CN109508499A - 多时段多场景分布式电源最优接入位置与容量研究方法 - Google Patents

Abstract

一种多时段多场景分布式电源最优接入位置与容量研究方法，包括：建立元件模型，包括分布式光伏模型、分布式风机模型和负荷模型；建立目标函数，是以规划期内的综合费用终值最低为目标函数，包括分布式风机和光伏的投资、运维费用和残值，以及配电网向上级电网的购电费用；建立约束条件，约束条件包括：配电网络的潮流约束、分布式电源投建顺序约束、位置电压约束和支路电流约束；在约束条件利用粒子群算法对目标函数进行优化求解，包括粒子群算法编码、对于约束条件的处理和基于粒子群算法与OpenDSS的求解。本发明考虑多时段多场景的DG选址定容方案可显著降低综合运行费用，提升分布式电源接入后配电网的经济性。

Description

多时段多场景分布式电源最优接入位置与容量研究方法

技术领域

本发明涉及一种分布式电源最优接入位置与容量研究方法。特别是涉及一种多时段多场景分布式电源最优接入位置与容量研究方法。

背景技术

长期以来，能源结构的不合理性以及能源利用效率的持续偏低带来了许多环境和社会问题。随着电力政策的放开，分布式电源(Distributed Generation，DG)作为一种绿色高效的发电模式呈现出大规模发展趋势：一方面，区域综合能源***的发展推动着更多分布式电源的接入，另一方面，尤其是在近年来我国“光伏扶贫”政策和光伏优先并网政策的激励下，势必会有大量分布式电源接入配电网。分布式电源的接入在提升可再生能源利用率，优化能源结构的同时，也将对配电网的电压、网损、功率等产生一系列影响。此外，随着分布式电源、储能装置以及多元负荷的接入，配电网的形态正在发生本质变化，传统的单一时间断面、单一场景的配电网分析技术已经难以满足目前对电源随机性、多运行方式、多模态的分析要求，需要借助适用于多时段、能够模拟分布式电源和储能装置模型的时序仿真工具进行分布式电源接入的影响分析。因此，如何准确分析DG对配电网的影响，并实现DG接入位置与容量的合理规划，已成为亟待解决的问题。

目前，国内外学者已经对DG的最优接入问题开展了一系列研究并取得了相关成果，但规划方案的确定均是以目标年负荷已知为背景，并未考虑实际配电网负荷持续增长情况下DG的多阶段动态规划问题，规划方案不够细致具体。另一方面，DG接入后多场景多阶段的时序潮流计算也需要相应仿真平台的技术支撑。

发明内容

本发明所要解决的技术问题是，提供一种多时段多场景分布式电源最优接入位置与容量研究方法。

本发明所采用的技术方案是：一种多时段多场景分布式电源最优接入位置与容量研究方法，包括如下步骤：

1)建立元件模型，包括分布式光伏模型、分布式风机模型和负荷模型；

2)建立目标函数，是以规划期内的综合费用终值最低为目标函数，包括分布式风机和光伏的投资、运维费用和残值，以及配电网向上级电网的购电费用；

3)建立约束条件，约束条件包括：配电网络的潮流约束、分布式电源投建顺序约束、位置电压约束和支路电流约束；

4)在约束条件利用粒子群算法对目标函数进行优化求解，包括粒子群算法编码、对于约束条件的处理和基于粒子群算法与OpenDSS的求解。

步骤1)中所述的，

(1.1)分布式光伏模型：光伏的出力主要取决于光照强度，在多场景时序模拟的前提下，光伏出力与光照强度的关系即为分布式光伏模型，表示如下：

式中：P_b是光伏的实时出力；P_sn表示光伏的额定功率；G_std表示额定光照强度；R_c表示任一特定强度的光强，即光伏出力与光强的关系由非线性到线性的转折点；G_bτ表示第τ个小时的实时光强；

(1.2)分布式风机模型，即为风力发电机的出力P_wind与风速v的函数关系如下所示：

其中，P_windmax为风机的额定功率；v_n为风机的切入风速；v_r为风机的额定风速；v_o为风机的切出风速；

(1.3)负荷模型表示如下：

L_t＝L_p×P_s(t) (3)

式中，L_t为任一小时的负荷需求量，L_p为年负荷峰值；P_s(t)为第s个场景下各小时的负荷与年负荷峰值的比例系数。

步骤2)中所述的目标函数为：

minC＝C_PV+C_WTG+C_OP (4)

