CN112381262B - 考虑负荷电压特性及新能源强不确定性的微电网规划方法 - Google Patents
考虑负荷电压特性及新能源强不确定性的微电网规划方法 Download PDFInfo
- Publication number
- CN112381262B CN112381262B CN202010980850.8A CN202010980850A CN112381262B CN 112381262 B CN112381262 B CN 112381262B CN 202010980850 A CN202010980850 A CN 202010980850A CN 112381262 B CN112381262 B CN 112381262B
- Authority
- CN
- China
- Prior art keywords
- load
- micro
- grid
- output
- new energy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 230000003068 static effect Effects 0.000 claims abstract description 15
- 238000013178 mathematical model Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000035772 mutation Effects 0.000 claims description 16
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 230000007614 genetic variation Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 4
- 238000010248 power generation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G06Q10/04—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
- 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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J2300/28—The renewable source being wind 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
- 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)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Power Engineering (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种考虑负荷电压特性及新能源强不确定性的微电网规划方法。第一步，建立新能源模型；第二步，建立各类负荷相应的幂函数负荷静态特性模型；第三步，建立计及负荷特性及新能源的微电网规划综合数学模型；第四步，利用自适应遗传算法进行优化求解；最后通过算例仿真验证。本发明相比传统的微电网规划方法相比，同时考虑了负荷电压特性及新能源的强不确定性，更加符合微电网特征及实际情况；提出了对新能源无功出力的要求，从而使得微电网的电压波动更小，保证微电网系统安全稳定运行；提出的以网损和电压波动最小为目标的微电网规划方法，可以减少新能源的规划成本和降低微电网的网络损耗，保证微电网系统更为经济的运行。
Description
技术领域
本发明涉及一种考虑负荷电压特性及新能源强不确定性的微电网规划方法。属于电力技术领域。
背景技术
随着一次能源的短缺和环境问题的日益严重，清洁、无污染的新能源开始受到越来越多的关注，而且随着科技的发展，风能、光能等新能源(以下简称风光等新能源)开始进入电网。。
但是，由于高渗透的风光等新能源发电受外部环境变化的影响，具有较强的不确定性，极易使电网出现电压波动、电网的网损加剧等供电质量的问题，造成商业负荷、住宅负荷、工业负荷等不同类型的负荷受到影响，即产生了不同程度的负荷波动，给微电网的稳定运行带来很大的影响，给微电网的运行和规划带来了很大的挑战。
目前针对含有风光等新能源的微电网规划，研究工作主要集中在以下几个方面：提出了一种新能源接入微电网的双层优化规划方法，采用K-means聚类的方法减少了模型的计算量，有效地提高了规划方案的适用性；对影响新能源的因素进行了变量相关性特征聚类处理，建立了收益最大化的多目标规划模型，采用NSGA-II算法求解；通过构架多场景集的方法来降低新能源的不确定性，通过双层规划模型得到最优规划方案等。
目前的研究大多集中在通过降低新能源出力的不确定性从而实现其在微电网中的最优规划，但是在微电网规划时没有同时考虑新能源强不确定性和不同类型负荷静态电压特性的影响。
发明内容
本发明的目的在于克服上述不足，提供了一种考虑负荷电压特性及新能源强不确定性的微电网规划方法。
本发明的目的是这样实现的：
一种考虑负荷电压特性及新能源强不确定性的微电网规划方法，其特点是：包括以下步骤：
S1：新能源模型的建立；
S1-1：光伏出力预测模型
光伏出力主要受到建设所在地的太阳辐射强度影响；太阳光照强度变化符合Beta分布，表示如下，
式中：E为太阳辐射强度，Emax为最大太阳辐射强度；Γ为Gamma函数，α和β分别为Beta分布的形状参数和尺寸参数；
光伏出力与当地的光照辐射强度成正比，因此光伏出力可以表示为
PPV＝E·S·τ
式中：PPV为光伏预测出力；S为太阳能电池板面积；τ为太阳能光电转换效率；
通过对光伏出力的多次预测可以获得在其在各个时段内的预测的均值和方差，进而t时段的光伏出力的区间的上下限可以表示为，
式中，分别为t时段光伏预测出力的上下限；/>σPV,t分别为预测出力的期望和误差；
区间数转换为仿射数需要增加噪声元标记信息ω，假设一个区间数为[x]＝[xl,xu]，那么对应的仿射形式为，
利用仿射数进一步降低光伏预测出力的不确定性，表示如下
式中，ωPV,t为影响光伏出力不确定性的参数，ωPV,t∈[-1,1]；
S1-2：风机出力预测模型
风机的出力主要受风速的影响；风速的变化符合Weibull分布，
式中：c和k分别为Weibull分布的尺度参数和形状参数；σ和μ分别为其标准差和期望；v为风速；
由于风速具有极强的随机性，也就使得风机的输出功率在0到额定功率之间波动；此时，结合风速模型，可以将风机出力的数学模型表示为：
式中：PWT和Pra分别为风机出力的有功出力以及额定出力；vin、vout和vn分别为风机的切入、切出以及额定风速；
多次对风机出力进行多次预测获得各个时段的预测的均值与误差，则t时段的风机出力的区间的上下限可以表示为
式中，分别为t时段风机预测出力的上下限；/>σWT,t分别为t时段风机预测出力的均值和误差；
同理根据式可得将风机出力变化区间转换为仿射形式如下表示，
式中，ωWT,t为影响风机出力不确定性的参数，ωWT,t∈[-1,1]；
S2：建立各类负荷静态电压特性模型
负荷分为商业负荷、工业负荷、住宅负荷三大类；未接入新能源前，系统中整体负荷可以表示为
式中：Po为原始微电网整体负荷功率；Pso,i、Pgo,j、Pzo,k分别为整合前节点i的商业负荷功率、节点j的工业负荷功率、节点k的住宅负荷功率；ΩI、ΩJ、ΩK分别表示各类负荷节点的集合；
负荷的负荷功率与其接入的电压和频率，表示如下：
P＝F(V,f)
式中：P为负荷的有功功率；V、f分别为接入负荷母线的电压和频率；
选择幂函数模型来表示负荷静态电压特性，如下式所示：
式中：Psc,i、Pgc,j、Pzc,k分别为加入新能源后的商业负荷功率、工业负荷功率以及住宅负荷功率；Voi、Voj、Vok分别为新能源电源接入前的节点i、j、k的原始电压；Vci、Vcj、Vck分别为接入后的对应节点的电压；a、b、c分别为各类负荷电压指数；
考虑新能源接入后的微电网负荷可以表示为
式中：Pc为新能源接入后的微电网负荷；λs、λg、λz为其他影响因素造成不同负荷波动的影响系数；
S3：建立计及负荷分类及新能源的微电网规划综合数学模型
以网络损耗和电压波动最小为目标函数建立数学模型，表示如下，
min f＝ρ1F1+ρ2F2
式中：f表示加权处理后的目标函数；F1、F2分别表示网络损耗和电压波动；ρ1、ρ2分别为可将F1、F2转换为同一单位的权重系数，二者均大于零，且ρ1+ρ2＝1；
采用负荷分类的方法，对不同类型的负荷考虑给予不同的权重系数，因而网损表示为：
式中：Pi loss,s、分别表示节点i的商业负荷、节点j的工业负荷、节点k的住宅负荷产生的网络损耗；
各节点电压的平均波动率可以表示为：
式中：Um和Um0分别表示节点m的当前电压幅值和额定电压幅值；ΩM为在微电网中所有节点的集合，M为节点总数；
S4：基于自适应遗传算法的优化求解算法
S4-1：优化求解算法
采取自适应遗传算法进行模型的求解；
根据个体适应值调整交叉率和变异率使得整体进化方向向着最优解前进；具体的交叉率和变异率如下所示，
式中：Pc为交叉率；y1、y2、y3分别为选定的初始交叉率，且有0＜y3＜y2＜y1＜1；fmin、favg、fmax分别为种群当前适应度最小值、平均值、最大值；f为当前种群即将变异的父代适应度；
式中：Pm为变异率；z1、z2、z3分别为选定的初始变异率，且有0＜z3＜z2＜z1＜1；
S4-2：求解流程
基于自适应遗传算法求解所提出的计及负荷分类的新能源在微电网中的规划模型，按照流程图求解。
进一步的，S3中，需考虑电压电流约束、功率潮流约束、新能源接入功率约束等约束条件，如下所示：
S3-1：电压电流约束
式中：分别为节点m电压的最小值、最大值；/>分别为节点m电流的最小值、最大值；Um、Im分别为节点m的当前电压、电流幅值；
S3-2：功率潮流约束
式中：Pm、Qm分别为节点m流过的有功功率、无功功率；Un为与节点m直接相连的节点n的电压；θm,n为节点m与节点n之间的功率角；Gm,n、Bm,n分别为节点m与节点n的电导和电纳；
S3-3：新能源接入功率约束
式中：PDG,min、PDG,max分别为微电网允许接入的新能源有功功率的最小值、最大值；PWT,min、PWT,max分别为接入的微电网的风机出力的最小值、最大值；PPV,min、PPV,max分别为接入微电网的光伏系统出力的最小值、最大值；PWT,m、PPV,m分别为节点m接入的风机、光伏系统的当前出力。
进一步的，在S4中，为了保证种群每一代的优秀个体会持续保持，当下一代产生的个体中有最佳适应度值小于父代的适应度值时，采用精英保留策略，将父代种群中的最优个体复制随机替换掉子代种群中适应度值交叉的个体；通过精英保留策略可以保证在迭代过程中所产生的优秀个体不会因为交叉、变异所丢失。
与现有技术相比，本发明的有益效果是：
1、本发明一种考虑负荷电压特性及新能源强不确定性的微电网规划方法，在进行新能源微电网规划时：考虑到各种类型的负荷特性、考虑到新能源的强不确定性，相比传统的微电网规划方法相比，更加符合微电网特征及实际情况。
2、本发明一种考虑负荷电压特性及新能源强不确定性的微电网规划方法，在进行新能源微电网规划时，提出了对新能源无功出力的要求，从而使得微电网的电压波动更小，保证微电网系统安全稳定运行。
3、本发明一种考虑负荷电压特性及新能源强不确定性的微电网规划方法，提出的以网损和电压波动最小为目标的微电网规划方法，可以减少新能源的规划成本和降低微电网的网络损耗，保证微电网系统更为经济的运行。
附图说明
图1为基于自适应遗传算法求解所提出的计及负荷分类的新能源在微电网中的规划模型，具体流程示意图。
图2为改进的IEEE-33节点系统图。
图3为风机及光伏出力示意图。
图4为传统微电网规划方案网络损耗图。
图5为传统微电网规划方案节点电压对比图。
图6为不同方案网络损耗对比图。
图7为不同方案节点电压对比图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
S1：新能源模型的建立
针对风光出力的强不确定性，在已建立的新能源出力预测模型的基础上，通过仿射数原理进一步降低新能源出力的不确定性；
S1-1：光伏出力预测模型
作为最为常见新能源之一，光伏出力主要受到建设所在地的太阳辐射强度影响。研究发现，太阳光照强度变化符合Beta分布，具体表示如下，
式中：E为太阳辐射强度，Emax为最大太阳辐射强度，可由历史数据获得；Γ为Gamma函数，α和β分别为Beta分布的形状参数和尺寸参数。
光伏出力与当地的光照辐射强度成正比，因此光伏出力可以表示为
PPV＝E·S·τ (2)
式中：PPV为光伏预测出力；S为太阳能电池板面积；τ为太阳能光电转换效率。
通过对光伏出力的多次预测可以获得在其在各个时段内的预测的均值和方差，进而t时段的光伏出力的区间的上下限可以表示为，
式中，分别为t时段光伏预测出力的上下限；/>σPV,t分别为预测出力的期望和误差。
区间数转换为仿射数需要增加噪声元标记信息ω，假设一个区间数为[x]＝[xl,xu]，那么对应的仿射形式为，
因此，利用仿射数进一步降低光伏预测出力的不确定性，表示如下
式中，ωPV,t为影响光伏出力不确定性的参数，ωPV,t∈[-1,1]。
S1-2：风机出力预测模型
风力发电和光伏发电类似，都是新能源中最常见的类型之一。在风力发电系统中，风机的出力主要受风速的影响。根据概率学的研究发现，风速的变化符合Weibull分布，
式中：c和k分别为Weibull分布的尺度参数和形状参数(二者均大于0)；σ和μ分别为其标准差和期望；v为风速。
由于风速具有极强的随机性，也就使得风机的输出功率在0到额定功率之间波动。此时，结合风速模型，可以将风机出力的数学模型表示为：
式中：PWT和Pra分别为风机出力的有功出力以及额定出力；vin、vout和vn分别为风机的切入、切出以及额定风速。
与预测光伏出力类似，也多次对风机出力进行多次预测获得各个时段的预测的均值与误差，则t时段的风机出力的区间的上下限可以表示为
式中，分别为t时段风机预测出力的上下限；/>σWT,t分别为t时段风机预测出力的均值和误差。
同理根据式(4)可得将风机出力变化区间转换为仿射形式如下表示，
式中，ωWT,t为影响风机出力不确定性的参数，ωWT,t∈[-1,1]。
S2：建立各类负荷静态电压特性模型
考虑到高渗透新能源引起的电压波动会对各类负荷造成不同程度的影响，建立各类负荷相应的幂函数负荷静态特性模型；
在微电网中，新能源的接入会引起电压的波动，而各类负荷的运行工况都是依赖电压而变化的，并且特性各不相同。因此在进行新能源规划的时候，需要考虑负荷静态电压特性。
根据行业负荷分类方式，将负荷分为商业负荷、工业负荷、住宅负荷三大类。未接入新能源前，系统中整体负荷可以表示为
式中：Po为原始微电网整体负荷功率；Pso,i、Pgo,j、Pzo,k分别为整合前节点i的商业负荷功率、节点j的工业负荷功率、节点k的住宅负荷功率；ΩI、ΩJ、ΩK分别表示各类负荷节点的集合。
负荷的负荷功率与其接入的电压和频率，有着一定的函数关系，一般表示如下，
P＝F(V,f) (11)
式中：P为负荷的有功功率；V、f分别为接入负荷母线的电压和频率。
对于负荷静态电压特性的表述方式主要有二次型、幂函数两种。考虑到在进行新能源规划时，已经尽可能小的减少其对微电网电压的影响，在这种情况下幂函数模型相较于二次型模型有着更高的精度的，因此选择幂函数模型来表示负荷静态电压特性，如式(12)所示，
式中：Psc,i、Pgc,j、Pzc,k分别为加入新能源后的商业负荷功率、工业负荷功率以及住宅负荷功率；Voi、Voj、Vok分别为新能源电源接入前的节点i、j、k的原始电压；Vci、Vcj、Vck分别为接入后的对应节点的电压；a、b、c分别为各类负荷电压指数。
不同情形下的负荷电压指数的参考值，如下表所示：
不同季节负荷电压指数参考值
因此，考虑新能源接入后的微电网负荷可以表示为
式中：Pc为新能源接入后的微电网负荷；λs、λg、λz为其他影响因素造成不同负荷波动的影响系数。
S3：建立计及负荷分类及新能源的微电网规划综合数学模型
以网损和电压波动最小为目标，建立计及负荷分类及新能源的微电网规划综合数学模型；
新能源由于其不确定性，在其接入微电网之后，必定会引起电压的波动和网络损耗的变化。为了在新能源接入微电网规划时，对微电网运行的稳定性有着更好的表现，以网络损耗和电压波动最小为目标函数建立数学模型，表示如下，
min f＝ρ1F1+ρ2F2 (14)
式中：f表示加权处理后的目标函数；F1、F2分别表示网络损耗和电压波动；ρ1、ρ2分别为可将F1、F2转换为同一单位的权重系数，二者均大于零，且ρ1+ρ2＝1。
采用负荷分类的方法，对不同类型的负荷考虑给予不同的权重系数，因而网损表示为，
式中：Pi loss,s、分别表示节点i的商业负荷、节点j的工业负荷、节点k的住宅负荷产生的网络损耗。
各节点电压的平均波动率可以表示为
式中：Um和Um0分别表示节点m的当前电压幅值和额定电压幅值；ΩM为在微电网中所有节点的集合，M为节点总数。
此外，还需考虑电压电流约束、功率潮流约束、新能源接入功率约束等约束条件，如下所示：
(1)电压电流约束
式中：分别为节点m电压的最小值、最大值；/>分别为节点m电流的最小值、最大值；Um、Im分别为节点m的当前电压、电流幅值。
(2)功率潮流约束
式中：Pm、Qm分别为节点m流过的有功功率、无功功率；Un为与节点m直接相连的节点n的电压；θm,n为节点m与节点n之间的功率角；Gm,n、Bm,n分别为节点m与节点n的电导和电纳。
(3)新能源接入功率约束
式中：PDG,min、PDG,max分别为微电网允许接入的新能源有功功率的最小值、最大值；PWT,min、PWT,max分别为接入的微电网的风机出力的最小值、最大值；PPV,min、PPV,max分别为接入微电网的光伏系统出力的最小值、最大值；PWT,m、PPV,m分别为节点m接入的风机、光伏系统的当前出力。
S4：基于自适应遗传算法的优化求解算法
利用自适应遗传算法进行优化求解；
S4-1：优化求解算法
遗传算法具有全局寻优能力强、收敛性好的的优点，被广泛应用于复杂的规划领域。但是，传统的遗传算法很大程度上受到交叉率与变异率等参数的影响，使得寻优结果往往不能够使人满意。因此采取了自适应遗传算法(Adaptive Genetic Algorithm,AGA)进行模型的求解。
根据个体适应值调整交叉率和变异率使得整体进化方向向着最优解前进。具体的交叉率和变异率如下所示，
式中：Pc为交叉率；y1、y2、y3分别为选定的初始交叉率，且有0＜y3＜y2＜y1＜1；fmin、favg、fmax分别为种群当前适应度最小值、平均值、最大值；f为当前种群即将变异的父代适应度。
式中：Pm为变异率；z1、z2、z3分别为选定的初始变异率，且有0＜z3＜z2＜z1＜1。
同时为了保证种群每一代的优秀个体会持续保持，当下一代产生的个体中有最佳适应度值小于父代的适应度值时，采用精英保留策略，将父代种群中的最优个体复制随机替换掉子代种群中适应度值交叉的个体。通过精英保留策略可以保证在迭代过程中所产生的优秀个体不会因为交叉、变异所丢失。
S4-2：求解流程
基于自适应遗传算法求解所提出的计及负荷分类的新能源在微电网中的规划模型，具体流程如图1所示。
S5：仿真及效果分析
通过算例仿真验证了提出的方法的有效性与可行性。
S5-1：系统参数设置
为了更好的验证提出的方法的有效性，在改进的IEEE-33节点的系统上进行了仿真验证。所采用的IEEE-33节点系统结构如图2所示。
配电网各节点的负荷分类情况如下表所示：
配电网各节点负荷分类
风机及光伏出力如图3所示。
所采用的自适应遗传算法最大种群数设置为100，最大迭代次数设置为200次。
S5-2：传统微电网规划方案
传统不考虑负荷静态电压特性及新能源强不确定性的微电网规划结果，如下表所示：
传统微电网规划方案
采用传统微电网规划方案，风机和光伏的有功容量合计2671.2kW，无功容量为841.8kW，整体网络损耗为2591.5kW。
传统微电网规划方案下的各个支路的微电网损耗如图4所示。从图4中可以看出传统微电网规划方案能够起到减少微电网线路损耗的作用。
传统微电网规划方案下的各节点的电压对比如图5所示。从图中可以看出，采用传统方案的规划策略之后，各个节点的电压的稳定性有了一定的提升。
S5-3：本发明中微电网规划方案
为了更好的验证提出的方法的有效性，将本发明中的方案(考虑负荷静态电压特性及新能源强不确定性的微电网规划方案)与传统方案进行对比分析。
本发明的方案具体如下：
第一步：根据公式(1)～(5)和公式(6)～(9)分别建立光伏出力预测模型和风机出力预测模型，由公式(5)和公式(9)得到光伏和风机功率，风机有功功率合计1401.3kW，光伏有功功率合计1206.7kW。
第二步：结合上表中配电网各节点的负荷分类情况，首先利用公式(10)计算系统中整体负荷；然后，根据公式(11)和公式(12)，确定考虑新能源后电压和频率变化的各类型的负荷功率；最后，利用公式(13)确定考虑新能源的微电网负荷。
第三步：根据公式(14)以网络损耗和电压波动最小为目标函数建立数学模型，根据公式(15)计算网络损耗，根据公式(16)计算各节点电压的平均波动率，见图6所示。
传统微电网规划方案与本发明的新能源微电网中的规划方案对比如下表所示：
不同规划方案对比
从上表中，可以看出在进行新能源微电网时考虑负荷分类的影响，会改变各类新能源的出力比重。这是因为进行负荷分类之后，昼夜之间的负荷变化差距会更加明显，也就使得各类新能源的处理相较于未进行负荷分类时有着明显的变化，而这也更加符合实际情况。
采用本发明的方案整体网络损耗仅有1042.7kW，相较传统方案网络损耗降低了1548.8kW。也进一步说明了本发明提出的方法不仅能够减少规划的投资成本还能够减少微电网的网络损耗成本，极大的提高了微电网运行的经济效益。
两种方案下的各个支路的微电网损耗如图6所示。从图中我们可以看出两种方案都能够很好的起到减少微电网线路损耗的作用。但是本专利方案相比于传统方案有着更好的优化效果。这是因为在进行新能源微电网规划的时候考虑到负荷的分类，会根据不同类型的负荷制定更加详细的规划方案，使得规划结果更加符合不同类型的负荷要求，也就使得各线路的损耗会减少
两种方案下的各节点的电压对比如图7所示。从图中可以看出，采用本发明方案的规划策略之后，各个节点的电压的稳定性相比传统方案有了更进一步的提升。这是因为进行负荷分类以后考虑到不同负荷的静态特性，在进行规划时会接入更多的无功功率而这些无功功率会更好的进行电压的调整，保证电压的稳定。同时，更少波动的电压也会带给各类负荷更加稳定的运行环境，有利于其安全长期运行。
本发明针对多种新能源的强不确定性的特点，以及由此对的微电网中不同负荷的造成的影响，提出了一种考虑多类型负荷分类和风光强不确定性的微电网优化规划设计方法。针对新能源处理的不确定性利用仿射数的方法减少不确定性，并在进行微电网规划时考虑到不同负荷的静态特性，建立了各类负荷的幂函数模型，以此减少新能源造成的电压波动对负荷的影响，并最后利用自适应遗传算法进行求解验证了该方法的优越性。
在上述实施例中，仅对本发明进行示范性描述，但是本领域技术人员在阅读本专利申请后可以在不脱离本发明的精神和范围的情况下对本发明进行各种修改。
Claims (3)
1.一种考虑负荷电压特性及新能源强不确定性的微电网规划方法，其特征在于：包括以下步骤：
S1：新能源模型的建立；
S1-1：光伏出力预测模型
光伏出力主要受到建设所在地的太阳辐射强度影响；太阳光照强度变化符合Beta分布，表示如下，
式中：E为太阳辐射强度，Emax为最大太阳辐射强度；Γ为Gamma函数，α和β分别为Beta分布的形状参数和尺寸参数；
光伏出力与当地的光照辐射强度成正比，因此光伏出力可以表示为
PPV＝E·S·τ
式中：PPV为光伏预测出力；S为太阳能电池板面积；τ为太阳能光电转换效率；
通过对光伏出力的多次预测可以获得在其在各个时段内的预测的均值和方差，进而t时段的光伏出力的区间的上下限可以表示为，
式中，分别为t时段光伏预测出力的上下限；/>σPV,t分别为预测出力的期望和误差；
区间数转换为仿射数需要增加噪声元标记信息ω，假设一个区间数为[x]＝[xl,xu]，那么对应的仿射形式为，
利用仿射数进一步降低光伏预测出力的不确定性，表示如下
式中，ωPV,t为影响光伏出力不确定性的参数，ωPV,t∈[-1,1]；
S1-2：风机出力预测模型
