CN117254532B - 一种分布式光伏接入配电网的集群调控方法和系统 - Google Patents
一种分布式光伏接入配电网的集群调控方法和系统 Download PDFInfo
- Publication number
- CN117254532B CN117254532B CN202311499035.XA CN202311499035A CN117254532B CN 117254532 B CN117254532 B CN 117254532B CN 202311499035 A CN202311499035 A CN 202311499035A CN 117254532 B CN117254532 B CN 117254532B
- Authority
- CN
- China
- Prior art keywords
- regulation
- day
- cluster
- representing
- voltage
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000005457 optimization Methods 0.000 claims abstract description 145
- 230000004044 response Effects 0.000 claims abstract description 10
- 230000035945 sensitivity Effects 0.000 claims description 87
- 239000000243 solution Substances 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 40
- 239000002245 particle Substances 0.000 claims description 22
- 238000010248 power generation Methods 0.000 claims description 22
- 238000002347 injection Methods 0.000 claims description 11
- 239000007924 injection Substances 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005056 compaction Methods 0.000 claims 1
- 230000005611 electricity Effects 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 abstract description 14
- 230000006870 function Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 8
- 238000012797 qualification Methods 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research 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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种分布式光伏接入配电网的集群调控方法和系统,涉及配电网调控技术领域,响应于接收到的调控请求,确定调控请求对应的配电网台区,构建日前全局调控模型,将获取的接入配电网台区的各分布式光伏的日前数据输入日前全局调控模型进行迭代求解,输出日前最优调度方案,构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过日内集群优化模型进行迭代求解,输出日内最优调度方案,采用日前最优调度方案和日内最优调度方案对配电网台区进行优化调度;解决了传统的分布式配电网只能进行单独调控,并不能对分布式电源间的协调控制,无法满足分布式配电网安全运行的需求的技术问题。
Description
技术领域
本发明涉及配电网调控技术领域,尤其涉及一种分布式光伏接入配电网的集群调控方法和系统。
背景技术
分布式光伏电站通常是指利用分散式资源,装机规模较小的、布置在用户附近的发电系统。与并入输电网、高压配电网的大型光伏电站不同,分布式光伏由单个或少量光伏发电单元以靠近负荷、容量小、数量多等特点灵活分散接入中低压配电网。
目前,针对分布式电源大规模接入配电网带来的风险和其数量多、分布广给调控带来的挑战,集群调控模式是目前研究热点之一,由于配电网存在的拓扑不明、参数缺失、量测不全等问题,当出现电压越限时,传统的分布式配电网只能进行单独调控,并不能对分布式电源间的协调控制,无法满足分布式配电网安全运行的需求。
发明内容
本发明提供了一种分布式光伏接入配电网的集群调控方法和系统,解决了传统的分布式配电网只能进行单独调控,并不能对分布式电源间的协调控制,无法满足分布式配电网安全运行的需求的技术问题。
本发明第一方面提供的一种分布式光伏接入配电网的集群调控方法,包括:
响应于接收到的调控请求,确定所述调控请求对应的配电网台区;
构建日前全局调控模型,将获取的接入所述配电网台区的各分布式光伏的日前数据输入所述日前全局调控模型进行迭代求解,输出日前最优调度方案;
构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过所述日内集群优化模型进行迭代求解,输出日内最优调度方案;
采用所述日前最优调度方案和所述日内最优调度方案对所述配电网台区进行优化调度。
可选地,所述构建日前全局调控模型,将获取的接入所述配电网台区的各分布式光伏的日前数据输入所述日前全局调控模型进行迭代求解,输出日前最优调度方案的步骤,包括:
以最小网损和成本为优化目标建立日前全局调控模型;
按照预设时间尺度采集光伏发电PV日前预测数据和负荷日前预测数据;
其中,所述光伏发电PV日前预测数据包括PV有功功率和PV无功功率,所述负荷日前预测数据包括负荷有功功率和负荷无功功率;
通过线变关系感知方法进行拓扑辨识,建立中压潮流感知模型;
通过所述日前全局调控模型基于所述光伏发电PV日前预测数据和所述负荷日前预测数据采用粒子群算法进行迭代求解,得到各分布式光伏PV的日前有功调控量和日前无功调控量;
将所述日前有功调控量和所述日前无功调控量作为日前最优调度方案。
可选地,所述日前全局调控模型具体为:
;
式中,表示所述日前全局调控模型的目标函数,/>表示所述日前全局调控模型的权重系数,/>表示t时刻节点i所在支路的总电阻,/>表示t时刻节点i支路的有功功率,/>表示t时刻节点i支路的无功功率,/>表示t时刻节点i支路的电压,/>表示所述日前全局调控模型的权重系数,/>表示t时刻的调控成本;
所述日前全局调控模型的约束条件包括功率平衡约束和运行安全约束;
所述功率平衡约束为:
;
;
式中,表示节点i处的所述PV有功功率,/>表示节点i处的所述负荷有功功率,/>表示节点i处的所述PV无功功率,/>表示节点i处的所述负荷无功功率,/>表示节点i处电压,/>表示节点j处电压,/>表示n条支路,/>表示节点导纳矩阵的相应元素,表示节点导纳矩阵的相应元素,/>表示节点i和j之间的电压相角差;
所述运行安全约束为:
;
式中,表示节点i的电压下限值,/>表示节点i的电压实时量测值,/>表示节点i的电压上限值,/>表示支路ij的电流实时量测值,/>表示支路ij的电流允许最大值。
可选地,所述构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过所述日内集群优化模型进行迭代求解,输出日内最优调度方案的步骤,包括:
构建日内集群优化模型;
获取所述配电网台区的主导节点的电压越限数据;
采用所述电压越限数据进行潮流计算,得到主导节点电压;
若所述主导节点电压越限,则通过所述中压潮流感知模型输出日内电压灵敏度;
采用所述日内电压灵敏度输入所述日内集群优化模型进行求解,得到各分布式光伏的日内最优调度方案。
可选地,所述日内集群优化模型包括目标优化模型、集群内优化模型和台区实时自治模型,所述采用所述日内电压灵敏度输入所述日内集群优化模型进行求解,得到各分布式光伏的日内最优调度方案的步骤,包括:
通过所述目标优化模型基于所述日内电压灵敏度采用粒子群算法进行迭代求解,得到集群总调控量和台区总调控量;
其中,所述集群总调控量包括集群有功总调控量和集群无功总调控量,所述台区总调控量包括台区有功总调控量和台区无功总调控量;
从分布式光伏集群内选取电压波动处于阈值范围内的pv节点作为pv关键节点,并基于所述集群总调控量通过所述集群内优化模型进行求解,得到各个分布式光伏的集群有功调控量和集群无功调控量;
构建台区实时自治模型,从所述配电网台区内选取电压波动处于阈值范围内的台区节点作为台区关键节点,并基于所述台区总调控量通过所述台区实时自治模型进行求解,得到台区有功调控量和台区无功调控量;
将所述集群有功调控量和集群无功调控量、台区有功调控量和台区无功调控量作为日内最优调度方案。
可选地,所述目标优化模型具体为:
;
式中,表示所述目标优化模型的集群目标函数,/>表示所述目标优化模型的集群权重系数,/>表示集群i的所述集群有功总调控量,/>表示所述目标优化模型的集群权重系数,/>表示所述主导节点电压,/>表示集群总无功对电压灵敏度,/>表示集群i的所述集群无功总调控量,/>表示电压参考值,/>表示取绝对值;
;
式中,表示所述目标优化模型的台区目标函数,/>表示所述目标优化模型的台区权重系数,/>表示台区i的所述台区有功总调控量,/>表示所述目标优化模型的台区权重系数,/>表示台区i的所述台区无功总调控量。
可选地,所述从分布式光伏集群内选取电压波动处于阈值范围内的pv节点作为pv关键节点,并基于所述集群总调控量通过所述集群内优化模型进行求解,得到各个分布式光伏的集群有功调控量和集群无功调控量的步骤,包括:
从分布式光伏集群内选取电压波动处于阈值范围内的pv节点作为pv关键节点;
获取所述pv关键节点的pv电压值;
基于粒子群算法,采用所述集群总调控量、所述pv电压值和所述日内电压灵敏度输入所述集群内优化模型进行求解,得到各个分布式光伏的集群有功调控量和集群无功调控量;
其中,所述日内电压灵敏度包括集群有功灵敏度和集群无功灵敏度;
所述集群内优化模型具体为:
;
;
式中,表示所述集群内优化模型的目标函数,/>表示集群内PV数目,/>表示所述关键节点j的电压,/>表示分布式光伏i对关键节点j的所述集群有功灵敏度,/>表示节点i处有功,/>表示分布式光伏i的所述集群有功调控量,/>表示分布式光伏i的所述集群无功调控量,/>表示分布式光伏i对关键节点j的所述集群无功灵敏度。
可选地,所述构建台区实时自治模型,从所述配电网台区内选取电压波动处于阈值范围内的台区节点作为台区关键节点,并基于所述台区总调控量通过所述台区实时自治模型进行求解,得到台区有功调控量和台区无功调控量的步骤,包括:
以最小功率调节量为优化目标建立台区实时自治模型;
从台区内选取电压波动处于阈值范围内的台区节点作为台区关键节点;
实时检测关键节点的实时电压,若所述实时电压越限,则获取所述关键节点的实时注入功率量;
采用所述实时注入功率量输入预设电压灵敏度感知模型,得到台区灵敏度;
其中,所述台区灵敏度包括台区有功灵敏度和台区有无功灵敏度;
所述预设电压灵敏度感知模型具体为:
;
;
式中,表示ij节点间电压调节量;
基于粒子群算法,采用所述台区灵敏度、所述台区总调控量和所述实时电压输入所述台区实时自治模型进行求解,得到台区有功调控量和台区无功调控量。
可选地,所述台区实时自治模型具体为:
;
式中,表示所述台区实时自治模型的目标函数,/>表示所述台区有功调控量的权重系数,/>表示所述台区无功调控量的权重系数,/>表示所述配电网台区内户用光伏数量;
所述台区实时自治模型的节点电压安全约束为:
;
式中,表示所述配电网台区电压安全范围下限,/>表示所述配电网台区电压安全范围上限,/>表示所述关键节点j在t时刻的所述实时电压,/>表示节点i对关键节点j在t时刻的所述台区有功灵敏度,/>表示节点i对关键节点j在t时刻的所述台区无功灵敏度;
所述台区实时自治模型的光伏调节量约束为:
;
式中,表示所述配电网台区户用光伏i的有功可调节上限,/>表示所述配电网台区户用光伏i的无功可调节下限,/>表示所述配电网台区户用光伏i的无功可调节上限。
本发明第二方面提供的一种分布式光伏接入配电网的集群调控系统,包括:
响应模块,用于响应于接收到的调控请求,确定所述调控请求对应的配电网台区;
日前全局调控模型构建模块,用于构建日前全局调控模型,将获取的接入所述配电网台区的各分布式光伏的日前数据输入所述日前全局调控模型进行迭代求解,输出日前最优调度方案;
日内集群优化模型构建模块,用于构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过所述日内集群优化模型进行迭代求解,输出日内最优调度方案;
优化调度模块,用于采用所述日前最优调度方案和所述日内最优调度方案对所述配电网台区进行优化调度。
从以上技术方案可以看出,本发明具有以下优点:
在本发明中,响应于接收到的调控请求,确定调控请求对应的配电网台区,构建日前全局调控模型,将获取的接入配电网台区的各分布式光伏的日前数据输入日前全局调控模型进行迭代求解,输出日前最优调度方案,构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过日内集群优化模型进行迭代求解,输出日内最优调度方案,采用日前最优调度方案和日内最优调度方案对配电网台区进行优化调度;解决了传统的分布式配电网只能进行单独调控,并不能对分布式电源间的协调控制,无法满足分布式配电网安全运行的需求的技术问题;实现了日前全局调控在保证电压在安全范围内的前提下降低了网损,提高了配网运行经济性;在日内出现电压波动时,日内集群调控保证了中低压配电网安全运行;在台区内部实时出现电压波动时,台区实时自治保证台区局部安全运行;同时,相比于以单个PV为调控对象的全局调控,集群调控降低了调控维度,减少了调控压力;相比于PV的单独本地控制,集群调控实现各个PV的集中协调控制,优化效果更优。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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。
图1为本发明实施例一提供的一种分布式光伏接入配电网的集群调控方法的步骤流程图;
图2为本发明实施例二提供的一种分布式光伏接入配电网的集群调控方法的步骤流程图;
图3为本发明实施例三提供的一种分布式光伏接入配电网的集群调控系统的结构框图。
具体实施方式
本发明实施例提供了一种分布式光伏接入配电网的集群调控方法和系统,用于解决传统的分布式配电网只能进行单独调控,并不能对分布式电源间的协调控制,无法满足分布式配电网安全运行的需求的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例一提供的一种分布式光伏接入配电网的集群调控方法的步骤流程图。
本发明提供的一种分布式光伏接入配电网的集群调控方法,包括:
步骤101、响应于接收到的调控请求,确定调控请求对应的配电网台区。
调控请求,指的是针对配电网台区进行调控的请求信息。
在本发明实施例中,响应于接收到的针对配电网台区进行调控的请求信息,解析请求,确定调控请求对应的配电网台区。
步骤102、构建日前全局调控模型,将获取的接入配电网台区的各分布式光伏的日前数据输入日前全局调控模型进行迭代求解,输出日前最优调度方案。
日前全局调控模型,指的是用于输出日前最优调度方案的调控模型。
日前数据,指的是用于输入日前全局调控模型的配电网台区的各分布式光伏的光伏发电PV日前预测数据、负荷日前预测数据和光伏可调控容量信息,其中,光伏可调控容量信息指的是光伏发电有功功率和光伏发电无功功率。
在本发明实施例中,构建日前全局调控模型,将获取的接入配电网台区的各分布式光伏的光伏发电PV日前预测数据、负荷日前预测数据和光伏可调控容量信息输入日前全局调控模型进行迭代求解,输出日前最优调度方案。
步骤103、构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过日内集群优化模型进行迭代求解,输出日内最优调度方案。
日内集群优化模型,指的是用于输出日内最优调度方案的优化模型。
主导节点,指的是选择配电网台区内电压越限值最大的节点作为配电网台区的主导节点。
电压越限数据,指的是超短期PV数据、负荷预测数据和历史的光伏发电数据。值得一提的是,超短期指的是在非常短的时间范围内(几分钟到几小时)对PV发电量和电网电力需求(负荷)进行预测的数据。
在本发明实施例中,构建日内集群优化模型,基于获取的主导节点的电压越限数据进行潮流计算,得到主导节点电压,若主导节点电压越限,则通过日内集群优化模型进行迭代求解,输出日内最优调度方案。
步骤104、采用日前最优调度方案和日内最优调度方案对配电网台区进行优化调度。
在本发明实施例中,采用日前最优调度方案和日内最优调度方案对配电网台区进行优化调度。
在本发明中,响应于接收到的调控请求,确定调控请求对应的配电网台区,构建日前全局调控模型,将获取的接入配电网台区的各分布式光伏的日前数据输入日前全局调控模型进行迭代求解,输出日前最优调度方案,构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过日内集群优化模型进行迭代求解,输出日内最优调度方案,采用日前最优调度方案和日内最优调度方案对配电网台区进行优化调度;解决了传统的分布式配电网只能进行单独调控,并不能对分布式电源间的协调控制,无法满足分布式配电网安全运行的需求的技术问题;实现了日前全局调控在保证电压在安全范围内的前提下降低了网损,提高了配网运行经济性;在日内出现电压波动时,日内集群调控保证了中低压配电网安全运行;在台区内部实时出现电压波动时,台区实时自治保证台区局部安全运行;同时,相比于以单个PV为调控对象的全局调控,集群调控降低了调控维度,减少了调控压力;相比于PV的单独本地控制,集群调控实现各个PV的集中协调控制,优化效果更优。
请参阅图2,图2为本发明实施例二提供的一种分布式光伏接入配电网的集群调控方法的步骤流程图。
本发明提供的一种分布式光伏接入配电网的集群调控方法,包括:
步骤201、响应于接收到的调控请求,确定调控请求对应的配电网台区。
在本发明实施例中,步骤201的具体实施过程与步骤101类似,在此不再赘述。
步骤202、以最小网损和成本为优化目标建立日前全局调控模型。
进一步地,日前全局调控模型具体为:
;
式中,表示日前全局调控模型的目标函数,/>表示日前全局调控模型的权重系数,/>表示t时刻节点i所在支路的总电阻,/>表示t时刻节点i支路的有功功率,/>表示t时刻节点i支路的无功功率,/>表示t时刻节点i支路的电压,/>表示日前全局调控模型的权重系数,/>表示t时刻的调控成本;
日前全局调控模型的约束条件包括功率平衡约束和运行安全约束;
功率平衡约束为:
;
;
式中,表示节点i处的PV有功功率,/>表示节点i处的负荷有功功率,/>表示节点i处的PV无功功率,/>表示节点i处的负荷无功功率,/>表示节点i处电压,/>表示节点j处电压,/>表示n条支路,/>表示节点导纳矩阵的相应元素,/>表示节点导纳矩阵的相应元素,/>表示节点i和j之间的电压相角差;
运行安全约束为:
;
式中,表示节点i的电压下限值,/>表示节点i的电压实时量测值,/>表示节点i的电压上限值,/>表示支路ij的电流实时量测值,/>表示支路ij的电流允许最大值。
在本发明实施例中,以最小网损和成本为优化目标建立日前全局调控模型。
步骤203、按照预设时间尺度采集光伏发电PV日前预测数据和负荷日前预测数据。
在本发明实施例中,预设时间尺度根据需求而设置,在此不做限定,本发明中采用15min为例,以15min为时间尺度,在t时刻输入PV有功功率、负荷有功功率/>、PV无功功率/>、负荷无功功率/>和光伏可调控容量信息,作为后续计算的参数。
步骤204、通过线变关系感知方法进行拓扑辨识,建立中压潮流感知模型。
在本发明实施例中,通过线变关系来监测线路和变压器的状态来感知线路的拓扑结构和线路连接关系,定义节点、线路和变压器的参数,同时将感知到的拓扑信息和潮流计算相结合,得到各个节点的电压和功率信息建立中压潮流感知模型。中压潮流感知模型仅仅用于输出各个节点电压和功率信息的感知模型。
步骤205、通过日前全局调控模型基于光伏发电PV日前预测数据和负荷日前预测数据采用粒子群算法进行迭代求解,得到各分布式光伏PV的日前有功调控量和日前无功调控量。
在本发明实施例中,通过日前全局调控模型基于光伏发电PV日前预测数据和负荷日前预测数据采用粒子群算法进行迭代求解,得到各分布式光伏PV的日前有功调控量和日前无功调控量。
步骤206、将日前有功调控量和日前无功调控量作为日前最优调度方案。
在本发明实施例中,将日前有功调控量和日前无功调控量作为日前最优调度方案。
步骤207、构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过日内集群优化模型进行迭代求解,输出日内最优调度方案。
进一步地,步骤207可以包括以下子步骤:
S11、构建日内集群优化模型。
在本发明实施例中,日内集群优化模型由目标优化模型、集群内优化模型和台区实时自治模型组成。
S12、获取配电网台区的主导节点的电压越限数据。
在本发明实施例中,选择配电网台区内电压越限值最大的节点作为配电网台区的主导节点,获取配电网台区的主导节点的电压越限数据。
S13、采用电压越限数据进行潮流计算,得到主导节点电压。
在本发明实施例中,电压越限数据包括超短期PV数据、负荷预测数据和历史的光伏发电数据。值得一提的是,超短期指的是在非常短的时间范围内(几分钟到几小时)对PV发电量和电网电力需求(负荷)进行预测的数据。通过收集到的大量数据,电力需求数据等使用机器学习方法来对数据训练以建立预测模型,再通过采用电压越限数据输入模型对实时数据进行预测,并通过潮流计算得到主导节点电压。
S14、若主导节点电压越限,则通过中压潮流感知模型输出日内电压灵敏度。
主导节点电压越限,指的是主导节点电压超过标准的+7%或低于-7%则电压越限。
在本发明实施例中,若主导节点电压越限,则启动集群优化,通过中压潮流感知模型输出日内电压灵敏度。
值得一提的是,通过线变关系感知方法得到中压潮流感知模型,通过潮流计算,通过牛拉法得到每个节点的电压幅值和相角,进而得到电压值,选择主导节点,通过增加或减少节点的有功或无功负荷来实现电压扰动,同时扰动需满足在系统正常工作范围内,通过扰动前后的潮流结果差异,通过前后电压差值/有功无功扰动量得到日内电压灵敏度,扰动量是设定的增加或减少的无功或者有功值来实现电压的扰动。
