CN114943418A - 考虑提升电力系统灵活性的储-输联合规划方法及系统 - Google Patents

考虑提升电力系统灵活性的储-输联合规划方法及系统 Download PDF

Info

Publication number
CN114943418A
CN114943418A CN202210428652.XA CN202210428652A CN114943418A CN 114943418 A CN114943418 A CN 114943418A CN 202210428652 A CN202210428652 A CN 202210428652A CN 114943418 A CN114943418 A CN 114943418A
Authority
CN
China
Prior art keywords
flexibility
power
output
scene
planning
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
CN202210428652.XA
Other languages
English (en)
Inventor
刘晓明
袁振华
汪湲
田鑫
张玉跃
杨思
魏佳
张丽娜
程佩芬
孟祥飞
付一木
张栋梁
高效海
魏鑫
王男
杨斌
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.)
Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Shandong 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 Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd
Priority to CN202210428652.XA priority Critical patent/CN114943418A/zh
Publication of CN114943418A publication Critical patent/CN114943418A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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—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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明属于电力系统规划技术领域，提供了一种考虑提升电力系统灵活性的储‑输联合规划方法及系统，本发明建立了电网灵活性指标，用以衡量电网灵活性，以经济性和灵活性为目标建立储‑输联合规划模型，利用储能装置在可再生能源和发电的应用中可以优化整个系统的电源结构，配备储能装置可以平抑可再生能源发电带来的波动，为整个系统提供更加稳定的电力的特点实现与输电线路扩建配合，既具有经济性又能有效提升电力系统灵活性，有效抵御可再生能源并网后带来的不确定性冲击。

