CN116488183A - 一种含分布式电源的配电网优化调度方法 - Google Patents

一种含分布式电源的配电网优化调度方法 Download PDF

Info

Publication number
CN116488183A
CN116488183A CN202310386072.3A CN202310386072A CN116488183A CN 116488183 A CN116488183 A CN 116488183A CN 202310386072 A CN202310386072 A CN 202310386072A CN 116488183 A CN116488183 A CN 116488183A
Authority
CN
China
Prior art keywords
distribution network
power distribution
flexibility
power supply
capacity
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.)
Withdrawn
Application number
CN202310386072.3A
Other languages
English (en)
Inventor
肖艳梅
崔玉华
肖华
程硕
胡云鹏
王倩
马腾
刘黎光
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.)
Minquan Power Supply Co Of State Grid Henan Electric Power Co
Original Assignee
Minquan Power Supply Co Of State Grid Henan Electric Power Co
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 Minquan Power Supply Co Of State Grid Henan Electric Power Co filed Critical Minquan Power Supply Co Of State Grid Henan Electric Power Co
Priority to CN202310386072.3A priority Critical patent/CN116488183A/zh
Publication of CN116488183A publication Critical patent/CN116488183A/zh
Withdrawn legal-status Critical Current

Links

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
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • 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
    • H02J2300/28—The renewable source being wind 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
    • 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
    • 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)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种含分布式电源的配电网优化调度方法，所述的方法包括以下步骤：步骤1：根据配电网结构和接入配电网的分布式电源情况构建含高渗透率分布式电源配电网灵活性评价指标；步骤2：根据配电网结构和接入配电网的分布式电源情况构建含高渗透率分布式电源配电网灵活性优化调度模型；步骤3：根据配电网结构和接入配电网的分布式电源情况构建分布式电源智能配电网多目标优化调度模型；本发明具有有效提高配电网灵活性、提高配电网接纳能力、构建多目标优化调度模型的优点。

