CN116993032A - 配网规划方法、装置、存储介质和计算机设备 - Google Patents
配网规划方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN116993032A CN116993032A CN202311269079.3A CN202311269079A CN116993032A CN 116993032 A CN116993032 A CN 116993032A CN 202311269079 A CN202311269079 A CN 202311269079A CN 116993032 A CN116993032 A CN 116993032A
- Authority
- CN
- China
- Prior art keywords
- power
- planning
- distribution network
- correlation
- function
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims abstract description 128
- 239000002245 particle Substances 0.000 claims abstract description 112
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012098 association analyses Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 113
- 239000010410 layer Substances 0.000 claims description 98
- 230000008569 process Effects 0.000 claims description 38
- 238000005314 correlation function Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 21
- 238000012804 iterative process Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 239000002355 dual-layer Substances 0.000 claims description 4
- 239000003365 glass fiber Substances 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 241000039077 Copula Species 0.000 description 15
- 239000000243 solution Substances 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 238000000342 Monte Carlo simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005494 condensation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
- 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
- G06F2111/04—Constraint-based 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种配网规划方法、装置、存储介质和计算机设备。包括:对不同维度的电力数据进行关联分析处理,建立相关性概率分布模型;依据相关性概率分布模型确定源‑荷时空相关性的目标场景;以最小规划费用为目标,依据第一约束条件建立目标场景下配电网规划层的第一目标函数;以最小运行网损为目标,依据第二约束条件建立目标场景下配电网运行层的第二目标函数;依据第一目标函数和第二目标函数,建立双层规划模型;依据粒子群算法对双层规划模型进行求解,得到目标规划方案。本申请的方法,在保证计算精度的同时提高了计算速度,而且综合考虑了多个因素和多个层次,可以得到更加综合和准确的规划和运行决策,提高了配电网的性能。
Description
技术领域
本申请涉及电力系统技术领域,尤其是涉及到一种配网规划方法、装置、存储介质和计算机设备。
背景技术
随着现代科技的发展,电力的地位也越来越突出,人们对电能质量的要求也越来越高,同时电力的安全性也受到越来越多的关注。随着越来越多的分布式电源接入配电网,配电系统将发生根本性的变化,配电网规划和运行将彻底改变且其影响程度与分布式电源的位置和容量息息相关。传统配电网规划设计方法仅追求正常状态下经济运行方式优化方法,即最优潮流,已经无法满足配电网增加状况的需要。而且,随着风光等新能源在电力系统中的占比不断增加,风电、光伏出力和负荷之间的随机性并不完全独立,而是两两之间存在复杂的相关性,这使得风-光-荷多维时空相关性问题变得不可忽视,亟需一种可以兼顾经济运行、电网安全和风-光-荷多维时空相关性的配电网规划方法。
发明内容
有鉴于此,本申请提供了一种配网规划方法、装置、存储介质和计算机设备,通过风-光-荷时空相关性概率分布模型建立了配电网双层规划模型,有利于推动清洁能源的高效利用和电力系统的可持续发展。
根据本申请的一个方面,提供了一种配网规划方法,包括:
获取不同维度的配电网的电力数据,其中,配电网包括分布式电源和电力线路,电力数据包括风电数据、光伏数据和负荷需求数据;
对电力数据进行关联分析处理,建立相关性概率分布模型;
依据相关性概率分布模型确定源-荷时空相关性的目标场景;
以最小规划费用为目标,依据第一约束条件建立目标场景下配电网规划层的第一目标函数;
以最小运行网损为目标,依据第二约束条件建立目标场景下配电网运行层的第二目标函数;
依据第一目标函数和第二目标函数,建立双层规划模型;
依据粒子群算法对双层规划模型进行求解,得到配电网的目标规划方案。
可选地,依据第一目标函数和第二目标函数,建立双层规划模型之后,配网规划方法还包括:
依据混合惩罚函数对双层规划模型的约束条件进行优化处理。
可选地,第一目标函数表示为:
min,
,
式中,C inv为配电网总投资费用,为配电网在s场景下的运行费用,S为所有场景的集合,C pe为购电成本,C DGenvir为s场景下分布式电源弃风或弃光费用,C loss为网损费用;
第一约束条件包括:分布式电源容量约束;
分布式电源容量约束表示为:
,
式中,P DG,i为第i个分布式电源机组的出力,μ为分布式电源的渗透率,P load为系统的总负载。
可选地,第二目标函数表示为:
,
,
,
式中,P loss为配电网的总网损,T为总时段数,N (i)为总节点数,Ω(i)为以节点i为首端节点的线路集合,r ij为支路ij的线路电阻,I ij,t为t时刻下支路ij的线路电流,V i,t为t时刻节点i的电压。
可选地,第二约束条件包括:分布式电源出力约束、配电网潮流约束、电网安全约束和配网辐射状约束;
分布式电源出力约束表示为:
,
,
式中和/>分别为t时刻下第i个分布式电源机组的有功、无功出力,为t时刻下第i个分布式电源机组的有功出力上限,/>和/>分别为t时刻下第i个分布式电源机组的无功出力上限、下限。
可选地,配电网潮流约束表示为:
,
,
,
,
式中,p j,t和q j,t分别为t时刻下节点j注入的有功功率和无功功率,P jk,t和Q jk,t分别为t时刻下流过支路jk的有功功率和无功功率,P ij,t和Q ij,t分别为t时刻下流过支路ij的有功功率和无功功率,Ω(j)为以节点j为首端节点的线路集合,x ij为支路ij的线路电抗;
电网安全约束表示为:
,
,
式中,和/>分别为t时刻下节点i的电压平方幅值上限、下限,/>为t时刻下支路ij的电流平方幅值上限;
配网辐射状约束表示为:
,
式中,n为节点个数,m为线路支路个数,为线路连通,/>为线路关断。
可选地,依据混合惩罚函数优化处理后的双层规划模型表示为:
,/>,
,
式中,x inv和x opr分别为规划变量和运行变量,G(·)和H(·)为规划层约束,g(·)和h(·)为运行层约束,r (Dt)为惩罚因子,Dt为迭代次数,m inv和l inv分别为规划层不等式约束和等式约束的数量,m opr和l opr分别为运行层不等式约束和等式约束的数量。
可选地,对电力数据进行关联分析处理,建立相关性概率分布模型,包括:
确定电力数据对应的边缘概率函数;
依据边缘概率函数,构建相关性概率分布模型的树结构;
依据树结构,确定不同维度的电力数据之间的相关性函数和AIC指标值;
依据AIC指标值对相关性函数进行筛选,确定目标相关性函数;
对边缘概率函数和目标相关性函数进行组合处理,得到相关性概率分布模型。
可选地,确定AIC指标值采用下述公式:
AIC=,
式中,b为样本的个数,a为参数的个数,为相应的二元相关性函数似然函数的值,θ为二元相关性函数的参数。
可选地,依据边缘概率函数,构建相关性概率分布模型的树结构,包括:
计算相关性概率分布模型的第n层的电力数据之间的秩相关系数,其中,n为大于0的正整数;
将第一电力数据与除第一电力数据以外的其他电力数据的秩相关系数相加,得到第一电力数据的分数,其中,第一电力数据为任一电力数据;
依据分数对电力数据进行降序排列,得到目标排列顺序;
依据目标排列顺序连接电力数据,得到第n层的树结构。
可选地,电力数据对应的边缘概率函数表示为:
,
,
,
式中,K(·)为核密度函数,h为窗宽,X w,i为风机第i时刻的风速,X pv,i为光伏第i时刻的光照强度,X load,i为负荷第i时刻的功率;
相关性概率分布模型表示为:
,
式中,x m为第m个随机变量,F(x m)为第m个随机变量的累计概率分布函数,F(x 1,x 2,…,x m)为相关性概率分布模型,C(·)为目标相关性函数;
相关性概率分布模型的概率密度函数为:
式中,为概率密度函数,e为任意边,E i为所有边的集合,j e、k e为与e相连的两个节点,/>为两变量构成的密度函数,/>代表由条件集D e决定的条件向量,和/>为条件分布函数,D e为节点j e和k e间的连接条件集。
可选地,依据粒子群算法对双层规划模型进行求解,包括:
对粒子群算法的迭代次数、粒子速度和粒子位置进行初始化;
依据双层规划模型确定粒子当前粒子位置的适应度;
将粒子在迭代过程中适应度最小的粒子位置作为粒子的个体极值;
将所有粒子在迭代过程中适应度最小的粒子位置作为全局极值;
依据个体极值和全局极值,更新下一次迭代计算时的粒子速度和粒子位置,直至满足预设迭代结束条件;
其中,依据个体极值和全局极值,更新下一次迭代计算时的粒子速度和粒子位置采用如下公式:
,
,
,
式中,V i为第i个粒子的粒子速度,x i为第i个粒子的粒子位置,k为迭代次数,w为惯性权重系数,c 1和c 2为学习因子,r 1和r 2为0~1之间的随机数值,pbest为粒子在迭代过程中的个体极值,gbest为迭代过程中所有粒子的全局极值,w max为惯性权重系数的最大值,w min为惯性权重系数最小值,t为迭代数,t max为最大迭代数。
根据本申请的另一方面,提供了一种配网规划装置,包括:
获取模块,用于获取不同维度的配电网的电力数据,其中,配电网包括分布式电源和电力线路,电力数据包括风电数据、光伏数据和负荷需求数据;
场景分析模块,用于对电力数据进行关联分析处理,建立相关性概率分布模型;以及,
依据相关性概率分布模型确定源-荷时空相关性的目标场景;
规划模块,用于以最小规划费用为目标,依据第一约束条件建立目标场景下配电网规划层的第一目标函数;以及,
以最小运行网损为目标,依据第二约束条件建立目标场景下配电网运行层的第二目标函数;以及,
依据第一目标函数和第二目标函数,建立双层规划模型;以及,
依据粒子群算法对双层规划模型进行求解,得到配电网的目标规划方案。
可选地,配网规划装置还包括:
优化模块,用于依据混合惩罚函数对双层规划模型的约束条件进行优化处理。
可选地,场景分析模块,具体用于确定电力数据对应的边缘概率函数;依据边缘概率函数,构建相关性概率分布模型的树结构;依据树结构,确定不同维度的电力数据之间的相关性函数和AIC指标值;依据AIC指标值对相关性函数进行筛选,确定目标相关性函数;对边缘概率函数和目标相关性函数进行组合处理,得到相关性概率分布模型。
可选地,场景分析模块,具体用于计算相关性概率分布模型的第n层的电力数据之间的秩相关系数,其中,n为大于0的正整数;将第一电力数据与除第一电力数据以外的其他电力数据的秩相关系数相加,得到第一电力数据的分数,其中,第一电力数据为任一电力数据;依据分数对电力数据进行降序排列,得到目标排列顺序;依据目标排列顺序连接电力数据,得到第n层的树结构。
可选地,规划模块,具体用于对粒子群算法的迭代次数、粒子速度和粒子位置进行初始化;依据双层规划模型确定粒子当前粒子位置的适应度;将粒子在迭代过程中适应度最小的粒子位置作为粒子的个体极值;将所有粒子在迭代过程中适应度最小的粒子位置作为全局极值;依据个体极值和全局极值,更新下一次迭代计算时的粒子速度和粒子位置,直至满足预设迭代结束条件。
根据本申请再一个方面,提供了可读存储介质,其上存储有程序或指令,程序或指令被处理器执行时实现上述配网规划方法的步骤。
根据本申请又一个方面,提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,处理器执行程序时实现上述配网规划方法的步骤。
借由上述技术方案,基于R-Vine Copula方法对风、光、负荷之间的相关性进行建模,使得相关性概率分布模型更灵活地捕捉到变量间相关结构的变动,能够准确表征变量之间非线性、非对称的相关性,模型拟合效果更好。然后使用蒙特卡洛方法,利用相关性概率分布模型生成配电网规划时可能出现的目标场景,在保证计算精度的同时提高了计算速度,以便于准确描述负荷与分散式风电、光伏机组的相关性,实现可靠的配电网规划。进一步地,以总规划费用最小优化决策模型,搭建出双层规划模型规划层,以便于对分布式电源的接入容量以及配网网架进行规划,可以灵活地调整系统规模和配置。同时,以最小化配电网运行网损为目标的短期优化运行模型,搭建出双层规划模型运行层,以便于对机组出力进行优化,实现对配电网运行状态的实时调整。最后,依据粒子群算法对双层规划模型进行潮流计算,求解出最佳的配电网的目标规划方案。从而基于双层规划模型将规划和运行优化两个层次相结合,综合考虑了多个因素和多个层次,能够在系统规划阶段考虑到运行阶段的优化目标,可以得到更加综合和准确的规划和运行决策,提高了配电网的性能,进而提高配电网的可靠性,减少能量损耗,提高配电网的经济性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的基于计及源-荷时空相关性的配网规划方法的流程示意图;
