CN117526432B - 一种面向源荷互动的配网调控系统及方法 - Google Patents
一种面向源荷互动的配网调控系统及方法 Download PDFInfo
- Publication number
- CN117526432B CN117526432B CN202311372394.9A CN202311372394A CN117526432B CN 117526432 B CN117526432 B CN 117526432B CN 202311372394 A CN202311372394 A CN 202311372394A CN 117526432 B CN117526432 B CN 117526432B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- power
- load
- capacity
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 505
- 230000033228 biological regulation Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000003993 interaction Effects 0.000 title claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 159
- 238000004364 calculation method Methods 0.000 claims abstract description 117
- 238000004422 calculation algorithm Methods 0.000 claims description 101
- 238000004088 simulation Methods 0.000 claims description 77
- 238000004458 analytical method Methods 0.000 claims description 40
- 238000012544 monitoring process Methods 0.000 claims description 31
- 230000008878 coupling Effects 0.000 claims description 29
- 238000010168 coupling process Methods 0.000 claims description 29
- 238000005859 coupling reaction Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 28
- 239000002245 particle Substances 0.000 claims description 26
- 238000002955 isolation Methods 0.000 claims description 20
- 230000000087 stabilizing effect Effects 0.000 claims description 19
- 238000004146 energy storage Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000002922 simulated annealing Methods 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 abstract description 21
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 21
- 238000010248 power generation Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 210000000349 chromosome Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 10
- 238000013178 mathematical model Methods 0.000 description 7
- 230000035772 mutation Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 206010036618 Premenstrual syndrome Diseases 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000000137 annealing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 229920000314 poly p-methyl styrene Polymers 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000029087 digestion Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000032368 Device malfunction Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000002948 stochastic simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000009827 uniform distribution 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
- 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
- G06Q10/04—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
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- H02J2203/10—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
- H02J2300/22—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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Computer Interaction (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种面向源荷互动的配网调控系统及方法,涉及能源调度技术领域,包括:采集配电网的运行数据和气象数据,并建立配电网模型;基于建立的配电网模型,进行配电网资源优化计算,生成资源调度方案;利用配电网模型,计算配电网的接入的分布式电源容量;根据资源调度方案和分布式电源容量,建立多目标决策模型,求解获得满足容量约束的Pareto最优解集;从Pareto最优解集中选择满足优化目标的调控方案。针对现有技术中存在的电网的新能源消纳能力低问题,本申请通过建立配电网模型、优化资源调度、增强稳定性和灵活性,有效提高电网对新能源的消纳能力。
Description
技术领域
本发明涉及能源调度技术领域,特别涉及一种面向源荷互动的配网调控系统及方法。
背景技术
随着全球应对气候变化的压力加大,各国积极发展清洁可再生能源。我国也提出在2030年前非化石能源消费总量占一次能源消费的比重达到25%的目标。这必然要求电网具备消纳大规模新能源如风电、新能源的能力。
但是我国电网体系以传统燃煤火电为主,配电网设计时没有考虑大规模接入分散式新能源。直接大量接入新能源将带来配电网的多种问题,如电压质量下降、保护故障、短路容量不足、系统低频振荡等。这直接制约了我国电网对新能源的消纳。
在相关技术中,比如中国专利文献CN111967718A中提供了一种新能源消纳的多目标电力系统源荷互动优化调度方法,通过清洁能源发电模块和火力发电模块进行发电,然后通过电力输送模块输送至电力用户系统,本发明涉及新能源调度技术领域。该新能源消纳的多目标电力系统源荷互动优化调度方法,通过设置数据接收模块获取清洁能源发电的预估量、火力发电预估量和用电高峰期的用电量,再利用数据对比模块和判断模块能进行判断当前清洁能源的供电是否足够实用,根据判断结果使得启动模块中的单独供电模块或共同供电模块。但是该方案至少存在如下技术问题:依赖简单的判断模块来决定单独供电或共同供电,可能无法做到新的最优调度,从而限制了新能源的消纳量。
发明内容
要解决的技术问题
针对现有技术中存在的电网的新能源消纳能力低问题,本发明提供了一种面向源荷互动的配网调控系统及方法,通过建立配电网模型、优化资源调度、增强稳定性和灵活性,有效提高电网对新能源的消纳能力。
技术方案
本发明的目的通过以下技术方案实现。
本说明书实施例的一个方面提供一种面向源荷互动的配网调控系统,包括:数据采集模块,采集配电网的运行数据和气象数据;建模分析模块,根据采集的配电网的运行数据和气象数据建立配电网模型;台区资源优化模块,基于配电网模型优化配电网的资源,生成资源调度方案;配网承载力模块,基于配电网模型,计算配电网接入的分布式电源容量;调控计算模块,根据资源调度方案和分布式电源容量,进行多目标优化计算,生成配电网的调控方案。
