CN104218578B - 一种分布式供电系统的规划方法及装置 - Google Patents

Abstract

本发明公开了一种分布式供电系统的规划方法及装置。所述规划方法包括：建立分布式供电系统的资源层模型，其控制变量包括表征系统网络拓扑结构以及馈线线型的第一向量和表征系统中可再生能源发电单元安装位置以及配置台数的第二向量，其目标函数为min？F＝(D_C+O_C)/H，其中D_C表示隐含碳排放，O_C表示发电碳排放，H表示用电量预测值；建立分布式供电系统的运行层模型，其控制变量包括表征系统运行时对各可再生能源发电单元的调用功率以及从上级电网调用电能的第三向量，其目标函数为min？f＝O_C/ε，其中ε为变化因子；采用预定算法对资源层模型进行求解，得到第一向量和第二向量的最优解，并将该最优解作为分布式供电系统的规划方案。本发明有效降低了终端用电的碳足迹。

Description

一种分布式供电系统的规划方法及装置

技术领域

本发明涉及配电优化技术，具体涉及一种分布式供电系统的规划方法及装置。

背景技术

进入21世纪以来，化石能源短缺、气候变化以及环境污染成为全球面临的共同挑战。因此，提高能源供应的多样性，降低终端用电对化石能源的依赖，从而最大限度地减少因人为活动产生的碳排放，是当前电力工业发展面临的重要课题。

分布式供电系统(DistributedGenerationSystem，DGS)通过有机集成多种类型的分布式电源(DistributedGeneration，DG)、配电网络以及终端负荷，可以实现对风、光等可再生能源的就地消纳及利用，因此是达到上述目标的有效途径。

要建立低碳化的DGS，其先决条件是借助科学有效的规划方法，即确定何年、何地投建何种类型(或容量)的分布式电源或馈线线路，从而在达到规划周期内所需要的供电能力的基础上实现用电碳足迹最低化的目标。针对面向低碳的DGS，目前广泛采用的规划方法为：首先，在给定网络结构的条件下，根据负荷预测所得到的规划水平年负荷最大值，采用最大容量裕度(即在各线路最大载流量预测值的基础上乘以一个裕度系数)来应对最严重工况的运行条件；然后，在上述网络结构的基础上，以系统中所有DG输出功率总和最大作为目标，优化它们在系统中的最佳安装位置及容量。

但是，上述规划方法并不能充分实现有效降低终端用电的碳足迹这个基本目标。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的分布式供电系统的规划方法及装置。

根据本发明的一个方面，提供了一种分布式供电系统的规划方法，包括：

建立分布式供电系统的资源层模型，其控制变量包括表征系统网络拓扑结构以及馈线线型的第一向量和表征系统中可再生能源发电单元安装位置以及在该安装位置的配置台数的第二向量，其目标函数为minF＝(D_C+O_C)/H，其中D_C表示系统所含馈线线路以及可再生能源发电单元在规划周期内对应的隐含碳排放，O_C表示系统在规划周期内运行时从上级电网调用电能所对应的发电碳排放，H表示系统在规划周期内用电量的预测值；

建立分布式供电系统的运行层模型，其控制变量包括表征系统在模拟周期内运行时对各可再生能源发电单元的调用功率以及从上级电网调用电能的第三向量，其目标函数为minf＝O_C/ε，其中ε表示由模拟周期对应的时间尺度向规划周期进行转换的变化因子；以及

采用预定算法对资源层模型进行求解，得到第一向量和第二向量的最优解，并将该最优解作为分布式供电系统的规划方案，其中在获取资源层模型的目标函数值时，根据第一向量的取值和第二向量的取值所确定的规划方案求解运行层模型，根据对运行层模型的求解结果确定资源层模型的目标函数中的O_C值。

可选地，所述规划方法还包括：构建描述分布式供电系统运行状态的预想场景集，所述预想场景集包括多个预想场景，每个预想场景包括该预想场景的发生概率和系统中各可再生能源发电单元在该预想场景下各时段的期望出力；

运行层模型的控制变量具体包括表征系统在各预想场景下运行时在各时段对各可再生能源发电单元的调用功率以及从上级电网调用电能的第三向量。

可选地，所述可再生能源发电单元包括风电单元和光伏发电单元；

所述构建描述分布式供电系统运行状态的预想场景集，包括：

根据风资源及太阳光照资源的历史统计数据，分别构建针对风速分布以及光照强度分布的概率模型；

根据风速分布的概率模型构建关于风电单元期望出力的第一预想场景集；

根据光照强度分布的概率模型构建关于光伏风电单元期望出力的第二预想场景集；

根据所述第一预想场景集和第二预想场景集构建描述分布式供电系统运行状态的预想场景集。

可选地，运行层模型的目标函数具体为：其中PP_EG,t,q表示场景q下时段t从上级电网的调用功率，ρ_EG表示上级电网每提供1kWh电能所对应的发电碳排放，Δt表示每个时段的持续时间，TH表示模拟周期所包含的时段数目，η_q表示预想场景q的发生概率，S_sn表示预想场景集所包括的场景数目。

可选地，所述资源层模型的约束条件包括如下的一个或多个：投资总成本约束、各节点中可再生能源发电单元的渗透率约束和保持网络拓扑结构为辐射状的约束。

可选地，所述运行层模型的约束条件包括如下的一个或多个：功率平衡约束、节点电压幅值约束、馈线载流量约束、系统受端特性约束、可再生能源发电单元出力约束和可再生能源发电单元功率因数约束。

可选地，所述预定算法为遗传算法，采用资源层模型的目标函数值与-1的乘积作为遗传算法的适应度函数值。

根据本发明的另一方面，提供了一种分布式供电系统的规划装置，包括：

资源层模型建立单元，适于建立分布式供电系统的资源层模型，其控制变量包括表征系统网络拓扑结构以及馈线线型的第一向量和表征系统中可再生能源发电单元安装位置以及在该安装位置的配置台数的第二向量，其目标函数为minF＝(D_C+O_C)/H，其中D_C表示系统所含馈线线路以及可再生能源发电单元在规划周期内对应的隐含碳排放，O_C表示系统在规划周期内运行时从上级电网调用电能所对应的发电碳排放，H表示系统在规划周期内用电量的预测值；

