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 PDF

Info

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
Application number
CN202211113078.5A
Other languages
English (en)
Other versions
CN115207921A (zh
Inventor
欧阳文华
贾玉鑫
蒙天骐
戚沁雅
安义
李琼
吴义辉
陈亚奇
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 Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Nanchang Hangkong University
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Nanchang Hangkong 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd, Nanchang Hangkong University filed Critical State Grid Corp of China SGCC
Priority to CN202211113078.5A priority Critical patent/CN115207921B/zh
Publication of CN115207921A publication Critical patent/CN115207921A/zh
Application granted granted Critical
Publication of CN115207921B publication Critical patent/CN115207921B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种光伏接入配电网的位置优化方法及系统
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
Figure 505221DEST_PATH_IMAGE001
，构建与模型参数
Figure 945561DEST_PATH_IMAGE002
相对应的光 伏发电随机模型及与模型参数
Figure 126006DEST_PATH_IMAGE003
相对应的负荷随机模型；在对每个模型参数组
Figure 850249DEST_PATH_IMAGE004
进行采样后生成
Figure 254685DEST_PATH_IMAGE005
个随机样本
Figure 41376DEST_PATH_IMAGE006
，将
Figure 900878DEST_PATH_IMAGE005
个样本输入至预设的节点电压评估模型中，得到
Figure 89414DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本，并 分别计算
Figure 992648DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本的方差,
Figure 266635DEST_PATH_IMAGE007
其中，
Figure 585621DEST_PATH_IMAGE008
为 在第
Figure 769608DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 719110DEST_PATH_IMAGE010
个光伏出力样本的功率，
Figure 605026DEST_PATH_IMAGE011
为在第
Figure 665386DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 890831DEST_PATH_IMAGE010
个负荷样本的功率；依次遍历
Figure 883670DEST_PATH_IMAGE012
个模型参数组， 相应获得
Figure 132249DEST_PATH_IMAGE013
个配电网的节点电压输出响应样本和
Figure 855355DEST_PATH_IMAGE012
个配电网的节点电压输出响应样本 的方差
Figure 138568DEST_PATH_IMAGE014
；基于多项式展开的改进灵敏度分析方法对
Figure 226610DEST_PATH_IMAGE013
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：
Figure 837851DEST_PATH_IMAGE015
， 式中，
Figure 240014DEST_PATH_IMAGE016
为总灵敏度综合值，
Figure 502368DEST_PATH_IMAGE017
为模型参数
Figure 761311DEST_PATH_IMAGE018
对各个节点电压的总灵敏度值，
Figure 984482DEST_PATH_IMAGE019
为模 型参数
Figure 65701DEST_PATH_IMAGE020
对各个节点电压的总灵敏度值，
Figure 57928DEST_PATH_IMAGE021
为模型参数
Figure 815668DEST_PATH_IMAGE022
对各个节点电压的总灵敏度 值，
Figure 322873DEST_PATH_IMAGE023
为模型参数
Figure 332417DEST_PATH_IMAGE024
对各个节点电压的总灵敏度值，
Figure 54517DEST_PATH_IMAGE025
、
Figure 858525DEST_PATH_IMAGE026
、
Figure 915343DEST_PATH_IMAGE027
、
Figure 525316DEST_PATH_IMAGE028
分别为模型参数
Figure 960976DEST_PATH_IMAGE018
的灵敏度权重值、模型参数
Figure 91479DEST_PATH_IMAGE020
的灵敏度权重值、模型参数
Figure 510959DEST_PATH_IMAGE024
的灵敏度权重值以及模型 参数
Figure 659044DEST_PATH_IMAGE022
的灵敏度权重值，
Figure 605003DEST_PATH_IMAGE029
为节点，
Figure 16393DEST_PATH_IMAGE030
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
Figure 532956DEST_PATH_IMAGE001
，构建与模型参数
Figure 687994DEST_PATH_IMAGE002
相对应的光伏发电随机模型及与模型参数
Figure 160563DEST_PATH_IMAGE003
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
Figure 867488DEST_PATH_IMAGE004
进行采样后生成
Figure 995981DEST_PATH_IMAGE005
个随机样本
Figure 564497DEST_PATH_IMAGE006
，将
Figure 157152DEST_PATH_IMAGE005
个样本输入至预设的节点电压评估模型中，得到
Figure 644765DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本，并分别计算
Figure 385188DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本的方 差
