CN113193592A - 一种配电网拓扑动态演化过程的优化方法和系统 - Google Patents
一种配电网拓扑动态演化过程的优化方法和系统 Download PDFInfo
- Publication number
- CN113193592A CN113193592A CN202110443444.2A CN202110443444A CN113193592A CN 113193592 A CN113193592 A CN 113193592A CN 202110443444 A CN202110443444 A CN 202110443444A CN 113193592 A CN113193592 A CN 113193592A
- Authority
- CN
- China
- Prior art keywords
- representing
- distribution network
- power
- power distribution
- node
- 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
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
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电网拓扑动态演化过程的优化方法和系统,属于配电网规划领域。本发明将受多种因素驱动的配电网拓扑最优动态演化问题转化为高维混合整数线性规划问题,具体地,用二值整数变量描述设备的投资决策,即可再生能源发电装置、储能系统和变压器的选址定容,以及线路和节点的直流化演化过程;用连续型变量描述配电网的运行状态,并受线性化的交直流潮流方程和变压器输出功率方程约束;通过求解高维混合整数线性规划问题,可以直观地给出未来配电网拓扑经济、可行的最优动态演化路径,克服了同时考虑RDG、ESS、直流配电技术和电动汽车的难题。
Description
技术领域
本发明属于配电网规划领域,更具体地,涉及一种配电网拓扑动态演化过程的优化方法和系统。
背景技术
受技术条件及其经济性的影响,配电网从原始的直流配电方式转变为现在的交流配电方式,并向交直流混联配电方式转变。
出于环境保护的需要,配电系统的电源侧正包含更多的可再生能源发电装置以提高可再生能源发电量的占比。除开发可再生能源外,应用日益广泛的电动汽车也被视为保护环境的重要途径,而且可以消纳可再生能源产生的部分电能。可再生能源和电动汽车大量接入配电网虽然降低了化石能源的消费,但使配电系统源荷两侧的不确定性增加。为应对这种不确定性和增长的直流负荷,直流配电技术被引入配电系统中。储能系统是另外一种正在发展的灵活性资源,可以被用来平抑可再生能源和负荷的不确定性。
在可再生能源、电动汽车、直流配电技术和储能系统等技术条件交互影响的背景下,配电网拓扑结构演化的目标是以最小的经济成本建立高可再生能源发电量渗透率的配电系统。有学者基于演化经济学的思想分析技术创新和能源系统的演变过程,其研究对象具有抽象性和一般性,但是难以直接阐明配电网的演化过程。有学者基于复杂网络理论研究电网的生长演化过程,以电力电量平衡和一定供电半径区域内负荷的集中程度作为是否新建厂站的条件,但没有考虑可再生能源发电装置和储能系统等技术的引入。有学者采用基于能量流的模型研究未来能源系统的演化过程,但没有具体描述配电网的拓扑结构。
因此,有必要提出一种同时考虑配电网拓扑结构、可再生能源发电装置、储能系统、直流配电线路和电动汽车的多种技术协调配合的配电网拓扑结构演化方法,以实现可行且经济最优的拓扑结构演化路径。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种配电网拓扑动态演化过程的优化方法和系统,其目的在于同时考虑多种技术协调配合的情况下实现可行且经济最优的拓扑演化路径。
为实现上述目的,按照本发明的一个方面,提供了一种配电网拓扑动态演化过程的优化方法,包括:
S1.构建配电网拓扑最优动态演化的双层优化模型:所述双层优化模型包括上层优化结构和下层优化结构;
上层优化结构,以演化过程总费用最小为优化目标,以电源和调节设备的安装地点和容量作为第一决策变量,将连续的动态演化过程离散化为多个演化阶段,并将各阶段拓扑结构之间的时空耦合作为约束条件;其中,第一决策变量采用二值整数变量描述;演化过程总费用包括设备投资费用和系统运行费用;
下层优化结构,以运行费用最小为优化目标,以配电网的运行状态作为第二决策变量,以可再生能源发电量占比、线性化的交直流潮流方程以及电源输出功率作为约束条件;配电网的运行状态采用连续型变量描述;
上层优化结构为下层优化结构提供拓扑结构信息,下层优化结构为上层优化结构提供最小运行费用数据;
S2.求解上述双层优化模型,得到在可再生能源占比一定的条件下,演化过程总费用最小的配电网拓扑动态演化过程。
进一步地,第一决策变量包括可再生能源发电装置、储能系统和变电站的安装地点和容量。
进一步地,将用于描述第一决策变量的二值整数编码至遗传算法中的染色体上。
进一步地,针对N个节点的配电网,对于演化过程的每一阶段,采用NumBus位基因描述节点类型,采用NumLink位基因描述各节点之间的连接关系,对于该阶段的每一节点,采用NumCap位基因描述整个系统装机容量所需的基因位数;NumBus=N,NumLink=N×(N-1)×0.5,NumCap=N×NumK,NumK为描述每一节点的装机容量所需基因位数,NumK=可再生能源和储能的种类数目*代表容量的基因数目+代表变压器容量的基因数目;每条染色体的长度为NumStage×(NumBus+NumLink+NumCap),NumStage为演化阶段数。
进一步地,上层优化结构采用遗传算法求解,下层优化结构将非线性的交直流潮流方程约束和电源输出功率约束线性化后,采用求解器求解。
进一步地,上层优化结构的目标函数为:
Min PCV=FC+RCmin
其中RCmin表示运行费用的最小值,τ表示年利率,s表示阶段数,K表示每阶段的时间跨度,FC表示配电网演化过程中的设备投资,IS表示当前阶段各节点处新建变电站所需投资,IL表示网络拓扑从上一阶段演化至当前阶段所需的费用,IRE表示当前阶段各节点处新增RDG所需投资,IES表示当前阶段各节点处新增ESS所需投资,IC表示换流器投资。
进一步地,下层优化的目标函数为:
Min RC=(CES+CRD+CESO)Y(1+τ)-(s-1)K+J
其中,Y表示每年的总天数,J为惩罚项,当无法找到配电网运行的可行解时,J取一个较大值,当找到可行解时,J取0,CES表示从主网购电的费用,CRD表示可再生能源弃置费用,CESO表示ESS运行费用。
进一步地,下层优化结构的约束条件包括:
演化最终阶段RDG的发电量占比约束:
ρ为RDG的发电量占比,Edg为RDG发电量,ED为变电站发电量,ε为设定数值;
线性化的交直流潮流约束:
Vi,t,s=1+ΔVi,t,s≈1
Mij,t,s=1+ΔMij,t,s≈1
表示与节点i相连的线路有功功率;表示与节点i相连的线路无功功率;N表示网络节点数量,Uij,s表示节点i、j之间的连接关系,取0时表示无连接,取1时表示有连接,Mij,t,s表示线路换流器调制比的倒数,ΔVi,t,s表示节点i电压幅值的偏移量,表示交流线路的电导,表示直流线路的电导,θij,t,s表示节点i,j之间的相角差,表示交流线路的电纳,ΔMij表示节点i、j之间VSC的调制比偏移量,Ωn表示所有节点的集合,Ωs表示所有阶段的集合,ΩT表示模拟的配电网运行周期。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果。
(1)本发明构建的双层优化模型实质是将受多种因素驱动的配电网拓扑最优动态演化问题转化为高维混合整数线性规划问题,具体地,用二值整数变量描述设备的投资决策,即可再生能源发电装置、储能系统和变压器的选址定容,以及线路和节点的直流化演化过程;用连续型变量描述配电网的运行状态,并受线性化的交直流潮流方程和变压器输出功率方程约束;通过求解高维混合整数线性规划问题,可以直观地给出未来配电网拓扑经济、可行的最优动态演化路径,克服了同时考虑RDG、ESS、直流配电技术和电动汽车的难题。
(2)本发明构建的上层优化结构中,配电网的投资决策由于采用二值化变量表示,构成整数规划问题,可以采用遗传算法求解;下层优化结构中,系统的运行优化经过线性化技术处理后,采用线性规划求解器求解,使得模型求解效率提高。
附图说明
图1为本发明提供的配电网拓扑动态演化过程的优化方法流程图;
图2为本发明中双层优化模型的计算流程图;
图3为本发明中使用正八边形近似表示圆形的方法;
图4为本发明中考虑的三种线路连接方式;
图5为本发明中所涉及的遗传算法中染色体的编码方式;
图6为本发明中所考虑的配电网运行中源荷两侧不确定性的描述方法;
图7为本发明一个实施例中,ρ=0.3时配电网拓扑的最优动态演化过程;
图8为本发明一个实施例中,配电网各阶段各节点RDG的新增容量;
图9为本发明一个实施例中,配电网各阶段各节点ESS的新增容量;
图10为本发明一个实施例中,配电网各阶段逐小时的有功功率平衡关系;
图11为本发明一个实施例中,配电网各阶段中可再生能源产生的电能的弃置数量。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参考图1,本发明提供的配电网拓扑动态演化过程的优化方法,包括:双层优化模型的构建及求解过程;
本发明将配电网拓扑最优动态演化问题转化为双层优化模型,以降低直接求解的难度;
一、双层优化模型
双层优化模型包括上层优化结构和下层优化结构;上层优化结构,以演化过程总费用最小为优化目标,以电源和调节设备的安装地点和容量作为决策变量,将连续的动态演化过程离散化为多个演化阶段,并将各阶段拓扑结构之间的时空耦合作为约束条件;其中,决策变量采用二值整数变量描述;演化过程总费用包括设备投资费用和系统运行费用;下层优化结构,以运行费用最小为优化目标,以配电网的运行状态作为决策变量,以可再生能源发电量占比、线性化的交直流潮流方程以及电源输出功率作为演化约束;配电网的运行状态采用连续型变量描述;上层优化结构为下层优化结构提供拓扑结构信息,下层优化结构为上层优化结构提供最小运行费用数据。
本发明所提双层优化模型的计算流程如图2所示。