进一步地,建模分析模块包括:建模单元,根据采集的配电网的运行数据和气象数据,建立配电网模型;仿真单元,基于配电网模型,进行多场景仿真,并输出仿真数据;负荷计算单元,基于配电网模型,利用蒙特卡洛算法计算配电网的负荷值;并网单元,根据负荷值,确定新能源的最佳并网节点;故障隔离单元,当配电网的局部区域发生故障时,利用配电网模型将配电网划分成多个耦合单元,生成控制指令,隔离故障区域和无故障区域;潮流倒送单元,利用配电网模型获取配电网中可能发生潮流倒送的区域,调节所述区域的充放电,以消纳新能源;其中,可能发生潮流倒送的电网区域指在分布式新能源接入量大于阈值且电网负荷低于阈值的区域。
进一步地,并网单元包括:负荷分析子单元,根据采集的配电网的运行数据和气象数据,采用机器学习算法预测配电网中各个节点的负荷分布;并网计算子单元,根据各个节点的负荷分布,计算接入新能源的最佳并网节点;设备控制子单元,向最佳并网节点发送接入新能源的控制指令,对最佳并网节点的开关设备进行闭合操作。
进一步地,潮流倒送单元包括:潮流倒送判断子单元,根据配电网模型判断配电网中可能发生潮流倒送的区域;监测设备子单元,监测可能发生潮流倒送的区域的电压和电流;稳压设备子单元,根据监测设备子单元的监测结果,在可能发生潮流倒送的区域利用直流稳压装置稳定电压和电流;潮流倒送协调子单元,根据稳压设备子单元的稳压结果,利用设置的可控并联无功补偿电抗器及储能系统,控制无功补偿和储能系统的充放电,平衡所述可能发生潮流倒送的区域的电压,以消纳新能源。
进一步地,台区资源优化模块包括:优化建模单元,利用配电网模型,结合配电网的运行数据,构建配电网资源优化的优化模型;优化计算单元,利用构建的优化模型,采用最优潮流算法计算满足预设目标的资源调度方案;接口输出单元,将资源调度方案输出给调控计算模块;其中,最优潮流算法为基于粒子群算法、遗传算法或模拟退火算法中的一种。
进一步地,配网承载力模块包括:负荷预测单元,根据配电网的仿真数据,采用机器学习算法预测配电网在规定预设时间段内的负荷值;承载力评估单元,利用配电网的仿真数据和预测的负荷值,计算并判断配电网的正常运行负载能力;故障模拟单元,基于配电网的正常运行负载能力,利用配电网模型模拟预设故障下的负载值,计算配电网在预设故障下的负载能力;容量计算单元,根据配电网的正常运行负载能力和预设故障下的负载值的差值,计算配电网接入的分布式电源容量。
进一步地,调控计算模块包括:约束提取单元,接收分布式电源容量,并提取出最大分布式电源容量值,作为多目标优化计算需要满足的容量约束条件;多目标建模单元,根据资源调度方案、容量约束条件和预设的优化目标,建立多目标决策模型;求解单元,计算建立的多目标决策模型,获得满足容量约束条件的多目标 Pareto 最优解集;决策单元,根据预设的优化目标,从多目标 Pareto 最优解集中选取最终的调度控制方案,作为配电网的调控方案。
本说明书实施例的另一个方面提供一种面向源荷互动的配网调控方法,包括:采集配电网的运行数据和气象数据,并建立配电网模型;基于建立的配电网模型,进行配电网资源优化计算,生成资源调度方案;利用配电网模型,计算配电网的接入的分布式电源容量;根据资源调度方案和分布式电源容量,建立多目标决策模型,求解获得满足容量约束的Pareto 最优解集;从Pareto 最优解集中选择满足优化目标的调控方案。
进一步地,建立配电网模型的步骤包含:根据采集的配电网运行数据和气象数据,建立配电网模型;基于建立的配电网模型,进行多场景仿真并输出仿真数据;利用蒙特卡洛算法计算配电网的负荷值;根据负荷值,利用配电网模型,计算新能源的最佳并网节点;当配电网的局部区域发生故障时,利用配电网模型将配电网在逻辑上划分为多个耦合单元,生成控制指令,对故障区域和无故障区域进行隔离;利用配电网模型判断可能发生潮流倒送的区域,并对配电网进行充放电控制,以消纳新能源;其中,可能发生潮流倒送的电网区域指在分布式新能源接入量大于阈值且电网负荷低于阈值的区域。
进一步地,利用配电网模型对故障区域进行隔离的技术步骤包含:利用配电网模型获取配电网的拓扑结构;当配电网的局部区域发生故障时,根据故障区域和获取的拓扑结构,识别出故障区域和无故障区域;根据识别结果,在逻辑上将故障区域和无故障区域划分为两个耦合单元;对划分的两个耦合单元的界面区域的断路器发送断开操作指令,将两个耦合单元在物理上进行隔离。
有益效果
相比于现有技术,本发明的优点在于:
(1)系统通过台区资源优化模块和调控计算模块,利用优化算法对资源调度方案进行多目标优化计算。通过建立多目标决策模型并考虑容量约束条件,系统能够提供多个满足优化目标的调度控制方案,可以从低压至中高压各层级提高配电网对新能源的消纳容量;
(2)系统通过建立配电网模型、预测负荷分布、计算分布式电源容量等模块,对配电网进行资源优化调度。这样可以合理安排新能源的接入,最大限度地提高配电网对新能源的消纳能力;
(3)系统通过潮流倒送判断、故障隔离、稳压设备等模块,实现对配电网可能发生潮流倒送的区域进行监测和控制。通过稳定电压和电流,利用可控并联无功补偿电抗器及储能系统来平衡可能发生潮流倒送的区域的电压,提高配电网对新能源的消纳能力。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书的一些实施例所示的一种面向源荷互动的配网调控系统的示例性应用场景示意图;
图2是根据本说明书的一些实施例所示的建模分析模块示意图;
图3是根据本说明书的一些实施例所示的台区资源优化模块示意图;
图4是根据本说明书的一些实施例所示的配网承载力模块示意图;
图5是根据本说明书的一些实施例所示的调控计算模块示意图;
图6是根据本说明书一些实施例所示的一种面向源荷互动的配网调控方法的示例性流程图。
图中标号说明:100、一种面向源荷互动的配网调控系统;110、数据采集模块;120、建模分析模块;130、台区资源优化模块;140、配网承载力模块;150、调控计算模块;121、建模单元;122、仿真单元;123、负荷计算单元;124、并网单元;125、故障隔离单元;126、潮流倒送单元;131、优化建模单元;132、优化计算单元;133、接口输出单元;141、负荷预测单元;142、承载力评估单元;143、故障模拟单元;144、容量计算单元;151、约束提取单元;152、多目标建模单元;153、求解单元;154、决策单元。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见的,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应其他类似情景。除非从语言环境中显而易见或另作说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“系统”“装置”“单元”和/或“模块”是区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
下面结合附图对本说明书实施例提供的方法和系统进行详细说明。
本申请提供一种面向源荷互动的新型配网调控系统及方法,以实现对配电网的精确建模、资源优化、容量评估和智能调控,从而提高配电网的经济性、可靠性和新能源消纳能力,能够从OMS、PMS、IDP、气象信息系统、设备监测系统、网络发令系统等获取所需的信息,考虑了源荷互动、气象环境、设备工况、设备状态、电网结构、二次系统失效等因素。通过对这些因素的分析,系统能够针对配网实际的运行场景,评估场景的安全性和优化方式,得出系统运行风险水平,并为调度运行人员提供调度决策支持。
其中,OMS,配网运维管理系统(Outage Management System)设备监测与维护,确保关键设备的运行可靠性。其中,PMS在配电网调控系统中通常指配电网监控系统(PowerManagement System)。PMS主要具有以下功能:配电网监控:通过部署在配电网各节点的智能电表、传感器等设备,实时监测电压、电流、功率等电网运行参数;数据采集:收集电网运行参数数据,以及电力设备的状态数据,进行汇总和存储;状态评估:分析电网运行参数,评估系统状态,判断是否存在异常或故障;故障检测:利用电网拓扑模型,实现对配电网故障的快速检测和定位;事故处理:发生故障时,能协助 operators 判断事故原因,提供事故隔离、供电恢复的决策支持;报表生成:形成各类监控报表,支持电网调度决策;接口联络:与配电自动化系统、能源管理系统等其他信息系统进行数据交换和集成。总之,PMS通过配电网的全面监测与状况分析,实现对网络运行状况的实时把控,保障配电网安全高效运行,是配网调控的基础。
其中,IDP在配电网调控系统中通常指集成数据平台(Integrated DataPlatform)。IDP主要具有以下功能:数据接入:实现各类数据源的集中接入,包括配电网基础数据、实时监测数据、气象数据、用户数据等;数据清洗:对采集到的原始数据进行过滤、校正、补全、格式化等预处理;数据存储:对处理后的数据进行标准化描述,统一存入关系型数据库或NoSQL数据库;数据服务:对外开放数据查询、访问接口,供配电网分析、优化、控制等应用系统调用;数据分析:利用数据融合、数据挖掘技术,实现对海量电网数据的关联分析;数据可视化:通过图表、地理信息系统等手段,使大量数据直观可视化;数据安全:对数据接入、存储、使用进行权限控制,保证数据安全;集成管理:统一管理数据资源,实现与其他信息系统的集成。总之,IDP构建了配电网的集中式数据集中体系,为配网规划、运维、控制提供了数据支撑,是实现配网数字化、智能化的基础平台。
其中,在配电网调控系统中,网络发令系统(Network Dispatching System)通常具有以下功能:调度指令下发:将来自调控计算模块的资源调度方案,下发给相应的配电网设备或资源,如变压器、断路器、无功补偿装置、分布式电源等;遥控执行:通过配电网内的通信网络,向设备发送遥控指令,执行调度方案;状态监控:监测网络设备的运行状态和执行情况,确保调度指令得以正确执行;场景切换:根据不同的运行场景,切换配电网的运行配置或控制逻辑;保护协调:协调保护装置的动作,避免调度执行中发生保护误动;异常处理:当检测到调度执行异常时,能快速响应并进行处理,保障调度指令的可靠执行;闭环反馈:将设备的执行状态实时反馈给调控计算模块,实现调度的闭环控制;日志记录:全面记录调度指令的下发和执行情况,以供后期分析。总之,网络发令系统是连接优化计算与设备执行的纽带,对实时可靠地完成资源优化调度起关键作用。
其中,在配电网调控系统中,二次系统通常是指实现监控、通信、保护和控制的信息系统。二次系统失效主要指以下情况:监控系统故障:监控主站软硬件故障,无法采集配电网运行数据;通信网络中断:光纤、无线通信等中断,导致系统之间通信不畅;保护装置失效:保护装置误动作或无法动作,无法实现保护自动化;控制指令失效:无法向智能电器终端发送控制指令或终端无法执行;数据链路故障:影响状态监测、遥测、遥信等数据链路的工作;时间同步失效:网络时钟同步信号中断,导致对时系统失效;软件故障:配网调度软件、数据库等软件故障,无法进行正常运算;网络安全问题:遭到网络攻击导致系统瘫痪,硬件故障:服务器、操作工作站、通信设备等硬件故障。二次系统失效会严重阻碍配网的监控、控制和保护,导致无法实施精细化调度,甚至发生大面积停电事故。应采取必要的冗余和备份措施,提高二次系统的可靠性。
图1是根据本说明书的一些实施例所示的一种面向源荷互动的配网调控系统100的示例性应用场景示意图,如图1所示,一种面向源荷互动的配网调控系统100,包括:数据采集模块110、建模分析模块120、台区资源优化模块130、配网承载力模块140和调控计算模块150。旨在优化配电网的资源配置、提高新能源的消纳能力,并实现多目标优化计算。该系统由数据采集模块110、建模分析模块120、台区资源优化模块130、配网承载力模块140和调控计算模块150组成。
如图1至图5所示,数据采集模块110,数据采集模块110负责采集配电网的运行数据和气象数据,包括电网状态、负荷数据、气温、风速等信息。这些数据将用于后续的建模分析和资源优化计算。
建模分析模块120,建模分析模块120根据数据采集模块110获取的配电网的运行数据和气象数据,建立配电网模型。该模型包括电网拓扑结构、线路参数、负载信息和新能源节点等关键信息。建模分析模块120还通过仿真单元122进行多场景仿真,根据不同的情景输出配电网的仿真数据。此外,负荷计算单元123利用蒙特卡洛算法预测配电网的负荷值,并根据负荷值确定新能源的最佳并网节点。故障隔离单元125根据配电网模型将配电网划分为多个耦合单元,并生成控制指令以隔离故障区域和无故障区域。潮流倒送单元126通过配电网模型判断可能发生潮流倒送的区域,并进行充放电控制以消纳新能源。
台区资源优化模块130,台区资源优化模块130基于建立的配电网模型和运行数据构建资源优化模型。该模型考虑配电网的运行状态、负荷需求和新能源接入情况,采用最优潮流算法计算满足预设目标的资源调度方案。优化计算单元132利用最优潮流算法求解资源调度方案,并将结果输出给调控计算模块150。
配网承载力模块140,配网承载力模块140负责评估配电网的负荷承载能力。负荷预测单元141利用配电网的仿真数据和机器学习算法预测配电网在规定预设时间段内的负荷值。承载力评估单元142利用配电网的仿真数据和预测的负荷值,计算并判断配电网的正常运行负载能力。故障模拟单元143根据配电网的正常运行负载能力,利用配电网模型模拟预设故障下的负载值,并计算配电网在预设故障下的负载能力。容量计算单元144根据配电网的正常运行负载能力和预设故障下的负载值的差值,计算配电网接入的分布式电源容量。
调控计算模块150,调控计算模块150利用资源调度方案和分布式电源容量进行多目标优化计算,生成配电网的调控方案。约束提取单元151接收分布式电源容量,并提取出最大分布式电源容量值作为多目标优化计算需要满足的容量约束条件。多目标建模单元152根据资源调度方案、容量约束条件和预设的优化目标,建立多目标决策模型。求解单元153对建立的多目标决策模型进行计算,得到满足容量约束条件的多目标 Pareto 最优解集。决策单元根据预设的优化目标,从多目标 Pareto 最优解集中选择最终的调度控制方案,作为配电网的调控方案。
其中,配网调控系统利用数据采集、建模分析和模拟仿真等手段建立配电网模型,并通过资源优化计算和多目标优化算法生成调控方案,实现对配电网的调控和优化。通过台区资源优化模块130和配网承载力模块140,系统可以根据配电网的负荷需求和新能源接入情况进行资源调度和容量计算,提高配网的资源利用效率和承载能力。调控计算模块150采用多目标优化算法,可以根据预设的优化目标从多个可行解中选择最优的调控方案,满足不同的调控需求。配网调控系统可以提高配电网对新能源的消纳能力,减少对传统能源的依赖,促进清洁能源的发展。
具体地,系统通过数据采集模块110收集配电网的运行数据和气象数据,并利用建模分析模块120建立配电网模型。建模分析模块120包括建模单元121、仿真单元122、负荷计算单元123、并网单元124、故障隔离单元125和潮流倒送单元126。建模单元121根据采集的配电网运行数据和气象数据建立配电网模型。仿真单元122基于配电网模型进行多场景仿真,并输出仿真数据。负荷计算单元123利用蒙特卡洛算法计算配电网的负荷值。并网单元124根据负荷值确定新能源的最佳并网节点。故障隔离单元125在配电网的局部区域发生故障时,利用配电网模型将配电网划分为多个耦合单元,并生成控制指令以隔离故障区域和无故障区域。潮流倒送单元126利用配电网模型确定可能发生潮流倒送的区域,并通过调节充放电控制该区域以消纳新能源。
另外,配网调控系统还包括台区资源优化模块130和调控计算模块150。台区资源优化模块130利用配电网模型和运行数据构建资源优化模型,并通过优化计算单元132采用最优潮流算法计算满足预设目标的资源调度方案。接口输出单元133将资源调度方案输出给调控计算模块150。调控计算模块150包括约束提取单元151、多目标建模单元152、求解单元153和决策单元,用于建立多目标决策模型,并从多目标 Pareto 最优解集中选择最终的调度控制方案。
综上所述,数据采集模块110采集配电网的运行数据和气象数据;建模分析模块120根据所采集的数据建立配电网模型;台区资源优化模块130基于模型进行资源优化生成调度方案;配网承载力模块140计算可接入的分布式电源容量;调控计算模块150根据资源调度方案和可接入容量进行多目标优化决策得到最终的配网控制方案。通过科学调控和优化配电网资源配置,该系统可以在保证经济性的同时,最大限度地利用可再生资源,有效提高配电网对新能源的消纳能力和接入容量。
图2是根据本说明书的一些实施例所示的建模分析模块120示意图,如图2所示,建模分析模块120包括:建模单元121、仿真单元122、负荷计算单元123和并网单元124。
建模单元121:建模单元121利用采集到的配电网运行数据和气象数据,通过建立配电网模型来描述配电网的拓扑结构、线路参数、负载信息和新能源节点等特征。这个模型是后续分析和优化的基础。在本实施例中,建立配电网模型包括:数据采集,收集与配电网相关的运行数据和气象数据。这些数据包括变电站信息、变压器参数、线路拓扑结构、负载信息、新能源节点信息、气象条件等。拓扑结构建立,基于采集到的数据,确定配电网的拓扑结构,包括变电站、变压器、线路、负载和新能源节点之间的连接关系。这可以通过将各个元素以节点和边的形式表示,构建配电网的拓扑结构图。参数设定,根据采集到的数据,设置配电网模型中各个元素的参数,包括线路电阻、电抗、负载功率特性、新能源节点的发电能力等。这些参数能够反映实际配电网的特点和运行情况。负载计算,利用负荷计算单元123,对配电网模型进行负荷计算。根据负载信息和负载特性,确定各个节点的负载功率,并考虑季节性、时段性等因素的影响。这可以用于评估配电网的负载状况和能力。新能源节点并网,通过并网单元124,将新能源节点纳入配电网模型。根据新能源节点的发电能力、逆变器特性等参数,将其与配电网相连接,并考虑功率调度、电压控制等因素,实现新能源的高效消纳。
在一个实施例中,建模单元121可以采用配电网的连接图和线路参数表等数据,建立包含所有节点线路的拓扑模型,并标注每个节点的负荷和新能源接入情况。例如,对于一个配电网,建模单元121根据其连接图确定该配电网包含一个供电点,3个负荷点,2个集中式光伏发电站。此外,建模单元121根据线路参数表给各条线路标注参数。通过建立包含拓扑、节点负荷和线路参数的配电网模型,可以为后续的故障模拟、新能源容量评估等分析提供基础。
仿真单元122,仿真单元122基于建立的配电网模型,进行多场景仿真,并输出仿真数据。通过多场景仿真,可以模拟不同工况下的配电网运行情况,为后续的分析和优化提供数据支持。在本实施例中,多场景仿真是通过在配电网模型中引入不同的运行条件和情景,模拟和分析配电网在不同工况下的运行状态和性能。以下是多场景仿真的一些具体实施例:负载变化情景,模拟不同时间段、季节或特定活动(如节假日)下的负载变化情况。通过改变负载功率的大小和分布,探索配电网的供电能力和电压稳定性。这可以帮助确定负载高峰期的供电策略和调度方案。新能源接入情景,考虑不同的新能源节点接入配电网的情况。通过调整新能源节点的发电能力、接入点的位置和容量,分析配电网的电压、功率平衡和功率流分布,评估新能源的消纳能力和对配电网的影响。预测天气情景:利用天气预测数据,模拟不同气象条件下的配电网运行情况。通过改变风速、温度等气象参数,分析新能源(如风电、光伏)的发电能力和可靠性,以及配电网的稳定性和损耗情况。故障和恢复情景:模拟配电网中线路故障、设备故障或供电中断等情况,并分析这些故障对配电网运行的影响。同时,研究故障恢复策略,如自动设备切换、备用电源投入等,评估系统的可靠性和故障应对能力。储能系统应用情景,引入储能系统,并模拟其在配电网中的运行和调度。通过改变储能系统的容量、充放电策略,研究其对电网功率平衡、电压调节和负载支持等方面的影响,优化储能系统的运行策略。
在一个实施例中,仿真单元122可以在建立的配电网模型上,考虑不同的负荷级别、新能源输出水平、线路故障情况等因素,设定多种场景进行仿真。例如,可以设置轻负荷条件下最大新能源输出的场景,评估配电网的接纳能力上限;可以设置线路故障条件下的仿真场景,评估故障对系统影响等。仿真单元122会运行仿真,并输出各节点的电压、功率等仿真结果。这为计算配电网的负荷能力、制定调度方案提供依据。
负荷计算单元123,负荷计算单元123利用蒙特卡洛算法,基于配电网模型,计算配电网的负荷值。通过蒙特卡洛算法的随机采样和模拟计算,可以得到配电网负荷在不同情况下的概率分布,为后续的优化决策提供负荷预测数据。其中,蒙特卡洛算法,蒙特卡洛算法是一种基于随机模拟的方法,通过随机采样和重复模拟计算,用于求解复杂的数学问题。在配电网中,蒙特卡洛算法可以被应用于计算负荷值以及预测负荷的概率分布。以下是负荷计算单元123利用蒙特卡洛算法的一些具体实施步骤:数据准备,收集配电网的负荷数据,包括不同时间段的负荷曲线、历史负荷数据等。这些数据可以是实际测量得到的或者基于统计方法生成的。参数设定,确定蒙特卡洛算法中的参数,包括采样次数、负荷模型的统计特性等。采样次数表示进行随机抽样和模拟计算的次数,它的选择应该平衡计算精度和计算效率。负荷模型生成:基于收集到的负荷数据,建立适当的负荷模型(如概率分布模型)。常见的负荷模型包括正态分布、均匀分布、泊松分布等,可以根据实际情况选择合适的模型。蒙特卡洛模拟计算,利用蒙特卡洛算法,以设定的参数和负荷模型为基础,在配电网模型中对负荷进行随机采样和模拟计算。通过多次重复计算,收集配电网负荷的统计信息,如均值、方差、概率分布等。负荷预测和分析,根据蒙特卡洛模拟计算的结果,得到配电网负荷的概率分布。这样可以进行负荷预测,评估不同情况下的负荷值及其概率特性,为后续的优化决策提供依据。
在一个实施例中,接收建模分析模块120建立的配电网模型,该模型包含配电网的拓扑结构、线路参数、节点负荷参数等;提取模型中的随机负荷节点,这些节点的负荷具有一定的随机性;基于节点的历史负荷数据,建立负荷的概率分布模型;进行蒙特卡洛随机采样,即从负荷概率分布中随机提取大量负荷样本;将随机采样得到的负荷样本分配到配电网模型中的对应负荷节点;进行潮流计算,得到配电网在采样负荷下的潮流分布;重复多次采样和计算,获取大量潮流计算结果;统计分析这些潮流计算结果,获得配电网在不同负荷水平下的概率分布情况。通过该蒙特卡洛算法的随机采样和多次模拟计算,能够预测出配电网未来负荷的概率分布,为后续新能源消纳能力的评估及优化决策提供依据。
并网单元124,并网单元124根据负荷值,确定新能源的最佳并网节点。它由三个子单元组成:负荷分析子单元、并网计算子单元和设备控制子单元。其中,负荷分析子单元利用采集的配电网的运行数据和气象数据,采用机器学习算法预测配电网中各个节点的负荷分布。通过对历史数据的分析和建模,可以预测不同节点的负荷情况。并网计算子单元根据各个节点的负荷分布,计算接入新能源的最佳并网节点。在考虑节点负荷和供电能力的基础上,通过优化计算,确定最适合接入新能源的节点。
设备控制子单元向最佳并网节点发送接入新能源的控制指令,对最佳并网节点的开关设备进行闭合操作。通过精确地设备控制,实现新能源的可靠接入和配电网的可持续运行。故障隔离单元125,故障隔离单元125利用配电网模型将配电网划分成多个耦合单元,生成控制指令,隔离故障区域和无故障区域。这样可以防止故障扩散,保障配电网的安全运行。
其中,机器学习算法可以为:线性回归(Linear Regression),线性回归模型可以通过拟合线性函数来预测负荷的数值。它可以考虑到多个因素对负荷的影响,如时间、气象条件等。支持向量回归(Support Vector Regression),支持向量回归可以用于非线性负荷预测问题。它通过建立支持向量机模型来拟合训练数据,并对未知负荷进行预测。决策树(Decision Trees),决策树是一种基于树状结构的分类和回归模型。通过构建决策树模型,可以学习负荷的分布规律,并进行负荷预测。随机森林(Random Forest),随机森林是一种集成学习方法,通过构建多个决策树模型进行预测。它可以有效地处理高维数据和复杂的特征关系,并提高预测的准确性。神经网络(Neural Networks),神经网络模型可以通过多层神经元的连接关系,学习负荷数据的非线性模式。它可以适应复杂的负荷变化和多因素影响。在负荷分析子单元中,可以使用以上算法中的一种或多种来构建负荷预测模型。其中,历史数据和配电网的运行数据作为训练数据,用于模型的训练和评估。然后,通过将新的气象数据和其他相关特征输入到模型中,可以预测未来特定节点的负荷情况。
并网计算子单元根据负荷分布结果,结合供电能力等因素,优化计算并确定接入新能源的最佳并网节点。设备控制子单元根据计算结果,向最佳并网节点发送相应的控制指令,实现新能源的可靠接入和配电网的可持续运行。这些子单元一起协同工作,提高配电网对新能源的消纳能力和运行效率。
在本实施例中,并网单元124用于根据负荷计算单元123预测的负荷值,确定新能源的最佳并网节点,具体实现为: 负荷分析子单元接收配电网的实时运行数据和气象数据,应用机器学习算法比如LSTM神经网络,预测各节点未来一周的负荷分布情况;并网计算子单元接收负荷分析结果,考虑各节点的负荷水平和供电容量情况,通过节点法确定满足供需平衡的最佳新能源并网节点;设备控制子单元向并网计算结果确定的最佳并网节点发送控制指令,指令对该节点的配电自动化装置进行控制,实现对新能源隔离开关的闭合操作,完成新能源的并网。故障隔离单元125用于利用建模分析模块120建立的配电网模型,将配电网划分为多个耦合单元,实现故障区域和正常区域的隔离,具体实现为: 根据配电网模型,确定耦合单元的划分方案,提前配置隔离开关;配电网发生故障时,故障检测单元检测到故障信息,判断故障区域所在的耦合单元;故障隔离单元125向该故障耦合单元的所有隔离开关发送断开命令,实现与其他正常耦合单元的电气隔离。
潮流倒送单元126:潮流倒送单元126通过配电网模型判断可能发生潮流倒送的区域,并调节该区域的充放电,以消纳新能源。它由潮流倒送判断子单元、监测设备子单元、稳压设备子单元和潮流倒送协调子单元组成。
其中,潮流倒送判断子单元根据配电网模型判断可能发生潮流倒送的区域。通过对潮流方向和潮流强度的分析,确定可能出现潮流倒送的区域。监测设备子单元监测可能发生潮流倒送的区域的电压和电流。通过实时监测电网的参数,判断潮流倒送风险。稳压设备子单元根据监测设备子单元的监测结果,在可能发生潮流倒送的区域利用直流稳压装置稳定电压和电流。通过使用直流稳压装置,可以控制电网的稳定运行。潮流倒送协调子单元根据稳压设备子单元的稳压结果,利用可控的并联无功补偿电抗器及储能系统,控制无功补偿和储能系统的充放电,平衡可能发生潮流倒送的区域的电压,以促进新能源的消纳。通过控制无功补偿和储能系统的运行,调节并维持潮流倒送区域的电压稳定,确保新能源的有效接入。具体地,可控的并联无功补偿电抗器,可控的并联无功补偿电抗器是一种经过电子控制的可调谐电容或电感元件,它可以实现无功功率的生产和消耗,从而对电网的无功功率进行补偿和控制。其主要结构包含:电容单元或电感单元:提供静止无功功率补偿。可控硅开关:通过改变触发角度来调节电抗器的有效电抗值,实现无功补偿量的平滑连续调节。控制系统:根据系统需求输出控制信号,驱动可控硅开关实现无功补偿量的调节。可控电抗器并联在电网线路或设备上,当需要提供无功功率时,接通电容单元;当需要吸收无功功率时,接通电感单元;通过实时调节,可有效地进行无功补偿,增强电网的静态稳定性。
在本实施例中,潮流倒送单元126用于通过配电网模型判断可能发生潮流倒送的区域,并调节该区域的充放电,以消纳新能源,具体实现为:潮流倒送判断子单元基于配电网模型,判断在新能源渗透率达到配电网总负荷的30%时,负载低于历史同期负荷50%的区域可能发生反向潮流;监测设备子单元在上述可能发生反向潮流的区域设置采样频率为10kHz的电压电流监测装置,实时监测区域电网参数;稳压设备子单元在该区域设置带宽为±0.5%的直流稳压装置,根据监测参数控制稳压装置进行充放电,稳定区域电压;潮流倒送协调子单元根据电压监测结果,控制该区域容量为1000kVar的无功补偿装置和容量为2000kWh的储能系统进行充放电,维持电压稳定在额定值的±5%范围内,确保更多新能源的消纳。
通过上述技术特征和模块的配合使用,该建模分析模块120可以实现对配电网的建模、负荷预测、并网节点确定、故障隔离和潮流倒送控制,进而提高配电网对新能源的消纳能力。通过准确地建模和优化决策,可以实现配电网资源的最优配置和可持续运行。
综上所述,建模分析模块120的具体组成,该模块中的各个单元协同工作,用于建立配电网模型并基于模型实现故障隔离、最佳并网以及潮流倒送控制,以提高配电网对新能源的消纳能力。其中,建模单元121根据采集的数据建立配电网模型;仿真单元122基于模型进行多场景仿真;负荷计算单元123利用蒙特卡洛算法计算负荷;并网单元124根据负荷分布计算最佳并网点,并通过闭合开关设备实现新能源并网;故障隔离单元125基于模型实现故障隔离;潮流倒送单元126判断可能发生倒送的区域,并通过调节充放电平衡电压以实现新能源并网。通过配电网建模、最佳规划以及有针对性地控制策略,该模块能够有效提升配电网对新能源的接纳和消纳能力。
图3是根据本说明书的一些实施例所示的台区资源优化模块130示意图,如图3所示,台区资源优化模块130包括:优化建模单元131、优化计算单元132和接口输出单元133。
优化建模单元131:该单元利用配电网模型和配电网的运行数据,构建配电网资源优化的优化模型。通过对配电网的建模,可以对其电力需求、供应和网络拓扑进行分析和优化,从而实现资源的合理配置和利用。在本实施例中,建立优化模型的步骤包括:数据准备,收集配电网的运行数据,包括负荷数据、线路参数、变压器容量、发电设备信息等。同时,收集新能源的产电能力和接入条件,如风电场或光伏电站的发电功率曲线、容量等。配电网建模,基于收集到的数据,建立配电网的数学模型。模型应包括网络拓扑、电力流计算、电压稳定性、负载均衡等方面的信息。可以使用潮流计算方法或其他电力系统分析工具来建立配电网模型。目标函数定义,根据优化目标,为优化模型定义一个目标函数。例如,可以最小化配电网的损耗、最大化新能源的消纳量或最优化负载均衡等。约束条件设置,根据配电网的特性和技术约束,设置模型的约束条件。这些约束条件可以包括电压稳定性、电流限制、设备容量限制、配电网的可靠性等。优化算法选择,选择合适的优化算法来求解建立的优化模型。常见的优化算法包括线性规划、整数规划、遗传算法、粒子群算法等。根据具体情况,选择适合配电网资源优化问题的算法。求解模型:利用所选的优化算法,对建立的优化模型进行求解。通过迭代和计算,得到最优的资源优化方案,即合理配置和利用配电网资源的方案。结果分析与输出,分析优化结果,并将结果输出到接口输出单元133。这些结果可以包括电力流分布、新能源接入方案、设备容量调整等。这些信息可以用于进一步地决策和规划。通过优化建模单元131的实施,可以基于配电网的优化模型得到合理的资源优化方案,实现配电网对新能源的优化配置和消纳能力的提升。
优化计算单元132,该单元利用构建的优化模型,采用最优潮流算法计算满足预设目标的资源调度方案。最优潮流算法可以综合考虑电网的运行状态、电能质量、经济性等因素,通过迭代计算得到一套最佳的电力流分配方案,以满足预设的目标。在本实施例中,最优潮流算法可以为:内点法(Interior Point Method),内点法是一种常用的求解非线性规划问题的算法。它通过在可行域内寻找最优解的内部点,迭代地逼近最优解。在配电网优化中,可以利用内点法求解最优潮流问题,以获得满足预设目标的资源调度方案。外点法(Outer Approximation Method),外点法是一种用于求解混合整数非线性规划问题的算法。它将问题分解为线性规划和非线性规划子问题,并通过迭代求解子问题来逼近最优解。在配电网优化中,可以使用外点法来处理资源调度问题,如确定最佳的新能源并网节点等。惩罚函数法(Penalty Function Method),惩罚函数法是一种常用的非约束优化方法,用于处理约束问题。它通过将目标函数与约束条件的违反程度进行惩罚,将约束问题转化为非约束问题。在配电网优化中,可以使用惩罚函数法求解最优潮流问题,以优化资源调度方案。进化算法(Evolutionary Algorithms),进化算法是一类启发式优化算法,模拟自然生物进化原理,如遗传算法、粒子群优化算法等。这些算法通过群体搜索和优化过程,寻找最优解。在配电网优化中,可以使用进化算法来求解最优潮流问题,以获得符合预设目标的资源调度方案。上述算法仅是一些常见的优化算法,实际应用中还可以根据具体的问题和需求选择其他合适的优化算法。这些算法在优化计算单元132中,可以应用于配电网的资源调度和最优潮流计算,从而实现配电网的高效运行和对新能源的有效消纳。
接口输出单元133,该单元将资源调度方案输出给调控计算模块150。资源调度方案经过优化计算后,被传送到调控计算模块150进行进一步的处理和执行。这样,优化的资源调度方案可以应用于配电网的实际运行中,确保新能源的有效消纳和电力网络的稳定运行。
其中,基于配电网模型的建模,该模块利用配电网模型,对电网的拓扑结构、负载特征、发电能力等进行建模。这样可以更好地理解电网的运行状态,为优化调度提供准确的基础数据。配合最优潮流算法的资源调度:最优潮流算法可以根据预设目标(如最小网损、电压稳定性等)和约束条件(如线路容量、电压限制等),通过迭代优化计算,得到满足目标的资源调度方案。可以应用粒子群算法、遗传算法或模拟退火算法等优化方法,以选择最优的调度方案。提高新能源消纳能力,通过台区资源优化,可以合理调度和分配新能源的发电和消纳,以最大化利用可再生能源资源。考虑到新能源的波动性和间歇性,系统可以根据实时或预测数据进行动态调度,使得新能源可以尽可能地与传统能源协同运行,提高新能源的消纳能力和电网的可靠性。
其中,粒子群优化算法是一种基于群体智能的优化算法,它通过模拟鸟群或鱼群等生物群体的行为,寻找最优解;在粒子群算法中,每个候选解被表示为一个粒子,粒子通过在搜索空间中的移动来寻找最优解。每个粒子都有自己的位置和速度,其位置代表候选解的解向量,速度决定了粒子在搜索空间中的移动方向和距离;粒子通过学习自身和群体的经验来更新自己的位置和速度。在更新过程中,粒子会根据个体经验(即自身历史最优位置)和群体经验(即全局最优位置)进行调整。通过不断迭代,粒子群会逐渐收敛到最优解附近的区域;在配电网的优化计算单元132中,可以将粒子群算法应用于最优潮流计算和资源调度。具体步骤如下:初始化粒子群,确定粒子的初始位置和速度,设置参考最优位置。计算适应度:根据配电网的优化目标,计算每个粒子的适应度值,即目标函数值。适应度值反映了当前候选解的优劣程度。更新粒子的速度和位置,根据粒子群算法的更新规则,更新每个粒子的速度和位置。速度和位置的更新考虑了个体经验和群体经验,以引导粒子向更优的位置移动。记录最优位置:根据粒子的适应度值,更新粒子群的最优位置。判断停止条件,根据预设的停止条件(如迭代次数达到上限或适应度值满足要求),判断是否停止迭代。输出结果:输出最优解,包括资源调度方案,新能源接入节点等,以及相应的优化结果。通过粒子群算法的迭代演化过程,可以得到满足预设目标的优化结果,实现配电网资源的合理配置和利用。粒子群算法具有较好的全局搜索能力和收敛性。
其中,遗传算法是一种受自然进化过程启发的优化算法,它模拟了生物进化的基本原理,如遗传、变异和选择,以寻找最优解;在遗传算法中,问题的候选解通过编码表示为染色体(基因组),每个基因表示问题的一个变量或参数。染色体组成的种群通过遗传算子(交叉和变异)进行操作,产生新的后代染色体。这些后代染色体通过适应度函数进行评估,适应度较高的染色体具有更大的机会被选中。以下是遗传算法结合上述方案的解释步骤:初始化种群:随机生成初始种群,每个个体(染色体)表示一个候选解。评估适应度,利用适应度函数对每个个体进行评估,计算其适应度值。适应度值反映了个体解的好坏程度,与预设目标相关。选择操作,根据适应度值,采用选择操作(如轮盘赌选择、排名选择等)选择出较优秀的个体作为父代。交叉操作,在被选中的父代中,通过交叉操作(如单点交叉、多点交叉等)生成新的后代染色体。变异操作,对新生成的后代染色体进行变异操作(如位变异、换位变异等),引入一定的随机改变,增加种群的多样性。新种群形成:将父代和后代染色体合并形成新的种群。重复迭代,重复进行步骤2至步骤6,直到达到预设的停止条件(如达到最大迭代次数)。输出结果,最后得到的种群中的个体即为优化结果,其编码解码为具体的资源调度方案、新能源接入节点等。遗传算法通过不断迭代地操作种群,通过适应度评估、选择、交叉和变异等操作,逐渐优化种群中的染色体,使其逐步逼近最优解。它适合于配电网资源优化问题,能够全局搜索解空间,处理多目标、多约束的问题。
其中,模拟退火算法是一种优化算法,受到物质退火原理的启发。它通过模拟固体在退火过程中的原子运动,以寻找最优解。在模拟退火算法中,候选解被视为系统的状态,系统通过改变状态来寻找更优的解。算法通过接受较差解、以一定的概率跳出局部最优解的策略,以全局搜索的方式找到更优解。以下是模拟退火算法结合上述方案的解释步骤:初始解生成,从某个初始解开始,作为当前最优解,作为系统的初始状态。降温过程,通过定义一个初始温度和退火率,进行降温过程。温度的降低可以控制搜索过程的随机性。在当前温度下的迭代搜索,在当前温度下,对当前解进行多次迭代搜索,尝试在邻域内生成新的解。新解的评估,对新生成的解进行适应度评估,计算其对应的目标函数值。接受准则,根据一定的接受准则(如Metropolis准则),决定是否接受新解。接受准则通常允许在一定程度上接受较差解,以避免陷入局部最优解。更新当前解,根据接受准则的结果,更新当前解,更新为新解或保持不变。降温策略,根据预设的降温策略,降低温度,进入下一轮迭代,温度的降低可以控制搜索过程趋向于全局搜索或局部搜索。判断停止条件,根据预设的停止条件(如达到最大迭代次数或温度低于阈值),判断是否停止迭代。输出结果,输出最优解,对应于资源调度方案、新能源接入节点等,以及相应的优化结果。模拟退火算法通过模拟固体的退火过程,通过控制温度的调节和接受准则,逐步优化解空间,以全局搜索的方式找到最优解。它适用于具有复杂目标函数和约束的优化问题,在配电网资源优化中可以用于实现合理的资源调度方案。
在本实施例中,基于配电网模型建立数学模型 根据配电网的拓扑结构、线路参数、节点负荷等数据建立配电网的数学模型,模型包含电力流方程、节点功率平衡方程等;设置优化目标和约束条件 目标函数为最小化配电网网络损耗;约束条件包括各线路容量限制、节点电压幅值限制、发电机组功率输出限制等;采用最优潮流算法优化 应用模拟退火算法,初始化控制变量,包括发电机组有功功率、无功补偿等;计算目标函数值,并检查约束条件是否满足;通过迭代搜索更新控制变量,使目标函数满足约束条件下最小;终止搜索,获得最优调度方案。考虑新能源节点 在模型中增加新能源发电节点,预测其发电功率;调整传统发电机组,协调新能源的消纳,保证系统稳定;迭代计算获得新的最优调度方案。动态调整实施调度 根据新能源的实时发电数据,动态调整预设的最优调度方案,保证系统稳定性。
综上所述,台区资源优化模块130的组成,该模块通过优化配电网资源配置,实现提高对新能源的消纳能力。其中,优化建模单元131利用配电网模型和运行数据建立优化模型;优化计算单元132在该模型上利用最优潮流算法计算满足预设优化目标的资源调度方案,算法包括粒子群、遗传或模拟退火算法;接口输出单元133输出调度方案给后续模块。通过科学规划配电网资源,优化新能源、储能及传统电源的协调配置,该模块能够在保证经济性的前提下,最大限度地增强配电网对新能源的消纳和接纳能力。
图4是根据本说明书的一些实施例所示的配网承载力模块140示意图,如图4所示配网承载力模块140包括:负荷预测单元141、承载力评估单元142、故障模拟单元143和容量计算单元144。
负荷预测单元141,该单元利用配电网的仿真数据,并采用机器学习算法来预测配电网在规定预设时间段内的负荷值。通过对历史数据和其他相关因素的分析,能够预测未来负荷的变化趋势,为后续的承载力评估和容量计算提供准确的负荷预测。在本实施例中,负荷预测单元141用于利用配电网的历史负荷数据和气象数据,采用LSTM神经网络算法来预测配电网在未来1周内的负荷值,具体步骤包括:收集历史负荷数据:收集配电网过去3年中各节点在不同时间段的负荷值数据;收集相关特征:收集影响负荷的特征,包括气温、天气、日期等数据;数据预处理:对收集的数据进行清洗、去异常、标准化等预处理;建立LSTM模型:构建包含1个输入层、2个LSTM层、1个输出层的LSTM神经网络模型;训练模型,采用RMSE作为损失函数,Adam Optimizer作为优化器,训练轮数设定为100,批大小为32,训练LSTM模型;负荷预测,利用训练好的模型,输入实时气象及相关特征,预测未来1周内各节点的小时负荷值。输出预测结果:将预测负荷结果输出给后续单元评估配电网对新能源的消纳能力。
承载力评估单元142,该单元利用配电网的仿真数据和预测的负荷值,计算并判断配电网的正常运行负载能力。通过考虑诸如线路容量、变压器容量、电压稳定性等因素,对配电网的正常运行状态进行评估,判断其是否能够承担当前和预测负荷的需求。在本实施例中,承载力评估单元142用于根据配电网的仿真数据和预测负荷值,评估配电网的正常运行承载能力,具体步骤包括:获取仿真数据,获取建模分析模块120输出的配电网仿真数据,包括线路参数、变压器参数、节点数等;获取预测负荷,获取负荷预测单元141输出的未来1周各节点小时级负荷预测值;设置评估条件,设置线路负载率上限90%、变压器负载率上限80%、节点电压上下限±5%等评估条件;进行承载力评估,基于仿真数据,计算各线路、变压器在预测负荷下的负载率,进行节点电压评估;判断评估结果,判断评估结果是否满足设置的线路负载率、变压器负载率和电压限值条件;输出评估报告,生成承载力评估报告,输出给后续单元,用于指导配电网的运行与维护。
故障模拟单元143,在考虑了配电网的正常运行负载能力后,该单元基于配电网模型,模拟预设故障下的负载值,并计算配电网在预设故障下的负载能力。通过模拟不同故障情况下的负载变化,可以评估配电网在故障条件下的可靠性和承载能力。在本实施例中,故障模拟单元143用于在考虑了配电网正常运行负载能力后,基于配电网模型模拟预设故障情况下的负载值,评估配电网在故障条件下的可靠性和承载能力,具体步骤包括:设置故障参数,设置线路单相的故障和变压器故障两种典型故障;选取故障位置,随机选择配电网的5个线路位置和2台变压器作为故障发生位置;建立故障模型,在配电网模型中,在预设故障位置设置故障模型;运行仿真,启动仿真,记录故障发生前后各节点的电压、频率等参数;计算负载能力,分析仿真结果,计算配电网在故障条件下的负载能力指标;生成评估报告,形成故障模拟评估报告,输出给后续单元,用于评估配电网的可靠性。
容量计算单元144,根据配电网的正常运行负载能力和预设故障下的负载值的差值,计算配电网接入的分布式电源容量。这个计算单元可以根据实际需求,确定配电网能够接纳的分布式电源装机容量,从而提高配电网对新能源的消纳能力。在本实施例中,容量计算单元144用于根据配电网正常运行负载能力和故障情况下负载能力的差值,计算配电网可接入的分布式电源容量,具体步骤为:获取正常负载能力,获取承载力评估单元142计算的配电网正常运行最大负载能力Pmax为100MW;获取故障负载能力,获取故障模拟单元143计算的配电网单故障情况下最大负载能力P'max为80MW;计算容量差值,计算两者差值为ΔP=Pmax-P'max=100MW-80MW=20MW;确定安全系数:根据经验数据,设置安全系数k=0.8;计算接入容量:接入容量P=ΔPk=20MW0.8=16MW;输出容量值,将计算得到的16MW容量值输出给后续单元,用于指导配电网的分布式电源接入。
综上所述,该配网承载力模块140通过负荷预测、承载力评估、故障模拟和容量计算等功能,结合具体的技术特征,能够有效提高配电网对新能源的消纳能力。配网承载力模块140通过评估配电网的负载能力,计算出配电网的可接入分布式电源容量,为提高配电网对新能源的消纳能力提供支持。其中,负荷预测单元141预测配电网负荷;承载力评估单元142评估正常运行下的负载能力;故障模拟单元143模拟故障情况下的负载能力;容量计算单元144根据正常和故障情况下的负载能力差值计算可接入容量。通过科学评估配电网的负载容量,该模块可以准确计算出配电网可再生能源的最大接入容量,从而指导新能源的最优配置,有效提高配电网对新能源的消纳能力。
图5是根据本说明书的一些实施例所示的调控计算模块150示意图,如图5所示,调控计算模块150包括:约束提取单元151、多目标建模单元152、求解单元153和约束提取单元151,该单元接收分布式电源容量信息,并提取出最大分布式电源容量值,作为多目标优化计算需要满足的容量约束条件。通过获取合适的容量约束条件,确保调控计算过程中的方案符合配电网的容量限制,避免超过其承载能力。在本实施例中,约束提取单元151用于接收容量计算单元144输出的配电网可接入分布式电源容量值,并提取作为后续优化计算的约束条件,具体步骤为:获取容量计算值,获取容量计算单元144输出的配电网可接入分布式电源容量值为16MW;设置容量限制,将该容量值设定为优化计算的容量限制约束,即分布式电源接入总容量不得超过16MW;输入优化计算模块,将提取的容量限制条件输入到优化计算模块,供多目标优化计算使用;监测优化结果,监测优化计算结果中的分布式电源接入容量是否满足预设的16MW约束;输出最优方案,最终获得在满足容量约束条件下的最优调控方案,以提高配电网对新能源的消纳能力。
多目标建模单元152,在这个单元中,根据资源调度方案、容量约束条件和预设的优化目标,建立多目标决策模型。利用这个模型,可以考虑多个因素,如电力供需平衡、电压稳定性、经济性等,同时优化多个目标以实现最佳的调度控制方案。在本实施例中,多目标建模单元152用于根据资源调度方案、容量约束以及优化目标,建立多目标决策模型,具体步骤为:导入资源调度方案,导入台区资源优化模块130输出的发电机组、储能系统等资源的调度方案数据;获取容量约束,获取约束提取单元151输出的配电网分布式电源接入容量限制为16MW;设置优化目标,设置优化目标为最小化电网损耗、最大化电源利用率、最小化不平衡能量;建立数学模型,建立包含目标函数、约束条件的多目标决策数学模型;确定权重,通过专家评审确定各优化目标的权重值,输入模型;输出模型,将建立的多目标决策数学模型输出给后续的优化计算单元132。
求解单元153,该单元对建立的多目标决策模型进行计算,以获得满足容量约束条件的多目标 Pareto 最优解集。通过应用优化算法和求解技术,可以得到一组最优解,这些解在不同目标之间达到了最佳的平衡,且满足配电网容量的约束条件。在本实施例中,求解单元153用于对多目标建模单元152输出的多目标决策模型进行求解,获得满足容量约束的Pareto最优解集,具体步骤为:输入多目标模型,接收多目标建模单元152输出的多目标决策模型;选择算法,选择采用非劣排序聚类遗传算法NSGA-II来求解;设置参数,群体数量设为100,迭代次数设为500次,交叉概率为0.8,突变概率为0.1;进行求解,应用NSGA-II算法,迭代搜索非劣解集,满足配电网容量约束;获取解集,经过迭代进化,获得满足容量约束的100组非劣解集作为Pareto最优解;输出解集,将求解得到的Pareto最优解集输出给评估选择模块。
决策单元,在这个单元中,根据预设的优化目标,从多目标 Pareto 最优解集中选择最终的调度控制方案。根据具体的优化目标,如最大化新能源消纳量、最小化系统损耗或成本等,决策单元从多个解中选择最优方案,并制定具体的调度控制策略。在本实施例中,决策单元用于从求解单元153输出的Pareto最优解集中选择最终的调度控制方案,具体步骤为:导入解集,导入求解单元153输出的100组Pareto最优解;设置目标,预设本次优化的目标为最大化新能源消纳量;评估指标,计算每组解对应的新能源消纳量指标;选择最优解,从100组解中选择新能源消纳量最大的解A作为最优解;生成方案,以最优解A为基础,生成调度控制策略和执行方案,包括分时分布式电源输出计划、储能充放电计划等;输出最优方案,将生成的调度控制策略和执行方案输出给调度指令生成单元。
其中,调控计算模块150通过约束提取、多目标建模、求解和决策等步骤,结合具体的技术特征,能够确定最佳的调度控制方案,以提高配电网对新能源的消纳能力。通过优化调度方案,将分布式电源合理地调度和控制,使其能够充分利用并平衡各种资源,提高配电网的可靠性、稳定性和经济性,从而有效增强配电网对新能源的接纳能力。
综上所述,调控计算模块150通过多目标优化计算生成配电网的最终调控方案,以提高对新能源的消纳能力。其中,约束提取单元151提取可接入容量的上限作为约束条件;多目标建模单元152根据资源调度方案、容量约束以及经济和供电可靠性等优化目标建立模型;求解单元153求解该模型获得Pareto最优解集;决策单元从解集中选取最终方案。通过承载力约束和多目标优化,该模块可以科学合理地制定出充分利用新能源的最优调控方案,从而显著提升配电网对新能源的消纳能力。
图6是根据本说明书一些实施例所示的一种面向源荷互动的配网调控方法的示例性流程图,如图6所示,一种面向源荷互动的配网调控方法包括如下技术步骤:S210采集配电网的运行数据和气象数据,并建立配电网模型;S220基于建立的配电网模型,进行配电网资源优化计算,生成资源调度方案;S230利用配电网模型,计算配电网的接入的分布式电源容量;S240根据资源调度方案和分布式电源容量,建立多目标决策模型,求解获得满足容量约束的Pareto 最优解集;S250从Pareto 最优解集中选择满足优化目标的调控方案。利用配电网模型判断可能发生潮流倒送的区域,并对配电网进行充放电控制,以消纳新能源;其中,可能发生潮流倒送的电网区域指在分布式新能源接入量大于阈值且电网负荷低于阈值的区域。
其中,面向源荷互动的配网调控方法首先采集配电网的运行数据和气象数据并建立配电网模型。然后基于该模型进行配电网资源优化计算,生成资源调度方案,并计算配电网的接入的分布式电源容量。接下来,根据资源调度方案和分布式电源容量建立多目标决策模型,并求解获得满足容量约束的Pareto 最优解集。最后,从Pareto 最优解集中选择满足优化目标的调控方案。
具体地,建立配电网模型的步骤包括根据采集的配电网运行数据和气象数据建立配电网模型、进行多场景仿真并输出仿真数据、利用蒙特卡洛算法计算配电网的负荷值、根据负荷值确定新能源的最佳并网节点,以及在局部区域发生故障时根据配电网模型将配电网划分为多个耦合单元并生成控制指令来隔离故障区域和无故障区域。此外,利用配电网模型判断可能发生潮流倒送的区域,并对配电网进行充放电控制以消纳新能源。这里提到的可能发生潮流倒送的电网区域是指分布式新能源接入量大于阈值且电网负荷低于阈值的区域。
其中,数据采集和配电网建模:首先,采集配电网的运行数据和气象数据,并利用这些数据建立配电网模型。通过建立模型,可以对配电网的运行状态进行模拟和分析。
具体地,建立配电网模型的步骤包含:根据采集的配电网运行数据和气象数据:收集配电网的实时运行数据,包括负荷情况、电压、电流、功率因数等参数,同时获取气象数据,如太阳辐射、风速等。这些数据可以通过智能传感器、监控设备、气象站等来获取。建立配电网模型:利用收集到的运行数据和气象数据,根据配电网的拓扑结构和传输线路参数,建立配电网模型。该模型可以是基于物理方程的数学模型或基于电力系统仿真软件的模型。多场景仿真和输出仿真数据:使用建立的配电网模型,在不同的场景下进行仿真,模拟配电网在不同条件下的运行情况。通过仿真可以得到配电网在不同负荷、气象条件下的电流、电压、功率等参数,以及各个节点的状态信息。利用蒙特卡洛算法计算配电网的负荷值:蒙特卡洛算法是一种随机模拟方法,可以用于估计配电网的负荷值。通过在仿真过程中引入随机性,多次运行仿真以获取不同的负荷值,并对这些值进行统计分析,得出负荷值的概率分布。计算新能源的最佳并网节点:根据计算得到的负荷值,在配电网模型中进行优化计算,确定新能源的最佳并网节点。最佳并网节点的选择可以基于最小功率损耗、最小电压波动、最大容纳量等指标进行。配电网故障区域划分和隔离:当配电网的局部区域发生故障时,利用配电网模型将该区域在逻辑上划分为多个耦合单元,生成控制指令,对故障区域和无故障区域进行隔离。这样可以防止故障扩大影响整个配电网的运行。
更具体地,利用配电网模型对故障区域进行隔离的技术步骤包含:利用配电网模型获取配电网的拓扑结构:通过建立配电网模型,可以获取配电网的拓扑结构,包括变电站、配电变压器、馈线、分支线等组成部分,以及它们之间的连接关系与参数。当配电网的局部区域发生故障时,根据故障区域和获取的拓扑结构,识别出故障区域和无故障区域:根据故障的位置和类型,结合配电网模型中的连接关系,可以确定故障区域和与之相连的无故障区域。在逻辑上将故障区域和无故障区域划分为两个耦合单元:根据识别的故障区域和无故障区域,将它们在逻辑上划分为两个耦合单元。一个耦合单元包括故障区域及其所连接的组件和线路,另一个耦合单元包括无故障区域及其所连接的组件和线路。对划分的两个耦合单元的界面区域的断路器发送断开操作指令,将两个耦合单元在物理上进行隔离:根据划分的两个耦合单元之间的界面区域,在配电网模型中定位相应的断路器,并发送断开操作指令,使两个耦合单元在物理上实现隔离。这样做可以防止故障的影响扩散到无故障区域,并保障无故障区域的正常供电。从提高配电网对新能源的消纳能力的角度来看,该技术可以有效处理配电网局部区域的故障,并及时隔离故障区域,从而避免影响其他正常运行的区域。
配网资源优化计算:基于建立的配电网模型,进行配电网资源优化计算,以生成资源调度方案。这一步骤的目的是通过优化调度,合理分配配电网资源,以提高其对新能源的接纳能力。
配网模型的建立和故障区域隔离:在建立配电网模型的过程中,根据采集的运行数据和气象数据,进行多场景仿真并输出仿真数据。同时,利用蒙特卡洛算法计算配电网的负荷值,并根据负荷值确定新能源的最佳并网节点。当配电网的局部区域发生故障时,利用配电网模型将配电网在逻辑上划分为多个耦合单元,并生成控制指令,对故障区域和无故障区域进行隔离。这样可以确保故障区域不会对整个配电网的运行产生负面影响。
计算分布式电源容量和多目标决策模型建立:利用配电网模型,计算配电网接入的分布式电源容量。然后,基于资源调度方案和分布式电源容量,建立多目标决策模型,并通过求解该模型获得满足容量约束的Pareto最优解集。这一步骤考虑了多个优化目标,并通过优化算法选择最佳的调控方案。潮流倒送判断和充放电控制:利用配电网模型判断可能发生潮流倒送的区域。当分布式新能源的接入量超过阈值且电网负荷低于阈值时,可以考虑进行充放电控制,以确保新能源的安全接入。
综上所述,一种面向源荷互动的配网调控方法的流程,该方法通过建模分析、配网承载力评估、多目标优化决策等步骤协同工作,以提高配电网对新能源的消纳能力。其中,采集数据建立配电网模型,模型支持故障隔离、最佳并网计算等功能;进行配网资源优化计算获得调度方案;计算配电网的可接入分布式电源容量;根据调度方案和容量进行多目标决策获得最优控制方案。该方法充分利用配电网模型支持的各项功能,通过科学规划、优化配置配电网资源,能够最大限度地提升配电网对新能源的消纳和接纳能力。
以上示意性地对本发明创造及其实施方式进行了描述,该描述没有限制性,在不背离本发明的精神或者基本特征的情况下,能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一,实际的结构并不局限于此,权利要求中的任何附图标记不应限制所涉及的权利要求。所以,如果本领域的普通技术人员受其启示,在不脱离本创造宗旨的情况下,不经创造性地设计出与该技术方案相似的结构方式及实施例,均应属于本专利的保护范围。此外,“包括”一词不排除其他元件或步骤,在元件前的“一个”一词不排除包括“多个”该元件。
Claims (3)
1.一种面向源荷互动的配网调控系统,包括:
数据采集模块,采集配电网的运行数据和气象数据;
建模分析模块,根据采集的配电网的运行数据和气象数据建立配电网模型;
台区资源优化模块,基于配电网模型优化配电网的资源,生成资源调度方案;
配网承载力模块,基于配电网模型,计算配电网接入的分布式电源容量;
调控计算模块,根据资源调度方案和分布式电源容量,进行多目标优化计算,生成配电网的调控方案;
建模分析模块包括:
建模单元,根据采集的配电网的运行数据和气象数据,建立配电网模型;
仿真单元,基于配电网模型,进行多场景仿真,并输出仿真数据;
负荷计算单元,基于配电网模型,利用蒙特卡洛算法计算配电网的负荷值;
并网单元,根据负荷值,确定新能源的最佳并网节点;
故障隔离单元,当配电网的局部区域发生故障时,利用配电网模型将配电网划分成多个耦合单元,生成控制指令,隔离故障区域和无故障区域;
潮流倒送单元,利用配电网模型获取配电网中可能发生潮流倒送的区域,调节所述区域的充放电,以消纳新能源;
其中,可能发生潮流倒送的电网区域指在分布式新能源接入量大于阈值且电网负荷低于阈值的区域;
并网单元包括:
负荷分析子单元,根据采集的配电网的运行数据和气象数据,采用机器学习算法预测配电网中各个节点的负荷分布;
并网计算子单元,根据各个节点的负荷分布,计算接入新能源的最佳并网节点;
设备控制子单元,向最佳并网节点发送接入新能源的控制指令,对最佳并网节点的开关设备进行闭合操作;
潮流倒送单元包括:
潮流倒送判断子单元,根据配电网模型判断配电网中可能发生潮流倒送的区域;
监测设备子单元,监测可能发生潮流倒送的区域的电压和电流;
稳压设备子单元,根据监测设备子单元的监测结果,在可能发生潮流倒送的区域利用直流稳压装置稳定电压和电流;
潮流倒送协调子单元,根据稳压设备子单元的稳压结果,利用设置的可控并联无功补偿电抗器及储能系统,控制无功补偿和储能系统的充放电,平衡所述可能发生潮流倒送的区域的电压,以消纳新能源;
台区资源优化模块包括:
优化建模单元,利用配电网模型,结合配电网的运行数据,构建配电网资源优化的优化模型;
优化计算单元,利用构建的优化模型,采用最优潮流算法计算满足预设目标的资源调度方案;
接口输出单元,将资源调度方案输出给调控计算模块;
其中,最优潮流算法为基于粒子群算法、遗传算法或模拟退火算法中的一种;
调控计算模块包括:
约束提取单元,接收分布式电源容量,并提取出最大分布式电源容量值,作为多目标优化计算需要满足的容量约束条件;
多目标建模单元,根据资源调度方案、容量约束条件和预设的优化目标,建立多目标决策模型;
求解单元,计算建立的多目标决策模型,获得满足容量约束条件的多目标 Pareto 最优解集;
决策单元,根据预设的优化目标,从多目标 Pareto 最优解集中选取最终的调度控制方案,作为配电网的调控方案。
2.根据权利要求1所述的面向源荷互动的配网调控系统,其特征在于:
配网承载力模块包括:
负荷预测单元,根据配电网的仿真数据,采用机器学习算法预测配电网在规定预设时间段内的负荷值;
承载力评估单元,利用配电网的仿真数据和预测的负荷值,计算并判断配电网的正常运行负载能力;
故障模拟单元,基于配电网的正常运行负载能力,利用配电网模型模拟预设故障下的负载值,计算配电网在预设故障下的负载能力;
容量计算单元,根据配电网的正常运行负载能力和预设故障下的负载值的差值,计算配电网接入的分布式电源容量。
3.一种基于权利要求1至2任一所述的面向源荷互动的配网调控系统的方法,包括:
采集配电网的运行数据和气象数据,并建立配电网模型;
基于建立的配电网模型,进行配电网资源优化计算,生成资源调度方案;
利用配电网模型,计算配电网的接入地分布式电源容量;
根据资源调度方案和分布式电源容量,建立多目标决策模型,求解获得满足容量约束的Pareto 最优解集;
从Pareto 最优解集中选择满足优化目标的调控方案;
建立配电网模型的步骤包含:
根据采集的配电网运行数据和气象数据,建立配电网模型;
基于建立的配电网模型,进行多场景仿真并输出仿真数据;
利用蒙特卡洛算法计算配电网的负荷值;
根据负荷值,利用配电网模型,计算新能源的最佳并网节点;
当配电网的局部区域发生故障时,利用配电网模型将配电网在逻辑上划分为多个耦合单元,生成控制指令,对故障区域和无故障区域进行隔离;
利用配电网模型判断可能发生潮流倒送的区域,并对配电网进行充放电控制,以消纳新能源;
其中,可能发生潮流倒送的电网区域指在分布式新能源接入量大于阈值且电网负荷低于阈值的区域;
利用配电网模型对故障区域进行隔离的技术步骤包含:
利用配电网模型获取配电网的拓扑结构;
当配电网的局部区域发生故障时,根据故障区域和获取的拓扑结构,识别出故障区域和无故障区域;
根据识别结果,在逻辑上将故障区域和无故障区域划分为两个耦合单元;
对划分的两个耦合单元的界面区域的断路器发送断开操作指令,将两个耦合单元在物理上进行隔离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311372394.9A CN117526432B (zh) | 2023-10-23 | 2023-10-23 | 一种面向源荷互动的配网调控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311372394.9A CN117526432B (zh) | 2023-10-23 | 2023-10-23 | 一种面向源荷互动的配网调控系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117526432A CN117526432A (zh) | 2024-02-06 |
CN117526432B true CN117526432B (zh) | 2024-05-10 |
Family
ID=89757521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311372394.9A Active CN117526432B (zh) | 2023-10-23 | 2023-10-23 | 一种面向源荷互动的配网调控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117526432B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830029B (zh) * | 2024-03-01 | 2024-04-30 | 华能澜沧江水电股份有限公司 | 一种基于优化算法的集控平台管理系统 |
CN118199272B (zh) * | 2024-05-17 | 2024-08-06 | 广东电网有限责任公司广州供电局 | 一种复杂配电网的智能高效主动调控方法及系统 |
CN118249391B (zh) * | 2024-05-27 | 2024-08-27 | 南通国轩新能源科技有限公司 | 基于用电需求的储能控制方法及系统 |
Citations (2)
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 |
CN116488183A (zh) * | 2023-04-12 | 2023-07-25 | 国网河南省电力公司民权县供电公司 | 一种含分布式电源的配电网优化调度方法 |
-
2023
- 2023-10-23 CN CN202311372394.9A patent/CN117526432B/zh active Active
Patent Citations (2)
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 |
CN116488183A (zh) * | 2023-04-12 | 2023-07-25 | 国网河南省电力公司民权县供电公司 | 一种含分布式电源的配电网优化调度方法 |
Non-Patent Citations (2)
Title |
---|
"基于态势联动的主动配电网多源优化调度框架";王晓辉等;《电网技术》;20170228;第41卷(第2期);全文 * |
考虑可再生能源跨区域消纳的主动配电网多目标优化调度;曾博等;电工技术学报;20161125(22);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117526432A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zia et al. | Microgrids energy management systems: A critical review on methods, solutions, and prospects | |
Yamashita et al. | A review of hierarchical control for building microgrids | |
CN117526432B (zh) | 一种面向源荷互动的配网调控系统及方法 | |
Singh et al. | Distributed power generation planning for distribution networks using electric vehicles: Systematic attention to challenges and opportunities | |
Sanseverino et al. | An execution, monitoring and replanning approach for optimal energy management in microgrids | |
CN110417015A (zh) | 基于模型预测控制的微电网多目标优化调度方法及系统 | |
Sharma et al. | A critical and comparative review of energy management strategies for microgrids | |
Kunya et al. | Review of economic dispatch in multi-area power system: State-of-the-art and future prospective | |
CN111030188A (zh) | 一种含分布式和储能的分层分级控制策略 | |
Behera et al. | A systematic review of energy management system based on various adaptive controllers with optimization algorithm on a smart microgrid | |
CN106682808A (zh) | 在线滚动优化调度模型 | |
CN102510108B (zh) | 一种用于求取地区电网最大风电装机容量的方法 | |
CN111262243A (zh) | 一种园区配电系统运行方式智能辨识以及优化方法 | |
CN106159998A (zh) | 可再生能源微电网优化调度系统 | |
Cheng et al. | Adaptive robust method for dynamic economic emission dispatch incorporating renewable energy and energy storage | |
CN109583655A (zh) | 一种发输电多阶段联合扩展规划方法及系统 | |
Ma et al. | State-of-the-art forecasting algorithms for microgrids | |
CN110994790B (zh) | 一种企业电网调度知识决策分析系统 | |
Elgamal et al. | Robust multi‐agent system for efficient online energy management and security enforcement in a grid‐connected microgrid with hybrid resources | |
Jain et al. | Overview of Energy Management Systems for Microgrids and Smart Grid | |
CN116706905B (zh) | 基于电力系统的多能预测及调度方法、设备及存储介质 | |
Li et al. | Multi-stage power source and grid coordination planning method considering grid uniformity | |
CN107392350A (zh) | 含分布式能源及充电站的配电网扩展规划综合优化方法 | |
Senthil Kumar et al. | [Retracted] Optimization Technique for Renewable Energy Storage Systems for Power Quality Analysis with Connected Grid | |
Lu et al. | Advances in Model Predictive Control for Large-Scale Wind Power Integration in Power Systems: A Comprehensive Review |
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 |