CN113725858B - 一种计及广义负荷随机特性的输配电协调规划方法 - Google Patents
一种计及广义负荷随机特性的输配电协调规划方法 Download PDFInfo
- Publication number
- CN113725858B CN113725858B CN202111039280.3A CN202111039280A CN113725858B CN 113725858 B CN113725858 B CN 113725858B CN 202111039280 A CN202111039280 A CN 202111039280A CN 113725858 B CN113725858 B CN 113725858B
- Authority
- CN
- China
- Prior art keywords
- power
- distribution
- scene
- load
- power transmission
- 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.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010248 power generation Methods 0.000 claims abstract description 46
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 238000012614 Monte-Carlo sampling Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 12
- 230000009194 climbing Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 108010074506 Transfer Factor Proteins 0.000 claims description 2
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010168 coupling process Methods 0.000 abstract description 5
- 238000005859 coupling reaction Methods 0.000 abstract description 5
- 230000003993 interaction Effects 0.000 abstract 1
- 101100444027 Drosophila melanogaster Dso1 gene Proteins 0.000 description 9
- 101100444028 Drosophila melanogaster Dso2 gene Proteins 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 101100315397 Arabidopsis thaliana TSO1 gene Proteins 0.000 description 1
- 101100302220 Arabidopsis thaliana TSO2 gene Proteins 0.000 description 1
- 101100378514 Schizosaccharomyces pombe (strain 972 / ATCC 24843) adg1 gene Proteins 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 101150058833 adg2 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
-
- 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
-
- 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
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种计及广义负荷随机特性的输配电协调规划方法,将输配耦合系统根据物理结构分解为多个小系统,然后构建了输配迭代交互的分布式决策框架。首先,根据实测数据拟合出含有分布式新能源的广义负荷的概率密度函数,运用蒙特卡洛采样法对广义负荷值进行随机采样,并将广义负荷值依次接入有新能源发电的配电网中。将每一个输电系统和配电系统独立运行,求解出输电和配电之间的边界功率。本发明提出以边界功率的均值和标准差为共享变量,运用概率性目标级联算法,实现输电系统和配电系统之间的信息传递,以系统总运行成本最低为目标列写带拉格朗日惩罚函数的目标函数,从而既不降低计算精度,也能大幅度提高运算速度。
Description
技术领域
本发明属于配电网规划领域,涉及一种输配电协调的考虑广义负荷特性的分布式输配电协同优化方法。
背景技术
电网的输配电系统是一个具有时空耦合特性的复杂物理系统,其结构可分为“源-网-荷”三层。但是,与传统的输配电系统不同的是:现代电网的规模和复杂程度越来越大,所包含的元素种类也越来越多,其中,尤其是可再生能源在电网中的渗透率不断增加,导致其不确定性问题亟待解决。近年来,配电网层面大规模添加分布式电源(DistributedGeneration,DG),使配电侧从传统的无源负荷转变为有源配电网,同样,传统的用电负荷也由于分布式新能源的加入而转变为广义负荷。
本文定义广义负荷为:在高比例可再生能源并网和智能电网不断发展的背景下,负荷侧的可再生能源出力、灵活性资源和实际用电需求的总和,定义为广义负荷。实际中,可根据广义负荷所包含成分的不同对其进行分类,如分为考虑风、光等新能源接入的广义负荷、考虑储能电站充放电的广义负荷等。本文重点研究了一种广义负荷,分别是:即传统用电负荷、风力发电与光伏发电
分布式性电源主要为风力发电和光伏发电,而这种新能源具有很强的间歇性、波动性和时变性,增加了可再生能源并网导致电力系统大停电风险和恢复难度,为保证系统安全可靠运行,输配电协调规划需充分考虑以上不确定因素给系统运行带来的影响。
