CN111401696A - 一种计及可再生资源不确定性的配电系统协调规划方法 - Google Patents

一种计及可再生资源不确定性的配电系统协调规划方法 Download PDF

Info

Publication number
CN111401696A
CN111401696A CN202010128373.2A CN202010128373A CN111401696A CN 111401696 A CN111401696 A CN 111401696A CN 202010128373 A CN202010128373 A CN 202010128373A CN 111401696 A CN111401696 A CN 111401696A
Authority
CN
China
Prior art keywords
model
energy storage
electric vehicle
power supply
planning
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.)
Granted
Application number
CN202010128373.2A
Other languages
English (en)
Other versions
CN111401696B (zh
Inventor
陈轶玮
马宇辉
周满
汤易
徐华
朱涛
钟磊
高强
王林梅
张晶
高挺
吴志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Southeast University
Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University, Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Southeast University
Priority to CN202010128373.2A priority Critical patent/CN111401696B/zh
Publication of CN111401696A publication Critical patent/CN111401696A/zh
Application granted granted Critical
Publication of CN111401696B publication Critical patent/CN111401696B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种计及可再生资源不确定性的配电系统协调规划方法，包括分布式电源、电动汽车充电站、储能协调规划方法；步骤是：步骤1，对规划问题中的相关资源进行建模；步骤2，以网损最小为目标，构建分布式电源、电动汽车充电站、储能协调规划模型，该模型是一个混合整数非线性规划模型；步骤3，针对上述的模型，采用精确的二阶锥松弛技术对所构建的优化模型进行等价处理，将上述模型转换为混合整数二阶锥规划模型进行求解；步骤4，求解所述步骤3中得到的优化模型，得到分布式电源、电动汽车充电站、储能的协调规划结果。此种方法可实现系统网损最小。

