CN116244567A - 基于激励的配电网多阶段增量规划方法及系统 - Google Patents

基于激励的配电网多阶段增量规划方法及系统 Download PDF

Info

Publication number
CN116244567A
CN116244567A CN202310518934.3A CN202310518934A CN116244567A CN 116244567 A CN116244567 A CN 116244567A CN 202310518934 A CN202310518934 A CN 202310518934A CN 116244567 A CN116244567 A CN 116244567A
Authority
CN
China
Prior art keywords
power
state
distribution network
distributed
power supply
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
Application number
CN202310518934.3A
Other languages
English (en)
Other versions
CN116244567B (zh
Inventor
蔡仲启
杨昆
吴亚雄
李振聪
吴浩明
陈子儒
赖嘉源
顾延勋
杨锐雄
刘超
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.)
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhuhai Power Supply Bureau of Guangdong Power Grid 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 Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202310518934.3A priority Critical patent/CN116244567B/zh
Publication of CN116244567A publication Critical patent/CN116244567A/zh
Application granted granted Critical
Publication of CN116244567B publication Critical patent/CN116244567B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于激励的配电网多阶段增量规划方法及系统，其方法通过根据配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据分别对应的平均绝对误差确定每个数据类型的最优概率分布函数，获得各风速状态下的风电分布式机组的单位输出功率和各太阳辐照度状态下的光伏分布式电源的单位输出功率，设置配电网的变电站和线路增量计划、分布式电源类型以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型，并引入私人投资者视角的分布式电源项目投资经济性指标，对配电网多阶段增量规划模型进行求解，从而以个体私人投资者的角度出发考虑分布式电源选址定容问题。

Description

基于激励的配电网多阶段增量规划方法及系统
技术领域
本发明涉及配电网规划技术领域，尤其涉及一种基于激励的配电网多阶段增量规划方法及系统。
背景技术
随着持续的人口增长和工业市场竞争带来了电力消费和电力负荷需求的增长。电网公司需要承担起满足负荷增长需求的责任，内部配电网规划人员也需制定相应的配电网增量规划方案以满足配电网系统持续扩张的规模。归根结底，配电网系统中的分销网络投资建设所涉及的成本较高，需要电网公司和投资者谨慎地进行规划和运营。
上述工作需要综合的经济规划方法，该方法可以从各种可用的替代方案和资源中选择可行的解决方案，以确保向用户提供持续稳定、经济可靠的供电。此外，随着电力企业改革的进一步深化，相关管制也进一步放松，发电和配电环节中私人投资者亟需一套完整的配电网规划模型以满足其投资需求。
分布式电源在配电网增量规划中定位问题和提供经济清洁电力中扮演枢纽性角色。然而，通过对配电网建设发展现状研究可知，由于预算紧张和投资周期长、投资金额大，关键问题是如何利用上述分布式电源项目，并鼓励分布式电源接入至配电网系统的特定位置。
现有技术方案中，多从电网公司的视角出发，针对分布式电源选址问题，仅考虑分布式电源接入后其新能源类型及其秉性所带来的出力波动性对配电系统可靠性的影响。随着电力市场改革的进一步深化，配电网规划与运行环节中的个体参与者重要性逐渐体现，现有技术也未从个体私人投资者的角度出发考虑分布式电源选址定容问题，电网公司的配电网规划环节中也未体现对私人投资的重视和激励，从而导致配电网增量规划不够精准。
发明内容
本发明提供了一种基于激励的配电网多阶段增量规划方法及系统，解决了现有技术未从个体私人投资者的角度出发考虑分布式电源选址定容问题，电网公司的配电网规划环节中也未体现对私人投资的重视和激励，从而导致配电网增量规划不够精准的技术问题。
有鉴于此，本发明第一方面提供了一种基于激励的配电网多阶段增量规划方法，包括以下步骤：
根据配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据分别对应的平均绝对误差确定每个数据类型的最优概率分布函数，其中，所述数据类型包括风速、太阳辐照度和负荷；
将每个数据类型的最优概率分布函数按照预设间隔划分为多种状态区间，确定每个数据类型的各状态区间下的累计概率分布函数；
基于每个数据类型的各状态区间下的累计概率分布函数获得各风速状态下的风电分布式机组的单位输出功率和各太阳辐照度状态下的光伏分布式电源的单位输出功率；
将各风速状态下的风电分布式机组的单位输出功率、各太阳辐照度状态下的光伏分布式电源的单位输出功率以及各负荷状态按照状态大小进行序列化，构建场景集；
基于所述场景集，设置配电网的变电站和线路增量计划、分布式电源类型以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型；
确定所述配电网多阶段增量规划模型对应的约束条件，所述约束条件包括预设的经济指标对应的约束条件，其中，所述预设的经济指标包括利润投资比、折现回收期和内部收益率；
在满足所述约束条件下，对所述配电网多阶段增量规划模型进行求解，得到最优决策变量为配电网增量规划方案。
优选地，根据配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据分别对应的平均绝对误差确定每个数据类型的最优概率分布函数，其中，所述数据类型包括风速、太阳辐照度和负荷的步骤，具体包括：
获取配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据；
选取多个概率分布函数类型，基于每个数据类型对应的历史数据构建多个概率分布函数类型分别对应的概率分布函数，并构建每个数据类型对应的经验分布函数，其中，所述数据类型包括风速、太阳辐照度和负荷，所述概率分布函数类型包括正态分布、对数正态分布、威布尔分布和伽玛分布；
通过下式计算每个概率分布函数的平均绝对误差为：
Figure SMS_1
；
式中，
Figure SMS_2
为平均绝对误差，
Figure SMS_3
为每个数据类型对应的历史数据的平均值，n为数据个数，
Figure SMS_4
为概率分布函数，
Figure SMS_5
为经验分布函数；
将每个数据类型的多个概率分布函数分别对应的平均绝对误差进行比对，筛选出平均绝对误差最小的概率分布函数为对应的数据类型的最优概率分布函数。
