CN109508823A - 一种基于场景分析法的配电网中分布式电源规划方法 - Google Patents

Abstract

本发明公开了一种基于场景分析法的配电网中分布式电源规划方法，获取目标区域配电网的结构、线路参数、负荷分布情况并建立配电网结构模型；采集目标区域的分布式光伏出力与分散式风电出力、负荷数据，并建立场景集；引入互相关熵评价函数改进吸引子聚类算法对场景进行削减；建立目标模型，并利用文化基因算法对其进行求解，最终得到分布式电源在配电网中最优规划方案。本发明可有效模拟实际状况中分布式电源处理与负荷波动性，规划结果更具可靠性；且场景分析原理简单，更易实现。

Description

一种基于场景分析法的配电网中分布式电源规划方法

技术领域

本发明属于分布式电源接入规划技术领域，具体涉及一种基于场景分析法的配电网中分布式电源规划方法。

背景技术

利用可再生能源发电现已是国家能源转型的重要举措，以分布式电源的形式接入电网是其中重要的一种方式。分布式电源接入配电网后，使配电网从单点供电辐射型网络架构转变为多点供电网络，这必然会引起线路中潮流的大小和方向的改变。其次，由于风光资源的不确定性，分布式电源接入配电网中，可能给电网带来电压波动等等。为充分、有效的利用可再生能源发电，避免其劣化配电网电能质量，配电网中分布式电源的规划方法得到了广泛研究。

目前，研究人员提出了一些配电网中分布式电源规划方法。主要包括：(1)假设分布式电源出力恒为额定功率的规划方法，不考虑分布式电源出力波动性，这种方法没有考虑当风力(光照)不足时，分布式电源出力不能达到额定出力的状态，使得规划方案与实际不相吻合；(2)在典型场景中进行规划的方法。这种方法忽略了占绝大多数的一般场景，使得规划结果较为保守；(3)考虑长时间自然资源的分布情况，使用数学方法，如模糊理论和约束规划方法处理分布式电源出力的波动性。这些方法在计算精度和稳定性方面，具有一定局限。

在分布式电源规划研究过程中，使得规划方法与实际的状况更加吻合是保证规划方法有效、可靠的重要前提。使用一种简单、有效的方法拟合可再生能源不确定性，保证规划方法的有效性和可行性有待进一步研究。

发明内容

本发明的目的是提供一种基于场景分析法的配电网中分布式电源规划方法，解决了现有技术中存在的规划方案与实际不相吻合的问题。

本发明所采用的技术方案是，一种基于场景分析法的配电网中分布式电源规划方法，其特征在于，获取目标区域配电网的结构、线路参数、负荷分布情况并建立配电网结构模型；采集目标区域的分布式光伏出力与分散式风电出力、负荷数据，并建立场景集；引入互相关熵评价函数改进吸引子聚类算法对场景进行削减；建立目标模型，并利用文化基因算法对其进行求解，最终得到分布式电源在配电网中最优规划方案。

本发明的特点还在于：

具体按照以下步骤实施：

步骤1、获取目标区域配电网的结构、线路参数、负荷分布情况；建立配电网结构模型；

步骤2、采集目标区域分布式光伏出力与分散式风电出力、负荷数据；

步骤3、将步骤2采集的三类数据整理为时序性场景数据，建立数量为N的场景集；

步骤4、引入互相关熵评价函数改进吸引子聚类算法，即用互相关熵评价函数代替吸引子聚类算法中以欧式距离为相似度的评价标准，并使用改进后的吸引子聚类算法将相似场景进行合并，得到M 个典型场景；

步骤5、根据目标要求，构建目标模型；

步骤6、将M个典型场景分别代入步骤1建立的配电网结构模型中，生成M个典型场景下的配电网结构模型；采用文化基因算法对步骤5的目标模型进行求解，得到分布式电源在配电网中最优规划方案。

