CN116227751B - 配电网优化配置方法及装置 - Google Patents

配电网优化配置方法及装置 Download PDF

Info

Publication number
CN116227751B
CN116227751B CN202310511699.7A CN202310511699A CN116227751B CN 116227751 B CN116227751 B CN 116227751B CN 202310511699 A CN202310511699 A CN 202310511699A CN 116227751 B CN116227751 B CN 116227751B
Authority
CN
China
Prior art keywords
scene
distribution network
constraint
power distribution
renewable energy
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.)
Active
Application number
CN202310511699.7A
Other languages
English (en)
Other versions
CN116227751A (zh
Inventor
鲁宇
宋磊
丰顺强
姜明磊
辛昊阔
姚狄
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.)
Economic and Technological Research Institute of State Grid Jilin Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Jilin 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 Economic and Technological Research Institute of State Grid Jilin Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Jilin Electric Power Co Ltd
Priority to CN202310511699.7A priority Critical patent/CN116227751B/zh
Publication of CN116227751A publication Critical patent/CN116227751A/zh
Application granted granted Critical
Publication of CN116227751B publication Critical patent/CN116227751B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及电力领域，尤其是一种配电网优化配置方法及装置，对可再生能源的出力历史数据进行特性分析，提取场景特性指标，形成对应历史数据集A1和对应场景特性指标集A2；采用K‑means++对场景特性指标进行聚类，获取聚类中心场景特性指标集A3及相应概率；利用所述历史数据集A1和场景特性指标集A2对生成对抗网络模型进行训练；将聚类中心场景特性指标集A3带入已训练好的生成对抗网络模型之中，生成相应场景；针对所述生成的场景，基于优化模型，计算每个场景下可再生能源的最大接入容量与位置；根据各场景下配电网接纳能力与场景概率，加权平均得到最终评估结果。本发明能够有效提高对配电网可再生能源接纳能力评估的精确性和有效性。

