CN117595280A - 分布式光伏电源的选址定容方法及装置 - Google Patents
分布式光伏电源的选址定容方法及装置 Download PDFInfo
- Publication number
- CN117595280A CN117595280A CN202311605778.0A CN202311605778A CN117595280A CN 117595280 A CN117595280 A CN 117595280A CN 202311605778 A CN202311605778 A CN 202311605778A CN 117595280 A CN117595280 A CN 117595280A
- Authority
- CN
- China
- Prior art keywords
- power supply
- distributed photovoltaic
- photovoltaic power
- distribution network
- junction temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004513 sizing Methods 0.000 title claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 141
- 239000002245 particle Substances 0.000 claims description 104
- 230000006870 function Effects 0.000 claims description 35
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 9
- 230000008439 repair process Effects 0.000 claims description 8
- 230000009191 jumping Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000008093 supporting effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—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
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
- 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
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种分布式光伏电源的选址定容方法及装置,属于配电网技术领域。该方法包括:获取配电网的历史运行数据;根据历史运行数据和预设权重,以分布式光伏电源的全寿命周期成本、光伏逆变器的结温峰值、配电网的网络损耗、配电网中各个节点的电压波动和公共连接点的交换功率的加权之和最小为目标,建立目标函数,并建立目标函数的约束条件;根据约束条件,求解目标函数,得到分布式光伏电源的最优接入位置和最优接入容量。本发明能够延长分布式光伏电源的使用时间,降低分布式光伏电源选址定容方案的成本。
Description
技术领域
本发明涉及配电网技术领域,尤其涉及一种分布式光伏电源的选址定容方法及装置。
背景技术
以风电、光伏为代表的新能源发电已是实现能源结构调整的重要组成部分,但新能源发电具有随机性、波动性、间接性以及弱调节性等特点,大规模并网会对电网的稳定性造成影响。
分布式光伏电源接入配电网会改变潮流单向流动的现状,由辐射型无源配电网变为有源环网。相较于辐射状的配电网,含分布式光伏电源的配电网规划的难度增加。配电网的拓扑结构、线路参数、分布式光伏电源的接入点和接入容量决定了分布式光伏接入对配电网的损耗、电能质量以及可靠性的影响程度。合理地规划分布式光伏电源的接入位置和接入容量,以及有效地协调分布式光伏电源输出的有、无功配比,能使得分布式电源出力对配电网电压,尤其是末端电压起到良好的支撑作用。
申请号为202110295923.4的专利文献提出了一种基于配电网概率潮流计算的分布式光伏电源选址优化方法,通过配电网概率潮流分析进行选址,降低网络损耗,提高供电稳定性。但是这种方式并没有考虑分布式光伏电源的使用情况,难以保证分布式光伏电源的选址定容的成本。
发明内容
本发明实施例提供了一种分布式光伏电源的选址定容方法及装置,以延长分布式光伏电源的使用时间,从而降低分布式光伏电源的选址定容的成本。
第一方面,本发明实施例提供了一种分布式光伏电源的选址定容方法,包括:
获取配电网的历史运行数据;
根据历史运行数据和预设权重,以分布式光伏电源的全寿命周期成本、光伏逆变器的结温峰值、配电网的网络损耗、配电网中各个节点的电压波动和公共连接点的交换功率的加权之和最小为目标,建立目标函数,并建立目标函数的约束条件;
根据约束条件,求解目标函数,得到分布式光伏电源的最优接入位置和最优接入容量。
在一种可能的实现方式中,约束条件包括:分布式光伏出力约束;
分布式光伏出力约束为:
0≤Pi PV≤min(Pi PV,max,PIGBT_limin);
其中,Pi PV表示节点i的光伏输出功率,Pi PV,max表示节点i的光伏输出功率上限值,PIGBT_limin表示分布式光伏电源的结温限值对应的光伏最大输出功率,min(Pi PV,max,PIGBT_limin)表示节点i的光伏输出功率上限值和分布式光伏电源的结温限值对应的光伏最大输出功率中的较小值。
在一种可能的实现方式中,结温限值对应的光伏最大输出功率根据结温限值和分布式光伏电源的接入位置和接入容量确定。
在一种可能的实现方式中,根据结温限值和分布式光伏电源的接入位置和接入容量确定结温限值对应的光伏最大输出功率的方法包括:
根据分布式光伏电源的接入位置和接入容量,确定光伏逆变器的结温峰值;
根据结温峰值和结温限值,利用二分法,计算分布式光伏电源的结温限值对应的光伏最大输出功率。
在一种可能的实现方式中,根据分布式光伏电源的接入位置和接入容量,确定光伏逆变器的结温峰值,包括:
将接入位置的环境温度和光照强度以及接入容量,输入至预先训练的结温峰值计算模型,得到对应的光伏逆变器的结温峰值。
在一种可能的实现方式中,约束条件还包括配电网潮流约束、配电网节点电压约束、分布式光伏电源接入位置约束、分布式光伏电源容量约束和光伏逆变器结温约束。
在一种可能的实现方式中,根据约束条件,求解目标函数,得到分布式光伏电源的最优接入位置和最优接入容量,包括:
步骤一,设置粒子群优化算法的相关参数,相关参数包括粒子群大小、迭代次数及最大迭代次数;
步骤二,随机生成粒子群中粒子的初始位置和初始速度,根据每个粒子的初始位置,计算每个粒子的适应值;并根据每个粒子的适应值确定粒子群中每个粒子的个体最优位置和粒子群的群体最优位置;
步骤三,根据最大迭代次数和当前迭代次数更新个体学习因子和群体学习因子;根据更新后的个体学习因子、群体学习因子、每个粒子的个体最优位置和粒子群的群体最优位置,更新粒子群中每个粒子的速度,并根据更新后的速度更新每个粒子的位置;
步骤四,计算位置更新后的每个粒子的适应值;并根据每个粒子的适应度值,确定每个粒子的个体最优位置和粒子群的群体最优位置;
步骤五,判断当前迭代次数是否达到最大迭代次数,若迭代次数未达到最大迭代次数,则将当前迭代次数加1,并跳转至步骤三;
步骤六,若迭代次数达到最大迭代次数,则停止迭代,确定当前粒子群的群体最优位置为分布式光伏电源的最优接入位置和最优接入容量。
在一种可能的实现方式中,根据最大迭代次数和当前迭代次数更新个体学习因子和群体学习因子,包括:
根据更新个体学习因子和群体学习因子;
其中,c1表示个体学习因子,c2表示群体学习因子,i表示当前迭代次数,imax表示最大迭代次数,cmax表示最大学习因子,cmin表示最小学习因子。
在一种可能的实现方式中,分布式光伏电源的全寿命周期成本的计算公式为:
式中,LCC表示分布式光伏电源的全寿命周期成本,CI表示一次性投入成本,CO表示运行成本,CM表示维护成本,CF表示故障成本,CD表示报废残值回收成本,α表示分布式光伏电源的单位投资价格,lij表示分布式光伏电源至配电网节点的直线距离,f(S)表示分布式光伏电源的接入容量为S时对应的初始投资费用,β表示配电网中线路的网络损耗折算系数,Wi表示节点对应的有功损耗,u(S)表示分布式光伏电源的接入容量为S时对应的管理费用,σ表示维修折算系数,Ecut表示配电网的缺售电量,Bpow表示配电网单位售电量的平均利润,m表示分布式光伏电源的停电间隔数,λ表示分布式光伏电源的设备故障率,crc表示分布式光伏电源的停电的平均修复成本,MTTR表示分布式光伏电源的设备平均修复时间,EENS表示配电网对应的区域内各产业因停电故障带来的缺电量,G表示配电网对应的区域中各产业通过电力供应所创造的生产总值,EC表示配电网对应的区域内各产业的电量供应,Re表示分布式光伏电源的设备处置系数,Rr表示分布式光伏电源的残值回收系数,j表示配电网中接入分布式光伏电源的节点,N表示配电网中接入的分布式光伏电源的节点的集合,i表示配电网的节点,n表示配电网的节点总数。
第二方面,本发明实施例提供了一种分布式光伏电源的选址定容装置,包括:
获取模块,用于获取配电网的历史运行数据;
建立模块,用于根据历史运行数据和预设权重,以分布式光伏电源的全寿命周期成本、光伏逆变器的结温峰值、配电网的网络损耗、配电网中各个节点的电压波动和公共连接点的交换功率的加权之和最小为目标,建立目标函数,并建立目标函数的约束条件;
求解模块,用于根据约束条件,求解目标函数,得到分布式光伏电源的最优接入位置和最优接入容量。
本发明实施例与现有技术相比存在的有益效果是:
本发明实施例通过以分布式光伏电源的全寿命周期成本、光伏逆变器的结温峰值、配电网的网络损耗、配电网中各个节点的电压波动和公共连接点的交换功率的加权最小为目标,建立目标函数,能够同时考虑分布式光伏电源选址定容的成本和配电网的运行状态,并且通过在目标函数中加入光伏逆变器的结温峰值,可以考虑分布式光伏电源中光伏逆变器的结温峰值对分布式光伏电源的使用时间以及输出功率的影响,进而延长分布式光伏电源的使用时间以及约束分布式光伏电源的输出功率,进一步降低分布式光伏电源选址定容的投入成本,提高配电网接入分布式光伏电源后的稳定性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的分布式光伏电源的选址定容方法的应用场景图;
图2是本发明实施例提供的分布式光伏电源的选址定容方法的实现流程图;
图3是本发明实施例提供的光伏逆变器的结温波动与功率循环故障周期数的关系示意图;
图4是本发明实施例提供的光伏逆变器的结温峰值与分布式光伏电源的光伏输出功率的关系示意图;
图5是本发明实施例提供的分布式光伏电源的选址定容装置的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
图1为本发明实施例提供的分布式光伏电源的选址定容方法的应用场景图。图1中示出了一个33节点的配电网的结构,配电网对应的区域大节点多,合理规划分布式光伏电源的接入位置和接入容量,有助于对配电网电压提供良好的支撑作用。
图2为本发明实施例提供的分布式光伏电源的选址定容方法的实现流程图,详述如下:
步骤S201,获取配电网的历史运行数据。
在本实施例中,配电网的历史运行数据可以包括配电网中各个节点之间的拓扑结构、配电网的线路参数、配电网中各个节点的电力负荷数据、配电网中各个节点对应的气象数据;其中,气象数据可以是光照强度和环境温度。
步骤S202,根据历史运行数据和预设权重,以分布式光伏电源的全寿命周期成本、光伏逆变器的结温峰值、配电网的网络损耗、配电网中各个节点的电压波动和公共连接点的交换功率的加权之和最小为目标,建立目标函数,并建立目标函数的约束条件。
在本实施例中,光伏逆变器的结温峰值具体指的是光伏逆变器中绝缘栅双极晶体管(Insulate-Gate Bipolar Transistor,IGBT)的结温峰值。分布式光伏电源的全寿命周期成本与分布式光伏电源的具体使用情况相关,分布式光伏电源中的光伏逆变器的结温峰值也会影响分布式光伏电源的使用,而全寿命周期成本和光伏逆变器的结温峰值均受到分布式光伏电源的接入位置和接入容量的影响。通过将分布式光伏电源的全寿命周期成本、光伏逆变器的结温峰值、配电网的网络损耗、配电网中各个节点的电压波动和公共连接点的交换功率设置到目标函数中,能够在对分布式光伏电源进行规划时同时考虑分布式光伏电源的使用情况以及分布式光伏电源接入配电网的影响情况,进而保证分布式光伏电源的使用时间,降低规划成本。
另外,在光伏逆变器的IGBT运行过程中,不同材料受到不同程度的热应力,长期累积后会导致功率器件的热疲劳失效。参见图3所示的光伏逆变器的结温波动与功率循环故障周期数的关系示意图,由图3可知,IGBT的寿命与结温波动幅度ΔTj以及热冲击周期中的结温平均值Tm有关,IGBT的结温波动和平均结温的升高将降低IGBT的寿命。而IGBT结温的波动和平均结温会影响IGBT的结温峰值,因此,通过将光伏逆变器的结温峰值加入目标函数中,可以在对分布式光伏电源进行选址定容时考虑其中光伏逆变器的结温峰值,即考虑光伏逆变器的寿命,进而延长分布式光伏电源的寿命,降低分布式光伏电源的投入成本。
可选的,目标函数可以为:
式中,f表示目标函数,LCC表示分布式光伏电源的全寿命周期成本,Tmax表示光伏逆变器的结温峰值,Ploss,t表示配电网在t时刻的网络损耗,表示配电网中各个节点的电压波动之和,ΔUi表示节点i的电压波动,/>表示所有公共连接点的交换功率之和,Pi表示公共连接点的交换功率,i表示配电网中的节点,t表示时刻,n表示配电网中节点总数,k表示公共连接点,ω1、ω2、ω3、ω4和ω5分别表示对应的预设权重。
其中,预设权重可以根据配电网的历史运行数据进行确定。
配电网的历史运行数据还包括配电网中分布式光伏电源的历史全寿命周期成本、光伏逆变器的历史结温峰值、配电网的历史网络损耗、配电网中各个节点的历史电压波动和公共连接点的历史交换功率。此处所指的分布式光伏电源为配电网中已有的分布式光伏电源;若当前配电网中不存在分布式光伏电源,可以获取与当前配电网相似的配电网中分布式光伏电源的相关数据。
另外,确定预设权重的过程可以是:
对配电网的历史运行数据进行标准化处理和归一化处理,得到预处理数据;
根据预处理数据,利用熵权法,分别确定全寿命周期成本、结温峰值、网络损耗、电压波动和公共连接点的交换功率对应的预设权重。
具体的,可以根据对配电网的历史运行数据进行归一化处理;式中,yij表示归一化后的第i种历史运行数据中的第j个数据,xij表示归一化前的第i种历史运行数据中的第j个数据,xi,min表示归一化前的第i种历史运行数据中的最小值,xi,max表示归一化后的第i种历史运行数据中的最大值。
根据预处理数据,利用熵权法,分别确定全寿命周期成本、结温峰值、网络损耗、电压波动和公共连接点的交换功率对应的预设权重,可以详述为:
S301,基于预处理数据,分别计算全寿命周期成本、结温峰值、网络损耗、电压波动和公共连接点的交换功率对应的变异程度。
具体的,可以根据计算变异程度;式中,pij表示第i种历史运行数据中的第j个数据的变异程度,n表示第i种历史运行数据中所有数据的总数量,j=1,2,3,…,n,m表示历史运行数据的种类,即全寿命周期成本、结温峰值、网络损耗、电压波动和公共连接点的交换功率,i=1,2,3,…,m。
S302,根据变异程度,分别计算全寿命周期成本、结温峰值、网络损耗、电压波动和公共连接点的交换功率对应的信息熵。
具体的,可以根据计算信息熵;式中,Ei表示第i种历史运行数据的信息熵。其中,Ei≥0,若pij=0,则确定Ei=0。
S303,根据信息熵,计算全寿命周期成本、结温峰值、网络损耗、电压波动和公共连接点的交换功率对应的预设权重。
具体的,可以根据计算预设权重。式中,wi表示第i种历史运行数据的预设权重,k表示历史运行数据的种类,即k=m。
在本实施例中,通过熵权法,可以准确计算出适用于当前需要规划的配电网的预设权重,从而使目标函数更具有针对性,以便准确求解出适用于当前需要规划的配电网的分布式光伏电源的接入位置和接入容量。
可选的,分布式光伏电源的全寿命周期成本的计算公式为:
式中,LCC表示分布式光伏电源的全寿命周期成本,CI表示一次性投入成本,CO表示运行成本,CM表示维护成本,CF表示故障成本,CD表示报废残值回收成本,α表示分布式光伏电源的单位投资价格,lij表示分布式光伏电源至配电网节点的直线距离,f(S)表示分布式光伏电源的接入容量为S时对应的初始投资费用,β表示配电网中线路的网络损耗折算系数,Wi表示节点对应的有功损耗,u(S)表示分布式光伏电源的接入容量为S时对应的管理费用,σ表示维修折算系数,Ecut表示配电网的缺售电量,Bpow表示配电网单位售电量的平均利润,m表示分布式光伏电源的停电间隔数,λ表示分布式光伏电源的设备故障率,crc表示分布式光伏电源的停电的平均修复成本,MTTR表示分布式光伏电源的设备平均修复时间,EENS表示配电网对应的区域内各产业因停电故障带来的缺电量,G表示配电网对应的区域中各产业通过电力供应所创造的生产总值,EC表示配电网对应的区域内各产业的电量供应,Re表示分布式光伏电源的设备处置系数,Rr表示分布式光伏电源的残值回收系数,j表示配电网中接入分布式光伏电源的节点,N表示配电网中接入的分布式光伏电源的节点的集合,i表示配电网的节点,n表示配电网的节点总数。
在本实施例中,分布式光伏电源的全寿命周期成本为分布式光伏电源在整个生命周期中所有支出费用的总和,其包括一次性投入成本、运行成本、维护成本、故障成本、报废残值回收成本等。将分布式光伏电源的全寿命周期成本放入目标函数中,能够在选址定容时考虑规划方案的实际使用情况,从而降低分布式光伏电源选址定容规划的成本。
其中,根据实际需要,本发明提供的方案可以为一个分布式光伏电源进行选址定容,也可以为多个分布式光伏电源进行选址定容。j表示配电网中接入分布式光伏电源的节点,N表示配电网中接入的分布式光伏电源的节点的集合,此处所指的分布式光伏电源即为准备接入配电网的分布式光伏电源;若为一个分布式光伏电源选址定容,则N中包含一个接入节点;若为多个分布式光伏电源选址定容,则N中包含多个接入节点。
另外,α具体可以是分布式光伏电源的每公里投资价格。β表示配电网中线路的网络损耗折算系数的计算公式为:
式中,β1表示配电网中的当前电价,β2表示配电网中线路的单位电阻,具体可以是每公里的电阻,β3表示预设时段内的损耗小时数,具体可以是年损耗小时数,U表示线电压,表示功率因数。
在一种可能的实现方式中,约束条件包括:分布式光伏出力约束;
分布式光伏出力约束为:
其中,Pi PV表示节点i的光伏输出功率,表示节点i的光伏输出功率上限值,PIGBT_limin表示分布式光伏电源的结温限值对应的光伏最大输出功率,min(Pi PV,max,PIGBT_limin)表示节点i的光伏输出功率上限值和分布式光伏电源的结温限值对应的光伏最大输出功率中的较小值。
在本实施例中,通过使用光伏功率输出上限,对接入的分布式光伏电源的输出功率进行约束,可以使分布式光伏电源的选址定容的规划方案满足光伏设备的实际输出要求;通过结温限值对应的光伏最大输出功率,对接入的分布式光伏电源的输出功率进行约束,可以通过最大输出功率对结温峰值进行约束,确保分布式光伏电源中光伏逆变器的结温峰值满足结温限值的要求。
可选的,结温限值对应的光伏最大输出功率根据结温限值和分布式光伏电源的接入位置和接入容量确定。
在本实施例中,区域内最佳光照强度和最佳环境温度不同,会影响分布式光伏电源的最大输出功率,因此,需要根据接入节点对应的最佳光照强度和最佳环境温度,针对性地确定光伏最大输出功率。
进一步的,根据结温限值和分布式光伏电源的接入位置和接入容量确定结温限值对应的光伏最大输出功率的方法包括:
步骤S401,根据分布式光伏电源的接入位置和接入容量,确定光伏逆变器的结温峰值。
可选的,根据分布式光伏电源的接入位置和接入容量,确定光伏逆变器的结温峰值,可以详述为:
将接入位置的环境温度和光照强度以及接入容量,输入至预先训练的结温峰值计算模型,得到对应的光伏逆变器的结温峰值。
在本实施例中,参见图4所示的光伏逆变器的结温峰值与分布式光伏电源的光伏输出功率的关系示意图,环境温度、光照强度和分布式光伏电源的输出功率会影响分布式光伏电源中光伏逆变器的结温峰值,在环境温度和光照强度确定时,分布式光伏电源的输出功率和光伏逆变器的结温峰值一一对应。
因此,可以通过配电网历史运行数据中已有的分布式光伏电源的接入位置的环境温度和光照强度以及分布式光伏电源的输出功率,以及对应的光伏逆变器的结温峰值,训练预设的机器学习模型,得到结温峰值计算模型。
具体的,机器学习模型可以采用类别型特征提升(Categorical Boosting,CatBoost)模型,通过训练CatBoost模型,建立接入位置的环境温度和光照强度以及接入容量、与光伏逆变器的结温峰值的关系。
CatBoost模型中使用对称决策树作为基预测器,即每次迭代中,在树的同一层上应用相同的分割法则,左右子树完全对称,因此CatBoost模型具有平衡、不易过拟合并能够大大减少测试时间的特点。
在对称树中,每个叶子节点的索引被编码为长度等于树深度的二进制向量;所有样本的二进制特征值都存储在连续向量B中;叶子节点值存储在大小为2d的浮点数向量中,其中d为树的深度。
为了计算第t棵树的叶子节点的索引,可以对样本x建立二进制向量:
式中,Bx表示对样本x建立的二进制向量,B[x,f(t,m)]表示从连续向量中读取样本的二进制特征f的值,f(t,m)表示二进制特征的数量,t表示树的棵树,m表示当前的树的深度,d表示树的总深度。
通过对CatBoost模型进行训练后,可以直接由训练得到的CatBoost模型得到光伏逆变器的结温峰值,即
TIGBT_max=fCatBoost(S,T,PPV);
式中,TIGBT_max表示光伏逆变器的结温峰值,fCatBoost表示训练得到的CatBoost模型,S表示光照强度,T表示环境温度,PPV表示分布式光伏电源的光伏输出功率。
步骤S402根据结温峰值和结温限值,利用二分法,计算分布式光伏电源的结温限值对应的光伏最大输出功率。
在本实施例中,由于当太阳辐照度与环境温度确定时,光伏逆变器的结温峰值为光伏输出功率的单调递增函数,则光伏逆变器的结温限值与光伏最大输出功率存在唯一映射关系,因此可以利用二分法,计算分布式光伏电源的结温限值对应的光伏最大输出功率。
基于此,再通过将结温限值对应的光伏最大输出功率对分布式光伏电源的光伏输出功率进行限制,可以实现将光伏逆变器的结温峰值约束在光伏逆变器的结温限值内,从功率的角度对光伏逆变器的结温峰值进行约束。
在一种可能的实现方式中,约束条件还包括配电网潮流约束、配电网节点电压约束、分布式光伏电源接入位置约束、分布式光伏电源容量约束和光伏逆变器结温约束。
具体的,配电网潮流约束为:
配电网节点电压约束为:
Vmin≤Vi≤Vmax;
分布式光伏电源接入位置约束为:
2≤POSPV≤Nb;
分布式光伏电源容量约束为:
PVi,min≤PVi≤PVi,max;
光伏逆变器结温约束为:
TIGBT_max(t)≤TIGBT_limit;
式中,PS表示变电站的有功功率,PPV表示分布式光伏电源的有功功率,Pload表示配电网中负荷的有功功率,Pls表示配电网中的网络损耗,Qs表示变电站的无功功率,Qload表示配电网中负荷的无功功率,Qls表示配电网中的无功功率损耗,Vmin表示配电网的电压下限,Vi表示配电网中节点i处的电压,Vmax表示配电网的电压上限,POSPV表示分布式光伏电源的接入位置,2表示配电网中的第2个节点,Nb表示配电网中最后一个节点,其与配电网的总节点数量相同,PVi,min表示节点i处分布式光伏电源的最小可接入容量,PVi表示节点i处分布式光伏电源的接入容量,PVi,max表示节点i处分布式光伏电源的最大可接入容量,TIGBT_max(t)表示分布式光伏电源中光伏逆变器的结温峰值,TIGBT_limit表示分布式光伏电源中光伏逆变器的结温限值。
在本实施例中,还通过光伏逆变器的结温限值对光伏逆变器的结温峰值进行约束,可以同时通过光伏逆变器的结温限值和分布式光伏电源的最大输出功率,实现对分布式光伏电源中光伏逆变器的结温峰值进行双重约束。
步骤S203,根据约束条件,求解目标函数,得到分布式光伏电源的最优接入位置和最优接入容量。
在本实施例中,根据实际需要,可以确定一个分布式光伏电源的最优接入位置和最优接入容量,也可以同时确定多个分布式光伏电源对应的最优接入位置和每个最优接入位置对应的最优接入容量。
在一种可能的实现方式中,可以采用粒子群优化算法求解目标函数的最优解,从而得到分布式光伏电源的最优接入位置和最优接入容量。
步骤S203根据约束条件,求解目标函数,得到分布式光伏电源的最优接入位置和最优接入容量,可以详述为:
步骤一,设置粒子群优化算法的相关参数,相关参数包括粒子群大小、迭代次数及最大迭代次数;
步骤二,随机生成粒子群中粒子的初始位置和初始速度,根据每个粒子的初始位置,计算每个粒子的适应值;并根据每个粒子的适应值确定粒子群中每个粒子的个体最优位置和粒子群的群体最优位置;
步骤三,根据最大迭代次数和当前迭代次数更新个体学习因子和群体学习因子;根据更新后的个体学习因子、群体学习因子、每个粒子的个体最优位置和粒子群的群体最优位置,更新粒子群中每个粒子的速度,并根据更新后的速度更新每个粒子的位置;
步骤四,计算位置更新后的每个粒子的适应值;并根据每个粒子的适应度值,确定每个粒子的个体最优位置和粒子群的群体最优位置;
步骤五,判断当前迭代次数是否达到最大迭代次数,若迭代次数未达到最大迭代次数,则将当前迭代次数加1,并跳转至步骤三;
步骤六,若迭代次数达到最大迭代次数,则停止迭代,确定当前粒子群的群体最优位置为分布式光伏电源的最优接入位置和最优接入容量。
在本实施例中,若确定一个分布式光伏电源的最优接入位置和最优接入容量,则可以将分布式光伏电源的接入位置和接入容量作为粒子的位置,进行寻优,确定最优解,该最优解即为该分布式光伏电源的最优接入位置和最优接入容量。
若同时确定多个分布式光伏电源对应的最优接入位置和每个最优接入位置对应的最优接入容量,则可以将多个分布式光伏电源对应的接入位置和每个接入位置对应的接入容量构成的规划方案作为粒子的位置,进行寻优,确定最优解,该最优解对应为一个规划方案,此规划方案中包括多个分布式光伏电源对应的最优接入位置和每个最优接入位置对应的最优接入容量。
在利用粒子群优化算法进行求解时,通过对个体学习因子和群体学习因子进行更新,进而对粒子的速度和位置进行更新,能够使粒子群优化算法随着迭代次数的变化而动态变化,提高全局搜索能力和粒子的收敛性,进而能够通过粒子群优化算法求解出分布式光伏电源的最优接入位置和最优接入容量。
可选的,根据最大迭代次数和当前迭代次数更新个体学习因子和群体学习因子,可以详述为:
根据更新个体学习因子和群体学习因子;
其中,c1表示个体学习因子,c2表示群体学习因子,i表示当前迭代次数,imax表示最大迭代次数,cmax表示最大学习因子,cmin表示最小学习因子。
在本实施例中,基于上述公式对学习因子进行更新,可以使学习因子随迭代次数的增加而减小;在最初搜索时,能够使粒子在全局进行大范围的搜索,随着迭代次数的增加,通过更新学习因子,可以提高粒子的收敛性,进而准确地搜索到最优解。
可选的,根据更新后的个体学习因子、群体学习因子、每个粒子的个体最优位置和粒子群的群体最优位置,更新粒子群中每个粒子的速度,可以详述为:
vk(i+1)=ωvk(i)+c1r1(pk,pbest(i)-xk(i))+c2r2(pgbest(i)-xk(i));
以及,根据更新后的速度更新每个粒子的位置,可以详述为:
xk(i+1)=xk(i)+vk(i+1);
式中,vk(i+1)表示第i+1次迭代中粒子的速度,ω表示惯性权重,对粒子的位置的信任程度,vk(i)表示第i次迭代中粒子的速度,r1和r2表示区间[0,1]内的随机数,pk,pbest(i)表示第i次迭代中粒子的个体最优位置,xk(i)表示第i次迭代中粒子的位置,pgbest(i)表示第i次迭代中粒子群的群体最优位置,xk(i+1)表示第i+1次迭代中粒子的位置。
本发明实施例通过以分布式光伏电源的全寿命周期成本、光伏逆变器的结温峰值、配电网的网络损耗、配电网中各个节点的电压波动和公共连接点的交换功率的加权最小为目标,建立目标函数,能够同时考虑分布式光伏电源选址定容的成本和配电网的运行状态,并且通过在目标函数中加入光伏逆变器的结温峰值,可以考虑分布式光伏电源中光伏逆变器的结温峰值对分布式光伏电源的使用时间以及输出功率的影响,进而延长分布式光伏电源的使用时间以及约束分布式光伏电源的输出功率,进一步降低分布式光伏电源选址定容的投入成本,提高配电网接入分布式光伏电源后的稳定性;利用粒子群优化算法对目标函数进行求解,通过在迭代过程中对个体学习因子和群体学习因子进行更新,提高算法的全局搜索能力和粒子的收敛性,准确快速地搜索到最优解,以确定分布式光伏电源的最优接入位置和最优接入容量。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图5示出了本发明实施例提供的分布式光伏电源的选址定容装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图5所示,分布式光伏电源的选址定容装置50包括:
获取模块51,用于获取配电网的历史运行数据;
建立模块52,用于根据历史运行数据和预设权重,以分布式光伏电源的全寿命周期成本、光伏逆变器的结温峰值、配电网的网络损耗、配电网中各个节点的电压波动和公共连接点的交换功率的加权之和最小为目标,建立目标函数,并建立目标函数的约束条件;
求解模块53,用于根据约束条件,求解目标函数,得到分布式光伏电源的最优接入位置和最优接入容量。
在一种可能的实现方式中,约束条件包括:分布式光伏出力约束;
分布式光伏出力约束为:
0≤Pi PV≤min(Pi PV,max,PIGBT_limin);
其中,Pi PV表示节点i的光伏输出功率,Pi PV,max表示节点i的光伏输出功率上限值,PIGBT_limin表示分布式光伏电源的结温限值对应的光伏最大输出功率,min(Pi PV,max,PIGBT_limin)表示节点i的光伏输出功率上限值和分布式光伏电源的结温限值对应的光伏最大输出功率中的较小值。
在一种可能的实现方式中,结温限值对应的光伏最大输出功率根据结温限值和分布式光伏电源的接入位置和接入容量确定。
在一种可能的实现方式中,建立模块52还用于:
根据分布式光伏电源的接入位置和接入容量,确定光伏逆变器的结温峰值;
根据结温峰值和结温限值,利用二分法,计算分布式光伏电源的结温限值对应的光伏最大输出功率。
在一种可能的实现方式中,根据分布式光伏电源的接入位置和接入容量,确定光伏逆变器的结温峰值,包括:
将接入位置的环境温度和光照强度以及接入容量,输入至预先训练的结温峰值计算模型,得到对应的光伏逆变器的结温峰值。
在一种可能的实现方式中,约束条件还包括配电网潮流约束、配电网节点电压约束、分布式光伏电源接入位置约束、分布式光伏电源容量约束和光伏逆变器结温约束。
在一种可能的实现方式中,求解模块53具体用于:
步骤一,设置粒子群优化算法的相关参数,相关参数包括粒子群大小、迭代次数及最大迭代次数;
步骤二,随机生成粒子群中粒子的初始位置和初始速度,根据每个粒子的初始位置,计算每个粒子的适应值;并根据每个粒子的适应值确定粒子群中每个粒子的个体最优位置和粒子群的群体最优位置;
步骤三,根据最大迭代次数和当前迭代次数更新个体学习因子和群体学习因子;根据更新后的个体学习因子、群体学习因子、每个粒子的个体最优位置和粒子群的群体最优位置,更新粒子群中每个粒子的速度,并根据更新后的速度更新每个粒子的位置;
步骤四,计算位置更新后的每个粒子的适应值;并根据每个粒子的适应度值,确定每个粒子的个体最优位置和粒子群的群体最优位置;
步骤五,判断当前迭代次数是否达到最大迭代次数,若迭代次数未达到最大迭代次数,则将当前迭代次数加1,并跳转至步骤三;
步骤六,若迭代次数达到最大迭代次数,则停止迭代,确定当前粒子群的群体最优位置为分布式光伏电源的最优接入位置和最优接入容量。
在一种可能的实现方式中,求解模块53具体用于:
根据更新个体学习因子和群体学习因子;
其中,c1表示个体学习因子,c2表示群体学习因子,i表示当前迭代次数,imax表示最大迭代次数,cmax表示最大学习因子,cmin表示最小学习因子。
在一种可能的实现方式中,分布式光伏电源的全寿命周期成本的计算公式为:
式中,LCC表示分布式光伏电源的全寿命周期成本,CI表示一次性投入成本,CO表示运行成本,CM表示维护成本,CF表示故障成本,CD表示报废残值回收成本,α表示分布式光伏电源的单位投资价格,lij表示分布式光伏电源至配电网节点的直线距离,f(S)表示分布式光伏电源的接入容量为S时对应的初始投资费用,β表示配电网中线路的网络损耗折算系数,Wi表示节点对应的有功损耗,u(S)表示分布式光伏电源的接入容量为S时对应的管理费用,σ表示维修折算系数,Ecut表示配电网的缺售电量,Bpow表示配电网单位售电量的平均利润,m表示分布式光伏电源的停电间隔数,λ表示分布式光伏电源的设备故障率,crc表示分布式光伏电源的停电的平均修复成本,MTTR表示分布式光伏电源的设备平均修复时间,EENS表示配电网对应的区域内各产业因停电故障带来的缺电量,G表示配电网对应的区域中各产业通过电力供应所创造的生产总值,EC表示配电网对应的区域内各产业的电量供应,Re表示分布式光伏电源的设备处置系数,Rr表示分布式光伏电源的残值回收系数,j表示配电网中接入分布式光伏电源的节点,N表示配电网中接入的分布式光伏电源的节点的集合,i表示配电网的节点,n表示配电网的节点总数。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模板、单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。
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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种分布式光伏电源的选址定容方法,其特征在于,包括:
获取配电网的历史运行数据;
根据所述历史运行数据和预设权重,以分布式光伏电源的全寿命周期成本、光伏逆变器的结温峰值、配电网的网络损耗、配电网中各个节点的电压波动和公共连接点的交换功率的加权之和最小为目标,建立目标函数,并建立所述目标函数的约束条件;
根据所述约束条件,求解所述目标函数,得到所述分布式光伏电源的最优接入位置和最优接入容量。
2.根据权利要求1所述的分布式光伏电源的选址定容方法,其特征在于,所述约束条件包括:分布式光伏出力约束;
所述分布式光伏出力约束为:
0≤Pi PV≤min(Pi PV,max,PIGBT_limin);
其中,Pi PV表示节点i的光伏输出功率,Pi PV,max表示节点i的光伏输出功率上限值,PIGBT_limin表示分布式光伏电源的结温限值对应的光伏最大输出功率,min(Pi PV,max,PIGBT_limin)表示节点i的光伏输出功率上限值和所述分布式光伏电源的结温限值对应的光伏最大输出功率中的较小值。
3.根据权利要求2所述的分布式光伏电源的选址定容方法,其特征在于,所述结温限值对应的光伏最大输出功率根据所述结温限值和所述分布式光伏电源的接入位置和接入容量确定。
4.根据权利要求3所述的分布式光伏电源的选址定容方法,其特征在于,根据所述结温限值和所述分布式光伏电源的接入位置和接入容量确定所述结温限值对应的光伏最大输出功率的方法包括:
根据所述分布式光伏电源的接入位置和接入容量,确定所述光伏逆变器的结温峰值;
根据所述结温峰值和所述结温限值,利用二分法,计算所述分布式光伏电源的结温限值对应的光伏最大输出功率。
5.根据权利要求4所述的分布式光伏电源的选址定容方法,其特征在于,根据所述分布式光伏电源的接入位置和接入容量,确定所述光伏逆变器的结温峰值,包括:
将所述接入位置的环境温度和光照强度以及所述接入容量,输入至预先训练的结温峰值计算模型,得到对应的光伏逆变器的结温峰值。
6.根据权利要求2所述的分布式光伏电源的选址定容方法,其特征在于,所述约束条件还包括配电网潮流约束、配电网节点电压约束、分布式光伏电源接入位置约束、分布式光伏电源容量约束和光伏逆变器结温约束。
7.根据权利要求3所述的分布式光伏电源的选址定容方法,其特征在于,所述根据所述约束条件,求解所述目标函数,得到所述分布式光伏电源的最优接入位置和最优接入容量,包括:
步骤一,设置粒子群优化算法的相关参数,所述相关参数包括粒子群大小、迭代次数及最大迭代次数;
步骤二,随机生成粒子群中粒子的初始位置和初始速度,根据每个粒子的初始位置,计算每个粒子的适应值;并根据每个粒子的适应值确定所述粒子群中每个粒子的个体最优位置和粒子群的群体最优位置;
步骤三,根据最大迭代次数和当前迭代次数更新个体学习因子和群体学习因子;根据更新后的个体学习因子、群体学习因子、每个粒子的个体最优位置和粒子群的群体最优位置,更新粒子群中每个粒子的速度,并根据更新后的速度更新每个粒子的位置;
步骤四,计算位置更新后的每个粒子的适应值;并根据每个粒子的适应度值,确定每个粒子的个体最优位置和粒子群的群体最优位置;
步骤五,判断当前迭代次数是否达到最大迭代次数,若迭代次数未达到最大迭代次数,则将当前迭代次数加1,并跳转至步骤三;
步骤六,若迭代次数达到最大迭代次数,则停止迭代,确定当前粒子群的群体最优位置为所述分布式光伏电源的最优接入位置和最优接入容量。
8.根据权利要求7所述的分布式光伏电源的选址定容方法,其特征在于,根据最大迭代次数和当前迭代次数更新个体学习因子和群体学习因子,包括:
根据更新个体学习因子和群体学习因子;
其中,c1表示所述个体学习因子,c2表示所述群体学习因子,i表示所述当前迭代次数,imax表示所述最大迭代次数,cmax表示最大学习因子,cmin表示最小学习因子。
9.根据权利要求1-8任一项所述的分布式光伏电源的选址定容方法,其特征在于,所述分布式光伏电源的全寿命周期成本的计算公式为:
式中,LCC表示所述分布式光伏电源的全寿命周期成本,CI表示一次性投入成本,CO表示运行成本,CM表示维护成本,CF表示故障成本,CD表示报废残值回收成本,α表示分布式光伏电源的单位投资价格,lij表示分布式光伏电源至配电网节点的直线距离,f(S)表示分布式光伏电源的接入容量为S时对应的初始投资费用,β表示所述配电网中线路的网络损耗折算系数,Wi表示节点i对应的有功损耗,u(S)表示分布式光伏电源的接入容量为S时对应的管理费用,σ表示维修折算系数,Ecut表示所述配电网的缺售电量,Bpow表示配电网单位售电量的平均利润,m表示分布式光伏电源的停电间隔数,λ表示分布式光伏电源的设备故障率,crc表示分布式光伏电源的停电的平均修复成本,MTTR表示分布式光伏电源的设备平均修复时间,EENS表示所述配电网对应的区域内各产业因停电故障带来的缺电量,G表示所述配电网对应的区域中各产业通过电力供应所创造的生产总值,EC表示所述配电网对应的区域内各产业的电量供应,Re表示分布式光伏电源的设备处置系数,Rr表示分布式光伏电源的残值回收系数,j表示所述配电网中接入分布式光伏电源的节点,N表示所述配电网中接入的分布式光伏电源的节点的集合,i表示所述配电网的节点,n表示所述配电网的节点总数。
10.一种分布式光伏电源的选址定容装置,其特征在于,包括:
获取模块,用于获取配电网的历史运行数据;
建立模块,用于根据所述历史运行数据和预设权重,以分布式光伏电源的全寿命周期成本、光伏逆变器的结温峰值、配电网的网络损耗、配电网中各个节点的电压波动和公共连接点的交换功率的加权之和最小为目标,建立目标函数,并建立所述目标函数的约束条件;
求解模块,用于根据所述约束条件,求解所述目标函数,得到所述分布式光伏电源的最优接入位置和最优接入容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605778.0A CN117595280A (zh) | 2023-11-28 | 2023-11-28 | 分布式光伏电源的选址定容方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605778.0A CN117595280A (zh) | 2023-11-28 | 2023-11-28 | 分布式光伏电源的选址定容方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117595280A true CN117595280A (zh) | 2024-02-23 |
Family
ID=89909587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311605778.0A Pending CN117595280A (zh) | 2023-11-28 | 2023-11-28 | 分布式光伏电源的选址定容方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117595280A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911197A (zh) * | 2024-03-20 | 2024-04-19 | 国网江西省电力有限公司电力科学研究院 | 基于改进多目标粒子群算法的光伏选址定容方法及系统 |
-
2023
- 2023-11-28 CN CN202311605778.0A patent/CN117595280A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911197A (zh) * | 2024-03-20 | 2024-04-19 | 国网江西省电力有限公司电力科学研究院 | 基于改进多目标粒子群算法的光伏选址定容方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN117595280A (zh) | 分布式光伏电源的选址定容方法及装置 | |
CN107681664A (zh) | 一种基于内点法的分布式电源并网优化潮流计算方法 | |
CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
Huang et al. | An efficient probabilistic approach based on area grey incidence decision making for optimal distributed generation planning | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
Qian et al. | An edge intelligence-based framework for online scheduling of soft open points with energy storage | |
Fu et al. | A spatial forecasting method for photovoltaic power generation combined of improved similar historical days and dynamic weights allocation | |
CN116896093A (zh) | 一种风电场并网振荡稳定性在线分析与优化方法 | |
Sun et al. | Short-term photovoltaic power prediction modeling based on AdaBoost algorithm and Elman | |
CN115275975B (zh) | 一种光储充电站电力数据匹配度的确定方法及装置 | |
CN115800306A (zh) | 考虑风机故障的风光储无功补偿方法、装置及介质 | |
Xu et al. | One-day ahead forecast of PV output based on deep belief network and weather classification | |
CN113361805B (zh) | 一种配电网规划方法及系统 | |
CN115270640A (zh) | 微电网分布式光伏发电系统配置优化方法及终端设备 | |
Guo et al. | Short-term wind power prediction based on genetic algorithm to optimize RBF neural network | |
Liu et al. | Equivalent modeling of distributed photovoltaic power station clusters based on deep belief network | |
Lv et al. | A very short-term online forecasting model for photovoltaic power based on two-stage resource allocation network | |
He et al. | Fault Causes Identification of Transmission Lines Based on Weighted Naive Bayes Classification Algorithm Combined with Complex Algorithm | |
CN117132318A (zh) | 一种考虑度电成本的有源配电网分布式光伏选址定容方法 | |
CN117955133B (zh) | 一种配电网储能优化配置方法及系统 | |
CN108964134A (zh) | 基于面积灰色关联决策的分布式电源规划的概率分析方法 | |
Sun | An extreme learning machine model optimized based on improved golden eagle algorithm for wind power forecasting | |
Metodieva et al. | Neural network a way to forecast the generation of electricity from a wind turbine |
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 |