[发明专利]一种分布式电源接入配电网的选址定容优化方法及装置

说明书

本发明公开了一种分布式电源接入配电网的选址定容优化方法及装置，包括：接收根据分布式电源和配电网所在地区数据制定的目标函数；接收分布式电源和配电网数据，构建基于OpenDSS的含分布式电源的配电网仿真模型，采用该模型对该地区进行算例分析得到配电网中各节点的电压、电流数据进行潮流计算，确定一次不等式形式的约束条件；根据普通拉格朗日算子将约束条件添加至目标函数中，并结合Hopfield神经网络确定能量函数，违反约束条件所述能量函数的值增加；根据离散时间最速下降法分别计算能量函数对容量和拉格朗日乘子的梯度，确定更新迭代方程训练离散Hopfield神经网络，得到分布式电源接入配电网的位置和容量。

技术领域

本发明属于配电网中分布式电源的技术领域，尤其是涉及一种分布式电源接 入配电网的选址定容优化方法及装置。

背景技术

目前，很多智能信息处理算法可以用于分布式电源在接入配电网前的选址定 容优化中，比如遗传算法、神经网络算法、蚁群算法、鱼群算法以及粒子群算法 等。神经网络具有高度并行的计算能力，可用于解决无约束优化问题以及带有约 束的优化问题。利用Hopfield神经网络解决带约束的优化问题的基本思想是根 据不同优化问题建立能量函数，该函数含有优化问题目标值和优化问题约束条件 两个部分，只需要对能量函数求极小点即可解决该优化问题。

但是，若直接使用该算法解决分布式电源选址定容问题存在容易陷入局部极 小值的缺陷。因此，有必要将Hopfield神经网络方法与其他方法结合使用得到 分布式电源接入配网的最佳位置和容量。例如，《基于增广Lagrange-Hopfield神 经网络的分布式电源最优配置的研究》中公开了基于Hopfield神经网络和拉格 朗日松弛法(LagrangianRelaxation)的增广Lagrange-Hopfield神经网络来处理 分布式电源最优配置问题。但是，该方法将约束条件通过增广拉格朗日算子写入 目标函数中，虽能解决陷入局部极小点的问题，但增广拉格朗日算子的惩罚参数 的选择不当，会使算法不能收敛或者算法在解附近出现震荡。且增广拉格朗日算 子对乘子很敏感，在获得收敛前需要获得相当数量的迭代步骤。

综上所述，针对现有技术中如何使用简单算法在分布式电源接入配电网的选 址定容中改善用神经网络求最优化问题易陷入局部极小点的情况，并且有效解决 算法不能收敛或者算法在解附近震荡的问题，尚缺乏有效的解决方案。

发明内容

针对现有技术中存在的不足，本发明提供了一种分布式电源接入配电网的选 址定容优化方法及装置，将普通拉格朗日乘子法与离散Hopfield神经网络结合 使用，改善用神经网络求最优化问题易陷入局部极小点的情况，并且有效解决算 法不能收敛或者算法在解附近震荡的问题，为分布式电源接入配网选择合适的位 置和容量，达到降低分布式电源接入配网的投资费用的目标，且算法简单，易于 实现。

本发明的第一目的是提供一种分布式电源接入配电网的选址定容优化方法。

为了实现上述目的，本发明采用如下一种技术方案：

一种分布式电源接入配电网的选址定容优化方法，包括：

接收根据分布式电源和配电网所在地区数据制定的目标函数；所述目标函数 为单位容量分布式电源的成本、安装容量和安装数量的函数；

接收分布式电源和配电网数据，构建基于OpenDSS的含分布式电源的配电 网仿真模型，采用该模型对该地区进行算例分析得到配电网中各节点的电压、电 流数据进行潮流计算，确定一次不等式形式的约束条件；

根据普通拉格朗日算子将约束条件添加至目标函数中，并结合Hopfield神经 网络确定能量函数，违反约束条件所述能量函数的值增加；

根据离散时间最速下降法分别计算能量函数对容量和拉格朗日乘子的梯度， 确定更新迭代方程训练离散Hopfield神经网络，得到分布式电源接入配电网的 位置和容量。