CN108092321B - 一种考虑不确定性的有源配电网有功无功协调控制方法 - Google Patents

Abstract

本发明涉及一种考虑不确定性的有源配电网有功无功协调控制方法，包括：获取分布式电源和负荷的功率概率模型；建立有源配电网有功无功协调控制模型；根据变量取值范围初始化各粒子的位置和速度；确定分布式电源有功无功出力的估计点；确定各粒子对应的控制目标适应性值及约束条件对应值；依据粒子群算法进行粒子个体最优和全局最优的比较和更新；判断是否达到优化计算结束条件，若已达到，则结束流程；否则，返回确定各粒子对应的控制目标适应性值及约束条件对应值这一步骤。本发明提供的方法解决考虑不确定因素下，含大规模分布式电源的有源配电网优化控制问题。

Description

一种考虑不确定性的有源配电网有功无功协调控制方法

技术领域

本发明涉及一种电力系统运行分析技术领域的协调控制方法，具体涉及一种考虑不确定性的有源配电网有功无功协调控制方法。

背景技术

随着能源短缺和环境污染问题的日益加剧，可再生能源发电获得了快速发展。以光伏为代表的分布式发电促进可再生能源利用的同时，可作为集中式发电的有效补充，在世界范围内得到越来越广泛的应用。随着光伏系统在配电网中的装机容量不断增大，其调度运行也面临一系列挑战：

(1)光伏系统给配电网引入了新的不确定因素。在光伏系统的出力预测方向虽然已有众多研究成果，但是不能解决其自身的随机波动带来的预测误差，与负荷一起作用于有源配电网中，呈现出更强的不确定性。

(2)光伏系统根本上改变了传统配电网运行形态。配电网辐射状无源线路上大规模分布式电源的接入，潮流分布的改变必将影响配电网的运行形态，仅利用原有调控手段和设备已无法满足有源配电网的灵活调控需求。

目前针对第一个方面，现有研究多采用基于随机规划的方法解决有源配电网的优化运行问题。与确定性数学规划最大的不同在于，随机规划可引入带有一定不确定性的随机变量，这使得随机规划比起确定性数学规划更适合于实际问题。

针对第二个问题，可在传统配电网调控设备基础上，充分挖掘分布式电源自身调控特性对配电网的积极作用，从配网角度出发，建立综合考虑有功无功调控成本的协调优化模型，以运行费用最低为目标最大限度利用有源配电网内所有可控资源。

发明内容

为解决上述现有技术中的不足，本发明的目的是提供一种考虑不确定性的有源配电网有功无功协调控制方法，该方法解决考虑不确定因素下，含大规模分布式电源的有源配电网优化控制问题。

本发明的目的是采用下述技术方案实现的：

本发明提供一种考虑不确定性的有源配电网有功无功协调控制方法，其改进之处在于，所述控制方法包括下述步骤：

步骤101：获取分布式电源和负荷的功率概率模型；

步骤102：建立有源配电网有功无功协调控制模型；

步骤103：根据变量取值范围初始化各粒子的位置和速度；因为控制变量为分布式电源有功和无功出力比值，以及传统的无功补偿装置的输出功率，因此变量取值范围为：比值是大于零小于1，如式(1)(2)所示，无功补偿装置控制变量范围为具体装置的功率输出范围内。

步骤104：确定分布式电源有功无功出力的估计点；

步骤105：确定各粒子对应的控制目标适应性值及约束条件对应值；

步骤106：依据粒子群算法进行粒子个体最优和全局最优的比较和更新；

步骤107：判断是否达到优化计算结束条件，若已达到，则结束流程；否则，返回步骤105。

进一步地，所述步骤101中，获取分布式电源和负荷的功率概率模型参数，包含光伏发电单元的Beta分布、风力发电单元的韦布分布、以及负荷的正态分布的在控制时段内的分布参数。

进一步地，所述步骤102中，协调控制模型的控制变量设定为无功补偿装置的无功输出、以光伏系统为代表的分布式电源有功和无功功率输出与实际最大可输出功率的比值，表达式为：

0≤α_i≤1 (1)

0≤β_i≤1 (2)

式中：

α_i——第i个分布式电源有功出力比值；

β_i——第i个分布式电源无功出力比值；

协调控制模型的目标函数包含网络损耗、分布式电源限电、辅助服务、以及电能质量不达标情况下对用户补偿的综合运行费用，表达式为：

式中：

t——时段索引；

N_T——时段数量；

ΔT——优化控制周期；

C_loss——控制周期内网络损耗成本；

P_loss——周期内网络总损耗期望；

i——分布式电源的索引；

N_DG——分布式电源数量；

C_{i_cur}——控制周期内第i个分布式电源弃光成本；

P_{i_cur}——控制周期内第i个分布式电源弃光功率期望；

C_{i_anc}——控制周期内第i个分布式电源无功辅助服务成本；

Q_{i_anc}——控制周期内第i个分布式电源无功辅助服务期望；

k——配电网节点索引；

N_node——配电网节点数量；

C_{k_com}——配电网对第k个节点电压越限补偿；

d_k——配电网第k个节点电压越限等效功率期望；

p{.}——事件概率；

S_k——配电网第k个节点视在功率期望；

U_k——配电网第k个节点电压幅值；

Umin k——配电网第k个节点电压幅值下限；

Umax k——配电网第k个节点电压幅值上限。

进一步地，所述步骤103中，初始化粒子位置初始化包括：分布式电源有功和无功出力比值都是大于零小于1，如式(1)和(2)所示，无功补偿装置控制变量范围为具体装置的功率输出范围内；具体位置的初始化为在各控制变量允许范围内进行随机取值；

粒子速度的初始化就是根据控制变量的范围设定一定的速度范围，并在这个范围内进行随机初始化。

进一步地，所述步骤104中，确定分布式电源有功无功出力的点估计包括：

设某一光伏系统有功出力变量比值为α_i，若已知其最大有功出力P_i的概率密度为f_i(P)，则经过协调控制后实际出力α_ix_i的中心矩为：

光伏系统实际出力α_iP_i与最大有功出力P_i的各阶中心矩相同，则位置系统和概率均相同，因此其估计点为：

α_iP_i,n＝α_iμ_i+ξ_i,nα_iσ_i＝α_i(μ_i+ξ_i,nσ_i) (6)

即实际出力估计点与最大出力估计点的比值即为α_i；

在此实际有功出力估计点下，无功出力估计点计算方式为：

式中：

i——分布式电源的索引；

m——中心矩阶数索引；

λ_i,m——第i个分布式电源第m阶中心矩；

α_i——第i个分布式电源有功出力比值；

σ_i——第i个分布式电源标准差；

P_i——第i个光伏系统注入的最大有功出力；

μ_i——第i个分布式电源数学期望；

β_i——第i个分布式电源无功出力比值；

f_i(x)——第i个分布式电源标概率密度；

P_i,n——第i个分布式电源第n个估计点的有功功率；

Q_i,n——第i个分布式电源第n个估计点的无功功率；

ξ_i,n——第i个分布式电源第n个估计点的位置系数；

S_i——第i个分布式电源的允许视在功率。

进一步地，所述步骤105中，约束条件包括：

1)节点电压概率约束：

2)支路功率概率约束：

3)功率平衡约束：

4)无功补偿约束：

式中：

——节点k电压置信水平；

t——配电网支路索引；

S_t——第t条配电网支路索引视在功率；

——第t条配电网支路索引允许最大视在功率；

——第t条配电网支路索引功率置信水平；

P_k——节点k注入的有功功率；

Q_k——节点k注入的无功功率；

G_kg——节点k、g之间的电导；

B_kg——节点k、g之间的电纳；

δ_kg——节点k、g之间的相角差；

h——无功补偿装置索引；

Q_{h_C}——控制周期内第h个无功补偿装置的补偿量；

——第h个无功补偿装置容量上限；

——第h个无功补偿装置容量下限；

U_k、U_g——节点k和g的电压。

进一步地，所述步骤105中，约束条件还包括分布式电源出力约束，有源配电网的控制变量包含有功出力和无功出力，考虑到不确定因素的影响，有功出力和无功出力的控制变量设置为其最大出力的比值，即存在以下分布式电源出力约束条件表达式：

0≤α_i≤1 (1)

0≤β_i≤1 (2)

其与目标函数中变量的关系为：

式中：α_i——第i个分布式电源有功出力比值；

β_i——第i个分布式电源无功出力比值；

P_i ^max——第i个分布式电源最大有功出力期望；

——第i个分布式电源最大无功出力期望；

——第i个分布式电源允许最大视在功率。

进一步地，所述步骤105中，确定各粒子对应的控制目标适应性值及约束条件对应值包括下述步骤：

①计算原始随机变量的前3阶中心矩：

式中：

i——随机变量编号索引；

m——中心矩阶数索引；

λ_i,m——第i个随机变量第m阶中心矩；

μ_i——第i个随机变量数学期望；

σ_i——第i个随机变量标准差；

f_i(x)——第i个随机变量标概率密度；

②对随机变量进行2点估计：

x_i,k＝μ_i+ξ_i,kσ_i (19)

式中：

n——点估计点数索引，2点估计中n＝1,2；

ξ_i,n——第i个随机变量第n个估计点的位置系数；

r——随机变量数量；

w_i,n——第i个随机变量第n个估计点的概率；

x_i,n——第i个随机变量第n个估计点；

λ_i,3——第i个随机变量第3阶中心矩；

ξ_i,3-n——第i个随机变量第1或第2个估计点的位置系数；

p——点估计法采用的阶数，此处采用2点估计法，即p＝2；

③扩展光伏系统出力点估计模型，进行随机潮流计算：

设某一光伏系统有功出力变量比值为α_i，若已知其最大有功出力P_i的概率密度为f_i(P)，则经过协调控制后实际出力α_ix_i的中心矩为：

光伏系统实际出力α_iP_i与最大有功出力P_i的各阶中心矩相同，则位置系统和概率均相同，因此其估计点为：

α_iP_i,n＝α_iμ_i+ξ_i,nα_iσ_i＝α_i(μ_i+ξ_i,nσ_i) (6)

即实际出力估计点与最大出力估计点的比值即为α_i；

在此实际有功出力估计点下，无功出力估计点计算方式为：

④计算结果变量的各阶原点矩估计值：

式中：

P_i,n——第i个分布式电源第n个估计点的有功功率；

Q_i,n——第i个分布式电源第n个估计点的无功功率；

E(Y_m)——泛指某结果变量第m阶原点矩；

H——泛指结果变量和随机变量之间的函数；

μ₁,μ₂,...,x_i,k,...,μ_n——用期望和估计点作为变量的函数的叠加。

⑤利用结果变量原点矩计算半不变量，结合Cornish-Fisher级数展开求取结果变量概率分布，并根据结果的概率分布计算对应的控制目标适应值及约束条件对应值。

进一步地，所述步骤107中，判断是否达到优化计算结束条件：所述优化计算结束条件包括达到规定的迭代次数，或达到规定的收敛精度(收敛精度根据具体情况限定)。

与最接近的现有技术相比，本发明提供的技术方案具有的优异效果是：

本发明考虑优化调度时以光伏系统为代表的分布式电源和负荷的功率不确定性，从整体运行成本角度出发，挖掘分布式电源的调控能力对有源配电网的支撑作用，建立基于机会约束规划和点估计的有源配电网有功无功协调调度模型，提高有源配电网的运行安全性和经济性，同时间接提升配电网接纳大规模分布式电源能力。具体的：

(1)本发明从有源配电网运行角度出发，提出了一种包含网损、分布式电源限电、辅助服务、以及电能质量不达标情况下对用户补偿的综合运行费用的有功无功协调控目标，该目标能够全面反映大规模分布式电源参与有功无功协调控制后，各类运行调控手段对整体运行费用的影响；

(2)在分布式电源出力和负荷功率概率模型基础上，进一步建立了基于机会约束规划的有源配电网有功无功协调控制模型，该模型充分考虑功率不确定性给配电网运行控制带来的影响，力求在满足各种确定性和以概率表示的不确定性约束条件的基础上，实现配电网运行的经济效益期望的最大化；

(3)针对上述协调控制模型，提出了基于点估计的随机潮流计算方法与粒子群优化方法的有源配电网有功无功协调控模型求解方法，该方法与常用的基于蒙特卡洛采样与智能优化算法的求解方式相比，能够降低随机潮流计算量，提高求解速度。