Figure 882029DEST_PATH_IMAGE007
,其中，
Figure 407819DEST_PATH_IMAGE008
为在第
Figure 128651DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 231736DEST_PATH_IMAGE010
个 光伏出力样本的功率，
Figure 125742DEST_PATH_IMAGE031
为在第
Figure 896252DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 787985DEST_PATH_IMAGE010
个负荷样 本的功率；获取模块，配置为依次遍历
Figure 250803DEST_PATH_IMAGE012
个模型参数组，相应获得
Figure 89446DEST_PATH_IMAGE013
个配电网的节点电 压输出响应样本和
Figure 573517DEST_PATH_IMAGE012
个配电网的节点电压输出响应样本的方差
Figure 839413DEST_PATH_IMAGE014
；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
Figure 713828DEST_PATH_IMAGE013
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：
Figure 965949DEST_PATH_IMAGE015
， 式中，
Figure 445472DEST_PATH_IMAGE032
为总灵敏度综合值，
Figure 741324DEST_PATH_IMAGE017
为模型参数
Figure 306298DEST_PATH_IMAGE018
对各个节点电压的总灵敏度值，
Figure 362109DEST_PATH_IMAGE019
为模 型参数
Figure 492876DEST_PATH_IMAGE020
对各个节点电压的总灵敏度值，
Figure 100575DEST_PATH_IMAGE021
为模型参数
Figure 11900DEST_PATH_IMAGE022
对各个节点电压的总灵敏度 值，
Figure 996036DEST_PATH_IMAGE023
为模型参数
Figure 59938DEST_PATH_IMAGE024
对各个节点电压的总灵敏度值，
Figure 635276DEST_PATH_IMAGE025
、
Figure 174842DEST_PATH_IMAGE026
、
Figure 556144DEST_PATH_IMAGE027
、
Figure 864766DEST_PATH_IMAGE028
分别为模型参数
Figure 611005DEST_PATH_IMAGE018
的灵敏度权重值、模型参数
Figure 516163DEST_PATH_IMAGE020
的灵敏度权重值、模型参数
Figure 576523DEST_PATH_IMAGE024
的灵敏度权重值以及模型 参数
Figure 598705DEST_PATH_IMAGE022
的灵敏度权重值，
Figure 984687DEST_PATH_IMAGE029
为节点，
Figure 30004DEST_PATH_IMAGE030
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：
步骤S101，依次选取不同的模型参数组
Figure 769421DEST_PATH_IMAGE001
，构 建与模型参数
Figure 52635DEST_PATH_IMAGE002
相对应的光伏发电随机模型及与模型参数
Figure 202993DEST_PATH_IMAGE003
相对应的负荷随 机模型。
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：
Figure 938868DEST_PATH_IMAGE033
（1）
式中，
Figure 481976DEST_PATH_IMAGE034
为实际光照强度，
Figure 416434DEST_PATH_IMAGE035
为最大光照强度，
Figure 878639DEST_PATH_IMAGE036
为Gamma函数，
Figure 960865DEST_PATH_IMAGE037
、
Figure 166718DEST_PATH_IMAGE038
均为 Beat分布的形状参数。单位面积内光伏出力大小归因于光照强度的大小，因此光伏发电的 输出功率可表示为：
Figure 34311DEST_PATH_IMAGE039
（2）
式中，
Figure 729735DEST_PATH_IMAGE040
为光伏阵列总面积，
Figure 440202DEST_PATH_IMAGE041
为光伏的光电转换效率。已知光照强度的概率密度 函数，则根据式（1）和式（2）可得到光伏发电输出功率的概率密度函数，也服从Beat分布：
Figure 308801DEST_PATH_IMAGE042
（3）
式中，
Figure 155534DEST_PATH_IMAGE043
为随机光伏出力功率值，
Figure 831978DEST_PATH_IMAGE044
为光伏最大输出功率，
Figure 826479DEST_PATH_IMAGE045
。
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：
Figure 374135DEST_PATH_IMAGE046
（4）
式中，
Figure 465588DEST_PATH_IMAGE047
为随机负荷的功率消耗值；
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
Figure 440497DEST_PATH_IMAGE004
进行采样后生成
Figure 735344DEST_PATH_IMAGE005
个随机样 本
Figure 883428DEST_PATH_IMAGE006
，将
Figure 704754DEST_PATH_IMAGE005
个样本输入至预设的节点电压评估模型中，得到
Figure 240777DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本，并分别计算
Figure 147553DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本的 方差
Figure 646799DEST_PATH_IMAGE007
，其中，
Figure 588210DEST_PATH_IMAGE008
为在第
Figure 967239DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 485945DEST_PATH_IMAGE010
个光伏出力样本的功率，
Figure 179094DEST_PATH_IMAGE011
为在第
Figure 319220DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 72412DEST_PATH_IMAGE010
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：
Figure 78414DEST_PATH_IMAGE048
（5）
式中，
Figure 371992DEST_PATH_IMAGE049
为配电网运行后的节点电压输出响应，
Figure 22417DEST_PATH_IMAGE050
为光伏出力荷的不确 定性输入变量，
Figure 281929DEST_PATH_IMAGE051
为负荷的不确定性输入变量，
Figure 650593DEST_PATH_IMAGE052
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。
将式（5）多输出结果记为
Figure 482283DEST_PATH_IMAGE053
，
Figure 377427DEST_PATH_IMAGE054
为a维独立的输入变 量向量，即为不确定性模型参数
Figure 206843DEST_PATH_IMAGE055
，则第
Figure 672590DEST_PATH_IMAGE056
个输出分量可表示为：
Figure 511233DEST_PATH_IMAGE057
（6）
式中：
Figure 667408DEST_PATH_IMAGE058
为第i个输出分量对应的正交多项式中所有项的未知系数，
Figure 57938DEST_PATH_IMAGE059
为第
Figure 135615DEST_PATH_IMAGE060
个输 入量的第
Figure 387736DEST_PATH_IMAGE061
个正交多项式的未知系数，
Figure 867259DEST_PATH_IMAGE062
为第
Figure 100794DEST_PATH_IMAGE061
个标准正交多项式，
Figure 790402DEST_PATH_IMAGE063
为多项式的总 项数，
Figure 970847DEST_PATH_IMAGE064
为残差,
Figure 914664DEST_PATH_IMAGE065
，则式（6）的输出向量可表示为下式：
Figure 522363DEST_PATH_IMAGE066
（7）
整理
Figure 371370DEST_PATH_IMAGE067
后有：
Figure 214561DEST_PATH_IMAGE068
（8）
式中：
Figure 403097DEST_PATH_IMAGE069
，
Figure 54134DEST_PATH_IMAGE070
，其 中，
Figure 390437DEST_PATH_IMAGE071
表示有
Figure 912685DEST_PATH_IMAGE072
维向量，向量中每个分量都是实数，
Figure 345941DEST_PATH_IMAGE073
为单位矩阵，
Figure 29863DEST_PATH_IMAGE074
为Kronecker积，
Figure 666512DEST_PATH_IMAGE075
为残差向量，设残差向量互相耦合且期望为0，协方差为
Figure 789188DEST_PATH_IMAGE076
的多元正态 分布
Figure 952316DEST_PATH_IMAGE077
。因此该多输出表达式的期望和方差可表示为：
Figure 197353DEST_PATH_IMAGE078
（9）
Figure 445932DEST_PATH_IMAGE079
（10）
未知系数
Figure 185349DEST_PATH_IMAGE080
和
Figure 999721DEST_PATH_IMAGE076
使用最大似然估计法进行估计。
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：
Figure 556604DEST_PATH_IMAGE081
（11）
Figure 417113DEST_PATH_IMAGE082
（12）
式中，
Figure 819275DEST_PATH_IMAGE083
为光伏出力的累积分布函数，
Figure 566783DEST_PATH_IMAGE084
为负荷的累积分布函数，
Figure 294567DEST_PATH_IMAGE085
为光伏出 力的累积分布函数，
Figure 314476DEST_PATH_IMAGE086
为负荷的累积分布函数，
Figure 644963DEST_PATH_IMAGE087
为随机光伏出力功率值，
Figure 637190DEST_PATH_IMAGE088
为随机负荷 的功率消耗值；
分别将光伏出力和负荷模型的累积分布函数在取值范围
Figure 414172DEST_PATH_IMAGE089
内均匀的分为
Figure 593480DEST_PATH_IMAGE090
等 分，各区间长度为
Figure 727658DEST_PATH_IMAGE091
，在分成的
Figure 636708DEST_PATH_IMAGE090
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
Figure 440716DEST_PATH_IMAGE092
的反函数得到光伏出力和负荷的样本值
Figure 513846DEST_PATH_IMAGE093
，第
Figure 795923DEST_PATH_IMAGE094
个光伏出力 和负荷的样本值分别为：
Figure 887375DEST_PATH_IMAGE095
（13）
Figure 862285DEST_PATH_IMAGE096
（14）
依次执行此过程可得出
Figure 344081DEST_PATH_IMAGE090
个光伏出力和负荷的样本值。
步骤S103，依次遍历
Figure 570795DEST_PATH_IMAGE012
个模型参数组，相应获得
Figure 126541DEST_PATH_IMAGE013
个配电网的节点电压输出响 应样本和
Figure 662564DEST_PATH_IMAGE012
个配电网的节点电压输出响应样本的方差
Figure 569341DEST_PATH_IMAGE014
。
步骤S104，基于多项式展开的改进灵敏度分析方法对
Figure 255537DEST_PATH_IMAGE013
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。
在本实施例中，将
Figure 72314DEST_PATH_IMAGE013
个配电网的节点电压输出响应样本表示为：
Figure 389026DEST_PATH_IMAGE097
（15）
式中，
Figure 642153DEST_PATH_IMAGE098
为配电网中节点k的节点电压值，
Figure 335302DEST_PATH_IMAGE099
为不确定性变量，
Figure 927958DEST_PATH_IMAGE100
为在参数
Figure 553587DEST_PATH_IMAGE101
下，第k个节点的电压值，
Figure 434955DEST_PATH_IMAGE102
为d维独立的输入变量向量，即不确定性模型参数，
Figure 525271DEST_PATH_IMAGE103
为多 输出的个数，即
Figure 175695DEST_PATH_IMAGE103
个节点电压值，
Figure 896526DEST_PATH_IMAGE104
为输入变量维度；
对某节点电压输出响应可展开为下式：
Figure 140557DEST_PATH_IMAGE105
（16）
式中，
Figure 175509DEST_PATH_IMAGE106
为常量，
Figure 539494DEST_PATH_IMAGE107
为在第i维参数
Figure 634489DEST_PATH_IMAGE108
下，第k个节点的电压值，
Figure 334459DEST_PATH_IMAGE108
为第i维 不确定性参数，
Figure 48468DEST_PATH_IMAGE109
为第j维不确定性参数，
Figure 939064DEST_PATH_IMAGE110
为第d维不确定性参数，
