CN111146815B - 一种智能配电网分布式发电规划配置方法 - Google Patents

Abstract

本发明公开了一种基于虚拟微网对智能配电网进行分区以及分布式发电资源优化配置的方法，首先，利用传输容量和等效阻抗两个参数来定义配电网的电气关联强度；其次，基于电气关联强度识别配电网的功能性社团结构，以所识别的功能性社团结构为单位来构造虚拟微网分区；最后，通过所识别出的虚拟微网边界作为约束条件，进一步利用遗传算法对分布式发电资源优化配置。

Description

一种智能配电网分布式发电规划配置方法

技术领域

本发明涉及对分布式发电资源优化配置的规划部署，具体涉及一种基于虚拟微网对智能配电网进行分区以及分布式发电资源优化配置的方法。

背景技术

目前，传统配电网的高效运行与发展面临着许多挑战，比如负荷增量需求、有限的扩展空间、环境问题和基础实施老化等为了克服这些挑战，有必要规划和升级传统配电网到智能配电网。概括地说，智能配电网应该包含不同类型的分布式发电及储能等分布式资源，并且拥有具有智能技术的相关设备，但这些可能会使得智能配电网的操作变得更加复杂。智能配电网应该是一个智能化和现代化的电网，对于终端负荷侧有着科学化的管理,并且在提高供电的可靠性和电能质量的同时，提高配网的经济型和灵活性。由于传统配电网建设和技术的滞后制约了智能配电网的发展和应用。因此需要做更多的调查研究，以便为传统配电网制定一个现实可行的升级计划。

如何发展智能配电网并发挥其优势，将大量现存的传统配电网升级改造，使其具备更加灵活、更具弹性和更自由操作的特性，成为了发展智能配电网的一项关键挑战。微网是当前发展智能配电网最为热门和有前景的技术之一。然而，目前为止实际建成运行的微网数量与大量现存的传统配电网相比非常有限，对于现有已经接入传统配电网的负荷，要完全重新建设微网并不可行。因此，虚拟微网(Virtual Microgrids，VMs)近年来备受关注。虚拟微网可以提供一种新的方式来升级传统配电网，它通过对传统配电网进行优化分区，将每一个区域看作微网并进行运行控制。

但是，现有关于虚拟微网的研究中，多将分布式发电等资源的配置作为已知条件进行虚拟微网的划分和运行。而另一方面，现有基于终端用户自愿随机的分布式发电的配置，容易造成配电网分布式电源的无序发展，不利于未来智能配电网的有序发展和运行控制。

例如中国发明专利《一种适应分布式发电和储能站发展的配电网规划方法》，申请号为201710852447.5，其公开了一种基于负荷节点的分布对配电网进行逐层优化的方法，虽然能够实现电网线路分布规划的效果，但是，并没有从本质上对配电网的分区及规划进行优化，其远不能达到智能配电网的发展需要。

发明内容

针对上述存在的技术问题，本发明目的是：提供一种基于虚拟微网对配电网进行分区以及分布式发电资源优化配置的方法。首先对虚拟微网定义如下：“虚拟微网是基于传统配电网结构划分的相对独立系统，具有类似于微网的控制策略和运行模式，并且能适应智能配电网的未来需求。

为了合理的表示电网在输电过程中的电气特性，使用传输容量和等效阻抗两个参数来定义了电气关联强度。之后基于电气关联强度对Newman分区算法进行改进，并对电网社团结构进行划分，同时在传统的模块度的基础上提出了电气模块度的概念。最后，通过将基于电气模块度获得的分区结果作为约束条件，进一步利用遗传算法对分布式发电的资源配置进行优化。

1.电气关联强度

在复杂网络中，邻接矩阵常用来描述节点之间的连接关系。通常邻接矩阵被用来表示无向无权重的网络，其定义如下。

电网可以看作是一种复杂网络，但直接使用邻接矩阵A_vw无法体现电网连接的电气特性。为了合理的表示电网在输电过程中的电气特性，本文使用传输容量和等效阻抗两个参数来定义了电气关联强度(Electrical coupling strength，ECS)。节点i和j之间的ECS定义为：

式(1)中：C_ij是功率从节点i注入并且在负荷节点j被提取时的传输容量，它的定义是：

式(2)中：f_l ^ij是在线路l上从节点i注入一个单位的功率到节点j时的功率传输分布因子(Power transfer distribution factor，PTDF)；P_l ^max是输电线l上的最大功率限制。

在E_ij的定义公式中，Z_ij是节点i和j之间的等效阻抗，它的定义是：

Z_ij＝z_ii-2z_ij+z_jj (3)

式(3)中：z_ij是阻抗矩阵中第i行和j列元素。

由于传输容量和等效阻抗的取值范围可能相差巨大，ECS可能会对其中一个参数更敏感。为了解决这个问题，对这两个参数进行归一化：

式(4)中：Y_ij是Z_ij的倒数；和/>分别是传输容量和等效导纳的平均值。

为了根据不同的分区目的获得不同的结果，以提高灵活性，通过改变两个参数的比例进一步改进ECS：

式(5)中：α和β是比例系数，它们的和等于1。图1表示的是这两个系数的关系。与邻接矩阵的定义不同，电气关联强度的所有非对角元素都是非零元素，因为任意两点间的电气关联强度都不为零。

2.电气模块性

将传统配电网划分为几个虚拟微网，在这些虚拟微网中的各个节点之间有着较强的电气连接，虚拟微网与复杂网络中社团具有相似的物理含义。在复杂网络理论中社团检测有很多方法，纽曼快速算法(Newman fast algorithm)是普遍并且广泛应用的一种方法。Newman算法是根据社团的拓扑结构进行社团检测，然而本发明需要根据ECS的紧密度来检测功能性社团。也就是说一个社团内部的ECS远高于外部节点之间的ECS。为了检测电网的功能性社团结构，将ECS和Newman快速算法相结合，定义了电气模块性Q_e。

式(6)中，M是整个电网中ECS的和；E_ij是节点i和j之间的电气关联强度；E_i是电气关联强度的度。Q_e可以被当作一个基准用来评价分区结果的优劣，Q_e的值越大说明分区的结果越好。

3.改进的Newman分区算法

考虑到电网的电气特性，Newman分区算法对电网应用还存在一些不足，因此，本发明用电气模块性Q_e替换了模块性Q对电网进行分区，整体分区过程如图2所示。在改进后的算法中，添加了一个步骤来确定动态边界。根据实际工程条件和约束条件，假设VM数的可能可接受范围在N_a和N_b之间(1<N_a<N_b<N_B)，N是每一步中虚拟微网的数量，N_B是配电网中节点的数量。

4.分布式发电资源配置的优化

在完成传统配电网的虚拟微网分区之后，以所获得的分区结果作为约束条件，以各虚拟微网为单位，进行分布式发电的配置在优化过程中，首先确认优化的目标函数。通常情况下，电网规划的目标是在保证正常运行的同时，将成本降低。为了达到最大的效益，最大限度减少电力损耗是第一个目标。此外，对于虚拟微网，在资源分配过程中应保证大多数功率交换发生在虚拟微网内部，因此第二个目标是减少虚拟微网边界上的潮流。最后一个目标是提高可再生能源的消纳能力，同时确保虚拟微网在孤岛情况下稳定运行。因此综合考虑以上各点，目标函数可以写成：

式(7)中：N_sc是总的情境数；P_boundaries,m场景m中所有虚拟微网的边界潮流；P_loss,m是网络中总的功率损耗；T_m是场景m的概率；C_DG是DGs的总容量；C_WT是可再生能源DG的总容量。

根据目标函数，考虑到所有控制变量存在大量的组合，本文选择遗传算法(Genetic algorithm,GA)来对DGs资源配置进行优化。在这个项目中，将GA与均值法和牛顿拉弗逊潮流计算进行结合来实现对DGs资源分配的优化。流程图如图3所示。图中S是场景数，N是迭代次数。

本发明的有益效果是：

1、能够简单有效的对传统配电网进行升级，不会因为不同终端用户的需求而受到影响，利于未来智能配电网的有序发展和运行控制。

2、资源配置的目标以降低成本、扩大效益、减少消耗、提高可是持续能力为主，因此优化后的效果也更加突出。

3、分区及优化后的电网也更容易进行科学化的管理,而且可以提高供电的可靠性和电能质量。

附图说明

图1是配电网路中复合权重之间的关系；

图2是基于电气模块度的虚拟微网分区过程；

图3配电网中可再生资源DG的分配流程图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式，对本发明进一步详细说明。

首先，对于给定的传统配电网络，根据其结构参数确定所有线路的阻抗和传输容量等参数。根据这些参数计算全网的电气关联强度。然后利用改进后的Newman分区算法对传统配电网进行划分，确定虚拟微网的边界。

之后将GA与均值法和牛顿拉弗逊潮流计算进行结合来实现对DGs(DGs为DG的复数计量表示)资源分配的优化，优化流程如图3所示。

优化目标函数可以写成：

式中：N_sc是总的情境数；P_boundaries,m场景m中所有虚拟微网的边界潮流；P_loss,m是网络中总的功率损耗；T_m是场景m的概率；C_DG是DGs的总容量；C_WT是可再生能源DG的总容量。

为了确保系统能够稳定的运行，需要制定一些约束条件和控制变量。首先，考虑到投资成本，应对总DGs的容量进行限制。

式(8)中：N_B是节点总数；C_DG,i是节点i上DGs的容量，如果节点i上没有设置DGs，则C_DG,i＝0；R是总DGs容量限制。

在优化过程中，为了确保虚拟微网在孤岛状态下对重要负荷的供电能力，因此需要对每一个虚拟微网中可控DG与重要负荷的容量关系加以约束。因此，进一步对VMs中可控的DGs的容量制定了约束条件。每个VMs中可控的DGs的容量应该大于重要负载的总峰值。

