[发明专利]一种计及源荷不确定性的电网随机无功优化调度方法

权利要求书

1.一种计及源荷不确定性的电网随机无功优化调度方法，其特征在于，所述方法包括以下步骤：

S1，在求解ORPD问题前，选取适当的概率密度函数PDFs对随机负荷需求和可再生能源发电量进行建模，过程如下：

S11：利用具有已知均值μ_d和标准差σ_d的正态概率密度函数对负荷不确定性进行建模，负荷正态分布的概率密度函数Δ_d(P_d)由下式给出：

其中，P_d为负荷的有功功率；

S12：风速概率分布用韦伯概率密度函数表示，韦伯概率密度函数下的风速概率密度Δ_v(ν_w)表示为：

其中，ν_w是风速，α是比例参数，β是韦伯概率密度函数的形状参数；

S13：太阳辐照度采用对数正态分布建模，已知均值μ_s和标准差σ_s的太阳辐照度G_s对数正态概率密度函数Δ_G(G_s)表示为：

S2，使用蒙特卡罗方法生成表示不确定负荷需求、风能和太阳能的情景，采用场景削减方法以减少生成的大量场景，过程如下：

S21，将负荷需求、风速和太阳辐照度三个元素组合以形成一组情景，每个情景代表3个元素的矢量合，使用蒙特卡洛法生成设定数量个场景，第i个场景表示为：

Y_i＝[P_d,i,ν_w,i,G_s,i] (4)

式中，P_d,i，ν_w,i，G_s,i分别代表第i个场景中的负荷需求、风速和太阳辐照度；

S22，通过应用随机规划的后向归约技术，将设定数量个场景简化为缩减数量个场景集；

S3，针对每个场景分别运行优化算法，使实际功耗和总电压偏差的目标函数最小化，过程如下：

S31，带有约束条件的ORPD问题目标函数及约束条件的表示；带有参数d的约束优化问题表示为：

f(x),x＝(x₁,x₂,...,x_d),x∈S (5)

g_i(x)≤0,i＝1,...,p (6)

h_j(x)＝0,i＝p+1,...,m (7)

其中：

式(5)是ORPD问题的目标函数f(x)，x是变量，S是包含p个不等式和m-p个等式约束的搜索空间；

式(6)是不等式约束集；

式(7)是等式约束集；

在公差参数δ的帮助下，等式约束转化为不等式约束，总约束表示为：

在将等式约束转换为不等式约束之后，总体约束误差表示为：

其中，w_i是权重参数，w_i＝1/G_i,max，G_i,max是到目前为止获得的约束G_i(x)的最大误差，w_i被设置为1/G_i,max，其在进化过程中不断变化，以平衡问题中每个约束的贡献，而不考虑所有约束的不同数值范围，目标是找到在总体约束误差vio(x^*)＝0下最佳可行解x^*和目标函数f(x^*)的最小值；

在EC处理方法中，总体约束误差由ε参数控制，通过控制ε参数有效地处理找到可行解的搜索过程，根据以下等式更新参数：

ε(1)＝vio(x_θ) (10)

其中ε(1)是初始ε参数，x_θ是第θ个变量，θ＝0.05*N_p，N_p是种群规模，t是计数器，当t达到T_c时，ε参数被设置为零，推荐的参数范围是：T_c∈[0.1T_max,0.8T_max]，cp∈[2,10]，其中T_max是t的最大值；

出现下列情况时，认为解x_i优于x_j：

①x_i是可行的，x_j是不可行的；

②x_i和x_j都是可行的，在最小化问题中x_i产生的目标值小于x_j；

③x_i和x_j都是不可行的，但是x_i导致小的总体约束误差，如公式(9)所计算；

如果解决方案的总体约束误差低于ε(t)，则认为该解决方案是可行的，在初始阶段，假定ε(t)是一个小的值，并且之后将该值设置为零；

S32，基于成功历史的自适应差分进化算法，过程如下：

S321，初始化，使用随机分配的值创建候选解决方案群，即决策向量，为保证决策向量随机生成的值位于定义的上下边界内，第i个决策向量的第j个分量生成为:

其中rand_ij[0,1]是0到1之间的均匀随机数，而上标'1'表示初始化，'N_p'是种群规模，'d'是决策向量的维度，并且i＝1,2,...,N_p和j＝1,2,...,d；

S322，变异，在给定的第t代，变异算子生成一个与每个种群成员对应的供体/变异向量变异策略给出如下：

其中指数r₁ⁱ和是从种群范围中随机选择的互斥整数；是从当前一代的最佳N_p×p(p∈[0,1])个个体中随机选择的，F_i^(t)是第t代的正比例因子，如果元素违反搜索边界[x_min,j,x_max,j]，则执行变异后，将其校正为：

S323，调整参数，在每个世代t中，为每个个体分配比例因子F_i^(t)和交叉率用于生成新的试验向量，在进化过程中，比例因子和交叉率被调整为：

其中通过柯西分布产生一个值，位置参数为比例参数为0.1；是从均值为方差为0.1的正态分布中取样的值，是从存储在大小为H的存储器M中的前一代的一组成功的比例因子中随机选择的；是存储在存储器M中的前几代成功交叉率的均值之一；

S324，交叉，在给定的t中，将供体向量的决策变量与目标向量的决策变量结合起来，形成子代/试验矢量二项式交叉是基于适应交叉率在每个变量上运行操作的，该操作描述为：

其中j_rand是{1,2,...,d}中任意随机选择的自然数，d是问题的维度；

S33，SHADE的选择是不受约束的，但是利用SHADE算法求解带有约束的ORPD问题时，必须采用约束处理方法，在SHADE-EC算法中，下一代个体的选择遵循EC处理技术的规则。