一种配电网中光储系统的优化配置方法与流程

本发明涉及配电网光储能系统优化配置技术领域，特别涉及一种配电网中光储系统的优化配置方法。

背景技术：

近年来，随着可再生能源、分布式发电以及电动汽车的迅速发展，电力系统在运行过程中也发生着变化，但是有些问题也随之暴露出来。比如：负荷需求越来越大导致系统装机容量满足不了高峰时期配电网的负荷需求；用户对电能质量的要求越来越高；由于光伏具有间歇性和不稳定性等特点，会对配电网造成安全隐患。而储能系统(energystoragesystem,ess)因其具有能量响应速度快、削峰填谷、改善电压等有点，为改善配电网的电能质量、提高系统运行的可靠性提供了有力支撑。

在分布式光伏的优化配置中，主要是对光伏系统进行选址定容，很少讲光储系统结合分析。因此，提出了一种不仅对光伏的接入位置、功率进行规划，还在下层规划中考虑了微电网的日运行成本，体现了储能的调度策略，实现了对储能系统的容量配置，从而改善了配电网的电压。

技术实现要素：

本发明所要解决的技术问题是实现一种配电网中光储系统的优化配置方法，通过对光储系统进行整体规划，充分发挥储能系统的优点，进一步改善系统的电能质量。

为了实现上述目的，本发明采用的技术方案为：一种配电网中光储系统的优化配置方法，通过优化配置方法获得光伏系统的最优接入位置、最佳功率容量和储能系统的能量容量，优化配置方法包括以下步骤：

s1、根据选定的配电网模型，分别载入线路参数、负荷参数、系统的基准电压和基准功率初值；

s2、根据所述的配电网模型，在上层规划中以光伏的投资和运行成本、系统网损以及电压稳定裕度为目标，含节点功率、节点电压、安装容量约束，并对节点电压约束和安装总功率约束采用罚函数的形式，建立光伏系统的选址定容优化模型；

s3、通过采用基于小生境的粒子群算法对目标函数求解，得出光伏系统配置pareto解的分布情况，分析出最优的接入位置和最佳功率容量；

s4、采用k均值聚类算法对配电网所在地的日负荷需求和光伏出力进行聚类分析，得到用于确定分布式储能能量容量的典型日负荷曲线和光伏发电曲线；

s5、将上层规划中得到的光伏安装位置和功率作为下层规划的输入数据，在下层规划中，分布式电源和储能构成微电网，以微电网日运行成本最小为目标，考虑了储能调度成本、分布式电源维护成本以及交互成本，含储能系统充放电功率约束以及功率平衡约束；

s6、采用cplex求解器得出储能的最优出力曲线，采用最大区间算法计算出储能的容量。

所述s2中，最小化光伏投资和运行成本的函数表达方式：

式中：c为分布式光伏的投资和运行成本之和；npv为分布式光伏的安装个数；为第n个分布式光伏的安装容量；r为分布式光伏的贴现率；y为使用年限；c1为光伏的单位投资成本；c2为光伏的单位运行成本；

最小化网损的函数表达方式：

式中：ploss为系统的有功网损；ii为支路i中的电流；ri为支路中的电阻；nbranch为系统中支路总数；

电压稳定裕度的函数表达方式：

式中：δu为电压稳定裕度；uj为各个节点的电压；ue为期望电压；up为最大允许电压偏差；nbus为系统的节点总数。

所述s2中选址定容优化模型的约束条件包括节点功率平衡约束、节点电压约束、支路电流约束、安装总容量约束；

所述节点功率平衡约束为：

式中：pi、qi分别表示注入到节点i的有功和无功功率；e、f分别表示节点电压的实部分量和虚部分量；gij、bij分别表示节点导纳矩阵的实分量和虚分量；n为节点总数；

所述节点电压约束为：

式中：分别为节点j电压的下限值和上限值；

所述安装总功率约束：

式中：ppvj为第j个节点安装的光伏电源功率；pdessmax为光伏电源最大允许安装的功率；

所述对节点电压约束和安装总功率约束采用了罚函数的方式，其表达式为：

式中：k1、k2和k3为惩罚系数。

所述s3中，目标函数分别为光伏的投资和运行成本、系统网损以及电压稳定裕度，针对每一个目标函数，所有的配置方案都会根据这个目标函数的优劣生成可行解的排序序列，通过个体的排序来计算适应度，其表达式为：

式中：xj为种群中第j个个体；ri表示在所有种群个体中对目标i的优劣排序后的序号；ei(xj)为xj对目标i所得到的适应度；e(xj)表示xj对所有目标所得到的适应度；k为区间常数。

所述s3中，利用matlab仿真平台，基于小生境的粒子群算法对目标函数求解，输出最优解，得到光伏系统在配电网系统中的最佳接入位置和功率容量。

所述s4通过聚类算法，得到负荷和光伏发电的典型日曲线包括以下步骤：

(1)聚类中心的确定：首先确定聚类数目m，将采取的样本由小到大进行排序，并将样本平均分成m个区间确定出每个区间的样本数，对排列后的样本从小到大进行区间划分，最后计算每个区间的平均值，该平均值即为聚类中心；

(2)k均值聚类算法：采用下式表示：

式中：a为聚类中心的个数；n为采取的样本数；cnm为第n个样本是否属于m类；xⁿ为待聚类的相关因素；ωm为类rm的聚类中心。

所述s5中，储能调度成本的表达式：

式中：k^bess为折算后的单位充放电成本；pt^bess_dis、pt^bess_chη分别为微电网中储能系统在第t时刻的放电、充电功率；η为储能系统的充放电效率。δt为时段t的时长，h,文中取1h；

分布式电源的维护成本表达式：

式中：pjt为发电单元j在t时刻的有功功率输出；komj为发电单元j的运行管理系数；

配电网与光储微电网的交互成本表达式：

式中：pt^buy、pt^sell分别为t时刻微电网向配电网购买和出售的功率；m(t)为实时电价。

所述s5中，微电网日运行成本约束条件包括储能系统充放电功率约束、功率平衡约束；

所述储能系统充放电功率约束：

-pbess,c,max≤pbess,t≤pbess,dis,max

式中：pbess,c,max、pbess,dis,max分别表示储能系统最大充电功率和最大放电功率；

所述功率平衡约束：

ppv,t+pgrid,t＝pload,t+pbess,t

式中：ppv,t为在t时刻光伏系统的输出功率；pgrid,t为微电网与配电网的交互功率；pload,t为在t时刻负荷的需求功率。

所述s6中，最大区间算法步骤为：

1)根据下层规划，可以得出储能系统在一个时间周期内的最优功率曲线；

2)将储能系统运行曲线的充放电过程分为若干区间，每个区间内对时间进行累加，

得到每个区间的容量；

3)选取最大区间容量作为储能系统的配置容量；

s＝max(s(t)),t＝1,2,...,t。

本发明配电网中光储系统的优化配置方法，通过建立配电网等效模型、分布式光伏系统的选址定容优化模型计算出光伏系统在配电网中的最佳接入位置和最佳功率容量，并以此作为下层规划中的输入数据，结合分布式储能系统运行策略规划模型，最终求解出储能的最优出力曲线，采用最大区间算法得出储能装置的能量容量，不仅对配电网的电能质量进行了改善，同时还考虑了储能投资的经济性，降低投资风险。

附图说明

下面对本发明说明书中每幅附图表达的内容作简要说明：

图1为配电网中光储系统的优化配置方法流程图

图2为配电网中光储系统的优化配置方法应用例的算法流程示意图；

图3a、图3b至图3c为配电网中光储系统的优化配置方法应用于ieee-33节点系统的应用前后的各节点电压情况图。

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

本发明提供了一种配电网中光储系统的优化配置方法，通过建立配电网等效模型、分布式光伏系统的选址定容优化模型计算出光伏系统在配电网中的最佳接入位置和最佳功率容量，并以此作为下层规划中的输入数据，结合分布式储能系统运行策略规划模型，最终求解出储能的最优出力曲线，采用最大区间算法得出储能装置的能量容量，不仅对配电网的电能质量进行了改善，同时还考虑了储能投资的经济性，降低投资风险。

从改善电能质量入手，建立了以光伏系统的投资和运行成本、系统网损以及电压稳定裕度的多目标非线性规划模型，合理配置光伏系统在配电网中的接入位置和功率容量，并以此为基础，结合日负荷曲线考虑了微电网日运行成本，通过cplex求解器得出最优储能出力曲线，采用最大区间算法求出储能的能量容量，建立了完整的光储规划方案。

具体如图1所示，配电网中光储系统的优化配置方法包括以下步骤：

s1：根据选定的配电网模型，分别载入线路参数、负荷参数、系统的基准电压和基准功率初值等；

s2：上层规划中以光伏系统的投资和运行成本、系统网损以及电压稳定裕度为目标，含节点功率平衡、节点电压、安装容量等约束，建立光伏系统的选址定容优化模型

步骤s2包括光伏的投资和运行成本、系统网损以及电压稳定裕度的多目标函数。

光伏系统投资和运行成本:

由于光伏电源的投资成本较大，所以在进行光伏配置的过程中，经济因素不容忽视。

式中：c为分布式光伏的投资和运行成本之和；npv为分布式光伏的安装个数；为第n个分布式光伏的安装容量；r为分布式光伏的贴现率；y为使用年限；c1为光伏的单位投资成本；c2为光伏的单位运行成本。

最小化网损:

式中：ploss为系统的有功网损；ii为支路i中的电流；ri为支路中的电阻；nbranch为系统中支路总数。

电压稳定裕度:

式中：δu为电压稳定裕度；uj为各个节点的电压；ue为期望电压；up为最大允许电压偏差；nbus为系统的节点总数。

选址定容约束条件包括节点功率平衡约束、节点电压约束、支路电流约束、安装总容量约束等。

节点功率平衡约束为：

式中：pi、qi分别表示注入到节点i的有功和无功功率；e、f分别表示节点电压的实部分量和虚部分量；gij、bij分别表示节点导纳矩阵的实分量和虚分量；n为节点总数。

节点电压约束为：

式中：分别为节点j电压的下限值和上限值。

所述安装总功率约束：

式中：ppvj为第j个节点安装的光伏电源功率；pdessmax为光伏电源最大允许安装的功率。

对节点电压约束和安装总功率约束采用了罚函数的方式，其表达式为：

式中：k1、k2和k3为惩罚系数，为了有效去除违背约束条件的个体，惩罚系数一般取得较大(本文取1000)。

s3：通过采用基于小生境的粒子群算法对目标函数求解，得到光伏系统配置pareto解的分布情况，分析出最优的接入位置和最佳功率容量；

步骤s3为采用基于小生境的粒子群算法对目标函数求解，其个体适应度是通过个体与个体之间的相互比较确定的，则需要知道各个目标函数的优劣衡量标准就可将个体对目标表现的优劣情况进行排序。在本发明中选取了3个目标函数分别为储能的投资成本、系统的有功网损以及节点电压偏移量。针对每一个目标函数，所有的配置方案都会根据这个目标函数的优劣生成可行解的排序序列。通过个体的排序来计算适应度，其表达式为：

式中：xj为种群中第j个个体；ri表示在所有种群个体中对目标i的优劣排序后的序号；ei(xj)为xj对目标i所得到的适应度；e(xj)表示xj对所有目标所得到的适应度；k为区间常数。

利用matlab仿真平台，基于小生境的粒子群算法对目标函数求解，输出最优解，即得到储能装置在配电网系统中的最佳接入位置和功率容量。

s4：利用聚类算法得到典型日负荷曲线和光伏发电曲线；

步骤s4包括：

(1)聚类中心的确定：首先确定聚类数目m，将采取的样本由小到大进行排序，并将样本平均分成m个区间确定出每个区间的样本数，对排列后的样本从小到大进行区间划分，最后计算每个区间的平均值，该平均值即为聚类中心。

(2)k均值聚类算法：采用如式(9)表示：

式中：a为聚类中心的个数；n为采取的样本数；cnm为第n个样本是否属于m类；xⁿ为待聚类的相关因素；ωm为类rm的聚类中心。

通过聚类算法可以得到负荷和光伏发电的典型日曲线。

s5：将上层规划中得到的光伏系统的安装位置和容量作为下层规划的输入数据，在下层规划分布式电源和储能构成微电网，以微电网日运行成本最小为目标，考虑了储能调度成本、分布式电源维护成本以及交互成本；

步骤s5包括：

以微电网日运行成本最小为目标，考虑了储能调度成本、分布式电源维护成本以及交互成本。

所述储能调度成本的表达式：

式中：k^bess为折算后的单位充放电成本；pt^bess_dis、pt^bess_chη分别为微电网中储能系统在第t时刻的放电、充电功率；η为储能系统的充放电效率。δt为时段t的时长，h,文中取1h。

分布式电源的维护成本表达式：

式中：pjt为发电单元j在t时刻的有功功率输出；komj为发电单元j的运行管理系数。

配电网与光储微电网的交互成本表达式：

式中：pt^buy、pt^sell分别为t时刻微电网向配电网购买和出售的功率；m(t)为实时电价。

微电网日运行成本约束条件包括储能系统充放电功率约束、功率平衡约束。

储能系统充放电功率约束：

-pbess,c,max≤pbess,t≤pbess,dis,max

式中：pbess,c,max、pbess,dis,max分别表示储能系统最大充电功率和最大放电功率。

功率平衡约束：

ppv,t+pgrid,t＝pload,t+pbess,t

式中：ppv,t为在t时刻光伏系统的输出功率；pgrid,t为微电网与配电网的交互功率；pload,t为在t时刻负荷的需求功率。

s6：采用cplex求解器得出储能的最优出力曲线，采用最大区间算法计算出储能的容量；

步骤s6包括：

根据下层规划，可以得出储能系统在一个时间周期内的最优功率曲线。

2)将储能系统运行曲线的充放电过程分为若干区间，每个区间内对时间进行累加，

得到每个区间的容量。

3)选取最大区间容量作为储能系统的配置容量。

s＝max(s(t)),t＝1,2,...,t

一种配电网中光储系统的优化配置方法包括光伏系统的最优接入位置、最佳功率容量和储能系统的能量容量。

以上是对本发明实施例提供的一种配电网中光储系统的优化配置方法的另一个实施例作详细的描述，以下将对本发明实施例提供的一种配电网中光储系统的优化配置方法的应用例进行详细的描述。

如图2所示，本发明实施例提供的一种配电网中光储系统的优化配置方法的一个应用例即本发明改善配电网电能质量的分布式光储储能系统的规划方法，包括：

第一步：读取配电网的相关参数和粒子群算法参数，系统的基准电压和基准功率初值等；

第二步：根据所选的配电网模型，以光伏的投资和运行成本、系统网损以及电压稳定裕度为目标，含节点功率、节点电压、安装容量等约束，并对节点电压约束和安装总功率约束采用了罚函数的形式，建立光伏系统的选址定容优化模型；对配电网进行潮流计算，得到含有分布式光伏系统的潮流计算结果，采用了基于小生境的粒子群算法对各种优化指标求解确定光伏系统的最优位置和最佳功率容量。

第三步：采用聚类算法得到负荷和光伏发电的典型日曲线。

第四步：将上层规划中得到的数据作为下层规划的输入数据，以微电网日运行成本最小为目标，考虑了储能调度成本、分布式电源维护成本以及交互成本。

第五步：对上述的下层规划方案采用cplex求解器求解，得出储能的最优处理曲线，并采用最大区间算法计算储能的容量。

第六步：对上述整体的规划方案计算接入光储系统前后电压大小情况进行比较。

本实施例的光储系统规划方法应用于ieee-33节点系统，图3a、图3b、图3c为接入分布式储能系统前后ieee-33节点配电网系统各个节点电压情况，分为3个场景下的情况。图3a场景1：无分布式电源和储能；图3b场景2：接入分布式电源；图3c场景3：接入分布式储能。

从以上结果可以看出，采用本规划方法对光储系统进行规划，可以改善配电网的电能质量，同时还考虑了储能投资的经济性，提高了设备利用率。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。