Description

一种计及可再生资源不确定性的配电系统协调规划方法
技术领域
本发明属于配电网运行控制领域，涉及一种配电系统中分布式电源、电动汽车充电站、储能的协调规划方法，更具体地，涉及一种计及可再生资源不确定性的分布式电源、电动汽车充电站、储能协调规划方法。
背景技术
伴随着全球化石能源的逐渐枯竭和生态环境问题的日益严峻，大量利用可再生资源的分布式发电技术，以及使用清洁电能替代传统化石能源的电动汽车产业，在过去的二十年中受到了广泛的关注，并逐渐成为电力行业的研究热点之一。考虑到配电系统相对薄弱的网络架构，恰当合理地规划分布式电源、电动汽车充电站、储能的安装位置和容量是配电系统安全经济运行的基础，也是促进可再生能源消纳及电动汽车社会认可度的前提。因此，对分布式电源、电动汽车充电站、储能在配电系统中的协调规划问题开展研究，具有重要的现实意义。
高渗透率分布式电源、电动汽车负荷、储能接入配电系统，给电网的安全经济运行带来了显著的影响。有关分布式电源、电动汽车充电站、储能在配电系统中的优化规划问题，国内外学者已经开展了大量的研究。例如，前人基于耦合的交通—电力网络讨论了分布式光伏电站与电动汽车充电站的协调规划问题，并构建了相应的优化模型；采用二阶锥松弛技术处理所构建的优化模型，将其转化为混合整数二阶锥规划模型进行求解；在此基础上，应用加速的广义Benders分解技术提高了优化模型的求解效率等等。
但在已有的分布式电源、电动汽车充电站、储能协调规划研究中，鲜有对风速、光照强度等可再生资源不确定性的考虑，从而导致所构建的优化模型过于粗糙，所获取的规划方案难以直接应用于工程实际。
基于此，本案由此产生。
发明内容
本发明的目的，在于提供一种计及可再生资源不确定性的配电系统协调规划方法，可实现系统网损最小。
为了达成上述目的，本发明的解决方案是：
一种计及可再生资源不确定性的配电系统协调规划方法，包括分布式电源、电动汽车充电站、储能协调规划方法；包括如下步骤：
步骤1，对规划问题中的相关资源进行建模，包括：应用多状态模型对连续的太阳光照强度概率密度函数进行离散化处理、分布式电源出力建模、电动汽车充电负荷建模、电力负荷建模、储能出力建模；
步骤2，以网损最小为目标，构建分布式电源、电动汽车充电站、储能协调规划模型，该模型是一个混合整数非线性规划模型；
步骤3，针对上述的模型，采用精确的二阶锥松弛技术对所构建的优化模型进行等价处理，将上述模型转换为混合整数二阶锥规划模型进行求解；
步骤4，求解所述步骤3中得到的优化模型，得到分布式电源、电动汽车充电站、储能的协调规划结果。
上述步骤1中，对连续的时间尺度进行离散化，同时应用若干个典型日表征规划问题中的自然年，具体方法如下：
步骤11，使用8个典型日代表规划问题中的自然年；
步骤12，将每个典型日离散为96个时间断面，每个时间断面代表15分钟；
步骤13，忽略每个时间断面内电力负荷、分布式电源出力、电动汽车充电负荷、储能出力的波动，认为其是一个确定性场景。
上述步骤1中，利用Beta分布表征太阳光照强度的分布情况，其具体形式为：
Figure BDA0002395107990000021
其中，f(s)表示太阳光照强度s对应的概率，smax为某个时刻太阳光照强度的历史最大值，α、β为Beta分布的形状参数；对某个时间断面而言，Beta分布的形状参数通过历史数据的统计分析得到，即：
Figure BDA0002395107990000031
Figure BDA0002395107990000032
其中，μg、σg分别表示该时间断面上太阳光照强度历史数据统计的平均值和标准差。
上述步骤1中，还包括对太阳光照强度概率密度函数进行离散化处理，从而将太阳光照强度的不确定性表征为一定数量的确定性离散状态，每个确定性离散状态对应的概率数值通过积分计算得到，即：
Figure BDA0002395107990000033
其中，prob(Sk)表示太阳光照强度从属于状态k的概率，状态k所表征范围的上限与下限分别用sk-max和sk-min表示。
上述步骤1中，针对不同类型负荷对应的不同类型停车场拟合电动汽车到达数量和停留时间的分布曲线，从而量化表征电动汽车泊车行为，然后模拟生成任一典型日特定区域内的电动汽车充电负荷；具体流程如下：
(a)输入各节点处的负荷类型和峰值停车数量、电动汽车到达数量分布曲线以及电动汽车停留时间分布曲线；
(b)设置电力节点序号i＝1；
(c)设置时间断面序号t＝1；
(d)根据节点i的负荷类型和相应的电动汽车到达数量分布曲线，计算时间断面t的电动汽车到达数量；
(e)对每辆到达的电动汽车，根据相应的概率分布情况，生成其停留时间；
(f)对每辆到达的电动汽车，基于[0,1]区间内的均匀分布，随机生成其荷电状态，并计算其所需充电时间；
(g)将本时间断面新增的充电设施需求量与前序时间断面延续至本时间断面的需求量相加；
(h)获取节点i在时间断面t时对充电设施的需求数量；
(i)判断t是否大于等于96，若是，则继续；若否，则将t加一，返回(d)继续循环；
(j)判断i是否大于等于配电系统中的节点数Nbus，若是，则建模结束；若否，则将i加一，返回(c)继续循环。
上述不同类型停车场包含居民小区、商场超市和办公场所。
上述步骤1中，在储能出力建模时，考虑到协调规划方案的经济性，按照配电系统峰荷的特定比例设置储能的额定功率，该比例记为r；考虑到可再生资源不确定性带来的配电系统运行状态的不确定性，按照储能以额定功率运行h小时为标准设置储能容量。
上述步骤2中，构建的分布式电源、电动汽车充电站、储能协调规划模型具体形式如下：
Figure BDA0002395107990000041
其中，s、t、k分别为季节、时间断面、离散状态的下标，
Figure BDA0002395107990000042
表示季节s的工作日/周末典型日内时间断面t下离散状态k对应的网损电量，