Description

配电网优化配置方法及装置
技术领域
本发明涉及电力领域，尤其是一种配电网优化配置方法及装置。
背景技术
可再生能源具有随机性和不确定性问题，少量分布式电源(DistributionGeneration, DG)接入能够改善电压分布、减少网损和提高系统可靠性等，但随着大规模分布式电源并网，导致配电网中可再生能源渗透率不断提高。过高的渗透率和不合理的DG并网容量与位置可能对配电系统产生不良影响，如电压偏差、反向潮流等问题。配电网在安全稳定运行前提下DG理想接入位置与容量称为配电网的接纳能力。因此，如何考虑DG出力不确定性提高配电网接纳能力的是目前亟待解决的重要问题。
针对DG出力不确定性建模研究中，基于概率密度建模的传统方法相对成熟，基于少量数据样本可以实现对DG出力概率建模，常见模型由基于Weibull分布的风速模型、基于Beta分布的太阳辐照模型和基于高斯分布的负荷模型。DG出力特性受气象因素影响较大，不同气象条件下概率分布模型具有显著性差异，如晴天无云时太阳辐照采用的Beta分布呈单峰右偏情况，多云时呈现U型分布。高斯混合模型、Copula函数等模型虽然能够不局限于特定概率分布，但面对差异性多样气象条件，传统方法难以采用单一模型刻画DG出力的随机性与波动性，不具有普适性。
针对配电网DG接纳能力研究中，主要有解析法、智能优化法和随机场景法。现有接纳能力研究缺少考虑系统中如储能、柔性负荷等灵活性资源，灵活性资源的合理规划对配电网光伏接纳能力影响较大，相比柔性负荷局限性，储能具有更好的应用前景，但缺少考虑储能配置对大规模整县光伏接纳能力评估研究。
发明内容
本发明的发明目的在于提供一种配电网优化配置方法及装置，能够有效提高对配电网可再生能源接纳能力评估的精确性和有效性。
基于同一发明构思，本发明具有两个独立的技术方案：
1、一种配电网优化配置方法，包括如下步骤：
步骤1：样本集构建；对可再生能源的出力历史数据进行特性分析，提取场景特性指标，形成对应历史数据集A1和对应场景特性指标集A2；采用K-means++对场景特性指标进行聚类，获取聚类中心场景特性指标集A3及相应概率；
步骤2：模型训练；利用所述历史数据集A1和场景特性指标集A2对生成对抗网络模型进行训练；
步骤3：场景生成；将聚类中心场景特性指标集A3带入已训练好的生成对抗网络模型之中，生成相应场景；
步骤4：针对所述生成的场景，基于优化模型，计算每个场景下可再生能源的最大接入容量与位置，对每个场景下配电网可再生能源接纳能力进行评估；
步骤5：根据各场景下配电网接纳能力与场景概率，加权平均得到最终评估结果;
步骤6：根据所述评估结果，基于模糊层次分析法和TOPSIS方法实现配电网优化配置。
进一步地，步骤1中，所述场景特性指标包括可再生能源的日出力最大值、最小值、均值、出力小时数、峰谷差、日负荷率、日内平均波动率。
进一步地，步骤2中，所述生成对抗网络模型由生成器和判别器组成，其博弈函数为：
Figure SMS_1
，
式中：V(G，D)表示博弈价值计算函数；G表示生成器；D表示判别器；z为噪声；x为生成数据；y为条件；P R 为真实数据服从概率分布；P z 为噪声服从的高斯分布。
进一步地，步骤2中，所述生成对抗网络模型引入1-Lipschiz约束使判别器具有范数小于等于1的梯度，具体约束条件如下，
Figure SMS_2
，
式中：W(P R， P G )表示Wasserstein距离计算函数；sup表示最小上界；
Figure SMS_3
表示1-Lipschiz约束使判别器具有范数小于等于1的梯度；P G 为生成数据服从的概率分布。
进一步地，步骤4中，所述优化模型通过如下方法建立，
以配电网光伏接入可再生能源容量最大为目标，建立优化模型，采用Gurobi求解器进行求解计算，
Figure SMS_4
，
式中，
Figure SMS_5
表示节点i处接入的可再生能源容量； />
Figure SMS_6
表示接入可再生能源的待选位置，F表示可再生能源接入容量。
进一步地，步骤4中，基于DistFlow模型建立配电网潮流运行约束，所述优化模型包括约束条件，所述约束条件为节点有功功率平衡约束、无功功率平衡约束、线路压降平衡约束、二阶锥约束、节点电压第一约束、节点电压第二上限约束、节点电压第二下限约束、潮流返送约束、可再生能源接入容量约束和支路电流约束。
进一步地，步骤6中，基于可再生能源接入容量、储能综合成本、网损、可靠性收益、环境收益评价指标对配电网储能装置进行评价。
进一步地，储能综合成本
Figure SMS_7
由储能投资成本/>
Figure SMS_8
、运行维护成本/>
Figure SMS_9
组成，
Figure SMS_10
，
Figure SMS_11
，
Figure SMS_12
，
式中，
Figure SMS_13
表示贴现率；/>
Figure SMS_14
表示运行年限、S表示储能容量、/>
Figure SMS_15
表达储能单位能量价格、/>
Figure SMS_16
为运行维护成本系数。
进一步地，环境收益评价指标Ec通过如下公式获得，
Figure SMS_17
，
式中，S表示储能容量，
Figure SMS_18
表示为单位煤炭转换为CO2的系数；/>
Figure SMS_19
为地区地火电机组单位电量的平均煤耗；/>
Figure SMS_20
表示为参考国际标准确定的单位碳交易价格，/>
Figure SMS_21
为第 k日的放电深度；N表示运行年限。
进一步地，对配电网储能装置进行评价包括如下步骤：
步骤6.1：针对各评价指标进行打分，形成判断矩阵；
步骤6.2：根据模糊层次分析法计算指标权重，得到规范化的权重向量
Figure SMS_22
；
步骤6.3：针对配电网储能装置不同方案分别计算各评价指标；
步骤6.4：建立规范化决策矩阵；将不同量纲的指标通过极差变换转化为标准化指标，根据步骤2所得权重向量进行计算，得到加权规范化矩阵
Figure SMS_23
；
步骤6.5：选定方案的理想解
Figure SMS_24
和负理想解/>
Figure SMS_25
；
步骤6.6：计算方案距离理想解和负理想解的欧式距离
Figure SMS_26
和/>
Figure SMS_27
；
步骤6.7：计算各方案的相对贴近度
Figure SMS_28
，贴近度排序后值大的方案为较优。
2、一种配电网可再生能源接纳能力评估装置，用于执行上述的方法。
本发明具有的有益效果：
本发明包括步骤为，步骤1样本集构建；对可再生能源的出力历史数据进行特性分析，提取场景特性指标，形成对应历史数据集A1和对应场景特性指标集A2；采用K-means++对场景特性指标进行聚类，获取聚类中心场景特性指标集A3及相应概率；步骤模型训练；利用所述历史数据集A1和场景特性指标集A2对生成对抗网络模型进行训练；步骤3场景生成；将聚类中心场景特性指标集A3带入已训练好的生成对抗网络模型之中，生成相应场景；步骤4：针对所述生成的场景，基于优化模型，计算每个场景下可再生能源的最大接入容量与位置，对每个场景下配电网可再生能源接纳能力进行评估；步骤5：根据各场景下配电网接纳能力与场景概率，加权平均得到最终评估结果。本发明利用对可再生能源的出力历史数据进行特性分析，提取场景特性指标，通过K-means++算法对特性指标进行聚类，形成聚类中心场景特性指标集A3及相应概率，进而基于聚类中心场景特性指标集A3生成相应可再生能源出力场景，提高了可再生能源出力不确定性建模的精确性，为配电网可再生能源接纳能力的评估提供大量数据支撑；本发明通过计算每个场景下可再生能源的最大接入容量与位置，能够实现考虑可再生能源出力不确定性的配电网接纳能力评估，提高配电网接纳能力评估的精确性和有效性，帮助电网管理者优化电网的配电结构，提高电网对可再生能源的接纳能力，促进可再生能源的大规模应用，为促进低碳经济发展作出积极贡献。
本发明步骤1中所述场景特性指标包括可再生能源的日出力最大值、最小值、均值、出力小时数、峰谷差、日负荷率、日内平均波动率；步骤2中，所述生成对抗网络模型由生成器和判别器组成，其博弈函数为：
Figure SMS_29
，
式中，G表示生成器；D表示判别器；z为噪声；x为生成数据；y为条件；P R 为真实数据服从概率分布；P z 为噪声服从的高斯分布；
步骤2中，所述生成对抗网络模型引入1-Lipschiz约束使判别器具有范数小于等于1的梯度，具体约束条件如下，
Figure SMS_30
，
步骤4中，所述优化模型通过如下方法建立，以配电网光伏接入可再生能源容量最大为目标，建立优化模型，采用Gurobi求解器进行求解计算，
Figure SMS_31
，
式中，
Figure SMS_32
表示节点i处接入的可再生能源容量； />
Figure SMS_33
表示接入可再生能源的待选位置，F表示可再生能源接入容量。
步骤4中，基于DistFlow模型建立配电网潮流运行约束，所述优化模型包括约束条件，所述约束条件为节点有功功率平衡约束、无功功率平衡约束、线路压降平衡约束、二阶锥约束、节点电压第一约束、节点电压第二上限约束、节点电压第二下限约束、潮流返送约束、可再生能源接入容量约束和支路电流约束。本发明通过上述对生成对抗网络模型、优化模型以及场景特性指标的具体设置，进一步保证对配电网可再生能源接纳能力评估的精确性和有效性。
本发明利用深度学习强大的拟合能力来提取DG出力不确定性特征，通过耦合K-means++聚类算法，提高场景生成精度与效率；考虑电压一类偏差和二类偏差、潮流返送、线路电流约束，建立DG接入容量最大的线性规划模型。本发明经仿真验证模型有效性，得出以下下结论：基于条件生成对抗网络的场景建模方法，更能够保证生成场景随机性与波动性；馈线首端到馈线末端接入容量呈现递减状态，使系统电压更不容易发生越限状况；在配电网接纳能力的基础上，综合考虑能综合成本、光伏接入容量、网损、可靠性收益、环境收益建立配电网储能优化配置评价指标，基于模糊层次分析法和TOPSIS方法实现储能的优化配置。
具体实施方式
下面结合实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
实施例一：
配电网优化配置方法
本发明方法包括如下步骤：
步骤1：样本集构建；对可再生能源的出力历史数据进行特性分析，提取场景特性指标，形成对应历史数据集A1和对应场景特性指标集A2；采用K-means++对场景特性指标进行聚类，获取聚类中心场景特性指标集A3及相应概率。
对于给定DG出力历史数据样本，构建样本训练集
Figure SMS_34
，
Figure SMS_35
表示DG种类，/>
Figure SMS_36
表示时刻。使用该训练集训练模型，使模型能够生成具有同样随机性的样本，并表现出不同随机模式。为实现场景生成与场景约减一体化建模，参考现有负荷特性分析指标，提出多种DG出力特性分析指标，并将指标作为模型生成条件，能够实现给定约束下场景生成。所述场景特性指标包括：DG日出力最大值、最小值、均值、出力小时数、峰谷差、日负荷率、日内平均波动率。
相比直接采用DG出力历史数据聚类，采用K-means++对DG出力特性指标进行聚类，能够提高具有场景有效性。如果直接针对历史数据进行聚类，基于欧式距离的聚类方法无法实现场景间概率约减，即约减后场景无法体现历史数据多元随机性特征。采用DG出力特性指标进行聚类，以指标作为CGAN模型条件，实现二者耦合。该方法即能够利用K-means++聚类效率高的特性，又能够利用CGAN模型拟合DG出力历史非线性特征，从而实现基于场景生成与场景约减的有机融合。与此同时，若想评估极端场景下配电网DG接纳能力，可通过认为构造极端场景的DG出力特性指标，带入CGAN模型即可生成历史数据中较少或不存在的场景。
步骤2：模型训练；利用所述历史数据集A1和场景特性指标集A2对生成对抗网络模型进行训练。
生成对抗网络由两个深度神经网络构成，分别为生成器和判别器。生成器用于学习历史数据的真实分布，判别器用于鉴别生成器生成样本与真实样本差异性。为了将场景生成与场景约减相耦合，引入场景标签作为模型训练条件，使生成器根据给定标签生成对应场景，建立基于该场景条件的条件生成对抗网络(conditional generativeadversarial network, CGAN)。构建极大极小博弈，使CGAN达到纳什均衡。
博弈函数为：
Figure SMS_37
（1）
式中，G表示生成器；D表示判别器；z为噪声；x为生成数据；y为条件；P R 为真实数据服从概率分布；P z 为噪声服从的高斯分布。
相比传统JS散度，Wasserstein距离能够更好度量样本间概率距离，引入1-Lipschiz约束使判别器具有范数小于等于1的梯度，能够提高模型鲁棒性。
Figure SMS_38
（2）
式中，sup表示最小上界。
上述步骤1、步骤2为数据驱动建模。
步骤3：场景生成；将聚类中心场景特性指标集A3带入已训练好的生成对抗网络模型之中，生成相应场景。
步骤4：针对所述生成的场景，基于优化模型，计算每个场景下可再生能源的最大接入容量与位置，对每个场景下配电网可再生能源接纳能力进行评估。
所述优化模型通过如下方法建立，
以配电网光伏接入可再生能源容量最大为目标，建立优化模型，采用Gurobi求解器进行求解计算，
Figure SMS_39
式中，
Figure SMS_40
表示节点i处接入的可再生能源容量； />
Figure SMS_41
表示接入可再生能源的待选位置，F表示可再生能源接入容量。
基于DistFlow模型建立配电网潮流运行约束，所述优化模型包括约束条件，所述约束条件为节点有功功率平衡约束、无功功率平衡约束、线路压降平衡约束、二阶锥约束、节点电压第一约束、节点电压第二上限约束、节点电压第二下限约束、潮流返送约束、可再生能源接入容量约束和支路电流约束。
具体实施时，
针对配电网DG接纳能力评估问题，以配电网光伏接入容量最大为目标，建立优化模型，采用Gurobi求解器进行求解计算。
Figure SMS_42
（3）
式中，
Figure SMS_43
表示节点i处接入的DG容量；/>
Figure SMS_44
表示接入DG的待选位置。
基于DistFlow模型建立配电网潮流运行约束，分别建立式(4)节点有功功率平衡约束、式(5)无功功率平衡约束、式(6)线路压降平衡约束、式(7)二阶锥约束、式(8)节点电压第一约束、式(9)节点电压第二上限约束、式(10)节点电压第二下线约束、式(11)判别函数、式(12)潮流返送约束、式(13)DG接入容量约束和式(14)支路电流约束：
Figure SMS_45
（4）
Figure SMS_46
（5）
Figure SMS_47
（6）
Figure SMS_48
（7）
Figure SMS_49
（8）
Figure SMS_50
（9）
Figure SMS_51
（10）
Figure SMS_52
（11）
Figure SMS_53
（12）
Figure SMS_54
（13）
Figure SMS_55
（14）
其中，式(8)用来约束系统电压严格不越限，式(9)-(11)允许系统在模拟周期内电压发生给定次数越限情况，采用不同电压约束引入一定松弛随机性，通常
Figure SMS_56
，对于非线性约束式(11)，采用大M法进行线性化，替换该约束，引入二元变量/>
Figure SMS_57
和/>
Figure SMS_58
，以及常数大M，如式(15)-(18)所示。
Figure SMS_59
（15）
Figure SMS_60
（16）
Figure SMS_61
（17）
Figure SMS_62
（18）
在配电网接纳能力评估模型基础上，建立日内储能运行模型，储能系统运行约束包括系统充放电约束(19)-(22)、荷电状态约束(23)、以及建立储能充放电电量平衡的调度策略(24)，分别为式(19)-(24)：
Figure SMS_63
（19）
Figure SMS_64
（20）
Figure SMS_65
（21）
Figure SMS_66
（22）
Figure SMS_67
（23）
Figure SMS_68
（24）
式中，
Figure SMS_76
和/>
Figure SMS_89
为支路ij有功功率和无功功率；/>
Figure SMS_105
和/>
Figure SMS_79
为支路jw的有功功率和无功功率；/>
Figure SMS_98
和/>
Figure SMS_72
为节点i注入功率；/>
Figure SMS_97
和/>
Figure SMS_73
为节点i有功负荷和无功负荷；/>
Figure SMS_100
为节点i电压的平方；/>
Figure SMS_78
为节点j电压的平方；/>
Figure SMS_93
为支路ij电流的平方；/>
Figure SMS_74
为支路ij电流的最大值；/>
Figure SMS_96
和/>
Figure SMS_75
为支路ij电阻和电抗；/>
Figure SMS_99
、/>
Figure SMS_80
和/>
Figure SMS_88
分别表示支路集合、DG接入位置集合和变电站集合；/>
Figure SMS_104
表示返送系数；/>
Figure SMS_110
、/>
Figure SMS_83
、/>
Figure SMS_87
、/>
Figure SMS_102
和/>
Figure SMS_108
分别表示变电站容量、DG接入容量、节点电压平方一类、电压平方一类和支路电流最大值；/>
Figure SMS_81
和/>
Figure SMS_94
表示节点电压平方一类和二类最小值；/>
Figure SMS_84
和/>
Figure SMS_90
分别表示电压严重越上限和下限次数；P DG 表示DG注入的有功功率；/>
Figure SMS_71
表示变电站节点返送功率；/>
Figure SMS_85
和/>
Figure SMS_70
分别表示储能充放电状态，分为0/1变量；/>
Figure SMS_86
和/>
Figure SMS_101
分别表示位于节点i的储能充放电状态，分为0/1变量；/>
Figure SMS_107
和/>
Figure SMS_77
表示节点i储能t时刻和t-1时刻电量；/>
Figure SMS_91
和/>
Figure SMS_82
表示位于节点i的储能t时刻充放电功率；/>
Figure SMS_92
表示节点i储能充放电最大功率；/>
Figure SMS_103
和/>
Figure SMS_109
分别表示储能充放电效率；/>
Figure SMS_95
表示节点i处部署的储能容量；/>
Figure SMS_106
和/>
Figure SMS_69
分别表示储能SOC上下限。
上述优化模型的建立为模型驱动建模。
步骤5：根据各场景下配电网接纳能力与场景概率，加权平均得到最终评估结果。
步骤6：根据所述评估结果，基于模糊层次分析法和TOPSIS方法实现配电网优化配置。
受制于储能成本，如果不考虑储能成本，储能配置方案与实际有较大偏差。因此，本发明在利用数据驱动与模型驱动的方法实现配电网光伏接纳能力评估的基础上，分别从储能综合成本、光伏接入容量、网损、可靠性收益、环境收益建立配电网储能优化配置评价指标：
（1）储能综合成本
储能综合成本
Figure SMS_111
由储能投资成本/>
Figure SMS_112
、运行维护成本/>
Figure SMS_113
：
Figure SMS_114
（25）
储能投资成本：
Figure SMS_115
（26）
式中：N表示运行年限、S表示储能容量，
运行维护成本运行维护成本包括人工成本、设备检修成本以及电池更换成本构成：
Figure SMS_116
（27）
式中，
Figure SMS_117
表示贴现率；/>
Figure SMS_118
表示运行年限、S表示储能容量、/>
Figure SMS_119
表达储能单位能量价格、/>
Figure SMS_120
为运行维护成本系数。
（2）光伏接入容量F由配电网光伏接纳能力评估方法计算得到。
（3）网损
Figure SMS_121
Figure SMS_122
（28）
式中，
Figure SMS_123
为系统节点个数；/>
Figure SMS_124
为支路ij网损。
（4）可靠性收益R
Figure SMS_125
（29）
式中，
Figure SMS_126
表示单位停电损失电量的收益；/>
Figure SMS_127
表示接入储能后系统期望缺供电量的提高。
（5）环境收益
本发明以碳排放交易模型建立环境收益E c ：
Figure SMS_128
（30）
式中，S表示储能容量，
Figure SMS_129
表示为单位煤炭转换为CO2的系数；/>
Figure SMS_130
为地区地火电机组单位电量的平均煤耗；/>
Figure SMS_131
表示为参考国际标准确定的单位碳交易价格，/>
Figure SMS_132
为第 k日的放电深度；N表示运行年限。
针对上述5个评价指标，可通过现有的模糊层次分析法与TOPSIS方法对不同方案进行综合评价，通过TOPSIS方法建立权重规范化矩阵时，采用模糊层次分析法对各备选方案评价指标权重进行计算，从而得到权重规范化矩阵，确定理想解与负理想解后计算距离与相对贴近程度得到最终排序。
对配电网储能装置进行评价包括如下步骤：
步骤6.1：针对各评价指标进行打分，形成判断矩阵；
步骤6.2：根据模糊层次分析法计算指标权重，得到规范化的权重向量
Figure SMS_133
；
步骤6.3：针对配电网储能装置不同方案分别计算各评价指标；
步骤6.4：建立规范化决策矩阵；将不同量纲的指标通过极差变换转化为标准化指标，根据步骤2所得权重向量进行计算，得到加权规范化矩阵
Figure SMS_134
；
步骤6.5：选定方案的理想解
Figure SMS_135
和负理想解/>
Figure SMS_136
；
步骤6.6：计算方案距离理想解和负理想解的欧式距离
Figure SMS_137
和/>
Figure SMS_138
；
步骤6.7：计算各方案的相对贴近度
Figure SMS_139
，贴近度排序后值大的方案为较优。
实施例二：
配电网可再生能源接纳能力评估装置
所述装置用于执行实施例一所述的方法。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

Claims (6)

1.一种配电网优化配置方法，其特征在于，包括如下步骤：
步骤1：样本集构建；对可再生能源的出力历史数据进行特性分析，提取场景特性指标，形成对应历史数据集A1和对应场景特性指标集A2；采用K-means++对场景特性指标进行聚类，获取聚类中心场景特性指标集A3及相应概率；
步骤2：模型训练；利用所述历史数据集A1和场景特性指标集A2对生成对抗网络模型进行训练；
步骤3：场景生成；将聚类中心场景特性指标集A3带入已训练好的生成对抗网络模型之中，生成相应场景；
步骤4：针对所述生成的场景，基于优化模型，计算每个场景下可再生能源的最大接入容量与位置，对每个场景下配电网可再生能源接纳能力进行评估；
步骤5：根据各场景下配电网接纳能力与场景概率，加权平均得到最终评估结果；
步骤6：根据所述评估结果，基于模糊层次分析法和TOPSIS方法实现配电网优化配置；
步骤1中，所述场景特性指标包括可再生能源的日出力最大值、最小值、均值、出力小时数、峰谷差、日负荷率、日内平均波动率；
步骤4中，所述优化模型通过如下方法建立，
以配电网光伏接入可再生能源容量最大为目标，建立优化模型，采用Gurobi求解器进行求解计算，
Figure QLYQS_1
；
式中，
Figure QLYQS_2
表示节点i处接入的可再生能源容量； />
Figure QLYQS_3
表示接入可再生能源的待选位置，F表示可再生能源接入容量，
步骤4中，基于DistFlow模型建立配电网潮流运行约束，所述优化模型包括约束条件，所述约束条件为节点有功功率平衡约束、无功功率平衡约束、线路压降平衡约束、二阶锥约束、节点电压第一约束、节点电压第二上限约束、节点电压第二下限约束、潮流返送约束、可再生能源接入容量约束和支路电流约束；
步骤6中，基于可再生能源接入容量、储能综合成本、网损、可靠性收益、环境收益评价指标对配电网储能装置进行评价；
对配电网储能装置进行评价包括如下步骤：
步骤6.1：针对各评价指标进行打分，形成判断矩阵；
步骤6.2：根据模糊层次分析法计算指标权重，得到规范化的权重向量
Figure QLYQS_4
；
步骤6.3：针对配电网储能装置不同方案分别计算各评价指标；
步骤6.4：建立规范化决策矩阵；将不同量纲的指标通过极差变换转化为标准化指标，根据步骤2所得权重向量进行计算，得到加权规范化矩阵
Figure QLYQS_5
；
步骤6.5：选定方案的理想解
Figure QLYQS_6
和负理想解/>
Figure QLYQS_7
；
步骤6.6：计算方案距离理想解和负理想解的欧式距离
Figure QLYQS_8
和/>
Figure QLYQS_9
；
步骤6.7：计算各方案的相对贴近度
Figure QLYQS_10
，贴近度排序后值大的方案为较优。
2.根据权利要求1所述的配电网优化配置方法，其特征在于：步骤2中，所述生成对抗网络模型由生成器和判别器组成，其博弈函数为：
Figure QLYQS_11
；
式中：V()表示博弈价值计算函数；G表示生成器；D表示判别器；z为噪声；x为生成数据；y为条件；P R 为真实数据服从概率分布；P z 为噪声服从的高斯分布。
3.根据权利要求2所述的配电网优化配置方法，其特征在于：步骤2中，所述生成对抗网络模型引入1-Lipschiz约束使判别器具有范数小于等于1的梯度，具体约束条件如下，
Figure QLYQS_12
；
式中：W()表示Wasserstein距离计算函数；sup表示最小上界；
Figure QLYQS_13
表示1-Lipschiz约束使判别器具有范数小于等于1的梯度；P R 为真实数据服从的概率分布；P G 为生成数据服从的概率分布；x为生成数据；y为条件；D表示判别器。
4.根据权利要求1所述的配电网优化配置方法，其特征在于：储能综合成本
Figure QLYQS_14
由储能投资成本/>
Figure QLYQS_15
、运行维护成本/>
Figure QLYQS_16
组成，
Figure QLYQS_17
；
Figure QLYQS_18
；
Figure QLYQS_19
；
式中，
Figure QLYQS_20
表示贴现率；/>
Figure QLYQS_21
表示运行年限、S表示储能容量、/>
Figure QLYQS_22
表达储能单位能量价格、
Figure QLYQS_23
为运行维护成本系数。
5.根据权利要求1所述的配电网优化配置方法，其特征在于：环境收益评价指标E c 通过如下公式获得，
Figure QLYQS_24
；
式中，S表示储能容量，
Figure QLYQS_25
表示为单位煤炭转换为CO2的系数；/>
Figure QLYQS_26
为地区地火电机组单位电量的平均煤耗；/>
Figure QLYQS_27
表示为参考国际标准确定的单位碳交易价格，/>
Figure QLYQS_28
为第k日的放电深度；N表示运行年限。
6.一种配电网可再生能源接纳能力评估装置，其特征在于：用于执行权利要求1至5任何一项所述的方法。
CN202310511699.7A 2023-05-09 2023-05-09 配电网优化配置方法及装置 Active CN116227751B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310511699.7A CN116227751B (zh) 2023-05-09 2023-05-09 配电网优化配置方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310511699.7A CN116227751B (zh) 2023-05-09 2023-05-09 配电网优化配置方法及装置

Publications (2)

Publication Number Publication Date
CN116227751A CN116227751A (zh) 2023-06-06
CN116227751B true CN116227751B (zh) 2023-07-07

Family

ID=86584684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310511699.7A Active CN116227751B (zh) 2023-05-09 2023-05-09 配电网优化配置方法及装置

Country Status (1)

Country Link
CN (1) CN116227751B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104753086A (zh) * 2015-04-09 2015-07-01 广西大学 一种满足多种场景鲁棒运行的最小旋转备用调度方法
CN111859283A (zh) * 2020-06-02 2020-10-30 天津大学 一种考虑多能源荷时序性、相关性的场景生成方法
CN112271731A (zh) * 2020-10-29 2021-01-26 合肥工业大学 一种风电功率多时段时间序列场景的生成及消减方法
CN112308412A (zh) * 2020-10-30 2021-02-02 国网电力科学研究院有限公司 基于评估指标的波浪发电典型场景生成方法
CN112865089A (zh) * 2021-01-30 2021-05-28 上海电机学院 一种改进的主动配电网大规模场景分析方法
CN115495862A (zh) * 2022-10-12 2022-12-20 华北电力大学 考虑可再生能源极端场景的输电网扩展规划方法及系统
CN115563507A (zh) * 2022-11-01 2023-01-03 广东电网有限责任公司 可再生能源发电场景的生成方法、装置及设备
CN115618252A (zh) * 2022-09-26 2023-01-17 国网甘肃省电力公司 一种光伏接入容量评估方法、装置及电子设备
CN115659191A (zh) * 2022-10-20 2023-01-31 广东工业大学 基于集成聚类和频繁项集树的光-荷典型场景集生成方法
CN115828441A (zh) * 2022-07-10 2023-03-21 华北电力大学 基于条件生成对抗网络的风机出力场景生成和缩减方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104753086A (zh) * 2015-04-09 2015-07-01 广西大学 一种满足多种场景鲁棒运行的最小旋转备用调度方法
CN111859283A (zh) * 2020-06-02 2020-10-30 天津大学 一种考虑多能源荷时序性、相关性的场景生成方法
CN112271731A (zh) * 2020-10-29 2021-01-26 合肥工业大学 一种风电功率多时段时间序列场景的生成及消减方法
CN112308412A (zh) * 2020-10-30 2021-02-02 国网电力科学研究院有限公司 基于评估指标的波浪发电典型场景生成方法
CN112865089A (zh) * 2021-01-30 2021-05-28 上海电机学院 一种改进的主动配电网大规模场景分析方法
CN115828441A (zh) * 2022-07-10 2023-03-21 华北电力大学 基于条件生成对抗网络的风机出力场景生成和缩减方法
CN115618252A (zh) * 2022-09-26 2023-01-17 国网甘肃省电力公司 一种光伏接入容量评估方法、装置及电子设备
CN115495862A (zh) * 2022-10-12 2022-12-20 华北电力大学 考虑可再生能源极端场景的输电网扩展规划方法及系统
CN115659191A (zh) * 2022-10-20 2023-01-31 广东工业大学 基于集成聚类和频繁项集树的光-荷典型场景集生成方法
CN115563507A (zh) * 2022-11-01 2023-01-03 广东电网有限责任公司 可再生能源发电场景的生成方法、装置及设备

Also Published As

Publication number Publication date
CN116227751A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN109325608B (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
CN109508823B (zh) 一种基于场景分析法的配电网中分布式电源规划方法
CN112131733B (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN108306303A (zh) 一种考虑负荷增长和新能源出力随机的电压稳定评估方法
CN104392394B (zh) 一种微电网储能裕度的检测方法
CN111009895B (zh) 一种微网优化调度方法、系统以及设备
CN112952807B (zh) 考虑风电不确定性与需求响应的多目标优化调度方法
CN111144655A (zh) 一种分布式电源选址定容与配电网网架联合优化方法
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN114123294B (zh) 考虑三相不平衡的多目标光伏单相并网容量规划方法
CN115021331A (zh) 基于贡献系数法的清洁能源基地水风光一体化补偿方法
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN112561252B (zh) 一种含新能源地区电网无功组合评价方法
CN116227751B (zh) 配电网优化配置方法及装置
Xu et al. Influence of different optimization aalgorithms on prediction accuracy of photovoltaic output power based on BP neural network
Fu et al. Statistical machine learning model for uncertainty analysis of photovoltaic power
CN116169785A (zh) 一种基于深度q学习的灵活互动资源安全运行预警方法
Kaysal et al. Comparison the performance of different optimization methods in artificial intelligence based electricity production forecasting
CN115065097A (zh) 计及不确定性的光-储场站日内功率上报方法及装置
CN114977324A (zh) 能源基地多能互补运行中多主体效益变化的量化方法
Huang et al. Power Prediction Method of Distributed Photovoltaic Digital Twin System Based on GA-BP
Zhou et al. Short-term power forecast of wind power generation based on genetic algorithm optimized neural network
CN114722615B (zh) 一种基于生产运营模拟的储能容量优化配置方法
Chen et al. Research on Real-time Carbon Emission Factor Prediction Method for Load Nodes of Power System based on Gated Recurrent Cell Network
Wu et al. Research on location and capacity of distribution generation considering plug-in electric vehicle

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