英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
分布式能源对配电网络重构的影响
Arash Asrari，IEEE会员，Thomas Wu，IEEE高级会员，Saeed Lotfifard，IEEE会员
摘要—由于最近全球可再生能源技术的改进，分布式能源现在在配电网中提供电力方面发挥着不可否认的作用。本文研究了利用分布式发电机组对配电系统网络重构任务的影响。考虑到配电网中减少电压降落和电压骤降的影响，网络重构在本研究中被制定为多目标优化问题，以最小化这两个目标函数。提出了一种基于帕累托的元启发式优化算法，用于识别代表高质量次优配置的帕累托边界。在一个69总线配电系统上对所提出的优化方法进行了测试，验证了算法的有效性。
关键词：分布式发电，配电网重构，混合蛙跳算法，电压降落，电压跌落
1.引言
安装分布式能源(包括可再生能源)的日益增长的趋势已大大改变了电力系统的结构，这就是为什么研究人员有兴趣将智能电网作为一种增加分布式资源承载能力的方法[1], [2]。这种电网的新模式提出采用电力的双向流动，并建立一个分布式的能源输送网络。因此，工具必须演化它们的经典拓扑以适应分布式发电。分布式单元分为两大类：（1）传统发电资源，如燃气轮机、柴油发电机、燃料电池和电池组；（2）可再生能源，如风力涡轮机、太阳能电池、水力发电和混合风力PV电池系统。分散式发电的概念是指利用许多小型能源发电，目的是改善供应的安全，减少中央发电厂过度燃烧矿物燃料对环境的影响。本研究的动机是分析一个潜在的智能电网解决方案的配电网重构问题。
配电网重构是配电网管理中的一个关键问题。网络重构是为了满足系统操作员所定义的目标功能而改变分段和连接交换机状态的过程。这个概念是由Merlin和Back在1975年提出的，目的是确定代表最小功耗[3]的最优配置。考虑到这一概念在工业上的潜在应用，研究者将这一研究领域扩展到优化馈线负荷平衡[4]、电网[5]恢复程序、开关设备[6]运行、电压偏差[7]、电能质量[8]等目标函数。
实现这一想法的主要挑战是需要考虑和分析网络中大量不同的可能交换组合。为此，研究人员提出了不同的元启发式智能优化算法来模拟和求解NP-hard组合不可微优化问题[9]-[15]。但是，需要强调的是启发式方法并不能保证确定实际的最优解。通过对其结构的改进，可以开发出一种启发式优化算法，该算法能够找到接近全局最优[16]的高质量次优解。
考虑到近年来配电网现场发电机组的显著增长趋势，研究人员对分布式发电系统中存在的网络重构问题表现出了浓厚的兴趣。在[17]中，提出了一种粒子群优化算法来解决网络重构问题，该算法以DG积分最大化和总功耗最小化为目标。[18]采用元启发式和谐搜索算法(HSA)，同时解决DG的最优配置和网络重构问题，优化功耗和电压分布。通过灵敏度分析，确定了DG单元的最佳位置。[19]采用遗传算法(GA)对配电系统进行重新配置，使DG单元的渗透最大化，同时优化电压分布和热约束(即分支的总负载)。在[20]中，考虑到运行策略，利用分布式自动化系统在分布式目标存在下的网络重构作为实时操作，优化电力损耗和服务恢复。在[21]中提出了一种人工蜂群(ABC)算法来重新配置包含混合可再生系统(风力涡轮机和太阳能电池)的配电网从而优化总功耗、总电能成本和总减排大气污染物。
针对网络重构问题，提出了一种新的跳蛙算法。SFLA是一种元启发式搜索模型，它为局部搜索提供了一个蛙跳规则，为全局信息交换[22]提供了一个模因变换规则。尽管SFLA的实现更加复杂，但是相对于传统的元启发式优化算法(如GA和PSO)，SFLA有三个主要的优点，这也是它在本文中使用的主要原因:(A)
它对参数设置不太敏感。例如，在遗传算法中，对交叉概率(Pc)和变异概率(Pm)的不恰当确定导致了低质量解的识别。在SFLA中，不存在“敏感参数”，应该由操作者进行调整。一旦该算法被开发出来，就可以简单地用于任何案例研究，而无需更新其参数。(B)由于其结构基于并行的局部优化，可以找出高质量的解决方案，这将在第三节中讨论。(C)具有较高的收敛速度[23]。
该优化工具的目标函数是电压凹陷和电压降。该算法不给目标函数赋权，也不为算法定义单一目标函数，而是利用帕累托优势的概念来搜索非优次优解。开发这种基于pareto的优化技术，系统操作员将不必只依赖于一个单一的解决方案。该算法将在帕累托边界上确定一组不能互相支配的高质量次优解。任何公认的帕累托边界上的解决方案都可以根据系统的情况作为备选网络配置。在SFLA的结构中提出了一种帕累托优势方法，在优化算法进行的同时更新存档集。
本文的重点是提出一项新的研究，分析解决方案的质量(即网络配置)在网络中安装新的分布式能源时，通过该算法进行识别。本文对经典的SFLA进行了改进，提出了一种基于pareto的基于模糊逻辑的优化方法。在69总线径向系统上对重构模型进行了测试，验证了该方法的性能和有效性。仿真结果表明，该算法是可行的，是与经典的SFLA、GA和PSO相比质量更高的解决方案。
本文的其余部分安排如下:第二节给出问题的表述;第三节阐述这种方法;第四节描述仿真结果和讨论;第五部分概述结论。
- 问题表述
本文中，最优馈线重构问题的目标函数为电压降和电压凹陷，分别对每一种可能的解进行计算，以完成优化过程:
- 电压降落
在配电网中，电压降是一个重要的影响因素，电压降的降低不仅可以改善配电网的电压分布，而且可以降低电网的功率损耗。这个变量表示变电站提供的能量是如何通过系统减少的。网络总电压降公式如下
式中，Vi、Vref、N分别为i总线的电压值、变电站的额定电压(1 p.u.)、节点数(即总线)。
B.电压跌落
电压跌落是反映配电系统电能质量水平的主要因素之一。该变量是由短路研究引起的，定义为在0.5周至1min[24]的持续时间内，功率频率下的均方根电压降至0.1 - 0.9 pu。计算伏安时，考虑三相故障的最坏情况进行研究。采用共耦点(PCC)的形式来考虑暂降电压的母线。配电网总电压跌落的公式如下:
其中，zij表示总线i与故障位置j之间的阻抗。zf和zs表示总线i上的故障阻抗和源阻抗。
应该检查每个配置的约束，以将其视为一个可行的拓扑，如下所示。
总线电压限制：
式中，Vi、V min、V max分别表示网络中总线i的电压、最小允许电压和最大允许电压值。
馈线容量限制:
式中，Ik、Imax、L分别为通过分支k的电流，各分支允许的最大电流值，和系统中分支的总数。
径向配置:每个总线和变电站之间应该只有一条可能的路径。
需要强调的是，在本研究中电压垂度是衡量电能质量的一个标准。对于网络配置，F2值越低，意味着系统的电能质量越高，网络发生电压跌落的可能性就越低。如果一个可能的解决方案由于任何原因(例如，非径向网络)不满足问题公式的三个约束条件，则会考虑一个显著的惩罚因子，以便在多次迭代后将其自动从优化过程中删除。
- 方法论
SFLA是一个元启发式优化模型，它模仿了一群青蛙在沼泽中寻找最大食物的模因进化过程。该算法的结构基于“蛙跳规则”和“shufflingrule”，在优化过程中实现了局部搜索和全局信息交换。在本研究中，我们在SFLA的结构中考虑了帕累托优势的概念，建立了一个多目标优化模型，发现一组非支配解位于最优帕累托前沿。图1给出了配置优化算法的流程图。
本文提出的混合算法的主要处理器是基于循环的编码、档案集成员的更新、分类、局部搜索和变换过程，本节将对这些过程进行详细阐述。第一个操作符提出一种策略，将每个可能的配置编码为一个惟一的青蛙。第二个操作符保存在优化过程中找到的非支配配置，将它们添加到存档集。它还删除由新标识的解决方案指定的该集的成员。第三个操作人员将青蛙分成不同的模因丛，为本地搜索做准备。第四个算子并行地改善了不同模因丛中最差的蛙类。在每次迭代结束时，最后一个算子结合不同的改进模因丛构建一个统一的总体。
图1 算法流程图
- 编码
对配电网进行编码的主要编码技术有基于环的[25]、基于节点的[26]、基于分支的[27]和基于二进制开关的策略。由于径向网络中循环的数量小于节点和分支的数量，因此采用基于循环的方法对分布系统进行编码会提高计算效率。
为了实现基于循环的编码，应该考虑在径向网络（即树）中，封闭分支的数量比节点数少一个单位。此外，开放分支的数量应该等于系统中的循环数。使用该技术的每个编码网络配置包含P比特，其中P是循环的数量。应该为每个循环分配一个开放分支。不允许循环由少于或大于一个开放分支组成。这意味着编码配置的每个位指示打开的相应循环的分支号。例如，图2中所示的网络拓扑的编码个体（即青蛙），其包含十个节点，九个闭合分支和三个循环，是F = {10,4,11}。如果采用基于节点或基于分支的编码方法，则每个编码配置的比特数将与节点或分支的数量相关联。较大的分配网络的这种差异将更加显著，这会大大增加优化过程的计算负担。
图2 具有三个环的径向网络。
- 更新存档集成员
一对独特的电压降（F1）和电压骤降（F2）将每种配置（青蛙）与其他配置区分开来。两个网络配置x（Fx1，Fx2）和y（Fy1，Fy2）被视为示例。当且仅当Fy1le;Fx1且Fy2le;Fx2时，x由y支配。 但是，如果Fy1le;Fx1和Fy2le;Fx2或Fy1le;Fx1和Fy2le;Fx2，x和y是两种非支配的配置。
归档集（AS）包含在优化过程中识别的最佳非支配解决方案集。例如，图3（a）显示了在迭代T中找到的AS成员。可以看出，该集合中没有青蛙能够支配AS的任何其他成员。在每次迭代中，AS成员应该分两步进行更新：（A）新生成的青蛙不应该被当前的AS成员控制，应该添加到Pareto边界。从图3（b）可以看出，青蛙z，m和n是新的AS成员，它们在迭代T 1中被识别。（B）旧AS成员，由新的主导 AS成员将在下一次迭代中从Pareto边界移除。 从图3（c）可以看出，青蛙x和y，由新成员z，m和n控制，从档案集中删除。
图3 更新存档集成员。 圈子：迭代T三角形的AS成员：新确定的AS成员（a）AS迭代T（b）添加新的非支配青蛙（c）移除支配的青蛙。
- 分类
其目的是通过本地搜索来准备不同的青蛙群体。可以采用不同的方法将编码的青蛙（即，网络配置）分类为m个模因组数。在这项工作中，提出了一种基于模糊的策略，为每只青蛙分配一个单一的适应值作为分类选择的标准。使用（1）和（2）计算每只青蛙的电压降和电压骤降的两个目标函数。如图4所示，使用梯形模糊函数将两个模糊值分配给这些目标值。 这些模糊值（F = F1times;F2）的乘法将产生相应青蛙的适应值。使用试错法，确定图4中的参数（即a，b，c，d，e和f），以便它们带来更准确的分类（即，放置范围的过程）每个级别的高质量和低质量配置）。
在下一步中，青蛙应该被分类在不同的模因组数s中。轮盘赌法[28]用于此目的。所有的模因组数s应该包含相同数量的青蛙，它们应该由相当少的受精和更多受精的青蛙组成。 这就是在开始步骤中应该从轮盘赌轮中选择每个模因组数的第一个成员的原因，以便最有可能选择具有较高适合度值的青蛙。 当选择所有模因组数的第一个存储器时，将重复该过程以确定每个模因组数的第二个成员，依此类推。应该强调的是，每个选定的青蛙应该被取出，并且它不会被放回轮盘中以便进一步选择。
图4 确定适合度分类的适应度模糊值
- 本地搜索
该步骤是一种进化方法，重复应用于每个模因组数，以改善相应的模因组数中最差的青蛙。使用（5）和（6），模因组数中最好和最差的青蛙被用来产生一只新的青蛙
其中，rand（）是0和1之间的随机值。 Xb，Xw，old和Xw，new分别指相应的模因组数中最好的青蛙，当前最差的青蛙和新青蛙。D和Dmax代表步长和最大允许步长。
如果最糟糕的青蛙由新青蛙控制，它将被新的青蛙取代。否则，将重复该过程，不同之处在于使用（5），而不是（7），其中将使用所有模因组数（即Xg）中的最佳青蛙来产生新青蛙。如果新发育的青蛙仍然不能控制模因组数中最老的青蛙（即Xw，old），那么这只老青蛙将被另一只随机产生的青蛙所取代。值得注意的是，当它的电压降和电压下降值高于新青蛙时，最差的青蛙由新的青蛙主导。对每个模因组数重复这个进化过程中，青蛙将在所有模因组数中局部改进
- 重组过程
在每次迭代结束时，应用此步骤使文化进化不受任何偏见的影响。在对每个模因组数应用本地搜索以改善当地最差的青蛙之后，洗牌处理器将组合位于不同模因组数s中的所有青蛙以形成统一的群体。
- 模拟结果和讨论
为了模拟所提出的优化算法，在具有1.80GHz的Intel（R）Xeon（R）CPU E5-2603 0的处理器的计算机上采用MATLAB软件。重新配置模型在69总线径向配电系统[29]上进行测试，该系统包含68个分段开关和5个连接开关。主变压器连接到标称电压为12.66 KV的变电站，MVA基准电压为100 MVA。 正如在[29]中可以找到的那样，在初始拓扑中，分支＃69,70,71,72和73是开放的（即，编码青蛙= {69,70,71,72,73}）。算法的停止标准是达到迭代＃100，而在每次迭代中对于每个模因组数重复本地搜索过程10次。Newton-the aphson被用作潮流计划。 用于电压暂降计算的PCC假设为总线＃1
全文共14025字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[1763]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
