CN113452033A - 分区自治的含高比例光伏配电网电压控制方法及存储介质 - Google Patents

Abstract

本发明公开了一种分区自治的含高比例光伏配电网电压控制方法，包括获取全年的光伏发电与负荷时序数据，并利用密度聚类方法对所述光伏发电与负荷时序数据进行处理以得到配电网典型场景集合，其中，所述配电网典型场景集合包括不同季节、天气以及工作日类型下各时段光伏和负荷典型状态组合；基于区内电压控制效果、电压控制能力、调控策略代价和功率平衡合获得配电网分区指标，并根据所述分区指标建立目标函数，进而构建优化分区模型。本发明还公开了一种储存介质。采用本发明，能够解决现有高比例分布式光伏接入配电网所出现的过电压、控制复杂以及集中控制存在不足的问题。

Description

分区自治的含高比例光伏配电网电压控制方法及存储介质

技术领域

本发明涉及配电网优化领域，尤其涉及一种分区自治的含高比例光伏配电网电压控制方法及存储介质。

背景技术

随着能源危机问题的突出，太阳能发电已经成为重要的发展趋势，近年来户用光伏并网装机容量呈现出快速增长的趋势。由于户用光伏具有随机性和波动性的特点，随着分布式光伏的占比不断上升，这将对配电网的安全稳定以及经济运行产生重大影响，主要体现在电网电压越限、功率倒送以及线路过载等几个方面。其中，过电压现象是最常见也是最受关注的问题，过电压不仅能影响线路的安全稳定运行，而且直接影响配电网对光伏的消纳能力和光伏自身的运行效率。

随着高比例光伏接入配电网后，光伏安装数量海量增加，位置相对分散，使得配电网控制节点数目加大，控制变量增多，如果对每个光伏逆变器进行控制，会因控制过程复杂而不能满足控制时间快速性的要求；同时，高比例户用光伏通常位于广大农村地区，农村配电台区通常缺乏健全的通信设备，节点信息收集不全，集中控制方法难以使用。

发明内容

本发明所要解决的技术问题在于，提供一种分区自治的含高比例光伏配电网电压控制方法及存储介质，能够解决现有高比例分布式光伏接入配电网所出现的过电压、控制复杂以及集中控制存在不足的问题。

为了解决上述技术问题，本发明提供了一种基于分区自治的含高比例光伏配电网电压控制方法，包括：获取全年的光伏发电与负荷时序数据，并利用密度聚类方法对所述光伏发电与负荷时序数据进行处理以得到配电网典型场景集合，其中，所述配电网典型场景集合包括不同季节、天气以及工作日类型下各时段光伏和负荷典型状态组合；基于区内电压控制效果、电压控制能力、调控策略代价和功率平衡合获得配电网分区指标，并根据所述分区指标建立目标函数，进而构建优化分区模型；根据所述优化分区模型对所述配电网典型场景集合中每个配电网典型场景的数据进行优化计算，得到与所述配电网典型场景集合对应的配电网分区方案集合；基于大数据对配电网工作状态数据进行预测，识别未来每个时段的配电网工作场景所属的典型场景类别，根据不同典型场景类别对应的分区方案确定动态切换分区方案；根据所述动态切换分区方案，对重新分区后的节点进行区内电压控制，先进行区内电压无功控制，再进行区内电压有功控制。

优选地，所述获取全年的光伏发电与负荷时序数据，并利用密度聚类方法对所述光伏发电与负荷时序数据进行处理以得到配电网典型场景集合的步骤包括：根据负荷的典型年-周曲线、周-日曲线以及日-小时曲线建立时变负荷模型，所述时变负荷模型为：L(t)＝L_y*P_w(t)*P_d(t)*P_h(t)，其中，L(t)为第t小时的负荷值，Ly为年负荷峰值，Pw(t)为第t小时对应的年-周负荷曲线中的功率系数，Pd(t)为第t小时对应的周-日负荷曲线中的功率系数、Ph(t)为第t小时对应的日-小时负荷曲线中的功率系数，通过对光强的概率统计抽样可以获得全年内每个小时对应的光伏发电时序数据；通过大规模的所述光伏发电与负荷时序数数据进行特征值提取，以得到多种类别的场景，并在每种类别的场景内进行数据聚类，其中，所述场景包括：春季、夏季、秋季、冬季、阴天、雨天、晴天、工作日以及休息日等，再以每类典型日中的数据为参考值对时间进行分段，统计每种类别中所有典型日的光照强度和负荷，以每个典型日中每个时段内所有数据作为一个样本点，将该时段所有的数据用二元数组表示，将全年内每个典型日中第i时段的二元数组标记到二维图上，采用密度聚类DBSCAN算法进行聚类，获得配电网典型场景集合。

优选地，所述再以每类典型日中的典型状态数据为参考值对时间进行分段的步骤包括：根据光伏日出力曲线，根据光伏出力值的不同将一天分为n_g个时段，该时段任意两个相邻时刻i和j的光伏出力P_gi和P_gj满足：|P_gi-P_gj|≤0.25P_gi，|P_gi-P_gj|≤0.25P_gj；参考日负荷曲线，根据负荷值的不同将一天分为n_l个时段，任意两个相邻时段i和j的负荷值P_li和P_lj满足：|P_li-P_lj|≤0.25P_li，|P_li-P_lj|≤0.25P_lj；以一天的时间为对象，同时利用光伏出力的分段n_g和负荷值分段n_l的间断时刻对24小进行分段，得到同时兼顾了光伏出力和负荷的一天24小时的时间分段方案n_lg。

优选地，所述将全年内每个典型日中第i时段的二元数组标记到二维图上，采用密度聚类DBSCAN算法进行聚类，获得配电网典型场景集合的步骤包括：将第i时段聚类数取为N_i，第j聚类样本数为M_j，第j聚类第k个样本为x_ijk(k＝1,2,...,M_j；j＝1,2,...,N_i；i＝1,2,...,24)，第i时段第j类样本中心点为X_ij，将第i时段属于第j类的全部M_j个样本状态合并成一个状态X_ij(用于代表某种典型日下第i时段的第j种典型场景)，其中，

重复以上步骤，获得每种典型日中一天第i个时段对应的多个典型场景下的数据，记为{X_ij}，其中,{X_ij}包含了光伏和负荷两种状态数据。

优选地，所述基于区内电压控制效果、电压控制能力、调控策略代价和功率平衡合获得配电网分区指标，并根据所述分区指标建立目标函数，进而构建优化分区模型的步骤包括：将分区后区内电压越限最严重的节点作为关键负荷节点，以此节点电压的变化作为电压控制效果的参考，将安装光伏逆变器的并网节点和安装电容器无功补偿的节点作为电压控制节点；利用灵敏度参数来计算电压控制节点对关键负荷节点的无功和有功的调控量进行计算，以满足协调控制节点对区内关键节点的灵敏度大且对区外关键节点的灵敏度小的条件；基于区内电压控制效果、电压控制能力、调控策略代价和功率平衡合获得配电网分区指标：

区内控制灵敏性指标γ₁，

lkg>1，

其中，γ_Q为关键负荷节点控制灵敏性指标，γ_p为电压控制节点控制灵敏性指标，kg表示分区数，k为分区编号，m为配电网所有节点的个数，lkg为区域k内光伏可控节点数，olkg为分区k内的关键负荷节点以外的其它分区的光伏可控节点总数，km为分区k内的关键负荷节点，

表示节点l对分区k内光伏可控节点对关键负荷节点的电压-无功灵敏度，

示节点l对分区k内光伏可控节点对关键负荷节点的电压-有功灵敏度，

区内自治能力指标γ₂，

P_r(γ₂≥1)≥α，

其中，ΔV_k-max为分区k内电压控制参考节点的最大越限量，Q_i为光伏控制节点i的无功调控量，P_i为节点i除光伏有功出力以外的有功调控设备的有功调控量，

和

分别为分区n内最大的无功可调容量，P_r表示约束条件可能性，α表示机会约束置信水平，

分区控制代价指标γ₃，

其中，C_pur,t为电网公司在t时刻的购电价格，P_loss，t为t时刻的有功损耗，P_i,t为电压有功控制量，C_cps,t为t时刻有功控制的单位电价，V_i,t、V_j,t分别表示节点i、j的电压幅值，G_ij、B_ij、θ_ij分别表示节点i、j之间的电导、电纳和电压相角差，m为系统节点总数，P_i,t、Q_i,t分别表示节点i注入的有功功率和无功功率，

区内功率平衡指标γ₄，

其中，n为分区编号，N为分区总数，P_ng为分区n内常规电源的有功功率P_n,pv为光伏发电的有功功率，P_nl为分区n内的负荷有功功率；

根据所述区内控制灵敏性指标、区内自治能力指标、分区控制代价指标以及区内功率平衡指标建立目标函数F：

其中，γ′_i为各典型场景下第i个分区指标的归一化后的值；γ′₄为区内功率平衡指标归一化后的值，γ_si为各场景第i个分区指标的基准值，γ_s4为区内平衡指标的基准值，以此为基准对各目标函数进行标幺化处理，取无分区时候的指标值为基准值，λ_i为该指标所占权重。

优选地，所述根据所述优化分区模型对所述配电网典型场景集合中每个配电网典型场景的数据进行优化计算，得到与所述配电网典型场景集合对应的配电网分区方案集合的步骤包括：根据遗传算法对分区优化模型进行求解，得到不同典型日时段中每个典型场景对应的最佳分区方案。

优选地，所述基于大数据对配电网工作状态数据进行预测，识别未来每个时段的配电网工作场景所属的典型场景类别，根据不同典型场景类别对应的分区方案确定动态切换分区方案的步骤包括：基于大数据对未来需要进行分区切换时段的光伏和负荷状态数据进行预测并计算净功率值R_kt；计算预测时段所对应典型日类别同样时段中的各典型场景的净功率值R_kij；根据公式：

计算该时段内所有典型场景的差异性指标μ_a，其中，R_kt为预测时段净功率值，R_kij为典型场景中利用光伏和负荷的特征值计算得到的净功率值，t为预测时段中的每个小时的编号，T为每个时段的总小时数，k为节点编号；把差异性指标指最小的典型场景作为预测时段所属的典型场景。

优选地，所述根据所述动态切换分区方案，对重新分区后的节点进行区内电压控制，先进行区内电压无功控制的步骤包括：将所有的光伏节点集合记为光伏集群，在光伏集群内部，将可调无功容量有剩余的光伏记为可调光伏节点集群，将可调无功容量为零的光伏记为不可调光伏节点集群，将各负荷节点进行分类，分为过电压节点集合和正常节点集合，在过电压节点集合中，取电压幅值最大的节点作为关键负荷节点，电压幅值记为V^max，其超过节点电压上限值为ΔV^max；根据无功电压的灵敏度矩阵，在可调光伏节点集群中，找出对关键负荷节点无功可调的所有节点lkg，负荷节点对自身电压调节的灵敏度为

计算除了负荷节点本身外其它光伏可控节点i对关键负荷节点的无功灵敏度，记为

在最大负荷节点处按照最大无功调节量Q^max进行调节，通过剩余调控节点i所承担的无功调节量

将关键负荷节点的电压值V^max调回正常范围内；将剩余无功调控节点按灵敏度递减排序，依次增加控制节点，直到满足

其中，n为除了关键负荷节点外剩余光伏可控节点的个数的集合；单纯依靠无功进行调压将区内电压调回正常范围区内所需要的无功量表达式为：

若区内无功可调量Q_sup小于无功需求量Q_need，则需要在无功控制之后，利用区内除光伏以外的有功调控设备对电压进行控制。

优选地，所述再进行区内电压有功控制的步骤包括：选择关键负荷节点作为电压参考节点，在电压无功调控之后，若关键负荷节点仍存在越限现象，则通过对其本身光伏接入按照最大限度进行部分切除，再结合其他光伏可控节点的有功切除，将电压调控到到理想范围之内；设无功控制后将关键负荷节点电压调回正常范围的电压调节量为ΔV^max'，关键负荷节点的电压有功灵敏度为

其余有功可控节点i对关键负荷节点的有功灵敏度的

关键负荷节点的最大有功控制量为P^max，剩余n个光伏可控节点的有功控制量为P^gen，按灵敏度排序，依次增加有功削减的控制节点，直到满足：

其中，P^max为关键负荷节点最大的无功切除量，

为剩余控制节点最大的无功切除量。

本发明还提供了一种存储介质，其存储有计算机指令，该计算机指令被计算机执行时实现上述方法的步骤。

实施本发明的有益效果在于：

本发明提供了一种分区自治的含高比例光伏配电网电压控制方法及存储介质，基于节点的光伏和负荷统计数据建立典型场景集合；基于分区优化模型，对每个典型场景的数据进行优化计算，得到与之对应的配电网分区方案集合；基于大数据对配电网工作状态数据的预测，识别未来每个时段的配电网工作场景所属的典型场景类别，根据不同场景类别对应的分区方案确定分区动态切换的选择方案；动态切换分区方案，对重新分区后的节点进行区内电压控制。

采用本发明，基于场景切换的分布式光伏接入配电网典型工作场景集合建立方法，可以应对配电网工作环境发生变化而对电压调控策略造成的影响，通过对历史数据的统计，基于光照变化、负荷变化的数据样本分析；利用密度聚类方法对光伏发电与负荷时序数据进行处理，生成了不同季节-天气-工作日类型下各时段光伏-负荷典型状态组合，建立配电网典型工作场景集合。此方法不仅能真实反映光伏与负荷的时序性、随机性及关联性，而且可以大大削减了状态数。该集合包含的所有典型场景可以充分代表年时间尺度下的工作状态。

同时，本发明提出了考虑区内电压控制效果、电压控制能力、调控策略代价和功率平衡合的分区指标。基于指标综合权重最小建立目标函数，以区内控制能力指标大于1和其他分区要求作为约束条件构建优化分区模型。基于不同典型场景下的状态数据优化计算与之对应的分区方案，进而形成分区方案集合。该分区方法能够结合配电网的结构特点，相比于传统的从控制效果角度出发的分区方案，该分区模型得到的分区方案结果在电压控制上兼顾了总体的电压控制效果和经济成本。

另外，本发明提出基于有功-无功的配电网分区控制方法，考虑了含分布式光伏的电压-无功控制的原理，通过对区内可调无功-有功资源进行分析，结合关键负荷节点的电压特性，实现了区内电压独立并行控制。相比于集中控制，缩小了对可用光伏的搜索范围，减少了控制节点数目，简化了控制过程，能快速将网络各节点电压调节到安全运行范围之内。

附图说明

图1是本发明提供的基于分区自治的含高比例光伏配电网电压控制方法的流程图；

图2是本发明提供的电压控制逻辑图；

图3是本发明提供的配电网典型场景集合的获取方法流程图；

图4是本发明提供的配电网典型场景的列举图；

图5是本发明提供的优化分区模型的构建方法流程图；

图6是本发明提供的配电网分区方案集合的获取逻辑图；

图7是本发明提供的配电网典型场景以及优化分区模型的列举图；

图8是本发明提供的动态切换分区方案预测的方法流程图；

图9是本发明提供的分区电压控制的方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。仅此声明，本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词，仅以本发明的附图为基准，其并不是对本发明的具体限定。

如图1所示，本发明提供了一种基于分区自治的含高比例光伏配电网电压控制方法，包括：

S101，获取全年的光伏发电与负荷时序数据，并利用密度聚类方法对所述光伏发电与负荷时序数据进行处理以得到配电网典型场景集合，其中，所述配电网典型场景集合包括不同季节、天气以及工作日类型下各时段光伏和负荷典型状态组合；

S102，基于区内电压控制效果、电压控制能力、调控策略代价和功率平衡合获得配电网分区指标，并根据所述分区指标建立目标函数，进而构建优化分区模型；

S103，根据所述优化分区模型对所述配电网典型场景集合中每个配电网典型场景的数据进行优化计算，得到与所述配电网典型场景集合对应的配电网分区方案集合；

S104，基于大数据对配电网工作状态数据进行预测，识别未来每个时段的配电网工作场景所属的典型场景类别，根据不同典型场景类别对应的分区方案确定动态切换分区方案；

S105，根据所述动态切换分区方案，对重新分区后的节点进行区内电压控制，先进行区内电压无功控制，再进行区内电压有功控制。

本发明，基于节点的光伏和负荷统计数据建立典型场景集合；基于分区优化模型，对每个典型场景的数据进行优化计算，得到与之对应的配电网分区方案集合；基于大数据对配电网工作状态数据的预测，识别未来每个时段的配电网工作场景所属的典型场景类别，根据不同场景类别对应的分区方案确定分区动态切换的选择方案；动态切换分区方案，对重新分区后的节点进行区内电压控制。

需要说明的是，本发明提出的基于场景切换的分布式光伏接入配电网典型工作场景集合建立方法，可以应对配电网工作环境发生变化而对电压调控策略造成的影响，通过对历史数据的统计，基于光照变化、负荷变化的数据样本分析；利用密度聚类方法对光伏发电与负荷时序数据进行处理，生成了不同季节-天气-工作日类型下各时段光伏-负荷典型状态组合，建立配电网典型工作场景集合。此方法不仅能真实反映光伏与负荷的时序性、随机性及关联性，而且可以大大削减了状态数。该集合包含的所有典型场景可以充分代表年时间尺度下的工作状态。

同时，本发明提出了考虑区内电压控制效果、电压控制能力、调控策略代价和功率平衡合的分区指标。基于指标综合权重最小建立目标函数，以区内控制能力指标大于1和其他分区要求作为约束条件构建优化分区模型。基于不同典型场景下的状态数据优化计算与之对应的分区方案，进而形成分区方案集合。该分区方法能够结合配电网的结构特点，相比于传统的从控制效果角度出发的分区方案，该分区模型得到的分区方案结果在电压控制上兼顾了总体的电压控制效果和经济成本。

另外，本发明提出基于有功-无功的配电网分区控制方法，考虑了含分布式光伏的电压-无功控制的原理，通过对区内可调无功-有功资源进行分析，结合关键负荷节点的电压特性，实现了区内电压独立并行控制。相比于集中控制，缩小了对可用光伏的搜索范围，减少了控制节点数目，简化了控制过程，能快速将网络各节点电压调节到安全运行范围之内。

具体地，如图2所示，是本发明提出的基于分区自治的含高比例光伏配电网电压实时控制逻辑图，首先基于对全年光伏和负荷的数据统计，利用密度聚类算法生成配电网的线性场景集合。针对每一个场景的数据，利用本发明提出的分区优化模型优化计算得到对应的分区方案，进而得到分区方案集合。在实际控制中，首先基于大数据对未来一天各时间段的负荷状态数据进行预测，通过数据的对比分析对所属场景类型进行识别，确定所属场景类型后确立与之对应的分区方案，并将其作为该时间段的动态分区的方案。之后进行分区变化，分区变化后进行分区电压控制。

如图3所示，优选地，所述获取全年的光伏发电与负荷时序数据，并利用密度聚类方法对所述光伏发电与负荷时序数据进行处理以得到配电网典型场景集合的步骤包括：

S201，根据负荷的典型年-周曲线、周-日曲线以及日-小时曲线建立时变负荷模型，所述时变负荷模型为：L(t)＝L_y*P_w(t)*P_d(t)*P_h(t)，其中，L(t)为第t小时的负荷值，Ly为年负荷峰值，Pw(t)、Pd(t)、Ph(t)分别为与第t小时对应的年-周负荷曲线、周-日负荷曲线及日-小时负荷曲线中的功率系数，

需要说明的是，本发明采用时变负荷模型，该模型通过负荷的典型年-周曲线、周-日曲线和日-小时曲线形成实时的负荷数据，能很好地反映负荷的时变特性。

S202，通过对光强的概率统计抽样可以获得其一年8760个时段的时序数据；

需要说明的是，光伏阵列的输出功率主要与光照强度和温度有关。考虑到温度影响较小，可以认为光伏的出力主要取决于光照强度；

据统计，在一定时间段内(一个或几个小时)太阳光照强度可以近似看成Beta分布，其概率密度函数如下：

其中，r和r_max(w/m²)分别为对应时间段内的实际光强和最大光强；α和β为Beta分布的形状参数；Γ是Gamma函数

通过对光强的概率统计抽样可以获得其一年8760个时段的时序数据；

假设太阳能电池方阵有M个电池组件，每个组件的面积和光电转换效率分别为A_m和η_m(m＝1,2,...M)，则太阳能电池方阵总的输出功率为：P_M＝r·A·η

其中，A为方阵总面积；η为电池方阵总的光电转换效率，可由下式求出：

S203，通过对大规模数据的特征值提取，将场景化分为多种类别，在每个类别内进行状态数据聚类，

一年4个季节，每个季节分为阴天、雨天和晴天，并根据工作日和休息日再分为多种类别的典型日，

再以每类典型日中的典型状态数据为参考值对时间进行分段，首先根据光伏日出力曲线，根据光伏出力值的不同将一天分为n_g个时段，该时段任意两个相邻时刻i和j的光伏出力P_gi和P_gj满足：|P_gi-P_gj|≤0.25P_gi，|P_gi-P_gj|≤0.25P_gj，

其次，参考日负荷曲线，根据负荷值的不同将一天分为n_l个时段，任意两个相邻时段i和j的负荷值P_li和P_lj满足：|P_li-P_lj|≤0.25P_li，|P_li-P_lj|≤0.25P_lj，

以一天的时间为对象，同时利用光伏出力的分段n_g和负荷值分段n_l的间断时刻对24小进行分段，得到同时兼顾了光伏出力和负荷的一天24小时的时间分段方案n_lg；

需要说明的是，通过以上内容就将全年时间以时段为最小单位进行了分类。

S204，统计每个类型所有典型日的光照强度和负荷，以每个典型日每个时段内所有数据作为一个样本点，将该时段所有的状态数据用{光伏，负荷}二元数组表示，

将该季节天气工作类型日所有天第i时段的多个{光伏，负荷}二元数组标记到二维图上，采用密度聚类DBSCAN算法进行聚类，获得各时段聚类数为N_i(i＝1,2,...,24)，

将第i时段聚类数取为N_i，第j聚类样本数为M_j，第j聚类第k个样本为x_ijk(k＝1,2,...,M_j,j＝1,2,...,N_j,i＝1,2,...,24)，第i时段第j类样本中心点为X_ij，将第i时段属于第j类的全部M_j个样本状态合并成一个状态X_ij，用于代表某种季节天气工作类型日下第i时段的第j种典型场景，

重复以上步骤，获得每类典型日一天第i个时段对应的多个典型场景下的状态数据，记为{X_ij}，其中,{X_ij}包含了光伏和负荷两种状态数据。

需要说明的是，通过以上步骤得到了每个典型场景的光伏和负荷数据，进而建立场景集合，集合中每个场景数据由多种特征值组成，如图4所示。

因此，通过本发明所以出的分区方法，能够将全年的光伏和负荷数据状态用包含多个典型场景状态的集合进行代表。另一方面，在季节、天气、工作日类型、工作时段这些特征值都确立的前提下，对于含户用光伏接入的低压配电网而言，同一配电网上的不同节点在相同时段的光伏出力和用户负荷也都较为接近，每个节点都可采用同一典型场景数据进行后续的分区优化计算。

如图5所示，优选地，所述基于区内电压控制效果、电压控制能力、调控策略代价和功率平衡合获得配电网分区指标，并根据所述分区指标建立目标函数，进而构建优化分区模型的步骤包括：

S301，将分区后区内电压越限最严重的节点作为关键负荷节点，以此节点电压的变化作为控制效果的参考，将安装光伏逆变器的并网节点和安装电容器无功补偿的节点作为电压控制节点，利用灵敏度参数来计算电压控制节点对关键负荷节点的无功和有功的调控量进行计算，分区控制要满足协调控制节点对区内关键节点的灵敏度大且对区外关键节点的灵敏度小的条件，

S302，获得区内控制灵敏性指标γ₁：

γ₁＝γ_Q+γ_P，

lkg>1，

其中，γ_Q为关键负荷节点控制灵敏性指标，γ_p为电压控制节点控制灵敏性指标，kg表示分区数，k为分区编号，m为配电网所有节点的个数，lkg为区域k内光伏可控节点数，olkg为分区k内的关键负荷节点以外的其它分区的光伏可控节点总数，km为分区k内的关键负荷节点，

