一种改进的配电网络分区方法、优化算法及调控规划方案

技术领域

本发明属于智能电网优化调度领域，具体涉及一种改进的配电网络分区方法、优化算法及调控规划方案。

背景技术

随着分布式发电的日益普及与大量非线性、冲击性、不平衡负荷接入电网，电能质量的日趋恶化不仅影响了配电网络的正常运行，用电侧的设备安全也受到了不同程度的威胁，因此需要各类电能质量治理设备对电能质量问题进行综合治理。配电网络电能质量治理设备的优化调控具有涉及节点多、电能质量问题构成复杂、计算量庞大的特点，算法变量维数庞大，导致运算时间长，动态响应能力弱。

电网络分区对解决庞大的算力需求与有限的运算力之间的矛盾具有显著的缓解作用，分区算法将配电网络系统划分为若干子区块，以子区块为基本单元，对电网整体进行优化与管理，各子区块之间耦合关系弱，区块内部的各节点间耦合关系强。分区算法流程中，不同分区参考指标与不同分区方法的选取对分区合理性产生很大影响。

目前对电能质量治理设备的优化调控策略中，采用多目标粒子群算法计算调控方案作为一个常规方法，其收敛能力强，但面对高维迭代运算时存在提前收敛、计算量大且有一定误差的问题。

发明内容

本发明的目的是提供一种改进的配电网络分区方法、优化算法及调控规划方案，以解决现有技术中的缺点。

第一方面，为实现上述发明目的，本发明提供了一种改进的电网络分区方法，包括：

获取无功灵敏度与谐波灵敏度，得到综合灵敏度矩阵；

基于模糊聚类算法，将综合灵敏度矩阵作为特征指标矩阵，进而得到模糊矩阵，通过变化置信指数，得到一系列配电网络分区方案；

基于模块度函数理论，将综合灵敏度矩阵作为连边权重矩阵，构造配电网络的模块度函数；

以模块度为判断依据，从上述所得配电网络分区方案中选取模块度最高的方案作为最终选取的分区方案。

第二方面，本发明还提供了一种改进的用于配电网电能质量治理设备配置的智能优化算法，包括：

获取综合灵敏度矩阵包括：以电网导纳矩阵中的导纳参数表征节点间谐波灵敏度；以潮流计算中雅克比矩阵逆矩阵参数表征无功灵敏度；基于约束条件，建立综合灵敏度模型：

w

可选地，对多目标粒子群算法添加改进包括：

引入遗传变异因子包括：在初始迭代阶段，粒子种群表征的解集与最优解集之间存在较大差距，需要进行大规模搜索，为了扩大电能质量设备调控策略的搜索范围，遗传变异概率因子取值较高；随着迭代次数的增加，粒子种群表征的解集与最优解集之间的差距逐渐减小，为使算法快速收敛，遗传变异概率因子应随之降低；

基于约束条件，构建遗传变异因子：

可选地，引入交叉判断近似因子包括：

当两个父代的t维分量接近时，得到的子代的t维分量将与父代近似，交叉操作作用小，为减少非必须的计算，引入交叉判断近似因子，当两父代t维分量差距小于交叉判断近似因子时，不进行交叉操作。

本发明具有以下有益效果：采用模糊聚类法与社团发现法的模块度函数相结合获得配电网络分区方案，并在此基础上通过在多目标粒子群算法迭代环节中加入遗传变异改良总体智能优化算法，减小算法计算量，并提高优化算法的搜索能力，使多电能质量治理设备配置方案的计算过程具有更高的动态响应能力。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中的对多电能质量治理设备配置动态性能改进方法示意图；

图2为本发明实施例提供的引入模块度盘踞的模糊聚类分区步骤框图；

图3为本发明实施例提供的传统多目标粒子群算法步骤框图；

图4为本发明实施例提供的结合遗传变异改进的多目标粒子群算法步骤框图；

图5为本发明实施例提供的适应MOPSO的遗传变异操作步骤框图；

图6为本发明实施例提供的电网示意图；

图7为本发明实施例提供的改进的配电网络分区方法实施前后各电网络节点电能质量状态的对比示意图；

图8为本发明实施例提供的采用传统多目标粒子群算法在正常收敛时与陷入局部最优时的收敛情况的示意图；

图9为本发明实施例提供的采用改进的配电网络分区方法在正常收敛时与陷入局部最优时的收敛情况的示意图；

图10为本发明实施例提供的改进的配电网络分区方法实施前的投入成本与治理效果图；

图11为本发明实施例提供的改进的配电网络分区方法实施后的投入成本与治理效果图；

图12为本发明实施例提供的采用改进的配电网络分区方法后结果示意图；

图13为本发明实施例提供的改进的配电网络分区方法实施前电网络各节点电能质量状态图；

图14为为本发明实施例提供的改进的配电网络分区方法实施后电网络各节点电能质量状态图。

具体实施方式

下面将结合附图1-14对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。

在本申请实施例的描述中，技术术语“第一”、“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。

如图1所示，多电能质量治理设备配置动态性能改进方法示，包括：

S100、基于谐波与无功灵敏度建立分区降维模型对配电网络进行区域划分；

其中，设配电网存在N个节点，考虑最高次数为H次谐波，治理设备在节点n上的h次等效导纳为Gh,n。

电网节点导纳矩阵:

其中，Y'

节点i与j间的谐波灵敏度uij:

无功灵敏度：

结合谐波灵敏度与无功灵敏度所得到的综合灵敏度为：w

其中，λ为谐波灵敏度的重要程度，u'

基于模糊聚类算法，以综合灵敏度矩阵为特征指标矩阵，通过改变置信水平得到对应不同置信水平的分区方案。

以综合灵敏度矩阵作为配电网各节点连边权重矩阵，模块度函数：

其中，wij为节点i与节点j的连边权重，从灵敏度矩阵W中得到；m为配电网络所有连边权重之和；ki为与节点i相连所有连边权重之和。

依据模块度函数值大小从对应不同置信水平的配电网络分区方案中获取模块度最大的方案，分区步骤如图2所示。

S200、基于遗传变异理论与电网复杂度改良多目标粒子群算法，建立适应电网的遗传多目标粒子群算法；

其中，遗传变异概率因子：

式中，iter为当前迭代次数，ITER为设定总迭代次数，μ为调节因子。

在多目标粒子群算法中添加遗传变异操作环节以提高算法搜索性能，算法流程改动前后分别如图3、图4所示。

其中，执行交叉操作前，引入近似因子γ，在进行交叉操作前判断必要性：

适应MOPSO的遗传变异操作步骤如图5所示。

S300、建立配电网电能质量治理优化模型，求解多电能质量治理设备配置方案；

反映治理效果的目标函数OF1为：OF

反映谐波治理效果的函数fHarmonic为：

f

反映无功治理效果的函数fQ为：f

电压超限惩罚：

其中，gmn为节点m和n之间的电导；Um、Un为节点m和节点n的电压有效值；θmn为节点m和n的电压相位差；Vm为节点m的电压标幺值；A为超限惩罚系数，Vmax与Vmin为电压偏差的上下限值。

反映谐波治理投入成本的函数fHarmonicCost：

CBs、SVG、DG三类设备在配电网络中的投入：

反映治理设备投入成本的目标函数OF2为：OF

约束条件：

本发明的配电网络多电能质量治理设备改进配置方法，基于模糊聚类与模块度函数相结合对电网络进行分区，在节点划分中考虑多电能质量影响，具有较高的分区合理性，电网示意图如图6所示，执行分区算法后的结果如图12所示；在治理设备优化调控的多目标优化算法中，将遗传交叉手段应用到MOPSO迭代上，为算法提供更大的搜索空间，提升了算法对全局最优解的搜索能力，避免其陷入局部最优，提升了算法的动态响应能力，减轻了算法运算量，图7、图13和图14为改进的配电网络分区方法实施前后电网络各节点电能质量状态对比，图8、9分别为采用传统多目标粒子群算法和采用改进的配电网络分区方法在正常收敛时与陷入局部最优时的收敛情况，图10、11为配电网络分区方法实施前后的成本投入与治理效果对比图。

以上的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形、变型、修改、替换，均应落入本发明权利要求书确定的保护范围内。