CN115577964A - 基于分布式鲁棒优化的新能源接纳能力评估方法及系统 - Google Patents
基于分布式鲁棒优化的新能源接纳能力评估方法及系统 Download PDFInfo
- Publication number
- CN115577964A CN115577964A CN202211343630.XA CN202211343630A CN115577964A CN 115577964 A CN115577964 A CN 115577964A CN 202211343630 A CN202211343630 A CN 202211343630A CN 115577964 A CN115577964 A CN 115577964A
- Authority
- CN
- China
- Prior art keywords
- distributed
- new energy
- capacity
- model
- admission
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 63
- 238000011156 evaluation Methods 0.000 title claims abstract description 28
- 238000013178 mathematical model Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000010248 power generation Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 abstract description 29
- 238000013459 approach Methods 0.000 abstract description 3
- 238000012854 evaluation process Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/0635—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
- 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
- H02J3/38—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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于分布式鲁棒优化的新能源接纳能力评估方法及系统,包括构建数学模型,以获得新能源实际接纳能力;基于新能源实际接纳能力构建分布式鲁棒优化接纳能力模型;对分布式鲁棒优化接纳能力模型进行求解,以获得新能源最大接纳能力所对应的最优方案;基于最优方案部署分布式电源;该方法在评估过程中同时利用了统计信息(即一阶和二阶矩)和不确定变量的经验分布,使其结果实用,且安全性较高;并在提出的基于DRO的方法中,定义一个风险水平,以保证可靠性和经济性的守恒。
Description
技术领域
本发明涉及新能源接纳能力评估领域技术领域,具体涉及一种基于分布式鲁棒优化的新能源接纳能力评估方法及系统。
背景技术