图2示出了本申请实施例提供的电力系统拓扑图;
图3示出了本申请实施例提供的原始数据下的Kendall相关系数矩阵示意图;
图4示出了本申请实施例提供的基于计及源-荷时空相关性的配网规划装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“相接”到另一元件时,它可以直接连接或相接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“相接”可以包括无线连接或无线稠接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
现在,将参照附图更详细地描述根据本申请的示例性实施例。然而,这些示例性实施例可以多种不同的形式来实施,并且不应当被解释为只限于这里所阐述的实施例。应当理解的是,提供这些实施例是为了使得本申请的公开彻底且完整,并且将这些示例性实施例的构思充分传达给本领域普通技术人员。
在本实施例中提供了一种基于计及源-荷时空相关性的配网规划方法,如图1所示,该方法包括:
步骤101,获取不同维度的配电网的电力数据;
其中,如图2所示,配电网包括分布式电源(光伏1、光伏2、风机1、风机2)和电力线路。电力数据包括风电数据(如,风速、风向、功率输出等)、光伏数据(如,光照强度、转换效率、光伏组件的电压和电流等)和负荷需求数据(如,用电量、负荷类型、负荷变化曲线等)。
步骤102,对电力数据进行关联分析处理,建立相关性概率分布模型;
在该实施例中,对风电数据、光伏数据和负荷需求数据进行相关性分析,根据相关性分析的结果,基于R-Vine Copula方法对风、光、负荷之间的相关性进行建模,得到相关性概率分布模型。相关性概率分布模型能够更灵活地捕捉到不同变量间相关结构的变动,并准确表征变量之间非线性、非对称的相关性,辅助挖掘变量之间的依赖程度和相互影响,以便于预测未来的负荷需求情况,进而调整发电设备的运行和电网的调度,以满足用户的用电需求,实现电力系统的高效调度和能源管理。
值得一提的是,相关性概率分布模型为一种Copula模型,Copula是一种用于描述多维随机变量之间的相关性结构。Copula的类型包括:正态Copula函数、t-Copula函数、Clayton Copula函数、Gumbel Copula函数、Frank Copula函数。
在实际的应用场景中,步骤102,也即对电力数据进行关联分析处理,建立相关性概率分布模型,具体包括:
步骤102-1,确定电力数据对应的边缘概率函数;
具体地,电力数据对应的边缘概率函数表示为:
,
,
,
式中,K(·)为核密度函数,h为窗宽,X w,i为风机第i时刻的风速,X pv,i为光伏第i时刻的光照强度,X load,i为负荷第i时刻的功率。
在该实施例中,利用密度估计法建立风速、光照强度和负荷功率的边缘概率函数,从而能较好捕捉样本数据特征的优点,可以最大程度地减少信息损失,而且无需提前获知与数据符合的分布,可直接从数据中学习概率密度函数,可以更好地反映实际数据的特征和分布情况。
步骤102-2,依据边缘概率函数,构建相关性概率分布模型的树结构;
进一步地,步骤102-2,也即依据边缘概率函数,构建相关性概率分布模型的树结构,具体包括:
步骤102-2-1,计算相关性概率分布模型的第n层的电力数据之间的秩相关系数;
其中,n为大于0的正整数。秩相关系数(rank correlation coefficient)是一种用于衡量两个变量之间相关性的统计指标。它不依赖于数据的具体分布形式,而是根据变量的排序来计算相关性。常见的秩相关系数有斯皮尔曼秩相关系数(Spearman's rankcorrelation coefficient)和肯德尔秩相关系数(Kendall's rank correlationcoefficient)。
以Kendall相关系数为例,Kendall相关系数可采用下述公式计算:
τ=(A-B)/(A+B+E),
其中,τ为Kendall相关系数,A为秩次对的正符号差异数量,B为秩次对的负符号差异数量,E为秩次对的相等差异数量。
例如,原始数据的Kendall相关系数图如图3所示,商业负荷在维度1~24的秩相关系数近似于1,工业负荷在维度1~24的秩相关系数近似于0.3,居民负荷在维度1~24的秩相关系数近似于0.5。
步骤102-2-2,将第一电力数据与除第一电力数据以外的其他电力数据的秩相关系数相加,得到第一电力数据的分数;
其中,第一电力数据为任一电力数据。
步骤102-2-3,依据分数对电力数据进行降序排列,得到目标排列顺序;
步骤102-2-4,依据目标排列顺序连接电力数据,得到第n层的树结构。
在该实施例中,将不同维度的电力数据作为不同的变量,在模型第n层有多个变量的情况下,计算两两变量间的Kendall秩相关系数。将任一变量(第一电力数据)与其余所有变量的秩相关系数相加,得到该任一变量的分数。按照分数对多个变量进行降序排列得到新的排列顺序,该新的顺序即为第n层中变量的连接顺序,将变量逐个相连即可得到第n层R-Vine的树结构。从而加快求解速度,降低求解难度,即使在变量维数较高时,也能够快速遍历所有可能性,并选择最优的树结构,以便于减轻维度灾难,使建模过程更高效。
值得一提的是,R-Vine Copula模型各层都可以通过上述步骤102-2-1~步骤102-2-4进行结构选择,得到R-Vine各层的树结构。
具体举例来说,设第n层R-Vine共有m个变量,则变量x表示为x=[x 1,x 2,…,x m],计算两两变量间的Kendall秩相关系数τ。对任一变量x i,将其与其余所有变量的τ值相加,得到该变量的分数S i。将变量x1,x2,…,xm按其所得分数降序排列,得到新的排列顺序/>,此顺序即为第n层中变量x的连接顺序,将变量逐个相连即可得到第n层R-Vine的树结构。
步骤102-3,依据树结构,确定不同维度的电力数据之间的相关性函数和AIC指标值;
其中,确定AIC(Akaike Information Criterion,赤池信息准则)指标值采用下述公式,AIC指标值越小代表拟合效果越优。
AIC=,
式中,b为样本的个数,a为参数的个数,为相应的二元相关性函数似然函数的值,θ为二元相关性函数的参数。
步骤102-4,依据AIC指标值对相关性函数进行筛选,确定目标相关性函数;
步骤102-5,对边缘概率函数和目标相关性函数进行组合处理,得到相关性概率分布模型。
具体地,相关性概率分布模型表示为:
,
式中,x m为第m个随机变量,F(x m)为第m个随机变量的累计概率分布函数,F(x 1,x 2,…,x m)为相关性概率分布模型,C(·)为目标相关性函数。
相关性概率分布模型的概率密度函数为:
,
式中,为概率密度函数,e为任意边,E i为所有边的集合,j e、k e为与e相连的两个节点,/>为两变量构成的密度函数,/>代表由条件集D e决定的条件向量,和/>为条件分布函数,D e为节点j e和k e间的连接条件集。
在该实施例中,将不同维度的电力数据作为不同的变量,基于各变量的边缘概率函数,使用基于启发式方法的R-Vine Tree生成方法构建模型的树结构。再基于得到的树结构,确定每两个节点间每一条边的二元Copula函数类型,将AIC指标值作为Copula函数的评价指标进行两两边缘概率函数间Copula函数的优选,重复筛选后直至仅有一个边缘概率函数,并用Copula理论对边缘概率函数和目标相关性函数进行组合处理,得到相关性概率分布模型。从而通过将多变量相关性表示为多个树状结构的Copula进行建模,能够更灵活地建模不同边际分布和相关性结构,且适用于高维数据的建模,有助于处理多个变量之间的相关性。
步骤103,依据相关性概率分布模型确定源-荷时空相关性的目标场景;
在该实施例中,使用蒙特卡洛方法,利用相关性概率分布模型生成配电网规划时可能出现的典型场景,并利用K-means聚类算法来进行典型场景的提取,至此即可得到考虑风光荷高维时空相关性的目标场景。从而在保证计算精度的同时提高了计算速度,以便于准确描述负荷与分散式风电、光伏机组的相关性,实现可靠的配电网规划。
具体地,利用K-means聚类算法来进行典型场景的提取,具体包括:将各时段Copula模型离散化,得到多个离散点,从多个离散点中任意选择指定个数据点作为初始凝聚中心点;根据除凝聚中心点的其他数据点和各凝聚中心点的距离与其他数据点的对比结果,将它们分别归类,即更新聚类;计算每个所获新聚类的聚类中心,即均值,至达到设置的循环次数为止;通过概率分布函数求逆,得到代表目标场景的数据点。
步骤104,以最小规划费用为目标,依据第一约束条件建立目标场景下配电网规划层的第一目标函数;
具体地,第一目标函数表示为:
min,
,
式中,C inv为配电网总投资费用,为配电网在s场景下的运行费用,S为所有场景的集合,C pe为购电成本,C DGenvir为s场景下分布式电源弃风或弃光费用,C loss为网损费用。
其中,第一目标函数中各类费用的计算公式如下:
,
,
,
,
式中,为节点i处分布式电源的年固定费用,/>为节点i处分布式电源投资建设的决策变量,/>=1表示投资建设分布式电源,/>=0表示不投资建设分布式电源,/>为新增馈线ij的年固定费用,/>为新增馈线ij的长度,k ij为新增馈线ij投资建设的决策变量,ΔDG为可建设分布式电源的节点合集,/>为新增线路的待选合集,T为总时数,s max为运行场景总数,w s为第s个场景出现的概率,c d为向上级购电的电价,P load,s,t表示t时刻第s个场景下负荷的总功率,P loss,s,t表示t时刻第s个场景下网损的功率,P DG,s,t表示t时刻第s个场景下分布式电源发电的总功率,/>为分布式电源弃风弃光单位费用,P DGmax,s,t表示t时刻第s个场景下分布式电源发电可输出的最大功率,c loss为单位网损费用。
第一约束条件包括:分布式电源容量约束。
分布式电源容量约束表示为:
,
式中,P DG,i为第i个分布式电源机组的出力,μ为分布式电源的渗透率,P load为系统的总负载。
步骤105,以最小运行网损为目标,依据第二约束条件建立目标场景下配电网运行层的第二目标函数;
具体地,第二目标函数表示为:
,
,
,
式中,P loss为配电网的总网损,T为总时段数,N (i)为总节点数,Ω(i)为以节点i为首端节点的线路集合,r ij为支路ij的线路电阻,I ij,t为t时刻下支路ij的线路电流,V i,t为t时刻下节点i的电压。
值得一提的是,通过l ij,t表示t时刻下支路ij的线路电流的平方,通过v i,t表示t时刻下节点i的电压平方,将相关费用函数线性化,有利于降低求解难度。
第二约束条件包括:分布式电源出力约束、配电网潮流约束、电网安全约束和配网辐射状约束;
分布式电源出力约束表示为:
,
,
式中和/>分别为t时刻下第i个分布式电源机组的有功、无功出力,为t时刻下第i个分布式电源机组的有功出力上限,/>和/>分别为t时刻下第i个分布式电源机组的无功出力上限、下限。
配电网潮流约束表示为:
,
,
,
,
式中,p j,t和q j,t分别为t时刻下节点j注入的有功功率和无功功率,P jk,t和Q jk,t分别为t时刻下流过支路jk的有功功率和无功功率,P ij,t和Q ij,t分别为t时刻下流过支路ij的有功功率和无功功率,Ω(j)为以节点j为首端节点的线路集合,x ij为支路ij的线路电抗。从而采用disflow支路约束,并通过二阶锥松弛技术对约束进行松弛。
电网安全约束表示为:
,
,
式中,和/>分别为t时刻下节点i的电压平方幅值上限、下限,/>为t时刻下支路ij的电流平方幅值上限。
考虑到配电网在运行时呈辐射状,没有环网,配电网各节点保持联通性,整个配电网中不存在孤岛和孤点情况。对于含有n个节点和m条支路的配电网络,需要系统呈辐射状。因此,设置配网辐射状约束,该约束表示为:
,
式中,n为节点个数,m为线路支路个数,为线路连通,/>为线路关断。
本实施例中通过分布式电源容量约束、分布式电源出力约束、配电网潮流约束、电网安全约束和配网辐射状约束间接约束系统的可靠性、安全性、传输效率等方面,能够满足电力系统运行于性能承受范围内,以便于综合经济因素和运行性能因素得到最优的规划方案。
步骤106,依据第一目标函数和第二目标函数,建立双层规划模型;
在该实施例中,以总规划费用最小优化决策模型,搭建出双层规划模型规划层,以便于对分布式电源的接入容量以及配网网架进行规划,可以灵活地调整系统规模和配置。同时,以最小化配电网运行网损为目标的短期优化运行模型,搭建出双层规划模型运行层,以便于对机组出力进行优化,实现对配电网运行状态的实时调整。从而综合考虑了多个因素和多个层次得到更加综合和准确的规划和运行决策,有助于提高配电网的性能,进而提高配电网的可靠性,减少能量损耗,提高配电网的经济性。
进一步地,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,步骤106之后,基于计及源-荷时空相关性的配网规划方法还包括:依据混合惩罚函数对双层规划模型的约束条件进行优化处理。
在该实施例中,在双层规划模型中,存在一个优化问题的层级结构,其中上层问题的解决依赖于下层问题的结果,通过将约束条件转化为目标函数的惩罚项,从而通过对目标函数添加一个惩罚项,使得在违反约束条件时,目标函数的值增加,从而对违反约束条件的解进行惩罚,使得约束优化问题转化为无约束优化问题。如此,在优化过程中,算法会倾向于找到满足约束条件的解,以减小目标函数的值,进而可以有效地处理约束条件的不满足,并且求得满足约束条件的最优解,提高了算法的解搜索能力和收敛性。
具体地,约束优化问题表示为:
,
如此,依据混合惩罚函数优化处理后的双层规划模型表示为:
,,
,
式中,x inv和x opr分别为规划变量和运行变量,G(·)和H(·)为规划层约束,g(·)和h(·)为运行层约束,r (Dt)为惩罚因子,Dt为迭代次数,m inv和l inv分别为规划层不等式约束和等式约束的数量,m opr和l opr分别为运行层不等式约束和等式约束的数量。
值得一提的是,是内点法的障碍项,其作用是当r (Dt)递减时,使粒子由等式约束的内部逐渐向等式约束的边界逼近。/>是外点法的惩罚项,其作用是当/>递增时,使粒子从不满足不等式约束的外部向满足不等式约束的内部边界靠近。
步骤107,依据粒子群算法对双层规划模型进行求解,得到配电网的目标规划方案。
上述实施例提供的计及源-荷时空相关性的配网规划方法,基于R-Vine Copula方法对风、光、负荷之间的相关性进行建模,使得相关性概率分布模型更灵活地捕捉到变量间相关结构的变动,能够准确表征变量之间非线性、非对称的相关性,模型拟合效果更好。然后使用蒙特卡洛方法,利用相关性概率分布模型生成配电网规划时可能出现的目标场景,在保证计算精度的同时提高了计算速度,以便于准确描述负荷与分散式风电、光伏机组的相关性,实现可靠的配电网规划。
