CN118017609A - 基于沃森斯坦距离场景分类的光伏承载力评估方法、装置 - Google Patents
基于沃森斯坦距离场景分类的光伏承载力评估方法、装置 Download PDFInfo
- Publication number
- CN118017609A CN118017609A CN202410038450.3A CN202410038450A CN118017609A CN 118017609 A CN118017609 A CN 118017609A CN 202410038450 A CN202410038450 A CN 202410038450A CN 118017609 A CN118017609 A CN 118017609A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- power
- load
- scene
- constraint
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000009826 distribution Methods 0.000 claims description 76
- 238000005315 distribution function Methods 0.000 claims description 41
- 238000010248 power generation Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 230000033228 biological regulation Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000029087 digestion Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了基于沃森斯坦距离场景分类的光伏承载力评估方法、装置。本申请所公开方法中,基于Wasserstein距离场景距离构建源荷联合概率场景,根据所述机会约束规划模型的约束条件,获得光伏的最大接入容量,再由最大接入容量和源荷联合概率场景获得评估结果。由于采用了沃特斯坦距离对分布式光伏承载力进行评估能够提供清晰的解释和分析,适用于各种规模和维度的数据,有助于深入理解光伏承载力的特征和差异,为降低最终评估结果与实际结果之间偏差提供有力支持,从而确保了评估结果的精准性。
Description
技术领域
本申请涉及电力系统自动化的技术领域,尤其涉及基于沃森斯坦距离场景分类的光伏承载力评估方法、装置。
背景技术
分布式光伏承载力是衡量电力系统可新增分布式光伏接入容量的重要指标。随着新能源容量逐渐增大,大型城市电网主要面临以下问题:1)高电压等级并网需求增多,大电网晚间高峰保供和午间低谷深调保消纳的矛盾将愈发凸显,因此需开展主配网全电压等级分布式光伏承载力分析;2)大型城市电网重要用户多,重要会事和赛事供电保障等级高,大量分布式光伏接入将导致电网谐波污染,严重影响重要用户的供电可靠性,因此需结合谐波影响程度进行评估;3)大型城市电网短路电流水平逐年攀升,局部高密度接入的分布式光伏对短路电流的影响不能忽视。因此,亟需开展电网分布式光伏承载力分析,有助于控制新能源并网带来的影响,对保障新能源并网系统安全稳定运行意义重大。分布式光伏承载力评估具有多方面的好处,包括优化能源结构、提高能源利用率、促进经济发展、增强电网稳定性、降低能源成本、环境保护、政策支持和提升能源安全。通过评估光伏承载力,可以调整能源结构,降低碳排放,推动绿色低碳发展;提高能源利用率,降低能源损失,合理规划和利用光伏资源;促进当地经济发展,提高地区经济效益,合理布局光伏发电项目;提高电网稳定性,减少输电损耗,合理规划电网扩展;降低能源成本,提高能源利用效益,整合和利用光伏资源;有利于环境保护,减少污染物排放,确定合适的光伏发电规模;制定科学合理的光伏政策,为分布式光伏发电提供支持;提高能源安全,减少对外部能源的依赖,发挥分布式光伏发电的优势。
分布式光伏承载力评估方法在实际应用中存在一些问题,主要包括数据不准确、建模假设不合理、缺乏综合考虑、缺乏实时性以及缺乏标准化和规范化等方面。这些问题可能会导致评估结果与实际情况存在偏差,影响光伏系统的优化运行和可持续发展。因此,针对这些问题,需要研究和改进评估方法,提高评估的准确性和可靠性,为分布式光伏的发展提供科学依据。
为了解决这些问题,需要对分布式光伏承载力评估方法进行进一步的研究和改进,提高评估方法的准确性、全面性和实时性,以更好地支持光伏系统的设计、规划和运营。同时,还需要建立行业标准和规范,促进评估方法的标准化和规范化。
发明内容
有鉴于此,本申请提供基于沃森斯坦距离场景分类的光伏承载力评估方法、装置,能够提高评估结果的精准性。
一方面,本申请提供一种基于沃森斯坦距离场景分类的光伏承载力评估方法,包括:
分别构建光伏出力的连续概率密度分布函数和负荷功率的连续概率密度分布函数;
基于沃森斯坦距离场景分类的生成方法,由光伏出力的连续概率密度分布函数获得光伏出力的最优离散场景以及由负荷功率的连续概率密度分布函数生成负荷功率的最优离散场景,并由所述光伏出力的最优离散场景、负荷功率的最优离散场景得到源荷联合概率分布;
