CN117910828A - 一种配电网规划决策方法和系统 - Google Patents
一种配电网规划决策方法和系统 Download PDFInfo
- Publication number
- CN117910828A CN117910828A CN202410083052.3A CN202410083052A CN117910828A CN 117910828 A CN117910828 A CN 117910828A CN 202410083052 A CN202410083052 A CN 202410083052A CN 117910828 A CN117910828 A CN 117910828A
- Authority
- CN
- China
- Prior art keywords
- power
- investment
- cost
- energy storage
- load
- 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 48
- 238000009826 distribution Methods 0.000 title claims abstract description 33
- 238000004146 energy storage Methods 0.000 claims abstract description 116
- 238000005457 optimization Methods 0.000 claims abstract description 71
- 230000005540 biological transmission Effects 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 64
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 25
- 238000012423 maintenance Methods 0.000 claims description 21
- 238000010248 power generation Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000008014 freezing Effects 0.000 claims description 5
- 238000007710 freezing Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000002068 genetic effect Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000582888 Hantzschia sigma Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Accounting & Taxation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Finance (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
Abstract
本发明涉及一种配电网规划决策方法和系统,属于数据预处理与识别技术领域,解决如何对分布式储能投资及电网网架提升投资进行决策的问题。方法包括:基于风机成本、储能系统成本和光伏成本构建投资成本优化目标函数及其约束条件以获取最优投资成本,对重点区域负荷、风电和光电功率进行预测以创建约束条件;基于供电可靠性、供电能力和电能传输裕度构建电网网架优化目标函数以获取最优电网网架;基于最优投资成本获取储能项目投资规模以及基于最优电网网架获取网架提升项目投资规模;将储能项目投资规模与网架提升项目投资规模进行比较并根据比较结果选择进行储能项目投资还是进行网架提升项目投资。综合储能与网架规划选取投资规模较小的方案。
Description
技术领域
本发明涉及数据预处理与识别技术领域,尤其涉及一种配电网规划决策方法和系统。
背景技术
电网作为保障能源电力安全稳定供应的重要基础设施,对于保障经济社会发展和人民生产生活至关重要。同时受气候变化和人类活动的影响,时刻有遭受自然灾害、信息攻击、人为破坏、战争等事件破坏的风险。如何在发生极端事件后,保证关键电网的正常运行是当前亟待解决的实际问题。
为提高电力系统的运行安全,保底电网的建设理念应运而生。保底电网主要目标是在遇到极端自然灾害时,能够保障城市核心地域以及重要负荷的供电安全,提升电网出现严重事故后恢复供电的效率,最终构成能够持续运行的最小规模电力网架。传统的配电网规划是基于大电网下的规划,主要考虑用户需求,对外界自然因素的考虑和精细化控制管理都不是十分注重。但是微电网的规模、电源和负荷特点,相比常规的电网规划,微电网规划会受到更多外部因素的影响。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种配电网规划决策方法和系统,用以解决当前极端事件频发的情况下,对分布式储能投资及配电网网架提升投资进行决策等问题。
一方面,本发明实施例提供了一种配电网规划决策方法,包括:基于风机成本、储能系统成本和光伏成本构建投资成本优化目标函数及其满足的约束条件以获取最优投资成本,其中,对重点区域负荷、风电功率和光电功率进行预测,并根据预测的重点区域负荷功率、预测的风电功率和预测的光电功率创建约束条件;基于供电可靠性、供电能力和电能传输裕度构建电网网架优化目标函数以获取最优电网网架;基于最优投资成本获取储能项目投资规模以及基于最优电网网架获取网架提升项目投资规模;以及将储能项目投资规模与网架提升项目投资规模进行比较并根据比较结果选择进行储能项目投资还是进行网架提升项目投资。
上述技术方案的有益效果如下:在规划阶段必须更多考虑微电网建成后的良好运行,本发明实施例综合了储能规划与传统网架规划的特点,在以保证电网正常运行为目标的前提下,选取投资规模较小的方案,作为最终的建设方案,能够保障电网的安全稳定运行。
基于上述方法的进一步改进,配电网规划决策方法包括:基于风机成本、储能系统成本和光伏成本构建投资成本优化目标函数及其满足的约束条件以获取最优投资成本,其中,对重点区域负荷、风电功率和光电功率进行预测,并根据预测的重点区域负荷功率、预测的风电功率和预测的光电功率创建约束条件;基于供电可靠性、供电能力和电能传输裕度构建电网网架优化目标函数以获取最优电网网架;基于最优投资成本获取储能项目投资规模以及基于最优电网网架获取网架提升项目投资规模;以及将储能项目投资规模与网架提升项目投资规模进行比较并根据比较结果选择进行储能项目投资还是进行网架提升项目投资。
基于上述方法的进一步改进,基于风机成本、储能系统成本和光伏成本构建投资成本优化目标函数包括:通过以下公式表示投资成本优化目标函数对储能配置容量、光伏建设规模和风电建设规模进行优化:
min CT=CW(PW,r)+CE(Er,PC,r)+CG(PF,r);
其中,CT为总投资成本,PW,r为风电机组装机容量;通过以下公式表示风机成本CW:
