一种基于改进型沙丘猫优化算法的配电网分布式电源分层优化规划方法

本发明的技术方案属于分布式电源规划，具体是一种基于改进型沙丘猫优化算法的配电网分布式电源分层优化规划方法。

背景技术：

1、随着人口的发展，人类对于能源的需求量越来越大，传统化石能源已经不能满足人类的需求。而且在化石能源的使用中也存在许多问题，一是人类能源的大量消耗，导致化石能源的枯竭，二是大量使用和开采化石能源带来的环境污染的问题日益明显，这与全球倡导的环境保护理念相矛盾。因此，为了发扬可持续发展的理念，提出了新能源电力系统。相对于传统化石能源，新能源具有资源丰富、环境友好、无排放等优点，被广泛认为是未来能源发展的重要方式。分布式电源(distributed generation，dg)是指一种小规模的发电设备，分布式电源作为新能源电力系统的重要组成部分，由于其低碳环保、控制灵活、投资成本低等优点，近年来受到越来越多的关注。但是，分布式电源接入配电网后，会给配电网潮流分布，功率损耗和节点电压稳定性等带来不小的影响，接入不恰当会导致线路损耗增多和降低能源利用率，不利于电力系统的经济性，合理规划分布式电源的位置、容量和类型可以很大程度减少所带来的影响，并且提升电能的质量，减少电能的浪费，进而增强电网的经济性。在目前分布式电源的规划问题的研究中，得到的规划方案带入实际有一定的差异，求解模型所使用的算法的性能局限，导致规划结果不够理想。因此，对分布式电源的合理规划进行深入研究具有重要的意义。

技术实现思路

1、本发明的目的是提供一种基于改进型沙丘猫优化算法的配电网分布式电源分层优化规划方法：首先，建立以年总费用为目标的分布式电源规划模型，包括构建模型的目标函数、约束条件。为了降低模型求解难度和提高求解性能，将分布式电源规划模型转化为双层结构；其次，提出了一种性能优异的改进型沙丘猫优化算法(improved sand cat swarmoptimization，iscso)求解分布式电源规划模型。

2、本发明解决该技术问题所采用的技术方案是：建立一个分层的分布式电源规划模型，同时设计一种改进型沙丘猫优化算法，并利用该算法求解分布式电源规划问题。本发明的分布式电源包括风力发电系统和光伏发电系统，分布式电源规划问题的解为对分布式电源的位置、类型和容量进行选择规划进而得到更高的电能质量和年最小的成本费用。

3、以下是本发明的求解分布式电源规划问题的过程：

4、步骤1，构建风力发电和光伏发电模型，同时，采集某地区一年的风速和光照强度的数据并采用k-means聚类算法将所选地区的年风速和光照强度的数据进行合理划分为四种场景，四种场景分别为春季日(3.21-6.21)、夏季日(6.22-9.22)、秋季日(9.23-12.21)和冬季日(12.22-3.20)。在此基础上得到四个季节的典型风速和光照强度场景，然后利用本步骤构建的风光发电模型将采集的风速和光照强度数据转换为对应场景的风光电源出力。

5、这里，风力发电模型按如下方法建立：

6、步骤1.1，建立风力发电的出力模型。这里假设风速服从weibull分布，该分布的概率密度函数为

7、

8、式中，v为实际风速，c、k分别是服从weibull分布的概率密度曲线的尺度参数、形状参数。其中k参数决定曲线的形状，c起放大或缩小曲线的作用。

9、风力发电的出力模型为

10、

11、式中，v1、v2和ve分别表示风速的切入风速、切出风速和额定风速；pwt为不同风速下风机输出的有功功率；pwt，e为风机的额定功率。

12、步骤1.2，建立光伏发电的出力模型。光伏发电设备的有功出力与光照强度关系为

13、

14、式中，ppv和ppv，e为光伏的有功出力和额定功率，s和smax分别为实际光照强度和最大光照强度。

15、采用beta分布建立光伏发电的出力模型，得到光伏系统输出功率的概率密度函数为：

16、

17、式中，β1和β2为beta分布的形状参数，取决于光照强度的期望和方差；ppv和ppv，e为光伏系统的有功出力和额定功率。

18、步骤1.3，采集某地区一年中每天的风速和光照强度数据，采用k-means聚类算法，设置年风速和光照强度数据内的四个日期作为聚类中心，得到迭代后的新四个聚类中心作为各个季节的典型场景，获得四个季节关于风速与光照强度典型场景的风速和光照强度数据；

19、步骤1.4，基于k-means聚类算法得到的各个季节典型场景的风速和光照强度，再通过建立的风力和光伏发电的出力模型得到相应的风力和光伏出力；

20、步骤2，基于四季典型场景，以提高规划的经济性，优化年总费用为目标，构建目标函数和约束条件，得到分布式电源规划模型.

21、所述步骤2的具体实现方法包括以下步骤：

22、步骤2.1，为进行合理规划，将优化目标定为年总费用。年总费用目标函数为

23、f＝ftotal＝fl+fom+floss+fen     (5)

24、以下是年总费用的构成：

25、(1)分布式电源固定投资费为

26、

27、式中，n为待接入分布式电源的节点个数，pwt，i和ppv，i分别为安装在i节点的风力和光伏的额定容量，cwt，l和cpv，l分别为风力和光伏的单位容量投资成本。α为投资转换比率，y为分布式电源最大使用年数。

28、(2)分布式电源运行费用为

29、

30、式中，和为在场景p下，ith节点安装的风力和光伏的实际有功出力，cwt，om和cpv，om分别为风力和光伏发出单位电量所需要的运行成本，np为模拟运行的场景数，tp表示场景p的运行天数。

31、(3)向上级电网购电费用为

32、

33、式中，pen，s，t和ds，t分别为在场景p，t时刻向上级电网购电的有功功率和实时电价。

34、(4)网络损耗费用为

35、

36、式中，ploss，p表示在场景p，t时刻下的总有功损耗，closs为单位电量的有功网损成本。

37、步骤2.2，确定分布式电源分层规划模型的约束条件；

38、(1)分布式电源的装机容量约束为

39、

40、式中，表示节点i处能安装分布式电源的最大容量，和分别表示节点i处能安装风力和光伏的最大容量。

41、(2)节点电压限制为.

42、ui，min≤ui≤ui，max      (11)

43、式中，ui为节点i处的电压幅值，ui，min和ui，max分别为节点电压幅值的上限和下限。

44、(3)功率平衡约束为

45、

46、式中，pi.p和qi.s分别表示在场景s时注入节点i的有功功率和无功功率；ui.s和uj.s分别表示节点i和节点j在场景s时的电压幅值；θij.s为节点i和j之间在场景s时的相角差。

47、(4)支路容量约束为

48、0≤vi≤vi，max      (13)

49、式中，vi和vmax.i分别表示线路i的视在功率和最大值。

50、(5)分布式电源渗透率约束为

51、

52、式中，pz为配电网的总有功负荷，χ为配电网中可再生能源的最大渗透率。

53、(6)分布式电源运行约束为

54、

55、式中，分布式电源的种类为风力和光伏，为安装在场景p，ith节点的有功出力上限；δi，dg和分别为ith节点的分布式电源的有功出力切除比例和它的最大值。

56、进一步，步骤3中，将分布式电源规划模型转化为分层的分布式电源规划模型。本发明在选择分布式电源最优的规划方案的同时考虑优化规划后一年分布式电源的总运行费用，可以提高分布式电源的经济性。上层和下层拥有独立的目标函数和约束条件，其中上层模型用于确定分布式电源的种类，位置和容量，优化目标为年总费用，约束条件为分布式电源的安装容量相关约束和分布式电源的渗透率约束，下层的优化是配电网在每个场景的优化子问题，目标函数为最小化分布式电源的总运行费用，约束条件为系统约束，潮流约束和分布式电源运行约束。上下两层互相传递变量，交替迭代，上层将分布式电源的规划方案传递给下层；下层接收到方案后计算分布式电源的总运行费用并将计算结果传递给上层，用来计算上层的目标函数，不断迭代到最大迭代次数。

57、步骤4，对沙丘猫优化算法(sand cat swarm optimization iscso)进行性能改进，得到改进型沙丘猫优化算法。

58、所述步骤4的具体实现方法包括以下步骤：

59、步骤4.1，种群位置初始化策略改进；

60、沙丘猫优化算法中沙丘猫的位置矩阵为

61、

62、式中，sand cati为沙丘猫位置；其中n代表沙丘猫个体的数量；d是规划问题的维度。

63、本发明的分布式发电规划问题的目标函数作为算法的适应度函数。适应度矩阵计算为

64、

65、式中，fitness为沙丘猫种群的适应度矩阵，fitnessn对应沙丘猫种群中第n个个体的适应度值。

66、scso算法生成初始种群的分布不均匀且随机，为了改善这个问题。本发明使用sobol序列和tent映射各生成一半种群作为初始化方法，由tent映射产生的混沌序列具有良好的分布性和随机性，sobol序列着重于在概率空间中产生均匀的分布。将两者结合就在满足搜索范围约束的条件下，生成沙丘猫种群的初始位置更加均匀而且覆盖的空间范围更大。大幅增加算法初期全局搜索能力，改进的初始化策略的函数表现形式为

67、

68、式中，a为均匀分布的调节参数且α＝0.5。

69、步骤4.2，引入动态自适应因子；

70、搜索猎物：模拟了沙丘猫搜索猎物，沙丘猫搜索猎物主要依靠其灵敏的听力，可以感知频率很低的声音，沙丘猫的位置更新公式为

71、

72、

73、

74、式中，rg为低频感知参数，随着迭代次数的增加由2线性减少到0；lm为模拟沙丘猫听觉的参数；其中iterc和itermax分别是当前的和最大的迭代次数；rj为确定搜索猎物和攻击猎物两阶段切换的参数；和分别为在当前迭代次数下和位置最好的沙丘猫的位置和随机一只沙丘猫的位置。

75、攻击猎物：搜索到猎物后，沙丘猫对猎物展开攻击，通过灵敏的听力接近并捕食猎物。攻击猎物时沙丘猫位置更新公式为

76、

77、

78、结合两个阶段，模拟沙丘猫的捕食过程的公式为

79、

80、在沙丘猫的位置更新公式中引入自适应因子，迭代早期权重较大增强算法的全局搜索能力，提高收敛的速度，权重随着迭代逐渐降低，可以增强算法的局部搜索能力，增强求解的精度。权重公式为

81、

82、引入自适应因子w1后的沙丘猫位置更新公式为

83、

84、步骤4.3，引入最优邻域扰动策略；

85、iscso同其他群智能算法一样，都有容易陷入局部最优的问题，bwo算法的鲸落模拟了白鲸种群中个体的死亡，鲸落可以除去种群中位置最差的个体，并在随机一个位置生成一个个体以维持种群个体数的平衡。将鲸落作为种群变异方法引入到scso，提高算法跳出局部最优的能力。鲸落变异的数学模型表示为

86、

87、

88、

89、式中，r1，r2和r3为(0，1)之间的随机数；为随机一只沙丘猫的位置；ps是变异的步长；ub和lb分别为变量的上界和下界，ρf为发生变异的概率。

90、步骤5，设置改进型沙丘猫优化算法的参数。应用改进型沙丘猫优化算法对分布式电源规划模型进行求解，得到分布式电源最优规划结果。

91、所述步骤5的具体实现方法包括以下步骤：

92、步骤5.1，进行沙丘猫优化算法的初始化，输入采集的原始数据并设置算法参数(种群个体数、维度和最大迭代次数)。将分层模型中的上层模型的目标函数作为该算法的适应度函数；

93、步骤5.2，上层模型中确定分布式电源的位置、类型和容量也就是沙丘猫的初始种群，然后上层模型将得到的分布式电源的规划方案传递给下层模型运行；

94、步骤5.3，下层模型接收到规划方案后，在建立的约束下计算出分布式电源规划后包含各个场景的总运行费用，再将运算的结果传递给上层模型；

95、步骤5.4，上层模型接收到下层的运算结果再作为变量计算上层的目标函数，得到了局部最优的规划方案；

96、步骤5.5，判断是否达到了设置的最大迭代次数。如果没有达到模型的最大迭代次数则更新沙丘猫种群即分布式电源的规划方案，继续迭代，得到新的局部最优规划方案再进行判断，反之输出全局最优规划方案。

97、本发明的有益效果是：

98、本发明解决了新能源电力系统的规划问题，具体来说是解决分布式电源的选址和定容问题，本发明的模型和算法可以合理规划分布式电源接入配电网的位置、容量和类型，提升电能质量的同时降低了配电网的年总费用，这促进了新能源电力系统的发展，提高了电力系统的经济性。

99、下面结合附图和实施例对本发明进一步说明。