风机的出力主要受风速的影响；风速的变化符合Weibull分布，
式中：c和k分别为Weibull分布的尺度参数和形状参数；σ和μ分别为其标准差和期望；v为风速；
由于风速具有极强的随机性，也就使得风机的输出功率在0到额定功率之间波动；此时，结合风速模型，可以将风机出力的数学模型表示为：
式中：PWT和Pra分别为风机出力的有功出力以及额定出力；vin、vout和vn分别为风机的切入、切出以及额定风速；
多次对风机出力进行多次预测获得各个时段的预测的均值与误差，则t时段的风机出力的区间的上下限可以表示为
式中，分别为t时段风机预测出力的上下限；/>σWT,t分别为t时段风机预测出力的均值和误差；
同理根据式可得将风机出力变化区间转换为仿射形式如下表示，
式中，ωWT,t为影响风机出力不确定性的参数，ωWT,t∈[-1,1]；
S2：建立各类负荷静态电压特性模型
负荷分为商业负荷、工业负荷、住宅负荷三大类；未接入新能源前，系统中整体负荷可以表示为
式中：Po为原始微电网整体负荷功率；Pso,i、Pgo,j、Pzo,k分别为整合前节点i的商业负荷功率、节点j的工业负荷功率、节点k的住宅负荷功率；ΩI、ΩJ、ΩK分别表示各类负荷节点的集合；
负荷的负荷功率与其接入的电压和频率，表示如下：
P＝F(V,f)
式中：P为负荷的有功功率；V、f分别为接入负荷母线的电压和频率；
选择幂函数模型来表示负荷静态电压特性，如下式所示：
式中：Psc,i、Pgc,j、Pzc,k分别为加入新能源后的商业负荷功率、工业负荷功率以及住宅负荷功率；Voi、Voj、Vok分别为新能源电源接入前的节点i、j、k的原始电压；Vci、Vcj、Vck分别为接入后的对应节点的电压；a、b、c分别为各类负荷电压指数；
考虑新能源接入后的微电网负荷可以表示为
式中：Pc为新能源接入后的微电网负荷；λs、λg、λz为其他影响因素造成不同负荷波动的影响系数；
S3：建立计及负荷分类及新能源的微电网规划综合数学模型
以网络损耗和电压波动最小为目标函数建立数学模型，表示如下，
min f＝ρ1F1+ρ2F2
式中：f表示加权处理后的目标函数；F1、F2分别表示网络损耗和电压波动；ρ1、ρ2分别为可将F1、F2转换为同一单位的权重系数，二者均大于零，且ρ1+ρ2＝1；
采用负荷分类的方法，对不同类型的负荷考虑给予不同的权重系数，因而网损表示为：
式中：分别表示节点i的商业负荷、节点j的工业负荷、节点k的住宅负荷产生的网络损耗；
各节点电压的平均波动率可以表示为：
式中：Um和Um0分别表示节点m的当前电压幅值和额定电压幅值；ΩM为在微电网中所有节点的集合，M为节点总数；
S4：基于自适应遗传算法的优化求解算法
S4-1：优化求解算法
采取自适应遗传算法进行模型的求解；
根据个体适应值调整交叉率和变异率使得整体进化方向向着最优解前进；具体的交叉率和变异率如下所示，
式中：Pc为交叉率；y1、y2、y3分别为选定的初始交叉率，且有0＜y3＜y2＜y1＜1；fmin、favg、fmax分别为种群当前适应度最小值、平均值、最大值；f为当前种群即将变异的父代适应度；
式中：Pm为变异率；z1、z2、z3分别为选定的初始变异率，且有0＜z3＜z2＜z1＜1；
S4-2：求解流程
基于自适应遗传算法求解所提出的计及负荷分类的新能源在微电网中的规划模型，按照下述求解：
首先，输入电网及AGA相关参数，建立光伏/风电出力模型预测光伏/风电出力、并通过数据转换作用于电网数据，建立分布式能源接入的微电网规划方案；然后，进行潮流计算、进行选择操作、自适应操作、遗传变异操作，并利用精英保留策略进行优化求解，产生最优秀个体；最后，若t<T，t+1重新进行最优求解，若t>T输出最优值，优化求解结束。
2.根据权利要求1所述的一种考虑负荷电压特性及新能源强不确定性的微电网规划方法，其特征在于：S3中，需考虑电压电流约束、功率潮流约束、新能源接入功率约束的约束条件，如下所示：
S3-1：电压电流约束
式中：分别为节点m电压的最小值、最大值；/>分别为节点m电流的最小值、最大值；Um、Im分别为节点m的当前电压、电流幅值；
S3-2：功率潮流约束
式中：Pm、Qm分别为节点m流过的有功功率、无功功率；Un为与节点m直接相连的节点n的电压；θm,n为节点m与节点n之间的功率角；Gm,n、Bm,n分别为节点m与节点n的电导和电纳；
S3-3：新能源接入功率约束
式中：PDG,min、PDG,max分别为微电网允许接入的新能源有功功率的最小值、最大值；PWT,min、PWT,max分别为接入的微电网的风机出力的最小值、最大值；PPV,min、PPV,max分别为接入微电网的光伏系统出力的最小值、最大值；PWT,m、PPV,m分别为节点m接入的风机、光伏系统的当前出力。
3.根据权利要求1所述的一种考虑负荷电压特性及新能源强不确定性的微电网规划方法，其特征在于：在S4中，为了保证种群每一代的优秀个体会持续保持，当下一代产生的个体中有最佳适应度值小于父代的适应度值时，采用精英保留策略，将父代种群中的最优个体复制随机替换掉子代种群中适应度值交叉的个体；通过精英保留策略可以保证在迭代过程中所产生的优秀个体不会因为交叉、变异所丢失。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010980850.8A CN112381262B (zh) | 2020-09-17 | 2020-09-17 | 考虑负荷电压特性及新能源强不确定性的微电网规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010980850.8A CN112381262B (zh) | 2020-09-17 | 2020-09-17 | 考虑负荷电压特性及新能源强不确定性的微电网规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112381262A CN112381262A (zh) | 2021-02-19 |
| CN112381262B true CN112381262B (zh) | 2023-11-21 |
Family
ID=74586621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010980850.8A Active CN112381262B (zh) | 2020-09-17 | 2020-09-17 | 考虑负荷电压特性及新能源强不确定性的微电网规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381262B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113507111B (zh) * | 2021-06-24 | 2022-09-27 | 东北电力大学 | 基于盲数理论的规划目标年电力盈亏评估方法 |
| CN113783224A (zh) * | 2021-07-07 | 2021-12-10 | 南京理工大学 | 一种考虑多种分布式能源运行的配电网双层优化规划方法 |
| CN113779792A (zh) * | 2021-09-08 | 2021-12-10 | 福州大学 | 一种基于仿射的综合能源系统优化配置方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104751246A (zh) * | 2015-04-09 | 2015-07-01 | 国网宁夏电力公司经济技术研究院 | 一种基于随机机会约束的有源配电网规划方法 |
| CN107147152A (zh) * | 2017-06-15 | 2017-09-08 | 广东工业大学 | 新能源配电网多类型有功无功源协同优化配置方法及系统 |
| CN107274087A (zh) * | 2017-06-09 | 2017-10-20 | 燕山大学 | 一种计及需求侧响应不确定性的主动配电网双层规划方法 |
| CN109002943A (zh) * | 2018-10-08 | 2018-12-14 | 武汉大学 | 考虑负荷分类的分布式风电源与电容器联合动态规划方法 |
| CN111340299A (zh) * | 2020-02-29 | 2020-06-26 | 上海电力大学 | 一种微电网多目标优化调度方法 |
-
2020
- 2020-09-17 CN CN202010980850.8A patent/CN112381262B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104751246A (zh) * | 2015-04-09 | 2015-07-01 | 国网宁夏电力公司经济技术研究院 | 一种基于随机机会约束的有源配电网规划方法 |
| CN107274087A (zh) * | 2017-06-09 | 2017-10-20 | 燕山大学 | 一种计及需求侧响应不确定性的主动配电网双层规划方法 |
| CN107147152A (zh) * | 2017-06-15 | 2017-09-08 | 广东工业大学 | 新能源配电网多类型有功无功源协同优化配置方法及系统 |
| CN109002943A (zh) * | 2018-10-08 | 2018-12-14 | 武汉大学 | 考虑负荷分类的分布式风电源与电容器联合动态规划方法 |
| CN111340299A (zh) * | 2020-02-29 | 2020-06-26 | 上海电力大学 | 一种微电网多目标优化调度方法 |
Non-Patent Citations (2)
| Title |
|---|
| 网源协调驱动下考虑网络转供能力的配电系统多目标双层近期规划;刘佳;程浩忠;徐谦;兰洲;马则良;张建平;;电力自动化设备(第03期);全文 * |
| 考虑分布式电源及充电桩入网的配电网综合规划研究;宋倩芸;;电器与能效管理技术(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112381262A (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112381262B (zh) | 考虑负荷电压特性及新能源强不确定性的微电网规划方法 | |
| CN110768262B (zh) | 一种基于节点聚类分区的有源配电网无功电源配置方法 | |
| CN111030188A (zh) | 一种含分布式和储能的分层分级控制策略 | |
| Feng et al. | Scheduling of short-term hydrothermal energy system by parallel multi-objective differential evolution | |
| CN112561273B (zh) | 一种基于改进pso的主动配电网可再生dg规划方法 | |
| CN114069687B (zh) | 一种计及逆变器无功调节作用的分布式光伏规划方法 | |
| CN113378100B (zh) | 考虑碳排放的配电网源网荷储协同优化调度模型和方法 | |
| CN115017854A (zh) | 一种基于多维评估指标体系的配电网dg最大准入容量计算方法 | |
| CN108448628B (zh) | 交直流混合系统中优化配置分布式可再生能源方法及系统 | |
| CN105552896B (zh) | 一种基于分布式光伏发电的配电网高峰负荷控制方法 | |
| CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
| CN112467748A (zh) | 三相不平衡主动配电网双时标分布式电压控制方法及系统 | |
| CN114243708B (zh) | 一种基于交流模型的输电网扩展规划优化方法 | |
| Moghaddam et al. | Optimal design of an off-grid hybrid renewable energy system considering generation and load uncertainty: the case of Zanjan city, Iran | |
| CN106451424A (zh) | 含大规模光伏发电并网的输电网随机规划方法 | |
| CN110955971B (zh) | 基于改进遗传算法的电力弹簧优化配置方法 | |
| Mallika et al. | Genetics algorithm based MPPT controller for photovoltaic system | |
| CN116882105A (zh) | 大规模光伏接入的交直流配电网供电模式边界分析方法 | |
| Zhao et al. | Research on multiobjective optimal operation strategy for wind-photovoltaic-hydro complementary power system | |
| Khosravi et al. | Distribution of optimum reactive power in the presence of wind power plant and considering voltage stability margin using genetic algorithm and Monte Carlo methods | |
| CN111769570B (zh) | 计及暂态电压约束的日前两阶段动态无功储备优化方法、系统、存储介质 | |
| CN109390970B (zh) | 基于多Agent通信网络的海岛微电网分布式控制方法及系统 | |
| Singh et al. | Application of renewable energy system with fuzzy logic | |
| Hu et al. | Multiobjective transmission network planning considering the uncertainty and correlation of wind power | |
| Tsegaye et al. | Hopfield Neural Network-based Security Constrained Economic Dispatch of Renewable Energy Systems |
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 |