CN115841187A - 柔性配电网运行策略的优化方法、装置、设备及存储介质 - Google Patents

柔性配电网运行策略的优化方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115841187A
CN115841187A CN202211697886.0A CN202211697886A CN115841187A CN 115841187 A CN115841187 A CN 115841187A CN 202211697886 A CN202211697886 A CN 202211697886A CN 115841187 A CN115841187 A CN 115841187A
Authority
CN
China
Prior art keywords
distribution network
power distribution
constraint
target
power generation
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.)
Pending
Application number
CN202211697886.0A
Other languages
English (en)
Inventor
赵辉
胡平
韩璟琳
侯若松
陈志永
董昕
贺春光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Hebei Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211697886.0A priority Critical patent/CN115841187A/zh
Publication of CN115841187A publication Critical patent/CN115841187A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供柔性配电网运行策略的优化方法、装置、设备及存储介质，该方法包括：构建柔性配电网在目标时段内的多面体不确定集，基于多面体不确定集、柔性配电网中的储能模型、预先构建的目标函数、以及预设的配电网约束条件，构建柔性配电网的多目标鲁棒优化模型；其中，目标函数包括柔性配电网损耗函数和柔性配电网碳排放量函数，柔性配电网约束条件包括***潮流约束、***安全运行约束、智能软开关运行约束以及电储能***运行约束；基于列与约束生成算法以及多目标约束算法，对柔性配电网的多目标鲁棒优化模型进行求解，确定柔性配电网在目标时段内的运行策略。本发明增加了多面体不确定集，从而考虑到负荷和分布式发电带来的不确定性。

Description

柔性配电网运行策略的优化方法、装置、设备及存储介质
技术领域
本发明涉及配电网技术领域，尤其涉及一种柔性配电网运行策略的优化方法、装置、设备及存储介质。
背景技术
柔性配电网是指为能实现柔性闭环运行的配电网，先进的电力电子技术可以构建灵活、可靠、高效的配电网，既可提升城市配电***的电能质量、可靠性与运行效率，还可应对传统负荷以及比例可再生能源的波动性。柔性配电网中的智能软开关在多回馈线间具有连续负荷分配能力，能充分利用网络相互支持，安全性更高。
为了减少配电网的碳排放、促进节能减排，风电、光伏等分布式电源已经开始不断地接入到配电网中。由于风机光伏的出力，受环境影响波动较大，而储能的接入可以在一定程度上缓解这种情况，可以在时间维度转移电量，起到削峰填谷的作用。
在柔性配电网中接入储能后，如何对现有的运行策略进行优化，减少由于风光不确定性带来的影响，成为目前亟需解决的技术问题。
发明内容
本发明实施例提供了一种柔性配电网运行策略的优化方法、装置、设备及存储介质，以解决在柔性配电网中接入储能后，对现有的运行策略进行如何进行优化的问题。
第一方面，本发明实施例提供了一种柔性配电网运行策略的优化方法，包括：
构建柔性配电网在目标时段内的多面体不确定集，其中，多面体不确定集为基于柔性配电网内的分布式发电装置和载荷在典型日的运行数据生成的；
基于多面体不确定集、柔性配电网中的储能模型、预先构建的目标函数、以及预设的配电网约束条件，构建柔性配电网的多目标鲁棒优化模型；其中，目标函数包括柔性配电网损耗函数和柔性配电网碳排放量函数，柔性配电网约束条件包括***潮流约束、***安全运行约束、智能软开关运行约束以及电储能***运行约束；
基于列与约束生成算法以及多目标约束算法，对柔性配电网的多目标鲁棒优化模型进行求解，确定柔性配电网在目标时段内的运行策略。
在一种可能的实现方式中，分布式发电装置包括风力发电装置和光伏发电装置；
构建柔性配电网在目标时段内的多面体不确定集，包括：
基于光伏发电装置的有功功率预测值、光伏发电装置在目标时段内的最大向上偏差值以及最大向下偏差值、以及最大向上偏差值以及最大向下偏差值分别的权重、以及光伏发电装置的不确定算子，构建光伏发电装置在目标时段内的多面体不确定集；
基于风力发电装置的有功功率预测值、风力发电装置在目标时段内的最大向上偏差值以及最大向下偏差值、以及最大向上偏差值以及最大向下偏差值分别的权重、以及风力发电装置的不确定算子，构建风力发电装置在目标时段内的多面体不确定集；
基于载荷的有功功率预测值、载荷在目标时段内的最大向上偏差值以及最大向下偏差值、以及最大向上偏差值以及最大向下偏差值分别的权重、以及载荷的不确定算子，构建载荷在目标时段内的多面体不确定集。
在一种可能的实现方式中，基于列与约束生成算法以及多目标约束算法，对柔性配电网的多目标鲁棒优化模型进行求解，确定柔性配电网在目标时段内的运行策略，包括：
基于Epsilon约束法，将多目标鲁棒优化模型转化为单目标求解问题；
基于列与约束生成算法、光伏发电装置、风力发电装置以及载荷分别在目标时段内的多面体不确定集，对单目标求解问题进行求解，得到一个帕累托前沿解集；
基于模糊隶属度算法，将帕累托前沿解集中的最优解作为柔性配电网在目标时段内的运行策略。
在一种可能的实现方式中，光伏发电装置的不确定算子的大小是由光伏发电装置的多面体不确定集的预测区间的综合区间宽度、以及该不确定算子的预设取值范围决定的；
风力发电装置的不确定算子的大小是由风力发电装置的多面体不确定集的预测区间的综合区间宽度、以及该不确定算子的预设取值范围决定的；
载荷的不确定算子的大小是由载荷的多面体不确定集的预测区间的综合区间宽度、以及该不确定算子的预设取值范围决定的。
在一种可能的实现方式中，光伏发电装置在目标时段内的多面体不确定集ΩW为：
Figure BDA0004022904390000031
风力发电装置在目标时段内的多面体不确定集ΩM为：
Figure BDA0004022904390000032
载荷在目标时段内的多面体不确定集ΩL为：
Figure BDA0004022904390000033
其中，
Figure BDA0004022904390000041
Figure BDA0004022904390000042
Figure BDA0004022904390000043
Figure BDA0004022904390000044
/>
Figure BDA0004022904390000045
Figure BDA0004022904390000046
wn,t为考虑不确定性的节点n处t时刻的光伏发电有功功率值，
Figure BDA0004022904390000047
为光伏发电有功功率预测值，/>
Figure BDA0004022904390000048
分别是在t时刻的最大向上偏差值和最大向下偏差值，Nw,T分别为接有光伏发电的节点集合和调度周期内的所有时刻的集合，CIWw为不确定算子/>
Figure BDA0004022904390000049
