CN116995740A - 一种配电网分布式风电及储能优化配置方法和系统 - Google Patents
一种配电网分布式风电及储能优化配置方法和系统 Download PDFInfo
- Publication number
- CN116995740A CN116995740A CN202310968604.4A CN202310968604A CN116995740A CN 116995740 A CN116995740 A CN 116995740A CN 202310968604 A CN202310968604 A CN 202310968604A CN 116995740 A CN116995740 A CN 116995740A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- distribution network
- wind power
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 217
- 238000009826 distribution Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 130
- 238000005457 optimization Methods 0.000 claims abstract description 98
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000005266 casting Methods 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000012614 Monte-Carlo sampling Methods 0.000 claims abstract description 10
- 239000000243 solution Substances 0.000 claims description 32
- 238000010276 construction Methods 0.000 claims description 31
- 230000005611 electricity Effects 0.000 claims description 27
- 238000012423 maintenance Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 18
- 230000008901 benefit Effects 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 6
- 230000035699 permeability Effects 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000019637 foraging behavior Effects 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电网分布式风电及储能优化配置方法和系统,包括:获取配电网的历史数据,对所述历史数据进行风电机组输出功率和负荷的不确定性模拟,通过蒙特卡罗抽样法生成风、负荷的原始场景;通过DBSCAN对所述原始场景进行缩减,得到典型运行场景;结合所述典型运行场景,根据预设的电压稳定指标、总投成本指标和电流裕度指标,构建配电网分布式风电及储能优化配置模型,并确定约束条件;使用蝗虫优化算法和熵权‑TOPSI S法,求解所述配电网分布式风电及储能优化配置模型,得到配电网分布式风电及储能优化配置方案。本发明综合考虑电压稳定、投资成本和电流裕度对分布式风电及储能的影响,实现了更精准的分布式风电及储能配置。
Description
技术领域
本发明涉及配电网分布式风电及储能优化技术领域,尤其涉及一种配电网分布式风电及储能优化配置方法和系统。
背景技术
近年来海上风力发电技术发展迅速,海上风机装机容量也与日俱增,储能系统可以缓解风电间歇性出力引起的配电网功率波动,常将储能与风电机组互补使用,催生出大批分布式储能装置的需求。因此,研究考虑源荷不确定性的配电网分布式风电及储能优化配置具有重要意义。
目前,已有较多考虑源荷不确定性的分布式风电及储能选址定容研究。考虑了风电、光伏和负荷的时序性,以年综合经济成本最优、运行电压水平最优为目标函数,建立了主动配电网双层优化配置模型。考虑了光伏、储能和负荷的时序特性,以投资费用、燃料费用、网络损耗费用和环境赔偿费用最小为目标函数,建立分布式电源选址定容规划模型。然而,目前分布式风电及储能优化配置方法研究还存在些许不足。多数规划方法考虑情况单一,缺乏综合考虑。因此,需要一种能够综合考虑电压稳定、投资成本和电流裕度的的分布式风电及储能配置方法。
发明内容
本发明提供了一种配电网分布式风电及储能优化配置方法和系统,综合考虑电压稳定、投资成本和电流裕度对分布式风电及储能的影响,实现了更精准的分布式风电及储能配置。
为了解决上述技术问题,本发明实施例提供了一种配电网分布式风电及储能优化配置方法,包括:
获取配电网的历史数据,对所述历史数据进行风电机组输出功率和负荷的不确定性模拟,通过蒙特卡罗抽样法生成风、负荷的原始场景;
通过DBSCAN对所述原始场景进行缩减,得到典型运行场景;
结合所述典型运行场景,根据预设的电压稳定指标、总投成本指标和电流裕度指标,构建配电网分布式风电及储能优化配置模型,并确定约束条件;
使用蝗虫优化算法和熵权-TOPSIS法,求解所述配电网分布式风电及储能优化配置模型,得到配电网分布式风电及储能优化配置方案。
