CN113629778A - 一种分布式光伏配电网光储系统设计方法 - Google Patents

Abstract

本发明涉及一种分布式光伏配电网光储系统设计方法，与现有技术相比解决了未充分考虑风险评估对光储系统设计影响而导致存在较大风险隐患的缺陷。本发明包括以下步骤：建立光伏发电随机出力概率模型、电负荷的概率模型；构建分布式光伏配电网光储系统的典型应用场景；进行典型应用场景下的运行风险评估；光储系统规划模型的建立；分布式光伏配电网光储系统的设计。本发明能够对园区失负荷进行合理有效的评估，提高设计的准确性，实现分布式光伏配电网光储系统的自动设计。

Description

一种分布式光伏配电网光储系统设计方法

技术领域

本发明涉及光储系统技术领域，具体来说是一种分布式光伏配电网光储系统设计方法。

背景技术

风险价值理论的发展为光伏发电的并网提供了良好的基础。由于分布式光伏发电的大力发展，其大规模地分散接入会对园区供电系统产生较大影响，其固有的出力随机波动可能会对电网的能量平衡特性造成一定的影响，进而导致用户短时失负荷，增加园区供电系统的运行风险，因此基于风险评估对大规模分散光伏的接入进行规划具有重要意义。

目前现有的分布式光伏配电网光储系统规划设计方法大多仅针对含少量分布式光伏的配电网，且未考虑风险评估问题对规划的影响。但若大量光伏分散地接入配电网，为抑制光伏出力的波动性，降低光伏出力可能对负荷造成的影响，如何配置光伏及储能的容量？现有的规划方法均未能充分考虑光储系统对园区负荷供电风险产生影响因素，存在很大的风险隐患。

发明内容

本发明的目的是为了解决现有技术中未充分考虑风险评估对光储系统设计影响而导致存在较大风险隐患的缺陷，提供一种分布式光伏配电网光储系统设计方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种分布式光伏配电网光储系统设计方法，包括以下步骤：

11)建立光伏发电随机出力概率模型、电负荷的概率模型；

12)构建分布式光伏配电网光储系统的典型应用场景：基于光伏发电随机出力概率模型和电负荷的概率模型，利用场景分析法建立光储系统的典型应用场景；

13)进行典型应用场景下的运行风险评估：根据建立的园区光储系统的典型应用场景，基于CvaR技术，对园区光储系统在典型应用场景下的运行风险评估；

14)光储系统规划模型的建立：建立计及投资费用、运行费用及运行风险损失最小的园区光储系统规划模型；

15)分布式光伏配电网光储系统的设计：将待设计的园区光储系统的运行费用、失负荷风险费用和投资费用输入光储系统规划模型，自动得到分布式光伏配电网光储系统的设计结果。

所述建立光伏发电随机出力概率模型、电负荷的概率模型包括以下步骤：

21)基于贝塔分布，设定光伏发电随机出力概率模型的概率密度函数f(γ)，其表达式如下：

式中：α、β为Beta分布的两个形状参数；γ、γ_max分别为光照强度及其最大值，Γ()为伽玛函数；

22)利用实际可用光照强度γ近似表示光伏发电的出力P_PV，具体表达式如下所示：

式中：γ_c为设定的某个辐射点下的光照强度，γ_s为光照强度的标准值；P_N为光伏发电在标准条件下的额定功率；

23)设定电负荷的概率模型的概率密度函数f(P_e)，如下所示：

式中：μ_e和σ_e分别为电负荷的期望值和方差，P_e为电负荷实际值。

所述构建分布式光伏配电网光储系统的典型应用场景包括以下步骤：

31)根据光照强度将光伏发电出力划分成n种出力状态，每种状态下光伏发电出力取各自光照强度中间值对应的出力，相应的光照强度连续概率密度函数被划分成n个确定性状态，每个确定性状态发生的概率由概率密度函数 p_PV(状态n)求得，具体表达式如下所示：

式中：γi-1和γ_i分别为状态n对应的光照强度的上下限值，f(γ)为受光照强度影响的光伏发电出力分布特性曲线；

根据大小将电负荷划分成m种状态，每种状态下电负荷取各中间值，相应的电负荷概率密度函数被划分成m个确定性状态，每个确定性状态发生的概率由概率密度函数p_e(状态m)求得，具体表达式如下所示：

式中：κ_i-1和κ_i分别为状态m对应的负荷上下限值，f(κ)为电负荷概率密度函数；

32)设光伏发电出力及电负荷的场景数分别为n和m，则总场景数为 N＝n·m，假设光照强度落在场景n_i，电负荷落在场景m_j，则该场景发生的概率为p＝p(n_i)p(m_j)；

第i个场景ω_i表示为

其中：

表示场景i下第s个随机变量对应的值，k为随机变量个数，p(ω_i)表示场景i发生的概率，N为场景总数，所有的场景满足

33)利用Canopy+K-means聚类算法对场景进行消减：

331)选取场景集中任一场景ω_m为初始聚类中心，设定距离阈值定值d1＞ d2；

332)遍历计算场景集中每一个场景ω_i与始聚类中心场景ω_m的欧几里得距离，

若dist(ω_i,ω_m)＜d1则将场景ω_i纳入场景ω_m所在的簇中，若dist(ω_i,ω_m)＜d2则将该场景ω_i从整个场景集中删去，不再参与下一次聚类；

333)遍历场景集后，选取距离最大值maxdist(ω_i,ω_m)对应的场景ω_i作为新的聚类簇的聚类中心，重复步骤331)、步骤332)，循环至场景集中所有场景点都被删除；

334)根据Canopy聚类算法，得到初始聚类结果簇的粗糙聚类中心和初始选取簇的个数h值；

作为K均值聚类算法的初始聚类中心对所述样本场景集进行K均值聚类算法，得到h个聚类结果；

聚类结果场景发生概率为簇中场景概率之和，所有的聚类结果场景满足

ω_jq表示为第q个聚类结果场景。

所述进行典型应用场景下的运行风险评估包括以下步骤：

41)设

分别为光伏和储能的规划设计最大容量，则决策变量向量

设

和

分别为典型场景ω_i下光伏发电出力、储能出力和负荷需求，其中正值为释放能量、负值为吸收能量，则随机变量

概率密度函数为ρ(x)，置信水平为β，损失函数为f(x,y)，则风险理论值 VaR_β的数学表达式如下：

VaR_β＝min{α∈R,∫_f(x,y)≤αρ(y)dy≥β}，

式中：积分∫_f(x,y)≤αρ(y)dy≥β的含义为函数f(x,y)不大于α的概率，VaR_β越小，意味着在β置信度下的风险损失越小，反之也然，R为实数集合，α为风险边界值；

42)引用条件风险价值理论来修正风险损失，其表达式如下：

式中：[h(x,ω_i)-VaR_β]⁺表示max{h(x,ω_i)-VaR_β,0}，π(ω_i)为场景i出现的概率，h(x,ω_i)为ω_i场景下的风险损失，Ω为场景集合，CVaR为失负荷风险费用。

所述光储系统规划模型的建立包括以下步骤：

51)设定规划模型的目标函数：

设C_op、C_CVaR和C_invest分别为典型场景下园区光储系统的运行费用、失负荷风险费用和投资费用，λ为风险偏好相关系数，则园区光储系统规划模型的目标函数为：

minC＝C_op+λC_CVaR-C_invest，

其中，运行费用C_op由从上级电网购电费用

和园区弃光惩罚费用

组成，具体如下：

失负荷风险费用C_CVaR的计算如进行典型应用场景下的运行风险评估步骤所述；

投资费用C_invest如下式所示：

其中：

分别为单位容量的光伏和储能的投资成本，

分别为光伏和储能的规划设计最大容量；

52)设定规划模型的约束函数，其中储能约束表达式如下：

π(ω_i)为场景ω_i出现的概率，

为场景ω_i下储能充放电功率；

能量平衡约束表达式如下：

式中，

和

分别为典型场景ω_i下光伏发电出力、储能出力、上级电网输入功率和负荷需求，其中正值为释放能量，负值为吸收能量。

有益效果

本发明的一种分布式光伏配电网光储系统设计方法，与现有技术相比能够对园区失负荷进行合理有效的评估，提高设计的准确性，实现分布式光伏配电网光储系统的自动设计。

本发明开展了基于Canopy+K-means聚类算法对园区光储系统的场景进行了大幅消减，确保典型场景精度的同时，降低了规划的复杂性；同时，本发明将风险价值理论应用于园区光储系统的风险评估，克服了传统风险评估不能够对超过置信度的风险损失进行刻画的缺点，能够对尾部风险进行度量，提高了风险损失评估的精度，从而提高了园区光储系统规划的精度，对园区分布式配电网光储系统的规划具有一定的技术意义。

附图说明

图1为本发明的方法顺序图；

图2为本发明中Canopy+K-means聚类算法对场景进行消减流程图。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

如图1所示，本发明所述的一种分布式光伏配电网光储系统设计方法，可通过计算机设备执行以下步骤，其包括以下步骤：

第一步，建立光伏发电随机出力概率模型、电负荷的概率模型。随着大规模分布式光伏电源接入电力系统，人们越来越关注其输出功率的波动性对电网规划的影响。建立光伏电源随机出力概率模型及电负荷的概率模型将有助于运行人员更好地实现对含光伏电源的电力系统的规划设计。

其具体步骤如下：

(1)大量研究分析表明贝塔(Beta)分布在表征光照概率分布特性方面准确性较好，在此基于贝塔分布，设定光伏发电随机出力概率模型的概率密度函数f(γ)，其表达式如下：

式中：α、β为Beta分布的两个形状参数；γ、γ_max分别为光照强度及其最大值，Γ()为伽玛函数；

(2)利用实际可用光照强度γ近似表示光伏发电的出力P_PV，具体表达式如下所示：

式中：γ_c为设定的某个辐射点下的光照强度，γ_s为光照强度的标准值；P_N为光伏发电在标准条件下的额定功率；

(3)设定电负荷的概率模型的概率密度函数f(P_e)，如下所示：

式中：μ_e和σ_e分别为电负荷的期望值和方差，P_e为电负荷实际值。

第二步，构建分布式光伏配电网光储系统的典型应用场景。基于光伏发电随机出力概率模型和电负荷的概率模型，利用场景分析法建立光储系统的典型应用场景。其具体步骤如下：

(1)根据光照强度将光伏发电出力划分成n种出力状态，每种状态下光伏发电出力取各自光照强度中间值对应的出力，相应的光照强度连续概率密度函数被划分成n个确定性状态，每个确定性状态发生的概率由概率密度函数 p_PV(状态n)求得，具体表达式如下所示：

式中：γ_i-1和γ_i分别为状态n对应的光照强度的上下限值，f(γ)为受光照强度影响的光伏发电出力分布特性曲线。

同理，电负荷的不确定性处理方法与光伏发电出力不确定性处理方法类似，通过对负荷概率密度函数进行多个区间划分，以多个确定性场景表征负荷的不确定性。

根据大小将电负荷划分成m种状态，每种状态下电负荷取各中间值，相应的电负荷概率密度函数被划分成m个确定性状态，每个确定性状态发生的概率由概率密度函数p_e(状态m)求得，具体表达式如下所示：

式中：κ_i-1和κ_i分别为状态m对应的负荷上下限值，f(κ)为电负荷概率密度函数。

(2)设光伏发电出力及电负荷的场景数分别为n和m，则总场景数为 N＝n·m，假设光照强度落在场景n_i，电负荷落在场景m_j，则该场景发生的概率为p＝p(n_i)p(m_j)；

第i个场景ω_i表示为

其中：

表示场景i下第s个随机变量对应的值，k为随机变量个数，p(ω_i)表示场景i发生的概率，N为场景总数，所有的场景满足

(3)多场景分析是处理难以用数学模型描述的不确定性问题的实用方法之一，其核心为将具有不确定性的随机变量的可能取值通过某一规则列举出来，从而形成一系列“规划场景”，其中的每一“规划场景”对应一组确定的规划参数，再通过某种规则对每个“规划场景”进行评估，选出最典型的“规划场景”，近而将不确定性问题转换成一系列确定性问题，避免复杂模型的建立，降低计算难度以方便求解。如图2所示，利用Canopy+K-means聚类算法对场景进行消减：

A1)选取场景集中任一场景ω_m为初始聚类中心，设定距离阈值定值d1＞d2；

A2)遍历计算场景集中每一个场景ω_i与始聚类中心场景ω_m的欧几里得距离，

若dist(ω_i,ω_m)＜d1则将场景ω_i纳入场景ω_m所在的簇中，若dist(ω_i,ω_m)＜d2则将该场景ω_i从整个场景集中删去，不再参与下一次聚类；

A3)遍历场景集后，选取距离最大值maxdist(ω_i,ω_m)对应的场景ω_i作为新的聚类簇的聚类中心，重复步骤331)、步骤332)，循环至场景集中所有场景点都被删除；

A4)根据Canopy聚类算法，得到初始聚类结果簇的粗糙聚类中心和初始选取簇的个数h值；

作为K均值聚类算法的初始聚类中心对所述样本场景集进行K均值聚类算法，得到h个聚类结果；

聚类结果场景发生概率为簇中场景概率之和，所有的聚类结果场景满足

ω_jq表示为第q个聚类结果场景。

第三步，进行典型应用场景下的运行风险评估：考虑到光伏发电出力和负荷需求的不确定性，根据建立的园区光储系统的典型应用场景，基于CvaR技术，对园区光储系统在典型应用场景下的运行风险评估。风险评估的意义在于将以往只能定性分析或根据运行经验判断的电网场景和事件予以量化，从而更加明了地评估风险大小。

其具体步骤如下：

(1)设

分别为光伏和储能的规划设计最大容量，则决策变量向量

设

和

分别为典型场景ω_i下光伏发电出力、储能出力和负荷需求，其中正值为释放能量、负值为吸收能量，则随机变量

概率密度函数为ρ(x)，置信水平为β，损失函数为f(x,y)，则风险理论值VaR_β的数学表达式如下：

VaR_β＝min{α∈R,∫_f(x,y)≤αρ(y)dy≥β}，

式中：积分∫_f(x,y)≤αρ(y)dy≥β的含义为函数f(x,y)不大于α的概率，VaR_β越小，意味着在β置信度下的风险损失越小，反之也然，R为实数集合，α为风险边界值。

风险价值理论VaR刻画了投资商在风险置信度下的最大可能损失值，但并未对超过置信度的风险损失进行刻画，缺少对尾部风险的度量，从而影响到风险损失决策。为克服上述缺陷，引用条件风险价值CVaR理论来修正风险损失。

(2)引用条件风险价值理论来修正风险损失，其表达式如下：

式中：[h(x,ω_i)-VaR_β]⁺表示max{h(x,ω_i)-VaR_β,0}，π(ω_i)为场景i出现的概率，h(x,ω_i)为ω_i场景下的风险损失，Ω为场景集合，CVaR为失负荷风险费用。

第四步，光储系统规划模型的建立：建立计及投资费用、运行费用及运行风险损失最小的园区光储系统规划模型。采用CVaR风险度量指标可以评估不确定性带来的投资、运行风险，定性定量分析各种不确定性的影响因素与风险值之间的关系，实现光储系统的最优规划。

其具体步骤如下：

(1)设定规划模型的目标函数：

设C_op、C_CVaR和C_invest分别为典型场景下园区光储系统的运行费用、失负荷风险费用和投资费用，λ为风险偏好相关系数，则园区光储系统规划模型的目标函数为：

minC＝C_op+λC_CVaR-C_invest，

其中，运行费用C_op由从上级电网购电费用

和园区弃光惩罚费用

组成，具体如下：

失负荷风险费用C_CVaR的计算如进行典型应用场景下的运行风险评估步骤所述；

投资费用C_invest如下式所示：

其中：

分别为单位容量的光伏和储能的投资成本，

分别为光伏和储能的规划设计最大容量；

(2)设定规划模型的约束函数，其中储能约束表达式如下：

π(ω_i)为场景ω_i出现的概率，

为场景ω_i下储能充放电功率；

能量平衡约束表达式如下：

式中，

和

分别为典型场景ω_i下光伏发电出力、储能出力、上级电网输入功率和负荷需求，其中正值为释放能量，负值为吸收能量。

第五步，分布式光伏配电网光储系统的设计：获取待设计的园区光储系统的运行费用、失负荷风险费用和投资费用，将其输入光储系统规划模型，自动得到分布式光伏配电网光储系统的设计结果。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (5)

1.一种分布式光伏配电网光储系统设计方法，其特征在于，包括以下步骤：

11)建立光伏发电随机出力概率模型、电负荷的概率模型；

12)构建分布式光伏配电网光储系统的典型应用场景：基于光伏发电随机出力概率模型和电负荷的概率模型，利用场景分析法建立光储系统的典型应用场景；

13)进行典型应用场景下的运行风险评估：根据建立的园区光储系统的典型应用场景，基于CvaR技术，对园区光储系统在典型应用场景下的运行风险评估；

14)光储系统规划模型的建立：建立计及投资费用、运行费用及运行风险损失最小的园区光储系统规划模型；

15)分布式光伏配电网光储系统的设计：将待设计的园区光储系统的运行费用、失负荷风险费用和投资费用输入光储系统规划模型，自动得到分布式光伏配电网光储系统的设计结果。

2.根据权利要求1所述的一种分布式光伏配电网光储系统设计方法，其特征在于，所述建立光伏发电随机出力概率模型、电负荷的概率模型包括以下步骤：

21)基于贝塔分布，设定光伏发电随机出力概率模型的概率密度函数f(γ)，其表达式如下：

式中：α、β为Beta分布的两个形状参数；γ、γ_max分别为光照强度及其最大值，Γ()为伽玛函数；

22)利用实际可用光照强度γ近似表示光伏发电的出力P_PV，具体表达式如下所示：

式中：γ_c为设定的某个辐射点下的光照强度，γ_s为光照强度的标准值；P_N为光伏发电在标准条件下的额定功率；

23)设定电负荷的概率模型的概率密度函数f(P_e)，如下所示：

式中：μ_e和σ_e分别为电负荷的期望值和方差，P_e为电负荷实际值。

3.根据权利要求1所述的一种分布式光伏配电网光储系统设计方法，其特征在于，所述构建分布式光伏配电网光储系统的典型应用场景包括以下步骤：

31)根据光照强度将光伏发电出力划分成n种出力状态，每种状态下光伏发电出力取各自光照强度中间值对应的出力，相应的光照强度连续概率密度函数被划分成n个确定性状态，每个确定性状态发生的概率由概率密度函数p_PV(状态n)求得，具体表达式如下所示：

式中：γ_i-1和γ_i分别为状态n对应的光照强度的上下限值，f(γ)为受光照强度影响的光伏发电出力分布特性曲线；

根据大小将电负荷划分成m种状态，每种状态下电负荷取各中间值，相应的电负荷概率密度函数被划分成m个确定性状态，每个确定性状态发生的概率由概率密度函数p_e(状态m)求得，具体表达式如下所示：

