CN111917111B - 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质 - Google Patents

用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN111917111B
CN111917111B CN202010658468.5A CN202010658468A CN111917111B CN 111917111 B CN111917111 B CN 111917111B CN 202010658468 A CN202010658468 A CN 202010658468A CN 111917111 B CN111917111 B CN 111917111B
Authority
CN
China
Prior art keywords
distributed photovoltaic
power supply
photovoltaic power
distribution network
prediction model
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.)
Active
Application number
CN202010658468.5A
Other languages
English (en)
Other versions
CN111917111A (zh
Inventor
徐震
韦凌霄
李晓东
王云鹏
贾梦頔
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.)
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing 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 State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010658468.5A priority Critical patent/CN111917111B/zh
Publication of CN111917111A publication Critical patent/CN111917111A/zh
Application granted granted Critical
Publication of CN111917111B publication Critical patent/CN111917111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质，包括以下步骤：1)构建配电网；2)建立分布式光伏电源接纳能力在线评估模型及其约束条件；3)采集配电网各节点的实时运行数据及带有时标的历史量测数据；4)对分布式光伏电源日前功率预测模型及日前负荷预测模型进行更新；5)对未来4小时分布式光伏电源超短期功率预测模型和未来4小时超短期负荷预测模型进行更新；6)当时间到达预设评估时刻，对分布式光伏电源日前接纳能力进行在线评估；7)每隔固定评估时间间隔进行分布式光伏电源实时接纳能力评估，该方法、系统、设备及存储介质能够有效的进行配电网的分布式光伏电源接纳能力的评估。

Description

用于配电网的分布式光伏电源接纳能力在线评估的方法、系 统、设备及存储介质
技术领域
本发明属于电网技术领域，涉及一种用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质。
背景技术
分布式光伏电源以其绿色清洁、可再生以及分散灵活的特性，近年来在国家政策和资金的大力扶持下得到了飞速发展。大规模分布式光伏电源接入配电网后，配电网由原来简单的单端电源辐射状网络变为多端电源网络，使配电网的潮流分布变得极为复杂，必然对配电网的潮流分布和线损造成极大的影响，在有些情况下甚至会增加配电网线损。此外分布式光伏电源随机、波动的出力特性以及通过光伏逆变器并网的技术特性，一方面对配电网的接纳能力提出了更高要求，另一方面对配电网的电能质量也造成了较大影响。目前分布式光伏电源接入配电网后，缺少有效的实时监控手段，难以评估配电网的实时接纳能力及线损等变化情况。
目前对分布式光伏电源接入配电网的接纳能力的评估，主要以离线的理论研究和仿真分析居多，着重在配网规划阶段如何考虑多种因素确定配电网接入分布式光伏电源的最大接入容量和优化选点配置，接纳能力评估缺少实时监控和在线分析手段，只能针对特定或极端运行方式计算最大接纳容量或能力，可能造成计算结果失真或偏保守，不能很好地为提高配电网对分布式光伏电源的接纳能力和提升电网效益服务。
在分布式光伏电源发电功率预测和负荷预测方面，特别是分布式光伏电源发电功率的随机性和波动性大的特点，传统的时间序列预测和回归预测算法如ARMA、SVM/SVR、浅层人工神经网络的性能不佳，因此不能有效的对配电网的分布式光伏电源接纳能力进行评估。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质，该方法、系统、设备及存储介质能够有效的进行配电网的分布式光伏电源接纳能力的评估。
为达到上述目的，本发明所述的用于配电网的分布式光伏电源接纳能力在线评估的方法包括以下步骤：
1)构建配电网；
2)分析分布式光伏电源对配电网的影响，建立分布式光伏电源接纳能力在线评估模型及其约束条件；
3)采集配电网各节点的实时运行数据，同时采集生成带有时标的历史量测数据；
4)当到达预设更新时刻时，则对分布式光伏电源日前功率预测模型及日前负荷预测模型进行更新；
5)每隔预设时间间隔对未来4小时分布式光伏电源超短期功率预测模型和未来4小时超短期负荷预测模型进行更新；
6)当时间到达预设评估时刻，对分布式光伏电源日前接纳能力进行在线评估；
7)每隔固定评估时间间隔进行分布式光伏电源实时接纳能力评估。
步骤2)中，分布式光伏电源接纳能力在线评估模型的目标函数为：
Figure BDA0002577610970000031
其中，PPV,i为第i分布式光伏电源的输出的功率，N为分布式光伏电源的个数。
步骤2)中，分布式光伏电源接纳能力在线评估模型的约束条件包括节点功率平衡约束、节点电压约束、支路潮流约束及分布式光伏电源出力控制约束；
节点功率平衡约束为：
Figure BDA0002577610970000032
其中，PPV,i为节点i的分布式光伏电源有功注入，PL,i为节点i的有功负荷，QPV,i为节点i的分布式光伏电源无功注入，QL,i为节点i的无功负荷，Vi、Vj为节点i及节点j的电压幅值，θij为节点i及节点j的电压相角；
节点电压约束为：
Vi,min≤Vi≤Vi,max (3)
其中，Vi,min及Vi,max为节点i所允许的电压下限值和电压上限值，Vi为节点i电压幅值；
支路潮流约束为：
Ii,min≤Ii≤Ii,max (4)
其中，Ii为通过支路i的电流，Ii,min为支路i的反向电流约束，Ii,max为支路i的正向电流约束；
分布式光伏电源出力约束为：
PPV,i,min≤PPV,i≤PPV,i,max (5)
其中，PPV,i,min、PPV,i,max为节点i分布式光伏电源有功出力下限值和上限值，PPV,i为节点i分布式光伏电源注入有功。
步骤4)的具体操作过程为：
41)利用分布式光伏电源历史发电功率及数值天气预报，建立基于LightGBM的分布式光伏电源日前功率预测模型,其中，分布式光伏电源日前功率预测模型的输入为数值天气预报的辐照度、风速、温度、气压、湿度以及云量，分布式光伏电源日前功率预测模型的输出为分布式光伏电源发电功率；
42)以配电网的历史负荷数据和数值天气预报为样本，建立基于LightGBM的日前负荷预测模型，其中，日前负荷预测模型的输入为配电网负荷和数值天气预报的滞后1-384个点的时间序列以及超前1-96个点的数值天气预报时间序列，日前负荷预测模型的输出为超前1-96个点的配电网负荷时间序列。
步骤5)的具体操作为：
51)利用分布式光伏电源的历史发电功率和数值天气预报，建立基于LightGBM的未来4小时分布式光伏电源超短期预测模型，其中，未来4小时分布式光伏电源超短期预测模型的输入为分布式光伏电源发电功率和数值天气预报的滞后1-64个点的时间序列以及超前1-16个点的数值天气预报时间序列，未来4小时分布式光伏电源超短期预测模型的输出为超前1-16个点的分布式光伏电源发电功率时间序列；
52)利用配电网的历史负荷数据和数值天气预报，建立基于LightGBM的未来4小时超短期负荷预测模型，其中，未来4小时超短期负荷预测模型的输入为配电网负荷数据和数值天气预报的滞后1-64个点的时间序列以及超前1-16个点的数值天气预报时间序列，未来4小时超短期负荷预测模型的输出为超前1-16个点的配电网负荷时间序列；
步骤6)的具体操作为：
61)根据配电网各节点的实时运行数据以及检修计划，确定第二天时间间隔为15分钟96点每个时刻的配电网拓扑，形成修正后的配电网；
62)将第二天时间间隔为15分钟96点数值天气预报输入到更新后的日前负荷预测模型中，通过更新后的日前负荷预测模型预测出分布式光伏电源第二天时间间隔为15分钟96点发电功率预测值；
63)将分布式光伏电源的负荷和数值天气预报滞后1-384点时间序列以及数值天气预报超前1-96点的数值天气预报输入到更新后的日前负荷预测模型中，通过更新后的日前负荷预测模型预测出第二天时间间隔为15分钟96点负荷预测值；
64)将修正后的配电网、第二天时间间隔为15分钟96点分布式光伏电源发电功率预测值以及负荷预测值代入分布式光伏电源接纳能力在线评估模型，并使用粒子群优化算法，求解得出逐点分布式光伏电源日前接纳能力的评估结果；
步骤7)的具体操作为：
71)根据配电网各节点的实时运行数据以及配电网的检修计划，确定未来4小时16点每个时刻的配电网拓扑，形成修正后的配电网；
72)将分布式光伏电源发电功率和数值天气预报滞后1-64个点的时间序列以及数值天气预报超前1-16个点的时间序列输入到更新后的未来4小时分布式光伏电源超短期功率预测模型中，通过未来4小时分布式光伏电源超短期功率预测模型预测分布式光伏电源未来4小时16点的超短期发电功率预测值；
73)将分布式光伏电源的负荷和数值天气预报滞后1-64个点的时间序列以及数值天气预报超前1-16个点时间序列输入到更新后的未来4小时分布式光伏电源超短期功率预测模型预测中，通过更新后的未来4小时分布式光伏电源超短期功率预测模型预测预测出未来4小时16点超短期负荷预测值；
74)将修正后的配电网、未来4小时16点分布式光伏电源发电功率的超短期预测值以及负荷超短期预测值代入到分布式光伏电源接纳能力在线评估模型中，并使用粒子群优化算法，求解得出逐点分布式光伏电源实时接纳能力的评估结果。
一种用于配电网的分布式光伏电源接纳能力在线评估的系统包括以下步骤：
组建模块，用于构建配电网；
评估模型建立模块，用于分析分布式光伏电源对配电网的影响，建立分布式光伏电源接纳能力在线评估模型及其约束条件；
采集模块，用于采集配电网各节点的实时运行数据，同时采集生成带有时标的历史量测数据；
第一更新模块，用于当到达预设更新时刻时，则对分布式光伏电源日前功率预测模型及日前负荷预测模型进行更新；
第二更新模块，用于每隔预设时间间隔对未来4小时分布式光伏电源超短期功率预测模型和未来4小时超短期负荷预测模型进行更新；
第一评估模块，用于当时间到达预设评估时刻，对分布式光伏电源日前接纳能力进行在线评估；
第二评估模块，用于每隔固定评估时间间隔进行分布式光伏电源实时接纳能力评估。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述用于配电网的分布式光伏电源接纳能力在线评估的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述用于配电网的分布式光伏电源接纳能力在线评估的方法的步骤。
本发明具有以下有益效果：
本发明所述的用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质在具体操作时，当到达预设更新时刻时，则对分布式光伏电源日前功率预测模型及日前负荷预测模型进行更新；每隔预设时间间隔对未来4小时分布式光伏电源超短期功率预测模型和未来4小时超短期负荷预测模型进行更新，以充分考虑分布式光伏电源发电功率随机性和波动性对配电网实时调度运行的影响，实现分布式光伏电源接纳能力的日前和实时在线评估，为提高分布式光伏电源接纳能力、保证电网安全稳定运行提供有效手段，满足配电网实时调度的需要。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的流程图；
图2为本发明中粒子群算法的流程图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
参考图1，本发明所述的用于配电网的分布式光伏电源接纳能力在线评估的方法包括以下步骤：
1)构建配电网；
2)分析分布式光伏电源对配电网的影响，建立分布式光伏电源接纳能力在线评估模型及其约束条件；
3)采集配电网各节点的实时运行数据，同时采集生成带有时标的历史量测数据，配电网各节点的实时运行数据包括配电网各节点量测值及开关刀闸状态；
4)当到达预设更新时刻时，则对分布式光伏电源日前功率预测模型及日前负荷预测模型进行更新；
5)每隔预设时间间隔对未来4小时分布式光伏电源超短期功率预测模型和未来4小时超短期负荷预测模型进行更新；
6)当时间到达预设评估时刻，对分布式光伏电源日前接纳能力进行在线评估；
7)每隔固定评估时间间隔进行分布式光伏电源实时接纳能力评估。
步骤2)中，分布式光伏电源接纳能力在线评估模型的目标函数为：
Figure BDA0002577610970000091
其中，PPV,i为第i分布式光伏电源的输出的功率，N为分布式光伏电源的个数。
步骤2)中，分布式光伏电源接纳能力在线评估模型的约束条件包括节点功率平衡约束、节点电压约束、支路潮流约束及分布式光伏电源出力控制约束；
节点功率平衡约束为：
Figure BDA0002577610970000092
其中，PPV,i为节点i的分布式光伏电源有功注入，PL,i为节点i的有功负荷，QPV,i为节点i的分布式光伏电源无功注入，QL,i为节点i的无功负荷，Vi、Vj为节点i及节点j的电压幅值，θij为节点i及节点j的电压相角；
节点电压约束为：
Vi,min≤Vi≤Vi,max (3)
其中，Vi,min及Vi,max为节点i所允许的电压下限值和电压上限值，Vi为节点i电压幅值；
支路潮流约束为：
Ii,min≤Ii≤Ii,max (4)
其中，Ii为通过支路i的电流，Ii,min为支路i的反向电流约束，Ii,max为支路i的正向电流约束；
分布式光伏电源出力约束为：
PPV,i,min≤PPV,i≤PPV,i,max (5)
其中，PPV,i,min、PPV,i,max为节点i分布式光伏电源有功出力下限值和上限值，PPV,i为节点i分布式光伏电源注入有功。
步骤4)的具体操作过程为：
41)利用分布式光伏电源历史发电功率及数值天气预报，建立基于LightGBM的分布式光伏电源日前功率预测模型,其中，分布式光伏电源日前功率预测模型的输入为数值天气预报的辐照度、风速、温度、气压、湿度以及云量，分布式光伏电源日前功率预测模型的输出为分布式光伏电源发电功率；
42)以配电网的历史负荷数据和数值天气预报为样本，建立基于LightGBM的日前负荷预测模型，其中，日前负荷预测模型的输入为配电网负荷和数值天气预报的滞后1-384个点的时间序列以及超前1-96个点的数值天气预报时间序列，日前负荷预测模型的输出为超前1-96个点的配电网负荷时间序列。
步骤5)的具体操作为：
51)利用分布式光伏电源的历史发电功率和数值天气预报，建立基于LightGBM的未来4小时分布式光伏电源超短期预测模型，其中，未来4小时分布式光伏电源超短期预测模型的输入为分布式光伏电源发电功率和数值天气预报的滞后1-64个点的时间序列以及超前1-16个点的数值天气预报时间序列，未来4小时分布式光伏电源超短期预测模型的输出为超前1-16个点的分布式光伏电源发电功率时间序列；
52)利用配电网的历史负荷数据和数值天气预报，建立基于LightGBM的未来4小时超短期负荷预测模型，其中，未来4小时超短期负荷预测模型的输入为配电网负荷数据和数值天气预报的滞后1-64个点的时间序列以及超前1-16个点的数值天气预报时间序列，未来4小时超短期负荷预测模型的输出为超前1-16个点的配电网负荷时间序列；
步骤6)的具体操作为：
61)根据配电网各节点的实时运行数据以及检修计划，确定第二天时间间隔为15分钟96点每个时刻的配电网拓扑，形成修正后的配电网；
62)将第二天时间间隔为15分钟96点数值天气预报输入到更新后的日前负荷预测模型中，通过更新后的日前负荷预测模型预测出分布式光伏电源第二天时间间隔为15分钟96点发电功率预测值；
63)将分布式光伏电源的负荷和数值天气预报滞后1-384点时间序列以及数值天气预报超前1-96点的数值天气预报输入到更新后的日前负荷预测模型中，通过更新后的日前负荷预测模型预测出第二天时间间隔为15分钟96点负荷预测值；
64)将修正后的配电网、第二天时间间隔为15分钟96点分布式光伏电源发电功率预测值以及负荷预测值代入分布式光伏电源接纳能力在线评估模型，并使用粒子群优化算法，求解得出逐点分布式光伏电源日前接纳能力的评估结果；
步骤7)的具体操作为：
71)根据配电网各节点的实时运行数据以及配电网的检修计划，确定未来4小时16点每个时刻的配电网拓扑，形成修正后的配电网；
72)将分布式光伏电源发电功率和数值天气预报滞后1-64个点的时间序列以及数值天气预报超前1-16个点的时间序列输入到更新后的未来4小时分布式光伏电源超短期功率预测模型中，通过未来4小时分布式光伏电源超短期功率预测模型预测分布式光伏电源未来4小时16点的超短期发电功率预测值；
73)将分布式光伏电源的负荷和数值天气预报滞后1-64个点的时间序列以及数值天气预报超前1-16个点时间序列输入到更新后的未来4小时分布式光伏电源超短期功率预测模型预测中，通过更新后的未来4小时分布式光伏电源超短期功率预测模型预测预测出未来4小时16点超短期负荷预测值；
74)将修正后的配电网、未来4小时16点分布式光伏电源发电功率的超短期预测值以及负荷超短期预测值代入到分布式光伏电源接纳能力在线评估模型中，并使用粒子群优化算法，求解得出逐点分布式光伏电源实时接纳能力的评估结果。
参考图2，使用粒子群算法，求解分布式光伏电源接纳能力相关步骤如下：
1a)初始化：设粒子群数为M；分布式光伏电源个数为N,则每个粒子为维度为N的向量，其初始值为评估时刻各分布式光伏电源节点预测发电功率；
2a)根据适应度函数，计算适应度值，如果适应度值与若干代前最优解适应度值的差值绝对值小于预设阈值或达到最大迭代次数时，则停止迭代输出最优解,否则，则更新各粒子历史最优值以及全局最优值；
将分布式光伏电源接纳能力在线评估模型的约束条件以惩罚项的方式处理，则适应度函数为：
Figure BDA0002577610970000131
其中：
Figure BDA0002577610970000132
Figure BDA0002577610970000133
Figure BDA0002577610970000134
其中，ω1为节点电压越限的惩罚值，ω2为支路电流越限的惩罚值，ω3为分布式光伏电源发电功率约束的惩罚值；
3a)更新各粒子的速度和位置；
4a)根据更新后的位置，进行潮流计算，跳转至步骤2a)；
5a)根据计算结果，更新各粒子历史最优值以及全局最优值。
本发明所述的用于配电网的分布式光伏电源接纳能力在线评估的系统包括以下步骤：
组建模块，用于构建配电网；
评估模型建立模块，用于分析分布式光伏电源对配电网的影响，建立分布式光伏电源接纳能力在线评估模型及其约束条件；
采集模块，用于采集配电网各节点的实时运行数据，同时采集生成带有时标的历史量测数据；
第一更新模块，用于当到达预设更新时刻时，则对分布式光伏电源日前功率预测模型及日前负荷预测模型进行更新；
第二更新模块，用于每隔预设时间间隔对未来4小时分布式光伏电源超短期功率预测模型和未来4小时超短期负荷预测模型进行更新；
第一评估模块，用于当时间到达预设评估时刻，对分布式光伏电源日前接纳能力进行在线评估；
第二评估模块，用于每隔固定评估时间间隔进行分布式光伏电源实时接纳能力评估。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述用于配电网的分布式光伏电源接纳能力在线评估的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述用于配电网的分布式光伏电源接纳能力在线评估的方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种用于配电网的分布式光伏电源接纳能力在线评估的方法，其特征在于,包括以下步骤：
1)构建配电网；
2)分析分布式光伏电源对配电网的影响，建立分布式光伏电源接纳能力在线评估模型及其约束条件；
3)采集配电网各节点的实时运行数据，同时采集生成带有时标的历史量测数据；
4)当到达预设更新时刻时，则对分布式光伏电源日前功率预测模型及日前负荷预测模型进行更新；
5)每隔预设时间间隔对未来4小时分布式光伏电源超短期功率预测模型和未来4小时超短期负荷预测模型进行更新；
6)当时间到达预设评估时刻，对分布式光伏电源日前接纳能力进行在线评估；
7)每隔固定评估时间间隔进行分布式光伏电源实时接纳能力评估；
步骤4)的具体操作过程为：
41)利用分布式光伏电源历史发电功率及数值天气预报，建立基于LightGBM的分布式光伏电源日前功率预测模型,其中，分布式光伏电源日前功率预测模型的输入为数值天气预报的辐照度、风速、温度、气压、湿度以及云量，分布式光伏电源日前功率预测模型的输出为分布式光伏电源发电功率；
42)以配电网的历史负荷数据和数值天气预报为样本，建立基于LightGBM的日前负荷预测模型，其中，日前负荷预测模型的输入为配电网负荷和数值天气预报的滞后1-384个点的时间序列以及超前1-96个点的数值天气预报时间序列，日前负荷预测模型的输出为超前1-96个点的配电网负荷时间序列。
2.根据权利要求1所述的用于配电网的分布式光伏电源接纳能力在线评估的方法，其特征在于，步骤2)中，分布式光伏电源接纳能力在线评估模型的目标函数为：
Figure FDA0003457385780000021
其中，PPV,i为第i分布式光伏电源的输出的功率，N为分布式光伏电源的个数。
3.根据权利要求1所述的用于配电网的分布式光伏电源接纳能力在线评估的方法，其特征在于，步骤5)的具体操作为：
51)利用分布式光伏电源的历史发电功率和数值天气预报，建立基于LightGBM的未来4小时分布式光伏电源超短期预测模型，其中，未来4小时分布式光伏电源超短期预测模型的输入为分布式光伏电源发电功率和数值天气预报的滞后1-64个点的时间序列以及超前1-16个点的数值天气预报时间序列，未来4小时分布式光伏电源超短期预测模型的输出为超前1-16个点的分布式光伏电源发电功率时间序列；
52)利用配电网的历史负荷数据和数值天气预报，建立基于LightGBM的未来4小时超短期负荷预测模型，其中，未来4小时超短期负荷预测模型的输入为配电网负荷数据和数值天气预报的滞后1-64个点的时间序列以及超前1-16个点的数值天气预报时间序列，未来4小时超短期负荷预测模型的输出为超前1-16个点的配电网负荷时间序列。
4.根据权利要求1所述的用于配电网的分布式光伏电源接纳能力在线评估的方法，其特征在于，步骤6)的具体操作为：
61)根据配电网各节点的实时运行数据以及检修计划，确定第二天时间间隔为15分钟96点每个时刻的配电网拓扑，形成修正后的配电网；
62)将第二天时间间隔为15分钟96点数值天气预报输入到更新后的日前负荷预测模型中，通过更新后的日前负荷预测模型预测出分布式光伏电源第二天时间间隔为15分钟96点发电功率预测值；
63)将分布式光伏电源的负荷和数值天气预报滞后1-384点时间序列以及数值天气预报超前1-96点的数值天气预报输入到更新后的日前负荷预测模型中，通过更新后的日前负荷预测模型预测出第二天时间间隔为15分钟96点负荷预测值；
64)将修正后的配电网、第二天时间间隔为15分钟96点分布式光伏电源发电功率预测值以及负荷预测值代入分布式光伏电源接纳能力在线评估模型，并使用粒子群优化算法，求解得出逐点分布式光伏电源日前接纳能力的评估结果。
5.根据权利要求1所述的用于配电网的分布式光伏电源接纳能力在线评估的方法，其特征在于，步骤7)的具体操作为：
71)根据配电网各节点的实时运行数据以及配电网的检修计划，确定未来4小时16点每个时刻的配电网拓扑，形成修正后的配电网；
72)将分布式光伏电源发电功率和数值天气预报滞后1-64个点的时间序列以及数值天气预报超前1-16个点的时间序列输入到更新后的未来4小时分布式光伏电源超短期功率预测模型中，通过未来4小时分布式光伏电源超短期功率预测模型预测分布式光伏电源未来4小时16点的超短期发电功率预测值；
73)将分布式光伏电源的负荷和数值天气预报滞后1-64个点的时间序列以及数值天气预报超前1-16个点时间序列输入到更新后的未来4小时分布式光伏电源超短期功率预测模型预测中，通过更新后的未来4小时分布式光伏电源超短期功率预测模型预测出未来4小时16点超短期负荷预测值；
74)将修正后的配电网、未来4小时16点分布式光伏电源发电功率的超短期预测值以及负荷超短期预测值代入到分布式光伏电源接纳能力在线评估模型中，并使用粒子群优化算法，求解得出逐点分布式光伏电源实时接纳能力的评估结果。
6.一种实现如权利要求1所述的用于配电网的分布式光伏电源接纳能力在线评估方法的系统，其特征在于,包括以下步骤：
组建模块，用于构建配电网；
评估模型建立模块，用于分析分布式光伏电源对配电网的影响，建立分布式光伏电源接纳能力在线评估模型及其约束条件；
采集模块，用于采集配电网各节点的实时运行数据，同时采集生成带有时标的历史量测数据；
第一更新模块，用于当到达预设更新时刻时，则对分布式光伏电源日前功率预测模型及日前负荷预测模型进行更新；
第二更新模块，用于每隔预设时间间隔对未来4小时分布式光伏电源超短期功率预测模型和未来4小时超短期负荷预测模型进行更新；
第一评估模块，用于当时间到达预设评估时刻，对分布式光伏电源日前接纳能力进行在线评估；
第二评估模块，用于每隔固定评估时间间隔进行分布式光伏电源实时接纳能力评估。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述用于配电网的分布式光伏电源接纳能力在线评估的方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述用于配电网的分布式光伏电源接纳能力在线评估的方法的步骤。
CN202010658468.5A 2020-07-09 2020-07-09 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质 Active CN111917111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010658468.5A CN111917111B (zh) 2020-07-09 2020-07-09 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010658468.5A CN111917111B (zh) 2020-07-09 2020-07-09 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111917111A CN111917111A (zh) 2020-11-10
CN111917111B true CN111917111B (zh) 2022-03-01

Family

ID=73226325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010658468.5A Active CN111917111B (zh) 2020-07-09 2020-07-09 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111917111B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113315178B (zh) * 2021-07-07 2023-02-17 国家电网有限公司华东分部 一种主动配电网自平衡能力评估方法及系统
CN113837485B (zh) * 2021-09-30 2023-09-26 国网北京市电力公司 光储微网系统源荷特性预测方法、系统、装置及存储介质
CN114006415A (zh) * 2021-11-24 2022-02-01 广东电网有限责任公司 一种配网新能源接纳能力提升的评估方法、系统及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102280878A (zh) * 2011-07-26 2011-12-14 国电南瑞科技股份有限公司 基于sced的风电接纳能力优化评估方法
CN103441535A (zh) * 2013-08-01 2013-12-11 国电南瑞科技股份有限公司 基于sced的日前发电计划光伏发电接纳能力分析方法
CN104933516A (zh) * 2015-05-27 2015-09-23 华南理工大学 一种多时间尺度的电力系统鲁棒调度系统设计方法
CN105279346A (zh) * 2015-11-20 2016-01-27 国网能源研究院 一种用于评估配电网接纳分布式光伏能力的方法
US9286646B1 (en) * 2013-07-05 2016-03-15 Clean Power Research, L.L.C. Method for managing centralized power generation with the aid of a digital computer

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109546683B (zh) * 2018-12-12 2022-06-14 国网江苏省电力有限公司电力科学研究院 一种配电网节点分布式光伏接纳能力裕度优化方法
CN109995089B (zh) * 2019-01-31 2022-08-19 中国电力科学研究院有限公司 一种分布式电源消纳能力评估方法及系统
CN111369070B (zh) * 2020-03-13 2023-06-27 西安理工大学 一种基于包络线聚类的多模融合光伏功率预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102280878A (zh) * 2011-07-26 2011-12-14 国电南瑞科技股份有限公司 基于sced的风电接纳能力优化评估方法
US9286646B1 (en) * 2013-07-05 2016-03-15 Clean Power Research, L.L.C. Method for managing centralized power generation with the aid of a digital computer
CN103441535A (zh) * 2013-08-01 2013-12-11 国电南瑞科技股份有限公司 基于sced的日前发电计划光伏发电接纳能力分析方法
CN104933516A (zh) * 2015-05-27 2015-09-23 华南理工大学 一种多时间尺度的电力系统鲁棒调度系统设计方法
CN105279346A (zh) * 2015-11-20 2016-01-27 国网能源研究院 一种用于评估配电网接纳分布式光伏能力的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
主动配电网供电能力实时评估方法;朱静等;《中国电力》;20151205;第48卷(第12期);96-102 *
考虑储能配置模式的多数据源融合分布式光伏发电并网接纳分析方法;陶琼等;《高电压技术》;20180430;第44卷(第4期);1093-1098 *

Also Published As

Publication number Publication date
CN111917111A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN111917111B (zh) 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质
Shabbir et al. Forecasting short term wind energy generation using machine learning
CN110854932B (zh) 一种交直流配电网多时间尺度优化调度方法及系统
CN102184453A (zh) 基于模糊神经网络和支持向量机的风电功率组合预测方法
CN109829560B (zh) 一种配电网可再生能源发电集群接入规划方法
CN106803130B (zh) 分布式电源接入配电网的规划方法
CN115425680B (zh) 一种多能源联合发电系统的功率预测模型构建及预测方法
Xi et al. A virtual generation ecosystem control strategy for automatic generation control of interconnected microgrids
Li et al. Day-ahead hourly photovoltaic generation forecasting using extreme learning machine
CN114696351A (zh) 一种电池储能系统动态优化方法、装置、电子设备和存储介质
CN109687509A (zh) 一种配电网分布式电源优化配置方法和系统
Hussain et al. A hybrid artificial neural network for grid-connected photovoltaic system output prediction
Jahan et al. Intelligent system for power load forecasting in off-grid platform
Bai et al. Optimal scheduling of distributed energy resources by modern heuristic optimization technique
Pappala et al. Unit commitment under wind power and demand uncertainties
CN114298429A (zh) 一种配电网动案辅助决策方法、系统、装置和存储介质
CN111178593A (zh) 一种光伏系统输出功率预测方法及装置
Sahoo et al. DC-Microgrid Price Prediction using Long Short Term Memory with Double Activation Function
Alhaddad et al. An Overview of Wind-Solar System Output Power
CN111859780A (zh) 一种微电网运行优化方法和系统
Gamez et al. Optimal operation via a recurrent neural network of a wind-solar energy system
Xi et al. Unit commitment problems in power systems with wind farms based on probability offset binary particle swarm optimization algorithm
Su et al. A novel data-driven robust method applied to OPF with uncertain wind power
Sulaiman et al. Hybridization of meta-evolutionary programming and artificial neural network for predicting grid-connected photovoltaic system output
Wang et al. A new improved combined model algorithm for the application of photovoltaic power prediction

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