可以理解的是,相较于现有技术,本发明提供的方法考虑了源荷不确定性,通过拟合概率密度函数和抽样技术构建原始场景,再利用聚类算法进行场景缩减,可以得到典型运行场景。这样做不仅可以减少重复的场景,还可以更好地处理风电和负荷的不确定性。然后在典型运行场景基础上,建立了分布式风电及储能优化配置模型,该模型综合考虑了电压稳定指标、总投成本指标和电流裕度指标,使用蝗虫优化算法和熵权-TOPSIS法对模型的多目标函数进行求解。蝗虫优化算法以蝗虫在自然界中的种群迁移和觅食行为为核心思想,进行全局搜索和局部利用,具有较高的搜索效率和较快的收敛速度,且算法本身特殊的自适应机制能够很好地平衡全局和局部搜索过程,具有较好的寻优精度。由于多目标解集存在多个决策指标,为了综合考虑指标的重要性,并将其纳入决策过程中,使用熵权-TOPSIS法对不同多目标解进行分析、评价,以决定最佳折中解。通过本发明提出的模型,能够得到风电、储能位置容量,完成更精准的风电和储能配置。
进一步地,所述对所述历史数据进行风电机组输出功率和负荷的不确定性模拟,通过蒙特卡罗抽样法生成风、负荷的原始场景,具体包括:
根据所述历史数据,拟合风速和负荷每小时的概率密度函数参数;
通过基于非结构网格的蒙特卡罗重要性抽样法,对拟合后参数抽样产生符合风、负荷随机变量概率分布的原始场景。
可以理解的是,本发明提供的方法通过模拟风电和负荷的不确定性,充分考虑到源荷不确定性对配电网配置可靠性的影响,使用基于非结构网格的蒙特卡罗重要性抽样法构建风、负荷的原始场景,能够尽可能还原风、负荷在实际场景中的波动特征,便于完成更精准的风电和储能配置。
进一步地,所述结合所述典型运行场景,根据电压稳定指标、总投成本指标和电流裕度指标,构建配电网分布式风电及储能优化配置模型,具体包括:
从所述典型运行场景中获取配电网各支路的电气数据;
根据所述各支路的电气数据中电阻和电抗、各支路中首末节点的有功功率、无功功率、电压幅值,计算配电网支路电压最大值作为电压稳定指标;
计算风电、储能前期投资建设成本、运维成本、网络损耗成本、上级电网购电成本之和减去储能电池低储高发带来的收益作为总投成本指标;
根据所述各支路的电气数据中各支路的电流与能承受的最大电流,计算配电网系统电流裕度作为电流裕度指标;
将加权计算所述电压稳定指标的最小值、所述总投成本指标的最小值和所述电流裕度指标的最大值作为所述配电网分布式风电及储能优化配置模型的目标函数。
可以理解的是,本发明提供的方法通过综合考虑电压稳定指标、总投成本指标和电流裕度指标,构建了配电网分布式风电及储能优化配置模型的目标函数。为了提高分布式风电和储能接入后配电网的电压稳定性,建立以电压稳定指标最好为优化目标,电压稳定指标越小代表配电网越稳定。还确保了配电网系统电流裕度最优,避免不稳定因素影响整个配电网。除此之外,还考虑到了总投成本指标,保证了整体配置的实用性。
进一步地,所述根据所述各支路的电气数据中电阻和电抗、各支路中首末节点的有功功率、无功功率、电压幅值,计算配电网支路电压最大值作为电压稳定指标,具体公式为:
其中,i、j分别为支路k首端节点、末端节点;Pj、Qj分别为节点j负荷有功功率和无功功率;Rk、Xk分别为支路k的电阻和电抗;Ui为节点i的电压幅值;支路总数为N;
所述计算风电、储能前期投资建设成本、运维成本、网络损耗成本、上级电网购电成本之和减去储能电池低储高发带来的收益作为总投成本指标,具体公式为:
Cec=Cinvest+Coperation+Closs+Cbuy-Cpro
其中,Cinvest、Coperation分别为风电、储能前期投资建设成本、运维成本;Closs为网络损耗成本;Cbuy为从上级电网购电成本;Cpro为储能电池低储高发带来的收益;
所述根据所述各支路的电气数据中各支路的电流与能承受的最大电流,计算配电网系统电流裕度作为电流裕度指标,具体公式为:
其中,Il表示第l条线路电流;Ilmax表示第l条线路所能承受的最大电流。
进一步地,所述风电、储能前期投资建设成本、运维成本、网络损耗成本、上级电网购电成本之和减去储能电池低储高发带来的收益,具体包括:
所述风电、储能前期投资建设成本,具体公式为:
其中,r0为贴现率;y为风电、储能规划年限;为单位容量的光伏、储能电池投资建设成本;/>为场景k中节点j风电、储能的并网容量;
所述运维成本,具体公式为:
其中,λ为运维成本的折算比例;Cinvest为分布式风电单位容量的弃电成本;为场景k中节点j的风电并网容量;/>为从上级电网购电电价;/> 分别为场景k中节点j储能电池的充放电功率值;
所述上级电网购电成本,具体公式为:
其中,为场景k中节点j的上级电网购电量;
所述储能电池低储高发带来的收益,具体公式为:
其中,分别为场景k中节点j储能电池作用前后的负荷量。
可以理解的是,分布式风电和储能在配电网中的周期可以划分为建设、运维和回收三个阶段。在配电网分布式风电及储能优化配置模型中,本发明提供的方法考虑了风电、储能前期建设成本、运维成本以及储能电池的低储高发带来的收益,满足分布式风电和储能在配电网中不同阶段的状态。
进一步地,所述确定约束条件,具体包括:
确定功率平衡约束、节点电压约束、支路电流约束、渗透率约束和储能电池约束,以使所述配电网分布式风电及储能优化配置模型中各支路的电气数据在预设范围内;
所述功率平衡约束,具体为:其中,PS(t)、QS(t)为t时刻平衡节点的注入功率;PDG(t)、QDG(t)为t时刻DG总功率;PLoad(t)、QLoad(t)为t时刻总负荷;PLoss(t)、QLoss(t)为t时刻总网络损耗;
所述节点电压约束,具体为:Vimin≤Vi≤Vimax;其中,Vimin、Vimax分别为第i个节点的最小电压允许值和最大电压允许值;
所述支路电流约束,具体为:Ik≤Ikmax;其中,Ikmax为支路允许的电流最大值;
所述渗透率约束,具体为:其中,η为分布式风电总容量与总负荷的比值;
所述储能电池约束,具体为:SOCmin≤SOC≤SOCmax;0≤PES(t)≤PES-max; 其中,SOCmin、SOCmax分别为储能荷电状态的上限和下限;PES-max、/>分别为节点i储能充放电功率、安装容量的最大值。
可以理解的是,本发明提供的方法通过确定配电网分布式风电及储能优化模型的约束条件,保证了模型中各支路的电气数据在预设范围内,使得在约束范围内完成多目标函数最优化的求解。
进一步地,所述使用蝗虫优化算法和熵权-TOPSIS法,求解所述配电网分布式风电及储能优化配置模型,得到配电网分布式风电及储能优化配置方案,具体包括:
初始化所述蝗虫优化算法的初始种群,分别得到风电和储能的初始位置容量参数;
将所述配电网分布式风电及储能优化配置模型中目标函数值作为所述初始种群的适应度,计算每个蝗虫的适应度值,更新最优蝗虫位置;
当更新次数达到预设的迭代次数,采用熵权-TOPSIS法,对多目标解集进行权重分配,得到配电网分布式风电及储能优化配置方案。
可以理解的是,本发明提供的方通过使用蝗虫优化算法和熵权-TOPSIS法对模型的多目标函数进行求解。蝗虫优化算法以蝗虫在自然界中的种群迁移和觅食行为为核心思想,进行全局搜索和局部利用,具有较高的搜索效率和较快的收敛速度,且算法本身特殊的自适应机制能够很好地平衡全局和局部搜索过程,具有较好的寻优精度。由于多目标解集存在多个决策指标,为了综合考虑指标的重要性,并将其纳入决策过程中,使用熵权-TOPSIS法对不同多目标解进行分析、评价,以决定最佳折中解。
进一步地,所述得到配电网分布式风电及储能优化配置方案之后,还包括:
根据所述配电网分布式风电及储能优化配置方案,控制所述配电网。
可以理解的是,本发明提供的方法能够通过求解配电网分布式风电及储能优化配置模型,得到风电、储能位置容量,能够控制所述配电网,完成对配电网分布式风电及储能的规划,实现了更加精准地完成配电网配置。
相应地,本发明实施例提供了一种配电网分布式风电及储能优化配置系统,所述系统包括:
原始场景生成模块,用于获取配电网的历史数据,对所述历史数据进行风电机组输出功率和负荷的不确定性模拟,通过蒙特卡罗抽样法生成风、负荷的原始场景;
典型运行场景生成模块,用于通过DBSCAN对所述原始场景进行缩减,得到典型运行场景;
模型构建模块,用于结合所述典型运行场景,根据预设的电压稳定指标、总投成本指标和电流裕度指标,构建配电网分布式风电及储能优化配置模型,并确定约束条件;
优化求解模块,用于使用蝗虫优化算法和熵权-TOPSIS法,求解所述配电网分布式风电及储能优化配置模型,得到配电网分布式风电及储能优化配置方案。
可以理解的是,相较于现有技术,本发明提供的系统模拟了风电和负荷的波动,拟合历史数据的风、负荷的概率密度函数参数,通过基于非结构网格的蒙特卡罗重要性抽样方法对参数进行抽样,生成原始场景,并使用DBSCAN对原始场景进行场景缩减,以得到典型运行场景。通过聚类算法可以将相似的场景归为一类,从而减少场景的数量。这样做可以简化模型的计算,同时保留了典型的场景,使得模拟更加高效和准确。生成风电、负荷典型运行场景后,以电压稳定指标最好、总投资成本最小、电流裕度指标最优为目标,建立基于典型运行场景的风电及储能优化配置模型。通过蝗虫优化算法和熵权-TOPSIS法对模型的多目标函数进行求解。蝗虫优化算法本身特殊的自适应机制能够很好地平衡全局和局部搜索过程,具有较好的寻优精度。熵权-TOPSIS法能够对多目标解集机械能权重分配,求出折中方案以平衡不同决策者需求。本发明提出的模型,能够得到风电、储能位置容量,完成更精准的风电和储能配置。
进一步地,所述原始场景生成模块,具体包括:
根据所述历史数据,拟合风速和负荷每小时的概率密度函数参数;
通过基于非结构网格的蒙特卡罗重要性抽样法,对拟合后参数抽样产生符合风、负荷随机变量概率分布的原始场景。
可以理解的是,本发明提供的系统能够模拟了风电和负荷的波动,拟合历史数据的风、负荷的概率密度函数参数,通过基于非结构网格的蒙特卡罗重要性抽样方法对参数进行抽样,生成原始场景,充分考虑了风电和负荷的波动具有周期性和不确定性。
进一步地,所述模型构建模块,具体包括:
数据提取子模块,用于从所述典型运行场景中获取配电网各支路的电气数据;
指标选取子模块,用于根据所述各支路的电气数据中电阻和电抗、各支路中首末节点的有功功率、无功功率、电压幅值,计算配电网支路电压最大值作为电压稳定指标;计算风电、储能前期投资建设成本、运维成本、网络损耗成本、上级电网购电成本之和减去储能电池低储高发带来的收益作为总投成本指标;根据所述各支路的电气数据中各支路的电流与能承受的最大电流,计算配电网系统电流裕度作为电流裕度指标;
目标函数构建子模块,用于将加权计算所述电压稳定指标的最小值、所述总投成本指标的最小值和所述电流裕度指标的最大值作为所述配电网分布式风电及储能优化配置模型的目标函数。
可以理解的是,本发明提供的系统生成风电、负荷典型运行场景后,以电压稳定指标最好、总投资成本最小、电流裕度指标最优为目标,建立基于典型运行场景的风电及储能优化配置模型。本发明提出的模型,能够得到风电、储能位置容量,完成更精准的风电和储能配置。
进一步地,所述优化求解模块,具体包括:
蝗虫优化子模块,用于初始化所述蝗虫优化算法的初始种群,分别得到风电和储能的初始位置容量参数;将所述配电网分布式风电及储能优化配置模型中目标函数值作为所述初始种群的适应度,计算每个蝗虫的适应度值,更新最优蝗虫位置;
熵权-TOPSIS子模块,用于当更新次数达到预设的迭代次数,采用熵权-TOPSIS法,对多目标解集进行权重分配,得到配电网分布式风电及储能优化配置方案。
可以理解的是,本发明提供的系统通过蝗虫优化算法和熵权-TOPSIS法对模型的多目标函数进行求解。蝗虫优化算法本身特殊的自适应机制能够很好地平衡全局和局部搜索过程,具有较好的寻优精度。熵权-TOPSIS法能够对多目标解集机械能权重分配,求出折中方案以平衡不同决策者需求。
附图说明
图1:为本发明实施例所提供的一种配电网分布式风电及储能优化配置方法的步骤流程图。
图2:为本发明实施例所提供的一种配电网分布式风电及储能优化配置方法中优化模型求解的流程图。
