一种交直流混合配电网供电能力评估方法与流程

本发明涉及一种供电能力评估方法。特别是涉及一种在考虑可再生能源随机波动性和交直流系统协同调控特性的基础上，基于鲁棒优化的交直流混合配电网供电能力评估方法。

背景技术：

高比例可再生能源的接入使得配电网呈现运行方式多样化、电力电量平衡概率化、运行风险复杂化等新特征，可再生能源的波动性甚至超过负荷成为系统运行不确定性的主要来源，需要新型配电技术的应用来应对这种不确定性。另一方面，电力电子技术的不断进步使得基于电压源换流器的柔性直流配电技术开始在配电网中得到应用，交直流混合配电网将成为未来智能配电网发展的重要形式之一。交直流混合配电技术有利于提升配电网潮流控制能力，降低网络损耗，提高运行安全性，对于高比例可再生能源接入的配电网安全高效运行将起到很好的支撑作用。

配电系统供电能力是指在满足安全运行约束的前提下，配电网络对负荷发展需求的满足能力。供电能力是衡量配电网运行性能的重要指标，其准确评估可用来指导配电网规划，也有助于配电网安全运行。现有文献对于配电网供电能力评估方法开展了大量的研究工作，提出了基于馈线互连和主变互连的线性规划模型、基于潮流计算的重复潮流模型、最优潮流模型和多场景概率模型等评估模型。但现有文献对中压交直流混合配电网的供电能力评估方法没有涉及

技术实现要素：

本发明所要解决的技术问题是，提供一种能够充分挖掘交直流配电网的供电潜力的交直流混合配电网供电能力评估方法。

本发明所采用的技术方案是：一种交直流混合配电网供电能力评估方法，包括如下步骤：

1)设定初始参数：根据配电网的负荷特性，设置各个负荷点的有功功率基准值pl0(i)和功率因数角归一化有功负荷增长系数δpl(i)；设置供电能力裕度指标λ的初始值、有功负荷增长步长h、截止阈值ε；设置配电网直流环节初始控制策略，包括各个电压源换流器的控制模式和控制参数；设置配电网安全运行相关的限值约束，包括节点电压限值、支路电流限值、变压器负载限值、电压源换流器负载限值；

2)设置可再生能源出力基值和波动区间：根据可再生能源的规划容量和当地光照、风速的历史数据，形成可再生能源出力基值和波动区间；

3)形成新负荷：根据如下公式，计算新的负荷：

λ＝λ+h

pl(i)＝pl0(i)+λ·δpl(i)

式中，pl(i)是新的有功负荷；ql(i)新的无功负荷；

4)判断配电网能否安全运行：采用遗传算法对可再生能源出力进行编码，判断出力在波动区间内变化时，配电网是否会出现节点电压越限、支路电流越限、变压器负载越限和电压源换流器负载越限的风险；

5)判断配电网直流环节控制策略调整能否消除运行风险：以消除配电网运行风险为目标，利用粒子群算法对配电网直流环节控制参数进行优化调整，判断是否消除运行风险，是，则更新配电网直流环节控制参数，进入步骤3)；否则，进入步骤6)；

6)修改供电能力裕度指标和有功负荷增长步长：根据如下公式，修改供电能力裕度指标λ和有功负荷增长步长h，进入步骤7)；

λ＝λ-h

h＝h/4；

7)判断有功负荷增长步长是否小于截止阈值ε，是，则进入步骤8)；否则，返回步骤3)；

8)计算交直流混合配电网供电能力指标：

式中，f表示交直流混合配电网供电能力，n表示负荷节点总数。

步骤1)中所述的设置配电网直流环节初始控制策略，具体包括：主电压源换流器采用udcq控制，各从电压源换流器采用pq控制；各从电压源换流器的有功功率值设定为直流配电网净负荷的1/3，剩余负荷和网损由主电压源换流器承担，所有电压源换流器的无功功率值设定为0。

步骤4)包括：

(4.1)确定判断配电网运行风险所采用的遗传算法的目标函数、约束条件，所述的目标函数是分别对节点电压、支路电流、变压器负载和电压源换流器负载进行构造，得到的五种目标函数，约束条件为可再生能源出力的波动区间；

(4.2)随机生成遗传算法中的初始群体，初始群体中包含多个个体，每个个体表示为pdg,i代表第i个可再生能源的有功功率；ndg是可再生能源的数量；

(4.3)根据个体信息确定可再生能源的发电出力，结合配电网负荷数据、直流环节的控制参数和线路参数，进行潮流计算得到各节点电压值、各支路电流值、各变压器负载和各电压源换流器负载，根据构造的一种目标函数，计算个体的适应度函数值，并判断遗传算法计算是否达到收敛条件，是，则进入第(4.5)步；否则，进入第(4.4)步；

(4.4)筛选出适应度函数值处于前40％的个体，进行个体间的交叉互换，交叉概率取20％，再次筛选交叉互换完成后的15％个体，对个体进行变异，完成后，返回第(4.3)步；

(4.5)记录适应度函数值最小的个体和该个体的适应度函数值，进入第(4.6)步；

(4.6)判断是否完成五种目标函数的计算，是，则输出所有的记录，并进入第(4.7)步；否则，选择未计算的目标函数返回第(4.2)步；

(4.7)根据记录判断是否出现节点电压越限、支路电流越限、变压器负载越限和电压源换流器负载越限的风险，否，则返回步骤3)；是，则记下越限时的可再生能源出力，进入步骤5)。

第(4.1)步所述的五种目标函数是：

第一种：选取潮流计算后所有节点电压标幺值的最小值作为目标函数；

第二种：选取潮流计算后所有节点电压标幺值的最大值的相反数作为目标函数；

第三种：选取潮流计算后所有支路电流标幺值的最大值的相反数作为目标函数；

第四种：选取潮流计算后所有变压器负载标幺值的最大值的相反数作为目标函数；

第五种：选取潮流计算后所有电压源换流器负载标幺值的最大值的相反数作为目标函数。

步骤5)所述的利用粒子群算法对配电网直流环节控制参数进行优化调整包括：

(5.1)确定对配电网直流环节控制参数调整所采用的粒子群算法的目标函数、约束条件，所述的目标函数为配电网的运行风险最低，所述的约束条件为各个电压源换流器的容量约束；

(5.2)随机生成粒子群算法中的初始群体，初始群体中包含多个个体，每个个体表示为pvsc表示电压源换流器的有功功率，qvsc表示电压源换流器的无功功率，nvsc表示采用pq控制的电压源换流器的数量；

(5.3)根据个体信息确定配电网直流环节的控制参数，结合步骤4)记下的越限时的可再生能源出力，进行潮流计算得到配电网各节点的电压标幺值、各支路的电流标幺值、各变压器负载标幺值和各电压源换流器负载标幺值，根据下式计算个体的适应度函数值，筛选出适应度函数值最小的个体为最优个体，根据该最优个体计算粒子位置更新数据，然后进入第(5.4)步：

minfrisk＝ω1|umin-u*|+ω2|umax-u*|

+ω3[sign(imax-i*)+1]+ω4[sign(rt,max-rt,*)+1]

+ω5[sign(rvsc,max-rvsc,*)+1]

式中，ω1、ω2、ω3、ω4、ω5为权重值；umin、umax、imax、rt,max和rvsc,max分别是潮流计算得到的节点电压标幺值的最小值、节点电压标幺值的最大值、支路电流标幺值的最大值、变压器负载标幺值的最大值和电压源换流器负载标幺值的最大值；u*、i*、rt,*和rvsc,*分别是节点电压、支路电流、变压器负载和电压源换流器负载的参考值，均取1.0；sign(x)是阶跃函数，用于判断变量是否越界；

(5.4)判断是否满足收敛条件，是，则进入(5.5)步；否，则依据最优个体计算粒子位置更新数据，对第(5.3)步中的所有个体进行位置更新，然后返回第(5.3)步；

(5.5)输出最优个体作为配电网直流环节的控制参数设定值。

本发明的一种交直流混合配电网供电能力评估方法，是在考虑可再生能源随机波动性和交直流系统协同调控特性的基础上，设计的一种供电能力评估方法。本发明针对可再生能源随机波动性的影响，基于鲁棒优化思想构建了供电能力评估模型，确保配电网在可再生能源波动范围内的安全运行；针对交直流系统协同调控特性，本发明提出了交直流换流器的优化控制策略，充分挖掘交直流配电网的供电潜力。

本发明的方法不仅考虑了高比例可再生能源的随机波动性对配电网造成的运行风险问题，还考虑交直流系统协同调控特性对配电网供电能力的提升作用，是对现有供电能力评估方法的完善和补充。本发明的一种交直流混合配电网供电能力评估方法，对于未来交直流混合配电网的规划和运行，具有重要的指导意义。有利于准确评估交直流混合配电网规划方案评估的经济性和可靠性，有利于指导交直流混合配电网的安全运行，是建设智能配电网和能源互联网的重要基础。

附图说明

图1是本发明一种交直流混合配电网供电能力评估方法的流程图；

图2是本发明实例中在不同情景下的供电能力；

图3是本发明实例中不同情景下系统达到最大供电能力时的交直流配电网间的功率流向；

图4是一个包含72个节点的交直流混合配电网拓扑示意图。

具体实施方式

下面结合实施例和附图对本发明的一种交直流混合配电网供电能力评估方法做出详细说明。

如图1所示，本发明的一种交直流混合配电网供电能力评估方法，包括如下步骤：

1)设定初始参数：根据配电网的负荷特性，设置各个负荷点的有功功率基准值pl0(i)和功率因数角归一化有功负荷增长系数δpl(i)；设置供电能力裕度指标λ的初始值、有功负荷增长步长h、截止阈值ε；设置配电网直流环节初始控制策略，包括各个电压源换流器(vsc)的控制模式和控制参数；设置配电网安全运行相关的限值约束，包括节点电压限值、支路电流限值、变压器负载限值、电压源换流器负载限值；

所述的设置配电网直流环节初始控制策略，具体包括：主电压源换流器采用udcq控制，各从电压源换流器采用pq控制；各从电压源换流器的有功功率值设定为直流配电网净负荷的1/3，剩余负荷和网损由主电压源换流器承担，所有电压源换流器的无功功率值设定为0。

2)设置可再生能源出力基值和波动区间：根据可再生能源的规划容量和当地光照、风速的历史数据，形成可再生能源出力基值和波动区间；

3)形成新负荷：根据如下公式，计算新的负荷：

λ＝λ+h(1)

pl(i)＝pl0(i)+λ·δpl(i)(2)

式中，pl(i)是新的有功负荷；ql(i)新的无功负荷；

4)判断配电网能否安全运行：采用遗传算法对可再生能源出力进行编码，判断出力在波动区间内变化时，配电网是否会出现节点电压越限、支路电流越限、变压器负载越限和电压源换流器负载越限的风险；包括：

(4.1)确定判断配电网运行风险所采用的遗传算法的目标函数、约束条件，所述的目标函数是分别对节点电压、支路电流、变压器负载和电压源换流器负载进行构造，得到的五种目标函数，约束条件为可再生能源出力的波动区间；所述的五种目标函数是：

第一种：选取潮流计算后所有节点电压标幺值的最小值作为目标函数；

第二种：选取潮流计算后所有节点电压标幺值的最大值的相反数作为目标函数；

第三种：选取潮流计算后所有支路电流标幺值的最大值的相反数作为目标函数；

第四种：选取潮流计算后所有变压器负载标幺值的最大值的相反数作为目标函数；

第五种：选取潮流计算后所有电压源换流器负载标幺值的最大值的相反数作为目标函数。

(4.2)随机生成遗传算法中的初始群体，初始群体中包含多个个体，每个个体表示为pdg,i代表第i个可再生能源的有功功率；ndg是可再生能源的数量；

(4.3)根据个体信息确定可再生能源的发电出力，结合配电网负荷数据、直流环节的控制参数和线路参数，进行潮流计算得到各节点电压值、各支路电流值、各变压器负载和各电压源换流器负载，根据构造的一种目标函数，计算个体的适应度函数值，并判断遗传算法计算是否达到收敛条件，是，则进入第(4.5)步；否则，进入第(4.4)步；

(4.4)筛选出适应度函数值处于前40％的个体，进行个体间的交叉互换，交叉概率取20％，再次筛选交叉互换完成后的15％个体，对个体进行变异，完成后，返回第(4.3)步，(交叉互换指不同个体相同位置的数据进行互换；变异指随机生成一个处于分布式电源出力波动区间的数据，替换个体的原有数据)；

(4.5)记录适应度函数值最小的个体和该个体的适应度函数值，进入第(4.6)步；

(4.6)判断是否完成五种目标函数的计算，是，则输出所有的记录，并进入第(4.7)步；否则，选择未计算的目标函数返回第(4.2)步；

(4.7)根据记录判断是否出现节点电压越限、支路电流越限、变压器负载越限和电压源换流器负载越限的风险，否，则返回步骤3)；是，则记下越限时的可再生能源出力，进入步骤5)。

5)判断配电网直流环节控制策略调整能否消除运行风险：以消除配电网运行风险为目标，利用粒子群算法对配电网直流环节控制参数进行优化调整，判断是否消除运行风险，是，则更新配电网直流环节控制参数，进入步骤3)；否则，进入步骤6)；

所述的利用粒子群算法对配电网直流环节控制参数进行优化调整包括：

(5.1)确定对配电网直流环节控制参数调整所采用的粒子群算法的目标函数、约束条件，所述的目标函数为配电网的运行风险最低，所述的约束条件为各个电压源换流器的容量约束；

(5.2)随机生成粒子群算法中的初始群体，初始群体中包含多个个体，每个个体表示为pvsc表示电压源换流器的有功功率，qvsc表示电压源换流器的无功功率，nvsc表示采用pq控制的电压源换流器的数量；

(5.3)根据个体信息确定配电网直流环节的控制参数，结合步骤4)记下的越限时的可再生能源出力，进行潮流计算得到配电网各节点的电压标幺值、各支路的电流标幺值、各变压器负载标幺值和各电压源换流器负载标幺值，根据下式计算个体的适应度函数值，筛选出适应度函数值最小的个体为最优个体，根据该最优个体计算粒子位置更新数据，然后进入第(5.4)：

式中，ω1、ω2、ω3、ω4、ω5为权重值；umin、umax、imax、rt,max和rvsc,max分别是潮流计算得到的节点电压标幺值的最小值、节点电压标幺值的最大值、支路电流标幺值的最大值、变压器负载标幺值的最大值和电压源换流器负载标幺值的最大值；u*、i*、rt,*和rvsc,*分别是节点电压、支路电流、变压器负载和电压源换流器负载的参考值，均取1.0；sign(x)是阶跃函数，用于判断变量是否越界；

(5.4)判断是否满足收敛条件，是，则进入(5.5)步；否，则依据最优个体计算粒子位置更新数据，对第(5.3)步中的所有个体进行位置更新，然后返回第(5.3)步；

(5.5)输出最优个体作为配电网直流环节的控制参数设定值。

6)修改供电能力裕度指标和有功负荷增长步长：根据如下公式，修改供电能力裕度指标λ和有功负荷增长步长h，进入步骤7)；

λ＝λ-h(5)

h＝h/4(6)；

7)判断有功负荷增长步长是否小于截止阈值ε，是，则进入步骤8)；否则，返回步骤3)；

8)计算交直流混合配电网供电能力指标：

式中，f表示交直流混合配电网供电能力，n表示负荷节点总数。

下面给出具体实例：

图4为一个包含72个节点、3台变压器和3台vsc的交直流混合配电网拓扑结构图，交流电压等级为10kv，直流电压等级为±10kv，网络基础负荷总值为9.46mw+i*5.54mvar。

图1为本发明提供的一种交直流混合配电网供电能力评估方法的流程图，使用本发明提供的评估方法对图4所示的交直流混合配电网进行评估。

s1阶段：设定各个负荷点的有功功率基准值pl0(i)、功率因数角和归一化有功负荷增长系数δpl(i)，见表1，设置供电能力裕度指标λ的初始值为0，有功负荷增长步长h＝0.946、截止阈值ε＝0.05h，设置各vsc初始控制策略：vsc1采用udcq控制，vsc2和vsc3采用pq控制；vsc2和vsc3的有功功率值设定为直流配电网净负荷的1/3，剩余负荷和网损由vsc1承担，所有vsc的无功功率值设定为0；设置配电网安全运行相关的限值约束：电压偏差限值，偏差上限值取1.05，偏差下限值取0.95；线路载流量限值，线路载流量限值根据线型选取，此处选用lgj-240架空线，该线型最大载流量为610a，线路载流量限值设为610a；vsc的最大容量为5mva，最大负载限值为5mva；变压器的额定容量为10.5mva，最大负载限值约束为10.5mva；

s2阶段：根据可再生能源的规划容量和当地光照、风速的历史数据，设定可再生能源pv1-7，wind1的出力基值为[0.50.80.80.80.80.80.80.2]mw，波动区间为±10％，pv2-7的功率因数为0.95(超前)。进入s3阶段；

s3阶段：根据公式(1)-(3)，计算新的负荷；

s4阶段：采用遗传算法对可再生能源出力进行编码，判断出力在波动区间内变化时，配电网是否会出现节点电压越限、支路电流越限、变压器负载越限和电压源换流器负载越限的风险。

s5阶段：以消除配电网运行风险为目标，利用粒子群算法对配电网直流环节控制参数进行优化调整，判断是否消除运行风险，是，则更新配电网直流环节控制参数，进入s3阶段；否则，进入s6阶段；

s6阶段：根据公式(5)、(6)，修改供电能力裕度指标λ和有功负荷增长步长h，进入s7阶段；

s7阶段：判断有功负荷增长步长是否小于截止阈值ε，是，则进入s8阶段；否则，进入s3阶段；

s8阶段：根据公式(7)，计算交直流混合配电网的供电能力。

s4阶段采用的遗传算法判断配电网运行风险包括按顺序进行的下列步骤：

4.1)确定判断配电网运行风险所采用的遗传算法的目标函数、约束条件，所述的目标函数是分别对节点电压、支路电流、变压器负载和电压源换流器负载进行构造，得到的五种目标函数，以第一种目标函数为例，目标函数表达式为minf1＝umin，umin为潮流计算结果中所有节点电压的最小值；约束条件为各个分布式电源出力波动区间约束，本实施例pv1-7，wind1出力的波动区间为[0.450.720.720.720.720.720.720.18]mw—[0.550.880.880.880.880.880.880.22]mw；

4.2)随机生成遗传算法中的初始群体，本实施例生成100个个体，每个个体表示为pdg,i代表第i个可再生能源的有功功率，本实施例中共接入8个可再生能源电站，所以每个个体是一个包含8个元素的向量；

4.3)根据个体信息确定分布式电源的发电出力，即由对应位置的元素决定pv1-7，wind1的出力值，结合配电网负荷数据、直流环节的控制参数和线路参数，进行潮流计算得到各节点电压值、各支路电流值、各变压器负载和各电压源换流器负载，根据构造的一种目标函数，计算个体的适应度函数值，以第一种目标函数为例，适应度函数的计算为f1＝umin，umin为潮流计算结果中所有节点电压的最小值，并判断是否达到收敛条件，收敛条件为种群所有个体的平均适应度不再变化或达到最大代数，是，则进入第4.5)步；否则，进入第4.4)步；

4.4)筛选出适应度函数值处于前40％的个体，进行个体间的交叉互换，交叉概率取20％。再次筛选交叉互换完成后的15％个体，对个体进行变异，完成后，返回第4.3)步；

4.5)记录适应度函数值最小的个体和该个体的适应度函数值，进入第4.6)步；

4.6)判断是否完成五种目标函数的计算，是，则输出所有的记录，并进入第4.7)步；否则，选择未计算的目标函数返回第4.2)步；

4.7)根据记录判断是否出现节点电压越限、支路电流越限、变压器负载越限和电压源换流器负载越限的风险，否，则返回s3阶段；是，则记下越限时的可再生能源出力，进入s5阶段。

s5阶段所述的利用粒子群算法对配电网直流环节控制参数进行优化调整包括：

5.1)确定对配电网直流环节调整采用的粒子群算法的目标函数、约束条件，所述的目标函数为配电网的运行风险最低，所述的约束条件为各个vsc的容量约束，本实施例取5mva。

5.2)随机生成粒子群算法中的初始群体，初始群体中包含多个个体，本实施例初始群体中包含100个体，每个个体为pvsc代表vsc的有功功率，qvsc代表vsc的无功功率，本实施例配电网直流环节共有4个可控变量，所以每个个体是一个包含4个元素的向量；

5.3)根据个体信息确定配电网直流环节的控制参数，结合步骤4)记下的越限时的可再生能源出力，进行潮流计算得到配电网各节点的电压标幺值、各支路的电流标幺值、各变压器负载标幺值和各电压源换流器负载标幺值，根据式(7)计算个体的适应度函数值，式(7)中，对于u*、i*、rt,*和rvsc，*，本实施例均取标幺值1，考虑到系统运行时，一般不允许出现设备容量越限，而节点电压越接近1.0仅表明系统运行安全性越强，本实施例取ω1＝ω2＝1，ω3＝ω4＝ω5＝100，ω3,ω4,ω5相对于ω1,ω2取值较大，表示不允许出现设备容量越限的意思(类似于罚函数)，权重的数值并不是唯一的；筛选出适应度函数值最小的个体为最优个体，根据该最优个体计算粒子位置更新数据，然后进入步骤5.4)；

5.4)判断步骤5.3)的个体是否满足收敛条件，收敛条件为种群所有个体的平均适应度不再变化或达到最大代数，是，则进入5.5)步；否，则依据最优个体计算粒子位置更新数据，对第5.3)步中的所有个体进行位置更新，然后返回第5.3)步；

5.5)输出最优个体作为配电网直流环节的控制参数设定值。

为说明本发明方法的效果，在此设置四种不同的分析情景，分别求解其供电能力。

情景1：不考虑可再生能源发电设备的波动性，基于确定性的方法求解系统的供电能力；

情景2：基于鲁棒优化的思想，考虑可再生能源出力波动性，但不对vsc控制模式和参数进行优化，计算系统的供电能力；

情景3：在情景2的基础上，对于系统安全性被破坏的情况对vsc2和vsc3的有功控制参数进行优化，计算系统的供电能力；

情景4：在情景2的基础上，对于系统安全性被破坏的情况对vsc2和vsc3的有功和无功控制参数同时进行优化，计算系统的供电能力。

经过计算，上述四种情景下的系统供电能力如图2所示。四种情景下的最大供电能力分别为16.94mw、16.16mw、19.16mw和25.56mw。四种情景下，系统供电能力的限制因素都是交流配电网2的85节点电压水平偏低。各情景下，系统达到最大供电能力时的交直流配电网间的功率流向如图3所示(正值表示整流，负值表示逆变)。

1)情景2与情景1相比，考虑了可再生能源出力的波动性，计算得到的最大供电能力减少了0.78mw。对比两种情景下的分布式电源出力，情景2下分布式电源发电出力处于波动区间下界，表明可再生能源发电对提高系统供电能力有利。同时，由于可再生能源本身固有的随机波动性，确定性的供电能力评估方法存在一定的偏差。

2)情景3与情景2相比，考虑了对vsc2和vsc3的有功参数进行优化，使得系统供电能力提高了3mw。对比图3中情景2和情景3下的vsc控制参数，可以看出，vsc2控制参数由+0.97mw变为-4.98mw，说明直流配电网由从交流配电网2得到有功支撑变为向交流配电网2提供有功支撑。由于交流配电网2的85节点距离vsc2注入节点较近，相对情景2能够获得更好有功支撑，从而有利于提高整个系统的供电能力。

3)情景4与情景3相比，考虑了对vsc2和vsc3的有功和无功控制参数同时进行优化，使得系统供电能力提高了6.4mw。对比图3中情景3和情景4下的vsc控制参数，可以看出，vsc2控制参数由-4.98mw变为-1.76-4.67mva，表明虽然vsc2减小了向交流配电网2提供的有功支撑，但同时提供大量的无功支撑。因为无功对电压幅值的影响比有功更明显，提供较多的无功支撑能够进一步改善交流配电网2的电压水平，从而进一步提高了整个系统的供电能力。

表1