CN112701679A - 基于模型-数据混合驱动的主动配电网短期可靠性评估方法 - Google Patents

基于模型-数据混合驱动的主动配电网短期可靠性评估方法 Download PDF

Info

Publication number
CN112701679A
CN112701679A CN202011504919.6A CN202011504919A CN112701679A CN 112701679 A CN112701679 A CN 112701679A CN 202011504919 A CN202011504919 A CN 202011504919A CN 112701679 A CN112701679 A CN 112701679A
Authority
CN
China
Prior art keywords
model
active power
power distribution
distribution network
reliability
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
CN202011504919.6A
Other languages
English (en)
Other versions
CN112701679B (zh
Inventor
张景瑞
蔡俊峰
高新阳
陈腾鹏
李钷
何良宗
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN202011504919.6A priority Critical patent/CN112701679B/zh
Publication of CN112701679A publication Critical patent/CN112701679A/zh
Application granted granted Critical
Publication of CN112701679B publication Critical patent/CN112701679B/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
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • H02J3/04—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
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/10—Photovoltaic [PV]
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于模型‑数据混合驱动的主动配电网短期可靠性评估方法，其可包括以下步骤：S1.搭建主动配电网的节点网络结构及各个元件的模型，通过非序贯蒙特卡洛模拟法来获取主动配电网每一时刻的状态；S2.针对不同故障状态对网络进行潮流计算，根据潮流计算的结果来确定主动电源与柔性负荷的调整方法；S3.确定主动配电网短期可靠性评估方案，从主动配电网可靠性评估指标体系的选取原则和方法出发，确定各指标值，最终确定综合指标；S4.选取适当的神经网络模型，将模型驱动生成的数据集作为输入，综合指标作为输出，对神经网络参数进行训练，训练好的神经网络即可实现主动配电网可靠性评估。

Description

基于模型-数据混合驱动的主动配电网短期可靠性评估方法
技术领域
本发明涉及主动配电网可靠性领域，具体地涉及一种基于模型-数据混合驱动的主动配电网短期可靠性评估方法。
背景技术
随着能源危机及环境恶化的加剧，使得分布式电源获得了政府和各类企业的重视，目前分布式能源的应用也得到一定的发展。分布式电源(DG)通常安装用户侧，接入电网后形成主动配网会对配电系统产生较大的影响。主动配电网与传统配电网不同，由于其自身包含了多种电源和多种用户，大大增加了原配电系统的复杂度。所以，传统配电网可靠性评估方法已不能用于主动配电网络。目前的配电网可靠性的研究理论和计算方法包括编号法和蒙特卡洛模拟法等计算方法。方法大多数为模型驱动，具有一定的局限性。
发明内容
本发明旨在提供一种基于模型-数据混合驱动的主动配电网短期可靠性评估方法，以解决上述问题。为此，本发明采用的具体技术方案如下：
基于模型-数据混合驱动的主动配电网短期可靠性评估方法，其可包括以下步骤：
S1.搭建主动配电网的节点网络结构及各个元件的模型，通过非序贯蒙特卡洛模拟法来获取主动配电网每一时刻的状态；
S2.针对不同故障状态对网络进行潮流计算，根据潮流计算的结果来确定主动电源与柔性负荷的调整方法；
S3.确定主动配电网短期可靠性评估方案，从主动配电网可靠性评估指标体系的选取原则和方法出发，确定各指标值，最终确定综合指标；
S4.选取适当的神经网络模型，将模型驱动生成的数据集作为输入，综合指标作为输出，对神经网络参数进行训练，训练好的神经网络即可实现主动配电网可靠性评估。
进一步地，S1中的各个元件的模型包括：风机出力模型、光伏出力模型、蓄电池充放电模型、负荷曲线模型和随机负荷模型、基于非序贯蒙特卡洛法的元件停运模型。
进一步地，在S2中，在进行潮流计算时，将含电源节点看成为PV节点，含有负荷的节点看成PQ节点，最优负荷削减模型的目标函数为：
min∑i∈NCXi，
约束条件为：
PGmin≤PG≤PGmax，
0≤Zi≤PDi，
∑i∈NCPGi+∑i∈NCZi＝∑i∈NCPDi，
T(Sj)＝A(Sj)(PG+Z-PD)，
|T(Sj)|≤Tmax，
其中，Xi为节点i的负荷削减量，NC为电力系统母线集合，NG表示分布式电源集合，A(S)表示在状态s下的线有功功率向量和节点注入功率间的关联阵：T(Sj)表示在状态s的线路有功功率向量；PD表示负荷节点有功负荷向量；PG表示节点的发电机组注入有功功率向量；Zi表示节点i的切负荷向量，PGmax与PGmin分别表示PG有功功率的最大值与最小值；Tmax表示T(Sj)最大值。
进一步地，S3中，利用层次分析法对主动配电网进行可靠性评估，其中，层次结构模型分为以下三层：
(1)目标层：主动配电网不同配置方案对应的可靠性总得分；
(2)判断层：判断层中包含得到总目标之前的主动配电网可靠性各个指标；
(3)方案层：方案层位于底层，本层包括基础的方案设置，即接入各种分布式能源带来的不同方案，可根据自身需求改变方案的个数。
进一步地，主动配电网可靠性各个指标的计算过程如下：
输入电网数据；
给定参数；
对系统进行抽样仿真；
计算可靠性指标；
判定是否满足精确度要求，若是结束，否则增加抽样次数后再计算可靠性指标。
进一步地，S4的具体过程如下：
扩大样本容量；
将S3得到的每种方案的电网参数及可靠性总得分作为训练样本，构建神经网络模型进行参数训练；
当训练误差达到要求，训练完成；
输入主动配电网中的每个方案的网络结构参数，即可直接得到该方案的可靠性总得分值。
进一步地，S4中，神经网络模型采用多层前馈型神经网络模型，其中，神经网络的输入层包括接入分布式能源的种类、位置和容量；输出层为可靠性评估总得分值。
本发明采用上述技术方案，具有的有益效果是：采用本发明方法，能够全面对主动配电网短期可靠性进行评估，为主动配电网的可靠运行提供保障。
附图说明
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
图1是本发明的基于模型-数据混合驱动的主动配电网短期可靠性评估方法的流程图；
图2是指标计算的流程图；
图3是层次结构模型的示意图；
图4是前馈神经网络结构的示意图；
图5是IEEE33节点网络结构的示意图；
图6是五种方案的可靠性评估总得分的柱状图；
图7是基于数据驱动的可靠性评估的流程图；
图8中的(a)至(e)示出了各组中各方案的可靠性评估总得分；
图9是模型驱动与数据驱动的得分对比图；
图10是随机方案确认对比图。
具体实施方式
现结合附图和具体实施方式对本发明进一步说明。
如图1所示，一种基于模型-数据混合驱动的主动配电网短期可靠性评估方法，可包括以下步骤：
