CN110247428A - 一种基于源网荷协同优化的配电网光储联合配置方法 - Google Patents
一种基于源网荷协同优化的配电网光储联合配置方法 Download PDFInfo
- Publication number
- CN110247428A CN110247428A CN201910541329.1A CN201910541329A CN110247428A CN 110247428 A CN110247428 A CN 110247428A CN 201910541329 A CN201910541329 A CN 201910541329A CN 110247428 A CN110247428 A CN 110247428A
- Authority
- CN
- China
- Prior art keywords
- cluster
- optimization
- distribution network
- power distribution
- source net
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 51
- 240000002853 Nelumbo nucifera Species 0.000 title claims abstract description 31
- 235000006508 Nelumbo nucifera Nutrition 0.000 title claims abstract description 31
- 235000006510 Nelumbo pentapetala Nutrition 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 238000005286 illumination Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims abstract description 3
- 230000002123 temporal effect Effects 0.000 claims abstract description 3
- 238000007726 management method Methods 0.000 claims description 20
- 210000000349 chromosome Anatomy 0.000 claims description 11
- 239000002096 quantum dot Substances 0.000 claims description 9
- 230000008030 elimination Effects 0.000 claims description 8
- 238000003379 elimination reaction Methods 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000004146 energy storage Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 210000004940 nucleus Anatomy 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 241000894007 species Species 0.000 claims description 2
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 230000005428 wave function Effects 0.000 claims description 2
- 231100000219 mutagenic Toxicity 0.000 claims 1
- 230000003505 mutagenic effect Effects 0.000 claims 1
- 238000003064 k means clustering Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 10
- 239000000243 solution Substances 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013456 study Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H02J3/383—
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
Abstract
一种基于源网荷协同优化的配电网光储联合配置方法，该方法基于并行迭代二分K‑means‑+增强聚类算法对多场景进行缩减分析，模拟光照强度及负荷需求的时序特性和不确定性；构建基于源网荷协同优化的配电网光储联合优化配置模型；提出并行双量子微分进化算法对基于源网荷协同优化的配电网光储联合配置模型进行高效求解。本发明提出使用基于并行迭代二分K‑means‑+增强聚类场景缩减的多场景分析方法处理分布式光伏出力和负荷需求的不确定性，克服了传统K‑means聚类算法对初始质心敏感的缺陷，大大缩小了聚类误差和缩短了聚类时间；使用并行双量子微分进化算法对双层模型进行高效求解，突破了普通优化算法存在的寻优深度和寻优速度难兼顾的瓶颈。
Description
技术领域
本发明涉及一种基于源网荷协同优化的配电网光储联合配置方法，属电力配电网技术领域。
背景技术
近年来，为解决环境污染和能源短缺问题，光伏发电(Photovoltaic,PV)得到了快速发展。然而，由于光伏发电出力和负荷需求具有较强的随机性，严重制约了配电网对光伏的接纳能力。主动配电网(Active Distribution Network,ADN)和高效储能技术的出现，被认为是提高光伏消纳能力的有效手段。主动配电网可以充分利用多种主动管理措施对含分布式光伏的配电网进行主动管理和主动控制；储能电池可以灵活的作为电源或负荷，起到削峰填谷的作用。为此，如何实现配电网光储联合优化配置对于含分布式光伏的配电网规划至关重要。
然而目前大多数主动配电网电源配置相关研究仅考虑单一主动管理措施如需求侧响应的影响，随着各类主动管理措施趋于成熟，在配电网光储联合优化配置中仅考虑单一的主动管理措施是不够的，远不能充分发挥ADN的主动管理策略优势，还应综合多种主动管理措施及控制策略，从源网荷协同优化的角度去考虑光储联合配置问题，才能实现可再生能源及主动配电网资源的最优化利用。为了考虑可再生能源出力的不确定性，一般需要采用多场景分析方法。多场景分析主要包含场景生成和场景缩减两部分。场景缩减常使用K-means聚类算法，然而该算法对初始质心敏感，随着初始质心随机选取的不同其聚类结果存在较大差异。一些研究提出改进K-means聚类算法多集中在如何确定合适的初始质心，虽然在一定程度上提高了聚类精度，但当聚类中心较多时并不能总是可以选到合适的质心，聚类精度仍不高。此外，针对光储联合配置这类综合考虑多个优化目标、多个约束条件和多个决策变量的复杂优化问题，使用常规优化算法求解普遍存在寻优速度和深度难以兼顾的瓶颈。
发明内容
本发明的目的是，针对光储联合配置优化配置存在的问题和传统基于K-means聚类的多场景分析法存在聚类误差大的缺陷，本发明提出一种基于源网荷协同优化的配电网光储联合配置方法。
实现本发明的技术方案如下，一种基于源网荷协同优化的配电网光储联合配置方法，所述方法基于并行迭代二分K-means-+增强聚类算法对多场景进行缩减分析，模拟光照强度及负荷需求的时序特性和不确定性；综合考虑源网荷协同控制下多种主动管理措施，外层以光伏就地消纳率和投资商收益最大为目标、内层以每个场景节点电压偏差率最小为目标，构建基于源网荷协同优化的配电网光储联合优化配置模型；提出并行双量子微分进化算法对双层模型进行高效求解。
所述并行迭代二分K-means-+增强聚类算法对多场景进行缩减步骤如下：
(1)将数据集按计算内核数平均划分，把各数据子集分配到各个计算内核中；
(2)各计算内核利用极大距离法选出质心进行二分K-means聚类，得出K个簇及其簇心；
(3)通过迭代分解和移除操作进一步增强聚类，设簇Si的簇心为ci，其欧式距离平方和SSED(Si)为：
若将簇Si分解为两簇Si,1和Si,2后的SSED减少量为Gain(Si)；另有簇Sj(簇心为cj)，其最近簇为Sn(簇心为cn)，若Sj在移除cj后其各数据到最近簇心cn的SSED增加量为Cost(Sj)；即：
若Gain(Si)＞Cost(Sj)，则将Si分解为Si,1和Si,2，同时将Sj并入Sn并移除簇心cj，簇心总数保持不变；如此多次迭代直到K个簇的SSED总和SSSED达到最小；
(4)将各计算内核得到的簇心合并求取平均值得到全局质心；
(5)判断全局质心是否稳定，如果稳定得出聚类结果；否则，将全局质心传回到各个计算核，各子数据集按照新的质心进行二分K-均值聚类，得到新的簇心，然后重复第(3)步到第(5)步；
(6)循环迭代，直到全局质心稳定后完成聚类。
采用本发明所提聚类算法对8760个小时的光照和负荷数据进行聚类，其结果如图1所示。
所述基于源网荷协同优化的配电网光储联合优化配置模型，充分利用源网荷三方面的主动管理措施对主动配电网中分布式光储联合系统进行配置；在电源侧通过调节分布式光伏出力和增加储能对电网进行主动支撑，在电网侧通过调整有载调压变压器(On-LoadTap Changer,OLTC)的电压来改善节点电压分布，在负荷侧通过需求侧响应来实现电网与负荷间的双向互动。通过构建双层模型来实现配电网光储联合优化配置；外层以区域光储联合系统投资商的收益最大和光伏就地消纳率最大为目标，控制变量为分布式光伏和蓄电池的安装位置及容量；内层以每个典型场景24小时内各节点电压偏差平均值最小为目标，控制变量为源网荷协同主动管理措施实施值，即分布式光伏出力消减率、OLTC二次侧电压和可中断负荷的中断率；外层将分布式光储的配置方案传递给内层，内层将每个场景优化后的主动管理实施方案传递给外层；外层模型采用多目标PDQDE算法求解，内层模型采用单目标PDQDE算法求解。建立优化配置框架如图2所示。
所述外层模型包含两个目标，分别如下：
(1)光伏就地消纳率最大化
式中：RPV为光伏就地消纳率，Nt为总时间，Ns为缩减后的场景数，Pr(s)为每个场景发生的概率，为削减分布式光伏有功出力后t时刻场景s下分布式光伏总发电量，为削减分布式光伏有功出力后t时刻场景s下负荷消耗的分布式光伏电量，为削减分布式光伏有功出力后t时刻场景s下储蓄电池所消耗的分布式光伏电量。
(2)光储联合系统投资收益最大化
年寿命周期投资收益最大化目标为：
max λ＝Bp-Cp
式中：Bp为年寿命周期收益，Cp为年寿命周期投资成本，分别可由下面表达式计算。
式中：pp2g为光伏上网电价，It,s为t时刻光伏总上网电量；pb为政府补贴电价，Et,s为t时刻光伏有功出力消减后的总发电量。
Cp＝CPV+Ce+Cg2p+CILR
式中，CPV为分布式光伏安装维护成本：
式中：r为贴现率，n为分布式光伏经济使用年限，cp,m为单位容量分布式光伏安装和运行维护费用，EPV为额定总安装容量。
Ce为储蓄电池安装维护成本：
式中：n0为蓄电池经济使用年限，ce,m为单位蓄电池安装和运行维护费用，Ee为蓄电池总安装容量。
Cg2p为向主电网购电成本：
式中：p(t)为时刻t时向主电网购电的电价，为时刻t场景s下向主电网购电量。
CILR为中断补偿费用：
式中：pdr为单位中断电量补偿费用，为时刻t场景s下可中断负荷总中断量。
所述内层模型按以下原则确定每个时段具体的光储联合系统运行计划：
(1)分布式光伏出力优先满足本地负荷需求，实现就地消纳；如有剩余则给蓄电池充电；如蓄电池充满则余电上网；
(2)当光伏出力不足以满足本地负荷需求，则在电价谷时段由电网购电满足负荷需求缺额以及蓄电池充电，其他时段优先由蓄电池为负荷供电，若仍不足则从电网购电。
在上述运行策略的基础上以每个场景24小时内各节点电压偏差平均值最小为优化目标，其表达式如下：
式中：为采取主动管理措施后场景s下第g个节点在时刻t时的电压幅值，为调节OLTC后场景s下系统二次侧首节点电压幅值,Ng为系统节点数。
所述配电网光储联合优化配置模型的约束条件如下：
(1)潮流约束
式中：Ui,s、Uj,s分别为节点i、j在场景s下的电压，Pi,s、Qi,s分别为节点i在场景s时注入的有功功率和无功功率，Gij和Bij为系统的电导和电纳，δij为节点电压相角差；
(2)节点电压约束
Ui,min≤Ui≤Ui,max
式中：Ui为采取主动管理措施后节点i的电压，Ui,max和Ui,min分别为节点电压幅值的上下限值；
本发明通过施加节点电压越限惩罚项Pu来实现电压约束，如下式，其中μ为惩罚因子：
Pu＝μ[max(Umin-Ui,0)+max(Ui-Umax,0)]
(3)OLTC二次侧电压约束
式中：UOLTC为有载变压器二次侧电压值，为有载变压器二次侧电压值的上下限；
(4)分布式光伏有功出力消减率约束
式中：RPV,k,s和分别为第s个场景第k台光伏有功出力消减率和最大允许消减率；
(5)ILR中断率约束
式中：RILR,m,s和分别为第s个场景第m个ILR的中断率和最大允许中断率；
(6)储蓄电池荷电状态SOC约束
SOCmin≤SOCt,k≤SOCmax
式中：SOCt,k为t时刻第k台储蓄电池容量的荷电状态，SOCmax和SOCmin分别为储蓄电池允许的最大、最小荷电状态。
此外，分布式光伏和储蓄电池接入容量还应满足各节点允许接入的最大容量约束。
本发明从量子力学的角度出发，将性能优越的微分进化(DE)算法和量子理论深入结合，提出基于量子位编码和量子态变异的双量子微分进化(D-QDE)算法。
所述双量子微分进化算法，利用量子位对染色体进行编码，然后对微分进化策略进行量子态改进，步骤如下：
(1)染色体量子化处理，采用下式所示的量子位形式对染色体进行编码：
式中：Pi为第i个染色体的概率幅值，θ为量子角范围为[0,2π]，V为决策变量个数；
(2)个体量子态进化，量子空间中，染色体的量子态常常用波函数ψ(x,t)表示，可利用求解薛定谔方程和蒙特卡洛随机模拟方法得到量子位幅值概率幅值位置方程如下式所示：
式中：u为(0,1)间的随机数，xcb表示为所有量子位概率幅值的最优位置的中心，β为控制参数，m为种群个数；
将上式与DE的变异操作相结合，得到新型量子微分进化变异策略如下：
式中：为变异操作所产生的中间个体，为第G代第r个个体向量，F为变异因子，变异基向量为第G代最优个体，控制参数β按照下式进行动态调整：
β＝(β1-β2)(genmax-gen)/genmax+β2
式中，β1和β2为控制参数的初始值和最终值，本发明分别取为1.0和0.5，gen为当前迭代次数，genmax为最大迭代次数。
通过以上步骤使量子染色体和进化差分项经历量子态空间随机不确定性移动过程，使得整个进化过程中都能保持较好的个体多样性，提高了算法在进化后期对解空间的持续遍历寻优能力。
为了提升优化求解速度，本发明将D-QDE进一步与并行计算相结合，提出并行双量子微分进化(Parallel double quantum differential evolution,PDQDE)算法。
所述并行双量子微分进化算法，是将双量子微分进化算法与并行计算相结合的算法；通过并行计算技术可将常规的单种群进化模式拓展为多种群并行进化模式，获得很高的加速比；并行双量子微分进化将初始种群分为多个子种群并划分给不同的计算单元，每个计算单元各自并行寻优；各计算单元利用群间通信机制实现各子种群间的精英个体移民以保持个体多样性并提速寻优效率。
所述群间通信机制如下：进化前半程种群多样性较高，寻优速度优先，不进行通信；在进化后半程每10代通信1次，每次通信分享5个精英个体；各计算单元按序连成一个闭环，子种群间的精英个体移民策略为闭环单向按序传递模式，当到达末单元即向首单元传递；各子种群在获得精英个体移民后将根据适应度重新排序并淘汰较差个体，进行下一轮进化。
本发明基于PDQDE求解光储联合多场景优化配置模型的流程如图3所示。图3中，外层模型采用多目标PDQDE算法求解，内层模型采用单目标PDQDE算法求解；S＝10表示完成了对内层10个场景的优化。
本发明的有益效果在于，本发明综合了多种主动管理措施及控制策略，构建基于源网荷协同优化的光储联合配置模型，并对每个场景的主动管理措施进行动态优化以得到最佳的主动管理实施方案，实现可再生能源及主动配电网资源的最优化利用。本发明充分考虑分布式光伏出力及负荷需求的不确定性，提出使用基于并行迭代二分K-means-+增强聚类场景缩减的多场景分析方法处理分布式光伏出力和负荷需求的不确定性，并行迭代二分K-means-+增强聚类算法克服了传统K-means聚类算法对初始质心敏感的缺陷，同时大大缩小了聚类误差和缩短了聚类时间；提出使用新型双量子微分进化算法对双层模型进行高效求解，克服了普通优化算法无法突破寻优深度和寻优速度之间的瓶颈。
附图说明
图1为采用并行迭代二分K-means-+增强聚类算法聚类结果图；
图2为基于源网荷协同主动管理的光储联合配置框架图；
图3为并行双量子微分进化(PDQDE)算法流程图。
具体实施方式
本发明的具体实施方式如图3所示。
本实施例一种基于源网荷协同优化的配电网光储联合配置方法，步骤如下：
第一步：基于并行迭代二分K-means-+增强聚类的多场景分析
首先利用本发明提出的基于并行迭代二分K-means-+增强聚类的多场景分析方法，处理分布式光伏出力和负荷需求的不确定性。得出缩减后的10个场景的光照强度、负荷和场景概率等场景数据。
第二步：建立基于源网荷协同优化的光储联合配置模型
本实施例通过构建双层模型来实现基于源网荷协同优化的光储联合配置。其中，外层以区域光储联合系统投资商的收益最大和光伏就地消纳率最大为目标，控制变量为分布式光伏和蓄电池的安装位置及容量；内层以每个典型场景24小时内各节点电压偏差平均值最小为目标，控制变量为源网荷协同主动管理措施实施值(分布式光伏出力消减率、OLTC二次侧电压和可中断负荷的中断率)。外层将分布式光储的配置方案传递给内层，内层将每个场景优化后的主动管理实施方案传递给外层。利用第一步缩减后的场景代入的光储联合配置模型中进行求解。
第三步：使用并行双量子微分进化算法对光储联合配置模型进行高效求解
光储联合配置的外层模型使用基于非劣解排序的多目标并行双量子微分进化算法对其进行高效求解得出Pareto最优前沿，再利用模糊集理论得出最优折衷解得到光储联合系统的优化配置方案。内层单目标模型使用单量子微分进化算法进行求解得到每个场景的主动管理实施方案。
通过上述步骤，最终可以克服常规K-means聚类算法对初始质心敏感的问题，且具有更高的聚类速度和聚类精度；有效解决群智能进化算法普遍存在的进化后期个体多样性不足问题，并能高效利用多核计算机资源，显著提升寻优速度。同时，可提高光伏就地消纳和增加区域能源投资商的收益，有助于光伏和储能产业持续健康发展。基于源网荷协同优化对配电网光储联合系统进行优化配置，则可充分发挥ADN的主动管理策略优势，实现了主动配电网资源和光伏能源的最优化利用。
Claims (5)
1.一种基于源网荷协同优化的配电网光储联合配置方法，其特征在于，所述方法基于并行迭代二分K-means-+增强聚类算法对多场景进行缩减分析，模拟光照强度及负荷需求的时序特性和不确定性；构建基于源网荷协同优化的配电网光储联合优化配置模型；提出并行双量子微分进化算法对基于源网荷协同优化的配电网光储联合配置模型进行高效求解。
2.根据权利要求1所述的一种基于源网荷协同优化的配电网光储联合配置方法，其特征在于，所述并行迭代二分K-means-+增强聚类算法对多场景进行缩减步骤如下：
(1)将数据集按计算内核数平均划分，把各数据子集分配到各个计算内核中；
(2)各计算内核利用极大距离法选出质心进行二分K-means聚类，得出K个簇及其簇心；
(3)通过迭代分解和移除操作进一步增强聚类，设簇Si的簇心为ci，其欧式距离平方和SSED(Si)为：
若将簇Si分解为两簇Si,1和Si,2后的SSED减少量为Gain(Si)；另有簇Sj(簇心为cj)，其最近簇为Sn(簇心为cn)，若Sj在移除cj后其各数据到最近簇心cn的SSED增加量为Cost(Sj)；即：
若Gain(Si)＞Cost(Sj)，则将Si分解为Si,1和Si,2，同时将Sj并入Sn并移除簇心cj，簇心总数保持不变；如此多次迭代直到K个簇的SSED总和SSSED达到最小；
(4)将各计算内核得到的簇心合并求取平均值得到全局质心；
(5)判断全局质心是否稳定，如果稳定得出聚类结果；否则，将全局质心传回到各个计算核，各子数据集按照新的质心进行二分K-均值聚类，得到新的簇心，然后重复第(3)步到第(5)步；
(6)循环迭代，直到全局质心稳定后完成聚类。
3.根据权利要求1所述的一种基于源网荷协同优化的配电网光储联合配置方法，其特征在于，所述基于源网荷协同优化的配电网光储联合优化配置模型，充分利用源网荷三方面的主动管理措施对主动配电网中分布式光储联合系统进行配置；在电源侧通过调节分布式光伏出力和增加储能对电网进行主动支撑，在电网侧通过调整有载调压变压器的电压来改善节点电压分布，在负荷侧通过需求侧响应来实现电网与负荷间的双向互动；通过构建双层模型来实现配电网光储联合优化配置；外层以区域光储联合系统投资商的收益最大和光伏就地消纳率最大为目标，控制变量为分布式光伏和蓄电池的安装位置及容量；内层以每个典型场景24小时内各节点电压偏差平均值最小为目标，控制变量为源网荷协同主动管理措施实施值，即分布式光伏出力消减率、OLTC二次侧电压和可中断负荷的中断率；外层将分布式光储的配置方案传递给内层，内层将每个场景优化后的主动管理实施方案传递给外层；外层模型采用多目标PDQDE算法求解，内层模型采用单目标PDQDE算法求解；
所述内层以每个场景24小时内各节点电压偏差平均值最小为优化目标，其表达式如下：
式中：为采取主动管理措施后场景s下第g个节点在时刻t时的电压幅值，为调节OLTC后场景s下系统二次侧首节点电压幅值,Ng为系统节点数。
4.根据权利要求1所述的一种基于源网荷协同优化的配电网光储联合配置方法，其特征在于，所述双量子微分进化算法，利用量子位对染色体进行编码，然后对微分进化策略进行量子态改进，步骤如下：
(1)染色体量子化处理，采用下式所示的量子位形式对染色体进行编码：
式中：Pi为第i个染色体的概率幅值，θ为量子角范围为[0,2π]，V为决策变量个数；
(2)个体量子态进化，量子空间中，染色体的量子态常常用波函数ψ(x,t)表示，利用求解薛定谔方程和蒙特卡洛随机模拟方法得到量子位幅值概率幅值位置方程如下式所示：
式中：u为(0,1)间的随机数，xcb表示为所有量子位概率幅值的最优位置的中心，β为控制参数，m为种群个数；
将上式与DE的变异操作相结合，得到新型量子微分进化变异策略如下：
式中：Yi G+1为变异操作所产生的中间个体，为第G代第r个个体向量，F为变异因子，变异基向量为第G代最优个体，控制参数β按照下式进行动态调整：
β＝(β1-β2)(genmax-gen)/genmax+β2
式中，β1和β2为控制参数的初始值和最终值，本发明分别取为1.0和0.5，gen为当前迭代次数，genmax为最大迭代次数。
5.根据权利要求1所述的一种基于源网荷协同优化的配电网光储联合配置方法，其特征在于，所述并行双量子微分进化算法，是将双量子微分进化算法与并行计算相结合的算法；通过并行计算技术将常规的单种群进化模式拓展为多种群并行进化模式，获得很高的加速比；并行双量子微分进化将初始种群分为多个子种群并划分给不同的计算单元，每个计算单元各自并行寻优；各计算单元利用群间通信机制实现各子种群间的精英个体移民以保持个体多样性并提速寻优效率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910541329.1A CN110247428B (zh) | 2019-06-21 | 2019-06-21 | 一种基于源网荷协同优化的配电网光储联合配置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910541329.1A CN110247428B (zh) | 2019-06-21 | 2019-06-21 | 一种基于源网荷协同优化的配电网光储联合配置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110247428A true CN110247428A (zh) | 2019-09-17 |
| CN110247428B CN110247428B (zh) | 2022-12-06 |
Family
ID=67888629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910541329.1A Active CN110247428B (zh) | 2019-06-21 | 2019-06-21 | 一种基于源网荷协同优化的配电网光储联合配置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110247428B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110994694A (zh) * | 2019-11-26 | 2020-04-10 | 国网江西省电力有限公司电力科学研究院 | 计及差异化需求响应的微电网源荷储协调优化调度方法 |
| CN111815081A (zh) * | 2020-09-07 | 2020-10-23 | 华东交通大学 | 一种综合能源系统多目标置信间隙决策鲁棒优化调度方法 |
| CN112736905A (zh) * | 2020-12-25 | 2021-04-30 | 浙江华云电力工程设计咨询有限公司 | 区域新能源容量优化配置方法及系统 |
| CN113131529A (zh) * | 2021-04-25 | 2021-07-16 | 南京创智力合电力科技有限公司 | 一种计及多种灵活性资源的可再生能源承载力评估的方法 |
| CN113343167A (zh) * | 2021-08-02 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 一种多场景置信间隙决策风光储联合规划方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106385025A (zh) * | 2016-10-08 | 2017-02-08 | 四川大学 | 一种分布式电源与联络线多阶段协同规划方法 |
| WO2018059096A1 (zh) * | 2016-09-30 | 2018-04-05 | 国电南瑞科技股份有限公司 | 一种多类电源发电计划组合决策方法及存储介质 |
| CN109149635A (zh) * | 2018-09-03 | 2019-01-04 | 国网江西省电力有限公司电力科学研究院 | 一种配电网分布式光伏并行优化配置方法及系统 |
-
2019
- 2019-06-21 CN CN201910541329.1A patent/CN110247428B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018059096A1 (zh) * | 2016-09-30 | 2018-04-05 | 国电南瑞科技股份有限公司 | 一种多类电源发电计划组合决策方法及存储介质 |
| CN106385025A (zh) * | 2016-10-08 | 2017-02-08 | 四川大学 | 一种分布式电源与联络线多阶段协同规划方法 |
| CN109149635A (zh) * | 2018-09-03 | 2019-01-04 | 国网江西省电力有限公司电力科学研究院 | 一种配电网分布式光伏并行优化配置方法及系统 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110994694A (zh) * | 2019-11-26 | 2020-04-10 | 国网江西省电力有限公司电力科学研究院 | 计及差异化需求响应的微电网源荷储协调优化调度方法 |
| CN110994694B (zh) * | 2019-11-26 | 2023-08-15 | 国网江西省电力有限公司电力科学研究院 | 计及差异化需求响应的微电网源荷储协调优化调度方法 |
| CN111815081A (zh) * | 2020-09-07 | 2020-10-23 | 华东交通大学 | 一种综合能源系统多目标置信间隙决策鲁棒优化调度方法 |
| CN112736905A (zh) * | 2020-12-25 | 2021-04-30 | 浙江华云电力工程设计咨询有限公司 | 区域新能源容量优化配置方法及系统 |
| CN113131529A (zh) * | 2021-04-25 | 2021-07-16 | 南京创智力合电力科技有限公司 | 一种计及多种灵活性资源的可再生能源承载力评估的方法 |
| CN113131529B (zh) * | 2021-04-25 | 2024-02-06 | 南京创智力合电力科技有限公司 | 一种计及多种灵活性资源的可再生能源承载力评估的方法 |
| CN113343167A (zh) * | 2021-08-02 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 一种多场景置信间隙决策风光储联合规划方法 |
| CN113343167B (zh) * | 2021-08-02 | 2021-12-31 | 国网江西省电力有限公司电力科学研究院 | 一种多场景置信间隙决策风光储联合规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110247428B (zh) | 2022-12-06 |
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 | |
| CN110247428A (zh) | 一种基于源网荷协同优化的配电网光储联合配置方法 | |
| WO2023274425A1 (zh) | 一种风光水火储系统的多能容量优化配置方法 | |
| 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 | |
| CN110112767B (zh) | 广域多形态需求侧负荷参与系统调峰的荷源优化控制方法 | |
| CN109559035A (zh) | 一种考虑灵活性的城市配电网双层规划方法 | |
| CN105719091B (zh) | 一种梯级水电站群并行多目标优化调度方法 | |
| Sharma et al. | A critical and comparative review of energy management strategies for microgrids | |
| CN103544655A (zh) | 一种含微电网的区域配电网分层优化方法 | |
| Kunya et al. | Review of economic dispatch in multi-area power system: State-of-the-art and future prospective | |
| CN105375507A (zh) | 雾霾环境下虚拟电厂的电力两级交互优化调度系统 | |
| CN108876000A (zh) | 一种光伏充电站光、储、变压器容量协调优化配置方法 | |
| CN106228462B (zh) | 一种基于遗传算法的多储能系统优化调度方法 | |
| CN111786422B (zh) | 基于bp神经网络的微电网参与上层电网实时优化调度方法 | |
| 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 | |
| CN115147245B (zh) | 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法 | |
| CN111327079B (zh) | 一种含电力潮流路由器的电力系统及其调度方法 | |
| CN111092451A (zh) | 一种基于配电网网格的光伏消纳预警方法 | |
| CN110854891A (zh) | 一种配电网灾前资源配置方法及系统 | |
| CN104616071B (zh) | 一种风光储互补发电系统优化配置方法 | |
| Abedinia et al. | Synergizing efficient optimal energy hub design for multiple smart energy system players and electric vehicles | |
| CN105574681A (zh) | 一种多时间尺度社区能源局域网能量调度方法 | |
| CN108075471A (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
| CN113629775B (zh) | 一种基于模糊逻辑的氢储能系统集群出力决策方法 | |
| Pan et al. | Dual‐Layer Optimal Dispatching Strategy for Microgrid Energy Management Systems considering Demand Response |
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 |