图3:为本发明实施例所提供的一种配电网分布式风电及储能优化配置系统的结构示意图。
图4:为本发明实施例所提供的一种配电网分布式风电及储能优化配置系统中模型构建模块的内部结构示意图。
图5:为本发明实施例所提供的一种配电网分布式风电及储能优化配置系统中优化求解模块的内部结构示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参照图1,为本发明实施例所提供的一种配电网分布式风电及储能优化配置方法的步骤流程图,包括以下步骤S101-S104,各步骤具体如下。
S101:获取配电网的历史数据,对所述历史数据进行风电机组输出功率和负荷的不确定性模拟,通过蒙特卡罗抽样法生成风、负荷的原始场景。
在本实施例中,所述对所述历史数据进行风电机组输出功率和负荷的不确定性模拟,通过蒙特卡罗抽样法生成风、负荷的原始场景,具体包括:根据所述历史数据,拟合风速和负荷每小时的概率密度函数参数;通过基于非结构网格的蒙特卡罗重要性抽样法,对拟合后参数抽样产生符合风、负荷随机变量概率分布的原始场景。
需要说明的是,风机的出力主要受时序风速的影响。通常认为,风速符合Weibull概率分布函数,具体概率密度函数为:其中,vl为地面监测站风速;c、k分别为两参数Weibull分布的尺度参数和形状参数;将风速和风电机组输出功率进行转换,具体公式为:/>其中,PW为风电输出功率;/>为额定功率;vci、vr、vco分别为切入风速、额定风速、切出风速。
需要说明的是,负荷有功功率和无功功率服从正态分布。所述负荷的概率密度函数,具体为:其中,PL为负荷有功功率;QL为负荷无功功率;/>为功率因数角。
可以理解的是,本发明提供的方法通过模拟风电和负荷的不确定性,充分考虑到源荷不确定性对配电网配置可靠性的影响,使用基于非结构网格的蒙特卡罗重要性抽样法构建风、负荷的原始场景,能够尽可能还原风、负荷在实际场景中的波动特征,便于完成更精准的风电和储能配置。
S102:通过DBSCAN对所述原始场景进行缩减,得到典型运行场景。
可以理解的是,通过聚类算法可以将相似的场景归为一类,从而减少场景的数量。这样做可以简化模型的计算,同时保留了典型的场景,使得模拟更加高效和准确。
S103:结合所述典型运行场景,根据预设的电压稳定指标、总投成本指标和电流裕度指标,构建配电网分布式风电及储能优化配置模型,并确定约束条件。
在本实施例中,所述结合所述典型运行场景,根据电压稳定指标、总投成本指标和电流裕度指标,构建配电网分布式风电及储能优化配置模型,具体包括:从所述典型运行场景中获取配电网各支路的电气数据;根据所述各支路的电气数据中电阻和电抗、各支路中首末节点的有功功率、无功功率、电压幅值,计算配电网支路电压最大值作为电压稳定指标;计算风电、储能前期投资建设成本、运维成本、网络损耗成本、上级电网购电成本之和减去储能电池低储高发带来的收益作为总投成本指标;根据所述各支路的电气数据中各支路的电流与能承受的最大电流,计算配电网系统电流裕度作为电流裕度指标;将加权计算所述电压稳定指标的最小值、所述总投成本指标的最小值和所述电流裕度指标的最大值作为所述配电网分布式风电及储能优化配置模型的目标函数。
可以理解的是,本发明提供的方法通过综合考虑电压稳定指标、总投成本指标和电流裕度指标,构建了配电网分布式风电及储能优化配置模型的目标函数。为了提高分布式风电和储能接入后配电网的电压稳定性,建立以电压稳定指标最好为优化目标,电压稳定指标越小代表配电网越稳定。还确保了配电网系统电流裕度最优,避免不稳定因素影响整个配电网。除此之外,还考虑到了总投成本指标,保证了整体配置的实用性。
在本实施例中,所述根据所述各支路的电气数据中电阻和电抗、各支路中首末节点的有功功率、无功功率、电压幅值,计算配电网支路电压最大值作为电压稳定指标,具体公式为:其中,i、j分别为支路k首端节点、末端节点;Pj、Qj分别为节点j负荷有功功率和无功功率;Rk、Xk分别为支路k的电阻和电抗;Ui为节点i的电压幅值;支路总数为N;所述计算风电、储能前期投资建设成本、运维成本、网络损耗成本、上级电网购电成本之和减去储能电池低储高发带来的收益作为总投成本指标,具体公式为:Cec=Cinvest+Coperation+Closs+Cbuy-Cpro;其中,Cinvest、Coperation分别为风电、储能前期投资建设成本、运维成本;Closs为网络损耗成本;Cbuy为从上级电网购电成本;Cpro为储能电池低储高发带来的收益;所述根据所述各支路的电气数据中各支路的电流与能承受的最大电流,计算配电网系统电流裕度作为电流裕度指标,具体公式为:其中,Il表示第l条线路电流;Ilmax表示第l条线路所能承受的最大电流。
在本实施例中,所述风电、储能前期投资建设成本,具体公式为:
其中,r0为贴现率;y为风电、储能规划年限;为单位容量的光伏、储能电池投资建设成本;/>为场景k中节点j风电、储能的并网容量。
所述运维成本,具体公式为:
其中,λ为运维成本的折算比例;Cinvest为分布式风电单位容量的弃电成本;为场景k中节点j的风电并网容量;/>为从上级电网购电电价;/> 分别为场景k中节点j储能电池的充放电功率值。
所述上级电网购电成本,具体公式为:
其中,为场景k中节点j的上级电网购电量。
所述储能电池低储高发带来的收益,具体公式为:
其中,分别为场景k中节点j储能电池作用前后的负荷量。
可以理解的是,分布式风电和储能在配电网中的周期可以划分为建设、运维和回收三个阶段。在配电网分布式风电及储能优化配置模型中,本发明提供的方法考虑了风电、储能前期建设成本、运维成本以及储能电池的低储高发带来的收益,满足分布式风电和储能在配电网中不同阶段的状态。
在本实施例中,所述确定约束条件,具体包括:确定功率平衡约束、节点电压约束、支路电流约束、渗透率约束和储能电池约束,以使所述配电网分布式风电及储能优化配置模型中各支路的电气数据在预设范围内。
