CN113991742A - 一种配电网分布式光伏双层协同优化投资决策方法 - Google Patents

一种配电网分布式光伏双层协同优化投资决策方法 Download PDF

Info

Publication number
CN113991742A
CN113991742A CN202111383612.XA CN202111383612A CN113991742A CN 113991742 A CN113991742 A CN 113991742A CN 202111383612 A CN202111383612 A CN 202111383612A CN 113991742 A CN113991742 A CN 113991742A
Authority
CN
China
Prior art keywords
photovoltaic
power
load
distributed photovoltaic
distributed
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
CN202111383612.XA
Other languages
English (en)
Other versions
CN113991742B (zh
Inventor
樊晓伟
何永胜
陈咏涛
肖剑锋
王瑞妙
朱小军
姚龙
杨海峰
张友强
赵小娟
乐昕怡
赵鹏程
郭晶晶
周泊存
蒋闻
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.)
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
State Grid Chongqing Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
State Grid Chongqing 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 Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd, State Grid Corp of China SGCC, State Grid Chongqing Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
Priority to CN202111383612.XA priority Critical patent/CN113991742B/zh
Publication of CN113991742A publication Critical patent/CN113991742A/zh
Application granted granted Critical
Publication of CN113991742B publication Critical patent/CN113991742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • 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
    • 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

Abstract

本发明公开了一种配电网分布式光伏双层协同优化投资决策方法，包括以下步骤：步骤A、基于光伏电站历史发电功率数据集和用电负荷历史数据集，采用K中心点聚类算法提取光伏出力典型场景和用电负荷典型场景；步骤B、构建光伏、负荷联合时序场景；步骤C、根据光伏、负荷联合时序场景发生概率，采用改进粒子群模拟退火算法，确定分布式光伏安装位置和容量；步骤D、以光伏综合出力最大化为目标函数，采用原对偶内点法求取步骤C中分布式光伏的最大出力。对分布式光伏双层进行优化，确保了分布式光伏投资效益最大化，而且保障了电网安全稳定运行。

Description

一种配电网分布式光伏双层协同优化投资决策方法
技术领域
本发明涉及配电网分布式电源规划技术领域，尤其涉及一种配电网分布式光伏双层协同优化投资决策方法。
背景技术
近年来，国家大力发展新能源，以实现“碳达峰、碳中和”。光伏发电接入电网的比例日益增加，如何开展配电网分布式光伏合理规划成为配电网规划重要内容。因为光伏发电出力具有明显的波动性，影响了配电网安全稳定运行，大量分布式光伏的接入会导致配电网运行的复杂性和不确定性增加，为保障配电网安全稳定运行，弃光现象时常发生。
现阶段配电网分布式光伏规划通常基于光伏装机容量，未考虑电网安全约束条件下光伏实际出力情况，也未考虑配电网对光伏的消纳能力，与配电网实际运行情况不符。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种配电网分布式光伏双层协同优化投资决策方法以及装置，基于光伏装机容量，在电网安全约束条件下光伏实际出力，也未考虑配电网对光伏的消纳能力保障电网安全稳定运行，且实现分布式光伏投资效益最大化。现阶段配电网分布式光伏规划通常基于光伏装机容量，未考虑电网安全约束条件下光伏实际出力情况，也未考虑配电网对光伏的消纳能力，与配电网实际运行情况不符
为实现上述目的，本发明提供了一种配电网分布式光伏双层协同优化投资决策方法，所述方法包括以下步骤：
步骤A、基于光伏电站历史发电功率数据集和用电负荷历史数据集，采用K中心点聚类算法提取光伏出力典型场景和用电负荷典型场景；
步骤B、构建光伏、负荷联合时序场景；
步骤C、根据光伏、负荷联合时序场景发生概率，采用改进粒子群模拟退火算法，确定分布式光伏安装位置和容量；
步骤D、以光伏综合出力最大化为目标函数，采用原对偶内点法求取步骤C中分布式光伏的最大出力。
可选的，所述步骤A中，采用K中心点聚类算法提取光伏出力典型场景和用电负荷典型场景包括：
A1、采用动态时间弯曲距离计算分布式光伏电站不同日期发电功率曲线之间的距离，构建分布式光伏电站不同日期发电功率曲线之间的距离矩阵；
A2、以轮廓系数最优为目标，采用K中心点聚类算法开展分布式光伏电站不同日期发电功率曲线聚类分析，选择各个簇中心点作为光伏出力典型场景；
A3、采用动态时间弯曲距离计算用电负荷不同日期负荷曲线之间的距离，构建负荷不同日期负荷曲线之间的距离矩阵；
A4、以轮廓系数最优为目标，采用K中心点聚类算法开展各类型负荷不同日期负荷曲线聚类分析，选择各个簇中心点作为用电负荷典型场景。
可选的，所述步骤B、构建光伏、负荷联合时序场景，包括：
B1、计算每个光伏出力典型场景和用电负荷典型场景的发生概率；
B2、构建光伏、负荷联合时序场景，计算每个场景的发生概率。
可选的，所述B1、计算每个光伏出力典型场景和用电负荷典型场景的发生概率，计算公式如下：
Figure BDA0003363342360000031
其中，Pgi为第i个光伏出力典型场景发生概率，|Cgi|为分布式光伏电站发电功率曲线第i个聚类簇样本数量，Ng为分布式光伏电站发电功率曲线数量，Plj为第j个用电负荷典型场景发生概率，|Clj|为负荷曲线第j个聚类簇样本数量，Nl为负荷曲线数量。
可选的，所述B2、构建光伏、负荷联合时序场景，计算每个场景的发生概率，计算公式如下：
Pgi×li＝Pgi×Plj，
其中，Pgi×lj为第i个光伏出力典型场景和j个用电负荷典型场景联合时序场景发生概率。
可选的，所述步骤C，根据光伏、负荷联合时序场景发生概率，采用改进粒子群模拟退火算法，确定分布式光伏安装位置和容量，包括：
C1、分布式光伏安装位置和容量的优化目标如下：
Figure BDA0003363342360000032
其中：Etol为光伏投资总收益，Spv为光伏发电售电收益，Cpv为光伏设备购置安装费用，Cyun为光伏设备运维费用，Pi为第i光伏负荷联合时序场景发生概率，n为光伏负荷联合时序场景数量；
C2、采用改进粒子群模拟退火算法，确定分布式光伏安装位置和容量，包括：
C2.1、分布式光伏安装位置和安装容量属于离散变量，粒子采用十进制整数编码为：
X＝[x1,x2,…,xn]，
其中：xi＝0，表示位置i不安装光伏；xi＝m，表示位置i安装m个单位容量光伏，1≤i≤n；
C2.2、初始化粒子群，对于每一个粒子计算目标函数值，确定自身最优位置pi和全体最优位置pg，将模拟退火算法起始搜索位置设为x0＝pg，目标函数值y0＝f(pg)；
C2.3、执行一次模拟退火搜索，在温度T下从初始位置x0开始，对解产生随机扰动产生新解并用Metropolis准则判定是否接受，重复进行Lk次直到得到一个新解x′，执行退火操作降低温度，Tk+1＝K*Tk；
C2.4、执行一次粒子群优化迭代，根据各粒子的位置向量进行m次潮流计算，求得每个粒子对应的目标函数值，更新全局最好位置pg，迭代次数加1；
C2.5、比较x′与pg对应的目标函数值，若f(x′)<f(pg)，则随机在全体粒子中选取一个粒子i，令xi＝x′，返回C23；若f(x′)>f(pg)，则令x0＝pg，返回C22；若f(x′)＝f(pg)，且模拟退火算法和粒子群算法都满足终止条件，则结束优化计算。
可选的，所述步骤C1、分布式光伏安装位置和容量的优化目标中，
光伏设备购置安装费用为：
Figure BDA0003363342360000041
其中：m为光伏接入电网的节点数量，Spvi为i节点光伏安装容量，Cpve为单位容量光伏设备的购置成本，Cesa为单位容量光伏设备的安装成本；
光伏设备运行维护费用为：
Figure BDA0003363342360000051
其中：Cpvy为每年单位容量光伏设备的运维费用，lpv为光伏的投资回收期，r为贴现率；
此时，投资回收期内光伏发电售电收益为：
Figure BDA0003363342360000052
其中：Ji为节点i的售电价，Pij为节点i第j年发电量；
电网节能降损效益为：
Figure BDA0003363342360000053
其中：Jbuy为上网电价，Ploss为安装光伏前配电网每年电网损耗，
Figure BDA0003363342360000054
为安装光伏后的电网损耗。
可选的，所述步骤D、以光伏综合出力最大化为目标函数，采用原对偶内点法求取步骤C中分布式光伏的最大出力，包括：
D1、设置迭代次数K0＝0，选择初值点；
D2、构建牛顿法的修正方程式，求解出各个变量的变化量；
D3、分别对原、对偶变量的迭代步长进行求解，修正原变量和对偶变量；
D4、判断是否满足迭代终止条件，若满足，结束运算并输出结果，若不满足，k＝k+1，确定障碍参数μk，然后返回C1。
可选的，所述步骤D、以光伏综合出力最大化为目标函数，采用原对偶内点法求取步骤C中分布式光伏的最大出力，其中，
分布式光伏综合出力优化目标为：
Figure BDA0003363342360000061
其中：m为光伏接入电网的节点数量,Ppvi为i节点光伏发电功率。
可选的，所述分布式光伏综合出力优化目标的约束条件包括：节点功率平衡约束、光伏出力约束、线路有功功率约束以及节点电压约束，其中：
节点功率平衡约束：
Figure BDA0003363342360000062
其中：PGi、QGi为节点i注入的有功功率和无功功率，Ppvi、Qpvi为节点i分布式电源注入的有功功率和无功功率，PLi和QLi为节点i的有功负荷和无功负荷，Ui和Uj分别是支路首、末节点i和节点j的电压，δij以i和j为首、末节点的支路的功率因数，Gij和Bij为对应支路的支路电导和电纳；
光伏出力约束：
Ppvi,min≤Ppvi≤Ppvi,max，
其中：Ppvi,min为光伏最小发电功率，Ppvi,max为光伏最大发电功率，Ppvi为i点的发电功率；
线路有功功率约束：
|Pi|≤Pimax，
其中：Pi为支路i的有功功率，Pimax为支路i允许的最大功率；
节点电压约束：
Vimin≤Vi≤Vimax，
其中：Vimin为节点i最小允许电压，Vimax为节点i最大允许电压，Vi为节点i的电压值。
由于采用了上述技术方案，本发明具有如下的优点：
通过本发明的配电网分布式光伏双层协同优化投资决策方法，对分布式光伏双层进行优化，确保了分布式光伏投资效益最大化，而且保障了电网安全稳定运行。
附图说明
图1是本发明第一实施例配电网分布式光伏双层协同优化投资决策方法的流程图；
图2是本发明第一实施例配电网分布式光伏双层协同优化投资决策方法用于IEEE33节点配电系统的示意图；
图3是本发明第一实施例配电网分布式光伏双层协同优化投资决策方法的光伏发电典型场景示意图；
图4是本发明第一实施例配电网分布式光伏双层协同优化投资决策方法的用户负荷典型场景示意图；
图5是本发明第一实施例配电网分布式光伏双层协同优化投资决策方法的商业符合典型场景示意图；
图6是本发明第一实施例配电网分布式光伏双层协同优化投资决策方法的32节点24时段符合仿真图；
图7是本发明第一实施例配电网分布式光伏双层协同优化投资决策方法的分布式光伏最大出力示意图；
图8是本发明第一实施例配电网分布式光伏双层协同优化投资决策方法的算法适应度曲线图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明：
实施例一：
如图1所示，一种配电网分布式光伏双层协同优化投资决策方法，所述方法包括以下步骤：
所述方法包括以下步骤：
步骤A、基于光伏电站历史发电功率数据集和用电负荷历史数据集，采用K中心点聚类算法提取光伏出力典型场景和用电负荷典型场景；
步骤B、构建光伏、负荷联合时序场景；
步骤C、根据光伏、负荷联合时序场景发生概率，采用改进粒子群模拟退火算法，确定分布式光伏安装位置和容量；
步骤D、以光伏综合出力最大化为目标函数，采用原对偶内点法求取步骤C中分布式光伏的最大出力。
可选的，所述步骤A中，采用K中心点聚类算法提取光伏出力典型场景和用电负荷典型场景包括：
A1、采用动态时间弯曲距离计算分布式光伏电站不同日期发电功率曲线之间的距离，构建分布式光伏电站不同日期发电功率曲线之间的距离矩阵；
A2、以轮廓系数最优为目标，采用K中心点聚类算法开展分布式光伏电站不同日期发电功率曲线聚类分析，选择各个簇中心点作为光伏出力典型场景；
A3、采用动态时间弯曲距离计算用电负荷不同日期负荷曲线之间的距离，构建负荷不同日期负荷曲线之间的距离矩阵；
A4、以轮廓系数最优为目标，采用K中心点聚类算法开展各类型负荷不同日期负荷曲线聚类分析，选择各个簇中心点作为用电负荷典型场景。
可选的，所述步骤B、构建光伏、负荷联合时序场景，包括：
B1、计算每个光伏出力典型场景和用电负荷典型场景的发生概率；
B2、构建光伏、负荷联合时序场景，计算每个场景的发生概率。
可选的，所述步骤B1、计算每个光伏出力典型场景和用电负荷典型场景的发生概率，计算公式如下：
Figure BDA0003363342360000091
