CN114725982A - 一种分布式光伏集群精细化划分及建模方法 - Google Patents

一种分布式光伏集群精细化划分及建模方法 Download PDF

Info

Publication number
CN114725982A
CN114725982A CN202210056066.7A CN202210056066A CN114725982A CN 114725982 A CN114725982 A CN 114725982A CN 202210056066 A CN202210056066 A CN 202210056066A CN 114725982 A CN114725982 A CN 114725982A
Authority
CN
China
Prior art keywords
distributed photovoltaic
cluster
photovoltaic power
division
power station
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.)
Pending
Application number
CN202210056066.7A
Other languages
English (en)
Inventor
叶林
施媛媛
褚晓杰
仲悟之
刘新元
暴悦爽
郑惠萍
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.)
State Grid Electric Power Research Institute Of Sepc
State Grid Corp of China SGCC
China Agricultural University
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
State Grid Electric Power Research Institute Of Sepc
State Grid Corp of China SGCC
China Agricultural University
China Electric Power Research Institute Co Ltd CEPRI
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 State Grid Electric Power Research Institute Of Sepc, State Grid Corp of China SGCC, China Agricultural University, China Electric Power Research Institute Co Ltd CEPRI filed Critical State Grid Electric Power Research Institute Of Sepc
Priority to CN202210056066.7A priority Critical patent/CN114725982A/zh
Publication of CN114725982A publication Critical patent/CN114725982A/zh
Pending legal-status Critical Current

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种分布式光伏集群精细化划分及建模方法，包括：提取分布式光伏并网点的历史气象数据、分布式光伏电站随时空变化电气外特性的典型参数值，并进行归一化处理；采用支持向量机分类器对提取的分布式光伏电站电气外特性参数值中部分典型值进行集群划分，初步得到集群划分结果；基于初始分群结果，建立模块度函数进行优化分群，进一步确定分布式光伏集群的划分；根据优化的集群划分结果将划分后具有相似特性的分布式光伏电站等效为动态等值模型。该方法能够对分布式光伏集群“群调群控”提供基础，并充分利用分布式光伏集群随时空变化外特性的电气参数量，将分布式光伏集群进一步精细化划分集群，以便于实现对分布式光伏的整体协调控制。

