CN116231667A - 一种基于pcam-gmm的农村配电网源-网-荷-储协调优化方法 - Google Patents

一种基于pcam-gmm的农村配电网源-网-荷-储协调优化方法 Download PDF

Info

Publication number
CN116231667A
CN116231667A CN202310044886.9A CN202310044886A CN116231667A CN 116231667 A CN116231667 A CN 116231667A CN 202310044886 A CN202310044886 A CN 202310044886A CN 116231667 A CN116231667 A CN 116231667A
Authority
CN
China
Prior art keywords
load
pcam
gmm
power distribution
distribution network
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
Application number
CN202310044886.9A
Other languages
English (en)
Inventor
姜明军
任明远
李云冰
陈思行
苏笑
唐聪
彭晶
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.)
Lanzhou Power Supply Co Of State Grid Gansu Electric Power Co
State Grid Gansu Electric Power Co Marketing Service Center
Original Assignee
Lanzhou Power Supply Co Of State Grid Gansu Electric Power Co
State Grid Gansu Electric Power Co Marketing Service Center
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 Lanzhou Power Supply Co Of State Grid Gansu Electric Power Co, State Grid Gansu Electric Power Co Marketing Service Center filed Critical Lanzhou Power Supply Co Of State Grid Gansu Electric Power Co
Priority to CN202310044886.9A priority Critical patent/CN116231667A/zh
Publication of CN116231667A publication Critical patent/CN116231667A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于场景优化技术与多目标优化决策相结合的技术领域，具体涉及一种基于PCAM‑GMM的农村配电网源‑网‑荷‑储协调优化方法。解决了现有技术中存在的系统运行成本高和系统污染物排放量大的问题。本发明对系统能源转换设备以及共享储能系统进行优化调度，在满足多区域综合能源系统安全运行的前提下，提升多区域综合能源系统的电负荷需求侧响应能力与需求侧响应水平，提高系统对能源的利用率与系统经济性，减少污染物的排放。

Description

一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法
技术领域
本发明属于场景优化技术与多目标优化决策相结合的技术领域，具体涉及一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法。
背景技术
随着大量的分布式电源接入农村电网，而新能源的出力具有随机性，难以准确预测，对农村配电网调度产生极大影响，同时由于农业生产的特殊性，存在过多种季节性负荷，其特性主要表现为周期短，负荷大，两方面的原因导致农村电网供电出现过载运行或超载断电现象，严重影响农网安全和农业生产运行。因此，研究分布式电源接入下的多种供电模式的农村配电网协调优化技术具有重要意义。
目前，已有学者对配电网中源、网、荷、储的协同运行开展了相关研究。对于无论是能量供给侧的风电、光伏发电等还是用户侧的负荷需求都无法精确预测的问题，现有研究中常采用k-means算法处理场景聚类。但k-means算法的时间复杂度随着样本数的增加而增大，且样本数据必须是分布较均匀的球形或类球形的簇结构，否则数据集不收敛，这个特性导致其难以适用于海量高维场景的聚类分析。同时现有研究很少考虑农村负荷参与需求响应的情况，多大数未考虑不同类型农村负荷响应的差异性及不确定性，且针对用户中断负荷及转移负荷的激励补偿机制的研究较少，亟需提出新的灵活性激励型需求响应机制。
