CN110544957A - 计及源-荷相关性的含多微网的配电网分布式优化调度方法 - Google Patents
计及源-荷相关性的含多微网的配电网分布式优化调度方法 Download PDFInfo
- Publication number
- CN110544957A CN110544957A CN201910432446.4A CN201910432446A CN110544957A CN 110544957 A CN110544957 A CN 110544957A CN 201910432446 A CN201910432446 A CN 201910432446A CN 110544957 A CN110544957 A CN 110544957A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power
- load
- correlation
- photovoltaic
- 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
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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种计及源‑荷时空相关性的含多微网的配电网分布式优化调度方法,包括:步骤1):基于拉丁超立方抽样(LHS)和Cholesky分解技术相结合的处理方法对服从特定分布函数的光照强度和负荷进行相关性处理,生成服从相关性的光照强度和负荷数据,并将光照强度数据转化为光伏有功无功出力;步骤2):基于上述生成的光伏有功无功出力和负荷数据,建立计及源‑荷时空相关性的含多微网的配电网分布式优化调度模型,并将计及源‑荷时空相关性的优化模型与传统的配电网优化模型对比分析,验证所提模型的正确性和有效性。
Description
技术领域
本发明属于能源系统运行优化技术领域,具体涉及一种计及源-荷时空相关性的含多微网 的配电网分布式优化调度方法。
背景技术
随着日益加重的环境问题和能源危机,越来越多的可再生能源接入配电网,主动配电网 俨然已经成为未来电力系统发展的重要形式。在带来环境和经济效益的同时,日益复杂的配 电网结构以及可再生能源的随机性和不确定性给配电网的优化调度运行带来巨大的挑战。
传统的主动配电网优化调度多采用集中式建模的方法,但是在日益复杂的配电网结构以 及不断深化改革的电力市场环境的背景下,传统的集中式优化调度方法面临通信信息量大, 求解时间长以及售电主体利益博弈等问题,难以满足电力市场环境下配电网优化调度的需求。 近年来分布式优化因其交互信息量少,求解效率高等优点,成为电力系统领域重要的发展趋 势。分布式优化本质上是通过不同区域之间较少的交互信息,不断迭代计算直至求解出各区 域的经济调度结果。这样可以在在满足不同区域调度需求的同时,避免过多的隐私数据传递, 有效的提高计算效率。同时,光伏和负荷存在明显时间相关性以及同一区域光伏间存在一定 空间相关性,而随着可再生能源大规模的并网,在主动配电网优化调度中考虑光伏和负荷的 时间相关性以及同一区域光伏之间的空间相关性是十分必要的。因此目前电力经济调度问题 的关键在于建立一个更加符合实际情况的考虑源-荷时空相关性的含多微网的主动配电网的 分布式优化调度模型。
发明内容
本发明针对现有技术中存在的问题,提供了一种计及源-荷时空相关性的含多微网的配电 网分布式优化调度方法,该方法考虑了光伏和负荷的时间相关性以及同一区域光伏间空间相 关性,同时利用分布式的优化方法,克服了传统集中式优化中交互信息量大,求解效率低的 问题,提出了一种更加符合实际情况,求解速度更高的计及源-荷时空相关性的含多微网的主 动配电网分布式优化调度方法。该模型采用基于拉丁超立方抽样(LHS)和Cholesky分解技 术相结合的处理方法生成符合相关性的光伏和负荷数据,并且利用目标级联分析法(ATC)对 此模型进行求解。
为了实现上述目的,本发明采用的技术方案是:计及源-荷时空相关性的含多微网的主动 配电网的分布式优化调度方法,包括如下步骤:
步骤1):基于拉丁超立方抽样(LHS)和Cholesky分解技术相结合的处理方法对服从特 定分布函数的光照强度和负荷进行相关性处理,生成服从相关性的光照强度和负荷数据,并 将光照强度数据转化为光伏有功无功出力;
步骤2):基于上述生成的光伏有功无功出力和负荷数据,建立计及源-荷时空相关性的含 多微网的配电网分布式优化调度模型,并将计及源-荷时空相关性的优化模型与传统的配电网 优化模型对比分析,验证所提模型的正确性和有效性。
作为本发明的一种改进,所述的步骤1)中,计及源-荷时空相关性的光伏出力和负荷数据 的生成包括如下步骤:
步骤101)光伏建模
光伏出力受许多因素影响,比如光照强度,温度湿度等,其中光照强度的影响最大。通 常使用Beta分布来描述光照强度的不确定性
式中:S为光照强度的随机值;SPV,r为额定光照强度;α和β为分布参数;Γ为Gamma函数。
光伏输出有功无功功率和光照强度之间关系可以近似表示为:
式中:PPV,QPV,分别为光伏输出有功无功功率以及功率因数角;PPV,r为光伏额定有功功 率。
步骤102)负荷建模
负荷同样存在不确定性和随机性。通常采用正态分布来描述负荷的不确定性。
式中:Pload和Qload分别为负荷有功功率和无功功率的随机量;μp和σp分别为负荷有功功率 的期望值和标准差;为负荷的功率因素角。
步骤103)相关性建模
Pearson相关系数和Spearman秩相关系数是最为普遍的表征变量相关性的模型。通常而 言,如果随机变量符合正态分布,则可以使用Pearson相关系数描述变量间的相关性。如果 随机变量不符合正态分布,Pearson相关系数则不能准确描述其相关性。而Spearman秩相关 系数能很好的描述非正态变量间的相关性。
根据上面所描述的光伏出力和负荷不确定性模型,我们发现光照强度是非正态分布变量, 因此本文采用Spearman秩相关系数来描述邻近光照强度的之间以及光照强度和负荷以及之 间的相关性。Spearman秩相关系数的计算公式如下所示:
式中:Ri和Rj分别为随机变量ri和rj的秩;cov(Ri,Rj)为随机变量Ri和Rj的秩的协方差; σ(Ri)和σ(Rj)分别为随机变量Ri和Rj的秩的标准差。根据定义易知,ρs的取值范围为[-1,1]; 当0<ρs≤1则表明变量Ri和Rj正相关;特殊的,ρs=1表明随机变量Ri和Rj是一个单调递增函 数;-1≤ρs<0表明变量Ri和Rj负相关。
假设本文中有N个随机变量r1,r2,...,rn,则随机变量秩相关系数矩阵如下所示:
在实际应用中,可以根据随机变量的历史数据计算得到Spearman秩相关系数ρ0。
步骤104)光伏和负荷相关性样本数据的生成
在基于历史数据求解Spearman秩相关系数ρ0的基础上,利用拉丁超立方抽样(LHS)和 Cholesky分解技术相结合的处理方法生成光伏和负荷相关性样本数据,具体的流程如下所示:
(104-1)假设有M个待采样的随机变量,N为采样规模,首先利用拉丁超立方抽样(LHS) 生成一个M*N的初始样本矩阵X;
(104-2)随机生成一个M*N的顺序矩阵L,计算顺序矩阵L的相关系数矩阵ρL,并通过 Cholesky分解技术得到下三角矩阵Q;
ρL=QQT (7)
并通过公式(8)消除顺序矩阵L的相关性,得到矩阵G的相关系数矩阵为单位阵;
G=Q-1L (8)
(104-3)对随机变量的实际相关系数ρ0做Cholesky分解,得到下三角矩阵P;
ρ0=PPT (9)
通过式(10)使得G0的相关系数矩阵与ρ0近似相等;
G0=PG=PQ-1L (10)
(104-4)按照G0对应行的元素顺序与初始样本矩阵X进行更新,得到新的样本矩阵X0, 可以得到满足源-荷相关性的光照强度和负荷的数据,并根据光伏模型转将光照强度数据化为 光伏有功无功出力。
作为本发明的一种改进,所述步骤2)中计及源-荷时空相关性的含多微网的主动配电网 分布式优化调度模型的生成具体步骤为:
步骤201)配电网优化模型:
(201-1)建立目标函数,配电网的目标函数为配电网日运行成本最小。其中配电网日运行 成本主要包括配电网从上级电网的购电成本,燃气轮机的燃料成本,可中断负荷的补偿成本, 配电网与微网交互成本以及拉格朗日惩罚函数。
(201-2)建立约束条件:
ρs(Si,Sj,PL)=ρo (21)
配电网优化调度约束条件主要包括:可调可控资源的出力约束,潮流约束,安全约束, 一致性约束以及相关性约束。其中式(12)配电网和上级电网所连的运行约束;式(13)-(18)分别描述可中断负荷出力约束,光伏出力约束,储能装置充放电约束,储能装置电量约束,微型燃气轮机出力约束以及无功补偿装置的无功约束;式(19)是配电网潮流约束;式(20)配电网运行的安全约束;式(21)为光伏和光伏,以及光伏和负荷的相关性约束。
式(11-22)中:CDS为配电网的日运行成本;以及分别为配电网所 连接的上级电网,微型燃气轮机,可中断负荷,微电网以及无功补偿装置的集合; 分别为t时刻j节点配电网所连接的上级电网购电功率,微型燃气轮机有功出力, 可中断负荷的有功出力,配电网与微网交换有功功率以及光伏的有功出力;分 别为t时刻配电网从上级电网购电成本,微型燃气轮机燃料成本,可中断负荷补偿成本以及 配电网与微网交换功率成本;λj,t,ρj,t,ηj,t和为拉格朗日乘子;分别为t时刻j 节点所连接的光伏的无功出力,微型燃气轮机无功出力以及光伏的无功出力;和分 别为j节点所连接上级电网购电功率的上下限值;为j节点所连接可中断负荷最大有功功 率;和为t时刻j节点所连接的光伏的预测的有功无功功率,这里数据为上节生成的 光伏的出力预测数据;和分别为t时刻j节点配电网所连接的储能装置的充放电功率; 和为j节点所连接的储能装置充放电功率的最大值;和是用于描述储能装置充 放电状态的0-1变量;和分别j节点所连接的微型燃气轮机的有功无功出力的最大值; 和分别为j节点所连接的微型燃气轮机爬坡功率的上下限;和分别为j节点 所连接的无功补偿装置无功出力的上下限值;v(j)和u(j)分别为以j节点为首末端节点的集合; 以及分别t时刻ij支路的有功无功功率以及电流值;分别为t时刻j节点 的有功无功功率以及电压幅值;rij和xij分别为支路ij的电阻电抗;和分别为j节点电 压的上下限;为ij支路电流的上限;和分别为配电网流向微电网的有功无功功率;和 分别为微电网从配电网购入的有功无功功率;Si,Sj和PL分别为不同光伏的光照强度以及负 荷;ρo为实际的秩相关系数矩阵。
步骤202)微电网优化模型:
微电网的目标函数为微电网日运行成本最小。其中微电网日运行成本主要包括微电网从 配电网的购电成本,燃气轮机的燃料成本,可中断负荷的补偿成本以及拉格朗日惩罚函数。
式:下标MG代表微网;CMG为微网的运行成本。式中的其他定义均与配电网类似。
微电网中约束条件也与配电网类似,这里不在描述。
步骤203)计及源-荷时空相关性的含多微网的配电网分布式优化模型:
基于步骤(1)所生成的具有相关性的时空相关性光伏和负荷数据,以及步骤201)和202) 所建立的存在耦合关系的配电网和微电网模型,建立计及源-荷时空相关性的含多微网主动配 电网的分布式优化模型。
有益效果:
与现有技术相比,本发明分布式优化模型中考虑了源-荷时空相关性,并提出一种基于拉 丁超立方抽样(LHS)和Cholesky分解技术相结合的相关性处理方法生成光伏和负荷相关性 样本数据。基于此,建立一种计及计及源-荷时空相关性的含多微网主动配电网的分布式优化 模型,该方法考虑了光伏和负荷的时间相关性以及同一区域光伏间空间相关性,同时利用分 布式的优化方法,克服了传统集中式优化中交互信息量大,求解效率低的问题,提出了一种 更加符合实际情况,求解速度更高的计及源-荷时空相关性的含多微网的主动配电网分布式优 化调度方法,并且利用目标级联分析法(ATC)对此模型进行求解。
附图说明
图1为本发明实施方法的流程图。
图2是本发明实施例中的系统结构图。
图3是本发明所含多微网的配电网分布式优化模型整体框架图。
图4是本发明中实施例中配电网和微电网的成本变化曲线图。
图5是本发明中实施例中微网收敛误差变化曲线图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术 语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理 解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一 致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本发明实施例中的系统结构如图2所示,系统中包括3个微网,其中微网和配网都有光 伏(PV),燃气轮机(DG),无功补偿装置(SVC),储能装置(ESS),可中断负荷(IL)等可调可 控资源接入,各可调可控资源设备的参数见表1。含多微网的配电网分布式优化模型整体框 架图见图3所示。为了进一步描述分布式优化以及源-荷时空相关性对结果分影响,对比不同 模型下的优化结果见表2。分析表2可知,相比于集中式优化模型,分布式模型总成本略高 于集中式优化的总成本,但是分布式优化可以确保各微网区域的数据隐私,减少信息交互, 提高计算效率,保证各微网区域独立调度。同时考虑源-荷时空相关性的模型成本稍低一些, 这是因为光伏和负荷以及光伏和光伏存在正相关性,能够一定程度上缓减光伏和负荷的不确 定性和波动性,能够很好的消纳分布式电源,进而使得总运行成本也减少
表1算例中的各设备参数
表2不同模型的成本对比
本发明实施例提出的一种计及源-荷时空相关性的含多微网的配电网分布式优化调度方 法,参考图1所示,包括以下步骤:
步骤1):基于拉丁超立方抽样(LHS)和Cholesky分解技术相结合的处理方法对服从特 定分布函数的光照强度和负荷进行相关性处理,生成服从相关性的光照强度和负荷数据,并 将光照强度数据转化为光伏有功无功出力;
步骤2):基于上述生成的光伏有功无功出力和负荷数据,建立计及源-荷时空相关性的含 多微网的配电网分布式优化调度模型,并将计及源-荷时空相关性的优化模型与传统的配电网 优化模型对比分析,验证所提模型的正确性和有效性。
所述的步骤1)中,计及源-荷时空相关性的光伏出力和负荷数据的生成包括以下步骤:
步骤101)光伏建模
光伏出力受许多因素影响,比如光照强度,温度湿度等,其中光照强度的影响最大。
通常使用Beta分布来描述光照强度的不确定性
式中:S为光照强度的随机值;SPV,r为额定光照强度;α和β为分布参数;Γ为Gamma函数。
光伏输出有功无功功率和光照强度之间关系可以近似表示为:
式中:PPV,QPV,分别为光伏输出有功无功功率以及功率因数角;PPV,r为光伏额定有功功 率。
步骤102)负荷建模
负荷同样存在不确定性和随机性。通常采用正态分布来描述负荷的不确定性。
式中:Pload和Qload分别为负荷有功功率和无功功率的随机量;μp和σp分别为负荷有功功率 的期望值和标准差;为负荷的功率因素角。
步骤103)相关性建模
Pearson相关系数和Spearman秩相关系数是最为普遍的表征变量相关性的模型。通常而 言,如果随机变量符合正态分布,则可以使用Pearson相关系数描述变量间的相关性。如果 随机变量不符合正态分布,Pearson相关系数则不能准确描述其相关性。而Spearman秩相关 系数能很好的描述非正态变量间的相关性。
根据上面所描述的光伏出力和负荷不确定性模型,我们发现光照强度是非正态分布变量, 因此本文采用Spearman秩相关系数来描述邻近光照强度的之间以及光照强度和负荷以及之 间的相关性。Spearman秩相关系数的计算公式如下所示:
式中:Ri和Rj分别为随机变量ri和rj的秩;cov(Ri,Rj)为随机变量Ri和Rj的秩的协方差; σ(Ri)和σ(Rj)分别为随机变量Ri和Rj的秩的标准差。根据定义易知,ρs的取值范围为[-1,1]; 当0<ρs≤1则表明变量Ri和Rj正相关;特殊的,ρs=1表明随机变量Ri和Rj是一个单调递增函 数;-1≤ρs<0表明变量Ri和Rj负相关。
假设本文中有N个随机变量r1,r2,...,rn,则随机变量秩相关系数矩阵如下所示:
在实际应用中,可以根据随机变量的历史数据计算得到Spearman秩相关系数ρ0。
步骤104)光伏和负荷相关性样本数据的生成
在基于历史数据求解Spearman秩相关系数ρ0的基础上,利用拉丁超立方抽样(LHS)和 Cholesky分解技术相结合的处理方法生成光伏和负荷相关性样本数据,具体的流程如下所示:
(104-1)假设有M个待采样的随机变量,N为采样规模,首先利用拉丁超立方抽样(LHS) 生成一个M*N的初始样本矩阵X;
(104-2)随机生成一个M*N的顺序矩阵L,计算顺序矩阵L的相关系数矩阵ρL,并通过 Cholesky分解技术得到下三角矩阵Q;
ρL=QQT (7)
并通过公式(8)消除顺序矩阵L的相关性,得到矩阵G的相关系数矩阵为单位阵;
G=Q-1L (8)
(104-3)对随机变量的实际相关系数ρ0做Cholesky分解,得到下三角矩阵P;
ρ0=PPT (9)
通过式(10)使得G0的相关系数矩阵与ρ0近似相等;
G0=PG=PQ-1L (10)
(104-4)按照G0对应行的元素顺序与初始样本矩阵X进行更新,得到新的样本矩阵X0, 可以得到满足源-荷相关性的光照强度和负荷的数据,并根据光伏模型转将光照强度数据化为 光伏有功无功出力。
所述步骤2)中计及源-荷时空相关性的含多微网的主动配电网分布式优化调度模型的生 成具体步骤为:
步骤201)配电网优化模型:
(201-1)建立目标函数,配电网的目标函数为配电网日运行成本最小。其中配电网日运行 成本主要包括配电网从上级电网的购电成本,燃气轮机的燃料成本,可中断负荷的补偿成本, 配电网与微网交互成本以及拉格朗日惩罚函数。
(201-2)建立约束条件:
ρs(Si,Sj,PL)=ρo (21)
配电网优化调度约束条件主要包括:可调可控资源的出力约束,潮流约束,安全约束, 一致性约束以及相关性约束。其中式(12)配电网和上级电网所连的运行约束;式(13)-(18)分别描述可中断负荷出力约束,光伏出力约束,储能装置充放电约束,储能装置电量约束,微型燃气轮机出力约束以及无功补偿装置的无功约束;式(19)是配电网潮流约束;式(20)配电网运行的安全约束;式(21)为光伏和光伏,以及光伏和负荷的相关性约束。
式(11-22)中:CDS为配电网的日运行成本;以及分别为配电网所 连接的上级电网,微型燃气轮机,可中断负荷,微电网以及无功补偿装置的集合; 分别为t时刻j节点配电网所连接的上级电网购电功率,微型燃气轮机有功出力, 可中断负荷的有功出力,配电网与微网交换有功功率以及光伏的有功出力;分 别为t时刻配电网从上级电网购电成本,微型燃气轮机燃料成本,可中断负荷补偿成本以及 配电网与微网交换功率成本;λj,t,ρj,t,ηj,t和为拉格朗日乘子;分别为t时刻j 节点所连接的光伏的无功出力,微型燃气轮机无功出力以及光伏的无功出力;和分 别为j节点所连接上级电网购电功率的上下限值;为j节点所连接可中断负荷最大有功功 率;和为t时刻j节点所连接的光伏的预测的有功无功功率,这里数据为上节生成的 光伏的出力预测数据;和分别为t时刻j节点配电网所连接的储能装置的充放电功率; 和为j节点所连接的储能装置充放电功率的最大值;和是用于描述储能装置充 放电状态的0-1变量;和分别j节点所连接的微型燃气轮机的有功无功出力的最大值; 和分别为j节点所连接的微型燃气轮机爬坡功率的上下限;和分别为j节点 所连接的无功补偿装置无功出力的上下限值;v(j)和u(j)分别为以j节点为首末端节点的集合; 以及分别t时刻ij支路的有功无功功率以及电流值;分别为t时刻j节点 的有功无功功率以及电压幅值;rij和xij分别为支路ij的电阻电抗;和分别为j节点电 压的上下限;为ij支路电流的上限;和分别为配电网流向微电网的有功无功功率;和 分别为微电网从配电网购入的有功无功功率;Si,Sj和PL分别为不同光伏的光照强度以及负 荷;ρo为实际的秩相关系数矩阵。
步骤202)微电网优化模型:
微电网的目标函数为微电网日运行成本最小。其中微电网日运行成本主要包括微电网从 配电网的购电成本,燃气轮机的燃料成本,可中断负荷的补偿成本以及拉格朗日惩罚函数。
式:下标MG代表微网;CMG为微网的运行成本。式中的其他定义均与配电网类似。
微电网中约束条件也与配电网类似,这里不在描述。
步骤203)计及源-荷时空相关性的含多微网的配电网分布式优化模型:
基于权利要求1所生成的具有相关性的时空相关性光伏和负荷数据,以及权利要求2步 骤201)和202)所建立的存在耦合关系的配电网和微电网模型,建立计及源-荷时空相关性 的含多微网主动配电网的分布式优化模型。
本案例在Matlab环境下利用Cplex算法包开发上述计及不确定性的主动配电网分布式优 化方法。所采用的实施例迭代11次得到最终的优化结果,为了更加清晰的描述主动配电网分 布式模型中配电网和微电网的利益博弈,迭代过程中微电网和配电网操作成本曲线变化图4, 分析图4可以看出,由于拉格朗日乘子初值较小,因此第一次迭代结果可以认为是配电网和 微电网不考虑一致性约束,单独优化的结果。此时每个区域是在假设其他区域可以提供足够 资源,不考虑配电网和微电网功率交换约束的结果,所以该情况下配电网和微电网的优化成 本均为最小。随着迭代次数的增加,拉格朗日乘子的更新,考虑一致性约束模型的目标函数 中增加的拉格朗日的惩罚项不能忽略,因此配电网和微电网的操作成本随之增加。经过若干 次迭代之后,最终决策的总成本是配电网和微电网达成协议后的结果,该结果一般是高于最 初配电网和微电网单独优化的优化结果;同时为了更加清晰描述分布式模型的迭代收敛过程, 迭代收敛误差曲线变化图见图5,通过图5可以看出配电网和微电网耦合变量值在迭代过程 中不断靠近,体现出配电网和微电网交替优化满足收敛条件。
综上可知,本发明提供了一种计及源-荷时空相关性的含多微网主动配电网的分布式优化 模型。该发明首先基于拉丁超立方抽样(LHS)和Cholesky分解技术相结合的处理方法生成 符合相关性的光伏和负荷数据。基于所生成的数据,建立一种计及时空相关性的主动配电网 鲁棒优化调度方法,该方法克服了传统集中式优化中交互信息量大,求解效率低的问题,提 出了一种更加符合实际情况,求解速度更高的优化调度方法。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解, 本发明不受上述具体实施例的限制,上述具体实施例和说明书中的描述只是为了进一步说明 本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些 变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效 物界定。
Claims (3)
1.一种计及源-荷时空相关性的含多微网的配电网分布式优化调度方法,其特征在于,该运行方法包括以下步骤:
步骤1):基于拉丁超立方抽样和Cholesky分解技术相结合的处理方法对服从特定分布函数的光照强度和负荷进行相关性处理,生成服从相关性的光照强度和负荷数据,并将光照强度数据转化为光伏有功无功出力;
步骤2):基于上述生成的光伏有功无功出力和负荷数据,建立计及源-荷时空相关性的含多微网的配电网分布式优化调度模型,并将计及源-荷时空相关性的优化模型与传统的配电网优化模型对比分析,验证所提模型的正确性和有效性。
2.根据权利要求1所述的计及源-荷时空相关性的含多微网的配电网分布式优化调度方法,其特征在于:所述的步骤1)中,计及源-荷时空相关性的光伏出力和负荷数据的生成包括以下步骤:
步骤101)光伏建模:使用Beta分布来描述光照强度的不确定性
式中:S为光照强度的随机值;SPV,r为额定光照强度;α和β为分布参数;Γ为Gamma函数;
光伏输出有功无功功率和光照强度之间关系可以近似表示为:
式中:PPV,QPV,分别为光伏输出有功无功功率以及功率因数角;PPV,r为光伏额定有功功率;
步骤102)负荷建模:采用正态分布来描述负荷的不确定性:
式中:Pload和Qload分别为负荷有功功率和无功功率的随机量;μp和σp分别为负荷有功功率的期望值和标准差;为负荷的功率因素角;
步骤103)相关性建模:
采用Spearman秩相关系数来描述邻近光照强度的之间以及光照强度和负荷以及之间的相关性,Spearman秩相关系数的计算公式如下所示:
式中:Ri和Rj分别为随机变量ri和rj的秩;cov(Ri,Rj)为随机变量Ri和Rj的秩的协方差;σ(Ri)和σ(Rj)分别为随机变量Ri和Rj的秩的标准差,ρs的取值范围为[-1,1];当0<ρs≤1则表明变量Ri和Rj正相关;特殊的,ρs=1表明随机变量Ri和Rj是一个单调递增函数;-1≤ρs<0表明变量Ri和Rj负相关;
假设有N个随机变量r1,r2,...,rn,则随机变量秩相关系数矩阵如下所示:
步骤104)光伏和负荷相关性样本数据的生成:具体的流程如下所示:
(104-1)假设有M个待采样的随机变量,N为采样规模,首先利用拉丁超立方抽样(LHS)生成一个M*N的初始样本矩阵X;
(104-2)随机生成一个M*N的顺序矩阵L,计算顺序矩阵L的相关系数矩阵ρL,并通过Cholesky分解技术得到下三角矩阵Q;
ρL=QQT (7)
并通过公式(8)消除顺序矩阵L的相关性,得到矩阵G的相关系数矩阵为单位阵;
G=Q-1L (8)
(104-3)对随机变量的实际相关系数ρ0做Cholesky分解,得到下三角矩阵P;
ρ0=PPT (9)
通过式(10)使得G0的相关系数矩阵与ρ0近似相等;
G0=PG=PQ-1L (10)
(104-4)按照G0对应行的元素顺序与初始样本矩阵X进行更新,得到新的样本矩阵X0,可以得到满足源-荷相关性的光照强度和负荷的数据,并根据光伏模型转将光照强度数据化为光伏有功无功出力。
3.按照权利要求2所述的计及源-荷时空相关性的含多微网的配电网分布式优化调度方法,其特征在于:所述的步骤2)中,计及源-荷时空相关性含多微网主动配电网模型的建立生成具体步骤为:
步骤201)建立配电网优化模型,具体步骤为:
(201-1)建立目标函数,配电网的目标函数为配电网日运行成本最小,其中配电网日运行成本主要包括配电网从上级电网的购电成本,燃气轮机的燃料成本,可中断负荷的补偿成本,配电网与微网交互成本以及拉格朗日惩罚函数;
(201-1)建立约束条件:
ρs(Si,Sj,PL)=ρo (21)
其中式(12)配电网和上级电网所连的运行约束;式(13)-(18)分别描述可中断负荷出力约束,光伏出力约束,储能装置充放电约束,储能装置电量约束,微型燃气轮机出力约束以及无功补偿装置的无功约束;式(19)是配电网潮流约束;式(20)配电网运行的安全约束;式(21)为光伏和光伏,以及光伏和负荷的相关性约束;
式(11-22)中:CDS为配电网的日运行成本;以及分别为配电网所连接的上级电网,微型燃气轮机,可中断负荷,微电网以及无功补偿装置的集合; 分别为t时刻j节点配电网所连接的上级电网购电功率,微型燃气轮机有功出力,可中断负荷的有功出力,配电网与微网交换有功功率以及光伏的有功出力;分别为t时刻配电网从上级电网购电成本,微型燃气轮机燃料成本,可中断负荷补偿成本以及配电网与微网交换功率成本;λj,t,ρj,t,ηj,t和为拉格朗日乘子;分别为t时刻j节点所连接的光伏的无功出力,微型燃气轮机无功出力以及光伏的无功出力;和分别为j节点所连接上级电网购电功率的上下限值;为j节点所连接可中断负荷最大有功功率;和为t时刻j节点所连接的光伏的预测的有功无功功率,这里数据为上节生成的光伏的出力预测数据;和分别为t时刻j节点配电网所连接的储能装置的充放电功率;和为j节点所连接的储能装置充放电功率的最大值;和是用于描述储能装置充放电状态的0-1变量;和分别j节点所连接的微型燃气轮机的有功无功出力的最大值;和分别为j节点所连接的微型燃气轮机爬坡功率的上下限;和分别为j节点所连接的无功补偿装置无功出力的上下限值;v(j)和u(j)分别为以j节点为首末端节点的集合;以及分别t时刻ij支路的有功无功功率以及电流值;分别为t时刻j节点的有功无功功率以及电压幅值;rij和xij分别为支路ij的电阻电抗;和分别为j节点电压的上下限;为ij支路电流的上限;和分别为配电网流向微电网的有功无功功率;和分别为微电网从配电网购入的有功无功功率;Si,Sj和PL分别为不同光伏的光照强度以及负荷;ρo为实际的秩相关系数矩阵。
步骤202)建立微电网优化模型,具体包括为:建立目标函数,微电网的目标函数为微电网日运行成本最小,其中微电网日运行成本主要包括微电网从配电网的购电成本,燃气轮机的燃料成本,可中断负荷的补偿成本以及拉格朗日惩罚函数;
式中:下标MG代表微网;CMG为微网的运行成本;
步骤203)计及源-荷时空相关性的含多微网的配电网分布式优化模型:
基于步骤(1)中所生成的具有相关性的时空相关性光伏和负荷数据,以及步骤201)和202)所建立的存在耦合关系的配电网和微电网模型,建立计及源-荷时空相关性的含多微网主动配电网的分布式优化模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432446.4A CN110544957A (zh) | 2019-05-23 | 2019-05-23 | 计及源-荷相关性的含多微网的配电网分布式优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432446.4A CN110544957A (zh) | 2019-05-23 | 2019-05-23 | 计及源-荷相关性的含多微网的配电网分布式优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110544957A true CN110544957A (zh) | 2019-12-06 |
Family
ID=68702742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910432446.4A Pending CN110544957A (zh) | 2019-05-23 | 2019-05-23 | 计及源-荷相关性的含多微网的配电网分布式优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110544957A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111384729A (zh) * | 2020-02-24 | 2020-07-07 | 国网浙江嘉善县供电有限公司 | 一种基于边缘计算的分布式电源调度控制方法 |
CN112952908A (zh) * | 2021-03-29 | 2021-06-11 | 四川大学 | 一种多合作微电网主体分布式协调交易方法 |
CN113675843A (zh) * | 2021-07-28 | 2021-11-19 | 国网吉林省电力有限公司松原供电公司 | 含高渗透率光伏cchp微电网的主动配电网控制方法 |
CN116089847A (zh) * | 2023-04-06 | 2023-05-09 | 国网湖北省电力有限公司营销服务中心(计量中心) | 基于协方差代理的分布式可调资源聚类方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109378861A (zh) * | 2018-12-28 | 2019-02-22 | 东南大学 | 计及时空相关性的主动配电网的鲁棒优化调度方法 |
-
2019
- 2019-05-23 CN CN201910432446.4A patent/CN110544957A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109378861A (zh) * | 2018-12-28 | 2019-02-22 | 东南大学 | 计及时空相关性的主动配电网的鲁棒优化调度方法 |
Non-Patent Citations (7)
Title |
---|
FENG LI等: "Probabilistic assessment of interregional available transfer capability for renewable energy transactions", 《 2015 5TH INTERNATIONAL CONFERENCE ON ELECTRIC UTILITY DEREGULATION AND RESTRUCTURING AND POWER TECHNOLOGIES (DRPT)》 * |
YAN CHEN等: "Probabilistic Load Flow Method Based on Nataf Transformation and Latin Hypercube Sampling", 《 IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》 * |
李珂等: "考虑相关性的分布式电源多目标规划方法", 《电力系统自动化》 * |
王玲玲,等: "计及多个风电机组出力相关性的配电网无功优化", 《电网技术》 * |
胡美玉等: "计及相关性的含分布式电源配电系统可靠性评估", 《电力建设》 * |
邓刘毅等: "现有有功-无功资源配置下的分布式发电消纳问题研究", 《供用电》 * |
黄南天等: "计及复杂气象耦合特性的模块化去噪变分自编码器多源荷联合场景生成", 《中国电机工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111384729A (zh) * | 2020-02-24 | 2020-07-07 | 国网浙江嘉善县供电有限公司 | 一种基于边缘计算的分布式电源调度控制方法 |
CN112952908A (zh) * | 2021-03-29 | 2021-06-11 | 四川大学 | 一种多合作微电网主体分布式协调交易方法 |
CN112952908B (zh) * | 2021-03-29 | 2024-02-02 | 四川大学 | 一种多合作微电网主体分布式协调交易方法 |
CN113675843A (zh) * | 2021-07-28 | 2021-11-19 | 国网吉林省电力有限公司松原供电公司 | 含高渗透率光伏cchp微电网的主动配电网控制方法 |
CN116089847A (zh) * | 2023-04-06 | 2023-05-09 | 国网湖北省电力有限公司营销服务中心(计量中心) | 基于协方差代理的分布式可调资源聚类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Low-carbon economic dispatch of integrated energy system containing electric hydrogen production based on VMD-GRU short-term wind power prediction | |
Mei et al. | Stochastic optimal operation model for a distributed integrated energy system based on multiple-scenario simulations | |
Kayal et al. | Optimal mix of solar and wind distributed generations considering performance improvement of electrical distribution network | |
CN110544957A (zh) | 计及源-荷相关性的含多微网的配电网分布式优化调度方法 | |
Liang et al. | Risk-based uncertainty set optimization method for energy management of hybrid AC/DC microgrids with uncertain renewable generation | |
Kayal et al. | Strategic approach for reinforcement of intermittent renewable energy sources and capacitor bank for sustainable electric power distribution system | |
Gupta et al. | Sensitivity and reliability models of a PV system connected to grid | |
Liang et al. | Probability-driven transmission expansion planning with high-penetration renewable power generation: A case study in northwestern China | |