近年来,基于可再生能源的分布式发电(Distributed Generation,DG)在配电网络中的集成显著增加;在实际部署分布式电源前,需要进行承载能力(Hosting Capacity,HC)评估;通过这样做,配电系统运营商(Distribution System Operators,DSO)可以确定其网络中可容纳的最大DG容量,并就DG的布局和规模做出最佳决策;考虑到不同的约束条件,国内外诸多学者研究了接纳问题,有学者提出了解决接纳问题的最优功率流方法,还开发了基于分析、启发式和顺序功率流的方法来确定接纳能力;部分学者使用基于优化的蒙特卡罗框架评估了接纳能力对不确定性的敏感性;然而,该研究使用时间序列模拟来解决不确定性,这可能会耗费大量时间来分析未来的电网场景,为了解决与DG和负载相关的不确定性,有些学者提出了一个基于优化的框架,该框架对接纳能力进行了概率评估;在实践中,历史数据可以提供比不确定变量边界更多的信息;然而,历史数据可用于获得经验上的概率分布函数(Probability Distribution Functions,PDF),而不是不确定变量的确切PDF。
为了应对这种情况,最近发展了分布式鲁棒优化(Distributionally RobustOptimization,DRO);在该方法中,假设不确定变量的精确概率分布函数不可用;然而,假设不确定性的概率密度函数在一个置信集内,利用历史数据中不确定变量的分布信息可以构造置信集;例如,置信集可以由具有共同均值和协方差矩阵的所有概率函数组成;近年来,DRO已被应用于一些电力系统优化问题,包括机组组合和备用调度。
然而,这些研究通常只考虑了历史数据的一阶和二阶矩来建立置信集,而忽略了不确定性的经验分布;目前的研究中,还没有在电力系统中同时利用统计信息和经验分布的DRO应用,未能考虑与负荷和DG输出功率相关的不确定性。
发明内容
针对上述问题,本发明的第一个目的是提出一种基于分布式鲁棒优化的新能源接纳能力评估方法,该方法在评估过程中同时利用了统计信息(即一阶和二阶矩)和不确定变量的经验分布,使其结果实用,且安全性较高;并在提出的基于DRO的方法中,定义一个风险水平,以保证可靠性和经济性的守恒。
本发明的第二个目的是提供一种基于分布式鲁棒优化的新能源接纳能力评估系统。
本发明所采用的第一个技术方案是:一种基于分布式鲁棒优化的新能源接纳能力评估方法,包括以下步骤:
S100:构建数学模型,以获得新能源实际接纳能力;
S200:基于新能源实际接纳能力构建分布式鲁棒优化接纳能力模型;
S300:对分布式鲁棒优化接纳能力模型进行求解,以获得新能源最大接纳能力所对应的最优方案;
S400:基于最优方案部署分布式电源。
优选地,所述步骤S100包括以下子步骤:
S110采用分布式发电位置场景生成器为分布式发电生成大量位置组合;
S120:构建数学模型,基于数学模型确定任一位置组合下的最大分布式发电容量;并将所有位置组合的最大分布式发电容量中的最小值定义为新能源实际接纳能力。
优选地,所述数学模型的目标函数通过以下公式表示:
优选地,所述步骤S200包括以下子步骤:
S210:基于新能源实际接纳能力构建不确定接纳能力模型;
S220:基于所述不确定接纳能力模型,采用分布稳健方法构建分布式鲁棒优化接纳能力模型。
优选地,所述不确定接纳能力模型通过以下公式表示:
s.t.
Gk(Capg,ξ)≤0,k∈C (11)
式中,DGm为具有分布式发电的母线组;为母线j处的分布式发电装机容量;为由Capg和ξ表示的等式约束表达式;Gk(Capg,ξ)为由Capg和ξ表示的不等式约束表达式;ξ为不确定变量的向量;Capg为分布式发电装机容量;k为约数个数;Ceq和C为接纳问题的等式和不等式约束集;s.t.是指满足于下列条件。
优选地,所述分布式鲁棒优化接纳能力模型通过以下公式表示:
s.t.
式中,DGm为具有分布式发电的母线组;为母线j处的分布式发电装机容量;τ为风险水平;Dφ为置信集;f为不确定性概率实际密度函数;ξ为不确定变量的向量;为T(Capg,ξ)函数对f的概率分布函数;其中, 为由Capg和ξ表示的等式约束表达式,Gk(Capg,ξ)为由Capg和ξ表示的不等式约束表达式,k为约数个数,Ceq和C为接纳问题的等式和不等式约束集。
优选地,所述不确定变量的向量建模如下式所示:
优选地,所述置信集建模如下式所示:
式中,Dφ为置信集;P为置信集内累积密度函数;M+为所有累积密度函数(Cumulative Density Functions,CDF)的集合;Dφ(f||f0)为歧义集分布函数;f为不确定性概率实际密度函数;ξ为不确定变量的向量;ψ为风险规避水平。
优选地,所述步骤S300中对分布式鲁棒优化接纳能力模型进行求解包括:
将不确定变量的向量建模转化为等效的联合机会约束,使用样本平均近似来求解所述等效的联合机会约束。
本发明所采用的第二个技术方案是:一种基于分布式鲁棒优化的新能源接纳能力评估系统,包括数学模型构建模块、分布式鲁棒优化接纳能力模型构建模块、计算模块和部署模块;
所述数学模型构建模块用于构建数学模型,以获得新能源实际接纳能力;
所述分布式鲁棒优化接纳能力模型构建模块用于基于新能源实际接纳能力构建分布式鲁棒优化接纳能力模型;
所述计算模块用于对分布式鲁棒优化接纳能力模型进行求解,以获得新能源最大接纳能力所对应的最优方案;
所述部署模块用于基于最优方案部署分布式电源。
上述技术方案的有益效果:
(1)本发明公开的一种基于分布式鲁棒优化的新能源接纳能力评估方法在评估过程中同时利用了统计信息(即一阶和二阶矩)和不确定变量的经验分布,使其结果实用,且安全性较高;并在提出的基于DRO的方法中,定义一个风险水平,以保证可靠性和经济性的守恒。
(2)本发明公开的一种基于分布式鲁棒优化的新能源接纳能力评估方法中,不确定变量被建模为随机变量,遵循基于历史数据定义的模糊分布;分布鲁棒优化模型保证了约束违反的概率不超过给定的风险水平,从而可以控制解的鲁棒性;为了求解分布式鲁棒优化接纳能力模型,本方法将其转化为一个联合机会约束问题,并使用样本平均近似技术进行求解。
(3)本发明公开的一种基于分布式鲁棒优化的新能源接纳能力评估方法中,不确定变量的经验分布被用来定义置信集,经验分布越精确,置信集越小,所得结果越不保守。
(4)本发明公开的一种基于分布式鲁棒优化的新能源接纳能力评估方法能用于评估考虑电压上升、馈线热容量和短路水平约束的接纳能力,能进一步量化新能源发电负荷和输出功率相关的不确定性,以便于更经济、安全地进行分布式新能源的接纳。
附图说明
图1为本发明的一个实施例提供的一种基于分布式鲁棒优化的新能源接纳能力评估方法的流程示意图;
图2为本发明的一个实施例提供的接纳能力计算框架的示意图;
图3为本发明的一个实施例提供的一种基于分布式鲁棒优化的新能源接纳能力评估系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理,但不能用来限制本发明的范围,即本发明不限于所描述的优选实施例,本发明的范围由权利要求书限定。
在本发明的描述中,需要说明的是,除非另有说明,“多个”的含义是两个或两个以上;术语“第一”“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性;对于本领域的普通技术人员而言,可视具体情况理解上述术语在本发明中的具体含义。
实施例一
图1为本发明的一个实施例提供的一种基于分布式鲁棒优化的新能源接纳能力评估方法,包括以下步骤:
S100:构建数学模型,以获得新能源实际接纳能力;
接纳能力定义为在不违反其技术约束(是指安全技术约束条件,例如电压偏差、电压波动水平、谐波水平、网络损耗要求等并网导则约束中的阈值要求)的情况下安装在系统中的最大分布式发电(DG)容量,与DG的位置无关;这意味着DG的位置不应定义为优化模型中的自变量;本发明使用如图2所示的接纳能力计算框架来解决接纳问题中与DG位置相关的不确定性,包括以下子步骤:
S110采用分布式发电(DG)位置场景生成器为分布式发电生成大量位置组合;
S120:构建数学模型,基于数学模型确定任一位置组合下的最大分布式发电容量;并将所有位置组合的最大分布式发电容量中的最小值定义为新能源实际接纳能力;
其中,图2中的HC代表承载能力,DGi代表接入不同总线位置的DG;
(1)数学模型的目标函数通过以下公式表示:
(2)约束条件;
确定接纳能力时考虑的约束条件包括稳态电压约束、热容量限制和短路电平约束;
1)稳态电压约束;
2)热容量限制;
线路和变电站变压器的视在功率流受到以下上限的限制:
式中,为母线i,j的最大视在功率;Pij,t为从总线i到总线j的发送端有功功率;Qij,t为从总线i到总线j的发送端无功功率;N为模型中所有总线i到总线j可能所在位置总线的分支集合;t为时段;Γ为所有仿真时序时段集合。
公式(3)是一个二次非线性约束,需要对其进行线性化,以简化最终的问题公式;为此,我们使用逆时针旋转矩阵(公式4)围绕原始圆形约束(公式3)旋转切线(公式5);
将公式(5)应用到公式(4)中,得到以下结果:
式中,θ是旋转角度;为母线i,j的最大视在功率;Pij,t为从总线i到总线j的发送端有功功率;Qij,t为从总线i到总线j的发送端无功功率;N为模型中所有总线i到总线j可能所在位置总线的分支集合;t为时段;Γ为所有仿真时序时段集合。
3)短路电平(Short Circuit Level,SCL)约束;
配电系统的一个重要特征是SCL,它被定义为最大可接受故障水平;将DG连接到网络的基本要求是,各位置接入的分布式电源(DGs)存在时的SCL应保持在设计SCL以下;短路电平(SCL)约束通过以下公式表示:
式中,aj是短路电平对母线j处分布式发电容量的依赖性,aj取决于系统结构和分布式发电的类型,例如aj对于光伏来说非常小;DGm为具有分布式发电的母线组;为母线j处的分布式发电装机容量;SCLsub为无分布式发电变电站的短路电平,SCLRated为变电站的额定短路电平。
S200:基于新能源实际接纳能力构建分布式鲁棒优化接纳能力模型;
确定性接纳问题的公式如上述公式(1)所示;在实践中,DG和负载的输出功率是不确定变量,将其建模为确定性变量是不现实的,因此,分布式鲁棒优化接纳能力模型应包括不确定性。
S210:基于新能源实际接纳能力构建不确定接纳能力模型;
式中,为电动汽车的分布式发电输出;为电动汽车的分布式发电输出的预测值;为对电动汽车的分布式发电输出的预测误差进行建模;为电动汽车的负载;为电动汽车的负载的预测值,即预测输出功率;为对电动汽车的负载的预测误差进行建模;为电动汽车总需求;为的预测值;为对电动汽车的总需求的预测误差进行建模。
Gk(Capg,ξ)≤0,k∈C (10)
因此,不确定接纳能力模型通过以下公式表示:
s.t.
Gk(Capg,ξ)≤0,k∈C (11)
式中,DGm为具有分布式发电的母线组;为母线j处的分布式发电装机容量;为由Capg和ξ表示的等式约束表达式;Gk(Capg,ξ)为由Capg和ξ表示的不等式约束表达式;ξ为不确定变量的向量;Capg为分布式发电装机容量;k为约数个数;Ceq和C为接纳问题的等式和不等式约束集;s.t.=subject to,是指满足于下列条件。
S220:基于不确定接纳能力模型,采用了分布稳健方法构建分布式鲁棒优化接纳能力模型;
为了使不确定接纳能力模型免受不确定性向量ξ的影响,本发明采用了一种分布稳健的方法,在这种方法中,定义了一个风险水平来调整解决方案的保守性;从建模的角度来看,分布式鲁棒接纳问题定义如下,即分布式鲁棒优化接纳能力模型通过以下公式表示:
s.t.
式中,DGm为具有分布式发电的母线组;为母线j处的分布式发电装机容量;τ为风险水平;Dφ为置信集;f为不确定性概率实际密度函数;ξ为不确定变量的向量;为T(Capg,ξ)函数对f的概率分布函数;其中, 为由Capg和ξ表示的等式约束表达式,Gk(Capg,ξ)为由Capg和ξ表示的不等式约束表达式,k为约数个数,Ceq和C为接纳问题的等式和不等式约束集。