发明内容
本发明提供了一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法，解决了现有技术中存在的系统运行成本高和系统污染物排放量大的问题。本发明对系统能源转换设备以及共享储能系统进行优化调度，在满足多区域综合能源系统安全运行的前提下，提升多区域综合能源系统的电负荷需求侧响应能力与需求侧响应水平，提高系统对能源的利用率与系统经济性，减少污染物的排放。
为实现上述目的，本发明采用的技术方案如下：
一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法，包括：
S1、构建PCAM-GMM算法生成典型负荷场景；
S2、根据典型负荷场景的缩减结果构建考虑农业负荷固定和灵活约束的需求响应机制及响应模型；
S3、根据典型负荷场景及需求响应机制构建农村配电网源-网-荷-储协调优化模型。
步骤1中所述构建PCAM-GMM算法生成典型负荷场景包括采用PCAM-GMM算法对多场景降维聚类，并保留原始场景数据，通过降维聚类得到风光荷的典型负荷场景。
步骤1中所述构建PCAM-GMM算法生成典型负荷场景中，PCAM的步骤包括：
S101、对光伏出力的原始场景数据归一化处理；
S102、计算数据归一化后的协方差系数，形成协方差矩阵以及协方差矩阵的正交矩阵，对正交矩阵线性变换，得到主成分分量矩阵；
S103、计算某个主成分分量的单个特征保留程度和某个之前的主成分分量的特征保留程度，通过特征保留程度指标提取降维后的信息；
步骤1中所述构建PCAM-GMM算法生成典型负荷场景中，GMM聚类步骤包括：
S104、根据权重、均值和协方差矩阵的对数似然函数，计算后验概率；
S105、根据后验概率，重新计算权重、均值和协方差矩阵；
S106、计算高斯混合模型的对数似然函数；
S107、检查权重、均值和协方差矩阵或者对数似然函数是否收敛，若不收敛，则返回S104，直至收敛。
步骤1中所述构建PCAM-GMM算法生成典型负荷场景中，通过PCAM-GMM算法计算综合聚类指标的集中度和分散度，根据精度要求，生成典型负荷场景。
所述考虑农业负荷固定和灵活约束的需求响应机制及响应模型包括：价格型需求响应模型和激励型需求响应模型；通过价格型需求响应模型和激励型需求响应模型计算获得最小化总网络损耗、最小化节点电压偏差以及最小化运行成本。
所述构建农村配电网源-网-荷-储协调优化模型包括：
S301、通过最小化总网络损耗、最小化节点电压偏差以及最小化运行成本为优化目标，构建约束条件；
S302、从Pareto前沿中选取能够权衡经济性和系统安全性的折中方案，采用模糊多属性决策方法去选择最佳折中解。
所述约束条件包括安全约束、MT机组运行约束、新能源发电运行约束以及储能运行约束。
本发明的有益效果为：建立一种基于PCAM-GMM场景缩减的农村配电网源-网-荷-储协调优化模型，降低了农村配电网运行成本，提高了清洁能源消纳能力、供电可靠性、经济性以及应对源荷不确定性的能力。
附图说明
图1是本发明的PCAM-GMM算法生成典型场景流程图；
图2是本发明的考虑农村负荷固定和灵活约束的需求响应机制图；
图3是本发明的PCAM-GMM的农村配电网源-网-荷-储协调优化模型结构图；
具体实施方式
下面结合附图并通过具体的实施例进一步的说明本发明的技术方案：
实施例1
1.构建PCAM-GMM算法生成典型负荷场景：
所述的PCAM-GMM算法生成典型负荷场景是指，由于农村配电网风电、光伏、常规负荷运行数据所构成的大量典型日，而数据维度的维数与设备类型、典型日时段、典型日数量有关，常规聚类算法难以聚类高维数据。因此本方案首先基于主成分分析法对风电、光伏、常规负荷的海量运行场景进行降维，提取出其中的重要信息，再进行聚类，以提高效率和结果的适应性。
首先采用主成分-高斯混合聚类算法(PCAM-GMM)实现海量场景的降维聚类，在充分保留原始场景数据的基础上，得到了风光荷的典型负荷场景，具体做法如下。
1.1主成分分析法
主成分分析法(principal component analysis method,PCAM)的主要思想是用k维特征正交的基，代替原有的n维数据，以达到将数据从n维降低到k维的目的。下面以光伏的高维出力数据为例，介绍PCAM的具体步骤。
假设原始光伏出力数据包含Nl个Tl维向量
Figure BDA0004054885960000041
则PCAM的具体步骤如下：
1)光伏出力的原始场景数据归一化：
Figure BDA0004054885960000042
Figure BDA0004054885960000043
Figure BDA0004054885960000051
式中：
Figure BDA0004054885960000052
