CN110380444A - 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 - Google Patents
一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 Download PDFInfo
- Publication number
- CN110380444A CN110380444A CN201910561217.2A CN201910561217A CN110380444A CN 110380444 A CN110380444 A CN 110380444A CN 201910561217 A CN201910561217 A CN 201910561217A CN 110380444 A CN110380444 A CN 110380444A
- Authority
- CN
- China
- Prior art keywords
- electricity generation
- powered electricity
- copula
- wind
- distributing
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 108
- 241000039077 Copula Species 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 238000003064 k means clustering Methods 0.000 claims abstract description 4
- 238000005315 distribution function Methods 0.000 claims description 27
- 241001123248 Arma Species 0.000 claims description 25
- 230000005494 condensation Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H02J3/386—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法，该方法包括以下步骤：(1)预测地区负荷及分散式风电出力；(2)根据预测值做变量间相关性分析，建立最优的变结构Copula模型；(3)利用K‑means聚类划分得到典型场景，并得到各场景分位点；(4)建立含分散式风电的***优化调度模型进行容量规划。本发明建立的变结构Copula模型描述变量间复杂相关性的准确性高，可以单独分析各随机变量的边缘分布和变量间的相关结构；能够将变量间尾部相关性准确描述；且可以根据变量不同的结构特征为不同阶段相关性的描述提供最合适的Copula模型；本发明可以准确描述负荷与分散式风电的相关性，实现可靠的分散式风电容量规划。
Description
技术领域
本发明属于电网规划领域，尤其涉及一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法。
背景技术
目前，随着风力发电的普及应用，分散式风电接入低电压等级电网，已成为保证电力***安全和解决我国环境问题的重要途径，也将是风电接入电网的一种重要形式。分散式接入风电是指靠近负荷中心，当地电网消纳就近接入的分散式风电，并且电力不需要远距离、大规模地输送的风电项目。分散式风电可直接提供电能给终端用户，***的运行效率得以提高；可促进电能资源优化配置，使用电能高效灵活；在用电高峰或低谷时进行有效调节。此外，分散式风电项目具有的提高无污染、可再生能源利用效率、降低投资成本的优点使分散式风电接入电网形式成为主要发展方向。对分散式风电容量的规划深入研究可有效实现风电本地消纳、大大提高风电出力的利用率，解决减少弃风现象、提高风电相关行业收益的问题。
由于负荷具有随时间波动，风电出力具有不连续、随机的特征，研究分散式风电出力和负荷的相关性对得到合理的风电容量规划起到了关键作用。现有的分析多元变量间相关关系的方法主要有Nataf逆变换、时移技术、相关系数矩阵法，但都必须先确定随机变量间的相关性特征或者相关关系矩阵。且现有的电网规划研究中大多建立恒定的负荷模型，假设风电和负荷间相互独立，没有考虑风电与负荷相关性的影响，实际上它们不是各自独立的变量，该影响对电网的经济运行调度也是不可忽略的。此外，当前研究多利用单一的Copula函数对负荷和风电相关性进行建模拟合，没有考虑风电和负荷随机性，波动性和时序性，使模型描述不准确。
由于变量间相关性比较复杂，没有明显的特征，上述方法及模型可能拟合效果不佳，因此，在分时段的基础上利用变结构Copula研究各时段负荷和风电的相关性，进行分散式风电有序接入电网的容量规划，可得到更准确的规划结果。
发明内容
