CN107067090B - 电网运行远程调度方法 - Google Patents

Abstract

本发明提供了一种电网运行远程调度方法，包括：获取配电网初始参数，设置粒子群的控制参数，令每一个粒子的位置为决策约束向量；利用预定义因数缩小决策变量的可行域，然后计算损耗期望和标准差。本发明提出的电网运行远程调度方法，仅获得风电分布的部分概率参数的情况下，保证线路在各个状态约束不越限，并同时优化配电网线路损耗，实现运行经济性的提升。

Description

电网运行远程调度方法

技术领域

本发明涉及智能配电，特别涉及一种电网运行远程调度方法。

背景技术

随着智能电网技术的日益发展，世界各国投入了大量精力研究节能调度技术和加大新能源接入电网的力度，其目的就是减少常规能源的消耗以及降低温室气体的排放量，这对于节能减排具有重大的现实意义。电力系统优化调度是电力系统分析和控制中的一个非常重要的问题。其主要任务是保证用户用电需求和电力系统安全稳定的条件下，通过安排电源运行方式，使系统的总发电成本最低。然而对于风电这种不稳定性的能源，给电力系统优化调度带来了极大的挑战。虽然基于风电的随机优化技术已经应用于风电电力系统经济调度中，但是这些现有技术主要是模糊和概率建模，存在一定的局限性，从实际效果来看不够理想。

发明内容

为解决上述现有技术所存在的问题，本发明提出了一种电网运行远程调度方法，包括：

获取配电网初始参数，设置粒子群的控制参数，令每一个粒子的位置为决策约束向量；利用预定义因数缩小决策变量的可行域，然后计算损耗期望和标准差。

优选地，所述配电方法的目标设置为以下约束优化问题：

min[F_obj+E(∑τ_idec_i)+τ_α·max(α_PL-σ_Ploss/E(P_loss)，0)+C_w+C_g+C_d]

若h_i＞h_i，min,则dec_i＝h_i-h_i，max

若h_i≤h_i，min,则dec_i＝h_i，min-h_i

h_i为第i个与决策变量约束有关的状态变量，h_i，min和h_i，max分别为h_i的下限和上限；dec_i为与第i个状态约束有关的状态变量的减分项；τ_i为第i个状态变量越限的减分因数，τ_α为损耗降低性约束的减分因数；

风电采购成本

主网采购成本C_g＝T^gP_sw

放弃风电成本

T^w，T^g，T^s分别为风电单价，主网电力单价和风电弃用单价，

P^w,r _i为第i个风电单元出力调度值，P_sw为预先向主网采购的有功功率，Δw_i＝max(P^w _i-P^w,r _i，0)

其中目标函数F_obj为损耗期望E(P_loss)，并设置如下损耗成本缩减约束：σ_Ploss/E(P_loss)≤α_PL

其中，σ_Ploss为损耗分布的标准差，α_PL为成本缩减阈值；

并且，决策变量包括分布式发电组件的有功出力、无功补偿功率、功率因数调整范围；其中，有功出力约束为：

P^DDG _i，min<P^DDG _i<P^DDG _i，max

P^DDG _i是有功出力；P^DDG _i，min和P^DDG _i，max分别是P^DDG _i的下限和上限；

无功补偿量约束为

Q^C _i，min<Q^C _i<Q^C _i，max

Q^C _i是无功补偿量；Q^C _i，min和Q^C _i，max分别是Q^C _i的下限和上限；

功率因数调整范围约束为

∏_i，min<∏_i<∏_i，max

∏_i是平衡节点的电压幅值；∏_i，min和∏_i，max分别是∏_i的下限和上限；

对于潮流约束，采用的潮流方程为：

Pⁱⁿ _i-V_i∑V_j(G_ijcosδ_ij+B_ijsinδ_ij)＝0

Qⁱⁿ _i-V_i∑V_j(G_ijcosδ_ij-B_ijsinδ_ij)＝0

其中，Pⁱⁿ _i和Qⁱⁿ _i分别是母线集合内节点i的有功总输入功率和无功总输入功率，G_ij为节点i和节点j之间的转移电导，B_ij为节点i和节点j之间的转移电纳，V_i和V_j分别为节点i和节点j的电压幅值，δ_ij为节点i和j之间的电压相角差；

风电的出力与风速密切相关，给定风速值v，风电的有功出力P^w _i通过以下函数关系获得：

P^w _i＝0,v<v_ci，或v>v_co

P^w _i＝P^w,r _i(v-v_ci)/(v_r-v_ci)，v_r≥v≥v_ci

P^w _i＝P^w,r _i,v<v_ci，v_co≥v≥v_r

其中，v_ci和v_co分别为风电机组的切入风速和切出风速，v_r是额定风速，P^w,r _i为最大出力。

本发明相比现有技术，具有以下优点：

本发明提出的电网运行远程调度方法，仅获得风电分布的部分概率参数的情况下，保证线路在各个状态约束不越限，并同时优化配电网线路损耗，实现运行经济性的提升。

附图说明

图1是本发明电网运行远程调度方法的流程图。

具体实施方式

下文提供对本发明一个或者多个实施例的详细描述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中的一些或者所有细节也可以根据权利要求书实现本发明。

本发明的配电网调度方法，目的是在仅获得风电分布的部分概率参数的情况下，保证线路在各个状态约束不越限，并同时优化配电网线路损耗，实现运行经济性的提升。与此同时，保证损耗标准差和期望值之间的比值不会过高，因此可以对配网运行经济性的降低性进行有效控制。

本发明模型采用损耗的期望值作为目标函数：

F_obj＝E(P_loss)

设置如下损耗成本缩减约束：

σ_Ploss/E(P_loss)≤α_PL

其中，σ_Ploss为损耗分布的标准差，α_PL为成本缩减阈值。即损耗分布的标准差和期望值的比值不能太高。

本发明的配电网调度方法中，决策变量包括分布式发电组件的有功出力、无功补偿功率、功率因数调整范围。其中，有功出力约束为：

P^DDG _i，min<P^DDG _i<P^DDG _i，max

P^DDG _i是有功出力；P^DDG _i，min和P^DDG _i，max分别是P^DDG _i的下限和上限。

无功补偿量约束为

Q^C _i，min<Q^C _i<Q^C _i，max

Q^C _i是无功补偿量；Q^C _i，min和Q^C _i，max分别是Q^C _i的下限和上限。

功率因数调整范围约束为

∏_i，min<∏_i<∏_i，max

∏_i是平衡节点的电压幅值；∏_i，min和∏_i，max分别是∏_i的下限和上限。

对于潮流约束，采用的潮流方程为随机调度模型的等式约束，具体如下：

Pⁱⁿ _i-V_i∑V_j(G_ijcosδ_ij+B_ijsinδ_ij)＝0

Qⁱⁿ _i-V_i∑V_j(G_ijcosδ_ij-B_ijsinδ_ij)＝0

其中，Pⁱⁿ _i和Qⁱⁿ _i分别是母线集合内节点i的有功总输入功率和无功总输入功率，G_ij为节点i和节点j之间的转移电导，B_ij为节点i和节点j之间的转移电纳，V_i和V_j分别为节点i和节点j的电压幅值，δ_ij为节点i和j之间的电压相角差。

风电的出力与风速密切相关，给定风速值v，风电的有功出力P^w _i通过以下函数关系获得：

P^w _i＝0,v<v_ci，或v>v_co

P^w _i＝P^w,r _i(v-v_ci)/(v_r-v_ci)，v_r≥v≥v_ci

P^w _i＝P^w,r _i,v<v_ci，v_co≥v≥v_r

其中，v_ci和v_co分别为风电机组的切入风速和切出风速，v_r是额定风速，P^w,r _i为最大出力。

本发明的随机调度模型本质上是一个约束优化数学问题。采用绝对值减分函数方法将以上相关公式转化如下的等效模型：

min[F_obj+E(∑τ_idec_i)+τ_α·max(α_PL-σ_Ploss/E(P_loss)，0)+C_w+C_g+C_d]

若h_i＞h_i，min,则dec_i＝h_i-h_i，max

若h_i≤h_i，min,则dec_i＝h_i，min-h_i

h_i为第i个与决策变量约束有关的状态变量，h_i，min和h_i，max分别为h_i的下限和上限；dec_i为与第i个状态约束有关的状态变量的减分项；τ_i为第i个状态变量越限的减分因数，τ_α为损耗降低性约束的减分因数。

风电采购成本

主网采购成本C_g＝T^gP_sw

放弃风电成本

T^w，T^g，T^s分别为风电单价，主网电力单价和风电弃用单价，

P^w,r _i为第i个风电单元出力调度值，P_sw为预先向主网采购的有功功率，

Δw_i＝max(P^w _i-P^w,r _i，0)

对于以上含离散优化变量和连续优化变量的复杂数学优化问题，本发明采用粒子群算法作为优化求解工具。首先利用因数k对决策约束进行加强，具体如下：

h_i，min+(1-k)|h_i，min|≤h_i≤h_i，max-(1-k)|h_i，max|

根据上述描述，本发明将通过粒子群算法联合求解上述配电网随机调度问题，具体算法流程如下：

1.读取配电网数据、分布式电源参数、风速概率参数，确定决策变量及其可行域；设置粒子群的控制参数，令每一个粒子的位置为决策约束向量；

2.在决策变量可行域内随机初始化每一个粒子的位置，并初始化粒子的速度；

3.根据上述利用因数k对决策约束进行加强的公式，缩小决策变量的可行域，然后根据两点估计算法计算E(∑τ_idec_i)，以及损耗的期望值和标准差；

4.如果当前迭代次数超过预设的最大迭代次数，则结束粒子群算法的优化过程，输出E(∑τ_idec_i)；否则，进入步骤5；

5.更新全局最优位置和个体最优位置，然后根据以下公式更新粒子第k次的惯性权值w^k：

w^k＝w_max-(w_max-w_min)×k/k_max；

w_max和w_min分别为w^k的上下限，k_max为关联于最大迭代次数的参数；

6.更新迭代次数标记，然后返回步骤3。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (1)