——为向量
Figure BDA0004054885960000053
归一化后的光伏出力数据；
Figure BDA0004054885960000054
——分别为向量
Figure BDA0004054885960000055
的一阶矩；
Figure BDA0004054885960000056
——分别为向量
Figure BDA0004054885960000057
的二阶矩。
2)计算数据归一化后的协方差系数，并形成协方差矩阵：
Figure BDA0004054885960000058
Figure BDA0004054885960000059
式中：
rmn——表示两个Tl维向量
Figure BDA00040548859600000510
中的第m个元素和第n个元素之间的协方差。
3)计算R的特征值及特征向量：
Figure BDA00040548859600000511
式中：
Figure BDA00040548859600000512
——为协方差矩阵R的特征值，且有
Figure BDA00040548859600000513
U为正交矩阵。根据特征值，可以容易计算得到相应的特征向量a1,a2,...,aL。
4)对矩阵U进行线性变换，可得到主成分分量矩阵Z：
Z＝UTS (7)
5)计算第n个主成分分量的单个特征保留程度ωn和前n个主成分分量的特征保留程度
Figure BDA00040548859600000514
Figure BDA0004054885960000061
Figure BDA0004054885960000062
ωn的数值越大，则说明降维后的分量包含越多的光伏原始出力信息。相似地，
Figure BDA0004054885960000063
数值越大，则说明前n个主成分分量z1,z2,...,zn包含的光伏出力数据内部信息越充足。因此，可以通过特征保留程度指标选取合适的降维维度以权衡计算复杂度和原始数据信息保留程度的矛盾。
1.2高斯混合聚类算法
现有研究常用k-means聚类算法来生成典型场景，这是因为k-means算法具有快速简单的优点，但它也存在精度有限，类的形状不灵活，样本属于每一个簇的概率是定性的，不能输出概率值等缺点。
基于此，本方案在高斯混合模型的基础上，提出了主成分-高斯混合聚类算法(PCAM-GMM)，该算法与高斯混合算法之间的最大区别就是聚类之前用主成分分析法对海量数据进行了降维。常规的高斯混合算法具有软聚类的优点，但也有中心选择和对噪声敏感的缺点。主成分分析法是用主成分分量代替高维数据实现数据降维，在保证计算精度和计算速度的情况下，数据中的噪声会被删除，留下来的主成分分量都是线性无关，降低了中心选择和噪声对高斯混合聚类的影响。
高斯混合模型(Gaussian mixed model，GMM)是由多个高斯分布的线性组合构成，理论上可以拟合任意复杂的分布。高斯混合模型的参数分别有：数目K、权重φw、均值μw、协方差矩阵∑w，对于随机变量X，GMM表达式为：
Figure BDA0004054885960000071
式中：
φw——为第w个分量的权重，满足
Figure BDA0004054885960000072
0≤φw≤1；Nw(x|μw,∑w)为混合模型中的第w个分量，表达式为：
Figure BDA0004054885960000073
GMM采用期望值最大化(Expectation-Maximization，EM)算法拟合混合后的高斯分布，EM算法的每次迭代都分为两步：
1)E-步骤：求出估计参数的期望值；
2)M-步骤：在求出的期望值基础上求解似然函数的最大值。
在应用EM算法前，需要估计参数的最大似然估计量，以均值μw为例，求其最大似然估计量。式(10)取对数，得到对数似然函数，然后对μw求导，令其导数为零，即可得到最大对数似然估计量，如式(12)所示：
Figure BDA0004054885960000074
GMM聚类具体步骤如下：
步骤1：根据φw、μw、∑w的对数似然函数，计算后验概率γ(znw)。
Figure BDA0004054885960000075
步骤2：根据步骤1中计算得到的后验概率γ(znw)，重新计算φw、μw、∑w。
Figure BDA0004054885960000076
Figure BDA0004054885960000077
Figure BDA0004054885960000081
Figure BDA0004054885960000082
步骤3：计算高斯混合模型的对数似然函数。
Figure BDA0004054885960000083
步骤4：检查参数或者对数似然函数是否收敛，若不收敛，则返回步骤1，直至收敛。
1.3综合聚类指标
不同的聚类分类数对计算速度和计算结果存在重要影响，若聚类分类数过少，则聚类后的场景不够典型；若聚类分类数过多，则会导致场景的代表性不明显，同时也会加大求解难度。因此需要合理的设置聚类分类数，以权衡代表性和求解速度。为定量评估聚类后的同一类内场景的紧凑程度，定义类内集中度Br：