表示节点l对分区k内光伏可控节点对关键负荷节点的电压-无功灵敏度，

示节点l对分区k内光伏可控节点对关键负荷节点的电压-有功灵敏度，

需要说明的是，控制策略中利用灵敏度参数来计算电压控制节点对关键负荷节点的无功和有功的调控量进行计算，分区控制要满足协调控制节点对区内关键节点的灵敏度大，对区外关键节点的灵敏度小，这样才能保证分区内控制效果稳定，基于此，提出上述区内控制灵敏性指标γ1。另外，区内控制灵敏性指标的大小典型着分区后区内光伏控制节点对区内和区外控制的差异性，指标越小表明在该种分区方案下，区内的自控制对区外的影响越小，对区内的影响越大。另外，还提供了分区及区内节点个数约束。

获得区内自治能力指标：

P_r(γ₂≥1)≥α，

其中，γ₂为区内自治能力指标，ΔV_k-max为分区k内电压控制参考节点的最大越限量，Q_i为光伏控制节点i的无功调控量，P_i为节点i除光伏有功出力以外的有功调控设备的有功调控量，

和

分别为分区n内最大的无功可调容量，P_r表示约束条件可能性，α表示机会约束置信水平。

需要说明的是，为了提高控制效果，每一个分区内的无功和有功可调资源要尽量满足本区域内的调控，区内电压是否可以自治也要结合具体的分区方案来判断，基于此提出区内自治能力指标γ₂。该指标的含义是区内的可调资源能否满足区内电压的控制要求，若γ₂>1表明区内无法自治控制，γ₂≤1表明区内可以自控制。指标值越小表明对区内控制的能力越强。若该指标为0说明此分区内没有需要调节的电压越限节点。考虑到区内的电压波动范围和可调无功有功容量具有随机性，利用机会约束结合区内控制能力指标式提出上述约束。另外，还提供了无功控制容量约束。

获得分区控制代价指标：

其中，γ₃为分区控制代价指标，C_pur,t为电网公司在t时刻的购电价格，P_loss，t为t时刻的有功损耗，P_i,t为电压有功控制量，C_cps,t为t时刻有功控制的单位电价，V_i,t、V_j,t分别表示节点i、j的电压幅值，G_ij、B_ij、θ_ij分别表示节点i、j之间的电导、电纳和电压相角差，m为系统节点总数，P_i,t、Q_i,t分别表示节点i注入的有功功率和无功功率，

需要说明的是，无功控制后会给网络提升网络中的无功流动，有功控制也会增加控制成本，为了尽量降低分区调节代价，引入分区控制代价指标γ₃。另外，还提供了潮流约束。

获得区内功率平衡指标：

其中，γ₄为区内功率平衡指标，n为分区编号，N为分区总数，P_ng为分区n内常规电源的有功功率P_n,pv为光伏发电的有功功率，P_nl为分区n内的负荷有功功率；

需要说明的是，对于含分布式光伏的配电网，若区内的电源有功功率与负荷有功功率越接近，则表明区内的光伏并网有功可以充分被利用，区内的整体电压越限程度也相对较低，导致区内电压调控设备承担的任务较轻。为了降低分区后电压调控任务，引入分区功率平衡指标γ4。该指标越接近于1，说明分区后区内的用户负荷与电源出力越接近，区内调控任务也越小，分区方案更优。

S303，根据所述区内控制灵敏性指标、区内自治能力指标、分区控制代价指标以及区内功率平衡指标建立目标函数F：

其中，γ′_i为各典型场景下第i个分区指标的归一化后的值；γ′₄为区内功率平衡指标归一化后的值，γ_si为各场景第i个分区指标的基准值，γ_s4为区内平衡指标的基准值，以此为基准对各目标函数进行标幺化处理，取无分区时候的指标值为基准值，λ_i为该指标所占权重。

需要说明的是，基于上述所提出的多个评价分区指标，考虑分区方案的区内电压控制效果、自控能力、调控代价和调控任务大小，利用对应的分区指标组建目标函数建立目标函数，以分区间的间断支路d_u作为优化变量建立分区优化模型并采用遗传算法求解。u为间断支路编号。对于辐射式的低压配电网结构来说，将任意两节点间的支路断开，则配电网会增加一个分区，以此类推可知：配电网的分区数kg通常等于u+1。区内控制灵敏性指标、区内自控能力指标和分区调节代价指标越小表明分区方案的综合性能越好。另一方面，功率平衡指标越接近于1表明分区的综合性能越好。

可知，本发明所提出的区内自治分区指标要充分考虑分区方案的性能。首先，要区内的控制节点对区内电压控制效果相比区外的控制效果要明显。其次，区内的无功和逆变器的可控容量与有功控制设备的控制容量能否维持区内的电压稳定性也是分区方法中要考虑的重要内容。另外，要充分考虑分区调控所带来的代价，代价主要来自于无功控制增加的网络无功流动导致增加的网损，以及有功控制的经济成本。最后，需要综合考虑区内的功率平衡程度，尽量降低区内的电压调控任务。基于以上考虑的内容本发明定义了分区指标，并基于分区指标提出目标函数，建立分区优化模型。

如图6所示，优选地，所述根据所述优化分区模型对所述配电网典型场景集合中每个配电网典型场景的数据进行优化计算，得到与所述配电网典型场景集合对应的配电网分区方案集合的步骤包括：根据遗传算法对分区优化模型进行求解，得到不同典型日时段中每个典型场景对应的最佳分区方案。

需要说明的是，利用遗传算法对上述分区优化模型进行求解，可以得到不同典型日时段中每个典型场景对应的最佳分区方案，求解步骤如图6所示。

考虑到该分区模型是在固定的光伏和负荷工作状态进行计算的，结合上述含分布式光伏的典型场景集合建立方法可知，每个典型日不同时段包含的各个典型场景通过该优化模型都可计算得到与之对应的分区方案。进而建立配电网分区方案集合，如图7所示。

如图8所示，优选地，所述基于大数据对配电网工作状态数据进行预测，识别未来每个时段的配电网工作场景所属的典型场景类别，根据不同典型场景类别对应的分区方案确定动态切换分区方案的步骤包括：

S401，基于大数据对未来需要进行分区切换时段的光伏和负荷状态数据进行预测并计算净功率值R_kt；

S402，计算预测时段所对应典型日类别同样时段中的各典型场景的净功率值R_kij；

S403，根据公式：

计算该时段内所有典型场景的差异性指标μ_a，其中，R_kt为预测时段净功率值，R_kij为典型场景中利用光伏和负荷的特征值计算得到的净功率值，t为预测时段中的每个小时的编号，T为每个时段的总小时数，k为节点编号；

S404，把差异性指标指最小的典型场景作为为预测时段所属的典型场景。

需要说明的是，基于场景匹配的分区动态切换，首先要进行典型工作场景识别，再分区切换。配电网工作场景的切换会对分区控制效果造成影响，因此在分区控制前必须对当前配电网所属的工作场景进行识别匹配，确定动态切换的分区方案。

按照时序判断，根据上述基于光伏和负荷的时间分段来切换分区。每进入一个新的时段就进行分区切换。场景识别的过程如下

1)典型日类别确定

参考上述特征值，依据季节、天气、工作日类型的顺序，确定预测时段所属典型日的类别。

2)预测时段典型场景识别

基于大数据对未来需要进行分区切换时段的光伏和负荷状态数据进行预测，并计算净功率值。计算预测时段所对应典型日类别同样时段中的各场景净功率值。预测的净功率数据与典型场景的净功率特征数据的差异性指标μ_a。指标μ_a越小说明预测时段的配电网运行越接近于所对比的典型场景状态，计算该时段内所有典型场景指标，把指标值最小的典型场确定为预测时段所属的典型场景。

分区切换：预测时段的工作场景所属类别确定之后，基于预测时段所属的典型场景找到与之对应的分区方案，将该方案作为预测时段的分区方案选择。当时间来到预测时间段时，将配电网的分区切换到新的方案。

如图9所示，优选地，所述根据所述动态切换分区方案，对重新分区后的节点进行区内电压控制，先进行区内电压无功控制，再进行区内电压有功控制的步骤包括：

S501，分区完成之后，在子分区内进行电压控制时，利用灵敏度矩阵，通过控制关键负荷节点本身的调控设备与其他节点控制设备进行协调，利用最多无功结合最少有功将过电压节点快速地调节到合理范围之内，区内的控制节点只需要负责完成区内的电压调控任务，比传统对所有光伏节点进行集中式控制的方式更高效；

需要说明的是，分区完成之后，即在区内进行电压控制。本发明的电压控制策略中，为了最大化节省成本，按照“先最大程度地利用区内逆变器无功调节能力，后利用区内有功控制能力”的原则，先在子分区内，利用光伏的无功调节能力进行电压调节，当无功调节能力不足时，再转到有功分控制。在子分区内进行电压控制时，利用灵敏度矩阵，通过控制关键负荷节点本身的调控设备与其他节点控制设备进行协调，利用最多无功结合最少有功将过电压节点快速地调节到合理范围之内，区内的控制节点只需要负责完成区内的电压调控任务，比传统对所有光伏节点进行集中式控制的方式更高效。

S502，在分区内部，将所有的光伏节点集合记为光伏集群H，在光伏集群内部，将可调无功容量有剩余的光伏记为可调光伏节点集群，将可调无功容量为零的光伏记为不可调光伏节点集群，同时将各负荷节点进行分类，分为过电压节点集合和正常节点集合，在过电压节点集合中，取电压幅值最大的节点作为关键负荷节点，电压幅值记为V^max，其超过节点电压上限值为ΔV^max；

S503，根据无功电压灵敏度矩阵，在可调光伏集群中，找出对关键负荷节点无功可调的所有节点lkg，负荷节点对自身电压调节的灵敏度为

计算除了负荷节点本身外其它光伏可控节点i对关键负荷节点的无功灵敏度，记为

为尽量降低网络中不必要的无功流动，最大负荷节点处按照最大无功调节量Q^max进行调节，剩余调控节点i的承担的无功调节量

可以将关键负荷节点的电压值V^max调回正常范围内；将剩余无功调控节点按灵敏度递减排序，依次增加控制节点，直到满足

其中，n为除了关键符合节点外剩余光伏可控节点的个数的集合；单纯依靠无功进行调压将区内电压调回正常范围区内所需要的无功量表达式为：

若区内无功可调量Q_sup小于无功需求量Q_need，则需要在无功控制之后，利用区内除光伏以外的有功调控设备对电压进行控制；

S504，依然选择关键负荷节点作为电压参考节点，在电压无功调控和之后，若关键负荷节点仍存在越限现象，则通过对其本身光伏接入按照最大限度进行部分切除，再结合其他光伏可控节点的有功切除，将电压调控到到理想范围之内；设无功控制后将关键节点电压调回正常范围的电压调节量为ΔV^max'，关键负荷节点的电压有功灵敏度为

其余有功可控节点i对关键负荷节点的有功灵敏度的

在满足光伏并网正常工作下，关键符负荷节点的最大有功控制量为P^max，剩余n个光伏可控节点的有功控制量为P^gen。按灵敏度排序，依次增加有功削减的控制节点，直到满足：

其中，P^max为关键负荷节点最大的无功切除量，

为剩余控制节点最大的无功切除量。

本发明基于分布式光伏接入建立配电网典型运行场景集。基于光伏逆变器的无功调节能力，以及除光伏以外的电压有功调控设备，基于分区电压控制效果、区内电压控制能力、控制策略成本和区内功率平衡提出分区指标；基于指标建立目标函数，进而搭建分区优化模型；基于遗传算法对分区优化模型进行求解，得到每种典型场景对应的分区方案，进而得到分区方案集合。基于数据预测对工作场景与典型场景方案集合进行识别匹配，根据匹配结果确定配电网分区方案，提出基于场景匹配的分区自治的实时电压控制策略。由于，含分布式光伏的配电网运行场景随着季节天气等因素变化，导致配电网运行呈现多场景，因此，分区方案需要随着运行场景变化自适应切换。本发明建立年时间尺度下的配电网典型场景方案集合，将全年的光伏和负荷状态数据用多个典型日的各时段数据进行代表，其中每个典型日以固定时段为单位的光伏和负荷数据又包含多种场景状态,建立配电网典型运行场景集。通过优化计算每个典型场景下的分区方案，当光伏并网工作场景发生变换时，依据当前场景所处的典型场景分类，对应切换到所属的分区方案进行控制。该种方法既无需通信设备的支持，又可以降低工作场景变化对分区方案带来的影响。

综上所述，本发明具有以下优点：

本发明提供的配电网典型运行场景集建立方法，含分布式光伏并网工作场景随季节天气产生变化。本发明通过考虑各季节和天气的不同时段，利用密度聚类方法对光伏发电与负荷时序数据进行处理，得到了配电网典型工作场景集合。该集合所包含利用特征值代表的配电网典型工作场景具有良好的识别性，并能充分代表全年的光伏和负荷状态数据。

本发明提供的基于区内自治的分区指标及分区优化模型，配电网分区是提升电压控制反应速度和降低计算复杂度的重要方法。本发明分析了影响分区的重要因素，基于电压控制效果、区内有功无功自治、控制代价、区内功率平衡提出配电网分区指标。基于指标建立目标函数；构建优化模型。所提指标能充分评估含分布式光伏接入的配电网分区方案的综合性能；基于模型优化得到的分区结果在满足分区控制效果的同时还能降低控制策略的经济成本。

本发明提供的基于场景匹配的分区自治的实时电压控制策略，分布式光伏接入低压配电网的工作场景容易随季节天气发生变化。本发明基于所提的配电网典型运行场景集和分区优化模型建立分区方案集合。根据对配电网状态数据的预测进行对比分析，确定场景匹配关系，选择动态分区方案，进而进行分区电压控制，以“无功控制量为主，有功控制协调”为原则进行分区电压控制，区内并行控制能够降低控制策略的时间成本。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于分区自治的含高比例光伏配电网电压控制方法，其特征在于，包括：

获取全年的光伏发电与负荷时序数据，并利用密度聚类方法对所述光伏发电与负荷时序数据进行处理以得到配电网典型场景集合，其中，所述配电网典型场景集合包括不同季节、天气以及工作日类型下各时段光伏和负荷典型状态组合；

基于区内电压控制效果、电压控制能力、调控策略代价和功率平衡合获得配电网分区指标，并根据所述分区指标建立目标函数，进而构建优化分区模型；

根据所述优化分区模型对所述配电网典型场景集合中每个配电网典型场景的数据进行优化计算，得到与所述配电网典型场景集合对应的配电网分区方案集合；

基于大数据对配电网工作状态数据进行预测，识别未来每个时段的配电网工作场景所属的典型场景类别，根据不同典型场景类别对应的分区方案确定动态切换分区方案；

根据所述动态切换分区方案，对重新分区后的节点进行区内电压控制，先进行区内电压无功控制，再进行区内电压有功控制。

2.如权利要求1所述的基于分区自治的含高比例光伏配电网电压控制方法，其特征在于，所述获取全年的光伏发电与负荷时序数据，并利用密度聚类方法对所述光伏发电与负荷时序数据进行处理以得到配电网典型场景集合的步骤包括：

根据负荷的典型年-周曲线、周-日曲线以及日-小时曲线建立时变负荷模型，所述时变负荷模型为：L(t)＝L_y*P_w(t)*P_d(t)*P_h(t)，其中，L(t)为第t小时的负荷值，Ly为年负荷峰值，Pw(t)为第t小时对应的年-周负荷曲线中的功率系数，Pd(t)为第t小时对应的周-日负荷曲线中的功率系数、Ph(t)为第t小时对应的日-小时负荷曲线中的功率系数，

通过对光强的概率统计抽样可以获得全年内每个小时对应的光伏发电时序数据；

通过大规模的所述光伏发电与负荷时序数数据进行特征值提取，以得到多种类别的场景，并在每种类别的场景内进行数据聚类，其中，所述场景包括：春季、夏季、秋季、冬季、阴天、雨天、晴天、工作日以及休息日等，

再以每类典型日中的数据为参考值对时间进行分段，

统计每种类别中所有典型日的光照强度和负荷，以每个典型日中每个时段内所有数据作为一个样本点，将该时段所有的数据用二元数组表示，

将全年内每个典型日中第i时段的二元数组标记到二维图上，采用密度聚类DBSCAN算法进行聚类，获得配电网典型场景集合。

3.如权利要求2所述的基于分区自治的含高比例光伏配电网电压控制方法，其特征在于，所述再以每类典型日中的典型状态数据为参考值对时间进行分段的步骤包括：

根据光伏日出力曲线，根据光伏出力值的不同将一天分为n_g个时段，该时段任意两个相邻时刻i和j的光伏出力P_gi和P_gj满足：|P_gi-P_gj|≤0.25P_gi，|P_gi-P_gj|≤0.25P_gj；

参考日负荷曲线，根据负荷值的不同将一天分为n_l个时段，任意两个相邻时段i和j的负荷值P_li和P_lj满足：|P_li-P_lj|≤0.25P_li，|P_li-P_lj|≤0.25P_lj；

以一天的时间为对象，同时利用光伏出力的分段n_g和负荷值分段n_l的间断时刻对24小进行分段，得到同时兼顾了光伏出力和负荷的一天24小时的时间分段方案n_lg。

4.如权利要求3所述的基于分区自治的含高比例光伏配电网电压控制方法，其特征在于，所述将全年内每个典型日中第i时段的二元数组标记到二维图上，采用密度聚类DBSCAN算法进行聚类，获得配电网典型场景集合的步骤包括：

将第i时段聚类数取为N_i，第j聚类样本数为M_j，第j聚类第k个样本为x_ijk(k＝1,2,...,M_j；j＝1,2,...,N_i；i＝1,2,...,24)，第i时段第j类样本中心点为X_ij，将第i时段属于第j类的全部M_j个样本状态合并成一个状态X_ij(用于代表某种典型日下第i时段的第j种典型场景)，其中，

重复以上步骤，获得每种典型日中一天第i个时段对应的多个典型场景下的数据，记为{X_ij}，其中,{X_ij}包含了光伏和负荷两种状态数据。

5.如权利要求4所述的基于分区自治的含高比例光伏配电网电压控制方法，其特征在于，所述基于区内电压控制效果、电压控制能力、调控策略代价和功率平衡合获得配电网分区指标，并根据所述分区指标建立目标函数，进而构建优化分区模型的步骤包括：

将分区后区内电压越限最严重的节点作为关键负荷节点，以此节点电压的变化作为电压控制效果的参考，将安装光伏逆变器的并网节点和安装电容器无功补偿的节点作为电压控制节点；

利用灵敏度参数来计算电压控制节点对关键负荷节点的无功和有功的调控量进行计算，以满足协调控制节点对区内关键节点的灵敏度大且对区外关键节点的灵敏度小的条件；

基于区内电压控制效果、电压控制能力、调控策略代价和功率平衡合获得配电网分区指标：

区内控制灵敏性指标γ₁，

其中，γ_Q为关键负荷节点控制灵敏性指标，γ_p为电压控制节点控制灵敏性指标，kg表示分区数，k为分区编号，m为配电网所有节点的个数，lkg为区域k内光伏可控节点数，olkg为分区k内的关键负荷节点以外的其它分区的光伏可控节点总数，km为分区k内的关键负荷节点，

表示节点l对分区k内光伏可控节点对关键负荷节点的电压-无功灵敏度，

示节点l对分区k内光伏可控节点对关键负荷节点的电压-有功灵敏度，

区内自治能力指标γ₂，

其中，ΔV_k-max为分区k内电压控制参考节点的最大越限量，Q_i为光伏控制节点i的无功调控量，P_i为节点i除光伏有功出力以外的有功调控设备的有功调控量，

和

分别为分区n内最大的无功可调容量，P_r表示约束条件可能性，α表示机会约束置信水平，

分区控制代价指标γ₃，

其中，C_pur,t为电网公司在t时刻的购电价格，P_loss，t为t时刻的有功损耗，P_i,t为电压有功控制量，C_cps,t为t时刻有功控制的单位电价，V_i,t、V_j,t分别表示节点i、j的电压幅值，G_ij、B_ij、θ_ij分别表示节点i、j之间的电导、电纳和电压相角差，m为系统节点总数，P_i,t、Q_i,t分别表示节点i注入的有功功率和无功功率，

区内功率平衡指标γ₄，

其中，n为分区编号，N为分区总数，P_ng为分区n内常规电源的有功功率P_n,pv为光伏发电的有功功率，P_nl为分区n内的负荷有功功率；

根据所述区内控制灵敏性指标、区内自治能力指标、分区控制代价指标以及区内功率平衡指标建立目标函数F：

其中，γ′_i为各典型场景下第i个分区指标的归一化后的值；γ′₄为区内功率平衡指标归一化后的值，γ_si为各场景第i个分区指标的基准值，γ_s4为区内平衡指标的基准值，以此为基准对各目标函数进行标幺化处理，取无分区时候的指标值为基准值，λ_i为该指标所占权重。

6.如权利要求5所述的基于分区自治的含高比例光伏配电网电压控制方法，其特征在于，所述根据所述优化分区模型对所述配电网典型场景集合中每个配电网典型场景的数据进行优化计算，得到与所述配电网典型场景集合对应的配电网分区方案集合的步骤包括：

根据遗传算法对分区优化模型进行求解，得到不同典型日时段中每个典型场景对应的最佳分区方案。

7.如权利要求6所述的基于分区自治的含高比例光伏配电网电压控制方法，其特征在于，所述基于大数据对配电网工作状态数据进行预测，识别未来每个时段的配电网工作场景所属的典型场景类别，根据不同典型场景类别对应的分区方案确定动态切换分区方案的步骤包括：

基于大数据对未来需要进行分区切换时段的光伏和负荷状态数据进行预测并计算净功率值R_kt；

计算预测时段所对应典型日类别同样时段中的各典型场景的净功率值R_kij；

根据公式：

计算该时段内所有典型场景的差异性指标μ_a，其中，R_kt为预测时段净功率值，R_kij为典型场景中利用光伏和负荷的特征值计算得到的净功率值，t为预测时段中的每个小时的编号，T为每个时段的总小时数，k为节点编号；

把差异性指标指最小的典型场景作为预测时段所属的典型场景。

8.如权利要求7所述的基于分区自治的含高比例光伏配电网电压控制方法，其特征在于，所述根据所述动态切换分区方案，对重新分区后的节点进行区内电压控制，先进行区内电压无功控制的步骤包括：

将所有的光伏节点集合记为光伏集群，在光伏集群内部，将可调无功容量有剩余的光伏记为可调光伏节点集群，将可调无功容量为零的光伏记为不可调光伏节点集群，

将各负荷节点进行分类，分为过电压节点集合和正常节点集合，在过电压节点集合中，取电压幅值最大的节点作为关键负荷节点，电压幅值记为V^max，其超过节点电压上限值为ΔV^max；

根据无功电压的灵敏度矩阵，在可调光伏节点集群中，找出对关键负荷节点无功可调的所有节点lkg，负荷节点对自身电压调节的灵敏度为

计算除了负荷节点本身外其它光伏可控节点i对关键负荷节点的无功灵敏度，记为

在最大负荷节点处按照最大无功调节量Q^max进行调节，通过剩余调控节点i所承担的无功调节量

将关键负荷节点的电压值V^max调回正常范围内；

将剩余无功调控节点按灵敏度递减排序，依次增加控制节点，直到满足

其中，n为除了关键负荷节点外剩余光伏可控节点的个数的集合；

单纯依靠无功进行调压将区内电压调回正常范围区内所需要的无功量表达式为：

若区内无功可调量Q_sup小于无功需求量Q_need，则需要在无功控制之后，利用区内除光伏以外的有功调控设备对电压进行控制。

9.如权利要求8所述的基于分区自治的含高比例光伏配电网电压控制方法，其特征在于，所述再进行区内电压有功控制的步骤包括：

选择关键负荷节点作为电压参考节点，在电压无功调控之后，若关键负荷节点仍存在越限现象，则通过对其本身光伏接入按照最大限度进行部分切除，再结合其他光伏可控节点的有功切除，将电压调控到到理想范围之内；

设无功控制后将关键负荷节点电压调回正常范围的电压调节量为ΔV^max'，关键负荷节点的电压有功灵敏度为

其余有功可控节点i对关键负荷节点的有功灵敏度的

关键负荷节点的最大有功控制量为P^max，剩余n个光伏可控节点的有功控制量为P^gen，按灵敏度排序，依次增加有功削减的控制节点，直到满足：

其中，P^max为关键负荷节点最大的无功切除量，

为剩余控制节点最大的无功切除量。

10.一种存储介质，其存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-9任意一项所述方法的步骤。

Images