步骤1中，线路参数包括阻抗及电抗。

步骤4具体按照以下步骤实施：

步骤4.1、采用互相关熵评价函数代替吸引子聚类算法中的欧式距离作为相似度计算公式，计算N个场景的相似度值，并利用相似度值构建N×N的相似度矩阵S；

互相关熵评价函数如下：

式中，K为聚类中心数；N为场景数量；θ(i,c)为采样空间，且其满足两个条件，θ(i,c)∈{0,1}和X_i表示第i个场景；μ_c表示第c个聚类中心；g(x)＝exp(-x/2σ²)为以核心宽度σ为参数的高斯核心方程；||X_i-μ_c||₂整体为求第i个场景距第c个聚类中心的距离；

步骤4.2、选取参考度值P；

步骤4.3、设置最大迭代次数，计算从场景i发送到场景k的吸引度信息R(i,k)；计算从场景k发送到场景i的归属度信息A(i,k)；

计算公式如下：

R(i,k)＝S(i,k)-max{A(i,j)+S(i,j)}j∈1,2,…,N且j≠k

R(k,k)＝P(k)-max{A(k,j)+S(k,j)}j∈1,2,…,N且j≠k

步骤4.4、根据R(i,k)+A(i,k)的值来判断是否为聚类中心；当迭代次数超过最大迭代次数或者当聚类中心连续多次不发生改变时终止计算；得到聚类计算后的M个典型场景。

参考度值P为S的中值。

步骤6具体按照以下步骤实施：

步骤6.1、随机生成L个规划方案；在L个规划方案中随机选择 L₁个方案进行其在配电网中接入位置与接入容量的随机变化；再在L 个规划方案中随机选择L₂个方案进行其在配电网中接入位置与接入容量的随机组合；最终得到L+L₁₊L₂个规划方案；

将L+L₁₊L₂个规划方案中的第一个规划方案依次代入M个典型场景下的配电网结构模型，得到M个评价指标；根据每个典型场景所占权重对该方案的M个典型场景下的配电网结构模型进行权重累加，得到该方案的配电网运行状态；提取每该方案的配电网运行参数代入步骤5的目标模型，得到该方案的最终评价指标；按照上述方法依次求得其余方案的最终评价指标；

步骤6.2、提取步骤6.1中指标优异的Q个规划方案；在Q个规划方案中随机选择Q₁个方案进行其在配电网中接入位置与接入容量的随机变化；再在Q个规划方案中选择Q₂个方案进行其在配电网中接入位置与接入容量的随机组合；最终得到Q+Q₁₊Q₂个规划方案；

将Q+Q₁₊Q₂个规划方案中的第一个规划方案依次代入M个典型场景下的配电网结构模型，得到M个评价指标；根据每个典型场景所占权重对该方案的M个典型场景下的配电网结构模型进行权重累加，得到该方案的配电网运行状态；提取每该方案的配电网运行参数代入步骤5的目标模型，得到该方案的最终评价指标；按照上述方法依次求得其余方案的最终评价指标；

步骤6.3、重复步骤6.2，直至得到最优规划方案。

本发明的有益效果是：

1)与现有不考虑分布式电源处理波动性的规划方法相比，可以有效模拟实际状况中分布式电源处理与负荷波动性，规划结果更具可靠性；

2)与使用积灰约束规划或模糊理论处理电力***中不确定性的方法相比，场景分析原理简单，更易实现。

附图说明

图1是本发明基于场景分析法的配电网中分布式电源规划方法的流程图；

图2是本发明基于场景分析法的配电网中分布式电源规划方法的IEEE33节点配电网结构图；

图3是本发明基于场景分析法的配电网中分布式电源规划方法中场景聚类方法的流程图；

图4是本发明基于场景分析法的配电网中分布式电源规划方法中聚类后场景的分散式风电负荷变化曲线图；

图5是本发明基于场景分析法的配电网中分布式电源规划方法中聚类后场景的分散式风电出力变化曲线图；

图6是本发明基于场景分析法的配电网中分布式电源规划方法中聚类后场景的分布式光伏出力变化曲线图；

图7是本发明基于场景分析法的配电网中分布式电源规划方法中第10个日典型场景图；

图8是本发明基于场景分析法的配电网中分布式电源规划方法中第20个日典型场景图；

图9是本发明基于场景分析法的配电网中分布式电源规划方法中第29个日典型场景图；

图10是本发明基于场景分析法的配电网中分布式电源规划方法中第39个日典型场景图；

图11是本发明基于场景分析法的配电网中分布式电源规划方法中文化基因算法求解流程图；

图12是本发明基于场景分析法的配电网中分布式电源规划方法的PG&E69节点配电网结构图；

图13是本发明基于场景分析法的配电网中分布式电源规划方法的IEEE14节点配电网结构图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

实施例1：

如图1所示，本发明一种基于场景分析法的配电网中分布式电源规划方法，按照以下步骤实施：

步骤1，以分布式风电接入的IEEE33节点配电网作为算例进行仿真分析，配电网结构如图2所示。假设在4个节点安装分布式电源，根据实际风电场的数据，风电投资成本为8000元/kW，光伏投资成本为2000元/kW，设备寿命周期为25年，折现率为8％，光伏上网电价为0.95元/(kW·h)，风电上网电价为0.61元/(kW·h)，DG运行维护率是0.03。

步骤2，采集目标区域分布式光伏出力与分散式风电出力、负荷数据；采集频率为1小时1次。

步骤3，以天为单位，用步骤2采集的三类数据生成场景数量为 N的日场景集，每个场景包含24个分布式光伏出力与分散式风电出力、负荷数据，即0时-23时；每个样本点数据记为{(X_wind，X_PV， X_load)_i}，i＝1,2,3,4。

步骤4，如图3所示，采用互相关互相关熵评价函数改进吸引子聚类算法，即用互相关熵评价函数代替吸引子聚类算法中以欧式距离为相似度的评价标准，将互相关熵评价函数作为相似度计算公式；计算N个场景的相似度值，将值放在N×N的矩阵S中；选取参考度值P，P为S的中值。

设置一个最大迭代次数(默认值为1000)，计算从场景i发送到场景k的吸引度信息R(i,k)；计算从样本点k发送到样本点i的归属度信息A(i,k)；根据R(i,k)+A(i,k)值来判断是否为聚类中心；指定其中最大值对应的样本点j为样本点i的一个聚类中心。

比较本次迭代生成的聚类结果与上次迭代的聚类结果，若结果一致，未发生变化，输出场景聚类结果及权重，至步骤5；若结果变化，继续迭代；最终得到39个日典型场景。表1为利用聚类算法对场景缩减后所求得的场景分布状况，即39个日典型场景分布情况；图4是聚类后场景的分散式风电负荷变化曲线图，即39个日典型场景的分散式风电负荷变化曲线图；图5是聚类后场景的分散式风电出力变化曲线图，即39个日典型场景的分散式风电出力变化曲线图；图6 是聚类后场景的分布式光伏出力变化曲线图，即39个日典型场景的分布式光伏出力变化曲线图；图7是第10个日典型场景图；图8是第20个日典型场景图；图9是第29个日典型场景图；图10是第39 个日典型场景图；

表1 39个日典型场景对应的概率

步骤5，建立以独立发电商收益最大为目标的目标模型，模型建立如下：

obj.maxF

式中，F为规划方案的年度净现值，计算公式如下：

maxF＝C_sel-C_inv-C_ope

式中，C_sel为发电商售电总收益；C_ope为分布式电源的运行费用； C_inv为分布式电源的投资费用，计算公式如下：

式中，K为场景数；a(k)为第K个场景出现的频率；N为待选分布式电源的安装个数；f_DGi为分布式电源电价；P_DGij为第i个分布式电源第j时刻发出的容量。

式中，f_inv,DGi为分布式电源的初期单位投资成本；E_DGi为第i个分布式电源的安装容量；r₀为折现率；n为经济适用年限。

式中，a_F为分布式电源的运行维护率。

步骤6，如图11所示，生成包含20个个体的初始种群，对种群中所有个体使用爬坡算法进行巨擘搜索，求得其局部最优值；种群内个体进行交叉、变异，生成新种群，对新种群内个体进行局部寻优；判断迭代是否到达最大次数；若达到，输出规划结果；若没有，继续迭代求解。

对规划结果进行分析，表2为不考虑风光时序补特性、考虑时序和考虑AP改进聚类算法典型场景不同规划模型下的规划结果。第一种模式为传统分布式电源规划模式，分布式电源也是以恒功率因数条件运行，分布式电源接入越多，电压越容易越限，这种模式闲置了分布式电源的规划容量，因此，得到的规划结果即发电商的年利润额是最小的。在日典型场景下，规划结果忽略了绝大多数的普通场景，只考虑少量恶劣场景，使得规划结果较为保守。对比可以看出，基于场景分析法的配电网中分布式电源规划方法考虑了分布式电源出力和负荷的不确定性，兼顾了少量恶劣场景与大量普通场景，使得配电网接入分布式电源更加合理，利用率更高，实现了独立发电商收益优化。

表2三种方法规划结果对比

实施例2：

如图1所示，本发明一种基于场景分析法的配电网中分布式电源规划方法，按照以下步骤实施：

步骤1：以美国PG&E69节点配电网作为算例进行仿真分析，配电网结构如图12所示。假设在4个节点安装分布式电源，根据实际风电场的数据，风电投资成本为8000元/kW，光伏投资成本为2000 元/kW，设备寿命周期为25年，折现率为8％，光伏上网电价为0.95元/(kW·h)，风电上网电价为0.61元/(kW·h)，DG运行维护率是 0.03。

步骤2，采集目标区域分布式光伏出力与分散式风电出力、负荷数据；采集频率为15分钟1次。

步骤3，用步骤2采集的三类数据生成场景数量为N的场景集，每个场景包含统一时刻采集到的分布式光伏出力与分散式风电出力、负荷数据。每个样本点数据记为{X_wind，X_PV，X_load}。

步骤4，如图3所示，采用互相关互相关熵评价函数改进吸引子聚类算法，即用互相关熵评价函数代替吸引子聚类算法中以欧式距离为相似度的评价标准，将互相关熵评价函数作为相似度计算公式；计算N个场景的相似度值，将值放在N×N的矩阵S中；选取参考度值P，P为S的中值。

设置一个最大迭代次数(默认值为1000)，计算从场景i发送到场景k的吸引度信息R(i,k)；计算从样本点k发送到样本点i的归属度信息A(i,k)；根据R(i,k)+A(i,k)值来判断是否为聚类中心；指定其中最大值对应的样本点j为样本点i的一个聚类中心。

比较本次迭代生成的聚类结果与上次迭代的聚类结果，若结果一致，未发生变化，输出场景聚类结果及权重，至步骤5；若结果变化，继续迭代；

步骤5，建立以年收益率最大为目标的目标模型，模型建立如下：

obj.maxF

式中，F为年收益率。年收益率考虑了接入配电网的分布式电源产生的收益与建设的成本的比值。为了方便计算，设f＝1/F，即f与 F成负相关，目标函数改写为求解f的最小值，计算公式如下：

式中，ρ_e为电压惩罚系数，C_ex为分布式电源建设所需要的成本； C_in为分布式电源产生的收益。电压惩罚系数是当节点电压与额定电压偏离过大时，用于制约目标函数。

式中，S_ni为风力发电机装机容量，P_e单位电价，其分为两部分：上网售价与补偿电价，具体由当地实际电价决定。

C_ex＝C_inv+C_ke+C_lo

式中，C_inv为风力发电机投资费用，C_ke为风力发电机运行维修费用，C_lo为配电网线路损耗的电能损失费用。

式中，n_sc场景个数，n_wi为风力发电机装机台数，P_wi为单位装机容量价格。

C_ke＝n_wi×(P_ke+P_fix)

式中，P_fix为单台风力发电机年检修费用，P_ke为单台风力发电机年维护费用。

式中，为每条线路年线路损耗功率。

分布式电源接入配电网后，对节点电压有抬升作用。若规划合理，能使配电网节点加压出力合理区间。若规划不合理，如分布式电源容量过大，会导致节点电压偏移额定电压过大，越电压上限。因为，有限制某一节点电压过大，引入电压惩罚系数ρ_e。当电压偏移额定电压过大时，惩罚其目标函数数值，使电压回归合理区间。其函数如下：

式中，U_i为节点i的电压。是节点i的惩罚系数。整个场景计算时，电压惩罚系数选取所有节点电压惩罚系数中最大的。

步骤6，如图11所示，生成包含20个个体的初始种群，对种群中所有个体使用爬坡算法进行巨擘搜索，求得其局部最优值；种群内个体进行交叉、变异，生成新种群，对新种群内个体进行局部寻优；判断迭代是否到达最大次数；若达到，输出规划结果；若没有，继续迭代求解。

实施例3：

如图1所示，本发明一种基于场景分析法的配电网中分布式电源规划方法，按照以下步骤实施：

步骤1，以IEEE14节点配电网作为算例进行仿真分析，配电网结构如图13所示。假设在4个节点安装分布式电源，根据实际风电场的数据，风电投资成本为8000元/kW，光伏投资成本为2000元/kW，设备寿命周期为25年，折现率为8％，光伏上网电价为0.95元/(kW·h)，风电上网电价为0.61元/(kW·h)，DG运行维护率是0.03。

步骤2，采集目标区域分布式光伏出力与分散式风电出力、负荷数据；采集频率为15分钟1次，即每小时采集四组数据。

步骤3，用步骤2采集的三类数据生成数量为N的场景集，每个场景包含同一小时内采集到的四组数据。每个样本点记为{(X_wind，X_PV， X_load)_i}，i＝1,2,3,4。

步骤4，如图3所示，采用互相关熵评价函数改进吸引子聚类算法，即用互相关熵评价函数代替吸引子聚类算法中以欧式距离为相似度的评价标准，将互相关熵评价函数作为相似度计算公式；计算N 个场景的相似度值，将值放在N×N的矩阵S中；选取参考度值P，P为S的中值。

设置一个最大迭代次数(默认值为1000)，计算从场景i发送到场景k的吸引度信息R(i,k)；计算从样本点k发送到样本点i的归属度信息A(i,k)；根据R(i,k)+A(i,k)值来判断是否为聚类中心；指定其中最大值对应的样本点j为样本点i的一个聚类中心。

比较本次迭代生成的聚类结果与上次迭代的聚类结果，若结果一致，未发生变化，输出场景聚类结果及权重，至步骤5；若结果变化，继续迭代；

步骤5，配电网的运行总成本包括三方面，首先是配电网网损费用，其次是分散式风电源的运行总成本，最后还有购电总成本。所以建立经济效益模型，其表达式为：

obj.minC_all

式中，C_all为经济总成本，计算公式如下：

C_all＝C_L+C_DG+C_pur

式中，C_L为配电网网络损耗产生的费用，C_DG为分分布式电源的运行总成本，C_pur为购电总成本。

其中，

C_L＝C_e·P_loss·T_Lmax

式中，C_e表示单位电价，P_loss表示某场景下对应的***网损，T_Lmax表示最大负荷年利用小时数。

式中，P_Gen是分布式电源的装机容量，C_eDG为分布式电源的单位电量成本，T_DGmax是分布式电源的最大发电小时数，M_DG为接入配电网的分布式电源总个数。

C_pur＝C_e(P_LA-P_∑DG-P_loss)T_Lmax

式中，P_LA为电网总容量，P_∑DG为分布式电源的总有功输出。

步骤6，如图4所示，生成包含20个个体的初始种群，对种群中所有个体使用爬坡算法进行巨擘搜索，求得其局部最优值；种群内个体进行交叉、变异，生成新种群，对新种群内个体进行局部寻优；判断迭代是否到达最大次数；若达到，输出规划结果；若没有，继续迭代求解。

Claims (6)

1.一种基于场景分析法的配电网中分布式电源规划方法，其特征在于，先获取目标区域配电网的结构、线路参数、负荷分布情况并建立配电网结构模型；然后采集目标区域的分布式光伏出力与分散式风电出力、负荷数据，并建立场景集；再引入互相关熵评价函数改进吸引子聚类算法对场景集中的场景进行削减；再构建目标模型，并利用文化基因算法对其进行求解，最终得到分布式电源在配电网中最优规划方案。

2.如权利要求1所述的基于场景分析法的配电网中分布式电源规划方法，其特征在于，具体按照以下步骤实施：

步骤1、获取目标区域配电网的结构、线路参数、负荷分布情况；建立配电网结构模型；

步骤2、采集目标区域分布式光伏出力与分散式风电出力、负荷数据；

步骤3、将步骤2采集的三类数据整理为时序性场景数据，建立场景数量为N的场景集；

步骤4、引入互相关熵评价函数改进吸引子聚类算法，即用互相关熵评价函数代替吸引子聚类算法中以欧式距离为相似度的评价标准，并使用改进后的吸引子聚类算法将场景集中的相似场景进行合并，得到M个典型场景；

步骤5、根据目标要求，构建目标模型；

步骤6、将M个典型场景分别代入步骤1建立的配电网结构模型中，生成M个典型场景下的配电网结构模型；采用文化基因算法对步骤5的目标模型进行求解，得到分布式电源在配电网中最优规划方案。

3.如权利要求2所述的基于场景分析法的配电网中分布式电源规划方法，其特征在于，所述步骤1中，线路参数包括阻抗及电抗。

4.如权利要求2所述的基于场景分析法的配电网中分布式电源规划方法，其特征在于，所述步骤4具体按照以下步骤实施：

步骤4.1、采用互相关熵评价函数代替吸引子聚类算法中的欧式距离作为相似度计算公式，计算场景集中N个场景的相似度值，并利用相似度值构建N×N的相似度矩阵S；

互相关熵评价函数如下：

式中，K为聚类中心数；N为场景数量；θ(i,c)为采样空间，且其满足两个条件，θ(i,c)∈{0,1}和X_i表示第i个场景；μ_c表示第c个聚类中心；g(x)＝exp(-x/2σ²)为以核心宽度σ为参数的高斯核心方程；||X_i-μ_c||₂整体为求第i个场景距第c个聚类中心的距离；

步骤4.2、选取参考度值P；

步骤4.3、设置最大迭代次数，计算从场景i发送到场景k的吸引度信息R(i,k)；计算从场景k发送到场景i的归属度信息A(i,k)；

计算公式如下：

R(i,k)＝S(i,k)-max{A(i,j)+S(i,j)}j∈1,2,…,N且j≠k

R(k,k)＝P(k)-max{A(k,j)+S(k,j)}j∈1,2,…,N且j≠k

j∈1,2,…,N且j≠i,j≠k

步骤4.4、根据R(i,k)+A(i,k)的值来判断是否为聚类中心；当迭代次数超过最大迭代次数或者当聚类中心连续多次不发生改变时终止计算；得到聚类计算后的M个典型场景。

5.如权利要求4所述的基于场景分析法的配电网中分布式电源规划方法，其特征在于，所述参考度值P为S的中值。

6.如权利要求2-5任一项所述的基于场景分析法的配电网中分布式电源规划方法，其特征在于，所述步骤6具体按照以下步骤实施：

步骤6.1、随机生成L个规划方案；在L个规划方案中随机选择L₁个方案进行其在配电网中接入位置与接入容量的随机变化；再在L个规划方案中随机选择L₂个方案进行其在配电网中接入位置与接入容量的随机组合；最终得到L+L₁₊L₂个规划方案；

将L+L₁₊L₂个规划方案中的第一个规划方案依次代入M个典型场景下的配电网结构模型，得到M个评价指标；根据每个典型场景所占权重对该方案的M个典型场景下的配电网结构模型进行权重累加，得到该方案的配电网运行状态；提取每该方案的配电网运行参数代入步骤5的目标模型，得到该方案的最终评价指标；按照上述方法依次求得其余方案的最终评价指标；

步骤6.2、提取步骤6.1中指标优异的Q个规划方案；在Q个规划方案中随机选择Q₁个方案进行其在配电网中接入位置与接入容量的随机变化；再在Q个规划方案中选择Q₂个方案进行其在配电网中接入位置与接入容量的随机组合；最终得到Q+Q₁₊Q₂个规划方案；

将Q+Q₁₊Q₂个规划方案中的第一个规划方案依次代入M个典型场景下的配电网结构模型，得到M个评价指标；根据每个典型场景所占权重对该方案的M个典型场景下的配电网结构模型进行权重累加，得到该方案的配电网运行状态；提取每该方案的配电网运行参数代入步骤5的目标模型，得到该方案的最终评价指标；按照上述方法依次求得其余方案的最终评价指标；

步骤6.3、重复步骤6.2，直至得到最优规划方案。