CN117937587A - 一种分布式能源的配电优化方法和系统 - Google Patents
一种分布式能源的配电优化方法和系统 Download PDFInfo
- Publication number
- CN117937587A CN117937587A CN202311743598.9A CN202311743598A CN117937587A CN 117937587 A CN117937587 A CN 117937587A CN 202311743598 A CN202311743598 A CN 202311743598A CN 117937587 A CN117937587 A CN 117937587A
- Authority
- CN
- China
- Prior art keywords
- power
- distributed energy
- node
- data
- distribution network
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 114
- 238000005315 distribution function Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 41
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000002452 interceptive effect Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种分布式能源的配电优化方法和系统,包括:基于分布式能源的随机性概率分布函数,建立功率随机性数据集;将所述功率随机性数据集进行自适应交叉迭代,确定各分布式能源接入配电网的有效功率数据;基于所述各分布式能源接入配电网的有效功率数据,利用预先构建的功率诊断模型和成本诊断模型,得到所述分布式能源接入配电网的最低运行成本;根据所述分布式能源接入配电网的最低运行成本,得到所述分布式能源接入配电网的优化调度方案;本发明能够考虑到分布式能源的不确定性,保证了分布式能源接入配电网场景的全面性,有利于优化配电系统的调度方案,确保分布式能源的可靠供应和平稳性,进而实现配电系统的可持续发展和高效运行。
Description
技术领域
本发明涉及配电网技术领域,具体涉及一种分布式能源的配电优化方法和系统。
背景技术
目前,随着可持续发展需求的日益增长,新能源接入到电力系统领域已成为重要议题。风电、光伏等可再生能源规模的不断发展,促使传统配电网逐步转为以新能源为主的新型配电系统,对电力系统的可持续发展具有重要意义,也带来了一系列的影响和挑战。
配电系统的复杂度不断增加,使得分布式发电、储能等大量分布式能源接入配电网后冗余增大。并且可再生能源受地区、位置、天气等限制因素较多,其发电量不确定性导致新能源发电存在明显的波动性和随机性,给电力系统的调度和平衡带来了挑战,且新能源的接入还是改变了传统的发电模式,增加了分布式发电的比例,使得电力系统的运行更为复杂,这对于配电网调度优化带来了严峻考验。
发明内容
为了解决分布式能源发电存在的波动性和随机性,接入配电网时使得电力系统的运行调度更为复杂的问题,本发明提出一种分布式能源的配电优化方法,包括:
基于分布式能源的随机性概率分布函数,建立功率随机性数据集;
将所述功率随机性数据集进行自适应交叉迭代,确定所述分布式能源接入配电网的有效功率数据;
基于所述分布式能源接入配电网的有效功率数据,利用预先构建的功率诊断模型和成本诊断模型,得到所述分布式能源接入配电网的最低运行成本;
根据所述分布式能源接入配电网的最低运行成本,得到所述分布式能源接入配电网的优化调度方案;
其中,所述功率诊断模型和所述成本诊断模型是基于BP神经网络,且所述功率诊断模型是以所述有效功率数据中的峰值功率最大为目标构建的;所述成本诊断模型是以所述峰值功率最大时对应的运行成本最低为目标构建的。
可选的,所述基于所述分布式能源接入配电网的有效功率数据,利用预先构建的功率诊断模型和成本诊断模型,得到所述分布式能源接入配电网的最低运行成本,包括:
基于所述分布式能源接入配电网的有效功率数据,建立样本数据库;
基于所述样本数据库,利用预先构建的功率诊断模型,得到所述有效功率数据中的最大峰值功率;
基于所述有效功率数据中的最大峰值功率,利用预先构建的成本诊断模型,得到所述最大峰值功率对应的最低运行成本作为所述分布式能源接入配电网的最低运行成本。
可选的,所述基于所述分布式能源接入配电网的有效功率数据,建立样本数据库,包括:
对所述分布式能源接入配电网的有效功率数据进行特征参量提取,得到功率特征数据;
根据所述功率特征数据,得到所述分布式能源的运行成本;
对所述有效功率数据和所述分布式能源的运行成本进行交叉组合,得到样本数据库;
其中,所述功率特征数据包括下述的一种或多种:有效功率数据的峰值、频率和时间。
可选的,所述功率诊断模型包括如下的构建过程:
将历史的样本数据库中的数据作为待构建的功率诊断模型对应的训练数据的输入;
将所述历史的样本数据库中的最大峰值功率作为所述功率诊断模型对应的训练数据的输出;
基于所述功率诊断模型对应的训练数据的输入和输出,对所述功率诊断模型对应的BP神经网络进行训练,得到最终的功率诊断模型。
可选的,所述成本诊断模型包括如下的构建过程:
将历史的样本数据库中的最大峰值功率作为待构建的成本诊断模型对应的训练数据的输入;
将所述历史的样本数据库中最大峰值功率对应的最低运行成本作为所述成本诊断模型对应的训练数据的输出;
基于所述成本诊断模型对应的训练数据的输入和输出,对所述成本诊断模型对应的BP神经网络进行训练,得到最终的成本诊断模型。
可选的,所述将所述功率随机性数据集进行自适应交叉迭代,确定所述分布式能源接入配电网的有效功率数据,包括:
将所述功率随机性数据集进行自适应交叉迭代,得到所述分布式能源接入配电网的交互功率数据;
将所述交互功率数据中满足负荷调度条件的交互功率数据作为有效功率数据。
可选的,所述基于分布式能源的随机性概率分布函数,建立功率随机性数据集,包括:
基于分布式能源的随机性概率分布函数,利用配电网系统模型进行仿真模拟,得到所述分布式能源的功率波动数据;
根据所述分布式能源的功率波动数据,建立功率随机性数据集。
可选的,所述分布式能源的随机性概率分布函数对应的表达式如下:
其中,tn+1表示第n+1个触发时刻;tn表示第n个触发时刻;μ(t)表示t时刻的随机触发信号;t∈R;θλ(t)表示随时间t变化下常量参数值λ对应的正切换型阈值函数;λ表示常量参数值;inf表示下确界函数。
可选的,所述配电网系统模型包括如下构建过程:
将分布式能源接入配电网,并将节点功率平衡约束和节点电压约束作为待构建的配电网系统模型的约束条件;
基于所述约束条件,得到配电网系统模型。
可选的,所述节点功率平衡约束对应的表达式如下:
其中,PGi表示节点i的注入有功功率;PLi表示节点i的负荷有功功率;Pij表示节点i和节点j组成线路的有功功率;E表示自然数集;Pki表示节点k和节点i组成线路的有功功率;rki表示节点k和节点i组成线路的有功线路阻抗;lki表示节点k和线路i组成线路电流的平方;QGi表示节点i的注入无功功率;QLi表示节点i的负荷无功功率;Qij表示节点i和节点j组成线路的无功功率;Qki表示节点k和节点i组成线路的无功功率;xki表示节点k和节点i组成线路的无功线路阻抗。
可选的,所述节点电压约束对应的表达式如下:
其中,vi表示节点i的电压;vj表示节点j的电压;rij表示节点i和节点j组成线路的有功线路阻抗;Pij表示节点i和节点j组成线路的有功功率;xij表示节点i和节点j组成线路的无功线路阻抗;lij表示节点i和线路j组成线路电流的平方;v0表示初始节点的电压;Vmin表示配电网的电压下限;Vmax表示配电网的电压上限。
基于同一发明构思,本发明还提供了一种分布式能源的配电优化系统,包括:
数据集建立模块:用于基于分布式能源的随机性概率分布函数,建立功率随机性数据集;
功率数据确定模块:用于将所述功率随机性数据集进行自适应交叉迭代,确定所述分布式能源接入配电网的有效功率数据;
特征映射模块:用于基于所述分布式能源接入配电网的有效功率数据,利用预先构建的功率诊断模型和成本诊断模型,得到所述分布式能源接入配电网的最低运行成本;
优化调度模块:用于根据所述分布式能源接入配电网的最低运行成本,得到所述分布式能源接入配电网的优化调度方案;
其中,所述特征映射模块中的功率诊断模型和所述成本诊断模型是基于BP神经网络,且所述功率诊断模型是以所述有效功率数据中的峰值功率最大为目标构建的;所述成本诊断模型是以所述峰值功率最大时对应的运行成本最低为目标构建的。
所述特征映射模块,具体用于:
基于所述分布式能源接入配电网的有效功率数据,建立样本数据库;
基于所述样本数据库,利用预先构建的功率诊断模型,得到所述有效功率数据中的最大峰值功率;
基于所述有效功率数据中的最大峰值功率,利用预先构建的成本诊断模型,得到所述最大峰值功率对应的最低运行成本作为所述分布式能源接入配电网的最低运行成本。
