(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111661385.2 (22)申请日 2021.12.3 0 (71)申请人 湖南工业大 学 地址 412000 湖南省株洲市天元区泰山路 88号 (72)发明人 匡洪海　苏福清　陶成　匡威　 周亮灵　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 刘翔 (51)Int.Cl. H02J 3/16(2006.01) H02J 3/18(2006.01) H02J 3/38(2006.01) H02J 3/24(2006.01)G06F 17/18(2006.01) G06N 3/00(2006.01) G06Q 50/06(2012.01) (54)发明名称 基于AG-MOPSO的含风电配电网无功优化方 法 (57)摘要 一种基于AG ‑MOPSO的含风电配电网无功优 化方法， 包括以下步骤： S1： 建立风电场出力的概 率模型， 将风电出力的不确定性转换为典型场景 下的场景功率； S2： 建立以有功网损和电压偏差 最小为目标函数的含风电的配电网的无功优化 模型， 该模 型选择无功补偿设备 投切组数以及风 电机组无功输出作为控制变量， 负荷节点电压作 为状态变量； S3： 提出基于AG ‑MOPSO算法， 通过 AG‑MOPSO算法对含风电的配电网无功优化模型 进行求解， 保证Pareto前沿分布的均匀性和多样 性。 针对风电机组并网出力的不确定性与传统方 法得到的Pareto前沿多样性较差的问题， 本申请 采用基于概率发生的场景分析法， 提出了基于自 适应网格的多目标粒子群算法， 有效地保证了 Pareto前沿分布的均匀性和多样性。 权利要求书4页 说明书10页 附图3页 CN 114709836 A 2022.07.05 CN 114709836 A 1.一种基于AG ‑MOPSO的含风电配电网无功优化方法， 其特 征在于， 包括以下步骤： S1： 建立风电场出力的概率模型， 将风电出力的不确定性转换为典型场景下的场景功 率： S1.1： 由风电机组的功率特性曲线得到的输出功率pw和风速v之间的关系； S1.2： 将风电机组的输出功率划分为 三种典型场景； S1.3： 结合 概率密度函数计算 三种典型场景 下的风电机组输出功率； S1.4： 将三种典型场景的风电机组输出功率与其概率分别相乘后求和， 得到风电机组 的期望输出功率， 作为 风机的有功输出； S2： 建立以有功网损和电压偏差最小为目标函数的含风电的配电网的无功优化模型， 该模型选择无功补偿设备投切组数以及风电机组无功输出作为控制变量， 负荷节点电压作 为状态变量； S3： 提出基于AG ‑MOPSO算法， 通过AG ‑MOPSO算法对含风电的配电网无功优化模型进行 求解， 保证Pareto前沿分布的均匀性和多样性： S3.1： 读入电网运行数据， 设置AG ‑MOPSO算法参数， 对控制变量进行编码x＝[QCZ1, QCZ2,…,QCZi,…|QWG1,QWG2,…QWGi,…]， 其中QCZi为第i台电容器组投切组数， QWGi为第i台风电 机组的无功输出； S3.2： 初始化粒子的位置和速度， 潮流计算得 出相应的有功网损和电压偏差； S3.3： 取当前各粒子位置为个体最优位置pbest， 判断它们之间的支配关系， 将非支配 解放入外部档案库中， 通过全局最优粒子 选取原则确定全局最优位置gbest； S3.4： 迭代更新粒子的位置和速度， 潮流计算产生 新的解集； S3.5： 通过个体最优粒子选取原则确定pbest， 同时将其 中的非支配解添加到外部档案 库中， 利用外部档案库 维护原则保持Pareto最优解的数量， 再次通过全局最优粒子选取原 则确定gbest； S3.6： 若算法达到最大迭代次数或者满足收敛条件， 则输出外部档案库中的Pareto最 优解， 否则跳转至步骤S3.4继续计算。 2.根据权利 要求1所述的基于AG ‑MOPSO的含风电配电网无功优化方法， 其特征在于， 所 述S1.1中输出功率pw和风速v之间的关系为： 其中， cci、 vr、 vco分别为切入风速、 额定风速、 切出风速， k1＝pr(vr‑vco)‑1， k2＝‑k1vco， pr 为风电机组的额定功率。 3.根据权利 要求2所述的基于AG ‑MOPSO的含风电配电网无功优化方法， 其特征在于， 由 所述式(1)将风电机组的输出功 率划分为三种典型场景： 停机状态 零输出的场景一、 对应功 率随风速变化状态欠 额定输出的场景二、 额定功率状态额定 输出的场景三。 4.根据权利 要求3所述的基于AG ‑MOPSO的含风电配电网无功优化方法， 其特征在于， 根 据概率密度函数计算所述 三种典型场景发生的概 率：权　利　要　求　书 1/4 页 2 CN 114709836 A 2其中， P1、 P2、 P3分别代表场景一、 场景二、 场景三 的发生概率， f(v)表示Weibull分布的 概率密度函数， k和c分别为Weibull分布 的形状参数和尺度参 数； 因此场景一、 场景三对应的风电机组输出功率分别为0和pr， 场景二的风电机组输出功 率为： 5.根据权利 要求1所述的基于AG ‑MOPSO的含风电配电网无功优化方法， 其特征在于， 所 述S2中的有功网损f1和电压偏差f2分别为： 其中， N为系统节点数， i、 j为节点标号， Gij为节点i、 j之间的支路导纳， Ui和Uj分别为节 点i， j的电压幅值， θij为节点i、 j电压相位差， Ui.N、 Ui.max和Ui.min分别为节点i的额定电压、 节 点电压最大值和节点电压最小值； 因而， 配电网的无功优化模型的目标函数为： F＝min(f1,f2)。 6.根据权利 要求5所述的基于AG ‑MOPSO的含风电配电网无功优化方法， 其特征在于， 所 述配电网的无功优化模型的等式约束条件为系统节点的有功 功率和无功 功率平衡约束： 其中， PGi和QGi分别为电源的有功输出和无功输出； PLi和QLi分别为负荷节点的有功功率 和无功功率； QCi为无功补偿容 量； Gij和Bij分别为节点 i、 j之间的电导和电纳。 7.根据权利 要求5所述的基于AG ‑MOPSO的含风电配电网无功优化方法， 其特征在于， 所 述配电网的无功优化模型的不等式约束条件包括节点电压约束、 电容器容量约束以及风力 发电机的出力约束：权　利　要　求　书 2/4 页 3 CN 114709836 A 3