CN115579955A - 一种基于神经网络预测的配电网光伏消纳能力评估方法 - Google Patents

一种基于神经网络预测的配电网光伏消纳能力评估方法 Download PDF

Info

Publication number
CN115579955A
CN115579955A CN202211379634.3A CN202211379634A CN115579955A CN 115579955 A CN115579955 A CN 115579955A CN 202211379634 A CN202211379634 A CN 202211379634A CN 115579955 A CN115579955 A CN 115579955A
Authority
CN
China
Prior art keywords
photovoltaic
distribution network
power distribution
load
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211379634.3A
Other languages
English (en)
Inventor
祝燕萍
赵珞
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 Shanghai Electric Power Co Ltd
Original Assignee
State Grid Shanghai Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN202211379634.3A priority Critical patent/CN115579955A/zh
Publication of CN115579955A publication Critical patent/CN115579955A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于神经网络预测的配电网光伏消纳能力评估方法，包括：根据历史负荷数据，建立基于LSTM的短期日负荷预测模型，得到需要预测的各节点日负荷曲线；根据配电网各节点的日负荷曲线，建立目标日光伏消纳能力评估模型；对光伏消纳能力评估模型进行求解计算，若模型无解，则表明当日分布式光伏就地消纳条件不足，即光伏消纳能力为零；若模型有解，则得到当日分布式光伏各节点在各个时刻的接入方案和接入量，再进一步确定当日光伏消纳能力上限、下限以及光伏接入总量，以作为配电网光伏消纳能力评估结果。与现有技术相比，本发明引入二阶段光伏消纳能力评估方法，通过考虑功率转移下的配电网运行稳定性，能够准确估计配电网的光伏消纳能力。