Figure BDA0002395107990000043
为这一离散状态出现的概率，且
Figure BDA0002395107990000044
忽略春、夏、秋、冬4个季节的细微差别，认为每个季节包含65.25个工作日和26个周末，任一离散状态对应的网损电量为：
Figure BDA0002395107990000045
其中，Nbus为配电系统的节点数，u(i)表示所有与节点i相连且位于节点i下游的节点集合，
Figure BDA0002395107990000046
为离散状态
Figure BDA0002395107990000047
对应的支路ij上流过的电流，Rij为支路ij的电阻，Δt为时间断面的持续时间；
其约束条件如下，省去下标s、t、k及上标W/WD：
Figure BDA0002395107990000048
Figure BDA0002395107990000051
Figure BDA0002395107990000052
Figure BDA0002395107990000053
Figure BDA0002395107990000054
Figure BDA0002395107990000055
Figure BDA0002395107990000056
Figure BDA0002395107990000057
Figure BDA0002395107990000058
Figure BDA0002395107990000059
Figure BDA00023951079900000510
Figure BDA00023951079900000511
Figure BDA00023951079900000512
Figure BDA00023951079900000513
Figure BDA00023951079900000514
Figure BDA00023951079900000515
在所述约束条件中，式(3)-(5)为应用于辐射型配电系统的Distflow潮流方程；式(6)为支路电流的量化方程；式(7)与(8)分别为节点电压和支路电流的越限约束；式(9)与(10)为分布式电源容量的离散性约束；式(11)与(12)分别为光伏和微型燃气轮机的渗透率约束；式(13)与(14)为微型燃气轮机的出力约束；式(15)为电动汽车充电功率的量化方程；式(16)为电动汽车充电站充电设施安装数量约束；式(17)与(18)为储能的出力约束；所涉及的变量及参数含义如表所示：
Figure BDA00023951079900000516
Figure BDA0002395107990000061
上述步骤3中，采用二阶锥松弛技术对所构建的优化模型进行等价处理，将上述模型转换为混合整数二阶锥规划模型进行求解，分为三步完成：
步骤31，应用式(19)-(20)所示的变量代换处理优化模型的目标函数和相关的约束条件：
Figure BDA0002395107990000062
Figure BDA0002395107990000063
这样，式(2)-(8)转换为式(21)-(27)：
Figure BDA0002395107990000064
Figure BDA0002395107990000065
Figure BDA0002395107990000066
Figure BDA0002395107990000067
Figure BDA0002395107990000068
Figure BDA0002395107990000069
Figure BDA0002395107990000071
步骤32，将式(25)中的等于号松弛为大于等于号，即式(28)：
Figure BDA0002395107990000072
式(28)是一个典型的二阶锥约束，将其表示为式(29)：
Figure BDA0002395107990000073
步骤33，将式(14)表示为式(30)所示的二阶锥形式：
Figure BDA0002395107990000074
采用上述方案后，本发明与现有技术相比，具有以下优点：
传统的配电系统优化规划模型无法有效应对配电系统中分布式电源、电动汽车充电站、储能的协调规划问题。且已有的分布式电源、电动汽车充电站、储能协调规划研究中，鲜有对风速、光照强度等可再生资源不确定性的考虑，从而导致所构建的优化模型过于粗糙，所获取的规划方案难以直接应用于工程实际。本发明应用离散化的多状态模型表征可再生资源的不确定性，构建了以系统网损最小为规划目标的光伏电站、微型燃气轮机、电动汽车充电站、储能协调规划模型。为降低所构建模型的求解难度，本发明采用精确的二阶锥松弛技术对其进行等价处理，将混合整数非线性规划模型转换为混合整数二阶锥规划模型进行求解。基于本发明的研究成果，可以在分布式电源、电动汽车充电站、储能的协调规划中有效计及可再生资源不确定性的影响，从而得到更加符合工程实际需求的协调规划方案。
附图说明
图1是本发明的流程示意图；
图2是编号后的IEEE-33节点配电系统结构图；
图3是将太阳光照强度的不确定性表征为确定性离散状态的示意图。
具体实施方式
以下将结合附图，对本发明的技术方案及有益效果进行详细说明。
图1是本发明的方法流程示意图，介绍了本发明的基本步骤：
1)对规划问题中的相关资源进行建模，包括：应用多状态模型对连续的太阳光照强度概率密度函数进行离散化处理、分布式电源出力建模、电动汽车充电负荷建模、电力负荷建模、储能出力建模；
2)以网损最小为目标，构建分布式电源、电动汽车充电站、储能协调规划模型，该模型是一个混合整数非线性规划模型；
3)针对上述的模型，采用精确的二阶锥松弛技术对所构建的优化模型进行等价处理，将上述模型转换为混合整数二阶锥规划模型进行求解。
4)求解所述步骤3)中得到的优化模型，得到分布式电源、电动汽车充电站、储能的协调规划结果。
在本发明的步骤1)中，为有效降低分布式电源、电动汽车充电站、储能协调规划模型的复杂程度，需对连续的时间尺度进行离散化，同时应用若干个典型日表征规划问题中的自然年。具体方法如下：
(1)使用8个典型日(春、夏、秋、冬四季的工作日与周末)代表规划问题中的自然年；
(2)将每个典型日离散为96个时间断面，每个时间断面代表15分钟；
(3)忽略每个时间断面内电力负荷、分布式电源出力、电动汽车充电负荷、储能出力的波动，认为其是一个确定性场景。
图2是编号后的IEEE-33节点配电系统，不同颜色的节点序号标注表示不同的负荷类型，其中红色表示居民小区负荷，黄色表示商场超市负荷，蓝色表示办公场所负荷。配电系统的3、11、15、20、26、31节点处建设有电动汽车充电站，每个电动汽车充电站的服务区域如绿色虚线所示。本实施例采用美国俄勒冈大学太阳辐射监测实验室统计的俄勒冈州梅德福地区(Medford)历史太阳光照强度数据，选定节点集{6,12,15,21,24,32}、{4,7,16,22,25,29}、{5,7,13,23,27,33}分别作为光伏电站、微型燃气轮机、储能的候选安装节点集合。设定光伏模块和微型燃气轮机的最小单位容量均为10kw，并将规划中所允许的光伏渗透率下限以及微型燃气轮机渗透率上限设定为40％，系统中节点电压允许范围的下限与上限分别设为0.9p.u.和1.1p.u.，每条支路上允许流过的最大电流为500A。电动汽车充电设施的额定功率、电动汽车充放电行为的相关参数以及电力用户负荷的分布情况均使用真实的数据。
在对分布式电源出力进行建模前，需对可再生资源不确定性进行表征。基于历史数据用Beta分布来表征太阳光照强度的分布情况。本实施例采用美国俄勒冈大学太阳辐射监测实验室统计的俄勒冈州梅德福地区(Medford)历史太阳光照强度数据。该分布具体形式为：
Figure BDA0002395107990000091
其中，f(s)表示太阳光照强度s对应的概率，smax为某个时刻太阳光照强度的历史最大值，α、β为Beta分布的形状参数。对某个时间断面而言，Beta分布的形状参数可以通过历史数据的统计分析得到，即：
Figure BDA0002395107990000092
Figure BDA0002395107990000093
其中，μg、σg分别表示该时间断面上太阳光照强度历史数据统计的平均值和标准差。
针对任一时间断面，其太阳光照强度概率密度函数是一个复杂的连续函数，难以在分布式电源与电动汽车充电站协调规划模型中进行有效表征。为有效应对这一问题，本实施例应用多状态模型对连续的概率密度函数进行离散化处理，从而将太阳光照强度的不确定性表征为一定数量的确定性离散状态，如图3所示，其中，N表示离散得到的确定性状态数量，每个确定性状态对应的步长相同。
该图中每个确定性离散状态对应的概率数值可以通过积分计算得到，即：
Figure BDA0002395107990000094
其中，prob(Sk)表示太阳光照强度从属于状态k的概率，状态k所表征范围的上限与下限分别用sk-max和sk-min表示。
对于光伏电站而言，忽略温度、湿度、光照角度等次要因素的影响，光伏模块的有功功率出力与太阳光照强度间的数量关系可以通过下式进行表征：
Figure BDA0002395107990000101
其中，Ps为太阳光照强度s对应的光伏模块有功功率出力，Ps-rated为该光伏模块的额定有功功率出力，srated为该光伏模块的额定太阳光照强度。考虑到经济性和安全性因素，本实施例将光伏电站视作不可控的有功功率源，其功率因数为1。这样，在任一太阳光照强度已知的确定性离散状态下，可以推导得到单位光伏装机容量对应的功率出力情况。
在本实施例中，将微型燃气轮机视作可控的分布式电源，其在每个确定性离散状态下的出力由配电系统运营商根据系统运行状态决定。考虑到装机容量的客观约束，微型燃气轮机实际出力的可调节范围如下式所示：
0≤PMT≤SMT-rated
Figure BDA0002395107990000102
其中，PMT、QMT分别表示微型燃气轮机的有功和无功出力，SMT-rated为微型燃气轮机的装机容量。
在对电动汽车充电负荷进行建模时，需针对不同类型负荷对应的不同类型停车场(居民小区、商场超市、办公场所)拟合电动汽车到达数量和停留时间的分布曲线，从而量化表征电动汽车泊车行为，然后模拟生成任一典型日特定区域内的电动汽车充电负荷。其具体流程如下：
(a)输入各节点处的负荷类型和峰值停车数量、电动汽车到达数量分布曲线以及电动汽车停留时间分布曲线；
(b)设置电力节点序号i＝1；
(c)设置时间断面序号t＝1；
(d)根据节点i的负荷类型和相应的电动汽车到达数量分布曲线，计算时间断面t的电动汽车到达数量；
(e)对每辆到达的电动汽车，根据相应的概率分布情况，生成其停留时间；
(f)对每辆到达的电动汽车，基于[0,1]区间内的均匀分布，随机生成其荷电状态，并计算其所需充电时间；
(g)将本时间断面新增的充电设施需求量与前序时间断面延续至本时间断面的需求量相加；
(h)获取节点i在时间断面t时对充电设施的需求数量；
(i)判断t是否大于等于96，若是，则继续；若否，则将t加一，返回(d)继续循环；
(j)判断i是否大于等于Nbus(即配电系统中的节点数，本实施例为33)，若是，则建模结束；若否，则将i加一，返回(c)继续循环。
本发明在对电力负荷进行建模时，考虑多种类型电力用户(居民小区负荷、商场超市负荷、办公场所负荷)，通过对历史数据的拟合得到不同类型电力负荷在不同场景下的分布曲线。
在对储能模型进行构建时，考虑到协调规划方案的经济性，按照配电系统峰荷的特定比例设置储能的额定功率，该比例记为r，本实施例设为30％；考虑到可再生资源不确定性带来的配电系统运行状态的不确定性，按照储能以额定功率运行h小时为标准设置储能容量，本实施例设为2。
本发明的步骤2)中，对分布式电源、电动汽车充电站、储能协调规划模型进行了构建，该模型以网损最小为目标，其具体形式如下：
Figure BDA0002395107990000111
其中，s、t、k分别为季节、时间断面、离散状态的下标，
Figure BDA0002395107990000112
表示季节s的工作日/周末典型日内时间断面t下离散状态k对应的网损电量，
Figure BDA0002395107990000113
为这一离散状态出现的概率，且
Figure BDA0002395107990000114
本文忽略春、夏、秋、冬等4个季节的细微差别，认为每个季节包含65.25个工作日和26个周末，任一离散状态对应的网损电量为：
Figure BDA0002395107990000115
其中，Nbus为配电系统的节点数，本实施例为33，u(i)表示所有与节点i相连且位于节点i下游的节点集合，
Figure BDA0002395107990000121
为离散状态
Figure BDA0002395107990000122
对应的支路ij上流过的电流，Rij为支路ij的电阻，Δt为时间断面的持续时间(本实施例为15分钟)。
其约束条件如下，为描述方便，在不引起歧义的前提下省去下标s、t、k及上标W/WD，但不妨碍约束条件对任意典型如内的任意离散状态均有效力：
Figure BDA0002395107990000123
Figure BDA0002395107990000124
Figure BDA0002395107990000125
Figure BDA0002395107990000126
Figure BDA0002395107990000127
Figure BDA0002395107990000128
Figure BDA0002395107990000129
Figure BDA00023951079900001210
Figure BDA00023951079900001211
Figure BDA00023951079900001212
Figure BDA00023951079900001213
Figure BDA00023951079900001214
Figure BDA00023951079900001215
Figure BDA00023951079900001216
Figure BDA00023951079900001217
Figure BDA00023951079900001218
在所述约束条件中，式(30)-(50)为应用于辐射型配电系统的Distflow潮流方程；式(60)为支路电流的量化方程；式(70)与(80)分别为节点电压和支路电流的越限约束；式(90)与(100)为分布式电源容量的离散性约束；式(110)与(120)分别为光伏和微型燃气轮机的渗透率约束；式(130)与(140)为微型燃气轮机的出力约束；式(150)为电动汽车充电功率的量化方程；式(160)为电动汽车充电站充电设施安装数量约束；式(170)与(180)为储能的出力约束。所涉及的变量及参数含义下表所示：
Figure BDA0002395107990000131
这样，就可以得到如式(190)所示的分布式电源、电动汽车充电站、储能协调规划模型，其包含连续型和整数型变量、非线性的目标函数、线性和非线性的约束条件，是一个混合整数非线性规划模型，也是一种典型的难以在确定多项式时间内求解的NP难问题。
Figure BDA0002395107990000132
本发明的步骤3)中，采用精确的二阶锥松弛技术对所构建的优化模型进行等价处理，将混合整数非线性规划模型转换为混合整数二阶锥规划模型进行求解。基于精确二阶锥松弛技术的等价处理分为三步完成：
步骤1：应用式(200)-(210)所示的变量代换处理优化模型的目标函数和相关的约束条件。
Figure BDA0002395107990000141
Figure BDA0002395107990000142
这样，式(20)-(80)转换为式(220)-(280)。
Figure BDA0002395107990000143
Figure BDA0002395107990000144
Figure BDA0002395107990000145
Figure BDA0002395107990000146
Figure BDA0002395107990000147
Figure BDA0002395107990000148
Figure BDA0002395107990000149
步骤2：将式(260)中的等于号松弛为大于等于号，即式(290)。
Figure BDA00023951079900001410
式(290)是一个典型的二阶锥约束，为了便于理解，可以将其表示为式(300)。
Figure BDA00023951079900001411
考虑到所构建优化模型的目标函数是关于
Figure BDA00023951079900001412
的单调递增函数，步骤2中的松弛为等价松弛，并不会影响到优化模型的最优解。
步骤3：将式(140)表示为式(310)所示的二阶锥形式。
Figure BDA00023951079900001413
这样，式(190)所示的混合整数非线性规划模型转化为式(320)所示的混合整数二阶锥规划模型，包含线性的目标函数、线性的约束条件和二阶锥约束条件，可以通过现有的优化算法在多项式时间内寻得最优解。
Figure BDA0002395107990000151
基于Matlab环境，使用Yalmip工具箱调用商业求解器Gurobi对上述的松弛后的混合整数二阶锥规划模型进行求解。最终得到该案例下分布式电源与电动汽车充电站的协调规划结果。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (9)