所述功率平衡约束,具体为:其中,PS(t)、QS(t)为t时刻平衡节点的注入功率;PDG(t)、QDG(t)为t时刻DG总功率;PLoad(t)、QLoad(t)为t时刻总负荷;PLoss(t)、QLoss(t)为t时刻总网络损耗。
所述节点电压约束,具体为:Vimin≤Vi≤Vimax;其中,Vimin、Vimax分别为第i个节点的最小电压允许值和最大电压允许值。
所述支路电流约束,具体为:Ik≤Ikmax;其中,Ikmax为支路允许的电流最大值。
所述渗透率约束,具体为:其中,η为分布式风电总容量与总负荷的比值。
所述储能电池约束,具体为:SOCmin≤SOC≤SOCmax;0≤PES(t)≤PES-max; 其中,SOCmin、SOCmax分别为储能荷电状态的上限和下限;PES-max、/>分别为节点i储能充放电功率、安装容量的最大值。
可以理解的是,本发明提供的方法通过确定配电网分布式风电及储能优化模型的约束条件,保证了模型中各支路的电气数据在预设范围内,使得在约束范围内完成多目标函数最优化的求解。
S104:使用蝗虫优化算法和熵权-TOPSIS法,求解所述配电网分布式风电及储能优化配置模型,得到配电网分布式风电及储能优化配置方案。
在本实施例中,所述使用蝗虫优化算法和熵权-TOPSIS法,求解所述配电网分布式风电及储能优化配置模型,得到配电网分布式风电及储能优化配置方案,具体包括:初始化所述蝗虫优化算法的初始种群,分别得到风电和储能的初始位置容量参数;将所述配电网分布式风电及储能优化配置模型中目标函数值作为所述初始种群的适应度,计算每个蝗虫的适应度值,更新最优蝗虫位置;当更新次数达到预设的迭代次数,采用熵权-TOPSIS法,对多目标解集进行权重分配,得到配电网分布式风电及储能优化配置方案。
需要说明的是,熵权-TOPSIS法是基于信息熵的概念,通过计算每个指标的信息熵,通过归一化处理得到权重,从而确定每个指标的相对重要性。其次,使用TOPSIS方法对备选方案进行评估和排序。TOPSIS方法基于欧几里得距离的概念,对于每个备选方案,计算其与理想解和负理想解之间的距离,并通过归一化处理得到其相对接近度。最终,可以根据相对接近度对备选方案进行排序,以确定最优解。
可以理解的是,本发明提供的方通过使用蝗虫优化算法和熵权-TOPSIS法对模型的多目标函数进行求解。蝗虫优化算法以蝗虫在自然界中的种群迁移和觅食行为为核心思想,进行全局搜索和局部利用,具有较高的搜索效率和较快的收敛速度,且算法本身特殊的自适应机制能够很好地平衡全局和局部搜索过程,具有较好的寻优精度。由于多目标解集存在多个决策指标,为了综合考虑指标的重要性,并将其纳入决策过程中,使用熵权-TOPSIS法对不同多目标解进行分析、评价,以决定最佳折中解。
在本实施例中,所述得到配电网分布式风电及储能优化配置方案之后,还包括:根据所述配电网分布式风电及储能优化配置方案,控制所述配电网。
可以理解的是,本发明提供的方法能够通过求解配电网分布式风电及储能优化配置模型,得到风电、储能位置容量,能够控制所述配电网,完成对配电网分布式风电及储能的规划,实现了更加精准地完成配电网配置。
作为优选方案,请参考图2,为本发明实施例所提供的一种配电网分布式风电及储能优化配置方法中优化模型求解的流程图。首先,输入风电、储能、潮流计算、GOA算法参数,确定全年光伏出力、负荷数据,采用基于非结构网格的蒙特卡罗重要性抽样方法和DBSCAN的场景提取方法进行场景构建。然后,初始化GOA算法初始种群,分别得到风电和储能的初始位置容量参数。接着,不断更新蝗虫优化算法中各参数值和每个蝗虫的位置,计算每个蝗虫的适应度值,更新最优蝗虫位置。判断是否达到预设的迭代次数,如果不满足条件则再次更新蝗虫优化模型中的参数,如果满足条件则采用熵权-TOPSIS法确定最优解,得到风电、储能位置容量,完成对配电网分布式风电及储能的规划配置。
本发明提供的方法考虑了源荷不确定性,通过拟合概率密度函数和抽样技术构建原始场景,再利用聚类算法进行场景缩减,可以得到典型运行场景。这样做不仅可以减少重复的场景,还可以更好地处理风电和负荷的不确定性。然后在典型运行场景基础上,建立了分布式风电及储能优化配置模型,该模型综合考虑了电压稳定指标、总投成本指标和电流裕度指标,使用蝗虫优化算法和熵权-TOPSIS法对模型的多目标函数进行求解。蝗虫优化算法以蝗虫在自然界中的种群迁移和觅食行为为核心思想,进行全局搜索和局部利用,具有较高的搜索效率和较快的收敛速度,且算法本身特殊的自适应机制能够很好地平衡全局和局部搜索过程,具有较好的寻优精度。由于多目标解集存在多个决策指标,为了综合考虑指标的重要性,并将其纳入决策过程中,使用熵权-TOPSIS法对不同多目标解进行分析、评价,以决定最佳折中解。通过本发明提出的模型,能够得到风电、储能位置容量,完成更精准的风电和储能配置。
实施例二
请参考图3,为本发明实施例所提供的一种配电网分布式风电及储能优化配置系统的结构示意图,包括原始场景生成模块201、典型运行场景生成模块202、模型构建模块203和优化求解模块204。
所述原始场景生成模块201,用于获取配电网的历史数据,对所述历史数据进行风电机组输出功率和负荷的不确定性模拟,通过蒙特卡罗抽样法生成风、负荷的原始场景。
所述典型运行场景生成模块202,用于通过DBSCAN对所述原始场景进行缩减,得到典型运行场景。
所述模型构建模块203,用于结合所述典型运行场景,根据预设的电压稳定指标、总投成本指标和电流裕度指标,构建配电网分布式风电及储能优化配置模型,并确定约束条件。
所述优化求解模块204,用于使用蝗虫优化算法和熵权-TOPSIS法,求解所述配电网分布式风电及储能优化配置模型,得到配电网分布式风电及储能优化配置方案。
在本实施例中,所述原始场景生成模块201,具体包括:根据所述历史数据,拟合风速和负荷每小时的概率密度函数参数;通过基于非结构网格的蒙特卡罗重要性抽样法,对拟合后参数抽样产生符合风、负荷随机变量概率分布的原始场景。
可以理解的是,本发明提供的系统能够模拟了风电和负荷的波动,拟合历史数据的风、负荷的概率密度函数参数,通过基于非结构网格的蒙特卡罗重要性抽样方法对参数进行抽样,生成原始场景,充分考虑了风电和负荷的波动具有周期性和不确定性。
请参考图4,为本发明实施例所提供的一种配电网分布式风电及储能优化配置系统中模型构建模块的内部结构示意图,所述模型构建模块203,具体包括:数据提取子模块301、指标选取子模块302、目标函数构建子模块303。
所述数据提取子模块301,用于从所述典型运行场景中获取配电网各支路的电气数据。
所述指标选取子模块302,用于根据所述各支路的电气数据中电阻和电抗、各支路中首末节点的有功功率、无功功率、电压幅值,计算配电网支路电压最大值作为电压稳定指标;计算风电、储能前期投资建设成本、运维成本、网络损耗成本、上级电网购电成本之和减去储能电池低储高发带来的收益作为总投成本指标;根据所述各支路的电气数据中各支路的电流与能承受的最大电流,计算配电网系统电流裕度作为电流裕度指标。
所述目标函数构建子模块303,用于将加权计算所述电压稳定指标的最小值、所述总投成本指标的最小值和所述电流裕度指标的最大值作为所述配电网分布式风电及储能优化配置模型的目标函数。
可以理解的是,本发明提供的系统生成风电、负荷典型运行场景后,以电压稳定指标最好、总投资成本最小、电流裕度指标最优为目标,建立基于典型运行场景的风电及储能优化配置模型。本发明提出的模型,能够得到风电、储能位置容量,完成更精准的风电和储能配置。
请参考图5,为本发明实施例所提供的一种配电网分布式风电及储能优化配置系统中优化求解模块的内部结构示意图,所述优化求解模块204,具体包括:蝗虫优化子模块401和熵权-TOPSIS子模块402。
所述蝗虫优化子模块401,用于初始化所述蝗虫优化算法的初始种群,分别得到风电和储能的初始位置容量参数;将所述配电网分布式风电及储能优化配置模型中目标函数值作为所述初始种群的适应度,计算每个蝗虫的适应度值,更新最优蝗虫位置。
所述熵权-TOPSIS子模块402,用于当更新次数达到预设的迭代次数,采用熵权-TOPSIS法,对多目标解集进行权重分配,得到配电网分布式风电及储能优化配置方案。
可以理解的是,本发明提供的系统通过蝗虫优化算法和熵权-TOPSIS法对模型的多目标函数进行求解。蝗虫优化算法本身特殊的自适应机制能够很好地平衡全局和局部搜索过程,具有较好的寻优精度。熵权-TOPSIS法能够对多目标解集机械能权重分配,求出折中方案以平衡不同决策者需求。
在本实施例中,所述优化求解模块204之后,还包括:控制模块。所述控制模块用于根据所述配电网分布式风电及储能优化配置方案,控制所述配电网。
可以理解的是,本发明提供的方法能够通过求解配电网分布式风电及储能优化配置模型,得到风电、储能位置容量,能够控制所述配电网,完成对配电网分布式风电及储能的规划,实现了更加精准地完成配电网配置。
本发明提供的系统模拟了风电和负荷的波动,拟合历史数据的风、负荷的概率密度函数参数,通过基于非结构网格的蒙特卡罗重要性抽样方法对参数进行抽样,生成原始场景,并使用DBSCAN对原始场景进行场景缩减,以得到典型运行场景。通过聚类算法可以将相似的场景归为一类,从而减少场景的数量。这样做可以简化模型的计算,同时保留了典型的场景,使得模拟更加高效和准确。生成风电、负荷典型运行场景后,以电压稳定指标最好、总投资成本最小、电流裕度指标最优为目标,建立基于典型运行场景的风电及储能优化配置模型。本发明提出的模型,能够得到风电、储能位置容量,完成更精准的风电和储能配置。通过蝗虫优化算法和熵权-TOPSIS法对模型的多目标函数进行求解。蝗虫优化算法本身特殊的自适应机制能够很好地平衡全局和局部搜索过程,具有较好的寻优精度。熵权-TOPSIS法能够对多目标解集机械能权重分配,求出折中方案以平衡不同决策者需求。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种配电网分布式风电及储能优化配置方法,其特征在于,包括:
获取配电网的历史数据,对所述历史数据进行风电机组输出功率和负荷的不确定性模拟,通过蒙特卡罗抽样法生成风、负荷的原始场景;
通过DBSCAN对所述原始场景进行缩减,得到典型运行场景;
结合所述典型运行场景,根据预设的电压稳定指标、总投成本指标和电流裕度指标,构建配电网分布式风电及储能优化配置模型,并确定约束条件;
使用蝗虫优化算法和熵权-TOPSIS法,求解所述配电网分布式风电及储能优化配置模型,得到配电网分布式风电及储能优化配置方案。
2.如权利要求1所述的配电网分布式风电及储能优化配置方法,其特征在于,所述对所述历史数据进行风电机组输出功率和负荷的不确定性模拟,通过蒙特卡罗抽样法生成风、负荷的原始场景,具体包括:
根据所述历史数据,拟合风速和负荷每小时的概率密度函数参数;
通过基于非结构网格的蒙特卡罗重要性抽样法,对拟合后参数抽样产生符合风、负荷随机变量概率分布的原始场景。
3.如权利要求1所述的配电网分布式风电及储能优化配置方法,其特征在于,所述结合所述典型运行场景,根据电压稳定指标、总投成本指标和电流裕度指标,构建配电网分布式风电及储能优化配置模型,具体包括:
从所述典型运行场景中获取配电网各支路的电气数据;
根据所述各支路的电气数据中电阻和电抗、各支路中首末节点的有功功率、无功功率、电压幅值,计算配电网支路电压最大值作为电压稳定指标;
计算风电、储能前期投资建设成本、运维成本、网络损耗成本、上级电网购电成本之和减去储能电池低储高发带来的收益作为总投成本指标;
根据所述各支路的电气数据中各支路的电流与能承受的最大电流,计算配电网系统电流裕度作为电流裕度指标;
将加权计算所述电压稳定指标的最小值、所述总投成本指标的最小值和所述电流裕度指标的最大值作为所述配电网分布式风电及储能优化配置模型的目标函数。
4.如权利要求3所述的配电网分布式风电及储能优化配置方法,其特征在于,所述根据所述各支路的电气数据中电阻和电抗、各支路中首末节点的有功功率、无功功率、电压幅值,计算配电网支路电压最大值作为电压稳定指标,具体公式为:
其中,i、j分别为支路k首端节点、末端节点;Pj、Qj分别为节点j负荷有功功率和无功功率;Rk、Xk分别为支路k的电阻和电抗;Ui为节点i的电压幅值;支路总数为N;
所述计算风电、储能前期投资建设成本、运维成本、网络损耗成本、上级电网购电成本之和减去储能电池低储高发带来的收益作为总投成本指标,具体公式为:
Cec=Cinvest+Coperation+Closs+Cbuy-Cpro
其中,Cinvest、Coperation分别为风电、储能前期投资建设成本、运维成本;Closs为网络损耗成本;Cbuy为从上级电网购电成本;Cpro为储能电池低储高发带来的收益;
所述根据所述各支路的电气数据中各支路的电流与能承受的最大电流,计算配电网系统电流裕度作为电流裕度指标,具体公式为:
其中,Il表示第l条线路电流;Ilmax表示第l条线路所能承受的最大电流。
5.如权利要求4所述的配电网分布式风电及储能优化配置方法,其特征在于,所述风电、储能前期投资建设成本、运维成本、网络损耗成本、上级电网购电成本之和减去储能电池低储高发带来的收益,具体包括:
所述风电、储能前期投资建设成本,具体公式为:
其中,r0为贴现率;y为风电、储能规划年限;为单位容量的光伏、储能电池投资建设成本;/>为场景k中节点j风电、储能的并网容量;
所述运维成本,具体公式为:
其中,λ为运维成本的折算比例;Cinvest为分布式风电单位容量的弃电成本;为场景k中节点j的风电并网容量;/>为从上级电网购电电价;/> 分别为场景k中节点j储能电池的充放电功率值;
所述上级电网购电成本,具体公式为:
其中,为场景k中节点j的上级电网购电量;
所述储能电池低储高发带来的收益,具体公式为:
其中,分别为场景k中节点j储能电池作用前后的负荷量。
6.如权利要求1所述的配电网分布式风电及储能优化配置方法,其特征在于,所述确定约束条件,具体包括:
确定功率平衡约束、节点电压约束、支路电流约束、渗透率约束和储能电池约束,以使所述配电网分布式风电及储能优化配置模型中各支路的电气数据在预设范围内;
所述功率平衡约束,具体为:其中,PS(t)、QS(t)为t时刻平衡节点的注入功率;PDG(t)、QDG(t)为t时刻DG总功率;PLoad(t)、QLoad(t)为t时刻总负荷;PLoss(t)、QLoss(t)为t时刻总网络损耗;
所述节点电压约束,具体为:Vimin≤Vi≤Vimax;其中,Vimin、Vimax分别为第i个节点的最小电压允许值和最大电压允许值;
所述支路电流约束,具体为:Ik≤Ikmax;其中,Ikmax为支路允许的电流最大值;
所述渗透率约束,具体为:其中,η为分布式风电总容量与总负荷的比值;
所述储能电池约束,具体为:SOCmin≤SOC≤SOCmax;0≤PES(t)≤PES_max; 其中,SOCmin、SOCmax分别为储能荷电状态的上限和下限;PES_max、/>分别为节点i储能充放电功率、安装容量的最大值。
7.如权利要求1所述的配电网分布式风电及储能优化配置方法,其特征在于,所述使用蝗虫优化算法和熵权-TOPSIS法,求解所述配电网分布式风电及储能优化配置模型,得到配电网分布式风电及储能优化配置方案,具体包括:
初始化所述蝗虫优化算法的初始种群,分别得到风电和储能的初始位置容量参数;
将所述配电网分布式风电及储能优化配置模型中目标函数值作为所述初始种群的适应度,计算每个蝗虫的适应度值,更新最优蝗虫位置;
当更新次数达到预设的迭代次数,采用熵权-TOPSIS法,对多目标解集进行权重分配,得到配电网分布式风电及储能优化配置方案。
8.如权利要求1所述的配电网分布式风电及储能优化配置方法,其特征在于,所述得到配电网分布式风电及储能优化配置方案之后,还包括:
根据所述配电网分布式风电及储能优化配置方案,控制所述配电网。
9.一种配电网分布式风电及储能优化配置系统,其特征在于,所述系统包括:
原始场景生成模块,用于获取配电网的历史数据,对所述历史数据进行风电机组输出功率和负荷的不确定性模拟,通过蒙特卡罗抽样法生成风、负荷的原始场景;
典型运行场景生成模块,用于通过DBSCAN对所述原始场景进行缩减,得到典型运行场景;
模型构建模块,用于结合所述典型运行场景,根据预设的电压稳定指标、总投成本指标和电流裕度指标,构建配电网分布式风电及储能优化配置模型,并确定约束条件;
优化求解模块,用于使用蝗虫优化算法和熵权-TOPSIS法,求解所述配电网分布式风电及储能优化配置模型,得到配电网分布式风电及储能优化配置方案。
10.如权利要求9所述的配电网分布式风电及储能优化配置系统,其特征在于,所述原始场景生成模块,具体包括:
根据所述历史数据,拟合风速和负荷每小时的概率密度函数参数;
通过基于非结构网格的蒙特卡罗重要性抽样法,对拟合后参数抽样产生符合风、负荷随机变量概率分布的原始场景。
11.如权利要求9所述的配电网分布式风电及储能优化配置系统,其特征在于,所述模型构建模块,具体包括:
数据提取子模块,用于从所述典型运行场景中获取配电网各支路的电气数据;
指标选取子模块,用于根据所述各支路的电气数据中电阻和电抗、各支路中首末节点的有功功率、无功功率、电压幅值,计算配电网支路电压最大值作为电压稳定指标;计算风电、储能前期投资建设成本、运维成本、网络损耗成本、上级电网购电成本之和减去储能电池低储高发带来的收益作为总投成本指标;根据所述各支路的电气数据中各支路的电流与能承受的最大电流,计算配电网系统电流裕度作为电流裕度指标;
目标函数构建子模块,用于将加权计算所述电压稳定指标的最小值、所述总投成本指标的最小值和所述电流裕度指标的最大值作为所述配电网分布式风电及储能优化配置模型的目标函数。
12.如权利要求9所述的配电网分布式风电及储能优化配置系统,其特征在于,所述优化求解模块,具体包括:
蝗虫优化子模块,用于初始化所述蝗虫优化算法的初始种群,分别得到风电和储能的初始位置容量参数;将所述配电网分布式风电及储能优化配置模型中目标函数值作为所述初始种群的适应度,计算每个蝗虫的适应度值,更新最优蝗虫位置;
熵权-TOPSIS子模块,用于当更新次数达到预设的迭代次数,采用熵权-TOPSIS法,对多目标解集进行权重分配,得到配电网分布式风电及储能优化配置方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310968604.4A CN116995740A (zh) | 2023-08-02 | 2023-08-02 | 一种配电网分布式风电及储能优化配置方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310968604.4A CN116995740A (zh) | 2023-08-02 | 2023-08-02 | 一种配电网分布式风电及储能优化配置方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116995740A true CN116995740A (zh) | 2023-11-03 |
Family
ID=88522846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310968604.4A Pending CN116995740A (zh) | 2023-08-02 | 2023-08-02 | 一种配电网分布式风电及储能优化配置方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116995740A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910828A (zh) * | 2024-01-19 | 2024-04-19 | 国网宁夏电力有限公司经济技术研究院 | 一种配电网规划决策方法和系统 |
-
2023
- 2023-08-02 CN CN202310968604.4A patent/CN116995740A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910828A (zh) * | 2024-01-19 | 2024-04-19 | 国网宁夏电力有限公司经济技术研究院 | 一种配电网规划决策方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vlachogiannis | Probabilistic constrained load flow considering integration of wind power generation and electric vehicles | |
Yuan et al. | Optimal operation strategy of energy storage unit in wind power integration based on stochastic programming | |
CN113572163B (zh) | 基于改进仿射算法的分布式电源主动配电网优化调度方法 | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
CN109818369B (zh) | 一种计及出力模糊随机性的分布式电源规划方法 | |
CN112736926A (zh) | 一种分布式新能源接入配电网区间仿射潮流动态优化方法 | |
CN113988384A (zh) | 一种提高配电网可靠性的储能容量优化配置方法 | |
CN110460038A (zh) | 一种涉及新能源并网的多场景输电网扩展规划方法 | |
CN112561273B (zh) | 一种基于改进pso的主动配电网可再生dg规划方法 | |
CN114243791A (zh) | 风光氢蓄系统的多目标优化配置方法、系统及存储介质 | |
CN112785027A (zh) | 风光储联合发电系统置信容量评估方法及系统 | |
CN116995740A (zh) | 一种配电网分布式风电及储能优化配置方法和系统 | |
CN115526401A (zh) | 一种基于数字孪生的新型电力系统电源最优规划方法 | |
CN115640963A (zh) | 一种考虑投资运营模式的海上风电接入系统鲁棒规划方法 | |
CN115496273A (zh) | 一种可再生能源集群分布鲁棒优化配置方法及系统 | |
CN115510677A (zh) | 一种风电场发电能力评估方法及系统 | |
CN115114854A (zh) | 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统 | |
CN110852495A (zh) | 一种分布式储能电站选址方法 | |
CN111293687B (zh) | 一种基于三维粒子群算法的分布式电源选址定容的方法 | |
CN104993503A (zh) | 一种孤岛微电网频率控制方法 | |
CN112713621A (zh) | 一种交直流混合系统的多目标优化配置方法和系统 | |
CN114268124B (zh) | 一种基于等供电可靠性的分布式电源可信容量评估方法 | |
CN113361805B (zh) | 一种配电网规划方法及系统 | |
CN114825348A (zh) | 一种计及风光不确定性的配电网双层优化调度方法 | |
CN114722615A (zh) | 一种基于生产运营模拟的储能容量优化配置方法 |
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 |