发明目的：针对现有技术的不足，本发明提供一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法，该方法基于变结构Copula对负荷及风电相关性分时段研究，同时以分散式风电场投资运行费用、电力***线路损耗费用最小及补助风电场给社会带来的环境保障最大为目标函数，建立典型场景下的电力***优化模型，在保障***安全稳定运行的基础上，解决分散式风电容量规划的问题，并提高风电利用率，使相关行业投资收益最大化。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法，该方法包括以下步骤：
(1)建立ARMA模型预测地区负荷及分散式风电出力；
(2)根据预测值做变量间相关性分析，建立最优的变结构Copula模型；
(3)利用K-means聚类划分得到典型场景，并得到各场景负荷与分散式风电值，即分位点；
(4)建立含分散式风电的***优化调度模型对各场景分位点进行容量规划。
进一步的，步骤(1)中，包括下述步骤：
(1-1)建立ARMA模型对地区负荷与风电出力数据进行预测；
(1-2)对集中式风电容量进行折合，公式如下：
集中式风电装机为风力发电机组额定功率总和，取397.3MW，分散式风电装机为规定规划分散式风电容量的最大值，取50MW，集中式风电出力预测值为原始风电数据输入ARMA模型得到的预测结果，式中分散式风电出力预测值是集中式风电出力预测值经容量折合的结果，即为所求。
进一步的，步骤(11)中，所述的ARMA模型为：
Yt＝β0+β1Yt-1+β2Yt-2+…+βpYt-p+εt+α1εt-1+α2εt-2+…+αqεt-q
其中，Yt为负荷或分散式风电的时间序列，Yt-p为当前时间点t之前的第p个时间点的时间序列，β为相关系数，εt是预测的误差项，εt-q为当前时间点t之前的第q个时间点的误差项，α为相关系数，体现预测误差项在不同时期的依存关系，p为自回归过程阶数、q为移动平均过程阶数。然后通过计算ARMA(p,q)模型的AIC指标为模型定阶，公式如下：
其中，σ2为预测误差项的方差，N为历史数据个数，p、q为ARMA(p,q)模型的阶数，从低阶开始逐个计算多组p、q下的AIC值，选择AIC值最小时对应的p、q值为最优ARMA(p,q)模型。本发明分别以地区负荷及集中式风电出力构成的时间序列为原始数据，输入ARMA模型求解出阶数p、q，通过历史数据输入到模型中预测出未来时间点的负荷和集中式风电出力数据。
进一步的，步骤(2)中，所述模型建立包括以下步骤：
(2-1)按月份或季度划分时段；
(2-2)确定各时段内负荷与分散式风电的边缘概率分布函数；
(2-3)基于负荷与分散式风电的边缘概率分布函数，分别建立各基本Copula模型：正态Copula，t-Copula，Clayton Copula，Gumbel Copula，Frank Copula，根据极大似然估计法，计算各Copula函数参数，画出密度函数图、分布函数图；
(2-4)定义目标Copula函数，计算目标Copula各参数并根据评判指标对(2-3)中各模型进行评价；评判指标包括Pearson系数、Kendall系数、Spearman系数、各Copula模型与经验Copula的欧式平方距离；
(2-5)对比各Copula参数估计结果，选择与目标Copula参数值最接近的参数个数最多的模型为最佳模型。
进一步的，步骤(3)中，所述划分典型场景步骤如下：
(3-1)将所得各时段Copula模型离散化，得到n个离散点，从n个离散点任意选择k个数据点作为初始凝聚中心点；
(3-2)除凝聚中心的其余对象，将其余各点与各凝聚中心的距离对比，距离最近的归为该类，并更新聚类；
(3-3)计算每个所获新聚类的聚类中心，即均值，并更新聚类中心；
(3-4)循环步骤(3-2)至(3-3)，至达到设置的循环次数为止；
(3-5)通过边缘概率分布函数求逆，得到实际负荷和分散式风电分位点。
进一步的，划分为k个场景后，把每个场景的负荷及分散式风电实际分位点输入优化模型，分别对每个场景进行分散式风电容量规划，步骤(4)中，包括下述步骤：
(4-1)典型场景下的电力***优化建模，以分散式风电场投资运行费用及环保收益以及电力***线路损耗费用为目标函数，函数表达式如下：
F＝min(f1+f2)
f1为分散式风电场投资运行费用及环保收益，表达式如下：
其中，PDWG表示规划的分散式风电容量，Cwt表示分散式风电场的初始投资成本，Csr表示单位容量的环保效益，r0表示折现率，T表示分散式风电场运行年限。
f2为电力***线路损耗费用，表达式如下：
其中，N为***节点数，ΔUij为***节点i与节点j之间的电压差，Zij为支路ij的阻抗值，Cdj表示线路损耗单位造价，δ表示功率因数。
(4-2)约束条件的设置包括潮流约束、发电机有功无功出力约束、风电容量约束、电压约束、相角约束，具体函数表达式如下：
PGimin≤PGi≤PGimax
QGimin≤QGi≤QGimax
0≤PDWG≤PDWGmax
Uimin≤Ui≤Uimax
|θi-θj|≤|θi-θj|max
其中，N为***节点数，PGi、QGi为发电机组的有功及无功出力，PGimin,PGimax为发电机有功出力上下限值，QGimin,QGimax为发电机无功出力上下限值，PDi，QDi为测试***中节点负荷有功值及无功值，PDWG为规划的分散式风电容量，Ui,Uj为***节点电压，Uimin,Uimax为***电压上下限值，Gij,Bij为支路i-j的电导、电纳，θij为节点i，节点j间的相角差，PDWGmax为规定的分散式风电容量上限，θi，θj分别为节点i，节点j的电压相角，且PDGWmax＝50MVA，Uimin＝0.9,Uimax＝1.05(标幺值)，节点i与节点j之间的相角差上限|θi-θj|max＝5，根据优化模型目标函数和约束条件的设置，求解各场景进行分散式风电容量规划。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
1、本发明的变结构Copula模型可以单独分析各随机变量的边缘分布和变量间的相关结构而不用提前确定随机变量间的相关性特征或者相关关系矩阵；
2、能够将变量间尾部相关性准确描述，更好地体现变量间复杂的相关性，相比其他相关性研究是独有的；
3、可以根据变量不同的结构特征为不同阶段相关性的描述提供最合适的Copula模型，更灵活地捕捉到变量间相关结构的变动，模型拟合效果更好。在实际应用中用本发明可以准确描述负荷与分散式风电的相关性，实现可靠的分散式风电容量规划。
附图说明
图1：基于变结构Copula的分散式风电容量规划流程图；
图2：修改的IEEE30节点测试***；
图3：分散式风电核分布估计及经验分布图像；
图4：负荷核分布估计及经验分布图像；
图5：分散式风电和负荷的二元频率直方图；
图6：Gaussian-Copula密度函数图及分布函数图；
图7：t-Copula密度函数图及分布函数图；
图8：Gumbel-Copula密度函数图及分布函数图；
图9：Frank-Copula密度函数图及分布函数图；
图10：Clayton-Copula密度函数图及分布函数图；
图11：经验Copula分布函数图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1为基于变结构Copula的分散式风电容量规划方法流程，该方法包括以下步骤：
步骤1：预测地区负荷及分散式风电出力。
其中，预测步骤包括，首先，建立ARMA模型对地区负荷与风电出力数据进行预测，ARMA模型为：
Yt＝β0+β1Yt-1+β2Yt-2+…+βpYt-p+εt+α1εt-1+α2εt-2+…+αqεt-q
其中，Yt为负荷或分散式风电的时间序列，Yt-p为p次预测前的时间序列，β为相关系数，εt是随机变量序列，εt-q为q次预测前的误差项，α为相关系数，体现预测误差项在不同时期的依存关系，p为自回归过程阶数、q为移动平均过程阶数。为模型定阶通过计算ARMA(p,q)模型的AIC指标，公式如下：
其中，σ2为预测误差项的方差，N为历史数据个数，p、q为ARMA(p,q)模型的阶数，从低阶开始逐个计算多组p、q下的AIC值，选择AIC值最小时对应的p、q值为最优ARMA(p,q)模型。本发明分别以地区负荷及集中式风电出力构成的时间序列为原始数据，输入ARMA模型求解出阶数p、q，通过历史数据输入到模型中预测出未来时间点的负荷和集中式风电出力数据。
其次，进行集中式风电容量折合。折合公式如下，
集中式风电装机为风力发电机组额定功率总和，取397.3MW，分散式风电装机为规定规划分散式风电容量的最大值，取50MW，集中式风电出力预测值为原始风电数据输入ARMA模型得到的预测结果，式中分散式风电出力预测值是集中式风电出力预测值经容量折合的结果，即为所求：
步骤2：根据预测值做变量间相关性分析，建立最优的变结构Copula模型。
其中包括：按月份、按季度划分时段；画出各时段二元频率直方图，可得变量间极值相关关系不明显，即无明显厚尾特征；分别建立五种基本Copula模型，确定各时段内负荷及分散式风电的边缘概率分布函数；根据极大似然估计法，基于负荷与分散式风电的边缘概率分布函数，计算各Copula模型参数，即评判指标，包括Pearson系数、Kendall系数、Spearman系数、欧式平方距离，并得到密度函数图、分布函数图。其中，基本Copula有五种类型；正态Copula函数、t-Copula函数、Clayton Copula函数、Gumbel Copula函数、FrankCopula函数；为选择最优Copula，定义经验Copula函数，具体公式如下：
