CN107480825B - 一种计及容量可信度的光伏电站优化规划方法 - Google Patents

一种计及容量可信度的光伏电站优化规划方法 Download PDF

Info

Publication number
CN107480825B
CN107480825B CN201710706437.0A CN201710706437A CN107480825B CN 107480825 B CN107480825 B CN 107480825B CN 201710706437 A CN201710706437 A CN 201710706437A CN 107480825 B CN107480825 B CN 107480825B
Authority
CN
China
Prior art keywords
capacity
photovoltaic
power station
photovoltaic power
sequence
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
Application number
CN201710706437.0A
Other languages
English (en)
Other versions
CN107480825A (zh
Inventor
张弛
曾杰
赵伟
钟国彬
梅成林
赵景飞
罗敏
孟金岭
邓凯
王超
易斌
谢宁
徐琪
张威
徐凯琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority to CN201710706437.0A priority Critical patent/CN107480825B/zh
Publication of CN107480825A publication Critical patent/CN107480825A/zh
Application granted granted Critical
Publication of CN107480825B publication Critical patent/CN107480825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • 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
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种计及容量可信度的光伏电站优化规划方法；该方法首先采用时序蒙特卡洛法对常规机组进行状态抽样，生成常规机组的全年可用容量序列，进一步计算系统电力不足期望；然后根据接入光伏前后系统可靠性不变的原则，结合粒子群算法求解并网光伏的容量可信度；最后给定光伏电站规划的目标函数和约束条件，采用改进粒子群算法求解光伏电站最优容量。本发明所提的规划方法考虑了光伏电站的容量价值，避免了传统规划方法所造成的资源的巨大浪费；同时提出了一种计算容量可信度的方法，使用蒙特卡洛法和粒子群算法进行求解，提高了运算的速度和精度。

Description

一种计及容量可信度的光伏电站优化规划方法
技术领域
本发明涉及光伏发电技术领域，尤其涉及一种计及容量可信度的光伏电站优化规划方法。
背景技术
太阳能资源储量丰富，易于获取，清洁无污染，是一种重要的可再生能源。近几年国家颁布了一系列政策，推动了光伏产业的发展；在此背景下，集中式光伏电站蓬勃发展，成为大规模应用光伏发电的主要形式。光伏发电的出力具有不确定性，因此需要对光伏电站进行优化规划以提升光伏电站对网络供电可靠性。
经对现有技术文献的检索发现，配电网扩展规划中分布式电源的选址和定容（王成山, 陈恺, 谢莹华, 等. 配电网扩展规划中分布式电源的选址和定容 [J]. 电力系统自动化, 2006, (03): 38-43.）中介绍了电源规划的思路，但目标函数没有考虑利用多个目标进行选址定容，也没有考虑到分布式电源的投资成本，这样不利于实际电网中的分布式光伏发电的优化规划。考虑主动管理模式的多目标分布式电源规划（张翔, 程浩忠, 方陈,等. 考虑主动管理模式的多目标分布式电源规划[J]. 上海交通大学学报, 2014, 48(9):1231-1238.）以分布式投资费用和网损最小为规划目标，采用拉丁超立方抽样的蒙特卡洛模拟法和非支配排序遗传算法求解光伏电站最优位置和容量，很好地描述了系统的不确定性。
上述文献中都没有提到置信容量或者说容量可信度的概念，实际上国内对于容量价值的研究还处于起始阶段；设计人员在采用传统方法规划光伏电站时，并不考虑光伏的容量价值，这样的设计思路是对资源的浪费。此外，现有的容量可信度计算方法包括迭代法以及非迭代法这两大类。迭代法又包括单点割线法、中点分割法以及简化牛顿法等，而非迭代法主要是指迦弗尔近似法以及Z-统计法。上述的这些方法具有一定的优点，但计算效率不高且未充分体现光伏发电的波动性和不确定性。
针对以上不足，本发明将时序蒙特卡洛法和粒子群算法运用到容量可信度的计算中，然后给定光伏电站规划的约束条件包括潮流平衡方程约束、电压越限方程约束、光伏穿透水平约束并以容量可信度作为优化目标，最后采用改进粒子群算法求解光伏电站最优容量。
因此，现有技术还有待于改进和发展。
发明内容
本发明的目的在于提供一种计及容量可信度的光伏电站优化规划方法，旨在解决现有容量可信度计算方法计算效率不高，且未充分体现光伏发电的波动性和不确定性的技术问题。
本发明的技术方案如下：一种计及容量可信度的光伏电站优化规划方法，其包括以下步骤：
（1）在IEEE-RTS79系统输入系统参数，所述输入系统参数包括负荷最大值、常规机组数量、总装机容量、系统负荷率与机组可靠性参数；
（2）根据步骤（1）输入的系统参数和往年负荷序列计算全年小时负荷序列；
（3）根据参考地光伏电站的历史出力数据抽样得到全年小时光伏序列；
（4）用电力不足期望作为系统可靠性的指标，采用时序蒙特卡罗法对常规机组进行状态抽样，生成常规机组全年可用容量序列，进一步计算系统电力不足期望；
（5）设定光伏电站的光伏容量
Figure DEST_PATH_IMAGE001
，根据接入光伏前后系统可靠性保持不变的原则，采用粒子群算法搜寻
Figure 570736DEST_PATH_IMAGE002
；再结合公式
Figure DEST_PATH_IMAGE003
，确定容量可信度
Figure 640541DEST_PATH_IMAGE004
关于光伏接入容量
Figure 685857DEST_PATH_IMAGE001
的函数，
Figure DEST_PATH_IMAGE005
；式中
Figure 549908DEST_PATH_IMAGE001
为接入的光伏容量，
Figure 833122DEST_PATH_IMAGE006
为并网光伏的等效固定容量；
（6）给定电站规划的目标函数和给出电站规划的约束条件；
（7）调用步骤（5）中的容量可信度
Figure 858847DEST_PATH_IMAGE004
关于光伏接入容量
Figure 391459DEST_PATH_IMAGE001
的函数，结合步骤（6）给出的约束条件，采用改进粒子群优化算法计算光伏电站的最优容量和对应的最大容量可信度。
所述的计及容量可信度的光伏电站优化规划方法，其中，求解容量可信度时，设定的目标函数为
Figure DEST_PATH_IMAGE007
；其中，
Figure 59201DEST_PATH_IMAGE008
代表目标函数；
Figure DEST_PATH_IMAGE009
表示该
Figure 196921DEST_PATH_IMAGE010
小时可用容量；
Figure DEST_PATH_IMAGE011
是
Figure 659126DEST_PATH_IMAGE010
小时的负荷量大小值；
Figure 616718DEST_PATH_IMAGE012
是第i小时接入配网的光伏输出功率；
Figure 619309DEST_PATH_IMAGE006
为光伏电站置信容量。
所述的计及容量可信度的光伏电站优化规划方法，其中，求解容量可信度时，约束条件为