对应的综合区间宽度，CIWwmin和CIWwmax分别为CIWw最小、最大区间宽度，∏wmin和∏wmax分别为不确定算子/>
Figure BDA00040229043900000410
的最小值、最大值；mn,t为考虑不确定性的节点n处t时刻的风力发电有功功率值，
Figure BDA00040229043900000411
为风力发电有功功率预测值，/>
Figure BDA00040229043900000412
分别是在t时刻的最大向上偏差值和最大向下偏差值，NM,T分别为接有风力发电的节点集合和调度周期内的所有时刻的集合，CIWm为不确定算子/>
Figure BDA00040229043900000413
对应的综合区间宽度，CIWmmin和CIWmmax分别为CIWm最小、最大区间宽度，∏mmin和∏mmax分别为不确定算子/>
Figure BDA00040229043900000414
的最小值、最大值；ln,t为考虑不确定性的节点n处t时刻的载荷有功功率值，/>
Figure BDA00040229043900000415
为载荷有功功率预测值，/>
Figure BDA00040229043900000416
分别是在t时刻的最大向上偏差值和最大向下偏差值，NL,T分别为接有载荷的节点集合和调度周期内的所有时刻的集合，TIEl为不确定算子/>
Figure BDA00040229043900000417
对应的综合区间宽度,CIWlmin和CIWlmax分别为CIWl最小、最大区间宽度，∏lmin和∏lmax分别为不确定算子/>
Figure BDA00040229043900000418
的最小值、最大值。
在一种可能的实现方式中，柔性配电网损耗函数包括网络损耗和智能软开关运行产生的损耗；
柔性配电网损耗函数obj1为：
Figure BDA0004022904390000051
柔性配电网碳排放量函数obj2为：
Figure BDA0004022904390000052
其中，rij为线路ji上的电阻值，Pji,,Qji,为t时刻线路ji上有功功率和无功功率，Ui,t为t时刻节点i处的电压，
Figure BDA0004022904390000053
为t时刻智能软开关在节点i处产生的损耗，/>
Figure BDA0004022904390000054
为t时刻智能软开关在节点j处产生的损耗，/>
Figure BDA0004022904390000055
为外购电力折算成碳排放系数；Pin()为外购电量，T为总时刻数，N为节点总数。
在一种可能的实现方式中，储能模型E(t)为：
Figure BDA0004022904390000056
***潮流约束为基于DistFlow支路潮流模型建立的；
***潮流约束包括：
Figure BDA0004022904390000057
Figure BDA0004022904390000058
Figure BDA0004022904390000059
Figure BDA00040229043900000510
Figure BDA00040229043900000511
Figure BDA00040229043900000512
其中，E(t)为t时刻的蓄电池的电量，E(t-1)是上一时刻的蓄电池电量，Pdis()为t时刻蓄电池的放电功率，Pch()为t时刻蓄电池的充电功率，Δt为时间间隔，ηbess.、ηbess.分别为蓄电池的充电效率、放电效率；Ui,t为t时刻节点i处的电压，Iji,tPji,t,Qji,分别为t时刻线路ji上流过的电流、有功功率和无功功率，Rij，Xij分别为线路ji的电阻值与电抗值；Pi,t，Qi,t分别为t时刻向节点i注入的有功功率和无功功率；
Figure BDA0004022904390000061
分别为t时刻节点i上可再生能源接入端口、SOP端口输出的有功功率、储能放电、储能充电和负荷消纳的有功功率；/>
Figure BDA0004022904390000062
分别为t时刻节点i上可再生能源接入端口、SOP端口输出和负荷消纳的无功功率；μi,t为t时刻节点i的负荷波动系数。
第二方面，本发明实施例提供了一种柔性配电网运行策略的优化装置，包括：
构建不确定集模块，用于构建柔性配电网在目标时段内的多面体不确定集，其中，多面体不确定集为基于柔性配电网内的分布式发电装置和载荷在典型日的运行数据生成的；
构建模型模块，用于基于多面体不确定集、柔性配电网中的储能模型、预先构建的目标函数、以及预设的配电网约束条件，构建柔性配电网的多目标鲁棒优化模型；其中，目标函数包括柔性配电网损耗函数和柔性配电网碳排放量函数，配电网约束条件包括***潮流约束、***安全运行约束、智能软开关运行约束以及电储能***运行约束；
确定策略模块，用于基于列与约束生成算法以及多目标约束算法，对柔性配电网的多目标鲁棒优化模型进行求解，确定柔性配电网在目标时段内的运行策略。
第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种柔性配电网运行策略的优化方法、装置、设备及存储介质，首先，构建柔性配电网在目标时段内的多面体不确定集，然后，基于多面体不确定集、柔性配电网中的储能模型、预先构建的目标函数、以及预设的配电网约束条件，构建柔性配电网的多目标鲁棒优化模型。最后，基于列与约束生成算法以及多目标约束算法，对柔性配电网的多目标鲁棒优化模型进行求解，确定柔性配电网在目标时段内的运行策略。通过考虑风光出力存在波动性，在构建柔性配电网的多目标鲁棒优化模型时增加了多面体不确定集，从而考虑到负荷和分布式发电带来的不确定性；通过对柔性配电网损耗以及柔性配电网碳排放量的约束，构成两阶段鲁棒优化模型，提升了配电网对可再生能源的消纳能力，降低了***网损的同时改善了配电网的环保性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的柔性配电网运行策略的优化方法的实现流程图；
图2是本发明实施例提供的SOP提供有功功率和无功功率的运行区间示意图；
图3是本发明实施例提供的Epsilon约束法生成的Pareto前沿解集示意图；
图4是本发明实施例提供的鲁棒优化求解流程图；
图5是本发明实施例提供的柔性配电网运行策略的优化装置的结构示意图；
图6是本发明实施例提供的电子设备的示意图。
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***结构、技术之类的具体细节，以便透彻理解本发明实施例。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。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
在风力发电装置、光伏发电装置以及储能设备的接入后，如何协调上述装置的运行，如何保证多目标运行，对配电网运行提出了更高的要求的同时也带来了极大的挑战。分布式电源的出力具有明显的间歇性与波动性特征，传统的确定性优化已经无法满足日益增加的配网需求，鲁棒优化技术成为应对该问题的必要手段。同时，基于智能软开关(SoftOpen Point，SOP)的配电网在提升可再生能源消纳、减少网损等方面优势显著，柔性配电网的构建和规划运行是未来配网发展新方向。
在柔性配电网中，电池储能与源-荷不确定性的存在对***优化运行有着非常显著的影响，如何合理的应对风光出力和负荷的不确定性，并充分考虑到储能的时间特性，让柔性***发挥更大的经济价值与环保作用具有非常重要的现实意义。
在柔性配电网中接入储能后，如何对现有的运行策略进行优化，减少由于风光不确定性带来的影响，成为目前亟需解决的技术问题。
为了解决现有技术问题，本发明实施例提供了一种柔性配电网运行策略的优化方法、装置、设备及存储介质。下面首先对本发明实施例所提供的柔性配电网运行策略的优化方法进行介绍。
参见图1，其示出了本发明实施例提供的柔性配电网运行策略的优化方法的实现流程图，详述如下：
步骤S110、构建柔性配电网在目标时段内的多面体不确定集。
其中，多面体不确定集为基于柔性配电网内的分布式发电装置和载荷在典型日的运行数据生成的。基于分布式发电装置和载荷在各季节典型日的运行数据生成期望场景。
目前，多采用盒式不确定集，鲁棒优化解出的最恶劣的场景的结果往往过于保守，得到的决策结果经济性也较差。而多面体不确定集相比于传统盒式不确定集应用了不确定算子进一步限制了不确定变量偏离预测值的频率，允许鲁棒优化自适应地调整决策风险和保守度。
在一些实施例中，分布式发电装置包括风力发电装置和光伏发电装置。当然，也可以根据使用场景，选择其他类型的分布式发电装置，此处不做限定。
在此实施例中，柔性配电网在目标时段内的多面体不确定集包括光伏发电装置在目标时段内的多面体不确定集、风力发电装置在目标时段内的多面体不确定集和载荷在目标时段内的多面体不确定集。
光伏发电装置在目标时段内的多面体不确定集可以基于光伏发电装置的有功功率预测值、光伏发电装置在目标时段内的最大向上偏差值以及最大向下偏差值、以及最大向上偏差值以及最大向下偏差值分别的权重、以及光伏发电装置的不确定算子构建而成。其中，光伏发电装置的不确定算子的大小是由光伏发电装置的多面体不确定集的预测区间的综合区间宽度、以及该不确定算子的预设取值范围决定的。
示例性的，光伏发电装置在目标时段内的多面体不确定集ΩW为：
Figure BDA0004022904390000091
其中，wn,t为考虑不确定性的节点n处t时刻的光伏发电有功功率值，
Figure BDA0004022904390000092
为光伏发电有功功率预测值，/>
Figure BDA0004022904390000093
分别是在t时刻的最大向上偏差值和最大向下偏差值，NW,T分别为接有光伏发电的节点集合和调度周期内的所有时刻的集合。
通过引入[0,1]随机变量
Figure BDA0004022904390000094
和/>
Figure BDA0004022904390000095
来表示wn,t，会在/>
Figure BDA0004022904390000096
范围内波动。不确定算子/>
Figure BDA0004022904390000101
进一步限制了整个时间窗口内的不确定波动度。当/>
Figure BDA0004022904390000102
时，不考虑不确定性，wn,t直接等于预测值，调度问题变成了一个传统的确定性优化问题，所得的运行方案的鲁棒性减弱.当/>
Figure BDA0004022904390000103
时，wn,t在整个时间段内都位于不确定区间的边界上，光伏出力的波动范围更大，***决策方案的鲁棒性增强但经济性也随之减弱。
风力发电装置在目标时段内的多面体不确定集可以基于风力发电装置的有功功率预测值、风力发电装置在目标时段内的最大向上偏差值以及最大向下偏差值、以及最大向上偏差值以及最大向下偏差值分别的权重、以及风力发电装置的不确定算子构建。其中，风力发电装置的不确定算子的大小是由风力发电装置的多面体不确定集的预测区间的综合区间宽度、以及该不确定算子的预设取值范围决定的。
示例性的，风力发电装置在目标时段内的多面体不确定集ΩM为：
Figure BDA0004022904390000104
其中，mn,t为考虑不确定性的节点n处t时刻的风力发电有功功率值，
Figure BDA0004022904390000105
为风力发电有功功率预测值，/>
Figure BDA0004022904390000106
分别是在t时刻的最大向上偏差值和最大向下偏差值，NM,T分别为接有风力发电的节点集合和调度周期内的所有时刻的集合。
通过引入[0,1]随机变量
Figure BDA0004022904390000107
和/>
Figure BDA0004022904390000108
来表示mn,t，会在/>
Figure BDA0004022904390000109
Figure BDA00040229043900001010
范围内波动。不确定算子/>
Figure BDA00040229043900001011
进一步限制了整个时间窗口内的不确定波动度。当
Figure BDA00040229043900001012
时，不考虑不确定性，mn,t直接等于预测值，调度问题变成了一个传统的确定性优化问题，所得的运行方案的鲁棒性减弱.当/>
Figure BDA00040229043900001013
时，mn,t在整个时间段内都位于不确定区间的边界上，风力出力的波动范围更大，***决策方案的鲁棒性增强但经济性也随之减弱。NT为全时间尺度。
载荷在目标时段内的多面体不确定集可以基于风力发电装置的有功功率预测值、风力发电装置在目标时段内的最大向上偏差值以及最大向下偏差值、以及最大向上偏差值以及最大向下偏差值分别的权重、以及风力发电装置的不确定算子构建。其中，载荷的不确定算子的大小是由载荷的多面体不确定集的预测区间的综合区间宽度、以及该不确定算子的预设取值范围决定的。
示例性的，载荷在目标时段内的多面体不确定集ΩL为：
Figure BDA0004022904390000111
其中，ln,t为考虑不确定性的节点n处t时刻的载荷有功功率值，
Figure BDA0004022904390000112
为载荷有功功率预测值，/>
Figure BDA0004022904390000113
分别是在t时刻的最大向上偏差值和最大向下偏差值，NL,T分别为接有载荷的节点集合和调度周期内的所有时刻的集合。
通过引入[0,1]随机变量
Figure BDA0004022904390000114
和/>
Figure BDA0004022904390000115
来表示ln,t，会在/>
Figure BDA0004022904390000116
范围内波动。不确定算子/>
Figure BDA0004022904390000117
进一步限制了整个时间窗口内的不确定波动度。当/>
Figure BDA0004022904390000118
时，不考虑不确定性，ln,t直接等于预测值，调度问题变成了一个传统的确定性优化问题，所得的运行方案的鲁棒性减弱。当/>
Figure BDA0004022904390000119
时，ln,t在整个时间段内都位于不确定区间的边界上，载荷出力的波动范围更大，***决策方案的鲁棒性增强但经济性也随之减弱。NT为全时间尺度。
多面体不确定集中通过采用不确定算子进一步限定了不确定变量偏离预测值的频率，可以允许鲁棒优化自适应地调整决策风险和保守度。
进一步的，在获得预测区间后，可通过不确定算子
Figure BDA00040229043900001110
进一步调节***的鲁棒性。区间预测的宽度信息能够为不确定算子的设定提供一种参考，能够一定程度上指导***操作员对***鲁棒性的调节。
通过考虑预测相关性的自适应不确定算子设置的方法，基于预测区间的平均宽度设定不确定算子的大小。具体为：
首先，计算光伏发电装置的多面体不确定集的不确定算子
Figure BDA00040229043900001111
对应的综合区间宽度CIWw为：
Figure BDA00040229043900001112
NT为全时间尺度。
风力发电装置的多面体不确定集的不确定算子
Figure BDA0004022904390000121
对应的综合区间宽度CIWm为：
Figure BDA0004022904390000122
载荷的多面体不确定算子
Figure BDA0004022904390000123
的对应的综合区间宽度CIWl为：
Figure BDA0004022904390000124
然后，在获得综合区间宽度后，基于预先设定的不确定算子的取值范围，建立综合区间宽度与不确定算子之间的映射：
