CN115994631A - 一种基于韧性提升的配电网容量规划方法及系统 - Google Patents
一种基于韧性提升的配电网容量规划方法及系统 Download PDFInfo
- Publication number
- CN115994631A CN115994631A CN202310293149.2A CN202310293149A CN115994631A CN 115994631 A CN115994631 A CN 115994631A CN 202310293149 A CN202310293149 A CN 202310293149A CN 115994631 A CN115994631 A CN 115994631A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- energy storage
- toughness
- capacity
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000006872 improvement Effects 0.000 title claims abstract description 17
- 238000004146 energy storage Methods 0.000 claims abstract description 118
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000012546 transfer Methods 0.000 claims abstract description 32
- 239000002245 particle Substances 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 6
- 239000000243 solution Substances 0.000 description 37
- 230000006870 function Effects 0.000 description 13
- 238000009434 installation Methods 0.000 description 5
- 230000035699 permeability Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了一种基于韧性提升的配电网容量规划方法及系统,属于电力系统容量规划技术领域,解决了现有的储能规划中缺少对其他严重场景的研究,造成其他严重场景下的韧性不足问题,本发明方法包括:获取目标配电网的基本信息并基于目标配电网的基本信息建立配电网典型故障场景及构建配电网韧性指标;基于配电网典型故障场景考虑转供前后配电网的不同运行状态,以韧性指标最优为目标,兼顾储能配置容量最小化,建立两阶段储能优化配置模型;求解,得到储能最优的接入点和接入容量。本发明考虑了其他严重场景,并且在配置中考虑了转供前后电网对储能的需求,保障重要负荷的不间断供电,能够提升配电网的韧性。
Description
技术领域
本发明属于电力系统容量规划技术领域,尤其涉及一种基于韧性提升的配电网容量规划方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
冰雪、台风、暴雨等极端自然灾害频繁发生,给电力系统的安全稳定运行带来很大挑战。为应对极端灾害下可能出现的复杂故障对电网造成的影响,电力系统引入了韧性的概念,即针对小概率-高损失极端事件的预防、抵御以及快速恢复的能力。考虑到灾前、灾中以及灾后电网运行状态和韧性提升需求,以储能为代表的灵活性资源的调控作用愈发突出,因此,为提高配电网的韧性,有必要对储能的接入点与接入容量进行优化配置规划。
目前针对电网韧性的研究受到了广泛关注,主要集中在两个方面:韧性评估方法与韧性提升措施。在韧性评估方面,考虑电网的实际运行状态,基于韧性曲线特性,构建评估指标。常用的指标为负荷类指标,但是失负荷总量指标往往不能反映重要负荷的失负荷状况,加权失负荷量指标可以反映重要负荷的状态,但主观权重的设置存在一定的遮蔽作用,特殊情况下指标良好但存在较重要负荷丢失较多的现象。
储能具有四象限可调节能力,既可以维持孤岛运行状态下的电压频率稳定,又可以在电网遇到扰动时起到良好的调节作用,具有良好的性能。在韧性提升措施方面,除了进行植被管理、设施加固以外,储能的合理配置也愈发重要。目前的储能规划存在的问题主要包括:
1、现有的储能规划研究往往基于故障场景进行,一些研究所采用的模型往往只针对最严重的故障场景,缺少对其他严重场景的适用度研究,可能造成其他严重场景下的韧性不足问题。
2、考虑规划层配置的诸多因素,配电网韧性提升通常为多目标优化模型,传统的求解方法通常赋予多目标一定的主观权重,但是设置的主观权重与目标量级之间的差异可能会影响最终的均衡解。
3、此外,现在常采用的DAD规划模型为三层模型,求解较为复杂。对于规划层储能的配置研究,往往缺少对转供供电等负荷恢复措施的考虑,实际上,由于新能源的存在,转供供电后的电网仍需储能进行调控,以维持电网的安全约束以及韧性需求。
发明内容
为克服上述现有技术的不足,本发明提供了一种基于韧性提升的配电网容量规划方法,可以提升配电网韧性。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
第一方面,公开了一种基于韧性提升的配电网容量规划方法,包括:
获取目标配电网的基本信息并基于目标配电网的基本信息建立配电网典型故障场景及构建配电网韧性指标;
基于配电网典型故障场景考虑转供前后配电网的不同运行状态,以韧性指标最优为目标,兼顾储能配置容量最小化,以储能的接入点、接入容量以及联络开关的状态为变量,建立两阶段储能优化配置模型;
通过两阶段间储能接入点、接入容量以及影响因子的传递,迭代求解,得到储能最优的接入点和接入容量。
作为进一步的技术方案,获取的目标配电网的基本信息包括:
通过调度中心获取目标电网的拓扑结构、典型日负荷曲线、分布式光伏接入点及容量、联络开关位置信息;
通过场站历史数据获取分布式光伏出力特性曲线。
作为进一步的技术方案,建立配电网典型故障场景,具体步骤包括:
将配电网的故障设定为单重故障和双重故障,构建每种故障下的场景标签;
基于目标配电网的基本信息得到光伏出力和负荷的时序特性,根据得到的光伏出力和负荷的时序特性生成每个场景标签下的不同运行场景;
采用聚类方法对每个场景标签下的不同运行场景进行场景削减;
进行场景削减后,基于加权失负荷量最大指标筛选场景标签下的配电网典型故障场景。
作为进一步的技术方案,构建配电网韧性指标时,综合考虑总体负荷与重要负荷的失负荷状况,结合韧性曲线,得到配电网韧性指标。
作为进一步的技术方案,建立两阶段储能优化配置模型,具体包括:
考虑转供前配电网的运行状态,以韧性指标最优和储能配置容量最小化为目标,以储能的接入点、接入容量为决策变量,建立第一阶段储能优化配置模型;
考虑转供后配电网的运行状态,以韧性指标最优和储能配置容量最小化为目标,以储能的接入容量以及联络开关的状态为决策变量,建立第二阶段储能优化配置模型。
作为进一步的技术方案,转供前配电网的期望运行状态为:在储能与分布式光伏的作用下,故障停电区域保持孤岛运行,非故障区域保持安全运行;
转供后配电网的期望运行状态为:通过故障隔离与转供策略,电网呈现为辐射状运行,在储能与分布式光伏的作用下,保持安全运行。
作为进一步的技术方案,通过两阶段间储能接入点、接入容量以及影响因子的传递,迭代求解,得到储能最优的接入点和接入容量的具体流程为:
第一阶段求解的储能接入点和接入容量折衷解,传递给第二阶段,并作为第二阶段粒子群后Nmax维的位置下限;Nmax表示可安装储能的节点最大数目;
第二阶段的折衷解通过影响因子的形式对第一阶段的谈判破裂点进行调整。
第二方面,公开了一种基于配电网韧性提升的电力系统容量规划系统,包括:
场景及指标建立模块,被配置为:获取目标配电网的基本信息并基于目标配电网的基本信息建立配电网典型故障场景及构建配电网韧性指标;
模型建立模块,被配置为:基于配电网典型故障场景考虑转供前后配电网的不同运行状态,以韧性指标最优为目标,兼顾储能配置容量最小化,以储能的接入点、接入容量以及联络开关的状态为变量,建立两阶段储能优化配置模型;
求解模块,被配置为:通过两阶段间储能接入点、接入容量以及影响因子的传递,迭代求解,得到储能最优的接入点和接入容量。
以上一个或多个技术方案存在以下有益效果:
本发明技术方案构建了基于总体负荷与重要负荷失负荷状况的韧性指标,考虑配电网故障后的孤岛运行和拓扑重构建立两阶段多目标储能优化配置模型,并求解。本发明能实现配电网韧性的提升,又能实现储能容量配置的最小化。
本发明技术方案针对小概率大损失事件,采用枚举的方式构建场景标签,并在每种标签下生成场景,实现了对故障损失严重典型场景的有效筛选。
本发明技术方案构建指标时以负荷水平衡量配电网韧性,既考虑整体的失负荷状况,也考虑重要负荷的失负荷状况,兼顾失负荷时间,构建韧性指标,避免了常用方法中对重要负荷赋予更高权重产生的遮蔽现象,降低主权权重的影响。