CW=CW,r×(1+x%);
其中,x%为风电机组维修成本与初始投资的比值;CW,r为风电机组初始投资年值;
通过以下公式表示储能系统成本CE:
CE=(CB,i+CC,i)+(1+y%);
其中,y%为储能系统维修费用和初始投资的比例;CB,i CB,i分别表示储能电池和变流器初始投资年值,PC,r为变流器总装机容量,Er为储能电池额定容量;通过以下公式表示光伏成本CG:
CG=CG,r×(1+z%);
PF,r为光伏装机容量,z%为光伏维修成本与初始投资的比值,CG,r为风电机组初始投资年值。
基于上述方法的进一步改进,投资成本优化目标函数满足的约束条件为:
其中,PW,L(t)、PC(t)、PG(t)、PL(t)分别表示风电机组在时刻t向负荷提供的风电功率、储能装置功率、光伏功率和重点区域负荷功率;Ph,max、Pd,max分别为模拟时间内需储能电池提供的最大充电功率和最大放电功率。
基于上述方法的进一步改进,对重点区域负荷进行预测包括:构建前馈神经网络,利用历史的影响因素数据对前馈神经网络进行训练并将训练完成的前馈神经网络作为负荷预测模型;以及通过负荷预测模型利用实时的影响因素数据对重点区域负荷进行实时预测并将预测的重点区域负荷作为约束条件中的负荷功率,其中,影响因素数据包括极端事件因素、日期因素、气象因素和最近负荷因素,极端事件因素包括洪涝、冰冻和台风;日期因素包括是否周末和是否法定节假日;以及气象因素包括温度、湿度、风速、风向、日照辐射强度、当日降水量和气压。
基于上述方法的进一步改进,对风电功率和光电功率进行预测包括:构建风电功率预测模型和光电功率预测模型并利用历史数据进行训练,其中,风电功率预测模型和光电功率预测模型均为CNN-LSTM混合模型,其中,CNN-LSTM混合模型均包括卷积神经网络CNN和长短期记忆神经网络LSTM;基于光电功率预测模型利用光电功率的影响因素数据对光电功率进行实时预测并将预测的光电功率作为约束条件中的光伏功率,其中,光电功率的影响因素包括辐照度、温度、湿度和风速;以及基于风电功率预测模型利用风电功率的影响因素数据对风电功率进行实时预测并将预测的风电功率作为约束条件中风电机组在时刻t向负荷提供的风电功率,其中,风电功率的影响因素包括风速、气压、温度、湿度和风向。
基于上述方法的进一步改进,CNN-LSTM混合模型包括:将光电功率的影响因素数据或风电功率的影响因素数据进行标准化,并输入CNN卷积层,以利用CNN卷积层的宽卷积核自适应提取特征信息;通过最大池化层对提取后的特征进行池化操作,降低数据维度,并保留主要的特征数据;将降维后的特征数据作为LSTM层的特征输入,用以训练神经网络并自动学习序列特征;利用Adam算法将训练误差反向传播,逐层逐步更新模型参数;以及使用Softmax激活函数,将信号特征进行分类,完成多特征输入序列的分类任务。
基于上述方法的进一步改进,通过以下公式表示电网网架优化目标函数:
G0=argmax(g1,g2,g3);
其中,G0表示保底电网骨干网架优化的最匹配解,其中,g1为供电可靠性指标,g2为供电能力指标,g3为电能传输裕度指标。
基于上述方法的进一步改进,通过以下公式表示供电可靠性指标:
g1=m1+k1m2;
其中,m1和m2分别为节点电压裕度及节点发电功率裕度;k1为0.5~1.5的系数,主要表征供电可靠性指标g1的倚重程度;当k1在0.5~1范围内时,供电可靠性指标g1比较侧重于节点发电功率裕度m2;当k1在1~1.5范围内时,供电可靠性指标g1比较侧重于节点电压裕度m1;
其中,E和e分别为网架中节点的总数及第e个节点;E2表示发电节点总数;ke为第e个节点的权重比例;we为第e个节点的发电输出有功功率,we,max为第e个节点的发电输出有功功率的最大值;Ue *为第e个节点的电压裕度;通过以下公式表示供电能力指标g2:
g2=α1+k2α2;
其中,k2为系统中重要负荷的权重,其中,当k2>1时该骨干网架侧重保存重要负荷,当k2<1时该骨干网架侧重保存电源,为了平衡电力系统的两个指标,k2取1;通过以下公式分别表示系统的电源保存率α1及重要负荷的保存率α2:
其中,I和J分别为负荷节点总数以及重组前的负荷节点总数;wi、wj分别为节点i和j的额定功率;ki、kj分别为对应指标的权重;通过以下公式表示电能传输裕度指标g3:
其中,Pml和Pl分别表示系统的输电线路传输的最大有功功率及实际传输的有功功率;l表示输电线路的传输路径。
另一方面,本发明实施例提供了一种配电网规划决策系统,包括:成本预测模型,用于基于风机成本、储能系统成本和光伏成本构建投资成本优化目标函数及其满足的约束条件以获取最优投资成本,其中,对重点区域负荷、风电功率和光电功率进行预测,并根据预测的重点区域负荷功率、预测的风电功率和预测的光电功率创建约束条件;网架预测模型,用于基于供电可靠性、供电能力和电能传输裕度构建电网网架优化目标函数以获取最优电网网架;储能项目规模获取模块,用于基于最优投资成本获取储能项目投资规模;网架提升项目规模获取模块,用于基于最优电网网架获取网架提升项目投资规模;比较模块,用于将储能项目投资规模与网架提升项目投资规模进行比较;以及选择模块,用于根据比较结果选择进行储能项目投资还是进行网架提升项目投资。
基于上述系统的进一步改进,成本预测模型用于:通过以下公式表示投资成本优化目标函数对储能配置容量、光伏建设规模和风电建设规模进行优化:
min CT=CW(PW,r)+CE(Er,PC,r)+CG(PF,r);
其中,CT为总投资成本,PW,r为风电机组装机容量;通过以下公式表示风机成本CW:
CW=CW,r×(1+x%);
其中,x%为风电机组维修成本与初始投资的比值;CW,r为风电机组初始投资年值;通过以下公式表示储能系统成本CE:
CE=(CB,i+CC,i)+(1+y%);
其中,y%为储能系统维修费用和初始投资的比例;CB,i CB,i分别表示储能电池和变流器初始投资年值,PC,r为变流器总装机容量,Er为储能电池额定容量;通过以下公式表示光伏成本CG:
CG=CG,r×(1+z%);
PF,r为光伏装机容量,z%为光伏维修成本与初始投资的比值,CG,r为风电机组初始投资年值;投资成本优化目标函数满足的约束条件为:
其中,PW,L(t)、PC(t)、PG(t)、PL(t)分别表示风电机组在时刻t向负荷提供的风电功率、储能装置功率、光伏功率和重点区域负荷功率;Ph,max、Pd,max分别为模拟时间内需储能电池提供的最大充电功率和最大放电功率。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、模拟洪涝、冰冻和台风等极端事件发生情况下,以重点单位或重点区域的正常供电为主要目标,构建负荷预测模型,考虑日期、节假日等不同要素,实现重点区域负荷的精准预测;
2、进行储能投资的方案规划,首先针对风功率以及光功率进行功率预测,根据储能成本最优以及满足供电需求设定多目标优化模型,结合储能系统运行等约束条件,运用改进遗传算法得到最优的储能规划方案,结合造价情况,计算实际储能项目投资规模;
3、进行网架优化方案规划,考虑供电可靠性、供电能力以及电能传输裕度几个方面,构建多目标优化模型,并通过蚁群算法进行求解,得到最优的网架提升规划方案,结合造价情况,计算网架提升项目的投资规模;以及
4、最后通过不同项目投资规模的对比,进行投资项目优选决策,选取在相同目标下,投资规模较小的方案进行建设。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为根据本发明实施例的配电网规划决策方法的流程图;
图2为根据本发明实施例的前馈神经网络以对重点区域负荷进行预测的结构图;
图3为根据本发明实施例的通过遗传算法的基本操作产生新的子代种群的流程图;
图4为根据本发明实施例的CNN-LSTM模型的结构图;
图5为根据本发明实施例的CNN-LSTM模型中的LSTM神经网络的结构图;以及
图6为根据本发明实施例的配电网规划决策系统的框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,参考图1,公开了一种配电网规划决策方法,包括:在步骤S101中,基于风机成本、储能系统成本和光伏成本构建投资成本优化目标函数及其满足的约束条件以获取最优投资成本,其中,对重点区域负荷、风电功率和光电功率进行预测,并根据预测的重点区域负荷功率、预测的风电功率和预测的光电功率创建约束条件;在步骤S102中,基于供电可靠性、供电能力和电能传输裕度构建电网网架优化目标函数以获取最优电网网架;在步骤S103中,基于最优投资成本获取储能项目投资规模以及基于最优电网网架获取网架提升项目投资规模;以及在步骤S104中,将储能项目投资规模与网架提升项目投资规模进行比较并根据比较结果选择进行储能项目投资还是进行网架提升项目投资。
与现有技术相比,本实施例提供的配电网规划决策方法,在规划阶段必须更多考虑微电网建成后的良好运行,本发明实施例综合了储能规划与传统网架规划的特点,在以保证电网正常运行为目标的前提下,选取投资规模较小的方案,作为最终的建设方案,能够保障电网的安全稳定运行。从而结合当前极端事件频发等实际现状,考虑新型配电网建设的发展趋势,结合不同规划方案的对比分析,为配电网精准投资提供有力支撑与保证。
下文中,参考图1至图5,对根据本发明实施例的配电网规划决策方法的各个步骤进行详细说明。
在步骤S101中,基于风机成本、储能系统成本和光伏成本构建投资成本优化目标函数及其满足的约束条件以获取最优投资成本,其中,对重点区域负荷、风电功率和光电功率进行预测,并根据预测的重点区域负荷功率、预测的风电功率和预测的光电功率创建约束条件。运用改进遗传算法对投资成本优化目标函数进行求解并得到最优的储能规划方案。
基于风机成本、储能系统成本和光伏成本构建投资成本优化目标函数包括:通过以下公式表示投资成本优化目标函数对储能配置容量、光伏建设规模和风电建设规模进行优化:
min CT=CW(PW,r)+CE(Er,PC,r)+CG(PF,r); 公式1
其中,CT为总投资成本,PW,r为风电机组装机容量;通过以下公式表示风机成本CW:
CW=CW,r×(1+x%); 公式2
其中,x%为风电机组维修成本与初始投资的比值;CW,r为风电机组初始投资年值;通过以下公式表示储能系统成本CE:
CE=(CB,i+CC,i)+(1+y%); 公式3
其中,y%为储能系统维修费用和初始投资的比例;CB,i CB,i分别表示储能电池和变流器初始投资年值,PC,r为变流器总装机容量,Er为储能电池额定容量;通过以下公式表示光伏成本CG:
CG=CG,r×(1+z%); 公式4
PF,r为光伏装机容量,z%为光伏维修成本与初始投资的比值,CG,r为风电机组初始投资年值。
投资成本优化目标函数满足的约束条件为:
其中,PW,L(t)、PC(t)、PG(t)、PL(t)分别表示风电机组在时刻t向负荷提供的风电功率、储能装置功率、光伏功率和重点区域负荷功率;Ph,max、Pd,max分别为模拟时间内需储能电池提供的最大充电功率和最大放电功率。
对重点区域负荷进行预测包括:构建前馈神经网络,利用历史的影响因素数据对前馈神经网络进行训练并将训练完成的前馈神经网络作为负荷预测模型;以及通过负荷预测模型利用实时的影响因素数据对重点区域负荷进行实时预测并将预测的重点区域负荷作为约束条件中的负荷功率,其中,影响因素数据包括极端事件因素、日期因素、气象因素和最近负荷因素,极端事件因素包括洪涝、冰冻和台风;日期因素包括是否周末和是否法定节假日;以及气象因素包括温度、湿度、风速、风向、日照辐射强度、当日降水量和气压。
对风电功率和光电功率进行预测包括:构建风电功率预测模型和光电功率预测模型并利用历史数据进行训练,其中,风电功率预测模型和光电功率预测模型均为CNN-LSTM混合模型,其中,CNN-LSTM混合模型均包括卷积神经网络CNN和长短期记忆神经网络LSTM;基于光电功率预测模型利用光电功率的影响因素数据对光电功率进行实时预测并将预测的光电功率作为约束条件中的光伏功率,其中,光电功率的影响因素包括辐照度、温度、湿度和风速;以及基于风电功率预测模型利用风电功率的影响因素数据对风电功率进行实时预测并将预测的风电功率作为约束条件中风电机组在时刻t向负荷提供的风电功率,其中,风电功率的影响因素包括风速、气压、温度、湿度和风向。
CNN-LSTM混合模型包括:将光电功率的影响因素数据或风电功率的影响因素数据进行标准化,并输入CNN卷积层,以利用CNN卷积层的宽卷积核自适应提取特征信息;通过最大池化层对提取后的特征进行池化操作,降低数据维度,并保留主要的特征数据;将降维后的特征数据作为LSTM层的特征输入,用以训练神经网络并自动学习序列特征;利用Adam算法将训练误差反向传播,逐层逐步更新模型参数;以及使用Softmax激活函数,将信号特征进行分类,完成多特征输入序列的分类任务。
在步骤S102中,基于供电可靠性、供电能力和电能传输裕度构建电网网架优化目标函数以获取最优电网网架。通过蚁群算法进行求解,得到最优的网架提升规划方案。
通过以下公式表示电网网架优化目标函数:
G0=argmax(g1,g2,g3); 公式6
其中,G0表示保底电网骨干网架优化的最匹配解,其中,g1为供电可靠性指标,g2为供电能力指标,g3为电能传输裕度指标。通过以下公式表示供电可靠性指标:
g1=m1+k1m2; 公式7
其中,m1和m2分别为节点电压裕度及节点发电功率裕度;k1为0.5~1.5的系数,主要表征供电可靠性指标g1的倚重程度;当k1在0.5~1范围内时,供电可靠性指标g1比较侧重于节点发电功率裕度m2;当k1在1~1.5范围内时,供电可靠性指标g1比较侧重于节点电压裕度m1;
其中,E和e分别为网架中节点的总数及第e个节点;E2表示发电节点总数;ke为第e个节点的权重比例;we为第e个节点的发电输出有功功率,we,max为第e个节点的发电输出有功功率的最大值;为第e个节点的电压裕度;通过以下公式表示供电能力指标g2:
g2=α1+k2α2; 公式9
其中,k2为系统中重要负荷的权重,其中,当k2>1时该骨干网架侧重保存重要负荷,当k2<1时该骨干网架侧重保存电源,为了平衡电力系统的两个指标,k2取1;通过以下公式分别表示系统的电源保存率α1及重要负荷的保存率α2:
其中,I和J分别为负荷节点总数以及重组前的负荷节点总数;wi、wj分别为节点i和j的额定功率;ki、kj分别为对应指标的权重;通过以下公式表示电能传输裕度指标g3:
其中,Pml和Pl分别表示系统的输电线路传输的最大有功功率及实际传输的有功功率;l表示输电线路的传输路径。
在步骤S103中,基于最优投资成本获取储能项目投资规模以及基于最优电网网架获取网架提升项目投资规模。具体地,通过最优投资成本结合造价情况,计算实际储能项目投资规模。通过最优电网网架结合造价情况,计算网架提升项目的投资规模。
在步骤S104中,将储能项目投资规模与网架提升项目投资规模进行比较并根据比较结果选择进行储能项目投资还是进行网架提升项目投资。具体地,通过不同项目投资规模的对比,进行投资项目优选决策,选取在相同目标下,投资规模较小的方案进行建设。
本发明的另一个具体实施例,参考图6,一种配电网规划决策系统,包括:成本预测模型601,用于基于风机成本、储能系统成本和光伏成本构建投资成本优化目标函数及其满足的约束条件以获取最优投资成本,其中,对重点区域负荷、风电功率和光电功率进行预测,并根据预测的重点区域负荷功率、预测的风电功率和预测的光电功率创建约束条件;网架预测模型602,用于基于供电可靠性、供电能力和电能传输裕度构建电网网架优化目标函数以获取最优电网网架;储能项目规模获取模块603,用于基于最优投资成本获取储能项目投资规模;网架提升项目规模获取模块604,用于基于最优电网网架获取网架提升项目投资规模;比较模块605,用于将储能项目投资规模与网架提升项目投资规模进行比较;以及选择模块606,用于根据比较结果选择进行储能项目投资还是进行网架提升项目投资。
成本预测模型601用于:通过以下公式表示投资成本优化目标函数对储能配置容量、光伏建设规模和风电建设规模进行优化:
min CT=CW(PW,r)+CE(Er,PC,r)+CG(PF,r); 公式1
其中,CT为总投资成本,PW,r为风电机组装机容量;通过以下公式表示风机成本CW:
CW=CW,r×(1+x%); 公式2
其中,x%为风电机组维修成本与初始投资的比值;CW,r为风电机组初始投资年值;通过以下公式表示储能系统成本CE:
CE=(CB,i+CC,i)+(1+y%); 公式3
其中,y%为储能系统维修费用和初始投资的比例;CB,i CB,i分别表示储能电池和变流器初始投资年值,PC,r为变流器总装机容量,Er为储能电池额定容量;通过以下公式表示光伏成本CG:
CG=CG,r×(1+z%); 公式4
PF,r为光伏装机容量,z%为光伏维修成本与初始投资的比值,CG,r为风电机组初始投资年值;投资成本优化目标函数满足的约束条件为:
其中,PW,L(t)、PC(t)、PG(t)、PL(t)分别表示风电机组在时刻t向负荷提供的风电功率、储能装置功率、光伏功率和重点区域负荷功率;Ph,max、Pd,max分别为模拟时间内需储能电池提供的最大充电功率和最大放电功率。
下文中,参考图2至图5以具体实例的方式对根据本发明实施例的配电网规划决策方法进行详细说明。
基于极端事件区域负荷承载力保障的配电网规划决策方法包括:模拟极端事件发生情况下,以重点单位以及区域(例如,医院、学校、政府机关)的正常供电为主要目标,构建负荷预测模型,考虑日期、节假日等不同要素,实现重点区域负荷的精准预测。进行储能投资的方案规划,首先针对风功率以及光功率进行功率预测,根据储能成本最优以及满足供电需求设定多目标优化模型,结合储能系统运行等约束条件,运用改进遗传算法得到最优的储能规划方案,结合造价情况,计算实际储能项目投资规模。进行网架优化方案规划,考虑供电可靠性、供电能力以及电能传输裕度几个方面,构建多目标优化模型,并通过蚁群算法进行求解,得到最优的网架提升规划方案,结合造价情况,计算网架提升项目的投资规模。最后通过不同项目投资规模的对比,进行投资项目优选决策,选取在相同目标下,投资规模较小的方案进行建设。
1、模拟极端事件发生情况下,以重点单位以及区域的正常供电为主要目标,构建负荷预测模型,考虑日期、节假日等不同要素,实现重点区域负荷的精准预测。
考虑洪涝、冰冻、台风、持续高温等极端事件发生后,保底电网的实际运行情况和需求,构建负荷预测模型。
(1)首先进行影响因素识别:影响因素的准确辨识是电网负荷预测的基本前提。电网负荷受多种因素影响,如日期因素、气象因素、电价、用户用电习惯、最近负荷因素以及突发事件等。大多数现有的负荷预测方法所考虑的负荷影响因素主要包括:日期因素、气象因素以及最近负荷因素等。
日期因素是影响负荷预测精度的一个重要因素,主要涉及工作日(周一至周五)和非工作日(周末、法定节假日),且非工作日的用电负荷明显低于工作日。本发明实施例将日期因素(是否是周末、是否是法定节假日等)列为影响负荷预测结果的因素之一。气象因素是影响负荷预测精度的另一个重要因素。其中,最常见的气象因素是温度,其次还涉及湿度、风速、风向、日照辐射强度、当日降水量、气压等。因此,在负荷预测模型中还需考虑综合气象因素对负荷的影响。选择温度作为影响短期负荷预测结果的因素之一。最近负荷因素也是影响负荷预测精度的一个重要因素。由于负荷具有时序特性,预测模型可根据与待预测日日期相近的负荷数据来学习负荷近期的变化规律,丰富预测模型的先验信息。因此,选择预测日前一日的历史负荷数据作为影响短期负荷预测结果的因素之一。
(2)基于前馈神经网络的概率负荷预测方法对重点区域的负荷情况进行预测。参考图2,为了便于累加预测结果,本发明采用的概率预测方法得到的不是预测区间,而是参数化的预测值的分布(例如采用均值和方差参数化描述高斯分布)。之后通过累加后的这些参数估计地区整体的负荷预测值的概率分布,最终形成预测区间。前馈神经网络是一类典型的多层网络,由一个输入层、一个输出层和多个隐含层。为了简单起见,本发明采用的前馈神经网络只有一个隐藏层,不同层的神经元之间存在完整的连接,同一层神经元间不存在连接。
2、进行储能投资的方案规划,首先针对风功率以及光功率进行功率预测,根据储能成本最优以及满足供电需求设定多目标优化模型,结合储能系统运行等约束条件,运用改进遗传算法得到最优的储能规划方案,结合造价情况,计算实际储能项目投资规模。
(1)影响因素识别:光伏发电主要是指利用太阳能进行发电,将太阳能转换成电能的过程。光伏发电的能量转换过程受太阳辐照度与均匀性(即阴影)、污染、老化、电池温度、太阳入射角和负载条件、地理环境等的关联影响,其输出功率具有波动性、间歇性、不稳定性和随机性的特点。影响输出功率特性的因素有很多,主要可以分为两个方面:内在因素和外在因素。内在因素主要包括:电站的设计、逆变器的差异、电缆的老化、光伏板的转换效率等。外在因素包括:气象因素如辐照度、温度、湿度、风速等。对于固定的光伏场来说,其输出功率来自于同一个光伏场,其历史功率数据通常已经包含这些内在因素的影响,因此,研究中内在因素往往不用考虑,只需考虑外在因素即可。
风电输出功率除了与风速、气压、温度、湿度有关,还与风向有关。风向主要是指风产生的方向,通常以方位或者角度来进行表示。由于尾流效应的影响,处于上风向的风机会吸收更多的风能,从而产生更多的发电功率。相应的下风向的风机由于吸收的风能较少,则产生的发电功率就少。尤其是在风速较低时,尾流效应对风电功率影响较大。因此风向也是影响风电功率的一个重要因素。
(2)功率预测:功率预测数据是按时间顺序生成的,具有高维性和时间依赖性的特征。高维度是指每个时间点都是一个维度,而时间依赖性意味着即使两个数字上相同的点也可以属于不同的类别或预测不同的行为。将卷积神经网络和长短期记忆神经网络混合起来用于光伏功率预测不仅可以克服单个模型的缺点,而且可以利用两个模型的优势进行功率预测,实现比单个模型更好的预测效果。充分利用LSTM网络对时间信息进行建模并提取数据的时间特征特点以及CNN网络消除噪声并考虑多变量之间的相关性进而提取数据的空间特征特点,最终提取光伏数据的时空特征,进而提高功率的预测准确性。
CNN是一种前馈式神经网络,由输入层、卷积层、池化层、全连接层和输出层构成。CNN被广泛应用于图像识别、模式分类、物体检测、人脸识别、时间序列数据等方面。卷积神经网络(CNN),是一种专门用来处理具有类似网格结构的数据的神经网络。CNN网络是指那些至少在网络的一层中使用卷积运算来替代一般的矩阵乘法运算的神经网络。由于CNN在计算时采用了卷积运算,其运算速度相比于一般的矩阵运算有了很大的提高。CNN的卷积层和池化层的交替使用能够有效提取数据局部特征并降低局部特征维度。由于权值共享,可以减少权值数量、降低模型的复杂度。
长短期记忆网络(LSTM,Long Shot-Tem Memov)是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中,这个重复的结构模块只有一个非常简单的结构。LSTM是一种含有LSTM区块或其他的一种类迪经网络。
参考图4,多特征序列分类CNN-LSTM模型结构,主要由信号输入层,CNN卷积层、池化层、LSTM层及分类输出层组成。基于CNN-LSTM的多输入序列分类任务过程如下:1)将输入信号标准化,输入CNN卷积层,利用宽卷积核自适应提取特征;2)提取后的特征经过最大池化层的池化操作,降低数据维度,并保留主要的特征信息;3)再将降维后的特征数据作为LSTM层的特征输入,用以训练神经网络并自动学习序列特征;4)利用Adam算法将训练误差反向传播,逐层逐步更新模型参数;5)使用Softmax激活函数,将信号特征进行分类,完成多特征输入序列的分类任务。
以光功率预测为例,基于卷积神经网络和长短期记忆网络的综合预测模型的上层由CNN组成,可以接收影响功率预测的各种变量(如辐照度、温度、风速、风向等)。CNN由输入层、卷积层、ReLU层和池化层组成。卷积层对传入的多元时间序列进行卷积运算,并将所得到的结果传递到下一层。每个卷积层神经元只处理所连接的光伏数据,可以减少参数数量。
假设x=(x1,x2,...,xn)是光伏数据输入向量,n是变量的个数,而xi是标准化后每个变量的数据值。下列公式代表从第一个卷积层的输出值由上一层的输出向量/>计算得出。/>表示第j个特征图的偏差,W是核的权重,M表示滤波器的个数,σ是激活函数ReLu。第l个卷积层得出输出值/>
卷积层之后使用了池化层,显示了最大池化的操作。R是小于输入y大小的池化大小,T是确定将合并区域移动多远的步长。
CNN-LSTM的下层由LSTM组成,存储有关通过CNN提取的重要光伏数据特征的时间信息。LSTM通过合并可更新先前隐藏状态的内存单元来保留长期内存信息,通过此功能,可以更轻松地了解大范围的时间关系。参考图5,LSTM网络非常适合通过解决学习传统RNN时可能发生的爆炸性和消失性梯度问题来预测功率需求。来自前一个CNN层的输出值将用作输入并传递到门单元。三个门单元是用于通过乘法运算确定每个单独的存储单元的状态的机制。门功能由输入、输出和忘记门组成,具体作用取决于功能。组成LSTM的存储单元会随着每个门单元的激活而更新其状态,每个门单元的激活被控制为介于0和1之间的连续值。LSTM单元的隐藏状态ht每t步更新一次。
/>
分别表示构成LSTM的输入门、遗忘门和输出门的操作,每个门的输出用i,f和o表示。
通过输入门、遗忘门和输出门确定的单元状态和隐藏状态。它们由c和h表示。σ是激活函数,例如tanh。该激活函数具有非线性,并且类似地将其输入压缩到[-1,1]范围。W是每个门单元的权重矩阵,b是偏置矢量。pt包含光伏数据的关键特征,作为时间t-1处池化层的输出,并用作LSTM存储单元的输入。使用LSTM单元的CNN-LSTM网络通过信号的时间信息建模提供了卓越的性能,并在光伏功率预测方面提供了领先的结果。
CNN-LSTM的最后一层是全连接层LSTM单位的输出被展平为特征向量hl=(h1,h2,...,hl),其中l是LSTM最后一层的单元数。LSTM的输出用作全连接层的输入。下面给出了在该层中使用的运算公式。其中σ是非线性激活函数,W是第l-1层的第i节点和第l层的第j节点的权重,而表示偏差,d表示全连接层的输出。
(3)储能多目标规划:为了能够保证电网的正常运行,开展独立电网运行模式的决策,在已知风速条件、光照和负荷特性的情况下,以保证系统负荷电力供应充裕性为前提,以电力成本最低为目标,对储能配置容量与相关光伏与风电建设规模进行规划。目标函数可表示为
min CT=CW(PW,r)+CE(Er,PC,r)+CG(PF,r); 公式1
其中,CT为总成本,CW风机成本。CE为储能系统成本。CG为光伏成本。PW,r为风电机组装机容量,CW=CW,r×(1+x%),x%为风电机组维修成本与初始投资的比值;CW,r为风电机组初始投资等年值。
CE=(CB,i+CC,i)+(1+y%);
其中,y%为储能系统维修费用和初始投资的比例;CB,i CB,i分别表示储能电池和变流器初始投资等年值。PC,r为变流器总装机容量,Er为储能电池额定容量。CG为光伏成本。其中PF,r为光伏装机容量,CG=CG,r×(1+x%),x%为光伏维修成本与初始投资的比值;CG,r为风电机组初始投资等年值。约束条件为:
其中,PW,L(t)、PC(t)、PG(t)、PL(t)分别表示t时刻风电机组向负荷提供的功率、储能装置的出力、光伏出力和负荷功率;Ph,max、Pd,max分别为模拟时间内需储能电池提供的最大充电和最大放电功率。
采用遗传算法对上述内容进行求解,得到最优的储能配置规模。
多目标规划理论涉及到多门现代数学学科,如随机性分析、统计理论、非线性,分析等,它的求解方法常借助于线性变换、非线性规划、随机性规划等诸多手段与技巧。多目标规划无论是在理论研宄还是求解方法研究上,都取得了重要进展,受到了越来越广泛的应用,使其成为了一门庞大的科学体系。多目标规划问题也被成为多目标向量优化问题或多目标向量极值问题,它与单目标规划问题不同,其目标函数的最优解可能包含不止一个。当然,简单的多目标规划常可以化成为单目标规划进行求解;但遇到复杂的多目标规划问题时,单目标规划求解,这时,研究采用何种方法求解多目标最优解显得尤为重要。
参考图3,NSGA-II算法是传统遗传算法的创新应用,即带有精英保留策略的快速非支配多目标优化算法,是一种基于Pareto最优解的多目标优化算法。
(1)Pareto支配(Pareto Dominate):Pareto支配在MOP问题中支配是一个重要的概念,以下简称为支配。
支配的描述为:有两个解x1和x2,x1支配x2的充要条件是对于任意的i(i=1,2,3,...,m),均有fi(x1)≤fi(x2),且对于任意的(i=1,2,3,...,m),存在fi(x1)<fi(x2)。记为x1<x2x1<x2。(和离散数学里的偏序关系相似)。
(2)Pareto最优解(Pareto Optimal Solution):当某个解x′为最优解时,当且仅当x′不被任何其他解支配。值得注意的是,最优解的概念是不被其他任何解支配,而不是支配其他任何解。原因在于多目标规划问题由于不同目标的优劣性难以界定,往往会求出多个解,这些解彼此都是非劣的(如解A某一个目标劣于B,但解A另一个目标优于B)。
(3)Pareto集(Pareto Set):如果一组解集(也就是多个x)中的任意两个解都不能支配对方,那么这个集合称为Pareto集,简称PS。
(4)Pareto前沿(Pareto Front):PS中,每个解对应的目标函数值组成的集合称为pareto前沿,简称PF。
NSGA-II算法的流程与遗传算法高度相似,仅仅在个体选择过程中有所不同,其计算流程可概括为:
首先,随机产生规模为N的初始种群,非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群;其次,从第二代开始,将父代种群与子代种群合并,进行快速非支配排序,同时对每个非支配层中的个体进行拥挤度计算,根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群;最后,通过遗传算法的基本操作产生新的子代种群;依此类推,直到满足程序结束的条件。
通过最后的求解结果,得到最优的储能规划方案,结合相应造价,得到该方案的最终投资规模。
进行网架优化方案规划,考虑供电可靠性、供电能力以及电能传输裕度几个方面,构建多目标优化模型,并通过蚁群算法进行求解,得到最优的网架提升规划方案,结合造价情况,计算网架提升项目的投资规模。
在电力系统正常运行状态下,保底电网骨干网架的优化主要为3个方面,分别为供电可靠性g1、供电能力g2以及电能传输裕度g3。其优化的目标函数被定义为:G0=argmax(g1,g2,g3);
其中,G0表示保底电网骨干网架优化的最匹配解。供电可靠性指标主要衡量所建立保底电网骨干网架在运行时的供电可靠性,将其定量化,则表达为与节点电压、发电功率相关联。供电可靠性指标g1被定义为:
g1=m1+k1m2;
其中,m1和m2分别为节点电压裕度及节点发电功率裕度;k1为0.5~1.5的系数,主要表征供电可靠性指标g1的倚重程度。当k1在0.5~1范围内时,指标g1比较侧重于节点发电功率裕度m2;当k1在1~1.5范围内时,指标g1比较侧重于节点电压裕度m1。
2个裕度参数m1和m2都分别进行了标准化处理。电力系统在正常运行状态下,也会存在负荷转移、设备检修等操作,造成节点有一定的发电裕度,因此裕度参数m1和m2分别被定义为:
其中,E和e分别为网架中节点的总数及第e个节点;E2表示发电节点总数;ke为第e个节点的权重比例;we为第e个节点的发电输出有功功率,we,max为其最大值;为第e个节点的电压裕度。
供电能力主要衡量所建立的保底电网骨干网架在运行时负荷和发电功率的剩余状态,因此该指标主要通过电源剩余率以及重要负荷供电率进行衡量。供电能力指标g2被定义为:
g2=α1+k2α2;
其中,k2为系统中重要负荷的权重,当k2>1时该骨干网架侧重保存重要负荷,当k2<1时该骨干网架侧重保存电源,为了电力系统两个指标的平衡,通常情况下,k2取1;α1和α2分别为系统的电源保存率及重要负荷的保存率,具体表达式被定义为:
其中,I和J分别为负荷节点总数以及重组前的负荷节点总数;wi、wj为节点i和j的额定功率;ki、kj为对应指标的权重。
电能传输裕度指标主要表示电力系统骨干网架在运行过程中,各个输电线路上输送的有功功率裕度。该指标g3被定义为:
其中,Pml和Pl分别表示系统的输电线路传输的最大有功功率及实际传输的有功功率;l表示输电线路的传输路径。
由于在电网系统正常运行情况下,对网架进行优化是一个多目标的优化。而在多目标优化过程中,每个子目标是相互冲突的,要想让多个子目标同时得到最佳结果非常困难,因此需要在多目标中进行协同处理,最终获得的多目标优化问题解为一个最优解集合,且该解集中的结果所侧重的目标函数也有所不同。由于蚁群智能算法是一个具备多元性、相关性和整体性的系统,有很强的自组织特性和鲁棒性,因此提出蚁群智能算法进行该多目标优化分析。首先初始化蚁群信息,令蚁群的数量为M,并把其分散在各节点,利用寻优的方式明确蚂蚁n的起始信息要素值,具体表达式为:
Δθ(n)=exp(-g*(Xn)); 公式20
其中,Xn表示蚂蚁的起始位置,若函数g(X)的值接近无穷大,那么该信息要素值则接近0;Δθ为起始信息要素值,此时适应函数进行更新,其表达式为:
其中,gavg为函数的平均值;ga0为大于0的数;函数g(X)和g*(Xn)分别为更新前后的适应函数值。
利用蚁群算法进行全局搜索,找到最佳解的范围。随机从所有种群里选出L个个体,其个体可定义为种群数量M与选择比率r的乘积,其中选择比率r被定义为:
其中,nmax和nX分别为全局搜索的最大迭代次数以及目前已经迭代次数。为进一步获得更为细致且精确的最优解,还要展开局部搜索。在完成全局搜索和局部搜索后,对所在节点的信息要素θ展开修正,其方程为:
θ(nA)=(1-σ)θ(n)+Δθ(n); 公式23
其中,σ为信息要素的发散系数,σ为0~1的数。最终获得目标函数的最佳蚁群位置;θ(n)和θ(nA)分别表示修正前后的信息要素值,进而输出所对应的网架结构。
结合规划的最优方案,进一步结合相应造价,得到该方案的最终投资规模。
3、最后通过不同项目投资规模的对比,进行投资项目优选决策,选取在相同目标下,投资规模较小的方案进行建设。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种配电网规划决策方法,其特征在于,包括:
基于风机成本、储能系统成本和光伏成本构建投资成本优化目标函数及其满足的约束条件以获取最优投资成本,其中,对重点区域负荷、风电功率和光电功率进行预测,并根据预测的重点区域负荷功率、预测的风电功率和预测的光电功率创建所述约束条件;
基于供电可靠性、供电能力和电能传输裕度构建电网网架优化目标函数以获取最优电网网架;
基于所述最优投资成本获取储能项目投资规模以及基于所述最优电网网架获取网架提升项目投资规模;以及
将所述储能项目投资规模与所述网架提升项目投资规模进行比较并根据比较结果选择进行储能项目投资还是进行网架提升项目投资。
2.根据权利要求1所述的配电网规划决策方法,其特征在于,基于风机成本、储能系统成本和光伏成本构建投资成本优化目标函数包括:
通过以下公式表示投资成本优化目标函数对所述储能配置容量、光伏建设规模和风电建设规模进行优化:
min CT=CW(PW,r)+CE(Er,PC,r)+CG(PF,r);
其中,CT为总投资成本,PW,r为风电机组装机容量;
通过以下公式表示风机成本CW:
CW=CW,r×(1+x%);
其中,x%为风电机组维修成本与初始投资的比值;CW,r为风电机组初始投资年值;
通过以下公式表示储能系统成本CE:
CE=(CB,i+CC,i)+(1+y%);
其中,y%为储能系统维修费用和初始投资的比例;CB,iCB,i分别表示储能电池和变流器初始投资年值,PC,r为变流器总装机容量,Er为储能电池额定容量;
通过以下公式表示光伏成本CG:
CG=CG,r×(1+z%);
PF,r为光伏装机容量,z%为光伏维修成本与初始投资的比值,CG,r为风电机组初始投资年值。
3.根据权利要求2所述的配电网规划决策方法,其特征在于,所述投资成本优化目标函数满足的约束条件为:
其中,PW,L(t)、PC(t)、PG(t)、PL(t)分别表示风电机组在时刻t向负荷提供的风电功率、储能装置功率、光伏功率和重点区域负荷功率;Ph,max、Pd,max分别为模拟时间内需储能电池提供的最大充电功率和最大放电功率。
4.根据权利要求3所述的配电网规划决策方法,其特征在于,对重点区域负荷进行预测包括:
构建前馈神经网络,利用历史的影响因素数据对所述前馈神经网络进行训练并将训练完成的前馈神经网络作为负荷预测模型;以及
通过所述负荷预测模型利用实时的影响因素数据对所述重点区域负荷进行实时预测并将预测的重点区域负荷作为约束条件中的负荷功率,其中,影响因素数据包括极端事件因素、日期因素、气象因素和最近负荷因素,所述极端事件因素包括洪涝、冰冻和台风;所述日期因素包括是否周末和是否法定节假日;以及所述气象因素包括温度、湿度、风速、风向、日照辐射强度、当日降水量和气压。
5.根据权利要求3所述的配电网规划决策方法,其特征在于,对所述风电功率和所述光电功率进行预测包括:
构建风电功率预测模型和光电功率预测模型并利用历史数据进行训练,其中,所述风电功率预测模型和所述光电功率预测模型均为CNN-LSTM混合模型,其中,所述CNN-LSTM混合模型均包括卷积神经网络CNN和长短期记忆神经网络LSTM;
基于所述光电功率预测模型利用光电功率的影响因素数据对所述光电功率进行实时预测并将预测的光电功率作为所述约束条件中的光伏功率,其中,所述光电功率的影响因素包括辐照度、温度、湿度和风速;以及
基于所述风电功率预测模型利用风电功率的影响因素数据对所述风电功率进行实时预测并将预测的风电功率作为约束条件中风电机组在时刻t向负荷提供的风电功率,其中,所述风电功率的影响因素包括风速、气压、温度、湿度和风向。
6.根据权利要求3所述的配电网规划决策方法,其特征在于,所述CNN-LSTM混合模型包括:
将所述光电功率的影响因素数据或所述风电功率的影响因素数据进行标准化,并输入CNN卷积层,以利用所述CNN卷积层的宽卷积核自适应提取特征信息;
通过最大池化层对提取后的特征进行池化操作,降低数据维度,并保留主要的特征数据;
将降维后的特征数据作为LSTM层的特征输入,用以训练神经网络并自动学习序列特征;
利用Adam算法将训练误差反向传播,逐层逐步更新模型参数;以及
使用Softmax激活函数,将信号特征进行分类,完成多特征输入序列的分类任务。
7.根据权利要求3所述的配电网规划决策方法,其特征在于,通过以下公式表示所述电网网架优化目标函数:
G0=argmax(g1,g2,g3);
其中,G0表示保底电网骨干网架优化的最匹配解,其中,g1为供电可靠性指标,g2为供电能力指标,g3为电能传输裕度指标。
8.根据权利要求7所述的配电网规划决策方法,其特征在于,
通过以下公式表示所述供电可靠性指标:
g1=m1+k1m2;
其中,m1和m2分别为节点电压裕度及节点发电功率裕度;k1为0.5~1.5的系数,主要表征供电可靠性指标g1的倚重程度;当k1在0.5~1范围内时,所述供电可靠性指标g1比较侧重于节点发电功率裕度m2;当k1在1~1.5范围内时,所述供电可靠性指标g1比较侧重于节点电压裕度m1;
其中,E和e分别为网架中节点的总数及第e个节点;E2表示发电节点总数;ke为第e个节点的权重比例;we为第e个节点的发电输出有功功率,we,max为第e个节点的发电输出有功功率的最大值;为第e个节点的电压裕度;
通过以下公式表示供电能力指标g2:
g2=α1+k2α2;
其中,k2为系统中重要负荷的权重,其中,当k2>1时该骨干网架侧重保存重要负荷,当k2<1时该骨干网架侧重保存电源,为了平衡电力系统的两个指标,k2取1;
通过以下公式分别表示系统的电源保存率α1及重要负荷的保存率α2:
其中,I和J分别为负荷节点总数以及重组前的负荷节点总数;wi、wj分别为节点i和j的额定功率;ki、kj分别为对应指标的权重;
通过以下公式表示电能传输裕度指标g3:
其中,Pml和Pl分别表示系统的输电线路传输的最大有功功率及实际传输的有功功率;l表示输电线路的传输路径。
9.一种配电网规划决策系统,其特征在于,包括:
成本预测模型,用于基于风机成本、储能系统成本和光伏成本构建投资成本优化目标函数及其满足的约束条件以获取最优投资成本,其中,对重点区域负荷、风电功率和光电功率进行预测,并根据预测的重点区域负荷功率、预测的风电功率和预测的光电功率创建所述约束条件;
网架预测模型,用于基于供电可靠性、供电能力和电能传输裕度构建电网网架优化目标函数以获取最优电网网架;
储能项目规模获取模块,用于基于所述最优投资成本获取储能项目投资规模;
网架提升项目规模获取模块,用于基于所述最优电网网架获取网架提升项目投资规模;
比较模块,用于将所述储能项目投资规模与所述网架提升项目投资规模进行比较;以及
选择模块,用于根据比较结果选择进行储能项目投资还是进行网架提升项目投资。
10.根据权利要求9所述的配电网规划决策系统,其特征在于,所述成本预测模型用于:
通过以下公式表示投资成本优化目标函数对所述储能配置容量、光伏建设规模和风电建设规模进行优化:
min CT=CW(PW,r)+CE(Er,PC,r)+CG(PF,r);
其中,CT为总投资成本,PW,r为风电机组装机容量;
通过以下公式表示风机成本CW:
CW=CW,r×(1+x%);
其中,x%为风电机组维修成本与初始投资的比值;CW,r为风电机组初始投资年值;
通过以下公式表示储能系统成本CE:
CE=(CB,i+CC,i)+(1+y%);
其中,y%为储能系统维修费用和初始投资的比例;CB,iCB,i分别表示储能电池和变流器初始投资年值,PC,r为变流器总装机容量,Er为储能电池额定容量;
通过以下公式表示光伏成本CG:
CG=CG,r×(1+z%);
PF,r为光伏装机容量,z%为光伏维修成本与初始投资的比值,CG,r为风电机组初始投资年值;
所述投资成本优化目标函数满足的约束条件为:
其中,PW,L(t)、PC(t)、PG(t)、PL(t)分别表示风电机组在时刻t向负荷提供的风电功率、储能装置功率、光伏功率和重点区域负荷功率;Ph,max、Pd,max分别为模拟时间内需储能电池提供的最大充电功率和最大放电功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410083052.3A CN117910828A (zh) | 2024-01-19 | 2024-01-19 | 一种配电网规划决策方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410083052.3A CN117910828A (zh) | 2024-01-19 | 2024-01-19 | 一种配电网规划决策方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117910828A true CN117910828A (zh) | 2024-04-19 |
Family
ID=90696492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410083052.3A Pending CN117910828A (zh) | 2024-01-19 | 2024-01-19 | 一种配电网规划决策方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117910828A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110011361A (zh) * | 2019-03-27 | 2019-07-12 | 南京工程学院 | 一种基于改进的帝国竞争算法的微电网优化调度方法 |
CN111900722A (zh) * | 2020-07-03 | 2020-11-06 | 武汉大学 | 一种考虑恢复能力的保底电网骨干网架构建方法 |
CN112380694A (zh) * | 2020-11-13 | 2021-02-19 | 华北电力大学(保定) | 一种基于差异化可靠性需求的配电网优化规划方法 |
CN113793022A (zh) * | 2021-09-10 | 2021-12-14 | 广东电网有限责任公司 | 基于分布式云储能的电网投资规划方案生成方法及系统 |
CN115276083A (zh) * | 2022-06-30 | 2022-11-01 | 贵州电网有限责任公司 | 一种风光水火储一体化规划方法 |
CN115776138A (zh) * | 2022-12-01 | 2023-03-10 | 浙江大学 | 一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置 |
WO2023201916A1 (zh) * | 2022-04-18 | 2023-10-26 | 国网智能电网研究院有限公司 | 一种分布式灵活资源聚合控制装置及控制方法 |
CN116995740A (zh) * | 2023-08-02 | 2023-11-03 | 广东电网有限责任公司 | 一种配电网分布式风电及储能优化配置方法和系统 |
CN117114204A (zh) * | 2023-09-27 | 2023-11-24 | 国网经济技术研究院有限公司 | 一种电网投资规模预测方法、系统及设备 |
-
2024
- 2024-01-19 CN CN202410083052.3A patent/CN117910828A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110011361A (zh) * | 2019-03-27 | 2019-07-12 | 南京工程学院 | 一种基于改进的帝国竞争算法的微电网优化调度方法 |
CN111900722A (zh) * | 2020-07-03 | 2020-11-06 | 武汉大学 | 一种考虑恢复能力的保底电网骨干网架构建方法 |
CN112380694A (zh) * | 2020-11-13 | 2021-02-19 | 华北电力大学(保定) | 一种基于差异化可靠性需求的配电网优化规划方法 |
CN113793022A (zh) * | 2021-09-10 | 2021-12-14 | 广东电网有限责任公司 | 基于分布式云储能的电网投资规划方案生成方法及系统 |
WO2023201916A1 (zh) * | 2022-04-18 | 2023-10-26 | 国网智能电网研究院有限公司 | 一种分布式灵活资源聚合控制装置及控制方法 |
CN115276083A (zh) * | 2022-06-30 | 2022-11-01 | 贵州电网有限责任公司 | 一种风光水火储一体化规划方法 |
CN115776138A (zh) * | 2022-12-01 | 2023-03-10 | 浙江大学 | 一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置 |
CN116995740A (zh) * | 2023-08-02 | 2023-11-03 | 广东电网有限责任公司 | 一种配电网分布式风电及储能优化配置方法和系统 |
CN117114204A (zh) * | 2023-09-27 | 2023-11-24 | 国网经济技术研究院有限公司 | 一种电网投资规模预测方法、系统及设备 |
Non-Patent Citations (1)
Title |
---|
胡静 等: "电网功能替代性储能替代效果评估和政策机制研究", 中国电力, vol. 56, no. 8, 31 August 2023 (2023-08-31), pages 12 - 13 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
CN109711620B (zh) | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 | |
CN111091143B (zh) | 基于深度信念网络和K-means聚类的配变重过载预警方法 | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
Kolhe et al. | GA-ANN for short-term wind energy prediction | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN115115127A (zh) | 一种基于深度学习的低压台区智能调控方法及系统 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
Meng et al. | A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
CN114254828B (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
CN116154875A (zh) | 基于tcn和误差函数的光伏电站有功功率优化分配方法 | |
Jiang et al. | Electrical load forecasting based on multi-model combination by stacking ensemble learning algorithm | |
CN117910828A (zh) | 一种配电网规划决策方法和系统 | |
CN113609768A (zh) | 基于双向lstm网络的台区线损率计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |