一种基于改进粒子群优化算法的集群划分方法和装置

技术领域

本发明涉及配电网技术领域，具体的说，涉及了一种基于改进粒子群优化算法的集群划分方法和装置。

背景技术

在多元化、清洁化、低碳化的新形态能源转型背景下，我国全力推进新旧能源转化，大力发展以光伏为代表的分布式清洁能源，然而高渗透率分布式光伏接入导致配电网供电可靠性降低、电能质量恶化、配电网运行经济性和安全性降低，所以急需通过有效的调控手段实现高比例分布式光伏的充分消纳和优化运行，以保证电网安全、经济、高效运行。由于分布式光伏分布的分散性以及出力的随机性，使用传统的集中调控模式控制分布式光伏对系统通信与计算能力要求较高，并且控制复杂，而逐渐发展的集群调控模式为分布式光伏经济、高效的接入电网指明了方向。

集群概念源自于计算机领域，后被德国学者应用于电力系统，其将多个风电站划分为一个集群，利用集群内部的协调关系应对多台风电机组大规模并网的影响电压质量问题。后来国内学者以物理距离为依据对分布式电源进行集群划分，但并未考虑节点之间的电气耦合性，集群划分效果不佳。

薛峰等人在大规模间歇式能源发电并网集群协调控制框架一文中提出将物理距离近与节点相似性强的分布式电源并入一个集群，其考虑了节点之间的电气相似性从而提高系统接纳新能源的能力。随后越来越多的学者将节点间的电气相似性作为集群划分的准则，并结合社团发现算法、聚类分析算法以及改进智能算法求得集群划分最优解。于琳等人在改进粒子群优化算法及其在电网无功分区中的应用一文中采用粒子群优化算法(PS0)对电网节点进行集群划分，以模块度为标准评价集群划分结果，由于其惯性常数在迭代寻优时为定值，容易导致寻优过程过早收敛陷入局部最优。

为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

发明内容

本发明的目的是针对现有技术的不足，从而提供了一种基于改进粒子群优化算法的集群划分方法和装置。

为了实现上述目的，本发明所采用的技术方案是：一种基于改进粒子群优化算法的集群划分方法，包括以下步骤：

基于分布式光伏电网的系统信息，建立分布式光伏电网集群划分综合性能指标

根据建立的集群划分综合性能指标，采用基于惯性权重线性递减策略的改进BPSO算法进行迭代寻优，输出集群划分结果。

优选的，基于惯性权重线性递减策略的改进BPSO算法进行迭代寻优，输出集群划分结果的具体步骤：

设置参数初始值，生成初始种群；

依照集群划分综合性能指标计算各粒子的适应度函数值，将各粒子当前位置的适应度值分别与局部最优粒子适应度值、全局最优粒子适应度值作比较，将适应度值大的粒子作为局部最优粒子与全局最优粒子；

根据w＝w

根据

根据

判断是否达到设置的迭代次数，如果未达到，则继续进行迭代；如果达到，则输出划分结果。

本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明在模块度划分标准基础上，引入群内源荷有功匹配度与群内源荷无功匹配度两个指标，提出不仅可以反映各节点之间电气耦合性的强弱，并且可以表征群内源荷有功、无功匹配度的集群划分综合性能指标，并进一步构建了基于集群划分综合性能指标的集群划分优化模型，从而使划分结果拥有更好的群内源荷有功匹配度和群内源荷无功匹配度；然后基于惯性权重递减策略提出惯性权重动态变化的改进二进制粒子群优化算法，以优化粒子位置与速度的更新进程，促进优化过程收敛至更佳的全局最优解，进一步改善集群划分效果。

附图说明

图1是本发明基于改进粒子群优化算法的集群划分方法的流程示意图。

图2是IEEE33节点光伏接入拓扑图。

图3是IEEE33节点基于集群划分综合性能指标的集群划分结果示意图。

图4是IEEE33节点基于模块度指标的集群划分结果示意图。

图5是惯性权重对适应度值影响图。

图6是某地域10kV110节点光伏接入拓扑图。

图7是10kV110节点基于集群划分综合性能指标的集群划分结果图。

具体实施方式

下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。

实施例1

本实施例提供一种基于改进粒子群优化算法的集群划分方法，如图1所示，包括以下步骤：

基于分布式光伏电网的系统信息，建立分布式光伏电网集群划分综合性能指标

其中，ρ为模块度指标、

根据建立的集群划分综合性能指标，采用基于惯性权重线性递减策略的改进BPSO算法进行迭代寻优，输出集群划分结果。

在具体实施时，所述集群划分综合性能指标的建立步骤如下：

输入需要进行集群划分的分布式光伏电网的系统信息，所述系统信息包括拓扑结构、各支路阻抗值、负荷节点功率和光伏节点出力；

采用牛顿拉夫逊方法对该分布式光伏电网进行潮流计算，提取出雅可比矩阵中的无功电压灵敏度矩阵，计算电气距离矩阵和权重矩阵，基于获得的权重矩阵建立基于电气距离的模块度指标ρ；

模块度指标的计算公式为

A

以t时刻各个集群内可提供的有功功率供应值和有功功率需求值，计算各个集群的有功平衡度

其中，P

基于获取的各个集群的有功平衡度，计算集群的平均有功平衡度，作为系统的源荷有功平衡度指标

以t时刻各个集群内可提供的无功功率供应值和无功功率需求值，计算各个集群的无功平衡度

其中，Q

基于获取的各个集群的无功平衡度，计算集群的平均无功平衡度，作为系统的源荷无功平衡度指标

将模块度指标、源荷有功平衡度指标和源荷无功平衡度指标进行加权组合，得到综合性能指标

可以理解，本实施例在模块度划分标准基础上，引入群内源荷有功匹配度与群内源荷无功匹配度两个指标，提出不仅可以反映各节点之间电气耦合性的强弱，并且可以表征群内源荷有功、无功匹配度的集群划分综合性能指标，并进一步构建了基于集群划分综合性能指标的集群划分优化模型，从而使划分结果拥有更好的群内源荷有功匹配度和群内源荷无功匹配度。

进一步的，采用基于惯性权重线性递减策略的改进BPSO算法进行迭代寻优的具体步骤如下：

设置参数初始值，生成初始种群；

依照集群划分综合性能指标计算各粒子的适应度函数值，将各粒子当前位置的适应度值分别与局部最优粒子适应度值、全局最优粒子适应度值作比较，将适应度值大的粒子作为局部最优粒子与全局最优粒子；

根据w＝w

根据

根据

判断是否达到设置的迭代次数，如果未达到，则继续进行迭代；如果达到，则输出划分结果。

可以理解，惯性权重的变化会影响粒子群算法的收敛速度与集群划分效果，且集群划分效果与惯性权重无明显规律，因此为平衡粒子的寻优能力，本实施例采用权重线性递减策略对算法的惯性权重进行动态调整，以优化粒子位置与速度的更新进程，促进优化过程收敛至更佳的全局最优解，进一步改善集群划分效果。

实施例2

本实施例应用实施例1提出的基于惯性权重动态变化的改进BPSO算法对分布式电源接入的IEEE33节点系统、某县域10kV实际馈线系统进行集群划分，以分析集群划分综合性能指标以及惯性权重动态变化等因素对集群划分结果的影响。

(1)IEEE33节点算例分析

IEEE33节点配电系统结构如图2所示，此系统中负荷节点32个，光伏电源节点15个，光伏安装总容量为5.3684MW，网络所需总负荷为3715+j2300kVA。

设置BPSO算法的初始参数，其中，粒子数为50，学习因子c

按照上述参数设置对该系统进行集群划分。

(1.1)指标权重对集群划分的影响

实施例1中粒子群算法的适应度函数为获取的集群划分综合性能指标，该集群划分综合性能指标综合考虑模块度、群内源荷有功匹配度、群内源荷无功匹配度三个指标，并给每个指标赋予了一定的权重。

每个指标被赋予的权重大小可能会受主观因素影响，为了研究不同指标权重情况下的集群划分效果，设置某一指标相对其余两个指标更为重要来进行赋权，划分完成后所得结果如下表所示，其中1号赋权方式中模块度所占比重最大，2号赋权方式中源荷有功匹配度所占权重最大，3号赋权方式中源荷无功匹配度最大。

表1指标权重对集群划分影响表

从3个指标角度分析三种赋权方式，可以看出，2号赋权方式下，其有功匹配度指标值为1，即表明集群内部可提供的有功容量可以充分满足群内负荷的有功需求，虽然方式1与方式2的

且当模块度所占权重较大时，集群划分综合性能指标适应度值为0.803；当群内有功匹配度所占权重较大时，集群划分综合性能指标适应度值为0.875；群内无功匹配度所占权重较大时，适应度值为0.805。对比可知2号赋权方式集群划分适应度值最高，综合考虑三种赋权方式，2号赋权方式集群划分效果最佳，为此本实施例采用2号赋权方式进行集群划分。

集群划分结果(0节点为平衡节点，不参与集群划分)如图3所示。

(1.2)指标类型对集群划分的影响

目前大部分集群划分研究均以模块度指标为标准进行划分，为探究基于集群划分综合性能指标进行集群划分方法的有效性，本节分别用两种方法(方法1的集群划分指标仅考虑模块度指标，方法2的集群划分指标综合考虑模块度指标、群内源荷有功匹配度指标和群内源荷无功匹配度指标)进行集群划分，并对划分结果进行对比分析。

