CN114693095A - 一种应用于县域电网的分布式储能电站优化配置方法 - Google Patents

Abstract

本发明提供一种应用于县域电网的分布式储能电站优化配置方法，包括：采集县域电网各变电站主变压器视在功率历史数据；对视在功率历史数据进行聚类，得到各变电站主变压器视在功率典型曲线；求取视在功率典型曲线的尖峰时刻和低谷时刻，形成为缓解供电卡口断面的储能电站充放电时刻；建立县域电网分布式储能电站的全生命周期收益和成本函数；建立县域电网分布式储能电站优化配置模型的目标函数与约束条件，应用遗传算法求解目标函数取得出县域电网分布式储能电站的优化配置结果。本发明大幅削减了分布式储能电站优化配置需考虑的场景，建立了各变电站储能电站互相影响下的潮流约束条件，可求解得出县域电网分布式储能电站的最优解。

Description

一种应用于县域电网的分布式储能电站优化配置方法

技术领域

本发明涉及配电网技术领域，具体是一种应用于县域电网的分布式储能电站优化配置方法。

背景技术

现代配电系统由于承载了诸多重要敏感负荷，对供电可靠性的要求越来越高，提升供电可靠性是县域电网企业的首要任务。

正常运行状态下的电力系统，在负荷高峰时期，由于变压器容量有限以及线路传输能力限制，有可能会在某些地点发生输电阻塞，造成部分负荷失去供电。

为解决电网侧供电卡口、重载点等问题，传统的方法是新建供电电源、升级改造电网(升级或改造变电站以及相应的配电线路)。现如今，负荷特性往往呈现尖峰特征，特别是夏季降温负荷出现时，高峰时期的供需不平衡程度不断加深。但分析表明，尖峰负荷的持续时间较短。对尖峰负荷的分析情况表明，县域电网中，超过97％年最大负荷的时间往往仅存在于全年当中的数天，且在这些特殊日期内，超过97％年最大负荷的尖峰负荷持续时间也仅为1小时左右。此时若采用新建电源或改造电网的传统措施，将导致巨额投资的同时，大幅降低设备利用小时数，经济性欠缺。

随着成本的快速下降，在整个电力行业的发电、输送、配电以及使用等各个环节，电化学储能技术都能够得到广泛的应用。相比传统的抽水蓄能电站，电化学储能电站的单体容量小、选址灵活，可实现储能电站的分布式布置，为灵活的功率调节与协调控制提供支撑。利用储能电站在尖峰负荷期间的放电功率来消除供电卡口和重载情况，成为技术经济综合最优的重要措施之一，正受到电网企业越来越多的关注。

现有的储能电站优化配置策略大多是面向抑制风电光伏电源波动场景，部分学者也提出了在解决供电卡口和重载点的储能电站配置策略，但这些策略往往仅针对单个变电站内部的储能配置问题。事实上，县域电网中，各变电站间的潮流互相影响，仅考虑单个变电站主变压器重载情况下的储能配置方案必然不是最优的。

发明内容

本发明的目的是提供一种应用于县域电网的分布式储能电站优化配置方法，可用于快速形成县域电网中的分布式电化学储能电站的优化配置策略，以解决县域电网尖峰负荷期间的供电卡口和部分重载问题，并克服背景技术中存在的问题。

为了实现上述目的，本发明的技术方案为：一种应用于县域电网的分布式储能电站优化配置方法，包括如下步骤：

步骤1：采集县域电网各变电站主变压器视在功率历史数据；

步骤2：对县域电网各变电站主变压器视在功率历史数据进行聚类，得到各变电站主变压器视在功率典型曲线；

步骤3：求取变电站主变压器视在功率典型时序曲线的尖峰负荷发生的时刻和低谷负荷发生的时刻，形成为缓解供电卡口断面的储能电站充放电时刻；

步骤4：建立县域电网分布式储能电站的全生命周期收益和成本函数；

步骤5：根据全生命周期收益和成本函数建立县域电网分布式储能电站优化配置模型的目标函数与约束条件；

步骤6：基于县域电网分布式储能电站优化配置模型的目标函数与约束条件，应用遗传算法求解取得出县域电网分布式储能电站的优化配置结果。

进一步的，所述步骤1具体包括：由信息系统采集各变电站主变压器历史D天的视在功率数据，将历史中距当日第i天的t时刻第n个变电站主变压器视在功率量测数据记为

T为总时刻数，将历史中距当日第i天的第n个变电站主变压器视在功率量测数据序列记为

根据第n个变电站主变压器所有历史D天的视在功率历史数据，形成样本集X_n，

进一步的，T为24，D为60。

进一步的，所述步骤2具体包括：

步骤2.1：用OPTICS聚类算法对县域电网各变电站历史D天的主变压器视在功率历史数据进行聚类；

步骤2.2：计算每个变电站历史D天主变压器视在功率的聚类结果，得到的结果为：

{l_n,1,l_n,2,…,l_n,a,…,l_n,b,…,l_D}

l_n,1、l_n,2、l_n,a、l_n,b、l_n,D分别代表第n个变电站历史中距当日第1天、第2天、第a天、第b天、第D天主变压器视在功率进行聚类后的标签序号值；标签序号值相等的任意两天，代表这两天中第n个变电站主变压器视在功率具有相同的波动规律，统计聚类结果中标签序号值的分布情况，记第n个变电站历史D天主变视在功率标签序号值的聚类数为C_n；

步骤2.3：统计聚类结果中标签序号值相等的天数以及对应的日期，按标签序号值相等的天数总和从大到小排序，如果标签序号值全都相等，则表示第n个变电站历史D天的主变压器视在功率可归为一类，C_n＝1；如果标签序号值只有两种情况，则表示第n个变电站历史D天的主变压器视在功率可归为两类，C_n＝2，记聚类结果中这两种标签序号值分别为l_A、l_B，第n变电站历史D天主变压器视在功率聚类结果中标签序号值等于l_A的天数为D_A，第n变电站历史D天主变压器视在功率聚类结果中标签序号值等于l_B的天数为D_B；如果C_n≥3，则记聚类结果中标签序号值相等的天数排序前3对应的标签序号值分别为l_A、l_B和l_C，第n变电站历史D天主变压器视在功率聚类结果中标签序号值等于l_A、l_B、l_C的天数分别为D_A、D_B和D_C；

步骤2.4：计算得出第n个变电站主变压器视在功率的第m类典型时序曲线S_s,n(m)，其中m≤3；

如果C_n＝1，则第n个变电站主变压器视在功率只有一类典型时序曲线S_s,n(1)，计算公式为：

上式中S^k _s,n(1)代表第n个变电站主变压器视在功率只有一类典型时序曲线S_s,n(1)中的k时刻视在功率值；

如果C_n＝2，则第n个变电站主变压器视在功率有两类典型时序曲线，分别为S_s,n(1)和S_s,n(2)，计算公式为：

上式中S^k _s,n(1)代表第n个变电站主变压器视在功率标签序号值等于l_A的典型时序曲线S_s,n(1)中的k时刻视在功率值；S^k _s,n(2)代表第n个变电站主变压器视在功率标签序号值等于l_B的典型时序曲线S_s,n(2)中的k时刻视在功率值；l_n,i第n个变电站历史中距当日第i天主变压器视在功率进行聚类后的标签序号值；

如果C_n＝3，则第n个变电站主变压器视在功率有三类典型时序曲线，分别为S_s,n(1)、S_s,n(2)、S_s,n(3)，计算公式为：

上式中S^k _s,n(1)代表第n个变电站主变压器视在功率标签序号值等于l_A的典型时序曲线S_s,n(1)中的k时刻视在功率值；S^k _s,n(2)代表第n个变电站主变压器视在功率标签序号值等于l_B的典型时序曲线S_s,n(2)中的k时刻视在功率值；S^k _s,n(3)代表第n个变电站主变压器视在功率标签序号值等于l_B的典型时序曲线S_s,n(3)中的k时刻视在功率值；l_n,i第n个变电站历史中距当日第i天主变压器视在功率进行聚类后的标签序号值。

进一步的，所述步骤2.1具体包括：

步骤2.11、计算第n个变电站主变压器历史任意两日的视在功率数据的距离，结果使用正数化皮尔逊系数P’_n,ab代表，如下所示：

P’_n,a,b＝1-P_n,a,b

式中：P_n,a,b表示第n个变电站主变压器日a和日b的视在功率的皮尔逊系数，

和

分别表示第n个变电站主变压器a和b两日t时刻的视在功率值，

和

分别表示第n个变电站主变压器a和b两日的平均视在功率，

皮尔逊系数P_n,ab的范围在-1与1之间，而聚类算法中要求任意两样本的距离大于0，因此，第n个变电站主变压器日a和日b的视在功率的正数化皮尔逊系数P’_n,a,b把a日和b日视在功率数据之间的距离映射到0与2之间；

步骤2.12、计算第n个变电站历史中距当日第i天与其他D-1天的主变压器历史视在功率的正数化皮尔逊系数平均值

计算公式如下：

步骤2.13、初始化OPTICS聚类算法中的参数邻域最少点数MinPts，一般MinPts可取为历史天数D的0.1倍；初始化核心对象集合

步骤2.14、遍历第n个变电站历史中距当日第i天的主变压器正数化皮尔逊系数平均值

则第n个变电站的所有D个历史日主变压器视在功率的正数化皮尔逊系数平均值均加入核心对象集合Ω中；

步骤2.15、若核心对象集合Ω中对象都已经处理，聚类算法结束，否则跳转步骤2.16；

步骤2.16、计算第n个变电站历史中距当日第o天的主变压器正数化皮尔逊系数平均值

的核心距离cd(o)，即将其它历史日与第o天各自的正数化皮尔逊系数平均值按从小到大排序排列得到的第MinPts个值，然后计算满足P'_n,j,o≥P_trd的对象j与对象o的可达距离rd(j，o)：

如果对象o不属于核心对象集Ω，则元素j至o的可达距离rd(j，o)根本就不存在，记为inf；如果对象o属于核心对象集Ω，则元素j至o的可达距离为max{cd(o),P'_n,j,o}，P'_n,j,o为对象j与对象o的正数化皮尔逊系数，对象o指的是历史中距当日第o天的主变压器正数化皮尔逊系数平均值

