CN113098075A - 光伏消纳能力的分析方法、装置、电子设备及存储介质 - Google Patents

光伏消纳能力的分析方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113098075A
CN113098075A CN202110566456.4A CN202110566456A CN113098075A CN 113098075 A CN113098075 A CN 113098075A CN 202110566456 A CN202110566456 A CN 202110566456A CN 113098075 A CN113098075 A CN 113098075A
Authority
CN
China
Prior art keywords
model
load
distribution network
power
distributed photovoltaic
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
CN202110566456.4A
Other languages
English (en)
Other versions
CN113098075B (zh
Inventor
陈东明
陈镇宇
柴方程
袁桦菁
易煜锦
黄骏升
黄泽华
龙经纬
练梓焯
陈健美
王岳
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.)
Guangdong Power Grid Co Ltd
Yunfu Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Yunfu Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Yunfu Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202110566456.4A priority Critical patent/CN113098075B/zh
Publication of CN113098075A publication Critical patent/CN113098075A/zh
Application granted granted Critical
Publication of CN113098075B publication Critical patent/CN113098075B/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
    • H02J3/38—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
    • 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
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种光伏消纳能力的分析方法、装置、电子设备及存储介质，其方法包括：获取多元负荷资源的特性信息、待规划配电网的架构信息和分布式光伏接入节点信息，根据所述多元负荷资源的特性信息，构建多元负荷模型，基于所述多元负荷模型，按照预先设定的数量构建不同场景，并将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数，基于粒子群算法和所述多元负荷系数，结合预设的多重约束条件，计算得到各节点及全系统的分布式光伏最佳装机容量。本发明通过一种基于粒子群算法的多场景分布式光伏消纳能力分析方法，为配网系统分布式光伏配置规划提供有力支撑。

Description

光伏消纳能力的分析方法、装置、电子设备及存储介质
技术领域
本发明涉及配电网需求侧管理的领域，尤其涉及一种光伏消纳能力的分析方法、装置、电子设备及存储介质。
背景技术
目前，低压台区分布式光伏消纳能力主要有四大评价指标：分布式光伏最大渗透率、光伏极限接入量、极限峰值容量及最大准入容量。主要研究方法有两种：第一种，算法优化、构建模型，综合考虑分布式光伏并网影响因素，确定约束条件，以评价指标为目标构建最大允许接入峰值容量模型等光伏消纳模型，采用改进粒子群等优化算法进行求解；第二种，软件仿真、模型试算，采用数字仿真法，应用PSCAD/EMTDC软件(电力系统分析综合程序)结合不同的负荷性质求解，也可采用试探法，应用PowerFactory仿真软件，从配网系统的安全经济运行出发，结合不同的电网接线方式进行配电网分布式光伏消纳能力评估。以上两种主要研究方法仅从理论上，针对特定配网系统架构进行分布式光伏消纳能力评估，而非综合多场景多节点进行分布式光伏装机容量分层分级动态调整。
因此，为了提供区域配网分布式光伏装机容量规划的最优解，解决目前存在的仅从理论上对特定配网系统架构进行分布式光伏消纳能力评估的技术问题，亟需构建一种光伏消纳能力的分析方法。
发明内容
本发明提供了一种光伏消纳能力的分析方法、装置、电子设备及存储介质，解决了目前存在的仅从理论上对特定配网系统架构进行分布式光伏消纳能力评估的技术问题。
第一方面，本发明提供了一种光伏消纳能力的分析方法，包括：
获取多元负荷资源的特性信息、待规划配电网的架构信息和分布式光伏接入节点信息；
根据所述多元负荷资源的特性信息，构建多元负荷模型；
基于所述多元负荷模型，按照预先设定的数量构建不同场景，并将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数；
基于粒子群算法和所述多元负荷系数，结合预设的多重约束条件，计算得到各节点及全系统的分布式光伏最佳装机容量。
可选地，所述多元负荷模型包括风电出力模型、储能模型、电动汽车充电模型、分布式光伏出力模型；所述风电出力模型具体为：
Figure BDA0003080914050000021
所述电动汽车充电模型具体为：
Figure BDA0003080914050000022
Figure BDA0003080914050000023
所述分布式光伏出力模型具体为：
Figure BDA0003080914050000024
其中，v表示风机风速；vi表示切入风速；vo表示切出风速；vr表示额定风速；Pr表示额定输出功率；σ、ηc和ηd分别为自损耗系数、蓄能效率及放能效率；Wt、Pt c和Pt d分别为t时段内储能装置的能量、蓄能功率及放能功率；
Figure BDA00030809140500000210
为蓄能功率的最大值；
Figure BDA0003080914050000025
为放能功率的最大值；
Figure BDA0003080914050000026
为储能装置蓄能的0-1变量；
Figure BDA0003080914050000027
为储能装置放能的0-1变量；Pt EV为t时刻总的充电功率；
Figure BDA0003080914050000028
为t时刻第i辆电动汽车的充电功率；n为电动汽车总数；αi,t为在t时刻第i辆电动汽车参与充电系数；
Figure BDA0003080914050000029
为第i辆电动汽车在t时刻需要保持的最低电量状态；Pr PV为分布式光伏装机容量；Gt为工作点t时段的太阳辐照强度；取Gr为1000W/m2；电池温度Tr为25℃。
可选地，基于所述多元负荷模型，按照预先设定的数量构建不同场景，并将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数，包括：
按照预先设定的数量构建不同场景，并根据所述不同场景配置对应的多元负荷模型；
将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数。
可选地，所述多重约束条件的设立具体为:
通过进行配网网络潮流计算分析，得到配网网络潮流计算分析结果；
根据所述配网网络潮流计算分析结果，设立多重约束条件。
第二方面，本发明提供了一种光伏消纳能力的分析装置，包括：
获取模块，用于获取多元负荷资源的特性信息、待规划配电网的架构信息和分布式光伏接入节点信息；
构建模块，用于根据所述多元负荷资源的特性信息，构建多元负荷模型；
输入模块，用于基于所述多元负荷模型，按照预先设定的数量构建不同场景，并将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数；
计算模块，用于基于粒子群算法和所述多元负荷系数，结合预设的多重约束条件，计算得到各节点及全系统的分布式光伏最佳装机容量。
可选地，所述多元负荷模型包括风电出力模型、储能模型、电动汽车充电模型、分布式光伏出力模型；所述风电出力模型具体为：
Figure BDA0003080914050000031
所述储能模型具体为：
Figure BDA0003080914050000032
Figure BDA0003080914050000033
Figure BDA0003080914050000034
所述电动汽车充电模型具体为：
Figure BDA0003080914050000041
Figure BDA0003080914050000042
所述分布式光伏出力模型具体为：
Figure BDA0003080914050000043
其中，v表示风机风速；vi表示切入风速；vo表示切出风速；vr表示额定风速；Pr表示额定输出功率；σ、ηc和ηd分别为自损耗系数、蓄能效率及放能效率；Wt、Pt c和Pt d分别为t时段内储能装置的能量、蓄能功率及放能功率；
Figure BDA0003080914050000049
为蓄能功率的最大值；
Figure BDA0003080914050000044
为放能功率的最大值；
Figure BDA0003080914050000045
为储能装置蓄能的0-1变量；
Figure BDA0003080914050000046
为储能装置放能的0-1变量；Pt EV为t时刻总的充电功率；
Figure BDA0003080914050000047
为t时刻第i辆电动汽车的充电功率；n为电动汽车总数；αi,t为在t时刻第i辆电动汽车参与充电系数；
Figure BDA0003080914050000048
为第i辆电动汽车在t时刻需要保持的最低电量状态；Pr PV为分布式光伏装机容量；Gt为工作点t时段的太阳辐照强度；取Gr为1000W/m2；电池温度Tr为25℃。
可选地，所述输入模块包括：
构建子模块，用于按照预先设定的数量构建不同场景，并根据所述不同场景配置对应的多元负荷模型；
输入子模块，用于将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数。
可选地，所述计算模块包括:
分析子模块，用于通过进行配网网络潮流计算分析，得到配网网络潮流计算分析结果；
设立子模块，用于根据所述配网网络潮流计算分析结果，设立多重约束条件。
第三方面，本发明提供了一种电子设备，所述电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面，本发明提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
从以上技术方案可以看出，本发明具有以下优点：本发明提供了一种光伏消纳能力的分析方法，通过获取多元负荷资源的特性信息、待规划配电网的架构信息和分布式光伏接入节点信息，根据所述多元负荷资源的特性信息，构建多元负荷模型，基于所述多元负荷模型，按照预先设定的数量构建不同场景，并将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数，基于粒子群算法和所述多元负荷系数，结合预设的多重约束条件，计算得到各节点及全系统的分布式光伏最佳装机容量，通过综合考虑可再生能源、储能、电动汽车充电等负荷类型的不确定性，构建多元负荷模型，以配网系统运行安全可靠性为考量设立多种约束条件，以光伏消纳能力最大为目标，构建分布式光伏消纳能力分析模型，实现了多种场景下的分布式光伏消纳能力分析，解决了目前存在的仅从理论上对特定配网系统架构进行分布式光伏消纳能力评估的技术问题，为配网系统分布式光伏配置规划提供有力支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明的一种光伏消纳能力的分析方法实施例一的流程步骤图；
图2为本发明的一种光伏消纳能力的分析方法实施例二的流程步骤图；
图3为本发明的一种光伏消纳能力的分析方法中基于粒子群算法的光伏消纳能力分析方法步骤流程图；
图4为本发明的一种光伏消纳能力的分析装置实施例的结构框图。
具体实施方式
本发明实施例提供了一种光伏消纳能力的分析方法、装置、电子设备及存储介质，用于解决目前存在的仅从理论上对特定配网系统架构进行分布式光伏消纳能力评估的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一，请参阅图1，图1为本发明的一种光伏消纳能力的分析方法实施例一的流程步骤图，包括：
步骤S101，获取多元负荷资源的特性信息、待规划配电网的架构信息和分布式光伏接入节点信息；
步骤S102，根据所述多元负荷资源的特性信息，构建多元负荷模型；
需要说明的是，多元负荷模型包括风电出力模型、储能模型、电动汽车充电模型、分布式光伏出力模型。
步骤S103，基于所述多元负荷模型，按照预先设定的数量构建不同场景，并将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数；
需要说明的是，不同场景包括：第一场景为原始配网系统配置分布式风电模型，第二场景为原始配网系统配置储能装置模型，第三场景为原始配网系统配置电动汽车充电模型，第四场景为原始配网系统配置分布式风电模型和储能装置模型，第五场景为原始配网系统配置分布式风电模型、储能装置模型和电动汽车充电模型。
在本发明实施例中，按照预先设定的数量构建不同场景，并对所述不同场景配置对应的多元负荷模型，将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述对应的多元负荷模型，生成多元负荷系数。
步骤S104，基于粒子群算法和所述多元负荷系数，结合预设的多重约束条件，计算得到各节点及全系统的分布式光伏最佳装机容量；
需要说明的是，多重约束条件是以配网系统运行安全可靠性为考量，用于保证配网系统的安全运行。光伏最佳装机容量为光伏消纳能力。
粒子群算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值，另一个极值是整个种群找到的最优解，这个极值是全局极值。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值。
在本发明实施例所提供的一种光伏消纳能力的分析方法，通过获取多元负荷资源的特性信息、待规划配电网的架构信息和分布式光伏接入节点信息，根据所述多元负荷资源的特性信息，构建多元负荷模型，基于所述多元负荷模型，按照预先设定的数量构建不同场景，并将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数，基于粒子群算法和所述多元负荷系数，结合预设的多重约束条件，计算得到各节点及全系统的分布式光伏最佳装机容量，通过综合考虑可再生能源、储能、电动汽车充电等负荷类型的不确定性，构建多元负荷模型，以配网系统运行安全可靠性为考量设立多种约束条件，以光伏消纳能力最大为目标，构建分布式光伏消纳能力分析模型，实现了多种场景下的分布式光伏消纳能力分析，解决了目前存在的仅从理论上对特定配网系统架构进行分布式光伏消纳能力评估的技术问题，为配网系统分布式光伏配置规划提供有力支撑。
实施例二，请参阅图2，图2为本发明的一种光伏消纳能力的分析方法的流程步骤图，包括：
步骤S201，获取多元负荷资源的特性信息、待规划配电网的架构信息和分布式光伏接入节点信息；
在本发明实施例中，获取多元负荷资源的特性信息、待规划配电网的架构信息和分布式光伏接入节点信息。
步骤S202，根据所述多元负荷资源的特性信息，构建多元负荷模型；
在本发明实施例中，根据所述多元负荷资源的特性信息，构建多元负荷模型，多元负荷模型包括风电出力模型、储能模型、电动汽车充电模型、分布式光伏出力模型。
在具体实现中，构建风电出力模型，通过Weibull分布函数对风速进行模拟，计算得到风力发电出力模型具体为：
Figure BDA0003080914050000081
其中，v表示风机风速；vi表示切入风速；vo表示切出风速；vr表示额定风速；Pr表示额定输出功率。
构建储能模型，假设储能装置在调度周期内的起始时刻及结束时刻储能量一致，即满足以下条件：
Wo＝We
以储能装置的接入容量及位置为已知参数形成储能模型，储能模型具体为：
Figure BDA0003080914050000082
Figure BDA0003080914050000083
Figure BDA0003080914050000084
其中，σ、ηc和ηd分别为自损耗系数、蓄能效率及放能效率；Wt、Pt c和Pt d分别为t时段内储能装置的能量、蓄能功率及放能功率；
Figure BDA0003080914050000089
为蓄能功率的最大值；
Figure BDA0003080914050000085
为放能功率的最大值；
Figure BDA00030809140500000810
为储能装置蓄能的0-1变量；
Figure BDA0003080914050000086
为储能装置放能的0-1变量。
构建电动汽车充电模型，简化充电模型为某一时刻某节点接入充电的电动汽车充电功率之和，以天为单位进行充电循环，以小时为计算节点，电动汽车充电模型具体为：
Figure BDA0003080914050000087
Figure BDA0003080914050000088
构建分布式光伏出力模型，分布式光伏的具体输出功率可由装机容量与太阳辐照度、温度等描述，分布式光伏出力模型具体为：
Figure BDA0003080914050000091
其中，
Figure BDA0003080914050000092
为分布式光伏装机容量；Gt为工作点t时段的太阳辐照强度；一般取Gr为1000W/m2；电池温度Tr为25℃。
步骤S203，按照预先设定的数量构建不同场景，并根据所述不同场景配置对应的多元负荷模型；
在发明实施例中，构建不同场景包括构建五个场景：第一场景为原始配网系统配置分布式风电模型，第二场景为原始配网系统配置储能装置模型，第三场景为原始配网系统配置电动汽车充电模型，第四场景为原始配网系统配置分布式风电模型和储能装置模型，第五场景为原始配网系统配置分布式风电模型、储能装置模型和电动汽车充电模型。
步骤S204，将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数；
在发明实施例中，将所需数据输入到所述不同场景所对应的多元负荷模型，得到多元负荷系数。
步骤S205，通过进行配网网络潮流计算分析，得到配网网络潮流计算分析结果；
需要说明的是，潮流计算是电力学名词，指在给定电力系统网络拓扑、元件参数和发电、负荷参量条件下，计算有功功率、无功功率及电压在电力网中的分布。潮流计算是根据给定的电网结构、参数和发电机、负荷等元件的运行条件，确定电力系统各部分稳态运行状态参数的计算。通常给定的运行条件有系统中各电源和负荷点的功率、枢纽点电压、平衡点的电压和相位角。待求的运行状态参量包括电网各母线节点的电压幅值和相角，以及各支路的功率分布、网络的功率损耗等。
在本发明实施例中，通过进行配网网络潮流计算分析多元负荷系数，得到配网网络潮流计算分析结果。
步骤S206，根据所述配网网络潮流计算分析结果，设立多重约束条件；
在本发明实施例中，根据所述配网网络潮流计算分析结果，设立多重约束条件，多重约束条件是以配网系统运行安全可靠性为考量，用于保证配网系统的安全运行。
在具体实现中，基于DistFlow潮流方程构建节点功率平衡约束条件具体为：
Figure BDA0003080914050000101
其中，Ωi为与节点i相连的节点集合；
Figure BDA0003080914050000102
为节点i在t时段的有功功率和无功功率；
Figure BDA0003080914050000103
为接入节点i在t时段的分布式光伏出力；
Figure BDA0003080914050000104
为上级电源节点i在t时段的注入有功功率及无功功率；Pij,t、Qij,t为线路ij在t时段的有功功率和无功功率；Vi为节点i的电压值；rij、xij为线路ij的电阻和电抗。考虑到潮流约束会随网络拓扑改变，引入λij，t表示线路ij工作状态，取0或1。
构建节点电压约束条件具体为：
Figure BDA0003080914050000105
1-ε≤Vi,t/V0≤1+ε
其中，ε为电压偏差系数上限；Vi,t、V0为节点i的电压值和基准值。
构建上级电源节点功率上下限约束具体为：
Figure BDA0003080914050000106
其中，
Figure BDA0003080914050000107
分别为上级电源节点k的有功功率及无功功率的最小值与最大值。
步骤S207，基于粒子群算法和所述多元负荷系数，结合预设的多重约束条件，计算得到各节点及全系统的分布式光伏最佳装机容量；
在本发明实施例中，在约束条件范围内生成粒子群，结合所述多元负荷系数，运用粒子群算法计算得到各节点及全系统的分布式光伏最佳装机容量。
在具体实现中，在约束条件范围内生成粒子群，各粒子对应各节点，多个节点形成配网系统对应粒子群，各粒子有自己的位置
Figure BDA0003080914050000111
对应于接入节点分布式光伏的装机容量。基于多元负荷系数进行迭代更新，每次迭代过程中，各分布式光伏都会找到个体的最佳装机容量
Figure BDA0003080914050000112
和系统的最佳装机容量
Figure BDA0003080914050000113
在下一次迭代过程中以各节点上一次迭代的Vi t、
Figure BDA0003080914050000114
和
Figure BDA0003080914050000115
更新当前节点的装机容量，往复循环，最终找到约束条件范围内的最优装机值。更新公式具体为：
Figure BDA0003080914050000116
其中，
Figure BDA0003080914050000117
为节点i第t次迭代的节点分布式光伏最佳装机容量；
Figure BDA0003080914050000118
为第t次迭代的系统分布式光伏最佳装机容量；ω为惯性权重；c1，c2为学习因子；r1，r2为介于0与1之间的随机数，Vi t为节点i的第t次迭代的电压值和基准值。
在本发明实施例所提供的一种光伏消纳能力的分析方法，通过获取多元负荷资源的特性信息、待规划配电网的架构信息和分布式光伏接入节点信息，根据所述多元负荷资源的特性信息，构建多元负荷模型，基于所述多元负荷模型，按照预先设定的数量构建不同场景，并将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数，基于粒子群算法和所述多元负荷系数，结合预设的多重约束条件，计算得到各节点及全系统的分布式光伏最佳装机容量，通过综合考虑可再生能源、储能、电动汽车充电等负荷类型的不确定性，构建多元负荷模型，以配网系统运行安全可靠性为考量设立多种约束条件，以光伏消纳能力最大为目标，构建分布式光伏消纳能力分析模型，实现了多种场景下的分布式光伏消纳能力分析，解决了目前存在的仅从理论上对特定配网系统架构进行分布式光伏消纳能力评估的技术问题，为配网系统分布式光伏配置规划提供有力支撑。
请参阅图3，图3为本发明的一种光伏消纳能力的分析方法中基于粒子群算法的光伏消纳能力分析方法步骤流程图，包括：
步骤S301，在预设的多重约束条件范围内生成粒子群；
步骤S302，将粒子表示为接入节点、粒子群表示多个接入节点形成的配网系统、粒子的位置表示接入节点分布式光伏的装机容量；
步骤S303，基于多元负荷系数，保持对粒子的位置进行迭代更新，并更新所述粒子的位置表示的接入节点分布式光伏的装机容量；
步骤S304，当各个接入节点布式光伏的装机容量都达到最佳装机容量时，停止迭代更新，得到各节点及全系统的分布式光伏装机容量。
在本发明实施例中，迭代更新的公式具体为：
Figure BDA0003080914050000121
其中，
Figure BDA0003080914050000122
为节点i第t次迭代的节点分布式光伏最佳装机容量；
Figure BDA0003080914050000123
为第t次迭代的系统分布式光伏最佳装机容量；ω为惯性权重；c1，c2为学习因子；r1，r2为介于0与1之间的随机数，Vi t为节点i的第t次迭代的电压值和基准值。
在本发明实施例所提供的一种光伏消纳能力的分析方法中基于粒子群算法的光伏消纳能力分析方法，通过在预设的多重约束条件范围内生成粒子群，将粒子表示为接入节点、粒子群表示多个接入节点形成的配网系统、粒子的位置表示接入节点分布式光伏的装机容量，保持对粒子的位置进行迭代更新，并更新所述粒子的位置表示的接入节点分布式光伏的装机容量，当各个接入节点布式光伏的装机容量都达到最佳装机容量时，停止迭代更新，得到各节点及全系统的分布式光伏装机容量，以配网系统运行安全可靠性为考量设立多种约束条件，以光伏消纳能力最大为目标，构建分布式光伏消纳能力分析模型，实现了多种场景下的分布式光伏消纳能力分析，解决了目前存在的仅从理论上对特定配网系统架构进行分布式光伏消纳能力评估的技术问题，为配网系统分布式光伏配置规划提供有力支撑。
请参阅图4，图4为本发明的一种光伏消纳能力的分析装置实施例的结构框图，包括：
获取模块401，用于获取多元负荷资源的特性信息、待规划配电网的架构信息和分布式光伏接入节点信息；
构建模块402，用于根据所述多元负荷资源的特性信息，构建多元负荷模型；
输入模块403，用于基于所述多元负荷模型，按照预先设定的数量构建不同场景，并将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数；
计算模块404，用于基于粒子群算法和所述多元负荷系数，结合预设的多重约束条件，计算得到各节点及全系统的分布式光伏最佳装机容量。
可选地，所述多元负荷模型包括风电出力模型、储能模型、电动汽车充电模型、分布式光伏出力模型；所述风电出力模型具体为：
Figure BDA0003080914050000131
所述储能模型具体为：
Figure BDA0003080914050000132
Figure BDA0003080914050000133
Figure BDA0003080914050000134
所述电动汽车充电模型具体为：
Figure BDA0003080914050000135
Figure BDA0003080914050000136
所述分布式光伏出力模型具体为：
Figure BDA0003080914050000137
其中，v表示风机风速；vi表示切入风速；vo表示切出风速；vr表示额定风速；Pr表示额定输出功率；σ、ηc和ηd分别为自损耗系数、蓄能效率及放能效率；Wt、Pt c和Pt d分别为t时段内储能装置的能量、蓄能功率及放能功率；
Figure BDA0003080914050000141
为蓄能功率的最大值；
Figure BDA0003080914050000142
为放能功率的最大值；
Figure BDA0003080914050000143
为储能装置蓄能的0-1变量；
Figure BDA0003080914050000144
为储能装置放能的0-1变量；Pt EV为t时刻总的充电功率；
Figure BDA0003080914050000145
为t时刻第i辆电动汽车的充电功率；n为电动汽车总数；αi,t为在t时刻第i辆电动汽车参与充电系数；
Figure BDA0003080914050000146
为第i辆电动汽车在t时刻需要保持的最低电量状态；
Figure BDA0003080914050000147
为分布式光伏装机容量；Gt为工作点t时段的太阳辐照强度；取Gr为1000W/m2；电池温度Tr为25℃。
可选地，所述输入模块403包括：
构建子模块，用于按照预先设定的数量构建不同场景，并根据所述不同场景配置对应的多元负荷模型；
输入子模块，用于将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数。
可选地，所述计算模块404包括:
分析子模块，用于通过进行配网网络潮流计算分析，得到配网网络潮流计算分析结果；
设立子模块，用于根据所述配网网络潮流计算分析结果，设立多重约束条件。
本发明实施例还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一实施例所述的光伏消纳能力的分析方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现如上述任一实施例所述的光伏消纳能力的分析方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，本发明所揭露的方法、装置、电子设备及存储介质，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种光伏消纳能力的分析方法，其特征在于，包括：
获取多元负荷资源的特性信息、待规划配电网的架构信息和分布式光伏接入节点信息；
根据所述多元负荷资源的特性信息，构建多元负荷模型；
基于所述多元负荷模型，按照预先设定的数量构建不同场景，并将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数；
基于粒子群算法和所述多元负荷系数，结合预设的多重约束条件，计算得到各节点及全系统的分布式光伏最佳装机容量。
2.根据权利要求1所述的光伏消纳能力的分析方法，其特征在于，所述多元负荷模型包括风电出力模型、储能模型、电动汽车充电模型、分布式光伏出力模型；所述风电出力模型具体为：
Figure FDA0003080914040000011
所述储能模型具体为：
Figure FDA0003080914040000012
Figure FDA0003080914040000013
Figure FDA0003080914040000014
所述电动汽车充电模型具体为：
Figure FDA0003080914040000015
Figure FDA0003080914040000016
所述分布式光伏出力模型具体为：
Figure FDA0003080914040000017
其中，v表示风机风速；vi表示切入风速；vo表示切出风速；vr表示额定风速；Pr表示额定输出功率；σ、ηc和ηd分别为自损耗系数、蓄能效率及放能效率；Wt、Pt c和Pt d分别为t时段内储能装置的能量、蓄能功率及放能功率；
Figure FDA0003080914040000021
为蓄能功率的最大值；
Figure FDA0003080914040000022
为放能功率的最大值；
Figure FDA0003080914040000023
为储能装置蓄能的0-1变量；
Figure FDA0003080914040000024
为储能装置放能的0-1变量；Pt EV为t时刻总的充电功率；
Figure FDA0003080914040000025
为t时刻第i辆电动汽车的充电功率；n为电动汽车总数；αit为在t时刻第i辆电动汽车参与充电系数；
Figure FDA0003080914040000026
为第i辆电动汽车在t时刻需要保持的最低电量状态；
Figure FDA0003080914040000027
为分布式光伏装机容量；Gt为工作点t时段的太阳辐照强度；取Gr为1000W/m2；电池温度Tr为25℃。
3.根据权利要求1所述的光伏消纳能力的分析方法，其特征在于，基于所述多元负荷模型，按照预先设定的数量构建不同场景，并将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数，包括：
按照预先设定的数量构建不同场景，并根据所述不同场景配置对应的多元负荷模型；
将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数。
4.根据权利要求1-3任一所述的光伏消纳能力的分析方法，其特征在于，所述多重约束条件的设立具体为:
通过进行配网网络潮流计算分析，得到配网网络潮流计算分析结果；
根据所述配网网络潮流计算分析结果，设立多重约束条件。
5.一种光伏消纳能力的分析装置，其特征在于，包括：
获取模块，用于获取多元负荷资源的特性信息、待规划配电网的架构信息和分布式光伏接入节点信息；
构建模块，用于根据所述多元负荷资源的特性信息，构建多元负荷模型；
输入模块，用于基于所述多元负荷模型，按照预先设定的数量构建不同场景，并将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数；
计算模块，用于基于粒子群算法和所述多元负荷系数，结合预设的多重约束条件，计算得到各节点及全系统的分布式光伏最佳装机容量。
6.根据权利要求5所述的光伏消纳能力的分析装置，其特征在于，所述多元负荷模型包括风电出力模型、储能模型、电动汽车充电模型、分布式光伏出力模型；所述风电出力模型具体为
Figure FDA0003080914040000031
所述储能模型具体为：
Figure FDA0003080914040000032
Figure FDA0003080914040000033
Figure FDA0003080914040000034
所述电动汽车充电模型具体为：
Figure FDA0003080914040000035
Figure FDA0003080914040000036
所述分布式光伏出力模型具体为：
Figure FDA0003080914040000037
其中，v表示风机风速；vi表示切入风速；vo表示切出风速；vr表示额定风速；Pr表示额定输出功率；σ、ηc和ηd分别为自损耗系数、蓄能效率及放能效率；Wt、Pt c和Pt d分别为t时段内储能装置的能量、蓄能功率及放能功率；
Figure FDA0003080914040000038
为蓄能功率的最大值；
Figure FDA0003080914040000039
为放能功率的最大值；
Figure FDA00030809140400000310
为储能装置蓄能的0-1变量；
Figure FDA00030809140400000311
为储能装置放能的0-1变量；Pt EV为t时刻总的充电功率；
Figure FDA00030809140400000312
为t时刻第i辆电动汽车的充电功率；n为电动汽车总数；αi,t为在t时刻第i辆电动汽车参与充电系数；
Figure FDA00030809140400000313
为第i辆电动汽车在t时刻需要保持的最低电量状态；
Figure FDA00030809140400000314
为分布式光伏装机容量；Gt为工作点t时段的太阳辐照强度；取Gr为1000W/m2；电池温度Tr为25℃。
7.根据权利要求5所述的光伏消纳能力的分析装置，其特征在于，所述输入模块包括：
构建子模块，用于按照预先设定的数量构建不同场景，并根据所述不同场景配置对应的多元负荷模型；
输入子模块，用于将所述待规划配电网的架构信息和分布式光伏接入节点信息输入到所述不同场景所对应的多元负荷模型，生成多元负荷系数。
8.根据权利要求5-7任一所述的光伏消纳能力的分析装置，其特征在于，所述计算模块包括:
分析子模块，用于通过进行配网网络潮流计算分析，得到配网网络潮流计算分析结果；
设立子模块，用于根据所述配网网络潮流计算分析结果，设立多重约束条件。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-4任一项所述的方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-4任一项所述的方法。
CN202110566456.4A 2021-05-24 2021-05-24 光伏消纳能力的分析方法、装置、电子设备及存储介质 Active CN113098075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110566456.4A CN113098075B (zh) 2021-05-24 2021-05-24 光伏消纳能力的分析方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110566456.4A CN113098075B (zh) 2021-05-24 2021-05-24 光伏消纳能力的分析方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113098075A true CN113098075A (zh) 2021-07-09
CN113098075B CN113098075B (zh) 2022-07-12

Family

ID=76664674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110566456.4A Active CN113098075B (zh) 2021-05-24 2021-05-24 光伏消纳能力的分析方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113098075B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106887841A (zh) * 2017-03-23 2017-06-23 东北大学 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法
CN108537409A (zh) * 2018-03-15 2018-09-14 广东电网有限责任公司电网规划研究中心 一种考虑多能源耦合特性的工业园区配电网协同规划方法
US20180294647A1 (en) * 2014-11-18 2018-10-11 Telecom Italia S.P.A. Automatic system for monitoring electric power consumption
CN109508499A (zh) * 2018-11-15 2019-03-22 国网江苏省电力有限公司经济技术研究院 多时段多场景分布式电源最优接入位置与容量研究方法
CN110086170A (zh) * 2019-05-24 2019-08-02 国网浙江省电力有限公司温州供电公司 基于故障影响下成本最小的海岛微电网电源配置方法
CN110224393A (zh) * 2019-05-24 2019-09-10 广东电网有限责任公司阳江供电局 一种基于最小切负荷模型的新能源消纳评估方法
CN110350517A (zh) * 2019-06-27 2019-10-18 华南理工大学 一种基于运行风险的电动汽车并网配电网络重构方法
CN112131733A (zh) * 2020-09-15 2020-12-25 燕山大学 计及电动汽车充电负荷影响的分布式电源规划方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180294647A1 (en) * 2014-11-18 2018-10-11 Telecom Italia S.P.A. Automatic system for monitoring electric power consumption
CN106887841A (zh) * 2017-03-23 2017-06-23 东北大学 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法
CN108537409A (zh) * 2018-03-15 2018-09-14 广东电网有限责任公司电网规划研究中心 一种考虑多能源耦合特性的工业园区配电网协同规划方法
CN109508499A (zh) * 2018-11-15 2019-03-22 国网江苏省电力有限公司经济技术研究院 多时段多场景分布式电源最优接入位置与容量研究方法
CN110086170A (zh) * 2019-05-24 2019-08-02 国网浙江省电力有限公司温州供电公司 基于故障影响下成本最小的海岛微电网电源配置方法
CN110224393A (zh) * 2019-05-24 2019-09-10 广东电网有限责任公司阳江供电局 一种基于最小切负荷模型的新能源消纳评估方法
CN110350517A (zh) * 2019-06-27 2019-10-18 华南理工大学 一种基于运行风险的电动汽车并网配电网络重构方法
CN112131733A (zh) * 2020-09-15 2020-12-25 燕山大学 计及电动汽车充电负荷影响的分布式电源规划方法

Also Published As

Publication number Publication date
CN113098075B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
Wong et al. Optimal placement and sizing of battery energy storage system for losses reduction using whale optimization algorithm
Selim et al. Efficient optimization technique for multiple DG allocation in distribution networks
Hatata et al. An optimization method for sizing a solar/wind/battery hybrid power system based on the artificial immune system
Maleki et al. Scrutiny of multifarious particle swarm optimization for finding the optimal size of a PV/wind/battery hybrid system
Maleki et al. Comparative study of artificial intelligence techniques for sizing of a hydrogen-based stand-alone photovoltaic/wind hybrid system
Berrazouane et al. Parameter optimization via cuckoo optimization algorithm of fuzzy controller for energy management of a hybrid power system
CN110298138B (zh) 一种综合能源系统优化方法、装置、设备及可读存储介质
Niknam et al. Scenario-based multiobjective distribution feeder reconfiguration considering wind power using adaptive modified particle swarm optimisation
Bechouat et al. Energy storage based on maximum power point tracking in photovoltaic systems: a comparison between GAs and PSO approaches
Kumar et al. Biogeography based tuning of PID controllers for Load Frequency Control in microgrid
JP2024008787A (ja) ハイブリッドエネルギー貯蔵システムの制御方法、装置及び電子機器
Mahdavi et al. Dynamic transmission network expansion planning considering network losses DG sources and operational costs-part 1: Review and problem formulation
Shi et al. A dynamic data-driven approach for operation planning of microgrids
Aaslid et al. Pricing electricity in constrained networks dominated by stochastic renewable generation and electric energy storage
Azizivahed et al. Multi-area dynamic economic dispatch considering water consumption minimization, wind generation, and energy storage system
Kanchana et al. PV Power Forecasting with Holt-Winters Method
Al-Subhi et al. Efficient predictive models for characterization of photovoltaic module performance
CN114595891A (zh) 一种配电网电压及潮流越界风险评估方法、系统及设备
CN116093995B (zh) 一种配电系统多目标网络重构方法及系统
CN113098075B (zh) 光伏消纳能力的分析方法、装置、电子设备及存储介质
Pamulapati et al. Evolution Operator-based automata control approach for EMS in active buildings
Saini et al. Digital Twin of a commercial building microgrid: Economic & environmental sustainability analysis
Odonkor et al. Optimization of energy use strategies in building clusters using pareto bands
Dzobo et al. Optimal economic load dispatch in smart grids considering uncertainty
Ma et al. Distributed control of battery energy storage system in a microgrid

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