CN116680995A - 一种配电网光伏最大准入功率评估方法及系统 - Google Patents
一种配电网光伏最大准入功率评估方法及系统 Download PDFInfo
- Publication number
- CN116680995A CN116680995A CN202310973049.4A CN202310973049A CN116680995A CN 116680995 A CN116680995 A CN 116680995A CN 202310973049 A CN202310973049 A CN 202310973049A CN 116680995 A CN116680995 A CN 116680995A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- power
- node
- distribution network
- power distribution
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 8
- 101100001674 Emericella variicolor andI gene Proteins 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
- H02J2300/26—The renewable source being solar energy of photovoltaic origin involving maximum power point tracking control for photovoltaic sources
-
- 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
Abstract
本发明提供了一种配电网光伏最大准入功率评估方法及系统,属于电力系统数据处理技术领域。所述方法,包括:根据得到的运行状态数据,以各光伏节点总输出功率与配电网系统网损期望值的最大差值为自适应遗传算法模型的适应度,得到当前迭代轮次的最优个体,所述最优个体包括各个节点的光伏准入功率;本发明能够对配电网的光伏最大准入功率进行有效分析,并且得到的光伏准入功率方案较好地保证了配电网的优质供电水平。
Description
技术领域
本发明涉及电力系统数据处理技术领域,特别涉及一种配电网光伏最大准入功率评估方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。
因清洁充足的太阳能资源以及“屋顶光伏”等便捷的安装方式,光伏发电技术受到广泛关注。一方面,为了充分利用太阳能资源,最大化投资效益,希望分布式光伏输出功率更大;另一方面,过大的分布式光伏出力可能会导致电压越限、潮流返送和谐波超标等问题,给配电网的电能质量和安全经济运行带来挑战。此外,光伏出力易受光照、温度等气象条件的影响,具有间歇性和随机性特点,且地理位置相近的光伏出力具有一定的空间相关性,加剧了配电网的不确定性并对配电网的光伏承载能力产生了影响。
然而,确定性方法在计算配电网光伏最大准入功率时,无法计及光伏的随机性和相关性,其结果通常是满足特殊条件甚至极端条件的配电网电能质量和安全稳定约束的光伏输出功率极限值,造成评估分析结果极大的保守性,与真实配电网的最大准入功率之间存在一定偏差。
发明内容
为了解决现有技术的不足,考虑到光伏出力随机性和相关性对配电网运行状态的影响,以及配电网电能质量指标“合格率”的要求,本发明提供了一种配电网光伏最大准入功率评估方法及系统,能够对配电网的光伏最大准入功率进行有效分析,并且得到的光伏准入功率方案较好地保证了配电网的优质供电水平。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供了一种配电网光伏最大准入功率评估方法。
一种配电网光伏最大准入功率评估方法,包括以下过程:
根据获取的配电网参量数据进行概率潮流计算,得到配电网系统的运行状态数据;
根据得到的运行状态数据,以各光伏节点总输出功率与配电网系统网损期望值的最大差值为自适应遗传算法模型的适应度,得到最优个体,所述最优个体包括使得配电网光伏准入功率最大的各个节点的光伏准入功率。
作为本发明第一方面进一步的限定,进行多轮次迭代,当满足迭代要求时,得到使得配电网光伏准入功率最大的各光伏节点准入功率;
当不满足迭代要求时,采用精英保留策略对最优个体进行选择操作,并对最优个体进行改进自适应交叉和变异操作,更新配电网系统的运行状态数据并再次进行最优个体的计算,直至满足迭代要求时得到使得配电网光伏准入功率最大的各光伏节点准入功率。
作为本发明第一方面进一步的限定,所述迭代要求,包括:
到达最大遗传迭代轮次;或者,相邻两迭代轮次的最优个体适应度值的差值小于阈值。
作为本发明第一方面进一步的限定,以各光伏节点总输出功率与配电网系统网损期望值的最大差值为自适应遗传算法的适应度,包括:
以各光伏节点输出功率的加权和与配电网系统网损期望值的差值最大化为自适应遗传算法的适应度,其中,任一光伏节点输出功率的权重为光伏有功功率平均标准差与此光伏节点光伏有功功率标准差的比值。
作为本发明第一方面进一步的限定,配电网参量数据,包括:配电网网络参数数据、各光伏节点参数数据和配电网负荷基本参数数据;
最优个体还包括各节点的光伏逆变器功率因数以及对应的适应度值。
作为本发明第一方面进一步的限定,自适应遗传算法模型的约束,包括:
基波潮流方程等式约束、谐波潮流方程等式约束、节点基波电压机会约束、节点各频次谐波电压机会约束、节点电压总谐波畸变率机会约束、非光伏接入节点电压谐波畸变率机会约束、支路均方根电流约束、支路传输容量约束和光伏逆变器功率因数约束;
不满足节点基波电压机会约束、节点各频次谐波电压机会约束、节点电压总谐波畸变率机会约束、非光伏接入节点电压谐波畸变率机会约束条件、支路均方根电流约束、支路传输容量和光伏逆变器功率因数约束的适应度为零。
作为本发明第一方面进一步的限定,配电网系统的运行状态数据,包括:配电网节点基波电压、节点各频次谐波电压和节点电压总谐波畸变率。
第二方面,本发明提供了一种配电网光伏最大准入功率估计系统。
一种配电网光伏最大准入功率估计系统,包括:
数据获取模块,被配置为:根据获取的配电网参量数据进行概率潮流计算,得到配电网系统的运行状态数据;
最优个体计算模块,被配置为:根据得到的运行状态数据,以各光伏节点总输出功率与配电网系统网损期望值的最大差值为自适应遗传算法模型的适应度,得到最优个体,所述最优个体包括使得配电网光伏准入功率最大的各个节点的光伏准入功率。
作为本发明第二方面进一步的限定,最优个体计算模块中,以各光伏节点总输出功率与配电网系统网损期望值的最大差值为自适应遗传算法的适应度,包括:
以各光伏节点输出功率的加权和与配电网系统网损期望值的差值最大化为自适应遗传算法的适应度,其中,任一光伏节点输出功率的权重为光伏有功功率平均标准差与此光伏节点光伏有功功率标准差的比值。
作为本发明第二方面进一步的限定,最优个体计算模块中,自适应遗传算法模型的约束,包括:
基波潮流方程等式约束、谐波潮流方程等式约束、节点基波电压机会约束、节点各频次谐波电压机会约束、节点电压总谐波畸变率机会约束、非光伏接入节点电压谐波畸变率机会约束、支路均方根电流约束、支路传输容量约束和光伏逆变器功率因数约束;
不满足节点基波电压机会约束、节点各频次谐波电压机会约束、节点电压总谐波畸变率机会约束、非光伏接入节点电压谐波畸变率机会约束条件、支路均方根电流约束、支路传输容量和光伏逆变器功率因数约束的适应度为零。
与现有技术相比,本发明的有益效果是:
1、本发明创新性的提出了一种配电网光伏最大准入功率评估方法及系统,考虑了光伏出力随机性和相关性对配电网运行状态的影响,使最优解避免受到配电网源荷随机性的影响,大大降低了非最优的解决方案出现的可能性。
2、本发明创新性的提出了一种配电网光伏最大准入功率评估方法及系统,考虑了电能质量机会约束以及光伏逆变器的无功功率调节能力,同时计及节点基波电压、节点各频次谐波电压、电压总谐波畸变率等电能质量指标要求,能够有效防止网损升高和改善电压质量。
3、本发明创新性的提出了一种配电网光伏最大准入功率评估方法及系统,允许在一定的置信度水平下出现不满足约束条件的情况,将传统的刚性约束条件变成了柔性约束条件,避免了因为考虑小概率事件而大大降低光伏的准入功率。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的配电网光伏最大准入功率评估方法的流程图;
图2为本发明实施例1提供的交叉概率的概率调整曲线;
图3为本发明实施例1提供的改进的IEEE 33节点配电系统结构图;
图4为本发明实施例1提供的节点基波电压幅值的90%分位数;
图5为本发明实施例1提供的节点电压总谐波畸变率的90%分位数;
其中,图1中,IAGA代表Improved Adaptive Genetic Algorithm,即改进自适应遗传算法。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本发明实施例1提供了一种配电网光伏最大准入功率评估方法,包括以下过程:
S01:输入配电网网络参数、光伏节点参数和负荷基本参数等(例如配电网拓扑结构、支路阻抗,各节点负荷的有功功率、无功功率的概率统计特征,光伏输出的有功功率、无功功率的概率统计特征等),初始化IAGA(Improved Adaptive Genetic Algorithm,改进自适应遗传算法,即引进sigmoid函数对传统的自适应遗传算法进行了改进)参数。
S02:设置IAGA迭代次数为0,采用实数编码方式对IAGA进行编码,控制变量为每个节点安装光伏的输出功率及光伏逆变器的功率因数,并初始化IAGA种群。
S03:采用概率潮流计算得到配电网节点基波电压、节点各频次谐波电压、节点电压总谐波畸变率等运行状态变量某一分位数的值(即得到各输出随机变量的概率分布)。
S04:采用光伏输出功率和系统网损的期望值计算适应度,不满足节点基波电压、节点各频次谐波电压、节点电压总谐波畸变率、非光伏接入节点电压谐波畸变率机会约束条件和支路均方根电流、支路传输容量、光伏逆变器功率因数不等式约束条件的适应度为0,并记录当前迭代过程中的最优个体。
S05:更新迭代次数,判断IAGA迭代次数是否达到最大遗传迭代次数或两次迭代过程中最优个体适应度值的差值小于某一数值的最大进化迭代数。若不满足转到S06,若满足转到S07。
S06:采用精英保留策略对个体进行选择操作,并对个体进行改进自适应交叉和变异操作,转到S03。
S07:输出最优个体(即节点光伏准入功率以及光伏逆变器的功率因数)和最大适应度值,从而使配电网的光伏准入功率最大。
更具体的,在S04中,适应度的函数表达式为:
(1)
其中,n为配电网的节点数;x i为0或1,取1表示节点i接入光伏,取0表示节点i没有接入光伏;μ i为其权重;P pvi为节点i接入的光伏输出功率;Ploss为配电网基波损耗的期望;Ploss,h为h次谐波损耗的期望;H为最高谐波频次。
权重μ i的计算方法为:
假设共计m个节点接入光伏,第i个节点的光伏有功功率标准差为σ i,若节点i没有接入光伏则标准差为0,光伏有功功率平均标准差σ avg的表达式为:
(2)
因此光伏准入功率权重μ i的表达式为:
(3)
在S04中,约束条件分别为:
(1)基波潮流方程等式约束
(4)
式中,下标为节点编号;P pvi、Q pvi分别为节点i处光伏有功、无功功率;P Li、Q Li分别为节点i处有功、无功负荷;V i、V j分别表示节点i、j基波电压幅值;G ij与B ij分别为支路ij的电导和电纳参数;δ ij表示节点电压的相角差。
(2)谐波潮流方程等式约束
(5)
式中,Yh ij为h次谐波节点导纳矩阵的元素;为节点i处的h次谐波注入电流;为节点i的h次谐波电压。
(3)节点基波电压机会约束
(6)
式中,Pr{⋅}为{⋅}中事件成立的概率;U i为节点i的基波电压;U imin、U imax为节点i的基波电压幅值的上下限;Ωnode为配电网的节点集合;λ i为节点i基波电压的置信水平。
(4)节点各频次谐波电压机会约束
(7)
式中,为节点i的h次谐波电压;/>、/>为节点i的h次谐波电压幅值的上下限;/>为节点i的h次谐波电压的置信水平。
(5)节点电压总谐波畸变率机会约束
(8)
式中,THDimax为节点i所允许的电压总谐波畸变率的最大值;β i为节点i电压总谐波畸变率的置信水平;M为低频谐波的谐波频次集合。
(6)非光伏接入节点电压谐波畸变率机会约束
(9)
式中,HDimax为非光伏接入节点i所允许的电压谐波畸变率的最大值;ΩNOPV为配电网的非光伏接入节点集合;θ i为非光伏接入节点i电压谐波畸变率的置信水平;N为高频谐波的谐波频次集合,一般表示开关频率整数倍及其附近的谐波频次。
(7)支路均方根电流约束
(10)
式中,I ij,rms是支路ij的均方根电流;I ij,min和I ij,max分别是I ij,rms的上限和下限值;I ij和I ij,h分别是支路ij的基波电流和h次谐波电流。
(8)支路传输容量约束
(11)
式中,S ij、S ijmax分别表示支路ij的传输容量、允许的最大传输容量。
(9)光伏逆变器功率因数约束
光伏逆变器的功率因数在-0.95 ~ +0.95范围内可调,无功功率Q PV根据有功功率P PV所导致的电压的上升或者下降进行相反方向的调节。
在S06中,改进自适应的交叉概率在求解最大值问题时的概率调整曲线如图2所示,改进自适应交叉概率为:
(12)
式中,;f max、f min分别为群体中最大和最小的适应度值;f avg为每代群体的平均适应度值;/>为要交叉的2个个体中较大的适应度值。
在S06中,改进自适应变异概率为:
(13)
式中,;f为变异个体的适应度值。
利用本实施例所提的基于电能质量机会约束的配电网光伏最大准入功率评估方法,搭建仿真模型,系统拓扑结构图如图3所示,光伏接入节点分别为5、12、20、29,相关系数为0.6。设置了四种场景验证本发明所提计算方法的合理性和有效性,且四种场景均在相同的源荷概率统计特征和置信水平下进行研究。
场景一:光伏接入节点5和节点29,且不考虑节点电压总谐波畸变率约束;
场景二:光伏接入节点5和节点29;
场景三:光伏接入节点5、节点12、节点20和节点29,且不考虑节点电压总谐波畸变率约束;
场景四:光伏接入节点5、节点12、节点20和节点29。
四种场景下的分析结果如表1所示。与未接入光伏相比,系统基波损耗期望值分别变化到原来的65.02%、43.78%、116.28和80.08%。光伏准入功率较小时,可以有效地减小系统基波损耗,当光伏准入功率超过一定范围时,造成了损耗增加。对比谐波损耗期望值发现,随着光伏准入功率和接入数量的增多,系统谐波损耗增加。
表1:不同场景下的光伏最大准入功率。
节点5功率/kW | 节点12功率/kW | 节点20功率/kW | 节点29功率/kW | 光伏准入功率/kW | 系统基波损耗/kW | 系统谐波损耗/kW | 目标值/kW | |
场景一 | 4913.5 | — | — | 2500.1 | 7413.6 | 128.0 | 6.6 | 7279 |
场景二 | 4926.7 | — | — | 1298.9 | 6225.6 | 86.1 | 4.1 | 6135.4 |
场景三 | 4858.9 | 1101.0 | 4449.7 | 1809.8 | 12219.4 | 228.7 | 10.2 | 11981 |
场景四 | 4655.8 | 596.8 | 4213.4 | 704.1 | 10170.1 | 157.5 | 6.7 | 10006 |
图4展示了四个场景下各个节点基波电压幅值的90%分位数。系统接入光伏之前,节点基波电压质量较差,节点基波电压严重低于电压下限。四种光伏接入场景的节点基波电压质量得到了极大改善,且全部处于正常范围。特别是对于考虑节点电压总谐波畸变率约束的场景,大多数节点基波电压90%分位数的标幺值均在0.98p.u.-1.02p.u.,电压分布的离散度相对较小。
图5展示了四个场景下各个节点的电压总谐波畸变率的90%分位数。当只考虑节点基波电压幅值约束时,场景一和场景三的光伏最大准入功率方案中都出现了某个节点的电压总谐波畸变率越限的情况。此外,四个节点接入光伏比两个节点接入光伏的节点电压总谐波畸变率水平更高,这是因为每一个光伏都作为一个谐波源,导致系统更加严重的谐波畸变问题。
上述仿真结果表明,在分析配电网光伏最大准入功率时,特别是多节点光伏接入的场景,谐波成为不可忽视的制约因素。同时兼顾基波电压和谐波电压约束的分析方法能够合理地进行系统的光伏承载能力分析,可以有效防止网损升高并且改善系统的电压质量。
本实施例考虑了光伏出力随机性和相关性对配电网运行状态的影响,使最优解避免受到配电网源荷随机性的影响,大大降低了非最优的解决方案出现的可能性。
本实施例考虑了电能质量机会约束以及光伏逆变器的无功功率调节能力,同时计及节点基波电压、节点各频次谐波电压、电压总谐波畸变率等电能质量指标能够有效防止网损升高和改善电压质量。并且允许在一定的置信度水平下出现不满足约束条件的情况,将传统的刚性约束条件变成了柔性约束条件,避免了因为考虑小概率事件而大大降低光伏的准入功率。
本实施例采用IAGA算法,通过引进sigmoid函数,平滑了f avg附近的自适应调整曲线,使交叉概率缓慢变化以确保平均适应度的个体保持高交叉概率;同时,降低了f max附近个体的交叉概率以尽可能保持优良的个体,并保证交叉概率为非零值,有效地改善了局部收敛和避免了算法停滞;此外,增加了f min附近个体的交叉概率,加快进化速度。
实施例2:
本发明实施例2提供了一种配电网光伏最大准入功率估计系统,包括:
数据获取模块,被配置为:根据获取的配电网参量数据进行概率潮流计算,得到配电网系统的运行状态数据;
最优个体计算模块,被配置为:根据得到的运行状态数据,以各光伏节点总输出功率与配电网系统网损期望值的最大差值为自适应遗传算法模型的适应度,得到最优个体,所述最优个体包括使得配电网光伏准入功率最大的各个节点的光伏准入功率。
所述系统的各模块工作方法与实施例1提供的配电网光伏最大准入功率评估方法的对应部分相同,这里不再赘述。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种配电网光伏最大准入功率评估方法,其特征在于,包括以下过程:
根据获取的配电网参量数据进行概率潮流计算,得到配电网系统的运行状态数据;
根据得到的运行状态数据,以各光伏节点总输出功率与配电网系统网损期望值的最大差值为自适应遗传算法模型的适应度,得到最优个体,所述最优个体包括使得配电网光伏准入功率最大的各个节点的光伏准入功率。
2.如权利要求1所述的配电网光伏最大准入功率评估方法,其特征在于,
进行多轮次迭代,当满足迭代要求时,得到使得配电网光伏准入功率最大的各光伏节点准入功率;
当不满足迭代要求时,采用精英保留策略对最优个体进行选择操作,并对最优个体进行改进自适应交叉和变异操作,更新配电网系统的运行状态数据并再次进行最优个体的计算,直至满足迭代要求时得到使得配电网光伏准入功率最大的各光伏节点准入功率。
3.如权利要求2所述的配电网光伏最大准入功率评估方法,其特征在于,
所述迭代要求,包括:
到达最大遗传迭代轮次;或者,相邻两迭代轮次的最优个体适应度值的差值小于设定阈值。
4.如权利要求1-3任一项所述的配电网光伏最大准入功率评估方法,其特征在于,
以各光伏节点总输出功率与配电网系统网损期望值的最大差值为自适应遗传算法的适应度,包括:
以各光伏节点输出功率的加权和与配电网系统网损期望值的差值最大化为自适应遗传算法的适应度,其中,任一光伏节点输出功率的权重为光伏有功功率平均标准差与此光伏节点光伏有功功率标准差的比值。
5.如权利要求1-3任一项所述的配电网光伏最大准入功率评估方法,其特征在于,
配电网参量数据,包括:配电网网络参数数据、各光伏节点参数数据和配电网负荷基本参数数据;
最优个体还包括各节点的光伏逆变器功率因数以及对应的适应度值。
6.如权利要求1-3任一项所述的配电网光伏最大准入功率评估方法,其特征在于,
自适应遗传算法模型的约束,包括:
基波潮流方程等式约束、谐波潮流方程等式约束、节点基波电压机会约束、节点各频次谐波电压机会约束、节点电压总谐波畸变率机会约束、非光伏接入节点电压谐波畸变率机会约束、支路均方根电流约束、支路传输容量约束和光伏逆变器功率因数约束;
不满足节点基波电压机会约束、节点各频次谐波电压机会约束、节点电压总谐波畸变率机会约束、非光伏接入节点电压谐波畸变率机会约束条件、支路均方根电流约束、支路传输容量和光伏逆变器功率因数约束的适应度为零。
7.如权利要求1-3任一项所述的配电网光伏最大准入功率评估方法,其特征在于,
配电网系统的运行状态数据,包括:配电网节点基波电压、节点各频次谐波电压和节点电压总谐波畸变率。
8.一种配电网光伏最大准入功率估计系统,其特征在于,包括:
数据获取模块,被配置为:根据获取的配电网参量数据进行概率潮流计算,得到配电网系统的运行状态数据;
最优个体计算模块,被配置为:根据得到的运行状态数据,以各光伏节点总输出功率与配电网系统网损期望值的最大差值为自适应遗传算法模型的适应度,得到最优个体,所述最优个体包括使得配电网光伏准入功率最大的各个节点的光伏准入功率。
9.如权利要求8所述的配电网光伏最大准入功率估计系统,其特征在于,
最优个体计算模块中,以各光伏节点总输出功率与配电网系统网损期望值的最大差值为自适应遗传算法的适应度,包括:
以各光伏节点输出功率的加权和与配电网系统网损期望值的差值最大化为自适应遗传算法的适应度,其中,任一光伏节点输出功率的权重为光伏有功功率平均标准差与此光伏节点光伏有功功率标准差的比值。
10.如权利要求8或9所述的配电网光伏最大准入功率估计系统,其特征在于,
最优个体计算模块中,自适应遗传算法模型的约束,包括:
基波潮流方程等式约束、谐波潮流方程等式约束、节点基波电压机会约束、节点各频次谐波电压机会约束、节点电压总谐波畸变率机会约束、非光伏接入节点电压谐波畸变率机会约束、支路均方根电流约束、支路传输容量约束和光伏逆变器功率因数约束;
不满足节点基波电压机会约束、节点各频次谐波电压机会约束、节点电压总谐波畸变率机会约束、非光伏接入节点电压谐波畸变率机会约束条件、支路均方根电流约束、支路传输容量和光伏逆变器功率因数约束的适应度为零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973049.4A CN116680995B (zh) | 2023-08-04 | 2023-08-04 | 一种配电网光伏最大准入功率评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973049.4A CN116680995B (zh) | 2023-08-04 | 2023-08-04 | 一种配电网光伏最大准入功率评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116680995A true CN116680995A (zh) | 2023-09-01 |
CN116680995B CN116680995B (zh) | 2023-10-27 |
Family
ID=87782316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310973049.4A Active CN116680995B (zh) | 2023-08-04 | 2023-08-04 | 一种配电网光伏最大准入功率评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116680995B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102623989A (zh) * | 2012-03-28 | 2012-08-01 | 湖南大学 | 一种间歇分布式电源优化配置方法 |
CN104300571A (zh) * | 2013-07-18 | 2015-01-21 | 国家电网公司 | 配电网中分布式电源最大注入功率确定方法 |
WO2015159036A1 (fr) * | 2014-04-17 | 2015-10-22 | Vergnet Sa | Procede de controle et regulation d'un reseau electrique |
CN108964102A (zh) * | 2018-07-26 | 2018-12-07 | 华北电力大学(保定) | 配电网中分布式储能的位置和容量优化配置方法 |
CN113962159A (zh) * | 2021-11-03 | 2022-01-21 | 国网河南省电力公司电力科学研究院 | 一种基于合理弃光的配电网光伏最大接入容量的评估方法 |
CN114567006A (zh) * | 2022-03-02 | 2022-05-31 | 国网浙江省电力有限公司电力科学研究院 | 一种配电网多目标优化运行方法及系统 |
CN116090218A (zh) * | 2023-01-10 | 2023-05-09 | 国网湖南省电力有限公司 | 配电网分布式光伏准入容量计算方法及系统 |
CN116316589A (zh) * | 2023-03-15 | 2023-06-23 | 武汉大学 | 一种考虑源荷不确定性的配网分布式光伏承载力评估方法 |
-
2023
- 2023-08-04 CN CN202310973049.4A patent/CN116680995B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102623989A (zh) * | 2012-03-28 | 2012-08-01 | 湖南大学 | 一种间歇分布式电源优化配置方法 |
CN104300571A (zh) * | 2013-07-18 | 2015-01-21 | 国家电网公司 | 配电网中分布式电源最大注入功率确定方法 |
WO2015159036A1 (fr) * | 2014-04-17 | 2015-10-22 | Vergnet Sa | Procede de controle et regulation d'un reseau electrique |
CN108964102A (zh) * | 2018-07-26 | 2018-12-07 | 华北电力大学(保定) | 配电网中分布式储能的位置和容量优化配置方法 |
CN113962159A (zh) * | 2021-11-03 | 2022-01-21 | 国网河南省电力公司电力科学研究院 | 一种基于合理弃光的配电网光伏最大接入容量的评估方法 |
CN114567006A (zh) * | 2022-03-02 | 2022-05-31 | 国网浙江省电力有限公司电力科学研究院 | 一种配电网多目标优化运行方法及系统 |
CN116090218A (zh) * | 2023-01-10 | 2023-05-09 | 国网湖南省电力有限公司 | 配电网分布式光伏准入容量计算方法及系统 |
CN116316589A (zh) * | 2023-03-15 | 2023-06-23 | 武汉大学 | 一种考虑源荷不确定性的配网分布式光伏承载力评估方法 |
Non-Patent Citations (5)
Title |
---|
XIE, Y等: "Maximum Hosting Capacity Assessment of Distributed Photovoltaic in Distribution System Based on Interval Optimal Power Flow", 2022 5TH INTERNATIONAL CONFERENCE ON POWER AND ENERGY APPLICATIONS (ICPEA) * |
冯洁;张培杰;冀友;李梓萌;于晓春;: "光伏并网最优接入位置及准入功率计算", 电子质量, no. 01 * |
李秀俊;邹?昊;周力行;: "考虑负荷不确定性的分布式光伏电源最大准入功率的计算", 电力电容器与无功补偿, no. 02 * |
管晟超;任明珠;谭佳;孙诗航;程浩忠;: "基于谐波约束的配电网光伏最大准入容量计算", 电网与清洁能源, no. 02 * |
魏宇存;庞霞;贺晓;刘崇新;冯卫;: "基于改进遗传算法的含风电的电网无功优化", 电工电气, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN116680995B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Taher et al. | Optimal location and sizing of UPQC in distribution networks using differential evolution algorithm | |
CN105243516B (zh) | 基于主动配电网的分布式光伏发电最大消纳能力计算系统 | |
CN110247438B (zh) | 基于天牛须算法的主动配电网资源优化配置 | |
CN107947175B (zh) | 一种基于分布式网络控制的微电网经济调度方法 | |
CN110852565B (zh) | 一种考虑不同功能属性的输电网网架规划方法 | |
CN107681664A (zh) | 一种基于内点法的分布式电源并网优化潮流计算方法 | |
Abdel-Mawgoud et al. | An effective hybrid approach based on arithmetic optimization algorithm and sine cosine algorithm for integrating battery energy storage system into distribution networks | |
CN107947183B (zh) | 基于微分进化的含三端snop的配电网自适应优化方法 | |
CN110445127A (zh) | 一种面向多重随机不确定性的配电网无功优化方法及系统 | |
CN110956324A (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 | |
CN116388262A (zh) | 基于多目标优化的含分布式光伏配网无功优化方法及系统 | |
CN114626613A (zh) | 考虑风光互补的输储联合规划方法 | |
CN116680995B (zh) | 一种配电网光伏最大准入功率评估方法及系统 | |
CN110955971B (zh) | 基于改进遗传算法的电力弹簧优化配置方法 | |
CN116995719A (zh) | 一种计及风光荷不确定性的主动配电网双层扩展规划方法 | |
CN109066709B (zh) | 一种基于元模型的分布式电源就地电压控制策略改进方法 | |
Ogita et al. | Parallel dual tabu search for capacitor placement in smart grids | |
CN116031889A (zh) | 基于鲁棒深度强化学习的多智能体分布式电压控制方法 | |
CN111146815A (zh) | 一种智能配电网分布式发电规划配置方法 | |
Hong et al. | Enhanced particle swarm optimization-based feeder reconfiguration considering uncertain large photovoltaic powers and demands | |
Doagou-Mojarrad et al. | Probabilistic interactive fuzzy satisfying generation and transmission expansion planning using fuzzy adaptive chaotic binary PSO algorithm | |
CN113011718A (zh) | 基于和声搜索算法的配电网有功-无功联合优化调度方法 | |
Yilin et al. | A distributed control based on finite-time consensus algorithm for the cluster of DC microgrids | |
CN114709836B (zh) | 基于ag-mopso的含风电配电网无功优化方法 | |
Bai et al. | Optimal pv inverter control in distribution systems via data-driven distributionally robust optimization |
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 |