CN113378100A - 考虑碳排放的配电网源网荷储协同优化调度模型和方法 - Google Patents

考虑碳排放的配电网源网荷储协同优化调度模型和方法 Download PDF

Info

Publication number
CN113378100A
CN113378100A CN202110572327.6A CN202110572327A CN113378100A CN 113378100 A CN113378100 A CN 113378100A CN 202110572327 A CN202110572327 A CN 202110572327A CN 113378100 A CN113378100 A CN 113378100A
Authority
CN
China
Prior art keywords
load
distribution network
power
power distribution
representing
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
CN202110572327.6A
Other languages
English (en)
Other versions
CN113378100B (zh
Inventor
倪识远
张林垚
吴桂联
郑洁云
林婷婷
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.)
State Grid Fujian Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Fujian Electric Power 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 State Grid Fujian Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN202110572327.6A priority Critical patent/CN113378100B/zh
Publication of CN113378100A publication Critical patent/CN113378100A/zh
Application granted granted Critical
Publication of CN113378100B publication Critical patent/CN113378100B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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]
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出考虑碳排放的配电网源网荷储协同优化调度模型和方法，用于配电网荷载部分与储能部分的协同调度，所述方法包括以下步骤；步骤S1：以优化碳排放水平为标准来选择荷储协同调度模型的荷储元件；步骤S2：以配电网碳排放水平、调度运行费用和电压稳定性为优化目标，以分布式电源的有功出力、分布式电源的无功出力、可投切电容器投入水平、有载调压变压器分接头调整、配电网网架为决策变量，建立考虑碳排放的配电网源网荷储协同优化调度模型；步骤S3：以带精英策略快速非支配排序的多目标粒子群算法求解步骤S2所建立的调度模型；并按求解结果进行调度；本发明能够有效降低配电网碳排放水平，提高配电网运行经济性，提升，提升系统电压稳定性。

Description

考虑碳排放的配电网源网荷储协同优化调度模型和方法
技术领域
本发明涉及配电网安全与调度技术领域，尤其是考虑碳排放的配电网源网荷储协同优化调度模型和方法。
背景技术
随着电力系统的不断发展，电网将向以电为中心的能源互联网转变。为了实现“碳达峰、碳中和”目标，能源结构将加快向清洁化转型，配电网将成为分布式清洁能源的重要承载平台。清洁能源的大规模接入会造成配电网同步惯量降低、局部过电压等问题，给配电网的安全稳定运行带来重大挑战。主动管理是未来配电网的重要特征，通过主动管理源网荷储等元素，可实现配电网拓扑和潮流的自动调节，大大提高电网的运行稳定性。因此，研究考虑碳排放的配电网源网荷储协同优化调度方法对配电网发展具有重要的现实意义。
发明内容
本发明提出考虑碳排放的配电网源网荷储协同优化调度模型和方法，能够有效降低配电网碳排放水平，提高配电网运行经济性，提升，提升系统电压稳定性。
本发明采用以下技术方案。
考虑碳排放的配电网源网荷储协同优化调度方法，用于配电网荷载部分与储能部分的协同调度，其特征在于：所述方法包括以下步骤；
步骤S1：以优化碳排放水平为标准来选择荷储协同调度模型中的荷储元件；
步骤S2：以配电网碳排放水平、调度运行费用和电压稳定性为优化目标，以分布式电源的有功出力、分布式电源的无功出力、可投切电容器投入水平、有载调压变压器分接头调整、配电网网架为决策变量，建立考虑碳排放的配电网源网荷储协同优化调度模型；
步骤S3：以带精英策略快速非支配排序的多目标粒子群算法求解步骤S2所建立的调度模型；并按求解结果进行调度。
所述荷储元件包括下述中的至少一种：DG的分布式电源、CB的可投切电容器、OLTC的有载调压变压器；
所述考虑碳排放的配电网源网荷储协同优化调度模型包括下述的至少一种：DG时序模型、配电网的网架时序模型、CB时序模型、负荷的时序模型以及OLTC时序模型；
所述DG时序模型采用分布式清洁能源建立，所述分布式清洁能源包括WTG和PVG。
所述WTG的有功功率输出和风速相关，表述为
Figure BDA0003083182860000021
式中：Pt WTG表示t时刻WTG的有功功率，Pr WTG表示WTG的额定有功功率，vci、vco和vr分别表示WTG的切入风速、切出风速和额定风速，vt表示t时刻风速；
所述PVG的有功功率输出和光照强度有关，表述为
Figure BDA0003083182860000022
式中：Pt PVG表示t时刻PVG的有功功率，Pr PVG表示PVG的额定有功功率，Ir表示额定光照强度，It表示t时刻光照强度；
步骤S1中，配电网在逆变器优化调度策略的控制方式下运行，DG的有功功率和无功功率均可以调节，并满足如下约束条件；
Figure BDA0003083182860000023
其中Pt DG、
Figure BDA0003083182860000025
分别表示DG的有功、无功和视在功率，
Figure BDA0003083182860000026
表示DG有功调节系数最大值，
Figure BDA0003083182860000027
表示功角的最小值；公式中，单台DG的有功不可调节，是不可控电源；
在所建立负荷的时序模型中，通过需求侧响应可以对负荷进行削减；负荷的削减量如下；
ΔPload＝λloadPload (公式A4)
其中Pload、ΔPload分别表示负荷和负荷削减量，λload表示负荷调节系数；
在配电网的网架时序模型建立中，
设配电网网架具有辐射性，需要满足辐射式约束，设G＝<B,L>，其中B表示网络节点集合，L表示网络线路的集合，G为配电网的网络拓扑，且满足如下式所示的传统辐射式约束；
Figure BDA0003083182860000024
其中，
Figure BDA0003083182860000028
配电网网架，NB表示配电网节点数量，G(S)表示G的真子图，S为真子图G(S)中包含的网络节点；
为避免传统辐射式约束的网络重构方法未约束配电网的辐射形网架，并且智能算法在求解初期求解的随机性较强，导致求解过程产生大量不满足约束的不可行解的问题，在步骤S1中进行的是以基于环路的配电网网架模型来达成辐射式结构约束，建模步骤如下：
