一种含分布式电源及储能的微电网优化规划方法及系统

摘要

本发明公开一种基于智能优化算法的含分布式电源及储能的微电网优化规划方法及系统，本发明对含分布式电源及储能的微电网的优化，包括为规划设计方案提供基础数据，对待规划区域进行建模及潮流计算；确定适合待规划区域微电网接线模式；确定多类型分布式电源的待选站址；建立布点定容模型并对含多种分布式电源及储能的微电网网架进行规划设计；形成确定投资主体下的联合规划方案联合规划模块；并对联合规划方案输出评价。本发明基于分布式电源和微电网的基本特性研究，系统研究含光伏的微电网优化规划问题，合理配置指定规划区域内微电网中各种分布式电源的位置、容量及网架结构，建立完整有效、整合性强、紧密结合工程实际的微电网优化规划方案。

说明书

技术领域

本发明涉及微电网优化规划技术领域，特别是一种基于智能优化算法的含分布式电源及 储能的微电网优化规划方法及系统。

背景技术

随着电力系统负荷需求的快速增长，大规模集中式发电和超高压远距离输电逐步成为电 能生产、输送和分配的主要方式。大型电力系统投资成本高、运行难度大，且大电网供电不 能灵活跟踪负荷变化、局部事故容易恶化等也日渐凸显。因而，分布式发电和微电网技术越 来越受到重视。为减少分布式电源(DG)接入对配电网的冲击，允许更多DG的接入，作为集 成分布式电源的良好解决方案，微电网(Microgrid，MG)成为电力行业的研究热点。

微电网是由多种分布式能源、负荷组成的灵活的能量管理系统，既可以与配网并联运行， 实现局部功率的优化与平衡，也可以在大电网故障时，通过PCC点(公共连接点)断开后孤岛 运行，继续给微电网内部重要负荷供电，提高了供电可靠性和用电安全性，减少电能损失、 延缓电网的升级改造。但若分布式电源的位置与容量不合适、网架结构不当，不但无法降低 供电成本，可能还会带来电网损耗的增加、供电质量的降低等问题。

经对现有技术的文献进行检索发现，现有的技术文献中，杨艳红，裴玮等在《电力系统 自动化》(2012，36(19):30-36)上发表文献《基于动态运行策略的混合能源微网规划方法》 考虑了不同季节和分时电价的影响，针对由可再生能源发、热电联供机组及储能所组成的典 型混合能源微网系统建立了包含运行策略约束的系统规划模型。欧阳武的博士论文《含分布 式发电的配电网规划研究》(上海：上海交通大学，2009)对于含DG的配网规划进行了深入 的研究，基于DG接入对配电网的影响，建立了考虑安全约束的模型，以增强配网的运行安全 性，并采用基于St-GA的算法求解多阶段的规划模型；基于DG出力的随机性，建立了机会约 束规划模型，并采用了随机潮流的求解方法；基于DG的准入功率，建立了多目标的规划模型， 以协调配电网投资成本与DG注入功率间的关系。Y.Alinejad-Beromi,M.Sedighizadeh等 在43rd International Universities Power Engineering Conference(2008:1-5)上发表 文献《A particle swarm optimization for siting and sizing of Distributed Generation  in distribution network to improve voltage profile and reduce THD and losses》以 分布式电源的安装运行费用和热电联产的供热量为优化目标，在微网网架给定的情况下，采 用非线性规划和模拟退火算法得出分布式电源的最优布置方案。上述文献的传统规划将微电 网的分布式电源选址、定容和自身网架规划作为相互独立的解耦问题进行分析，但对如何形 成从初始地块到网架建设的整体规划方法的研究较少，难以满足微电网建设的规划要求。

发明内容

针对现有技术对于含分布式电源及储能的微电网优化规划尚未充分研究，本发明要解决 的技术问题为：基于分布式电源和微电网的基本特性研究，通过参考常规配网的规划流程， 从负荷预测、微电网形成、分布式电源选址定容、含光伏等的微电网网架规划、分布式电源 与微电网网架联合规划以及为平抑风-光发电波动性的储能优化配置等方面，系统研究含光伏 的微电网优化规划问题，合理配置微电网中分布式电源的位置、容量及网架结构，建立完整 有效、整合性强、紧密结合工程实际的基于智能优化算法的含分布式电源及储能的微电网优 化规划方法及系统。

本发明采取的技术方案具体为：

一种含分布式电源及储能的微电网优化规划方法，包括步骤：

1)确定参考基础数据，参考基础数据包括待规划区域的负荷参数、输电线路参数，待选 DG的造价、运行维护费用，各种类发电技术对应的污染物排放参数、典型污染气体的环境价 值标准及罚款标准参数；

2)利用上述参数基础数据建立各种类发电技术的出力模型，并选择适合待规划区域的 微电网潮流算法，对待规划区域进行潮流计算，得到潮流计算结果；

3)以微电网容量大小为约束条件，建立微电网划分策略；并基于等效网损微增率、电 压稳定度、负荷的重要程度的综合指标，确定分布式电源的类型、最佳容量大小及其相应的 待选站址；

4)利用参考基础数据分析得到适合待规划区域的微电网容量大小、接入电压等级以及 微电网渗透率；并基于改进最小路法进行可靠性分析，从而得到适合微电网的接线模式，确 定所规划区域的边界条件；

5)基于参考基础数据、待规划区域的接线模式和边界条件，以及潮流计算结果，参考 分布式电源安装运行费用、网络损耗费用和环境效益因素，建立布点定容的模型；并基于智 能优化算法，对含多种分布式电源及储能的微电网网架进行规划设计，得到微电网网架规划 设计的结果；所述智能优化算法为用于DG布点规划时的离散粒子群优化算法DPSO和微电 网网架规划时的改进遗传算法GA；

6)基于微电网网架规划设计结果和微电网划分策略、分布式电源的类型、最佳容量大 小及其相应的待选站址，在确定了分布式电源及储能的投资主体基础上，建立分布式电源选 址定容与微电网网架联合规划模型；将分布式电源选址定容计算模块和微电网网架规划模块 输出的优化结果交替迭代，形成确定投资主体下的联合规划方案；

7)对上述联合规划方案计算评价结果。

基于上述方法，本发明还提供一种含分布式电源及储能的微电网优化规划系统，其包括： 输入模块，配置用于接收包括：既定的负荷参数、输电线路参数、待选DG的造价、运行维护 费用、各种类发电技术对应的污染物排放参数、典型污染气体的环境价值标准及罚款标准参 数的参考基础数据；

建模及潮流计算模块，连接输入模块以获取上述参考基础数据，利用参考基础数据建立 各种类发电技术的出力模型，并选择适合待规划区域的微电网潮流算法，对待规划区域进行 潮流计算，得到潮流计算结果；

分布式电源选址定容计算模块，连接输入模块以及建模及潮流计算模块的输出端，以获 取参考基础数据以及潮流计算结果；然后以微电网容量大小为约束条件，建立微电网划分策 略；并基于等效网损微增率、电压稳定度、负荷的重要程度的综合指标，确定分布式电源的 类型、最佳容量大小及其相应的待选站址；

微电网接线模式选择模块，连接输入模块以获取参考基础数据，利用参考基础数据分析 得到适合待规划区域的微电网容量大小、接入电压等级以及微电网渗透率；并基于改进最小 路法进行可靠性分析，从而得到适合微电网的接线模式，确定所规划区域的边界条件；

微电网网架规划模块，连接输入模块、微电网接线模式选择模块，以及建模及潮流计算 模块的输出端，以分别获取参考基础数据、待规划区域的接线模式和边界条件，以及潮流计 算结果；然后参考分布式电源安装运行费用、网络损耗费用和环境效益因素，建立布点定容 的模型；并基于智能优化算法，对含多种分布式电源及储能的微电网网架进行规划设计，得 到微电网网架规划设计的结果；所述智能优化算法为用于DG布点规划时的离散粒子群优化 算法DPSO和微电网网架规划时的改进遗传算法GA；

确定投资主体下的联合规划模块，连接微电网网架规划模块以及分布式电源选址定容计 算模块的输出端，以分别获取微电网网架规划设计结果和微电网划分策略、分布式电源的类 型、最佳容量大小及其相应的待选站址；在确定了分布式电源及储能的投资主体基础上，建 立分布式电源选址定容与微电网网架联合规划模型；将分布式电源选址定容计算模块和微电 网网架规划模块输出的优化结果交替迭代，形成确定投资主体下的的联合规划方案；

规划输出评价模块，根据接收到的联合规划方案计算方案的评价结果。

本发明在应用时，输入模块获取的数据中，负荷的相关参数包括：负荷类型为生活用电 或商业用电、负荷所在位置的地理纵横坐标、有功负荷、无功负荷以及负荷的重要程度；输 电线路相关参数包括：线路型号、线路电阻电抗参数、单位投资费用、最大载流量以及线路 的可靠性参数；待选DG的造价和运行维护费用根据该地块的环境、地理位置、日照强度、风 力资源等特点，在规划方案中考虑微型燃气轮机、风机和光伏发电3种类型的DG单位投资费 用和运行维护费用来决定；各种发电技术的污染物排放数据为各类型发电形式的SO₂、NOx和 CO₂的排放数据；典型污染气体的环境价值标准及罚款标准为SO₂、NOx和CO₂的环境价值和罚 款标准；还包括其他参数设置，如微型燃气轮机的燃料费用、PCC电的购电费用、风力发电 的环保补贴和光伏发电的环保补贴等参数。

进一步的，本发明的建立的出力模型包括微型燃气轮机、风力发电机和光伏发电相应的 出力模型；其中：

建立的微型燃气轮机的出力模型在微电网潮流计算中，可以等效为发电机节点(即PV 节点)，节点功率变化要求如下：

P_out,mi,min≤P_out≤P_out,mi,max

ΔP_out,mi≤ΔP_out,mi,limit

其中，ΔP_out,mi是功率的变化量，ΔP_out,mi,limit是功率变化量的限制；

建立的风力发电机出力模型在微电网潮流计算中，风速符合如下的威布尔Weibull分布：

$f\left(v\right)=\frac{k}{c}*{\left(\frac{v}{c}\right)}^{k-1}*\exp [-{\left(\frac{v}{c}\right)}^k]$

其中，v为风速(m/s)，f(v)为威布尔函数，k和c分别为威布尔形状系数和尺度系数，对 应的分布函数为：

$F\left(v\right)=p(v\le V)=1-\exp [-{\left(\frac{v}{c}\right)}^k]$

风能的功率与风速大小、叶片受风面积等因素影响为：

P_m＝0.5ρSv³C_p

其中，ρ为空气密度(km/m³)，S为风力机的扫掠面积(m²)，Cp为风力机的风能利用系 数，风力发电机的功率输出模型表示为：

$P_{\mathrm{WT}}=\left(\begin{array}{cc}0& v<v_{\mathrm{ci}},v\ge v_{\mathrm{co}}\\ \mathrm{av}+b& v_{\mathrm{ci}}\le v<v_r\\ P_N& v_r\le v<v_{\mathrm{co}}\end{array}\right)$

其中，P_WT为风力发电机的输出功率；P_N为额定功率；v_ci为切入风速；v_co为切出风速； v_r为额定风速；v为实际风速；

建立的光伏发电出力模型为：

$\left(\begin{array}{c}P={\eta }_{\mathrm{mod}}{\mathrm{AI}}_{\mathrm{tilt}}{\eta }_{\mathrm{wr}}{\eta }_{\mathrm{pc}}\\ {\eta }_{\mathrm{mod}}=f_m[1-\beta (T_{\mathrm{cell}}-28){\eta }_{\mathrm{sd}}]\\ T_{\mathrm{cell}}=0.032I_{\mathrm{tilt}}+T_{\mathrm{en}}\\ I_{\mathrm{tilt}}=I_{\mathrm{hironzontal}}R\end{array}\right)$

其中，P为输出功率，η_mod为该小时环境温度下的模块效率，A为光照总表面积，η_wr为 配线效率系数，η_pc为功率调节系统的效率，I_tilt为倾斜面的光照，I_hironzontal为水平面的光照， R为从I_hironzontal到I_tilt的折算系数，η_sd为模块的标准效率，f_m为匹配系数，β为效率改变的 温度系数，T_cell为光伏电池的温度，T_en为环境温度。上述公式均是基于固定的倾斜平面，若 是要计算一年中总的最大输出功率，倾斜角即为所在位置的纬度。

更进一步的，本发明所述的微电网潮流算法结合牛顿-拉夫逊法的迭代框架，这种改进的 牛拉法在执行过程中充分考虑了各种DG等效节点类型、初值设定及其对收敛判据的影响， 算法流程包括以下步骤：

4.1)从参考基础数据中获取电网网架结构参数，将各DG等效为相应的节点，并形成节 点导纳矩阵，

4.2)给定各节点的电压初值及风机节点转差率的初值w为代表发电机的 节点，

4.3)计算各类节点的有功功率的不平衡量和无功功率的不平衡量电 压不平衡量，

4.4)判断各类节点的不平衡量是否满足收敛条件：

$\max \left\{\right|\Delta P_i^{\left(k\right)},\Delta Q_i^{\left(k\right)},\Delta V_i^{2\left(k\right)},\Delta P_e^{\left(k\right)}|<ϵ$

如满足则计算各线路潮流和平衡节点的功率，并输出结果；

若不满足收敛条件，则计算雅可比矩阵，求出修正量，然后重复步骤(4.3)至步骤(4.4)， 至满足收敛条件，并输出结果。雅克比矩阵的计算为现有技术。

本发明在进行分布式电源选址定容时，在考虑满足负荷供电需求的前提下，以DG建设 及维护费用，以及电网线路损耗费用最小为目标，并考虑DG的环境效益和网络的可靠性水 平，进而求得满足负荷供电需求和网络运行安全的最优DG布置方案；

DG布点定容的目标函数为：

minZ_cost＝C^I+C^OM+C^f+C^L+C^P+C^Com+C^T-C^E

其中包括分量：DG的年投资费用C^I、DG的年运行维护费用C^OM、DG的燃料成本C^f、 网络损耗费用C^L、DG的环境成本C^P、用户停电损失费用C^Com、网络购电成本C^T和环保补 贴C^E；

以ω为折算系数将以上各分量转化为同一数量级，则目标函数转化为：

minZ′_cost＝ω_IC^I+ω_OMC^OM+ω_fC^f+ω_LC^L+ω_PC^P+ω_ComC^Com+ω_TC^T-ω_EC^E

DG布点定容的约束条件有：

a节点功率平衡约束：

$\left(\begin{array}{c}\underset{\underset{S\left(j\right)=i}{j\in L}}{\Sigma }[P_j^{\prime }-L\left(P_j^{\prime }\right)-P_j]+\underset{\underset{e\left(j\right)=i}{j\in L}}{\Sigma }[P_j^{\prime }-L\left(P_j^{\prime }\right)-P_j]=P_{\mathrm{Li}}\\ \underset{\underset{S\left(j\right)=i}{j\in L}}{\Sigma }[Q_j^{\prime }-L\left(Q_j^{\prime }\right)-Q_j]+\underset{\underset{e\left(j\right)=i}{j\in L}}{\Sigma }[Q_j^{\prime }-L\left(Q_j^{\prime }\right)-Q_j]=Q_{\mathrm{Li}}\end{array}\right)$

其中，S(j)＝i和e(j)＝i分别表示以i为起点和终点的所有线路集，P_j(Q_j)、P'_j(Q'_j) 分别表示线路j上正、反向潮流；

b节点电压约束：

$K_V\left(V_i\right)=\left(\begin{array}{cc}{K}_V(V_{i\min }-V_i)& V_i<V_{i\min }\\ K_V(V_i-V_{i\max })& V_i>V_{i\max }\\ 0& V_{i\min }\le V_i\le V_{i\max }\end{array}\right)$

其中，V_i为节点i的电压，V_imax、V_imin为节点i所允许的最大电压值与最小电压值，K_V为 节点电压偏离运行极限的惩罚因子，一般取一个很大的数值，在电压未越限时取0；

c支路潮流约束：

$K_S\left(S_j\right)=\left(\begin{array}{cc}{K}_S(S_j-S_{j\max })& S_j>S_{j\max }\\ 0& S_j\le S_{j\max }\end{array}\right)$

其中，S_j为通过支路j的视在功率，S_jmax为支路传输容量极限，通常取热稳定极限值，K_S为线路电流越限惩罚因子，在支路潮流没越限时取0；

d系统容量约束：

对分布式电源容量加以约束，要求DG的最小出力可以满足不间断供电时重要负荷的需 求，即：

$\underset{i\in N_{\mathrm{DG}}}{\Sigma }{G}_i\left(t\right)\ge \underset{j\in N_I}{\Sigma }{L}_j\left(t\right),t=\mathrm{1,2},...,8760$

其中，G_i表示第i个节点所接DG在t时刻的出力(kW)，L_j(t)表示第j个节点所接重要 负荷的大小(kW)，N_DG为所有DG接入的节点，N_I为所有接入重要负荷的节点；

e DG安装容量约束：

对风机、光伏的安装容量限制为：

$\left(\begin{array}{c}{G}_{w,i}\le G_{w,i\left(\max \right)}\\ G_{\mathrm{pv},i}\le G_{\mathrm{pv},i\left(\max \right)}\end{array}\right)$

其中，G_w,i、G_w,i(max)分别为节点i实际接入和允许接入风机容量，G_pv,i、G_pv,i(max)分别 为节点i实际接入和允许接入的光伏容量；

f可靠性水平约束

定义可靠性约束为系统的供电不足期望值则：

${\tilde{S}}_T<{\tilde{S}}_{T\left(\max \right)},$

$K_{\mathrm{EIR}}\left(\mathrm{EIR}\right)=\left(\begin{array}{cc}{K}_{\mathrm{EIR}}({\tilde{S}}_T-{\tilde{S}}_{T\left(\max \right)})& {\tilde{S}}_T\ge {\tilde{S}}_{T\left(\max \right)}\\ 0& {\tilde{S}}_T<{\tilde{S}}_{T\left(\max \right)}\end{array}\right)$

其中，为系统可靠性水平的指标，为系统应满足的可靠性水平的最低要求，K_EIR为可靠性水平的惩罚因子，的计算公式如下：

${\tilde{S}}_T=\underset{j=1}{\overset{m}{\Sigma }}{P}_j\underset{i=1}{\overset{W}{\Sigma }}{F}_{\mathrm{ij}}$

其中，F_ij为第j条线路发生断线故障时，节点i处的供电不足量的期望值(kWh)，p_j为 第j条线路发生故障的次数(次/年)；

DG布点定容算法基于自适应调整策略DPSO，包括以下步骤：

5.1)初始化，根据输入模块的数据库中微电网的原始数据，获取微电网的节点信息和支路 信息，确定电压、支路功率上下限，初始化算法参数，即粒子群体的规模Num、最大迭代次 数n_itermax、惯性权重、学习因子c1、c2，粒子更新的最大速度等；

5.2)设定迭代次数niter＝0，利用随机数发生器在可行域内生成Num个粒子，各粒子位 置为X，同时在一定范围内设定初始速度V，并对初始值进行调整，使其满足DG接入容量 的限制，然后计算出适应值最大的粒子，作为全局最优解Pgd和局部最优解Pid；

5.3)更新计数器niter＝niter+1，更新新惯性权重，重新计算每个粒子的位置xi和速度vi， 迭代过程中，若粒子出现越界，则根据边界变异策略处理该粒子，即若vi>vmax则vi＝vmax， 若vi<-vmax，则vi＝-vmax；

5.4)重新评估每个粒子的适应值，比较各粒子适应值，找出当前个体最优解Pid，然后将 当前最优解与全局最优解比较，若Pid<Pgd，即本代群体最优解小于上代群体最优解，则更 新Pgd和最优粒子；

5.5)判断niter是否已达到预置的最大迭代次数nitermax，是则转向步骤6)，否则转向步 骤3)；

5.6)输出最优解，即迭代终止时的Pgd。

在确定投资主体基础上，本发明在进行联合规划时，将联合规划模型转化为DG布点定 容子问题和微电网网架规划子问题进行交互迭代，直到满足收敛准则；模型迭代步骤为：

6.1)定义联合规划模型中，Y表示网架方案，X表示DG配置方案；设定交互迭代收敛 条件，即相邻迭代所得社会总成本差值的参考值ΔC_total；

6.2)由初始网架Y₀计算DG配置方案X₁，然后计算得出X₁下网架规划的方案Y₁，并 将X₁与Y₁作为第1次迭代的方案，计算此方案下的社会总成本C_total(1)；

6.3)由Y₁计算X₂，将(X₂，Y₁)作为第二次迭代方案，计算C_total(2)；

6.4)计算C_total(1)与C_total(2)之间的差值ΔC_total(1)，判断ΔC_total(1)是否小于Δ C_total：

如果是，则迭代终止，以X₂与Y₁作为最终联合规划方案；

如果不是，则继续交互迭代，由X₂计算Y₂，将X₂和Y₂作为第三次迭代方案，计算C_total(3)；进而计算C_total(2)与C_total(3)之间的差值ΔC_total(2)，并判断ΔC_total(2)是否小 于ΔC_total：

如果是，则迭代终止，以X₂与Y₂作为最终联合规划方案；

如果不是，则继续交互迭代，直至获得方案Xn与Yn，计算C_total(2n-1)，使得ΔC_total(2n-2)小于ΔC_total，迭代终止，以X_n与Y_n作为最终联合规划方案；或者获得方案X_n+1与 Y_n，计算C_total(2n)，使得ΔC_total(2n-1)小于ΔC_total，迭代终止，以X_n+1与Y_n作为最终联 合规划方案。

(X₁，Y₁)与(X₂，Y₂)中，X₂的方案理论上是优于X₁的，因而C_total的值不断下降， 则获得更优的微电网建设方案。

本发明的有益效果为：有效解决了传统方法无法科学形成从初始地块到网架建设的整体 性规划的难题，以及难以满足微电网建设的规划要求等方面的不足。本发明系统将确定分布 式电源及储能的投资主体下分布式电源选址定容与微电网网架进行联合规划，形成经济合理 的微电网规划方案，有效节省工程建设投资。

附图说明

图1为本发明的微电网优化规划系统结构示意图；

图2为微电网网架规划模块算法流程示意图；

图3为确定投资主体下的联合规划模型示意图；

图4为确定投资主体下的联合规划模型求解迭代过程示意图；

图5为确定投资主体下的联合规划模型求解算法流程示意图；

图6为本发明一具体实施例的实际规划地块地理位置分布；

图7为图6所示实际规划地块的负荷时序特性示意图；

图8-1为本发明得到的考虑DG的网架结构方案；

图8-2为本发明得到的不考虑DG的网架结构方案；

图9为本发明针对图6所示实际规划地块的联合规划的网架方案示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

本发明含分布式电源及储能的微电网优化规划方法包括以下步骤：

1)确定参考基础数据，参考基础数据包括待规划区域的负荷参数、输电线路参数，待选 DG的造价、运行维护费用，各种类发电技术对应的污染物排放参数、典型污染气体的环境价 值标准及罚款标准参数；

2)利用上述参数基础数据建立各种类发电技术的出力模型，并选择适合待规划区域的 微电网潮流算法，对待规划区域进行潮流计算，得到潮流计算结果；

3)以微电网容量大小为约束条件，建立微电网划分策略；并基于等效网损微增率、电 压稳定度、负荷的重要程度的综合指标，确定分布式电源的类型、最佳容量大小及其相应的 待选站址；

4)利用参考基础数据分析得到适合待规划区域的微电网容量大小、接入电压等级以及 微电网渗透率；并基于改进最小路法进行可靠性分析，从而得到适合微电网的接线模式，确 定所规划区域的边界条件；

5)基于参考基础数据、待规划区域的接线模式和边界条件，以及潮流计算结果，参考 分布式电源安装运行费用、网络损耗费用和环境效益因素，建立布点定容的模型；并基于智 能优化算法，对含多种分布式电源及储能的微电网网架进行规划设计，得到微电网网架规划 设计的结果；所述智能优化算法为用于DG布点规划时的离散粒子群优化算法DPSO和微电 网网架规划时的改进遗传算法GA；

6)基于微电网网架规划设计结果和微电网划分策略、分布式电源的类型、最佳容量大 小及其相应的待选站址，在确定了分布式电源及储能的投资主体基础上，建立分布式电源选 址定容与微电网网架联合规划模型；将分布式电源选址定容计算模块和微电网网架规划模块 输出的优化结果交替迭代，形成确定投资主体下的联合规划方案；

7)对上述联合规划方案计算评价结果。

基于上述方法，结合如图1所示，本发明基于智能优化算法的含分布式电源及储能的微 电网优化规划系统，包括输入模块1、建模及潮流计算模块2、微电网接线模式选择模块3、 分布式电源选址定容计算模块4、微电网网架规划模块5、确定投资主体下的联合规划模块6、 规划输出评价模块7，其中：

所述的输入模块1是建模潮流计算模块2、微电网接线模式选择模块3、分布式电源选 址定容计算模块4和微电网网架规划模块5提供参考基础数据，其中，参考基础数据包括负 荷的相关参数、输电线路相关参数、待选DG的造价和运行维护费用、各种发电技术的污染物 排放数据、典型污染气体的环境价值标准及罚款标准以及其他相关参数设置；

所述负荷的相关参数为区分生活用电和商业用电两种负荷类型、负荷所在位置的地理纵 横坐标、有功负荷、无功负荷以及负荷的重要程度；输电线路相关参数为线路型号、线路电 阻电抗参数、单位投资费用、最大载流量以及线路的可靠性参数；待选DG的造价和运行维护 费用根据该地块的环境、地理位置、日照强度、风力资源等特点，在规划方案中考虑微型燃 气轮机、风机和光伏发电3种类型的DG单位投资费用和运行维护费用；各种发电技术的污染 物排放数据为所研究的发电形式的SO₂、NOx和CO₂的排放数据；典型污染气体的环境价值标 准及罚款标准为SO₂、NOx和CO₂的环境价值和罚款标准；其它相关参数设置为微型燃气轮机 的燃料费用、PCC电的购电费用、风力发电的环保补贴和光伏发电的环保补贴等参数。

所述的建模及潮流计算模块2，根据区域多类型分布式电源(DG)及储能的基本特性及工 作原理建立相应的出力模型，选择适合该规划区域的微电网潮流算法。

建模及潮流计算模块2建立了微型燃气轮机、风力发电机和光伏发电相应的出力模型， 并选择适合该规划区域的微电网潮流算法；

其中，建立的微型燃气轮机的出力模型在微电网潮流计算中，可以等效为发电机节点， 即PV节点，节点功率变化要求如下：

P_out,mi,min≤P_out≤P_out,mi,max

ΔP_out,mi≤ΔP_out,mi,limit

其中，ΔP_out,mi是功率的变化量，ΔP_out,mi,limit是功率变化量的限制；

建立的风力发电机出力模型在微电网潮流计算中，风速符合如下的威布尔Weibull分布：

$f\left(v\right)=\frac{k}{c}*{\left(\frac{v}{c}\right)}^{k-1}*\exp [-{\left(\frac{v}{c}\right)}^k]$

其中，v为风速(m/s)，f(v)为威布尔函数，k和c分别为威布尔形状系数和尺度系数，对 应的分布函数为：

$F\left(v\right)=p(v\le V)=1-\exp [-{\left(\frac{v}{c}\right)}^k]$

风能的功率与风速大小、叶片受风面积等因素影响为：

P_m＝0.5ρSv³C_p

其中，ρ为空气密度(km/m³)，S为风力机的扫掠面积(m²)，Cp为风力机的风能利用系 数，风力发电机的功率输出模型表示为：

$P_{\mathrm{WT}}=\left(\begin{array}{cc}0& v<v_{\mathrm{ci}},v\ge v_{\mathrm{co}}\\ \mathrm{av}+b& v_{\mathrm{ci}}\le v<v_r\\ P_N& v_r\le v<v_{\mathrm{co}}\end{array}\right)$

其中，P_WT为风力发电机的输出功率；P_N为额定功率；v_ci为切入风速；v_co为切出风速； v_r为额定风速；v为实际风速；

建立的光伏发电出力模型为：

$\left(\begin{array}{c}P={\eta }_{\mathrm{mod}}{\mathrm{AI}}_{\mathrm{tilt}}{\eta }_{\mathrm{wr}}{\eta }_{\mathrm{pc}}\\ {\eta }_{\mathrm{mod}}=f_m[1-\beta (T_{\mathrm{cell}}-28){\eta }_{\mathrm{sd}}]\\ T_{\mathrm{cell}}=0.032I_{\mathrm{tilt}}+T_{\mathrm{en}}\\ I_{\mathrm{tilt}}=I_{\mathrm{hironzontal}}R\end{array}\right)$

其中，P为输出功率，η_mod为该小时环境温度下的模块效率，A为光照总表面积，η_wr为 配线效率系数，η_pc为功率调节系统的效率，I_tilt为倾斜面的光照，I_hironzontal为水平面的光照， R为从I_hironzontal到I_tilt的折算系数，η_sd为模块的标准效率，f_m为匹配系数，β为效率改变的 温度系数，T_cell为光伏电池的温度，T_en为环境温度。上述公式均是基于固定的倾斜平面，若 是要计算一年中总的最大输出功率，倾斜角即为所在位置的纬度。

更进一步的，本发明所述的微电网潮流算法结合牛顿-拉夫逊法的迭代框架，这种改进的 牛拉法在执行过程中充分考虑了各种DG等效节点类型、初值设定及其对收敛判据的影响， 算法流程包括以下步骤：

4.1)从参考基础数据中获取电网网架结构参数，将各DG等效为相应的节点，并形成节 点导纳矩阵，

4.2)给定各节点的电压初值及风机节点转差率的初值w为代表发电机的 节点，

4.3)计算各类节点的有功功率的不平衡量和无功功率的不平衡量、电 压不平衡量，

4.4)判断各类节点的不平衡量是否满足收敛条件：

$\max \left\{\right|\Delta P_i^{\left(k\right)},\Delta Q_i^{\left(k\right)},\Delta V_i^{2\left(k\right)},\Delta P_e^{\left(k\right)}|<ϵ$

如满足则计算各线路潮流和平衡节点的功率，并输出结果；

若不满足收敛条件，则计算雅可比矩阵，求出修正量，然后重复步骤(4.3)至步骤(4.4)， 至满足收敛条件，并输出结果。雅克比矩阵的计算为现有技术。

微电网接线模式选择模块3，根据输入模块1提供的基础数据分析适合的微电网容量大 小、接入电压等级、以及微电网渗透率，由改进最小路法的可靠性分析出发得出适合微电网 的接线模式，确定所规划区域的边界条件；

分布式电源选址定容计算模块4，以微电网容量大小为约束条件，建立微电网划分策略， 并基于等效网损微增率、电压稳定度、负荷的重要程度的综合指标，确定多类型分布式电源 的待选站址；

分布式电源选址定容计算模块在考虑满足负荷供电需求的前提下，以DG建设及维护费 用，以及电网线路损耗费用最小为目标，并考虑DG的环境效益和网络的可靠性水平，进而 求得满足负荷供电需求和网络运行安全的最优DG布置方案；

DG布点定容的目标函数为：

minZ_cost＝C^I+C^OM+C^f+C^L+C^P+C^Com+C^T-C^E

其中包括分量：DG的年投资费用C^I、DG的年运行维护费用C^OM、DG的燃料成本C^f、 网络损耗费用C^L、DG的环境成本C^P、用户停电损失费用C^Com、网络购电成本C^T和环保补 贴C^E；

以ω为折算系数将以上各分量转化为同一数量级，则目标函数转化为：

minZ′_cost＝ω_IC^I+ω_OMC^OM+ω_fC^f+ω_LC^L+ω_PC^P+ω_ComC^Com+ω_TC^T-ω_EC^E

DG布点定容的约束条件有：

a.节点功率平衡约束：

$\left(\begin{array}{c}\underset{\underset{S\left(j\right)=i}{j\in L}}{\Sigma }[P_j^{\prime }-L\left(P_j^{\prime }\right)-P_j]+\underset{\underset{e\left(j\right)=i}{j\in L}}{\Sigma }[P_j^{\prime }-L\left(P_j^{\prime }\right)-P_j]=P_{\mathrm{Li}}\\ \underset{\underset{S\left(j\right)=i}{j\in L}}{\Sigma }[Q_j^{\prime }-L\left(Q_j^{\prime }\right)-Q_j]+\underset{\underset{e\left(j\right)=i}{j\in L}}{\Sigma }[Q_j^{\prime }-L\left(Q_j^{\prime }\right)-Q_j]=Q_{\mathrm{Li}}\end{array}\right)$

其中，S(j)＝i和e(j)＝i分别表示以i为起点和终点的所有线路集，P_j(Q_j)、P'_j(Q'_j) 分别表示线路j上正、反向潮流；

b.节点电压约束：

$K_V\left(V_i\right)=\left(\begin{array}{cc}{K}_V(V_{i\min }-V_i)& V_i<V_{i\min }\\ K_V(V_i-V_{i\max })& V_i>V_{i\max }\\ 0& V_{i\min }\le V_i\le V_{i\max }\end{array}\right)$

其中，V_i为节点i的电压，V_imax、V_imin为节点i所允许的最大电压值与最小电压值，K_V为 节点电压偏离运行极限的惩罚因子，一般取一个很大的数值，在电压未越限时取0；

c.支路潮流约束：

$K_S\left(S_j\right)=\left(\begin{array}{cc}{K}_S(S_j-S_{j\max })& S_j>S_{j\max }\\ 0& S_j\le S_{j\max }\end{array}\right)$

其中，S_j为通过支路j的视在功率，S_jmax为支路传输容量极限，通常取热稳定极限值，K_S为线路电流越限惩罚因子，在支路潮流没越限时取0；

d.系统容量约束：

对分布式电源容量加以约束，要求DG的最小出力可以满足不间断供电时重要负荷的需 求，即：

$\underset{i\in N_{\mathrm{DG}}}{\Sigma }{G}_i\left(t\right)\ge \underset{j\in N_I}{\Sigma }{L}_j\left(t\right),t=\mathrm{1,2},...,8760$

其中，G_i表示第i个节点所接DG在t时刻的出力(kW)，L_j(t)表示第j个节点所接重要 负荷的大小(kW)，N_DG为所有DG接入的节点，N_I为所有接入重要负荷的节点；

e.DG安装容量约束：

对风机、光伏的安装容量限制为：

$\left(\begin{array}{c}{G}_{w,i}\le G_{w,i\left(\max \right)}\\ G_{\mathrm{pv},i}\le G_{\mathrm{pv},i\left(\max \right)}\end{array}\right)$

其中，G_w,i、G_w,i(max)分别为节点i实际接入和允许接入风机容量，G_pv,i、G_pv,i(max)分别 为节点i实际接入和允许接入的光伏容量；

f.可靠性水平约束

定义可靠性约束为系统的供电不足期望值则：

${\tilde{S}}_T<{\tilde{S}}_{T\left(\max \right)}$

$K_{\mathrm{EIR}}\left(\mathrm{EIR}\right)=\left(\begin{array}{cc}{K}_{\mathrm{EIR}}({\tilde{S}}_T-{\tilde{S}}_{T\left(\max \right)})& {\tilde{S}}_T\ge {\tilde{S}}_{T\left(\max \right)}\\ 0& {\tilde{S}}_T<{\tilde{S}}_{T\left(\max \right)}\end{array}\right)$

其中，为系统可靠性水平的指标，为系统应满足的可靠性水平的最低要求，K_EIR为可靠性水平的惩罚因子，的计算公式如下：

${\tilde{S}}_T=\underset{j=1}{\overset{m}{\Sigma }}{P}_j\underset{i=1}{\overset{W}{\Sigma }}{F}_{\mathrm{ij}}$

其中，F_ij为第j条线路发生断线故障时，节点i处的供电不足量的期望值(kWh)，p_j为 第j条线路单位年度发生故障的次数；

DG布点定容算法基于自适应调整策略DPSO，包括以下步骤：

5.1)初始化，根据输入模块接收的参考基础数据中微电网的原始数据，获取微电网的节点 信息和支路信息，确定电压、支路功率上下限，初始化算法参数，即粒子群体的规模Num、 最大迭代次数n_itermax、惯性权重、学习因子c1、c2，粒子更新的最大速度等；

5.2)设定迭代次数niter＝0，利用随机数发生器在可行域内生成Num个粒子，各粒子位 置为X，同时在一定范围内设定初始速度V，并对初始值进行调整，使其满足DG接入容量 的限制，然后计算出适应值最大的粒子，作为全局最优解Pgd和局部最优解Pid；

5.3)更新计数器niter＝niter+1，更新新惯性权重，重新计算每个粒子的位置xi和速度vi， 迭代过程中，若粒子出现越界，则根据边界变异策略处理该粒子，即若vi>vmax则vi＝vmax， 若vi<-vmax，则vi＝-vmax；

5.4)重新评估每个粒子的适应值，比较各粒子适应值，找出当前个体最优解Pid，然后将 当前最优解与全局最优解比较，若Pid<Pgd，即本代群体最优解小于上代群体最优解，则更 新Pgd和最优粒子；

5.5)判断niter是否已达到预置的最大迭代次数nitermax，是则转向步骤6)，否则转向步 骤3)；

5.6)输出最优解，即迭代终止时的Pgd。

本发明的微电网网架规划模块5，建立考虑分布式电源安装运行费用、网络损耗费用和 环境效益等的布点定容的模型并基于智能优化算法，对含多种分布式电源及储能的微电网网 架进行规划设计，作为建模及潮流计算模块2、微电网接线模式选择模3块与确定投资主体 下的联合规划模块之间的接口。其中，微电网网架规划模块的算法流程如图2。所述智能优 化算法是指用于DG布点规划时的离散粒子群优化算法(DPSO)和微电网网架规划时的改进遗 传算法(GA)。

本发明确定投资主体下的联合规划模块6，建立在确定分布式电源及储能的投资主体下 分布式电源选址定容与微电网网架联合规划模型，将分布式电源选址定容计算模块和微电网 网架规划模块得出的优化结果交替迭代，形成确定投资主体下的的联合规划方案输出给规划 输出评价模块7；

所述的联合规划模型如图3，其中交互迭代过程Y表示网架方案，X表示DG配置方案， 迭代具体过程为参考图4所示。确定投资主体下的联合规划模块将联合规划模型转化为DG 布点定容子问题和微电网网架规划子问题进行交互迭代的方法为：

6.1)定义联合规划模型中，Y表示网架方案，X表示DG配置方案；设定交互迭代收敛 条件，即相邻迭代所得社会总成本差值的参考值ΔC_total；

6.2)由初始网架Y₀计算DG配置方案X₁，然后计算得出X₁下网架规划的方案Y₁，并 将X₁与Y₁作为第1次迭代的方案，计算此方案下的社会总成本C_total(1)；

6.3)由Y₁计算X₂，将(X₂，Y₁)作为第二次迭代方案，计算C_total(2)；

6.4)计算C_total(1)与C_total(2)之间的差值ΔC_total(1)，判断ΔC_total(1)是否小于Δ C_total：

如果是，则迭代终止，以X₂与Y₁作为最终联合规划方案；

如果不是，则继续交互迭代，由X₂计算Y₂，将X₂和Y₂作为第三次迭代方案，计算C_total(3)；进而计算C_total(2)与C_total(3)之间的差值ΔC_total(2)，并判断ΔC_total(2)是否小 于ΔC_total：

如果是，则迭代终止，以X₂与Y₂作为最终联合规划方案；

如果不是，则继续交互迭代，直至获得方案Xn与Yn，计算C_total(2n-1)，使得ΔC_total(2n-2)小于ΔC_total，迭代终止，以X_n与Y_n作为最终联合规划方案；或者获得方案X_n+1与 Y_n，计算C_total(2n)，使得ΔC_total(2n-1)小于ΔC_total，迭代终止，以X_n+1与Y_n作为最终联 合规划方案。

如(X₁，Y₁)与(X₂，Y₁)中，X₂的方案理论上是优于X₁的，因而C_total的值不断下降，从 而可以得出更优的微电网建设方案。

本发明规划模型的求解流程可参考图5。

本发明的规划输出评价模块7，根据确定投资主体下的联合规划模块输出的规划方案给 出相应的评价结果，以验证所得到的联合规划方案的优越性，使得方案在投入使用后确实能 够降低供电成本，减少电网损耗以及提高供电质量。

具体实施例

参考图6至图9所示，本实施例将基于智能优化算法的含分布式电源及储能的微电网优 化规划系统用于中国某地区具有29个节点的待规划微电网地块，分别进行了微电网中DG选 址定容、微电网网架规划和确定投资主体为电力公司的联合规划，并对输出的规划方案计算 给出评价结果。规划地块地理位置分布如图6所示，地块面积为8km²，电压等级为10kV，所 采用的线路型号为架空线LGJ-185。其中，1节点规划为PCC点，与上级电网相连。

输入本系统模块1的参考基础数据包括如下数据：

(1)负荷的相关参数

该地块的负荷参数见表1，所列为节点的最大负荷，其时序特性为图7。

表1节点负荷的相关参数

注1、负荷类型中，1表示生活用电，2表示商业用电。

2、重要程度为0.5及以上的视为重要负荷。

(2)线路相关参数

规划线路采用LGJ-185的架空线，相关参数如表2所示：

表2LGJ-185线路参数

(3)DG的造价和运行维护费用

在规划方案中选取微型燃气轮机、风机和光伏发电3种类型，相应的投资及运行维护费 用如表3所示。

表3待选DG的造价和运行维护费用

(4)各种发电技术的污染物排放数据

表4火力发电及典型DG的污染物排放数据

(5)典型污染气体的环境价值标准及罚款标准

表5典型污染气体的环境价值标准及罚款标准

(6)其他参数设置

表6其他参数设置

为与不含DG的网络运行费用相对比，分析DG接入在网络运行中的重要作用，本系统设 置了不含DG的对照组，在相同的参数设置下，得出了各目标分量的值，如表7所示。

表7DG布点定容的规划方案结果

注：11(1,16)表示11号节点接入了16*100kW的微型燃气轮机，2-光伏，3-风机。

本系统设定交叉概率P_c＝0.6、遗传变异率P_m＝0.5，基因数为20，迭代30次，得到的 规划方案如图8-1和表8方案1所示。为了与不含DG的规划网架进行对比，探究微电网的网 架特点，本课题在同样的参数设置下，进行了不含DG的网架规划，其规划方案如图8-2和表 8方案2所示。

不含DG时，该区域为常规的分层辐射状网络连接方式，PCC点通过5条线路与下级负荷 相连；在该区域形成微电网后，辐射状网络呈现了新的布局和特点，主要是以DG为中心辐射 到周围负荷，然后再集中接入PCC点，与PCC点直接相连的线路只有3条。该规划方案的形 成，对于实际工程项目中微电网网架规划设计，具有重大的指导和借鉴意义。

表8规划方案的结果

将系统模块4和模块5的输出结果给模块6进行联合规划并输送给模块7进行方案评价 得到的网架结构为图9，相应的结果如表9所示。

表9微电网联合规划与单独规划的结果对比

本系统交互迭代共进行了9次，规划的总费用呈现不断下降的趋势，这与理论分析相一 致。与单独进行的网架规划相比，本发明联合规划的网架虽投资费用略高，但主要是以每个 安装DG的节点形成辐射网络，然后再与PCC点相连，具有更为合理的网络结构，布线方案得 到了进一步的优化，能够充分发挥微电网的优势、大力提高DG的综合利用效率，使DG的经 济效益和社会效益得以更为充分的发挥；与单独进行的DG配置相比，联合规划中接入了更多 容量的DG，从而提高了微电网的成本效益，使微电网运行的总费用大大减少；从规划总费用 上来看，联合规划比单独规划节省了756.62万元，这主要是由于通过网架与DG配置方案间 的相互修正，优化了两者间的协调与配合关系，从而得出了更优的微电网规划方案。

总之，本系统区别于传统规划中将微电网的分布式电源选址、定容和自身网架规划作为 相互独立的解耦问题进行分析，有效解决了传统方法在解决如何形成从初始地块到网架建设 的整体性规划研究较少，难以满足微电网建设的规划要求等方面的不足。所建立的基于智能 优化算法的含分布式电源及储能的微电网优化规划系统，对于工程实际具有一定的应用价值 和指导意义，通过对此进行有效提炼，可以给未来行业标准的制定提供参考。