CN112884270B - 一种考虑不确定性因素的多场景配电网规划方法及*** - Google Patents
一种考虑不确定性因素的多场景配电网规划方法及*** Download PDFInfo
- Publication number
- CN112884270B CN112884270B CN202011641023.2A CN202011641023A CN112884270B CN 112884270 B CN112884270 B CN 112884270B CN 202011641023 A CN202011641023 A CN 202011641023A CN 112884270 B CN112884270 B CN 112884270B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- planning
- scene
- power
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004146 energy storage Methods 0.000 claims description 29
- 238000010248 power generation Methods 0.000 claims description 25
- 238000013178 mathematical model Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 238000009434 installation Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 6
- 230000000750 progressive effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000035699 permeability Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开提出了一种考虑不确定性因素的多场景配电网规划方法及***,结合配电网渐进规划模式,分析影响风光储和电动汽车充电站功率的不确定影响因素,生成多个场景,通过消减建立典型场景集进行配电网规划,获取最优规划方案进行配电网建设。可以有效降低不确定因素对于配电网规划的影响,提高规划的效率,提高配电网的经济性与可靠性,具有很强的实际应用背景和工程价值。
Description
技术领域
本公开涉及配电网规划相关技术领域,具体的说,是涉及一种考虑不确定性因素的多场景配电网规划方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,并不必然构成在先技术。
随着社会经济的发展,居民用电需求持续性增加,多元化电源与负荷的接入使得当前配电网在结构与功能方面发生了变化。风电光伏等分布式电源的接入,电动汽车的大量应用,储能设备的规模式发展和电力电子装置的使用,这使得不确定因素对于配电网的安全稳定运行能力提出了考验。考虑到配电网渐进规划,风光储和电动汽车充电站的建设会对配电网潮流产生显著的影响。传统配电网关注于变电站、馈线和负荷的变化,随着不确定性因素的影响作用增大,如何做好配电网规划成为适应未来配电网发展的重心。
针对配电网规划,不确定性因素将规划难度大大增加,选取合适的方法进行描述配电网不确定性会使得配电网规划更符合实际情况的发展。文献“蔡佳铭、张涛、王承民、谢宁、朱彬若.计及源荷不确定性的主动配电网网架扩展柔性规划[J].电力自动化设备,2019,39(10):109-115.”针对源荷不确定性进行柔性处理,修正预测误差,通过数学模型的建立和求解方法的选取,实现对配电网网架柔性规划,提高经济性与可靠性。文献“彭显刚,林利祥,刘艺,林卓琼.计及电动汽车和可再生能源不确定因素的多目标分布式电源优化配置[J].电网技术,2015,39(08):2188-2194.”提出了配电网分布式电源优化配置方法,根据电动汽车和分布式电源的不确定性采用概率建模方法,建立目标函数与约束条件,通过多目标规划方法实现含诸多不确定因素的最优方案求解。可见,现有技术中很少考虑不确定因素的影响,为更好的分析配电网规划,应综合考虑诸多不确定性因素影响。
发明内容
本公开为了解决上述问题,提出了一种考虑不确定性因素的多场景配电网规划方法及***,可以有效降低不确定因素对于配电网规划的影响,提高规划的效率,提高配电网的经济性与可靠性,具有很强的实际应用背景和工程价值。
为了实现上述目的,本公开采用如下技术方案:
一个或多个实施例提供了一种考虑不确定性因素的多场景配电网规划方法,结合配电网渐进规划模式,分析影响风光储和电动汽车充电站功率的不确定影响因素,生成多个场景,通过消减建立典型场景集进行配电网规划,获取最优规划方案进行配电网建设。
一个或多个实施例提供了一种考虑不确定性因素的多场景配电网规划***,包括:
不确定性因素确定模块:被配置为用于确定影响配电网规划的风光储和电动汽车充电站功率的不确定性因素;
典型场景集生成模块:被配置为用于根据不确定性因素进行场景生成和场景消减,得到典型场景集;
规划方案生成模块:被配置为用于建立双层优化数学模型,根据双层优化数学模型得到各典型场景对应的规划方案;所述双层优化数学模型以综合投资最小为上层目标函数,运行可靠性为下层目标函数;
规划方案筛选模块:被配置为用于计算规划方案对应的配电网规划时的不确定性因素与各典型场景集的欧式距离,以综合距离最小为目标寻找匹配的最优规划方案。
一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法所述的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法所述的步骤。
与现有技术相比,本公开的有益效果为:
(1)本公开在研究配电网不确定性规划时,利用场景生成与消减方法,为区分差异较大的场景采用聚类方法,从而对各组进行规划讨论,对典型场景选取合适的方法优化处理,使规划方法更好地符合配电网发展的要求。针对各典型场景规划方案,配电网利用规划时与不确定因素情况进行匹配,从而选择最佳方案进行建设,节约时间,大大提高效率。
(2)本公开建立多场景模型,将不确定性因素聚类分析,针对不同情况进行规划研究能使增加配电网的经济性和可靠性,更大程度地应对不确定性因素带来的风险挑战。
(3)本公开利用经济性与可靠性的双层规划数学模型对配电网进行规划,符合配电网的发展要求。
(4)本公开通过计算规划中与典型场景不确定因素的欧式距离,选择综合距离最短的配电网规划方案,通过建立备选规划方案库节省了实时规划时间。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的限定。
图1是本公开实施例1的配电网规划方法的流程图;
图2是本公开实施例1的双层模型规划示意图;
图3是本公开实施例1的典型场景聚类方法流程图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是,在不冲突的情况下,本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例1
在一个或多个实施方式中公开的技术方案中,如图1所示,一种考虑不确定性因素的多场景配电网规划方法,结合配电网渐进规划模式,分析影响风光储和电动汽车充电站功率的不确定影响因素,生成大量场景,通过消减建立典型场景集进行配电网规划,从而获取最优规划方案进行配电网建设,包括如下步骤:
步骤1、确定影响配电网规划的风光储和电动汽车充电站功率的不确定性因素;
步骤2、根据不确定性因素进行场景生成和场景消减,得到典型场景集;
步骤3、建立经济性与可靠性双层优化数学模型,所述双层优化数学模型以综合投资最小为上层目标函数,运行可靠性为下层目标函数,根据双层优化数学模型得到各典型场景对应的规划方案;
步骤4、计算规划方案对应的配电网规划时不确定性因素与各典型场景集的欧式距离,以综合距离最小为目标寻找匹配的最优规划方案。
本实施例在研究配电网不确定性规划时,考虑了风光储和电动汽车充电站的渐进规划,分析其中主要不确定因素的影响。
本实施例利用场景生成与消减方法,为区分差异较大的场景采用聚类方法,从而对各组进行规划讨论,对典型场景选取合适的方法优化处理,使规划方法更好地符合配电网发展的要求。针对各典型场景规划方案,配电网利用规划时与典型场景中的不确定因素情况进行匹配从而选择最佳方案进行建设,节约时间,大大提高效率。
步骤1中,结合配电网渐进规划模式,针对地区经济发展水平,风光储的单位装机成本,安装容量及使用年限,电动汽车的保有量等不确定性,针对含风光储和电动汽车充电站的配电网,研究影响渐进规划的不确定因素具有深远的意义。
配电网渐进规划模式将配电网发展看作是非线性过程,通过对***进行不断地动态反馈实现分阶段调整,着力解决现实问题,在历史的分析、把握变化规律的基础上,制定近期目标和计划,即上一步规划短期目标的实施与达成,将成为下一步的规划策略调整的基础。
对于风力光伏和光伏发电而言,单位装机成本、安装容量和使用年限的不确定性具有较大的影响;对于储能装置而言,储能单位千瓦造价和总容量的不确定性具有较大影响;对于电动汽车充电站而言,地区经济增长水平和电动汽车保有量的不确定性具有较大影响。
步骤2中,在诸多不确定因素的共同作用下,配电网规划复杂程度大大提升,难以精确地描述对于配电网影响。为简化配电网规划,通过不确定因素的数学模型形成多场景来求解问题,有助于降低建模和求解难度,同时对大量场景进行消减得到典型场景进行配电网规划。
根据不确定性因素进行场景生成和场景消减,得到典型场景集的方法,可以马尔科夫法结合蒙特卡洛法的方法,以及K-means聚类法,具体的步骤如下:
步骤21、利用马尔科夫法结合蒙特卡洛法生成大量的场景:
根据马尔科夫法计算地区经济增长水平、单位装机成本、安装容量、设备使用年限和电动汽车保有量的概率;利用蒙特卡洛法,模拟配电网运行情况,对风力发电、光伏发电、储能装置和电动汽车充电站的功率进行预测,结合预测功率和预测误差以月为时间单位进行场景构建。
本实施例利用马尔科夫法结合蒙特卡洛法对多重不确定性进行场景生成,有利于综合考虑诸多不确定性因素的共同影响。
步骤22、通过K-means聚类法进行场景消减得到典型场景集。
(1)利用马尔科夫法结合蒙特卡洛法生成大量的场景
容量不同的风光储和电动汽车充电站接入配电网时,电网的功率会发生显著变化。通过对于配电网规划数据分析,地区经济增长水平,单位装机成本,安装容量,设备使用年限和电动汽车保有量等不确定因素的变化与上一状态有关,利用马尔科夫预测法研究在随机过程,由状态Ei转为状态Ej的状态概率的条件概率P(Ej|Ei),即:
P(Ei→Ej)=P(Ej|Ei)=Pij (1)
设定随机过程有n个可能的状态,即E1,E2,…,En,则状态转移概率矩阵为:
πj(k)表示事件在初始状态为已知的条件下,经过k次状态转移后,在第k个时刻处于状态Ej的概率,计算公式为:
由于π(k)=π(k-1)P=π(0)Pk,经过k次状态转移后,预测对象在不同状态下的概率趋于稳定,地区经济增长水平,单位装机成本,安装容量,设备使用年限和电动汽车保有量等不确定因素的各状态概率可以利用马尔科夫预测法获取。
利用蒙特卡洛法,模拟配电网运行情况,对风力发电、光伏发电、储能装置和电动汽车充电站的功率进行预测。结合预测功率和预测误差以月为时间单位进行场景构建,每个场景的随机变量表达式如下:
式中:PWT,t为t时刻的风力发电功率修正值;为t时刻的风力发电功率预测值;ΔPWT,t为t时刻的风电功率预测误差值。PPV,t为t时刻的光电功率修正值;为t时刻的光伏发电电功率预测值;ΔPPV,t为t时刻的风电功率预测误差值。PEV,t为t时刻的电动汽车充电站功率修正值;为t时刻的电动汽车充电站功率预测值;ΔPEV,t为t时刻的电动汽车充电站功率预测误差值。PESS,t为t时刻的储能装置功率修正值;为t时刻的储能装置功率预测值;ΔPESS,t为t时刻的储能装置功率预测误差值。
针对风力发电、光伏发电、储能装置和电动汽车充电站的功率,设置若干的功率区间,统计处于功率区间的概率分布情况,以中间值功率Pim作为典型值,计算公式如下:
Pim=Pi-1+Pi(0<i≤N) (8)
式中Pi为i点功率值,Pi-1为i-1点功率值。
将风力发电、光伏发电、储能装置和电动汽车充电站的功率情况通过随机数配对的方式得到配电网运行时不确定因素产生的N5个场景及其相应概率分布情况。
(2)通过K-means聚类法进行场景消减
采用K-means聚类方法对场景进行消减,可以在尽可能少损失统计信息的情况下简化计算。如图3所示,具体步骤可以如下:
步骤22-1:确定聚类数目k,初始化k个簇中心U,根据生成的场景与这些聚类中心的相似度,按相似度最大分别将它们分配给与其相似的聚类中心所代表的类;
可选的,相似度的确认可以通过计算各个场景集与簇中心U的欧式距离,欧式距离最近为相似度最大。
步骤22-2:计算每个类别中所有对象的均值作为该类别的新聚类中心;
步骤22-3:直到聚类中心不再变化,将新的聚类中心作为典型场景用于后面步骤的规划计算。将所有场景聚类完成,K个聚类中心都已选取完毕。
具体的,计算步骤可以为:
1、从场景集中的数据集X={x1,x2,…,xn},将场景集划分为K个类C={ck,i=1,2,…K}。每个划分代表一个类ck,每个类ck有一个类别中心μi。
2、计算场景数据xi与类别中心μi的欧式距离,若满足||xi-μj||<||xi-μm||,m=1,2,3,…,k,m≠j,则xi∈cj。
5、当迭代次数大于最大迭代次数时,重置迭代次数,返回步骤1。
依据K-means场景消减所得的K个典型场景集,将类别中心作为典型场景数据进行配电网规划。
步骤3中是针对不确定性因素所构成的典型场景集,进行配电网规划:建立双层规划数学模型,形成配电网规划方案。根据配电网发展需求,以配电网综合投资最小为上层目标函数,以运行可靠性为下层目标函数得到对应的规划方案,如图2所示。
本实施例利用经济性与可靠性的双层规划数学模型对配电网进行规划,符合配电网的发展要求。
(1)双层规划数学模型中的上层规划模型
上层规划以配电网综合投资最小为目标函数,所述配电网综合投资可以包括风力发电投资、光伏发电投资、电动汽车充电站投资和储能装置投资。上层目标函数可以为:
minCtotal=C1+C2+C3+C4 (9)
其中,C1为风力发电投资,C2为光伏发电投资,C3为储能装置投资,C4为电动汽车充电站投资。
具体计算公式为
其中,cw代表风机单位安装成本,Ow表示风力发电年运维费用,Nw表示风力发电安装个数,Qw表示单位风机容量,mw表示风机运行年限;cs代表光伏单位安装成本,Os表示光伏发电年运维费用,Ns表示光伏发电安装个数,Qs表示单位光伏容量,ms表示光伏运行年限;cESS代表储能装置单位安装成本,OESS表示储能装置年运维费用,NESS表示储能装置安装个数,QESS表示单位储能装置容量,mESS表示储能装置运行年限;cEV代表电动汽车充电站单位安装成本,OEV表示电动汽车充电站年运维费用,NEV表示电动汽车充电站安装个数,QEV表示电动汽车充电站容量,mEV表示电动汽车充电站运行年限,d为折现率。
上层目标函数的约束条件包括:功率平衡约束和节点电压约束。
功率平衡约束包括:节点的有功功率平衡和无功功率平衡;
其中,Φ为***节点集合;U、θ分别为节点电压、功角;G、B为支路导纳参数;分别为t时刻节点i的可中断负荷、可转移负荷、储能单元无功功率;和分别为t时刻节点i所连发电机或连接上级网络的功率传输线上的有功和无功功率,和分别为t时刻节点i处风电机组的有功和无功功率、和分别为t时刻节点i处光伏阵列的有功和无功功率。
节点电压约束为:节点的电压处于电压上限和下限之间。
Ui,min≤Ui≤Ui,max (16)
其中,Ui,min、Ui,max分别为节点i的电压下限、上限。
(2)双层规划数学模型中的下层规划模型
下层规划以配电网运行可靠性为目标函数,其评价指标包括平均不足电量ENS[kWh/(户·年)、平均***断电频率SAIFI[次/(户·年)]、***年均断电时间SAIDI[h/(户·年)]和平均供电可用率ASAI(%)。
ENS=∑PiUi (17)
其中,Pi为节点i的有功功率,Ui为节点i的电压,ηi为节点i的故障率,Ni为节点i的用户数。
下层目标函数可以为:
minF=ω1ENS+ω2SAIFI+ω3SAIDI-ω4ASAI (21)
其中,ωi为相应的指标权重,由专家讨论确定或者根据经验确定相应值。
下层目标函数的约束条件包括:线路电流约束、变压器容量约束和分布式能源渗透率约束。
线路电流约束:线路的流经电流小于允许流经最大电流。
变压器容量约束:线路的变压器使用容量小于该线路连接的变压器容量。
分布式能源渗透率约束:分布式能源供电容量不大于负荷需求。
其中,Fi WT,Fi PV,Fi L分别为配电网Ω0节点i的风电容量,光伏容量和负荷需求,ω0为配电网分布式能源限制比例。
步骤4中:计算规划方案对应的配电网规划时的不确定性因素与各典型场景集的欧式距离,以综合距离最小为目标寻找匹配的最优规划方案,具体为:
基于典型场景计算所得配电网规划方案,确定配电网规划方案对应的实际电网的不确定因素,计算该实际电网的不确定因素与典型场景分类中心的欧式距离,选取与典型场景距离最短的典型场景所得的配电网规划的规划方案作为配电网建设方案。
欧式距离的计算公式为:
选取与典型场景距离最短的典型场景所得的配电网规划的规划方案作为配d电网建设方案。
本实施例通过计算规划中与典型场景不确定因素的欧式距离,选择综合距离最短的配电网规划方案,通过建立备选规划方案库节省了实时规划时间。
实施例2
本实施例提供一种考虑不确定性因素的多场景配电网规划***,包括:
不确定性因素确定模块:被配置为用于确定影响配电网规划的风光储和电动汽车充电站功率的不确定性因素;
典型场景集生成模块:被配置为用于根据不确定性因素进行场景生成和场景消减,得到典型场景集;
规划方案生成模块:被配置为用于建立双层优化数学模型,根据双层优化数学模型得到各典型场景对应的规划方案;所述双层优化数学模型以综合投资最小为上层目标函数,运行可靠性为下层目标函数;
规划方案筛选模块:被配置为用于计算规划方案对应的配电网规划时的不确定性因素与各典型场景集的欧式距离,以综合距离最小为目标寻找匹配的最优规划方案。
实施例3
本实施例提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1的方法所述的步骤。
实施例4
本实施例提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1的方法所述的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (8)
1.一种考虑不确定性因素的多场景配电网规划方法,其特征是:结合配电网渐进规划模式,分析影响风光储和电动汽车充电站功率的不确定影响因素,生成多个场景,通过消减建立典型场景集进行配电网规划,获取最优规划方案进行配电网建设;包括如下步骤:
确定影响配电网规划的风光储和电动汽车充电站功率的不确定性因素;
根据不确定性因素进行场景生成和场景消减,得到典型场景集;
建立双层优化数学模型,根据双层优化数学模型得到各典型场景对应的规划方案;所述双层优化数学模型以综合投资最小为上层目标函数,运行可靠性为下层目标函数;
计算规划方案对应的配电网规划时的不确定性因素与各典型场景集的欧式距离,以综合距离最小为目标寻找匹配的最优规划方案;基于典型场景计算所得配电网规划方案,确定配电网规划方案对应的实际电网的不确定因素,计算该实际电网的不确定因素与典型场景分类中心的欧式距离,选取与典型场景距离最短的典型场景所得的配电网规划的规划方案作为配电网建设方案;
针对风力光伏和光伏发电,不确定因素包括单位装机成本、安装容量和使用年限;针对储能装置,不确定因素包括储能单位千瓦造价和总容量;针对电动汽车充电站,不确定因素包括地区经济增长水平和电动汽车保有量。
2.如权利要求1所述的一种考虑不确定性因素的多场景配电网规划方法,其特征是:根据不确定性因素进行场景生成和场景消减,得到典型场景集的方法,为马尔科夫法结合蒙特卡洛法,以及K-means聚类法。
3.如权利要求2所述的一种考虑不确定性因素的多场景配电网规划方法,其特征是:根据不确定性因素进行场景生成和场景消减,得到典型场景集的方法,具体为:
利用马尔科夫法结合蒙特卡洛法生成大量的场景;
通过K-means聚类法进行场景消减得到典型场景集。
4.如权利要求3所述的一种考虑不确定性因素的多场景配电网规划方法,其特征是:根据不确定性因素进行场景生成和场景消减,得到典型场景集的方法包括如下步骤:
确定聚类数目k,初始化k个簇中心U,根据生成的场景与这些聚类中心的相似度,按相似度最大分别将它们分配给与其相似的聚类中心所代表的类;
计算每个类别中所有对象的均值作为该类别的新聚类中心;
直到聚类中心不再变化,将新的聚类中心作为典型场景。
5.如权利要求1所述的一种考虑不确定性因素的多场景配电网规划方法,其特征是:双层优化数学模型的上层规划以配电网综合投资最小为目标函数,所述配电网综合投资包括风力发电投资、光伏发电投资、电动汽车充电站投资和储能装置投资;
或/和
双层优化数学模型的下层规划以配电网运行可靠性为目标函数,其评价指标包括平均不足电量、平均***断电频率、***年均断电时间和平均供电可用率。
6.一种考虑不确定性因素的多场景配电网规划***,其特征是,包括:
不确定性因素确定模块:被配置为用于确定影响配电网规划的风光储和电动汽车充电站功率的不确定性因素;针对风力光伏和光伏发电,不确定因素包括单位装机成本、安装容量和使用年限;针对储能装置,不确定因素包括储能单位千瓦造价和总容量;针对电动汽车充电站,不确定因素包括地区经济增长水平和电动汽车保有量;
典型场景集生成模块:被配置为用于根据不确定性因素进行场景生成和场景消减,得到典型场景集;
规划方案生成模块:被配置为用于建立双层优化数学模型,根据双层优化数学模型得到各典型场景对应的规划方案;所述双层优化数学模型以综合投资最小为上层目标函数,运行可靠性为下层目标函数;
规划方案筛选模块:被配置为用于计算规划方案对应的配电网规划时的不确定性因素与各典型场景集的欧式距离,以综合距离最小为目标寻找匹配的最优规划方案;基于典型场景计算所得配电网规划方案,确定配电网规划方案对应的实际电网的不确定因素,计算该实际电网的不确定因素与典型场景分类中心的欧式距离,选取与典型场景距离最短的典型场景所得的配电网规划的规划方案作为配电网建设方案。
7.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-5任一项方法所述的步骤。
8.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-5任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641023.2A CN112884270B (zh) | 2020-12-31 | 2020-12-31 | 一种考虑不确定性因素的多场景配电网规划方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641023.2A CN112884270B (zh) | 2020-12-31 | 2020-12-31 | 一种考虑不确定性因素的多场景配电网规划方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884270A CN112884270A (zh) | 2021-06-01 |
CN112884270B true CN112884270B (zh) | 2023-02-17 |
Family
ID=76046657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011641023.2A Active CN112884270B (zh) | 2020-12-31 | 2020-12-31 | 一种考虑不确定性因素的多场景配电网规划方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884270B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627655B (zh) * | 2021-07-16 | 2024-03-05 | 深圳供电局有限公司 | 一种配电网灾前故障场景模拟预测方法及装置 |
CN113505939B (zh) * | 2021-07-27 | 2023-01-17 | 云南电网有限责任公司电力科学研究院 | 一种考虑不确定性因素的能源***随机规划方法及*** |
CN113723512B (zh) * | 2021-08-31 | 2022-08-02 | 南京邮电大学盐城大数据研究院有限公司 | 电动汽车光伏充电站网络的资源均衡分配方法及*** |
CN113780781B (zh) * | 2021-08-31 | 2024-07-09 | 国网河北省电力有限公司经济技术研究院 | 综合能源***的扩容设备选取方法、装置及终端 |
CN113807019A (zh) * | 2021-09-24 | 2021-12-17 | 清华大学 | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 |
CN116054167B (zh) * | 2023-03-06 | 2023-06-06 | 国网山东省电力公司聊城供电公司 | 基于配电网柔性控制器的电网综合调度管理***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868499A (zh) * | 2016-04-20 | 2016-08-17 | 电子科技大学 | 一种含风光储的电动汽车充电站容量配比方法 |
CN109508857A (zh) * | 2018-09-28 | 2019-03-22 | 国网浙江省电力有限公司经济技术研究院 | 一种主动配电网多阶段规划方法 |
CN109978404A (zh) * | 2019-04-04 | 2019-07-05 | 国网经济技术研究院有限公司 | 计及不确定性因素与场景削减的输电通道扩展规划方法 |
CN111401755A (zh) * | 2020-03-19 | 2020-07-10 | 国电南瑞科技股份有限公司 | 基于马尔科夫链的多新能源出力场景生成方法、装置及*** |
CN111639870A (zh) * | 2020-06-04 | 2020-09-08 | 国网山东省电力公司潍坊供电公司 | 考虑源荷不确定性的输电网多目标柔性规划方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109559035B (zh) * | 2018-11-29 | 2022-11-29 | 国网(苏州)城市能源研究院有限责任公司 | 一种考虑灵活性的城市配电网双层规划方法 |
CN109617065B (zh) * | 2019-01-02 | 2020-09-15 | 清华大学 | 一种考虑海量运行场景的电力***输电网线路规划方法 |
CN110751368B (zh) * | 2019-09-18 | 2021-12-24 | 清华大学 | 一种考虑充电负荷灵活性的电动汽车储充站规划方法 |
-
2020
- 2020-12-31 CN CN202011641023.2A patent/CN112884270B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868499A (zh) * | 2016-04-20 | 2016-08-17 | 电子科技大学 | 一种含风光储的电动汽车充电站容量配比方法 |
CN109508857A (zh) * | 2018-09-28 | 2019-03-22 | 国网浙江省电力有限公司经济技术研究院 | 一种主动配电网多阶段规划方法 |
CN109978404A (zh) * | 2019-04-04 | 2019-07-05 | 国网经济技术研究院有限公司 | 计及不确定性因素与场景削减的输电通道扩展规划方法 |
CN111401755A (zh) * | 2020-03-19 | 2020-07-10 | 国电南瑞科技股份有限公司 | 基于马尔科夫链的多新能源出力场景生成方法、装置及*** |
CN111639870A (zh) * | 2020-06-04 | 2020-09-08 | 国网山东省电力公司潍坊供电公司 | 考虑源荷不确定性的输电网多目标柔性规划方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112884270A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884270B (zh) | 一种考虑不确定性因素的多场景配电网规划方法及*** | |
CN107679658B (zh) | 一种高比例清洁能源接入下的输电网规划方法 | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
CN112993979B (zh) | 配电网无功优化方法、装置、电子设备和存储介质 | |
CN111401604B (zh) | 电力***负荷功率预测方法及储能电站功率分配方法 | |
CN113193600B (zh) | 计及风电概率分布不确定性的电力***调度方法及装置 | |
Ye et al. | Optimization of hybrid energy storage system control strategy for pure electric vehicle based on typical driving cycle | |
Zeng et al. | Scenario-set-based economic dispatch of power system with wind power and energy storage system | |
CN112053035A (zh) | 考虑经济性与灵活性的输电通道与储能联合规划方法 | |
CN115456304A (zh) | 考虑台风影响的海上风电场可靠性指标计算方法及装置 | |
Zhu et al. | Research on energy storage capacity configuration for PV power plants using uncertainty analysis and its applications | |
Wen et al. | Optimal distributed energy storage investment scheme for distribution network accommodating high renewable penetration | |
CN117557009B (zh) | 一种电源效率监测方法及*** | |
Pinto et al. | Reliability‐constrained robust expansion planning of active distribution networks | |
CN117114718B (zh) | 碳排放管理方法、装置、电子设备和存储介质 | |
CN113708418A (zh) | 微电网优化调度方法 | |
CN113364043A (zh) | 一种基于条件风险价值的微电网群优化方法 | |
CN117522014A (zh) | 一种考虑多重不确定性的储配网联合规划方法 | |
CN113690930B (zh) | 基于nsga-iii算法的分布式光伏电源中长期选址定容方法 | |
CN112003279B (zh) | 层次化微电网新能源消纳能力的评估方法 | |
Zheng et al. | A comprehensive decision-making method for coordinated transmission and distribution network planning | |
Ali et al. | Distributed generation sizing and placement using computational intelligence | |
Wei et al. | Multi‐objective optimal configuration of stand‐alone microgrids based on Benders decomposition considering power supply reliability | |
Wu et al. | A distribution network flexible resource capacity configuration method with large renewable energy sources access | |
Xie et al. | Optimal Sizing of Renewables and Energy Storage System in Microgrids: The Quest for Economic Uncertainty Management |
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 |