进一步地,以总规划费用最小优化决策模型,搭建出双层规划模型规划层,以便于对分布式电源的接入容量以及配网网架进行规划,可以灵活地调整系统规模和配置。同时,以最小化配电网运行网损为目标的短期优化运行模型,搭建出双层规划模型运行层,以便于对机组出力进行优化,实现对配电网运行状态的实时调整。最后,依据粒子群算法对双层规划模型进行潮流计算,求解出最佳的配电网的目标规划方案。从而基于双层规划模型将规划和运行优化两个层次相结合,综合考虑了多个因素和多个层次,能够在系统规划阶段考虑到运行阶段的优化目标,可以得到更加综合和准确的规划和运行决策,从而提高配电网的性能,进而提高配电网的可靠性,减少能量损耗,提高配电网的经济性。
在实际的应用场景中,步骤107,也即依据粒子群算法对双层规划模型进行求解,具体包括如下步骤:
步骤107-1,对粒子群算法的迭代次数、粒子速度和粒子位置进行初始化;
步骤107-2,依据双层规划模型确定粒子当前粒子位置的适应度;
步骤107-3,将粒子在迭代过程中适应度最小的粒子位置作为粒子的个体极值;
步骤107-4,将所有粒子在迭代过程中适应度最小的粒子位置作为全局极值;
步骤107-5,依据个体极值和全局极值,更新下一次迭代计算时的粒子速度和粒子位置,直至满足预设迭代结束条件。
其中,依据个体极值和全局极值,更新下一次(k+1次)迭代计算时的粒子速度和粒子位置采用如下公式:
,
,
,
式中,V i为第i个粒子的粒子速度,x i为第i个粒子的粒子位置,k为迭代次数,w为惯性权重系数,c 1和c 2为学习因子,r 1和r 2为0~1之间的随机数值,pbest为粒子在迭代过程中的个体极值,gbest为迭代过程中所有粒子的全局极值,w max为惯性权重系数的最大值,w min为惯性权重系数最小值,t为迭代数,t max为最大迭代数。
在该实施例中,配置粒子群算法的迭代次数、粒子速度和粒子位置。依据配网的基本参数和电力数据进行潮流计算,确定不同目标场景下的电压潮流、网损分布等潮流计算信息。在潮流计算信息满足双层规划模型的约束条件的情况下,根据多目标场景下运行成本和网损耗损计算双层规划模型的目标函数的最优解。利用双层规划模型得到的最优解,以及惩罚项计算粒子当前粒子位置的适应度。判断粒子群算法是否满足终止条件,即是否达到最大迭代数,如果是,则结束迭代,输出最优解。反之,则确定粒子在迭代过程中的个体极值(局部最优解)和全局极值(全局最优解),并利用个体极值和全局极值进行粒子的更新操作,形成新的粒子位置和粒子速度。从而利用带惯性权重的粒子群算法进行系统网络最优潮流计算,求解出粒子的最优位置,即配电网最优规划方案,基于该最优位置建设的配电网能够在满足各项基础约束的同时,使配电网的收益最大化,实现最优的配电网规划效果。
进一步地,如图4所示,作为上述基于计及源-荷时空相关性的配网规划方法的具体实现,本申请实施例提供了一种基于计及源-荷时空相关性的配网规划装置200,该基于计及源-荷时空相关性的配网规划装置200包括:获取模块201、场景分析模块202以及规划模块203。
获取模块201,用于获取不同维度的配电网的电力数据,其中,配电网包括分布式电源和电力线路,电力数据包括风电数据、光伏数据和负荷需求数据;
场景分析模块202,用于对电力数据进行关联分析处理,建立相关性概率分布模型;以及,依据相关性概率分布模型确定源-荷时空相关性的目标场景;
规划模块203,用于以最小规划费用为目标,依据第一约束条件建立目标场景下配电网规划层的第一目标函数;以及,以最小运行网损为目标,依据第二约束条件建立目标场景下配电网运行层的第二目标函数;以及,依据第一目标函数和第二目标函数,建立双层规划模型;以及,依据粒子群算法对双层规划模型进行求解,得到配电网的目标规划方案。
进一步地,基于计及源-荷时空相关性的配网规划装置200还包括:优化模块(图中未示出),优化模块用于依据混合惩罚函数对双层规划模型的约束条件进行优化处理。
进一步地,场景分析模块202,具体用于确定电力数据对应的边缘概率函数;依据边缘概率函数,构建相关性概率分布模型的树结构;依据树结构,确定不同维度的电力数据之间的相关性函数和AIC指标值;依据AIC指标值对相关性函数进行筛选,确定目标相关性函数;对边缘概率函数和目标相关性函数进行组合处理,得到相关性概率分布模型。
进一步地,场景分析模块202,具体用于计算相关性概率分布模型的第n层的电力数据之间的秩相关系数,其中,n为大于0的正整数;将第一电力数据与除第一电力数据以外的其他电力数据的秩相关系数相加,得到第一电力数据的分数,其中,第一电力数据为任一电力数据;依据分数对电力数据进行降序排列,得到目标排列顺序;依据目标排列顺序连接电力数据,得到第n层的树结构。
进一步地,规划模块203,具体用于对粒子群算法的迭代次数、粒子速度和粒子位置进行初始化;依据双层规划模型确定粒子当前粒子位置的适应度;将粒子在迭代过程中适应度最小的粒子位置作为粒子的个体极值;将所有粒子在迭代过程中适应度最小的粒子位置作为全局极值;依据个体极值和全局极值,更新下一次迭代计算时的粒子速度和粒子位置,直至满足预设迭代结束条件。
关于基于计及源-荷时空相关性的配网规划装置的具体限定可以参见上文中对于基于计及源-荷时空相关性的配网规划方法的限定,在此不再赘述。上述基于计及源-荷时空相关性的配网规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
基于上述如图1所示方法,相应的,本申请实施例还提供了一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1所示的基于计及源-荷时空相关性的配网规划方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1所示的方法,以及图4所示的虚拟装置实施例,为了实现上述目的,本申请实施例还提供了一种计算机设备,具体可以为个人计算机、服务器、网络设备等,该计算机设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1所示的基于计及源-荷时空相关性的配网规划方法。
可选地,该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现获取不同维度的配电网的电力数据,其中,配电网包括分布式电源和电力线路,电力数据包括风电数据、光伏数据和负荷需求数据;对电力数据进行关联分析处理,建立相关性概率分布模型;依据相关性概率分布模型确定源-荷时空相关性的目标场景;以最小规划费用为目标,依据第一约束条件建立目标场景下配电网规划层的第一目标函数;以最小运行网损为目标,依据第二约束条件建立目标场景下配电网运行层的第二目标函数;依据第一目标函数和第二目标函数,建立双层规划模型;依据粒子群算法对双层规划模型进行求解,得到配电网的目标规划方案。本申请实施例,基于R-Vine Copula方法对风、光、负荷之间的相关性进行建模,使得相关性概率分布模型更灵活地捕捉到变量间相关结构的变动,能够准确表征变量之间非线性、非对称的相关性,模型拟合效果更好。然后使用蒙特卡洛方法,利用相关性概率分布模型生成配电网规划时可能出现的目标场景,在保证计算精度的同时提高了计算速度,以便于准确描述负荷与分散式风电、光伏机组的相关性,实现可靠的配电网规划。进一步地,以总规划费用最小优化决策模型,搭建出双层规划模型规划层,以便于对分布式电源的接入容量以及配网网架进行规划,可以灵活地调整系统规模和配置。同时,以最小化配电网运行网损为目标的短期优化运行模型,搭建出双层规划模型运行层,以便于对机组出力进行优化,实现对配电网运行状态的实时调整。最后,依据粒子群算法对双层规划模型进行潮流计算,求解出最佳的配电网的目标规划方案。从而基于双层规划模型将规划和运行优化两个层次相结合,综合考虑了多个因素和多个层次,能够在系统规划阶段考虑到运行阶段的优化目标,可以得到更加综合和准确的规划和运行决策,从而提高配电网的性能,进而提高配电网的可靠性,减少能量损耗,提高配电网的经济性。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种配网规划方法,其特征在于,所述方法包括:
获取不同维度的配电网的电力数据,其中,所述配电网包括分布式电源和电力线路,所述电力数据包括风电数据、光伏数据和负荷需求数据;
对所述电力数据进行关联分析处理,建立相关性概率分布模型;
依据所述相关性概率分布模型确定源-荷时空相关性的目标场景;
以最小规划费用为目标,依据第一约束条件建立所述目标场景下配电网规划层的第一目标函数;
以最小运行网损为目标,依据第二约束条件建立所述目标场景下配电网运行层的第二目标函数;
依据所述第一目标函数和所述第二目标函数,建立双层规划模型;
依据粒子群算法对所述双层规划模型进行求解,得到所述配电网的目标规划方案。
2.根据权利要求1所述的配网规划方法,其特征在于,所述依据所述第一目标函数和所述第二目标函数,建立双层规划模型之后,所述方法还包括:
依据混合惩罚函数对所述双层规划模型的约束条件进行优化处理。
3.根据权利要求2所述的配网规划方法,其特征在于,
所述第一目标函数表示为:
min,
,
式中,C inv为配电网总投资费用,为配电网在s场景下的运行费用,S为所有场景的集合,C pe为购电成本,C DGenvir为s场景下分布式电源弃风或弃光费用,C loss为网损费用;
所述第一约束条件包括:分布式电源容量约束;
所述分布式电源容量约束表示为:
,
式中,P DG,i为第i个分布式电源机组的出力,μ为分布式电源的渗透率,P load为系统的总负载;
所述第二目标函数表示为:
,
,
,
式中,P loss为配电网的总网损,T为总时段数,N (i)为总节点数,Ω(i)为以节点i为首端节点的线路集合,r ij为支路ij的线路电阻,I ij,t为t时刻下支路ij的线路电流,V i,t为t时刻节点i的电压;
所述第二约束条件包括:分布式电源出力约束、配电网潮流约束、电网安全约束和配网辐射状约束;
所述分布式电源出力约束表示为:
,
,
式中和/>分别为t时刻下第i个分布式电源机组的有功、无功出力,为t时刻下第i个分布式电源机组的有功出力上限,/>和/>分别为t时刻下第i个分布式电源机组的无功出力上限、下限;
所述配电网潮流约束表示为:
,
,
,
,
式中,p j,t和q j,t分别为t时刻下节点j注入的有功功率和无功功率,P jk,t和Q jk,t分别为t时刻下流过支路jk的有功功率和无功功率,P ij,t和Q ij,t分别为t时刻下流过支路ij的有功功率和无功功率,Ω(j)为以节点j为首端节点的线路集合,x ij为支路ij的线路电抗;
所述电网安全约束表示为:
,
,
式中,和/>分别为t时刻下节点i的电压平方幅值上限、下限,/>为t时刻下支路ij的电流平方幅值上限;
所述配网辐射状约束表示为:
,
式中,n为节点个数,m为线路支路个数,为线路连通,/>为线路关断;
依据混合惩罚函数优化处理后的所述双层规划模型表示为:
,,
,
式中,x inv和x opr分别为规划变量和运行变量,G(·)和H(·)为规划层约束,g(·)和h(·)为运行层约束,r (Dt)为惩罚因子,Dt为迭代次数,m inv和l inv分别为规划层不等式约束和等式约束的数量,m opr和l opr分别为运行层不等式约束和等式约束的数量。
4.根据权利要求1所述的配网规划方法,其特征在于,所述对所述电力数据进行关联分析处理,建立相关性概率分布模型,包括:
确定所述电力数据对应的边缘概率函数;
依据所述边缘概率函数,构建所述相关性概率分布模型的树结构;
依据所述树结构,确定不同维度的所述电力数据之间的相关性函数和AIC指标值;
依据AIC指标值对所述相关性函数进行筛选,确定目标相关性函数;
对所述边缘概率函数和所述目标相关性函数进行组合处理,得到所述相关性概率分布模型。
5.根据权利要求4所述的配网规划方法,其特征在于,所述依据所述边缘概率函数,构建所述相关性概率分布模型的树结构,包括:
计算相关性概率分布模型的第n层的所述电力数据之间的秩相关系数,其中,n为大于0的正整数;
将第一电力数据与除所述第一电力数据以外的其他电力数据的秩相关系数相加,得到所述第一电力数据的分数,其中,所述第一电力数据为任一所述电力数据;
依据所述分数对所述电力数据进行降序排列,得到目标排列顺序;
依据所述目标排列顺序连接所述电力数据,得到第n层的所述树结构。
6.根据权利要求4所述的配网规划方法,其特征在于,
所述电力数据对应的边缘概率函数表示为:
,
,
,
式中,K(·)为核密度函数,h为窗宽,X w,i为风机第i时刻的风速,X pv,i为光伏第i时刻的光照强度,X load,i为负荷第i时刻的功率;
所述相关性概率分布模型表示为:
,
式中,x m为第m个随机变量,F(x m)为第m个随机变量的累计概率分布函数,F(x 1,x 2,…,x m)为相关性概率分布模型,C(·)为目标相关性函数;
所述相关性概率分布模型的概率密度函数为:
,
式中,为概率密度函数,e为任意边,E i为所有边的集合,j e、k e为与e相连的两个节点,/>为两变量构成的密度函数,/>代表由条件集D e决定的条件向量,和/>为条件分布函数,D e为节点j e和k e间的连接条件集。
7.根据权利要求1所述的配网规划方法,其特征在于,所述依据粒子群算法对所述双层规划模型进行求解,包括:
对粒子群算法的迭代次数、粒子速度和粒子位置进行初始化;
依据所述双层规划模型确定粒子当前粒子位置的适应度;
将粒子在迭代过程中所述适应度最小的粒子位置作为粒子的个体极值;
将所有粒子在迭代过程中所述适应度最小的粒子位置作为全局极值;
依据所述个体极值和所述全局极值,更新下一次迭代计算时的粒子速度和粒子位置,直至满足预设迭代结束条件;
其中,依据所述个体极值和所述全局极值,更新下一次迭代计算时的粒子速度和粒子位置采用如下公式:
,
,
,
式中,V i为第i个粒子的粒子速度,x i为第i个粒子的粒子位置,k为迭代次数,w为惯性权重系数,c 1和c 2为学习因子,r 1和r 2为0~1之间的随机数值,pbest为粒子在迭代过程中的个体极值,gbest为迭代过程中所有粒子的全局极值,w max为惯性权重系数的最大值,w min为惯性权重系数最小值,t为迭代数,t max为最大迭代数。
8.一种配网规划装置,其特征在于,所述装置包括:
获取模块,用于获取不同维度的配电网的电力数据,其中,所述配电网包括分布式电源和电力线路,所述电力数据包括风电数据、光伏数据和负荷需求数据;
场景分析模块,用于对所述电力数据进行关联分析处理,建立相关性概率分布模型;以及,
依据所述相关性概率分布模型确定源-荷时空相关性的目标场景;
规划模块,用于以最小规划费用为目标,依据第一约束条件建立所述目标场景下配电网规划层的第一目标函数;以及,
以最小运行网损为目标,依据第二约束条件建立所述目标场景下配电网运行层的第二目标函数;以及,
依据所述第一目标函数和所述第二目标函数,建立双层规划模型;以及,
依据粒子群算法对所述双层规划模型进行求解,得到所述配电网的目标规划方案。
9.一种可读存储介质,其上存储有程序或指令,其特征在于,所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的配网规划方法的步骤。
10.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7中任一项所述的配网规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311269079.3A CN116993032B (zh) | 2023-09-28 | 2023-09-28 | 配网规划方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311269079.3A CN116993032B (zh) | 2023-09-28 | 2023-09-28 | 配网规划方法、装置、存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993032A true CN116993032A (zh) | 2023-11-03 |
CN116993032B CN116993032B (zh) | 2024-01-19 |
Family
ID=88521775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311269079.3A Active CN116993032B (zh) | 2023-09-28 | 2023-09-28 | 配网规划方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993032B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815657A (zh) * | 2017-01-05 | 2017-06-09 | 国网福建省电力有限公司 | 一种考虑时序性和可靠性的配电网双层规划方法 |
CN109390940A (zh) * | 2018-11-30 | 2019-02-26 | 国家电网公司西南分部 | 一种考虑需求响应和综合效益的送端电网电源规划方法 |
CN109508499A (zh) * | 2018-11-15 | 2019-03-22 | 国网江苏省电力有限公司经济技术研究院 | 多时段多场景分布式电源最优接入位置与容量研究方法 |
CN109829560A (zh) * | 2018-10-18 | 2019-05-31 | 天津大学 | 一种配电网可再生能源发电集群接入规划方法 |
WO2021051035A1 (en) * | 2019-09-13 | 2021-03-18 | Arrieta Prieto Mario | Spatio-temporal probabilistic forecasting of wind power output |
CN113592133A (zh) * | 2021-05-06 | 2021-11-02 | 深圳第三代半导体研究院 | 一种能量枢纽优化配置方法及系统 |
CN114069687A (zh) * | 2020-07-31 | 2022-02-18 | 南京理工大学 | 一种计及逆变器无功调节作用的分布式光伏规划方法 |
CN114386700A (zh) * | 2022-01-13 | 2022-04-22 | 广东电网有限责任公司 | 考虑风光相关性的输电系统规划方法、装置及存储介质 |
CN114862040A (zh) * | 2022-05-25 | 2022-08-05 | 国网山西省电力公司经济技术研究院 | 一种考虑系统灵活性需求的配电网双层规划方法 |
CN114943418A (zh) * | 2022-04-22 | 2022-08-26 | 国网山东省电力公司经济技术研究院 | 考虑提升电力系统灵活性的储-输联合规划方法及系统 |
CN115439000A (zh) * | 2022-09-26 | 2022-12-06 | 南京理工大学 | 考虑风光荷功率不确定性和相关性的配电网区块划分方法 |
CN115663910A (zh) * | 2022-07-20 | 2023-01-31 | 东南大学 | 配电网规划层-运行层两阶段分布鲁棒优化治理方法 |
CN116502832A (zh) * | 2023-04-12 | 2023-07-28 | 国网经济技术研究院有限公司 | 一种多微电网联合规划方法、系统、存储介质及电子设备 |
-
2023
- 2023-09-28 CN CN202311269079.3A patent/CN116993032B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815657A (zh) * | 2017-01-05 | 2017-06-09 | 国网福建省电力有限公司 | 一种考虑时序性和可靠性的配电网双层规划方法 |
CN109829560A (zh) * | 2018-10-18 | 2019-05-31 | 天津大学 | 一种配电网可再生能源发电集群接入规划方法 |
CN109508499A (zh) * | 2018-11-15 | 2019-03-22 | 国网江苏省电力有限公司经济技术研究院 | 多时段多场景分布式电源最优接入位置与容量研究方法 |
CN109390940A (zh) * | 2018-11-30 | 2019-02-26 | 国家电网公司西南分部 | 一种考虑需求响应和综合效益的送端电网电源规划方法 |
WO2021051035A1 (en) * | 2019-09-13 | 2021-03-18 | Arrieta Prieto Mario | Spatio-temporal probabilistic forecasting of wind power output |
CN114069687A (zh) * | 2020-07-31 | 2022-02-18 | 南京理工大学 | 一种计及逆变器无功调节作用的分布式光伏规划方法 |
CN113592133A (zh) * | 2021-05-06 | 2021-11-02 | 深圳第三代半导体研究院 | 一种能量枢纽优化配置方法及系统 |
CN114386700A (zh) * | 2022-01-13 | 2022-04-22 | 广东电网有限责任公司 | 考虑风光相关性的输电系统规划方法、装置及存储介质 |
CN114943418A (zh) * | 2022-04-22 | 2022-08-26 | 国网山东省电力公司经济技术研究院 | 考虑提升电力系统灵活性的储-输联合规划方法及系统 |
CN114862040A (zh) * | 2022-05-25 | 2022-08-05 | 国网山西省电力公司经济技术研究院 | 一种考虑系统灵活性需求的配电网双层规划方法 |
CN115663910A (zh) * | 2022-07-20 | 2023-01-31 | 东南大学 | 配电网规划层-运行层两阶段分布鲁棒优化治理方法 |
CN115439000A (zh) * | 2022-09-26 | 2022-12-06 | 南京理工大学 | 考虑风光荷功率不确定性和相关性的配电网区块划分方法 |
CN116502832A (zh) * | 2023-04-12 | 2023-07-28 | 国网经济技术研究院有限公司 | 一种多微电网联合规划方法、系统、存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
李珂;邰能灵;张沈习;陈曦;: "考虑相关性的分布式电源多目标规划方法", 电力系统自动化, no. 09, pages 51 - 57 * |
石玉东;刘晋源;徐松;蒋卓臻;高红均;刘俊勇;吕林;: "考虑时序特性的配电网风-光-储随机规划模型", 电力系统保护与控制, no. 10, pages 23 - 32 * |
Also Published As
Publication number | Publication date |
---|---|
CN116993032B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Osório et al. | Short-term wind power forecasting using adaptive neuro-fuzzy inference system combined with evolutionary particle swarm optimization, wavelet transform and mutual information | |
Ni et al. | An ensemble prediction intervals approach for short-term PV power forecasting | |
Tun et al. | Federated learning based energy demand prediction with clustered aggregation | |
Yuan et al. | Parameter extraction of solar cell models using chaotic asexual reproduction optimization | |
Casado-Vara et al. | Improving temperature control in smart buildings based in IoT network slicing technique | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
Nichiforov et al. | Deep learning techniques for load forecasting in large commercial buildings | |
Keerthisinghe et al. | PV and demand models for a Markov decision process formulation of the home energy management problem | |
Jiang et al. | A multi-stage intelligent approach based on an ensemble of two-way interaction model for forecasting the global horizontal radiation of India | |
Chang et al. | Gaussian mixture model‐based neural network for short‐term wind power forecast | |
Warrior et al. | Short-term electrical load forecasting using predictive machine learning models | |
Tornai et al. | Recurrent neural network based user classification for smart grids | |
Cruz et al. | Neural network prediction interval based on joint supervision | |
Routray et al. | Applied machine learning in wind speed prediction and loss minimization in unbalanced radial distribution system | |
Karimtabar et al. | Analysis and predicting electricity energy consumption using data mining techniques—A case study IR Iran—Mazandaran province | |
Akarslan | Learning Vector Quantization based predictor model selection for hourly load demand forecasting | |
Jarndal | Load forecasting for power system planning using a genetic-fuzzy-neural networks approach | |
Haq et al. | Classification of electricity load profile data and the prediction of load demand variability | |
CN116993032B (zh) | 配网规划方法、装置、存储介质和计算机设备 | |
Kumar et al. | Load forecasting of Andhra Pradesh grid using PSO, DE algorithms | |
CN110059871A (zh) | 光伏发电功率预测方法 | |
Nichiforov et al. | Efficient Load Forecasting Model Assessment for Embedded Building Energy Management Systems | |
Jahan et al. | Intelligent system for power load forecasting in off-grid platform | |
bin Ahmad et al. | Application of hybrid GMDH and Least Square Support Vector Machine in energy consumption forecasting | |
Wu et al. | Fast dc optimal power flow based on deep convolutional neural network |
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 |