本发明技术方案所建立的模型考虑转供前停电区域的孤岛运行以及通过转供供电实现拓扑重构,通过储能优化配置,实现了配电网在不同故障场景下的安全运行以及负荷的可靠供电,与电网实际的运行模式契合。
本发明技术方案采用多目标粒子群算法与纳什谈判求解多目标优化模型,并采用纳什谈判进行pareto解集的筛选,避免了传统多目标优化方法中设置主观权重与目标量级差异存在的影响,可以更加真实地反映各优化目标间的量级差异,从而较合适得到均衡解;采用两阶段间参数传递进行迭代求解的方式,既可以实现两阶段的最优,又可以实现整体的最优。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例子配电网韧性提升的两阶段储能多目标博弈优化配置方法的原理示意图;
图2为本发明实施例子故障场景下配电网的韧性曲线示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
参见附图1所示,本实施例公开了一种基于韧性提升的配电网容量规划方法,具体步骤包括:
步骤(1):获取目标电网的拓扑结构、典型日负荷曲线、分布式光伏接入点及容量、联络开关位置等信息,建立目标电网的基本模型,结合历史气象信息以及场站历史数据建立分布式光伏出力特性曲线;
步骤(2):考虑复杂故障,通过枚举构建故障场景标签,基于分布式光伏出力特性曲线和典型日负荷曲线,通过采样生成每个标签下的运行场景并采用聚类方法进行削减,基于加权失负荷量最大筛选各故障场景标签下的典型场景;
步骤(3):综合考虑总体负荷与重要负荷的失负荷状况,结合韧性曲线,建立配电网韧性指标,结合储能充放电特性,建立储能配置容量指标;
步骤(4):考虑转供前后配电网的不同运行状态,以韧性指标最优为目标,兼顾储能配置容量最小化,以储能的接入点、接入容量以及联络开关的状态为决策变量,建立两阶段储能优化配置模型;
步骤(5):采用多目标粒子群算法(MOPSO)对每个阶段的模型求解得到pareto解集,采用纳什谈判进行筛选,通过两阶段间储能接入点、接入容量以及影响因子的传递,迭代求解,最终得到储能最优的接入点和接入容量。
本实施例中,考虑储能的容量限制,两阶段规划的总时间尺度设置为3小时,其中第一阶段的时间尺度设置为15分钟。
本实施例中,步骤(1)中,确定该储能优化配置方法所应用的配电网,通过调度中心获取目标电网的拓扑结构、典型日负荷曲线、分布式光伏接入点及容量、联络开关位置等信息,通过历史气象信息以及场站历史数据建立分布式光伏出力特性曲线。
考虑极端冰雪天气具有明显的季节特征,本实施例采用冬春季的典型日负荷曲线。
考虑分布式光伏的灵活性资源作用,不考虑其脱网运行,考虑极端天气对光照强度的影响以及场站除雪除冰设备的运行,光伏处于低发状态,本实施例可设置为正常运行状态出力的50%,为表征一天内不同时间的出力状态,光伏出力模型通常采用Beta分布,可表示为:
其中,α、β表示Beta分布形状参数,与太阳光辐照度有关,其取值随光伏安装位置不同而有差异,函数(x)表示(x-1)!,R PV表示光伏最大输出功率,P PV表示当前光伏的输出功率,rmax表示最大辐照度,A表示太阳板面积,η PV表示光电转换效率。
本实施例中,步骤(2)中,典型故障场景建立的具体流程为:
S1、考虑配电网的复杂故障,并将其设定为单重故障和双重故障,对其遍历,通过枚举法构建每种故障下的场景标签。
具体地,单重故障为一条线路发生永久性故障,双重故障为两条线路发生永久性故障。
S2、根据分布式光伏出力特性和典型日负荷出力,通过蒙特卡洛采样方法,生成每个场景标签下的不同运行场景。
S3、采用k-means聚类方法进行场景削减。根据负荷和光伏的出力特性,确定聚类中心的数量并随机初始化,通过基于最小距离原则的样本分配以及聚类中心更新的迭代进行,使目标函数达到最小。
具体地,目标函数采用最小方差函数,函数定义如下:
其中,E表示所有样本的平均误差和,k表示聚类中心的数量,p表示每一个场景下的节点电压数据,可以表征该场景下电网的状态,c i表示第i个聚类中心,…,n表示样本数量。
S4、选定典型故障场景为:针对步骤S3中的各个聚类中心,基于加权失负荷量最大指标筛选场景标签下的典型场景。
具体地,加权失负荷量指标为不同负荷的加权值,可表征重要负荷的失负荷情况,具体表示为:
其中,H表示加权失负荷值,ω j表示第j个节点的负荷权重,表征负荷的重要程度,可以设置为1、0.1、0.01,P j表示第j个节点的失负荷量,n表示节点数量。
本实施例中,步骤(3)中,综合考虑总体负荷与重要负荷的失负荷状况,结合韧性曲线,建立配电网韧性指标。
