本發(fā)明涉及智能配電，特別涉及一種基于智能電網(wǎng)的海量數(shù)據(jù)調(diào)度方法。

背景技術(shù)：

隨著智能電網(wǎng)技術(shù)的日益發(fā)展，世界各國投入了大量精力研究節(jié)能調(diào)度技術(shù)和加大新能源接入電網(wǎng)的力度，其目的就是減少常規(guī)能源的消耗以及降低溫室氣體的排放量，這對于節(jié)能減排具有重大的現(xiàn)實(shí)意義。電力系統(tǒng)優(yōu)化調(diào)度是電力系統(tǒng)分析和控制中的一個非常重要的問題。其主要任務(wù)是保證用戶用電需求和電力系統(tǒng)安全穩(wěn)定的條件下，通過安排電源運(yùn)行方式，使系統(tǒng)的總發(fā)電成本最低。然而對于風(fēng)電這種不穩(wěn)定性的能源，給電力系統(tǒng)優(yōu)化調(diào)度帶來了極大的挑戰(zhàn)。雖然基于風(fēng)電的隨機(jī)優(yōu)化技術(shù)已經(jīng)應(yīng)用于風(fēng)電電力系統(tǒng)經(jīng)濟(jì)調(diào)度中，但是這些現(xiàn)有技術(shù)主要是模糊和概率建模，存在一定的局限性，從實(shí)際效果來看不夠理想。

技術(shù)實(shí)現(xiàn)要素：

為解決上述現(xiàn)有技術(shù)所存在的問題，本發(fā)明提出了一種基于智能電網(wǎng)的海量數(shù)據(jù)調(diào)度方法，包括：

讀取智能電網(wǎng)系統(tǒng)參數(shù)，確定優(yōu)化變量及其可行域；設(shè)置粒子群算法的仿真參數(shù)，令每個粒子的位置為優(yōu)化變量向量；

在優(yōu)化變量可行域內(nèi)隨機(jī)初始化每個粒子的位置和速度；

評估適應(yīng)度函數(shù)，即對于每個粒子，首先針對當(dāng)前場景，通過潮流算法計算線路損耗；然后判斷是否滿足以下約束，即：

平衡節(jié)點(diǎn)有功功率psw和無功功率qsw的越限約束：

∑(p^ldi-p^ndi,min-p^ddi)≤psw,max

∑(q^ldi-q^ndi,min-q^ddi)≤qsw,max

∑(p^ldi-p^ndi,max-p^ddi)≥psw,min

∑(q^ldi-q^ndi,max-q^ddi)≥psw,min；

其中p^ndi和q^ndi分別為節(jié)點(diǎn)i的分布式風(fēng)力發(fā)電單元的有功出力和無功出力，p^ddi和q^ddi分別為節(jié)點(diǎn)i的分布式熱力發(fā)電單元的有功出力和無功出力；p^ldi和q^ldi分別為節(jié)點(diǎn)i負(fù)荷的有功功率和無功功率，其中風(fēng)力發(fā)電單元的有功出力和無功出力滿足約束：

p^ndi,min≤p^ndi≤p^ndi,max

q^ndi,min≤q^ndi≤q^ndi,max

如果滿足以上約束，則損耗值即作為適應(yīng)度值；否則，采用絕對值減分函數(shù)e(∑τideci)對越限的約束進(jìn)行減分，具體定義為:

若hi＞hi,min,則deci＝hi-hi,max

若hi≤hi,min,則deci＝hi,min-hi

hi為第i個與優(yōu)化變量約束有關(guān)的狀態(tài)變量，hi,min和hi,max分別為hi的下限和上限；deci為與第i個狀態(tài)約束有關(guān)的狀態(tài)變量的減分項(xiàng)；τi為第i個狀態(tài)變量越限的減分因數(shù)；

并以減分項(xiàng)和損耗作為適應(yīng)度函數(shù)；

如果當(dāng)前迭代次數(shù)超過預(yù)設(shè)的最大迭代次數(shù)，則結(jié)束算法的迭代優(yōu)化過程；

更新全局和個體歷史最優(yōu)位置，然后更新粒子的速度，最后更新粒子位置；

更新迭代次數(shù)標(biāo)記，然后迭代上述評估適應(yīng)度函數(shù)的步驟。

本發(fā)明相比現(xiàn)有技術(shù)，具有以下優(yōu)點(diǎn)：

本發(fā)明提出的基于智能電網(wǎng)的海量數(shù)據(jù)調(diào)度方法，僅獲得風(fēng)電分布的部分概率參數(shù)的情況下，保證線路在各個狀態(tài)約束不越限，并同時優(yōu)化智能電網(wǎng)線路損耗，實(shí)現(xiàn)運(yùn)行經(jīng)濟(jì)性的提升。

附圖說明

圖1是本發(fā)明基于智能電網(wǎng)的海量數(shù)據(jù)調(diào)度方法的流程圖。

具體實(shí)施方式

下文提供對本發(fā)明一個或者多個實(shí)施例的詳細(xì)描述。結(jié)合這樣的實(shí)施例描述本發(fā)明，但是本發(fā)明不限于任何實(shí)施例。本發(fā)明的范圍僅由權(quán)利要求書限定，并且本發(fā)明涵蓋諸多替代、修改和等同物。在下文描述中闡述諸多具體細(xì)節(jié)以便提供對本發(fā)明的透徹理解。出于示例的目的而提供這些細(xì)節(jié)，并且無這些具體細(xì)節(jié)中的一些或者所有細(xì)節(jié)也可以根據(jù)權(quán)利要求書實(shí)現(xiàn)本發(fā)明。

本發(fā)明的智能電網(wǎng)調(diào)度方法，該方法能夠保證節(jié)點(diǎn)電壓幅值、平衡節(jié)點(diǎn)有功功率和無功功率約束至少以一定概率水平滿足，通過不越限概率水平，來平衡兼顧智能電網(wǎng)安全性和經(jīng)濟(jì)性等兩方面的要求，故其具有比較好的可伸縮性。

將p^ndi和q^ndi分別記為節(jié)點(diǎn)i的分布式風(fēng)力發(fā)電單元的有功出力和無功出力，p^ddi和q^ddi分別記為節(jié)點(diǎn)i的分布式熱力發(fā)電單元的有功出力和無功出力。p^ldi和q^ldi分別記為節(jié)點(diǎn)i負(fù)荷的有功功率和無功功率。風(fēng)力發(fā)電單元的有功出力和無功出力滿足約束：

p^ndi,min≤p^ndi≤p^ndi,max

q^ndi,min≤q^ndi≤q^ndi,max

則平衡節(jié)點(diǎn)有功功率psw和無功功率qsw的越限約束滿足：

∑(p^ldi-p^ndi,min-p^ddi)≤psw,max

∑(q^ldi-q^ndi,min-q^ddi)≤qsw,max

∑(p^ldi-p^ndi,max-p^ddi)≥psw,min

∑(q^ldi-q^ndi,max-q^ddi)≥psw,min

psum和qsum分別記為所有節(jié)點(diǎn)負(fù)荷的有功功率總和和無功功率總和，并滿足正態(tài)分布：

分別為節(jié)點(diǎn)有功負(fù)荷的期望，分別為節(jié)點(diǎn)無功負(fù)荷的期望；

因此，給定概率水平λ，平衡節(jié)點(diǎn)有功功率psw和無功功率qsw至少以概率水平λ滿足其約束條件。

其中fcp和fcq分別為psum和qsum的累積概率密度函數(shù)，上標(biāo)^-1表示相應(yīng)反函數(shù)。

將ri和xi分別記為節(jié)點(diǎn)i和i-1之間配電線路的電阻值和電抗值；p^lli和q^lli分別記為節(jié)點(diǎn)i和i-1之間配電線路的有功功率和無功功率。

計算j∈[1，n]范圍內(nèi)的-rj/xj；

當(dāng)節(jié)點(diǎn)k∈[j，n]的功率因數(shù)調(diào)整角度時，節(jié)點(diǎn)電壓幅值與p^ndk正相關(guān)，此時以給定的概率水平λ而滿足如下約束：

其中fle為q^llk的正態(tài)累計概率分布函數(shù)。

當(dāng)時，節(jié)點(diǎn)電壓幅值與p^ndk負(fù)相關(guān)，此時滿足如下約束：

對于節(jié)點(diǎn)i和節(jié)點(diǎn)i-1之間的配電線路，其配電線路有功和無功功率表達(dá)式為：

當(dāng)線路不過載時，si的最大值滿足以下約束：

本發(fā)明提出的智能電網(wǎng)調(diào)度方法，以前述一個或多個約束為基礎(chǔ)，以分布式風(fēng)力發(fā)電和節(jié)點(diǎn)負(fù)荷預(yù)測值時的線路損耗值為優(yōu)化目標(biāo)，有效地處理概率型的負(fù)荷變化量和區(qū)間型的分布式風(fēng)力發(fā)電變化量。

以分布式風(fēng)力發(fā)電和節(jié)點(diǎn)負(fù)荷預(yù)測值場景下的潮流約束為：

pⁱⁿi-vi∑vj(gijcosδij+bijsinδij)＝0

qⁱⁿi-vi∑vj(gijcosδij-bijsinδij)＝0

其中，pⁱⁿi和qⁱⁿi分別是母線集合內(nèi)節(jié)點(diǎn)i的有功總輸入功率和無功總輸入功率，gij為節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的轉(zhuǎn)移電導(dǎo)，bij為節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的轉(zhuǎn)移電納，vi和vj分別為節(jié)點(diǎn)i和節(jié)點(diǎn)j的電壓幅值，δij為節(jié)點(diǎn)i和j之間的電壓相角差；

本發(fā)明的調(diào)度模型為一個非線性混合整數(shù)優(yōu)化問題，因此本發(fā)明采用粒子群算法進(jìn)行求解。具體算法流程如下：

讀取智能電網(wǎng)系統(tǒng)數(shù)據(jù)和不確定量參數(shù)，確定優(yōu)化變量及其可行域。設(shè)置粒子群算法的仿真參數(shù)，令每個粒子的位置為優(yōu)化變量向量；

在優(yōu)化變量可行域內(nèi)隨機(jī)初始化每個粒子的位置和速度；

評估適應(yīng)度函數(shù)，包括對于每個粒子，首先針對當(dāng)前場景，通過潮流算法計算線路損耗；然后判斷前文所述的一個或多個約束是否滿足。如果上述約束滿足要求，則損耗值即為適應(yīng)度值；否則，采用絕對值減分函數(shù)e(∑τideci)對越限的約束進(jìn)行減分，具體定義為

若hi＞hi,min,則deci＝hi-hi,max

若hi≤hi,min,則deci＝hi,min-hi

hi為第i個與優(yōu)化變量約束有關(guān)的狀態(tài)變量，hi,min和hi,max分別為hi的下限和上限；deci為與第i個狀態(tài)約束有關(guān)的狀態(tài)變量的減分項(xiàng)；τi為第i個狀態(tài)變量越限的減分因數(shù)；

并以減分項(xiàng)和損耗作為適應(yīng)度函數(shù)；

如果當(dāng)前迭代次數(shù)超過預(yù)設(shè)的最大迭代次數(shù)，則結(jié)束算法的迭代優(yōu)化過程；

更新全局和個體歷史最優(yōu)位置，然后更新粒子的速度，最后更新粒子位置；

更新迭代次數(shù)標(biāo)記，然后迭代上述評估適應(yīng)度函數(shù)的步驟。

應(yīng)當(dāng)理解的是，本發(fā)明的上述具體實(shí)施方式僅僅用于示例性說明或解釋本發(fā)明的原理，而不構(gòu)成對本發(fā)明的限制。因此，在不偏離本發(fā)明的精神和范圍的情況下所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。此外，本發(fā)明所附權(quán)利要求旨在涵蓋落入所附權(quán)利要求范圍和邊界、或者這種范圍和邊界的等同形式內(nèi)的全部變化和修改例。