一种含分布式电源的配电网分层规划方法与流程

本发明属于电力系统配电网规划领域，具体涉及基于混合粒子群优化的含分布式电源(distributedgeneration)的配电网系统分层规划方法。

背景技术：

随着传统化石能源的消耗殆尽，以及温室气体、pm2.5等极微颗粒的高排放等严重环境污染问题的出现，配电网中并入了大量的如光伏、风机等清洁型的分布式电源(distributedgeneration，简称dg)，这将对配电网的规划和运行产生一定的影响，提升电网规划难度，同时对配电网运行的可靠性提出了挑战。近年来，含dg的配电网规划研究成为热点，多种算法如遗传算法、文化算法、粒子群算法等应用于电网规划中，并取得了一定研究成果。但是很少有文献将分层规划与dg的容量分配结合考虑，缺乏一个规范、标准的模型，使得求解困难且精确度也不高。

技术实现要素：

本发明公开的一种含分布式电源的配电网分层规划方法目的是：提供一种基于混合粒子群优化的含分布式电源的配电网分层规划方法，实现最优的网架结构和多元电源容量配置。

本发明目的是通过下述技术方案实现的。

本发明公开的一种含分布式电源的配电网分层规划方法实现方法为：以配电网年最小综合投资运行成本为目标建立多目标优化模型，其中多个优化目标包括五个不同的费用成本。将建立的多目标优化模型转化为分层规划模型，上层规划以线路年综合投资运行费用最小为目标建立目标函数，求解线路决策变量，得出最佳网架结构，传递给下层；下层规划在上层网架的基础下，以分布式电源dg(distributedgeneration)年均投资建设和运行维护成本、线路网络损耗成本、向上级网络购电成本和接入dg避免的环境污染治理成本合计最小建立目标函数。利用模拟退火算法对粒子群算法中各粒子速度计算进行改进形成混合粒子群协同优化算法，简称psco，利用psco优化算法对上下层模型进行求解，得到最终网架结构和dg接入位置与容量配置。本发明提出的规划方法比传统规划方法具有更低的年综合经济成本，更稳定的系统电压水平，提高供电可靠性。

本发明公开的一种含分布式电源的配电网分层规划方法，包括如下步骤：

步骤一：以配电网最小年综合投资运行成本为目标建立多目标优化模型，其中多个优化目标包括网架结构规划年平均投资成本、分布式电源dg(distributedgeneration)年均投资建设和运行维护成本、线路网络损耗成本、向上级网络购电成本和接入dg避免的环境污染治理成本五个不同的费用成本。

以配电网最小年综合投资运行成本为目标建立多目标优化数学模型。其中多个目标包括网架结构规划年平均投资成本、dg年均投资建设和运行维护成本、线路网络损耗成本、向上级网络购电成本和接入dg避免的环境污染治理成本五个不同的费用成本。模型如下

mincall＝cline+cdg+closs+cen-udg(1)

式中：cline为网架结构年平均建设投资费用，cdg为并入dg的年平均投资建设和运行维护成本，closs为线路网络损耗费用，cen为向上级网络的购电费用，udg为由于分布式电源的并入而节省的环境污染治理成本。

所述的多个优化目标约束条件包括不等式约束条件和等式约束条件：

不等式约束条件(一)如下：

1)电压约束

|vi^min|≤|vi|≤|vi^max|，i∈n(2)

式中：vi表示节点i的电压值，vi^min,vi^max分别表示各个节点电压的上限和下限；n为节点集合。

2)电流约束

式中：ij表示线路j的电流值，表示线路最大允许电流容量；t为线路集合。

3)支路潮流约束

式中：sj为支路j的有功功率，为支路j上线路容量上限值，t为线路集合。

4)dg总安装容量约束

式中：为配电网节点i处并入的dg容量，η为dg渗透率，pne为配电网扩展后新增总负荷容量。

5)单个dg容量约束

式中：分别为配电网节点i处并入的dg容量的上限和下限。

等式约束条件(二)如下：

1)并入dg后节点功率平衡约束

式中：pgi为由上层配电网注入节点i的发电机发电总功率，vi、vj分别为节点i、j的节点电压，gij和bij分别为两端节点为i、j的线路的电导和电纳，为线路功率因数角。

