CN107147152B - 新能源配电网多类型有功无功源协同优化配置方法及系统 - Google Patents

Abstract

本发明公开了新能源配电网多类型有功无功源协同优化配置方法，通过拟合EV充放电对配电网的影响，考虑因季节变化导致的风速、光照和负荷的变化，考虑风速、光照和负荷变化的相关性，使得优化配置方案与实际更为贴切并建立嵌入机会约束规划的二层优化配置模型，兼顾了系统优化配置的安全性和经济性；最终采用两层嵌套的自适应人工鱼群算法通过当前人工鱼所在位置的食物浓度来自适应调整同代不同人工鱼的视野范围和移动步长，克服视野范围和移动步长采用固定值引起的后期收敛慢和收敛精度差的缺陷，使得优化配置方案更具参考性；本发明还公开了新能源配电网多类型有功无功源协同优化配置系统，具有上述有益效果。

Description

新能源配电网多类型有功无功源协同优化配置方法及系统

技术领域

本发明涉及电气技术领域，特别涉及一种新能源配电网多类型有功无功源协同优化配置方法及系统。

背景技术

分布式电源(distributed generation，DG)以其环保节能、降低网损、提高供电可靠性等优点越来越受到人们的重视。一方面，DG可以缓解目前经济发展严重依赖化石燃料的弊病，在一定程度上减轻化石燃料枯竭给经济发展带来的威胁；另一方面，DG可以减少由化石燃料燃烧释放的温室气体及硫化物、氮氧化物等污染气体。

以光伏发电和风力发电为代表的间歇性分布式电源受自然条件和气候的影响较大，其输出功率具有随机性和间歇性，其接入配电网的位置和容量对线路潮流、节点电压、供电可靠性和安全性等有重大的影响。在配电网配置储能装置，一方面可以平抑间歇性DG输出功率的随机波动对配电网的影响，提高新能源的利用率，另一方面可以在负荷低谷时对储能装置进行充电，负荷高峰时储能装置对配电网放电，从而减小负荷波动，起到削峰填谷的作用。在配电网中配置无功补偿装置可以有效的改善由间歇性DG出力随机性带来的电压波动问题。电动汽车(Electric Vehicles，EV)与传统燃油汽车相比，其在减少汽车尾气排放、减少对化石燃料的依赖度方面具备不可替代的优势。近年来，电动汽车V2G(Vehicleto Grid)技术受到了广泛关注和研究，通过该技术可实现电网和电动汽车用户的互动双赢，还可以配合风电和光伏等新能源发电的并网，提高了可再生能源利用率。而电动汽车大规模接入配电网后，其充放电会对配电网的运行带来巨大影响。因此，如何综合考虑DG出力的不确定性、EV充放电对配电网运行的影响，对DG、储能装置和无功补偿装置进行协同优化配置具有重要意义。

发明内容

本发明的目的是提供一种新能源配电网多类型有功无功源协同优化配置方法及系统，能够使新能源配电网多类型有功无功源最优配置方案考虑电动汽车对配电网的影响，考虑因季节变化导致的风速、光照和负荷的变化，考虑风速、光照和负荷变化的相关性，使优化配置方案更加贴合实际。

为解决上述技术问题，本发明提供一种新能源配电网多类型有功无功源协同优化配置方法，所述方法包括：

根据输入的风速数据计算得到各典型日的风速Weibull分布参数、输入的光照强度数据计算得到各典型日各时段的光照Beta分布参数以及输入的负荷数据计算得到候选接入节点间的风速、光照相关系数矩阵、各典型日各时段的负荷均值和方差、负荷节点间的相关系数矩阵；

根据输入的EV的数量参数和充电参数，拟合得到考虑EV充放电影响的负荷特性模型；

根据所述负荷特性模型，构建二层优化配置模型的下层规划目标函数及下层规划约束条件，以及上层规划目标函数及上层规划约束条件；

根据所述风速Weibull分布参数、所述光照Beta分布参数以及各相关系数矩阵，利用两层嵌套的自适应人工鱼群算法求解所述二层优化配置模型，获得新能源配电网多类型有功无功源最优配置方案。

可选的，根据输入的风速数据计算得到各典型日的风速Weibull分布参数、输入的光照强度数据计算得到各典型日各时段的光照Beta分布参数以及输入的负荷数据计算得到候选接入节点间的风速、光照相关系数矩阵、各典型日各时段的负荷均值和方差、负荷节点间的相关系数矩阵，包括：

获取输入的目标规划配电网区域的预定年限的风速实测数据、光照强度实测数据和负荷实测数据；

根据所述风速实测数据拟合得到各典型日的风速Weibull分布的尺度参数以及形状参数和候选风电接入节点间的风速相关系数矩阵；

根据光照强度实测数据拟合得到各典型日各时段的光照Beta分布的形状参数和候选光伏接入节点间的光照强度相关系数矩阵；

根据负荷实测数据计算得到候选接入节点间的风速、光照相关系数矩阵、各典型日各时段的负荷均值和方差、负荷节点间的相关系数矩阵。

可选的，根据输入的EV的数量参数和充电参数，拟合得到考虑EV充放电影响的负荷特性模型，包括：

获取输入的所述目标规划配电网区域的EV的数量参数；其中，所述EV的数量参数包括EV总数量以及可参与调度的EV数量；

获取EV智能充电装置返回的充电参数；其中，所述充电参数包括EV起始充电时间以及荷电状态SOC _EV0数据；

利用所述数量参数和所述充电参数拟合得到考虑EV充放电影响的负荷特性模型P′_D(t)；其中，P′_D(t)＝P_D(t)+P_EVc(t)-P_EVd(t)；

其中，P_D(t)为基本负荷，P_EVc(t)为t时刻电动汽车的充电功率，P_EVd(t)为t时刻电动汽车的放电功率。

可选的，所述下层规划目标函数具体C₂为：C₂＝C_V+C_loss；其中，

其中，C_V为电压质量改善年收益；N_bus为系统节点数；λ为将电压质量改善期望指标值与经济效益间的转换系数；T_max为系统年最大负荷利用小时数；和V_Rk分别为优化前后典型日第j时段节点k电压期望值和节点k电压额定值；C_loss为降损年收益；p_e为网损电价；和为优化前后第i典型日j时段的网损期望值。

可选的，所述下层规划目标函数具体C₁为：C₁＝C_sal+C_gas+C₂-C_in；其中，

其中，C_in为设备投资和运行维护年费用；C_sal为年售电收益；C_gas为污染物减排年收益；N_G为有功无功源类型数，其中包括光伏电池、风机、储能蓄电池、电容器和SVC；C_i为第i种有功无功源的单位容量投资成本；S_i为第i种有功无功源的安装容量；n_i为第i种有功无功源设备的使用寿命；r为贴现率；C_OMi第i种有功无功源的单位容量年运行维护费用；p_cwj为j时段风电售电电价；p_cpvj为j时段光伏售电电价；E_ij(P_W)为第i典型日j时段风力发电机组发电功率期望值；E_ij(P_PV)为第i典型日j时段光伏发电系统发电功率期望值；N_pt为排放污染物种类数，C_ek和C_pk分别为第k种污染物的单位环境价值和惩罚费用；δ_k为燃煤发电机组单位电量产生第k种污染物值。F(r,n_i)为资金等年值系数。

可选的，利用两层嵌套的自适应人工鱼群算法求解所述二层优化配置模型，获得新能源配电网多类型有功无功源最优配置方案，包括：

获取输入的配电网潮流计算基本数据，设置所述风速Weibull分布参数、所述光照Beta分布参数以及各相关系数矩阵对应的参数数值；上层和下层自适应人工鱼群算法基本参数；可处理输入随机变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法基本参数；

初始化上层鱼群，利用随机数发生器生成预定条人工鱼，形成初始优化配置方案对应的初始鱼群；

根据上层优化配置方案生成下层人工鱼初始鱼群，利用所述可处理输入变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法计算节点电压、线路传输容量及所述下层规划目标函数进行置信水平校验，并根据计算得到的电压和网损期望值计算下层初始鱼群各人工鱼当前位置的食物浓度值，将最大值记入公告板，保存其位置及食物浓度值；

下层鱼群中各人工鱼分别模拟执行觅食、聚群、追尾行为，并自适应调整视野范围和移动步长；

判断下层是否达到最大迭代次数，若达到最大迭代次数，则将下层优化目标值返回到上层规划目标函数中，进行外层人工鱼寻优过程，上层和下层人工鱼反复迭代，直至达到外层最大迭代次数，输出新能源配电网多类型有功无功源最优配置方案。

可选的，自适应调整视野范围和移动步长，包括：

利用公式自适应调整视野范围Visual；

利用公式自适应调整移动步长Step；

其中，V_vmax和V_vmin为人工鱼视野最大值和最小值；S_tmax和S_tmin为人工鱼移动步长最大值和最小值；f_i为人工鱼X_i当前位置的食物浓度；f_av为当前食物浓度均值；f_max为当前食物浓度最大值。

可选的，可处理输入随机变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法具体计算过程，包括：

根据输入的配电系统参数，确定输入变量对应的概率分布参数及其相关系数矩阵C_X；

根据所述输入变量的均值、方差和概率分布类型对所述C_X进行修正，得到修正后的相关系数矩阵C_Z，并对所述C_Z进行Cholesky分解C_Z＝BB^T，得到下三角矩阵B；

对n个相互独立的标准正态分布的随机变量进行N次抽样，得到样本矩阵W_n×N；

令Z＝BW_n×N，求得Z的顺序矩阵L_Z；

对输入的随机变量进行拉丁超立方采样形成初始样本矩阵S'_n×N，并根据所述L_Z对所述S'_n×N每行元素进行重新排列，进而得到最终样本S_n×N＝[S₁ S₂...S_N]，S_i＝[s_i1s_i2...s_in]^T；

将所述最终样本进行N次潮流计算，得到输出变量的数字特征和概率分布。

本发明还提供一种新能源配电网多类型有功无功源协同优化配置系统，包括：

第一计算模块，用于根据输入的风速数据计算得到各典型日的风速Weibull分布参数、输入的光照强度数据计算得到各典型日各时段的光照Beta分布参数以及输入的负荷数据计算得到候选接入节点间的风速、光照相关系数矩阵、各典型日各时段的负荷均值和方差、负荷节点间的相关系数矩阵；

第二计算模块，用于根据输入的EV的数量参数和充电参数，拟合得到考虑EV充放电影响的负荷特性模型；

二层优化配置模型构建模块，用于根据所述负荷特性模型，构建二层优化配置模型的下层规划目标函数及下层规划约束条件，以及上层规划目标函数及上层规划约束条件；

最优配置方案输出模块，用于根据所述风速Weibull分布参数、所述光照Beta分布参数以及各相关系数矩阵，利用两层嵌套的自适应人工鱼群算法求解所述二层优化配置模型，获得新能源配电网多类型有功无功源最优配置方案。

本发明所提供的一种新能源配电网多类型有功无功源协同优化配置方法，通过拟合建立考虑EV充放电影响的负荷特性模型，考虑了EV对配电网的影响，考虑因季节变化导致的风速、光照和负荷的变化，在一年中四个季节中选取四个典型日用来表征其他规划日的规划效益，与实际更为贴切；并建立嵌入机会约束规划的二层优化配置模型，同时优化配置风力发电机组、光伏发电系统、储能蓄电池、电容器和SVC，兼顾了系统优化配置的安全性和经济性；最终采用两层嵌套的自适应人工鱼群算法通过当前人工鱼所在位置的食物浓度来自适应调整同代不同人工鱼的视野范围和移动步长，克服视野范围和移动步长采用固定值引起的后期收敛慢和收敛精度差的缺陷，使得优化配置方案更具参考性；本发明还提供了新能源配电网多类型有功无功源协同优化配置系统，具有上述有益效果，在此不再赘述。

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为本发明实施例所提供的新能源配电网多类型有功无功源协同优化配置方法的流程图；

图2为本发明实施例所提供的新能源配电网多类型有功无功源协同优化配置系统的结构框图。

具体实施方式

本发明的核心是提供一种新能源配电网多类型有功无功源协同优化配置方法及系统，能够使新能源配电网多类型有功无功源最优配置方案考虑电动汽车充放电对配电网的影响，考虑因季节变化导致的风速、光照和负荷的变化，在一年中四个季节中选取四个典型日用来表征其他规划日的规划效益，考虑风速、光照和负荷变化的相关性，使得优化配置方案与实际更为贴合实际。

为使本发明实施例的目的、技术方案和优点更加清楚，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。

目前，国内外对DG、储能装置和无功补偿装置的优化配置研究主要集中在以下方面：1、只优化配置分布式电源。2、分布式电源和无功补偿装置综合优化配置。3、含分布式电源配电网的储能装置优化配置。

在含间歇性DG的配电网中，由于间歇性DG出力不确定性和间歇性，导致节点电压波动频繁，配置无功补偿装置能有效地抑制节点电压波动，改善电压质量。传统无功规划中电容器只能分组投切，不能实现对无功功率的连续调节，频繁投切电容器严重影响其使用寿命。因此，只配置电容器已不能适应含间歇性DG配电网的无功规划要求。静止无功补偿器(SVC)与电容器相比，具有快速的动态无功补偿能力，非常适合含间歇性DG的配电网无功补偿需求。

目前对DG、储能装置和无功补偿装置的优化配置研究存在以下不足：1、未考虑同一区域内风速、光照和负荷变化具有一定相关性及受季节变化的影响。2、未将DG的无功出力作为无功优化手段，未将SVC作为优化配置对象。3、未充分考虑电动汽车充放电对配电网的影响，未建立DG、储能装置和无功补偿装置协同优化配置模型。因此其优化配置方案未能兼顾系统优化配置的安全性和经济性。

因此，本发明针对上述不足，提出以下改进点：

第一：本发明考虑了电动汽车充放电对配电网的影响，建立考虑电动汽车充放电的负荷特性模型，与实际更为贴切。

第二：本发明考虑在同一配电区域内风速、光照和负荷具有一定的相关性且受季节变化的影响，将DG无功输出能力作为无功优化手段，并将SVC作为优化配置对象。具体的，可以采用可处理输入随机变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法计算配电网潮流，更符合实际情况。

第三：本发明建立嵌入机会约束规划的二层优化配置模型(即二层规划有功无功源协同优化配置模型)，同时优化配置风力发电机组、光伏发电系统、储能蓄电池、电容器和SVC，兼顾了系统优化配置的安全性和经济性。

具体请参考图1，图1为本发明实施例所提供的新能源配电网多类型有功无功源协同优化配置方法的流程图；该方法可以包括：

S100、根据输入的风速数据计算得到各典型日的风速Weibull分布参数、输入的光照强度数据计算得到各典型日各时段的光照Beta分布参数以及输入的负荷数据计算得到候选接入节点间的风速、光照相关系数矩阵、各典型日各时段的负荷均值和方差、负荷节点间的相关系数矩阵。

其中，本实施例中并不限定风速数据、光照强度数据以及负荷数据的数据来源进行限定。一般为了更加贴合实际情况，可以从气象部门或者电力调度部门等获取实测数据。

具体的，获取输入的目标规划配电网区域的预定年限的风速实测数据、光照强度实测数据和负荷实测数据；根据风速实测数据拟合得到各典型日风速Weibull分布的尺度参数以及形状参数和候选风电接入节点间的风速相关系数矩阵；根据光照强度实测数据拟合得到各典型日各时段光照Beta分布的形状参数和候选光伏接入节点间的光照强度相关系数矩阵；根据负荷实测数据得到负荷各时段均值以及方差和负荷节点间的负荷波动相关系数矩阵。

且本实施例中并不限定预定年限的具体数值，例如可以是最近5年等。其中目标规划配电网区域(简称为配电网区域)则根据用户实际优化配置需求进行确定。

例如，该步骤具体过程可以是：由当地气象部门和电力调度部门获取该目标规划配电网区域的近五年的风速实测数据、光照强度实测数据和负荷实测数据，根据风速实测数据拟合得到各典型日两参数风速Weibull分布的尺度参数c、形状参数k和候选风电接入节点间的风速相关系数矩阵C_W。根据光照强度实测数据拟合得到各典型日各时段光照Beta分布的形状参数α、β和候选光伏接入节点间的光照强度相关系数矩阵C_PV。根据负荷实测数据得到负荷各时段均值和方差及负荷节点的负荷波动相关系数矩阵C_D。

S110、根据输入的EV的数量参数和充电参数，拟合得到具有EV充放电影响的负荷特性模型。

其中，本实施例中的负荷特性模型是考虑了电动汽车充放电影响的负荷特性模型。本实施例中并不限定EV的数量参数和充电参数的来源，例如可以从当地交通管理部门获取。本实施例也不限定EV的数量参数和充电参数的具体内容，可以根据实际模型的构建需求进行获取。

具体的，根据输入的EV的数量参数和充电参数，拟合得到考虑EV充放电影响的负荷特性模型可以包括：

获取输入的目标规划配电网区域的EV的数量参数；其中，EV的数量参数包括EV总数量以及可参与调度的EV数量；

获取EV智能充电装置返回的充电参数；其中，充电参数包括EV起始充电时间以及荷电状态SOC_EV0数据；

利用所述数量参数和所述充电参数拟合得到具有EV充放电影响的负荷特性模型P′_D(t)；其中，P′_D(t)＝P_D(t)+P_EVc(t)-P_EVd(t)。

具体的，从当地交通管理部门获取该目标规划配电网区域的电动汽车的数量N_EV及可参与调度的电动汽车数量N_V2GEV。根据电动汽车智能充电装置返回的电动汽车用户起始充电时间t_e(设电动汽车用户结束行程后立即充电直至电量充满)和起始充电时电动汽车的荷电状态SOC_EV0数据，根据得到的数据拟合得到t_e服从Weibull分布的形状参数k_t和尺度参数c_t：

根据得到的数据拟合得到SOC_EV0服从对数正态分布的期望值μ_soc0和方差σ_soc0：

t时刻该配电区域内电动汽车充电功率可表示为：

其中，P_EVc(t)为t时刻电动汽车的充电功率；N_EV(t)为t时刻实际接入电网的电动汽车数量；N_V2GEV(t)为t时刻实际接入电网的参与调度的电动汽车数量；SOC _EVmin和SOC_EVmax分别为电动汽车荷电状态下限和上限。

t时刻该配电区域内参与调度的电动汽车放电功率可表示为：

其中，P_EVd(t)为t时刻电动汽车的放电功率。

综上，t时刻该配电区域考虑电动汽车充放电影响后的负荷P′_D(t)可表示为：

P′_D(t)＝P_D(t)+P_EVc(t)-P_EVd(t)

其中，P_D(t)为基本负荷。

S120、根据所述负荷特性模型，构建二层优化配置模型的下层规划目标函数及下层规划约束条件，以及上层规划目标函数及上层规划约束条件。

具体的，该步骤主要是为了构建优化配置模型(即二层优化配置模型，也即二层规划的多类型有功无功源协同优化配置模型)下层规划目标函数及其约束条件，下层规划根据上层规划的决策方案模拟配电网各时段动态优化各有功无源出力值，为了与上层规划在时间尺度上一致，同时又考虑间歇性DG出力和负荷功率期望值受季节变化的影响。可以在一年4个季节中各选取预定个(例如1个)典型日，采用典型日各时段的储能装置充放电功率、无功补偿装置和DG无功输出的优化控制效益表征其余规划日相应时段内的优化效益。假设典型日各小时内负荷以及DG输出功率的期望值保持不变。依据典型日DG输出功率和负荷功率期望值，通过优化储能装置充放电、电容器、SVC和DG可调无功输出能力在各时段内的投运容量，达到配电系统降损效益和电压改善效益最优。因此下层规划目标函数C₂＝C_V+C_loss为：

其中，C_V为电压质量改善年收益；N_bus为系统节点数；λ为将电压质量改善期望指标值与经济效益间的转换系数；T_max为系统年最大负荷利用小时数；和V_Rk分别为优化前后典型日第j时段节点k电压期望值和节点k电压额定值；C_loss为降损年收益；p_e为网损电价；和为优化前后第i典型日j时段的网损期望值。

下层规划约束条件即下层规划模型的约束条件可以包括：

(1)机会约束：

为了避免规划方案受小概率事件的影响，在本发明优化配置中引入考虑不确定因素的机会约束规划，允许节点电压和支路传输容量在一定置信水平内有少数的越限情况发生。同时，为使优化结果满足节点电压和支路传输容量的不等式机会约束规划，在目标函数中引入惩罚项并转化为机会约束的形式。因此，本发明对节点电压、支路传输容量和目标函数采用如下机会约束：

Pr{V_imin≤V_i≤V_imax}≥a

Pr{S_j≤S_jmax}≥b

其中，Pr{·}表示事件{·}成立的置信水平；V_i为节点i的电压标幺值，V_imin和V_imax为节点i的电压幅值下限和上限；S_j为支路j的传输容量；S_jmax为支路j的最大传输容量；N_line为支路数；a、b和c分别为节点电压、支路传输容量和下层规划目标函数的置信水平；ε₁和ε₂为惩罚系数；为目标函数C₂在置信水平为c时所能取的最大值。其中，ΔV_i和ΔS_j可表示为：

(2)不等式约束

0≤P_DGi≤P_DGimax

Q_DGimin≤Q_DGi≤Q_DGimax

-P_bDmax(t)≤P_bat(t)≤P_bCmax(t)

SOC_{bat min}≤SOC_bat≤SOC_{bat max}

SOC_EVmin≤SOC_EV≤SOC_EVmax

P_EVd≤P_dmax

P_EVc≤P_cmax

0≤N_Ci≤N_Cimax

Q_SVCimin≤Q_SVCi≤Q_SVCimax

其中，P_DGi和P_DGimax分别为节点i接入DG的有功出力和最大出力值；Q_DGimin和Q_DGimax为DG无功出力下限值和上限值；P_bat(t)为t时段蓄电池充放电功率(充电时取正)；P_bCmax(t)和P_bDmax(t)为t时段蓄电池最大允许充电和放电功率；SOC_bat为蓄电池荷电状态，SOC_batmin和SOC_batmax分别为蓄电池荷电状态的下限和上限；SOC_EVmin和SOC_EVmax分别为电动汽车动力电池荷电状态的下限和上限；P_dmax和P_cmax为电动汽车最大放电和充电功率；N_Ci和N_Cimax分别为节点i投入的电容器组数和允许投切组数的最大值；Q_SVCi、Q_SVCimin和Q_SVCimax分别为节点i安装的SVC输出的无功功率、SVC输出无功功率的下限和上限值。

(3)等式约束

潮流方程作为等约束条件：

其中，P_i和Q_i分别为节点i注入的有功与无功功率；G_ij和B_ij为节点i和节点j间支路的电导和电纳；θ_ij为节点i和节点j的电压相角差；N_bus为系统的节点数。

构建优化配置模型上层规划目标函数及其约束条件，在本发明的二层规划中，上层规划目标函数为有功无功源年运行收益，其中包括下层运行优化效益；优化变量为有功无功源的安装位置和容量。上层规划目标函数为C₁＝C_sal+C_gas+C₂-C_in：

其中，C_in为设备投资和运行维护年费用；C_sal为年售电收益；C_gas为污染物减排年收益；N_G为本发明有功无功源类型数，其中包括光伏电池、风机、储能蓄电池、电容器和SVC；C_i为第i种有功无功源的单位容量投资成本；S_i为第i种有功无功源的安装容量；n_i为第i种有功无功源设备的使用寿命；r为贴现率；C_OMi第i种有功无功源的单位容量年运行维护费用；p_cwj为j时段风电售电电价；p_cpvj为j时段光伏售电电价；E_ij(P_W)为第i典型日j时段风力发电机组发电功率期望值；E_ij(P_PV)为第i典型日j时段光伏发电系统发电功率期望值。N_pt为排放污染物种类数，其中包括CO、CO₂、SO₂、NO_x和灰尘；C_ek和C_pk分别为第k种污染物的单位环境价值和惩罚费用；δ_k为燃煤发电机组单位电量产生第k种污染物值。F(r,n_i)为资金等年值系数，其表达式为：

上层规划约束条件即上层规划模型的约束条件包括：

由于生产光伏电池板、风力发电机及无功补偿装置一般都是采用模块化的设计和封装，因此每个有功无功设备单元的容量值是离散的。因此，有如下不等式约束：

0≤N_batiS_batN≤S_batmax

0≤N_CiQ_CN≤Q_Cmax

0≤N_SVCiQ_SVCN≤Q_SVCmax

其中，N_PVi和N_Wi为节点i接入的光伏和风机数量；P_PVN和P_WN分别为光伏电池和风电机组单位额定功率；P_Dmaxi为节点i最大有功负荷值；η_max为配电网允许的最大DG渗透率；N_bati、N_Ci和N_SVCi分别为节点i待安装储能蓄电池、电容器和SVC的数量；S_batN、Q_CN和Q_SVCN分别为储能蓄电池、电容器和SVC单位额定容量；S_batmax、Q_Cmax和Q_SVCmax分别为储能蓄电池、电容器和SVC最大允许接入容量。

S130、根据所述风速Weibull分布参数、所述光照Beta分布参数以及各相关系数矩阵，利用两层嵌套的自适应人工鱼群算法求解所述二层优化配置模型，获得新能源配电网多类型有功无功源最优配置方案。

具体的，采用两层嵌套的自适应人工鱼群算法求解基于二层规划的多类型有功无功源协同优化配置模型，上层自适应人工鱼群算法对有功无功源的位置和容量进行优化，对应上层规划目标函数。下层自适应人工鱼群算法优化根据上层规划的有功无功源配置方案，对各典型日内DG、储能蓄电池和无功补偿装置输出的功率进行优化控制，得到下层目标函数值，再将下层目标函数值反馈到上层，从而确定有功无功源最优配置方案。具体步骤如下：

获取输入的配电网潮流计算基本数据，设置风速Weibull分布参数、光照Beta分布参数以及相关系数矩阵对应的参数数值；上层和下层自适应人工鱼群算法基本参数；可处理输入随机变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法基本参数。

具体的，输入配电网潮流计算基本数据，设置风速、光照和负荷概率分布参数、上层和下层自适应人工鱼群算法基本参数、可处理输入随机变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法基本参数。

初始化上层鱼群，利用随机数发生器生成预定条人工鱼，形成初始鱼群(即初始优化配置方案)。

具体的，初始化上层鱼群，当前迭代次数Gen＝0，利用随机数发生器在优化变量范围内随机生成N_fish条人工鱼，形成初始鱼群。其中，外层人工鱼的优化变量取值序列可以为X＝[X_PV|X_W|X_bat|X_C|X_SVC]，分别代表5种有功无功源的安装位置和容量。

根据上层优化配置方案生成下层人工鱼初始鱼群，利用可处理输入随机变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法计算节点电压、线路传输容量及下层规划目标函数进行置信水平校验，并根据计算得到的电压和网损期望值计算下层初始鱼群各人工鱼当前位置的食物浓度值，将最大值记入公告板，保存其位置及食物浓度值。

具体的，根据上层优化配置方案生成下层人工鱼初始鱼群，下层人工鱼的优化控制变量在上层有功无功源优化配置方案范围内的取值序列对应为Y＝[Q_PV|Q_W|P_bat|Q_C|Q_SVC]，分别代表5种有功无功源在各典型日各时段的优化出力值。采用可处理输入随机变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法计算对节点电压、线路传输容量及下层目标函数进行置信水平校验，并根据概率潮流计算得到的电压和网损期望值计算下层初始鱼群各人工鱼当前位置的食物浓度值，将最大值记入公告板，保存其位置及食物浓度值。

下层鱼群中各人工鱼分别模拟执行觅食、聚群、追尾行为，并自适应调整视野范围和移动步长。

具体的，下层各人工鱼分别模拟执行觅食、聚群、追尾行为，并根据下式自适应调整视野范围Visual和移动步长Step：

其中，V_vmax和V_vmin为人工鱼视野最大值和最小值；S_tmax和S_tmin为人工鱼移动步长最大值和最小值；f_i为人工鱼X_i当前位置的食物浓度；f_av为当前食物浓度均值；f_max为当前食物浓度最大值。

判断下层是否达到最大迭代次数，若达到最大迭代次数，则将下层优化目标值返回到上层规划目标函数中，进行上层人工鱼寻优过程，上层和下层鱼群相互迭代，直至达到外层最大迭代次数，输出新能源配电网多类型有功无功源最优配置方案。

具体的，判断下层人工鱼是否达到最大迭代次数，若达到最大迭代次数，则将下层优化目标函数值返回到外层目标函数值中，进行上层人工鱼寻优过程，重复上述步骤上层和下层鱼群相互迭代，直至达到上层最大迭代次数，输出最优配置方案。

其中，可处理输入随机变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法具体计算过程可以包括：

根据输入的配电系统参数，确定n个输入变量X(例如风速、光照和负荷等)对应的概率分布参数及其相关系数矩阵C_X。

根据输入变量的均值、方差和概率分布类型对C_X进行修正，得到修正后的相关系数矩阵C_Z，并对C_Z进行Cholesky分解C_Z＝BB^T，得到下三角矩阵B。

对n个相互独立的标准正态分布的随机变量进行N次抽样，得到样本矩阵W_n×N。

令Z＝BW_n×N，求得Z的顺序矩阵L_Z。

对输入的随机变量进行拉丁超立方采样形成初始样本矩阵S'_n×N(包括各时段风机和光伏出力样本、负荷样本)，并根据L_Z对S'_n×N每行元素进行重新排列，进而得到最终样本S_n×N＝[S₁ S₂...S_N]，S_i＝[s_i1 s_i2...s_in]^T。

将最终样本进行N次潮流计算，得到输出变量(电压和网损等)的数字特征和概率分布。

基于上述技术方案，本发明实施例所提供的一种新能源配电网多类型有功无功源协同优化配置方法，考虑了电动汽车充放电对配电网的影响，建立考虑电动汽车充放电的负荷特性模型，与实际更为贴切。考虑在同一配电区域内风速、光照和负荷具有一定的相关性且受季节变化的影响，将DG无功输出能力作为无功优化手段，并将SVC作为优化配置对象。采用可处理输入随机变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法计算配电网潮流，更符合实际情况。建立嵌入机会约束规划的二层规划多类型有功无功源协同优化配置模型，同时优化配置风力发电机组、光伏发电系统、储能蓄电池、电容器和SVC，兼顾了系统优化配置的安全性和经济性。采用两层嵌套的自适应人工鱼群算法通过当前人工鱼所在位置的食物浓度来自适应调整同代不同人工鱼的视野范围和移动步长，克服视野范围和移动步长采用固定值引起的后期收敛慢和收敛精度差的缺陷，使得优化配置方案更具参考性。

下面对本发明实施例提供的新能源配电网多类型有功无功源协同优化配置系统进行介绍，下文描述的新能源配电网多类型有功无功源协同优化配置系统与上文描述的新能源配电网多类型有功无功源协同优化配置方法可相互对应参照。

请参考图2，图2为本发明实施例所提供的新能源配电网多类型有功无功源协同优化配置系统的结构框图；该系统可以包括：

第一计算模块100，用于根据输入的风速数据计算得到各典型日的风速Weibull分布参数、输入的光照强度数据计算得到各典型日各时段的光照Beta分布参数以及输入的负荷数据计算得到候选接入节点间的风速、光照相关系数矩阵、各典型日各时段的负荷均值和方差、负荷节点间的相关系数矩阵；

第二计算模块200，用于根据输入的EV的数量参数和充电参数，拟合得到考虑EV充放电影响的负荷特性模型；

二层优化配置模型构建模块300，用于根据所述负荷特性模型，构建二层优化配置模型的下层规划目标函数及下层规划约束条件，以及上层规划目标函数及上层规划约束条件；

最优配置方案输出模块400，用于根据所述风速Weibull分布参数、所述光照Beta分布参数以及各相关系数矩阵，利用两层嵌套的自适应人工鱼群算法求解所述二层优化配置模型，获得新能源配电网多类型有功无功源最优配置方案。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种新能源配电网多类型有功无功源协同优化配置方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (5)

1.一种新能源配电网多类型有功无功源协同优化配置方法，其特征在于，所述方法包括：

根据输入的风速数据计算得到各典型日的风速Weibull分布参数、输入的光照强度数据计算得到各典型日各时段的光照Beta分布参数以及输入的负荷数据计算得到候选接入节点间的风速、光照相关系数矩阵、各典型日各时段的负荷均值和方差、负荷节点间的相关系数矩阵；

根据输入的EV的数量参数和充电参数，拟合得到考虑EV充放电影响的负荷特性模型；

根据所述负荷特性模型，构建二层优化配置模型的下层规划目标函数及下层规划约束条件，以及上层规划目标函数及上层规划约束条件；

根据所述风速Weibull分布参数、所述光照Beta分布参数以及各相关系数矩阵，利用两层嵌套的自适应人工鱼群算法求解所述二层优化配置模型，获得新能源配电网多类型有功无功源最优配置方案；

所述根据输入的风速数据计算得到各典型日的风速Weibull分布参数、输入的光照强度数据计算得到各典型日各时段的光照Beta分布参数以及输入的负荷数据计算得到候选接入节点间的风速、光照相关系数矩阵、各典型日各时段的负荷均值和方差、负荷节点间的相关系数矩阵，包括：

获取输入的目标规划配电网区域的预定年限的风速实测数据、光照强度实测数据和负荷实测数据；

根据所述风速实测数据拟合得到各典型日的风速Weibull分布的尺度参数以及形状参数和候选风电接入节点间的风速相关系数矩阵；

根据光照强度实测数据拟合得到各典型日各时段的光照Beta分布的形状参数和候选光伏接入节点间的光照强度相关系数矩阵；

根据负荷实测数据计算得到候选接入节点间的风速、光照相关系数矩阵、各典型日各时段的负荷均值和方差、负荷节点间的相关系数矩阵；

所述根据输入的EV的数量参数和充电参数，拟合得到考虑EV充放电影响的负荷特性模型，包括：

获取输入的所述目标规划配电网区域的EV的数量参数；其中，所述EV的数量参数包括EV总数量以及可参与调度的EV数量；

获取EV智能充电装置返回的充电参数；其中，所述充电参数包括EV起始充电时间以及荷电状态SOC_EV0数据；

利用所述数量参数和所述充电参数拟合得到考虑EV充放电影响的负荷特性模型P′_D(t)；其中，P′_D(t)＝P_D(t)+P_EVc(t)-P_EVd(t)；

其中，P_D(t)为基本负荷，P_EVc(t)为t时刻电动汽车的充电功率，P_EVd(t)为t时刻电动汽车的放电功率；

所述下层规划目标函数具体C₂为：C₂＝C_V+C_loss；其中，

其中，C_V为电压质量改善年收益；N_bus为系统节点数；λ为将电压质量改善期望指标值与经济效益间的转换系数；T_max为系统年最大负荷利用小时数；和V_Rk分别为优化前后典型日第j时段节点k电压期望值和节点k电压额定值；C_loss为降损年收益；p_e为网损电价；和为优化前后第i典型日j时段的网损期望值；

所述上层规划目标函数具体C₁为：C₁＝C_sal+C_gas+C₂-C_in；其中，

其中，C_in为设备投资和运行维护年费用；C_sal为年售电收益；C_gas为污染物减排年收益；N_G为有功无功源类型数，其中包括光伏电池、风机、储能蓄电池、电容器和SVC；C_i为第i种有功无功源的单位容量投资成本；S_i为第i种有功无功源的安装容量；n_i为第i种有功无功源设备的使用寿命；r为贴现率；C_OMi第i种有功无功源的单位容量年运行维护费用；p_cwj为j时段风电售电电价；p_cpvj为j时段光伏售电电价；E_ij(P_W)为第i典型日j时段风力发电机组发电功率期望值；E_ij(P_PV)为第i典型日j时段光伏发电系统发电功率期望值；N_pt为排放污染物种类数，C_ek和C_pk分别为第k种污染物的单位环境价值和惩罚费用；δ_k为燃煤发电机组单位电量产生第k种污染物值；F(r,n_i)为资金等年值系数。

2.根据权利要求1所述的方法，其特征在于，利用两层嵌套的自适应人工鱼群算法求解所述二层优化配置模型，获得新能源配电网多类型有功无功源最优配置方案，包括：

获取输入的配电网潮流计算基本数据，设置所述风速Weibull分布参数、所述光照Beta分布参数以及各相关系数矩阵对应的参数数值；上层和下层自适应人工鱼群算法基本参数；可处理输入随机变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法基本参数；

初始化上层鱼群，利用随机数发生器生成预定条人工鱼，形成初始优化配置方案对应的初始鱼群；

根据上层优化配置方案生成下层人工鱼初始鱼群，利用所述可处理输入变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法计算节点电压、线路传输容量及所述下层规划目标函数进行置信水平校验，并根据计算得到的电压和网损期望值计算下层初始鱼群各人工鱼当前位置的食物浓度值，将最大值记入公告板，保存其位置及食物浓度值；

下层鱼群中各人工鱼分别模拟执行觅食、聚群、追尾行为，并自适应调整视野范围和移动步长；

判断下层是否达到最大迭代次数，若达到最大迭代次数，则将下层优化目标值返回到上层规划目标函数中，进行外层人工鱼寻优过程，上层和下层人工鱼反复迭代，直至达到外层最大迭代次数，输出新能源配电网多类型有功无功源最优配置方案。

3.根据权利要求2所述的方法，其特征在于，自适应调整视野范围和移动步长，包括：

利用公式自适应调整视野范围Visual；

利用公式自适应调整移动步长Step；

其中，V_vmax和V_vmin为人工鱼视野最大值和最小值；S_tmax和S_tmin为人工鱼移动步长最大值和最小值；f_i为人工鱼X_i当前位置的食物浓度；f_av为当前食物浓度均值；f_max为当前食物浓度最大值。

4.根据权利要求2所述的方法，其特征在于，可处理输入随机变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法具体计算过程，包括：

根据输入的配电系统参数，确定输入变量对应的概率分布参数及其相关系数矩阵C_X；

根据所述输入变量的均值、方差和概率分布类型对所述C_X进行修正，得到修正后的相关系数矩阵C_Z，并对所述C_Z进行Cholesky分解C_Z＝BB^T，得到下三角矩阵B；

对n个相互独立的标准正态分布的随机变量进行N次抽样，得到样本矩阵W_n×N；

令Z＝BW_n×N，求得Z的顺序矩阵L_Z；

对输入的随机变量进行拉丁超立方采样形成初始样本矩阵S′_n×N，并根据所述L_Z对所述S′_n×N每行元素进行重新排列，进而得到最终样本S_n×N＝[S₁ S₂ ... S_N]，S_i＝[s_i1 s_i2 ...s_in]^T；

将所述最终样本进行N次潮流计算，得到输出变量的数字特征和概率分布。

5.一种新能源配电网多类型有功无功源协同优化配置系统，其特征在于，包括：

第一计算模块，用于根据输入的风速数据计算得到各典型日的风速Weibull分布参数、输入的光照强度数据计算得到各典型日各时段的光照Beta分布参数以及输入的负荷数据计算得到候选接入节点间的风速、光照相关系数矩阵、各典型日各时段的负荷均值和方差、负荷节点间的相关系数矩阵；具体的，获取输入的目标规划配电网区域的预定年限的风速实测数据、光照强度实测数据和负荷实测数据；根据所述风速实测数据拟合得到各典型日的风速Weibull分布的尺度参数以及形状参数和候选风电接入节点间的风速相关系数矩阵；根据光照强度实测数据拟合得到各典型日各时段的光照Beta分布的形状参数和候选光伏接入节点间的光照强度相关系数矩阵；根据负荷实测数据计算得到候选接入节点间的风速、光照相关系数矩阵、各典型日各时段的负荷均值和方差、负荷节点间的相关系数矩阵；

第二计算模块，用于根据输入的EV的数量参数和充电参数，拟合得到考虑EV充放电影响的负荷特性模型；具体的，获取输入的所述目标规划配电网区域的EV的数量参数；其中，所述EV的数量参数包括EV总数量以及可参与调度的EV数量；获取EV智能充电装置返回的充电参数；其中，所述充电参数包括EV起始充电时间以及荷电状态SOC_EV0数据；利用所述数量参数和所述充电参数拟合得到考虑EV充放电影响的负荷特性模型P′_D(t)；其中，P′_D(t)＝P_D(t)+P_EVc(t)-P_EVd(t)；其中，P_D(t)为基本负荷，P_EVc(t)为t时刻电动汽车的充电功率，P_EVd(t)为t时刻电动汽车的放电功率；

二层优化配置模型构建模块，用于根据所述负荷特性模型，构建二层优化配置模型的下层规划目标函数及下层规划约束条件，以及上层规划目标函数及上层规划约束条件；

最优配置方案输出模块，用于根据所述风速Weibull分布参数、所述光照Beta分布参数以及各相关系数矩阵，利用两层嵌套的自适应人工鱼群算法求解所述二层优化配置模型，获得新能源配电网多类型有功无功源最优配置方案；

其中，所述下层规划目标函数具体C₂为：C₂＝C_V+C_loss；其中，

其中，C_V为电压质量改善年收益；N_bus为系统节点数；λ为将电压质量改善期望指标值与经济效益间的转换系数；T_max为系统年最大负荷利用小时数；和V_Rk分别为优化前后典型日第j时段节点k电压期望值和节点k电压额定值；C_loss为降损年收益；p_e为网损电价；和为优化前后第i典型日j时段的网损期望值；

所述上层规划目标函数具体C₁为：C₁＝C_sal+C_gas+C₂-C_in；其中，

其中，C_in为设备投资和运行维护年费用；C_sal为年售电收益；C_gas为污染物减排年收益；N_G为有功无功源类型数，其中包括光伏电池、风机、储能蓄电池、电容器和SVC；C_i为第i种有功无功源的单位容量投资成本；S_i为第i种有功无功源的安装容量；n_i为第i种有功无功源设备的使用寿命；r为贴现率；C_OMi第i种有功无功源的单位容量年运行维护费用；p_cwj为j时段风电售电电价；p_cpvj为j时段光伏售电电价；E_ij(P_W)为第i典型日j时段风力发电机组发电功率期望值；E_ij(P_PV)为第i典型日j时段光伏发电系统发电功率期望值；N_pt为排放污染物种类数，C_ek和C_pk分别为第k种污染物的单位环境价值和惩罚费用；δ_k为燃煤发电机组单位电量产生第k种污染物值；F(r,n_i)为资金等年值系数。