CN111384729A - 一种基于边缘计算的分布式电源调度控制方法 - Google Patents

Abstract

本发明涉及配电网技术领域，具体涉及一种基于边缘计算的分布式电源调度控制方法，包括以下步骤：A）获取目标配网的拓扑结构和调度数据，列举目标配网中的变压器、储能设备和风光电站；B）读取下一时段负载的有功功率预测值和无功功率预测值，风光电站出力预测；C）计算特征值，若特征值小于设定阈值，则进入步骤E）；D）风光电站仅输出有功功率，返回步骤B）；E）计算风光电站输出有功功率和无功功率比值；F）风光电站的实时出力按比值分别作为有功功率和无功功率输出，返回步骤B）。本发明的实质性效果是：降低了出力不稳定的可再生能源电站接入配电网时对配电网的影响，有利于扩大可再生能源的接入，适合高渗透率的配电网。

Description

一种基于边缘计算的分布式电源调度控制方法

技术领域

本发明涉及配电网技术领域，具体涉及一种基于边缘计算的分布式电源调度控制方法。

背景技术

分布式电源装置是指功率为数千瓦至50MW小型模块式的、与环境兼容的独立电源，主要包括发电设备和储能装置。分布式能源系统并不是简单地采用传统的发电技术，而是建立在自动控制系统、先进的材料技术、灵活的制造工艺等新技术的基础上，具有低污染排放，灵活方便，高可靠性和高效率的新型能源生产系统。近年来随着风能以及光能发电场的快速建设，大量的分布式电源并网投产。造成配网中可再生能源的渗透率快速上升，馈线潮流倒送、局部过电压问题出现，影响供电安全。为应对高密度分布式电源对未来电网发展带来的不利影响，需要研究更为合理的分布式电源就地控制技术。

如中国专利CN103986239B，公开日2016年5月25日，一种适应分布式电源接入的智能分布式FA控制方法，分布式电源接入配电网，配电网系统由原先的单电源辐射状网络变成含多分布式电源的弱环网络，前对现有的基于辐射状配网的分布式FA控制方法进行改进，采用基于XML的相邻节点自描述技术、基于GOOSE的区域信息共享技术、基于功率方向自适应的故障定位技术，实现了一种适应分布式电源接入的智能分布式FA控制方法。其技术方案能够用于多分布式电源接入的多分支复杂配电网网架结构。但其仅能够解决接入问题，不能解决目前分布式电源对电网运行稳定性影响的问题。

发明内容

本发明要解决的技术问题是：目前可再生能源利用率不高的技术问题。提出了一种适合高渗透率配电网的基于边缘计算的分布式电源调度控制方法。本方法能够更加合理的调度可再生能源发电站，提高配网的安全性和稳定性。

为解决上述技术问题，本发明所采取的技术方案为：一种基于边缘计算的分布式电源调度控制方法，包括以下步骤：A)获取目标配网的拓扑结构和调度数据，列举目标配网中的变压器T_i,i∈[1,n]、储能设备E_i,i∈[1,m]和风光电站G_i,i∈[1,l]，m、n以及l分别为储能设备、变压器以及风光电站的数量，将一日按96个时段划分t_j,j∈[1,96]；B)时段t_j结束前，读取下一时段t_j+1负载的有功功率预测值

和无功功率预测值

预测风光电站G_i下一时段出力预测

C)计算下一时段特征值

若特征值

小于设定阈值λ_thr，则进入步骤E)，反之，进入步骤D)；D)风光电站G_i仅输出有功功率，t_j+1时段内，风光电站G_i的实时出力为

并全部作为有功功率输出，根据储能设备E_i的储能量控制储能设备E_i的充放状态及充放功率，返回步骤B)执行；E)计算

风光电站G_i输出有功功率

和无功功率

满足

t_j+1时段内，风光电站G_i的无功功率

保持不变，风光电站G_i的实时出力

波动体现在有功功率

上；F)t_j+1时段内，风光电站G_i的实时出力为

其中

作为有功功率输出，

作为无功功率输出，根据储能设备E_i的储能量控制储能设备E_i的充放状态及充放功率，返回步骤B)执行。风光电站仅输出有功功率时，会导致配网中的变压器的功率因数下降，导致变压器工作不稳定，影响配网安全。为了保证配网的安全性，目前常采用弃风弃光的方式，限制风光电站的出力上限，导致能源的浪费。当配网中的无功功率占比较大时，调度分布式电源输出部分无功功率，能够提高微电网的稳定性，显著降低传统能源为适应可再生能源接入而新增的成本，适合具有高渗透率的可再生能源的微电网的调度。

作为优选，步骤B)中，预测风光电站G_i下一时段出力预测

的方法为：B11)建立风光电站G_i的评价指数

的值为1；B12)时段t_j期间，以设定频率对风光电站G_i的实时出力

进行采样，获得采样集合

时段t_j末，根据采样集合

计算出下一时段的风光电站G_i的评价指数

的值；B13)通过风光电站G_i的超短期出力模型获得风光电站G_i的超短期出力预测

B14)将

作为下一时段出力预测

的值。风光电站的超短期出力预测具有多种已公开的预测模型，但模型根据风光电站的共性得出超短期出力预测，评价指数能够反映实际情况下模型预测结果与实际结果的偏差，体现风光电站之间以及同一风光电站不同时段的差异性，用以修正模型预测的误差，提高出力预测的准确性。

作为优选，步骤B12)中，根据采样集合

计算出下一时段的风光电站G_i的评价指数

的值的方法包括：B121)计算采样集合

的平均值

剔除采样集合

中比平均值

大的数据；B122)计算剩余样本与平均值

的差值，计算该差值的绝对值与平均值

的比值，获得比值集合

B122)计算比值集合

的标准差

将

作为下一时段的风光电站G_i的评价指数

的值。标准差能够反应风电出力的离散情况，离散越严重表示风电出力波动越剧烈，而对系统运行成本影响最主要的风电出力波动的波谷数量和幅度，波峰虽然会带来常规机组变功率费用，但会降低常规机组的出力值，使其带来的效益大于费用，所以剔除波峰后计算波谷分布的标准差，用于反应风电场风电质量。

作为优选，步骤D)中，在时段t_j+1内，若

大于

则储能设备E_i,i∈[1,m]以功率

进行充电，即

为储能设备E_i的实时充电功率,k为设定裕度系数，k>1。储能设备E_i,i∈[1,m]的调度灵活性高于风光电场，且调度不会造成能源的浪费。

作为优选，步骤D)还包括对储能设备E_i,i∈[1,m]的实时充电功率的优化过程，包括：D11)计算储能设备E_i,i∈[1,m]的总充电功率

D12)将时段t_j+1划分为N个小周期，建立评价函数

其中z表示小周期序数，

为馈线i在时段t_j+1的第z个小周期的平均负载，

为馈线i的负载上限,h是馈线数量；D13)在第z个小周期开始前的设定时刻，以第(z-1)个小周期至当前时刻内的风光电站G_i的实时出力

的均值计算

的值；D14)使用粒子群算法，获得使评价函数

值最小的储能设备E_i,i∈[1,m]的实时充电功率，在下一个小周期开始前的设定时刻返回步骤D13)执行。通过边缘计算，实现储能设备就地小周期调度协调，提高能源利用效率。

作为优选，步骤E)中，计算风光电站G_i,i∈[1,l]的工作功率因数

时段t_j+1内有功功率

和无功功率

的分配使

总是成立，λ′_thr为设定阈值，λ′_thr>λ_thr。确保风光电站的工作状态处于较佳水平，避免过多的可再生能源浪费。

作为优选，步骤E)中，风光电站G_i,i∈[1,l]的有功功率

和无功功率

的分配方法包括：E11)建立评价函数

为馈线i在时段t_j+1内传递的平均有功功率，

为馈线i在时段t_j+1内传递的平均无功功率，

为馈线i的负载上限,h是馈线数量；E12)使用粒子群算法，获得使评价函数

值最小的风光电站G_i,i∈[1,l]的无功功率

值，有功功率

作为优选，步骤F)中，t_j+1时段内，周期性监测风光电站G_i的实时出力

t_j+1时段结束前，若实时出力

的均值大于

则μ为裕度系数，μ>1，则增加储能设备E_i,i∈[1,m]的充电功率预期。

本发明的实质性效果是：通过合理调度，降低了出力不稳定的可再生能源电站接入配电网时对配电网的影响，降低了可再生能源接入运行的成本，有利于扩大可再生能源的接入，适合高渗透率的配电网，通过边缘计算实现就地控制，提高了配电网的控制精准度，提高了能源利用效率和配电网的稳定性。

附图说明

图1为实施例一分布式电源调度控制方法的流程框图。

图2为实施例一风光电站出力预测方法的流程框图。

图3为实施例一储能设备充电功率优化方法的流程框图。

具体实施方式

下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。

实施例一：

一种基于边缘计算的分布式电源调度控制方法，如图1所示，本实施例包括以下步骤：A)获取目标配网的拓扑结构和调度数据，列举目标配网中的变压器T_i,i∈[1,n]、储能设备E_i,i∈[1,m]和风光电站G_i,i∈[1,l]，m、n以及l分别为储能设备、变压器以及风光电站的数量，将一日按96个时段划分t_j,j∈[1,96]。

