一种主动配电网等值模型的构建方法与流程

1.本发明涉及主动配电网技术领域，尤其涉及一种主动配电网等值模型的构建方法。


背景技术：

2.国内外学者在主动配电网的等值模型方面已经做了大量的研究工作。主动配电网的等值模型包括静态模型和动态模型两类。对于静态模型，配电网可简化为一个zip模型(恒阻抗z，恒电流i，恒功率p)或者一个恒功率负荷模型(pq模型)，但是这些模型都不能反映出不同分布式发电独自的特征。因此，许多学者开始考虑不同类型分布式发电的影响以及可再生能源的不确定性。有部分文献把分布式发电用一个等值发电机描述，这个等值发电机可以提供无功支持。有部分文献用一个消耗负功率的负荷来代替分布式风机和光伏发电系统。张等人提出了一种主动配电网分布式发电规划方法，根据分解与协调的思想，将规划模型转化为考虑需求侧管理和网络重构的三层规划模型。部分科研工作者提出了一个由等效发电机、支路和负载组成的双层静态等效模型。上层等效模型考虑灵敏度和功率损耗的一致性，下层等效模型考虑静负荷特性。部分文献用参数辨识模型代替了逆变器发电机和负荷，并根据历史数据，对参数进行优化。部分文献利用之前的风光荷数据，对不确定性进行预测。但是考虑跨境网络的等值建模时，境外网络中含有大量的风机和光伏发电系统，规模庞大，导致可再生能源发电不仅有时间上的不确定性，还有空间上的不确定性，这给网络等值带来了新的挑战，也正是需要解决的问题。


技术实现要素：

3.本发明所要解决的技术问题在于，提供一种考虑可再生能源发电随机性的主动配电网模型的构建方法，以提高工程实用价值和拓宽应用前景。
4.为了解决上述技术问题，本发明实施例提供一种主动配电网等值模型的构建方法，包括：
5.步骤s1，确定待等值主动配电网的历史数据，包括待等值电网网络数据、可再生能源历史数据；
6.步骤s2，对数据进行预处理；
7.步骤s3，对预处理后的数据样本，根据考虑可再生能源发电随机性的主动配电网等值模型对待等值网络进行等值建模；
8.步骤s4，基于等值结果分析等值前后的网络等值精度。
9.进一步地，所述步骤s3具体包括：
10.步骤s31，计算主动配电网的功率平衡方程；
11.步骤s32，分别建立等值风机模型、等值光伏发电系统和等值zip负荷模型；
12.步骤s33，对不确定性分量进行等值。
13.进一步地，所述主动配电网的功率平衡方程为：
14.p
in
+jq
in
＝
‑
(p
w
+jq
w
)
‑
(p
pv
+jq
pv
)+(p
l
+p
loss
)+j(q
l
+q
loss
)
15.其中，p
in
为输电网注入的有功功率，q
in
为输电网注入的无功功率；p
w
为分布式风机输出的有功功率，qw为分布式风机输出的无功功率；p
pv
为分布式光伏发电输出的有功功率，q
pv
为分布式光伏发电输出的无功功率；p
l
、p
loss
分别是负荷和网络损耗的有功功率，q
l
、q
loss
分别是负荷和网络损耗的无功功率。
16.进一步地，所述步骤s32建立等值风机模型具体包括：
17.步骤s321，获取风机功率曲线函数：
[0018][0019]
其中，v
ci
为切入风速，v
co
为切出风速，v
r
为额定风速；p
r
为风机额定功率，q(v)是流量与风速v的函数；
[0020]
步骤s322，采用一个反正弦函数来拟合v
r
＜v≤v
co
段的风速曲线，并获得观测风机的风速v，按下式计算等值风机的有功功率：
[0021]
p
w
＝ω1arcsin(ω2v+ω3)+ω4[0022]
其中ω
i
(i＝1，2，3，4)是通过历史数据进行拟合的参数。
[0023]
进一步地，所述步骤s32建立等值光伏发电系统具体包括：
[0024]
采用最大功率追踪控制的模型来表示光伏发电的模型，它的有功功率由光照强度和温度决定：
[0025]
v
mp
(g，t)＝v
mp，stc
+k
v
(t
‑
t
stc
)+v
t
ln(g/g
stc
)+αlog(g/g
stc
)
[0026]
v
mp
(g，t)＝v
mp，stc
+k
v
(t
‑
t
stc
)+v
t
ln(g/g
stc
)+αlog(g/g
stc
)
[0027]
p
mp
(g，t)＝v
mp
(g，t)i
mp
(g，t)
[0028]
p
pv
(g，t)＝ηp
mp
(g，t)
[0029]
其中，k
v
，k
i
，v
mp，stc
，i
mp，stc
，α，η是通过历史数据进行拟合的参数，g
stc
和t
stc
分别是标准测试条件下的光照强度和温度；k
v
和k
i
分别是电压和电流系数，v
t
是二极管的热电压，并且v
t
＝kt/g，k是玻尔兹曼常数，q是电子电荷，α是光伏面板系数，η是逆变器的转换效率。
[0030]
进一步地，所述步骤s32建立zip负荷模型具体包括：
[0031]
用静态zip负荷来代替主动配电网的复杂负荷：
[0032][0033]
其中，a
pi
，a
qi
(i＝1，2，3)是通过历史数据进行拟合的参数，v是节点电压。
[0034]
进一步地，所述步骤s33具体包括：
[0035]
步骤s331，根据风机功率曲线函数和等值风机的有功功率，计算得到在给定风速下的等值风机的输出功率；
[0036]
步骤s332，计算确定性分量与测量值之间的误差画出误差的概率密度直方图pdh；
[0037]
步骤s333，用概率分布拟合误差的pdh，得到等值模型功率输出随机性分量的概率密度函数pdf。
[0038]
进一步地，采取高斯分布模型描述可再生能源发电功率随机性分量的概率特性：
[0039][0040]
其中，μ和σ分别是与实际测量值误差的均值和方差，是通过历史数据拟合的参数。
[0041]
进一步地，已知观测风机的观测风速，求解不同安装地点的n台风机的风速的采样值以及风机有功功率的步骤如下：
[0042]
假设每台风机的风速服从威布尔分布，根据历史风速数据拟合风速v
t
(t＝1，2，
…
，n)的边缘分布；
[0043]
假设等值风速在某时刻的概率分布与未知风速在同一时刻的概率分布之间的关系服从高斯联合分布函数，根据历史风速数据拟合联合分布函数；
[0044]
当等值风速给定时，根据联合分布函数与边缘分布函数求出风速的条件分布函数；
[0045]
使用lhs采样方法对风速的条件分布进行采样，获得多组风速样本；
[0046]
将所述风速样本输入到各自的风机模型，得到每台分布式风机的有功功率。
[0047]
进一步地，所述步骤s4具体包括：
[0048]
采取lhs方法对基于高斯概率分布的不确定性分量进行采样，获得多组等值风机和等值光伏发电的不确定性功率分量；
[0049]
在给定等值风速和等值光照强度和温度后，获得等值风机和等值光伏发电的确定性功率分量，将两种分量相加得到有功功率；
[0050]
分别测量在原模型和等值模型中，多组可再生能源发电样本中对应的节点的电压幅值v
b
和输电网侧节点注入的视在功率s
b
，然后比较两个模型中v
b
和s
b
的概率分布。
[0051]
本发明实施例的有益效果在于：本发明可实现风电、光伏等随机性可再生能源接入配电网的等值建模，具有显著的工程实用价值，具备广泛的应用前景；本发明公开的考虑可再生能源随机性的主动配电网等值模型可考虑空间分布的随机性，等值精度优于不考虑空间分布随机性的等值模型。
附图说明
[0052]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0053]
图1为本发明实施例一种主动配电网等值模型的构建方法的流程示意图。
[0054]
图2为本发明实施例中主动配电网的等值模型示意图。
[0055]
图3为本发明实施例中风机的典型运行曲线示意图。
[0056]
图4为本发明实施例中改进的ieee33节点配电网系统示意图。
[0057]
图5为为本发明实施例中adn连接在节点20的ieee 30节点输电网系统示意图。
[0058]
图6为本发明实施例中等值系统和实际系统的边界电压幅值示意图。
[0059]
图7为本发明实施例中等值系统和实际系统的边界节点的注入视在功率示意图。
[0060]
图8为本发明实施例中等值系统和实际系统电压幅值的概率密度函数示意图。
[0061]
图9为本发明实施例中等值系统和实际系统注入视在功率的概率密度函数示意图。
具体实施方式
[0062]
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
[0063]
请参照图1所示，本发明实施例提供一种主动配电网等值模型的构建方法，包括：
[0064]
步骤s1，确定待等值主动配电网的历史数据，包括待等值电网网络数据、可再生能源历史数据；
[0065]
步骤s2，对数据进行预处理；
[0066]
步骤s3，对预处理后的数据样本，根据考虑可再生能源发电随机性的主动配电网等值模型对待等值网络进行等值建模；
[0067]
步骤s4，基于等值结果分析等值前后的网络等值精度。
[0068]
具体地，图2展示了主动配电网的等值模型，它包括一个等值风机模块、一个等值光伏发电模块和一个等值zip负荷模块。这些模块分别反映了主动配电网中分布式风机、分布式光伏发电系统和网络内部负荷与网络损耗的集成效果。
[0069]
假设已知输电网注入主动配电网的总功率、主动配电网中分布式风机总输出功率、分布式光伏发电总输出功率以及负荷与网络损耗的总和，主动配电网的功率平衡方程为：
[0070]
p
in
+jq
in
＝
‑
(p
w
+jq
w
)
‑
(p
pv
+jq
pv
)+(p
l
+p
loss
)+j(q
l
+q
loss
)
ꢀꢀꢀꢀ
(1)
[0071]
其中，p
in
为输电网注入的有功功率，q
in
为输电网注入的无功功率；p
w
为分布式风机输出的有功功率，q
w
为分布式风机输出的无功功率；p
pv
为分布式光伏发电输出的有功功率，q
pv
为分布式光伏发电输出的无功功率；p
l
、p
loss
分别是负荷和网络损耗的有功功率，q
l
、q
loss
分别是负荷和网络损耗的无功功率。
[0072]
由于风速、光照强度以及温度等气象条件的不确定性，风机和光伏发电具有不确定性。在主动配电网中，以风机为例，可再生能源发电设备的安装地点随用户在配网中的位置分布而确定；而图2所示的主动配电网模型则使用一个安装在边界节点处的等值风机模块表示所有分布式风力发电的集成效果。由于配电网中气象观测点较少，很难在每台分布式风机处均安装风速测量点，并且将每个安装点的实时风速数据传输至输电网调度员也涉及过多的数据量。因而，每台分布式风机处的风速是未知的。在这种情况下，等值建模工作首先需要在配网的所有风机中指定一个观测风机，其安装点的风速是可观测的。然而，根据风速的尾流效应可知，每台分布式风机实际吸收的风速与等值风速通常是不同的。每台分布式风机的实际风速与等值风速的差异即导致了分布式风力发电的空间随机性。
[0073]
因此，主动配电网等值模型的注入功率不是恒定的值，而是由确定性功率分量和不确定性功率分量构成。
[0074]
(一)确定性功率分量
[0075]
(1)等值风机
[0076]
风机的输出功率由风机特性决定。典型的风机功率曲线是以切入风速(cut
‑
in wind speed)、额定风速(rated wind speed)和切出风速(cut
‑
out wind speed)作为分段点的三段式曲线，如图3所示，其函数表达式如下：
[0077][0078]
其中，v
ci
为切入风速，v
co
为切出风速，v
r
为额定风速；
[0079]
采用一个反正弦函数来拟合第二段风速曲线，在获得观测风机的风速v后，等值风机的有功功率表示如下：
[0080]
p
w
＝ω1arcsin(ω2v+ω3)+ω4ꢀꢀꢀꢀ
(3)
[0081]
其中ω
i
(i＝1，2，3，4)是需要通过历史数据利用最小二乘法进行拟合的参数。假设分布式风机都工作在单位功率因数条件下，因此这些风机的输出无功功率为零。
[0082]
(2)等值光伏发电系统
[0083]
虽然人工神经网络方法常用在光伏发电的建模，但是机理式模型更能描述光伏发电的实际行为。因此，采用最大功率追踪控制的模型来表示光伏发电的模型，它的有功功率由光照强度和温度决定。
[0084]
v
mp
(g，t)＝v
mp，stc
+k
v
(t
‑
t
stc
)+v
t
ln(g/g
stc
)+αlog(g/g
stc
)
ꢀꢀꢀꢀꢀ
(4)
[0085]
v
mp
(g，t)＝v
mp，stc
+k
v
(t
‑
t
stc
)+v
t
ln(g/g
stc
)+αlog(g/g
stc
)
ꢀꢀꢀꢀꢀꢀ
(5)
[0086]
p
mp
(g，t)＝v
mp
(g，t)i
mp
(g，t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0087]
p
pv
(g，t)＝ηp
mp
(g，t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0088]
其中k
v
，k
i
，v
mp，stc
，i
mp，stc
，α，η是需要通过历史数据进行拟合的参数，g
stc
和t
stc
分别是标准测试条件下的光照强度和温度，并且g
stc
＝1000w/m2，t
stc
＝25℃；k
v
和k
i
分别是电压和电流系数，v
t
是二极管的热电压，并且v
t
＝kt/q，k是玻尔兹曼(boltzmann)常数，q是电子电荷，α是光伏面板系数，与光照强度和温度有关，η是逆变器的转换效率。
[0089]
假设分布式光伏发电都工作在单位功率因数条件下，因此这些光伏发电的输出无功功率为零。
[0090]
(3)等值zip负荷
[0091]
用静态zip负荷来代替主动配电网的复杂负荷，常用的zip负荷模型为：
[0092][0093]
其中，a
pi
，a
qi
(i＝1，2，3)是需要通过历史数据进行拟合的参数，v是节点电压。
[0094]
(二)不确定性分量
[0095]
由于可再生能源发电的时间上和空间上的不确定性，定义不确定性分量如下：
