含分布式电源的配电网无功补偿优化方法及装置

技术领域

本发明涉及配电网无功补偿技术领域，具体涉及一种含分布式电源的配电网无功补偿优化方法和一种含分布式电源的配电网无功补偿优化装置。

背景技术

以分布式电源为代表的新能源得到了广泛关注和快速发展，但分布式电源在配电网越来越高的渗透率会造成配电网无功优化变的越来越困难，而无功补偿优化是提高配电网运行经济性和保证安全可靠运行的重要手段。因此研究含分布式电源的配电网无功优化具有重要的理论和实践价值。

无功补偿优化的常规算法有非线性规划法、动态规划法等，但其对优化模型的精确性要求过高、计算量过大，且很难处理不确定性问题。因此，相关学者将智能优化算法应用于无功优化。文献[1]将遗传智能算法应用于含分布式电源的配电网无功优化，文献[2]将改进的差分灰狼融合算法应用于配电网无功补偿优化。以上文献在进行配电网无功补偿优化时均未考虑分布式电源的无功调节能力，且无功补偿优化模型的求解算法存在着寻优结果不理想的情况，导致寻优能力低、优化效果差。

文献[1],赵昆,耿光飞.基于改进遗传算法的配电网无功优化[J].电力系统保护与控制,2011,39(5):57-62。

文献[2],张涛,余利,姚剑峰,等.基于改进多目标差分灰狼算法的配电网无功优化[J].信息与控制,2020,49(1):78-86。

发明内容

本发明为解决相关技术中在进行配电网无功补偿优化时均未考虑分布式电源的无功调节能力，且无功补偿优化模型的求解算法存在着寻优结果不理想的问题，提出了如下技术方案。

本发明第一方面实施例提出了一种含分布式电源的配电网无功补偿优化方法，包括以下步骤：建立所述分布式电源的功率模型，其中，所述分布式电源的功率模型的参数中包括所述分布式电源的无功功率；建立所述配电网无功补偿优化模型的多目标函数；对模拟退火算法进行改进，并将粒子群算法与改进后的模拟退火算法进行融合，以得到粒子群融合算法；以所述分布式电源的功率模型为约束，通过所述粒子群融合算法求解所述多目标函数，以得到所述配电网的无功补偿优化参数；根据所述无功补偿优化参数对所述配电网进行无功补偿优化。

另外，根据本发明上述实施例的含分布式电源的配电网无功补偿优化方法还可以具有如下附加的技术特征。

根据本发明的一个实施例，建立所述分布式电源的功率模型，包括：建立分布式风机的功率模型、分布式光伏的功率模型。

根据本发明的一个实施例，所述无功补偿优化模型的多目标函数为：

min F＝min(f

其中，F为f

根据本发明的一个实施例，根据以下公式分别计算所述配电网在单位时间的总有功损耗、所述有载调压变压器调档动作成本、所述无功补偿电容器投切成本和第k个分布式电源的调节成本：

其中，U

根据本发明的一个实施例，对模拟退火算法进行改进，包括：使退火温度下降的幅度与所述退火温度下产生的解被接受的状态次数成正比；对模拟退火算法寻优过程中的最优解进行记录，以避免遗漏最优解；当所述退火温度降低到预设值时，逐步减小扰动。

根据本发明的一个实施例，通过所述粒子群融合算法求解所述多目标函数，以得到所述配电网的无功补偿优化参数，包括：通过所述粒子群融合算法求解所述多目标函数以得到Pareto最优解集；通过模糊满意度算法从所述Pareto最优解集中选择一组解作为所述配电网的无功补偿优化参数。

根据本发明的一个实施例，通过所述粒子群融合算法求解所述多目标函数以得到Pareto最优解集，包括：计算初始温度下粒子的第一个体极值和第一群体极值；根据第一个体极值和第一群体极值更新粒子的速度和位置，以得到新状态；计算所述新状态下粒子的第二个体极值和第二群体极值；比对所述第一个体极值和所述第二个体极值间的大小关系，根据比对结果接受所述第二个体极值，并记录当前最优解；在迭代次数未达到最大迭代次数时更新粒子的速度和位置，并返回计算所述新状态下粒子的第二个体极值和第二群体极值的步骤，直至迭代次数达到最大迭代次数；在迭代次数达到最大迭代次数后输出所述当前最优解，并判断所述当前最优解是否满足迭代终止条件；如果所述当前最优解满足迭代终止条件则将所述当前最优解作为全局最优解，并输出全局最优解；如果所述当前最优解不满足迭代终止条件则更新所述初始温度，并返回计算初始温度下粒子的第一个体极值和第一群体极值的步骤，直至输出全局最优解。

根据本发明的一个实施例，根据比对结果接受所述第二个体极值，包括：在所述第一个体极值小于或等于所述第二个体极值时，根据Metropolis准则接受所述第二个体极值；在所述第一个体极值大于所述第二个体极值时，直接接受所述第二个体极值。

根据本发明的一个实施例，在更新所述初始温度之后，还包括：若更新后的初始温度降低到预设值则减小扰动。

本发明第二方面实施例提出了一种含分布式电源的配电网无功补偿优化装置，包括：第一建立模块，用于建立所述分布式电源的功率模型，其中，所述分布式电源的功率模型的参数中包括所述分布式电源的无功功率；第二建立模块，用于建立所述配电网无功补偿优化模型的多目标函数；融合模块，用于对模拟退火算法进行改进，并将粒子群算法与改进后的模拟退火算法进行融合，以得到粒子群融合算法；求解模块，用于以所述分布式电源的功率模型为约束，通过所述粒子群融合算法求解所述多目标函数，以得到所述配电网的无功补偿优化参数；优化模块，用于根据所述无功补偿优化参数对所述配电网进行无功补偿优化。

本发明实施例的技术方案，先建立分布式电源的功率模型，其中，功率模型的参数中包括分布式电源的无功功率，建立配电网无功补偿优化模型的多目标函数，对模拟退火算法进行改进，并将粒子群算法与改进后的模拟退火算法进行融合，以得到粒子群融合算法，之后以分布式电源的功率模型为约束，通过粒子群融合算法求解多目标函数，以得到配电网的无功补偿优化参数，根据无功补偿优化参数对配电网进行无功补偿优化。由此，采用融合了改进后的模拟退火算法的粒子群算法，对配电网无功补偿优化模型进行多目标的寻优求解，并在寻优过程中考虑分布式电源的无功调节能力，提高了寻优能力，且改善了优化效果，从而可以保证配电网运行经济性和安全可靠性。

附图说明

图1为本发明实施例的含分布式电源的配电网无功补偿优化方法的流程图。

图2为本发明一个示例的求解多目标函数的流程图。

图3为本发明实施例的含分布式电源的配电网无功补偿优化装置的方框示意图。

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，所描述的实施例仅仅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做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。

图1为本发明实施例的含分布式电源的配电网无功补偿优化方法的流程图。

如图1所示，该含分布式电源的配电网无功补偿优化方法包括以下步骤S1至S5。

S1，建立分布式电源的功率模型，其中，分布式电源的功率模型的参数中包括分布式电源的无功功率。

具体地，在需要对含分布式电源(例如风机电源、太阳能光伏电源、天然气电源等)的配电网进行无功补偿优化时，首先可根据分布式电源的无功调节能力的影响因素建立其功率模型，该功率模型的参数中包括分布式电源的无功功率，进而该功率模型可以用于表征分布式电源的无功调节能力。

S2，建立配电网无功补偿优化模型的多目标函数。

具体地，在进行配电网的无功优化时将分布式电源的无功调节能力考虑在内，并同时考虑配电网运行的经济性和安全可靠性，其中，经济性目标为配电网运行成本最低，安全性目标为配电网节点电压偏差最小。

也就是说，在考虑分布式电源的无功调节能力的前提下，以经济性目标和安全性目标为优化目标建立配电网无功补偿优化模型的多目标函数，以对该多目标函数进行求解，得到运行成本最低、且最安全可靠的无功补偿方案。

S3，对模拟退火算法进行改进，并将粒子群算法与改进后的模拟退火算法进行融合，以得到粒子群融合算法。

具体地，为进一步增强模拟退火算法的寻优能力，对现有的模拟退火算法进行改进，并对现有的粒子群算法中引入改进后的模拟退火算法的概率突变能力，以得到粒子群融合算法。

需要说明的是，粒子群算法在优化计算时寻优能力差和容易陷入局部极值点，本发明实施例将模拟退火算法的概率突跳能力应用到粒子群算法，即在粒子群算法中融入退火过程(退火温度下降时迭代次数增加，接收非最优解的概率降低)每一个粒子均要经历退火过程，从而提高整个种群的寻优能力。

S4，以分布式电源的功率模型为约束，通过粒子群融合算法求解多目标函数，以得到配电网的无功补偿优化参数。

具体地，通过粒子群融合算法对多目标函数进行寻优求解得到无功补偿优化参数，在求最优解时将分布式电源的功率模型作为一定的约束，在确定的有功输出时，电源能输出或吸收的无功有其边界值。求解多目标函数得到配电网的无功补偿优化参数，该无功补偿优化参数可使得配电网在满足运行成本最低的同时安全可靠地运行，既满足经济性又保证了安全可靠性。

S5，根据无功补偿优化参数对配电网的无功补偿进行优化处理。

具体地，在得到无功补偿优化参数后，根据无功补偿优化参数对配电网的无功补偿进行优化处理，实现配电网的无功补偿优化，提高了供电质量。

本发明实施例在粒子群算法中引入模拟退火算法的概率突变能力，在寻优计算时使每一个粒子均要经历退火过程，从而提高整个种群的寻优能力，可以解决粒子群算法在优化计算时寻优能力差和容易陷入局部极值点的缺点。

相较于相关技术中采用遗传智能算法、查分灰狼融合算法，本发明实施例一方面建立了配电网无功补偿优化模型的多目标函数，并对现有的模拟退火算法进行改进后，融入粒子群算法得到粒子群融合算法，进而通过粒子群融合算法对多目标函数进行寻优求解，从而可以提高寻优能力，可以避免粒子群算法在优化计算时寻优能力差和容易陷入局部极值点的缺点；另一方面在求解过程中考虑分布式电源的无功功率，从而可以改善无功补偿优化效果。

由此，本发明实施例的含分布式电源的配电网无功补偿优化方法，采用融合了改进后的模拟退火算法的粒子群算法，对配电网无功补偿优化模型进行多目标的寻优求解，并在寻优过程中考虑分布式电源的无功调节能力，提高了寻优能力，且改善了优化效果，从而可以提高配电网运行经济性，保证配电网的安全可靠性。

在本发明的一个实施例中，建立分布式电源的功率模型，可包括：建立分布式风机的功率模型、分布式光伏的功率模型。

具体地，在配电网中包含分布式风机和分布式光伏时，可基于分布式风机的功率影响因素建立分布式风机的功率模型、基于分布式光伏的功率影响因素建立分布式光伏的功率模型。

具体而言，建立分布式风机的功率模型可包括以下步骤：

风速概率密度函数f(v)是呈现Weibull分布(韦伯分布、威布尔分布)曲线形状的，其表达式为：

式中：K为Weibull分布的形状参数(无量纲)，C为Weibull分布的尺度参数(m/s)，v为风速(m/s)。

分布式风机输出的有功功率P

式中：P

分布式风机输出的有功功率P

其中，P

建立分布式光伏的功率模型可包括以下步骤：

分布式光伏输出有功功率大小P

式中：α、β分别为Beta分布的形状参数和尺寸参数，Γ表示gamma函数，P

分布式光伏的输出功率主要与光照强度和环境温度相关，因此光伏的输出特性方程可表示为：

式中：I、I

分布式光伏的无功调节能力大小与并网逆变器(分布式光伏与配电网并网，逆变器用于要将直流变交流)的总容量有关，并根据其有功功率与无功功率的关系可得到分布式光伏的功率模型为：

其中，|Q|

由此，可通过以上步骤得到分布式风机和分布式光伏的有功功率和无功功率间的关系表达式，即可得到分布式风机和分布式光伏的功率模型，以在寻优求解时将其作为一定的约束。

在本发明的一个实施例中，无功补偿优化模型的多目标函数为：

min F＝min(f

其中，F为f

进一步地，根据以下公式分别计算配电网在单位时间的总有功损耗、有载调压变压器调档动作成本、无功补偿电容器投切成本和第k个分布式电源的调节成本：

其中，U

具体而言，通过公式(10)计算配电网在单位时间的总有功损耗P

其中，在公式(13)中，在计算第k个分布式电源的无功输出值Q

在本发明的一个实施例中，对模拟退火算法进行改进，可包括：使退火温度下降的幅度与退火温度下产生的解被接受的状态次数成正比；对模拟退火算法寻优过程中的最优解进行记录，以避免遗漏最优解；当退火温度降低到预设值时，逐步减小扰动。

其中，预设值可以是根据实际问题具体设定的，是事先人工设定的。

具体而言，粒子群算法在优化计算时寻优能力差和容易陷入局部极值点，为此，本发明实施例将模拟退火算法的概率突跳能力应用到粒子群算法，每一个粒子均要经历退火过程，从而提高整个种群的寻优能力。为进一步增强模拟退火算法的寻优能力，对模拟退火算法的改进主要为：温度下降的幅度与该温度下被接受的状态次数成正比；对寻优过程中的最优解进行记录，以避免遗漏最优解；当退火温度降低到预设值时，为加快收敛速度应逐步减小扰动。

将改进后的模拟退火算法的概率突变能力应用到粒子群算法中，得到粒子群融合算法，粒子群融合算法的惯性权重系数为：

式中：w

在本发明的一个实施例中，通过粒子群融合算法求解多目标函数，以得到配电网的无功补偿优化参数，可包括：通过粒子群融合算法求解多目标函数以得到Pareto最优解集；通过模糊满意度算法从Pareto最优解集中选择一组解作为配电网的无功补偿优化参数。

在一个示例中，通过粒子群融合算法求解多目标函数以得到Pareto最优解集，包括：计算初始温度下粒子的第一个体极值和第一群体极值；根据第一个体极值和第一群体极值更新粒子的速度和位置，以得到新状态；计算新状态下粒子的第二个体极值和第二群体极值；比对第一个体极值和第二个体极值间的大小关系，根据比对结果接受第二个体极值，并记录当前最优解；在迭代次数未达到最大迭代次数时更新粒子的速度和位置，并返回计算新状态下粒子的第二个体极值和第二群体极值的步骤，直至迭代次数达到最大迭代次数：在迭代次数达到最大迭代次数后输出当前最优解，并判断当前最优解是否满足迭代终止条件；如果当前最优解满足迭代终止条件则将当前最优解作为全局最优解，并输出全局最优解；如果当前最优解不满足迭代终止条件则更新初始温度，并返回计算初始温度下粒子的第一个体极值和第一群体极值的步骤，直至输出全局最优解。

进一步地，根据比对结果接受第二个体极值，可包括：在第一个体极值小于或等于第二个体极值时，根据Metropolis准则接受第二个体极值；在第一个体极值大于第二个体极值时，直接接受第二个体极值。

更进一步地，在更新初始温度之后，还可包括：若更新后的初始温度降低到预设值则减小扰动。

具体而言，如图2所示，可根据以下步骤通过粒子群融合算法求解多目标函数以得到Pareto最优解集：

步骤1，计算初始温度下粒子的第一个体极值P

步骤2，根据第一个体极值P

步骤3，计算新状态下粒子的第二个体极值P

步骤4，如果P

步骤5，在迭代次数未达到最大迭代次数时更新粒子的速度和位置，并返回步骤2，直至达到最大迭代次数；

步骤6，在迭代次数达到最大迭代次数后输出当前最优解，并判断当前最优解是否满足迭代终止条件；

步骤7，如果当前最优解满足终止条件则将当前最优解作为全局最优解，并输出全局最优解，求解结束；

步骤8，如果当前最优解不满足终止条件则更新初始温度，执行步骤9；

步骤9，若更新后的初始温度降低到预设值则减小扰动，若没有则不作处理；

步骤10，返回步骤1，直至输出全局最优解为止。

多目标问题求解后获得的是Pareto最优解集，需要从Pareto最优解集中选择合适的一组解作为优化问题的最终解，从而得到无功补偿优化参数，本发明实施例在选择最终解时采用模糊满意度的决策方法，相应的表达式为：

其中，μ表示Pareto最优解集的满意度，其值越接近1越好，f

综上所述，本发明实施例的含分布式电源的配电网无功补偿优化方法，通过引入模拟退火算法的概率突变能力，在寻优计算时使每一个粒子均要经历退火过程，从而提高整个种群的寻优能力，解决了粒子群算法在优化计算时寻优能力差和容易陷入局部极值点的缺点；在进行配电网的无功补偿优化时考虑了分布式电源的无功调节能力，从而优化了无功补偿，改善了无功补偿效果；综合配电网的运行经济性和安全可靠性进行无功优化补偿，提高了配电网运行经济性，保证了配电网安全可靠运行。

对应上述实施例的含分布式电源的配电网无功补偿优化方法，本发明还提出一种含分布式电源的配电网无功补偿优化装置。

图3为本发明实施例的含分布式电源的配电网无功补偿优化装置的方框示意图。

如图3所示，该含分布式电源的配电网无功补偿优化装置包括第一建立模块10、第二建立模块20、融合模块30、求解模块40及优化模块50。

其中，第一建立模块10用于建立所述分布式电源的功率模型，其中，所述分布式电源的功率模型的参数中包括所述分布式电源的无功功率；第二建立模块20用于建立所述配电网无功补偿优化模型的多目标函数；融合模块30用于对模拟退火算法进行改进，并将粒子群算法与改进后的模拟退火算法进行融合，以得到粒子群融合算法；求解模块40用于以所述分布式电源的功率模型为约束，通过所述粒子群融合算法求解所述多目标函数，以得到所述配电网的无功补偿优化参数；优化模块50用于根据所述无功补偿优化参数对所述配电网进行无功补偿优化。

需要说明的是，该含分布式电源的配电网无功补偿优化装置的具体实施方式及实施原理可参见上述含分布式电源的配电网无功补偿优化方法的具体实施方式，为避免冗余，此处不再详细赘述。

本发明实施例的含分布式电源的配电网无功补偿优化装置，采用融合了改进后的模拟退火算法的粒子群算法，对配电网无功补偿优化模型进行多目标的寻优求解，并在寻优过程中考虑分布式电源的无功调节能力，提高了寻优能力，且改善了优化效果，从而可以提高配电网运行经济性，保证配电网的安全可靠性。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。