CN107910863B - 综合考虑光伏出力和负荷需求预测区间的配电网调度方法 - Google Patents

综合考虑光伏出力和负荷需求预测区间的配电网调度方法 Download PDF

Info

Publication number
CN107910863B
CN107910863B CN201710377613.0A CN201710377613A CN107910863B CN 107910863 B CN107910863 B CN 107910863B CN 201710377613 A CN201710377613 A CN 201710377613A CN 107910863 B CN107910863 B CN 107910863B
Authority
CN
China
Prior art keywords
power
distribution network
load
photovoltaic
power distribution
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
CN201710377613.0A
Other languages
English (en)
Other versions
CN107910863A (zh
Inventor
应益强
付蓉
吴英俊
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201710377613.0A priority Critical patent/CN107910863B/zh
Publication of CN107910863A publication Critical patent/CN107910863A/zh
Application granted granted Critical
Publication of CN107910863B publication Critical patent/CN107910863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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]
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
    • Y04S10/123—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving renewable energy sources

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种综合考虑光伏出力和负荷需求预测区间的配电网调度方法，该方法首先基于近似Beta分布的光照强度建立了光伏出力预测区间模型，其次在用电负荷分层概率预测方法的基础上结合经验模态分解与稀疏贝叶斯学习方法建立了负荷需求预测区间模型，最后基于光伏出力和负荷需求预测区间提出了兼顾配电网运行的可靠性和经济性的调度模型。本发明所提方法不仅解决了光伏发电出力不确定而导致的供电不可靠性问题，还降低了由光伏发电和负荷难于预测造成的配电网经济运行成本。本发明可广泛应用于电力网络的配电网调度。

Description

综合考虑光伏出力和负荷需求预测区间的配电网调度方法
技术领域
本发明涉及一种综合考虑光伏出力和负荷需求预测区间的配电网调度方法，属于含光伏新能源发电的配电网运行优化调度技术领域。
背景技术
近年来，随着人类社会经济快速发展，能源枯竭和环境污染问题也愈加严重。截止到2009年，我国已经有44个被列为资源枯竭型的城市。为了应对能源和环境问题，可再生分布式能源发电技术得到快速发展。根据BP世界能源统计网站数据，太阳能发电2013年较2009年增长了大约110TWh，增幅接近10倍，且近几年所占发电比重还在持续增长。然而，大量光伏出力波动幅度和用户侧大容量动态负荷让配电网调度变得困难。
目前，风能和太阳能是电力系统中备受重视且应用最多的两种新能源。随着科技的高速发展，风力发电产业逐渐趋于产业化和规模化,已成为目前技术最成熟、应用最普遍的新能源发电方式。光伏发电则是一种直接利用太阳能的发电形式，因其具有环境友好、开发潜力大等特点在全世界范围内得到应用。光伏电站并网运行可以为电网提供补充备用，有助于缓解负荷高峰时期电网承受的电量和安全压力。但是由于风能和太阳能均受季节、气候等自然因素的影响，使其不同于常规能源发电，功率输出具有随机性和间歇性，稳定性较差，从而会影响到电网的电压稳定和电能质量，给电网的安全运行带来新的挑战。目前，含新能源的电力系统优化调度问题己成为新能源发电技术中重要的研究方向之一。电力系统调度是指根据调度周期内各时段负荷的变化情况，来安排投入运行的机组以及将负荷在运行机组间经济分配的问题，调度策略是否合理有效极大的影响着系统的经济安全运行。传统的电力系统优化调度方案的制定基于负荷的可预测性和常规电源的确定性。但是风电和光伏发电等新能源发电输出功率取决于自然资源，具有间歇性和不稳定性，同时不可调控。大规模新能源电源的并网增加了电力系统调度的不确定因素，要求系统中预留一定的旋转备用，应对新能源发电实际出力与预测值存在较大偏差的情况，这样降低了系统的失负荷和备用不足风险，同时却增加了运行成本。这就要求系统的调度方案应做出相应的调整，使之能合理处理风险和成本的关系，这增加了调度的复杂性。
对于电网需求侧的负荷预测，是电力系统管理部门的基础工作，是今后进行电网商业化运营所必需的基本内容，其重要性已越来越被人们所认识。同时，电力负荷预测又是一项工作量大，需要反复进行的复杂工作。随着国家经济的发展，电力企业走向市场的形势对电力负荷预测提出了新的要求，如何使预测手段及预测结果满足市场化的电力发展是预测人员所面临的新课题。
上述研究分别考虑了配电网调度中的经济性、负荷预测不确定性及分布式能源发电波动性问题，然而既考虑光伏发电调度的经济性，又计及光伏出力和用电负荷的不确定性对配电网运行可靠性的影响的配电网调度还鲜有报道，仍需进一步研究。
发明内容
本发明所要解决的技术问题是提供一种综合考虑光伏出力和负荷需求预测区间的配电网调度方法，在含光伏新能源的配电网运行中，由于光伏发电受环境因素影响大和负荷难以准确预测，为提高电网系统运行的可靠性和经济性，建立出高效且实用的数学调度模型。基于光伏出力预测的区间模型，优化了光伏出力的可靠性。基于负荷需求的预测区间模型，提高了负荷预测值的准确性，并给出了基于模糊抽样和粒子群优化算法的调度模型求解方法。本发明模型的提出，对国内含光伏新能源系统比重逐渐增大的电网环境，大容量动态负荷日益增多的情况下，具有重大的发展前景和应用意义。
本发明为解决上述技术问题采用以下技术方案：
本发明提供一种综合考虑光伏出力和负荷需求预测区间的配电网调度方法，建立考虑光伏出力和负荷需求预测区间的配电网调度模型，利用模糊抽样方法对负荷需求预测区间进行抽样，根据抽样得到的预测值求解配电网调度模型，得到兼顾配电网运行可靠性和经济性的调度结果。具体实施步骤如下：
步骤1：输入一天内各时段的光照强度历史数据、配电网各节点用电负荷的历史数据、光伏的发电成本和变电站的实时电价；
步骤2：建立光伏出力预测区间模型，选取不同的预测区间置信水平，预测光伏机组的出力区间；
步骤3：建立负荷需求预测区间模型，选取不同的预测区间置信水平，预测负荷需求分布区间；
步骤4：建立考虑光伏出力预测区间和负荷需求预测区间的配电网调度模型；
步骤5：采用隶属度函数模糊抽样方法，对负荷需求在预测区间上进行重复抽样；根据抽样得到的负荷预测值，利用粒子群优化算法求解配电网调度模型，得到兼顾配电网运行可靠性和运行经济性的调度结果。
作为本发明的进一步优化方案，步骤2中基于近似Beta分布的光照强度概率分布函数，建立光伏出力预测区间模型为：
Figure GDA0002814092500000031
其中，f(·)表示光伏出力的概率密度函数，Ppvi表示第i个光伏发电机组的预测发出功率，Ppvimax表示第i个光伏发电机组发出的最大功率；
Figure GDA0002814092500000032
Γ是Gamma函数，α和β是Beta分布的形状参数。
作为本发明的进一步优化方案，根据光伏出力的概率密度函数，采用二分法计算第i个光伏发电机组的光伏出力预测区间的上下限
Figure GDA0002814092500000033
作为本发明的进一步优化方案，步骤3中基于经验模态分解与稀疏贝叶斯学习相结合的用电负荷分层概率预测方法，建立不同置信度下的建立负荷需求预测区间模型。
作为本发明的进一步优化方案，用电负荷分层概率预测方法具体为：
1)采用核主成分分析方法KPCA提取各用电负荷数据的主分量特征；
2)通过马氏距离加权判定训练用电负荷样本与预测样本之间的相似度，剔除相似度低于设定阈值的样本；
3)采用经验模态分解将步骤2)中选出的训练用电负荷样本中的功率信号分解为高频分量和低频分量；
4)采用稀疏贝叶斯学习方法SBL分别对负荷的高频分量和低频分量进行预测；
5)将不同频段的预测结果进行融合，选取不同的区间置信度，得到不同置信区间的负荷需求预测区间模型。
作为本发明的进一步优化方案，步骤4中建立考虑光伏出力预测区间和负荷需求预测区间的配电网调度模型，具体为：
4.1，建立配电网运行经济性目标函数为：
Figure GDA0002814092500000034
其中，C表示发电成本，T为一天时刻数，n表示光伏发电机组数量，
Figure GDA0002814092500000035
表示第i个光伏发电机组在t时刻的输出功率；cpvi是第i个光伏发电机组的单位功率运行成本；
Figure GDA0002814092500000036
是在t时刻变电站提供的功率；
Figure GDA0002814092500000037
是变电站在t时刻的供电价格；
4.2，建立配电网可靠性目标函数：
max R
Figure GDA0002814092500000041
其中，R表示配电网可靠性，
Figure GDA0002814092500000042
表示第i个光伏发电机组的调度出力值，f(·)表示光伏出力的概率密度函数，
Figure GDA0002814092500000043
和
Figure GDA0002814092500000044
分别为第i个光伏发电机组在t时刻发出的最小和最大功率；
4.3，配电网调度模型的目标函数为：
min F＝ξC-(1-ξ)κR
其中，ξ为权重系数，κ为量纲转换常数；
4.4，配电网调度模型的约束条件为：
Figure GDA0002814092500000045
Figure GDA0002814092500000046
Figure GDA0002814092500000047
其中，
Figure GDA0002814092500000048
表示配电网节点在t时刻的电压大小，
Figure GDA0002814092500000049
和
Figure GDA00028140925000000410
分别表示配电网节点在t时刻允许的电压最小值和最大值；
Figure GDA00028140925000000411
为t时刻第J次负荷抽样下第i个光伏发电机组的光伏出力，
Figure GDA00028140925000000412
为t时刻的配电网网损，
Figure GDA00028140925000000413
为t时刻第l个节点的负荷大小，
Figure GDA00028140925000000414
为第J次抽样负荷，L为配电网节点数。
作为本发明的进一步优化方案，步骤5中采用隶属度函数模糊抽样方法，对负荷需求在预测区间上进行重复抽样，具体为：
把置信度为
Figure GDA00028140925000000420
的第l个节点的负荷需求预测区间[PLlmin,PLlmax]划分成r个子区间，表示为a1,…,aθ,…,ar，其中，aθ为
Figure GDA00028140925000000415
Figure GDA00028140925000000416
在第θ个区间内抽样jθ次得到的抽样值
Figure GDA00028140925000000417
其中jθ＝J/r，则对负荷需求的抽样值为：
Figure GDA00028140925000000418
其中，
Figure GDA00028140925000000419
表示第θ个区间aθ的置信度。
作为本发明的进一步优化方案，各子区间内负荷分布服从一定的模糊隶属度函数。
作为本发明的进一步优化方案，各子区间内负荷分布服从三角隶属度函数。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本发明所述的光伏出力预测区间模型，根据模型表达式利用MATLAB软件得到光伏出力的概率密度函数曲线和概率分布函数曲线，基于此建立的可靠性目标函数，优化了光伏机组发电的可靠性；
(2)本发明所述的负荷需求预测区间模型，通过隶属度函数模糊抽样方法对预测区间进行抽样得到的负荷值，进而得到的配电网优化调度出力具有对负荷波动具有更好的适应性；
(3)本发明所提的一种综合考虑光伏出力和负荷需求预测区间的配电网调度模型，在满足电网系统运行的要求下，有效提高了电网运行的经济性和光伏机组出力的可靠性。
附图说明
图1是本发明的方法流程图。
图2是IEEE14节点标准电力网络，其中在节点3，4，9，7，14各自接入1台光伏发电机组。
图3是一天的光照强度历史数据。
图4是光伏出力预测区间。
图5是每台光伏机组预测出力的概率密度函数曲线和概率分布函数曲线，其中，(a)是概率分布函数曲线，(b)是概率密度函数曲线。
图6是负荷需求预测值。
图7是场景1各光伏机组出力可靠性指标。
图8是本发明优化调度模型与传统优化调度模型的可靠性指标比较示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明提出一种综合考虑光伏出力和负荷需求预测区间的配电网调度方法，如图1所示：首先，基于近似Beta分布的光照强度概率分布函数，建立光伏出力预测区间模型；其次，在用电负荷分层概率预测方法的基础上结合经验模态分解与稀疏贝叶斯学习方法，得到负荷需求预测区间模型；最后，根据电网运行特性建立经济性和可靠性的目标函数，利用模糊抽样方法对负荷需求预测区间进行抽样，求解调度模型得到兼顾配电网运行可靠性和经济性的最优调度出力。
本发明提出的方法不仅解决了光伏发电出力不确定而导致的供电不可靠性问题，还降低了由光伏发电和负荷难于预测造成的配电网经济运行成本。本发明可广泛应用于电力网络的配电网调度。
下面通过具体实施例对本发明的技术方案做进一步阐述：
本实施例中以IEEE14节点标准电力网络为例，如图2所示，在节点3、4、9、7、14各自接入1台光伏发电机组。
本实施例中综合考虑光伏出力和负荷需求预测区间的配电网调度方法的具体实施步骤如下：
步骤1：输入一天各时段的光照强度历史数据(如图3所示)、电网各节点用电负荷的历史数据、光伏的发电成本和变电站的实时电价(如表1所示)，其中，Pst为变电站输送功率，PVi为第i台光伏发电机组的发出功率。
表1发电机组出力及成本参数
Figure GDA0002814092500000061
步骤2：首先在理想运行状态下，光伏出力可表示为：
Figure GDA0002814092500000062
其中，PSTC是光伏电池在标准光照强度(1000W/m2)和标准温度(25℃)下的最大输出功率；S是实际光照强度；SSTC是标准光照强度；k是功率温度系数；Tc表示光伏电池的工作温度；Tr是标准电池温度。
如图3所示的基于近似Beta分布的光照强度历史数据，可以得到其光照强度的概率密度函数表达式：
Figure GDA0002814092500000071
其中，Smax是最大光照强度；α和β是Beta分布的形状参数，
Figure GDA0002814092500000072
Γ是Gamma函数。
不同光伏机组由于位置不同，其对应的数值也不同，PV1、PV2：α＝2.77，β＝3.40；PV3：α＝2.57，β＝1.60；PV4，PV5：α＝1.73，β＝2.88。
结合式(1)，以太阳光照强度的概率分布模型为基础，可以得到光伏出力的概率密度函数：
Figure GDA0002814092500000073
其中，Ppvi表示第i个光伏发电机组的预测发出功率，Ppvimax表示第i个光伏发电机组发出的最大功率。
光伏出力的预测出力区间如图4所示，概率密度函数曲线和概率分布曲线如图5中(a)和(b)所示。本发明中采用二分法根据来求解光伏出力的概率分布函数，求解计算第i个光伏发电机组的光伏出力预测区间
Figure GDA0002814092500000074
其中，
Figure GDA0002814092500000075
分别表示上下限，具体预测数据如表2所示。
表2 5台光伏机组不同置信度下的预测出力区间
Figure GDA0002814092500000076
步骤3：基于经验模态分解与稀疏贝叶斯学习相结合的用电负荷分层概率预测方法，将采集到的该区域的部分电负荷数据以及温湿度等环境数据进行试验，建立获取不同置信度下的有效的用电负荷预测置信概率分布区间模型。预测方法步骤主要如下：
1)采用核主成分分析方法(KPCA)提取各用电负荷数据的主分量特征；
2)通过马氏距离加权判定训练样本与预测样本之间的相似度，剔除相似度较低的样本；
3)采用经验模态分解将选出的训练用电负荷样本中的功率信号分解为高频分量和低频分量；
4)采用稀疏贝叶斯学习方法SBL分别对负荷的高频量和低频量进行预测；
5)将不同频段的预测结果进行融合，选取不同的区间置信度，可以得到不同置信区间的负荷需求区间模型，其预测结果如图6所示。
步骤4：建立考虑光伏出力和负荷需求预测区间的配电网调度模型。其中，考虑光伏发电成本和光伏出力的波动性和不确定性，建立配电网运行经济性和可靠性目标函数；考虑负荷需求难以精确预测，建立负荷用抽样方法确定的配电网运行功率平衡等式约束条件。
建立经济性目标函数：
Figure GDA0002814092500000081
其中，C表示发电成本；
Figure GDA0002814092500000082
表示第i个光伏发电机组在t时刻的输出功率；cpvi是第i个光伏发电机组的单位功率运行成本；
Figure GDA0002814092500000083
是在t时刻变电站提供的功率，本实施例假定
Figure GDA0002814092500000084
在各时段均恒定；
Figure GDA0002814092500000085
是变电站在t时刻的供电价格，如表2所示。
配电网调度光伏发电时，是基于光伏出力预测区间的。因此，为了保证配电网的可靠性，实际光伏出力
Figure GDA0002814092500000086
必须要落在预测区间内，即
Figure GDA0002814092500000087
不越下限也不越上限，且距离上下限越大越好。因此建立可靠性目标函数：
max R (5)
Figure GDA0002814092500000088
令
Figure GDA0002814092500000089
和
Figure GDA00028140925000000810
分别为第i个光伏发电机组在t时刻发出的最小和最大功率，
Figure GDA00028140925000000811
为第i个光伏发电机组的调度出力值。实际光伏出力
Figure GDA00028140925000000812
落在区间
Figure GDA00028140925000000813
的概率值可表示为
Figure GDA00028140925000000814
到
Figure GDA00028140925000000815
区域面积
Figure GDA00028140925000000816
同理，实际光伏出力
Figure GDA00028140925000000817
落在区间
Figure GDA00028140925000000818
