CN109888817B - 对光伏电站和数据中心进行位置部署和容量规划方法 - Google Patents

Abstract

本发明提供了一种对光伏电站和数据中心进行位置部署和容量规划方法，包括：S101，在电网中建立光伏电站和数据中心接入位置和容量规划的仿真模型，所述仿真模型用于确定数据中心和光伏电站放置的最佳位置和容量配置；S102，确定用于所述数据中心和所述光伏电站的位置和容量配置的优化目标和约束条件；S103，基于遗传算法根据所述仿真模型确定所述数据中心和光伏电站的网损目标为最小的最佳位置和容量规划。通过光伏电站和数据中心接入位置和容量的仿真模型，能够找到数据中心和光伏电站放置的最佳位置，从而更有效地降低电网总损耗和维持电网的稳定。

Description

对光伏电站和数据中心进行位置部署和容量规划方法

技术领域

本发明涉及容量规划技术领域，特别涉及一种在智能电网中对光伏电站和数据中心进行位置部署和容量规划方法。

背景技术

在能源短缺，气候变化和不断增长的电力需求等全球挑战的推动下，现代电力***正在经历大规模的革命和重建。在21世纪初提出了“智能电网”旨在构建智能低碳的绿色电网。据调查，微软、谷歌和亚马逊等主要的云服务提供商正在努力建设世界上最大的数据中心，其能源消耗巨大，显著增加建造地点的负荷消耗，对电网产生重大影响。目前，智能电网技术正在转变为一个交互的网络，目的是将交付给最终用户的电力的总体成本降低。随着现代电网的不断发展，新兴技术趋势对配电***的运行产生了深远的影响。以分布式可再生能源发电设施为例，其可以有效地整合到智能电网中，用于平衡不同位置的电源和需求，以执行适当的频率调节。

光伏电站和数据中心接入到电网中，会改变电网的潮流状态，从而对电网的总损耗产生影响，并且，接入位置不同有可能会引起电压偏差过大，或者支路功率越限等影响电网稳定性的严重问题。

发明内容

为了上述需要解决的技术问题，本发明提供了一种对光伏电站和数据中心进行位置部署和容量规划的方法，其包括：

S101，在电网中建立光伏电站和数据中心接入位置和容量规划的仿真模型，所述仿真模型用于确定数据中心和光伏电站放置的最佳位置和容量配置；

S102，确定用于所述数据中心和所述光伏电站的位置和容量配置的优化目标和约束条件；

S103，基于遗传算法根据所述仿真模型确定所述数据中心和光伏电站的网损目标为最小的最佳位置和容量规划。

进一步，所述S101具体包括：

用N表示所有母线节点的集合，i表示母线节点，形成一个拓扑网络结构，每个母线节点i∈N，节点i连接可再生能源/不可再生能源和各种负载，所述电网中有k个光伏电站和m个数据中心，每个光伏电站和数据中心都连接在电网的其中一个母线节点上；

计算有功功率，用P_i表示在母线节点i上注入的有功功率：

P_i＝P_i ^Gen-P_i ^Load，

其中，P_i ^Gen和P_i ^Load分别表示在母线节点i上的发电量和负载消耗量，总发电量和负荷消耗量是平衡的；

对于母线节点i上的发电量分为光伏作为可再生能源发电P_i ^Rs和不可再生能源发电P_i ^Urs；

P_i ^Gen＝P_i ^Rs+P_i ^Urs，

对于母线节点i上的负载分为P_i ^dc为数据中心的总功耗和P_i ^other其他负载总功耗：

P_i ^Load＝P_i ^dc+P_i ^other。

进一步，网损目标设定为将网损最小选为优化目标函数，表示为：

其中，i＝1,2,…,n，n表示电网的节点总数，P_loss是总网损，R_i是母线节点i上的电阻，P_i和Q_i分别是母线节点i的有功和无功功率。

进一步，所述约束条件设定为：

智能电网加入数据中心和光伏发电站后，应满足潮流计算平衡：

式中，i＝1,2,…,n,n表示电网的节点总数,母线节点j是和母线节点i直接相连的节点，用j∈i表示；ΔP_i和ΔQ_i分别是有功功率和无功功率的误差，P_i和Q_i分别是母线节点i的有功和无功功率；U_i和U_j分别表示母线节点i的电压和母线节点j的电压；G_ij、B_ij和δ_ij分别表示母线节点i和母线节点j之间的电导、电纳和相角差。

进一步，所述约束条件包括如下不等式约束条件：

(1)受外界环境、运行情况因素影响时，光伏电站的输出容量约束为：

其中，

为母线节点i上光伏电站的输入容量，

为母线节点i上光伏电站最大输入容量；

(2)数据中心的功率约束为:

多个数据中心总容量与光伏电站总发电量保持一致，即满足如下约束：

其中，

为母线节点i上接入数据中心的容量；

(3)电压的约束为：

电压需控制在一定的范围内：

U_M(1-ε₁)≤U_i≤U_M(1+ε₂)，

其中，U_M为***标称电压，ε₁和ε₂是国际规定的允许偏差率。

(4)支路功率约束为：

|P_ij|≤P_ij，max，

其中，|P_ij|、P_ij,max分别为母线节点i和母线节点j之间的支路功率，和该支路允许通过的最大功率。

进一步，所述S103包括：

对染色体编码及种群初始化，设定个体编码和适应度函数。

进一步，所述染色体编码的过程为对数据中心的放置位置采用二进制编码形式，数据中心放置在某个节点，在这个节点用1表示，数据中心没有放置的节点用0表示。

进一步，所述S103还包括：选择操作，具体用于选择种群的策略每次从种群中取出一定数量个体，选择其中最好的一个进入子代种群，重复该操作，直至新的种群规模达到原来的种群规模。

进一步，所述S103还包括：交叉操作，具体用于在遗传算法中，将所述染色体编码中的优良基因传给下一代的个体。

进一步，所述S103还包括：变异操作，具体用于依据概率随机选择需要进行变异操作的所述染色体编码个体，进行变异操作。

附图说明

图1为本发明的对光伏电站和数据中心进行位置部署和容量规划的方法的流程图；

图2为染色体编码形式结构示意图；

图3为交叉操作过程示意图；

图4为变异操作过程示意图；

图5为case_ieee30节点的电网***图；

图6为不同场景下数据中心放置部署的网损对比示意图；

图7为不同场景下整体网损分布示意图；

图8为不同场景下数据中心位置和容量变化的电压对比示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定装备结构、接口、技术之类的具体细节，以便透彻理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

如图1所示，本发明提供了一种对光伏电站和数据中心进行位置部署和容量规划的方法，包括：

步骤S301建立光伏电站和数据中心接入位置和容量的仿真模型，用于找到数据中心和光伏电站放置的最佳位置和容量配置方案；

步骤S302确定优化目标和约束条件，用于数据中心和光伏电站的位置和容量配置符合所述优化目标和约束条件；

步骤S303，基于遗传算法确定数据中心和光伏电站的最佳位置和容量配置。

首先，建立光伏电站和数据中心接入位置和容量的仿真模型，用于找到数据中心和光伏电站放置的最佳位置和容量配置方案

对于电网来说，用N表示所有母线节点的集合，i表示母线节点，形成一个拓扑网络结构。每个母线节点i∈N，节点i可以连接可再生能源/不可再生能源和各种负载。在***模型中，负载包括支持云计算的数据中心。在这个电网中有k个光伏电站和m个数据中心，每个光伏电站和数据中心都连接在电网的某一母线节点上。

计算有功功率，用P_i表示在母线节点i上注入的有功功率：

P_i＝P_i ^Gen-P_i ^Load (1)

P_i ^Gen和P_i ^Load分别表示在母线节点i上的发电量和负载消耗量。对于电网来说，总发电量和负荷消耗是平衡的。

对于母线节点i上的发电量可以分为光伏作为可再生能源发电P_i ^Rs和不可再生能源发电P_i ^Urs。

P_i ^Gen＝P_i ^Rs+P_i ^Urs (2)

对于母线节点i上的负载可以分为P_i ^dc为数据中心的总功耗和P_i ^other其他负载总功耗。

P_i ^Load＝P_i ^dc+P_i ^other (3)

然后，确定优化目标和约束条件，用于数据中心和光伏电站的位置和容量配置符合所述优化目标和约束条件；

网损是衡量智能电网运行的重要经济指标，光伏电站和数据中心合理的位置部署会有效的减少***的网损，故将网损最小选为优化目标函数，表示为:

