基于节点电压约束的分布式光伏并网优化方法及系统与流程

1.本发明属于分布式光伏并网技术领域，具体涉及基于节点电压约束的分布式光伏并网优化方法及系统。


背景技术：

2.开展屋顶分布式光伏建设，有利于整合资源实现集约开发、削减电力尖峰负荷、引导居民绿色能源消费。屋顶光伏的高速发展，对配电网会带来不可忽视的影响，目前大多数接入策略都是以10kv线路、配变容量作为约束条件，保障线路、台区不发生重过载，但由于配电网整体可观可测水平较低，无法获得准确的网架拓扑，难以对节点电压进行限制，大量潮流倒送后引起的台区出口高电压问题突出。


技术实现要素：

3.为改善分布式光伏接入引起台区电压高的现状，需从潮流变化引起的电压抬升角度，考虑10kv线路各节点光伏可接入容量。本发明，充分挖掘配电网海量数据价值，从大数据角度开展分布式光伏并网容量和位置优化，在无准确网络拓扑的情况下仍能够计算线路上各台区光伏出力与节点电压变化的关系，从而规模化提出优化的光伏并网策略。
4.本发明提出的一种基于节点电压约束的分布式光伏并网优化方法，包括以下具体步骤：s1.数据获取：从调度电能量管理系统（ems）获取10kv线路电压、电流量测数据，t时刻线路l的电压为u
lt
，电流为i
lt ；从用电信息采集系统获取台区出口电压、电流、功率量测数据，t时刻第i个台区qi的电压为u
qit
，电流为i
qit
，功率为p
qit ，i=1,2,
…
,n，n为台区数量;从pms2.0系统获取线变关系台账、光伏用户台账；s2.数据预处理：对获取的数据进行清洗，通过时间对齐，删除不可用数据；对台区档位进行识别并将出口电压换算至高压侧；考虑线路和台区电压量测数据维度不同，将台区电压换算为线电压；计算每一个时刻点台区对线路的电压差值；s3.基于深度学习构建台区功率和节点电压相关性神经网络：基于深度学习方法，以bp神经网络为基础构建台区功率和节点电压相关性神经网络，将预处理得到的数据集分成训练集和测试集，求解各节点光伏出力与节点电压分布的关系，并对台区功率和节点电压相关性神经网络的实用性进行评估；s4.推荐光伏并网方案：基于训练好的台区功率和节点电压相关性神经网络，计算10kv线路下各台区在线路的相对位置；基于台区在线路相对位置的排序，按特定的顺序向台区注入功率，直至出现节点电压越限或注入功率之和超过线路承载力，得到线路上最小光伏出力限制；根据台区在10kv线路上的相对位置和最小光伏出力限制，推荐光伏并网方案。
5.进一步优选，步骤s2过程如下：s21.数据清洗：考虑到线路、台区的数据时间不同，需先做时间对齐处理，删除不
可用数据；s22.台区档位识别：根据配变档位将获取的台区低压侧采集数据换算为高压侧数据；s23.台区线电压换算：10kv线路电压为母线线电压，台区电压为相电压，需将台区电压换算为线电压；s24.计算时刻t下线路上所有台区对线路首端的电压差。
6.进一步优选，步骤s22过程如下：s221.取某时间段内，线路l在a相电流最小值时刻t
min
对应的电压u
lt-min
，和接带的所有台区q={q1,q2,..., qi,...,qn}电压，形成台区电压序列u
qt-min
={u
q1t-min
,u
q2t-min
,...,u
qit-min
,...,u
qnt-min
}，u
qit-min
为a相电流最小值时刻t
min
第i个台区电压；s222.假设a相电流最小值时刻，各台区高压侧电压近似平均分布，计算各台区高压侧相电压与低压侧出口电压的比值，得到台区的电压比值，第i个台区qi的电压比值k
aqi
=(u
lt-min
/1.732)/u
qit-min
；计算每个台区的电压比值，形成电压比值序列k
aq’={k
aq1
,k
aq2
,..., k
aqi
,...,k
aqn
};s223.将电压比值序列k
aq’按照从大到小排列，取中值k
aq-median
，计算中值比例系数km=25/k
aq-median
，令每个台区的中值化电压比值，第i个台区qi的中值化电压比值k
aqi-m
=k
aqi
*km；s224.对于k
aqi-m
≥25.94的台区，令k
aqi-m
=26.25；对于k
aqi-m
∈[25.31,25.94)的台区，令k
aqi-m
=25.625；对于k
aqi-m
∈[24.69,25.31)的台区，令k
aqi-m
=25；对于k
aqi-m
∈[24.06,24.69)的台区，令k
aqi-m
=24.375；对于k
aqi-m
《24.06的台区，令k
aqi-m
=23.75；s225.将台区低压侧采集数据换算为高压侧电压：u
qit-h
=u
qit
*k
aqi-m
，u
qit-h
为第i个台区qi的高压侧电压；s226.按照步骤s221
‑ꢀ
s225的方法计算b相、c相档位，并换算为高压侧电压。
[0007]
进一步优选，步骤s23中，由第i个台区qi的线电压u’qit
=1.732*u
qit-h
得到。
[0008]
进一步优选，步骤s24中，第i个台区qi对线路首端的电压差du
qit
=u’qit-u
lt
。
[0009]
进一步优选，步骤s3具体过程如下：s31.对于线路l，将经过数据预处理的所有时间断面t=[t1,t2,...,tm]下，tm为第m个采集时点，线路l接带所有台区功率p
t
=[p
q1t
,p
q2t
,..., p
qit
,...,p
qnt
]作为输入，每个台区对线路首端的电压差du
t
=[du
q1t
,du
q2t
,..., du
qit
,...,du
qnt
]作为输出，以bp神经网络为基础构建台区功率和节点电压相关性神经网络；s32.训练台区功率和节点电压相关性神经网络：采用深度学习方法自学习台区功率和节点电压相关性神经网络参数，为台区功率和节点电压相关性神经网络添加隐藏层优化学习效果；s33. 台区功率和节点电压相关性神经网络实用性评估：利用地区年负荷最大、最小和光照最强的日期范围内，所有10kv线路、台区的功率和电压差验证台区功率和节点电压相关性神经网络的实用性，一定比例光伏台区所在节点电压偏差不超过阈值时，台区功率和节点电压相关性神经网络的实用性通过评估，否则在步骤s32进一步优化台区功率和节点电压相关性神经网络训练过程。
[0010]
进一步优选，步骤s4具体过程如下：
s41.计算台区在10kv线路的相对位置：向训练好的台区功率和节点电压相关性神经网络中注入台区功率，以计算台区之间的相对位置；s411.以线路l为例，向接带的所有台区q={q1,q2,... , qi,... ,qn}分别注入功率-p，p为l接带的台区最小容量；即台区功率和节点电压相关性神经网络的输入为台区注入功率矩阵p，，p是n
×
n矩阵；s412.不考虑线路首端功率和电压，线路上全部的功率流动来自于台区注入功率，利用台区功率和节点电压相关性神经网络预测出线路上每个台区对线路首端的电压差预测值duq，即台区所在节点电压，台区功率和节点电压相关性神经网络的输出层为节点电压矩阵du， ，du是n
×
n矩阵;每一组注入功率输入台区功率和节点电压相关性神经网络会得到一组对应的电压差预测结果向量，du
ij
是采用第j组注入功率时，第i个台区所在节点对线路首端的电压差预测值；s413. 按照步骤s411设定的注入功率矩阵，当i=j时，第j组注入功率为-p，仅向第i个台区注入功率-p，预测第i个台区自身的电压差，du
ij
表示为du
ii
；节点电压矩阵对角线上的值du
ii
即向第i个台区注入功率时，第i个台区所在节点的电压，将所有台区按照对应的du
ii
由高到低排列，形成新的台区序列qr，排列顺序即台区距线路首端相对位置的由远到近；s42.计算最小光伏出力限制：按照s413计算得到的台区序列qr，依次向台区注入可接入的最大功率，直至线路上有节点电压越限或注入功率之和超过线路承载力；s421.按照s413计算得到的台区序列qr，依次向台区注入功率并输入训练好的台区功率和节点电压相关性神经网络，直至台区功率和节点电压相关性神经网络预测的节点电压超过给定的阈值，或所有台区的注入功率之和超过线路载流量的设定比例，得到台区注入功率之和为线路l的最小光伏出力限制，记作p
l1
；s422.随机生成n2个整数数组，每个整数数组内部按照升序排列，整数数组最大值和数组长度均不超过线路l接带的台区数量n；按照s413计算得到的台区序列qr，按整数数组的顺序依次向台区注入功率，直至台区功率和节点电压相关性神经网络预测的节点电压超过给定的阈值，或所有台区的注入功率之和超过线路载流量的设定比例，取所有整数数组顺序下台区注入功率之和的最小值，得到线路l的最小光伏出力限制，记作p
l2
；s423.根据步骤s421和s422中计算得到的最小光伏出力p
l1
和p
l2
，计算得到线路最小光伏出力限制p
l-gf
=min(p
l1
, p
l2
)，即两种计算结果的较小值为推荐的线路最小光伏出力限制，此时不会引起线路过电压、过电流问题，且无需改造线路；s43.推荐的光伏并网方案：根据台区在10kv线路上的相对位置和推荐的最小光伏出力限制，提供两种场景下的光伏并网优化方案。
[0011]
进一步优选，步骤s3具体过程如下：s431.考虑节点电压和负载限制的光伏并网方案：不考虑光伏并网顺序，t时刻线路l功率为p
lt
=1.732*u
lt
*i
lt
，线路l全年功率最小值为p
lt-min
，按照用户报装时序接入分布式光伏，线路l上分布式光伏接入总容量为s
gf
，需满足s
gf ≤p
l-gf + p
lt-min
；s432.光伏并网容量最大化方案：考虑分布式光伏并网容量最大化，按照s413计算得到的台区序列qr，在光伏并网过程中，按照qr序列从后向前的时序规划分布式光伏接入；根据实际光伏接入规划，换算为台区注入功率输入台区功率和节点电压相关性神经网络，按照台区功率和节点电压相关性神经网络预测的节点电压不超过给定的阈值、且所有台区的注入功率之和不超过线路载流量的设定比例的条件，重新核算线路l最小光伏出力限制阈值p
l-gf’，并按照s
gf’≤p
l-gf’+ p
lt-min
，得到线路l分布式光伏可接入总容量。
[0012]
一种基于节点电压约束的分布式光伏并网优化系统：包括数据获取模块、数据预处理模块、深度学习模块、光伏并网容量评估模块、结果输出模块。数据获取模块用于连接调度电能量管理系统（ems）、用电信息采集系统、pms2.0系统，获取需要的数据；数据预处理模块用于完成数据清洗、台区档位识别、数据转换、台区对线路电压差计算，得到输出给深度学习模块的数据；深度学习模块用于构建台区功率和节点电压相关性神经网络，建立台区注入功率与节点电压变化的关系；光伏并网容量评估模块基于训练好的深度学习模型，分析台区在10kv线路的相对位置，计算线路最小光伏出力限制，生成光伏并网方案；结果输出模块用于输出推荐的光伏并网方案。
[0013]
本发明提出了一种基于节点电压约束的分布式光伏并网优化方法及系统，充分挖掘配电网海量数据价值，从大数据角度开展分布式光伏并网容量和位置优化，在无准确网络拓扑的情况下仍能够计算线路上各台区光伏出力与节点电压变化的关系，从而规模化提出优化的光伏并网策略。具有以下主要有益效果：（1）充分利用现有采集数据，在最少数据基础上可实现规模化分布式光伏并网优化评估；（2）以10kv线路为单位开展分布式光伏并网策略评估，考虑了缺失准确台区档位的条件下，把采集的低压侧数据换算为高压侧，利用深度学习方法构建台区注入功率和节点电压变化的关系，仅使用基础量测数据即可完成整个计算方案。
[0014]
（3）基于构建的台区功率和节点电压相关性神经网络，综合考虑了线路整体载流量和各节点电压，提出了台区相对位置和线路最小光伏出力限制计算方法，进而给出了优化的光伏并网方案，最大化保障光伏接入线路的安全稳定运行。
[0015]
（4）适用于以台区为单位的低压分布式光伏并网方案评估。
附图说明
[0016]
图1是基于节点电压约束的分布式光伏并网优化方法流程图。
[0017]
图2 是基于节点电压约束的分布式光伏并网优化系统示意图。
具体实施方式
[0018]
下面结合附图进一步详细阐明本发明。
