CN114996908B - 考虑智能软开关接入的主动配电网扩展规划方法及系统 - Google Patents

考虑智能软开关接入的主动配电网扩展规划方法及系统 Download PDF

Info

Publication number
CN114996908B
CN114996908B CN202210475003.5A CN202210475003A CN114996908B CN 114996908 B CN114996908 B CN 114996908B CN 202210475003 A CN202210475003 A CN 202210475003A CN 114996908 B CN114996908 B CN 114996908B
Authority
CN
China
Prior art keywords
distribution network
planning
representing
active power
power distribution
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.)
Active
Application number
CN202210475003.5A
Other languages
English (en)
Other versions
CN114996908A (zh
Inventor
张沈习
王浩宇
程浩忠
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202210475003.5A priority Critical patent/CN114996908B/zh
Publication of CN114996908A publication Critical patent/CN114996908A/zh
Application granted granted Critical
Publication of CN114996908B publication Critical patent/CN114996908B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (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

本发明涉及一种考虑智能软开关接入的主动配电网扩展规划方法及系统，所述方法包括以下步骤：获取待规划区域的全年时序数据集，对所述全年时序数据集进行聚类，获得若干个典型日场景；基于典型日场景构建考虑智能软开关接入的主动配电网扩展规划模型；通过线性化和二阶锥松弛技术，将所述主动配电网扩展规划模型转化为混合整数二阶锥规划模型；求解所述混合整数二阶锥规划模型获得协同规划结果。与现有技术相比，本发明能够全面考虑智能软开关接入对主动配电网中“源‑网‑荷‑储”互动性的影响，充分挖掘主动配电网综合资源协调规划运行的潜力，有效提升规划运行经济性。

Description

考虑智能软开关接入的主动配电网扩展规划方法及系统
技术领域
本发明涉及电网规划和优化运行技术领域，尤其是涉及一种考虑智能软开关接入的主动配电网扩展规划方法及系统。
背景技术
新能源技术的发展、大量分布式电源的接入使得传统配电网运行效率降低、系统成本增加、运行可靠性下降。随着技术发展，以配电网经济、稳定运行为控制目标，具有自适应调节源-网-荷层的主动配电网(active distribution network，ADN)应势而生。主动配电网是促进高比例分布式可再生能源消纳的重要载体。多样性负荷以及高渗透率分布式电源(distributed generation，DG)带来的随机性和不确定性对ADN的调控能力提出了更高的要求。目前，国内外学者在交直流配电网控制方法的研究上已取得一系列成果，如专利申请CN109066655A公开的一种考虑风电和负荷不确定性的配电网规划方法。
智能软开关(soft open point，SOP)作为一种替代传统联络开关的新型柔性配电装置，可实现对网络潮流的灵活快速调节，使得ADN网络形态结构更加柔性，因而逐渐被应用到实际工程中。为适应新形势下SOP广泛接入的需求，需要对现有的ADN扩展规划方法进行进一步研发。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种能够显著提升配电网规划运行经济效益、高效利用可再生能源的考虑智能软开关接入的主动配电网扩展规划方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种考虑智能软开关接入的主动配电网扩展规划方法，该方法包括以下步骤：
获取待规划区域的全年时序数据集，对所述全年时序数据集进行聚类，获得若干个典型日场景；
基于典型日场景构建考虑智能软开关接入的主动配电网扩展规划模型；
通过线性化和二阶锥松弛技术，将所述主动配电网扩展规划模型转化为混合整数二阶锥规划模型；
求解所述混合整数二阶锥规划模型获得协同规划结果。
进一步地，采用改进GMM聚类获得所述典型日场景，具体地：
采用基于Mahalanobis距离的k-means聚类产生GMM聚类中多元高斯分布参数的初始值；
采用贝叶斯信息准则对GMM聚类组数进行概率估计，确定最佳聚类数；
采用GMM聚类获得U个日场景分组后，计算各组内日场景间的平均相关系数，依次选取每个分组内具有平均相关系数值最大的日场景为典型日场景。
进一步地，确定所述最佳聚类数时，以基于贝叶斯信息准则计算获得的BIC值最低的模型确定的聚类数为最佳聚类数。
进一步地，所述平均相关系数的计算公式为：
式中：Cu和Nu分别为第u组的日场景集合和日场景个数；Xa和Xb为第u组内的任意两个日场景；Cov(Xa,Xb)为Xa和Xb的协方差；Var(Xa)和Var(Xb)分别为Xa和Xb的方差。
进一步地，单个所述典型日场景的表征数据包括负荷、PVG和WTG日功率曲线的均值和标准差。
进一步地，所述主动配电网扩展规划模型以规划期内ADN年综合费用最小为目标函数，表示为：
min F＝CINV+COPE
式中：CINV为折算到每年的规划投资费用，COPE为模拟运行费用。
进一步地，所述主动配电网扩展规划模型的约束条件包括变电站新建与扩容状态约束、辐射网线路投建状态约束、设备安装约束、网络拓扑约束和ADN运行安全约束。
进一步地，求解所述混合整数二阶锥规划模型的过程，采用逐次收缩凸松弛算法控制所述转化引入的凸松弛间隙。
进一步地，所述逐次收缩凸松弛算法中，对模型的目标函数进行扩展并赋予动态权重，同时在模型中迭代添加逐渐收紧的线性切平面，控制凸松弛间隙逐渐收缩到给定阈值内。
本发明还提供一种考虑智能软开关接入的主动配电网扩展规划系统，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述主动配电网扩展规划方法的指令。
与现有技术相比，本发明具有以下有益效果：
1、本发明在规划模型中计及了智能软开关，进一步丰富了配电网规划元素，能够满足智能软开关的接入要求。
2、本发明采用基于改进的高斯混合模型聚类方法处理分布式可再生能源出力和负荷不确定性，构建考虑时序特性的典型日场景，提高规划结果可靠性。
3、本发明通过线性化和二阶锥松弛技术，将原始非凸非线性规划模型转化为混合整数二阶锥规划模型，并提出了逐次收缩凸松弛算法以获得凸松弛间隙足够小的原问题最优解，能够实现规划结果的高效求解。
4、本发明所提的主动配电网扩展规划方法能够显著提升配电网规划运行经济效益，高效利用可再生能源，充分挖掘综合资源协调规划运行的潜力。
附图说明
图1为本发明的流程示意图；
图2为实施例中54节点主动配电网结构示意图；
图3为典型日场景构建结果示意图，其中，(a)为基于改进GMM聚类的典型日场景构建结果，(b)为基于k-means聚类典型日场景构建结果；
图4为不考虑SOP接入的ADN扩展规划结果示意图；
图5为考虑SOP接入的ADN扩展规划结果示意图；
图6为不同规划方案对应系统运行指标对比图；
图7为算法迭代过程。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本发明提供一种考虑智能软开关接入的主动配电网扩展规划方法，该方法包括以下步骤：
1)获取待规划区域的全年时序数据集，对所述全年时序数据集进行聚类，获得若干个典型日场景；
2)基于典型日场景构建考虑智能软开关接入的主动配电网扩展规划模型；
3)通过线性化和二阶锥松弛技术，将所述主动配电网扩展规划模型转化为混合整数二阶锥规划模型；
4)求解所述混合整数二阶锥规划模型获得协同规划结果。
上述方法将智能软开关和主动配电网扩展规划相结合，以年综合费用最小为目标函数，建立了考虑智能软开关接入的主动配电网扩展规划模型，并通过线性化和二阶锥松弛技术，将原始非凸非线性规划模型转化为混合整数二阶锥规划模型，以实现高效求解，能够对变电站新建及扩容，线路新建，智能软开关、分布式电源、储能系统以及无功补偿等设备的选址定容进行协同规划。
上述方法的具体技术特征描述如下。
1、基于改进GMM聚类的典型日场景构建
为综合考虑ADN全年模拟运行情况，同时提高规划模型的求解效率，可以采用基于多场景分析的不确定性规划方法。传统聚类方法多以距离长短为衡量依据，存在“硬分配”的局限性，而且当面对海量数据集时，难以兼顾聚类效率与聚类精度的要求。考虑到以上不足，本发明提出基于改进GMM聚类的典型日场景构建方法，针对负荷、光伏(photovoltaicgeneration，PVG)和风电(wind turbine generation，WTG)的全年时序数据集进行聚类分析和场景优选，构建能够较准确地表征全年风光荷功率变化特性的典型日场景。
1.1改进GMM聚类
GMM聚类是一种基于概率分布模型的聚类方法，属于“软分类”，即通过判断输入样本属于某一类的概率大小来确定其最终的归属分组，能够较好地捕获数据属性之间的相关性和依赖性，对异常值有较强的识别能力。其模型如下：
式中：N(x|μu,ζu)表示第u个高斯分布的概率密度函数；αu、μu和ζu分别表示待估计的第u个高斯分布的权重、均值、协方差；x＝[x1,x2,...,xi,...,xm]T为输入样本数据集；d为xi的维数。考虑到负荷功率和DG出力时序匹配的相关性会影响规划结果，本发明选取负荷、PVG和WTG日功率曲线的均值和标准差共同作为单个典型日场景的表征，即
通常采用最大期望法对GMM参数进行迭代估计，然而该算法对初始聚类中心的取值比较敏感，鲁棒性较差。为弥补不足，本发明提出采用基于Mahalanobis距离的k-means聚类为U个多元高斯分布参数μu和ζu的迭代求解提供初始值。
1.2最佳聚类数确定
采用贝叶斯信息准则(Bayesian information criterion，BIC)对GMM聚类组数进行概率估计，逐步确定最佳聚类数。以BIC值最低的模型更优，其对应的U值即为最佳聚类数。BIC定义为
BIC＝-2ln(LU)+η·ln(m) (2)
式中：η为模型参数个数；LU为GMM模型似然函数的极大值；m为样本数量。
1.3典型日场景构建
经过改进GMM聚类获得U个典型日场景分组后，为了使所求典型日场景与组内所有日场景的相关性系数之和最大，定义如式(3)所示的平均相关系数，依次选取每个分组内具有平均相关系数值最大的日场景为典型日场景。
式中：Cu和Nu分别为第u组内包含的日场景集合和日场景个数；Xa和Xb为第u组内的任意两个日场景，包含当天负荷、PVG和WTG在每个时段的平均功率点；Cov(Xa,Xb)为Xa和Xb的协方差；Var(Xa)和Var(Xb)分别为Xa和Xb的方差。
2、规划模型
在上述通过基于改进GMM聚类方法构建的ADN典型日场景基础上，本发明建立考虑SOP接入的ADN扩展规划模型。该模型综合考虑了ADN源-网-荷-储的规划以及在典型日场景中的模拟运行。
2.1目标函数
ADN扩展规划模型以规划期内ADN年综合费用最小为目标函数，包括折算到每年的规划投资费用CINV和模拟运行费用COPE。其中，COPE包括设备运行维护费用、向上级电网购电费用、需求侧管理费用和弃光弃风惩罚费用。具体计算方法如下：
min F＝CINV+COPE (4)
COPE＝COM+CPU+CDSM+CCUR (6)
式中：表示设备a的现值转等年值系数；r为贴现率；为设备a的经济使用年限；ΩU和ΩT分别表示典型日场景和模拟运行时段的集合；u和t分别表示当前的典型日场景和时段；Du为第u个典型日场景的概率；ΨS、ΨS0、ΨL、ΨN、ΨSOP、ΨPVG、ΨWTG、ΨSVG、ΨBESS和ΨDSM分别表示待新建变电站节点集合、待扩容变电站节点集合、线路集合、负荷节点集合、SOP待选线路集合、PVG待选节点集合、WTG待选节点集合、SVG待选节点集合、BESS待选节点集合和参与需求管理的负荷节点集合；/>和cL分别表示变电站新建成本、变电站扩容成本、单位长度线路新建成本；cSOP和cTL分别表示SOP单位容量投资成本和配套联络线单位长度投资成本；cPVG、cWTG和cSVG分别表示PVG、WTG和SVG单位容量投资成本；cBESS,P和cBESS,E分别表示BESS单位功率和容量投资成本；/>和/>分别为变电站新建、变电站扩容、线路新建的决策变量；/>和/>分别表示SOP安装数量和配套联络线投建的决策变量；/>和/>分别为PVG、WTG和SVG安装数量的决策变量；Lij表示线路ij的长度；连续变量Si BESS和Ei BESS分别为BESS安装功率和容量的决策变量；/>表示变电站输送有功功率；/>和/>分别表示PVG和WTG有功出力；/>和/>表示变电站的年运维成本；cL,OM和cTL,OM表示线路的年运维成本；cSOP,OM、cSVG,OM和cBESS,OM分别表示SOP、SVG和BESS单位安装容量的年运维成本；cPVG,OM和cWTG,OM分别表示PVG和WTG发出单位电量的运维成本；cDSM表示可中断负荷中断单位电量的补偿成本；/>表示第i个可中断负荷的负荷中断量；/>表示变电站向上级电网购电价格；cPVG,C和cWTG,C分别表示PVG和WTG的单位弃光弃风惩罚成本；/>和/>分别表示弃光和弃风功率。
2.2约束条件
2.2.1变电站新建与扩容状态约束
式中：取1表示新建变电站i，取0则表示不新建；/>取1表示变电站i扩容，取0则表示不扩容。
2.2.2辐射网线路投建状态约束
式中：取1表示投建线路ij，取0则表示线路ij不投建。
2.2.3设备安装约束
(1)SOP安装位置与容量约束
式中：表示SOP待安装位置处配套联络线是否新建，取1表示待选线路ij作为安装SOP的联络线投建，取0则表示线路ij将不会作为联络线投建；/>表示线路ij上单位容量SOP的最大安装数量；/>表示SOP的单位安装容量。
(2)DG安装容量约束
式中：和/>分别表示WTG和PVG的单位安装容量；/>表示节点i处的最大负荷；ξ为ADN中DG最大渗透率；/>和/>分别表示待选安装节点i处的单位容量WTG和PVG最大允许安装数量。
(3)SVG安装容量约束
式中：为节点i处最大安装SVG数量；/>为ADN中SVG安装数量上限。
(4)BESS安装功率和容量约束
式中：和/>分别表示节点i处BESS允许安装的最大额定功率和容量；βBESS表示储能最大倍率系数；/>和/>分别表示ADN中安装BESS的最大额定功率和容量。
2.2.4网络拓扑约束
由于本发明选定SOP待选安装位置在联络开关处，于是所提ADN扩展规划需对辐射网络和联络线路协同规划。因此，为保证用于安装SOP而配套建设的联络线避开辐射网已选线路，增加相关的逻辑约束如式(18)所示。
通过建立拓扑结构与ADN辐射状网络保持一致的虚拟网络来实现其开环性和连通性约束，该虚拟网络假设变电站节点为源节点、负荷节点的虚拟负荷为1。
式中：κ(i)和ρ(i)分别表示节点i的子节点集合和父节点集合；Fij表示由节点i流向节点j的虚拟功率；|·|表示集合·中元素的个数。
2.2.5 ADN运行安全约束
(1)变电站节点功率约束
式中：和/>分别表示节点i处待新建变电站和已有变电站的变压器额定容量；/>表示节点i处已有变电站待扩容变压器的额定容量。
(2)OLTC调节约束
式中：ΔV表示OLTC抽头每一档调节电压标幺值；bk,i,u,t为0-1标识变量，表示OLTC抽头位置；K为OLTC抽头最大挡位数。
(3)节点电压约束
式中：vi,u,t表示节点i处电压幅值的平方；Vmax,i和Vmin,i分别表示节点i处电压幅值的上限和下限。
(4)支路电流约束
式中：lij,u,t表示支路ij电流幅值的平方；Imax,ij表示支路ij允许流过的电流幅值上限。
(5)功率平衡约束
式中：Pij,u,t和Qij,u,t分别表示支路ij上流过的有功功率和无功功率；Rij和Xij分别表示支路ij的电阻和电抗；和/>分别表示从节点i注入的有功功率和无功功率，若节点i处未安装相应设备，则对应项取为0；M为充分大的正数；/> 和/>分别表示节点i处SOP、PVG、WTG和BESS发出的有功功率；/>和/>分别表示节点i处SOP、PVG、WTG、SVG和BESS发出的无功功率。
(6)SOP运行约束
本发明以背靠背电压源型变流器为例，选取PQ-VdcQ作为SOP的稳态控制模式，一个变流器实现对直流电压的稳定控制，另一个变流器实现对传输功率的灵活控制，其两端的有功功率约束和容量约束如下。
式中：和/>分别表示节点i和节点j处SOP变流器的损耗系数；/>和/>表示节点i和节点j处SOP变流器的有功损耗。
(7)DG运行与调节约束
式中：DG∈{WTG,PVG}；和/>分别表示节点i处DG有功功率上限和下限；/>和/>分别表示节点i处DG功率因数角的最大值和最小值；αDG表示节点i处DG的最大有功出力切除比例；/>表示节点i处DG最大可用容量。
(8)SVG功率调节约束
式中：表示SVG单位安装容量。
(9)BESS运行约束
为准确描述BESS对ADN的有功功率和无功功率的支撑能力，BESS的模型可表示为：
式中：表示节点i处安装BESS的初始容量；Ai BESS表示损耗系数；/>表示节点i处BESS有功损耗；/>和/>分别为表示节点i处BESS的荷电状态下限和上限系数。
(10)需求侧管理约束
需求侧管理(demand-side management，DSM)包含许多措施，本发明考虑常见的可中断负荷措施，该措施对用户在系统峰荷、紧急状态下中断或者切除部分负荷。
式中：表示在t时刻节点i处负荷最大允许中断量；/>为负荷节点额定功率因数角。
3、模型求解
考虑到上述ADN扩展规划模型为混合整数非凸非线性模型，难以直接有效求解。本发明首先采用SOCR技术将原模型转化为混合整数二阶锥规划形式，然后研究了SOCR过程中引入的凸松弛间隙，并提出了逐次收缩凸松弛算法，在可接受时间内通过循环迭代得到凸松弛间隙足够小的原问题最优解。
3.1模型转化
将约束式(32)、(36)和(42)进行凸松弛，得到下列SOCR形式约束：
至此，考虑SOP接入的ADN扩展规划模型由原始混合整数非凸非线性问题转化为式(49)所示的混合整数二阶锥规划问题。由于上述约束(46)-(48)在所提规划模型中是自然成立的，因此模型转化前后不会造成原问题解的变化，同时在保证松弛精确度的条件下，可以利用数学优化工具实现高效求解。
3.2逐次收缩凸松弛算法
SOCR转化后模型的最优解能否恢复为原始模型的可行解，这与SOCR是否精确是等价的。因此，有必要分析SOCR引入的凸松弛间隙，并将其降低到可接受的水平。本发明所提规划模型在SOCR转化后引入的松弛间隙如式(50)-(52)所示。
在考虑DG高渗透率的ADN最优潮流问题中，通过添加割平面的方法可以收紧SOCR间隙，得到满足运行要求的最优解。在此基础上，本发明提出一种逐次收缩凸松弛算法，对规划模型中SOCR的紧性进行改善。该算法一方面对模型的目标函数进行扩展，以驱使SOCR逐渐收紧，另一方面基于前次优化结果，在模型中迭代添加逐渐收紧的线性切平面，将凸松弛间隙逐渐收缩到给定阈值内。从目标函数和约束条件两方面“加强”凸松弛紧性，以使松弛后的解对原问题具有可行性。算法具体步骤如下：
步骤1：给定算法残差阈值εgap；给定权重系数初始值χ0、权重系数增长因子ω、权重系数最大值χm；在规划模型(49)的目标函数中添加惩罚项χ0Fχ，即扩展为式(53)，其中Fχ如式(54)所示。
min F'＝F+χ0Fχ (53)
步骤2：求解目标函数扩展为F'的规划模型(49)，置迭代次数n＝1。
步骤3：更新并添加式(55)、式(56)和式(57)所示的线性切平面约束，求解模型(58)。
式中：Pij,u,t,n和Qij,u,t,n分别为第n次迭代后，场景u下时刻t支路ij传输的有功功率和无功功率最优解；和/>分别为第n次迭代后，SOP和BESS在场景u下时刻t注入节点i的有功功率和无功功率最优解；vi,u,t,n为第n次迭代后，场景u时刻t节点i的电压幅值平方最优解。
步骤4：计算第n次迭代求解后优化结果的凸松弛间隙gapu,n：
步骤5：若说明松弛间隙足够小，终止迭代；否则，令χn+1＝min{ωχn,χm}，重复步骤3和步骤4，直到满足收敛条件为止。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
4、案例分析
4.1算例设置
本实施例以54节点主动配电网为例进行算例分析，算例网络结构如图2所示。相关规划参数设置如下。
(1)变电站数据：待新建和扩容的变电站相关参数和成本见表1；变电站主变OLTC共有9个调节挡位，调节范围为0.95p.u.至1.05p.u.，每个典型日场景内最大允许调节次数为6次；变电站向上级电网购电价格为0.5元/kWh。
表1变电站参数
(2)线路数据：单位长度电阻和电抗分别为0.307Ω/km和0.380Ω/km，线路容量为6.12MVA，线路投资成本为245210元/km，年运维成本为3000元/条。
(3)SOP数据：单位安装容量为100kVA，投资费用为1000元/kVA，损耗系数为0.02，年运行维护费用系数为0.01，每条待选线路允许安装容量上限为5000kVA。
(4)待安装DG数据：PVG单位容量投资成本为4300元/kW；WTG单位容量投资成本为5600元/kW；单台DG额定容量为100kW；DG的功率因数可调范围为滞相0.95至进相0.95；弃风弃光惩罚成本为0.35元/kWh。
(5)SVG数据：单位安装容量为100kVar，建设成本为7700元/kVar。
(6)BESS数据：单位容量建设成本为1000元/kWh，单位功率建设成本为1500元/kW，单位容量年运行维护成本为0.35元/kWh。
(7)其他参数：规划期为15年，贴现率为5％；节点电压幅值约束为0.95p.u.～1.05p.u.；负荷功率因数为0.9；可中断负荷的单位电量切除成本为7元/kWh。
4.2典型日场景构建结果
以西北地区某配电网全年历史数据为基础，利用改进GMM聚类方法进行典型日场景构建。经计算知，当聚类场景数等于8时，BIC指标最小。8个典型日场景如图3(a)所示，各典型日场景概率如表2所示。为说明本发明典型日场景构建方法的优势，选取广泛应用的k-means聚类方法同步进行典型日场景构建，得到图3(b)所示结果。对比典型日场景构建结果可见，基于改进GMM聚类的典型日场景构建方法结果具有更好的分层特性，DG和负荷从小到大各个层级几乎均匀涵盖，同时有效保留了某些极端场景，对原始数据的表征更加准确。
表2典型日场景概率
4.3规划结果与分析
设定两种规划方法进行比较：
方法I：不考虑SOP接入的ADN扩展规划；
方法II：考虑SOP接入的ADN扩展规划。
经优化计算，方法I和方法II中规划方案各项费用如表3所示，得到的规划方案见表4，整体规划结果如图4和图5所示。从表3可以看出，方法II中考虑SOP接入得到的ADN扩展规划方案(方案II)在整体上比方法I得到的规划方案(方案I)具有更好的经济性。方案II中ADN年综合费用相比方案I减少了799万元，降幅为5.01％。
表3不同方法下ADN扩展规划费用
表4不同方法下ADN扩展规划方案
对比方案II，方案I为满足ADN负荷需求，除投资新建变电站S3和S4外，还需对变电站S1扩容。在网架扩建方面，由于方案II需增加投建联络线路，所以在新建线路投资成本上相比方案I来说投资费用有所增加，但是，由后续分析可知，SOP可以针对每个时段实时调整运行控制策略，均衡馈线间负荷，作为网络重构的有效补充，为不同变电站供电区域间互联互动提供了支撑，提升了整个ADN的柔性互济能力。此外，由表3计算可得：方案I中SOP、PVG、WTG、SVG和BESS等各类设备的年投资费用为1177万元，方案II中各类设备的年投资费用为1411万元。虽然方案II中各类设备的年投资费用相较方案I更高，但是不难发现，在模拟运行阶段，方案II的经济性更好：方案II中各典型日场景的DG出力均全部消纳，全年向上级电网购电费用相比方案I减少了557万元，降幅为4.13％，而方案I在某些典型运行场景中出现了弃风弃光的现象，相应的弃风弃光惩罚费用为14万元；方案I中全年DSM费用达317万元，而方案II没有切负荷现象发生，可以满足所有典型日场景不同负荷水平下各节点的电能需求。
为进一步分析考虑SOP接入的ADN扩展规划方案的优势，从规划方案年均网络损耗、DG消纳率、OLTC抽头调节次数、线路平均负载率以及平均电压偏差五个指标出发，对两种规划方法下得到的不同规划方案进行评估和比较，结果如图6所示。
方案II中SOP的应用使得网络功率分布得到改善，年均网络损耗为7049.15MW·h，比方案I减少17.63％；方案I的DG消纳率为97.12％，而方案II完全消纳DG出力，这是由于SOP能均衡线路间负荷，转供线路间DG注入功率，因此考虑SOP接入的ADN规划方案能够更好地接纳DG；方案II平均电压偏差为2.51％，相比方案I有效抑制了电压波动，使得电压分布更加趋向平缓，改善了ADN电压质量；方案II相比方案I线路平均负载率从54.43％降为36.89％，方案II改善了支路负载分布，提升了线路转供能力，兼顾了可靠性和经济性的要求；方案I中需要依靠多次OLTC抽头调节来满足电压质量，这将导致方案I需要付出更多的开关变动成本，而方案II可以通过SOP灵活平滑调节，避免了频繁的OLTC抽头调节操作，有效降低了运行风险，提高了系统的调节能力和运行潜力。
4.4算法有效性分析
利用本发明提出的逐次收缩凸松弛算法求解考虑SOP接入的ADN扩展规划模型的迭代收敛过程如图7所示。经过3次迭代求解，凸松弛间隙缩小至10-5数量级，满足计算精度要求，说明凸松弛是紧的，即利用逐次收缩凸松弛算法求解扩展规划模型可获得全局最优解。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (9)

1.一种考虑智能软开关接入的主动配电网扩展规划方法，其特征在于，该方法包括以下步骤：
获取待规划区域的全年时序数据集，对所述全年时序数据集进行聚类，获得若干个典型日场景；
基于典型日场景构建考虑智能软开关接入的主动配电网扩展规划模型；
通过线性化和二阶锥松弛技术，将所述主动配电网扩展规划模型转化为混合整数二阶锥规划模型；
求解所述混合整数二阶锥规划模型获得协同规划结果；
所述主动配电网扩展规划模型以规划期内ADN年综合费用最小为目标函数，表示为：
minF＝CINV+COPE
式中：CINV为折算到每年的规划投资费用，COPE为模拟运行费用；
所述规划投资费用CINV和模拟运行费用COPE的具体表达式为：
COPE＝COM+CPU+CDSM+CCUR
式中：表示设备a的现值转等年值系数；r为贴现率；/>为设备a的经济使用年限；ΩU和ΩT分别表示典型日场景和模拟运行时段的集合；u和t分别表示当前的典型日场景和时段；Du为第u个典型日场景的概率；ΨS、ΨS0、ΨL、ΨN、ΨSOP、ΨPVG、ΨWTG、ΨSVG、ΨBESS和ΨDSM分别表示待新建变电站节点集合、待扩容变电站节点集合、线路集合、负荷节点集合、SOP待选线路集合、PVG待选节点集合、WTG待选节点集合、SVG待选节点集合、BESS待选节点集合和参与需求管理的负荷节点集合；/>和cL分别表示变电站新建成本、变电站扩容成本、单位长度线路新建成本；cSOP和cTL分别表示SOP单位容量投资成本和配套联络线单位长度投资成本；cPVG、cWTG和cSVG分别表示PVG、WTG和SVG单位容量投资成本；cBESS,P和cBESS,E分别表示BESS单位功率和容量投资成本；/>和/>分别为变电站新建、变电站扩容、线路新建的决策变量；/>和/>分别表示SOP安装数量和配套联络线投建的决策变量；/>和/>分别为PVG、WTG和SVG安装数量的决策变量；Lij表示线路ij的长度；连续变量/>和/>分别为BESS安装功率和容量的决策变量；/>表示变电站输送有功功率；/>和/>分别表示PVG和WTG有功出力；/>和/>表示变电站的年运维成本；cL ,OM和cTL,OM表示线路的年运维成本；cSOP,OM、cSVG,OM和cBESS,OM分别表示SOP、SVG和BESS单位安装容量的年运维成本；cPVG,OM和cWTG,OM分别表示PVG和WTG发出单位电量的运维成本；cDSM表示可中断负荷中断单位电量的补偿成本；/>表示第i个可中断负荷的负荷中断量；/>表示变电站向上级电网购电价格；cPVG,C和cWTG,C分别表示PVG和WTG的单位弃光弃风惩罚成本；和/>分别表示弃光和弃风功率。
2.根据权利要求1所述的考虑智能软开关接入的主动配电网扩展规划方法，其特征在于，采用改进GMM聚类获得所述典型日场景，具体地：
采用基于Mahalanobis距离的k-means聚类产生GMM聚类中多元高斯分布参数的初始值；
采用贝叶斯信息准则对GMM聚类组数进行概率估计，确定最佳聚类数；
采用GMM聚类获得U个日场景分组后，计算各组内日场景间的平均相关系数，依次选取每个分组内具有平均相关系数值最大的日场景为典型日场景。
3.根据权利要求2所述的考虑智能软开关接入的主动配电网扩展规划方法，其特征在于，确定所述最佳聚类数时，以基于贝叶斯信息准则计算获得的BIC值最低的模型确定的聚类数为最佳聚类数。
4.根据权利要求2所述的考虑智能软开关接入的主动配电网扩展规划方法，其特征在于，所述平均相关系数的计算公式为：
式中：Cu和Nu分别为第u组的日场景集合和日场景个数；Xa和Xb为第u组内的任意两个日场景；Cov(Xa,Xb)为Xa和Xb的协方差；Var(Xa)和Var(Xb)分别为Xa和Xb的方差。
5.根据权利要求1所述的考虑智能软开关接入的主动配电网扩展规划方法，其特征在于，单个所述典型日场景的表征数据包括负荷、PVG和WTG日功率曲线的均值和标准差。
6.根据权利要求1所述的考虑智能软开关接入的主动配电网扩展规划方法，其特征在于，所述主动配电网扩展规划模型的约束条件包括变电站新建与扩容状态约束、辐射网线路投建状态约束、设备安装约束、网络拓扑约束和ADN运行安全约束。
7.根据权利要求1所述的考虑智能软开关接入的主动配电网扩展规划方法，其特征在于，求解所述混合整数二阶锥规划模型的过程，采用逐次收缩凸松弛算法控制所述转化引入的凸松弛间隙。
8.根据权利要求7所述的考虑智能软开关接入的主动配电网扩展规划方法，其特征在于，所述逐次收缩凸松弛算法中，对模型的目标函数进行扩展并赋予动态权重，同时在模型中迭代添加逐渐收紧的线性切平面，控制凸松弛间隙逐渐收缩到给定阈值内。
9.一种考虑智能软开关接入的主动配电网扩展规划系统，其特征在于，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述主动配电网扩展规划方法的指令。
CN202210475003.5A 2022-04-29 2022-04-29 考虑智能软开关接入的主动配电网扩展规划方法及系统 Active CN114996908B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210475003.5A CN114996908B (zh) 2022-04-29 2022-04-29 考虑智能软开关接入的主动配电网扩展规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210475003.5A CN114996908B (zh) 2022-04-29 2022-04-29 考虑智能软开关接入的主动配电网扩展规划方法及系统

Publications (2)

Publication Number Publication Date
CN114996908A CN114996908A (zh) 2022-09-02
CN114996908B true CN114996908B (zh) 2024-04-02

Family

ID=83024867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210475003.5A Active CN114996908B (zh) 2022-04-29 2022-04-29 考虑智能软开关接入的主动配电网扩展规划方法及系统

Country Status (1)

Country Link
CN (1) CN114996908B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702399A (zh) * 2023-08-07 2023-09-05 南昌航空大学 考虑故障下sop负荷支撑能力的配电网优化方法及系统
CN117175637B (zh) * 2023-08-25 2024-07-26 哈尔滨工业大学 一种基于混合密度网络未来态场景的源网荷储配置方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111682585A (zh) * 2020-06-19 2020-09-18 国网经济技术研究院有限公司 一种配电网智能储能软开关综合规划方法和系统
CN113937825A (zh) * 2020-06-29 2022-01-14 华北电力大学（保定） 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111682585A (zh) * 2020-06-19 2020-09-18 国网经济技术研究院有限公司 一种配电网智能储能软开关综合规划方法和系统
CN113937825A (zh) * 2020-06-29 2022-01-14 华北电力大学（保定） 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Coordinated Allocation of BESS and SOP in High PV Penetrated Distribution Network Incorporating DR and CVR Schemes;Pamshetti, VB等;《IEEE SYSTEMS JOURNAL》;20220331;420-430 *
含智能软开关的主动配电网分布式光伏准入容量鲁棒优化;方一晨等;《电力系统自动化》;20210410;第45卷(第7期);8-17 *
基于深度卷积生成对抗网络场景生成的间歇式分布式电源优化配置;顾洁 等;《电网技术》;20210531;45(5);1742-1749 *
基于高斯混合模型聚类的风电场短期功率预测方法;王一姝等;《电力系统自动化》;20210410;第45卷(第7期);37-43 *

Also Published As

Publication number Publication date
CN114996908A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
Ma et al. Optimal allocation of hybrid energy storage systems for smoothing photovoltaic power fluctuations considering the active power curtailment of photovoltaic
CN110009262B (zh) 一种主动配电网的日前-日内两阶段优化调度方法
CN107634518B (zh) 一种“源-网-荷”相协调的主动配电网经济调度方法
Oshiro et al. Optimal voltage control in distribution systems with coordination of distribution installations
CN114996908B (zh) 考虑智能软开关接入的主动配电网扩展规划方法及系统
Gu et al. Placement and capacity selection of battery energy storage system in the distributed generation integrated distribution network based on improved NSGA-II optimization
CN110690702B (zh) 一种考虑综合承载力的主动配电网优化调度及运行方法
CN110263391B (zh) 一种基于机会约束的有源配电网智能软开关规划方法
CN108304972B (zh) 一种基于供需互动和dg运行特性的主动配电网网架规划方法
CN110808597A (zh) 主动配电网中考虑三相不平衡的分布式电源规划方法
CN104269847A (zh) 一种柔性环网控制系统运行及潮流优化方法
CN113937825A (zh) 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法
CN111614110B (zh) 一种基于改进多目标粒子群算法的受端电网储能优化配置方法
CN116345466A (zh) 一种考虑配网重构的主动配电网两阶段潮流优化方法
CN117977544A (zh) 含高比例分布式光伏的中低压配电网调度方法与系统
CN112234613A (zh) 一种交直流混合系统储能优化配置方法
Hong et al. Short-term real-power scheduling considering fuzzy factors in an autonomous system using genetic algorithms
Wang et al. Decentralized and multi-objective coordinated optimization of hybrid AC/DC flexible distribution networks
Salkuti Optimal day-ahead renewable power generation scheduling of hybrid electrical power system
Ramesh et al. Cost Optimization by Integrating PV-System and Battery Energy Storage System into Microgrid using Particle Swarm Optimization
Wang et al. A bi-level programming model for distribution network expansion planning with distributed generations and energy storage systems
Kasturi et al. Analysis of photovoltaic & battery energy storage system impacts on electric distribution system efficacy
Su et al. A Data-Driven Multi-Time Scale Coordinated Economic Dispatch Model for Flexible Interconnection Low-voltage Distribution Station Areas
Ziyat et al. Real-time Reactive Power Compensation by Distributed Generation Simulated using GridLAB-D and PSIM
Rokicki The application of the CLONALG algorithm in the process of optimal operation control of hybrid AC/DC low voltage microgrid

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