2)向上级配电网购电功率约束

pen＝pne-∑pdgi(8)

式中：pen为系统总购电功率。

步骤二：将步骤一建立的多目标优化模型转化为分层规划模型，上层规划以年综合投资运行费用最小建立目标函数，求解线路决策变量，得出最佳网架结构，传递给下层；下层规划在上层网架的基础下，以分布式电源dg(distributedgeneration)年均投资建设和运行维护成本、线路网络损耗成本、向上级网络购电成本和接入dg避免的环境污染治理成本组合项最小建立目标函数。

将步骤一建立的多目标优化模型转化为分层规划模型，即将如公式(1)多目标优化模型转化为如公式(9)的分层规划模型。

mincall＝cline+cdown(9)

式中：call为综合投资和运行成本年值，万元/kw；cline为线路建设成本年值，万元/kw；cdown为dg接入的综合费用年值，万元/kw，包括公式(1)中提到的cdg，closs，cen和udg。

上层规划以线路年平均建设成本最小建立目标函数，即cline，求解线路决策变量。线路年平均建设成本cline表达式如(10)所示，

式中：λ1、γ1分别为线路投资回报率和年运行维护率；β1为线路固定投资的年平均费用折算系数；lj表示第j条线路的建设长度；为第j条线路建设线路类型为xj时的单位长度建设费用，xj表示线路决策变量，当xj＝0时，表示线路不规划，xj＝1时，表示线路规划。t为配电网需建设线路总集合。

β1按照下式计算

式中：r为投资回收率，n1为设备正常使用年限，n2为设备施工建设年限。

下层规划以dg接入后年综合投资运行费用最小建立目标函数cdown，包括公式(1)中提到的dg年平均投资建设和运行维护成本cdg、closs、cen和udg。cdg、closs、cen以及udg具体求解公式如下所示：

a)dg年均固定投资和运维成本cdg为

式中：λ2、γ2分别为dg的投资回报率和年运行维护率；β2表示dg投资的年平均费用折算系数；pdgi表示节点i处接入的dg额定容量；xi表示节点i处并入dg的类型，其中n表示配电网结构中的规划节点集合，xi＝0时表示此节点处没有并入dg，xi＝1时表示此节点处并入第一种类型的dg，xi＝2时表示此节点处并入第二种类型的dg，依此类推，变量xi不同的取值代表不同类型的dg；fi(xi)为节点i处接入xi类型dg的单位发电安装成本和运行维护成本，如下式所示。

式中：分别表示节点i处接入xi类型dg的单位安装成本和单位运维费用年值，不同类型的dg对应的单位发电安装成本和单位运维费用不同，并且当xi＝0时，fi(xi)＝0。

b)线路年网络损耗成本closs

closs＝τmaxcbploss(14)

式中：τmax表示配电网系统和dg年最大利用小时数；cb为单位购电价格；ploss为配电网网架结构线路中的网络总损耗功率，如下式所示。

式中：δ为配电网系统的总功率因数；δvij为节点i、j之间的节点电压差值；zij为端点为i、j的线路的阻抗。

c)向上级购电成本cen

cen＝τmaxcbpb(16)

式中：pb表示配电网的总购电功率，如下式所示。

式中：pne表示新增负荷总量；表示第xi种类型dg的容量系数，而xi＝0时，即节点i处不接入dg，不同类型dg对应不同的容量系数。

d)dg发电社会补贴udg

式中：为xi中dg的单位发电量社会补贴费用，不同类型的dg对应不同的补贴费用。

步骤三：利用模拟退火算法对粒子群算法中各粒子速度计算进行改进形成混合粒子群协同优化算法，简称psco，利用psco优化算法对上下层模型进行求解，得到网架结构和dg接入位置与容量配置。

步骤3.1：利用模拟退火算法对粒子群算法中各粒子速度计算进行改进形成混合粒子群协同优化算法，简称psco。

步骤3.1实现步骤如下：

步骤3.1.1：随机设置粒子群算法中各个粒子的速度和位置。

步骤3.1.2：计算各个粒子适应度值，将粒子的位置和适应度值存储在粒子的个体极值pbest中，将所有pbest中最优的值保存在全局极值gbest中。

步骤3.1.3：按照如下公式确定模拟退火算法的初始温度和退温方式。

tk+1＝λtk(20)

步骤3.1.4：根据如下公式确定当前温度下各粒子pi的适应度值，即将模拟退火算法中的温度与粒子群算法中各粒子建立联系。

步骤3.1.5：从所有pi中确定全局最优值pi'，粒子速度和位置更新公式如下：

其中，

xij(t+1)＝xij(t)+vij(t+1)(24)

其中，c1和c2为学习因子；r1和r2为[0,1]范围内的均匀随机数；vij为粒子的速度，xij为粒子的位置。

步骤3.1.6：计算各粒子pi目标极值pbest及全体粒子最优全局极值gbest，并根据步骤3.1.5更新pbest和gbest，然后进行退温操作。

步骤3.1.7：当psco优化算法达到其停止条件，则停止搜索并输出psco优化算法的优化结果；否则返回到步骤3.1.4继续搜索。

至此，实现利用模拟退火算法对粒子群算法中各粒子速度计算进行改进形成混合粒子群协同优化算法。

步骤3.2：利用混合粒子群协同优化算法psco对步骤二所建模型进行求解，得到dg位置与容量。

使用psco算法对上下层模型进行求解，得到dg位置与容量。在粒子群算法(particleswarmoptimization，以下简称pso)的运行过程中，随着群中粒子对全局最优点的不断追踪，从而使粒子在进化过程中表现出更多的趋同性，然而，群体的多样性能够有效提高算法的全局收敛能力，本发明提出的psco算法能够使粒子群保持多样性又不降低其趋同性。

步骤3.2实现步骤如下：

步骤3.2.1：利用混合粒子群协同优化算法psco对上层规划以线路年平均建设成本最小建立的目标函数进行求解。随机生成初始粒子群，各粒子位置为xi，设置初始速度，并设定各粒子的初始个体最优解以及全局最优解，对于种群中每个粒子进行潮流计算和网损计算，按式(10)评估每个粒子的适应度值，之后按照步骤3.1所述进行求解，得到线路决策变量的值。

步骤3.2.2：利用混合粒子群协同优化算法psco对下层规划以dg接入后年综合投资运行费用最小建立的目标函数进行求解，与步骤3.2.1不同之处在于，此时的适应度函数为式(12)、(14)、(16)、(18)的加和函数，之后按照步骤3.1所述进行求解，得到dg位置与容量。

步骤四：将由步骤三求解得到的dg位置与容量反馈到上层模型，再次对上层模型进行求解。经过上、下层规划模型间反复迭代，最终输出最优网架结构与dg位置和容量配置方案，即得到年综合投资运行费用最小的配电网规划方案，实现最优的网架结构和多元电源容量配置。

有益效果：

1、本发明公开的一种含分布式电源的配电网分层规划方法，不仅考虑到多元分布式电源的容量配置，还考虑网架结构规划与其之间的相互影响，为了实现所述联系，对含多元分布式电源配电网进行分层规划，第一层得出的网架结构为领导者，第二层多元电源的容量和位置求解需要在第一层网架结构的基础上进行，同时第二层多元电源容量的配置对网架结构也会起到反馈作用，如此双层迭代，直到得出一个最优的网架结构和多元电源容量配置。

2、本发明公开的一种含分布式电源的配电网分层规划方法，在寻优过程中既具有较快的收敛速度，又由于模拟退火算法的引入使其避免陷入局部最优，将混合粒子优化算法应用于含分布式电源的配电网规划，得到的规划方案比传统规划方法具有更低的年综合经济成本。

3、本发明公开的一种含分布式电源的配电网分层规划方法，由于dg并网后使得馈线传输功率减小，同时dg的无功注入使得沿馈线的部分负荷节点电压被抬高，本规划方法使得电压被合理抬高，从而获得更稳定的系统电压水平，提高供电可靠性。

附图说明

图1本发明公开的一种基于混合粒子优化的配电网分层规划方法流程图；

图2是本发明的psco优化算法流程图；

图3是未接入分布式电源与接入分布式电源规划后节点电压的对比图；

图4是接入分布式电源规划后对配电网有功网损的影响；

图5是接入分布式电源规划后对配电网无功网损的影响；

图6是初始ieee33网络结构图；

图7是接入分布式电源并对网架结构进行规划后的ieee33网络结构图。

具体实施方式

现在结合附图对本发明进行进一步详细的说明，具体实施方式如下。

实施例1：

基于ieee33节点系统对本方法进行验证。初始网络结构如图6所示：实线为已有支路，虚线为可建支路，系统总有功负荷为3715kw，总无功负荷为2300kvar。dg待选安装节点为1，4,5，6,7，8,10，12，18，20，21,23，25，28，30。psco算法参数设置为：最大迭代次数100次，种群规模为50，学习因子c1＝c2＝1，最大权重ωmax＝1.2，最小权重ωmin＝0.5，退火常数σ＝0.6。

目标函数涉及到的各规划参数如下：线路的固定投资年均费用折算系数β1＝0.131，投资回报率λ1＝0.5，年运行维护率γ1＝0.655；dg建设的固定投资年均费用折算系数β2＝0.138，投资回报率λ2＝0.5，年运行维护率γ2＝0.655；假设系统及dg功率因数δ＝0.9。系统最大利用小时数τmax＝4200h。向上级单位购电价格cb＝0.4元/kwh。新建路线选择以下三种类型：lgj-185、lgj-120、lgj-95。

如图1所示，本实施例公开的一种含分布式电源的配电网分层规划方法，具体实现步骤如下：

步骤一：以配电网最小年综合投资运行成本为目标建立多目标优化模型，其中多个优化目标包括网架结构规划年平均投资成本、分布式电源dg(distributedgeneration)年均投资建设和运行维护成本、线路网络损耗成本、向上级网络购电成本和接入dg避免的环境污染治理成本五个不同的费用成本。

以配电网最小年综合投资运行成本为目标建立多目标优化数学模型。其中多个目标包括网架结构规划年平均投资成本、dg年均投资建设和运行维护成本、线路网络损耗成本、向上级网络购电成本和接入dg避免的环境污染治理成本五个不同的费用成本。模型如下

mincall＝cline+cdg+closs+cen-udg(1)

式中：cline为网架结构年平均建设投资费用，cdg为并入dg的年平均投资建设和运行维护成本，closs为线路网络损耗费用，cen为向上级网络的购电费用，udg为由于分布式电源的并入而节省的环境污染治理成本。

所述的多个优化目标约束条件包括不等式约束条件和等式约束条件：

不等式约束条件(一)如下：

1)电压约束

|vi^min|≤|vi|≤|vi^max|，i∈n(2)

式中：vi表示节点i的电压值，vi^min,vi^max分别表示各个节点电压的上限和下限；n为节点集合。

2)电流约束

式中：ij表示线路j的电流值，表示线路最大允许电流容量；t为线路集合。

3)支路潮流约束

式中：sj为支路j的有功功率，为支路j上线路容量上限值，t为线路集合。

4)dg总安装容量约束

式中：为配电网节点i处并入的dg容量，η为dg渗透率，pne为配电网扩展后新增总负荷容量。

5)单个dg容量约束

式中：分别为配电网节点i处并入的dg容量的上限和下限。

等式约束条件(二)如下：

1)并入dg后节点功率平衡约束

式中：pgi为由上层配电网注入节点i的发电机发电总功率，vi、vj分别为节点i、j的节点电压，gij和bij分别为两端节点为i、j的线路的电导和电纳，为线路功率因数角。