Figure BDA0004054885960000084
式中：
Grj——为第r类中的第j个场景；
nr——为第r个类别中的场景数。
为定量评估聚类之后类与类之间的分散度，定义分散度B：
Figure BDA0004054885960000085
式中：
R——为分类的总数量。
在类内集中度和分散度基础上，提出综合聚类指标O(R)：
Figure BDA0004054885960000091
综合聚类指标越大，则说明各类中场景越紧凑，类与类之间的界限越明显，聚类效果越好。
2.考虑农业负荷固定和灵活约束的需求响应机制及响应模型：
所述的考虑农村负荷固定和灵活约束的需求响应机制及响应模型是指，针对当前激励型定价补偿机制无法满足农村多类型负荷的差异化需求的问题，提出了一种分段式补偿价格形式的可中断负荷补偿方法，建立了量化负荷转移成本的可转移负荷补偿模型；计及可中断负荷不确定性，建立了多类型农村负荷参与农村配电网需求响应优化运行模型
将主要农业负荷分为种植农业、养殖农业、农产品加工业和农业居民负荷四部分参与集中农业服务，如表1所示。建立农村负荷聚合商进行价格型和激励型需求侧响应，根据各种负荷类型及主要用能特性，将农村负荷侧资源主要分为可削减负荷和可时移负荷。这两类需求响应资源可在不同的时间尺度上响应电网需求。
表1农村主要用电负荷
Figure BDA0004054885960000092
Figure BDA0004054885960000101
2.1价格型需求响应模型
价格型需求响应主要通过实施分时电价引导用户调整用电时段，负荷响应量与价格变化量的关系用弹性系数来描述，如式(22)所示。
Figure BDA0004054885960000102
式中：
ε——为需求价格弹性系数；
L0——为电量；
p0——为电价；
ΔL、Δp——分别为电量和电价的相对增量。
用户在某时刻的用电需求量不仅与当前电价有关，也受到其他时段电价的影响，因此用户在多时段用电需求与电价的关联关系如下：
Figure BDA0004054885960000103
式中：
εth——为互弹性系数；
Figure BDA0004054885960000104
——分别为实施PBDR前t时刻的用电负荷需求和h时刻的电价；
ΔLt、Δph——分别表示实施PBDR前后t时刻的用电变化量、h时刻的价格变化量。
用户参与PBDR后的负荷变化量如下：
Figure BDA0004054885960000111
实施PBDR后用户f在t时刻的用电负荷Lf,t公式如下：
Figure BDA0004054885960000112
由于用户负荷会随着电价的变化而变动，本方案引入浮动因子τf,t模拟不同时段内响应价格变化。
Figure BDA0004054885960000113
式中：
Figure BDA0004054885960000114
——为实施PBDR前用户f总用电负荷；
Figure BDA0004054885960000115
——为平均用电负荷；
pf,t——为用户f在t时刻的最终响应价格。
结合式(25)、(26)可得用户参与PBDR的总用电负荷为：
Figure BDA0004054885960000116
式中：
Nf——为参与PBDR的用户总个数。
综上所述，PBDR补偿成本(用户峰谷套利)为：
Figure BDA0004054885960000117
2.2激励型需求响应模型
(1)可中断负荷补偿机制建模
由于负荷削减给用户造成一定的经济损失，因此电网采取一些激励机制进行补偿。对于集中农业服务商，用户向农村配电网运营商提交分步式补偿价格报价，包括减少负荷的数量和相关报价，如图2上部分所示，第一响应阶段为基本响应阶段，其他响应阶段为弹性响应阶段，农村配电网运营商在接受报价的同时，将要求集中农业服务商的用户削减负荷，补偿成本CIL为：
Figure BDA0004054885960000121
式中：
Nl——为参与需求响应的总用户个数；
Nm——为用户逐步报价的总阶段数；
ct,l,m——为用户l提供的第m阶段的价格报价；
Figure BDA0004054885960000122
——为用户l在时段t的计划响应电量。
(2)可转移负荷补偿机制建模
本方案采用基于负荷可转移时间(Load transferable time，LTT)和负荷可转移功率(Load transferable power，LTP)的二维交变函数量化可转移负荷的补偿成本，负荷转移成本是LTT和LTP的非线性函数，随着LTT和LTP的增加，成本增加更大，TL补偿成本CTL公式如下：
Figure BDA0004054885960000123
Figure BDA0004054885960000124
式中：
Ng——为参与TL的用户总个数；
Tr——为负荷转移时段；
Figure BDA0004054885960000131
——为用户g在时段tr的负荷转移功率；
cE,base、cT,base——分别为基于LTT和LTP的基础价格；
Figure BDA0004054885960000132
——为单位价格增量；
Figure BDA0004054885960000133
——分别为LTT和LTP的最终价格；
Figure BDA0004054885960000134
——为用户g在时段tr原计划转移电量的增量；
Figure BDA0004054885960000135
——为用户g在原计划转移时段tr的时段增量；
En、Tn——分别为实际负荷转移量和实际负荷转移时段；
NE、NT——分别为用户原计划的负荷转移量和负荷转移时段。
2.3用户响应不确定性建模
考虑用户响应的不确定性，激励型需求响应的实际响应能力将与预期有所不同，本方案提出一种基于固定约束和柔性约束的激励机制以避免不确定性的影响，如图2下部分所示，ωl,m,t为实时范围内不确定响应量的波动范围。
基于图2，用户在第m阶段的计划响应电量应满足合同中第m阶段的容量限制。
Figure BDA0004054885960000136
式中：
Figure BDA0004054885960000137
——为用户l在第m阶段的计划响应电量；
Figure BDA0004054885960000138
——为合同中第m阶段的最大响应量。
用户实际响应电量以计划响应电量为参考，允许在合同规定的范围内有波动，采用随机规划方法描述具有正态分布特征的响应负荷不确定性。
Figure BDA0004054885960000141
式中：
Figure BDA0004054885960000142
——为实际响应电量与计划响应电量的偏差；
Figure BDA0004054885960000143
——为计及需求响应不确定性后用户l在第m阶段t时段的实际响应电量；
δ——为正态分布的标准差。
图2的第一阶段为固定补偿阶段，其他阶段为柔性补偿阶段，每个阶段的数量范围由上述正态分布的概率密度函数决定。计及需求响应不确定性后的补偿成本如下：
Figure BDA0004054885960000144
3.农村配电网源-网-荷-储协调优化模型：
所述的农村配电网源-网-荷-储协调优化模型是指，结合PCAM-GMM算法生成的典型场景以及多种农村负荷需求响应模型，以总网络损耗、电压偏差、运行成本最小为目标函数，进行源-网-荷-储协调优化，保证最优调度方案在不确定风险下可兼顾系统运行可靠性和经济性。
3.1构建目标函数
(1)安全性
以最小化系统网络损耗和节点电压偏差为优化目标，具体表达式为：
minF1＝min{floss,fu} (35)
式中：
floss——为系统的总网络损耗，包含交、直流支路以及换流站内部的有功功率损耗；
fu——为系统的节点电压偏差，包括交、直流侧的电压偏差。
1)目标函数1：最小化总网络损耗。
Figure BDA0004054885960000151
式中：
T——为调度时段总数；
ps——为场景s发生的概率；
Figure BDA0004054885960000152
——分别为交流、直流配电网中的支路集合；
NVSC——为换流站集合；
Figure BDA0004054885960000153
——为场景s下t时段换流站i的有功功率损耗；
Figure BDA0004054885960000154
分别为场景s下t时段交流配电网中支路l、直流配电网中支路
Figure BDA0004054885960000159
上流过的电流；
Figure BDA0004054885960000155
分别为交流配电网中支路l、直流配电网中支路
Figure BDA00040548859600001510
的电阻。
2)目标函数2：最小化节点电压偏差
Figure BDA0004054885960000156
式中：
Figure BDA0004054885960000157
——分别为交流、直流配电网的节点集合；
Figure BDA0004054885960000158
——为场景s下t时段中节点j的电压标幺值。
(2)经济性
以系统综合运行成本最小为目标函数，综合运行成本除了燃气轮发电机组耗量成本，还包括弃风弃光惩罚成本、需求响应成本、储能充放电成本等。目标函数表达式如下：
Figure BDA0004054885960000161
式中：
F2——表示源-网-荷-储协调优化调度综合运行成本；
ΩG——表示火电机组集合；
Figure BDA0004054885960000162
——表示机组i在时段t的有功功率；
ΩW——表示新能源场站节点集合；
Ccurt,k——表示第k个新能源场站的弃风弃光惩罚成本系数；
δk,t——表示第k个新能源场站时段t的弃风弃光率，其值取0～1；
Figure BDA0004054885960000163
——表示第k个新能源场站时段t的随机有功功率；
