CN111509766A - 一种分布式光伏电站接入配电网的优化方法及系统 - Google Patents

Abstract

本发明公开了种分布式光伏电站接入配电网的优化方法及系统，该方法以光伏电站在配电网的接入位置u_i以及光伏电站的配置容量P_pvi为决策变量，以最小化分布式光伏电站接入后配电网的年建设投资和运行的总费用为目标函数，来建立上层模型；以分布式光伏电站在四个季节典型日的随机波动出力P_sj,t为控制变量，以最大化配电网年运行网损电量费用C_los为目标来建立下层模型；在不确定变量P_sj,t波动集合内，寻找使得配电网年运行网损电量费用最大的不确定变量变化场景，并定义该场景为极端场景；通过上层和下层模型的交替迭代计算，得到在光伏电站出力不确定波动范围内都能满足系统安全运行限制要求同时使系统总成本最小的光伏并网点和容量选择最优配置方案。

Description

一种分布式光伏电站接入配电网的优化方法及系统

技术领域

本发明涉及电网优化技术领域，具体涉及一种分布式光伏电站接入配电网的优化方法及系 统。

背景技术

目前，分布式光伏电站接入配电网的并网点和容量选择优化计算方法通常是先进行并网节 点选择，然后在已选定的并网节点上进行光伏容量选择。具体方法如下：(1)并网点选择方法： 采用较为主观性的选择方法，考虑线路容量等安全因素后，就近选择光伏电站接入配电网的并 网点。(2)容量优化配置方法：在选定的并网节点后，以各个并网点的光伏配置容量为决策变 量，以系以统成本最小化为目标函数，并选取某一个典型日的光伏出力曲线对优化模型进行求 解得到各个并网点的光伏配置容量。

上述的方法主要存在如下的技术缺陷：(1)并网点选择方法具有一定主观性，可能导致所 选择的并网点不是最优方案；(2)光伏容量配置不合理，容易造成配电网安全问题。

发明内容

针对现有技术的不足，本发明的目的旨在提供分布式光伏电站接入配电网的优化方法及系 统，以保证分布式光伏电站接入配网的安全运行，得到的配置方案具有运行的安全性和经济性 为实现上述目的，本发明采用如下技术方案：

第一方面，本发明实施例提供了一种分布式光伏电站接入配电网的优化方法，所述方法包 括：

以光伏电站在配电网的接入位置u_i以及光伏电站的配置容量P_pvi为决策变量，以最小化分 布式光伏电站接入后配电网的年建设投资和运行的总费用为目标函数，来建立上层模型；

以分布式光伏电站在四个季节典型日的随机波动出力P_sj,t为控制变量，以最大化配电网年 运行网损电量费用C_los为目标来建立下层模型；

在不确定变量P_sj,t波动集合内，寻找使得配电网年运行网损电量费用最大的不确定变量变 化场景，并定义该场景为极端场景；

通过上层和下层模型的交替迭代计算，得到在光伏电站出力不确定波动范围内都能满足系 统安全运行限制要求同时使系统总成本最小的光伏并网点和容量选择最优配置方案。

第二方面，本发明实施例提供了一种分布式光伏电站接入配电网的优化系统，包括：

第一数据处理器，其以光伏电站在配电网的接入位置u_i以及光伏电站的配置容量P_pvi为决 策变量，以最小化分布式光伏电站接入后配电网的年建设投资和运行的总费用为目标函数，来 建立上层模型；所述第一数据处理器还以分布式光伏电站在四个季节典型日的随机波动出力 P_sj,t为控制变量，以最大化配电网年运行网损电量费用C_los为目标来建立下层模型；

第二数据处理器，其在不确定变量P_sj,t波动集合内，寻找使得配电网年运行网损电量费用 最大的不确定变量变化场景，并定义该场景为极端场景；并通过对上层和下层模型的交替迭代 计算，得到在光伏电站出力不确定波动范围内都能满足系统安全运行限制要求同时使系统总成 本最小的光伏并网点和容量选择最优配置方案输出；

