CN116365591A - 一种分布式光伏群调群控方法、装置和存储介质 - Google Patents

一种分布式光伏群调群控方法、装置和存储介质 Download PDF

Info

Publication number
CN116365591A
CN116365591A CN202310597989.8A CN202310597989A CN116365591A CN 116365591 A CN116365591 A CN 116365591A CN 202310597989 A CN202310597989 A CN 202310597989A CN 116365591 A CN116365591 A CN 116365591A
Authority
CN
China
Prior art keywords
photovoltaic
photovoltaic device
cluster
power
node
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
CN202310597989.8A
Other languages
English (en)
Other versions
CN116365591B (zh
Inventor
阮佳阳
陈操
陈万喜
艾丽娜
程龙胜
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.)
Beijing Zhimeng Ict Co ltd
Original Assignee
Beijing Zhimeng Ict 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 Beijing Zhimeng Ict Co ltd filed Critical Beijing Zhimeng Ict Co ltd
Priority to CN202310597989.8A priority Critical patent/CN116365591B/zh
Publication of CN116365591A publication Critical patent/CN116365591A/zh
Application granted granted Critical
Publication of CN116365591B publication Critical patent/CN116365591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/092—Reinforcement learning
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

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)
  • Power Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (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)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出了一种分布式光伏群调群控方法、装置和存储介质，该方法包括如下步骤：选定光伏装置，进行集群划分获得光伏装置集群；获取光伏装置的样本数据,预处理后进行训练，构建光伏装置集群出力模型；根据历史运行数据，并结合配电网检修计划，评估配电网的光伏接纳能力；获得光伏发电功率预测值；根据光伏发电功率预测值和光伏接纳能力，并基于一致性算法对每个光伏装置进行预先调节；实时获取光伏装置集群的发电功率，并将其与光伏接纳能力比较，获取比较结果；根据比较结果对光伏装置集群进行实时调节。本发明能够合理配置光伏装置的运行方式和功率输出，在保证电压安全前提下，提高了分布式光伏利用率。

Description

一种分布式光伏群调群控方法、装置和存储介质
技术领域
本发明涉及分布式光伏技术领域，具体而言，涉及一种分布式光伏群调群控方法、装置和存储介质。
背景技术
随着智能电网以及可再生能源发电技术的大力发展，分布式光伏发电在电力系统中的应用日益增加。目前，单户安装的光伏装置发电模式多为“自发自用，余电上网”，由于户用负荷随机性较强，馈送至电网的电量受到光照、气候、负荷等多重因素的影响。为了稳定光伏出力，降低对电网的冲击，配备有储能装置的光储装置逐步得到应用，光储装置可根据光伏、储能、电网状态等选择不同的工作模式，可独立运行，也可并网运行，具备较强的电网适应性。但是仍然有大部分户用光伏装置由于成本等原因，没有配备储能装置。
为了避免大量光伏装置随机性和间歇性的反向潮流馈入电网，造成配网末端电压越限问题突出，极大影响电网的稳定性，因此，需要对分布式光伏装置进行有效准确的控制和调度。
目前，对分布式光伏装置进行控制和调度主要采用以下方式：（1）采用单个光伏装置的自主控制方式，即每个光伏装置根据自身的运行状态和电网的需求，进行有功无功出力的调节。这种方式虽然简单易行，但是忽略了分布式光伏发电在区域内的集群效应，不能实现对多个光伏装置的协同控制和优化调度，也不能有效地解决电网电压越限、功率因数低等问题。（2）采用集中式控制方式，即由上级调度机构对区域内所有的光伏装置进行统一的监测、控制和调度。这种方式虽然能够实现对分布式光伏发电的集中管理，但是由于区域内光伏装置数量庞大且分布分散，单体规模小但整体对网络影响大，导致集中式控制方式面临数据采集质量与精度低、数据传输速率与可靠性差、控制对象复杂性高等问题，而且在集中式控制时，没有考虑到带储能光伏装置和不带储能光伏装置的区别，不能实现逆变器和储能的协调控制，也不能将低压配电网络的电压控制负担平均地分配给所有用户，欠缺对不同用户的考虑，不同用户调节成本不一，难以满足用户整体利益诉求。
发明内容
鉴于上述问题，本发明提供了一种分布式光伏群调群控方法、装置和存储介质，解决了现有技术中不能实现对多个光伏装置的协同控制和优化调度，也不能有效地解决电网电压越限、功率因数低等问题。
为解决上述技术问题，本发明采用的技术方案是：一种分布式光伏群调群控方法，包括如下步骤：选定待调控区域的光伏装置，对所述光伏装置进行集群划分，获得光伏装置集群；获取光伏装置的样本数据,预处理后进行训练，构建光伏装置集群出力模型，所述样本数据包括历史气象数据、历史功率数据和天气预测数据；根据所述光伏装置集群所在区域配电网的历史运行数据，并结合配电网检修计划，评估所述配电网的光伏接纳能力；采用所述光伏装置集群出力模型进行预测，获得光伏装置集群的光伏发电功率预测值；根据所述光伏发电功率预测值和光伏接纳能力，并基于一致性算法对光伏装置集群的每个光伏装置进行预先调节；实时获取光伏装置集群的发电功率，并将其与所述光伏接纳能力比较，获取比较结果；根据所述比较结果，对所述光伏装置集群进行实时调节。
作为优选方案，将待调控区域内的单个光伏装置作为一个节点，则对所述光伏装置进行集群划分，包括：选取集群的划分指标，所述划分指标包括模块度、无功平衡度和有功平衡度；对所述划分指标进行归一化处理并确定对应权重；基于数量积法建立节点间的相似度矩阵，从而构造分布式光伏网络；将所述分布式光伏网络中的每个节点初始化为一个集群，计算网络的Q值；按照Q值增大的方向合并节点获得新的集群，迭代循环，直至Q值最大，获得集群划分结果，即光伏装置集群。
作为优选方案，所述Q值的计算公式如下：
Figure SMS_1
；
上式中，a为网络中所有连边的权值和,
Figure SMS_2
为网络的连边,/>
Figure SMS_3
和/>
Figure SMS_4
分别为在节点i，j上连边的权值和,/>
Figure SMS_5
为节点i所在集群，当/>
Figure SMS_6
时，/>
Figure SMS_7
＝1，否则为0。
作为优选方案，所述光伏装置集群出力模型的构建步骤包括：读取光伏装置集群内每个光伏装置的样本数据，并对其进行归一化处理；利用newff函数建立BP神经网络，并指定网络的机构；利用狼群算法优化所述BP神经网络的初始权值和阈值；根据梯度下降法迭代训练所述BP神经网络，直至模型收敛；输入当前功率数据和天气预测数据至模型进行预测，输出光伏发电功率预测值。
作为优选方案，所述历史运行数据包括电网拓扑结构、有功功率、无功功率和电压幅值，则所述评估所述配电网的光伏接纳能力，包括：根据配电网的历史运行数据，建立配电网在正常状态下光伏接纳能力的多元线性函数A；基于多元线性函数A，建立配电网在检修状态下光伏接纳能力的多元线性函数B；载入电网拓扑结构、有功功率、无功功率和电压幅值至多元线性函数A或多元线性函数B，获得配电网的光伏接纳能力。
作为优选方案，所述基于一致性算法对光伏装置集群的每个光伏装置进行预先调节，包括：根据是否带储能系统，将光伏装置集群内的光伏装置划分为子集群A和子集群B；对于子集群A，采用目标函数F1进行调控，即以节点电压偏差最小、子集群无功出力变化最小为目标；对于子集群B，采用目标函数F2进行调控，即以节点电压偏差最小、子集群有功出力削减最小为目标；采用一致性算法分别对子集群A和子集群B中的光伏装置进行一致性调控，使得各光伏装置节点能够平均承担系统稳压负担。
作为优选方案，所述目标函数F1和F2的计算公式如下：
Figure SMS_8
上式中，
Figure SMS_9
为光伏装置i的电压变化量，/>
Figure SMS_10
为主导节点电压参考值与其实时值的差，/>
Figure SMS_11
为光伏装置i的无功调控指令值，/>
Figure SMS_12
为光伏装置i的无功出力实时值，/>
Figure SMS_13
为光伏装置i的有功调控指令值，/>
Figure SMS_14
为光伏装置i的有功出力实时值，α、β和/>
Figure SMS_15
分别为电压、无功出力和有功出力的权重，n为子集群内光伏装置的个数。
作为优选方案，所述一致性算法的计算公式如下：
Figure SMS_16
上式中，k为迭代次数，
Figure SMS_18
和/>
Figure SMS_22
均为节点i的辅助变量，/>
Figure SMS_24
、/>
Figure SMS_19
、/>
Figure SMS_20
均为步长，/>
Figure SMS_23
为网络的拉普拉斯矩阵，/>
Figure SMS_25
为节点j的辅助变量，/>
Figure SMS_17
为节点j的初始状态变量，/>
Figure SMS_21
为节点i更新后的状态变量。
本发明还提供了一种分布式光伏群调群控装置，包括：集群划分模块，选定待调控区域的光伏装置，对所述光伏装置进行集群划分，获得光伏装置集群；模型构建模块，用于获取光伏装置的样本数据,预处理后进行训练，构建光伏装置集群出力模型，所述样本数据包括历史气象数据、历史功率数据和天气预测数据；能力评估模块，用于根据所述光伏装置集群所在区域配电网的历史运行数据，并结合配电网检修计划，评估所述配电网的光伏接纳能力；出力预测模块，用于采用所述光伏装置集群出力模型进行预测，获得光伏发电功率预测值；预先调节模块，用于根据所述光伏发电功率预测值和光伏接纳能力，并基于一致性算法对光伏装置集群的每个光伏装置进行预先调节；比较模块，用于实时获取光伏装置集群的发电功率，并将其与所述光伏接纳能力比较，获取比较结果；实时调节模块，用于根据所述比较结果，对所述光伏装置集群进行实时调节。
本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述方法的步骤。
与现有技术相比，本发明的有益效果包括：通过将模块度、无功平衡度和有功平衡度作为集群划分指标，再基于数量积法建立相似度矩阵，然后迭代循环获得集群划分结果，可以精准划分光伏装置集群，将具有相同特性的光伏装置划分为统一集群，为后续精细化调控提供重要支撑。根据光伏发电功率预测值和光伏接纳能力的预设值，并基于一致性算法对光伏装置集群的每个光伏装置进行预先调节，能够合理配置光伏装置的运行方式和功率输出，通过一致性算法能够完成子集群中相邻节点的信息交互，将调节量按照一致性思想分配下去，使得各节点能够平均承担系统稳压的负担，实现全局最优电压控制，在满足用户利益诉求的同时有效抑制了电压越限问题，提高了配电网运行安全性和稳定性。根据是否带储能系统，将光伏装置集群内的光伏装置划分为子集群A和子集群B，采用不同目标函数分别对子集群A和B进行控制，对于无储能光伏装置，避免了子集群出力的反复剧烈变化，提升了调控效率，延长了光伏装置的光伏逆变器寿命；对于带储能的光伏装置，在保证电压安全前提下，尽可能少削减分布式光伏的有功出力，提高了分布式光伏利用率。
附图说明
参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制。在附图中，相同的附图标记用于指代相同的部件。其中：
图1为本发明实施例分布式光伏群调群控方法的流程示意图；
图2为本发明实施例分布式光伏群调群控装置的结构示意图。
具体实施方式
容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
根据本发明的一实施方式结合图1示出。一种分布式光伏群调群控方法，包括如下步骤：
S101，选定待调控区域的光伏装置，对光伏装置进行集群划分，获得光伏装置集群。
具体的，将待调控区域内的单个光伏装置作为一个节点，则对光伏装置进行集群划分，包括：
选取集群的划分指标，划分指标包括模块度、无功平衡度和有功平衡度。其中，模块度指标用以衡量集群内部节点间的电气耦合程度，无功平衡度和有功平衡度用以衡量集群内无功和有功的平衡度。
对划分指标进行归一化处理并确定对应权重。归一化即将划分指标压缩到[0,1]中。
基于数量积法建立节点间的相似度矩阵，从而构造分布式光伏网络。在相似度矩阵中数值越接近1，表示两个光伏装置节点特性越相似。将单个光伏装置视为节点，各个节点之间具有连边，连边的权值为光伏装置的相似度，从而构造分布式光伏网络。
将分布式光伏网络中的每个节点初始化为一个集群，计算网络的Q值。Q值越接近1，表明集群的相似度越高。
其中，Q值的计算公式如下：
Figure SMS_26
。
上式中，a为网络中所有连边的权值和,
Figure SMS_27
为网络的连边,/>
Figure SMS_28
和/>
Figure SMS_29
分别为在节点i，j上连边的权值和,/>
Figure SMS_30
为节点i所在集群，当/>
Figure SMS_31
时，/>
Figure SMS_32
＝1，否则为0。
按照Q值增大的方向合并节点获得新的集群，迭代循环，直至Q值最大，获得集群划分结果，即光伏装置集群。
S102，获取光伏装置的样本数据,预处理后进行训练，构建光伏装置集群出力模型，样本数据包括历史气象数据、历史功率数据和天气预测数据。
其中，光伏装置集群出力模型的构建步骤包括：
读取光伏装置集群内每个光伏装置的样本数据，并对其进行归一化处理。
利用newff函数建立BP神经网络，并指定网络的机构。
利用狼群算法优化BP神经网络的初始权值和阈值。
根据梯度下降法迭代训练BP神经网络，直至模型收敛。
输入当前功率数据和天气预测数据至模型进行预测，输出光伏发电功率预测值。
S103，根据光伏装置集群所在区域配电网的历史运行数据，并结合配电网检修计划，评估配电网的光伏接纳能力。
具体的，历史运行数据包括电网拓扑结构、有功功率、无功功率和电压幅值，则评估配电网的光伏接纳能力，包括：
根据配电网的历史运行数据，建立配电网在正常状态下光伏接纳能力的多元线性函数A。
例如：建立光伏接纳能力Y关于电网拓扑结构
Figure SMS_33
、有功功率/>
Figure SMS_34
、无功功率/>
Figure SMS_35
和电压幅值/>
Figure SMS_36
之间的多元线性函数A，具体表示为：
Figure SMS_37
上式中，
Figure SMS_38
为常数项，/>
Figure SMS_39
为随机误差。
基于多元线性函数A，建立配电网在检修状态下光伏接纳能力的多元线性函数B。本发明实施例中，根据配电网检修计划的规模大小，预设光伏接纳接纳能力的衰减比例，例如，检修计划为I级时，衰减比例为10%，则光伏接纳能力的预设值为正常状态下的90%。检修计划为II级时，衰减比例为15%，则光伏接纳能力的预设值为正常状态下的85%。
载入电网拓扑结构、有功功率、无功功率和电压幅值至多元线性函数A或多元线性函数B，获得配电网的光伏接纳能力。
S104，采用光伏装置集群出力模型进行预测，获得光伏装置集群的光伏发电功率预测值。
S105，根据光伏发电功率预测值和光伏接纳能力，并基于一致性算法对光伏装置集群的每个光伏装置进行预先调节。当光伏发电功率预测值大于光伏接纳能力时，则需要预先进行光伏与储能系统调节，削减各光伏装置的发电功率，反之，则增加各光伏装置的发电功率，提高光伏利用率。
通过一致性算法能够完成子集群中相邻节点的信息交互，将调节量按照一致性思想分配下去，使得各节点能够平均承担系统稳压的负担，实现全局最优电压控制，在满足用户利益诉求的同时有效抑制了电压越限问题，提高了配电网运行安全性和稳定性。
具体的，基于一致性算法对光伏装置集群的每个光伏装置进行预先调节，包括：
根据是否带储能系统，将光伏装置集群内的光伏装置划分为子集群A和子集群B；即将带储能系统的光伏装置划分为子集群A，不带储能系统的光伏装置划分为子集群B。
对于子集群A，采用目标函数F1进行调控，即以节点电压偏差最小、子集群无功出力变化最小为目标。
对于子集群B，采用目标函数F2进行调控，即以节点电压偏差最小、子集群有功出力削减最小为目标。
目标函数F1和F2的计算公式如下：
Figure SMS_40
上式中，
Figure SMS_41
为光伏装置i的电压变化量，/>
Figure SMS_42
为主导节点电压参考值与其实时值的差，/>
Figure SMS_43
为光伏装置i的无功调控指令值，/>
Figure SMS_44
为光伏装置i的无功出力实时值，/>
Figure SMS_45
为光伏装置i的有功调控指令值，/>
Figure SMS_46
为光伏装置i的有功出力实时值，α、β和/>
Figure SMS_47
分别为电压、无功出力和有功出力的权重，n为子集群内光伏装置的个数。
采用一致性算法分别对子集群A和子集群B中的光伏装置进行一致性调控，使得各光伏装置节点能够平均承担系统稳压负担。
具体的，一致性算法的计算公式如下：
Figure SMS_48
上式中，k为迭代次数，
Figure SMS_50
和/>
Figure SMS_54
均为节点i的辅助变量，/>
Figure SMS_56
、/>
Figure SMS_51
、/>
Figure SMS_53
均为步长，/>
Figure SMS_55
为网络的拉普拉斯矩阵，/>
Figure SMS_57
为节点j的辅助变量，/>
Figure SMS_49
为节点j的初始状态变量，/>
Figure SMS_52
为节点i更新后的状态变量。
根据是否带储能系统，将光伏装置集群内的光伏装置划分为子集群A和子集群B，采用不同目标函数分别对子集群A和B进行控制，对于无储能光伏装置，避免了子集群出力的反复剧烈变化，提升了调控效率，延长了光伏装置的光伏逆变器寿命；对于带储能的光伏装置，在保证电压安全前提下，尽可能少削减分布式光伏的有功出力，提高了分布式光伏利用率。
S106，实时获取光伏装置集群的发电功率，并将其与光伏接纳能力比较，获取比较结果。
S107，根据比较结果，对光伏装置集群进行实时调节。由于进行了预先调节，实时调节只需根据比较结果，实时增减光伏装置集群的发电功率，降低了对大量光伏装置调控的复杂度，实现了各光伏装置高效、可靠和经济运行。
参见图2，本发明还提供了一种分布式光伏群调群控装置，包括：
集群划分模101，选定待调控区域的光伏装置，对光伏装置进行集群划分，获得光伏装置集群；
模型构建模块102，用于获取光伏装置的样本数据,预处理后进行训练，构建光伏装置集群出力模型，样本数据包括历史气象数据、历史功率数据和天气预测数据；
能力评估模块103，用于根据光伏装置集群所在区域配电网的历史运行数据，并结合配电网检修计划，评估配电网的光伏接纳能力，光伏接纳能力具有上限值、预设值和下限值；
出力预测模块104，用于采用光伏装置集群出力模型进行预测，获得光伏发电功率预测值；
预先调节模块105，用于根据光伏发电功率预测值和光伏接纳能力的预设值，并基于一致性算法对光伏装置集群的每个光伏装置进行预先调节；
比较模块106，用于实时获取光伏装置集群的发电功率，并将其与光伏接纳能力比较，获取比较结果；
实时调节模块107，用于根据比较结果，对光伏装置集群进行实时调节。
本发明还提供了一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如上任一项方法的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
与现有技术相比，本发明的有益效果包括：通过将模块度、无功平衡度和有功平衡度作为集群划分指标，再基于数量积法建立相似度矩阵，然后迭代循环获得集群划分结果，可以精准划分光伏装置集群，将具有相同特性的光伏装置划分为统一集群，为后续精细化调控提供重要支撑。根据光伏发电功率预测值和光伏接纳能力的预设值，并基于一致性算法对光伏装置集群的每个光伏装置进行预先调节，能够合理配置光伏装置的运行方式和功率输出，通过一致性算法能够完成子集群中相邻节点的信息交互，将调节量按照一致性思想分配下去，使得各节点能够平均承担系统稳压的负担，实现全局最优电压控制，在满足用户利益诉求的同时有效抑制了电压越限问题，提高了配电网运行安全性和稳定性。根据是否带储能系统，将光伏装置集群内的光伏装置划分为子集群A和子集群B，采用不同目标函数分别对子集群A和B进行控制，对于无储能光伏装置，避免了子集群出力的反复剧烈变化，提升了调控效率，延长了光伏装置的光伏逆变器寿命；对于带储能的光伏装置，在保证电压安全前提下，尽可能少削减分布式光伏的有功出力，提高了分布式光伏利用率。
应理解，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，包括若干指令用以使得一台计算机设备（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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。

Claims (10)

1.一种分布式光伏群调群控方法，其特征在于，包括如下步骤：
选定待调控区域的光伏装置，对所述光伏装置进行集群划分，获得光伏装置集群；
获取光伏装置的样本数据,预处理后进行训练，构建光伏装置集群出力模型，所述样本数据包括历史气象数据、历史功率数据和天气预测数据；
根据所述光伏装置集群所在区域配电网的历史运行数据，并结合配电网检修计划，评估所述配电网的光伏接纳能力；
采用所述光伏装置集群出力模型进行预测，获得光伏装置集群的光伏发电功率预测值；
根据所述光伏发电功率预测值和光伏接纳能力，并基于一致性算法对光伏装置集群的每个光伏装置进行预先调节；
实时获取光伏装置集群的发电功率，并将其与所述光伏接纳能力比较，获取比较结果；
根据所述比较结果，对所述光伏装置集群进行实时调节。
2.根据权利要求1所述的分布式光伏群调群控方法，其特征在于，将待调控区域内的单个光伏装置作为一个节点，则对所述光伏装置进行集群划分，包括：
选取集群的划分指标，所述划分指标包括模块度、无功平衡度和有功平衡度；
对所述划分指标进行归一化处理并确定对应权重；
基于数量积法建立节点间的相似度矩阵，从而构造分布式光伏网络；
将所述分布式光伏网络中的每个节点初始化为一个集群，计算网络的Q值；
按照Q值增大的方向合并节点获得新的集群，迭代循环，直至Q值最大，获得集群划分结果，即光伏装置集群。
3.根据权利要求2所述的分布式光伏群调群控方法，其特征在于，所述Q值的计算公式如下：
Figure QLYQS_1
；
上式中，a为网络中所有连边的权值和,
Figure QLYQS_2
为网络的连边,/>
Figure QLYQS_3
和/>
Figure QLYQS_4
分别为在节点i，j上连边的权值和,/>
Figure QLYQS_5
为节点i所在集群，当/>
Figure QLYQS_6
时，/>
Figure QLYQS_7
＝1，否则为0。
4.根据权利要求1所述的分布式光伏群调群控方法，其特征在于，所述光伏装置集群出力模型的构建步骤包括：
读取光伏装置集群内每个光伏装置的样本数据，并对其进行归一化处理；
利用newff函数建立BP神经网络，并指定网络的结构；
利用狼群算法优化所述BP神经网络的初始权值和阈值；
根据梯度下降法迭代训练所述BP神经网络，直至模型收敛；
输入当前功率数据和天气预测数据至模型进行预测，输出光伏发电功率预测值。
5.根据权利要求1所述的分布式光伏群调群控方法，其特征在于，所述历史运行数据包括电网拓扑结构、有功功率、无功功率和电压幅值，则所述评估所述配电网的光伏接纳能力，包括：
根据配电网的历史运行数据，建立配电网在正常状态下光伏接纳能力的多元线性函数A；
基于多元线性函数A，建立配电网在检修状态下光伏接纳能力的多元线性函数B；
载入电网拓扑结构、有功功率、无功功率和电压幅值至多元线性函数A或多元线性函数B，获得配电网的光伏接纳能力。
6.根据权利要求1所述的分布式光伏群调群控方法，其特征在于，所述基于一致性算法对光伏装置集群的每个光伏装置进行预先调节，包括：
根据是否带储能系统，将光伏装置集群内的光伏装置划分为子集群A和子集群B；
对于子集群A，采用目标函数F1进行调控，即以节点电压偏差最小、子集群无功出力变化最小为目标；
对于子集群B，采用目标函数F2进行调控，即以节点电压偏差最小、子集群有功出力削减最小为目标；
采用一致性算法分别对子集群A和子集群B中的光伏装置进行一致性调控，使得各光伏装置节点能够平均承担系统稳压负担。
7.根据权利要求6所述的分布式光伏群调群控方法，其特征在于，所述目标函数F1和F2的计算公式如下：
Figure QLYQS_8
；
上式中，
Figure QLYQS_9
为光伏装置i的电压变化量，/>
Figure QLYQS_10
为主导节点电压参考值与其实时值的差，/>
Figure QLYQS_11
为光伏装置i的无功调控指令值，/>
Figure QLYQS_12
为光伏装置i的无功出力实时值，/>
Figure QLYQS_13
为光伏装置i的有功调控指令值，/>
Figure QLYQS_14
为光伏装置i的有功出力实时值，α、β和/>
Figure QLYQS_15
分别为电压、无功出力和有功出力的权重，n为子集群内光伏装置的个数。
8.根据权利要求1所述的分布式光伏群调群控方法，其特征在于，所述一致性算法的计算公式如下：
Figure QLYQS_16
；
上式中，k为迭代次数，
Figure QLYQS_19
和/>
Figure QLYQS_22
均为节点i的辅助变量，/>
Figure QLYQS_24
、/>
Figure QLYQS_18
、/>
Figure QLYQS_21
均为步长，/>
Figure QLYQS_23
为网络的拉普拉斯矩阵，/>
Figure QLYQS_25
为节点j的辅助变量，/>
Figure QLYQS_17
为节点j的初始状态变量，/>
Figure QLYQS_20
为节点i更新后的状态变量。
9.一种分布式光伏群调群控装置，其特征在于，包括：
集群划分模块，选定待调控区域的光伏装置，对所述光伏装置进行集群划分，获得光伏装置集群；
模型构建模块，用于获取光伏装置的样本数据,预处理后进行训练，构建光伏装置集群出力模型，所述样本数据包括历史气象数据、历史功率数据和天气预测数据；
能力评估模块，用于根据所述光伏装置集群所在区域配电网的历史运行数据，并结合配电网检修计划，评估所述配电网的光伏接纳能力；
出力预测模块，用于采用所述光伏装置集群出力模型进行预测，获得光伏装置集群的光伏发电功率预测值；
预先调节模块，用于根据所述光伏发电功率预测值和光伏接纳能力，并基于一致性算法对光伏装置集群的每个光伏装置进行预先调节；
比较模块，用于实时获取光伏装置集群的发电功率，并将其与所述光伏接纳能力比较，获取比较结果；
实时调节模块，用于根据所述比较结果，对所述光伏装置集群进行实时调节。
10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
CN202310597989.8A 2023-05-25 2023-05-25 一种分布式光伏群调群控方法、装置和存储介质 Active CN116365591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310597989.8A CN116365591B (zh) 2023-05-25 2023-05-25 一种分布式光伏群调群控方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310597989.8A CN116365591B (zh) 2023-05-25 2023-05-25 一种分布式光伏群调群控方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN116365591A true CN116365591A (zh) 2023-06-30
CN116365591B CN116365591B (zh) 2023-08-25

Family

ID=86928313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310597989.8A Active CN116365591B (zh) 2023-05-25 2023-05-25 一种分布式光伏群调群控方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN116365591B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116865343A (zh) * 2023-09-01 2023-10-10 国网天津市电力公司滨海供电分公司 分布式光伏配电网的无模型自适应控制方法、装置及介质
CN117390481A (zh) * 2023-12-12 2024-01-12 国网辽宁省电力有限公司 一种分布式光伏发电系统集群划分系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729685A (zh) * 2013-12-02 2014-04-16 国电南瑞科技股份有限公司 基于改进rbf神经网络的光伏电站群区域功率预测方法
CN110689183A (zh) * 2019-09-20 2020-01-14 山东大学 一种集群光伏功率概率预测方法、系统、介质及电子设备
CN114492941A (zh) * 2021-12-29 2022-05-13 东南大学 一种基于集群划分和数据增强的整县光伏预测方法
US20220373984A1 (en) * 2021-05-19 2022-11-24 Shandong University Hybrid photovoltaic power prediction method and system based on multi-source data fusion
CN115441463A (zh) * 2022-09-30 2022-12-06 西南交通大学 考虑无通讯连接的分布式光伏发电系统电压控制方法
CN115689008A (zh) * 2022-10-27 2023-02-03 国网安徽省电力有限公司六安供电公司 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统
CN115776139A (zh) * 2022-12-09 2023-03-10 国网河南省电力公司经济技术研究院 一种分布式光伏分层群调群控方法和系统
CN115907213A (zh) * 2022-12-19 2023-04-04 国家电网有限公司 基于云集端分层架构的考虑设备健康度的群控群调策略

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729685A (zh) * 2013-12-02 2014-04-16 国电南瑞科技股份有限公司 基于改进rbf神经网络的光伏电站群区域功率预测方法
CN110689183A (zh) * 2019-09-20 2020-01-14 山东大学 一种集群光伏功率概率预测方法、系统、介质及电子设备
US20220373984A1 (en) * 2021-05-19 2022-11-24 Shandong University Hybrid photovoltaic power prediction method and system based on multi-source data fusion
CN114492941A (zh) * 2021-12-29 2022-05-13 东南大学 一种基于集群划分和数据增强的整县光伏预测方法
CN115441463A (zh) * 2022-09-30 2022-12-06 西南交通大学 考虑无通讯连接的分布式光伏发电系统电压控制方法
CN115689008A (zh) * 2022-10-27 2023-02-03 国网安徽省电力有限公司六安供电公司 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统
CN115776139A (zh) * 2022-12-09 2023-03-10 国网河南省电力公司经济技术研究院 一种分布式光伏分层群调群控方法和系统
CN115907213A (zh) * 2022-12-19 2023-04-04 国家电网有限公司 基于云集端分层架构的考虑设备健康度的群控群调策略

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116865343A (zh) * 2023-09-01 2023-10-10 国网天津市电力公司滨海供电分公司 分布式光伏配电网的无模型自适应控制方法、装置及介质
CN116865343B (zh) * 2023-09-01 2024-03-29 国网天津市电力公司滨海供电分公司 分布式光伏配电网的无模型自适应控制方法、装置及介质
CN117390481A (zh) * 2023-12-12 2024-01-12 国网辽宁省电力有限公司 一种分布式光伏发电系统集群划分系统及方法
CN117390481B (zh) * 2023-12-12 2024-02-27 国网辽宁省电力有限公司 一种分布式光伏发电系统集群划分系统及方法

Also Published As

Publication number Publication date
CN116365591B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN116365591B (zh) 一种分布式光伏群调群控方法、装置和存储介质
CN107301472B (zh) 基于场景分析法和电压调节策略的分布式光伏规划方法
JP2020517227A (ja) 超大規模の水力発電所群の短期間実用化スケジューリング方法
CN114336702B (zh) 基于双层随机规划的风光储场站群功率分配协同优化方法
CN109524991B (zh) 一种分布式光伏接入方法
CN110011358B (zh) 一种配电网负荷状态调节控制器
US11569665B2 (en) Managing the outflow of a solar inverter
CN109376426B (zh) 一种风电并网功率调度方法及装置
CN108258684A (zh) 一种清洁能源电网“源荷域”协调调控方法
CN107994618B (zh) 配电网级光储集群的有功功率调度方法和配电网测控设备
CN114421459A (zh) 一种分布式电源规模化并网的集群划分评估方法及系统
KR102650304B1 (ko) 하이브리드 재생 가능 발전 제어
CN113327065B (zh) 针对发电侧的用户复杂用电情况的能源管理方法及系统
CN110970939B (zh) 一种分布式能源集群优化方法及系统
CN113013909A (zh) 一种基于平抑牵引的储能容量改进方法
Baker et al. Network-cognizant design of decentralized Volt/VAR controllers
CN108258730B (zh) 一种电网协调调度下的弃风供暖系统及方法
CN113065707A (zh) 能源调度方法及装置
CN113067329B (zh) 一种电力系统的可再生能源适应性优化方法及终端
Zhou et al. Distributed Air Conditioning Load Optimal Allocation Method Based on Consensus Algorithm and Considering Residents' Comfort
CN112968480B (zh) 基于机组负荷响应能力的风火电联合优化调度方法及系统
CN117117991B (zh) 基于碳捕集和储能的高比例风电并网方法及装置
CN117937430A (zh) 一种基于分布式控制的配电方法及系统
Jiang et al. Intelligent Clustering Based Active Power Allocation Strategy for Wind Turbines
CN116345583A (zh) 一种电网供电功率调节方法及系统

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