优选地，将每个数据类型的最优概率分布函数按照预设间隔划分为多种状态区间，确定每个数据类型的各状态区间下的累计概率分布函数的步骤，具体包括：
将每个数据类型的最优概率分布函数按照预设间隔划分为多种状态区间，
其中，所述预设间隔为每个数据类型的数据取值范围与预设间隔数之比值；通过下式确定每个数据类型的各状态区间下的累计概率分布函数为：
Figure SMS_6
；
式中，
Figure SMS_7
为状态，
Figure SMS_8
、
Figure SMS_9
分别表示状态
Figure SMS_10
的起始变量和结束变量，
Figure SMS_11
为状态
Figure SMS_12
的概率，
Figure SMS_13
为最优概率分布函数。
优选地，基于每个数据类型的各状态区间下的累计概率分布函数获得各风速状态下的风电分布式机组的单位输出功率和各太阳辐照度状态下的光伏分布式电源的单位输出功率的步骤，具体包括：
基于每个风速的各状态区间下的累计概率分布函数确定各个风速状态下的平均风速；
通过下式计算各风速状态下的风电分布式机组的单位输出功率为，
Figure SMS_14
；
式中，
Figure SMS_16
、
Figure SMS_18
、
Figure SMS_19
分别表示风电分布式机组的切入风速、额定风速和切出风速，
Figure SMS_20
为状态
Figure SMS_21
的风电分布式机组的单位输出功率，
Figure SMS_22
表示状态
Figure SMS_23
的平均风速，
Figure SMS_15
服从所述最优概率分布函数，
Figure SMS_17
为风电分布式机组的额定功率；
基于每个太阳辐照度的各状态区间下的累计概率分布函数确定各个太阳辐照度状态下的平均太阳辐照度；
通过下式计算各太阳辐照度状态下的光伏分布式电源的单位输出功率为，
Figure SMS_24
；
式中，
Figure SMS_26
为状态
Figure SMS_29
的光伏分布式电源的单位输出功率，
Figure SMS_30
为状态
Figure SMS_31
的平均太阳辐照度
Figure SMS_32
服从所述最优概率分布函数，
Figure SMS_33
为光伏分布式电源的额定运行功率，f为填充系数，
Figure SMS_34
为状态
Figure SMS_25
的光伏分布式电源的电流，
Figure SMS_27
为状态
Figure SMS_28
的光伏分布式电源的电压，其中，
Figure SMS_35
；
式中，
Figure SMS_36
为最大输出功率对应的电压，
Figure SMS_37
为最大输出功率所对应的电流，
Figure SMS_38
为开路电压，
Figure SMS_39
为短路电流；
Figure SMS_40
；
式中，
Figure SMS_41
为电压温度系数，
Figure SMS_42
表示状态
Figure SMS_43
的蓄电池温度；其中，
Figure SMS_44
；
式中，
Figure SMS_45
为环境温度，
Figure SMS_46
为蓄电池的额定运行功率。
优选地，所述场景集为Y×3矩阵，其中，Y为矩阵行数，Y等于状态个数，其中，Y×3矩阵的第一列表示风电分布式机组的单位输出功率，其第二列表示光伏分布式机组的单位输出功率，其第三列表示各负荷及其状态。
优选地，基于所述场景集，设置配电网的变电站和线路增量计划、分布式电源类型、分布式电源的激励成本以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型的步骤，具体包括：
基于所述场景集，设置配电网的变电站和线路增量计划、分布式电源类型以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型的目标函数为：
Figure SMS_47
；
式中，
Figure SMS_49
、
Figure SMS_50
、
Figure SMS_51
、
Figure SMS_52
、
Figure SMS_53
、
Figure SMS_54
分别为变电站投资费用、线路投资费用、变电站运行费用、线损、市购电费用和分布式电源购电费用，t为时间状态的索引，状态场景为所述场景集中的风电分布式机组的单位输出功率、光伏分布式机组的单位输出功率以及对应的负荷，T为总时间，
Figure SMS_55
和
Figure SMS_48
分别表示利率和各状态场景所对应的年数；
其中，
Figure SMS_56
；
Figure SMS_57
；
Figure SMS_58
；
Figure SMS_59
；
式中，
Figure SMS_88
、
Figure SMS_89
均为系统节点的索引，
Figure SMS_90
为场景的索引，
Figure SMS_91
为系统支路的索引，
Figure SMS_92
为现有变电站的索引，
Figure SMS_93
为新建变电站的索引，
Figure SMS_94
为新建馈线的索引，
Figure SMS_95
为分布式电源的索引；
Figure SMS_96
、
Figure SMS_97
分别为已有变电站和代建变电站节点的集合；
Figure SMS_98
、
Figure SMS_99
分别为可扩建和可新建的变电站集合；
Figure SMS_100
、
Figure SMS_101
分别是扩建变电站和新建变电站的成本；
Figure SMS_102
、
Figure SMS_60
分别为指示已有变电站扩建和变电站新建的0-1变量，0表示未指示，1表示已指示；
Figure SMS_63
、
Figure SMS_64
分别为已有和代建馈线支路的集合；
Figure SMS_66
、
Figure SMS_68
分别为扩建已有线路和新建线路的集合；
Figure SMS_69
为线路的长度；
Figure SMS_71
、
Figure SMS_72
分别为指示已有线路扩建和线路新建的0-1变量；
Figure SMS_74
为场景集合；
Figure SMS_76
为变电站输出视在功率的平方；
Figure SMS_77
、
Figure SMS_80
、
Figure SMS_82
分别为场景概率、一年总小时数和变电站运行成本；
Figure SMS_83
、
Figure SMS_85
分别为线损和线损成本；
Figure SMS_87
、
Figure SMS_61
分别为变电站输出有功功率和市购电成本；
Figure SMS_62
、
Figure SMS_65
分别为分布式电源集合和系统节点集合，其中
Figure SMS_67
，
Figure SMS_70
、
Figure SMS_73
、
Figure SMS_75
分别为可控分布式电源、风力分布式电源和光伏分布式电源；
Figure SMS_78
、
Figure SMS_79
、
Figure SMS_81
为指示分布式电源类型
Figure SMS_84
是否明确的0-1变量、分布式电源的激励成本和分布式电源场景状态定容；
Figure SMS_86
表示年净现值，其中，
Figure SMS_103
。
优选地，确定所述配电网多阶段增量规划模型对应的约束条件，所述约束条件包括预设的经济指标对应的约束条件，其中，所述预设的经济指标包括利润投资比、折现回收期和内部收益率的步骤具体包括：
确定所述配电网多阶段增量规划模型对应的约束条件为功率平衡约束、有功、无功线损约束、线路潮流和热容量约束、节点电压约束、系统可靠性约束、分布式电源投资和利用约束、分布式电源渗透约束、分布式电源动态约束和激励价格约束，其中，在分布式电源投资和利用约束，确定利润投资比、折现回收期和内部收益率为经济指标，根据经济指标设定现金流净现值的约束条件、利润投资比的约束条件和每个节点上分布式电源的项目的折现回收期的约束条件。