[0019]
参照图1，基于节点电压约束的分布式光伏并网优化方法，包括以下具体步骤：
s1.数据获取：从调度电能量管理系统（ems）获取10kv线路电压、电流量测数据，t时刻线路l的电压为u
lt
，电流为i
lt ；从用电信息采集系统获取台区出口电压、电流、功率量测数据，t时刻第i个台区qi的电压为u
qit
，电流为i
qit
，功率为p
qit ，i=1,2,
…
,n，n为台区数量;从pms2.0系统获取线变关系台账、光伏用户台账。
[0020]
s2.数据预处理：对获取的数据进行清洗，通过时间对齐，删除不可用数据；对台区档位进行识别并将出口电压换算至高压侧；考虑线路和台区电压量测数据维度不同，将台区电压换算为线电压；计算每一个时刻点台区对线路的电压差值。
[0021]
s21.数据清洗：考虑到线路、台区的数据时间不同，需先做时间对齐处理，删除不可用数据。
[0022]
s211.假定线路数据时间为t
l
，线路下所有台区数据时间为t
q1
,t
q2
,
…
, t
qi
,
…
,t
qn
，由于10kv线路、台区标准的采集频率为48点/天或96点/天，对于线路、台区采集器经过时钟校准的情况可直接筛选该线路下共同的采集时点；s212.对于线路、台区采集器未经过时钟校准的情况，部分台区采集器时间存在1-2分钟偏差，应先对台区本身数据时间做偏差处理，将数据时间归算为整点+k*15min或整点+k*30min，k为采集时点排序，再筛选该线路下共同的采集时点；s213.因采集器掉线、信道传输问题或设备故障等原因在上传的量测数据中会有电压为零的时刻，需删除该线路下任一采集点电压为零的时刻。
[0023]
s22.台区档位识别：根据配变档位将获取的台区低压侧采集数据换算为高压侧数据。
[0024]
s221.取某时间段内，线路l在a相电流最小值时刻t
min
对应的电压u
lt-min
，和接带的所有台区q={q1,q2,..., qi,...,qn}电压，形成台区电压序列u
qt-min
={u
q1t-min
,u
q2t-min
,...,u
qit-min
,...,u
qnt-min
}，u
qit-min
为a相电流最小值时刻t
min
第i个台区电压；s222.假设a相电流最小值时刻，各台区高压侧电压近似平均分布，计算各台区高压侧相电压与低压侧出口电压的比值，得到台区的电压比值，第i个台区qi的电压比值k
aqi
=(u
lt-min
/1.732)/u
qit-min
；计算每个台区的电压比值，形成电压比值序列k
aq’={k
aq1
,k
aq2
,..., k
aqi
,...,k
aqn
};s223.将电压比值序列k
aq’按照从大到小排列，取中值k
aq-median
，计算中值比例系数km=25/k
aq-median
，令每个台区的中值化电压比值，第i个台区qi的中值化电压比值k
aqi-m
=k
aqi
*km；s224.对于k
aqi-m
≥25.94的台区，令k
aqi-m
=26.25；对于k
aqi-m
∈[25.31,25.94)的台区，令k
aqi-m
=25.625；对于k
aqi-m
∈[24.69,25.31)的台区，令k
aqi-m
=25；对于k
aqi-m
∈[24.06,24.69)的台区，令k
aqi-m
=24.375；对于k
aqi-m
《24.06的台区，令k
aqi-m
=23.75；s225.将台区低压侧采集数据换算为高压侧电压：u
qit-h
=u
qit
*k
aqi-m
，u
qit-h
为第i个台区qi的高压侧电压；s226.按照步骤s221
‑ꢀ
s225的方法计算b相、c相档位，并换算为高压侧电压。
[0025]
s23.台区线电压换算：10kv线路电压为母线线电压，台区电压为相电压，需将台区电压换算为线电压，由第i个台区qi的线电压u’qit
=1.732*u
qit-h
得到。
[0026]
s24.计算时刻t下线路上所有台区对线路首端的电压差，第i个台区qi对线路首端的电压差du
qit
=u’qit-u
lt
。
[0027]
s3.基于深度学习构建台区功率和节点电压相关性神经网络：基于深度学习方法，以bp神经网络为基础构建台区功率和节点电压相关性神经网络，将预处理得到的数据集分成训练集和测试集，求解各节点光伏出力与节点电压分布的关系，并对台区功率和节点电压相关性神经网络的实用性进行评估。
[0028]
s31.对于线路l，将经过数据预处理的所有时间断面t=[t1,t2,...,tm]下，tm为第m个采集时点，线路l接带所有台区功率p
t
=[p
q1t
,p
q2t
,..., p
qit
,...,p
qnt
]作为输入，每个台区对线路首端的电压差du
t
=[du
q1t
,du
q2t
,..., du
qit
,...,du
qnt
]作为输出，以bp神经网络为基础构建台区功率和节点电压相关性神经网络。
[0029]
s32.训练台区功率和节点电压相关性神经网络：采用深度学习方法自学习台区功率和节点电压相关性神经网络参数，为台区功率和节点电压相关性神经网络添加隐藏层优化学习效果。以tensorflow架构为例构建一个台区功率和节点电压相关性神经网络，将数据集分为训练集和测试集，利用训练集训练台区功率和节点电压相关性神经网络，用测试集验证台区功率和节点电压相关性神经网络预测准确性；为输入层添加线性激活函数activation=linear，添加x个隐藏层（初始令x=1），采用预测值与真实值的均方差评价台区功率和节点电压相关性神经网络的误差，利用梯度下降法（sgd）更新参数，优化台区功率和节点电压相关性神经网络效果，直至误差缩小到设定的阈值范围内。
[0030]
s33. 台区功率和节点电压相关性神经网络实用性评估：利用地区年负荷最大、最小和光照最强的日期范围内，所有10kv线路、台区的功率和电压差验证台区功率和节点电压相关性神经网络在严苛条件下的实用性，一定比例光伏台区所在节点电压偏差（δ=预测的电压差-实际的电压差）不超过阈值时，台区功率和节点电压相关性神经网络的实用性通过评估，否则需在步骤s32进一步优化台区功率和节点电压相关性神经网络训练过程。
[0031]
s4.推荐光伏并网方案：基于训练好的台区功率和节点电压相关性神经网络，计算10kv线路下各台区在线路的相对位置；基于台区在线路相对位置的排序，按特定的顺序向台区注入功率，直至出现节点电压越限或注入功率之和超过线路承载力，得到线路上最小光伏出力限制；根据台区在10kv线路上的相对位置和最小光伏出力限制，推荐光伏并网方案。
[0032]
s41.计算台区在10kv线路的相对位置：向训练好的台区功率和节点电压相关性神经网络中注入台区功率，以计算台区之间的相对位置。
[0033]
s411.以线路l为例，向接带的所有台区q={q1,q2,... , qi,... ,qn}分别注入功率-p，p为l接带的台区最小容量。即台区功率和节点电压相关性神经网络的输入为台区注入功率矩阵p，，p是n
×
n矩阵。
[0034]
s412.不考虑线路首端功率和电压，线路上全部的功率流动来自于台区注入功率，利用台区功率和节点电压相关性神经网络预测出线路上每个台区对线路首端的电压差预测值duq，即台区所在节点电压，台区功率和节点电压相关性神经网络的输出层为节点电压
矩阵du， ，du是n
×
n矩阵;每一组注入功率输入台区功率和节点电压相关性神经网络会得到一组对应的电压差预测结果向量，du
ij
是采用第j组注入功率时，第i个台区所在节点对线路首端的电压差预测值；s413. 按照步骤s411设定的注入功率矩阵，当i=j时，第j组注入功率为-p，仅向第i个台区注入功率-p，预测第i个台区自身的电压差，du
ij
可表示为du
ii
。节点电压矩阵对角线上的值du
ii
即向第i个台区注入功率时，第i个台区所在节点的电压，将所有台区按照对应的du
ii
由高到低排列，形成新的台区序列qr，排列顺序即台区距线路首端相对位置的由远到近。
[0035]
s42.计算最小光伏出力限制：按照s413计算得到的台区序列qr，依次向台区注入可接入的最大功率，直至线路上有节点电压越限或注入功率之和超过线路承载力。
[0036]
s421.按照s413计算得到的台区序列qr，依次向台区注入功率并输入训练好的台区功率和节点电压相关性神经网络，每个台区注入功率为台区容量s的80%，直至台区功率和节点电压相关性神经网络预测的节点电压超过给定的阈值，或所有台区的注入功率之和超过线路载流量的80%，得到台区注入功率之和为线路l的最小光伏出力限制，记作p
l1
。
[0037]
s422.随机生成n2个整数数组，每个整数数组内部按照升序排列，整数数组最大值和数组长度均不超过线路l接带的台区数量n；按照s413计算得到的台区序列qr，按整数数组的顺序依次向台区注入功率，每个台区注入功率为台区容量的80%，直至台区功率和节点电压相关性神经网络预测的节点电压超过给定的阈值，或所有台区的注入功率之和超过线路载流量的80%，取所有整数数组顺序下台区注入功率之和的最小值，得到线路l的最小光伏出力限制，记作p
l2
。
[0038]
例：假设第w个整数数组zw=[z1,z2,...,zj]，zj为整数数组的元素，整数数组zw长度为j，应满足j《n且zj《n，整数数组内部按照升序排列。在台区序列qr中，依次向第z1,z2,...,zj个台区注入功率并输入训练好的台区功率和节点电压相关性神经网络，每个台区注入功率为台区容量的80%，直至台区功率和节点电压相关性神经网络预测的节点电压超过给定的阈值，或所有台区的注入功率之和超过线路载流量的80%，此时台区注入功率之和为第w个整数数组顺序下最小光伏出力，计算随机生成的n2个整数数组顺序下的最小光伏出力（台区注入功率之和），取最小值即满足现有网架场景的线路l最小光伏出力限制，记作p
l2
。
[0039]
s423.根据上述步骤中计算得到的最小光伏出力p
l1
和p
l2
，计算得到线路最小光伏出力限制p
l-gf
=min(p
l1
, p
l2
)，即两种计算结果的较小值为推荐的线路最小光伏出力限制，此时不会引起线路过电压、过电流问题，且无需改造线路。
[0040]
s43.推荐的光伏并网方案：根据台区在10kv线路上的相对位置和推荐的最小光伏出力限制，提供两种场景下的光伏并网优化方案。
[0041]
s431.考虑节点电压和负载限制的光伏并网方案：不考虑光伏并网顺序，t时刻线路l功率为p
lt
=1.732*u
lt
*i
lt
，线路l全年功率最小值为p
lt-min
，按照用户报装时序接入分布式光伏，线路l上分布式光伏接入总容量为s
gf
，需满足s
gf ≤p
l-gf + p
lt-min
。
[0042]
s432.光伏并网容量最大化方案：考虑分布式光伏并网容量最大化，按照s413计算得到的台区序列qr，在光伏并网过程中，优先选择排序较后的台区，按照qr序列从后向前的时序规划分布式光伏接入。此时可根据实际光伏接入规划，换算为台区注入功率输入台区功率和节点电压相关性神经网络，按照台区功率和节点电压相关性神经网络预测的节点电压不超过给定的阈值、且所有台区的注入功率之和不超过线路载流量的80%条件，重新核算线路l最小光伏出力限制阈值p
l-gf’，并按照s
gf’≤p
l-gf’+ p
lt-min
，得到线路l分布式光伏可接入总容量。
[0043]
如图2所示，本发明还提供一种基于节点电压约束的分布式光伏并网优化系统，包括数据获取模块、数据预处理模块、深度学习模块、光伏并网容量评估模块、结果输出模块。数据获取模块用于连接调度电能量管理系统（ems）、用电信息采集系统、pms2.0系统，获取需要的数据。数据预处理模块用于完成数据清洗、台区档位识别、数据转换、台区对线路电压差计算，得到输出给深度学习模块的数据。深度学习模块用于构建台区功率和节点电压相关性神经网络，建立台区注入功率与节点电压变化的关系。光伏并网容量评估模块基于训练好的深度学习模型，分析台区在10kv线路的相对位置，计算线路最小光伏出力限制，生成光伏并网方案。结果输出模块用于输出推荐的光伏并网方案。