CN105932723B - 一种交直流混合微电网的网架结构优化规划方法 - Google Patents
一种交直流混合微电网的网架结构优化规划方法 Download PDFInfo
- Publication number
- CN105932723B CN105932723B CN201610413899.9A CN201610413899A CN105932723B CN 105932723 B CN105932723 B CN 105932723B CN 201610413899 A CN201610413899 A CN 201610413899A CN 105932723 B CN105932723 B CN 105932723B
- Authority
- CN
- China
- Prior art keywords
- grid structure
- target
- power
- optimal solution
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005457 optimization Methods 0.000 claims abstract description 62
- 238000005070 sampling Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 238000005286 illumination Methods 0.000 claims description 21
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000002940 Newton-Raphson method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 210000000349 chromosome Anatomy 0.000 description 26
- 230000002457 bidirectional effect Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J4/00—Circuit arrangements for mains or distribution networks not specified as ac or dc
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Control Of Electrical Variables (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种交直流混合微电网的网架结构优化规划方法，包括：获取交直流混合微电网的基础数据，基础数据包括电源出力模型、负荷概率模型及环境数据；基于环境数据，利用拉丁超立方采样方法对电源出力模型及负荷概率模型的输出进行采样，得到样本矩阵；构建交直流混合微电网的网架结构的优化模型，该优化模型包括目标条件及约束条件；基于样本矩阵，对优化模型进行求解，得到多个最优解以及每个最优解对应目标条件的目标条件值；根据目标条件值，由多个最优解中选取出目标最优解，该目标最优解对应的网架结构即为最优网架结构。从而实现对于交直流混合微电网的网架结构的优化规划。
Description
技术领域
本发明涉及微电网优化规划技术领域，更具体地说，涉及一种交直流混合微电网的网架结构优化规划方法。
背景技术
微电网是将分布式电源、负荷、储能装置及控制装置等系统有机地结合在一起的小型发配电系统。微电网的分类标准有很多，从网架结构和供电方式上可将微电网分为交流微电网、直流微电网和交直流混合微电网。其中，交直流混合微电网是指既含有交流母线又含有直流母线，既可以直接向交流负荷供电又可以直接向直流负荷供电的微电网，其包括交流子微电网和直流子微电网，而交流子微电网和直流子微电网的中间经双向变换器(或双向变换器与变压器)连接。采用交直流混合微电网的形式，省略了许多变换环节和变换装置，使微电网结构简单、控制更加灵活、网络损耗较低，进而提高整个系统的经济性和可靠性。
但是，由于实际的微电网中存在着诸多不确定因素，如分布式电源出力的随机性、负荷波动、元件故障等，这些不确定因素增加了微电网网架结构规划的复杂度和投资运行成本。因此，微电网的网架结构对于微电网中的潮流分布和供电可靠性有着极为重要的影响，对微电网网架结构进行科学合理的规划设计，考虑微电网实际运行中的各种不确定性和供电可靠性问题，可以有效减小微电网中的电能损耗、提高微电网优化规划的质量和水平，对指导实际建设工程具有积极意义。而现有的微电网优化规划方法集中于解决交流微电网的优化配置问题，却没有一种能够有效实现对于交直流混合微电网进行网架结构规划设计的优化规划方法。
综上所述，如何提供一种针对交直流混合微电网的网架结构进行优化规划的技术方案，是目前本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种交直流混合微电网的网架结构优化规划方法，以实现对交直流混合微电网的网架结构的优化规划。
为了实现上述目的，本发明提供如下技术方案：
一种交直流混合微电网的网架结构优化规划方法，包括：
获取交直流混合微电网的基础数据，所述基础数据包括电源出力模型、负荷概率模型及环境数据；基于所述环境数据，利用拉丁超立方采样方法对所述电源出力模型及所述负荷概率模型的输出进行采样，得到样本矩阵；
构建交直流混合微电网的网架结构的优化模型，该优化模型包括目标条件及约束条件；
基于所述样本矩阵，对所述优化模型进行求解，得到多个最优解以及每个所述最优解对应所述目标条件的目标条件值，；
根据所述目标条件值，由所述多个最优解中选取出目标最优解，该目标最优解对应的网架结构即为最优网架结构。
优选的，基于所述环境数据，利用拉丁超立方采样方法对所述电源出力模型及所述负荷概率模型的输出进行采样，得到样本矩阵，包括：
利用拉丁超立方采样方法基于风速的概率密度函数对风速进行采样并基于光照强度的概率密度函数对光照强度进行采样，将采样得到的风速及光照强度作为对应电源出力模型的输入，得到对应的输出，所述环境数据包括风速和光照强度；
利用拉丁超立方采样方法基于负荷概率模型对负荷功率的时序数据进行采样，得到对应的负荷功率；
将所述电源出力模型的输出及采样得到的对应负荷功率加入至所述样本矩阵中。
优选的，所述优化模型的目标条件包括交直流混合微电网的年综合费用及电量不足期望值；对应的，根据所述目标条件值，由所述多个最优解中选取出目标最优解，包括：
确定所述多个最优解中所述目标条件值最小的最优解为目标最优解。
优选的，根据所述目标条件值，由所述多个最优解中选取出目标最优解，包括：
基于所述目标条件值，利用模糊隶属度函数表示每个所述最优解的满意度；
按照下式计算每个所述最优解的标准化满意度：
其中，με为第ε个最优解的标准化满意度，Nob为目标条件的数量，με(m)为第ε个最优解的第m个目标条件所对应的满意度，ε＝1,2,···,Nbest，Nbest为最优解的个数；
确定所述标准满意度最大的最优解为目标最优解。
优选的，基于所述目标条件值，利用模糊隶属度函数表示每个所述最优解的满意度，包括：
按照下列公式计算每个所述最优解的满意度：
其中，fε(m)表示第ε个最优解的第m个目标函数值，fε(m)max和fε(m)min分别为fε(m)的最大值和最小值。
优选的，基于所述样本矩阵，对所述优化模型进行求解，包括：
基于所述样本矩阵，利用基于精英策略的非支配性排序遗传算法对所述优化模型进行求解。
优选的，
所述优化模型的目标条件包括交直流混合微电网的年综合费用及电量不足期望值，对应的，对所述优化模型进行求解的过程中计算每个网架结构对应所述目标条件的目标条件值，包括：
将所述样本矩阵代入每个所述网架结构对应的潮流方程，得到对应网架结构的节点电压、支路电流及系统网损；
利用所述系统网损计算对应网架结构的年综合费用，根据所述约束条件确定所述节点电压及所述支路电流对应的经济惩罚项；
将所述经济惩罚项代入所述年综合费用，得到对应网架结构的标准年综合费用；
采用序贯蒙特卡罗模拟法计算与所述最优解对应的网架结构的供电不足期望值以及平均供电可用率；
根据所述约束条件确定所述平均供电可用率对应的可靠惩罚项，将所述可靠惩罚项代入所述供电不足期望值，得到对应网架结构的标准供电不足期望值。
优选的，
将所述样本矩阵代入每个所述网架结构对应的潮流方程，得到对应网架结构的节点电压、支路电流及系统网损，包括：
基于牛顿-拉夫逊法，将所述样本矩阵代入每个所述网架结构对应的潮流方程，得到对应网架结构的节点电压、支路电流及系统网损。
本发明提供的一种交直流混合微电网的网架结构优化规划方法，包括：获取交直流混合微电网的基础数据，所述基础数据包括电源出力模型、负荷概率模型及环境数据；基于所述环境数据，利用拉丁超立方采样方法对所述电源出力模型及所述负荷概率模型的输出进行采样，得到样本矩阵；构建交直流混合微电网的网架结构的优化模型，该优化模型包括目标条件及约束条件；基于所述样本矩阵，对所述优化模型进行求解，得到多个最优解以及每个所述最优解对应所述目标条件的目标条件值；根据所述目标条件值，由所述多个最优解中选取出目标最优解，该目标最优解对应的网架结构即为最优网架结构。通过本申请公开的上述步骤，采用拉丁超立方采样方法依据交直流混合微电网的基础数据获得样本矩阵，进而基于样本矩阵，对交直流混合微电网的优化模型进行求解，进而根据进行上述求解得到的多个最优解对应的目标条件值，确定出目标最优解，该目标最优解对应的网架结构即为最优网架结构。由此，确定出与基础数据对应的交直流混合微电网的网架结构中最优的网架结构，实现对于交直流混合微电网的网架结构的优化规划。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种交直流混合微电网的网架结构优化规划方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本发明实施例提供的一种交直流混合微电网的网架结构优化规划方法的流程图，可以包括以下步骤：
S11：获取交直流混合微电网的基础数据，基础数据包括电源出力模型、负荷概率模型及环境数据。
需要说明的是，基础数据具体包括的内容可以根据实际需要进行确定，如可以包括分布式电源的类型和数量、装机容量和分布、分布式电源的随机出力概率模型(即电源出力模型)、交直流混合微电网的规划可选新建线路集合、各类需要投资设备的单位造价、历史环境数据、负荷概率模型及时序负荷模型等，其中，历史环境数据可以包括风速和光照强度的历史数据等。
另外，本发明中的基础数据可以对应于多个交直流混合微电网的网架结构，即，可以预先随机生成多个交直流混合微电网的网架结构，且每个网架结构具有同样的基础数据。
S12：基于环境数据，利用拉丁超立方采样方法对电源出力模型及负荷概率模型的输出进行采样，得到样本矩阵。
其中，需要说明的是，利用拉丁超立方采样方法进行采样得到的样本矩阵的组成元素实际为电源出力模型及负荷概率模型的输出。
S13：构建交直流混合微电网的网架结构的优化模型，该优化模型包括目标条件及约束条件。
需要说明的是，目标条件和约束条件的具体设定可以根据实际需要进行确定，本发明中，可以以交直流混合微电网的网架结构的年综合费用和年损耗电量为经济性目标条件，系统电量不足期望值为可靠性目标条件，以交直流联络双向DC/AC变流器台数、交换功率及容量约束、节点功率平衡约束、节点电压约束、线路输送功率约束、交流断路器和直流断路器的台数约束及连通性约束等为约束条件，具体表达方式可见下文。
S14：基于样本矩阵，对优化模型进行求解，得到多个最优解以及每个最优解对应目标条件的目标条件值。
需要说明的是，对优化模型进行求解，得到多个最优解，可以为求取每个交直流混合微电网的网架结构对应于目标条件的目标条件值，进而确定符合预设条件的目标条件值对应的解为最优解，其中，预设条件可以根据实际需要进行设定，在此不再赘述。
S15：根据目标条件值，由多个最优解中选取出目标最优解，该目标最优解对应的网架结构即为最优网架结构。
通过本申请公开的上述步骤，采用拉丁超立方采样方法依据交直流混合微电网的基础数据获得样本矩阵，进而基于样本矩阵，对交直流混合微电网的优化模型进行求解，进而根据进行上述求解得到的多个最优解对应的目标条件值，确定出目标最优解，该目标最优解对应的网架结构即为最优网架结构。由此，确定出与基础数据对应的交直流混合微电网的网架结构中最优的网架结构，实现对于交直流混合微电网的网架结构的优化规划。
需要说明的是，本发明实施例中，以交直流混合微电网的网架结构的年综合费用为经济性目标条件，系统电量不足期望值为可靠性目标条件，以交直流联络双向DC/AC变流器台数、交换功率及容量约束、节点功率平衡约束、节点电压约束、线路输送功率约束、交流断路器和直流断路器的台数约束及连通性约束等为约束条件时，具体来说，上述各项可以采用以下方式表示：
(1)交直流混合微电网的网架结构的优化模型的目标条件如下式所示：
其中，f1为年综合费用，可以包括线路和开关投资及运行费用、年电能损耗费用等，本实施例中，主要包括新建线路的投资费用WL、装设断路器的总投资费用ZS、年网络电能损耗费用Closs及交直流联络双向变流器的总投资费用CVSC等，r0为折现率，n为投资回收年限；目标函数f2为供电不足期望，Gij为第j条线路发生故障时，节点k处的供电不足期望值(kw·h)，pj为第j条线路发生故障的次数(次/年)，Nline为交直流混合微电网的交流支路和直流支路的总数，Nnode为总的负荷节点数；
而WL、ZS、Closs、CVSC按照下列公式进行计算：
其中，lac,i和ldc,j分别为交流线路i和直流线路j的长度；Lac,i和Ldc,j分别为新建交流线路i和新建直流线路j的集合；Nacline为交流子微网中新建交流支路的总数，Ndcline为直流子微网中新建直流支路的总数，Nacline＝Nac+NVSC-1，Ndcline＝Ndc+NVSC-1，Nac为交流子微网中节点总数，Ndc为直流子微网中节点总数，NVSC为新建交直流双向DC/AC变流器的台数，为第x台额定容量为PVSC,N的交直流双向DC/AC变流器的造价；；fac(Dac,i)和fdc(Ddc,j)分别为交流线路i的截面积取Dac,i和直流线路j的截面积取Ddc,j时，单位长度对应线路的投资费用；Sac为投资建设交流断路器结合，Sdc为投资建设直流断路器集合；为第k台额定电流为Iac,n的交流断路器单价，为第w台额定电流为Idc,n的直流断路器单价；α为单位电价，t表示为各个小时段，可将一年划分为8760个小时数；Pi(t)、Qi(t)和Ui(t)分别为第t小时支路i末端流过的有功功率、无功功率和支路末端电压；ΔUj(t)为直流支路j的线路直流电压降；gac(Di)gdc(Dj)分别为交流线路i截面积为Di和直流线路j截面积为Dj时对应线路的单位长度电阻；lac,i和ldc,j分别交流线路i的长度和直流线路j的长度，单位为km。
(2)交直流混合微电网的网架结构的优化模型的约束条件如下：
①节点功率平衡约束：
其中，Pac,i和Qac,i分别为节点k注入的有功功率和无功功率；Gac,kn、Bac,kn和δkn分别为节点k和节点n之间的电导相位差、电纳相位差和电压相位差；Nac和Ndc分别为交流子微网的节点总数和直流子微网的节点总数；Uac,k和Uac,n分别为节点k的电压幅值和节点n的电压幅值；Pdc,r为节点r注入的有功功率；Vdc,r和Vdc,g分别为节点r的直流电压和节点g的直流电压；Gdc,rg为直流子微网的节点电导矩阵；和分别为流通第x台交直流双向DC/AC变流器的直流功率和交流功率，为第x台交直流双向DC/AC变流器的功率损耗。
②节点电压约束：
其中，P{·}表示满足机会约束条件的概率，和分别为交流节点k的电压上限和电压下限，和分别为直流节点r的电压上限和电压下限；αac和αdc分别为直流节点r电压的置信水平。
③线路输送的功率约束：
其中，Sac,i和分别为交流线路i流通的线路功率和功率极限，Pdc,j和分别为直流线路j的线路功率和功率极限；βac和βdc分别为交流支路功率的置信水平和直流支路功率的置信水平。
④供电可靠性约束：
其中，RASAI为平均供电可用率，8760为一年等效的总小时数，Ntotal为总用户数，Bj为发生故障时受影响用户的平均年停运时间，Nj为发生故障时受影响的用户数。
⑤交直流联络双向DC/AC变流器台数、交换功率和容量约束：
NVSC,max≥NVSC≥NVSC,min
其中，NVSC为交直流双向DC/AC变流器(简称变流器)的台数，NVSC,max和NVSC,min分别为变流器台数约束的上限和下限，为第x台交直流双向DC/AC变流器的额定容量，和分别为单台变流器额定容量约束的上限和下限，为通过第x台变流器的交直流子微网间交换功率，交直流子微网间的交直流联络点设置在交流节点与直流节点之间，每一个交直流联络点含有一台交直流双向DC/AC变流器。
⑥交流断路器和交流断路器的台数约束：
其中，NSAC和NSDC分别为交流断路器的台数和交流断路器的台数，和分别为交流断路器的台数上限和台数下限，和分别为直流断路器的台数上限和台数下限。
⑦连通性约束：
筛去含有孤点、孤岛及孤链的网架结构。
本发明实施例提供的一种交直流混合微电网的网架结构优化规划方法中，基于环境数据，利用拉丁超立方采样方法对电源出力模型及负荷概率模型的输出进行采样，得到样本矩阵，可以包括：
利用拉丁超立方采样方法基于风速的概率密度函数对风速进行采样并基于光照强度的概率密度函数对光照强度进行采样，将采样得到的风速及光照强度作为对应电源出力模型的输入，得到对应的输出，环境数据包括风速和光照强度；
利用拉丁超立方采样方法基于负荷概率模型对负荷功率的时序数据进行采样，得到对应的负荷功率；
将电源出力模型的输出及采样得到的对应负荷功率加入至样本矩阵中。
需要说明的是，本发明实施例中的电源出力模型具体可以为分布式电源的随机出力模型，从而通过上述步骤，考虑到的随机因素包括分布式电源的随机出力和负荷的不确定性，进而利用拉丁超立方采样方法根据对应的概率模型进行抽样，得到样本矩阵。
其中，分布式电源的随机出力可以包括风机输出功率和光伏电池方阵总的输出功率，对应的，环境数据可以包括风速和光照强度，具体来说：
风速的概率密度函数f(v)可以表示为：
其中，v为风速，k和c分别为风速在Weibull分布中的形状参数和尺度参数；
风机输出功率P与风速v之间的关系表达式可以为：
其中，Pr为风机的额定输出功率，vi为切入风速，vo为切出风速，vr为额定风速；
光照强度的概率密度函数f(I)可以表示为：
其中，I和Imax分别为实际光照强度和最大光照强度；α和β是光照强度在Beta分布中的形状参数；Γ为Gamma函数；
光伏电池方阵总的输出功率Ppv可以表示为：
Ppv＝A·I·η
其中，A为光伏电池方阵总面积，η为光伏电池的光电转换效率。
由此，利用拉丁超立方采样方法根据风速和光照强度的概率密度函数对其进行抽样，并将抽样得到的风速和光照强度作为风机输出功率和光伏电池方阵总的输出功率的输入，得到对应的输出，即为抽样得到的电源的随机出力。
而负荷的概率密度函数f(P)、f(Q)可以表示为：
其中，P和Q分别为负荷的实际有功功率和无功功率，Pm和Qm分别为负荷的有功功率的均值和无功功率的均值，σP和σQ分别为负荷有功功率的标准差和无功功率的标准差。需要说明的是，一般利用负荷有功功率和无功功率在一定时间内的时序数据，即负荷功率的时序数据进行统计，即可得到上述负荷的概率密度函数，即负荷概率模型，进而利用拉丁超立方采样方法依据负荷概率模型对负荷功率的时序数据进行抽样，即可得到对应的负荷功率。
其中，利用拉丁超立方采样方法根据风速和光照强度的概率密度函数对其进行抽样及利用拉丁超立方采样方法依据负荷概率模型对负荷功率的时序数据进行抽样与现有技术中为利用拉丁超立方采样方法根据一组数据的概率密度函数对该组数据进行抽样的实现方案一致，在此不再赘述。
上述风速、光照强度及负荷功率均为在一定时期内的历史数据，具体可以为一年8760小时的时序数据，当然，也可以为其他时间段内的数据，均可以根据实际需要进行确定。最终得到的样本矩阵包括电源出力模型的输出及采样得到的负荷功率，即样本矩阵中包含了上述对各时间段的抽样数据的全部。具体来说，设每个时间段的抽样规模为N(抽样N次)，有K个随机变量(分布式电源和负荷)，则一个时间段的抽样结果就含有K×N个对应数据；设共抽样T个时间段，则共有K×N×T个数据，形成T个K×N阶的矩阵，即采样矩阵；对于一个K×N阶的矩阵，存储的是对应的第t时间段的抽样数据，其中，第i列为第i次(i<＝N)的抽样数据，第j行为第j(j<＝K)个随机变量的抽样数据。本发明实施例提供的一种交直流混合微电网的网架结构优化规划方法中，优化模型的目标条件包括交直流混合微电网的年综合费用及电量不足期望值；对应的，根据目标条件值，由多个最优解中选取出目标最优解，可以包括：
确定多个最优解中目标条件值最小的最优解为目标最优解。
本发明实施例中，可以以年综合费用及电量不足期望值为目标条件，对应的，目标条件值越小，说明年综合费用及电量不足期望值越小，因此，当存在年综合费用及电量不足期望值均最小的最优解时，可确定该最优解为目标最优解。具体来说，如果有多个最优解对应的目标条件值均最小，则由其中选取一个作为目标最优解，至于选取原则可以根据实际需要进行确定，如随机原则等。
由此，本发明实施例提供的一种交直流混合微电网的网架结构优化规划方法中，建立了综合考虑计及交直流混合微电网的网架结构的年综合费用和电量不足期望值的多目标优化模型，能够较为有效、全面地反映交直流混合微电网建设的投资和运行成本问题，更具有一定的准确性。
而如果不存在年综合费用及电量不足期望值均最小的最优解，则需要依据最优解的标准化满意度来确定目标最优解，具体来说，本发明实施例提供的一种交直流混合微电网的网架结构优化规划方法中，根据目标条件值，由多个最优解中选取出目标最优解，可以包括：
基于目标条件值，利用模糊隶属度函数表示每个最优解的满意度；
按照下式计算每个最优解的标准化满意度：
其中，με为第ε个最优解的标准化满意度，Nob为目标条件的数量，με(m)为第ε个最优解的第m个目标条件所对应的满意度，ε＝1,2,···,Nbest，Nbest为最优解的个数；
确定标准满意度最大的最优解为目标最优解。
其中，基于目标条件值，利用模糊隶属度函数表示每个最优解的满意度，包括：
其中，fε(m)表示第ε个Pareto最优解的第m个目标函数值，fε(m)max和fε(m)min分别为fε(m)的最大值和最小值。
通过上述步骤，利用模糊隶属度函数表示每个最优解对应各目标条件的满意度，再根据上述满意度，计算每个最优解的标准化满意度，进而确定标准化满意度最大的最优解为目标最优解。其中，如果有多个最优解对应的标准化满意度相同，且均为最大的标准化满意度，则按照一定选取原则选取其中一个作为目标最优解，至于选取原则可以根据实际需要进行确定，如随机原则等。由此，根据每个最优解的标准化满意度确定出的目标最优解，能够使得对于交直流混合微电网的网架结构的优化规划达到最好的效果。
本发明实施例提供的一种交直流混合微电网的网架结构优化规划方法中，基于所述样本矩阵，对所述优化模型进行求解，可以包括：
基于所述样本矩阵，利用基于精英策略的非支配性排序遗传算法(nondominatedsorting genetic algorithm II，NSGA-II)对所述优化模型进行求解。
具体来说，利用基于精英策略的非支配性排序遗传算法对所述优化模型进行求解可以包括以下步骤：
I形成初始网架结构方案。
随机生成N条拓扑可行的染色体构成种群Ps，令s＝0，每个染色体代表交直流混合微电网的一个网架结构；初始化基于精英策略的非支配性排序遗传算法中使用的参数，可以包括最大迭代次数smax、选择算子、交叉算子、变异算子以及惩罚系数。并根据下式对每个染色体进行染色体编码，以在后续计算中使用不同染色体对应的数据：
X＝[Xac|Xdc|Xvsc]
其中，X表示种群Ps中的任一个染色体；Xac、Xdc和Xvsc分别表示交流子微网内的线路和断路器编码、直流子微网内的线路和断路器编码以及交直流双向DC/AC变流器及其所接交流线路和直流线路的编码；和分别表示第NA条线路的类型和第NA条线路对应的断路器类型，和分别表示第ND条线路的类型和第ND条线路对应的断路器类型，NA和ND分别表示待选新建交流线路集合中的总线路数和待选新建直流线路集合中的总线路数；表示第NVSC台交直流双向DC/AC变流器的编码；表示第i台DC/AC变流器的额定容量，和分别表示第i台交直流双向DC/AC变流器的上游节点编号和下游节点编号，和分别表示连接第i台交直流双向DC/AC变流器上游节点和下游节点的交流线路类型和直流线路类型。以上均可以采用整数分段编码方式。
II就每个染色体所对应的网架结构，基于样本矩阵计算每个染色体对应于每个目标条件的目标条件值。
III对当前种群Ps进行遗传操作，基于选择算子、交叉算子及变异算子对其进行选择、交叉及变异操作，得到子代种群Qs。
IV利用步骤II的方法计算子代种群中每个染色体对应于每个目标条件的目标条件值。
V合并作为父代种群的种群Ps和子代种群Qs，组成新的混合种群Rs＝Ps∪Qs，Rs含有2N个染色体。
VI对混合种群Rs进行非支配排序，得到所含个体总数大于N的前m个前沿F1、F2、…Fm。对于任一染色体Xi，确定出支配Xi的染色体数量，记作ni,以及被Xi所支配的染色体集合Si；具体来说，首先，找出ni＝0的染色体，复制到第一前沿F1中；对于所属F1的个体，将其Si所包含的每个染色体对应的ni减一，并确定出ni＝0的染色体集合，记作第二前沿F2，依次类推，得到F1、F2、…Fm，前m个前沿染色体的总个体数不小于N，则停止非支配排序。其中，支配关系的定义如下：
对于多目标优化的问题，若x1的目标条件满足以下要求，则称x1支配x2，称为非支配解，x2称为支配解：
其中，M为目标条件的个数，若x1与x2互不支配，则x1与x2是等价的；设x*为一非支配解，若在整个可行域中没有任何解支配x*，则x*在Pareto意义下是最优的,称为Pareto最优解，即本申请中的最优解，所有Pareto最优解构成的解集即为Pareto最优解集；Pareto最优解集中的每一个解，即x1、x2、x3等，它们之间的关系就是互不支配、相互平等，同时也没有其他解可以支配它们，但它们支配着Pareto最优解集之外的解，所以它们同属于最优解。
VII计算前m个前沿F1、F2、…Fm中染色体间的拥挤距离，将前m-1个前沿F1、F2、…Fm-1复制到新父代种群Ps+1中，对于前沿Fm中的染色体依据每个染色体的拥挤距离由大到小复制到Ps+1中，直到Ps+1中个体数达到N中为止。
其中，拥挤距离用来评估一个解周围其他解的密集程度，拥挤距离的引入是为了保持种群的多样性，防止个体局部堆积，即拥挤距离就是评估一个解优劣的标准，拥挤距离越大，则这个解周边的解分布的就少。拥挤距离的计算方式如下：
首先对每个目标条件对应的目标条件值进行计算并排序，处于边界解的拥挤距离被设为无穷大拥挤距离，其他解的拥挤距离计算如下所示:
其中，M为目标条件的个数；Dj为第j个染色体的拥挤距离；fi,j+1和fi,j-1分别为第j+1个染色体的第i个目标函数值和第j-1染色体的第i个目标函数值；fimax和fimin分别为第i个目标函数的最大值和最小值。
VIII令s＝s+1，即更新父代种群，判断迭代次数s是否达到最大迭代次数smax，如果是，则停止计算，输出Pareto最优解集；否则，则返回执行步骤IV。
本发明实施例提供的一种交直流混合微电网的网架结构优化规划方法中，所述优化模型的目标条件包括交直流混合微电网的年综合费用及电量不足期望值，对应的，对所述优化模型进行求解的过程中计算每个网架结构对应所述目标条件的目标条件值，可以包括：
将所述样本矩阵代入每个所述网架结构对应的潮流方程，得到对应网架结构的节点电压、支路电流及系统网损；
利用所述系统网损计算对应网架结构的年综合费用，根据所述约束条件确定所述节点电压及所述支路电流对应的经济惩罚项；
将所述经济惩罚项代入所述年综合费用，得到对应网架结构的标准年综合费用；
采用序贯蒙特卡罗模拟法计算与所述最优解对应的网架结构的供电不足期望值以及平均供电可用率；
根据所述约束条件确定所述平均供电可用率对应的可靠惩罚项，将所述可靠惩罚项代入所述供电不足期望值，得到对应网架结构的标准供电不足期望值。
需要说明的是，利用基于精英策略的非支配性排序遗传算法对所述优化模型进行求解，需要对迭代过程中出现的每个遗传个体均按照上述方法求解其对应的目标条件值。
具体来说，上述步骤即为实现上述实施例中涉及的步骤II的步骤，具体可以包括：
由样本矩阵中按列依次取出一组采样值代入潮流方程，求出节点电压、支路电流及系统网损，直至将样本矩阵中的全部采样值均代入至潮流方程中为止。
计算潮流方程输出的数据的概率分布，求得系统网损的平均值作为系统网损，进而根据目标条件f1计算年综合费用，并根据上述实施例中提供的节点电压约束和线路输送的功率约束判断节点电压及支路电流是否满足约束条件，具体来说，判断节点电压是否满足节点电压约束，如果不满足，则确定与节点电压约束相差的数值，并以该数值与上述实施例提供的惩罚系数的乘积作为经济惩罚项之一加入年综合费用中；判断支路电流是否满足线路输送的功率约束，如果不满足，则确定与线路输送的功率约束相差的数值，并以该数值与上述惩罚系数的乘积作为经济惩罚项之一加入年综合费用中，得到的标准年综合费用即为利用系统网损得到的年综合费用和各项经济惩罚项的和。其中，上述惩罚系数可以根据实际需要进行确定，在此不再赘述。
且在上述求解过程中，节点功率平衡约束一般会自动满足，因此，此次无需针对节点功率平衡约束进行惩罚项的确定。而交直流联络双向DC/AC变流器台数、交换功率和容量约束、交流断路器和交流断路器的台数约束及连通性约束，在上述算法的迭代过程中，可以针对上述约束对每个遗传个体进行检验，得出其与上述约束的符合与否的判断结果，如果不符合，则依据不符合的程度得出对应惩罚项，加入计算其对应目标条件值的方程中。
另外，将所述样本矩阵代入每个所述网架结构对应的潮流方程，得到对应网架结构的节点电压、支路电流及系统网损，包括：
基于牛顿-拉夫逊法，将所述样本矩阵代入每个所述网架结构对应的潮流方程，得到对应网架结构的节点电压、支路电流及系统网损。
具体来说，本申请实施例中，交直流混合微电网的确定性潮流计算可以采用交替迭代法，其中，交流子微网和直流子微网的潮流方程分开求解，交流子微网和直流子微网的潮流计算均可以采用牛顿-拉夫逊法，根据每个染色体对应的网架结构的方案，形成交流子微网的节点导纳矩阵和直流子微网的节点导纳矩阵，将各分布式电源等效为相应的节点，结合网架结构的基础数据和拉丁超立方采样方法获得的样本矩阵中的数据，进行潮流计算，具体可以为计算一年总小时数为8760的潮流计算。
需要说明的是，利用潮流方程计算节点电压、支路电流及系统网损与现有技术中相关内容的理论基本一致，在此不再赘述。
而对于可靠性计算，即对于供电不足期望值及平均供电可用率的计算可以采用序贯蒙特卡罗模拟法实现。在本发明实施例中，实现上述可靠性计算中，可以只考虑待选新建的线路、交直流双向DC/AC变流器和断路器的故障率，不计及分布式电源等其他元件的故障问题，设备的可靠性模型均采用两状态模型，分布式电源和负荷均采用时序模型。具体来说，序贯蒙特卡罗模拟法的计算流程可以包括：
i读取每个染色体，得到每个染色体对应的交直流混合微电网的网架结构，并利用等效网络形成故障模式影响分析影响表。其中，利用等效网络形成故障模式影响分析影响表与现有技术中的对应实现方案一致，在此不再赘述。
ii根据网架结构中每个非电源元件的故障率λ和修复率μ，由下式计算各非点源元件的正常工作时间tTTF和故障修复时间tTTR，其中，n为(0,1)内均匀分布的随机数，设定模拟时钟T初始值为0：
tTTF＝-1/[λln(n)]
tTTR＝-1/[μln(n)]
iii确定出具有最小无故障工作时间tTTFmin的非电源元件，将模拟时钟推进至tTTFmin，根据故障模式影响分析影响表确定出故障影响范围，记录对应故障元件影响的各类负荷点的停电次数、停电时间和缺供电量。
iv对于步骤iii中的故障元件，重新产生一个随机数并将其转化为该元件新的正常工作时间tTTFnew，将该故障元件的tTTF更新为tTTFmin+tTTR+tTTFnew。
v如果模拟时钟T小于仿真预设时间，则返回执行步骤iii；否则，则统计各个负荷点的停电次数、停电时间及缺供电量，进而计算并输出系统的供电不足期望值和平均供电可用率。其中，系统的供电不足期望值即为目标函数f2的所求值，平均供电可用率即为上述实施例中提供的约束条件供电可靠性约束中的平均供电可用率RASAI。判断平均供电可用率是否满足供电可靠性约束，如果不满足，则确定其与供电可靠性约束相差的数值，并以该数值与上述惩罚系数的乘积作为可靠惩罚项，加入供电不足期望值中，得到的供电不足期望值即为供电不足期望值和可靠惩罚项的和。
需要说明的是，本发明实施例中交直流混合微电网的交流子微电网的接地方式可以为TN方式，交流侧连接变压器可多采用Y0ny接法或Ynd接法；直流子微电网可以采用TN型的接地方式，直流微电网可以为单极系统。而本发明的交直流混合微电网网架优化规划方法可应用的前提条件可以为交直流混合微电网的容量、交直流负荷的大小类型和位置、分布式电源的配置已经确定。且，交直流混合微电网的PCC并网点可以位于交流子微网中且位置确定。
通过本申请公开的上述技术方案，采用基于拉丁超立方采样的蒙特卡罗模拟法进行不确定潮流计算，同时采用蒙特卡罗模拟法进行可靠性计算，将基于拉丁超立方采样的蒙特卡罗模拟嵌入基于精英策略的非支配性排序遗传算法中进行优化模型求解，能有效处理交直流混合微电网运行中的不确定性，有效提高了上述交直流混合微电网的网架结构优化规划方法的适用性。且，通过构建以交直流混合微电网网架结构的年综合费用和供电不足期望值的多目标优化模型，能够有效、全面地反映交直流混合微电网建设过程中的投资和运行成本问题。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种交直流混合微电网的网架结构优化规划方法，其特征在于，包括：
获取交直流混合微电网的基础数据，所述基础数据包括电源出力模型、负荷概率模型及环境数据；
基于所述环境数据，利用拉丁超立方采样方法对所述电源出力模型及所述负荷概率模型的输出进行采样，得到样本矩阵；
构建交直流混合微电网的网架结构的优化模型，该优化模型包括目标条件及约束条件；
基于所述样本矩阵，对所述优化模型进行求解，得到多个最优解以及每个所述最优解对应所述目标条件的目标条件值；
根据所述目标条件值，由所述多个最优解中选取出目标最优解，该目标最优解对应的网架结构即为最优网架结构；
基于所述环境数据，利用拉丁超立方采样方法对所述电源出力模型及所述负荷概率模型的输出进行采样，得到样本矩阵，包括：
利用拉丁超立方采样方法基于风速的概率密度函数对风速进行采样并基于光照强度的概率密度函数对光照强度进行采样，将采样得到的风速及光照强度作为对应电源出力模型的输入，得到对应的输出，所述环境数据包括风速和光照强度；
利用拉丁超立方采样方法基于负荷概率模型对负荷功率的时序数据进行采样，得到对应的负荷功率；
将所述电源出力模型的输出及采样得到的对应负荷功率加入至所述样本矩阵中。
2.根据权利要求1所述的方法，其特征在于，所述优化模型的目标条件包括交直流混合微电网的年综合费用及电量不足期望值；对应的，根据所述目标条件值，由所述多个最优解中选取出目标最优解，包括：
确定所述多个最优解中所述目标条件值最小的最优解为目标最优解。
3.根据权利要求1所述的方法，其特征在于，根据所述目标条件值，由所述多个最优解中选取出目标最优解，包括：
基于所述目标条件值，利用模糊隶属度函数表示每个所述最优解的满意度；
按照下式计算每个所述最优解的标准化满意度：
<mrow>
<msub>
<mi>&mu;</mi>
<mi>&epsiv;</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mrow>
<mi>o</mi>
<mi>b</mi>
</mrow>
</msub>
</munderover>
<msub>
<mi>&mu;</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>&epsiv;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mrow>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mrow>
<mi>o</mi>
<mi>b</mi>
</mrow>
</msub>
</munderover>
<msub>
<mi>&mu;</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，με为第ε个最优解的标准化满意度，Nob为目标条件的数量，με(m)为第ε个最优解的第m个目标条件所对应的满意度，ε＝1,2,···,Nbest，Nbest为最优解的个数；
确定所述标准满意度最大的最优解为目标最优解。
4.根据权利要求3所述的方法，其特征在于，基于所述目标条件值，利用模糊隶属度函数表示每个所述最优解的满意度，包括：
按照下列公式计算每个所述最优解的满意度：
<mrow>
<msub>
<mi>&mu;</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>f</mi>
<mi>&epsiv;</mi>
</msub>
<msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>min</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mi>&epsiv;</mi>
</msub>
<msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>&epsiv;</mi>
</msub>
<msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>&epsiv;</mi>
</msub>
<msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>&epsiv;</mi>
</msub>
<msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>min</mi>
</msub>
<mo><</mo>
<msub>
<mi>f</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<msub>
<mi>f</mi>
<mi>&epsiv;</mi>
</msub>
<msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>max</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>f</mi>
<mi>&epsiv;</mi>
</msub>
<msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>max</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，fε(m)表示第ε个最优解的第m个目标函数值，fε(m)max和fε(m)min分别为fε(m)的最大值和最小值。
5.根据权利要求1所述的方法，其特征在于，基于所述样本矩阵，对所述优化模型进行求解，包括：
基于所述样本矩阵，利用基于精英策略的非支配性排序遗传算法对所述优化模型进行求解。
6.根据权利要求5所述的方法，其特征在于，所述优化模型的目标条件包括交直流混合微电网的年综合费用及电量不足期望值，对应的，对所述优化模型进行求解的过程中计算每个网架结构对应所述目标条件的目标条件值，包括：
将所述样本矩阵代入每个所述网架结构对应的潮流方程，得到对应网架结构的节点电压、支路电流及系统网损；
利用所述系统网损计算对应网架结构的年综合费用，根据所述约束条件确定所述节点电压及所述支路电流对应的经济惩罚项；
将所述经济惩罚项代入所述年综合费用，得到对应网架结构的标准年综合费用；
采用序贯蒙特卡罗模拟法计算与所述最优解对应的网架结构的供电不足期望值以及平均供电可用率；
根据所述约束条件确定所述平均供电可用率对应的可靠惩罚项，将所述可靠惩罚项代入所述供电不足期望值，得到对应网架结构的标准供电不足期望值。
7.根据权利要求6所述的方法，其特征在于，将所述样本矩阵代入每个所述网架结构对应的潮流方程，得到对应网架结构的节点电压、支路电流及系统网损，包括：
基于牛顿-拉夫逊法，将所述样本矩阵代入每个所述网架结构对应的潮流方程，得到对应网架结构的节点电压、支路电流及系统网损。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610413899.9A CN105932723B (zh) | 2016-06-13 | 2016-06-13 | 一种交直流混合微电网的网架结构优化规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610413899.9A CN105932723B (zh) | 2016-06-13 | 2016-06-13 | 一种交直流混合微电网的网架结构优化规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105932723A CN105932723A (zh) | 2016-09-07 |
| CN105932723B true CN105932723B (zh) | 2018-05-18 |
Family
ID=56833167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610413899.9A Active CN105932723B (zh) | 2016-06-13 | 2016-06-13 | 一种交直流混合微电网的网架结构优化规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105932723B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650998A (zh) * | 2016-10-26 | 2017-05-10 | 华南理工大学 | 一种微电网多目标实时滚动优化方法 |
| CN106877338B (zh) * | 2017-03-29 | 2019-07-16 | 华北电力大学（保定） | 含高密度间歇性能源的交直流微电网不确定优化运行方法 |
| CN106786805B (zh) * | 2017-03-29 | 2019-03-08 | 华北电力大学（保定） | 一种计及光伏集群接入的交直潮流断面协调最优控制方法 |
| CN108039722B (zh) * | 2017-11-21 | 2020-11-10 | 中国科学院广州能源研究所 | 一种适用于交直流混合的分布式可再生能源系统优化配置方法 |
| CN108063456B (zh) * | 2017-12-19 | 2020-05-26 | 国家电网公司 | 分布式光伏发电并网规划方法及终端设备 |
| CN108599974B (zh) * | 2018-01-26 | 2020-12-29 | 东南大学 | 一种基于图论连通性的微电网分布式通讯拓扑设计方法 |
| CN108448636B (zh) * | 2018-05-10 | 2021-02-05 | 合肥工业大学 | 一种考虑线路因素的交直流混合微电网优化规划方法 |
| CN108964151B (zh) * | 2018-06-29 | 2023-02-07 | 中国电力科学研究院有限公司 | 一种微电网网架结构设计方法及系统 |
| CN109685379B (zh) * | 2018-12-27 | 2020-11-20 | 清华大学 | 交直流设备供电分区方法、系统、设备及介质 |
| CN110188319B (zh) * | 2019-05-31 | 2022-10-21 | 福建工程学院 | 基于多目标优化的tn-c接地系统接地点数量计算方法 |
| CN110445180A (zh) * | 2019-09-03 | 2019-11-12 | 国网河南省电力公司信阳供电公司 | 一种新能源并网方法 |
| CN110675279B (zh) * | 2019-09-20 | 2023-08-01 | 国网山东省电力公司检修公司 | 一种基于ai可视化的电网搭建模拟系统 |
| CN112651128B (zh) * | 2020-12-25 | 2022-05-24 | 湖南大学 | 一种面向交直流系统机组出力与拓扑结构的随机优化方法 |
| CN113285487B (zh) * | 2021-04-19 | 2023-05-02 | 深圳供电局有限公司 | 变流器容量优化配置方法、装置、计算机设备和存储介质 |
| CN113078623B (zh) * | 2021-05-10 | 2021-08-27 | 四川大学 | 一种抑制故障电流的直流电网网架结构优化设计方法 |
| CN116136930B (zh) * | 2023-02-23 | 2024-06-18 | 大航有能电气有限公司 | 一种计及可靠性的交直流混合微电网规划方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9154362B1 (en) * | 2009-08-14 | 2015-10-06 | International Business Machines Corporation | Macro grid governance and communication |
| CN105226702A (zh) * | 2015-09-02 | 2016-01-06 | 山东大学 | 一种交直流混合微电网动态架构及其重组方法 |
| CN105429129A (zh) * | 2015-10-14 | 2016-03-23 | 中国电力科学研究院 | 一种考虑网络约束的间歇性能源发电容量置信度评估方法 |
| CN105471094A (zh) * | 2014-08-07 | 2016-04-06 | 国家电网公司 | 变电站的主动配电网规划方法 |
-
2016
- 2016-06-13 CN CN201610413899.9A patent/CN105932723B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9154362B1 (en) * | 2009-08-14 | 2015-10-06 | International Business Machines Corporation | Macro grid governance and communication |
| CN105471094A (zh) * | 2014-08-07 | 2016-04-06 | 国家电网公司 | 变电站的主动配电网规划方法 |
| CN105226702A (zh) * | 2015-09-02 | 2016-01-06 | 山东大学 | 一种交直流混合微电网动态架构及其重组方法 |
| CN105429129A (zh) * | 2015-10-14 | 2016-03-23 | 中国电力科学研究院 | 一种考虑网络约束的间歇性能源发电容量置信度评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 交直流混合微电网规划设计研究;周金辉等;《合肥工业大学学报（自然科学版）》;20150228;第38卷(第2期);第166-170页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105932723A (zh) | 2016-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105932723B (zh) | 一种交直流混合微电网的网架结构优化规划方法 | |
| Ridha et al. | Multi-objective optimization and multi-criteria decision-making methods for optimal design of standalone photovoltaic system: A comprehensive review | |
| Nick et al. | Optimal planning of distributed energy storage systems in active distribution networks embedding grid reconfiguration | |
| Rocchetta et al. | Risk assessment and risk-cost optimization of distributed power generation systems considering extreme weather conditions | |
| Alavi et al. | Optimal probabilistic energy management in a typical micro-grid based-on robust optimization and point estimate method | |
| Shen et al. | Low-carbon electricity network transition considering retirement of aging coal generators | |
| Reddy et al. | Review of stochastic optimization methods for smart grid | |
| Shadmand et al. | Multi-objective optimization and design of photovoltaic-wind hybrid system for community smart DC microgrid | |
| Gomes et al. | Impact of decision-making models in Transmission Expansion Planning considering large shares of renewable energy sources | |
| Ahmadi et al. | A multi-objective framework for distributed energy resources planning and storage management | |
| Sannigrahi et al. | Multi-scenario based bi-level coordinated planning of active distribution system under uncertain environment | |
| Khan et al. | A holistic analysis of distribution system reliability assessment methods with conventional and renewable energy sources. | |
| Kong et al. | Multi-objective power supply capacity evaluation method for active distribution network in power market environment | |
| Monteiro et al. | Electric distribution network reconfiguration optimized for PV distributed generation and energy storage | |
| Xu et al. | Power supply capability evaluation of distribution systems with distributed generations under differentiated reliability constraints | |
| Paul et al. | Risk constrained energy efficient optimal operation of a converter governed AC/DC hybrid distribution network with distributed energy resources and volt-VAR controlling devices | |
| Abushamah et al. | A novel approach for distributed generation expansion planning considering its added value compared with centralized generation expansion | |
| Gomes et al. | Transmission system planning considering solar distributed generation penetration | |
| Mahdavi et al. | Dynamic transmission network expansion planning considering network losses DG sources and operational costs-part 1: Review and problem formulation | |
| Xu et al. | Stochastic multi-objective optimization of photovoltaics integrated three-phase distribution network based on dynamic scenarios | |
| CN104866919A (zh) | 基于改进nsga-ii的含风电场电网多目标规划方法 | |
| Yan et al. | Development of a tool for urban microgrid optimal energy planning and management | |
| Zhao et al. | Multistage active distribution network planning with restricted operation scenario selection | |
| Aruna et al. | A comprehensive review on the modern power system reliability assessment | |
| Su et al. | An optimized algorithm for optimal power flow based on deep learning |
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 |