CN108764552A - 一种配电网分布式电源的选址定容规划的确定方法 - Google Patents

一种配电网分布式电源的选址定容规划的确定方法 Download PDF

Info

Publication number
CN108764552A
CN108764552A CN201810488440.4A CN201810488440A CN108764552A CN 108764552 A CN108764552 A CN 108764552A CN 201810488440 A CN201810488440 A CN 201810488440A CN 108764552 A CN108764552 A CN 108764552A
Authority
CN
China
Prior art keywords
cluster
iteration
particle
distributed generation
power
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.)
Granted
Application number
CN201810488440.4A
Other languages
English (en)
Other versions
CN108764552B (zh
Inventor
丁明
方慧
毕锐
盛万兴
寇凌峰
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201810488440.4A priority Critical patent/CN108764552B/zh
Publication of CN108764552A publication Critical patent/CN108764552A/zh
Application granted granted Critical
Publication of CN108764552B publication Critical patent/CN108764552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明公开了一种配电网分布式电源的选址定容规划的确定方法，所述方法包括：针对规划区对应的配电网，按照预先划分的每一个控制分区，将位于所述控制分区内的分布式电源组成一个集群，进而得到至少两个集群；获取所述配电网的基础数据；根据所述配电网的基础数据，建立包含每一个集群的上层模型以及对所有集群并行计算的针对每一个集群内部节点的下层模型；利用粒子群优化算法对所述上层模型进行优化，利用粒子群优化算法和二进制粒子群优化算法对所述下层模型进行优化；将优化的结果作为配电网分布式电源的选址定容规划的目标规划结果。应用本发明实施例，可以降低配电网的选址定容规划的复杂度。

Description

一种配电网分布式电源的选址定容规划的确定方法
技术领域
本发明涉及一种配电网规划方法，更具体涉及一种配电网分布式电源的选址定容规划的确定方法。
背景技术
近年来，可再生能源发电，尤其是光伏发电得到了快速发展。如何将光伏发电产生的电能接入到配电网中是需要解决的技术问题。目前，光伏发电的接入方式可分为两种：一种是在光照资源丰富地区大规模集中接入中高压电网的外送消纳式地面型光伏电站；一种是在用户侧负荷节点附近规模化分散接入低压配电网的就地消纳型分布式光伏发电。但是，分布式光伏发电是随着光照强度和温度波动的。为了解决上述问题，可以在配电网中增加储能系统，储能系统能够有效平抑分布式电源出力与负荷需求在时序上可能出现的不匹配性，为大规模分布式电源并网规划问题提供了一种解决方案。
目前，随着分布式电源在配电网中渗透率的提高，会导致配电网的潮流分布发生改变，进而导致配电网网损增加、配电网中各节点电压越限、配电网中分布式电源向上级配电网进行功率倒送等问题。研究表明，分布式电源的接入容量以及接入位置对上述问题产生了显著的影响。综上，配电网的规划和运行指标将受到配电网中分布式电源的容量、分布式电源的接入位置、储能系统的容量以及储能系统的接入位置的影响。为了进行配电网的合理规划，相关研究已从不同角度提出了分布式电源和储能的优化规划模型，通常使用粒子群对规划模型进行优化。
但是，现有的配电网节点数量多、接入配电网中的分布式电源单体容量小、安装数量多，且功率波动性强，导致配电网规划的计算维度高，进而导致选址定容规划过程复杂。
发明内容
本发明所要解决的技术问题在于提供了一种配电网分布式电源的选址定容规划的确定方法，以解决现有技术中存在的选址定容规划过程复杂的技术问题。
本发明是通过以下技术方案解决上述技术问题的：
本发明实施例提供了一种配电网分布式电源的选址定容规划的确定方法，所述方法包括：
A：针对规划区对应的配电网，按照预先划分的每一个控制分区，将位于所述控制分区内的分布式电源组成一个集群，进而得到至少两个集群；
B：获取所述配电网的基础数据，其中，所述基础数据包括：网架结构，负荷水平，电气参数；
C：根据所述配电网的基础数据，建立包含每一个集群的上层模型以及对所有集群并行计算的针对每一个集群内部节点的下层模型；
D：利用粒子群优化算法对所述上层模型进行优化，利用粒子群优化算法和二进制粒子群优化算法对所述下层模型进行优化；将优化的结果作为配电网分布式电源的选址定容规划的目标规划结果。
可选的，所述步骤C，包括：
C1：以包含所有分布式电源的配电网年综合成本最小为目标：建立包含每一个集群的分布式电源容量、每一个集群的储能容量和每一个集群的储能功率的上层模型，并确定所述上层模型的约束条件，其中，所述上层模型的约束条件包括：各集群接入的分布式电源装机容量约束、功率平衡约束、主网联络支路倒送功率约束、群间交互支路功率约束和储能的充放电功率约束、剩余容量约束以及始末剩余容量约束；
C2：以包含所有分布式电源的配电网的网损最小为目标：建立包含所有集群内各个节点接入的分布式电源容量和各个节点接入的储能系统位置的下层模型，并确定所述下层模型的约束条件，其中，所述下层模型的约束条件包括：各节点所接入的分布式电源装机容量约束、配电网潮流约束、各节点对应的电压约束、集群内部支路功率约束。
可选的，所述配电网潮流约束的计算过程为：
利用公式，计算所述配电网潮流约束，其中，
Pe为第e个节点对应的有功功率；Qe为第e个节点对应的无功功率；Ue为第e个节点对应的电压幅值；Uf为第f个节点对应的电压幅值；Gef为第e个节点与第f个节点之间的支路电导；Bef为第e个节点与第f个节点之间的支路电纳；θef为第e个节点与第f个节点之间的电压相角差；∑为求和函数；e为节点的序号；f为节点的序号。
可选的，所述步骤D包括：
D1：初始化上层模型对应的粒子群优化算法的算法参数，其中，所述算法参数包括：粒子群的群体规模、最大惯性权重、最小惯性权重、学习因子、最大迭代次数；
D2：对各集群接入的分布式电源总容量、储能容量和功率进行上层粒子群编码，随机产生满足所述上层模型的约束条件的初始粒子群，并初始化粒子群的迭代速度、个体最优值和群体最优值；
D3：更新所述粒子群中的上层粒子的迭代速度和位置；
D4：在当前次迭代中，利用粒子群算法和二进制粒子群算法对下层模型对应的下层粒子群进行优化；
D5：计算上层粒子适应度，其中，所述粒子适应度为配电网的年综合成本；
D6：更新上层粒子群的个体最优值、上层粒子群的个体最优适应度、上层粒子群的群体最优值和上层粒子群的群体最优适应度：
D7：判断是否达到上层模型的收敛条件，其中，所述收敛条件包括：个体最优值与群体最优值之间的差值小于第一预设阈值、上层收敛的最大收敛次数；
D8：若是，将当前次迭代上层粒子群的群体最优值对应的规划方案作为配电网分布式电源的选址定容规划的目标规划结果；
D9：若否，返回执行所述D3步骤，直至达到上层模型的收敛条件。
可选的，所述步骤D2包括：
利用公式，
进行上层粒子群编码，其中，
X为M个粒子组成的粒子群；Xu为第u个粒子的位置集合；M为粒子群中的粒子的个数；Vu为第u个粒子的迭代速度集合，NC为配电网中的集群个数，XPV,uj为第u个粒子对应的集群j内接入的分布式电源容量对应的位置；XEE,uj为第u个粒子对应的集群j内接入的储能容量对应的位置；XEP,uj为第u个粒子对应的集群j内接入的储能功率对应的位置；为集群j内接入的分布式电源容量对应的迭代速度；为集群j内接入的储能系统容量对应的迭代速度；为集群j内接入的储能功率对应的迭代速度。
可选的，所述步骤D3，包括：
利用公式，
，更新所述粒子群中的上层粒子的迭代速度和位置，其中，
Pu为第u个粒子的在当前次迭代以前的所有迭代中的个体极值；Pg为包含M个粒子的当前粒子群对应的在当前次迭代以前的所有迭代中的群体极值；为第k次迭代时第u个粒子的d维变量的迭代速度；为第k+1次迭代时第u个粒子d维变量的迭代速度；为第k次迭代时第u个粒子d维变量的位置；为第k+1次迭代时第u个粒子d维变量的位置；c1为第一学习因子；c2为第二学习因子；r1为第一随机数；r2为第二随机数；PPV,uj为在当前次迭代以前的所有迭代中的第u个粒子的对应的集群j的分布式电源容量的个体极值；PEE,uj为在当前次迭代以前的所有迭代中的第u个粒子的对应的集群j的储能容量的个体极值；PEP,uj为在当前次迭代以前的所有迭代中的第u个粒子的对应的集群j的储能功率的个体极值；PPV,gj为在当前次迭代以前的所有迭代中的集群j的分布式电源容量的群体极值；PEE,gj为在当前次迭代以前的所有迭代中的集群j的储能容量的群体极值；PEP,gj为在当前次迭代以前的所有迭代中的集群j的储能功率的群体极值；k为当前次迭代对应的迭代次数。
可选的，所述步骤D3，包括：
针对每一上层粒子，判断更新后的迭代速度是否与更新前的迭代速度一致；
若是，将所述粒子群中的上层粒子的迭代速度与预设的随机数的积作为所述上层粒子的迭代速度，其中，所述预设随机数为介于0和1之间的随机数；
针对每一上层粒子，判断更新后的位置是否越界；
若是，利用公式，
更新所述粒子群中的上层粒子的位置，其中，
为更新后的第u个粒子d维变量的第k+1次迭代的上层粒子的位置；Pa为吸引因子；％为求模运算符；Xmin为粒子位置的下界；z为空间缩放因子，且z＝k*rand()，rand()为随机数函数；Xmax为粒子位置的上界。
可选的，所述步骤D4，包括：
步骤1：初始化下层模型对应的粒子群优化算法的算法参数，其中，所述算法参数包括：粒子群的群体规模、最大惯性权重、最小惯性权重、学习因子、最大迭代次数；
步骤2：针对每一集群，对所述集群内各节点接入的分布式电源分容量进行粒子群编码，对储能的并网位置进行二进制粒子群编码，随机产生满足下层约束的初始混合粒子群，初始化粒子群的迭代速度、个体最优值和群体最优值；
步骤3：更新所述下层粒子群中的粒子的迭代速度和位置；
步骤4：根据每一下层粒子的迭代速度和位置，更新配电网潮流程序中各节点接入的分布式电源出力和储能充放电功率数据；计算所述配电网潮流，并根据所述配电网潮流获得下层粒子群的适应度，其中，所述下层粒子群的适应度为所述配电网的网损；
步骤5：更新下层混合粒子群的个体最优值、下层混合粒子群的个体最优适应度、下层混合粒子群的群体最优值和下层混合粒子群的群体最优适应度；
步骤6：判断是否达到下层模型的收敛条件，其中，所述收敛条件包括：个体最优值与群体最优值之间的差值小于第二预设阈值、下层收敛的最大收敛次数；
步骤7：若是，将当前群体最优值和最优适应度作为下层优化结果；
步骤8；若否，返回执行所述步骤3，直至达到下层模型的收敛条件。
可选的，所述步骤2，包括：
利用公式，
进行下层粒子群编码，其中，
x为由N个粒子组成的粒子群；xm为第m个粒子的位置集合；m为粒子的序号；N为粒子群中的粒子总数；xm,j为第m个粒子中集群j的位置集合；pmi,j为第m个粒子的集群j中的第i个节点接入的分布式电源分容量；Lmi,j为第m个粒子的集群j中的第i个节点接入的储能系统的位置；vm,j为第m个粒子中集群j的迭代速度的集合；Vp,mi,j为第m个粒子的集群j中的第i个节点分布式电源分容量的迭代速度；VL,mi,j为第m个粒子的集群j中的第i个节点储能系统位置的迭代速度；NS为配电网中集群j包含的节点个数；
且，
可选的，所述步骤3，包括：
利用公式，
更新所述下层粒子群中的粒子的迭代速度和位置，其中，
pbm,j为第m个粒子的集群j中在当前次迭代以前的所有迭代中的个体极值；pbmi,j为第m个粒子的集群j中的第i个节点对应的分布式电源分容量的个体极值；Lbmi,j为第m个粒子的集群j中的第i个节点对应的储能系统的接入位置的个体极值；pg,j为集群j中在当前次迭代以前的所有迭代中的群体极值；pgi,j为集群j中的第i个节点在当前次迭代以前的所有迭代中的对应的分布式电源分容量的群体极值；Lgi,j为集群j中的第i个节点在当前次迭代以前的所有迭代中的对应的储能系统的接入位置的群体极值；为在下层模型进行第n+1次迭代时第m个粒子的集群j中d维变量的迭代速度；为在下层模型进行第n次迭代时第m个粒子的集群j中d维变量的迭代速度；为在下层模型进行第n次迭代时第m个粒子的集群j中d维变量的分布式电源分容量的个体极值；为下层模型进行第n次迭代时第m个粒子的集群j中d维变量的位置；为下层模型进行第n次迭代时集群j中d维变量的分布式电源分容量的群体极值；sig为非线性函数；为下层模型进行第n+1次迭代时第u个粒子d维变量的位置。
本发明相比现有技术具有以下优点：
应用本发明实施例，将每一个控制分区中包含的分布式电源和储能系统作为一个集群，然后构建上层优化模型和下层优化模型，利用上层优化模型进行集群间优化，利用下层优化模型进行集群内优化，进而获取目标规划结果，相对于现有技术中将整个配电网作为一个整体进行选址定容的优化，本发明实施例在对接入配电网的分布式电源和储能系统的协调规划过程中，引入控制分区，降低了配电网的选址定容规划的复杂度。
附图说明
图1为本发明实施例提供的一种配电网分布式电源的选址定容规划的确定方法的流程示意图；
图2为本发明实施例提供的一种配电网网络结构示意图；
图3为本发明实施例提供的一种配电网中集群结构划分示意图；
图4为本发明实施例提供的一种配电网分布式电源的选址定容规划的确定方法中对上层模型进行优化的原理示意图；
图5为本发明实施例提供的一种配电网分布式电源的选址定容规划的确定方法中对下层模型进行优化的原理示意图；
图6为本发明实施例提供的一种分布式光伏电源单位出力全年小时曲线图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
为解决现有技术问题，本发明实施例提供了一种配电网分布式电源的选址定容规划的确定方法。
图1为本发明实施例提供的一种配电网分布式电源的选址定容规划的确定方法的流程示意图，如图1所示，所述方法包括：
S101：针对规划区对应的配电网，按照预先划分的每一个控制分区，将位于所述控制分区内的分布式电源组成一个集群，进而得到至少两个集群；
示例性的，图2为本发明实施例提供的一种配电网网络结构示意图；图3为本发明实施例提供的一种配电网中集群结构划分示意图；如图2和图3所示，节点0为本发明所述配电网与上级配电网连接的节点。图2以及图3中所示的节点1至节点60均为规划区配电网中包含的节点。
按照预先设置的控制分区，将配电网中的60个节点按照图3所示方式划分成多个集群，图3中每一个虚线框中包含的节点构成一个集群，图3中形成了8个集群。每个集群中可以包含分布式光伏电源、储能系统、负荷节点、分支节点。
需要强调的是，本发明所述配电网是指待规划区域内的配电网，该配电网中至少包含分布式电源、储能系统和负荷。本发明实施例所述节点可以是负荷点，即用户接入配电网的连接点；可以是分布式电源向配电网供电的连接点；可以是储能系统与配电网的连接点；可以配电网线路的分叉点。而且，每一个节点可以包括以上各种节点形式中的至少一种。
需要强调的是，分布式电源，可以包括分布式光伏电源、与分布式风力电源、分布式潮汐电源等，这里所说的电源是指，直接与配电网连接的光伏发电板阵列与逆变器组、风力发电机组、潮汐发电机组等。
S102：获取所述配电网的基础数据，其中，所述基础数据包括：网架结构，负荷水平，电气参数；
示例性的，获取的基础数据包括但不仅限于，获取图2中各个节点的负荷水平、各个节点的负荷变化趋势、各个节点的分布式电源的接入容量、各个储能系统的容量、各个储能系统的功率等数据。
S103：根据所述配电网的基础数据，建立包含每一个集群的上层模型以及对所有集群并行计算的针对每一个集群内部节点的下层模型；
具体的，所述步骤S103，可以包括：C1：以包含所有分布式电源的配电网年综合成本最小为目标：建立包含每一个集群的分布式电源容量、每一个集群的储能容量和每一个集群的储能功率的上层模型，并确定所述上层模型的约束条件，其中，所述上层模型的约束条件包括：各集群接入的分布式电源装机容量约束、功率平衡约束、主网联络支路倒送功率约束、群间交互支路功率约束和储能的充放电功率约束、剩余容量约束以及始末剩余容量约束；C2：以包含所有分布式电源的配电网的网损最小为目标：建立包含所有集群内各个节点接入的分布式电源容量和各个节点接入的储能系统位置的下层模型，并确定所述下层模型的约束条件，其中，所述下层模型的约束条件包括：各节点所接入的分布式电源装机容量约束、配电网潮流约束、各节点对应的电压约束、集群内部支路功率约束。
具体的，所述配电网潮流约束的计算过程可以为：
利用公式，计算所述配电网潮流约束，其中，
Pe为第e个节点对应的有功功率；Qe为第e个节点对应的无功功率；Ue为第e个节点对应的电压幅值；Uf为第f个节点对应的电压幅值；Gef为第e个节点与第f个节点之间的支路电导；Bef为第e个节点与第f个节点之间的支路电纳；θef为第e个节点与第f个节点之间的电压相角差；∑为求和函数；e为节点的序号；f为节点的序号。
示例性的，第一方面，以集群为基本研究对象，上层模型所构造的多集群配电网，是将各集群视为等效节点，根据各集群的负荷总量，考虑群间负荷的相对大小及时序变化趋势，对接入各集群的分布式电源容量、储能容量和功率进行协同优化；上层模型的目标函数表达式可以为：
minC＝CI+COM-CPS+CP+CIP，其中，
C为配电网的年综合成本；CI为分布式电源和储能系统的等年值安装成本；COM为配电网年运行维护成本；CPS为配电网分布式电源的年发电补贴；CP为配电网主网购电成本；CIP为配电网集群外特性指标。
(1)、可以利用以下公式计算等年值安装成本，
其中，
CI为等年值安装成本；CIPV为分布式电源的等年值安装成本；CIESS为储能系统的等年值安装成本；NC为集群个数；r是贴现率；yPV为分布式电源的使用年限；yESS为储能系统的使用年限；为分布式电源单位容量投资成本；为储能系统的单位容量投资成本；为储能系统的单位功率投资成本；PPV,j为集群j中安装的分布式电源的额定容量；EESS,j为集群j中安装的储能系统的额定容量、PESS,j为集群j中安装的储能系统的额定功率；j为集群的编号；∑为求和函数。
(2)、可以利用以下公式计算年运行维护成本，
其中，
COM为年运行维护成本；COMPV为分布式电源的年运行维护成本；COMESS为储能系统的年运行维护成本；T是一年中包含的小时数，可以取值为8760小时；为分布式电源的单位发电量运行维护成本；为储能系统的单位充放电量运行维护成本；pPV,j,t为t时刻集群j的分布式电源出力；pESS,j,t为t时刻集群j的储能系统的充放电功率，正值表示储能系统放电，负值表示储能系统充电；uE,j,t为t时刻集群j的充放电功率标志位，储能放电为1，充电为-1，浮充状态为0；Gt为t时刻实际光照强度；Th,t为t时刻分布式电源的电池表面温度；GSTC为标准测试条件下的光照强度；TSTC为标准测试条件下的环境温度。
(3)、可以利用以下公式计算分布式电源的年发电补贴，
其中，
CPS分布式电源的年发电补贴；IPS是分布式电源的单位发电补贴系数；pPV,j,t为t时刻集群j中安装的分布式电源出力。
(4)、可以利用以下公式计算主网购电成本，
其中，
CP为主网购电成本；为t时刻主网实时电价；pP,l,t为t时刻主网联络支路l的功率；NCP为主网联络支路数。
(5)、可以利用以下公式计算集群外特性指标，
其中，
CIP为集群外特性指标；NCl是群间交互支路数；pIP,l,t为t时刻群间交互支路l的交互功率；CIP是集群外特性指标系数。
第二方面，上层模型的约束条件，可以包括：各集群接入的分布式电源装机容量约束、功率平衡约束、主网联络支路倒送功率约束、群间交互支路功率约束和储能的充放电功率约束、剩余容量约束以及始末剩余容量约束，具体如下所述：
(1)、集群j允许安装的分布式电源容量约束可以为，
其中，
PPV,j为集群j内的分布式电源的容量；Nj是集群j内的节点数；NC为集群数量；是集群j内的节点i允许安装的分布式电源容量；i为集群j中的节点的编号；j为集群的编号。
(2)、功率平衡约束可以为，
其中，
pP,l,t为t时刻集群j内交互支路l的功率；pload,i,t为t时刻节点i的负荷有功功率；pPV,j,t为t时刻集群j的分布式电源出力；NCP为集群j的支路数量；pESS,j,t为t时刻时集群j的储能系统的充放电功率；pCL为下层规划的目标，配电网网损，可以由下层潮流计算得到。
(3)主网联络支路倒送功率约束可以为，
其中，
pP,l,t为t时刻主网联络支路l的功率；是主网联络支路l允许通过的最大倒送功率。
配电网通过主网联络支路向主网倒送功率会影响主网的运行稳定性和经济性，需要对主网联络支路的倒送功率进行限制。
(4)群间交互支路功率约束可以为，
其中，
pIP,l,t是t时刻群间支路l的交互功率；是群间交互支路l允许通过的最大功率；NCl是群间交互支路数。
配电网的支路功率需满足一定的安全运行约束，群间交互支路不允许长时间潮流越限。
(5)储能充放电功率和荷电状态约束可以为，
其中，
pESS,j,t为t时刻集群j的储能系统充放电功率；为集群j的储能系统最大输出功率；ηt为t时刻储能系统的充放电效率；ηd为储能系统的放电效率；ηc为储能系统的充电效率；Sj,t为t时刻集群j内储能系统的荷电状态；Smin为储能系统的荷电状态最小值；Smax为储能系统的荷电状态最大值；S0是储能的初始荷电状态；EESS,j为集群j内安装的储能系统额定容量；uE,j,t为t时刻集群j内储能系统的充放电标志位。
储能系统的寿命一般与充放电深度有关，过充过放都会降低储能系统的寿命周期，所以储能的充放电功率和荷电状态需要满足一定的约束；一个完整运行周期始末的储能系统的荷电状态值应相等，即一个完整运行周期内储能系统的充放电量相等；为了更加符合实际，需要考虑储能的充放电效率。
第三方面，在上层规划确定了各集群接入的分布式电源和储能总容量的基础上，群内各节点接入的分布式电源分容量和储能的接入位置不同会对该集群和整个配电系统的网损造成影响；因此，下层以集群-节点层为研究对象，进行所有集群内节点的选址定容并行规划，具体是对各单一集群内的各节点接入的分布式电源的分容量和储能系统的接入位置进行规划。
在实际应用中，下层规划算法可以采用并行配置方式，同时优化每个集群内节点接入的分布式电源容量和储能系统的位置布局，能够实现并行计算，可以提高规划模型的运行效率；另外，该方式还考虑了各集群决策变量优化过程的相互影响关系，因此，可以提高规划的计算精度。
分布式电源的接入容量、储能系统的接入容量和功率以及二者的并网位置不同，对各集群和整个配电网的系统网损都有影响，考虑配电网系统网损最优的下层模型的目标函数表达式可以为：
其中，
pCLj为配电网系统网损；Njl为集群j的群内支路数；pCLlt,j是t时刻集群j内支路l的网损。
所述下层模型的约束条件，主要包括：各节点接入的分布式电源的装机容量约束、配电网潮流约束、节点电压约束、各集群内部支路功率约束，具体如下所述：
(1)、集群j内各节点接入的分布式电源容量约束可以为，
其中，
PPV,j为集群j内各节点接入的分布式电源容量；PPV,i,j是集群j内节点i接入的分布式电源容量；Nj为集群j内节点的数量。
集群j内各节点接入的分布式电源容量受到上层决策变量(各集群接入的分布式电源总容量)的约束。
(2)、节点i允许安装的分布式电源容量约束可以为，
其中，
PPV,i,j是集群j内节点i接入的分布式电源容量；是集群j内的节点i允许安装的分布式电源容量。
(3)、配电网潮流约束可以为，
其中，
Pe为第e个节点对应的有功功率；Qe为第e个节点对应的无功功率；Ue为第e个节点对应的电压幅值；Uf为第f个节点对应的电压幅值；Gef为第e个节点与第f个节点之间的支路电导；Bef为第e个节点与第f个节点之间的支路电纳；θef为第e个节点与第f个节点之间的电压相角差；∑为求和函数；e为节点的序号；f为节点的序号。
系统的安全运行需要满足节点电压约束和支路潮流约束。
(4)、节点i电压约束可以为，
其中，
Ui,j为集群j内节点i电压；为集群j内节点i电压幅值的下限；为集群j内节点i电压幅值的上限；通常情况下，节点电压运行范围为0.95-1.05p.u.。
(5)、集群内部支路l功率约束可以为，
其中，
Sl,j为集群j的群内支路l的传输功率；为集群j内支路l的传输功率下限值；集群j内支路l的传输功率上限值；NIl,j是集群j的群内支路数。
S104：利用粒子群优化算法对所述上层模型进行优化，利用粒子群优化算法和二进制粒子群优化算法对所述下层模型进行优化；将优化的结果作为配电网分布式电源的选址定容规划的目标规划结果。
具体的，所述步骤S104，可以包括：D1：初始化上层模型对应的粒子群优化算法的算法参数，其中，所述算法参数包括：粒子群的群体规模、最大惯性权重、最小惯性权重、学习因子、最大迭代次数；D2：对各集群接入的分布式电源总容量、储能容量和功率进行上层粒子群编码，随机产生满足所述上层模型的约束条件的初始粒子群，并初始化粒子群的迭代速度、个体最优值和群体最优值；D3：更新所述粒子群中的上层粒子的迭代速度和位置；D4：在当前次迭代中，利用粒子群算法和二进制粒子群算法对下层模型对应的下层粒子群进行优化；D5：计算上层粒子适应度，其中，所述粒子适应度为的配电网年综合成本；D6：更新上层粒子群的个体最优值、上层粒子群的个体最优适应度、上层粒子群的群体最优值和上层粒子群的群体最优适应度：D7：判断是否达到上层模型的收敛条件，其中，所述收敛条件包括：个体最优值与群体最优值之间的差值小于第一预设阈值、上层收敛的最大收敛次数；D8：若是，将当前次迭代上层粒子群的群体最优值对应的规划方案作为配电网分布式电源的选址定容规划的目标规划结果；D9：若否，返回执行所述D3步骤，直至达到上层模型的收敛条件。
具体的，所述步骤D2，可以包括：
利用公式，
进行上层粒子群编码，其中，
X为M个粒子组成的粒子群；Xu为第u个粒子的位置集合；M为粒子群中的粒子的个数；Vu为第u个粒子的迭代速度集合，NC为配电网中的集群个数，XPV,uj为第u个粒子对应的集群j内接入的分布式电源容量对应的位置；XEE,uj为第u个粒子对应的集群j内接入的储能容量对应的位置；XEP,uj为第u个粒子对应的集群j内接入的储能功率对应的位置；为集群j内接入的分布式电源容量对应的迭代速度；为集群j内接入的储能容量对应的迭代速度；为集群j内接入的储能功率对应的迭代速度。
所述步骤D3，包括：
利用公式，
，更新所述粒子群中的上层粒子的迭代速度和位置，其中，
Pu为第u个粒子的在当前次迭代以前的所有迭代中的个体极值；Pg为包含M个粒子的当前粒子群对应的在当前次迭代以前的所有迭代中的群体极值；为第k次迭代时第u个粒子的d维变量的迭代速度；为第k+1次迭代时第u个粒子d维变量的迭代速度；为第k次迭代时第u个粒子d维变量的位置；为第k+1次迭代时第u个粒子d维变量的位置；c1为第一学习因子；c2为第二学习因子；r1为第一随机数；r2为第二随机数；PPV,uj为在当前次迭代以前的所有迭代中的第u个粒子的对应的集群j的分布式电源容量的个体极值；PEE,uj为在当前次迭代以前的所有迭代中的第u个粒子的对应的集群j的储能容量的个体极值；PEP,uj为在当前次迭代以前的所有迭代中的第u个粒子的对应的集群j的储能功率的个体极值；PPV,gj为在当前次迭代以前的所有迭代中的集群j的分布式电源容量的群体极值；PEE,gj为在当前次迭代以前的所有迭代中的集群j的储能容量的群体极值；PEP,gj为在当前次迭代以前的所有迭代中的集群j的储能功率的群体极值；k为当前次迭代对应的迭代次数。
具体的，所述步骤D3，可以包括：针对每一上层粒子，判断更新后的迭代速度是否与更新前的迭代速度一致；若是，将所述粒子群中的上层粒子的迭代速度与预设的随机数的积作为所述上层粒子的迭代速度，其中，所述预设随机数为介于0和1之间的随机数；针对每一上层粒子，判断更新后的位置是否越界；
若是，利用公式，
更新所述粒子群中的上层粒子的位置，其中，
为更新后的第u个粒子d维变量的第k+1次迭代的上层粒子的位置；Pa为吸引因子；％为求模运算符；Xmin为粒子位置的下界；z为空间缩放因子，且z＝k*rand()，rand()为随机数函数；Xmax为粒子位置的上界。
具体的，所述步骤D4，可以包括：步骤1：初始化下层模型对应的粒子群优化算法的算法参数，其中，所述算法参数包括：粒子群的群体规模、最大惯性权重、最小惯性权重、学习因子、最大迭代次数；步骤2：针对每一集群，对所述集群内各节点接入的分布式电源分容量进行粒子群编码，对储能的并网位置进行二进制粒子群编码，随机产生满足下层约束的初始混合粒子群，初始化粒子群的迭代速度、个体最优值和群体最优值；步骤3：更新所述下层粒子群中的粒子的迭代速度和位置；步骤4：根据每一下层粒子的迭代速度和位置，更新配电网潮流程序中各节点接入的分布式电源出力和储能充放电功率数据；计算所述配电网潮流，并根据所述配电网潮流获得下层粒子群的适应度，其中，所述下层粒子群的适应度为所述配电网的网损；步骤5：更新下层混合粒子群的个体最优值、下层混合粒子群的个体最优适应度、下层混合粒子群的群体最优值和下层混合粒子群的群体最优适应度；步骤6：判断是否达到下层模型的收敛条件，其中，所述收敛条件包括：个体最优值与群体最优值之间的差值小于第二预设阈值、下层收敛的最大收敛次数；步骤7：若是，将当前群体最优值和最优适应度作为下层优化结果；步骤8；若否，返回执行所述步骤3，直至达到下层模型的收敛条件。
具体的，所述步骤2，可以包括：
利用公式，
进行下层粒子群编码，其中，
x为由N个粒子组成的粒子群；xm为第m个粒子的位置集合；m为粒子的序号；N为粒子群中的粒子总数；xm,j为第m个粒子中集群j的位置集合；pmi,j为第m个粒子的集群j中的第i个节点接入的分布式电源分容量；Lmi,j为第m个粒子的集群j中的第i个节点接入的储能系统的位置；vm,j为第m个粒子中集群j的迭代速度的集合；Vp,mi,j为第m个粒子的集群j中的第i个节点分布式电源分容量的迭代速度；VL,mi,j为第m个粒子的集群j中的第i个节点储能系统位置的迭代速度；NS为配电网中集群j包含的节点个数；
且，
具体的，所述步骤3，可以包括：
利用公式，
更新所述下层粒子群中的粒子的迭代速度和位置，其中，
pbm,j为第m个粒子的集群j中在当前次迭代以前的所有迭代中的个体极值；pbmi,j为第m个粒子的集群j中的第i个节点对应的分布式电源分容量的个体极值；Lbmi,j为第m个粒子的集群j中的第i个节点对应的储能系统的接入位置的个体极值；pg,j为集群j中在当前次迭代以前的所有迭代中的群体极值；pgi,j为集群j中的第i个节点在当前次迭代以前的所有迭代中的对应的分布式电源分容量的群体极值；Lgi,j为集群j中的第i个节点在当前次迭代以前的所有迭代中的对应的储能系统的接入位置的群体极值；为在下层模型进行第n+1次迭代时第m个粒子的集群j中d维变量的迭代速度；为在下层模型进行第n次迭代时第m个粒子的集群j中d维变量的迭代速度；为在下层模型进行第n次迭代时第m个粒子的集群j中d维变量的分布式电源分容量的个体极值；为下层模型进行第n次迭代时第m个粒子的集群j中d维变量的位置；为下层模型进行第n次迭代时集群j中d维变量的分布式电源分容量的群体极值；sig为非线性函数；为下层模型进行第n+1次迭代时第u个粒子d维变量的位置。
可以理解的是，本发明实施例使用的是双层优化规划方法：上层以集群为基本单元，目标函数是年综合费用最小，决策变量为各集群的分布式电源总容量、储能容量和功率；下层以配电网节点为基本单元，目标函数是系统网损最小，决策变量为集群内各节点接入的分布式电源分容量和储能的并网位置；上层将决策变量作为参数传递给下层，并作为下层决策变量优化的初始条件和约束，下层在此基础上进行目标函数的寻优，根据优化结果进行潮流计算，得到系统网损功率，并作为参数反馈到上层的有功功率平衡等式约束中，如此反复迭代，最终完成整个优化过程。在S104步骤中，S104步骤与图4对应，图4为本发明实施例提供的一种配电网分布式电源的选址定容规划的确定方法中对上层模型进行优化的原理示意图；如图4所示，在第一次迭代时，可以将当前次迭代的迭代次数iteru的值初始化为0，然后随着迭代的进行，每迭代一次将迭代次数的值加1。Rand()为随机数函数。
在S104步骤中，D4步骤与图5对应，图5为本发明实施例提供的一种配电网分布式电源的选址定容规划的确定方法中对下层模型进行优化的原理示意图；如图5所示，在进行下层模型优化时，每一个粒子对应的粒子维度为变量的数量与集群数量NC之积。另外，在图5中，step2为S104步骤中，D4步骤中包含的步骤3。
另外，为了更加清楚的说明本发明实施例的有益效果，将光伏发电中的分布式光伏电源作为分布式电源为例，对本发明实施例进行详细说明。发明人以某“区域分散型”分布式光伏发电扶贫示范区的10kV配电系统作为算例，进行配电网中的分布式光伏电源以及储能系统的选址定容规划。
待规划区配电网的网架结构如附录图4所示，该网络架构为辐射型网络，包含39个负荷节点，总有功负荷年最大值为1169.6kW。该配电网的集群划分如图5所示，共划分为8个集群。
分布式光伏电源出力和负荷功率数据采用该配电网的2016年实测数据，其中，负荷存在两个日用电高峰时段，分别是8：00至10：00时段，和18：00至21：00时段，为典型的居民负荷。该地区的分布式光伏电源单位出力全年小时数据如图6所示，图6为本发明实施例提供的一种分布式光伏电源单位出力全年小时曲线图。分布式光伏电源和储能系统的技术与经济参数参见表1，表1为本发明实施例提供的分布式光伏电源和储能系统的技术与经济参数汇总表。
表1
参数名称 参数值
分布式光伏电源单位容量投资成本(元/kW) 5500
分布式光伏电源单位发电量运行维护成本(元/kW·h) 0.3
分布式光伏电源使用年限(年) 20
储能单位容量投资成本(元/kW) 1270
储能单位功率投资成本(元/kW·h) 1650
储能单位发电量运行维护成本(元/kW·h) 0.08
储能使用年限(年) 15
储能的SOC上限 0.8
储能的SOC下限 0.2
储能的充电效率 0.9
储能的放电效率 0.9
贴现率 0.06
光伏发电补贴(元/kW·h) 0.42
主网购电电价(元/kW·h) 0.55
为了突出所提基于集群划分的双层规划模型的优势，本发明构建了3种规划方案，如对比例1、对比例2以及实施例1所示，对比分析不同情况下配电网的分布式光伏电源与储能系统选址定容规划问题：
对比例1：未对配电网进行集群划分：采用单层规划模型，以节点为基本单元，对接入到各节点的分布式光伏电源容量、储能容量和功率直接进行规划。
对比例2：无储能场景：基于集群划分结果，采用双层规划模型，上层模型以集群为基本单元，对接入到各集群的分布式光伏电源总容量进行规划，下层模型以节点为基本单元，优化集群内各节点接入的分布式光伏电源分容量。
实施例1：基于集群划分结果，采用双层规划模型，上层模型以集群为基本单元，对接入到各集群的分布式光伏电源总容量、储能容量和功率进行规划，下层模型以节点为基本单元，优化集群内各节点接入的分布式光伏电源分容量和储能接入的位置。
需要说明的是，在进行模型构建时，种群规模可以取20；上层迭代次数可以取500；下层迭代次数可以取50；最大惯性权重系数可以取0.9；最小惯性权重系数可以取0.4。
三种方案对应的规划成本如表2所示，表2为应用本发明实施例、以及对比例对应的技术方案进行配电网规划的规划成本，如表2所示。
表2
从表2可以看出，规划前配电网的负荷需求全部通过主网购电来供应，对主网和联络线的依赖性高，主网购电成本高，因此，该配电网具有很大的优化空间。规划后的配电网的主网购电成本有明显下降：
1)、应用对比例1对应的技术方案，主网购电成本为未规划时主网购电成本的：
175.989/220.202＝79.92％；
2)、应用对比例2对应的技术方案，主网购电成本为未规划时主网购电成本的：
176.110/220.202＝79.98％
3)、应用实施例1对应的技术方案，主网购电成本为未规划时主网购电成本的：
155.565/220.202＝70.65％。
而且，规划后的配电网的集群外特性指标有明显降低：
1)、应用对比例1对应的技术方案，集群外特性指标为未规划时的集群外特性指标的：
39.788/49.462＝80.44％；
2)、应用对比例2对应的技术方案，集群外特性指标为未规划时的集群外特性指标的：
37.042/49.462＝74.89％；
3)、应用实施例1对应的技术方案，集群外特性指标为未规划时的集群外特性指标的：
34.241/49.462＝69.23％。
另外，规划后的配电网的年综合费用也随之下降，应用实施例1对应的技术方案年综合费用较未规划时降低了：
270.054-222.755＝47.30万元。
应用本发明实施例，主网购电成本、集群外特性指标以及年综合费用均有明显的下降。
再者，表3为应用本发明实施例、以及对比例对应的技术方案进行配电网规划的各个集群对应的分布式光伏电源容量、储能容量和储能功率的接入情况，如表3所示，
表3
由表3可知，对比例1、对比例2以及实施例1三种方案下接入配电网的分布式光伏电源总量依次为：478.41kW、453.29kW、669.40kW；实施例1对应的接入配电网的储能系统容量为对比例1接入配电网的储能容量的711.46/510.89＝1.39倍，可以大幅提高接入配电网中的分布式光伏电源的总容量。
由表3还可知，对比例1的分布式光伏电源集中于集群6，储能系统集中于集群1、集群7；对比例2的分布式光伏电源集中于集群5、6，实施例1的分布式光伏电源在各集群间的分布较为均匀，储能系统集中于集群3、5、6。整体来看，基于集群划分的容量规划，改善了分布式光伏电源在各集群间的分布情况，从而减少了主网购电成本和集群间的功率交互，降低了配电网负荷给主网与联络线带来的供电负担，提高了集群自治能力和配电网电源规划的经济性。
应用本发明图1所示实施例，将每一个控制分区中包含的分布式电源和储能系统作为一个集群，然后构建上层优化模型和下层优化模型，利用上层优化模型进行集群间优化，利用下层优化模型进行集群内优化，进而获取目标规划结果，相对于现有技术中将整个配电网作为一个整体进行选址定容的优化，本发明实施例在对接入配电网的分布式光伏电源和储能系统的协调规划过程中，引入控制分区，可以降低配电网的选址定容规划的复杂度。
另外，应用本发明实施例，基于集群划分的分布式电源选址定容规划模型，综合分析了集群划分对配电网分布式光伏电源的接入容量和并网位置的影响，以年综合费用为双层协调优化规划模型的上层目标函数，可以很好地评估配电网的规划和运行经济性。本发明的方法可以合理配置配电网中的分布式电源和储能系统的接入容量和并网位置，从而有效降低主网购电成本和系统网损，提高配电网对分布式光伏电源的接纳能力。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种配电网分布式电源的选址定容规划的确定方法，其特征在于，所述方法包括：
A：针对规划区对应的配电网，按照预先划分的每一个控制分区，将位于所述控制分区内的分布式电源组成一个集群，进而得到至少两个集群；
B：获取所述配电网的基础数据，其中，所述基础数据包括：网架结构，负荷水平，电气参数；
C：根据所述配电网的基础数据，建立包含每一个集群的上层模型以及对所有集群并行计算的针对每一个集群内部节点的下层模型；
D：利用粒子群优化算法对所述上层模型进行优化，利用粒子群优化算法和二进制粒子群优化算法对所述下层模型进行优化；将优化的结果作为配电网分布式电源的选址定容规划的目标规划结果。
2.根据权利要求1所述的一种配电网分布式电源的选址定容规划的确定方法，其特征在于，所述步骤C，包括：
C1：以包含所有分布式电源的配电网年综合成本最小为目标：建立包含每一个集群的分布式电源容量、每一个集群的储能容量和每一个集群的储能功率的上层模型，并确定所述上层模型的约束条件，其中，所述上层模型的约束条件包括：各集群接入的分布式电源装机容量约束、功率平衡约束、主网联络支路倒送功率约束、群间交互支路功率约束和储能的充放电功率约束、剩余容量约束以及始末剩余容量约束；
C2：以包含所有分布式电源的配电网的网损最小为目标：建立包含所有集群内各个节点接入的分布式电源容量和各个节点接入的储能系统位置的下层模型，并确定所述下层模型的约束条件，其中，所述下层模型的约束条件包括：各节点所接入的分布式电源装机容量约束、配电网潮流约束、各节点对应的电压约束、集群内部支路功率约束。
3.根据权利要求2所述的一种配电网分布式电源的选址定容规划的确定方法，其特征在于，所述配电网潮流约束的计算过程为：
利用公式，计算所述配电网潮流约束，其中，
Pe为第e个节点对应的有功功率；Qe为第e个节点对应的无功功率；Ue为第e个节点对应的电压幅值；Uf为第f个节点对应的电压幅值；Gef为第e个节点与第f个节点之间的支路电导；Bef为第e个节点与第f个节点之间的支路电纳；θef为第e个节点与第f个节点之间的电压相角差；∑为求和函数；e为节点的序号；f为节点的序号。
4.根据权利要求1所述的一种配电网分布式电源的选址定容规划的确定方法，其特征在于，所述步骤D包括：
D1：初始化上层模型对应的粒子群优化算法的算法参数，其中，所述算法参数包括：粒子群的群体规模、最大惯性权重、最小惯性权重、学习因子、最大迭代次数；
D2：对各集群接入的分布式电源总容量、储能容量和功率进行上层粒子群编码，随机产生满足所述上层模型的约束条件的初始粒子群，并初始化粒子群的迭代速度、个体最优值和群体最优值；
D3：更新所述粒子群中的上层粒子的迭代速度和位置；
D4：在当前次迭代中，利用粒子群算法和二进制粒子群算法对下层模型对应的下层粒子群进行优化；
D5：计算上层粒子适应度，其中，所述粒子适应度为配电网的年综合成本；
D6：更新上层粒子群的个体最优值、上层粒子群的个体最优适应度、上层粒子群的群体最优值和上层粒子群的群体最优适应度：
D7：判断是否达到上层模型的收敛条件，其中，所述收敛条件包括：个体最优值与群体最优值之间的差值小于第一预设阈值、上层收敛的最大收敛次数；
D8：若是，将当前次迭代上层粒子群的群体最优值对应的规划方案作为配电网分布式电源的选址定容规划的目标规划结果；
D9：若否，返回执行所述D3步骤，直至达到上层模型的收敛条件。
5.根据权利要求4所述的一种配电网分布式电源的选址定容规划的确定方法，其特征在于，所述步骤D2包括：
利用公式，
进行上层粒子群编码，其中，
X为M个粒子组成的粒子群；Xu为第u个粒子的位置集合；M为粒子群中的粒子的个数；Vu为第u个粒子的迭代速度集合，NC为配电网中的集群个数，XPV,uj为第u个粒子对应的集群j内接入的分布式电源容量对应的位置；XEE,uj为第u个粒子对应的集群j内接入的储能容量对应的位置；XEP,uj为第u个粒子对应的集群j内接入的储能功率对应的位置；为集群j内接入的分布式电源容量对应的迭代速度；为集群j内接入的储能容量对应的迭代速度；为集群j内接入的储能功率对应的迭代速度。
6.根据权利要求4所述的一种配电网分布式电源的选址定容规划的确定方法，其特征在于，所述步骤D3，包括：
利用公式，
，
更新所述粒子群中的上层粒子的迭代速度和位置，其中，
Pu为第u个粒子的在当前次迭代以前的所有迭代中的个体极值；Pg为包含M个粒子的当前粒子群对应的在当前次迭代以前的所有迭代中的群体极值；为第k次迭代时第u个粒子的d维变量的迭代速度；为第k+1次迭代时第u个粒子d维变量的迭代速度；为第k次迭代时第u个粒子d维变量的位置；为第k+1次迭代时第u个粒子d维变量的位置；c1为第一学习因子；c2为第二学习因子；r1为第一随机数；r2为第二随机数；PPV,uj为在当前次迭代以前的所有迭代中的第u个粒子的对应的集群j的分布式电源容量的个体极值；PEE,uj为在当前次迭代以前的所有迭代中的第u个粒子的对应的集群j的储能容量的个体极值；PEP,uj为在当前次迭代以前的所有迭代中的第u个粒子的对应的集群j的储能功率的个体极值；PPV,gj为在当前次迭代以前的所有迭代中的集群j的分布式电源容量的群体极值；PEE,gj为在当前次迭代以前的所有迭代中的集群j的储能容量的群体极值；PEP,gj为在当前次迭代以前的所有迭代中的集群j的储能功率的群体极值；k为当前次迭代对应的迭代次数。
7.根据权利要求4所述的一种配电网分布式电源的选址定容规划的确定方法，其特征在于，所述步骤D3，包括：
针对每一上层粒子，判断更新后的迭代速度是否与更新前的迭代速度一致；
若是，将所述粒子群中的上层粒子的迭代速度与预设的随机数的积作为所述上层粒子的迭代速度，其中，所述预设随机数为介于0和1之间的随机数；
针对每一上层粒子，判断更新后的位置是否越界；
若是，利用公式，
更新所述粒子群中的上层粒子的位置，其中，
为更新后的第u个粒子d维变量的第k+1次迭代的上层粒子的位置；Pa为吸引因子；％为求模运算符；Xmin为粒子位置的下界；z为空间缩放因子，且z＝k*rand()，rand()为随机数函数；Xmax为粒子位置的上界。
8.根据权利要求4所述的一种配电网分布式电源的选址定容规划的确定方法，其特征在于，所述步骤D4，包括：
步骤1：初始化下层模型对应的粒子群优化算法的算法参数，其中，所述算法参数包括：粒子群的群体规模、最大惯性权重、最小惯性权重、学习因子、最大迭代次数；
步骤2：针对每一集群，对所述集群内各节点接入的分布式电源分容量进行粒子群编码，对储能的并网位置进行二进制粒子群编码，随机产生满足下层约束的初始混合粒子群，初始化粒子群的迭代速度、个体最优值和群体最优值；
步骤3：更新所述下层粒子群中的粒子的迭代速度和位置；
步骤4：根据每一下层粒子的迭代速度和位置，更新配电网潮流程序中各节点接入的分布式电源出力和储能充放电功率数据；计算所述配电网潮流，并根据所述配电网潮流获得下层粒子群的适应度，其中，所述下层粒子群的适应度为所述配电网的网损；
步骤5：更新下层混合粒子群的个体最优值、下层混合粒子群的个体最优适应度、下层混合粒子群的群体最优值和下层混合粒子群的群体最优适应度；
步骤6：判断是否达到下层模型的收敛条件，其中，所述收敛条件包括：个体最优值与群体最优值之间的差值小于第二预设阈值、下层收敛的最大收敛次数；
步骤7：若是，将当前群体最优值和最优适应度作为下层优化结果；
步骤8；若否，返回执行所述步骤3，直至达到下层模型的收敛条件。
9.根据权利要求8所述的一种配电网分布式电源的选址定容规划的确定方法，其特征在于，所述步骤2，包括：
利用公式，进行下层粒子群编码，其中，
x为由N个粒子组成的粒子群；xm为第m个粒子的位置集合；m为粒子的序号；N为粒子群中的粒子总数；xm,j为第m个粒子中集群j的位置集合；pmi,j为第m个粒子的集群j中的第i个节点接入的分布式电源分容量；Lmi,j为第m个粒子的集群j中的第i个节点接入的储能系统的位置；vm,j为第m个粒子中集群j的迭代速度的集合；Vp,mi,j为第m个粒子的集群j中的第i个节点分布式电源分容量的迭代速度；VL,mi,j为第m个粒子的集群j中的第i个节点储能系统位置的迭代速度；NS为配电网中集群j包含的节点个数；
且，
10.根据权利要求8所述的一种配电网分布式电源的选址定容规划的确定方法，其特征在于，所述步骤3，包括：
利用公式，更新所述下层粒子群中的粒子的迭代速度和位置，其中，
pbm,j为第m个粒子的集群j中在当前次迭代以前的所有迭代中的个体极值；pbmi,j为第m个粒子的集群j中的第i个节点对应的分布式电源分容量的个体极值；Lbmi,j为第m个粒子的集群j中的第i个节点对应的储能系统的接入位置的个体极值；pg,j为集群j中在当前次迭代以前的所有迭代中的群体极值；pgi,j为集群j中的第i个节点在当前次迭代以前的所有迭代中的对应的分布式电源分容量的群体极值；Lgi,j为集群j中的第i个节点在当前次迭代以前的所有迭代中的对应的储能系统的接入位置的群体极值；为在下层模型进行第n+1次迭代时第m个粒子的集群j中d维变量的迭代速度；为在下层模型进行第n次迭代时第m个粒子的集群j中d维变量的迭代速度；为在下层模型进行第n次迭代时第m个粒子的集群j中d维变量的分布式电源分容量的个体极值；为下层模型进行第n次迭代时第m个粒子的集群j中d维变量的位置；为下层模型进行第n次迭代时集群j中d维变量的分布式电源分容量的群体极值；sig为非线性函数；为下层模型进行第n+1次迭代时第u个粒子d维变量的位置。
CN201810488440.4A 2018-05-21 2018-05-21 一种配电网分布式电源的选址定容规划的确定方法 Active CN108764552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810488440.4A CN108764552B (zh) 2018-05-21 2018-05-21 一种配电网分布式电源的选址定容规划的确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810488440.4A CN108764552B (zh) 2018-05-21 2018-05-21 一种配电网分布式电源的选址定容规划的确定方法

Publications (2)

Publication Number Publication Date
CN108764552A true CN108764552A (zh) 2018-11-06
CN108764552B CN108764552B (zh) 2021-11-19

Family

ID=64008628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810488440.4A Active CN108764552B (zh) 2018-05-21 2018-05-21 一种配电网分布式电源的选址定容规划的确定方法

Country Status (1)

Country Link
CN (1) CN108764552B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109193729A (zh) * 2018-11-12 2019-01-11 浙江大学 一种配网自动化系统中储能系统的选址方法
CN109390940A (zh) * 2018-11-30 2019-02-26 国家电网公司西南分部 一种考虑需求响应和综合效益的送端电网电源规划方法
CN109546683A (zh) * 2018-12-12 2019-03-29 国网江苏省电力有限公司电力科学研究院 一种配电网节点分布式光伏接纳能力裕度优化方法
CN109948868A (zh) * 2019-04-17 2019-06-28 上海电力设计院有限公司 高渗透率分布式可再生能源发电集群优化规划方法
CN110247390A (zh) * 2019-01-30 2019-09-17 国网浙江安吉县供电有限公司 一种基于免疫粒子群算法的多类型分布式电源优化配置方法
CN110929931A (zh) * 2019-11-20 2020-03-27 国网福建省电力有限公司 考虑分布式电源和负荷时序特性的配电网协调规划方法
CN111009923A (zh) * 2019-12-24 2020-04-14 国网山东省电力公司聊城供电公司 一种含分布式电源的新型配网双层优化配置方法
CN109494728B (zh) * 2018-12-04 2020-06-05 国家电网有限公司 一种配电终端选址选型方法
CN111293687A (zh) * 2020-02-29 2020-06-16 华北电力大学（保定） 一种基于三维粒子群算法的分布式电源选址定容的方法
CN111520189A (zh) * 2020-04-24 2020-08-11 电子科技大学 一种煤矿超层越界开采问题的实时监测系统与方法
CN111884203A (zh) * 2020-06-10 2020-11-03 华电电力科学研究院有限公司 基于双层非支配排序遗传算法的微电网协调优化配置方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268682A (zh) * 2014-09-15 2015-01-07 华北电力大学 一种有源配电网的规划方法及装置
CN105279578A (zh) * 2015-10-27 2016-01-27 天津大学 一种主动配电网区域电源优化配置双层规划方法
CN106777449A (zh) * 2016-10-26 2017-05-31 南京工程学院 基于二进制粒子群算法的配电网络重构方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268682A (zh) * 2014-09-15 2015-01-07 华北电力大学 一种有源配电网的规划方法及装置
CN105279578A (zh) * 2015-10-27 2016-01-27 天津大学 一种主动配电网区域电源优化配置双层规划方法
CN106777449A (zh) * 2016-10-26 2017-05-31 南京工程学院 基于二进制粒子群算法的配电网络重构方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109193729A (zh) * 2018-11-12 2019-01-11 浙江大学 一种配网自动化系统中储能系统的选址方法
CN109390940A (zh) * 2018-11-30 2019-02-26 国家电网公司西南分部 一种考虑需求响应和综合效益的送端电网电源规划方法
CN109494728B (zh) * 2018-12-04 2020-06-05 国家电网有限公司 一种配电终端选址选型方法
CN109546683A (zh) * 2018-12-12 2019-03-29 国网江苏省电力有限公司电力科学研究院 一种配电网节点分布式光伏接纳能力裕度优化方法
CN109546683B (zh) * 2018-12-12 2022-06-14 国网江苏省电力有限公司电力科学研究院 一种配电网节点分布式光伏接纳能力裕度优化方法
CN110247390A (zh) * 2019-01-30 2019-09-17 国网浙江安吉县供电有限公司 一种基于免疫粒子群算法的多类型分布式电源优化配置方法
CN109948868A (zh) * 2019-04-17 2019-06-28 上海电力设计院有限公司 高渗透率分布式可再生能源发电集群优化规划方法
CN110929931B (zh) * 2019-11-20 2022-05-13 国网福建省电力有限公司 考虑分布式电源和负荷时序特性的配电网协调规划方法
CN110929931A (zh) * 2019-11-20 2020-03-27 国网福建省电力有限公司 考虑分布式电源和负荷时序特性的配电网协调规划方法
CN111009923A (zh) * 2019-12-24 2020-04-14 国网山东省电力公司聊城供电公司 一种含分布式电源的新型配网双层优化配置方法
CN111293687A (zh) * 2020-02-29 2020-06-16 华北电力大学（保定） 一种基于三维粒子群算法的分布式电源选址定容的方法
CN111293687B (zh) * 2020-02-29 2023-09-26 华北电力大学（保定） 一种基于三维粒子群算法的分布式电源选址定容的方法
CN111520189A (zh) * 2020-04-24 2020-08-11 电子科技大学 一种煤矿超层越界开采问题的实时监测系统与方法
CN111520189B (zh) * 2020-04-24 2021-06-01 电子科技大学 一种煤矿超层越界开采问题的实时监测系统与方法
CN111884203A (zh) * 2020-06-10 2020-11-03 华电电力科学研究院有限公司 基于双层非支配排序遗传算法的微电网协调优化配置方法
CN111884203B (zh) * 2020-06-10 2022-06-10 华电电力科学研究院有限公司 基于双层非支配排序遗传算法的微电网协调优化配置方法

Also Published As

Publication number Publication date
CN108764552B (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN108764552A (zh) 一种配电网分布式电源的选址定容规划的确定方法
CN113394817B (zh) 一种风光水火储系统的多能容量优化配置方法
CN105226688B (zh) 基于机会约束模型的多类型储能系统容量优化配置方法
CN104242335B (zh) 一种基于额定容量的风光储发电单元容量优化配置方法
CN104701871B (zh) 一种含风光水多源互补微网混合储能容量最佳配比方法
CN104362677B (zh) 一种主动配电网优化配置结构及其配置方法
CN103840457B (zh) 考虑电动汽车充放电影响的配电网内dg优化配置方法
CN105226702B (zh) 一种交直流混合微电网动态架构及其重组方法
CN104092231A (zh) 一种独立微网混和储能容量优化配置方法
CN108197726B (zh) 一种基于改进进化算法的家庭能量数据优化方法
CN107546743A (zh) 一种辐射状配电网分布式优化潮流方法
CN106992549A (zh) 一种独立微电网系统的容量优化配置方法及装置
Zhang et al. Multiobjective particle swarm optimization for microgrids pareto optimization dispatch
WO2022156014A1 (zh) 混联风光微电网快速频率响应分布式协调控制方法及系统
Wang et al. Energy management strategy of hybrid energy storage based on Pareto optimality
CN114865664A (zh) 一种需求响应参与配电网三相不平衡与碳排放治理方法
CN109978240A (zh) 一种电动汽车有序充电优化方法及系统
CN111224432B (zh) 微电网优化调度方法和装置
CN103187784A (zh) 一种优化光伏充电站集成系统的方法及装置
Liu et al. SARAP algorithm of multi-objective optimal capacity configuration for WT-PV-DE-BES stand-alone microgrid
CN110365058A (zh) 基于模拟退火粒子群算法的孤立微电网运行优化方法
Dixit et al. Optimal placement of PV array in distribution system for power loss minimization considering feeder reconfiguration
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN104092209A (zh) 基于实时反馈的互动型微电网能量控制处理方法
AL-Maaitah et al. Particle Swarm Optimizer for BESS Operation to Mitigate Voltage Deviation of the Modified IEEE 9-bus Power System

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