CN115207921B - 一种光伏接入配电网的位置优化方法及系统 - Google Patents
一种光伏接入配电网的位置优化方法及系统 Download PDFInfo
- Publication number
- CN115207921B CN115207921B CN202211113078.5A CN202211113078A CN115207921B CN 115207921 B CN115207921 B CN 115207921B CN 202211113078 A CN202211113078 A CN 202211113078A CN 115207921 B CN115207921 B CN 115207921B
- Authority
- CN
- China
- Prior art keywords
- model
- node
- parameters
- sensitivity
- value
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种光伏接入配电网的位置优化方法及系统,位置优化方法包括:通过构建光伏发电及负荷随机模型,以节点电压方差作为评估指标对光伏出力、负荷进行不确定性评估,同时采用基于多项式展开的改进灵敏度分析法分析光伏、负荷随机模型中不同参数对配电网各节点电压的影响,通过评估结果分析可找出配电网中适合接入光伏的节点。可评估出不同模型参数对配电网中不同节点的影响程度,进而得出光伏出力和负荷对不同节点电压的影响,为分布式光伏接入配电网选址提供了可靠的依据。
Description
技术领域
本发明属于电力系统分析技术领域,尤其涉及一种光伏接入配电网的位置优化方法及系统。
背景技术
目前,研究人员对分布式光伏接入配电网主要考虑构建优化模型。
常用的方法是通过构建光伏-负荷双侧不确定性的鲁棒优化调度模型或概率分布模型等,对模型进行求解后,可为光伏并网时的接入位置提供可靠依据,进而提升了系统响应不确定性的能力;同时目前主要使用遗传算法和粒子群算法等对分布式光伏进行容量优化。遗传算法是一种通过模拟自然进化过程搜索最优解的算法,由于它不依赖问题的具体领域,对所研究问题具有较强的鲁棒性,因此常被应用于函数优化和组合优化等领域。粒子群算法在工程中应用广泛,规则简单,对于可调参数的设计理论研究已经较为成熟。
上述方法主要侧重于光伏负荷预测误差下的认知不确定性对配电网运行状态的评估影响,较少考虑固有光伏负荷参数模型不确定性的影响,使得难以准确得知光伏出力、负荷的概率分布,且在寻优时未结合光伏接入配电网约束条件下光伏位置-容量寻优场景需求。
发明内容
本发明提供一种光伏接入配电网的位置优化方法及系统,用于至少解决难以准确得知光伏出力、负荷的概率分布,且在寻优时未结合光伏接入配电网约束条件下光伏位置-容量寻优场景需求的技术问题。
第一方面,本发明提供一种光伏接入配电网的位置优化方法,包括:依次选取不同
的模型参数组,构建与模型参数相对应的光
伏发电随机模型及与模型参数相对应的负荷随机模型;在对每个模型参数组进行采样后生成个随机样本,将
个样本输入至预设的节点电压评估模型中,得到个配电网的节点电压输出响应样本,并
分别计算个配电网的节点电压输出响应样本的方差,其中,为
在第组模型参数下对光伏出力进行抽样时,第个光伏出力样本的功率,为在第
组模型参数下对光伏出力进行抽样时,第个负荷样本的功率;依次遍历个模型参数组,
相应获得个配电网的节点电压输出响应样本和个配电网的节点电压输出响应样本
的方差;基于多项式展开的改进灵敏度分析方法对个配电网的节
点电压输出响应样本进行分析计算,得到不同的模型参数对各个节点的节点电压影响的量
化值,即不同的模型参数对各个节点的节点电压的灵敏度值;根据历史数据中各个模型参
数的变化范围,确定各个模型参数的灵敏度权重值,并以各个模型参数分别对所有节点电
压的灵敏度与各个所述灵敏度权重值的乘积最小为目标函数,确定最优位置节点,其中,所
述目标函数的表达式为:,
式中,为总灵敏度综合值,为模型参数对各个节点电压的总灵敏度值,为模
型参数对各个节点电压的总灵敏度值,为模型参数对各个节点电压的总灵敏度
值,为模型参数对各个节点电压的总灵敏度值,、、、分别为模型参数的灵敏度权重值、模型参数的灵敏度权重值、模型参数的灵敏度权重值以及模型
参数的灵敏度权重值,为节点,为节点数。
第二方面,本发明提供一种光伏接入配电网的位置优化系统,包括:构建模块,配
置为依次选取不同的模型参数组,构建与模型参数相对应的光伏发电随机模型及与模型参数相对应的负荷随机模型;计算
模块,配置为在对每个模型参数组进行采样后生成个随机样本,将个样本输入至预设的节点电压评估模型中,得到
个配电网的节点电压输出响应样本,并分别计算个配电网的节点电压输出响应样本的方
差,其中,为在第组模型参数下对光伏出力进行抽样时,第个
光伏出力样本的功率,为在第组模型参数下对光伏出力进行抽样时,第个负荷样
本的功率;获取模块,配置为依次遍历个模型参数组,相应获得个配电网的节点电
压输出响应样本和个配电网的节点电压输出响应样本的方差;分析
模块,配置为基于多项式展开的改进灵敏度分析方法对个配电网的节点电压输出响
应样本进行分析计算,得到不同的模型参数对各个节点的节点电压影响的量化值,即不同
的模型参数对各个节点的节点电压的灵敏度值;确定模块,配置为根据历史数据中各个模
型参数的变化范围,确定各个模型参数的灵敏度权重值,并以各个模型参数分别对所有节
点电压的灵敏度与各个所述灵敏度权重值的乘积最小为目标函数,确定最优位置节点,其
中,所述目标函数的表达式为:,
式中,为总灵敏度综合值,为模型参数对各个节点电压的总灵敏度值,为模
型参数对各个节点电压的总灵敏度值,为模型参数对各个节点电压的总灵敏度
值,为模型参数对各个节点电压的总灵敏度值,、、、分别为模型参数的灵敏度权重值、模型参数的灵敏度权重值、模型参数的灵敏度权重值以及模型
参数的灵敏度权重值,为节点,为节点数。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的一种光伏接入配电网的位置优化方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的一种光伏接入配电网的位置优化方法的步骤。
本申请的光伏接入配电网的位置优化方法及系统,在制定方案时根据不确定性参数的历史变化范围,综合衡量每个节点的关键不确定性参数变化所带来的不确定性影响,可得出节点电压对光伏、负荷的灵敏度,即不同参数对不同节点电压的影响程度,进而得到光伏、负荷对不同节点电压的影响程度,依据影响程度的不同,可评估出哪些节点适合接入光伏,在光伏接入后,对配电网节点电压的影响最小,节点电压不会出现越限的情况。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种光伏接入配电网的位置优化方法的流程图;
图2本发明一实施例提供的一种光伏接入配电网的位置优化系统的结构框图;
图3本发明一实施例提供的电子设备的结构示意图。
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作出创造性劳动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1,其示出了本申请的一种光伏接入配电网的位置优化方法的流程图。
如图1所示,光伏接入配电网的位置优化方法具体包括以下步骤:
在本实施例中,分布式光伏出力和随机电力负荷是配电线路中的重要不确定性因素,而分布式光伏出力主要由光照强度来决定,常受天气、地理位置、季节等因素影响,在一定的时间范围内,光照强度可看似服从Beat分布,其概率密度函数如下所示:
电力负荷具有时变性,其波动一般服从正态分布,电力负荷的概率密度函数如下:
光伏出力和负荷的不确定性导致不能确切得到配电线路上的每个节点的负荷以及每个光伏出力的情况,但对于确定的地区,通过统计历史数据,可以观测到光伏出力和负荷幅值都是在一定范围内波动的,可用均值和方差的上下限来标记这种波动,得到均值和方差的波动区间之后可得光伏、负荷的不确定建模。具体地,得到均值和方差的波动区间后,在对应的均值,方差区间内进行抽样,每组样本分别对应一个均值和一个方差,根据均值和方差值,结合前面的光伏发电及负荷随机模型,可对光伏发电和负荷完成不确定性建模。
步骤S102,在对每个模型参数组进行采样后生成个随机样
本,将个样本输入至预设的节点电压评估模型中,得到个配电网的节点电压输出响应样本,并分别计算个配电网的节点电压输出响应样本的
方差,其中,为在第组模型参数下对光伏出力进行抽样时,第
个光伏出力样本的功率,为在第组模型参数下对光伏出力进行抽样时,第个负荷
样本的功率。
在本实施例中,预设的节点电压评估模型的表达式为:
式中,为配电网运行后的节点电压输出响应,为光伏出力荷的不确
定性输入变量,为负荷的不确定性输入变量,为配电网中的线路数据。由于配
电线路通常节点数较多,式(5)代表的电压评估模型实质为多输入多输出模型。
要计算这样一个多输出模型的不确定性方差指标,传统一般采用蒙特卡洛方法或者模型近似技术,但这两种方法都存在计算复杂、效率低的问题,为此本申请将采用基于多项式展开的输出方差统计方法进行不确定传播计算。
式中:, ,其
中,表示有维向量,向量中每个分量都是实数,为单位矩阵,为Kronecker积,为残差向量,设残差向量互相耦合且期望为0,协方差为的多元正态
分布。因此该多输出表达式的期望和方差可表示为:
需要说明的是,采用拉丁超立方采样法在不同参数模型下对光伏出力和负荷进行抽样。拉丁超立方采样是一种分层随机采样法,在概率密度较低处的样本依然能被抽到,因此可准确反映输入概率分布中值的分布。执行过程如下:
设光伏出力和负荷的累积分布函数如下:
分别将光伏出力和负荷模型的累积分布函数在取值范围内均匀的分为等
分,各区间长度为,在分成的个子区间内分别随机选取一个值(取区间中点),将取值
代入累积分布函数的反函数得到光伏出力和负荷的样本值,第个光伏出力
和负荷的样本值分别为:
对某节点电压输出响应可展开为下式:
对等式两侧取协方差,可得:
步骤S105,根据历史数据中各个模型参数的变化范围,确定各个模型参数的灵敏度权重值,并以各个模型参数分别对所有节点电压的灵敏度与各个所述灵敏度权重值的乘积最小为目标函数,确定最优位置节点。
在本实施例中,对于分布式光伏并网,需考虑现有电力设备及负载的实际情况,通
过构建评估模型,考虑各种输入不确定性对输出响应的影响,模拟了不同条件下的光伏出
力及负荷消耗的情况,通过评估模型求解并得出各个节点的灵敏度值,而灵敏度值的
大小可判断输入对输出的影响程度,值越小则表明输入变化对节点电压的影响越小。
式中,为总灵敏度综合值,为模型参数对各个节点电压的总灵敏度值,为模型参数对各个节点电压的总灵敏度值,为模型参数对各个节点电压的
总灵敏度值,为模型参数对各个节点电压的总灵敏度值,、、、分别为
模型参数的灵敏度权重值、模型参数的灵敏度权重值、模型参数的灵敏度权重值
以及模型参数的灵敏度权重值,为节点,为节点数。
其中,
综上,本申请的方法,在制定方案时根据不确定性参数的历史变化范围,综合衡量每个节点的关键不确定性参数变化所带来的不确定性影响,可得出节点电压对光伏、负荷的灵敏度,即不同参数对不同节点电压的影响程度,进而得到光伏、负荷对不同节点电压的影响程度,依据影响程度的不同,可评估出哪些节点适合接入光伏,在光伏接入后,对配电网节点电压的影响最小,节点电压不会出现越限的情况。
在一个具体实施例中,本发明还提供一种光伏接入配电网的容量优化方法,该容量优化方法包括:采用稳态遗传算法以线损最小为目标函数对最优位置节点的可接入容量进行优化求解,找出最优位置节点在约束条件下可新增容量的最优值。
在本实施例中,以线损最小为目标函数的表达式为:
具体地,所述约束条件包括潮流方程约束、电流约束以及电压约束,其中,所述潮流方程约束的表达式为:
式中,为节点处接入光伏的有功出力,为节点处负荷的有功消耗,为
节点的电压,为节点的电压,为节点至节点的线路的电导,为节点与节点
之间的电压相角差,为节点至节点的线路的电纳,为节点处接入光伏的无功
出力,为节点处负荷的无功消耗;
所述电流约束的表达式为:
所述电压约束的表达式为:
需要说明的是,使用稳态遗传算法对配电网中接入的光伏容量进行求解,执行步骤如下:
(3)对个体进行选择:该操作是基于个体适应度来确定进行交叉和变异的个体,使
用锦标赛选择算法从种群中挑选(竞赛规模)个个体开始比较,选择适应度最高个体
加入被选集合,重复该操作选出所需所有个体,剩余个体执行交叉、变异过程。
(4)执行交叉、变异操作:采用两点交叉方式,在两个个体中随机设置两个交叉点,根据交叉概率交换部分基因。执行变异操作可降低算法陷入局部最优解的风险,采用二进变异算子。
(5)设置迭代次数,重复执行上述(2)-(4)步骤直至进化结束,得出某节点适合接入的光伏容量。
本实施例采用基于不确定性量化的光伏接入位置-容量优化方法对光伏接入配电网进行选址定容,求解过程主要分为两个层面,第一层为基于灵敏度分析的选址,首先通过拉丁超立方抽样选出光伏出力和负荷样本,再将样本代入到配电网的潮流评估模型中计算灵敏度值,选取总灵敏度综合值最小的节点作为光伏接入节点。另一层为基于稳态遗传算法的定容,产生初代种群后计算个体适应度值,判断迭代是否结束,若未结束则执行选择、交叉、变异步骤产生新的种群,重复此步骤直至迭代结束得出适合接入的光伏容量。通过使用稳态遗传算法以线损最小为目标进行评估,得出光伏接入容量和线损大小的关系,结合灵敏度分析,可有效评估配电网中可接入分布式光伏的容量,具有寻优速度快、准确度高的特点。
请参阅图2其示出了本申请的一种光伏接入配电网的位置优化系统的结构框图。
如图2所示,位置优化系统200,包括构建模块210、计算模块220、获取模块230、分析模块240以及确定模块250。
其中,构建模块210,配置为依次选取不同的模型参数组,构建与模型参数相对应的光伏发电随机模
型及与模型参数相对应的负荷随机模型;计算模块220,配置为在对每个模型参数
组进行采样后生成个随机样本,将个样本输入至预设的节点电压评估模型中,得到个配电网的节点电压输出响应样本,
并分别计算个配电网的节点电压输出响应样本的方差,其中,
为在第组模型参数下对光伏出力进行抽样时,第个光伏出力样本的功率,为在第组模型参数下对光伏出力进行抽样时,第个负荷样本的功率;获取模块230,配置为依次
遍历个模型参数组,相应获得个配电网的节点电压输出响应样本和个配电网的
节点电压输出响应样本的方差;分析模块240,配置为基于多项式展开
的改进灵敏度分析方法对个配电网的节点电压输出响应样本进行分析计算,得到不
同的模型参数对各个节点的节点电压影响的量化值,即不同的模型参数对各个节点的节点
电压的灵敏度值;确定模块250,配置为根据历史数据中各个模型参数的变化范围,确定各
个模型参数的灵敏度权重值,并以各个模型参数分别对所有节点电压的灵敏度与各个所述
灵敏度权重值的乘积最小为目标函数,确定最优位置节点,其中,所述目标函数的表达式
为:
式中,为总灵敏度综合值,为模型参数对各个节点电压的总灵敏度值,为模型参数对各个节点电压的总灵敏度值,为模型参数对各个节点电压的
总灵敏度值,为模型参数对各个节点电压的总灵敏度值,、、、分别为
模型参数的灵敏度权重值、模型参数的灵敏度权重值、模型参数的灵敏度权重值
以及模型参数的灵敏度权重值,为节点,为节点数。
应当理解,图2中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块,在此不再赘述。
在另一些实施例中,本发明实施例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,所述程序指令被处理器执行时,使所述处理器执行上述任意方法实施例中的光伏接入配电网的位置优化方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
在对每个模型参数组进行采样后生成个随机样本,将个样本输入至预设的节点电压评估模型中,得到
个配电网的节点电压输出响应样本,并分别计算个配电网的节点电压输出响应样本的方
差,其中,为在第组模型参数下对光伏出力进行抽样时,第个
光伏出力样本的功率,为在第组模型参数下对光伏出力进行抽样时,第个负荷样
本的功率;
根据历史数据中各个模型参数的变化范围,确定各个模型参数的灵敏度权重值,并以各个模型参数分别对所有节点电压的灵敏度与各个所述灵敏度权重值的乘积最小为目标函数,确定最优位置节点。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据光伏接入配电网的位置优化系统或光伏接入配电网的容量优化系统的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至光伏接入配电网的位置优化系统或光伏接入配电网的容量优化系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3本发明实施例提供的电子设备的结构示意图,如图3示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图3以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的位置优化方法或光伏接入配电网的容量优化方法。输入装置330可接收输入的数字或字符信息,以及产生与的位置优化系统或光伏接入配电网的容量优化系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于光伏接入配电网的位置优化系统中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
在对每个模型参数组进行采样后生成个随机样本,将个样本输入至预设的节点电压评估模型中,得到
个配电网的节点电压输出响应样本,并分别计算个配电网的节点电压输出响应样本的方
差,其中,为在第组模型参数下对光伏出力进行抽样时,第个
光伏出力样本的功率,为在第组模型参数下对光伏出力进行抽样时,第个负荷样
本的功率;
根据历史数据中各个模型参数的变化范围,确定各个模型参数的灵敏度权重值,并以各个模型参数分别对所有节点电压的灵敏度与各个所述灵敏度权重值的乘积最小为目标函数,确定最优位置节点。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种光伏接入配电网的位置优化方法,其特征在于,包括:
在对每个模型参数组进行采样后生成个随机样本,将个样本输入至预设的节点电压评估模型中,得到
个配电网的节点电压输出响应样本,并分别计算个配电网的节点电压输出响应样本的方
差,其中,为在第组模型参数下对光伏出力进行抽样时,第个
光伏出力样本的功率,为在第组模型参数下对光伏出力进行抽样时,第个负荷
样本的功率;
根据历史数据中各个模型参数的变化范围,确定各个模型参数的灵敏度权重值,并以各个模型参数分别对所有节点电压的灵敏度与各个所述灵敏度权重值的乘积最小为目标函数,确定最优位置节点,其中,所述目标函数的表达式为:
2.根据权利要求1所述的一种光伏接入配电网的位置优化方法,其特征在于,其中,得到不同的模型参数对各个节点的节点电压的灵敏度值的过程具体包括:
对某节点电压输出响应可展开为下式:
对等式两侧取协方差,可得:
4.一种光伏接入配电网的位置优化系统,其特征在于,包括:
计算模块,配置为在对每个模型参数组进行采样后生成个随机
样本,将个样本输入至预设的节点电压评估模型中,得
到个配电网的节点电压输出响应样本,并分别计算个配电网的节点电压输出响应样本
的方差,其中,为在第组模型参数下对光伏出力进行抽样时,第个光伏出力样本的功率,为在第组模型参数下对光伏出力进行抽样时,第个
负荷样本的功率;
分析模块,配置为基于多项式展开的改进灵敏度分析方法对个配电网的节点电
压输出响应样本进行分析计算,得到不同的模型参数对各个节点的节点电压影响的量化
值,即不同的模型参数对各个节点的节点电压的灵敏度值;
确定模块,配置为根据历史数据中各个模型参数的变化范围,确定各个模型参数的灵敏度权重值,并以各个模型参数分别对所有节点电压的灵敏度与各个所述灵敏度权重值的乘积最小为目标函数,确定最优位置节点,其中,所述目标函数的表达式为:
5.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至3任一项所述的方法。
6.一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,所述程序被处理器执行时实现权利要求1至3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211113078.5A CN115207921B (zh) | 2022-09-14 | 2022-09-14 | 一种光伏接入配电网的位置优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211113078.5A CN115207921B (zh) | 2022-09-14 | 2022-09-14 | 一种光伏接入配电网的位置优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115207921A CN115207921A (zh) | 2022-10-18 |
CN115207921B true CN115207921B (zh) | 2022-12-30 |
Family
ID=83572557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211113078.5A Active CN115207921B (zh) | 2022-09-14 | 2022-09-14 | 一种光伏接入配电网的位置优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115207921B (zh) |
Families Citing this family (1)
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246934A (zh) * | 2013-04-07 | 2013-08-14 | 河海大学 | 基于轨迹灵敏度的电力系统等值模型参数分类优化方法 |
CN109242271A (zh) * | 2018-08-20 | 2019-01-18 | 国网浙江省电力有限公司电力科学研究院 | 分布式光伏接入配电网电能质量治理的节点灵敏度分析法 |
CN109802396A (zh) * | 2019-02-18 | 2019-05-24 | 国网山西省电力公司长治供电公司 | 一种基于电压灵敏度配置的光伏台区电能质量治理系统 |
CN114784890A (zh) * | 2022-05-19 | 2022-07-22 | 国网浙江省电力有限公司嘉善县供电公司 | 基于无功电压灵敏度的分布式光伏调压方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009123A (zh) * | 2018-12-30 | 2019-07-12 | 国网天津市电力公司电力科学研究院 | 一种考虑时序互补特性的配电台区源-荷协同接入方法 |
-
2022
- 2022-09-14 CN CN202211113078.5A patent/CN115207921B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246934A (zh) * | 2013-04-07 | 2013-08-14 | 河海大学 | 基于轨迹灵敏度的电力系统等值模型参数分类优化方法 |
CN109242271A (zh) * | 2018-08-20 | 2019-01-18 | 国网浙江省电力有限公司电力科学研究院 | 分布式光伏接入配电网电能质量治理的节点灵敏度分析法 |
CN109802396A (zh) * | 2019-02-18 | 2019-05-24 | 国网山西省电力公司长治供电公司 | 一种基于电压灵敏度配置的光伏台区电能质量治理系统 |
