[發明專利]基于配電網概率潮流計算的分布式光伏電源選址優化方法

在審

• 申請號: 202110295923.4
• 申請日: 2021-03-19
• 公開（公告）號: CN112994017A
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 周嘉;王棟;徐曉軼;蔡超;韓俊;蔣瑋;陳顥元
• 申請（專利權）人: 國網江蘇省電力有限公司南通供電分公司;國網江蘇省電力有限公司經濟技術研究院;東南大學
• 主分類號: H02J3/06
• 分類號: H02J3/06
• 代理公司: 南通市永通專利事務所(普通合伙) 32100
• 代理人: 葛雷

1.一種基于配電網概率潮流計算的分布式光伏電源選址優化方法，其特征是：包括如下步驟：

構建考慮配電網動態特性的多目標優化模型；

獲取并清洗實施例中含分布式光伏接入的配電網中母線電壓、配變負荷以及光伏電源出力一年的歷史數據；

采用拉丁超立方采樣法從母線電壓、負荷與光伏出力的歷史數據中抽取N個樣本，作為配電網概率潮流計算的網絡運行狀態；

如果配電網拓撲未知，依據配電網歷史運行數據辨識配電網拓撲，作為概率潮流計算的拓撲基礎；

以采樣的樣本作為輸入，對不同運行狀態下的配電網進行潮流計算，從而把DG選址這一動態多目標優化問題轉化為多場景的靜態多目標優化問題進行分析；

依據SOP的目標函數從潮流計算結果中獲取該方案的評分，利用向量評估遺傳算法對方案進行優化，迭代計算至算法收斂為止，獲得的方案即為DG的最優接入方案。

2.根據權利要求1所述的基于配電網概率潮流計算的分布式光伏電源選址優化方法，其特征是：所述目標函數主要包括網絡損耗、電壓質量是衡量配電網運行狀態的兩項重要指標；DG的選址往往不能同時使這兩項指標達到最優水平，為協調它們之間的矛盾，建立了包括網絡損耗和電壓質量的SOP模型。

3.根據權利要求1所述的基于配電網概率潮流計算的分布式光伏電源選址優化方法，其特征是：所述多目標優化模型，從配電公司的角度未考慮DG的固定投資及運行維護費用。

4.根據權利要求1所述的基于配電網概率潮流計算的分布式光伏電源選址優化方法，其特征是：所述配電網概率潮流計算，采用拉丁超立方采樣方法對母線電壓、負荷與光伏出力的歷史數據抽樣，確保采樣值能夠覆蓋輸入隨機變量的整個分布區間。

5.根據權利要求1所述的基于配電網概率潮流計算的分布式光伏電源選址優化方法，其特征是：所述向量評估遺傳算法，采用成比例選擇機制，循環執行“分割、評價、選擇、交叉、變異”過程；使用向量評估遺傳算法進行優化的步驟為：

首先，針對SOP的目標函數產生對應的粒子種群；

然后，在未達到最大迭代次數的情況下，以目標函數為種群的評價函數，對每個粒子的適應度進行評價，選擇出適應度高的粒子；

然后，將所有種群中適應度高的粒子放入交叉池，隨機選擇種群中各的屬性進行兩兩交叉，直到新的個體依然滿足SOP的約束條件；

最后，在新的粒子滿足約束條件情況下，將變異算子作用于種群直到未達到最大變異次數，由此得到下一代群體。

6.根據權利要求1所述的基于配電網概率潮流計算的分布式光伏電源選址優化方法，其特征是：包括如下步驟：

步驟一、首先，構建考慮配電網動態特性的多目標優化模型，DG選址優化的靜態多目標優化問題模型的構建主要包括確定約束條件和確定目標函數兩個步驟；具體而言，網絡損耗、電壓質量是衡量配電網運行狀態的兩項重要指標，但DG的選址往往不能同時使這兩項指標達到最優水平，為協調它們之間的矛盾，建立了包括網絡損耗和電壓質量的SOP模型，SOP的目標函數如下：

式中：N_S為描述多時空配電網運行狀態的場景數量；N_node為測試系統中節點的個數；N_line為系統中線路的條數；P_total為線路的總傳輸功率；V_Q1為節點的電壓偏差率指標，其表達式如下：

式中：U_i為系統中第i個節點的電壓，U_N為該節點的電壓標稱值；V_Q2為國標GB/T 12326-200規定的節點的電壓波動率指標，其表達式如下：

式中：V_max為系統內節點電壓最大值；V_min為系統內節點電壓最小值；V_mean為系統內節點電壓平均值；P_loss為單條支路損耗，其表達式如下：

式中S_Gi為接入分布式光伏電源后節點i的注入功率；S_Li為節點i的負荷；P_Gi和Q_Gi分別為電源在i的有功和無功；P_Li和Q_Li分別為節點i的有功負荷和無功負荷；U_i為節點i的電壓；考慮到目前國內可再生能源發電項目中，上網電價高于當地脫硫燃煤機組標桿上網電價的部分，是通過向電力用戶征收附加電價的方式解決，因此，從配電公司的角度可不必考慮DG的固定投資及運行維護費用；

SOP模型的約束條件為：

P_ij≤P_ijmax

式中：G_ij和B_ij為節點i與節點j之間的線路導納；θ_ij為節點i，j之間的相角差；和分別為節點i的電壓U_i的下限和上限；

步驟二、獲取并清洗實施例中含DG接入的配電網中母線電壓、配變負荷以及光伏電源出力一年的歷史數據；采用拉丁超立方采樣法從母線電壓、負荷與光伏出力的歷史數據中抽取N個樣本，作為概率潮流計算的網絡運行狀態；如果配電網拓撲未知，依據配電網歷史運行數據辨識配電網拓撲，作為概率潮流計算的拓撲基礎；以采樣的樣本作為輸入，利用python分別對不同運行狀態下的配電網進行潮流計算；

利用蒙特卡洛模擬法把DG選址這一動態多目標優化問題轉化為多場景的靜態多目標優化問題進行分析；

蒙特卡洛模擬法的基本思想是對分布式電源出力、節點有功和無功負荷進行抽樣，分別對每種組合進行潮流計算，然后再從潮流結果中統計出潮流的分布情況；蒙特卡羅模擬法把不確定問題轉換為一系列確定問題來解決，具有簡單、靈活的優點；但是只有在采樣規模很大時，才能夠保證精度，計算量過大是其主要缺點；拉丁超立方采樣屬于分層采樣，是一種有效的用采樣值反映隨機變量的整體分布的方法；該方法分成以下兩步：1)采樣：對每個輸入隨機變量進行采樣，確保隨機分布區域能夠被采樣點完全覆蓋；2)排對：改變各隨機變量采樣值的排列順序，使相互獨立的隨機變量的采樣值的相關性趨于最??；

拉丁超立方采樣優于隨機采樣的原因是它確保采樣值能夠覆蓋輸入隨機變量的整個分布區間，在采樣規模相同的情況下，誤差有很大改善；誤差收斂的穩健性比隨機采樣好，可以得到較為穩定的收斂精度；并且，拉丁超立方采樣在估計輸出隨機變量的期望值時特別有效；對于相同的采樣規模N，用隨機采樣和拉丁超立方采樣得到的2個獨立隨機變量的聯合覆蓋空間百分比的期望值分別為：

上式表明，對于任何N≥2，后者的值總是比前者的值大，例如：當N＝10，由以上2個式子得到的期望值分別為66.9％和81.0％；因此，拉丁超立方采樣覆蓋的輸入隨機變量的采樣空間總是比隨機采樣的大；拉丁超立方采樣改進了采樣策略能夠做到以較小的采樣規模獲得較高的采樣精度，在實際應用中具有高效性很受歡迎；

抽取概率潮流計算樣本的做法是先抽取5000組樣本，再將這些樣本分別輸入到線路開關處于6種可能狀態組合的配電網拓撲中進行潮流計算，所有潮流計算的迭代方法均為牛頓拉夫遜算法，最終的方案對目標函數的適應度為所有樣本經過概率潮流計算得到的適應度的均值；

步驟三、基于向量評估遺傳算法對DG選址進行方案優化；基于拉丁超立方采樣的概率潮流計算將DG選址規劃問題轉化為一個靜態非線性優化問題，在SOP的目標規模不大的情況下，使用進化算法是最好的選擇；

采用向量評估遺傳算法求取問題的最優解，即DG接入方案；采用向量評估遺傳算法，采用成比例選擇機制，循環執行“分割、評價、選擇、交叉、變異”過程；首先，針對SOP的目標函數產生對應的粒子種群；接著，在未達到最大迭代次數的情況下，以目標函數為種群的評價函數，對每個粒子的適應度進行評價，選擇出適應度高的粒子；然后，將所有種群中適應度高的粒子放入交叉池，隨機選擇種群中各的屬性進行兩兩交叉，直到新的個體依然滿足SOP的約束條件；最后，在新的粒子滿足約束條件情況下，將變異算子作用于種群直到未達到最大變異次數，由此得到下一代群體；循環執行上述過程，直到滿足規定的循環次數或判斷條件，此時算法輸出的解即為對目標函數適應度最大的非劣解，亦稱Pareto解；配電網規劃人員可以依據得到的Pareto解來確定分布式光伏電源的接入點，達到優化配電網運行，節省發電成本的目的；

考慮到網絡中可選擇的接入點不多，為節省計算時間，遺傳算法的初始種群數量設置為50，最大進化次數為30次；在光伏接入點數量為2個的情況下，利用向量評估遺傳算法計算多目標優化問題的Pareto解集；在進化過程中，粒子群對目標函數的適應度進行追蹤分析，進化記錄器記錄的粒子群指標變化過程；

基于概率潮流計算的結果求得的Pareto解集對目標函數的適應度；從計算結果可以看出光伏接入后配電網的平均電壓波動率明顯大于平均電壓偏差率，這是因為光伏出力與負荷的升降特性有區別而導致的，因此分布式光伏電源接入一定要同時考慮負荷與光伏出力的時序特性，不同負荷類別的配電網光伏最優接入方案也會有所不同；

以所有不在Pareto解集內的接入方案作為基準值，求得的Pareto解集中的方案在電壓偏差率方面平均降低7.3％，在電壓波動率方面平均降低6.7％，在線損方面平均降低8.5％；在光伏出力與負荷的升降特性差異很大的配電網，分布式光伏電源接入位置優化效果較為顯著。