Description

一种基于神经网络预测的配电网光伏消纳能力评估方法
技术领域
本发明涉及配电网安全控制技术领域，尤其是涉及一种基于神经网络预测的配电网光伏消纳能力评估方法。
背景技术
当前，世界化石能源的使用和消耗伴随着日趋严重的环境污染。与此同时，化石能源的几近枯竭促使了多种新能源，尤其是诸如光伏，风电等分布式电源的大力发展和应用。在诸多分布式新能源中，分布式光伏能源以相对的环保性、资源易获得性以及发电设备的易维护性，受到各方青睐，大规模的光伏接入势必成为未来新能源的发展趋势。
然而，由于光伏发电出力容易受到天气变化等因素的影响，存在很强的波动性和非连续性。基于目前我国的大部分中低压配电网的设计架构，大规模光伏接入将导致配电网系统的可靠性经受强大的冲击和挑战。当光伏接入配电网之后，配电网本身的单源辐射状网络将变成多电源网络结构，这将使得配电网线路从原先的单潮流模式转换成双向潮流线路，在配电网整体负荷降低时，可能会导致潮流反向流动，进而引发局部电压稳定性的问题。这种情况尤其在目前农村电网接入，或单节点接入容量过大时，极易发生。因此，在将光伏系统与配电网匹配接入之前，需要全面评估目标配电网的光伏能源承载或消纳能力，同时，需要详细设计光伏接入的最佳位置和接入容量，以使得接入方案能够劲尽可能地接近配电网的理论承载能力，从而对已有光伏出力达到最大可能的消纳，保证配电网的安全与稳定。
从另一方面来看，根据“应接尽接”原则，随着区域大规模的光伏电源出力逐步提升，未来可能超过当地配电网的承载极限。在这样的情况下，需要对配电网的整体升级做长期规划。而对配电网的改造升级，涉及多个方面，变电站、线路等均需要合理配置，以期能够用最少的投资来使得升级后的配电网能够随时消纳新产生的光伏能源。在这种情况下，如何以最少的改动或投资来消纳最多的光伏能源，是目前诸多存在大规模光伏接入的配电网所急需解决的问题，这就凸显出对配电网光伏消纳能力进行准确评估的重要性。
传统的光伏消纳能力评估过程中，首先要选取相应的计算场景，包括设置好典型的负荷曲线及光伏出力曲线等，以为下一步的评估分析提供数据；再通过计算网络潮流，观察网络中是否出现了堵塞情况，如果没有，则进一步增大光伏的出力数值，直到网络中出现线路堵塞，即可评估出该地区电网对光伏的消纳能力大小。这种方式在计算网络潮流时，并未考虑传统电网潮流模型引入的建模误差，而这种误差常常导致电网运行的不确定性，这也使得最终的光伏消纳能力评估结果不够准确，无法真实模拟配电网在大规模接入光伏下运行特征，不利于后续进行可靠的配电网安全控制。
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基于神经网络预测的配电网光伏消纳能力评估方法，能够准确估计配电网的光伏消纳能力。
本发明的目的可以通过以下技术方案来实现：一种基于神经网络预测的配电网光伏消纳能力评估方法，包括以下步骤：
S1、根据历史负荷数据，建立基于长短期记忆循环神经网络的短期日负荷预测模型，得到需要预测的未来一日各节点的负荷曲线；
S2、根据配电网各节点的日负荷曲线，建立目标日光伏消纳能力评估模型；
S3、对目标日光伏消纳能力评估模型进行求解计算，如果模型无解，则表明当日分布式光伏就地消纳条件不足，即光伏消纳能力为零；
若模型有解，则得到当日分布式光伏各节点在各个时刻的接入方案和接入量；
S4、根据步骤S3求解的结果，进一步确定出当日光伏消纳能力上限、下限以及光伏接入总量，以作为配电网光伏消纳能力评估结果。
进一步地，所述步骤S1具体包括以下步骤：
S11、基于历史负荷时序数据，建立LSTM(Long short-term memory，长短期记忆)模型；
S12、采用滑窗预测方式，利用LSTM模型根据设定时间段历史负荷预测该段负荷下一时间点的负荷值，完成对整个时间序列的负荷值预测，将各预测负荷值按照时间节点组合得到负荷曲线。
进一步地，所述步骤S12的具体过程为：首先利用LSTM模型根据设定段历史负荷预测该段负荷下一时间点的负荷值，在图中绘出位置，然后移动窗口，将完整的测试数据加上之前预测的数据一起形成新的历史负荷数据，以预测下个时间点的负荷值，这里需要注意的是第二次预测时，所用历史负荷数据中最后一个数据点也是之前的预测负荷值，由此，模型通过不断移动窗口并预测下一个点，最后实现对整个时间序列负荷值的完全预测。
进一步地，所述步骤S2中光伏消纳能力评估模型包括目标函数和约束条件，所述目标函数以最大化整体配电网接入的光伏量作为目标；
所述约束条件包括配电网运行约束、考虑输出功率转移分布的运行约束。
进一步地，所述目标函数具体为：
Figure BDA0003927794090000031
其中，Npv为配电网系统中接入的光伏节点总数，假设所有节点均可有条件接入分布式光伏，则Npv＝N，即系统节点总数，PVi，t为第i个节点t时刻的接入光伏量，T为光伏接入的总时间，P为配电网各节点分布式光伏一天接入量之和。
进一步地，所述配电网运行约束包括配电网三相潮流约束和节点安全电压约束，所述节点电压安全约束包括节点间电压平衡约束以及节点稳态电压约束。
进一步地，所述配电网三相潮流约束具体为：
Figure BDA0003927794090000032
Figure BDA0003927794090000033
其中，Pi，t，Pi+1，t，Qi，t，Qi+1，t为流过节点i和i+1的t时刻有功与无功功率，PLi，t，PVi，t分别为节点i处t时刻的负荷与光伏有功出力，QLi，t为节点i在t时刻的无功负荷，节点i-1和i间线路的电阻和电抗值分别以Ri，Xi表示。
进一步地，所述节点电压安全约束具体为：
Figure BDA0003927794090000034
Figure BDA0003927794090000035
其中，Ui，t为节点i处t时刻的电压值，Umax、Umin分别为节点电压允许最大、最小值。
进一步地，所述考虑输出功率转移分布的运行约束具体为：
Figure BDA0003927794090000041
其中，Pl，min，Pl，max为线路l潮流的上下限，Gl，i为光伏发电机i在线路l上的输出功率转移因子，即表示节点i的光伏出力对线路l产生的影响，假设节点i的光伏出力变化为ΔPi时将引起线路l产生ΔPl，i的有功功率变化，则：
Figure BDA0003927794090000042
其中，a，b为连接线路l的两端节点，Bai，Bbi为配电网电纳矩阵第ai和bi元素，Xl为线路l的电抗参数，由此，Gl，i描述了光伏设备在节点i的出力改变一个单位量时线路l的潮流变化量。
进一步地，所述步骤S4中光伏消纳能力上限具体为各时刻所有节点总接入量的最大值，所述光伏消纳能力下限具体为各时刻所有节点总接入量的最小值，所述光伏接入总量具体为所有时刻接入量的总和。
与现有技术相比，本发明首先针对配电网未来负荷不确定性，利用长短期记忆循环神经网络对配电网未来负荷能力进行短期预测，估计未来目标配电网各节点负荷曲线；然后根据预测负荷，针对光伏出力不稳定性的情况，进一步考虑功率转移下的配电网运行稳定性，建立相应优化方程并求解，以此能够更好地模拟配电网在大规模接入光伏下运行特征，通过准确评估各个时刻各节点光伏可接入容量，从而准确估计配电网的光伏的最大消纳能力。
附图说明
图1为本发明的方法流程示意图；
图2为实施例的应用过程示意图。
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。
实施例
如图1所示，一种基于神经网络预测的配电网光伏消纳能力评估方法，包括以下步骤：
S1、根据历史负荷数据，建立基于长短期记忆循环神经网络的短期日负荷预测模型，得到需要预测的未来一日各节点的负荷曲线；
S2、根据配电网各节点的日负荷曲线，建立目标日光伏消纳能力评估模型；
S3、对目标日光伏消纳能力评估模型进行求解计算，如果模型无解，则表明当日分布式光伏就地消纳条件不足，即光伏消纳能力为零；
若模型有解，则得到当日分布式光伏各节点在各个时刻的接入方案和接入量；
S4、根据步骤S3求解的结果，进一步确定出当日光伏消纳能力上限、下限以及光伏接入总量，以作为配电网光伏消纳能力评估结果。
本实施例应用上述技术方案，如图2所述，主要包括：1)根据历史负荷数据建立基于长短期记忆循环神经网络的短期日负荷预测模型，得到需要预测的未来一日各节点的负荷曲线；2)根据配电网各节点日负荷曲线，建立目标日光伏消纳能力评估模型；3)如果模型无解，则表明当日分布式光伏就地消纳条件不足，建议此日不额外分配光伏接入；4)若模型有解，则求解模型，得到当日分布式光伏各节点各个时刻接入方案和接入量，并以此日各个时刻总接入量的最大值和最小值作为当日光伏消纳能力评估上下限。5)若数据充分，则根据新的负荷数据，进一步预测和评估下一日的光伏消纳能力，并进一步完整估计未来光伏消纳能力瓶颈和目标配电网提升方案。
具体的：
一、根据负荷数据建立神经网络负荷预测模型
基于负荷时序数据，本实施例利用PyTorch建立LSTM模型，以下公式展示了LSTM核心单元求解公式：
it＝sigmoid(Whiht-1+Wxixt)
ft＝sigmoid(whfht- 1+Whfht-1)
ct＝ft⊙ct-1+ic⊙tanh(WXCht-1+Whcht-1)
ot＝sigmoid(WXCxt+Whcht-1)
ht＝ot⊙tanh(ct)
其中，it，ft，ot分别代表LSTM模型中的输入门，遗忘门和输出门，对应的权重矩阵Whi，Wxi，Whf，WXC，Whc则通过训练影响每个门结构的激活函数并最终使得整体损失函数最小。首先，LSTM通过遗忘门处理输入信息并决定当前状态中需要舍弃哪些信息。然后信息通过输入门控制决定有多少信息得到保留并新增哪些信息，最后所有信息通过输出门更新单元状态ct并转换成到LSTM模型的当前输出值ht。这里⊙代表哈达玛乘积即逐项乘积法，ht表示LSTM单元输出，它决定下一单元内各个元素如何更新。sigmoid和tanh是激活函数，ct代表当前更新的单元状态，LSTM模型的模型参数的初始化是随机的，以提高参数调优的效果。
具体预测中，本实施例使用滑窗预测。首先利用模型根据一段历史负荷预测这段负荷下一时间点的负荷值，在图中绘出位置，然后移动窗口，用完整的测试数据加上之前预测的那个数据一起形成新的历史负荷数据预测下个时间点的值，这里需要注意的是第二次预测时，所用历史负荷数据中最后一个数据点也是之前的预测值。由此，模型通过不断移动窗口并预测下一个点，最后实现对长时间序列的完全预测。
二、根据负荷预测值建立配电网光伏消纳优化模型
光伏消纳能力的评估一般以考虑配电网在分布式光伏接入后的潮流分布为核心，建立非线性优化模型，并利用优化求解器求解出在当前负荷及网络约束下每个网络节点的最大光伏接入量，并以此来评估此情况下的光伏消纳能力。通常情况下，主要考虑约束为配电网基本运行约束，如电网潮流约束及节点安全电压约束。
2.1目标函数
配电网光伏消纳能力的评估以最大化整体配电网接入的光伏量作为目标函数，即配电网各节点分布式光伏一天接入量之和表征配电网整体光伏消纳能力：
Figure BDA0003927794090000061
其中Npv为配电网系统中接入的光伏节点总数，此处假设所有节点均可有条件接入分布式光伏，则Npv＝N，即系统节点总数。PVi，t代表第i个节点t时刻的接入光伏量。T为光伏接入的总时间，本实施例设置为日出至日落时间段。
2.2配电网运行约束
传统配电网三相潮流约束如下：
Figure BDA0003927794090000062
Figure BDA0003927794090000063
其中Pi，t，Pi+1，t，Qi，t，Qi+1，t为流过节点i和i+1的t时刻有功与无功功率，PLi，t，PVi，t分别代表节点i处t时刻的负荷与光伏有功出力，QLi，t则为节点i在t时刻的无功负荷。节点i-1和i间线路的电阻和电抗值分别以Ri，Xi表示。
同时节点需要满足节点间电压平衡约束以及节点稳态电压约束：
Figure BDA0003927794090000071
Figure BDA0003927794090000072
其中Ui，t表示节点i处t时刻的电压值，Umax，Umin为节点电压允许最大最小值，一般以标称电压偏差某个比例设置，本实施例以国标规定7％电压偏差率设置，即以0.93p.u.和1.07p.u.为节点允许电压上下限。
2.3考虑输出功率转移分布的运行约束
然而，上述的模型并未考虑传统电网潮流模型引入的建模误差，这种误差常常导致电网运行的不确定性，而功率转移分布因子作为其中代表性的不确定性参量，对电网模拟的准确性具有重要的影响。在大规模新能源接入的配电网环境中，光伏发电装置可能存在出力不稳定，导致潮流多变的特性，因此，本技术方案重点考虑发电机输出功率转移因子(GSDF)。
考虑如下潮流约束：
Figure BDA0003927794090000073
其中Pl，min，Pl，max表示线路l潮流的上下限，Gl，i即为光伏发电机i在线路l上的输出功率转移因子，即表示节点i的光伏出力对线路l产生的影响。在此，GSDF定义了由于光伏出力变化引起的线路潮流变化量。假设节点i的光伏出力变化为ΔPi时将引起线路l产生ΔPl，i的有功功率变化，则：
Figure BDA0003927794090000074
其中，a，b表示连接线路l的两端节点，Bai，Bbi表示配电网电纳矩阵第ai和bi元素，Xl为线路l的电抗参数。由此，Gl，i描述了光伏设备在节点i的出力改变一个单位量时线路l的潮流变化量。
三、估计配电网光伏消纳能力
根据配电网消纳能力模型，求解该优化模型，如果模型无解，则说明该目标配电网无法承载额外光伏设备，光伏消纳能力为零。如果模型有解，则求解得出配电网各节点在各个时刻的光伏接入容量，将各节点光伏接入容量相加得到目标配电网未来一日光伏消纳能力最大估计。
综上可知，本技术方案提出一种二阶段光伏消纳能力评估方案，即首先针对配电网未来负荷不确定性，利用循环神经网络对配电网未来负荷能力进行短期预测；再根据预测值，针对光伏出力不稳定性的情况，进一步考虑功率转移下的配电网运行稳定性，由此更好地模拟配电网在大规模接入光伏下运行特征，能够确保配电网光伏消纳能力的评估准确性。

