含大规模光伏发电并网的输电网随机规划方法与流程

本发明涉及一种输电网技术，特别涉及一种含大规模光伏发电并网的输电网随机规划方法。

背景技术：

随着经济快速发展，能源和环境问题已成为当今世界所关注的焦点。煤炭、石油、天然气等能源的需求与日俱增，但这些能源不可再生，并且在利用过程中会对环境造成严重污染，对于社会的健康发展和稳定造成的影响也越来越大，太阳能是一种清洁的可再生能源，将太阳能转化为电能的光伏发电技术能有效缓解能源紧缺的严峻形势和环境污染的压力。

在各国政府政策的支持下，经过多年的研究，如今光伏发电已经成为一项较为成熟的新能源发电技术，光伏电能已经渐渐由补充能源向替代能源过渡，其中光伏电站的大型规模化更是成为今后的发展方向及研究重点。随着光伏发电在电力系统中装机容量所占比越来越大，光伏发电的大规模集中开发对于电力系统会产生一定的影响。光伏出力的不确定性也会影响到电网规划。

利用随机规划理论在电力规划研究领域的最新发展，对并网型大规模集中式光伏发电系统及电网扩展规划方法进行研究，分析影响光伏出力的不确定性因素，建立大规模集中式光伏出力模型，然后结合电力系统运行特点采用适合的方法模拟含光伏电站的电力系统随机运行，再结合随机规划理论，建立含大规模光伏发电的电网随机期望值规划模型进行电网规划，充分考虑由于光伏出力不确定性带来的影响，从而得出合适的电网规划方案。

技术实现要素：

本发明是针对太阳能利用对今后电网规划的影响问题，提出了一种含大规模光伏发电并网的输电网随机规划方法，通过模拟大规模光伏的出力，考虑光伏出力的随机性、波动性，基于等效电量函数法和随机规划理论，构建含大规模光伏发电并网的输电网随机规划的数学模型，通过现代优化理论设计合理的混合算法，对规划模型进行有效求解。

本发明的技术方案为：一种含大规模光伏发电并网的输电网随机规划方法，具体包括如下步骤：

1)根据实时光照强度和环境温度数据，模拟大型光伏电站的时序出力曲线：

2)在步骤1)所得光伏电站的时序出力曲线基础上，结合实际电网的参数数据，得到除去光伏出力的净负荷曲线，形成初始等效电量函数，基于等效电量函数法计算确定光伏发电在电力系统中的容量上限；

3)输电网随机期望值二层规划模型的上层模型是以总费用期望值最小为目标，包括新增线路、电源投资建设费用、运行维护费用、停电费用及切负荷惩罚费用期望值；下层模型是以N安全运行条件、N-1安全运行条件下切负荷惩罚费用最小为目标；根据随机期望值二层规划理论和输电网规划约束条件，建立含大规模光伏的输电网随机期望值二层规划模型；

4)上层利用自适应遗传算法进行全局寻优，生成优化网架，得到建设费用，再通过模拟运行得到运行维护费用、环境费用、缺电量费用的期望值，下层利用原始-对偶内点法计算切负荷惩罚费用，反馈给上层得到优化目标的总费用，通过迭代收敛得到最优网架结构。

所述的步骤1)中根据实时光照强度和环境温度数据，模拟大型光伏电站的时序出力曲线，其中大型光伏电站的出力模型为：

P_PV＝ηP_maxη_mpptη_inv

η＝η_ref[1-ε(T_a-T_ref)]

式中，P_PV为光伏电站实际输出功率，P_max为光伏电站在最大功率点跟踪控制下的最大输出功率，η为光伏组件的效率，η_mppt为MPPT控制组件的效率，η_inv为逆变器的效率，η_ref为参考温度下的光伏组件效率，ε为光伏组件温度系数，取为0.003～0.005，T_a为实时环境温度，T_ref为参考温度，取25℃。

所述步骤2)具体步骤如下：

A、将所得的光伏发电的时序出力曲线作为负的负荷与时序负荷曲线相加，将光伏的时序出力曲线从时序负荷曲线中分离，得到净负荷曲线；

B、根据净负荷曲线形成以负荷量为横轴，负荷持续时间为纵轴的等效负荷曲线，根据常规机组容量选取步长，根据发电成本将常规机组进行排序，将等效负荷曲线和结合常规机组容量及相应的强迫停机率相结合，形成初始等效电量函数，依次安排各机组运行，计算其发电量；

C、根据等效电量函数法，在安排完前一个机组的情况下形成新的等效负荷曲线，根据剩余常规机组的容量和相应强迫停机率修正等效电量函数，并检查所有机组是否安排完毕，如果没有，转步骤B，如果全部安排完毕，根据安排好的顺序，计算总运行费用；

D、调节光伏容量在系统中的比重，计算多种情况下的系统生产成本及各个指标，得到光伏容量占比的理论上限。

本发明的有益效果在于：本发明含大规模光伏发电并网的输电网随机规划方法，考虑光伏出力的随机性、波动性，基于等效电量函数法和随机规划理论，构建含大规模光伏发电并网的输电网随机期望值二层规划的数学模型，根据自适应遗传算法和原始-对偶内点法设计合理的混合算法，对规划模型进行有效求解，得出最优规划方案，满足含大规模光伏发电的电网随机规划的需求，具有逻辑结构清晰、实用合理的优点。

附图说明

图1为本发明含大规模光伏发电并网的输电网随机规划方法流程图；

图2为本发明实施例的电气图；

图3为本发明实施例的生产模拟结果曲线一图；

图4为本发明实施例的生产模拟结果曲线二图；

图5为本发明含大规模光伏发电并网的输电网随机规划方法中混合算法的流程图；

图6为本发明实施例的最优规划结果电气图。

具体实施方式

如图1所示含大规模光伏发电并网的输电网随机规划方法流程图，具体包括以下步骤：

S1根据实时光照强度和环境温度数据，模拟大型光伏电站的出力曲线；

S2结合实际电网的参数数据，基于等效电量函数法计算确定光伏发电在电力系统中的容量上限；

S3根据随机期望值二层规划理论和输电网规划约束条件，建立含大规模光伏的输电网随机期望值二层规划模型；

S4根据模型特点采用改进遗传算法和原始-对偶内点法的混合算法求解模型得到最优规划方案。

步骤S1中根据实时光照强度和环境温度数据，模拟大型光伏电站的时序出力曲线，其中大型光伏电站的出力模型为：

P_PV＝ηP_maxη_mpptη_inv

η＝η_ref[1-ε(T_a-T_ref)]

式中，P_PV为光伏电站实际输出功率，P_max为光伏电站在MPPT(最大功率点跟踪)控制下的最大输出功率，η为光伏组件的效率，η_mppt为MPPT控制组件的效率，η_inv为逆变器的效率，η_ref为参考温度下的光伏组件效率，ε为光伏组件温度系数，一般取为0.003～0.005，T_a为实时环境温度，T_ref为参考温度，取25℃。

P_max的值与光伏的U-I特性有关，其数学模型如下式所示：

式中，I、U分别为单个光伏电池的输出电流和电压；C₁、C₂为中间变量，需要根据光照强度和环境温度的变化不断进行修正；I_sc为短路电流，U_oc为开路电压。因为太阳光照强度和环境温度是不断变化的，因此U-I数学模型中C₁、C₂的修正方程如下式所示：

式中，I_m为最大功率点电流，U_m为最大功率点电压。I_sc、U_oc、I_m、U_m为光伏电池技术参数值，与光照变化和环境温度变化有关。本实施例参照单晶硅光伏电池的技术参数，分别取最佳工作电压U_m＝17.1V，开路电压U_oc＝22V，最佳工作电流I_m＝3.5A，开路电流I_sc＝3.8V。本实施例中光伏电池技术参数的修正方程如下式所示：

X＝R/60×697.33

k＝X/X_ref

T_c(t)＝T_a(t)+gR

ΔT＝T_c(t)-T_ref

I'_m＝I_mk(1+aΔT+bX)

I′_sc＝I_sck(1+aΔT+bX)

U'_m＝U_m(k+c)(1-dΔT-eX)

U'_oc＝U_oc(k+c)(1-dΔT-eX)

式中，R为任意太阳辐射强度，单位为mWcm²，X_ref为标准光照强度1000W/m²，X为每月典型日的实时光照强度，k为实时光照强度与标准光照强度的比值；T_ref为参考温度，取为25℃，T_c为光伏组件的温度，T_a为光伏组件所在地的环境温度，T_max、T_min为典型日的气温最大值和最小值，t_p为一天最高气温出现的时刻，一般认为是14:00，g为光照温度系数，取0.03℃m²/W；I_sc’、U_oc’、I_m’、U_m’为I_sc、U_oc、I_m、U_m在不同光照强度和温度下的修正值，a、b、c、d、e是常数，典型值为a＝0.0025/℃，b＝7.5e^-5m²/W，c＝0.5，d＝0.0028/℃，e＝8.4e^-5m²/W。

步骤S2中结合实际电网的参数数据，基于等效电量函数法计算确定光伏发电在电力系统中的容量上限，具体步骤为：

1、将步骤S1中所得的光伏发电的时序出力曲线作为负的负荷与时序负荷曲线相加，将光伏的时序出力曲线从时序负荷曲线中分离，得到净负荷曲线；时序负荷曲线是在同一时间点将电力系统中所有负荷相加从而生成的表征负荷随时间变化的曲线；

2、根据净负荷曲线形成以负荷量为横轴，负荷持续时间为纵轴的等效负荷曲线，根据常规机组容量选取合适的步长，根据发电成本将常规机组进行排序，将等效负荷曲线和结合常规机组容量及相应的强迫停机率相结合，形成初始等效电量函数，依次安排各机组运行，计算其发电量；

3、根据等效电量函数法(等效电量函数法在计算中会按照计算步骤自动修正，这个是等效电量函数法的核心方法)，在安排完前一个机组的情况下形成新的等效负荷曲线，根据剩余常规机组的容量和相应强迫停机率修正等效电量函数，并检查所有机组是否安排完毕，如果没有，转步骤2，如果全部安排完毕，根据安排好的顺序，计算总运行费用；

4、调节光伏容量在系统中的比重，计算多种情况下的系统生产成本及各个指标，得到光伏容量占比的理论上限。

图2为本实施例的电气图，图中G表示常规机组，Bus表示节点母线，Synch.Cond.(synchronous condenser)表示调相机，该电力系统总的生产费用C_total包括燃料费用C_fuel、运行和维护费用C_O&M、平均缺电补偿价格C_UEC、环境费用C_envi，即：

C_total＝C_fuel+C_O&M+C_UEC+C_envi

式中：C_fuel,i为第i台机组单位发电量的燃料费用；C_O&M，i为第i台机组单位发电量的运行和维护费用；EENS为系统缺电量期望值；C_envi,i为第i台机组单位发电量的环境费用，系统共有n台机组发电。对于光伏电站而言，其不消耗燃料，不排放废气，因此其燃料费用、环境费用皆为0。

在实施例中，系统中原有的装机容量不变，光伏容量占系统总装机容量的比例分别为0、5％、10％、15％、20％、30％、40％、50％、60％、70％、80％。模拟结果如图3、4所示，图3表示随着系统中光伏电站容量的增加EENS和LOLP这两个指标的变化情况，其中，LOLP表示系统的电力不足概率(电力系统专有名词)，图4表示随着系统中光伏电站容量的增加，系统中弃光率和总费用的关系，综合图3和图4，为了尽可能消纳光伏发电，降低弃光率，并且保证系统的运行可靠性，系统中光伏容量应不超过总容量的50％。

步骤S3中根据随机期望值二层规划理论和输电网规划约束条件，建立含大规模光伏的输电网随机期望值二层规划模型，其中，本实施例中输电网随机期望值二层规划模型的上层模型是以总费用期望值最小为目标，包括新增线路、电源投资建设费用、运行维护费用、停电费用及切负荷惩罚费用期望值；下层模型是以N安全运行条件、N-1安全运行条件下切负荷惩罚费用最小为目标。

上层模型为：

min E[S]＝E[S_inv]+E[S_oper]

式中，S为系统总费用，S_inv为新增线路、电源投资建设费用，S_oper为下层返回的运行、维护及切负荷费用；C_l为输电线路单位投资费用，取130万元/km；N_l-ij为节点i到j的规划线路条数，N_l-ij、分别为其最大最小值，P_l-ij为线路的额定容量，P_ij为线路实时潮流；C_pv为光伏电站的单位投资费用，取650万元/MW，P_N._pvi为节点i光伏电站的规划容量值；OC_Gi为节点i火力发电机组的单位运行费用，P_Gi为节点i火力发电机组的出力，P_Gi为节点i火力发电机组的出力下限，为节点i火力发电机组的出力上限；OC_pvi为节点i光伏电站的单位运行费用，P_pvi为节点i光伏电站的出力，P_PVi为节点i光伏电站的出力下限，为节点i光伏电站的出力上限；F为下层切负荷惩罚费用，为切负荷期望值，P_Ci为节点i上的切负荷量，P_Di为节点i上的负荷，B为系统网架的导纳矩阵，θ为节点电压相角矩阵，UOC(Unit Outage Cost)为单位缺电损失成本，取19.5元/kW·h，EENS_i为研究期间内各节点电量不足期望值，为其上限。

下层模型为：

min F＝f^N+f^N-1

s.t.

h^N(x,y)＝0

h^N-1(x,y)＝0

式中，F为下层切负荷惩罚费用，f^N为N安全运行条件下的切负荷惩罚费用，f^N-1为N-1安全运行条件下的切负荷惩罚费用；h^N(x,y)＝0为N安全运行条件下的等式约束，h^N-1(x,y)＝0为N-1安全运行条件下的等式约束；为N安全运行条件下的不等式约束，g^N、为g^N(x,y)的最小值和最大值，为N-1安全运行条件下的不等式约束，g^N-1、为g^N-1(x,y)的最小值和最大值；x为状态变量，包括导纳矩阵、节点注入功率、发电机出力上下限、线路额定容量，y为决策变量，包括切负荷量、节点电压相角、线路潮流。

步骤S4中根据模型特点采用改进遗传算法和原始-对偶内点法的混合算法求解模型得到最优规划方案，其中，上层利用改进遗传算法进行全局寻优，生成优化网架，得到建设费用，再通过模拟运行得到运行维护费用、环境费用、缺电量费用的期望值，下层利用原始-对偶内点法计算切负荷惩罚费用，反馈给上层得到优化目标的总费用，通过迭代收敛得到最优网架结构。

本实施例中下层切负荷约束采用原始-对偶内点法，上层采用改进遗传算法，图5为本实施例混合算法的流程图，具体步骤为：

第一步：输入参数，生成原始种群，该种群包含M个样本，样本为初始个体，个体在系统中具体表示生成的输电网规划方案，每个样本都进行N安全运行、N-1安全运行条件下切负荷量期望值计算、线路建设费用计算和生产模拟费用计算，并求得每个个体的总费用期望值；

第二步：按照总费用期望值从大到小排列，记忆前m个个体，并进行网络连通性修正及总费用期望值计算，重新进行排序；

第三步：对随机选择的2个不同个体进行交叉操作，若2个个体相同，对个体进行逆转操作；

第四步：对新个体进行网络连通性修正及总费用期望值计算，若新个体总费用期望值优于原个体，则替换原个体，否则，不替换；

第五步：随机挑选个体进行变异操作；

第六步：对新个体进行网络连通性修正及总费用期望值计算，若新个体总费用期望值优于原个体，则替换原个体，否则对该个体再次实施补算操作；

第七步：对新个体进行网络连通性修正及总费用期望值计算，若新个体总费用期望值优于原个体，则替换原个体，否则，不替换；

第八步：检查是否满足终止迭代次数条件，若不满足，继续第三步操作；若满足，终止迭代，输出结果样本。

第九步：按照切负荷费用期望值、线路建设费用和总费用期望值分别从小到大排序，输出各个结果的最优方案。

其中，本实施例的改进遗传算法采用自适应遗传算法，其交叉概率和变异概率能够根据适应度自动改变。该算法与上层模型结合，首先生成一定数量的初始规划方案，即第一步中所述的样本，然后结合下层模型计算这些样本的适应度，再与平均适应度相比较计算交叉个体和变异个体(即输电网规划方案)的交叉概率和变异概率，最后在满足迭代次数条件后输出最优个体，即最优规划方案。自适应遗传算法中的交叉概率P_c和变异概率P_m的计算公式如下：

式中，f_max为群体中最大的适应度值，f_avg为每代群体的平均适应度值，f′为要交叉的两个个体中较大的适应度值，f为要变异个体的适应度值，k₁、k₂、k₃和k₄为常数。其中，群体指要进行变异和交叉的所有输电网规划方案，个体指单个的输电网规划方案。

本实施例中，节点1、9、13、24的新增光伏容量为40、100、100、60MW，节点9、13、23、24的负荷增加至255、345、50、40MW，根据上述随机期望值二层规划模型及混合算法流程得到的最优规划方案如图6所示。