可选的,所述特征映射模块中基于所述分布式能源接入配电网的有效功率数据,建立样本数据库,包括:
对所述分布式能源接入配电网的有效功率数据进行特征参量提取,得到功率特征数据;
根据所述功率特征数据,得到所述分布式能源的运行成本;
对所述有效功率数据和所述分布式能源的运行成本进行交叉组合,得到样本数据库;
其中,所述功率特征数据包括下述的一种或多种:有效功率数据的峰值、频率和时间。
可选的,所述特征映射模块中的功率诊断模型包括如下的构建过程:
将历史的样本数据库中的数据作为待构建的功率诊断模型对应的训练数据的输入;
将所述历史的样本数据库中的最大峰值功率作为所述功率诊断模型对应的训练数据的输出;
基于所述功率诊断模型对应的训练数据的输入和输出,对所述功率诊断模型对应的BP神经网络进行训练,得到最终的功率诊断模型。
可选的,所述特征映射模块中的成本诊断模型包括如下的构建过程:
将历史的样本数据库中的最大峰值功率作为待构建的成本诊断模型对应的训练数据的输入;
将所述历史的样本数据库中最大峰值功率对应的最低运行成本作为所述成本诊断模型对应的训练数据的输出;
基于所述成本诊断模型对应的训练数据的输入和输出,对所述成本诊断模型对应的BP神经网络进行训练,得到最终的成本诊断模型。
可选的,所述功率数据确定模块,具体用于:
将所述功率随机性数据集进行自适应交叉迭代,得到所述分布式能源接入配电网的交互功率数据;
将所述交互功率数据中满足负荷调度条件的交互功率数据作为有效功率数据。
可选的,所述数据集建立模块,具体用于:
基于分布式能源的随机性概率分布函数,利用配电网系统模型进行仿真模拟,得到所述分布式能源的功率波动数据;
根据所述分布式能源的功率波动数据,建立功率随机性数据集。
可选的,所述数据集建立模块中的分布式能源的随机性概率分布函数对应的表达式如下:
其中,tn+1表示第n+1个触发时刻;tn表示第n个触发时刻;μ(t)表示t时刻的随机触发信号;t∈R;θλ(t)表示随时间t变化下常量参数值λ对应的正切换型阈值函数;λ表示常量参数值;inf表示下确界函数。
可选的,所述数据集建立模块中的配电网系统模型包括如下构建过程:
将分布式能源接入配电网,并将节点功率平衡约束和节点电压约束作为待构建的配电网系统模型的约束条件;
基于所述约束条件,得到配电网系统模型。
可选的,所述数据集建立模块中的节点功率平衡约束对应的表达式如下:
其中,PGi表示节点i的注入有功功率;PLi表示节点i的负荷有功功率;Pij表示节点i和节点j组成线路的有功功率;E表示自然数集;Pki表示节点k和节点i组成线路的有功功率;rki表示节点k和节点i组成线路的有功线路阻抗;lki表示节点k和线路i组成线路电流的平方;QGi表示节点i的注入无功功率;QLi表示节点i的负荷无功功率;Qij表示节点i和节点j组成线路的无功功率;Qki表示节点k和节点i组成线路的无功功率;xki表示节点k和节点i组成线路的无功线路阻抗。
可选的,所述数据集建立模块中的节点电压约束对应的表达式如下:
其中,vi表示节点i的电压;vj表示节点j的电压;rij表示节点i和节点j组成线路的有功线路阻抗;Pij表示节点i和节点j组成线路的有功功率;xij表示节点i和节点j组成线路的无功线路阻抗;lij表示节点i和线路j组成线路电流的平方;v0表示初始节点的电压;Vmin表示配电网的电压下限;Vmax表示配电网的电压上限。
与现有技术相比,本发明的有益效果为:
本发明提供了一种分布式能源的配电优化方法和系统,包括:基于分布式能源的随机性概率分布函数,建立功率随机性数据集;将所述功率随机性数据集进行自适应交叉迭代,确定各分布式能源接入配电网的有效功率数据;基于所述各分布式能源接入配电网的有效功率数据,利用预先构建的功率诊断模型和成本诊断模型,得到所述分布式能源接入配电网的最低运行成本;根据所述分布式能源接入配电网的最低运行成本,得到所述分布式能源接入配电网的优化调度方案;其中,所述功率诊断模型和所述成本诊断模型是基于BP神经网络,且所述功率诊断模型是以所述有效功率数据中的峰值功率最大为目标构建的;所述成本诊断模型是以所述峰值功率最大时对应的运行成本最低为目标构建的;本发明通过针对基于分布式能源的随机性概率分布函数建立的功率数据集,进行自适应交叉迭代,得到有效功率数据,能够考虑到分布式能源的不确定性,保证了分布式能源接入配电网场景的全面性;并通过采用预先构建的基于BP神经网络的功率诊断模型和成本诊断模型,得到分布式能源接入配电网的最低运行成本,得到分布式能源的优化调度方案,有利于优化配电系统的调度方案,确保分布式能源的可靠供应和平稳性,进而实现配电系统的可持续发展和高效运行。
附图说明
图1为本发明提供的一种分布式能源的配电优化方法流程示意图;
图2为本发明提供的一种分布式能源的配电优化系统的结构组成示意图。
具体实施方式
本发明提出一种分布式能源的配电优化方法和系统,下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1:
一种分布式能源的配电优化方法,流程示意图如图1所示,包括:
步骤1:基于分布式能源的随机性概率分布函数,建立功率随机性数据集;
步骤2:将所述功率随机性数据集进行自适应交叉迭代,确定所述分布式能源接入配电网的有效功率数据;
步骤3:基于所述分布式能源接入配电网的有效功率数据,利用预先构建的功率诊断模型和成本诊断模型,得到所述分布式能源接入配电网的最低运行成本;
步骤4:根据所述分布式能源接入配电网的最低运行成本,得到所述分布式能源接入配电网的优化调度方案;
其中,所述功率诊断模型和所述成本诊断模型是基于BP神经网络,且所述功率诊断模型是以所述有效功率数据中的峰值功率最大为目标构建的;所述成本诊断模型是以所述峰值功率最大时对应的运行成本最低为目标构建的。
具体的,步骤1包括:
基于分布式能源的随机性概率分布函数,利用配电网系统模型进行仿真模拟,得到所述分布式能源的功率波动数据;
根据所述分布式能源的功率波动数据,建立功率随机性数据集;
将不同分布式能源根据对应的随机性概率分布函数,在配电网系统模型中进行仿真,采集调度日风电、光伏发电功率和负荷功率,获取不同分布式能源的功率波动数据,所建立的功率随机性数据集如下:
ξF={PwF1,PwF2,...,PwFa,PpvF1,PpvF2,...,PpvFb,PLF}
其中,ξF表示分布式能源的总功率值;PwF1表示第1个风电机组的功率值;PwFa表示第a各风电机组的功率值;a表示风电机组总数量;PpvF1表示第1个光伏机组的功率值;PpvFb表示第b个光伏机组的功率值;b表示光伏机组总数量;PLF表示负荷功率值。
所述随机性概率分布函数是根据所述分布式能源和配电网交互时的功率随机性构建的,由于分布式能源出力及负荷功率具有明显的不确定性,为保证分布式能源功率不确定性的准确性,因此需要构建分布式能源的随机性概率分布函数;
所述分布式能源的随机性概率分布函数对应的表达式如下:
其中,tn+1表示第n+1个触发时刻;tn表示第n个触发时刻;μ(t)表示t时刻的随机触发信号;t∈R;θλ(t)表示t时刻下常量参数值λ对应的正切换型阈值函数;λ表示常量参数值;inf表示下确界函数;
式中,t时刻下常量参数值λ对应的正切换型阈值函数θλ(t)的偏分表示如下:
其中,表示t时刻下常量参数值λ对应的正切换型阈值函数θλ(t)的偏分;R表示第一常数;G表示第二常数;θ1(t)表示t时刻下常量参数值λ取1时的正切换型阈值函数;θ0(t)表示t时刻下常量参数值λ取0时的正切换型阈值函数;且0<θλ(t)≤1。
所述配电网系统模型包括如下构建过程:
将分布式能源接入配电网,并将节点功率平衡约束和节点电压约束作为待构建的配电网系统模型的约束条件;
基于所述约束条件,得到配电网系统模型;
所述分布式能源包括下述一种或多种:分布式风电、光伏、柴油发电机组、负荷和储能系统;
所述节点功率平衡约束对应的表达式如下:
其中,PGi表示节点i的注入有功功率;PLi表示节点i的负荷有功功率;Pij表示节点i和节点j组成线路的有功功率;E表示自然数集;Pki表示节点k和节点i组成线路的有功功率;rki表示节点k和节点i组成线路的有功线路阻抗;lki表示节点k和线路i组成线路电流的平方;QGi表示节点i的注入无功功率;QLi表示节点i的负荷无功功率;Qij表示节点i和节点j组成线路的无功功率;Qki表示节点k和节点i组成线路的无功功率;xki表示节点k和节点i组成线路的无功线路阻抗。
所述节点电压约束对应的表达式如下:
其中,vi表示节点i的电压;vj表示节点j的电压;rii表示节点i和节点j组成线路的有功线路阻抗;Pij表示节点i和节点j组成线路的有功功率;xij表示节点i和节点j组成线路的无功线路阻抗;lij表示节点i和线路j组成线路电流的平方;v0表示初始节点的电压;Vmin表示配电网的电压下限;Vmax表示配电网的电压上限。
步骤2,包括:
将所述功率随机性数据集进行自适应交叉迭代,得到所述分布式能源接入配电网的交互功率数据;
将所述交互功率数据中满足负荷调度条件的交互功率数据作为有效功率数据;
配电网在进行日前调度时,需要容纳不同种类的分布式能源出力及负荷功率,因此将采集获取不同分布式能源的功率波动数据进行自适应交叉迭代,有利于保证分布式能源接入配电网场景的全面性,并根据配电系统的处理策略对交互功率数据进行筛选,得到实际符合调度条件的有效功率数据。
步骤3,包括:
基于所述分布式能源接入配电网的有效功率数据,建立样本数据库;
基于所述样本数据库,利用预先构建的功率诊断模型,得到所述有效功率数据中的最大峰值功率;
基于所述有效功率数据中的最大峰值功率,利用预先构建的成本诊断模型,得到所述最大峰值功率对应的最低运行成本作为所述分布式能源接入配电网的最低运行成本。
所述基于所述分布式能源接入配电网的有效功率数据,建立样本数据库,包括:
对所述分布式能源接入配电网的有效功率数据进行特征参量提取,得到功率特征数据;
根据所述功率特征数据,得到所述分布式能源的运行成本;
对所述有效功率数据和所述分布式能源的运行成本进行交叉组合,得到样本数据库;
其中,所述功率特征数据包括下述的一种或多种:有效功率数据的峰值、频率和时间;
对所述分布式能源接入配电网的有效功率数据进行特征参量提取时,还需要删除掉有效功率数据的误差点,然后利用基于BP神经网络建立的功率诊断模型和成本诊断模型对配电系统的样本数据库与特征参量之间的映射关系进行反演训练,得到配电系统的调度处理策略树;通过功率诊断模型对有效功率数据进行筛选分类,再通过成本诊断模型对运行成本进行分类确认;所述功率诊断模型用于筛选出有效功率数据中最大峰值功率,再通过成本诊断模型对最大峰值功率的运行成本进行分类,筛选得到具有最大峰值功率时刻时最低运行成本的分布式能源信息,得到配电系统的调度处理策略树;
所述功率诊断模型包括如下的构建过程:
将历史的样本数据库中的数据作为待构建的功率诊断模型对应的训练数据的输入;
将所述历史的样本数据库中的最大峰值功率作为所述功率诊断模型对应的训练数据的输出;
基于所述功率诊断模型对应的训练数据的输入和输出,对所述功率诊断模型对应的BP神经网络进行训练,得到最终的功率诊断模型。
所述成本诊断模型包括如下的构建过程:
将历史的样本数据库中的最大峰值功率作为待构建的成本诊断模型对应的训练数据的输入;
将所述历史的样本数据库中最大峰值功率对应的最低运行成本作为所述成本诊断模型对应的训练数据的输出;
基于所述成本诊断模型对应的训练数据的输入和输出,对所述成本诊断模型对应的BP神经网络进行训练,得到最终的成本诊断模型。
步骤4中根据所述分布式能源接入配电网的最低运行成本,可得到最大峰值功率和最低运行成本之间的关联关系,也就确定了分布式能源如何在运行成本最低的状态下输出最大峰值功率,即能够得到所述分布式能源接入配电网的优化调度方案。
本发明提供的一种分布式能源的配电优化方法,通过建立包含分布式能源的配电网系统模型,并考虑分布式能源功率不确定性,构建分布式能源随机性概率分布函数,能够保障不确定性的准确性;并对各分布式能源功率进行自适应交叉迭代,有利于保证分布式能源接入配电网场景的全面性;通过获取分布式能源功率波动数据与运行成本交叉组合的样本数据库,采用机器学习算法设计功率诊断模型和成本诊断模型,进行功率-成本的分类识别,确定分布式能源最大发电功率及负荷功率状态下的运行成本最低方法,从而优化配电系统的调度,有利于确保分布式新能源的可靠供应和平稳性,实现配电系统的可持续发展和高效运行。
实施例2:
基于同一发明构思的本发明还提供了一种分布式能源的配电优化系统,结构组成示意图如图2所示,包括:
数据集建立模块:用于基于分布式能源的随机性概率分布函数,建立功率随机性数据集;
功率数据确定模块:用于将所述功率随机性数据集进行自适应交叉迭代,确定所述分布式能源接入配电网的有效功率数据;
特征映射模块:用于基于所述分布式能源接入配电网的有效功率数据,利用预先构建的功率诊断模型和成本诊断模型,得到所述分布式能源接入配电网的最低运行成本;
优化调度模块:用于根据所述分布式能源接入配电网的最低运行成本,得到所述分布式能源接入配电网的优化调度方案;
其中,所述特征映射模块中的功率诊断模型和所述成本诊断模型是基于BP神经网络,且所述功率诊断模型是以所述有效功率数据中的峰值功率最大为目标构建的;所述成本诊断模型是以所述峰值功率最大时对应的运行成本最低为目标构建的。
所述数据集建立模块,具体用于:
基于分布式能源的随机性概率分布函数,利用配电网系统模型进行仿真模拟,得到所述分布式能源的功率波动数据;
根据所述分布式能源的功率波动数据,建立功率随机性数据集。
所述数据集建立模块中的分布式能源的随机性概率分布函数对应的表达式如下:
其中,tn+1表示第n+1个触发时刻;tn表示第n个触发时刻;μ(t)表示t时刻的随机触发信号;t∈R;θλ(t)表示随时间t变化下常量参数值λ对应的正切换型阈值函数;λ表示常量参数值;inf表示下确界函数。
所述数据集建立模块中的配电网系统模型包括如下构建过程:
将分布式能源接入配电网,并将节点功率平衡约束和节点电压约束作为待构建的配电网系统模型的约束条件;
基于所述约束条件,得到配电网系统模型。
所述数据集建立模块中的节点功率平衡约束对应的表达式如下:
其中,PGi表示节点i的注入有功功率;PLi表示节点i的负荷有功功率;Pij表示节点i和节点j组成线路的有功功率;E表示自然数集;Pki表示节点k和节点i组成线路的有功功率;rki表示节点k和节点i组成线路的有功线路阻抗;lki表示节点k和线路i组成线路电流的平方;QGi表示节点i的注入无功功率;QLi表示节点i的负荷无功功率;Qij表示节点i和节点j组成线路的无功功率;Qki表示节点k和节点i组成线路的无功功率;xki表示节点k和节点i组成线路的无功线路阻抗。
所述数据集建立模块中的节点电压约束对应的表达式如下:
其中,vi表示节点i的电压;vj表示节点j的电压;rij表示节点i和节点j组成线路的有功线路阻抗;Pij表示节点i和节点j组成线路的有功功率;xij表示节点i和节点j组成线路的无功线路阻抗;lij表示节点i和线路j组成线路电流的平方;v0表示初始节点的电压;Vmin表示配电网的电压下限;Vmax表示配电网的电压上限。
所述功率数据确定模块中,具体用于:
将所述功率随机性数据集进行自适应交叉迭代,得到所述分布式能源接入配电网的交互功率数据;
将所述交互功率数据中满足负荷调度条件的交互功率数据作为有效功率数据。
所述特征映射模块,具体用于:
基于所述分布式能源接入配电网的有效功率数据,建立样本数据库;
基于所述样本数据库,利用预先构建的功率诊断模型,得到所述有效功率数据中的最大峰值功率;
基于所述有效功率数据中的最大峰值功率,利用预先构建的成本诊断模型,得到所述最大峰值功率对应的最低运行成本作为所述分布式能源接入配电网的最低运行成本。
所述特征映射模块中基于所述分布式能源接入配电网的有效功率数据,建立样本数据库,包括:
对所述分布式能源接入配电网的有效功率数据进行特征参量提取,得到功率特征数据;
根据所述功率特征数据,得到所述分布式能源的运行成本;
对所述有效功率数据和所述分布式能源的运行成本进行交叉组合,得到样本数据库;
其中,所述功率特征数据包括下述的一种或多种:有效功率数据的峰值、频率和时间。
所述特征映射模块中的功率诊断模型包括如下的构建过程:
将历史的样本数据库中的数据作为待构建的功率诊断模型对应的训练数据的输入;
将所述历史的样本数据库中的最大峰值功率作为所述功率诊断模型对应的训练数据的输出;
基于所述功率诊断模型对应的训练数据的输入和输出,对所述功率诊断模型对应的BP神经网络进行训练,得到最终的功率诊断模型。
所述特征映射模块中的成本诊断模型包括如下的构建过程:
将历史的样本数据库中的最大峰值功率作为待构建的成本诊断模型对应的训练数据的输入;
将所述历史的样本数据库中最大峰值功率对应的最低运行成本作为所述成本诊断模型对应的训练数据的输出;
基于所述成本诊断模型对应的训练数据的输入和输出,对所述成本诊断模型对应的BP神经网络进行训练,得到最终的成本诊断模型。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (13)
1.一种分布式能源的配电优化方法,其特征在于,包括:
基于分布式能源的随机性概率分布函数,建立功率随机性数据集;
将所述功率随机性数据集进行自适应交叉迭代,确定所述分布式能源接入配电网的有效功率数据;
基于所述分布式能源接入配电网的有效功率数据,利用预先构建的功率诊断模型和成本诊断模型,得到所述分布式能源接入配电网的最低运行成本;
根据所述分布式能源接入配电网的最低运行成本,得到所述分布式能源接入配电网的优化调度方案;
其中,所述功率诊断模型和所述成本诊断模型是基于BP神经网络,且所述功率诊断模型是以所述有效功率数据中的峰值功率最大为目标构建的;所述成本诊断模型是以所述峰值功率最大时对应的运行成本最低为目标构建的。
2.如权利要求1所述的方法,其特征在于,所述基于所述分布式能源接入配电网的有效功率数据,利用预先构建的功率诊断模型和成本诊断模型,得到所述分布式能源接入配电网的最低运行成本,包括:
基于所述分布式能源接入配电网的有效功率数据,建立样本数据库;
基于所述样本数据库,利用预先构建的功率诊断模型,得到所述有效功率数据中的最大峰值功率;
基于所述有效功率数据中的最大峰值功率,利用预先构建的成本诊断模型,得到所述最大峰值功率对应的最低运行成本作为所述分布式能源接入配电网的最低运行成本。
3.如权利要求2所述的方法,其特征在于,所述基于所述分布式能源接入配电网的有效功率数据,建立样本数据库,包括:
对所述分布式能源接入配电网的有效功率数据进行特征参量提取,得到功率特征数据;
根据所述功率特征数据,得到所述分布式能源的运行成本;
对所述有效功率数据和所述分布式能源的运行成本进行交叉组合,得到样本数据库;
其中,所述功率特征数据包括下述的一种或多种:有效功率数据的峰值、频率和时间。
4.如权利要求2所述的方法,其特征在于,所述功率诊断模型包括如下的构建过程:
将历史的样本数据库中的数据作为待构建的功率诊断模型对应的训练数据的输入;
将所述历史的样本数据库中的最大峰值功率作为所述功率诊断模型对应的训练数据的输出;
基于所述功率诊断模型对应的训练数据的输入和输出,对所述功率诊断模型对应的BP神经网络进行训练,得到最终的功率诊断模型。
5.如权利要求4所述的方法,其特征在于,所述成本诊断模型包括如下的构建过程:
将历史的样本数据库中的最大峰值功率作为待构建的成本诊断模型对应的训练数据的输入;
将所述历史的样本数据库中最大峰值功率对应的最低运行成本作为所述成本诊断模型对应的训练数据的输出;
基于所述成本诊断模型对应的训练数据的输入和输出,对所述成本诊断模型对应的BP神经网络进行训练,得到最终的成本诊断模型。
6.如权利要求1所述的方法,其特征在于,所述将所述功率随机性数据集进行自适应交叉迭代,确定所述分布式能源接入配电网的有效功率数据,包括:
将所述功率随机性数据集进行自适应交叉迭代,得到所述分布式能源接入配电网的交互功率数据;
将所述交互功率数据中满足负荷调度条件的交互功率数据作为有效功率数据。
7.如权利要求1所述的方法,其特征在于,所述基于分布式能源的随机性概率分布函数,建立功率随机性数据集,包括:
基于分布式能源的随机性概率分布函数,利用配电网系统模型进行仿真模拟,得到所述分布式能源的功率波动数据;
根据所述分布式能源的功率波动数据,建立功率随机性数据集。
8.如权利要求7所述的方法,其特征在于,所述分布式能源的随机性概率分布函数对应的表达式如下:
其中,tn+1表示第n+1个触发时刻;tn表示第n个触发时刻;μ(t)表示t时刻的随机触发信号;t∈R;θλ(t)表示随时间t变化下常量参数值λ对应的正切换型阈值函数;λ表示常量参数值;inf表示下确界函数。
9.如权利要求7所述的方法,其特征在于,所述配电网系统模型包括如下构建过程:
将分布式能源接入配电网,并将节点功率平衡约束和节点电压约束作为待构建的配电网系统模型的约束条件;
基于所述约束条件,得到配电网系统模型。
10.如权利要求9所述的方法,其特征在于,所述节点功率平衡约束对应的表达式如下:
其中,PGi表示节点i的注入有功功率;PLi表示节点i的负荷有功功率;Pij表示节点i和节点j组成线路的有功功率;E表示自然数集;Pki表示节点k和节点i组成线路的有功功率;rki表示节点k和节点i组成线路的有功线路阻抗;lki表示节点k和线路i组成线路电流的平方;QGi表示节点i的注入无功功率;QLi表示节点i的负荷无功功率;Qij表示节点i和节点j组成线路的无功功率;Qki表示节点k和节点i组成线路的无功功率;xki表示节点k和节点i组成线路的无功线路阻抗。
11.如权利要求9所述的方法,其特征在于,所述节点电压约束对应的表达式如下:
其中,vi表示节点i的电压;vj表示节点j的电压;rij表示节点i和节点j组成线路的有功线路阻抗;Pij表示节点u和节点j组成线路的有功功率;xij表示节点u和节点j组成线路的无功线路阻抗;lij表示节点i和线路j组成线路电流的平方;v0表示初始节点的电压;Vmin表示配电网的电压下限;Vmax表示配电网的电压上限。
12.一种分布式能源的配电优化系统,其特征在于,包括:
数据集建立模块:用于基于分布式能源的随机性概率分布函数,建立功率随机性数据集;
功率数据确定模块:用于将所述功率随机性数据集进行自适应交叉迭代,确定所述分布式能源接入配电网的有效功率数据;
特征映射模块:用于基于所述分布式能源接入配电网的有效功率数据,利用预先构建的功率诊断模型和成本诊断模型,得到所述分布式能源接入配电网的最低运行成本;
优化调度模块:用于根据所述分布式能源接入配电网的最低运行成本,得到所述分布式能源接入配电网的优化调度方案;
其中,所述特征映射模块中的功率诊断模型和所述成本诊断模型是基于BP神经网络,且所述功率诊断模型是以所述有效功率数据中的峰值功率最大为目标构建的;所述成本诊断模型是以所述峰值功率最大时对应的运行成本最低为目标构建的。
13.如权利要求12所述的系统,其特征在于,所述特征映射模块,具体用于:
基于所述分布式能源接入配电网的有效功率数据,建立样本数据库;
基于所述样本数据库,利用预先构建的功率诊断模型,得到所述有效功率数据中的最大峰值功率;
基于所述有效功率数据中的最大峰值功率,利用预先构建的成本诊断模型,得到所述最大峰值功率对应的最低运行成本作为所述分布式能源接入配电网的最低运行成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743598.9A CN117937587A (zh) | 2023-12-18 | 2023-12-18 | 一种分布式能源的配电优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743598.9A CN117937587A (zh) | 2023-12-18 | 2023-12-18 | 一种分布式能源的配电优化方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117937587A true CN117937587A (zh) | 2024-04-26 |
Family
ID=90765663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311743598.9A Pending CN117937587A (zh) | 2023-12-18 | 2023-12-18 | 一种分布式能源的配电优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117937587A (zh) |
-
2023
- 2023-12-18 CN CN202311743598.9A patent/CN117937587A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
CN102129511A (zh) | 一种基于matlab的风电场短期风速预测系统 | |
Kaboli et al. | An expression-driven approach for long-term electric power consumption forecasting | |
CN109412161A (zh) | 一种电力系统概率潮流计算方法及系统 | |
CN111915079B (zh) | 一种混合knn风电功率预测方法及系统 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN111260206A (zh) | 一种光伏发电影响因素评价模型、构建方法及应用 | |
CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、系统及设备 | |
CN117595231B (zh) | 一种智能电网配网管理系统及其方法 | |
CN111861256B (zh) | 一种主动配电网重构决策方法及系统 | |
CN109921462A (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN112670982A (zh) | 一种基于奖励机制的微电网有功调度控制方法及系统 | |
CN115622056B (zh) | 一种基于线性加权和选解法的储能优化配置方法及系统 | |
CN115528750B (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN117937587A (zh) | 一种分布式能源的配电优化方法和系统 | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
CN107679478A (zh) | 输电线路空间负荷状态的提取方法和系统 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
CN114118611A (zh) | 基于预测算法池的风电功率预测方法和系统 | |
CN113076696A (zh) | 基于ipso-混沌bp网络的负荷短期预测方法及预测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |