一种考虑风光储充接入的双层协同优化配置方法及装置

技术领域

本发明涉及电力规划技术领域，特别是涉及一种考虑风光储充接入的双层协同优化配置方法及装置。

背景技术

微电网是内部能量能够基本实现自平衡的系统，在保障配电网供电可靠性、加强配网末端延伸等方面，具有重要作用。随着商业模式的日益成熟，配电网和微电网必然由不同的运营商进行经营，因此在调度方式上呈现去中心化的态势。但由于配电网规划的全局性，难以进行统一规划，以使效益的最大化。同时，由于新型源荷储的调节能力，增加了配电网规划的难度，使得进一步加剧电网规划的不确定性。

发明内容

本发明所要解决的技术问题是：提供一种考虑风光储充接入的双层协同优化配置方法及装置，提升配电网规划的准确性。

为了解决上述技术问题，本发明采用的技术方案为：

一种考虑风光储充接入的双层协同优化配置方法，包括：

以全域配电网综合成本最小化为第一目标函数构建规划层模型；

以各区域运行成本最小为第二目标函数构建运行层模型；

根据所述规划层模型以及运行层模型建立配-微网双层协同优化配置模型；

初始化所述规划层模型，得到初始种群；

根据所述初始种群对所述运行层模型进行迭代求解，得到第一目标解集；

根据所述第一目标解集对所述规划层模型进行迭代求解，得到第二目标解集，并判断当前第二目标解是否满足迭代终止条件，若是，则将所述第二目标解集作为最优配置结果输出。

为了解决上述技术问题，本发明采用的另一技术方案为：

一种考虑风光储充接入的双层协同优化配置装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的一种考虑风光储充接入的双层协同优化配置方法中的各个步骤。

本发明的有益效果在于：通过建立双层协同优化配置模型，上层为建规划层模型用于根据求解最小的全域配电网综合成本，下层为运行层模型用于求解各区域运行成本最小，并且在求解双层协同优化配置模型时，先对下层模型进行迭代求解后再对上层模型进行迭代求解，从而提高配电网规划的准确性。

附图说明

图1为本发明实施例中的一种考虑风光储充接入的双层协同优化配置方法的步骤流程图；

图2为本发明实施例中的一种考虑风光储充接入的双层协同优化配置方法采用的典型日居民负荷曲线；

图3为本发明实施例中的一种考虑风光储充接入的双层协同优化配置方法采用的典型日商业负荷曲线；

图4为本发明实施例中的一种考虑风光储充接入的双层协同优化配置方法采用的典型日工业负荷曲线；

图5为本发明实施例中的一种考虑风光储充接入的双层协同优化配置方法采用的典型日风力发电出力曲线；

图6为本发明实施例中的一种考虑风光储充接入的双层协同优化配置方法采用的典型日光伏发电出力曲线；

图7为本发明实施例中的一种考虑风光储充接入的双层协同优化配置方法的电动汽车负荷曲线；

图8为本发明实施例中的一种考虑风光储充接入的双层协同优化配置方法的模型求解过程流程图；

图9为本发明实施例中的一种考虑风光储充接入的双层协同优化配置方法的配-微电网系统扑图。

图10为本发明实施例中的一种考虑风光储充接入的双层协同优化配置装置的结构示意图。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

请参照图1，一种考虑风光储充接入的双层协同优化配置方法，包括：

以全域配电网综合成本最小化为第一目标函数构建规划层模型；

以各区域运行成本最小为第二目标函数构建运行层模型；

根据所述规划层模型以及运行层模型建立配-微网双层协同优化配置模型；

初始化所述规划层模型，得到初始种群；

根据所述初始种群对所述运行层模型进行迭代求解，得到第一目标解集；

根据所述第一目标解集对所述规划层模型进行迭代求解，得到第二目标解集，并判断当前第二目标解是否满足迭代终止条件，若是，则将所述第二目标解集作为最优配置结果输出。

由上述描述可知，本发明的有益效果在于：通过建立双层协同优化配置模型，上层为建规划层模型用于根据求解最小的全域配电网综合成本，下层为运行层模型用于求解各区域运行成本最小，并且在求解双层协同优化配置模型时，先对下层模型进行迭代求解后再对上层模型进行迭代求解，从而提高配电网规划的准确性。

进一步地，所述以全域配电网综合成本最小化为第一目标函数构建规划层模型包括：

其中，F

由上述描述可知，通过设备投资成本、运行成本、调节成本以及电能质量越限惩罚成本构建总投资成本模型模型，以及根据电网节点的电阻、电抗、无功和电压构建快速电压稳定性，考虑到电网运行过程中的多种成本数据以及运行稳定性，使上层规划层模型更贴合电网实际的运行方式，提高模型精度。

进一步地，所述以全域配电网综合成本最小化为第一目标函数构建规划层模型包括：

f

其中，f

由上述描述可知，根据独立调度区域在不同场景下的本地的线损、运行成本以及调节成本构建下层规划层模型，即考虑了各个独立调度区域在不同场景下的实际成本，提高了下层规划层模型的精度。