2)向上级配电网购电功率约束

pen＝pne-∑pdgi(8)

式中：pen为系统总购电功率。

步骤二：将步骤一建立的多目标优化模型转化为分层规划模型，上层规划以年综合投资运行费用最小建立目标函数，求解线路决策变量，得出最佳网架结构，传递给下层；下层规划在上层网架的基础下，以分布式电源dg(distributedgeneration)年均投资建设和运行维护成本、线路网络损耗成本、向上级网络购电成本和接入dg避免的环境污染治理成本合计最小建立目标函数。

将步骤一建立的多目标优化模型转化为分层规划模型，即将如公式(1)多目标优化模型转化为为如公式(9)的分层规划模型。

mincall＝cline+cdown(9)

式中：call为综合投资和运行成本年值，万元/kw；cline为线路建设成本年值，万元/kw；cdown为dg接入的综合费用年值，万元/kw，包括公式(1)中提到的cdg，closs，cen和udg。

上层规划以线路年平均建设成本最小建立目标函数，即cline，求解线路决策变量。线路年平均建设成本cline表达式如(10)所示，

式中：λ1、γ1分别为线路投资回报率和年运行维护率；β1为线路固定投资的年平均费用折算系数；lj表示第j条线路的建设长度；为第j条线路建设线路类型为xj时的单位长度建设费用，xj表示线路决策变量，当xj＝0时，表示线路不规划，xj＝1时，表示线路规划。t为配电网需建设线路总集合。

β1按照下式计算

式中：r为投资回收率，n1为设备正常使用年限，n2为设备施工建设年限。

下层规划以dg接入后年综合投资运行费用最小建立目标函数cdown，包括公式(1)中提到的dg的年平均投资建设和运行维护成本cdg、closs、cen和udg。cdg、closs、cen以及udg具体求解公式如下所示：

a)dg年均固定投资和运维成本cdg为

式中：λ2、γ2分别为dg的投资回报率和年运行维护率；β2表示dg投资的年平均费用折算系数；pdgi表示节点i处接入的dg额定容量；xi表示节点i处并入dg的类型，其中n表示配电网结构中的规划节点集合，xi＝0时表示此节点处没有并入dg，xi＝1时表示此节点处并入第一种类型的dg，xi＝2时表示此节点处并入第二种类型的dg，依此类推，变量xi不同的取值代表不同类型的dg；fi(xi)为节点i处接入xi类型dg的单位发电安装成本和运行维护成本，如下式所示。

式中：分别表示节点i处接入xi类型dg的单位安装成本和单位运维费用年值，不同类型的dg对应的单位发电安装成本和单位运维费用不同，并且当xi＝0时，fi(xi)＝0。

b)线路年网络损耗成本closs

closs＝τmaxcbploss(14)

式中：τmax表示配电网系统和dg年最大利用小时数；cb为单位购电价格；ploss为配电网网架结构线路中的网络总损耗功率，如下式所示。

式中：δ为配电网系统的总功率因数；δvij为节点i、j之间的节点电压差值；zij为端点为i、j的线路的阻抗。

c)向上级购电成本cen

cen＝τmaxcbpb(16)

式中：pb表示配电网的总购电功率，如下式所示。

式中：pne表示新增负荷总量；表示第xi种类型dg的容量系数，而xi＝0时，即节点i处不接入dg，不同类型dg对应不同的容量系数。

d)dg发电社会补贴udg

式中：为xi中dg的单位发电量社会补贴费用，不同类型的dg对应不同的补贴费用。

步骤三：利用模拟退火算法对粒子群算法中各粒子速度计算进行改进形成混合粒子群协同优化算法，简称psco，利用psco优化算法对上下层模型进行求解，得到网架结构和dg接入位置与容量配置。

步骤3.1：利用模拟退火算法对粒子群算法中各粒子速度计算进行改进形成混合粒子群协同优化算法，简称psco。

步骤3.1实现步骤如下：

步骤3.1.1：随机设置粒子群算法中各个粒子的速度和位置。

步骤3.1.2：计算各个粒子适应度值，将粒子的位置和适应度值存储在粒子的个体极值pbest中，将所有pbest中最优的值保存在全局极值gbest中。

步骤3.1.3：按照如下公式确定模拟退火算法的初始温度和退温方式。

tk+1＝λtk(20)

步骤3.1.4：根据如下公式确定当前温度下各粒子pi的适应度值，即将模拟退火算法中的温度与粒子群算法中各粒子建立联系。

步骤3.1.5：从所有pi中确定全局最优值pi'，粒子速度和位置更新公式如下：

其中，

xij(t+1)＝xij(t)+vij(t+1)(24)

其中，c1和c2为学习因子；r1和r2为[0,1]范围内的均匀随机数；vij为粒子的速度，xij为粒子的位置。

步骤3.1.6：计算各粒子pi目标极值pbest及全体粒子最优全局极值gbest，并根据步骤3.1.5更新pbest和gbest，然后进行退温操作。

步骤3.1.7：当psco优化算法达到其停止条件，则停止搜索并输出psco优化算法的优化结果；否则返回到步骤3.1.4继续搜索。

至此，实现利用模拟退火算法对粒子群算法中各粒子速度计算进行改进形成混合粒子群协同优化算法。

步骤3.2：利用混合粒子群协同优化算法psco对步骤二所建模型进行求解。

使用psco算法对上下层模型进行求解。在粒子群算法(particleswarmoptimization，以下简称pso)的运行过程中，随着群中粒子对全局最优点的不断追踪，从而使粒子在进化过程中表现出更多的趋同性，然而，群体的多样性可以有效提高算法的全局收敛能力，本发明提出的psco优化算法能够使粒子群保持多样性又不降低其趋同性。

步骤3.2实现步骤如下：

步骤3.2.1：利用混合粒子群协同优化算法psco对上层规划以线路年平均建设成本最小建立的目标函数进行求解。随机生成初始粒子群，各粒子位置为xi，设置初始速度，并设定各粒子的初始个体最优解以及全局最优解，对于种群中每个粒子进行潮流计算和网损计算，按式(10)评估每个粒子的适应度值，之后按照步骤3.1所述进行求解，得到线路决策变量的值。

步骤3.2.2：利用混合粒子群协同优化算法psco对下层规划以dg接入后年综合投资运行费用最小建立的目标函数进行求解，与步骤3.2.1不同之处在于，此时的适应度函数为式(12)、(14)、(16)、(18)的加和函数，之后按照步骤3.1所述进行求解，得到dg位置与容量。

步骤四：将由步骤三求解得到的dg位置与容量反馈到上层模型，再次对上层模型进行求解。经过上、下层规划模型间反复迭代，最终输出最优网架结构与dg位置和容量配置方案，即得到年综合投资运行费用最小的配电网规划方案，实现最优的网架结构和多元电源容量配置。

采用不同的dg接入方案，分析其对配电网的影响，包括对电压分布的影响，对线路网损的影响。首先，分析未接入dg及三种不同dg接入方案对配电网电压分布的影响，结果如图3所示；其次，分析未接入dg及三种不同dg接入方案对配电网网损的影响，结果如图4、图5所示；结合以上两方面分析，选取方案二(在节点1/12/6/8处分别接入容量为100/200/500/200kva的分布式电源)作为最终dg接入方案，对图6所示配电网系统规划后如图7所示。对接入dg后的年综合经济效益进行分析可以看出，dg的接入使得年综合投资费用减少了91.74万元，经济效益显著。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例，用于解释本发明，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。