CN116011153A - 基于光-荷相关性增强可信度的配电网可靠性评估方法 - Google Patents
基于光-荷相关性增强可信度的配电网可靠性评估方法 Download PDFInfo
- Publication number
- CN116011153A CN116011153A CN202211442820.7A CN202211442820A CN116011153A CN 116011153 A CN116011153 A CN 116011153A CN 202211442820 A CN202211442820 A CN 202211442820A CN 116011153 A CN116011153 A CN 116011153A
- Authority
- CN
- China
- Prior art keywords
- load
- reliability
- power
- distribution network
- power distribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004146 energy storage Methods 0.000 claims abstract description 101
- 238000005315 distribution function Methods 0.000 claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000013486 operation strategy Methods 0.000 claims abstract description 30
- 238000013210 evaluation model Methods 0.000 claims abstract description 20
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000005755 formation reaction Methods 0.000 claims description 12
- 238000005192 partition Methods 0.000 claims description 12
- 230000008439 repair process Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 241000039077 Copula Species 0.000 claims description 6
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
Images
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明涉及基于光‑荷相关性增强可信度的配电网可靠性评估方法，属于配电网可靠性评估技术领域，步骤包括：输入配电网可靠性原始数据；根据历史光伏、负荷功率数据建立光‑荷联合概率分布函数；根据建立的光‑荷联合概率分布函数生成考虑时序相关性的光‑荷典型场景；构建配电网可靠性评估模型；基于光‑荷典型场景和配电网可靠性评估模型研究分布式光伏与储能接入配电网之后的可靠性运行策略来进行配电网可靠性评估。本发明充分考虑了同区域源‑荷间的时序相关性，通过生成的光‑荷联合时序场景来进行配电网的可靠性评估，计算得到的配电网可靠性指标比常规的可靠性评估结果具有更高的可信度，有助于后续的配电网运行与规划设计。
Description
技术领域
本发明属于配电网的可靠性评估技术领域，具体涉及基于光-荷相关性增强可信度的配电网可靠性评估方法。
背景技术
可靠的电力供应是国家经济发展最基础的保障，配电网位于电力系统的最末端，是整个电力系统直接与用户相连的部分，承担了高可靠性供电的重任。当配电网接入了具有波动性和随机性的分布式屋顶光伏以后，源-荷之间的不确定特性进一步加大，给配电网的高可靠性供电带来了巨大的挑战。
针对屋顶光伏等分布式能源接入配电网后的可靠性评估，最重要的就是如何对具有随机性出力的分布式光伏进行建模。目前，对分布式光伏出力建模的方法大体可以分为解析法与模拟法2种。解析法大体是通过统计光伏出力概率的方法建立分布式光伏出力模型，模拟法可直接采用历史区域全年光伏出力数据、也可通过贝塔分布对光强建模然后基于光伏出力与光强之间的对应关系生成全年光伏出力曲线。例如，有学者引入点估计法将分布式光伏与负荷功率的概率问题转化为确定性的数学模型来进行可靠性评估；也有学者在对含分布式能源的配电网可靠性评估流程中采用贝塔分布模拟光强波动，采用正态分布模拟负荷波动，通过概率分布的方式分别模拟源侧与荷侧功率的波动性。
现在的研究最多只做到了通过参数或者非参数估计的方法分别对光伏、负荷功率进行概率密度建模然后进行配电网可靠性评估，尚未考虑同一区域内光伏与负荷(源-荷)功率之间的相关性。然而在配电网故障发生时刻的分布式光伏出力与负荷功率对分布式光伏与储能装置相互配合能支撑多大的配电网孤岛运行区域有决定性的作用，若源-荷匹配功率与真实情况的差距过大会导致配电网运行可靠性评估的可信度下降。因此，需要研究一种基于光-荷之间的相关性来增强配电网可靠性评估可信度的方法。
发明内容
本发明目的在于提供基于光-荷相关性增强可信度的配电网可靠性评估方法，用于解决上述现有技术中存在的技术问题，现在的研究最多只做到了通过参数或者非参数估计的方法分别对光伏、负荷功率进行概率密度建模然后进行配电网可靠性评估，尚未考虑同一区域内光伏与负荷(源-荷)功率之间的相关性。然而在配电网故障发生时刻的分布式光伏出力与负荷功率对分布式光伏与储能装置相互配合能支撑多大的配电网孤岛运行区域有决定性的作用，若源-荷匹配功率与真实情况的差距过大会导致配电网运行可靠性评估的可信度下降。
为实现上述目的，本发明的技术方案是：
一种基于光-荷相关性增强评估可信度的配电网可靠性评估方法，包括以下步骤：
S1、输入配电网可靠性原始数据；
S2、根据历史光伏、负荷功率数据建立光-荷联合概率分布函数；
S3、根据步骤S2中建立的光-荷联合概率分布函数生成考虑相关性的光-荷典型场景；
S4、构建配电网可靠性评估模型；
S5、基于步骤S3中的光-荷典型场景与步骤S4中的配电网可靠性评估模型研究分布式光伏与储能接入配电网之后的可靠性运行策略来进行配电网可靠性评估。
进一步的，基于光-荷相关性增强评估可信度的配电网可靠性评估方法，其特征在于，所述步骤S1包括：输入配电网可靠性原始数据包括负荷点的各项数据、开关位置、变压器、线路型号与长度、分布式光伏、储能装置的可靠性参数、分布式光伏与储能装置的接入位置与配置情况、分布式光伏与负荷历史出力曲线。
进一步的，基于光-荷相关性增强评估可信度的配电网可靠性评估方法，其特征在于，所述步骤S2步括：根据历史光伏、负荷功率数据建立光-荷联合概率分布函数，具体为：
将收集到的历史光伏、负荷功率数据分割为以天为单位的n个样本，每个样本包含二十四个小时的时序功率出力情况，分别对每一个时段进行非参核密度估计，得到二十四个小时内每一个小时的光伏与负荷功率的概率密度函数，然后通过Copula函数建立二十四个时段的光-荷功率联合概率分布函数，其数学表达式如下：
其中：
ux＝(x-Xi)/hx
uy＝(y-Yi)/hy
式中：f(x)、f(y)表示分布式光伏、负荷功率的概率密度函数；Xi、Yi为分布式光伏、负荷的功率实际值；x、y为核密度估计对应的光伏、负荷的自变量；nx、ny为样本容量；hx、hy为带宽；Kx(·)、Ky(·)为光伏与负荷对应的核函数，本专利选取高斯函数；T代表一天24个时段；FT(xT,yT)表示T时段分布式光伏与负荷的联合概率分布函数；
表示分布式光伏出力在T时段的边缘分布函数；
表示负荷功率在T时段的边缘分布函数。
进一步的，基于光-荷相关性增强评估可信度的配电网可靠性评估方法，其特征在于，所述步骤S3包括：根据步骤S2中建立的光-荷联合概率分布函数生成考虑相关性的光-荷典型场景，具体为：
基于蒙特卡洛采样的思想生成24个取值范围在0到1之间的随机数字u1，u2，…，un，即为光伏功率24个时段的边缘分布函数值，根据S3中采用Copula函数计算出的24个时段的光伏与负荷的联合概率分布函数求解负荷出力24个时段的边缘分布函数v1，v2，…，vn，重复上述操作K次就可以生成K组光伏-负荷的边缘分布函数值，然后通过各自的反函数计算得到考虑时序相关性的光伏-负荷的真实出力值，紧接着基于模糊C均值聚类算法对K组蒙特卡洛采样生成的场景进行聚类，聚类按照初始化聚类的中心类别、给定隶属度因子模糊化参数、初始化隶属度矩阵、给定迭代终止标准、计算聚类中心、更新隶属度矩阵、判断是否达到终止标准、输出聚类结果这一流程进行，最后可得到k个典型光伏-负荷出力日场景(k可根据分布式光伏接入区域影响光-荷出力的季节特性来选取)，其数学表达式如下：
式中:C(·)表示光伏与负荷的联合概率分布函数；T表示一天24个小时；uT表示光伏功率T时段的边缘分布函数值；vT表示负荷功率T时段的边缘分布函数值；xT表示光伏在T时刻的真实出力值；yT表示负荷在T时刻的真实功率值；
表示光伏功率在T时段的边缘分布函数的反函数；
表示负荷功率在T时段的边缘分布函数的反函数；
为FCM聚类中心；i代表第i个样本；n为样本数；j代表第j个聚类中心；k为聚类中心的个数；t是迭代次数；uij为第i个样本对于第j个聚类中心的隶属度；xi为光伏、负荷样本点；m是隶属度因子参数；dij是第i个样本到第j类聚类中心的欧几里得距离。
进一步的，基于光-荷相关性增强评估可信度的配电网可靠性评估方法，其特征在于，所述步骤S4包括：通过光伏元件可靠性建模、储能元件可靠性建模、配电网可靠性评估指标选取、配电网可靠性方法研究来构建整个配电网可靠性评估模型。
进一步的，基于光-荷相关性增强评估可信度的配电网可靠性评估方法，其特征在于，所述光伏元件可靠性出力可直接通过步骤S3中生成的分布式光伏与负荷典型场景曲线结合光伏设备的运行状态计算得到，光伏元件可靠性建模数学表达式如下：
PT′＝PT*PVOSt
式中：PT'表示将分布式光伏的功率曲线与分布式光伏组成元件的可靠性运行状态相结合之后的t时刻的分布式光伏元件可靠性出力值；PT是由步骤S3中生成的分布式光伏与负荷典型场景曲线读取的分布式光伏出力值；PVOSt表示t时刻的分布式光伏组成元件(如逆变器与光伏板等设备)的可靠性综合运行状态；
所述储能元件的可靠性建模数学表达式如下：
SOCmin≤SOC(t)≤SOCmax
SOC(0)＝SOC(T)
式中：SOC(t)为当前时刻储能荷电状态；SOCmax、SOCmin分别为储能荷电状态上限与下限；ηcha、ηdis分别为储能充放电时能量转换效率；BOS(t)表示储能装置在t时刻的运行状态；Δt取一小时；xdis、xcha为储能装置充放电状态，约束储能装置的充电状态与放电状态不能同时进行；Pmax与Qmax分别表示储能系统额定功率以及额定容量。
进一步的，基于光-荷相关性增强评估可信度的配电网可靠性评估方法，其特征在于，所述配电网可靠性评估指标选取系统平均供电可用率、电量不足期望值、孤岛状态下平均供应电量来评价整个配电网的可靠性以及验证基于光-荷时序相关性的分布式光伏与负荷场景生成能提升配电网可靠性评估的可信度，数学表达式如下：
其中：
式中：ASAI表示系统平均供电可用率；EENS表示电量不足期望值；IIES表示孤岛状态下平均供应电量R为系统负荷点集合；Ui为负荷点年故障持续时间；Ni为位于负荷点i的用户个数；
表示负荷点i的用户平均功率；
表示负荷点i接入的分布式光伏平均功率；
表示负荷点i接入的储能装置平均功率；N表示配电网一年中的孤岛形成总次数；n表示第n次形成孤岛；Rj表示第n次形成的孤岛运行范围；Δt取1小时；tn表示第n次形成的孤岛运行时间。
进一步的，基于光-荷相关性增强评估可信度的配电网可靠性评估方法，其特征在于，所述步骤S5包括：基于步骤S3中的光-荷典型场景与步骤S4中的配电网可靠性评估模型研究分布式光伏与储能接入配电网之后的可靠性运行策略来进行配电网可靠性评估，其可靠性运行策略具体为：
所述可靠性运行策略中的储能装置运行策略按照正常时刻“低储高放”、故障时刻基于孤岛运行方式向负荷供电的形式运行，在正常运行模式时，本专利采取储能装置在电价处于最高值时放电，最低值时充电，价格适中时不充不放的运行策略来模拟储能系统全天的SOC运行曲线，假设每天的上午6点为储能装置的荷电状态最大值SOCmax，22点为储能装置的荷电状态最小值SOCmin，运行过程中储能装置均匀地充放电，可以得到储能系统各时刻SOC的分段函数如下：
在得到储能系统正常运行时的SOC曲线后，即可算出其处于每个SOC阶段所对应的概率，当配电网发生故障后，故障时刻储能系统SOC值便可由上述公式抽样得到；
所述可靠性运行策略中的配电网故障分区策略鉴于配电网中故障影响范围以开关为分界线的特点，当配电网中的某个元件发生故障时，本专利采用以开关为界将配网进行分区的方法计算可靠性，分区内负荷点的可靠性受到分区外部不同元件故障的影响程度是相同的，这样可以简化抽样法的计算量，当配网元件发生故障时，采用故障分区策略将整条馈线分为故障区、故障上游区、故障下游区和故障无影响区，故障区域负荷点的停电时长为元件的故障修复时间；由于可以通过开关将故障隔离，故障上游区负荷点的停电时长为开关的倒闸时间；故障下游区若有储能装置等作为后备电源，则要根据储能配置以及储能系统的孤岛运行策略来计算停电时间；若无储能装置等作为后备电源，则下游区负荷点的停电时间为故障元件的修复时间；
所述可靠性运行策略中的孤岛运行策略以储能与分布式光伏为中心，结合故障时段储能SOC抽样值、储能最大充放电功率、分布式光伏出力、孤岛范围内总负荷功率这四大因素来判断孤岛形成的大小。若储能装置与分布式光伏装置能够保证当前孤岛顺利运行，则以开关为边界向周围扩大孤岛范围，直至形成一个最大范围的孤岛，当孤岛持续期间分布式光伏与储能的联合出力不足时，负荷需要进行削减，其数学表达式如下：
其约束条件如下：
式中：X(m)为孤岛内第m个负荷点的是否被削减的判据，负荷点m在被削减时X(m)等于1，在被削减之后X(m)等于0；Pi dmax(t)为t时刻孤岛内第i个分布式储能装置最大出力值，Nb为孤岛内分布式储能装置的数量；Pj DG(t)为t时刻孤岛内第j个分布式光伏的功率值，NDG为孤岛内分布式光伏装置的数量；Lt m(t)为孤岛内第m个负荷点的实际功率；M为孤岛内包含的负荷点的数量；t1、t2分别为配电网故障期间孤岛的形成时刻与孤岛的结束时刻。
进一步的，基于光-荷相关性增强评估可信度的配电网可靠性评估方法，其特征在于，所述步骤S5包括：基于步骤S3中的光-荷典型场景与步骤S4中的配电网可靠性评估模型研究分布式光伏与储能接入配电网之后的可靠性运行策略来进行配电网可靠性评估，其可靠性评估流程具体为：
Step1：读入系统原始数据，设定仿真时间轴；
Step2：产生N个[0-1]间随机数，根据序贯蒙特卡洛模拟法对所有元件进行状态抽样，计算无故障运行时间TTF；
Step3：得到最小的TTF所对应的故障元件，根据该元件的故障修复率计算本次故障修复时间TTR；
Step4：基于步骤S3中生成的光-荷典型场景与步骤S4中的配电网可靠性评估模型确定孤岛运行范围大小；
Step5：记录配电网中各负荷点的停电次数、时间以及停电时刻对应负荷功率等信息；
Step6：更新时间轴，判断是否达到设定仿真时长，若未达到，跳转至Step2；
Step7：利用已记录下的负荷点停电次数、时间以及停电时刻对应负荷功率等信息计算负荷点以及系统的可靠性指标。
与现有技术相比，本发明所具有的有益效果为：
本发明充分考虑了位于同一区域内光伏与负荷(源-荷)功率之间的时序相关性，在配电网故障时刻基于采用光-荷时序相关性生成的分布式光伏与负荷功率曲线决定孤岛运行范围，减小了源-荷功率与真实情况的差距，提高了配电网可靠性评估的可信度。
附图说明
图1是本发明提供的流程示意图；
图2是建立光-荷联合概率分布函数的流程示意图；
图3是生成考虑相关性的光-荷典型场景的流程示意图；
图4是基于光-荷典型场景和配电网可靠性评估模型进行配电网可靠性评估的流程示意图。
具体实施方式
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
而且，术语“包括”，“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程，方法，物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程，方法，物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程，方法，物品或者设备中还存在另外的相同要素。
实施例：
如图1所示，一种基于光-荷相关性增强评估可信度的配电网可靠性评估方法，包括以下步骤：
S1、输入配电网可靠性原始数据，具体为：
输入配电网可靠性原始数据包括输入负荷点的各项数据、开关位置、变压器、线路型号与长度、分布式光伏、储能装置的可靠性参数、分布式光伏与储能装置的接入位置与配置情况、分布式光伏与负荷历史出力曲线。
S2、根据历史光伏、负荷功率数据建立光-荷联合概率分布函数，具体为：
如图2所示，将收集到的历史光伏、负荷功率数据分割为以天为单位的n个样本，每个样本包含二十四个小时的时序功率出力情况，分别对每一个时段进行非参核密度估计，得到二十四个小时内每一个小时的光伏与负荷功率的概率密度函数，然后通过Copula函数建立二十四个时段的光-荷功率联合概率分布函数，其数学表达式如下：
其中：
ux＝(x-Xi)/hx
uy＝(y-Yi)/hy
式中：f(x)、f(y)表示分布式光伏、负荷功率的概率密度函数；Xi、Yi为分布式光伏、负荷的功率实际值；x、y为核密度估计对应的光伏、负荷的自变量；nx、ny为样本容量；hx、hy为带宽；Kx(·)、Ky(·)为光伏与负荷对应的核函数，本专利选取高斯函数；T代表一天24个时段；FT(xT,yT)表示T时段分布式光伏与负荷的联合概率分布函数；
表示分布式光伏出力在T时段的边缘分布函数；
表示负荷功率在T时段的边缘分布函数。
S3、根据步骤S2中建立的光-荷联合概率分布函数生成考虑相关性的光-荷典型场景，具体为：
如图3所示，基于蒙特卡洛采样的思想生成24个取值范围在0到1之间的随机数字u1，u2，…，un，即为光伏功率24个时段的边缘分布函数值，根据S3中采用Copula函数计算出的24个时段的光伏与负荷的联合概率分布函数求解负荷出力24个时段的边缘分布函数v1，v2，…，vn，重复上述操作K次就可以生成K组光伏-负荷的边缘分布函数值，然后通过各自的反函数计算得到考虑时序相关性的光伏-负荷的真实出力值，紧接着基于模糊C均值聚类算法对K组蒙特卡洛采样生成的场景进行聚类，聚类按照初始化聚类的中心类别、给定隶属度因子模糊化参数、初始化隶属度矩阵、给定迭代终止标准、计算聚类中心、更新隶属度矩阵、判断是否达到终止标准、输出聚类结果这一流程进行，最后可得到k个典型光伏-负荷出力日场景(k可根据分布式光伏接入区域影响光-荷出力的季节特性来选取)，其数学表达式如下：
式中:C(·)表示光伏与负荷的联合概率分布函数；T表示一天24个小时；uT表示光伏功率T时段的边缘分布函数值；vT表示负荷功率T时段的边缘分布函数值；xT表示光伏在T时刻的真实出力值；yT表示负荷在T时刻的真实功率值；
表示光伏功率在T时段的边缘分布函数的反函数；
表示负荷功率在T时段的边缘分布函数的反函数；
为FCM聚类中心；i代表第i个样本；n为样本数；j代表第j个聚类中心；k为聚类中心的个数；t是迭代次数；uij为第i个样本对于第j个聚类中心的隶属度；xi为光伏、负荷样本点；m是隶属度因子参数；dij是第i个样本到第j类聚类中心的欧几里得距离。
S4、构建配电网可靠性评估模型，具体为：
通过光伏元件可靠性建模、储能元件可靠性建模、配电网可靠性评估指标选取、配电网可靠性方法研究来构建整个配电网可靠性评估模型。
所述光伏元件可靠性出力可直接通过步骤S3中生成的分布式光伏与负荷典型场景曲线结合光伏设备的运行状态计算得到，光伏元件可靠性建模数学表达式如下：
PT′＝PT*PVOSt
式中：PT'表示将分布式光伏的功率曲线与分布式光伏组成元件的可靠性运行状态相结合之后的t时刻的分布式光伏元件可靠性出力值；PT是由步骤S3中生成的分布式光伏与负荷典型场景曲线读取的分布式光伏出力值；PVOSt表示t时刻的分布式光伏组成元件(如逆变器与光伏板等设备)的可靠性综合运行状态；
所述储能元件的可靠性建模数学表达式如下：
SOCmin≤SOC(t)≤SOCmax
SOC(0)＝SOC(T)
式中：SOC(t)为当前时刻储能荷电状态；SOCmax、SOCmin分别为储能荷电状态上限与下限；ηcha、ηdis分别为储能充放电时能量转换效率；BOS(t)表示储能装置在t时刻的运行状态；Δt取一小时；xdis、xcha为储能装置充放电状态，约束储能装置的充电状态与放电状态不能同时进行；Pmax与Qmax分别表示储能系统额定功率以及额定容量。
所述配电网可靠性评估指标选取系统平均供电可用率、电量不足期望值、孤岛状态下平均供应电量来评价整个配电网的可靠性以及验证基于光-荷时序相关性的分布式光伏与负荷场景生成能提升配电网可靠性评估的可信度，数学表达式如下：
其中：
式中：ASAI表示系统平均供电可用率；EENS表示电量不足期望值；IIES表示孤岛状态下平均供应电量R为系统负荷点集合；Ui为负荷点年故障持续时间；Ni为位于负荷点i的用户个数；
表示负荷点i的用户平均功率；
表示负荷点i接入的分布式光伏平均功率；
表示负荷点i接入的储能装置平均功率；N表示配电网一年中的孤岛形成总次数；n表示第n次形成孤岛；Rj表示第n次形成的孤岛运行范围；Δt取1小时；tn表示第n次形成的孤岛运行时间。
S5、基于步骤S3中的光-荷典型场景与步骤S4中的配电网可靠性评估模型进行配电网可靠性评估，具体为：
所述可靠性运行策略中的储能装置运行策略按照正常时刻“低储高放”、故障时刻基于孤岛运行方式向负荷供电的形式运行，在正常运行模式时，本专利采取储能装置在电价处于最高值时放电，最低值时充电，价格适中时不充不放的运行策略来模拟储能系统全天的SOC运行曲线，假设每天的上午6点为储能装置的荷电状态最大值SOCmax，22点为储能装置的荷电状态最小值SOCmin，运行过程中储能装置均匀地充放电，可以得到储能系统各时刻SOC的分段函数如下：
在得到储能系统正常运行时的SOC曲线后，即可算出其处于每个SOC阶段所对应的概率，当配电网发生故障后，故障时刻储能系统SOC值便可由上述公式抽样得到；
所述可靠性运行策略中的配电网故障分区策略鉴于配电网中故障影响范围以开关为分界线的特点，当配电网中的某个元件发生故障时，本专利采用以开关为界将配网进行分区的方法计算可靠性，分区内负荷点的可靠性受到分区外部不同元件故障的影响程度是相同的，这样可以简化抽样法的计算量，当配网元件发生故障时，采用故障分区策略将整条馈线分为故障区、故障上游区、故障下游区和故障无影响区，故障区域负荷点的停电时长为元件的故障修复时间；由于可以通过开关将故障隔离，故障上游区负荷点的停电时长为开关的倒闸时间；故障下游区若有储能装置等作为后备电源，则要根据储能配置以及储能系统的孤岛运行策略来计算停电时间；若无储能装置等作为后备电源，则下游区负荷点的停电时间为故障元件的修复时间；
所述可靠性运行策略中的孤岛运行策略以储能与分布式光伏为中心，结合故障时段储能SOC抽样值、储能最大充放电功率、分布式光伏出力、孤岛范围内总负荷功率这四大因素来判断孤岛形成的大小。若储能装置与分布式光伏装置能够保证当前孤岛顺利运行，则以开关为边界向周围扩大孤岛范围，直至形成一个最大范围的孤岛，当孤岛持续期间分布式光伏与储能的联合出力不足时，负荷需要进行削减，其数学表达式如下：
其约束条件如下：
式中：X(m)为孤岛内第m个负荷点的是否被削减的判据，负荷点m在被削减时X(m)等于1，在被削减之后X(m)等于0；Pi dmax(t)为t时刻孤岛内第i个分布式储能装置最大出力值，Nb为孤岛内分布式储能装置的数量；Pj DG(t)为t时刻孤岛内第j个分布式光伏的功率值，NDG为孤岛内分布式光伏装置的数量；Lt m(t)为孤岛内第m个负荷点的实际功率；M为孤岛内包含的负荷点的数量；t1、t2分别为配电网故障期间孤岛的形成时刻与孤岛的结束时刻。
如图4所示，基于步骤S3中的光-荷典型场景与步骤S4中的配电网可靠性评估模型研究分布式光伏与储能接入配电网之后的可靠性运行策略来进行配电网可靠性评估的具体流程如下：
Step1：读入系统原始数据，设定仿真时间轴；
Step2：产生N个[0-1]间随机数，根据序贯蒙特卡洛模拟法对所有元件进行状态抽样，计算无故障运行时间TTF；
Step3：得到最小的TTF所对应的故障元件，根据该元件的故障修复率计算本次故障修复时间TTR；
Step4：基于步骤S3中生成的光-荷典型场景与步骤S4中的配电网可靠性评估模型确定孤岛运行范围大小
Step5：记录配电网中各负荷点的停电次数、时间以及停电时刻对应负荷功率等信息；
Step6：更新时间轴，判断是否达到设定仿真时长，若未达到，跳转至Step2；
Step7：利用已记录下的负荷点停电次数、时间以及停电时刻对应负荷功率等信息计算负荷点以及系统的可靠性指标。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (9)
1.基于光-荷相关性增强可信度的配电网可靠性评估方法，其特征在于，包括以下步骤：
S1、输入配电网可靠性原始数据；
S2、根据历史光伏、负荷功率数据建立光-荷联合概率分布函数；
S3、根据步骤S2中建立的光-荷联合概率分布函数生成考虑相关性的光-荷典型场景；
S4、构建配电网可靠性评估模型；
S5、基于步骤S3中的光-荷典型场景与步骤S4中的配电网可靠性评估模型研究分布式光伏与储能接入配电网之后的可靠性运行策略来进行配电网可靠性评估。
2.根据权利要求1所述的基于光-荷相关性增强可信度的配电网可靠性评估方法，其特征在于，步骤S1中，输入配电网可靠性原始数据包括负荷点的各项数据、开关位置、变压器、线路型号与长度、分布式光伏、储能装置的可靠性参数、分布式光伏与储能装置的接入位置与配置情况、分布式光伏与负荷历史出力曲线。
3.根据权利要求2所述的基于光-荷相关性增强可信度的配电网可靠性评估方法，其特征在于，步骤S2中：根据历史光伏、负荷功率数据建立光-荷联合概率分布函数，具体为：
将收集到的历史光伏、负荷功率数据分割为以天为单位的n个样本，每个样本包含二十四个小时的时序功率出力情况，分别对每一个时段进行非参核密度估计，得到二十四个小时内每一个小时的光伏与负荷功率的概率密度函数，然后通过Copula函数建立二十四个时段的光-荷功率联合概率分布函数，其数学表达式如下：
其中：
ux＝(x-Xi)/hx
uy＝(y-Yi)/hy
式中：f(x)、f(y)表示分布式光伏、负荷功率的概率密度函数；Xi、Yi为分布式光伏、负荷的功率实际值；x、y为核密度估计对应的光伏、负荷的自变量；nx、ny为样本容量；hx、hy为带宽；Kx(·)、Ky(·)为光伏与负荷对应的核函数；T代表一天24个时段；FT(xT,yT)表示T时段分布式光伏与负荷的联合概率分布函数；
表示分布式光伏出力在T时段的边缘分布函数；
表示负荷功率在T时段的边缘分布函数。
4.根据权利要求3所述的基于光-荷相关性增强可信度的配电网可靠性评估方法，其特征在于，步骤S3中：根据步骤S2中建立的光-荷联合概率分布函数生成考虑相关性的光-荷典型场景，具体为：
基于蒙特卡洛采样的思想生成24个取值范围在0到1之间的随机数字u1，u2，…，un，即为光伏功率24个时段的边缘分布函数值，根据S3中采用Copula函数计算出的24个时段的光伏与负荷的联合概率分布函数求解负荷出力24个时段的边缘分布函数v1，v2，…，vn，重复上述操作K次就可以生成K组光伏-负荷的边缘分布函数值，然后通过各自的反函数计算得到考虑时序相关性的光伏-负荷的真实出力值，紧接着基于模糊C均值聚类算法对K组蒙特卡洛采样生成的场景进行聚类，聚类按照初始化聚类的中心类别、给定隶属度因子模糊化参数、初始化隶属度矩阵、给定迭代终止标准、计算聚类中心、更新隶属度矩阵、判断是否达到终止标准、输出聚类结果这一流程进行，最后可得到k个典型光伏-负荷出力日场景，其数学表达式如下：
式中:C(·)表示光伏与负荷的联合概率分布函数；T表示一天24个小时；uT表示光伏功率T时段的边缘分布函数值；vT表示负荷功率T时段的边缘分布函数值；xT表示光伏在T时刻的真实出力值；yT表示负荷在T时刻的真实功率值；
表示光伏功率在T时段的边缘分布函数的反函数；
表示负荷功率在T时段的边缘分布函数的反函数；
为FCM聚类中心；i代表第i个样本；n为样本数；j代表第j个聚类中心；k为聚类中心的个数；t是迭代次数；uij为第i个样本对于第j个聚类中心的隶属度；xi为光伏、负荷样本点；m是隶属度因子参数；dij是第i个样本到第j类聚类中心的欧几里得距离。
5.根据权利要求4所述的基于光-荷相关性增强可信度的配电网可靠性评估方法，其特征在于，步骤S4中：通过光伏元件可靠性建模、储能元件可靠性建模、配电网可靠性评估指标选取、配电网可靠性方法研究来构建整个配电网可靠性评估模型。
6.根据权利要求5所述的基于光-荷相关性增强可信度的配电网可靠性评估方法，其特征在于，所述光伏元件可靠性出力可直接通过步骤S3中生成的分布式光伏与负荷典型场景曲线结合光伏设备的运行状态计算得到，光伏元件可靠性建模数学表达式如下：
PT′＝PT*PVOSt
式中：PT'表示将分布式光伏的功率曲线与分布式光伏组成元件的可靠性运行状态相结合之后的t时刻的分布式光伏元件可靠性出力值；PT是由步骤S3中生成的分布式光伏与负荷典型场景曲线读取的分布式光伏出力值；PVOSt表示t时刻的分布式光伏组成元件的可靠性综合运行状态；
所述储能元件的可靠性建模数学表达式如下：
SOCmin≤SOC(t)≤SOCmax
SOC(0)＝SOC(T)
式中：SOC(t)为当前时刻储能荷电状态；SOCmax、SOCmin分别为储能荷电状态上限与下限；ηcha、ηdis分别为储能充放电时能量转换效率；BOS(t)表示储能装置在t时刻的运行状态；Δt取一小时；xdis、xcha为储能装置充放电状态，约束储能装置的充电状态与放电状态不能同时进行；Pmax与Qmax分别表示储能系统额定功率以及额定容量。
7.根据权利要求6所述的基于光-荷相关性增强可信度的配电网可靠性评估方法，其特征在于，所述配电网可靠性评估指标选取系统平均供电可用率、电量不足期望值、孤岛状态下平均供应电量来评价整个配电网的可靠性以及验证基于光-荷时序相关性的分布式光伏与负荷场景生成能提升配电网可靠性评估的可信度，数学表达式如下：
其中：
式中：ASAI表示系统平均供电可用率；EENS表示电量不足期望值；IIES表示孤岛状态下平均供应电量R为系统负荷点集合；Ui为负荷点年故障持续时间；Ni为位于负荷点i的用户个数；
表示负荷点i的用户平均功率；
表示负荷点i接入的分布式光伏平均功率；
表示负荷点i接入的储能装置平均功率；N表示配电网一年中的孤岛形成总次数；n表示第n次形成孤岛；Rj表示第n次形成的孤岛运行范围；Δt取1小时；tn表示第n次形成的孤岛运行时间。
8.根据权利要求7所述的基于光-荷相关性增强可信度的配电网可靠性评估方法，其特征在于，步骤S5中：基于步骤S3中的光-荷典型场景与步骤S4中的配电网可靠性评估模型研究分布式光伏与储能接入配电网之后的可靠性运行策略来进行配电网可靠性评估，其可靠性运行策略具体为：
所述可靠性运行策略中的储能装置运行策略按照正常时刻“低储高放”、故障时刻基于孤岛运行方式向负荷供电的形式运行，在正常运行模式时，采取储能装置在电价处于最高值时放电，最低值时充电，价格适中时不充不放的运行策略来模拟储能系统全天的SOC运行曲线，假设每天的上午6点为储能装置的荷电状态最大值SOCmax，22点为储能装置的荷电状态最小值SOCmin，运行过程中储能装置均匀地充放电，可得到储能系统各时刻SOC的分段函数如下：
在得到储能系统正常运行时的SOC曲线后，即可算出其处于每个SOC阶段所对应的概率，当配电网发生故障后，故障时刻储能系统SOC值便可由上述公式抽样得到；
所述可靠性运行策略中的配电网故障分区策略鉴于配电网中故障影响范围以开关为分界线的特点，当配电网中的某个元件发生故障时，采用以开关为界将配网进行分区的方法计算可靠性，分区内负荷点的可靠性受到分区外部不同元件故障的影响程度是相同的，这样可以简化抽样法的计算量，当配网元件发生故障时，采用故障分区策略将整条馈线分为故障区、故障上游区、故障下游区和故障无影响区，故障区域负荷点的停电时长为元件的故障修复时间；由于可以通过开关将故障隔离，故障上游区负荷点的停电时长为开关的倒闸时间；故障下游区若有储能装置作为后备电源，则要根据储能配置以及储能系统的孤岛运行策略来计算停电时间；若无储能装置作为后备电源，则下游区负荷点的停电时间为故障元件的修复时间；
所述可靠性运行策略中的孤岛运行策略以储能与分布式光伏为中心，结合故障时段储能SOC抽样值、储能最大充放电功率、分布式光伏出力、孤岛范围内总负荷功率这四大因素来判断孤岛形成的大小；若储能装置与分布式光伏装置能够保证当前孤岛顺利运行，则以开关为边界向周围扩大孤岛范围，直至形成一个最大范围的孤岛，当孤岛持续期间分布式光伏与储能的联合出力不足时，负荷需要进行削减，其数学表达式如下：
其约束条件如下：
式中：X(m)为孤岛内第m个负荷点的是否被削减的判据，负荷点m在被削减时X(m)等于1，在被削减之后X(m)等于0；Pi dmax(t)为t时刻孤岛内第i个分布式储能装置最大出力值，Nb为孤岛内分布式储能装置的数量；Pj DG(t)为t时刻孤岛内第j个分布式光伏的功率值，NDG为孤岛内分布式光伏装置的数量；Lt m(t)为孤岛内第m个负荷点的实际功率；M为孤岛内包含的负荷点的数量；t1、t2分别为配电网故障期间孤岛的形成时刻与孤岛的结束时刻。
9.根据权利要求1-8任一项所述的基于光-荷相关性增强可信度的配电网可靠性评估方法，其特征在于，步骤S5中：基于步骤S3中的光-荷典型场景与步骤S4中的配电网可靠性评估模型研究分布式光伏与储能接入配电网之后的可靠性运行策略来进行配电网可靠性评估，其可靠性评估流程具体为：
Step1：读入系统原始数据，设定仿真时间轴；
Step2：产生N个[0-1]间随机数，根据序贯蒙特卡洛模拟法对所有元件进行状态抽样，计算无故障运行时间TTF；
Step3：得到最小的TTF所对应的故障元件，根据该元件的故障修复率计算本次故障修复时间TTR；
Step4：基于步骤S3中生成的光-荷典型场景与步骤S4中的配电网可靠性评估模型确定孤岛运行范围大小；
Step5：记录配电网中各负荷点的停电次数、时间以及停电时刻对应负荷功率等信息；
Step6：更新时间轴，判断是否达到设定仿真时长，若未达到，跳转至Step2；
Step7：利用已记录下的负荷点停电次数、时间以及停电时刻对应负荷功率等信息计算负荷点以及系统的可靠性指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211442820.7A CN116011153A (zh) | 2022-11-16 | 2022-11-16 | 基于光-荷相关性增强可信度的配电网可靠性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211442820.7A CN116011153A (zh) | 2022-11-16 | 2022-11-16 | 基于光-荷相关性增强可信度的配电网可靠性评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116011153A true CN116011153A (zh) | 2023-04-25 |
Family
ID=86020356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211442820.7A Pending CN116011153A (zh) | 2022-11-16 | 2022-11-16 | 基于光-荷相关性增强可信度的配电网可靠性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011153A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116706892A (zh) * | 2023-06-15 | 2023-09-05 | 华北电力大学 | 一种轨道交通光储配置方法、系统及电子设备 |
-
2022
- 2022-11-16 CN CN202211442820.7A patent/CN116011153A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116706892A (zh) * | 2023-06-15 | 2023-09-05 | 华北电力大学 | 一种轨道交通光储配置方法、系统及电子设备 |
| CN116706892B (zh) * | 2023-06-15 | 2023-12-29 | 华北电力大学 | 一种轨道交通光储配置方法、系统及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shin et al. | Operational planning and optimal sizing of microgrid considering multi-scale wind uncertainty | |
| Bakhtiari et al. | Predicting the stochastic behavior of uncertainty sources in planning a stand-alone renewable energy-based microgrid using Metropolis–coupled Markov chain Monte Carlo simulation | |
| Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
| US20230198258A1 (en) | Apparatus and method for optimizing carbon emissions in a power grid | |
| CN112614009A (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
| CN109755967B (zh) | 一种配电网中光储系统的优化配置方法 | |
| Hafeez et al. | Utilization of EV charging station in demand side management using deep learning method | |
| Varzaneh et al. | Optimal energy management for PV‐integrated residential systems including energy storage system | |
| 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 | |
| Qi et al. | Energyboost: Learning-based control of home batteries | |
| CN117833285A (zh) | 一种基于深度强化学习的微电网储能优化调度方法 | |
| Bagheri et al. | Stochastic optimization and scenario generation for peak load shaving in Smart District microgrid: sizing and operation | |
| CN116011153A (zh) | 基于光-荷相关性增强可信度的配电网可靠性评估方法 | |
| Nematirad et al. | Optimal sizing of photovoltaic-battery system for peak demand reduction using statistical models | |
| CN117691583B (zh) | 一种用于虚拟电厂的电力调度系统及方法 | |
| Härtel et al. | Minimizing energy cost in pv battery storage systems using reinforcement learning | |
| Khwaja et al. | Performance analysis of LSTMs for daily individual EV charging behavior prediction | |
| Buechler et al. | Optimal energy supply scheduling for a single household: Integrating machine learning for power forecasting | |
| CN116596279B (zh) | 一种智慧园区能源消耗调度系统 | |
| CN108711886A (zh) | 一种园区配网时序运行样本生成方法 | |
| Luo et al. | Optimal scheduling of electrolyzer in power market with dynamic prices | |
| Evangeline et al. | Minimizing voltage fluctuation in stand-alone microgrid system using a Kriging-based multi-objective stochastic optimization algorithm | |
| Udomparichatr et al. | End-to-End Smart EV Charging Framework: Demand Forecasting and Profit Maximization With Causal Information Enhancement | |
| Al-Awami et al. | An efficient scenario generation technique for short-term wind power production | |
| Zhou et al. | Managing Intermittent Renewable Generation with Battery Storage using a Deep Reinforcement Learning Strategy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |