CN111009923A - 一种含分布式电源的新型配网双层优化配置方法 - Google Patents

Abstract

本发明公开了一种含分布式电源的新型网配双层优化配置方法，涉及电力系统配电网中分布式可再生能源优化配置领域，采用由上层模型和下层模型组成的双层规划模型，其特征在于，所述上层模型用于确定潮汐发电机组的接入节点和数量，所述下层模型基于所述潮汐发电机组的输出功率的时序曲线和所述上层模型给出的所述潮汐发电机组的所述接入节点和所述数量，用于实现常规发电机组输出功率的最优调节。本发明充分挖掘现有潮汐电站发展下大量潮汐流速的历史数据，考虑潮汐涨潮、落潮所表现出的规律性，实现潮汐发电的有效模拟，并考虑潮汐发电机组接入后对配电网的影响，保障配网安全稳定运行前提下的综合经济性最优。

Description

一种含分布式电源的新型配网双层优化配置方法

技术领域

本发明涉及电力系统配电网中分布式可再生能源的优化配置领域，尤其涉及一种含分布式电源的新型配网双层优化配置方法。

背景技术

随着电网供电压力的不断增大，以及绿色用电理念的不断推广，以化石能源为主体的传统能源体系，已不适应现有的能源环境，以风能、太阳能、海洋能为主体的新能源发电体系受到广泛关注。其中海洋覆盖地球面积高达70％，海水受到引力的作用，会出现周期性涨落的潮汐现象，蕴含着大量以动能形式存在的潮汐能。潮汐能发电具有发电量大、能量密度大、绿色环保及相较于风光发电更强的可预测性等特点，具有较高的开发潜能，因而开展对潮汐能发电技术的研究，具有十分重要的现实意义。

目前已有部分学者针对潮汐能发电技术展开研究，其主要集中在潮汐能发电装置、机组控制系统、以及并网规划评估方法三个方面。其中潮汐能开发的关键问题在于潮汐能发电机的选址、定容等规划问题。因潮汐能发电机出力具有不确定性，在规划前首先需对其出力进行模拟。潮汐能发电机的出力主要取决于潮汐流速的大小，通过模拟潮汐流速，再结合流速与潮汐能发电机出力的数学关系，实现潮汐能发电机的出力模拟。有的学者采用基于概率统计的方法，综合影响潮汐流速随机性的多种因素，建立服从Wakeby分布的潮汐流速概率分布模型。目前潮汐电站建设日趋完善，易于获得大量潮汐流速历史数据，因而可将基于数据驱动的方法应用于潮汐流速模拟中。有的学者采用基于Huffman树的k-均值聚类算法，实现光伏电站运行模态建模。有的学者将k-均值聚类技术应用于潮汐流速模拟中，可获得潮汐流速的日变化规律曲线。合理的规划方案可以有效提高潮汐能利用率，降低整体的综合费用，有助于潮汐电站长期可持续运行。部分选址优化方法主要关注潮汐能的利用率，部分研究在保证机组可靠运行的前提下，以最小化机组间潮汐能损失为目标，充分考虑边界、水深及间距约束，以实现整体输出功率的最大化。有的学者以最小化潮汐发电机组单位发电成本为目标，综合考虑发电机接入的位置及间距，用二进制变量来表示潮汐发电机组的位置，进而实现位置确定。这类规划方法可以综合考虑各潮汐发电机组间的耦合关系，但无法反映潮汐发电机组接入后对网络的影响。另一类方法则将潮汐发电机组对网络的影响考虑在内。有的研究提出一种结合机组布局及集电系统优化的潮汐发电机组规划方法，考虑了其投资、收益及运行费用，实现总体收益最大化。

当前，随着潮汐电站建设日趋完善，易于获得大量潮汐流速历史数据，但现有方法无法有效利用其中蕴含的大量信息，实现海量信息的挖掘；潮汐流速表现为随机性和规律性，部分现有方法未能与其展现出的规律性有效结合；现有规划方法难以反映潮汐发电机组接入配网后对网络经济性和安全稳定性的影响。