客户端，其用于接收并显示第二数据处理器所输出的最优配置方案。

本发明的有益效果在于：

本发明通过将并网点选择和容量配置共同作为决策变量，建立了并网点选择和容量优化配 置之间的紧密关联性，从而避免了分布式光伏电站并网节点选择的主观性；通过将分布式光伏 电站在四个季节典型日的随机波动出力P_sj,t为控制变量，以四个季节的典型日光伏出力运行场 景来计算一年配电网运行费用，所得到结果更为地全面、准确。同时，由于极端场景代表了光 伏电站出力不确定波动范围内的最恶劣情况，因而通过上层和下层优化模型的交替迭代计算， 即可得到在光伏电站出力不确定波动范围内都能满足系统安全运行限制要求同时使系统总成 本最小的光伏并网点和容量选择最优配置方。

附图说明

图1为发明实施例提供的分布式光伏电站接入配电网的优化方法的流程图；

图2为Benders分解算法流程图；

图3为IEEE33节点配电网系统接线图；

图4为四个季节光伏电站的归一化典型日出力曲线图；

图5为节点18冬季典型日场景电压分布图；

图6为节点33冬季典型日场景电压分布。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述：

参阅图1所示，本发明实施例提供的分布式光伏电站接入配电网的优化方法包括如下步 骤：

101、以光伏电站在配电网的接入位置u_i以及光伏电站的配置容量P_pvi为决策变量，以最 小化分布式光伏电站接入后配电网的年建设投资和运行的总费用为目标函数，来建立上层模 型。

如此，通过将并网点选择和容量配置共同作为决策变量，建立了并网点选择和容量优化配 置之间的紧密关联性，从而避免了分布式光伏电站并网节点选择的主观性。

102、以分布式光伏电站在四个季节典型日的随机波动出力P_sj,t为控制变量，以最大化配 电网年运行网损电量费用C_los为目标来建立下层模型。

如此，通过将分布式光伏电站在四个季节典型日的随机波动出力P_sj,t为控制变量，以四个 季节的典型日光伏出力运行场景来计算一年配电网运行费用，所得到结果更为地全面、准确。

103、在不确定变量P_sj,t波动集合内，寻找使得配电网年运行网损电量费用最大的不确定 变量变化场景，并定义该场景为极端场景；

104、通过上层和下层模型的交替迭代计算，得到在光伏电站出力不确定波动范围内都能 满足系统安全运行限制要求同时使系统总成本最小的光伏并网点和容量选择最优配置方案。

由于极端场景代表了光伏电站出力不确定波动范围内的最恶劣情况，因而通过上层和下层 优化模型的交替迭代计算，即可得到在光伏电站出力不确定波动范围内都能满足系统安全运行 限制要求同时使系统总成本最小的光伏并网点和容量选择最优配置方案。

具体地，上述最大化配电网年运行网损电量费用C_los的目标函数为：

式中：C_los为配电网的年运行网络损耗电量的费用；C_losj为第j个典型日光伏出力场景对 应的配网网络损耗电量的费用，d_j为第j个季节典型日光伏出力场景所对应季节在一年中的天 数；N_T为一日运行周期包含的时段总数，Δt为每个时段的时间长度；K_los为的配电网单位网损 电量的费用，A为配电网的节点支路关联矩阵，G为各支路电导组成的对角矩阵，V_re和V_im分别为节点电压向量的实部和虚部数。

该最大化配电网年运行网损电量费用C_los的目标函数的约束条件包括：

配电网稳态运行约束：

式中：P_grid和Q_grid分别为运行中从主网注入配电网的有功和无功功率；P_s和Q_s分别运行 中分布式光伏电站注入配电网的有功和无功出力；P_l和Q_l分别表示节点的有功负荷和无功负 荷；

电压安全约束：为保证配电网的安全运行，各节点电压不能超过安全运行允许范围，如下：

式中：

和V分别为节点电压的上限和下限向量。

线路安全约束：为了避免线路过载，线路电流应满足线路容量限制的约束，如下：

式中，I_b为支路电流向量；L为各支路导纳绝对值组成的m阶对角矩阵；

和I_b分别为 支路电流上限和下限向量；

基于上述线性化潮流方程，节点电压幅值和相角近似表示为：

分布式光伏电站出力约束：光伏电站通过逆变器并网，假定其输出无功采用定功率因数控 制模式，光伏电站向电网注入的有功功率不能超过光伏电站的配置容量，注入的无功功率会受 到其有功出力和允许功率因数限制，故其出力约束可表示为：

式中，θ表示光伏电站运行中允许的最小功率因数所对应的功率因数角，P_sj,i,t和Q_sj,i,t分别 表示配电网节点i上接入光伏电站的第j个季节典型日的第t时段的有功和无功出力值；

光伏电站有功出力的预测值可通过该地区光照强度和温度变化的历史数据分别得到春夏 秋冬四个季节在基准容量下光伏的归一化典型日出力曲线。根据光伏电站每个节点的配置容 量，每个节点光伏电站一天各时段的有功出力约束：

P_sj,i,t＝P_pviP_sj,t (9)

式中，P_sj,t表示第j个季节光伏电站的归一化典型日出力曲线第t时段的值；

光伏出力不确定性约束：光伏出力具有随机性和波动性，故光伏的归一化典型日出力曲线 对应各时刻出力为不确定变量，通过采用盒式不确定集表示，将不确定变量表示为期望值和扰 动量两部分：

P_sj,t＝P_sj,t+ΔP_sj,t (10)

式中，P_sj,t为第j个季节典型日光伏电站第t时段出力的期望值，ΔP_sj,t为第j个季节典型 日光伏电站第t时段出力的波动值。

根据配电网中光伏电站的气象历史数据可以确定光伏电站光照强度和温度的期望值和扰 动量范围，进而可得到不确定变量变化范围的上下限，则不确定变量集合可表示为：

式中，P_sj,t 和

分别为P_sj,t波动的下限和上限。

而上述最小化分布式光伏电站接入后配电网的年建设投资和运行的总费用的目标函数为：

式中，C_ins表示分布式光伏电站的年等值建设投资费用；r表示折现率，y表示设备使用年 限；a₀表示每个并网点的固定安装费用；a₁表示与光伏安装容量成正比部分费用的单价；u_i为二进制变量，表示节点i是否接入分布式光伏电站，取值为1表示节点i接入分布式光伏电 站，0表示节点i不接入分布式光伏电站；P_pvi表示节点i分布式光伏电站的配置容量；n_pv表 示可接入分布式光伏电站的并网节点的总数；

z₁≥C_los (14)

式中，z₁为求解过程中构造出的辅助变量。

而该最小化分布式光伏电站接入后配电网的年建设投资和运行的总费用的目标函数目标 函数的约束条件包括：

光伏电站容量配置约束：

式中，

表示节点i可接入的分布式光伏电站的最大配置容量，P_pvΣ表示配电网中规划 接入的分布式光伏电站容量的总和；

由于分布式光伏电站是采用安装太阳能电池板来进行光伏发电，故每个节点可接入光伏的 配置容量应该是单个太阳能电池板额定容量的整数倍。可以表示为：

P_pvi＝k_iP_pv0 (16)

式中，k_i为非负整数，P_pv0为单个太阳能电池板额定发电功率；

分布式光伏电站并网点数量限制的约束：

式中，N_max为配网中可接入分布式光伏电站的并网点数目上限；

以及包括上述公式(4)-(9)的约束。

由此可见，上述的分布式光伏电站接入配电网的并网点和容量为min-max两层优化模型， 模型的目标函数为分布式光伏电站接入后配电网的年建设投资和运行的总费用，如式(18)：

上层模型以光伏电站接入位置u_i以及光伏电站的配置容量P_pvi为决策变量，以最小化系统年建 设投资和运行总成本为目标函数，通过优化计算配网中分布式光伏电站接入配电网的并网点和 配置容量，降低含分布式光伏配网建设投资和运行的总成本。下层模型以分布式光伏电站在四 个季节典型日的随机波动出力P_sj,t为控制变量，以最大化配电网年运行网损电量费用C_los为目 标，考虑一年四季光伏电站出力的不同，选取了春夏秋冬四个季节的典型日场景，故配电网年 运行网损电量费用包括各个季节的运行网损电量费用之和，每个季节典型日场景的网络损耗电 量费用为该季节的平均日网络损耗电量费用。在不确定变量P_sj,t波动集合内，寻找使得配电网 年运行网损电量费用最大的不确定变量变化场景，并定义该场景为极端场景。由于极端场景代 表了光伏电站出力不确定波动范围内的最恶劣情况，因而通过上层和下层优化模型的交替迭代 计算，即可得到在光伏电站出力不确定波动范围内都能满足系统安全运行限制要求同时使系统 总成本最小的光伏并网点和容量选择最优配置方案。

在本实施例中，采用Benders分解法求解上述Min-Max双层优化模型，将Min-Max双层 优化模型分解为上层主问题和下层子问题两部分。子问题寻找使得配电网年运行网损电量费用 最大的不确定变量P_sj,t集合的极端场景；主问题则针对极端场景，求解使得系统年建设投资和 运行总费用最小的光伏电站并网节点和容量选择方案。

采用Benders分解法求解上述Min-Max双层优化优化模型的算法流程图如图2，求解步骤 如下：

1)初始化：首先将原问题目标函数最低界限LB设为-∞，最高界限设为+∞，在不确定变 量P_sj,t的期望值P_sj,t场景下求解确定性优化问题，得到决策变量初始值

2)将决策变量初始值

代入子问题，求解子问题，得到使配电网年运行网损电量费 用最大的不确定变量的当前值

令k＝0。

3)在主问题约束条件中增加最优割集(14)，将子问题求解得的不确定变量的解

当作已 知量代入主问题，更新主问题中的四个季节光伏电站的归一化典型日出力曲线，求解主问题得 到决策变量的最优解

并按下式更新最低界限：

4)将主问题的决策变量解

作为已知量代入子问题，求解子问题得到不确定变 量的最优解

并按下式更新最高界限：

5)当UB-LB≤δ时迭代结束，输出最优解，否则令k＝k+1，返回步骤3)。

下面结合一个应用实例来对本方法进行进一步地说明：

本实施例采用33节点配电网系统，接线图如图3。所有的光伏电站采用定功率因数控制， 允许功率因数最小值取0.9；光伏电站建设投资费用系数a₀和a₁分别取值为150000元和4000 元/kW，折现率为7％，设备使用周期年限为20年；单位网损电量的费用K_los取值为0.68元 /kWh，一年四季春、夏、秋、冬的天数分别为91、92、91、91。设置节点2-33为光伏电站待 安装节点，该配电网中规划的所有分布式光伏电站的总容量为3MW，即配电网中光伏的渗透 率为25.1％，光伏电站的并网节点数不超过5个。单个太阳能电池板额定容量为300W，每个 节点可接入光伏的最大容量为1.5MW。节点电压安全限制的上下限设置为1.07p.u.和0.93p.u.， 各配电线路电流上限和下限分别为610A和0A。

对一年四季春夏秋冬分别选取一个光伏电站典型日出力场景，即每个季节有不同的光伏预 测曲线，如图4。在确定性优化中，不考虑光伏波动，四个季节光伏出力均等于期望值，目标 函数仍是最小化系统年建设投资和运行总费用，为单层优化模型，直接采用GAMS软件中的 SBB求解器求解。在双层鲁棒优化中，假定光伏出力波动范围为期望值的±30％，采用Benders 分解法求解。Benders分解法中收敛判据常数δ取值为10^-6。采用GAMS软件中的SBB求解器 求解主问题以及CONOPT求解器求解子问题。所采用的计算机为Intel(R)Xeon(R)CPU E3-1270v3@3.50GHz，16GB内存。

分布式光伏电站接入配电网的并网点和容量选择的确定性优化和鲁棒优化的计算结果进 行对比如表1所示。表中还包括了不接入分布式光伏电站前的配电网进行潮流计算的结果，计 算中将平衡节点1的电压幅值设置为1.0。从表中可以看出，接入分布式光伏电站后，相比于 不接入分布式光伏电站，可以降低配电网40％～50％的运行网损费用，还可以提高配电网中各 节点的最低电压，使之不会越过安全下限，提高了电压质量。当计及光伏年发电量替代燃煤发 电量所带来的经济效益时，燃煤发电成本按照0.2元/kW·h计算，接入分布式光伏电站后， 相比于接入分布式光伏电站前，确定性优化配置方案可以使配电网系统一年节约费用 1066407.43-(1758835.97-1045839.33)＝353410.79元，鲁棒性优化配置方案可以使配网系统一年 节约费用1066407.43-(1819761.09-1045839.33)＝292485.67元。

由于鲁棒性优化方案对应的是光伏出力波动范围中网损最高的极端场景，所以其对应的年 运行网损费用比确定性优化方案的年运行网损费用高。并且，鲁棒性优化方案对应的目标函数 值即年建设投资和运行总费用也比确定性优化方案高，这是由于鲁棒性优化方案为了提高配电 网在光伏出力波动条件下运行的鲁棒性而牺牲的经济性。

表1 接入分布式光伏前后的对比

求解得到的接入分布式光伏电站的确定性优化配置方案和鲁棒性优化配置方案对应的并 网点和容量选择结果如表3。可以看出，在分布式光伏电站并网点选择上，确定性优化和鲁棒 性优化结果一致，都是选择了18、32、33这三个节点作为并网点。这三个节点都是配电网馈 线较末端的节点，通过就地供电可以减小配电线路传输的功率，减小配电线路的电压损耗，从 而避免末端节点电压过低越过下限。在分布式光伏电站容量配置上，鲁棒性优化对应的是光伏 波动的极端场景，故在配电网馈线最末端的33号节点要配置更大的光伏容量，以抵消光伏波 动极端场景造成的电压质量不合格和网络损耗过大，让电网在光伏波动的极端场景下，仍能够 满足安全运行限制。

表3 鲁棒性优化与确定性优化方案对比

为了验证鲁棒性优化配置方案在光伏电站出力波动条件下的效果，下面对比同样在最极端 场景下，按照确定性优化计算和鲁棒性优化计算分别得出光伏电站并网点和容量配置方法进行 潮流计算，对比配电网的网损以及电压最低两个节点的电压分布。由于四季中冬季典型日场景 的光伏出力较低，更容易造成配电网中各节点电压过低，故选取冬季典型日场景对应的配电网 中电压最低两个节点18和33号进行电压比较，如图5和6。可以看到，在光伏电站冬季典型 日出力场景中，在配电网馈线末端节点18和33的电压分布中，确定性优化的分布式光伏电站 配置方案会造成在光伏波动的极端场景条件下出现电压越下限，而鲁棒性优化的配置方案在光 伏波动的极端场景条件下仍然能满足电压安全约束，提高系统在不确定条件下运行的安全性。

综上，本方法采用的配电网分布式光伏电站的并网点和容量选择优化模型，考虑了一年四 季中环境温度和光照强度等条件不同而导致不同季节光伏电站出力的不同，并考虑每个季节里 光伏电站出力的不确定波动特性，在满足节点电压和线路容量安全约束条件下，采用双层鲁棒 优化方法，得出了使系统年建设投资和运行总费用最小的分布式光伏电站的并网点选择和容量 配置方案，该方案能够使配电网在一年四季的光伏出力不确定波动范围内，都能保证配电网的 安全运行。

实施例2：

本实施例提供了一种分布式光伏电站接入配电网的优化系统，包括：

第一数据处理器，其以光伏电站在配电网的接入位置u_i以及光伏电站的配置容量P_pvi为决 策变量，以最小化分布式光伏电站接入后配电网的年建设投资和运行的总费用为目标函数，来 建立上层模型，如此，通过将并网点选择和容量配置共同作为决策变量，建立了并网点选择和 容量优化配置之间的紧密关联性，从而避免了分布式光伏电站并网节点选择的主观性；该第一 数据处理器还以分布式光伏电站在四个季节典型日的随机波动出力P_sj,t为控制变量，以最大化 配电网年运行网损电量费用C_los为目标来建立下层模型；如此，通过将分布式光伏电站在四个 季节典型日的随机波动出力P_sj,t为控制变量，以四个季节的典型日光伏出力运行场景来计算一 年配电网运行费用，所得到结果更为地全面、准确。

第二数据处理器，其在不确定变量P_sj,t波动集合内，寻找使得配电网年运行网损电量费用 最大的不确定变量变化场景，并定义该场景为极端场景；并通过对上层和下层模型的交替迭代 计算，得到在光伏电站出力不确定波动范围内都能满足系统安全运行限制要求同时使系统总成 本最小的光伏并网点和容量选择最优配置方案输出；由于极端场景代表了光伏电站出力不确定 波动范围内的最恶劣情况，因而通过上层和下层优化模型的交替迭代计算，即可得到在光伏电 站出力不确定波动范围内都能满足系统安全运行限制要求同时使系统总成本最小的光伏并网 点和容量选择最优配置方案