Description

一种分布式光伏集群精细化划分及建模方法
技术领域
本发明涉及可再生能源建模与仿真领域，特别是涉及分布式光伏 集群动态划分及建模方法。
背景技术
在分布式光伏飞速发展的同时，大规模、高渗透率的分布式光 伏接入电网带来的问题也值得关注，而当分布式光伏接入电网会使得 电网的节点数目增加，给电网运行控制带来一定的难度，接入的分布 式光伏系统接入点较为分散，并且每个分布式光伏的发电量不大，增大了源网荷的协调难度。
除此之外，分布式光伏受到温度光照等外部因素的影响较大，其昼夜差异大，季节波动性较为明显，具有极强的不确定性的分布式光伏接入后给电网的安全稳定运行带来严重影响。
分布式光伏的分散面大，分布广泛，难于调控，因此有必要对 分布式光伏进行集群的划分，对分布式光伏划分更加详细的分群，并对群内光伏统一进行调控。
由于分布式光伏集群中通常含有多个光伏电站，内部拓扑结构复杂，如果要对集群内的每一个光伏电站进行建模，则会导致建模工作量大，建模参数多，加大建模难度，此类模型在工程实践中计算量过大，难以使用，因此有必要提出一种基于历史天气数据以及电气外特性的分布式光伏集群动态建模方法，以提高建模计算的效率。
发明内容
本发明提供了一种分布式光伏集群精细化划分及建模方法，该方 法针对大规模、高渗透率分布式光伏并网的统一协调控制方面，提取 分布式光伏电站并网点的历史气象数据、分布式光伏电站电气外特性 的各项参数值；将所获取的电气外特性典型参数值进行归一化处理之 后，采用支持向量机分类器对所提取的分布式光伏电站电气外特性参 数值中部分参数值(电气外特性典型参数值)进行集群划分，初步得 到基础集群划分结果；选取其余电气外特性参数值作为下一步精细化 分群的参数依据，并根据历史气象数据改进电气外特性参数，建立包 含历史气象数据以及电气外特性参数的模块度函数，进一步优化初始 集群划分结果；将划分后具有相似特性的分布式光伏电站等效为同一 类模型，加入到电网仿真计算环节。
本发明所采用的技术方案是：综合考虑如下因素：
1、分布式光伏并网点的历史气象数据；
2、分布式光伏集群的实测电气外特性数据；
3、含分布式光伏集群的配电网拓扑结构和数据信息。
在以上因素的基础上，分布式光伏集群精细化划分及建模方法包 括以下步骤：
S1.提取分布式光伏电站并网点的历史气象数据和分布式光伏电 站随时空变化的电气外特性参数值，并进行归一化处理。
S2.将归一化处理后的电气外特性参数值建立序列值，采用支持 向量机分类器对电气外特性参数值中的典型参数值进行初步分布式 光伏集群划分，得到初始集群划分结果。
S3.基于初始集群划分结果，选取其余电气外特性参数值作为下 一步精细化集群划分的参数依据，并根据历史气象数据改进电气外特 性参数，建立包含历史气象数据以及电气外特性参数的模块度函数， 在已划分的初始集群内采用建立的模块度函数进一步优化初始集群 划分结果。
S4.根据优化的集群划分结果将具有相似特性的分布式光伏电站 等效为一个光伏集群模型，在IEEE33节点标准系统中建立含高渗透 率的分布式光伏集群的动态等值模型，接入电网。
步骤S1包括以下步骤：
S11、提取一个区域内所有待分群的分布式光伏电站中光伏阵列 的输出电压、输出电流；所有待分群的光伏电站中光伏并网逆变器的 输出电压、输出电流；所有待分群的分布式光伏电站的并网有功功率 以及并网电流值；提取分布式光伏电站并网点的历史气象数据，包括： 温度、辐照度、动量通量、风速和湿度。
S12、将所提取的电气外特性参数值进行归一化处理，归一化过 程如下所示：
Figure BDA0003476275250000041
上式中d表示当前类型参数的实际测量值，dmin为当前类型参数 的最小值，dmax为当前类型参数的最大值。
步骤S2包括以下步骤：
S21、提取一个时间段内，共k个采样时刻的分布式光伏电站的 辐照度以及并网有功功率数据，建立辐照度矩阵和并网有功功率矩阵：
Figure BDA0003476275250000051
Figure BDA0003476275250000052
Sk,j为在第k个采样时刻，第j个分布式光伏电站的辐照度，Pk,j为 在第k个采样时刻，第j个分布式光伏电站的并网有功功率值
S22、根据各个采样时刻的采样值，以及已经构建的辐照度矩阵 和并网有功功率矩阵，进行矩阵的行列式变换，过程如下所示：
△Sk,j＝Sk+1,j-Sk,j
△Pk,j＝Pk+1,j-Pk,j
计算得到分布式光伏电站的辐照度以及并网有功功率的随时间 变化矩阵：
Figure BDA0003476275250000053
Figure BDA0003476275250000054
S23、计算在此时间段内的所有分布式光伏电站的辐照度以及并 网有功功率的变化均值，辐照度的变化均值表示为：
Figure BDA0003476275250000061
并网有功功率的变化均值表示为：
Figure BDA0003476275250000062
S24、以待分群的多个分布式光伏电站在一定时间段内的辐照度 和并网有功功率作为支持向量机分类器的输入，并建立支持向量机分 类器的核函数，并将核函数作为待分群的多个分布式光伏电站的识别 判断依据，核函数表示如下：
Figure BDA0003476275250000063
其中θ1和θ2分别为辐照度和并网有功功率的权重系数，△Sk,j为矩 阵△S中的元素，△Pk,j为矩阵△P中的元素
式(1)表示待分群的分布式光伏电站辐照度的变化趋势和并网 有功功率的变化趋势一致性，式(2)表示待分群的分布式光伏电站 的辐照度和并网有功功率与所有分布式光伏电站的均值比较。
S25、基于S24所建立的支持向量机分类器的核函数，进行初始 集群划分。
初始集群划分规则如下：
同时满足式(1)和(2)的划分为集群C1；
满足式(1)，不满足式(2)的划分为集群C2；
满足式(2)，不满足式(1)的划分为集群C3；
既不满足式(1)，也不满足式(2)的划分为集群C4
同一分布式光伏电站会分类K次集群划分结果，集群划分结果 出现最多次数的分为一类，初始集群划分后的集群结果表示为:
{C1,C2,C3,C4}。
步骤S3包括以下步骤：
S31、设步骤S2初始集群划分后的每个集群中包含n个分布式 光伏电站，每个分布式光伏电站中包含M个电气外特性参数，
Figure BDA0003476275250000071
表 示第a个分布式光伏电站中的第m个电气外特性参数，
Figure BDA0003476275250000072
表示第b 个分布式光伏电站中的第m个电气外特性参数，a≤n，b≤n，m≤M；
Figure BDA0003476275250000073
表示第a个分布式光伏电站中的第m个历史气象数据，
Figure BDA0003476275250000074
表示第b 个分布式光伏电站中的第m个历史气象数据。
S32、根据分布式光伏电站的历史气象数据以及历史功率数据， 计算分布式光伏电站历史功率数据与历史气象数据的时空相关性，
皮尔逊相关系数计算公式如下：
Figure BDA0003476275250000075
Nm表示历史气象数据中第m个历史气象数据，P表示对应的分 布式光伏电站的历史功率数据；E表示样本的数学期望值；
选取历史气象数据中与历史功率数据相关性较大的q个历史气 象参数，作为分布式光伏电站集群划分依据
S33、根据欧式距离定义，结合分布式光伏电站之间电气外特性 参数，第a个分布式光伏电站和第b个分布式光伏电站之间的电气外 特性参数距离表示为：
Figure BDA0003476275250000076
包含气象数据特征的参数距离可进一步表示为：
Figure BDA0003476275250000081
其中λm为分布式光伏电站中第m个电气外特性参数所占的权重 系数；
δq为分布式光伏电站中第q个历史气象数据所占的权重系数。
S34、建立基于电气外特性参数以及历史气象数据的模块度函数：
Figure BDA0003476275250000082
式中：
Figure BDA0003476275250000083
Figure BDA0003476275250000084
为所有分布式光伏电站之间同时考虑历史气象数据 和电气外特性参数的距离之和；
Figure BDA0003476275250000085
为所有分布式光伏电站与分布式光伏电站a之间的同时 考虑历史气象数据和电气外特性参数的距离之和；
Figure BDA0003476275250000086
为所有分布式光伏电站与分布式光伏电站b之间的同时 考虑历史气象数据和电气外特性参数的距离之和。
S35、对步骤S2中已划分好的光伏集群进行划分，每个集群进行 一次独立分群，其中每一个分布式光伏电站作为一个单独的集群，计 算电气外特性参数模块度值，随机选取分布式光伏电站组成新的集群， 计算新的电气外特性参数模块度值，当电气外特性参数模块度变化值 为最大时，此时被分为同一集群；
S36、经过多次迭代计算后同一个分布式光伏电站被划分为同一 集群的概率最大，则概率最大的集群为此分布式光伏电站被最终确定 所在的集群。
经过多次迭代的计算后，无可组合的分布式光伏电站后，此时得 到的划分结果为光伏集群划分的最终结果，集群划分结果可表示为：
Figure BDA0003476275250000091
R为初始集群划分结果的集群编号，T为最终分群的集群编号。
具体的，
光伏集群
Figure BDA0003476275250000092
中的分布式光伏电站个数为r个；
光伏集群
Figure BDA0003476275250000093
的总有功功率表示为