国内外学者就分布式新能源并网的协调规划进行的一定的研究:文献[1]提出一种以短路电流为约束的双层优化规划方法;文献[2] 对输电系统采用混沌搜索策略蝙蝠算法求解;文献[3]建立了一种主动配电系统双层随机规划模型,该模型可促进间歇性DG消纳;文献 [4]构造了不确定因素耦合下配电系统网架规划方法;文献[5]提出一种混合输配电分层的风险评估方法;文献[6]则利用分布式优化算法对输配电系统优化运行问题加以求解。
为充分发挥协调规划的优势,解决广义负荷不确定性因素,需采用分布式优化方法,既能提高运算速度,又能确保系统内部数据的安全性和私密性。目标级联算法作为分布式算法的一种,可用于多区域的电力系统优化运行、大规模优化控制以及混合输配电系统最优潮流问题。
参考文献如下:
[1]宋柄兵,顾洁.计及短路电流限制的输电网双层扩展规划模型[J].电工技术学报,2016,31(7):92-101.Song Bingbing,Gu Jie.A bi-level expansion planning modelof transmission systems considering short-circuit current constraints[J].Transactions of China Electrotechnical Society,2016,31(7): 92-101。
[2]马迎东,王文栋,温强.基于混沌搜索策略蝙蝠算法的输电网规划[J].电力系统保护与控制,2015,43(15):17-21.Ma Yingdong,Wang Wendong,Wen Qiang.Trans-mission network planning based on bat algorithm with chaotic search strategy[J]. Power System Protection and Control,2015,43(15):17-21。
[3]曾博,刘念,张玉莹,等.促进间歇性分布式电源高效利用的主动配电网双层场景规划方法[J].电工技术学报,2013, 28(9):155-163.Zeng Bo,Liu Nian,Zhang Yuying,et al.Bi-level scenario programming of active distribution network forpromoting intermittent distributed generation utilization[J]. Transactions ofChina Electrotechnical Society,2013,28(9): 155-163。
[4]颜炯,万涛,李浩松,等.计及不确定性因素的配电网网架规划方法[J].电力系统保护与控制,2017,45(18):76-81.Yan Jiong,Wan Tao,Li Haosong,etal.Distribution network planning considering the uncertainties[J].PowerSystem Protection and Control,2017,45(18):76-81。
[5]Wang Bingdong,Liu Zhe,Qi Wenjin,et al.Hierarchical risk assessmentof transmission system considering the influence of active distributionnetwork[J].IEEE Transactions on Power Systems,2015,30(2):1084-1093。
[6]Kargarian A,Fu Yong,Wu Hongyu.Chance-constrained system of systemsbased operation of power systems[J].IEEE Transactions on Power Systems,2016,31(5):3404-3。
发明内容
针对现有技术中存在的不足,本发明提供一种计及广义负荷随机特性的输配电协调规划方法。本发明的目的在于提供一种考虑广义负荷不确定性的输配电协调规划的方法。本文重点研究了一种广义负荷的负荷特性:传统用电负荷、风力发电与光伏发电,再将广义负荷参与输配协同运行。首先,将输配耦合系统解耦为输配迭代交互的分布式决策框架,采用概率性的目标级联算法,不再以每个场景为单独的协调子问题,转而以不同场景的均值和标准差为随机变量在输电和配电系统之间交互共享,从而解决了分布式算法计算最优潮流的计算速度慢和精确度低的问题。本方法能快速而准确的得到规划模型的最优解。
一种计及广义负荷随机特性的输配电协调规划方法,包括以下步骤:
步骤(1):首先对风力发电和光伏发电进行跟踪实测,并将实测数据进行概率拟合,求解含有风光的广义负荷的概率密度函数;
步骤(2):建立分布式输配电(TS-DS)协同规划模型,将输配电网解耦,划分为多个独立的小系统;
将输电系统和配电系统之间的联络线断开,拆分为多个独立的小系统;并将其分为上下两层的TS-DS系统,上层为输电系统TSO,下层为配电系统DSO,在两层系统之间安装双向通信设备,用于在输电系统和配电系统之间提供双向信息交换;
输电系统和配电系统之间的边界母线的功率定义为共享变量SV,即为输电与配电独立运行时虚拟联络线的功率的均值和标准差;由于对于输电系统而言,将配电系统视为虚拟负荷,而对于配电系统而言,将输电系统视为虚拟电源;当输配电系统之间断开联络线时,将虚拟联络线的功率称为输电/配电的边界功率;
步骤(3):建立安全机组约束模型;为了方便快速求解潮流,运用转移因子法来求解,故需要将场景分为基础场景(记为0场景)和非基础场景(记为场景S);
(1)对于输电系统,建立直流潮流模型,其约束条件包括基础场景即0场景下的约束和场景S下的约束。
(2)对于配电系统,采用交流潮流模型求解,潮流计算分为在基础场景和S场景下分别求解。
步骤(4):根据实测数据拟合出含有分布式新能源的广义负荷的概率密度函数,运用蒙特卡洛采样法对广义负荷值进行随机采样,并将广义负荷值依次接入有新能源发电的配电网中。将每一个输电系统和配电系统独立运行,求解出输电和配电之间的边界功率;将输电和配电之间的边界功率进行拟合求解出边界功率的均值和标准差,并以均值和标准差为共享信息在输配电系统之间传递,以实现输电系统和配电系统之间的信息传递,
步骤(5):以系统总运行成本最低为目标列写带拉格朗日惩罚函数的目标函数。
步骤(6):分布式优化求解流程;基于双层目标级联算法提出一个TSO和DSO内外循环交替的的交互迭代过程,内循环是TSO和DSO 之间相互交换信息并进行潮流计算的迭代计算,外循环更新目标函数的朗格朗日惩罚乘子项。
步骤(1)所述的求解含有风光的广义负荷的概率密度函数的具体方法如下:
根据一年实测数据,以风电与光伏的总发电量为传统用电负荷量的50%,分析出该广义负荷的负荷特性,
Z=Pload-Ppv-Pwind (1)
其中,Pload为用电负荷每小时的用电需求量,Ppv为每小时的光伏发电量,Pwind为每小时的风力发电量,
再将广义负荷Z标幺化为z,即:
为便于研究广义负荷的负荷特性,绘制出广义负荷与风光占比之间的关系,绘制广义负荷的年负荷概率分布图,以便于观察其服从的概率分布模型,确定其服从正态分布。
确定好概率分布模型后,绘制频数分布图,取满足置信区间为 95%的概率分布拟合曲线,并运用MATLAB拟合工具包求解出其服从的均值μ风光和标准差σ风光。最后,对概率分布N风光~(μ风光,σ2 风光)进行随机采样,取n组数据分别为:x1,x2,x3,x4,......xn-1,xn。
同理对“负荷-光”场景下的广义负荷进行研究,依然取光伏发电量占用电负荷的50%,
分析出该广义负荷的负荷特性,
Z=Pload-Ppv (3)
其中,Pload为用电负荷每小时的用电需求量,Ppv为每小时的光伏发电量。绘制广义负荷的年负荷概率分布图,发现也可用正太分布模型。概率分布模型后,绘制频数分布图,取满足置信区间为95%的概率分布拟合曲线,并运用MATLAB拟合工具包求解出其服从的均值μ光和标准差σ光。最后,对概率分布N光~(μ光,σ2 光)进行随机采样,取n组数据分别为:y1,y2,y3,y4,......yn-1,yn。
步骤(3)具体方法如下:
(1)对于输电系统,建立直流潮流模型,其约束条件包括基础场景即0场景下的约束和场景S下的约束:
基础场景下的约束:
功率约束:
爬坡率上下限约束:
风力发电功率约束:
发电机的上坡、下坡时间约束:
其中,t,n,w分别为小时、发电机序号和风电。Int为第n个发电机在时间t时刻的决策变量。为基础场景下输出的有功功率、/>为基础场景风电场输出的有功功率、PB0为基础场景线路损失的有功功率、/>为基础场景负荷需求的有功功率;/>分别为基础场景下第n个发电机在上坡和下坡的爬坡率。MUTn、MDTn分别为第n台发电机的上坡、下坡时间,/>为第n台发电机的最小和最大功率。/>为风力发电功率的预测值。
场景S下的约束:
功率约束:
爬坡率上下限约束
风力发电功率约束:
发电机的上坡、下坡时间约束:
线性位移因子:
∑LSF为线性位移因子总和,为场景S下第n台发电机在t时的功率,/>为场景S下第w个风电机在t时的功率,/>为为场景S下负荷需求功率,/>为第l条线路的最大损失功率。
以上为在场景S下的约束。为基础场景下输出的有功功率、/>为S场景下风电场输出的有功功率、PBs为S场景下线路损失的有功功率、/>为S场景下负荷需求的有功功率;分别为S场景下第n个发电机在上坡和下坡的爬坡率。
其中,PB0=PG0,PBs=PGs,PB0为基础场景下的线路损耗,PG0为基础场景下的发电机的功率;PBs为基础场景下的线路损耗,PGs为基础场景下的发电机的功率
(2)对于配电系统,采用交流潮流模型求解,潮流计算分为在基础场景和S场景下分别求解。
基础场景下:
功率平衡约束:
功率上下限约束
第m条母线的电压幅值约束:
第m条母线的电压相角约束:
其中,为基础场景下第m条母线t时刻的电压幅值,/>为基础场景下第m条母线t时刻的电压相角,/>为基础场景下第l条线路 t时的线路损耗。
S场景下:
功率平衡约束:
功率上下限约束
第m条母线的电压幅值约束:
第m条母线的电压相角约束:
其中对于输电系统,PB0=-PD0,PBs=-PDs。
在基础场景和S场景下决策变量不发生变化,即:
线性位移因子:
步骤(4)具体方法如下:
首先,对步骤(1)采样得到的2n个数据x1,x2,x3,x4,......xn-1,xn和 y1,y2,y3,y4,......yn-1,yn依次匹配为n组数据:(x1,y1),(x2,y2),(x3,y3)…… (xn,yn),分别依次接入配电网并独立运行,得到配电网边界线上的功率n组,再对其求均值和标准差。将配电网的均值和标准差作为共享变量传给输电网,输电网将接收到的均值和标准差再用蒙特卡洛采样生成n组数据,使每一组数据都输入到输电网并独立运行,从而得到 n组输电网边界功率,再对n组输电网边界功率求均值和标准差,并传给配电网。以此类推,反复循环迭代。
记输电网的虚拟联络线节点的均值和标准差分别为记配电网的虚拟联络线节点的均值和标准差分别为/>
为了实现信息共享,输电和配电间的交换功率需满足一致性要求,即要使响应变量和目标变量达到一致性:
步骤(5)具体方法如下:
运用拉格朗日惩罚函数列写输配电系统的目标函数。
上层的TSO模型:
(1)输电系统的目标函数:
其中,
其中,分别为场景S下输电网的第n发电机在时间t时的失配功率、实时功率和在基础场景下的功率。/> 为第k次外循环时第i个配电系统的朗格朗日惩罚函数的乘子。SUDnt为发电机开关机成本,cnt为第n台发电机t时的单位发电成本。
当时:
当时:
其他:
下层的DSO模型:
(2)配电系统的目标函数:
其中,
其中,为场景S下配电网第n台发电机在时间t时的功率、/>为基础场景下配电网第n台发电机在时间t时的功率,/>为场景S下配电网第n台发电机在时间t时与基础场景的偏差功率。
当时:
当时:
其他:
步骤(6)具体方法如下:
内循环是TSO和DSO之间的相互迭代过程,跟踪共享变量,以降低每个系统的运行成本,并满足一致性要求。在每次迭代中,上层的 TSO和下层的DSO根据安全机组约束来独立地求解可行解,然后将边界功率的均值、标准差传递到另一层,TSO从DSO获得 DSO从TSO获得/>判断是否满足内循环的收敛条件:
其中,ε1、ε2分别均值和标准差的收敛域。
不满足内循环继续返回迭代,满足内循环就跳出内循环,并判断外循环收敛条件:
其中,为第k次外循环输配电网的运行成本,/>为第k次外循环输电网的运行成本,/>为第k次外循环I个配电网的运行成本总和,ε3分别输配电系统的运行成本收敛域。
判断是否满足外循环收敛条件:不满足外循环则更新惩罚项乘子:
其中,γ1、γ2为系数,更新惩罚项乘子后继续返回迭代,满足外循环收敛条件就跳出外循环,计算结束。
本发明有益效果如下:
(1)区别于以往对于处理有分布式新能源参与的输配电协同优化规划问题不同的是:本发明不再以每个场景为独立研究问题去一一协调,而是通过聚类方法产生以多个场景为一个类,再对类内多次计算采样求解类的均值和标准差,再以均值和标准差为共享变量交换迭代,从而既不降低计算精度,也能大幅度提高运算速度。
(2)以往的处理有分布式新能源参与的输配电协同优化规划问题不曾考虑过加入广义负荷来考虑,而随着新能源的大力推广,负荷从传统的无源转变为有源是大势所趋,故有重大实际运用价值。
附图说明
图1为“负荷-风-光”场景下的年负荷概率分布图;
图2为“负荷-风-光”场景下的频数分布图;
图3为“负荷-光”场景下的年负荷概率分布图;
图4为“负荷-光”场景下的频数分布图;
图5为输配电耦合系统解耦后的子系统图;
图6为基于目标级联的TS-DS迭代流程;
图7为T6D2系统接线图。
具体实施方式
以下结合附图与实施例对本发明方法进行进一步描述。
一种计及广义负荷随机特性的输配电协调规划方法,包括以下步骤:
步骤(1):首先对风力发电和光伏发电进行跟踪实测,并将实测数据进行概率拟合,求解含有风光的广义负荷的概率密度函数,具体方法如下:
根据一年实测数据,以风电与光伏的总发电量为传统用电负荷量的50%,分析出该广义负荷的负荷特性,
Z=Pload-Ppv-Pwind (1)
其中,Pload为用电负荷每小时的用电需求量,Ppv为每小时的光伏发电量,Pwind为每小时的风力发电量,
再将广义负荷Z标幺化为z,即:
为便于研究广义负荷的负荷特性,绘制出广义负荷与风光占比之间的关系,绘制广义负荷的年负荷概率分布图,以便于观察其服从的概率分布模型,确定其服从正态分布。
确定好概率分布模型后,绘制频数分布图,取满足置信区间为 95%的概率分布拟合曲线,并运用MATLAB拟合工具包求解出其服从的均值μ风光和标准差σ风光。最后,对概率分布N风光~(μ风光,σ2 风光)进行随机采样,取n组数据分别为:x1,x2,x3,x4,......xn-1,xn。
同理对“负荷-光”场景下的广义负荷进行研究,依然取光伏发电量占用电负荷的50%,
分析出该广义负荷的负荷特性,
Z=Pload-Ppv (3)
其中,Pload为用电负荷每小时的用电需求量,Ppv为每小时的光伏发电量。绘制广义负荷的年负荷概率分布图,发现也可用正太分布模型。概率分布模型后,绘制频数分布图,取满足置信区间为95%的概率分布拟合曲线,并运用MATLAB拟合工具包求解出其服从的均值μ光和标准差σ光。最后,对概率分布N光~(μ光,σ2 光)进行随机采样,取n组数据分别为:y1,y2,y3,y4,......yn-1,yn。
步骤(2):建立分布式输配电(TS-DS)协同规划模型,将输配电网解耦,划分为多个独立的小系统;
将输电系统和配电系统之间的联络线断开,拆分为多个独立的小系统;并将其分为上下两层的TS-DS系统,上层为输电系统TSO,下层为配电系统DSO,在两层系统之间安装双向通信设备,用于在输电系统和配电系统之间提供双向信息交换。
解耦后的输配电独立系统结构示意图如图5所示:
输电系统和配电系统之间的边界母线的功率定义为共享变量SV。本文的共享变量SV即为输电与配电独立运行时虚拟联络线的功率的均值和标准差。由于对于输电系统而言,将配电系统视为虚拟负荷,而对于配电系统而言,将输电系统视为虚拟电源。当输配电系统之间断开联络线时,可将虚拟联络线的功率称为输电/配电的边界功率。
步骤(3):建立安全机组约束模型。为了方便快速求解潮流,运用转移因子法来求解,故需要将场景分为基础场景(记为0场景)和非基础场景(记为场景S)。
(1)对于输电系统,建立直流潮流模型,其约束条件包括基础场景即0场景下的约束和场景S下的约束:
基础场景下的约束:
功率约束:
爬坡率上下限约束:
风力发电功率约束:
发电机的上坡、下坡时间约束:
其中,t,n,w分别为小时、发电机序号和风电。Int为第n个发电机在时间t时刻的决策变量。为基础场景下输出的有功功率、/>为基础场景风电场输出的有功功率、PB0为基础场景线路损失的有功功率、/>为基础场景负荷需求的有功功率;/>分别为基础场景下第n个发电机在上坡和下坡的爬坡率。MUTn、MDTn分别为第n台发电机的上坡、下坡时间,/>为第n台发电机的最小和最大功率。/>为风力发电功率的预测值。
场景S下的约束:
功率约束:
爬坡率上下限约束
风力发电功率约束:
发电机的上坡、下坡时间约束:
线性位移因子:
∑LSF为线性位移因子总和,为场景S下第n台发电机在t时的功率,/>为场景S下第w个风电机在t时的功率,Dt s为为场景S下负荷需求功率,/>为第l条线路的最大损失功率。
以上为在场景S下的约束。为基础场景下输出的有功功率、/>为S场景下风电场输出的有功功率、PBs为S场景下线路损失的有功功率、/>为S场景下负荷需求的有功功率;分别为S场景下第n个发电机在上坡和下坡的爬坡率。
其中,PB0=PG0,PBs=PGs,PB0为基础场景下的线路损耗,PG0为基础场景下的发电机的功率;PBs为基础场景下的线路损耗,PGs为基础场景下的发电机的功率
(2)对于配电系统,由于配电系统的电阻较大,潮流计算时不可忽略,故采用交流潮流模型求解,潮流计算分为在基础场景和S场景下分别求解,在基础场景和S场景下其约束条件分别为:
基础场景下:
功率平衡约束:
/>
功率上下限约束
第m条母线的电压幅值约束:
第m条母线的电压相角约束:
其中,为基础场景下第m条母线t时刻的电压幅值,/>为基础场景下第m条母线t时刻的电压相角,/>为基础场景下第l条线路 t时的线路损耗。
S场景下:
功率平衡约束:
功率上下限约束
第m条母线的电压幅值约束:
第m条母线的电压相角约束:
其中对于输电系统,PB0=-PD0,PBs=-PDs。
在基础场景和S场景下决策变量不发生变化,即:
线性位移因子:
步骤(4):根据实测数据拟合出含有分布式新能源的广义负荷的概率密度函数,运用蒙特卡洛采样法对广义负荷值进行随机采样,并将广义负荷值依次接入有新能源发电的配电网中。将每一个输电系统和配电系统独立运行,求解出输电和配电之间的边界功率;将输电和配电之间的边界功率进行拟合求解出边界功率的均值和标准差,并以均值和标准差为共享信息在输配电系统之间传递,以实现输电系统和配电系统之间的信息传递,
首先,对步骤(1)采样得到的2n个数据x1,x2,x3,x4,......xn-1,xn和 y1,y2,y3,y4,......yn-1,yn依次匹配为n组数据:(x1,y1),(x2,y2),(x3,y3)…… (xn,yn),分别依次接入配电网并独立运行,得到配电网边界线上的功率n组,再对其求均值和标准差。将配电网的均值和标准差作为共享变量传给输电网,输电网将接收到的均值和标准差再用蒙特卡洛采样生成n组数据,使每一组数据都输入到输电网并独立运行,从而得到 n组输电网边界功率,再对n组输电网边界功率求均值和标准差,并传给配电网。以此类推,反复循环迭代。
由于从输电网来看,配电网可视为虚拟负荷,故记输电网的虚拟联络线节点的均值和标准差分别为由于从配电网来看,输电网可视为虚拟电源,故记配电网的虚拟联络线节点的均值和标准差分别为/>
为了实现信息共享,输电和配电间的交换功率需满足一致性要求,即要使响应变量和目标变量达到一致性:
步骤(5):以系统总运行成本最低为目标列写带拉格朗日惩罚函数的目标函数。
运用拉格朗日惩罚函数列写输配电系统的目标函数。
上层的TSO模型:
(1)输电系统的目标函数:
其中,
其中,分别为场景S下输电网的第n发电机在时间t时的失配功率、实时功率和在基础场景下的功率。/> 为第k次外循环时第i个配电系统的朗格朗日惩罚函数的乘子。SUDnt为发电机开关机成本,cnt为第n台发电机t时的单位发电成本。
当时:
当时:
/>
其他:
下层的DSO模型:
(2)配电系统的目标函数:
其中,
其中,为场景S下配电网第n台发电机在时间t时的功率、/>为基础场景下配电网第n台发电机在时间t时的功率,/>为场景S下配电网第n台发电机在时间t时与基础场景的偏差功率。
当时:
当时:
其他:
步骤(6):分布式优化求解流程;基于双层目标级联算法提出一个TSO和DSO内外循环交替的的交互迭代过程,内循环是TSO和DSO 之间相互交换信息并进行潮流计算的迭代计算,外循环更新目标函数的朗格朗日惩罚乘子项。其流程图如图6所示:
如图6所示:内循环是TSO和DSO之间的相互迭代过程,跟踪共享变量,以降低每个系统的运行成本,并满足一致性要求。在每次迭代中,上层的TSO和下层的DSO根据安全机组约束来独立地求解可行解,然后将边界功率的均值、标准差传递到另一层,TSO从DSO获得DSO从TSO获得/>判断是否满足内循环的收敛条件:
其中,ε1、ε2分别均值和标准差的收敛域。
不满足内循环继续返回迭代,满足内循环就跳出内循环,并判断外循环收敛条件:
/>
其中,为第k次外循环输配电网的运行成本,/>为第k次外循环输电网的运行成本,/>为第k次外循环I个配电网的运行成本总和,ε3分别输配电系统的运行成本收敛域。
判断是否满足外循环收敛条件:不满足外循环则更新惩罚项乘子:
其中,γ1、γ2为系数,更新惩罚项乘子后继续返回迭代,满足外循环收敛条件就跳出外循环,计算结束。
为研究广义负荷的负荷特征,运用甘肃省的实测数据进行研究如下:
系统的参数设置为:用电负荷负荷峰值为6000kW。3台额定容量800kW的风机,即风机总容量为2400kW,风力发电数据取自于甘肃省瓜州县干河口和甘肃省肃北县马鬃山的风电数据取平均,数据采样时间为一年,日期为2013年6月1日至2014年5月30日,采样方式为每天24小时整点采样并记录。
光伏装置总容量为2400kW,光伏发电数据取自于甘肃省敦煌市和甘肃省张掖光伏电站数据取平均,数据采样时间段也为时间为一年,日期为2013年6月1日至2014年5月30日,采样方式为每天24小时整点采样并记录。
对于负荷-光-风(GD1):以z为三维坐标系的z轴坐标量,以广义负荷Pload的标幺值为x轴坐标量,以风电与光伏的总发电量占传统用电负荷量的比率为y轴,绘制广义负荷概率分布图如图1所示:
由图1看出当风光占比为定值时,“负荷-风-光”广义负荷的年负荷概率分布图基本呈现为正态分布曲面形状,由于风光的不确定性因素以及波动性问题,曲面虽不是完全平滑且标准的正态分布曲面,但是从整体上基本满足服从正态分布的特征。当风光总占比为一固定量时,该曲面的横截面为一正态分布曲线,故可以用正态分布拟合“负荷-风-光”场景下的广义负荷的概率密度函数。
根据一年8760个小时的实测数据,得到如图2所示的频数分布直方图:图2中的X3为原始数据,data1为经正态分布拟合的频直方图,曲线为data1的概率密度函数曲。由图2可知,原始数据与拟合数据的频数分布直方图基本相同,即拟合精确度较高,然后,计算出拟合数据的概率密度函数。
对于负荷-光(GD2):同理可画出其年负荷概率分布图——图3,和频数直方图——图4,发现也可以用正态分布取拟合,从而求出拟合数据的概率密度函数。
故可求解出概率密度函数及其参数分别如下所示:
基于六节点的输电系统与两个配电系统(T6D2)来实现TS-DS分布式优化调度方法。T6D2系统接线图如图3所示:
两个配电系统分别是9节点的主动配电网(ADG1)和7节点的主动配电网(ADG2)。ADG1中接入五个负荷与两个分布式新能源发电站,由DSO1调度,其中,7号节点上接入的负荷为广义负荷GD1,该广义负荷为传统用电负荷、分布式风力发电站以及光伏电站组成的,根据一年实测数据,以风电与光伏的总发电量为负荷需求量的50%。
ADG2中接入三个分布式新能源发电站,由DSO2调度,其中,3号节点上接入“荷-光”场景下的广义负荷GD2,该广义负荷为传统用电负荷、分布式风力发电站和传统用电负荷组成。
为简化运算,不考虑24小时内用电负荷的变化。
T6D2系统的参数如下:
表1.发电机参数
表2.输电网线路数据
表3.分布式新能源发电数据
表4.配电网线路数据
/>
获得输配协调分布式规划的过程介绍如下:
首先对数据进行初始化:朗格朗日乘子均取值为0,/> 均取值为1。系数γ1、γ2均取值为1.5。收敛阈值ε1、ε2均取值为1e-4,ε3为1e-3。均值和标准差初始值为:/>参与迭代运算。
首先,对步骤(1)采样得到的2n个数据x1,x2,x3,x4,......xn-1,xn和 y1,y2,y3,y4,......yn-1,yn依次匹配为n组数据:(x1,y1),(x2,y2),(x3,y3)…… (xn,yn)。为提高精度取n=1000。
先将第一组数据接入系统运行:将x1接入配电网DSO1,并独立运行DSO1,解出配电侧边界线节点的功率将y1接入配电网 DSO2,并其独立运行DSO2,得到解出配电侧边界线节点的功率/>
再将第二组数据接入系统运行:将x2接入配电网DSO1,并独立运行DSO1,解出配电侧边界线节点的功率将y2接入配电网 DSO2,并其独立运行DSO2,得到解出配电侧边界线节点的功率/>
以此类推,将1000组数据输入后,独立运行DSO1运行1000次后得到1000个PDSO1值:求其均值/>和标准差/>同理,独立运行DSO2,运行1000次后得到 1000个PDSO2值:/>求其均值和标准差/>
将传给TSO的B3号节点,将/>传给 TSO的B4号节点。对/>进行蒙特卡洛采样1000组数据记为:PTSO1,1,PTSO1,2,PTSO1,3......,PTSO1,1000。对/>进行蒙特卡洛采样1000组数据记为:PTSO2,1,PTSO2,2,PTSO2,3......,PTSO2,1000。将2000 组数据依次匹配为1000组,分别为: (PTSO1,1,PTSO2,1),(PTSO1,2,PTSO2,2),(PTSO1,3,PTSO2,3),......(PTSO1,1000,PTSO2,1000)。然后将第一组数据接入TSO:PTSO2,1接入B4号节点,再将PTSO1,1接入B3号节点,并独立运行TSO,解出输电侧边界线节点的功率/>(B3号节点)和/>(B4号节点);再将第二组数据接入TSO,以此类推,直到1000组数据均依次接入并运行,最终得到PTSO1的1000组数据:/>求其均值/>和标准差/>得到PTSO2的 1000组数据:/>求其均值/>和标准差/>第一轮循环结束。
第二轮循环:再将传给DSO1的7号节点,将/> 传给DSO2的3号节点。对进行蒙特卡洛采样 1000组数据记为:/>依次接入DSO1 独立运行。对/>进行蒙特卡洛采样1000组数据记为:依次接入DSO2独立运行,依次类推。
将这由输电系统独立运行求解出的均值、标准差与配电系统传递过来的均值、标准差依据式(38)-(39),判断群内循环是否收敛,不收敛继续返回迭代,进行第二轮的循环迭代满足内循环则依据式 (40)判断外循环手否收敛,依次类推,反复交互迭代,并且判断收敛条件是否满足,直到求解出最终解。
Claims (6)
1.一种计及广义负荷随机特性的输配电协调规划方法,其特征在于,包括以下步骤:
步骤(1):首先对风力发电和光伏发电进行跟踪实测,并将实测数据进行概率拟合,求解含有风光的广义负荷的概率密度函数;
步骤(2):建立分布式输配电(TS-DS)协同规划模型,将输配电网解耦,划分为多个独立的小系统;
将输电系统和配电系统之间的联络线断开,拆分为多个独立的小系统;并将其分为上下两层的TS-DS系统,上层为输电系统TSO,下层为配电系统DSO,在两层系统之间安装双向通信设备,用于在输电系统和配电系统之间提供双向信息交换;
输电系统和配电系统之间的边界母线的功率定义为共享变量SV,即为输电与配电独立运行时虚拟联络线的功率的均值和标准差;由于对于输电系统而言,将配电系统视为虚拟负荷,而对于配电系统而言,将输电系统视为虚拟电源;当输配电系统之间断开联络线时,将虚拟联络线的功率称为输电/配电的边界功率;
步骤(3):建立安全机组约束模型;为了方便快速求解潮流,运用转移因子法来求解,故需要将场景分为基础场景,记为0场景和非基础场景记为场景S;
(1)对于输电系统,建立直流潮流模型,其约束条件包括基础场景即0场景下的约束和场景S下的约束;
(2)对于配电系统,采用交流潮流模型求解,潮流计算分为在基础场景和S场景下分别求解;
步骤(4):根据实测数据拟合出含有分布式新能源的广义负荷的概率密度函数,运用蒙特卡洛采样法对广义负荷值进行随机采样,并将广义负荷值依次接入有新能源发电的配电网中;将每一个输电系统和配电系统独立运行,求解出输电和配电之间的边界功率;将输电和配电之间的边界功率进行拟合求解出边界功率的均值和标准差,并以均值和标准差为共享信息在输配电系统之间传递,以实现输电系统和配电系统之间的信息传递;
步骤(5):以系统总运行成本最低为目标列写带拉格朗日惩罚函数的目标函数;
步骤(6):分布式优化求解流程;基于双层目标级联算法提出一个TSO和DSO内外循环交替的的交互迭代过程,内循环是TSO和DSO之间相互交换信息并进行潮流计算的迭代计算,外循环更新目标函数的朗格朗日惩罚乘子项。
2.根据权利要求1所述的一种计及广义负荷随机特性的输配电协调规划方法,其特征在于,步骤(1)所述的求解含有风光的广义负荷的概率密度函数的具体方法如下:
根据一年实测数据,以风电与光伏的总发电量为传统用电负荷量的50%,分析出该广义负荷的负荷特性,
Z=Pload-Ppv-Pwind (1)
其中,Pload为用电负荷每小时的用电需求量,Ppv为每小时的光伏发电量,Pwind为每小时的风力发电量,
再将广义负荷Z标幺化为z,即:
为便于研究广义负荷的负荷特性,绘制出广义负荷与风光占比之间的关系,绘制广义负荷的年负荷概率分布图,以便于观察其服从的概率分布模型,确定其服从正态分布;
确定好概率分布模型后,绘制频数分布图,取满足置信区间为95%的概率分布拟合曲线,并运用MATLAB拟合工具包求解出其服从的均值μ风光和标准差σ风光;最后,对概率分布N风光~(μ风光,σ2 风光)进行随机采样,取n组数据分别为:x1,x2,x3,x4,......xn-1,xn;
同理对“负荷-光”场景下的广义负荷进行研究,依然取光伏发电量占用电负荷的50%进行研究,分析该广义负荷的负荷特性:
Z=Pload-Ppv (3)
其中,Pload为用电负荷每小时的用电需求量,Ppv为每小时的光伏发电量;绘制广义负荷的年负荷概率分布图,发现也可用正太分布模型;概率分布模型后,绘制频数分布图,取满足置信区间为95%的概率分布拟合曲线,并运用MATLAB拟合工具包求解出其服从的均值μ光和标准差σ光;最后,对概率分布N光~(μ光,σ2 光)进行随机采样,取n组数据分别为:y1,y2,y3,y4,......yn-1,yn。
3.根据权利要求2所述的一种计及广义负荷随机特性的输配电协调规划方法,其特征在于,步骤(3)具体方法如下:
(1)对于输电系统,建立直流潮流模型,其约束条件包括基础场景即0场景下的约束和场景S下的约束:
基础场景下的约束:
功率约束:
爬坡率上下限约束:
风力发电功率约束:
发电机的上坡、下坡时间约束:
其中,t,n,w分别为小时、发电机序号和风电;Int为第n个发电机在时间t时刻的决策变量;为基础场景下输出的有功功率、/>为基础场景风电场输出的有功功率、PB0为基础场景线路损失的有功功率、/>为基础场景负荷需求的有功功率;/>分别为基础场景下第n个发电机在上坡和下坡的爬坡率;MUTn、MDTn分别为第n台发电机的上坡、下坡时间,为第n台发电机的最小和最大功率;/>为风力发电功率的预测值;
场景S下的约束:
功率约束:
爬坡率上下限约束
风力发电功率约束:
发电机的上坡、下坡时间约束:
线性位移因子:
∑LSF为线性位移因子总和,为场景S下第n台发电机在t时的功率,/>为场景S下第w个风电机在t时的功率,/>为为场景S下负荷需求功率,/>为第l条线路的最大损失功率;
以上为在场景S下的约束;为基础场景下输出的有功功率、/>为S场景下风电场输出的有功功率、PBs为S场景下线路损失的有功功率、/>为S场景下负荷需求的有功功率;分别为S场景下第n个发电机在上坡和下坡的爬坡率;
其中,PB0=PG0,PBs=PGs,PB0为基础场景下的线路损耗,PG0为基础场景下的发电机的功率;PBs为基础场景下的线路损耗,PGs为基础场景下的发电机的功率
(2)对于配电系统,采用交流潮流模型求解,在基础场景和S场景下其约束条件分别为:
基础场景下:
功率平衡约束:
功率上下限约束
第m条母线的电压幅值约束:
第m条母线的电压相角约束:
其中,为基础场景下第m条母线t时刻的电压幅值,/>为基础场景下第m条母线t时刻的电压相角,/>为基础场景下第l条线路t时的线路损耗;
S场景下:
功率平衡约束:
功率上下限约束
第m条母线的电压幅值约束:
第m条母线的电压相角约束:
其中对于输电系统,PB0=-PD0,PBs=-PDs;
在基础场景和S场景下决策变量不发生变化,即:
线性位移因子:
4.根据权利要求3所述的一种计及广义负荷随机特性的输配电协调规划方法,其特征在于,步骤(4)具体方法如下:
首先,对步骤(1)采样得到的2n个数据x1,x2,x3,x4,......xn-1,xn和y1,y2,y3,y4,......yn-1,yn依次匹配为n组数据:(x1,y1),(x2,y2),(x3,y3)……(xn,yn),分别依次接入配电网并独立运行,得到配电网边界线上的功率n组,再对其求均值和标准差;将配电网的均值和标准差作为共享变量传给输电网,输电网将接收到的均值和标准差再用蒙特卡洛采样生成n组数据,使每一组数据都输入到输电网并独立运行,从而得到n组输电网边界功率,再对n组输电网边界功率求均值和标准差,并传给配电网;以此类推,反复循环迭代;
记输电网的虚拟联络线节点的均值和标准差分别为记配电网的虚拟联络线节点的均值和标准差分别为/>
为了实现信息共享,输电和配电间的交换功率需满足一致性要求,即要使响应变量和目标变量达到一致性:
5.根据权利要求4所述的一种计及广义负荷随机特性的输配电协调规划方法,其特征在于,步骤(5)具体方法如下:
运用拉格朗日惩罚函数列写输配电系统的目标函数;
上层的TSO模型:
(1)输电系统的目标函数:
其中,
其中,分别为场景S下输电网的第n发电机在时间t时的失配功率、实时功率和在基础场景下的功率;/> 为第k次外循环时第i个配电系统的朗格朗日惩罚函数的乘子;SUDnt为发电机开关机成本,cnt为第n台发电机t时的单位发电成本;
当时:
当时:
其他:
下层的DSO模型:
(2)配电系统的目标函数:
其中,
其中,为场景S下配电网第n台发电机在时间t时的功率、/>为基础场景下配电网第n台发电机在时间t时的功率,/>为场景S下配电网第n台发电机在时间t时与基础场景的偏差功率;
当时:
当时:
其他:
6.根据权利要求5所述的一种计及广义负荷随机特性的输配电协调规划方法,其特征在于,步骤(6)具体方法如下:
内循环是TSO和DSO之间的相互迭代过程,跟踪共享变量,以降低每个系统的运行成本,并满足一致性要求;在每次迭代中,上层的TSO和下层的DSO根据安全机组约束来独立地求解可行解,然后将边界功率的均值、标准差传递到另一层,TSO从DSO获得DSO从TSO获得/>判断是否满足内循环的收敛条件:
其中,ε1、ε2分别均值和标准差的收敛域;
不满足内循环继续返回迭代,满足内循环就跳出内循环,并判断外循环收敛条件:
其中,为第k次外循环输配电网的运行成本,/>为第k次外循环输电网的运行成本,/>为第k次外循环I个配电网的运行成本总和,ε3分别输配电系统的运行成本收敛域;
判断是否满足外循环收敛条件:不满足外循环则更新惩罚项乘子:
其中,γ1、γ2为系数,更新惩罚项乘子后继续返回迭代,满足外循环收敛条件就跳出外循环,计算结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111039280.3A CN113725858B (zh) | 2021-09-06 | 2021-09-06 | 一种计及广义负荷随机特性的输配电协调规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111039280.3A CN113725858B (zh) | 2021-09-06 | 2021-09-06 | 一种计及广义负荷随机特性的输配电协调规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113725858A CN113725858A (zh) | 2021-11-30 |
CN113725858B true CN113725858B (zh) | 2023-10-10 |
Family
ID=78681901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111039280.3A Active CN113725858B (zh) | 2021-09-06 | 2021-09-06 | 一种计及广义负荷随机特性的输配电协调规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113725858B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108599373A (zh) * | 2018-05-16 | 2018-09-28 | 山东大学 | 高比例可再生能源电力系统输配协调调度目标级联分析法 |
CN112072641A (zh) * | 2020-08-19 | 2020-12-11 | 国网江苏省电力有限公司扬州供电分公司 | 一种源网荷储柔性协调控制和运行优化方法 |
-
2021
- 2021-09-06 CN CN202111039280.3A patent/CN113725858B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108599373A (zh) * | 2018-05-16 | 2018-09-28 | 山东大学 | 高比例可再生能源电力系统输配协调调度目标级联分析法 |
CN112072641A (zh) * | 2020-08-19 | 2020-12-11 | 国网江苏省电力有限公司扬州供电分公司 | 一种源网荷储柔性协调控制和运行优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113725858A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106972481B (zh) | 规模化充电设施接入有源配电网的安全性量化评估方法 | |
Ramadhani et al. | Review of probabilistic load flow approaches for power distribution systems with photovoltaic generation and electric vehicle charging | |
CN107910863B (zh) | 综合考虑光伏出力和负荷需求预测区间的配电网调度方法 | |
CN105811407B (zh) | 一种基于分布式牛顿法的微电网一次调频控制方法 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN109802394A (zh) | 一种计及分布式电源与电动汽车接入的概率潮流计算方法 | |
Zhang et al. | Research on bi-level optimized operation strategy of microgrid cluster based on IABC algorithm | |
CN107453381A (zh) | 基于两阶段交叉控制的电动汽车集群功率调节方法及系统 | |
CN113283641B (zh) | 一种考虑风电预测误差时空相关性复合储能优化配置方法 | |
Ying et al. | Dispatching approach for active distribution network considering PV generation reliability and load predicting interval | |
CN112542835B (zh) | 一种高比例光伏接入的交直流混合微电网多层级控制方法 | |
CN108448611B (zh) | 一种适应大规模新能源外送的电网网架结构构建方法 | |
CN110472830A (zh) | 一种考虑新能源接入的输电网规划方法和系统 | |
CN114154800A (zh) | 一种输配电网协同的储能系统优化规划方法及装置 | |
CN113725858B (zh) | 一种计及广义负荷随机特性的输配电协调规划方法 | |
CN111835003A (zh) | 多电源供电下中压配电网理论线损实时计算方法及系统 | |
CN116632933A (zh) | 一种基于等效模型的源网荷储协同稳定控制算法 | |
Gao et al. | New power system operational state estimation with cluster of electric vehicles | |
CN105354761A (zh) | 一种风电接入电网的安全与效能评估方法及系统 | |
Liu et al. | Hierarchical and distributed optimization of distribution network considering spatial and temporal distribution of electric vehicle charging load | |
Wang et al. | Optimal Planning of Distributed Generation and Loads in Active Distribution Network: A Review | |
Huang et al. | Coordinated planning method considering flexible resources of active distribution network and soft open point integrated with energy storage system | |
CN109255102A (zh) | 一种基于凸松弛的光伏发电最大并网容量评估方法 | |
Guo et al. | Multi-objective operation of community integrated energy systems based on NSGA-II | |
Liu et al. | Distribution network planning method for source-network-storage collaboration |
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 |