王金玉, 张志明, 孔德健, 胡明哲
(1.东北石油大学 电气信息工程学院,黑龙江 大庆 163318;2.国网冀北电力有限公司检修分公司,北京 102488)
广泛学习量子进化的含分布式电源配电网重构
王金玉1, 张志明1, 孔德健2, 胡明哲1
(1.东北石油大学 电气信息工程学院,黑龙江 大庆 163318;2.国网冀北电力有限公司检修分公司,北京 102488)
在分布式发电条件下对配电网重构问题进行研究,可进一步提高系统供电的安全性与可靠性,同时有效地减小线路损耗,这对实现配电自动化,建设智能配电网有着重大作用和意义。通过对量子进化算法基本理论进行介绍并将其与广泛学习的思想相结合,提出基于广泛学习的量子进化算法,并应用于配电网优化重构。以IEEE33节点系统为例,通过仿真实验分析不同数量的DG接入电网中,系统的网损和电压变化情况。MATLAB仿真结果验证了方法的有效性。
电力系统; 分布式发电; 配电网重构优化;广泛学习量子进化算法; 仿真验证
作为当今世界电力系统发展变革的主流趋势,智能电网在兼容传统大型集中的发电厂的同时也应兼容不断增多的分布式发电(Distributed Generation, DG)。分布式发电多指在比较靠近终端负载的地方、以及低压电网中配置的小型发电设备[1]。虽然DG的发电功率较小,一般从几千瓦到几十兆瓦不等,但其灵活高效的发电形式使DG在现代电力系统中扮演着重要的角色[2]。由于DG并网后将在一定程度上对配电网的运行与控制产生影响,因此进行配电网重构(Distribution Network Reconfiguration, DNR)具有重要意义,通过配电网优化重构能够实现负荷转移,进而对馈线的负荷进行调节,达到消除过载的目的,同时对电压质量进行改善。
图1 广泛学习流程
广泛学习思想的提出是为了提升粒子群算法全局搜索的能力,以更好地解决多模态函数优化问题[3]。广泛学习思想的引入扩大了粒子的学习范围:使其不仅能学习自身的最优解,还可以对其他粒子的最优解进行学习[4],因此广泛学习使粒子具有更广的信息更新范围。粒子个体广泛学习的流程如图1所示。其中,Ps——种群大小;M——染色体长度;i——第i个体;j——第i个体的第j位;Pc——学习概率;k1,k2——两个随机选择的个体;f(·)——适应度值;[ ]——取整运算。
广泛学习方法具体过程为:首先设定初始观测值作为学习的最优解,同时令Pci为各个体的学习概率,Pci∈[0,1]。对于不同个体i的第j位量子比特产生介于0和1之间的随机数rand,若条件rand 图2 CLQIEA算法流程框图 将广泛学习的思想与量子进化算法结合,提出广泛学习量子进化算法[5](Comprehensive Learning Quantum-inspired Evolutionary Algorithm,CLQIEA),该算法原理流程图如图2所示。 广泛学习量子进化算法(CLQEA)采取广泛学习策略对种群Q(t)进行广泛学习[6],通过广泛学习的结果进一步引导更新的个体,第i个个体初值Δθi的计算公式如式(1)所示。量子旋转角的方向可以通过量子比特值和适应度值进行快速而准确的确定并用量子门对种群Q(t)进行更新。同时增加迭代次数t,直至满足终止条件。 Δθi=sign[(xi-bi)×fi(b)]×Δθ (1) 式中xi—所观测的第i个量子比特位;bi—第i个量子比特位的学习目标;sign—符号函数;fi(·)—第i个量子比特位学习目标的适应度值;Δθ—设定的初值。 当配电网系统没有故障时,配电网络重构仅对线路损耗产生影响[7],因此有功功率损耗最小的目标函数可用式(2)表示,式中:Nb为总支路数,Ri、Pi、Qi、Ui分别代表第i条支路的电阻、有功、无功和节点电压。 (2) 由于配电网的潮流分布是随时间不断变化的,因此常选择系统最大负荷等具有代表性的状态点对网络进行重构优化[8]。此时同样应满足的相应的约束条件: (1)配电网的潮流约束条件 (3) 式中Pi、Qi—节点i输入的有功、无功功率;PDGi、QDGi—DG注入节点i的有功、无功功率;PDi、QDi—节点i处负荷的有功、无功功率;Ui—节点i的电压;Uj—节点j的电压;Gij、Bij、δij和θij—分别表示节点i、j的电导、电纳和相角差。 (2)容量约束: PDG,min≤PDGi≤PDG,max (4) 式中PDGi、QDGi分别表示第i个DG的有功、无功功率;PDG,min、PDG,max、QDG,min、QDG,max分别表示接入系统的最小、最大有功、无功功率。 (3)网络结构拓扑约束:配电网重构时应保证网络节点的连通,网络拓扑结构应呈辐射状,避免形成孤岛、环网。 含分布式发电的配电网重构优化问题实现步骤如下: Step1 录入配电网的初始信息,对各参数变量做初始化处理,并根据配电网系统参数进行信息矩阵的生成; Step2 进化代数t为0时,根据环网的数量产生初始种群,并观测初始种群; Step3 对初始种群的可行解进行判断,若是非可行解,需修复个体使所有个体均为可行解; Step4 利用拓扑分析对网络结构进行识别,并进行电网的潮流计算; Step5 求解式(2)所示的目标函数,并评估适应度; Step6 将最优个体及其有关信息进行存储存贮; Step7 判断是否达到最大进化代数这一终止条件,若达到最大进化代数则终止计算,否则使迭代次数加1; Step8 通过广泛学习,更新种群;并返回step3。 图3为IEEE33节点系统示意图,由图可知该系统包括33个节点、5个环网以及5个联络开关。设定初始联络开关为33、34、35、36和37,系统总功率为3 715 kW+j2 300 kVar,额定电压为Pc=0.85。运用广泛学习量子进化算法进行配电网重构前需要对参数进行设定,其中设定种群大小为30,染色体长度为5,迭代次数为200,学习概率Pc=0.85,令量子旋转角的初始值为0.015π,潮流计算的收敛精度为10-8。 图3 IEEE33节点系统示意图 图5 接入两台DG系统各节点电压值变化 图6 接入三台DG系统各节点电压值变化 图7 不同DG数量下各节点电压的变化 经广泛学习量子进化算法对配电网重构优化后,分析实验结果表1可知未接入DG的配电网损耗为190.99 kW,接入一个DG的损耗降低了43.08 kW,比初始系统降低了22.6%。接入两个DG的损耗降低了81.29 kW,比初始系统降低了42.6%,接入三个DG的损耗降低了110.12 kW可见DG的不同数量影响电网功率的损耗,且能在很大程度上减少电网损耗。同时计算了系统各点的电压值,并进行分析比对,如图4、5、6、7所示。由图4~7可知各节点电压在接入不同数量的分布式电源后,发生了一定变化,加入DG后的电压值更加趋于稳定。 表1 不同数量DG的重构优化后系统的参数分析 随着DG数量的增加,配电网重构在配电网的经济运行方面起到至关重要的作用。本文在分布式发电条件下,以降低网络损耗为出发点,通过对广泛学习量子进化算法的运用解决含分布式发电的配电网的重构优化问题。并利用IEEE33节点系统对接入不同数量DG进行仿真分析,从仿真结果可以看出广泛学习量子进化算法的运用不但有效地减少了系统的网损还使系统的电压稳定性得到明显提升,充分证明了该方法的可行性与有效性。 [1] 陈树恒,党晓强,李兴源.基于广义注入电流节点模型的配电网潮流计算[J].电力系统保护与控制,2013,41(6):19-24. [2] 邱生敏.配电网可靠性评估方法研究[D].广州:华南理工大学,2012. [3] 周殊,潘炜,罗斌,等.一种基于粒子群优化方法的改进量子遗传算法及应用[J].电子学报,2006,34(5): 897-901. [4] 张葛祥,李娜,金炜东,等.一种新量子遗传算法及其应用明[J].电子学报,2004,32(3):476-479. [5] 陈辉,张家树,张超.实数编码混沌量子遗传算法[J].控制与决策,2005,20(11):1300-1303. [6] 杨青,钟守楠,丁圣超.简单量子进化算法及其在数值优化中的应用[J].武汉大学学报(理学版),2006,52(1):21-24. [7] 侯云鹤,鲁丽娟,熊信良,等.量子进化算法在输电网扩展规划中的应用[J].电网技术,2004,28(17):19-22. [8] 沈晓东,刘俊勇,刘彦.基于节点不平衡功率的粒子群潮流转移控制算法[J].电力系统自动化,2012,36(7):1-5. DG Power Distribution Network ReconfigurationBased on Extensive Learning Quantum-inspired Evolutionary Algorithm Wang Jinyu1, Zhang Zhiming1, Kong Dejian2, Hu Mingzhe1 (1.College of Electrical and Information Engineering, Northeast Petroleum University,Daqing Heilongjiang 163318, China;2. State Grid Jibei Power Co. Ltd. Maintenance Branch, Beijing 102488, China) Research on distribution network reconfiguration under DG (distributed generation) condition may improve the safety and reliability of system power supply and effectively reduce line loss. That is of vital importance for the construction of smart distribution networks. By introducing the basic theory of quantum-inspired evolutionary algorithm and combining it with the idea of comprehensive learning, this paper presents the comprehensive learning quantum-inspired evolutionary algorithm (CLQEA), and applies it for distribution network reconfiguration optimization. Taking IEEE33 node system as example, it uses simulation tests to analyze network loss and voltage variation which occur when different quantities of DGs are connected to the grid. MATLAB simulation results verify the effectiveness of this approach. power system; distributed generation; distribution network reconfiguration optimization; comprehensive learning quantum-inspired evolutionary algorithm; simulation verification 10.3969/j.issn.1000-3886.2017.04.020 TM7 A 1000-3886(2017)04-0068-03 定稿日期: 2016-10-27 东北石油大学研究生创新科研项目(YJSCX2016-029NEPU) 王金玉(1972- ),男,黑龙江大庆人,副教授,研究方向为继电系统保护。 张志明(1990- ),男,内蒙古通辽人,硕士生,研究方向为配电网重构优化。 孔德健(1989- ),男,河北沧州人,硕士,研究方向为电力系统故障诊断。 胡明哲(1993- ),男,黑龙江大庆人,硕士生,研究方向为电力系统继电保护。2 广泛学习量子进化算法
3 含分布式发电的配电网重构方法
3.1 含分布式发电的配电网重构优化模型
QDG,min≤QDGi≤QDG,max3.2 含分布式发电的配电网重构优化
4 IEEE33节点系统实验分析
5 结束语