CN115907385A - 一种考虑水光不确定性的源网储双层协同规划方法及装置 - Google Patents

Abstract

本发明公开了一种考虑水光不确定性的源网储双层协同规划方法及装置，包括通过对区域各日、季度和典型各水期的历史数据分析，构建水电径流的不确定性模型和光伏不确定性模型；基于得到的不确定性模型，构建包含配电网元素的源网协同多目标双层规划模型，其中上层作为规划方案的决策层，下层对各场景下的控制变量和决策变量进行调控；采用双层粒子群迭代求解方法，分别在上层和下层决定规划决策变量和运行策略。本发明在配电网规划中考虑了小水电的多时间尺度不确定性，提升了以水电作为支撑电压的配电网规划中的规划方案准确性、有效性，可以显著提升规划配电网的运行鲁棒性和可靠性。

Description

一种考虑水光不确定性的源网储双层协同规划方法及装置

技术领域

本发明涉及配电网技术领域，特别是一种考虑水光不确定性的源网储双层协同规划方法及装置。

背景技术

云南多为偏远山区，其负荷分散且密度低，电源布点少，配电网10kV线路普遍较长，末端低电压问题突出。分布式电源(distributed generation，DG) 由于具有小容量、就近消纳等优点，云南已经建设光伏电站两批共1430座，总装机容量296.88MW，具有一定的分布式光伏开发基础，具备解决目前云南配电网实际突出问题的潜力。

但是，目前的配电网规划中，只考虑了新能源及其不确定性，部分研究将储能作为规划内容，研究成果包括基于动态规划和遗传算法、差分进化、基于改进粒子群算法的配电网规划方法等，较少有研究考虑水电作为支撑性电源。云南地区存在较多的小水电站，由于区域内缺少常规电源，同时小水电自身呈季节性变化、多为径流式，会存在线路末端电压偏差过大，严重影响电压质量。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述和/或现有的配电网规划中存在的问题，提出了本发明。

因此，本发明所要解决的问题在于考虑水电作为支撑性电源。

为解决上述技术问题，本发明提供如下技术方案：

第一方面，本发明实施例提供了一种考虑水光不确定性的源网储双层协同规划方法，其包括，

通过对区域各日、季度和典型各水期的历史数据分析，构建水电径流的不确定性模型和光伏不确定性模型；

基于得到的不确定性模型，构建包含配电网元素的源网协同多目标双层规划模型，其中上层作为规划方案的决策层，下层对各场景下的控制变量和决策变量进行调控；

采用双层粒子群迭代求解方法，分别在上层和下层决定规划决策变量和运行策略。

作为本发明所述考虑水光不确定性的源网储双层协同规划方法的一种优选方案，其中：所述通过对区域各日、季度和典型各水期的历史数据分析，构建水电径流的不确定性模型和光伏不确定性模型包括，

采用P-III分布曲线构建水电站所在流域径流模型：

式中，α＝4/(S²)，

为样本平均值，C表示变差系数，S为偏态系数，Γ(·)表示伽马函数；

光伏的出力模型为：

其中，S_pv为光伏装机容量，η为光电转换系数，A_t为t时刻日照辐射强度， A_s为额定光照辐射强度，α_t为功率温度系数，T^s为标称测试温度，T^m为实际测试温度。

作为本发明所述考虑水光不确定性的源网储双层协同规划方法的一种优选方案，其中：所述源网协同多目标双层规划模型的上层以经济性作为主要规划目标，综合考虑建设阶段和运行阶段的各项成本：

minF₁＝C_con+C_oper+C_es+C_Buy+C_loss-C_DG

其中，C_con为规划方案建设阶段的总费用，C_oper为运行阶段每年的运维费用， C_es为储能的折旧成本，C_Buy代表为了维持区域内功率平衡而向上级电网购电的成本，C_loss为运行阶段的网损费用，C_DG为新能源发电上网的补贴费用；

建设成本为：

其中，r表示再贴现率，代表建设投入所产生的利率费用；n表示规划年限； N_line，N_pv和N_es分别表示决策的新建线路、分布式光伏和储能的数目；c_line表示单位长度线路的投资成本，c_pv和c_es分别为分布式光伏和储能的单位容量建设投资成本；L_liue为在i支路建设的线路长度，P_PVi和P_esi分别为在i节点安装光伏和储能的容量；

运行成本为：

其中，N_s表示采纳的随机场景数目；t_s表示场景内的时段总数；N_load表示负荷数目；P_Hi,t,s，P_PVi,t,s，P_esi,t,s分别为在s场景t时刻i节点处水电、光伏和储能的出力，τ_H,τ_pv和τ_es分别为水电、光伏和储能的单位发电运行成本；d_t为一年内每个场景的天数。

作为本发明所述考虑水光不确定性的源网储双层协同规划方法的一种优选方案，其中：所述源网协同多目标双层规划模型的上层约束包括，

分布式光伏安装节点限制：κ_PVi∈Ω_PV；

储能安装节点限制：κ_ESi∈Ω_ES；

储能数目限制：

其中，κ_PVi、Ω_PV为备选分布式电源接入点位置集合，根据实际地理位置信息、负荷需求、政策要求等提前决定，

为允许安装的分布式光伏最大数目，

为区域内分布式光伏的最大承载容量，

为允许安装的储能最大数目。

作为本发明所述考虑水光不确定性的源网储双层协同规划方法的一种优选方案，其中：所述源网协同多目标双层规划模型的下层模型为：

其中，V_p.u.为电压的额定幅值。

作为本发明所述考虑水光不确定性的源网储双层协同规划方法的一种优选方案，其中：所述源网协同多目标双层规划模型的下层约束包括水电站出力约束、水电站发电上下限约束、发电流量上下限约束、水量平衡约束、水库库存上下限约束、弃水量上下限约束、分布式光伏出力约束、配电网潮流平衡方程约束、变电站容量约束、储能充放爬坡约束、储能状态约束、节点电压约束和支路中长期热极限约束。

作为本发明所述考虑水光不确定性的源网储双层协同规划方法的一种优选方案，其中：所述采用双层粒子群迭代求解方法，分别在上层和下层决定规划决策变量和运行策略包括，

根据上层决策计算系统潮流状态，判断是否存在下层运行约束越限，若满足所有约束条件，则直接计算下层适应度，否则为越限项增加惩罚项，使得目标函数增大；

进行二进制交叉和多项式变异，更新下层种群位置，计算下层种群适应度；

重复执行上述步骤直到满足下层迭代终止条件，输出下层运行信息给上层模型；

计算上层种群适应度，更新种群速度和位置信息，计算适应度；

重复执行上述步骤直到满足上层迭代终止条件，输出上层决策方案。

第二方面，本发明实施例提供了一种考虑水光不确定性的源网储双层协同规划系统，其包括：

水光耦合模块，用于通过对区域各日、季度和典型各水期的历史数据分析，构建水电径流的不确定性模型和光伏不确定性模型；

双层规划模块，用于基于得到的不确定性模型，构建包含配电网元素的源网协同多目标双层规划模型，其中上层作为规划方案的决策层，下层对各场景下的控制变量和决策变量进行调控；

计算模块，用于采用双层粒子群迭代求解方法，分别在上层和下层决定规划决策变量和运行策略。

第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述方法的任一步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述方法的任一步骤。

本发明有益效果为：在配电网规划中考虑了小水电的多时间尺度不确定性，提升了以水电作为支撑电压的配电网规划中的规划方案准确性、有效性，可以显著提升规划配电网的运行鲁棒性和可靠性。

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简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为考虑水光不确定性的源网储双层协同规划方法的流程图。

