数据驱动进化优化在主动配电网重构中的应用

作     者：郑源 

作者单位：上海电机学院 

学位级别：硕士

导师姓名：付晓刚;张玉龙

授予年度：2021年

学科分类：0808[工学-电气工程] 080802[工学-电力系统及其自动化] 08[工学] 

主      题：主动配电网重构 数据驱动进化优化 分布式电源 不确定性 基于分解的差分算法 

摘      要：近年来,风力发电与光伏发电等分布式电源（Distribution Generation,DG）在电网中的渗透率不断增大,但是DG的出力与负荷的需求具有不确定性,因此,需要控制配电网中开关闭合与断开状态对配电网的网络结构进行重构,使配电网运行在最佳状态,从而降低配电网在正常运行时的网络损耗,提高运行经济性。但是由于考虑了DG与负荷的不确定性后使得重构的目标函数计算成本大幅度增加。所以本文针对含不确定性的分布式电源与负荷的主动配电网重构开展了以下的工作:1)针对带有不确定性的DG,本文采用了基于Weibull分布的风速预测模型和基于Beta分布的光照预测模型;由于配电网中负荷也存在不确定性,因此,本文提出了一种极限梯度提升树与随机森林组合的集成预测模型对负荷进行预测,并且通过实验证明了本文建立的负荷预测模型较为准确。2)配电网重构优化问题本质是带约束的单目标优化,通过约束违反度将约束条件转化为另一个优化目标,实现单目标带约束优化问题向无约束双目标优化问题的转化。为了避免优化产生不符合网络拓扑结构约束的解,提出了一种环网矩阵编码策略,并且基于分解的思想,以差分算法为基础对算法进行改进,提出了一种新的权重向量调整策略,并运用到本文的研究主动配电网重构问题求解中。3)对于负荷与DG的不确定性的处理方法,目前使用较多的是场景分析法,该方法将连续的DG出力曲线与负荷曲线离散化,形成一个个场景,然后将DG内的场景组合,DG与负荷的场景再进行组合,形成了多个不同配电网运行状态。但是基于场景分析法建立的目标函数,含有大量的场景,每一个场景对应一次潮流计算,所以目标函数评价一次候选解是非常昂贵的,鉴于此、本文采用数据驱动进化优化（Data Driven Evolutionary Algorithms,DDEA）的方法处理该问题,建立计算代价相对廉价的随机森林（Random Forest,RF）代理模型来逼近重构中的目标函数和约束函数,求解最优重构方案。此外,本文引入支持向量机（Support Vector Machine,SVM）对约束违反度函数的代理模型进行约束修正,并且对通过一系列多目标背包问题（Multiobjective Knapsack Problems,MOKPs）进行测试,验证了采用SVM修正约束模型的有效性。最后,基于改进的IEEE33节点配电网对本文提出的方法（Data Driven Evolutionary Algorithms-Random Forest,DDEA-RF）求解主动配电网重构问题的可行性进行验证,在保证DDEA-RF求解出的重构方案接近真实最优重构方案的情况下,大幅降低计算的时间成本。