其中，x、y为负荷与分散式风电样本，F(xi)、G(yi)分别为x、y的经验分布函数I[·]为示性函数，u、v均为0-1分布，n为样本数，且满足F(xi)≤u，F(xi)≥u，计算经验Copula各参数，即评判指标，根据各Copula函数评判指标与经验Copula各参数的接近程度，选择参数最接近的为该时段最优模型。
步骤3：利用K-means聚类划分得到典型场景，并得到各场景分位点。
其中，基于K-means聚类的典型场景划分包括：第一步，将各时段Copula模型离散化，得到n个离散点，从n个离散点中任意选择k个数据点作为初始凝聚中心点；第二步，除凝聚点的其余对象根据它们与各凝聚中心的距离的对比结果，将它们分别归类，即更新聚类；第三步，计算每个所获新聚类的聚类中心，即均值；第四步，循环步骤二至步骤三，至达到设置的循环次数为止；第五步，通过概率分布函数求逆，得到实际负荷和分散式风电分位点。
步骤4：建立含分散式风电的***优化调度模型进行容量规划。
划分为k个场景后，把每个场景的原始分位点输入优化模型，分别对每个场景进行分散式风电容量规划。其中，建立优化模型的步骤包括：
第4.1步：典型场景下的电力***优化建模，以分散式风电场投资运行费用及环保收益以及电力***线路损耗费用为目标函数，函数表达式如下：
F＝min(f1+f2)
f1为分散式风电场投资运行费用及环保收益，表达式如下：
其中，PDWG表示规划的分散式风电容量，Cwt表示分散式风电场的初始投资成本，Csr表示单位容量的环保效益，r0表示折现率，T表示分散式风电场运行年限；
f2为电力***线路损耗费用，表达式如下：
其中，N为***节点数ΔUij为***两节点电压差，Zij为支路ij的阻抗值，Cdj表示线路损耗单位造价，δ表示功率因数。
第4.2步：约束条件的设置，包括潮流约束、发电机有功无功出力约束、风电容量约束、电压约束、相角约束，具体函数表达式如下：
电压约束、相角约束，具体函数表达式如下：
PGimin≤PGi≤PGimax
QGimin≤QGi≤QGimax
0≤PDWG≤PDWGmax
Uimin≤Ui≤Uimax
|θi-θj|≤|θi-θj|max
其中，N为***节点数，PGi、QGi为发电机组的有功及无功出力，PGimin,PGimax为发电机有功出力限值，QGimin,QGimax为发电机无功出力上下限值，PDi，QDi为测试***中节点负荷有功值即无功值，PDWG为规划的分散式风电容量，Ui,Uj为***节点电压，Uimin,Uimax为***电压上下限值，Gij,Bij为支路i-j的电导、电纳，θij为节点i，节点j间的相角差，PDWGmax为规定的分散式风电容量上限，θi，θj分别为节点i，节点j的电压相角，且PDGWmax＝50MVA，Uimin＝0.9,Uimax＝1.05(标幺值)，节点i与节点j之间的相角差上限|θi-θj|max＝5，根据优化模型目标函数和约束条件的设置，求解各场景进行分散式风电容量规划。
如图2，在修改的IEEE30节点测试***对基于变结构Copula的多场景下分散式风电有序接入电网的容量规划优化调度模型进行验证。
具体实施例中的数据样本为江苏省某地区2017年1月7日至2018年1月7日当地集中式风电出力及负荷情况，采样间隔为五分钟。
步骤1：首先，将2017年的108649组数据输入ARMA模型进行短期预测得到2019年相关数据。从低阶开始逐步循环尝试，对模型中阶数p，q进行识别，并利用AIC准则直到定出合适的模型。模型定阶结果如下表：
表1模型定阶结果
然后，利用如下折合公式：
其中，集中式风电装机为风力发电机组额定功率总和，取397.3MW，分散式风电装机为规定规划分散式风电容量的最大值，取50MW，集中式风电出力预测值为原始风电数据输入ARMA模型得到的预测结果，式中分散式风电出力预测值是集中式风电出力预测值经容量折合的结果，即为所求。
步骤2：采用非参数估计法确定负荷和分散式风电的累积分布函数，并绘制经验分布函数及核分布估计曲线。如图3和图4所示，经验分布函数作为实际分布函数的一个描述标准，通过对比函数图的差距，非参数估计的结果与经验分布函数基本重合，差别非常微小，估计精度较高。
具体实施例选择按月份分时段，即划分成12个子区间进行研究。依次根据数据的厚尾特征、Copula评判指标来选择与之对应的Copula函数，实施例选择Pearson系数、Kendall系数、Spearman系数、欧式平方距离作为Copula选择的评判指标。利用极大似然估计法估计上述评判指标，选择出与经验Copula参数最接近的为最优Copula。以下具体阐述一月分散式风电与负荷的Copula选择，其他月份同理。根据一月份实际数据，作出分散式风电和负荷的二元频率直方图(Ui,Vi),(i＝1,2,...,n)，如图5。
该二元频率直方图可做为分散式风电和负荷的联合密度函数的估计(Copula密度函数)。由于不能直接观察出明显的厚尾特征，所以需要分别建立每种基本Copula模型并对每种Copula进行参数估计。