第二方面，本发明还提供了一种基于激励的配电网多阶段增量规划系统，包括：
概率分布确定模块，用于根据配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据分别对应的平均绝对误差确定每个数据类型的最优概率分布函数，其中，所述数据类型包括风速、太阳辐照度和负荷；
累计概率分布模块，用于将每个数据类型的最优概率分布函数按照预设间隔划分为多种状态区间，确定每个数据类型的各状态区间下的累计概率分布函数；
输出功率计算模块，用于基于每个数据类型的各状态区间下的累计概率分布函数获得各风速状态下的风电分布式机组的单位输出功率和各太阳辐照度状态下的光伏分布式电源的单位输出功率；
场景构建模块，用于将各风速状态下的风电分布式机组的单位输出功率、各太阳辐照度状态下的光伏分布式电源的单位输出功率以及各负荷状态按照状态大小进行序列化，构建场景集；
模型构建模块，用于基于所述场景集，设置配电网的变电站和线路增量计划、分布式电源类型以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型；
经济约束模块，用于确定所述配电网多阶段增量规划模型对应的约束条件，所述约束条件包括预设的经济指标对应的约束条件，其中，所述预设的经济指标包括利润投资比、折现回收期和内部收益率；
决策求解模块，用于在满足所述约束条件下，对所述配电网多阶段增量规划模型进行求解，得到最优决策变量为配电网增量规划方案。
第三方面，本发明还提供了一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的方法。
第四方面，本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过根据配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据分别对应的平均绝对误差确定每个数据类型的最优概率分布函数，将每个数据类型的最优概率分布函数按照预设间隔划分为多种状态区间，确定每个数据类型的各状态区间下的累计概率分布函数，获得各风速状态下的风电分布式机组的单位输出功率和各太阳辐照度状态下的光伏分布式电源的单位输出功率，并以此构建场景集，基于场景集，设置配电网的变电站和线路增量计划、分布式电源类型以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型，并引入私人投资者视角的分布式电源项目投资经济性指标，确定包含经济指标在内的约束条件，经济指标包括利润投资比、折现回收期和内部收益率，增加了对私人投资的激励，在满足约束条件下，对配电网多阶段增量规划模型进行求解，得到最优决策变量为配电网增量规划方案，从而以个体私人投资者的角度出发考虑分布式电源选址定容问题，提高了配电网增量规划的精准性。
附图说明
图1为本发明实施例提供的一种基于激励的配电网多阶段增量规划方法的流程图；
图2为本发明实施例提供的一种基于激励的配电网多阶段增量规划系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
为了便于理解，请参阅图1，本发明提供的一种基于激励的配电网多阶段增量规划方法，包括以下步骤：
101、根据配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据分别对应的平均绝对误差确定每个数据类型的最优概率分布函数，其中，数据类型包括风速、太阳辐照度和负荷。
其中，可以预先收集配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据，如收集连续五年的历史风速、太阳辐照度和配电网负荷数据。
102、将每个数据类型的最优概率分布函数按照预设间隔划分为多种状态区间，确定每个数据类型的各状态区间下的累计概率分布函数。
其中，基于最大值和间隔数需要，将最优概率分布函数划分为若干个等间隔，每种状态的大小取决于其所需的间隔数
Figure SMS_104
，均值
Figure SMS_105
，标准差
Figure SMS_106
。每种状态的值以各间隔的中点
Figure SMS_107
表示如下：
Figure SMS_108
；
式中：r为间隔的索引。
103、基于每个数据类型的各状态区间下的累计概率分布函数获得各风速状态下的风电分布式机组的单位输出功率和各太阳辐照度状态下的光伏分布式电源的单位输出功率。
104、将各风速状态下的风电分布式机组的单位输出功率、各太阳辐照度状态下的光伏分布式电源的单位输出功率以及各负荷状态按照状态大小进行序列化，构建场景集。
其中，场景集为Y×3矩阵，其中，Y为矩阵行数，Y等于状态个数，其中，Y×3矩阵的第一列表示风电分布式机组的单位输出功率，其第二列表示光伏分布式机组的单位输出功率，其第三列表示各负荷及其状态。
矩阵行数等于场景数，场景数量等于风电、光伏和负荷状态的乘积。各场景的概率也有所对应的风电状态概率，光伏状态概率和负荷状态概率所得，其中，风速、辐照度和负荷均视为独立事件。
105、基于场景集，设置配电网的变电站和线路增量计划、分布式电源类型以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型。
106、确定配电网多阶段增量规划模型对应的约束条件，约束条件包括预设的经济指标对应的约束条件，其中，预设的经济指标包括利润投资比、折现回收期和内部收益率。
需要说明的是，为了指导分布式电源投资者能够在指定位置整合分布式能源，电网公司需提供节点向的激励措施以保证分布式电源投资者的盈利能力。由于分布式电源项目的高投资费用以及投资者其投资视角差异，因此有必要为该投资确立若干经济指标。为此，确定利润投资比（profit investment ratio, PIR）、折现回收期（discounted paybackperiod, DPP）、内部收益率（internal rate of return-based indicator，IRR）三个经济指标。其中，内部收益率多用来评估项目的吸引力，表现为项目所有现金流的净现值（NPV）为零的利率。利润投资比用于评估投资收益或收益的现值和投资成本的现值之间的比值。折现回收期定义了项目将收回或覆盖投资成本的时间长度（通常以年计算）。折现回收期包括了考虑金钱时间价值的折扣率。
107、在满足约束条件下，对配电网多阶段增量规划模型进行求解，得到最优决策变量为配电网增量规划方案。
其中，对配电网多阶段增量规划模型进行求解的方式可以采用遗传算法进行求解，在此不再赘述。
需要说明的是，本实施例提供了一种基于激励的配电网多阶段增量规划方法，通过根据配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据分别对应的平均绝对误差确定每个数据类型的最优概率分布函数，将每个数据类型的最优概率分布函数按照预设间隔划分为多种状态区间，确定每个数据类型的各状态区间下的累计概率分布函数，获得各风速状态下的风电分布式机组的单位输出功率和各太阳辐照度状态下的光伏分布式电源的单位输出功率，并以此构建场景集，基于场景集，设置配电网的变电站和线路增量计划、分布式电源类型以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型，并引入私人投资者视角的分布式电源项目投资经济性指标，确定包含经济指标在内的约束条件，经济指标包括利润投资比、折现回收期和内部收益率，增加了对私人投资的激励，在满足约束条件下，对配电网多阶段增量规划模型进行求解，得到最优决策变量为配电网增量规划方案，从而以个体私人投资者的角度出发考虑分布式电源选址定容问题，提高了配电网增量规划的精准性。
在一个具体实施例中，步骤101具体包括：
1011、获取配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据。
1012、选取多个概率分布函数类型，基于每个数据类型对应的历史数据构建多个概率分布函数类型分别对应的概率分布函数，并构建每个数据类型对应的经验分布函数，其中，数据类型包括风速、太阳辐照度和负荷，概率分布函数类型包括正态分布、对数正态分布、威布尔分布和伽玛分布。
其中，对于每个概率分布函数按照相应的类型通过数据进行构建，标准的概率分布函数，通过数据的平均值和标准差进行定义。
经验分布函数是统计学中一个与样本经验测度有关的分布函数。该累积分布函数是在所有n个数据点上都跳跃1/n的阶跃函数。对被测变量的某个值而言，该值的分布函数值表示所有观测样本中小于或等于该值的样本所占的比例。
1013、通过下式计算每个概率分布函数的平均绝对误差为：
Figure SMS_109
；
式中，
Figure SMS_110
为平均绝对误差，
Figure SMS_111
为每个数据类型对应的历史数据的平均值，n为数据个数，
Figure SMS_112
为概率分布函数，
Figure SMS_113
为经验分布函数。
1014、将每个数据类型的多个概率分布函数分别对应的平均绝对误差进行比对，筛选出平均绝对误差最小的概率分布函数为对应的数据类型的最优概率分布函数。
在一个具体实施例中，步骤102具体包括：
1021、将每个数据类型的最优概率分布函数按照预设间隔划分为多种状态区间，其中，预设间隔为每个数据类型的数据取值范围与预设间隔数之比值；
其中，预设间隔数可以预先根据经验进行取值。
1022、通过下式确定每个数据类型的各状态区间下的累计概率分布函数为：
Figure SMS_114
；
式中，
Figure SMS_115
为状态，
Figure SMS_116
、
Figure SMS_117
分别表示状态
Figure SMS_118
的起始变量和结束变量，
Figure SMS_119
为状态
Figure SMS_120
的概率，
Figure SMS_121
为最优概率分布函数。
在一个具体实施例中，步骤103具体包括：
1031、基于每个风速的各状态区间下的累计概率分布函数确定各个风速状态下的平均风速；
1032、通过下式计算各风速状态下的风电分布式机组的单位输出功率为，
Figure SMS_122
；
式中，
Figure SMS_124
、
Figure SMS_125
、
Figure SMS_127
分别表示风电分布式机组的切入风速、额定风速和切出风速，
Figure SMS_128
为状态
Figure SMS_129
的风电分布式机组的单位输出功率，
Figure SMS_130
表示状态
Figure SMS_131
的平均风速，
Figure SMS_123
服从所述最优概率分布函数，
Figure SMS_126
为风电分布式机组的额定功率；
1033、基于每个太阳辐照度的各状态区间下的累计概率分布函数确定各个太阳辐照度状态下的平均太阳辐照度；
1034、通过下式计算各太阳辐照度状态下的光伏分布式电源的单位输出功率为，
Figure SMS_132
；
式中，
Figure SMS_134
为状态
Figure SMS_135
的光伏分布式电源的单位输出功率，
Figure SMS_138
为状态
Figure SMS_139
的平均太阳辐照度
Figure SMS_140
服从最优概率分布函数，
Figure SMS_141
为光伏分布式电源的额定运行功率，f为填充系数，
Figure SMS_142
为状态
Figure SMS_133
的光伏分布式电源的电流，
Figure SMS_136
为状态
Figure SMS_137
的光伏分布式电源的电压，其中，
Figure SMS_143
；
式中，
Figure SMS_144
为最大输出功率对应的电压，
Figure SMS_145
为最大输出功率所对应的电流，
Figure SMS_146
为开路电压，
Figure SMS_147
为短路电流；
Figure SMS_148
；
式中，
Figure SMS_149
为电压温度系数，
Figure SMS_150
表示状态
Figure SMS_151
的蓄电池温度；其中，
Figure SMS_152
；
式中，
Figure SMS_153
为环境温度，
Figure SMS_154
为蓄电池的额定运行功率。
其中，蓄电池为光伏分布式电源中的蓄电池。
在一个具体实施例中，步骤105具体包括：
基于场景集，设置配电网的变电站和线路增量计划、分布式电源类型以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型的目标函数为：
Figure SMS_155
；
式中，
Figure SMS_157
、
Figure SMS_158
、
Figure SMS_159
、
Figure SMS_160
、
Figure SMS_161
、
Figure SMS_162
分别为变电站投资费用、线路投资费用、变电站运行费用、线损、市购电费用和分布式电源购电费用，t为时间状态的索引，状态场景为场景集中的风电分布式机组的单位输出功率、光伏分布式机组的单位输出功率以及对应的负荷，T为总时间，
Figure SMS_163
和
Figure SMS_156
分别表示利率和各状态场景所对应的年数；
其中，
Figure SMS_164
；
Figure SMS_165
；
Figure SMS_166
；
Figure SMS_167
；
式中，
Figure SMS_192
、
Figure SMS_195
均为系统节点的索引，
Figure SMS_197
为场景的索引，
Figure SMS_199
为系统支路的索引，
Figure SMS_200
为现有变电站的索引，
Figure SMS_201
为新建变电站的索引，
Figure SMS_202
为新建馈线的索引，
Figure SMS_203
为分布式电源的索引；
Figure SMS_204
、
Figure SMS_205
分别为已有变电站和代建变电站节点的集合；
Figure SMS_206
、
Figure SMS_207
分别为可扩建和可新建的变电站集合；
Figure SMS_208
、
Figure SMS_209
分别是扩建变电站和新建变电站的成本；
Figure SMS_210
、
Figure SMS_169
分别为指示已有变电站扩建和变电站新建的0-1变量，0表示未指示，1表示已指示；
Figure SMS_172
、
Figure SMS_173
分别为已有和代建馈线支路的集合；
Figure SMS_175
、
Figure SMS_177
分别为扩建已有线路和新建线路的集合；
Figure SMS_179
为线路的长度；
Figure SMS_181
、
Figure SMS_183
分别为指示已有线路扩建和线路新建的0-1变量；
Figure SMS_185
为场景集合；
Figure SMS_186
为变电站输出视在功率的平方；
Figure SMS_188
、
Figure SMS_191
、
Figure SMS_193
分别为场景概率、一年总小时数和变电站运行成本；
Figure SMS_194
、
Figure SMS_196
分别为线损和线损成本；
Figure SMS_198
、
Figure SMS_168
分别为变电站输出有功功率和市购电成本；
Figure SMS_170
、
Figure SMS_171
分别为分布式电源集合和系统节点集合，其中
Figure SMS_174
，
Figure SMS_176
、
Figure SMS_178
、
Figure SMS_180
分别为可控分布式电源、风力分布式电源和光伏分布式电源；
Figure SMS_182
、
Figure SMS_184
、
Figure SMS_187
为指示分布式电源类型
Figure SMS_189
是否明确的0-1变量、分布式电源的激励成本和分布式电源场景状态定容；
Figure SMS_190
表示年净现值，其中，
Figure SMS_211
。
其中，关于规划周期内电价的变化，使用自回归移动模型（ARIMA）预测价格。
在一个具体实施例中，步骤106具体包括：
确定配电网多阶段增量规划模型对应的约束条件为功率平衡约束、有功、无功线损约束、线路潮流和热容量约束、节点电压约束、系统可靠性约束、分布式电源投资和利用约束、分布式电源渗透约束、分布式电源动态约束和激励价格约束，其中，在分布式电源投资和利用约束，确定利润投资比、折现回收期和内部收益率为经济指标，根据经济指标设定现金流净现值的约束条件、利润投资比的约束条件和每个节点上分布式电源的项目的折现回收期的约束条件。
具体地，确定配电网多阶段增量规划模型对应的约束条件为：
1）功率平衡约束为，
Figure SMS_212
；
式中，
Figure SMS_217
为变电站输出的无功功率；
Figure SMS_220
、
Figure SMS_222
分别为馈线
Figure SMS_224
上传输的有功功率和无功功率；
Figure SMS_226
为分布式电源的额定容量；
Figure SMS_228
为场景
Figure SMS_229
中典型负荷占峰值负荷的百分比；
Figure SMS_213
为以分布式电源功率因数和分布式电源有功功率换算无功功率的系数表达式，
Figure SMS_216
，其中，
Figure SMS_218
为分布式电源有功功率；
Figure SMS_219
、
Figure SMS_221
分别表示节点有功负荷和无功负荷；
Figure SMS_223
、
Figure SMS_225
分别表示有功和无功线损；
Figure SMS_227
为表示馈线的启停状态的0-1变量，其中，0表示停用，1表示启用；
Figure SMS_214
、
Figure SMS_215
分别为节点电压幅值和相角；
其中，对于配电系统的每一个节点，有功和无功功率均需满足功率平衡，且另需满足电力系统相关约束。
2）有功、无功线损约束为，
Figure SMS_230
；
3）变电站容量约束为，
Figure SMS_231
；
式中：
Figure SMS_233
为变电站容量的上限；
Figure SMS_234
、
Figure SMS_235
分别为现有变电站
Figure SMS_236
改造后的提升容量和新建变电站
Figure SMS_237
的设计功率；
Figure SMS_238
、
Figure SMS_239
分别为指示是否改造已有变电站和是否新建变电站的0-1变量；
Figure SMS_232
为所有变电站的集合；
4）线路潮流和热容量约束为，
Figure SMS_240
；
式中：
Figure SMS_241
表示已有馈线的容量上限；
Figure SMS_242
表示馈线视在功率的平方；
Figure SMS_243
为新建馈线
Figure SMS_244
的容量；
Figure SMS_245
、
Figure SMS_246
分别是指示是否改造已有馈线和是否新建馈线的0-1变量；
5）节点电压约束为，
Figure SMS_247
；
式中：
Figure SMS_248
、
Figure SMS_249
分别表示节点电压的上下限；
6）投资决策约束为，
Figure SMS_250
；
其中，投资决策约束表示在规划周期内，现有馈线、变电站的升级改造和馈线、变电站的新建计划必须执行一次。
7）系统可靠性约束为，
Figure SMS_251
；
其中，多数配电网系统为了运维的简单和辐射状拓扑保护的适配而选取辐射状网络。因此，在规划和运行过程中维护这种拓扑结构至关重要。上式是为了避免网络中出现环路。
8）分布式电源投资和利用约束为，
确定利润投资比、折现回收期和内部收益率为经济指标，其中，
Figure SMS_252
；
式中，
Figure SMS_253
、
Figure SMS_254
、
Figure SMS_255
分别为分布式电源的投资成本、运行成本以及分布式电源的售电收益；
Figure SMS_256
为激励价格；
Figure SMS_257
为年净现值计算函数，折算成现值如下所示：
Figure SMS_258
；
式中，
Figure SMS_259
、
Figure SMS_260
、
Figure SMS_261
分别为分布式电源的投资现金成本、运行现金成本以及分布式电源的售电现金收益；
考虑每个项目的内部收益率和最低可接受收益率相等，现金流净现值的约束条件为，
Figure SMS_262
；
其中，内部收益率通常与最低预期回报率或投资者最初确定的最低可接受收益率（minimum acceptable rate of return, MARR）进行比较。若内部收益率大于等于最低可接受收益率，则该项目更有利可图，且投资者会因此接受该项目。下式确保现金流中的净现值为0，以考虑每个项目的内部收益率和最低可接受收益率相等。
利润投资比的约束条件为，
Figure SMS_263
；
式中，
Figure SMS_264
为利润投资比；
其中，利润投资比用于评估投资收益或收益的现值和投资成本的现值之间的比值。若利润投资比大于1，则项目净现值为正，项目是具备收益能力的。分布式电源投资者在项目规划阶段以下式对利润投资比进行评估。
每个节点上分布式电源的项目的折现回收期的约束条件为，
Figure SMS_265
；
式中，
Figure SMS_266
为折现回收期
Figure SMS_267
为累计折现现金流最后一个负值出现的年份；
Figure SMS_268
为最后一个为负值的累计现金流；
Figure SMS_269
为首个为正值的累计现金流；
可以理解的是，本实施例通过引入配电网多阶段增量规划模型中利润投资比、折现回收期、内部收益率三个私人投资者视角的分布式电源项目投资经济性指标，从而可帮助电网公司基于实际需求和系统负荷确定激励价格以及推进分布式电源的私人投资建设。
9）分布式电源渗透约束为，
Figure SMS_270
；
式中，
Figure SMS_271
为各节点上所连接的分布式电源出力上限，
Figure SMS_272
为环境法规要求的网络注入功率系数，
Figure SMS_273
为新能源出力应占总出力的最低比例；
其中，各节点上所连接的分布式电源出力上限和规划末期各基于可再生能源的分布式电源需符合环境法规要求的约束。
10）分布式电源动态约束为，
Figure SMS_274
；
其中，两段规划阶段内，分布式电源容量应有累积。
11）激励价格约束为，
Figure SMS_275
；
式中，
Figure SMS_276
为激励价格下限值，
Figure SMS_277
为激励价格上限值。
以上为本发明提供的一种基于激励的配电网多阶段增量规划方法的实施例的详细描述，以下为本发明提供的一种基于激励的配电网多阶段增量规划系统的实施例的详细描述。
为了便于理解，请参阅图2，本发明提供的一种基于激励的配电网多阶段增量规划系统，包括：
概率分布确定模块100，用于根据配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据分别对应的平均绝对误差确定每个数据类型的最优概率分布函数，其中，数据类型包括风速、太阳辐照度和负荷；
累计概率分布模块200，用于将每个数据类型的最优概率分布函数按照预设间隔划分为多种状态区间，确定每个数据类型的各状态区间下的累计概率分布函数；
输出功率计算模块300，用于基于每个数据类型的各状态区间下的累计概率分布函数获得各风速状态下的风电分布式机组的单位输出功率和各太阳辐照度状态下的光伏分布式电源的单位输出功率；
场景构建模块400，用于将各风速状态下的风电分布式机组的单位输出功率、各太阳辐照度状态下的光伏分布式电源的单位输出功率以及各负荷状态按照状态大小进行序列化，构建场景集；
模型构建模块500，用于基于场景集，设置配电网的变电站和线路增量计划、分布式电源类型以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型；
经济约束模块600，用于确定配电网多阶段增量规划模型对应的约束条件，约束条件包括预设的经济指标对应的约束条件，其中，预设的经济指标包括利润投资比、折现回收期和内部收益率；
决策求解模块700，用于在满足约束条件下，对配电网多阶段增量规划模型进行求解，得到最优决策变量为配电网增量规划方案。
本发明还提供了一种电子设备，包括：
至少一个处理器；以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述的方法。
本发明还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，电子设备和存储介质的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（英文全称：Read-OnlyMemory，英文缩写：ROM）、随机存取存储器（英文全称：Random Access Memory，英文缩写：RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.基于激励的配电网多阶段增量规划方法，其特征在于，包括以下步骤：
根据配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据分别对应的平均绝对误差确定每个数据类型的最优概率分布函数，其中，所述数据类型包括风速、太阳辐照度和负荷；
将每个数据类型的最优概率分布函数按照预设间隔划分为多种状态区间，确定每个数据类型的各状态区间下的累计概率分布函数；
基于每个数据类型的各状态区间下的累计概率分布函数获得各风速状态下的风电分布式机组的单位输出功率和各太阳辐照度状态下的光伏分布式电源的单位输出功率；
将各风速状态下的风电分布式机组的单位输出功率、各太阳辐照度状态下的光伏分布式电源的单位输出功率以及各负荷状态按照状态大小进行序列化，构建场景集；
基于所述场景集，设置配电网的变电站和线路增量计划、分布式电源类型以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型；
确定所述配电网多阶段增量规划模型对应的约束条件，所述约束条件包括预设的经济指标对应的约束条件，其中，所述预设的经济指标包括利润投资比、折现回收期和内部收益率；
在满足所述约束条件下，对所述配电网多阶段增量规划模型进行求解，得到最优决策变量为配电网增量规划方案。
2.根据权利要求1所述的基于激励的配电网多阶段增量规划方法，其特征在于，根据配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据分别对应的平均绝对误差确定每个数据类型的最优概率分布函数，其中，所述数据类型包括风速、太阳辐照度和负荷的步骤，具体包括：
获取配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据；
选取多个概率分布函数类型，基于每个数据类型对应的历史数据构建多个概率分布函数类型分别对应的概率分布函数，并构建每个数据类型对应的经验分布函数，其中，所述数据类型包括风速、太阳辐照度和负荷，所述概率分布函数类型包括正态分布、对数正态分布、威布尔分布和伽玛分布；
通过下式计算每个概率分布函数的平均绝对误差为：
Figure QLYQS_1
；
式中，
Figure QLYQS_2
为平均绝对误差，
Figure QLYQS_3
为每个数据类型对应的历史数据的平均值，n为数据个数，
Figure QLYQS_4
为概率分布函数，
Figure QLYQS_5
为经验分布函数；
将每个数据类型的多个概率分布函数分别对应的平均绝对误差进行比对，筛选出平均绝对误差最小的概率分布函数为对应的数据类型的最优概率分布函数。
3.根据权利要求2所述的基于激励的配电网多阶段增量规划方法，其特征在于，将每个数据类型的最优概率分布函数按照预设间隔划分为多种状态区间，确定每个数据类型的各状态区间下的累计概率分布函数的步骤，具体包括：
将每个数据类型的最优概率分布函数按照预设间隔划分为多种状态区间，
其中，所述预设间隔为每个数据类型的数据取值范围与预设间隔数之比值；通过下式确定每个数据类型的各状态区间下的累计概率分布函数为：
Figure QLYQS_6
；
式中，
Figure QLYQS_7
为状态，
Figure QLYQS_8
、
Figure QLYQS_9
分别表示状态
Figure QLYQS_10
的起始变量和结束变量，
Figure QLYQS_11
为状态
Figure QLYQS_12
的概率，
Figure QLYQS_13
为最优概率分布函数。
4.根据权利要求3所述的基于激励的配电网多阶段增量规划方法，其特征在于，基于每个数据类型的各状态区间下的累计概率分布函数获得各风速状态下的风电分布式机组的单位输出功率和各太阳辐照度状态下的光伏分布式电源的单位输出功率的步骤，具体包括：
基于每个风速的各状态区间下的累计概率分布函数确定各个风速状态下的平均风速；
通过下式计算各风速状态下的风电分布式机组的单位输出功率为，
Figure QLYQS_14
；
式中，
Figure QLYQS_16
、
Figure QLYQS_18
、
Figure QLYQS_19
分别表示风电分布式机组的切入风速、额定风速和切出风速，
Figure QLYQS_20
为状态
Figure QLYQS_21
的风电分布式机组的单位输出功率，
Figure QLYQS_22
表示状态
Figure QLYQS_23
的平均风速，
Figure QLYQS_15
服从所述最优概率分布函数，
Figure QLYQS_17
为风电分布式机组的额定功率；
基于每个太阳辐照度的各状态区间下的累计概率分布函数确定各个太阳辐照度状态下的平均太阳辐照度；
通过下式计算各太阳辐照度状态下的光伏分布式电源的单位输出功率为，
Figure QLYQS_24
；
式中，
Figure QLYQS_26
为状态
Figure QLYQS_27
的光伏分布式电源的单位输出功率，
Figure QLYQS_30
为状态
Figure QLYQS_31
的平均太阳辐照度，
Figure QLYQS_32
服从所述最优概率分布函数，
Figure QLYQS_33
为光伏分布式电源的额定运行功率，f为填充系数，
Figure QLYQS_34
为状态
Figure QLYQS_25
的光伏分布式电源的电流，
Figure QLYQS_28
为状态
Figure QLYQS_29
的光伏分布式电源的电压，其中，
Figure QLYQS_35
；
式中，
Figure QLYQS_36
为最大输出功率对应的电压，
Figure QLYQS_37
为最大输出功率所对应的电流，
Figure QLYQS_38
为开路电压，
Figure QLYQS_39
为短路电流；
Figure QLYQS_40
；
式中，
Figure QLYQS_41
为电压温度系数，
Figure QLYQS_42
表示状态
Figure QLYQS_43
的蓄电池温度；其中，
Figure QLYQS_44
；
式中，
Figure QLYQS_45
为环境温度，
Figure QLYQS_46
为蓄电池的额定运行功率。
5.根据权利要求4所述的基于激励的配电网多阶段增量规划方法，其特征在于，所述场景集为Y×3矩阵，其中，Y为矩阵行数，Y等于状态个数，其中，Y×3矩阵的第一列表示风电分布式机组的单位输出功率，其第二列表示光伏分布式机组的单位输出功率，其第三列表示各负荷及其状态。
6.根据权利要求5所述的基于激励的配电网多阶段增量规划方法，其特征在于，基于所述场景集，设置配电网的变电站和线路增量计划、分布式电源类型、分布式电源的激励成本以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型的步骤，具体包括：
基于所述场景集，设置配电网的变电站和线路增量计划、分布式电源类型以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型的目标函数为：
Figure QLYQS_47
；
式中，
Figure QLYQS_49
、
Figure QLYQS_50
、
Figure QLYQS_51
、
Figure QLYQS_52
、
Figure QLYQS_53
、
Figure QLYQS_54
分别为变电站投资费用、线路投资费用、变电站运行费用、线损、市购电费用和分布式电源购电费用，t为时间状态的索引，状态场景为所述场景集中的风电分布式机组的单位输出功率、光伏分布式机组的单位输出功率以及对应的负荷，T为总时间，
Figure QLYQS_55
和
Figure QLYQS_48
分别表示利率和各状态场景所对应的年数；
其中，
Figure QLYQS_56
；
Figure QLYQS_57
；
Figure QLYQS_58
；
Figure QLYQS_59
；
式中，
Figure QLYQS_86
、
Figure QLYQS_88
均为系统节点的索引，
Figure QLYQS_89
为场景的索引，
Figure QLYQS_91
为系统支路的索引，
Figure QLYQS_92
为现有变电站的索引，
Figure QLYQS_93
为新建变电站的索引，
Figure QLYQS_94
为新建馈线的索引，
Figure QLYQS_95
为分布式电源的索引；
Figure QLYQS_96
、
Figure QLYQS_97
分别为已有变电站和代建变电站节点的集合；
Figure QLYQS_98
、
Figure QLYQS_99
分别为可扩建和可新建的变电站集合；
Figure QLYQS_100
、
Figure QLYQS_101
分别是扩建变电站和新建变电站的成本；
Figure QLYQS_102
、
Figure QLYQS_60
分别为指示已有变电站扩建和变电站新建的0-1变量，0表示未指示，1表示已指示；
Figure QLYQS_61
、
Figure QLYQS_62
分别为已有和代建馈线支路的集合；
Figure QLYQS_63
、
Figure QLYQS_65
分别为扩建已有线路和新建线路的集合；
Figure QLYQS_67
为线路的长度；
Figure QLYQS_68
、
Figure QLYQS_69
分别为指示已有线路扩建和线路新建的0-1变量；
Figure QLYQS_71
为场景集合；
Figure QLYQS_72
为变电站输出视在功率的平方；
Figure QLYQS_74
、
Figure QLYQS_76
、
Figure QLYQS_79
分别为场景概率、一年总小时数和变电站运行成本；
Figure QLYQS_80
、
Figure QLYQS_82
分别为线损和线损成本；
Figure QLYQS_83
、
Figure QLYQS_64
分别为变电站输出有功功率和市购电成本；
Figure QLYQS_66
、
Figure QLYQS_70
分别为分布式电源集合和系统节点集合，其中
Figure QLYQS_73
，
Figure QLYQS_75
、
Figure QLYQS_77
、
Figure QLYQS_78
分别为可控分布式电源、风力分布式电源和光伏分布式电源；
Figure QLYQS_81
、
Figure QLYQS_84
、
Figure QLYQS_85
为指示分布式电源类型
Figure QLYQS_87
是否明确的0-1变量、分布式电源的激励成本和分布式电源场景状态定容；
Figure QLYQS_90
表示年净现值，其中，
Figure QLYQS_103
。
7.根据权利要求6所述的基于激励的配电网多阶段增量规划方法，其特征在于，确定所述配电网多阶段增量规划模型对应的约束条件，所述约束条件包括预设的经济指标对应的约束条件，其中，所述预设的经济指标包括利润投资比、折现回收期和内部收益率的步骤具体包括：
确定所述配电网多阶段增量规划模型对应的约束条件为功率平衡约束、有功、无功线损约束、线路潮流和热容量约束、节点电压约束、系统可靠性约束、分布式电源投资和利用约束、分布式电源渗透约束、分布式电源动态约束和激励价格约束，其中，在分布式电源投资和利用约束，确定利润投资比、折现回收期和内部收益率为经济指标，根据经济指标设定现金流净现值的约束条件、利润投资比的约束条件和每个节点上分布式电源的项目的折现回收期的约束条件。
8.基于激励的配电网多阶段增量规划系统，其特征在于，包括：
概率分布确定模块，用于根据配电网的历史风速数据、历史太阳辐照度数据和历史负荷数据分别对应的平均绝对误差确定每个数据类型的最优概率分布函数，其中，所述数据类型包括风速、太阳辐照度和负荷；
累计概率分布模块，用于将每个数据类型的最优概率分布函数按照预设间隔划分为多种状态区间，确定每个数据类型的各状态区间下的累计概率分布函数；
输出功率计算模块，用于基于每个数据类型的各状态区间下的累计概率分布函数获得各风速状态下的风电分布式机组的单位输出功率和各太阳辐照度状态下的光伏分布式电源的单位输出功率；
场景构建模块，用于将各风速状态下的风电分布式机组的单位输出功率、各太阳辐照度状态下的光伏分布式电源的单位输出功率以及各负荷状态按照状态大小进行序列化，构建场景集；
模型构建模块，用于基于所述场景集，设置配电网的变电站和线路增量计划、分布式电源类型以及分布式电源场景状态定容为决策变量，以投资费用和运营费用总和最小，构建配电网多阶段增量规划模型；
经济约束模块，用于确定所述配电网多阶段增量规划模型对应的约束条件，所述约束条件包括预设的经济指标对应的约束条件，其中，所述预设的经济指标包括利润投资比、折现回收期和内部收益率；
决策求解模块，用于在满足所述约束条件下，对所述配电网多阶段增量规划模型进行求解，得到最优决策变量为配电网增量规划方案。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
CN202310518934.3A 2023-05-10 2023-05-10 基于激励的配电网多阶段增量规划方法及系统 Active CN116244567B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310518934.3A CN116244567B (zh) 2023-05-10 2023-05-10 基于激励的配电网多阶段增量规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310518934.3A CN116244567B (zh) 2023-05-10 2023-05-10 基于激励的配电网多阶段增量规划方法及系统

Publications (2)

Publication Number Publication Date
CN116244567A true CN116244567A (zh) 2023-06-09
CN116244567B CN116244567B (zh) 2023-07-21

Family

ID=86629871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310518934.3A Active CN116244567B (zh) 2023-05-10 2023-05-10 基于激励的配电网多阶段增量规划方法及系统

Country Status (1)

Country Link
CN (1) CN116244567B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952780A (zh) * 2024-03-27 2024-04-30 国网山西省电力公司经济技术研究院 一种配电网分布式光伏双层协同优化投资决策方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190792A (zh) * 2018-07-26 2019-01-11 中国电力科学研究院有限公司 一种确定配电网中分布式电源的配置的方法和系统
CN110086170A (zh) * 2019-05-24 2019-08-02 国网浙江省电力有限公司温州供电公司 基于故障影响下成本最小的海岛微电网电源配置方法
CN112217202A (zh) * 2020-09-29 2021-01-12 东南大学 考虑灵活性投资的分布式新能源、储能与配电网规划方法
CN115001038A (zh) * 2022-06-09 2022-09-02 三峡大学 一种基于随机规划的风光柴储容量配比优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190792A (zh) * 2018-07-26 2019-01-11 中国电力科学研究院有限公司 一种确定配电网中分布式电源的配置的方法和系统
CN110086170A (zh) * 2019-05-24 2019-08-02 国网浙江省电力有限公司温州供电公司 基于故障影响下成本最小的海岛微电网电源配置方法
CN112217202A (zh) * 2020-09-29 2021-01-12 东南大学 考虑灵活性投资的分布式新能源、储能与配电网规划方法
CN115001038A (zh) * 2022-06-09 2022-09-02 三峡大学 一种基于随机规划的风光柴储容量配比优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952780A (zh) * 2024-03-27 2024-04-30 国网山西省电力公司经济技术研究院 一种配电网分布式光伏双层协同优化投资决策方法
CN117952780B (zh) * 2024-03-27 2024-06-11 国网山西省电力公司经济技术研究院 一种配电网分布式光伏双层协同优化投资决策方法

Also Published As

Publication number Publication date
CN116244567B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
Nojavan et al. Application of fuel cell and electrolyzer as hydrogen energy storage system in energy management of electricity energy retailer in the presence of the renewable energy sources and plug-in electric vehicles
Nojavan et al. Selling price determination by electricity retailer in the smart grid under demand side management in the presence of the electrolyser and fuel cell as hydrogen storage system
Rajesh et al. Least cost generation expansion planning with wind power plant incorporating emission using differential evolution algorithm
CN112084705B (zh) 一种用于综合能源系统的并网协调规划方法及系统
CN111200281B (zh) 互联微网储能配置扩容优化方法
CN116244567B (zh) 基于激励的配电网多阶段增量规划方法及系统
CN110310022A (zh) 一种基于电力现货市场价格的电厂月度发电计划分解方法
CN112072644B (zh) 一种热电厂日前市场产量决策运行计划优化方法及系统
CN112508287A (zh) 基于用户侧bess全寿命周期的储能优化配置方法
CN116883064A (zh) 一种基于分部电价预测的储能交易运营管理方法及系统
CN115347586A (zh) 多约束多目标优化的新能源场站储能优化配置系统与方法
Keyvandarian et al. Optimal sizing of a reliability-constrained, stand-alone hybrid renewable energy system using robust satisficing
Keles et al. Evaluation of photovoltaic storage systems on energy markets under uncertainty using stochastic dynamic programming
Burstedde Essays on the Economics of Congestion Management-Theory and Model-based Analysis for Central Western Europe
Xu et al. CVaR‐based method for optimizing the contract bidding strategy of PV power stations
Valenzuela et al. On the computation of the probability distribution of the spot market price in a deregulated electricity market
Wassie et al. Long-term optimal capacity expansion planning for an operating off-grid PV mini-grid in rural Africa under different demand evolution scenarios
Zárate-Miñano et al. Hybridization of existing solar PV farms considering wind power, batteries and electrolyzers
KR102472630B1 (ko) 전력발전량 관리시스템
CN113592507B (zh) 一种电力现货交易月度收益仿真分析方法及装置
CN115187061A (zh) 一种用户侧绿电配置方法、装置、设备及存储介质
Kristiansen Financial risk management in the electric power industry using stochastic optimization
CN112686555A (zh) 一种区域配电网综合分析方法、装置及系统
CN108599149B (zh) 一种规划电网方案利用效率评估方法和系统
Mauritzen et al. Increasing or diversifying risk? Tail correlations, transmission flows and prices across wind power areas

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