方法1划分结果如图4所示，方法2划分结果如图3所示。

所得结果如下表所示。

表2指标类型对集群划分影响表

由上述划分结果可知，方法1集群划分所得集群个数为7个，当使用集群划分综合性能指标进行集群划分后，集群划分个数有所下降，虽然方法2所得模块度相比方法1下降了1.5％，但通过方法2进行集群划分所得

这是由于方法2在依据模块度进行集群划分的同时，综合考虑了群内负荷有功、无功需求量与光伏可提供有功、无功的能力，使群内的供应量尽可能的满足需求量，从而使相应指标值提高。

(1.3)惯性权重动态变化对集群划分的影响

基于集群划分综合性能指标使用两种方法(方法1惯性权重为常量0.4，方法2惯性权重动态变化)对配电网节点进行集群划分，研究惯性权重动态变化对划分结果的影响，所得结果见图5、表3。

由图5可知，当惯性权重保持为0.4不变时，基于集群划分综合性能指标进行集群划分所得适应度值为0.8651；当惯性权重动态变化时所得适应度值为0.8757，适应度值提高了1.2％，即基于模块度、群内源荷有功匹配度与群内源荷无功匹配度3个指标进行集群划分，惯性权重动态改变可改善集群划分效果。

由表3可知，方法2对模块度的改善影响最大，方法2的模块度比方法1提高4.3％，即用方法2进行划分集群内部各节点之间耦合性更好，划分效果优于基于单一模块度指标的集群划分结果。

表3惯性权重动态变化对适应度值影响表

(2)某县域10kV馈线系统算例分析

采用线性权重动态变化的改进BPSO算法对某县域10kV馈线110节点系统进行集群划分，此系统包含负荷节点109个，光伏接入节点16个，光伏安装总容量为1.7323MW，网络所需总负荷为1642+j918kVA。馈线系统结构及光伏接入情况如图6所示。

设置粒子数为50，学习因子c

(2.1)指标类型对集群划分的影响

本节基于两种方法(方法1基于单一模块度指标进行划分，方法2基于集群划分综合性能指标进行划分；)对此配网节点进行集群划分，所得结果见表4。

表4指标类型对集群划分影响表

由上述划分结果可知，方法1集群划分所得集群个数为10个，当使用集群划分综合性能指标进行集群划分后，集群划分个数有所下降，虽然方法2所得模块度相比方法1下降了6.5％，但通过方法2进行集群划分所得

可以看出，方法2所得集群划分结果大幅度提高了群内源荷有功与无功的匹配度，可减小各集群之间有功、无功的流动量，从而降低网损，验证了本发明集群划分方法的有效性及优越性。

具体的，方法2所得集群划分结果如图7所示。

(2.2)惯性权重动态变化对集群划分的影响

本节基于集群划分综合性能指标使用两种方法(方法1惯性权重为常量0.4，方法2惯性权重动态变化)对实际配电网110节点进行集群划分，研究惯性权重动态变化对实际配电网集群划分结果的影响，所得结果如表5所示。

表5惯性权重动态变化对适应度值影响表

由表5可知，当惯性权重保持为0.4不变时，基于集群划分综合性能指标进行集群划分所得适应度值为0.6997；当惯性权重动态变化时所得适应度值为0.7191，适应度值提高了2.8％。且在实际配网中，惯性权重动态改变对三个指标值均有不同程度的改善，方法2集群划分结果的模块度值、群内源荷有功匹配度值与群内源荷无功匹配度值分别比方法1提高1.4％、4.4％、1.1％，即用方法2进行划分集群内部各节点之间耦合性更好，且各集群内部的功率平衡效果更优。

显然，与仅依靠模块度进行集群划分相比，将本发明所提集群划分方法应用至IEEE33节点系统，所得结果中φ

与惯性权重为常数时相比，基于集群划分综合性能指标将惯性权重动态变化BPSO算法应用至IEEE33节点系统，所得结果中ρ和φ

实施例3

本实施例提供一种基于改进粒子群优化算法的集群划分装置，包括：

性能指标建立模块，用于基于分布式光伏电网的系统信息，建立分布式光伏电网集群划分综合性能指标；

粒子群划分模块，用于根据建立的集群划分综合性能指标，采用基于惯性权重线性递减策略的改进BPS0算法进行迭代寻优，输出集群划分结果。

实施例4

本实施例提供一种计算设备，其特征在于：包括：

一个或多个处理单元；

存储单元，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或多个处理单元执行如实施例1所述的基于改进粒子群优化算法的集群划分方法的步骤。

实施例5

本实施例提供一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现如实施例1所述的基于改进粒子群优化算法的集群划分方法的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。