CN118052349A - 一种主配电网与分布式发电的协同规划方法、设备及存储介质 - Google Patents
一种主配电网与分布式发电的协同规划方法、设备及存储介质 Download PDFInfo
- Publication number
- CN118052349A CN118052349A CN202311595875.6A CN202311595875A CN118052349A CN 118052349 A CN118052349 A CN 118052349A CN 202311595875 A CN202311595875 A CN 202311595875A CN 118052349 A CN118052349 A CN 118052349A
- Authority
- CN
- China
- Prior art keywords
- distributed power
- distribution network
- cost
- distributed
- power generation
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 99
- 238000013439 planning Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 239000002245 particle Substances 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 17
- 238000012423 maintenance Methods 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 12
- 239000003344 environmental pollutant Substances 0.000 claims description 12
- 231100000719 pollutant Toxicity 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 239000000356 contaminant Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明为一种主配电网与分布式发电的协同规划方法,属于供电配电领域。该方法包含以下步骤:S1:结合区域主配电网的规划方案,生成区域内的拓扑连接关系,获取相关参数信息;S2:建立主配电网与分布式发电的协同规划的优化模型;S3:采用粒子群优化算法对主配电网与分布式发电的协同规划的优化模型进行求解,更新拓扑连接关系中边的连接关系;S4:建立分布式发电的优化模型;S5:利用遗传算法对分布式发电的优化模型进行求解,更新拓扑连接关系中的节点信息;S6:重复步骤S2~S5进行迭代求解,得到优化后的拓扑连接关系。本发明以保证成本最小为目标,进而实现电网与供电的相互协调,大幅降低了成本。
Description
技术领域
本发明设计供电配电技术领域,具体是一种主配电网与分布式发电的协同规划方法、设备及存储介质,尤其适用于主配电网与分布式发电的协同规划。
背景技术
电能是社会发展的基础,电能的产生、传输和使用几乎是瞬时的,因此电力系统需要始终保持功率平衡。但由于负荷和能源资源分配不均,为实现社会供电的安全和经济性,电力系统在发展过程中逐渐形成了结构和功能边界明确的输电网和配电网。输电网络和配电网络通过变压器物理耦合。从理论上讲,只有将输电网和配电网作为一个整体来考虑,才能准确评估整个电力系统的状态并实现最优控制。但是在计算中容易出现稳定性问题,同时,大量的设备会给调度控制中心带来很大的管理压力。因此,在电力系统分析中,输电网和配电网是相互分离的。
随着社会发展对环境保护的要求不断提高,能源利用效率和资源配置能力必须提高。分布式发电(DG)、储能系统(ESS)等新型电力设备应运而生。这些新型电力设备大量接入配电网,既能缓解能源紧张,又能给传统配电网带来巨大变化,增强了配电网运行模式的灵活性和可控性;传统的被动配电网逐渐转变为主动配电网。分布式电源在带来便利的同时,也带来了一些问题,例如,分布式发电的输出是随机的,容易受到地理限制和受气候和其他因素影响的不确定性的影响,其在配电网中的作用也相应有限。在电网系统由被动向主动转变的过程中,所有新能源发电也逐步并网。电网还存在分布式发电与电网协调性不足的问题,仍需通过优化加以改善。同时,主配电网中兴趣主体的多样化也使得分布式发电与电网之间的协同优化配置成为关键。
发明内容
为了解决上述现有技术中存在的缺陷,本发明提供一种主配电网与分布式发电的协同规划方法,意在以主配电网与分布式发电的成本为组合目标,建立了主配电网与分布式发电的两层网络协同规划模式,以保证两层共利益最大化的原则,进而实现电网与供电协调的目的。
本发明采用的技术方案:一种主配电网与分布式发电的协同规划方法,该方法包含以下步骤:
S1:结合区域主配电网的规划方案,生成区域内变电站、负载、分布式电源的拓扑连接关系,获取变电站、负载和分布式电源的相关参数信息,其中,相关参数信息包含:变电站最大负荷、负载的最大负载、每条线路的最大负载、分布式电源的功率和电压幅值;
S2:结合拓扑连接关系和相关参数信息分析约束条件,根据主配电网的用电成本、建设成本、运营成本、环保成本以及分布式发电的运营成本设计目标函数,建立主配电网与分布式发电的协同规划的优化模型;
S3:采用粒子群优化算法对主配电网与分布式发电的协同规划的优化模型进行求解,更新拓扑连接关系中边的连接关系;
S4:结合拓扑连接关系和相关参数信息分析约束条件,根据分布式发电的建设成本、运营成本设计目标函数,建立分布式发电的优化模型;
S5:利用遗传算法对分布式发电的优化模型进行求解,更新拓扑连接关系中的节点信息;
S6:重复步骤S2~S5进行迭代求解,直到最大迭代次数,得到优化后的区域内变电站、负载、分布式电源的拓扑连接关系。
优选的,步骤S2中所述的主配电网与分布式发电的协同规划的优化模型为:
minF1=Finv+Fp+Ft+Floss+Foper1+F2-Fe
其中,F1是主配电网与分布式发电系统的年度总成本;是建设成本;/>是上层电网购电的年度成本;/>是分布式电源购电的年度成本;Floss=ClossThPloss是年度电网损耗成本;Foper1=βFinv是年度维护成本;F2是分布式发电的优化模型的目标函数;是年度环保成本;α为线路折旧率;y1为线路的使用寿命;xi为待建线路的决策变量,为待定系数,xi=1表示线路连接,xi=0表示线路不连接;Ci为第i条线路的单位成本;li为第i条线路的长度;κt为周期t内的电价;PTt为周期t内主配电网与分布式发电系统的总功率;PDGt为周期t内分布式发电的有功功率;σt为周期长度;T为每天周期总数;Th=8760表示一年的小时数;Closs为单位网络损耗成本;Ploss为网络损耗功率;β为线路维护成本比例;Cj1为第j种污染物的具体罚款量;Cj2为第j种污染物的环境成本;χj为第j种污染物的排放规模;n为污染物种类。
优选的,步骤S4中所述的分布式发电的优化模型为:
minF2=Fc+Foper2-Fx-Ft
其中,为分布式发电建设成本;Foper2=δFc代表分布式发电的年度维护成本;/>为政府对新能源电网接入的补贴;ε为分布式电源折旧率;y2为分布式电源设备的寿命;CDGi为分布式电源单位容量的投资成本;m为分布式电源接入点的总数,为待定系数;Yi表示第i个节点是否连接到分布式电源,为待定系数,Yi=0表示第i个节点不连接分布式电源,Yi=1则表示第i个节点连接分布式电源;Zi为连接到第i个节点的光伏或风力涡轮机的数量,为待定系数;PDGw为分布式发电的额定功率;δ为分布式发电维护成本比例;Gt为补贴成本系数。
优选的,步骤S1中所述的拓扑连接关系为无向加权图,其中,节点为变电站、负载、分布式电源,根节点为上层电网接入的变电站,边为两个节点之间的连线,权重为线路长度。
优选的,所述步骤S2中约束条件包含:(1)每条线路的负载率必须在规定范围内;(2)各变电站总负荷不能超过最大负荷限制;(3)两个节点之间只有单线连接;(4)负载节点的电压必须在规定范围内(5)所有节点与根节点要是连通的。
优选的,所述步骤S4中的约束条件为: 其中,Sab,t为线路ab的发电功率;/>为线路ab上的最大功率;/>表示节点a的最小、最大电压幅值;Qa,t、Pa,t表示节点a在时间t注入的无功和有功功率;Ua,t Ub,t表示节点a、b在时间t时的电压幅值;Ga,b表示线路ab之间的电导;/>
优选的,所述步骤S6中迭代求解在初始时刻需要进行预设定,包括:(1)拓扑连接关系中无分布式电源,PDGt=F2=0;(2)设定粒子群优化算法和遗传算法的基本参数和更新公式。
优选的,所述步骤S3中粒子群优化算法的位置更新公式为龙格库塔(Runge-Kutta)格式。
一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述一种主配电网与分布式发电的协同规划方法的步骤。
一种可读存储介质,所述可读存储介质为计算机可读存储介质,所述计算机可读存储介质上存储有实现一种主配电网与分布式发电的协同规划方法的程序,所述实现一种主配电网与分布式发电的协同规划方法的程序被处理器执行以实现如权利要求1至7中任一项所述一种主配电网与分布式发电的协同规划方法的步骤。
本发明的有益效果:本发明提供了一种主配电网与分布式发电的协同规划方法,将主配电网与分布式发电的按成本划为两个层级,分别建立了主配电网与分布式发电的协同规划的优化模型和分布式发电的优化模型,以保证成本最小为目标,利用粒子群优化算法和遗传算法迭代求解实现拓扑连接关系的更新,进而实现电网与供电的相互协调,大幅降低了成本。
附图说明
图1为本发明的方法流程图;
图2为本发明实施例1的规划方案示意图;其中,数字不带下划线代表节点,数字带下划线代表线路;
图3为本发明实施例1的主配电网与分布式发电示意图;其中,数字不带下划线代表节点,数字带下划线代表线路;
图4为本发明实施例2的主配电网发电示意图;其中,数字不带下划线代表节点,数字带下划线代表线路;
图5为本发明实施例3的功能模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种主配电网与分布式发电的协同规划方法,结合图1,包括如下步骤:
S1:结合区域主配电网的规划方案,生成区域内变电站、负载、分布式电源的拓扑连接关系,获取变电站、负载和分布式电源的相关参数信息,其中,相关参数信息包含:变电站最大负荷、负载的最大负载、每条线路的最大负载、分布式电源的功率和电压幅值;
S2:结合拓扑连接关系和相关参数信息分析约束条件,根据主配电网的用电成本、建设成本、运营成本、环保成本以及分布式发电的运营成本设计目标函数,建立主配电网与分布式发电的协同规划的优化模型;
S3:采用粒子群优化算法对主配电网与分布式发电的协同规划的优化模型进行求解,更新拓扑连接关系中边的连接关系;
S4:结合拓扑连接关系和相关参数信息分析约束条件,根据分布式发电的建设成本、运营成本设计目标函数,建立分布式发电的优化模型;
S5:利用遗传算法对分布式发电的优化模型进行求解,更新拓扑连接关系中的节点信息;
S6:重复步骤S2~S5进行迭代求解,直到最大迭代次数,得到优化后的区域内变电站、负载、分布式电源的拓扑连接关系;
其中,所述的主配电网与分布式发电的协同规划的优化模型为:
minF1=Finv+Fp+Ft+Floss+Foper1+F2-Fe
其中,F1是主配电网与分布式发电系统的年度总成本;是建设成本;/>是上层电网购电的年度成本;/>是分布式电源购电的年度成本;Floss=ClossThPloss是年度电网损耗成本;Foper1=βFinv是年度维护成本;F2是分布式发电的优化模型的目标函数;是年度环保成本;α为线路折旧率;y1为线路的使用寿命;xi为待建线路的决策变量,为待定系数,xi=1表示线路连接,xi=0表示线路不连接;Ci为第i条线路的单位成本;li为第i条线路的长度;κt为周期t内的电价;PTt为周期t内主配电网与分布式发电系统的总功率;PDGt为周期t内分布式发电的有功功率;σt为周期长度;T为每天周期总数;Th=8760表示一年的小时数;Closs为单位网络损耗成本;Plos为网络损耗功率;β为线路维护成本比例;Cj1为第j种污染物的具体罚款量;Cj2为第j种污染物的环境成本;χj为第j种污染物的排放规模;n为污染物种类。
所述的分布式发电的优化模型为:
minF2=Fc+Foper2-Fx-Ft
其中,为分布式发电建设成本;Foper2=δFc代表分布式发电的年度维护成本;/>为政府对新能源电网接入的补贴;ε为分布式电源折旧率;y2为分布式电源设备的寿命;CDGi为分布式电源单位容量的投资成本;m为分布式电源接入点的总数,为待定系数;Yi表示第i个节点是否连接到分布式电源,为待定系数,Yi=0表示第i个节点不连接分布式电源,Yi=1则表示第i个节点连接分布式电源;Zi为连接到第i个节点的光伏或风力涡轮机的数量,为待定系数;PDGw为分布式发电的额定功率;δ为分布式发电维护成本比例;Gt为补贴成本系数。
进一步,步骤S1中所述的拓扑连接关系为无向加权图,其中,节点为变电站、负载、分布式电源,根节点为上层电网接入的变电站,边为两个节点之间的连线,权重为线路长度。
进一步,步骤S2所述的约束条件包含:(1)每条线路的负载率必须在规定范围内;(2)各变电站总负荷不能超过最大负荷限制;(3)两个节点之间只有单线连接;(4)负载节点的电压必须在规定范围内(5)所有节点与根节点要是连通的。
进一步,步骤S4所述的约束条件为: 其中,Sab,t为线路ab的发电功率;/>为线路ab上的最大功率;/>表示节点a的最小、最大电压幅值;Qa,t、Pa,t表示节点a在时间t注入的无功和有功功率;Ua,t Ub,t表示节点a、b在时间t时的电压幅值;Ga,b表示线路ab之间的电导;/>
进一步,步骤S3所述的粒子群优化算法具体为:
(1)初始化所有粒子,即给它们的速度和位置赋值,并将个体的历史最优pBest设为当前位置,群体中的最优个体作为当前的gBest;
(2)在每一代的进化中,计算各个粒子的适应度函数值;
(3)如果当前适应度函数值优于历史最优值,则更新pBest;
(4)如果当前适应度函数值优于全局历史最优值,则更新gBest;
(5)对每个粒子i的第d维的速度和位置更新公式进行更新;
(6)判断是否达到了结束条件,否的话就转到(2)继续执行。
更进一步,所述的粒子群优化算法的位置更新公式,在考虑惯性因素的影响,可以为龙格库塔(Runge-Kutta)格式。
进一步,步骤S5所述的遗传算法具体为:
(1)评估每条染色体所对应个体的适应度;
(2)遵照适应度越高,选择概率越大的原则,从种群中选择两个个体作为父方和母方;
(3)抽取父母双方的染色体,进行交叉,产生子代;
(4)对子代的染色体进行变异;
(5)重复(2)~(4)步骤,直到新种群的产生。
进一步,步骤S6所述的迭代求解在初始时刻需要进行预设定,包括:(1)拓扑连接关系中无分布式电源,PDGt=F2=0;(2)设定粒子群优化算法和遗传算法的基本参数和更新公式。
更进一步,所述的粒子群优化算法的位置更新公式,在考虑惯性因素的影响,可以为龙格库塔(Runge-Kutta)格式。
可优选的,当不加入分布式电源时,主配电网与分布式发电的协同规划的优化模型可以利用粒子群优化算法直接求解得出主配电网的优化后的区域内变电站、负载的拓扑连接关系。
应用于一种主配电网与分布式发电的协同规划方法的一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行一种主配电网与分布式发电的协同规划方法的步骤。
应用于一种主配电网与分布式发电的协同规划方法的一种可读存储介质,所述可读存储介质为计算机可读存储介质,所述计算机可读存储介质上存储有实现一种主配电网与分布式发电的协同规划方法的程序,所述实现一种主配电网与分布式发电的协同规划方法的程序被处理器执行以实现一种主配电网与分布式发电的协同规划方法的步骤。
实施例1:如图2所示,以某区域28个节点的主配电网的规划方案为例,有32条规划的待建线路,其中,节点0为上层电网接入的变电站,其他节点是负载。每条线都统一设计,其阻抗参数为(0.25+0.005j)Ω/km,分布式电源最大容量为总负载最大负荷的25%,即其他规划方案相关参数如表1所示。为了更好的协同主配电网与分布式发电,本发明提供一种“一种主配电网与分布式发电的协同规划方法”。
表1规划方案相关参数。
结合图1,包含以下步骤:
S1:结合区域主配电网的规划方案,生成区域内变电站、负载、分布式电源的拓扑连接关系,获取变电站、负载和分布式电源的相关参数信息,其中,相关参数信息包含:变电站最大负荷、负载的最大负载、每条线路的最大负载、分布式电源的功率和电压幅值。
所述的拓扑连接关系为无向加权图,其中,节点为变电站、负载、分布式电源,根节点为上层电网接入的变电站,边为两个节点之间的连线,权重为线路长度。
S2:结合拓扑连接关系和相关参数信息分析约束条件,根据主配电网的用电成本、建设成本、运营成本、环保成本以及分布式发电的运营成本设计目标函数,建立主配电网与分布式发电的协同规划的优化模型。
所述的约束条件包含:(1)每条线路的负载率必须在规定范围内;(2)各变电站总负荷不能超过最大负荷限制;(3)两个节点之间只有单线连接;(4)负载节点的电压必须在规定范围内(5)所有节点与根节点要是连通的。
所述的主配电网与分布式发电的协同规划的优化模型为:
minF1=Finv+Fp+Ft+Floss+Foper1+F2-Fe
其中,F1是主配电网与分布式发电系统的年度总成本;是建设成本;/>是上层电网购电的年度成本;/>是分布式电源购电的年度成本;Floss=ClossThPloss是年度电网损耗成本;Foper1=βFinv是年度维护成本;F2是分布式发电的优化模型的目标函数;是年度环保成本;α为线路折旧率;y1为线路的使用寿命;xi为待建线路的决策变量,为待定系数,xi=1表示线路连接,xi=0表示线路不连接;Ci为第i条线路的单位成本;li为第i条线路的长度;κt为周期t内的电价;PTt为周期t内主配电网与分布式发电系统的总功率;PDGt为周期t内分布式发电的有功功率;σt为周期长度;T为每天周期总数;Th=8760表示一年的小时数;Closs为单位网络损耗成本;Plos为网络损耗功率;β为线路维护成本比例;Cj1为第j种污染物的具体罚款量;Cj2为第j种污染物的环境成本;χj为第j种污染物的排放规模;n=3为污染物种类。
S3:采用粒子群优化算法对主配电网与分布式发电的协同规划的优化模型进行求解,更新拓扑连接关系中边的连接关系。
所述的分布式发电的优化模型为:
minF2=Fc+Foper2-Fx-Ft
其中,为分布式发电建设成本;Foper2=δFc代表分布式发电的年度维护成本;/>为政府对新能源电网接入的补贴;ε为分布式电源折旧率;y2为分布式电源设备的寿命;CDGi为分布式电源单位容量的投资成本;m为分布式电源接入点的总数,为待定系数;Yi表示第i个节点是否连接到分布式电源,为待定系数,Yi=0表示第i个节点不连接分布式电源,Yi=1则表示第i个节点连接分布式电源;Zi为连接到第i个节点的光伏或风力涡轮机的数量,为待定系数;PDGw为分布式发电的额定功率;δ为分布式发电维护成本比例;Gt为补贴成本系数。
S4:结合拓扑连接关系和相关参数信息分析约束条件,根据分布式发电的建设成本、运营成本设计目标函数,建立分布式发电的优化模型。
步骤S4所述的约束条件为: 其中,Sab,t为线路ab的发电功率;/>为线路ab上的最大功率;/>表示节点a的最小、最大电压幅值;Qa,t、Pa,t表示节点a在时间t注入的无功和有功功率;Ua,t Ub,t表示节点a、b在时间t时的电压幅值;Ga,b表示线路ab之间的电导;/>
S5:利用遗传算法对分布式发电的优化模型进行求解,更新拓扑连接关系中的节点信息。
S6:重复步骤S2~S5进行迭代求解,直到最大迭代次数,得到优化后的区域内变电站、负载、分布式电源的拓扑连接关系,如图3所示。
所述的迭代求解在初始时刻需要进行预设定,包括:(1)拓扑连接关系中无分布式电源,PDGt=F2=0;(2)设定粒子群优化算法和遗传算法的基本参数和更新公式。部分参数如表2所示。
表2计划模型的相关参数。
所述的粒子群优化算法的位置更新公式,在考虑惯性因素的影响,可以为龙格库塔格式。
实施例2:如果在实施例1,不考虑加入分布式电源,本发明提供一种“一种主配电网与分布式发电的协同规划方法”。
由于本实施例的方法是实施例1方法的一个精简版,故而详细的部分细节不再赘述,结合图1,包含以下步骤:
S1:结合区域主配电网的规划方案,生成区域内变电站、负载的拓扑连接关系,获取变电站和负载的相关参数信息,其中,相关参数信息包含:变电站最大负荷、负载的最大负载、每条线路的最大负载。
S2:结合拓扑连接关系和相关参数信息分析约束条件,根据主配电网的用电成本、建设成本、运营成本、环保成本设计目标函数,建立主配电网的协同规划的优化模型。
所述的主配电网与分布式发电的协同规划的优化模型为:
minF1=Finv+Fp+Ft+Floss+Foper1-Fe
S3:采用粒子群优化算法对主配电网与分布式发电的协同规划的优化模型进行求解,更新拓扑连接关系中边的连接关系。
S4:重复步骤S2~S3进行迭代求解,直到最大迭代次数,得到优化后的区域内变电站、负载的拓扑连接关系,如图4所示。
表3实施例结果对比(单位:万元)
通过将实施例1和实施例2的结果进行对比,如表3所示,可以看出,分布式发电能够减少环境污染,降低成本。引入新能源后,主配电网具有更好的环保性能。
实施例3:本发明实施例提供一种电子设备,电子设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述实施例1或实施例2中的一种主配电网与分布式发电的协同规划方法。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备可以包括处理装置1001(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM1002)中的程序或者从存储装置加载到随机访问存储器(RAM1004)中的程序而执行各种适当的动作和处理。在RAM1004中,还存储有电子设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出(I/O)接口也连接至总线1005。
通常,以下系统可以连接至I/O接口1006:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1008;包括例如磁带、硬盘等的存储装置1003;以及通信装置1009。通信装置1009可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备,但是应理解的是,并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置1003被安装,或者从ROM1002被安装。在该计算机程序被处理装置1001执行时,执行本公开实施例的方法中限定的上述功能。
本发明提供的电子设备,采用上述实施例1或实施例2中的一种主配电网与分布式发电的协同规划方法,提高了预测结果和可解释性文本的效率性。与现有技术相比,本发明实施例提供的电子设备的有益效果与上述实施例1或实施例2提供的一种主配电网与分布式发电的协同规划方法的有益效果相同,且该电子设备中的其他技术特征与实施例1或实施例2方法公开的特征相同,在此不做赘述。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本发明的具体实施方式,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
