本发明涉及配电系统潮流计算领域,具体涉及考虑充电负荷与光伏出力随机特性的概率潮流分析方法。
背景技术:
近年来,随着石油资源的逐渐枯竭与环境污染的日益加剧,以电动汽车为代表的清洁能源交通工具日益普及。电动汽车充电站是电动汽车充电的主要场所之一,大量电动汽车同时充电时,单个充电站充电功率可达数百千瓦乃至上千千瓦,是配电系统中的重要负荷。受车主交通行为和充电习惯等不确定性因素的影响,电动汽车充电站的充电负荷具有显著的随机特性。与此同时,分布式光伏电站在配电系统中的渗透率日益提高,受制于一次能源,分布式光伏电站的出力同样具有明显的随机特性。在上述两种随机因素的共同作用下,配电系统运行工况必然呈现强随机特征,传统的确定性潮流难以对配电系统运行工况进行准确描述,而必须借助概率潮流对其进行概率评估。在与配电系统有关的规划问题中,规划人员需反复进行基于概率潮流结果的规划方案比选,因此,对配电系统概率潮流分析速度提出了较高要求。综上可见,亟需提出一种考虑充电负荷与光伏出力随机特性的配电系统概率潮流分析方法,对分布式光伏与电动汽车充电站同时接入后的配电系统进行快速概率潮流分析,为规划人员提供决策参考。
文献一《基于进化算法改进拉丁超立方抽样的概率潮流计算》(中国电机工程学报,2011年,第31卷,第25期,第90页至96页)采用基于拉丁超立方采样的蒙特卡洛模拟方法进行电力系统概率潮流计算,并通过含进化算法的改进中值拉丁超立方抽样方法提高概率潮流分析效率。该文献提出的方法可给出准确的概率潮流分析结果,但需要准确的随机变量概率分布模型,且计算量大、计算速度偏慢,难以对分布式光伏与电动汽车充电站同时接入后的配电系统进行快速概率潮流分析。文献二《基于概率潮流法的含分布式光伏的配电网电压状态评估》(电力系统保护与控制,2019年,第47卷,第2期,第123页至130页)提出了基于半不变量结合gram-charlier级数展开的配电系统概率潮流分析方法,对分布式光伏接入后的配电系统进行概率潮流计算,该文献提出的方法计算效率高,但需对配电系统潮流模型进行线性近似,计算误差较大。文献三《基于配电网概率潮流计算的电动汽车充电站规划策略》(电力系统保护与控制,2019年,第47卷,第22期,第9页至16页)采用半不变量和gram-charlier级数对电动汽车大规模充电后的配电系统进行概率潮流分析。与文献二一样,文献三提出的方法效率高,但需配电系统潮流模型进行线性近似,计算误差较大。
电动汽车充电站的充电负荷与分布式光伏电站的出力均具有随机特性,在上述两种随机因素的共同作用下,配电系统运行工况必然呈现极强的随机特性。因此,在与配电系统有关的规划问题中,规划人员需反复进行基于概率潮流结果的规划方案比选。也就是说,亟需提出考虑充电负荷与光伏出力的配电系统概率潮流分析方法,对分布式光伏与电动汽车充电站同时接入后的配电系统进行快速概率潮流分析,为规划人员提供决策参考。然而,现有技术方法要么效率偏低,要么计算误差较大,无法满足规划人员的需求。
技术实现要素:
本发明针对现有技术中存在的不足,本发明的目的是提供考虑充电负荷与光伏出力随机特性的概率潮流分析方法。对分布式光伏与电动汽车充电站同时接入后的配电系统进行快速概率潮流分析,为配电系统规划人员提供决策参考。
本发明为实现上述发明目的,采取的技术方案如下:
考虑充电负荷与光伏出力随机特性的概率潮流分析方法,包括以下步骤:
s1:设定原始数据和概率潮流分析所需的参数,包括:配电系统拓扑结构,配电支路阻抗参数,配电节点典型日内的有功、无功负荷曲线,分布式光伏电站和电动汽车充电站的接入位置,分布式光伏电站历史日出力曲线集,电动汽车充电站历史日充电负荷曲线集,对分布式光伏电站历史日出力曲线集和电动汽车充电站历史日充电负荷曲线集进行聚类的聚类数,典型日内的潮流分析时段数;
s2:采用k均值聚类方法对分布式光伏电站的历史日出力曲线集进行聚类,构建可体现分布式光伏出力随机特性的分布式光伏出力概率场景集;
s3:采用k均值聚类方法对电动汽车充电站的历史日充电负荷曲线集进行聚类,构建可体现电动汽车充电站充电负荷随机特性的电动汽车充电站充电负荷概率场景集;
s4:以分布式光伏出力概率场景集和电动汽车充电站充电负荷概率场景集为基础,构建典型日内的配电系统潮流分析概率场景集;
s5:采用近似前推回代法进行配电系统潮流分析概率场景集中所有场景下的配电系统潮流计算,并按潮流分析概率场景集中的场景概率汇总潮流计算结果,给出典型日内的配电系统概率潮流分析结果。
作为本发明的优选技术方案:所述步骤s2中分布式光伏出力概率场景集的构建步骤,具体如下:s2.1:聚类数记为nc-pv,从nt-pv条分布式光伏历史日出力曲线中随机选取nc-pv条曲线作为初始聚类中心;s2.2:按公式(1)计算所有分布式光伏日出力曲线到各聚类中心的距离,并将其归入距离最近的聚类中心所代表的聚类;
公式(1)中,δpv,i为分布式光伏历史日出力曲线集中的第i条光伏出力曲线(i=1,2,···,nt-pv);
s2.3:按公式(2)计算各聚类中所有分布式光伏出力曲线的均值,并将其作为各聚类新的聚类中心,接着,按公式(1)计算各聚类中所有分布式光伏出力曲线到聚类中心的距离,并按公式(3)计算距离平均值;
公式(2)和公式(3)中,npv,j是第j个聚类中分布式光伏出力曲线的条数;ωj是第j个聚类中分布式光伏出力曲线索引的集合;dpv-av,j是第j个聚类中所有分布式光伏出力曲线到聚类中心的距离平均值;
s2.4:判断各聚类中心
公式(4)中,npv,j是第j个聚类中分布式光伏出力曲线的条数。
作为本发明的优选技术方案:所述步骤s3中电动汽车充电站充电负荷概率场景集的构建步骤,具体如下:s3.1:聚类数记为nc-ev,从nt-ev条电动汽车充电站历史日充电负荷曲线中随机选取nc-ev条曲线作为初始聚类中心;s3.2:按公式(5)计算所有日充电负荷曲线到各聚类中心的距离,并将其归入距离最近的聚类中心所代表的聚类;
公式(5)中,δev,i为电动汽车充电站历史日充电负荷曲线集中的第i条充电负荷曲线(i=1,2,···,nt-ev);
s3.3:按公式(6)计算各聚类中所有充电负荷曲线的均值,并将其作各聚类新的聚类中心,接着,按公式(5)计算各聚类中所有充电负荷曲线到聚类中心的距离,并按公式(7)计算距离平均值;
公式(6)和公式(7)中,nev,j是第j个聚类中充电负荷曲线的条数;γj是第j个聚类中充电负荷曲线索引的集合;dev-av,j是第j个聚类中所有充电负荷曲线到聚类中心的距离平均值;s3.4:判断各聚类中心
公式(8)中,nev,j是第j个聚类中充电负荷曲线的条数。
作为本发明的优选技术方案:所述步骤s4中典型日内的配电系统潮流分析概率场景集的构建步骤,具体如下:
s4.1:按公式(9)计算潮流分析概率场景集中的场景数nc-flow;
nc-flow=nc-pv×nc-ev(9)
公式(9)中,nc-flow是潮流分析概率场景集中的场景数;nc-pv是对分布式光伏历史日出力曲线进行聚类时的聚类数;nc-ev是对电动汽车充电站历史日充电负荷曲线进行聚类的聚类数;s4.2:按公式(10)确定潮流分析概率场景集中各场景下的分布式光伏出力;按公式(11)确定潮流分析概率场景集中各场景下的充电站充电负荷;按公式(12)计算潮流分析概率场景集中各场景的概率;
pflow,k=ppv,m×pev,nk=1,2,···,nc-flowm=1,2,···,nc-pvn=1,2,···,nc-ev(12)
公式(10)中,
公式(11)中,
公式(12)中,pflow,k为潮流分析场景k的场景概率;
s4.3:计算各潮流分析场景下配电节点在典型日内的等效有功功率与等效无功功率。
作为本发明的优选技术方案:所述步骤s4.3中配电节点在典型日内的等效有功功率的计算方法为配电节点有功负荷加上电动汽车充电站的有功充电负荷再减去分布式光伏电站的有功出力;计算时,若配电节点未接入电动汽车充电站,电动汽车充电站的有功充电负荷为零;同样,若配电节点未接入分布式光伏电站,分布式光伏电站的有功出力为零;配电节点在典型日内的等效无功功率的计算方法为配电节点无功负荷加上电动汽车充电站的无功充电负荷再减去分布式光伏电站的无功出力;计算时,若配电节点未接入电动汽车充电站,电动汽车充电站的无功充电负荷为零;同样,若配电节点未接入分布式光伏电站,分布式光伏电站的无功出力为零;分布式光伏的无功出力可根据分布式光伏的有功出力与功率因数计算;电动汽车充电站的无功充电负荷可根据电动汽车充电站的有功充电负荷与功率因数计算。
本发明所述的考虑充电负荷与光伏出力随机特性的概率潮流分析方法,采用以上技术方案与现有技术相比,具有以下技术效果:
本发明对分布式光伏与电动汽车充电站同时接入后的配电系统进行快速概率潮流分析,为规划人员提供决策参考,本发明有利于提高工作效率,减小计算误差,满足规划人员的需求。
附图说明
图1是本发明的方法步骤示意图;
图2是本发明中s2的方法步骤示意图;
图3是本发明中s3的方法步骤示意图;
图4是本发明中s4的方法步骤示意图。
具体实施方式
下面结合附图详细的描述本发明的作进一步的解释说明,以使本领域的技术人员可以更深入地理解本发明并能够实施,但下面通过参考实例仅用于解释本发明,不作为本发明的限定。
如图1所示,考虑充电负荷与光伏出力随机特性的概率潮流分析方法,包括以下步骤:s1:设定原始数据和概率潮流分析所需的参数,包括:配电系统拓扑结构,配电支路阻抗参数,配电节点典型日内的有功、无功负荷曲线,分布式光伏电站和电动汽车充电站的接入位置,分布式光伏电站历史日出力曲线集,电动汽车充电站历史日充电负荷曲线集,对分布式光伏电站历史日出力曲线集和电动汽车充电站历史日充电负荷曲线集进行聚类的聚类数,典型日内的潮流分析时段数;
s2:采用k均值聚类方法对分布式光伏电站的历史日出力曲线集进行聚类,构建可体现分布式光伏出力随机特性的分布式光伏出力概率场景集;聚类数为概率场景集中的场景数,各聚类中心为概率场景集中的场景,场景发生的概率为每个聚类中的分布式光伏日出力曲线数与分布式光伏日出力曲线集中曲线总数的比值;
s3:采用k均值聚类方法对电动汽车充电站的历史日充电负荷曲线集进行聚类,构建可体现电动汽车充电站充电负荷随机特性的电动汽车充电站充电负荷概率场景集;聚类数为概率场景集中的场景数,各聚类中心为概率场景集中的场景,场景发生的概率为每个聚类中的日充电负荷曲线数与充电站日负荷曲线集中曲线总数的比值;
s4:以分布式光伏出力概率场景集和电动汽车充电站充电负荷概率场景集为基础,构建典型日内的配电系统潮流分析概率场景集;具体包括:根据分布式光伏出力概率场景集,电动汽车充电站充电负荷概率场景集与分布式光伏、电动汽车充电站的接入位置确定各潮流分析场景集对应的配电节点等效负荷与场景概率;
s5:采用近似前推回代法进行配电系统潮流分析概率场景集中所有场景下的配电系统潮流计算,并按潮流分析概率场景集中的场景概率汇总潮流计算结果,给出典型日内的配电系统概率潮流分析结果。
如图2所示,步骤s2中分布式光伏出力概率场景集的构建步骤,具体如下:s2.1:聚类数记为nc-pv,从nt-pv条分布式光伏历史日出力曲线中随机选取nc-pv条曲线作为初始聚类中心;s2.2:按公式(1)计算所有分布式光伏日出力曲线到各聚类中心的距离,并将其归入距离最近的聚类中心所代表的聚类;
公式(1)中,δpv,i为分布式光伏历史日出力曲线集中的第i条光伏出力曲线(i=1,2,···,nt-pv);
s2.3:按公式(2)计算各聚类中所有分布式光伏出力曲线的均值,并将其作为各聚类新的聚类中心,接着,按公式(1)计算各聚类中所有分布式光伏出力曲线到聚类中心的距离,并按公式(3)计算距离平均值;
公式(2)和公式(3)中,npv,j是第j个聚类中分布式光伏出力曲线的条数;ωj是第j个聚类中分布式光伏出力曲线索引的集合;dpv-av,j是第j个聚类中所有分布式光伏出力曲线到聚类中心的距离平均值;
s2.4:判断各聚类中心
公式(4)中,npv,j是第j个聚类中分布式光伏出力曲线的条数。
如图3所示,步骤s3中电动汽车充电站充电负荷概率场景集的构建步骤,具体如下:s3.1:聚类数记为nc-ev,从nt-ev条电动汽车充电站历史日充电负荷曲线中随机选取nc-ev条曲线作为初始聚类中心;s3.2:按公式(5)计算所有日充电负荷曲线到各聚类中心的距离,并将其归入距离最近的聚类中心所代表的聚类;
公式(5)中,δev,i为电动汽车充电站历史日充电负荷曲线集中的第i条充电负荷曲线(i=1,2,···,nt-ev);
s3.3:按公式(6)计算各聚类中所有充电负荷曲线的均值,并将其作各聚类新的聚类中心,接着,按公式(5)计算各聚类中所有充电负荷曲线到聚类中心的距离,并按公式(7)计算距离平均值;
公式(6)和公式(7)中,nev,j是第j个聚类中充电负荷曲线的条数;γj是第j个聚类中充电负荷曲线索引的集合;dev-av,j是第j个聚类中所有充电负荷曲线到聚类中心的距离平均值;s3.4:判断各聚类中心
公式(8)中,nev,j是第j个聚类中充电负荷曲线的条数。
如图4所示,步骤s4中典型日内的配电系统潮流分析概率场景集的构建步骤,具体如下:s4.1:按公式(9)计算潮流分析概率场景集中的场景数nc-flow;
nc-flow=nc-pv×nc-ev(9)
公式(9)中,nc-flow是潮流分析概率场景集中的场景数;nc-pv是对分布式光伏历史日出力曲线进行聚类时的聚类数;nc-ev是对电动汽车充电站历史日充电负荷曲线进行聚类的聚类数;s4.2:按公式(10)确定潮流分析概率场景集中各场景下的分布式光伏出力;按公式(11)确定潮流分析概率场景集中各场景下的充电站充电负荷;按公式(12)计算潮流分析概率场景集中各场景的概率;
pflow,k=ppv,m×pev,nk=1,2,···,nc-flowm=1,2,···,nc-pvn=1,2,···,nc-ev(12)
公式(10)中,
公式(11)中,
公式(12)中,pflow,k为潮流分析场景k的场景概率;
s4.3:计算各潮流分析场景下配电节点在典型日内的等效有功功率与等效无功功率。
步骤s4.3中配电节点在典型日内的等效有功功率的计算方法为配电节点有功负荷加上电动汽车充电站的有功充电负荷再减去分布式光伏电站的有功出力;计算时,若配电节点未接入电动汽车充电站,电动汽车充电站的有功充电负荷为零;同样,若配电节点未接入分布式光伏电站,分布式光伏电站的有功出力为零;配电节点在典型日内的等效无功功率的计算方法为配电节点无功负荷加上电动汽车充电站的无功充电负荷再减去分布式光伏电站的无功出力;计算时,若配电节点未接入电动汽车充电站,电动汽车充电站的无功充电负荷为零;同样,若配电节点未接入分布式光伏电站,分布式光伏电站的无功出力为零;分布式光伏的无功出力可根据分布式光伏的有功出力与功率因数计算;电动汽车充电站的无功充电负荷可根据电动汽车充电站的有功充电负荷与功率因数计算。
具体的,本发明首先设定原始数据和概率潮流分析所需的参数,包括:配电系统拓扑结构,配电支路阻抗参数,配电节点典型日内的有功、无功负荷曲线,分布式光伏电站和电动汽车充电站的接入位置,分布式光伏电站历史日出力曲线集,电动汽车充电站历史日充电负荷曲线集,对分布式光伏电站历史日出力曲线集和电动汽车充电站历史日充电负荷曲线集进行聚类的聚类数,典型日内的潮流分析时段数;再采用k均值聚类方法对分布式光伏电站的历史日出力曲线集和电动汽车充电站的历史日充电负荷曲线集进行聚类,分别构建可体现分布式光伏出力和电动汽车充电站充电负荷随机特性的概率场景集。聚类数为概率场景集中的场景数,各聚类中心为概率场景集中的场景,场景发生的概率为每个聚类中的曲线条数与总曲线数的比值。接着,构建配电系统潮流分析概率场景集,即根据分布式光伏出力概率场景集,电动汽车充电站充电负荷概率场景集与分布式光伏、电动汽车充电站的接入位置确定各潮流分析场景集对应的配电节点等效负荷与场景概率。最后,采用近似前推回代法进行所有潮流分析场景集下的配电系统潮流计算,并按潮流分析概率场景集中的场景概率汇总潮流计算结果,给出典型日内的配电系统概率潮流分析结果。
本发明对分布式光伏与电动汽车充电站同时接入后的配电系统进行快速概率潮流分析,为规划人员提供决策参考,本发明有利于提高工作效率,减小计算误差,满足规划人员的需求。
以上所述的具体实施方案,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,所应理解的是,以上所述仅为本发明的具体实施方案而已,并非用以限定本发明的范围,任何本领域的技术人员,在不脱离本发明的构思和原则的前提下所做出的等同变化与修改,均应属于本发明保护的范围。