CN112242703B - 一种基于pso优化蒙特卡洛算法的配电网光伏消纳评估方法 - Google Patents
一种基于pso优化蒙特卡洛算法的配电网光伏消纳评估方法 Download PDFInfo
- Publication number
- CN112242703B CN112242703B CN202010959465.5A CN202010959465A CN112242703B CN 112242703 B CN112242703 B CN 112242703B CN 202010959465 A CN202010959465 A CN 202010959465A CN 112242703 B CN112242703 B CN 112242703B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- node
- distribution network
- power distribution
- power
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 239000002245 particle Substances 0.000 title claims abstract description 18
- 238000010521 absorption reaction Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000035699 permeability Effects 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 13
- 238000004088 simulation Methods 0.000 description 10
- 238000005286 illumination Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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"
-
- 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
-
- 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
-
- 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于PSO优化蒙特卡洛算法的配电网光伏消纳评估方法,包括如下步骤:确定光伏典型消纳评估时刻;确定N个可接入光伏的节点位置;随机抽取Npv个节点位置作为光伏接入点;计算各个节点的光伏容量;计算各个节点光伏出力功率;进行潮流计算,得到配电网中每一个节点电压;采用蒙特卡洛算法,逐步增加比例系数kpv,直到达到所设定的值;初始化PSO粒子的位置和速度;进行PSO粒子的位置和速度的更新;输出配电网的最大光伏消纳容量以及N个可接入光伏节点的光伏容量配置。本发明针对传统的配电网的光伏消纳能力评估算法进行改进,以克服各自算法的缺点,并且结合各自算法的优点,能够更加准确的以及更加快速的进行配电网光伏消纳容量评估。
Description
技术领域
本发明属于电力系统领域,涉及配电网分布式光伏规划领域,具体涉及一种基于PSO优化蒙特卡洛算法的配电网光伏消纳评估方法。
背景技术
近年来,由于国家对新能源的不断提倡,使得新能源发展迅速。其中最具有典型的是光伏发电。虽然光伏的接入可以减小网络损耗、对电网电压提供支撑作用,但是高渗透率的光伏接入配电网将会影响配电网的安全、稳定以及经济性。因此,正确的评估配电网的光伏消纳能力以及对过多的光伏配置进行合理消纳方案选择将具有重要的意义。
迄今为止,各国对配电网的光伏消纳评估进行了广泛而深远的研究。对于配电网的消纳能力的评估大致可以分为动态仿真方法以及数学优化方法。动态仿真方法是借助一些动态仿真软件,如OpenDss、PSCAD等。原理比较简单,但是需要重复计算,计算量比较大。数学优化方法是通过数学方法、智能算法或者随机场景模拟法进行求解。采用数学方法进行配电网的光伏消纳方式评估,其本质为求解接入配电网光伏的非线性优化问题。如内点法、梯度下降法等;但所涉及的接入光伏点数越多,求解的难度越大;智能算法是通过一系列的粒子以配电网最大的光伏消纳容量为目标值进行优化求解,当得到全局最优解的时候则找到配电网的最大光伏消纳容量;智能算法比较简单,但很容易受到初值以及配置参数的影响陷入局部最优;随机场景模拟方法是通过大量的光伏接入场景以及接入光伏容量的模拟得到最大光伏消纳能力,模拟场景越多,光伏消纳评估的越准确,但是算法的时间将大幅增加。
针对光伏消纳模拟的数学模拟方法,孙保功等人对原来的内点法进行改进,利用非线性原对偶路径跟踪内点算法进行求解,提高原内点法的收敛性。夏成军等人针对多个分布式电源情况下,采用改进的遗传算法并且结合机会规划约束概率模型来近似得到多个分布式电源的最大安装容量,但为单个场景进行模拟。徐志诚等人则是采用蒙特卡洛算法对配电网中分布式电源的接入点、接入数量以及接入容量进行随机选取,通过多种场景模拟得到配电网的光伏消纳容量,但随机模拟方法计算量大,所耗费的时间比较长。因此,对于评估算法可以进一步的进行改进与修正。
单一的评估算法在评估配电网的光伏消纳能力均存在一定的缺陷,如何正确的结合算法,使得评估算法能够更加准确以及更加快速的进行配电网的光伏消纳容量评估,已经成为急需解决的重要问题。
发明内容
发明目的:为了克服现有技术中存在的不足,提供一种基于PSO优化蒙特卡洛算法的配电网光伏消纳评估方法,其采用PSO算法对蒙特卡洛算法进行优化,以提高配电网光伏消纳能力评估的准确性以及快速性。
技术方案:为实现上述目的,本发明提供一种基于PSO优化蒙特卡洛算法的配电网光伏消纳评估方法,包括如下步骤:
S1:归一化全年负荷以及光伏出力功率,计算得到全年负荷以及光伏出力波动系数,确定光伏典型消纳评估时刻;
S2:根据配电网中的负荷节点位置,确定N个可接入光伏的节点位置;
S3:在N个可接入光伏节点位置,对N个可接入节点进行随机抽样,随机抽取Npv个节点位置作为光伏接入点;
S4:针对Npv个光伏接入点,计算各个节点的光伏容量;
S5:根据归一化的光伏出力曲线以及光伏并网容量,计算各个节点光伏出力功率;
S6:采用前推后代使用光伏出力功率、负荷功率以及配电网参数,进行潮流计算,得到配电网中每一个节点电压;
S7:采用蒙特卡洛算法,逐步增加比例系数kpv,重复步骤S3到步骤S6,直到达到所设定的值,每次保存光伏接入点的位置,光伏接入的最大容量以及节点电压水平;
S8:配置PSO相关参数以及输入配电网相关参数;
S9:将步骤S7中满足规定电压要求下的最大光伏容量下N个光伏接入节点的光伏容量代入到PSO算法中并作为初始粒子的位置和速度参考以初始化PSO粒子的位置和速度;
S10:以配电网中光伏最大的消纳容量为目标函数,在满足约束条件下进行PSO粒子的位置和速度的更新;
S11:判断是否达到终止条件,如果达到终止条件,输出配电网的最大光伏消纳容量以及N个可接入光伏节点的光伏容量配置,否则转到步骤S10。
进一步的,所述步骤S1中归一化全年的负荷出力波动系数为:
式中,Pload(t)为t时刻的负荷功率;Pload,max为全年负荷出力的最大值;
归一化全年的光伏出力波动系数为:
式中,Ppv(t)为t时刻的负荷功率;Ppv,max为全年光伏出力的最大值。
进一步的,所述步骤S1中光伏典型消纳评估时刻的确定具体为:
计算每一时刻的光伏渗透率,选取光伏渗透率最大的时刻作为光伏消纳的典型时刻:
式中,λpv(t)为t时刻的光伏渗透率。
进一步的,所述步骤S4中节点的光伏容量的计算方法为:
节点i接入的光伏容量为其节点负荷功率的kpv倍,因此,节点i的光伏容量为:
Cpv,i=kpvPload,i
其中,Cpv,i为节点i光伏安装容量,Pload,i节点i的是典型时刻负荷。
进一步的,所述步骤S5中节点光伏出力功率的计算方法为:
节点i的计算公式:
Ppv,i′=COpv,mCpv,i
式中,COpv,m为典型时刻光伏出力波动系数。
进一步的,所述步骤S6中配电网参数包括配电网的结构、输电线路的阻抗、基准电压和基准功率。
进一步的,所述步骤S8中PSO参数包括种群的数量、迭代次数、权重大小、加速系数;配电网的相关参数包括配电网的结构、配电网输电线路的阻抗、配电网的节点负荷功率、基准电压、基准功率。
进一步的,所述步骤S10中目标函数为:
f=maxCTx
式中,C=[C1,C2,…,CN]为各节点的光伏安装容量,x=[1,1,…,1]为单位向量。
进一步的,所述步骤S10中约束条件分为等约束条件和不等约束条件,具体如下:
不等约束条件为电压约束条件:
Ui,min≤Ui≤Ui,max
式中,Ui为节点i的电压值,Ui,max为节点i的电压值最大值,Ui,min为节点i的电压值最小值;
等约束条件为功率平衡约束条件:
式中,Ui为节点i的电压幅值;θij为节点i和节点j之间的电压相角差;Gij和Bij分别为线路i、j的电导和电纳;Pload,i、Qload,i为节点i在典型时刻的有功功率和无功功率;Ppv,i、Qpv,i为节点i在典型时刻的光伏有功功率和无功功率;n为配电网负荷节点数。
本发明提出了一种基于PSO优化蒙特卡洛算法的配电网光伏消纳评估方法,通过选取典型的光伏消纳时刻,采用蒙特卡洛算法在典型时刻下进行配电网的初步光伏消纳评估,得到在满足电压约束条件下光伏并网节点的最大消纳容量;然后将光伏并网节点的最大消纳容量作为PSO的初值,以配电网最大的光伏消纳容量为目标函数进行寻优,找到配电网的最大光伏消纳容量。
有益效果:本发明与现有技术相比,针对传统的配电网的光伏消纳能力评估算法进行改进,以克服各自算法的缺点,并且结合各自算法的优点,能够更加准确的以及更加快速的进行配电网光伏消纳容量评估。
附图说明
图1是PSO优化蒙特卡洛算法流程图;
图2是归一化的负荷波动系数展示图;
图3是归一化的光伏出力系数展示图;
图4是标准的IEEE 33节点配电网模型示意图;
图5是节点光伏容量分布情况示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
本发明提供一种基于PSO优化蒙特卡洛算法的配电网光伏消纳评估方法,如图1所示,其包括如下步骤:
步骤1:归一化全年负荷以光伏出力功率,计算全年负荷以及光伏出力波动系数,确定光伏典型消纳评估时刻。
归一化全年的负荷出力波动系数为:
式中:Pload(t)为t时刻的负荷功率;Pload,max为全年负荷出力的最大值;
归一化全年的光伏出力波动系数为:
式中:Ppv(t)为t时刻的负荷功率;Ppv,max为全年光伏出力的最大值;
本实施例中典型时刻选取是根据全年8760h,计算每一时刻的光伏渗透率,选取光伏渗透率最大的作为光伏消纳的典型时刻:
式中:λpv(t)为t时刻的光伏渗透率,t为1,2,3…8760。
步骤2:根据配电网中的负荷节点位置确定N个可接入光伏的节点位置。
步骤3:在N个可接入光伏节点位置,对N个可接入节点进行随机抽样,随机抽取Npv个节点位置接入光伏。
步骤4:对于Npv个光伏接入点,计算各个节点的光伏容量。
例如:节点i接入的光伏容量为其节点负荷功率的kpv倍,因此节点i的光伏容量为:
Cpv,i=kpvPload,i
其中,Cpv,i为节点i光伏安装容量,Pload,i节点i的是典型时刻负荷。
步骤5:根据归一化的光伏出力曲线以及光伏并网容量,确定节点i光伏出力功率。
对于节点i来说,
Ppv,i′=COpv,mCpv,i
式中:COpv,m为典型时刻光伏出力波动系数。
步骤6:采用前推后代对光伏出力功率、负荷功率以及配电网参数进行潮流计算,计算配电网中每一个节点电压;
配电网参数为配电网的结构、输电线路的阻抗、基准电压和基准功率。
步骤7:采用蒙特卡洛算法,逐步增加比例系数kpv,重复以上操作步骤3到步骤6,直到达到所设定的值,每次保存光伏接入点的位置,光伏接入的最大容量以及节点电压水平。
步骤8:配置PSO相关参数以及输入配电网相关参数。
PSO参数为种群的数量、迭代次数、权重大小、加速系数;
配电网的相关参数为配电网的结构、配电网输电线路的阻抗、配电网的节点负荷功率、基准电压、基准功率。
步骤9:将步骤7中满足规定电压要求下的最大光伏容量下N个光伏接入节点的光伏容量代入到PSO算法中并作为初始粒子的位置和速度参考以初始化PSO粒子的位置和速度。
步骤10:以配电网中光伏最大的消纳容量为目标函数,在满足约束条件下进行PSO粒子的位置和速度的更新。
本实施例中目标函数为:
f=maxCTx
式中:C=[C1,C2,…,CN]为各节点的光伏安装容量,x=[1,1,…,1]为单位向量。
约束条件分为不等约束约束条件和等约束约束条件:
不等约束约束条件为电压约束条件:
Ui,min≤Ui≤Ui,max
式中:Ui为节点i的电压值,Ui,max为节点i的电压值最大值,Ui,min为节点i的电压值最小值。
等约束条件为功率平衡约束条件:
式中:Ui为节点i的电压幅值;θij为节点i和节点j之间的电压相角差;Gij和Bij分别为线路i、j的电导和电纳;Pload,i、Qload,i为节点i在典型时刻的有功功率和无功功率;Ppv,i、Qpv,i为节点i在典型时刻的光伏有功功率和无功功率;n为配电网负荷节点数。
步骤11:判断是否达到终止条件,如果达到终止条件,输出配电网的最大光伏消纳容量以及N个可接入光伏节点的光伏容量配置,否则转到步骤10。
基于上述评估方法,本实施例对某配电网光伏消纳容量进行评估:
首先对全年光伏出力功率以及负荷功率进行归一化处理,按照光伏渗透率选取典型时刻。从图2、图3归一化结果可以知道光伏的最大渗透率时候为第3399时刻,此时光伏功率为最大光伏功率的0.7212倍,负荷功率为最大负荷功率的0.1811倍。
此时可以看出光伏渗透率最大并非是最小负荷以及最大光伏功率处,而是处在负荷比较小,而光照功率的位置,此时光伏渗透率最大,也是配电网最薄弱的时刻。将光伏渗透率最大时候作为典型时刻的选取,探究在此种情况下配电网的最大消纳能力也是最合适的。
本实施例采用的IEEE 33系统如图4所示,该系统基准电压为12.66kV,基准功率取10MVA,母线1为平衡节点,电压为1.04pu,系统总负荷为3.715MW+j2.3Mvar。光伏出力系数以及负荷变动系数如图2、图3所示,环境温度取25℃。
由于考虑到配电网城区面积比较小,认为光照在一个配电网范围内变化并不是很大,因此,认为每一个节点的光照强度相同。并且在满足配电网有功与无功的等约束条件下,考虑到供电公司的考核标准,节点电压的标幺值最高不得超过1.05,最低不得低于0.95。
为了凸显PSO改进蒙特卡洛算法的优势,本实施例将采用改进算法和传统算法进行计算速度和计算时间的对比。
采用蒙特卡洛算法以及步骤进行随机场景模拟,kpv的取值范围为0~300%,每次增加步长10%,在每一次增加步下运行2000次,一共运行60000次。
采用改进算法,kpv的取值范围为0~300%,每次增加步长10%,在每一次增加步下运行200次,一共运行6000次,然后将最大消纳容量对应的节点容量带入PSO初值,进行优化。结果如表1所示。
表1 PSO优化蒙特卡洛与传统蒙特卡洛法对比
类型 | 运算时间/s | 最大消纳容量/MW |
蒙特卡洛 | 177.8 | 3.647 |
PSO优化蒙特卡洛 | 3.07 | 4.530 |
从表1可以看出,改进版的蒙特卡洛不论是从消纳容量上还是从时间上都有了一定的提升。由于减小了场景数量,大大提高了计算速度。利用蒙特卡洛进行场景模拟评估配电网的消纳能力,最终配置的结果往往是避开了电压薄弱点,而是选择电压支撑点,但不同的电压支撑点之间也有不一样的消纳容量。采用同比例递增的方式,当达到电压支撑点中最小的消纳容量的时候,也就停止了消纳评估,否则再次增加比例的时候电压开始越限;然而,针对电压支撑点之间的不同消纳容量配置,不应该以电压支撑点中最小的消纳容量作为评估约束,而利用PSO进行寻优可以很好的克服这一点,PSO的优化可以考虑先在电压支撑点的最大消纳容量进行配置。因此,对配电网的光伏消纳评估比单纯的蒙特卡洛算法要好。
最终,具体配电网的节点所安装的光伏容量如图5所示。
Claims (7)
1.一种基于PSO优化蒙特卡洛算法的配电网光伏消纳评估方法,其特征在于,包括如下步骤:
S1:归一化全年负荷以及光伏出力功率,计算得到全年负荷以及光伏出力波动系数,确定光伏典型消纳评估时刻;
S2:根据配电网中的负荷节点位置,确定N个可接入光伏的节点位置;
S3:在N个可接入光伏节点位置,对N个可接入节点进行随机抽样,随机抽取Npv个节点位置作为光伏接入点;
S4:针对Npv个光伏接入点,计算各个节点的光伏容量;
S5:根据归一化的光伏出力曲线以及光伏并网容量,计算各个节点光伏出力功率;
S6:采用前推后代使用光伏出力功率、负荷功率以及配电网参数,进行潮流计算,得到配电网中每一个节点电压;
S7:采用蒙特卡洛算法,逐步增加比例系数kpv,重复步骤S3到步骤S6,直到达到所设定的值,每次保存光伏接入点的位置,光伏接入的最大容量以及节点电压水平;
S8:配置PSO相关参数以及输入配电网相关参数;
S9:将步骤S7中满足规定电压要求下的最大光伏容量下N个光伏接入节点的光伏容量代入到PSO算法中并作为初始粒子的位置和速度参考以初始化PSO粒子的位置和速度;
S10:以配电网中光伏最大的消纳容量为目标函数,在满足约束条件下进行PSO粒子的位置和速度的更新;
S11:判断是否达到终止条件,如果达到终止条件,输出配电网的最大光伏消纳容量以及N个可接入光伏节点的光伏容量配置,否则转到步骤S10;
所述步骤S1中归一化全年的负荷出力波动系数为:
式中,Pload(t)为t时刻的负荷功率;Pload,max为全年负荷出力的最大值;
归一化全年的光伏出力波动系数为:
式中,Ppv(t)为t时刻的负荷功率;Ppv,max为全年光伏出力的最大值;
所述步骤S1中光伏典型消纳评估时刻的确定具体为:
计算每一时刻的光伏渗透率,选取光伏渗透率最大的时刻作为光伏消纳的典型时刻:
式中,λpv(t)为t时刻的光伏渗透率。
2.根据权利要求1所述的一种基于PSO优化蒙特卡洛算法的配电网光伏消纳评估方法,其特征在于:所述步骤S4中节点的光伏容量的计算方法为:
节点i接入的光伏容量为其节点负荷功率的kpv倍,因此,节点i的光伏容量为:
Cpv,i=kpvPload,i
其中,Cpv,i为节点i光伏安装容量,Pload,i节点i的是典型时刻负荷。
3.根据权利要求1所述的一种基于PSO优化蒙特卡洛算法的配电网光伏消纳评估方法,其特征在于:所述步骤S5中节点光伏出力功率的计算方法为:
节点i的计算公式:
Ppv,i′=COpv,mCpv,i
式中,COpv,m为典型时刻光伏出力波动系数。
4.根据权利要求1所述的一种基于PSO优化蒙特卡洛算法的配电网光伏消纳评估方法,其特征在于:所述步骤S6中配电网参数包括配电网的结构、输电线路的阻抗、基准电压和基准功率。
5.根据权利要求1所述的一种基于PSO优化蒙特卡洛算法的配电网光伏消纳评估方法,其特征在于:所述步骤S8中PSO参数包括种群的数量、迭代次数、权重大小、加速系数;配电网的相关参数包括配电网的结构、配电网输电线路的阻抗、配电网的节点负荷功率、基准电压、基准功率。
6.根据权利要求1所述的一种基于PSO优化蒙特卡洛算法的配电网光伏消纳评估方法,其特征在于:所述步骤S10中目标函数为:
f=maxCTx
式中,C=[C1,C2,…,CN]为各节点的光伏安装容量,x=[1,1,…,1]为单位向量。
7.根据权利要求1所述的一种基于PSO优化蒙特卡洛算法的配电网光伏消纳评估方法,其特征在于:所述步骤S10中约束条件分为等约束条件和不等约束条件,具体如下:
不等约束条件为电压约束条件:
Ui,min≤Ui≤Ui,max
式中,Ui为节点i的电压值,Ui,max为节点i的电压值最大值,Ui,min为节点i的电压值最小值;
等约束条件为功率平衡约束条件:
式中,Ui为节点i的电压幅值;θij为节点i和节点j之间的电压相角差;Gij和Bij分别为线路i、j的电导和电纳;Pload,i、Qload,i为节点i在典型时刻的有功功率和无功功率;Ppv,i、Qpv,i为节点i在典型时刻的光伏有功功率和无功功率;n为配电网负荷节点数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959465.5A CN112242703B (zh) | 2020-09-14 | 2020-09-14 | 一种基于pso优化蒙特卡洛算法的配电网光伏消纳评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959465.5A CN112242703B (zh) | 2020-09-14 | 2020-09-14 | 一种基于pso优化蒙特卡洛算法的配电网光伏消纳评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112242703A CN112242703A (zh) | 2021-01-19 |
CN112242703B true CN112242703B (zh) | 2022-10-11 |
Family
ID=74170835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010959465.5A Active CN112242703B (zh) | 2020-09-14 | 2020-09-14 | 一种基于pso优化蒙特卡洛算法的配电网光伏消纳评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112242703B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723031B (zh) * | 2021-08-12 | 2023-12-01 | 上海电力大学 | 一种基于安全运行约束的配电网光伏承载能力计算方法 |
CN114678872A (zh) * | 2022-01-25 | 2022-06-28 | 国网浙江省电力有限公司江山市供电公司 | 一种电网对分布式电源的消纳能力分析方法 |
CN115642597B (zh) * | 2022-12-23 | 2023-03-10 | 华北电力科学研究院有限责任公司 | 一种分布式光伏承载力计算方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110635504A (zh) * | 2018-06-22 | 2019-12-31 | 华北电力大学(保定) | 基于改进花粉算法的配电网分布式光伏消纳能力评估方法 |
CN111092451A (zh) * | 2018-10-23 | 2020-05-01 | 中国能源建设集团江苏省电力设计院有限公司 | 一种基于配电网网格的光伏消纳预警方法 |
CN111146821A (zh) * | 2019-12-31 | 2020-05-12 | 国网浙江省电力有限公司嘉兴供电公司 | 一种计及光伏不确定性的dstatcom优化配置方法 |
-
2020
- 2020-09-14 CN CN202010959465.5A patent/CN112242703B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110635504A (zh) * | 2018-06-22 | 2019-12-31 | 华北电力大学(保定) | 基于改进花粉算法的配电网分布式光伏消纳能力评估方法 |
CN111092451A (zh) * | 2018-10-23 | 2020-05-01 | 中国能源建设集团江苏省电力设计院有限公司 | 一种基于配电网网格的光伏消纳预警方法 |
CN111146821A (zh) * | 2019-12-31 | 2020-05-12 | 国网浙江省电力有限公司嘉兴供电公司 | 一种计及光伏不确定性的dstatcom优化配置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112242703A (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112242703B (zh) | 一种基于pso优化蒙特卡洛算法的配电网光伏消纳评估方法 | |
Jiang et al. | Parameter estimation of solar cells and modules using an improved adaptive differential evolution algorithm | |
CN109165788B (zh) | 一种冷热电联供系统的优化方法 | |
CN111191820B (zh) | 一种综合能源系统中储能装置的选址定容优化规划方法 | |
CN106549396B (zh) | 一种配电网多目标概率无功优化方法 | |
CN112785027B (zh) | 风光储联合发电系统置信容量评估方法及系统 | |
CN111146821A (zh) | 一种计及光伏不确定性的dstatcom优化配置方法 | |
CN110287540B (zh) | 一种基于精英群众差分进化算法的光伏电池参数辨识方法 | |
Huang et al. | An efficient probabilistic approach based on area grey incidence decision making for optimal distributed generation planning | |
CN114662751B (zh) | 基于lstm的园区多能短期负荷预测及优化方法 | |
CN114386700A (zh) | 考虑风光相关性的输电系统规划方法、装置及存储介质 | |
CN112994092B (zh) | 一种基于功率预测的独立风光储微电网系统尺寸规划方法 | |
CN115693787B (zh) | 考虑源荷随机性的光储配电网新能源接纳能力分析方法 | |
Liu et al. | Optimization-based stochastic analysis method for the assessment of pv hosting capacity | |
CN106208118B (zh) | 一种储能系统多目标优化规划方法 | |
CN112990603B (zh) | 考虑频域分解后数据特征的空调冷负荷预测方法及系统 | |
CN110571791B (zh) | 一种新能源接入下的输电网规划的优化配置方法 | |
CN113937808A (zh) | 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 | |
Chenxu et al. | An improved cumulant method for probabilistic load flow calculation | |
CN114325141B (zh) | 基站电量异常监测方法、装置及可读存储介质 | |
CN116757406A (zh) | 一种考虑不确定性的分布式电源接入配电网选址定容方法 | |
CN112257344B (zh) | 一种基于ap聚类算法的场景削减方法 | |
Tan et al. | A Bus Privacy Preserving Decentralized Power Flow Algorithm Considering Neighbor Partial Derivative Information | |
Samani et al. | Estimation of Solar Cell Circuit Model Parameters Using an Algorithm Based on Artificial Intelligence | |
Chen et al. | Heat load prediction for heat supply system based on RBF neural network and time series crossover |
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 |