实施例3:本发明实施例提供一种可读存储介质,所述可读存储介质为计算机可读存储介质,所述计算机可读存储介质具有存储在其上的计算机可读程序指令,计算机可读程序指令用于执行上述实施例1或实施例2中的一种主配电网与分布式发电的协同规划方法。
本发明实施例提供的计算机可读存储介质例如可以是U盘,但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被电子设备执行时,使得电子设备:获取监测数据,直接对监测数据进行实时在线学习,利用基于注意力机制的时序卷积网络的改进的DQN模型感知监测状态,生成准确预测结果的同时产生可解释性文本对预测结果进行解释说明。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在待检测人物计算机上执行、部分地在待检测人物计算机上执行、作为一个独立的软件包执行、部分在待检测人物计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到待检测人物计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本发明提供的计算机可读存储介质,存储有用于执行上述一种主配电网与分布式发电的协同规划方法的计算机可读程序指令,提高了预测结果和可解释性文本的效率和准确性。与现有技术相比,本发明实施例提供的计算机可读存储介质的有益效果与上述实施例1或实施例2提供的一种主配电网与分布式发电的协同规划方法的有益效果相同,在此不做赘述。
实施例4:本发明实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的一种主配电网与分布式发电的协同规划方法的步骤。
本申请提供的计算机程序产品提高了预测结果和可解释性文本的效率和准确性。与现有技术相比,本发明实施例提供的计算机程序产品的有益效果与上述实施例1或实施例2提供的一种主配电网与分布式发电的协同规划方法的有益效果相同,在此不做赘述。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其做出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (10)
1.一种主配电网与分布式发电的协同规划方法,其特征在于,该方法包含以下步骤:
S1:结合区域主配电网的规划方案,生成区域内变电站、负载、分布式电源的拓扑连接关系,获取变电站、负载和分布式电源的相关参数信息,其中,相关参数信息包含:变电站最大负荷、负载的最大负载、每条线路的最大负载、分布式电源的功率和电压幅值;
S2:结合拓扑连接关系和相关参数信息分析约束条件,根据主配电网的用电成本、建设成本、运营成本、环保成本以及分布式发电的运营成本设计目标函数,建立主配电网与分布式发电的协同规划的优化模型;
S3:采用粒子群优化算法对主配电网与分布式发电的协同规划的优化模型进行求解,更新拓扑连接关系中边的连接关系;
S4:结合拓扑连接关系和相关参数信息分析约束条件,根据分布式发电的建设成本、运营成本设计目标函数,建立分布式发电的优化模型;
S5:利用遗传算法对分布式发电的优化模型进行求解,更新拓扑连接关系中的节点信息;
S6:重复步骤S2~S5进行迭代求解,直到最大迭代次数,得到优化后的区域内变电站、负载、分布式电源的拓扑连接关系。
2.根据权利要求1所述的主配电网与分布式发电的协同规划方法,其特征在于:步骤S2中所述的主配电网与分布式发电的协同规划的优化模型为:
min F1=Finv+Fp+Ft+Floss+Foper1+F2-Fe
其中,F1是主配电网与分布式发电系统的年度总成本;是建设成本;/>是上层电网购电的年度成本;是分布式电源购电的年度成本;Floss=ClossThPloss是年度电网损耗成本;Foper1=βFinv是年度维护成本;F2是分布式发电的优化模型的目标函数;是年度环保成本;α为线路折旧率;y1为线路的使用寿命;xi为待建线路的决策变量,为待定系数,xi=1表示线路连接,xi=0表示线路不连接;Ci为第i条线路的单位成本;li为第i条线路的长度;κt为周期t内的电价;PTt为周期t内主配电网与分布式发电系统的总功率;PDGt为周期t内分布式发电的有功功率;σt为周期长度;T为每天周期总数;Th=8760表示一年的小时数;Closs为单位网络损耗成本;Ploss为网络损耗功率;β为线路维护成本比例;Cj1为第j种污染物的具体罚款量;Cj2为第j种污染物的环境成本;χj为第j种污染物的排放规模;n为污染物种类。
3.根据权利要求2所述的主配电网与分布式发电的协同规划方法,其特征在于:步骤S4中所述的分布式发电的优化模型为:
min F2=Fc+Foper2-Fx-Ft
其中,为分布式发电建设成本;Foper2=δFc代表分布式发电的年度维护成本;/>为政府对新能源电网接入的补贴;ε为分布式电源折旧率;y2为分布式电源设备的寿命;CDGi为分布式电源单位容量的投资成本;m为分布式电源接入点的总数,为待定系数;Yi表示第i个节点是否连接到分布式电源,为待定系数,Yi=0表示第i个节点不连接分布式电源,Yi=1则表示第i个节点连接分布式电源;Zi为连接到第i个节点的光伏或风力涡轮机的数量,为待定系数;PDGw为分布式发电的额定功率;δ为分布式发电维护成本比例;Gt为补贴成本系数。
4.根据权利要求1所述的主配电网与分布式发电的协同规划方法,其特征在于:步骤S1中所述的拓扑连接关系为无向加权图,其中,节点为变电站、负载、分布式电源,根节点为上层电网接入的变电站,边为两个节点之间的连线,权重为线路长度。
5.根据权利要求1所述的主配电网与分布式发电的协同规划方法,其特征在于:所述步骤S2中约束条件包含:(1)每条线路的负载率必须在规定范围内;(2)各变电站总负荷不能超过最大负荷限制;(3)两个节点之间只有单线连接;(4)负载节点的电压必须在规定范围内(5)所有节点与根节点要是连通的。
6.根据权利要求1所述的主配电网与分布式发电的协同规划方法,其特征在于:所述步骤S4中的约束条件为: 其中,Sab,t为线路ab的发电功率;/>为线路ab上的最大功率;/>表示节点a的最小、最大电压幅值;Qa,t、Pa,t表示节点a在时间t注入的无功和有功功率;Ua,t Ub,t表示节点a、b在时间t时的电压幅值;Ga,b表示线路ab之间的电导;/>
7.根据权利要求1所述的主配电网与分布式发电的协同规划方法,其特征在于:所述步骤S6中迭代求解在初始时刻需要进行预设定,包括:(1)拓扑连接关系中无分布式电源,PDGt=F2=0;(2)设定粒子群优化算法和遗传算法的基本参数和更新公式。
8.根据权利要求1所述的主配电网与分布式发电的协同规划方法,其特征在于:所述步骤S3中粒子群优化算法的位置更新公式为龙格库塔(Runge-Kutta)格式。
9.一种电子设备,其特征在于,所述电子设备包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一项所述一种主配电网与分布式发电的协同规划方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质为计算机可读存储介质,所述计算机可读存储介质上存储有实现一种主配电网与分布式发电的协同规划方法的程序,所述实现一种主配电网与分布式发电的协同规划方法的程序被处理器执行以实现如权利要求1至8中任一项所述一种主配电网与分布式发电的协同规划方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2023102408480 | 2023-03-13 | ||
CN202310240848 | 2023-03-13 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118052349A true CN118052349A (zh) | 2024-05-17 |
Family
ID=91047329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311595875.6A Pending CN118052349A (zh) | 2023-03-13 | 2023-11-27 | 一种主配电网与分布式发电的协同规划方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118052349A (zh) |
-
2023
- 2023-11-27 CN CN202311595875.6A patent/CN118052349A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hua et al. | Optimal energy management strategies for energy Internet via deep reinforcement learning approach | |
Ma et al. | Resilience enhancement of distribution grids against extreme weather events | |
Shuai et al. | Stochastic optimization of economic dispatch for microgrid based on approximate dynamic programming | |
Luo et al. | Short‐term operational planning framework for virtual power plants with high renewable penetrations | |
Qin et al. | Optimal planning and operation of energy storage systems in radial networks for wind power integration with reserve support | |
Kuznetsova et al. | Reinforcement learning for microgrid energy management | |
Liu et al. | Multi‐objective restoration optimisation of power systems with battery energy storage systems | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
Zhong et al. | Bayesian learning-based multi-objective distribution power network reconfiguration | |
CN107204615A (zh) | 一种实现功率预测的方法及系统 | |
CN106684915A (zh) | 一种风氢耦合发电系统的优化方法及装置 | |
Deng et al. | Metaverse-driven remote management solution for scene-based energy storage power stations | |
CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
Mazaheri et al. | An online method for MILP co‐planning model of large‐scale transmission expansion planning and energy storage systems considering N‐1 criterion | |
Yang et al. | Network-constrained transactive control for multi-microgrids-based distribution networks with soft open points | |
Zhu et al. | Energy optimal dispatch of the data center microgrid based on stochastic model predictive control | |
Zhu et al. | Multi-objective sizing optimization method of microgrid considering cost and carbon emissions | |
CN117709670A (zh) | 能源分配方法、装置、设备及计算机可读存储介质 | |
Ebrahimi et al. | Stochastic scheduling of energy storage systems in harmonic polluted active distribution networks | |
CN115360717B (zh) | 用于综合能源的配电网调度方法、系统、设备及介质 | |
CN118052349A (zh) | 一种主配电网与分布式发电的协同规划方法、设备及存储介质 | |
CN115513945A (zh) | 一种基于物联网的分布式电源管理方法 | |
Die et al. | Optimal approach in the EMS of microgrids based on online forecasts | |
CN110705769B (zh) | 新能源发电功率预测优化方法和装置 | |
Roche | Agent-Based Architectures and Algorithms for Energy Management in Smart Grids. Application to Smart Power Generation and Residential Demand Response |
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 |