Figure DEST_PATH_IMAGE013
。
所述的计及容量可信度的光伏电站优化规划方法，其中，求解光伏电站最优容量时，设定的目标函数为
Figure 814798DEST_PATH_IMAGE014
；λ为光伏电站容量可信度λ。
所述的计及容量可信度的光伏电站优化规划方法，其中，求解光伏电站最优容量时的约束条件有三个，包括潮流平衡方程约束
Figure DEST_PATH_IMAGE015
，电压越限方程约束
Figure 713484DEST_PATH_IMAGE016
和光伏穿透水平约束
Figure DEST_PATH_IMAGE017
；式中
Figure 423951DEST_PATH_IMAGE018
为负荷的有功功率，
Figure DEST_PATH_IMAGE019
为负荷的无功功率，
Figure 167916DEST_PATH_IMAGE020
为光伏电站的有功功率，
Figure DEST_PATH_IMAGE021
为光伏电站的无功功率，
Figure 280229DEST_PATH_IMAGE022
为节点
Figure 880974DEST_PATH_IMAGE010
电压最小值，
Figure DEST_PATH_IMAGE023
为节点
Figure 282000DEST_PATH_IMAGE010
电压最大值，
Figure 626394DEST_PATH_IMAGE024
为光伏穿透水平。
所述的计及容量可信度的光伏电站优化规划方法，其中，所述步骤（4）中，计算系统电力不足期望是将全年小时负荷序列减去全年光伏电站小时出力序列，得到全年的净负荷序列，由净负荷序列与常规机组全年可用容量序列计算年电力不足期望（LOLE）指标，即
Figure DEST_PATH_IMAGE025
。式中
Figure 593213DEST_PATH_IMAGE026
为仿真总年数，
Figure DEST_PATH_IMAGE027
为出现的缺电状态，
Figure 833701DEST_PATH_IMAGE028
为第
Figure 987602DEST_PATH_IMAGE010
个缺电状态持续的时间。
所述的计及容量可信度的光伏电站优化规划方法，其中，所述步骤（2）中的往年负荷序列是通过查阅文献和实地考察的方式获得。
所述的计及容量可信度的光伏电站优化规划方法，其中，所述步骤（3）中的历史出力数据是通过查阅文献和实地考察的方式获得。
所述的计及容量可信度的光伏电站优化规划方法，其特征在于，所述步骤（1）中的系统参数是通过查阅文献和实地考察的方式获得。
本发明的有益效果：本发明通过采用时序蒙特卡洛法对光伏接入前后的系统可靠性指标进行评估，以系统可靠性保持不变为目标函数，用粒子群算法计算光伏可替代的等效固定容量。此外，以容量可信度作为光伏电站规划的目标函数，采用改进粒子群算法计算光伏电站最优容量。在考虑光伏发电的波动性和不确定性的前提下，对光伏电站最优容量的选择上充分考虑光伏的容量价值，大大提高了资源的利用率。
附图说明
图1是本发明的一种流程框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。
本发明公开了一种计及容量可信度的光伏电站优化规划方法，其包括以下步骤：
第一步：在规划前通过查阅文献和实地考察的方式确定光伏电站所在网络的系统参数以及负荷和光伏出力的历史数据；其中所需的系统参数包括负荷最大值、常规机组数量、总装机容量、系统负荷率与机组可靠性参数。
第二步：将采集到的系统参数和往年负荷序列输入程序，输出全年小时负荷序列。
第三步: 对参考地光伏电站历史出力数据进行抽样，输出参考地光伏电站容量对应的全年光伏电站小时出力序列。其他容量下的光伏出力数据根据容量比例换算。
第四步：采用时序蒙特卡罗法对常规机组进行状态抽样，生成常规机组全年可用容量序列。将全年小时负荷序列减去全年光伏电站小时出力序列，得到全年的净负荷序列，由净负荷序列与常规机组全年可用容量序列计算年LOLE指标，即
Figure DEST_PATH_IMAGE029
。式中
Figure 604528DEST_PATH_IMAGE030
为仿真总年数，
Figure DEST_PATH_IMAGE031
为出现的缺电状态，
Figure 425853DEST_PATH_IMAGE032
为第
Figure DEST_PATH_IMAGE033
个缺电状态持续的时间。
第五步：设定光伏电站容量为
Figure 837243DEST_PATH_IMAGE001
，根据接入光伏前后系统可靠性保持不变的原则，设定待寻优的目标函数为
Figure 478440DEST_PATH_IMAGE034
，约束条件为
Figure DEST_PATH_IMAGE035
；其中，
Figure 633478DEST_PATH_IMAGE036
代表目标函数；
Figure DEST_PATH_IMAGE037
表示该
Figure 574889DEST_PATH_IMAGE033
小时可用容量；
Figure 891601DEST_PATH_IMAGE038
是
Figure 82411DEST_PATH_IMAGE010
小时的负荷量大小值；
Figure 509981DEST_PATH_IMAGE012
是第i小时接入配网的光伏输出功率；
Figure DEST_PATH_IMAGE039
为光伏电站置信容量；采用粒子群算法搜寻
Figure 40320DEST_PATH_IMAGE006
全局最优值，重复执行第三、四步，使粒子不断计算目标函数值，同时更新个体最优位置和群体最优位置，在达到最大迭代次数后，输出
Figure 590250DEST_PATH_IMAGE006
。再结合公式
Figure 206039DEST_PATH_IMAGE040
，确定容量可信度λ关于光伏接入容量
Figure 499617DEST_PATH_IMAGE001
的函数，
Figure DEST_PATH_IMAGE041
。
第六步：设定规划目标函数:
Figure 150041DEST_PATH_IMAGE042
。
第七步：列出电站规划的约束条件，包括潮流平衡方程约束
Figure DEST_PATH_IMAGE043
，电压越限方程约束
Figure 11818DEST_PATH_IMAGE044
和光伏穿透水平约束
Figure DEST_PATH_IMAGE045
。
第八步：调用第五步确定的
Figure 380482DEST_PATH_IMAGE046
函数作为待寻优的目标函数，将第七步给出的约束条件写入改进粒子群算法中。运行程序，粒子不断计算自身容量可信度，同时更新个体最优位置和群体最优位置，在达到最大迭代次数后，输出光伏电站的最优容量和对应的最大容量可信度。
第一步中，规划前通过查阅文献（Subcommittee P M. IEEE Reliability TestSystem[J]. Power Apparatus & Systems IEEE Transactions on, 1979, PAS-98(6):2047-2054. 张奇. 配电网规划中分布式电源的选址和定容 [D]; 山东大学, 2008.）
上述的系统为是IEEE-RTS79系统，IEEE-RTS79系统即是1979年IEEE制定的电力系统发输电测试系统），IEEE即是美国电气和电子工程师协会；采用IEEE-RTS79系统对本发明所提出的规划方法进行算例仿真；本发明中IEEE-RTS79可靠性测试系统中，总装机容量为240MW，峰荷为185MW，共有11台常规机组；最终计算结果是光伏容量可信度全局最优值为13.15%，此时的光伏电站的容量为46MW，置信容量为6MW。
本发明通过采用时序蒙特卡洛法对光伏接入前后的系统可靠性指标进行评估，以系统可靠性保持不变为目标函数，用粒子群算法计算光伏可替代的等效固定容量。此外，以容量可信度作为光伏电站规划的目标函数，采用改进粒子群算法计算光伏电站最优容量。在考虑光伏发电的波动性和不确定性的前提下，对光伏电站最优容量的选择上充分考虑光伏的容量价值，大大提高了资源的利用率。
如图1所示，本发明的计及容量可信度的光伏电站优化规划方法的流程为：先将程序初始化，再在电脑上输入系统具体参数，接着根据原始参数计算负荷序列，根据参考地光伏数据抽样得到光伏序列；然后使用时序蒙特卡洛模拟法计算系统可靠性指标LOLE；结合粒子群算法写出计算容量可信度的函数，接着给定光伏电站的约束条件和目标函数，通过调用计算容量可信度的函数，采用粒子群算法计算光伏电站的最优容量；最后经过电脑的程序、算法和函数计算后，输出光伏电站的最优容量和对应的容量可信度。
本发明所提的规划方法考虑了光伏电站的容量价值，避免了传统规划方法所造成的资源的巨大浪费；同时提出了一种计算容量可信度的方法，使用蒙特卡洛法和粒子群算法进行求解，提高了运算的速度和精度。
以上对本发明所提供的一种计及容量可信度的光伏电站优化规划方法进行了详细介绍，本文中应用了具体算例对本发明的原理及实施方式进行了模拟，以上实例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种计及容量可信度的光伏电站优化规划方法，其特征在于，包括以下步骤：
（1）在IEEE-RTS79系统输入系统参数，所述输入系统参数包括负荷最大值、常规机组数量、总装机容量、系统负荷率与机组可靠性参数；
（2）根据步骤（1）输入的系统参数和往年负荷序列计算全年小时负荷序列；
（3）根据参考地光伏电站的历史出力数据抽样得到全年小时光伏序列；
（4）用电力不足期望作为系统可靠性的指标，采用时序蒙特卡罗法对常规机组进行状态抽样，生成常规机组全年可用容量序列，进一步计算系统电力不足期望；
（5）设定光伏电站的光伏容量
Figure 794186DEST_PATH_IMAGE001
，根据接入光伏前后系统可靠性保持不变的原则，采用粒子群算法搜寻
Figure 52604DEST_PATH_IMAGE002
；再结合公式
Figure 35604DEST_PATH_IMAGE003
，确定容量可信度λ关于光伏接入容量
Figure 696392DEST_PATH_IMAGE001
的函数，
Figure 838661DEST_PATH_IMAGE004
；式中
Figure 926702DEST_PATH_IMAGE001
为接入的光伏容量，
Figure 396998DEST_PATH_IMAGE002
为并网光伏的等效固定容量；
（6）给定电站规划的目标函数和给出电站规划的约束条件；
（7）调用步骤（5）中的容量可信度λ关于光伏接入容量
Figure 861477DEST_PATH_IMAGE001
的函数，结合步骤（6）给出的约束条件，采用改进粒子群优化算法计算光伏电站的最优容量和对应的最大容量可信度；
求解容量可信度时，设定的目标函数为
Figure 608985DEST_PATH_IMAGE005
；其中，
Figure 867928DEST_PATH_IMAGE006
代表目标函数；
Figure 825519DEST_PATH_IMAGE007
表示该
Figure 156007DEST_PATH_IMAGE008
小时可用容量；
Figure 944971DEST_PATH_IMAGE009
是
Figure 578078DEST_PATH_IMAGE008
小时的负荷量大小值；
Figure 85282DEST_PATH_IMAGE010
是第
Figure 439034DEST_PATH_IMAGE008
小时接入配网的光伏输出功率；
Figure 348085DEST_PATH_IMAGE002
为光伏电站置信容量；
求解容量可信度时，约束条件为
Figure 886513DEST_PATH_IMAGE011
；求解光伏电站最优容量时，设定的目标函数为
Figure 881014DEST_PATH_IMAGE012
；
Figure 287725DEST_PATH_IMAGE013
为光伏电站容量可信度；
求解光伏电站最优容量时的约束条件有三个，包括潮流平衡方程约束
Figure 51281DEST_PATH_IMAGE014
，电压越限方程约束
Figure 26191DEST_PATH_IMAGE015
和光伏穿透水平约束
Figure 242408DEST_PATH_IMAGE016
；式中
Figure 203542DEST_PATH_IMAGE017
为负荷的有功功率，
Figure 821605DEST_PATH_IMAGE018
为负荷的无功功率，
Figure 967416DEST_PATH_IMAGE019
为光伏电站的有功功率，
Figure 670930DEST_PATH_IMAGE020
为光伏电站的无功功率，
Figure 419443DEST_PATH_IMAGE021
为节点
Figure 157592DEST_PATH_IMAGE008
电压最小值，
Figure 474304DEST_PATH_IMAGE022
为节点
Figure 764250DEST_PATH_IMAGE008
电压最大值，
Figure 254137DEST_PATH_IMAGE023
为光伏穿透水平；
所述电力不足期望是将全年小时负荷序列减去全年光伏电站小时出力序列，得到全年的净负荷序列。
2.根据权利要求1所述的计及容量可信度的光伏电站优化规划方法，其特征在于，所述步骤（4）中，计算系统电力不足期望是由净负荷序列与常规机组全年可用容量序列计算年电力不足期望指标，即
Figure 518896DEST_PATH_IMAGE024
；式中
Figure 68826DEST_PATH_IMAGE025
为仿真总年数，N为出现的缺电状态，
Figure 809249DEST_PATH_IMAGE026
为第
Figure 102827DEST_PATH_IMAGE008
个缺电状态持续的时间。
3.根据权利要求1所述的计及容量可信度的光伏电站优化规划方法，其特征在于，所述步骤（2）中的往年负荷序列是通过查阅文献和实地考察的方式获得。
4.根据权利要求1所述的计及容量可信度的光伏电站优化规划方法，其特征在于，所述步骤（3）中的历史出力数据是通过查阅文献和实地考察的方式获得。
5.根据权利要求1所述的计及容量可信度的光伏电站优化规划方法，其特征在于，所述步骤（1）中的系统参数是通过查阅文献和实地考察的方式获得。
CN201710706437.0A 2017-08-17 2017-08-17 一种计及容量可信度的光伏电站优化规划方法 Active CN107480825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710706437.0A CN107480825B (zh) 2017-08-17 2017-08-17 一种计及容量可信度的光伏电站优化规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710706437.0A CN107480825B (zh) 2017-08-17 2017-08-17 一种计及容量可信度的光伏电站优化规划方法

Publications (2)

Publication Number Publication Date
CN107480825A CN107480825A (zh) 2017-12-15
CN107480825B true CN107480825B (zh) 2021-03-30

Family

ID=60600806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710706437.0A Active CN107480825B (zh) 2017-08-17 2017-08-17 一种计及容量可信度的光伏电站优化规划方法

Country Status (1)

Country Link
CN (1) CN107480825B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108092320B (zh) * 2017-12-20 2020-03-17 国家电网公司 分布式光伏并网准入容量的规划方法及系统
CN108336767B (zh) * 2018-03-10 2021-03-16 国网江西省电力有限公司经济技术研究院 一种低压并网分布式电源出力容量可信度评价方法
CN108805354B (zh) * 2018-06-08 2022-09-06 国网山东省电力公司枣庄供电公司 一种基于风光时间序列的配电网光伏装机规划方法及系统
CN109449929B (zh) * 2018-11-22 2022-03-01 南方电网科学研究院有限责任公司 分布式电源对配网馈线利用率影响预测评估方法及产品
CN109638835B (zh) * 2019-01-22 2023-10-20 中国电力科学研究院有限公司 一种交直流混合微电网优化配置方法及装置
CN110163445A (zh) * 2019-05-28 2019-08-23 广东工业大学 一种电动汽车充电站选址方法、系统及相关装置
CN113128071B (zh) * 2021-05-08 2024-02-09 南京工程学院 一种含光伏发电的发电系统可靠性评估方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354655B (zh) * 2015-10-06 2019-12-17 东北电力大学 计及功率相关性的光伏电站群置信容量评估方法
CN106487036B (zh) * 2016-11-04 2018-11-30 浙江工业大学 一种基于多目标优化算法的独立光伏拖动系统容量配置方法
CN106682780A (zh) * 2016-12-30 2017-05-17 国网冀北电力有限公司秦皇岛供电公司 一种计算分布式光伏并网最大准入容量的方法

Also Published As

Publication number Publication date
CN107480825A (zh) 2017-12-15

Similar Documents

Publication Publication Date Title
CN107480825B (zh) 一种计及容量可信度的光伏电站优化规划方法
Zubo et al. Operation and planning of distribution networks with integration of renewable distributed generators considering uncertainties: A review
Cao et al. Probabilistic optimal PV capacity planning for wind farm expansion based on NASA data
CN109802394B (zh) 一种计及分布式电源与电动汽车接入的概率潮流计算方法
Khanjarpanah et al. A novel multi-period double frontier network DEA to sustainable location optimization of hybrid wind-photovoltaic power plant with real application
CN103455729A (zh) 一种光储并网联合发电调度值的计算方法
CN113128786B (zh) 一种基于空间网格搜索的风光水互补容量与选址优化方法
Saba et al. Development of an ontology-based generic optimisation tool for the design of hybrid energy systems
Huang et al. An efficient probabilistic approach based on area grey incidence decision making for optimal distributed generation planning
CN106570774A (zh) 一种基于学习理论的渐进学习电网调控方法
CN106058863A (zh) 一种基于随机响应面法的随机最优潮流计算方法
Ye et al. A data driven multi-state model for distribution system flexible planning utilizing hierarchical parallel computing
Zhu et al. Design optimization and uncertainty analysis of multi-energy complementary system for residential building in isolated area
Bacha et al. Optimal sizing of a hybrid microgrid system using solar, wind, diesel, and battery energy storage to alleviate energy poverty in a rural area of Biskra, Algeria
Kumar et al. Optimal placement and sizing of distributed generation in power distribution system: a comprehensive review
CN103488820A (zh) 一种基于长过程时序仿真的分布式电源规划方法
Li et al. Optimal power flow calculation considering large-scale photovoltaic generation correlation
Buchibabu et al. Green energy management in DC microgrids enhanced with robust model predictive control and muddled tuna swarm MPPT
Shrestha et al. Optimal grid network for rural electrification of Upper Karnali hydro project affected area
Cai et al. Optimal operation of microgrid composed of small hydropower and photovoltaic generation with energy storage based on multiple scenarios technique
CN115313377A (zh) 一种电力负荷预测方法及系统
Shin et al. Estimation of power generation and consumption based on explainable artificial intelligence
Yuexin et al. A decision-making model on stage financing for smart transmission grid investment based on technology readiness
Paul et al. Chaotic‐quasi‐opposition based whale optimization technique applied to multi‐objective complementary scheduling of grid connected hydro‐thermal–wind–solar‐electric vehicle system
Pourmohammadi A robust simulation-optimization approach for designing hybrid renewable energy systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant