CN109508823B - 一种基于场景分析法的配电网中分布式电源规划方法 - Google Patents
一种基于场景分析法的配电网中分布式电源规划方法 Download PDFInfo
- Publication number
- CN109508823B CN109508823B CN201811314115.2A CN201811314115A CN109508823B CN 109508823 B CN109508823 B CN 109508823B CN 201811314115 A CN201811314115 A CN 201811314115A CN 109508823 B CN109508823 B CN 109508823B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- scene
- planning
- scheme
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000009825 accumulation Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 230000005611 electricity Effects 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000009194 climbing Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于场景分析法的配电网中分布式电源规划方法,获取目标区域配电网的结构、线路参数、负荷分布情况并建立配电网结构模型;采集目标区域的分布式光伏出力与分散式风电出力、负荷数据,并建立场景集;引入互相关熵评价函数改进吸引子聚类算法对场景进行削减;建立目标模型,并利用文化基因算法对其进行求解,最终得到分布式电源在配电网中最优规划方案。本发明可有效模拟实际状况中分布式电源处理与负荷波动性,规划结果更具可靠性;且场景分析原理简单,更易实现。
Description
技术领域
本发明属于分布式电源接入规划技术领域,具体涉及一种基于场景分析法的配电网中分布式电源规划方法。
背景技术
利用可再生能源发电现已是国家能源转型的重要举措,以分布式电源的形式接入电网是其中重要的一种方式。分布式电源接入配电网后,使配电网从单点供电辐射型网络架构转变为多点供电网络,这必然会引起线路中潮流的大小和方向的改变。其次,由于风光资源的不确定性,分布式电源接入配电网中,可能给电网带来电压波动等等。为充分、有效的利用可再生能源发电,避免其劣化配电网电能质量,配电网中分布式电源的规划方法得到了广泛研究。
目前,研究人员提出了一些配电网中分布式电源规划方法。主要包括:(1)假设分布式电源出力恒为额定功率的规划方法,不考虑分布式电源出力波动性,这种方法没有考虑当风力(光照)不足时,分布式电源出力不能达到额定出力的状态,使得规划方案与实际不相吻合;(2)在典型场景中进行规划的方法。这种方法忽略了占绝大多数的一般场景,使得规划结果较为保守;(3)考虑长时间自然资源的分布情况,使用数学方法,如模糊理论和约束规划方法处理分布式电源出力的波动性。这些方法在计算精度和稳定性方面,具有一定局限。
在分布式电源规划研究过程中,使得规划方法与实际的状况更加吻合是保证规划方法有效、可靠的重要前提。使用一种简单、有效的方法拟合可再生能源不确定性,保证规划方法的有效性和可行性有待进一步研究。
发明内容
本发明的目的是提供一种基于场景分析法的配电网中分布式电源规划方法,解决了现有技术中存在的规划方案与实际不相吻合的问题。
本发明所采用的技术方案是,一种基于场景分析法的配电网中分布式电源规划方法,其特征在于,获取目标区域配电网的结构、线路参数、负荷分布情况并建立配电网结构模型;采集目标区域的分布式光伏出力与分散式风电出力、负荷数据,并建立场景集;引入互相关熵评价函数改进吸引子聚类算法对场景进行削减;建立目标模型,并利用文化基因算法对其进行求解,最终得到分布式电源在配电网中最优规划方案。
本发明的特点还在于:
具体按照以下步骤实施:
步骤1、获取目标区域配电网的结构、线路参数、负荷分布情况;建立配电网结构模型;
步骤2、采集目标区域分布式光伏出力与分散式风电出力、负荷数据;
步骤3、将步骤2采集的三类数据整理为时序性场景数据,建立数量为N的场景集;
步骤4、引入互相关熵评价函数改进吸引子聚类算法,即用互相关熵评价函数代替吸引子聚类算法中以欧式距离为相似度的评价标准,并使用改进后的吸引子聚类算法将相似场景进行合并,得到M个典型场景;
步骤5、根据目标要求,构建目标模型;
步骤6、将M个典型场景分别代入步骤1建立的配电网结构模型中,生成M个典型场景下的配电网结构模型;采用文化基因算法对步骤5的目标模型进行求解,得到分布式电源在配电网中最优规划方案。
步骤1中,线路参数包括阻抗及电抗。
步骤4具体按照以下步骤实施:
步骤4.1、采用互相关熵评价函数代替吸引子聚类算法中的欧式距离作为相似度计算公式,计算N个场景的相似度值,并利用相似度值构建N×N的相似度矩阵S;
互相关熵评价函数如下:
式中,K为聚类中心数;N为场景数量;θ(i,c)为采样空间,且其满足两个条件,θ(i,c)∈{0,1}和Xi表示第i个场景;μc表示第c个聚类中心;g(x)=exp(-x/2σ2)为以核心宽度σ为参数的高斯核心方程;||Xi-μc||2整体为求第i个场景距第c个聚类中心的距离;
步骤4.2、选取参考度值P;
步骤4.3、设置最大迭代次数,计算从场景i发送到场景k的吸引度信息R(i,k);计算从场景k发送到场景i的归属度信息A(i,k);
计算公式如下:
R(i,k)=S(i,k)-max{A(i,j)+S(i,j)} j∈1,2,…,N且j≠k
R(k,k)=P(k)-max{A(k,j)+S(k,j)} j∈1,2,…,N且j≠k
步骤4.4、根据R(i,k)+A(i,k)的值来判断是否为聚类中心;当迭代次数超过最大迭代次数或者当聚类中心连续多次不发生改变时终止计算;得到聚类计算后的M个典型场景。
参考度值P为S的中值。
步骤6具体按照以下步骤实施:
步骤6.1、随机生成L个规划方案;在L个规划方案中随机选择L1个方案进行其在配电网中接入位置与接入容量的随机变化;再在L个规划方案中随机选择L2个方案进行其在配电网中接入位置与接入容量的随机组合;最终得到L+L1+L2个规划方案;
将L+L1+L2个规划方案中的第一个规划方案依次代入M个典型场景下的配电网结构模型,得到M个评价指标;根据每个典型场景所占权重对该方案的M个典型场景下的配电网结构模型进行权重累加,得到该方案的配电网运行状态;提取每该方案的配电网运行参数代入步骤5的目标模型,得到该方案的最终评价指标;按照上述方法依次求得其余方案的最终评价指标;
步骤6.2、提取步骤6.1中指标优异的Q个规划方案;在Q个规划方案中随机选择Q1个方案进行其在配电网中接入位置与接入容量的随机变化;再在Q个规划方案中选择Q2个方案进行其在配电网中接入位置与接入容量的随机组合;最终得到Q+Q1+Q2个规划方案;
将Q+Q1+Q2个规划方案中的第一个规划方案依次代入M个典型场景下的配电网结构模型,得到M个评价指标;根据每个典型场景所占权重对该方案的M个典型场景下的配电网结构模型进行权重累加,得到该方案的配电网运行状态;提取每该方案的配电网运行参数代入步骤5的目标模型,得到该方案的最终评价指标;按照上述方法依次求得其余方案的最终评价指标;
步骤6.3、重复步骤6.2,直至得到最优规划方案。
本发明的有益效果是:
1)与现有不考虑分布式电源处理波动性的规划方法相比,可以有效模拟实际状况中分布式电源处理与负荷波动性,规划结果更具可靠性;
2)与使用积灰约束规划或模糊理论处理电力系统中不确定性的方法相比,场景分析原理简单,更易实现。
附图说明
图1是本发明基于场景分析法的配电网中分布式电源规划方法的流程图;
图2是本发明基于场景分析法的配电网中分布式电源规划方法的IEEE33节点配电网结构图;
图3是本发明基于场景分析法的配电网中分布式电源规划方法中场景聚类方法的流程图;
图4是本发明基于场景分析法的配电网中分布式电源规划方法中聚类后场景的分散式风电负荷变化曲线图;
图5是本发明基于场景分析法的配电网中分布式电源规划方法中聚类后场景的分散式风电出力变化曲线图;
图6是本发明基于场景分析法的配电网中分布式电源规划方法中聚类后场景的分布式光伏出力变化曲线图;
图7是本发明基于场景分析法的配电网中分布式电源规划方法中第10个日典型场景图;
图8是本发明基于场景分析法的配电网中分布式电源规划方法中第20个日典型场景图;
图9是本发明基于场景分析法的配电网中分布式电源规划方法中第29个日典型场景图;
图10是本发明基于场景分析法的配电网中分布式电源规划方法中第39个日典型场景图;
图11是本发明基于场景分析法的配电网中分布式电源规划方法中文化基因算法求解流程图;
图12是本发明基于场景分析法的配电网中分布式电源规划方法的PG&E69节点配电网结构图;
图13是本发明基于场景分析法的配电网中分布式电源规划方法的IEEE14节点配电网结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
实施例1:
如图1所示,本发明一种基于场景分析法的配电网中分布式电源规划方法,按照以下步骤实施:
步骤1,以分布式风电接入的IEEE33节点配电网作为算例进行仿真分析,配电网结构如图2所示。假设在4个节点安装分布式电源,根据实际风电场的数据,风电投资成本为8000元/kW,光伏投资成本为2000元/kW,设备寿命周期为25年,折现率为8%,光伏上网电价为0.95元/(kW·h),风电上网电价为0.61元/(kW·h),DG运行维护率是0.03。
步骤2,采集目标区域分布式光伏出力与分散式风电出力、负荷数据;采集频率为1小时1次。
步骤3,以天为单位,用步骤2采集的三类数据生成场景数量为N的日场景集,每个场景包含24个分布式光伏出力与分散式风电出力、负荷数据,即0时-23时;每个样本点数据记为{(Xwind,XPV,Xload)i},i=1,2,3,4。
步骤4,如图3所示,采用互相关互相关熵评价函数改进吸引子聚类算法,即用互相关熵评价函数代替吸引子聚类算法中以欧式距离为相似度的评价标准,将互相关熵评价函数作为相似度计算公式;计算N个场景的相似度值,将值放在N×N的矩阵S中;选取参考度值P,P为S的中值。
设置一个最大迭代次数(默认值为1000),计算从场景i发送到场景k的吸引度信息R(i,k);计算从场景k发送到场景i的归属度信息A(i,k);根据R(i,k)+A(i,k)值来判断是否为聚类中心;指定其中最大值对应的场景j为场景i的一个聚类中心。
比较本次迭代生成的聚类结果与上次迭代的聚类结果,若结果一致,未发生变化,输出场景聚类结果及权重,至步骤5;若结果变化,继续迭代;最终得到39个日典型场景。表1为利用聚类算法对场景缩减后所求得的场景分布状况,即39个日典型场景分布情况;图4是聚类后场景的分散式风电负荷变化曲线图,即39个日典型场景的分散式风电负荷变化曲线图;图5是聚类后场景的分散式风电出力变化曲线图,即39个日典型场景的分散式风电出力变化曲线图;图6是聚类后场景的分布式光伏出力变化曲线图,即39个日典型场景的分布式光伏出力变化曲线图;图7是第10个日典型场景图;图8是第20个日典型场景图;图9是第29个日典型场景图;图10是第39个日典型场景图;
表1 39个日典型场景对应的概率
步骤5,建立以独立发电商收益最大为目标的目标模型,模型建立如下:
obj.maxF
式中,F为规划方案的年度净现值,计算公式如下:
maxF=Csel-Cinv-Cope
式中,Csel为发电商售电总收益;Cope为分布式电源的运行费用;Cinv为分布式电源的投资费用,计算公式如下:
式中,K为场景数;a(k)为第K个场景出现的频率;N为待选分布式电源的安装个数;fDGi为分布式电源电价;PDGij为第i个分布式电源第j时刻发出的容量。
式中,finv,DGi为分布式电源的初期单位投资成本;EDGi为第i个分布式电源的安装容量;r0为折现率;n为经济适用年限。
式中,aF为分布式电源的运行维护率。
步骤6,如图11所示,生成包含20个个体的初始种群,对种群中所有个体使用爬坡算法进行巨擘搜索,求得其局部最优值;种群内个体进行交叉、变异,生成新种群,对新种群内个体进行局部寻优;判断迭代是否到达最大次数;若达到,输出规划结果;若没有,继续迭代求解。
对规划结果进行分析,表2为不考虑风光时序补特性、考虑时序和考虑AP改进聚类算法典型场景不同规划模型下的规划结果。第一种模式为传统分布式电源规划模式,分布式电源也是以恒功率因数条件运行,分布式电源接入越多,电压越容易越限,这种模式闲置了分布式电源的规划容量,因此,得到的规划结果即发电商的年利润额是最小的。在日典型场景下,规划结果忽略了绝大多数的普通场景,只考虑少量恶劣场景,使得规划结果较为保守。对比可以看出,基于场景分析法的配电网中分布式电源规划方法考虑了分布式电源出力和负荷的不确定性,兼顾了少量恶劣场景与大量普通场景,使得配电网接入分布式电源更加合理,利用率更高,实现了独立发电商收益优化。
表2三种方法规划结果对比
实施例2:
如图1所示,本发明一种基于场景分析法的配电网中分布式电源规划方法,按照以下步骤实施:
步骤1:以美国PG&E69节点配电网作为算例进行仿真分析,配电网结构如图12所示。假设在4个节点安装分布式电源,根据实际风电场的数据,风电投资成本为8000元/kW,光伏投资成本为2000元/kW,设备寿命周期为25年,折现率为8%,光伏上网电价为0.95元/(kW·h),风电上网电价为0.61元/(kW·h),DG运行维护率是0.03。
步骤2,采集目标区域分布式光伏出力与分散式风电出力、负荷数据;采集频率为15分钟1次。
步骤3,用步骤2采集的三类数据生成场景数量为N的场景集,每个场景包含统一时刻采集到的分布式光伏出力与分散式风电出力、负荷数据。每个样本点数据记为{Xwind,XPV,Xload}。
步骤4,如图3所示,采用互相关互相关熵评价函数改进吸引子聚类算法,即用互相关熵评价函数代替吸引子聚类算法中以欧式距离为相似度的评价标准,将互相关熵评价函数作为相似度计算公式;计算N个场景的相似度值,将值放在N×N的矩阵S中;选取参考度值P,P为S的中值。
设置一个最大迭代次数(默认值为1000),计算从场景i发送到场景k的吸引度信息R(i,k);计算从样本点k发送到样本点i的归属度信息A(i,k);根据R(i,k)+A(i,k)值来判断是否为聚类中心;指定其中最大值对应的样本点j为样本点i的一个聚类中心。
比较本次迭代生成的聚类结果与上次迭代的聚类结果,若结果一致,未发生变化,输出场景聚类结果及权重,至步骤5;若结果变化,继续迭代;
步骤5,建立以年收益率最大为目标的目标模型,模型建立如下:
obj.maxF
式中,F为年收益率。年收益率考虑了接入配电网的分布式电源产生的收益与建设的成本的比值。为了方便计算,设f=1/F,即f与F成负相关,目标函数改写为求解f的最小值,计算公式如下:
式中,ρe为电压惩罚系数,Cex为分布式电源建设所需要的成本;Cin为分布式电源产生的收益。电压惩罚系数是当节点电压与额定电压偏离过大时,用于制约目标函数。
式中,Sni为风力发电机装机容量,Pe单位电价,其分为两部分:上网售价与补偿电价,具体由当地实际电价决定。
Cex=Cinv+Cke+Clo
式中,Cinv为风力发电机投资费用,Cke为风力发电机运行维修费用,Clo为配电网线路损耗的电能损失费用。
式中,nsc场景个数,nwi为风力发电机装机台数,Pwi为单位装机容量价格。
Cke=nwi×(Pke+Pfix)
式中,Pfix为单台风力发电机年检修费用,Pke为单台风力发电机年维护费用。
分布式电源接入配电网后,对节点电压有抬升作用。若规划合理,能使配电网节点加压出力合理区间。若规划不合理,如分布式电源容量过大,会导致节点电压偏移额定电压过大,越电压上限。因为,有限制某一节点电压过大,引入电压惩罚系数ρe。当电压偏移额定电压过大时,惩罚其目标函数数值,使电压回归合理区间。其函数如下:
步骤6,如图11所示,生成包含20个个体的初始种群,对种群中所有个体使用爬坡算法进行巨擘搜索,求得其局部最优值;种群内个体进行交叉、变异,生成新种群,对新种群内个体进行局部寻优;判断迭代是否到达最大次数;若达到,输出规划结果;若没有,继续迭代求解。
实施例3:
如图1所示,本发明一种基于场景分析法的配电网中分布式电源规划方法,按照以下步骤实施:
步骤1,以IEEE14节点配电网作为算例进行仿真分析,配电网结构如图13所示。假设在4个节点安装分布式电源,根据实际风电场的数据,风电投资成本为8000元/kW,光伏投资成本为2000元/kW,设备寿命周期为25年,折现率为8%,光伏上网电价为0.95元/(kW·h),风电上网电价为0.61元/(kW·h),DG运行维护率是0.03。
步骤2,采集目标区域分布式光伏出力与分散式风电出力、负荷数据;采集频率为15分钟1次,即每小时采集四组数据。
步骤3,用步骤2采集的三类数据生成数量为N的场景集,每个场景包含同一小时内采集到的四组数据。每个样本点记为{(Xwind,XPV,Xload)i},i=1,2,3,4。
步骤4,如图3所示,采用互相关熵评价函数改进吸引子聚类算法,即用互相关熵评价函数代替吸引子聚类算法中以欧式距离为相似度的评价标准,将互相关熵评价函数作为相似度计算公式;计算N个场景的相似度值,将值放在N×N的矩阵S中;选取参考度值P,P为S的中值。