式中，C_PV表示分布式光伏的全寿命周期成本终值，C_WTG表示分布式风机的全寿命周期成本终值，C_OP表示规划期内配电网向上级电网的购电费用终值；C_PV与C_WTG的计算公式如下：

式中，T为规划阶段总数；N_PV与N_WTG分别表示配电网中光伏与风机的待建节点总数；R_PV与R_WTG分别表示单组光伏或风机的投建成本；β_i,t与γ_i,t分别表示规划的第t阶段在节点i光伏与风机的组数；r为社会贴现率；m与n分别表示光伏与风机的寿命；u_pv与u_wtg分别表示光伏和风机的维护费用比例；z_pv与z_wtg分别表示光伏与风机的残值费用比例；I_t为终值转换系数，计算方法如下：

式中，n_t为第t个阶段年数，a_t为第t个阶段的初始年份，a_T为规划期终止年份；

规划期内配电网向上级电网的购电费用终值表示如下：

式中，S_end为年场景总数，包括春夏秋冬四个典型场景；τ_end表示任一场景下的小时数；C_P表示电价；W_tsτ表示t阶段第s个场景下τ时刻配电网向上级电网的购电量，由负荷量、分布式电源发电量以及线路网损三部分组成，计算公式如下：

式中，h_t表示第t阶段与规划起始年相比的负荷增长率；L_s,τ,k表示s场景下τ时刻第k个负荷点的起始负荷；K表示负荷点集合；P_b(s,τ)表示s场景下τ时刻单组光伏的实时出力，根据分布式光伏模型计算；P_wind(s,τ)表示s场景下τ时刻单组风机的实时出力，根据分布式风机模型计算；J_i表示配电网线路集合；P_j,s,τ与Q_j,s,τ分别为s场景下τ时刻流过线路j首端的有功、无功功率；U_j,s,τ为线路j首段电压；R_j表示线路j的电阻。

步骤3)中所述的：

(3.1)配电网络的潮流约束

式中，P_i、Q_i分别为节点i处有功、无功注入功率；U_i、U_j分别为节点i、j电压幅值；G_ij、B_ij分别为支路ij的电导、电纳；θ_ij为节点i、j间电压相角差；

(3.2)分布式电源投建顺序约束

式中，β_i,t与γ_i,t分别表示规划的第t阶段在节点i光伏与风机的组数；β_i,t+1与γ_i,t+1分别表示规划的第t阶段在节点i光伏与风机的组数；

该约束条件表示分布式电源多时段规划的过程中，下一阶段节点i的光伏或风机组数不能小于上一阶段，即任一节点分布式电源投建后就不能去除；

(3.3)节点电压约束

U_imin＜U_i＜U_imax (12)

式中，U_imin、U_imax分别为节点i电压值的下限和上限；

该约束条件表示，在运用OpenDSS进行多场景时序潮流仿真的过程中，任何时刻各节点的电压幅值必须在允许的安全上下限之间；

(3.4)支路电流约束

式中，I_k表示实际的支路电流，表示支路电流值的上限；

该约束条件表示，潮流仿真过程中任何时刻的支路电流不能超过该支路允许的电流最大值。

步骤4)中所述的粒子群算法编码包括：

对优化对象采用分段编码方式，每个粒子在搜索空间中的编码格式D表示为：

式中，D的前N_PV个变量表示规划的第一阶段光伏在各个待选节点下的个数；表示规划第一阶段分布式风机在各个待选节点下的个数；表示规划期的第二阶段光伏在各个待选节点下的个数；表示第二阶段风机在各待选节点下的个数，以此类推直至到达规划阶段总数T；特别地，由于粒子在各维度的位置变量d_i与e_i均必须为整数，因此粒子参考自身局部最优解与全局最优解更新自己的位置后，需进行向下取整，以满足分布式电源安装数目的离散化要求；

步骤4)中所述的对于约束条件的处理，是更新粒子位置后若不满足分布式电源投建顺序约束，即同一节点后一阶段的分布式电源数目小于前一阶段，则强制将该节点分布式电源数目设定为与前一阶段相同；若不满足节点电压约束和支路电流约束，则在目标函数中补充惩罚项，分别如下式给出的惩罚项h₁(t)、h₂(t)，若满足节点电压约束和支路电流约束，将惩罚项置零，

式中，M_U与M_I分别表示电压越限与电流越限时的惩罚系数；U_imin、U_imax分别为节点i电压值的下限和上限；U_i为节点i的实际电压幅值；I_k表示实际的支路电流，表示支路电流值的上限。

所述的基于粒子群算法与OpenDSS的求解，包括：

(4.1)输入配电网参数及粒子群算法参数，具体包括线路拓扑结构及电阻、分布式电源待选节点、粒子群算法中的加速常数、惯性因子、约束因子，同时输入分布式光伏、风机、负荷元件的参数，得到不同阶段多场景下各典型日的分布式电源出力序列以及负荷值；

(4.2)对粒子群进行初始化，确定初始的多时段分布式电源接入方案；

(4.3)结合OpenDSS仿真平台对每个粒子对应的分布式电源规划方案进行时序潮流计算，得到多场景多时段下的电压、网损、功率分布信息，计算各节点电压与支路电流；

(4.4)判断是否满足节点电压约束和支路电流约束，若不满足节点电压约束和支路电流约束，则在目标函数中补充式(15)与(16)所示的惩罚项，若满足节点电压约束和支路电流约束，将惩罚项置零；

(4.5)结合目标函数与惩罚项计算各粒子对应的目标函数值，即为粒子适应度，得到各粒子自身的最优值与粒子群的全局最优值；

(4.6)判断粒子群算法是否满足终止条件，即全局最优值是否收敛或达到最大迭代次数，是则输出最优解并解码得到多阶段的分布式电源规划方案，否则进入下一步；

(4.7)进行粒子群更新操作，得到新的粒子群位置与速度，更新时调整粒子编码以满足分布式电源个数的离散化要求以及投建顺序的约束，并返回第(4.3)步。

本发明的多时段多场景分布式电源最优接入位置与容量研究方法，使用OpenDSS进行多场景下的时序潮流仿真，可准确分析DG接入后对配电网潮流分布的影响；以多阶段规划期的终值费用最小为目标，考虑节点电压、支路电流等潮流约束与DG动态规划的建设顺序约束，提出了多时段多场景下的DG最优接入模型；结合粒子群算法对模型进行优化求解，通过MATLAB与OpenDSS的反复调用实现了最优接入方案的求取。

本发明采用OpenDSS仿真平台可准确分析多场景时序条件下DG不同的位置与容量对配电网电压与网损的影响；结合最优接入模型，可求取规划期负荷动态增长过程中的多阶段最优规划方案，与传统的目标年整体规划方案相比，考虑多时段多场景的DG选址定容方案可显著降低综合运行费用，提升分布式电源接入后配电网的经济性。

附图说明

图1是光照强度时序特性曲线；

图2是风速时序特性曲线；

图3是负荷时序特性曲线；

图4是IEEE33节点***；

图5是无光伏接入时的***节点电压时序图；

图6是18节点恰好越限时的节点电压时序图；

图7是总网损随分布式电源容量变化图。

具体实施方式

下面结合实施例和附图对本发明的多时段多场景分布式电源最优接入位置与容量研究方法做出详细说明。

本发明的多时段多场景分布式电源最优接入位置与容量研究方法，结合OpenDSS仿真平台进行分布式风机与光伏接入后的多场景时序潮流计算；并提出了年综合费用最小为目标的DG多阶段动态规划模型与基于粒子群算法的模型求解算法；采用MATLAB对DG规划模型编程实现，与OpenDSS相嵌套实现了多阶段多场景最优接入方案的确定；最后，选取典型算例进行多阶段下DG的规划，证明了本发明所提模型与方法的实用性和有效性。

本发明的多时段多场景分布式电源最优接入位置与容量研究方法，包括如下步骤：

1)建立元件模型，包括分布式光伏模型、分布式风机模型和负荷模型；其中所述的：

(1.1)分布式光伏模型：光伏的出力主要取决于光照强度，在多场景时序模拟的前提下，光伏出力与光照强度的关系即为分布式光伏模型，表示如下：

式中：P_b是光伏的实时出力；P_sn表示光伏的额定功率；G_std表示额定光照强度；R_c表示任一特定强度的光强，即光伏出力与光强的关系由非线性到线性的转折点；G_bτ表示第τ个小时的实时光强；实时光强分为春夏秋冬四个典型场景，不同场景下一个典型日的光照强度特性曲线如图1所示。

(1.2)分布式风机模型，即为风力发电机的出力P_wind与风速v的函数关系如下所示：

其中，P_windmax为风机的额定功率；v_n为风机的切入风速；v_r为风机的额定风速；v_o为风机的切出风速；风速同样分为春夏秋冬四个场景，各个场景典型日下的风速变化曲线如图2所示。

(1.3)负荷也采用春夏秋冬四个典型场景，不同场景下各典型日的时序，负荷模型表示如下：

L_t＝L_p×P_s(t) (3)

式中，L_t为任一小时的负荷需求量，L_p为年负荷峰值；P_s(t)为第s个场景下各小时的负荷与年负荷峰值的比例系数，其变化情况如图3所示。

2)建立目标函数，是以规划期内的综合费用终值最低为目标函数，包括分布式风机和光伏的投资、运维费用和残值，以及配电网向上级电网的购电费用；中所述的目标函数为：

minC＝C_PV+C_WTG+C_OP (4)

式中，C_PV表示分布式光伏的全寿命周期成本终值，C_WTG表示分布式风机的全寿命周期成本终值，C_OP表示规划期内配电网向上级电网的购电费用终值；C_PV与C_WTG的计算公式如下：

式中，T为规划阶段总数；N_PV与N_WTG分别表示配电网中光伏与风机的待建节点总数；R_PV与R_WTG分别表示单组光伏或风机的投建成本；β_i,t与γ_i,t分别表示规划的第t阶段在节点i光伏与风机的组数；r为社会贴现率；m与n分别表示光伏与风机的寿命；u_pv与u_wtg分别表示光伏和风机的维护费用比例；z_pv与z_wtg分别表示光伏与风机的残值费用比例；I_t为终值转换系数，计算方法如下：

式中，n_t为第t个阶段年数，a_t为第t个阶段的初始年份，a_T为规划期终止年份；

规划期内配电网向上级电网的购电费用终值表示如下：

式中，S_end为年场景总数，包括春夏秋冬四个典型场景；τ_end表示任一场景下的小时数；C_P表示电价；W_tsτ表示t阶段第s个场景下τ时刻配电网向上级电网的购电量，由负荷量、分布式电源发电量以及线路网损三部分组成，计算公式如下：

式中，h_t表示第t阶段与规划起始年相比的负荷增长率；L_s,τ,k表示s场景下τ时刻第k个负荷点的起始负荷；K表示负荷点集合；P_b(s,τ)表示s场景下τ时刻单组光伏的实时出力，根据分布式光伏模型计算；P_wind(s,τ)表示s场景下τ时刻单组风机的实时出力，根据分布式风机模型计算；J_i表示配电网线路集合；P_j,s,τ与Q_j,s,τ分别为s场景下τ时刻流过线路j首端的有功、无功功率；U_j,s,τ为线路j首段电压；R_j表示线路j的电阻。

3)建立约束条件，配电网中分布式电源的最优接入需要保证电网的安全稳定运行，同时考虑到多时段规划过程中分布式电源的建设顺序，约束条件包括：配电网络的潮流约束、分布式电源投建顺序约束、位置电压约束和支路电流约束；其中所述的：

(3.1)配电网络的潮流约束

式中，P_i、Q_i分别为节点i处有功、无功注入功率；U_i、U_j分别为节点i、j电压幅值；G_ij、B_ij分别为支路ij的电导、电纳；θ_ij为节点i、j间电压相角差；

(3.2)分布式电源投建顺序约束

式中，β_i,t与γ_i,t分别表示规划的第t阶段在节点i光伏与风机的组数；β_i,t+1与γ_i,t+1分别表示规划的第t阶段在节点i光伏与风机的组数；

该约束条件表示分布式电源多时段规划的过程中，下一阶段节点i的光伏或风机组数不能小于上一阶段，即任一节点分布式电源投建后就不能去除；

(3.3)节点电压约束

U_imin＜U_i＜U_imax (12)

式中，U_imin、U_imax分别为节点i电压值的下限和上限；

该约束条件表示，在运用OpenDSS进行多场景时序潮流仿真的过程中，任何时刻各节点的电压幅值必须在允许的安全上下限之间；

(3.4)支路电流约束

式中，I_k表示实际的支路电流，表示支路电流值的上限；

该约束条件表示，潮流仿真过程中任何时刻的支路电流不能超过该支路允许的电流最大值。

4)在约束条件利用粒子群算法对目标函数进行优化求解，包括粒子群算法编码、对于约束条件的处理和基于粒子群算法与OpenDSS的求解。

本发明采用粒子群算法对分布式电源最优接入模型进行优化求解，粒子群算法采用高效的群集并行地对非劣解进行搜索，并且每次迭代过程中可以产生多个非劣解；同时粒子群算法具有记忆功能，粒子通过跟踪自身历史最优解和种群全局最优解来进行搜索，保证了算法在寻优过程中的收敛性与全局搜索能力，因此常被扩展应用于配电网规划问题中。所述的粒子群算法编码包括：

对优化对象采用分段编码方式，每个粒子在搜索空间中的编码格式D表示为：

式中，D的前N_PV个变量表示规划的第一阶段光伏在各个待选节点下的个数；表示规划第一阶段分布式风机在各个待选节点下的个数；表示规划期的第二阶段光伏在各个待选节点下的个数；表示第二阶段风机在各待选节点下的个数，以此类推直至到达规划阶段总数T；特别地，由于粒子在各维度的位置变量d_i与e_i均必须为整数，因此粒子参考自身局部最优解与全局最优解更新自己的位置后，需进行向下取整，以满足分布式电源安装数目的离散化要求；

所述的对于约束条件的处理，是更新粒子位置后若不满足分布式电源投建顺序约束，即同一节点后一阶段的分布式电源数目小于前一阶段，则强制将该节点分布式电源数目设定为与前一阶段相同；若不满足节点电压约束和支路电流约束，则在目标函数中补充惩罚项，分别如下式给出的惩罚项h₁(t)、h₂(t)，若满足节点电压约束和支路电流约束，将惩罚项置零，

式中，M_U与M_I分别表示电压越限与电流越限时的惩罚系数U_imin、U_imax分别为节点i电压值的下限和上限；U_i为节点i的实际电压幅值；I_k表示实际的支路电流，表示支路电流值的上限。

模型的求解将把基于OpenDSS仿真平台的多场景时序潮流计算嵌入到粒子群算法中，并通过不断调用OpenDSS进行潮流仿真来计算目标函数与约束条件并调整粒子位置，直至找到模型最优解。结合粒子群算法编码与对于约束条件的处理，得到基于粒子群算法的分布式电源最优接入模型的优化求解。所述的基于粒子群算法与OpenDSS的求解，包括：

(4.1)输入配电网参数及粒子群算法参数，具体包括线路拓扑结构及电阻、分布式电源待选节点、粒子群算法中的加速常数、惯性因子、约束因子，同时输入分布式光伏、风机、负荷元件的参数，得到不同阶段多场景下各典型日的分布式电源出力序列以及负荷值；

(4.2)对粒子群进行初始化，确定初始的多时段分布式电源接入方案；

(4.3)结合OpenDSS仿真平台对每个粒子对应的分布式电源规划方案进行时序潮流计算，得到多场景多时段下的电压、网损、功率分布信息，计算各节点电压与支路电流；

(4.4)判断是否满足节点电压约束和支路电流约束，若不满足节点电压约束和支路电流约束，则在目标函数中补充式(15)与(16)所示的惩罚项，若满足节点电压约束和支路电流约束，将惩罚项置零；

(4.5)结合目标函数与惩罚项计算各粒子对应的目标函数值，即为粒子适应度，得到各粒子自身的最优值与粒子群的全局最优值；

(4.6)判断粒子群算法是否满足终止条件，即全局最优值是否收敛或达到最大迭代次数，是则输出最优解并解码得到多阶段的分布式电源规划方案，否则进入下一步；

(4.7)进行粒子群更新操作，得到新的粒子群位置与速度，更新时调整粒子编码以满足分布式电源个数的离散化要求以及投建顺序的约束，并返回第(4.3)步。

下面给出具体实例：

(1)典型场景和参数设置

本发明对IEEE33节点典型算例进行仿真分析，***结构如图4所示。***共包含32条支路与33个节点，设定相邻节点间的距离为0.5km，其中节点1为母线节点，电源网络首端基准电压为12.66kV。第7、8、21、22节点为分布式风机候选安装节点，第18、21、30节点为分布式光伏候选节点。

设定规划期为20年，共分为四个规划阶段，以5年、10年和15年为分界线，后续阶段与初始阶段相比的负荷增长率分别为63％，176％与260％，负荷增长趋势为S型曲线。分布式光伏参数方面：光伏出力模型的参数R_c和G_std分别为0.15kW/m²和1kW/m²，单组光伏的额定功率为100kW，单位容量的投资费用为1.05万元/kW，维护费用比例为10％，残值费用比例4％。风机参数方面：切入，额定与切出风速分别为3，13，20m/s，单台风机额定功率100kW，单位容量投资费用为0.9万元/kW，维护费用比例12％，残值费用比例6％。设定光伏与风机的使用寿命均为30年，贴现率0.06。

配电网的购电费用为0.35元/kWh，春夏秋冬四类场景的典型日天数分别为87，121，73与84，节点电压所允许的范围为0.9～1.1(标幺值)，所有支路的最大允许电流为1.2kA。粒子群种群规模取20，设定最大迭代次数为100。

(2)分布式电源接入的影响分析

算例***接入分布式光伏与风机后，运用OpenDSS平台进行时序潮流仿真，计算DG接入后网损、电压的变化情况，是实现最优接入模型优化求解的前提。

1)分布式电源接入对节点电压的影响

以光伏为例，初始负荷下，在线路末端的18节点接入分布式光伏，并以100kW为步长逐渐增加光伏容量，即增加接入的光伏组数，记录各节点的时序电压值。选取春夏秋冬四个典型日共96个小时进行时序模拟，得到无分布式光伏接入以及18节点电压恰好越限时的电压时序分别如图5与图6所示。

图中x轴代表1-33节点、y轴为以小时为单位的时间、z轴为电压标幺值。xoz面为某一时间断面各个节点的电压分布情况，yoz面为某一节点的电压时序变化情况。

由图可知，分布式电源接入后，虽然配电网中各节点的电压变化程度有所差异但节点电压均呈抬升趋势，甚至会大于电网电压，这是因为此时DG的容量远远大于该节点的负荷功率。当光伏容量为1200kW时，18节点的电压标幺值达到上限1.1。

2)分布式电源接入对网损的影响

初始负荷下，依次在节点2、9、18接入分布式风机，从0开始以200kW为步长逐渐增加，计算不同容量下***的全年总网损，得到总网损随风机接入容量的变化曲线如图7所示。

由图7可知，随着风机容量的增加，***的总网损均呈现先减小后增大的趋势，其原因在于：随着分布式电源的接入，DG发出的电能可以直接供给该线路的部分负荷，一定程度上降低了***向负荷传输有功功率，网损也随之降低；但随着接入配电网的分布式电源继续增大，线路上将会出现从分布式电源接入点向电网传输的反向功率，这一功率会随着分布式电源容量的提高而增大,因此总网损有所回升；当分布式电源容量超过一定值时，分布式风机向电网倒送的功率将会超过未接入DG时电网正向输送的功率值，因此网损也会超过未接入DG时的对应值。

而比较不同接入位置对应的***总网损，可总结出以下规律：接入点位于线路首端时，总网损曲线的斜率最小，接入点位于末端时，总网损曲线的斜率最大，即接入点位于线路首端时，减小相同单位的网损所需要接入的风机容量最大，对应网损达到最低值时和超过未接入DG的网损值时的风机接入容量也最高。分布式电源接入点位于线路首端、中端、末端时，对网损的削弱作用依次增强。

DG接入的容量和位置均会对算例***的电压与网损产生影响，需要结合基于OpenDSS的时序潮流分析，确定合理的最优接入方案。

(3)最优接入模型的优化结果

采用MATLAB编程进行粒子群优化，并不断调用OpenDSS进行潮流仿真，计算目标函数与约束条件，结合第3节所提方法对DG最优接入模型进行优化求解，得到不同规划阶段的DG最优接入方案如表1所示。

表1DG多阶段最优接入方案

由表1可知，本发明所提模型可实现配电网中分布式风机与光伏的多阶段规划。结合不同阶段的负荷发展水平，确定与之相适应的DG最优接入方案，从而实现配电网发展过程中DG的灵活动态接入。

进一步比较不同规划方案下的目标年综合费用终值，具体方案如下：

方案1：不安装DG

方案2：仅安装风机；

方案3：仅安装光伏；

方案4：不考虑负荷的多场景时序特性；

方案5：不考虑多阶段规划；

方案6：既不考虑负荷的多场景时序特性也不考虑多阶段规划；

方案7：本文所提方案，即同时考虑多时段多场景。

不同方案下的目标年规划结果如表2所示：

表2规划方案对比

对比方案1、2、3与方案7，可以发现同时对风机与光伏进行规划可以降低最终的综合费用。安装DG后虽然有一定的建设运维费用，但合理选择容量可以有效降低网损与网供负荷量，从而在整体上提升经济性，同时风机与光伏的互补特性也可改善网络的潮流分布。因此，在配电网中合理接入DG是十分必要的。

对比方案4与7可以发现，考虑负荷的多场景时序特性后的目标函数值明显更优，这是由于考虑了风速、光强与负荷在不同时段的互补性与耦合性。而对比方案5与方案7，在多阶段的动态规划下，规划期综合费用的降低效果更为明显，规划结果更加负荷实际电网的发展情况。表中不同方案的对比证明了本发明所提的多时段多场景分布式电源最优接入位置与容量研究方法的合理性与有效性。

Claims (7)

1.一种多时段多场景分布式电源最优接入位置与容量研究方法，其特征在于，包括如下步骤：

1)建立元件模型，包括分布式光伏模型、分布式风机模型和负荷模型；

2)建立目标函数，是以规划期内的综合费用终值最低为目标函数，包括分布式风机和光伏的投资、运维费用和残值，以及配电网向上级电网的购电费用；

3)建立约束条件，约束条件包括：配电网络的潮流约束、分布式电源投建顺序约束、位置电压约束和支路电流约束；

4)在约束条件利用粒子群算法对目标函数进行优化求解，包括粒子群算法编码、对于约束条件的处理和基于粒子群算法与OpenDSS的求解。

2.根据权利要求1所述的多时段多场景分布式电源最优接入位置与容量研究方法，其特征在于，步骤1)中所述的，

(1.1)分布式光伏模型：光伏的出力主要取决于光照强度，在多场景时序模拟的前提下，光伏出力与光照强度的关系即为分布式光伏模型，表示如下：

式中：P_b是光伏的实时出力；P_sn表示光伏的额定功率；G_std表示额定光照强度；R_c表示任一特定强度的光强，即光伏出力与光强的关系由非线性到线性的转折点；G_bτ表示第τ个小时的实时光强；

(1.2)分布式风机模型，即为风力发电机的出力P_wind与风速v的函数关系如下所示：

其中，P_windmax为风机的额定功率；v_n为风机的切入风速；v_r为风机的额定风速；v_o为风机的切出风速；

(1.3)负荷模型表示如下：

L_t＝L_p×P_s(t) (3)

式中，L_t为任一小时的负荷需求量，L_p为年负荷峰值；P_s(t)为第s个场景下各小时的负荷与年负荷峰值的比例系数。

3.根据权利要求1所述的多时段多场景分布式电源最优接入位置与容量研究方法，其特征在于，步骤2)中所述的目标函数为：

minC＝C_PV+C_WTG+C_OP (4)

式中，C_PV表示分布式光伏的全寿命周期成本终值，C_WTG表示分布式风机的全寿命周期成本终值，C_OP表示规划期内配电网向上级电网的购电费用终值；C_PV与C_WTG的计算公式如下：

式中，T为规划阶段总数；N_PV与N_WTG分别表示配电网中光伏与风机的待建节点总数；R_PV与R_WTG分别表示单组光伏或风机的投建成本；β_i,t与γ_i,t分别表示规划的第t阶段在节点i光伏与风机的组数；r为社会贴现率；m与n分别表示光伏与风机的寿命；u_pv与u_wtg分别表示光伏和风机的维护费用比例；z_pv与z_wtg分别表示光伏与风机的残值费用比例；I_t为终值转换系数，计算方法如下：

式中，n_t为第t个阶段年数，a_t为第t个阶段的初始年份，a_T为规划期终止年份；

规划期内配电网向上级电网的购电费用终值表示如下：

式中，S_end为年场景总数，包括春夏秋冬四个典型场景；τ_end表示任一场景下的小时数；C_P表示电价；W_tsτ表示t阶段第s个场景下τ时刻配电网向上级电网的购电量，由负荷量、分布式电源发电量以及线路网损三部分组成，计算公式如下：

式中，h_t表示第t阶段与规划起始年相比的负荷增长率；L_s,τ,k表示s场景下τ时刻第k个负荷点的起始负荷；K表示负荷点集合；P_b(s,τ)表示s场景下τ时刻单组光伏的实时出力，根据分布式光伏模型计算；P_wind(s,τ)表示s场景下τ时刻单组风机的实时出力，根据分布式风机模型计算；J_i表示配电网线路集合；P_j,s,τ与Q_j,s,τ分别为s场景下τ时刻流过线路j首端的有功、无功功率；U_j,s,τ为线路j首段电压；R_j表示线路j的电阻。

4.根据权利要求1所述的多时段多场景分布式电源最优接入位置与容量研究方法，其特征在于，步骤3)中所述的：

(3.1)配电网络的潮流约束

式中，P_i、Q_i分别为节点i处有功、无功注入功率；U_i、U_j分别为节点i、j电压幅值；G_ij、B_ij分别为支路ij的电导、电纳；θ_ij为节点i、j间电压相角差；

(3.2)分布式电源投建顺序约束

式中，β_i,t与γ_i,t分别表示规划的第t阶段在节点i光伏与风机的组数；β_i,t+1与γ_i,t+1分别表示规划的第t阶段在节点i光伏与风机的组数；

该约束条件表示分布式电源多时段规划的过程中，下一阶段节点i的光伏或风机组数不能小于上一阶段，即任一节点分布式电源投建后就不能去除；

(3.3)节点电压约束

U_imin＜U_i＜U_imax (12)

式中，U_imin、U_imax分别为节点i电压值的下限和上限；

该约束条件表示，在运用OpenDSS进行多场景时序潮流仿真的过程中，任何时刻各节点的电压幅值必须在允许的安全上下限之间；

(3.4)支路电流约束

式中，I_k表示实际的支路电流，表示支路电流值的上限；

该约束条件表示，潮流仿真过程中任何时刻的支路电流不能超过该支路允许的电流最大值。

5.根据权利要求1所述的多时段多场景分布式电源最优接入位置与容量研究方法，其特征在于，步骤4)中所述的粒子群算法编码包括：

对优化对象采用分段编码方式，每个粒子在搜索空间中的编码格式D表示为：

式中，D的前N_PV个变量d₁～d_NPV表示规划的第一阶段光伏在各个待选节点下的个数；表示规划第一阶段分布式风机在各个待选节点下的个数；表示规划期的第二阶段光伏在各个待选节点下的个数；表示第二阶段风机在各待选节点下的个数，以此类推直至到达规划阶段总数T；特别地，由于粒子在各维度的位置变量d_i与e_i均必须为整数，因此粒子参考自身局部最优解与全局最优解更新自己的位置后，需进行向下取整，以满足分布式电源安装数目的离散化要求。

6.根据权利要求1所述的多时段多场景分布式电源最优接入位置与容量研究方法，其特征在于，步骤4)中所述的对于约束条件的处理，是更新粒子位置后若不满足分布式电源投建顺序约束，即同一节点后一阶段的分布式电源数目小于前一阶段，则强制将该节点分布式电源数目设定为与前一阶段相同；若不满足节点电压约束和支路电流约束，则在目标函数中补充惩罚项，分别如下式给出的惩罚项h₁(t)、h₂(t)，若满足节点电压约束和支路电流约束，将惩罚项置零，

式中，M_U与M_I分别表示电压越限与电流越限时的惩罚系数；U_imin、U_imax分别为节点i电压值的下限和上限；U_i为节点i的实际电压幅值；I_k表示实际的支路电流，表示支路电流值的上限。

7.根据权利要求1所述的多时段多场景分布式电源最优接入位置与容量研究方法，其特征在于，所述的基于粒子群算法与OpenDSS的求解，包括：

(4.1)输入配电网参数及粒子群算法参数，具体包括线路拓扑结构及电阻、分布式电源待选节点、粒子群算法中的加速常数、惯性因子、约束因子，同时输入分布式光伏、风机、负荷元件的参数，得到不同阶段多场景下各典型日的分布式电源出力序列以及负荷值；

(4.2)对粒子群进行初始化，确定初始的多时段分布式电源接入方案；

(4.3)结合OpenDSS仿真平台对每个粒子对应的分布式电源规划方案进行时序潮流计算，得到多场景多时段下的电压、网损、功率分布信息，计算各节点电压与支路电流；

(4.4)判断是否满足节点电压约束和支路电流约束，若不满足节点电压约束和支路电流约束，则在目标函数中补充式(15)与(16)所示的惩罚项，若满足节点电压约束和支路电流约束，将惩罚项置零；

(4.5)结合目标函数与惩罚项计算各粒子对应的目标函数值，即为粒子适应度，得到各粒子自身的最优值与粒子群的全局最优值；

(4.6)判断粒子群算法是否满足终止条件，即全局最优值是否收敛或达到最大迭代次数，是则输出最优解并解码得到多阶段的分布式电源规划方案，否则进入下一步；

(4.7)进行粒子群更新操作，得到新的粒子群位置与速度，更新时调整粒子编码以满足分布式电源个数的离散化要求以及投建顺序的约束，并返回第(4.3)步。