进一步对不确定变量的向量ξ和置信集Dφ进行建模;
(1)不确定变量的向量ξ建模(即为光伏发电的不确定性建模);
分布式光伏与其预测输出值之间的随机变化遵循贝塔(Beta)分布,这种分布由两个形状参数α和β定义,使我们能够用归一化的预测输出功率和标准偏差来表示预测输出功率的预测误差,标准偏差随而变化;如果预测值已被预测,则模拟输出功率x出现的β函数(不确定变量的向量模型)如下式所示:
(2)置信集建模;
接纳能力优化中处理不确定性的一个挑战性困难是精确概率函数的可访问性,由于历史数据有限或可靠性较低,因此假设不确定性概率分布函数可靠并不准确;为了解决这个问题,可以使用一组模糊分布;利用经验分布创建模糊集的常用方法是φ-分歧,定义如下:
式中,Dφ(f||f0)为歧义集分布函数;f(ξ)和f0(ξ)分别为实际密度函数和估计密度函数;ξ∈RK,RK为K维随机向量;ξ为不确定变量的向量;φ为R+上的凸函数(R+是指正实数集);Ω为自变量定义域。
最常用的一种φ-分歧方法是Variation Distance,定义为:
φVD(x)=|x-1|,x≥0 (17)
基于φ-分歧方法,能建立如下置信集:
式中,Dφ为置信集;P为置信集内累积密度函数;M+为所有累积密度函数(Cumulative Density Functions,CDF)的集合;Dφ(f||f0)为歧义集分布函数;f为不确定性概率实际密度函数;ξ为不确定变量的向量;ψ为风险规避水平,风险规避水平越高,模糊集越大,优化模型的结果越保守;然而,与鲁棒优化或基于矩的模糊集中的不确定性集相比,置信集Dφ可以更准确地描述概率函数的轮廓,因此提供的结果保守性较低。
S300:对分布式鲁棒优化接纳能力模型进行求解,以获得新能源最大接纳能力所对应的最优方案;
为了求解分布式鲁棒优化接纳能力模型,本发明将现有理论(即光伏发电的不确定性建模/不确定变量的向量建模)转化为等效的联合机会约束,使用样本平均近似来求解等效的联合机会约束;在提出等价的联合机会约束问题之前,需要回顾共轭对偶的定义;对于给定的函数g:R→R、共轭g*:R→R∪{+∞}定义如下:
式中,g*(t)与g(x)互为共轭对偶函数;t为g*(t)的自变量;x为g(x)的自变量;R为实数集;sup表示共轭对偶运算,此处函数均无实际含义。
定义1,对于凸函数:R→R表示为φ(1)=0和φ(x)=+∞(x<0),定义m(φ*):=sup{m∈R:φ*为区间(-∞,m]上的有限常数}和m(φ*):=inf{m∈R:φ*(m)=+∞}。
P0(T(Capg,ξ))≥1-τ′+ (20)
式中,P0(T(Capg,ξ))为由估计得到的概率分布函数;τ′+为概率分布阈值。
其中,
式中,τ′为光伏接纳联合机会约束子集;inf{·}为光伏接纳联合机会约束补集;φ*为光伏输出功率概率分布z0和z的联合机会约束;z0为估计密度函数;z为实际密度函数;τz为实际密度函数概率分布子集;ψ为风险规避水平;lφ为概率密度上限值;m(φ*)为光伏输出功率概率函数,m(φ*)和互为共轭对偶函数;τ′+为概率分布阈值;R为实数集;φ(x)为R+上的凸函数;x为概率函数自变量;Leb{·}为RK上的Lebesgue测度,且[f0=0]={ξ∈Ω:f0(ξ)=0};f0为估计密度函数;T为等式和不等式约束集合;Capg为分布式发电装机容量;ξ为不确定变量的向量;对于公式(20)中给出的重新计算的分布式鲁棒优化的接纳能力的lφ,m(φ*),对于φ-分歧距离散度的值根据实际情况选取。
因此,如果有一个函数τ(τ′+,φ,ψ),它将τ′+映射到原始风险水平τ,对于给定的公差ψ和φ-散度,可以说,如果某些Capg满足公式(20),那么 表示φ和ψ;然而,仍然需要知道如何获得τ′+和映射函数;可以证明,的最坏情况概率界等于以下优化问题的最优值:
s.t.