CN114784890A (zh) * | 2022-05-19 | 2022-07-22 | 国网浙江省电力有限公司嘉善县供电公司 | 基于无功电压灵敏度的分布式光伏调压方法 |
Non-Patent Citations (1)
Title |
---|
考虑光伏接入的配电网电压风险分析及规划技术研究;陈颢元;《工程科技Ⅱ辑》;20220615(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115207921A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Drugan et al. | Designing multi-objective multi-armed bandits algorithms: A study | |
CN111027732B (zh) | 一种多风电场出力场景的生成方法及系统 | |
Nichiforov et al. | Deep learning techniques for load forecasting in large commercial buildings | |
CN115207921B (zh) | 一种光伏接入配电网的位置优化方法及系统 | |
CN112187554B (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
CN112734014A (zh) | 基于置信上界思想的经验回放采样强化学习方法及系统 | |
Aminian et al. | A robust predictive model for base shear of steel frame structures using a hybrid genetic programming and simulated annealing method | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
CN116450486B (zh) | 多元异构计算系统内节点的建模方法、装置、设备及介质 | |
Aggarwal et al. | On sensor selection in linked information networks | |
CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
CN115345661A (zh) | 一种电力价格预测方法及系统 | |
Loweth et al. | Practical recommendations on the use of moving least squares metamodel building | |
CN112232886B (zh) | 一种电价概率预测方法、系统、计算机设备和存储介质 | |
CN109543879A (zh) | 基于神经网络的负荷预测方法及装置 | |
Dwivedi et al. | GRNN-based real-time fault chain prediction | |
Zhang et al. | RSVRs based on feature extraction: a novel method for prediction of construction projects’ costs | |
CN114117917B (zh) | 一种多目标优化的舰船磁偶极子阵列建模方法 | |
Reich et al. | Comparison of different methods for approximating models of energy supply systems and polyoptimising the systems-structure and components-dimension | |
Rigoni et al. | Metamodels for fast multi-objective optimization: trading off global exploration and local exploitation | |
CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
CN113094636A (zh) | 一种基于海量监测数据的干扰性用户谐波水平估计方法 | |
CN103778327A (zh) | 一种曲线拟合方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN113762534A (zh) | 一种建筑冷热负荷预测方法、装置、设备及存储介质 |
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 |