其中，Pgi为第i个光伏出力典型场景发生概率，|Cgi|为分布式光伏电站发电功率曲线第i个聚类簇样本数量，Ng为分布式光伏电站发电功率曲线数量，Plj为第j个用电负荷典型场景发生概率，|Clj|为负荷曲线第j个聚类簇样本数量，Nl为负荷曲线数量。
可选的，B2、构建光伏、负荷联合时序场景，计算每个场景的发生概率，计算公式如下：
Pgi×li＝Pgi×Plj，
其中，Pgi×lj为第i个光伏出力典型场景和j个用电负荷典型场景联合时序场景发生概率。
可选的，所述步骤C，根据光伏、负荷联合时序场景发生概率，采用改进粒子群模拟退火算法，确定分布式光伏安装位置和容量，包括：
C1、分布式光伏安装位置和容量的优化目标如下：
Figure BDA0003363342360000101
其中：Etol为光伏投资总收益，Spv为光伏发电售电收益，Cpv为光伏设备购置安装费用，Cyun为光伏设备运维费用，Pi为第i光伏负荷联合时序场景发生概率，n为光伏负荷联合时序场景数量；
C2、采用改进粒子群模拟退火算法，确定分布式光伏安装位置和容量，包括：
C2.1、分布式光伏安装位置和安装容量属于离散变量，粒子采用十进制整数编码为：
X＝[x1,x2,…,xn]，
其中：xi＝0，表示位置i不安装光伏；xi＝m，表示位置i安装m个单位容量光伏，1≤i≤n；
C2.2、初始化粒子群，对于每一个粒子计算目标函数值，确定自身最优位置pi和全体最优位置pg，将模拟退火算法起始搜索位置设为x0＝pg，目标函数值y0＝f(pg)；
C2.3、执行一次模拟退火搜索，在温度T下从初始位置x0开始，对解产生随机扰动产生新解并用Metropolis准则判定是否接受，重复进行Lk次直到得到一个新解x′，执行退火操作降低温度，Tk+1＝K*Tk；
C2.4、执行一次粒子群优化迭代，根据各粒子的位置向量进行m次潮流计算，求得每个粒子对应的目标函数值，更新全局最好位置pg，迭代次数加1；
C2.5、比较x′与pg对应的目标函数值，若f(x′)<f(pg)，则随机在全体粒子中选取一个粒子i，令xi＝x′，返回C23；若f(x′)>f(pg)，则令x0＝pg，返回C22；若f(x′)＝f(pg)，且模拟退火算法和粒子群算法都满足终止条件，则结束优化计算。
可选的，所述步骤C1、分布式光伏安装位置和容量的优化目标中，
光伏设备购置安装费用为：
Figure BDA0003363342360000111
其中：m为光伏接入电网的节点数量，Spvi为i节点光伏安装容量，Cpve为单位容量光伏设备的购置成本，Cesa为单位容量光伏设备的安装成本；
光伏设备运行维护费用为：
Figure BDA0003363342360000112
其中：Cpvy为每年单位容量光伏设备的运维费用，lpv为光伏的投资回收期，r为贴现率；
此时，投资回收期内光伏发电售电收益为：
Figure BDA0003363342360000113
其中：Ji为节点i的售电价，Pij为节点i第j年发电量；
电网节能降损效益为：
Figure BDA0003363342360000114
其中：Jbuy为上网电价，Ploss为安装光伏前配电网每年电网损耗，
Figure BDA0003363342360000123
为安装光伏后的电网损耗。
可选的，所述步骤D、以光伏综合出力最大化为目标函数，采用原对偶内点法求取步骤C中分布式光伏的最大出力，包括：
D1、设置迭代次数K0＝0，选择初值点；
D2、构建牛顿法的修正方程式，求解出各个变量的变化量；
D3、分别对原、对偶变量的迭代步长进行求解，修正原变量和对偶变量；
D4、判断是否满足迭代终止条件，若满足，结束运算并输出结果，若不满足，k＝k+1，确定障碍参数μk，然后返回C1。
可选的，所述步骤D、以光伏综合出力最大化为目标函数，采用原对偶内点法求取步骤C中分布式光伏的最大出力，其中，
分布式光伏综合出力优化目标为：
Figure BDA0003363342360000121
其中：m为光伏接入电网的节点数量,Ppvi为i节点光伏发电功率。
可选的，所述分布式光伏综合出力优化目标的约束条件包括：节点功率平衡约束、光伏出力约束、线路有功功率约束以及节点电压约束，其中：
节点功率平衡约束：
Figure BDA0003363342360000122
其中：PGi、QGi为节点i注入的有功功率和无功功率，Ppvi、Qpvi为节点i分布式电源注入的有功功率和无功功率，PLi和QLi为节点i的有功负荷和无功负荷，Ui和Uj分别是支路首、末节点i和节点j的电压，δij以i和j为首、末节点的支路的功率因数，Gij和Bij为对应支路的支路电导和电纳；
光伏出力约束：
Ppvi,min≤Ppvi≤Ppvi,max，
其中：Ppvi,min为光伏最小发电功率，Ppvi,max为光伏最大发电功率，Ppvi为i点的发电功率；
线路有功功率约束：
|Pi|≤Pimax，
其中：Pi为支路i的有功功率，Pimax为支路i允许的最大功率；
节点电压约束：
Vimin≤Vi≤Vimax，
其中：Vimin为节点i最小允许电压，Vimax为节点i最大允许电压，Vi为节点i的电压值。
结合图2至图8所示，以下选择IEEE-33节点配电系统为例，对本发明的配电网分布式光伏双层协同优化投资决策方法加以说明，具体包括以下步骤：
S1、选择某地区2020年全年光伏发电历史数据，作为分布式光伏发电出力参照，在33节点标准配电系统开展分布式光伏规划分析；
S2、基于光伏电站历史发电功率数据集和用电负荷历史数据集，采用K中心点聚类算法提取光伏出力典型场景和用电负荷典型场景；具体的，光伏发电典型场景模式如图3所示，用户负荷典型场景模式如图4所示，商业负荷典型场景模式如图5所示；
S3、参照居民用户负荷、商业负荷用电规律，以IEEE-33配电系统32个节点负荷为24时段平均负荷，生成为负荷时序仿真，节点23、24、31为商业负荷，其余为居民负荷；各节点24个时刻负荷如图6所示；
S4、IEEE-33节点标准配电网最大负荷为5.5MW，设置光伏发电最大渗透率为30％，光伏最小单位容量为0.1MW，32个节点均可作为光伏安装位置，单节点最大光伏容量为0.4MW。其中，1MW光伏投资成本为500万元，每年运行维护成本为5万元；光伏发电上网电价为0.045万元/MW·h，居民电价为0.055万元/MW·h，商业电价为0.075万元/MW·h，光伏发电设备的使用寿命为20年，使用寿命期内贴现率均为0.05。以聚类分析得到光伏发电4种典型场景，构建4个联合时序场景。
外层优化采用粒子群传算法、改进粒子群模拟退火算法，分别开展配电网分布式光伏选址定容优化。在求解过程中，对于某可行解，节点4、20、27,31四个节点安装容量均为0.4MW。某日14点光伏发电效率0.85，则该时刻四个节点发电功率上限均为0.34MW。内层优化采用原对偶内点法开展分布式光伏综合出力优化，设置节点0-5之间支路功率上限为4MW，其他支路为3MW，各节点电压允许范围为0.93-1.07；采用原对偶内点法求取四节点在电网安全约束下综合出力最大值，结果四个节点发电功率分别为0.34、0.34、0.34、0.20455，可以看出为确保电网安全存在一定程度弃光现象。四个节点分布式光伏综合出力优化具体过程如图7所示。
按照各联合时序场景概率分布，外层优化采用粒子群传算法、改进粒子群模拟退火算法分别开展配电网分布式光伏选址定容优化，具体结果如图8所示。
可以得出，改进遗传算法在迭代30次后基本达到最优结果，光伏设备使用寿命周期内总的经济效益达到1000.15万元，光伏安装容量1.6MW，一次投资800万元。
光伏安装位置及容量如下表所示：
序号 安装节点位置 安装容量
1 1、5、9、22、28 0.1MW
2 30 0.2MW
3 23、23、31 0.3MW
通过本发明的配电网分布式光伏双层协同优化投资决策方法，对分布式光伏双层进行优化，确保了分布式光伏投资效益最大化，而且保障了电网安全稳定运行。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种配电网分布式光伏双层协同优化投资决策方法，其特征在于，所述方法包括以下步骤：
步骤A、基于光伏电站历史发电功率数据集和用电负荷历史数据集，采用K中心点聚类算法提取光伏出力典型场景和用电负荷典型场景；
步骤B、构建光伏、负荷联合时序场景；
步骤C、根据光伏、负荷联合时序场景发生概率，采用改进粒子群模拟退火算法，确定分布式光伏安装位置和容量；
步骤D、以光伏综合出力最大化为目标函数，采用原对偶内点法求取步骤C中分布式光伏的最大出力。
2.如权利要求1所述的配电网分布式光伏双层协同优化投资决策方法，其特征在于，所述步骤A中，采用K中心点聚类算法提取光伏出力典型场景和用电负荷典型场景，包括：
A1、采用动态时间弯曲距离计算分布式光伏电站不同日期发电功率曲线之间的距离，构建分布式光伏电站不同日期发电功率曲线之间的距离矩阵；
A2、以轮廓系数最优为目标，采用K中心点聚类算法开展分布式光伏电站不同日期发电功率曲线聚类分析，选择各个簇中心点作为光伏出力典型场景；
A3、采用动态时间弯曲距离计算用电负荷不同日期负荷曲线之间的距离，构建负荷不同日期负荷曲线之间的距离矩阵；
A4、以轮廓系数最优为目标，采用K中心点聚类算法开展各类型负荷不同日期负荷曲线聚类分析，选择各个簇中心点作为用电负荷典型场景。
3.如权利要求1所述的配电网分布式光伏双层协同优化投资决策方法，其特征在于，所述步骤B、构建光伏、负荷联合时序场景，包括：
B1、计算每个光伏出力典型场景和用电负荷典型场景的发生概率；
B2、构建光伏、负荷联合时序场景，计算每个场景的发生概率。
4.如权利要求3所述的配电网分布式光伏双层协同优化投资决策方法，其特征在于，所述B1、计算每个光伏出力典型场景和用电负荷典型场景的发生概率，计算公式如下：
Figure FDA0003363342350000021
其中，Pgi为第i个光伏出力典型场景发生概率，|Cgi|为分布式光伏电站发电功率曲线第i个聚类簇样本数量，Ng为分布式光伏电站发电功率曲线数量，Plj为第j个用电负荷典型场景发生概率，|Clj|为负荷曲线第j个聚类簇样本数量，Nl为负荷曲线数量。
5.如权利要求3所述的配电网分布式光伏双层协同优化投资决策方法，其特征在于，所述B2、构建光伏、负荷联合时序场景，计算每个场景的发生概率，计算公式如下：
Pgi×li＝Pgi×Plj，
其中，Pgi×lj为第i个光伏出力典型场景和j个用电负荷典型场景联合时序场景发生概率。
6.如权利要求1所述的配电网分布式光伏双层协同优化投资决策方法，其特征在于，所述步骤C，根据光伏、负荷联合时序场景发生概率，采用改进粒子群模拟退火算法，确定分布式光伏安装位置和容量，包括：
C1、分布式光伏安装位置和容量的优化目标如下：
Figure FDA0003363342350000031
其中：Etol为光伏投资总收益，Spv为光伏发电售电收益，Cpv为光伏设备购置安装费用，Cyun为光伏设备运维费用，Pi为第i光伏负荷联合时序场景发生概率，n为光伏负荷联合时序场景数量；
C2、采用改进粒子群模拟退火算法，确定分布式光伏安装位置和容量，包括：
C2.1、分布式光伏安装位置和安装容量属于离散变量，粒子采用十进制整数编码为：
X＝[x1,x2,…,xn]，
其中：xi＝0，表示位置i不安装光伏；xi＝m，表示位置i安装m个单位容量光伏，1≤i≤n；
C2.2、初始化粒子群，对于每一个粒子计算目标函数值，确定自身最优位置pi和全体最优位置pg，将模拟退火算法起始搜索位置设为x0＝pg，目标函数值y0＝f(pg)；
C2.3、执行一次模拟退火搜索，在温度T下从初始位置x0开始，对解产生随机扰动产生新解并用Metropolis准则判定是否接受，重复进行Lk次直到得到一个新解x′，执行退火操作降低温度，Tk+1＝K*Tk；
C2.4、执行一次粒子群优化迭代，根据各粒子的位置向量进行m次潮流计算，求得每个粒子对应的目标函数值，更新全局最好位置pg，迭代次数加1；
C2.5、比较x′与pg对应的目标函数值，若f(x′)<f(pg)，则随机在全体粒子中选取一个粒子i，令xi＝x′，返回C23；若f(x′)>f(pg)，则令x0＝pg，返回C22；若f(x′)＝f(pg)，且模拟退火算法和粒子群算法都满足终止条件，则结束优化计算。
7.如权利要求6所述的配电网分布式光伏双层协同优化投资决策方法，其特征在于，所述步骤C1、分布式光伏安装位置和容量的优化目标中，
光伏设备购置安装费用为：
Figure FDA0003363342350000041
其中：m为光伏接入电网的节点数量，Spvi为i节点光伏安装容量，Cpve为单位容量光伏设备的购置成本，Cesa为单位容量光伏设备的安装成本；
光伏设备运行维护费用为：
Figure FDA0003363342350000042
其中：Cpvy为每年单位容量光伏设备的运维费用，lpv为光伏的投资回收期，r为贴现率；
此时，投资回收期内光伏发电售电收益为：
Figure FDA0003363342350000043
其中：Ji为节点i的售电价，Pij为节点i第j年发电量；
电网节能降损效益为：
Figure FDA0003363342350000044
其中：Jbuy为上网电价，Ploss为安装光伏前配电网每年电网损耗，
Figure FDA0003363342350000045
为安装光伏后的电网损耗。
8.如权利要求1所述的配电网分布式光伏双层协同优化投资决策方法，其特征在于，所述步骤D、以光伏综合出力最大化为目标函数，采用原对偶内点法求取步骤C中分布式光伏的最大出力，包括：
D1、设置迭代次数K0＝0，选择初值点；
D2、构建牛顿法的修正方程式，求解出各个变量的变化量；
D3、分别对原、对偶变量的迭代步长进行求解，修正原变量和对偶变量；
D4、判断是否满足迭代终止条件，若满足，结束运算并输出结果，若不满足，k＝k+1，确定障碍参数μk，然后返回C1。
9.如权利要求8所述的配电网分布式光伏双层协同优化投资决策方法，其特征在于，所述步骤D、以光伏综合出力最大化为目标函数，采用原对偶内点法求取步骤C中分布式光伏的最大出力，其中，
分布式光伏综合出力优化目标为：
Figure FDA0003363342350000051
其中：m为光伏接入电网的节点数量,Ppvi为i节点光伏发电功率。
10.如权利要求9所述的配电网分布式光伏双层协同优化投资决策方法，其特征在于，所述分布式光伏综合出力优化目标的约束条件包括：节点功率平衡约束、光伏出力约束、线路有功功率约束以及节点电压约束，其中：
节点功率平衡约束：
Figure FDA0003363342350000052
其中：PGi、QGi为节点i注入的有功功率和无功功率，Ppvi、Qpvi为节点i分布式电源注入的有功功率和无功功率，PLi和QLi为节点i的有功负荷和无功负荷，Ui和Uj分别是支路首、末节点i和节点j的电压，δij以i和j为首、末节点的支路的功率因数，Gij和Bij为对应支路的支路电导和电纳；
光伏出力约束：
Ppvi,min≤Ppvi≤Ppvi,max，
其中：Ppvi,min为光伏最小发电功率，Ppvi,max为光伏最大发电功率，Ppvi为i点的发电功率；
线路有功功率约束：
|Pi|≤Pimax，
其中：Pi为支路i的有功功率，Pimax为支路i允许的最大功率；
节点电压约束：
Vimin≤Vi≤Vimax，
其中：Vimin为节点i最小允许电压，Vimax为节点i最大允许电压，Vi为节点i的电压值。
CN202111383612.XA 2021-11-19 2021-11-19 一种配电网分布式光伏双层协同优化投资决策方法 Active CN113991742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111383612.XA CN113991742B (zh) 2021-11-19 2021-11-19 一种配电网分布式光伏双层协同优化投资决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111383612.XA CN113991742B (zh) 2021-11-19 2021-11-19 一种配电网分布式光伏双层协同优化投资决策方法

Publications (2)

Publication Number Publication Date
CN113991742A true CN113991742A (zh) 2022-01-28
CN113991742B CN113991742B (zh) 2024-04-16

Family

ID=79749640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111383612.XA Active CN113991742B (zh) 2021-11-19 2021-11-19 一种配电网分布式光伏双层协同优化投资决策方法

Country Status (1)

Country Link
CN (1) CN113991742B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841217A (zh) * 2022-09-30 2023-03-24 四川大学 计及逆变器无功支撑能力的主动配电网双层优化配置方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103078391A (zh) * 2013-01-10 2013-05-01 长兴县供电局 一种基于光伏发电系统的配电网供电恢复方法
CN105449675A (zh) * 2015-12-29 2016-03-30 吉林大学 优化分布式能源接入点和接入比例的电力网络重构方法
CN107301472A (zh) * 2017-06-07 2017-10-27 天津大学 基于场景分析法和电压调节策略的分布式光伏规划方法
CN107732945A (zh) * 2017-11-06 2018-02-23 沈阳工程学院 一种基于模拟退火粒子群算法的储能单元优化方法
CN108134385A (zh) * 2018-01-02 2018-06-08 国网冀北电力有限公司秦皇岛供电公司 主动配电网规划方法以及装置
CN108242807A (zh) * 2018-01-19 2018-07-03 广东电网有限责任公司河源供电局 一种考虑多维安全约束的含光伏电源配电网重构方法
CN109523060A (zh) * 2018-10-22 2019-03-26 上海交通大学 高比例可再生能源在输配电网协同接入下的配比优化方法
CN110909939A (zh) * 2019-11-22 2020-03-24 国网四川省电力公司经济技术研究院 一种含分布式电源的配电网多阶段规划方法
CN110994665A (zh) * 2019-10-15 2020-04-10 国网天津市电力公司 一种分布式光伏多点接入低压配电网选址方法
CN112531789A (zh) * 2021-01-05 2021-03-19 华北电力大学 一种含分布式电源的配电网动态重构策略
CN112561252A (zh) * 2020-11-30 2021-03-26 郑州轻工业大学 一种含新能源地区电网无功组合评价方法
CN113629778A (zh) * 2021-08-06 2021-11-09 国网安徽省电力有限公司经济技术研究院 一种分布式光伏配电网光储系统设计方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103078391A (zh) * 2013-01-10 2013-05-01 长兴县供电局 一种基于光伏发电系统的配电网供电恢复方法
CN105449675A (zh) * 2015-12-29 2016-03-30 吉林大学 优化分布式能源接入点和接入比例的电力网络重构方法
CN107301472A (zh) * 2017-06-07 2017-10-27 天津大学 基于场景分析法和电压调节策略的分布式光伏规划方法
CN107732945A (zh) * 2017-11-06 2018-02-23 沈阳工程学院 一种基于模拟退火粒子群算法的储能单元优化方法
CN108134385A (zh) * 2018-01-02 2018-06-08 国网冀北电力有限公司秦皇岛供电公司 主动配电网规划方法以及装置
CN108242807A (zh) * 2018-01-19 2018-07-03 广东电网有限责任公司河源供电局 一种考虑多维安全约束的含光伏电源配电网重构方法
CN109523060A (zh) * 2018-10-22 2019-03-26 上海交通大学 高比例可再生能源在输配电网协同接入下的配比优化方法
CN110994665A (zh) * 2019-10-15 2020-04-10 国网天津市电力公司 一种分布式光伏多点接入低压配电网选址方法
CN110909939A (zh) * 2019-11-22 2020-03-24 国网四川省电力公司经济技术研究院 一种含分布式电源的配电网多阶段规划方法
CN112561252A (zh) * 2020-11-30 2021-03-26 郑州轻工业大学 一种含新能源地区电网无功组合评价方法
CN112531789A (zh) * 2021-01-05 2021-03-19 华北电力大学 一种含分布式电源的配电网动态重构策略
CN113629778A (zh) * 2021-08-06 2021-11-09 国网安徽省电力有限公司经济技术研究院 一种分布式光伏配电网光储系统设计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SINGLA, MK , 等: "Cost-benefit comparison of fuel cell-based and battery-based renewable energy systems", INTERNATIONAL JOURNAL OF ENERGY RESEARCH, vol. 46, no. 2, 29 September 2021 (2021-09-29), pages 1736 - 1755 *
陈颢元，等: "考虑输出功率相关性的光伏电站典型场景生成方法研究", 电力工程技术, vol. 40, no. 02, 28 March 2021 (2021-03-28), pages 11 - 17 *
马红明，等: "计及综合需求响应的电-热综合能源系统分布式光伏最大接入容量评估", 智慧电力, vol. 49, no. 8, 20 August 2021 (2021-08-20), pages 23 - 30 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841217A (zh) * 2022-09-30 2023-03-24 四川大学 计及逆变器无功支撑能力的主动配电网双层优化配置方法
CN115841217B (zh) * 2022-09-30 2023-10-24 四川大学 计及逆变器无功支撑能力的主动配电网双层优化配置方法

Also Published As

Publication number Publication date
CN113991742B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
Xu et al. Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS
Gharibi et al. Technical and economical bi-objective design of a grid-connected photovoltaic/diesel generator/fuel cell energy system
CN102623989B (zh) 一种间歇分布式电源优化配置方法
CN112036611B (zh) 一种计及风险的电网优化规划方法
CN103683326A (zh) 一种区域电网风电多点接入最佳接纳能力的计算方法
Kong et al. Optimization of the hybrid solar power plants comprising photovoltaic and concentrating solar power using the butterfly algorithm
CN112994092B (zh) 一种基于功率预测的独立风光储微电网系统尺寸规划方法
Rouhani et al. A comprehensive method for optimum sizing of hybrid energy systems using intelligence evolutionary algorithms
CN114595868A (zh) 一种综合能源系统源网荷储协同规划方法及系统
Ma et al. An interval scheduling method for the CCHP system containing renewable energy sources based on model predictive control
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
Li et al. Optimal sizing for a wind-photovoltaic-hydrogen hybrid system considering levelized cost of storage and source-load interaction
Yang et al. Distributionally robust optimal dispatch modelling of renewable-dominated power system and implementation path for carbon peak
CN115423153A (zh) 基于概率预测的光伏储能系统能量管理方法
Khoubseresht et al. An analytical optimum method for simultaneous integration of PV, wind turbine and BESS to maximize technical benefits
Pan et al. Operating strategy for grid-connected solar-wind-battery hybrid systems using improved grey wolf optimization
CN113991742A (zh) 一种配电网分布式光伏双层协同优化投资决策方法
CN113972694A (zh) 一种配电网分布式光伏与储能电站投资决策方法
Liu et al. Effects of reliability index on optimal configuration of hybrid solar/battery energy system by optimization approach: a case study
CN113013881B (zh) 考虑能源站的配电网分布式光伏并网接纳能力计算方法
Fang et al. Energy scheduling and decision learning of combined cooling, heating and power microgrid based on deep deterministic policy gradient
Kai et al. Optimization for PV-ESS in Distribution Network Based on CSBO
Zhang et al. Optimal operation regulation strategy of multi-energy complementary system considering source load storage dynamic characteristics in oilfield well sites
CN113011655A (zh) 一种基于两阶段随机规划的社区多能源系统的混合储能系统规划方法
Ning et al. Short-term master-slave forecast method for distributed photovoltaic plants based on the spatial correlation

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