CN114142461A - 考虑电网形态演变和结构发展的新能源差异化配置方法 - Google Patents

考虑电网形态演变和结构发展的新能源差异化配置方法 Download PDF

Info

Publication number
CN114142461A
CN114142461A CN202111400069.XA CN202111400069A CN114142461A CN 114142461 A CN114142461 A CN 114142461A CN 202111400069 A CN202111400069 A CN 202111400069A CN 114142461 A CN114142461 A CN 114142461A
Authority
CN
China
Prior art keywords
power
line
constraint
model
cost
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
CN202111400069.XA
Other languages
English (en)
Other versions
CN114142461B (zh
Inventor
蔡德福
王莹
林毓军
王作维
周鲲鹏
刘海光
陈汝斯
余笑东
王文娜
饶渝泽
张良一
苗世洪
孙冠群
王尔玺
涂青宇
郑重
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.)
Huazhong University of Science and Technology
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Huazhong University of Science and Technology
Electric Power Research Institute of State Grid Hubei 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 Huazhong University of Science and Technology, Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202111400069.XA priority Critical patent/CN114142461B/zh
Publication of CN114142461A publication Critical patent/CN114142461A/zh
Application granted granted Critical
Publication of CN114142461B publication Critical patent/CN114142461B/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
    • 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
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种考虑电网形态演变和结构发展的新能源差异化配置方法，首先构建以可再生能源消纳率最高、消纳成本最低、系统运行可靠性最高为优化目标，以线路扩建位置及数量、新能源机组和储能电站的安装容量为规划变量的上层模型；其次，提出包括多类型资源协调调度的系统优化运行模型和系统可靠性评估模型的下层模型，在接受上层模型规划方案的基础上分别评估系统可再生能源消纳率、可再生能源消纳成本以及运行可靠性，并将规划方案评估结果返回给上层模型。本发明可以有效均衡可再生能源消纳率、消纳成本以及系统运行可靠性之间的关系，有效获取电网多目标结构发展规划方案，从而实现可再生能源的安全经济消纳。

Description

考虑电网形态演变和结构发展的新能源差异化配置方法
技术领域
本发明涉及电力系统优化规划领域，具体是一种考虑电网形态演变和结构发展的新能源差异化配置方法。
背景技术
随着能源危机和环境污染问题的日益严重，大力发展可再生能源，构建可持续发展能源体系已成为各个国家实现低碳经济、推动能源转型升级的战略选择。然而，可再生能源固有的波动性和随机性导致的电网潮流、电压波动以及弃风弃光问题，极大地阻碍了其在电力系统中的推广应用。因此，亟需对现有电力系统进行结构发展规划，通过储能增设以及线路扩建实现可再生能源的安全经济消纳。
针对高比例风电和水电并网的电力系统，提高可再生能源消纳率需要配置额外的储能容量以及扩建线路，增加消纳成本，同时，风电的波动性、水电流量限制以及元件随机故障会导致系统出现弃风弃负荷现象，从而影响运行可靠性。
发明内容
本发明的目的是针对现有技术存在的上述问题，平衡可再生能源消纳率、消纳成本以及运行可靠性。通过构建双层结构发展规划模型来实现多目标的协调优化。为实现以上目的，本发明的技术方案如下：
一种考虑电网形态演变和结构发展的新能源差异化配置方法，依次包括以下步骤：
步骤A、建立以可再生能源消纳率最高、消纳成本最低、系统运行可靠性最高为优化目标的上层模型，制定优化规划方案，其中，规划变量为线路扩建位置及数量、新能源机组和储能电站的安装容量，上层模型在制定规划方案后，将其传递给下层模型，并根据下层模型返回的评估值进行规划方案的迭代优化；
步骤B、建立下层模型，所述下层模型分别包括多类型资源协调调度的系统优化运行模型和系统可靠性评估模型，在接受上层模型规划方案的基础上分别评估系统可再生能源消纳率、可再生能源消纳成本以及运行可靠性，并将规划方案评估结果返回给上层模型。
进一步的，步骤A中所建立的上层模型包含三个优化目标，分别是可再生能源消纳率最高、消纳成本最低、系统运行可靠性最高，其中，可再生能源消纳率最高如下式所示：
Figure BDA0003371286060000021
式中，Rrep为系统可再生能源消纳率；i为系统网络节点；Ω为网络节点集合；t为调度时刻；
Figure BDA0003371286060000022
为t时刻节点i消纳的风光出力功率；
Figure BDA0003371286060000023
为t时刻节点i消纳的水电功率；ρi,t为t时刻节点i的弃风率；
Figure BDA0003371286060000024
为t时刻节点i的负荷功率；
消纳成本最低如下式所示：
minRc＝RL+RES+CES-RP
Figure BDA0003371286060000025
式中，Rc为可再生能源消纳成本，由日均线路扩建成本RL、日均储能配置成本RES、储能运行维护成本CES以及可再生能源消纳补贴RP四部分构成；r1、r2分别为线路和储能电站的日均折现系数；l为建设支路变量；BS为建设支路集合；cn,l为线路l的单位长度建设成本；Il为线路l的新建支路数量；BL,l为线路l的长度；cES为储能电站单元建设成本；MES,i为节点i的储能电站建设数量；
Figure BDA0003371286060000026
分别为储能电站运行固定和可变成本系数；
Figure BDA0003371286060000027
分别为节点i储能电站在t时刻的充放电功率；cpw、crw分别为风电功率和水电功率的补贴系数；s为折算率；NP1,2为线路、储能电站的使用寿命；
系统运行可靠性最高如下式所示：
Figure BDA0003371286060000031
式中，EEENS代表系统负荷断供容量期望值；S为可靠性评估状态样本集合；k为状态样本变量；pk为样本k出现的概率；
Figure BDA0003371286060000032
为负荷断供容量值。
进一步的，步骤A中上层模型的约束条件包括规划成本约束、储能电站配置单元约束以及扩建线路数量约束，其中，规划成本约束如下式所示：
Figure BDA0003371286060000033
式中，RL、RES代表日均线路扩建成本以及日均储能配置成本，
Figure BDA0003371286060000034
代表规划方案的总预算；
储能电站配置单元约束如下式所示：
Figure BDA0003371286060000035
式中，
Figure BDA0003371286060000036
为储能电站的最大建设单元数量；
扩建线路数量约束如下式所示：
Figure BDA0003371286060000037
式中，
Figure BDA0003371286060000038
代表为l所在走廊最大允许扩建线路数。
进一步的，步骤B中下层模型中的多类型资源协调调度的系统优化运行模型，模型的优化目标为最大化可再生能源消纳率，模型的约束条件包括线路潮流约束、风光出力功率约束、节点功率平衡约束、水电送电约束；
线路潮流如下式所示：
Figure BDA0003371286060000039
式中，fl,t为t时刻线路l的潮流值；bl,n、bl,I分别为线路l原有支路和新建支路的导纳值；l+、l-为线路l的始末节点；
Figure BDA00033712860600000310
分别为t时刻线路l始末节点相角；
线路潮流约束如下式所示：
-(Bl+Il)Fl,max≤fl,t≤(Bl+Il)Fl,max
式中，Bl为线路l原有支路数；Fl,max为线路l潮流限值；
风光出力功率约束包括风电出力功率约束和光伏出力功率约束，其中风电出力功率约束如下所示：
0≤Pt wi≤GWPt wre
式中，Pt wi为t时刻风电机组的出力功率；Pt wre为可用风电资源；GW为风电机组装机容量系数；
光伏出力功率约束如下所示：
0≤Pt s≤GSPt sre
式中，Pt s为t时刻光伏机组的出力功率；Pt sre为可用光伏资源；GS为光伏机组装机容量系数；
节点功率平衡约束如下式所示：
Figure BDA0003371286060000041
式中，
Figure BDA0003371286060000042
为t时刻节点i火电机组出力；N-(i)为以i为末节点的线路集合；N+(i)为以i为始节点的线路集合；
水电送电约束：包括梯级水电站水量平衡约束、水电出力功率约束、梯级水电站水库库容约束，
水电考虑水流延迟后的梯级水电站水量平衡约束如下式所示：
V1,t+1＝V1,t+q1,t-Q1,t-S1,t
Vx,t+1＝Vx,t+qx,t-Qx,t-Sx,t+Qx-1,t-τ+Sx-1,t-τ
式中，Vx,t为t时刻第x级水电站库容；qx,t为t时刻第x级水电站的天然来水量；Qx,t为t时刻第x级水电站的发电流量；Sx,t为t时刻第x级水电站的弃水量；τ为第x-1级水电站到第x级水电站的水流到达时间；
根据能量守恒定律，水电输出功率满足：
Figure BDA0003371286060000043
式中，Hx,t为t时刻第x级水电站的水头；ηx为第x级水电站的发电效率；
受水电机组出力和外送管道容量限制，水电出力功率需满足基本约束：
Figure BDA0003371286060000051
式中，
Figure BDA0003371286060000052
为水电出力功率上下限；
梯级水电站水库库容需满足上下限值约束和始末调度时刻平衡约束：
Vx,min≤Vx,t≤Vx,max
|Vx,24-Vx,0|≤ΔV
式中，Vx,min、Vx,max分别为第x级水电站库容上下限；Vx,0、Vx,24为始末时刻第x级水电站的库容；ΔV为允许的库容偏差值。
进一步的，步骤B中，下层所建立的系统可靠性评估模型包括建立随机故障模型，获取系统状态样本以及计算可靠性评估指标三个部分，首先，通过元件状态转移模型描述系统中线路和风电机组的随机故障，在此基础上，结合马尔科夫蒙特卡洛法的Gibbs采样器获取系统状态样本；最后，构建系统故障后恢复模型计算可靠性指标，从而定量评估系统运行可靠性。
进一步的，步骤B中，系统故障后恢复模型以弃风惩罚成本
Figure BDA0003371286060000053
和负荷断供惩罚成本
Figure BDA0003371286060000054
之和最小为目标函数，如下式所示：
Figure BDA0003371286060000055
Figure BDA0003371286060000056
式中，
Figure BDA0003371286060000057
分别为弃风惩罚成本和负荷断供惩罚成本的加权系数；
Figure BDA0003371286060000058
为恢复过程中节点i时刻t的弃风量。
进一步的，步骤B中，系统故障后恢复模型包括故障后线路潮流上下限约束以及节点功率平衡约束，如下式所示：
-dl,t(Bl+Il)Fl,max≤fl,t≤dl,t(Bl+Il)Fl,max
Figure BDA0003371286060000059
式中，dl,t为t时刻系统网络线路l的故障指示变量，dl,t＝1代表线路正常运行，dl,t＝0代表线路故障停运；
Figure BDA0003371286060000061
为t时刻节点i风电接入线路的故障指示变量，通过优化求解系统故障后恢复模型，可获取最小负荷断供容量，从而计算能量不足期望值。
进一步的，步骤B中，评估系统可再生能源消纳率、可再生能源消纳成本以及运行可靠性，具体包括：首先，通过可靠性评估模型预先生成多组可靠性分析样本作为极限学习机的训练与测试数据，其中输入数据为线路扩建和储能配置方案，输出数据为基于负荷断供容量的可靠性指标；随后，采用训练数据对极限学习机进行训练，并利用测试数据对训练效果进行检验，若计算精度满足要求则结束训练，否则返回生成更多数据进行训练直至满足精度要求；通过大量训练样本可以有效建立规划方案到可靠性指标的映射关系，从而实现运行可靠性的快速评估。
进一步的，利用NSGA-Ⅱ算法对双层模型进行整体优化求解，具体实施步骤如下：
(1)初始化网架结构、负荷、线路建设费用等模型参数；初始化迭代次数g＝1、最大迭代次数gen等算法参数；
(2)随机生成规划方案集合(线路扩建数和储能增建容量)，进行规划方案网架连通性检验；
(3)根据下层可靠性评估和系统优化运行模型，获取规划方案个体对应的多目标评估值；
(4)进行规划方案集的快速非支配排序和拥挤度计算，基于个体的非支配等级和拥挤度进行个体筛选；
(5)采用交叉和遗传操作生成子代个体，基于精英策略生成新父代种群；
(6)重复步骤(3)-(5)直到算法满足收敛条件，收敛条件为前算法循环次数g达到最大循环次数；
(7)算法输出结果为系统规划方案的Pareto优化解集。
进一步的，在优化求解Pareto解集后，进一步应用模糊集理论确定Pareto最优折中解，通过对可再生能源消纳率、消纳成本以及系统运行可靠性进行模糊归一化出力，定义投资者关于规划方案的效用函数，如下式所示：
Figure BDA0003371286060000071
式中，f1、f2、f3分别为规划方案对应的可再生能源消纳率、消纳成本以及系统运行可靠性目标函数的指标值，fimax、fimin(i＝1,2,3)分别为Pareto解集中三个目标函数的最大值和最小值，A、B、C为投资者关于不同目标的偏好系数，通过选取不同的A、B、C值，满足A+B+C＝1，获得不同偏好下的投资者的最优规划方案。
与现有技术相比，本发明的有益效果为：
本发明面向高比例风电接入和远方大容量水电并网的电网运行场景，考虑可再生能源消纳率与消纳成本，以及系统运行可靠性等多方面因素，通过构建双层优化规划模型并进行求解，可以有效平衡新能源消纳率与消纳成本的关系。因此，本发明可以有效获取面向可再生能源消纳率最高、消纳成本最低、系统运行可靠性最高的电网多目标结构发展规划方案，从而实现高比例风电和水电的可再生能源安全经济消纳。
附图说明
图1为本发明中电力系统线路的正常与故障两状态模型示意图；
图2为本发明中电力系统运行可靠性评估流程图；
图3为本发明中基于极限学习机的可靠性快速评估流程图；
图4为本发明中双层优化模型的优化求解流程图；
图5为本发明中待扩建的IEEE-6节点电力系统拓扑图；
图6为本发明中IEEE-6节点系统负荷数据图；
图7为本发明中IEEE-6节点系统新能源预测出力数据图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种考虑电网形态演变和结构发展的新能源差异化配置方法，包括以下步骤：