运行层模型建立单元，适于建立分布式供电系统的运行层模型，其控制变量包括表征系统在模拟周期内运行时对各可再生能源发电单元的调用功率以及从上级电网调用电能的第三向量，其目标函数为minf＝O_C/ε，其中ε表示由模拟周期对应的时间尺度向规划周期进行转换的变化因子；以及

模型求解单元，适于采用预定算法对资源层模型进行求解，得到第一向量和第二向量的最优解，并将该最优解作为分布式供电系统的规划方案，其中在获取资源层模型的目标函数值时，根据第一向量的取值和第二向量的取值所确定的规划方案求解运行层模型，根据对运行层模型的求解结果确定资源层模型的目标函数中的O_C值。

可选地，所述规划装置还包括预想场景集构建单元，适于构建描述分布式供电系统运行状态的预想场景集，所述预想场景集包括多个预想场景，每个预想场景包括该预想场景的发生概率和系统中各可再生能源发电单元在该预想场景下各时段的期望出力；

运行层模型的控制变量具体包括表征系统在各预想场景下运行时在各时段对各可再生能源发电单元的调用功率以及从上级电网调用电能的第三向量。

可选地，所述可再生能源发电单元包括风电单元和光伏发电单元；

所述预想场景集构建单元进一步适于：

根据风资源及太阳光照资源的历史统计数据，分别构建针对风速分布以及光照强度分布的概率模型；

根据风速分布的概率模型构建关于风电单元期望出力的第一预想场景集；

根据光照强度分布的概率模型构建关于光伏风电单元期望出力的第二预想场景集；

根据所述第一预想场景集和第二预想场景集构建描述分布式供电系统运行状态的预想场景集。

可选地，运行层模型的目标函数具体为：其中PP_EG,t,q表示场景q下时段t从上级电网的调用功率，ρ_EG表示上级电网每提供1kWh电能所对应的发电碳排放，Δt表示每个时段的持续时间，TH表示模拟周期所包含的时段数目，η_q表示预想场景q的发生概率，S_sn表示预想场景集所包括的场景数目。

可选地，所述资源层模型的约束条件包括如下的一个或多个：投资总成本约束、各节点中可再生能源发电单元的渗透率约束和保持网络拓扑结构为辐射状的约束。

可选地，所述运行层模型的约束条件包括如下的一个或多个：功率平衡约束、节点电压幅值约束、馈线载流量约束、系统受端特性约束、可再生能源发电单元出力约束和可再生能源发电单元功率因数约束。

可选地，所述预定算法为遗传算法，所述模型求解单元采用资源层模型的目标函数值与-1的乘积作为遗传算法的适应度函数值。

可选地，所述模型求解单元采用内点法、粒子群算法或者遗传算法来求解运行层模型。

根据本发明的分布式供电系统的规划方案，同时考虑了因资源使用、运行发电、设备报废等不同物理环节所产生的碳排放，计及系统运行状态的多样性，通过协调优化网架结构、馈线线型以及DG配置，能够保证最终所规划出的系统在满足投资额度限制与安全运行的前提下，实现真正意义上终端用电全过程碳足迹的降低，并且在优化时间和求解精度上满足工程应用的需求。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的分布式供电系统的规划方法流程图；

图2示出了根据本发明一个实施例的分布式供电系统的规划装置结构图；

图3示出了本发明实施例中使用遗传算法时对规划方案进行编码的示意图；以及

图4示出了本发明实施例中配电网的一种网络结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本申请发明人对现有的分布式供电系统的规划方法进行分析后，发现导致其不能充分实现有效降低终端用电的碳足迹这个基本目标的原因如下：

1)忽略了因系统设备(馈线、DG)使用导致的隐含碳排放，即设备在建造、安装、使用及退役过程中导致的间接碳排放，由于未能表征资源选取(馈线线型、DG容量)与其产生的间接碳排放代价之间的关系，最终规划结果存在很大片面性，不能保证“终端用电碳足迹最低”的目标。

2)对网架规划和DG选址定容进行独立优化，人为割裂了两者之间的天然内在联系并忽略了彼此的交互影响。在确定的电网架构下，将限制DG配置方案制定的可行空间。

3)仿真模拟仅基于规划者主观定义的典型运行场景开展，未能细致考虑可再生能源DG出力的自然特性及系统运行场景的多样性，从而使得所得规划结果过于粗糙，不能为规划人员提供可信的最优决策方案。

因此，本发明实施例提供一套更为科学与先进的优化规划方案，以细致考虑因终端用电需求所导致系统各个过程环节(包括建设、运行及设备报废处理)的碳排放因素，同时计及系统运行状态的多样性，通过综合优化网架结构、馈线线型以及DG的安装位置及容量，可以起到提高可再生能源利用效率、降低网损、延缓资源使用需求的目的，为电力系统规划管理者提供一种能够实现终端用电全过程碳足迹降低的可行投资规划方案。

图1示出了根据本发明一个实施例的分布式供电系统的规划方法流程图,该规划方法可以由各种计算设备执行。参照图1，该规划方法始于步骤S102，在步骤S102中，构建描述分布式供电系统运行状态的预想场景集，所述预想场景集包括多个预想场景，每个预想场景包括该预想场景的发生概率和系统中各可再生能源发电单元在该预想场景下各时段的期望出力。

在本发明实施例中，所述分布式供电系统中可以包括各种类型的可再生能源发电单元，例如风电单元、光伏发电单元、小水电和燃气轮机等。以下以分布式供电系统中仅包括风电单元和光伏发电单元为例进行说明，构建描述分布式供电系统运行状态的预想场景集的过程如下：

首先，根据风资源及太阳光照资源的历史统计数据，分别构建针对风速分布及光照强度分布的概率模型。具体包括以下步骤：

(1)收集待规划区域日内各小时对应的多年历史气象信息：对于风资源，包括测量点的离地高度以及历史各年中对应的日间各小时的风速；对于太阳光照资源，包括测量点历史各年中对应的日间各小时的光照强度；

(2)针对风电，根据以上步骤所得信息，计算各历史年针对待选型号风电单元(风机)的等效风速V_t，表达式如下：

$\frac{V_t}{V_{t,0}}={\left(\frac{H}{H_0}\right)}^n---\left(1\right)$

其中，H₀为规划区域内风速测量点的实际离地高度；H为拟安装风机的预期离地高度(塔高)；V_t,0为风速测量点获得的针对时段t的平均风速信息；n为风切变系数，受地表粗糙程度、大气条件等多方面因素的综合影响，n的取值在0.1～0.4之间，一般可取为这个区间范围的中值0.25。

(3)根据各历史年规划区域内等效风速，以及各历史年光照强度信息，分别基于Weibull(韦伯)分布及Beta(贝塔)分布，采用最大似然估计法分别确定规划区域内日间各小时历史风速及光照强度所对应的概率密度分布参数，从而得到分布函数的具体表达式。

然后，根据风速分布的概率模型构建关于风电单元期望出力(输出功率)的预想场景集Ω_w：

Ω_w＝{(η_w,q,e_w,q)|q＝1,…S_w}(2)

其中，S_w为设定的风电预想场景集Ω_w中的总场景数目；η_w,q为风电场景q的发生概率，其计算式如下：

${\mathrm{\η}}_{w,q}={\∫}_{{\mathrm{vl}}_q}^{{\mathrm{vu}}_q}f\left(v\right)\mathrm{dv}---\left(3\right)$

其中，f(v)代表风速概率密度分布函数；vu_q/vl_q分别代表规划者定义的场景q对应的风速上边界及下边界。规划者可以将风速范围分割成多个(S_w个)区间，每个区间具有风速上边界和风速下边界，对应于一种风速场景。

式(2)中，e_w,q代表风速场景q下单台风机的期望出力，其表达式如下：

$e_{w,q}={\∫}_{{\mathrm{vl}}_q}^{{\mathrm{vu}}_q}{P}_{\mathrm{DWG}}f\left(v\right)\mathrm{dv}---\left(4\right)$

其中，P_DWG为风机输出功率与风速的函数关系式，表达式如下：

其中，为风机额定容量；为风机切入风速；v_rated为额定风速；为切出风速。

其次，根据光照强度分布的概率模型构建关于光伏发电单元期望出力(输出功率)的预想场景集Ω_pv：

Ω_pv＝{(η_s,q,e_s,q)|q＝1,…S_pv}(6)

其中，S_pv为设定的光伏预想场景集Ω_pv中的总场景数目；η_s,q为光伏场景q的发生概率，其计算式如下：

${\mathrm{\η}}_{s,q}={\∫}_{{\mathrm{rl}}_q}^{{\mathrm{ru}}_q}g\left(r\right)\mathrm{dr}---\left(7\right)$

其中，g(r)代表光强概率密度分布函数；ru_q/rl_q分别代表规划者定义的场景q对应的光照强度的上边界及下边界。规划者可以将光照强度范围分割成多个(S_pv个)区间，每个区间具有光照强度上边界和光照强度下边界，对应于一种光伏场景。

式(6)中，e_s,q代表单个光伏发电单元(光伏模块)在场景q下的期望出力，其表达式如下：

$e_{s,q}={\∫}_{{\mathrm{rl}}_q}^{{\mathrm{ru}}_q}{P}_{\mathrm{PV}}g\left(r\right)\mathrm{dr}---\left(8\right)$

其中，P_PV为光伏输出功率与光照强度(光强)的函数关系式，表达式如下：

其中，r_rated及分别代表光伏模块的额定光强及其对应的额定输出功率。

最后，根据预想场景集Ω_w和Ω_pv构建描述分布式供电系统运行状态的预想场景集Ω_sn：

Ω_sn＝{(η_q,e_w,q,e_s,q)|q＝1,…S_sn}(10)

其中，S_sn为分布式供电系统运行预想场景集Ω_sn中的总场景数目，其计算公式如下：

S_sn＝S_w·S_pv(11)

式(10)中，η_q为系统运行状态预想场景q的发生概率，其计算式如下：

η_q＝η_w,q·η_s,q(12)

在构建完成描述分布式供电系统运行状态的预想场景集后，规划方法进入步骤S104，在步骤S104中，建立分布式供电系统的资源层模型。资源层模型的建立过程具体如下：

首先，确定资源层模型的控制变量，如下：

(1)表征系统网络拓扑结构以及馈线线型的向量B；其中，B＝{λ_ij,a|ij∈Ω_FD,a∈Ω_A}，Ω_FD为系统中所有可建线路通道构成的集合，Ω_A表示可用馈线线型(类型)的集合。λ_ij,a为(0,1)变量，若λ_ij,a＝1，表示节点ij之间的线路通道安装类型a的馈线；若λ_ij,a＝0，则表示在该通道不安装馈线。

(2)表征系统中可再生能源发电单元例如风电单元以及光伏发电单元安装位置以及在该安装位置的配置台数的向量L_DWG及L_PV；其中，L_DWG＝{n_DWG,g|g∈Ω_w}，Ω_w为系统中所有风机待选安装节点构成的集合，n_DWG,g为整数变量，表示系统中风机待选安装节点g所配置的风机台数；L_PV＝{n_PV,g’|g’∈Ω_s}，Ω_s为系统中所有光伏模块待选安装节点构成的集合，n_PV,g’为整数变量，表示系统中光伏待选安装节点g’所配置的光伏模块数量。

然后，以规划周期(例如规划水平年)分布式供电系统中负荷的单位用电量对应的全寿命周期碳排放(包括系统中馈线及可再生能源发电单元的隐含碳以及用电对应的发电碳排放)最低作为目标，构建资源层模型的目标函数，表达式如下：

minF＝(D_C+O_C)/H(13)

其中，H表示规划目标年系统负荷用电量的预测值；D_C表示系统中所含馈线线路及可再生能源发电单元对应的隐含碳年值，其表达式如下：

D_C＝(D_FD/β_FD)+(D_DWG/β_DWG)+(D_PV/β_PV)(14)

其中，β_FD为馈线线路对应的寿命年限；β_DWG为风机对应的寿命年限；β_PV为光伏模块对应的寿命年限；D_FD为系统中馈线对应的全寿命周期隐含碳，具体表达式如下：

$D_{\mathrm{FD}}=\underset{{\mathrm{ij}\∈\mathrm{\Ω}}_{\mathrm{FD}}}{\mathrm{\Σ}}\underset{{a\∈\mathrm{\Ω}}_A}{\mathrm{\Σ}}{d}_{\mathrm{fd},a}{l}_{\mathrm{ij}}{\mathrm{\λ}}_{\mathrm{ij},a}---\left(15\right)$

其中，d_fd,a为类型a馈线单位km对应的隐含碳，单位为kgCO₂/km，l_ij表示节点ij之间的线路通道的长度，单位为km。

式(14)中，D_DWG为系统中所含风机对应的全寿命周期隐含碳，具体表达式如下:

$D_{\mathrm{DWG}}=\underset{{g\∈\mathrm{\Ω}}_w}{\mathrm{\Σ}}{d}_w{n}_{\mathrm{DWG},g}---\left(16\right)$

其中，d_w为系统内单台风机对应的隐含碳(kgCO₂/台)。

式(14)中，D_PV为系统中所含光伏模块对应的全寿命周期隐含碳，具体表达式如下:

$D_{\mathrm{PV}}=\underset{{g^{\′}\∈\mathrm{\Ω}}_s}{\mathrm{\Σ}}{d}_s{n}_{\mathrm{PV},g^{\′}}---\left(17\right)$

其中，d_s为系统内单台光伏模块对应的隐含碳(kgCO₂/台)。

对于式(15)～(17)中的参数d_fd,a、d_w以及d_s可分别统计馈线、风机和光伏的制造过程中所用原料及质量，以及在安装、使用及退役过程中化石燃料消耗，进行计算获得。

式(13)中，O_C表示规划水平年因系统中电能消耗(从上级电网调用电能)所导致的发电碳排放，具体表达式如下：

$O_C=\mathrm{\ϵ}\underset{q=1}{\overset{S_{\mathrm{sn}}}{\mathrm{\Σ}}}{\mathrm{\η}}_q\underset{t=1}{\overset{\mathrm{TH}}{\mathrm{\Σ}}}\mathrm{\Δt}{\mathrm{\ρ}}_{\mathrm{EG}}{\mathrm{PP}}_{\mathrm{EG},t,q}---\left(18\right)$

其中，ρ_EG为上级电网每提供1kWh电能所对应产生的发电碳排放，单位为kgCO₂/kWh；PP_EG,t,q为系统在预想场景q下在时段t从上级电网的实际调用功率；TH表示模拟周期所包含的时间段数目；Δt表示每个时间段的持续时间；ε为由模拟周期对应的时间尺度向规划水平年进行转换的变换因子，在一种实现方式中，其表达式如下：

ε＝8760/(TH·Δt)(19)

其中，8760为一年包含的小时数。

需要说明的是，ε也可以采用其他算法获取，例如积分投影法等。

最后，设定资源层模型的约束条件，具体可以包括：

(a)投资总成本约束：分布式供电系统总投资成本不能超过总预算，表达式如下：

0≤C_FD+C_DWG+C_PV≤C₀(20)

其中，C_FD为馈线总投资成本，其具体展开式如下：

$C_{\mathrm{FD}}=\underset{{\mathrm{ij}\∈\mathrm{\Ω}}_{\mathrm{FD}}}{\mathrm{\Σ}}\underset{{a\∈\mathrm{\Ω}}_A}{\mathrm{\Σ}}{c}_{\mathrm{fd},a}{l}_{\mathrm{ij}}{\mathrm{\λ}}_{\mathrm{ij},a}---\left(21\right)$

其中，c_fd,a为每km长度馈线线型a的投资成本。

式(20)中，C_DWG为系统中风机的总投资成本，其具体展开式如下：

$C_{\mathrm{DWG}}=\underset{{g\∈\mathrm{\Ω}}_w}{\mathrm{\Σ}}{c}_w{n}_{\mathrm{DWG},g}---\left(22\right)$

其中，c_w为每台风机的造价成本。

式(20)中，C_PV为系统中光伏的总投资成本，其具体展开式如下：

$C_{\mathrm{PV}}=\underset{{g^{\′}\∈\mathrm{\Ω}}_s}{\mathrm{\Σ}}{c}_s{n}_{\mathrm{PV},g^{\′}}---\left(23\right)$

其中，c_s为每个光伏模块的造价成本。

式(20)中，C₀为构建分布式供电系统的总投资预算。

(b)节点中可再生能源发电单元渗透率约束；受占地面积制约，可再生能源发电单元在节点的接入容量具有一定的限制，具体表达式如下：

风电： $0\≤n_{\mathrm{DWG},g}\≤{\mathrm{nl}}_{\mathrm{DWG},g},{\∀g\∈\mathrm{\Ω}}_w---\left(24\right)$

其中，nl_DWG,g为节点g所能接入的最大风机数量。

光伏： $0\≤n_{\mathrm{PV},g^{\′}}\≤{\mathrm{nl}}_{\mathrm{PV},g^{\′}},{\∀g^{\′}\∈\mathrm{\Ω}}_s---\left(25\right)$

其中，nl_PV,g'为节点g’所能接入的最大光伏模块的数量。

(c)此外，应当保持网络拓扑结构为辐射状。

在建立完成分布式供电系统的资源层模型后，规划方法进入步骤S106。在步骤S106中，建立分布式供电系统的运行层模型。运行层模型的建立过程具体如下：

首先，确定运行层模型的控制变量。将一个运行模拟周期划分为TH个时段，每个时段的持续时间为Δt(小时)，则运行层模型的控制变量如下：

表征系统中各类型可再生能源发电单元(例如风电单元和光伏发电单元)在预想运行场景下各时段最优功率控制量的向量PP；其中 $\mathrm{PP}=\left\{\right({\mathrm{PP}}_{\mathrm{DWG},}$ $g,t,q,{\mathrm{PP}}_{\mathrm{PV},g^{,},t,q},{\mathrm{PP}}_{\mathrm{EG},t,q}\left)\right|g\∈{\mathrm{\Ω}}_w;g^{,}\∈{\mathrm{\Ω}}_s;t=\mathrm{1,2},...,\mathrm{TH};q=\mathrm{1,2},...,S_{\mathrm{sn}}\};$ PP_DWG,g,t代表场景q下时段t对节点g上风机的实际调用功率，PP_PV,g’,t代表场景q下时段t对节点g’上光伏的实际调用功率，PP_EG,t,q代表场景q下时段t系统从上级电网的实际调用功率。

然后，以规划水平年系统运行阶段预期发电碳排放最低作为目标，构建运行层模型的目标函数，表达式如下：

$\min f=\underset{q=1}{\overset{S_{\mathrm{sn}}}{\mathrm{\Σ}}}{\mathrm{\η}}_q\underset{t=1}{\overset{\mathrm{TH}}{\mathrm{\Σ}}}\mathrm{\Δ}{\mathrm{t\ρ}}_{\mathrm{EG}}{\mathrm{PP}}_{\mathrm{EG},t,q}---\left(26\right)$

最后，设定运行层模型的约束条件，具体包括：

(a)功率平衡约束：

$\left\{\begin{array}{c}{P}_{i,t,q}=V_{i,t,q}\underset{j\∈i}{\mathrm{\Σ}}{V}_{j,t,q}(G_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij},t,q}+B_{\mathrm{ij}}{\sin \mathrm{\θ}}_{\mathrm{ij},t,q})\\ Q_{i,t,q}=V_{i,t,q}\underset{j\∈i}{\mathrm{\Σ}}{V}_{j,t,q}(G_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij},t,q}-B_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij},t,q})\end{array}\right.---\left(27\right)$

其中：P_i,t,q和Q_i,t,q分别为预想运行场景q下时段t节点i的有功和无功注入功率；j∈i表示所有与节点i直接相连的节点集合；V_i,t,q为预想运行场景q下时段t节点i的电压幅值；G_ij与B_ij分别为节点导纳矩阵的实部与虚部；θ_ij,t,q为预想运行场景q下时段t节点i与j之间的电压相角差。

(b)节点电压幅值约束：

$V_{\min }\≤V_{i,t,q}\≤V_{\max },\∀i\∈\mathrm{\Ω},t=1,...\mathrm{TH},q=1,...S_{\mathrm{sn}}---\left(28\right)$

其中，V_i,t,q表示预想运行场景q下时段t系统节点i的电压值；V_max表示系统节点电压所允许的最大值；V_min表示系统节点电压所允许的最小值。

(c)馈线载流量约束：

$0\≤I_{\mathrm{ij},t,q}\≤\underset{{a\∈\mathrm{\Ω}}_A}{\mathrm{\Σ}}{I}_{a,\max }{\mathrm{\λ}}_{\mathrm{ij},a},{\∀\mathrm{ij}\∈\mathrm{\Ω}}_{\mathrm{FD}},t=1,...\mathrm{TH},q=1,...S_{\mathrm{sn}}---\left(29\right)$

其中，I_ij,t,q表示预想运行场景q下时段t节点i，j之间线路流过的电流值；I_a,max表示馈线线型a所允许的最大载流量。

(d)系统受端特性约束：

PP_EG,t,q≥0,t＝1,…TH；q＝1,…S_sn(30)

(e)可再生能源发电单元出力约束：

风机： $0\≤{\mathrm{PP}}_{\mathrm{DWG},g,t,q}\≤n_{\mathrm{DWG},g}{e}_{w,t,q},{\∀g\∈\mathrm{\Ω}}_w;t=1,...\mathrm{TH};q=1,...S_{\mathrm{sn}}---\left(31\right)$

其中，e_w,t,q表示预想运行场景q下t时段风机的期望出力。

光伏： $0\≤{\mathrm{PP}}_{\mathrm{PV},g^{\′},t,q}\≤n_{\mathrm{PV},g^{\′}}{e}_{s,t,q},{\∀g^{\′}\∈\mathrm{\Ω}}_s;t=1,....\mathrm{TH};q=1,...S_{\mathrm{sn}}---\left(32\right)$

其中，e_s,t,q表示预想运行场景q下t时段光伏的期望出力。

(g)可再生能源发电单元功率因数约束：

风机： ${\mathrm{\σ}}_{\mathrm{DWG},\min }\≤{\mathrm{\σ}}_{\mathrm{DWG},g,t,q}\≤{\mathrm{\σ}}_{\mathrm{DWG},\max },{\∀g\∈\mathrm{\Ω}}_w;t=1,...\mathrm{TH};q=1,...S_{\mathrm{sn}}---\left(33\right)$

其中，σ_DWG,g,t,q表示预想运行场景q下时段t节点g风机运行的功率因数；σ_DWG,min表示系统中风机运行所允许的最小功率因数；σ_DWG,max表示系统中风机运行所允许的最大功率因数。

光伏： ${\mathrm{\σ}}_{\mathrm{PV},\min }\≤{\mathrm{\σ}}_{\mathrm{PV},g^{\′},t,q}\≤{\mathrm{\σ}}_{\mathrm{PV},\max },{\∀g^{\′}\∈\mathrm{\Ω}}_s;t=1,...\mathrm{TH};q=1,...S_{\mathrm{sn}}---\left(34\right)$

其中，σ_PV,g',t,q表示预想运行场景q下时段t节点g光伏运行的功率因数；σ_PV,min表示系统中光伏运行所允许的最小功率因数；σ_PV,max表示系统中光伏运行所允许的最大功率因数。

在建立完成分布式供电系统的运行层模型后，规划方法进入步骤S108。在步骤S108中，采用预定算法对资源层模型进行求解，得到资源层模型的控制变量(向量B、向量L_DWG及向量L_PV)的最优解，并将该最优解作为分布式供电系统的规划方案。在本发明实施例中，资源层模型和运行层模型均为非线性规划模型，因此，对资源层模型和运行层模型的求解可以采用各种求解非线性规划问题的算法，例如内点法、粒子群算法和遗传算法等，本发明实施例对具体的算法不做限制，本领域技术人员可以根据需要合理选择。

以下以遗传算法为例对资源层模型的求解过程进行说明，其中，采用资源层模型的目标函数值与-1的乘积作为遗传算法的适应度函数值，并且在获取资源层模型的目标函数值时，根据向量B、向量L_DWG及向量L_PV的取值所确定的规划方案求解运行层模型，根据对运行层模型的求解结果确定资源层模型的目标函数中的O_C值。

具体包括如下步骤：

A、随机生成N(N为大于1的整数，例如N取值为50)个可行的规划方案(即确定系统网络拓扑结构、馈线线型的控制向量B，以及系统中风电及光伏安装位置及配置台数的控制向量L_DWG及L_PV)，“可行”指满足资源层模型的约束条件(即式(20)～(25)以及网络拓扑结构辐射状约束)。

B、使用实数编码策略，将步骤A所得的各规划方案进行编码。

图3示出了本发明实施例中使用遗传算法时对规划方案进行编码的示意图。参照图3，对于馈线线路区域，每一位代表系统中的一条可建线路通道。“n^fd＝0”表示该位置所对应线路通道上不架设任何馈线，“n^fd＝1”表示该位置所对应线路通道上架设馈线类型1，以此类推。

对于风电区域，每一位代表系统中的一个风机待选安装节点。“n_DWG＝0”表示该位置所对应的风电待选安装节点上不配置风机，“n_DWG＝1”表示该位置所对应安装节点上配置1台风机，以此类推。

对于光伏区域，每一位代表系统中的一个光伏电源待选安装节点“n_PV＝0”表示该位置所对应的光伏待选安装节点上不配置光伏电源，“n_PV＝1”表示该位置所对应安装节点上配置1台光伏电源，以此类推。

C、针对步骤A所得各个规划方案，采用内点法、粒子群算法或者遗传算法来求解运行层模型，确定系统在各时段的最优运行策略(即确定各类型可再生能源发电单元在预想运行场景下各时段最优功率控制量的向量PP)。

D、根据步骤C所得到的系统在各时段的最优运行策略，由式(18)计算系统在运行模拟周期内的发电碳排放O_C；

E、将步骤D所得到的O_C值作为已知参数，代入式(13)，以计算获得该规划方案所对应的完整的目标函数值(式(13))。

F.将资源层模型目标函数与“-1”的乘积作为适应度函数Fit(·)，计算各个规划方案对应的适应度函数值，记录并由大到小进行排序。

G、利用遗传运算生成新的一代(数量为N)规划方案，具体包括：

G1、在当前代规划方案中，基于正比选择策略进行选择操作，对于当前代规划方案中的任意个体i，其被选中的概率为Pr_i，其计算式如下：

${\mathrm{Pr}}_i=\frac{\mathrm{Fit}\left(x_i\right)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{Fit}\left(x_i\right)}$

上式中，Fit(x_i)表示经步骤F计算获得的个体i对应的适应度函数值。

在上述基础上，采用旋轮法实现选择操作，令

PP₀＝0

${\mathrm{PP}}_i=\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Pr}}_i$

共转轮N次，每次转轮时，产生随机数ξ，ξ为(0,1)之间的均匀分布，当PP_i-1≤ξ≤PP_i时，则选择个体i。上述选择出的N个规划方案即共同构成交配池。

G2、针对步骤G1生成的交配池中的个体，以交叉概率J_c(取值范围例如设置为0.4～0.99)进行交叉操作，在交叉操作时，随机选取两个切点(即编码图中的任选2个位置)，交换两个规划方案对应的两个切点之间的子串。

G3、经过交叉操作后，以变异概率J_m(取值范围例如设置为0.0001～0.1)对方案个体进行变异操作(即指对群体中的个体码串随机挑选一个或多个切点，并随机改变其位值)。对于本发明实施例所采用实数编码方式而言，其变异操作的表达式如下：

对于线路馈线区域：

其中，为相应切点对应的新位值；INT(·)为基于“四舍五入”原则的取整函数；ζ为随机生成数，满足[0，NA]之间的均匀分布(其中，NA为可选馈线线型的总数量)，且要求使

对于风电区域：n_DWG,new＝INT(ζ')

其中，n_DWG,new为相应切点对应的新位值；INT(·)为基于“四舍五入”原则的取整函数；ζ'为随机生成数，满足[0，nl_DWG]之间的均匀分布(其中，nl_DWG为式(24)中给出的相关风机待选节点可安装的最大风机数量)，且要求使n_DWG,new≠n_DWG。

对于光伏区域：n_PV,new＝INT(ζ″)

其中，n_PV,new为相应切点对应的新位值；INT(·)为基于“四舍五入”原则的取整函数；ζ″为随机生成数，满足[0，nl_PV]之间的均匀分布(其中，n1_PV为式(25)中给出的相关光伏待选节点可安装的最大光伏电源数量)，且要求使n_PV,new≠n_PV。

H、针对步骤G生成的新一代规划方案，重复步骤C至步骤F。将新一代各个规划方案对应的适应度函数值与上一代各个规划方案的适应度函数值进行比较，从大到小进行排序，并据此保留排名在前N位的规划方案，同时舍弃剩余规划方案。

E.重复执行步骤G～步骤H，至Iter_max次(根据实际经验，Iter_max的取值范围为[500,1500])。此时资源层模型的优化结果即为面向实现最低化用电碳足迹的最优规划方案，并输出。

需要说明的是，本发明实施例对上述的步骤的执行顺序不做限制，可以根据需要交换其中的顺序，并可以根据需要对一些步骤进行取舍。例如，可以交换步骤S104与步骤S106的执行顺序。

又例如，可以不执行步骤S102，即步骤S102为可选步骤。如果不执行步骤S102，此种情况下，系统运行场景不采用概率模型，而是将可再生能源发电单元在各时段的期望出力设置为固定值。

图2示出了根据本发明一个实施例的分布式供电系统的规划装置结构图。参照图2，所述规划装置包括：预想场景集构建单元202、资源层模型建立单元204、运行层模型建立单元206和模型求解单元208。

预想场景集构建单元202适于构建描述分布式供电系统运行状态的预想场景集。所述预想场景集包括多个预想场景，每个预想场景包括该预想场景的发生概率和系统中各可再生能源发电单元在该预想场景下各时段的期望出力。

在本发明实施例中，所述分布式供电系统中可以包括各种类型的可再生能源发电单元，例如风电单元、光伏发电单元、小水电和燃气轮机等。以分布式供电系统中仅包括风电单元和光伏发电单元为例，预想场景集构建单元202可以按照如下方式构建描述分布式供电系统运行状态的预想场景集：

根据风资源及太阳光照资源的历史统计数据，分别构建针对风速分布以及光照强度分布的概率模型；

根据风速分布的概率模型构建关于风电单元期望出力的第一预想场景集；

根据光照强度分布的概率模型构建关于光伏风电单元期望出力的第二预想场景集；

根据所述第一预想场景集和第二预想场景集构建描述分布式供电系统运行状态的预想场景集。

预想场景集构建单元202的执行逻辑与步骤S102相同，具体可参见步骤S102的描述，这里不做赘述。

资源层模型建立单元204适于建立分布式供电系统的资源层模型，其控制变量包括表征系统网络拓扑结构以及馈线线型的第一向量和表征系统中可再生能源发电单元安装位置以及在该安装位置的配置台数的第二向量，其目标函数为minF＝(D_C+O_C)/H，其中D_C表示系统所含馈线线路以及可再生能源发电单元在规划周期内对应的隐含碳排放，O_C表示系统在规划周期内运行时从上级电网调用电能所对应的发电碳排放，H表示系统在规划周期内用电量的预测值。所述资源层模型的约束条件包括如下的一个或多个：投资总成本约束、各节点中可再生能源发电单元的渗透率约束和保持网络拓扑结构为辐射状的约束。

资源层模型建立单元204的执行逻辑与步骤S104相同，具体可参见步骤S104的描述，这里不做赘述。

运行层模型建立单元206适于建立分布式供电系统的运行层模型，其控制变量包括表征系统在各预想场景下运行时在各时段对各可再生能源发电单元的调用功率以及从上级电网调用电能的第三向量，其目标函数为minf＝O_C/ε，其中ε表示由模拟周期对应的时间尺度向规划周期进行转换的变化因子。所述运行层模型的约束条件包括如下的一个或多个：功率平衡约束、节点电压幅值约束、馈线载流量约束、系统受端特性约束、可再生能源发电单元出力约束和可再生能源发电单元功率因数约束。

运行层模型建立单元206的执行逻辑与步骤S106相同，具体可参见步骤S106的描述，这里不做赘述。

模型求解单元208适于采用预定算法对资源层模型进行求解，得到第一向量和第二向量的最优解，并将该最优解作为分布式供电系统的规划方案。模型求解单元208可以采用内点法、粒子群算法或者遗传算法来求解资源层模型和运行层模型。

当所述预定算法为遗传算法时，所述模型求解单元208采用资源层模型的目标函数值与-1的乘积作为遗传算法的适应度函数值，并且在获取资源层模型的目标函数值时，根据第一向量的取值和第二向量的取值所确定的规划方案求解运行层模型，根据对运行层模型的求解结果确定资源层模型的目标函数中的O_C值。

模型求解单元208的执行逻辑与步骤S108相同，具体可参见步骤S108的描述，这里不做赘述。

本发明实施例的分布式供电系统的规划方案在全寿命周期时间尺度内考虑了配电系统的碳排放问题。在目标函数中细致计及系统设备的隐含碳排放有助于表征资源选取与其产生的间接碳排放代价之间的关系，从而切实保证“终端电能碳足迹最低”这个低碳电网规划根本目标的实现。对网架和分布式电源进行综合优化，能够最大限度地避免两者之间容量不匹配问题，延缓电网扩容建设需求，同时提高可再生能源利用效率。充分考虑风、光资源的概率特性，以及系统运行场景的多样性，能够为规划人员提供可信的最优投资方案，满足系统高效运行及低碳化电能供应的应用需求，并对配电系统的低碳化转型及发展具有重要的现实意义和良好的推广前景。

以下给出本发明的一个应用实例。

该应用实例采用的城市配电网包含24个节点，23条支路，额度电压等级为12.66kV(如图4所示)，其中负荷节点7～24可安装DG。

系统总规划期设定为15年，运行层时间间隔为15分钟，系统负荷增长率取3％，折现率取8％。系统内含的DG包括风电机组及光伏发电机组，系统最大渗透率20％，节点电压允许波动范围为±7％，线路最大载流量设定为1.2倍额定容量，单节点接入DG个数上限为5个。风力发电机和光伏发电机组型号为MADEAE-46和SOLARWORLDSW-255poly，系统中节点7～24为可以安装DG的待选节点。系统外大电网电能碳排放为0.85kg/kWh。各类设备具体信息见表1。

表1

基于上述输入参数，对本发明实施例的规划方法进行模拟仿真。为凸显所提方法的有效性，设定了两组对比场景：(1)在进行电网规划时，先进行电网网架结构的优化，再进行DG的选址定容；(2)在模拟系统运行时，不计及多样化运行场景，即采用单一历史统计数据作为风机及光伏出力预测值从而使得它们的出力为恒量；(3)在进行电网规划时，不考虑设备隐含碳排放。

通过与场景(1)、场景(2)和场景(3)的规划结果对比发现，本发明实施例的规划方案在DG布局上更合理。从总量上看，本发明实施例的规划方案比场景(1)的DG装机多。这是因为，场景(1)对网架规划和DG选址定容进行独立优化，人为割裂了两者之间的天然内在联系并忽略了彼此的交互影响，在确定了电网架构的情况下，势必限制DG配置方案制定的可行空间。场景(2)则未计及多样化运行场景，采用单一历史统计数据作为风机及光伏出力预测值，从结果对比来看，场景(2)与本文方法下所得优化结果存在着较大差异。这就说明在实际规划决策中，若模型中未计及系统运行场景的多样性，则运行模拟会与系统实际情况存在较大的偏差，从而导致最终得到的规划方案可能并非严格意义上的全局最优解。场景(3)由于未计及设备中的隐含碳，规划结果相较于实际情况会过于乐观，即场景(3)的规划结果所造成的投资总额和碳排放要比其自身预想的多。具体风机及光伏布局见表2(各节点风机及光伏新安装容量)。

表2

表3展示了本发明方法及场景(1)和场景(2)的规划结果。

表3

从总投资来看，本发明实施例的规划方案的投资成本较低，这是因为光伏和风电的投资相对合理，无重复投资和无用投资；而场景(1)投资成本虽然最少，但其碳排放量最多，因为其安装DG容量较少，需要从大电网购进大量电能。从全寿命周期的碳排放量看，本发明实施例的规划方案碳排放最少，场景(1)最多。这是因为本发明实施例规划的DG容量相对较多，同时使用效率最高，因此总体碳排放较少；而场景(2)虽然安装的DG容量较多，但是由于规划时未计及多样化运行场景，存在重复投资，使得系统内DG整体使用效率偏低，因此碳排放量比本发明方法的规划结果要多，但是比场景(1)少；场景(3)由于规划时未考虑设备隐含碳，建设时偏向于使用含碳高、成本大的设备，因此场景(3)规划结果的实际碳排放和总投资均要大于本发明规划结果。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的分布式供电系统的规划装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (16)

1.一种分布式供电系统的规划方法，包括：

建立分布式供电系统的资源层模型，其控制变量包括表征系统网络拓扑结构以及馈线线型的第一向量和表征系统中可再生能源发电单元安装位置以及在该安装位置的配置台数的第二向量，其目标函数为minF＝(D_C+O_C)/H，其中D_C表示系统所含馈线线路以及可再生能源发电单元在规划周期内对应的隐含碳排放，O_C表示系统在规划周期内运行时从上级电网调用电能所对应的发电碳排放，H表示系统在规划周期内用电量的预测值；

建立分布式供电系统的运行层模型，其控制变量包括表征系统在模拟周期内运行时对各可再生能源发电单元的调用功率以及从上级电网调用电能的第三向量，其目标函数为minf＝O_C/ε，其中ε表示由模拟周期对应的时间尺度向规划周期进行转换的变化因子；以及

采用预定算法对资源层模型进行求解，得到第一向量和第二向量的最优解，并将该最优解作为分布式供电系统的规划方案，其中在获取资源层模型的目标函数值时，根据第一向量的取值和第二向量的取值所确定的规划方案求解运行层模型，根据对运行层模型的求解结果确定资源层模型的目标函数中的O_C值。

2.如权利要求1所述的规划方法，其中，还包括：构建描述分布式供电系统运行状态的预想场景集，所述预想场景集包括多个预想场景，每个预想场景包括该预想场景的发生概率和系统中各可再生能源发电单元在该预想场景下各时段的期望出力；

运行层模型的控制变量具体包括表征系统在各预想场景下运行时在各时段对各可再生能源发电单元的调用功率以及从上级电网调用电能的第三向量。

3.如权利要求2所述的规划方法，其中，所述可再生能源发电单元包括风电单元和光伏发电单元；

所述构建描述分布式供电系统运行状态的预想场景集，包括：

根据风资源及太阳光照资源的历史统计数据，分别构建针对风速分布以及光照强度分布的概率模型；

根据风速分布的概率模型构建关于风电单元期望出力的第一预想场景集；

根据光照强度分布的概率模型构建关于光伏发电单元期望出力的第二预想场景集；

根据所述第一预想场景集和第二预想场景集构建描述分布式供电系统运行状态的预想场景集。

4.如权利要求3所述的规划方法，其中，运行层模型的目标函数具体为：其中PP_EG,t,q表示预想场景q下时段t从上级电网的调用功率，ρ_EG表示上级电网每提供1kWh电能所对应的发电碳排放，Δt表示每个时段的持续时间，TH表示模拟周期所包含的时段数目，η_q表示预想场景q的发生概率，S_sn表示描述分布式供电系统运行状态的预想场景集所包括的预想场景数目。

5.如权利要求1所述的规划方法，其中，所述资源层模型的约束条件包括如下的一个或多个：投资总成本约束、各节点中可再生能源发电单元的渗透率约束和保持网络拓扑结构为辐射状的约束。

6.如权利要求1所述的规划方法，其中，所述运行层模型的约束条件包括如下的一个或多个：功率平衡约束、节点电压幅值约束、馈线载流量约束、系统受端特性约束、可再生能源发电单元出力约束和可再生能源发电单元功率因数约束。

7.如权利要求1所述的规划方法，其中，所述预定算法为遗传算法，采用资源层模型的目标函数值与-1的乘积作为遗传算法的适应度函数值。

8.如权利要求1所述的规划方法，其中，采用内点法、粒子群算法或者遗传算法来求解运行层模型。

9.一种分布式供电系统的规划装置，包括：

资源层模型建立单元，适于建立分布式供电系统的资源层模型，其控制变量包括表征系统网络拓扑结构以及馈线线型的第一向量和表征系统中可再生能源发电单元安装位置以及在该安装位置的配置台数的第二向量，其目标函数为minF＝(D_C+O_C)/H，其中D_C表示系统所含馈线线路以及可再生能源发电单元在规划周期内对应的隐含碳排放，O_C表示系统在规划周期内运行时从上级电网调用电能所对应的发电碳排放，H表示系统在规划周期内用电量的预测值；

运行层模型建立单元，适于建立分布式供电系统的运行层模型，其控制变量包括表征系统在模拟周期内运行时对各可再生能源发电单元的调用功率以及从上级电网调用电能的第三向量，其目标函数为minf＝O_C/ε，其中ε表示由模拟周期对应的时间尺度向规划周期进行转换的变化因子；以及

模型求解单元，适于采用预定算法对资源层模型进行求解，得到第一向量和第二向量的最优解，并将该最优解作为分布式供电系统的规划方案，其中在获取资源层模型的目标函数值时，根据第一向量的取值和第二向量的取值所确定的规划方案求解运行层模型，根据对运行层模型的求解结果确定资源层模型的目标函数中的O_C值。

10.如权利要求9所述的规划装置，其中，还包括预想场景集构建单元，适于构建描述分布式供电系统运行状态的预想场景集，所述预想场景集包括多个预想场景，每个预想场景包括该预想场景的发生概率和系统中各可再生能源发电单元在该预想场景下各时段的期望出力；

运行层模型的控制变量具体包括表征系统在各预想场景下运行时在各时段对各可再生能源发电单元的调用功率以及从上级电网调用电能的第三向量。

11.如权利要求10所述的规划装置，其中，所述可再生能源发电单元包括风电单元和光伏发电单元；

所述预想场景集构建单元进一步适于：

根据风资源及太阳光照资源的历史统计数据，分别构建针对风速分布以及光照强度分布的概率模型；

根据风速分布的概率模型构建关于风电单元期望出力的第一预想场景集；

根据光照强度分布的概率模型构建关于光伏发电单元期望出力的第二预想场景集；

根据所述第一预想场景集和第二预想场景集构建描述分布式供电系统运行状态的预想场景集。

12.如权利要求11所述的规划装置，其中，运行层模型的目标函数具体为：其中PP_EG,t,q表示预想场景q下时段t从上级电网的调用功率，ρ_EG表示上级电网每提供1kWh电能所对应的发电碳排放，Δt表示每个时段的持续时间，TH表示模拟周期所包含的时段数目，η_q表示预想场景q的发生概率，S_sn表示描述分布式供电系统运行状态的预想场景集所包括的预想场景数目。

13.如权利要求9所述的规划装置，其中，所述资源层模型的约束条件包括如下的一个或多个：投资总成本约束、各节点中可再生能源发电单元的渗透率约束和保持网络拓扑结构为辐射状的约束。

14.如权利要求9所述的规划装置，其中，所述运行层模型的约束条件包括如下的一个或多个：功率平衡约束、节点电压幅值约束、馈线载流量约束、系统受端特性约束、可再生能源发电单元出力约束和可再生能源发电单元功率因数约束。

15.如权利要求9所述的规划装置，其中，所述预定算法为遗传算法，所述模型求解单元采用资源层模型的目标函数值与-1的乘积作为遗传算法的适应度函数值。

16.如权利要求9所述的规划装置，其中，所述模型求解单元采用内点法、粒子群算法或者遗传算法来求解运行层模型。