CN113452053B - 一种分布式储能集群划分方法 - Google Patents

Abstract

本发明是一种分布式储能集群划分方法，其特点是：包括构建储能集群控制结构，确定集群划分原则及指标，基于遗传算法对配电网储能集群划分。本发明考虑分布式电源与电动汽车接入对配电网造成的影响构建了配电网集群控制架构，在集群划分的逻辑性原则与功能性原则的基础上构建了基于电气距离的模块度指标及有功功率平衡度指标，并在此基础上提出了基于综合性能的集群划分指标，通过利用二进制编码的方式来表示配电网集群划分过程中各支路的开断情况，并利用遗传算法的求解方式进行优化求解，相较于传统快速社区算法避免了集群划分过程中因节点合并可能造成的局部解问题。

Description

一种分布式储能集群划分方法

技术领域

本发明涉及分布式储能领域，尤其涉及分布式储能集群划分，是一种分布式储能集群划分方法，具体是针对传统辐射式配电网节点进行了集群划分，为储能控制策略的设计奠定基础。

背景技术

随着配电网技术的发展，负荷与可再生能源接入配电网比例在不断变化。截至2016年我国可再生能源发电装机容量为5.7亿千瓦，国家对分布式电源的扶持力度不断加大，未来将有不同种类、不同大小的分布式电源接入配电网。

分布式电源出力具有较大的间歇性、随机性、波动性与一定的规律性，这使得分布式电源的电源性质、接入方式、电压等级、并网容量等都对配电网造成一定的影响。随着分布式电源及电动汽车接入配电网比例的不断提高，在配电网面临冲击的同时，人们对供电质量的要求也在不断提升。分布式储能作为一种优质的调节资源，其应用规模逐年增大。而常规储能控制效果有限，集群在电力网络中的应用具有诸多优势，因此，如何合理的设计分布式储能集群划分就成为了解决常规储能控制方式存在控制效果有限等问题的关键。

发明内容

本发明所要解决的技术问题是：克服现有技术的缺点，提供一种分布式储能集群划分方法，

本发明解决技术问题的方案是：一种分布式储能集群划分方法，其特征是：包括以下步骤：

1一种分布式储能集群划分方法，其特征是：包括以下步骤：

1)构建储能集群控制结构

①考虑分布式电源与电动汽车接入对配电网造成的影响，建立包含分布式储能的配电网结构；

定义PS为上级电网向配电网供给功率的大小，PS≥0表示上级电网向配电网供给功率，PS<0表示配电网内保功率向上级电网倒送；

②优化既有储能配置的时序出力

在对含分布式电源配电网集群划分的基础上，优化既有储能配置的时序出力，以降低DG接入带来的影响，提高储能系统的运行收益；

2)确定集群划分原则及指标

集群划分原则及指标包括基于电气距离的模块度、有功功率平衡度和综合性能指标的建立；

3)基于遗传算法的配电网储能集群划分

①建立目标函数；

②求解流程；

为方便表示配电网集群划分情况，对配电网各节点间连接支路进行编号，并采用二进制编码形式来表示各支路的连接情况，在对染色体进行编码的基础上，基于遗传算法求解流程进行求解；

③在对配电网集群划分时，通过适当设置，来排除利用遗传算法求解过程中求解过程随机性的影响。

进一步，所述步骤1)的①包含分布式储能的配电网结构包括：分布式光伏、分散式风电、储能及常规负荷。

进一步，所述步骤1)的②优化既有储能配置的时序出力具体为：

首先，在配电网层面对配电网净负荷功率开展分析；

其次，对配电网进行集群划分形成各储能集群；

然后，根据各集群内部源-荷匹配关系确定集群储能功率；

最后，在分析储能节点特性的基础上对各节点储能功率进行分配。

进一步，所述步骤2)的基于电气距离的模块度具体为：

模块度，指的是衡量网络社区结构强度的指标，通过量化集群的结构强度，来衡量划分的优劣程度并确定最优的划分方式。网络模块度通常由网络连接情况及节点间边权决定。在电力网络中，基于电气距离的模块度其节点间的边权由电抗权、空间距离权及电气距离权表示，其中电气距离权较前者能够更加有效的反应电力网络中节点间的电气联系，

式中：d_ij为节点i与节点j之间的电气距离；S_ij为灵敏度矩阵中第i行j列的元素，由潮流计算中雅克比矩阵求逆可求得各节点电压灵敏度；maxS_ij表示有功电压灵敏度矩阵中第j列元素中的最大值；N为网络节点数；X_ij为i节点到j节点的空间距离；X_ik为i节点到k节点的空间距离；X_jk为j节点到k节点的空间距离；

为描述两节点间的电气耦合程度，采用基于电气距离权重的模块度定义方式，通过衡量系统整体模块度确定系统的最优划分；

式中，ρ为系统模块度，m为网络中所有边权之和，d_ij为节点i与节点j之间的电气距离，k_i、k_j分别为与i节点和j节点相连的所有边边权之和；δ(i,j)为i节点和j节点落入同一区域的概率。

进一步，所述步骤2)的有功功率平衡度具体为：

有功功率平衡度是反应某一周期内区域内部分布式电源自消纳能力指标：

式中，

为所划分集群的有功功率平衡度指标；P_ck为第ck个集群的有功功率平衡度指标，T为场景的时间尺度；P_clu(t)_ck为第ck个集群t时刻净功率值，理解为区域内富余的功率，在T时间尺度下，节点i的净功率为Pi＝[Pi(1),Pi(2),Pi(3)……Pi(T)]，集群ck的净功率则为群内所有节点求和；max为求最大值；c为功率富裕度。

进一步，所述步骤2)的综合性能指标的建立具体为：

在对配电网各节点及区域间影响方式分析的基础上，建立如下考虑综合性能的集群划分指标：

F_c＝λ₁f₁+λ₂f₂ (7)

式中，F_c为衡量电力网络集群划分的综合性能指标，f₁为基于电气距离的模块度指标，f₂为有功功率平衡度指标；λ₁、λ₂为不同指标的权重，其中λ₁+λ₂＝1。

进一步，所述步骤3)的①建立目标函数具体为：

通过综合系统整体模块度及区域有功功率平衡度，以系统的划分方式为变量，建立如下配电网集群划分模型。

maxF_c＝λ₁f₁+λ₂f₂ (8)

式中，f₁为模块度指标，f₂为有功功率平衡度指标，F_c为集群划分综合性能指标。

进一步，所述步骤3)的②求解流程具体为：

首先，自动生成初始种群；

其次，计算初始适应度；

再次，采用精英保留方法，将每代最优个体进行保留，其余个体参与交叉变异过程；

然后，不断进行代数更新；

最后，直至出现适应度满足要求或达到最大迭代次数。

进一步，所述步骤3)的③在对配电网集群划分时，通过适当设置具体为：

a增大每一代种群个数，设置多组初始样本进行试验；

b每一代交叉过程中交叉点随机生成；

c适当提高求解过程中染色体变异几率。

本发明有益效果是：本发明综合分析了配电网中的各种负荷情况，以此对应确定一种分布式储能集群划分方法。本发明对解决常规储能控制方式存在控制效果有限等问题有着显著效果，构建了配电网集群控制架构，在集群划分的逻辑性原则与功能性原则的基础上构建了基于电气距离的模块度指标及有功功率平衡度指标，并在此基础上提出了基于综合性能的集群划分指标。同时通过利用二进制编码的方式来表示配电网集群划分过程中各支路的开断情况，并利用遗传算法的求解方式进行优化求解，相较于传统快速社区算法避免了集群划分过程中因节点合并可能造成的局部解问题；在以模块度为指标进行集群划分时，本方法在划分结果上由于快速社区算法。

附图说明

图1为本发明的包含分布式储能的配电网结构图；

图2为某一染色体基因位的支路5与支路25断开示意图；

图3为本发明的求解过程的流程图；

图4采用基于遗传算法的集群划分求解过程图。

具体实施方式

下面结合附图和实例对本发明进一步说明。

参见图1-4，实施例1，本实施例一种以减小配电网负荷峰谷差为目标的分布式储能控制策略，包括建立变压器运行目标函数，储能系统充放电功率和电量约束条件，以及储能充放电控制策略流程设计和储能运行效果分析。具体步骤如下：

