本發明涉及一種含分布式電源的配電網多目標優化調度方法，屬于配電網調度技術領域。

背景技術：

近年來為應對能源、環保和氣候變化的挑戰，低碳可再生能源得到大力發展，新能源以分布式電源的形式直接接入配電網是今后的發展趨勢。配電網是直接或降壓后將電能送到用戶側的電網，研究大量分布式電源接入后的系統結構和運行顯得極其重要。

含分布式電源配電網優化問題中存在諸多指標需要優化，如電壓偏差、網損、分布式電源最大準入容量等，故需要多目標優化算法進行求解。目前主要有兩類方法對該問題進行求解，一類是采用加權法對每個目標進行加權，然后作為單目標優化；一類是采用多目標優化算法獲得帕累托解集，然后再通過決策方法確定最優的解。

近年來，多目標進化算法以其靈活性高、魯棒性強、適應性廣等優點被廣泛應用于求解電力系統優化調度問題。例如，有些學者將多目標遺傳算法和非占優選擇方法應用到電力系統電網規劃中；還有些學者將多目標粒子群算法應用于求解含DG配電網重構問題。最近，一個新的多目標優化算法，多領頭者群體搜索算法(Group Search Optimizer with Multiple Producers,GSOMP)被提出來求解經濟排放調度。GSOMP是基于群搜索算法(Group Search Optimizer，GSO)而提出的，仿真結果證明GSOMP算法明顯優于多目標遺傳算法和多目標粒子群算法。

在GSOMP中，種群個體被賦予三種不同的角色，分別為領頭者、追隨者和游蕩者。領頭者是指種群中適應值最好的個體，其任務為帶領整個種群尋找優質資源，并且其數量等于優化目標的個數。除了領頭者，剩下的個體被隨機的分為追隨者和游蕩者，追隨者將隨機的選擇一個領頭者，并且追隨該領頭者，分享該領頭者發現的資源，為快速收斂到最優點，保證算法的局部搜索性能；游蕩者將在整個搜素區域內進行隨機漫步(Random Walk，RW)，旨在保持種群多樣性，避免算法陷入局部最優，確保算法的全局搜索性能。盡管GSOMP在求解復雜電力系統調度問題上優于多目標遺傳算法和多目標粒子群算法，但該算法在優化高維多模優化問題時，仍存在收斂速度慢的缺點。

對于基于加權的單目標優化方法，需要統一量綱，且權值的分配帶有主觀人為因素，具有片面性、缺乏科學性。對于多目標優化算法，主要有多目標粒子群算法、多目標遺傳算法和多目標群搜索算法等，它們存在局部搜索或全局搜索性能不足的問題，即不收斂或者容易陷入局部最優。

技術實現要素：

針對上述多目標優化算法的不足，本發明提出了一種含分布式電源的配電網多目標優化調度方法，其能夠權衡局部搜索和全局搜索，旨在快速搜索到全局最優解。

本發明解決其技術問題采取的技術方案是：一種含分布式電源的配電網多目標優化調度方法，其特征是，包括以下步驟：

S1:建立含多類型DG的多目標配電網模型,所述多目標配電網模型以系統節點最大電壓偏差最小、配電網各支路的網絡損耗最小和配電網的分布式電源接入最大為目標函數；

S2:確定約束條件，所述約束條件包括潮流方程約束、DG有功功率上限約束和節點電壓約束；

S3:進行配電網調度優化，所述對配電網調度進行優化的過程為通過引入群體動物的自學習機制,構建基于多群體自學習的多目標群搜索算法對配電網調度問題進行優化。

基于當考慮配電網電壓偏差、網絡損耗、DG容量和潮流方程等方面問題時，配電網優化配置是一個多目標、多約束的復雜優化問題，本發明建立的多目標配電網模型以DG入網容量最大、以系統網損最小和電壓偏差最小為目標函數，以潮流方程、DG容量極限為約束條件，綜合考慮PQ、PV和PI類型的DG接入；基于自學習群體搜索算法(Self-Learning Group Search Optimizer，SLGSO)，提出了多群體自學習群搜素算法(Multiple Self-Learning Group Search Optimizer，MSLGSO)來優化所建立的多目標配電網模型。

優選地，在步驟S1中，以系統節點最大電壓偏差最小為目標函數f₁、以配電網各支路的網絡損耗最小為目標函數f₂、以配電網的分布式電源接入最大為目標函數f₃建立多目標配電網模型；

所述目標函數f₁為：

式中：P_i和Q_i分別為節點i的有功功率和無功功率；R_i和X_i分別為節點i處的等值電阻和電抗；V_iN為節點i處電壓的額定值；n為系統總的節點數；

所述目標函數f₂為：

式中：L為系統總支路數；r_j為支路j電阻；P_j和Q_j分別為支路j末端流過的有功功率和無功功率；

所述目標函數f₃為：

式中：N_DG為配電網接入總的DG數；P_DGj為第j個節點接入DG的有功功率；P_Li為第i個節點負荷的有功功率。

優選地，在所述約束條件中：

1)潮流方程約束為：

式中：P_DGi和Q_DGi分別為在第i個節點處注入的DG有功功率和無功功率；P_Li和Q_Li分別為第i個節點處負荷的有功功率和無功功率；G_ij和B_ij分別為節點i和j之間的電導和電納；δ_ij為節點i和j之間的電壓相角差；

2)DG有功功率上限約束為：

式中：為第i個節點允許接入DG的有功功率上限；

3)節點電壓約束為：

V_i^min≤V_i≤V_i^max (6)

式中：V_i^min和V_i^max分別為第i個節點電壓的下、上極限。

優選地，在步驟S3中，所述多群體自學習群搜素算法包括：

領頭者搜索機制：

將每個群體中適應值最小的個體視為領頭者，每個領頭者將沿著三個方向進行隨機搜索，尋找優質資源，確定其下一代的位置；在第g代中，第p個群體的領頭者x_p^g搜素機制如下：

式中：r₁和r₂為(0,1)內的隨機數；l_max和θ_max分別為最大搜索距離和最大搜索視角；為領頭者在第g代的搜索視角；f_p為第p個目標函數；D為單位矩陣，CircShit(.)為極坐標和直角坐標變換；

組織者搜索機制：

在每個群體的每一代中，隨機選取一些個體視為組織者，組織者將對其對應的群體的每一代成功進化路徑進行學習，確定其在下一代中的進化路徑和進化步長；在g代的第p個群體中，第k個組織者的具體搜索機制如下：

式中，σ_p^g為在g代中第p個種群組織者的進化步長；N(0,C_p^g)為由在g代中第p個種群得組織者形成的多元正態分布；

游蕩者搜索機制：

除了領頭者和組織者，每個群體中剩余的個體被視為游蕩者，采用LF機制在整個搜索空間內進行隨機搜索，用以保持種群多樣性，增強多群體自學習群搜素算法的全局搜索性能；

所述LF機制如下：

在第g代的每個群體中，游蕩者首先確定一個隨機步長stepsize_p,i：

式中，u＝Φ·randn(n)，v＝randn(n)，β＝1.50，n為系統優化變量數；

Φ的計算如下：

式中，Γ為伽馬函數；

然后，游蕩者將根據公式(12)所示步長stepsize_p,i進行搜素更新：

優選地，在組織者搜索機制中，組織者進行學習的過程為：首先，根據適應值的大小，將其對應的群體中的個體分為優秀個體和劣質個體，適應值小的個體視為優秀，適應值大的個體視為劣質；然后對優秀個體通過指數加權法得到該群體的均值向量m；再次，根據m，得到該群體的協方差矩陣C；最后，根據m和C，確定該群體組織者的進化路徑和步長；

優選地，在步驟S3中，所述引入群體動物的自學習機制的過程為對MSLGSO算法解集庫更新的過程，具體實現過程為：首先引入信息分享策略對每一代多群體自學習群搜素算法的解集進行適應值排序，形成當代的非占優解，存儲到解集庫中；然后，每一個種群的組織者將對解集庫中的個體進行學習，確定下一代的進化步長和進化路徑。

優選地，在對MSLGSO算法解集庫更新的過程中，采用快速非占優排序方法對每一代的解集庫進行更新，首先將解集庫設為空集，然后每個群體中的領頭者存入到解集庫中，最后，在每一代中，將每個群體通過多群體自學習群搜素算法新更新得到的解存到解集庫中，并通過快速非占優排序法選擇新的非占優解更新解集庫。

優選地，在步驟S3中，所述對配電網調度進行優化的過程包括以下步驟：

S31：在可行域內，隨機初始化N個群體的個體，對每個群體根據其對應的目標函數將該群體中的個體按適應值大小進行排序，然后采用快速非占優排序方法將非占優解存儲到解集庫中，設種群代數g＝0；

S32：將每個群體中適應值最小的個體選作該群體的領頭者，即N個群體，存在N個領頭者，然后對每個群體分別執行步驟S33-S37；

S33：領頭者將根據公式(7)-(10)進行搜索更新；

S34：除了領有者，群體中剩余的個體i將執行步驟S35-S37；

S35：如果rand(1)<0.7，那么i將被選作組織者，然后執行步驟6；否則，i將被視為游蕩者，執行步驟7；

S36：組織者對解集庫中的優秀個體進行學習，根據優秀個體的位置向量，形成均值向量和協方差矩陣，然后組織者根據公式(11)進行搜索更新；

S37：游蕩者根據公式(12)-(14)所示的LF機制進行搜索更新；

S38：根據適應值大小，對N個群體的所有個體進行排序，采用快速非占優排序方法對解集庫進行更新，如果不滿足迭代終止條件，令g＝g+1，然后返回步驟S32；否則，終止算法迭代。

優選地，所述解集庫中的優秀個體為適應值小的個體。

本發明的有益效果如下：

基于當考慮配電網電壓偏差、網絡損耗、DG容量和潮流方程等方面問題時，配電網優化配置是一個多目標、多約束的復雜優化問題，本發明建立的多目標配電網模型以DG入網容量最大、以系統網損最小和電壓偏差最小為目標函數，以潮流方程、DG容量極限為約束條件，綜合考慮PQ、PV和PI類型的DG接入；基于自學習群體搜索算法(Self-Learning Group Search Optimizer，SLGSO)，提出了多群體自學習群搜素算法(Multiple Self-Learning Group Search Optimizer，MSLGSO)來優化所建立的多目標配電網模型。

針對現有多目標優化算法的不足，本發明提出了一種新的能權衡局部搜索和全局搜索的多群體自學習群搜索算法，旨在快速搜索到全局最優解。本發明在MSLGSO算法中，引入多群體和組織者的概念，來增強算法的搜索效率，論證了MSLGSO算法在求解多約束復雜的含DG的配電網系統具有較好的適應性和實用性；本發明通過采用多屬性決策方法得到的最優權衡解明顯改善了電壓偏差和網損問題，能夠保證配網系統的安全和經濟運行。

附圖說明

圖1為本發明的方法流程圖；

圖2為MSLGSO算法框架示意圖；

圖3為基于MSLGSO算法的帕累托前沿示意圖；

圖4為帕累托前沿中電壓偏差示意圖；

圖5為DG接入前后系統各節點電壓示意圖。

具體實施方式

為能清楚說明本方案的技術特點，下面通過具體實施方式，并結合其附圖，對本發明進行詳細闡述。下文的公開提供了許多不同的實施例或例子用來實現本發明的不同結構。為了簡化本發明的公開，下文中對特定例子的部件和設置進行描述。此外，本發明可以在不同例子中重復參考數字和/或字母。這種重復是為了簡化和清楚的目的，其本身不指示所討論各種實施例和/或設置之間的關系。應當注意，在附圖中所圖示的部件不一定按比例繪制。本發明省略了對公知組件和處理技術及工藝的描述以避免不必要地限制本發明。

