CN105389633B - 一种计及分布式电源的变电站优化规划方法 - Google Patents
一种计及分布式电源的变电站优化规划方法 Download PDFInfo
- Publication number
- CN105389633B CN105389633B CN201510863538.XA CN201510863538A CN105389633B CN 105389633 B CN105389633 B CN 105389633B CN 201510863538 A CN201510863538 A CN 201510863538A CN 105389633 B CN105389633 B CN 105389633B
- Authority
- CN
- China
- Prior art keywords
- substation
- load
- planning
- capacity
- optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种计及分布式电源的变电站优化规划方法,包括以下步骤:1)基于马尔科夫链模型建立DG出力及负荷的时间序列;2)根据所述DG出力及负荷的时间序列建立变电站规划时序模型;3)采用LA‑GA交替迭代算法对所述变电站规划时序模型进行优化求解,获取最优的变电站规划结果。与现有技术相比,本发明进行变电站规划优化时,充分考虑了DG对变电站规划的影响,计及了DG的地理分布及其波动性,并考虑了各变电站供区内DG渗透率的平衡,具有规划结果可靠性高、搜索速度快等优点。
Description
技术领域
本发明涉及电力系统变电站规划技术领域,尤其是涉及一种计及分布式电源的变电站优化规划方法。
背景技术
变电站规划是电网规划的关键部分,其合理性直接影响到规划区域电网的结构、投资及运行的经济性与可靠性。近年来分布式发电技术得到快速发展,分布式电源(distributed generation,DG)具有环境友好、可再生的特点,使其在配电网中得到了大量应用,然而DG出力具有间歇性和随机性,DG接入后电网规划的负荷预测阶段变得复杂、电网负荷运行特性的波动性增大,如何充分计及电网中DG资源及其出力的不确定性,成为现阶段变电站规划需要考虑的重要问题。
国内外对配电网变电站规划开展了大量研究,在变电站初始站址选取、供电范围划分、规划模型建立及模型求解算法实现方面都取得一定进展。文献[1]基于冗余网格动态减少法产生初始站址,并对变电站站址及容量进行优化;文献[2]、[3]分别采用改进K-Means算法及改进加权Voronoi图进行变电站供电范围划分;文献[4]、[5]对影响变电站规划的地理信息因素提出了不同的考虑方法;文献[6]将云理论与遗传算法相结合,对变电站选址定容求解方法进行了改进;文献[7]提出将整个规划区域分成若干非预先设定的小区域单独进行变电站优化规划;文献[8]综合考虑变电站选址定容优化以及中压馈线路径规划进行了变电站综合规划。上述对变电站进行的规划主要针对传统配电网进行,即以最大运行工况进行规划,虽然对未来电网运行的安全性进行了充分的考虑,但也可能造成不必要的备用容量配置及投资浪费。
随着电网中分布式电源渗透率的逐渐提高,分布式电源对电网负荷预测产生影响,变电站规划中需要计及分布式电源接入的影响。文献[9]考虑DG接入进行了变电站选址定容规划,将DG作为备用电源进行规划,并以其额定出力进行规划;文献[10]考虑DG的时序特性进行了DG选址定容规划,基于不同季节下的典型负荷及DG出力曲线进行多场景分析;文献[11]基于马尔科夫链建立风速时序预测模型用于系统跟踪风电出力以及对电网进行优化调度。文献[12]计及友好负荷及DG可信出力的影响对电网峰值负荷进行了预测,对电网中部分可控负荷进行了总体考虑。上述在对变电站规划中的DG资源考虑方面,主要以DG额定出力或可信出力进行规划,已有的DG时序模型主要用于DG规划及电网调度方面,在变电站规划中对负荷及DG出力的时序性还未能做到充分考虑;同时,分布式电源出力的随机性,不同变电站中DG资源的合理分配将会对变电站综合负荷特性产生影响。
参考文献如下:
[1]王玉瑾,王主丁,张宗益,等.基于初始站址冗余网格动态减少的变电站规划[J].电力系统自动化,2010(12):39-43.
[2]符杨,卫春峰,李振坤,等.考虑地理信息和行政边界的变电站供区优化[J].电网技术,2014,38(1):126-131.
[3]曹昉,孟琦斌,苗培青,等.基于改进加权Voronoi图和遗传算法的变电站规划[J].电网技术,2015,39(2):511-516.
[4]苏海锋,张建华,梁志瑞,等.基于GIS空间分析与改进粒子群算法的变电站全寿命周期成本规划[J].中国电机工程学报,2012,32(16):92-98.
[5]刘自发,张伟.基于地理信息因子及自适应小生境微分进化算法的变电站规划[J].电力自动化设备,2012,32(10):42-47.
[6]李燕青,谢庆,王岭,等.云理论在配电网络变电站选址定容中的应用[J].中国电机工程学报,2014,34(4):672-677.
[7]Gonzalez-Sotres L,Mateo D C,Sanchez-Miralles A,et al.Large-scaleMV/LV transformer substation planning considering network costs and flexiblearea decomposition[J].Power Delivery,IEEE Transactions on,2013,28(4):2245-2253.
[8]Najafi S,Hosseinian S H,Abedi M,et al.A framework for optimalplanning in large distribution networks[J].IEEE Transactions on PowerSystems,2009,24(2):1019-1028.
[9]李娜,李永刚,周庆捷,等.考虑DG的变电站选址定容研究[J].电测与仪表,2014,51(9):118-122.
[10]李亮,唐巍,白牧可,等.考虑时序特性的多目标分布式电源选址定容规划[J].电力系统自动化,2013,37(3):58-63.
[11]蒋平,霍雨翀,张龙,等.基于改进一阶马尔可夫链的风速时间序列模型[J].电力系统自动化,2014,38(19):22-27.
[12]钟清,孙闻,余南华,等.主动配电网规划中的负荷预测与发电预测[J].中国电机工程学报,2014,34(19):3050-3056.
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种规划结果可靠性高、搜索速度快的计及分布式电源的变电站优化规划方法。
本发明的目的可以通过以下技术方案来实现:
一种计及分布式电源的变电站优化规划方法,包括以下步骤:
1)基于马尔科夫链模型建立DG出力及负荷的时间序列;
2)根据所述DG出力及负荷的时间序列建立变电站规划时序模型;
3)采用LA-GA交替迭代算法对所述变电站规划时序模型进行优化求解,获取最优的变电站规划结果。
所述步骤1)中,DG出力的时间序列包括风速时间序列和光照强度时间序列,所述风速时间序列的建立步骤具体为:
101)当前时刻为t,根据当前月份k下风速状态转移矩阵Pk wind计算累积转移矩阵Ck=(cxy),且x为t时刻风速所在状态,y为t+1时刻风速所在状态;
102)生成一个服从均匀分布的随机数et,et∈[0,1],若et∈[0,cx1],则y=1,若et∈[cxm,cxm+1],则j=m+1,m∈Ω,m=1,2,…,Nw-1,Ω表示风速状态集,Ω={1,2,…,Nw},Nw表示不同的风速状态,每一状态对应一定的风速取值范围;
103)再次生成一个服从均匀分布的随机数εt,εt∈[0,1],则t+1时刻风速vt+1为:
vt+1=vl+εt(vh-vl)
式中,vl、vh分别为状态y下风速的最小值与最大值;
104)重复步骤101)-103),根据不同月份下风速状态转移矩阵得到全年风速时间序列;
所述光照强度时间序列表示为:
式中,kt为t时刻的光照强度,H为某段时间内到达地表水平面的太阳辐照量,He为相同时间内到达地外水平面的太阳辐照量。
所述步骤1)中,负荷的时间序列表示为:
PL(t)=PLmax·pw·pd·ph,t=1,...,8760
式中,PL(t)为t时刻的负荷值,PLmax为年负荷峰值,pw为周负荷百分比系数;pd为日负荷百分比系数,ph为小时负荷百分比系数。
所述步骤2)中,变电站规划时序模型由目标函数和约束条件组成,其中,所述目标函数为:
minC=Cinv+Copr
式中,Cinv为配电网建设费用,包括变电站及馈线建设费用,Copr为配电网络及变电站运行费用,N为所建变电站数目,i为变电站节点,i=1,…,N,Ji为变电站i所带负荷集合,j为负荷节点,Gi为变电站i含DG节点集合,g为DG节点,lij是变电站i到负荷j的距离,(xi,yi)为拟建变电站所在位置坐标,(xj,yj)为负荷点所在位置坐标,lig是变电站i到DG节点g的距离,(xg,yg)为DG所在位置坐标,cl是配电网单位长度输电线路的建设费用,f(Si)为变电站i的建设投资费用,Si为变电站i的容量,r0为折现率,n为寿命周期,Pj(t)为负荷j的时序功率,Mi为变电站i的最大DG渗透率,Pg(t)为DG节点g的时序出力,k(Mi)为考虑DG接入下线路运行损耗系数,βl是配电网线路损耗的折算系数,cb是趸入电价,r是单位长度配电线路的电阻,Ul是线路的线电压,cosφl为配电网线路功率因数,piao、piak分别为变电站i中变压器a的空载损耗和短路损耗,ρi(t)为变电站i变压器的时序负载率,Ai为变电站i中所有变压器的集合;
所述约束条件包括:
变电站时序容量约束
式中,RS,L为满足规划设计导则要求的变电站容载比下限,γ为考虑负荷及DG出力的不确定性设置的取值大于1的容量裕度系数;
一个负荷及DG只能由一个变电站供电的约束:
式中,ηij为负荷点j是否由变电站i供电的判别因子,若ηij=1,则“是”,若ηij=0,则“否”,δig为DG点g是否向变电站i供电的判别因子,若δig=1,则“是”,若δig=0,则“否”;
变电站负载率及DG渗透率平衡约束:
式中,Ei为变电站i的最大负载率;
变电站供电范围约束:
式中,Ri为变电站i的最大供电距离。
所述步骤3)中,LA-GA交替迭代算法采用两层寻优过程交替迭代方式,具体为:
301)设定初始站址,获取变电站经济容量组合数,设定内层迭代次数和外层迭代次数;
302)根据设定的搜索范围和初始站址,考虑分区负载率及DG渗透率的平衡对变电站站址进行定位分配,获取变电站站址初始种群;
303)以变电站规划时序模型的目标函数的倒数建立适应度函数,采用遗传算法进行优化计算,直至达到内层迭代次数,获取新变电站站址种群及第一变电站优化站址;
304)根据第一变电站优化站址调整搜索范围,以第一变电站优化站址为初始站址返回步骤302),直到变电站站址收敛或达到外层迭代次数,获得第二变电站优化站址;
305)重复步骤302)-304),直至达到变电站经济容量组合数,输出最小费用时的变电站规划结果。
所述步骤301)中,获取变电站经济容量组合数具体为:
根据电网规划设计导则容载比要求确定变电站数量及容量:
N∈[N1,N2]
式中,W1为规划区域负荷节点总数,W2为规划区域含DG节点数,RS,L为满足规划设计导则要求的变电站容载比下限,RS,H为变电站容载比上限,Nz为变电站规模的种数,γ为考虑负荷及DG出力的不确定性设置的取值大于1的容量裕度系数,Pj(t)为负荷j的时序功率,Pg(t)为DG节点g的时序出力,Si为变电站i的容量,[]表示取整数,N为变电站个数。
所述步骤302)中,定位分配的具体过程为:根据初始站址,基于负荷矩最小原则,将负荷及DG就近分给各变电站,并根据变电站个数为N下的变电站容量组合对各分区进行调整,使各变电站满足时序容量约束且负载率及DG渗透率同时达到平衡。
所述步骤303)中,采用遗传算法进行优化计算时,当适应度值连续五次保持不变时,对种群中部分个体重新进行初始化。
所述步骤304)中,根据第一变电站优化站址调整搜索范围具体为:
比较本次外层迭代与上一次外层迭代获得的第一变电站优化站址,根据以下公式计算下一次迭代过程的搜索范围:
ds(n+1)=1.5·dmax(n)
式中,dmax(n)为第n次迭代时所有变电站寻优前后发生的最大站址位移,ds(n+1)为以第n次迭代获得第一变电站优化站址为圆心的搜索半径。
所述步骤304)中,变电站站址收敛是满足以下条件:
dmax(n)<D
式中,dmax(n)为第n次迭代时所有变电站寻优前后发生的最大站址位移,D为设定的站址位移阈值。
与现有技术相比,本发明具有以下有益效果:
1)本发明首先建立了负荷和DG出力的时间序列,并基于该序列建立了配电网变电站选址定容的时序模型,在该模型中充分考虑了DG对变电站规划的影响,计及了DG的地理分布及其波动性,并考虑了各变电站供区内DG渗透率的平衡,通过将交替定位分配法与自适应调整搜索范围的遗传算法相结合,对变电站规划的时序模型进行优化求解,得到了规划区域内变电站的最优配置方案,规划结果可靠性高。
2)本发明采用两层寻优过程进行交替迭代,增加了GA搜索精度及算法迭代收敛速度。
3)对实际规划区域的仿真计算验证了本发明方法的有效性。
附图说明
图1为本发明中LA-GA交替迭代算法的流程示意图;
图2为仿真计算中具体负荷及DG地理分布信息;
图3为仿真计算中计及DG的变电站规划结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提供一种计及分布式电源的变电站优化规划方法,包括以下步骤:
1)基于马尔科夫链模型建立DG出力及负荷的时间序列;
2)根据所述DG出力及负荷的时间序列建立变电站规划时序模型;
3)采用LA-GA交替迭代算法对所述变电站规划时序模型进行优化求解,获取最优的变电站规划结果。
一、DG出力及负荷的时间序列
1.1基于马尔科夫链模型的DG出力的时序模型
风电机组出力的时序特性主要受规划地区风能资源影响,风速变化具有一定的地域及季节特性;光伏发电设备出力的时序特性主要受规划地区光照强度影响,而光照强度又受天气变化、云层遮挡等因素影响具有一定的随机特性。常用的风速及光照强度的时序建模方法主要有回归分析法(如自回归(AR)模型),马尔科夫法等,由于马尔科夫模型物理意义清晰且模型参数较易确定,并能较好的反应统计数据的季节特性及随机特性,本发明采用一阶马尔科夫链模型建立风速及光照强度的时间序列,并根据风速及光照强度时间序列得到风机及光伏出力的时间序列。
1.1.1风速序列的马尔科夫链模型
在风速马尔科夫链模型中,将风速取值范围离散成一系列状态,组成风速状态集Ω={1,2,…,Nw},Nw为不同的风速状态,每一状态对应一定的风速取值范围。马尔可夫链具有无记忆性,即未来时刻风速仅取决于当前时刻的风速,而与之前时刻的风速信息无关。要建立风速变化的马尔可夫链,首先需要根据大量风速历史数据建立不同风速状态间的状态转移矩阵,来反应不同风速状态间的内在统计特性,转移矩阵如下:
式中:矩阵中各行元素之和为1,pij=P(vt+1=j|vt=i),i,j∈[1,2,…,Nw],为t时刻风速状态为i下t+1时刻风速状态j的条件概率,根据大量风速统计数据得到条件概率的预测值为其中nij是样本中风速从状态i转移到状态j的数目,ni是样本中风速状态为i的个数,即
由于风速具有显著的季节特性,将一年中风速分为12个单元,针对不同月份的风速统计数据建立各个单元风速状态转移矩阵k∈[1,2,…12]。
建立风速时间序列的步骤为:
1)假设当前时刻为t,风速当前所在状态为i(i∈Ω),风速大小为vt,当前月份为k,生成一个服从均匀分布的随机数et,et∈[0,1]。
2)根据当前月份k下风速状态转移矩阵Pk wind计算累积转移矩阵Ck=(ci,j),且
3)模拟风速下一时刻状态为j,若et∈[0,ci1],则j=1,若et∈[cim,cim+1],(m∈Ω,m=1,2,…,Nw-1),则j=m+1。
4)为了确定下一时刻风速取值,再次生成一个服从均匀分布的随机数εt,εt∈[0,1],设状态j下风速取值范围为[vl,vh],则t+1时刻风速vt+1为:
vt+1=vl+εt(vh-vl) (2)
根据以上步骤及不同月份下风速状态转移矩阵即可得到全年风速时间序列。
1.1.2光照强度序列的马尔科夫链模型
由于光照强度具有昼夜及季节特性,通过引入晴空指数作为变量将光照强度的昼夜特性移除,即光照强度为零时,晴空指数取值可以不为零,因此晴空指数可以像风速一样建立连续的时间序列。晴空指数被定义为地表太阳辐照量与地外太阳辐照量的比率,用公式表示为
式中:H为某段时间内(一天或1h内)到达地表水平面的太阳辐照量;He为相同时间内到达地外水平面的太阳辐照量,其反应了日地距离变化地外大气层上界太阳辐照量变化,可根据地理位置被精确预测。
由式(3)根据光照强度历史数据得到晴空指数的统计数据,无光照强度下地外水平面的太阳辐照量为零,晴空指数为不确定的值,因此无光照强度下的晴空指数不参与状态转移矩阵的建立。根据晴空指数的取值范围建立状态集S={s1,s2,…,sM},sM为不同的晴空指数状态。
针对晴空指数的季节变化特性,与风速建模处理方法相同,将晴空指数分为12个单元建立不同月份下晴空指数状态转移矩阵通过与得到风速时间序列类似的步骤得到全年晴空指数时间序列,最后通过式(3)得到年光照强度时间序列。
综上得到风速及光照强度的时间序列后,根据风机及光伏板相关参数即可得到风机及光伏出力的时间序列。
1.2负荷的时序模型
电力负荷具有显著的时序特性,其时序变化规律受负荷性质、气候条件、宏观经济政策以及人口数量的变化等因素影响。本发明根据不同类型负荷的时序特性,通过不同类型负荷周、日、小时负荷百分比系数以及年负荷峰值来得到其年负荷时间序列,可用下式表示为:
PL(t)=PLmax·pw·pd·ph,t=1,...,8760 (4)
式中,PL(t)为t时刻的负荷值,PLmax为年负荷峰值,pw为周负荷百分比系数;pd为日负荷百分比系数,ph为小时负荷百分比系数,其随季节及负荷类型而变化。
二、基于DG出力和负荷时间序列的变电站规划时序模型
变电站的优化规划问题是在规划目标年负荷分布已知的情况下,考虑变电站带负荷能力等约束条件,以变电站规划综合经济性最优确定变电站经济数量和容量,并对变电站位置以及供电范围进行优化规划。本发明基于规划区域负荷及DG出力的时间序列,以变电站综合年度建设成本及运行费用最小为目标,考虑变电站负载率及DG渗透率平衡建立了变电站优化规划模型。
(1)目标函数:
minC=Cinv+Copr (5)
式中,Cinv为配电网建设费用,包括变电站及馈线建设费用,Copr为配电网络及变电站运行费用,N为所建变电站数目,i为变电站节点,i=1,…,N,Ji为变电站i所带负荷集合,j为负荷节点,Gi为变电站i含DG节点集合,g为DG节点,lij是变电站i到负荷j的距离,(xi,yi)为拟建变电站所在位置坐标,(xj,yj)为负荷点所在位置坐标,lig是变电站i到DG节点g的距离,(xg,yg)为DG所在位置坐标,cl是配电网单位长度输电线路的建设费用,f(Si)为变电站i的建设投资费用,Si为变电站i的容量,r0为折现率,n为寿命周期,Pj(t)为负荷j的时序功率,Mi为变电站i的最大DG渗透率,Pg(t)为DG节点g的时序出力,k(Mi)为考虑DG接入下线路运行损耗系数,βl是配电网线路损耗的折算系数,cb是趸入电价,r是单位长度配电线路的电阻,Ul是线路的线电压,cosφl为配电网线路功率因数,piao、piak分别为变电站i中变压器a的空载损耗和短路损耗,ρi(t)为变电站i变压器的时序负载率,Ai为变电站i中所有变压器的集合;
(2)约束条件
1)变电站时序容量约束
式中,RS,L为满足规划设计导则要求的变电站容载比下限,γ为考虑负荷及DG出力的不确定性设置的取值大于1的容量裕度系数。
2)一个负荷及DG只能由一个变电站供电的约束
式中,ηij为负荷点j是否由变电站i供电的判别因子,若ηij=1,则“是”,若ηij=0,则“否”,δig为DG点g是否向变电站i供电的判别因子,若δig=1,则“是”,若δig=0,则“否”。
3)变电站负载率及DG渗透率平衡约束
式中,Ei为变电站i的最大负载率。考虑不同变电站负载率的平衡可以使变电站的利用率均衡,避免部分重载,而另一部分轻载的情况;DG作为随机性电源,变电站DG渗透率的不平衡可能使DG渗透率较高变电站的综合负荷的波动性远远高于其他变电站,不利于变电站的经济运行。
4)变电站供电范围约束
式中,Ri为变电站i的最大供电距离。
三、基于LA-GA交替迭代算法的变电站优化规划
3.1变电站规模组合方式及初始供电区域的确定
1)根据电网规划设计导则容载比要求确定变电站数量及容量,用公式表示如下:
N∈[N1,N2]
式中,W1为规划区域负荷节点总数,W2为规划区域含DG节点数,RS,L为满足规划设计导则要求的变电站容载比下限,RS,H为变电站容载比上限,Nz为变电站规模的种数,γ为考虑负荷及DG出力的不确定性设置的取值大于1的容量裕度系数,Pj(t)为负荷j的时序功率,Pg(t)为DG节点g的时序出力,Si为变电站i的容量,[]表示取整数,N为变电站个数。
在获得变电站个数后根据可以选择的变电站容量,确定总体变电站容量组合数。
2)根据初始站址,基于负荷矩最小原则,将负荷及DG就近分给各变电站,并根据变电站个数为N下的变电站容量组合对各分区进行调整,使各变电站满足时序容量约束且负载率及DG渗透率同时达到平衡:将负载率较高的分区边界上负荷转移至临近负载率较低的分区,使各变电站满足时序容量约束及负载率平衡;基于调整好的负荷分区,对各变电站所含DG按同样方法进行调整,使各变电站DG渗透率得到平衡。
根据上述1)和2)可确定各变电站初始供电范围,即为定位分配(location andallocation,LA)过程。
3.2基于自适应调整搜索范围的LA-GA交替迭代算法
如图1所示为LA-GA交替迭代算法的流程示意图,其采用两层寻优过程交替迭代方式,具体为:
301)设定初始站址,获取变电站经济容量组合数NC,设定内层迭代次数NGA和外层迭代次数NT,设c为满足容载比要求的变电站容量组合的编号,令c=1。
302)根据设定的搜索范围和初始站址,考虑分区负载率及DG渗透率的平衡对变电站站址进行定位分配,获取变电站站址初始种群。变电站站址初始种群中,染色体使用二进制编码,编码部分包含各个新建站的横坐标X、纵坐标Y,各初始化站址种群均在相应变电站供电范围内。
303)以变电站规划时序模型的目标函数的倒数建立适应度函数,采用遗传算法进行优化计算,直至达到内层迭代次数,获取新变电站站址种群及第一变电站优化站址。
进行遗传算法时,根据精英策略保留精英个体,并选择前NS个适应度最强的优秀个体参与新种群的生成;以交叉概率Pc及变异概率Pm对初始种群进行多点交叉及变异生成新种群,并与优秀个体进行整合,将适应度较低的个体剔除使新种群长度与初始种群保持一致。另外,为了增加GA搜索精度及算法迭代收敛速度,对内层GA迭代过程,当适应度值连续五次保持不变时,对种群中部分个体重新进行初始化,以避免GA迭代陷入局部最优。
304)根据第一变电站优化站址调整搜索范围,以第一变电站优化站址为初始站址返回步骤302),直到变电站站址收敛或达到外层迭代次数,获得第二变电站优化站址。
对于外层交替迭代寻优过程,在每次GA优化完成后,比较本次外层迭代与上一次外层迭代获得的第一变电站优化站址,根据所有变电站中最大位移大小对GA搜索范围进行调整:当两次迭代变电站最大位移较大时,扩张搜索范围使搜索结果跳出局部无效值;当两次迭代变电站最大位移较小时,收缩搜索范围使搜索过程加速收敛。搜素范围的具体设置公式为:
ds(i+1)=1.5·dmax(i) (13)
式中,dmax(i)为第i次迭代时所有变电站寻优前后发生的最大站址位移,ds(i+1)为以第i次迭代获得第一变电站优化站址为圆心的搜索半径。
变电站站址收敛是满足以下条件:
dmax(i)<D (14)
式中,dmax(i)为第i次迭代时所有变电站寻优前后发生的最大站址位移,D为设定的站址位移阈值,D可取为10。
305)c=c+1,重复步骤302)-304),直至c达到变电站经济容量组合数,输出最小费用时的变电站规划结果。
本实施例取某城市12.213km2的实际规划区域为仿真算例,该区域内最大负荷为238.38MW,DG总容量为47MW,具体负荷及DG地理分布信息如图2所示,负荷和DG的类型、坐标及容量大小分别如表1和表2所示。变电站可选规模为3×50或3×40MVA,110kV城网容载比范围为1.8~2.2,变电站容量裕度系数γ=1.1,功率因数cosφ=0.9,单位长度馈电线路成本cl=23.2万元/km,趸入电价cb=0.5元/kWh,变压器投资及运行的相关参数取值如表3、表4所示。
表1负荷类型、容量及坐标信息
表2分布式电源类型、容量及坐标信息
根据式(12)得到规划区域可建3~4座变电站,可选容量组合有三种:{3×50,3×50,3×40}、3座3×50、4座3×40,容载比分别为1.92、2.05、2.19,均满足变电站规划设计导则要求。依据变电站选址定容步骤,LA-GA算法中参数设置为:GA种群大小为50;单个变电站站址染色体长度为30;GA最大迭代次数NGA=50;NS=10;遗传概率Pc=0.6;变异概率Pm=0.1;LA-GA最大迭代次数NT=20。
表3候选变压器参数
表4变电站容量及投资
基于DG出力和负荷的时间序列,在规划阶段综合考虑负荷及DG的运行特性,得到计及DG影响的变电站规划结果如图3所示,变电站规划成本见表5。
表5计及DG时变电站规划成本
由图3以及表5可知,由于计及DG进行规划时,在优化目标中对DG接入成本进行了综合考虑,又在约束条件中充分计及了变电站负载率以及DG渗透率平衡的影响,各变电站的位置及供电范围得到了较好的优化效果:可选容量组合中总容量最小的方案为最终的规划容量组合,变电站总的投资及运行费用分别为1 289.43万元及318.48万元;各变电站时序负载率得到平衡,最大的负载率与最小负载率的比值约为1.07,各变电站容量在满足运行约束的条件下得到了有效的利用;各变电站供区内的DG较为均衡,最大的DG渗透率与最小DG渗透率的比值约为1.05,使得变电站综合负荷特性得到优化。
综上可见,在变电站规划时考虑DG的影响具有一定的工程和实际意义。
Claims (9)
1.一种计及分布式电源的变电站优化规划方法,其特征在于,包括以下步骤:
1)基于马尔科夫链模型建立DG出力及负荷的时间序列;
2)根据所述DG出力及负荷的时间序列建立变电站规划时序模型;
3)采用LA-GA交替迭代算法对所述变电站规划时序模型进行优化求解,获取最优的变电站规划结果;
所述步骤1)中,DG出力的时间序列包括风速时间序列和光照强度时间序列,所述风速时间序列的建立步骤具体为:
101)当前时刻为t,根据当前月份k下风速状态转移矩阵Pk wind计算累积转移矩阵Ck=(cxy),且x为t时刻风速所在状态,y为t+1时刻风速所在状态,pxl为风速状态转移矩阵中的元素;
102)生成一个服从均匀分布的随机数et,et∈[0,1],若et∈[0,cx1],则y=1,若et∈[cxm,cxm+1],则j=m+1,m∈Ω,m=1,2,…,Nw-1,Ω表示风速状态集,Ω={1,2,…,Nw},Nw表示不同的风速状态,每一状态对应一定的风速取值范围;
103)再次生成一个服从均匀分布的随机数εt,εt∈[0,1],则t+1时刻风速vt+1为:
vt+1=vl+εt(vh-vl)
式中,vl、vh分别为状态y下风速的最小值与最大值;
104)重复步骤101)-103),根据不同月份下风速状态转移矩阵得到全年风速时间序列;
所述光照强度时间序列表示为:
式中,kt为t时刻的光照强度,H为某段时间内到达地表水平面的太阳辐照量,He为相同时间内到达地外水平面的太阳辐照量。
2.根据权利要求1所述的计及分布式电源的变电站优化规划方法,其特征在于,所述步骤1)中,负荷的时间序列表示为:
PL(t)=PLmax·pw·pd·ph,t=1,...,8760
式中,PL(t)为t时刻的负荷值,PLmax为年负荷峰值,pw为周负荷百分比系数;pd为日负荷百分比系数,ph为小时负荷百分比系数。
3.根据权利要求1所述的计及分布式电源的变电站优化规划方法,其特征在于,所述步骤2)中,变电站规划时序模型由目标函数和约束条件组成,其中,所述目标函数为:
min C=Cinv+Copr
式中,Cinv为配电网建设费用,包括变电站及馈线建设费用,Copr为配电网络及变电站运行费用,N为所建变电站数目,i为变电站节点,i=1,…,N,Ji为变电站i所带负荷集合,j为负荷节点,Gi为变电站i含DG节点集合,g为DG节点,lij是变电站i到负荷j的距离,(xi,yi)为拟建变电站所在位置坐标,(xj,yj)为负荷点所在位置坐标,lig是变电站i到DG节点g的距离,(xg,yg)为DG所在位置坐标,cl是配电网单位长度输电线路的建设费用,f(Si)为变电站i的建设投资费用,Si为变电站i的容量,r0为折现率,n为寿命周期,Pj(t)为负荷j的时序功率,Mi为变电站i的最大DG渗透率,Pg(t)为DG节点g的时序出力,k(Mi)为考虑DG接入下线路运行损耗系数,βl是配电网线路损耗的折算系数,cb是趸入电价,r是单位长度配电线路的电阻,Ul是线路的线电压,cosφl为配电网线路功率因数,piao、piak分别为变电站i中变压器a的空载损耗和短路损耗,ρi(t)为变电站i变压器的时序负载率,Ai为变电站i中所有变压器的集合;
所述约束条件包括:
变电站时序容量约束
式中,RS,L为满足规划设计导则要求的变电站容载比下限,γ为考虑负荷及DG出力的不确定性设置的取值大于1的容量裕度系数;
一个负荷及DG只能由一个变电站供电的约束:
式中,ηij为负荷点j是否由变电站i供电的判别因子,若ηij=1,则“是”,若ηij=0,则“否”,δig为DG点g是否向变电站i供电的判别因子,若δig=1,则“是”,若δig=0,则“否”;
变电站负载率及DG渗透率平衡约束:
式中,Ei为变电站i的最大负载率;
变电站供电范围约束:
式中,Ri为变电站i的最大供电距离。
4.根据权利要求1所述的计及分布式电源的变电站优化规划方法,其特征在于,所述步骤3)中,LA-GA交替迭代算法采用两层寻优过程交替迭代方式,具体为:
301)设定初始站址,获取变电站经济容量组合数,设定内层迭代次数和外层迭代次数;
302)根据设定的搜索范围和初始站址,考虑分区负载率及DG渗透率的平衡对变电站站址进行定位分配,获取变电站站址初始种群;
303)以变电站规划时序模型的目标函数的倒数建立适应度函数,采用遗传算法进行优化计算,直至达到内层迭代次数,获取新变电站站址种群及第一变电站优化站址;
304)根据第一变电站优化站址调整搜索范围,以第一变电站优化站址为初始站址返回步骤302),直到变电站站址收敛或达到外层迭代次数,获得第二变电站优化站址;
305)重复步骤302)-304),直至达到变电站经济容量组合数,输出最小费用时的变电站规划结果。
5.根据权利要求4所述的计及分布式电源的变电站优化规划方法,其特征在于,所述步骤301)中,获取变电站经济容量组合数具体为:
根据电网规划设计导则容载比要求确定变电站数量及容量:
N∈[N1,N2]
式中,W1为规划区域负荷节点总数,W2为规划区域含DG节点数,RS,L为满足规划设计导则要求的变电站容载比下限,RS,H为变电站容载比上限,Nz为变电站规模的种数,γ为考虑负荷及DG出力的不确定性设置的取值大于1的容量裕度系数,Pj(t)为负荷j的时序功率,Pg(t)为DG节点g的时序出力,Si为变电站i的容量,[]表示取整数,N为变电站个数。
6.根据权利要求4所述的计及分布式电源的变电站优化规划方法,其特征在于,所述步骤302)中,定位分配的具体过程为:
根据初始站址,基于负荷矩最小原则,将负荷及DG就近分给各变电站,并根据变电站个数为N下的变电站容量组合对各分区进行调整,使各变电站满足时序容量约束且负载率及DG渗透率同时达到平衡。
7.根据权利要求4所述的计及分布式电源的变电站优化规划方法,其特征在于,所述步骤303)中,采用遗传算法进行优化计算时,当适应度值连续五次保持不变时,对种群中部分个体重新进行初始化。
8.根据权利要求4所述的计及分布式电源的变电站优化规划方法,其特征在于,所述步骤304)中,根据第一变电站优化站址调整搜索范围具体为:
比较本次外层迭代与上一次外层迭代获得的第一变电站优化站址,根据以下公式计算下一次迭代过程的搜索范围:
ds(n+1)=1.5·dmax(n)
式中,dmax(n)为第n次迭代时所有变电站寻优前后发生的最大站址位移,ds(n+1)为以第n次迭代获得第一变电站优化站址为圆心的搜索半径。
9.根据权利要求4所述的计及分布式电源的变电站优化规划方法,其特征在于,所述步骤304)中,变电站站址收敛是满足以下条件:
dmax(n)<D
式中,dmax(n)为第n次迭代时所有变电站寻优前后发生的最大站址位移,D为设定的站址位移阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510863538.XA CN105389633B (zh) | 2015-12-01 | 2015-12-01 | 一种计及分布式电源的变电站优化规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510863538.XA CN105389633B (zh) | 2015-12-01 | 2015-12-01 | 一种计及分布式电源的变电站优化规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105389633A CN105389633A (zh) | 2016-03-09 |
CN105389633B true CN105389633B (zh) | 2019-08-16 |
Family
ID=55421899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510863538.XA Expired - Fee Related CN105389633B (zh) | 2015-12-01 | 2015-12-01 | 一种计及分布式电源的变电站优化规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105389633B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844343B (zh) * | 2016-03-15 | 2019-08-20 | 武汉大学 | 一种基于光伏特性分析的水光日联合调度方法 |
CN107453346B (zh) * | 2016-05-30 | 2022-03-18 | 中国电力科学研究院 | 一种适用于配电网重构的负荷曲线时段划分方法 |
CN107730062A (zh) * | 2016-08-11 | 2018-02-23 | 中移(杭州)信息技术有限公司 | 一种配电线路规划方法及装置 |
CN107256441B (zh) * | 2017-06-02 | 2020-12-04 | 广东电网有限责任公司电网规划研究中心 | 基于非支配排序遗传算法的配电网规划建设方案设计方法 |
CN107506914B (zh) * | 2017-08-13 | 2020-07-07 | 天津大学 | 计及分布式电源渗透率变化的变电站动态扩展规划方法 |
CN108053250B (zh) * | 2017-12-15 | 2020-12-18 | 北京理工大学 | 一种基于遗传算法的变压器价格优化方法及装置 |
CN109103942B (zh) * | 2018-10-31 | 2020-10-23 | 广东电网有限责任公司 | 分布式电源接入方式的确定方法和装置 |
CN109711706B (zh) * | 2018-12-21 | 2023-04-07 | 国网江西省电力有限公司经济技术研究院 | 考虑分布式电源和需求响应的主动配电网变电站规划方法 |
CN109754123B (zh) * | 2019-01-12 | 2023-04-07 | 国网江西省电力有限公司经济技术研究院 | 馈线供电范围划分的旋转中心线距离加权交替定位方法 |
CN109933879A (zh) * | 2019-03-05 | 2019-06-25 | 北京市地铁运营有限公司 | 变电站选址方法和装置 |
CN109872010B (zh) * | 2019-03-15 | 2021-05-25 | 深圳供电局有限公司 | 变电站巡检机器人任务分配方法 |
CN110350605B (zh) * | 2019-07-08 | 2020-12-29 | 华中科技大学 | 一种多阶段交直流混联配电网直流升级改造的规划方法 |
CN112531779B (zh) * | 2020-12-07 | 2024-01-23 | 国网新疆电力有限公司昌吉供电公司 | 多区域电网接线方法 |
CN115186944B (zh) * | 2022-09-15 | 2022-12-09 | 合肥优晟电力科技有限公司 | 一种城市配电网规划方法及系统 |
-
2015
- 2015-12-01 CN CN201510863538.XA patent/CN105389633B/zh not_active Expired - Fee Related
Non-Patent Citations (3)
Title |
---|
基于混合遗传算法的变电站选址定容;刘涛;《中国优秀硕士学位论文全文数据库工程科技II辑》;20070515(第5期);第C042-145页 |
考虑分布式电源的变电站优化规划;刘自发等;《电力建设》;20130731;第34卷(第7期);第37-42页 |
考虑时序特性的多目标分布式电源选址定容规划;李亮等;《电力系统自动化》;20130210;第37卷(第3期);第58-63页 |
Also Published As
Publication number | Publication date |
---|---|
CN105389633A (zh) | 2016-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105389633B (zh) | 一种计及分布式电源的变电站优化规划方法 | |
Zhang et al. | Optimal location and size of a grid-independent solar/hydrogen system for rural areas using an efficient heuristic approach | |
Zhang et al. | A review of urban energy systems at building cluster level incorporating renewable-energy-source (RES) envelope solutions | |
Ji et al. | Quantified analysis method for operational flexibility of active distribution networks with high penetration of distributed generators | |
Zhao et al. | Multi-objective optimization of stand-alone hybrid PV-wind-diesel-battery system using improved fruit fly optimization algorithm | |
Xu et al. | Multi-objective robust optimization of active distribution networks considering uncertainties of photovoltaic | |
Roy Ghatak et al. | Optimised planning of distribution network with photovoltaic system, battery storage, and DSTATCOM | |
CN104600713A (zh) | 含风力/光伏发电配电网日前无功调度的生成装置及方法 | |
CN106503839A (zh) | 一种海上风电场环形集电网络分层规划方法 | |
CN105826944A (zh) | 一种微电网群的功率预测方法和系统 | |
Hong et al. | Interactive multi-objective active power scheduling considering uncertain renewable energies using adaptive chaos clonal evolutionary programming | |
Zhang et al. | Improved MOEA/D approach to many-objective day-ahead scheduling with consideration of adjustable outputs of renewable units and load reduction in active distribution networks | |
Ge et al. | Dynamic networking of islanded regional multi‐microgrid networks based on graph theory and multi‐objective evolutionary optimization | |
CN106803130A (zh) | 分布式电源接入配电网的规划方法 | |
Batool et al. | Multi-level supervisory emergency control for operation of remote area microgrid clusters | |
Ye et al. | A data driven multi-state model for distribution system flexible planning utilizing hierarchical parallel computing | |
Xiao et al. | Optimal sizing and siting of soft open point for improving the three phase unbalance of the distribution network | |
Sudabattula et al. | Flower pollination algorithm based optimal placement of solar based distributed generators in distribution system | |
de Carvalho Neiva Pinheiro et al. | Reinforcement learning for electricity dispatch in grids with high intermittent generation and energy storage systems: A case study for the Brazilian grid | |
Saberi et al. | Optimal sizing of hybrid PV and wind energy system with backup of redox flow battery to postpone grid expansion investments | |
Musa et al. | Optimal sizing and location of multiple distributed generation for power loss minimization using genetic algorithm | |
Li et al. | Optimal power flow calculation considering large-scale photovoltaic generation correlation | |
CN109245096A (zh) | 一种主动配电网最大供电能力计算方法 | |
Ebrahimi et al. | Stochastic scheduling of energy storage systems in harmonic polluted active distribution networks | |
Singh et al. | Energy management of an active distribution network considering correlation between uncertain input variables |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190816 Termination date: 20201201 |
|
CF01 | Termination of patent right due to non-payment of annual fee |