步骤SA1，选取配电网基本环路，设基本环路数量为N，对于不能形成环路的支路，默认其保持闭合状态，否则必会形成孤岛或孤点；
步骤SA2，由于配电网为辐射式，任一环路至少需要开断一条支路，即必须开断N条不同的支路，保持(公式A5)始终成立；
步骤SA3，加入反孤点、孤岛约束，两个相邻环路的共有支路，只能开断其中一条支路，保持(公式A5)成立；
所述储能部分采用电池储能方式，在分布式电源侧接入，其建立的储能时序模型及其充放电策略具体如下：
Figure BDA0003083182860000031
其中
Figure BDA0003083182860000034
表示储能当前电量，
Figure BDA0003083182860000035
表示下一时刻电量，ΔEt表示储能充放电电量；
上述策略为一种基于等效负荷的储能充放电策略，具体策略如下：
Figure BDA0003083182860000032
其中Pt eq表示等效负荷，Pav表示等效负荷的平均值；
当Pt eq+Pt ESS＜Pav时，此时等效负荷较小，处于负荷低谷，储能部分充电，充电电量如下：
Figure BDA0003083182860000036
当Pt eq-Pav＞Pt ESS，等效负荷较大，处于负荷高峰，储能部分放电，放电电量如下：
Figure BDA0003083182860000033
其中Pt ESS表示储能充放电功率，ηc、ηdisc分别表示储能充放电系数，Δt表示充放电时间；当-Pt ESS＜Pt eq-Pav＜Pt ESS，等效负荷和平均负荷较为接近，ΔEt＝0，储能既不充电，也不放电。
考虑碳排放的配电网源网荷储协同优化调度模型，为上述步骤S2所述的优化调度模型，优化调度模型的决策变量为配电网DG有功输出和无功输出、CB的投切方法、OLTC分接头位置、配电网网架、负荷调节因子，优化目标为最小碳排放、最优经济性和最优电压水平；
步骤S2中：所述优化调度模型如下式所示；
Figure BDA0003083182860000041
其中，F表示目标函数，分别为碳排放量f1，经济成本f2，电压水平f3，G(x)和H(x)分别表示模型中的不等式约束和等式约束。考虑碳排放的配电网源网荷储协同优化是一个混合整数非线性优化问题；
决策变量x具体如下：
Figure BDA0003083182860000042
其中，t表示时刻，i表示对应的节点，ij表示线路。
Figure BDA0003083182860000048
表示网架结构变量；
Figure BDA0003083182860000049
分别表示WTG、PVG在t时刻投入组数；
Figure BDA00030831828600000410
分别表示WTG、PVG在t时刻的无功输出；
Figure BDA00030831828600000411
表示CB的投入组数，Tt gen表示OLTC分接头的位置；λi,t表示负荷调节系数。
所述优化调度模型的目标函数具体的设定及表述如下；
(1)碳排放量方面：
在配电网中，DG均为清洁能源电源，不产生CO2排放，而来自上级电网的电能在生产时会产生CO2排放；以公式表述为
Figure BDA0003083182860000043
其中，
Figure BDA00030831828600000412
表示CO2排放因子，Pt gen表示t时刻上级电源输入的有功，T表示调度场景综述；
(2)经济成本方面：
经济成本包括DG运行费用CO、弃风弃光惩罚费用CP、可控负荷调节费用Cadj、网架调节费用Cgrid和向上级电网购电费用Cgen。
f2＝CO+CP+Cadj+Cgrid+Cgen (公式8)
Figure BDA0003083182860000044
Figure BDA0003083182860000045
Figure BDA0003083182860000046
Figure BDA0003083182860000047
其中：ΛWTG、ΛPVG表示WTG、PVG的安装节点集合；Λadj为可调节负荷的节点集合；eWTG,gen、ePVG,gen表示单位功率WTG、PVG发电成本；eWTG,cut、ePVG,cut表示单位功率WTG、PVG切除的惩罚成本；eadj表示单位负荷调节费用；egen表示单位购电成本；
Figure BDA0003083182860000054
分别表示每组WTG、PVG的有功出力；
Figure BDA0003083182860000055
分别表示WTG、PVG的最大投入数量；
Figure BDA0003083182860000056
表示负荷的额定功率；
Figure BDA0003083182860000057
表示上级电源出力；Δt为每个时段的持续时间，其时长范围包括1小时时长；
(3)电压指标方面：
简称为FVSI的快速电压稳定性用于计算支路电压稳定性；计算方法为，通过计算系统中所有支路的FVSI，取最大值即为系统的FVSI；
Figure BDA0003083182860000051
其中：Rij、Xij表示支路ij的电阻和电抗参数；Qj,t、Uj,t表示支路末节点的无功和电压。
所述优化调度模型的约束条件包括如下方面；
(1)潮流约束如下；
Figure BDA0003083182860000052
其中，Pis、Qis分别表示节点等效注入有功；Ui、Uj表示节点i和节点j电压的幅值，j为与节点i直接相连的节点；Gij和Bij表示节点电导矩阵和电纳矩阵，θij,t为支路ij首末端电压相位差；
Figure BDA0003083182860000053
其中Pmi,t、Qmi,t表示以i为末节点m为首节点的支路mi的潮流，QCB表示每一组CB输出的无功功率；
(2)电压约束如下；
Umin≤Ui≤Umax (公式16)
其中Umin、Umax表示电压下限和上限；
(3)支路功率约束如下；
|Sij|≤Sij.max (公式17)
其中Sij.max表示支路ij最大输送容量；
(4)接入数量约束如下；
Figure BDA0003083182860000061
其中
Figure BDA0003083182860000064
表示WTG、PVG和CB最大接入组数；
(5)变压器分接头约束如下；
Tmin≤Tt≤Tmax (公式19)
其中Tmin、Tmax分别表示分接头调节位置的下限和上限；
(6)DG功率和功角约束的表述如下；
Figure BDA0003083182860000062
其中SWTG、SPVG表示WTG、PVG的容量；
(7)负荷调节约束如下；
0≤λi,s,t≤λmax (公式21)
其中λmax表示最大负荷调节系数；
(8)主网约束如下；
任意时刻，均不得向上级电网倒送功率；
Figure BDA0003083182860000065
其中Pt gen、
Figure BDA0003083182860000066
分别表示上级电源在t时刻的有功出力和无功出力。
步骤S3中，所述带精英策略快速非支配排序的多目标粒子群算法简称为NS-MOPSO，算法具体包括如下步骤；
步骤SB1：设置t＝1，输入配电网DG、负荷等参数，并初始化种群；
步骤SB2：进行潮流计算，并判断是否满足各项约束，如满足约束，则直接计算例子的适应度，如不满足约束，需要添加惩罚因子M；适应度计算方法如式(23)所示；
Figure BDA0003083182860000063
其中，fpenty表示带惩罚因子的适应度，forigin表示不带惩罚因子的适应度。
当各项约束满足时，M＝0，fpenty＝forigin；当不满足约束时，M＝1，fpenty＝+∞；在编程时，为加快运算速度，当不满足约束时，M置为0.99999。
NS-MOPSO算法还包括如下步骤
步骤SB3：通过带精英策略的快速非支配排序算法，获取头部粒子排序为1的精英粒子形成pareto解集，并从中随机选取一个非劣解作为初始种群最优解Pbest和初始全局最优解Gbest；在迭代过程中，采用TOPSIS算法更新种群最优解Pbest和全局最优解Gbest；
步骤SB4：更新种群位置，并计算适应度；
配电网网架变量设为二进制变量，采用二进制粒子群算法更新种群位置，如以下的(公式24)～(公式25)所示，并且需要满足上述的辐射式结构约束；若配电网中的基本环路有多回支路为状态1即断开状态，则从中随机选择1条支路为断开状态，其余设置为状态0即闭合状态；
Figure BDA0003083182860000071
Figure BDA0003083182860000072
其余变量采用粒子群优化算法更新种群位置，如下式(公式26)所示；
Figure BDA0003083182860000073
其中ω表示惯性系数，c1、c2表示学习因子，X和V表示种群和速度，上标k和k+1表示第k代和第k+1代；值得注意的是，变量
Figure BDA0003083182860000074
Tt gen是整数变量，需要进一步进行取整操作；
引入自适应的惯性系数优化粒子群算法性能，如式(27)所示；
ωk+1＝ωinit-(ωinit-ωk)(k/kmax)2 (公式27)
式中：ωinit表示惯性权重初始值；ωk表示第k代的惯性权重；kmax表示最大迭代次数；
步骤SB5：即重复步骤SB2～步骤SB4，直到满足迭代结束条件或最大迭代次数；
步骤SB6：采用TOPSIS算法获得最优解；
步骤SB7：t＝t+1重复步骤SB1～步骤SB6，计算所有时间断面下的优化调度结果。
在步骤SB5中，若迭代的持续进行使pareto解集规模逐步增大至非支配解数量过多时，对pareto解集进行裁剪，其裁剪方法先使用非支配排序算法对pareto解集中的非支配解进行排序，然后采用轮盘赌转算法淘汰部分非支配解，以确保全局最优解Gbest的合理性。
所述pareto解集的规模上限设为10。
考虑碳排放的配电网源网荷储协同优化调度装置，用于配电网荷载部分与储能部分的协同调度，所述装置包括以下模块；
选择模块，其功能为：以优化碳排放水平为标准来选择荷储协同调度模型中的荷储元件；
决策模块，其功能为：以配电网碳排放水平、调度运行费用和电压稳定性为优化目标，以荷储元件中的分布式电源的有功出力、分布式电源的无功出力、可投切电容器投入水平、有载调压变压器分接头调整、配电网网架为决策变量，建立考虑碳排放的配电网源网荷储协同优化调度模型；
调度模块，其功能为：以带精英策略快速非支配排序的多目标粒子群算法求解决策模块所建立的调度模型；并按求解结果进行调度。
与现有技术相比，本发明有以下有益效果：
1、本发明基于将辐射式约束作为迭代条件，确保所有生成的网架满足要求，提高网络重构的收敛效率。
2、在配电网规划方面，本发明基于时序法，建立分布式电源(包括WTG，PVG)和负荷的时序模型，提出储能优化策略，实现主动配电网优化调度。同时本发明建立的考虑碳排放的配电网协同优化调度模型，优化目标为配电网碳排放、调度经济性和运行稳定性，能有效减少配电网运行过程中的碳排放，有效降低配电网运行费用，平滑配电系统电压水平，提升系统电压的稳定性。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1为本发明实施例的风力发电有功出力功率示意图；
附图2为本发明实施例的光伏发电有功出力功率示意图；
附图3为本发明实施例的居民负荷有功功率示意图；
附图4为本发明实施例的商业负荷有功功率示意图；
附图5为本发明实施例的工业负荷有功功率示意图；
附图6为本发明实施例的配电系统的拓扑示意图；
附图7为本发明实施例的规划模型求解流程示意图；
附图8为传统二进制编码网架和本发明所提方法的收敛性对比示意示意图；
附图9为本发明实施例四种运行状态的仿真结果示意图；
附图10为四个季度中WTG的弃电情况示意图；
附图11为四个季度中PVG的弃电情况示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
考虑碳排放的配电网源网荷储协同优化调度方法，用于配电网荷载部分与储能部分的协同调度，其特征在于：所述方法包括以下步骤；
步骤S1：以优化碳排放水平为标准来选择荷储协同调度模型中的荷储元件；
步骤S2：以配电网碳排放水平、调度运行费用和电压稳定性为优化目标，以分布式电源的有功出力、分布式电源的无功出力、可投切电容器投入水平、有载调压变压器分接头调整、配电网网架为决策变量，建立考虑碳排放的配电网源网荷储协同优化调度模型；
步骤S3：以带精英策略快速非支配排序的多目标粒子群算法求解步骤S2所建立的调度模型；并按求解结果进行调度。
步骤S1中所述的配电网源网荷储各元件，包括下述中的至少一种：简称为DG的分布式电源、简称为CB的可投切电容器、简称为OLTC的有载调压变压器；
所述步骤S1的建模具体包括下述的至少一种：建立DG时序模型，建立配电网的网架时序模型，建立CB时序模型，建立负荷的时序模型以及建立OLTC时序模型；
在建立DG时序模型时，采用分布式清洁能源，所述分布式清洁能源包括WTG和PVG；
所述WTG的有功功率输出和风速相关，表述为
Figure BDA0003083182860000091
式中：Pt WTG表示t时刻WTG的有功功率，Pr WTG表示WTG的额定有功功率，vci、vco和vr分别表示WTG的切入风速、切出风速和额定风速，vt表示t时刻风速；
所述PVG的有功功率输出和光照强度有关，表述为
Figure BDA0003083182860000092
式中：Pt PVG表示t时刻PVG的有功功率，Pr PVG表示PVG的额定有功功率，Ir表示额定光照强度，It表示t时刻光照强度；
步骤S1中，配电网在逆变器优化调度策略的控制方式下运行，DG的有功功率和无功功率均可以调节，并满足如下约束条件；
Figure BDA0003083182860000093
其中Pt DG、
Figure BDA0003083182860000094
分别表示DG的有功、无功和视在功率，
Figure BDA0003083182860000095
表示DG有功调节系数最大值，
Figure BDA0003083182860000096
表示功角的最小值；公式中，单台DG的有功不可调节，是不可控电源；
在所建立负荷的时序模型中，通过需求侧响应可以对负荷进行削减；负荷的削减量如下；
ΔPload＝λloadPload (公式A4)
其中Pload、ΔPload分别表示负荷和负荷削减量，λload表示负荷调节系数；
在配电网的网架时序模型建立中，
设配电网网架具有辐射性，需要满足辐射式约束，设G＝<B,L>，其中B表示网络节点集合，L表示网络线路的集合，G为配电网的网络拓扑，则传统辐射式约束如下式所示；
Figure BDA0003083182860000101
其中，
Figure BDA0003083182860000104
配电网网架，NB表示配电网节点数量，G(S)表示G的真子图，S为真子图G(S)中包含的网络节点；
为避免传统辐射式约束的网络重构方法未约束配电网的辐射形网架，并且智能算法在求解初期求解的随机性较强，导致求解过程产生大量不满足约束的不可行解的问题，在步骤S1中进行的是以基于环路的配电网网架模型来达成辐射式结构约束，建模步骤如下：
步骤SA1，选取配电网基本环路，设基本环路数量为N，对于不能形成环路的支路，默认其保持闭合状态，否则必会形成孤岛或孤点；
步骤SA2，由于配电网为辐射式，任一环路至少需要开断一条支路，即必须开断N条不同的支路，保持(公式A5)始终成立；
