一种基于不确定性的有源配电网重构方法
【技术领域】
[0001] 本发明设及一种重构方法，具体设及一种基于不确定性的有源配电网重构方法。
【背景技术】
[0002] 网络重构是一个对网络中联络开关和分段开关的开断状态进行切换调整的过程。 通过网络重构，使得新的拓扑网络能降低网损，提高运行可靠性。
[0003] 在重构过程中，时序影响和环境因素将不可避免地导致数据产生不确定性。运些 不确定性通常表现为负荷的波动、设备维护参数的波动等等。W负荷不确定性为例，在负荷 预测中常常需要用不确定的数值区间来描述未来一段时间的负荷。运样的数值更负荷客观 需求。而利用不确定数值得出的预测结果，在电网规划、风险分析、可靠性评估等方面更为 可靠和科学。
【发明内容】
[0004] 针对现有技术的缺陷，本文提出一种基于不确定性的有源配电网重构方法，对配 电网重构方法进行改进，合理地调节潮流分布，更符合实际需求的优化效果。 阳〇化]本发明的目的是采用下述技术方案实现的：
[0006] 一种基于不确定性的有源配电网重构方法，所述方法包括， 阳007] (1)构建网损及成本最小化的多目标重构模型；
[0008] (2)采用区间层次分析法处理该模型的负荷参数；
[0009] (3)结合二进制粒子群算法和包含DG的和声捜索算法，获取所述多目标重构模型 的最优解；所述最优解包括开关状态、DG的位置和出力大小。
[0010] 优选的，所述步骤（1)中多目标重构模型为：
[0011]
阳〇1引式（1)中，F为目标函数，Xi为二进制离散粒子群优化算法控制变量，S为HAS控 制变量；Wi、W2和W3分别为电量不足期望值、网损和开关操作的权重因子；W4和W5分别为电 压、电流约束项的惩罚因子；巧和&为节点i处电压区间值的上下界，写为节点i输出电 流的区间值上界；CT"和'为节点i电压上下界；为节点i最大输出电流，皆''为节点i最小输出电流；Pa,i为节点i处的平均负荷；[T1]为区间形式的年平均断电时间，N表示节 点数；[PtkJ为区间形式的总损耗，T为一年的时间常数，d为单位电价；q为单次操作费 用，N。。为操作次数。
[0013] 优选的，所述步骤（2)中采用区间层次分析法处理模型的负荷参数包括，当负荷 功率为[Pl]+i阳1]，则化]和阳1]的区间分别为巧胃，巧胃巧日松胃，避胃];其中，巧和巧-分别为节点i的注入有功功率上下界，这""和0,""分别为节点i的注入无功功率上下界； [0014] 当区间变量为[X]、[y]时，其上下限分别为X、心巧、王，则区间层次分析表达式 为： 阳01引
尚。
[0016] 优选的，所述步骤（3)中获取多目标重构模型的最优解包括；
[0017] 3-1输入初始开关状态，粒子群规模Npw和最大迭代次数tm。、;初始化二进制粒子 群优化算法中的变量和矢量，令迭代次数t= 0,生成粒子群，利用二进制粒子群算法输出 开关状态最优解；并将其保存为向量NodeIn化；
[0018] 3-2执行灵敏度分析，确定DG位置；
[0019] 3-3初始化HAS的变量、矢量和内存，利用所述向量NodeIn化生成服A的目标函 数；该目标函数自变量即为DG的出力；并通过HSA的DG优化定容，获取DG出力的和声矢 量。
[0020] 进一步地，所述步骤（3-1)中输出开关状态最优解具体包括：
[002Ua)将开关状态设为数组矩阵A，所述数组矩阵A中各元素取值为"1"或"0"，分别 表示开关断开和闭合；利用所述数组矩阵A计算原始网络适应度值，并将该值作为评价指 标；
[0022] b)生成原始网络的邻接支路矩阵和节点关联矩阵，从电源点开始捜寻由闭合开关 组成的环网，记录其开关编号，记作数组化J，生成粒子群；
[0023] 所述生成粒子群的方法包括，断开数组化J各环网中的任一开关，使其变为开环； 当所有环网均为开环时，生成新的粒子Xi;循环步骤化），直到粒子群规模达到预定标准；
[0024]C)制定约束条件，避免数组化J中各环网存在重叠；
[0025] d)验证开关状态最优解的拓扑可行性，并计算适应度值，若优于历史最优值则更 新评价指标；
[0026]e)重复步骤（d)和（e)，直到达到最大迭代次数tm。、，输出开关状态最优解和相应 拓扑图。 阳027] 进一步地，所述步骤化）中的粒子群包括位移矢量Xi和速度矢量V i;所述速度矢 量Vi影响位移矢量发生变化，其概率为： 阳 02 引{Xi}，IvJ (i=1，2,3. ..D)做
[0029] 式（3)中，D为粒子的维度；
[0030] 开环过程中，粒子群各粒子的位移矢量与速度矢量的关系表达式为： 123 .(.+D=If严。城 (1 ;? <S巧moid(v,(〇) 2 式（4)中，r为预设阔值，默认取值0.5 ;Sigmoid为S型生长函数。 3 进一步地，所述步骤（3-2)中执行灵敏度分析，确定DG位置具体包括，定义支路k 至k+1之间的损耗对节点k有功的灵敏度为邱。+ /巧，则：
[0034]
试
[0035]式巧）中，Pk为节点k的有功功率，Rk为下游支路电阻，V k为节点k电压幅值。
[0036] 进一步地，所述步骤（3-3)中获取DG最优出力的和声矢量具体包括下述步骤：
[0037] 4-1所述DG出力的和声矢量，包括和声记忆库HM，和声记忆库容量歷S、记忆库考 虑概率HMCR，调距速度PAR和算法迭代次数NI;
[0038] 4-2将所述调距速度PAR定义为一个变量，其表达式为；
[0039] PAR = (PARmax-PARm J X (tu/tmJ +PARmm做 柳4〇]式（6)中，PARmm和PARmax分别为PAR的上下界，t。为当前迭代次数，tmax为最大 迭代次数； 阳0川重新定义变量PAR的距离带宽bw，如下式所示：
[0042]多W三臟、X f'W' (巧
[0043]
姑） W44] 其中，bWmi。和bWm。、分别表示bw的上、下界；n用于调节bw的相关系数； W45] 4-3所述PAR和bw随着声记忆库容量HAS的迭代自动更新；根据式（7)和做更 新和声记忆库歷；
[0046] 4-4若当前迭代次数小于最大迭代次数tm。、则返回步骤（4-3);否则结束迭代，并 输出当前最优解。
[0047] 进一步地，所述步骤（d)验证开关状态最优解的拓扑可行性包括下述步骤：
[0048] d-1构建节点关联矩阵B，计算B中所有节点的连接度，若其中包含连接度为0的 节点，即表示该网络中含有孤立节点，则不可行； W例 d-2若未包含连接度为0的节点，则删除网络中连接度为1且编号最大的节点，即 删除该点对应的行与列，返回步骤d-1，直到剩余两个节点；
[0050] d-3若剩余的两个节点连接度均为1表示该网络不含孤岛，则可行；否则不可行。
[0051] 与现有技术相比，本发明达到的有益效果是：
[0052] (1)在考虑负荷和设备参数不确定性的基础上，将DG出力与开关状态量相结合， 考虑了网损、可靠性、操作费用多个目标。
[0053](2)通过分两步采用二进制离散粒子群优化算法与HSA算法，将整型变量与连续 变量分开处理，有效地解决了含分布式电源的网络重构问题。
[0054] (3)在二进制离散粒子群优化算法中，引入有针对性的拓普分析方法辅助筛选可 行解，提升了计算效率。
【附图说明】 阳化5] 图1为一种基于不确定性的有源配电网重构方法流程图。
【具体实施方式】
[0056] 下面结合附图对本发明的【具体实施方式】做进一步的详细说明。
[0057] 如图1所示，在此基础上，引入了区间分析来处理参数的不确定性。
[0058] 一种基于不确定性的有源配电网重构方法，所述方法包括，
[0059] (1)构建网损及成本最小化的多目标重构模型；具体包括最小化网损、最小化供 电不足期望巧xpected化ergyNotServe,EEN巧和最小化开关操作费用；
[0060] 步骤（1)中多目标重构模型为：
[0061]
狂）
[00创式（1)中，F为目标函数，Xi为二进制离散粒子群优化算法控制变量，S为HAS控 制变量；Wi、W2和W3分别为电量不足期望值、网损和开关操作的权重因子；W4和W5分别为电 压、电流约束项的惩罚因子；氏和Ui为节点i处电压区间值的上下界，辜为节点i输出电流 的区间值上界；巧m"和JT,"…为节点i电压上下界；为节点i最大输出电流，野为节点i最 小输出电流；Pg,i为节点i处的平均负荷；[Tl]为区间形式的年平均断电时间，N表示节点 数；[PthJ为区间形式的总损耗，T为一年的时间常数，d为单位电价；q为单次操作费用， N。。为操作次数。
[0063] (2)采用区间层次分析法处理该模型的负荷参数；引入了区间分析从而处理参数 的不确定性。 W64] 步骤似中，采用区间层次分析法处理模型的负荷参数包括，当负荷功率为
[Pi]+i阳1]，则化]和阳1]的区间分别为巧min,早气和的-n，绍;其中，巧mi"和野胃分别为节 点i的注入有功功率上下界，gmm和分别为节点i的注入无功功率上下界； W65] 当区间变量为[X]、[y]时，其上下限分别为？、心7、王，则区间层次分析表达式 为： 村+|_'別=|_立+互，了十刃 「 1 时-[>'】 =[互-7.，万-主] ,。、 阳066] < [.中山']=阿虹(杳.马，毎'玉巧心3乂(而哩，毎.玉巧] 一。 W/W=L王，了Hi局，]/互] 仍￡六）
[0067] (3)结合二进制粒子群算法度inaryParticleSwarmOptimization,BPSO)和包 含DG的和声捜索算法，获取所述多目标重构模型的最优解；所述最优解包括开关状态、DG 的位置和出力大小。
[0068] 步骤（3)中获取多目标重构模型的最优解包括；
[0069] 3-1输入初始开关状态，粒子群规模Npw和最大迭代次数tm。、;初始化二进制粒子 群优化算法中的变量和矢量，令迭代次数t= 0,生成粒子群，利用二进制粒子群算法输出 开关状态最优解；并将其保存为向量NodeIn化；步骤（3