式(9)中：N_bVM是每个VMs中节点总数；是每个VMs中节点j上可控的DGs的容量，如果节点j上没有设置DGs，则/> 是每个VMs中节点j的重要负载的峰值，如果节点j上没有重要负载，则/>

可再生能源DGs的高渗透率是构建虚拟微网的一个优势，然而大多数可再生能源都是不可控的，这使得它们无法向负荷提供稳定的电能。因此，在虚拟微网构建过程中也应分别考虑可控的和不可控的DGs，从而保证系统的稳定运行。因此，设置以下控制变量。

1)可控的DGs：数量、容量、位置。

2)不可控的DGs：数量、容量、位置。

在遗传算法中，每个可能的解都称为染色体，每个变量都是染色体中的基因，而基因的数量与变量的数量总是相等的。本发明制定了三种控制变量，它们分别是DG的类型(可控或不可控)、DG的数量、DG的容量以及DG的位置。三个矩阵被用v来表示每个基因。

式(10)中：N_b是节点总数；T_yDG,i是节点i上DG的类型。在这里定义了三个数字来表示DGs的类型和是否存在DG。

因此，在第一个矩阵三个控制变量被考虑到,它们分别是DG的类型、DG的数量和DG的位置。公式中，是节点i上可控的DGs的容量；/>是节点i上不可控的DGs的容量。

GA的实现包含以下几个步骤。首先，生成初始种群，即随机产生一定数量的染色体。在遗传算法中，染色体的数量称为种群大小。然后计算每个染色体的适应度，这里的适应度就是上文中制定的目标函数。在此基础上，通过选择、交叉和变异操作，生成一个新的种群，称为子代种群。重复此过程，直到达到终止条件为止。

在使用GA来优化DGs资源分配的过程中，重要的一步是计算适应度函数，也就是目标函数，其中边界潮流和电网损耗是两个重要的参数。对于这两个参数的获取，首先使用概率分布函数(Probability distribution function，PDF)的均值来表示每个DG的出力和负荷的值。然后利用牛顿拉弗逊潮流计算得到边界潮流和电网损耗。

在建模过程中，本发明同时考虑了可控和不可控的DGs，这两种DGs的出力的获取方法也是不同的。首先对于可控的DGs，由于其发电量是可以调整的，因此这部分DGs的出力以常数的形式进行建模。

例如，将风力发电机视为不可控的DGs，根据风速的历史数据计算出输出功率，然后使用Johnson SB PDF计算风力发电机的概率分布函数，再计算PDF的均值来表示风力发电机的出力。Johnson SB PDF计算如下，

式(11)中：δ和γ是形状参数；ξ是位置参数；λ是尺度参数。

同样的，根据负荷的历史数据，使用Weibull PDF得到负荷的PDF，然后计算PDF的均值来表示负荷的值。Weibull PDF计算如下，

式(12)中：α是形状参数；γ是位置参数；β是尺度参数。

Claims (5)

1.一种智能配电网分布式发电规划配置方法，其特征在于，包括以下步骤：

1)利用传输容量和等效阻抗两个参数来定义配电网的电气关联强度；

2)基于电气关联强度识别配电网的功能性社团结构，以所识别的功能性社团结构为单位来构造虚拟微网分区；

3)通过上述所识别出的虚拟微网边界作为约束条件，进一步利用遗传算法对分布式发电资源优化配置；

所述步骤3)中优化配置的目标函数为：

其约束条件为：

式中：N_sc是总的情境数；P_boundaries,m场景m中所有虚拟微网的边界潮流；P_loss,m是网络中总的功率损耗；T_m是场景m的概率；C_DG是DGs的总容量；C_WT是可再生能源DG的总容量；

N_B是节点总数；C_DG,i是节点i上DGs的容量，R是总DGs容量限制；N_bVM是每个VMs中节点总数；是每个VMs中节点j上可控的DGs的容量，/>是每个VMs中节点j的重要负载的峰值。

2.根据权利要求1所述的智能配电网分布式发电规划配置方法，其特征在于：所述步骤1)中电气关联强度为：

其中，α和β是比例系数，z_ij是阻抗矩阵中第i行和j列元素，C_ij是功率从节点i注入并且在负荷节点j被提取时的传输容量，/>和/>分别是传输容量和等效导纳的平均值。

3.根据权利要求2所述的智能配电网分布式发电规划配置方法，其特征在于：所述步骤2)中：将电气关联强度与纽曼快速算法结合作为功能性社团结构检测的评价指标：

其中，M是整个电网中电气关联强度ECS的和，E_ij是节点i和j之间的电气关联强度。

4.根据权利要求3所述的智能配电网分布式发电规划配置方法，其特征在于：所述步骤2)中采用改进后的纽曼快速算法确定虚拟微网分区的边界；改进后的纽曼快速算法还包括一个确定虚拟微网分区动态边界的步骤。

5.根据权利要求1所述的智能配电网分布式发电规划配置方法，其特征在于：基于所述目标函数，采用遗传算法结合牛顿拉弗逊潮流算法来实现对配电网的可再生资源分配的优化。