一种基于权重依赖度的配电网多目标优化方法与流程

1.本发明涉及配电网规划领域，尤其涉及一种基于权重依赖度的配电网多目标优化方法。


背景技术：

2.随着多种类型的分布式能源并入电网，电力系统优化问题由原来的单一目标优化转变成为复杂的多目标优化问题。在追求多个目标达到最大值或者最小值的同时，传统的寻优算法无法满足现有模型的需求，往往采用权重法对各个目标函数进行加权处理以求得所谓的最优解。
3.现有的方法大多采用人为确定权重的办法，所得的优化解集受权重的影响极大。在优化模型中，主观性过强很容易导致模型求解精度不高，与实际情况不符，从而使计算结果失去真正的应用价值。


技术实现要素：

4.本发明的目的在于提供一种基于权重依赖度的配电网多目标优化方法，避开配电网多目标优化模型中主观选择权重的过程，提高优化解在实际工程中的适用性。
5.本发明采用的技术方案是：
6.一种基于权重依赖度的配电网多目标优化方法，包括以下步骤：
7.步骤s1：输入配电网系统数据，节点总数为n，系统各节点的负荷表示为p
li
+jq
li
，其中p
li
表示节点i处的有功负荷，q
li
表示节点i处的无功负荷；
8.步骤s2：确定优化对象为各节点处的分布式电源容量，进行初始种群编码，在约束条件下初始化种群：
[0009][0010]
式中，pop表示初始种群，p
m1
表示种群中个体m的第1个编码；
[0011]
步骤s3：构建配电网多目标优化模型的目标函数，建立约束条件；
[0012]
步骤s4：计算不同个体的目标函数，并根据不同权重计算总目标函数值
[0013]
步骤s5：计算种群个体的权重依赖度depm，淘汰种群中权重依赖度大的个体：
[0014][0015]
式中，pop(o,:)表示种群序列的第o行，表示种群个体权重依赖度的平均值。
[0016]
步骤s6：在剩余个体中，选择n组权重比中每组权重下目标函数值最优的个体作为父代，进入下一步遗传操作；
[0017]
步骤s7：进行交叉、变异操作，对适应度较高的个体降低交叉、变异的概率，对适应度较低的个体提高交叉、变异的概率；
[0018]
步骤s8：当迭代次数达到设定值或最优解收敛，则判断达到收敛条件；如果是则执行步骤s9，否则返回步骤s4；
[0019]
步骤s9：迭代中止，得到最优解。
[0020]
进一步地，所述步骤s3具体包括以下内容：
[0021]
优化模型的目标函数为：
[0022]
(1)综合成本f1最低
[0023]
min f1＝min{c
inv
+c
ins
+c
price
+c
main
+c
env
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0024]
式中，c
inv
表示配电网分布式电源的投资成本，c
ins
表示配电网分布式电源的安装成本，c
price
表示配电网向主网购电的成本，c
main
表示运行维护成本，c
env
表示co2排放和环境效益损失成本。
[0025][0026]
式中，k
inv
、k
ins
、k
main
分别表示分布式电源的投资成本系数、安装成本系数、维护成本系数，p
dgi
表示节点i处的分布式电源注入有功功率，c
charge
表示电价成本系数，p
li
表示节点i处的有功负荷，ploss
ij
表示配电网的支路网损，k
co2
、kd分别表示碳排放罚款系数、环境效益损失成本系数。
[0027]
(2)网络损耗f2最低
[0028]
min f2＝min∑ploss
ij
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0029]
式中，ploss
ij
表示配电网的支路网损。
[0030]
(3)系统电压波动f3最低
[0031][0032]
式中，ui表示配电网络第i个节点处的电压幅值，δui表示配电网络第i个节点处的电压波动值。
[0033]
优化模型的约束条件为：
[0034]
(1)配电网潮流等式约束
[0035][0036]
[0037]
式中，p
dgi
、q
dgi
分别表示分布式电源注入有功、无功功率，p
li
、q
li
分别表示有功、无功负荷，ui、uj分别表示节点i、j处的电压，θ
ij
表示节点功率相角差，g
ij
、b
ij
分别表示支路的电导和电抗。
[0038]
(2)分布式电源容量约束
[0039][0040]
式中，p
dgmax
表示分布式电源在某节点处允许安装的最大容量，p
dgtotal
表示整个配电网络允许安装的分布式电源总容量。
[0041]
进一步地，所述步骤s4具体包括以下内容：
[0042]
计算初始种群中不同个体的目标函数，并根据不同权重计算总目标函数值。
[0043][0044]
式中，ψ表示不同的权重组合，αk、βk表示第k组权重。
[0045][0046]
式中，表示按第k组权重比计算个体m的总目标函数值，f
10
、f
20
、f
30
分别表示三个目标函数的基准值，分别表示个体m的目标函数。
[0047]
进一步地，所述步骤s5具体包括以下内容：
[0048]
计算个体的权重依赖度depm。
[0049][0050]
式中，ωm表示个体m在不同权重下的总目标函数值集合。
[0051]
depm＝d(ωm)+r(ωm)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0052]
式中，d(ωm)、r(ωm)分别表示集合ωm的方差和极差：
[0053][0054]
r(ωm)＝maxf
m-minfmꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0055]
式中，n表示权重的组数，表示总目标函数的平均值，maxfm、minfm分别表示集合ωm中的最大值和最小值。
[0056]
进一步地，所述步骤s6具体包括以下内容：
[0057]
选择n组权重比中每组权重下目标函数值最优的个体作为父代，进入下一步遗传操作：
[0058][0059]
式中，pop
par
表示父代种群，{y1；y2；...；yn}表示n组权重下各自表现最好的个体，f
yx
表示个体y在第x组权重下的总目标函数值，表示所有个体在第x组权重下的最优目标函数值。
[0060]
进一步地，所述步骤s7具体包括以下内容：
[0061]
对适应度较高的个体降低交叉、变异的概率，对适应度较低的个体提高交叉、变异的概率，提高遗传进化的效率和种群优异性。
[0062]
个体适应度可以表示为：
[0063][0064]
交叉概率：
[0065][0066]
式中，p
cross
(m)表示个体m的交叉概率，分别表示交叉概率的最大值和最小值，表示个体m在k组权重计算下的适应度平均值，fit
avg
表示所有个体的适应度平均值，fit
max
表示所有个体适应度的最大值。
[0067]
变异概率：
[0068][0069]
式中，p
mut
(m)表示个体m的变异概率，分别表示变异概率的最大值和最小值。
[0070]
本发明采用以上技术方案，与现有技术相比，本发明有以下有益效果：本发明利用定义权重依赖度来描述个体与目标权重的关联性，将受主观权重影响大的个体淘汰，并且在对多目标求解的过程中无需主观确定权重，其优化解在不同组权重选择下均具有良好的适用性，实际工程借鉴意义更大。
附图说明
[0071]
以下结合附图和具体实施方式对本发明做进一步详细说明；
[0072]
图1为本发明一种基于权重依赖度的配电网多目标优化方法的流程示意图。
具体实施方式
[0073]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例
中的附图对本技术实施例中的技术方案进行清楚、完整地描述。
[0074]
如图1所示，本发明公开了一种基于权重依赖度的配电网多目标优化算法，包括以下步骤：
[0075]
步骤s1：输入配电网系统数据，节点总数为n，系统各节点的负荷表示为p
li
+jq
li
，其中p
li
表示节点i处的有功负荷，q
li
表示节点i处的无功负荷；
[0076]
步骤s2：确定优化对象为各节点处的分布式电源容量，进行初始种群编码，在约束条件下初始化种群：
[0077][0078]
式中，pop表示初始种群，p
m1
表示种群中个体m的第1个编码；
[0079]
步骤s3：构建配电网多目标优化模型的目标函数，建立约束条件；
[0080]
步骤s4：计算不同个体的目标函数，并根据不同权重计算总目标函数值
[0081]
步骤s5：计算种群个体的权重依赖度depm，淘汰种群中权重依赖度大的个体：
[0082][0083]
式中，pop(o,:)表示种群序列的第o行，表示种群个体权重依赖度的平均值。
[0084]
步骤s6：在剩余个体中，选择n组权重比中每组权重下目标函数值最优的个体作为父代，进入下一步遗传操作；
[0085]
步骤s7：进行交叉、变异操作，对适应度较高的个体降低交叉、变异的概率，对适应度较低的个体提高交叉、变异的概率；
[0086]
步骤s8：当迭代次数达到设定值或最优解收敛，则判断达到收敛条件；如果是则执行步骤s9，否则返回步骤s4；
[0087]
步骤s9：迭代中止，得到最优解。
[0088]
在本实施例中，所述步骤s3具体包括以下内容：
[0089]
优化模型的目标函数为：
[0090]
(1)综合成本f1最低
[0091]
min f1＝min{c
inv
+c
ins
+c
price
+c
main
+c
env
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0092]
式中，c
inv
表示配电网分布式电源的投资成本，c
ins
表示配电网分布式电源的安装成本，c
price
表示配电网向主网购电的成本，c
main
表示运行维护成本，c
env
表示co2排放和环境效益损失成本。
[0093][0094]
式中，k
inv
、k
ins
、k
main
分别表示分布式电源的投资成本系数、安装成本系数、维护成本系数，p
dgi
表示节点i处的分布式电源注入有功功率，c
charge
表示电价成本系数，p
li
表示节点i处的有功负荷，ploss
ij
表示配电网的支路网损，k
co2
、kd分别表示碳排放罚款系数、环境效益损失成本系数。