设置一个最大迭代次数(默认值为1000),计算从场景i发送到场景k的吸引度信息R(i,k);计算从样本点k发送到样本点i的归属度信息A(i,k);根据R(i,k)+A(i,k)值来判断是否为聚类中心;指定其中最大值对应的样本点j为样本点i的一个聚类中心。
比较本次迭代生成的聚类结果与上次迭代的聚类结果,若结果一致,未发生变化,输出场景聚类结果及权重,至步骤5;若结果变化,继续迭代;
步骤5,配电网的运行总成本包括三方面,首先是配电网网损费用,其次是分散式风电源的运行总成本,最后还有购电总成本。所以建立经济效益模型,其表达式为:
obj.minCall
式中,Call为经济总成本,计算公式如下:
Call=CL+CDG+Cpur
式中,CL为配电网网络损耗产生的费用,CDG为分分布式电源的运行总成本,Cpur为购电总成本。
其中,
CL=Ce·Ploss·TLmax
式中,Ce表示单位电价,Ploss表示某场景下对应的系统网损,TLmax表示最大负荷年利用小时数。
式中,PGen是分布式电源的装机容量,CeDG为分布式电源的单位电量成本,TDGmax是分布式电源的最大发电小时数,MDG为接入配电网的分布式电源总个数。
Cpur=Ce(PLA-P∑DG-Ploss)TLmax
式中,PLA为电网总容量,P∑DG为分布式电源的总有功输出。
步骤6,如图4所示,生成包含20个个体的初始种群,对种群中所有个体使用爬坡算法进行巨擘搜索,求得其局部最优值;种群内个体进行交叉、变异,生成新种群,对新种群内个体进行局部寻优;判断迭代是否到达最大次数;若达到,输出规划结果;若没有,继续迭代求解。
Claims (1)
1.一种基于场景分析法的配电网中分布式电源规划方法,其特征在于,先获取目标区域配电网的结构、线路参数、负荷分布情况并建立配电网结构模型;然后采集目标区域的分布式光伏出力与分散式风电出力、负荷数据,并建立场景集;再引入互相关熵评价函数改进吸引子聚类算法对场景集中的场景进行削减;再构建目标模型,并利用文化基因算法对其进行求解,最终得到分布式电源在配电网中最优规划方案,具体按照以下步骤实施:
步骤1、获取目标区域配电网的结构、线路参数、负荷分布情况,建立配电网结构模型,其中,线路参数包括阻抗及电抗;
步骤2、采集目标区域分布式光伏出力与分散式风电出力、负荷数据;
步骤3、将步骤2采集的三类数据整理为时序性场景数据,建立场景数量为N的场景集;每个场景包含24个分布式光伏出力与分散式风电出力、负荷数据,即0时-23时;每个样本点数据记为{(Xwind,XPV,Xload)i},i=1,2,3,4;
步骤4、引入互相关熵评价函数改进吸引子聚类算法,即用互相关熵评价函数代替吸引子聚类算法中以欧式距离为相似度的评价标准,并使用改进后的吸引子聚类算法将场景集中的相似场景进行合并,得到M个典型场景;
步骤4.1、采用互相关熵评价函数代替吸引子聚类算法中的欧式距离作为相似度计算公式,计算场景集中N个场景的相似度值,并利用相似度值构建N×N的相似度矩阵S;
互相关熵评价函数如下:
式中,K为聚类中心数;N为场景数量;θ(i,c)为采样空间,且其满足两个条件,θ(i,c)∈{0,1}和Xi表示第i个场景;μc表示第c个聚类中心;g(x)=exp(-x/2σ2)为以核心宽度σ为参数的高斯核心方程;||Xi-μc||2整体为求第i个场景距第c个聚类中心的距离;
步骤4.2、选取参考度值P;
步骤4.3、设置最大迭代次数,计算从场景i发送到场景k的吸引度信息R(i,k);计算从场景k发送到场景i的归属度信息A(i,k);
计算公式如下:
R(i,k)=S(i,k)-max{A(i,j)+S(i,j)}j∈1,2,…,N且j≠k
R(k,k)=P(k)-max{A(k,j)+S(k,j)}j∈1,2,…,N且j≠k
步骤4.4、根据R(i,k)+A(i,k)的值来判断是否为聚类中心;指定其中最大值对应的场景j为场景i的一个聚类中心;当迭代次数超过最大迭代次数或者当聚类中心连续多次不发生改变时终止计算;得到聚类计算后的M个典型场景及权重;
步骤5、根据目标要求,构建目标模型;
步骤6、将M个典型场景分别代入步骤1建立的配电网结构模型中,生成M个典型场景下的配电网结构模型;采用文化基因算法对步骤5的目标模型进行求解,得到分布式电源在配电网中最优规划方案,具体包括:
步骤6.1、随机生成L个规划方案;在L个规划方案中随机选择L1个方案进行其在配电网中接入位置与接入容量的随机变化;再在L个规划方案中随机选择L2个方案进行其在配电网中接入位置与接入容量的随机组合;最终得到L+L1+L2个规划方案;
将L+L1+L2个规划方案中的第一个规划方案依次代入M个典型场景下的配电网结构模型,得到M个评价指标;根据每个典型场景所占权重对该方案的M个典型场景下的配电网结构模型进行权重累加,得到该方案的配电网运行状态;提取每该方案的配电网运行参数代入步骤5的目标模型,得到该方案的最终评价指标;按照上述方法依次求得其余方案的最终评价指标;
步骤6.2、提取步骤6.1中指标优异的Q个规划方案;在Q个规划方案中随机选择Q1个方案进行其在配电网中接入位置与接入容量的随机变化;再在Q个规划方案中选择Q2个方案进行其在配电网中接入位置与接入容量的随机组合;最终得到Q+Q1+Q2个规划方案;
将Q+Q1+Q2个规划方案中的第一个规划方案依次代入M个典型场景下的配电网结构模型,得到M个评价指标;根据每个典型场景所占权重对该方案的M个典型场景下的配电网结构模型进行权重累加,得到该方案的配电网运行状态;提取每该方案的配电网运行参数代入步骤5的目标模型,得到该方案的最终评价指标;按照上述方法依次求得其余方案的最终评价指标;
步骤6.3、重复步骤6.2,直至得到最优规划方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314115.2A CN109508823B (zh) | 2018-11-06 | 2018-11-06 | 一种基于场景分析法的配电网中分布式电源规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314115.2A CN109508823B (zh) | 2018-11-06 | 2018-11-06 | 一种基于场景分析法的配电网中分布式电源规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109508823A CN109508823A (zh) | 2019-03-22 |
CN109508823B true CN109508823B (zh) | 2021-06-15 |
Family
ID=65747676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811314115.2A Active CN109508823B (zh) | 2018-11-06 | 2018-11-06 | 一种基于场景分析法的配电网中分布式电源规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109508823B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046801B (zh) * | 2019-03-25 | 2023-07-21 | 国网江苏省电力有限公司经济技术研究院 | 一种配电网电力系统的典型场景生成方法 |
CN110492470B (zh) * | 2019-07-12 | 2022-12-06 | 武汉大学 | 基于负荷聚类与网络等值的配电网多维典型场景生成方法 |
CN110336332B (zh) * | 2019-07-30 | 2021-03-30 | 福州大学 | 一种基于出力曲线聚合的区间潮流典型场景构造方法 |
CN110516944B (zh) * | 2019-08-20 | 2022-04-15 | 国网江苏省电力有限公司 | 一种配电网多阶段典型运行场景生成方法 |
CN110555786B (zh) * | 2019-09-10 | 2023-08-11 | 国网安徽省电力公司滁州供电公司 | 基于数据驱动和情景分析法的电网网源承载力评估方法 |
CN111555367B (zh) * | 2020-05-13 | 2021-10-01 | 广东电网有限责任公司 | 一种智能电网混合优化模型的加速分布式优化方法 |
CN111859283B (zh) * | 2020-06-02 | 2024-04-02 | 天津大学 | 一种考虑多能源荷时序性、相关性的场景生成方法 |
CN111682574B (zh) * | 2020-06-18 | 2021-10-15 | 国网江苏省电力有限公司电力科学研究院 | 一种交直流混联系统运行场景辨识方法、存储介质和设备 |
CN112257344B (zh) * | 2020-10-28 | 2022-11-01 | 东南大学 | 一种基于ap聚类算法的场景削减方法 |
CN112467803B (zh) * | 2020-11-19 | 2023-01-10 | 国网内蒙古东部电力有限公司经济技术研究院 | 一种分布式电源与新型负荷典型场景生成方法及系统 |
CN113822319B (zh) * | 2021-07-01 | 2024-04-19 | 湖南大学 | 面向主动配电网的源-荷联合时序场景生成方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376410A (zh) * | 2014-11-06 | 2015-02-25 | 国家电网公司 | 一种配电网中分布式电源的规划方法 |
CN106230026A (zh) * | 2016-08-30 | 2016-12-14 | 华北电力大学(保定) | 基于时序特性分析的含分布式电源的配电网双层协调规划方法 |
CN106253335A (zh) * | 2016-06-16 | 2016-12-21 | 上海交通大学 | 一种分布式电源容量与接入位置不确定的配电网规划方法 |
CN107301472A (zh) * | 2017-06-07 | 2017-10-27 | 天津大学 | 基于场景分析法和电压调节策略的分布式光伏规划方法 |
CN107688879A (zh) * | 2017-10-20 | 2018-02-13 | 云南电网有限责任公司 | 一种考虑源荷匹配度的主动配电网分布式电源规划方法 |
WO2018031798A1 (en) * | 2016-08-11 | 2018-02-15 | Iteros, Inc. | Power sharing in a mesh energy system |
-
2018
- 2018-11-06 CN CN201811314115.2A patent/CN109508823B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376410A (zh) * | 2014-11-06 | 2015-02-25 | 国家电网公司 | 一种配电网中分布式电源的规划方法 |
CN106253335A (zh) * | 2016-06-16 | 2016-12-21 | 上海交通大学 | 一种分布式电源容量与接入位置不确定的配电网规划方法 |
WO2018031798A1 (en) * | 2016-08-11 | 2018-02-15 | Iteros, Inc. | Power sharing in a mesh energy system |
CN106230026A (zh) * | 2016-08-30 | 2016-12-14 | 华北电力大学(保定) | 基于时序特性分析的含分布式电源的配电网双层协调规划方法 |
CN107301472A (zh) * | 2017-06-07 | 2017-10-27 | 天津大学 | 基于场景分析法和电压调节策略的分布式光伏规划方法 |
CN107688879A (zh) * | 2017-10-20 | 2018-02-13 | 云南电网有限责任公司 | 一种考虑源荷匹配度的主动配电网分布式电源规划方法 |
Non-Patent Citations (2)
Title |
---|
Research on dispersed wind generation planning in distributed systerm based on voltage maximum correntropy;Han Yuhui 等;《IEEE》;20180104;全文 * |
基于电压最大相关熵的分散式风电源规划;韩玉慧 等;《电网与清洁能源》;20180331;第34卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109508823A (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508823B (zh) | 一种基于场景分析法的配电网中分布式电源规划方法 | |
Qian et al. | An improved seasonal GM (1, 1) model based on the HP filter for forecasting wind power generation in China | |
WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 | |
CN107688879B (zh) | 一种考虑源荷匹配度的主动配电网分布式电源规划方法 | |
CN108306303B (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
CN106385025B (zh) | 一种分布式电源与联络线多阶段协同规划方法 | |
Rajesh et al. | Least cost generation expansion planning with wind power plant incorporating emission using differential evolution algorithm | |
CN105305490A (zh) | 一种考虑电能质量经济性最优的有源配电网规划方法 | |
Liu et al. | A hybrid stochastic/robust-based multi-period investment planning model for island microgrid | |
CN105069236B (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
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 | |
CN112149264A (zh) | 一种基于改进哈里斯鹰优化算法的主动配电网规划方法 | |
Wu et al. | An ensemble neural network based on variational mode decomposition and an improved sparrow search algorithm for wind and solar power forecasting | |
CN110445127A (zh) | 一种面向多重随机不确定性的配电网无功优化方法及系统 | |
Khanjarpanah et al. | Sustainable wind plant location optimization using fuzzy cross-efficiency data envelopment analysis | |
CN114069687A (zh) | 一种计及逆变器无功调节作用的分布式光伏规划方法 | |
Kasi et al. | Operation cost minimization of micro grid using particle swarm optimizer and eagle strategy micro grid's operation cost minimization using PSO and ES | |
Quaiyum et al. | Application of artificial neural network in forecasting solar irradiance and sizing of photovoltaic cell for standalone systems in Bangladesh | |
CN109802634A (zh) | 一种基于大数据的光伏电站的智能运维方法及运维系统 | |
CN108694475A (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN109934367A (zh) | 一种计及分布式光伏装机容量不确定性的电网中长期负荷预测方法 | |
Xiao et al. | A statistical photovoltaic power forecast model (spf) based on historical power and weather data | |
CN116128154A (zh) | 一种农业园区综合能源系统的能源优化配置方法及装置 | |
CN114977324A (zh) | 能源基地多能互补运行中多主体效益变化的量化方法 |
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 |