的概率值可表示为
Figure GDA00028140925000000819
到
Figure GDA00028140925000000820
区域面积
Figure GDA00028140925000000821
换而言之，光伏调度出力值
Figure GDA00028140925000000822
不越下限的概率值可由
Figure GDA00028140925000000823
到
Figure GDA00028140925000000824
区域面积
Figure GDA00028140925000000825
表示，光伏调度出力值
Figure GDA00028140925000000826
不越上限的概率值可由
Figure GDA00028140925000000827
到
Figure GDA00028140925000000828
区域面积
Figure GDA00028140925000000829
表示。
为方便判断和计算，定义可靠性指标λ：
Figure GDA0002814092500000091
|λ|越小，则配电网光伏发电可靠性越好。
为平衡电网运行的经济性和可靠性，建立综合目标函数，即为配电网调度模型的目标函数。其中，ξ为权重系数，κ为量纲转换常数。
min F＝ξC-(1-ξ)κR (8)
确定约束条件：
光伏发电出力波动是在一定区间波动的，因此光伏考虑到光伏预测出力为实际出力应满足约束式(9)配电网光伏出力变化，会造成配电网节点电压变化，但为了配电网安全运行，节点电压应满足约束式(10)
Figure GDA0002814092500000092
Figure GDA0002814092500000093
式中，
Figure GDA0002814092500000094
和
Figure GDA0002814092500000095
分别为t时刻第i个光伏发电机组出力上下限，
Figure GDA0002814092500000096
是节点在t时刻的电压大小，
Figure GDA0002814092500000097
和
Figure GDA0002814092500000098
分别表示配电网节点t时刻允许的电压最小值和最大值。
同时，配电网运行应满足供需平衡约束式，即光伏出力加上变电站输出功率应等于线路损耗和负荷需求之和。由于负荷需求是一区间上概率分布，本发明中负荷采用抽样方法确定。假设
Figure GDA0002814092500000099
为第J次抽样负荷，
Figure GDA00028140925000000910
为第J次抽样负荷
Figure GDA00028140925000000911
对应的光伏最优出力，因此功率平衡方程为：
Figure GDA00028140925000000912
其中，
Figure GDA00028140925000000913
为t时刻变电站发出的功率，
Figure GDA00028140925000000914
为t时刻的配电网网损，L为负荷节点个数，
Figure GDA00028140925000000915
为t时刻第l个节点负荷大小，
Figure GDA00028140925000000916
为t时刻J次负荷抽样下系统对应的第i个光伏发电机组的光伏出力。
步骤5：采用隶属度函数模糊抽样方法，对负荷需求在预测区间上进行大量重复抽样。针对每次抽样负荷，利用粒子群优化算法求解所提模型得到兼顾配电网运行可靠性和运行经济性的调度结果。
把置信度为
Figure GDA00028140925000000917
的负荷需求预测区间划分成r个可信度不同的小区间，且每一个子区间内服从一定的模糊隶属度函数。
假设第l个负荷预测区间为[PLlmin,PLlmax]，将该区间划分成r个子区间，分别表示为a1,…,aθ,…,ar，，aθ为
Figure GDA0002814092500000101
区间aθ的置信度设为
Figure GDA0002814092500000102
同时aθ内负荷分布服从隶属度函数ψ(x)。
由于负荷预测区间包含r个子区间，因此负荷抽样值由r个子区间的抽样值和可信度共同决定。即在第θ个区间内抽样jθ次得到的抽样值
Figure GDA0002814092500000103
则对不确定量的抽样值为：
Figure GDA0002814092500000104
实际抽样时，各子区间负荷分布采用三角隶属度函数。根据求得的负荷预测值δj，利用粒子群优化算法求解配电网调度模型，得到兼顾配电网运行可靠性和运行经济性的调度结果。
本实施例中以图2所示的采用14节点系统的微电网为例，在满足系统约束条件的情况下，用Matlab进行仿真。
以9:00钟时刻微网负荷需求为例，发电机组的出力经济性和可靠性权重系数ξ选取0.4，光伏预测出力区间置信度选取η＝80％，负荷预测抽样区间置信度
Figure GDA0002814092500000105
选取85％，其微网的各机组出力大小、成本及可靠性指标同传统优化调度模型下的对比如表3所示，可靠性指标曲线如图7所示。
表3本文调度模型同传统模型运行参数对比
Figure GDA0002814092500000106
结合式(7)，由表中数据和图8可以明显看出，本发明所提出的微网调度模型在优化结束时能够收敛，验证了该模型的调度有效性。每台光伏机组的出力可靠性指标同传统优化调度模型相比，λ的值更小，其可靠性越高，对于成本也更具有经济性。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (8)