1.一种计及可再生资源不确定性的配电系统协调规划方法，包括分布式电源、电动汽车充电站、储能协调规划方法；其特征在于包括如下步骤：
步骤1，对规划问题中的相关资源进行建模，包括：应用多状态模型对连续的太阳光照强度概率密度函数进行离散化处理、分布式电源出力建模、电动汽车充电负荷建模、电力负荷建模、储能出力建模；
步骤2，以网损最小为目标，构建分布式电源、电动汽车充电站、储能协调规划模型，该模型是一个混合整数非线性规划模型；
步骤3，针对上述的模型，采用精确的二阶锥松弛技术对所构建的优化模型进行等价处理，将上述模型转换为混合整数二阶锥规划模型进行求解；
步骤4，求解所述步骤3中得到的优化模型，得到分布式电源、电动汽车充电站、储能的协调规划结果。
2.如权利要求1所述的方法，其特征在于：所述步骤1中，对连续的时间尺度进行离散化，同时应用若干个典型日表征规划问题中的自然年，具体方法如下：
步骤11，使用8个典型日代表规划问题中的自然年；
步骤12，将每个典型日离散为96个时间断面，每个时间断面代表15分钟；
步骤13，忽略每个时间断面内电力负荷、分布式电源出力、电动汽车充电负荷、储能出力的波动，认为其是一个确定性场景。
3.如权利要求1所述的方法，其特征在于：所述步骤1中，利用Beta分布表征太阳光照强度的分布情况，其具体形式为：
Figure FDA0002395107980000011
其中，f(s)表示太阳光照强度s对应的概率，smax为某个时刻太阳光照强度的历史最大值，α、β为Beta分布的形状参数；对某个时间断面而言，Beta分布的形状参数通过历史数据的统计分析得到，即：
Figure FDA0002395107980000012
Figure FDA0002395107980000021
其中，μg、σg分别表示该时间断面上太阳光照强度历史数据统计的平均值和标准差。
4.如权利要求3所述的方法，其特征在于：所述步骤1中，还包括对太阳光照强度概率密度函数进行离散化处理，从而将太阳光照强度的不确定性表征为一定数量的确定性离散状态，每个确定性离散状态对应的概率数值通过积分计算得到，即：
Figure FDA0002395107980000022
其中，prob(Sk)表示太阳光照强度从属于状态k的概率，状态k所表征范围的上限与下限分别用sk-max和sk-min表示。
5.如权利要求1所述的方法，其特征在于：所述步骤1中，针对不同类型负荷对应的不同类型停车场拟合电动汽车到达数量和停留时间的分布曲线，从而量化表征电动汽车泊车行为，然后模拟生成任一典型日特定区域内的电动汽车充电负荷；具体流程如下：
(a)输入各节点处的负荷类型和峰值停车数量、电动汽车到达数量分布曲线以及电动汽车停留时间分布曲线；
(b)设置电力节点序号i＝1；
(c)设置时间断面序号t＝1；
(d)根据节点i的负荷类型和相应的电动汽车到达数量分布曲线，计算时间断面t的电动汽车到达数量；
(e)对每辆到达的电动汽车，根据相应的概率分布情况，生成其停留时间；
(f)对每辆到达的电动汽车，基于[0,1]区间内的均匀分布，随机生成其荷电状态，并计算其所需充电时间；
(g)将本时间断面新增的充电设施需求量与前序时间断面延续至本时间断面的需求量相加；
(h)获取节点i在时间断面t时对充电设施的需求数量；
(i)判断t是否大于等于96，若是，则继续；若否，则将t加一，返回(d)继续循环；
(j)判断i是否大于等于配电系统中的节点数Nbus，若是，则建模结束；若否，则将i加一，返回(c)继续循环。
6.如权利要求5所述的方法，其特征在于：所述不同类型停车场包含居民小区、商场超市和办公场所。
7.如权利要求1所述的方法，其特征在于：所述步骤1中，在储能出力建模时，考虑到协调规划方案的经济性，按照配电系统峰荷的特定比例设置储能的额定功率，该比例记为r；考虑到可再生资源不确定性带来的配电系统运行状态的不确定性，按照储能以额定功率运行h小时为标准设置储能容量。
8.如权利要求1所述的方法，其特征在于，所述步骤2中，构建的分布式电源、电动汽车充电站、储能协调规划模型具体形式如下：
Figure FDA0002395107980000031
其中，s、t、k分别为季节、时间断面、离散状态的下标，
Figure FDA0002395107980000032
表示季节s的工作日/周末典型日内时间断面t下离散状态k对应的网损电量，
Figure FDA0002395107980000033
为这一离散状态出现的概率，且
Figure FDA0002395107980000034
忽略春、夏、秋、冬4个季节的差别，认为每个季节包含65.25个工作日和26个周末，任一离散状态对应的网损电量为：
Figure FDA0002395107980000035
其中，Nbus为配电系统的节点数，u(i)表示所有与节点i相连且位于节点i下游的节点集合，
Figure FDA0002395107980000036
为离散状态
Figure FDA0002395107980000037
对应的支路ij上流过的电流，Rij为支路ij的电阻，Δt为时间断面的持续时间；
其约束条件如下，省去下标s、t、k及上标W/WD：
Figure FDA0002395107980000038
Figure FDA0002395107980000041
Figure FDA0002395107980000042
Figure FDA0002395107980000043
Figure FDA0002395107980000044
Figure FDA0002395107980000045
Figure FDA0002395107980000046
Figure FDA0002395107980000047
Figure FDA0002395107980000048
Figure FDA0002395107980000049
Figure FDA00023951079800000410
Figure FDA00023951079800000411
Figure FDA00023951079800000412
Figure FDA00023951079800000413
Figure FDA00023951079800000414
Figure FDA00023951079800000415
Figure FDA00023951079800000416
在所述约束条件中，式(3)-(5)为应用于辐射型配电系统的Distflow潮流方程；式(6)为支路电流的量化方程；式(7)与(8)分别为节点电压和支路电流的越限约束；式(9)与(10)为分布式电源容量的离散性约束；式(11)与(12)分别为光伏和微型燃气轮机的渗透率约束；式(13)与(14)为微型燃气轮机的出力约束；式(15)为电动汽车充电功率的量化方程；式(16)为电动汽车充电站充电设施安装数量约束；式(17)与(18)为储能的出力约束；所涉及的变量及参数含义如表所示：
Figure FDA0002395107980000051
9.如权利要求8所述的方法，其特征在于：所述步骤3中，采用二阶锥松弛技术对所构建的优化模型进行等价处理，将上述模型转换为混合整数二阶锥规划模型进行求解，分为三步完成：
步骤31，应用式(19)-(20)所示的变量代换处理优化模型的目标函数和相关的约束条件：
Figure FDA0002395107980000052
Figure FDA0002395107980000053
这样，式(2)-(8)转换为式(21)-(27)：
Figure FDA0002395107980000054
Figure FDA0002395107980000055
Figure FDA0002395107980000061
Figure FDA0002395107980000062
Figure FDA0002395107980000063
Figure FDA0002395107980000064
Figure FDA0002395107980000065
步骤32，将式(25)中的等于号松弛为大于等于号，即式(28)：
Figure FDA0002395107980000066
式(28)是一个典型的二阶锥约束，将其表示为式(29)：
Figure FDA0002395107980000067
步骤33，将式(14)表示为式(30)所示的二阶锥形式：
Figure FDA0002395107980000068
CN202010128373.2A 2020-02-28 2020-02-28 一种计及可再生资源不确定性的配电系统协调规划方法 Active CN111401696B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010128373.2A CN111401696B (zh) 2020-02-28 2020-02-28 一种计及可再生资源不确定性的配电系统协调规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010128373.2A CN111401696B (zh) 2020-02-28 2020-02-28 一种计及可再生资源不确定性的配电系统协调规划方法

Publications (2)

Publication Number Publication Date
CN111401696A true CN111401696A (zh) 2020-07-10
CN111401696B CN111401696B (zh) 2023-09-22

Family

ID=71428558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010128373.2A Active CN111401696B (zh) 2020-02-28 2020-02-28 一种计及可再生资源不确定性的配电系统协调规划方法

Country Status (1)

Country Link
CN (1) CN111401696B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541268A (zh) * 2020-12-11 2021-03-23 国网河南省电力公司经济技术研究院 一种考虑风、光、储的园区配售电规划运营方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015062277A1 (zh) * 2013-10-30 2015-05-07 江苏省电力公司南京供电公司 一种智能配电系统递进式调度方法
DE102014225122A1 (de) * 2014-12-08 2016-06-09 Bayerische Motoren Werke Aktiengesellschaft Verfahren und System zur Bereitstellung von Informationen zur Verfügbarkeit von Ladestationen
CN107067110A (zh) * 2017-04-14 2017-08-18 天津大学 车‑路‑网模式下电动汽车充电负荷时空预测方法
CN107846040A (zh) * 2017-11-02 2018-03-27 国网重庆市电力公司电力科学研究院 基于二阶锥松弛的分布式光伏与储能协调规划方法及系统
US20180240047A1 (en) * 2015-08-19 2018-08-23 Tianjin University Planning method of electric vehicle fast charging stations on the expressway
CN109450002A (zh) * 2018-12-21 2019-03-08 南京工程学院 一种基于电转气互联式区域综合能源系统协同优化方法
CN109523128A (zh) * 2018-10-22 2019-03-26 上海理工大学 一种促进消纳的可再生能源容量配置方法
CN109728605A (zh) * 2019-03-01 2019-05-07 西安交通大学 基于机会约束igdt的风电场-输电网-储能联合规划方法
CN110689210A (zh) * 2019-11-14 2020-01-14 国网江苏省电力有限公司 一种计及三种类型充电桩的电动汽车充电站优化配置方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015062277A1 (zh) * 2013-10-30 2015-05-07 江苏省电力公司南京供电公司 一种智能配电系统递进式调度方法
DE102014225122A1 (de) * 2014-12-08 2016-06-09 Bayerische Motoren Werke Aktiengesellschaft Verfahren und System zur Bereitstellung von Informationen zur Verfügbarkeit von Ladestationen
US20180240047A1 (en) * 2015-08-19 2018-08-23 Tianjin University Planning method of electric vehicle fast charging stations on the expressway
CN107067110A (zh) * 2017-04-14 2017-08-18 天津大学 车‑路‑网模式下电动汽车充电负荷时空预测方法
CN107846040A (zh) * 2017-11-02 2018-03-27 国网重庆市电力公司电力科学研究院 基于二阶锥松弛的分布式光伏与储能协调规划方法及系统
CN109523128A (zh) * 2018-10-22 2019-03-26 上海理工大学 一种促进消纳的可再生能源容量配置方法
CN109450002A (zh) * 2018-12-21 2019-03-08 南京工程学院 一种基于电转气互联式区域综合能源系统协同优化方法
CN109728605A (zh) * 2019-03-01 2019-05-07 西安交通大学 基于机会约束igdt的风电场-输电网-储能联合规划方法
CN110689210A (zh) * 2019-11-14 2020-01-14 国网江苏省电力有限公司 一种计及三种类型充电桩的电动汽车充电站优化配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴杰康等: "基于二阶锥规划的含ＤＧ与ＥＶ配电网 分布式发电有功协调方法", 现代电力, vol. 33, no. 3, pages 35 - 42 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541268A (zh) * 2020-12-11 2021-03-23 国网河南省电力公司经济技术研究院 一种考虑风、光、储的园区配售电规划运营方法

Also Published As

Publication number Publication date
CN111401696B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
Ehsan et al. State-of-the-art techniques for modelling of uncertainties in active distribution network planning: A review
Yousefi et al. A comparison study on stochastic modeling methods for home energy management systems
Lin et al. Stochastic planning of integrated energy system via Frank-Copula function and scenario reduction
CN111681130B (zh) 一种考虑条件风险价值的综合能源系统优化调度方法
CN104578157B (zh) 一种分布式电源接入电网的潮流计算方法
Ahmadian et al. Two-layer optimization methodology for wind distributed generation planning considering plug-in electric vehicles uncertainty: A flexible active-reactive power approach
CN107730129A (zh) 考虑光热热电联产与电锅炉的电‑气‑热互联系统风险评估方法
CN107591844A (zh) 考虑节点注入功率不确定性的主动配电网鲁棒重构方法
CN104463357A (zh) 一种基于随机最优潮流的随机间歇性dg优化集成的评估方法
CN103441535A (zh) 基于sced的日前发电计划光伏发电接纳能力分析方法
CN107069814A (zh) 配网分布式电源容量布点的模糊机会约束规划方法与系统
CN101728984A (zh) 并网型光伏电站发电功率预测方法
Ahmadian et al. Optimal WDG planning in active distribution networks based on possibilistic–probabilistic PEVs load modelling
CN113572163A (zh) 基于改进仿射算法的分布式电源主动配电网优化调度方法
Yan et al. Statistical analysis and modeling of plug-in electric vehicle charging demand in distribution systems
Casini et al. Optimal energy management and control of an industrial microgrid with plug-in electric vehicles
Mahdiraji et al. Optimization of electric vehicles along with power generation units to improve microgrid reliability
Ma et al. Economic operation evaluation of active distribution network based on fuzzy Borda method
Kanchana et al. PV Power Forecasting with Holt-Winters Method
CN105633950B (zh) 一种考虑风电注入不确定性的多目标随机模糊动态最优潮流求解方法
CN111401696B (zh) 一种计及可再生资源不确定性的配电系统协调规划方法
CN114123313A (zh) 一种时序生产模拟新能源电力系统消纳方法
An et al. Real-time optimal operation control of micro energy grid coupling with electricity-thermal-gas considering prosumer characteristics
Wu et al. Neural Network Based Fea sible Region Approximation Model for Optimal Operation of Integrated Electricity and Heating System
CN113013881A (zh) 考虑能源站的配电网分布式光伏并网接纳能力计算方法

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
GR01 Patent grant
GR01 Patent grant