CN116882105A - 大规模光伏接入的交直流配电网供电模式边界分析方法 - Google Patents

大规模光伏接入的交直流配电网供电模式边界分析方法 Download PDF

Info

Publication number
CN116882105A
CN116882105A CN202310631863.8A CN202310631863A CN116882105A CN 116882105 A CN116882105 A CN 116882105A CN 202310631863 A CN202310631863 A CN 202310631863A CN 116882105 A CN116882105 A CN 116882105A
Authority
CN
China
Prior art keywords
distribution network
power
photovoltaic
power supply
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.)
Pending
Application number
CN202310631863.8A
Other languages
English (en)
Inventor
白浩
付宇
李巍
李跃
蔡永翔
杨炜晨
肖小兵
徐敏
刘安茳
王扬
刘通
熊楠
方阳
叶远红
郑友卓
郝树青
苗宇
张恒荣
张洋
李前敏
李新皓
宋子宏
班诗雪
王祖峰
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.)
China South Power Grid International Co ltd
Guizhou Power Grid Co Ltd
Original Assignee
China South Power Grid International Co ltd
Guizhou 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 China South Power Grid International Co ltd, Guizhou Power Grid Co Ltd filed Critical China South Power Grid International Co ltd
Priority to CN202310631863.8A priority Critical patent/CN116882105A/zh
Publication of CN116882105A publication Critical patent/CN116882105A/zh
Pending 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Power Engineering (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了大规模光伏接入的交直流配电网供电模式边界分析方法，包括：采集配电网特征指标，并确定待优化调控量的取值；构建经济型目标函数，根据配电网相关要求以及实际现实条件，对功率平衡、节点电压进行约束；通过遗传操作来进行信息交换，搜索全局最优解，若满足终止条件则输出计算结果。本发明在高比例光伏接入的背景下综合考虑交直流混合配电网运行经济性、光伏消纳能力、供电质量等评估指标，运用智能优化算法调控柔性设备，分别得出了特定网架结构下某一时刻光伏渗透率、供电半径、负荷容量三类特征指标的边界条件。从而实现对配电台区的交直流建设提供相对精确的指导。

Description

大规模光伏接入的交直流配电网供电模式边界分析方法
技术领域
本发明涉及边界分析技术领域，具体为大规模光伏接入的交直流配电网供电模式边界分析方法。
背景技术
随着双碳目标的临近与乡村振兴战略的推进，农村配电网将面临高比例的分布式能源与多元负荷的接入，对目前农村低压配电网电能质量及供电可靠性形成了巨大挑战。交直流混合配电网得益于其中的互联换流器与不存在无功功率传输，可以较大改善交流侧的电能质量，能够较好地消纳接入的各类源荷。基于换流器可实现交直流系统的多端组网，这就使得交直流混合配电网网架结构复杂多变，研究时需针对特定网架结构具体分析。
然而，目前的研究较多涉及对交直流配电网评价体系的科学构建与针对分布式电源或储能的调度策略，缺乏对典型网架结构在不同典型场景下适应性的分析。低压交直流配电网典型场景主要由供电半径、光伏渗透率、负荷容量三个特征指标组成，其与配电网光伏消纳能力、电能质量指标存在强耦合关系，对这三者的边界条件分别进行分析，汇总后即可得到该网架结构下典型场景的边界条件。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：在高比例分布式能源接入的情况下，交直流混合配电网相较传统交流配电网具有更低的网络损耗与更灵活的调控能力；为对配电台区的交直流建设提供相对精确的指导，需对其特征指标边界条件进行分析。。
为解决上述技术问题，本发明提供如下技术方案：大规模光伏接入的交直流配电网供电模式边界分析方法，包括：
