CN109560574A - 一种考虑不确定因素的智能配电网网架规划方法 - Google Patents
一种考虑不确定因素的智能配电网网架规划方法 Download PDFInfo
- Publication number
- CN109560574A CN109560574A CN201811536395.1A CN201811536395A CN109560574A CN 109560574 A CN109560574 A CN 109560574A CN 201811536395 A CN201811536395 A CN 201811536395A CN 109560574 A CN109560574 A CN 109560574A
- Authority
- CN
- China
- Prior art keywords
- power
- distribution network
- intelligent distribution
- node
- load
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000001776 parthenogenetic effect Effects 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 3
- 230000005611 electricity Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 244000144992 flock Species 0.000 claims 1
- 230000005622 photoelectricity Effects 0.000 claims 1
- 230000009977 dual effect Effects 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 description 14
- 238000005457 optimization Methods 0.000 description 4
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H02J3/383—
-
- 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
-
- H02J3/386—
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑不确定因素的智能配电网网架规划方法，包括如下步骤：考虑智能配电网中风力发电系统与光伏发电系统的出力不确定性，建立风力发电系统与光伏发电系统的出力不确定模型，进行输出功率的模糊模拟；考虑智能配电网中电动汽车负荷的随机性，建立智能配电网中电动汽车负荷的不确定模型；基于模糊期望值进行配电网网架规划，将综合费用最小作为智能配电网规划的目标函数，利用半不变量潮流计算结合树形结构编码的单亲遗传算法进行求解。本发明可应对日渐增多的分布式电源及电动汽车接入到配电网之中带来的双重不确定性问题，在确定最优网架的基础上，还可以确定分布式电源的最佳接入方案，兼具实用性与创新性。
Description
技术领域
本发明涉及一种考虑不确定因素的智能配电网网架规划方法，属于电力系统技术领域。
背景技术
随着能源革命的深入发展，分布式电源与各种复杂的用户终端负荷日益增多。电动汽车凭借在缓解能源危机、减少温室气体排放等方面的优势，正得到迅速发展。而大规模电动汽车的充放电势必会对配电网的结构、运行产生巨大的影响。无论是分布式电源还是电动汽车充放电，其行为均存在着很大的不确定性。
目前，国内外学者在配电网规划上进行了大量的研究工作，包括分布式电源出力的建模、不确定因素的建模、配电网规划模型的建立、求解算法的选择等。其主要从经济性与可靠性两方面进行考虑，进行目标函数的选择，对分布式电源出力及负荷均进行建模带入简化计算，最后选用优化算法、智能算法等进行求解。
计及不确定性和环境因素的多类型分布式电源选址定容[J].(初壮,李钊,白望望.电力系统保护与控制,2017,45(13),34-41.)，考虑了分布式电源的不确定性，进行了场景划分并采用了改进的K-means聚类方法对场景进行了聚类，以年综合费用最小为目标函数，利用改进的粒子群算法对多种DG进行了选址定容的规划。
考虑时序特性的多目标分布式电源选址定容规划[J].(李亮,唐巍,白牧可.电力系统自动化,2013,37(03),58-63+128)，对DG以及负荷的典型时序特性进行了分析，以配电网损耗、停电损失为目标,考虑时序特性和多场景提出了多目标分布式电源选址、定容规划模型，并且给出了场景和场景权重的确定方法，选择了遗传算法进行了求解。
基于2层规划的间歇性分布式电源及无功补偿综合优化配置[J].(郭金明,李欣然,邓威,等.中国电机工程学报,2013,33(28)25-33+6.)，基于机会约束规划和二层规划的配电网广义电源优化配置[J].(张璐,唐巍,丛鹏伟,等.电力系统自动化,2014,38(05),50-58.)，都考虑了DG时序性和随机性，采用两层优化模型进行DG并网优化规划，取得良好效果。
一种考虑DG不确定性的配电网网架模糊规划方法(CN108155649)，提出了一种考虑DG不确定性的配电网网架模糊规划方法。根据分布式电源的不确定性,构建一类分布式电源出力模型和二类分布式电源出力模型；对于所述二类分布式电源出力模型，以配电网络拓扑结构约束、节点电压不越限、渗透率约束、系统功率平衡约束为约束条件,建立基于模糊期望值的含分布式电源的配电网网架规划月标函数；对于所述的模糊期望值，采用模湖潮流计算获得:采用遗传算法求解，获得分布式电源的配电网网架模糊规划。
以上文献均从不同角度进行了配电网规划，但大部分规划方法未同时考虑分布式电源与电动汽车(V2G)这种负荷同时接入配电网的规划情况。
因此，进行配电网规划时应同时考虑电源与负荷的双重不确定性，创建支持可再生能源发电、电动汽车放电等的灵活接入和退出，实现需求响应资源的优化管理和控制的配电网系统。综上，有必要发明一种考虑不确定因素的智能配电网网架规划方法来迎合未来配电网的发展趋势。
发明内容
本发明目的在于，克服现有技术存在的缺陷，提供一种考虑包括电源与负荷的不确定出力的智能配电网网架规划方法，以解决现有技术中配电网规划时仅考虑电源的出力不确定性或负荷不确定性而未同时考虑二者的问题。
本发明采用如下技术方案：一种考虑不确定因素的智能配电网网架规划方法，其特征在于，包括如下步骤：
考虑智能配电网中风力发电系统与光伏发电系统的出力不确定性，建立风力发电系统与光伏发电系统的出力不确定模型，进行输出功率的模糊模拟；
考虑智能配电网中电动汽车负荷的随机性，建立智能配电网中电动汽车负荷的不确定模型；
基于模糊期望值进行配电网网架规划，将综合费用最小作为智能配电网规划的目标函数，利用半不变量潮流计算结合树形结构编码的单亲遗传算法进行求解。
作为一种较佳的实施例，所述风力发电系统与光伏发电系统的出力不确定模型的构建方法如下：随机性极强的日照强度及风速的影响，光伏发电出力与风力发电出力均具有一定的模糊特性，因此若根据某一时刻的光伏发电与风力发电出力来进行确定性潮流计算就会带来极大的误差。因此此处采取梯形模糊数来构建某一段时间内光伏发电系统与风力发电系统的出力不确定量。
作为一种较佳的实施例，所述风力发电系统的出力不确定量的构建方法具体包括：
假设风力发电系统的出力始终处于L1与L4之间，且多数处于L2与L3之间，则风力发电系统出力用梯形模糊数 表示时，其隶属度函数表示如下：
根据所选风机的特征，包括额定功率、额定风速、切入风速、切出风速、尺度系数及形状系数，再结合气象资料中的风速预测值，即可计算得出风力发电系统出力的隶属度函数。
作为一种较佳的实施例，所述光伏发电系统的出力不确定量的构建方法具体包括：假设光伏发电系统出力始终处于L5与L8之间，且多数处于L6与L7之间，则光伏发电系统出力用梯形模糊数 表示时，其隶属度函数表示如下：
根据光伏发电系统的额定光照强度，安装容量及关键参数，所述关键参数包括光电转化系数、形状参数等，结合太阳辐射的预测值，计算出光伏发电系统出力的隶属度函数。
作为一种较佳的实施例，所述智能配电网中电动汽车负荷的不确定模型构建方法如下：V2G(vehicle-to-grid)是指电动汽车作为一种分布式的负荷或者电源，接入电网后释放存储在其动力电池内的电能，可以为电网的运行提供调峰、调频等服务。智能配电网中将有一定比例的电动汽车参与V2G，在负荷高峰期对智能配电网系统放电，因此电动汽车对智能配电网系统的最大负荷PEV可表示为：
PEV＝P1-P2＝N1Pinλ1-N2Poutλ2；
其中：P1表示不参与放电部分的电动汽车高峰时随机充电产生的负荷；P2表示不参与放电部分的电动汽车高峰时随机充电的功率；N1与N2分别表示不参与放电计划的电动汽车数量与参与放电计划的电动汽车数量；Pin与POUT分别表示单台电动汽车充电与放电时的额定功率；λ1与λ2分别表示不参与放电计划的电动汽车与参与放电计划的电动汽车在负荷高峰期的放电可用率。
由以往经验可知，电动汽车充放电行为近似服从于正态分布，即P1～N(μ1，σ1 2)，P2～N(μ2，σ2 2)。与上述的分布式电源类似，可采用梯形模糊变量进行表示。
作为一种较佳的实施例，所述智能配电网规划的目标函数构建方法如下：
以全年智能配电网综合费用H最小为目标函数：
minH＝Hnet+HDG+Hf+HLOSS-HV2G；
其中：Hnet表示新建线路费用；HDG表示智能配电网中单位分布式电源的投资年费用；Hf表示分布式电源的年运行维护费用；HLOSS表示智能配电网的网损年费用，HV2G为由于电动汽车参与对智能配电网系统放电而节省的发电机组装机费用；具体计算公式如下：
HLOSS＝abELOSS；
HV2G＝γ∑PV2G；
其中：Fnet为配电网新建线路投资费用，其中r为折现率，取10％，T0表示投资回报年限，以年表示；si与ci分别表示i类型分布式电源的数量和单位投资费用；NDG为分布式电源的类型数量；cunit为节点i处所安装的分布式电源，在单位电量下消耗的燃料费；EDG,i为节点i处所安装的分布式电源的发电量；ab表示单价，为0.5元/kWh；ELOSS为一年内产生的网络损耗总量；γ为一般发电机组发电成本，为0.15万元/kW；PV2G为参与对智能配电网系统放电的电动汽车在智能配电网系统最大负荷时可向电网输出的功率。
作为一种较佳的实施例，所述智能配电网规划的目标函数的约束条件如下：
功率平衡约束：
分布式电源出力约束：
PDG 2+QDG 2≤SDG 2；
节点电压约束：
Vimin≤Vi≤Vimax；
线路功率约束：
其中：i与j分别表示节点i与节点j；PDG,i与QDG,i分别是节点i的接入发电设备的有功功率与无功功率；PL,i与QL,i分别表示节点i接入的负荷的有功功率与无功功率；Vi与Vj分别表示节点i与节点j处的电压幅值；Gij与Bij分别为支路电导与电纳；θ为功率角；Vimin与Vimax分别为i节点处的允许电压的最小值与最大值；Pline表示线路传输功率，Plinemin与Plinemax分别表示线路允许最小传输功率与最大传输功率；PDG、QDG、SDG分别是发电机有功功率、无功功率和视在功率。
作为一种较佳的实施例，所述半不变量法潮流计算方法如下：
各节点的注入功率的随机变量ΔW(k)可表示为：
ΔW(k)＝ΔWg (k)+ΔWl (k)；
其中：ΔWg (k)与ΔWl (k)分别表示各节点发电机与负荷功率的随机变量；
由注入功率的各阶半不变量求出状态变量和支路潮流的各阶半不变量：
上式中矩阵S0 (k)和T0 (k)分别是由S0和T0中的各元素的k次幂所构成的矩阵，即对任意元素(i，j)有：
在求得状态变量和支路功率的各阶半不变量的基础上，应用Gram-Charlier展开级数就可以求出状态变量和支路功率的随机分布情况，此处本发明仅考虑负荷波动的情况。
作为一种较佳的实施例，所述树形结构编码的单亲遗传算法包括：单亲遗传算法的原理即以基因重组算子代替交叉算子，并作用于父代种群，以期产生适应性更强的后代种群；反复迭代进行此操作，实现种群进化，直至终止。
作为一种较佳的实施例，所述树形结构编码的单亲遗传算法应用于配电网络规划时的具体实现步骤如下：
步骤SS1：对智能配电网所有支路按长度从小到大进行排序，存入线路类的对象数组Line[]；其中线路类的类属变量包括线路两端节点编号i和j、线路的阻抗、线路上流过的有功功率与无功功率以及线路标识；
步骤SS2：将电源节点标记为“true”，其他的节点和线路均不做标记；“true”节点即被称为根节点，所有的根节点构成一个根节点群；从Line[]中顺序查找与根节点群相连且未做任何标记的短支路若干，形成短支路集合；
步骤SS3：随机选择1条短支路，检查是否超过线路的最大允许传输功率；如果是则转步骤SS2；否则转步骤SS4；
步骤SS4：标记选中的支路为“true”，同时其另一端节点也标记为“true”，即将此新节点加入根节点群；并分别在Node[]数组中相应对象的属性变量中保存此二节点的父子关系，Node[]就是新建的空数组，用于保存关系数据的；
步骤SS5：对所有支路进行搜索，将两端节点均为根节点且未做任何标记的支路标记为“false”；
步骤SS6：检查所有负荷节点是否全部被标记为“true”，如果是，则结束退出，否则转入步骤SS2。
本发明所达到的有益效果：本发明针对未来智能配电网将发展为兼容多种发电方式和新技术，支持可再生能源发电、电动汽车放电等的灵活接入和退出，实现需求响应资源的优化管理和控制的智能配电网系统的技术需求，通过在进行智能配电网规划时，同时考虑电源与负荷的双重不确定性具有的现实性意义，独创性的提出了本发明的技术实践方案；同时，本发明考虑配电网规划的灵活性，该方法在确定网架最优化的基础上，还可以确定分布式电源的最佳接入方案(包括容量与接入位置)；根据算例显示该方法可获得的配电网良好网架规划结果，将综合费用控制至最小的同时，保证了系统电压水平的稳定等。
附图说明
图1是为本发明优选实施例的半不变量潮流计算方法流程图。
图2为IEEE 30节点结构图。
图3为14节点功率密度曲线，采用半不变量法计算潮流与蒙特卡罗法相比较验证其准确性。
图4为规划前后IEEE 30节点电压分布对比图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的技术手段包括3个步骤。
第一，对分布式电源(风力发电与光伏发电)的出力建立不确定模型：受随机性极强的日照强度及风速的影响，光伏发电与风力发电出力均具有一定的模糊特性，因此若根据某一时刻的光伏发电与风力发电出力来进行确定性潮流计算就会带来极大的误差。因此此处采取梯形模糊数来构建某一段时间内光伏发电系统与风力发电系统的的出力不确定量。以光伏发电系统为例：假设光伏发电系统出力始终处于L1与L4之间，且很大可能处于L2与L3之间，则光伏发电出力用梯形模糊数表示时，其隶属度函数表示如下：
根据所选风机的特征(额定功率、额定风速、切入风速、切出风速、尺度系数及形状系数)，结合气象资料中的风速预测值，即可计算得出风力发电系统出力的隶属度函数。类似地，根据光伏发电系统的额定光照强度，安装容量及关键参数(光电转化系数、形状参数等)，结合太阳辐射的预测值，亦可计算出光伏发电系统出力的隶属度函数。
第二，对智能配电网中电动汽车负荷的进行不确定模型的构建：V2G(vehicle-to-grid)是指电动汽车作为一种分布式的负荷或者电源，接入电网后释放存储在其动力电池内的电能，可以为电网的运行提供调峰、调频等服务。一般配电网中将有一定比例的电动汽车参与V2G，在负荷高峰期对系统放电。在此背景下，电动汽车对系统的最大负荷PEV可表示为：
PEV＝P1-P2＝N1Pinλ1-N2Poutλ2；
其中：P1表示不参与放电部分的电动汽车高峰时随机充电的产生的负荷；P2表示不参与放电部分的电动汽车高峰时随机充电的功率；N1与N2分别表示不参与放电计划电动汽车数量；Pin与POUT分别表示单台电动汽车充电与放电时的额定功率；λ1与λ2分别表示不参与放电计划的电动汽车与参与放电计划的电动汽车在负荷高峰期的放电可用率。
由以往经验可知，电动汽车充放电行为近似服从于正态分布，即P1～N(μ1，σ1 2)，P2～N(μ2，σ2 2)。与上述的分布式电源类似，可采用梯形模糊变量进行表示。
第三，建立智能配电网规划的目标函数及确定其约束条件：以全年网络综合费用H最小为目标函数：
minH＝Hnet+HDG+Hf+HLOSS-HV2G；
其中：Hnet表示新建线路费用；HDG表示配电网中单位分布式电源的投资年费用；Hf表示分布式电源的年运行维护费用；HLOSS表示配电网网损年费用，HV2G为由于电动汽车参与对系统放电而节省的发电机组装机费用，具体计算公式如下：
HLOSS＝abELOSS；
HV2G＝γ∑PV2G；
其中：Fnet为配电网新建线路投资费用，其中r为折现率，取10％，T0表示投资回报年限(一般以年表示)；si与ci分别表示i类型分布式电源的数量和单位投资费用；cunit为节点i处所安装的分布式电源，在单位电量下消耗的燃料费；EDG,i为节点i处所安装的分布式电源的发电量；ab表示单价，为0.5元/kWh；ELOSS为一年内产生的网络损耗总量；γ为一般发电机组发电成本，为0.15万元/kW；PV2G为参与对系统放电的电动汽车在系统最大负荷时可向电网输出的功率。
第四，约束条件如下：
1)功率平衡约束：
2)分布式电源出力约束：
PDG 2+QDG 2≤SDG 2；
3)节点电压约束：
Vimin≤Vi≤Vimax；
4)线路功率约束：
其中：i与j分别表示节点i与节点j；PDG,i与QDG,i分别是节点i的接入发电设备的有功功率与无功功率；PL,i与QL,i分别表示节点i接入的负荷的有功功率与无功功率；Vi与Vj分别表示节点i与节点j处的电压幅值；Gij与Bij分别为支路电导与电纳；θ为功率角；Vimin与Vimax分别为i节点处的允许电压的最大值与最小值；Pline表示线路传输功率，Plinemin与Plinemax分别表示线路允许最小传输功率与最大传输功率，PDG、QDG、SDG分别是发电机有功功率、无功功率和视在功率。
第五，采用半不变量法进行潮流计算：如图1所示，半不变量法概率潮流时以牛顿－拉夫逊法为基础对潮流计算线性化处理，通过半不变量数学性质进行卷积运算，从而计算参数的概率分布。该方法可快速求出节点电压与支路潮流的概率分布。各节点的注入功率的随机变量ΔW(k)可表示为：
ΔW(k)＝ΔWg (k)+ΔWl (k)；
其中：ΔWg (k)与ΔWl (k)分别表示各节点发电机与负荷功率的随机变量。
由注入功率的各阶半不变量求出状态变量和支路潮流的各阶半不变量：
上式中矩阵S0 (k)和T0 (k)分别是由S0和T0中的各元素的k次幂所构成的矩阵，即对任意元素(i，j)有：
在求得状态变量和支路功率的各阶半不变量的基础上，应用Gram-Charlier展开级数就可以求出状态变量和支路功率的随机分布情况。此处本发明仅考虑负荷波动的情况。
第六，采用树形结构编码的单亲遗传算法对目标函数进行求解：单亲遗传算法的原理即以基因重组算子代替交叉算子，并作用于父代种群，以期产生适应性更强的后代种群；反复迭代进行此操作，实现种群进化，直至终止。其染色体编码方法如下：
树形结构编码的单亲遗传算法应用于配电网络规划时的具体实现步骤如下：步骤SS1：对智能配电网所有支路按长度从小到大进行排序，存入线路类的对象数组Line[]；其中线路类的类属变量包括线路两端节点编号i和j、线路的阻抗、线路上流过的有功功率与无功功率以及线路标识；
步骤SS2：将电源节点标记为“true”，其他的节点和线路均不做标记；“true”节点即被称为根节点，所有的根节点构成一个根节点群；从Line[]中顺序查找与根节点群相连且未做任何标记的较短支路若干，形成较短支路集合；
步骤SS3：随机选择1条较短支路，检查是否超过线路的最大允许传输功率；如果是则转步骤SS2；否则转步骤SS4；
步骤SS4：标记选中的支路为“true”，同时其另一端节点也标记为“true”，即将此新节点加入根节点群；并分别在Node[]数组中相应对象的属性变量中保存此二节点的父子关系；Node[]就是新建的空数组，用于保存关系数据的；
步骤SS5：对所有支路进行搜索，将两端节点均为根节点且未做任何标记的支路标记为“false”；
步骤SS6：检查所有负荷节点是否全部被标记为“true”，如果是，则结束退出，否则转入步骤SS2。
实施例1：
如图2所示为IEEE 30节点结构图，以IEEE 30节点为例，进行算法的实现。首先对半不变量法潮流计算程序进行准确性验证，如图3所示为14节点功率密度曲线，采用半不变量法计算潮流与蒙特卡罗法相比较验证其准确性。以蒙特卡罗仿真随机潮流算法作为基准方法进行比较。风力发电机的切入风速，切出风速及额定风速分别为4m/s，18m/s，10m/s。单台风机与光伏均设为100kW；单位风机和分布式光伏发电机的投资费用分别为为7万元和11万元，运行维护费用分别为0.3元/kWh和0.2元/kWh。风电与光伏年利用小时数分别为900h与1200h。投资回收年限T0为10年，图4为规划前后IEEE30节点电压分布对比图，表1所示的是采用发明所述方法计算所得结果。
表1
| 项目/万元 | 数值 |
| 总费用 | 3927.36 |
| 新建线路费用 | 2715.62 |
| 分布式电源投资费用 | 1236.86 |
| 运行维护费用 | 23.4 |
| 网损费用 | 86.68 |
| V2G节省费用 | 135.2 |
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种考虑不确定因素的智能配电网网架规划方法，其特征在于，包括如下步骤：
考虑智能配电网中风力发电系统与光伏发电系统的出力不确定性，建立风力发电系统与光伏发电系统的出力不确定模型，进行输出功率的模糊模拟；
考虑智能配电网中电动汽车负荷的随机性，建立智能配电网中电动汽车负荷的不确定模型；
基于模糊期望值进行配电网网架规划，将综合费用最小作为智能配电网规划的目标函数，利用半不变量潮流计算结合树形结构编码的单亲遗传算法进行求解。
2.根据权利要求1所述的一种考虑不确定因素的智能配电网网架规划方法，其特征在于，所述风力发电系统与光伏发电系统的出力不确定模型的构建方法如下：采取梯形模糊数来构建某一段时间内光伏发电系统与风力发电系统的出力不确定量。
3.根据权利要求2所述的一种考虑不确定因素的智能配电网网架规划方法，其特征在于，所述风力发电系统的出力不确定量的构建方法具体包括：
假设风力发电系统的出力始终处于L1与L4之间，且多数处于L2与L3之间，则风力发电系统出力用梯形模糊数 表示时，其隶属度函数表示如下：
根据所选风机的特征，包括额定功率、额定风速、切入风速、切出风速、尺度系数及形状系数，再结合气象资料中的风速预测值，即可计算得出风力发电系统出力的隶属度函数。
4.根据权利要求2所述的一种考虑不确定因素的智能配电网网架规划方法，其特征在于，所述光伏发电系统的出力不确定量的构建方法具体包括：假设光伏发电系统出力始终处于L5与L8之间，且多数处于L6与L7之间，则光伏发电系统出力用梯形模糊数 表示时，其隶属度函数表示如下：
根据光伏发电系统的额定光照强度，安装容量及关键参数，所述关键参数包括光电转化系数、形状参数等，结合太阳辐射的预测值，计算出光伏发电系统出力的隶属度函数。
5.根据权利要求1所述的一种考虑不确定因素的智能配电网网架规划方法，其特征在于，所述智能配电网中电动汽车负荷的不确定模型构建方法如下：配电网中将有一定比例的电动汽车参与V2G，在负荷高峰期对智能配电网系统放电，因此电动汽车对智能配电网系统的最大负荷PEV可表示为：
PEV＝P1-P2＝N1Pinλ1-N2Poutλ2；
其中：P1表示不参与放电部分的电动汽车高峰时随机充电产生的负荷；P2表示不参与放电部分的电动汽车高峰时随机充电的功率；N1与N2分别表示不参与放电计划的电动汽车数量与参与放电计划的电动汽车数量；Pin与POUT分别表示单台电动汽车充电与放电时的额定功率；λ1与λ2分别表示不参与放电计划的电动汽车与参与放电计划的电动汽车在负荷高峰期的放电可用率。
6.根据权利要求1所述的一种考虑不确定因素的智能配电网网架规划方法，其特征在于，所述智能配电网规划的目标函数构建方法如下：
以全年智能配电网综合费用H最小为目标函数：
minH＝Hnet+HDG+Hf+HLOSS-HV2G；
其中：Hnet表示新建线路费用；HDG表示智能配电网中单位分布式电源的投资年费用；Hf表示分布式电源的年运行维护费用；HLOSS表示智能配电网的网损年费用，HV2G为由于电动汽车参与对智能配电网系统放电而节省的发电机组装机费用；具体计算公式如下：
HLOSS＝abELOSS；
HV2G＝γ∑PV2G；
其中：Fnet为配电网新建线路投资费用，其中r为折现率，取10％，T0表示投资回报年限，以年表示；si与ci分别表示i类型分布式电源的数量和单位投资费用；NDG为分布式电源的类型数量；cunit为节点i处所安装的分布式电源，在单位电量下消耗的燃料费；EDG,i为节点i处所安装的分布式电源的发电量；ab表示单价，为0.5元/kWh；ELOSS为一年内产生的网络损耗总量；γ为一般发电机组发电成本，为0.15万元/kW；PV2G为参与对智能配电网系统放电的电动汽车在智能配电网系统最大负荷时可向电网输出的功率。
7.根据权利要求1所述的一种考虑不确定因素的智能配电网网架规划方法，其特征在于，所述智能配电网规划的目标函数的约束条件如下：
功率平衡约束：
分布式电源出力约束：
PDG 2+QDG 2≤SDG 2；
节点电压约束：
Vimin≤Vi≤Vimax；
线路功率约束：
Plinemin≤Pline≤Plinemax；
其中：i与j分别表示节点i与节点j；PDG,i与QDG,i分别是节点i的接入发电设备的有功功率与无功功率；PL,i与QL,i分别表示节点i接入的负荷的有功功率与无功功率；Vi与Vj分别表示节点i与节点j处的电压幅值；Gij与Bij分别为支路电导与电纳；θ为功率角；Vimin与Vimax分别为i节点处的允许电压的最小值与最大值；Pline表示线路传输功率，Plinemin与Plinemax分别表示线路允许最小传输功率与最大传输功率；PDG、QDG、SDG分别是发电机有功功率、无功功率和视在功率。
8.根据权利要求1所述的一种考虑不确定因素的智能配电网网架规划方法，其特征在于，所述半不变量法潮流计算方法如下：
各节点的注入功率的随机变量ΔW(k)可表示为：
ΔW(k)＝ΔWg (k)+ΔWl (k)；
其中：ΔWg (k)与ΔWl (k)分别表示各节点发电机与负荷功率的随机变量；
由注入功率的各阶半不变量求出状态变量和支路潮流的各阶半不变量：
上式中矩阵S0 (k)和T0 (k)分别是由S0和T0中的各元素的k次幂所构成的矩阵，即对任意元素(i，j)有：
在求得状态变量和支路功率的各阶半不变量的基础上，应用Gram-Charlier展开级数就可以求出状态变量和支路功率的随机分布情况，此处本发明仅考虑负荷波动的情况。
9.根据权利要求1所述的一种考虑不确定因素的智能配电网网架规划方法，其特征在于，所述树形结构编码的单亲遗传算法包括：单亲遗传算法的原理即以基因重组算子代替交叉算子，并作用于父代种群，以期产生适应性更强的后代种群；反复迭代进行此操作，实现种群进化，直至终止。
10.根据权利要求1所述的一种考虑不确定因素的智能配电网网架规划方法，其特征在于，所述树形结构编码的单亲遗传算法应用于配电网络规划时的具体实现步骤如下：
步骤SS1：对智能配电网所有支路按长度从小到大进行排序，存入线路类的对象数组Line[]；其中线路类的类属变量包括线路两端节点编号i和j、线路的阻抗、线路上流过的有功功率与无功功率以及线路标识；
步骤SS2：将电源节点标记为“true”，其他的节点和线路均不做标记；“true”节点即被称为根节点，所有的根节点构成一个根节点群；从Line[]中顺序查找与根节点群相连且未做任何标记的短支路若干，形成短支路集合；
步骤SS3：随机选择1条短支路，检查是否超过线路的最大允许传输功率；如果是则转步骤SS2；否则转步骤SS4；
步骤SS4：标记选中的支路为“true”，同时其另一端节点也标记为“true”，即将此新节点加入根节点群；并分别在Node[]数组中相应对象的属性变量中保存此二节点的父子关系；
步骤SS5：对所有支路进行搜索，将两端节点均为根节点且未做任何标记的支路标记为“false”；
步骤SS6：检查所有负荷节点是否全部被标记为“true”，如果是，则结束退出，否则转入步骤SS2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811536395.1A CN109560574A (zh) | 2018-12-14 | 2018-12-14 | 一种考虑不确定因素的智能配电网网架规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811536395.1A CN109560574A (zh) | 2018-12-14 | 2018-12-14 | 一种考虑不确定因素的智能配电网网架规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109560574A true CN109560574A (zh) | 2019-04-02 |
Family
ID=65870161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811536395.1A Pending CN109560574A (zh) | 2018-12-14 | 2018-12-14 | 一种考虑不确定因素的智能配电网网架规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109560574A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886472A (zh) * | 2019-01-23 | 2019-06-14 | 天津大学 | 一种分布式光伏和电动汽车接入不确定性的配电台区容量方法 |
| CN110854928A (zh) * | 2019-10-29 | 2020-02-28 | 广东工业大学 | 面向分布式电源和电动汽车的大型配电网风险控制优化方法 |
| CN112417630A (zh) * | 2020-11-25 | 2021-02-26 | 重庆涪陵电力实业股份有限公司 | 一种考虑出力不确定的分布式电源选址定容优化方法 |
| CN112819279A (zh) * | 2020-12-31 | 2021-05-18 | 国网山东省电力公司聊城供电公司 | 分布式能源与配电网扩展适应性的规划评估方法及系统 |
| CN112993985A (zh) * | 2021-03-01 | 2021-06-18 | 西安交通大学 | 一种考虑不确定性的微电网多目标规划方法 |
| CN113054688A (zh) * | 2021-04-06 | 2021-06-29 | 华中科技大学 | 考虑不确定性的可再生能源集群出力分布式协调控制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2537225A1 (en) * | 2010-02-18 | 2012-12-26 | University Of Delaware | Electric vehicle equipment for grid-integrated vehicles |
| CN106849065A (zh) * | 2017-03-06 | 2017-06-13 | 四川大学 | 一种计及充电站的配电网多目标协同规划方法 |
| CN107316115A (zh) * | 2017-07-28 | 2017-11-03 | 国网山东省电力公司经济技术研究院 | 分布式电源不同渗透率下网架规划方法 |
-
2018
- 2018-12-14 CN CN201811536395.1A patent/CN109560574A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2537225A1 (en) * | 2010-02-18 | 2012-12-26 | University Of Delaware | Electric vehicle equipment for grid-integrated vehicles |
| CN106849065A (zh) * | 2017-03-06 | 2017-06-13 | 四川大学 | 一种计及充电站的配电网多目标协同规划方法 |
| CN107316115A (zh) * | 2017-07-28 | 2017-11-03 | 国网山东省电力公司经济技术研究院 | 分布式电源不同渗透率下网架规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘燕飞: "基于不确定理论的含DG的配电网网架规划", 《中国优秀博硕士学位论文全文数据库（硕士） 工程科技II辑》 * |
| 李振坤: "基于随机潮流的含电动汽车配电网内分布式电源规划", 《电力系统自动化》 * |
| 王锡凡: "《电力系统优化规划》", 30 March 1990, 水利电力出版社 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886472A (zh) * | 2019-01-23 | 2019-06-14 | 天津大学 | 一种分布式光伏和电动汽车接入不确定性的配电台区容量方法 |
| CN109886472B (zh) * | 2019-01-23 | 2022-12-02 | 天津大学 | 一种分布式光伏和电动汽车接入不确定性的配电台区容量方法 |
| CN110854928A (zh) * | 2019-10-29 | 2020-02-28 | 广东工业大学 | 面向分布式电源和电动汽车的大型配电网风险控制优化方法 |
| CN110854928B (zh) * | 2019-10-29 | 2023-10-03 | 广东工业大学 | 面向分布式电源和电动汽车的大型配电网风险控制优化方法 |
| CN112417630A (zh) * | 2020-11-25 | 2021-02-26 | 重庆涪陵电力实业股份有限公司 | 一种考虑出力不确定的分布式电源选址定容优化方法 |
| CN112417630B (zh) * | 2020-11-25 | 2023-04-18 | 重庆涪陵电力实业股份有限公司 | 一种考虑出力不确定的分布式电源选址定容优化方法 |
| CN112819279A (zh) * | 2020-12-31 | 2021-05-18 | 国网山东省电力公司聊城供电公司 | 分布式能源与配电网扩展适应性的规划评估方法及系统 |
| CN112993985A (zh) * | 2021-03-01 | 2021-06-18 | 西安交通大学 | 一种考虑不确定性的微电网多目标规划方法 |
| CN113054688A (zh) * | 2021-04-06 | 2021-06-29 | 华中科技大学 | 考虑不确定性的可再生能源集群出力分布式协调控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun | A multi-objective optimization model for fast electric vehicle charging stations with wind, PV power and energy storage | |
| Yang et al. | Optimal sizing and placement of energy storage system in power grids: A state-of-the-art one-stop handbook | |
| CN109560574A (zh) | 一种考虑不确定因素的智能配电网网架规划方法 | |
| CN109325608B (zh) | 考虑储能并计及光伏随机性的分布式电源优化配置方法 | |
| Niknam et al. | Probabilistic energy and operation management of a microgrid containing wind/photovoltaic/fuel cell generation and energy storage devices based on point estimate method and self-adaptive gravitational search algorithm | |
| Ahmadian et al. | Two-layer optimization methodology for wind distributed generation planning considering plug-in electric vehicles uncertainty: A flexible active-reactive power approach | |
| CN108306303A (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 | |
| Rodriguez et al. | Fuzzy logic-based energy management for isolated microgrid using meta-heuristic optimization algorithms | |
| CN112734098B (zh) | 一种基于源-荷-网平衡的配电网电力调度方法及系统 | |
| CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
| CN107968430A (zh) | 考虑风-储联合系统概率模型的储输协同随机规划方法 | |
| CN103715688A (zh) | 并网型微网优化配置方法及装置 | |
| Li et al. | Optimal planning of Electricity–Hydrogen hybrid energy storage system considering demand response in active distribution network | |
| Kasturi et al. | Optimal planning of charging station for EVs with PV-BES unit in distribution system using WOA | |
| Niknam et al. | Probabilistic model of polymer exchange fuel cell power plants for hydrogen, thermal and electrical energy management | |
| Mohseni et al. | Optimal sizing of an islanded micro-grid using meta-heuristic optimization algorithms considering demand-side management | |
| Aiswariya et al. | Optimal microgrid battery scheduling using simulated annealing | |
| CN115439000A (zh) | 考虑风光荷功率不确定性和相关性的配电网区块划分方法 | |
| Qiao et al. | Comparison of centralised and distributed battery energy storage systems in LV distribution networks on operational optimisation and financial benefits | |
| CN116822719A (zh) | 一种配电网的多目标规划方法及装置 | |
| CN115000985A (zh) | 一种用户侧分布式储能设施聚合管控方法及系统 | |
| CN109711605A (zh) | 一种多类型电源并网定容方法和装置 | |
| Singh et al. | Energy management of an active distribution network considering correlation between uncertain input variables | |
| Kermani et al. | Energy Management System for Smart Grid in the Presence of Energy Storage and Photovoltaic Systems | |
| Koutroulis et al. | Optimal design and economic evaluation of a battery energy storage system for the maximization of the energy generated by wind farms in isolated electric grids |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190402 |
|
| RJ01 | Rejection of invention patent application after publication |