(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 202111625495.3 (22)申请日 2021.12.28 (71)申请人 上海中楠水电配套工程有限公司 地址 200245 上海市闵行区苏召路1628号 (72)发明人 陆伟伟　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 彭瑶 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01) H02J 3/46(2006.01)H02J 3/14(2006.01) G06F 111/04(2020.01) G06F 111/08(2020.01) G06F 113/04(2020.01) G06F 113/06(2020.01) (54)发明名称 一种基于改进分数阶粒子群的分布式电源 选址定容优化方法 (57)摘要 本发明涉及一种基于改进分数阶粒子群的 分布式电源选址定容优化方法， 首先对分布式电 源(风机、 光伏等)的输出特性和负荷波动进行不 确定性建模， 以Weibull分布描述风机出力， 以 Beta分布描述光伏出力， 以高斯 分布描述负荷波 动， 随后采用拟蒙特卡洛法采样风机、 光伏、 负荷 等随机变量， 通过Johnson变换将采样点转化成 符合系统随机变量概率分布的样本序列； 进一 步， 建立以年综合费用最小为优化目标， 基于机 会约束的分布式电源选址定容优化模型， 最后， 提出一种改进分数阶粒子群优化算法求解优化 模型。 与现有技术相比， 本发明具有大范围寻优 能力， 对算法的粒子数量和算法初值具有强鲁棒 性， 适用于目标函数和约束条件复杂多变的分布 式电源选 址定容问题。 权利要求书3页 说明书9页 附图2页 CN 114519243 A 2022.05.20 CN 114519243 A 1.一种基于改进分数阶粒子群的分布式电源选址定容优化方法， 其特征在于， 包括下 列步骤： 1)对风机、 光伏、 负荷进行不确定性建模， 并分别对风机出力、 光伏出力和负荷波动进 行拟合； 2)采样风机、 光伏、 负荷的随机变量， 通过Johnson变换将采样点转化为符合系统随机 变量概率分布的样本序列； 3)建立以年综合费用最小为优化目标， 基于机会约束的分布式电源选址定容的最优化 模型； 4)采用改进的分数阶粒子群算法对步骤3)所建立的模型进行求解， 获取在严格满足约 束条件下的分布式电源在配电网中的优化选 址和经济容 量配置方案 。 2.根据权利要求1所述的基于改进分数阶粒子群的分布式电源选址定容优化方法， 其 特征在于， 步骤1)中， 采用Weibull分布拟合风机出力， 采用Beta分布拟合光伏出力， 并采用 高斯分布拟合负荷波动。 3.根据权利要求2所述的基于改进分数阶粒子群的分布式电源选址定容优化方法， 其 特征在于， 步骤1)中， 对风机进行不确定性建模的具体内容 为： 风速规律服从两参数Weibul l分布， 其 概率密度函数为： 式中： V为实际风速； k和c分别为形状参数与尺度参数； 通过风机功率模型将风速转 化为风机功率PWTG， 转换公式为： 式中： Vci、 Vr、 Vco分别为切入风速、 额定风速以及切出风速； PWTG,r为风机额定 输出功率。 4.根据权利要求2所述的基于改进分数阶粒子群的分布式电源选址定容优化方法， 其 特征在于， 步骤1)中， 对光伏进行不确定性建模的具体内容 为： 光照强度服从Beta分布， 其 概率密度函数为： 式中： S为光照强度的实际值， Sr为其额定值； α和β 是Beta分布的两个形状参数； Γ( ·) 表示伽马函数； 将光伏实际出力PPV与光照强度S之间进行转换， 转换公式为：权　利　要　求　书 1/3 页 2 CN 114519243 A 2式中： PPV,r为光伏的额定功率； Sr为额定光照强度。 5.根据权利要求2所述的基于改进分数阶粒子群的分布式电源选址定容优化方法， 其 特征在于， 对负荷进行不确定性建模的具体内容 为： 负荷波动服从高斯分布， 令负荷有功和无功的概 率密度函数分别为： 式中： PL,i、 QL,i分别表示节点i处的有功负荷和无功负荷； μP,i、 μQ,i和σP,i、 σQ,i分别表示 节点i处的有功负荷和无功负荷的期望和标准差 。 6.根据权利要求1所述的基于改进分数阶粒子群的分布式电源选址定容优化方法， 其 特征在于， 步骤2)中， 采用拟蒙特卡洛法采样风机、 光伏、 负荷的随机变量， 获取采样点， 具 体内容为： 采用均匀分布序列x(1),x(2),...∈In代替随机点Γi， 利用下式获取采样点： 式中， i为节点， N 为节点总数， g(x)将平均收敛， g(x)采用低差异化序列。 7.根据权利要求6所述的基于改进分数阶粒子群的分布式电源选址定容优化方法， 其 特征在于， 步骤2)中， 通过拟蒙特卡洛法得到采样点后， 先将采样点通过高斯分布的累积函 数方程逆运算转换为独立高斯分布， 随后进行Johnson分布 转换， 进而获取系统随机变量原 始采样数据， 即符合系统随机变量 概率分布的样本序列。 8.根据权利要求6所述的基于改进分数阶粒子群的分布式电源选址定容优化方法， 其 特征在于， 所述低差异化序列采用V ANDER CORPUT序列、 HALTON序列或SOBOL序列。 9.根据权利要求1所述的基于改进分数阶粒子群的分布式电源选址定容优化方法， 其 特征在于， 步骤3)中， 分布式电源选 址定容的最优化模型的目标函数为： 权　利　要　求　书 2/3 页 3 CN 114519243 A 3