如圖1所示，本發明的一種含分布式電源的配電網多目標優化調度方法，它包括以下步驟：

S1:建立含多類型DG的多目標配電網模型,所述多目標配電網模型以系統節點最大電壓偏差、配電網各支路的網絡損耗和配電網的分布式電源接入最大為目標函數；

S2:確定約束條件，所述約束條件包括潮流方程約束、DG有功功率上限約束和節點電壓約束；

S3:進行配電網調度優化，所述對配電網調度進行優化的過程為通過引入群體動物的自學習機制,構建基于多群體自學習的多目標群搜索算法對配電網調度問題進行優化。

考慮電壓偏差、網絡損耗和DG容量三個指標，本發明提出了一個可靠地含不同類型DG的多目標配電網優化模型。該模型同時考慮了系統運行的各種約束條件。此外，本發明提出了MSLGSO算法，增強GSOMP的局部搜索和全局搜素性能。

本發明的具體實施過程如下：

1、含多類型DG的多目標配電網模型

當考慮配電網電壓偏差、網絡損耗、DG容量和潮流方程等方面問題時，配電網優化配置是一個多目標、多約束的復雜優化問題。本發明建立的多目標配電網模型以DG入網容量最大、以系統網損最小和電壓偏差最小為目標函數，以潮流方程、DG容量極限為約束條件，綜合考慮PQ、PV和PI類型的DG接入。

1.1、目標函數

1)從安全性方面考慮，以系統節點最大電壓偏差最小為目標函數：

式中：P_i和Q_i分別為節點i的有功功率和無功功率；R_i和X_i分別為節點i處的等值電阻和電抗；V_iN為節點i處電壓的額定值；n為系統總的節點數。

2)從經濟性方面考慮，以配電網各支路的網絡損耗最小為目標函數：

式中：L為系統總支路數；r_j為支路j電阻；P_j和Q_j分別為支路j末端流過的有功功率和無功功率。

3)從經濟性方面考慮，以配電網的分布式電源接入最大為目標函數：

式中：N_DG為配電網接入總的DG數；P_DGj為第j個節點接入DG的有功功率；P_Li為第i個節點負荷的有功功率。

1.2、約束條件

1)潮流方程約束

式中：P_DGi和Q_DGi分別為在第i個節點處注入的DG有功功率和無功功率；P_Li和Q_Li分別為第i個節點處負荷的有功功率和無功功率；G_ij和B_ij分別為節點i和j之間的電導和電納；δ_ij為節點i和j之間的電壓相角差。

2)DG有功功率上限約束

式中：為第i個節點允許接入DG的有功功率上限。

3)節點電壓約束

V_i^min≤V_i≤V_i^max (6)

式中：V_i^min和V_i^max分別為第i個節點電壓的下、上極限。

基于上述分析，建立的多目標配電網模型可表示為：

min[f₁,f₂,f₃]

2多目標優化算法

為克服GSOMP算法的不足，本發明基于基于群體動物自學習機制，提出了多群體自學習群搜素算法(Multiple Self-Learning Group Search Optimizer，MSLGSO)。本發明在MSLGSO算法中，引入多群體和組織者的概念，來增強算法的搜索效率。在MSLGSO算法中，每個群體中僅存在一個領頭者，只優化一個目標函數，因此種群的個數等于優化目標的數量。例如，本發明建立的多目標配電網模型中存在三個目標函數，故MSLGSO中存在三個群體和三個領頭者。每個群體中包含三種不同的角色，分別為領頭者、組織者和游蕩者。在MSLGSO算法中，領頭者分別為每個群體中適應值最好的個體，負責尋找優質的資源，進而保持種群多樣性。相比GSOMP算法中追隨者的盲目跟隨，組織者將對每一代種群中有效的搜索路徑進行組織學習，然后確定其搜索路徑和搜索步長，增強算法的局部搜素性能，避免算法不收斂。仿真結果顯示Levy Flights(LF)的隨機搜索性能優于RW搜索機制，因此在MSLGSO中，游蕩者將采用LF搜索機制在解空間內進行隨機搜索，增加種群的多樣性，避免陷入局部最優。

2.1、多種群自學習群體搜素算法

MSLGSO算法的框架如圖2所示，包含N個種群，其中N為優化目標函數的個數。為了增加種群的多樣性，避免算法陷入局部最優，本發明引入信息分享策略來逼近帕累托前沿(該分享策略為現有技術，在此不作詳述)，在每個群體中，分別包含領頭者、組織者和游蕩者，具體搜索機制如下。

2.1.1、領頭者搜索機制

在MSLGSO算法的每一代搜索中，將每個群體中適應值最小的個體視為領頭者。每個領頭者將沿著三個方向進行隨機搜索，尋找優質資源，確定其下一代的位置。在第g代中，第p個群體的領頭者x_p^g搜素機制如下：

式中：r₁和r₂為(0,1)內的隨機數；l_max和θ_max分別為最大搜索距離和最大搜索視角；為領頭者在第g代的搜索視角；f_p為第p個目標函數；D為單位矩陣，CircShit(.)為極坐標和直角坐標變換。

2.1.2、組織者搜索機制

在每個群體的每一代中，隨機選取一些個體視為組織者。組織者將對其對應的群體的每一代成功進化路徑進行學習，確定其在下一代中的進化路徑和進化步長。每個群體中的組織者將主要執行以下四步：首先，根據適應值的大小，將其對應的群體中的個體分為優秀個體和劣質個體，適應值小的個體視為優秀，適應值大的個體視為劣質；然后對優秀個體通過指數加權法得到該群體的均值向量m；再次，根據m，得到該群體的協方差矩陣C；最后，根據m和C，確定該群體組織者的進化路徑和步長。在(g)代的第p個群體中，第k個組織者的具體搜索機制如下：

式中，σ_p^g為在g代中第p個種群組織者的進化步長；N(0,C_p^g)為由在g代中第p個種群得組織者形成的多元正態分布。

2.1.3、游蕩者搜索機制

除了領頭者和組織者，每個群體中剩余的個體被視為游蕩者，采用LF機制在整個搜索空間內進行隨機搜索，保持種群多樣性，增強SLGSO算法的全局搜索性能，具體機制如下：

在第g代的每個群體中，游蕩者首先確定一個隨機步長stepsize_p,i：

式中，u＝Φ·randn(n)，v＝randn(n)，β＝1.50，n為系統優化變量數。

Φ的計算如下：

式中，Γ為伽馬函數。

然后，游蕩者將根據公式(12)所示步長stepsize_p,i進行搜素更新：

2.1.4、MSLGSO算法解集庫更新

如圖2所示，本發明引入信息分享策略對每一代MSLGSO的解集進行適應值排序，形成當代的非占優解，存儲到解集庫中。然后，每一個種群的組織者將對解集庫中的個體進行學習，確定下一代的進化步長和進化路徑。基于此，每個種群能夠分享并學習其它種群的成功搜素個體，有利于加速MSLGSO逼近整個帕累托前沿。

本發明采用快速非占優排序方法對每一代的解集庫進行更新。首先，解集庫設為空集，然后每個群體中的領頭者存入到解集庫中。在每一代中，每個群體通過MSLGSO算法新更新得到的解，存到解集庫中，然后通過快速非占優排序法選擇新的非占優解來更新解集庫。

2.1.5、MSLGSO算法步驟

基于上述設計，MSLGSO算法的步驟具體描述如下：

步驟1：在可行域內，隨機初始化N個群體的個體。對每個群體，根據其對應的目標函數，將該群體中的個體按適應值大小進行排序，然后采用快速非占優排序方法將非占優解存儲到解集庫中。設種群代數g＝0。

步驟2：將每個群體中適應值最小的個體選作該群體的領頭者，即N個群體，存在N個領頭者。然后對每個群體分別執行步驟3-7。

步驟3：領頭者將根據公式(7)-(10)進行搜索更新。

步驟4：除了領有者，群體中剩余的個體i將執行步驟5-7。

步驟5：如果rand(1)<0.7，那么i將被選作組織者，然后執行步驟6；否則，i將被視為游蕩者，執行步驟7。

步驟6：組織者對解集庫中的優秀個體(適應值小的個體)進行學習，根據優秀個體的位置向量，形成均值向量和協方差矩陣。然后組織者根據公式(11)進行搜索更新。

步驟7：游蕩者根據公式(12)-(14)所示的LF機制進行搜索更新。

步驟8：根據適應值大小，對N個群體的所有個體進行排序，采用快速非占優排序方法對解集庫進行更新。如果不滿足迭代終止條件，令g＝g+1，然后返回步驟2；否則，終止算法迭代。

3、對本發明進行仿真分析

3.1、仿真系統及其參數設置

本發明以IEEE33節點配電網系統為例，采用基于節點分層關聯矩陣的分層前推回代法求解潮流，應用所提出的MSLGSO算法，在MATLAB R2010a環境下，對分布式電源進行優化配置。仿真硬件配置為Intel i7 3.60GHz處理器與16GB內存。IEEE33節點配電系統的拓撲結構如圖2所示，主要包含33條母線、33個分段開關、37條線路、系統總有功負荷為3715kW、總的無功負荷為2300kvar、平衡節點電壓的標幺值為1.0p.u.。本發明考慮了三種不同類型的DG，分別為一臺PQ類型、兩臺PV類型和一臺PI類型，分別接到節點24、10、16和31處。對于MSLGSO算法，每個群體的種群數量為100，最大迭代代數為100。

圖3為采用MSLGSO算法對電壓偏差、網絡損耗和DG容量進行優化得到的帕累托前沿曲線。從圖3可以看出，電壓偏差、網絡損耗和DG容量是相互不妥協的三個目標，即網損越小，電壓偏差越大，DG入網容量越少，也就是說，同時優化這三個目標是有必要的。此外，圖3也驗證MSLGSO的全局搜素性能，能夠得到均勻分布的帕累托前沿。帕累托解集中的電壓偏差如圖4所示，電壓偏差區間為[0.0053,0.0093]<<[-0.07,0.07]。這說明MSLGSO得到的解集滿足電壓偏差約束，即能夠保證系統的安全穩定運行。

為確定最優權衡電壓偏差、網絡損耗和DG容量的解，本發明采用多屬性決策方法得出最優權衡解由表1給出，表1列出了基于MSLGSO和GSOMP算法的最優權衡的電壓偏差、網絡損耗和DG容量。為驗證MSLGSO算法的有效性，GSOMP算法和多屬性決策方法得到的最優權衡解也由表1給出。從表1可以看出，MSLGSO算法得到的電壓偏差、網損和DG容量都優于GSOMP算法。此外，MSLGSO算法計算時間為44.53s，遠小于GSOMP算法的計算時間66.75s。因此，MSLGSO算法在局部搜索和全局搜索方面優于GSOMP算法。

為全面比較MSLGSO算法和GSOMP算法，引入超體積(Hypervolume，HV)指標、間隔(Spacing)指標和平均歐幾里得距離(Mean Euclidian Distance，MED)指標也由表1給出。HV指標反映帕累托前沿的收斂性能和多樣性能，HV值越大算法搜索的帕累托解越多，全局收斂性越好；間隔指標反映帕累托前沿的分布情況，間隔值越小算法分布越均勻；MED指標反映算法局部搜索性能，MED越小算法局部搜索越好。從表1可以明顯的看出，MSLGSO算法在HV指標、間隔指標和MED指標都優于GSOMP算法，這也表明由MSLGSO算法得到的帕累托解比GSOMP算法的帕累托解分布更均勻、局部和全局收斂性更好。這也證明了所提MSLGSO算法的有效性和實用性。

表1：

對比未接DG時系統運行的網損202.73kW，接入DG后系統網損降低了56.78％。此外，圖5給出了接入DG和不接DG的系統各節點電壓幅值，從圖5可以看出，通過接入由MSLGSO算法和多屬性決策方法得到的DG之后，系統電壓偏差得到了明顯改善。

以上所述只是本發明的優選實施方式，對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也被視為本發明的保護范圍。