增量配电网中计及电价响应的分布式电源并网优化配置方法与流程

本发明增量配电网中计及电价响应的分布式电源并网优化配置方法涉及的是一种计及电价响应的分布式电源并网优化配置方法，是一种多目标非线性规划方法，可应用于配电网分布式电源的选址定容及峰谷电价的确立，属于电力系统规划领域。

背景技术

随着社会不断地发展，人类对能源的需求量也越来越大。近些年来，随着科学技术的快速发展，各种新能源被有效地开发利用，分布式发电技术也逐渐应用于一些配电网中。分布式电源作为一种主要以可再生能源开发的新生能源，其具有随机性和不可控的特点，科学地接入分布式电源不仅可以缓解当前能源愈加紧张的局面，也可以有效改善配电网区域的电能质量。故分布式电源接入配电网的首要问题是在什么地方什么时候接入多大容量的电源，这其中需要考虑的问题包括电网的经济性、可靠性等问题，而这些问题应在分布式电源并网前有合理的考虑和规划。

电价响应是主要以激励用户参与电网调峰为目的，引导用户科学、合理用电的需求响应行为。电价响应能够实现用电优化、降低峰谷差、加大新能源消纳，这不仅需要电力公司制定合理的电价来引导用户转移高峰负荷，考虑到配电网内分布式电源本身就具有时序性，故还应结合分布式发电合理的规划布局和配置优化，以减小需求弹性大的用户丢失负荷所造成供电方损失较大售电收入，这样才能实现分布式电源最合理地利用和完成多种目标的统筹兼顾。对于分布式电源在配电网中配置优化问题，以往的相关研究主要存在以下缺陷或不足：

1.未考虑分布式电源在全时序上的分布特征，使得dg在配电网选址和定容的优化结果产生一定的误差。

2.部分研究只考虑定点情况下的容量配置或者只考虑容量固定的选址问题，虽然在一定程度上降低了问题的难度和算法的复杂性，但其应用的场景受到较大的局限，所得到的解不够精确。

3.针对dg在配电网中的选址优化问题，需要对选取的智能寻优算法进行适当的改进，以加快收敛且不丢失解的可行性和可靠性。

4.大部分研究只考对单个优化目标展开分析和研究，考虑到实际需要，通常需要对多个优化目标进行处理，以便于决策和应用。

5.部分研究对需求响应和dg的优化配置或调度进行双层寻优，在一定程度上降低解在全集内全局最优的可能性。

电网公司在增量配电网中经营模式由“购售电价差”转向“准许收入”(统购统销→物流)，收费模式由国网公司代电厂、售电公司收费转变成了用户向售电公司统一交电费，售电公司分别向电网企业交输配电费，向发电企业交购电费。故当前增量配电网的分布式电源优化问题，应考虑电网企业、用户、发电企业的三方博弈，需要构建多方目标寻优，以便为规划提供多方决策或为深层次多方合作规划做准备工作。

技术实现要素：

为克服上述关于分布式电源接入配电网定容选址带来的各项问题和难点，本发明提出一种增量配电网中计及电价响应的分布式电源并网优化配置方法。

本发明是采取以下技术方案实现的：

本发明增量配电网中计及电价响应的分布式电源并网优化配置方法，包含以下步骤：

步骤s1、获取增量配电网区域风速以及日光照强度在个时段全时序上的数据分布，构建风电和光伏的出力模型；

步骤s2、构建增量配电网内各负荷节点在个时段全时序上的分布，同时考虑不同类型的行业的对电价变化反应的差异性，根据相似的其他配电网的需求响应的历史数据，构建获取节点个时段全时序的交叉弹性矩阵，以建立负荷需求响应模型；

步骤s3、供电主体以配电网负荷峰谷差最小、配电网总投资费用最小、配电网网损最小为目标，售电主体以售电收入最大为目标，构建多目标优化函数；

步骤s4、改进遗传算法求解，根据供电主体内部的多个目标函数，建立以方差大小为基础的权重，计算个体的综合适应度，综合外部目标函数，即综合售电主体单目标函数，获取最终的总适应度，采取精英策略的复制算子，自适应的交叉算子和变异算子，加快收敛；

步骤s5、根据遗传算法求解的结果进行解码，获取分布式电源布点位置及其配置容量；

所述一般取值24或96。

本发明方法较于同类型其他研究方法的优势在于：

1、考虑分布式电源出力的全时序分布；

2、采用改进的遗传算法，对分布式发电选址定容和电价响应联合规划问题进行求解；

3、考虑增量配电网多方利益，进行多目标寻优；

本发明构建的计及电价响应的dg优化配置方法，能为增量配电业务开展提供计划和决策提供较好的参考。

附图说明

图1为本发明增量配电网中计及电价响应的分布式电源并网优化配置方法的流程图。

图2为本发明所涉及的改进的遗传算法流程图。

具体实施方式

下面结合附图1和2对本发明作更进一步的说明。

本发明增量配电网中计及电价响应的分布式电源并网优化配置方法包含以下步骤：

在下面的实施例中，将上文发明内容中所述的个时段设为24小时；

步骤s1、获取增量配电网区域风速以及日光照强度在24小时全时序上的数据分布，构建风电和光伏的出力模型。

步骤s1.1、从气象局获取该增量配电网中典型日内24小时全时序的风速数据，对于单个分布式风力发电机，建立以下风力发电出力模型：

(9)

式(9)中，为某时段的配电网区域的风速，为风力发电机切入风速，为额定风速，为切出风速，为单个分布式风力发电机的额定功率。

步骤s1.2、从气象局获取该增量配电网典型日24小时全时序光照强度分布，对于单个分布式光伏电池构建以下光伏出力模型：

(10)

式(10)中，为单个光伏电池有功出力，为电池面积大小，为光照强度，为光电转换效率。

步骤s2、构建增量配电网内各负荷节点在24小时全时序上分布，同时构建节点的负荷需求响应模型。实际上，用户单元功率因数很高，在计算母线节点时的功率只考虑有功功率的需求响应。获取该配电网区域在平均电价下的各节点在24小时全时序上的分布数据，建立以下需求弹性模型：

(11)

式(11)中，为第m时间段电量对n时段电价变化的弹性系数，为某历史平均电价，为对应电价下第m时段电量需求，、分别为m时段的用电量变化和n时段电价较于发生的变化。

本发明在分析不同用户电力需求的影响因素时，主要考虑以下两个方面：

1、分析用户对电价变动的承受力，即自弹性系数的大小；

2、根据不同行业特性和用电习惯，分析峰谷电价时用户将峰时段用电量转移到谷时段的能力，即交叉弹性系数的大小。

不同类型行业对24小时的需求弹性大小根据其他电力系统历史数据或其他相似配电区域近似计算可得，故对当前配电网区域需求弹性系数可由下式计算：

(12)

式(12)中，为第k类行业在基础电价下时段所占负荷的权重，为对应的弹性系数。

综上所述，增量配电网某一节点下用户全时序的电量变化可由下式获取：

(13)

则用户t时段的用电量在进行电价响应以后为：

(14)

步骤s3、考虑到发电和供电方利益侧重点不同，构建多方目标函数。

从电网公司的角度出发，假设分布式电源运营全部由供电公司全额投资，则可考虑目标函数：

(15)

式(15)中，第一个目标函数为网络总损耗最小，第二个目标函数为接入公网节点的峰谷差最小，第三个目标函数为电网公司总投资最小，其中，前面两项为风电和光伏的投资总额，为风电单位有功功率的发电成本，为光伏电池单位面积发电成本，和分别为单个风机和光伏电池的出力，第三项为分布式发电收益，为增量配电网输配电价，为t时段分布式发电参与市场交易的电量。从发电厂角度出发，可考虑全网售电收入最大化的目标函数：

(16)

为t时段售电价，为某节点下第时段内电量，为增量配电网内节点总数。

考虑以下不等式约束约束条件：

(17)

式（17）中，第一项约束为电压不越限，第二项分布式发电渗透率约束，接入的dg总容量和配电网总容量之比不超过渗透率，第三项为电价限制，不超过最大电价且不低于最低电价。

步骤s4、改进遗传算法求解，获取分布式电源布点位置及其配置容量。假设单个分布式风电和光伏的额定功率和电池面积是固定的，因此只要获取配电网区域每个节点上风电和光伏配置数量即可，故编码可采用以下方式：

(18)

式(18)中，、分别为第个节点上风机和光伏的安装数量，、、为该区域峰时段、平时段和谷时段电价，关于时段划分一般可以如下分布：峰(8：00-11：00，16：00-21：00)，平(7：00-8：00，11：00-16：00，21：00-23：00)，谷(23：00-7：00)。

用遗传算法解法步骤如下：

y1、设置种群大小n，设置最大变异率和最小变异率，设置最大交叉率和最小交叉率，最大迭代次数；

y2、形成初始种群，其中基因x采用整数编码，表示分布式电源数量，基因p采用实数编码；

y3、计算每一个目标函数的值。首先考虑电网公司层面的目标函数，由于是公司内部的多个目标函数，彼此之间不存在利益纠纷，故在寻求总体最优的情况下，采用以下方法计算各目标函数的权重以及综合适应度：

s4.1、对每一个个体所表示的配电网进行潮流，计算所有个体的在每一个目标函数的值。采用归一化的方法将每个目标函数值缩放到区间上作为单个目标函数的适应度，假设和为截至当前代数群体最大和最小的适应度，则归一化公式为：

(19)

s4.2、计算所有个体在各目标函数上的适应度值的方差，方差大的目标函数权重越大，以加大pareto最优解的搜索区域，避免造成后续解过于集中加大丢失最优解的可能性：

(20)

式(20)中，为第个目标函数的权重，为第个目标函数适应度，为电网公司考虑目标函数的数量。故针对电网公司的遗传算法个体多目标函数的总的适应度为：

(21)

式(21)中，为第k个目标函数的适应度。同理，发电公司适应度函数也作相同方式计算。

s4.3、考虑到综合发电公司和供电公司合作层面，对各自目标有达成一致的权重（例如，取为1：1），则个体最终适应度为：

(22)

s4.4、复制操作。采取个体精英策略，选取适应度最大的作为个体精英直接进入下一代操作。剩下的的个体根据适应度大小做轮盘概率选取。

s4.5、交叉操作。对当前种群量配对，适应度最大的个体不参与交叉，交叉操作如下：

(23)

式(23)中，分布式电源数量采用整数交叉，电价采用实数交叉。改进交叉率如下：

(24)

式(24)中，t为当前种群遗传代数，t为最大遗传代数，交叉率随遗传代数增加而降低，加快算法收敛。对于每一对基因是否交叉采用轮盘法，若判定进行交叉，按(23)式进行交叉，若不进行交叉，则此等位基因直接进入下一代。

s4.6、变异操作，且个体精英不参与变异操作。每一个基因根据以下改进的自适应变异率，采用轮盘法进行变异操作：

(25)

式(25)中，为当前平均适应度，为截至当前最大适应度，该式实现了变异率随着遗传代数，随着种群平均适应度提高而降低，从加快算法收敛。

s4.7、若达到最大迭代数t，则算法结束；若未达到最大迭代数t，则返回步骤s4.1。

步骤s5、选取最优的一个或几个个体，获取分布式电源的位置和个数信息，以及峰谷平分时段电价，计算各目标函数值，便于决策。

该方法应用于分布式电源接入配电网的优化配置问题，同时综合考虑用户侧的电价需求响应，建立用户对于电价变化的需求响应模型，从而构建分布式电源和电价决策的联合规划模型，考虑以网络损耗最小、电网负荷损失最小、综合效益最大、峰谷差最小等为目的的多目标非线性优化问题，以改进遗传算法求解，获取分布式电源的优化配置方案，同时求得峰谷分时电价。

以上所述具体实施方式详细对本发明内容作了进一步详细的描述，部分参数和函数进行了实例化，实际应用中可有等同替换，也可视具体情况选取合适的参数。