二、模型的数学形式
2.1上层优化结构
为加速寻优过程,本发明假定:
Ⅰ.节点类型只能从交流演化为直流,即
式中,Wi,s表示节点i的类型,取0表示交流类型,取1表示直流类型,Ωn表示所有节点的集合,Ωs表示所有阶段的集合。
Ⅱ.节点之间最多存在一条线路,且连接关系生成之后,在后续的演化中不会消失,即
Uij,s表示节点i、j之间的连接关系,取0时表示无连接,取1时表示有连接;
在上述约束条件下,上层优化结构的目标函数为:
Min PCV=FC+RCmin (3)
其中RCmin表示运行费用的最小值,由下层优化提供,τ表示年利率,s表示阶段数,K表示每阶段的时间跨度(年),FC表示配电网演化过程中的设备投资,可由染色体信息计算得到,其中IS表示当前阶段各节点处新建变电站所需投资:
IC=IC1+IC2+IC3 (9)
由图2可知,演化过程中节点类型由交流变为直流时可能引起换流器投资,用IC1表示为:
式中表示异或运算,表示对Wi,s取非运算,表示每台线路换流器的价格,pcon表示并网换流器单位容量的价格,表示AA-CAES的新增容量,表示风电的新增容量,IC2表示演化过程中增加RDG和ESS引起的换流器投资:
式中,Zi,s为节点i的负荷在阶段s的类型
2.2下层优化结构
下层优化结构的目标函数为:
Min RC=(CES+CRD+CESO)Y(1+τ)-(s-1)K+J (14)
其中,Y表示每年的总天数,J为惩罚项,当无法找到配电网运行的可行解时,J取一个较大值,当找到可行解时,J取0,CES表示从主网购电的费用:
下层优化结构的约束条件包括节点电压幅值偏移的约束:
式中Vi,t,s表示节点i的电压,Vmax、Vmin分别表示节点电压的上下限。节点电压相角差的约束:
式中θij,t,s表示节点i,j之间的相角差,θmax、θmin分别表示节点电压相角差的上下限。变电站输出功率的约束:
RDG实际注入节点的有功功率满足:
式中,fg(t)为图3所示可再生能源波动性的抽象表达。
配电网运行中,忽略换流器的损耗,交直流潮流约束可以写为:
在演化最终阶段设置RDG的发电量占比约束:
其中,ρ为RDG的发电量占比,Edg为RDG发电量,ED为变电站发电量,计算方法分别为:
在优化问题求解过程中,式(34)的存在使得模型不易找到可行解,故将其松弛为如下不等式
式中ε为一较小值。
2.3下层优化模型的线性化
由于约束(20)、(30)和(33)的存在,使得下层优化模型为高阶非线性规划问题,三个演化阶段协调优化以及允许环网出现增加了模型的维数,直接求解的时间复杂度极高。
实际上,式(20)描述了二维平面上的一个圆,可以通过正八边形近似,如图3所示,正八边形的每一条边可以用一个线性方程表示,因此,式(20)转化为
一般情况下,交流电网规划问题中采用直流潮流法加速求解过程,而在交直流电网潮流约束中,由于引入了换流器的调制比参数,方程的非线性程度增加。基于泰勒展开并忽略高阶项的数学原理,可以将非线性方程简化为线性方程。假定配电网运行中节点电压和换流器调制比参数变化不大,电压相角差接近于0,即
Vi,t,s=1+ΔVi,t,s≈1 (42)
Mij,t,s=1+ΔMij,t,s≈1 (43)
θij,t,s≈0 (44)
则式(30)、(33)可以分别改写为
三、模型的求解方法
3.1染色体结构
上层模型采用遗传算法求解。考虑到经济可行性,本发明只考虑图4所示的三种交直流线路连接方式,即两个交流节点通过交流线路相连,交流节点和直流节点通过直流线路相连以及两个直流节点通过直流线路相连。节点类型和连接关系可以用二值化的矩阵W(N×1)和U(N×N)表示,N为网络节点数量,U为对角线元素为0的对称矩阵;
由图4可知,当线路两端的节点类型确定时,线路的形式也被唯一确定。因此节点类型和连接关系可以完备地描述配电网的结构信息。
将上述信息编码至染色体,如图5所示,其中,NumBus为描述节点类型所需的基因位数,NumBus=N,NumLink为描述节点连接关系所需的基因位数,NumLink=N×(N-1)×0.5,NumCap为描述整个系统装机容量所需的基因位数,NumCap=N×NumK,NumK为描述每一节点的装机容量所需基因位数,NumK=可再生能源和储能的种类数目*代表容量的基因数目+代表变压器容量的基因数目。本发明实施例采用两位二进制数表示节点i处一种可再生能源发电装置(RDG)或储能系统(ESS)的安装容量,采用一位二进制数表示变压器的安装容量,NumK=9,并且考虑三个(也可设置为其他演化阶段数)演化阶段,每条染色体表示一种可能的演化路径,因此,染色体的长度为3×(NumBus+NumLink+NumCap)。
3.2配电网运行模拟
下层优化模型采用SeDuMi求解器求解。对于演化过程中的每一阶段,选取一个典型日逐小时模拟配电网的运行。本发明考虑光伏(PV)和风电(WT)两种RDG,则配电系统中源荷两侧的不确定性因素如图6所示,其中,PV出力、电动汽车(EV)充放电功率和负荷已按各自最大值进行标幺化处理。EV充电功率为负,向电网馈电功率为正。风电输出功率Pwind可根据风速由下式求得
式中,vci表示切入风速,vr表示额定风速,vco表示切出风速,Pr表示风机的额定输出功率。