附图说明

图1是本发明提供的本发明一种考虑不确定性的有源配电网有功无功协调控制方法的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。

如图1所示，为本发明提供的一种考虑不确定性的有源配电网有功无功协调控制方法的流程图，包括下述步骤：

步骤101：获取分布式电源和负荷的功率概率模型；

步骤102：建立有源配电网有功无功协调控制模型；

协调控制模型的控制变量设定为无功补偿装置的无功输出、以光伏系统为代表的分布式电源有功和无功功率输出与实际最大可输出功率的比值，表达式为：

0≤α_i≤1 (1)

0≤β_i≤1 (2)

式中：

α_i——第i个分布式电源有功出力比值；

β_i——第i个分布式电源无功出力比值；

协调控制模型的目标函数包含网络损耗、分布式电源限电、辅助服务、以及电能质量不达标情况下对用户补偿的综合运行费用，表达式为：

式中：

t——时段索引；

N_T——时段数量；

ΔT——优化控制周期；

C_loss——控制周期内网络损耗成本；

P_loss——周期内网络总损耗期望；

i——分布式电源的索引；

N_DG——分布式电源数量；

C_{i_cur}——控制周期内第i个分布式电源弃光成本；

P_{i_cur}——控制周期内第i个分布式电源弃光功率期望；

C_{i_anc}——控制周期内第i个分布式电源无功辅助服务成本；

Q_{i_anc}——控制周期内第i个分布式电源无功辅助服务期望；

k——配电网节点索引；

N_node——配电网节点数量；

C_{k_com}——配电网对第k个节点电压越限补偿；

d_k——配电网第k个节点电压越限等效功率期望；

p{.}——事件概率；

S_k——配电网第k个节点视在功率期望；

U_k——配电网第k个节点电压幅值；

Umin k——配电网第k个节点电压幅值下限；

Umax k——配电网第k个节点电压幅值上限。

步骤103：根据变量取值范围(因为控制变量为分布式电源有功和无功出力比值，以及传统的无功补偿装置的输出功率，因此变量取值范围为：比值是大于零小于1，如式(1)和(2)所示，无功补偿装置控制变量范围为具体装置的功率输出范围内。)初始化各粒子的位置和速度；

步骤104：确定各随机变量估计点；

所述步骤104中，分布式电源有功无功出力的点估计方法，具体为：

设某一光伏系统有功出力变量比值为α_i，若已知其最大有功出力P_i的概率密度为f_i(P)，则经过协调控制后实际出力α_ix_i的中心矩为：

光伏系统实际出力α_iP_i与最大有功出力P_i的各阶中心矩相同，则位置系统和概率均相同，因此其估计点为：

α_iP_i,n＝α_iμ_i+ξ_i,nα_iσ_i＝α_i(μ_i+ξ_i,nσ_i) (6)

即实际出力估计点与最大出力估计点的比值即为α_i；

在此实际有功出力估计点下，无功出力估计点计算方式为：

式中：

i——分布式电源的索引；

m——中心矩阶数索引；

λ_i,m——第i个分布式电源第m阶中心矩；

α_i——第i个分布式电源有功出力比值；

σ_i——第i个分布式电源标准差；

P_i——第i个光伏系统注入的最大有功出力；

μ_i——第i个分布式电源数学期望；

β_i——第i个分布式电源无功出力比值；

f_i(x)——第i个分布式电源标概率密度；

P_i,n——第i个分布式电源第n个估计点的有功功率；

Q_i,n——第i个分布式电源第n个估计点的无功功率；

ξ_i,n——第i个分布式电源第n个估计点的位置系数；

S_i——第i个分布式电源的允许视在功率。

步骤105：确定各粒子对应的控制目标适应性值及约束条件对应值；

优化控制并不是针对静态截面的控制，为了降低频繁操作，一般均以小时级作为控制周期。随着光伏系统并网规模的不断增大，分布式电源和负荷在控制周期内的不确定性导致采用确定性预测数值的优化控制方法的偏差越来越明显。因此考虑有源配电网中不确定因素综合作用进行有功无功协调优化有重要意义。

本发明中节点负荷有功功率和无功功率功率概率视为均满足独立的正态分布特性：

式中：

μ——数学期望；

σ——标准差；

σ²——方差。

在一定时间段内的太阳光照强度可以近似看成Beta分布，其概率密度函数为：

式中：

S——实时光照强度；

S_max——最大光照强度；

Γ——Gamma函数；

α(β)——Beta函数的形状参数。

在实际中，当对未来时段进行光照强度预测时会得到相应的期望值和方差，因此可计算得到Beta函数形状参数：

此时就得到了光照强度概率曲线，依据光伏系统的出力特性，即可得到功率概率特性：

P＝AηS

式中：

P——光伏发电系统输出功率；

A——光伏电池方阵总面积；

η——光伏电池方阵的光电转换效率。

针对这种不确定因素，结合有源配电网有功无功协调控制需求，本发明提出下述约束规划模型。

一、优化目标

式中：

t——时段索引；

N_T——时段数量；

ΔT——优化控制周期；

C_loss——控制周期内网络损耗成本；

P_loss——周期内网络总损耗期望；

i——分布式电源索引；

N_DG——分布式电源数量；

C_{i_cur}——控制周期内第i个分布式电源弃光成本；

P_{i_cur}——控制周期内第i个分布式电源弃光功率期望；

C_{i_anc}——控制周期内第i个分布式电源无功辅助服务成本；

Q_{i_anc}——控制周期内第i个分布式电源无功辅助服务期望；

k——配电网节点索引；

N_node——配电网节点数量；

C_{k_com}——配电网对第k个节点电压越限补偿；

d_k——配电网第k个节点电压越限等效功率期望；

p{.}——事件概率；

S_k——配电网第k个节点视在功率期望；

U_k——配电网第k个节点电压幅值；

Umin k——配电网第k个节点电压幅值下限；

Umax k——配电网第k个节点电压幅值上限。

二、约束条件

(1)节点电压概率约束：

2)支路功率概率约束：

3)功率平衡约束：

4)无功补偿约束：

式中：

——节点k电压置信水平；

t——配电网支路索引；

S_t——第t条配电网支路索引视在功率；

——第t条配电网支路索引允许最大视在功率；

——第t条配电网支路索引功率置信水平；

P_k——节点k注入的有功功率；

Q_k——节点k注入的无功功率；

G_kg——节点k、g之间的电导；

B_kg——节点k、g之间的电纳；

δ_kg——节点k、g之间的相角差；

h——无功补偿装置索引；

Q_{h_C}——控制周期内第h个无功补偿装置的补偿量；

——第h个无功补偿装置容量上限；

——第h个无功补偿装置容量下限；

U_k、U_g——节点k和g的电压。

(5)分布式电源出力约束

控制设备包含传统无功补偿设备，以及分布式电源有功和无功出力。值得注意的是，在进行出力控制的分布式电源中，包含光伏系统等可再生能源发电系统。这类分布式电源自身出力具有较强随机性，在正常运行状态下不进行出力控制。但是这种随机性也是造成运行状态不稳定的原因，因此在有源配电网的协调优化中，可将此类分布式电源纳入协调控制体系中，并充分利用其无功出力资源对有源配电网进行提高电能质量和降低网损等运行支撑。

在本专利中，有源配电网主要考虑光伏发电系统的大规模、分散式接入，其控制变量包含有功和无功出力。同时考虑到不确定因素的影响，有功和无功出力的控制变量设置为其最大出力的比值，即存在以下关系：

0≤α_i≤1 (1)

0≤β_i≤1 (2)

式中：

α_i——第i个分布式电源有功出力比值；

β_i——第i个分布式电源无功出力比值。

其与目标函数中变量的关系为：

式中：

P_i ^max——第i个分布式电源最大有功出力期望；

——第i个分布式电源最大无功出力期望。

三、模型求解

注意到上述考虑光伏系统和负荷不确定因素的协调控制方法，采用的是随机规划中的机会约束规划模型。优化目标中含不确定因素的变量采用的是期望值最优方式，约束条件则针对这类变量采用了概率约束的方式。针对这种随机规划模型，本专利提出了利用点估计作为机会约束规划中随机潮流计算方法，结合光伏系统自身随机变量作为控制变量的点估计特性和方式，在粒子群优化算法的基础上进行本专利所提模型的求解。对粒子群优化中每个粒子的目标值及约束变量计算具体过程如下：

(1)计算原始随机变量的前3阶中心矩

式中：

i——随机变量编号索引；

m——中心矩阶数索引；

λ_i,m——第i个随机变量第m阶中心矩；

μ_i——第i个随机变量数学期望；

σ_i——第i个随机变量标准差；

f_i(x)——第i个随机变量标概率密度；

②对随机变量进行2点估计：

x_i,k＝μ_i+ξ_i,kσ_i (19)

式中：

n——点估计点数索引，2点估计中n＝1,2；

ξ_i,n——第i个分布式电源第n个估计点的位置系数；

r——分布式电源数量；

w_i,n——第i个分布式电源第n个估计点的概率；

x_i,n——第i个分布式电源第n个估计点；

λ_i,3——第i个分布式电源第3阶中心矩；

ξ_i,3-n——第i个分布式电源第1或第2个估计点的位置系数；

p——点估计法采用的阶数，此处采用2点估计法，即p＝2；

(3)扩展光伏系统出力点估计模型，进行随机潮流计算

设某一光伏系统有功出力变量比值为α_i，若已知其最大有功出力P_i的概率密度为f_i(P)，则经过协调控制后实际出力α_ix_i的中心矩为：

光伏系统实际出力α_iP_i与最大有功出力P_i的各阶中心矩相同，则位置系统和概率均相同，因此其估计点为：

α_iP_i,n＝α_iμ_i+ξ_i,nα_iσ_i＝α_i(μ_i+ξ_i,nσ_i) (6)

即实际出力估计点与最大出力估计点的比值即为α_i；

在此实际有功出力估计点下，无功出力估计点计算方式为：

(4)计算结果变量的各阶原点矩估计值

式中：

P_i,n——第i个分布式电源第n个估计点的有功功率；

Q_i,n——第i个分布式电源第n个估计点的无功功率；

E(Y_m)——泛指某结果变量第m阶原点矩；

H——泛指结果变量和随机变量之间的函数；

μ₁,μ₂,...,x_i,k,...,μ_n——用期望和估计点作为变量的函数的叠加。

(5)利用结果变量原点矩计算半不变量，结合Cornish-Fisher级数展开求取结果变量概率分布，并根据结果的概率分布计算协调控制目标适应值及约束条件对应值

步骤106：依据粒子群算法进行粒子个体最优和全局最优的比较和更新；

步骤107：判断是否达到优化计算结束条件，若已达到，则结束流程；否则，返回步骤105。所述优化计算结束条件包括达到规定的迭代次数，或达到规定的收敛精度(收敛精度根据具体情况限定)。

应用本发明提供的技术方案后：

(1)本发明提出一种考虑不确定性的有源配电网有功无功协调控制方法，本方法考虑以光伏系统为代表的分布式电源、负荷的功率不确定性，建立了基于机会约束规划的协调控制模型。模型提出了包含网损、分布式电源限电、辅助服务、以及电能质量不达标情况下对用户补偿的综合运行费用的有功无功协调控目标，并建立了满足各种确定性和以概率表示的不确定性约束条件；

(2)针对分布式电源有功无功功率作为经过协调控制后的输出量，同时具有不确定性特点，提出了在协调控制模型中，以控制后输出功率与实际允许最大出力的比值作为分布式电源控制变量的建模方法，这种分布式电源控制变量设置方法可以降低协调控制相关量不确定性影响，实现不确定性输出条件下确定性控制变量的转化；

(3)针对上述协调控制模型，提出了基于点估计的随机潮流计算方法与粒子群优化方法的有源配电网有功无功协调控模型求解方法，该方法与常用的基于蒙特卡洛采样与智能优化算法的求解方式相比，能够降低随机潮流计算量，提高求解速度。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (7)

1.一种考虑不确定性的有源配电网有功无功协调控制方法，其特征在于，所述方法包括下述步骤：

步骤101：获取分布式电源和负荷的功率概率模型参数；

步骤102：建立有源配电网有功无功协调控制模型；

步骤103：根据变量取值范围初始化各粒子的位置和速度；

步骤104：确定分布式电源有功无功出力的估计点；

步骤105：确定各粒子对应的控制目标适应性值及约束条件对应值；

步骤106：依据粒子群算法进行粒子个体最优和全局最优的比较和更新；

步骤107：判断是否达到优化计算结束条件，若已达到，则结束流程；否则，返回步骤105；

所述步骤101中，获取分布式电源和负荷的功率概率模型参数，包含光伏发电单元的Beta分布、风力发电单元的韦布分布、以及负荷的正态分布的在控制时段内的分布参数；

述步骤102中，协调控制模型的控制变量设定为无功补偿装置的无功输出、以光伏系统为代表的分布式电源有功和无功功率输出与实际最大可输出功率的比值，表达式为：

0≤α_i≤1 (1)

0≤β_i≤1 (2)

式中：

α_i——第i个分布式电源有功出力比值；

β_i——第i个分布式电源无功出力比值；

协调控制模型的目标函数包含网络损耗、分布式电源限电、辅助服务、以及电能质量不达标情况下对用户补偿的综合运行费用，表达式为：

式中：

t——时段索引；

N_T——时段数量；

ΔT——优化控制周期；

C_loss——控制周期内网络损耗成本；

P_loss——周期内网络总损耗期望；

i——分布式电源的索引；

N_DG——分布式电源数量；

C_{i_cur}——控制周期内第i个分布式电源弃光成本；

P_{i_cur}——控制周期内第i个分布式电源弃光功率期望；

C_{i_anc}——控制周期内第i个分布式电源无功辅助服务成本；

Q_{i_anc}——控制周期内第i个分布式电源无功辅助服务期望；

k——配电网节点索引；

N_node——配电网节点数量；

C_{k_com}——配电网对第k个节点电压越限补偿；

d_k——配电网第k个节点电压越限等效功率期望；

p{.}——事件概率；

S_k——配电网第k个节点视在功率期望；

U_k——配电网第k个节点电压幅值；

Umin k——配电网第k个节点电压幅值下限；

Umax k——配电网第k个节点电压幅值上限。

2.如权利要求1所述的有源配电网有功无功协调控制方法，其特征在于，所述步骤103中，粒子位置的初始化包括：分布式电源有功和无功出力比值都是大于零小于1，如式(1)和(2)所示，无功补偿装置控制变量范围为具体装置的功率输出范围内；具体位置的初始化为在各控制变量允许范围内进行随机取值；

粒子速度的初始化就是根据控制变量的范围设定一定的速度范围，并在这个范围内进行随机初始化。

3.如权利要求2所述的有源配电网有功无功协调控制方法，其特征在于，所述步骤104中，确定分布式电源有功无功出力的点估计包括：

设某一光伏系统有功出力变量比值为α_i，若已知其最大有功出力P_i的概率密度为f_i(P)，则经过协调控制后实际出力α_iP_i的中心矩为：

光伏系统实际出力α_iP_i与最大有功出力P_i的各阶中心矩相同，则位置系统和概率均相同，因此其估计点为：

α_iP_i,n＝α_iμ_i+ξ_i,nα_iσ_i＝α_i(μ_i+ξ_i,nσ_i) (6)

即实际出力估计点与最大出力估计点的比值即为α_i；

在此实际有功出力估计点下，无功出力估计点计算方式为：

式中：

i——分布式电源的索引；

m——中心矩阶数索引；

λi_,m——第i个分布式电源第m阶中心矩；

α_i——第i个分布式电源有功出力比值；

σ_i——第i个分布式电源标准差；

P_i——第i个光伏系统注入的最大有功出力；

μ_i——第i个分布式电源数学期望；

β_i——第i个分布式电源无功出力比值；

f_i(x)——第i个分布式电源标概率密度；

P_i,n——第i个分布式电源第n个估计点的有功功率；

Q_i,n——第i个分布式电源第n个估计点的无功功率；

ξ_i,n——第i个分布式电源第n个估计点的位置系数；

S_i——第i个分布式电源的允许视在功率。

4.如权利要求3所述的有源配电网有功无功协调控制方法，其特征在于，所述步骤105中，约束条件包括：

1)节点电压概率约束：

2)支路功率概率约束：

3)功率平衡约束：

4)无功补偿约束：

式中：

——节点k电压置信水平；

t——配电网支路索引；

S_t——第t条配电网支路索引视在功率；

——第t条配电网支路索引允许最大视在功率；

——第t条配电网支路索引功率置信水平；

P_k——节点k注入的有功功率；

Q_k——节点k注入的无功功率；

G_kg——节点k、g之间的电导；

B_kg——节点k、g之间的电纳；

δ_kg——节点k、g之间的相角差；

h——无功补偿装置索引；

Q_{h_C}——控制周期内第h个无功补偿装置的补偿量；

——第h个无功补偿装置容量上限；

——第h个无功补偿装置容量下限；

U_k、U_g——节点k和g的电压。

5.如权利要求4所述的有源配电网有功无功协调控制方法，其特征在于，所述步骤105中，约束条件还包括分布式电源出力约束，有源配电网的控制变量包含有功出力和无功出力，考虑到不确定因素的影响，有功出力和无功出力的控制变量设置为其最大出力的比值，即存在以下分布式电源出力约束条件表达式：

0≤α_i≤1 (1)0≤β_i≤1 (2)

其与目标函数中变量的关系为：

式中：α_i——第i个分布式电源有功出力比值；

β_i——第i个分布式电源无功出力比值；

——第i个分布式电源最大有功出力期望；

——第i个分布式电源最大无功出力期望；

——第i个分布式电源允许最大视在功率。

6.如权利要求5所述的有源配电网有功无功协调控制方法，其特征在于，所述步骤105中，确定各粒子对应的控制目标适应性值及约束条件对应值包括下述步骤：

①计算原始随机变量的前3阶中心矩：

式中：

i——随机变量编号索引；

m——中心矩阶数索引；

λ_i,m——第i个随机变量第m阶中心矩；

μ_i——第i个随机变量数学期望；

σ_i——第i个随机变量标准差；

f_i(x)——第i个随机变量标概率密度；

②对随机变量进行2点估计：

x_i,k＝μ_i+ξ_i,kσ_i (19)

式中：

n——点估计点数索引，2点估计中n＝1,2；

ξ_i,n——第i个随机变量第n个估计点的位置系数；

r——随机变量数量；

w_i,n——第i个随机变量第n个估计点的概率；

x_i,n——第i个随机变量第n个估计点；

λ_i,3——第i个随机变量第3阶中心矩；

ξ_i,3-n——第i个随机变量第1或第2个估计点的位置系数；

p——点估计法采用的阶数，此处采用2点估计法，即p＝2；

③扩展光伏系统出力点估计模型，进行随机潮流计算：

设某一光伏系统有功出力变量比值为α_i，若已知其最大有功出力P_i的概率密度为f_i(P)，则经过协调控制后实际出力α_iP_i的中心矩为：

光伏系统实际出力α_iP_i与最大有功出力P_i的各阶中心矩相同，则位置系统和概率均相同，因此其估计点为：

α_iP_i,n＝α_iμ_i+ξ_i,nα_iσ_i＝α_i(μ_i+ξ_i,nσ_i) (6)

即实际出力估计点与最大出力估计点的比值即为α_i；

在此实际有功出力估计点下，无功出力估计点计算方式为：

④计算结果变量的各阶原点矩估计值：

式中：

P_i,n——第i个分布式电源第n个估计点的有功功率；

Q_i,n——第i个分布式电源第n个估计点的无功功率；

E(Y_m)——泛指某结果变量第m阶原点矩；

H——泛指结果变量和随机变量之间的函数；

μ₁,μ₂,…,x_i,k,…,μ_n——用期望和估计点作为变量的函数的叠加；

⑤利用结果变量原点矩计算半不变量，结合Cornish-Fisher级数展开求取结果变量概率分布，并根据结果的概率分布计算对应的控制目标适应值及约束条件对应值。

7.如权利要求1所述的有源配电网有功无功协调控制方法，其特征在于，所述步骤107中，判断是否达到优化计算结束条件：所述优化计算结束条件包括达到规定的迭代次数，或达到规定的收敛精度。

Images