CN106532778B - 一种计算分布式光伏并网最大准入容量的方法 - Google Patents

Abstract

本发明提供一种计算分布式光伏并网最大准入容量的方法，包括：S1，获取配电系统的基础数据；S2，将光伏出力与负荷用电作为随机变量建立概率分布模型；S3，利用基础数据构建分布式光伏并网最大准入容量的机会约束规划模型，所述机会约束规划模型包括目标函数和约束条件；S4，通过随机模拟技术对概率分布模型采样产生样本数据，检验其是否满足约束条件，如果满足，执行S6，如果不满足，则执行S5；S5，将罚函数计入目标函数；S6，通过粒子群算法对机会约束规划模型进行全局寻优。通过本发明的计算分布式光伏并网最大准入容量的方法，能够针对光伏出力和负荷用电的随机性和波动性，更加准确的计算分布式光伏并网最大准入容量。

Description

一种计算分布式光伏并网最大准入容量的方法

技术领域

本发明涉及配电系统规划技术领域，尤其涉及一种计算分布式光伏并网最大准入容量的方法。

背景技术

随着能源危机和环境保护压力的日益增大，可再生能源的利用越来越受到重视。其中，太阳能发电技术是近年来国际上发展速度最快的可再生能源技术，分布式光伏并网发电已经成为利用太阳能的主要方式之一。大规模分布式光伏并网具有大容量、动态及随机性等特点，这给电网的安全可靠运行带来了挑战。无论在光伏电站规划设计阶段还是在电力系统的实际运行中，对电网能够承受的并网光伏最大准入容量的确定是一个急需解决的问题。

目前，考虑分布式光伏接入配电网所带来的有功损耗、电压分布、短路电流、谐波畸变率等方面的影响，针对配电网对分布式电源的渗透能力，国内外学者已做了较多的研究。相关的分析方法主要包括解析法、动态仿真模拟试探法、智能优化算法等。其中，解析方法通过推导数学解析公式的方式得出光伏准入容量与变量之间的关系，从而获得最大准入容量的解析式。动态仿真模拟试探法通过仿真技术逐渐增加各点的并网容量，观察指标的变化情况，最终得出最大准入容量。智能优化算法通过建立数学模型，以不同的角度选取目标函数、以系统潮流和各种指标为约束条件，从而将光伏并网容量建模为最优化模型，并利用智能优化算法进行全局寻优，最终得到容量规划方案。考虑到光伏出力与负荷用电的随机性与波动性特点，目前解析法和动态仿真法存在一定的局限性。

发明内容

本发明提供了一种计算分布式光伏并网最大准入容量的方法，其能够针对光伏出力和负荷用电的随机性和波动性，更加准确的计算分布式光伏并网最大准入容量的方法。

为了解决上述问题，本发明提供了一种计算分布式光伏并网最大准入容量的方法，其包括：

S1，获取配电系统的基础数据；

S2，将光伏出力与负荷用电作为随机变量建立概率分布模型；

S3，利用基础数据构建分布式光伏并网最大准入容量的机会约束规划模型，所述机会约束规划模型包括目标函数和约束条件；

S4，通过随机模拟技术对概率分布模型采样产生样本数据，检验其是否满足约束条件，如果满足，执行S6，如果不满足，则执行S5；

S5，将罚函数计入目标函数；

S6，通过粒子群算法对机会约束规划模型进行全局寻优。

优选地，S2中，光伏出力作为随机变量的概率分布模型为Beta分布模型。

优选地，S2中，负荷用电作为随机变量的概率分布模型为正态分布模型。

优选地，S3中，所述约束条件包括潮流等式约束和机会函数不等式约束。

优选地，所述机会函数不等式约束具体包括：

Pr{U_i，min≤U_i≤U_i，max}≥β_U

Pr{P_G-P_py≥0}≥P_Grid

其中，Pr为指标合格事件的机会，U_i为节点i的电压，U_i,min为节点 i的电压的下限，U_i,max为节点i的电压的上限，β_U为电压的置信水平， P_l为负荷用电的有功功率，l为负荷用电支路，M_Breaker为断路器支路集合，β_l为线路上的有功功率的置信水平，P_G表示常规机组的有功功率，P_PV为光伏出力的有功功率，β_Grid为配电网的整体有功功率的置信水平。

优选地，S4中具体为，对产生的样本数据计算潮流等式约束，并检验各机会函数不等式约束的指标合格事件的机会是否满足置信水平， S5具体为，将不满足的机会函数不等式约束进行惩罚，并以罚函数形式计入目标函数中形成无约束适应度函数。

优选地，所述无约束适应度函数具体为

其中，e^T为与光伏接入节点相对应的单位向量，P_PV为分布式光伏注入节点的有功功率，w_u、w_l、w_p分别为电压越限、断路器支路潮流倒送、向主网倒送功率的惩罚系数，K_u、K_l、K_p分别为电压越限、断路器支路潮流倒送、向主网倒送功率的频率。

优选地，S6中，粒子群算法的步骤包括：

对参数进行初始化并确定迭代终止条件；

计算每个粒子的适应值，并确定全局最好位置；

随机选取权重值，并对粒子的速度和位置进行更新迭代；

判断迭代是否完成，若完成，则输出结果，若未完成，则返回上一步。

优选地，随机权重值根据标准正态分布和rand函数选取。

与现有技术相比，本发明的有益效果在于：从配电网规划角度对配电系统中分布式光伏的最大准入容量问题进行建模，建立以分布式光伏准入容量最大化为目标函数，以系统随机潮流为等式约束，以电网电压、继电保护、潮流倒送等机会函数形式为不等式约束条件的分布式光伏并网最大准入容量模型，通过基于随机规划的分布式光伏并网最大准入容量计算方法来进行求解，能够为高密度分布式光伏并网提供参考。

附图说明

图1是本发明实施例的计算分布式光伏并网最大准入容量的方法的流程图；

图2是本发明实施例的计算分布式光伏并网最大准入容量的方法的步骤S6的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细描述，但不作为对本发明的限定。

本发明公开了一种计算分布式光伏并网最大准入容量的方法，其包括：

S1，获取配电系统的基础数据，其中，基础数据包括网架结构、负荷水平和电气参数，例如，获取33节点的基础数据；

S2，将光伏出力与负荷用电作为随机变量建立概率分布模型；

S3，利用基础数据构建分布式光伏并网最大准入容量的机会约束规划模型，机会约束规划模型包括目标函数和约束条件；

S4，通过随机模拟技术对概率分布模型采样产生样本数据，检验其是否满足约束条件，如果满足，执行S6，如果不满足，则执行S5；

S5，将罚函数计入目标函数；

S6，通过粒子群算法对机会约束规划模型进行全局寻优。

本发明提供的计算分布式光伏并网最大准入容量的方法，从配电网规划的角度对配电系统中分布式光伏的最大准入容量问题进行建模，其中，针对光伏出力与负荷用电的随机波动性，采用随机规划的采样方法模拟光伏出力和负荷用电的实际运行情况，模型描述更加准确。

在本实施例中，S2中，光伏出力作为随机变量的概率分布模型为 Beta分布模型。在一定时间段内光照强度可近似看成Beta分布，因此，可推导出光伏电池的随机出力也呈Beta分布，其概率密度函数为

其中，α、β是形状参数，P_PV是分布式光伏注入节点的有功功率，P_max是一定时间段内最大有功功率。

在本实施例中，S2中，负荷用电作为随机变量的概率分布模型为正态分布模型。电力负荷具有时变性与随机性，不同天相同时间段负荷用电的有功功率和无功功率的随机模型符合正态分布，其概率密度函数分别为，

和

其中，σ_P、σ_Q、μ_P、μ_Q是随机变量的数字特征， P_L、Q_L分别是负荷用电的有功功率和无功功率。

机会约束规划模型的目标函数为配电网可接入节点的分布式光伏的准入容量，可以表示为maxF(P_PV)＝e^TP_PV，其中，向量P_PV为控制变量，具体为[P_PV1,P_PV2,…,P_PVm]^T，e^T是与光伏接入节点相对应的单位向量，若节点接入光伏，对应相应的位置为1，否则为0。

在本实施例中，S3中，约束条件包括潮流等式约束和机会函数不等式约束。其中，潮流等式约束为

其中，i表示电网的节点编号，P、Q分别表示有功功率和无功功率，R表示线路电阻，X表示电抗，U表示电压，PV、L分别表示光伏出力和负荷用电。

在本实施例中，机会函数不等式约束包括以电网电压、继电保护、潮流倒送等机会约束形式的不等式约束条件。其可以具体包括电网电压的约束，Pr{U_i,min≤U_i≤U_i,max}≥β_U，其中，Pr为指标合格事件的机会(即，指标合格率)，U_i为节点i的电压，U_i,min为节点i的电压的下限，U_i,max为节点i的电压的上限，β_U为电压的置信水平；继电保护的约束，

其中，P_l为负荷用电的有功功率， l为负荷用电支路，M_Breaker为断路器支路集合，β_l为线路上的有功功率的置信水平；潮流倒送的约束，Pr{P_G-P_PV≥0}≥β_Grid，其中，P_G表示常规机组的有功功率，P_PV为光伏出力的有功功率，β_Grid为配电网的整体有功功率的置信水平；以及约束，0≤P_PV,i≤P_PV,i,max，其中， P_PV,i,max为分布式光伏注入节点i的有功功率的上限。

关于上述不等式约束中，β_U、β_l、β_Grid均是不大于1的非负数，其越接近1则对指标合格率的要求越严格，其等于1时不允许指标越限。另外，继电保护的约束可以避免影响继电保护正常工作，潮流倒送的约束可以避免分布式光伏容量较大时引起的潮流倒送。

通过建立容易求解的机会函数不等式约束，利用光伏出力和负荷用电的概率分布模型，可以更加准确的确定分布式光伏的最大并网准入容量。

下面以一个机会函数不等式约束条件

为例，说明随机模拟法是如何应用于随机系统的。光伏出力服从Beta 分布，负荷用电服从正态分布。

模拟算法如下：

设n＝0；

从f(P_PV)，f(P_L)，f(Q_L)分布函数中随机生成光伏出力与负荷用电的数值；

应用前推回代潮流方法计算断路器支路首段功率P_l，如果P_l≥0, 则n＝n+1；

重复N次。

如果N足够大，

且仅当n/N≥β_l时，上述例举的机会函数不等式约束条件成立则结束计算。

在本实施例中，当分布式光伏电站接入容量不合理时，节点电压可能越限，断路器所在支路功率可能逆向，区域潮流可能向主网倒送，因此，S4中可以为，对产生的样本数据计算潮流等式约束，并检验各机会函数不等式约束的指标合格事件的机会是否满足置信水平，S5为，将不满足的机会函数不等式约束进行惩罚，并以罚函数形式计入目标函数中形成求解最小值的无约束适应度函数。

其中，求解最小值的无约束适应度函数可以为

其中，e^T为与光伏接入节点相对应的单位向量， P_PV为分布式光伏注入节点的有功功率，w_u、w_l、w_p分别为电压越限、断路器支路潮流倒送、向主网倒送功率的惩罚系数，K_u、K_l、K_p分别为电压越限、断路器支路潮流倒送、向主网倒送功率的频率。

本发明提供的计算分布式光伏并网最大准入容量的方法，从配电网规划角度对配电系统中分布式光伏的最大准入容量问题进行建模，建立以分布式光伏准入容量最大化为目标函数，以系统随机潮流为等式约束，以电网电压、继电保护、潮流倒送等机会函数形式为不等式约束条件的分布式光伏并网最大准入容量模型，通过基于随机规划的分布式光伏并网最大准入容量计算方法来进行求解，能够为高密度分布式光伏并网提供参考。

参考图2，S6中，粒子群算法的步骤包括：

对参数进行初始化，并确定迭代终止条件；

其中，对参数进行初始化包括，初始化随机变量的数字特征σ_P(可以取期望的5％)、σ_Q、μ_P、μ_Q和分布式光伏的Beta选用的13:00到14:00 时间段的形状参数α＝1.886、β＝1.141，以及粒子群算法的参数，例如，群体规模m＝100、维度s＝6(配电系统中可接入的分布式光伏的节点数目)、迭代次数t＝50。节点电压的约束可以是0.93到1.07(标幺值)。

计算每个粒子的适应值，并确定全局最好位置；

根据上述分布式光伏接入情况进行潮流等式、节点电压、断路器支路首端功率、主网提供的有功功率的机会约束函数不等式的计算，将结果代入到无约束适应度函数的公式中，求解出对应的适应度值。对每个粒子将其适应值和已经历过的最好位置p_is的适应值进行比较，若较好，则将其作为当前的最好位置，对每个粒子将其适应值和全局经历过的最好位置p_gs的适应值进行比较，若较好，则将其作为当前的全局最好位置。

随机选取权重值，并对粒子的速度和位置进行更新迭代；

随机选取权重值，使得微粒历史速度对当前速度的影响是随机的，如果在进化初期接近最好点，可能产生相对较小的权重值，加快算法的收敛速度，另外，如果在算法初期找不到最好点，权重值的线性递减使得算法最终收敛不到此最好点，而随机生成权重值可以克服这种局限。每迭代一次之后，通过调整随机权重值的大小，再次对粒子的速度和位置进行更新迭代。

其中，随机权重值的选取可以根据公式

其中，N(0,1)表示标准正态分布，rand(0,1)表示0～1之间的随机数。按照上述粒子群的算法，每迭代一次，便生成一个随机权重值。实施例中，μ_min＝0.5，μ_max＝0.8，σ＝0.2。

其中，粒子的速度v和位置x可以根据公式v_is(t+1)＝wv_is(t)+ c₁r_1s(t)[p_is(t)-x_is(t)]+c₂r_2,s(t)[p_gs(t)-x_is(t)]以及公式 x_is(t+1)＝x_is(t)+v_is(t+1)来更新。其中，w是随机权重值，i＝ [1,m]，s＝[1,S]，c₁、c₂均是学习因子，取非负常数，r₁、r₂是相互独立的伪随机数，服从[0,1]的均匀分布。

判断迭代是否完成，若完成，则输出结果，结果包括分布式光伏的接入位置和接入容量，若未完成，则返回上一步。

采用粒子群算法计算，求解方法更加有效。粒子群算法速度更新公式中，随机权重值较大时，前一速度影响较大，全局搜索能力较强；随机权重值较小时，前一速度影响较小，局部搜索能力较强。而利用随机选取的随机权重值，使得微粒历史速度对当前速度的影响是随机的。并且粒子群算法具有群体智能、内在并行性、迭代格式简单以及可快速收敛到最优解所在区域等优点。

本发明采用随机规划和随机选取权重值的粒子群优化算法相结合的方法，能够计入光伏出力与负荷用电的随机波动性，并且从理论上讲是考虑了所有可能的运行方式，而不仅仅是考虑典型运行方式，这是动态仿真和解析法无法做到的。而随机选取权重值的粒子群算法能够较好的兼顾算法的全局与局部搜索能力，可以快速的收敛到最优解。为现有光伏并网准入容量问题提供新的理论方法。

以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (6)

1.一种计算分布式光伏并网最大准入容量的方法，其包括：

S1，获取配电系统的基础数据；

S2，将光伏出力与负荷用电作为随机变量建立概率分布模型；

S3，利用基础数据构建分布式光伏并网最大准入容量的机会约束规划模型，所述机会约束规划模型包括目标函数和约束条件，所述约束条件包含潮流等式约束和机会函数不等式约束，所述潮流等式约束具体为：

其中，i表示电网的节点编号，P、Q分别表示有功功率和无功功率，R表示线路电阻，X表示电抗，U表示电压，PV、L分别表示光伏出力和负荷用电，

所述机会函数不等式约束具体为：

Pr{U_i，min≤U_i≤U_i，max}≥β_U

Pr{P_G-P_PV≥0}≥β_Grid

其中，Pr为指标合格事件的机会，U_i为节点i的电压，U_i，min为节点i的电压的下限，U_i，max为节点i的电压的上限，β_U为电压的置信水平，P_l为负荷用电的有功功率，l为负荷用电支路，M_Breaker为断路器支路集合，β_l为线路上的有功功率的置信水平，P_G表示常规机组的有功功率，P_PV为光伏出力的有功功率，β_Grid为配电网的整体有功功率的置信水平；

S4，通过随机模拟技术对概率分布模型采样产生样本数据，检验其是否满足约束条件，如果满足，执行S6，如果不满足，则执行S5；

S5，将罚函数计入目标函数；

S6，通过粒子群算法对机会约束规划模型进行全局寻优；

其中，S4具体为，对产生的样本数据计算潮流等式约束，并检验各机会函数不等式约束的指标合格事件的机会是否满足置信水平；

S5具体为，将不满足的机会函数不等式约束进行惩罚，并以罚函数形式计入目标函数中形成无约束适应度函数；

所述无约束适应度函数具体为

其中，e^T为与光伏接入节点相对应的单位向量，P_PV为分布式光伏注入节点的有功功率，w_u、w_l、w_p分别为电压越限、断路器支路潮流倒送、向主网倒送功率的惩罚系数，K_u、K_l、K_p分别为电压越限、断路器支路潮流倒送、向主网倒送功率的频率。

2.根据权利要求1所述的计算分布式光伏并网最大准入容量的方法，其特征在于，S2中，光伏出力作为随机变量的概率分布模型为Beta分布模型。

3.根据权利要求2所述的计算分布式光伏并网最大准入容量的方法，其特征在于，S2中，负荷用电作为随机变量的概率分布模型为正态分布模型。

4.根据权利要求1所述的计算分布式光伏并网最大准入容量的方法，其特征在于，S3中，所述目标函数为配电网可接入节点的分布式光伏的准入容量，可表示为maxF(P_PV)＝e^TP_PV，其中，向量P_PV为控制变量，具体为[P_PV1，P_PV2，…，P_PVm]^T，e^T是与光伏接入节点相对应的单位向量，若节点接入光伏，对应相应的位置为1，否则为0。

5.根据权利要求1所述的计算分布式光伏并网最大准入容量的方法，其特征在于，S6中，粒子群算法的步骤包括：

对参数进行初始化并确定迭代终止条件；

计算每个粒子的适应值，并确定全局最好位置；

随机选取权重值，并对粒子的速度和位置进行更新迭代；

判断迭代是否完成，若完成，则输出结果，若未完成，则返回上一步。

6.根据权利要求5所述的计算分布式光伏并网最大准入容量的方法，其特征在于，随机权重值根据标准正态分布和rand函数选取。

Images