一種分布式電源優化配置的方法及系統的制作方法
【專利摘要】本申請提供了一種分布式電源優化配置的方法中，確定分布式電源的概率密度函數和負荷的概率密度函數；根據所述分布式電源的概率密度函數和所述負荷的概率密度函數，建立分布式電源和負荷的不確定性數學模型；確定分布式電源優化配置的目標函數與約束條件，建立計及不確定性的分布式電源優化配置模型；按照預設的方法對所述計及不確定性的分布式電源優化配置模型進行求解，得到Pareto最優解；計算所述Pareto最優解對應的標準化滿意度值，根據所述標準化滿意度值確定所述分布式電源優化配置方案。不僅能有效處理分布式電源優化配置中的不確定性，還充分考慮了各目標函數之間的相關性，有效避免了優化方案針對性強的問題。
【專利說明】-種分布式電源優化配置的方法及系統
【技術領域】
[0001] 本申請涉及分布式發電【技術領域】，特別涉及一種分布式電源優化配置的方法及系 統。
【背景技術】
[0002] 隨著技術的發展，人們對配電網中分布式電源優化配置的方法要求越來越高。
[0003] 現有的配電網中分布式電源優化配置的方法中，一般都忽略了不確定性對分布式 電源優化配置的影響，且建立的模型比較單一，準確性差。
[0004] 因此，如何能夠準確的進行分布式電源的優化配置是本領域技術人員目前需要解 決的技術問題。
【發明內容】
[0005] 本申請所要解決的技術問題是提供一種分布式電源優化配置的方法及系統，解決 了現有技術中一般都忽略了不確定性對分布式電源優化配置的影響，且建立的模型比較單 一，準確性差的問題。
[0006] 其具體方案如下：
[0007] -種分布式電源優化配置的方法，其特征在于，
[0008] 確定分布式電源的概率密度函數和負荷的概率密度函數；
[0009] 根據所述分布式電源的概率密度函數和所述負荷的概率密度函數，建立分布式電 源和負荷的不確定性數學模型；
[0010] 確定分布式電源優化配置的目標函數與約束條件，建立計及不確定性的分布式電 源優化配置模型；
[0011] 利用基于拉丁超立方采樣的蒙特卡羅模擬嵌入多目標粒子群算法對所述計及不 確定性的分布式電源優化配置模型進行求解，得到Pareto最優解；
[0012] 計算所述ParetO最優解對應的標準化滿意度值，根據所述標準化滿意度值確定 所述分布式電源優化配置方案。
[0013] 上述的方法，優選的，
[0014] 所述利用基于拉丁超立方采樣的蒙特卡羅模擬嵌入多目標粒子群算法對所述計 及不確定性的分布式電源優化配置模型進行求解，得到Pareto最優解，包括：
[0015] 獲取原始數據，所述原始數據包括配電網網絡參數、多目標粒子群算法參數以及 拉丁超立方采樣規模；
[0016] 對粒子進行編碼，初始化所述粒子的速度和位置；
[0017] 采用外部精英存儲迭代中搜索到的ParetO最優解，設定外部精英集的大小，并初 始化所述外部精英集，設置迭代次數t = 1 ;
[0018] 將所述目標函數分別作為多目標粒子群算法的適應度函數，采用基于拉丁超立方 采樣的蒙特卡羅模擬法進行不確定潮流計算，得出粒子的適應度值；
[0019] 基于Pareto支配關系，確定所述粒子的個體極值；
[0020] 按照預設的方法確定粒子群的全局極值；
[0021] 按照預設的更新方法更新所述粒子的慣性權重、學習因子、速度和位置；
[0022] 設置所述迭代次數t = t+Ι，重復執行所述不確定潮流計算、所述確定個體極值、 所述確定全局極值和所述更新的過程，直到所述迭代次數t = T ;
[0023] 輸出所述外部精英集中保留的所述Pareto最優解。
[0024] 上述的方法，優選的，
[0025] 所述計算Pareto最優解對應的標準化滿意度值，根據所述標準化滿意度值確定 所述分布式電源優化配置方案，包括：
[0026] 利用模糊隸屬度函數表示每個所述Pareto最優解中各目標函數對應的滿意度；
[0027] 按照預設的計算方法，計算所述Pareto最優解的標準化滿意度值；
[0028] 確定所述標準化滿意度值最大的解所對應的分布式電源優化配置方案為所述分 布式電源優化配置的最佳方案。
[0029] 上述的方法，優選的，
[0030] 所述基于Pareto支配關系，確定所述粒子的個體極值，包括：
[0031] 定義Pareto支配關系；
[0032] 根據所述Pareto支配關系和Pareto最優解，確定所述粒子的個體極值。
[0033] 上述的方法，優選的，
[0034] 所述按照預設的方法確定粒子所屬的粒子群的全局極值，包括：
[0035] 將所述外部精英集作為所述粒子群全局極值的候選集合，基于所述Pareto支配 關系對所述外部精英集進行更新；
[0036] 計算更新后的所述外部精英集中每個Pareto最優解的擁擠距離；
[0037] 根據所述擁擠距離維持所述外部精英集的容量，保留擁擠距離較大的粒子，剔除 擁擠距離較小的粒子；
[0038] 按照預設的概率，從所述外部精英集中隨機選取一個粒子，將所述粒子的位置作 為所述粒子群的全局極值。
[0039] 一種分布式電源優化配置的系統，該系統包括：
[0040] 第一確定單元，用于確定分布式電源的概率密度函數和負荷的概率密度函數；
[0041] 第一建立單元，用于根據所述分布式電源的概率密度函數和所述負荷的概率密度 函數，建立分布式電源和負荷的不確定性數學模型；
[0042] 第二確定單元，用于確定分布式電源優化配置的目標函數與約束條件，建立計及 不確定性的分布式電源優化配置模型；
[0043] 求解單元，用于利用基于拉丁超立方采樣的蒙特卡羅模擬嵌入多目標粒子群算法 對所述計及不確定性的分布式電源優化配置模型進行求解，得到Pareto最優解；
[0044] 第一計算單元，用于計算所述Pareto最優解對應的標準化滿意度值，根據所述標 準化滿意度值確定所述分布式電源優化配置方案。
[0045] 上述的系統,優選的,所述求解單元包括：
[0046] 獲取單元，用于獲取原始數據，所述原始數據包括配電網網絡參數、多目標粒子群 算法參數以及拉丁超立方采樣規模；
[0047] 編碼單元，用于對粒子進行編碼，初始化所述粒子的速度和位置；
[0048] 設定單元，用于采用外部精英存儲迭代中搜索到的Pareto最優解，設定外部精英 集的大小，并初始化所述外部精英集，設置迭代次數t = 1 ;
[0049] 第二計算單元，用于將所述目標函數分別作為多目標粒子群算法的適應度函數， 采用基于拉丁超立方采樣的蒙特卡羅模擬法進行不確定潮流計算，得出粒子的適應度值；
[0050] 第三確定單元，用于基于Pareto支配關系，確定所述粒子的個體極值；
[0051] 第四確定單元，用于按照預設的方法確定粒子群的全局極值；
[0052] 第一更新單元，用于按照預設的更新方法更新所述粒子的慣性權重、學習因子、速 度和位置；
[0053] 設置單元，用于設置所述迭代次數t = t+Ι，重復執行所述不確定潮流計算、所述 確定個體極值、所述確定全局極值和所述更新的過程，直到所述迭代次數t = T ;
[0054] 輸出單元，用于輸出所述外部精英集中保留的所述Pareto最優解。
[0055] 上述的系統，優選的，所述第一計算單元包括：
[0056] 表示單元，用于利用模糊隸屬度函數表示每個所述Pareto最優解中各目標函數 對應的滿意度；
[0057] 第三計算單元，用于按照預設的計算方法，計算每個所述Pareto最優解的標準化 滿意度值；
[0058] 第五確定單元，用于確定所述標準化滿意度值最大的解所對應的分布式電源優化 配置方案為所述分布式電源優化配置的最佳方案。
[0059] 上述的系統，優選的，所述第三確定單元包括：
[0060] 定義單元，用于定義Pareto支配關系；
[0061] 第六確定單元，用于根據所述Pareto支配關系和Pareto最優解，確定所述粒子的 個體極值。
[0062] 上述的系統，優選的，所述第四確定單元包括：
[0063] 第二更新單元，用于將所述外部精英集作為所述粒子群全局極值的候選集合，基 于所述Pareto支配關系對所述外部精英集進行更新；
[0064] 第四計算單元，用于計算更新后的所述外部精英集中每個Pareto最優解的擁擠 距離；
[0065] 維持單元，用于根據所述擁擠距離維持所述外部精英集的容量，保留擁擠距離較 大的粒子，剔除擁擠距離較小的粒子；
[0066] 選取單元，用于按照預設的概率，從所述外部精英集中隨機選取一個粒子，將所述 粒子的位置作為所述粒子群的全局極值。
[0067] 本申請提供的一種分布式電源優化配置的方法中，確定分布式電源的概率密度函 數和負荷的概率密度函數；根據所述分布式電源的概率密度函數和所述負荷的概率密度函 數，建立分布式電源和負荷的不確定性數學模型；確定分布式電源優化配置的目標函數與 約束條件，建立計及不確定性的分布式電源優化配置模型；按照預設的方法對所述計及不 確定性的分布式電源優化配置模型進行求解，得到Pareto最優解；計算所述Pareto最優解 對應的標準化滿意度值，根據所述標準化滿意度值確定所述分布式電源優化配置方案。本 發明所述的分布式電源優化配置方法，建立了綜合考慮分布式電源優化配置的經濟性、安 全性以及環境影響的多目標優化模型，能夠更加全面地反映實際情況，具有更高的準確性； 將基于拉丁超立方采樣的蒙特卡羅模擬嵌入多目標粒子群算法進行模型求解，不僅能有效 處理分布式電源優化配置中的不確定性，還充分考慮了各目標函數之間的相關性，有效避 免了優化方案針對性強的問題。
【專利附圖】
【附圖說明】
[0068] 為了更清楚地說明本申請實施例中的技術方案，下面將對實施例描述中所需要使 用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對于 本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其 他的附圖。
[0069] 圖1是本申請的一種分布式電源優化配置的方法實施例的流程圖；
[0070] 圖2是本申請的一種分布式電源優化配置的系統實施例的結構示意圖。
【具體實施方式】
[0071] 本發明的核心是提供一種分布式電源優化配置的方法及系統，解決了現有技術中 一般都忽略了不確定性對分布式電源優化配置的影響，且建立的模型比較單一，準確性差 的問題。
[0072] 下面將結合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。基于 本申請中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他 實施例，都屬于本申請保護的范圍。
[0073] 參考圖1，示出了本申請一種分布式電源優化配置的方法實施例的流程圖，可以包 括以下步驟：
[0074] 步驟SlOl :確定分布式電源的概率密度函數和負荷的概率密度函數。
[0075] 步驟S102 :根據所述分布式電源的概率密度函數和所述負荷的概率密度函數，建 立分布式電源和負荷的不確定性數學模型。
[0076] 風力發電機的模型主要由風速模型和風機出力模型兩部分組成，在擬合風速分布 的模型中，應用最為廣泛的是雙參數Weibull分布模型，其概率密度函數f(v)為：
【權利要求】
1. 一種分布式電源優化配置的方法，其特征在于，該方法包括： 確定分布式電源的概率密度函數和負荷的概率密度函數； 根據所述分布式電源的概率密度函數和所述負荷的概率密度函數，建立分布式電源和 負荷的不確定性數學模型； 確定分布式電源優化配置的目標函數與約束條件，建立計及不確定性的分布式電源優 化配置模型； 利用基于拉下超立方采樣的蒙特卡羅模擬嵌入多目標粒子群算法對所述計及不確定 性的分布式電源優化配置模型進行求解，得到Pareto最優解； 計算所述Pareto最優解對應的標準化滿意度值，根據所述標準化滿意度值確定所述 分布式電源優化配置方案。
2. 根據權利要求1所述的方法，其特征在于，所述利用基于拉下超立方采樣的蒙特卡 羅模擬嵌入多目標粒子群算法對所述計及不確定性的分布式電源優化配置模型進行求解， 得到Pareto最優解，包括： 獲取原始數據，所述原始數據包括配電網網絡參數、多目標粒子群算法參數W及拉下 超立方采樣規模； 對粒子進行編碼，初始化所述粒子的速度和位置； 采用外部精英存儲迭代中搜索到的Pareto最優解，設定外部精英集的大小，并初始化 所述外部精英集，設置迭代次數t = 1 ; 將所述目標函數分別作為多目標粒子群算法的適應度函數，采用基于拉下超立方采樣 的蒙特卡羅模擬法進行不確定潮流計算，得出粒子的適應度值； 基于Pareto支配關系，確定所述粒子的個體極值； 按照預設的方法確定粒子群的全局極值； 按照預設的更新方法更新所述粒子的慣性權重、學習因子、速度和位置； 設置所述迭代次數t = t+1，重復執行所述不確定潮流計算、所述確定個體極值、所述 確定全局極值和所述更新的過程，直到所述迭代次數t = T ; 輸出所述外部精英集中保留的所述Pareto最優解。
3. 根據權利要求1所述的方法，其特征在于，所述計算Pareto最優解對應的標準化滿 意度值，根據所述標準化滿意度值確定所述分布式電源優化配置方案，包括： 利用模糊隸屬度函數表示每個所述Pareto最優解中各目標函數對應的滿意度； 按照預設的計算方法，計算所述Pareto最優解的標準化滿意度值； 確定所述標準化滿意度值最大的解所對應的分布式電源優化配置方案為所述分布式 電源優化配置的最佳方案。
4. 根據權利要求2所述的方法，其特征在于，所述基于Pareto支配關系，確定所述粒子 的個體極值，包括： 定義Pareto支配關系； 根據所述Pareto支配關系和Pareto最優解，確定所述粒子的個體極值。
5. 根據權利要求2所述的方法，其特征在于，所述按照預設的方法確定粒子所屬的粒 子群的全局極值，包括： 將所述外部精英集作為所述粒子群全局極值的候選集合，基于所述Pareto支配關系 對所述外部精英集進行更新； 計算更新后的所述外部精英集中每個Pareto最優解的擁擠距離； 根據所述擁擠距離維持所述外部精英集的容量，保留擁擠距離較大的粒子，剔除擁擠 距離較小的粒子； 按照預設的概率，從所述外部精英集中隨機選取一個粒子，將所述粒子的位置作為所 述粒子群的全局極值。
6. -種分布式電源優化配置的系統，其特征在于，該系統包括： 第一確定單元，用于確定分布式電源的概率密度函數和負荷的概率密度函數； 第一建立單元，用于根據所述分布式電源的概率密度函數和所述負荷的概率密度函 數，建立分布式電源和負荷的不確定性數學模型； 第二確定單元，用于確定分布式電源優化配置的目標函數與約束條件，建立計及不確 定性的分布式電源優化配置模型； 求解單元，用于利用基于拉下超立方采樣的蒙特卡羅模擬嵌入多目標粒子群算法對所 述計及不確定性的分布式電源優化配置模型進行求解，得到Pareto最優解； 第一計算單元，用于計算所述Pareto最優解對應的標準化滿意度值，根據所述標準化 滿意度值確定所述分布式電源優化配置方案。
7. 根據權利要求6所述的系統，其特征在于，所述求解單元包括： 獲取單元，用于獲取原始數據，所述原始數據包括配電網網絡參數、多目標粒子群算法 參數W及拉下超立方采樣規模； 編碼單元，用于對粒子進行編碼，初始化所述粒子的速度和位置； 設定單元，用于采用外部精英存儲迭代中搜索到的Pareto最優解，設定外部精英集的 大小，并初始化所述外部精英集，設置迭代次數t = 1 ; 第二計算單元，用于將所述目標函數分別作為多目標粒子群算法的適應度函數，采用 基于拉下超立方采樣的蒙特卡羅模擬法進行不確定潮流計算，得出粒子的適應度值； 第H確定單元，用于基于Pareto支配關系，確定所述粒子的個體極值； 第四確定單元，用于按照預設的方法確定粒子群的全局極值； 第一更新單元，用于按照預設的更新方法更新所述粒子的慣性權重、學習因子、速度和 位置； 設置單元，用于設置所述迭代次數t = t+1，重復執行所述不確定潮流計算、所述確定 個體極值、所述確定全局極值和所述更新的過程，直到所述迭代次數t = T ; 輸出單元，用于輸出所述外部精英集中保留的所述化reto最優解。
8. 根據權利要求6所述的系統，其特征在于，所述第一計算單元包括： 表示單元，用于利用模糊隸屬度函數表示每個所述Pareto最優解中各目標函數對應 的滿意度； 第H計算單元，用于按照預設的計算方法，計算所述Pareto最優解的標準化滿意度 值； 第五確定單元，用于確定所述標準化滿意度值最大的解所對應的分布式電源優化配置 方案為所述分布式電源優化配置的最佳方案。
9. 根據權利要求7所述的系統，其特征在于，所述第H確定單元包括： 定義單元，用于定義Pareto支配關系； 第六確定單元，用于根據所述Pareto支配關系和Pareto最優解，確定所述粒子的個體 極值。
10.根據權利要求7所述的方法，其特征在于，所述第四確定單元包括： 第二更新單元，用于將所述外部精英集作為所述粒子群全局極值的候選集合，基于所 述Pareto支配關系對所述外部精英集進行更新； 第四計算單元，用于計算更新后的所述外部精英集中每個Pareto最優解的擁擠距離； 維持單元，用于根據所述擁擠距離維持所述外部精英集的容量，保留擁擠距離較大的 粒子，剔除擁擠距離較小的粒子； 選取單元，用于按照預設的概率，從所述外部精英集中隨機選取一個粒子，將所述粒子 的位置作為所述粒子群的全局極值。
【文檔編號】G06Q10/04GK104463374SQ201410815950
【公開日】2015年3月25日 申請日期:2014年12月23日 優先權日:2014年12月23日
【發明者】趙波, 周金輝, 吳紅斌, 徐琛, 王子凌 申請人:國家電網公司, 國網浙江省電力公司電力科學研究院