计及源荷不确定的光伏配电网储能优化配置方法及装置

摘要

本发明涉及计及源荷不确定的配电网光储优化配置方法，包括如下步骤：获取上层分布式电源优化配置模型及下层配电网动态重构模型；其中，上层分布式电源优化配置模型的目标函数为光伏配置成本和储能成本最小化；下层配电网动态重构模型的目标函数为系统总网损最小；基于Benders算法和烟花算法对上层分布式电源优化配置模型及下层配电网动态重构模型进行求解，获得光储配置方案与最小网损等决策结果；本发明提出的配电网光储资源的优化配置方法，能够合理配置海量配电网灵活性资源，提升高比例光伏接入配电网的协调运行能力，实现分布式光伏接入区域电力电量平衡等目标和提高光伏消纳水平，可有效指导城市光伏接入下配网分布式储能优化配置。

说明书

技术领域

本发明属于配电网优化配置技术领域，尤其涉及计及源荷不确定性的规模化光伏配电网储能优化配置方法。

背景技术

化石能源的日益枯竭和气候巨变已成为全球瞩目的焦点问题，开发可再生能源成为主要的解决途径。而太阳能具有清洁、低碳、绿色、安全等优点，因此大规模、集中式并网的光伏发电装机容量急骤增加，而较高的光伏发电穿透率与不平衡的区域分配使得间歇性的光伏发电消纳难度加大，弃光问题凸显。由此，在集中式发电和大电网基础上，大力发展分布式发电技术，使分布式电源供电与大电网供电相互补充、协调是未来电力系统的必然发展趋势。

随着分布式光伏装机不断提升，灵活性调节资源日趋紧张，系统惯量持续下降，新能源消纳及系统稳定的矛盾日益凸显，光伏和储能优化配置亦成为提高新能源消纳和运行经济性不可或缺的环节；广泛灵活的分布式储能是有源配网的重要柔性可控资源，配置储能是解决分布式光伏消纳、电力电量不平衡等问题的重要手段，对提升有源配电网运行水平具有重要意义。

发明内容

本发明通过研究光伏接入容量及位置、分布式储能容量最优化配置方法，实现分布式储能高效综合利用，提升分布式储能本体安全水平，解决有源配网潮流多向、新能源波动等问题，支撑分布式新能源消纳，实现分布式储能经济配置。

本发明解决其技术问题是采取以下技术方案实现的：

计及源荷不确定的配电网光储优化配置方法，包括如下步骤：

获取上层分布式电源优化配置模型及下层配电网动态重构模型；其中，上层分布式电源优化配置模型的目标函数为光伏配置成本和储能成本最小化；下层配电网动态重构模型的目标函数为系统总网损最小；

基于Benders算法和烟花算法对上层分布式电源优化配置模型及下层配电网动态重构模型进行求解，获得光储配置方案与最小网损等决策结果。

进一步的，所述的基于Benders算法和烟花算法对上层分布式电源优化配置模型及下层配电网动态重构模型进行求解的方法为：

S1、初始化配电网参数；并设置初始迭代次数r＝1；

S2、获取光伏出力不确定集合；

S3、采用Benders分解法求解上层分布式电源优化配置问题，初始化上下界，得到初始决策结果；

S4、依据初始决策结果求解运行子问题，进而增加最优割集并求解光储配置主问题，更新下界LB；

S5、主问题求解结果带入子问题，得出子问题的解，更新上界UB；

S6、判断是否满足终止条件，如果满足，则进入步骤S7进行下层配电网动态重构模型求解，否则返回步骤S4继续迭代；

S7、基于分布式光伏和负荷数据，采用改进的考虑时序约束的层次聚类方法进行时段划分；

S8、计算节点的功率矩并依据启发式规则进一步生成压缩解空间；

S9、选择初代烟花并评估其适应度，并进行爆炸、变异操作，选取适应度最优的烟花作为下一代；

S10、判断是否满足终止条件，若满足则结束；若不满足则迭代次数加1，返回步骤S3继续迭代。

进一步的，获取光伏出力不确定集合的方法为：

采用非精确狄利克雷模型确定光伏出力概率区间模糊集；采用Devroye-Wise方法随机变量真实值的估计范围，将模糊集转化为不确定区间表达。

进一步的，所述的上层分布式电源优化配置模型为：

min f＝C

式中：C

其中：

C

式中：k

进一步的，所述下层配电网动态重构模型为：

式中：N

进一步的，所述上层分布式电源优化配置模型的约束条件包括DG容量约束、储能接入容量约束、储能安装位置约束。

进一步的，所述下层配电网动态重构模型的约束条件为功率平衡约束、分布式电源出力约束、节点电压与支路电流约束、储能运行约束。

计及源荷不确定的配电网光储优化配置装置，包括：

模型获取模块，用于获取上层分布式电源优化配置模型及下层配电网动态重构模型；其中，上层分布式电源优化配置模型的目标函数为光伏配置成本和储能成本最小化；下层配电网动态重构模型的目标函数为系统总网损最小；

模型求解模块，用于基于Benders算法和烟花算法对上层分布式电源优化配置模型及下层配电网动态重构模型进行求解，获得光储配置方案与最小网损等决策结果。

一种计算设备，包括：

一个或多个处理单元；

存储单元，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或多个处理单元执行计及源荷不确定的配电网光储优化配置方法。

一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现计及源荷不确定的配电网光储优化配置方法的步骤。

本发明的优点和积极效果是：

本发明提出的配电网光储资源的优化配置方法，能够合理配置海量配电网灵活性资源，提升高比例光伏接入配电网的协调运行能力，实现分布式光伏接入区域电力电量平衡等目标和提高光伏消纳水平，可有效指导城市光伏接入下配网分布式储能优化配置。

附图说明

以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本发明范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。

图1为本发明实施例提供的上层分布式电源优化配置模型及下层配电网动态重构模型的结构示意图；

图2为求解上层分布式电源优化配置模型及下层配电网动态重构模型的方法流程图；

具体实施方式

首先，需要说明的是，以下将以示例方式来具体说明本发明的具体结构、特点和优点等，然而所有的描述仅是用来进行说明的，而不应将其理解为对本发明形成任何限制。此外，在本文所提及各实施例中予以描述或隐含的任意单个技术特征，或者被显示或隐含在各附图中的任意单个技术特征，仍然可在这些技术特征(或其等同物)之间继续进行任意组合或删减，从而获得可能未在本文中直接提及的本发明的更多其他实施例。另外，为了简化图面起见，相同或相类似的技术特征在同一附图中可能仅在一处进行标示。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例1

如图1至图2，本实施例提供的计及源荷不确定的配电网光储优化配置方法，包括如下步骤：

获取上层分布式电源优化配置模型及下层配电网动态重构模型；其中，上层分布式电源优化配置模型的目标函数为光伏配置成本和储能成本最小化；下层配电网动态重构模型的目标函数为系统总网损最小；

基于Benders算法和烟花算法对上层分布式电源优化配置模型及下层配电网动态重构模型进行求解，获得光储配置方案与最小网损等决策结果。

具体的，所述的上层分布式电源优化配置模型为：

min f＝C

式中：C

其中：

C

式中：k

所述上层分布式电源优化配置模型的约束条件包括DG容量约束、储能接入容量约束、储能安装位置约束，分别如下：

1)DG容量约束

式中：P

2)储能接入容量约束

式中：

3)储能安装位置约束

式中：

另外，所述下层配电网动态重构模型为：

式中：N

所述下层配电网动态重构模型的约束条件为功率平衡约束、分布式电源出力约束、节点电压与支路电流约束、储能运行约束，分别如下：

1)功率平衡约束

式中：P

2)分布式电源出力约束

式中：P

3)节点电压与支路电流约束

式中：V

4)储能运行约束

式中：

具体的，所述的基于Benders算法和烟花算法对上层分布式电源优化配置模型及下层配电网动态重构模型进行求解的方法为：

S1、初始化配电网参数，包括配电线路、变压器、分布式光伏和负荷等数据；并设置初始迭代次数r＝1；

S2、获取光伏出力不确定集合；

为了量化分布式光伏波动导致的不确定区间，采用非精确狄利克雷模型确定光伏出力概率区间模糊集；采用Devroye-Wise方法随机变量真实值的估计范围，将模糊集转化为不确定区间表达；

S3、采用Benders分解法求解上层分布式电源优化配置问题，初始化上下界，得到初始决策结果；

S4、依据初始决策结果求解运行子问题，进而增加最优割集并求解光储配置主问题，更新下界LB；

S5、主问题求解结果带入子问题，得出子问题的解，更新上界UB；

S6、判断是否满足终止条件UB-LB≤ε，如果满足，则进入步骤S7进行下层配电网动态重构模型求解，否则返回步骤S4继续迭代；设置终止容差ε，判断上界UB与下界LB是否满足UB-LB≤ε，若满足收敛条件，则终止上层问题求解；若不满足，则更新迭代次数k＝k+1，继续求解；

S7、基于分布式光伏和负荷数据，采用改进的考虑时序约束的层次聚类方法进行时段划分；

S8、计算节点的功率矩并依据启发式规则进一步生成压缩解空间；

S9、选择初代烟花并评估其适应度，并进行爆炸、变异操作，选取适应度最优的烟花作为下一代；

S10、判断是否满足终止条件，若满足则结束；若不满足则迭代次数加1，返回步骤S3继续迭代。

获取光伏出力不确定集合的方法为：

采用非精确狄利克雷模型确定光伏出力概率区间模糊集；采用Devroye-Wise方法随机变量真实值的估计范围，将模糊集转化为不确定区间表达，具体的如下：

1)确定模糊集

基于概率区间方法，估计在一定置信水平下的光伏概率区间；累积概率分布函数在某A点置信度为γ的概率区间可以由下式进行估计：

式中：a

然后，采用阶梯插值来获取整个累积概率分布函数CDF的置信带。

模糊集表示为

2)模糊集转化为不确定性集合

采用Devroye-Wise方法随机变量真实值的估计范围：

[x

P＝{P∈P

式中：P

实施例2

本实施例提供计及源荷不确定的配电网光储优化配置装置，包括：

模型获取模块，用于获取上层分布式电源优化配置模型及下层配电网动态重构模型；其中，上层分布式电源优化配置模型的目标函数为光伏配置成本和储能成本最小化；下层配电网动态重构模型的目标函数为系统总网损最小；

模型求解模块，用于基于Benders算法和烟花算法对上层分布式电源优化配置模型及下层配电网动态重构模型进行求解，获得光储配置方案与最小网损等决策结果。

一种计算设备，包括：

一个或多个处理单元；

存储单元，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或多个处理单元执行本实施例中的计及源荷不确定的配电网光储优化配置方法；需要说明的是，计算设备可包括但不仅限于处理单元、存储单元；本领域技术人员可以理解，计算设备包括处理单元、存储单元并不构成对计算设备的限定，可以包括更多的部件，或者组合某些部件，或者不同的部件，例如计算设备还可以包括输入输出设备、网络接入设备、总线等。

一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，所述计算机程序被处理器执行时实现本实施例中计及源荷不确定的配电网光储优化配置方法的步骤；需要说明的是，可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合；可读介质上包含的程序可以用任何适当的介质传输，包括，但不限于无线、有线、光缆，RF等等，或者上述的任意合适的组合。例如，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java，C++等，还包括常规的过程式程序设计语言，诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行，或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

以上实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。