Description

考虑提升电力系统灵活性的储-输联合规划方法及系统
技术领域
本发明属于电力系统规划技术领域，尤其涉及一种考虑提升电力系统灵活性的储-输联合规划方法及系统。
背景技术
随着世界范围的工业化进程加快，人类生活水平日益提高，对电能的依赖程度越来越高，而电能的生产主要依赖于化石能源的化学能向电能的转换，这会导致化石能源的过渡开采和环境污染问题的加重。相比于化石能源可再生能源具有分布区域广泛、清洁无污染和可持续发展等特点。由于可再生能源发电出力具有随机性与波动性的特点，大量可再生能源的并网急剧增加了未来电网的不确定性因素，对电力实时平衡造成影响并威胁电网安全，因此提升系统的发电和负荷波动性的能力即灵活性极其重要。
发明人发现，目前，在提升电力系统灵活性的研究中，主要分布于源、网、储和荷四个方面。在电源侧，由于火电机组普遍存在灵活性不足的问题，供给侧调峰空间不足造成了大量弃风弃光，因此挖掘火电机组灵活性潜力，提升火电机组的调峰能力，成为源侧提高系统灵活性的发展趋势。在网侧，则注重于输电线路的改造与扩建，通过输电线路的扩建提升系统传输功率的能力，实现对可再生能源发电的消纳。在储能侧，储能与可再生能源的结合可以提高可再生能源的利用率。储能技术不仅可以削峰填谷，平滑负荷，降低供电成本，还可以提高系统运行的稳定性、调整频率、补偿负荷波动。在负荷侧，利用负荷管理和负荷响应等管理方法应对电力系统灵活性不足的问题。并且电动汽车的投入对改善电网侧负荷和提高电力系统运行可靠性和灵活性有着积极影响。而在现阶段电力系统灵活性研究中，就输电网规划在灵活性提升方面研究还有欠缺。
发明内容
本发明为了解决上述问题，提出了一种考虑提升电力系统灵活性的储-输联合规划方法及系统，首先，考虑可再生能源并网，对可再生能源出力场景和负荷需求场景进行分析，从场景生成和场景缩减进行研究，生成了考虑风、光时间相关性的典型场景和负荷不确定性的典型场景集；其次，构建了电网灵活性指标和建立了以经济性和提升电力系统灵活性为规划目标的储-输联合规划模型。利用电网灵活性指标反映规划对电网灵活性提升的程度。
为了实现上述目的，本发明是通过如下的技术方案来实现：
第一方面，本发明提供了一种考虑提升电力系统灵活性的储-输联合规划方法，包括：
获取电力系统的相关数据；
依据获取的相关数据，构建风电出力场景、光伏出力场景以及负荷自身相关性需求场景，并对构建的风电出力场景、光伏出力场景以及负荷自身相关性需求场景进行缩减，得到典型场景；
根据得到的典型场景，以及预设的储-输联合规划模型，得到电力系统的规划方案；
其中，所述储-输联合规划模型中，以输电网灵活性为指标反映规划对电网灵活性提升的程度，以经济性和提升电力系统灵活性为规划目标，以储能装置、节点潮流平衡、发电机出力、支路潮流上下限和旋转备用作为约束条件。
进一步的，构建风电出力场景、光伏出力场景以及负荷自身相关性需求场景包括：获取可再生能源出力数据；根据获取的可再生能源出力数据构建风电和光伏出力概率分布模型；构建考虑时间相关性的风电和光伏出力概率分布模型；采用蒙特卡罗抽样得到考虑风电和光伏时间相关性的大量出力场景。
进一步的，采用k均值聚类算法对风电和光伏出力场景和负荷需求场景进行缩减，得到典型场景集。
进一步的，输电网络灵活性指标构建，以衡量输电线路传输能力的输电线路负载率为分析量进行构建。
进一步的，经济性目标包括储能系统总成本和输电线路扩建总成本，灵活性目标为构建的电网灵活性指标，通过设置灵活性目标和经济性目标权重，将多目标函数转化为单目标函数。
进一步的，约束条件包括等式约束条件和不等式约束条件；等式约束条件包括储能装置特性等式约束和节点潮流平衡等式约束，不等式约束条件包括潮流不越限约束、储能装置约束和旋转备用约束。
进一步的，采用遗传算法对储-输联合规划模型进行求解，在规划模型计算中加入实际潮流计算，借助psat求解每条支路功率进而计算线路负载率，达到对电网灵活性指标的求解；将灵活性目标和经济性目标作为种群适应度函数，通过不断迭代筛选出最优适应度的规划方案。
第二方面，本发明还提供了一种考虑提升电力系统灵活性的储-输联合规划系统，包括：
数据采集模块，被配置为：获取电力系统的相关数据；
典型场景构建模块，被配置为：依据获取的相关数据，构建风电出力场景、光伏出力场景以及负荷自身相关性需求场景，并对构建的风电出力场景、光伏出力场景以及负荷自身相关性需求场景进行缩减，得到典型场景；
方案规划模块，被配置为：根据得到的典型场景，以及预设的储-输联合规划模型，得到电力系统的规划方案；
其中，所述储-输联合规划模型中，以输电网灵活性为指标反映规划对电网灵活性提升的程度，以经济性和提升电力系统灵活性为规划目标，以储能装置、节点潮流平衡、发电机出力、支路潮流上下限和旋转备用作为约束条件。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的考虑提升电力系统灵活性的储-输联合规划方法的步骤。
第四方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的考虑提升电力系统灵活性的储-输联合规划方法的步骤。
与现有技术相比，本发明的有益效果为：
1、本发明建立了电网灵活性指标，用以衡量电网灵活性，以经济性和灵活性为目标建立储-输联合规划模型，利用储能装置在可再生能源和发电的应用中可以优化整个系统的电源结构，配备储能装置可以平抑可再生能源发电带来的波动，为整个系统提供更加稳定的电力的特点实现与输电线路扩建配合，既具有经济性又能有效提升电力系统灵活性，有效抵御可再生能源并网后带来的不确定性冲击；
2、本发明中，根据可再生能源风光出力数据和负荷数据分别建立风光出力和负荷需求概率分布模型，基于Copula函数建立考虑风、光时间相关性的风光出力概率分布模型，采用蒙特卡罗模拟方法生成大量风光出力场景集，通过k-means聚类算法进行场景缩减，得到具有代表性的风光出力场景集和负荷需求场景集，从而为后续储-输规划模型中可再生能源接入和模拟负荷波动性奠定基础。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
图1为本发明实施例1的典型场景集生成流程图；
图2为本发明实施例1的通过蒙特卡罗模拟生成的大量考虑风光时间相关性及负荷需求场景集；
图3本发明实施例1的通过k-means聚类算法进行场景缩减后得到的风电典型场景出力；
图4本发明实施例1的通过k-means聚类算法进行场景缩减后得到的光伏典型场景出力；
图5本发明实施例1的通过k-means聚类算法进行场景缩减后得到的负荷需求典型场景；
图6为本发明实施例1的提高系统灵活性储-输联合规划遗传算法计算流程图；
图7为本发明实施例1的改进IEEE-RTS24节点网络结构图；
图8为本发明实施例1的提高电力系统灵活性储-输联合规划用于改进IEEE-RTS24节点系统扩建图；
图9为本发明实施例1的规划方案储能装置出力图；
图10为本发明实施例1的规划方案风电周围建设储能装置后出力图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1：
本实施例提供了一种考虑提升电力系统灵活性的储-输联合规划方法，包括：
获取电力系统的相关数据；
依据获取的相关数据，构建风电出力场景、光伏出力场景以及负荷自身相关性需求场景，并对构建的风电出力场景、光伏出力场景以及负荷自身相关性需求场景进行缩减，得到典型场景；
根据得到的典型场景，以及预设的储-输联合规划模型，得到电力系统的规划方案；
其中，所述储-输联合规划模型中，以输电网灵活性为指标反映规划对电网灵活性提升的程度，以经济性和提升电力系统灵活性为规划目标，以储能装置、节点潮流平衡、发电机出力、支路潮流上下限和旋转备用作为约束条件。
本实施例的具体步骤为：
S1、考虑风电、光伏出力时间相关性的风光出力场景集和负荷需求场景集生成；
S1.1、Copula函数是一类可以将多元随机变量的联合分布与每个随机变量的边缘分布连接起来的函数，通过Copula函数，可以建立多变量之间的联合概率模型，分析多变量之间的相关性；
H(x1,x2,L,xN)＝C(H1(x1),H2(x2),L,HN(xN)；θ) (1)
其中，H(·)为多变量联合分布函数；H1(x1)，H2(x2)，…，HN(xN)为随机变量的边缘分布函数；C(·)为选取的Copula函数；θ为所选Copula函数参数；x1，x2，…，xN为各个边缘分布函数的随机变量向量。
S1.2、基于历史数据可以得到风光出力的概率密度函数，以风电为例F(xt,xt-1)是基于Copula函数生成的风电场出力相邻时刻的概率密度联合分布，其中，xt是风电场在t时刻的出力，xt-1是风电场在t-1时刻的出力，可得到：
F(xt,xt-1)＝H(xt,xt-1)＝C(F(xt),F(xt-1)) (2)
其中，F(xt)为风电场在t时刻的出力概率分布；F(xt-1)为风电场在t-1时刻的出力概率分布；光伏序列时间相关性分析同理。
S1.3、在风电、光伏和负荷典型场景生成中采用蒙特卡罗抽样方法，可以模拟风电、光伏和负荷不确定性，产生大量风电、光伏和负荷新场景；模拟出大量风电光伏出力及负荷需求场景集如图2、图3和图4所示，其中具体步骤如下：
S1.3.1、设模拟时段为T，各时段风电场出力为Pwind,t，光伏电站出力为Psolar,t，负荷需求为Pload,t；
S1.3.2、基于风电光伏出力及负荷需求历史数据进行概率建模，可得各时段风电出力概率密度fwind,t(Pwind,t)和累积概率分布Fwind,t(Pwind,t)，光伏出力概率密度fsolar,t(Psolar,t)和累积概率分布Fsolar,t(Psolar,t)，负荷需求概率密度fload,t(Pload,t)和累积概率分布Fload,t(Pload,t)其中t＝1,2,…,T；
S1.3.3、构建Copula函数，根据风、光出力相邻时刻出力分别分析时间相关性，求解Copula函数相关系数，进行Copula函数优选，可得到风电序列时间相关性公式和光伏序列时间相关性公式；
S1.3.4、通过蒙特卡罗模拟进行抽样生成大量具有时间相关性以及负荷自身相关性的随机值{uwind,t、usolar,t、uload,t|t＝1,2,…,T}，该随机值范围在0到1之间，即出力值生成概率，每个生成概率对应一个出力值，对该随机值求逆，可得大量考虑风、光出力时间相关性的风、光出力场景以及负荷自身相关性需求场景；
S1.4、通过蒙特卡罗方法模拟出大量考虑风、光发电和负荷不确定性的场景，有足够的数据反映可再生能源出力及负荷需求情况。但在电力系统规划中大量的出力场景并不有利于分析，不但降低计算效率，并且不能直观反映出出力场景特点，因此需要对生成的大量场景进行缩减，得到少量但具有代表性的典型场景。在场景缩减时采用k-means算法，方法如下：
S1.4.1、采用蒙特卡罗抽样分别生成M组风、光出力场景和负荷需求场景，即每时刻风、光出力及负荷需求有M组数据；
S1.4.2、设置典型场景个数k，分别随机选择风、光以及负荷场景k个初始聚类中心，本文设置风、光及负荷分别生成典型场景4个。采用k-means算法聚类将风、光出力以及负荷场景M组数据分成4类；
S1.4.3、基于最小距离原则，把所有聚类个体分配到距离最近的类中；衡量集合中每个个体之间的相似程度，引用距离函数，用来度量待聚类数据集合中每两个个体之间相似度大小的函数；以风电出力为例，假设两个风电出力，用两个N维向量xn＝(xn1,xn2,…,xnN)T和xm＝(xm1,xm2,…,xmN)T表示，根据欧几里得距离的定义：
Figure BDA0003610877770000091
根据欧几里得距离可以分析两种场景下风电出力序列的距离，进而判断是否属于同一类，光伏出力和负荷需求场景分类同理。
S1.4.4、重新求解风、光出力以及负荷需求场景每个类的质心，作为下一次迭代时新的聚类中心；
S1.4.5、目标函数采用最小方差函数，即类内所有个体与聚类中心个体的欧式距离平方之和，函数的定义如下：
Figure BDA0003610877770000092
重复步骤S1.4.2和S1.4.3使得目标函数值最小。
其中，E为待聚类数据集合中所有个体与其对应聚类中心的误差平方和；x为待聚类集合中属于簇ci的个体；n为待聚类集合数据总数；k为待分类的聚类种数。
S1.4.6、风电、光伏出力以及负荷需求场景完成分类后，为减少规划方案中计算量，将分类后的场景集进行缩减，得到概率组合场景集；分别计算每类中场景数，根据场景数计算每类场景生成概率；将每类中场景集进行缩减，计算每类中每时刻模拟生成所有场景出力和，然后求解均值，即为缩减后的场景该时刻出力，将所有时刻进行计算，得到该类缩减后的场景，可作为该类典型场景；风电、光伏出力及负荷需求典型场景生成同理，根据每类典型场景生成概率进行组合，得到概率相近的风、光和负荷组合场景集；
S1.5、典型场景生成流程如图1所示，经过k-means聚类算法削减后得到的风电出力典型场景如图3所示，光伏出力典型场景如图4，负荷需求典型场景如图5所示；各场景生成概率如表1所示：
表1风电、光伏和负荷不确定性典型场景生成概率
Figure BDA0003610877770000101
根据风电、光伏出力及负荷需求场景生成概率进行组合，可以简化规划模型的计算量，生成4组组合场景如下：
风电场景一、光伏场景二、负荷场景二；
风电场景二、光伏场景四、负荷场景三；
风电场景三、光伏场景一、负荷场景四；
风电场景四、光伏场景三、负荷场景一；
S1.6典型场景集生成后，需对场景集出力不确定性进行评价，而使用覆盖率与功率区间宽度可以评价场景集对不确定性描述的准确性；覆盖率与功率区间宽度的计算公式如下：
Figure BDA0003610877770000102
其中，CR(1-α)为置信度1-α下的覆盖率；N为测试集采样点总数；N1-α为在置信度1-α下实测风电功率落入预测置信区间的总数。
Figure BDA0003610877770000103
其中，PAW1-α为置信度1-α下的功率区间平均宽度；
Figure BDA0003610877770000104
为第n个采样点在置信度1-α下功率的最大值；
Figure BDA0003610877770000105
为第n个采样点在置信度1-α下功率的最小值；
Figure BDA0003610877770000106
表示第n个采样点在置信度1-α下功率的区间宽度。
覆盖率用于评价置信区间对实测值的覆盖情况，功率区间宽度则用于评价生成的日前场景集聚集不确定信息的能力。当覆盖率越大且功率区间宽度越小时，其对功率不确定性的描述越准确。当存在相近的覆盖率时，其功率区间宽度越小则模型的精确性越好，风电、光伏及负荷场景集评价如表2所示。
表2风、光出力及负荷需求场景集评价指标
Figure BDA0003610877770000111
步骤S1中对可再生能源出力场景及负荷需求场景进行模拟，一切工作为后续提升电力系统灵活性的储-输联合规划方法中考虑可再生能源接入及负荷不确定性奠定基础，在生成概率组合场景集后，与步骤S2中分储-输联合规划方法进行结合，得到在可再生能源并网下，提升电力系统灵活性的储-输联合规划方案，以抵御可再生能源并网下对电力系统运行带来的风险。
S2、提升电力系统灵活性的储-输联合规划模型建立；
S2.1、电网灵活性指标，线路的负载率能够有效的衡量输电线路的传输能力，线路负载率越低，线路的容量裕度越大，应对可再生能源发电波动性的能力越强。电力系统发生大规模连锁故障的概率越低。换言之，在电力系统中，线路负载率决定着该系统承受不确定性冲击的能力。利用线路负载率对电网灵活性指标进行构建，进一步作为规划模型的灵活性目标的衡量标准，能有效反映出规划后电网抗不确定性冲击的能力。
S2.1.1、对于不同的线路，电力系统的灵活性需求不同，因此需要引入电网灵活性权重系数，为通过线路负载率刻画电网灵活性指标，由于线路负载率越大电网的灵活性越差，为使得灵活性指标越大时，电网灵活性越好，定义t时刻的线路灵活性指标为:
Figure BDA0003610877770000121
其中，Ω为灵活性评估线路集合；T为灵活性评估时刻集合；μl为线路l的灵活性权重系数；Ll(t)为t时刻线路l的负载率，且
Ll(t)＝Pl(t)/PLmax,t∈T (8)
其中，Pl(t)和PLmax分别为线路当前传输功率与最大传输容量。
灵活性权重系数等于T时间段内线路i负载率波动的方差在所有线路负载率波动方差之和中所占的比例，即
Figure BDA0003610877770000122
其中，Li为线路i在T时间段内的平均负载率，当节点注入功率变化时，线路潮流变化越剧烈，μi越大，μi能够反映线路抵御潮流波动的能力，进而识别出真正制约电网灵活性的线路。
S2.1.2、Flex(t)的物理意义为t时刻灵活性权重系数的线路负载率加权和，能够反映电网潮流调度能力的裕度，Flex(t)越大，电网的灵活性越好，因此，定义T时间段内Flex(t)的最小值为系统电网的灵活性指标。
FLEX＝min{Flex(t1),Flex(t2),…Flex(tn)} (10)
S2.2、储-输联合规划模型建立
S2.2.1、目标函数，本模型选择灵活性指标和规划成本作为目标函数，分别设置经济性目标和灵活性目标的权重，将多目标函数通过加权的方法转化成单目标函数，权重的设置根据规划的需求进行设定。
F＝λ1F1+λ2F2 (11)
其中，λ1和λ2分别代表经济性目标和灵活性目标所占权重，F1为经济目标，F2为灵活性目标。
经济目标中包括储能系统总成本f1、输电线路等效年投资成本f2。
F1＝f1+f2 (12)
储能投资包含固定成本和可变成本。固定成本包含储能装置本身器件费用、安装成本等一系列费用，将固定成本作为常数进行考虑。可变成本主要包含储能装置运行、维护等费用，本实施例通过功率成本和容量成本进行体现。
Figure BDA0003610877770000131
Figure BDA0003610877770000132
其中，
Figure BDA0003610877770000133
和
Figure BDA0003610877770000134
为a节点处储能装置的固定成本和可变成本；xa为a节点配置储能装置的0-1决策变量；kde为储能装置的年折旧系数；ktc为储能装置在运行和维护中的成本系数；cp和ce为储能装置单位功率成本和单位容量成本；
Figure BDA0003610877770000135
和
Figure BDA0003610877770000136
为节点a配置的储能装置功率和容量；Ωess为储能装置待配置节点集合。
在输电线路扩建成本中将两节点间是否进行线路扩建作为决策变量，加入贴现率和使用年限进行整体计算。
Figure BDA0003610877770000137
其中，r为贴现率；n为线路经济使用年限；cline为新建线路单价；lab为新建线路ab间的线路长度；xab为线路ab新建的0-1决策变量；xab为待建线路集合。
根据电网灵活性指标构建模型中灵活性目标函数。为使得电网灵活性尽可能满足预期期望，应使得线路负载率尽可能小，这样电网会有足够的裕度来面临可再生能源发电带来的不确定性波动。当输电线路灵活性指标越大时，电网的灵活性越好，根据式(7)和式(10)可得电网灵活性指标上限为1，若建立最小值目标函数，可将灵活性目标函数设置为式(16)。
F2＝1-FLEX (16)
其中，FLEX为电网灵活性指标。
S2.2.2、约束条件，储能装置输出功率和容量存在相互关联的关系，输出功率和储能装置充、放电功率有关。
Pess,a,t＝Pess,a,t,dc-Pess,a,t,ch (17)
Eess,a,t＝Eess,a,t-1+Pess,a,t (18)
Eess,a,t＝0＝Eess,a,t＝T (19)
其中，Pess,a,t,dc和Pess,a,t,ch分别为储能装置在t时刻的放电功率和充电功率；Pess,a,t为储能装置在t时刻的输出功率；Eess,a,t为储能装置在t时刻的容量。式(17)至式(19)组成了储能装置的等式约束。
PG,t+Pwind,t+Psolar,t+Pess,t＝PL,t+Bθ (20)
其中，PG,t为火电厂t时刻有功出力向量；Pwind,t和Psolar,t分别为t时刻风电和光伏有功出力向量；Pess,t为储能装置t时刻输出功率向量；PL,t为t时刻各节点负荷向量；B和θ分别为网络的导纳矩阵和节点电压相角矩阵。
Figure BDA0003610877770000151
Figure BDA0003610877770000152
Figure BDA0003610877770000153
Figure BDA0003610877770000154
Vmin≤Va,t≤Vmax (25)
θmin≤θa,t≤θmax,θref＝0 (26)
式中：PG,a,t为t时刻a节点处火电机组有功出力；PW,a,t为t时刻a节点风电有功出力；PS,a,t为t时刻a节点光伏有功出力；Pab,t为t时刻ab线路中支路功率；Va,t为t时刻a节点电压；θa,t为t时刻a节点相角；ΩG、ΩW、ΩS分别表示火电机组集合、风电机组集合、光伏机组集合。式(21)至(26)构成了模型潮流不越限约束。
Figure BDA0003610877770000155
Figure BDA0003610877770000156
Figure BDA0003610877770000157
Figure BDA0003610877770000158
其中，
Figure BDA0003610877770000159
为电网允许储能装置建设的最大个数。
Figure BDA00036108777700001510
其中，Pl,a,t为t时刻a节点负荷需求；Ωl负荷节点集合；Rt为系统备用容量。
S3、算法求解
如图6所示为采用遗传算法进行提升电力系统灵活性储-输联合规划求解流程图。在通过分别设置灵活性目标和经济性目标权重后，将多目标函数转化为单目标函数，本模型变成非线性单目标规划模型。本实施例中，采用遗传算法对规划问题进行求解。遗传算法是一种基于自然生物选择与遗传机理的随机搜索和优化的方法，计算开始时种群随机地初始化，并计算每个个体的适应度函数，此时产生了初始代。如果不满足优化准则，开始产生新一代的计算。为了产生下一代，按照适应度选择个体，父代按着基因重组和变异产生子代，然后计算子代的适应度。通过选择子代被掺入到种群中取代父代构成新的种群，该循环过程继续执行直到满足优化准则。
在规划模型的计算中加入了实际潮流计算，借助psat潮流求解器求解每条支路功率进而计算线路负载率，从而达到对电网灵活性指标的求解。将灵活性目标和经济性目标作为种群适应度函数，通过不断迭代筛选出最优适应度的规划方案，即为提升电力系统灵活性的储-输规划方案，规划流程如图6所示。
S4、规划结果
将IEEE RTS-24节点系统进行改造，23节点接入风电机组，22节点接入光伏机组，其余PV节点接入火电机组，将模拟负荷值按初始负荷占比分配在3、4、5、8和20节点，网络中增加了7条可扩建的输电走廊，共有41条输电走廊可进行扩建，每条输电走廊最多建设3条线路，系统规划前网络结构如图7所示，根据模拟场景出现概率，分别形成了4种组合场景，对4种组合场景分别进行分析，得出相应的规划方案如表3所示。
表3 IEEE RTS-24节点系统灵活性资源规划方案
Figure BDA0003610877770000161
Figure BDA0003610877770000171
以电网灵活性指标提升程度为主要分析对象，结果如表4所示。
表4 IEEE RTS-24节点系统灵活性资源规划方案结果分析
Figure BDA0003610877770000172
Figure BDA0003610877770000181
场景四中的规划方案和场景二中方案二相同，因此该方案具有不同场景下的适用性，可同时满足两种场景下灵活性提升需求，并且相比于场景一中的最佳规划方案具有良好的经济性，选择扩建输电通道1-8(2)、6-7(1)、13-14(1)将储能装置设置在节点23是经济性和灵活性兼顾的规划方案，可作为IEEE RTS-24节点系统的规划方案。经过规划模型计算，改进IEEE RTS-24节点系统图如图8所示，图中虚线仅代表扩建输电走廊，不表示线路条数。得出储能装置出力，风电场周边构建储能电站明显减少出力峰谷差储，如图9和图10所示。
实施例2：
本实施例提供了一种考虑提升电力系统灵活性的储-输联合规划系统，包括：
数据采集模块，被配置为：获取电力系统的相关数据；
典型场景构建模块，被配置为：依据获取的相关数据，构建风电出力场景、光伏出力场景以及负荷自身相关性需求场景，并对构建的风电出力场景、光伏出力场景以及负荷自身相关性需求场景进行缩减，得到典型场景；
方案规划模块，被配置为：根据得到的典型场景，以及预设的储-输联合规划模型，得到电力系统的规划方案；
其中，所述储-输联合规划模型中，以输电网灵活性为指标反映规划对电网灵活性提升的程度，以经济性和提升电力系统灵活性为规划目标，以储能装置、节点潮流平衡、发电机出力、支路潮流上下限和旋转备用作为约束条件。
所述系统的工作方法与实施例1的考虑提升电力系统灵活性的储-输联合规划方法相同，这里不再赘述。
实施例3：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了实施例1所述的考虑提升电力系统灵活性的储-输联合规划方法的步骤。
实施例4：
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了实施例1所述的考虑提升电力系统灵活性的储-输联合规划方法的步骤。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (10)

1.考虑提升电力系统灵活性的储-输联合规划方法，其特征在于，包括：
获取电力系统的相关数据；
依据获取的相关数据，构建风电出力场景、光伏出力场景以及负荷自身相关性需求场景，并对构建的风电出力场景、光伏出力场景以及负荷自身相关性需求场景进行缩减，得到典型场景；
根据得到的典型场景，以及预设的储-输联合规划模型，得到电力系统的规划方案；
其中，所述储-输联合规划模型中，以输电网灵活性为指标反映规划对电网灵活性提升的程度，以经济性和提升电力系统灵活性为规划目标，以储能装置、节点潮流平衡、发电机出力、支路潮流上下限和旋转备用作为约束条件。
2.如权利要求1所述的考虑提升电力系统灵活性的储-输联合规划方法，其特征在于，构建风电出力场景、光伏出力场景以及负荷自身相关性需求场景包括：获取可再生能源出力数据；根据获取的可再生能源出力数据构建风电和光伏出力概率分布模型；构建考虑时间相关性的风电和光伏出力概率分布模型；采用蒙特卡罗抽样得到考虑风电和光伏时间相关性的大量出力场景集。
3.如权利要求1所述的考虑提升电力系统灵活性的储-输联合规划方法，其特征在于，采用k均值聚类算法对风电和光伏出力场景和负荷需求场景进行缩减，得到典型场景集。
4.如权利要求1所述的考虑提升电力系统灵活性的储-输联合规划方法，其特征在于，输电网络灵活性指标构建，以衡量输电线路传输能力的输电线路负载率为分析量进行构建。
5.如权利要求1所述的考虑提升电力系统灵活性的储-输联合规划方法，其特征在于，经济性目标包括储能系统总成本和输电线路扩建总成本，灵活性目标为构建的电网灵活性指标，通过设置灵活性目标和经济性目标权重，将多目标函数转化为单目标函数。
6.如权利要求1所述的考虑提升电力系统灵活性的储-输联合规划方法，其特征在于，约束条件包括等式约束条件和不等式约束条件；等式约束条件包括储能装置特性等式约束和节点潮流平衡等式约束，不等式约束条件包括潮流不越限约束、储能装置约束和旋转备用约束。
7.如权利要求1所述的考虑提升电力系统灵活性的储-输联合规划方法，其特征在于，采用遗传算法对储-输联合规划模型进行求解，在规划模型计算中加入实际潮流计算，借助psat求解每条支路功率进而计算线路负载率，达到对电网灵活性指标的求解；将灵活性目标和经济性目标作为种群适应度函数，通过不断迭代筛选出最优适应度的规划方案。
8.考虑提升电力系统灵活性的储-输联合规划系统，其特征在于，包括：
数据采集模块，被配置为：获取电力系统的相关数据；
典型场景构建模块，被配置为：依据获取的相关数据，构建风电出力场景、光伏出力场景以及负荷自身相关性需求场景，并对构建的风电出力场景、光伏出力场景以及负荷自身相关性需求场景进行缩减，得到典型场景；
方案规划模块，被配置为：根据得到的典型场景，以及预设的储-输联合规划模型，得到电力系统的规划方案；
其中，所述储-输联合规划模型中，以输电网灵活性为指标反映规划对电网灵活性提升的程度，以经济性和提升电力系统灵活性为规划目标，以储能装置、节点潮流平衡、发电机出力、支路潮流上下限和旋转备用作为约束条件。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的考虑提升电力系统灵活性的储-输联合规划方法的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的考虑提升电力系统灵活性的储-输联合规划方法的步骤。
CN202210428652.XA 2022-04-22 2022-04-22 考虑提升电力系统灵活性的储-输联合规划方法及系统 Pending CN114943418A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210428652.XA CN114943418A (zh) 2022-04-22 2022-04-22 考虑提升电力系统灵活性的储-输联合规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210428652.XA CN114943418A (zh) 2022-04-22 2022-04-22 考虑提升电力系统灵活性的储-输联合规划方法及系统

Publications (1)

Publication Number Publication Date
CN114943418A true CN114943418A (zh) 2022-08-26

Family

ID=82906552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210428652.XA Pending CN114943418A (zh) 2022-04-22 2022-04-22 考虑提升电力系统灵活性的储-输联合规划方法及系统

Country Status (1)

Country Link
CN (1) CN114943418A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993032A (zh) * 2023-09-28 2023-11-03 国网山西省电力公司运城供电公司 配网规划方法、装置、存储介质和计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993032A (zh) * 2023-09-28 2023-11-03 国网山西省电力公司运城供电公司 配网规划方法、装置、存储介质和计算机设备
CN116993032B (zh) * 2023-09-28 2024-01-19 国网山西省电力公司运城供电公司 配网规划方法、装置、存储介质和计算机设备

Similar Documents

Publication Publication Date Title
Gupta et al. BBO-based small autonomous hybrid power system optimization incorporating wind speed and solar radiation forecasting
Liang et al. Probability-driven transmission expansion planning with high-penetration renewable power generation: A case study in northwestern China
CN109034587B (zh) 一种协调多种可控单元的主动配电系统优化调度方法
Hu et al. Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model
CN115017854A (zh) 一种基于多维评估指标体系的配电网dg最大准入容量计算方法
CN116523240A (zh) 一种基于mcmc方法预测的微电网评价反馈调度方法
Ramasamy et al. Optimal design of renewable sources of PV/wind/FC generation for power system reliability and cost using MA‐RBFNN approach
CN113690930B (zh) 基于nsga-iii算法的分布式光伏电源中长期选址定容方法
CN115496273A (zh) 一种可再生能源集群分布鲁棒优化配置方法及系统
CN114943418A (zh) 考虑提升电力系统灵活性的储-输联合规划方法及系统
CN109586279A (zh) 一种互联电网规划方法
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
Jyothi et al. A machine learning based power load prediction system for smart grid energy management
Zhang et al. Multi–objective cluster partition method for distribution network considering uncertainties of distributed generations and loads
Alarcon-Rodriguez et al. Multi-objective planning of distributed energy resources with probabilistic constraints
Ali et al. Reconfiguration with simultaneous DG installation to improve the Voltage Profile in Distribution Network using Harmony Search Algorithm
Li et al. Analysis of distribution network planning with distributed power supply based on ELM algorithm
CN113725904A (zh) 考虑老化发电机组退役的电网转型方法、装置及设备
Takeda et al. Distributed stochastic control of microgrids based on PV power predictions
Ghiassi et al. On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization
Hu et al. Research on Complementarity of Multi-Energy Power Systems: A Review
Dokur et al. Smart Meter Data-Driven Voltage Forecasting Model for a Real Distribution Network Based on SCO-MLP
Yu et al. GIS-based optimal siting and sizing of substation using semi-supervised learning
Kumar et al. A Novel Resilience-Oriented Cellular Grid Formation Approach for Distribution Systems with Behind-the-Meter Distributed Energy Resources
Arka et al. Forecasting Global Horizontal Irradiance to Evaluate Battery Capacity under PV Uncertainty in a Rural Area of Bangladesh

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