本發(fā)明屬于配電系統(tǒng)運行技術(shù)領(lǐng)域，具體涉及一種考慮新能源與電動汽車接入的主動配電網(wǎng)重構(gòu)方法。

背景技術(shù)：

近年來，化石能源短缺、環(huán)境污染和全球氣候變化等問題引發(fā)世界范圍內(nèi)的新能源革命。以風能、光伏發(fā)電為主要形式的分布式電源(Distributed Generation，DG)發(fā)展迅速，中國風電機組裝機容量計劃在2020年達到2億千瓦。這些新能源為緩解電能緊張、改善能源結(jié)構(gòu)做出了巨大貢獻，受到廣泛重視和研究。電動汽車(Electric Vehicle，EV)也在減少碳排放，治理霧霾問題方面被寄予厚望，國內(nèi)EV保有量預(yù)計于2020年達到50萬輛。

未來配電網(wǎng)絡(luò)具有分布式新能源和EV等柔性負荷滲透率較高的特點，其隨機性使得系統(tǒng)的運行狀態(tài)不確定，波動性較大，配電網(wǎng)的潮流計算變得更為復(fù)雜。常規(guī)的配電網(wǎng)重構(gòu)方法如支路交換法、動態(tài)規(guī)劃法等一般只適應(yīng)輻射型配電網(wǎng)，而含DG的配電網(wǎng)則是多端網(wǎng)絡(luò)，結(jié)構(gòu)更復(fù)雜；且當DG和EV接入配電網(wǎng)后，配電網(wǎng)潮流的隨機性和復(fù)雜性大大增加，傳統(tǒng)重構(gòu)方法對電源及負荷的隨機性考慮不足。人工智能算法能適應(yīng)不同網(wǎng)絡(luò)結(jié)構(gòu)，且在搜索全局最優(yōu)解的方面表現(xiàn)較好，但受初始解影響較大。目前考慮DG和EV隨機性的配電網(wǎng)重構(gòu)方法較少。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的不足，本發(fā)明提出了一種考慮新能源與電動汽車接入的主動配電網(wǎng)重構(gòu)方法。

本發(fā)明采用基于時間尺度的場景分析法分割分布式電源出力(DG)出力和電動汽車(EV)負荷，利用劃分區(qū)間分割波動，繼而在各時間場景內(nèi)利用隨機潮流分析計算配電網(wǎng)潮流，在不失準確性的前提下簡化了DG和EV的隨機性模型和潮流計算。

為解決上述技術(shù)問題，本發(fā)明采用如下的技術(shù)方案：

考慮新能源與電動汽車接入的主動配電網(wǎng)重構(gòu)方法，包括步驟：

步驟1，構(gòu)建風電隨機性模型和電動汽車隨機性模型；

步驟2，結(jié)合風電隨機性模型、電動汽車隨機性模型、目標函數(shù)和約束條件構(gòu)建配 電網(wǎng)重構(gòu)系統(tǒng)模型；

所述的目標函數(shù)為OF表示配電網(wǎng)系統(tǒng)有功損耗總期望值；p_b表示時間場景b出現(xiàn)的概率，即時間場景b的時間長度在一天時間的占比；L_b表示時間場景b下考慮電源及負荷隨機性的隨機潮流有功網(wǎng)損期望值；G為時間場景數(shù)；

所述的約束條件包括潮流約束、節(jié)點電壓約束、傳輸功率約束、網(wǎng)絡(luò)拓撲約束、以及風電和電動汽車充電站接入點的功率因素約束；

步驟3，根據(jù)各時刻用電情況將一天劃分為若干時間場景；

步驟4，基于配電網(wǎng)重構(gòu)系統(tǒng)模型，采用改進的生物地理優(yōu)化法搜索最優(yōu)配電網(wǎng)絡(luò)結(jié)構(gòu)。

步驟1具體為：

采用線性函數(shù)表示風力機的功率曲線位于切入風速和額定風速間的部分，獲得風電功率概率密度函數(shù)f(P_W)，采用高斯分布函數(shù)對f(P_W)進行近似，獲得風電隨機性模型f^*(P_Wi)＝αG(α₁,α₂,P_Wi)，其中，G(α₁,α₂,P_Wi)表示高斯分布函數(shù)，P_Wi表示風電有功出力；α、α₁、α₂分別為G(α₁,α₂,P_Wi)的系數(shù)、均值和方差，α根據(jù)地理信息確定。

步驟2中，所述的電動汽車隨機性模型包括電動汽車的充電起始時刻、充電功率、充電耗時、充電狀態(tài)的概率密度函數(shù)。

基于電動汽車充電起始時刻滿足正態(tài)分布，構(gòu)建充電起始時刻的概率密度函數(shù)f_S(x₁)：

其中，x₁表示變量，這里x₁表示充電起始時刻；σ_S表示變量的方差；μ_s表示變量的均值；σ_S和μ_s用來描述充電起始時刻的分布特性，μ_S＝17.6，σ_S＝3.4。

基于電動汽車的充電功率在2～3kW范圍內(nèi)滿足均勻分布，構(gòu)建充電功率的概率密度函數(shù)

其中，x₂表示變量，這里x₂表示充電功率。

充電耗時的概率密度函數(shù)為：

其中，x₃表示變量，這里x₃表充電耗時；σ_D表示變量的方差；μ_D表示變量的均值；p表示積分變量；σ_D和μ_D用來描述電動汽車充電耗時的分布特性，μ_D＝3.2，σ_D＝0.88。

時刻t₀充電狀態(tài)的概率密度函數(shù)如下：

其中，表示充電狀態(tài)為1時的概率密度，表示充電狀態(tài)為0時的概率密度，1代表正在充電，0代表未在充電；t_s表示充電起始時刻；t_C表示充電時長；F_S和分別為充電起始時刻和充電耗時的概率分布函數(shù)。

步驟3具體為：

將一天劃分為6個時間場景，即0:00～6:00為第一時間場景，6:00～12:00為第二時間場景，12:00～13:00為第三時間場景，13:00～17:00為第四時間場景，17:00～21:00為第五時間場景，21:00～0:00為第六時間場景。

步驟5進一步包括子步驟：

5.1初始化參數(shù)；

5.2隨機初始化初始種群中各棲息地的適宜度向量x_i，i＝1,2,...,n；

5.3計算初始種群中各棲息地i的適宜度指數(shù)，適宜度指數(shù)最大的棲息地即個體最優(yōu)解，其他棲息地則為非精英棲息地，適宜度指數(shù)f(x_i)即配電網(wǎng)系統(tǒng)有功損耗總期望值 OF，通過潮流計算獲得；

5.4對棲息地進行遷移操作，形成新種群，以新種群為當前種群，計算當前種群中各棲息地i的適宜度指數(shù)，獲得當前個體最優(yōu)解和當前非精英棲息地；

5.5根據(jù)當前種群各棲息地的平均適宜度指數(shù)判斷是否陷入局部最優(yōu)，若是，執(zhí)行步驟5.6；否則，執(zhí)行步驟5.7；

5.6計算當前種群各棲息地的變異率基于變異率對當前非精英棲息地進行突變操作，以突變后的種群為當前種群，計算當前種群中各棲息地i的適宜度指數(shù)，獲得當前個體最優(yōu)解和當前非精英棲息地，然后執(zhí)行步驟5.7；

5.7判斷是否達到最大迭代次數(shù)，若達到，則結(jié)束；否則，繼續(xù)執(zhí)行步驟5.2。

步驟4中采用如下的編碼方法：

首先，使配電網(wǎng)絡(luò)結(jié)構(gòu)中所有開關(guān)均閉合；

然后，對配電網(wǎng)絡(luò)結(jié)構(gòu)中各環(huán)均進行一次解環(huán)操作；

接著，對可行解編碼獲得M維空間的點集，將初始棲息地也編碼為M維的點，M為配電網(wǎng)絡(luò)結(jié)構(gòu)中的環(huán)數(shù)；每個可行解中，任何一個開關(guān)最多被打開一次，不同環(huán)路間的共用路徑上最多打開一個開關(guān)。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點和有益效果：

1)風電和EV的分場景隨機性模型能在保證精確性的前提下簡化模型，避免了場景的組合爆炸，體現(xiàn)了對于配電網(wǎng)中不斷增加的DG和EV的適應(yīng)性；

2)場景分析和隨機潮流計算相結(jié)合的方法既能彌補場景分析法在精確性上的不足，又能有效限制隨機潮流計算中的波動誤差；

3)本發(fā)明采用改進的生物地理算法能快速收斂并避免早熟、陷入局部最優(yōu)，在迭代次數(shù)較少的情況下就能搜尋到最優(yōu)解，在收斂速度和收斂精度上表現(xiàn)出了相對與傳統(tǒng)的BBO算法、PSO算法、GA算法的優(yōu)勢。

附圖說明

圖1為本發(fā)明方法的具體流程圖；

圖2為實施例中初始配電網(wǎng)絡(luò)結(jié)構(gòu)示意圖；

圖3為實施例中重構(gòu)后的配電網(wǎng)絡(luò)結(jié)構(gòu)示意圖；

圖4為實施例中重構(gòu)后各時間場景下節(jié)點電壓分布圖；

圖5為實施例中重構(gòu)前后節(jié)點電壓期望值分布圖；

圖6為實施例中不同方法的重構(gòu)效果對比圖。

具體實施方式

下面將結(jié)合附圖和具體實施方式進一步說明本發(fā)明技術(shù)方案。

見圖1，本發(fā)明具體步驟如下：

步驟1，建立風電隨機性模型。

當風力機的功率曲線位于切入風速和額定風速之間的部分用線性函數(shù)表示時，精確的風電功率概率密度函數(shù)f(P_W)如下：

式(1)中：

P_W表示風電出力；

P_rate表示風機的額定功率；

v_rate、v_co、v_ci分別表示額定風速、切入風速、切除風速；

F(v_co)、F(v_rate)、F(v_ci)分別為風速不大于v_co、v_rate和v_ci的概率；

k和c分別表示形狀參數(shù)和尺度參數(shù)；

k₁＝P_rate/(v_rate-v_ci)，k₂＝-k₁v_ci；

q_w為風電自身的強迫停運概率。

風電出力的精確概率密度函數(shù)模型見式(1)，但是該函數(shù)模型比較復(fù)雜，難以應(yīng)用于實際的解析概率潮流計算中。為了兼顧其準確性與實用性，采用高斯分布函數(shù)對式(1)進行近似，獲得風電隨機性模型f^*(P_Wi)：

f^*(P_Wi)＝αG(α₁,α₂,P_Wi) (2)

式(2)中：

G(α₁,α₂,P_Wi)表示高斯分布函數(shù)，P_Wi表示風電有功出力；

α、α₁、α₂分別為G(α₁,α₂,P_Wi)的系數(shù)、均值和方差，α根據(jù)地理信息確定。

步驟2，建立電動汽車隨機性模型。

假設(shè)EV充電起始時刻是獨立的隨機變量，滿足如下正態(tài)分布，充電起始時刻的概率密度函數(shù)f_S(x₁)為：

式(3)中：

x₁表示變量，這里x₁表示充電起始時刻；

σ_S表示變量的方差；

μ_s表示變量的均值；

σ_S和μ_s用來描述充電起始時刻的分布特性，μ_S＝17.6，σ_S＝3.4。

EV的充電功率P_C在2～3kW范圍內(nèi)滿足均勻分布，即充電功率的概率密度函數(shù)為：

式(4)中，x₂表示變量，這里x₂表示EA的充電功率。

EV充電耗時的概率密度函數(shù)為：

式(5)中：

x₃表示變量，這里x₃表示EA的充電耗時；

σ_D表示變量的方差；

μ_D表示變量的均值；

p表示積分變量。

σ_D和μ_D用來描述電動汽車充電耗時的分布特性，μ_D＝3.2，σ_D＝0.88。

EV在時刻t₀的充電狀態(tài)用變量表示，值可以為1或0，1代表正在充電，0代表未在充電。充電狀態(tài)的概率密度函數(shù)如下：

式(6)～(7)中：

表示充電狀態(tài)為1時的概率密度；

表示充電狀態(tài)為0時的概率密度；

t_s表示充電起始時刻；

t_C表示充電時長；

F_S和分別為充電起始時刻和充電耗時的概率分布函數(shù)。

步驟3，結(jié)合風電隨機性模型和電動汽車隨機性模型，建立配電網(wǎng)重構(gòu)系統(tǒng)模型。

配電網(wǎng)重構(gòu)的優(yōu)化目標一般是最小化系統(tǒng)有功網(wǎng)損，考慮到DG和EV接入的隨機性，配電網(wǎng)系統(tǒng)有功網(wǎng)損可采用概率分布函數(shù)來逼近真實情況。因此，本發(fā)明以配電網(wǎng)系統(tǒng)有功網(wǎng)損期望值最小為目標函數(shù)構(gòu)建配電網(wǎng)重構(gòu)系統(tǒng)模型，所述的配電網(wǎng)重構(gòu)系統(tǒng)模型包括風電隨機性模型、電動汽車隨機性模型、目標函數(shù)和約束條件。

配電網(wǎng)重構(gòu)系統(tǒng)模型的目標函數(shù)如下：

式(8)～(9)中：

OF表示配電網(wǎng)系統(tǒng)有功損耗總期望值；

p_b表示時間場景b出現(xiàn)的概率，即時間場景b的時間長度在一天時間的占比，p_b＝T_b/24，T_b表示時間場景b的時間長度，單位：小時；

L_b表示時間場景b下考慮電源及負荷隨機性的隨機潮流有功網(wǎng)損期望值；

G為時間場景數(shù)；

r_a為支路a的電阻，l表示支路數(shù)；

P_ab、Q_ab、U_ab分別為支路a在時間場景b下的有功功率、無功功率和電壓。

配電網(wǎng)重構(gòu)系統(tǒng)模型的約束條件包括潮流約束、節(jié)點電壓約束、傳輸功率約束、網(wǎng)絡(luò)拓撲約束、以及風電和電動汽車充電站接入點的功率因素約束。

風電和電動汽車充電站接入點的功率因數(shù)約束如下：

式(13)～(11)中：F_w表示風電接入點的功率，F(xiàn)_EV表示電動汽車充電站接入點的功率；和分別為風電接入點的功率下限和上限，和分別為電動汽車充電站接入點的功率下限和上限。

其他約束條件均為配電網(wǎng)重構(gòu)系統(tǒng)模型采用的常規(guī)約束條件，在此不作贅述。

步驟4，基于時間尺度進行場景劃分，獲得時間場景。

根據(jù)一天的用電曲線將一天劃分為多個時間場景，各時間場景內(nèi)的用電曲線無明顯變化。用電曲線包括普通負荷曲線、特殊負荷曲線和DG功率曲線，普通負荷進一步包括居民用電、工業(yè)用電、商業(yè)用電和農(nóng)村用電，特殊負荷即電動汽車用電。

本步驟中，根據(jù)經(jīng)驗劃分時間場景，劃分方式并不唯一。具體可基于普通負荷曲線、特殊負荷曲線和DG功率曲線將一天劃分為多個時間場景，時間場景內(nèi)各曲線的變化幅度均應(yīng)小于對應(yīng)的預(yù)設(shè)值，預(yù)設(shè)值根據(jù)實際情況和經(jīng)驗人為設(shè)定。

具體實施中，將一天劃分為6個時間場景，即，0:00～6:00時間段為第一時間場景，6:00～12:00時間段為第二時間場景，12:00～13:00時間段為第三時間場景，13:00～17:00時間段為第四時間場景，17:00～21:00時間段為第五時間場景，21:00～0:00時間段為第六時間場景。

步驟5，基于配電網(wǎng)重構(gòu)系統(tǒng)模型，采用基于改進的生物地理優(yōu)化法搜索最優(yōu)配電網(wǎng)絡(luò)結(jié)構(gòu)。

本步驟依次包括如下子步驟：

(1)設(shè)置最大迭代次數(shù)，初始化種群規(guī)模n、優(yōu)化問題維度D、棲息地種群最大容量S_max、遷入率函數(shù)最大值I、遷出率函數(shù)最大值E、最大變異率m_max、遷移率P_mod和 精英個體留存數(shù)z。

(2)隨機初始化初始種群中各棲息地的適宜度向量x_i，i＝1,2,...,n，各適宜度向量均對應(yīng)一個配電網(wǎng)絡(luò)結(jié)構(gòu)，即配電網(wǎng)重構(gòu)系統(tǒng)模型的潛在解。

(3)計算初始種群中各棲息地i的適宜度指數(shù)f(x_i)，適宜度指數(shù)f(x_i)最大的棲息地即個體最優(yōu)解，其他棲息地則為非精英棲息地。適宜度指數(shù)f(x_i)即對當前配電網(wǎng)絡(luò)結(jié)構(gòu)進行潮流計算得到的系統(tǒng)有功網(wǎng)損總期望值，即公式(8)中的OF，

(4)采用余弦遷移模型對棲息地進行遷移操作，形成新種群，以新種群為當前種群，計算當前種群中各棲息地i的適宜度指數(shù)，獲得當前個體最優(yōu)解和當前非精英棲息地；

(5)根據(jù)當前種群各棲息地的平均適宜度指數(shù)的方差判斷是否陷入局部最優(yōu)，若是，執(zhí)行步驟(6)；否則，執(zhí)行步驟(7)。

(6)通過公式計算當前種群各棲息地的變異率，基于變異率對當前非精英棲息地進行突變操作，用m(s_i)判斷棲息地i的某個特征分量是否進行突變，以突變后的種群為當前種群，計算當前種群中各棲息地i的適宜度指數(shù)，獲得當前個體最優(yōu)解和當前非精英棲息地，然后執(zhí)行步驟(7)。其中，s_i表示第i個棲息地的種群數(shù)量，m(s_i)表示第i個棲息地的的變異率，m_max為最大變異率，P(s_i)指第i個棲息地的種群數(shù)量為s_i的概率，P_max為最大概率。

(7)判斷是否達到最大迭代次數(shù)，若達到，則結(jié)束；否則，繼續(xù)執(zhí)行步驟(2)。

本步驟中，本發(fā)明提出了一種適用于重構(gòu)模型求解的編碼方法，具體如下：

對于有M個環(huán)的配電網(wǎng)絡(luò)結(jié)構(gòu)，第j個環(huán)的開關(guān)數(shù)記為k_j，j＝1,2,...M。將第j個環(huán)中第p個開關(guān)編碼為S_jp，那么該配電網(wǎng)絡(luò)結(jié)構(gòu)的可能樹狀結(jié)構(gòu)就有種。求解時，首先，使配電網(wǎng)絡(luò)結(jié)構(gòu)中所有開關(guān)均閉合；然后，對配電網(wǎng)絡(luò)結(jié)構(gòu)中各環(huán)均進行一次解環(huán)操作，即在各環(huán)中分別選取一個開關(guān)將其解環(huán)，這樣對可行解進行編碼可以得到一個M維空間的點集，將初始棲息地編碼為M維的點，這個點就包含了配電網(wǎng)網(wǎng)絡(luò)結(jié)構(gòu)信息。

在配電網(wǎng)絡(luò)結(jié)構(gòu)較復(fù)雜、不同環(huán)間無共用路徑時，上述編碼方法可能導(dǎo)致求解結(jié)果違背連通性約束或者導(dǎo)致形成新的環(huán)。因此，本步驟中還添加了兩條編碼方法來解決上述問題：

a、每個可行解中，任何一個開關(guān)最多被打開一次；

b、每個可行解中，不同環(huán)路間的共用路徑上最多打開一個開關(guān)。

下面通過實施例進一步說明本發(fā)明。

以IEEE69節(jié)點配電系統(tǒng)為例，結(jié)構(gòu)見圖2，風力機接入點為節(jié)點10、19、23和69，EV充電站接入點為節(jié)點34、53、58、67。風電機組的切入風速、額定風速、切出風速分別為3m/s、14m/s、25m/s，c和k分別為9.19和1.93。算例原始的負荷量為3.8MW，加入的EV負荷峰值為2MW，風電出力峰值為3MW。

利用IBBO算法對建立的配電網(wǎng)重構(gòu)系統(tǒng)模型進行求解，算例初始配電網(wǎng)絡(luò)結(jié)構(gòu)圖見圖2，經(jīng)重構(gòu)后的配電網(wǎng)絡(luò)結(jié)構(gòu)圖見圖3，重構(gòu)前后配電網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)對比見表2。圖4～5分別給出了各時間場景下重構(gòu)后和重構(gòu)前的節(jié)點電壓點電壓期望值分布圖。

表2 重構(gòu)前后的配電網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)

分別采用本發(fā)明方法、粒子群法、遺傳法和模擬退火法對圖2所示配電網(wǎng)絡(luò)結(jié)構(gòu)進行重構(gòu)，最大迭代次數(shù)均為20，不同方法重構(gòu)結(jié)果對比見圖6和表3。從表3可以看出本發(fā)明方法搜索的最優(yōu)配電網(wǎng)絡(luò)結(jié)構(gòu)的網(wǎng)絡(luò)損耗平均值和均方差均最低，說明本發(fā)明方法重構(gòu)結(jié)果優(yōu)于其他方法，且收斂程度好，結(jié)果誤差低。

表3 不同方法的重構(gòu)效果比較

本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。