所含变压器的绕组上的可变功率损耗，ΔP_Bi、ΔQ_Bi分别表示在第i节点上所含变压器上的功率损耗；和 与和分别表示在第i节点上所含变压器中的绕组的可变损耗和不变的铁损，P_DGi、Q_DGi表示第i个节点上接入分散式风电机组的有功功率和无功功率大小,ΔP′_i-1,ΔQ′_i-1分别表示第i个节点上接入分散式电源后所接下一支路上的有功和无功损耗，P_LOSS表示配电网中输电线路上的总损耗和变压器上的总损耗之和。

一种基于改进蜂群算法的分散式风力发电并网接入点的优化配置方法,其特征在于采用了改进的分散式蜂群算法，蜂群算法的实施步骤如下：

Step 1：针对n＝0初始时刻，随机生成N个可行性解(X₁,X₂,K X_N)，即食 物源的分布-侦察蜂寻找食物源。随机产生的可行解X_i：

$X_i^j=X_{\min }^j+\mathrm{rand}\left(\mathrm{0,1}\right)(X_{\max }^j-X_{\min }^j)$

式中，j∈(1,2,...,D),i表示矩阵A_k的第i列向量。

将赋于收益度值函数，计算随机产生各个可行性解向量的收益度值,并将排名靠前N₀个可行性解记为采蜜蜂的初始食物源A₀。

Step 2：根据初始食物源，蜂群有自学习的过程，即跟随蜂的有选择性定向搜索

$\left(\begin{array}{ccccc}\mathrm{IF}& g\left(X_i^j\right)>g\left(X_k^j\right)& \mathrm{and}& X_i^j>X_k^j& \mathrm{Then}\end{array}\right)$

$X_i^j=X_k^j+\mathrm{rand}(-\mathrm{1,1})(X_i^j-X_k^j)$

按照如此步骤依次进行定向迭代，直到得到搜索到最大收益度值为止。

Step 3：为了提高搜索效率和保持食物源的多样性，在进行搜索进行的过程中，蜂群进行搜索的过程中有自我调节能力，即

式中j∈(l,2,...，D)，Y_i^j是新生成的可行性节点中的元素，且Y∈S，是随机数，其范围是[-1,1]，其取值决定于的取值。

个体搜索空间为S,其中S满足寻优的约束条件，进行搜索概率仅与当前食物源的分布状态X_i(n)有关,而与前一时刻搜索食物源的分布状态及分布时刻无关。

Step 4：根据Step 3形成新的食物源分布状态X_i(n),利用step 2进行食物源的适应度的搜索，不断地进行step 3和step 2的循环，最终得到收益度不同的食物源。

Step 5：蜂巢中处于未被雇佣的跟随蜂按照收益度信息由高到低排序,根据蜂群算法对食物源的贪婪特性,将搜索到的不同的食物源向量Y_i之间以及与食物源向量X_i适应度值比较,跟随采蜜的食物源按照收益度的大小进行跟随，选取 两者中适应度值高的保留。

蜂群对最优食物源位置的取舍原则是：

g(Y_i)≥g(X_i)则最优分布的可行性解为Y_i；

g(Y_i)＜g(X_i)则最优分布的可行性解为X_i。

蜂群算法的贪婪特性保证了蜂群始终能够保留适应度值最高的食物源作为精英个体,使得获取高收益度值食物源的方向不会倒退。

Step 6：跟随蜂对收益度信息比较并排序同时要观察最大收益度值的变化趋势，设定一个最小循环限定次数n₀，最优循环的最小循环次数n₁，最大循环限定次数MaxCN。如果收益度值搜索循环次数n大于最小的限制循环次数n₀，且在最优循环次数的最小循次环数n₁范围内，最大收益值没有发生改变，即满足以下条件g(X_i)＜g(X_j)(i≠j)；为了提高搜索效率则可进入下一步，否则继续返回循环step 2至step 6，同理在收益度值循环次数达到最大限制的循环次数时，同样停止循环，执行下一步。

Step 7：根据收到的食物源收益度值大小，进行釆蜜食物源的选择,跟随蜂此时转变为采蜜蜂,在规定的采蜜次数内,对所选择的食物源周围进行采蜜操作,力求找到更好的采蜜点。类似于侦查蜂操作,但是搜索空间大大缩小了,且是在划定食物源的周边范围内。

选择方式是在所有的食物源内按概率选择,概率公式:

$P\left(X_i\right)=\frac{g\left(X_i\right)}{\underset{i=1}{\overset{n-1}{\Sigma }}g\left(X_i\right)}$

P(X_i)表示在变量取值为X_i时，引领蜂对食物源的选择概率，g(X_i)表示在变量取值为X_i时，所对应的适应度值，是所有适应度值之和。跟随蜂的搜索空间仍为S,寻获食物源概率只与当前已寻获的食物源状态A_k有关,而与之前的食物源状态及分布时刻无关。

step 8：如果设定种群进化次数完成,则停止全部计算,输出最后记录的最优食物源收益度值和相应参数。

经过搜索算法搜索寻优后，将得到最大适应度值，以及最大适应度值所对应的可行性解X_o，其可行性解X_o中各个分向量就表示各个节点所接分散式风电机组的容量，这就判别了在哪一个节点需要接入分散式风电机组和对应点所接分散式风电机组所接入的容量。

本发明针对分散式风力发电并网接入点的优化配置问题，采用一种改进的蜂群算法，将分散式风电机组接入点的位置和容量确立为未知的参数，形成寻优矩阵，采用保证数据的丰富性和寻优结果的可靠性的主循环和针对最大收益度值的局部搜索的嵌套循环，加快了搜索进度、收敛速度，保证了搜索的准确性，解决了基本蜂群算法求解组合优化问题时收敛速度慢、易陷入局部最优的问题。算法应用在分散式风力发电并网接入点的优化配置可以迅速的收敛到全局最优解。此外，算法简单、鲁棒性强，有明显的优越性。

本装置基于改进的蜂群算法，利用DSP对SCADA传输的数据进行处理，整个装置可以很方便地进行数据交互和系统的集成，从而能够大大加强风力发电的信息化建设。

附图说明

图1为基于改进蜂群算法的分散式风力发电并网接入点的优化配置装置的结构图；

图2为TPS767D318的电源转换电路；

图3为PC串口电平转换电路；

图4为改进蜂群算法搜索程序流程图。

具体实施方式：

如图1-4所示，基于改进蜂群算法的分散式风电并网优化配置装置,包括：调度中心数据采集模块、OPC Server、DSP、MAX232芯片、输入模块、电源模块和上位机，硬件模块的搭建如下：调度中心的数据采集模块经过OPC Server与 DSP TMS320VC5402数据采集接口D15-D8连接；DSP TMS320VC5402上包括时钟电路、复位电路分别接在相应的接口上，DSP的供电电源由5V稳压集成电路、电压转换芯片TPS767D318的电源转换电路提供，其中TMS320VC5402的工作内核电压为1.8V，I/O接口电压为3.3V；在进行数据传输时经过MAX232芯片将TTL电平转换为232电平的串行接口上传给上位机。在DSP对数据处理过程中的所有数据情况全部经过通讯模块上传给上位机。调度中心数据采集模块是数据源的获取；OPC Server负责DSP与调度中心数据采集模块之间的通讯，其采用的是OPC通讯，OPC具有OPC客户端，用来与设备厂家提供的OPC服务器进行通讯，因为OPC有微软内定的标准，所以OPC客户端无需修改就可以与各家提供的OPC服务器进行通讯。MAX232驱动电路是指DSP与上位机之间通讯，采用的是串行通讯方式，该模块主要有MAX232电平转换电路，将TTL电平转换为RS232电平；DSP模块主要功能是对配电网数据进行分析处理，DSP模块采用的是TI公司的数字信号处理器TMS320VC5402；键盘输入模块主要用于一些基本数据的输入；电源模块主要有5V电源、电压转换芯片TPS767D318产生的1.8V及3.3V电源。其中调度中心数据采集模块、OPC Server、DSP、MAX232芯片、上位机顺次连接。5V电源分别与电压转换芯片TPS767D318、MAX232等相连，DSP的内核和I/O接口分别与1.8V和3.3V相连。

所述的基于改进蜂群算法的分散式风力发电并网接入点的优化配置装置的配置方法,包括以下步骤：

第一步：调度中心的外部通讯接口通过OPC Server接口将SCADA系统监控的数据传送给DSP的数据采集端口，等待DSP处理；

第二步：DSP根据处理需求进行数据筛选，主要筛选主要有配电网中各个节点的电压、负荷情况、支路阻抗和支路变压器的运行参数，网络上的功率流向；

第三步：DSP可以根据等效的功率流向图，利用前推回代法计算各个节点上的功率损耗，最终计算出总的网络损耗情况；

第四步：设置功率损耗中的可变量，即节点上所加的风电机组的容量。即全 网的网络损耗、节点功率发生变化，再次利用前推回代法计算功率损耗的值；

第五步：利用DSP基于蜂群算法进行第三步中的功率损耗最小值的搜索寻优；

第六步：在进行第四步的搜索过程中主要分为主循环和嵌套循环，主循环就是为了保证数据的丰富性和寻优结果的可靠性，不断对最大收益度值进行全局搜索，即在搜索过程中不断改变初始搜索向量；嵌套循环针对的是最大收益度值的局部搜索，即搜索过程根据收益度的实际变化进行定向搜索，从而加快了搜索进度和保证了搜索的准确性；

第七步：重复第五步中的循环,直至得到两个最优的两个最大适应度值之差的误差百分数δ小于极限误差百分数ε，其中

$\delta =\left|\frac{g\left(X_{o1}\right)-g\left(X_{o2}\right)}{g\left(X_{o2}\right)}\right|*100\%$

g(X_o1)、g(X_o2)分别是当前最大收益度值中最大的两个值，若δ＜ε则终止循环，进入下一步；否则返回继续循环，直至达到最大循环限制次数MaxCN，终止循环。其中ε为极限误差百分数，一般取值小于0.01％。

第八步：对步骤五中每次得到的最大收益度都通过通讯模块上传送到上位机，最终可以实时观测到搜索变化；

第九步：输出最后的最大收益度值的分布概况，并最终输出全局最大收益度值所对应的可行性解X_o。其可行性解X_o中各个分向量就表示各个节点所接分散式风电机组的容量，若解向量中的分量取值为0，说明该点不许用加入分散式风电机组；若解向量中的分量不为0，就在该点接入对应数值的风电容量。

所述的基于改进蜂群算法的分散式风力发电并网接入点的优化配置方法,利用改进蜂群算法进行搜索寻优的过程中搜索变量要满足以下约束条件：

a)配电网中安装分散式风电机组最大节点数约束：

count(X_i中各分量不为0的个数)≤B

式中，X_i表示搜索过程中分散式风电机组的接入位置和容量的一个解，即若X_i＝0则第i个节点的接入容量为0，否则即为第i个节点的接入容量，B为分散式风电机组安装的最大节点数。

b)分散式电源的最大安装容量约束：

$\underset{i=1}{\overset{n-1}{\Sigma }}{P}_{\mathrm{DGi}}\le P_{\mathrm{DG}\max }$

式中，P_DGi为第i个节点安装的分散式风电机组的容量；P_DGmax为容许分散式风电机组最大安装容量。

c)待选节点分散式风电装机容量约束:

0≤P_DGi≤P_DGimax

式中，P_DGimax为第i个待选节点允许安装的分散式风电机组的最大容量。

d)分散式风电机组穿透功率极限约束:

$\frac{\underset{i=1}{\overset{n-1}{\Sigma }}{P}_{\mathrm{DGi}}}{S_{\mathrm{Load}}^{\max }}\le \rho$

式中，ρ为穿透功率极限系数，为系统中安装风电机组的总容量，为整个配电网最大负荷量。

e)节点电压约束:

U_imin≤U_i≤U_imax

式中，U_imin、U_imax分别为第i个节点的最小允许电压值和最大允许电压值。

所述的基于改进蜂群算法的分散式风力发电并网接入点的优化配置方法,采用的是改进的蜂群算法作为优化算法，优化变量是食物源的向量，这里网络损耗用食物源相关函数表示，网络损耗的大小由最大收益度值的倒数表示，其实施步骤如下：

步骤一：参数初始化；

步骤二：引领蜂随机搜索食物源；

步骤三：跟随蜂根据引领蜂分享食物源的收益度值进行选取较丰富的N₀个 食物源，即食物源越丰富其收益度值越大；

步骤四：针对食物源较丰富的N₀个食物源进行定向搜索，寻找收益度值最大食物源；

步骤五：侦查蜂进行食物源再探索，并与当前最大收益度值比较，选取收益度值较大的食物源返回步骤三进行再循环，否则侦察蜂进行再探索；

步骤六：重复步骤三、步骤五，直至得到两个最优的两个最大适应度值之差的误差百分数δ小于极限误差百分数ε，其中

$\delta =\left|\frac{g\left(X_{o1}\right)-g\left(X_{o2}\right)}{g\left(X_{o2}\right)}\right|*100\%$

g(X_o1)、g(X_o2)分别是当前最大收益度值中最大的两个值，若δ＜ε则终止循环，进入下一步；否则返回继续循环，直至达到最大循环限制次数MaxCN，终止循环。其中ε为极限误差百分数，一般取值小于0.01％；

步骤七：输出取得最大收益度值的食物源。

所述的步骤四的具体执行步骤如下：

①：选取丰富度较大的N₀个食物源； 

②：跟随蜂根据引领蜂分享的食物源收益度值大小和变化趋势，跟随蜂对食物源某一分量变化进行定向的选择搜索；

③：对某一参数变化进行定向搜索，并对收益度值变化进行比较统计。搜索原则是：$\left(\begin{array}{ccccc}\mathrm{IF}& g\left(X_i^j\right)>g\left(X_k^j\right)& \mathrm{and}& X_i^j>X_k^j& \mathrm{Then}\end{array}\right)$

$X_i^j=X_k^j+\mathrm{rand}(-\mathrm{1,1})(X_i^j-X_k^j)$

记录所有食物源的收益度值。当搜索次数达到最小搜索次数n₀，且搜索最优值在累积次数n₁次内，最大收益度值没有发生变化，则停止搜索输出当前最大收益度值的可行解直接进入步骤五，否则按照搜索原则进行循环搜索，直至搜索到局部最优收益值并进入步骤五；

④：改变搜索分量，返回步骤三进行循环搜索；

⑤：对步骤四中的所有收益度值进行比较，并输出当前最大的收益度值和取得最大收益度值的可行性解。