步骤SA3，加入反孤点、孤岛约束，两个相邻环路的共有支路，只能开断其中一条支路，保持(公式A5)成立；
所述储能部分采用电池储能方式，在分布式电源侧接入，其建立的储能时序模型及其充放电策略具体如下：
Figure BDA0003083182860000102
其中
Figure BDA0003083182860000105
表示储能当前电量，
Figure BDA0003083182860000106
表示下一时刻电量，ΔEt表示储能充放电电量；
上述策略为一种基于等效负荷的储能充放电策略，具体策略如下：
Figure BDA0003083182860000103
其中Pt eq表示等效负荷，Pav表示等效负荷的平均值；
当Pt eq+Pt ESS＜Pav时，此时等效负荷较小，处于负荷低谷，储能部分充电，充电电量如下：
Figure BDA0003083182860000114
当Pt eq-Pav＞Pt ESS，等效负荷较大，处于负荷高峰，储能部分放电，放电电量如下：
Figure BDA0003083182860000111
其中Pt ESS表示储能充放电功率，ηc、ηdisc分别表示储能充放电系数，Δt表示充放电时间；当-Pt ESS＜Pt eq-Pav＜Pt ESS，等效负荷和平均负荷较为接近，ΔEt＝0，储能既不充电，也不放电。
考虑碳排放的配电网源网荷储协同优化调度模型，为上述步骤S2所述的优化调度模型，优化调度模型的决策变量为配电网DG有功输出和无功输出、CB的投切方法、OLTC分接头位置、配电网网架、负荷调节因子，优化目标为最小碳排放、最优经济性和最优电压水平；
步骤S2中：所述优化调度模型如下式所示；
Figure BDA0003083182860000112
其中，F表示目标函数，分别为碳排放量f1，经济成本f2，电压水平f3，G(x)和H(x)分别表示模型中的不等式约束和等式约束。考虑碳排放的配电网源网荷储协同优化是一个混合整数非线性优化问题；
决策变量x具体如下：
Figure BDA0003083182860000115
其中，t表示时刻，i表示对应的节点，ij表示线路。
Figure BDA0003083182860000116
表示网架结构变量；
Figure BDA0003083182860000117
分别表示WTG、PVG在t时刻投入组数；
Figure BDA0003083182860000118
分别表示WTG、PVG在t时刻的无功输出；
Figure BDA0003083182860000119
表示CB的投入组数，Tt gen表示OLTC分接头的位置；λi,t表示负荷调节系数。
所述优化调度模型的目标函数具体的设定及表述如下；
(1)碳排放量方面：
在配电网中，DG均为清洁能源电源，不产生CO2排放，而来自上级电网的电能在生产时会产生CO2排放；以公式表述为
Figure BDA0003083182860000113
其中，
Figure BDA00030831828600001110
表示CO2排放因子，Pt gen表示t时刻上级电源输入的有功，T表示调度场景综述；
(2)经济成本方面：
经济成本包括DG运行费用CO、弃风弃光惩罚费用CP、可控负荷调节费用Cadj、网架调节费用Cgrid和向上级电网购电费用Cgen。
f2＝CO+CP+Cadj+Cgrid+Cgen (公式8)
Figure BDA0003083182860000121
Figure BDA0003083182860000122
Figure BDA0003083182860000123
Figure BDA0003083182860000124
其中：ΛWTG、ΛPVG表示WTG、PVG的安装节点集合；Λadj为可调节负荷的节点集合；eWTG,gen、ePVG,gen表示单位功率WTG、PVG发电成本；eWTG,cut、ePVG,cut表示单位功率WTG、PVG切除的惩罚成本；eadj表示单位负荷调节费用；egen表示单位购电成本；
Figure BDA0003083182860000127
分别表示每组WTG、PVG的有功出力；
Figure BDA0003083182860000128
分别表示WTG、PVG的最大投入数量；
Figure BDA0003083182860000129
表示负荷的额定功率；
Figure BDA00030831828600001210
表示上级电源出力；Δt为每个时段的持续时间，其时长范围包括1小时时长；
(3)电压指标方面：
简称为FVSI的快速电压稳定性用于计算支路电压稳定性；计算方法为，通过计算系统中所有支路的FVSI，取最大值即为系统的FVSI；
Figure BDA0003083182860000125
其中：Rij、Xij表示支路ij的电阻和电抗参数；Qj,t、Uj,t表示支路末节点的无功和电压。
所述优化调度模型的约束条件包括如下方面；
(1)潮流约束如下；
Figure BDA0003083182860000126
其中，Pis、Qis分别表示节点等效注入有功；Ui、Uj表示节点i和节点j电压的幅值，j为与节点i直接相连的节点；Gij和Bij表示节点电导矩阵和电纳矩阵，θij,t为支路ij首末端电压相位差；
Figure BDA0003083182860000131
其中Pmi,t、Qmi,t表示以i为末节点m为首节点的支路mi的潮流，QCB表示每一组CB输出的无功功率；
(2)电压约束如下；
Umin≤Ui≤Umax (公式16)
其中Umin、Umax表示电压下限和上限；
(3)支路功率约束如下；
|Sij|≤Sij.max (公式17)
其中Sij.max表示支路ij最大输送容量；
(4)接入数量约束如下；
Figure BDA0003083182860000132
其中
Figure BDA0003083182860000135
表示WTG、PVG和CB最大接入组数；
(5)变压器分接头约束如下；
Tmin≤Tt≤Tmax (公式19)
其中Tmin、Tmax分别表示分接头调节位置的下限和上限；
(6)DG功率和功角约束的表述如下；
Figure BDA0003083182860000133
其中SWTG、SPVG表示WTG、PVG的容量；
(7)负荷调节约束如下；
0≤λi,s,t≤λmax (公式21)
其中λmax表示最大负荷调节系数；
(8)主网约束如下；
任意时刻，均不得向上级电网倒送功率；
Figure BDA0003083182860000134
其中Pt gen、
Figure BDA0003083182860000145
分别表示上级电源在t时刻的有功出力和无功出力。
步骤S3中，所述带精英策略快速非支配排序的多目标粒子群算法简称为NS-MOPSO，算法具体包括如下步骤；
步骤SB1：设置t＝1，输入配电网DG、负荷等参数，并初始化种群；
步骤SB2：进行潮流计算，并判断是否满足各项约束，如满足约束，则直接计算例子的适应度，如不满足约束，需要添加惩罚因子M；适应度计算方法如式(23)所示；
Figure BDA0003083182860000141
其中，fpenty表示带惩罚因子的适应度，forigin表示不带惩罚因子的适应度。
当各项约束满足时，M＝0，fpenty＝forigin；当不满足约束时，M＝1，fpenty＝+∞；在编程时，为加快运算速度，当不满足约束时，M置为0.99999。
NS-MOPSO算法还包括如下步骤
步骤SB3：通过带精英策略的快速非支配排序算法，获取头部粒子排序为1的精英粒子形成pareto解集，并从中随机选取一个非劣解作为初始种群最优解Pbest和初始全局最优解Gbest；在迭代过程中，采用TOPSIS算法更新种群最优解Pbest和全局最优解Gbest；
步骤SB4：更新种群位置，并计算适应度；
配电网网架变量设为二进制变量，采用二进制粒子群算法更新种群位置，如以下的(公式24)～(公式25)所示，并且需要满足上述的辐射式结构约束；若配电网中的基本环路有多回支路为状态1即断开状态，则从中随机选择1条支路为断开状态，其余设置为状态0即闭合状态；
Figure BDA0003083182860000142
Figure BDA0003083182860000143
其余变量采用粒子群优化算法更新种群位置，如下式(公式26)所示；
Figure BDA0003083182860000144
其中ω表示惯性系数，c1、c2表示学习因子，X和V表示种群和速度，上标k和k+1表示第k代和第k+1代；值得注意的是，变量
Figure BDA0003083182860000146
Tt gen是整数变量，需要进一步进行取整操作；
引入自适应的惯性系数优化粒子群算法性能，如式(27)所示；
ωk+1＝ωinit-(ωinit-ωk)(k/kmax)2 (公式27)
式中：ωinit表示惯性权重初始值；ωk表示第k代的惯性权重；kmax表示最大迭代次数；
步骤SB5：即重复步骤SB2～步骤SB4，直到满足迭代结束条件或最大迭代次数；
步骤SB6：采用TOPSIS算法获得最优解；
步骤SB7：t＝t+1重复步骤SB1～步骤SB6，计算所有时间断面下的优化调度结果。
在步骤SB5中，若迭代的持续进行使pareto解集规模逐步增大至非支配解数量过多时，对pareto解集进行裁剪，其裁剪方法先使用非支配排序算法对pareto解集中的非支配解进行排序，然后采用轮盘赌转算法淘汰部分非支配解，以确保全局最优解Gbest的合理性。
所述pareto解集的规模上限设为10。
实施例：
本实施例采用改进的IEEE 33节点系统进行仿真，拓扑图如附图6所示。其中支路1～支路32是普通支路，支路33～支路37是联络线支路。
由于支路1不构成环路，因此始终保持闭合状态，该系统共有5个基本环路，环路所包含的支路编号如表1所示。
表1闭合环路的编码方法
Figure BDA0003083182860000151
由于网架变量较为特殊，需要满足辐射式约束，传统的二进制更新迭代法必然会产生大量的不可行解，因此在种群更新过程中，加入约束如下，以环路1和环路2为例说明。二进制变量1表示支路断开，二进制变量0表示支路闭合，环路1共包含10条支路，当出现多回支路为1时，从中随机选取一条置1，其余置0。此外若环路1开断的支路为共有支路3、4、5，则环路2开断剩余8条支路中的其中1条。其余环路和共有支路均按上述规则迭代，可确保不产生无效解。
本实施例所用仿真算例参数说明如下，节点1为上级电源节点，节点2～节点18为居民负荷节点，节点19～25为工业负荷节点，节点26～33为商业负荷节点；WTG接入节点16，接入10组，每组容量0.2MVA；PVG接入节点26，接入10组，每组容量0.3MVA，CB接入节点7和节点12，接入5组，每组容量0.05Mvar，储能装置为电池储能，安装于分布式电源节点，负荷基准值设置为7.63MW+3.82Mvar。支路输送功率上限为9.61MVA，WTG和PVG的削减成本均为1元/kWh，DG输出为RPC策略，其额定功率因素为0.9，OLTC共设置9个调节挡位，电压调节范围为0.95～1.05p.u.，节点20、21、28为可削减负荷节点，最大可削减负荷为额定负荷的15％，负荷削减成本为1元/kWh，向上级电源购电的电价为0.4元/kWh，DG发电成本为0.5元/kWh，CO2排放系数为0.8647吨/MVA。NS-MOPSO算法中学习因子为1.5、1.5，惯性权重初始值为0.8。求解流程如附图7所示。
本文方法的网架仿真结果如附图8所示。开断支路为支路7、支路9、支路14、支路32和支路37。
对比附图8所示重构网架和附图6所示原网架，重构可以缩短节点供电距离，以电源节点的供电距离为例。考虑到IEEE 33节点配电系统未给出支路长度，因此以途经支路数量衡量负荷节点至电源节点的距离。夏季12:00时刻为全年负荷最大时刻，因此选取该时刻的潮流计算结果，对优化网络和原网络进行电压对比，对比结果如附图9所示。为了使结果更为直观，将上级电源电的节点电压设置为相同水平，即1p.u.。
重构前，网络末端共有4个节点，末端节点距离平均值为10，网络最远节点为节点18，途经17条支路；而重构后，网络末端共有6个节点，末端节点距离平均值为8.33，最远节点为节点32，途径12条支路。可以看出，重构后末端节点的平均供电距离降低16.7％。图4可以看出，优化后的节点电压水平得到了很大的提升。在负荷高峰期，原网络中有超过一半的负荷节点电压低于规定的0.93p.u.，最高电压为1p.u.，最低电压为0.886p.u.，系统的电压波动达到0.114 p.u.。而网络优化之后，所有节点电压均在规定的范围之内，网络最高电压同样为1 p.u.，而网络最低电压提升至0.953 p.u.，电压波动降低为0.047p.u.，优化后网架的供电距离分布均衡，网架结构更为合理。
为说明本实施例对CO2减排的效果，去掉本实施例模型中的优化目标f1，将不考虑CO2排放的模型和本实施例模型进行仿真对比，获得结果如表2所示。
本实施例的各项优化指标如表2所示。
表2考虑碳排放和不考虑碳排放的优化结果
Table 2 Optimal results comparison with and without consideringCO2emission
优化目标年值 不考虑碳排放目标 考虑碳排放目标
CO2排放/万吨 1.184 1.168
DG运行费用/万元 638.7 646.2
弃风弃光费用/万元 59.8 44.9
负荷调节费用/万元 27.4 14.2
购电费用/万元 547.9 540.3
总费用/万元 1273.8 1245.5
FVSI/p.u. 1.75 1.82
从表2可以看出，考虑碳排放目标后，CO2年排放量由1.184万吨下降为1.168万吨，碳排放量下降1.35％，总运费年值由1273.8万元下降至1245.5万元，下降2.22％。考虑碳排放目标时，网络的环境效益和经济效益更优，DG的发电量提高，DG发电费用由638.7万元提升至646.2万元，弃风弃光现象减少，弃电费用降低14.9万元。但是系统的FVSI略有上升，由1.75提升至1.82，根据FVSI的定义，该指标越小，稳定性越强，说明系统电压稳定性有所下降，降幅为4％。这是由于在不考虑碳排放的优化模型中，FVSI目标权重相对较大，系统更加倾向于获得更优的电压稳定性，采取的调节手段是减少DG接入和负荷水平，且更多的电能由上级电网获得，在表2中体现为更高的弃风弃光费用、负荷调节费用和上级电网购电费用。由于考虑碳排放后DG渗透率有所提升，在相同调节手段下，必然造成系统FVSI指标的下降。虽然系统的电压稳定性存在小幅下降，但由于设置了电压约束，系统电压仍在允许范围内。
本实施例的WTG、PVG出力情况如附图10和附图11所示。根据附图10和附图11可知，WTG弃电现象较为严重，弃电多发于冬、春两季的夜间，而PVG基本不存在弃电行为。根据附图3～附图5负荷曲线可知，WTG具有明显的反调峰特性，从季节上看，WTG出力集中于冬、春两季，而冬、春两季的负荷相对较小，因此冬、春两季WTG弃电水平较高；从WTG日出力曲线上看，在夜间22：00至次日6：00时间段内，负荷水平较低，但WTG仍有较大规模出力，因此，该时段也是WTG发生弃电的主要时刻。而PVG的出力曲线和负荷水平基本贴合，从季节上看，PVG出力峰值在夏季，春、秋两季出力适中，冬季出力较低。从PVG日出力曲线上看，出力高峰和负荷高峰基本一致。因此，PVG的弃电量较小，仅在夏季7：00和冬季14：00存在少量弃电行为。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.考虑碳排放的配电网源网荷储协同优化调度方法，用于配电网荷载部分与储能部分的协同调度，其特征在于：所述方法包括以下步骤；
步骤S1：以优化碳排放水平为标准来选择荷储协同调度模型中的荷储元件；
步骤S2：以配电网碳排放水平、调度运行费用和电压稳定性为优化目标，以荷储元件中的分布式电源的有功出力、分布式电源的无功出力、可投切电容器投入水平、有载调压变压器分接头调整、配电网网架为决策变量，建立考虑碳排放的配电网源网荷储协同优化调度模型；
步骤S3：以带精英策略快速非支配排序的多目标粒子群算法求解步骤S2所建立的调度模型；并按求解结果进行调度。
2.根据权利要求1所述的碳排放的配电网源网荷储协同优化调度方法，其特征在于：所述荷储元件包括下述中的至少一种：DG的分布式电源、CB的可投切电容器、OLTC的有载调压变压器；
所述考虑碳排放的配电网源网荷储协同优化调度模型包括下述的至少一种：DG时序模型、配电网的网架时序模型、CB时序模型、负荷的时序模型以及OLTC时序模型；
所述DG时序模型采用分布式清洁能源建立，所述分布式清洁能源包括WTG和PVG。
3.根据权利要求2所述的考虑碳排放的配电网源网荷储协同优化调度方法，其特征在于：所述考虑碳排放的配电网源网荷储协同优化调度模型中，WTG按照下述公式确定
Figure FDA0003083182850000011
式中：Pt WTG表示t时刻WTG的有功功率，Pr WTG表示WTG的额定有功功率，vci、vco和vr分别表示WTG的切入风速、切出风速和额定风速，vt表示t时刻风速；
所述PVG按照下述公式确定
Figure FDA0003083182850000012
式中：Pt PVG表示t时刻PVG的有功功率，Pr PVG表示PVG的额定有功功率，Ir表示额定光照强度，It表示t时刻光照强度；
步骤S1中，配电网的DG的有功功率和无功功率均可以调节，并满足如下约束条件；
Figure FDA0003083182850000021
其中Pt DG、
Figure FDA0003083182850000022
分别表示DG的有功、无功和视在功率，
Figure FDA0003083182850000023
表示DG有功调节系数最大值，
Figure FDA0003083182850000024
表示功角的最小值；公式中，单台DG的有功不可调节，是不可控电源；
在所建立负荷的时序模型中，通过需求侧响应可以对负荷进行削减；负荷的削减量如下；
ΔPload＝λloadPload (公式A4)
其中Pload、ΔPload分别表示负荷和负荷削减量，λload表示负荷调节系数；
在配电网的网架时序模型建立中，
配电网网架中，B表示网络节点集合，L表示网络线路的集合，G为配电网的网络拓扑，G＝<B,L>，且配电网辐射性满足如下式约束；
Figure FDA0003083182850000025
其中，
Figure FDA0003083182850000026
配电网网架，NB表示配电网节点数量，G(S)表示G的真子图，S为真子图G(S)中包含的网络节点；
配电网网架模型的辐射性约束基于环路结构，其环路结构基本环路数量为N，具有反孤点、孤岛约束，且符合公式A5的约束；
所述储能部分采用电池储能方式，在分布式电源侧接入，其建立的储能时序模型及其充放电策略具体如下：
Figure FDA0003083182850000027
其中
Figure FDA0003083182850000028
表示储能当前电量，
Figure FDA0003083182850000029
表示下一时刻电量，ΔEt表示储能充放电电量；
上述策略为一种基于等效负荷的储能充放电策略，具体策略如下：
Figure FDA00030831828500000210
其中Pt eq表示等效负荷，Pav表示等效负荷的平均值；
当Pt eq+Pt ESS＜Pav时，此时等效负荷较小，处于负荷低谷，储能部分充电，充电电量如下：
Figure FDA00030831828500000211
当Pt eq-Pav＞Pt ESS，等效负荷较大，处于负荷高峰，储能部分放电，放电电量如下：
Figure FDA0003083182850000031
其中Pt ESS表示储能充放电功率，ηc、ηdisc分别表示储能充放电系数，Δt表示充放电时间；
当-Pt ESS＜Pt eq-Pav＜Pt ESS，等效负荷和平均负荷较为接近，ΔEt＝0，储能既不充电，也不放电；
优化调度模型的决策变量为配电网DG有功输出和无功输出、CB的投切方法、OLTC分接头位置、配电网网架、负荷调节因子，优化目标为最小碳排放、最优经济性和最优电压水平；
步骤S2中：所述优化调度模型如下式所示；
Figure FDA0003083182850000032
其中，F表示目标函数，分别为碳排放量f1，经济成本f2，电压水平f3，G(x)和H(x)分别表示模型中的不等式约束和等式约束。考虑碳排放的配电网源网荷储协同优化是一个混合整数非线性优化问题；
决策变量x具体如下：
Figure FDA0003083182850000033
其中，t表示时刻，i表示对应的节点，ij表示线路。
Figure FDA0003083182850000034
表示网架结构变量；
Figure FDA0003083182850000035
分别表示WTG、PVG在t时刻投入组数；
Figure FDA0003083182850000036
分别表示WTG、PVG在t时刻的无功输出；
Figure FDA0003083182850000037
表示CB的投入组数，Tt gen表示OLTC分接头的位置；λi,t表示负荷调节系数。
4.根据权利要求3所述的考虑碳排放的配电网源网荷储协同优化调度方法，其特征在于：所述优化调度模型的目标函数具体的设定及表述如下；
(1)碳排放量方面：
配电网中DG均为不产生CO2排放的清洁能源电源，来自上级电网的电能生产的CO2排放以公式表述为
Figure FDA0003083182850000038
其中，
Figure FDA0003083182850000039
表示CO2排放因子，Pt gen表示t时刻上级电网电源输入的有功，T表示调度场景综述；
(2)经济成本方面：
经济成本包括DG运行费用CO、弃风弃光惩罚费用CP、可控负荷调节费用Cadj、网架调节费用Cgrid和向上级电网购电费用Cgen；
f2＝CO+CP+Cadj+Cgrid+Cgen (公式8)
Figure FDA0003083182850000041
Figure FDA0003083182850000042
Figure FDA0003083182850000043
Figure FDA0003083182850000044
其中：ΛWTG、ΛPVG表示WTG、PVG的安装节点集合；Λadj为可调节负荷的节点集合；eWTG,gen、ePVG,gen表示单位功率WTG、PVG发电成本；eWTG,cut、ePVG,cut表示单位功率WTG、PVG切除的惩罚成本；eadj表示单位负荷调节费用；egen表示单位购电成本；
Figure FDA0003083182850000045
分别表示每组WTG、PVG的有功出力；
Figure FDA0003083182850000046
分别表示WTG、PVG的最大投入数量；
Figure FDA0003083182850000047
表示负荷的额定功率；
Figure FDA0003083182850000048
表示上级电源出力；Δt为每个时段的持续时间，其时长范围包括1小时时长；
(3)电压指标方面：
支路电压快速稳定性FVSI的计算方法为，通过计算系统中所有支路的FVSI，取最大值为系统的FVSI；
Figure FDA0003083182850000049
其中：Rij、Xij表示支路ij的电阻和电抗参数；Qj,t、Uj,t表示支路末节点的无功和电压。
5.根据权利要求4所述的考虑碳排放的配电网源网荷储协同优化调度方法，其特征在于：所述优化调度模型的约束条件包括如下方面；
(1)潮流约束如下；
Figure FDA00030831828500000410
其中，Pis、Qis分别表示节点等效注入有功；Ui、Uj表示节点i和节点j电压的幅值，j为与节点i直接相连的节点；Gij和Bij表示节点电导矩阵和电纳矩阵，θij,t为支路ij首末端电压相位差；
Figure FDA00030831828500000411
其中Pmi,t、Qmi,t表示以i为末节点m为首节点的支路mi的潮流，QCB表示每一组CB输出的无功功率；
(2)电压约束如下；
Umin≤Ui≤Umax (公式16)
其中Umin、Umax表示电压下限和上限；
(3)支路功率约束如下；
|Sij|≤Sij.max (公式17)
其中Sij.max表示支路ij最大输送容量；
(4)接入数量约束如下；
Figure FDA0003083182850000051
其中
Figure FDA0003083182850000052
表示WTG、PVG和CB最大接入组数；
(5)变压器分接头约束如下；
Tmin≤Tt≤Tmax (公式19)
其中Tmin、Tmax分别表示分接头调节位置的下限和上限；
(6)DG功率和功角约束的表述如下；
Figure FDA0003083182850000053
其中SWTG、SPVG表示WTG、PVG的容量；
(7)负荷调节约束如下；
0≤λi,s,t≤λmax (公式21)
其中λmax表示最大负荷调节系数；
(8)主网约束如下；
任意时刻，均不得向上级电网倒送功率；
Figure FDA0003083182850000054
其中Pt gen、
Figure FDA0003083182850000055
分别表示上级电源在t时刻的有功出力和无功出力。
6.根据权利要求1所述的考虑碳排放的配电网源网荷储协同优化调度方法，其特征在于：步骤S3中，所述带精英策略快速非支配排序的多目标粒子群算法为NS-MOPSO算法，具体包括如下步骤；
步骤SB1：设置t＝1，输入配电网DG、负荷等参数，并初始化种群；
步骤SB2：进行潮流计算，并判断是否满足各项约束，如满足约束，则直接计算例子的适应度，如不满足约束，需要添加惩罚因子M；适应度计算方法如式(23)所示；
Figure FDA0003083182850000061
其中，fpenty表示带惩罚因子的适应度，forigin表示不带惩罚因子的适应度。
7.根据权利要求6所述的考虑碳排放的配电网源网荷储协同优化调度方法，其特征在于：当各项约束满足时，M＝0，fpenty＝forigin；当不满足约束时，M＝1，fpenty＝+∞。
8.根据权利要求5所述的考虑碳排放的配电网源网荷储协同优化调度方法，其特征在于：NS-MOPSO算法还包括如下步骤
步骤SB3：通过带精英策略的快速非支配排序算法，获取头部粒子排序为1的精英粒子形成pareto解集，并从中随机选取一个非劣解作为初始种群最优解Pbest和初始全局最优解Gbest；在迭代过程中，采用TOPSIS算法更新种群最优解Pbest和全局最优解Gbest；
步骤SB4：更新种群位置，并计算适应度；
所述更新种群的方法中，配电网网架变量设为二进制变量，采用二进制粒子群算法更新种群位置，如以下的(公式24)～(公式25)所示，并且需要满足上述的辐射式结构约束；其中若配电网中的基本环路有多回支路为状态1断开状态，则从中随机选择1条支路为断开状态，其余设置为状态0闭合状态；
Figure FDA0003083182850000062
Figure FDA0003083182850000063
其余变量采用粒子群优化算法更新种群位置，如下式(公式26)所示；
Figure FDA0003083182850000064
其中ω表示惯性系数，c1、c2表示学习因子，X和V表示种群和速度，上标k和k+1表示第k代和第k+1代；值得注意的是，变量
Figure FDA0003083182850000065
Tt gen是整数变量，需要进行取整操作；
引入自适应的惯性系数优化粒子群算法性能，如式(27)所示；
ωk+1＝ωinit-(ωinit-ωk)(k/kmax)2 (公式27)
式中：ωinit表示惯性权重初始值；ωk表示第k代的惯性权重；kmax表示最大迭代次数；
步骤SB5：重复步骤SB2～步骤SB4，直到满足迭代结束条件或最大迭代次数；
步骤SB6：采用TOPSIS算法获得最优解；
步骤SB7：t＝t+1重复步骤SB1～步骤SB6，计算所有时间断面下的优化调度结果。
9.根据权利要求8所述的考虑碳排放的配电网源网荷储协同优化调度方法，其特征在于：在步骤SB5中，若迭代的持续进行使pareto解集规模逐步增大至非支配解数量过多时，对pareto解集进行裁剪，其裁剪方法先使用非支配排序算法对pareto解集中的非支配解进行排序，然后采用轮盘赌转算法淘汰部分非支配解。
10.考虑碳排放的配电网源网荷储协同优化调度装置，用于配电网荷载部分与储能部分的协同调度，其特征在于：所述装置包括以下模块；
选择模块，其功能为：以优化碳排放水平为标准来选择荷储协同调度模型中的荷储元件；
决策模块，其功能为：以配电网碳排放水平、调度运行费用和电压稳定性为优化目标，以荷储元件中的分布式电源的有功出力、分布式电源的无功出力、可投切电容器投入水平、有载调压变压器分接头调整、配电网网架为决策变量，建立考虑碳排放的配电网源网荷储协同优化调度模型；
调度模块，其功能为：以带精英策略快速非支配排序的多目标粒子群算法求解决策模块所建立的调度模型；并按求解结果进行调度。
CN202110572327.6A 2021-05-25 2021-05-25 考虑碳排放的配电网源网荷储协同优化调度模型和方法 Active CN113378100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110572327.6A CN113378100B (zh) 2021-05-25 2021-05-25 考虑碳排放的配电网源网荷储协同优化调度模型和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110572327.6A CN113378100B (zh) 2021-05-25 2021-05-25 考虑碳排放的配电网源网荷储协同优化调度模型和方法

Publications (2)

Publication Number Publication Date
CN113378100A true CN113378100A (zh) 2021-09-10
CN113378100B CN113378100B (zh) 2023-08-01

Family

ID=77571956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110572327.6A Active CN113378100B (zh) 2021-05-25 2021-05-25 考虑碳排放的配电网源网荷储协同优化调度模型和方法

Country Status (1)

Country Link
CN (1) CN113378100B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762650A (zh) * 2021-11-10 2021-12-07 广东电网有限责任公司东莞供电局 一种分散式预测电网的优化方法及系统