具体地,韧性曲线如图2所示,用以模拟和衡量灾害中电网性能的变化情况,t0表示故障出现时刻,表示系统性能下降结束时刻,表示恢复开始时刻,t1表示完全恢复时刻,S0表示初始系统性能,S1表示最低系统性能,这里的系统性能可以选择总体负荷水平。综合考虑失负荷时间因素,选取图2中阴影面积为韧性指标,为突出重要负荷的状况,引入重要负荷最大失负荷比例,二者组合作为衡量配电网韧性的指标,表示为:
其中,R表示韧性指标,E表示数学期望,t表示时间,l R表示期望负荷曲线,l I表示故障场景下的负荷曲线,ΔL 1,max表示重要负荷的最大失负荷量,L 1,total表示重要负荷的总量。
具体地,重要负荷为一级负荷与二级负荷。
特别地,考虑多场景下的韧性指标,期望的表达式可表示为:
其中,Nm表示m重故障下的场景数量,λm表示m重故障韧性指标权重因子,特别地,m=2。
具体地,韧性指标权重因子可分别设置为λ1=0.6,λ2=0.4。
需要说明的是,本实施例中,从规划层面衡量韧性指标,设置t1与t0之间的时间间隔为3小时,实际韧性曲线与图2会有所区别。
本实施例中,步骤(3)中,结合储能充放电特性,建立储能配置容量指标,表示为:
在本实施例子中,所建立的两阶段储能优化配置模型,第一阶段为故障发生到转供供电前,决策变量为储能的接入点和接入容量,第二阶段为联络线转供供电以后,采用不完全转供方式,优先考虑重要负荷,决策变量为储能的接入容量和联络开关的状态,两阶段的目标函数均为韧性最优和储能配置容量最小。
其中,所建立的第一阶段储能优化配置模型,约束条件为功率平衡约束、节点电压上下限约束、线路容量约束、储能最大安装数量约束、节点最大安装容量约束、储能渗透率约束、储能出力与荷电状态约束、光伏出力约束、变电站注入功率约束;第二阶段储能优化配置模型,在第一阶段的约束条件基础上引入辐射状拓扑约束。
在本实施例中,步骤(4)中,考虑转供前配电网的运行状态,以韧性指标最优和储能配置容量最小,以储能的接入点、接入容量为决策变量,建立第一阶段储能优化配置模型。
具体地,转供前配电网的期望运行状态为:在储能与分布式光伏的作用下,故障停电区域保持孤岛运行,非故障区域保持安全运行。
具体地,目标函数为:
其中,R1表示第一阶段的韧性,C1 ESS表示第一阶段的储能配置容量。
具体地,约束条件为:
功率平衡约束:
节点电压上下限约束:
其中,U i,min与U i,max分别表示节点i的电压下限与上限。
线路容量约束:
储能最大安装数量约束:
其中,x i表示节点i是否配置储能,0表示不配置,1表示配置,N表示可配置储能的节点集,Nmax表示可安装储能的节点最大数目。
节点最大安装容量约束:
储能渗透率约束:
其中,ηESS表示电网中储能的渗透率,η ESS,max表示电网中的储能渗透率上限。
储能出力与荷电状态约束:
光伏出力约束:
变电站注入功率约束
特别地,故障停电区域与非故障区域均满足上述约束条件。
本实施例中,步骤(4)中,考虑转供后配电网的运行状态,以韧性指标最优和储能容量配置最小化为目标,以储能的接入容量以及联络开关的状态为决策变量,建立第二阶段储能优化配置模型。
具体地,转供后配电网的期望运行状态为,通过故障隔离与转供策略,电网呈现为辐射状运行,在储能与分布式光伏的作用下,保持安全运行。
具体地,目标函数为:
其中,R2表示第二阶段的韧性,C2 ESS表示第二阶段的储能配置容量。
具体地,约束条件为:
辐射状拓扑约束:
其中,φG,w表示当前电网的拓扑结构,φG表示电网可行辐射状拓扑集。
其余约束条件与第一阶段相同,不做赘述。
本实施例中,步骤(5)中,采用多目标粒子群算法对每个阶段的模型求解得到pareto解集,采用纳什谈判进行筛选,具体流程为:
S1、初始化粒子群大小、迭代次数、存档阈值、粒子速度、粒子位置,基于各阶段的目标函数计算粒子初始适应度值并得到局部最优(pbest)与全局最优(gbest),基于节点或支路状态以及节点可安装最大容量约束设置粒子的位置范围,设置粒子群更新的动态惯性因子、动态速度因子、存档、网格等分量。
特别地,选取是否配置储能以及支路是否断开表征节点及支路的状态,0表示不配置/断开,1表示配置/闭合。pbest为粒子初始适应度值,gbest为存档中随机选择。第一阶段与第二阶段的维度分别设置为:
其中,Dim 1、Dim 2分别表示第一阶段、第二阶段的维度,Ncode表示节点数目,Nline表示支路数目(不含联络线),Nswitch表示联络开关数目,Nmax表示可安装储能的节点最大数目。
S2、根据pbest与gbest更新粒子的速度和位置。
具体地,Nmax维连续变量的更新可以表示为:
粒子通过对个人最优pb以及全局最优gb的学习,更新自己的速度和位置,实现一次迭代。
其中,m表示第m个粒子;d=1,2,…,Dim,表示第d维;w表示惯性因子,实际中随着迭代次数线性递减;c 1、c 2表示学习因子,实际中随着迭代次数线性变化,r 1、r 2表示0和1之间的随机数,表示第m个粒子在t代的d维速度,表示第m个粒子在t代的d维位置,表示第m个粒子在t代的局部最优解,表示第m个粒子在t代的d维最优解。
具体地,Nline维状态量不更新,Ncode或Nswitch维0-1状态量的更新可以表示为:
此处是二进制粒子群,通过sigmiod函数,将其转为0到1之间,用以确定x的取值,0或者1。
其中,m表示第m个粒子;d=1,2,…,Dim,表示第d维;w表示惯性因子,实际中随着迭代次数线性递减;c 1、c 2表示学习因子,实际中随着迭代次数线性变化;r 1、r 2表示0和1之间的随机数,表示第m个粒子在t代的d维速度,表示第m个粒子在t代的d维位置,表示第m个粒子在t代的局部最优解,表示第m个粒子在t代的d维最优解,s(x)为sigmiod函数,取值范围为[0,1]。
S3、根据目标函数计算新一代种群中每个个体的适应度,遍历种群中的每个个体,比较该个体的历史pbest和新一代适应度,决定是否更新pbest。
S4、根据当前解间的支配关系更新存档,并更新gbest。
具体地,对于新一代粒子群,根据支配关系进行筛选,去除劣解,得到parto最优解集,加入到存档中;对于存档中的新旧两代粒子群,根据支配关系进行再次筛选,去除劣解,并计算存档粒子在网格中的位置;对于存档中的pareto解集,若解的数量超过存档阈值,则根据自适应网格法进行清除,拥挤度越高,被清除的概率越高,然后重新进行网格划分。
具体地,根据最新的存档生成网格,然后在网格中根据拥挤度随机选择一个粒子作为新的gbest,拥挤越度小,被选择的概率越大。
S5、循环S2-S4,直至收敛或者达到最大迭代次数,得到存档中的pareto最优解集。
S6、采用纳什谈判对pareto解集进行筛选,表达式为:
本实施例中,所述步骤(5)中,通过两阶段间储能接入点、接入容量以及影响因子的互相传递,迭代求解的具体流程为:
S1、第一阶段求解的储能接入点和接入容量折衷解,传递给第二阶段,并作为第二阶段粒子群后Nmax维的位置下限;
S2、第二阶段的折衷解通过影响因子的形式对第一阶段的谈判破裂点进行调整,二者迭代求解,最终得到储能的最优接入点与接入容量。
具体地,第一阶段的谈判破裂点可设置为:
其中,d10、d20为初始的谈判破裂点,θ t、λ t分别为韧性影响因子和储能容量影响因子,初始值均为0。
S3、迭代求解,最终得到储能最优的接入点和接入容量。
本实施例子技术方案考虑极端天气下配电网复杂故障场景,综合考虑总体负荷与重要负荷的失负荷状况,构建韧性指标,结合储能优化配置和联络线转供策略,建立转供前孤岛运行与转供后拓扑重构的储能优化配置两阶段多目标优化模型,并通过多目标粒子群算法(MOPSO)与纳什博弈迭代求解,能够提升配电网韧性。
实施例二
本实施例的目的是提供一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法的步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述方法的步骤。
实施例四
本实施例的目的是提供了一种基于配电网韧性提升的电力系统容量规划系统,包括:
场景及指标建立模块,被配置为:获取目标配电网的基本信息并基于目标配电网的基本信息建立配电网典型故障场景及构建配电网韧性指标;
模型建立模块,被配置为:基于配电网典型故障场景考虑转供前后配电网的不同运行状态,以韧性指标最优为目标,兼顾储能配置容量最小化,以储能的接入点、接入容量以及联络开关的状态为变量,建立两阶段储能优化配置模型;
求解模块,被配置为:通过两阶段间储能接入点、接入容量以及影响因子的传递,迭代求解,得到储能最优的接入点和接入容量。
本发明技术方案考虑了极端天气下配电网故障后孤岛运行与拓扑重构两种运行模式,结合规划层的储能配置以及运行层的联络线转供策略,通过对现有电网进行储能优化配置保障重要负荷的不间断供电,能够提升配电网的韧性。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于韧性提升的配电网容量规划方法,其特征是,包括:
获取目标配电网的基本信息并基于目标配电网的基本信息建立配电网典型故障场景及构建配电网韧性指标;
基于配电网典型故障场景考虑转供前后配电网的不同运行状态,以韧性指标最优为目标,兼顾储能配置容量最小化,以储能的接入点、接入容量以及联络开关的状态为变量,建立两阶段储能优化配置模型;
通过两阶段间储能接入点、接入容量以及影响因子的传递,迭代求解,得到储能最优的接入点和接入容量。
2.如权利要求1所述的一种基于韧性提升的配电网容量规划方法,其特征是,获取的目标配电网的基本信息包括:
通过调度中心获取目标电网的拓扑结构、典型日负荷曲线、分布式光伏接入点及容量、联络开关位置信息;
通过场站历史数据获取分布式光伏出力特性曲线。
3.如权利要求1所述的一种基于韧性提升的配电网容量规划方法,其特征是,建立配电网典型故障场景,具体步骤包括:
将配电网的故障设定为单重故障和双重故障,构建每种故障下的场景标签;
基于目标配电网的基本信息得到光伏出力和负荷的时序特性,根据得到的光伏出力和负荷的时序特性生成每个场景标签下的不同运行场景;
采用聚类方法对每个场景标签下的不同运行场景进行场景削减;
进行场景削减后,基于加权失负荷量最大指标筛选场景标签下的配电网典型故障场景。
4.如权利要求1所述的一种基于韧性提升的配电网容量规划方法,其特征是,构建配电网韧性指标时,综合考虑总体负荷与重要负荷的失负荷状况,结合韧性曲线,得到配电网韧性指标。
5.如权利要求1所述的一种基于韧性提升的配电网容量规划方法,其特征是,建立两阶段储能优化配置模型,具体包括:
考虑转供前配电网的运行状态,以韧性指标最优和储能配置容量最小化为目标,以储能的接入点、接入容量为决策变量,建立第一阶段储能优化配置模型;
考虑转供后配电网的运行状态,以韧性指标最优和储能配置容量最小化为目标,以储能的接入容量以及联络开关的状态为决策变量,建立第二阶段储能优化配置模型。
6.如权利要求5所述的一种基于韧性提升的配电网容量规划方法,其特征是,转供前配电网的期望运行状态为:在储能与分布式光伏的作用下,故障停电区域保持孤岛运行,非故障区域保持安全运行;
转供后配电网的期望运行状态为:通过故障隔离与转供策略,电网呈现为辐射状运行,在储能与分布式光伏的作用下,保持安全运行。
7.如权利要求1所述的一种基于韧性提升的配电网容量规划方法,其特征是,通过两阶段间储能接入点、接入容量以及影响因子的传递,迭代求解,得到储能最优的接入点和接入容量的具体流程为:
第一阶段求解的储能接入点和接入容量折衷解,传递给第二阶段,并作为第二阶段粒子群后Nmax维的位置下限;Nmax表示可安装储能的节点最大数目;
第二阶段的折衷解通过影响因子的形式对第一阶段的谈判破裂点进行调整。
8.一种基于配电网韧性提升的电力系统容量规划系统,其特征是,包括:
场景及指标建立模块,被配置为:获取目标配电网的基本信息并基于目标配电网的基本信息建立配电网典型故障场景及构建配电网韧性指标;
模型建立模块,被配置为:基于配电网典型故障场景考虑转供前后配电网的不同运行状态,以韧性指标最优为目标,兼顾储能配置容量最小化,以储能的接入点、接入容量以及联络开关的状态为变量,建立两阶段储能优化配置模型;
求解模块,被配置为:通过两阶段间储能接入点、接入容量以及影响因子的传递,迭代求解,得到储能最优的接入点和接入容量。
9.一种计算机装置,包括存储器、其特征是,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征是,该程序被处理器执行时执行上述权利要求1-7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310293149.2A CN115994631B (zh) | 2023-03-24 | 2023-03-24 | 一种基于韧性提升的配电网容量规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310293149.2A CN115994631B (zh) | 2023-03-24 | 2023-03-24 | 一种基于韧性提升的配电网容量规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115994631A true CN115994631A (zh) | 2023-04-21 |
CN115994631B CN115994631B (zh) | 2023-06-09 |
Family
ID=85995388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310293149.2A Active CN115994631B (zh) | 2023-03-24 | 2023-03-24 | 一种基于韧性提升的配电网容量规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115994631B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109473992A (zh) * | 2019-01-21 | 2019-03-15 | 国网河北省电力有限公司经济技术研究院 | 一种提高配电网韧性的方法、系统及终端设备 |
CN110571807A (zh) * | 2019-10-15 | 2019-12-13 | 华北电力大学 | 极端自然灾害下计及储能配置韧性配电网规划方法及系统 |
US20200212681A1 (en) * | 2019-01-02 | 2020-07-02 | Tsinghua University | Method, apparatus and storage medium for transmission network expansion planning considering extremely large amounts of operation scenarios |
CN112910012A (zh) * | 2021-01-21 | 2021-06-04 | 国网电力科学研究院有限公司 | 一种配电系统弹性提升评估方法、存储介质及计算设备 |
CN113239512A (zh) * | 2021-03-30 | 2021-08-10 | 中国农业大学 | 一种考虑韧性的交直流配电网规划方案筛选方法及系统 |
CN113783224A (zh) * | 2021-07-07 | 2021-12-10 | 南京理工大学 | 一种考虑多种分布式能源运行的配电网双层优化规划方法 |
CN115310378A (zh) * | 2022-07-19 | 2022-11-08 | 武汉大学 | 一种极端台风灾害下电网韧性评估及差异化规划方法 |
CN115809836A (zh) * | 2023-02-09 | 2023-03-17 | 华南理工大学 | 考虑分布式储能应急供电能力的配电网韧性规划的方法 |
-
2023
- 2023-03-24 CN CN202310293149.2A patent/CN115994631B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200212681A1 (en) * | 2019-01-02 | 2020-07-02 | Tsinghua University | Method, apparatus and storage medium for transmission network expansion planning considering extremely large amounts of operation scenarios |
CN109473992A (zh) * | 2019-01-21 | 2019-03-15 | 国网河北省电力有限公司经济技术研究院 | 一种提高配电网韧性的方法、系统及终端设备 |
CN110571807A (zh) * | 2019-10-15 | 2019-12-13 | 华北电力大学 | 极端自然灾害下计及储能配置韧性配电网规划方法及系统 |
CN112910012A (zh) * | 2021-01-21 | 2021-06-04 | 国网电力科学研究院有限公司 | 一种配电系统弹性提升评估方法、存储介质及计算设备 |
CN113239512A (zh) * | 2021-03-30 | 2021-08-10 | 中国农业大学 | 一种考虑韧性的交直流配电网规划方案筛选方法及系统 |
CN113783224A (zh) * | 2021-07-07 | 2021-12-10 | 南京理工大学 | 一种考虑多种分布式能源运行的配电网双层优化规划方法 |
CN115310378A (zh) * | 2022-07-19 | 2022-11-08 | 武汉大学 | 一种极端台风灾害下电网韧性评估及差异化规划方法 |
CN115809836A (zh) * | 2023-02-09 | 2023-03-17 | 华南理工大学 | 考虑分布式储能应急供电能力的配电网韧性规划的方法 |
Non-Patent Citations (2)
Title |
---|
YINONG SUN: "Comparing Power Flow Approximations for Electricity Infrastructure Capacity Expansion Models with High Spatial Resolution", 2018 IEEE/PES TRANSMISSION AND DISTRIBUTION CONFERENCE AND EXPOSITION (T&D) * |
杨火明;徐潇源;严正;: "考虑配电网韧性的储能系统选址定容优化方法", 电力建设, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN115994631B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112217202B (zh) | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 | |
CN109888835B (zh) | 一种基于改进粒子群的分布式光伏配电网规划方法 | |
CN105826944A (zh) | 一种微电网群的功率预测方法和系统 | |
CN110635478B (zh) | 一种基于单目标的新能源接入下的输电网规划的优化方法 | |
CN116014790A (zh) | 一种含分布式能源的配电网弹性评估方法 | |
CN111049165A (zh) | 一种用于新能源电力系统储能配置的方法及系统 | |
CN116187165A (zh) | 基于改进粒子群算法的电网弹性提升方法 | |
Saric et al. | Optimal DG allocation for power loss reduction considering load and generation uncertainties | |
CN111832836B (zh) | 一种计及负荷用电特性的配电网重构方法及系统 | |
CN111311032B (zh) | 一种基于扇形雷达图模型的微网系统容量优化配置方法 | |
CN115994631B (zh) | 一种基于韧性提升的配电网容量规划方法及系统 | |
CN116937764A (zh) | 基于规划运行交互特性的供电系统应急保障电站配置方法 | |
CN115549075A (zh) | 一种含微电网的配电网供电恢复方法及系统 | |
Liu et al. | A resilience enhancement scheme of cyber-physical power system for extreme natural disasters | |
CN113725904A (zh) | 考虑老化发电机组退役的电网转型方法、装置及设备 | |
Zhai et al. | Pre-event Resilience Enhancement Strategy for Distribution Systems Based on Dueling DDQN | |
Ghiassi et al. | On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization | |
CN115882479B (zh) | 一种面向韧性提升的分布式储能系统多目标优化配置方法 | |
Ting et al. | Multi-objective optimal configuration of two-stage reactive power compensation in power grids with power loss index | |
CN118199184B (zh) | 考虑线路脆弱性的配电网光伏和储能优化配置方法 | |
CN118472944B (zh) | 综合考虑多场景的一二次设备协同优化配置方法 | |
CN115663807B (zh) | 基于预测负荷与分布式电源出力的坚强配电网方法 | |
CN114336749B (zh) | 一种配电网优化方法、系统、装置及存储介质 | |
Parsa et al. | Probabilistic operation management of automated distribution networks in the presence of electric vehicles and renewable energy sources | |
CN118100324A (zh) | 一种针对风机和光伏有功无功出力互补特性的配网重构方法 |
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 |