CN110309990B - 一种考虑典型场景耐受度的新能源不确定性规划方法 - Google Patents

一种考虑典型场景耐受度的新能源不确定性规划方法 Download PDF

Info

Publication number
CN110309990B
CN110309990B CN201910693439.XA CN201910693439A CN110309990B CN 110309990 B CN110309990 B CN 110309990B CN 201910693439 A CN201910693439 A CN 201910693439A CN 110309990 B CN110309990 B CN 110309990B
Authority
CN
China
Prior art keywords
curve
clustering
curves
output
formula
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
Application number
CN201910693439.XA
Other languages
English (en)
Other versions
CN110309990A (zh
Inventor
刘丽军
笪超
罗宁
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN201910693439.XA priority Critical patent/CN110309990B/zh
Publication of CN110309990A publication Critical patent/CN110309990A/zh
Application granted granted Critical
Publication of CN110309990B publication Critical patent/CN110309990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • H02J3/383—
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种考虑典型场景耐受度的新能源不确定性规划方法，包括以下步骤：步骤S1：根据风速、光照强度数据计算，得到RDG日出力曲线样本；步骤S2：从样本中随机选取一条曲线作为初始中心中的第一条曲线；步骤S3：构造初始中心；步骤S4：计算剩余曲线到K个聚类中心的欧氏距离，将剩余曲线划分到相应聚类中心中，生成K类曲线集合；步骤S5：更新K个聚类中心曲线；步骤S6：判断是否达到收敛条件；步骤S7：采用不同K值聚类，计算对应结果的轮廓参数，选择最优聚类K值；步骤S8：构建规划目标函数，建立目标函数的约束条件；步骤S9：利用多目标优化算法得到可再生分布式能源的最优规划方案。本发明保证了规划结果适用于尽可能多的运行场景。

Description

一种考虑典型场景耐受度的新能源不确定性规划方法
技术领域
本发明涉及新能源领域，特别是一种考虑典型场景耐受度的新能源不确定性规划方法。
背景技术
传统化石能源危机和环境污染问题的日益突出，加快利用风能、太阳能等分布式可再生能源(Renewable Distributed Generation，RDG)并网技术已成为世界各国的基本共识和应对策略。风、光等分布式能源受地理位置、自然环境、气候条件等因素影响，出力特性往往具有强随机性和波动性。
目前配网规划方法多考虑优化后的电压偏移水平和配电网系统网损水平，仅考虑电压以及网损因素得到的最优方案在RDG稳定出力场景下优化效果最佳，但在多种不确定性出力场景下未必能够保证最优。优化时仅考虑RDG稳定出力情况，得到的结果往往与实际运行情况存在一定误差。
目前分布式可再生能源多目标优化大多只考虑单一场景下的经济性和安全性，对优化方案在多种不确定性场景下的适用性缺乏一定的考量，导致求得的最优方案可能只适用于一部分场景，无法保证全局最优。
计及规划周期内所有运行情况下的电压偏移和网络损耗进行优化，是一种不确定性的处理方法，但若考虑周期内每一种运行场景会导致计算量过大，模型求解效率较低。
发明内容
有鉴于此，本发明的目的是提出一种考虑典型场景耐受度的新能源不确定性规划方法，在规划过程中充分考虑不确定性因素，得到的规划方案能够尽可能多地适用于更多场景。
本发明采用以下方案实现：一种考虑典型场景耐受度的新能源不确定性规划方法，包括以下步骤：
步骤S1：令一段时期有L天，提供这段时期内每小时的风速、光照强度数据，代入风光出力公式计算，得到时期内风、光出力数据，以天为一个单元划分所有出力数据形成L条风、光日出力曲线；
步骤S2：所述L条风、光日出力曲线样本表示为Ni＝{ψ(1),ψ(2),...,ψ(L)}，每条曲线都为一个n维向量，所述每条曲线都包含有24个时刻的风电、光伏出力数据；以L条曲线为原始样本集Ni，设定聚类数目K，随机选取一条曲线作为初始中心中的第一条曲线
Figure BDA0002148125340000021
步骤S3：根据式(1)在除去
Figure BDA0002148125340000022
的样本中计算剩余曲线与
Figure BDA0002148125340000023
的欧式距离
Figure BDA0002148125340000024
选取d最大的曲线作为第二条初始中心曲线
Figure BDA0002148125340000025
此时的初始中心
Figure BDA0002148125340000026
Figure BDA0002148125340000027
式中
Figure BDA0002148125340000031
表示曲线间的距离，ψi(k)为曲线i的第k维数据，
Figure BDA0002148125340000032
表示聚类中心第j条曲线；
对于剩下的样本集Mi(Mi∈Ni/T(0))计算每条曲线到T(0)中曲线的距离，取距离之和最大的曲线为下一个初始中心曲线；
执行K次最大距离的计算，得到K个初始聚类中心曲线
Figure BDA0002148125340000033
步骤S4：计算曲线样本集Ni中除去聚类中心曲线的剩余曲线到K个聚类中心曲线
Figure BDA0002148125340000034
的欧氏距离，将各曲线与聚类中心中距离最近的曲线归为一类场景，由此得到K个曲线集合，每个曲线集合称为一个场景；
步骤S5：计算步骤S4得到的K个场景中每条出力曲线同一时刻数据的平均值，得到新的聚类中心曲线，更新K个聚类中心曲线；
步骤S6：当K个聚类中心曲线不再改变，则认为聚类收敛，判断是否达到收敛条件；如果是则执行步骤S7，否则返回步骤S4
步骤S7：聚类样本由L条风、光日出力曲线构成，聚类数目K取值为范围
Figure BDA0002148125340000035
内的整数，采用不同聚类数目K执行步骤S2到S6，根据不同K值聚类结果计算轮廓参数，选择最优聚类K值，对应的K个聚类中心曲线即为聚类结果；
步骤S8：构建可再生分布式能源的规划目标函数，建立规划目标函数的约束条件；
步骤S9：利用多目标优化算法得到可再生分布式能源的最优规划方案。
进一步地，所述步骤S1具体包括以下内容：
提供一段时期的风速、光照强度数据vi,t、hi,t，其中i＝1,2,3,…,L，L为这段时期的天数，0＜L＜3650，t表示24个小时；将这一段时期的风速、光照强度数据代入到式(2)和式(3)中进行计算；
Figure BDA0002148125340000041
式中Pwi,t为第i天第t个时刻风力发电的输出功率，vi,t表示第i天第t个时刻的风速，vs、vr和v0分别表示额定风速、切入风速和切出风速；
Figure BDA0002148125340000042
式中Pvi,t为第i天第t个时刻光伏发电的输出功率，hi,t表示第i天第t个时刻的实际光照强度，hr表示额定光照强度，PVR为额定输出功率；
计算得到第i天的风电日出力时序数据PW(i)＝(Pwi,1,Pwi,2,…,Pwi,24)和光伏日出力时序数据PV(i)＝(Pvi,1,Pvi,2,…,Pvi,24)，合并为当天的风、光出力曲线ψ(i)＝[Pwi,1,Pwi,2,…,Pwi,24,Pvi,1,Pvi,2,…,Pvi,24]，得到L天的日出力曲线{ψ(1),ψ(2),...,ψ(L)}。
进一步地，所述步骤S7具体包括以下步骤：
步骤S71:聚类样本由L条风、光日出力曲线构成，聚类数目K取值为范围
Figure BDA0002148125340000057
内的整数，采用不同的K值对样本曲线进行聚类，执行步骤S2至S6得到每种K值聚类后的聚类结果；
步骤S72:针对所述每种K值聚类后的聚类结果，通过轮廓参数S(ψi)量化聚类效果，轮廓参数S(ψi)取值范围为[-1,1]；
Figure BDA0002148125340000052
式中a(ψi)为聚类凝聚度，表示曲线与同类场景中其它曲线的欧氏距离均值；b(ψi)为聚类分离度，表示曲线与其它场景中所有曲线的欧氏距离均值；
总轮廓参数St定义为：
Figure BDA0002148125340000053
步骤S73:比较总轮廓参数St的大小，最大的轮廓参数对应的K值为最优聚类K值，对应的K个聚类中心曲线即为聚类结果。
进一步地，所述步骤S8具体包括以下内容：
所述可再生分布式能源的规划目标函数为：
有功网损最小min F1
Figure BDA0002148125340000054
式中K为聚类数目，μi为场景ξi的概率，T为全样本周期，
Figure BDA0002148125340000055
为场景ξi下配电网系统网损；
电压偏移最小min F2
Figure BDA0002148125340000056
设定基于电压波动的函数Ulevel作为电压质量评判标准，式中ΔUi＝|Ui-1|，ΔUmax、ΔUmin分别为无法接受的波动值和可接受的波动值；
Figure BDA0002148125340000061
式中n为配电网系统节点数，电压偏移评估值ΔV由各节点电压波动值之和；
Figure BDA0002148125340000062
式中μi为场景ξi的占比，
Figure BDA0002148125340000063
为场景ξi下配电网系统的电压偏移；
不确定性耐受度最大max(F3)
Figure BDA0002148125340000064
γst.i＝{γ|FV(γ)＜FVn且FP(γ)＜FPn,γ∈ξi}(11)
式中μi为场景ξi的概率，γ为场景ξi中的RDG小时出力情况，FV(γ)、FP(γ)分别为各小时出力情况下的电压偏移水平、配电网系统网损水平，FVn、FPn分别为配电网系统优化中电压偏移、配电网系统网损的优化要求，γst.i为场景ξi内24个小时出力情况中满足优化要求的集合；耐受度F3介于0和1之间，指标值越大不确定性耐受力越强，当指标值为1时表示优化方案在周期内所有不确定性出力情况下都适用；
所述规划目标函数的约束条件为：
约束条件包括潮流方程的等式约束条件和不等式约束方程；
潮流方程等式约束
Figure BDA0002148125340000065
Figure BDA0002148125340000066
式中n为配电网络节点数；
Figure BDA0002148125340000071
为RDG节点有功和无功功率注入量；
Figure BDA0002148125340000072
为负荷的有功和无功功率；
Figure BDA0002148125340000073
为电容器组补偿的无功功率；Gij、Bij为线路之间的电导和电纳；
①RDG有功出力约束
Figure BDA0002148125340000074
式中
Figure BDA0002148125340000075
为RDG安装容量上限，NRDG为分布式电源数目。
②可投切电容器组容量约束
Figure BDA0002148125340000076
式中
Figure BDA0002148125340000077
分别为电容器组的无功出力下限和上限，NC为电容器组数目；③节点电压约束
Figure BDA0002148125340000078
式中
Figure BDA0002148125340000079
分别为节点电压的下限和上限；
④RDG渗透率约束
Ptotal-RDG≤25％×Ptotal-load (17)
式中Ptotal-RDG为接入RDG的总容量，Ptotal-load为配电网系统总负荷，接入RDG容量不超过总有功负荷的25％。
进一步地，所述步骤S9具体包括以下内容：
步骤S91：对所述多目标优化算法进行初始化，用以优化算法参数和种群初始化；
步骤S92：对所述多目标优化算法进行适应度计算，用以计算种群内个体的初始适应度函数值；
步骤S93：更新种群即更新规划方案：根据优化算法对所述规划目标函数进行优化，不断迭代计算，更新种群；
步骤S94：输出结果：输出迭代达到预设最大迭代次数时对应的个体，得到可再生分布式电源最优规划方案。
与现有技术相比，本发明有以下有益效果：
本发明采用场景生成和缩减技术解决不确定性、随机性问题，构造RDG典型出力场景以平衡计算效率和计算精度，选取的典型场景能够最大限度地反映规划地区全周期运行特性，得到更贴合实际的电压偏移值和网络损耗。在多目标优化过程中，将典型场景耐受度指标引入目标函数，保证了规划结果适用于尽可能多的运行场景。
附图说明
图1为本发明实施例的流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种考虑典型场景耐受度的新能源不确定性规划方法，包括以下步骤：
步骤S1：令一段时期有L天，提供这段时期内每小时的风速、光照强度数据，代入风光出力公式计算，得到时期内风、光出力数据，以天为一个单元划分所有出力数据形成L条风、光日出力曲线；
步骤S2：所述L条风、光日出力曲线样本表示为Ni＝{ψ(1),ψ(2),...,ψ(L)}，每条曲线都为一个n维向量，所述每条曲线都包含有24个时刻的风电、光伏出力数据；以L条曲线为原始样本集Ni，设定聚类数目K，随机选取一条曲线作为初始中心中的第一条曲线
Figure BDA0002148125340000091
步骤S3：根据式(1)在除去
Figure BDA0002148125340000092
的样本中计算剩余曲线与
Figure BDA0002148125340000093
的欧式距离
Figure BDA0002148125340000094
选取d最大的曲线作为第二条初始中心曲线
Figure BDA0002148125340000095
此时的初始中心
Figure BDA0002148125340000096
Figure BDA0002148125340000097
式中
Figure BDA0002148125340000098
表示曲线间的距离，ψi(k)为曲线i的第k维数据，
Figure BDA0002148125340000099
表示聚类中心第j条曲线；
对于剩下的样本集Mi(Mi∈Ni/T(0))计算每条曲线到T(0)中曲线的距离，取距离之和最大的曲线为下一个初始中心曲线；
按以上方法执行K次最大距离的计算，得到K个初始聚类中心曲线
Figure BDA00021481253400000910
步骤S4：计算曲线样本集Ni中除去聚类中心曲线的剩余曲线到K个聚类中心曲线
Figure BDA0002148125340000101
的欧氏距离，将各曲线与聚类中心中距离最近的曲线归为一类场景，由此得到K个曲线集合，每个曲线集合称为一个场景；
步骤S5：计算步骤S4得到的K个场景中每条出力曲线同一时刻数据的平均值，得到新的聚类中心曲线，更新K个聚类中心曲线；
步骤S6：当K个聚类中心曲线不再改变，则认为聚类收敛，判断是否达到收敛条件；如果是则执行步骤S7，否则返回步骤S4
步骤S7：聚类样本由L条风、光日出力曲线构成，聚类数目K取值为范围
Figure BDA0002148125340000102
内的整数，采用不同聚类数目K执行步骤S2到S6，根据不同K值聚类结果计算轮廓参数，选择最优聚类K值，对应的K个聚类中心曲线即为聚类结果；
步骤S8：构建可再生分布式能源的规划目标函数，建立规划目标函数的约束条件；
步骤S9：利用多目标优化算法得到可再生分布式能源的最优规划方案。
在本实施例中，所述步骤S1具体包括以下内容：
提供一段时期的风速、光照强度数据vi,t、hi,t，其中i＝1,2,3,…,L，L为这段时期的天数，0＜L＜3650，t表示24个小时；将这一段时期的风速、光照强度数据代入到式(2)和式(3)中进行计算；
Figure BDA0002148125340000111
式中Pwi,t为第i天第t个时刻风力发电的输出功率，vi,t表示第i天第t个时刻的风速，vs、vr和v0分别表示额定风速、切入风速和切出风速；
Figure BDA0002148125340000112
式中Pvi,t为第i天第t个时刻光伏发电的输出功率，hi,t表示第i天第t个时刻的实际光照强度，hr表示额定光照强度，PVR为额定输出功率；
计算得到第i天的风电日出力时序数据PW(i)＝(Pwi,1,Pwi,2,…,Pwi,24)和光伏日出力时序数据PV(i)＝(Pvi,1,Pvi,2,…,Pvi,24)，合并为当天的风、光出力曲线ψ(i)＝[Pwi,1,Pwi,2,…,Pwi,24,Pvi,1,Pvi,2,…,Pvi,24]，得到L天的日出力曲线{ψ(1),ψ(2),...,ψ(L)}。
在本实施例中，所述步骤S7具体包括以下步骤：
步骤S71:聚类样本由L条风、光日出力曲线构成，聚类数目K取值为范围
Figure BDA0002148125340000114
内的整数，采用不同的K值对样本曲线进行聚类，执行步骤S2至S6得到每种K值聚类后的聚类结果；
步骤S72:针对所述每种K值聚类后的聚类结果，通过轮廓参数S(ψi)量化聚类效果，轮廓参数S(ψi)取值范围为[-1,1]；
Figure BDA0002148125340000113
式中a(ψi)为聚类凝聚度，表示曲线与同类场景中其它曲线的欧氏距离均值；b(ψi)为聚类分离度，表示曲线与其它场景中所有曲线的欧氏距离均值；
总轮廓参数St定义为：
Figure BDA0002148125340000121
步骤S73:比较总轮廓参数St的大小，最大的轮廓参数对应的K值为最优聚类K值，对应的K个聚类中心曲线即为聚类结果。
在本实施例中，所述步骤S8具体包括以下内容：
所述可再生分布式能源的规划目标函数为：
有功网损最小min F1
Figure BDA0002148125340000122
式中K为聚类数目，μi为场景ξi的概率，T为全样本周期，P(ξi)为场景ξi下配电网系统网损；
电压偏移最小min F2
Figure BDA0002148125340000123
设定基于电压波动的函数Ulevel作为电压质量评判标准，式中ΔUi＝|Ui-1|，ΔUmax、ΔUmin分别为无法接受的波动值和可接受的波动值；
Figure BDA0002148125340000124
式中n为配电网系统节点数，电压偏移评估值ΔV由各节点电压波动值之和；
Figure BDA0002148125340000125
式中μi为场景ξi的占比，
Figure BDA0002148125340000131
为场景ξi下配电网系统的电压偏移；
不确定性耐受度最大max(F3)
Figure BDA0002148125340000132
γst.i＝{γ|FV(γ)＜FVn且FP(γ)＜FPn,γ∈ξi} (11)
式中μi为场景ξi的概率，γ为场景ξi中的RDG小时出力情况，FV(γ)、FP(γ)分别为各小时出力情况下的电压偏移水平、配电网系统网损水平，FVn、FPn分别为配电网系统优化中电压偏移、配电网系统网损的优化要求，γst.i为场景ξi内24个小时出力情况中满足优化要求的集合；耐受度F3介于0和1之间，指标值越大不确定性耐受力越强，当指标值为1时表示优化方案在周期内所有不确定性出力情况下都适用；
所述规划目标函数的约束条件为：
约束条件包括潮流方程的等式约束条件和不等式约束方程；
潮流方程等式约束
Figure BDA0002148125340000133
Figure BDA0002148125340000134
式中n为配电网络节点数；
Figure BDA0002148125340000135
为RDG节点有功和无功功率注入量；
Figure BDA0002148125340000136
为负荷的有功和无功功率；
Figure BDA0002148125340000137
为电容器组补偿的无功功率；Gij、Bij为线路之间的电导和电纳；
①RDG有功出力约束
Figure BDA0002148125340000139
式中
Figure BDA0002148125340000138
为RDG安装容量上限，NRDG为分布式电源数目。
②可投切电容器组容量约束
Figure BDA0002148125340000141
式中
Figure BDA0002148125340000142
分别为电容器组的无功出力下限和上限，NC为电容器组数目；③节点电压约束
Figure BDA0002148125340000143
式中
Figure BDA0002148125340000144
分别为节点电压的下限和上限；
④RDG渗透率约束
Ptotal-RDG≤25％×Ptotal-load (17)
式中Ptotal-RDG为接入RDG的总容量，Ptotal-load为配电网系统总负荷，接入RDG容量不超过总有功负荷的25％。
在本实施例中，所述步骤S9具体包括以下内容：
步骤S91：对所述多目标优化算法进行初始化，用以优化算法参数和种群初始化；
步骤S92：对所述多目标优化算法进行适应度计算，用以计算种群内个体的初始适应度函数值；
步骤S93：更新种群即更新规划方案：根据优化算法对所述规划目标函数进行优化，不断迭代计算，更新种群；
本实施例为得到最优规划方案，因此规划方案在优化算法中称为种群，更新种群的过程为规划方案不断优化的过程。
步骤S94：输出结果：输出迭代达到预设最大迭代次数时对应的个体，得到可再生分布式电源最优规划方案。
较佳的，本实施例通过对场景聚类划分选择具有代表性的RDG出力场景，定义不确定性耐受度指标，建立了考虑典型场景耐受度的多目标优化模型。
(1)研究RDG电源出力特性，根据风速、光照强度等数据代入出力公式生成RDG出力曲线样本；
(2)对周期内RDG出力曲线进行聚类，构造典型出力运行场景；
(3)评估典型场景下各优化方案的适用性，以典型场景耐受度指标的形式纳入目标函数进行优化；
(4)基于典型出力场景，以电压偏移最少、配电网系统网损最低和典型场景耐受度最高为目标建立多目标优化模型，为配电网不确定性规划提供技术支撑。
较佳的，本实施例采用场景聚类解决不确定性、随机性问题，构造RDG典型出力场景以平衡计算效率和计算精度，选取的典型场景能够最大限度地反映规划地区全周期运行特性，得到更贴合实际的电压偏移值和网络损耗。在多目标优化过程中，将典型场景耐受度指标引入目标函数，保证了规划结果适用于尽可能多的运行场景。结合实施例，本发明的技术效果如表1和表2所示。
表1不同方法计算结果对比
Figure BDA0002148125340000151
表2耐受度计算结果对比
Figure BDA0002148125340000152
Figure BDA0002148125340000161
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (4)

1.一种考虑典型场景耐受度的新能源不确定性规划方法，其特征在于：包括以下步骤：
步骤S1：令一段时期有L天，提供这段时期内每小时的风速、光照强度数据，代入风光出力公式计算，得到时期内风、光出力数据，以天为一个单元划分所有出力数据形成L条风、光日出力曲线；
步骤S2：所述L条风、光日出力曲线样本表示为Nl＝{ψ(1),ψ(2),...,ψ(L)}，每条曲线都为一个n维向量，所述每条曲线都包含有24个时刻的风电、光伏出力数据；以L条曲线为原始样本集Nl，设定聚类数目K，随机选取一条曲线作为初始中心中的第一条曲线
Figure FDA0003431178900000011
步骤S3：根据式(1)在除去
Figure FDA0003431178900000012
的样本中计算剩余曲线与
Figure FDA0003431178900000013
的欧式距离
Figure FDA0003431178900000014
选取d最大的曲线作为第二条初始中心曲线
Figure FDA0003431178900000015
此时的初始中心
Figure FDA0003431178900000016
Figure FDA0003431178900000017
式中
Figure FDA0003431178900000018
表示曲线间的距离，ψl(k)为曲线l的第k维数据，
Figure FDA0003431178900000019
表示聚类中心第j条曲线；
对于剩下的样本集Ml(Ml∈Nl/T(0))计算每条曲线到T(0)中曲线的距离，取距离之和最大的曲线为下一个初始中心曲线；
执行K次最大距离的计算，得到K个初始聚类中心曲线
Figure FDA00034311789000000110
步骤S4：计算曲线样本集Nl中除去聚类中心曲线的剩余曲线到K个聚类中心曲线
Figure FDA0003431178900000021
的欧氏距离，将各曲线与聚类中心中距离最近的曲线归为一类场景，由此得到K个曲线集合，每个曲线集合称为一个场景；
步骤S5：计算步骤S4得到的K个场景中每条出力曲线同一时刻数据的平均值，得到新的聚类中心曲线，更新K个聚类中心曲线；
步骤S6：当K个聚类中心曲线不再改变，则认为聚类收敛，判断是否达到收敛条件；如果是则执行步骤S7，否则返回步骤S4
步骤S7：聚类样本由L条风、光日出力曲线构成，聚类数目K取值为范围
Figure FDA0003431178900000022
内的整数，采用不同聚类数目K执行步骤S2到S6，根据不同K值聚类结果计算轮廓参数，选择最优聚类K值，对应的K个聚类中心曲线即为聚类结果；
步骤S8：构建可再生分布式能源的规划目标函数，建立规划目标函数的约束条件；
步骤S9：利用多目标优化算法得到可再生分布式能源的最优规划方案；
其中，所述步骤S8具体包括以下内容：
所述可再生分布式能源的规划目标函数为：
有功网损最小minF1
Figure FDA0003431178900000023
式中K为聚类数目，μt为场景ξt的概率，T为全样本周期，
Figure FDA0003431178900000024
为场景ξt下配电网系统网损；
电压偏移最小minF2
Figure FDA0003431178900000031
设定基于电压波动的函数Ulevel作为电压质量评判标准，式中ΔUi＝|Ui-1|表示电压波动值，Ui表示节点i的电压，ΔUmax、ΔUmin分别为无法接受的波动值和可接受的波动值；
Figure FDA0003431178900000032
式中n为配电网系统节点数，电压偏移评估值ΔV由各节点电压波动值之和；
Figure FDA0003431178900000033
式中μt为场景ξt的占比，
Figure FDA0003431178900000034
为场景ξt下配电网系统的电压偏移；
不确定性耐受度最大max(F3)
Figure FDA0003431178900000035
γst.t＝{γ|FV(γ)＜FVn且FP(γ)＜FPn,γ∈ξt} (11)
式中μt为场景ξt的概率，γ为场景ξt中的RDG小时出力情况，FV(γ)、FP(γ)分别为各小时出力情况下的电压偏移水平、配电网系统网损水平，FVn、FPn分别为配电网系统优化中电压偏移、配电网系统网损的优化要求，γst.t为场景ξt内24个小时出力情况中满足优化要求的集合；耐受度F3介于0和1之间，指标值越大不确定性耐受力越强，当指标值为1时表示优化方案在周期内所有不确定性出力情况下都适用；
所述规划目标函数的约束条件为：
约束条件包括潮流方程的等式约束条件和不等式约束方程；
潮流方程等式约束
Figure FDA0003431178900000041
Figure FDA0003431178900000042
式中n为配电网络节点数；
Figure FDA0003431178900000043
为RDG节点有功和无功功率注入量；
Figure FDA0003431178900000044
为负荷的有功和无功功率；
Figure FDA0003431178900000045
为电容器组补偿的无功功率；Ui、Uj分别表示节点i和节点j的电压；Gij、Bij为线路之间的电导和电纳；θij表示节点i与节点j电压的相角差;
① RDG有功出力约束
Figure FDA0003431178900000046
式中
Figure FDA0003431178900000047
为RDG节点的有功功率注入量，
Figure FDA0003431178900000048
为RDG安装容量上限;
②可投切电容器组容量约束
Figure FDA0003431178900000049
式中
Figure FDA00034311789000000410
为电容器组补偿的无功功率，
Figure FDA00034311789000000411
分别为电容器组的无功出力下限和上限；
③节点电压约束
Figure FDA00034311789000000412
式中
Figure FDA00034311789000000413
分别为节点电压的下限和上限；
④RDG渗透率约束
Ptotal-RDG≤25％×Ptotal-load (17)
式中Ptotal-RDG为接入RDG的总容量，Ptotal-load为配电网系统总负荷，接入RDG容量不超过总有功负荷的25％。
2.根据权利要求1所述的一种考虑典型场景耐受度的新能源不确定性规划方法，其特征在于：所述步骤S1具体包括以下内容：
提供一段时期的风速、光照强度数据vl,t、hl,t，其中l＝1,2,3,…,L，L为这段时期的天数，0＜L＜3650，t表示24个小时；将这一段时期的风速、光照强度数据代入到式(2)和式(3)中进行计算；
Figure FDA0003431178900000051
式中Pwl,t为第l天第t个时刻风力发电的输出功率，vl,t表示第l天第t个时刻的风速，vs、vr和v0分别表示额定风速、切入风速和切出风速，Pwr表示风力发电的额定功率；
Figure FDA0003431178900000052
式中Pvl,t为第l天第t个时刻光伏发电的输出功率，hl,t表示第l天第t个时刻的实际光照强度，hr表示额定光照强度，PVR为额定输出功率；
计算得到第i天的风电日出力时序数据PW(l)＝(Pwl,1,Pwl,2,…,Pwl,24)和光伏日出力时序数据PV(l)＝(Pvl,1,Pvl,2,…,Pvl,24)，合并为当天的风、光出力曲线ψ(l)＝[Pwl,1,Pwl,2,…,Pwl,24,Pvl,1,Pvl,2,…,Pvl,24]，得到L天的日出力曲线{ψ(1),ψ(2),...,ψ(L)}。
3.根据权利要求1所述的一种考虑典型场景耐受度的新能源不确定性规划方法，其特征在于：所述步骤S7具体包括以下步骤：
步骤S71:聚类样本由L条风、光日出力曲线构成，聚类数目K取值为范围
Figure FDA0003431178900000063
内的整数，采用不同的K值对样本曲线进行聚类，执行步骤S2至S6得到每种K值聚类后的聚类结果；
步骤S72:针对所述每种K值聚类后的聚类结果，通过轮廓参数S(ψl)量化聚类效果，轮廓参数S(ψl)取值范围为[-1,1]；
Figure FDA0003431178900000061
式中a(ψl)为聚类凝聚度，表示曲线与同类场景中其它曲线的欧氏距离均值；b(ψl)为聚类分离度，表示曲线与其它场景中所有曲线的欧氏距离均值；
总轮廓参数St定义为：
Figure FDA0003431178900000062
步骤S73:比较总轮廓参数St的大小，最大的轮廓参数对应的K值为最优聚类K值，对应的K个聚类中心曲线即为聚类结果。
4.根据权利要求1所述的一种考虑典型场景耐受度的新能源不确定性规划方法，其特征在于：所述步骤S9具体包括以下内容：
步骤S91：对所述多目标优化算法进行初始化，用以优化算法参数和种群初始化；
步骤S92：对所述多目标优化算法进行适应度计算，用以计算种群内个体的初始适应度函数值；
步骤S93：更新种群即更新规划方案：根据优化算法对所述规划目标函数进行优化，不断迭代计算，更新种群；
步骤S94：输出结果：输出迭代达到预设最大迭代次数时对应的个体，得到可再生分布式电源最优规划方案。
CN201910693439.XA 2019-07-30 2019-07-30 一种考虑典型场景耐受度的新能源不确定性规划方法 Active CN110309990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910693439.XA CN110309990B (zh) 2019-07-30 2019-07-30 一种考虑典型场景耐受度的新能源不确定性规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910693439.XA CN110309990B (zh) 2019-07-30 2019-07-30 一种考虑典型场景耐受度的新能源不确定性规划方法

Publications (2)

Publication Number Publication Date
CN110309990A CN110309990A (zh) 2019-10-08
CN110309990B true CN110309990B (zh) 2022-03-22

Family

ID=68082383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910693439.XA Active CN110309990B (zh) 2019-07-30 2019-07-30 一种考虑典型场景耐受度的新能源不确定性规划方法

Country Status (1)

Country Link
CN (1) CN110309990B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239503B (zh) * 2021-05-10 2022-09-23 上海电气工程设计有限公司 基于改进k-means聚类算法的新能源出力场景分析方法及系统
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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106054665A (zh) * 2016-05-27 2016-10-26 国网浙江省电力公司电力科学研究院 一种大规模光伏逆变器系统的分群等值建模方法
CN106548416A (zh) * 2016-11-23 2017-03-29 国网浙江省电力公司电动汽车服务分公司 一种风电场和电转气厂站的协同选址规划方法
CN107679658A (zh) * 2017-09-28 2018-02-09 国网四川省电力公司经济技术研究院 一种高比例清洁能源接入下的输电网规划方法
KR20180048141A (ko) * 2016-11-02 2018-05-10 주식회사 아이비엔지니어링 배전선로의 분산전원 제어장치
US10078318B2 (en) * 2013-08-26 2018-09-18 Ecole Polytechnique Federale De Lausanne (Epfl) Composable method for explicit power flow control in electrical grids
CN108649605A (zh) * 2018-05-22 2018-10-12 国网内蒙古东部电力有限公司通辽供电公司 一种基于双层场景区间潮流的der并网准入容量规划方法
CN108681973A (zh) * 2018-05-14 2018-10-19 广州供电局有限公司 电力用户的分类方法、装置、计算机设备和存储介质
CN109980700A (zh) * 2019-04-09 2019-07-05 广东电网有限责任公司 一种分布式电源多目标优化规划方法、装置和设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10078318B2 (en) * 2013-08-26 2018-09-18 Ecole Polytechnique Federale De Lausanne (Epfl) Composable method for explicit power flow control in electrical grids
CN106054665A (zh) * 2016-05-27 2016-10-26 国网浙江省电力公司电力科学研究院 一种大规模光伏逆变器系统的分群等值建模方法
KR20180048141A (ko) * 2016-11-02 2018-05-10 주식회사 아이비엔지니어링 배전선로의 분산전원 제어장치
CN106548416A (zh) * 2016-11-23 2017-03-29 国网浙江省电力公司电动汽车服务分公司 一种风电场和电转气厂站的协同选址规划方法
CN107679658A (zh) * 2017-09-28 2018-02-09 国网四川省电力公司经济技术研究院 一种高比例清洁能源接入下的输电网规划方法
CN108681973A (zh) * 2018-05-14 2018-10-19 广州供电局有限公司 电力用户的分类方法、装置、计算机设备和存储介质
CN108649605A (zh) * 2018-05-22 2018-10-12 国网内蒙古东部电力有限公司通辽供电公司 一种基于双层场景区间潮流的der并网准入容量规划方法
CN109980700A (zh) * 2019-04-09 2019-07-05 广东电网有限责任公司 一种分布式电源多目标优化规划方法、装置和设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Private investor-based distributed generation expansion planning considering uncertainties of renewable generations;Fatemeh Barati et al.;《Energy》;20190212;全文 *
基于K- 均值聚类多场景时序特性分析的分布式电源多目标规划;《电力自动化设备》;《电力自动化设备》;20151031;第58-65页 *

Also Published As

Publication number Publication date
CN110309990A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
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
CN107634518B (zh) 一种“源-网-荷”相协调的主动配电网经济调度方法
CN106230026B (zh) 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
CN108649605B (zh) 一种基于双层场景区间潮流的dre并网准入容量规划方法
CN109103926A (zh) 基于多辐照特性年气象场景的光伏发电接纳能力计算方法
CN110309990B (zh) 一种考虑典型场景耐受度的新能源不确定性规划方法
CN113783224A (zh) 一种考虑多种分布式能源运行的配电网双层优化规划方法
CN115940292B (zh) 基于圆圈搜索算法的含风储电力系统优化调度方法及系统
CN113937825A (zh) 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法
Issaadi Control of a photovoltaic system by fuzzy logic, comparative studies with conventional controls: results, improvements and perspectives
CN113378100A (zh) 考虑碳排放的配电网源网荷储协同优化调度模型和方法
Kartite et al. Optimization of hybrid renewable energy power systems using evolutionary algorithms
CN116388262A (zh) 基于多目标优化的含分布式光伏配网无功优化方法及系统
Abdelhak et al. Optimum sizing of hybrid PV/wind/battery using Fuzzy-Adaptive Genetic Algorithm in real and average battery service life
CN110336332B (zh) 一种基于出力曲线聚合的区间潮流典型场景构造方法
CN113270898A (zh) 一种基于两阶段规划的分布式光伏优化配置方法
Jemaa et al. Optimum sizing of hybrid PV/Wind/battery installation using a fuzzy PSO
CN116245318A (zh) 基于大数据填补与聚类的电力系统日前调度方法和系统
CN109217357A (zh) 一种基于马尔可夫模型的光伏并网发电系统mppt方法
CN114580298A (zh) 一种基于rbf-isbo的微电网优化调度方法及系统
Swartz et al. Sizing methodology for combined renewable energy systems
CN110717694B (zh) 基于新能源消纳期望值的储能配置随机决策方法及装置
CN111553398B (zh) 基于多维正态分布的风电场景不确定连续区间获取方法
CN112202210A (zh) 一种基于鲁棒优化的信息能源耦合微电网运行系统及方法
Sun Comparative Analysis of Short-term Photovoltaic Power Generation Forecasting Based on LSTM and BP Neural Network

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