S15、采用日内电压灵敏度输入日内集群优化模型进行求解,得到各分布式光伏的日内最优调度方案。
进一步地,日内集群优化模型包括目标优化模型、集群内优化模型和台区实时自治模型,S15可以包括以下子步骤:
S151、通过目标优化模型基于日内电压灵敏度采用粒子群算法进行迭代求解,得到集群总调控量和台区总调控量;
其中,集群总调控量包括集群有功总调控量和集群无功总调控量,台区总调控量包括台区有功总调控量和台区无功总调控量。
进一步地,目标优化模型具体为:
;
式中,表示目标优化模型的集群目标函数,/>表示目标优化模型的集群权重系数,/>表示集群i的集群有功总调控量,/>表示目标优化模型的集群权重系数,表示主导节点电压,/>表示集群总无功对电压灵敏度,/>表示集群i的集群无功总调控量,/>表示电压参考值,/>表示取绝对值;
;
式中,表示目标优化模型的台区目标函数,/>表示目标优化模型的台区权重系数,/>表示台区i的台区有功总调控量,/>表示目标优化模型的台区权重系数,表示台区i的台区无功总调控量。
在本发明实施例中,通过目标优化模型基于日内电压灵敏度采用粒子群算法进行迭代求解,得到集群总调控量和台区总调控量,此处为常规的粒子群算法迭代求解,在此不在赘述。
S152、从分布式光伏集群内选取电压波动处于阈值范围内的pv节点作为pv关键节点,并基于集群总调控量通过集群内优化模型进行求解,得到各个分布式光伏的集群有功调控量和集群无功调控量。
进一步地,S152可以包括以下子步骤:
S1521、从分布式光伏集群内选取电压波动处于阈值范围内的pv节点作为pv关键节点。
在本发明实施例中,在集群内调控量分配时,选取电压波动处于阈值范围内的pv节点作为pv关键节点。
S1522、获取pv关键节点的pv电压值。
在本发明实施例中,获取pv关键节点的pv电压值。
S1523、基于粒子群算法,采用集群总调控量、pv电压值和日内电压灵敏度输入集群内优化模型进行求解,得到各个分布式光伏的集群有功调控量和集群无功调控量;
其中,日内电压灵敏度包括集群有功灵敏度和集群无功灵敏度;
集群内优化模型具体为:
;
;
式中,表示集群内优化模型的目标函数,/>表示集群内PV数目,/>表示关键节点j的电压,/>表示分布式光伏i对关键节点j的集群有功灵敏度,/>表示节点i处有功,/>表示分布式光伏i的集群有功调控量,/>表示分布式光伏i的集群无功调控量,/>表示分布式光伏i对关键节点j的集群无功灵敏度。
在本发明实施例中,基于粒子群算法,采用集群总调控量、pv电压值和日内电压灵敏度输入集群内优化模型进行求解,得到各个分布式光伏的集群有功调控量和集群无功调控量。此处为常规的粒子群算法迭代求解,在此不在赘述。
S153、构建台区实时自治模型,从配电网台区内选取电压波动处于阈值范围内的台区节点作为台区关键节点,并基于台区总调控量通过台区实时自治模型进行求解,得到台区有功调控量和台区无功调控量。
进一步地,S153可以包括以下子步骤:
S1531、以最小功率调节量为优化目标建立台区实时自治模型。
进一步地,台区实时自治模型具体为:
;
式中,表示台区实时自治模型的目标函数,/>表示台区有功调控量的权重系数,/>表示台区无功调控量的权重系数,/>表示配电网台区内户用光伏数量;
台区实时自治模型的节点电压安全约束为:
;
式中,表示配电网台区电压安全范围下限,/>表示配电网台区电压安全范围上限,/>表示关键节点j在t时刻的实时电压,/>表示节点i对关键节点j在t时刻的台区有功灵敏度,/>表示节点i对关键节点j在t时刻的台区无功灵敏度;
台区实时自治模型的光伏调节量约束为:
;
式中,表示配电网台区户用光伏i的有功可调节上限,/>表示配电网台区户用光伏i的无功可调节下限,/>表示配电网台区户用光伏i的无功可调节上限。
在本发明实施例中,以最小功率调节量为优化目标建立台区实时自治模型。
S1532、从台区内选取电压波动处于阈值范围内的台区节点作为台区关键节点。
在本发明实施例中,从台区内选取电压波动处于阈值范围内的台区节点作为台区关键节点。
S1533、实时检测关键节点的实时电压,若实时电压越限,则获取关键节点的实时注入功率量。
在本发明实施例中,实时检测关键节点的实时电压,若实时电压越限,则获取关键节点的实时注入功率量。
值得一提的是,电压越限指的是实时电压超过标准的+7%或低于-7%则电压越限。
S1534、采用实时注入功率量输入预设电压灵敏度感知模型,得到台区灵敏度;
其中,台区灵敏度包括台区有功灵敏度和台区有无功灵敏度;
预设电压灵敏度感知模型具体为:
;
;
式中,表示ij节点间电压调节量;
基于粒子群算法,采用台区灵敏度、台区总调控量和实时电压输入台区实时自治模型进行求解,得到台区有功调控量和台区无功调控量。
在本发明实施例中,采用实时注入功率量输入预设电压灵敏度感知模型,得到台区灵敏度。
S154、将集群有功调控量和集群无功调控量、台区有功调控量和台区无功调控量作为日内最优调度方案。
在本发明实施例中,将集群有功调控量和集群无功调控量、台区有功调控量和台区无功调控量作为日内最优调度方案。
步骤208、采用日前最优调度方案和日内最优调度方案对配电网台区进行优化调度。
在本发明实施例中,采用日前最优调度方案和日内最优调度方案对配电网台区进行优化调度。
具体的对该方法分析的实施例:
日前全局调控效果
在8:00~17:00光伏出力较大时段,通过粒子群算法求解本文所提日前全局调控模型,得到优化前后各个参数对比如表所示:
优化前一天配网总网损为268.93kW·h,优化后一天配网总网损为223.40kW·h,一天内共减少网损45.53kW·h,降低了16.93%。可以看出通过日前全局调控,减少了网络损耗。
优化前电压合格率为96.70%,最高电压1.0710p.u,优化后合格率为99.98%,最高电压为1.0513p.u。可以看出日前全局调控策略保证了馈线电压在合格范围内。
以12:00为例,由于无功可调控容量充足,各个PV有功削减量均为零,无功调节量如表所示:
由以上数据可知,通过日前全局经济调控,在保证电压在合格的前提下降低了网络损耗。
日内集群优化效果:
考虑PV出力的随机性,受外界环境的影响,考虑日前PV出力预测与日内超短期出力预测差距较大场景,日前预测PV最大出力为153.70kW,日内PV最大出力为197.91kW。此时存在电压越限风险,采用以下两种调控方法进行对比:
方案一:日前全局调控+PV本地控制。当主导节点电压越限时,采用本地控制:各个PV根据并网点电压状态,基于电压灵敏度进行本地无功-电压控制,若电压不越限,则按日前调度计划。
方案二:日前全局调控+日内集群优化。
不同策略的优化结果如表所示:
通过表可以看出,未优化前电压合格率为90.79%,最高电压达到1.0917p.u,采用日前全局调控原策略的电压合格率为96.29%,最高电压仍有1.0719p.u,可以看出由于光伏出力出现了较大的随机波动,此时日前全局调控的调度计划已无法保证电压在安全范围内,网损降低了16.39%。
采用方案一优化后电压合格率为99.53%,最高电压为1.0532p.u,部分节点在光伏出力较大时段仍然存在电压越限问题;采用方案二优化后节点电压全部合格,最高电压为1.0355p.u。这是由于,PV本地控制只能根据并网点电压进行单独调控,无法实现分布式电源间的协调控制,并网点PV无功调节能力不足时无法通过其他电源进行调控,调节能力有限。集群优化相比于优化前网损增加了37.33%,这是由于为了降低电压,PV充当负荷,消耗感性无功,导致网损增加。
区实时自治效果:
在9:30~9:45时段,假设受PV随机性影响,62号台区内节点电压发生波动,配变关口电压为1.028p.u,在该时间段面下,优化前电压合格率为69.70%,根据集群优化指令调节后电压合格率为81.82%,台区实时自治后电压合格率为100%,其最高电压分别为1.055p.u,1.0519p.u,1.031p.u。由于PV出力出现了随机波动,根据日内预测制定的集群优化调度计划不再适用,此时台区内根据自治控制实现台区安全运行。
本发明中的日前全局调控在保证电压在安全范围内的前提下降低了网损,提高了配网运行经济性;在日内出现电压波动时,日内集群调控保证了中低压配电网安全运行;在台区内部实时出现电压波动时,台区实时自治保证台区局部安全运行。相比于以单个PV为调控对象的全局调控,集群调控降低了调控维度,减少了调控压力;相比于PV的单独本地控制,集群调控实现各个PV的集中协调控制,优化效果更优。
在本发明中,响应于接收到的调控请求,确定调控请求对应的配电网台区,构建日前全局调控模型,将获取的接入配电网台区的各分布式光伏的日前数据输入日前全局调控模型进行迭代求解,输出日前最优调度方案,构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过日内集群优化模型进行迭代求解,输出日内最优调度方案,采用日前最优调度方案和日内最优调度方案对配电网台区进行优化调度;解决了传统的分布式配电网只能进行单独调控,并不能对分布式电源间的协调控制,无法满足分布式配电网安全运行的需求的技术问题;实现了日前全局调控在保证电压在安全范围内的前提下降低了网损,提高了配网运行经济性;在日内出现电压波动时,日内集群调控保证了中低压配电网安全运行;在台区内部实时出现电压波动时,台区实时自治保证台区局部安全运行;同时,相比于以单个PV为调控对象的全局调控,集群调控降低了调控维度,减少了调控压力;相比于PV的单独本地控制,集群调控实现各个PV的集中协调控制,优化效果更优。
请参阅图3,图3为本发明实施例三提供的一种分布式光伏接入配电网的集群调控系统的结构框图。
本发明提供的一种分布式光伏接入配电网的集群调控系统,包括:
响应模块301,用于响应于接收到的调控请求,确定调控请求对应的配电网台区;
日前全局调控模型构建模块302,用于构建日前全局调控模型,将获取的接入配电网台区的各分布式光伏的日前数据输入日前全局调控模型进行迭代求解,输出日前最优调度方案;
日内集群优化模型构建模块303,用于构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过日内集群优化模型进行迭代求解,输出日内最优调度方案;
优化调度模块304,用于采用日前最优调度方案和日内最优调度方案对配电网台区进行优化调度。
进一步地,日前全局调控模型构建模块302包括:
日前优化构建子模块,用于以最小网损和成本为优化目标建立日前全局调控模型;
数据采集子模块,用于按照预设时间尺度采集光伏发电PV日前预测数据和负荷日前预测数据;
其中,光伏发电PV日前预测数据包括PV有功功率和PV无功功率,负荷日前预测数据包括负荷有功功率和负荷无功功率;
拓扑辨识子模块,用于通过线变关系感知方法进行拓扑辨识,建立中压潮流感知模型;
日前调控量子模块,用于通过日前全局调控模型基于光伏发电PV日前预测数据和负荷日前预测数据采用粒子群算法进行迭代求解,得到各分布式光伏PV的日前有功调控量和日前无功调控量;
日前最优调度方案子模块,用于将日前有功调控量和日前无功调控量作为日前最优调度方案。
进一步地,日前全局调控模型具体为:
;
式中,表示日前全局调控模型的目标函数,/>表示日前全局调控模型的权重系数,/>表示t时刻节点i所在支路的总电阻,/>表示t时刻节点i支路的有功功率,/>表示t时刻节点i支路的无功功率,/>表示t时刻节点i支路的电压,/>表示日前全局调控模型的权重系数,/>表示t时刻的调控成本;
日前全局调控模型的约束条件包括功率平衡约束和运行安全约束;
功率平衡约束为:
;
;
式中,表示节点i处的PV有功功率,/>表示节点i处的负荷有功功率,/>表示节点i处的PV无功功率,/>表示节点i处的负荷无功功率,/>表示节点i处电压,/>表示节点j处电压,/>表示n条支路,/>表示节点导纳矩阵的相应元素,/>表示节点导纳矩阵的相应元素,/>表示节点i和j之间的电压相角差;
运行安全约束为:
;
式中,表示节点i的电压下限值,/>表示节点i的电压实时量测值,/>表示节点i的电压上限值,/>表示支路ij的电流实时量测值,/>表示支路ij的电流允许最大值。
进一步地,日内集群优化模型构建模块303包括:
日内优化构建子模块,用于构建日内集群优化模型;
电压越限数据子模块,用于获取配电网台区的主导节点的电压越限数据;
主导节点电压子模块,用于采用电压越限数据进行潮流计算,得到主导节点电压;
日内电压灵敏度子模块,用于若主导节点电压越限,则通过中压潮流感知模型输出日内电压灵敏度;
日内最优调度方案子模块,用于采用日内电压灵敏度输入日内集群优化模型进行求解,得到各分布式光伏的日内最优调度方案。
进一步地,日内集群优化模型包括目标优化模型、集群内优化模型和台区实时自治模型,日内最优调度方案子模块包括:
总调控量单元,用于通过目标优化模型基于日内电压灵敏度采用粒子群算法进行迭代求解,得到集群总调控量和台区总调控量;
其中,集群总调控量包括集群有功总调控量和集群无功总调控量,台区总调控量包括台区有功总调控量和台区无功总调控量;
集群调控量单元,用于从分布式光伏集群内选取电压波动处于阈值范围内的pv节点作为pv关键节点,并基于集群总调控量通过集群内优化模型进行求解,得到各个分布式光伏的集群有功调控量和集群无功调控量;
台区调控量单元,用于构建台区实时自治模型,从配电网台区内选取电压波动处于阈值范围内的台区节点作为台区关键节点,并基于台区总调控量通过台区实时自治模型进行求解,得到台区有功调控量和台区无功调控量;
调度方案构建单元,用于将集群有功调控量和集群无功调控量、台区有功调控量和台区无功调控量作为日内最优调度方案。
进一步地,目标优化模型具体为:
;
式中,表示目标优化模型的集群目标函数,/>表示目标优化模型的集群权重系数,/>表示集群i的集群有功总调控量,/>表示目标优化模型的集群权重系数,表示主导节点电压,/>表示集群总无功对电压灵敏度,/>表示集群i的集群无功总调控量,/>表示电压参考值,/>表示取绝对值;
;
式中,表示目标优化模型的台区目标函数,/>表示目标优化模型的台区权重系数,/>表示台区i的台区有功总调控量,/>表示目标优化模型的台区权重系数,表示台区i的台区无功总调控量。
进一步地,集群调控量单元包括:
pv关键节点子单元,用于从分布式光伏集群内选取电压波动处于阈值范围内的pv节点作为pv关键节点;
pv电压值子单元,用于获取pv关键节点的pv电压值;
集群调控量求解子单元,用于基于粒子群算法,采用集群总调控量、pv电压值和日内电压灵敏度输入集群内优化模型进行求解,得到各个分布式光伏的集群有功调控量和集群无功调控量;
其中,日内电压灵敏度包括集群有功灵敏度和集群无功灵敏度;
集群内优化模型具体为:
;/>
;
式中,表示集群内优化模型的目标函数,/>表示集群内PV数目,/>表示关键节点j的电压,/>表示分布式光伏i对关键节点j的集群有功灵敏度,/>表示节点i处有功,/>表示分布式光伏i的集群有功调控量,/>表示分布式光伏i的集群无功调控量,/>表示分布式光伏i对关键节点j的集群无功灵敏度。
进一步地,台区调控量单元包括:
台区实时自治模型子单元,用于以最小功率调节量为优化目标建立台区实时自治模型;
台区关键节点子单元,用于从台区内选取电压波动处于阈值范围内的台区节点作为台区关键节点;
实时注入功率量子单元,用于实时检测关键节点的实时电压,若实时电压越限,则获取关键节点的实时注入功率量;
台区灵敏度子单元,用于采用实时注入功率量输入预设电压灵敏度感知模型,得到台区灵敏度;
其中,台区灵敏度包括台区有功灵敏度和台区有无功灵敏度;
预设电压灵敏度感知模型具体为:
;
;
式中,表示ij节点间电压调节量;
基于粒子群算法,采用台区灵敏度、台区总调控量和实时电压输入台区实时自治模型进行求解,得到台区有功调控量和台区无功调控量。
进一步地,台区实时自治模型具体为:
;
式中,表示台区实时自治模型的目标函数,/>表示台区有功调控量的权重系数,/>表示台区无功调控量的权重系数,/>表示配电网台区内户用光伏数量;
台区实时自治模型的节点电压安全约束为:
;
式中,表示配电网台区电压安全范围下限,/>表示配电网台区电压安全范围上限,/>表示关键节点j在t时刻的实时电压,/>表示节点i对关键节点j在t时刻的台区有功灵敏度,/>表示节点i对关键节点j在t时刻的台区无功灵敏度;
台区实时自治模型的光伏调节量约束为:
;
式中,表示配电网台区户用光伏i的有功可调节上限,/>表示配电网台区户用光伏i的无功可调节下限,/>表示配电网台区户用光伏i的无功可调节上限。
在本发明中,响应于接收到的调控请求,确定调控请求对应的配电网台区,构建日前全局调控模型,将获取的接入配电网台区的各分布式光伏的日前数据输入日前全局调控模型进行迭代求解,输出日前最优调度方案,构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过日内集群优化模型进行迭代求解,输出日内最优调度方案,采用日前最优调度方案和日内最优调度方案对配电网台区进行优化调度;解决了传统的分布式配电网只能进行单独调控,并不能对分布式电源间的协调控制,无法满足分布式配电网安全运行的需求的技术问题;实现了日前全局调控在保证电压在安全范围内的前提下降低了网损,提高了配网运行经济性;在日内出现电压波动时,日内集群调控保证了中低压配电网安全运行;在台区内部实时出现电压波动时,台区实时自治保证台区局部安全运行;同时,相比于以单个PV为调控对象的全局调控,集群调控降低了调控维度,减少了调控压力;相比于PV的单独本地控制,集群调控实现各个PV的集中协调控制,优化效果更优。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种分布式光伏接入配电网的集群调控方法,其特征在于,包括:
响应于接收到的调控请求,确定所述调控请求对应的配电网台区;
构建日前全局调控模型,将获取的接入所述配电网台区的各分布式光伏的日前数据输入所述日前全局调控模型进行迭代求解,输出日前最优调度方案;
构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过所述日内集群优化模型进行迭代求解,输出日内最优调度方案;
采用所述日前最优调度方案和所述日内最优调度方案对所述配电网台区进行优化调度;
所述日内集群优化模型包括目标优化模型、集群内优化模型和台区实时自治模型,采用日内电压灵敏度输入所述日内集群优化模型进行求解,得到各分布式光伏的日内最优调度方案的步骤,包括:
通过所述目标优化模型基于所述日内电压灵敏度采用粒子群算法进行迭代求解,得到集群总调控量和台区总调控量;
其中,所述集群总调控量包括集群有功总调控量和集群无功总调控量,所述台区总调控量包括台区有功总调控量和台区无功总调控量;
从分布式光伏集群内选取电压波动处于阈值范围内的pv节点作为pv关键节点,并基于所述集群总调控量通过所述集群内优化模型进行求解,得到各个分布式光伏的集群有功调控量和集群无功调控量;
构建台区实时自治模型,从所述配电网台区内选取电压波动处于阈值范围内的台区节点作为台区关键节点,并基于所述台区总调控量通过所述台区实时自治模型进行求解,得到台区有功调控量和台区无功调控量;
将所述集群有功调控量和集群无功调控量、台区有功调控量和台区无功调控量作为日内最优调度方案;
所述目标优化模型具体为:
;
式中,表示所述目标优化模型的集群目标函数,/>表示所述目标优化模型的集群权重系数,/>表示集群i的所述集群有功总调控量,/>表示所述目标优化模型的集群权重系数,/>表示主导节点电压,/>表示集群总无功对电压灵敏度,/>表示集群i的所述集群无功总调控量,/>表示电压参考值,/>表示取绝对值,/>表示集群数量;
;
式中,表示所述目标优化模型的台区目标函数,/>表示所述目标优化模型的台区权重系数,/>表示台区i的所述台区有功总调控量,/>表示所述目标优化模型的台区权重系数,/>表示台区i的所述台区无功总调控量,/>表示台区数据;
所述从分布式光伏集群内选取电压波动处于阈值范围内的pv节点作为pv关键节点,并基于所述集群总调控量通过所述集群内优化模型进行求解,得到各个分布式光伏的集群有功调控量和集群无功调控量的步骤,包括:
从分布式光伏集群内选取电压波动处于阈值范围内的pv节点作为pv关键节点;
获取所述pv关键节点的pv电压值;
基于粒子群算法,采用所述集群总调控量、所述pv电压值和所述日内电压灵敏度输入所述集群内优化模型进行求解,得到各个分布式光伏的集群有功调控量和集群无功调控量;
其中,所述日内电压灵敏度包括集群有功灵敏度和集群无功灵敏度;
所述集群内优化模型具体为:
;
;
式中,表示所述集群内优化模型的目标函数,/>表示集群内PV数目,/>表示关键节点j的电压,/>表示分布式光伏i对关键节点j的所述集群有功灵敏度,/>表示节点i处有功,/>表示分布式光伏i的所述集群有功调控量,/>表示分布式光伏i的所述集群无功调控量,/>表示分布式光伏i对关键节点j的所述集群无功灵敏度;
所述构建台区实时自治模型,从所述配电网台区内选取电压波动处于阈值范围内的台区节点作为台区关键节点,并基于所述台区总调控量通过所述台区实时自治模型进行求解,得到台区有功调控量和台区无功调控量的步骤,包括:
以最小功率调节量为优化目标建立台区实时自治模型;
从台区内选取电压波动处于阈值范围内的台区节点作为台区关键节点;
实时检测关键节点的实时电压,若所述实时电压越限,则获取所述关键节点的实时注入功率量;
采用所述实时注入功率量输入预设电压灵敏度感知模型,得到台区灵敏度;
其中,所述台区灵敏度包括台区有功灵敏度和台区无功灵敏度;
所述预设电压灵敏度感知模型具体为:
;
;
式中,表示ij节点间电压调节量;
基于粒子群算法,采用所述台区灵敏度、所述台区总调控量和所述实时电压输入所述台区实时自治模型进行求解,得到台区有功调控量和台区无功调控量。
2.根据权利要求1所述的分布式光伏接入配电网的集群调控方法,其特征在于,所述构建日前全局调控模型,将获取的接入所述配电网台区的各分布式光伏的日前数据输入所述日前全局调控模型进行迭代求解,输出日前最优调度方案的步骤,包括:
以最小网损和成本为优化目标建立日前全局调控模型;
按照预设时间尺度采集光伏发电PV日前预测数据和负荷日前预测数据;
其中,所述光伏发电PV日前预测数据包括PV有功功率和PV无功功率,所述负荷日前预测数据包括负荷有功功率和负荷无功功率;
通过线变关系感知方法进行拓扑辨识,建立中压潮流感知模型;
通过所述日前全局调控模型基于所述光伏发电PV日前预测数据和所述负荷日前预测数据采用粒子群算法进行迭代求解,得到各分布式光伏PV的日前有功调控量和日前无功调控量;
将所述日前有功调控量和所述日前无功调控量作为日前最优调度方案。
3.根据权利要求2所述的分布式光伏接入配电网的集群调控方法,其特征在于,所述日前全局调控模型具体为:
;
式中,表示所述日前全局调控模型的目标函数,/>表示所述日前全局调控模型的权重系数,/>表示t时刻节点i所在支路的总电阻,/>表示t时刻节点i支路的有功功率,表示t时刻节点i支路的无功功率,/>表示t时刻节点i支路的电压,/>表示所述日前全局调控模型的权重系数,/>表示t时刻的调控成本;
所述日前全局调控模型的约束条件包括功率平衡约束和运行安全约束;
所述功率平衡约束为:
;
;
式中,表示节点i处的所述PV有功功率,/>表示节点i处的所述负荷有功功率,表示节点i处的所述PV无功功率,/>表示节点i处的所述负荷无功功率,/>表示节点i处电压,/>表示节点j处电压,/>表示节点数量,/>表示节点导纳矩阵的相应元素,/>表示节点导纳矩阵的相应元素,/>表示节点i和j之间的电压相角差;
所述运行安全约束为:
;
式中,表示节点i的电压下限值,/>表示节点i的电压实时量测值,/>表示节点i的电压上限值,/>表示支路ij的电流实时量测值,/>表示支路ij的电流允许最大值。
4.根据权利要求2所述的分布式光伏接入配电网的集群调控方法,其特征在于,所述构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过所述日内集群优化模型进行迭代求解,输出日内最优调度方案的步骤,包括:
构建日内集群优化模型;
获取所述配电网台区的主导节点的电压越限数据;
采用所述电压越限数据进行潮流计算,得到所述主导节点电压;
若所述主导节点电压越限,则通过所述中压潮流感知模型输出所述日内电压灵敏度;
采用所述日内电压灵敏度输入所述日内集群优化模型进行求解,得到各分布式光伏的日内最优调度方案。
5.根据权利要求4所述的分布式光伏接入配电网的集群调控方法,其特征在于,所述台区实时自治模型具体为:
;
式中,表示所述台区实时自治模型的目标函数,/>表示所述台区有功调控量的权重系数,/>表示所述台区无功调控量的权重系数,/>表示所述配电网台区内户用光伏数量;
所述台区实时自治模型的节点电压安全约束为:
;
式中,表示所述配电网台区电压安全范围下限,/>表示所述配电网台区电压安全范围上限,/>表示所述关键节点j在t时刻的所述实时电压,/>表示节点i对关键节点j在t时刻的所述台区有功灵敏度,/>表示节点i对关键节点j在t时刻的所述台区无功灵敏度;
所述台区实时自治模型的光伏调节量约束为:
;
式中,表示所述配电网台区户用光伏i的有功可调节上限,/>表示所述配电网台区户用光伏i的无功可调节下限,/>表示所述配电网台区户用光伏i的无功可调节上限。
6.一种分布式光伏接入配电网的集群调控系统,其特征在于,包括应用于权利要求1-5任一项所述的分布式光伏接入配电网的集群调控方法;
响应模块,用于响应于接收到的调控请求,确定所述调控请求对应的配电网台区;
日前全局调控模型构建模块,用于构建日前全局调控模型,将获取的接入所述配电网台区的各分布式光伏的日前数据输入所述日前全局调控模型进行迭代求解,输出日前最优调度方案;
日内集群优化模型构建模块,用于构建日内集群优化模型,基于获取的主导节点的电压越限数据,通过所述日内集群优化模型进行迭代求解,输出日内最优调度方案;
优化调度模块,用于采用所述日前最优调度方案和所述日内最优调度方案对所述配电网台区进行优化调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311499035.XA CN117254532B (zh) | 2023-11-13 | 2023-11-13 | 一种分布式光伏接入配电网的集群调控方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311499035.XA CN117254532B (zh) | 2023-11-13 | 2023-11-13 | 一种分布式光伏接入配电网的集群调控方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117254532A CN117254532A (zh) | 2023-12-19 |
CN117254532B true CN117254532B (zh) | 2024-02-09 |
Family
ID=89133539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311499035.XA Active CN117254532B (zh) | 2023-11-13 | 2023-11-13 | 一种分布式光伏接入配电网的集群调控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117254532B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109755971A (zh) * | 2019-03-21 | 2019-05-14 | 东南大学 | 一种基于虚拟集群的有源配电网电压控制方法和系统 |
CN110556862A (zh) * | 2019-09-02 | 2019-12-10 | 中国电力科学研究院有限公司 | 一种基于光伏集群的配电网两阶段优化调控方法及装置 |
CN112039117A (zh) * | 2020-08-21 | 2020-12-04 | 上海电力大学 | 一种基于数据驱动的光伏集中式优化控制方法 |
CN112994097A (zh) * | 2021-03-04 | 2021-06-18 | 河北工业大学 | 一种基于智能配变终端系统的高比例分布式光伏协同控制方法 |
CN113452033A (zh) * | 2021-06-29 | 2021-09-28 | 佛山电力设计院有限公司 | 分区自治的含高比例光伏配电网电压控制方法及存储介质 |
CN113783231A (zh) * | 2021-09-27 | 2021-12-10 | 国网山东省电力公司经济技术研究院 | 综合服务站内部虚拟集群动态划分方法和系统 |
CN115173473A (zh) * | 2022-07-25 | 2022-10-11 | 国网福建省电力有限公司 | 基于高比例分布式电源集群的分布式控制方法 |
CN115441463A (zh) * | 2022-09-30 | 2022-12-06 | 西南交通大学 | 考虑无通讯连接的分布式光伏发电系统电压控制方法 |
CN115693687A (zh) * | 2022-11-09 | 2023-02-03 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑综合调节成本的台区配电网自治调控方法 |
-
2023
- 2023-11-13 CN CN202311499035.XA patent/CN117254532B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109755971A (zh) * | 2019-03-21 | 2019-05-14 | 东南大学 | 一种基于虚拟集群的有源配电网电压控制方法和系统 |
CN110556862A (zh) * | 2019-09-02 | 2019-12-10 | 中国电力科学研究院有限公司 | 一种基于光伏集群的配电网两阶段优化调控方法及装置 |
CN112039117A (zh) * | 2020-08-21 | 2020-12-04 | 上海电力大学 | 一种基于数据驱动的光伏集中式优化控制方法 |
CN112994097A (zh) * | 2021-03-04 | 2021-06-18 | 河北工业大学 | 一种基于智能配变终端系统的高比例分布式光伏协同控制方法 |
CN113452033A (zh) * | 2021-06-29 | 2021-09-28 | 佛山电力设计院有限公司 | 分区自治的含高比例光伏配电网电压控制方法及存储介质 |
CN113783231A (zh) * | 2021-09-27 | 2021-12-10 | 国网山东省电力公司经济技术研究院 | 综合服务站内部虚拟集群动态划分方法和系统 |
CN115173473A (zh) * | 2022-07-25 | 2022-10-11 | 国网福建省电力有限公司 | 基于高比例分布式电源集群的分布式控制方法 |
CN115441463A (zh) * | 2022-09-30 | 2022-12-06 | 西南交通大学 | 考虑无通讯连接的分布式光伏发电系统电压控制方法 |
CN115693687A (zh) * | 2022-11-09 | 2023-02-03 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑综合调节成本的台区配电网自治调控方法 |
Non-Patent Citations (2)
Title |
---|
Clusters partition and zonal voltage regulation for distribution networks with high penetration of PVs;Jinjin Ding等;《IET》;第第12卷卷(第第22期期);第6041页-第6051页 * |
基于分布式光伏集群的配电网电压多级协调控制;倪春花;《中国优秀硕士论文数据库》;正文第11页-第55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117254532A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roslan et al. | Microgrid control methods toward achieving sustainable energy management | |
Chapaloglou et al. | Smart energy management algorithm for load smoothing and peak shaving based on load forecasting of an island’s power system | |
Ishaq et al. | A review on recent developments in control and optimization of micro grids | |
Ma et al. | A review of forecasting algorithms and energy management strategies for microgrids | |
Conte et al. | A stochastic optimization method for planning and real-time control of integrated pv-storage systems: Design and experimental validation | |
CN102055241B (zh) | 集成的实时功率和太阳能电场控制系统 | |
CA2809011C (en) | Adaptive energy management system | |
US9507367B2 (en) | Method and system for dynamic stochastic optimal electric power flow control | |
Erlich et al. | Optimal dispatch of reactive sources in wind farms | |
Ha et al. | IoT‐enabled dependable control for solar energy harvesting in smart buildings | |
CN110783925A (zh) | 一种两级部署的电网调控模型中心控制系统及方法 | |
Elgamal et al. | Robust multi‐agent system for efficient online energy management and security enforcement in a grid‐connected microgrid with hybrid resources | |
Elgammal et al. | Optimal model predictive frequency control management of grid integration PV/wind/FC/storage battery based smart grid using multi objective particle swarm optimization MOPSO | |
CN116388278A (zh) | 一种微电网群协同控制方法、装置、设备及介质 | |
Cornélusse et al. | Efficient management of a connected microgrid in Belgium | |
WO2020014006A1 (en) | Dynamic photovoltaic curtailment for electrical power distribution | |
Sen et al. | Machine learning and predictive control-based energy management system for smart buildings | |
Sood et al. | Energy management system of a microgrid using particle swarm optimization (PSO) and communication system | |
Shoeb et al. | A multilayer preventive control to regulate voltage and frequency in autonomous microgrids | |
CN117254532B (zh) | 一种分布式光伏接入配电网的集群调控方法和系统 | |
Usmani et al. | Power Management of Solar PV systems for PEER load | |
Elgammal et al. | Optimal frequency control management of grid integration PV/wind/FC/storage battery based smart grid using multi objective particle swarm optimization MOPSO and model predictive control (MPC) | |
US20230155389A1 (en) | Power electronic regulator | |
Zambri et al. | Performance comparison of neural networks for intelligent management of distributed generators in a distribution system | |
Morais et al. | Integration of renewable energy in smart grid |
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 |