1.一种电网运行远程调度方法，其特征在于，获取配电网初始参数，设置粒子群的控制参数，令每一个粒子的位置为决策约束向量；利用预定义因数缩小决策变量的可行域，然后计算损耗期望和标准差；

配电方法的目标设置为以下约束优化问题：

min[F_obj+E(∑τ_idec_i)+τ_α·max(α_pL-σ_Ploss/E(P_loss)，0)+C_w+C_g+C_d]

若h_i＞h_i，min，则dec_i＝h_i-h_i，max

若h_i≤h_i，min，则dec_i＝h_i，min-h_i

h_i为第i个与决策变量约束有关的状态变量，h_i，min和h_i，max分别为h_i的下限和上限；dec_i为与第i个状态约束有关的状态变量的减分项；τ_i为第i个状态变量越限的减分因数，τ_α为损耗降低性约束的减分因数；

风电采购成本

主网采购成本C_g＝T^gP_sw

放弃风电成本

T^w，T^g，T^s分别为风电单价，主网电力单价和风电弃用单价，

为第i个风电单元出力调度值，P_sw为预先向主网采购的有功功率，

其中目标函数F_obj为损耗期望E(P_loss)，并设置如下损耗成本缩减约束：

σP_loss/E(P_loss)≤α_PL

其中，σP_loss为损耗分布的标准差，α_PL为成本缩减阈值；

并且，决策变量包括分布式发电组件的有功出力、无功补偿功率、功率因数调整范围；其中，有功出力约束为：

P^DDG _i，min＜P^DDG _i＜P^DDG _i，max

P^DDG _i是有功出力；P^DDG _i，min和P^DDG _i，max分别是P^DDG _i的下限和上限；

无功补偿量约束为

Q^C _i，min＜Q^C _i＜Q^C _i，max

Q^C _i是无功补偿量；Q^C _i，min和Q^C _i，max分别是Q^C _i的下限和上限；

功率因数调整范围约束为

Π_i，min＜Π_i＜Π_i，max

Π_i是平衡节点的电压幅值；Π_i，min和Π_i，max分别是Π_i的下限和上限；

对于潮流约束，采用的潮流方程为：

Pⁱⁿ _i-V_i∑V_j(G_ijcosδ_ij+B_ijsinδ_ij)＝0

Qⁱⁿ _i-V_i∑V_j(G_ijcosδ_ij-B_ijsinδ_ij)＝0

其中，Pⁱⁿ _i和Qⁱⁿ _i分别是母线集合内节点i的有功总输入功率和无功总输入功率，G_ij为节点i和节点j之间的转移电导，B_ij为节点i和节点j之间的转移电纳，V_i和V_j分别为节点i和节点j的电压幅值，δ_ij为节点i和j之间的电压相角差，其中潮流方程为随机调度模型的等式约束，该随机调度模型是一个约束优化数学问题；

风电的出力与风速密切相关，给定风速值v，风电的有功出力P^w _i通过以下函数关系获得：

P^w _i＝0，v＜v_ci，或v＞v_co

其中，v_ci和v_co分别为风电机组的切入风速和切出风速，v_r是额定风速，P_i ^w，r为最大出力；

对于含离散优化变量和连续优化变量的复杂数学优化问题，采用粒子群算法作为优化求解工具，利用因数k对决策约束进行加强：

h_i，min+(1-k)|h_i，min|≤h_i≤h_i，max-(1-k)|h_i，max|

还包括：通过粒子群算法联合求解上述配电网随机调度问题，具体算法流程如下：

S1，读取配电网数据、分布式电源参数、风速概率参数，确定决策变量及其可行域；设置粒子群的控制参数，令每一个粒子的位置为决策约束向量；

S2,在决策变量可行域内随机初始化每一个粒子的位置，并初始化粒子的速度；

S3,根据上述利用因数k对决策约束进行加强的公式，缩小决策变量的可行域，然后根据两点估计算法计算E(∑τ_idec_i)，以及损耗的期望值和标准差；

S4,如果当前迭代次数超过预设的最大迭代次数，则结束粒子群算法的优化过程，输出E(∑τ_idec_i),否则，进入步骤5；

S5,更新全局最优位置和个体最优位置，然后根据以下公式更新粒子第k次的惯性权值w^k：

其中，w^k＝w_max-(w_max-w_min)×k/k_max；

w_max和w_min分别为w^k的上下限，k_max为关联于最大迭代次数的参数；

S6,更新迭代次数标记，然后返回S3。

Images