构建配电网分布式光伏承载力优化计算的机会约束规划模型;
根据所述机会约束规划模型的约束条件,获得光伏的最大接入容量;
根据所述源荷联合概率分布和光伏的最大接入容量,并结合预定义的配电网光伏承载能力综合评价指标,获得评估结果。
可选地,所述连续概率密度分布函数为Beta分布函数或正态分布函数。
可选地,所述负荷功率的最优离散场景、光伏出力的最优离散场景为以下公式所表征形式,
以上公式中,x代表负荷功率或光伏出力,h(x)为连续概率密度函数,S为离散场景数,r为指数阶数,Zs为离散点且S取值为1,2,...,S,PS为离散点Zs的概率;
所述源荷联合概率分布为以下公式所表征形式,
式中,m为联合场景数,SPV分别为光伏出力的离散场景数,SL为负荷的离散场景数,PS为联合场景的概率,Ps.PV为第s个光伏的离散场景概率,PS.L为第s个负荷离散场景概率。
可选地,所述机会约束规划模型为以下公式所表征的目标函数,
式中,PG,i为第i的分布式光伏接入量,N为节点数,f为目标函数。
可选地,所述约束条件为系统潮流约束、节点电压约束、支路功率约束和分布式光伏单点接入量约束;
其中,所述系统潮流约束为以下公式所表征形式,
式中,Pi、Qi分别为节点i注入的有功功率及无功功率,Ui、Uj为节点i的电压,Uj为节点j的电压,θij为i和j的电压相角差,Gij为节点i和j之间的电导与电纳,Bij为节点i和j之间电纳;
节点电压约束为以下公式所表征形式,
Umin≤Ui≤Umax;
式中,Umax为各节点电压上限,Umin为各节点电压下限;
支路功率约束为以下公式所表征形式:
Smin≤Sl≤Smax;
式中,sl为第l条线路的传输功率,Smax为各支路功率上限Smin为各支路功率下限;
分布式光伏单点接入量约束为以下公式所表征形式,
0≤PG,i≤Pmax;
式中,Pmax为单点光伏接入量限值,PG,i为光伏的最大接入容量。
可选地,根据所述源荷联合概率分布和光伏的最大接入容量获得评估结果,包括:
基于模型预测控制算法的配电网源荷跟踪技术,通过DVR控制获得电压调节量;
将所述电压调节量补偿至所述最大接入容量;
将经过补偿后的最大接入容量作为获得评估结果的计算参量。
可选地,所述配电网光伏承载能力综合评价指标包括电压年越限风险程度、综合节点脆弱度、光伏年发电利用率、光伏年发电消纳率、线路年平均负载率、配电网年综合网损率中一种或至少二种。
第二方面,本申请提供一种基于沃森斯坦距离场景分类的光伏承载力评估装置,包括:
第一构建模块,用以分别构建光伏出力的连续概率密度分布函数和负荷功率的连续概率密度分布函数;
生成模块,用以基于沃森斯坦距离场景分类的生成方法,由光伏出力的连续概率密度分布函数获得光伏出力的最优离散场景以及由负荷功率的连续概率密度分布函数生成负荷功率的最优离散场景,并由所述光伏出力的最优离散场景、负荷功率的最优离散场景得到源荷联合概率分布;
第二构建模块,用以构建配电网分布式光伏承载力优化计算的机会约束规划模型;
第一获得模块,用以根据所述机会约束规划模型的约束条件,获得光伏的最大接入容量;
第二获得模块,用以根据所述源荷联合概率分布和光伏的最大接入容量,并结合预定义的配电网光伏承载能力综合评价指标,获得评估结果。
第三方面,本申请提供一种计算机可读存储介质,包括程序,当所述程序在计算机上运行时,使得计算机执行如上述的方法。
第四方面,本申请提供一种执行设备,包括处理器和存储器,所述处理器与所述存储器藕合;
所述存储器,用于存储程序;
所述处理器,用于执行所述存储器中的程序,使得所述执行设备执行如上述的方法。
本申请所公开方法中,基于Wasserstein距离场景距离构建源荷联合概率场景,根据所述机会约束规划模型的约束条件,获得光伏的最大接入容量,再由最大接入容量和源荷联合概率场景获得评估结果。由于采用了沃特斯坦距离对分布式光伏承载力进行评估能够提供清晰的解释和分析,适用于各种规模和维度的数据,有助于深入理解光伏承载力的特征和差异,为降低最终评估结果与实际结果之间偏差提供有力支持,从而确保了评估结果的精准性。
附图说明
下面结合附图,通过对本申请的具体实施方式详细描述,将使本申请的技术方案及其它有益效果显而易见。
图1示出了一个示例性实施例提供的基于沃森斯坦距离场景分类的光伏承载力评估方法的流程图。
图2示出了一个示例性实施例提供的系基于沃森斯坦距离场景分类的光伏承载力评估装置的构成框图;
图3示出了一个示例性实施例提供的执行装置的构成框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施例的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。在本申请中出现的对步骤进行的命名或者编号,并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤,已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序,只要能达到相同或者相类似的技术效果即可。本申请中所出现的单元的划分,是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式,例如多个单元可以结合成或集成在另一个系统中,或一些特征可以忽略,或不执行,另外,所显示的或讨论的相互之间的藕合或直接藕合或通信连接可以是通过一些接口,单元之间的间接藕合或通信连接可以是电性或其他类似的形式,本申请中均不作限定。并且,作为分离部件说明的单元或子单元可以是也可以不是物理上的分离,可以是也可以不是物理单元,或者可以分布到多个电路单元中,可以根据实际的需要选择其中的部分或全部单元来实现本申请方案的目的。
请参考图1,图1示出了一个示例性实施例提供的基于沃森斯坦距离场景分类的光伏承载力评估方法的流程图。本方法通过步骤102-110来实现。
在步骤102中,分别构建光伏出力的连续概率密度分布函数和负荷功率的连续概率密度分布函数。
这里,连续概率密度分布函数为Beta分布函数。具体地而言,例如光伏出力的连续概率密度函数,可通过以下公式来表示,
式中,PPV为光伏发电功率,PN表示光伏额定发电功率,α和β是Beta分布的形状参数,Γ(·)为伽马函数;
对于负荷功率的连续概率密度分布函数而言,将上述光伏出力的Beta分布函数中PPV、PN替换成负荷功率相关参数即可,再次不再赘述。
不过作为负荷功率的连续概率密度分布函数的另外一种形式,可采用如下公式所表示的正态分布,
式中,PL为负荷功率,μP为有功功率的均值,σP为有功功率的方差。
结合所属领域一般技术知识,容易想到的是,连续概率密度分布函数的构建的实际操作可以是,将光伏出力或负荷功率的历史数据提取典型特征,再将该典型特征输入带有函数参数(可理解为常量,例如对于Beta分布函数的连续密度分布函数而言,其中α和β为函数参数)的连续概率密度分布函数中,并反计算得到函数参数。
在步骤104中,基于沃森斯坦(即Wasserstein)距离场景分类的生成方法,由光伏出力的连续概率密度分布函数获得光伏出力的最优离散场景以及由负荷功率的连续概率密度分布函数生成负荷功率的最优离散场景,并由所述光伏出力的最优离散场景、负荷功率的最优离散场景得到源荷联合概率分布。
本申请采用沃森斯坦距离场景分类,具有以下几点技术优势:首先,Wasserstein距离能够清晰地描述两个概率分布之间的差异,有助于评估结果更容易被理解和解释。其次,沃特斯坦距离不会受到样本大小或维度的影响,对于高维、稀疏和大规模数据具有较好的适用性。此外,它可以帮助确定承载力数据的相似性和差异性,有助于分析不同地区或时间段光伏承载能力的差异。最后,沃特斯坦距离作为一种严格的数学距离度量,具有良好的数学性质,包括对称性、三角不等式等。因此,使用沃特斯坦距离对分布式光伏承载力进行评估能够提供清晰的解释和分析,适用于各种规模和维度的数据,有助于深入理解光伏承载力的特征和差异,为降低最终评估结果与实际结果之间偏差提供有力支持,从而确保了评估结果的精准性。
作为示范性的,所述负荷功率的最优离散场景、光伏出力的最优离散场景为以下公式所表征形式,
以上公式中,x代表负荷功率或光伏出力相关参数,h(x)为连续概率密度函数,S为离散场景数,r为指数阶数,Zs为离散点且S取值为1,2,...,S,Ps为离散点Zs的概率。
作为光伏出力的最优离散场景、负荷功率的最优离散场景得到源荷联合概率分布的具体示范,可采用以下公式所表征形式,
式中,m为联合场景数,SPV分别为光伏出力的离散场景数,SL为负荷的离散场景数,PS为联合场景的概率,Ps.PV为第s个光伏的离散场景概率,PS.L为第s个负荷离散场景概率。
在步骤106中,构建配电网分布式光伏承载力优化计算的机会约束规划模型。
作为示范性的,机会约束规划模型为以下公式所表征的目标函数,
式中,PG,i为第i的分布式光伏接入量,N为节点数,f为目标函数。
在步骤108中,根据所述机会约束规划模型的约束条件,获得光伏的最大接入容量。
这里,作为示范性的,约束条件为系统潮流约束、节点电压约束、支路功率约束和分布式光伏单点接入量约束。
其中,所述系统潮流约束为以下公式所表征形式,
式中,Pi、Qi分别为节点i注入的有功功率及无功功率,Ui、Uj为节点i的电压,Uj为节点j的电压,θij为i和j的电压相角差,Gij为节点i和j之间的电导与电纳,Bij为节点i和j之间电纳;
节点电压约束为以下公式所表征形式,
Umin≤Ui≤Umax;
式中,Umax为各节点电压上限,Umin为各节点电压下限。需要补充的是,由于本方法考虑光伏出力的不确定性,允许一定程度的电压越限情况的发生,因此此处的上下限指的是电压不容许值,比常规要求的电压约束值略大,为110%UN和90%UN。
支路功率约束为以下公式所表征形式:
Smin≤Sl≤Smax;
式中,Sl为第1条线路的传输功率,Smax为各支路功率上限Smin为各支路功率下限;
分布式光伏单点接入量约束为以下公式所表征形式,
0≤PG,i≤Pmax;
式中,Pmax为单点光伏接入量限值,PG,i为光伏的最大接入容量。
容易想到的是,由约束条件获得光伏的最大接入容量,是将对上述四个约束条件带入机会约束规划模型中进行求解。
在步骤110中,根据所述源荷联合概率分布和光伏的最大接入容量,并结合预定义的配电网光伏承载能力综合评价指标,获得评估结果。
不可误解的是,这里表述“根据所述源荷联合概率分布和光伏的最大接入容量获得评估结果”并非是指直接将最大接入容量代入用来计算评估结果的模型工具中即并非是将最大接入容量直接作为输入数据。
作为示范性地,本申请是将最大接入容量经过补偿相加后所得结果,作为用来计算评估结果的输入数据。
具体为,基于模型预测控制算法的配电网源荷跟踪技术,通过DVR控制获得电压调节量;
将所述电压调节量补偿至所述最大接入容量;
将经过补偿后的最大接入容量作为获得评估结果的计算参量。
上述“基于模型预测控制算法的配电网源荷跟踪技术,通过DVR控制”的具体操作方式,已被诸如文献“基于模型预测控制算法的配电网源荷跟踪技术,百度文库”、CN110048438A等类似文献所披露。
上述采用电压调节量的方式即柔性负荷提升光伏承载力,也有诸多技术优势。首先,它有助于提高光伏电站的经济效益,优化其运行和负荷调配,进而降低电站的运行成本。其次,柔性负荷的调整可以增加光伏电站的可再生能源消纳能力,使其更好地适应电网需求变化,减少对传统燃煤电厂的需求,推动能源转型。此外,柔性负荷的引入还能提高电网的稳定性和可靠性,降低负载峰谷差异,减少电网压力。最后,柔性负荷的提升还有助于促进电力系统的智能化和灵活性,为电力行业的可持续发展提供支持。
为了有助于“基于模型预测控制算法的配电网源荷跟踪技术,通过DVR控制”的具体操作方式的进一步理解,下面详尽列出该操作过程。
步骤A,获得光伏出力波动功率相关参数。
分布式光伏的出力受到外界环境的影响呈现出随机性和波动性等特点,当配电网内部不具备或缺少平抑光伏波动的手段时,光伏的功率波动会直接反应在配网与主网的电气耦合点即下网点处,因此有效平抑下网点功率的剧烈波动是提高光伏就地消纳、保证设备利用率和降低配网对主网影响的重要手段。
下网点功率计算如式:
上式中,为t时刻下网点处有功功率;/>为第f条馈线负荷的有功功率;为配网内部网损;NF为配电网中馈线总数;NB为配网中节点总数;/>为配网中第m个节点的分布式光伏有功,为与负荷功率方向统一标准,当光伏向外输出功率时,/>相当于“负功率负荷”。由于负荷功率较光伏出力平稳,且网损占比较小,因此可以认为光伏出力的波动性是导致下网点功率波动的主要原因,通过调节负荷功率跟踪光伏出力的快速波动即可以实现对下网点功率波动的有效平抑。
为保证光伏出力不影响电网的正常运行,《光伏发电站接入电力系统技术规定》(GB/T19964-2012)和《光伏电站接入电网技术规定》(Q/GDW1617-2015)等规定中均要求,光伏电站并网点1min有功功率变化最大值为10%,且允许由于辐照度降低导致光伏出力下降所引起的功率波动。并网点为分布式光伏升压站汇总的节点,从电网层面来看即为配电网的下网点,下网点功率分钟级波动率Rt公式为:
上式中,为该分钟初始时刻的下网点功率。为了将下网点功率波动率限制在10%/min以内,当负荷侧不具备调节能力时,配电网只能在光伏出力向上波动时进行弃光从而平抑下网点功率波动,而对于光伏出力向下波动场景则无法解决,因此仍无法彻底消除光伏波动对电网的影响。若负荷侧功率能够响应源侧出力,即当光伏出力增加时,负荷功率也增加,当光伏出力降低时,负荷功率也降低,即通过控制负荷功率实时跟踪光伏出力,则不仅可以解决光伏出力向上爬坡时下网点功率向下波动的问题,也可以解决《光伏电站接入电网技术规定》中所忽略的由于外界因素导致光伏出力骤降的问题。
步骤B,采用源荷跟踪技术,通过DVR调节电压使负荷侧功率实时响应光伏出力,预测光伏出力功率。
这里,“源荷跟踪”是指通过控制配电网内负荷侧功率实时跟踪源侧出力波动的技术。
DVR具有远方遥调控制和就地控制两种运行模式,源荷跟踪中调压指令的计算依赖于下网点功率、光伏功率以及电压等电网量测数据,因此DVR在源荷跟踪中处于遥调控制方式,通过接收WAMS主站下发的调压指令进行工作。
遥调模式中默认DVR处于正常工作状态,即DVR实时准备着接收主站下发的遥调指令并进行调压,当DVR需要切换至其它运行状态时,可以通过改变主站向DVR下发的报文格式实现对其运行状态切换。为保证在计算出的调压指令不为零时,能够使DVR处于工作状态或可以快速从热备用切换至工作状态,而在不需要调压时避免DVR以工作状态长期接入电网,就需要对DVR的启停状态进行判断。通过制定DVR启停策略,在保证源荷跟踪效果的前提下,尽量减少DVR以运行状态接入电网的时间。
由于需要在控制指令下发前确定DVR的启停状态,因此DVR启停策略的生成依赖于下网点功率的预测值。
三次样条差值是光伏数据的主要处理手段,首先运用三次样条插值(Spline)对15min的光伏预测数据进行处理,使其转化为1min时间尺度的数据,进而再计算下网点功率预测值,计算过程如式:
上式中:Sp为三次样条插值函数;和/>分别为光伏出力的15min和1min预测值;/>和/>分别为负荷有功功率1min预测值、下网点有功功率1min预测值和配电网网损。
通过1min时间尺度的下网点功率数据,即可以对第k个预调度周期内每分钟的下网点功率波动率进行求解,如式:
为避免光伏和负荷预测值误差对DVR启停状态判断的影响,若Rt在预调度周期内存在大于10%/min的时刻,则DVR在本次预调度周期内处于正常工作状态;若不存在波动率大于10%/min的时刻,则DVR在本次预调度周期内处于非工作状态。
DVR启停状态判断过程如式:
上式中,Zk为第k个预调度周期的DVR启停策略,为0-1变量,每个预调度周期即15min对Zk更新一次,Zk为1时则在本预调度周期内需要DVR参与负荷控制,Zk为0时则认为不需要DVR参与控制。在每次预调度周期开始时刻,根据Zk取值并通过主站向DVR发送改变运行状态的报文信息,实现对DVR运行状态的切换。
步骤C,将光伏出力功率预测值的连续概率分布转化成离散场景集合,以获得最优光伏出力功率。
光伏长时间段的出力用向量表示,其中/>代表在超前时间t的可能光伏功率,可以通过/>判断预测箱。通过逆变换抽样生成光伏功率样本,从而实现对服从某种概率分布的光伏功率的模拟。对随机变量/>的逆抽样过程如式:
上式中,U为在[0,1]之间均匀分布的随机数;为与随机数取值所对应的累积经验分布函数的反函数,每个分箱内累积经验分布函数均不相同。当产生一个随机数后,就可以利用逆变换抽样得到该随机数对应的光伏出力数据,因此随机数获取在此过程中至关重要。如果生成大量服从正态分布的随机数,则根据累积正态分布函数的定义可知这些随机数的标准正态分布函数值集合服从[0,1]之间的均匀分布,因此可以运用标准正态分布函数代替式中的均匀分布U。
当确定多元正态分布Z后,通过上式进行抽样逆变化,从而转化成为光伏动态场景。只有大量的光伏动态场景才能模拟光伏的随机性概率分布,因此通过生成大量多元正态随机向量即可实现对海量动态场景的获取。每一个动态场景代表有一定概率出现的光伏实际功率,若在潮流优化逐一代入每一个动态场景,求解耗时过长,因此有必要将海量动态场景削减为少量最有可能出现的场景集合,最终实现运用少量有极强代表性的场景表示光伏随机性概率分布。
本方法运用同步回代法实现场景削减,在每次迭代过程中削减一个场景,并以所有场景概率之和为1的原则修改每次迭代后各场景的概率,当削减至目标场景个数后,剩余的场景和场景所对应的概率即为最终的场景集合。
步骤D,基于模型预测控制算法,根据获得调节量。
首先根据下网点功率的预测值求解出DVR启停策略Zk,判断DVR在每个预调度周期内的运行状态,其次根据所建立的配电网日内优化模型求解每个预调度周期内的下网点功率最优值Zk和/>每隔一个周期(例如15min)更新一次,其求解过程均在每个预调度周期的起始时刻进行,并将计算结果传递至实时控制阶段,最终通过实时控制模型求解电压调节量并下发至DVR。
可以理解的是,上述所获得电压调节值补偿至最大接入容量,可以采用简单数学相加,当然也可根据权重相加,至于权重可根据实际需要配置。
前文所涉及配电网光伏承载能力综合评价指标包括电压年越限风险程度、综合节点脆弱度、光伏年发电利用率、光伏年发电消纳率、线路年平均负载率、配电网年综合网损率中一种或至少二种。
下面本文从分布式光伏并网特性、分布式光伏利用特性和配电网适应性3个方面建立配电网承载能力综合评价体系。
1.分布式光伏并网特性
1)电压年越限风险程度
电压年越限风险程度指标反映了分布式光伏并网对整个系统电压水平的影响。电压年越限风险程度表征为全年节点电压越限率和越限严重度乘积之和,用式表示
式中,和/>分别为节点电压越上限率和节点电压越下限率,/>和分别为节点电压越上限严重度和节点电压越下限严重度。
其中,和/>表征场景s下越电压上限或越电压下限节点占全部节点的比值,可以体现配电网整体电压水平:/>
式中,N为节点数;P(·)表示不等式是否成立,成立则为1,反之则为0。
和/>表征场景s下越电压上限或越电压下限的各个节点越限程度数值大小之和,可以体现整体的电压越限程度:
2)综合节点脆弱度
综合节点脆弱度指标表征系统中各个节点并网的分布式光伏的状态变化,进而影响配电网其他部分的程度,其值越大,系统也就越脆弱,用式表示为
式中,PG,i为节点i的分布式光伏接入量,Ti为节点i连接节点数,Li为节点i的综合电气距离。
其中,Ti可以体现电网中不同节点的相互联系程度,其值越大,说明在电网中就越重要。
综合电气距离Li能从整个配电网的角度描述节点特性,考虑节点间的电气联系,用式表示为
式中,i和j为节点序号,dij为i和j之间的电气耦合距离:
dij=Zii+Zjj-2Zij;
式中,Zii为节点i的自阻抗,Zjj为节点j的自阻抗,Zij为节点i与j之间的互阻抗。
2.分布式光伏利用特性
1)光伏年发电利用率
光伏年发电利用率表征所有分布式光伏的年实际发电量与年额定发电量的比值,其中,年额定发电量指分布式光伏以实际接入容量运行一年所发的电量:
式中,Gi为节点i的年额定发电量,为场景s下节点i光伏实际发电量。
2)光伏年发电消纳率
针对于并网型配电网,包括本级电网就地消纳和售卖至大电网消纳两种情况,就地消纳可减少损耗,提升配网经济品质。光伏年发电消纳率表示为分布式光伏运行一年的本地消纳电量与发电量之比:
式中,为场景s下配电网通过并网点向上级电网送出的功率。
3.配电网适应性
1)线路年平均负载率
线路年平均负载率是指线路的年实际传输功率与额定传输功率之比,可以体现负荷在整个电网的分布情况,同时也可以表征对于不确定因素所带来负面影响的灵活响应能力。该指标是反映配电网运行状况的主要指标之一:
式中,L表示线路总数,表示场景s下第j条线路的实际传输功率,SN表示线路年额定传输功率。
2)配电网年综合网损率
网损率是指线路的有功功率损耗与线路始端输入功率比值的百分数:
式中,是场景s下节点i的负荷需求量,/>为场景s下配电网通过并网点从上级电网购电功率。
值得补充的是,其中U1、A、K1和K2指标均为成本性指标,其值越小越有利;R1和R2指标均为收益性指标,其值越大越有利,针对成本性指标,上限值即为其不容许值,而下限值为其最满意值,收益性指标与之相反。
请参考图2,其示出了本申请提供一种基于沃森斯坦距离场景分类的光伏承载力评估装置的构成框图。该获取装置200包括:
第一构建模块202,用以分别构建光伏出力的连续概率密度分布函数和负荷功率的连续概率密度分布函数;
生成模块204,用以基于沃森斯坦距离场景分类的生成方法,由光伏出力的连续概率密度分布函数获得光伏出力的最优离散场景以及由负荷功率的连续概率密度分布函数生成负荷功率的最优离散场景,并由所述光伏出力的最优离散场景、负荷功率的最优离散场景得到源荷联合概率分布;
第二构建模块206,用以构建配电网分布式光伏承载力优化计算的机会约束规划模型;
第一获得模块208,用以根据所述机会约束规划模型的约束条件,获得光伏的最大接入容量;
第二获得模块210,用以根据所述源荷联合概率分布和光伏的最大接入容量,并结合预定义的配电网光伏承载能力综合评价指标,获得评估结果。
鉴于在前文方法中已经重点讨论了,上述模块的具体执行在此不再赘述。
接下来介绍本申请实施例提供的一种执行设备,请参阅图3,图3为本申请实施例提供的执行设备的一种结构示意图,执行设备300具体可以表现为自动驾驶车辆、于机、平板、笔记本电脑、台式电脑、监控数据处理设备等,此处不做限定。其中,执行设备300上可以部署有图对应实施例中所描述的系统容量获取装置,用于实现图1对应实施例中执行设备的功能。具体的,执行设备300包括:接收器301、发射器302、处理器303和存储器304(其中执行设备300中的处理器303的数量可以一个或多个,图3中以一个处理器为例),其中,处理器303可以包括应用处理器3031和通信处理器3032。在本
申请的一些实施例中,接收器301、发射器302、处理器303和存储器304可通过总线或其它方式连接。
存储器304可以包括只读存储器和随机存取存储器,并向处理器303提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器304存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器303控制执行设备的操作。具体的应用中,执行设备的各个组件通过总线系统藕合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器303中,或者由处理器303实现。处理器303可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器303中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器303可以是通用处理器、数罕信号处理器(digital signal processing,DSP)、微处理器或微控制器,还可进一步包括专用集成电路(application specific integratedcircuit,AS工C)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器303可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器304,处理器303读取存储器304中的信息,结合其硬件完成上述方法的步骤。
接收器301可用于接收输入的数罕或罕符信息,以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器302可用于通过第一接口输出数罕或罕符信息;发射器302还可用于通过第一接口向磁盘组发送指令,以修改磁盘组中的数据;发射器302还可以包括显示屏等显示设备。
本申请实施例中,处理器303,用于执行图1对应实施例中的执行设备执行的系统容量的获取方法。处理器303中的应用处理器3031执行上述各个步骤的具体方式,与本申请中图1对应的各个方法实施例基于同一构思,其带来的技术效果与本申请中图1对应的各个方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
以上所述,仅为本申请较佳的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于沃森斯坦距离场景分类的光伏承载力评估方法,其特征在于,包括:
分别构建光伏出力的连续概率密度分布函数和负荷功率的连续概率密度分布函数;
基于沃森斯坦距离场景分类的生成方法,由光伏出力的连续概率密度分布函数获得光伏出力的最优离散场景以及由负荷功率的连续概率密度分布函数生成负荷功率的最优离散场景,并由所述光伏出力的最优离散场景、负荷功率的最优离散场景得到源荷联合概率分布;
构建配电网分布式光伏承载力优化计算的机会约束规划模型;
根据所述机会约束规划模型的约束条件,获得光伏的最大接入容量;
根据所述源荷联合概率分布和光伏的最大接入容量,并结合预定义的配电网光伏承载能力综合评价指标,获得评估结果。
2.根据权利要求1所述的方法,其特征在于,所述连续概率密度分布函数为Beta分布函数或正态分布函数。
3.根据权利要求1所述的方法,其特征在于,所述负荷功率的最优离散场景、光伏出力的最优离散场景为以下公式所表征形式,
以上公式中,x代表负荷功率或光伏出力,h(x)为连续概率密度函数,S为离散场景数,r为指数阶数,zs为离散点且S取值为1,2,…,S,PS为离散点zs的概率;
所述源荷联合概率分布为以下公式所表征形式,
式中,m为联合场景数,SPV分别为光伏出力的离散场景数,SL为负荷的离散场景数,PS为联合场景的概率,Ps.PV为第s个光伏的离散场景概率,Ps.L为第s个负荷离散场景概率。
4.根据权利要求1所述的方法,其特征在于,所述机会约束规划模型为以下公式所表征的目标函数,
式中,PG,i为第i的分布式光伏接入量,N为节点数,f为目标函数。
5.根据权利要求1所述的方法,其特征在于,所述约束条件为系统潮流约束、节点电压约束、支路功率约束和分布式光伏单点接入量约束;
其中,所述系统潮流约束为以下公式所表征形式,
式中,Pi、Qi分别为节点i注入的有功功率及无功功率,Ui、Uj为节点i的电压,Uj为节点j的电压,θij为i和j的电压相角差,Gij为节点i和j之间的电导与电纳,Bij为节点i和j之间电纳;
节点电压约束为以下公式所表征形式,
Umin≤Ui≤Umax;
式中,Umax为各节点电压上限,Umin为各节点电压下限;
支路功率约束为以下公式所表征形式,
Smin≤Sl≤Smax;
式中,Sl为第l条线路的传输功率,Smax为各支路功率上限Smin为各支路功率下限;
分布式光伏单点接入量约束为以下公式所表征形式,
0≤PG,i≤Pmax;
式中,Pmax为单点光伏接入量限值,PG,i为光伏的最大接入容量。
6.根据权利要求1所述的方法,其特征在于,根据所述源荷联合概率分布和光伏的最大接入容量获得评估结果,包括:
基于模型预测控制算法的配电网源荷跟踪技术,通过DVR控制获得电压调节量;
将所述电压调节量补偿至所述最大接入容量;
将经过补偿后的最大接入容量作为获得评估结果的计算参量。
7.根据权利要求1所述的方法,其特征在于,所述配电网光伏承载能力综合评价指标包括电压年越限风险程度、综合节点脆弱度、光伏年发电利用率、光伏年发电消纳率、线路年平均负载率、配电网年综合网损率中一种或至少二种。
8.一种基于沃森斯坦距离场景分类的光伏承载力评估装置,其特征在于,包括:
第一构建模块,用以分别构建光伏出力的连续概率密度分布函数和负荷功率的连续概率密度分布函数;
生成模块,用以基于沃森斯坦距离场景分类的生成方法,由光伏出力的连续概率密度分布函数获得光伏出力的最优离散场景以及由负荷功率的连续概率密度分布函数生成负荷功率的最优离散场景,并由所述光伏出力的最优离散场景、负荷功率的最优离散场景得到源荷联合概率分布;
第二构建模块,用以构建配电网分布式光伏承载力优化计算的机会约束规划模型;
第一获得模块,用以根据所述机会约束规划模型的约束条件,获得光伏的最大接入容量;
第二获得模块,用以根据所述源荷联合概率分布和光伏的最大接入容量,并结合预定义的配电网光伏承载能力综合评价指标,获得评估结果。
9.一种计算机可读存储介质,其特征在于,包括程序,当所述程序在计算机上运行时,使得计算机执行如权利要求1至7中任一项所述的方法。
10.一种执行设备,其特征在于,包括处理器和存储器,所述处理器与所述存储器藕合;
所述存储器,用于存储程序;
所述处理器,用于执行所述存储器中的程序,使得所述执行设备执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038450.3A CN118017609A (zh) | 2024-01-10 | 2024-01-10 | 基于沃森斯坦距离场景分类的光伏承载力评估方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038450.3A CN118017609A (zh) | 2024-01-10 | 2024-01-10 | 基于沃森斯坦距离场景分类的光伏承载力评估方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118017609A true CN118017609A (zh) | 2024-05-10 |
Family
ID=90943601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410038450.3A Pending CN118017609A (zh) | 2024-01-10 | 2024-01-10 | 基于沃森斯坦距离场景分类的光伏承载力评估方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118017609A (zh) |
-
2024
- 2024-01-10 CN CN202410038450.3A patent/CN118017609A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Two-stage robust security constrained unit commitment considering the spatiotemporal correlation of uncertainty prediction error | |
Ke et al. | Coordinative real‐time sub‐transmission volt–var control for reactive power regulation between transmission and distribution systems | |
CN112785027B (zh) | 风光储联合发电系统置信容量评估方法及系统 | |
US20240014651A1 (en) | Probability estimation method for photovoltaic power based on optimized copula function and photovoltaic power system | |
CN106684915A (zh) | 一种风氢耦合发电系统的优化方法及装置 | |
CN104037776A (zh) | 随机惯性因子粒子群优化算法的电网无功容量配置方法 | |
Guo et al. | Sizing energy storage to reduce renewable power curtailment considering network power flows: a distributionally robust optimisation approach | |
CN112736918B (zh) | 微电网中源储荷协调的两级优化调度方法、装置及设备 | |
Raouf Mohamed et al. | Distributed battery energy storage systems operation framework for grid power levelling in the distribution networks | |
Galvan et al. | Optimal placement of intermittent renewable energy resources and energy storage system in smart power distribution networks | |
CN115169723A (zh) | 发电功率预测方法、负荷预测方法及模型训练方法 | |
CN113256033A (zh) | 基于模态互补的发电站选址定容方法、装置、系统及介质 | |
Zeng et al. | Stochastic economic dispatch strategy based on quantile regression | |
CN115618616A (zh) | 一种源、网、荷资源的混合储能可靠性评估模型构建方法 | |
Zhu et al. | Energy optimal dispatch of the data center microgrid based on stochastic model predictive control | |
Liu et al. | Short-term coordinated hybrid hydro-wind-solar optimal scheduling model considering multistage section restrictions | |
CN109726416B (zh) | 一种基于新能源集群预测及潮流计算的调度决策方法 | |
CN111082424B (zh) | 一种综合能源及微电网系统可靠性预测方法及装置 | |
CN117878958A (zh) | 水光互补光伏电站夜间无功补偿分析方法及系统 | |
Xu et al. | Correlation analysis of wind and photovoltaic power based on mixed copula theory and its application into optimum capacity allocation | |
CN118017609A (zh) | 基于沃森斯坦距离场景分类的光伏承载力评估方法、装置 | |
CN115759360A (zh) | 风光氢储耦合系统两阶段优化规划方法、系统及介质 | |
Shadmand et al. | Optimal sizing of photovoltaic-wind hybrid system for community living environment and smart grid interaction | |
Su et al. | A novel data-driven robust method applied to OPF with uncertain wind power | |
Takeda et al. | Distributed stochastic control of microgrids based on PV power predictions |
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 |