式中，i＝1,2,…,n，n表示电网的节点总数，P_loss是总网损，R_i是母线节点i上的电阻。P_i和Q_i分别是母线节点i的有功和无功功率。

需要的约束条件如下：

潮流计算是电力***非常重要的分析计算，通过潮流计算可以预知各种网络结构的改变对***安全的影响。智能电网加入数据中心和光伏发电站后，应满足潮流计算平衡：

智能电网加入数据中心和光伏发电站后，应满足潮流计算平衡：

式中，i＝1,2,…,n,n表示电网的节点总数,母线节点j是和母线节点i直接相连的节点，用j∈i表示；ΔP_i和ΔQ_i分别是有功功率和无功功率的误差，P_i和Q_i分别是母线节点i的有功和无功功率；U_i和U_j分别表示母线节点i的电压和母线节点j的电压；G_ij、B_ij和δ_ij分别表示母线节点i和母线节点j之间的电导、电纳和相角差。此外，还应考虑如下不等式约束条件：

(1)受外界环境、运行情况等因素，光伏电站的输出容量约束表示为：

式中

为母线节点i上光伏电站的输入容量，

为母线节点i上光伏电站最大输入容量。

(2)数据中心的功率约束

为了平衡光伏电站并网的影响及充分利用可再生能源，在规划数据中心的规模时，考虑所有数据中心能够消耗光伏电站的所有发量，即多个数据中心总容量与光伏电站总发电量保持一致，即满足如下约束：

式中，

为母线节点i上接入数据中心的容量。

(3)电压的约束

光伏电站和数据中心接入智能电网中，改变了原来的潮流状态，会引起电压的变化，不合理的电压偏差会导致电网的运行出现问题。因此电压需控制在一定的范围内：

U_M(1-ε₁)≤U_i≤U_M(1+ε₂) (9)

式中，U_M为***标称电压，ε₁和ε₂是国际规定的允许偏差率。

(4)在求取电压稳定的同时，往往忽略了支路功率约束这一限制，很有可能导致在智能电网中的电压还没有达到临界点时，某些支路的功率已经越限。这样对电网的损耗判定指标也缺乏现实意义。针对支路功率约束都是将之作为优化问题的约束条件处理。支路功率约束为

|P_ij|≤P_ij，max (10)

式中|P_ij|、P_ij,max分别为母线节点i和母线节点j之间的支路功率，和该支路允许通过的最大功率(即支路容量限制值)。

综上所述，所要求解的优化问题就是在(5)～(10)的约束条件下，找到合理的位置和容量配置方案，使得(4)式所表示的优化目标最小。

然后，基于遗传算法确定数据中心和光伏电站的最佳位置和容量配置。

遗传算法擅长解决的问题是全局最优化问题，因此可用于电网的规划，光伏电站的选址和定容等复杂的电力***优化问题。

适应度函数

适应度函数是实现优胜劣汰的根本依据，它可以通过种群中的每个个体对环境的适应程度来来评估从而得出最佳的值。目标是使整个电网的网损最小，因此将网损函数定义为适应度函数。

选择操作

选择操作是使优良的染色体个体遗传到下一代的概率较高。采用锦标赛选择种群的策略每次从种群中取出一定数量个体，然后选择其中最好的一个进入子代种群。重复该操作，直到新的种群规模达到原来的种群规模。

交叉操作

在遗传算法中，交叉操作是其主要的搜索算子,它能够模仿自然界中有性繁殖的基因重组过程,能够将原来比较优良的基因传给下一代的个体,它的新个体生成存在更加优良的基因组织结构。具体操作过程如图3所示。

父代1的数据中心位置在4号和6号节点上，父代2的数据中心位置在3号和5号节点上，在第5点进行交叉，生成的子代1的数据中心的位置在4号和5号节点上，子代2的数据中心的位置在3号和6号节点上。

变异操作

变异操作最主要的功能是对数据中心的放置节点位置进行选择，我们需要按照某种概率进行随机选择需要变异操作的个体，最后按照某种特定的规律进行变异。具有操作过程如图4所示；

原始的数据中心放置在5号和7号节点上。在5号和6号节点处变异，变异后数据中心的位置在6号和7号节点上。

本实施例我们采用IEEE 30节点的标准电网***对本专利的方法进行测试验证。如图5所示。其中，节点1是平衡节点，节点2，5，8，9，13为PV节点，其余为PQ节点,基准功率为100MW。本实施例采用的是DEAP是一种用于快速原型设计和思想测试的新型进化的遗传算法框架。它旨在使算法明确，数据结构透明。对加入的数据中心和光伏发电进行建模和仿真，并对实验进行改进。从仿真情况，我们可以看出各个母线节点的电压变化和网损变化情况。

下列实验中，假设要在此电网中建设一个光伏发电站和两个数据中心，待选节点的编号是2-30节点，目标优化是光伏发电站的发电量等于输送到两个数据中心上的耗电量，单个光伏电站和单个数据中心的容量是0.001MW的整数倍。遗传算法中参数设定如下：种群规模50，交叉、变异的概率分别为0.5和0.2。

首先固定一个光伏的位置，通过我们的算法找到两个数据中心的最佳位置和容量分配。在5号节点放置40MW的光伏发电站，需要相应的两个数据中心去消耗光伏发电站的产电量。为了验证算法的可靠性，做了如下五种场景进行比较:

case1：两个数据中心放置在10、12号母线节点；

case2：两个数据中心放置在6、7号母线节点，光伏电站的附近；

case3：两个数据中心放置在25、26号母线节点，远离光伏电站；

case4:两个数据中心都放置在5号母线节点上；

case5：两个数据中心放置在5、30号节点上，一个在光伏电站所在位置、一个远离光伏电站。

具体放置位置和容量情况分析如表1所示：

表1接入40MW光伏电站的情况分析

case1是遗传算法找到数据中心和容量分配最优的方案。其他四种方案作为后续对比。

光伏电站接入40MW时，两个数据中心分别放置6MW、34MW的五种场景，对应网损如图6所示。

从图6、图7中可以看出，数据中心位置放置的不同，网损有很大差异。case1的整体网损最小的，case3的网损最大，光伏电站和数据中心距离远的情况下，网损最差，但是数据中心和光伏电站建在一起的情况并没有case1的网损小。

其次本专利遗传算法还约束了数据中心接入位置和容量变化中存在电压越限和支路越限的问题。电压越限标准如图表2所示。具体的电压、支路功率变化如图8、表3和表4所示：

表2电压幅值限制

从表2和图8中可以看出，在case1、case2、case4和case5场景下电压相对稳定，case3情况中26号母线节点的电压幅值是0.856p.u，超过了电压偏差规定的范围，存在严重的电压越限，对电网稳定性将会造成影响。

支路功率在一定范围内，不会对电网产生损耗,但是超出一定范围，会对电网产生损耗。基于IEEE 30支路功率有一定的范围，部分支路功率范围如表3所示：

表3部分支路功率的范围

表4不同位置的数据中心支路功率对比

由表3，表4可以看出，case3和case5场景中，支路22→24、24→25、25→27、28→27的有功功率都超出支路功率规定的范围，存在安全隐患。实验结果表明，光伏电站和数据中心的位置部署对电网网损存在一定的影响。通过本专利所提出的优化算法，找到的最优方案为：在10号母线节点接入容量为6MW的数据中心，在12号母线节点上接入容量为34MW的数据中心。经过多次实验，结果表明，本发明可以找到比较好的数据中心放置和容量规划的分配方案。

光伏电站和数据中心接入到电网中，会改变电网的潮流状态，从而对电网的总损耗产生影响，并且，接入位置不同有可能会引起电压偏差过大，或者支路功率越限等影响电网稳定性的严重问题。本发明以接入光伏电站和数据中心的网损最小为目标函数，以电压和支路功率约束为条件，设计了约束优化问题；结合遗传算法的基本思想实现了相应的求解算法，从而针对光伏电站和数据中心接入位置和容量的问题给出了有效的方法。根据具体不同的网络配置，可以分析和求解多个数据中心位置放置和容量配置的最优解。

读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种对光伏电站和数据中心进行位置部署和容量规划方法，其特征在于，包括：

S101，在电网中建立光伏电站和数据中心接入位置和容量规划的仿真模型，所述仿真模型用于确定数据中心和光伏电站放置的最佳位置和容量配置，具体包括：

用N表示所有母线节点的集合，i表示母线节点，形成一个拓扑网络结构，每个母线节点i∈N，节点i连接可再生能源/不可再生能源和各种负载，所述电网中有k个光伏电站和m个数据中心，每个光伏电站和数据中心都连接在电网的其中一个母线节点上；

计算有功功率，用P_i表示在母线节点i上注入的有功功率：

P_i＝P_i ^Gen-P_i ^Load，

其中，P_i ^Gen和P_i ^Load分别表示在母线节点i上的发电量和负载消耗量，总发电量和负载消耗量是平衡的；

对于母线节点i上的发电量分为光伏作为可再生能源发电P_i ^Rs和不可再生能源发电P_i ^Urs；

P_i ^Gen＝P_i ^Rs+P_i ^Urs，

对于母线节点i上的负载消耗量分为P_i ^dc为数据中心的总功耗和P_i ^other其他负载总功耗：

P_i ^Load＝P_i ^dc+P_i ^other；

网损目标设定为将网损最小选为优化目标函数，表示为：

其中，i＝1,2,…,n，n表示电网的节点总数，P_loss是总网损，R_i是母线节点i上的电阻，P_i和Q_i分别是母线节点i的有功和无功功率

S102，确定用于所述数据中心和所述光伏电站的位置和容量配置的优化目标和约束条件，所述约束条件设定为：

智能电网加入数据中心和光伏发电站后，应满足潮流计算平衡：

式中，i＝1,2,…,n,n表示电网的节点总数,母线节点j是和母线节点i直接相连的节点，用j∈i表示；ΔP_i和ΔQ_i分别是有功功率和无功功率的误差，P_i和Q_i分别是母线节点i的有功和无功功率；U_i和U_j分别表示母线节点i的电压和母线节点j的电压；G_ij、B_ij和δ_ij分别表示母线节点i和母线节点j之间的电导、电纳和相角差；

所述约束条件包括如下不等式约束条件：

(1)受外界环境、运行情况因素影响时，光伏电站的输出容量约束为：

其中，

为母线节点i上光伏电站的输入容量，

为母线节点i上光伏电站最大输入容量；

(2)数据中心的功率约束为:

多个数据中心总容量与光伏电站总发电量保持一致，即满足如下约束：

其中，

为母线节点i上接入数据中心的容量，所述k为光伏电站的个数和所述m为数据中心的个数；

(3)电压的约束为：

电压需控制在一定的范围内：

U_M(1-ε₁)≤U_i≤U_M(1+ε₂)，

其中，U_M为***标称电压，ε₁和ε₂是国际规定的允许偏差率；

(4)支路功率约束为：

|P_ij|≤P_ij，max，

其中，|P_ij|、P_ij,max分别为母线节点i和母线节点j之间的支路功率，和该支路允许通过的最大功率

S103，基于遗传算法根据所述仿真模型确定所述数据中心和光伏电站的网损目标为最小的最佳位置和容量规划，具体包括：

对染色体编码及种群初始化，设定个体编码和适应度函数。

2.根据权利要求1所述的对光伏电站和数据中心进行位置部署和容量规划方法，其特征在于，所述染色体编码的过程为对数据中心的放置位置采用二进制编码形式，数据中心放置在某个节点，在这个节点用1表示，数据中心没有放置的节点用0表示。

3.根据权利要求1所述的对光伏电站和数据中心进行位置部署和容量规划方法，其特征在于，所述S103还包括：选择操作，具体用于选择种群的策略每次从种群中取出一定数量个体，选择其中最好的一个进入子代种群，重复该操作，直至新的种群规模达到原来的种群规模。

4.根据权利要求1所述的对光伏电站和数据中心进行位置部署和容量规划方法，其特征在于，所述S103还包括：交叉操作，具体用于在遗传算法中，将所述染色体编码中的优良基因传给下一代的个体。

5.根据权利要求1所述的对光伏电站和数据中心进行位置部署和容量规划方法，其特征在于，所述S103还包括：变异操作，具体用于依据概率随机选择需要进行变异操作的所述染色体编码个体，进行变异操作。

Images