CN114336663A (zh) * 2022-01-07 2022-04-12 华北电力科学研究院有限责任公司 一种新型电力系统源网协同规划方法及装置
CN115147016A (zh) * 2022-09-01 2022-10-04 国网浙江省电力有限公司宁波供电公司 考虑低碳效益的分布式电源和需求侧资源联合规划方法
CN118657067A (zh) * 2024-08-20 2024-09-17 南京师范大学 一种基于pvt光伏光热的家庭能源系统低碳运行优化方法及管理系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014071862A1 (zh) * 2012-11-09 2014-05-15 天津大学 基于安全域的安全约束经济调度方法
CN110502814A (zh) * 2019-08-09 2019-11-26 国家电网有限公司 考虑储能和负荷管理技术的主动配电网多目标规划方法
CN111342461A (zh) * 2020-03-30 2020-06-26 国网福建省电力有限公司 一种考虑网架动态重构的配电网优化调度方法及系统
CN111884203A (zh) * 2020-06-10 2020-11-03 华电电力科学研究院有限公司 基于双层非支配排序遗传算法的微电网协调优化配置方法
CN112467722A (zh) * 2020-09-30 2021-03-09 国网福建省电力有限公司 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法
CN112713618A (zh) * 2020-12-29 2021-04-27 天津大学合肥创新发展研究院 基于多场景技术的主动配电网源网荷储协同优化运行方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014071862A1 (zh) * 2012-11-09 2014-05-15 天津大学 基于安全域的安全约束经济调度方法
CN110502814A (zh) * 2019-08-09 2019-11-26 国家电网有限公司 考虑储能和负荷管理技术的主动配电网多目标规划方法
CN111342461A (zh) * 2020-03-30 2020-06-26 国网福建省电力有限公司 一种考虑网架动态重构的配电网优化调度方法及系统
CN111884203A (zh) * 2020-06-10 2020-11-03 华电电力科学研究院有限公司 基于双层非支配排序遗传算法的微电网协调优化配置方法
CN112467722A (zh) * 2020-09-30 2021-03-09 国网福建省电力有限公司 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法
CN112713618A (zh) * 2020-12-29 2021-04-27 天津大学合肥创新发展研究院 基于多场景技术的主动配电网源网荷储协同优化运行方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曾顺奇;汤森垲;程浩忠;苏志鹏;夏文波;曾奕;: "考虑源网荷储协调优化的主动配电网网架规划", 南方电网技术, no. 03 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762650A (zh) * 2021-11-10 2021-12-07 广东电网有限责任公司东莞供电局 一种分散式预测电网的优化方法及系统
WO2023083235A1 (zh) * 2021-11-10 2023-05-19 广东电网有限责任公司东莞供电局 一种分散式预测电网的优化方法及系统
CN114336663A (zh) * 2022-01-07 2022-04-12 华北电力科学研究院有限责任公司 一种新型电力系统源网协同规划方法及装置
CN114336663B (zh) * 2022-01-07 2024-02-27 华北电力科学研究院有限责任公司 一种电力系统源网协同规划方法及装置
CN115147016A (zh) * 2022-09-01 2022-10-04 国网浙江省电力有限公司宁波供电公司 考虑低碳效益的分布式电源和需求侧资源联合规划方法
CN118657067A (zh) * 2024-08-20 2024-09-17 南京师范大学 一种基于pvt光伏光热的家庭能源系统低碳运行优化方法及管理系统

Also Published As

Publication number Publication date
CN113378100B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN108470239B (zh) 计及需求侧管理和储能的主动配电网多目标分层规划方法
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
CN110502814B (zh) 考虑储能和负荷管理技术的主动配电网多目标规划方法
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
CN107994595A (zh) 一种削峰填谷控制方法和系统以及应用该控制方法的系统
CN110247438B (zh) 基于天牛须算法的主动配电网资源优化配置
CN109325608A (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
CN110571863B (zh) 一种考虑配电网灵活性的分布式电源最大接纳能力评估方法
CN107546781B (zh) 基于pso改进算法的微电网多目标运行优化方法
CN108448565B (zh) 一种直流微电网复合储能系统功率分配方法
CN105896575B (zh) 基于自适应动态规划的百兆瓦储能功率控制方法及系统
CN113437752B (zh) 一种含混合储能的综合能源系统运行控制方法
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
CN114362267B (zh) 考虑多目标优化的交直流混合配电网分散式协调优化方法
CN106570579B (zh) 一种基于改进量子粒子群算法的水火电经济调度方法
CN112583017A (zh) 考虑储能运行约束的混合微电网能量分配方法及系统
CN112803494B (zh) 一种含风光水火的多目标agc协调优化方法及系统
CN110752626A (zh) 一种主动配电网滚动优化调度方法
CN114243791A (zh) 风光氢蓄系统的多目标优化配置方法、系统及存储介质
CN111614110B (zh) 一种基于改进多目标粒子群算法的受端电网储能优化配置方法
CN116826752A (zh) 一种台区用能多目标低碳降损优化调度策略方法
CN113962159A (zh) 一种基于合理弃光的配电网光伏最大接入容量的评估方法
CN114884110A (zh) 一种源网荷多约束条件下的电力系统储能优化运行方法
CN110098623B (zh) 一种基于智能负载的Prosumer单元控制方法
CN114221351B (zh) 电压无功调节方法、装置、终端及存储介质

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