一种分布式电源接入配电网的节能降损优化方法

技术领域

本发明涉及配电网运行技术技术领域，特别是涉及一种分布式电源接入配电网的节能降损优化方法。

背景技术

线损是电力行业能源散耗的重要组成部分，其中配电网损失电量占比超过50％。并且随着新能源渗透率的提高和分布式发电接入配电网的比例大幅提高，线损的影响机制变得更加复杂，其对电力系统的影响已经不容忽视。其中分布式发电的容量和位置规划与线损联系密切。因此，合理配置DG(分布式发电装置；Distributed Generation)的安装位置和容量对于配电网的节能降损和实现电力领域的“碳中和”意义重大。

近年来，国内外诸多学者研究了DG的优化配置。申请号为CN201710006210.5的中国专利公开了一种考虑最大供电能力约束的配电网络优化降损重构方法，首先构建配电网最大供电能力指标的数学模型，根据此数学模型，通过变步长的连续潮流算法对配电网不同运行方式下的最大供电能力指标进行评估，得到配电网的最大供电能力；同时基于多场景法计及配电网不同负荷方式的变化，构建可综合考虑最大供电能力指标约束的配电网络降损重构模型，采用基于动态惯性权重调整的二进制粒子群算法，求解设定的重构时间段内的配电网络的重构方案。该发明方法可在实现配电网降损的同时，维持系统需求的供电能力裕度，有效保障复杂不确定性环境下配电网的供电可靠性。

但该降损重构方法针对单一的目标函数，对DG的接入位置和配置容量进行了优化。但是DG的选址定容是涵盖安全性、经济性、节能性的多目标优化问题，单目标优化得到的结果未必符合实际。

因此需要提供一种新的节能降损优化方法，充分考虑多种影响指标，对传统优化算法进行改进，形成包含高比例分布式电源的配电网的节能降损方案。

发明内容

基于以上问题，本发明提供了一种分布式电源接入配电网的节能降损优化方法。

为实现上述目的，本发明提供如下技术方案：

本发明提供了一种分布式电源接入配电网的节能降损优化方法，具体包括以下步骤：

S1、确定优化指标和约束条件，并进行指标量化，

所述优化指标至少包括：投资和运行成本C

S2、根据优化指标和约束条件，建立多目标优化模型；

S3、基于粒子群算法，引入惯性权重ω，进行迭代计算，获得帕累托前沿，进一步得到了分布式电源的接入位置和接入容量的优选方案。

优选地，在步骤S1中，投资和运行成本C

其中

优选地，所述配电网总有功网损loss的量化方法为：

其中M为系统的节点数量，

Loss

R+jX表示线路总阻抗，w％表示DG和配电所的距离与线路总长度的比值，P

P

优选地，所述的配电网电压安全稳定性L量化方法为：

其中，M为网络节点数；U

优选地，所述多目标优化模型为：

minF＝min{C

优选地，所述多目标优化模型的功率约束条件包括功率平衡约束、节点电压和电流约束、节点容量约束，其中具体包括：

功率平衡约束为：

其中Q

Q

Q

Q

节点电压和电流约束为：

U

I

其中，I

节点容量约束为：

P

P

优选地，将惯性权重ω引入到粒子群算法中，具体为：

其中，

其中，ω

本发明还提供了一种分布式电源接入配电网的节能降损优化系统，其特征在于：处理器，适于实现各种指令；存储设备，适于存储多条指令，所述指令适于由处理器加载并执行上述任一项所述节能降损优化方法的步骤。

与现有技术相比，本发明有以下优势：

本发明提出了一种分布式电源接入配电网的节能降损优化方法，考虑并量化了分布式电源的投资和运行成本、配电网的总有功网损、配电网电压安全稳定性三个指标，考虑指标全面具有代表性。建立模型更贴合实际，以上述三个指标为目标函数，以功率平衡约束、节点电压电流约束、节点容量约束为约束条件建立多目标优化模型。算法收敛性好，对传统粒子群算法进行改进，计算帕累托前沿，形成了包含高比例分布式电源的配电网的节能降损方案。对于DG在配电网中的优化配置具有重要的意义。

附图说明

图1是分布式电源接入配电网前后的区别示意图；其中图(a)为分布式电源未接入配电网，配电网呈简单放射状；图(b)为分布式电源接入配电网；

图2是IEEE标准33节点系统示意图；

图3是一种分布式电源接入配电网的节能降损优化方法的流程图；

图4是PSO算法优化前后目标函数的收敛曲线；

图5是33节点系统优化前后电压偏差图。

具体实施方式

为使本发明实施例的目的和技术方案更加清楚，下面将结合本发明实施例，对本发明的技术方案进行清楚、完整地描述。

实施例一

本发明提供了一种分布式电源接入配电网的节能降损优化方法，具体包括以下步骤：

S1、确定优化指标和约束条件，并进行指标量化，

所述优化指标至少包括：投资和运行成本C

接入分布式电源的成本包括投资成本和运行成本。对于运行成本，由于本文主要研究光伏发电和风力发电两种分布式发电机组，它们分别以免费的太阳能和风能作为燃料，因此运行成本只需要考虑机组每年的维护成本，无需考虑燃料成本。因此投资和运行成本C

其中

所述配电网总有功网损loss的量化方法为：

其中M为系统的节点数量，

Loss

R+jX表示线路总阻抗，w％表示DG和配电所的距离与线路总长度的比值，P

P

当不考虑DG时，通过电路的电流和有功损耗为：

当考虑DG的注入功率时，配电网网络损耗由配电所和DG段的损耗以及DG和负载段的线路损耗组成。可以推导出：

DG接入配电网中会改变原本电网中的电压分布，如果DG接入容量合适将会改善节点处的电压水平，反之，将会导致电压过高。因此本文定义了节点电压偏差来衡量电压偏移水平，所述的配电网电压安全稳定性L量化方法为：

其中，M为网络节点数，U

S2、根据优化指标和约束条件，建立多目标优化模型；

S3、基于粒子群算法，引入惯性权重ω，进行迭代计算，获得帕累托前沿，进一步得到了分布式电源的接入位置和接入容量的优选方案。

所述多目标优化模型为：

min F＝min{C

上式表示目标函数为建设运行成本、线损和电压偏差同时达到最小。得到的解不是一个数值，而是一组解集，该解集被称为帕累托前沿，其中每个解中至少有一个目标优于其他的解。

该多目标优化模型的功率约束条件包括功率平衡约束、节点电压和电流约束、节点容量约束，其中具体包括：

功率平衡约束为：

其中Q

Q

Q

Q

要求电压不能超过允许的波动范围，因此节点电压和电流约束为：

U

I

其中，I

为了防止电流反向移动引起继电保护装置误动作，每个节点的负荷功率应大于或等于DG的容量，节点容量约束为：

P

新能源渗透率过高将会增加电网的不确定性，导致电能质量下降，因此应该限制配电网中DG的比例，DG的渗透率为η：

P

将惯性权重ω引入到粒子群算法中，具体为：

其中，

其中，ω

实施例二

基于实施例一种提供的一种分布式电源接入配电网的节能降损优化方法，在此以具体示例来说明。

如图2所示，主要研究光伏发电和风力发电两种分布式发电机组，是IEEE标准33节点系统。随着技术的发展，一些分布式发电的功率因数可以达到1，因此本实施例分别将DG功率因数设置为0.9和1.0，功率因数变化相当于变化无功功率，调节无功功率，可以调节电压，优化该系统的DG的配置容量和接入位置。

该系统的额定电压为12.66kV，节点1处的电压为13.293kV。由于DG的接入位置越靠近负载端，电能损耗越小，因此候选节点主要选择距离负载端较近的节点，即12-18节点以及31-33节点。规定DG的安装总容量低于有功负载的20％，电压偏差在±0.5％以内。风力发电投资费用何维护费用分别为9000元/kW、0.43元/kW。光伏发电的投资费用和维护费用分别为12000元/kW、0.3元/kW。规定他们的使用年限都为20年，折现率为0.06。

具体包括以下步骤：

S1、确定优化指标和约束条件，并进行指标量化，

所述优化指标至少包括：投资和运行成本C

接入分布式电源的成本包括投资成本和运行成本。对于运行成本，由于本文主要研究光伏发电和风力发电两种分布式发电机组，它们分别以免费的太阳能和风能作为燃料，因此运行成本只需要考虑机组每年的维护成本，无需考虑燃料成本。因此投资和运行成本C

其中

分布式电源接入配电网前后的情况如图1所示。

所述配电网总有功网损loss的量化方法为：

其中M为系统的节点数量，

Loss

R+jX表示线路总阻抗，w％表示DG和配电所的距离与线路总长度的比值，P

P

当不考虑DG时，通过电路的电流和有功损耗为：

当考虑DG的注入功率时，配电网网络损耗由配电所和DG段的损耗以及DG和负载段的线路损耗组成。可以推导出：

DG接入配电网中会改变原本电网中的电压分布，如果DG接入容量合适将会改善节点处的电压水平，反之，将会导致电压过高。因此本文定义了节点电压偏差来衡量电压偏移水平，所述的配电网电压安全稳定性L量化方法为：

其中，M为网络节点数，U

S2、根据优化指标和约束条件，建立多目标优化模型；

S3、基于粒子群算法，引入惯性权重ω，进行迭代计算，获得帕累托前沿，进一步得到了分布式电源的接入位置和接入容量的优选方案。其流程图如图3所示。

所述多目标优化模型为：

min F＝min{C

上式表示目标函数为建设运行成本、线损和电压偏差同时达到最小。得到的解不是一个数值，而是一组解集，该解集被称为帕累托前沿，其中每个解中至少有一个目标优于其他的解。

该多目标优化模型的功率约束条件包括功率平衡约束、节点电压和电流约束、节点容量约束，其中具体包括：

功率平衡约束为：

其中Q

Q

Q

Q

要求电压不能超过允许的波动范围，因此节点电压和电流约束为：

U

I

其中，I

为了防止电流反向移动引起继电保护装置误动作，每个节点的负荷功率应大于或等于DG的容量，节点容量约束为：

P

新能源渗透率过高将会增加电网的不确定性，导致电能质量下降，因此应该限制配电网中DG的比例，DG的渗透率为η：

P

将惯性权重ω引入到粒子群算法中，具体为：

其中，

其中，ω

粒子群算法的基本参数设置如下：粒子群的数目为50；加速因子c

改进前后的粒子群优化过程收敛图如图4所示，可知改进后的粒子群算法的收敛速度比传统的算法要好，并且其全局搜索能力更强，从而验证了改进的粒子群算法对于本实施例具有很强的有效性。

未接入DG、DG功率因数为0.9以及DG功率因数为1.0三种场景下的网损和电压偏差结果如表1所示，最佳接入节点和容量如表2所示。由表1和表2可以发现：两种情况下的DG接入中功率都为总负荷的20％，即最大容许接入功率；安装节点差别不是很大；并且安装DG之后系统的网损显著减小，功率因数为0.9时的线损减少47％，功率因数为1时，线损较少了41％。图5为DG接入前后的节点电压偏差图，可见DG接入之后使得电压分布更加均匀。

表1三种场景的目标函数优化结果

表2 IEEE33节点优化结果

本发明还提供了一种分布式电源接入配电网的节能降损优化系统，其特征在于：处理器，适于实现各种指令；存储设备，适于存储多条指令，所述指令适于由处理器加载并执行上述任一项所述节能降损优化方法的步骤。

以上仅为本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。