1)构建储能集群控制结构

①考虑分布式电源与电动汽车接入对配电网造成的影响，建立包含分布式储能的配电网结构，见图1；

其包含分布式储能的配电网结构包括：分布式光伏、分散式风电、储能及常规负荷；

定义PS为上级电网向配电网供给功率的大小，PS≥0表示上级电网向配电网供给功率，PS<0表示配电网内保功率向上级电网倒送；

②优化既有储能配置的时序出力

根据配电网内部节点特性等因素，将负荷、分布式电源与储能划归为不同集群。图1中的线框内部为具有不同特性的控制集群，根据不同区域集群净负荷特性及储能配置情况，设计分布式储能集群优化控制策略，有效的处理分布式电源接入的分散性及出力的不确定性，提升配电网对分布式电源接纳能力。在对含分布式电源配电网集群划分的基础上，优化既有储能配置的时序出力，以降低DG接入带来的影响，提高储能系统的运行收益；

优化既有储能配置的时序出力具体为：

首先，在配电网层面对配电网净负荷功率开展分析；

其次，对配电网进行集群划分形成各储能集群；

然后，根据各集群内部源-荷匹配关系确定集群储能功率；

最后，在分析储能节点特性的基础上对各节点储能功率进行分配；

2)确定集群划分原则及指标

集群划分原则及指标包括基于电气距离的模块度、有功功率平衡度和综合性能指标的建立；

所述基于电气距离的模块度具体为：

模块度，指的是衡量网络社区结构强度的指标，通过量化集群的结构强度，来衡量划分的优劣程度并确定最优的划分方式。网络模块度通常由网络连接情况及节点间边权决定。在电力网络中，基于电气距离的模块度其节点间的边权由电抗权、空间距离权及电气距离权表示，其中电气距离权较前者能够更加有效的反应电力网络中节点间的电气联系，

式中：d_ij为节点i与节点j之间的电气距离；S_ij为灵敏度矩阵中第i行j列的元素，由潮流计算中雅克比矩阵求逆可求得各节点电压灵敏度；maxS_ij表示有功电压灵敏度矩阵中第j列元素中的最大值；N为网络节点数；X_ij为i节点到j节点的空间距离；X_ik为i节点到k节点的空间距离；X_jk为j节点到k节点的空间距离；

为描述两节点间的电气耦合程度，采用基于电气距离权重的模块度定义方式，通过衡量系统整体模块度确定系统的最优划分；

式中，ρ为系统模块度，m为网络中所有边权之和，d_ij为节点i与节点j之间的电气距离，k_i、k_j分别为与i节点和j节点相连的所有边边权之和；δ(i,j)为i节点和j节点落入同一区域的概率。

所述有功功率平衡度具体为：

有功功率平衡度是反应某一周期内区域内部分布式电源自消纳能力指标：

式中，

为所划分集群的有功功率平衡度指标；P_ck为第ck个集群的有功功率平衡度指标，T为场景的时间尺度；P_clu(t)_ck为第ck个集群t时刻净功率值，理解为区域内富余的功率，在T时间尺度下，节点i的净功率为Pi＝[Pi(1),Pi(2),Pi(3)……Pi(T)]，集群ck的净功率则为群内所有节点求和；max为求最大值；c为功率富裕度；

所述综合性能指标的建立具体为：

在对配电网各节点及区域间影响方式分析的基础上，建立如下考虑综合性能的集群划分指标：

F_c＝λ₁f₁+λ₂f₂ (7)

式中，F_c为衡量电力网络集群划分的综合性能指标，f₁为基于电气距离的模块度指标，f₂为有功功率平衡度指标；λ₁、λ₂为不同指标的权重，其中λ₁+λ₂＝1；

3)基于遗传算法的配电网储能集群划分

①建立目标函数；

所述建立目标函数具体为：

通过综合系统整体模块度及区域有功功率平衡度，以系统的划分方式为变量，建立如下配电网集群划分模型。

maxF_c＝λ₁f₁+λ₂f₂ (8)

式中，f₁为模块度指标，f₂为有功功率平衡度指标，F_c为集群划分综合性能指标；

②求解流程；

为方便表示配电网集群划分情况，对配电网各节点间连接支路进行编号，并采用二进制编码形式来表示各支路的连接情况，其中0表示该支路连接，1表示划分支路。以IEEE33配电系统为例，定义某一染色体各基因位为00001000000000000000000010000000，表示支路5与支路25断开，如图2所示；

在对染色体进行编码的基础上，基于遗传算法求解流程进行求解；

所述求解流程具体为：

首先，输入电网基本参数，自动生成初始种群；

其次，计算种群个体初始适应度；

再次，采用精英保留方法，将每代最优个体进行保留，其余个体参与交叉变异过程；

然后，不断进行代数更新；

最后，直至出现适应度满足要求或达到最大迭代次数，输出最优个体；

③在对配电网集群划分时，通过适当设置，来排除利用遗传算法求解过程中求解过程随机性的影响。

所述在对配电网集群划分时，通过适当设置具体为：

a增大每一代种群个数，设置多组初始样本进行试验；

b每一代交叉过程中交叉点随机生成；

c适当提高求解过程中染色体变异几率。

集群划分对比分析：

为验证本发明所提遗传算法对配电网集群划分的有效性，对比分析本发明所提方法与快速社区发现Fast-unfolding算法在网络划分过程中效果。首先分析不同集群划分方法流程的不同，以IEEE-33节点算例系统，根据基于电气距离的模块度指标对集群划分做出评价与对比分析。

Fast-unfolding是一种通过将网络社区不断划分合并的迭代算法，其主要分为两个阶段：第一为节点划分阶段，第二为节点合并阶段。具体流程如下：

(1)系统初始化，将每个节点视为一个集群，逐点尝试将其放入不同集群中，计算每个节点归入相邻节点所在集群中后系统模块度的变化量；

(2)判断每次合并模块度变化量是否为正，若为正数则保留本次划分，保留划分结果及模块度，否则放弃；

(3)重复上述过程，直至模块度达到最大值为止。

分别采用不同的集群划分方式对IEEE33节点算例系统进行集群划分，选取模块度函数为划分指标，即λ₁＝1，λ₂＝1。

采用基于遗传算法的集群划分求解过程如图4所示，在种群代数繁衍至约10代时系统适应度趋于稳定，且直至最大设定代数均为发生改变。

两方案在求解流程上不同，随着迭代次数的增加，遗传算法对应的模块度适应度逐渐趋于最大值，此时染色体解码对应的解即为最优集群划分方式。而快速社区算法在其模块度函数值与集群划分数量相关，其最优划分数目与遗传算法相同，但遗传算法解对应的适应度函数要高于快速社区算法。但在运行时间上，快速社区算法的运行时间要明显小于遗传算法，这是由于快速社区算法是通过判断模块度变化量，逐步合并节点进而实现模块度最大化的集群划分方法，其求解过程式中朝向有利于模块度变化的趋势进行，虽然其运行速度较快，但由于其在合并过程中极易造成优先合并权重大的解而掉入局部最优解中；

本发明所提方法通过对支路开断进行二进制编码的方式来模拟集群划分方式，其在迭代过程中不存在节点合并原则及合并顺序等额外干扰因素，通过生物学中遗传的概率性来模拟网络中支路的开断情况，其寻优过程属于全部优化。

由此可以证明本发明中的划分方法真实有效，确实的能够通过分布式储能集群划分方法解决常规储能控制方式存在控制效果有限等问题

本发明实施例中的计算条件、图例、表等仅用于对本发明作进一步的说明，并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替代，均在本发明保护范围内。

Claims (7)

1.一种分布式储能集群划分方法，其特征是：包括以下步骤：

1)构建储能集群控制结构

①建立包含分布式储能的配电网结构；

定义PS为上级电网向配电网供给功率的大小，PS≥0表示上级电网向配电网供给功率，PS<0表示配电网内保功率向上级电网倒送；

②优化既有储能配置的时序出力；具体为：

首先，在配电网层面对配电网净负荷功率开展分析；

其次，对配电网进行集群划分形成各储能集群；

然后，根据各集群内部源-荷匹配关系确定集群储能功率；

最后，在分析储能节点特性的基础上对各节点储能功率进行分配；

2)确定集群划分原则及指标

集群划分原则及指标包括基于电气距离的模块度、有功功率平衡度和综合性能指标的建立；

3)基于遗传算法的配电网储能集群划分

①建立目标函数；

②求解流程

对配电网各节点间连接支路进行编号，并采用二进制编码形式来表示各支路的连接情况，在对染色体进行编码的基础上，基于遗传算法求解流程进行求解；

③在对配电网集群划分时，通过适当设置，来排除利用遗传算法求解过程中求解过程随机性的影响，具体为：

a增大每一代种群个数，设置多组初始样本进行试验；

b每一代交叉过程中交叉点随机生成；

c适当提高求解过程中染色体变异几率。

2.如权利要求1所述的分布式储能集群划分方法，其特征是：所述步骤1)的①包含分布式储能的配电网结构包括：分布式光伏、分散式风电、储能及常规负荷。

3.如权利要求1所述的分布式储能集群划分方法，其特征是：所述步骤2)的基于电气距离的模块度具体为：

在电力网络中，基于电气距离的模块度其节点间的边权由电抗权、空间距离权及电气距离权表示，其中电气距离权较前者能够更加有效的反应电力网络中节点间的电气联系，

式中：d_ij为节点i与节点j之间的电气距离；S_ij为灵敏度矩阵中第i行j列的元素，由潮流计算中雅克比矩阵求逆可求得各节点电压灵敏度；

表示有功电压灵敏度矩阵中第j列元素中的最大值；N为网络节点数；X_ij为i节点到j节点的空间距离；X_ik为i节点到k节点的空间距离；X_jk为j节点到k节点的空间距离；

为描述两节点间的电气耦合程度，采用基于电气距离权重的模块度定义方式，通过衡量系统整体模块度确定系统的最优划分；

式中，ρ为系统模块度，m为网络中所有边权之和，d_ij为节点i与节点j之间的电气距离，k_i、k_j分别为与i节点和j节点相连的所有边边权之和；δ(i,j)为i节点和j节点落入同一区域的概率。

4.如权利要求1所述的分布式储能集群划分方法，其特征是：所述步骤2)的有功功率平衡度具体为：

有功功率平衡度是反应某一周期内区域内部分布式电源自消纳能力指标：

式中，

为所划分集群的有功功率平衡度指标；P_ck为第ck个集群的有功功率平衡度指标，T为场景的时间尺度；P_clu(t)_ck为第ck个集群t时刻净功率值，理解为区域内富余的功率，在T时间尺度下，节点i的净功率为Pi＝[Pi(1),Pi(2),Pi(3)……Pi(T)]，集群ck的净功率则为群内所有节点求和；max为求最大值；c为功率富裕度。

5.如权利要求1所述的分布式储能集群划分方法，其特征是：所述步骤2)的综合性能指标的建立具体为：

建立如下考虑综合性能的集群划分指标：

F_c＝λ₁f₁+λ₂f₂ (7)

式中，F_c为衡量电力网络集群划分的综合性能指标，f₁为基于电气距离的模块度指标，f₂为有功功率平衡度指标；λ₁、λ₂为不同指标的权重，其中λ₁+λ₂＝1。

6.如权利要求1所述的分布式储能集群划分方法，其特征是：所述步骤3)的①建立目标函数具体为：

通过综合系统整体模块度及区域有功功率平衡度，以系统的划分方式为变量，建立如下配电网集群划分模型；

max(F_c＝λ₁f₁+λ₂f₂) (8)

式中，f₁为模块度指标，f₂为有功功率平衡度指标，F_c为集群划分综合性能指标。

7.如权利要求1所述的分布式储能集群划分方法，其特征是：所述步骤3)的②求解流程具体为：

首先，自动生成初始种群；

其次，计算初始适应度；

再次，采用精英保留方法，将每代最优个体进行保留，其余个体参与交叉变异过程；

然后，不断进行代数更新；

最后，直至出现适应度满足要求或达到最大迭代次数。

Images