图2为水电、光伏不确定性耦合关系图。

图3为一日中不同天气下光伏电站的出力曲线示意图。

图4为分布式电源出力按季度给出典型日曲线示意图。

图5为云南某村小水电单元可用水能(MW)服从P-III分布曲线频率图。

图6为云南某村光伏单元可用太阳能(MW)服从lognormal分布曲线频率图。

图7为水电与光伏月电量互补特性曲线示意图。

图8为太阳能光伏和小水电机组的总有功出力。

图9为云南某示范区的线路拓扑结构示意图。

图10～11为系统各个节点的最大负荷值和分布式能源安装情况示意图。

图12为典型日负荷曲线。

图13～14为分布式电源接入对网损的影响示意图。

图15为分布式电源接入系统总的有功和无功影响示意图。

图16为一天中负荷的典型时段(10-12时，18-20时)，分布式电源对节点电压的影响示意图。

图17为有无分布式电源接入下系统电压曲线示意图。

图18为分布式电源的无功出力对节点电压的支撑作用示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1和图2，为本发明第一个实施例，该实施例提供了一种考虑水光不确定性的源网储双层协同规划方法，包括：

S100：通过对区域各日、季度和典型各水期的历史数据分析，构建水电径流的不确定性模型和光伏不确定性模型。

应说明的是，水电出力具有明显的季节性变化特性，一般来说，汛期(夏季)水电出力较为充足，枯水期(冬季)入库径流小，水电站出力也整体偏小。

光伏发电出力兼具中长时间尺度的季节不确定性与短时间尺度的波动性和随机性。一般来说，光伏在晴天的出力曲线较为固定，随着一年四季的光照强度变化发生幅值变化。光伏发电的发电主要受制于日照强度和日照时间，而水力发电的受制条件为水库的来水量和水库容量。光伏发电与水力发电的互补性在于当雨季来临时，光伏的日照强度和日照时间大幅降低，而雨季则可以增加水库的水量，因此光伏发电与水力发电可以在时间上互补。除此之外，光伏发电受制于日照的限制，而水能则不会受制于日照影响。因此在无日照时，水力发电可以弥补光伏发电的不足。为此，根据实际不确定性时间尺度和出力变化特性，光伏发电与水力发电的互补开发、综合利用大幅提升光伏和水电的综合效益。水电具备较强的调节能力，能够快速应对大规模风光发电的波动，确保高比例风光并网电力系统安全运行。

在水电站和光伏电站受季节和天气共同影响前提下，在季节上可将全年划分为春季、夏季、秋季和冬季进行季节组合。天气气象特征可分为晴天、阴天、雨天天气组合，提出了如图2所示的水电、光伏不确定性耦合关系。依托该模型和历史季节变化、天气数据，可以有效生成考虑不确定性耦合的典型不确定性场景。

应说明的是，水电不确定性受到水电站水头、入库流量等因素影响，也具有一定的随机特性。因此，采用P-III分布曲线构建水电站所在流域径流模型：

式中，α＝4/(S²)，

为样本平均值，C表示变差系数，S为偏态系数，Γ(·)表示伽马函数。

其中，n为样本总数，小水力装置的功率输出取决于径流模型f_w(x)和有效压力头H_w。

小水电机组的输出功率可以表示为：

P_H(f_w)＝ηρgf_wH_w                        (4)

式中，η为涡轮发电机功率效率，ρ为水密度，g为重力加速度。计算水力发电时考虑的这些参数值为：η＝0.85、ρ＝1000kg/m³、g＝9.81m/s²、H_w＝25m。

应说明的是，光伏出力受到太阳能辐射强度、稳定、湿度等因素影响，可以得到光伏的出力模型：

式中，S_pv为光伏装机容量，η为光电转换系数，A_t为t时刻日照辐射强度， A_s为额定光照辐射强度，α_t为功率温度系数，T^s为标称测试温度，T^m为实际测试温度。其中的不确定性主要影响因素为太阳能辐射量。

S200：基于得到的不确定性模型，构建包含配电网元素的源网协同多目标双层规划模型，其中上层作为规划方案的决策层，下层对各场景下的控制变量和决策变量进行调控。

应说明的是，针对云南配电网中存在较为突出的低电压问题、网损过大问题，并考虑投资经济性和电网运行安全性，建立了包含水电、分布式光伏、储能等配电网元素的源网协同多目标双层规划模型。在模型上层考虑规划方案的经济性和安全性，作为规划方案的决策层，对分布式光伏、储能等进行选址定容决策；在下层考虑运行阶段的电压、网损指标，对各场景下的储能充放策略、水电出力等控制变量进行调控，并对接入容量等决策变量进行调整。通过上下两层交互，实现多目标协同规划方案。

在双层规划模型中，上层以经济性作为主要规划目标，综合考虑了建设阶段、运行阶段的各项成本，具体如下：

min F₁＝C_con+C_oper+C_es+C_Buy+C_loss-C_DG              (6)

式中，C_con为规划方案建设阶段的总费用，C_oper为运行阶段每年的运维费用， C_es为储能的折旧成本，C_Buy代表为了维持区域内功率平衡而向上级电网购电的成本，C_loss为运行阶段的网损费用，C_DG为新能源发电上网的补贴费用。

建设成本为：

式中，r表示再贴现率，代表建设投入所产生的利率费用；n表示规划年限； N_line，N_pv和N_es分别表示决策的新建线路、分布式光伏和储能的数目；c_line表示单位长度线路的投资成本，c_pv和c_es分别为分布式光伏和储能的单位容量建设投资成本；L_liue为在i支路建设的线路长度，P_PVi和P_esi分别为在i节点安装光伏和储能的容量。

运行成本为：

式中，N_s表示采纳的随机场景数目；t_s表示场景内的时段总数；N_load表示负荷数目；P_Hi,t,s，P_PVi,t,s，P_esi,t,s分别为在s场景t时刻i节点处水电、光伏和储能的出力，τ_H,τ_pv和τ_es分别为水电、光伏和储能的单位发电运行成本；d_t为一年内每个场景的天数。

储能折旧费用为：

式中，

为储能单位充放功率的折旧成本。

上级电网购电成本为：

式中，P_subi,t,s为在s场景t时刻i上级电网连接点处本地系统从上级电网的购电功率；ξ_t为t时刻的购电价格。

新能源补贴收益为：

式中，c_b,pv为光伏发电的单位功率政府补贴费用。

年网损费用为：

式中，c_loss为单位网损功率的损耗费用；P_Loss,t,s为s场景t时刻配电系统的总有功网损值。

应说明的是，在双层规划模型中，上层约束包括：

分布式光伏安装节点限制：

κ_PVi∈Ω_PV         (13)

式中，κ_PVi、Ω_PV为备选分布式电源接入点位置集合，根据实际地理位置信息、负荷需求、政策要求等提前决定。

分布式光伏数目限制：

式中，

为允许安装的分布式光伏最大数目。

分布式电源安装容量限制：

式中，

为区域内分布式光伏的最大承载容量。

储能安装节点限制：

κ_ESi∈Ω_ES                             (16)

式中，κ_ESi、Ω_ES为备选储能接入点位置集合，根据实际地理位置信息、负荷需求、环保要求等提前决定。

储能数目限制：

式中，

为允许安装的储能最大数目。

分布式电源安装容量限制：

式中，γ为配置储能的最低政策要求比例系数。

应说明的是，在双层规划模型中，下层模型的目标函数为：

式中，V_p.u.为电压的额定幅值。

应说明的是，在双层规划模型中，下层约束包括：

水电站出力约束：

P_Hi,t,s＝ρ_iq_i,t,sH_i,s                     (20)