μlφr+P0φ(s)+(1-P0)φ(H)≤ψ
μr+P0s+(1-P0)tt=1 (22)
式中,让P0=P0(T(Capg,ξ)表示的符号简洁,则:
因此,映射函数τ(τ′+,φ,ψ)可以定义为公式(21)的最佳目标值,将P0设置为1-τ′+。
上述机理分析表明,基于历史数据的数学建模是影响系统估计接纳能力的一个重要因素;直观地说,随着历史数据样本量的增加,经验分布变得更接近实际分布;因此,接纳能力估计的保守性降低,在基于分布式鲁棒优化的方法中,ψ是表示数据值的参数;样本数越高,经验分布越精确,风险规避水平ψ越小,置信集Dφ越小。
S400:基于最优方案部署分布式电源。
本发明公开的一种基于分布式鲁棒优化的新能源接纳能力评估方法中,不确定变量的经验分布被用来定义置信集,经验分布越精确,置信集越小,所得结果越不保守。
研究结果表明,通过增加风险水平,本发明公开的一种基于分布式鲁棒优化的新能源接纳能力评估方法能得到可靠性较低的解;然而,增加分布式新能源的接纳容量则取决于DG技术;如果DG是光伏和生物质,则不宜接受更高的风险水平来增加系统的接纳能力;进而对历史数据的分析可知,数据不足会以指数形式增加接纳能力评估的保守性。
此外,数据表明尽管住宅电动汽车的总需求增加了配电系统的峰值负荷,但它不会显著影响接纳能力;这是因为在电动汽车总需求低于约峰值10%的时间段内,系统的接纳能力达到其最大值充电站需求对接纳能力的影响取决于DG技术,如果DG是光伏组件,将充电站的需求增加到最大值会使接纳能力增加;然而,如果DG是风力和生物质发电机,则无法有效增加系统的接纳能力。
未来的扩展将考虑将此方法应用于与DG位置相关的不确定性;为此,应将开发的数学模型集成到基于蒙特卡罗的框架中;所提出的一种基于分布式鲁棒优化的新能源接纳能力评估方法还进一步用于评估不同DG技术下住宅电动汽车和充电站的总需求对分布式接纳能力的影响。
实施例二
图3为本发明的一个实施例提供的一种基于分布式鲁棒优化的新能源接纳能力评估系统,包括数学模型构建模块、分布式鲁棒优化接纳能力模型构建模块、计算模块和部署模块;
所述数学模型构建模块用于构建数学模型,以获得新能源实际接纳能力;
所述分布式鲁棒优化接纳能力模型构建模块用于基于新能源实际接纳能力构建分布式鲁棒优化接纳能力模型;
所述计算模块用于对分布式鲁棒优化接纳能力模型进行求解,以获得新能源最大接纳能力所对应的最优方案;
所述部署模块用于基于最优方案部署分布式电源。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于分布式鲁棒优化的新能源接纳能力评估方法,其特征在于,包括以下步骤:
S100:构建数学模型,以获得新能源实际接纳能力;
S200:基于新能源实际接纳能力构建分布式鲁棒优化接纳能力模型;
S300:对分布式鲁棒优化接纳能力模型进行求解,以获得新能源最大接纳能力所对应的最优方案;
S400:基于最优方案部署分布式电源。
2.根据权利要求1所述的新能源接纳能力评估方法,其特征在于,所述步骤S100包括以下子步骤:
S110采用分布式发电位置场景生成器为分布式发电生成大量位置组合;
S120:构建数学模型,基于数学模型确定任一位置组合下的最大分布式发电容量;并将所有位置组合的最大分布式发电容量中的最小值定义为新能源实际接纳能力。
4.根据权利要求1所述的新能源接纳能力评估方法,其特征在于,所述步骤S200包括以下子步骤:
S210:基于新能源实际接纳能力构建不确定接纳能力模型;
S220:基于所述不确定接纳能力模型,采用分布稳健方法构建分布式鲁棒优化接纳能力模型。
9.根据权利要求1所述的新能源接纳能力评估方法,其特征在于,所述步骤S300中对分布式鲁棒优化接纳能力模型进行求解包括:
将不确定变量的向量建模转化为等效的联合机会约束,使用样本平均近似来求解所述等效的联合机会约束。
10.一种基于分布式鲁棒优化的新能源接纳能力评估系统,其特征在于,包括数学模型构建模块、分布式鲁棒优化接纳能力模型构建模块、计算模块和部署模块;
所述数学模型构建模块用于构建数学模型,以获得新能源实际接纳能力;
所述分布式鲁棒优化接纳能力模型构建模块用于基于新能源实际接纳能力构建分布式鲁棒优化接纳能力模型;
所述计算模块用于对分布式鲁棒优化接纳能力模型进行求解,以获得新能源最大接纳能力所对应的最优方案;
所述部署模块用于基于最优方案部署分布式电源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211343630.XA CN115577964A (zh) | 2022-10-31 | 2022-10-31 | 基于分布式鲁棒优化的新能源接纳能力评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211343630.XA CN115577964A (zh) | 2022-10-31 | 2022-10-31 | 基于分布式鲁棒优化的新能源接纳能力评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115577964A true CN115577964A (zh) | 2023-01-06 |
Family
ID=84586346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211343630.XA Pending CN115577964A (zh) | 2022-10-31 | 2022-10-31 | 基于分布式鲁棒优化的新能源接纳能力评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577964A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341762A (zh) * | 2023-05-23 | 2023-06-27 | 武汉中元华电科技股份有限公司 | 高海拔风电供电系统最优能流求解方法及系统 |
-
2022
- 2022-10-31 CN CN202211343630.XA patent/CN115577964A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341762A (zh) * | 2023-05-23 | 2023-06-27 | 武汉中元华电科技股份有限公司 | 高海拔风电供电系统最优能流求解方法及系统 |
CN116341762B (zh) * | 2023-05-23 | 2023-07-25 | 武汉中元华电科技股份有限公司 | 高海拔风电供电系统最优能流求解方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Teh et al. | Reliability impacts of the dynamic thermal rating and battery energy storage systems on wind-integrated power networks | |
Li et al. | Grid-side flexibility of power systems in integrating large-scale renewable generations: A critical review on concepts, formulations and solution approaches | |
Pereira et al. | Composite generation/transmission reliability evaluation | |
Qi et al. | Joint planning of energy storage and transmission for wind energy generation | |
Lujano-Rojas et al. | Optimizing daily operation of battery energy storage systems under real-time pricing schemes | |
Liu et al. | Day-ahead optimal dispatch for wind integrated power system considering zonal reserve requirements | |
Weckx et al. | Voltage sensitivity analysis of a laboratory distribution grid with incomplete data | |
da Silva et al. | Chronological power flow for planning transmission systems considering intermittent sources | |
US10678984B2 (en) | Systems for real-time available delivery capability determination of large-scale distribution networks | |
Kushwaha et al. | Synthetic inertia and frequency support assessment from renewable plants in low carbon grids | |
Kazemdehdashti et al. | Stochastic energy management in multi-carrier residential energy systems | |
CN112994092B (zh) | 一种基于功率预测的独立风光储微电网系统尺寸规划方法 | |
Mokhtari et al. | Optimal coordination of thyristor controlled series compensation and transmission expansion planning: distributionally robust optimization approach | |
CN115577964A (zh) | 基于分布式鲁棒优化的新能源接纳能力评估方法及系统 | |
Rostami et al. | Optimal operating strategy of virtual power plant considering plug‐in hybrid electric vehicles load | |
Zhu et al. | Probabilistic load flow with correlated wind power sources using a frequency and duration method | |
Qin et al. | SR‐based chance‐constrained economic dispatch for power systems with wind power | |
Qing et al. | Energy scheduling for microgrids with renewable energy sources considering an adjustable convex hull based uncertainty set | |
Wang et al. | Source-load scenario generation based on weakly supervised adversarial learning and its data-driven application in energy storage capacity sizing | |
Fu et al. | Statistical machine learning model for uncertainty planning of distributed renewable energy sources in distribution networks | |
Saadatmandi et al. | Smart electric vehicle charging for reducing photovoltaic energy curtailment | |
Gao et al. | Evaluation on the short-term power supply capacity of an active distribution system based on multiple scenarios considering uncertainties | |
Jokar et al. | Transmission and distribution substation energy management considering large-scale energy storage, demand side management and security-constrained unit commitment | |
Wang et al. | Bi‐level optimisation dispatch method for photovoltaic hosting capacity enhancement of distribution buses | |
Bagchi et al. | Studying the impacts of incorporating energy storage devices into an aggregated probabilistic model of a virtual power plant |
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 |