E(·)——表示随机变量期望运算；
ΩDR——表示参与调度的DR集合；
CDR,d——表示第d个DR的响应成本系数；
Figure BDA0004054885960000164
——表示第d个DR时段t的有功响应量；
a、b、c——分别为耗量特性曲线参数；
εc、εd——分别表示储能系统充放电的成本系数；
Figure BDA0004054885960000165
——为储能系统时段t的充电功率；
Figure BDA0004054885960000166
——为储能系统时段t的放电功率。
3.2构建约束条件
(1)安全约束
农村配电网的安全约束主要包括节点电压、支路电流上下限约束以及支路传输功率限制，具体如式(39)所示。
Figure BDA0004054885960000171
式中：
Figure BDA0004054885960000172
——表示机组i在时段t的有功功率和无功功率；
Figure BDA0004054885960000173
——分别表示节点i在时段t的电压幅值；
Figure BDA0004054885960000174
——表示输电线路i、j在时段t的有功传输功率和无功传输功率,下标min和max分别表示该变量下限值和上限值。
(2)MT机组运行约束
Figure BDA0004054885960000175
Figure BDA0004054885960000176
式中：
Figure BDA0004054885960000177
——分别为MT的出力下限值和上限值；
Figure BDA0004054885960000178
——分别为MT机组向上和向下爬坡技术参数。
(3)新能源发电运行约束
Figure BDA0004054885960000179
Figure BDA00040548859600001710
式中：
Figure BDA00040548859600001711
——为风电典型场景缩减的输出有功功率；
Figure BDA00040548859600001712
——为调度的风电有功功率；
Figure BDA00040548859600001713
——为光伏发电典型场景缩减的输出有功功率；
Figure BDA00040548859600001714
——为调度的光伏发电有功功率。
(4)储能运行约束
Figure BDA0004054885960000181
Figure BDA0004054885960000182
Figure BDA0004054885960000183
式中：
Figure BDA0004054885960000184
——为储能装置允许的最大充放电功率；
CAPBS——为储能装置的最大容量；
Figure BDA0004054885960000185
——为储能装置的电量；
βBS——为储能装置的损失率。
3.3模糊多属性决策方法
多目标问题的求解不单单是一个优化问题，还是一个决策问题。为得到最终的调度方案，还需从Pareto前沿中选取能够权衡经济性和系统安全性的折中方案供调度者选取。本方案采用模糊多属性决策方法去选择最佳折中解，其过程如下：
(1)计算模糊集
模糊集由式(47)所示的隶属函数
Figure BDA0004054885960000186
确定
Figure BDA0004054885960000187
式中：
Figure BDA0004054885960000188
——Pareto前沿中第i个目标的最大最小值。
(2)计算模糊隶属度
对于Pareto前沿中的第j个非支配解，其经标准化的模糊隶属度μk可由式(48)计算得出，最终输出最高模糊隶属度值如式(49)所示。
Figure BDA0004054885960000191
opt＝{o|μo＝max(μk)} (49)
式中：
n——Pareto前沿中非支配解的数量；
m——目标个数，折中解则为集合{μk}中较大值所对应的解。
实施例2
本实施例提供一种电子设备，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计算机程序时实现本发明实施例1提供的一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法。
实施例3
本实施例提供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，该程序被处理器执行时实现本发明实施例1提供的一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法，其特征在于，包括：
S1、构建PCAM-GMM算法生成典型负荷场景；
S2、根据典型负荷场景的缩减结果构建考虑农业负荷固定和灵活约束的需求响应机制及响应模型；
S3、根据典型负荷场景及需求响应机制构建农村配电网源-网-荷-储协调优化模型。
2.根据权利要求1所述的一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法，其特征在于：步骤1中所述构建PCAM-GMM算法生成典型负荷场景包括采用PCAM-GMM算法对多场景降维聚类，并保留原始场景数据，通过降维聚类得到风光荷的典型负荷场景。
3.根据权利要求2所述的一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法，其特征在于：步骤1中所述构建PCAM-GMM算法生成典型负荷场景中，PCAM的步骤包括：
S101、对光伏出力的原始场景数据归一化处理；
S102、计算数据归一化后的协方差系数，形成协方差矩阵以及协方差矩阵的正交矩阵，对正交矩阵线性变换，得到主成分分量矩阵；
S103、计算某个主成分分量的单个特征保留程度和某个之前的主成分分量的特征保留程度，通过特征保留程度指标提取降维后的信息。
4.根据权利要求2所述的一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法，其特征在于：步骤1中所述构建PCAM-GMM算法生成典型负荷场景中，GMM聚类步骤包括：
S104、根据权重、均值和协方差矩阵的对数似然函数，计算后验概率；
S105、根据后验概率，重新计算权重、均值和协方差矩阵；
S106、计算高斯混合模型的对数似然函数；
S107、检查权重、均值和协方差矩阵或者对数似然函数是否收敛，若不收敛，则返回S104，直至收敛。
5.根据权利要求2所述的一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法，其特征在于：步骤1中所述构建PCAM-GMM算法生成典型负荷场景中，通过PCAM-GMM算法计算综合聚类指标的集中度和分散度，根据精度要求，生成典型负荷场景。
6.根据权利要求1所述的一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法，其特征在于：所述考虑农业负荷固定和灵活约束的需求响应机制及响应模型包括：价格型需求响应模型和激励型需求响应模型；通过价格型需求响应模型和激励型需求响应模型计算获得最小化总网络损耗、最小化节点电压偏差以及最小化运行成本。
7.根据权利要求1所述的一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法，其特征在于：所述构建农村配电网源-网-荷-储协调优化模型包括：
S301、通过最小化总网络损耗、最小化节点电压偏差以及最小化运行成本为优化目标，构建约束条件；
S302、从Pareto前沿中选取能够权衡经济性和系统安全性的折中方案，采用模糊多属性决策方法去选择最佳折中解。
8.根据权利要求7所述的一种基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法，其特征在于：所述约束条件包括安全约束、MT机组运行约束、新能源发电运行约束以及储能运行约束。
9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法。
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，该程序被处理器执行时实现如权利要求1至8任一项所述的基于PCAM-GMM的农村配电网源-网-荷-储协调优化方法。
CN202310044886.9A 2023-01-30 2023-01-30 一种基于pcam-gmm的农村配电网源-网-荷-储协调优化方法 Pending CN116231667A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310044886.9A CN116231667A (zh) 2023-01-30 2023-01-30 一种基于pcam-gmm的农村配电网源-网-荷-储协调优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310044886.9A CN116231667A (zh) 2023-01-30 2023-01-30 一种基于pcam-gmm的农村配电网源-网-荷-储协调优化方法

Publications (1)

Publication Number Publication Date
CN116231667A true CN116231667A (zh) 2023-06-06

Family

ID=86579827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310044886.9A Pending CN116231667A (zh) 2023-01-30 2023-01-30 一种基于pcam-gmm的农村配电网源-网-荷-储协调优化方法

Country Status (1)

Country Link
CN (1) CN116231667A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077368A (zh) * 2023-07-07 2023-11-17 华中科技大学 计及工业综合需求响应的综合能源系统众目标规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077368A (zh) * 2023-07-07 2023-11-17 华中科技大学 计及工业综合需求响应的综合能源系统众目标规划方法
CN117077368B (zh) * 2023-07-07 2024-02-06 华中科技大学 计及工业综合需求响应的综合能源系统众目标规划方法

Similar Documents

Publication Publication Date Title
Ghadimi et al. PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives
CN107947165A (zh) 一种面向调节需求的配电网灵活性评价方法
Andervazh et al. Emission‐economic dispatch of thermal power generation units in the presence of hybrid electric vehicles and correlated wind power plants
Lv et al. Contract and Lyapunov optimization-based load scheduling and energy management for UAV charging stations
CN104715293A (zh) 一种价格型柔性负荷的双层优化调度方法
Yang et al. Critical peak rebate strategy and application to demand response
Yin et al. Equilibrium stability of asymmetric evolutionary games of multi-agent systems with multiple groups in open electricity market
CN113964853A (zh) 一种5g宏基站群优化调度方法、装置、介质及终端设备
CN116822719A (zh) 一种配电网的多目标规划方法及装置
CN116231667A (zh) 一种基于pcam-gmm的农村配电网源-网-荷-储协调优化方法
CN115940289A (zh) 面向电网电量平衡与新能源消纳的光储充一体站运行方法
Han et al. An optimization scheduling method of electric vehicle virtual energy storage to track planned output based on multiobjective optimization
CN115759458A (zh) 基于综合能源数据处理和多任务深度学习的负荷预测方法
CN118171788A (zh) 可调度柔性资源与电网规划布局的协同优化方法
Wang et al. Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system
CN114612001A (zh) 集群电动汽车参与电网削峰的调控指令分解方法和系统
CN112510690B (zh) 考虑风火储联合和需求响应奖惩的优化调度方法及系统
CN117172486A (zh) 一种基于强化学习的虚拟电厂光储资源聚合调控方法
CN117477552A (zh) 一种配电侧含分布式储能的微电网层级协同优化调控方法及系统
Fan et al. Medium and long-term electricity trading considering renewable energy participation
CN117220281A (zh) 一种电动汽车接入电网调节能力量化评估方法及系统
CN116979579A (zh) 基于微电网安全约束的电动汽车能量-计算资源调度方法
CN114285026B (zh) 一种农牧区电能路由器调度方法
CN115693787A (zh) 考虑源荷随机性的光储配电网新能源接纳能力分析方法
Yan et al. Matching theory aided federated learning method for load forecasting of virtual power plant

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