式中，P_Hi,t,s为在s场景t时刻i水电站处水电出力,ρ_i为第i个水电站的出力系数，q_i,t,s为在s场景t时刻i水电站的发电流量，H_i,s为s场景下i水电站的水头。

水电站发电上下限约束：

式中，

分别为水电站i发电出力的最小值和最大值。

发电流量上下限约束：

式中，

分别为水电站i发电流量的最小值和最大值。

水量平衡约束(在一段时间内，水量存在平衡关系，即上游来水量减去发电用水量和弃水量为水库的水位波动量)：

式中，S_Hi,t,s为s场景t时刻i水电站的库容，I_Hi,t,s为s场景t时刻i水电站的入库径流量，

为s场景t时刻i水电站的弃水量。

水库库容上下限约束：

式中，

分别为i水电站库容量的最小值和最大值。

弃水量上下限约束：

式中，

分别为i水电站弃水量最小值和最大值。

分布式光伏出力约束(光伏有功出力与实际光照强度和负荷需求有关，无功出力与逆变器容量和有功出力相关)：

式中，S_PVi为i节点逆变器的总容量，一般是额定功率P_PVi,max的1.1倍，Q_PVi,t,s为分布式光伏的无功功率值。

配电网潮流平衡方程约束：

式中，P_Li,t,s,Q_Li,t,s为节点i所接负荷在场景s的t时刻的有功功率和无功功率值；V_i,t,s为s场景t时刻i节点的母线电压幅值；θ_ij,t,s为s场景t时刻i节点电压相角，θ_ij,t,s＝θ_i,t,s-θ_j,t,s；G_ij,B_ij分别为节点i和节点j之间线路的等效电导和电纳。

变电站容量约束：

式中，

分别为变电站i的有功和无功容量上下限约束， N_Sub为变电站节点数目。

储能充放爬坡约束：

式中，

为i节点储能的充电和放电的有功和无功功率最大单位输出功率值。

储能状态约束：

SOC^min·P_esi≤E_i,t,s≤SOC^max·P_esi i∈{1,2,...,N_ES}           (30)

式中，SOC^min,SOC^max分别为储能运行时允许的最小和最大荷电状态，单位为百分比；E_i,t,s为s场景t时刻i节点储能的剩余电量值值。

节点电压约束：

V_i ^min≤V_i,t,s≤V_i ^max i∈{1,2,...,N_B}             (31)

式中，V_i ^min,V_i ^max为节点i电压幅值的上下限。

支路中长期热极限约束：

式中，

为支路l中长期运行的最大容量极限值。

S300：采用双层粒子群迭代求解方法，分别在上层和下层决定规划决策变量和运行策略，具体包括：

S301：输入配电系统数据，设置双层粒子群方法初始参数，包括种群规模、迭代次数等。

S302：建立上层规划模型，初始化上层种群。

S303：根据历史数据和水电、光伏不确定性耦合关系，生成不确定性耦合的随机出力场景集。

S304：建立下层规划模型，初始化下层种群。

S305：根据上层决策计算系统潮流状态，判断是否存在下层运行约束越限。若满足所有约束条件，则直接计算下层适应度；否则为越限项增加惩罚项，使得目标函数增大。

S306：进行二进制交叉和多项式变异，更新下层种群位置，计算下层种群适应度。

S307：重复执行步骤S305和步骤S306直到满足下层迭代终止条件，输出下层运行信息给上层模型。

S308：计算上层种群适应度，更新种群速度和位置信息，计算适应度。

S309：重复执行步骤S305～步骤S308直到满足上层迭代终止条件，输出上层决策方案。

其中二进制变量可以通过式(33)和(34)确定，整形变量通过(35)和(36)确定。

X^k+1＝round(X^k+V^k+1)                   (4)

为了引入变异，可以通过以下二进制交叉(37)(38)和多项式变异(39)实现。

其中，u_j∈(0,1)是一个随机数。

进一步的，本实施例还提供一种考虑水光不确定性的源网储双层协同规划系统，包括：

水光耦合模块，用于通过对区域各日、季度和典型各水期的历史数据分析，构建水电径流的不确定性模型和光伏不确定性模型；

双层规划模块，用于基于得到的不确定性模型，构建包含配电网元素的源网协同多目标双层规划模型，其中上层作为规划方案的决策层，下层对各场景下的控制变量和决策变量进行调控；

计算模块，用于采用双层粒子群迭代求解方法，分别在上层和下层决定规划决策变量和运行策略。

本实施例还提供一种计算机设备，适用于考虑水光不确定性的源网储双层协同规划方法的情况，包括：

存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的考虑水光不确定性的源网储双层协同规划方法。

该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现考虑水光不确定性的源网储双层协同规划方法。

本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

实施例2

参照图2～18，为本发明第二个实施例，该实施例提供了一种考虑水光不确定性的源网储双层协同规划方法，为了验证本发明的有益效果，通过对云南某区域各日、季度和典型各水期的历史数据分析，可以得到水电径流的不确定性模型和光伏不确定性模型。

光伏电站标准化典型出力如图3和图4所示。图中横坐标表示典型日的时间，纵坐标表示该地区光伏电站装机容量下在典型日的典型功率输出。

在云南某地，所选择的水力发电机组的额定功率大于根据随机河流流量计算出的可用水力发电功率。图5表示云南某地水电机组可用水电的小图；上图为该地实际历史数据频率图，下图为拟合的P-III分图，可以看到两个图相同，说明对于水电出力模型拟合的准确性。

太阳能发电机现场和连接到该点发电机的可用太阳能功率由图6中的直方图表示。水电与新能源月电量相关系数为-0.67左右，呈高度负相关，如图7所示，说明水电与新能源丰、枯期发电量具有很好的互补关系特性，即中小水电发电丰枯比(66％：34％)与新能源发电丰枯比(30％：70％)互补性较好。水光互补系统联合出力由水电站负荷曲线和光伏电站出力过程组成。在该点处，将水电和光伏两个单元的功率相加，集体随机功率输出如图8直方图所示。

进一步的，本实施例使用云南地区场景10kV典型算例结构图，如图9所示。网架结构均为辐射状，总体负荷值较低，且呈现白天低谷、晚上高峰的居民负荷特点。

其中，10kV配电网保留3条馈线，主要考虑多条馈线间的相互影响。线路Ⅱ和线路Ⅲ互为联络，且均有电源接入，共有51个节点，18个DG接入点。馈线Ⅰ凸显户式光伏接入特点，接入电压等级为380V/220V，户用光伏总装机容量1200kW；馈线Ⅱ凸显小水电接入特点，在节点33、35和39这3处接入小水电，接入电压等级为10kV，总装机容量为500kW；馈线Ⅲ凸显集体光伏接入特点，在节点49、50和51这3处接入集体式光伏，接入电压等级为10kV，总装机容量为1500kW，具体容量信息如图10所示。在节点11、33和47处为农业负荷，其他节点为居民负荷，负荷的日变化曲线如图11所示。

水电机组的具体特性参数如表1所示。

表1水电站的主要参数

云南省一年四季如春，但在夏季和冬季，水流量变化明显，为简化典型情景，仅将季节划分为冬季(即1月、2月、3月、4月、10月、11月和12月) 和夏季(即5月、6月、7月、8月和9月)进行考虑。根据研究区近3年不同季节、不同天气的历史数据，分为5种情况(夏季的晴天、夏季的阴天、夏季的雨天、冬季的晴天、冬季的阴天)进行情景设置，将季节和天气进行径流组合。分析各天气情景的发生频率，如表2所示。

表2天气情况及其概率

其余参数设置如下：规划周期内，系统负荷增长为初始值的2倍。升级线路的型号为LGJ-240，单位阻抗为0.107+j0.405Ω/km；线损成本为0.4元/kW〃h；向上级电网购电成本0.4元/kW〃h；居民负荷节点为可调节负荷，负荷调节系数的取值范围为0.85～1，调节成本为1元/kW〃h；双层PSO算法参数设置：种群规模100，惯性系数取0.8，三个学习因子分别设置为1.5、1.5、0.5。

由于上层的决策变量为DG和选址定容，为降低搜索空间，提高收敛速度，首先对系统进行有功和无功接入测试。图13～15分别为有功和无功接入节点时，该示范区算例51节点系统的在一天内各个时段以及总网损情况。

根据负荷曲线(图12)可以看出，一天中存在两个负荷高峰(10-12时和 18-20时)，因此在该10kV中压农村配电网为例进行算例测试分析。如图16 所示，选取两个负荷高峰时段，观察有无分布式电源和储能的协同作用下，对每个节点电压的影响情况。可以看到，在考虑分布式电源和储能的情况下，对末端节点的电压抬升效果明显。

以10kV中压农村配电网为例进行算例测试分析。其中，负荷功率因数取 0.98，光伏出力水平取第一季度典型日运行数据，以12点负荷光伏数据为例，有无分布式电源情况下系统的节点电压水平如图17所示。当分布式电源未接入系统时，各节点电压值与标幺值1.0的偏差为0.5694p.u.，而当分布式电源提供支持后，系统的电压偏差降低为0.2319p.u.，电压偏差降低59.27％。此外，当分布式电源为系统提供无功支撑时，节点的电压也会有明显的提升。如图18所示，当分布式电源的功率因数为1.0时，其无功出力为0，系统的电压偏低；当功率因数为0.95时，接入分布式电源周围的节点电压有明显的抬升，且作用明显。但当功率因数为0.9时，各节点的电压虽有提高，但提高效果不显著。因此分布式电源的功率因数应维持在0.95～1.0之间，当系统电压较低时，分布式电源调整功率因数为0.95，为系统提供无功支撑。

综上所述，通过配置分布式电源可以为末端配电网提供无功支撑，缓解系统无功不足的问题，对电网电压有一定的抬升作用，避免因为线路超长、负载过大导致的低电压等问题，但是大量不合理的接入有可能导致过电压风险。

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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种考虑水光不确定性的源网储双层协同规划方法，其特征在于：包括，

通过对区域各日、季度和典型各水期的历史数据分析，构建水电径流的不确定性模型和光伏不确定性模型；

基于得到的不确定性模型，构建包含配电网元素的源网协同多目标双层规划模型，其中上层作为规划方案的决策层，下层对各场景下的控制变量和决策变量进行调控；

采用双层粒子群迭代求解方法，分别在上层和下层决定规划决策变量和运行策略。

2.如权利要求1所述的考虑水光不确定性的源网储双层协同规划方法，其特征在于：所述通过对区域各日、季度和典型各水期的历史数据分析，构建水电径流的不确定性模型和光伏不确定性模型包括，

采用P-III分布曲线构建水电站所在流域径流模型：

式中，α＝4/(S²)，

为样本平均值，C表示变差系数，S为偏态系数，Γ(·)表示伽马函数；

光伏的出力模型为：

其中，S_pv为光伏装机容量，η为光电转换系数，A_t为t时刻日照辐射强度，A_s为额定光照辐射强度，α_t为功率温度系数，T^s为标称测试温度，T^m为实际测试温度。

3.如权利要求2所述的考虑水光不确定性的源网储双层协同规划方法，其特征在于：所述源网协同多目标双层规划模型的上层以经济性作为主要规划目标，综合考虑建设阶段和运行阶段的各项成本：

minF₁＝C_con+C_oper+C_es+C_Buy+C_loss-C_DG

其中，C_con为规划方案建设阶段的总费用，C_oper为运行阶段每年的运维费用，C_es为储能的折旧成本，C_Buy代表为了维持区域内功率平衡而向上级电网购电的成本，C_loss为运行阶段的网损费用，C_DG为新能源发电上网的补贴费用；

建设成本为：

其中，r表示再贴现率，代表建设投入所产生的利率费用；n表示规划年限；N_line，N_pv和N_es分别表示决策的新建线路、分布式光伏和储能的数目；c_line表示单位长度线路的投资成本，c_pv和c_es分别为分布式光伏和储能的单位容量建设投资成本；L_liue为在i支路建设的线路长度，P_PVi和P_esi分别为在i节点安装光伏和储能的容量；

运行成本为：

其中，N_s表示采纳的随机场景数目；t_s表示场景内的时段总数；N_load表示负荷数目；P_Hi,t,s，P_PVi,t,s，P_esi,t,s分别为在s场景t时刻i节点处水电、光伏和储能的出力，τ_H,τ_pv和τ_es分别为水电、光伏和储能的单位发电运行成本；d_t为一年内每个场景的天数。

4.如权利要求3所述的考虑水光不确定性的源网储双层协同规划方法，其特征在于：所述源网协同多目标双层规划模型的上层约束包括，

分布式光伏安装节点限制：κ_PVi∈Ω_PV；

分布式光伏数目限制：

分布式电源安装容量限制：

储能安装节点限制：κ_ESi∈Ω_ES；

储能数目限制：

其中，κ_PVi、Ω_PV为备选分布式电源接入点位置集合，根据实际地理位置信息、负荷需求、政策要求等提前决定，

为允许安装的分布式光伏最大数目，

为区域内分布式光伏的最大承载容量，

为允许安装的储能最大数目。

5.如权利要求4所述的考虑水光不确定性的源网储双层协同规划方法，其特征在于：所述源网协同多目标双层规划模型的下层模型为：

其中，V_p.u.为电压的额定幅值。

6.如权利要求5所述的考虑水光不确定性的源网储双层协同规划方法，其特征在于：所述源网协同多目标双层规划模型的下层约束包括水电站出力约束、水电站发电上下限约束、发电流量上下限约束、水量平衡约束、水库库存上下限约束、弃水量上下限约束、分布式光伏出力约束、配电网潮流平衡方程约束、变电站容量约束、储能充放爬坡约束、储能状态约束、节点电压约束和支路中长期热极限约束。

7.如权利要求6所述的考虑水光不确定性的源网储双层协同规划方法，其特征在于：所述采用双层粒子群迭代求解方法，分别在上层和下层决定规划决策变量和运行策略包括，

根据上层决策计算系统潮流状态，判断是否存在下层运行约束越限，若满足所有约束条件，则直接计算下层适应度，否则为越限项增加惩罚项，使得目标函数增大；

进行二进制交叉和多项式变异，更新下层种群位置，计算下层种群适应度；

重复执行上述步骤直到满足下层迭代终止条件，输出下层运行信息给上层模型；

计算上层种群适应度，更新种群速度和位置信息，计算适应度；

重复执行上述步骤直到满足上层迭代终止条件，输出上层决策方案。

8.一种考虑水光不确定性的源网储双层协同规划系统，基于权利要求1～7所述的考虑水光不确定性的源网储双层协同规划方法，其特征在于：包括，

水光耦合模块，用于通过对区域各日、季度和典型各水期的历史数据分析，构建水电径流的不确定性模型和光伏不确定性模型；

双层规划模块，用于基于得到的不确定性模型，构建包含配电网元素的源网协同多目标双层规划模型，其中上层作为规划方案的决策层，下层对各场景下的控制变量和决策变量进行调控；

计算模块，用于采用双层粒子群迭代求解方法，分别在上层和下层决定规划决策变量和运行策略。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述方法的步骤。

10.一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：所述计算机程序被处理器执行时实现权利要求1～7任一所述方法的步骤。

Images