Figure BDA0003476275250000094
光伏集群
Figure BDA0003476275250000095
的总无功功率表示为
Figure BDA0003476275250000096
将划分后的分布式光伏集群等效为：有功功率为
Figure BDA0003476275250000097
无功功率为
Figure BDA0003476275250000098
的动态等值模型。
本发明的有益效果：由于分布式光伏电站特有的多域广泛分布性、 遮挡隐蔽性，使得其无法准确量测、仿真，分布式光伏多与负荷抵消 或采用聚合等值等粗糙模型，无法适应电网稳定分析的精细化要求。 本发明充分利用分布式光伏电站的各项参数情况，基于对分布式光伏 集群的功率变化趋势划分，进一步优化集群划分结果，本发明能够为 分布式光伏集群的“群调群控”提供理论基础，可精细化精准划分分 布式光伏集群，将具有相同特性的分布式光伏划分为统一集群，进一 步协调控制，进而达到分布式光伏的可观可控。为研究适用于电网稳 定分析的分布式光伏集群精细化建模提供重要支撑。
附图说明
本发明有如下附图：
图1为本发明方法的流程示意图；
图2为IEEE33节点标准系统集群划分示意图，假设每个节点都 接入分布式光伏电站，考虑高渗透率分布式光伏接入情况。
具体实施方式
以下结合附图1和2对本发明作进一步详细说明。
A提取分布式光伏电站随时空变化的电气外特性参数值，以及分 布式光伏电站历史气象数据，并进行归一化处理。
A1提取一个区域内所有待分群的分布式光伏电站中光伏阵列的 输出电压、输出电流；所有待分群的光伏电站中光伏并网逆变器的输 出电压、输出电流；所有待分群的分布式光伏电站的并网有功功率以 及并网电流值。提取分布式光伏电站并网点的历史气象数据，包含但 是不限于：温度、辐照度、动量通量、风速和湿度。
A2由于各参数之间差异较大，将所提取的电气外特性参数值进 行归一化处理，归一化过程如下所示：
Figure BDA0003476275250000101
上式中d表示当前类型参数的实际测量值，dmin为当前类型参数 的最小值，dmax为当前类型参数的最大值。
B将归一化处理后的电气外特性参数值建立序列值，采用支持向 量机分类器初步划分分布式光伏集群，得到初始集群划分结果。
B1提取一个时间段内，共k个采样时刻的分布式光伏电站的辐照 度以及并网有功功率数据，建立辐照度矩阵和并网有功功率矩阵：
Figure BDA0003476275250000111
Figure BDA0003476275250000112
Sk,j为在第k个采样时刻，第j个分布式光伏电站的辐照度，Pk,j为 在第k个采样时刻点处，第j个分布式光伏电站的并网有功功率值
B2根据各个采样时刻的采样值，以及已经构建的辐照度矩阵和 并网有功功率矩阵，进行矩阵的行列式变换，过程如下所示：
△Sk,j＝Sk+1,j-Sk,j
△Pk,j＝Pk+1,j-Pk,j
计算得到分布式光伏电站的辐照度以及并网有功功率的随时间 变化矩阵。
Figure BDA0003476275250000113
Figure BDA0003476275250000114
B3计算在此时间段内的所有分布式光伏电站的辐照度以及并网 有功功率的变化均值，辐照度的变化均值可表示为：
Figure BDA0003476275250000121
并网有功功率的变化均值可表示为：
Figure BDA0003476275250000122
B4以待分群的多个分布式光伏电站在一定时间段内的辐照度和 并网有功功率作为支持向量机分类器的输入，并建立支持向量机分类 器的核函数，并将核函数作为待分群的多个分布式光伏电站的识别判 断依据，核函数表示如下：
Figure BDA0003476275250000123
其中θ1和θ2分别为辐照度和并网有功功率的权重系数，△Sk,j为矩 阵△S中的元素，△Pk,j为矩阵△P中的元素
式(1)表示待分群的分布式光伏电站辐照度的变化趋势和并网 有功功率的变化趋势一致性，式(2)表示待分群的分布式光伏电站 的辐照度和并网有功功率与所有分布式光伏电站的均值比较。
B5基于B4所建立的支持向量机分类器的核函数，进行初始集群 划分，初始集群划分规则如下：
同时满足式(1)和(2)的划分为集群C1；
满足式(1)，不满足式(2)的划分为集群C2；
满足式(2)，不满足式(1)的划分为集群C3；
既不满足式(1)，也不满足式(2)的划分为集群C4
同一分布式光伏电站会分类K次集群划分结果，集群划分结果 出现最多次数的分为一类，初始集群划分后的集群结果可表示为:
{C1,C2,C3,C4}。
C基于B步骤的初始集群划分结果，对B步骤集群划分后的四 个集群依次分别进行优化分群，基于分布式光伏电站历史出力情况以 及其并网点的历史气象数据，选取其余电气外特性参数值以及历史气 象数据作为下一步精细化集群划分的参数依据，定义同时包含历史气 象数据以及电气外特性参数，建立模块度函数，更进一步优化初始集 群的划分。
C1设步骤B初始集群划分后的每个集群中包含n个分布式光伏 电站，每个分布式光伏电站中包含M个电气外特性参数，
Figure BDA0003476275250000131
表示第 a个分布式光伏电站中的第m个电气外特性参数，
Figure BDA0003476275250000132
表示第b个分 布式光伏电站中的第m个电气外特性参数(a≤n，b≤n，m≤M)，
Figure BDA0003476275250000133
表 示第a个分布式光伏电站中的第m个历史气象数据，
Figure BDA0003476275250000134
表示第b个 分布式光伏电站中的第m个历史气象数据。
C2根据分布式光伏电站的历史气象数据以及历史功率数据，计 算分布式光伏电站历史功率数据与历史气象数据的时空相关性，
皮尔逊相关系数计算公式如下：
Figure BDA0003476275250000135
Nm表示历史气象数据中第m个历史气象数据，P表示对应的分 布式光伏电站的历史功率数据；E表示样本的数学期望值；
选取历史气象数据中与历史功率数据相关性较大的q个历史气 象参数，作为分布式光伏电站集群划分依据
C3根据欧式距离定义，结合分布式光伏电站之间电气外特性参 数，第a个分布式光伏电站和第b个分布式光伏电站之间的电气外特 性参数距离可以表示为：
Figure BDA0003476275250000141
包含气象数据特征的参数距离可进一步表示为：
Figure BDA0003476275250000142
其中λm为分布式光伏电站中第m个电气外特性参数所占的权重 系数；
δq为分布式光伏电站中第q个历史气象数据所占的权重系数。
C4建立基于电气外特性参数以及历史气象数据的模块度函数为：
Figure BDA0003476275250000143
式中：
Figure BDA0003476275250000144
Figure BDA0003476275250000145
为所有分布式光伏电站之间同时考虑历史气象数据 和电气外特性参数的距离之和；
Figure BDA0003476275250000146
为所有分布式光伏电站与分布式光伏电站a之间的同时 考虑历史气象数据和电气外特性参数的距离之和；
Figure BDA0003476275250000147
为所有分布式光伏电站与分布式光伏电站b之间的同时 考虑历史气象数据和电气外特性参数的距离之和。
C5对步骤B中已划分好的四个光伏集群进行划分，每个集群进 行一次独立分群，其中每一个分布式光伏电站作为一个单独的集群， 计算电气外特性参数模块度值，随机选取分布式光伏电站组成新的集 群，计算新的电气外特性参数模块度值，当电气外特性参数模块度变 化值为最大时，此时被分为同一集群；
C6经过多次迭代计算后同一个分布式光伏电站被划分为同一集 群的概率最大，则概率最大的集群为此分布式光伏电站被最终确定所 在的集群。
经过多次迭代的计算后，无可组合的分布式光伏电站后，此时得 到的划分结果为光伏集群划分的最终结果，集群划分结果可表示为：
Figure BDA0003476275250000151
R(R＝1、2、3，4)为初始集群划分结果的集群编号，T为最终 分群的集群编号。
D根据优化的集群划分结果将划分后具有相似特性的分布式光 伏电站等效为一个光伏集群模型。
光伏集群
Figure BDA0003476275250000152
中的分布式光伏电站个数为r个；
光伏集群
Figure BDA0003476275250000153
的总有功功率表示为
Figure BDA0003476275250000154
光伏集群
Figure BDA0003476275250000155
的总无功功率表示为
Figure BDA0003476275250000156
将已经划分后的分布式光伏集群等效为：有功功率为
Figure BDA0003476275250000157
无功功 率为
Figure BDA0003476275250000158
的动态等值模型，接入电网，光伏集群对电网输送功率，功 率流向与实际负荷相反。至此，分布式光伏集群精细化划分及建模已 经全部完成。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关 技术领域的普通技术人员，在不脱离本发明的实质和范围的情况下， 还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明 的保护范围。
本说明书中未作详细描述的内容属于本领域专业技术人员公知 的现有技术。

Claims (7)

1.一种分布式光伏集群精细化划分及建模方法，其特征在于，包括如下步骤：
S1.提取分布式光伏电站并网点的历史气象数据和分布式光伏电站随时空变化的电气外特性参数值，并进行归一化处理；
S2.将归一化处理后的电气外特性参数值建立序列值，采用支持向量机分类器对电气外特性参数值中的典型参数值进行初步分布式光伏集群划分，得到初始集群划分结果；
S3.基于初始集群划分结果，选取其余电气外特性参数值作为下一步精细化集群划分的参数依据，并根据历史气象数据改进电气外特性参数，建立包含历史气象数据以及电气外特性参数的模块度函数，在已划分的初始集群内采用建立的模块度函数进一步优化初始集群划分结果；
S4.根据优化的集群划分结果将具有相似特性的分布式光伏电站等效为一个光伏集群模型，在IEEE33节点标准系统中建立含高渗透率的分布式光伏集群的动态等值模型，接入电网。
2.如权利要求1所述的分布式光伏集群精细化划分及建模方法，其特征在于，步骤S1包括以下步骤：
S11、提取一个区域内所有待分群的分布式光伏电站中光伏阵列的输出电压、输出电流；所有待分群的光伏电站中光伏并网逆变器的输出电压、输出电流；所有待分群的分布式光伏电站的并网有功功率以及并网电流值；提取分布式光伏电站并网点的历史气象数据，包括：温度、辐照度、动量通量、风速和湿度；
S12、将所提取的电气外特性参数值进行归一化处理，归一化过程如下所示：
Figure FDA0003476275240000021
式中d表示当前类型参数的实际测量值，dmin为当前类型参数的最小值，dmax为当前类型参数的最大值。
3.如权利要求1所述的分布式光伏集群精细化划分及建模方法，其特征在于，步骤S2包括以下步骤：
S21、提取一个时间段内，共k个采样时刻的分布式光伏电站的辐照度以及并网有功功率数据，建立辐照度矩阵和并网有功功率矩阵：
Figure FDA0003476275240000022
Figure FDA0003476275240000023
Sk,j为在第k个采样时刻，第j个分布式光伏电站的辐照度，Pk,j为在第k个采样时刻，第j个分布式光伏电站的并网有功功率值
S22、根据各个采样时刻的采样值，以及已经构建的辐照度矩阵和并网有功功率矩阵，进行矩阵的行列式变换，过程如下所示：
△Sk,j＝Sk+1,j-Sk,j
△Pk,j＝Pk+1,j-Pk,j
计算得到分布式光伏电站的辐照度以及并网有功功率的随时间变化矩阵：
Figure FDA0003476275240000031
Figure FDA0003476275240000032
S23、计算在此时间段内的所有分布式光伏电站的辐照度以及并网有功功率的变化均值，辐照度的变化均值表示为：
Figure FDA0003476275240000033
并网有功功率的变化均值表示为：
Figure FDA0003476275240000034
S24、以待分群的多个分布式光伏电站在一定时间段内的辐照度和并网有功功率作为支持向量机分类器的输入，并建立支持向量机分类器的核函数，并将核函数作为待分群的多个分布式光伏电站的识别判断依据，核函数表示如下：
Figure FDA0003476275240000035
其中θ1和θ2分别为辐照度和并网有功功率的权重系数，△Sk,j为矩阵△S中的元素，△Pk,j为矩阵△P中的元素
式(1)表示待分群的分布式光伏电站辐照度的变化趋势和并网有功功率的变化趋势一致性，式(2)表示待分群的分布式光伏电站的辐照度和并网有功功率与所有分布式光伏电站的均值比较；
S25、基于S24所建立的支持向量机分类器的核函数，进行初始集群划分。
4.如权利要求3所述的分布式光伏集群精细化划分及建模方法，其特征在于，集群划分规则如下：
同时满足式(1)和(2)的划分为集群C1；
满足式(1)，不满足式(2)的划分为集群C2；
满足式(2)，不满足式(1)的划分为集群C3；
既不满足式(1)，也不满足式(2)的划分为集群C4
同一分布式光伏电站会分类K次集群划分结果，集群划分结果出现最多次数的分为一类，初始集群划分后的集群结果表示为:
{C1,C2,C3,C4}。
5.如权利要求3所述的分布式光伏集群精细化划分及建模方法，其特征在于，步骤S3包括以下步骤：
S31、设步骤S2初始集群划分后的每个集群中包含n个分布式光伏电站，每个分布式光伏电站中包含M个电气外特性参数，
Figure FDA0003476275240000041
表示第a个分布式光伏电站中的第m个电气外特性参数，
Figure FDA0003476275240000042
表示第b个分布式光伏电站中的第m个电气外特性参数，a≤n，b≤n，m≤M；
Figure FDA0003476275240000043
表示第a个分布式光伏电站中的第m个历史气象数据，
Figure FDA0003476275240000044
表示第b个分布式光伏电站中的第m个历史气象数据；
S32、根据分布式光伏电站的历史气象数据以及历史功率数据，计算分布式光伏电站历史功率数据与历史气象数据的时空相关性，
皮尔逊相关系数计算公式如下：
Figure FDA0003476275240000051
Nm表示历史气象数据中第m个历史气象数据，P表示对应的分布式光伏电站的历史功率数据；E表示样本的数学期望值；
选取历史气象数据中与历史功率数据相关性较大的q个历史气象参数，作为分布式光伏电站集群划分依据；
S33、根据欧式距离定义，结合分布式光伏电站之间电气外特性参数，第a个分布式光伏电站和第b个分布式光伏电站之间的电气外特性参数距离表示为：
Figure FDA0003476275240000052
包含气象数据特征的参数距离进一步表示为：
Figure FDA0003476275240000053
其中λm为分布式光伏电站中第m个电气外特性参数所占的权重系数；δq为分布式光伏电站中第q个历史气象数据所占的权重系数；
S34、建立基于电气外特性参数以及历史气象数据的模块度函数：
Figure FDA0003476275240000054
式中：
Figure FDA0003476275240000055
Figure FDA0003476275240000056
为所有分布式光伏电站之间同时考虑历史气象数据和电气外特性参数的距离之和；
Figure FDA0003476275240000061
为所有分布式光伏电站与分布式光伏电站a之间的同时考虑历史气象数据和电气外特性参数的距离之和；
Figure FDA0003476275240000062
为所有分布式光伏电站与分布式光伏电站b之间的同时考虑历史气象数据和电气外特性参数的距离之和；
S35、对步骤S2中已划分好的光伏集群进行划分，每个集群进行一次独立分群，其中每一个分布式光伏电站作为一个单独的集群，计算电气外特性参数模块度值，随机选取分布式光伏电站组成新的集群，计算新的电气外特性参数模块度值，当电气外特性参数模块度变化值为最大时，此时被分为同一集群；
S36、经过多次迭代计算后同一个分布式光伏电站被划分为同一集群的概率最大，则概率最大的集群为此分布式光伏电站被最终确定所在的集群；经过多次迭代计算，无可组合的分布式光伏电站后，此时得到的划分结果为光伏集群划分的最终结果，集群划分结果表示为：
Figure FDA0003476275240000063
R为初始集群划分结果的集群编号，T为最终分群的集群编号。
6.如权利要求5所述的分布式光伏集群精细化划分及建模方法，其特征在于：R＝1、2、3或4。
7.如权利要求5或6所述的分布式光伏集群精细化划分及建模方法，其特征在于：光伏集群
Figure FDA0003476275240000064
中的分布式光伏电站个数为r个；
光伏集群
Figure FDA0003476275240000065
的总有功功率表示为
Figure FDA0003476275240000066
光伏集群
Figure FDA0003476275240000067
的总无功功率表示为
Figure FDA0003476275240000068
将划分后的分布式光伏集群等效为：有功功率为
Figure FDA0003476275240000069
无功功率为
Figure FDA00034762752400000610
的动态等值模型。
CN202210056066.7A 2022-01-18 2022-01-18 一种分布式光伏集群精细化划分及建模方法 Pending CN114725982A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210056066.7A CN114725982A (zh) 2022-01-18 2022-01-18 一种分布式光伏集群精细化划分及建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210056066.7A CN114725982A (zh) 2022-01-18 2022-01-18 一种分布式光伏集群精细化划分及建模方法

Publications (1)

Publication Number Publication Date
CN114725982A true CN114725982A (zh) 2022-07-08

Family

ID=82235876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210056066.7A Pending CN114725982A (zh) 2022-01-18 2022-01-18 一种分布式光伏集群精细化划分及建模方法

Country Status (1)

Country Link
CN (1) CN114725982A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115036978A (zh) * 2022-08-10 2022-09-09 南方电网数字电网研究院有限公司 分布式光伏集群的运行控制方法和系统
CN115173408A (zh) * 2022-07-27 2022-10-11 国网湖南省电力有限公司 一种基于皮尔逊相关系数的分布式光伏电站聚合预测方法
CN115329899A (zh) * 2022-10-12 2022-11-11 广东电网有限责任公司中山供电局 一种聚类等效模型构建方法、系统、设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115173408A (zh) * 2022-07-27 2022-10-11 国网湖南省电力有限公司 一种基于皮尔逊相关系数的分布式光伏电站聚合预测方法
CN115173408B (zh) * 2022-07-27 2024-05-07 国网湖南省电力有限公司 一种基于皮尔逊相关系数的分布式光伏电站聚合预测方法
CN115036978A (zh) * 2022-08-10 2022-09-09 南方电网数字电网研究院有限公司 分布式光伏集群的运行控制方法和系统
CN115329899A (zh) * 2022-10-12 2022-11-11 广东电网有限责任公司中山供电局 一种聚类等效模型构建方法、系统、设备和存储介质

Similar Documents

Publication Publication Date Title
CN114725982A (zh) 一种分布式光伏集群精细化划分及建模方法
CN106230026B (zh) 基于时序特性分析的含分布式电源的配电网双层协调规划方法
CN105069236B (zh) 考虑风电场节点空间相关性的广义负荷联合概率建模方法
CN107909211B (zh) 基于模糊c均值聚类算法的风场等值建模及优化控制方法
CN111709109B (zh) 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置
CN109523084A (zh) 一种基于主元分析和机器学习的风电功率超短期预测方法
CN108647820A (zh) 基于改进粒子群算法的分布式电源选址定容优化方法及系统
CN109193649A (zh) 基于深度信念网络的分布式光伏集群动态等值建模方法
CN112149264A (zh) 一种基于改进哈里斯鹰优化算法的主动配电网规划方法
CN105207573A (zh) 基于离散概率模型的风光互补供电系统定量优化配置方法
CN107679687A (zh) 一种光伏出力建模方法以及发电系统可靠性评估方法
CN104734175A (zh) 一种实现风电机组风速功率曲线的智能修正方法
CN110264012A (zh) 基于经验模态分解的可再生能源功率组合预测方法及系统
CN115017787A (zh) 基于智能算法的风电场电压穿越特性等值建模方法及系统
CN112149905A (zh) 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法
Zhang et al. Evolutionary based Pareto optimization algorithms for bi-objective PV array reconfiguration under partial shading conditions
CN104638654B (zh) 兼顾风电场和网络节点电压调节的statcom控制方法
CN113270898A (zh) 一种基于两阶段规划的分布式光伏优化配置方法
CN113852098A (zh) 一种基于多目标蜻蜓算法的自动发电控制调度方法
Penangsang et al. Optimal placement and sizing of distributed generation in radial distribution system using K-means clustering method
Kumar et al. Comparative analysis of particle swarm optimization variants on distributed generation allocation for network loss minimization
CN109066709B (zh) 一种基于元模型的分布式电源就地电压控制策略改进方法
CN108616119B (zh) 基于区域性分时电价理论降低配电网网损的方法
CN112993984B (zh) 一种分布式光伏电站在有电气连接情况下的大扰动聚合方法
Wan et al. Photovoltaic generation scenario analysis considering irradiation uncertainty and output derating probability

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