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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000004146 energy storage Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 23
- 230000008901 benefit Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 229910052799 carbon Inorganic materials 0.000 claims description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000039077 Copula Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
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:
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,
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,
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,环境收益评价指标Ec通过如下公式获得,
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6.3:针对配电网储能装置不同方案分别计算各评价指标;
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:
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,
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,
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,表示DG种类,/>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:
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。
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,
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。
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:
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,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/>和/>,以及常数大M,如式(15)-(18)所示。
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):
式中,和/>为支路ij有功功率和无功功率;/>和/>为支路jw的有功功率和无功功率;/>和/>为节点i注入功率;/>和/>为节点i有功负荷和无功负荷;/>为节点i电压的平方;/>为节点j电压的平方;/>为支路ij电流的平方;/>为支路ij电流的最大值;/>和/>为支路ij电阻和电抗;/>、/>和/>分别表示支路集合、DG接入位置集合和变电站集合;/>表示返送系数;/>、/> 、/>、/>和/>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;/>和/>表示节点电压平方一类和二类最小值;/>和/>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;/>表示变电站节点返送功率;/>和/>分别表示储能充放电状态,分为0/1变量;/>和/>分别表示位于节点i的储能充放电状态,分为0/1变量;/>和/>表示节点i储能t时刻和t-1时刻电量;/>和/>表示位于节点i的储能t时刻充放电功率;/>表示节点i储能充放电最大功率;/>和/>分别表示储能充放电效率;/>表示节点i处部署的储能容量;/>和/>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
储能投资成本:
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:
(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。
(4)可靠性收益R
(5)环境收益
本发明以碳排放交易模型建立环境收益E c :
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6.3:针对配电网储能装置不同方案分别计算各评价指标;
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,
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6.3:针对配电网储能装置不同方案分别计算各评价指标;
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。
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)
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 |
-
2023
- 2023-05-09 CN CN202310511699.7A patent/CN116227751B/zh active Active
Patent Citations (10)
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 |