考虑储能并计及光伏随机性的分布式电源优化配置方法与流程

本发明特别涉及一种考虑储能并计及光伏随机性的分布式电源优化配置方法。

背景技术：

随着经济的发展和发电技术的进步，分布式发电(distributedgeneration,dg)开始逐渐大规模接入配网。在我国提倡节能减排的背景下，由于分布式发电(dg)大多数为环境友好型能源，越来越多的研究和投资开始投入至dg发电技术的发展中。根据我国国家能源局发布的《新兴能源产业发展规划》，到2020年，我国风电装机容量将超过1.5亿kw，光伏发电装机容量将超过20gw，生物质能发电装机容量将超过30gw。为妥善解决大规模分布式电源的并网与运行给配网系统带来的影响，分布式发电技术，具体包括分布式电源的并网控制、优化配置与优化调度成为电力工业行业中一个重要的的研究内容。

合理的电源配置能够减少能耗、改善环境污染，配电网的电能质量和供电可靠性还可以得到提高，在我国长期以来的长距离、大容量输电环境下，dg可以为我国传统电网提供有效补充，发展潜力极大。除此之外，在分布式电源接入后，与传统电网调度模式相比，电力调度工作因分布式电源在分布上的离散性和出力上的波动性而变得更为复杂，因此更需要考虑大规模分布式电源接入对配电网运行调度的影响。

针对分布式电源的随机性，构建了基于核密度估计和k-means聚类的分布式电源出力典型日场景生成方法；建立多类型分布式电源的双层优化配置模型，并分别采用遗传算法和粒子群优化算出力上下层优化问题。模型能得到兼顾社会收益和电力公司利益的多类型分布式电源优化配置方案，有效降低系统运行成本。

核密度估计：基于大量历史数据，通过核函数描述数据分布，得到变量的概率密度函数，从而描述变量的随机性。

双层优化配置模型：强调先配置后运行的逻辑关系，上层给出优化配置方案，下层依据上层的优化配置方案进行系统的运行并返回上层，适用于两阶段规划问题。

分布式电源类型较多，包括风力发电机、光伏电池、微型燃气轮机、柴油机、储能电池等。分布式电源接入有利于提高配电网可靠性，降低碳排放，延缓电网建设投资，但分布式电源也会给配电网带来电压稳定性、分布式电源消纳等不确定性问题。因此需要对分布式电源进行合理规划，以规避分布式电源给配电网带来的问题，并最大限度地发挥分布式电源优势。目前分布式电源的配置一般采用简单的单层规划模型，并对风电、光伏出力的不确定性欠缺考虑。

技术实现要素：

本发明的目的是提供一种考虑储能并计及光伏随机性的分布式电源优化配置方法，对不确定性电源的出力采用核密度估计方案进行描述，并采用将规划与运行相结合的双层规划方法进行建模，实现考虑随机性的分布式电源规划，主要规划电源包括光伏电池组、微型燃气轮机以及储能电池。

为了实现以上目的，本发明是通过以下技术方案实现的：

一种考虑储能并计及光伏随机性的分布式电源优化配置方法，其特征在于，包含如下步骤：

s1，根据分布式电源原理及结构，进行分布式电源出力特性数学建模，得到分布式电源双层优化配置模型；

s2，基于规划区域光伏出力历史数据，利用合理密度估计方法确定规划区域的光伏出力概率密度函数；采用k-means聚类方法生成规划区域的典型日光伏出力序列；

s3，基于双层规划理论，上层以年化总成本最低为目标，下层分别从综合社会收益和电力公司收益角度出发，建立配电网分布式电源双层规划模型；

s4，分别采用遗传算法和粒子群算法联合求解双层模型的上下层模型，求得分布式电源优化配置方案及典型日分布式电源出力曲线。

所述的步骤s1具体为：

s1.1，计算光伏电池组稳态输出特性：

式中：ppv,n和ηn、η分别为光伏电池组额定功率、额定光照强度及实际光照强度；

s1.2，计算微型燃气轮机的稳态输出特性：

pgt＝qηgtmgas

式中：pgt是燃气轮机的功率输出；q是燃料的热值；ηgt是发电总效率；mgas是燃料的流速率；

s1.3，计算储能电池的稳态输出特性：

式中：n表示时刻编号，wbat表示电池储电量，σi为自放电系数，ηbat,c和ηbat,d分别为充、放电效率，sbat表示荷电比，wbat,r表示储电设备的额定容量，表示n+1时刻储电设备储电量，pbat,c和pbat,d分别为充、放电功率。

所述的步骤s2具体为：

s2.1，根据历史数据采用核密度估计法生成一天24个小时的每个小时段的光伏出力概率密度函数：

式中：k(u)为核函数，n为历史数据的天数，t表示t时段，h为核密度估计的带宽，为历史数据中第i天t时段的光伏出力，为单位容量光伏在t时段的出力的概率密度函数；

k(u)可表示为：

k(||x-xc||)＝exp{-||x-xc||²/(2*σ²)}

式中，xc为核函数的中心，σ为函数的宽度参数,控制了函数的径向作用范围；

s2.2，基于单位容量光伏出力的概率密度函数生成光伏出力概率分函数，对24小时的光伏出力概率分布式函数序列进行10000次采用得到10000组光伏出力日序列，并采用k-means聚类生成3个典型日光伏出力场景。

所述的步骤s3具体为：

步骤s3.1，分布式电源双层优化配置模型上层以分布式电源接入点以及分布式电源的配置容量为控制变量，以年化总成本为目标函数，其中包括分布式电源年化投资成本以及系统年运行成本，目标函数表示如下：

式中：f1为分布式电源接入后配网的年化总成本，cins为分布式电源年化投资成本，为配网在场景i下的运行成本，即下层在场景i下的目标函数，pi为典型日场景i出现的概率,k为典型日场景数量；r为贴现率，y为设备使用年限，ri和ci分别表示设备i的配置容量和成本，ωdg表示配置的分布式电源集；

约束条件为：

式中：为分布式电源i的最大配置容量，可由配网分布式电网接入限制确定；为下层目标函数的最大值，可取不带惩罚的下层目标函数的最大值，该约束可反映下层优化的收敛性；

步骤s3.2，分布式电源的调度策略进行归类，并针对不同的调度策略分别建立下层典型日场景运行优化模型。

所述的步骤s3.2具体为：

以综合社会效益最优为原则的电网调度策略，将规划目标配电网系统的运行总费用最优作为优化目标，其目标函数如下式：

式中：closs,t为t小时的电网损耗费用，pj,t为t小时中编号为j的分布式电源的调度出力，单位为kw；comj为j的分布式电源的运行维护费用，cgj为j号分布式电源的燃料费用，cmpj为j号分布式电源的排污费用。

所述的步骤s3.2具体为：

以电力公司利益最大化为原则的电网调度策略，通过调节各单元的出力并综合考虑电力公司的分布式电源与外部购电费用，使得电力公司能够以最小的成本满足当地的负荷需求，从而得到最大收益其目标函数如下式：

式中：pgrid,t为配网外部购电功率，cgrid,t外部电网的购电电价，cprice,j号为j的分布式电源的上网标杆电价。

所述的以综合社会效益最优为原则的电网调度策略及以电力公司利益最大化为原则的电网调度策略的约束条件相同，包含：

功率平衡约束：

式中：pload,t和qload,t为系统总的有功和无功负荷；qj,t、qgrid,t和qloss,t分别为分布式电源、联络线和配网内损耗无功功率；

联络线容量约束：

式中：为配网外部联络线的最大容许容量。

节点电压约束：

umin≤ui,t≤umax(i＝1,2,3…)

式中：ui,t表示节点i在t时刻的电压，umin和umax分别表示电压管理规定中的配电网节点电压上、下限；

可调度资源爬坡约束：

pi,t-pi,t-1≤ri,up

pi,t-1-pi,t≤ri,down

模型中受到爬坡约束的机组包括常规机组(与微型燃气机组；ri,up和ri,down分别表示可调度机组i的向上和向下爬坡约束，单位为kw。

储能充放平衡限制：

tdisc＝tchar≤tmax

式中：tmax为储能的最大充/放电时间，tdisc、tchar必须各自在一天的时间段中连续。

所述的采用智能优化算法分别对分布式电源双层规划模型的上、下层进行优化，采用遗传算法解决上层混合整数非线性规划模型，采用粒子群算法解决下层非线性规划模型，描述如下：

s4.1，初始化上层染色体种群，共z个染色体；

s4.2，将上层染色体参数导入下层模型，针对每一个染色体，采用粒子群优化算法对每个典型日场景进行运行优化；

s4.3，将经过下层优化后的所有染色体的三种典型日场景下的运行优化结果返回上层，计算上层各染色体适应度；

s4.4，检查是否达到最大迭代次数，若未达到最大迭代次数，则根据适应度计算结果将上层染色体通过选择、交叉和变异产生新一代种群并返回s4.2；否则输出最优染色体及优化运行方案；

s4.5，算法结束。

本发明与现有技术相比，具有以下优点：

本发明提出的双层规划模型可以从不同利益方出发，给出包括配置节点和容量的分布式电源优化配置方案，有效降低系统年化总成本。

在规划阶段考虑了不确定性电源的随机出力，有利于增强优化方案的鲁棒性。

本发明设计思路清晰，使用方式较为简便，在工程实际中，具有广泛的适用性。

针对分布式电源的随机性，构建了基于核密度估计和k-means聚类的分布式电源出力典型日场景生成方法；建立多类型分布式电源的双层优化配置模型，并分别采用遗传算法和粒子群优化算出力上下层优化问题。模型能得到兼顾社会收益和电力公司利益的多类型分布式电源优化配置方案，有效降低系统运行成本。

附图说明

图1为本发明步骤s4的流程图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

一种考虑储能并计及光伏随机性的分布式电源优化配置方法，其特征在于，包含如下步骤：

s1，根据分布式电源原理及结构，进行分布式电源出力特性数学建模，得到分布式电源双层优化配置模型；

s2，基于规划区域光伏出力历史数据，利用合理密度估计方法确定规划区域的光伏出力概率密度函数；采用k-means聚类方法生成规划区域的典型日光伏出力序列；

s3，基于双层规划理论，上层以年化总成本最低为目标，下层分别从综合社会收益和电力公司收益角度出发，建立配电网分布式电源双层规划模型；

s4，分别采用遗传算法和粒子群算法联合求解双层模型的上下层模型，求得分布式电源优化配置方案及典型日分布式电源出力曲线。

所述的步骤s1具体为：

s1.1，计算光伏电池组稳态输出特性：

式中：ppv,n和ηn、η分别为光伏电池组额定功率、额定光照强度及实际光；其功率因数在滞后0.98～超前0.98之前可调。

s1.2，计算微型燃气轮机的稳态输出特性：

pgt＝qηgtmgas

式中：pgt是燃气轮机的功率输出；q是燃料的热值；ηgt是发电总效率；mgas是燃料的流速率；

s1.3，计算储能电池的稳态输出特性：

式中：n表示时刻编号，wbat表示电池储电量，σi为自放电系数，ηbat,c和ηbat,d分别为充、放电效率，sbat表示荷电比，wbat,r表示储电设备的额定容量，pbat,c和pbat,d分别为充、放电功率。储能电池在优化配置时可以视作p、q可解耦、具有独立可调性能的备用电源或削峰填谷设备使用。在充放电过程中其输出功率基本保持恒定。

所述的步骤s2具体为：

s2.1，根据历史数据采用核密度估计法生成一天24个小时的每个小时段的光伏出力概率密度函数：

式中：k(u)为核函数，n为历史数据的天数，t表示t时段，h为核密度估计的带宽，为历史数据中第i天t时段的光伏出力，为单位容量光伏在t时段的出力的概率密度函数；

k(u)可表示为：

k(||x-xc||)＝exp{-||x-xc||²/(2*σ²)}

式中，xc为核函数的中心，σ为函数的宽度参数,控制了函数的径向作用范围；

s2.2，基于单位容量光伏出力的概率密度函数生成光伏出力概率分函数，对24小时的光伏出力概率分布式函数序列进行10000次采用得到10000组光伏出力日序列，并采用k-means聚类生成3个典型日光伏出力场景。

所述的步骤s3具体为：

步骤s3.1，分布式电源双层优化配置模型上层以分布式电源(distributedgenerator，dg)接入点以及dg的配置容量为控制变量，以年化总成本为目标函数，其中包括dg年化投资成本以及系统年运行成本，目标函数表示如下：

式中：f1为分布式电源接入后配网的年化总成本，cins为分布式电源年化投资成本，为配网在场景i下的运行成本，即下层在场景i下的目标函数，pi为典型日场景i出现的概率,k为典型日场景数量；r为贴现率，y为设备使用年限，ri和ci分别表示设备i的配置容量和成本，ωdg表示配置的dg集；

约束条件为：

式中：为分布式电源i的最大配置容量，可由配网分布式电网接入限制确定；为下层目标函数的最大值，可取不带惩罚的下层目标函数的最大值，该约束可反映下层优化的收敛性；

步骤s3.2，分布式电源的调度策略进行归类，并针对不同的调度策略分别建立下层典型日场景运行优化模型，具体地，根据配电网运行调度的研究现状，在确定优化调度模型的目标时，可以站在不同的利益方考虑问题。因此，本发明将分布式电源的调度策略归纳为两大类，并针对两种调度策略分别建立下层典型日场景运行优化模型。

所述的步骤s3.2具体为：

以综合社会效益最优为原则的电网调度策略，配电网以高效率、低能耗、低污染的原则进行系统优化调度，将规划目标配电网系统的运行总费用最优作为优化目标，具体包括损耗费用、外部购电成本、系统内发电单元的运行维护成本、燃料成本以及排污成本，其目标函数如下式：

式中：closs,t为t小时的电网损耗费用，pj,t为t小时中编号为j的分布式电源的调度出力，单位为kw；comj为j的分布式电源的运行维护费用，cgj为j号分布式电源的燃料费用，cmpj为j号分布式电源的排污费用，均以元/kwh为单位。

所述的步骤s3.2具体为：

以电力公司利益最大化为原则的电网调度策略，通过调节各单元的出力并综合考虑电力公司的分布式电源与外部购电费用，使得电力公司能够以最小的成本满足当地的负荷需求，从而得到最大收益其目标函数如下式：

式中：pgrid,t为配网外部购电功率，cgrid,t外部电网的购电电价，cprice,j号为j的分布式电源的上网标杆电价，均以元/kwh为单位。

所述的以综合社会效益最优为原则的电网调度策略及以电力公司利益最大化为原则的电网调度策略的约束条件相同，包含：

功率平衡约束：

式中：pload,t和qload,t为系统总的有功和无功负荷；qj,t、qgrid,t和qloss,t分别为dg、联络线和配网内损耗无功功率；

联络线容量约束：

式中：为配网外部联络线的最大容许容量。

节点电压约束：

umin≤ui,t≤umax(i＝1,2,3…)

式中：ui,t表示节点i在t时刻的电压，umin和umax分别表示电压管理规定中的配电网节点电压上、下限；

可调度资源爬坡约束：

pi,t-pi,t-1≤ri,up(增出力)

pi,t-1-pi,t≤ri,down(减出力)

模型中受到爬坡约束的机组包括常规机组(系统外购电)与微型燃气机组；ri,up和ri,down分别表示可调度机组i的向上和向下爬坡约束，单位为kw。

储能充放平衡限制：

tdisc＝tchar≤tmax

式中：tmax为储能的最大充/放电时间，tdisc、tchar必须各自在一天的时间段中连续，即要求电池连续充放电从而使调控方便并避免过多充放电引起的储能设备老化。

参见图1，所述的采用智能优化算法分别对分布式电源双层规划模型的上、下层进行优化，采用遗传算法解决上层混合整数非线性规划模型，采用粒子群算法解决下层非线性规划模型，描述如下：

s4.1，初始化上层染色体种群，共z个染色体；

s4.2，将上层染色体参数导入下层模型，针对每一个染色体，采用粒子群优化算法对每个典型日场景进行运行优化；

s4.3，将经过下层优化后的所有染色体的三种典型日场景下的运行优化结果返回上层，计算上层各染色体适应度；

s4.4，检查是否达到最大迭代次数，若未达到最大迭代次数，则根据适应度计算结果将上层染色体通过选择、交叉和变异产生新一代种群并返回s4.2；否则输出最优染色体及优化运行方案；

s4.5，算法结束。

综上所述，本发明一种考虑储能并计及光伏随机性的分布式电源优化配置方法，对不确定性电源的出力采用核密度估计方案进行描述，并采用将规划与运行相结合的双层规划方法进行建模，实现考虑随机性的分布式电源规划，主要规划电源包括光伏电池组、微型燃气轮机以及储能电池。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。