上层优化结构中的染色体可以提供配电网拓扑信息,RDG和ESS的安装地点和容量。节点i在阶段s是否接入EV负荷由随机数Fi,s决定,Fi,s~U(0,1)。
本发明研究在高比例可再生能源发电量占比的演化目标下,未来配电网拓扑经济最优的动态演化过程,通过建立高维混合整数线性规划问题,克服了同时考虑RDG、ESS、直流配电技术和电动汽车的难题。
以下实施例采用一个13节点配电区域作为演化过程的研究对象,染色体长度为624位。取该区域的基准容量为100MW,三相交流电网的基准电压为13.8kV,直流电网采用单极输电方式,基准电压为23.5kV,节点之间的距离Dist为
直流电缆的阻抗参数为(0.4415Ω/mile),交流电缆的阻抗参数为(0.4435+j0.726Ω/mile)。表1列出了电网设备投资的成本。AA-CAES的运行损耗费用取为1.5$/MWh;LiBES的运行损耗费用取为1.5$/MWh。设备的运行参数如表2所示。变电站从电网购电费用为50$/MWh,弃风惩罚为33$/MWh,弃光惩罚为33$/MWh。演化周期为15年,等分为3个演化阶段,年利率为5%。
表1电网设备投资成本
表2设备运行参数
各节点的有功负荷数据如表3所示,负荷年增长率为8%。EV随机负荷的大小为0.5MW,年增长率为15%,是否接入节点的阈值γ设为0.68。当负荷所在节点为交流节点时,负荷也为交流负荷,且功率因数为0.9,当节点变为直流节点时,负荷也相应变为直流负荷。
表3有功负荷数据
式(37)中的ε取为0.001,在MATLAB平台上使用YALMIP工具包建立本发明所述演化模型,并调用SeDuMi求解器进行求解,所用计算机拥有24核处理器,频率为2.10GHz,内存为64GB。
取ρ为0.3,经过792分钟运算,模型的输出结果如图7-9所示。图7中变电站的出线数量代表所含变压器的数量。由图7-9可知,在演化的第一阶段,配电网为一个具有13条线路的交流配电网,并在节点2通过一台变压器与主网相连。节点1、5和10构成一个环网。光伏和风电的装机容量均为2MW,AA-CAES和LiBES的装机容量分别为2.5MWh和2MWh。在演化的第二阶段,节点3、4各增加一台变压器,节点3、8、13变为直流节点,网络中增加3条配电线路。光伏的装机容量为7MW,风电的装机容量为6.5MW。其中,节点1、3、5、6、8组成一个交直流环网,该环网汇集了区域中28.57%的光伏装机容量,30.77%的风电装机容量,66.67%的AA-CAES装机容量,46.15%的LiBES装机容量。在演化的第三阶段,节点2、3各增加一台变压器,直流节点的数量增加到7个,配电线路共有19条,其中直流线路有14条,交流线路仅为5条。光伏、风电装机容量均为13MW,AA-CAES的装机容量为7MWh,LiBES的装机容量为8MWh。为实现预定目标,演化过程的总费用为55.57M$,各阶段设备投资折算为现值后,如表4所示。
表4各阶段设备投资(M$)
图10展示了节点负荷与光伏、风电及变电站有功功率的平衡关系,其中,负荷曲线与堆垒面积图的差值包含了网损、EV随机负荷及ESS系统充放电的信息。第一阶段,RDG和ESS的装机容量都较低,配电网铺设灵活性较弱的交流电缆。此时光伏和风电的发电量较低,渗透率仅为12.77%。第二阶段,RDG和ESS装机容量迅速增长,网络中出现调节能力较强的直流电缆,可再生能源发电量增长显著,渗透率升高至27.45%,为第一阶段的2.15倍。第三阶段,RDG装机容量的增长带来的发电量渗透率增加并不明显,仅为2.49%,但相比于第二阶段,变电站在1-7h,11-14h以及17-21h输出功率的波动减小。
在不同阶段,可再生能源的弃置情况如图11所示。弃风、弃光现象一直存在,且放弃的风电数量总是高于光伏发电。从阶段一到阶段二,可再生能源弃置数量缓慢增长,且风电、光伏的增长率接近,第一段折线几乎平行,但是从阶段二到阶段三,风电弃置数量迅速增长,达到30.23MWh,此时光伏发电的弃置数量为11.73MWh。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种配电网拓扑动态演化过程的优化方法,其特征在于,包括:
S1.构建配电网拓扑最优动态演化的双层优化模型:所述双层优化模型包括上层优化结构和下层优化结构;
上层优化结构,以演化过程总费用最小为优化目标,以电源和调节设备的安装地点和容量作为第一决策变量,将连续的动态演化过程离散化为多个演化阶段,并将各阶段拓扑结构之间的时空耦合作为约束条件;其中,第一决策变量采用二值整数变量描述;演化过程总费用包括设备投资费用和系统运行费用;
下层优化结构,以运行费用最小为优化目标,以配电网的运行状态作为第二决策变量,以可再生能源发电量占比、线性化的交直流潮流方程以及电源输出功率作为约束条件;配电网的运行状态采用连续型变量描述;
上层优化结构为下层优化结构提供拓扑结构信息,下层优化结构为上层优化结构提供最小运行费用数据;
S2.求解上述双层优化模型,得到在可再生能源占比一定的条件下,演化过程总费用最小的配电网拓扑动态演化过程。
2.根据权利要求1所述的一种配电网拓扑动态演化过程的优化方法,其特征在于,第一决策变量包括可再生能源发电装置、储能系统和变电站的安装地点和容量。
3.根据权利要求2所述的一种配电网拓扑动态演化过程的优化方法,其特征在于,将用于描述第一决策变量的二值整数编码至遗传算法中的染色体上。
4.根据权利要求3所述的一种配电网拓扑动态演化过程的优化方法,其特征在于,针对N个节点的配电网,对于演化过程的每一阶段,采用NumBus位基因描述节点类型,采用NumLink位基因描述各节点之间的连接关系,对于该阶段的每一节点,采用NumCap位基因描述整个系统装机容量所需的基因位数;NumBus=N,NumLink=N×(N-1)×0.5,NumCap=N×NumK,NumK为描述每一节点的装机容量所需基因位数,NumK=可再生能源和储能的种类数目*代表容量的基因数目+代表变压器容量的基因数目;每条染色体的长度为NumStage×(NumBus+NumLink+NumCap),NumStage为演化阶段数。
5.根据权利要求3所述的一种配电网拓扑动态演化过程的优化方法,其特征在于,上层优化结构采用遗传算法求解,下层优化结构将非线性的交直流潮流方程约束和电源输出功率约束线性化后,采用求解器求解。
7.根据权利要求5所述的一种配电网拓扑动态演化过程的优化方法,其特征在于,下层优化的目标函数为:
Min RC=(CES+CRD+CESO)Y(1+τ)-(s-1)K+J
其中,Y表示每年的总天数,J为惩罚项,当无法找到配电网运行的可行解时,J取一个较大值,当找到可行解时,J取0,CES表示从主网购电的费用,CRD表示可再生能源弃置费用,CESO表示ESS运行费用。
8.根据权利要求5所述的一种配电网拓扑动态演化过程的优化方法,其特征在于,下层优化结构的约束条件包括:
演化最终阶段RDG的发电量占比约束:
ρ为RDG的发电量占比,Edg为RDG发电量,ED为变电站发电量,ε为设定数值;
线性化的交直流潮流约束:
Vi,t,s=1+ΔVi,t,s≈1
Mij,t,s=1+ΔMij,t,s≈1
9.一种配电网拓扑动态演化过程的优化系统,其特征在于,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1至8任一项所述的配电网拓扑动态演化过程的优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110443444.2A CN113193592B (zh) | 2021-04-23 | 2021-04-23 | 一种配电网拓扑动态演化过程的优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110443444.2A CN113193592B (zh) | 2021-04-23 | 2021-04-23 | 一种配电网拓扑动态演化过程的优化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113193592A true CN113193592A (zh) | 2021-07-30 |
CN113193592B CN113193592B (zh) | 2022-05-24 |
Family
ID=76978313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110443444.2A Active CN113193592B (zh) | 2021-04-23 | 2021-04-23 | 一种配电网拓扑动态演化过程的优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113193592B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065554A (zh) * | 2022-01-11 | 2022-02-18 | 国网北京市电力公司 | 一种配电网在线规划方法、装置、设备及介质 |
CN114297811A (zh) * | 2021-12-31 | 2022-04-08 | 烟台东方威思顿电气有限公司 | 基于约束多目标优化的低压台区拓扑识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108599158A (zh) * | 2018-05-21 | 2018-09-28 | 西安交通大学 | 一种用于灾害后快速恢复供电的多微网的分层优化调度方法及系统 |
CN109787246A (zh) * | 2017-11-14 | 2019-05-21 | 华北电力大学 | 考虑多微网并网的配电网动、静态无功设备优化配置方法 |
CN109948868A (zh) * | 2019-04-17 | 2019-06-28 | 上海电力设计院有限公司 | 高渗透率分布式可再生能源发电集群优化规划方法 |
CN110350605A (zh) * | 2019-07-08 | 2019-10-18 | 华中科技大学 | 一种多阶段交直流混联配电网直流升级改造的规划方法 |
