CN110707754A - 微电网中水风光电源容量配置的优化方法 - Google Patents

Abstract

本发明公开了微电网中水风光电源容量配置的优化方法，计算水风光微电网中电源容量配置，反映多年入库流量、风速和日照强度变化的随机性，同时还反映日照时间、日照阴影、日照偏角等的不确定性和随机性，为水风光微电网电源容量配置、发电出力预测、运行调度提供理论指导，为分布式新能源发电及智能电网调度运行提供必要的技术支撑。

Description

微电网中水风光电源容量配置的优化方法

技术领域

本发明涉及电力系统及其自动化的技术领域，尤其涉及到微电网中水风光电源容量配置的优化方法。

背景技术

微电网是在其内部以一定方式集成分布式源(水电、小风电、光伏发电)-荷(水、电、气、冷、热负荷)的一种电网形式。微电网以380V、10kV、35kV等电压等级与主电网联接，在一般正常运行条件下与主电网并网运行，在重负荷时微电网从主电网吸收功率，在轻负荷时可能向主电网注入功率；在主电网局部故障情况下或在邻近微电网故障情况下可以孤网运行，在确保电能质量的前提下由微电网内部分布式电源向负荷提供电力电量，实现无故障微电网正常的供电状态，减小停电时间，提高供电可靠性。

微电网构建和运行的目的是可持续高效利用/消纳微电网内部分布式电源电力电量，最小化与主电网交换的电力电量。

基于分布式水电的微电网，是一种以水电供电为主要形式的微电网。水风光微电网中，水电站大多数为径流式，水坝一般没有蓄水功能，水库没有蓄水和调水能力，水电站水能利用完全取决于水库来水量，水电机组发电状态与出力规模也完全取决于水库来水量。在这种情况下，水电站要实现高效利用水能发电，就必须做到来多少水发多少电。而水电站水库来水量具有随机性，在不同水文周期来水量完全不同，在丰水期来水量很大，在枯水期来水量很小。因此，水电站流域河流流量往往表现为最小流量、最大流量、平均流量、多年平均流量、计算平均流量、加权平均流量、数学平均流量等等表式形式。采用不同流量的表式形式，水电站会获得不同装机容量水平。不同装机容量水平，在不同水文周期水电站发电功率和发电量也往往不同，最优导致水电站水能利用率、发电设备利用率、发电设备年最大利用小时数也不同。

水电-风微电网是一种集成水电和小风电两种分布式电源、一定容量负荷并以一定方式将分布式电源和负荷联接起来的微电网。水电-风微电网中，不仅水电站水库来水量、水库流量、发电流量等具有不确定性和随机性，而且小风电场风速具有不确定性和随机性。水风光微电网中，水电站大多数为径流式，水坝一般没有蓄水功能，水库没有蓄水和调水能力，水电站水能利用完全取决于水库来水量，水电机组发电状态与出力规模也完全取决于水库来水量。在这种情况下，水电站要实现高效利用水能发电，就必须做到来多少水发多少电。而水电站水库来水量具有随机性，在不同水文周期来水量完全不同，在丰水期来水量很大，在枯水期来水量很小。因此，水电站流域河流流量往往表现为最小流量、最大流量、平均流量、多年平均流量、计算平均流量、加权平均流量、数学平均流量等等表式形式。采用不同流量的表式形式，水电站会获得不同装机容量水平。不同装机容量水平，在不同水文周期水电站发电功率和发电量也往往不同，最优导致水电站水能利用率、发电设备利用率、发电设备年最大利用小时数也不同。当风速小于切入风速或大于切出风速，风电机组均无输出功率；当风速对于切入风速而小于额定风速时，风电机组输出功率小于额定功率；当风速对于额定风速而小于切出风速时，风电机组输出额定功率。在一年的不同季节风速完全不同，在一天的不同时段风速完全不同，风速具有随机性、波动性和间歇性。因此，小风电场风速往往也表现为最小风速、最大风速、平均风速、多年平均风速、计算平均风速、加权平均风速、数学平均风速等等表式形式。采用不同风速的表式形式，小风电场会获得不同装机容量水平。不同装机容量水平，在不同季节小风电场发电功率和发电量也往往不同，最优导致小风电站风能利用率、发电设备利用率、发电设备年最大利用小时数也不同。

水电-风-光微电网是一种集成水电、小风电、光伏发电三种分布式电源、一定容量负荷并以一定方式将分布式电源和负荷联接起来的微电网。水电-风-光微电网中，不仅水电站水库来水量、水库流量、发电流量等具有不确定性和随机性，小风电场风速具有不确定性和随机性，而且日照强度也具有不确定性和随机性。水风光微电网中，水电站大多数为径流式，水坝一般没有蓄水功能，水库没有蓄水和调水能力，水电站水能利用完全取决于水库来水量，水电机组发电状态与出力规模也完全取决于水库来水量。在这种情况下，水电站要实现高效利用水能发电，就必须做到来多少水发多少电。而水电站水库来水量具有随机性，在不同水文周期来水量完全不同，在丰水期来水量很大，在枯水期来水量很小。因此，水电站流域河流流量往往表现为最小流量、最大流量、平均流量、多年平均流量、计算平均流量、加权平均流量、数学平均流量等等表式形式。采用不同流量的表式形式，水电站会获得不同装机容量水平。不同装机容量水平，在不同水文周期水电站发电功率和发电量也往往不同，最优导致水电站水能利用率、发电设备利用率、发电设备年最大利用小时数也不同。当风速小于切入风速或大于切出风速，风电机组均无输出功率；当风速对于切入风速而小于额定风速时，风电机组输出功率小于额定功率；当风速对于额定风速而小于切出风速时，风电机组输出额定功率。在一年的不同季节风速完全不同，在一天的不同时段风速完全不同，风速具有随机性、波动性和间歇性。因此，小风电场风速往往也表现为最小风速、最大风速、平均风速、多年平均风速、计算平均风速、加权平均风速、数学平均风速等等表式形式。采用不同风速的表式形式，小风电场会获得不同装机容量水平。不同装机容量水平，在不同季节小风电场发电功率和发电量也往往不同，最优导致小风电站风能利用率、发电设备利用率、发电设备年最大利用小时数也不同。日照强度越大，光伏发电系统输出功率越大。在一年的不同季节日照强度完全不同，在一天的不同时段日照强度完全不同，日照强度具有随机性、波动性和间歇性。因此，光伏发电站日照强度往往也表现为最小日照强度、最大日照强度、平均日照强度、多年平均日照强度、计算平均日照强度、加权平均日照强度、数学平均日照强度等等表式形式。采用不同日照强度的表式形式，光伏发电站会获得不同装机容量水平。不同装机容量水平，在不同季节光伏发电站发电功率和发电量也往往不同，最优导致光伏发电站风能利用率、发电设备利用率、发电设备年最大利用小时数也不同。

不同负荷水平及分布式电源容量规模在微电网中集成，使微电网结构形态、潮流特性发生了改变。由于水电、小风电、光伏发电等多种分布式电源接入，会因接入电源容量规模的不同而采用多种不同等级的电压。由于用电的随机性，负荷功率在不同时空尺度上总会发生变化，具有明显的时段性；同时，风电、光伏发电等分布式电源出力具有间歇性、随机性和时段性，水电机组出力具有季节性。因此，微电网负荷功率和电源功率平衡关系往往很难能够保持，当负荷功率大于电源功率时微电网需要从主电网获得补充功率，而负荷功率小于电源功率时微电网剩余功率需要注入主电网，形成了随机的双向潮流特性。随机的双向潮流特性对于微电网内部节点电压质量，在分布式电源出力大而负荷轻时就会造成微电网内部局部区域节点电压偏高，而在分布式电源出力小而负荷重时就会造成微电网内部局部区域节点电压偏低。因此，微电网内部节点电压的限制条件和要求对微电网中分布式电源容量配置优化、运行方式和电压控制策略均有影响和制约，微电网中分布式电源容量配置优化、运行方式和电压控制策略需要考虑微电网内部节点电压的限制条件和要求。微电网在不同电压等级配电网的节点接入，会因微电网从配电网吸收或向配电网注入功率的大小不同而导致配电网节点电压发生偏高或偏低的变化，微电网中分布式电源容量配置优化、运行方式和电压控制策略需要考虑配电网节点电压的限制条件和要求。