式中：κ_i-1和κ_i分别为状态m对应的负荷上下限值，f(κ)为电负荷概率密度函数；

32)设光伏发电出力及电负荷的场景数分别为n和m，则总场景数为N＝n·m，假设光照强度落在场景n_i，电负荷落在场景m_j，则该场景发生的概率为p＝p(n_i)p(m_j)；

第i个场景ω_i表示为

其中：

表示场景i下第s个随机变量对应的值，k为随机变量个数，p(ω_i)表示场景i发生的概率，N为场景总数，所有的场景满足

33)利用Canopy+K-means聚类算法对场景进行消减：

331)选取场景集中任一场景ω_m为初始聚类中心，设定距离阈值定值d1＞d2；

332)遍历计算场景集中每一个场景ω_i与始聚类中心场景ω_m的欧几里得距离，

若dist(ω_i,ω_m)＜d1则将场景ω_i纳入场景ω_m所在的簇中，若dist(ω_i,ω_m)＜d2则将该场景ω_i从整个场景集中删去，不再参与下一次聚类；

333)遍历场景集后，选取距离最大值maxdist(ω_i,ω_m)对应的场景ω_i作为新的聚类簇的聚类中心，重复步骤331)、步骤332)，循环至场景集中所有场景点都被删除；

334)根据Canopy聚类算法，得到初始聚类结果簇的粗糙聚类中心和初始选取簇的个数h值；

作为K均值聚类算法的初始聚类中心对所述样本场景集进行K均值聚类算法，得到h个聚类结果；

聚类结果场景发生概率为簇中场景概率之和，所有的聚类结果场景满足

ω_jq表示为第q个聚类结果场景。

4.根据权利要求1所述的一种分布式光伏配电网光储系统设计方法，其特征在于，所述进行典型应用场景下的运行风险评估包括以下步骤：

41)设

分别为光伏和储能的规划设计最大容量，则决策变量向量

设

和

分别为典型场景ω_i下光伏发电出力、储能出力和负荷需求，其中正值为释放能量、负值为吸收能量，则随机变量

概率密度函数为ρ(x)，置信水平为β，损失函数为f(x,y)，则风险理论值VaR_β的数学表达式如下：

VaR_β＝min{α∈R,∫_f(x,y)≤αρ(y)dy≥β}，

式中：积分∫_f(x,y)≤αρ(y)dy≥β的含义为函数f(x,y)不大于α的概率，VaR_β越小，意味着在β置信度下的风险损失越小，反之也然，R为实数集合，α为风险边界值；

42)引用条件风险价值理论来修正风险损失，其表达式如下：

式中：[h(x,ω_i)-VaR_β]⁺表示max{h(x,ω_i)-VaR_β,0}，π(ω_i)为场景i出现的概率，h(x,ω_i)为ω_i场景下的风险损失，Ω为场景集合，CVaR为失负荷风险费用。

5.根据权利要求1所述的一种分布式光伏配电网光储系统设计方法，其特征在于，所述光储系统规划模型的建立包括以下步骤：

51)设定规划模型的目标函数：

设C_op、C_CVaR和C_invest分别为典型场景下园区光储系统的运行费用、失负荷风险费用和投资费用，λ为风险偏好相关系数，则园区光储系统规划模型的目标函数为：

min C＝C_op+λC_CVaR-C_invest，

其中，运行费用C_op由从上级电网购电费用

和园区弃光惩罚费用

组成，具体如下：

失负荷风险费用C_CVaR的计算如进行典型应用场景下的运行风险评估步骤所述；

投资费用C_invest如下式所示：

其中：

分别为单位容量的光伏和储能的投资成本，

分别为光伏和储能的规划设计最大容量；

52)设定规划模型的约束函数，其中储能约束表达式如下：

π(ω_i)为场景ω_i出现的概率，

为场景ω_i下储能充放电功率；

能量平衡约束表达式如下：

式中，

和

分别为典型场景ω_i下光伏发电出力、储能出力、上级电网输入功率和负荷需求，其中正值为释放能量，负值为吸收能量。

Images