Description

一种含分布式电源的配电网优化调度方法
技术领域
本发明属于配电网调度技术领域，具体涉及一种含分布式电源的配电网优化调度方法。
背景技术
随着社会的不断进步和发展，人们对电力的需求越来越大，面对巨大的电力需求，特征为“大机组、大电网和大电厂”的传统配电网弊端日益凸显，加之全球不可再生能源日益枯竭，环境压力巨大，以及互联网的快速发展，推动了智能电网的发展，分布式电源作为智能电网的关键组成部分，发挥着巨大的作用，分布式电源的应用，不但减少了传统配电网对不可再生资源的依赖，增加了配电网对风能、太阳能灯可再生资源的利用率，降低了电力发展对环境的污染，一定程度提高了电力系统运行稳定性、降低了电力系统运行成本，但是分布式电源在电网中的高渗透，随机性、波动性强的可再生能源接入电力系统，引起电能质量、继电保护、灵活性等诸多问题，影响系统的安全可靠运行，可再生能源的波动性、间歇性和难预测性，加剧了高渗透率分布式电源接入下配电网净负荷的波动性，造成配电设备运行效率低、投资大等问题，给电网造成了冲击，所以对配电网中的分布式电源进行优化调度具有重要的意义；因此，提供一种有效提高配电网灵活性、提高配电网接纳能力、构建多目标优化调度模型的一种含分布式电源的配电网优化调度方法是非常有必要的。
发明内容
本发明的目的是为了克服现有技术的不足，而提供一种有效提高配电网灵活性、提高配电网接纳能力、构建多目标优化调度模型的一种含分布式电源的配电网优化调度方法。
本发明的目的是这样实现的：一种含分布式电源的配电网优化调度方法，所述的方法包括以下步骤：
步骤1：根据配电网结构和接入配电网的分布式电源情况构建含高渗透率分布式电源配电网灵活性评价指标；
步骤2：根据配电网结构和接入配电网的分布式电源情况构建含高渗透率分布式电源配电网灵活性优化调度模型；
步骤3：根据配电网结构和接入配电网的分布式电源情况构建分布式电源智能配电网多目标优化调度模型。
所述的步骤1中的构建含高渗透率分布式电源配电网灵活性评价指标具体包括以下步骤：
步骤1.1：配电网容量的灵活充裕度：配电网大量新型负荷以及DG即分布式电源的接入，加大了净负荷的波动性和随机性，易引起配电变压器和线路的局部阻塞，通过线路容量裕度、变压器向上容量裕度和变压器向下容量裕度三个指标,反映配电线路和变压器容量的灵活充裕度；
步骤1.2：配电网DG接纳的灵活适应性：是指配电网承受DG不确定性波动的适应能力，定义净负荷最大允许波动率、净负荷波动率两个灵活适应性指标,以表征配电网承受不确定性波动在时间尺度和方向性上的灵活性。
所述的步骤1.1中的配电网容量的灵活充裕度具体为：①线路容量裕度：线路容量裕度是指某一时刻配电线路允许传输容量的最大值与线路传输容量实际值的差值比上允许传输容量的最大值，体现了配电线路对负荷波动的向上灵活性：式中：/>为t时刻第i条配电线路容量裕度；Pmax,li为线路i的最大传输电流；/>为线路i在t时刻电流；/>一般指负荷峰值对应时刻的线路裕度，/>说明线路裕度充分，能够适应负荷功率波动，/>说明线路裕度不足，会出现线路阻塞；②变压器灵活充裕度指标：变压器容量灵活充裕度是指与配电网连接某一台主变压器传输容量的裕度，包括变压器向上容量裕度和变压器向下容量裕度，分别反映变压器对功率波动的向上和向下灵活性，变压器向上容量裕度和向下容量裕度分别为：/> 式中：/>和/>分别为t时刻上级变电站第i台变压器向上、向下容量裕度；Pmax,ti和Pmin,ti分别为变压器i的最大允许传输容量和最小允许传输容量；/>为变压器i在t时刻传输容量；/>一般指净负荷峰值所对应时刻的容量裕度，体现向上的灵活性，/>说明变压器容量能够响应净负荷功率向上波动；/>一般指净负荷谷值所对应时刻的容量裕度，体现向下的灵活性，/>说明变压器具有向下容量裕度。
所述的步骤1.2中的配电网DG接纳的灵活适应性具体为：①净负荷最大允许波动率：净负荷最大允许波动率反映了配电网自身调节能力，即爬坡能力：式中：/>为净负荷t时段最大允许波动率；为当前时刻净负荷；/>为可控DG允许爬坡率；/>为储能允许爬坡率；/>为配电网允许爬坡率；NGC为可控DG数量；NESS为储能数量；净负荷最大允许波动率越大，越能适应DG及负荷的波动，配电网的灵活适应性越高；②净负荷波动率：是指配电网净负荷的单位时间变化率,体现了净负荷单位时间内的波动剧烈程度：/>式中：/>为净负荷波动率；/>为前一时刻净负荷，当/>时,说明系统满足灵活性需求；反之，则系统的灵活性不足。
所述的步骤2中的含高渗透率分布式电源配电网灵活性优化调度模型具体为：高渗透率不可控DG接入下配电网可调度灵活性资源包括储能、需求响应以及配电网重构，灵活性提升的优化调度应满足高渗透率DG接入下配电网的灵活性需求,合理优化调度现有的灵活性资源；储能充放电响应速度快，能够满足灵活性的及时性和快速性的要求，并且满足电能供需时间上的平移性；负荷侧需求响应的类型多、分布广，能够满足灵活性的平移性和宽幅性的要求；在此基础上综合考虑电网购电费用、需求响应价格机制、储能装置运行费用、网络损耗、灵活性控制目标，使得满足灵活性需求时的成本最小、运行最优；包括以下步骤：
步骤2.1：目标函数：计及可中断负荷和储能两种灵活性调度资源，构建运行费用最小和净负荷波动率最小两目标的灵活性提升优化调度模型，目标函数为：式中：Ji(X)为第i个目标函数；λi为权重系数；C(F)为惩罚函数，用于引入灵活性约束项，F≥0表示满足灵活性约束，F＜0表示不满足灵活性约束；DG全部消纳不参与调度，选择配电网中的可中断负荷/>和储能/>为优化变量,并定义/>式中：/>为可中断负荷削减量；/>和/>分别为储能放电功率和充电功率；α和β为储能充放电状态标志参数，为0-1变量，满足α+β≤1。
步骤2.2：约束条件；
步骤2.3：模型求解。
所述的步骤2.1中的运行费用最小目标函数具体为：运行总费用主要包括电网的购电费用、网损费用、可中断负荷的合同费用、储能装置的运行费用,目标函为：式中：T为调度总时段数，本文T＝24h；/>为每时段购电分时单价；/>为从系统的购电量；/>为网损；NL为可中断负荷数；/>为可中断负荷合同的分时电价；/>为第i个储能购买成本；/>为第i个储能充放电循环寿命次数；为提升配电系统的灵活性，所述的净负荷波动率最小目标函数具体为：/>
所述的步骤2.2中的约束条件具体包括：①有功功率平衡约束：式中：NDG为DG的个数；/>为DG发出的有功功率；Pi,t为节点有功功率；N为节点数；/>为节点i的网损；②无功功率平衡约束：式中：/>为输电系统无功功率；/>为DG发出无功功率；/>为可中断负荷无功功率；Qi,t为节点无功功率；③可中断负荷约束：/>式中：和/>为可中断负荷的最小和最大值；④可中断负荷允许时间约束：/>式中：/>和/>为可中断负荷中断时间的最小和最大值；⑤储能荷电状态约束：SOC,min≤SOC,i≤SOC,max(14)，式中：SOC,min和SOC,max分别为荷电状态最小值和最大值；⑥灵活性约束：⑦潮流约束：式中：Vi,t和Vj,t分别为节点i,j的节点电压；；Gij和Bij分别为节点i与j之间的电导和电纳；θij为节点i与j之间的相角差；⑧节点电压约束：Vi,min≤Vi,t≤Vi,max(20)，式中：Vi,min和Vi,max分别为节点电压最小值与最大值。
所述的步骤2.3中的模型求解具体为：考虑灵活性约束下，储能与可中断需求响应联合优化调度，基于线性加权求和法，采用权重系数将多目标转换为单目标优化模型，采用粒子群优化即PSO算法进行求解，包括以下步骤：
步骤2.31：输入网络参数、负荷波动系数、光伏出力、风机出力原始数据；
步骤2.32：对粒子群相关参数，最大迭代次数进行初始化，随机生成M个控制量个体，构成初始种群；
步骤2.33：进行潮流计算，进行灵活性计算，并判断灵活性是否满足要求；计算各粒子的适应值，根据目标函数式(6)进行全局搜索，获得个体最优和群体最优值的初始值；
步骤2.34：更新粒子的速度及位置；
步骤2.35：重新进行潮流计算，获得全局最优解；
步骤2.36：判断是否满足优化结束条件，若满足转向步骤2.37；若不满足,转向步骤2.34；
步骤2.37：输出优化调度结果。
所述的步骤3中的分布式电源智能配电网多目标优化调度模型包括柴油机、风力发电机、光伏发电单元和燃料电池。
所述的分布式电源智能配电网多目标优化调度模型包括以下步骤：
步骤3.1：目标函数：minZ＝ω1Cp+ω2Cy(21)，式中，0≤ω1≤1,0≤ω2≤1为权重系数，且ω1+ω2＝1；Cp为最小污染物处理费用；Cy为最小运行费用；Cp和Cy可以分别表示为： 式中，nDG为接入配电网的分布式电源个数；m为所排放的污染物类型；Cm为所处理每kg污染物的费用；函数f为输出电能P时所排放的污染物；CDGi为第i个分布式电源的固定投资费用；WDGi为第i个分布式电源的检修、维护费用；WDN为配电网的检修、维护费用；
步骤3.2：约束条件：①等式约束条件：PL,t＝PDGt+PDNt(24)，式中，PL,t为t时刻系统中的总有功负荷；PDGt为分布式电源容量；PDNt为配电网和可中断负荷；p为可调度发电单元数目；q为不可调度单元数目；Pit为可调度型发电单元t时刻的功率输出；Pkt为不可调度型发电单元t时刻的功率输出；②不等式约束条件：Pitmin≤Pit≤Pitmax(26)，/>式(6)为分布式电源功率输出限值约束，Pitmin和Pitmax分别为第i个发电单元的最小输出功率与最大输出功率；式(7)为储能单元存储容量约束，Smin和Smax分别为t时刻的容量下限与容量上限；式(8)为安全裕度约束，Ps为安全裕度预留功率；
步骤3.3：模型求解：由于含分布式电源的智能配电网优化调度模型是多阶离散非线性优化问题，采用遗传算法进行求解，具体包括以下步骤：
步骤3.31：为实现含分布式电源的配电网的综合效益最大，采用随机加权法对目标函数进行优化，按式(21)计算目标函数时，每一个体在迭代过程中均从区间[0，1]中产生随机数ω1,ω2作为权重系数，且ω1+ω2＝1；
步骤3.32：采用排挤小生境法维持种群的多样性，保证帕雷托解的多样性，遗传操作过程中，在某代群体中随机抽取1/τ的个体，τ为排挤因子，由这些个体组成排挤成员，如果排挤成员和新产生的个体相似性较大即个体编码之间的欧氏距离较小，就会被排挤掉，欧氏距离的计算式为：若干次迭代运算和排挤过程一并运行，逐步分类种群中个体，形成小生境，维持群体的多样性；
步骤3.33：为了加快算法的效率，需要对初始种群进行处理，在编码过程中对于问题的决策变量Pit采用浮点数编码方式，优先使用分布式电源Pit＝Piimax；群体初始化时，优先检查分布式电源是否满足约束条件，如果满足，就可在调度功率区间[Pitmin,Pitmax]内产生一个随机数；当产生不可行解时，可以在目标函数的基础上利用加法方式增加惩罚项作为新目标函数，将不可行解的惩罚约束问题转换为无约束问题，然后采用锦标赛选择方式，无需适应度函数，只需从上一代群体中随机选择并挑选出适应度最优的个体，多次操作，构成新群体；
步骤3.34：在个体编码中随机设置交叉点并随机选择基因，采用高斯变异方式，增加高斯变异项，在更新群体时，采用精英保留策略，保证迭代过程中最优解的不退化。
本发明的有益效果：本发明为一种含分布式电源的配电网优化调度方法，在使用中，本发明首先分析含高渗透率分布式电源配电网的灵活性需求；其次从配电网容量灵活充裕度和分布式电源接纳的灵活适应性两个方面，提出线路容量裕度、变压器向上容量裕度、变压器向下容量裕度、净负荷波动率以及净负荷最大允许波动率配电网灵活性评价指标，构建在灵活性指标约束下计及可中断负荷及储能的配电网灵活性提升的多目标优化调度模型，引入粒子群归一化算法求解，通过对灵活性资源的快速、准确的调控，实现配电网功率供需平衡，通过灵活性资源的优化调度，有效提升含高渗透率分布式电源的配电网灵活性，提高配电网接纳分布式电源的能力；本发明综合考虑运行费用和环境效益的多目标优化调度模型具有良好的经济效益和环境效益，在解决静态调度问题过程中，遗传算法能够很好的收敛并得出精确度较高的结果；本发明具有有效提高配电网灵活性、提高配电网接纳能力、构建多目标优化调度模型的优点。
附图说明
图1为本发明一种含分布式电源的配电网优化调度方法的流程图。
图2为本发明一种含分布式电源的配电网优化调度方法的PSO算法流程图。
图3为本发明一种含分布式电源的配电网优化调度方法的两种情景下网损变化曲线图。
图4为本发明一种含分布式电源的配电网优化调度方法的两种情景下配电网净负荷变化曲线图。
图5为本发明一种含分布式电源的配电网优化调度方法的两种情景下净负荷波动率曲线图。
图6为本发明一种含分布式电源的配电网优化调度方法的两种情景下线路容量裕度对比图。
图7为本发明一种含分布式电源的配电网优化调度方法的多目标优化调度求解流程图。
图8为本发明一种含分布式电源的配电网优化调度方法的遗传算法的两个搜索方向示意图。
具体实施方式
下面结合附图对本发明做进一步的说明。
实施例1
如图1-8所示，一种含分布式电源的配电网优化调度方法，一种含分布式电源的配电网优化调度方法，所述的方法包括以下步骤：
步骤1：根据配电网结构和接入配电网的分布式电源情况构建含高渗透率分布式电源配电网灵活性评价指标；
步骤2：根据配电网结构和接入配电网的分布式电源情况构建含高渗透率分布式电源配电网灵活性优化调度模型；
步骤3：根据配电网结构和接入配电网的分布式电源情况构建分布式电源智能配电网多目标优化调度模型。
所述的步骤1中的构建含高渗透率分布式电源配电网灵活性评价指标具体包括以下步骤：
步骤1.1：配电网容量的灵活充裕度：配电网大量新型负荷以及DG即分布式电源的接入，加大了净负荷的波动性和随机性，易引起配电变压器和线路的局部阻塞，通过线路容量裕度、变压器向上容量裕度和变压器向下容量裕度三个指标,反映配电线路和变压器容量的灵活充裕度；
步骤1.2：配电网DG接纳的灵活适应性：是指配电网承受DG不确定性波动的适应能力，定义净负荷最大允许波动率、净负荷波动率两个灵活适应性指标,以表征配电网承受不确定性波动在时间尺度和方向性上的灵活性。
所述的步骤1.1中的配电网容量的灵活充裕度具体为：①线路容量裕度：线路容量裕度是指某一时刻配电线路允许传输容量的最大值与线路传输容量实际值的差值比上允许传输容量的最大值，体现了配电线路对负荷波动的向上灵活性：式中：/>为t时刻第i条配电线路容量裕度；Pmax,li为线路i的最大传输电流；/>为线路i在t时刻电流；/>一般指负荷峰值对应时刻的线路裕度，/>说明线路裕度充分，能够适应负荷功率波动，/>说明线路裕度不足，会出现线路阻塞；②变压器灵活充裕度指标：变压器容量灵活充裕度是指与配电网连接某一台主变压器传输容量的裕度，包括变压器向上容量裕度和变压器向下容量裕度，分别反映变压器对功率波动的向上和向下灵活性，变压器向上容量裕度和向下容量裕度分别为：/> 式中：/>和/>分别为t时刻上级变电站第i台变压器向上、向下容量裕度；Pmax,ti和Pmin,ti分别为变压器i的最大允许传输容量和最小允许传输容量；/>为变压器i在t时刻传输容量；/>一般指净负荷峰值所对应时刻的容量裕度，体现向上的灵活性，/>说明变压器容量能够响应净负荷功率向上波动；/>一般指净负荷谷值所对应时刻的容量裕度，体现向下的灵活性，/>说明变压器具有向下容量裕度。
在本实施例中，上述三个配电网容量灵活充裕度是指单条线路或单台变压器的容量灵活充裕度指标，为了能够定量刻画不同运行方式下配电网的灵活性，若某条线路或某台变压器容量的灵活充裕度不足，则说明配电网的灵活充裕度不足，若全部线路和变压器容量灵活充裕度均满足要求，则用线路和变压器容量的灵活充裕度平均值分别刻画线路和变压器容量的灵活充裕度。
所述的步骤1.2中的配电网DG接纳的灵活适应性具体为：①净负荷最大允许波动率：净负荷最大允许波动率反映了配电网自身调节能力，即爬坡能力：式中：/>为净负荷t时段最大允许波动率；为当前时刻净负荷；/>为可控DG允许爬坡率；/>为储能允许爬坡率；/>为配电网允许爬坡率；NGC为可控DG数量；NESS为储能数量；净负荷最大允许波动率越大，越能适应DG及负荷的波动，配电网的灵活适应性越高；②净负荷波动率：是指配电网净负荷的单位时间变化率,体现了净负荷单位时间内的波动剧烈程度：/>式中：/>为净负荷波动率；/>为前一时刻净负荷，当/>时,说明系统满足灵活性需求；反之，则系统的灵活性不足。
所述的步骤2中的含高渗透率分布式电源配电网灵活性优化调度模型具体为：高渗透率不可控DG接入下配电网可调度灵活性资源包括储能、需求响应以及配电网重构，灵活性提升的优化调度应满足高渗透率DG接入下配电网的灵活性需求,合理优化调度现有的灵活性资源；储能充放电响应速度快，能够满足灵活性的及时性和快速性的要求，并且满足电能供需时间上的平移性；负荷侧需求响应的类型多、分布广，能够满足灵活性的平移性和宽幅性的要求；在此基础上综合考虑电网购电费用、需求响应价格机制、储能装置运行费用、网络损耗、灵活性控制目标，使得满足灵活性需求时的成本最小、运行最优；包括以下步骤：
步骤2.1：目标函数：计及可中断负荷和储能两种灵活性调度资源，构建运行费用最小和净负荷波动率最小两目标的灵活性提升优化调度模型，目标函数为：式中：Ji(X)为第i个目标函数；λi为权重系数，在本实施例中，本发明取λ1＝0.75,λ2＝0.25；C(F)为惩罚函数，用于引入灵活性约束项，F≥0表示满足灵活性约束，F＜0表示不满足灵活性约束；DG全部消纳不参与调度，选择配电网中的可中断负荷和储能/>为优化变量,并定义/>式中：/>为可中断负荷削减量；/>和/>分别为储能放电功率和充电功率；α和β为储能充放电状态标志参数，为0-1变量，满足α+β≤1。
步骤2.2：约束条件；
步骤2.3：模型求解。
所述的步骤2.1中的运行费用最小目标函数具体为：运行总费用主要包括电网的购电费用、网损费用、可中断负荷的合同费用、储能装置的运行费用,目标函为：式中：T为调度总时段数，本文T＝24h；/>为每时段购电分时单价；/>为从系统的购电量；/>为网损；NL为可中断负荷数；/>为可中断负荷合同的分时电价；/>为第i个储能购买成本；/>为第i个储能充放电循环寿命次数；为提升配电系统的灵活性，所述的净负荷波动率最小目标函数具体为：/>
所述的步骤2.2中的约束条件具体包括：①有功功率平衡约束：式中：NDG为DG的个数；/>为DG发出的有功功率；Pi,t为节点有功功率；N为节点数；/>为节点i的网损；②无功功率平衡约束：/>式中：/>为输电系统无功功率；/>为DG发出无功功率；为可中断负荷无功功率；Qi,t为节点无功功率；③可中断负荷约束：/>式中：/>和/>为可中断负荷的最小和最大值；④可中断负荷允许时间约束：式中：/>和/>为可中断负荷中断时间的最小和最大值；⑤储能荷电状态约束：SOC,min≤SOC,i≤SOC,max(14)，式中：SOC,min和SOC,max分别为荷电状态最小值和最大值；⑥灵活性约束：/>⑦潮流约束：/>式中：Vi,t和Vj,t分别为节点i,j的节点电压；；Gij和Bij分别为节点i与j之间的电导和电纳；θij为节点i与j之间的相角差；⑧节点电压约束：Vi,min≤Vi,t≤Vi,max(20)，式中：Vi,min和Vi,max分别为节点电压最小值与最大值。
所述的步骤2.3中的模型求解具体为：考虑灵活性约束下，储能与可中断需求响应联合优化调度，基于线性加权求和法，采用权重系数将多目标转换为单目标优化模型，采用粒子群优化即PSO算法进行求解，包括以下步骤：
步骤2.31：输入网络参数、负荷波动系数、光伏出力、风机出力原始数据；
步骤2.32：对粒子群相关参数，最大迭代次数进行初始化，随机生成M个控制量个体，构成初始种群；
步骤2.33：进行潮流计算，进行灵活性计算，并判断灵活性是否满足要求；计算各粒子的适应值，根据目标函数式(6)进行全局搜索，获得个体最优和群体最优值的初始值；
步骤2.34：更新粒子的速度及位置；
步骤2.35：重新进行潮流计算，获得全局最优解；
步骤2.36：判断是否满足优化结束条件，若满足转向步骤2.37；若不满足,转向步骤2.34；
步骤2.37：输出优化调度结果。
在本实施例中，算力分析：采用改进IEEE 33配电系统，分析高渗透率DG接入对配电网灵活性的影响，通过灵活性资源的优化调度提升含高渗透率DG配电网的灵活性指标，设定两种情景，分析储能和需求响应优化调度对配电网灵活性提升的作用：情景1：没有灵活性资源情景下，含高渗透率DG配电网的灵活性；情景2：在储能和可中断负荷优化调度情景下，含高渗透率DG配电网的灵活性；
①灵活性资源优化调度结果如图3所示，为配电网两种情景下网损随时间的变化对比曲线，情景2与情景1相比，网损平均降幅达到35％，降损效果明显；②灵活性提升分析：通过两种灵活性资源的优化调度，含高渗透率DG配电网灵活性得到了显著提升，图4为两种情景下高渗透率DG接入下配电网净负荷变化对比曲线，结合图4可以看出，通过灵活性资源的优化调度，其净负荷的变化趋缓，波峰和波谷差减少，特别是14:00至19:00，净负荷的波动率明显趋缓；
图5为两种情景下调度24h周期内净负荷最大允许波动率曲线和净负荷波动率曲线；结合图5可以看出，在情景1的两个时间阶段，07:00左右和17:00至21:00，净负荷波动率超出了最大允许波动率的范围，配电网的净负荷波动率灵活性不足，为保证系统的稳定，定会发生弃风、弃光和甩负荷的情况；而在有灵活性资源参与优化调度的情景2，净负荷波动率灵活性指标显著提升，每一时刻均满足净负荷最大允许波动率指标；净负荷波动率指标由情景1的35％降低至情景2的23.1％，并且在其他绝大多数时刻，情景2的净负荷波动率明显低于情景1；
图6为配电网净负荷高峰19:00线路容量裕度灵活性指标对比，结合图6可以看出，情景1中的线路1、线路2的线路容量裕度灵活性指标分别为-20.5％和-6.9％，线路过载阻塞，线路容量裕度灵活性不足，而情景2将其提升到18.2％和29.3％，消除了过载，满足灵活性需求，其他线路容量裕度灵活性也有一定提升；
表1为两种情景下，配电网变压器容量灵活充裕度指标对比结果，通过表1可以发现，灵活性资源的优化调度使高渗透率DG接入下配电网的变压器向上容量裕度和变压器向下容量裕度均有较大的提升；
表1两种情景下变压器容量灵活充裕性指标
情景1配电网的19:00与13:00(分别对应净负荷的波峰点与波谷点)的变压器容量裕度和/>灵活性指标明显不足，分别达到了-5.51％和-0.69％，已经超出了变压器允许容量裕度；情景2变压器的/>和/>分别达到了29.8％和59.3％，变压器容量灵活充裕度充分；通过以上分析，利用灵活性资源的优化调度，配电网容量的灵活充裕度指标和配电网DG接纳的灵活适应性指标均有不同程度的提升，若只考虑满足配电网安全稳定的技术条件，配电网灵活性提升后，对于提高配电网的DG渗透率有着积极的作用。
本发明为一种含分布式电源的配电网优化调度方法，在使用中，本发明首先分析含高渗透率分布式电源配电网的灵活性需求；其次从配电网容量灵活充裕度和分布式电源接纳的灵活适应性两个方面，提出线路容量裕度、变压器向上容量裕度、变压器向下容量裕度、净负荷波动率以及净负荷最大允许波动率配电网灵活性评价指标，构建在灵活性指标约束下计及可中断负荷及储能的配电网灵活性提升的多目标优化调度模型，引入粒子群归一化算法求解，通过对灵活性资源的快速、准确的调控，实现配电网功率供需平衡，通过灵活性资源的优化调度，有效提升含高渗透率分布式电源的配电网灵活性，提高配电网接纳分布式电源的能力；本发明综合考虑运行费用和环境效益的多目标优化调度模型具有良好的经济效益和环境效益，在解决静态调度问题过程中，遗传算法能够很好的收敛并得出精确度较高的结果；本发明具有有效提高配电网灵活性、提高配电网接纳能力、构建多目标优化调度模型的优点。
实施例2
如图1-8所示，一种含分布式电源的配电网优化调度方法，一种含分布式电源的配电网优化调度方法，所述的方法包括以下步骤：
步骤1：根据配电网结构和接入配电网的分布式电源情况构建含高渗透率分布式电源配电网灵活性评价指标；
步骤2：根据配电网结构和接入配电网的分布式电源情况构建含高渗透率分布式电源配电网灵活性优化调度模型；
步骤3：根据配电网结构和接入配电网的分布式电源情况构建分布式电源智能配电网多目标优化调度模型。
所述的步骤3中的分布式电源智能配电网多目标优化调度模型包括柴油机、风力发电机、光伏发电单元和燃料电池。
所述的分布式电源智能配电网多目标优化调度模型包括以下步骤：
步骤3.1：目标函数：min Z＝ω1Cp+ω2Cy(21)，式中，0≤ω1≤1,0≤ω2≤1为权重系数，且ω1+ω2＝1；Cp为最小污染物处理费用；Cy为最小运行费用；Cp和Cy可以分别表示为：式中，nDG为接入配电网的分布式电源个数；m为所排放的污染物类型，如SO2、CO2、NOX；Cm为所处理每kg污染物的费用；函数f为输出电能P时所排放的污染物；CDGi为第i个分布式电源的固定投资费用；WDGi为第i个分布式电源的检修、维护费用；WDN为配电网的检修、维护费用；
步骤3.2：约束条件：①等式约束条件：PL,t＝PDGt+PDNt(24)，式中，PL,t为t时刻系统中的总有功负荷；PDGt为分布式电源容量；PDNt为配电网和可中断负荷；p为可调度发电单元数目；q为不可调度单元数目；Pit为可调度型发电单元t时刻的功率输出；Pkt为不可调度型发电单元t时刻的功率输出；②不等式约束条件：Pitmin≤Pit≤Pitmax(26)，Smin≤St≤Smax(27),/>式(6)为分布式电源功率输出限值约束，Pitmin和Pitmax分别为第i个发电单元的最小输出功率与最大输出功率；式(7)为储能单元存储容量约束，Smin和Smax分别为t时刻的容量下限与容量上限；式(8)为安全裕度约束，Ps为安全裕度预留功率；
步骤3.3：模型求解：由于含分布式电源的智能配电网优化调度模型是多阶离散非线性优化问题，采用遗传算法进行求解，如图7所示，具体包括以下步骤：
步骤3.31：为实现含分布式电源的配电网的综合效益最大，采用随机加权法对目标函数进行优化，按式(21)计算目标函数时，每一个体在迭代过程中均从区间[0，1]中产生随机数ω1,ω2作为权重系数，且ω1+ω2＝1；通过这种遗传算法，搜索方向随机，因此只要群体规模足够大，产生的随机数足够均匀，就能得到所有帕雷托最优解，本发明的模型为双目标模型，图8所示为其遗传算法的搜索方向。
步骤3.32：采用排挤小生境法维持种群的多样性，保证帕雷托解的多样性，遗传操作过程中，在某代群体中随机抽取1/τ的个体，τ为排挤因子，由这些个体组成排挤成员，如果排挤成员和新产生的个体相似性较大即个体编码之间的欧氏距离较小，就会被排挤掉，欧氏距离的计算式为：若干次迭代运算和排挤过程一并运行，逐步分类种群中个体，形成小生境，维持群体的多样性；
步骤3.33：为了加快算法的效率，需要对初始种群进行处理，在编码过程中对于问题的决策变量Pit采用浮点数编码方式，优先使用分布式电源Pit＝Piimax；群体初始化时，优先检查分布式电源是否满足约束条件，如果满足，就可在调度功率区间[Pitmin,Pitmax]内产生一个随机数；当产生不可行解时，可以在目标函数的基础上利用加法方式增加惩罚项作为新目标函数，将不可行解的惩罚约束问题转换为无约束问题，然后采用锦标赛选择方式，无需适应度函数，只需从上一代群体中随机选择并挑选出适应度最优的个体，多次操作，构成新群体；
步骤3.34：在个体编码中随机设置交叉点并随机选择基因，采用高斯变异方式，增加高斯变异项，在更新群体时，采用精英保留策略，保证迭代过程中最优解的不退化。
本发明为一种含分布式电源的配电网优化调度方法，在使用中，本发明首先分析含高渗透率分布式电源配电网的灵活性需求；其次从配电网容量灵活充裕度和分布式电源接纳的灵活适应性两个方面，提出线路容量裕度、变压器向上容量裕度、变压器向下容量裕度、净负荷波动率以及净负荷最大允许波动率配电网灵活性评价指标，构建在灵活性指标约束下计及可中断负荷及储能的配电网灵活性提升的多目标优化调度模型，引入粒子群归一化算法求解，通过对灵活性资源的快速、准确的调控，实现配电网功率供需平衡，通过灵活性资源的优化调度，有效提升含高渗透率分布式电源的配电网灵活性，提高配电网接纳分布式电源的能力；本发明综合考虑运行费用和环境效益的多目标优化调度模型具有良好的经济效益和环境效益，在解决静态调度问题过程中，遗传算法能够很好的收敛并得出精确度较高的结果；本发明具有有效提高配电网灵活性、提高配电网接纳能力、构建多目标优化调度模型的优点。

Claims (10)

1.一种含分布式电源的配电网优化调度方法，其特征在于：所述的方法包括以下步骤：
步骤1：根据配电网结构和接入配电网的分布式电源情况构建含高渗透率分布式电源配电网灵活性评价指标；
步骤2：根据配电网结构和接入配电网的分布式电源情况构建含高渗透率分布式电源配电网灵活性优化调度模型；
步骤3：根据配电网结构和接入配电网的分布式电源情况构建分布式电源智能配电网多目标优化调度模型。
2.如权利要求1所述的一种含分布式电源的配电网优化调度方法，其特征在于：所述的步骤1中的构建含高渗透率分布式电源配电网灵活性评价指标具体包括以下步骤：
步骤1.1：配电网容量的灵活充裕度：配电网大量新型负荷以及DG即分布式电源的接入，加大了净负荷的波动性和随机性，易引起配电变压器和线路的局部阻塞，通过线路容量裕度、变压器向上容量裕度和变压器向下容量裕度三个指标,反映配电线路和变压器容量的灵活充裕度；
步骤1.2：配电网DG接纳的灵活适应性：是指配电网承受DG不确定性波动的适应能力，定义净负荷最大允许波动率、净负荷波动率两个灵活适应性指标,以表征配电网承受不确定性波动在时间尺度和方向性上的灵活性。
3.如权利要求2所述的一种含分布式电源的配电网优化调度方法，其特征在于：所述的步骤1.1中的配电网容量的灵活充裕度具体为：①线路容量裕度：线路容量裕度是指某一时刻配电线路允许传输容量的最大值与线路传输容量实际值的差值比上允许传输容量的最大值，体现了配电线路对负荷波动的向上灵活性：式中：/>为t时刻第i条配电线路容量裕度；Pmax,li为线路i的最大传输电流；/>为线路i在t时刻电流；一般指负荷峰值对应时刻的线路裕度，/>说明线路裕度充分，能够适应负荷功率波动，/>说明线路裕度不足，会出现线路阻塞；②变压器灵活充裕度指标：变压器容量灵活充裕度是指与配电网连接某一台主变压器传输容量的裕度，包括变压器向上容量裕度和变压器向下容量裕度，分别反映变压器对功率波动的向上和向下灵活性，变压器向上容量裕度和向下容量裕度分别为：/> 式中：/>和/>分别为t时刻上级变电站第i台变压器向上、向下容量裕度；Pmax,ti和Pmin,ti分别为变压器i的最大允许传输容量和最小允许传输容量；/>为变压器i在t时刻传输容量；/>一般指净负荷峰值所对应时刻的容量裕度，体现向上的灵活性，/>说明变压器容量能够响应净负荷功率向上波动；/>一般指净负荷谷值所对应时刻的容量裕度，体现向下的灵活性，/>说明变压器具有向下容量裕度。
4.如权利要求2所述的一种含分布式电源的配电网优化调度方法，其特征在于：所述的步骤1.2中的配电网DG接纳的灵活适应性具体为：①净负荷最大允许波动率：净负荷最大允许波动率反映了配电网自身调节能力，即爬坡能力：式中：/>为净负荷t时段最大允许波动率；/>为当前时刻净负荷；/>为可控DG允许爬坡率；/>为储能允许爬坡率；/>为配电网允许爬坡率；NGC为可控DG数量；NESS为储能数量；净负荷最大允许波动率越大，越能适应DG及负荷的波动，配电网的灵活适应性越高；②净负荷波动率：是指配电网净负荷的单位时间变化率,体现了净负荷单位时间内的波动剧烈程度：/>式中：/>为净负荷波动率；/>为前一时刻净负荷，当时,说明系统满足灵活性需求；反之，则系统的灵活性不足。
5.如权利要求1所述的一种含分布式电源的配电网优化调度方法，其特征在于：所述的步骤2中的含高渗透率分布式电源配电网灵活性优化调度模型具体为：高渗透率不可控DG接入下配电网可调度灵活性资源包括储能、需求响应以及配电网重构，灵活性提升的优化调度应满足高渗透率DG接入下配电网的灵活性需求,合理优化调度现有的灵活性资源；储能充放电响应速度快，能够满足灵活性的及时性和快速性的要求，并且满足电能供需时间上的平移性；负荷侧需求响应的类型多、分布广，能够满足灵活性的平移性和宽幅性的要求；在此基础上综合考虑电网购电费用、需求响应价格机制、储能装置运行费用、网络损耗、灵活性控制目标，使得满足灵活性需求时的成本最小、运行最优；包括以下步骤：
步骤2.1：目标函数：计及可中断负荷和储能两种灵活性调度资源，构建运行费用最小和净负荷波动率最小两目标的灵活性提升优化调度模型，目标函数为：式中：Ji(X)为第i个目标函数；λi为权重系数；C(F)为惩罚函数，用于引入灵活性约束项，F≥0表示满足灵活性约束，F＜0表示不满足灵活性约束；DG全部消纳不参与调度，选择配电网中的可中断负荷/>和储能/>为优化变量,并定义/>式中：/>为可中断负荷削减量；/>和/>分别为储能放电功率和充电功率；α和β为储能充放电状态标志参数，为0-1变量，满足α+β≤1。
步骤2.2：约束条件；
步骤2.3：模型求解。
6.如权利要求5所述的一种含分布式电源的配电网优化调度方法，其特征在于：所述的步骤2.1中的运行费用最小目标函数具体为：运行总费用主要包括电网的购电费用、网损费用、可中断负荷的合同费用、储能装置的运行费用,目标函为：式中：T为调度总时段数，本文T＝24h；/>为每时段购电分时单价；Pt G为从系统的购电量；Pt loss为网损；NL为可中断负荷数；/>为可中断负荷合同的分时电价；/>为第i个储能购买成本；/>为第i个储能充放电循环寿命次数；为提升配电系统的灵活性，所述的净负荷波动率最小目标函数具体为：/>
7.如权利要求5所述的一种含分布式电源的配电网优化调度方法，其特征在于：所述的步骤2.2中的约束条件具体包括：①有功功率平衡约束：式中：NDG为DG的个数；/>为DG发出的有功功率；Pi,t为节点有功功率；N为节点数；/>为节点i的网损；②无功功率平衡约束：/>式中：/>为输电系统无功功率；/>为DG发出无功功率；为可中断负荷无功功率；Qi,t为节点无功功率；③可中断负荷约束：/>式中：/>和/>为可中断负荷的最小和最大值；④可中断负荷允许时间约束：式中：/>和/>为可中断负荷中断时间的最小和最大值；⑤储能荷电状态约束：SOC,min≤SOC,i≤SOC,max(14)，式中：SOC,min和SOC,max分别为荷电状态最小值和最大值；⑥灵活性约束：/>⑦潮流约束：/>式中：Vi,t和Vj,t分别为节点i,j的节点电压；；Gij和Bij分别为节点i与j之间的电导和电纳；θij为节点i与j之间的相角差；⑧节点电压约束：Vi,min≤Vi,t≤Vi,max(20)，式中：Vi,min和Vi,max分别为节点电压最小值与最大值。
8.如权利要求5所述的一种含分布式电源的配电网优化调度方法，其特征在于：所述的步骤2.3中的模型求解具体为：考虑灵活性约束下，储能与可中断需求响应联合优化调度，基于线性加权求和法，采用权重系数将多目标转换为单目标优化模型，采用粒子群优化即PSO算法进行求解，包括以下步骤：
步骤2.31：输入网络参数、负荷波动系数、光伏出力、风机出力原始数据；
步骤2.32：对粒子群相关参数，最大迭代次数进行初始化，随机生成M个控制量个体，构成初始种群；
步骤2.33：进行潮流计算，进行灵活性计算，并判断灵活性是否满足要求；计算各粒子的适应值，根据目标函数式(6)进行全局搜索，获得个体最优和群体最优值的初始值；
步骤2.34：更新粒子的速度及位置；
步骤2.35：重新进行潮流计算，获得全局最优解；
步骤2.36：判断是否满足优化结束条件，若满足转向步骤2.37；若不满足,转向步骤2.34；
步骤2.37：输出优化调度结果。
9.如权利要求1所述的一种含分布式电源的配电网优化调度方法，其特征在于：所述的步骤3中的分布式电源智能配电网多目标优化调度模型包括柴油机、风力发电机、光伏发电单元和燃料电池。
10.如权利要求9所述的一种含分布式电源的配电网优化调度方法，其特征在于：所述的分布式电源智能配电网多目标优化调度模型包括以下步骤：
步骤3.1：目标函数：minZ＝ω1Cp+ω2Cy(21)，式中，0≤ω1≤1,0≤ω2≤1为权重系数，且ω1+ω2＝1；Cp为最小污染物处理费用；Cy为最小运行费用；Cp和Cy可以分别表示为：式中，nDG为接入配电网的分布式电源个数；m为所排放的污染物类型；Cm为所处理每kg污染物的费用；函数f为输出电能P时所排放的污染物；CDGi为第i个分布式电源的固定投资费用；WDGi为第i个分布式电源的检修、维护费用；WDN为配电网的检修、维护费用；
步骤3.2：约束条件：①等式约束条件：PL,t＝PDGt+PDNt(24)，式中，PL,t为t时刻系统中的总有功负荷；PDGt为分布式电源容量；PDNt为配电网和可中断负荷；p为可调度发电单元数目；q为不可调度单元数目；Pit为可调度型发电单元t时刻的功率输出；Pkt为不可调度型发电单元t时刻的功率输出；②不等式约束条件：Pitmin≤Pit≤Pitmax(26)，式(6)为分布式电源功率输出限值约束，Pitmin和Pitmax分别为第i个发电单元的最小输出功率与最大输出功率；式(7)为储能单元存储容量约束，Smin和Smax分别为t时刻的容量下限与容量上限；式(8)为安全裕度约束，Ps为安全裕度预留功率；
步骤3.3：模型求解：由于含分布式电源的智能配电网优化调度模型是多阶离散非线性优化问题，采用遗传算法进行求解，具体包括以下步骤：
步骤3.31：为实现含分布式电源的配电网的综合效益最大，采用随机加权法对目标函数进行优化，按式(21)计算目标函数时，每一个体在迭代过程中均从区间[0，1]中产生随机数ω1,ω2作为权重系数，且ω1+ω2＝1；
步骤3.32：采用排挤小生境法维持种群的多样性，保证帕雷托解的多样性，遗传操作过程中，在某代群体中随机抽取1/τ的个体，τ为排挤因子，由这些个体组成排挤成员，如果排挤成员和新产生的个体相似性较大即个体编码之间的欧氏距离较小，就会被排挤掉，欧氏距离的计算式为：若干次迭代运算和排挤过程一并运行，逐步分类种群中个体，形成小生境，维持群体的多样性；
步骤3.33：为了加快算法的效率，需要对初始种群进行处理，在编码过程中对于问题的决策变量Pit采用浮点数编码方式，优先使用分布式电源Pit＝Piimax；群体初始化时，优先检查分布式电源是否满足约束条件，如果满足，就可在调度功率区间[Pitmin,Pitmax]内产生一个随机数；当产生不可行解时，可以在目标函数的基础上利用加法方式增加惩罚项作为新目标函数，将不可行解的惩罚约束问题转换为无约束问题，然后采用锦标赛选择方式，无需适应度函数，只需从上一代群体中随机选择并挑选出适应度最优的个体，多次操作，构成新群体；
步骤3.34：在个体编码中随机设置交叉点并随机选择基因，采用高斯变异方式，增加高斯变异项，在更新群体时，采用精英保留策略，保证迭代过程中最优解的不退化。
CN202310386072.3A 2023-04-12 2023-04-12 一种含分布式电源的配电网优化调度方法 Withdrawn CN116488183A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310386072.3A CN116488183A (zh) 2023-04-12 2023-04-12 一种含分布式电源的配电网优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310386072.3A CN116488183A (zh) 2023-04-12 2023-04-12 一种含分布式电源的配电网优化调度方法

Publications (1)

Publication Number Publication Date
CN116488183A true CN116488183A (zh) 2023-07-25

Family

ID=87220622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310386072.3A Withdrawn CN116488183A (zh) 2023-04-12 2023-04-12 一种含分布式电源的配电网优化调度方法

Country Status (1)

Country Link
CN (1) CN116488183A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117277392A (zh) * 2023-11-22 2023-12-22 国网山西省电力公司经济技术研究院 一种面向配电系统弹性提升的应急资源优化配置方法
CN117526432A (zh) * 2023-10-23 2024-02-06 杭州绿藤数智科技有限公司 一种面向源荷互动的配网调控系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117526432A (zh) * 2023-10-23 2024-02-06 杭州绿藤数智科技有限公司 一种面向源荷互动的配网调控系统及方法
CN117526432B (zh) * 2023-10-23 2024-05-10 杭州绿藤数智科技有限公司 一种面向源荷互动的配网调控系统及方法
CN117277392A (zh) * 2023-11-22 2023-12-22 国网山西省电力公司经济技术研究院 一种面向配电系统弹性提升的应急资源优化配置方法
CN117277392B (zh) * 2023-11-22 2024-04-09 国网山西省电力公司经济技术研究院 一种面向配电系统弹性提升的应急资源优化配置方法

Similar Documents

Publication Publication Date Title
Moghaddam et al. Multi-objective operation management of a renewable MG (micro-grid) with back-up micro-turbine/fuel cell/battery hybrid power source
CN112713618B (zh) 基于多场景技术的主动配电网源网荷储协同优化运行方法
CN111030188B (zh) 一种含分布式和储能的分层分级控制策略
Hemmati et al. System modeling and optimization for islanded micro-grid using multi-cross learning-based chaotic differential evolution algorithm
CN116488183A (zh) 一种含分布式电源的配电网优化调度方法
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
CN110956324B (zh) 基于改进的moea/d的主动配电网日前高维目标优化调度方法
CN110245794B (zh) 考虑灵活性的多能源汇集中心火储容量双层优化方法
CN111668878A (zh) 一种可再生微能源网的优化配置方法和系统
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
Li et al. A dynamic multi-constraints handling strategy for multi-objective energy management of microgrid based on MOEA
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
CN116418001A (zh) 应对新能源不确定性的水库群多能互补调度方法与系统
CN117578537A (zh) 基于碳交易和需求响应的微电网优化调度方法
CN112821463B (zh) 基于风、光随机性的主动配电网多目标日前优化调度方法
Yuan et al. Hybrid AC/DC microgrid energy management based on renewable energy sources forecasting
Xu et al. Optimal scheduling of microgrid with consideration of demand response in smart grid
CN114759616B (zh) 一种考虑电力电子器件特性的微电网鲁棒优化调度方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
Hong et al. Short-term real-power scheduling considering fuzzy factors in an autonomous system using genetic algorithms
CN115841216A (zh) 计及分布式光伏消纳率的配电网储能优化配置方法
CN115333085A (zh) 考虑灵活性约束的含分布式新能源配电网双层优化调度方法
CN114676921A (zh) 一种考虑源荷储协调优化的系统风电可接纳能力计算方法
CN113807566A (zh) 基于可再生能源和内部负荷不确定的社区能源的调度方法
Loloei et al. Energy Management of a Floating Photovoltaic System by Optimally Designed Fuzzy Logic Controller

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230725