如图6-图10所示为一月负荷与分散式风电各Copula模型密度函数图及分布函数图。由于分散式风电出力和负荷相关性数据特征比较模糊，如表2采用极大似然估计法算出各Copula模型参数并评价模型优劣。
表2一月各Copula模型及经验Copula参数
由上表得出，综合来看，t-Copula模型在Rho、Kendall、Spearman相关系数上与经验Copula最接近，欧式平方距离虽然不是最小的，但也与经验Copula非常相近。即t-Copula函数模型能更好地拟合一月份分散式风电与负荷的相关性。
如图11所示为经验Copula分布函数图，可以看出有一片区域存在转折，而图6至图10的分布函数曲线却没有。这说明在这一片区域中，以上五种基本Copula分布不能很好地拟合U和V的相关性，但在其他部分可以较好地拟合。
步骤3：利用基于K-means聚类的场景生成方法，将分散式风电与负荷的不准确性转化为确定性模型。
基于各时段得到的Copula模型，将模型离散生成8000个随机离散点，考虑的是分散式风电和负荷的相关性，所以生成的8000个随机离散点样本是二维的，即得到的是8000×2维样本数据。由于划分为12个时段，即得到12组8000×2维样本数据，并拼接成一个96000×2维的样本数据。选定典型场景个数为6，在96000×2维的样本数据中选择离散点16000,32000,48000,64000,80000,96000作为初始凝聚点，进行K均值聚类。
计算其他单个离散点到各类凝聚点的距离，选出距离最小值，将样本点依次划分到这6个类中，并更新每个类的中心位置。重复上步，直至达到规定的循环次数100为止。并计算各类中的随机离散点样本个数占总样本数的比例，即各场景的概率PL。最后通过概率分布函数的逆函数将所得6个场景分位点转换为实际分散式风电和负荷的场景分位点。结果如下表：
表3各典型场景下负荷和分散式风电出力分位点及概率
由结果可知各典型场景由相似的发生率，这说明了把最初点集划分为6个典型场景的合理性。
步骤4：划分为6个场景后，把每个场景的原始分位点输入优化模型，分别对每个场景进行分散式风电容量规划。优化模型包括设定目标函数及约束条件，约束条件中包含非线性潮流等式约束及不等式约束，利用fmincon函数，通过设定变量的上限ub、下限lb向量，非线性不等式约束c(x)和等式约束ceq(x)在nonlcon参数中设置，且满足,c(x)≤0,ceq(x)＝0，来求解该有约束非线性优化模型。
如图2，分散式风电安装于13号节点，负荷安装于14号节点。通过fmincon函数得到各场景在约束条件下目标函数最优解，如下表所示，结果包含各场景下分散式风电容量规划及目标函数最优值：
表4各场景分散式风电出力及目标函数值
| 场景 | 概率 | 分散式风电出力p.u. | 目标函数值($) |
| 1 | 0.1834 | 0.5414 | 192600 |
| 2 | 0.1525 | 0.2205 | 1575.00 |
| 3 | 0.1566 | 0.2136 | 1555.92 |
| 4 | 0.1179 | 0.1221 | 1313.06 |
| 5 | 0.1388 | 0.5000 | 2291.19 |
| 6 | 0.1808 | 0.5422 | 190835 |
最终分散式容量规划以各场景概率为权重，即：
PDWG＝0.5414*PL(1)+0.2205*PL(2)+0.2136*PL(3)+0.1221*PL(4)+0.5*PL(5)+0.5422*PL(6)＝0.3481(p.u.)，由于***设置的基准容量为100MVA，最终分散式风电场容量规划为34.81MVA。
综上，针对不同时段结构特征不同的变量，建立变结构Copula模型，能够更灵活地捕捉到变量间相关结构的变动，相比其他单一模型，该模型拟合效果更好，并能更准确实现可靠的分散式风电容量规划。
以上是本发明的较佳实施例，本方法不限于IEEE30节点的测试***，其他测试***同样适用。
Claims (5)
1.一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法，其特征在于，该方法包括以下步骤：
(1)建立ARMA模型预测地区负荷及分散式风电出力；
(2)根据预测值做变量间相关性分析，建立最优的变结构Copula模型；
(3)利用K-means聚类划分得到典型场景，并得到各场景负荷与分散式风电值，即分位点；
(4)建立含分散式风电的***优化调度模型对各场景分位点进行容量规划。
2.根据权利要求1所述的一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法，其特征在于，步骤(1)中，包括下述步骤：
(1-1)建立ARMA模型对地区负荷与风电出力数据进行预测；
(1-2)对集中式风电容量进行折合，公式如下：
其中，集中式风电装机为风力发电机组额定功率总和，分散式风电装机为规定规划分散式风电容量的最大值，集中式风电出力预测值为原始风电数据输入ARMA模型得到的预测结果，分散式风电出力预测值是集中式风电出力预测值经容量折合的结果，即为所求；
步骤(1-1)中，所述的ARMA模型为：
Yt＝β0+β1Yt-1+β2Yt-2+···+βpYt-p+εt+α1εt-1+α2εt-2+···+αqεt-q
其中，Yt为负荷或分散式风电的时间序列，Yt-p为当前时间点t之前的第p个时间点的时间序列，β为相关系数，εt是当前时间点t预测的误差项，εt-q为当前时间点t之前的第q个时间点的误差项，α为相关系数，体现预测误差项在不同时期的依存关系，p为自回归过程阶数、q为移动平均过程阶数，然后通过计算ARMA(p,q)模型的AIC指标为模型定阶，公式如下：
其中，σ2为预测误差项的方差，N为历史数据个数，p、q为ARMA(p,q)模型的阶数且为整数；预设p、q范围，从低阶开始逐个计算多组p、q下的AIC值，选择AIC值最小时对应的p、q值为最优ARMA(p,q)模型；
(1-3)分别以地区负荷及集中式风电出力构成的时间序列为原始数据，输入ARMA模型求解出最优模型对应的阶数p、q，通过历史数据输入到模型中预测出未来时间点的负荷和集中式风电出力数据。
3.根据权利要求1或2所述的一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法，其特征在于，步骤(2)中，所述模型建立以及求得分为点包括以下步骤：
(2-1)按月份或季度划分时段；
(2-2)确定各时段内负荷与分散式风电的边缘概率分布函数；
(2-3)基于负荷与分散式风电的边缘概率分布函数，分别建立各基本Copula模型：正态Copula，t-Copula，Clayton Copula，GumbelCopula，Frank Copula，根据极大似然估计法，计算各Copula函数参数，画出密度函数图、分布函数图；
(2-4)定义目标Copula函数，计算目标Copula各参数并根据评判指标对(2-3)中各模型进行评价；评判指标包括Pearson系数、Kendall系数、Spearman系数、各Copula模型与目标Copula的欧式平方距离；
(2-5)对比各Copula参数估计结果，选择与目标Copula参数值最接近的参数个数最多的模型为最佳模型。
4.根据权利要求3所述的一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法，其特征在于，步骤(3)中，所述划分典型场景步骤如下：
(3-1)将所得各时段Copula模型离散化，得到n个离散点，从n个离散点任意选择k个数据点作为初始凝聚中心点；
(3-2)除凝聚中心的其余对象，将其余各点与各凝聚中心的距离对比，距离最近的归为该类，并更新聚类；
(3-3)计算每个所获新聚类的聚类中心，即均值，并更新聚类中心；
(3-4)循环步骤(3-2)至(3-3)，至达到设置的循环次数为止；
(3-5)通过边缘概率分布函数求逆，得到实际负荷和分散式风电分位点。
5.根据权利要求4所述的一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法，其特征在于，步骤(4)中，建立含分散式风电的***优化调度模型对各场景分位点进行容量规划，方法如下：
(4-1)典型场景下的电力***优化建模，以分散式风电场投资运行费用及环保收益以及电力***线路损耗费用为目标函数，函数表达式如下：
F＝min(f1+f2)
f1为分散式风电场投资运行费用及环保收益，表达式如下：
其中，PDWG表示规划的分散式风电容量，Cwt表示分散式风电场的初始投资成本，Csr表示单位容量的环保收益，r0表示折现率，T表示分散式风电场运行年限；
f2为电力***线路损耗费用，表达式如下：
其中，N为***节点数，ΔUij为***节点i与节点j之间的电压差，Zij为支路ij的阻抗值，Cdj表示线路损耗单位造价，δ表示功率因数；
(4-2)约束条件的设置包括潮流约束、发电机有功无功出力约束、风电容量约束、电压约束、相角约束，具体函数表达式如下：
PGimin≤PGi≤PGimax
QGimin≤QGi≤QGimax
0≤PDWG≤PDWGmax
Uimin≤Ui≤Uimax
|θi-θj|≤|θi-θj|max
其中，N为***节点数，PGi、QGi为发电机组的有功及无功出力，PGimin,PGimax为发电机有功出力上下限值，QGimin,QGimax为发电机无功出力上下限值，PDi，QDi为测试***中节点负荷有功值及无功值，PDWG为规划的分散式风电容量，Ui,Uj为***节点电压，Uimin,Uimax为***电压上下限值，Gij,Bij为支路i-j的电导、电纳，θij为节点i，节点j间的相角差，PDWGmax为规定的分散式风电容量上限，θi，θj分别为节点i，节点j的电压相角，根据优化模型目标函数和约束条件的设置，求解各场景进行分散式风电容量规划。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910561217.2A CN110380444B (zh) | 2019-06-26 | 2019-06-26 | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910561217.2A CN110380444B (zh) | 2019-06-26 | 2019-06-26 | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110380444A true CN110380444A (zh) | 2019-10-25 |
| CN110380444B CN110380444B (zh) | 2022-04-01 |
Family
ID=68249494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910561217.2A Active CN110380444B (zh) | 2019-06-26 | 2019-06-26 | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110380444B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826644A (zh) * | 2019-11-21 | 2020-02-21 | 国网江苏省电力有限公司南通供电分公司 | 基于Copula函数的分布式电源时序联合出力典型场景生成方法 |
| CN111160713A (zh) * | 2019-12-06 | 2020-05-15 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多维联合分布理论的复合绝缘子可靠性评估方法 |
| CN111709454A (zh) * | 2020-05-22 | 2020-09-25 | 东南大学 | 一种基于最优copula模型的多风电场出力聚类评估方法 |
| CN111859283A (zh) * | 2020-06-02 | 2020-10-30 | 天津大学 | 一种考虑多能源荷时序性、相关性的场景生成方法 |
| CN112116153A (zh) * | 2020-09-18 | 2020-12-22 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
| CN115660187A (zh) * | 2022-11-02 | 2023-01-31 | 国家电网有限公司 | 一种低碳小镇地源热泵容量优化配置方法 |
-
2019
- 2019-06-26 CN CN201910561217.2A patent/CN110380444B/zh active Active
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826644A (zh) * | 2019-11-21 | 2020-02-21 | 国网江苏省电力有限公司南通供电分公司 | 基于Copula函数的分布式电源时序联合出力典型场景生成方法 |
| CN111160713A (zh) * | 2019-12-06 | 2020-05-15 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多维联合分布理论的复合绝缘子可靠性评估方法 |
| CN111160713B (zh) * | 2019-12-06 | 2020-12-08 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多维联合分布理论的复合绝缘子可靠性评估方法 |
| CN111709454A (zh) * | 2020-05-22 | 2020-09-25 | 东南大学 | 一种基于最优copula模型的多风电场出力聚类评估方法 |
| CN111709454B (zh) * | 2020-05-22 | 2022-06-07 | 东南大学 | 一种基于最优copula模型的多风电场出力聚类评估方法 |
| CN111859283A (zh) * | 2020-06-02 | 2020-10-30 | 天津大学 | 一种考虑多能源荷时序性、相关性的场景生成方法 |
| CN111859283B (zh) * | 2020-06-02 | 2024-04-02 | 天津大学 | 一种考虑多能源荷时序性、相关性的场景生成方法 |
| CN112116153A (zh) * | 2020-09-18 | 2020-12-22 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
| CN112116153B (zh) * | 2020-09-18 | 2022-10-04 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
| CN115660187A (zh) * | 2022-11-02 | 2023-01-31 | 国家电网有限公司 | 一种低碳小镇地源热泵容量优化配置方法 |
| CN115660187B (zh) * | 2022-11-02 | 2024-04-30 | 国家电网有限公司 | 一种低碳小镇地源热泵容量优化配置方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110380444B (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110380444A (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN109272176B (zh) | 利用K-means聚类算法对台区线损率预测计算方法 | |
| Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
| CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
| Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
| CN112184070B (zh) | 一种协同生态流量需求的梯级水电站多目标优化调度方法及*** | |
| Kim et al. | Methods for generating TLPs (typical load profiles) for smart grid-based energy programs | |
| CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
| CN105590174A (zh) | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 | |
| CN109508823A (zh) | 一种基于场景分析法的配电网中分布式电源规划方法 | |
| CN110109971A (zh) | 一种低压台区用户用电负荷特性分析方法 | |
| CN110033134A (zh) | 一种考虑气象因素的逐日分段短期负荷预测算法 | |
| CN108960485A (zh) | 一种源-荷互动电力市场下的在线字典学习概率最优潮流方法 | |
| CN110298494A (zh) | 一种基于分段聚类及组合优化的风电功率预测方法 | |
| CN117060470A (zh) | 一种基于灵活性资源的配电网电压优化控制方法 | |
| CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN117595398A (zh) | 一种电力***灵活性优化方法及装置 | |
| CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
| Ding et al. | A dynamic period partition method for time-of-use pricing with high-penetration renewable energy | |
| Zhang et al. | Multi–objective cluster partition method for distribution network considering uncertainties of distributed generations and loads | |
| Zhang et al. | Time-of-use pricing model considering wind power uncertainty | |
| Nadeem et al. | Short term load forecasting on PRECON dataset | |
| CN109449972A (zh) | 配电线路选型方法和装置 | |
| CN109146202B (zh) | 一种基于供电分区的户均配变容量标准配置方法 | |
| Wang et al. | Power load forecasting of LSSVM based on real time price and chaotic characteristic of loads |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |