一种基于粒子群算法的城市能源互联网下的配电网规划方法与流程

本发明属于城市能源互联网规划技术领域，具体涉及一种基于粒子群算法的城市能源互联网下的配电网规划方法。

背景技术：

随着城市的发展、社会的进步，以传统能源为主的城市电网结构呈现出功能单一、低效滞后的特点，已无法满足人民对更好生活与生产的追求。在时代背景下，新兴的能源互联网日益发展壮大，成为今后发展目标。

能源互联网是综合利用先进的信息技术、管理技术和电力电子技术等，以网络技术作为支撑，以电力网络作为核心，把太阳能、风能等新型分布式可再生能源作为消费主体，实现信息网络、电力网络、交通网络、天然气网络等的多种网络、多种能量的系统。以此用来提高能源利用率，促进能源结构调整，达到电网智能化、高效化。在能源互联网大力发展的今天，需要城市配电网的升级与更新，因此，基于城市能源互联网的智能化配电网规划问题亟待解决。

与传统配电网规划相比，智能化配电网是一个复杂系统的优化规划问题，面临着许多难题。包括分布式电源、柔性负荷的接入与解耦，线路的选择与架设，多种网络的连接与互动等，这些都需要全面考虑，认真规划。与现行规划缓慢，缺少新形式下能源结构相比，本发明全面考虑各种问题，应用基于粒子群的规划方法，提高了规划的收敛精度以及加快了搜索速度。

技术实现要素：

针对上述问题，本发明提出一种基于粒子群算法的城市能源互联网下的配电网规划方法，旨在考虑分布式电源的情况下，规划智能配电网，做到变电站定址选容，线路选择架设等，实现基于城市能源互联网下的配电网智能化

实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于粒子群算法的城市能源互联网下的配电网规划方法，其特征在于，所述配电网规划方法包括以下步骤：

(1)根据城市规划与经济发展要求，获取城市能源互联网下的配电网规划数据库；

(2)建立城市能源互联网下的负荷预测数学模型；

(3)对变电站进行选址；

(4)基于粒子群算法进行线路优化设计；

(5)能源与信息双向流动互动优化。

本发明进一步包括以下优选方案：

在步骤(1)中，城市能源互联网的配电网规划数据库包括现状电网形状、现状电网数据，集中式电源规划下的发电容量、分布式电源规划下的发电容量；所述集中式电源规划下的发电电容包括已经建成的集中式电源发电容量加上规划中的集中式电源发电容量，分布式电源规划下的发电容量包括已经建成的集中式电源发电容量加上规划中的分布式电源发电容量；

其中，现状电网形状、现状电网数据由网架结构、设备参数、统计数据组成；集中式电源包括火力发电、热电联产天然气；分布式电源包括自然资源下的光能、风能。

在步骤(2)中，在满足城市能源互联网的需求下，所述城市电网下的负荷预测数学模型为：

式中：lp(t)为时刻t的全配电网的用电负荷；λ(t)为预测的同时率(即全配电网综合最高负荷与全配电网各组成单位的绝对最高负荷之和的比率)；s(i)为时刻t的第i块用地面积；num为全配电网区域范围内的所有用地块数；ρ(i)为在考虑风险时时刻t的第i块土地的负荷密度；pj(t)为全配电网区域范围内第j个分布式电源在时刻t的出力；n为全配电网区域范围内的分布式电源数量；pv(t)为全配电网区域范围内某种类型电动汽车在时刻t的充电量；m为电动汽车的种类数；nv为某种类型下的电动汽车的数量；kv(t)为时刻t该类型电动汽车接入充电的比例；

同时在考虑由风险带来的波动影响到负荷预测结果为:

lp'(t)∈[lp(t)-r,lp(t)+r](2)

式中：lp’(t)为时刻t的全配电网的最终用电负荷；r为全部风险对负荷预测带来的影响。

所述电动汽车的类型划分为出租车、私家车、公务用车。

全部风险对负荷预测带来的影响r取值为相对于lp(t)的比例10％到20％。

在步骤(3)中，对变电站进行选址，具体包括以下内容：

根据权利要求3计算的负荷数据，通过了解此地区的地形、用地类型等情况，最终确定变电站位置。

所述地形包括平原、高原、丘陵、盆地、山地五种类型；

用地包括耕地、林地、草地、建设用地四种类型。

在步骤(4)中，所述基于粒子群算法的线路优化设计具体包括以下步骤：

4.1按照式(3)初始化种群速度与位置，把种群规模设定为b，粒子维数为d

xad＝rand(xmax-xmin)+xmin(3)

式中：xmax、xmin分别为控制变量最大、最小值；

4.2计算环形网络各潮流，按结果选择线路类型，其中，所述潮流包括功率、电流、电压，线路类型包括放射式、干线式、链式、环式；

4.3按目标函数式(4)计算种群适应度值

式中：h为配电网架设线路的数量；α、β为权重因子，代表投资建设的费用与损耗费用在配电网投入运行中的比重，α+β＝1；c1i为第i条线路投资回收率与设备折旧维修的资金率；c2i为配电网单位电价；ti为建设第i条线路的费用；xi为第i条线路是否投入建设，投入则取值为1，否则取值为0；τmaxi为最大负荷利用小时数；△p为第i条线路有功损耗；a1为非环状网络的非环状惩罚系数；a2为过负荷惩罚系数；l为过负荷；其中，a1的取值范围为(0,1)，a2的取值范围为(0,1)；

4.4按式(5)更新粒子速度，按式(6)更新粒子位置，获得粒子群个体最优解pad和种群全局最优解pgd；

式中:ω为惯性权重；t、t+1为迭代次数；c1、c2为加速因子；rand1()、rand2()为[0,1]范围内的任意随机数；vad为速度，xad为位置，pad为个体最优解标记；pgd为全局最优解标记；其中，；c1、c2的取值范围为(0,4)；

4.5检测粒子更新后网络结构状态，若为非环状形，则按式(4)设定函数适应度值为a1，若满足环状形，则选择相应线路，重新计算各线路潮流，得到适应度值；

4.6判断种群是否达到最大迭代次数，若是，停止运算，否则返回步骤4.3循环计算。

在4.4中，c1、c2均优选等于2。

在步骤(5)中，具体为：

将规划好的城市配电网以具有逻辑关系的电力电子器件连接起来，以信息互联网为控制系统，按需接入用户，随时保持接通与断开，同时控制电源端的发电量，达到高效、环保的目的。

本发明具有以下有益的技术效果：

本发明较传统配电网规划方法，基于粒子群算法由较准确的收敛精度、较快的搜索速度。

附图说明

图1为本发明基于粒子群算法的城市能源互联网下的配电网规划方法流程图；

图2为本发明一种实施例中的基于粒子群算法的线路优化过程图；

图3为本发明一种实施例中的能源与信息双向流动互动示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一种基于粒子群算法的城市能源互联网下的配电网规划方法，具体实施步骤如图1。

步骤(1)：根据城市规划与经济发展要求，获取城市能源互联网下的配电网规划数据库；

城市能源互联网的配电网规划数据库包括现状电网形状、现状电网数据，集中式电源规划下的发电容量、分布式电源规划下的发电容量等。现状电网形状、现状电网数据由网架结构、设备参数、统计数据组成；集中式电源主要为火力发电、热电联产天然气等，分布式电源主要为自然资源下的光能、风能等。

步骤(2)：建立城市能源互联网下的负荷预测数学模型；

建立城市能源互联网下的负荷预测数学模型，在满足城市能源互联网的需求下，全面考虑规划范围内电动汽车充电桩数量，同时考虑规划范围内电动汽车的充电方式与时空分布，城市电网规划的电力负荷预测数学模型为

式中：lp(t)为时刻t的全配电网的用电负荷；λ(t)为预测的同时率；s(i)为时刻t的第i块用地面积；num为区域范围内的土地数；ρ(i)为在考虑风险时时刻t的第i块土地的负荷密度；pj(t)为第j个分布式电源在时刻t的出力；n为区域范围内的分布式电源数量；pv(t)为电动汽车在时刻t的充电量；m为电动汽车数量；nv为电动汽车的种类；kv(t)为时刻t电动汽车接入的比例。

同时在考虑由风险带来的波动影响到负荷预测结果为:

lp'(t)∈[lp(t)-r,lp(t)+r](2)

式中：lp’(t)为时刻t的全配电网的最终用电负荷；r为全部风险对负荷预测带来的影响。

对一块区域土地按照用地性质进行划分，其中λ(t)取值范围为(0,1)，根据传统用电负荷特性，可选择0.75，土地数设定为8，s(i)为与ρ(i)取值如表1。在考虑了分布式电源、电动汽车、需求侧风险波动对负荷预测带来的影响后，如表2、表3、表4。

表1

表2

表3

最终确定在能源互联网下的负荷预测值为[675248.904，940179.096]，如表4。

表4

步骤(3)变电站选址；

根据步骤(2)计算的最终负荷预测数据，将规划区域的几个地点作为可建变电站的预选地址，并进行编号1、2、3，提取各地点特征、负荷预测结果、负荷位置及其他相关数据，最终确定1号地点作为建设变电站的地址。

步骤(4)基于粒子群算法的线路优化设计；

基于粒子群算法的线路优化设计如图2所示，具体过程为：

a.按照式(2)初始化种群速度与位置，把种群规模设定为b，粒子维数为d，以及其他参数；

xad＝rand(xmax-xmin)+xmin(2)

式中：xmax、xmin分别为控制变量最大、最小值。

b.计算环形网络各潮流，按结果选择线路类型；

c.按目标函数式(3)计算种群适应度值

式中：h为配电网架设线路的数量；α、β为权重因子，代表投资建设的费用与损耗费用在配电网投入运行中的比重，α+β＝1，c1i为投资回收率与设备折旧维修的资金率；c2i为配电网单位电价；ti为建设第i条线路的费用；xi为第i条线路是否投入建设；τmaxi为最大负荷利用小时数；△p为线路i有功损耗。a1为非环状网络的非环状惩罚系数；a2为过负荷惩罚系数；l为过负荷。a1的取值范围为(0,1)，a2的取值范围为(0,1)。

d.按式(4)更新粒子速度，按式(5)更新粒子位置，获得粒子群个体最优解pad和种群全局最优解pgd；

式中:ω为惯性权重；t、t+1为迭代次数；c1、c2为加速因子；rand1()、rand2()为[0,1]范围内的任意随机数；vad为速度，xad为位置，pad为个体最优解标记；pgd为全局最优解标记。

e.检测粒子更新后网络结构状态，若为非环状形，则按式(3)设定函数适应度值为a1，若满足环状形，则选择相应线路，计算各线路潮流，得到适应度值；

f.判断种群是否达到最大迭代次数，若是，停止运算，否则继续从步骤c循环计算。

根据前期数据，h根据线路实施更新；α、β根据不同线路的特点选择不同数值，并满足α+β＝1；c1i＝0.147，c2i＝0.5；ti根据线路的不同确定其费用数值；xi取值0或1，0代表线路未被选中，1代表线路投入运行；τmaxi取4000；△p根据线路确定；a1取值0.4；a2为0.2；l根据潮流计算结果更新。

粒子群算法中，种群规模设定为40，粒子维数为60；xmax、xmin分别取值0.94、0.37，ω为0.8线性递减到0.45，c1＝2，c2＝2.2，粒子群最大迭代次数取值取100，vad、xad、pad、pgd在计算过程中实时更新。

通过计算，最终完成线路优化。

步骤(5)能源与信息双向流动互动优化；

将规划好的城市配电网以具有逻辑关系的电力电子器件连接起来，以信息互联网为控制系统，按需接入用户，随时保持接通与断开，同时控制电源端的发电量，达到高效、环保的目的，如图3所示。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。