AU2019101317A4 (en) * | 2019-10-30 | 2019-12-05 | Southeast University | A Bi-level Game-Based Planning Framework for Distribution Networks with multiple Micro-girds |
CN111293683A (zh) * | 2020-02-13 | 2020-06-16 | 东方电子股份有限公司 | 一种兼顾安全性与经济性的配网自愈优化方法 |
CN112330228A (zh) * | 2020-12-02 | 2021-02-05 | 国网山东省电力公司经济技术研究院 | 一种配电网双层适应性扩展规划方法和系统 |
-
2021
- 2021-04-23 CN CN202110443444.2A patent/CN113193592B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109787246A (zh) * | 2017-11-14 | 2019-05-21 | 华北电力大学 | 考虑多微网并网的配电网动、静态无功设备优化配置方法 |
CN108599158A (zh) * | 2018-05-21 | 2018-09-28 | 西安交通大学 | 一种用于灾害后快速恢复供电的多微网的分层优化调度方法及系统 |
CN109948868A (zh) * | 2019-04-17 | 2019-06-28 | 上海电力设计院有限公司 | 高渗透率分布式可再生能源发电集群优化规划方法 |
CN110350605A (zh) * | 2019-07-08 | 2019-10-18 | 华中科技大学 | 一种多阶段交直流混联配电网直流升级改造的规划方法 |
AU2019101317A4 (en) * | 2019-10-30 | 2019-12-05 | Southeast University | A Bi-level Game-Based Planning Framework for Distribution Networks with multiple Micro-girds |
CN111293683A (zh) * | 2020-02-13 | 2020-06-16 | 东方电子股份有限公司 | 一种兼顾安全性与经济性的配网自愈优化方法 |
CN112330228A (zh) * | 2020-12-02 | 2021-02-05 | 国网山东省电力公司经济技术研究院 | 一种配电网双层适应性扩展规划方法和系统 |
Non-Patent Citations (2)
Title |
---|
GENGSHENG HE等: "Topology Evolution of AC-DC Distribution Network", 《2019 IEEE POWER & ENERGY SOCIETY GENERAL MEETING》 * |
施念: "基于聚类自适应主动学习的电力系统暂态稳定评估", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114297811A (zh) * | 2021-12-31 | 2022-04-08 | 烟台东方威思顿电气有限公司 | 基于约束多目标优化的低压台区拓扑识别方法 |
CN114297811B (zh) * | 2021-12-31 | 2023-09-12 | 烟台东方威思顿电气有限公司 | 基于约束多目标优化的低压台区拓扑识别方法 |
CN114065554A (zh) * | 2022-01-11 | 2022-02-18 | 国网北京市电力公司 | 一种配电网在线规划方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113193592B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Optimal siting and sizing of soft open points in active electrical distribution networks | |
Boudoudouh et al. | Multi agent system solution to microgrid implementation | |
Bogaraj et al. | Intelligent energy management control for independent microgrid | |
Bogaraj et al. | A novel energy management scheme using ANFIS for independent microgrid | |
CN113193592B (zh) | 一种配电网拓扑动态演化过程的优化方法和系统 | |
Eid et al. | Efficient operation of battery energy storage systems, electric-vehicle charging stations and renewable energy sources linked to distribution systems | |
Aziz et al. | Admm-based distributed optimization of hybrid mtdc-ac grid for determining smooth operation point | |
Boujoudar et al. | Intelligent control of battery energy storage for microgrid energy management using ANN | |
CN104835080A (zh) | 微电网日内调度计划混合整数规划模型的建模方法 | |
Datta et al. | Hybrid PV–wind renewable energy sources for microgrid application: an overview | |
Le Dinh et al. | Coordinated BESS control for improving voltage stability of a PV-supplied microgrid | |
Alhamrouni et al. | Optimal power scheduling of renewable energy sources in micro-grid via distributed energy storage system | |
Khasanov et al. | Optimal planning DG and BES units in distribution system consideringuncertainty of power generation and time-varying load | |
Jha et al. | Development of control schemes for a cluster of PV‐integrated houses in islanded mode | |
Salkuti | Solving optimal generation scheduling problem of Microgrid using teaching learning based optimization algorithm | |
Mahmud et al. | An event-triggered distributed coordinated voltage control strategy for large grid-tied PV system with battery energy storage | |
Das et al. | Energy Management for a RES-Powered DC Microgrid Under Variable Load | |
Ethmane et al. | Statcom integration in a power grid to enhance voltage stability | |
Singh et al. | Impact of storage devices with renewable integrated distribution network for power loss minimization | |
Kim et al. | Optimal generation rescheduling for meshed AC/HIS grids with multi-terminal voltage source converter high voltage direct current and battery energy storage system | |
Vollenweider | Grid integration of PV systems and local storage in distribution networks | |
CN107069703A (zh) | 一种计及新能源接入的交直流配网规划方法 | |
Le Dinh et al. | Centralized BESS control to minimize demand of PV-supplied micro-grid under voltage constraints | |
Lindstens | Study of a battery energy storagesystem in a weak distributiongrid | |
Li et al. | Coordinated planning for flexible interconnection and energy storage system in low-voltage distribution networks to improve the accommodation capacity of photovoltaic |
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 |