Figure 283589DEST_PATH_IMAGE111
为在第 i维参数
Figure 485900DEST_PATH_IMAGE108
和第j维参数
Figure 924972DEST_PATH_IMAGE112
下，第k个节点的电压值；
对等式两侧取协方差，可得:
Figure 404494DEST_PATH_IMAGE113
（17）
式中，
Figure 713729DEST_PATH_IMAGE114
为对多输出取协方差，
Figure 278702DEST_PATH_IMAGE115
为对
Figure 52623DEST_PATH_IMAGE116
取协方差，
Figure 652232DEST_PATH_IMAGE117
为节点i 的电压值，
Figure 56668DEST_PATH_IMAGE118
为节点n的电压值，
Figure 984304DEST_PATH_IMAGE119
为对
Figure 702861DEST_PATH_IMAGE111
取协方差，
Figure 16031DEST_PATH_IMAGE120
为对
Figure 794631DEST_PATH_IMAGE121
取协方差；
在等式两侧分别乘单位矩阵后执行迹操作
Figure 130935DEST_PATH_IMAGE122
后，可将协方差矩阵转换为标量 值，可得：
Figure 528549DEST_PATH_IMAGE123
（18）
式中，
Figure 571591DEST_PATH_IMAGE124
为对协方差矩阵执行迹操作，其值等于各个输出方差
Figure 645727DEST_PATH_IMAGE125
的总和，
Figure 203747DEST_PATH_IMAGE126
为对协方差矩阵
Figure 529686DEST_PATH_IMAGE127
执行迹操作，
Figure 568180DEST_PATH_IMAGE128
为对协方差矩阵
Figure 423004DEST_PATH_IMAGE129
执行迹操作，
Figure 61796DEST_PATH_IMAGE130
为对协方差矩阵
Figure 722584DEST_PATH_IMAGE131
执行迹操作；
则输入参数
Figure 740219DEST_PATH_IMAGE132
单独作用对输出响应的影响程度
Figure 175398DEST_PATH_IMAGE133
的表达式为：
Figure 645693DEST_PATH_IMAGE134
（19）
式中，
Figure 844594DEST_PATH_IMAGE135
为第k个节点的电压幅值的方差，
Figure 106948DEST_PATH_IMAGE136
为在第i维参数
Figure 569153DEST_PATH_IMAGE108
下，第k个节点的电压幅值的方差；
输入参数
Figure 402111DEST_PATH_IMAGE132
与其他参数交互作用下对节点电压输出响应的总影响程度
Figure 670281DEST_PATH_IMAGE137
的表 达式为：
Figure 662508DEST_PATH_IMAGE138
（20）。
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
Figure 420248DEST_PATH_IMAGE139
，而灵敏度值
Figure 865136DEST_PATH_IMAGE139
的 大小可判断输入对输出的影响程度，
Figure 750047DEST_PATH_IMAGE139
值越小则表明输入变化对节点电压的影响越小。
因此，光伏接入位置原则为：所有节点电压对参数的总灵敏度综合值达到最小，同 时考虑历史数据中
Figure 393518DEST_PATH_IMAGE140
参数变化范围，并取各自权重，
Figure 463105DEST_PATH_IMAGE141
为最优位置节点。 表达式如下：
Figure 254343DEST_PATH_IMAGE015
，
式中，
Figure 67579DEST_PATH_IMAGE016
为总灵敏度综合值，
Figure 831135DEST_PATH_IMAGE017
为模型参数
Figure 681411DEST_PATH_IMAGE018
对各个节点电压的总灵敏度值，
Figure 366470DEST_PATH_IMAGE019
为模型参数
Figure 576871DEST_PATH_IMAGE020
对各个节点电压的总灵敏度值，
Figure 398197DEST_PATH_IMAGE021
为模型参数
Figure 416444DEST_PATH_IMAGE022
对各个节点电压的 总灵敏度值，
Figure 323220DEST_PATH_IMAGE023
为模型参数
Figure 274996DEST_PATH_IMAGE024
对各个节点电压的总灵敏度值，
Figure 75461DEST_PATH_IMAGE025
、
Figure 392173DEST_PATH_IMAGE026
、
Figure 661612DEST_PATH_IMAGE027
、
Figure 151499DEST_PATH_IMAGE028
分别为 模型参数
Figure 947416DEST_PATH_IMAGE018
的灵敏度权重值、模型参数
Figure 825243DEST_PATH_IMAGE020
的灵敏度权重值、模型参数
Figure 175453DEST_PATH_IMAGE024
的灵敏度权重值 以及模型参数
Figure 547659DEST_PATH_IMAGE022
的灵敏度权重值，
Figure 994821DEST_PATH_IMAGE029
为节点，
Figure 918915DEST_PATH_IMAGE030
为节点数。
其中，
Figure 412213DEST_PATH_IMAGE142
（22）
式中，
Figure 181586DEST_PATH_IMAGE143
为模型参数
Figure 561883DEST_PATH_IMAGE144
的上界，
Figure 453615DEST_PATH_IMAGE145
为模型参数
Figure 43997DEST_PATH_IMAGE144
的下界，
Figure 741694DEST_PATH_IMAGE146
为模型参数
Figure 366711DEST_PATH_IMAGE147
的 上界，
Figure 429345DEST_PATH_IMAGE148
为模型参数
Figure 373599DEST_PATH_IMAGE147
的下界，
Figure 484775DEST_PATH_IMAGE149
为模型参数
Figure 88931DEST_PATH_IMAGE150
的上界，
Figure 525729DEST_PATH_IMAGE151
为模型参数
Figure 887440DEST_PATH_IMAGE150
的下界，
Figure 943252DEST_PATH_IMAGE152
为模型参数
Figure 277281DEST_PATH_IMAGE153
的上界，
Figure 9614DEST_PATH_IMAGE154
为模型参数
Figure 796304DEST_PATH_IMAGE153
的下界。
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：
Figure 577178DEST_PATH_IMAGE155
（23）
式中，
Figure 906660DEST_PATH_IMAGE156
为线路损耗函数，
Figure 419681DEST_PATH_IMAGE157
为第
Figure 818301DEST_PATH_IMAGE158
条支路的线路损耗，
Figure 340549DEST_PATH_IMAGE159
为支路个数，
Figure 445908DEST_PATH_IMAGE160
为 第
Figure 270776DEST_PATH_IMAGE158
条支路的电流值，
Figure 32059DEST_PATH_IMAGE161
为第
Figure 217052DEST_PATH_IMAGE158
条支路的电阻值。
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：
Figure 442497DEST_PATH_IMAGE162
（24）
式中，
Figure 562900DEST_PATH_IMAGE163
为节点
Figure 683915DEST_PATH_IMAGE158
处接入光伏的有功出力，
Figure 282387DEST_PATH_IMAGE164
为节点
Figure 690235DEST_PATH_IMAGE158
处负荷的有功消耗，
Figure 778276DEST_PATH_IMAGE165
为 节点
Figure 514151DEST_PATH_IMAGE158
的电压，
Figure 791680DEST_PATH_IMAGE166
为节点
Figure 929400DEST_PATH_IMAGE167
的电压，
Figure 516239DEST_PATH_IMAGE168
为节点
Figure 536148DEST_PATH_IMAGE158
至节点
Figure 7581DEST_PATH_IMAGE167
的线路的电导，
Figure 609594DEST_PATH_IMAGE169
为节点
Figure 242701DEST_PATH_IMAGE158
与节点
Figure 749906DEST_PATH_IMAGE167
之间的电压相角差，
Figure 884084DEST_PATH_IMAGE170
为节点
Figure 465238DEST_PATH_IMAGE158
至节点
Figure 410191DEST_PATH_IMAGE167
的线路的电纳，
Figure 139113DEST_PATH_IMAGE171
为节点
Figure 952348DEST_PATH_IMAGE158
处接入光伏的无功 出力，
Figure 512642DEST_PATH_IMAGE172
为节点
Figure 753131DEST_PATH_IMAGE158
处负荷的无功消耗；
所述电流约束的表达式为：
Figure 969348DEST_PATH_IMAGE173
（25）
式中，第
Figure 198991DEST_PATH_IMAGE158
条支路的电流值，
Figure 20317DEST_PATH_IMAGE174
为支路
Figure 290761DEST_PATH_IMAGE158
允许承载的最大电流；
所述电压约束的表达式为：
Figure 197537DEST_PATH_IMAGE175
（26）
式中，
Figure 227941DEST_PATH_IMAGE176
为第
Figure 700511DEST_PATH_IMAGE167
个节点的电压幅值，
Figure 282802DEST_PATH_IMAGE177
为电压幅值允许的最小值，
Figure 801508DEST_PATH_IMAGE178
为电压 幅值允许的最大值。
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：
(1)种群初始化并编码：将光伏容量作为种群染色体，设置决策变量上界
Figure 229078DEST_PATH_IMAGE179
和决策 变量下界
Figure 900362DEST_PATH_IMAGE180
并确定个体数量，通过二进制编码后产生一维初始化种群
Figure 184713DEST_PATH_IMAGE181
。
(2)计算种群适应度值：所求目标函数为线损最小，且采用“目标函数越小适应度 越大”的约定，所以将目标函数值
Figure 66081DEST_PATH_IMAGE182
作为适应度值
Figure 687556DEST_PATH_IMAGE183
，每代计算结束后生成一组适应度值
Figure 72401DEST_PATH_IMAGE184
,
Figure 871860DEST_PATH_IMAGE185
。
(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
Figure 974946DEST_PATH_IMAGE186
（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
Figure 806635DEST_PATH_IMAGE001
，构建与模型参数
Figure 701779DEST_PATH_IMAGE002
相对应的光伏发电随机模 型及与模型参数
Figure 531195DEST_PATH_IMAGE003
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
Figure 994013DEST_PATH_IMAGE004
进行采样后生成
Figure 832656DEST_PATH_IMAGE005
个随机样本
Figure 254410DEST_PATH_IMAGE006
，将
Figure 644940DEST_PATH_IMAGE005
个样本输入至预设的节点电压评估模型中，得到
Figure 457038DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本， 并分别计算
Figure 709159DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本的方差
Figure 985419DEST_PATH_IMAGE007
，其中，
Figure 422217DEST_PATH_IMAGE008
为在第
Figure 111824DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 292270DEST_PATH_IMAGE010
个光伏出力样本的功率，
Figure 236086DEST_PATH_IMAGE187
为在第
Figure 843785DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 692792DEST_PATH_IMAGE010
个负荷样本的功率；获取模块230，配置为依次 遍历
Figure 801563DEST_PATH_IMAGE012
个模型参数组，相应获得
Figure 990099DEST_PATH_IMAGE013
个配电网的节点电压输出响应样本和
Figure 378486DEST_PATH_IMAGE012
个配电网的 节点电压输出响应样本的方差
Figure 918052DEST_PATH_IMAGE014
；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
Figure 564934DEST_PATH_IMAGE013
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：
Figure 670293DEST_PATH_IMAGE015
，
式中，
Figure 619794DEST_PATH_IMAGE016
为总灵敏度综合值，
Figure 536671DEST_PATH_IMAGE017
为模型参数
Figure 331451DEST_PATH_IMAGE018
对各个节点电压的总灵敏度值，
Figure 619213DEST_PATH_IMAGE019
为模型参数
Figure 801933DEST_PATH_IMAGE020
对各个节点电压的总灵敏度值，
Figure 50512DEST_PATH_IMAGE021
为模型参数
Figure 789929DEST_PATH_IMAGE022
对各个节点电压的 总灵敏度值，
Figure 807563DEST_PATH_IMAGE023
为模型参数
Figure 223501DEST_PATH_IMAGE024
对各个节点电压的总灵敏度值，
Figure 959376DEST_PATH_IMAGE025
、
Figure 423855DEST_PATH_IMAGE026
、
Figure 436942DEST_PATH_IMAGE027
、
Figure 633568DEST_PATH_IMAGE028
分别为 模型参数
Figure 981373DEST_PATH_IMAGE018
的灵敏度权重值、模型参数
Figure 187226DEST_PATH_IMAGE020
的灵敏度权重值、模型参数
Figure 976191DEST_PATH_IMAGE024
的灵敏度权重值 以及模型参数
Figure 750243DEST_PATH_IMAGE022
的灵敏度权重值，
Figure 460710DEST_PATH_IMAGE029
为节点，
Figure 63729DEST_PATH_IMAGE030
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：
依次选取不同的模型参数组
Figure 176042DEST_PATH_IMAGE001
，构建与模型 参数
Figure 776787DEST_PATH_IMAGE002
相对应的光伏发电随机模型及与模型参数
Figure 846987DEST_PATH_IMAGE003
相对应的负荷随机模型；
在对每个模型参数组
Figure 129064DEST_PATH_IMAGE004
进行采样后生成
Figure 220517DEST_PATH_IMAGE005
个随机样本
Figure 257743DEST_PATH_IMAGE006
，将
Figure 677223DEST_PATH_IMAGE005
个样本输入至预设的节点电压评估模型中，得到
Figure 638357DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本，并分别计算
Figure 459682DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本的方 差
Figure 995706DEST_PATH_IMAGE007
，其中，
Figure 902482DEST_PATH_IMAGE008
为在第
Figure 588678DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 405456DEST_PATH_IMAGE010
个 光伏出力样本的功率，
Figure 722167DEST_PATH_IMAGE188
为在第
Figure 240873DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 730761DEST_PATH_IMAGE010
个负荷样 本的功率；
依次遍历
Figure 261099DEST_PATH_IMAGE012
个模型参数组，相应获得
Figure 889658DEST_PATH_IMAGE013
个配电网的节点电压输出响应样本和
Figure 505447DEST_PATH_IMAGE012
个配电网的节点电压输出响应样本的方差
Figure 126921DEST_PATH_IMAGE014
；
基于多项式展开的改进灵敏度分析方法对
Figure 574083DEST_PATH_IMAGE013
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。
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：
依次选取不同的模型参数组
Figure 232597DEST_PATH_IMAGE001
，构建与模型 参数
Figure 213978DEST_PATH_IMAGE002
相对应的光伏发电随机模型及与模型参数
Figure 248930DEST_PATH_IMAGE003
相对应的负荷随机模型；
在对每个模型参数组
Figure 816178DEST_PATH_IMAGE004
进行采样后生成
Figure 770228DEST_PATH_IMAGE005
个随机样本
Figure 360609DEST_PATH_IMAGE006
，将
Figure 74618DEST_PATH_IMAGE005
个样本输入至预设的节点电压评估模型中，得到
Figure 434055DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本，并分别计算
Figure 824585DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本的方 差
Figure 699000DEST_PATH_IMAGE007
，其中，
Figure 341334DEST_PATH_IMAGE008
为在第
Figure 430644DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 867442DEST_PATH_IMAGE010
个 光伏出力样本的功率，
Figure 229153DEST_PATH_IMAGE188
为在第
Figure 534232DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 868262DEST_PATH_IMAGE010
个负荷样 本的功率；
依次遍历
Figure 85748DEST_PATH_IMAGE012
个模型参数组，相应获得
Figure 138017DEST_PATH_IMAGE013
个配电网的节点电压输出响应样本和
Figure 981208DEST_PATH_IMAGE012
个配电网的节点电压输出响应样本的方差
Figure 232061DEST_PATH_IMAGE189
；
基于多项式展开的改进灵敏度分析方法对
Figure 10661DEST_PATH_IMAGE013
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。
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：
依次选取不同的模型参数组
Figure 280502DEST_PATH_IMAGE001
，构建与模型参数
Figure 674574DEST_PATH_IMAGE002
相对应的光伏发电随机模型及与模型参数
Figure 492357DEST_PATH_IMAGE003
相对应的负荷随机模型；
在对每个模型参数组
Figure 757116DEST_PATH_IMAGE004
进行采样后生成
Figure 382745DEST_PATH_IMAGE005
个随机样本
Figure 264114DEST_PATH_IMAGE006
，将
Figure 885588DEST_PATH_IMAGE005
个样本输入至预设的节点电压评估模型中，得到
Figure 332750DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本，并分别计算
Figure 991264DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本的方 差
Figure 969716DEST_PATH_IMAGE007
，其中，
Figure 4668DEST_PATH_IMAGE008
为在第
Figure 899811DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 525965DEST_PATH_IMAGE010
个 光伏出力样本的功率，
Figure 381925DEST_PATH_IMAGE011
为在第
Figure 95935DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 189793DEST_PATH_IMAGE010
个负荷 样本的功率；
依次遍历
Figure 580323DEST_PATH_IMAGE012
个模型参数组，相应获得
Figure 658000DEST_PATH_IMAGE013
个配电网的节点电压输出响应样本和
Figure 97072DEST_PATH_IMAGE014
个 配电网的节点电压输出响应样本的方差
Figure 451961DEST_PATH_IMAGE015
；
基于多项式展开的改进灵敏度分析方法对
Figure 623179DEST_PATH_IMAGE013
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：
Figure 312786DEST_PATH_IMAGE016
，
式中，
Figure 493232DEST_PATH_IMAGE017
为总灵敏度综合值，
Figure 623999DEST_PATH_IMAGE018
为模型参数
Figure 109994DEST_PATH_IMAGE019
对各个节点电压的总灵敏度值，
Figure 162263DEST_PATH_IMAGE020
为模型参数
Figure 739875DEST_PATH_IMAGE021
对各个节点电压的总灵敏度值，
Figure 193990DEST_PATH_IMAGE022
为模型参数
Figure 769328DEST_PATH_IMAGE023
对各个节点电压的总灵 敏度值，
Figure 184260DEST_PATH_IMAGE024
为模型参数
Figure 440929DEST_PATH_IMAGE025
对各个节点电压的总灵敏度值，
Figure 874185DEST_PATH_IMAGE026
、
Figure 823686DEST_PATH_IMAGE027
、
Figure 381706DEST_PATH_IMAGE028
、
Figure 583012DEST_PATH_IMAGE029
分别为模型 参数
Figure 480560DEST_PATH_IMAGE019
的灵敏度权重值、模型参数
Figure 725597DEST_PATH_IMAGE021
的灵敏度权重值、模型参数
Figure 239755DEST_PATH_IMAGE025
的灵敏度权重值以及 模型参数
Figure 900543DEST_PATH_IMAGE023
的灵敏度权重值，
Figure 793544DEST_PATH_IMAGE030
为节点，
Figure 84848DEST_PATH_IMAGE031
为节点数。
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：
将
Figure 945357DEST_PATH_IMAGE013
个配电网的节点电压输出响应样本表示为：
Figure 613099DEST_PATH_IMAGE032
，
式中，
Figure 281977DEST_PATH_IMAGE033
为配电网中节点k的节点电压值，
Figure 882198DEST_PATH_IMAGE034
为不确定性变量，
Figure 839790DEST_PATH_IMAGE035
为在参数
Figure 170277DEST_PATH_IMAGE036
下， 第k个节点的电压值，
Figure 959242DEST_PATH_IMAGE037
为d维独立的输入变量向量，即不确定性模型参数，
Figure 857928DEST_PATH_IMAGE038
为多输出的 个数，即
Figure 178182DEST_PATH_IMAGE038
个节点电压值，
Figure 922147DEST_PATH_IMAGE039
为输入变量维度；
对某节点电压输出响应可展开为下式：
Figure 159093DEST_PATH_IMAGE040
，
式中，
Figure 759839DEST_PATH_IMAGE041
为常量，
Figure 957602DEST_PATH_IMAGE042
为在第i维参数
Figure 380624DEST_PATH_IMAGE043
下，第k个节点的电压值，
Figure 81864DEST_PATH_IMAGE043
为第i维不确 定性参数，
Figure 181407DEST_PATH_IMAGE044
为第j维不确定性参数，
Figure 866466DEST_PATH_IMAGE045
为第d维不确定性参数，
Figure 14551DEST_PATH_IMAGE046
为在第i维 参数
Figure 711242DEST_PATH_IMAGE043
和第j维参数
Figure 857053DEST_PATH_IMAGE047
下，第k个节点的电压值；
对等式两侧取协方差，可得:
Figure 888463DEST_PATH_IMAGE048
，
式中，
Figure 574659DEST_PATH_IMAGE049
为对多输出取协方差，
Figure 516070DEST_PATH_IMAGE050
为对
Figure 269718DEST_PATH_IMAGE051
取协方差，
Figure 663790DEST_PATH_IMAGE052
为节点i的电压 值，
Figure 153677DEST_PATH_IMAGE053
为节点n的电压值，
Figure 74228DEST_PATH_IMAGE054
为对
Figure 827421DEST_PATH_IMAGE046
取协方差，
Figure 318576DEST_PATH_IMAGE055
为对
Figure 549837DEST_PATH_IMAGE056
取协方差；
在等式两侧分别乘单位矩阵后执行迹操作
Figure 324895DEST_PATH_IMAGE057
后，可将协方差矩阵转换为标量值，可 得：
Figure 45727DEST_PATH_IMAGE058
，
式中，
Figure 414391DEST_PATH_IMAGE059
为对协方差矩阵执行迹操作，其值等于各个输出方差
Figure 59130DEST_PATH_IMAGE060
的总 和，
Figure 564061DEST_PATH_IMAGE061
为对协方差矩阵
Figure 783690DEST_PATH_IMAGE062
执行迹操作，
Figure 436388DEST_PATH_IMAGE063
为对协方差矩阵
Figure 9452DEST_PATH_IMAGE064
执行迹操作，
Figure 244255DEST_PATH_IMAGE065
为对协方差矩阵
Figure 510151DEST_PATH_IMAGE066
执行迹操作；
则输入参数
Figure 384566DEST_PATH_IMAGE067
单独作用对输出响应的影响程度
Figure 151534DEST_PATH_IMAGE068
的表达式为：
Figure 631057DEST_PATH_IMAGE069
，
式中，