步骤A、建立以可再生能源消纳率最高、消纳成本最低、系统运行可靠性最高为优化目标的上层模型，制定优化规划方案，其中，规划变量为线路扩建位置及数量、新能源机组和储能电站的安装容量。上层模型在制定规划方案后，将其传递给下层模型，并根据下层模型返回的评估值进行规划方案的迭代优化；
步骤B、分别建立多类型资源协调调度的系统优化运行模型和可靠性评估模型的下层模型。在接受上层模型规划方案的基础上分别评估系统可再生能源消纳率、可再生能源消纳成本以及运行可靠性，并将规划方案评估结果返回给上层模型。
步骤A中，上层模型以可再生能源消纳率最高、消纳成本最低、系统运行可靠性最高为优化目标，规划变量为线路扩建位置及数量、储能电站的安装容量
步骤B中，下层分别建立多类型资源协调调度的系统优化运行模型和可靠性评估模型，从而对上层模型产生的规划方案进行有效评估。
步骤A中，可再生能源消纳率最高的优化目标如下式所示：
Figure BDA0003371286060000081
式中，Rrep为系统可再生能源消纳率；i为系统网络节点；Ω为网络节点集合；t为调度时刻；
Figure BDA0003371286060000082
为t时刻节点i消纳的风电出力功率；
Figure BDA0003371286060000083
为t时刻节点i消纳的水电功率；ρi,t为t时刻节点i的弃风率；
Figure BDA0003371286060000084
为t时刻节点i的负荷功率。
步骤A中，消纳成本最低的优化目标如下式所示：
minRc＝RL+RES+CES-RP
Figure BDA0003371286060000085
式中，Rc为可再生能源消纳成本，由日均线路扩建成本RL、日均储能配置成本RES、储能运行维护成本CES以及可再生能源消纳补贴RP四部分构成；r1、r2分别为线路和储能电站的日均折现系数；l为建设支路变量；BS为建设支路集合；cn,l为线路l的单位长度建设成本；Il为线路l的新建支路数量；BL,l为线路l的长度；cES为储能电站单元建设成本；MES,i为节点i的储能电站建设数量；
Figure BDA0003371286060000091
分别为储能电站运行固定和可变成本系数；
Figure BDA0003371286060000092
分别为节点i储能电站在t时刻的充放电功率；cpw、crw分别为风电功率和水电功率的补贴系数；s为折算率；NP1,2为线路、储能电站的使用寿命。
本发明采用能量不足期望值EENS(Expected Energy Not Supplied)作为指标评估规划方案对应的系统运行可靠性。EENS指在被研究的状态样本中系统负荷断供容量的期望值。
系统运行可靠性最高如下式所示：
Figure BDA0003371286060000093
式中，EEENS代表系统负荷断供容量期望值；S为可靠性评估状态样本集合；k为状态样本变量；pk为样本k出现的概率；
Figure BDA0003371286060000094
为负荷断供容量值。
步骤A中，上层模型的约束条件包括规划成本约束、储能电站配置单元约束以及扩建线路数量约束。
规划成本约束如下式所示：
Figure BDA0003371286060000095
式中，
Figure BDA0003371286060000096
代表规划方案的总预算。
考虑到储能电站配置容量受场地、最小规划单元容量等多方面因素的限制，因此本发明取储能电站的配置容量为一系列离散的取值，如下式所示：
Figure BDA0003371286060000097
式中，
Figure BDA0003371286060000098
为储能电站的最大建设单元数量。
扩建线路数量约束如下式所示：
Figure BDA0003371286060000101
式中，
Figure BDA0003371286060000102
代表为l所在走廊最大允许扩建线路数。
步骤B中，下层模型主要为多类型资源协调调度的系统优化运行模型以及系统运行可靠性评估模型。其中，多类型资源协调调度的系统优化运行模型，以尽可能消纳可再生能源为目标优化系统运行方式，从而合理评估规划方案所对应的可再生能源消纳率和消纳成本。
系统优化运行模型的优化目标为最大化可再生能源消纳率，模型的约束条件包括线路潮流约束、风光出力功率约束、节点功率平衡约束、水电送电约束。
线路潮流约束如下式所示：
Figure BDA0003371286060000103
式中，fl,t为t时刻线路l的潮流值；bl,n、bl,I分别为线路l原有支路和新建支路的导纳值；l+、l-为线路l的始末节点；
Figure BDA0003371286060000104
分别为t时刻线路l始末节点相角。
线路潮流上下限约束如下式所示：
-(Bl+Il)Fl,max≤fl,t≤(Bl+Il)Fl,max
式中，Bl为线路l原有支路数；Fl,max为线路l潮流限值。
风光出力功率约束包括风电出力功率约束和光伏出力功率约束，其中风电出力功率约束如下所示：
0≤Pt wi≤GWPt wre
式中，Pt wi为t时刻风电机组的出力功率；Pt wre为可用风电资源；GW为风电机组装机容量系数。
光伏出力功率约束如下所示：
0≤Pt s≤GSPt sre
式中，Pt s为t时刻光伏机组的出力功率；Pt sre为可用光伏资源；GS为光伏机组装机容量系数。
节点功率平衡约束如下式所示：
Figure BDA0003371286060000111
式中，
Figure BDA0003371286060000112
为t时刻节点i火电机组出力；N-(i)为以i为末节点的线路集合；N+(i)为以i为始节点的线路集合。
水电作为可再生能源，存在空间分配不均匀，自然环境差异大的特征。因此，在优化运行时考虑对水电进行合理调度，既能解决用电中心电量匮乏的问题，同时还能促进水力资源的消纳。本文结合梯级水电站中水电机组的能量特性研究，同时考虑其外送限制，对水电的转化特性和运行特性进行描述。
水电送电约束：梯级水电站将上游水库的势能转化为电能，发出的水电通过送电通道接入电力系统。因此，本发明提出的水电送电约束包括梯级水电站水量平衡约束、水电出力功率约束、梯级水电站水库库容约束。
考虑水流延迟后的梯级水电站水量平衡约束，如下所示：
V1,t+1＝V1,t+q1,t-Q1,t-S1,t
Vx,t+1＝Vx,t+qx,t-Qx,t-Sx,t+Qx-1,t-τ+Sx-1,t-τ
式中，Vx,t为t时刻第x级水电站库容；qx,t为t时刻第x级水电站的天然来水量；Qx,t为t时刻第x级水电站的发电流量；Sx,t为t时刻第x级水电站的弃水量；τ为第x-1级水电站到第x级水电站的水流到达时间。
根据能量守恒定律，水电输出功率满足：
Figure BDA0003371286060000113
式中，Hx,t为t时刻第x级水电站的水头；ηx为第x级水电站的发电效率。
受水电机组出力和外送管道容量限制，水电出力功率需满足基本约束：
Figure BDA0003371286060000114
式中，
Figure BDA0003371286060000115
为水电出力功率上下限。
梯级水电站水库库容需满足上下限值约束和始末调度时刻平衡约束：
Vx,min≤Vx,t≤Vx,max
|Vx,24-Vx,0|≤ΔV
式中，Vx,min、Vx,max分别为第x级水电站库容上下限；Vx,0、Vx,24为始末时刻第x级水电站的库容；ΔV为允许的库容偏差值。
梯级水电站作为可调节水电站，需要承担水资源综合利用的任务，因此，水电需根据水库调度部门安排其发电用水量，满足日发电量积分的上下限值约束：
Figure BDA0003371286060000121
式中，
Figure BDA0003371286060000122
为日发电量积分的最大、最小值。
步骤B中，本发明采用马尔科夫蒙特卡洛法建立系统运行可靠性评估模型。首先，通过元件状态转移模型描述系统中线路和风电机组的随机故障，在此基础上，结合马尔科夫蒙特卡洛法的Gibbs采样器获取系统状态样本；最后，构建系统故障后恢复模型计算可靠性指标，从而定量评估系统运行可靠性。
对于电力系统中的运行线路，其运行状态{X(t),t∈T}是一种随机过程。假设该随机过程未来状态X(tn+1)的条件概率分布具有无记忆性，即仅取决于系统当前运行状态X(tn)，而与过往状态X(t1)，X(t2)，…，X(tn-1)无关，则可用马尔科夫过程对线路运行状态进行建模，描述线路正常与故障状态转换过程。电力系统线路的正常与故障两状态模型示意图参见图1。
在线路状态转移模型的基础上，本文采用Gibbs采样器来产生系统运行可靠性评估所需的状态样本，其基本思想是用条件分布的抽样来逼近联合概率分布的抽样，所采集样本的统计特征即能反映出联合概率分布的特征。假设需采集的线路数量为m，则第n个样本X(tn)可表示为：
X(tn)＝[x1(tn),x2(tn),..xk(tn).,xm(tn)]
步骤B中，本发明进一步建立系统故障后恢复模型，求解随机故障状态下系统的再调度计划以及对应的负荷断供容量，从而准确计算可靠性指标。
系统故障后恢复模型以弃风惩罚成本
Figure BDA0003371286060000123
和负荷断供惩罚成本
Figure BDA0003371286060000124
之和最小为目标函数。通过设置合理的加权系数从而确保故障状态下系统的负荷供应和可再生能源消纳，如下式所示：
Figure BDA0003371286060000125
Figure BDA0003371286060000131
式中，
Figure BDA0003371286060000132
分别为弃风惩罚成本和负荷断供惩罚成本的加权系数；
Figure BDA0003371286060000133
为恢复过程中节点i时刻t的弃风量。
当线路发生随机故障后，需要在原有优化运行模型约束条件的基础上修改线路潮流上下限约束和节点功率平衡约束，加入故障指示变量，模型的约束条件如下式所示：
-dl,t(Bl+Il)Fl,max≤fl,t≤dl,t(Bl+Il)Fl,max
Figure BDA0003371286060000134
式中，dl,t为t时刻系统网络线路l的故障指示变量(dl,t＝1代表线路正常运行，dl,t＝0代表线路故障停运)；
Figure BDA0003371286060000135
为t时刻节点i风电接入线路的故障指示变量。通过优化求解系统故障后恢复模型，可获取最小负荷断供容量，从而计算能量不足期望值。电力系统运行可靠性评估流程图参见图2。
步骤B中，由于考虑清洁能源安全经济消纳的输电网结构发展规划模型为多目标优化模型，需要根据系统的优化目标进行反复多次求解，从而获得协调优化的规划方案。其中，纯模型驱动的传统可靠性评估方法能够通过输入线路扩建和储能配置结果，得到规划方案对应的可靠性指标。然而，由于在评估过程中需要反复采样获取状态样本并求解故障后恢复模型，导致纯模型驱动的可靠性评估方法求解效率较低，计算时间较长且硬件资源需求较高，制约了多目标优化模型的实际应用。本发明结合极限学习机建立可靠性快速评估，通过大量训练样本建立规划方案到可靠性指标的映射关系，实现对系统运行可靠性的快速评估。
步骤B中，评估系统可再生能源消纳率、可再生能源消纳成本以及运行可靠性，具体包括：首先，通过可靠性评估模型预先生成多组可靠性分析样本作为极限学习机的训练与测试数据，其中输入数据为线路扩建和储能配置方案，输出数据为基于负荷断供容量的可靠性指标。随后，采用训练数据对极限学习机进行训练，并利用测试数据对训练效果进行检验，若计算精度满足要求则结束训练，否则返回生成更多数据进行训练直至满足精度要求。通过大量训练样本可以有效建立规划方案到可靠性指标的映射关系，从而实现运行可靠性的快速评估。基于极限学习机的可靠性快速评估流程图参见图3。
步骤B中，本发明采用均方误差指标计算极限学习机的计算误差，如下式所示：
Figure BDA0003371286060000141
式中，ERRtest为极限学习机的测试误差；ntest为测试数据组数；nout为输出个数；Yact,i,j为测试数据实际对应的可靠性评估结果；Ytest,i,j为测试数据输入极限学习机后输出的可靠性评估结果。
在此基础上，本发明利用NSGA-Ⅱ算法对双层模型进行优化求解。双层优化模型的优化求解流程图参见图4。具体实施步骤如下：
(1)初始化网架结构、负荷、线路建设费用等模型参数；初始化迭代次数g＝1、最大迭代次数gen等算法参数。
(2)随机生成规划方案集合(线路扩建数和储能增建容量)，进行规划方案网架连通性检验。
(3)根据下层可靠性评估和系统优化运行模型，获取规划方案个体对应的多目标评估值。
(4)进行规划方案集的快速非支配排序和拥挤度计算，基于个体的非支配等级和拥挤度进行个体筛选。
(5)采用交叉和遗传操作生成子代个体，基于精英策略生成新父代种群。
(6)重复步骤(3)-(5)直到算法满足收敛条件。收敛条件为前算法循环次数g达到最大循环次数。
(7)算法输出结果为系统规划方案的Pareto优化解集。
在优化求解Pareto解集后，本发明进一步应用模糊集理论确定Pareto最优折中解。通过对可再生能源消纳率、消纳成本以及系统运行可靠性进行模糊归一化出力，定义投资者关于规划方案的效用函数，如下式所示：
Figure BDA0003371286060000142
式中，f1、f2、f3分别为规划方案对应的可再生能源消纳率、消纳成本以及系统运行可靠性目标函数的指标值。fimax、fimin(i＝1,2,3)分别为Pareto解集中三个目标函数的最大值和最小值。A、B、C为投资者关于不同目标的偏好系数。通过选取不同的A、B、C值(满足A+B+C＝1)，可以获得不同偏好下的投资者的最优规划方案。
所述优化规划结果包括各条通道走廊中新建的电力线路条数，以及节点增设的储能电站容量。
下面以一个具体实施例进行说明：
一种考虑电网形态演变和结构发展的新能源差异化配置方法，包括：
步骤A、上层模型以可再生能源消纳率最高、消纳成本最低、系统运行可靠性最高为优化目标，制定优化规划方案。其中，待扩建的IEEE-6节点电力系统拓扑图参见图5，IEEE-6节点系统各个节点发电机与负荷参数参见表1，IEEE-6节点系统各个支路参数参见表2，功率的基准值取为100MW，线路静态投资单价成本为50万元/km，系统单位电价为0.3元/kWh，年损耗小时数取2000h，规划期15年。资金贴现率r＝0.1。规划变量为线路扩建位置及数量、储能电站的安装容量。上层模型在制定规划方案后，将其传递给下层模型，并根据下层模型返回的评估值进行规划方案的迭代优化；上层模型制定的规划方案如表3所示。
步骤B、下层分别建立多类型资源协调调度的系统优化运行模型和可靠性评估模型。其中，IEEE-6节点系统负荷数据参见图6，IEEE-6节点系统新能源预测出力数据参见图7。在接受上层模型规划方案的基础上分别评估系统可再生能源消纳率、可再生能源消纳成本以及运行可靠性，并将规划方案评估结果返回给上层模型。
步骤A中，可再生能源消纳率最高的优化目标如下式所示：
Figure BDA0003371286060000151
式中，Rrep为系统可再生能源消纳率；i为系统网络节点；Ω为网络节点集合；t为调度时刻；
Figure BDA0003371286060000152
为t时刻节点i消纳的风电出力功率；
Figure BDA0003371286060000153
为t时刻节点i消纳的水电功率；ρi,t为t时刻节点i的弃风率；
Figure BDA0003371286060000161
为t时刻节点i的负荷功率。
步骤A中，消纳成本最低的优化目标如下式所示：
minRc＝RL+RES+CES-RP
Figure BDA0003371286060000162
式中，Rc为可再生能源消纳成本，由日均线路扩建成本RL、日均储能配置成本RES、储能运行维护成本CES以及可再生能源消纳补贴RP四部分构成；r1、r2分别为线路和储能电站的日均折现系数；l为建设支路变量；BS为建设支路集合；cn,l为线路l的单位长度建设成本；Il为线路l的新建支路数量；BL,l为线路l的长度；cES为储能电站单元建设成本；MES,i为节点i的储能电站建设数量；
Figure BDA0003371286060000163
分别为储能电站运行固定和可变成本系数；
Figure BDA0003371286060000164
分别为节点i储能电站在t时刻的充放电功率；cpw、crw分别为风电功率和水电功率的补贴系数；s为折算率；NP1,2为线路、储能电站的使用寿命。
系统运行可靠性最高如下式所示：
Figure BDA0003371286060000165
式中，EEENS代表系统负荷断供容量期望值；S为可靠性评估状态样本集合；k为状态样本变量；pk为样本k出现的概率；
Figure BDA0003371286060000166
为负荷断供容量值。
步骤A中，上层模型的约束条件包括规划成本约束、储能电站配置单元约束以及扩建线路数量约束。
规划成本约束如下式所示：
Figure BDA0003371286060000171
式中，
Figure BDA0003371286060000172
代表规划方案的总预算。
考虑到储能电站配置容量受场地、最小规划单元容量等多方面因素的限制，因此本发明取储能电站的配置容量为一系列离散的取值，如下式所示：
Figure BDA0003371286060000173
式中，
Figure BDA0003371286060000174
为储能电站的最大建设单元数量。
扩建线路数量约束如下式所示：
Figure BDA0003371286060000175
式中，
Figure BDA0003371286060000176
代表为l所在走廊最大允许扩建线路数。
步骤B中，下层模型主要为多类型资源协调调度的系统优化运行模型以及系统运行可靠性评估模型。其中，多类型资源协调调度的系统优化运行模型，以尽可能消纳可再生能源为目标优化系统运行方式，从而合理评估规划方案所对应的可再生能源消纳率和消纳成本。
模型的优化目标为最大化可再生能源消纳率，模型的约束条件包括线路潮流约束、风光出力功率约束、节点功率平衡约束、水电送电约束。
线路潮流约束如下式所示：
Figure BDA0003371286060000177
式中，fl,t为t时刻线路l的潮流值；bl,n、bl,I分别为线路l原有支路和新建支路的导纳值；l+、l-为线路l的始末节点；
Figure BDA0003371286060000178
分别为t时刻线路l始末节点相角。
线路潮流上下限约束如下式所示：
-(Bl+Il)Fl,max≤fl,t≤(Bl+Il)Fl,max
式中，Bl为线路l原有支路数；Fl,max为线路l潮流限值。
风电出力功率约束如下所示：
0≤Pt wi≤GWPt wre
式中，Pt wi为t时刻风电机组的出力功率；Pt wre为可用风电资源；GW为风电机组装机容量系数。
光伏出力功率约束如下所示：
0≤Pt s≤GSPt sre
式中，Pt s为t时刻光伏机组的出力功率；Pt sre为可用光伏资源；GS为光伏机组装机容量系数。
节点功率平衡约束如下式所示：
Figure BDA0003371286060000181
式中，
Figure BDA0003371286060000182
为t时刻节点i火电机组出力；N-(i)为以i为末节点的线路集合；N-(i)为以i为始节点的线路集合。
水电作为可再生能源，存在空间分配不均匀，自然环境差异大的特征。因此，在优化运行时考虑对水电进行合理调度，既能解决用电中心电量匮乏的问题，同时还能促进水力资源的消纳。本文结合梯级水电站中水电机组的能量特性研究，同时考虑其外送限制，对水电的转化特性和运行特性进行描述。
考虑水流延迟后的梯级水电站水量平衡约束如下所示：
V1,t+1＝V1,t+q1,t-Q1,t-S1,t
Vx,t+1＝Vx,t+qx,t-Qx,t-Sx,t+Qx-1,t-τ+Sx-1,t-τ
式中，Vx,t为t时刻第x级水电站库容；qx,t为t时刻第x级水电站的天然来水量；Qx,t为t时刻第x级水电站的发电流量；Sx,t为t时刻第x级水电站的弃水量；τ为第x-1级水电站到第x级水电站的水流到达时间。
根据能量守恒定律，水电输出功率满足：
Figure BDA0003371286060000183
式中，Hx,t为t时刻第x级水电站的水头；ηx为第x级水电站的发电效率。
受水电机组出力和外送管道容量限制，水电出力功率需满足基本约束：
Figure BDA0003371286060000184
式中，
Figure BDA0003371286060000185
为水电出力功率上下限。
梯级水电站水库库容需满足上下限值约束和始末调度时刻平衡约束：
Vx,min≤Vx,t≤Vx,max
|Vx,24-Vx,0|≤ΔV
式中，Vx,min、Vx,max分别为第x级水电站库容上下限；Vx,0、Vx,24为始末时刻第x级水电站的库容；ΔV为允许的库容偏差值。
梯级水电站作为可调节水电站，需要承担水资源综合利用的任务，因此，水电需根据水库调度部门安排其发电用水量，满足日发电量积分的上下限值约束：
Figure BDA0003371286060000191
式中，
Figure BDA0003371286060000192
为日发电量积分的最大、最小值。
步骤B中，本发明采用马尔科夫蒙特卡洛法建立系统运行可靠性评估模型。首先，通过元件状态转移模型描述系统中线路和风电机组的随机故障，在此基础上，结合马尔科夫蒙特卡洛法的Gibbs采样器获取系统状态样本；最后，构建系统故障后恢复模型计算可靠性指标，从而定量评估系统运行可靠性。
对于电力系统中的运行线路，其运行状态{X(t),t∈T}是一种随机过程。假设该随机过程未来状态X(tn+1)的条件概率分布具有无记忆性，即仅取决于系统当前运行状态X(tn)，而与过往状态X(t1)，X(t2)，…，X(tn-1)无关，则可用马尔科夫过程对线路运行状态进行建模，描述线路正常与故障状态转换过程。电力系统线路的正常与故障两状态模型示意图参见图1。
在线路状态转移模型的基础上，本文采用Gibbs采样器来产生系统运行可靠性评估所需的状态样本，其基本思想是用条件分布的抽样来逼近联合概率分布的抽样，所采集样本的统计特征即能反映出联合概率分布的特征。假设需采集的线路数量为m，则第n个样本X(tn)可表示为：
X(tn)＝[x1(tn),x2(tn),..xk(tn).,xm(tn)]
步骤B中，本发明进一步建立系统故障后恢复模型，求解随机故障状态下系统的再调度计划以及对应的负荷断供容量，从而准确计算可靠性指标。
故障后恢复模型以弃风惩罚成本
Figure BDA0003371286060000201
和负荷断供惩罚成本
Figure BDA0003371286060000202
之和最小为目标函数。通过设置合理的加权系数从而确保故障状态下系统的负荷供应和可再生能源消纳，如下式所示：
Figure BDA0003371286060000203
Figure BDA0003371286060000204
式中，
Figure BDA0003371286060000205
分别为弃风惩罚成本和负荷断供惩罚成本的加权系数；
Figure BDA0003371286060000206
为恢复过程中节点i时刻t的弃风量。
当线路发生随机故障后，需要在原有优化运行模型约束条件的基础上修改线路潮流上下限约束和节点功率平衡约束，加入故障指示变量，模型的约束条件如下式所示：
-dl,t(Bl+Il)Fl,max≤fl,t≤dl,t(Bl+Il)Fl,max
Figure BDA0003371286060000207
式中，dl,t为t时刻系统网络线路l的故障指示变量(dl,t＝1代表线路正常运行，dl,t＝0代表线路故障停运)；
Figure BDA0003371286060000208
为t时刻节点i风电接入线路的故障指示变量。通过优化求解系统故障后恢复模型，可获取最小负荷断供容量，从而计算能量不足期望值。电力系统运行可靠性评估流程图参见图2。
步骤B中，由于考虑清洁能源安全经济消纳的输电网结构发展规划模型为多目标优化模型，需要根据系统的优化目标进行反复多次求解，从而获得协调优化的规划方案。其中，纯模型驱动的传统可靠性评估方法能够通过输入线路扩建和储能配置结果，得到规划方案对应的可靠性指标。然而，由于在评估过程中需要反复采样获取状态样本并求解故障后恢复模型，导致纯模型驱动的可靠性评估方法求解效率较低，计算时间较长且硬件资源需求较高，制约了多目标优化模型的实际应用。本发明结合极限学习机建立可靠性快速评估，通过大量训练样本建立规划方案到可靠性指标的映射关系，实现对系统运行可靠性的快速评估。
评估系统可再生能源消纳率、可再生能源消纳成本以及运行可靠性，具体包括：首先，通过可靠性评估模型预先生成多组可靠性分析样本作为极限学习机的训练与测试数据，其中输入数据为线路扩建和储能配置方案，输出数据为基于负荷断供容量的可靠性指标。随后，采用训练数据对极限学习机进行训练，并利用测试数据对训练效果进行检验，若计算精度满足要求则结束训练，否则返回生成更多数据进行训练直至满足精度要求。通过大量训练样本可以有效建立规划方案到可靠性指标的映射关系，从而实现运行可靠性的快速评估。基于极限学习机的可靠性快速评估流程图参见图3。
步骤B中，本发明采用均方误差指标计算极限学习机的计算误差，如下式所示：
Figure BDA0003371286060000211
式中，ERRtest为极限学习机的测试误差；ntest为测试数据组数；nout为输出个数；Yact,i,j为测试数据实际对应的可靠性评估结果；Ytest,i,j为测试数据输入极限学习机后输出的可靠性评估结果。
在此基础上，本发明利用NSGA-Ⅱ算法对双层模型进行优化求解。双层优化模型的优化求解流程图参见图4。具体实施步骤如下：
(1)初始化网架结构、负荷、线路建设费用等模型参数；初始化迭代次数g＝1、最大迭代次数gen等算法参数。
(2)随机生成规划方案集合(线路扩建数和储能增建容量)，进行规划方案网架连通性检验。
(3)根据下层可靠性评估和系统优化运行模型，获取规划方案个体对应的多目标评估值。
(4)进行规划方案集的快速非支配排序和拥挤度计算，基于个体的非支配等级和拥挤度进行个体筛选。
(5)采用交叉和遗传操作生成子代个体，基于精英策略生成新父代种群。
(6)重复步骤(3)-(5)直到算法满足收敛条件。收敛条件为前算法循环次数g达到最大循环次数。
(7)算法输出结果为系统规划方案的Pareto优化解集。
步骤B中，在优化求解Pareto解集后，本发明进一步应用模糊集理论确定Pareto最优折中解。通过对可再生能源消纳率、消纳成本以及系统运行可靠性进行模糊归一化出力，定义投资者关于规划方案的效用函数，如下式所示：
Figure BDA0003371286060000221
式中，f1、f2、f3分别为规划方案对应的可再生能源消纳率、消纳成本以及系统运行可靠性目标函数的指标值。fimax、fimin(i＝1,2,3)分别为Pareto解集中三个目标函数的最大值和最小值。A、B、C为投资者关于不同目标的偏好系数。通过选取不同的A、B、C值(满足A+B+C＝1)，可以获得不同偏好下的投资者的最优规划方案。优化规划结果包括各条通道走廊中新建的电力线路条数，以及节点增设的储能电站容量。
表1 IEEE-6节点系统各个节点发电机与负荷参数
Figure BDA0003371286060000222
表2 IEEE-6节点系统各个支路参数
Figure BDA0003371286060000223
表3上层模型制定的规划方案
Figure BDA0003371286060000224
Figure BDA0003371286060000231
步骤A中，构建的以可再生能源消纳率最高、消纳成本最低、系统运行可靠性最高为优化目标，以线路扩建位置及数量、储能电站安装容量为规划变量的上层优化规划模型，可以综合考虑多方面因素，给出适合的电力系统优化规划方案。上层模型优化确定新建线路9共3回、线路11共1回、线路14共2回、线路15共2回，通过对IEEE-6节点系统进一步优化规划，系统的可再生能源消纳率、消纳成本以及系统运行可靠性得到均衡与提高。
步骤B中，采用马尔科夫蒙特卡洛法建立的系统运行可靠性评估模型可以有效模拟系统状态变化过程，生成切实的系统运行状态样本集，并通过故障后的优化调度，有效评估IEEE-6节点系统的运行可靠性。进一步地，通过极限学习机原理建立了规划方案到可靠性指标的映射关系，计算结果误差评估指标为0.03866，可以对系统运行可靠性进行较为准确的评估，并且有效避免了纯模型驱动的传统可靠性评估方法计算时间较长的弊端。下层模型可以依据上层模型传递的线路扩建位置和数量以及储能电站的安装容量的规划信息，快速给出准确的可靠性评估结果。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种考虑电网形态演变和结构发展的新能源差异化配置方法，其特征在于：包括以下步骤：
步骤A、建立以可再生能源消纳率最高、消纳成本最低、系统运行可靠性最高为优化目标的上层模型，制定优化规划方案，其中，规划变量为线路扩建位置及数量、新能源机组和储能电站的安装容量，上层模型在制定规划方案后，将其传递给下层模型，并根据下层模型返回的评估值进行规划方案的迭代优化；
步骤B、建立下层模型，所述下层模型分别包括多类型资源协调调度的系统优化运行模型和系统可靠性评估模型，在接受上层模型规划方案的基础上分别评估系统可再生能源消纳率、可再生能源消纳成本以及运行可靠性，并将规划方案评估结果返回给上层模型。
2.根据权利要求1所述的一种考虑电网形态演变和结构发展的新能源差异化配置方法，其特征在于：
步骤A中所建立的上层模型包含三个优化目标，分别是可再生能源消纳率最高、消纳成本最低、系统运行可靠性最高，其中，可再生能源消纳率最高如下式所示：
Figure FDA0003371286050000011
式中，Rrep为系统可再生能源消纳率；i为系统网络节点；Ω为网络节点集合；t为调度时刻；
Figure FDA0003371286050000012
为t时刻节点i消纳的风光出力功率；
Figure FDA0003371286050000013
为t时刻节点i消纳的水电功率；ρi,t为t时刻节点i的弃风率；
Figure FDA0003371286050000014
为t时刻节点i的负荷功率；
消纳成本最低如下式所示：
min Rc＝RL+RES+CES-RP
Figure FDA0003371286050000021
式中，Rc为可再生能源消纳成本，由日均线路扩建成本RL、日均储能配置成本RES、储能运行维护成本CES以及可再生能源消纳补贴RP四部分构成；r1、r2分别为线路和储能电站的日均折现系数；l为建设支路变量；BS为建设支路集合；cn,l为线路l的单位长度建设成本；Il为线路l的新建支路数量；BL,l为线路l的长度；cES为储能电站单元建设成本；MES,i为节点i的储能电站建设数量；
Figure FDA0003371286050000022
分别为储能电站运行固定和可变成本系数；
Figure FDA0003371286050000023
分别为节点i储能电站在t时刻的充放电功率；cpw、crw分别为风电功率和水电功率的补贴系数；s为折算率；NP1,2为线路、储能电站的使用寿命；
系统运行可靠性最高如下式所示：
Figure FDA0003371286050000024
式中，EEENS代表系统负荷断供容量期望值；S为可靠性评估状态样本集合；k为状态样本变量；pk为样本k出现的概率；
Figure FDA0003371286050000025
为负荷断供容量值。
3.根据权利要求1所述的一种考虑电网形态演变和结构发展的新能源差异化配置方法，其特征在于：
步骤A中上层模型的约束条件包括规划成本约束、储能电站配置单元约束以及扩建线路数量约束，其中，规划成本约束如下式所示：
Figure FDA0003371286050000026
式中，RL、RES代表日均线路扩建成本以及日均储能配置成本，
Figure FDA0003371286050000027
代表规划方案的总预算；
储能电站配置单元约束如下式所示：
Figure FDA0003371286050000031
式中，
Figure FDA0003371286050000032
为储能电站的最大建设单元数量；
扩建线路数量约束如下式所示：
Figure FDA0003371286050000033
式中，
Figure FDA0003371286050000034
代表为l所在走廊最大允许扩建线路数。
4.根据权利要求1所述的一种考虑电网形态演变和结构发展的新能源差异化配置方法，其特征在于：
步骤B中下层模型中的多类型资源协调调度的系统优化运行模型，模型的优化目标为最大化可再生能源消纳率，模型的约束条件包括线路潮流约束、风光出力功率约束、节点功率平衡约束、水电送电约束；
线路潮流如下式所示：
Figure FDA0003371286050000035
式中，fl,t为t时刻线路l的潮流值；bl,n、bl,I分别为线路l原有支路和新建支路的导纳值；l+、l-为线路l的始末节点；
Figure FDA0003371286050000036
分别为t时刻线路l始末节点相角；
线路潮流约束如下式所示：
-(Bl+Il)Fl,max≤fl,t≤(Bl+Il)Fl,max
式中，Bl为线路l原有支路数；Fl,max为线路l潮流限值；
风光出力功率约束包括风电出力功率约束和光伏出力功率约束，其中风电出力功率约束如下所示：
0≤Pt wi≤GWPt wre
式中，Pt wi为t时刻风电机组的出力功率；Pt wre为可用风电资源；GW为风电机组装机容量系数；
光伏出力功率约束如下所示：
0≤Pt s≤GSPt sre
式中，Pt s为t时刻光伏机组的出力功率；Pt sre为可用光伏资源；GS为光伏机组装机容量系数；
节点功率平衡约束如下式所示：
Figure FDA0003371286050000041
式中，
Figure FDA0003371286050000042
为t时刻节点i火电机组出力；N-(i)为以i为末节点的线路集合；N-(i)为以i为始节点的线路集合；
水电送电约束：包括梯级水电站水量平衡约束、水电出力功率约束、梯级水电站水库库容约束，
水电考虑水流延迟后的梯级水电站水量平衡约束如下式所示：
V1,t+1＝V1,t+q1,t-Q1,t-S1,t
Vx,t+1＝Vx,t+qx,t-Qx,t-Sx,t+Qx-1,t-τ+Sx-1,t-τ
式中，Vx,t为t时刻第x级水电站库容；qx,t为t时刻第x级水电站的天然来水量；Qx,t为t时刻第x级水电站的发电流量；Sx,t为t时刻第x级水电站的弃水量；τ为第x-1级水电站到第x级水电站的水流到达时间；
根据能量守恒定律，水电输出功率满足：
Figure FDA0003371286050000043
式中，Hx,t为t时刻第x级水电站的水头；ηx为第x级水电站的发电效率；
受水电机组出力和外送管道容量限制，水电出力功率需满足基本约束：
Figure FDA0003371286050000044
式中，
Figure FDA0003371286050000045
为水电出力功率上下限；
梯级水电站水库库容需满足上下限值约束和始末调度时刻平衡约束：
Vx,min≤Vx,t≤Vx,max
|Vx,24-Vx,0|≤ΔV
式中，Vx,min、Vx,max分别为第x级水电站库容上下限；Vx,0、Vx,24为始末时刻第x级水电站的库容；ΔV为允许的库容偏差值。
5.根据权利要求1中所述的一种考虑电网形态演变和结构发展的新能源差异化配置方法，其特征在于：
步骤B中，下层所建立的系统可靠性评估模型包括建立随机故障模型，获取系统状态样本以及计算可靠性评估指标三个部分，首先，通过元件状态转移模型描述系统中线路和风电机组的随机故障，在此基础上，结合马尔科夫蒙特卡洛法的Gibbs采样器获取系统状态样本；最后，构建系统故障后恢复模型计算可靠性指标，从而定量评估系统运行可靠性。
6.根据权利要求5中所述的一种考虑电网形态演变和结构发展的新能源差异化配置方法，其特征在于：
步骤B中，系统故障后恢复模型以弃风惩罚成本
Figure FDA0003371286050000051
和负荷断供惩罚成本
Figure FDA0003371286050000052
之和最小为目标函数，如下式所示：
Figure FDA0003371286050000053
Figure FDA0003371286050000054
式中，
Figure FDA0003371286050000055
分别为弃风惩罚成本和负荷断供惩罚成本的加权系数；
Figure FDA0003371286050000056
为恢复过程中节点i时刻t的弃风量。
7.根据权利要求5中所述的一种考虑电网形态演变和结构发展的新能源差异化配置方法，其特征在于：
步骤B中，系统故障后恢复模型包括故障后线路潮流上下限约束以及节点功率平衡约束，如下式所示：
-dl,t(Bl+Il)Fl,max≤fl,t≤dl,t(Bl+Il)Fl,max
Figure FDA0003371286050000057
式中，dl,t为t时刻系统网络线路l的故障指示变量，dl,t＝1代表线路正常运行，dl,t＝0代表线路故障停运；
Figure FDA0003371286050000061
为t时刻节点i风电接入线路的故障指示变量，通过优化求解系统故障后恢复模型，可获取最小负荷断供容量，从而计算能量不足期望值。
8.根据权利要求1中所述的一种考虑电网形态演变和结构发展的新能源差异化配置方法，其特征在于：
步骤B中，评估系统可再生能源消纳率、可再生能源消纳成本以及运行可靠性，具体包括：首先，通过可靠性评估模型预先生成多组可靠性分析样本作为极限学习机的训练与测试数据，其中输入数据为线路扩建和储能配置方案，输出数据为基于负荷断供容量的可靠性指标；随后，采用训练数据对极限学习机进行训练，并利用测试数据对训练效果进行检验，若计算精度满足要求则结束训练，否则返回生成更多数据进行训练直至满足精度要求；通过大量训练样本可以有效建立规划方案到可靠性指标的映射关系，从而实现运行可靠性的快速评估。
9.根据权利要求1-8中任一项所述的一种考虑电网形态演变和结构发展的新能源差异化配置方法，其特征在于：
利用NSGA-Ⅱ算法对双层模型进行整体优化求解，具体实施步骤如下：
(1)初始化网架结构、负荷、线路建设费用等模型参数；初始化迭代次数g＝1、最大迭代次数gen等算法参数；
(2)随机生成规划方案集合(线路扩建数和储能增建容量)，进行规划方案网架连通性检验；
(3)根据下层可靠性评估和系统优化运行模型，获取规划方案个体对应的多目标评估值；
(4)进行规划方案集的快速非支配排序和拥挤度计算，基于个体的非支配等级和拥挤度进行个体筛选；
(5)采用交叉和遗传操作生成子代个体，基于精英策略生成新父代种群；
(6)重复步骤(3)-(5)直到算法满足收敛条件，收敛条件为前算法循环次数g达到最大循环次数；
(7)算法输出结果为系统规划方案的Pareto优化解集。
10.根据权利要求9所述的一种考虑电网形态演变和结构发展的新能源差异化配置方法，其特征在于：
在优化求解Pareto解集后，进一步应用模糊集理论确定Pareto最优折中解，通过对可再生能源消纳率、消纳成本以及系统运行可靠性进行模糊归一化出力，定义投资者关于规划方案的效用函数，如下式所示：
Figure FDA0003371286050000071
式中，f1、f2、f3分别为规划方案对应的可再生能源消纳率、消纳成本以及系统运行可靠性目标函数的指标值，fimax、fimin(i＝1,2,3)分别为Pareto解集中三个目标函数的最大值和最小值，A、B、C为投资者关于不同目标的偏好系数，通过选取不同的A、B、C值，满足A+B+C＝1，获得不同偏好下的投资者的最优规划方案。
CN202111400069.XA 2021-11-24 2021-11-24 考虑电网形态演变和结构发展的新能源差异化配置方法 Active CN114142461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111400069.XA CN114142461B (zh) 2021-11-24 2021-11-24 考虑电网形态演变和结构发展的新能源差异化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111400069.XA CN114142461B (zh) 2021-11-24 2021-11-24 考虑电网形态演变和结构发展的新能源差异化配置方法

Publications (2)

Publication Number Publication Date
CN114142461A true CN114142461A (zh) 2022-03-04
CN114142461B CN114142461B (zh) 2023-11-10

Family

ID=80391100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111400069.XA Active CN114142461B (zh) 2021-11-24 2021-11-24 考虑电网形态演变和结构发展的新能源差异化配置方法

Country Status (1)

Country Link
CN (1) CN114142461B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062811A (zh) * 2022-04-24 2022-09-16 哈尔滨华盛能源科技有限公司 综合经济因素和能源因素的新能源规划方案的优化方法及系统
CN117473686A (zh) * 2023-12-27 2024-01-30 中国能源建设集团湖南省电力设计院有限公司 一种多断面多层级约束下区域新能源承载力计算方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523128A (zh) * 2018-10-22 2019-03-26 上海理工大学 一种促进消纳的可再生能源容量配置方法
WO2020063144A1 (zh) * 2018-09-30 2020-04-02 中国电力科学研究院有限公司 一种柔性直流电网的能源外送能力评估方法及系统
CN113141022A (zh) * 2021-05-14 2021-07-20 国网湖北省电力有限公司电力科学研究院 一种交直流混联受端电网结构优化方法
CN113489003A (zh) * 2021-07-19 2021-10-08 杭州电子科技大学 一种考虑风光水一体化互补运行的源网协调规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020063144A1 (zh) * 2018-09-30 2020-04-02 中国电力科学研究院有限公司 一种柔性直流电网的能源外送能力评估方法及系统
CN109523128A (zh) * 2018-10-22 2019-03-26 上海理工大学 一种促进消纳的可再生能源容量配置方法
CN113141022A (zh) * 2021-05-14 2021-07-20 国网湖北省电力有限公司电力科学研究院 一种交直流混联受端电网结构优化方法
CN113489003A (zh) * 2021-07-19 2021-10-08 杭州电子科技大学 一种考虑风光水一体化互补运行的源网协调规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘德旭;刘艳;潘永旗;罗锡斌;李栋;马光文;: "基于可再生能源发电优先消纳的电力电量平衡模型研究", 电网与清洁能源, no. 01 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062811A (zh) * 2022-04-24 2022-09-16 哈尔滨华盛能源科技有限公司 综合经济因素和能源因素的新能源规划方案的优化方法及系统
CN115062811B (zh) * 2022-04-24 2024-03-12 哈尔滨华盛能源科技有限公司 综合经济因素和能源因素的新能源规划方案的优化方法及系统
CN117473686A (zh) * 2023-12-27 2024-01-30 中国能源建设集团湖南省电力设计院有限公司 一种多断面多层级约束下区域新能源承载力计算方法
CN117473686B (zh) * 2023-12-27 2024-04-12 中国能源建设集团湖南省电力设计院有限公司 一种多断面多层级约束下区域新能源承载力计算方法

Also Published As

Publication number Publication date
CN114142461B (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
Sawle et al. PV-wind hybrid system: A review with case study
CN111985702B (zh) 一种计及电能替代效果的园区级综合能源系统优化方法
CN106874630B (zh) 基于电量消纳的区域电网新能源开发潜力评估方法
Liang et al. Probability-driven transmission expansion planning with high-penetration renewable power generation: A case study in northwestern China
CN107516170A (zh) 一种基于设备故障概率和电网运行风险的差异自愈控制方法
CN114142461B (zh) 考虑电网形态演变和结构发展的新能源差异化配置方法
CN108155674B (zh) 考虑不确定分布特性的水火电联合调度方法及系统
CN112803491B (zh) 一种耦合弃电风险的风光水多能互补短期优化调度方法
CN115765044B (zh) 风光水电系统联合运行及风险分析方法和系统
CN105305488B (zh) 一种考虑新能源并网对输电网利用率影响的评价方法
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
CN110739719A (zh) 柔性多状态开关优化接入的两步式决策方法
CN112736905A (zh) 区域新能源容量优化配置方法及系统
CN108075471B (zh) 基于随机性电源出力预测的多目标约束优化电网调度策略
CN114268124B (zh) 一种基于等供电可靠性的分布式电源可信容量评估方法
CN115423153A (zh) 基于概率预测的光伏储能系统能量管理方法
CN112713621B (zh) 一种交直流混合系统的多目标优化配置方法和系统
CN106655266B (zh) 一种接入新能源的地区电网可灵活调节电源配置方法
CN117748444A (zh) 一种配电系统的运行模拟方法
Huang et al. Power prediction method of distributed photovoltaic digital twin system based on GA-BP
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
CN112508241A (zh) 一种智能电网能量优化调度方法
CN114139830B (zh) 一种智慧能源站的优化调度方法、装置及电子设备
Sarathkumar et al. Renewable energy resources forecasting model for virtual power plant in the deregulated electricity market using machine learning
CN105634005B (zh) 一种用于评估光伏接纳能力的方法及系统

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