[0095]
(2)网络损耗f2最低
[0096]
min f2＝min∑ploss
ij
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0097]
式中，ploss
ij
表示配电网的支路网损。
[0098]
(3)系统电压波动f3最低
[0099][0100]
式中，ui表示配电网络第i个节点处的电压幅值，δui表示配电网络第i个节点处的电压波动值。
[0101]
优化模型的约束条件为：
[0102]
(1)配电网潮流等式约束
[0103][0104][0105]
式中，p
dgi
、q
dgi
分别表示分布式电源注入有功、无功功率，p
li
、q
li
分别表示有功、无功负荷，ui、uj分别表示节点i、j处的电压，θ
ij
表示节点功率相角差，g
ij
、b
ij
分别表示支路的电导和电抗。
[0106]
(2)分布式电源容量约束
[0107][0108]
式中，p
dgmax
表示分布式电源在某节点处允许安装的最大容量，p
dgtotal
表示整个配电网络允许安装的分布式电源总容量。
[0109]
在本实施例中，所述步骤s4具体包括以下步骤：
[0110]
计算初始种群中不同个体的目标函数，并根据不同权重计算总目标函数值。
[0111][0112]
式中，ψ表示不同的权重组合，αk、βk表示第k组权重。
[0113][0114]
式中，表示按第k组权重比计算个体m的总目标函数值，f
10
、f
20
、f
30
分别表示三个目标函数的基准值，分别表示个体m的目标函数。
[0115]
在本实施例中，所述步骤s5具体包括以下内容：
[0116]
计算个体的权重依赖度depm。
[0117][0118]
式中，ωm表示个体m在不同权重下的总目标函数值集合。
[0119]
depm＝d(ωm)+r(ωm)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0120]
式中，d(ωm)、r(ωm)分别表示集合ωm的方差和极差：
[0121][0122]
r(ωm)＝maxf
m-minfmꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0123]
式中，n表示权重的组数，表示总目标函数的平均值，maxfm、minfm分别表示集合ωm中的最大值和最小值。
[0124]
在本实施例中，所述步骤s6具体包括以下内容：
[0125]
选择n组权重比中每组权重下目标函数值最优的个体作为父代，进入下一步遗传操作：
[0126][0127]
式中，pop
par
表示父代种群，{y1；y2；...；yn}表示n组权重下各自表现最好的个体，f
yx
表示个体y在第x组权重下的总目标函数值，表示所有个体在第x组权重下的最优目标函数值。
[0128]
在本实施例中，所述步骤s7具体包括以下内容：
[0129]
对适应度较高的个体降低交叉、变异的概率，对适应度较低的个体提高交叉、变异的概率，提高遗传进化的效率和种群优异性。
[0130]
个体适应度可以表示为：
[0131]
[0132]
交叉概率：
[0133][0134]
式中，p
cross
(m)表示个体m的交叉概率，分别表示交叉概率的最大值和最小值，表示个体m在k组权重计算下的适应度平均值，fit
avg
表示所有个体的适应度平均值，fit
max
表示所有个体适应度的最大值。
[0135]
变异概率：
[0136][0137]
式中，p
mut
(m)表示个体m的变异概率，分别表示变异概率的最大值和最小值。
[0138]
较佳的，本实施例通过定义权重依赖度来描述个体与目标权重的关联性，将受主观权重影响大的个体淘汰，构建了配电网多目标优化模型。
[0139]
(1)计算不同目标加权比下种群个体的目标函数，以结果的极差和方差为依据，确定种群个体的权重依赖度，能够反映种群个体受主观因素影响的情况。
[0140]
(2)淘汰权重依赖度大的个体，在剩余种群中选择优异个体作为父代进入下一轮迭代，通过自适应交叉、变异得到新的子代种群。
[0141]
(3)多组权重进行计算并参与种群进化过程中的选择操作，避开了主观确定权重的过程，为配电网优化处理多目标问题提供了技术支撑。
[0142]
较佳的，本实施例利用定义权重依赖度来描述个体与目标权重的关联性，将受主观权重影响大的个体淘汰，并且在对多目标求解的过程中无需主观确定权重，其优化解在不同组权重选择下均具有良好的适用性，实际工程借鉴意义更大。结合实施例，本发明的技术效果如表1所示。
[0143]
表1两种方法最优解在不同加权比下的目标函数值对比
[0144][0145]
本发明采用以上技术方案，与现有技术相比，本发明有以下有益效果：本发明利用定义权重依赖度来描述个体与目标权重的关联性，将受主观权重影响大的个体淘汰，并且在对多目标求解的过程中无需主观确定权重，其优化解在不同组权重选择下均具有良好的适用性，实际工程借鉴意义更大。
[0146]
显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。