客户端，其用于接收并显示第二数据处理器所输出的最优配置方案。如此工作人员通过客 户端即可以实时方便地获知相关的最优配置方案，以及时地对分布式光伏电站接入配电网的并 网点和容量进行调整，在保证配电网安全的前提下节约配电网系统的费用。

由于上述第一数据处理器和第二数据处理器的运算过程和实施例1相同，在此就不再赘 述。

对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改 变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (10)

1.一种分布式光伏电站接入配电网的优化方法，其特征在于，所述方法包括：

以光伏电站在配电网的接入位置u_i以及光伏电站的配置容量P_pvi为决策变量，以最小化分布式光伏电站接入后配电网的年建设投资和运行的总费用为目标函数，来建立上层模型；

以分布式光伏电站在四个季节典型日的随机波动出力P_sj,t为控制变量，以最大化配电网年运行网损电量费用C_los为目标来建立下层模型；

在不确定变量P_sj,t波动集合内，寻找使得配电网年运行网损电量费用最大的不确定变量变化场景，并定义该场景为极端场景；

通过上层和下层模型的交替迭代计算，得到在光伏电站出力不确定波动范围内都能满足系统安全运行限制要求同时使系统总成本最小的光伏并网点和容量选择最优配置方案。

2.如权利要求1所述的分布式光伏电站接入配电网的优化方法，其特征在于，所述最大化配电网年运行网损电量费用C_los的目标函数为：

式中：C_los为配电网的年运行网络损耗电量的费用；C_losj为第j个典型日光伏出力场景对应的配网网络损耗电量的费用，d_j为第j个季节典型日光伏出力场景所对应季节在一年中的天数；N_T为一日运行周期包含的时段总数，Δt为每个时段的时间长度；K_los为的配电网单位网损电量的费用，A为配电网的节点支路关联矩阵，G为各支路电导组成的对角矩阵，V_re和V_im分别为节点电压向量的实部和虚部数。

3.如权利要求2所述的分布式光伏电站接入配电网的优化方法，其特征在于，所述目标函数的约束条件包括：

配电网稳态运行约束：

式中：P_grid和Q_grid分别为运行中从主网注入配电网的有功和无功功率；P_s和Q_s分别运行中分布式光伏电站注入配电网的有功和无功出力；P_l和Q_l分别表示节点的有功负荷和无功负荷；

电压安全约束：为保证配电网的安全运行，各节点电压不能超过安全运行允许范围，如下：

式中：

和V分别为节点电压的上限和下限向量；

线路安全约束：

式中，I_b为支路电流向量；L为各支路导纳绝对值组成的m阶对角矩阵；

和I_b分别为支路电流上限和下限向量；

基于上述线性化潮流方程，节点电压幅值和相角近似表示为：

分布式光伏电站出力约束：

式中，θ表示光伏电站运行中允许的最小功率因数所对应的功率因数角，P_sj,i,t和Q_sj,i,t分别表示配电网节点i上接入光伏电站的第j个季节典型日的第t时段的有功和无功出力值；

每个节点光伏电站一天各时段的有功出力约束：

P_sj,i,t＝P_pviP_sj,t (9)

式中，P_sj,t表示第j个季节光伏电站的归一化典型日出力曲线第t时段的值；

光伏出力不确定性约束：光伏出力具有随机性和波动性，故光伏的归一化典型日出力曲线对应各时刻出力为不确定变量，通过采用盒式不确定集表示，将不确定变量表示为期望值和扰动量两部分：

P_sj,t＝P_sj,t+ΔP_sj,t (10)

式中，P_sj,t为第j个季节典型日光伏电站第t时段出力的期望值，ΔP_sj,t为第j个季节典型日光伏电站第t时段出力的波动值；

根据配电网中光伏电站的气象历史数据可以确定光伏电站光照强度和温度的期望值和扰动量范围，进而可得到不确定变量变化范围的上下限，则不确定变量集合可表示为：

式中，P_sj,t 和

分别为P_sj,t波动的下限和上限。

4.如权利要求2所述的分布式光伏电站接入配电网的优化方法，其特征在于，所述最小化分布式光伏电站接入后配电网的年建设投资和运行的总费用的目标函数为：

式中，C_ins表示分布式光伏电站的年等值建设投资费用；r表示折现率，y表示设备使用年限；a₀表示每个并网点的固定安装费用；a₁表示与光伏安装容量成正比部分费用的单价；u_i为二进制变量，表示节点i是否接入分布式光伏电站，取值为1表示节点i接入分布式光伏电站，0表示节点i不接入分布式光伏电站；P_pvi表示节点i分布式光伏电站的配置容量；n_pv表示可接入分布式光伏电站的并网节点的总数；

z₁≥C_los (14)

式中，z₁为求解过程中构造出的辅助变量。

5.如权利要求4所述的分布式光伏电站接入配电网的优化方法，其特征在于，所述目标函数的约束条件包括：

光伏电站容量配置约束：

式中，

表示节点i可接入的分布式光伏电站的最大配置容量，P_pvΣ表示配电网中规划接入的分布式光伏电站容量的总和；

P_pvi＝k_iP_pv0 (16)

式中，k_i为非负整数，P_pv0为单个太阳能电池板额定发电功率；

分布式光伏电站并网点数量限制的约束：

式中，N_max为配网中可接入分布式光伏电站的并网点数目上限；

配电网稳态运行约束：

式中：P_grid和Q_grid分别为运行中从主网注入配电网的有功和无功功率；P_s和Q_s分别运行中分布式光伏电站注入配电网的有功和无功出力；P_l和Q_l分别表示节点的有功负荷和无功负荷；

电压安全约束：

式中：

和V分别为节点电压的上限和下限向量。

线路安全约束：

式中，I_b为支路电流向量；L为各支路导纳绝对值组成的m阶对角矩阵；

和I _b分别为支路电流上限和下限向量；

基于上述线性化潮流方程，节点电压幅值和相角可以近似表示为：

分布式光伏电站出力约束：

式中，θ表示光伏电站运行中允许的最小功率因数所对应的功率因数角，P_sj,i,t和Q_sj,i,t分别表示配电网节点i上接入光伏电站的第j个季节典型日的第t时段的有功和无功出力值；

每个节点光伏电站一天各时段的有功出力约束：

P_sj,i,t＝P_pviP_sj,t (9)

式中，P_sj,t表示第j个季节光伏电站的归一化典型日出力曲线第t时段的值。

6.一种分布式光伏电站接入配电网的优化系统，其特征在于，包括：

第一数据处理器，其以光伏电站在配电网的接入位置u_i以及光伏电站的配置容量P_pvi为决策变量，以最小化分布式光伏电站接入后配电网的年建设投资和运行的总费用为目标函数，来建立上层模型；所述第一数据处理器还以分布式光伏电站在四个季节典型日的随机波动出力P_sj,t为控制变量，以最大化配电网年运行网损电量费用C_los为目标来建立下层模型；

第二数据处理器，其在不确定变量P_sj,t波动集合内，寻找使得配电网年运行网损电量费用最大的不确定变量变化场景，并定义该场景为极端场景；并通过对上层和下层模型的交替迭代计算，得到在光伏电站出力不确定波动范围内都能满足系统安全运行限制要求同时使系统总成本最小的光伏并网点和容量选择最优配置方案输出；

客户端，其用于接收并显示第二数据处理器所输出的最优配置方案。

7.如权利要求5所述的分布式光伏电站接入配电网的优化系统，其特征在于，所述最大化配电网年运行网损电量费用C_los的目标函数为：

式中：C_los为配电网的年运行网络损耗电量的费用；C_losj为第j个典型日光伏出力场景对应的配网网络损耗电量的费用，d_j为第j个季节典型日光伏出力场景所对应季节在一年中的天数；N_T为一日运行周期包含的时段总数，Δt为每个时段的时间长度；K_los为的配电网单位网损电量的费用，A为配电网的节点支路关联矩阵，G为各支路电导组成的对角矩阵，V_re和V_im分别为节点电压向量的实部和虚部数。

8.如权利要求7所述的分布式光伏电站接入配电网的优化系统，其特征在于，所述目标函数的约束条件包括：

配电网稳态运行约束：

式中：P_grid和Q_grid分别为运行中从主网注入配电网的有功和无功功率；P_s和Q_s分别运行中分布式光伏电站注入配电网的有功和无功出力；P_l和Q_l分别表示节点的有功负荷和无功负荷；

电压安全约束：为保证配电网的安全运行，各节点电压不能超过安全运行允许范围，如下：

式中：

和V分别为节点电压的上限和下限向量；

线路安全约束：

式中，I_b为支路电流向量；L为各支路导纳绝对值组成的m阶对角矩阵；

和I_b分别为支路电流上限和下限向量；

基于上述线性化潮流方程，节点电压幅值和相角近似表示为：

分布式光伏电站出力约束：

式中，θ表示光伏电站运行中允许的最小功率因数所对应的功率因数角，P_sj,i,t和Q_sj,i,t分别表示配电网节点i上接入光伏电站的第j个季节典型日的第t时段的有功和无功出力值；

每个节点光伏电站一天各时段的有功出力约束：

P_sj,i,t＝P_pviP_sj,t (9)

式中，P_sj,t表示第j个季节光伏电站的归一化典型日出力曲线第t时段的值；

光伏出力不确定性约束：光伏出力具有随机性和波动性，故光伏的归一化典型日出力曲线对应各时刻出力为不确定变量，通过采用盒式不确定集表示，将不确定变量表示为期望值和扰动量两部分：

P_sj,t＝P_sj,t+ΔP_sj,t (10)

式中，P_sj,t为第j个季节典型日光伏电站第t时段出力的期望值，ΔP_sj,t为第j个季节典型日光伏电站第t时段出力的波动值；

根据配电网中光伏电站的气象历史数据可以确定光伏电站光照强度和温度的期望值和扰动量范围，进而可得到不确定变量变化范围的上下限，则不确定变量集合可表示为：

式中，P_sj,t 和

分别为P_sj,t波动的下限和上限。

9.如权利要求7所述的分布式光伏电站接入配电网的优化系统，其特征在于，所述最小化分布式光伏电站接入后配电网的年建设投资和运行的总费用的目标函数为：

式中，C_ins表示分布式光伏电站的年等值建设投资费用；r表示折现率，y表示设备使用年限；a₀表示每个并网点的固定安装费用；a₁表示与光伏安装容量成正比部分费用的单价；u_i为二进制变量，表示节点i是否接入分布式光伏电站，取值为1表示节点i接入分布式光伏电站，0表示节点i不接入分布式光伏电站；P_pvi表示节点i分布式光伏电站的配置容量；n_pv表示可接入分布式光伏电站的并网节点的总数；

z₁≥C_los (14)

式中，z₁为求解过程中构造出的辅助变量。

10.如权利要求9所述的分布式光伏电站接入配电网的优化系统，其特征在于，所述目标函数的约束条件包括：

光伏电站容量配置约束：

式中，

表示节点i可接入的分布式光伏电站的最大配置容量，P_pvΣ表示配电网中规划接入的分布式光伏电站容量的总和；

P_pvi＝k_iP_pv0 (16)

式中，k_i为非负整数，P_pv0为单个太阳能电池板额定发电功率；

分布式光伏电站并网点数量限制的约束：

式中，N_max为配网中可接入分布式光伏电站的并网点数目上限；

配电网稳态运行约束：

式中：P_grid和Q_grid分别为运行中从主网注入配电网的有功和无功功率；P_s和Q_s分别运行中分布式光伏电站注入配电网的有功和无功出力；P_l和Q_l分别表示节点的有功负荷和无功负荷；

电压安全约束：

式中：

和V分别为节点电压的上限和下限向量；

线路安全约束：

式中，I_b为支路电流向量；L为各支路导纳绝对值组成的m阶对角矩阵；

和I _b分别为支路电流上限和下限向量；

基于上述线性化潮流方程，节点电压幅值和相角可以近似表示为：

分布式光伏电站出力约束：

式中，θ表示光伏电站运行中允许的最小功率因数所对应的功率因数角，P_sj,i,t和Q_sj,i,t分别表示配电网节点i上接入光伏电站的第j个季节典型日的第t时段的有功和无功出力值；

每个节点光伏电站一天各时段的有功出力约束：

P_sj,i,t＝P_pviP_sj,t (9)

式中，P_sj,t表示第j个季节光伏电站的归一化典型日出力曲线第t时段的值。

Images