B)时段t_j结束前，读取下一时段t_j+1负载的有功功率预测值

和无功功率预测值

预测风光电站G_i下一时段出力预测

如图2所示，预测风光电站G_i下一时段出力预测

的方法为：B11)建立风光电站G_i的评价指数

的值为1；B12)时段t_j期间，以设定频率对风光电站G_i的实时出力

进行采样，获得采样集合

时段t_j末，根据采样集合

计算出下一时段的风光电站G_i的评价指数

的值；B13)通过风光电站G_i的超短期出力模型获得风光电站G_i的超短期出力预测

B14)将

作为下一时段出力预测

的值。风光电站的超短期出力预测具有多种已公开的预测模型，但模型根据风光电站的共性得出超短期出力预测，评价指数能够反映实际情况下模型预测结果与实际结果的偏差，体现风光电站之间以及同一风光电站不同时段的差异性，用以修正模型预测的误差，提高出力预测的准确性。

步骤B12)中，根据采样集合

计算出下一时段的风光电站G_i的评价指数

的值的方法包括：B121)计算采样集合

的平均值

剔除采样集合

中比平均值

大的数据；B122)计算剩余样本与平均值

的差值，计算该差值的绝对值与平均值

的比值，获得比值集合

B122)计算比值集合

的标准差

将

作为下一时段的风光电站G_i的评价指数

的值。标准差能够反应风电出力的离散情况，离散越严重表示风电出力波动越剧烈，而对系统运行成本影响最主要的风电出力波动的波谷数量和幅度，波峰虽然会带来常规机组变功率费用，但会降低常规机组的出力值，使其带来的效益大于费用，所以剔除波峰后计算波谷分布的标准差，用于反应风电场风电质量。

C)计算下一时段特征值

若特征值

小于设定阈值λ_thr，则进入步骤E)，反之，进入步骤D)。

D)风光电站G_i仅输出有功功率，t_j+1时段内，风光电站G_i的实时出力为

并全部作为有功功率输出，根据储能设备E_i的储能量控制储能设备E_i的充放状态及充放功率，返回步骤B)执行。在时段t_j+1内，若

大于

则储能设备E_i,i∈[1,m]以功率

进行充电，即

为储能设备E_i的实时充电功率,k为设定裕度系数，k>1。储能设备E_i,i∈[1,m]的调度灵活性高于风光电场，且调度不会造成能源的浪费。

步骤D)还包括对储能设备E_i,i∈[1,m]的实时充电功率的优化过程，如图3所示，包括：D11)计算储能设备E_i,i∈[1,m]的总充电功率

D12)将时段t_j+1划分为N个小周期，建立评价函数

其中z表示小周期序数，

为馈线i在时段t_j+1的第z个小周期的平均负载，

为馈线i的负载上限,h是馈线数量；D13)在第z个小周期开始前的设定时刻，以第(z-1)个小周期至当前时刻内的风光电站G_i的实时出力

的均值计算

的值；D14)使用粒子群算法，获得使评价函数

值最小的储能设备E_i,i∈[1,m]的实时充电功率，在下一个小周期开始前的设定时刻返回步骤D13)执行。通过边缘计算，实现储能设备就地小周期调度协调，提高能源利用效率。

E)计算

风光电站G_i输出有功功率

和无功功率

满足

t_j+1时段内，风光电站G_i的无功功率

保持不变，风光电站G_i的实时出力

波动体现在有功功率

上。计算风光电站G_i,i∈[1,l]的工作功率因数

时段t_j+1内有功功率

和无功功率

的分配使

总是成立，λ′_thr为设定阈值，λ′_thr>λ_thr。风光电站G_i,i∈[1,l]的有功功率

和无功功率

的分配方法包括：E11)建立评价函数

为馈线i在时段t_j+1内传递的平均有功功率，

为馈线i在时段t_j+1内传递的平均无功功率，

为馈线i的负载上限,h是馈线数量；E12)使用粒子群算法，获得使评价函数

值最小的风光电站G_i,i∈[1,l]的无功功率

值，有功功率

F)t_j+1时段内，风光电站G_i的实时出力为

其中

作为有功功率输出，

作为无功功率输出，根据储能设备E_i的储能量控制储能设备E_i的充放状态及充放功率，返回步骤B)执行。t_j+1时段内，周期性监测风光电站G_i的实时出力

t_j+1时段结束前，若实时出力

的均值大于

则μ为裕度系数，μ>1，则增加储能设备E_i,i∈[1,m]的充电功率预期。

本实施例具有以下有益效果，风光电站仅输出有功功率时，会导致配网中的变压器的功率因数下降，导致变压器工作不稳定，影响配网安全。为了保证配网的安全性，目前常采用弃风弃光的方式，限制风光电站的出力上限，导致能源的浪费。当配网中的无功功率占比较大时，调度分布式电源输出部分无功功率，能够提高微电网的稳定性，降低了出力不稳定的可再生能源电站接入配电网时对配电网的影响，有利于扩大可再生能源的接入，适合高渗透率的配电网。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (8)

1.一种基于边缘计算的分布式电源调度控制方法，其特征在于，

包括以下步骤：

A)获取目标配网的拓扑结构和调度数据，列举目标配网中的变压器T_{i，i∈[1，n]}、储能设备E_{i，i∈[1，m]}和风光电站G_{i，i∈[1，l]}，m、n以及l分别为储能设备、变压器以及风光电站的数量，将一日按96个时段划分t_{j，j∈[1，96]}；

B)时段t_j结束前，读取下一时段t_j+1负载的有功功率预测值

和无功功率预测值

预测风光电站G_i下一时段出力预测

C)计算下一时段特征值

若特征值

小于设定阈值λ_thr，则进入步骤E)，反之，进入步骤D)；

D)风光电站G_i仅输出有功功率，t_j+1时段内，风光电站G_i的实时出力为

并全部作为有功功率输出，返回步骤B)执行；

E)计算

风光电站G_i输出有功功率

和无功功率

满足

t_j+1时段内，风光电站G_i的无功功率

保持不变，风光电站G_i的实时出力

波动体现在有功功率

上；

F)t_j+1时段内，风光电站G_i的实时出力为

其中

作为有功功率输出，

作为无功功率输出，返回步骤B)执行。

2.根据权利要求1所述的一种基于边缘计算的分布式电源调度控制方法，其特征在于，

步骤B)中，预测风光电站G_i下一时段出力预测

的方法为：

B11)建立风光电站G_i的评价指数

的值为1；

B12)时段t_j期间，以设定频率对风光电站G_i的实时出力

进行采样，获得采样集合

时段t_j末，根据采样集合

计算出下一时段的风光电站G_i的评价指数

的值；

B13)通过风光电站G_i的超短期出力模型获得风光电站G_i的超短期出力预测

B14)将

作为下一时段出力预测

的值。

3.根据权利要求2所述的一种基于边缘计算的分布式电源调度控制方法，其特征在于，

步骤B12)中，根据采样集合

计算出下一时段的风光电站G_i的评价指数

的值的方法包括：

B121)计算采样集合

的平均值

剔除采样集合

中比平均值

大的数据；

B122)计算剩余样本与平均值

的差值，计算该差值的绝对值与平均值

的比值，获得比值集合

B122)计算比值集合

的标准差

将

作为下一时段的风光电站G_i的评价指数

的值。

4.根据权利要求2或3所述的一种基于边缘计算的分布式电源调度控制方法，其特征在于，

步骤D)中，在时段t_j+1内，若

大于

则储能设备E_{i，i∈[1，m]}以功率

进行充电，即

为储能设备E_i的实时充电功率,k为设定裕度系数，k＞1。

5.根据权利要求4所述的一种基于边缘计算的分布式电源调度控制方法，其特征在于，

步骤D)还包括对储能设备E_{i，i∈[1，m]}的实时充电功率的优化过程，包括：

D11)计算储能设备E_{i，i∈[1，m]}的总充电功率

D12)将时段t_j+1划分为N个小周期，建立评价函数

其中z表示小周期序数，

为馈线i在时段t_j+1的第z个小周期的平均负载，

为馈线i的负载上限,h是馈线数量；

D13)在第z个小周期开始前的设定时刻，以第(z-1)个小周期至当前时刻内的风光电站G_i的实时出力

的均值计算

的值；

D14)使用粒子群算法，获得使评价函数

值最小的储能设备E_{i，i∈[1，m]}的实时充电功率，在下一个小周期开始前的设定时刻返回步骤D13)执行。

6.根据权利要求1或2或3所述的一种基于边缘计算的分布式电源调度控制方法，其特征在于，

步骤E)中，计算风光电站G_{i，i∈[1，l]}的工作功率因数

时段t_j+1内有功功率

和无功功率

的分配使

总是成立，λ′_thr为设定阈值，λ′_thr＞λ_thr。

7.根据权利要求1或2或3所述的一种基于边缘计算的分布式电源调度控制方法，其特征在于，

步骤E)中，风光电站G_{i，i∈[1，l]}的有功功率

和无功功率

的分配方法包括：

E11)建立评价函数

为馈线i在时段t_j+1内传递的平均有功功率，

为馈线i在时段t_j+1内传递的平均无功功率，

为馈线i的负载上限,h是馈线数量；

E12)使用粒子群算法，获得使评价函数

值最小的风光电站G_{i，i∈[1，l]}的无功功率

值，有功功率

8.根据权利要求1或2或3所述的一种基于边缘计算的分布式电源调度控制方法，其特征在于，

步骤F)中，t_j+1时段内，周期性监测风光电站G_i的实时出力

t_j+1时段结束前，若实时出力

的均值大于

则μ为裕度系数，μ＞1，则增加储能设备E_{i，i∈[1，m]}的充电功率预期。

Images