一种含分布式电源的配电网多目标优化调度方法

摘要

一种含分布式电源的配电网多目标优化调度方法，它包括以下步骤：S1:建立以系统节点最大电压偏差最小、配电网各支路的网络损耗最小和分布式电源接入最大为目标函数的多目标配电网模型；S2:确定潮流方程约束、DG有功功率上限约束和节点电压约束等约束条件；S3:通过引入群体动物的自学习机制,构建基于多群体自学习的多目标群搜索算法对配电网调度问题进行优化。本发明以DG入网容量最大、以系统网损和电压偏差最小为目标函数建立多目标配电网模型，以潮流方程、DG容量极限为约束条件，综合考虑多种类型的DG接入，基于自学习群体搜索算法提出了多群体自学习群搜素算法来优化所建立的多目标配电网模型。

说明书

技术领域

本发明涉及一种含分布式电源的配电网多目标优化调度方法，属于配电网调度技术领域。

背景技术

近年来为应对能源、环保和气候变化的挑战，低碳可再生能源得到大力发展，新能源以分布式电源的形式直接接入配电网是今后的发展趋势。配电网是直接或降压后将电能送到用户侧的电网，研究大量分布式电源接入后的系统结构和运行显得极其重要。

含分布式电源配电网优化问题中存在诸多指标需要优化，如电压偏差、网损、分布式电源最大准入容量等，故需要多目标优化算法进行求解。目前主要有两类方法对该问题进行求解，一类是采用加权法对每个目标进行加权，然后作为单目标优化；一类是采用多目标优化算法获得帕累托解集，然后再通过决策方法确定最优的解。

近年来，多目标进化算法以其灵活性高、鲁棒性强、适应性广等优点被广泛应用于求解电力系统优化调度问题。例如，有些学者将多目标遗传算法和非占优选择方法应用到电力系统电网规划中；还有些学者将多目标粒子群算法应用于求解含DG配电网重构问题。最近，一个新的多目标优化算法，多领头者群体搜索算法(Group Search Optimizer with Multiple Producers,GSOMP)被提出来求解经济排放调度。GSOMP是基于群搜索算法(Group Search Optimizer，GSO)而提出的，仿真结果证明GSOMP算法明显优于多目标遗传算法和多目标粒子群算法。

在GSOMP中，种群个体被赋予三种不同的角色，分别为领头者、追随者和游荡者。领头者是指种群中适应值最好的个体，其任务为带领整个种群寻找优质资源，并且其数量等于优化目标的个数。除了领头者，剩下的个体被随机的分为追随者和游荡者，追随者将随机的选择一个领头者，并且追随该领头者，分享该领头者发现的资源，为快速收敛到最优点，保证算法的局部搜索性能；游荡者将在整个搜素区域内进行随机漫步(Random Walk，RW)，旨在保持种群多样性，避免算法陷入局部最优，确保算法的全局搜索性能。尽管GSOMP在求解复杂电力系统调度问题上优于多目标遗传算法和多目标粒子群算法，但该算法在优化高维多模优化问题时，仍存在收敛速度慢的缺点。

对于基于加权的单目标优化方法，需要统一量纲，且权值的分配带有主观人为因素，具有片面性、缺乏科学性。对于多目标优化算法，主要有多目标粒子群算法、多目标遗传算法和多目标群搜索算法等，它们存在局部搜索或全局搜索性能不足的问题，即不收敛或者容易陷入局部最优。

发明内容

针对上述多目标优化算法的不足，本发明提出了一种含分布式电源的配电网多目标优化调度方法，其能够权衡局部搜索和全局搜索，旨在快速搜索到全局最优解。

本发明解决其技术问题采取的技术方案是：一种含分布式电源的配电网多目标优化调度方法，其特征是，包括以下步骤：

S1:建立含多类型DG的多目标配电网模型,所述多目标配电网模型以系统节点最大电压偏差最小、配电网各支路的网络损耗最小和配电网的分布式电源接入最大为目标函数；

S2:确定约束条件，所述约束条件包括潮流方程约束、DG有功功率上限约束和节点电压约束；

S3:进行配电网调度优化，所述对配电网调度进行优化的过程为通过引入群体动物的自学习机制,构建基于多群体自学习的多目标群搜索算法对配电网调度问题进行优化。

基于当考虑配电网电压偏差、网络损耗、DG容量和潮流方程等方面问题时，配电网优化配置是一个多目标、多约束的复杂优化问题，本发明建立的多目标配电网模型以DG入网容量最大、以系统网损最小和电压偏差最小为目标函数，以潮流方程、DG容量极限为约束条件，综合考虑PQ、PV和PI类型的DG接入；基于自学习群体搜索算法(Self-Learning Group Search Optimizer，SLGSO)，提出了多群体自学习群搜素算法(Multiple Self-Learning Group Search Optimizer，MSLGSO)来优化所建立的多目标配电网模型。

优选地，在步骤S1中，以系统节点最大电压偏差最小为目标函数f₁、以配电网各支路的网络损耗最小为目标函数f₂、以配电网的分布式电源接入最大为目标函数f₃建立多目标配电网模型；

所述目标函数f₁为：

式中：P_i和Q_i分别为节点i的有功功率和无功功率；R_i和X_i分别为节点i处的等值电阻和电抗；V_iN为节点i处电压的额定值；n为系统总的节点数；

所述目标函数f₂为：

式中：L为系统总支路数；r_j为支路j电阻；P_j和Q_j分别为支路j末端流过的有功功率和无功功率；

所述目标函数f₃为：

式中：N_DG为配电网接入总的DG数；P_DGj为第j个节点接入DG的有功功率；P_Li为第i个节点负荷的有功功率。

优选地，在所述约束条件中：

1)潮流方程约束为：

式中：P_DGi和Q_DGi分别为在第i个节点处注入的DG有功功率和无功功率；P_Li和Q_Li分别为第i个节点处负荷的有功功率和无功功率；G_ij和B_ij分别为节点i和j之间的电导和电纳；δ_ij为节点i和j之间的电压相角差；

2)DG有功功率上限约束为：

式中：为第i个节点允许接入DG的有功功率上限；

3)节点电压约束为：

V_i^min≤V_i≤V_i^max>

式中：V_i^min和V_i^max分别为第i个节点电压的下、上极限。

优选地，在步骤S3中，所述多群体自学习群搜素算法包括：

领头者搜索机制：

将每个群体中适应值最小的个体视为领头者，每个领头者将沿着三个方向进行随机搜索，寻找优质资源，确定其下一代的位置；在第g代中，第p个群体的领头者x_p^g搜素机制如下：

式中：r₁和r₂为(0,1)内的随机数；l_max和θ_max分别为最大搜索距离和最大搜索视角；为领头者在第g代的搜索视角；f_p为第p个目标函数；D为单位矩阵，CircShit(.)为极坐标和直角坐标变换；

组织者搜索机制：

在每个群体的每一代中，随机选取一些个体视为组织者，组织者将对其对应的群体的每一代成功进化路径进行学习，确定其在下一代中的进化路径和进化步长；在g代的第p个群体中，第k个组织者的具体搜索机制如下：

式中，σ_p^g为在g代中第p个种群组织者的进化步长；N(0,C_p^g)为由在g代中第p个种群得组织者形成的多元正态分布；

游荡者搜索机制：

除了领头者和组织者，每个群体中剩余的个体被视为游荡者，采用LF机制在整个搜索空间内进行随机搜索，用以保持种群多样性，增强多群体自学习群搜素算法的全局搜索性能；

所述LF机制如下：

在第g代的每个群体中，游荡者首先确定一个随机步长stepsize_p,i：

式中，u＝Φ·randn(n)，v＝randn(n)，β＝1.50，n为系统优化变量数；

Φ的计算如下：

式中，Γ为伽马函数；

然后，游荡者将根据公式(12)所示步长stepsize_p,i进行搜素更新：

优选地，在组织者搜索机制中，组织者进行学习的过程为：首先，根据适应值的大小，将其对应的群体中的个体分为优秀个体和劣质个体，适应值小的个体视为优秀，适应值大的个体视为劣质；然后对优秀个体通过指数加权法得到该群体的均值向量m；再次，根据m，得到该群体的协方差矩阵C；最后，根据m和C，确定该群体组织者的进化路径和步长；

优选地，在步骤S3中，所述引入群体动物的自学习机制的过程为对MSLGSO算法解集库更新的过程，具体实现过程为：首先引入信息分享策略对每一代多群体自学习群搜素算法的解集进行适应值排序，形成当代的非占优解，存储到解集库中；然后，每一个种群的组织者将对解集库中的个体进行学习，确定下一代的进化步长和进化路径。

优选地，在对MSLGSO算法解集库更新的过程中，采用快速非占优排序方法对每一代的解集库进行更新，首先将解集库设为空集，然后每个群体中的领头者存入到解集库中，最后，在每一代中，将每个群体通过多群体自学习群搜素算法新更新得到的解存到解集库中，并通过快速非占优排序法选择新的非占优解更新解集库。

优选地，在步骤S3中，所述对配电网调度进行优化的过程包括以下步骤：

S31：在可行域内，随机初始化N个群体的个体，对每个群体根据其对应的目标函数将该群体中的个体按适应值大小进行排序，然后采用快速非占优排序方法将非占优解存储到解集库中，设种群代数g＝0；

S32：将每个群体中适应值最小的个体选作该群体的领头者，即N个群体，存在N个领头者，然后对每个群体分别执行步骤S33-S37；

S33：领头者将根据公式(7)-(10)进行搜索更新；

S34：除了领有者，群体中剩余的个体i将执行步骤S35-S37；

S35：如果rand(1)<0.7，那么i将被选作组织者，然后执行步骤6；否则，i将被视为游荡者，执行步骤7；

S36：组织者对解集库中的优秀个体进行学习，根据优秀个体的位置向量，形成均值向量和协方差矩阵，然后组织者根据公式(11)进行搜索更新；

S37：游荡者根据公式(12)-(14)所示的LF机制进行搜索更新；

S38：根据适应值大小，对N个群体的所有个体进行排序，采用快速非占优排序方法对解集库进行更新，如果不满足迭代终止条件，令g＝g+1，然后返回步骤S32；否则，终止算法迭代。

优选地，所述解集库中的优秀个体为适应值小的个体。

本发明的有益效果如下：

基于当考虑配电网电压偏差、网络损耗、DG容量和潮流方程等方面问题时，配电网优化配置是一个多目标、多约束的复杂优化问题，本发明建立的多目标配电网模型以DG入网容量最大、以系统网损最小和电压偏差最小为目标函数，以潮流方程、DG容量极限为约束条件，综合考虑PQ、PV和PI类型的DG接入；基于自学习群体搜索算法(Self-Learning Group Search Optimizer，SLGSO)，提出了多群体自学习群搜素算法(Multiple Self-Learning Group Search Optimizer，MSLGSO)来优化所建立的多目标配电网模型。

针对现有多目标优化算法的不足，本发明提出了一种新的能权衡局部搜索和全局搜索的多群体自学习群搜索算法，旨在快速搜索到全局最优解。本发明在MSLGSO算法中，引入多群体和组织者的概念，来增强算法的搜索效率，论证了MSLGSO算法在求解多约束复杂的含DG的配电网系统具有较好的适应性和实用性；本发明通过采用多属性决策方法得到的最优权衡解明显改善了电压偏差和网损问题，能够保证配网系统的安全和经济运行。

附图说明

图1为本发明的方法流程图；

图2为MSLGSO算法框架示意图；

图3为基于MSLGSO算法的帕累托前沿示意图；

图4为帕累托前沿中电压偏差示意图；

图5为DG接入前后系统各节点电压示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

如图1所示，本发明的一种含分布式电源的配电网多目标优化调度方法，它包括以下步骤：

S1:建立含多类型DG的多目标配电网模型,所述多目标配电网模型以系统节点最大电压偏差、配电网各支路的网络损耗和配电网的分布式电源接入最大为目标函数；

S2:确定约束条件，所述约束条件包括潮流方程约束、DG有功功率上限约束和节点电压约束；

S3:进行配电网调度优化，所述对配电网调度进行优化的过程为通过引入群体动物的自学习机制,构建基于多群体自学习的多目标群搜索算法对配电网调度问题进行优化。

考虑电压偏差、网络损耗和DG容量三个指标，本发明提出了一个可靠地含不同类型DG的多目标配电网优化模型。该模型同时考虑了系统运行的各种约束条件。此外，本发明提出了MSLGSO算法，增强GSOMP的局部搜索和全局搜素性能。

本发明的具体实施过程如下：

1、含多类型DG的多目标配电网模型

当考虑配电网电压偏差、网络损耗、DG容量和潮流方程等方面问题时，配电网优化配置是一个多目标、多约束的复杂优化问题。本发明建立的多目标配电网模型以DG入网容量最大、以系统网损最小和电压偏差最小为目标函数，以潮流方程、DG容量极限为约束条件，综合考虑PQ、PV和PI类型的DG接入。

1.1、目标函数

1)从安全性方面考虑，以系统节点最大电压偏差最小为目标函数：

式中：P_i和Q_i分别为节点i的有功功率和无功功率；R_i和X_i分别为节点i处的等值电阻和电抗；V_iN为节点i处电压的额定值；n为系统总的节点数。

2)从经济性方面考虑，以配电网各支路的网络损耗最小为目标函数：

式中：L为系统总支路数；r_j为支路j电阻；P_j和Q_j分别为支路j末端流过的有功功率和无功功率。

3)从经济性方面考虑，以配电网的分布式电源接入最大为目标函数：

式中：N_DG为配电网接入总的DG数；P_DGj为第j个节点接入DG的有功功率；P_Li为第i个节点负荷的有功功率。

1.2、约束条件

1)潮流方程约束

式中：P_DGi和Q_DGi分别为在第i个节点处注入的DG有功功率和无功功率；P_Li和Q_Li分别为第i个节点处负荷的有功功率和无功功率；G_ij和B_ij分别为节点i和j之间的电导和电纳；δ_ij为节点i和j之间的电压相角差。

2)DG有功功率上限约束

式中：为第i个节点允许接入DG的有功功率上限。

3)节点电压约束

V_i^min≤V_i≤V_i^max>

式中：V_i^min和V_i^max分别为第i个节点电压的下、上极限。

基于上述分析，建立的多目标配电网模型可表示为：

min[f₁,f₂,f₃]

2多目标优化算法

为克服GSOMP算法的不足，本发明基于基于群体动物自学习机制，提出了多群体自学习群搜素算法(Multiple Self-Learning Group Search Optimizer，MSLGSO)。本发明在MSLGSO算法中，引入多群体和组织者的概念，来增强算法的搜索效率。在MSLGSO算法中，每个群体中仅存在一个领头者，只优化一个目标函数，因此种群的个数等于优化目标的数量。例如，本发明建立的多目标配电网模型中存在三个目标函数，故MSLGSO中存在三个群体和三个领头者。每个群体中包含三种不同的角色，分别为领头者、组织者和游荡者。在MSLGSO算法中，领头者分别为每个群体中适应值最好的个体，负责寻找优质的资源，进而保持种群多样性。相比GSOMP算法中追随者的盲目跟随，组织者将对每一代种群中有效的搜索路径进行组织学习，然后确定其搜索路径和搜索步长，增强算法的局部搜素性能，避免算法不收敛。仿真结果显示Levy Flights(LF)的随机搜索性能优于RW搜索机制，因此在MSLGSO中，游荡者将采用LF搜索机制在解空间内进行随机搜索，增加种群的多样性，避免陷入局部最优。

2.1、多种群自学习群体搜素算法

MSLGSO算法的框架如图2所示，包含N个种群，其中N为优化目标函数的个数。为了增加种群的多样性，避免算法陷入局部最优，本发明引入信息分享策略来逼近帕累托前沿(该分享策略为现有技术，在此不作详述)，在每个群体中，分别包含领头者、组织者和游荡者，具体搜索机制如下。

2.1.1、领头者搜索机制

在MSLGSO算法的每一代搜索中，将每个群体中适应值最小的个体视为领头者。每个领头者将沿着三个方向进行随机搜索，寻找优质资源，确定其下一代的位置。在第g代中，第p个群体的领头者x_p^g搜素机制如下：

式中：r₁和r₂为(0,1)内的随机数；l_max和θ_max分别为最大搜索距离和最大搜索视角；为领头者在第g代的搜索视角；f_p为第p个目标函数；D为单位矩阵，CircShit(.)为极坐标和直角坐标变换。

2.1.2、组织者搜索机制

在每个群体的每一代中，随机选取一些个体视为组织者。组织者将对其对应的群体的每一代成功进化路径进行学习，确定其在下一代中的进化路径和进化步长。每个群体中的组织者将主要执行以下四步：首先，根据适应值的大小，将其对应的群体中的个体分为优秀个体和劣质个体，适应值小的个体视为优秀，适应值大的个体视为劣质；然后对优秀个体通过指数加权法得到该群体的均值向量m；再次，根据m，得到该群体的协方差矩阵C；最后，根据m和C，确定该群体组织者的进化路径和步长。在(g)代的第p个群体中，第k个组织者的具体搜索机制如下：

式中，σ_p^g为在g代中第p个种群组织者的进化步长；N(0,C_p^g)为由在g代中第p个种群得组织者形成的多元正态分布。

2.1.3、游荡者搜索机制

除了领头者和组织者，每个群体中剩余的个体被视为游荡者，采用LF机制在整个搜索空间内进行随机搜索，保持种群多样性，增强SLGSO算法的全局搜索性能，具体机制如下：

在第g代的每个群体中，游荡者首先确定一个随机步长stepsize_p,i：

式中，u＝Φ·randn(n)，v＝randn(n)，β＝1.50，n为系统优化变量数。

Φ的计算如下：

式中，Γ为伽马函数。

然后，游荡者将根据公式(12)所示步长stepsize_p,i进行搜素更新：

2.1.4、MSLGSO算法解集库更新

如图2所示，本发明引入信息分享策略对每一代MSLGSO的解集进行适应值排序，形成当代的非占优解，存储到解集库中。然后，每一个种群的组织者将对解集库中的个体进行学习，确定下一代的进化步长和进化路径。基于此，每个种群能够分享并学习其它种群的成功搜素个体，有利于加速MSLGSO逼近整个帕累托前沿。

本发明采用快速非占优排序方法对每一代的解集库进行更新。首先，解集库设为空集，然后每个群体中的领头者存入到解集库中。在每一代中，每个群体通过MSLGSO算法新更新得到的解，存到解集库中，然后通过快速非占优排序法选择新的非占优解来更新解集库。

2.1.5、MSLGSO算法步骤

基于上述设计，MSLGSO算法的步骤具体描述如下：

步骤1：在可行域内，随机初始化N个群体的个体。对每个群体，根据其对应的目标函数，将该群体中的个体按适应值大小进行排序，然后采用快速非占优排序方法将非占优解存储到解集库中。设种群代数g＝0。

步骤2：将每个群体中适应值最小的个体选作该群体的领头者，即N个群体，存在N个领头者。然后对每个群体分别执行步骤3-7。

步骤3：领头者将根据公式(7)-(10)进行搜索更新。

步骤4：除了领有者，群体中剩余的个体i将执行步骤5-7。

步骤5：如果rand(1)<0.7，那么i将被选作组织者，然后执行步骤6；否则，i将被视为游荡者，执行步骤7。

步骤6：组织者对解集库中的优秀个体(适应值小的个体)进行学习，根据优秀个体的位置向量，形成均值向量和协方差矩阵。然后组织者根据公式(11)进行搜索更新。

步骤7：游荡者根据公式(12)-(14)所示的LF机制进行搜索更新。

步骤8：根据适应值大小，对N个群体的所有个体进行排序，采用快速非占优排序方法对解集库进行更新。如果不满足迭代终止条件，令g＝g+1，然后返回步骤2；否则，终止算法迭代。

3、对本发明进行仿真分析

3.1、仿真系统及其参数设置

本发明以IEEE33节点配电网系统为例，采用基于节点分层关联矩阵的分层前推回代法求解潮流，应用所提出的MSLGSO算法，在MATLAB R2010a环境下，对分布式电源进行优化配置。仿真硬件配置为Intel i7 3.60GHz处理器与16GB内存。IEEE33节点配电系统的拓扑结构如图2所示，主要包含33条母线、33个分段开关、37条线路、系统总有功负荷为3715kW、总的无功负荷为2300kvar、平衡节点电压的标幺值为1.0p.u.。本发明考虑了三种不同类型的DG，分别为一台PQ类型、两台PV类型和一台PI类型，分别接到节点24、10、16和31处。对于MSLGSO算法，每个群体的种群数量为100，最大迭代代数为100。

图3为采用MSLGSO算法对电压偏差、网络损耗和DG容量进行优化得到的帕累托前沿曲线。从图3可以看出，电压偏差、网络损耗和DG容量是相互不妥协的三个目标，即网损越小，电压偏差越大，DG入网容量越少，也就是说，同时优化这三个目标是有必要的。此外，图3也验证MSLGSO的全局搜素性能，能够得到均匀分布的帕累托前沿。帕累托解集中的电压偏差如图4所示，电压偏差区间为[0.0053,0.0093]<<[-0.07,0.07]。这说明MSLGSO得到的解集满足电压偏差约束，即能够保证系统的安全稳定运行。

为确定最优权衡电压偏差、网络损耗和DG容量的解，本发明采用多属性决策方法得出最优权衡解由表1给出，表1列出了基于MSLGSO和GSOMP算法的最优权衡的电压偏差、网络损耗和DG容量。为验证MSLGSO算法的有效性，GSOMP算法和多属性决策方法得到的最优权衡解也由表1给出。从表1可以看出，MSLGSO算法得到的电压偏差、网损和DG容量都优于GSOMP算法。此外，MSLGSO算法计算时间为44.53s，远小于GSOMP算法的计算时间66.75s。因此，MSLGSO算法在局部搜索和全局搜索方面优于GSOMP算法。

为全面比较MSLGSO算法和GSOMP算法，引入超体积(Hypervolume，HV)指标、间隔(Spacing)指标和平均欧几里得距离(Mean Euclidian Distance，MED)指标也由表1给出。HV指标反映帕累托前沿的收敛性能和多样性能，HV值越大算法搜索的帕累托解越多，全局收敛性越好；间隔指标反映帕累托前沿的分布情况，间隔值越小算法分布越均匀；MED指标反映算法局部搜索性能，MED越小算法局部搜索越好。从表1可以明显的看出，MSLGSO算法在HV指标、间隔指标和MED指标都优于GSOMP算法，这也表明由MSLGSO算法得到的帕累托解比GSOMP算法的帕累托解分布更均匀、局部和全局收敛性更好。这也证明了所提MSLGSO算法的有效性和实用性。

表1：

对比未接DG时系统运行的网损202.73kW，接入DG后系统网损降低了56.78％。此外，图5给出了接入DG和不接DG的系统各节点电压幅值，从图5可以看出，通过接入由MSLGSO算法和多属性决策方法得到的DG之后，系统电压偏差得到了明显改善。

以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视为本发明的保护范围。