含固态变压器新型配电网动态无功多目标优化

风机和光伏电池等分布式电源(distributed generator, DG)大量接入配电网会导致电压波动和网损增大等问题,需要对动态无功进行优化。但是由于风光存在的不确定性会影响动态无功优化的效果,因此提出了一种含固态变压器新型配电网动态无功多目标优化方法。首先,通过 Weibull 分布和 Beta 分布对风速和光照强度进行曲线拟合,再采用风机和光伏电池出力公式生成 DG 出力模型。其次,通过蒙特卡洛仿真抽样法对上述模型进行抽样,生成上千个DG日出力场景,并采用k-means 聚类算法将上千个场景聚类成k个典型场景,以缩短随机潮流计算时间。再次,以IEEE33 节点系统为基础,建立含固态变压器有源配电网方案和含有载调压变压器有源配电网方案,以日内网损和电压波动最小为目标,采用改进型多目标灰狼算法对两种方案的相关参数进行优化。最后,以优化后的相关参数进行仿真和对比,证明了所提方法在降低配电网网损和维持节点电压稳定方面的优越性。     

基于CLARA算法的考虑时序特性分布式电源规划

针对配电网分布式电源(DG)的优化选址定容问题,以配电网年损耗电量最小为目标,考虑不同类型DG出力的随机性和时序特性,建立多场景多时段混合整数非线性随机优化模型。利用蒙特卡洛方法生成描述DG出力的序列场景,通过考虑各场景需要满足的约束条件近似对随机过程进行约束,将原随机优化问题转化为确定性优化问题。利用CLARA算法对各场景各时段模拟得到的样本进行聚类,以避免全场景下样本规模大、模型求解难等问题。IEEE 14和IEEE 33节点标准系统的测试表明,所提模型和算法能有效利用不同类型DG的时序互补作用,提高配电网对DG出力的消纳能力。与不采用聚类方法全场景代入及采用PAM聚类方法相比,所提算法在保证优化结果近似误差低于3%的同时,能显著降低模型的求解难度和节省计算时间。     

基于改进NSGA-II算法的含分布式电源配电网无功优化

针对含分布式电源(DG)的配电网无功优化的问题,为更准确地描述DG出力的不确定性,基于加权高斯混合分布(WGMD)和Beta分布分别构建风电DG和光伏DG的出力模型。采用结合切片采样算法的马尔科夫链蒙特卡洛模拟法进行潮流计算。建立以系统有功网损最小、节点电压总偏差最小为目标函数的多目标无功优化模型,并采用改进的非支配排序遗传算法(NSGA-Ⅱ)对该优化模型进行求解。通过改进的IEEE 33节点系统的仿真验证了所提方法的可行性和有效性。     

计及不确定性和环境因素的多类型分布式电源选址定容

分布式风电源和光伏电源因风速和太阳辐照度的随机性存在出力不确定性的特点,且配电网负荷水平也存在不恒定的特性。在进行配电网规划时,该不确定性对配电网具有不可忽视的影响。将这种不确定性计及到分布式电源的优化配置问题当中,运用场景划分的方法将一年中配电网的运行状态划分成8760个小时场景,并采用改进K-means聚类方法对场景进行聚类。以计及环境因素在内的年综合费用最小为目标函数,采用改进粒子群算法对多类型分布式电源进行选址定容规划。最后采用配电网系统算例进行仿真分析,验证了该优化配置模型和方法的有效性。     

计及分布式电源与电容器协调的配电网日前无功计划

针对目前含分布式电源(distributed generation,DG)的配电网中未考虑电容器补偿容量和DG无功出力协调调度的问题,研究了考虑DG与电容器组协调的无功优化方法。以网损和电压偏移满意度最高为目标,构建含DG的配电网日前动态无功优化调度模型。根据DG无功出力和电容器补偿的特点,提出DG和电容器协调的日前无功计划方法。分析了各类DG的无功出力极限并作为约束条件,对电容器和DG进行整体静态优化得到电容器的投切容量曲线;其次采用模糊聚类对电容器投切曲线进行时序分段并融合,制定电容器的日前计划;最后,在电容器补偿容量确定后,以DG作为优化变量,制定DG出力的日前计划。仿真结果验证了所提方法的有效性。     

含高渗透可再生能源的动态网络重构与无功电压调整协同优化

具有出力不确定性的可再生能源高渗透并入,导致传统单一的主动管理策略难以实现配网最优运行。在此背景下,提出一种动态网络重构与无功电压调整协同优化方法。首先,采用基于形态和幅值的双尺度相似性度量谱聚类算法对负荷进行聚类,进一步利用反映负荷曲线波动特征的自适应聚合算法对时段做出合理划分。其次,计及风光不确定性,构建考虑配电网动态重构与储能和微型燃气轮机出力调控协同的机会约束双层优化模型,模型上层以配电网综合运行成本最小为目标,下层以系统电压总偏差最小为目标,实现对配电网运行经济性和系统电压质量的综合优化。然后,针对该模型提出了基于十进制编码的改进鲸鱼优化算法和内点法相结合的混合策略对模型进行求解。最后,在改进的IEEE33节点系统中,对所提的运行优化模型进行分析和验证。仿真结果表明：所提双层优化模型能够有效提高电压质量和降低配电网运行费用,所提时段划分方法能够得到符合曲线变化趋势的分段方案,改进后的算法大大提高了求解效率。     

基于场景聚类的主动配电网分布鲁棒综合优化

为较好地考虑分布式电源（DG）和负荷的不确定性对配电网的影响,基于风电场景预测,通过调整网络拓扑结构和风电、光伏发电、微型燃气轮机、储能、无功补偿等的出力,提出了实现动态重构与无功优化相结合的主动配电网综合优化模型。在考虑DG间相关性的基础上,基于原始数据采用拉丁超立方采样得到初始场景,利用手肘法确定K-means算法的聚类数,从而得到典型场景,场景分布的概率置信区间由1-范数和∞-范数约束。另外,为了消除储能与机组组合的时间相关性约束,重点介绍了基于盒式分解算法的两阶段分解模型。第1阶段以机组启停成本和运行成本为目标函数对机组与储能的各时段运行域进行约束。将第2阶段转化为单时间尺度优化问题,通过求解得到经济性最优的结果。模型采用列与约束生成算法进行求解,通过对IEEE 33节点系统与Taipower 84节点系统的仿真验证了模型的鲁棒性与可行性。     

考虑主动管理措施的配电网无功补偿双层优化配置

为了适应未来大量分布式电源(DG)并网及自动化水平显著提高的主动配电网发展,在规划阶段应该考虑主动管理措施,优化系统运行方式。同时,现有的无功补偿规划研究忽略了DG及负荷的不确定性。为此,计及间歇性DG及负荷的不确定性,提出主动配电网无功补偿双层优化配置模型。上层规划以无功补偿电容器的投资成本、网络损耗费用综合最优为目标函数,下层规划在此基础上考虑调节无功补偿容量及调节有载变压器抽头两种主动管理措施,对每个场景进行优化。采用K-均值聚类法对场景进行缩减,结合和声搜索算法和粒子群算法联合求解模型。通过IEEE33节点算例进行仿真计算,验证所提模型和方法的正确性。     

计及多个风电机组出力相关性的配电网无功优化

针对含多个风电机组的配电网无功优化问题,利用场景分析法处理风电机组出力的不确定性和负荷的随机波动。采用拉丁超立方采样产生多个场景,考虑多个风电机组风速间的相关性,利用Cholesky分解对生成的场景进行重新排序。以有功网损期望值最小为目标函数,以节点电压、支路功率以及电容器投切组数为约束条件,建立配电网无功优化模型。采用鸡群优化算法求解模型,并在改进的IEEE 69节点配电网算例中进行仿真,研究了风电机组出力相关性对无功优化结果的影响,结果证明了所提无功优化模型和方法的可行性。通过无功优化,能够有效地提高配电网的电压水平并减少网络损耗,对配电网的安全经济运行具有重要意义。     

计及多个风电机组出力相关性的配电网无功优化EI北大核心CSCD

针对含多个风电机组的配电网无功优化问题,利用场景分析法处理风电机组出力的不确定性和负荷的随机波动。采用拉丁超立方采样产生多个场景,考虑多个风电机组风速间的相关性,利用Cholesky分解对生成的场景进行重新排序。以有功网损期望值最小为目标函数,以节点电压、支路功率以及电容器投切组数为约束条件,建立配电网无功优化模型。采用鸡群优化算法求解模型,并在改进的IEEE 69节点配电网算例中进行仿真,研究了风电机组出力相关性对无功优化结果的影响,结果证明了所提无功优化模型和方法的可行性。通过无功优化,能够有效地提高配电网的电压水平并减少网络损耗,对配电网的安全经济运行具有重要意义。     

基于最优场景生成算法的主动配电网无功优化

针对间歇性分布式电源输出功率的不确定性和随机性,提出采用Wasserstein距离指标和K-means聚类场景削减技术生成最优场景,将随机优化问题转换为确定性优化问题。建立了风—光—荷多场景树模型,并以有功网损最小、电压偏差最小作为目标函数,考虑储能荷电状态约束影响,建立含间歇性分布式电源的主动配电网无功优化数学模型,并采用人工蜂群算法对模型进行求解。仿真分析得出基于Wasserstein距离指标和K-means聚类场景削减技术生成的最优场景能较精确地体现分布式电源有功出力的随机特性。最后,以IEEE-33节点配电系统为例进行仿真分析,验证了所提方法的有效性和可行性。     

考虑分布式电源出力调整的多目标配电网重构

配电网重构可以提高配电网运行的经济性和安全性,而分布式电源(Distributed Generator,DG)加入配电网直接影响潮流分布,对配电网重构将产生较大影响。考虑到DG对配电网重构的影响,以开关状态、DG出力为优化变量,建立了以网络损耗、负荷均衡化率最小为目标函数的多目标优化模型。将生成树、蚁群算法和遗传算法相结合,提出了求解上述模型的多目标混合优化方法,以实现配电网结构和DG出力的协同优化。该方法利用基于生成树原理的蚁群算法对配电网结构进行优化,保证蚂蚁路径满足网络拓扑约束,有效提高了可行解的数量;采用Pareto最优遗传算法对分布式电源出力进行优化,可获得满足多目标需求的若干优化方案。仿真结果表明所提出方法能够实现DG出力和网络重构的综合优化和多目标优化。     

含分布式电源的配电网无功优化研究综述

大量的分布式电源(distributed generation,DG)接入电网,改变了配电网的潮流分布,对系统网络损耗、可靠性等产生了巨大影响,研究含DG的配电网无功优化对于提高电网安全稳定与经济性能具有重要意义。因此对该课题近年所取得的研究成果进行综述,介绍了无功优化的意义和含DG的配电网多目标无功优化模型的建立,指出了含DG的配电网无功优化问题的主要难点,同时介绍了对DG出力不确定性的处理方法和多目标函数的求解方法,最后概括了现代智能优化算法在含DG的配电网无功优化中的应用,并对无功优化研究前景做了展望。     

基于运行层面相关性场景的含风机配电网多目标无功优化

针对含间歇性分布式电源(distribution generation,DG)配电网的无功优化问题,研究了基于运行层面相关性场景的配电网多目标无功优化模型及决策方法。从运行层面对风速和负荷进行了不确定性建模,构建了运行层面的相关性场景;以静态电压稳定性最好、网损期望最小和电压偏移期望最少为目标函数,建立了含间歇性DG配电网的多目标无功优化模型,并提出了基于优先级的多目标决策方法进行最优非支配解的选取。算例验证了所提方法的有效性,结果表明:基于运行层面的相关性场景构建方法可提高配电网的无功优化性能,基于优先级的多目标决策方法可根据系统实际运行状态动态调整目标偏好,从而保证系统运行稳定、经济及优质供电。     

计及风光出力相关性的配电网多目标无功优化EI北大核心CSCD

风电-光伏机组的大量接入对传统的无功优化模型提出了新的挑战。提出了计及风光出力相关性的配电网多目标无功优化模型,采用粒子群优化神经网络(particle swarm algorithm-BP neural network,PSO-BP)依据过去天气预报和风电出力的历史数据训练得到风电预测出力曲线,利用综合场景概率法生成光伏出力曲线。用斯皮尔曼相关系数将风光之间的出力相关性量化,再考虑风机和光伏机组共同参与无功优化。采用多目标粒子群算法(multi-obj ective particle swarm optimization,MOPSO)求解模型,以改进的IEEE 33节点配电网系统作为仿真样本,求得兼顾网损和电压偏差的Pareto最优解集,从中选择最优方案。算例结果验证了风光出力相关性对无功优化的影响,以及分布式电源接入配电网能有效降低网损和提高节点电压。在实际运行中,各地区的风光出力均满足一定的自然规律,可以以斯皮尔曼相关系数大小为参考依据,实现分布式电源(distributed generation,DG)和静止无功补偿装置(static var compensator,SVC)的协同优化运行,为配电网的安全经济运行保驾护航。     

考虑光照概率性的含光伏发电系统的配电网无功优化

针对含光伏(photovoltaic,PV)发电系统配电网无功优化的特点,将PV发电系统无功调节能力和传统无功调压手段相结合,研究考虑PV发电系统无功出力的配电网无功优化模型和算法。针对PV发电系统出力受太阳辐照度影响的特点,建立基于太阳辐照度β分布的PV发电系统出力概率模型,分场景计算其出力情况和对应无功功率极限,以网损最小和节点电压越限惩罚作为目标函数;同时提出基于免疫蛙跳算法的无功优化算法,该算法通过在混合蛙跳算法(shuffled frog-leaping algorithm,SFLA)的框架引入克隆选择算法(clonal selection algorithm,CSA),在蛙群混合后选择较优解进行克隆、变异和选择,克服了SFLA局部搜索能力弱的特点;最后利用改进IEEE-33节点系统作为算例仿真分析,验证了模型及算法的正确性和有效性。     

含间歇性DG的主动配电网动态重构研究

考虑ADN(主动配电网)中间歇性DG(分布式电源)出力的时变性和系统负荷功率的不确定性,建立了含DG的ADN重构模型,提出了DEIWO(差分进化入侵杂草优化)算法,对配电网进行动态重构。利用柯西分布取代高斯分布对IWO(入侵杂草优化)算法进行空间扩散,在计算初始可以产生更多的可行解;引入DE(差分进化)策略,优化竞争生存操作过程,解决了IWO算法收敛速度慢且容易陷入局部最优的问题。利用改进的OFCMC(最优模糊C均值聚类)方法处理ADN动态重构问题,将ADN动态重构问题转化成C个代表负荷数据为聚类中心的静态重构问题。IEEE 33节点系统算例结果表明,利用DEIWO算法对接入DG的配电网重构后,各节点电压波动、电压偏差降低,节点电压整体提高至接近额定电压且无电压越限,配电网电压质量可达到最佳状态。     

计及风光出力相关性的配电网多目标无功优化

风电-光伏机组的大量接入对传统的无功优化模型提出了新的挑战。提出了计及风光出力相关性的配电网多目标无功优化模型,采用粒子群优化神经网络(particle swarm algorithm-BP neural network,PSO-BP)依据过去天气预报和风电出力的历史数据训练得到风电预测出力曲线,利用综合场景概率法生成光伏出力曲线。用斯皮尔曼相关系数将风光之间的出力相关性量化,再考虑风机和光伏机组共同参与无功优化。采用多目标粒子群算法(multi-obj ective particle swarm optimization,MOPSO)求解模型,以改进的IEEE 33节点配电网系统作为仿真样本,求得兼顾网损和电压偏差的Pareto最优解集,从中选择最优方案。算例结果验证了风光出力相关性对无功优化的影响,以及分布式电源接入配电网能有效降低网损和提高节点电压。在实际运行中,各地区的风光出力均满足一定的自然规律,可以以斯皮尔曼相关系数大小为参考依据,实现分布式电源(distributed generation,DG)和静止无功补偿装置(static var compensator,SVC)的协同优化运行,为配电网的安全经济运行保驾护航。     

基于场景时域概率的主动配电网全协调无功优化

针对主动配电网中风光荷储具有随机性和间歇性,无功全协调优化困难的问题,提出一种基于时域概率的场景分析法,采用CURE聚类法削减全场景数量,然后依次计算全场景的时域概率;提出一种计及源网荷储全协调互动的无功优化策略,通过求解网购电量最小为主要目标的有功优化模型得到集中式储能和可中断负荷的有功功率,以此建立主动配电网无功优化模型,并运用多目标粒子群算法求解,最后以某市一条10 kV配电线路为例验证本文方法的可行性和鲁棒性。     

计及电压稳定指标的含DG配电网无功优化

将分布式电源(DG)的无功调节能力与传统的电压调节手段相结合,研究了含DG的配电网无功优化问题。建立以降低系统网损、抑制电压波动和电压稳定指标为综合目标的配电网多目标无功优化模型。通过蒙特卡罗仿真对配电网系统进行无功补偿选址,采用模糊层次分析法确定各指标的权重系数,并基于量子混合蛙跳算法求解含DG的配电网无功优化问题。最后,通过IEEE 33节点系统进行仿真计算,结果表明在配电网接入DG的基础上进行无功优化能较大程度地改善系统电压水平和降低系统网损,并且证明了所提算法的可行性和有效性。