一种基于多目标蚁群优化的配电网动态分区方法

1.本发明涉及配电网动态分区技术领域，尤其是一种基于多目标蚁群优化的配电网动态分区方法。


背景技术：

2.目前大多数间歇性分布式电源直接接入配电网，对配电网运行造成了较大的影响。利用全局优化与区域自治的分层分区优化调度方法可以对间歇性分布式电源产生的波动进行就近平抑，先利用全局优化在长时间尺度下为配电网各分区预留灵活性资源，在出现净负荷波动时，利用区域内的可控分布式电源与可控负荷实现就近平抑，避免造成大规模的影响，且实现最大化的消纳。但该方法实现的前提是区域内的可控电源具备平抑净负荷波动的能力。为了解决间歇性分布式电源接入配电网带来的不确定性问题，需要根据配电网结构特性和功能需求对其进行灵活有效的区域划分，确保分区内部电源具备较强的控制能力和一定的功率储备，为后续配电网的优化调度奠定基础。
3.目前分区技术方案中，传统聚类算法解决多目标聚类问题的方法主要是利用权重将多个目标转化为单目标，这便对权重分配提出了较高的要求，由于传统基于模块度的聚类算法分区易产生局部最优问题，可能使配电网出现多个小分区，甚至出现分区内部不连通的问题。


技术实现要素：

4.本发明提出一种基于多目标蚁群优化的配电网动态分区方法，能根据配电网结构特性和功能需求对其进行灵活有效的区域划分，确保分区内部电源具备较强的控制能力和一定的功率储备，为后续配电网的优化调度奠定基础。
5.本发明采用以下技术方案。
6.一种基于多目标蚁群优化的配电网动态分区方法，所述方法基于多目标蚁群进化算法对配电网进行分区，使分区结果具备内部连通性及功率储备；包括以下步骤；
7.步骤s1：根据配电网结构信息，定义多目标蚁群算法的启发式信息；
8.步骤s2：基于潮流追踪算法定义二分模块度；
9.步骤s3：基于典型预测场景集计算功率储备；
10.步骤s4：基于潮流方程雅克比矩阵定义结构紧密度；
11.步骤s5：多目标蚁群动态分区算法下的分区选择方法。
12.所述步骤s1中，以启发式搜索方法缩小蚁群进化算法搜索范围并降低问题的复杂度，启发式搜索方法基于配电网结构信息定义启发式矩阵η，以公式表述为
[0013][0014]
式中：η
i,j
为节点i和j的启发式信息，若i点与j点相连，将η
i,j
值设置为1；若 i点与j点不直接相连，将η
i,j
值设置为0，使其对应的状态转移概率为0，使轮盘赌法不会直接将该
两点划为同一分区，以保证配电网分区的内部连通性。
[0015]
所述步骤s2中，把配电网中源-荷间的能量流动网络视同为二分网络，通过对二分网络的分区挖掘将二分网络中联系较为紧密的节点归于一个分区，并通过对配电网中源-荷间的能量流动网络进行有效划分以降低配电网分区的功率耦合，即通过将功率联系紧密的电源和负荷划为一个分区来提高分区内电源的控制能力；为量化源荷节点间的功率联系，在得到运行场景下配电网潮流分布或状态估计信息后，利用潮流追踪算法追踪配电网潮流，以公式表述为；
[0016]
pi→j＝x
ij
×
p
lj
(i,j＝1,2,
…
,n)
ꢀꢀ
公式二；
[0017]
x＝p
gg
(p
tt
)-1
h-1
ꢀꢀ
公式三；
[0018][0019]
p
tt
＝diag(p
t1
,p
t2
,
…
,p
tn
)
ꢀꢀ
公式五；
[0020]
p
gg
＝diag(p
g1
,p
g2
,
…
,p
gn
)
ꢀꢀ
公式六；
[0021]
式中：h为顺流分配矩阵；h
ij
为h矩阵i行j列元素；p
gg
、p
tt
为功率注入相关量；x为分配系数矩阵，x为该矩阵元素；p
ij
为由节点i向节点j传输的有功功率中经过线路i-j的量；p
gj
为节点j注入的电源功率；p
lj
为节点j接入的负荷功率；p
tj
为注入节点j的总有功功率；pi→j为节点i接入的电源给负荷节点j的功率分配；
[0022]
将潮流追踪结果整合在潮流追踪矩阵t中，t中i行j列元素为pi→j，二分模块度qb定义如下述公式七～公式十一所示
[0023][0024][0025][0026][0027][0028]
式中：v
x
、vy分别为全网的电源、负荷节点集；z为分区编号；v
l
、vm分别为分区z中电源、负荷节点集；zn为分区数；为分区z的二分模块度；本步骤中，计算全网所有分区的并求和，若得到的二分模块度qb值越大，则说明分区之间的耦合程度越低；
[0029]
本步骤根据预测算法及历史数据推测配电网的运行场景，综合考虑典型预测场景来提高分区方案的鲁棒性，即提高分区方案应对不确定性的能力，方法为：生成典型预测场
景集se＝{s1,s2,
…
sh}及对应的概率在得出预测场景si的潮流分布信息或状态估计结果后，基于公式七～公式十一得到场景 si对应的二分模块度最后结合概率信息基于式(12)得到公式为
[0030]
本步骤通过提高分区方案对应的二分模块度值来降低各预测场景下分区间的能量耦合程度，并为提高分区自治能力、降低源荷不确定性影响提供基础。
[0031]
所述步骤s3中，使分区内部具备足够的储备功率来使分区内实现有效调控的前提，分区储备功率的计算方法以公式表述为
[0032][0033]
式中：为分区i的功率储备；为分区i内部电源可提供的最大功率；为分区i的负荷需求大小；γ为储备系数；在算法中删除储备功率小于0的解，以保证分区内部具备所需的功率储备；
[0034]
本步骤中，计算全网所有分区的功率储备，选择各分区功率储备的最小值作为配电网分区方案的功率储备p
store
，以p
store
值最大为优化目标，以避免可控分布式电源与可控负荷集中在一个分区，以公式表述为
[0035][0036]
本例中，以下述公式十五来计算各场景p
store
的最小值以提高算法的鲁棒性，
[0037][0038]
其中，为预测场景si的储备功率值；当越大，则说明在典型运行场景下配电网各分区储备功率的值整体较大，分区内部电源的控制能力越强，且具备应对不确定性的能力，本步骤通过以最大作为分区目标来提高分区方案的鲁棒性。
[0039]
所述步骤s4具体包括以下内容：
[0040]
采用雅克比矩阵推导线路权重矩阵a，推导过程如下述公式十六至公式十八所示：
[0041][0042][0043]
[0044]
式中：δp、δq、δθ、δu分别为有功功率、无功功率、节点相角以及节点电压的增量；j为雅克比矩阵；s
pθ
、s
qθ
、s
pu
、s
qu
为灵敏度矩阵，a
ij
越大表示点i、 j间的结构联系越紧密；
[0045][0046][0047][0048]
式中，a
ij
为连接节点i和节点j的边的权重；2m为网络中所有边的权重之和；ki为节点i连接的所有边权重之和，即点权重；若节点i和节点j被分为一个分区，则δ(i,j)＝1，否则其值为0。
[0049]
所述多目标蚁群优化算法基于moea/d，以各目标函数最低为目标，步骤 s5中，将二分模块度和功率储备进行调整以适应多目标蚁群优化算法特性，具体为：
[0050]
基于潮流追踪的二分模块度越大说明分区内部电源与负荷耦合程度大，分区间的功率耦合低，故取二分模块度指标的倒数作为目标函数g1；同样，提高配网各分区的功率储备可以增强分区平抑波动的能力，考虑到储备功率可能为0，取储备功率的相反数g2作为目标函数；模块度函数越大，分区内部结构就更为紧密，故设置目标函数g3；如下述公式二十二至公式二十四所示，
[0051][0052][0053]
g3＝-ρ
ꢀꢀ
公式二十四；
[0054]
基于多目标蚁群优化算法得出帕累托解后，为提升选择效率和降低人工选择主观性带来的影响，制定典型解选择策略；
[0055]
典型解选择策略中，为避免各分区方案功率储备不足，删除g2＞0的解，为避免出现小分区或者是独立节点，设置分区最低节点个数n
min
；
[0056]
g值的计算公式如下述公式二十五所示。
[0057][0058]
式中：分别为g1、g2、g3求解结果的最小、最大值；
[0059]
所述配电网的间歇性分布式电源功率和负荷需求均不断变化，配电网动态分区方法利用多目标蚁群分区算法对配电网进行多时段动态分区，即随配电网系统运行状态的变化而进行动态、灵活性的调整，以满足区内强耦合、区间弱耦合和功率储备的需求。
[0060]
与现有技术相比，本发明有以下有益效果：
[0061]
本发明所述方法基于多目标蚁群进化算法对配电网进行分区，能保证分区内部连通性，且具备一定的功率储备，并且在对多目标求解的过程中无需主观确定权重，优化解的
实际适配性更强。
[0062]
本发明中，通过基于蚁群优化算法，根据配电网结构功能需求，定义了结构紧密度、二分模块度和功率储备等目标函数，构建了配电网多目标优化模型，其优势在于：
[0063]
(1)本发明基于雅克比矩阵的结构紧密度函数可以量化分区内部的结构；基于潮流追踪的二分模块度指标能够量化源-荷节点的耦合程度；保证分区具备一定的功率储备能够为分区功率平衡奠定基础；概率预测场景集与分区算法相结合能够提高分区方案的鲁棒性；基于多目标蚁群分区算法能够有效实现配电网的动态分区。
[0064]
(2)本发明提出的分区算法对比传统分区算法具备分区内部连通、不易陷入局部最优和通用性强等优点。
[0065]
(3)本发明利用多目标蚁群算法对配电网进行分区，对多个分区目标进行协同优化，解决了传统分区算法的问题，实际工程借鉴意义更大。
附图说明
[0066]
下面结合附图和具体实施方式对本发明进一步详细的说明：
[0067]
附图1是本发明的多目标蚁群算法的优化流程示意图；
[0068]
附图2是步骤s5中典型解选择策略的流程示意图。
具体实施方式
[0069]
如图所示，一种基于多目标蚁群优化的配电网动态分区方法，所述方法基于多目标蚁群进化算法对配电网进行分区，使分区结果具备内部连通性及功率储备；包括以下步骤；
[0070]
步骤s1：根据配电网结构信息，定义多目标蚁群算法的启发式信息；
[0071]
步骤s2：基于潮流追踪算法定义二分模块度；
[0072]
步骤s3：基于典型预测场景集计算功率储备；
[0073]
步骤s4：基于潮流方程雅克比矩阵定义结构紧密度；
[0074]
步骤s5：多目标蚁群动态分区算法下的分区选择方法。
[0075]
所述步骤s1中，以启发式搜索方法缩小蚁群进化算法搜索范围并降低问题的复杂度，启发式搜索方法基于配电网结构信息定义启发式矩阵η，以公式表述为
[0076][0077]
式中：η
i,j
为节点i和j的启发式信息，若i点与j点相连，将η
i,j
值设置为1；若 i点与j点不直接相连，将η
i,j
值设置为0，使其对应的状态转移概率为0，使轮盘赌法不会直接将该两点划为同一分区，以保证配电网分区的内部连通性。
[0078]
所述步骤s2中，把配电网中源-荷间的能量流动网络视同为二分网络，通过对二分网络的分区挖掘将二分网络中联系较为紧密的节点归于一个分区，并通过对配电网中源-荷间的能量流动网络进行有效划分以降低配电网分区的功率耦合，即通过将功率联系紧密的电源和负荷划为一个分区来提高分区内电源的控制能力；为量化源荷节点间的功率联系，在得到运行场景下配电网潮流分布或状态估计信息后，利用潮流追踪算法追踪配电网
潮流，以公式表述为；
[0079]
pi→j＝x
ij
×
p
lj
(i,j＝1,2,...,n)
ꢀꢀ
公式二；
[0080]
x＝p
gg
(p
tt
)-1
h-1
ꢀꢀ
公式三；
[0081][0082]
p
tt
＝diag(p
t1
,p
t2
,
…
,p
tn
)
ꢀꢀ
公式五；
[0083]
p
gg
＝diag(p
g1
,p
g2
,
…
,p
gn
)
ꢀꢀ
公式六；
[0084]
式中：h为顺流分配矩阵；h
ij
为h矩阵i行j列元素；p
gg
、p
tt
为功率注入相关量；x为分配系数矩阵，x为该矩阵元素；p
ij
为由节点i向节点j传输的有功功率中经过线路i-j的量；p
gj
为节点j注入的电源功率；p
lj
为节点j接入的负荷功率；p
tj
为注入节点j的总有功功率；pi→j为节点i接入的电源给负荷节点j的功率分配；
[0085]
将潮流追踪结果整合在潮流追踪矩阵t中，t中i行j列元素为pi→j，二分模块度qb定义如下述公式七～公式十一所示
[0086][0087][0088][0089][0090][0091]
式中：v
x
、vy分别为全网的电源、负荷节点集；z为分区编号；v
l
、vm分别为分区z中电源、负荷节点集；zn为分区数；为分区z的二分模块度；本步骤中，计算全网所有分区的并求和，若得到的二分模块度qb值越大，则说明分区之间的耦合程度越低；
[0092]
本步骤根据预测算法及历史数据推测配电网的运行场景，综合考虑典型预测场景来提高分区方案的鲁棒性，即提高分区方案应对不确定性的能力，方法为：生成典型预测场景集se＝{s1,s2,
…
sh}及对应的概率在得出预测场景si的潮流分布信息或状态估计结果后，基于公式七～公式十一得到场景 si对应的二分模块度最后结合概率信息基于式(12)得到公式为
[0093][0094]
本步骤通过提高分区方案对应的二分模块度值来降低各预测场景下分区间的能量耦合程度，并为提高分区自治能力、降低源荷不确定性影响提供基础。
[0095]
所述步骤s3中，使分区内部具备足够的储备功率来使分区内实现有效调控的前提，分区储备功率的计算方法以公式表述为
[0096][0097]
式中：为分区i的功率储备；为分区i内部电源可提供的最大功率；为分区i的负荷需求大小；γ为储备系数；在算法中删除储备功率小于0的解，以保证分区内部具备所需的功率储备；
[0098]
本步骤中，计算全网所有分区的功率储备，选择各分区功率储备的最小值作为配电网分区方案的功率储备p
store
，以p
store
值最大为优化目标，以避免可控分布式电源与可控负荷集中在一个分区，以公式表述为
[0099][0100]
本例中，以下述公式十五来计算各场景p
store
的最小值以提高算法的鲁棒性，
[0101][0102]
其中，为预测场景si的储备功率值；当越大，则说明在典型运行场景下配电网各分区储备功率的值整体较大，分区内部电源的控制能力越强，且具备应对不确定性的能力，本步骤通过以最大作为分区目标来提高分区方案的鲁棒性。
[0103]
所述步骤s4具体包括以下内容：
[0104]
采用雅克比矩阵推导线路权重矩阵a，推导过程如下述公式十六至公式十八所示：
[0105][0106][0107][0108]
式中：δp、δq、δθ、δu分别为有功功率、无功功率、节点相角以及节点电压的增量；j为雅克比矩阵；s
pθ
、s
qθ
、s
pu
、s
qu
为灵敏度矩阵，a
ij
越大表示点i、 j间的结构联系越紧密；
[0109][0110][0111][0112]
式中，a
ij
为连接节点i和节点j的边的权重；2m为网络中所有边的权重之和；ki为节点i连接的所有边权重之和，即点权重；若节点i和节点j被分为一个分区，则δ(i,j)＝1，否则其值为0。
[0113]
所述多目标蚁群优化算法基于moea/d，以各目标函数最低为目标，步骤 s5中，将二分模块度和功率储备进行调整以适应多目标蚁群优化算法特性，具体为：
[0114]
基于潮流追踪的二分模块度越大说明分区内部电源与负荷耦合程度大，分区间的功率耦合低，故取二分模块度指标的倒数作为目标函数g1；同样，提高配网各分区的功率储备可以增强分区平抑波动的能力，考虑到储备功率可能为0，取储备功率的相反数g2作为目标函数；模块度函数越大，分区内部结构就更为紧密，故设置目标函数g3；如下述公式二十二至公式二十四所示，
[0115][0116][0117]
g3＝-ρ公式二十四；
[0118]
基于多目标蚁群优化算法得出帕累托解后，为提升选择效率和降低人工选择主观性带来的影响，制定典型解选择策略；
[0119]
如图2所示，典型解选择策略中，为避免各分区方案功率储备不足，删除g2＞0的解，为避免出现小分区或者是独立节点，设置分区最低节点个数n
min
；
[0120]
g值的计算公式如下述公式二十五所示。
[0121][0122]
式中：分别为g1、g2、g3求解结果的最小、最大值；
[0123]
所述配电网的间歇性分布式电源功率和负荷需求均不断变化，配电网动态分区方法利用多目标蚁群分区算法对配电网进行多时段动态分区，即随配电网系统运行状态的变化而进行动态、灵活性的调整，以满足区内强耦合、区间弱耦合和功率储备的需求。
[0124]
本例中，本发明所述方法的技术效果与传统算法对比如下表，表1中，传统算法1利用潮流追踪定义节点间距离，并利用层次聚类方法分区；传统算法2 基于模块度构建分区指标，利用贪婪理论完成分区。
[0125]
表1：
[0126]