含节点注入功率不确定性的有源配电网量测优化配置方法
【技术领域】
[0001] 本发明涉及一种有源配电网，具体涉及一种有源配电网量测优化配置方法。
【背景技术】
[0002] 高渗透率分布式电源（distributed generation，DG)、大规模电动汽车(plug-in electric vehicle，PEV)和储能系统（energy storage system，ESS)等可控负荷的接入，使 得传统的单向辐射状配电网逐步转变为含多能源供电系统、必要时辅助以弱环状拓扑结构 运行的有源配电网（active distribution network，ADN)。与此同时，配电网态势感知系统 有望能够进一步快速、准确地感知系统的实时运行状态，为电网的安全稳定运行奠定基础。
[0003] 然而，一方面，由于PEV的充电随机性以及DG出力的波动性使得当前配电网态势感 知结果需要考虑更多的不确定性因素，传统的配电网状态估计面临严峻挑战；另一方面，出 于成本等因素考虑，目前难以在网络结构庞大且错综复杂的配电网每一个功率注入节点或 是每一条馈线配置智能电表（smart meters，SMs)、馈线终端设备（feeder terminal units，FTUs)等量测装置，从而使得由数据采集与监控（supervisory control and data acquisition，SCADA)系统中获取的系统实时状态量难以满足调度人员的要求。因此，加快 构建适合有源配电网低碳化、智能化运行与控制的新型量测与监控系统，意义重大。
[0004] 当前，结合态势感知结果与数据采集点优化配置问题开展的研究大多集中于输电 网络及传统配电网，在有源配电网中仅有零星的研究。目前对有源配电网中结合状态估计 与数据采集点优化配置问题所开展的研究普遍存在以下几个不足之处：
[0005] 1)建立的数学模型均是基于单相对称型网络结构，模型中的DG出力均是根据大量 历史统计数据模糊得出；
[0006] 2)忽略了大规模电动汽车充电负荷对配电网的影响，对电动汽车充电负荷的不确 定性没有进行详细的阐述与建模；
[0007] 3)在对所建立的数学模型求解方面采用的遗传算法等存在耗时长、全局收敛性差 等弊端。
【发明内容】
[0008] 发明目的：本发明的目的在于针对现有技术的不足，提供一种含节点注入功率不 确定性的有源配电网量测优化配置方法，用于满足当前配电网态势感知系统在大规模电动 汽车和光伏发电系统并网后能够快速准确地感知系统实时运行状态的要求。
[0009] 技术方案:本发明提供了一种含节点注入功率不确定性的有源配电网量测优化配 置方法，包括以下步骤：
[0010] (1)利用动态概率密度函数对大规模电动汽车充电负荷以及光伏发电系统出力的 不确定性进行建模分析；
[0011] (2)从状态估计角度对有源配电网在含节点注入功率不确定后的网络可观测性进 行分析，并定义有源配电网完全可观测的指标；
[0012] (3)以有源配电网中量测配置即数据采集点数量最少为目标函数，以网络完全可 观测为约束条件，建立含网络节点注入功率不确定性的有源配电网量测优化配置模型；
[0013] (4)采用自适应协方差矩阵进化策略算法（covariance matrix adaptation evolution strategy，CMA_ES)对所述有源配电网量测优化配置模型进行优化求解，可得在 确保网络完全可观测情况下的数据采集点最优配置方案。
[0014] 有益效果：1、本发明可以弥补当前配电网态势感知系统中忽略电动汽车充电随机 性及光伏系统出力间歇性的不足，为有源配电网下一步安全评估提供理论支撑；
[0015] 2、本发明在确保网络完全可观测的情况下可以给出系统所需配置量测装置的最 少数量，由此可进一步降低有源配电网的运行成本，有效提高系统经济性能；
[0016] 3、本发明中采用的自适应协方差进化策略相比于遗传算法、粒子群算法等智能寻 优方法而言收敛速度快，可避免陷入局部最优解，从而更易搜索到全局最优解。
【附图说明】
[0017] 图1为本发明的方法流程图；
[0018] 图2为实施例采用的某一简单有源配电网结构及其量测系统示意图；
[0019] 图3为实施例利用CMA-ES算法对含网络节点注入功率不确定性的有源配电网量测 优化配置模型进行求解的流程图。
【具体实施方式】
[0020] 下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施 例。
[0021] 实施例:本发明基于现有理论研究基础之上，以动态概率密度函数表征PEV充电随 机性和DG出力间歇性，建立了含网络节点注入参数不确定性的有源配电网量测(数据采集 点)优化配置模型，并采用CMA-ES算法对模型进行优化求解，从而可以得到在确保网络完全 可观测情况下的数据采集点最优配置方案，有效降低系统运行成本，且可以为有源配电网 下一步安全评估提供理论支撑。
[0022]本实施例一种含节点注入功率不确定性的有源配电网量测(数据采集点）优化配 置方法的具体步骤如图1所示，包括：
[0023] 步骤一:利用动态概率密度函数对电动汽车充电负荷以及光伏发电系统出力的不 确定性进行建模分析；
[0024] 步骤二:从状态估计角度对有源配电网可观测性进行分析，并定义了网络完全可 观测的指标；
[0025] 步骤三：以量测配置数量最少为目标函数，以网络完全可观测为约束条件，建立有 源配电网量测优化配置数学模型；
[0026] 步骤四：采用一种自适应协方差矩阵进化策略对上述模型进行优化求解，可得在 给定系统状态估计误差允许情况下的数据采集点最优配置方案。
[0027] 步骤一中，本发明在用动态概率密度函数表征电动汽车(PEV)充电负荷不确定性 时，根据目前PEV的运行和发展情况，对其充电负荷进行建模描述时做如下假设：
[0028] 1)本发明以PEV 60(EPRI)为例进行研究，暂不考虑PEV放电缓解电网高峰用电的 情况；
[0029] 2)为了进一步体现PEV充电负荷的不确定性，本发明不考虑PEV的有序充电模式， 仅针对无序充电模式进行研究；
[0030] 3)PEV在最后一次出行结束后即刻开始充电，直到充满为止。
[0031] PEV的充电负荷主要受车主的行驶特性、充电时长以及电池特性等因素的影响，根 据美国交通部2009年对全美家用车辆的调查数据可知PEV用户的行驶特性，其中日行驶里 程近似服从对数正态分布，最后一次出行结束时间近似服从Weibull分布，其概率密度函数 分别为公式(1)、公式(2)所示：
(1)
[0033]式中，d为日行驶里程，W和〇d分别为对数正态分布的期望值和标准差。
(2)
[0035]式中，t为最后一次出行结束时间，kt和ct分别为Weibull分别的两个形状参数。
[0036]此外，电动汽车电池S0C与其日行驶里程d也近似满足线性关系，即
C3；
[0038]式中，D为电动汽车纯电动状态的最大行驶里程。
[0039] 结合式（1)和(3)可得PEV充电前电池S0C的概率密度函数为
(4)
[0041]根据公式（1)~(4)，利用蒙特卡洛仿真可抽样出单一 PEV在t时刻充电负荷的期望 值y(t)和标准差〇(丨）。假设某一充电站共有N辆PEV，利用上述方法可分别抽样出每一辆PEV 的充电负荷，将t时刻N辆PEV充电负荷进行累加，从而可获得t时刻PEV的总体充电负荷需 求，且服从正态分布，如式(5)所示：
(5)
[0043]式中，liPEVs(t)和〇PEVs(t)分别为t时刻电动汽车充电负荷的期望值和标准差。
[0044] 需要说明的是，电动汽车充电负荷采用单位因数控制，则其无功需求期望值为零。
[0045] 步骤一中，在利用动态概率密度函数表征光伏系统发电功率不确定性时，考虑到 光