一种基于IHBA的配电网分布式电源选址定容方法与流程

一种基于ihba的配电网分布式电源选址定容方法
技术领域
1.本发明涉及配电网优化技术领域，具体涉及一种基于ihba的配电网分布式电源选址定容方法。


背景技术：

2.dg是一种支持现有配电系统运行而设计和安装在用户附近且与环境兼容的小型模块式独立电源，具有环保清洁、配置灵活、占地面积少的特点。dg能在现有规模的配电系统基础上直接为用户输送电能，缓解供电压力。同时由于分布式电源主要利用新能源发电节省了供电成本，并有利于减小环境污染。另外因其靠近用户端，电力传输距离缩短，能有效降低网络损耗，改善电压分布。我国新一轮电力体制改革以及电力电子技术、智能控制技术、新能源发电技术的不断成熟为分布式电源的发展提供了有利政策条件与技术条件，在将来智能配电网的建设中，dg的投入与运行将是其中重要的一环。
3.由于dg可以注入有功和无功功率，因此可以最大限度地减少网络损耗、改善电压质量、提高供电可靠性。同时，dg的接入使得配电网中的潮流具有双向性，dg并网会改变传统配电网的潮流分布，导致网络中各节点的负荷分布发生变化，dg并网点及容量的选择，对系统的运行特性有很大的影响，若配置不合理，不仅会增加系统运行有功损耗，对各母线电压水平造成影响，还会增加电网运行成本，因此，对dg进行合理优化配置具有极为重要的现实意义。


技术实现要素：

4.本发明的目的是为克服现有技术的不足，针对现有研究多采用群智能算法进行分布式电源选址定容，但传统方法具有收敛速度不高和收敛精度不够精确的缺点，本发明提出一种基于ihba的配电网分布式电源选址定容方法，首先建立dg选址定容模型，然后以系统运行有功损耗最小以及电压稳定指数最高建立目标函数，最后在各约束条件下采用ihba算法对该问题进行求解，可以使得dg接入后最大限度地降低配电系统的运行有功损耗并改善母线电压分布水平，相比于传统方法，改进方法具有更好的收敛特性，通过改进算法得到的选址定容结果，可以达到与商用求解器同样的优化效果。
5.本发明采用的技术方案为：一种基于ihba的配电网分布式电源选址定容方法，包括如下步骤：
6.步骤1：构建dg选址定容数学模型；
7.步骤2：确定dg选址定容的目标函数和约束条件；
8.步骤3：对标准蜜獾算法进行改进；
9.步骤4：基于改进蜜獾算法对分布式电源进行选址定容。
10.具体的，所述步骤1中，构建dg选址定容数学模型。接入dg的配电网，其功率损耗大小取决于接入在不同位置dg所发出的有功功率，因此，有功损耗的计算公式为：
[0011][0012]
式中，n为接入dg的数量；pi、pj分别为第i、j个dg发出的有功功率；b
ij
、b
i0
、b
00
分别表示损耗系数，大小取决于负荷用电和实际发电情况。
[0013]
假设接入n个dg后可以使系统有功损耗最小，当第n+1个dg安装在松弛节点处作为主要的供电电源时(其发出的有率为p1)，根据功率守恒原则，所有dg发出的有功功率等于负荷需求pd和损耗p
l
之和，即：
[0014][0015]
为了求得该场景下p
l
的最小值，将(2)作为等式约束条件，采用拉格朗日松弛法构造函数：
[0016][0017]
公式(3)两边对功率求偏导并令导数为0，即可求出最优解：
[0018][0019]
上式写成矩阵形式为：
[0020][0021]
式中，b＝[b
ij
]；b0＝[b
j0
]；p＝[pi]；j为雅克比矩阵。通过公式(5)即可求出dg的最佳配置容量，将其代入功率守恒方程(2)中展开有：
[0022][0023]
式中，x＝l/2(1+l)，l表示线路长度；e＝b-1
j＝[ej]；f＝0.5b-1
jb0＝[fj]。
[0024]
最后，通过上式可求出dg最佳接入位置和接入容量大小。
[0025]
具体的，所述步骤2，确定dg选址定容的目标函数和约束条件。为了求出步骤1中所述dg的最优接入位置x和容量p，以有功输出最小建立目标函数，并以各个节点电压的稳定性指数最大建立目标函数，随后将潮流约束以及各个dg的运行约束作为目标函数求解的约束条件。具体的目标函数表达式为：
[0026][0027]
式中，i
ij
表示流过支路ij的电流；r
ij
为支路ij的电阻；ui表示节点i的电压；pi、qi分别表示节点i处注入的有功和无功；p
ij
、q
ij
分别表示支路ij的有功和无功；n表示节点数。
[0028]
约束条件包括潮流等式约束、节点电压约束、支路电流约束、dg容量约束以及dg功率因数约束，具体数学表达式为：
[0029]
1)对于辐射型配电网，潮流方程等式约束为：
[0030][0031]
式中，pi、qi为节点i处总的有功和无功；ui、uj表示节点i、j处的电压；g
ij
、b
ij
表示支路ij的电导和电纳；θ
ij
表示节点i、j处对应电压的相角差；p
i,in
、q
i,in
表示节点i注入的有功和无功；p
i,out
、q
i,out
表示节点i输出的有功和无功；n
′
表示与节点i连接的节点数。
[0032]
2)对于节点i，其节点电压上下限约束可以表示为(通常设置节点i电压变化波动范围为
±
5％。)：
[0033]ui,min
≤ui≤u
i,max
ꢀꢀꢀꢀ
(9)
[0034]
3)支路电流约束：
[0035]
0≤i
ij
≤i
ij,max
ꢀꢀꢀꢀ
(10)
[0036]
式中，i
ij
为支路ij上的电流值；i
ij,max
为支路所允许的最大电流值。
[0037]
4)dg容量约束。dg接入配电网的有功功率与无功功率应是一个合适的有效值，约束可表示为：
[0038][0039]
式中，p
i,dg
、q
i,dg
表示dg在节点i处注入的有功功率和无功功率；p
dg,min
、p
dg,max
、q
dg,min
、q
dg,max
分别表示dg注入有功功率最小值、注入有功功率最大值、注入无功功率最小值、注入无功功率最大值。
[0040]
5)dg功率因数约束：
[0041][0042]
式中，pf
min
、pf
max
表示接入dg的功率因数最小、最大值。
[0043]
具体的，所述步骤3，对标准蜜獾算法进行改进。蜜獾算法来源于蜜獾寻找蜂蜜采取的两种行为。一种是蜜獾使用嗅觉来定位蜂蜜的位置，当到达蜂蜜周围，蜜獾会选择合适的地点获取食物，该行为对应算法探索阶段；另一行为是蜜獾在导蜜鸟的引导下定位到蜂蜜，该过程为采蜜阶段，对应算法的开采阶段。具体建模如下：
[0044]
1)种群初始化。在所设定的边界范围内随机初始化蜜獾的数量(种群规模n)和个体位置，具体数学公式为：
[0045]
xi＝lbi+r1(ubi+lbi)
ꢀꢀꢀꢀ
(13)
[0046]
式中，r1为[0,1]之间的随机值；xi为第i个蜜獾个体的位置，ub、lb为搜索空间的上下边界。
[0047]
2)探索阶段。在探索阶段，蜜獾执行心脏线形状的动作，通过以下公式模拟：
[0048]
x
new
＝x
p,best
+f
×
β
×ii
×
x
p,best
+f
×
r2×
α
×di
×
|cos(2π
·
r3)
×
[1-cos(2π
·
r4)]|
ꢀꢀ
(14)
[0049]
式中，x
new
表示蜜獾的更新位置；x
p,best
为当前状态下蜂蜜的全局最优位置；β表示蜜獾获取蜂蜜的能力；r2、r3、r4表示[0,1]之间的随机数；di表示蜜獾和蜂蜜之间的位置。f为改变搜索方向的标志，ii表示嗅觉强度，α表示密度因子，通过以下公式确定：
[0050][0051]
式中，r5为[0,1]之间的随机数。
[0052]ii
表示嗅觉强度，蜜獾的嗅觉强度和蜂蜜的集中程度与蜂蜜和蜜獾之间的距离有关。嗅觉强度越大，蜜獾的移动速度越快，反之蜜獾的移动速度越慢，具体的表达公式如下：
[0053][0054]
式中，r6为[0,1]之间的随机数；x
p
表示蜂蜜与xi之间的距离。
[0055]
α表示密度因子，密度因子会随着迭代次数的增加而减少，以减少模拟蜜獾觅食过程中随时间变化带来的不确定性，通过下面公式表示觅食时因子的变化情况：
[0056][0057]
式中，c为大于等于1的常数；t表示当前迭代次数，t
max
表示最大迭代次数。
[0058]
3)开发阶段。蜜獾跟随蜜引导鸟到达蜂巢或者蜜源的运动轨迹如下式：
[0059]
x
new
＝x
p,best
+f
×
r7×
α
×di
ꢀꢀꢀꢀ
(18)
[0060]
式中，r7为[0,1]之间的随机数。
[0061]
标准蜜獾算法采用随机方法初始化种群，导致搜索过程无法稳定获取目标精度和收敛速度；采蜜阶段，蜜獾群以食物源为牵引进行深度开发，以食物源为导向的更新机制会导致算法陷入局部最优，从而降低整体解的质量。为避免局部收敛和个体早熟等问题对蜜獾算法的寻优精度造成影响，引入反向策略对种群初始化，引入多方向寻优策略并对搜索轨迹和密度因子进行改进，进一步增强种群多样性和算法抵抗局部最优风险的能力。具体改进过程为：
[0062]
1)反向策略可以表示为：
[0063]
x
′m＝r
·
(ub+lb)-xmꢀꢀꢀꢀ
(19)
[0064]
式中，r为[0,1]之间的随机数；ub、lb分别表示搜索空间的上、下限边界值；xm表示当前蜜獾个体的位置；x
′m表示当前反向蜜獾个体的位置；然后从反向种群和当前种群中选择位置最优的个体，形成新的种群。
[0065]
2)多方向策略计算公式为：
[0066][0067]
式中，f
new
表示方向控制因子；rand、r8为[0,1]之间的随机数，有助于创建不同的搜索方向。
[0068]
3)在hba的全局探索阶段，种群利用心脏线形线的运动轨迹探索搜索空间。然而，在迭代早期，心形线的搜索范围有限，全局探索能力不足，因此提出利用螺旋搜索机制来防止上述情况的发生。螺旋搜索机制数学表达式为：
[0069]
h＝b
·
cos(2πa)ea·nꢀꢀꢀꢀ
(21)
[0070]
式中，a为[-1,1]之间的随机数，反映了螺旋线的运行轨迹；b、n表示螺旋线形状参数。
[0071]
4)密度因子更新策略的改进。随着迭代次数的增加，密度因子α以凹函数的形式连续减小，然而，α变化平缓会降低算法的收敛速度。此外，在算法迭代过程中，种群有可能落入局部最优，密度因子的持续降低可能导致种群无法逃离局部最优值。因此，提出采用准余弦规律变化的密度因子，其数学公式为：
[0072][0073]
改进后蜜獾的位置更新公式为：
[0074][0075]
具体的，所述步骤4，基于改进蜜獾算法对分布式电源进行选址定容。主要步骤为：
[0076]
1)初始化蜜獾种群数量、最大迭代次数以及配电网初始参数信息；
[0077]
2)通过潮流计算得到初始功率和电压分布情况；
[0078]
3)将有功损耗最小作为算法的适应度函数，通过计算种群的适应度值确定出当前全局最优蜜獾个体的位置，最优位置对应dg接入的容量和位置信息；
[0079]
4)通过算法不断探索和开发得到更新后蜜獾的位置，并对适应度值进行更新，随后比较当前全局最优解和上一次迭代中的全局最优解，判断当前最优解是否更小；
[0080]
5)判断是否达到最大迭代次数，若达到最大迭代次数，输出最优蜂蜜的位置，对应dg最优选址定容结果，否则不断执行3)和4)直至满足算法终止条件。
[0081]
本发明与现有技术相比，具有以下的有益效果：
[0082]
本发明提出一种基于ihba的配电网分布式电源选址定容方法，首先建立dg选址定容模型，然后以系统运行有功损耗最小以及电压稳定指数最高建立目标函数，最后在各约束条件下采用ihba算法对该问题进行求解，可以使得dg接入后最大限度地降低配电系统的运行有功损耗并改善母线电压分布水平，ihba在求解效率及准确性上更优于传统的hba算法，表明在算法中引入反向策略对种群初始化，引入多方向寻优策略并对搜索轨迹和密度因子进行改进，可以提高算法的全局最优搜索能力，避免过早陷入局部最优，且相比于其他传统方法具有更明显的收敛特性，通过改进算法得到的选址定容结果，可以达到与商用求解器同样的优化效果。
附图说明
[0083]
附图1为本发明基于改进蜜獾算法的分布式电源选址定容方法流程；
[0084]
附图2为本发明实施例中ieee-33节点系统图；
[0085]
附图3为本发明实施例中各个算法收敛特性对比图；
[0086]
附图4为本发明实施例中利用各个算法进行dg选址定容后各母线电压的分布情况；
[0087]
附图5为本发明实施例中利用各个算法进行dg选址定容后各支路有功损耗情况。
具体实施方式
[0088]
下面将利用实施例对所提方法进行有效性验证，并结合附图对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0089]
如附图1预测流程，一种基于ihba的配电网分布式电源选址定容方法，主要包括以下主要步骤：
[0090]
步骤1：构建dg选址定容数学模型；
[0091]
步骤2：确定dg选址定容的目标函数和约束条件；
[0092]
步骤3：对标准蜜獾算法进行改进；
[0093]
步骤4：基于改进蜜獾算法对分布式电源进行选址定容。
[0094]
在matlab平台和yalmip环境中编程，求解用于所提步骤1中的dg选址定容模型，并结合步骤2中的目标函数和约束条件，采用ieee-33节点配电系统作为案例来验证本文所提方法的有效性，其拓扑结构如附图2所示，表1给出了接入不同dg数目下的通过yalmip求解器得到的优化结果，所接dg的功率因数为单位功率因数，从表1可以看出随着接入dg个数的增加，有功功率损耗显著降低、电压稳定指数得到提高。值得注意的是，并网dg数目从2增加至3时，有功损耗逐渐减小，但减小速度变缓，电压稳定指数趋于恒定值，这种情况下再增加dg数目无异于增加投资，也就这意味着增加一个dg并没有节约更多的运营成本和带来更好的系统电能质量，因此，在考虑系统电能质量适度妥协和合适的投资成本下，在ieee-33节点系统配置3个dg是最理想的方案，接入节点号为16、25、26，接入的容量大小分别为505.7kw、391.9kw、1687.1kw。
[0095]
表1基于yalmip求解器得到的不同dg数目下的优化结果
[0096][0097]
在此基础上，选择接入dg的数量为3，采用步骤3所述的ihba与标准hba、遗传算法(ga)、粒子群算法(pso)以及yalmip求解器的求解结果进行对比，设置最大迭代次数为100，种群数为30，得到的对比情况如表2所示，各对比方法的收敛曲线如附图3所示，各个母线电压水平分布如附图4所示，各支路的有功损耗如附图5所示。通过图表可以直观得到，ihba得到的有功损耗、电压稳定指数分别为5.11kw、0.990，相比于yalmip求解器，ihba与其求解性能相近，且更优，同其它群智能算法相比，该方法计算得到的各项指标最优，收敛性特性更好，这也验证了改进方法的有效性和优越性。
[0098]
表2各方法得到的数目下的优化结果
[0099][0100]
综上，通过ihba对dg进行合理的选址定容，在dg最佳位置上配置合适的容量后，有效降低了运行损耗，改善了电压分布，提高了电压稳定性，充分证明了所提方法的有效性和优越性。
[0101]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：
1.一种基于ihba的配电网分布式电源选址定容方法，其特征在于，包括以下步骤：步骤1：构建dg选址定容数学模型；步骤2：确定dg选址定容的目标函数和约束条件；步骤3：对标准蜜獾算法进行改进；步骤4：基于改进蜜獾算法对分布式电源进行选址定容。2.根据权利要求1所述的一种基于ihba的配电网分布式电源选址定容方法，其特征在于，所述步骤1：构建dg选址定容数学模型；dg选址定容的数学模型可以表示为：式中，b＝[b
ij
]，b0＝[b
j0
]，表示损耗系数，大小取决于负荷用电和实际发电情况；p＝[p
i
]，表示dg接入容量大小；j为雅克比矩阵；x＝l/2(1+l)，l表示线路长度；e＝b-1
j＝[e
j
]；f＝0.5b-1
jb0＝[f
j
]；x表示dg最佳接入位置；p
d
表示负荷需求功率。3.根据权利要求1所述的一种基于ihba的配电网分布式电源选址定容方法，其特征在于，所述步骤2：确定dg选址定容的目标函数和约束条件；以有功输出最小建立目标函数，并以各个节点电压的稳定性指数最大建立目标函数，随后将潮流约束以及各个dg的运行约束作为目标函数求解的约束条件；具体的目标函数表达式为：式中，i
ij
表示流过支路ij的电流；r
ij
为支路ij的电阻；u
i
表示节点i的电压；p
i
、q
i
分别表示节点i处注入的有功和无功；p
ij
、q
ij
分别表示支路ij的有功和无功；n表示节点数；约束条件包括潮流等式约束、节点电压约束、支路电流约束、dg容量约束以及dg功率因数约束，具体数学表达式为：1)对于辐射型配电网，潮流方程等式约束为：式中，p
i
、q
i
为节点i处总的有功和无功；u
i
、u
j
表示节点i、j处的电压；g
ij
、b
ij
表示支路ij的电导和电纳；θ
ij
表示节点i、j处对应电压的相角差；p
i,in
、q
i,in
表示节点i注入的有功和无功；p
i,out
、q
i,out
表示节点i输出的有功和无功；n
′
表示与节点i连接的节点数；2)对于节点i，其节点电压上下限约束可以表示为(通常设置节点i电压变化波动范围为
±
5％)：u
i,min
≤u
i
≤u
i,max
3)支路电流约束：
0≤i
ij
≤i
ij,max
式中，i
ij
为支路ij上的电流值；i
ij,max
为支路所允许的最大电流值；4)dg容量约束；dg接入配电网的有功功率与无功功率应是一个合适的有效值，约束可表示为：式中，p
i,dg
、q
i,dg
表示dg在节点i处注入的有功功率和无功功率；p
dg,min
、p
dg,max
、q
dg,min
、q
dg,max
分别表示dg注入有功功率最小值、注入有功功率最大值、注入无功功率最小值、注入无功功率最大值；5)dg功率因数约束：式中，pf
min
、pf
max
表示接入dg的功率因数最小、最大值。4.根据权利要求1所述的一种基于ihba的配电网分布式电源选址定容方法，其特征在于，所述步骤3：对标准蜜獾算法进行改进；引入反向策略对种群进行初始化，引入多方向寻优策略并对搜索轨迹和密度因子进行改进，进一步增强种群多样性和算法抵抗局部最优风险的能力；具体改进过程为：1)反向策略可以表示为：x
′
m
＝r
·
(ub+lb)-x
m
式中，r为[0,1]之间的随机数；ub、lb分别表示搜索空间的上、下限边界值；x
m
表示当前蜜獾个体的位置；x
′
m
表示当前反向蜜獾个体的位置；然后从反向种群和当前种群中选择位置最优的个体，形成新的种群；2)多方向策略计算公式为：式中，f
new
表示方向控制因子；rand、r8为[0,1]之间的随机数，有助于创建不同的搜索方向；3)在hba的全局探索阶段，种群利用心脏线形线的运动轨迹探索搜索空间，然而，在迭代早期，心脏线形线的搜索范围有限，全局探索能力不足，因此提出利用螺旋搜索机制来防止上述情况的发生；螺旋搜索机制数学表达式为：h＝b
·
cos(2πa)e
a
·
n
式中，a为[-1,1]之间的随机数，反映了螺旋线的运行轨迹；b、n表示螺旋线形状参数；4)密度因子更新策略的改进；改进后密度因子α的计算公式为：综上，改进后蜜獾的位置更新公式为：
5.根据权利要求1所述的一种基于ihba的配电网分布式电源选址定容方法，其特征在于，所述步骤4：基于改进蜜獾算法对分布式电源进行选址定容；具体优化步骤为：1)初始化蜜獾种群数量、最大迭代次数以及配电网初始参数信息；2)通过潮流计算得到初始功率和电压分布情况；3)将有功损耗最小作为算法的适应度函数，通过计算种群的适应度值确定出当前全局最优蜜獾个体的位置，最优位置对应dg接入的容量和位置信息；4)通过算法不断探索和开发得到更新后蜜獾的位置，并对适应度值进行更新，随后比较当前全局最优解和上一次迭代中的全局最优解，判断当前最优解是否更小；5)判断是否达到最大迭代次数，若达到最大迭代次数，输出最优蜂蜜的位置，对应dg最优选址定容结果，否则不断执行3)和4)直至满足算法终止条件。

技术总结
本发明涉及一种基于IHBA的配电网分布式电源选址定容方法：首先，构建分布式电源（DG）选址定容的数学模型，并确定DG选址定容的目标函数和约束条件；然后，为进一步提高蜜獾算法（HBA）在问题求解过程中的搜索能力和收敛特性，对标准HBA进行改进；最后，通过软件仿真，基于改进HBA（IHBA）进行DG选址定容问题求解，验证所提方法的有效性与优越性。经过仿真分析，采用改进方法可以使得DG接入后最大限度地降低配电系统的运行有功损耗并改善母线电压分布水平，相比于传统方法，改进方法具有更好的收敛特性，通过改进算法得到的选址定容结果，可以达到与商用求解器同样的优化效果。可以达到与商用求解器同样的优化效果。可以达到与商用求解器同样的优化效果。


技术研发人员：苗桂喜 王鑫 元亮 孙浩然 席晟哲 王继勇 胡建礼 崔哲芳 王远 王丽晔 郑惠瀛 梁悦 苏子乐 王琪 石英骅
受保护的技术使用者：国网河南省电力公司安阳供电公司
技术研发日：2023.05.29
技术公布日：2023/8/9