Figure 674712DEST_PATH_IMAGE070
为第k个节点的电压幅值的方差，
Figure 239685DEST_PATH_IMAGE071
为在第i维参数
Figure 951289DEST_PATH_IMAGE043
下，第k 个节点的电压幅值的方差；
输入参数
Figure 675532DEST_PATH_IMAGE067
与其他参数交互作用下对节点电压输出响应的总影响程度
Figure 17651DEST_PATH_IMAGE072
的表达式 为：
Figure 945287DEST_PATH_IMAGE073
。
3.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，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的表达式为：
Figure 663845DEST_PATH_IMAGE074
，
式中，
Figure 242593DEST_PATH_IMAGE075
为模型参数
Figure 817931DEST_PATH_IMAGE076
的上界，
Figure 357497DEST_PATH_IMAGE077
为模型参数
Figure 489532DEST_PATH_IMAGE076
的下界，
Figure 798154DEST_PATH_IMAGE078
为模型参数
Figure 544393DEST_PATH_IMAGE079
的上界，
Figure 430309DEST_PATH_IMAGE080
为模型参数
Figure 756248DEST_PATH_IMAGE079
的下界，
Figure 529164DEST_PATH_IMAGE081
为模型参数
Figure 649566DEST_PATH_IMAGE082
的上界，
Figure 960462DEST_PATH_IMAGE083
为模型参数
Figure 949147DEST_PATH_IMAGE082
的下界，
Figure 966781DEST_PATH_IMAGE084
为模型 参数
Figure 136381DEST_PATH_IMAGE085
的上界，
Figure 872256DEST_PATH_IMAGE086
为模型参数
Figure 71156DEST_PATH_IMAGE085
的下界。
4.一种光伏接入配电网的位置优化系统，其特征在于，包括：
构建模块，配置为依次选取不同的模型参数组
Figure 333510DEST_PATH_IMAGE001
， 构建与模型参数
Figure 795715DEST_PATH_IMAGE002
相对应的光伏发电随机模型及与模型参数
Figure 628673DEST_PATH_IMAGE003
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
Figure 896844DEST_PATH_IMAGE004
进行采样后生成
Figure 889070DEST_PATH_IMAGE005
个随机 样本
Figure 381232DEST_PATH_IMAGE006
，将
Figure 91699DEST_PATH_IMAGE005
个样本输入至预设的节点电压评估模型中，得 到
Figure 897981DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本，并分别计算
Figure 620080DEST_PATH_IMAGE005
个配电网的节点电压输出响应样本 的方差
Figure 689667DEST_PATH_IMAGE007
,其中，
Figure 480906DEST_PATH_IMAGE008
为在第
Figure 294141DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 57698DEST_PATH_IMAGE010
个光伏出力样本的功率，
Figure 907973DEST_PATH_IMAGE011
为在第
Figure 593032DEST_PATH_IMAGE009
组模型参数下对光伏出力进行抽样时，第
Figure 803434DEST_PATH_IMAGE010
个 负荷样本的功率；
获取模块，配置为依次遍历
Figure 624759DEST_PATH_IMAGE014
个模型参数组，相应获得
Figure 567308DEST_PATH_IMAGE013
个配电网的节点电压输出 响应样本和
Figure 346520DEST_PATH_IMAGE014
个配电网的节点电压输出响应样本的方差
Figure 235979DEST_PATH_IMAGE015
；
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
Figure 36445DEST_PATH_IMAGE013
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：
Figure 415473DEST_PATH_IMAGE016
，
式中，
Figure 809546DEST_PATH_IMAGE017
为总灵敏度综合值，
Figure 378061DEST_PATH_IMAGE018
为模型参数
Figure 908400DEST_PATH_IMAGE019
对各个节点电压的总灵敏度值，
Figure 786226DEST_PATH_IMAGE020
为模型参数
Figure 402015DEST_PATH_IMAGE021
对各个节点电压的总灵敏度值，
Figure 695593DEST_PATH_IMAGE022
为模型参数
Figure 221384DEST_PATH_IMAGE023
对各个节点电压的总灵 敏度值，
Figure 145477DEST_PATH_IMAGE024
为模型参数
Figure 373196DEST_PATH_IMAGE025
对各个节点电压的总灵敏度值，
Figure 408148DEST_PATH_IMAGE026
、
Figure 709817DEST_PATH_IMAGE027
、
Figure 680178DEST_PATH_IMAGE028
、
Figure 4980DEST_PATH_IMAGE029
分别为模型 参数
Figure 968257DEST_PATH_IMAGE019
的灵敏度权重值、模型参数
Figure 390011DEST_PATH_IMAGE021
的灵敏度权重值、模型参数
Figure 655907DEST_PATH_IMAGE025
的灵敏度权重值以及 模型参数
Figure 600162DEST_PATH_IMAGE023
的灵敏度权重值，
Figure 711337DEST_PATH_IMAGE030
为节点，
Figure 315494DEST_PATH_IMAGE031
为节点数。
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。
CN202211113078.5A 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 Active CN115207921B (zh)

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)

* 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

Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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