1.综合考虑光伏出力和负荷需求预测区间的配电网调度方法，其特征在于，建立考虑光伏出力和负荷需求预测区间的配电网调度模型，利用模糊抽样方法对负荷需求预测区间进行抽样，根据抽样得到的预测值求解配电网调度模型，得到兼顾配电网运行可靠性和经济性的调度结果；具体实施步骤如下：
步骤1：输入一天内各时段的光照强度历史数据、配电网各节点用电负荷的历史数据、光伏的发电成本和变电站的实时电价；
步骤2：建立光伏出力预测区间模型，选取不同的预测区间置信水平，预测光伏机组的出力区间；
步骤3：建立负荷需求预测区间模型，选取不同的预测区间置信水平，预测负荷需求分布区间；
步骤4：建立考虑光伏出力预测区间和负荷需求预测区间的配电网调度模型，具体为：
4.1，建立配电网运行经济性目标函数为：
Figure FDA0002782629030000011
其中，C表示发电成本，T为一天时刻数，n表示光伏发电机组数量，
Figure FDA0002782629030000012
表示第i个光伏发电机组在t时刻的输出功率；cpvi是第i个光伏发电机组的单位功率运行成本；
Figure FDA0002782629030000013
是在t时刻变电站提供的功率；
Figure FDA0002782629030000014
是变电站在t时刻的供电价格；
4.2，建立配电网可靠性目标函数：
maxR
Figure FDA0002782629030000015
其中，R表示配电网可靠性，
Figure FDA0002782629030000016
表示第i个光伏发电机组的调度出力值，f(·)表示光伏出力的概率密度函数，
Figure FDA0002782629030000017
和
Figure FDA0002782629030000018
分别为第i个光伏发电机组在t时刻发出的最小和最大功率；
4.3，配电网调度模型的目标函数为：
minF＝ξC-(1-ξ)κR
其中，ξ为权重系数，κ为量纲转换常数；
4.4，配电网调度模型的约束条件为：
Figure FDA0002782629030000021
Figure FDA0002782629030000022
Figure FDA0002782629030000023
其中，
Figure FDA0002782629030000024
表示配电网节点在t时刻的电压大小，
Figure FDA0002782629030000025
和
Figure FDA0002782629030000026
分别表示配电网节点在t时刻允许的电压最小值和最大值；
Figure FDA0002782629030000027
为t时刻第J次负荷抽样下第i个光伏发电机组的光伏出力，
Figure FDA0002782629030000028
为t时刻的配电网网损，
Figure FDA0002782629030000029
为t时刻第l个节点的负荷大小，
Figure FDA00027826290300000210
为第J次抽样负荷，L为配电网节点数；
步骤5：采用隶属度函数模糊抽样方法，对负荷需求在预测区间上进行重复抽样；根据抽样得到的负荷预测值，利用粒子群优化算法求解配电网调度模型，得到兼顾配电网运行可靠性和运行经济性的调度结果。
2.根据权利要求1所述的综合考虑光伏出力和负荷需求预测区间的配电网调度方法，其特征在于，步骤2中基于近似Beta分布的光照强度概率分布函数，建立光伏出力预测区间模型为：
Figure FDA00027826290300000211
其中，f(·)表示光伏出力的概率密度函数，Ppvi表示第i个光伏发电机组的预测发出功率，Ppvimax表示第i个光伏发电机组发出的最大功率；
Figure FDA00027826290300000212
Γ是Gamma函数，α和β是Beta分布的形状参数。
3.根据权利要求2所述的综合考虑光伏出力和负荷需求预测区间的配电网调度方法，其特征在于，根据光伏出力的概率密度函数，采用二分法计算第i个光伏发电机组的光伏出力预测区间的上下限
Figure FDA00027826290300000213
4.根据权利要求1所述的综合考虑光伏出力和负荷需求预测区间的配电网调度方法，其特征在于，步骤3中基于经验模态分解与稀疏贝叶斯学习相结合的用电负荷分层概率预测方法，建立不同置信度下的建立负荷需求预测区间模型。
5.根据权利要求4所述的综合考虑光伏出力和负荷需求预测区间的配电网调度方法，其特征在于，用电负荷分层概率预测方法具体为：
1)采用核主成分分析方法KPCA提取各用电负荷数据的主分量特征；
2)通过马氏距离加权判定训练用电负荷样本与预测样本之间的相似度，剔除相似度低于设定阈值的样本；
3)采用经验模态分解将步骤2)中选出的训练用电负荷样本中的功率信号分解为高频分量和低频分量；
4)采用稀疏贝叶斯学习方法SBL分别对负荷的高频分量和低频分量进行预测；
5)将不同频段的预测结果进行融合，选取不同的区间置信度，得到不同置信区间的负荷需求预测区间模型。
6.根据权利要求1所述的综合考虑光伏出力和负荷需求预测区间的配电网调度方法，其特征在于，步骤5中采用隶属度函数模糊抽样方法，对负荷需求在预测区间上进行重复抽样，具体为：
把置信度为
Figure FDA0002782629030000034
的第l个节点的负荷需求预测区间[PLlmin,PLlmax]划分成r个子区间，表示为a1,…,aθ,…,ar，其中，aθ为
Figure FDA0002782629030000031
θ＝1,2,…,r；
在第θ个区间内抽样jθ次得到的抽样值δjθ，其中jθ＝J/r，则对负荷需求的抽样值为：
Figure FDA0002782629030000032
其中，
Figure FDA0002782629030000033
表示第θ个区间aθ的置信度。
7.根据权利要求6所述的综合考虑光伏出力和负荷需求预测区间的配电网调度方法，其特征在于，各子区间内负荷分布服从一定的模糊隶属度函数。
8.根据权利要求6所述的综合考虑光伏出力和负荷需求预测区间的配电网调度方法，其特征在于，各子区间内负荷分布服从三角隶属度函数。
CN201710377613.0A 2017-05-25 2017-05-25 综合考虑光伏出力和负荷需求预测区间的配电网调度方法 Active CN107910863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710377613.0A CN107910863B (zh) 2017-05-25 2017-05-25 综合考虑光伏出力和负荷需求预测区间的配电网调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710377613.0A CN107910863B (zh) 2017-05-25 2017-05-25 综合考虑光伏出力和负荷需求预测区间的配电网调度方法

Publications (2)

Publication Number Publication Date
CN107910863A CN107910863A (zh) 2018-04-13
CN107910863B true CN107910863B (zh) 2021-02-02

Family

ID=61840025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710377613.0A Active CN107910863B (zh) 2017-05-25 2017-05-25 综合考虑光伏出力和负荷需求预测区间的配电网调度方法

Country Status (1)

Country Link
CN (1) CN107910863B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108667071B (zh) * 2018-05-16 2021-04-27 国网山东省电力公司泰安供电公司 一种主动配电网负荷精准控制计算方法
CN109347137A (zh) * 2018-09-21 2019-02-15 中国农业大学 一种分布式光伏集群协调优化控制方法及装置
CN110110912B (zh) * 2019-04-26 2021-09-28 华北电力大学 一种光伏功率多模型区间预测方法
CN110311374B (zh) * 2019-07-08 2024-01-19 三峡大学 泛在电力物联网电能质量技术经济运行方法
CN111200281B (zh) * 2019-12-23 2021-06-08 北京交通大学 互联微网储能配置扩容优化方法
CN111784019A (zh) * 2019-12-26 2020-10-16 国网北京市电力公司 电力负荷处理方法和装置
CN111262243B (zh) * 2020-03-04 2023-05-12 国网浙江省电力有限公司 一种园区配电系统运行方式智能辨识以及优化方法
CN111461506B (zh) * 2020-03-18 2022-04-05 北京航空航天大学 一种基于贝叶斯网络的多微网系统可靠性建模与评估方法
CN111738519A (zh) * 2020-06-24 2020-10-02 广东电网有限责任公司 一种配电网规划方法、系统及设备
CN112636396B (zh) * 2020-12-24 2023-05-09 国网河北省电力有限公司电力科学研究院 光伏配电网控制方法及终端
CN112927098B (zh) * 2021-01-29 2023-10-27 国网内蒙古东部电力有限公司 一种考虑源荷不确定性的电网经济调度综合性评估方法
CN114006372B (zh) * 2021-11-09 2024-03-01 广东电网有限责任公司江门供电局 一种基于5g微能源网的光热供能业务优化方法及系统
CN115759444B (zh) * 2022-11-24 2023-10-20 北京国电通网络技术有限公司 电力设备分配方法、装置、电子设备和计算机可读介质
CN115630772B (zh) * 2022-12-19 2023-05-09 国网浙江省电力有限公司宁波供电公司 综合能源检测配电方法、系统、设备及存储介质
CN116050667B (zh) * 2023-03-22 2023-08-01 国网山东省电力公司烟台供电公司 面向分布式光伏的智能电网负荷预测管理系统及管理方法
CN116777055A (zh) * 2023-06-09 2023-09-19 海南电网有限责任公司电力科学研究院 一种配电网下分布式风电场的功率预测方法
CN116756490A (zh) * 2023-06-15 2023-09-15 沈阳航空航天大学 一种基于贝塔分布与eemd-cmse的滚动轴承故障预警方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102904252A (zh) * 2012-10-24 2013-01-30 合肥工业大学 求解含分布式电源的配电网不确定性潮流的方法
CN106058917A (zh) * 2016-05-31 2016-10-26 国网山东省电力公司济南供电公司 一种计及光伏发电的电力系统动态经济调度方法
CN106469421A (zh) * 2016-09-23 2017-03-01 国家电网公司 一种风电/光伏发电功率汇集拓扑的评估方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102904252A (zh) * 2012-10-24 2013-01-30 合肥工业大学 求解含分布式电源的配电网不确定性潮流的方法
CN106058917A (zh) * 2016-05-31 2016-10-26 国网山东省电力公司济南供电公司 一种计及光伏发电的电力系统动态经济调度方法
CN106469421A (zh) * 2016-09-23 2017-03-01 国家电网公司 一种风电/光伏发电功率汇集拓扑的评估方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
分布式协同网络用电负荷分层加权概率预测方法;孙欣尧 等;《仪器仪表学报》;20140228;第241-246页 *
含大规模新能源的电力系统优化调度问题研究;孟杰;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150115;第12-13、 23页 *