微电网分布式电源系统是一种同时具有关系复杂并交互作用的随机和模糊不确定性事件或参量的系统。在各种不确定性随机和模糊事件或参量的影响下，微电网分布式电源发电功率和发电量变得更具随机特性和模糊特性，这些特性极大影响微电网分布式电源容量配置优化。以往微电网分布式电源系统发电功率和发电量通常采用确定性的计算方法，有些也采用概率分析的不确定性计算方法。确定性计算的方法通常是在假设水电站来水量和流量、区域内日照强度和风速都确定的情况下计算微电网分布式电源系统发电功率、发电量及装机容量，也没有考虑微电网和配电网调压要求和柔性控制方式等因素的影响，计算结果是唯一性和确定性的，往往不能反应微电网分布式电源系统发电功率、发电量及装机容量的实际情况。而概率分析的计算方法通常是在只假设水电站来水量和流量、区域内日照强度和风速等单一因素为不确定性因素的情况下计算微电网分布式电源系统发电功率、发电量及装机容量，计算结果是具有一定置信水平的概率值。实际上，微电网分布式电源系统发电功率、发电量及装机容量受多种不确定性因素影响。而且，这些影响因素通常都有随机不确定性或模糊不确定性，或者他是具有随机和模糊不确定性，往往以随机和模糊不确定性事件或参量而存在。可见，微电网分布式电源系统发电功率、发电量及装机容量计算的现有技术都没有全面考虑影响因素的不确定性和随机性，计算方法适用性、实用性和应用性也难以得到满足。

发明内容

本发明的目的在于克服现有技术的不足，提供一种微电网中水风光电源容量配置的优化方法，该方法针对由水电、小风电和光伏发电组成的微电网系统，并考虑水电站入库流量、风电场风速、光伏发电站日照强度的不确定性和随机性，还考虑日照时间、日照阴影、日照偏角等的不确定性和随机性。

为实现上述目的，本发明所提供的技术方案为：

微电网中水风光电源容量配置的优化方法，包括以下步骤：

S1.构建数据矩阵；

S2.考虑径流量、来水量、入库流量、风速、日照强度、负荷为随机变量，采用C-均值模糊聚类方法对该些随机变量进行处理；

S3.构建微电网电源容量配置优化模型；

S4.采用牛顿法或内点法求解优化问题，得出微电网中水电站、风电场、光伏发电站的装机容量。

进一步地，所述步骤S1具体过程为：

从多年历史和实时数据集中获取微电网中水电站流域多年日径流量、来水量、入库流量、出库流量、洪峰流量数据，通过处理、计算和分析，构建水电站数据矩阵：

x_Hi1、x_Hi2、x_Hi3、x_Hi4、x_Hi5分别为微电网中水电站流域多年日径流量、来水量、入库流量、出库流量、洪峰流量，其单位分别为：立方米、立方米、立方米/秒、立方米/秒、立方米/秒；数据样本的数量N＝10*365，数据集的数量n＝5，i＝1,2,...,n；

获取风电场多年日风速、风级、风向、风吹时间等的数据，通过处理、计算和分析，构建风电场数据矩阵：

x_Wi1、x_Wi2、x_Wi3、x_Wi4分别为微电网中风电场多年日风速、风级、风向、风吹时间，其单位分别为：米/秒、级、度、小时；数据样本的数量N＝10*365，数据集的数量n＝4，i＝1,2,...,n；

获取光伏发电站多年日日照强度、日照偏角、日照时间、日照阴影的数据，通过处理、计算和分析，构建光伏发电站数据矩阵：

x_PVi1、x_PVi2、x_PVi3、x_PVi4分别为微电网中光伏发电站多年日日照强度、日照偏角、日照时间、日照阴影，其单位分别为：瓦/平方米、度、小时、平方米；数据样本的数量N＝10*365，数据集的数量n＝4，i＝1,2,...,n；

获取最大负荷、最小负荷、可控负荷、电冷负荷、电热负荷等的数据，通过处理、计算和分析，构建水电站数据矩阵：

x_Di1、x_Di2、x_Di3、x_Di4、x_Di5分别为微电网中水电站流域多年最大负荷、最小负荷、可控负荷、电冷负荷、电热负荷，其单位均为：kW；数据样本的数量N＝10*365，数据集的数量n＝5，i＝1,2,...,n。

进一步地，所述步骤S2具体包括：

S2-1.构建模糊聚类中心矩阵：

采用模糊聚类分析的方法，选取c＝9，即径流量、入库流量、最大发电小时数、风速、风吹时间、日照强度、日照时间均分为9级数量；构建数据集的模糊聚类中心矩阵：C＝{C₁,C₂,...,C₇},其中C_i＝{c_i1,c_i2,...,c_i9}，i＝1,2,...,c，C₁、C₂、...、C₇分别为径流量、来水量、入库流量、风速、日照强度、负荷的模糊聚类中心矩阵；

S2-2.采用模糊聚类分析方法，通过迭代计算方式，确定模糊C-均值聚类矩阵的最优值，确定径流量、来水量、入库流量、风速、日照强度、负荷模糊聚类中心矩阵的最优值。

进一步地，所述迭代计算过程如下：

1)设定模糊系数f＝2；设定迭代计算结束判定误差值ε＝0.001。

2)利用随机函数在[0,1]随机产生随机数，以初始化模糊聚类矩阵U⁽⁰⁾；

3)设定迭代次数t＝1；

4)在第t次迭代中计算模糊聚类矩阵U^(t)的元素值，元素值迭代更新公式为：

其中，d()为距离函数；

5)在第t次迭代中计算模糊聚类中心矩阵C^(t)的元素值，径流量、来水量、入库流量、风速、日照强度、负荷模糊聚类中心矩阵元素值迭代更新公式分别为：

其中，i＝1,2,...,c，j＝1,2,...,m；

6)若

则迭代计算结束，否则使t＝t+1并转到步骤4)。

进一步地，所述步骤S3的具体过程为：

考虑决策变量X＝[x₁ x₂ x₃]，x₁、x₂、x₃分别为微电网中水电站、风电场、光伏发电站的装机容量，其单位均为：kW；微电网中水电站、风电场、光伏发电站的装机容量满足微电网中水电站的弃水电量、风电场的弃风电量、光伏发电站的弃光电量三者总和最小化，其目标函数的数学表式为：

其中，k、k_GH为水电站水电机组发电效率、单位发电耗水量，H为水电站水头，k_W0、k_W1、k_W2分别为与风速相关的系数；k_PV0、k_PV1、k_PV2分别为与日照强度相关的系数，单位发电耗水量单位为：立方米/千瓦时。

进一步地，包括如下约束条件：

1)微电网中分布式电源发电功率的约束条件：微电网中水电站、风电场、光伏发电站发电功率之和要等于微电网负荷功率及配电网允许注入的功率之和：

其中

P _M分别为微电网最大、最小负荷功率，

为配电网允许注入的功率；

2)微电网中水电站发电流量的约束条件：水电站发电流量要小于流域最大流量，而要大于流域最小流量：

其中

Q _I分别为最大流量、最小流量；

3)微电网中风电场发电功率的约束条件：当风速大于切出风速时风电场发电功率等于额定功率，当风速小于切出风速而大于切入风速时风电场发电功率按照风电机组与风速的关系特性发电，当风速小于切入风速时风电场发电功率无功率输出：

其中v_in、v_out分别为切入、切出风速；

4)微电网中光伏发电站发电功率的约束条件：光伏发电站发电功率要小于其最大功率，而要大于其最小功率：

其中

P _PV分别为光伏发电站最大、最小发电功率。

与现有技术相比，本方案原理及优点如下：

本方案可以计算水风光微电网中电源容量配置，反映多年入库流量、风速和日照强度变化的不确定性和随机性，同时还反映日照时间、日照阴影、日照偏角等的不确定性和随机性，为水风光微电网电源容量配置、发电出力预测、运行调度提供理论指导，为分布式新能源发电及智能电网调度运行提供必要的技术支撑。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明微电网中水风光电源容量配置的优化方法的工作流程图；

具体实施方式

下面结合具体实施例对本发明作进一步说明：

如图1所示，本实施例所述的微电网中水风光电源容量配置的优化方法，包括以下步骤：

S1.构建数据矩阵：

从多年历史和实时数据集中获取微电网中水电站流域多年日径流量、来水量、入库流量、出库流量、洪峰流量数据，通过处理、计算和分析，构建水电站数据矩阵：

x_Hi1、x_Hi2、x_Hi3、x_Hi4、x_Hi5分别为微电网中水电站流域多年日径流量、来水量、入库流量、出库流量、洪峰流量，其单位分别为：立方米、立方米、立方米/秒、立方米/秒、立方米/秒；数据样本的数量N＝10*365，数据集的数量n＝5，i＝1,2,...,n；

获取风电场多年日风速、风级、风向、风吹时间等的数据，通过处理、计算和分析，构建风电场数据矩阵：

x_Wi1、x_Wi2、x_Wi3、x_Wi4分别为微电网中风电场多年日风速、风级、风向、风吹时间，其单位分别为：米/秒、级、度、小时；数据样本的数量N＝10*365，数据集的数量n＝4，i＝1,2,...,n；

获取光伏发电站多年日日照强度、日照偏角、日照时间、日照阴影的数据，通过处理、计算和分析，构建光伏发电站数据矩阵：

x_PVi1、x_PVi2、x_PVi3、x_PVi4分别为微电网中光伏发电站多年日日照强度、日照偏角、日照时间、日照阴影，其单位分别为：瓦/平方米、度、小时、平方米；数据样本的数量N＝10*365，数据集的数量n＝4，i＝1,2,...,n；

获取最大负荷、最小负荷、可控负荷、电冷负荷、电热负荷等的数据，通过处理、计算和分析，构建水电站数据矩阵：

x_Di1、x_Di2、x_Di3、x_Di4、x_Di5分别为微电网中水电站流域多年最大负荷、最小负荷、可控负荷、电冷负荷、电热负荷，其单位均为：kW；数据样本的数量N＝10*365，数据集的数量n＝5，i＝1,2,...,n。

S2.考虑径流量、来水量、入库流量、风速、日照强度、负荷为随机变量，采用C-均值模糊聚类方法对该些随机变量进行处理：

S2-1.构建模糊聚类中心矩阵：

采用模糊聚类分析的方法，选取c＝9，即径流量、入库流量、最大发电小时数、风速、风吹时间、日照强度、日照时间均分为9级数量；构建数据集的模糊聚类中心矩阵：C＝{C₁,C₂,...,C₇},其中C_i＝{c_i1,c_i2,...,c_i9}，i＝1,2,...,c，C₁、C₂、...、C₇分别为径流量、来水量、入库流量、风速、日照强度、负荷的模糊聚类中心矩阵；

S2-2.采用模糊聚类分析方法，通过迭代计算方式，确定模糊C-均值聚类矩阵的最优值，确定径流量、来水量、入库流量、风速、日照强度、负荷模糊聚类中心矩阵的最优值。

迭代计算过程如下：

1)设定模糊系数f＝2；设定迭代计算结束判定误差值ε＝0.001。

2)利用随机函数在[0,1]随机产生随机数，以初始化模糊聚类矩阵U⁽⁰⁾；

3)设定迭代次数t＝1；

4)在第t次迭代中计算模糊聚类矩阵U^(t)的元素值，元素值

迭代更新公式为：

其中，d()为距离函数；

5)在第t次迭代中计算模糊聚类中心矩阵C^(t)的元素值，径流量、来水量、入库流量、风速、日照强度、负荷模糊聚类中心矩阵元素值

迭代更新公式分别为：

其中，i＝1,2,...,c，j＝1,2,...,m；

6)若

则迭代计算结束，否则使t＝t+1并转到步骤4)。

S3.构建微电网电源容量配置优化模型：

考虑决策变量X＝[x₁ x₂ x₃]，x₁、x₂、x₃分别为微电网中水电站、风电场、光伏发电站的装机容量，其单位均为：kW；微电网中水电站、风电场、光伏发电站的装机容量满足微电网中水电站的弃水电量、风电场的弃风电量、光伏发电站的弃光电量三者总和最小化，其目标函数的数学表式为：

其中，k、k_GH为水电站水电机组发电效率、单位发电耗水量，H为水电站水头，k_W0、k_W1、k_W2分别为与风速相关的系数；k_PV0、k_PV1、k_PV2分别为与日照强度相关的系数，单位发电耗水量单位为：立方米/千瓦时。

包括如下约束条件：

1)微电网中分布式电源发电功率的约束条件：微电网中水电站、风电场、光伏发电站发电功率之和要等于微电网负荷功率及配电网允许注入的功率之和：

其中

P _M分别为微电网最大、最小负荷功率，

为配电网允许注入的功率；

2)微电网中水电站发电流量的约束条件：水电站发电流量要小于流域最大流量，而要大于流域最小流量：

其中

Q _I分别为最大流量、最小流量；

3)微电网中风电场发电功率的约束条件：当风速大于切出风速时风电场发电功率等于额定功率，当风速小于切出风速而大于切入风速时风电场发电功率按照风电机组与风速的关系特性发电，当风速小于切入风速时风电场发电功率无功率输出：

其中v_in、v_out分别为切入、切出风速；

4)微电网中光伏发电站发电功率的约束条件：光伏发电站发电功率要小于其最大功率，而要大于其最小功率：

其中

P _PV分别为光伏发电站最大、最小发电功率。

S4.采用牛顿法或内点法求解优化问题，得出微电网中水电站、风电场、光伏发电站的装机容量x₁、x₂、x₃。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (6)

1.微电网中水风光电源容量配置的优化方法，其特征在于，包括以下步骤：

S1.构建数据矩阵；

S2.考虑径流量、来水量、入库流量、风速、日照强度、负荷为随机变量，采用C-均值模糊聚类方法对该些随机变量进行处理；

S3.构建微电网电源容量配置优化模型；

S4.采用牛顿法或内点法求解优化问题，得出微电网中水电站、风电场、光伏发电站的装机容量。

2.根据权利要求1所述的微电网中水风光电源容量配置的优化方法，其特征在于，所述步骤S1具体过程为：

从多年历史和实时数据集中获取微电网中水电站流域多年日径流量、来水量、入库流量、出库流量、洪峰流量数据，通过处理、计算和分析，构建水电站数据矩阵：

x_Hi1、x_Hi2、x_Hi3、x_Hi4、x_Hi5分别为微电网中水电站流域多年日径流量、来水量、入库流量、出库流量、洪峰流量，其单位分别为：立方米、立方米、立方米/秒、立方米/秒、立方米/秒；数据样本的数量N＝10*365，数据集的数量n＝5，i＝1,2,...,n；

获取风电场多年日风速、风级、风向、风吹时间等的数据，通过处理、计算和分析，构建风电场数据矩阵：

x_Wi1、x_Wi2、x_Wi3、x_Wi4分别为微电网中风电场多年日风速、风级、风向、风吹时间，其单位分别为：米/秒、级、度、小时；数据样本的数量N＝10*365，数据集的数量n＝4，i＝1,2,...,n；

获取光伏发电站多年日日照强度、日照偏角、日照时间、日照阴影的数据，通过处理、计算和分析，构建光伏发电站数据矩阵：

x_PVi1、x_PVi2、x_PVi3、x_PVi4分别为微电网中光伏发电站多年日日照强度、日照偏角、日照时间、日照阴影，其单位分别为：瓦/平方米、度、小时、平方米；数据样本的数量N＝10*365，数据集的数量n＝4，i＝1,2,...,n；

获取最大负荷、最小负荷、可控负荷、电冷负荷、电热负荷等的数据，通过处理、计算和分析，构建水电站数据矩阵：

x_Di1、x_Di2、x_Di3、x_Di4、x_Di5分别为微电网中水电站流域多年最大负荷、最小负荷、可控负荷、电冷负荷、电热负荷，其单位均为：kW；数据样本的数量N＝10*365，数据集的数量n＝5，i＝1,2,...,n。

3.根据权利要求1所述的微电网中水风光电源容量配置的优化方法，其特征在于，所述步骤S2具体包括：

S2-1.构建模糊聚类中心矩阵：

采用模糊聚类分析的方法，选取c＝9，即径流量、入库流量、最大发电小时数、风速、风吹时间、日照强度、日照时间均分为9级数量；构建数据集的模糊聚类中心矩阵：C＝{C₁,C₂,...,C₇},其中C_i＝{c_i1,c_i2,...,c_i9}，i＝1,2,...,c，C₁、C₂、...、C₇分别为径流量、来水量、入库流量、风速、日照强度、负荷的模糊聚类中心矩阵；

S2-2.采用模糊聚类分析方法，通过迭代计算方式，确定模糊C-均值聚类矩阵的最优值，确定径流量、来水量、入库流量、风速、日照强度、负荷模糊聚类中心矩阵的最优值。

4.根据权利要求3所述的微电网中水风光电源容量配置的优化方法，其特征在于，所述迭代计算过程如下：

1)设定模糊系数f＝2；设定迭代计算结束判定误差值ε＝0.001。

2)利用随机函数在[0,1]随机产生随机数，以初始化模糊聚类矩阵U⁽⁰⁾；

3)设定迭代次数t＝1；

4)在第t次迭代中计算模糊聚类矩阵U^(t)的元素值，元素值

迭代更新公式为：

其中，d()为距离函数；

5)在第t次迭代中计算模糊聚类中心矩阵C^(t)的元素值，径流量、来水量、入库流量、风速、日照强度、负荷模糊聚类中心矩阵元素值

迭代更新公式分别为：

其中，i＝1,2,...,c，j＝1,2,...,m；

6)若

则迭代计算结束，否则使t＝t+1并转到步骤4)。

5.根据权利要求1所述的微电网中水风光电源容量配置的优化方法，其特征在于，所述步骤S3的具体过程为：

考虑决策变量X＝[x₁ x₂ x₃]，x₁、x₂、x₃分别为微电网中水电站、风电场、光伏发电站的装机容量，其单位均为：kW；微电网中水电站、风电场、光伏发电站的装机容量满足微电网中水电站的弃水电量、风电场的弃风电量、光伏发电站的弃光电量三者总和最小化，其目标函数的数学表式为：

其中，k、k_GH为水电站水电机组发电效率、单位发电耗水量，H为水电站水头，k_W0、k_W1、k_W2分别为与风速相关的系数；k_PV0、k_PV1、k_PV2分别为与日照强度相关的系数，单位发电耗水量单位为：立方米/千瓦时。

6.根据权利要求5所述的微电网中水风光电源容量配置的优化方法，其特征在于，包括如下约束条件：

1)微电网中分布式电源发电功率的约束条件：微电网中水电站、风电场、光伏发电站发电功率之和要等于微电网负荷功率及配电网允许注入的功率之和：

其中 P _M分别为微电网最大、最小负荷功率，

为配电网允许注入的功率；

2)微电网中水电站发电流量的约束条件：水电站发电流量要小于流域最大流量，而要大于流域最小流量：

其中

Q _I分别为最大流量、最小流量；

3)微电网中风电场发电功率的约束条件：当风速大于切出风速时风电场发电功率等于额定功率，当风速小于切出风速而大于切入风速时风电场发电功率按照风电机组与风速的关系特性发电，当风速小于切入风速时风电场发电功率无功率输出：

其中v_in、v_out分别为切入、切出风速；

4)微电网中光伏发电站发电功率的约束条件：光伏发电站发电功率要小于其最大功率，而要大于其最小功率：

其中

P _PV分别为光伏发电站最大、最小发电功率。

Images