[0096][0097]
其中，少∈{w，pv}，它们分别表示风机和光伏发电系统，p
y
表示确定性分量，由相
关的数学方程得出，表示不确定性分量。以分布式风机为例，根据测量值拟合不确定性分量步骤如下：
[0098]
1)根据公式(2)和(3)，可以得到在给定风速下的等值风机的输出功率；
[0099]
2)根据公式(9)，可以得到确定性分量与测量值之间的误差(即不确定性分量)，进而画出误差的概率密度直方图(probability density histogram，pdh)；
[0100]
3)用概率分布拟合误差的pdh，即可得到等值模型功率输出随机性分量的概率密度函数(probability density function，pdf)。
[0101]
采取高斯分布模型描述可再生能源发电功率随机性分量的概率特性：
[0102][0103]
其中，μ和σ分别是与实际测量值误差的均值和方差，是需要通过历史数据拟合的参数。
[0104]
以下以某地区电网两种类型的真实数据为仿真对象来具体说明本发明的考虑可再生能源发电随机性的主动配电网模型。
[0105]
选择的测试系统是一个基于ieee 33节点配电网和ieee 30节点输电网的改进63节点系统。其中10台风机和10台光伏发电系统接入ieee 33节点配电网，其所在节点编号用粗体表示，此时配电网变成主动配电网，如图4所示。同时，33节点主动配电网通过一个降压变压器连接于ieee 30节点输电网中的20节点，如图5所示。主动配电网的内部负荷设置为zip负荷。
[0106]
测试所用的风速数据来源于国内风电场，光照和温度数据来源于美国国家可再生能源实验室网站。数据样本的采样间隔时间均为5分钟，仿真时间为24h。假设33节点主动配电网等值模型被图2所示的等值模型所替代。同时假设注入配电网的总功率、分布式风机总输出功率、分布式光伏发电总输出功率以及节点31的电压幅值。选取节点42为观测节点，因此我们可以获得节点42处观测风机的风速以及观测光伏发电的光照强度和环境温度。
[0107]
(1)实际系统的不确定性
[0108]
在实际系统中可再生能源发电的随机性是根据已有的各处风速和光照强度拟合得到。以风速为例，已知观测风机的观测风速，求解不同安装地点的n台风机的风速的采样值以及风机有功功率的步骤如下：
[0109]
1)假设每台风机的风速服从威布尔分布，根据历史风速数据拟合风速v
t
(t＝1，2，
…
，n)的边缘分布；
[0110]
2)假设等值风速在某时刻的概率分布与未知风速在同一时刻的概率分布之间的关系服从高斯联合分布函数，根据历史风速数据拟合联合分布函数；
[0111]
3)当等值风速给定时，根据联合分布函数与边缘分布函数求出风速的条件分布函数；
[0112]
4)使用lhs采样方法对风速的条件分布进行采样，获得多组风速样本；
[0113]
5)风速样本输入到各自的风机模型，可以得到每台分布式风机的有功功率。
[0114]
(2)精度评估
[0115]
为了评估等值主动配电网模型考虑随机性的精度，采取lhs方法对基于高斯概率分布的不确定性分量进行采样，获得500组等值风机和等值光伏发电的不确定性功率分量。在给定等值风速和等值光照强度和温度后，可以获得等值风机和等值光伏发电的确定性功率分量。两种分量相加可以得到有功功率。
[0116]
分别测量在原模型和等值模型中，500组可再生能源发电样本中对应的节点31的电压幅值v
b
和输电网侧节点31注入的视在功率s
b
。然后，比较两个模型中v
b
和s
b
的概率分布。
[0117]
图6和图7分别展示了等值模型和实际模型在边界节点处的电压幅值和视在功率。从图中可以看出，考虑了可再生能源设备的随机性之后，等值模型在边界节点处的误差更小，说明等值模型的精度更高。此外，还评估了在8小时处1000组边界节点电压幅值和视在功率的概率密度函数。
[0118]
从图8和图9可以看出，等值模型和实际模型电压幅值和注入视在功率的概率密度函数几乎重合，说明等值模型可以很精确地代替主动配电网。同样地，为了评估等值模型在输电网中概率潮流的精度，比较了两个模型中输电网30个节点电压幅值和支路潮流的误差均值。
[0119]
由上可知，相比于现有技术，本发明实施例带来的有益效果在于：本发明可实现风电、光伏等随机性可再生能源接入配电网的等值建模，具有显著的工程实用价值，具备广泛的应用前景；本发明公开的考虑可再生能源随机性的主动配电网等值模型可考虑空间分布的随机性，等值精度优于不考虑空间分布随机性的等值模型。
[0120]
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。