Also Published As

Publication number Publication date
CN107910863A (zh) 2018-04-13

Similar Documents

Publication Publication Date Title
CN107910863B (zh) 综合考虑光伏出力和负荷需求预测区间的配电网调度方法
Zhang et al. Wind power prediction based on LS-SVM model with error correction
CN105305488B (zh) 一种考虑新能源并网对输电网利用率影响的评价方法
CN115759610A (zh) 一种电力系统源网荷储协同的多目标规划方法及其应用
CN108075471B (zh) 基于随机性电源出力预测的多目标约束优化电网调度策略
Huangfu et al. An optimal energy management strategy with subsection bi-objective optimization dynamic programming for photovoltaic/battery/hydrogen hybrid energy system
Han et al. Optimal sizing considering power uncertainty and power supply reliability based on LSTM and MOPSO for SWPBMs
Li et al. Optimal power flow calculation considering large-scale photovoltaic generation correlation
Zhou et al. Research on multi-energy complementary microgrid scheduling strategy based on improved bat algorithm
Tong et al. An intelligent scheduling control method for smart grid based on deep learning
Huang et al. Power prediction method of distributed photovoltaic digital twin system based on GA-BP
Han et al. Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation
Li et al. Low carbon unit commitment for power system with wind farms and carbon capture devices based on DE-BBO algorithm
Chen et al. Evaluation of Low-Carbon Benefits of Smart Grid Based on Random Forest Algorithm
Wang et al. Research on Intelligent Dispatching Optimization of New Energy Grid Considering the Impact of Wind Power
Wang et al. Research on new energy consumption supported by deep learning in the context of Integrated Energy Services
Xie et al. Ultra-short-term Forecasting Method of Photovoltaic Power Generation Based on Combined Deep Neural Network
Piao et al. Coordinated optimal dispatch of composite energy storage microgrid based on double deep Q-network
Jiang et al. Ultra-short-term PV power prediction based on Informer with multi-head probability sparse self-attentiveness mechanism
Zhang et al. Research on Joint Operation of Wind and Solar Storage System Based on Genetic Algorithm
Guo et al. Review and Prospect of Clean Energy Reliability Research
Li et al. Analysis of Power Supply Capacity of DC Distribution Network Considering Photovoltaic-Storage Power Stations
Zhang et al. Simulation Evaluation Method of Power Grid Operation Considering High Proportion New Energy Grid Connection
Chen et al. Quantitative Evaluation Method For Adjustable Resource Regulation Capacity Considering Power Grid Regulation Requirements
Dai et al. Low carbon scheduling strategy of regional integrated energy system with concentrated solar power plant and carbon capture system based on IGDT

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210003, 66 new model street, Gulou District, Jiangsu, Nanjing

Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS

Address before: 210023 9 Wen Yuan Road, Qixia District, Nanjing, Jiangsu.

Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS

GR01 Patent grant
GR01 Patent grant