本发明涉及电力系统，尤其涉及含新能源电网无功优化，具体涉及一种含新能源电网的多目标无功优化模型的计算方法。
背景技术：
0、技术背景
1、当前，风电、光伏等分布式电源的快速发展呈现井喷式增长，在一定程度上影响了并网后电网的安全稳定运行。新能源输出的随机性和波动性会影响电网的网损和电能质量。如何正确分析新能源输出的随机性和波动性对电力系统安全稳定运行产生的影响，并提供无功优化方法，对于增强电力系统的安全性具有重要意义。
2、申请公布号为cn108521131a的专利文献公开了一种求解无功优化模型的混合交叉迭代方法，该方法采用混合交叉迭代方法求解所建立的无功优化模型，并采用遗传方法来处理无功优化模型中的离散变量，采用内点法来处理连续变量；申请公布号为cn112529253a的专利文献公开了一种基于内点解耦法与线性混合整数规划法的区域电网动态无功优化方法，该方法将内点解耦法与线性混合整数规划法相结合，并采用领域搜索法快速求解，在保证了计算精度的基础上有效提升了求解效率。以上方法未考虑新能源并网后无功优化模型会发生变化的情况，这导致在新型电力系统中计算会产生错误结果，从而造成严重后果。
3、综上所述，传统无功优化模型未考虑新能源并网后带来的不确定性问题，导致其求解结果往往与电网实际运行状态不符，难以适用于新能源接入的新型电力系统。
技术实现思路
1、本发明的目的是针对传统无功优化模型无法考虑新能源并网后，由于风电和光伏出力的波动性会影响到配电网的安全稳定运行，进而出现配电网电压质量下降、网损增加的问题，提供一种含新能源电网的多目标无功优化模型的计算方法。
2、为了实现上述发明目的，本发明所述方法包括以下步骤：
3、一种含新能源电网的多目标无功优化模型的计算方法，包括以下步骤：
4、步骤1：建立含风电出力和光伏发电机组出力的概率模型；
5、步骤2：采用基于拉丁超立方采样的monte carlo概率潮流计算方法(correlationlatin hypercube sampling monte carlo simulation，clmcs)以及场景缩减技术处理概率模型中风电出力和光伏发电机组出力的不确定性，得到风电机组和光伏发电机组输出功率的典型场景，进而将不确定性问题转化为多个场景下的确定性问题；
6、步骤3：基于风电和光伏典型场景建立含新能源电网的多目标无功优化模型；
7、步骤4：采用多目标差分进化采用多目标差分进化mode算法对模型进行计算，得到pareto最优解集；
8、步骤5：采用熵权法处理pareto解集，从中选取一个最优解作为最终无功优化结果。
9、在步骤1中，建立含风电出力和光伏发电机组出力的概率模型。
10、1)风电出力概率模型
11、以双馈感应风机描述的风机无功控制模型为例，风速的变化服从weibull分布，其概率密度函数为：
12、
13、式中：v为实际风速；c和k为weibull分布的尺度参数和形状参数。
14、风机输出的有功功率如式(2)所示：
15、
16、式中：vi、vo、v、vn分别为切入风速、切出风速、当前风速和额定风速；为风机的额定输出功率。
17、2)光伏发电机组出力概率模型
18、光伏发电机组的输出功率的变化服从beta分布，其概率密度函数为：
19、
20、式中：pm是一段时间内光伏出力的最大值；β和γ可由光伏输出功率的均值和标准差来估计，其计算公式为：
21、
22、式中：β是光伏出力的均值；γ是光伏出力的标准差。
23、在步骤2中，采用基于拉丁超立方采样的monte carlo概率潮流计算方法clmcs以及场景缩减技术处理概率模型中风电出力和光伏发电机组出力的不确定性，得到风电机组和光伏发电机组输出功率的典型场景，进而将不确定性问题转化为多个场景下的确定性问题。
24、步骤2-1：根据输入随机变量x的概率分布和相关系数矩阵dx得到修订的相关系数矩阵dz，并对其进行cholesky分解，得到下三角矩阵d；
25、步骤2-2：对n个相互独立的标准正态随机分布随机变量进行采样，得到样本矩阵wn×n，从而由z＝dw得到相关性矩阵为dz的样本矩阵z，再由矩阵z得到顺序矩阵ls；
26、步骤2-3：对输入随机变量x进行lhs采样，并按顺序矩阵ls进行排序，得到最终的样本矩阵s；
27、步骤2-4：由样本矩阵s及输出随机变量和输入随机变量之间的函数关系求得输出随机变量的数字特征及概率分布；
28、步骤2-5：初始化设置。计算任意2个场景的场景距离形成场景距离矩阵e：
29、e(si,sj)＝||si-sj||2 (8)
30、步骤2-6：对发生概率为pi的场景si，确定与场景i最近的场景，用这个最小距离乘以场景si概率得到pei，计算公式如式(9)所示：
31、pei＝pi*min{e(si,sj)} (9)
32、步骤2-7：在原有场景集合c中找到最小的peb，使peb＝minpei,i∈c；
33、步骤2-8：更新风电、光伏场景集合c并删除风电、光伏场景集合j，即c＝c-{b}，j＝j+{b}，并更新场景概率pi＝pi+pb；
34、步骤2-9：重复步骤2-6到步骤2-8直到达到目标场景数要求。
35、在步骤3中，基于风电和光伏典型场景建立含新能源电网的多目标无功优化模型。
36、1)目标函数
37、
38、式中：x1为优化变量，包括发电机端口电压、并联电容器有功功率、无功功率和新能源机组有功功率、无功功率；x2为非发电机节点电压、系统节点功率等；vi为节点i的电压幅值；vj为节点j的电压幅值；为节点j的指定电压幅值；θij为节点i与j之间的相角差；gij为节点i与j之间的导纳；ni和nt分别为系统节点数和分支数。
39、2)等式约束条件
40、
41、式中：pgi、pli为节点i处发电机注入的有功功率和负载消耗的有功功率；qgi、qli为节点i处发电机注入的无功功率和负载消耗的无功功率；bij为支路ij导纳；m为节点个数。
42、3)不等式约束条件
43、
44、式中：vimin和vimax分别为节点i的最小和最大允许电压；和分别为平衡节点的有功功率下限和上限；s*为平衡节点的有功功率；pimin和pimax分别为节点i的有功功率下限和上限；pi为节点i的有功功率；qimin和qimax分别为节点i的无功功率下限和上限；qi为节点i的无功功率。
45、在步骤4中，采用多目标差分进化mode算法对模型进行计算，得到pareto最优解集。
46、步骤4-1：输入配电网数据、风电机组参数、光伏机组参数以及算法参数；
47、步骤4-2：初始化种群，生成典型场景。采用clmcs进行随机潮流计算，利用场景缩减技术，缩减风电样本和光伏样本到规定典型场景数目；
48、步骤4-3：目标函数计算。在各典型场景中计算电压偏差和有功网损并乘以各自的场景概率后相加得到目标函数值；
49、步骤4-4：非劣解排序以及更新群体。将新群体和试验群体合并，对合并后群体进行非裂解排序，通过随机选择机制和精英选择机制对群体进行更新；
50、步骤4-5：输出pareto解集。若迭代次数大于或者等于最大迭代次数，则输出pareto最优解集，否则进行下一次迭代。
51、在步骤5中，采用熵权法处理pareto解集，从中选取一个最优解作为最终无功优化结果。
52、首先，基于mode得到的最优pareto边界，将非优势解的目标函数值归一化，如式(10)所示：
53、
54、式中：xi、xj为目标函数；dk为第k个目标函数值非主导解的距离；和为第k个目标函数值的最大值和最小值；fk为第h个目标函数值；nl为解集的有限个数。
55、然后，对目标函数进行标准化处理，计算第i个样本在第j个目标函数yij下的比例：
56、
57、各目标函数的信息熵ej、权重wj和综合得分sj分别为：
58、
59、根据网损、电压偏差和静态电压稳定裕度三个目标函数以及相应的潮流结果进行相应的评价。如果目标变化结果的不确定性越大，则对应的权重越高，从而可以有效地获得最优pareto解。
60、与现有技术相比，本发明的有益效果在于：
61、1、为解决新能源并网后带来的不确定性问题，本发明以网损、电压偏差和静态电压稳定裕度为三个目标函数，通过评价和利用新能源机组的无功调节性能，研究了考虑电网随机性的多目标无功优化问题；
62、2、本发明在多目标无功优化模型求解过程中，应用拉丁超立方采样方法和场景法将随机多目标无功优化模型转换为给定场景下的确定性潮流问题，能有效解决风电机组、光伏机组出力和负荷的波动性。另外采用的mode算法高效且鲁棒性好，能够找到接近最优和完整的pareto解集，在无功优化中能够有效地提高配电网的电压水平并减少网络损耗，以满足用户对电能质量越来越高的要求。
1.一种含新能源电网的多目标无功优化模型的计算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：在步骤1中，建立含风电出力和光伏发电机组出力的概率模型如下：
3.根据权利要求1所述的方法，其特征在于：在步骤2中，采用基于拉丁超立方采样的monte carlo概率潮流计算方法clmcs以及场景缩减技术处理概率模型中风电出力和光伏发电机组出力的不确定性，得到风电机组和光伏发电机组输出功率的典型场景，进而将不确定性问题转化为多个场景下的确定性问题；
4.根据权利要求1所述的方法，其特征在于：在步骤3中，基于风电和光伏典型场景建立含新能源电网的多目标无功优化模型具体如下：
5.根据权利要求1所述的一种含新能源电网的多目标无功优化模型及计算方法，其特征在于：在步骤4中，采用多目标差分进化mode算法对模型进行计算，得到pareto最优解集，具体包括以下步骤：
6.根据权利要求5所述的一种含新能源电网的多目标无功优化模型及计算方法，其特征在于：在步骤5中，采用熵权法处理pareto解集，从中选取一个最优解作为最终无功优化结果，具体如下：