本发明要解决的问题是如何对大量潮汐流速历史数据的信息挖掘，基于数据驱动的方法，实现潮汐流速模拟，并综合考虑潮汐发电机组接入后对配电网的影响，以配网综合经济性为目标函数，并将配网安全可靠性考虑进约束条件中，实现配网中潮汐发电机组的配置。

因此，本领域的技术人员致力于开发一种含分布式电源的新型配网双层优化配置方法，充分挖掘现有潮汐电站发展下大量潮汐流速的历史数据，考虑潮汐涨潮、落潮所表现出的规律性，实现潮汐发电的有效模拟，并考虑潮汐发电机组接入后对配电网的影响，保障配网安全稳定运行前提下的综合经济性最优

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何对大量潮汐流速历史数据的信息挖掘，基于数据驱动的方法，实现潮汐流速模拟，并综合考虑潮汐发电机组接入后对配电网的影响，以配网综合经济性为目标函数，并将配网安全可靠性考虑进约束条件中，实现配网中潮汐发电机组的配置。

为实现上述目的，本发明提供了一种含分布式电源的新型网配双层优化配置方法，采用由上层模型和下层模型组成的双层规划模型，所述上层模型用于确定潮汐发电机组的接入节点和数量，所述下层模型基于所述潮汐发电机组的输出功率的时序曲线和所述上层模型给出的所述潮汐发电机组的所述接入节点和所述数量，用于实现常规发电机组输出功率的最优调节。

进一步地，所述潮汐发电机组的输出功率与潮汐流速之间的关系可用函数进行表示，并形成所述潮汐发电机组的输出功率的时序曲线；所述潮汐发电机组的输出功率与潮汐流速之间的所述函数可表示为：

其中，V_i、V_in、V_rated、V_out分别为所述潮汐流速、潮汐发电机组切入速度、额定速度和切出速度；C_p为所述潮汐发电机组能量捕获因数；ρ为海水密度；A为所述潮汐发电机组的组叶片扫过的区域面积；P_rated为所述潮汐发电机组的额定输出功率。

进一步地，所述潮汐流速是基于K-均值聚类算法获得，聚类数选为2，并形成潮汐流速的时序曲线。

进一步地，所述上层模型的目标函数是：

MinC＝min((C_invest+C_maint+C_thermal-C_loss-C_exhaust)/(P_tidal+P_other))

其中，C表示年综合单位发电成本(元)，使该成本最小的所述潮汐发电机组的配置方案，即为所求最佳方案；C_invest表示所述潮汐发电机组的年投资成本(万元)；r表征折现率；n表征为线路中接入所述潮汐发电机组的使用寿命(年)；N_tidal表示所述潮汐发电机组接入的待选的所述节点的集合；c_j表征第j个待选的所述节点上接入的单台所述潮汐发电机组的投资成本(万元)；s_j表征第j个待选的所述节点上接入的所述潮汐发电机组的数量；C_maint表示系统中所述潮汐发电机组的年运行维护成本(万元)；每台所述潮汐发电机组的年运行成本为一定值，系统总的年运行维护成本与系统中接入的所述潮汐发电机组总数量有关；c_main表征单台所述潮汐发电机组的年运行维护成本(万元)；C_thermal表示系统中火力发电机的年运行维护成本(万元)；N表示所述火力发电机组接入的所述节点的集合；c_thermal表征单台所述火力发电机组的年运行维护成本(万元)；s_k表征第k个所述节点上接入的所述火力发电机组的数量；C_loss表示系统中节约的网络损耗费用；t_i表示第i个时间段的运行时间；T为总的时间段数；α_loss表示网损电价(元/MWh)；t_iP_loss,i表示第i个时间段节约的网络损耗电量(MWh)；C_exhaust表示系统中减少废气排放的收益值；i表示第i个时间段；α_CO2、α_SO2、α_NOx分别表示为CO₂、SO₂、NO_x的单位排放费用(元/MWh)；E_CO2,i、E_SO2,i、E_NOx,i分别表示i时段CO₂、SO₂、NO_x的减排量(MW h)。

进一步地，所述上层模型的约束条件是：

U_i,min≤U_i≤U_i,max

s_i≤s_max

其中，P_is和Q_is分别表示接入的节点i的有功功率和无功功率；U_i为节点i的电压幅值；θ_ij为节点i和j的电压相位差；G_ij、B_ij分别为系统导纳矩阵的实部和虚部；U_i,min、U_i,max分别表示节点i的电压的上限和下限；s_i表示节点i接入的所述潮汐发电机组的数量；s_max表示节点i处接入的所述潮汐发电机组的数量的最大值。

进一步地，所述下层模型的目标函数和约束条件是：

s.t.P(θ,V)-P_gi+P_di＝0

Q(θ,V)-Q_gi+Q_di＝0

其中，f_1i和f_2i分别表示常规发电机组在给定功率上的有功功率和无功功率时的成本。

进一步地，所述上层模型采用遗传算法求解，所述下层模型采用对偶内点法求解。

进一步地，所述遗传算法中，决策变量为每个待选的所述节点接入的所述潮汐发电机组的数量。

进一步地，所述遗传算法中，适应度函数结合自适应罚函数来设置。

进一步地，所述自适应罚函数为：

其中，

ΔU_i(x)表示第i个种群中的个体x经潮流计算得到的所述节点的电压最大越限值；ΔU_i ^max表示第i个种群所有个体中，所述节点的电压的越限最大值；α为惩罚因子，其取值与所述节点的所述电压的越限程度相关，p(x)表示所述自适应罚函数的值；所述适应度函数为：

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的含分布式电源的新型网配双层优化配置方法的双层规划模型示意图；

图2是本发明的双层规划模型求解的流程图；

图3是本发明的潮汐流速聚类曲线图；

图4是本发明的潮汐发电机组功率输出曲线图；

图5是本发明的30节点的配电网模型图；

图6使本发明的三种场景下发电量的柱状图。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

潮汐发电机组与风力发电机具有相似的机组构造及工作原理，但因流体性质不同，具有不同的规律。风力发电呈现为风速的强烈随机性，而潮汐发电受天体变化的影响，表现为潮汐流速一定的时序规律性，因而潮汐能发电的功率模拟需结合潮汐特性进行研究。本专利关注潮汐能发电的随机性及规律性，选取基于数据挖掘的k-均值法，通过历史数据聚类获得潮汐流速时序曲线，实现潮汐能发电模拟。

聚类过程以数据集中数据对象间的相似度为标准，将数据对象划分到不同簇中，使得同一簇内的数据对象具有较高的相似性，且不同簇间的数据对象具有较高的相异性。其中，k-均值聚类法因其效率高、易于实现扩展等特性，在科学和工业领域广受欢迎并大量应用。

k-均值聚类法通过采用迭代思想，将簇集中的元素按照一定规则不断移动，直至所得簇集满足规定条件为止。其具体过程如下：

步骤1：输入原始数据集X＝[x₁,x₂,…,x_i,…,x_N]，及聚类数目k。从N个数据对象中随机选取k个数据对象，将其作为初始簇的聚类中心。

步骤2：计算其余数据对象与每个簇的聚类中心间的距离(相似度)，将数据分配到距离最近的聚类中心所在的簇。假设第j个簇的聚类中心为c_j，则任意数据对象x_i与该聚类中心的距离如下式所示：

式中，x_ik和c_jk分别表示数据对象x_i和聚类中心c_j的第个特征。

步骤3：所有数据分配完成后，计算每个簇中所有数据的均值，作为该簇新的聚类中心。假设分配结果中，第j个簇中包含m个样本，表示为[x_j1,x_j2,...,x_jm]，则该簇新的聚类中心如下式所示：

同样按照最近邻原则，对数据点重新分配并更新聚类中心。

步骤4：通过不断迭代，直到聚类中心不再变化或聚类准则函数收敛为止，并输出聚类结果。一般聚类准则函数选用均方差值，其表达式为：

以Mile Point LB 20潮汐电站每天24小时每6分钟的潮汐流速数据为聚类对象，采用k-均值法，得到潮汐流速在涨潮和落潮两个典型场景下的潮汐流速聚类曲线如图3所示。图3中实线曲线和虚线曲线分别表示两个典型场景的潮汐流速聚类结果，其中潮汐流速均呈峰谷型上下波动，且聚类曲线的峰、谷值对应的时刻间隔大致相同，体现出潮汐流速的规律性，证实了采用k-均值法的合理性。

经过潮汐流式发电机组的功率输出与潮汐流速之间数学关系的转换，可得到两种典型场景下的潮汐发电机组功率输出曲线如图4所示。图中虚线曲线和点划线曲线分别表示两种典型场景下潮汐发电机组功率输出结果，实线所示曲线综合表示潮汐发电机组一天24小时的输出情况。潮汐发电机组功率输出曲线也呈现出类似的峰谷型曲线，则当多种分布式电源接入时，可结合不同分布式电源的输出特点，使其输出功率互补，降低并网时对系统的影响。

选择30节点配电系统作为算例，其系统接线图如图5所示，决策变量选为待选节点潮汐发电机组的接入台数。其中，优先将潮汐发电机组安装在系统中较大负荷节点上，选取潮汐发电机组的待选节点为节点5、节点7和节点8。假设各个待选节点上潮汐发电机组的可安装容量相同，接入的潮汐发电机组台数限制为7台。种群规模设置为100，交叉的概率取为0.7，变异的概率取为0.05，迭代次数为50次。

设置多个场景，用于对比不同指标对结果的影响，具体场景设置方案如表1所示。

表1 场景设置方案

考虑因素	场景1	场景2	场景3
				是否接入潮汐发电机组	是	否	是
是否考虑环保效益	是	/	否

通过编程仿真，得到最佳配置方案及对应的各指标的值如表2所示。

表2 潮汐发电机组配置方案

注：5(6)表示5号节点接入了6台1.2MW的潮汐发电机组。

绘制三个场景的系统年总发电量及其他常规机组的年总发电量柱状图如图5所示。通过分析表2中的结果，可得到如下结论：

场景1中三个待选节点处，潮汐发电机组的接入台数均接近上限。表明潮汐发电机组的接入，减少了其他机组的发电费用、并获取减少废气排放及减少网损的收益，可弥补其投资运行费用较高的不足，实现对潮汐能的充分利用。

结合图6，对比场景1及场景2的结果可知，接入潮汐发电机组后，常规机组减少了35％的出力，系统的年总发电量增长了49％。由此可知，配网中潮汐发电机组的出力较大，可有效缓解传统石油资源压力，促使发电清洁化转型。此外，系统的年综合单位发电成本变为负值，即系统的收益大于支出。证实了接入潮汐发电机组的经济性，及本专利潮汐发电机组规划的可行性。

通过对比场景1和场景3的配置结果，可知不计及环保效益时，系统中可接入的潮汐发电机组台数减少，系统总发电量减少了9％，且系统的年综合单位发电成本大幅增加。通过对比场景2和场景3的配置结果，可知不考虑环保效益时，接入潮汐发电机组后，系统的年总发电量仅提升了35％，但系统的年综合单位发电成本却是原有成本的1.46倍。由此可见，减少废气排放的收益值对潮汐发电机组在配网中的配置方案有决定性影响，若要促进对潮汐能的应用，则应重视环保相关费用的制定，也可对潮汐能发电厂做适当补贴。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种含分布式电源的新型网配双层优化配置方法，采用由上层模型和下层模型组成的双层规划模型，其特征在于，所述上层模型用于确定潮汐发电机组的接入节点和数量，所述下层模型基于所述潮汐发电机组的输出功率的时序曲线和所述上层模型给出的所述潮汐发电机组的所述接入节点和所述数量，用于实现常规发电机组输出功率的最优调节。

2.如权利要求1所述的含分布式电源的新型网配双层优化配置方法，其特征在于，所述潮汐发电机组的输出功率与潮汐流速之间的关系可用函数进行表示，并形成所述潮汐发电机组的输出功率的时序曲线；所述潮汐发电机组的输出功率与潮汐流速之间的所述函数可表示为：

其中，V_i、V_in、V_rated、V_out分别为所述潮汐流速、潮汐发电机组切入速度、额定速度和切出速度；C_p为所述潮汐发电机组能量捕获因数；ρ为海水密度；A为所述潮汐发电机组的组叶片扫过的区域面积；P_rated为所述潮汐发电机组的额定输出功率。

3.如权利要求2所述的含分布式电源的新型网配双层优化配置方法，其特征在于，所述潮汐流速是基于K-均值聚类算法获得，聚类数选为2，并形成潮汐流速的时序曲线。

4.如权利要求3所述的含分布式电源的新型网配双层优化配置方法，其特征在于，所述上层模型的目标函数是：

MinC＝min((C_invest+C_maint+C_thermal-C_loss-C_exhaust)/(P_tidal+P_other))

其中，C表示年综合单位发电成本(元)，使该成本最小的所述潮汐发电机组的配置方案，即为所求最佳方案；C_invest表示所述潮汐发电机组的年投资成本(万元)；r表征折现率；n表征为线路中接入所述潮汐发电机组的使用寿命(年)；N_tidal表示所述潮汐发电机组接入的待选的所述节点的集合；c_j表征第j个待选的所述节点上接入的单台所述潮汐发电机组的投资成本(万元)；s_j表征第j个待选的所述节点上接入的所述潮汐发电机组的数量；C_maint表示系统中所述潮汐发电机组的年运行维护成本(万元)；每台所述潮汐发电机组的年运行成本为一定值，系统总的年运行维护成本与系统中接入的所述潮汐发电机组总数量有关；c_main表征单台所述潮汐发电机组的年运行维护成本(万元)；C_thermal表示系统中火力发电机的年运行维护成本(万元)；N表示所述火力发电机组接入的所述节点的集合；c_thermal表征单台所述火力发电机组的年运行维护成本(万元)；s_k表征第k个所述节点上接入的所述火力发电机组的数量；C_loss表示系统中节约的网络损耗费用；t_i表示第i个时间段的运行时间；T为总的时间段数；α_loss表示网损电价(元/MWh)；t_iP_loss,i表示第i个时间段节约的网络损耗电量(MWh)；C_exhaust表示系统中减少废气排放的收益值；i表示第i个时间段；α_CO2、α_SO2、α_NOx分别表示为CO₂、SO₂、NO_x的单位排放费用(元/MWh)；E_CO2,i、E_SO2,i、E_NOx,i分别表示i时段CO₂、SO₂、NO_x的减排量(MW h)。

5.如权利要求4所述的含分布式电源的新型网配双层优化配置方法，其特征在于，所述上层模型的约束条件是：

U_i,min≤U_i≤U_i,max

s_i≤s_max

其中，P_is和Q_is分别表示接入的节点i的有功功率和无功功率；U_i为节点i的电压幅值；θ_ij为节点i和j的电压相位差；G_ij、B_ij分别为系统导纳矩阵的实部和虚部；U_i,min、U_i,max分别表示节点i的电压的上限和下限；s_i表示节点i接入的所述潮汐发电机组的数量；s_max表示节点i处接入的所述潮汐发电机组的数量的最大值。

6.如权利要求5所述的含分布式电源的新型网配双层优化配置方法，其特征在于，所述下层模型的目标函数和约束条件是：

s.t.P(θ,V)-P_gi+P_di＝0

Q(θ,V)-Q_gi+Q_di＝0

V_i ^min≤V_i≤V_i ^max

P_i ^min≤P_i≤P_i ^max

其中，f_1i和f_2i分别表示常规发电机组在给定功率上的有功功率和无功功率时的成本。

7.如权利要求6所述的含分布式电源的新型网配双层优化配置方法，其特征在于，所述上层模型采用遗传算法求解，所述下层模型采用对偶内点法求解。

8.如权利要求7所述的含分布式电源的新型网配双层优化配置方法，其特征在于，所述遗传算法中，决策变量为每个待选的所述节点接入的所述潮汐发电机组的数量。

9.如权利要求8所述的含分布式电源的新型网配双层优化配置方法，其特征在于，所述遗传算法中，适应度函数结合自适应罚函数来设置。

10.如权利要求9所述的含分布式电源的新型网配双层优化配置方法，其特征在于，所述自适应罚函数为：

其中，

ΔU_i(x)表示第i个种群中的个体x经潮流计算得到的所述节点的电压最大越限值；ΔU_i ^max表示第i个种群所有个体中，所述节点的电压的越限最大值；α为惩罚因子，其取值与所述节点的所述电压的越限程度相关，p(x)表示所述自适应罚函数的值；所述适应度函数为：

Images