光伏发电装置的综合区间宽度CIWw与不确定算子
Figure BDA0004022904390000125
的映射为：
Figure BDA0004022904390000126
CIWwmin和CIWwmax分别为CIWw最小、最大区间宽度，∏wmin和∏wmax分别为不确定算子
Figure BDA0004022904390000127
的最小值、最大值。
风力发电装置的综合区间宽度CIWm与不确定算子
Figure BDA0004022904390000128
的映射为：
Figure BDA0004022904390000129
CIWmmin和CIWmmax分别为CIWm最小、最大区间宽度，∏mmin和∏mmax分别为不确定算子
Figure BDA00040229043900001210
的最小值、最大值。
载荷的综合区间宽度CIWl与不确定算子
Figure BDA00040229043900001211
的映射为：
Figure BDA00040229043900001212
CItlmin和CIWlmax分别为CIWl最小、最大区间宽度，∏lmin和∏lmax分别为不确定算子
Figure BDA00040229043900001213
的最小值、最大值。
从而，即可基于综合区间宽度自适应调节不确定算子的值。考虑风光出力以及负荷的不确定性，采用多面体不确定集合去描述可再生能源出力的波动性，日前计划出力会受到风光不确定性而发生改变，通过考虑风光不同场景下的修正出力对日前计划进行调整，达到日前计划准确度大大提升的效果。
步骤S120、基于多面体不确定集、柔性配电网中的储能模型、预先构建的目标函数、以及预设的配电网约束条件，构建柔性配电网的多目标鲁棒优化模型。
其中，目标函数包括柔性配电网损耗函数和柔性配电网碳排放量函数，柔性配电网约束条件包括***潮流约束、***安全运行约束、智能软开关运行约束以及电储能***运行约束。
在一些实施例中，柔性配电网中包括分布式发电装置和储能模型。
SOP作为典型智能配电柔性多状态设备，具有调节馈线负载、改善潮流分布以及优化***运行状态的优点。对于SOP技术的研究对推进智能柔性配电网的发展和实用化具有积极的作用。储能的接入可以促进可再生能源的消纳，实现时间维度上的能量转移，针对储能的研究可以提升配电网的经济效益。
在此实施例中，智能柔性开关SOP的约束包括SOP有功约束、SOP无功约束以及SOP容量约束。
具体的，SOP有功约束为：
Figure BDA0004022904390000131
Figure BDA0004022904390000132
Figure BDA0004022904390000133
SOP无功约束为：
Figure BDA0004022904390000134
SOP容量约束为：
Figure BDA0004022904390000135
其中，i，j为SOP两端连接的节点号；
Figure BDA0004022904390000136
分别为SOP的2个变流器VSC1和VSC1的有功功率、无功功率、安装容量及传输损耗；/>
Figure BDA0004022904390000137
Figure BDA0004022904390000138
分别为SOP的两端VSC无功输出的下限、上限；/>
Figure BDA0004022904390000139
为变流器的损耗系数。图2为SOP提供有功功率和无功功率的运行区间示意图。
在此实施例中，储能模型E(t)为：
Figure BDA0004022904390000141
其中，E(t)为t时刻的蓄电池的电量，E(t-1)是上一时刻的蓄电池电量，Pdis()为t时刻蓄电池的放电功率，Pch()为t时刻蓄电池的充电功率，Δt为时间间隔，ηbess.、ηbess.分别为蓄电池的充电效率、放电效率。
储能的出力约束为：
Figure BDA0004022904390000142
Pc()为t时刻电储能蓄电池的充电功率；Pd()为电储能蓄电池的放电效率；
Figure BDA0004022904390000143
分别是电储能蓄电池充、放电功率最大值。
电储能蓄电池每时刻电量都需要满足电储能电量上下限：
Emin≤E(t)≤Emax；
Emax、Emin分别表示电储能蓄电池电量上下限。
此外，考虑到电储能蓄电池日内能量转移特性，还需满足每日结束时刻能量与初始时刻能量相等的约束：
E(T)＝E(0)；
在此实施例中，对于辐射状配电***，潮流分布采用DistFlow支路潮流模型描述。
***潮流约束包括：
Figure BDA0004022904390000144
Figure BDA0004022904390000145
Figure BDA0004022904390000146
Figure BDA0004022904390000147
Figure BDA0004022904390000151
Figure BDA0004022904390000152
其中，Ui,t为t时刻节点i处的电压，Iji,tPji,t,iji,t分别为t时刻线路ji上流过的电流、有功功率和无功功率，Rij，Xij分别为线路ji的电阻值与电抗值；Pj,t，Qi,t分别为t时刻向节点i注入的有功功率和无功功率；
Figure BDA0004022904390000153
分别为t时刻节点i上可再生能源接入端口、SOP端口输出的有功功率、储能放电、储能充电和负荷消纳的有功功率；
Figure BDA0004022904390000154
分别为t时刻节点i上可再生能源接入端口、SOP端口输出和负荷消纳的无功功率；μi,t为t时刻节点i的负荷波动系数。
在一些实施例中，为了使得柔性配电网的网损最小以及碳排放量最小，本发明建立了两个目标，一个目标是为考虑***运行中损耗最小，包括网络损耗和SOP运行产生的损耗。另一个目标二是考虑***的碳排量，提高***运行的环保性。***的碳排放主要来源于购电。
在此时实例中，柔性配电网损耗函数obj1为：
Figure BDA0004022904390000155
其中，前半部分表示日内配电网运行产生的网络损耗，后半部分表示日内SOP运行时在两端产生的损耗。rij为线路ji上的电阻值，Pji,t,Qji,t为t时刻线路ji上有功功率和无功功率，Ui,t为t时刻节点i处的电压，
Figure BDA0004022904390000156
为t时刻智能软开关在节点i处产生的损耗，
Figure BDA0004022904390000157
为t时刻智能软开关在节点j处产生的损耗。
在此时实例中，考虑***使用的发电类设备皆为清洁能源，不考虑其生产运输途中造成的二氧化碳排放，即***的耗电类设备碳排放皆来源于向电网购电，均由火力机组发电产生。将其追溯到一次能源侧所产生的二氧化碳排放量为：
Figure BDA0004022904390000161
Figure BDA0004022904390000162
为外购电力折算成碳排放系数；Pin()为外购电量，T为总时刻数，N为节点总数。
在一些实施例中，柔性配电网约束条件除包括智能软开关运行约束、电储能***运行约束以及***潮流约束外，还包括***安全运行约束。
Figure BDA0004022904390000163
基于上述的多面体不确定集、柔性配电网中的储能模型、预先构建的目标函数、以及预设的配电网约束条件，即可构建柔性配电网的多目标鲁棒优化模型。
示例性的，构建的多目标鲁棒优化模型的形式为：
Figure BDA0004022904390000164
模型最外层的最小化为第1阶段问题，其优化变量x；内层的最大最小化为第2阶段问题，优化变量为u和y；A,C,D,E,M,N,Q为相应的系数矩阵；b,e,f,g,l,q为系数向量。其中，第一阶段问题和第二阶段问题分别为柔性配电网损耗最小和柔性配电网碳排放量最小。***潮流约束、***安全运行约束、智能软开关运行约束以及电储能***运行约束分别为相应的约束系数矩阵。此处就不再赘述。
步骤S130、基于列与约束生成算法以及多目标约束算法，对柔性配电网的多目标鲁棒优化模型进行求解，确定柔性配电网在目标时段内的运行策略。
本发明中考虑的网损最小和碳排放量最小两个目标函数存在明显的冲突矛盾关系，不可能同时达到最优解，因此可以通过Epsilon约束将双目标优化问题转变为易于求解的单目标优化问题，进而得到一个Pareto前沿解集。解集中所有解，均为相应目标下的最优解，难以直接判断，因此采用多目标决策中的模糊隶属度方法来对选取解集中最合理的解。
在一些实施例中，可以通过以下方法进行求解，具体为：
步骤S1310、基于Epsilon约束法，将多目标鲁棒优化模型转化为单目标求解问题。
首先结合线性手段，将上述模型中的非线性约束形式转化成二阶锥模型。将约束条件进行线性化和凸松弛，得到二阶锥约束式。将SOP的容量约束条件进行凸松弛，进而得到旋转锥约束式。
转换后的二阶锥模型为：
Figure BDA0004022904390000171
Figure BDA0004022904390000172
即可基于Epsilon约束法，将多目标鲁棒优化模型转化为单目标求解问题。
步骤S1320、基于列与约束生成算法、光伏发电装置、风力发电装置以及载荷分别在目标时段内的多面体不确定集，对单目标求解问题进行求解，得到一个帕累托前沿解集。
在转换为单目标求解问题后，即可采用C&CG算法将其分解为主子问题，利用主子问题交互迭代的方式求出最优值。
仍以上面构建的多目标鲁棒优化模型的形式为了简要说明求解的过程：
主问题即为第1阶段优化问题，主问题目标函数和约束条件为：
Figure BDA0004022904390000181
子问题对应上述2阶段鲁棒优化运行模型的第2阶段问题，子问题根据主问题中确定的第1阶段优化变量取值和第2阶段优化变量约束条件，计及不确定集中的最恶劣场景以确定第2阶段优化变量取值并为模型提供上界，同时生成新的约束条件添加至主问题中继续进行下一轮迭代求解。
对于主问题中任意给定的x*，子问题都能够求解出相应最优解。子问题目标函数和约束条件为：
Figure BDA0004022904390000182
x*为优化主问题后的运行方案。
子目标函数为最大最小化问题，是双层优化形式，该问题求解较为困难，可以采用对偶定理，通过引入拉格朗日乘子将其转化为max单层优化问题，如下式所示：
Figure BDA0004022904390000191
λ,α,β,σ和μ为拉格朗日乘子。
如图3所示，示出了Epsilon约束法生成的Pareto前沿解集示意图。
步骤S1330、基于模糊隶属度算法，将帕累托前沿解集中的最优解作为柔性配电网在目标时段内的运行策略。
如图4所示，具体的运算过程为：
首先，初始化参数：设置迭代次数k＝1，下界LB＝-∞，上界UB＝+∞和收敛精度ε；
其次，求解C&CG主问题，得到初步日前调度策略，更新下界LB；
接着，将求得的x*带入求解C&CG子问题，得到目标函数和最恶劣运行场景，更新上界UB；
最后，收敛性判断，如果UB-LB≤ε，则问题收敛，停止迭代，输出最优运行方案；否则，继续迭代，k＝k+1，返回求解C&CG主问题的步骤。
本发明中采用MATLAB下的Gurobi求解器求解，得到最终的调度运行方案。
本发明中充分考虑了光伏出力及负荷的不确定性，建立了多目标鲁棒优化规划模型，充分考虑了鲁棒优化方法的保守性和鲁棒性的平衡性，基于预测区间宽度，采用了考虑预测相关性的自适应的不确定算子设置方法，基于预测区间的平均宽度设定不确定算子的大小，从而可以充分考虑光伏出力及负荷的不确定性。通过分别考虑***损耗最小与***的环保性最优两个目标函数，采用Epsilon约束方法，将多目标问题转化成易于求解的单目标问题，得到折中解。很好提升***整体的运行经济性，增加***可再生能源的消纳能力，且对环境友好程度大大提升。
本发明提供的优化方法，首先，构建柔性配电网在目标时段内的多面体不确定集，然后，基于多面体不确定集、柔性配电网中的储能模型、预先构建的目标函数、以及预设的配电网约束条件，构建柔性配电网的多目标鲁棒优化模型。最后，基于列与约束生成算法以及多目标约束算法，对柔性配电网的多目标鲁棒优化模型进行求解，确定柔性配电网在目标时段内的运行策略。通过考虑风光出力存在波动性，在构建柔性配电网的多目标鲁棒优化模型时增加了多面体不确定集，从而考虑到负荷和分布式发电带来的不确定性；通过对柔性配电网损耗以及柔性配电网碳排放量的约束，构成两阶段鲁棒优化模型，提升了配电网对可再生能源的消纳能力，降低了***网损的同时改善了配电网的环保性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
基于上述实施例提供的柔性配电网运行策略的优化方法，相应地，本发明还提供了应用于该柔性配电网运行策略的优化方法的柔性配电网运行策略的优化装置的具体实现方式。请参见以下实施例。
如图5所示，提供了一种柔性配电网运行策略的优化装置500，该装置包括：
构建不确定集模块510，用于构建柔性配电网在目标时段内的多面体不确定集，其中，多面体不确定集为基于柔性配电网内的分布式发电装置和载荷在典型日的运行数据生成的；
构建模型模块520，用于基于多面体不确定集、柔性配电网中的储能模型、预先构建的目标函数、以及预设的配电网约束条件，构建柔性配电网的多目标鲁棒优化模型；其中，目标函数包括柔性配电网损耗函数和柔性配电网碳排放量函数，配电网约束条件包括***潮流约束、***安全运行约束、智能软开关运行约束以及电储能***运行约束；
确定策略模块530，用于基于列与约束生成算法以及多目标约束算法，对柔性配电网的多目标鲁棒优化模型进行求解，确定柔性配电网在目标时段内的运行策略。
在一种可能的实现方式中，分布式发电装置包括风力发电装置和光伏发电装置；
构建不确定集模块510，用于：
基于光伏发电装置的有功功率预测值、光伏发电装置在目标时段内的最大向上偏差值以及最大向下偏差值、以及最大向上偏差值以及最大向下偏差值分别的权重、以及光伏发电装置的不确定算子，构建光伏发电装置在目标时段内的多面体不确定集；
基于风力发电装置的有功功率预测值、风力发电装置在目标时段内的最大向上偏差值以及最大向下偏差值、以及最大向上偏差值以及最大向下偏差值分别的权重、以及风力发电装置的不确定算子，构建风力发电装置在目标时段内的多面体不确定集；
基于载荷的有功功率预测值、载荷在目标时段内的最大向上偏差值以及最大向下偏差值、以及最大向上偏差值以及最大向下偏差值分别的权重、以及载荷的不确定算子，构建载荷在目标时段内的多面体不确定集。
在一种可能的实现方式中，确定策略模块530，用于
基于Epsilon约束法，将多目标鲁棒优化模型转化为单目标求解问题；
基于列与约束生成算法、光伏发电装置、风力发电装置以及载荷分别在目标时段内的多面体不确定集，对单目标求解问题进行求解，得到一个帕累托前沿解集；
基于模糊隶属度算法，将帕累托前沿解集中的最优解作为柔性配电网在目标时段内的运行策略。
在一种可能的实现方式中，光伏发电装置的不确定算子的大小是由光伏发电装置的多面体不确定集的预测区间的综合区间宽度、以及该不确定算子的预设取值范围决定的；
风力发电装置的不确定算子的大小是由风力发电装置的多面体不确定集的预测区间的综合区间宽度、以及该不确定算子的预设取值范围决定的；
载荷的不确定算子的大小是由载荷的多面体不确定集的预测区间的综合区间宽度、以及该不确定算子的预设取值范围决定的。
在一种可能的实现方式中，光伏发电装置在目标时段内的多面体不确定集ΩW为：
Figure BDA0004022904390000221
风力发电装置在目标时段内的多面体不确定集ΩM为：
Figure BDA0004022904390000222
载荷在目标时段内的多面体不确定集ΩL为：
Figure BDA0004022904390000223
其中，
Figure BDA0004022904390000224
Figure BDA0004022904390000225
Figure BDA0004022904390000226
Figure BDA0004022904390000227
Figure BDA0004022904390000228
Figure BDA0004022904390000229
wn,t为考虑不确定性的节点n处t时刻的光伏发电有功功率值，
Figure BDA00040229043900002210
为光伏发电有功功率预测值，/>
Figure BDA0004022904390000231
分别是在t时刻的最大向上偏差值和最大向下偏差值，NW,T分别为接有光伏发电的节点集合和调度周期内的所有时刻的集合，CIWw为不确定算子/>
Figure BDA0004022904390000232
对应的综合区间宽度，CIWwmin和CIWwmax分别为CIWw最小、最大区间宽度，∏wmin和∏wmax分别为不确定算子/>
Figure BDA0004022904390000233
的最小值、最大值；mn,t为考虑不确定性的节点n处t时刻的风力发电有功功率值，
Figure BDA0004022904390000234
为风力发电有功功率预测值，/>
Figure BDA0004022904390000235
分别是在t时刻的最大向上偏差值和最大向下偏差值，NM,T分别为接有风力发电的节点集合和调度周期内的所有时刻的集合，CIWm为不确定算子/>
Figure BDA00040229043900002316
对应的综合区间宽度，CIWmmin和CIWmmax分别为CIWm最小、最大区间宽度，∏mmin和∏mmax分别为不确定算子/>
Figure BDA0004022904390000236
的最小值、最大值；ln,t为考虑不确定性的节点n处t时刻的载荷有功功率值，/>
Figure BDA0004022904390000237
为载荷有功功率预测值，/>
Figure BDA0004022904390000238
分别是在t时刻的最大向上偏差值和最大向下偏差值，NL,T分别为接有载荷的节点集合和调度周期内的所有时刻的集合，CIWl为不确定算子/>
Figure BDA0004022904390000239
对应的综合区间宽度,CIWlmin和CIWlmax分别为CIWl最小、最大区间宽度，∏lmin和∏lmax分别为不确定算子/>
Figure BDA00040229043900002310
的最小值、最大值。
在一种可能的实现方式中，柔性配电网损耗函数包括网络损耗和智能软开关运行产生的损耗；
柔性配电网损耗函数obj1为：
Figure BDA00040229043900002311
柔性配电网碳排放量函数obj2为：
Figure BDA00040229043900002312
其中，rij为线路ji上的电阻值，Pji,t,Qji,t为t时刻线路ji上有功功率和无功功率，Ui,t为t时刻节点i处的电压，
Figure BDA00040229043900002313
为t时刻智能软开关在节点i处产生的损耗，/>
Figure BDA00040229043900002314
为t时刻智能软开关在节点j处产生的损耗，/>
Figure BDA00040229043900002315
为外购电力折算成碳排放系数；Pin()为外购电量，T为总时刻数，N为节点总数。
在一种可能的实现方式中，储能模型E(t)为：
Figure BDA0004022904390000241
***潮流约束为基于DistFlow支路潮流模型建立的；
***潮流约束包括：
Figure BDA0004022904390000242
Figure BDA0004022904390000243
Figure BDA0004022904390000244
Figure BDA0004022904390000245
Figure BDA0004022904390000246
Figure BDA0004022904390000247
/>
其中，E(t)为t时刻的蓄电池的电量，E(t-1)是上一时刻的蓄电池电量，Pdis()为t时刻蓄电池的放电功率，Pch()为t时刻蓄电池的充电功率，Δt为时间间隔，ηbess.、ηbess.分别为蓄电池的充电效率、放电效率；Ui,t为t时刻节点i处的电压，Iji,tPji,t,Qji,分别为t时刻线路ji上流过的电流、有功功率和无功功率，Rij，Xij分别为线路ji的电阻值与电抗值；Pi,t，Qi,t分别为t时刻向节点i注入的有功功率和无功功率；
Figure BDA0004022904390000248
分别为t时刻节点i上可再生能源接入端口、SOP端口输出的有功功率、储能放电、储能充电和负荷消纳的有功功率；/>
Figure BDA0004022904390000249
分别为t时刻节点i上可再生能源接入端口、SOP端口输出和负荷消纳的无功功率；μi,t为t时刻节点i的负荷波动系数。
图6是本发明实施例提供的电子设备的示意图。如图6所示，该实施例的电子设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个柔性配电网运行策略的优化方法实施例中的步骤，例如图3所示的步骤110至步骤130。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块的功能，例如图5所示模块510至530的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述电子设备6中的执行过程。例如，所述计算机程序62可以被分割成图5所示的模块510至530。
所述电子设备6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是电子设备6的示例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述电子设备6的内部存储单元，例如电子设备6的硬盘或内存。所述存储器61也可以是所述电子设备6的外部存储设备，例如所述电子设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述电子设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种柔性配电网运行策略的优化方法，其特征在于，包括：
构建柔性配电网在目标时段内的多面体不确定集，其中，所述多面体不确定集为基于柔性配电网内的分布式发电装置和载荷在典型日的运行数据生成的；
基于所述多面体不确定集、所述柔性配电网中的储能模型、预先构建的目标函数、以及预设的配电网约束条件，构建所述柔性配电网的多目标鲁棒优化模型；其中，所述目标函数包括柔性配电网损耗函数和柔性配电网碳排放量函数，所述柔性配电网约束条件包括***潮流约束、***安全运行约束、智能软开关运行约束以及电储能***运行约束；
基于列与约束生成算法以及多目标约束算法，对所述柔性配电网的多目标鲁棒优化模型进行求解，确定所述柔性配电网在目标时段内的运行策略。
2.如权利要求1所述的优化方法，其特征在于，所述分布式发电装置包括风力发电装置和光伏发电装置；
所述构建柔性配电网在目标时段内的多面体不确定集，包括：
基于所述光伏发电装置的有功功率预测值、所述光伏发电装置在目标时段内的最大向上偏差值以及最大向下偏差值、以及所述最大向上偏差值以及最大向下偏差值分别的权重、以及所述光伏发电装置的不确定算子，构建所述光伏发电装置在目标时段内的多面体不确定集；
基于所述风力发电装置的有功功率预测值、所述风力发电装置在目标时段内的最大向上偏差值以及最大向下偏差值、以及所述最大向上偏差值以及最大向下偏差值分别的权重、以及所述风力发电装置的不确定算子，构建所述风力发电装置在目标时段内的多面体不确定集；
基于所述载荷的有功功率预测值、所述载荷在目标时段内的最大向上偏差值以及最大向下偏差值、以及所述最大向上偏差值以及最大向下偏差值分别的权重、以及所述载荷的不确定算子，构建所述载荷在目标时段内的多面体不确定集。
3.如权利要求2所述的优化方法，其特征在于，所述基于列与约束生成算法以及多目标约束算法，对所述柔性配电网的多目标鲁棒优化模型进行求解，确定所述柔性配电网在目标时段内的运行策略，包括：
基于Epsilon约束法，将所述多目标鲁棒优化模型转化为单目标求解问题；
基于列与约束生成算法、所述光伏发电装置、风力发电装置以及载荷分别在目标时段内的多面体不确定集，对所述单目标求解问题进行求解，得到一个帕累托前沿解集；
基于模糊隶属度算法，将所述帕累托前沿解集中的最优解作为所述柔性配电网在目标时段内的运行策略。
4.如权利要求2所述的优化方法，其特征在于，所述光伏发电装置的不确定算子的大小是由所述光伏发电装置的多面体不确定集的预测区间的综合区间宽度、以及该不确定算子的预设取值范围决定的；
所述风力发电装置的不确定算子的大小是由所述风力发电装置的多面体不确定集的预测区间的综合区间宽度、以及该不确定算子的预设取值范围决定的；
所述载荷的不确定算子的大小是由所述载荷的多面体不确定集的预测区间的综合区间宽度、以及该不确定算子的预设取值范围决定的。
5.如权利要求4所述的优化方法，其特征在于，所述光伏发电装置在目标时段内的多面体不确定集ΩW为：
Figure FDA0004022904380000021
所述风力发电装置在目标时段内的多面体不确定集ΩM为：
Figure FDA0004022904380000022
所述载荷在目标时段内的多面体不确定集ΩL为：
Figure FDA0004022904380000031
其中，
Figure FDA0004022904380000032
Figure FDA0004022904380000033
Figure FDA0004022904380000034
Figure FDA0004022904380000035
Figure FDA0004022904380000036
Figure FDA0004022904380000037
wn,t为考虑不确定性的节点n处t时刻的光伏发电有功功率值，
Figure FDA0004022904380000038
为光伏发电有功功率预测值，
Figure FDA0004022904380000039
分别是在t时刻的最大向上偏差值和最大向下偏差值，NW,T分别为接有光伏发电的节点集合和调度周期内的所有时刻的集合，CIWw为不确定算子
Figure FDA00040229043800000310
对应的综合区间宽度，CIWwmin和CIWwmax分别为CIWw最小、最大区间宽度，∏wmin和∏wmax分别为不确定算子
Figure FDA00040229043800000311
的最小值、最大值；mn,t为考虑不确定性的节点n处t时刻的风力发电有功功率值，
Figure FDA00040229043800000312
为风力发电有功功率预测值，
Figure FDA00040229043800000313
分别是在t时刻的最大向上偏差值和最大向下偏差值，NM,T分别为接有风力发电的节点集合和调度周期内的所有时刻的集合，CIWm为不确定算子
Figure FDA00040229043800000314
对应的综合区间宽度，CIWmmin和CIWmmax分别为CIWm最小、最大区间宽度，∏mmin和∏mmax分别为不确定算子
Figure FDA00040229043800000315
的最小值、最大值；ln,t为考虑不确定性的节点n处t时刻的载荷有功功率值，
Figure FDA00040229043800000316
为载荷有功功率预测值，
Figure FDA00040229043800000317
分别是在t时刻的最大向上偏差值和最大向下偏差值，NL,T分别为接有载荷的节点集合和调度周期内的所有时刻的集合，CIWl为不确定算子
Figure FDA00040229043800000318
对应的综合区间宽度,CIWlmin和CIWlmax分别为CIWl最小、最大区间宽度，∏lmin和∏lmax分别为不确定算子
Figure FDA0004022904380000041
的最小值、最大值，NT为全时间尺度。
6.如权利要求1所述的优化方法，其特征在于，所述柔性配电网损耗函数包括网络损耗和智能软开关运行产生的损耗；
所述柔性配电网损耗函数obj1为：
Figure FDA0004022904380000042
所述柔性配电网碳排放量函数obj2为：
Figure FDA0004022904380000043
其中，rij为线路ji上的电阻值，Pji,,Qji,为t时刻线路ji上有功功率和无功功率，Ui,t为t时刻节点i处的电压，
Figure FDA0004022904380000044
为t时刻智能软开关在节点i处产生的损耗，
Figure FDA0004022904380000045
为t时刻智能软开关在节点j处产生的损耗，
Figure FDA0004022904380000046
为外购电力折算成碳排放系数；Pin()为外购电量，T为总时刻数，N为节点总数。
7.如权利要求1所述的优化方法，其特征在于，所述储能模型E(t)为：
Figure FDA0004022904380000047
所述***潮流约束为基于DistFlow支路潮流模型建立的；
所述***潮流约束包括：
Figure FDA0004022904380000048
Figure FDA0004022904380000049
Figure FDA00040229043800000410
Figure FDA00040229043800000411
Figure FDA00040229043800000412
Figure FDA0004022904380000051
其中，E(t)为t时刻的蓄电池的电量，E(t-1)是上一时刻的蓄电池电量，Pdis()为t时刻蓄电池的放电功率，Pch()为t时刻蓄电池的充电功率，Δt为时间间隔，ηbess.、ηbess.分别为蓄电池的充电效率、放电效率；Ui,t为t时刻节点i处的电压，Iji,tPji,t,Qji,分别为t时刻线路ji上流过的电流、有功功率和无功功率，Rij，Xij分别为线路ji的电阻值与电抗值；Pi,t，Qi,t分别为t时刻向节点i注入的有功功率和无功功率；
Figure FDA0004022904380000052
分别为t时刻节点i上可再生能源接入端口、SOP端口输出的有功功率、储能放电、储能充电和负荷消纳的有功功率；
Figure FDA0004022904380000053
分别为t时刻节点i上可再生能源接入端口、SOP端口输出和负荷消纳的无功功率；μi,t为t时刻节点i的负荷波动系数。
8.一种柔性配电网运行策略的优化装置，其特征在于，包括：
构建不确定集模块，用于构建柔性配电网在目标时段内的多面体不确定集，其中，所述多面体不确定集为基于柔性配电网内的分布式发电装置和载荷在典型日的运行数据生成的；
构建模型模块，用于基于所述多面体不确定集、所述柔性配电网中的储能模型、预先构建的目标函数、以及预设的配电网约束条件，构建所述柔性配电网的多目标鲁棒优化模型；其中，所述目标函数包括柔性配电网损耗函数和柔性配电网碳排放量函数，所述配电网约束条件包括***潮流约束、***安全运行约束、智能软开关运行约束以及电储能***运行约束；
确定策略模块，用于基于列与约束生成算法以及多目标约束算法，对所述柔性配电网的多目标鲁棒优化模型进行求解，确定所述柔性配电网在目标时段内的运行策略。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202211697886.0A 2022-12-28 2022-12-28 柔性配电网运行策略的优化方法、装置、设备及存储介质 Pending CN115841187A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211697886.0A CN115841187A (zh) 2022-12-28 2022-12-28 柔性配电网运行策略的优化方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211697886.0A CN115841187A (zh) 2022-12-28 2022-12-28 柔性配电网运行策略的优化方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115841187A true CN115841187A (zh) 2023-03-24

Family

ID=85579372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211697886.0A Pending CN115841187A (zh) 2022-12-28 2022-12-28 柔性配电网运行策略的优化方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115841187A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116131365A (zh) * 2023-04-18 2023-05-16 国网山东省电力公司聊城供电公司 一种智能配电网柔性运行控制管理***及方法
CN116780638A (zh) * 2023-08-22 2023-09-19 国网天津市电力公司城南供电分公司 含软开关与分布式储能的雪花配电网运行优化方法及装置
CN117556969A (zh) * 2024-01-11 2024-02-13 武汉工程大学 一种基于概率场景驱动的柔性配电网分布式无功优化方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116131365A (zh) * 2023-04-18 2023-05-16 国网山东省电力公司聊城供电公司 一种智能配电网柔性运行控制管理***及方法
CN116131365B (zh) * 2023-04-18 2023-07-18 国网山东省电力公司聊城供电公司 一种智能配电网柔性运行控制管理***及方法
CN116780638A (zh) * 2023-08-22 2023-09-19 国网天津市电力公司城南供电分公司 含软开关与分布式储能的雪花配电网运行优化方法及装置
CN117556969A (zh) * 2024-01-11 2024-02-13 武汉工程大学 一种基于概率场景驱动的柔性配电网分布式无功优化方法
CN117556969B (zh) * 2024-01-11 2024-03-26 武汉工程大学 一种基于概率场景驱动的柔性配电网分布式无功优化方法

Similar Documents

Publication Publication Date Title
Elsied et al. Optimal economic and environment operation of micro-grid power systems
Astero et al. Improving hosting capacity of rooftop PVs by quadratic control of an LV-central BSS
CN103840457B (zh) 考虑电动汽车充放电影响的配电网内dg优化配置方法
CN115841187A (zh) 柔性配电网运行策略的优化方法、装置、设备及存储介质
CN113393172B (zh) 一种考虑配电网多设备时序运行的“源网储”规划方法
CN113541166B (zh) 一种分布式储能优化配置方法、***、终端和存储介质
Yu et al. An adaptive Marine Predators Algorithm for optimizing a hybrid PV/DG/Battery System for a remote area in China
CN110620402A (zh) 基于分布式多场景的电-气混联***规划运行联合优化方法及***
CN109636056A (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
CN112736926A (zh) 一种分布式新能源接入配电网区间仿射潮流动态优化方法
CN112561273B (zh) 一种基于改进pso的主动配电网可再生dg规划方法
CN113988384A (zh) 一种提高配电网可靠性的储能容量优化配置方法
CN112132363A (zh) 一种增强***运行鲁棒性的储能选址定容方法
Hu et al. Interval optimization based coordinated control for distribution networks with energy storage integrated soft open points
Wu et al. Wind power smoothing with energy storage system: a stochastic model predictive control approach
Wen et al. Optimal distributed energy storage investment scheme for distribution network accommodating high renewable penetration
CN115733166A (zh) 一种柔性配电网分布鲁棒运行方法和***
Hassanzadeh et al. Hierarchical optimal allocation of BESS using APT-FPSO based on stochastic programming model considering voltage sensitivity and eigenvalues analyses
Xiao et al. Network partition-based two-layer optimal scheduling for active distribution networks with multiple stakeholders
CN114050609A (zh) 一种高比例新能源电力***自适应鲁棒日前优化调度方法
Xia et al. Optimal planning of mobile energy storage in active distribution network
Zhang et al. Energy management optimization strategy of DC microgrid based on consistency algorithm considering generation economy
CN117522014A (zh) 一种考虑多重不确定性的储配网联合规划方法
Zhang et al. Scheduling wind‐battery energy storage hybrid systems in time‐of‐use pricing schemes
CN114759616B (zh) 一种考虑电力电子器件特性的微电网鲁棒优化调度方法

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