对象j指的是历史中距当日第j天的主变压器正数化皮尔逊系数平均值

步骤2.17、在核心对象集合Ω中，随机选择一个未处理的核心对象o，先将其标记为已处理，同时将其压入到有序列表P中，最后将o的邻域中未访问的点，根据可达距离的大小依次存放到种子集合seeds中；

步骤2.18、如果种子集合

跳转步骤2.15，否则，从种子集合seeds中挑选可达距离最近的种子点seed，先将其标记为已访问，将seed标记为已处理，同时将seed压入到有序列表P中，然后判断seed是否为核心对象，若是，则将seed中未访问的邻居点加入到种子集合中，重新计算可达距离。

进一步的，步骤3中，

对于第n个变电站而言，其主变压器第m类典型时序曲线的尖峰时刻为k_n,m，其求取公式为：

上式中

代表第n个变电站主变压器视在功率第m类典型时序曲线尖峰时刻k_n,m对应的视在功率值,，每个变电站配置的储能电站的放电时刻位于尖峰时刻，以缓解供电卡口现象；

对于第n个变电站而言，其主变压器第m类典型时序曲线的低谷时刻为d_n,m，其求取公式为：

上式中

代表第n个变电站主变压器视在功率第m类典型时序曲线低谷时刻d_n,m对应的视在功率值。

进一步的，步骤4中，

第n个变电站主变压器低压侧配置的储能电站额定充放电功率为P_n,rate，其容量为E_n,rate，充电或放电的持续时间为T_du，则第n个变电站配置的储能电站的全生命周期收益函数如下：

上式中：B_n,ESS为第n个变电站配置的储能电站的全寿命周期收益；N代表每年储能电站的充放电次数；

分别代表尖峰时刻k_n,m和低谷时刻d_n,m的电价；η_f为储能电站的充放电效率；s为常规燃煤发电排放污染物类型数量；R_RE,s为燃煤发电机组单位发电量对应的第s种污染物环境成本；r为社会贴现率；T_s为储能电站的寿命；pt为储能电站未来运行年；

第n个变电站主变压器低压侧配置的储能电站额定充放电功率为P_n,rate，其容量为E_n,rate，则第n个变电站配置的储能电站的全寿命周期成本函数如下：

上式中：C_n,inv为第n个变电站配置的储能电站的全寿命周期成本；α₁代表储能电站单位功率的初始投资成本系数；α₂代表储能电站单位容量的初始投资成本系数；α₃代表储能电站单位功率的年运维成本系数；α₄代表储能电站单位充放电电量的衰减成本系数，r为社会贴现率；T_s为储能电站的寿命；pt为储能电站未来运行年。

进一步的，步骤5中目标函数如下：

上式中，N_sub代表该县域电网待配置储能电站的变电站数量；

约束条件如下：

U_n,min≤U_n,t≤U_n,max

-P_n,rate≤P_n,t≤P_n,rate，maxP_n,t＝P_n,rate

其中，U_n,t代表第n个变电站主变压器低压侧在t时刻的电压值；U_n,min代表第n个变电站主变压器低压侧电压允许的最小值；U_n,max代表第n个变电站主变压器低压侧电压允许的最大值；β_n代表第n个变电站主变压器的平均功率因数；

第n个变电站中储能电站在第m类典型视在功率曲线尖峰时刻的出力功率；

代表第n个变电站在第m类典型视在功率曲线尖峰时刻对应的净功率值；S_N代表第n个变电站主变压器的额定容量；γ_n代表第n个变电站主变压器允许功率达到额定容量的百分比；

和

分别为k时段第n个变电站主变压器低压侧在k时刻的有功和无功功率；N_sub代表该县域电网待配置储能电站的变电站数量；

代表在k时刻与第n个变电站相关联的线路输送的有功功率；P_n,t为第n个变电站主变压器低压侧触电电站在t时刻的充放电功率，放电为正，充电为负；η_f为储能电站的充放电效率；

为第n个变电站主变压器低压侧接入的分布式电源在k时刻的出力。

本发明具有如下优点：

(1)本发明对县域电网各变电站主变压器的视在功率进行了聚类分析，得出典型场景下主变压器视在功率典型曲线，大幅削减了分布式储能电站优化配置需考虑的场景，便于县域分布式储能电站优化配置方案的快速求解；

(2)本发明在考虑分布式储能电站全生命周期的收益和成本基础上，建立了各变电站储能电站互相影响下的潮流约束条件，可求解得出县域电网分布式储能电站的最优解。

附图说明

图1典型县域电网拓扑线路图；

图2变电站1的主变压器视在功率典型曲线图；

图3变电站2的主变压器视在功率第一种类型典型曲线图；

图4变电站2的主变压器视在功率第二种类型典型曲线图；

图5是本发明一种应用于县域电网的分布式储能电站优化配置方法其中一个实施例的流程图。

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。

请参阅图5，本发明实施例提供一种应用于县域电网的分布式储能电站优化配置方法，包括如下步骤：

步骤1：采集县域电网各变电站主变压器视在功率历史数据。

具体的，由信息系统采集各变电站主变压器历史D天的视在功率数据，将历史中距当日第i天的t时刻第n个变电站主变压器视在功率量测数据记为

T为总时刻数，一般取为24；D一般取为60。将历史中距当日第i天的第n个变电站主变压器视在功率量测数据序列记为

根据第n个变电站主变压器所有历史D天的视在功率历史数据，形成样本集X_n，

步骤2：对县域电网各变电站主变压器视在功率历史数据进行聚类，得到各变电站主变压器视在功率典型曲线。所述步骤2具体包括：

步骤2.1：用OPTICS聚类算法对县域电网各变电站历史D天的主变压器视在功率历史数据进行聚类；

步骤2.2：计算每个变电站历史D天主变压器视在功率的聚类结果，得到的结果为：

{l_n,1,l_n,2,…,l_n,a,…,l_n,b,…,l_D}

l_n,1、l_n,2、l_n,a、l_n,b、l_n,D分别代表第n个变电站历史中距当日第1天、第2天、第a天、第b天、第D天主变压器视在功率进行聚类后的标签序号值；标签序号值相等的任意两天，代表这两天中第n个变电站主变压器视在功率具有相同的波动规律，统计聚类结果中标签序号值的分布情况，记第n个变电站历史D天主变视在功率标签序号值的聚类数为C_n；

步骤2.3：统计聚类结果中标签序号值相等的天数以及对应的日期，按标签序号值相等的天数总和从大到小排序，如果标签序号值全都相等，则表示第n个变电站历史D天的主变压器视在功率可归为一类，C_n＝1；如果标签序号值只有两种情况，则表示第n个变电站历史D天的主变压器视在功率可归为两类，C_n＝2，记聚类结果中这两种标签序号值分别为l_A、l_B，第n变电站历史D天主变压器视在功率聚类结果中标签序号值等于l_A的天数为D_A，第n变电站历史D天主变压器视在功率聚类结果中标签序号值等于l_B的天数为D_B；如果C_n≥3，则记聚类结果中标签序号值相等的天数排序前3对应的标签序号值分别为l_A、l_B和l_C，第n变电站历史D天主变压器视在功率聚类结果中标签序号值等于l_A、l_B、l_C的天数分别为D_A、D_B和D_C；

步骤2.4：计算得出第n个变电站主变压器视在功率的第m类典型时序曲线S_s,n(m)，其中m≤3；

如果C_n＝1，则第n个变电站主变压器视在功率只有一类典型时序曲线S_s,n(1)，计算公式为：

上式中S^k _s,n(1)代表第n个变电站主变压器视在功率只有一类典型时序曲线S_s,n(1)中的k时刻视在功率值；

如果C_n＝2，则第n个变电站主变压器视在功率有两类典型时序曲线，分别为S_s,n(1)和S_s,n(2)，计算公式为：

上式中S^k _s,n(1)代表第n个变电站主变压器视在功率标签序号值等于l_A的典型时序曲线S_s,n(1)中的k时刻视在功率值；S^k _s,n(2)代表第n个变电站主变压器视在功率标签序号值等于l_B的典型时序曲线S_s,n(2)中的k时刻视在功率值；l_n,i第n个变电站历史中距当日第i天主变压器视在功率进行聚类后的标签序号值；

如果C_n＝3，则第n个变电站主变压器视在功率有三类典型时序曲线，分别为S_s,n(1)、S_s,n(2)、S_s,n(3)，计算公式为：

上式中S^k _s,n(1)代表第n个变电站主变压器视在功率标签序号值等于l_A的典型时序曲线S_s,n(1)中的k时刻视在功率值；S^k _s,n(2)代表第n个变电站主变压器视在功率标签序号值等于l_B的典型时序曲线S_s,n(2)中的k时刻视在功率值；S^k _s,n(3)代表第n个变电站主变压器视在功率标签序号值等于l_B的典型时序曲线S_s,n(3)中的k时刻视在功率值；l_n,i第n个变电站历史中距当日第i天主变压器视在功率进行聚类后的标签序号值。

其中，所述步骤2.1具体包括：

步骤2.11、计算第n个变电站主变压器历史任意两日(例如a日和b日)的视在功率数据的距离，结果使用正数化皮尔逊系数P’_n,ab代表，如下所示：

P’_n,a,b＝1-P_n,a,b

式中：P_n,a,b表示第n个变电站主变压器日a和日b的视在功率的皮尔逊系数，

和

分别表示第n个变电站主变压器a和b两日t时刻的视在功率值，

和

分别表示第n个变电站主变压器a和b两日的平均视在功率，

皮尔逊系数P_n,ab的范围在-1与1之间，而聚类算法中要求任意两样本的距离大于0，因此，第n个变电站主变压器日a和日b的视在功率的正数化皮尔逊系数P’_n,a,b把a日和b日视在功率数据之间的距离映射到0与2之间。

步骤2.12、计算第n个变电站历史中距当日第i天与其他D-1天的主变压器历史视在功率的正数化皮尔逊系数平均值

计算公式如下：

步骤2.13、初始化OPTICS聚类算法中的参数邻域最少点数MinPts，一般MinPts可取为历史天数D的0.1倍；初始化核心对象集合

步骤2.14、遍历第n个变电站历史中距当日第i天的主变压器正数化皮尔逊系数平均值

则第n个变电站的所有D个历史日主变压器视在功率的正数化皮尔逊系数平均值均加入核心对象集合Ω中；

步骤2.15、若核心对象集合Ω中对象都已经处理，聚类算法结束，否则跳转步骤2.16中；

步骤2.16、计算第n个变电站历史中距当日第o天的主变压器正数化皮尔逊系数平均值

的核心距离cd(o)，即将其它历史日与第o天各自的正数化皮尔逊系数平均值按从小到大排序排列得到的第MinPts个值，然后计算满足P'_n,j,o≥P_trd的对象j与对象o的可达距离rd(j，o)：

如果对象o不属于核心对象集Ω，则元素j至o的可达距离rd(j，o)根本就不存在，记为inf；如果对象o属于核心对象集Ω，则元素j至o的可达距离为max{cd(o),P'_n,j,o}，P'_n,j,o为对象j与对象o的正数化皮尔逊系数。对象o指的是历史中距当日第o天的主变压器正数化皮尔逊系数平均值

对象j指的是历史中距当日第j天的主变压器正数化皮尔逊系数平均值

步骤2.17、在核心对象集合Ω中，随机选择一个未处理的核心对象o，先将其标记为已处理，同时将其压入到有序列表P中，最后将o的邻域中未访问的点，根据可达距离的大小依次存放到种子集合seeds中；

步骤2.18、如果种子集合

跳转步骤2.15，否则，从种子集合seeds中挑选可达距离最近的种子点seed，先将其标记为已访问，将seed标记为已处理，同时将seed压入到有序列表P中，然后判断seed是否为核心对象，若是，则将seed中未访问的邻居点加入到种子集合中，重新计算可达距离。

步骤3：求取变电站主变压器视在功率典型时序曲线的尖峰负荷发生的时刻和低谷负荷发生的时刻，形成为缓解供电卡口断面的储能电站充放电时刻。

对于第n个变电站而言，其主变压器第m类(m≤3)典型时序曲线的尖峰时刻为k_n,m，其求取公式为：

上式中

代表第n个变电站主变压器视在功率第m类典型时序曲线尖峰时刻k_n,m对应的视在功率值。每个变电站主变压器出现的尖峰时刻都可能对应的是供电卡口场景，因此，每个变电站配置的储能电站的放电时刻应位于尖峰时刻，缓解供电卡口现象。

对于第n个变电站而言，其主变压器第m类(m≤3)典型时序曲线的低谷时刻为d_n,m，其求取公式为：

上式中

代表第n个变电站主变压器视在功率第m类典型时序曲线低谷时刻d_n,m对应的视在功率值。

步骤4：建立县域电网分布式储能电站的全生命周期收益和成本函数。

第n个变电站主变压器低压侧配置的储能电站额定充放电功率为P_n,rate，其容量为E_n,rate，充电或放电的持续时间为T_du，则第n个变电站配置的储能电站的全生命周期收益函数如下：

上式中：B_n,ESS为第n个变电站配置的储能电站的全寿命周期收益；N代表每年储能电站的充放电次数；

分别代表尖峰时刻k_n,m和低谷时刻d_n,m的电价；η_f为储能电站的充放电效率；s为常规燃煤发电排放污染物类型数量；R_RE,s为燃煤发电机组单位发电量对应的第s种污染物环境成本；r为社会贴现率；T_s为储能电站的寿命；pt为储能电站未来运行年。

第n个变电站主变压器低压侧配置的储能电站额定充放电功率为P_n,rate，其容量为E_n,rate，则第n个变电站配置的储能电站的全寿命周期成本函数如下：

上式中：C_n,inv为第n个变电站配置的储能电站的全寿命周期成本；α₁代表储能电站单位功率的初始投资成本系数；α₂代表储能电站单位容量的初始投资成本系数；α₃代表储能电站单位功率的年运维成本系数；α₄代表储能电站单位充放电电量的衰减成本系数，r为社会贴现率；T_s为储能电站的寿命；pt为储能电站未来运行年。

步骤5：根据全生命周期收益和成本函数建立县域电网分布式储能电站优化配置模型的目标函数与约束条件，其中目标函数如下：

上式中，N_sub代表该县域电网待配置储能电站的变电站数量。

约束条件如下：

U_n,min≤U_n,t≤U_n,max

-P_n,rate≤P_n,t≤P_n,rate，maxP_n,t＝P_n,rate

约束条件中，U_n,t代表第n个变电站主变压器低压侧在t时刻的电压值；U_n,min代表第n个变电站主变压器低压侧电压允许的最小值；U_n,max代表第n个变电站主变压器低压侧电压允许的最大值；β_n代表第n个变电站主变压器的平均功率因数；

第n个变电站中储能电站在第m类典型视在功率曲线尖峰时刻的出力功率；

代表第n个变电站在第m类典型视在功率曲线尖峰时刻对应的净功率值；S_N代表第n个变电站主变压器的额定容量；γ_n代表第n个变电站主变压器允许功率达到额定容量的百分比；

和

分别为k时段第n个变电站主变压器低压侧在k时刻的有功和无功功率；N_sub代表该县域电网待配置储能电站的变电站数量；

代表在k时刻与第n个变电站相关联的线路输送的有功功率；P_n,t为第n个变电站主变压器低压侧触电电站在t时刻的充放电功率，放电为正，充电为负；η_f为储能电站的充放电效率；

为第n个变电站主变压器低压侧接入的分布式电源在k时刻的出力。

步骤6：基于县域电网分布式储能电站优化配置模型的目标函数与约束条件，应用遗传算法求解取得出县域电网分布式储能电站的优化配置结果。

下面通过借助实施例更加详细地说明本发明，但以下实施例仅是说明性的，本发明的保护范围并不受这些实施例的限制。

某典型县域电网的110kV变电站共有三座，其拓扑结构如附图1所示。变电站1和变电站2、变电站1和变电站3通过110kV线路相连。变电站1、变电站2和变电站3的主变压器额定容量均为40MVA。

通过步骤1-2，可得变电站1的典型视在功率曲线仅归为一类，且其典型曲线如附图2所示，S_s,1(1)＝{22.12，19.89，17.96，18.10，17.10，16.38，21.04，29.70，29.02，33.84，38.64，35.83，27.51，29.81，31.88，32.82，35.72，32.72，32.03，39.60，36.27，29.23，22.46，18.56}；可得变电站2的典型视在功率曲线仅归为两类，且其典型曲线如附图3和附图4所示，S_s,2(1)＝{21.96，19.12，17.05，17.90，17.38，16.93，26.21，25.15，33.34，36.76，36.00，20.88，26.88，33.76，34.40，32.00，33.52，18.74，35.38，35.68，27.92，22.84，16.43，19.40}；S_s,2(2)＝{24.22，21.65，18.52，18.10，17.10，16.38，21.04，29.70，29.02，33.84，38.42，35.83，27.51，29.81，24.56，28.65，30.56，32.72，32.03，36.65，35.64，29.23，27.53，25.56}；变电站3的典型视在功率曲线同样可归类为两类，且其典型曲线与变电站2相同，分别如图3和图4，即S_s,3(1)＝S_s,2(1)；S_s,3(2)＝S_s,2(2)。

步骤3：求取变电站主变压器视在功率典型时序曲线的尖峰负荷发生的时刻。对于第1个变电站而言，其主变压器第1类典型时序曲线的尖峰时刻为20时，对应的最大视在功率为39.60MVA；对于第2个变电站而言，其其主变压器第1类典型时序曲线的尖峰时刻为10时，对应的最大视在功率为36.76MVA，第2类典型时序曲线的尖峰时刻为11时，对应的最大视在功率为38.42MVA。

通过步骤4-5建立县域电网的分布式储能电站优化配置模型，在本算例中，约束条件为：每年储能电站的充放电次数N＝300；R_t为t时刻的电价，24小时的分时电价为{0.25,0.25,0.25,0.25,0.25,0.25,0.25,0.55,0.55,1.0,1.0,1.0,1.0,1.0,1.0,0.55,0.55,0.55,1.00,1.00,1.00,0.55,0.55,0.25}；储能电站的充放电效率η_f为0.95；为常规燃煤发电排放污染物类型数量s取为2；燃煤发电机组单位发电量对应的第1种污染物环境成本R_RE,1＝0.18元/kW·h，对应的第2种污染物环境成本R_RE,2＝0.15元/kW·h；社会贴现率r取8％；储能电站的寿命T_s取为15年；储能电站单位功率的初始投资成本系数α₁为1000元/kW；储能电站单位容量的初始投资成本系数α₂为1800元/kW·h；储能电站单位功率的年运维成本系数α₃为25元/kW；储能电站单位充放电电量的衰减成本系数α₄为0.6元/kW·h；变电站主变压器低压侧电压允许的最大值和最小值分别为1.07p.u.和0.93p.u.；变电站主变压器允许功率达到额定容量的百分比为γ_n为0.9；变电站主变压器的平均功率因数β_n取0.95。

步骤6：求解该县域电网三个110kV变电站分布式储能电站的优化配置方案，结论如下：变电站1配置储能760kW/1.52MW·h；变电站2配置储能420kW/0.84kW·h；变电站3配置储能420kW/0.84kW·h。

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 (8)

1.一种应用于县域电网的分布式储能电站优化配置方法，其特征在于：包括如下步骤：

步骤1：采集县域电网各变电站主变压器视在功率历史数据；

步骤2：对县域电网各变电站主变压器视在功率历史数据进行聚类，得到各变电站主变压器视在功率典型曲线；

步骤3：求取变电站主变压器视在功率典型时序曲线的尖峰负荷发生的时刻和低谷负荷发生的时刻，形成为缓解供电卡口断面的储能电站充放电时刻；

步骤4：建立县域电网分布式储能电站的全生命周期收益和成本函数；

步骤5：根据全生命周期收益和成本函数建立县域电网分布式储能电站优化配置模型的目标函数与约束条件；

步骤6：基于县域电网分布式储能电站优化配置模型的目标函数与约束条件，应用遗传算法求解取得出县域电网分布式储能电站的优化配置结果。

2.如权利要求1所述的应用于县域电网的分布式储能电站优化配置方法，其特征在于：所述步骤1具体包括：由信息系统采集各变电站主变压器历史D天的视在功率数据，将历史中距当日第i天的t时刻第n个变电站主变压器视在功率量测数据记为

T为总时刻数，将历史中距当日第i天的第n个变电站主变压器视在功率量测数据序列记为

根据第n个变电站主变压器所有历史D天的视在功率历史数据，形成样本集X_n，

3.如权利要求2所述的应用于县域电网的分布式储能电站优化配置方法，其特征在于：T为24，D为60。

4.如权利要求2所述的应用于县域电网的分布式储能电站优化配置方法，其特征在于：所述步骤2具体包括：

步骤2.1：用OPTICS聚类算法对县域电网各变电站历史D天的主变压器视在功率历史数据进行聚类；

步骤2.2：计算每个变电站历史D天主变压器视在功率的聚类结果，得到的结果为：

{l_n,1,l_n,2,…,l_n,a,…,l_n,b,…,l_D}

l_n,1、l_n,2、l_n,a、l_n,b、l_n,D分别代表第n个变电站历史中距当日第1天、第2天、第a天、第b天、第D天主变压器视在功率进行聚类后的标签序号值；标签序号值相等的任意两天，代表这两天中第n个变电站主变压器视在功率具有相同的波动规律，统计聚类结果中标签序号值的分布情况，记第n个变电站历史D天主变视在功率标签序号值的聚类数为C_n；

步骤2.3：统计聚类结果中标签序号值相等的天数以及对应的日期，按标签序号值相等的天数总和从大到小排序，如果标签序号值全都相等，则表示第n个变电站历史D天的主变压器视在功率可归为一类，C_n＝1；如果标签序号值只有两种情况，则表示第n个变电站历史D天的主变压器视在功率可归为两类，C_n＝2，记聚类结果中这两种标签序号值分别为l_A、l_B，第n变电站历史D天主变压器视在功率聚类结果中标签序号值等于l_A的天数为D_A，第n变电站历史D天主变压器视在功率聚类结果中标签序号值等于l_B的天数为D_B；如果C_n≥3，则记聚类结果中标签序号值相等的天数排序前3对应的标签序号值分别为l_A、l_B和l_C，第n变电站历史D天主变压器视在功率聚类结果中标签序号值等于l_A、l_B、l_C的天数分别为D_A、D_B和D_C；

步骤2.4：计算得出第n个变电站主变压器视在功率的第m类典型时序曲线S_s,n(m)，其中m≤3；

如果C_n＝1，则第n个变电站主变压器视在功率只有一类典型时序曲线S_s,n(1)，计算公式为：

上式中S^k _s,n(1)代表第n个变电站主变压器视在功率只有一类典型时序曲线S_s,n(1)中的k时刻视在功率值；

如果C_n＝2，则第n个变电站主变压器视在功率有两类典型时序曲线，分别为S_s,n(1)和S_s,n(2)，计算公式为：

上式中S^k _s,n(1)代表第n个变电站主变压器视在功率标签序号值等于l_A的典型时序曲线S_s,n(1)中的k时刻视在功率值；S^k _s,n(2)代表第n个变电站主变压器视在功率标签序号值等于l_B的典型时序曲线S_s,n(2)中的k时刻视在功率值；l_n,i第n个变电站历史中距当日第i天主变压器视在功率进行聚类后的标签序号值；

如果C_n＝3，则第n个变电站主变压器视在功率有三类典型时序曲线，分别为S_s,n(1)、S_s,n(2)、S_s,n(3)，计算公式为：

上式中S^k _s,n(1)代表第n个变电站主变压器视在功率标签序号值等于l_A的典型时序曲线S_s,n(1)中的k时刻视在功率值；S^k _s,n(2)代表第n个变电站主变压器视在功率标签序号值等于l_B的典型时序曲线S_s,n(2)中的k时刻视在功率值；S^k _s,n(3)代表第n个变电站主变压器视在功率标签序号值等于l_B的典型时序曲线S_s,n(3)中的k时刻视在功率值；l_n,i第n个变电站历史中距当日第i天主变压器视在功率进行聚类后的标签序号值。

5.如权利要求4所述的应用于县域电网的分布式储能电站优化配置方法，其特征在于：所述步骤2.1具体包括：

步骤2.11、计算第n个变电站主变压器历史任意两日的视在功率数据的距离，结果使用正数化皮尔逊系数P’_n,ab代表，如下所示：

P′_n,a,b＝1-P_n,a,b

式中：P_n,a,b表示第n个变电站主变压器日a和日b的视在功率的皮尔逊系数，

和

分别表示第n个变电站主变压器a和b两日t时刻的视在功率值，

和

分别表示第n个变电站主变压器a和b两日的平均视在功率，

皮尔逊系数P_n,ab的范围在-1与1之间，而聚类算法中要求任意两样本的距离大于0，因此，第n个变电站主变压器日a和日b的视在功率的正数化皮尔逊系数P’_n,a,b把a日和b日视在功率数据之间的距离映射到0与2之间；

步骤2.12、计算第n个变电站历史中距当日第i天与其他D-1天的主变压器历史视在功率的正数化皮尔逊系数平均值

计算公式如下：

步骤2.13、初始化OPTICS聚类算法中的参数邻域最少点数MinPts，一般MinPts可取为历史天数D的0.1倍；初始化核心对象集合

步骤2.14、遍历第n个变电站历史中距当日第i天的主变压器正数化皮尔逊系数平均值

则第n个变电站的所有D个历史日主变压器视在功率的正数化皮尔逊系数平均值均加入核心对象集合Ω中；

步骤2.15、若核心对象集合Ω中对象都已经处理，聚类算法结束，否则跳转步骤2.16；

步骤2.16、计算第n个变电站历史中距当日第o天的主变压器正数化皮尔逊系数平均值

的核心距离cd(o)，即将其它历史日与第o天各自的正数化皮尔逊系数平均值按从小到大排序排列得到的第MinPts个值，然后计算满足P'_n,j,o≥P_trd的对象j与对象o的可达距离rd(j，o)：

如果对象o不属于核心对象集Ω，则元素j至o的可达距离rd(j，o)根本就不存在，记为inf；如果对象o属于核心对象集Ω，则元素j至o的可达距离为max{cd(o),P'_n,j,o}，P'_n,j,o为对象j与对象o的正数化皮尔逊系数，对象o指的是历史中距当日第o天的主变压器正数化皮尔逊系数平均值

对象j指的是历史中距当日第j天的主变压器正数化皮尔逊系数平均值

步骤2.17、在核心对象集合Ω中，随机选择一个未处理的核心对象o，先将其标记为已处理，同时将其压入到有序列表P中，最后将o的邻域中未访问的点，根据可达距离的大小依次存放到种子集合seeds中；

步骤2.18、如果种子集合

跳转步骤2.15，否则，从种子集合seeds中挑选可达距离最近的种子点seed，先将其标记为已访问，将seed标记为已处理，同时将seed压入到有序列表P中，然后判断seed是否为核心对象，若是，则将seed中未访问的邻居点加入到种子集合中，重新计算可达距离。

6.如权利要求4所述的应用于县域电网的分布式储能电站优化配置方法，其特征在于：步骤3中，

对于第n个变电站而言，其主变压器第m类典型时序曲线的尖峰时刻为k_n,m，其求取公式为：

上式中

代表第n个变电站主变压器视在功率第m类典型时序曲线尖峰时刻k_n,m对应的视在功率值,，每个变电站配置的储能电站的放电时刻位于尖峰时刻，以缓解供电卡口现象；

对于第n个变电站而言，其主变压器第m类典型时序曲线的低谷时刻为d_n,m，其求取公式为：

上式中

代表第n个变电站主变压器视在功率第m类典型时序曲线低谷时刻d_n,m对应的视在功率值。

7.如权利要求6所述的应用于县域电网的分布式储能电站优化配置方法，其特征在于：步骤4中，

第n个变电站主变压器低压侧配置的储能电站额定充放电功率为P_n,rate，其容量为E_n,rate，充电或放电的持续时间为T_du，则第n个变电站配置的储能电站的全生命周期收益函数如下：

上式中：B_n,ESS为第n个变电站配置的储能电站的全寿命周期收益；N代表每年储能电站的充放电次数；

分别代表尖峰时刻k_n,m和低谷时刻d_n,m的电价；η_f为储能电站的充放电效率；s为常规燃煤发电排放污染物类型数量；R_RE,s为燃煤发电机组单位发电量对应的第s种污染物环境成本；r为社会贴现率；T_s为储能电站的寿命；pt为储能电站未来运行年；

第n个变电站主变压器低压侧配置的储能电站额定充放电功率为P_n,rate，其容量为E_n,rate，则第n个变电站配置的储能电站的全寿命周期成本函数如下：

上式中：C_n,inv为第n个变电站配置的储能电站的全寿命周期成本；α₁代表储能电站单位功率的初始投资成本系数；α₂代表储能电站单位容量的初始投资成本系数；α₃代表储能电站单位功率的年运维成本系数；α₄代表储能电站单位充放电电量的衰减成本系数，r为社会贴现率；T_s为储能电站的寿命；pt为储能电站未来运行年。

8.如权利要求7所述的应用于县域电网的分布式储能电站优化配置方法，其特征在于：步骤5中目标函数如下：

上式中，N_sub代表该县域电网待配置储能电站的变电站数量；

约束条件如下：

U_n,min≤U_n,t≤U_n,max

-P_n,rate≤P_n,t≤P_n,rate，maxP_n,t＝P_n,rate

其中，U_n,t代表第n个变电站主变压器低压侧在t时刻的电压值；U_n,min代表第n个变电站主变压器低压侧电压允许的最小值；U_n,max代表第n个变电站主变压器低压侧电压允许的最大值；β_n代表第n个变电站主变压器的平均功率因数；

第n个变电站中储能电站在第m类典型视在功率曲线尖峰时刻的出力功率；

代表第n个变电站在第m类典型视在功率曲线尖峰时刻对应的净功率值；S_N代表第n个变电站主变压器的额定容量；γ_n代表第n个变电站主变压器允许功率达到额定容量的百分比；

和

分别为k时段第n个变电站主变压器低压侧在k时刻的有功和无功功率；N_sub代表该县域电网待配置储能电站的变电站数量；

代表在k时刻与第n个变电站相关联的线路输送的有功功率；P_n,t为第n个变电站主变压器低压侧触电电站在t时刻的充放电功率，放电为正，充电为负；η_f为储能电站的充放电效率；

为第n个变电站主变压器低压侧接入的分布式电源在k时刻的出力。

Images