采集配电网特征指标，并确定待优化调控量的取值；
构建经济型目标函数，根据配电网相关要求以及实际现实条件，对功率平衡、节点电压进行约束；
通过遗传操作来进行信息交换，搜索全局最优解，若满足终止条件则输出计算结果。
作为本发明所述的大规模光伏接入的交直流配电网供电模式边界分析方法，其特征在于：所述特征指标集合包括供电半径，光伏渗透率，负荷容量。
作为本发明所述的大规模光伏接入的交直流配电网供电模式边界分析方法，其特征在于：所述确定待优化调控量的取值包括：包括光伏逆变器与电压源换流器的功率调控；
通过优化光伏逆变器和电压源换流器的调控量，得到目标函数最优情况下的取值。
作为本发明所述的大规模光伏接入的交直流配电网供电模式边界分析方法，其特征在于：所述经济性目标函数，运行成本计算表示为：
其中，ρ(t)为t时段的成本电价；PLD(t)为负荷功率；ρV(t)为光伏运行成本；PVi(t)为节点i上的光伏出力；PLS(t)为线路损耗；Kc为换流器的损耗百分比；Pci(t)为节点i换流站传输功率；Δt为时间间隔。
光伏出力PPV可由光伏渗透率kPV表示；Pload表示配电网总负荷；PPV为某一典型时刻的固定光伏出力，则有：
PPV＝kPVPload
线路损耗PLS(t)分为交流与直流两部分，交流损耗：
直流损耗：
其中，Rij为支路ij的线路阻抗；Pij，Qij分别为支路ij传输的有功功率和无功功率；|Ui|为节点i的电压幅值。
作为本发明所述的大规模光伏接入的交直流配电网供电模式边界分析方法，其特征在于：对特征指标边界条件的分析需建立在满足配电网要求以及实际现实条件的基础上；为保证模型的合理性，对功率平衡、节点电压进行约束。
作为本发明所述的大规模光伏接入的交直流配电网供电模式边界分析方法，其特征在于：所述遗传操作的遗传算法流程包括，
编码；
产生初始种群；
适应度评价；
筛选；
交叉与变异操作；
若满足终止条件，则输出计算结果，否则返回适应度评价步骤。
作为本发明所述的大规模光伏接入的交直流配电网供电模式边界分析方法，其特征在于：所述遗传算法的算子包括：
选择算子，采用比例选择算子，个体被选中的概率Pi公式为：
其中，Fi为个体i的适应度；Fj为个体j的适应度；N为个体总数；
交叉算子，采用模拟二进制交叉算子，根据概率向量βi进行概率函数的选择；
其中，ui为(0，1)中的随机数；ηc为交叉分布指数，是一个可自定义的非负实数；
交叉新产生的两个子代个体为：
若ηc大，产生的子代个体离父代近的概率大；若ηc小，产生的子代个体离父代远的概率大；在进化的过程中能够使用自适应的ηc取值，在迭代的初始阶段，使用小的ηc，扩大搜索的空间，保持解的多样性；随着迭代的进行，逐渐增大ηc，实行小范围的搜索，提高收敛速度；
变异算子，通过变异过程提高算法局部搜索能力并扩大搜索范围，保持种群的多样性；变异概率表示为：
其中：F'为待变异个体的适应值；为种群中个体的平均适应值；Fmax为种群中的个体最大适应值；k1、k2为常参数，均设为0.5。
一种采用如本发明任一所述的大规模光伏接入的交直流配电网供电模式边界分析方法的交直流配电网供电模式边界分析系统，其特征在于：
指标获取单元，用于采集配电网特征指标、确定待优化调控量的取值，并将获取到的数据传输到条件分析单元；
条件分析单元，在特定场景下考虑综合评价目标函数，分别搜寻使得目标函数取最优值的特征指标的最大取值、在划定的目标函数适应度可接受值下搜寻特征指标可达到的最大值，在达到最大迭代次数时输出最优评价目标函数值。
一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现本发明中任一项所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现本发明中任一项所述的方法的步骤。
本发明的有益效果：本发明提供的大规模光伏接入的交直流配电网供电模式边界分析方法，在高比例光伏接入的背景下综合考虑交直流混合配电网运行经济性、光伏消纳能力、供电质量等评估指标，运用智能优化算法调控柔性设备，分别得出了特定网架结构下某一时刻光伏渗透率、供电半径、负荷容量三类特征指标的边界条件。从而实现对配电台区的交直流建设提供相对精确的指导。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例提供的大规模光伏接入的交直流配电网供电模式边界分析方法的边界条件搜寻流程图；
图2为本发明第一个实施例提供的大规模光伏接入的交直流配电网供电模式边界分析方法中并网光伏发电系统的结构图；
图3为本发明第一个实施例提供的大规模光伏接入的交直流配电网供电模式边界分析方法在不同环境下光伏阵列I-V特性曲线图；
图4为本发明第一个实施例提供的大规模光伏接入的交直流配电网供电模式边界分析方法在不同环境下光伏阵列P-V特性曲线图；
图5为本发明第一个实施例提供的大规模光伏接入的交直流配电网供电模式边界分析方法的交直流系统通过换流器连接的模型图；
图6为本发明第二个实施例提供的大规模光伏接入的交直流配电网供电模式边界分析方法的台区互联网架结构图；
图7为本发明第二个实施例提供的大规模光伏接入的交直流配电网供电模式边界分析方法中台区1光伏及负荷24小时功率曲线图；
图8为本发明第二个实施例提供的大规模光伏接入的交直流配电网供电模式边界分析方法中台区2负荷24小时功率曲线图；
图9为本发明第二个实施例提供的大规模光伏接入的交直流配电网供电模式边界分析方法中负荷容量扩大适应度曲线图；
图10为本发明第二个实施例提供的大规模光伏接入的交直流配电网供电模式边界分析方法中光伏容量扩大适应度曲线图；
图11为本发明第二个实施例提供的大规模光伏接入的交直流配电网供电模式边界分析方法中供电半径扩大适应度曲线图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-5，为本发明的一个实施例，提供了大规模光伏接入的交直流配电网供电模式边界分析方法，包括：
S1：采集配电网特征指标，并确定待优化调控量的取值。
更进一步的，特征指标集合具体包括供电半径，光伏渗透率，负荷容量三种。
供电半径：低压台区供电半径指从配电变压器到最远负荷点的电气线路的距离，需要与空间距离进行区分。
供电半径与电压等级和台区负荷密度有关：电压等级越高，供电半径相对越大；电力负载越多，供电半径越小。一般来说，当配电网条件不能满足供电半径要求时，应采取保证用户侧电能质量的技术措施，如适当调整变压器分接头等。
光伏渗透率：台区所安装的分布式光伏容量占台区负荷容量的百分比。具体定义式如(1)所示：
式中：kPV为当前光伏的渗透率；Sload和SPV分别为配电网所有负荷和所有光伏的配置容量。
负荷容量：首先对容载比进行介绍，其计算式如下所示：
式中，K1表示负荷分散系数。在一段时间内,配电台区综合最高负荷与各用户各自最高负荷之和的比值，其倒数称为“负荷分散系数”，K1＞1；K2表示平均功率因数；K3表示变压器安全运行率，主要反映变压器发生N-1故障时剩余变压器承担负荷的能力；K4表示储备系数。
容载比的定义为某一供电区内变电设备总容量与供电区最大负荷(网供负荷)之比，故在计算出容载比后，按下式即可计算出负荷容量：
式中，SDT表示配电变压器容量。
应说明的是，边界条件搜寻作为一类规划调度问题，由于网架结构及源荷在网络中的接入位置已被确定，要得到最优情况下交直流混合低压配电网评价目标函数值，可供优化的仅有柔性设备的调控量，包括光伏逆变器与电压源换流器(VSC)的输出功率，下面对其调控原理进行简述。
光伏逆变器输出功率调控：光伏阵列并网一般需要经过如图2所示的各个环节，以保证输出的功率与电流可控。
对于分布式光伏高比例接入的台区，午间光伏出力较大时刻可能出现电压越上限问题，这时就需要一定的控制策略对光伏逆变器的输出功率进行限制。光伏阵列由大量的光伏电池经串并联构成，单个光伏电池具有类似于二极管PN结的结构，其在不同温度与光照强度下的I-V特性曲线具有强烈的非线性，如图3所示。这就导致在一定的温度与光照强度下，光伏电池的P-V曲线存在一最大值，如图4所示。
在正常情况下，光伏阵列通过最大功率点跟踪(MPPT)方法控制其输出端的boost电路调节工作电压，使阵列可在各种不同的光照强度和温度环境下智能化地输出最大功率。由此可知，要使光伏阵列工作在功率限制状态，可以对MPPT算法进行一定更改，使其跟踪一指定的功率值而非最大功率点，以此实现对并网光伏输出功率的调控。
电压源换流器(VSC)功率调控：一种通过VSC连接交流系统与直流系统的拓扑如图5所示。图中，交流母线线电压的基波相量为US，换流桥输出线电压的基波相量为UC，δS为US的角度，δ为UC滞后US的角度，Xl、XC分别为换流电抗器和交流滤波器的基波电抗。
当忽略换流电抗器电阻以及系统谐波分量时，VSC与交流系统之间传输的有功功率和无功功率分别为：
Ps＝(UsUc/Xl)sinδ (4)
由式(4)、(5)可见，有功功率的传输主要取决于δ，无功功率的传输主要取决于UC，改变δ和UC就可以控制有功功率和无功功率的大小和方向。因此，VSC能够运行于PQ平面上的任意象限。
要说明的还有，直流网络的有功功率必须保持平衡，即输入直流网络的有功功率必须等于直流网络输出的有功功率加上换流桥和直流网络的功率损耗。如果出现任何差值，都将会引起直流电压的升高或降低。为保证直流电压的稳定，在用于交直流组网的VSC中，必须选择一个VSC使用Ud-Qs控制来稳定直流电压，同时充当直流网络的有功平衡换流器，其它VSC可采用Ps-Qs控制，在容量允许范围内任意设定有功功率。
S2：构建经济型目标函数，根据配电网相关要求以及实际现实条件，对功率平衡、节点电压进行约束。
应说明的是，优化目标包括：在添加弃光惩罚约束后优化光伏逆变器输出功率，可以保证在不出现因光伏出力过大而导致电能质量问题的前提下最大化地消纳光伏容量。而供电质量目标已通过罚函数约束体现，故主要以经济性目标建立评估目标函数。由于模型中网架结构已经确定，故其运行中的经济效益成为重点关注的部分。经济性目标函数，即运行成本计算方法如下：
式中，ρ(t)为t时段的成本电价；PLD(t)为负荷功率；ρV(t)为光伏运行成本；PVi(t)为节点i上的光伏出力；PLS(t)为线路损耗；Kc为换流器的损耗百分比；Pci(t)为节点i换流站传输功率；Δt为时间间隔。
上式中光伏出力PPV可由光伏渗透率kPV表示。Pload表示配电网总负荷；PPV为某一典型时刻的固定光伏出力，则有：
PPV＝kPVPload (7)
线路损耗PLS(t)分为交流与直流两部分，交流损耗：
直流损耗：
式中，Rij为支路ij的线路阻抗(配电网中假设R>>X)；Pij，Qij分别为支路ij传输的有功功率和无功功率；|Ui|为节点i的电压幅值。
应说明的还有，约束条件包括：对特征指标边界条件的分析需建立在满足配电网相关要求以及实际现实条件的基础上，为保证模型的合理性，应对功率平衡、节点电压进行约束，包括等式约束和不等式约。其中不等式约束通过罚函数在目标函数中体现，并在程序中将其整合为一个函数。
功率平衡约束表达式如下：
交流线路中有：
式中，Pi与Qi分别为注入i节点的有功功率与无功功率；Vi AC、Vj AC分别为交流节点i、j的电压幅值；Gij、Bij、θij分别为节点i与j间的电导、电纳、相角。
直流线路中有：
式中，Pi为注入节点i的有功功率；Vi DC、Vj DC分别为直流节点i、j的电压幅值；Gij为节点i与j间的电导。
节点电压约束表达式如下：
对直流节点有：
式中：为节点i处所允许的电压上下限；/>为电压超出限制时的惩罚因子，一般为较大的正常数，未超出限制时为0。
对交流节点有：
式中：Vi AC为节点i电压，以三相平均电压表示；为节点i处所允许的电压上下限；/>为电压超出限制时的惩罚因子，一般为较大的正常数，未超出限制时为0。
交流节点三相不平衡度约束表达式如下：
εuimin≤εui≤εuimax (16)
式中εimax为节点i处三相电压不平衡度上限；kεi为节点i处三相电压不平衡度越限时的惩罚因子，一般为较大的正常数。三相电压不平衡度的计算公式为：
弃光惩罚约束表达式如下：
式中pvi为节点i处光伏的实际出力；kpvi为节点i处光伏出现弃光现象时的惩罚因子，一般为较大的正常数；pvi-pre为节点i处光伏的预测最大出力。
S3：通过遗传操作来进行信息交换，搜索全局最优解，若满足终止条件则输出计算结果。
要说明的是，边界条件的求解包含多个优化问题，在优化问题的求解方面，传统方法有线性规划法、灵敏度分析法等经典数学方法。为更为科学地确定各特征指标边界条件，需确定不同评估指标影响下的目标函数，这就令该问题变为多目标、多约束的优化模型。在这一问题上，传统的数学方法仅适合解决线性优化问题，而无法处理占绝大多数情况的非线性优化问题。在较为复杂的非线性优化问题的求解中，智能优化算法以优异的性能脱颖而出，其基于优化变量在可行域上的迭代，以较大概率得到更接近真实最优解的全局近似解。
遗传算法是一种基于生物学遗传理论的智能优化算法，它通过对生物进化过程进行模拟，将自然界的遗传学和计算机科学进行结合，具有很强的求解问题的能力和广泛的适应能力。作为一种优化算法，遗传算法在一个给定的场景下按照附加了电能质量罚函数的经济性目标函数对VSC的调节功率和光伏的出力进行寻优，这里的给定场景包括网架结构，光伏容量，负荷容量，供电半径等。
应该说明的还有，遗传算法主要的特点是直接对目标进行操作，不需要考虑目标的连续性以及可导性，无需确定的规则，算法可自适应的调整搜索方向，其主要的特征表现为自组织性、自适应性、过程性、多解性以及不确定性。该算法将处理问题编码成为染色体，对染色体进行相应的遗传操作，即选择、交叉和变异，通过一系列遗传操作来进行信息交换寻找全局最优解。一般来说，遗传算法的流程通常为：1.编码；2.产生初始种群；3.适应度评价；4.筛选；5.交叉与变异操作，此时若满足终止条件，则输出计算结果，否则返回步骤3。
选择算子：采用比例选择算子，即被选择的个体与个体的适应度大小成正比，因与飞镖轮盘的原理相似也称为轮盘选择，个体的适应度函数值分别对应其面积占比大小，面积越大选中概率越大。某个个体被选中的概率公式为：
其中，F为各个体的适应度，需进行归一化操作，Fi为个体i的适应度；Fj为个体j的适应度；N为个体总数。
交叉算子：采用模拟二进制交叉(SBX)算子，可根据概率向量进行概率函数的选择。
式中ui为(0，1)中的随机数。ηc为交叉分布指数，是一个可自定义的非负实数。
交叉新产生的两个子代个体为：
由式(21)与(22)，(23)可知，若ηc较大，产生的子代个体离父代较近的概率较大；若ηc较小，产生的子代个体离父代较远的概率较大。于是，在进化的过程中可使用自适应的ηc取值，在迭代的初始阶段，使用较小的ηc，扩大搜索的空间，保持解的多样性；随着迭代的进行，逐渐增大ηc，实行小范围的搜索，提高收敛速度。
变异算子，变异在种群中选择一个个体，对其基因以一定的概率随机的改变基因值，变异过程能够提高算法局部搜索能力并扩大搜索范围，更好的保持种群的多样性。变异概率公式如下：
式中：F'为待变异个体的适应值；为种群中个体的平均适应值；Fmax为种群中的个体最大适应值；k1、k2为常参数，均设为0.5。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器、磁变存储器、铁电存储器、相变存储器、石墨烯存储器等。易失性存储器可包括随机存取存储器或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器或动态随机存取存储器等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。
本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
实施例2
参照图6-11，为本发明的一个实施例，提供了大规模光伏接入的交直流配电网供电模式边界分析方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
首先，对如图6所示的网架结构进行了边界条件搜寻。VSC1采用Ud-Qs控制，VSC2与VSC3采用Ps-Qs控制。台区接入的光伏与负荷曲线如图7与图8所示。
对网架在中午12时进行边界条件搜寻，得出经济性目标函数，其值反映了台区运行成本，越低则经济性越好。其中，负荷容量搜索范围为1.6～3.0倍，搜索步长为0.1；光伏容量搜索范围为0.6～2.0倍，搜索步长为0.1；供电半径变化范围为1.1～2.5倍，搜索步长为0.1。具体图像如图9-11所示。
可见在12时，在负荷容量扩大倍数小于2.1倍前，目标函数基本保持不变；在负荷容量扩大2.1倍至2.8倍的过程中目标函数较之前有缓慢增长；而在负荷容量扩大2.8倍后目标函数将快速增长。此现象是由于中午12时光伏出力高于负荷需求，此时增加一定的负荷可与光伏形成互补，故单位时间运行成本增速缓慢；而负荷容量扩大一定倍数后光伏不再能满足负荷需求，此时运行成本大幅增加。由于目标函数反映了单位时间的运行经济性，在综合考虑经济性与配电网潜力后，负荷容量边界条件可定为2.1倍或2.8倍。
对于光伏容量，由于扩大光伏容量将增大光伏运行成本，从而降低经济性。在当前的目标函数下，中午12时扩大光伏容量将进一步降低台区源荷的互补性，导致运行成本快速上升。此时可划定一个可接受的目标函数阈值，如单位时间运行成本不得超过110元/小时，则此时光伏容量最多可扩大1.5倍。
供电半径变化引起的目标函数值变化较为非线性，由于换流器损耗与线路损耗均与之相关，难以直接分析出目标函数关于其变化的规律。从仿真结果分析，供电半径扩大1.8倍后目标函数值将快速上升，故将供电半径边界条件定为1.8倍。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.大规模光伏接入的交直流配电网供电模式边界分析方法，其特征在于，包括：
采集配电网特征指标，并确定待优化调控量的取值；
构建经济型目标函数，根据配电网相关要求以及实际现实条件，对功率平衡、节点电压进行约束；
通过遗传操作来进行信息交换，搜索全局最优解，若满足终止条件则输出计算结果。
2.如权利要求1所述的大规模光伏接入的交直流配电网供电模式边界分析方法，其特征在于：所述特征指标集合包括供电半径，光伏渗透率，负荷容量。
3.如权利要求2所述的大规模光伏接入的交直流配电网供电模式边界分析方法，其特征在于：所述确定待优化调控量的取值包括：包括光伏逆变器与电压源换流器的功率调控；
通过优化光伏逆变器和电压源换流器的调控量，得到目标函数最优情况下的取值。
4.如权利要求3所述的大规模光伏接入的交直流配电网供电模式边界分析方法，其特征在于：所述经济性目标函数，运行成本计算表示为：
其中，ρ(t)为t时段的成本电价；PLD(t)为负荷功率；ρV(t)为光伏运行成本；PVi(t)为节点i上的光伏出力；PLS(t)为线路损耗；Kc为换流器的损耗百分比；Pci(t)为节点i换流站传输功率；Δt为时间间隔；
光伏出力PPV可由光伏渗透率kPV表示；Pload表示配电网总负荷；PPV为某一典型时刻的固定光伏出力，则有：
PPV＝kPVPload
线路损耗PLS(t)分为交流与直流两部分，交流损耗：
直流损耗：
其中，Rij为支路ij的线路阻抗；Pij，Qij分别为支路ij传输的有功功率和无功功率；|Ui|为节点i的电压幅值。
5.如权利要求4所述的大规模光伏接入的交直流配电网供电模式边界分析方法，其特征在于：对特征指标边界条件的分析需建立在满足配电网要求以及实际现实条件的基础上；为保证模型的合理性，对功率平衡、节点电压进行约束。
6.如权利要求5所述的大规模光伏接入的交直流配电网供电模式边界分析方法，其特征在于：所述遗传操作的遗传算法流程包括，
编码；
产生初始种群；
适应度评价；
筛选；
交叉与变异操作；
若满足终止条件，则输出计算结果，否则返回适应度评价步骤。
7.如权利要求6所述的大规模光伏接入的交直流配电网供电模式边界分析方法，其特征在于：所述遗传算法的算子包括：
选择算子，采用比例选择算子，个体被选中的概率Pi公式为：
其中，Fi为个体i的适应度；Fj为个体j的适应度；N为个体总数；
交叉算子，采用模拟二进制交叉算子，根据概率向量βi进行概率函数的选择；
其中，ui为(0，1)中的随机数；ηc为交叉分布指数，是一个可自定义的非负实数；
交叉新产生的两个子代个体为：
若ηc大，产生的子代个体离父代近的概率大；若ηc小，产生的子代个体离父代远的概率大；在进化的过程中能够使用自适应的ηc取值，在迭代的初始阶段，使用小的ηc，扩大搜索的空间，保持解的多样性；随着迭代的进行，逐渐增大ηc，实行小范围的搜索，提高收敛速度；
变异算子，通过变异过程提高算法局部搜索能力并扩大搜索范围，保持种群的多样性；变异概率表示为：
其中：F'为待变异个体的适应值；为种群中个体的平均适应值；Fmax为种群中的个体最大适应值；k1、k2为常参数，均设为0.5。
8.一种采用如权利要求1～7任一所述的大规模光伏接入的交直流配电网供电模式边界分析方法的交直流配电网供电模式边界分析系统，其特征在于：
指标获取单元，用于采集配电网特征指标、确定待优化调控量的取值，并将获取到的数据传输到条件分析单元；
条件分析单元，在特定场景下考虑综合评价目标函数，分别搜寻使得目标函数取最优值的特征指标的最大取值、在划定的目标函数适应度可接受值下搜寻特征指标可达到的最大值，在达到最大迭代次数时输出最优评价目标函数值。
9.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：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的步骤。
CN202310631863.8A 2023-05-31 2023-05-31 大规模光伏接入的交直流配电网供电模式边界分析方法 Pending CN116882105A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310631863.8A CN116882105A (zh) 2023-05-31 2023-05-31 大规模光伏接入的交直流配电网供电模式边界分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310631863.8A CN116882105A (zh) 2023-05-31 2023-05-31 大规模光伏接入的交直流配电网供电模式边界分析方法

Publications (1)

Publication Number Publication Date
CN116882105A true CN116882105A (zh) 2023-10-13

Family

ID=88265061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310631863.8A Pending CN116882105A (zh) 2023-05-31 2023-05-31 大规模光伏接入的交直流配电网供电模式边界分析方法

Country Status (1)

Country Link
CN (1) CN116882105A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117728448A (zh) * 2024-02-08 2024-03-19 北京智芯微电子科技有限公司 有源配电网的动态调控方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117728448A (zh) * 2024-02-08 2024-03-19 北京智芯微电子科技有限公司 有源配电网的动态调控方法、装置、设备及介质
CN117728448B (zh) * 2024-02-08 2024-04-23 北京智芯微电子科技有限公司 有源配电网的动态调控方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Zhang et al. Multi-objective optimal reactive power dispatch of power systems by combining classification-based multi-objective evolutionary algorithm and integrated decision making
CN106230026B (zh) 基于时序特性分析的含分布式电源的配电网双层协调规划方法
Shareef et al. A hybrid learning algorithm for optimal reactive power dispatch under unbalanced conditions
Radu et al. A multi-objective genetic algorithm approach to optimal allocation of multi-type FACTS devices for power systems security
Aldosary et al. A modified shuffled frog algorithm to improve MPPT controller in PV System with storage batteries under variable atmospheric conditions
Azimi et al. Multiobjective daily Volt/VAr control in distribution systems with distributed generation using binary ant colony optimization
CN112381262B (zh) 考虑负荷电压特性及新能源强不确定性的微电网规划方法
CN112561273B (zh) 一种基于改进pso的主动配电网可再生dg规划方法
CN116882105A (zh) 大规模光伏接入的交直流配电网供电模式边界分析方法
Phuangpornpitak et al. Optimal photovoltaic placement by self-organizing hierarchical binary particle swarm optimization in distribution systems
Golshannavaz Optimal simultaneous siting and sizing of DGs and capacitors considering reconfiguration in smart automated distribution systems
CN116388153A (zh) 一种有源配电网中柔性互联装备优化配置方法
Kamalinia et al. A combination of MADM and genetic algorithm for optimal DG allocation in power systems
Reddy et al. Placement of distributed generator, capacitor and DG and capacitor in distribution system for loss reduction and reliability improvement
Rahman et al. Localization of FACTS devices for optimal power flow using Genetic Algorithm
Anu Shalini et al. Power generation forecasting using deep learning CNN-based BILSTM technique for renewable energy systems
Hosseini et al. Optimal placement of dgs in distribution system including different load models for loss reduction using genetic algorithm
Thenmozhi et al. Design and implementation of photovoltaic-assisted dynamic voltage restorer using fuzzy logic controller-based improved SOGI for power quality improvement
Wang et al. New method of reactive power compensation for oilfield distribution network
Eissa et al. A novel approach for optimum allocation of Flexible AC Transmission Systems using Harmony Search technique
Li et al. A Method for Analyzing Boundary Conditions of Typical Power Supply Structure in AC/DC Hybrid Distribution Network with Large-Scale Photovoltaic Access
Ma et al. Research on two-stage optimization control method for energy storage systems based on multi service attribute utility evaluation
Swarupa et al. Simulation of grid connected PV system with PI, fuzzy-GA based controllers for power flow control
Syahputra et al. An artificial immune system algorithm approach for reconfiguring distribution network
Mohammed et al. Improve the efficiency of the power transmission system using the genetic algorithm to determine the optimum location and FACTS devices

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