Ahmadi et al. | A multi-objective framework for distributed energy resources planning and storage management | |
Jin et al. | Two-timescale multi-objective coordinated volt/var optimization for active distribution networks | |
Dong et al. | ROI-based study on impact factors of distributed PV projects by LSSVM-PSO | |
Moazami Goodarzi et al. | An optimal autonomous microgrid cluster based on distributed generation droop parameter optimization and renewable energy sources using an improved grey wolf optimizer | |
Ke et al. | Coordinative real‐time sub‐transmission volt–var control for reactive power regulation between transmission and distribution systems | |
Mancilla-David et al. | Power management in active distribution systems penetrated by photovoltaic inverters: A data-driven robust approach | |
Samet et al. | Analytic time series load flow | |
Zheng et al. | Stochastic optimization of cost-risk for integrated energy system considering wind and solar power correlated | |
Huang et al. | Bi-level coordinated planning of active distribution network considering demand response resources and severely restricted scenarios | |
Li et al. | Probabilistic harmonic forecasting of the distribution system considering time-varying uncertainties of the distributed energy resources and electrical loads | |
Wang et al. | Renewable energy sources planning considering approximate dynamic network reconfiguration and nonlinear correlations of uncertainties in distribution network | |
Veremiichuk et al. | Energy hub function optimization models during ukrainian energy resources market liberalization | |
CN115204562B (zh) | 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统 | |
Yang et al. | Deep learning-based distributed optimal control for wide area energy Internet | |
Dan et al. | A scenario-based branch-and-bound approach for MES scheduling in urban buildings | |
Li et al. | Optimization method of skeleton network partitioning scheme considering resilience active improvement in power system restoration after typhoon passes through | |
Wang et al. | Distributed Newton‐based voltage control method for high‐penetration PV generation cluster in active distribution networks |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191206 |