S1.搭建主动配电网的节点网络结构及各个元件的模型，通过非序贯蒙特卡洛模拟法来获取主动配电网每一时刻的状态。
以IEEE33为例，主动配电网的节点网络结构如图5所示。各个元件的模型可包括：风机出力模型、光伏出力模型、蓄电池充放电模型、负荷曲线模型和随机负荷模型、基于非序贯蒙特卡洛法的元件停运模型等。
风机出力主要应用为风力发电机，其原理为将自然界的风能转化为机械能，从而可带动风机内部转子旋转，进行旋转发电，模型的建立主要与当地风速有关，风机出力的模型一般采用曲线拟合的方式，具体拟合表达式需根据风机本身的参数进行设置，如额定功率，额定电压，切入风速，切出风速等。
光伏发电主要指光伏面板发电，光伏面板的发电是将太阳能逐步转化为太阳能的过程，即光生伏特效应。主要是利用光伏面板进行转化，其数学公式如下：
Ppv＝nPe(1+γ(Tc-25))Iβ
式中，各参数意义如下：Ppc表示光伏面板在发电过程中的实际出力值；Pe表示光伏面板的在标准条件下的额定功率，n表示光伏面板的块数；γ表示光伏面板材料的温度系数；IB为光伏面板上的太阳辐射能；TC为工作中的光伏面板温度。
若要得到光伏发电出力值，还需要计算出光伏发电装置所在地区的每一时刻的太阳辐射值，利用公式进行计算：
Figure BDA0002844595190000051
式中，Ra的物理意义为天文辐射；Rs的物理意义为实际地表太阳辐射；n/N表示日照时间占总时长的比值，可通过历史数据统计计算得到，其中，n为日照时数，N为可照时间；a、b为拟合系数。
天文辐射Ra具体计算公式：
Figure BDA0002844595190000061
其中，dr为太阳与地球距离的倒数，单位为m；GSC为太阳常数，其大小不断改变，一般用其变化的平均值表示；φ表示地理纬度值；δ表示太阳赤纬角。
蓄电池的工作原理是可将电能和化学能进行相互转化，在主动配电网中合理配置蓄电池的使用也可以对电网可靠性产生影响。蓄电池的数学模型如下：
Figure BDA0002844595190000062
式中，s是状态函数，表示第t小时蓄电池的荷电状态；η为转换过程中的工作效率；△t表示持续工作时间；P(t)表示时刻t蓄电池的功率；E表示蓄电池额定最大容量值。
蒙特卡洛模拟法本质上是一种抽样方法，由于非序贯蒙特卡洛模拟法忽略故障时间上的先后，评估速度快于序贯蒙特卡洛模拟法。故本文采用非序贯蒙特卡洛模拟法。
S2.针对不同故障状态对网络进行潮流计算，根据潮流计算的结果来确定主动电源与柔性负荷的调整方法。
在蒙特卡洛仿真过程中，网络故障类型与实际电力系统故障有所区别，在仿真设置中，电网故障往往由于多个元件同时损坏导致系统不稳定或裂解，原网络变为裂解后的多个网络，在每个网络中，可能产生不同的网络故障。由于仿真过程中网络故障种类的不同，在计算时应按照不同方式进行处理。针对不同种类的网络故障，在潮流计算前应进行分类。故障主要分为以下三类：
1)无需负荷削减的故障状态。
2)需要调节风、光、储出力以避免削减负荷的故障状态。
3)必须削减负荷的故障状态。
在潮流计算时，将含电源节点看成为PV节点，含有负荷的节点看成PQ节点。
最优负荷削减模型一般采用直流模型，其本质为线性规划问题，其目标函数为：
min∑i∈NCXi，
约束条件为
PGmin≤PG≤PGmax，
0≤Zi≤PDi，
∑i∈NCPGi+∑i∈NCZi＝∑i∈NCPDi，
T(Sj)＝A(Sj)(PG+Z-PD)，
|T(Sj)|≤Tmax，
上式中，Xi表示节点i的削减负荷量，NC为电力系统母线集合；NG表示分布式电源集合；A(S)表示在状态s下的线有功功率向量和节点注入功率间的关联阵；T(Sj)表示在状态s的线路有功功率向量；PD表示负荷节点有功负荷向量；PG表示节点的发电机组注入有功功率向量；Zi表示节点i的切负荷向量，PGmax与PGmin分别表示PG有功功率的最大值与最小值；Tmax表示T(Sj)最大值。
S3.确定主动配电网短期可靠性评估方案，从主动配电网可靠性评估指标体系的选取原则和方法出发，确定各指标值，最终确定综合指标。
当采用非序贯蒙特卡洛仿真模拟法对系统进行仿真时，需要选取与时序无关的可靠性评估指标，即非时序性指标，主要是针对某种状况出现的概率或期望进行计算，常见可靠性评估指标包括：
(1)缺电概率期望
缺电概率期望(loss of load probability,LOLP)定义为在仿真时间内，电力系统运行过程中，不能满足负荷总需求的期望值，其表达式为:
Figure BDA0002844595190000081
式中，Pi表示系统处于状态i的概率；S为给定时间区间内不能满足负荷需求的系统状态全集。
(2)缺电频率期望
缺电频率期望(loss of load frequency，LOLF)定义为在仿真时间内，电力不能满足负荷需求的次数，其表达式为:
Figure BDA0002844595190000082
式中，Di表示系统处于状态i的频率；该指标通常用次/年表示。
(3)缺电时间期望
缺电时间期望(loss of load expectation，LOLE)定义为在仿真时间内，不能满足负荷需求的小时或天数的期望值，其表达式为:
Figure BDA0002844595190000083
式中,T为给定的时间区间的仿真总时间，缺电时间期望LOLE的单位通常用小时/年或天/年表示。
(4)缺电持续时间期望
缺电持续时间期望(loss of load duration，LOLD)定义为在仿真时间内，不能满足负荷需求的平均时间：
Figure BDA0002844595190000091
式中，Pi为系统处于状态i的概率；Fi为状态i条件下削减的负荷功率，T为给定仿真时间。
具体在进行指标计算时，按照图2所示流程进行计算：
输入电网数据；
给定参数；
对系统进行抽样仿真；
计算可靠性指标；
判定是否满足精确度要求，若是结束，否则增加抽样次数后再计算可靠性指标。
在求出各项指标的同时，需确定每一项指标的相对重要程度关系，最终建立一套完整的可靠性总得分评分标准。一般来说，面对需要通过确定权重而判断方案优劣的问题，选用层次分析法可得到有效的解决。利用层次分析法的对主动配电网进行可靠性评估，首先构建每一层的层次结构模型，如图3所示。
主动配电网可靠性评估中，可将层次结构模型分为以下三层：
(1)目标层：主动配电网不同配置方案对应的可靠性总得分。
(2)判断层：判断层中包含得到总目标之前的主动配电网可靠性各个指标。
(3)方案层：方案层位于底层，本层主要包括基础的方案设置，即接入各种分布式能源带来的不同方案，可根据自身需求改变方案的个数。
在本发明中，需要通过输入电网的电源参数得到该方案可靠性总得分值。由于无法预知输入与输出的某种具体函数关系，所以采用神经网络模型即可对该问题进行有效解决。在具体模型选择上，选用适用于得分预测的多层前馈型神经网络模型，在多层前馈型神经网络中，每一层神经元只接收前一层的输入，并不加反馈地输出到下一层。在神经网络中，每个节点又分为输入单元和计算单元。计算单元可以接受多个单元的输入，但只能有一个输出(它可以作为输入链接到任意数量的其他节点)。通常，前馈网络可以分为不同的层，每一层的输入只和该层的上一层神经元进行连接，输入输出节点与外界数据连接，其它中间层称为隐层，一个完整的多层前馈神经网络由输入层、隐层和输出层组成，隐层的数量可根据学习状况进行调整，图4示出了多层前向神经网络的拓扑结构。
对于主动配电网短期可靠性评估而言，评估时间一般设定在一年左右。在进行仿真之前，需要先建立各分布式能源的模型及电网各个元件的状态值。本系统采用二状态模型，即元件只有故障和损坏两种状态。当确定所有元件状态时，网络状态便能够确定。网络状态确定后，可进行潮流计算，判断系统此时出力与负荷是否平衡，若不平衡，则需要主动配电网是否处在需要削减负荷的故障状态之中，调整完毕后再次进行潮流计算，直至系统供求平衡。利用潮流计算结果可计算可靠性指标，进而计算可靠性总得分；重复以上步骤，得到多组方案结果进行对比分析，实现基于模型驱动的主动配电网短期可靠性评估。
以IEEE33系统为例，利用模型驱动的方法对仿真系统的进行可靠性分析，IEEE33节点网络结构示意图如5所示。其中，DG1/2/3分别为三个分布式电源。在不同节点处接入容量，种类不同的分布式能源或储能电站，即可组成多种不同方案进行仿真。
得到分布式能源模型后，设置以下五种方案，参见表1，并以此为例进行案例分析，仿真时间为一年(T＝8760h)，5种不同的接入方案在下表中体现，每种方案对应不同时段的网络结构及状态由非序贯蒙特卡洛模拟法给出。
表1分布式能源接入方式
方案 节点编号风机功率(kW)光伏面板(m2)蓄电池容量(kW)
Figure BDA0002844595190000111
在仿真过程中，分布式能源的出力、负荷的削减情况在对应方案的潮流计算中体现。针对以上五个方案进行潮流计算后，基于潮流计算结果计算LOLP，LOLE等指标数值，各个可靠性指标具有不同的意义，且各指标单位不统一，所以进行层次分析法前需进行数据归一化并合理构建每层的判断矩阵。在实际计算中，将五种方案分为方案1、2、3以及方案1、4、5两组，分别进行层次分析法建模，两组皆以方案1的权重值作为基准，其他方案需用其相对权重进行换算，最终可得到层次总排序矩阵，参见表2。
表2层次总排序结果
Figure BDA0002844595190000121
利用最终根据层次总排序结果，得到各个方案1-3总得分，再利用同样方法得到方案4和方案5的得分，可靠性总得分分值越高，说明主动配电网对应的该方案可靠性越好。反之，表明该方案可靠性较差。五种方案的可靠性评估总得分如图6所示。
在设置方案时，方案1、方案2、方案3中，分布式能源接入了相同编号的节点，但接入的容量不同，相比于方案1而言，方案2的容量较大，而方案3的容量较小。方案4在方案1的基础上增加了一个节点的分布式能源接入，而方案5改变了分布式能源接入的位置。对比5种方案的结果，方案1-5的可靠性得分差距较大，不难看出接入分布式能源的容量大小与主动配电网可靠性有一定关系，即适当提高风、光、储的容量对提高主动配电网可靠性有一定作用。与前几种方案比较，方案5的可靠性较低，说明接入分布式能源时，接入合理的位置才能够保证系统的可靠性，即相对集中的接入方式在可靠性上不如相对松散的接入方式。
S4选取适当的神经网络模型，将模型驱动生成的数据集作为输入，综合指标作为输出，对神经网络参数进行训练，训练好的神经网络即可实现主动配电网可靠性评估。
如图7所示，基于数据驱动的可靠性评估流程如下：
扩大样本容量；
将S3得到的每种方案的电网参数及可靠性总得分作为训练样本，构建神经网络模型进行参数训练；
当训练误差达到要求，训练完成；
输入主动配电网中的每个方案的网络结构参数，即可直接得到该方案的可靠性总得分值。
利用以上方法，可设计多种方案，构造出多组样本数据用于BP神经网络的学习，利用建模过程可得到大量样本数据，此样本数据作为神经网络模型的训练集。然后构建神经网络模型，通过参数训练实现主动配电网短期可靠性在线评估。经分析，在主动配电网可靠性评估流程中可利用多层前馈型神经网络来完成可靠性评估的任务。在神经网络输入层的数据设置上，包括接入分布式能源的种类、位置、容量，输出层为可靠性评估总得分值。
仍以IEEE33系统为例，如图5所示，利用数据驱动的方法对仿真系统的进行可靠性分析。构建神经网络模型进行学习，首先需扩大样本容量。对不同方案设置下的主动配电网进行建模，将每三种方案分成一组(分别记为组内方案1、组内方案2、组内方案3)，分组求得各组中各方案的可靠性评估总得分，如图8所示。
以上共给出50组建模结果，每10组中含有三个方案，共有150组方案。将以上使用模型驱动方法得到的所有结果作为学习样本，输入多层前馈神经网络模型进行训练，通过数据处理，参数设置等方式，使得学习效果逐渐优化。当达到训练目标时，网络训练完成。在神经网络模型中，网络拓扑的选择需通过试验进行验证。使用MATLAB软件中自带的神经网络工具箱，将隐层数量设置为2和3，共给出四种神经网络拓扑进行试验，最终选择学习效果好的拓扑作为可靠性评估总得分的神经网络模型。
为验证四种神经网络模型的学习效果，给出四种分布式能源接入方案(参见表1中的方案6-9)，用于神经网络模型学习结果的验证，主要验证内容为模型驱动及数据驱动两种方法的得分对比，用比较平均相对误差的方法来判断神经网络的学习效果。方案6-9为验证神经网络训练结果的方案，无需作为训练集放入神经网络进行训练。
在神经网络模型中，设置神经网络参数对已有数据进行训练，当达到训练目标时，网络训练完成。此时输入四种方案的数据，利用数据驱动的方法预测得到对应每种方案的可靠性得分值。为验证学习结果的准确性，将方案6-方案9再次基于模型驱动进行计算，用于对比二种方法的可靠性评估总得分值，比较结果如表3所示。
表3四种网络性能对比
Figure BDA0002844595190000141
不难看出，序号4所对应的神经网络拓扑预测效果最好。以此作为可靠性评估流程中，用于后续训练的模型。模型驱动与数据驱动的得分对比图如图9示。
为验证该神经网络的性能，需要输入更多种不同类型的方案进行验证。将随机生成的10种方案，分别利用模型驱动与数据驱动的方法计算，结果如图10所示。图10中给出的方案10-方案19为随机给出的方案，模型驱动组为通过建立主动配电网模型及可靠性得分模型的方法得到的结果；数据驱动组为通过神经网络学习得到的结果，将两种方法的评估结果进行比较，数据驱动组得到的得分值基本与模型驱动组保持一致。
图10中给出的十种方案的可靠性预测值与建模得到的理论值相对误差均不超过5％，即此神经网络模型的学习结果基本可反应主动配电网的可靠性，也就是说，当样本数据足够多时，采用适当的神经网络模型，输入电网数据，可对网络参数进行训练，当精度达到一定要求时，训练完成。此时，只需依据某方案输入电网的网络数据，便可对主动配电网可靠性进行在线评估。至此，基于模型-数据混合驱动的主动配电网短期可靠性评估完成。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (7)

1.基于模型-数据混合驱动的主动配电网短期可靠性评估方法，其特征在于，包括以下步骤：
S1.搭建主动配电网的节点网络结构及各个元件的模型，通过非序贯蒙特卡洛模拟法来获取主动配电网每一时刻的状态；
S2.针对不同故障状态对网络进行潮流计算，根据潮流计算的结果来确定主动电源与柔性负荷的调整方法；
S3.确定主动配电网短期可靠性评估方案，从主动配电网可靠性评估指标体系的选取原则和方法出发，确定各指标值，最终确定综合指标；
S4.选取适当的神经网络模型，将模型驱动生成的数据集作为输入，综合指标作为输出，对神经网络参数进行训练，训练好的神经网络即可实现主动配电网可靠性评估。
2.如权利要求1所述的方法，其特征在于，S1中的各个元件的模型包括：风机出力模型、光伏出力模型、蓄电池充放电模型、负荷曲线模型和随机负荷模型、基于非序贯蒙特卡洛法的元件停运模型。
3.如权利要求1所述的方法，其特征在于，在S2中，在进行潮流计算时，将含电源节点看成为PV节点，含有负荷的节点看成PQ节点，最优负荷削减模型的目标函数为：
min∑i∈NCXi，
约束条件为：
PGmin≤PG≤PGmax，
0≤Zi≤PDi，
∑i∈NCPGi+∑i∈NCZi＝∑i∈NCPDi，
T(Sj)＝A(Sj)(PG+Z-PD)，
|T(Sj)|≤Tmax，
其中，Xi为节点i的负荷削减量，NC为电力系统母线集合，NG表示分布式电源集合，A(S)表示在状态s下的线有功功率向量和节点注入功率间的关联阵：T(Sj)表示在状态s的线路有功功率向量；PD表示负荷节点有功负荷向量；PG表示节点的发电机组注入有功功率向量；Zi表示节点i的切负荷向量，PGmax与PGmin分别表示PG有功功率的最大值与最小值；Tmax表示T(Sj)最大值。
4.如权利要求1所述的方法，其特征在于，S3中，利用层次分析法对主动配电网进行可靠性评估，其中，层次结构模型分为以下三层：
(1)目标层：主动配电网不同配置方案对应的可靠性总得分；
(2)判断层：判断层中包含得到总目标之前的主动配电网可靠性各个指标；
(3)方案层：方案层位于底层，本层包括基础的方案设置，即接入各种分布式能源带来的不同方案，可根据自身需求改变方案的个数。
5.如权利要求4所述的方法，其特征在于，主动配电网可靠性各个指标的计算过程如下：
输入电网数据；
给定参数；
对系统进行抽样仿真；
计算可靠性指标；
判定是否满足精确度要求，若是结束，否则增加抽样次数后再计算可靠性指标。
6.如权利要求4所述的方法，其特征在于，S4的具体过程如下：
扩大样本容量；
将S3得到的每种方案的电网参数及可靠性总得分作为训练样本，构建神经网络模型进行参数训练；
当训练误差达到要求，训练完成；
输入主动配电网中的每个方案的网络结构参数，即可直接得到该方案的可靠性总得分值。
7.如权利要求4所述的方法，其特征在于，S4中，神经网络模型采用多层前馈型神经网络模型，其中，神经网络的输入层包括接入分布式能源的种类、位置和容量；输出层为可靠性评估总得分值。
CN202011504919.6A 2020-12-18 2020-12-18 基于模型-数据混合驱动的主动配电网短期可靠性评估方法 Active CN112701679B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011504919.6A CN112701679B (zh) 2020-12-18 2020-12-18 基于模型-数据混合驱动的主动配电网短期可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011504919.6A CN112701679B (zh) 2020-12-18 2020-12-18 基于模型-数据混合驱动的主动配电网短期可靠性评估方法

Publications (2)

Publication Number Publication Date
CN112701679A true CN112701679A (zh) 2021-04-23
CN112701679B CN112701679B (zh) 2023-02-03

Family

ID=75507410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011504919.6A Active CN112701679B (zh) 2020-12-18 2020-12-18 基于模型-数据混合驱动的主动配电网短期可靠性评估方法

Country Status (1)

Country Link
CN (1) CN112701679B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114297914A (zh) * 2021-12-14 2022-04-08 重庆邮电大学 一种面向大电网可靠性评估的深度神经网络结果可信性保障方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120078436A1 (en) * 2010-09-27 2012-03-29 Patel Sureshchandra B Method of Artificial Nueral Network Loadflow computation for electrical power system
CN111404144A (zh) * 2020-01-23 2020-07-10 天津大学 一种基于非序贯蒙特卡洛法的交直流配电网可靠性评估方法
CN111882228A (zh) * 2020-07-31 2020-11-03 国网重庆市电力公司电力科学研究院 一种含分布式电源的配电网可靠性评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120078436A1 (en) * 2010-09-27 2012-03-29 Patel Sureshchandra B Method of Artificial Nueral Network Loadflow computation for electrical power system
CN111404144A (zh) * 2020-01-23 2020-07-10 天津大学 一种基于非序贯蒙特卡洛法的交直流配电网可靠性评估方法
CN111882228A (zh) * 2020-07-31 2020-11-03 国网重庆市电力公司电力科学研究院 一种含分布式电源的配电网可靠性评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵渊等: "基于网流规划的发输电组合系统可靠性评估模型研究", 《电网技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114297914A (zh) * 2021-12-14 2022-04-08 重庆邮电大学 一种面向大电网可靠性评估的深度神经网络结果可信性保障方法

Also Published As

Publication number Publication date
CN112701679B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
Li et al. Coordinated scheduling for improving uncertain wind power adsorption in electric vehicles—Wind integrated power systems by multiobjective optimization approach
CN110738344B (zh) 电力系统负荷预测的分布式无功优化方法及装置
CN110620402B (zh) 电-气混联系统分布式规划运行联合优化方法及系统
CN112131733B (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN112036611B (zh) 一种计及风险的电网优化规划方法
CN108306285B (zh) 基于topsis法的含分布式电源的主动配电网可靠性评估方法
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
CN105207573A (zh) 基于离散概率模型的风光互补供电系统定量优化配置方法
CN111950900B (zh) 一种电力系统源网荷储本质安全风险评估方法
CN107453396A (zh) 一种分布式光伏电源出力的多目标优化调度方法
CN111064192A (zh) 一种计及源荷不确定性的独立型微网容量优化配置方法
Haddad et al. Mixed integer linear programming approach to optimize the hybrid renewable energy system management for supplying a stand-alone data center
CN117077960A (zh) 一种区域综合能源系统日前调度优化方法
Chen et al. An improved brain storm optimization for a hybrid renewable energy system
CN115423153A (zh) 基于概率预测的光伏储能系统能量管理方法
CN112116171A (zh) 一种新型基于神经网络的光伏发电功率预测方法
CN112701679B (zh) 基于模型-数据混合驱动的主动配电网短期可靠性评估方法
CN107359611A (zh) 考虑多种随机因素的配电网等值方法
CN114430165A (zh) 基于深度模型预测的微网群智能协调控制方法和装置
CN113937767B (zh) 一种基于改进鲸鱼算法的微电网容量优化配置方法
CN116128211A (zh) 基于风光不确定性预报场景的风光水联合短期优化调度方法
Iliadis et al. Advanced energy management system based on PV and load forecasting for load smoothing and optimized peak shaving of islanded power systems
CN114649822A (zh) 一种考虑风光三状态的微电网混合储能双层容量配置方法
CN113591224A (zh) 一种城市电网连锁故障风险评估方法及系统
Fang et al. Energy scheduling and decision learning of combined cooling, heating and power microgrid based on deep deterministic policy gradient

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