CN116914737A - 配电网光伏承载力评估方法、装置、设备及存储介质 - Google Patents
配电网光伏承载力评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116914737A CN116914737A CN202310868077.XA CN202310868077A CN116914737A CN 116914737 A CN116914737 A CN 116914737A CN 202310868077 A CN202310868077 A CN 202310868077A CN 116914737 A CN116914737 A CN 116914737A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- probability
- distribution network
- power distribution
- installation
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 67
- 238000009434 installation Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000009792 diffusion process Methods 0.000 claims abstract description 37
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 12
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000013082 photovoltaic technology Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电网光伏承载力评估方法、装置、设备及存储介质,涉及新能源技术领域。该方法包括:构建基于巴斯扩散模型的用户侧光伏安装概率函数;光伏安装概率函数与安装光伏回报周期、创新系数以及模仿系数关联;基于光伏安装概率函数,通过二项分布模拟设定评估时间的至少一项光伏并网场景;针对至少一项光伏并网场景,对设定评估时间的配电网光伏承载力进行评估。本发明实施例的技术方案,可以提高配电网光伏承载力评估的准确性。
Description
技术领域
本发明涉及新能源技术领域,尤其涉及一种配电网光伏承载力评估方法、装置、设备及存储介质。
背景技术
在新能源技术驱动下,光伏发电技术迅猛发展,越来越多用户在屋顶接入光伏。随着分布式屋顶光伏在配电网中渗透率的不断提高,配电网光伏承载力成为配电网规划中重点关注的对象。
现有技术中的承载力评估方法使用随机的光伏并网场景,并且假设所有用户安装屋顶光伏的概率相同,实际情况不符,容易造成配电网光伏承载力的错误评估。
发明内容
本发明提供了一种配电网光伏承载力评估方法、装置、设备及存储介质,以解决配电网光伏承载力评估不准确的问题。
根据本发明的一方面,提供了一种配电网光伏承载力评估方法,包括:
构建基于巴斯扩散模型的用户侧光伏安装概率函数;所述光伏安装概率函数与安装光伏回报周期、创新系数以及模仿系数关联;
基于所述光伏安装概率函数,通过二项分布模拟设定评估时间的至少一项光伏并网场景;
针对所述至少一项光伏并网场景,对所述设定评估时间的配电网光伏承载力进行评估。
根据本发明的另一方面,提供了一种配电网光伏承载力评估装置,包括:
概率函数构建模块,用于构建基于巴斯扩散模型的用户侧光伏安装概率函数;所述光伏安装概率函数与安装光伏回报周期、创新系数以及模仿系数关联;
并网场景模拟模块,用于基于所述光伏安装概率函数,通过二项分布模拟设定评估时间的至少一项光伏并网场景;
光伏承载力评估模块,用于针对所述至少一项光伏并网场景,对所述设定评估时间的配电网光伏承载力进行评估。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的配电网光伏承载力评估方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的配电网光伏承载力评估方法。
本发明实施例的技术方案,首先构建基于巴斯扩散模型的用户侧光伏安装概率函数,进而基于光伏安装概率函数,通过二项分布模拟设定评估时间的至少一项光伏并网场景,最终针对至少一项光伏并网场景,对设定评估时间的配电网光伏承载力进行评估,考虑光伏技术扩散,可以得到符合实际情况的光伏并网场景,从而提高配电网光伏承载力评估的准确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1a是根据本发明实施例一提供的一种配电网光伏承载力评估方法的流程图;
图1b是根据本发明实施例一提供的配电网光伏承载力评估流程图;
图1c是根据本发明实施例一提供的确定光伏并网场景的示意图;
图2是根据本发明实施例二提供的一种配电网光伏承载力评估装置的结构示意图;
图3是实现本发明实施例的配电网光伏承载力评估方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1a为本发明实施例一提供了一种配电网光伏承载力评估方法的流程图,本实施例可适用于基于巴斯扩散模型对配电网光伏承载力进行评估情况,该方法可以由配电网光伏承载力评估装置来执行,该配电网光伏承载力评估装置可以采用硬件和/或软件的形式实现,该配电网光伏承载力评估装置可配置于各种通用计算设备中。如图1a所示,该方法包括:
S110、构建基于巴斯扩散模型的用户侧光伏安装概率函数;光伏安装概率函数与安装光伏回报周期、创新系数以及模仿系数关联。
现有技术在对配电网光伏承载力进行评估时,常常假设每个用户安装光伏的概率相同。但不同用户往往存在不同的负荷水平,并且不同用户用于安装光伏的屋顶条件不同,因此会导致用户个体安装光伏的概率不同。如果假设每个用户安装光伏的概率相同,则会降低配电网光伏承载力的评估准确性。
本发明实施例中,为提高配电网光伏承载力的评估准确度,提供一种配电网光伏承载力评估方式如图1b所示,首先构建基于巴斯扩散模型的用户侧光伏安装概率函数。根据巴斯扩散模型的假设,基于用户安装屋顶光伏的时间,安装者可以被分为创新者,早期安装者,早期多数,后期多数和落后者,其中每个人安装屋顶光伏的时间上都存在社会压力,且这种压力随着安装人数的增加而增加。
屋顶光伏技术的扩散受到很多因素影响,这种复杂性可以通过数学建模加以简化,为了突出扩散的主要特征,可以选取最具规律性的变量进行研究。巴斯扩散模型的三大建模要素分别为安装者潜量、外部影响力以及内部影响力。安装者潜量是指在一定的推广水平下,屋顶光伏技术达到完全扩散时,安装屋顶光伏的所有用户数量,在模型中用m表示。外部影响力称为创新系数,主要对创新者产生影响,通过大众媒体向潜在屋顶光伏安装者施加影响力。内部影响力称为口碑系数或模仿系数,主要对跟随者产生影响,通过已安装者对潜在安装者进行口头交流而产生影响力。
可选的,构建基于巴斯扩散模型的用户侧光伏安装概率函数,包括:
基于居民用电场景,确定与安装光伏回报周期关联的安装光伏的最大市场份额经验曲线;
基于创新系数和模仿系数,确定巴斯累积分布函数;
基于最大市场份额经验曲线和巴斯累积分布函数,构建基于巴斯扩散模型的用户侧光伏安装概率函数。
可选的,巴斯扩散模型如下:
其中,n(t)是t时刻发生光伏安装用户的数量,N(t)是t时刻之前已安装光伏用户的数量,p,q分别为创新系数和模仿系数,m是光伏潜在安装者的数量。
可选的,用户侧光伏安装概率函数如下:
Pg(t,tb)=FT(t)Mg(tb)
其中,Mg(tb)是在安装光伏回报周期tb内安装光伏的最大市场份额,FT(t)是巴斯累积分布函数,巴斯累积分布函数与创新系数p和模仿系数q关联。
上述两个可选的实施例,提供了构建基于巴斯扩散模型的用户侧光伏安装概率函数的具体方式:根据上述关于巴斯扩散模型的假设,可以得到,巴斯模型中的安装可能性是现实中用户安装行为发生的概率,在t时刻安装屋顶光伏的概率为:
其中,f(t)为t时刻安装者的安装速度(非累积安装者比例),F(t)表示t时刻累积安装者占全部安装者的比率,P(t)为t时刻可能安装屋顶光伏的概率,且P(t)∈[0,1];p,q分别为创新系数和模仿系数,p,q∈[0,1];m为屋顶光伏的安装者潜量;N(t)为t时刻之前已安装屋顶光伏用户的数量。
令mf(t)=n(t),F(0)=0,则t时刻发生的瞬时屋顶光伏安装者人数为:
展开该方程可得巴斯模型的基础模型如下:
由以上方程可以继续推导出如下表达式:
f(t)=[p+qF(t)][1-F(t)]
根据上述表达式,可以得到创新者和模仿者安装光伏行为的区别在于,创新者的行为不受他人影响,而模仿者的行为因受社会压力等外部因素影响而产生。创新者在光伏技术扩散之初影响力限制,但该影响力会随着扩散的进行而逐渐消失,在扩散中后期,模仿者对扩散的影响力逐渐增大。
方程f(t)=[p+qF(t)][1-F(t)的微分形式可以写成如下:
对该方程求解后可得:
令F(0)=0,可以得到:
对F(t)求导可得t时刻的安装比率方程:
对f(t)求导,可以得到极值点的解,即安装者最多的时间点:
把该极值带入方程后,得到在极值点处安装数量为此时,光伏累计安装者比率为/>
最终可以推导出巴斯累积曲线表达方程式以及密度曲线表达方程式,分别为:
设t为对应一段时间(例如,以年为单位)的随机变量,在这段时间内,用户个体将采用光伏系统。基于上述推导的公式与t相关的累积分布函数FT(t)如下:
其中,p是创新系数,表示屋顶光伏扩散过程中的外部影响力;q是模仿系数,表示屋顶光伏扩散过程中的内部影响力。
在光伏扩散方面,设g为具有某些共同特征的光伏安装群体,例如居住在同一村庄具有相似用电负荷水平的用户。初步潜在市场Hg为g中具有安装光伏最低经济条件的用户总数,最终潜在市场Fg为既有经济潜力又有兴趣安装光伏的估计用户数量,其对应于Hg的一个子集。因此,Fg通过下述公式计算:
Fg=MgHg
其中,Mg是g群体中安装屋顶光伏的最大市场份额。
预测到第t年g群体中安装光伏的用户的累计数量Ng(t)可由下述公式得到:
Ng(t)=FT(t)Fg
由于经济因素会显著影响用户对于屋顶光伏的安装行为,因此Mg是一个以用户投资光伏的回报周期为自变量的函数,基于Kastovich最大市场份额经验曲线和Navigant最大市场份额经验曲线,Mg可以通过下述公式计算:
其中,tb是以年为单位的屋顶光伏平均投资回报周期,S是投资回报敏感性。
在得到函数Mg(tb)之后,将Mg替换为Mg(tb),可以通过公式Fg=MgHg获得Fg(tb):
Fg(tb)=Mg(tb)Hg
然后,可以通过公式Ng(t)=FT(t)Fg计算可得:
Ng(t,tb)=FT(t)Fg(tb)
g群体中的独立用户在t年安装屋顶光伏的概率Pg可以利用其个人的平均投资回报周期计算,如下:
上述公式可以表明,不同用户个体安装光伏的概率不同。继续对等式进行推导,可以得到每个用户个体安装光伏的概率:
这取决于两个因素:与投资光伏回报周期tb有关的Mg(tb);以及与光伏技术扩散的内部和外部影响力(创新系数p和模仿系数q)相关的FT(t)。
S120、基于光伏安装概率函数,通过二项分布模拟设定评估时间的至少一项光伏并网场景。
本发明实施例中,如图1c所示,在配电网光伏承载力评估过程中,首先进行初始化设置,定义居民户用电场景、年份t、与光伏技术扩散相关的模仿系数p和创新系数q。进而进行屋顶光伏扩散参数参数的计算,包括基于居民用电场景和年份t,计算得到安装光伏回报周期tb,以及最大市场份额Mg(tb),以及基于年份t、模仿系数p、创新系数q,确定巴斯累积分布函数FT(t)。进一步的,基于上述计算结果,确定独立用户光伏安装概率。进一步的,基于光伏安装概率函数,通过二项分布模拟设定评估时间的至少一项光伏并网场景。例如,通过光伏安装概率函数,确定在年份t的100个用户中,每个用户的安装概率。进而基于每个用户的安装概率,确定在每次二项分布模拟过程中,每个用户此次是否安装光伏,从而得到至少一项光伏并网场景。其中,光伏并网场景的数量可以根据实际计算量承受力和准确度需求灵活确定。
S130、针对至少一项光伏并网场景,对设定评估时间的配电网光伏承载力进行评估。
本发明实施例中,在基于光伏安装概率函数确定至少一项光伏并网场景之后,基于设定评估时间内多项光伏并网场景,来确定设定评估时间的配电网光伏承载力评估。
示例性的,基于生成在设定评估时间的多项分布式屋顶光伏并网场景,运行基于蒙特卡洛模拟的概率潮流计算。分析基于蒙特卡洛模拟的概率潮流结果,判断在年份t的光伏并网场景下配电网电压电流越限的可能性是否超出可接受的概率范围。若未超出,则令t=t+1,并返回执行生成年份t+1的多项分布式屋顶光伏并网场景的操作。若超出,则进一步计算给定置信水平下配电网承载力区间的评估结果。
可选的,针对至少一项光伏并网场景,对设定评估时间的配电网光伏承载力进行评估,包括:
针对至少一项光伏并网场景,运行基于蒙特卡洛模拟的概率潮流计算;
基于概率潮流计算结果,确定在设定评估时间的光伏并网容量越限概率是否超出越限概率范围;
在设定评估时间光伏并网容量越限概率超出越限概率范围的情况下,计算设定置信水平下配电网光伏承载力的置信区间。
本可选的实施例中,提供了针对至少一项光伏并网场景,对设定评估时间的配电网光伏承载力进行评估的具体方式:首先,针对设定评估时间的至少一项光伏并网场景,运行基于蒙特卡洛模拟的概率潮流计算。进而基于概率潮流计算结果,确定在设定评估时间的光伏并网容量越限概率是否超出越限概率范围。具体的,可以是确定配电网电流电压越限的概率是否超预先设定的可接受的概率范围。最终,在设定评估时间光伏并网容量越限概率超出越限概率范围的情况下,计算设定置信水平下配电网光伏承载力的置信区间。
其中,针对至少一项光伏并网场景,运行基于蒙特卡洛模拟的概率潮流计算方法,对配电网的分布式光伏承载力进行评估。概率潮流计算需要满足功率平衡方程约束如下:
其中,PDG,i和QDG,i分别为相应运行方式下节点i分布式光伏注入的有功功率和无功功率;PL,i和QL,i为相应运行方式下节点i负荷的有功功率和无功功率;Gij、Bij、δij分别是节点i和节点j之间的电导、电纳和相角差;ΩN为系统所有节点集合;Ui为相应运行方式下节点i的电压幅值。
基于上述得到节点i的电压幅值,可以进一步计算配电网各支路电流。最终得到配电网各节点电压以及支路电流。
可选的,基于概率潮流计算结果,确定在设定评估时间的光伏并网容量越限概率是否超出越限概率范围,包括:
对概率潮流计算结果包含的配电网各节点电压以及支路电流进行概率统计,得到各节点电压超出电压限值的电压超限概率以及支路电流超出电流限值的电流超限概率;
在电压超限概率或者电流超限概率超出概率限值的情况下,确定在设定评估时间,光伏并网容量越限概率超出越限概率范围;
在电压超限概率以及电流超限概率均未超出概率限值的情况下,确定在设定评估时间,光伏并网容量越限概率未超出越限概率范围。
本可选的实施例中,提供一种基于概率潮流计算结果,确定在设定评估时间的光伏并网容量越限概率是否超出越限概率范围的具体方式:首先对概率潮流计算结果包含的配电网各节点电压以及支路电流进行概率统计,得到各节点电压超出电压限值的电压超限概率以及支路电流超出电流限值的电流超限概率。其中,电压超限概率包括电压低于电压偏差下限值的概率P(|Ui|≤Umin,th)和电压高于电压偏差上限值的概率P(|Ui|≥Umax,th),电流超限概率为支路电流超出该支路的额定电流值的概率具体超限判断如下:
P(|Ui|≤Umin,th)≤1-εu
P(|Ui|≥Umax,th)≤1-εu
其中,Umin,th为电压偏差下限值,Umax,th为电压偏差上限值,为线路b的额定电流值,P(A)为事件A发生的概率;(1-εu)为发生电压越限的概率限值;(1-εi)为发生电流越限的概率极限。
进一步的,在电压超限概率或者电流超限概率超出概率限值的情况下,确定在设定评估时间,光伏并网容量越限概率超出越限概率范围;在电压超限概率以及电流超限概率均未超出概率限值的情况下,确定在设定评估时间,光伏并网容量越限概率未超出越限概率范围。
可选的,计算设定置信水平下配电网光伏承载力的置信区间,包括:
采用核密度估计方法,确定配电网光伏承载力的概率密度函数;
基于概率密度函数,计算设定置信水平下配电网光伏承载力的置信区间。
本可选的实施例中,提供了计算设定置信水平下配电网光伏承载力的置信区间的具体方式:首先采用核密度估计方法,确定配电网光伏承载力的概率密度函数,进一步的,基于概率密度函数,计算设定置信水平下配电网光伏承载力的置信区间。
具体的,基于非参数核密度估计方法的概率分布模型不需要假设各分量的分布,直接从历史数据中获得其概率分布函数。现有光伏承载力评估结果X={X1,X2,...,Xn},f(x)为光伏承载力的概率密度函数,则f(x)的核密度估计为:
为保证被估计概率密度函数的连续性,核函数的选取需要满足下述条件:
对于核密度估计而言,只要核函数满足对称和双峰,当带宽一定时,不同核函数对数据的拟合效果并没有很大的区别。因此,选择常用的高斯核函数,代入到公式中,则f(x)的核密度估计可改写为:
计算概率密度函数的置信区间,若给定置信水平为(1-α)×100%,则存在置信区间的下限L和上限U,且满足下述条件:
本发明实施例的技术方案,首先构建基于巴斯扩散模型的用户侧光伏安装概率函数,进而基于光伏安装概率函数,通过二项分布模拟设定评估时间的至少一项光伏并网场景,最终针对至少一项光伏并网场景,对设定评估时间的配电网光伏承载力进行评估,考虑光伏技术扩散,可以得到符合实际情况的光伏并网场景,从而提高配电网光伏承载力评估的准确性。
实施例二
图2为本发明实施例二提供的一种配电网光伏承载力评估装置的结构示意图。如图2所示,该装置包括:
概率函数构建模块210,用于构建基于巴斯扩散模型的用户侧光伏安装概率函数;光伏安装概率函数与安装光伏回报周期、创新系数以及模仿系数关联;
并网场景模拟模块220,用于基于光伏安装概率函数,通过二项分布模拟设定评估时间的至少一项光伏并网场景;
光伏承载力评估模块230,用于针对至少一项光伏并网场景,对设定评估时间的配电网光伏承载力进行评估。
可选的,光伏承载力评估模块230,包括:
概率潮流计算单元,用于针对至少一项光伏并网场景,运行基于蒙特卡洛模拟的概率潮流计算;
概率越限判断单元,用于基于概率潮流计算结果,确定在设定评估时间的光伏并网容量越限概率是否超出越限概率范围;
置信区间确定单元,用于在设定评估时间光伏并网容量越限概率超出越限概率范围的情况下,计算设定置信水平下配电网光伏承载力的置信区间。
可选的,概率越限判断单元,具体用于:
对概率潮流计算结果包含的配电网各节点电压以及支路电流进行概率统计,得到各节点电压超出电压限值的电压超限概率以及支路电流超出电流限值的电流超限概率;
在电压超限概率或者电流超限概率超出概率限值的情况下,确定在设定评估时间,光伏并网容量越限概率超出越限概率范围;
在电压超限概率以及电流超限概率均未超出概率限值的情况下,确定在设定评估时间,光伏并网容量越限概率未超出越限概率范围。
可选的,置信区间确定单元,具体用于:
采用核密度估计方法,确定配电网光伏承载力的概率密度函数;
基于概率密度函数,计算设定置信水平下配电网光伏承载力的置信区间。
可选的,概率函数构建模块210,具体用于:
基于居民用电场景,确定与安装光伏回报周期关联的安装光伏的最大市场份额经验曲线;
基于创新系数和模仿系数,确定巴斯累积分布函数;
基于最大市场份额经验曲线和巴斯累积分布函数,构建基于巴斯扩散模型的用户侧光伏安装概率函数。
可选的,巴斯扩散模型如下:
其中,n(t)是t时刻发生光伏安装用户的数量,N(t)是t时刻之前已安装光伏用户的数量,p,q分别为创新系数和模仿系数,m是光伏潜在安装者的数量。
可选的,用户侧光伏安装概率函数如下:
Pg(t,tb)=FT(t)Mg(tb)
其中,Mg(tb)是在安装光伏回报周期tb内安装光伏的最大市场份额,FT(t)是巴斯累积分布函数,巴斯累积分布函数与创新系数p和模仿系数q关联。
本发明实施例所提供的配电网光伏承载力评估装置可执行本发明任意实施例所提供的配电网光伏承载力评估方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如配电网光伏承载力评估方法。
在一些实施例中,配电网光伏承载力评估方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的配电网光伏承载力评估方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行配电网光伏承载力评估方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种配电网光伏承载力评估方法,其特征在于,包括:
构建基于巴斯扩散模型的用户侧光伏安装概率函数;所述光伏安装概率函数与安装光伏回报周期、创新系数以及模仿系数关联;
基于所述光伏安装概率函数,通过二项分布模拟设定评估时间的至少一项光伏并网场景;
针对所述至少一项光伏并网场景,对所述设定评估时间的配电网光伏承载力进行评估。
2.根据权利要求1所述的方法,其特征在于,针对所述至少一项光伏并网场景,对所述设定评估时间的配电网光伏承载力进行评估,包括:
针对所述至少一项光伏并网场景,运行基于蒙特卡洛模拟的概率潮流计算;
基于所述概率潮流计算结果,确定在所述设定评估时间的光伏并网容量越限概率是否超出越限概率范围;
在设定评估时间光伏并网容量越限概率超出越限概率范围的情况下,计算设定置信水平下配电网光伏承载力的置信区间。
3.根据权利要求2所述的方法,其特征在于,基于所述概率潮流计算结果,确定在所述设定评估时间的光伏并网容量越限概率是否超出越限概率范围,包括:
对所述概率潮流计算结果包含的配电网各节点电压以及支路电流进行概率统计,得到各节点电压超出电压限值的电压超限概率以及支路电流超出电流限值的电流超限概率;
在所述电压超限概率或者电流超限概率超出概率限值的情况下,确定在所述设定评估时间,光伏并网容量越限概率超出越限概率范围;
在所述电压超限概率以及电流超限概率均未超出概率限值的情况下,确定在所述设定评估时间,光伏并网容量越限概率未超出越限概率范围。
4.根据权利要求2所述的方法,其特征在于,计算设定置信水平下配电网光伏承载力的置信区间,包括:
采用核密度估计方法,确定配电网光伏承载力的概率密度函数;
基于所述概率密度函数,计算设定置信水平下配电网光伏承载力的置信区间。
5.根据权利要求1所述的方法,其特征在于,构建基于巴斯扩散模型的用户侧光伏安装概率函数,包括:
基于居民用电场景,确定与安装光伏回报周期关联的安装光伏的最大市场份额经验曲线;
基于创新系数和模仿系数,确定巴斯累积分布函数;
基于所述最大市场份额经验曲线和巴斯累积分布函数,构建基于巴斯扩散模型的用户侧光伏安装概率函数。
6.根据权利要求5所述的方法,其特征在于,所述巴斯扩散模型如下:
其中,n(t)是t时刻发生光伏安装用户的数量,N(t)是t时刻之前已安装光伏用户的数量,p,q分别为创新系数和模仿系数,m是光伏潜在安装者的数量。
7.根据权利要求5所述的方法,其特征在于,用户侧光伏安装概率函数如下:
Pg(t,tb)=FT(t)Mg(tb)
其中,Mg(tb)是在安装光伏回报周期tb内安装光伏的最大市场份额,FT(t)是巴斯累积分布函数,所述巴斯累积分布函数与创新系数p和模仿系数q关联。
8.一种配电网光伏承载力评估装置,其特征在于,包括:
概率函数构建模块,用于构建基于巴斯扩散模型的用户侧光伏安装概率函数;所述光伏安装概率函数与安装光伏回报周期、创新系数以及模仿系数关联;
并网场景模拟模块,用于基于所述光伏安装概率函数,通过二项分布模拟设定评估时间的至少一项光伏并网场景;
光伏承载力评估模块,用于针对所述至少一项光伏并网场景,对所述设定评估时间的配电网光伏承载力进行评估。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的配电网光伏承载力评估方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的配电网光伏承载力评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868077.XA CN116914737A (zh) | 2023-07-14 | 2023-07-14 | 配电网光伏承载力评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868077.XA CN116914737A (zh) | 2023-07-14 | 2023-07-14 | 配电网光伏承载力评估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116914737A true CN116914737A (zh) | 2023-10-20 |
Family
ID=88354381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868077.XA Pending CN116914737A (zh) | 2023-07-14 | 2023-07-14 | 配电网光伏承载力评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116914737A (zh) |
-
2023
- 2023-07-14 CN CN202310868077.XA patent/CN116914737A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN116523140A (zh) | 窃电检测方法、装置、电子设备和存储介质 | |
CN116931438B (zh) | 一种水轮机调速器参数确定方法、装置、设备及介质 | |
CN117473384A (zh) | 一种电网线路安全约束辨识方法、装置、设备及存储介质 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
CN116484554A (zh) | 一种配电网的拓扑辨识方法、装置、设备及介质 | |
CN116777038A (zh) | 微电网用电负荷预测方法、装置及存储介质 | |
CN116596106A (zh) | 风电场站的功率预测方法、装置、电子设备及存储介质 | |
CN116914737A (zh) | 配电网光伏承载力评估方法、装置、设备及存储介质 | |
CN115373449B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN116151034B (zh) | 一种绝缘子芯棒酥化的预测方法、装置、设备及介质 | |
CN115597872B (zh) | 抽水蓄能机组甩负荷测试方法、装置、设备及介质 | |
CN117833208A (zh) | 配电网状态推演方法、装置、电子设备和存储介质 | |
CN116247734B (zh) | 面向边缘侧弱通信环境的分布式一致性功率控制方法 | |
CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
CN117791579A (zh) | 一种分布式光伏集群划分优化方法、电子设备及存储介质 | |
CN118100233A (zh) | 微网群储能容量配置方法、装置、电子设备和存储介质 | |
CN115864384A (zh) | 基于日发电量数据的扩容检测方法、装置、设备及介质 | |
CN114626636A (zh) | 电网负荷预测方法、装置、建模方法、计算机设备及介质 | |
CN116402231A (zh) | 一种电力负荷预测方法、装置、设备及存储介质 | |
CN117422259A (zh) | 一种分布式资源预测聚合方法、装置、设备及存储介质 | |
CN118100168A (zh) | 分布式光伏功率预测模型的训练方法、分布式光伏功率预测方法、装置、电子设备及存储介质 | |
CN116859333A (zh) | 一种矩形带状分布式光伏辐照度采集位置确定方法及装置 | |
CN117290701A (zh) | 爬坡事件预测方法、装置、电子设备和存储介质 | |
CN114186494A (zh) | 负荷确定方法、模型训练方法、装置以及电子设备 |
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 |