Claims (10)

1.一种基于神经网络预测的配电网光伏消纳能力评估方法，其特征在于，包括以下步骤：
S1、根据历史负荷数据，建立基于长短期记忆循环神经网络的短期日负荷预测模型，得到需要预测的未来一日各节点的负荷曲线；
S2、根据配电网各节点的日负荷曲线，建立目标日光伏消纳能力评估模型；
S3、对目标日光伏消纳能力评估模型进行求解计算，如果模型无解，则表明当日分布式光伏就地消纳条件不足，即光伏消纳能力为零；
若模型有解，则得到当日分布式光伏各节点在各个时刻的接入方案和接入量；
S4、根据步骤S3求解的结果，进一步确定出当日光伏消纳能力上限、下限以及光伏接入总量，以作为配电网光伏消纳能力评估结果。
2.根据权利要求1所述的一种基于神经网络预测的配电网光伏消纳能力评估方法，其特征在于，所述步骤S1具体包括以下步骤：
S11、基于历史负荷时序数据，建立LSTM模型；
S12、采用滑窗预测方式，利用LSTM模型根据设定时间段历史负荷预测该段负荷下一时间点的负荷值，完成对整个时间序列的负荷值预测，将各预测负荷值按照时间节点组合得到负荷曲线。
3.根据权利要求2所述的一种基于神经网络预测的配电网光伏消纳能力评估方法，其特征在于，所述步骤S12的具体过程为：首先利用LSTM模型根据设定段历史负荷预测该段负荷下一时间点的负荷值，在图中绘出位置，然后移动窗口，将完整的测试数据加上之前预测的数据一起形成新的历史负荷数据，以预测下个时间点的负荷值，这里需要注意的是第二次预测时，所用历史负荷数据中最后一个数据点也是之前的预测负荷值，由此，模型通过不断移动窗口并预测下一个点，最后实现对整个时间序列负荷值的完全预测。
4.根据权利要求1所述的一种基于神经网络预测的配电网光伏消纳能力评估方法，其特征在于，所述步骤S2中光伏消纳能力评估模型包括目标函数和约束条件，所述目标函数以最大化整体配电网接入的光伏量作为目标；
所述约束条件包括配电网运行约束、考虑输出功率转移分布的运行约束。
5.根据权利要求4所述的一种基于神经网络预测的配电网光伏消纳能力评估方法，其特征在于，所述目标函数具体为：
Figure FDA0003927794080000021
其中，Npv为配电网系统中接入的光伏节点总数，假设所有节点均可有条件接入分布式光伏，则Npv＝N，即系统节点总数，PVi,t为第个节点时刻的接入光伏量，为光伏接入的总时间，P为配电网各节点分布式光伏一天接入量之和。
6.根据权利要求4所述的一种基于神经网络预测的配电网光伏消纳能力评估方法，其特征在于，所述配电网运行约束包括配电网三相潮流约束和节点安全电压约束，所述节点电压安全约束包括节点间电压平衡约束以及节点稳态电压约束。
7.根据权利要求6所述的一种基于神经网络预测的配电网光伏消纳能力评估方法，其特征在于，所述配电网三相潮流约束具体为：
Figure FDA0003927794080000022
Figure FDA0003927794080000023
其中，Pi,t，Pi+1,t，Qi,t,Qi+1,t为流过节点i和i+1的t时刻有功与无功功率，PLi,t,PVi,t分别为节点i处t时刻的负荷与光伏有功出力，QLi,t为节点i在t时刻的无功负荷，节点i-1和i间线路的电阻和电抗值分别以Ri,Xi表示。
8.根据权利要求7所述的一种基于神经网络预测的配电网光伏消纳能力评估方法，其特征在于，所述节点电压安全约束具体为：
Figure FDA0003927794080000024
Figure FDA0003927794080000025
其中，Ui,t为节点处时刻的电压值，Umax、Umin分别为节点电压允许最大、最小值。
9.根据权利要求8所述的一种基于神经网络预测的配电网光伏消纳能力评估方法，其特征在于，所述考虑输出功率转移分布的运行约束具体为：
Figure FDA0003927794080000026
其中，Pl,min,Pl,max为线路l潮流的上下限,Gl,i为光伏发电机i在线路l上的输出功率转移因子，即表示节点i的光伏出力对线路l产生的影响，假设节点i的光伏出力变化为ΔPi时将引起线路l产生ΔPl,i的有功功率变化，则：
Figure FDA0003927794080000031
其中，a,b为连接线路l的两端节点，Bai,Bbi为配电网电纳矩阵第ai和bi元素，Xl为线路l的电抗参数，由此，Gl,i描述了光伏设备在节点i的出力改变一个单位量时线路l的潮流变化量。
10.根据权利要求1所述的一种基于神经网络预测的配电网光伏消纳能力评估方法，其特征在于，所述步骤S4中光伏消纳能力上限具体为各时刻所有节点总接入量的最大值，所述光伏消纳能力下限具体为各时刻所有节点总接入量的最小值，所述光伏接入总量具体为所有时刻接入量的总和。
CN202211379634.3A 2022-11-04 2022-11-04 一种基于神经网络预测的配电网光伏消纳能力评估方法 Pending CN115579955A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211379634.3A CN115579955A (zh) 2022-11-04 2022-11-04 一种基于神经网络预测的配电网光伏消纳能力评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211379634.3A CN115579955A (zh) 2022-11-04 2022-11-04 一种基于神经网络预测的配电网光伏消纳能力评估方法

Publications (1)

Publication Number Publication Date
CN115579955A true CN115579955A (zh) 2023-01-06

Family

ID=84588607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211379634.3A Pending CN115579955A (zh) 2022-11-04 2022-11-04 一种基于神经网络预测的配电网光伏消纳能力评估方法

Country Status (1)

Country Link
CN (1) CN115579955A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117674304A (zh) * 2024-02-02 2024-03-08 国网山西省电力公司经济技术研究院 一种配电网分布式光伏消纳能力的评估方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117674304A (zh) * 2024-02-02 2024-03-08 国网山西省电力公司经济技术研究院 一种配电网分布式光伏消纳能力的评估方法
CN117674304B (zh) * 2024-02-02 2024-04-30 国网山西省电力公司经济技术研究院 一种配电网分布式光伏消纳能力的评估方法

Similar Documents

Publication Publication Date Title
Wang et al. Consensus control strategy of an inverter air conditioning group for renewable energy integration based on the demand response
CN109034587B (zh) 一种协调多种可控单元的主动配电系统优化调度方法
KR102589383B1 (ko) 마이크로그리드의 전력 수급 예측 장치 및 그 방법
Varzaneh et al. Optimal energy management for PV‐integrated residential systems including energy storage system
CN113807589B (zh) 基于模型预测的运营商储能的滚动优化方法及装置
Zhu et al. An Energy Storage Performance Improvement Model for Grid‐Connected Wind‐Solar Hybrid Energy Storage System
CN116365506A (zh) 含分布式光伏主动配电网节能降损优化方法及系统
CN115579955A (zh) 一种基于神经网络预测的配电网光伏消纳能力评估方法
CN115411777A (zh) 一种配电网灵活性评估及资源配置方法及系统
WO2017134045A1 (en) Common rank approximation in distribution grid probabilistic simulation
Liu et al. Short-term coordinated hybrid hydro-wind-solar optimal scheduling model considering multistage section restrictions
CN110752622B (zh) 一种配电网仿射状态估计方法
Zhang et al. Influence of distributed photovoltaic power generation on distribution network and the design of optimal access scheme
Dutta et al. Reducing the risk of cascading failure in active distribution networks using adaptive critic design
CN115473284A (zh) 区域电力交换约束下配电系统运行的鲁棒优化方法、系统及计算机设备
Das et al. Optimizing Microgrid Energy Management Systems with Variable Renewable Energy Penetration: Analysis of Data Loss Effects
CN113162049A (zh) 一种概率分布不确定条件下输配协同调度方法及系统
CN113240072A (zh) 一种用于直流微电网集群的基于深度学习的预测方法
Zhao et al. TransOS-ELM: A short-term photovoltaic power forecasting method based on transferred knowledge from similar days
Swide et al. Energy Demand Prediction Based on Deep Learning Techniques
CN116436020B (zh) 新能源上网汇集站的需求判定方法及系统
Xu RESEARCH ON SECURITY PROTECTION OF AUTOMATIC DISPATCHING FOR SMART GRID OPERATION CONTROL
Pindaro Controlling lithium-ion batteries through reinforcement learning
Li et al. Short-Term Load Forecasting of Energy Internet Based on Energy Consumption Structure
Karamta et al. Application of Neural Networks in Reliability Evaluation of Distribution Networks Integrated with Distributed Generation

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