光伏储能微网的UPQC容量优化方法

光伏储能微网的upqc容量优化方法
技术领域
1.本发明涉及电气技术领域，具体涉及一种光伏储能微网的upqc容量优化方法。


背景技术：

2.电能质量控制技术的研究具有巨大的经济和社会效益，是电力研究领域中的一个热点。电压暂升、电压暂降、三相不平衡电压、谐波电压、无功电流、谐波电流、不平衡电流等电能质量问题的危害日趋严重。目前现有的装置大都以并联或串联的方式接入系统，且只能解决部分电能质量问题。随着配电网结构和电力负荷成分的日趋复杂，各种电能质量问题在同一配电系统中或在同一用电负荷中同时出现的情况也会越来越多。如果在同一配电母线上既有电压敏感负荷又有非线性负荷和冲击负荷，就需要同时安装电压补偿装置和电流补偿装置。若针对每一种电能质量问题都单独采取一种类型的治理装置，将会大大增加治理成本，还会增加装置运行维护的复杂程度，并且各装置之间还存在着协调配合问题。
3.upqc(unified power quality conditioner，统一电能质量调节器)作为功能强大的电能质量综合补偿装置，其串联、并联单元可解耦后独立运行实现各自功能，也可联合运行实现统一的综合功能，但使用两个功率变换器会增加成本，所以如何实现upqc的容量配置是电网设计阶段尤为关键的问题。含光伏储能微网的upqc是解决分布式可再生能源电能质量和集成问题的一种解决方案。合理的配置规模既可以减少投资和节约建设用地，又可以提高新能源消纳能力和减少新能源出力的功率波动。因此，近年来光伏储能微网的upqc的容量优化配置问题已成为学术界和工业界关注的热点问题之一。


技术实现要素：

4.本发明为解决上述技术问题，提供了一种光伏储能微网的upqc容量优化方法，本发明采用改进的量子粒子群算法，可以有效对upqc中各设备的安装容量进行优化，最大化利用upqc容量。
5.本发明采用的技术方案如下：
6.本发明的实施例提出了一种光伏储能微网的upqc容量优化方法，包括以下步骤：步骤s1，构建upqc容量优化配置模型的目标函数和约束条件；步骤s2，设置所述upqc容量优化配置模型的初始化参数，在取值范围内随机生成初始化种群；步骤s3，计算所述初始种群满足所述约束条件的目标函数值，寻找粒子的个体极值、全局极值及平均最优位置；步骤s4，根据所述粒子的个体极值、全局极值及平均最优位置获取最优个体位置，根据所述最优个体位置更新粒子位置；步骤s5，根据更新后的粒子位置更新目标函数值，以更新当前upqc容量；步骤s6，结合快速非支配排序方法对底层种群采用移民算子实现种群间的信息交换；步骤s7，运用精英保留策略存储搜索过程中找到的pareto非劣解，对非劣解集进行更新；步骤s8，判断是否达到最大迭代次数，如果达到最大迭代次数，则执行步骤s9，如果未达到最大迭代次数，则返回步骤s3；步骤s9，判断更新后的粒子位置对应的所述upqc的参数是否满足光所述约束条件，如果满足，则执行步骤s10，如果不满足，则返回步骤s3；步骤s10，输出
目标函数的最优解，并将最优解作为光伏储能微网的upqc容量配置方案。
7.本发明上述的光伏储能微网的upqc容量优化方法还具有如下附加技术特征：
8.根据本发明的一个实施例，所述目标函数包括投资成本fc最小目标函数和电能质量水平最优目标函数。
9.根据本发明的一个实施例，具体根据以下公式建立所述总投资成本fc最小目标函数：
[0010][0011][0012][0013]
其中，fc为upqc的总投资成本，min代表取最小值，为upqc固定投资费，为upqc运行维护费，r为upqc设备的折旧率，l
uc
为upqc的使用寿命，ω
uc
为治理设备运行维护费用占安装费用的比例系数，n为大于等于2的正整数，s
uc
为upqc的总额定容量，μ
uc
为upqc设备单位容量成本；
[0014]
采用以下公式获取电能质量水平最优目标函数：
[0015][0016]
其中，为运行场景y
l
下upqc的配电网全部节点电压偏差绝对值的总和，p(y
l
)为第y
l
个典型场景发生的概率，r(y)为场景个数，y
l
为时段t内第
l
个运行场景。
[0017]
根据本发明的一个实施例，采用以下公式更新粒子位置并寻找最优个体位置：
[0018][0019][0020][0021][0022]
其中，t为迭代次数，x
ad
(t 1)为最优个体位置，x
ad
(t)为粒子在t次迭代时的位置，
β
为收缩扩张系数，k为最大迭代次数取为100，m＝1，n＝0.5，u为[0，1]区间的随机数，pg(t)表示粒子在t次迭代时的全局极值，pa(t)表示第t次迭代时第a个粒子的个体极值，p
ad
(t)为第t次迭代时第a个粒子的最优化位置，为[0，1]区间的随机数，m
best
(t)为种群中所有粒子第t次迭代时的平均最优位置，d为粒子的维数。
[0023]
根据本发明的一个实施例，所述约束条件包括：配电网接入upqc后功率平衡潮流约束、控制变量约束、状态变量约束、电池容量和充放电功率约束和upqc安装容量约束，其中，控制变量包括：upqc中发电机节点电压、变压器分接头、无功补偿容量；状态变量包括：upqc中负荷节点电压、发电机无功出力。
[0024]
与现有技术相比，本发明的有益效果在于：
[0025]
(1)本发明采用改进的量子粒子群算法，可以有效对upqc中各设备的安装容量进行优化，确定upqc系统的最佳容量，在保证电能质量前提下，使得系统同时满足经济性。
[0026]
(2)采用光伏和储能协调并网，实现对配电网潮流的优化控制，提高配电网运行效率和稳定性，同时利于解决分布式能源并网时的电能质量问题，增强分布式能源并网运行能力；
[0027]
(3)提高分布式发电的电能质量，保障负载的安全运行。使得upqc具有补偿电网电压中断的能力，持续为负载供电，另外还可以将多余的电能馈送到电网，同时可实现孤岛模式下持续为负载供电。
附图说明
[0028]
图1是根据本发明一个实施例的含upqc的光伏储能微网的结构示意图；
[0029]
图2是根据本发明一个实施例的光伏储能微网的upqc容量优化方法的流程图；
[0030]
图3是根据本发明一个实施例的光伏储能微网的upqc工作相量图。
具体实施方式
[0031]
下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0032]
本实施例的一种光储微网的upqc容量优化方法，主要流程为：建立多目标的upqc容量优化配置模型，建立以光伏储能微网的upqc总投资成本最小和电能质量水平最优为目标函数，采用改进的量子粒子群算法配置含光储微网的upqc最优容量，通过模型求解确定实现含光伏储能微网的upqc的总投资成本最小和电能质量水平最优所需配置的upqc容量。本方法可有效减小upqc设计容量，优化动态补偿效果。
[0033]
如图1所示，含upqc的光伏储能微网包括：市电配网、并网光伏、负载和upqc组成，市电配网具有配电母线；upqc主要包括串联滤波单元1、并联滤波单元2和供电单元3。供电单元3主要由光伏阵列和与其连接的储能系统组成，用于提供upqc自身工作电源和通过并网光伏将电能上网。
[0034]
图2是根据本发明一个实施例的光伏储能微网的upqc容量优化方法的流程图，采用改进量子粒子群算法配置upqc所需最优容量，选取求解目标函数优化配置upqc容量，该方法包括以下步骤：
[0035]
s1，构建upqc容量优化配置模型的目标函数和约束条件。
[0036]
本发明考虑含光伏储能微网的upqc的总投资成本fc最小和电能质量水平最优为目标，建立多目标的upqc容量优化配置模型。
[0037]
基于功率角控制(pac)的光伏储能微网的upqc工作相量图如图3所示，分别为系统正常工作时的电网电压与负载电压，分别为系统正常工作时的电网电流与负载电流，在系统正常工作时，电网电压与负载电压相等；为故障后的电网电压，为补偿后的负载电压；k为电源电压跌落系数，为upqc串联单元
输出的补偿电压，为upqc并联单元输出的补偿电流，为补偿后的电网电流，为补偿后的负载电流，为光伏阵列经过upqc并联单元输出的电流；θ为负载功率因数角，δ为发生故障后的相位跳变角。根据相量图建立含光伏储能微网的upqc数学模型：
[0038]
串联电压u
sr
的大小计算如下：
[0039][0040]
串联变换器的容量为：
[0041][0042]
并联变换器的容量为：
[0043][0044]
其中p
l
、q
l
、s
l
分别为负载有功功率、负载无功功率和负载视在功率，ps为电源有功功率，p
pv
为光伏阵列供电功率。
[0045]
将式(2)和式(3)相加，得到upqc的总额定容量s
uc
为：
[0046]suc
＝s
sr
s
sh
ꢀꢀꢀ
(4)
[0047]
进一步地，根据本发明的一个实施例，本发明主要目标是最小化upqc系统的容量额定值；基本逻辑是各单元容量之和不应超过容量额定值；基于数学模型和基本逻辑，将优化问题表述为建立总投资成本fc最小目标函数：
[0048][0049]
其中，
[0050][0051]
其中，fc为upqc的总投资成本，min代表取最小值，为upqc固定投资费，为upqc运行维护费，r为upqc设备的折旧率，l
uc
为upqc的使用寿命，ω
uc
为治理设备运行维护费用占安装费用的比例系数，n为大于等于2的正整数，μ
uc
为upqc设备单位容量成本，s
uc
为upqc的总额定容量；
[0052]
不同运行场景下电压偏差的治理效果不同，为合理地计及各运行场景治理效果的差异性，以各运行场景发生概率作为该场景下系统电压偏差的求和权重，电能质量水平最优目标函数为：
[0053][0054]
其中，为运行场景y
l
下upqc的配电网全部节点电压偏差绝对值的总和，p(y
l
)为第y
l
个典型场景发生的概率，r(y)为场景个数，yl为时段t内第l个运行场景。
[0055]
根据本发明的一个实施例，约束条件包括：配电网接入upqc后功率平衡潮流约束、
控制变量约束、状态变量约束、电池容量和充放电功率约束和upqc安装容量约束，其中，控制变量包括：upqc中发电机节点电压、变压器分接头、无功补偿容量；状态变量包括：upqc中负荷节点电压、发电机无功出力。
[0056]
具体而言，配电网接入upqc后功率平衡潮流约束的方程为：
[0057][0058]
其中qi和q
i-1
分别为光伏储能微网节点i和i-1的注入无功功率；p
i-1
，q
li
分别为光伏储能微网节点i-1的注入有功功率和节点i的负荷无功功率；x
i-1
为光伏储能微网节点i和节点i-1之间线路的电抗；q
uci
为治理设备upqc的注入无功功率；λi为二进制决策变量，取值为1则代表节点i处安装设备upqc，反之为0。
[0059]
选取upqc中光伏组件中发电机节点电压、变压器分接头、无功补偿容量为控制变量约束：
[0060][0061]
其中u
gi
、u
gimin
、u
gimax
分别为upqc发电机节点i的端电压及其下限和上限值；t
gi
,t
gimin
、t
gimax
分别为upqc可调变压器分接头位置及其下限值和上限值；q
gi
,q
gimin
,q
gimax
分别为节点i的无功补偿容量及其下限值和上限值；ng、n
t
、nc和n
l
分别为电网中发电机节点数、有载调压变压器台数和无功补偿节点数。
[0062]
选取负荷节点电压、发电机无功出力作为状态变量约束：
[0063][0064]
其中u
li
、u
limin
、u
limax
分别为负荷节点i的电压及其下限值和上限值；q
gi
,q
gimin
、q
gimax
分别为发电机节点i的无功出力及其下限值和上限值；n
l
、ng分别为pq节点数，电网中发电机节点数。
[0065]
upqc储能系统中的电池容量和充放电功率约束方程为：
[0066]ebessmin
≤e
bess
≤e
bessmax
ꢀꢀꢀ
(12)
[0067][0068]
其中，e
bessmin
与e
bessmin
为电池的最小、最大的容量；p
cmin
、p
cmax
是电池充电最小、最大功率；p
dmin
、p
dmax
为放电最小、最大功率。
[0069]
upqc安装容量约束方程为：
[0070][0071]
其中和分别为节点i处upqc的无功补偿容量和节点i允许的最大接入容量，u
uc,i
为容量裕度。
[0072]
s2，采用改进量子粒子群算法对目标函数进行寻优，设置upqc容量优化配置模型
的初始化参数，在取值范围内随机生成初始化种群q(t0)。
[0073]
参数包括upqc参数和算法初始参数，upqc参数包括：upqc中各设备的容量、各个节点的电压、电流、有功功率和无功功率、运行场景信息；算法初始参数包括：种群规模m、最大迭代次数k。随机生成初始化种群q(t0)，在控制变量约束范围内随机生成初始位置，初始化全局最优变量。作为一种示例，设定初始迭代次数t＝1，m＝100，k＝100。
[0074]
s3，计算初始种群q(t0)满足约束条件的目标函数值(适应度值)，寻找粒子的个体极值、全局极值及平均最优位置。
[0075]
计算每个粒子的适应度值：粒子的适应度值计算采用如式(15)所示的目标函数f：
[0076][0077]
其中
[0078]
s4，根据粒子的个体极值、全局极值及平均最优位置获取最优个体位置，根据最优个体位置更新粒子位置。
[0079]
进一步地，根据本发明的一个实施例，采用以下公式更新粒子位置并寻找最优个体位置：
[0080][0081][0082][0083][0084]
其中，t为迭代次数，x
ad
(t 1)为最优个体位置，x
ad
(t)为粒子在t次迭代时的位置，β为收缩扩张系数，β随着迭代线性地从m递减到n，通常取m＝1，n＝0.5，k为最大迭代次数取为100，u为[0，1]区间的随机数，pg(t)表示粒子在t次迭代时的全局极值，为当前非劣解集中随机选取的粒子，pa(t)表示第t次迭代时第a个粒子的个体极值，p
ad
(t)为第t次迭代时第a个粒子的最优化位置，为[0，1]区间的随机数，m
best
(t)为种群中所有粒子第t次迭代时的平均最优位置，d为粒子的维数。
[0085]
步骤s5，根据更新后的粒子位置更新目标函数值，以更新当前upqc容量。
[0086]
步骤s6，结合快速非支配排序方法对底层种群采用移民算子实现种群间的信息交换。
[0087]
顶层种群采用全局最优粒子替代进化中粒子的平均最优位置以加快寻优速度，粒子按照公式(17)进行更新。
[0088]
底层种群同时独立地按式(17)进行寻优，相互之间通过移民算子进行联系。采用快速非支配排序方式将各底层种群的粒子进行排序，利用黄金分割率的比例关系，将目标种群中适应值较差的0.382m个粒子用源种群中适应值较好的0.382m个粒子替代。
[0089]
步骤s7，运用精英保留策略存储搜索过程中找到的pareto非劣解，对非劣解集进行更新。
[0090]
本发明引入精英保留策略存储搜索过程中找到的pareto非劣解。即在第t次迭代中，如果粒子群所产生的非劣解支配了精英解集中的解，则删除被支配的解，并以第t代的支配解代替。
[0091]
步骤s8，判断是否达到最大迭代次数k＝100，如果达到最大迭代次数，则执行步骤s9，如果未达到最大迭代次数，则返回步骤s3。
[0092]
步骤s9，判断更新后的粒子位置对应的upqc的参数是否满足所述约束条件，如果满足，则执行步骤s10，如果不满足，则返回步骤s3。
[0093]
步骤s10，输出目标函数的最优解，并将最优解作为光伏储能微网的upqc容量配置方案。
[0094]
也就是说，输出两个目标函数的总投资成本fc和电能质量水平的最优解。在此方案下，配置upqc串串联变换器的额定容量s
sr
、并联变换器的额定容量s
sh
。
[0095]
由上，采用改进多种群量子粒子群算法，对upqc容量进行优化，根据目标函数的最优解，确定此时s
sr
、s
sh
为唯一的光伏储能微网的upqc容量配置方案，并以此建设含光伏储能微网的upqc系统。
[0096]
综上，根据本发明实施例的光伏储能微网的upqc容量优化方法，采用改进的多种群量子粒子群算法建立以光伏储能微网的upqc投资成本fc最小和电能质量水平最优为目标的2个目标函数，从含upqc的光伏储能微网中获取各项参数，输入upqc参数、运行场景信息以及算法初始参数，设定种群规模m、最大迭代次数k，在取值范围内初始化顶层种群和底层种群，以构建初始种群，根据目标函数和upqc的参数计算初始种群中各粒子的目标函数值，寻找粒子的个体极值、全局极值及平均最优位置，根据粒子的个体极值、全局极值及平均最优位置获取最优个体位置，根据最优个体位置更新粒子位置，根据更新后的粒子位置更新目标函数值，结合快速非支配排序方法对底层种群采用移民算子实现种群间的信息交换，运用精英保留策略存储搜索过程中找到的pareto非劣解，对非劣解集进行更新，判断是否达到最大迭代次数，如果达到最大迭代次数，判断更新后的粒子位置对应的upqc的参数是否满足光伏储能微网的约束条件，如果满足，则输出目标函数的最优解，并将最优解作为光伏储能微网的upqc容量配置方案。由此，采用改进的量子粒子群算法，可以有效减小upqc设计容量，优化动态补偿效果。
[0097]
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0098]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0099]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0100]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0101]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。