进一步地，所述根据所述规划层模型以及运行层模型建立配-微网双层协同优化配置模型包括：

其中，min{F

由上述描述可知，通过引入不等式约束、等式约束结合规划层模型以及运行层模型建立配-微网双层协同优化配置模型，确保双层模型满足电网实际的运行需求以及标准。

进一步地，所述初始化所述规划层模型，得到初始种群之前还包括：

获取电网历史数据，根据所述电网历史数据建立负荷时序模型，以及根据所述电网历史数据建立储能时序模型。

由上述描述可知，通过电网历史数据建立负荷时序模型，以及储能时序模型，能够精确的描述电网在运行过程的中负荷变化以及储能变化。

进一步地，所述根据所述电网历史数据建立负荷时序模型包括：

基于所述电网历史数据通过负荷特性曲线构建风机的负荷时序模型、光伏的负荷时序模型以及传统负荷的负荷时序模型；

基于所述电网历史数据采用蒙特卡洛法构建分布式电动汽车充电站的负荷时序模型。

由上述描述可知，通过负荷特性曲线构建风机的负荷时序模型、光伏的负荷时序模型以及传统负荷的负荷时序模型，能够准确的描述风机、光伏以及传统负荷的负荷变化；而由于电动汽车充电站的用电存在不确定性，因此通过蒙特卡洛法构建分布式电动汽车充电站的负荷时序模型，能够准确的描述其负荷变化。

进一步地，所述基于所述电网历史数据采用蒙特卡洛法构建分布式电动汽车充电站的负荷时序模型包括：

其中，f

由上述描述可知，通过对建立起始充电时间的概率密度函数、日行驶里程的概率密度函数、电动汽车的充电负荷以及充电时间并进行仿真，能够得到精确的分布式电动汽车充电站的负荷时序。

进一步地，所述根据所述电网历史数据建立储能时序模型包括：

基于时序法对所述电网历史数据中的风电典型出力、光伏典型出力以及不同类型的负荷曲线进行抽样，得到各个电网节点在不同时刻下分布式发电装置的出力值和负荷值；

基于等效负荷原理以及所述分布式发电装置的出力值和负荷值建立储能模型。

由上述描述可知，通过对负荷曲线进行抽样得到分布式发电装置的出力值和负荷值，同时基于等效负荷原理建立储能模型，从而基于储能模型能够有效描述分布式发电装置的出力值和负荷值的变化。

进一步地，所述基于等效负荷原理以及所述分布式发电装置的出力值和负荷值建立储能模型包括：

P

当P

当P

其中，P

由上述描述可知，通过在等效负荷原理的约束下，根据分布式发电装置的出力值和负荷值对储能电池的充电与放电进行控制，从而提高对储能电池充放电的精度。

本发明另一实施例提供了一种考虑风光储充接入的双层协同优化配置装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的一种考虑风光储充接入的双层协同优化配置方法中的各个步骤。

本发明提供的考虑风光储充接入的双层协同优化配置方法及装置能够应用于包含新能源汽车电力规划的场景，以下通过具体实施方式进行说明：

实施例一

一种考虑风光储充接入的双层协同优化配置方法，包括：

S1、以全域配电网综合成本最小化为第一目标函数构建规划层模型；其中，划层模型为上层模型，具体构建如下：

其中，F

其中，d是折现率，y是投资年限，Ω

S2、以各区域运行成本最小为第二目标函数构建运行层模型；运行层模型为下层本地调度模型，具体构建如下：

f

其中，f

S3、根据规划层模型以及运行层模型建立配-微网双层协同优化配置模型，即根据步骤S1和步骤S2构建的模型建立配-微网双层协同优化配置模型，具体构建如下：

通过一致性变量，基于本地配电网潮流计算方程，构建全域配电网分布式潮流计算模型，得到：

将全域配电网分布式潮流计算模型转换为标准交替迭代问题，具体如下：

x

其中，min{F

其中，模型中包括以下不等式约束以及等式约束：

基于二阶锥转换的distflow支路潮流约束表示如下：

其中，下标t表示第t个动态时刻，下标m表示第m个本地区域，δ(j)表示以节点j为首节点的支路，π(j)表示以节点j为末节点的支路，P

建立分布式风机约束：

其中，Ω

建立分布式光伏发电约束：

其中，Ω

建立变压器分接头约束：

其中，V

节点功率平衡约束功率表达式如下：

其中，

即上层形成分布式风机(WTG)、分布式光伏(PVG)、电动汽车充电站(CF)的选址定容方案，储能为分布式电源的配套建设；下层形成配-微网各独立区域的分布式调度运行方案，包括各区域内分布式风机、分布式光伏的有功无功出力和上级电源点有载调压变压器(OLTC)分接头位置。

S4、初始化规划层模型，得到初始种群；具体的：通过启动上层规划层模型，生成决策变量初始种群，并采用NSGA II算法进行求解。

S5、根据初始种群对运行层模型进行迭代求解，得到第一目标解集；即根据上层规划的初始种群(首次)或更新种群(迭代过程)结果，启动下层运行层模型，并采用标准ADMM法进行求解。

S6、根据第一目标解集对规划层模型进行迭代求解，得到第二目标解集，并判断当前第二目标解是否满足迭代终止条件，若是，则将第二目标解集作为最优配置结果输出；即重复步骤S5和S6，直至算法收敛，从而获得到全部时序场景下的优化配置结果。

实施例二

本实施例与实施例一的不同在于，限定了具体的求解过程。

步骤S4之前还需要建立负荷时序模型以及储能时序模型，通过获取电网历史数据，根据电网历史数据建立负荷时序模型以及储能时序模型；

其中，S01、根据电网历史数据建立负荷时序模型包括：

S011、基于电网历史数据通过负荷特性曲线构建风机的负荷时序模型、光伏的负荷时序模型以及传统负荷的负荷时序模型；如图2至图6分别为本实例中采用的典型日居民负荷功率、商业负荷功率、工业负荷功率、风电功率、光电功率的负荷曲线图；

S012、基于电网历史数据采用蒙特卡洛法构建分布式电动汽车充电站的负荷时序模型，具体的：

电动汽车充电负荷和起始充电时间和日行驶里程相关，其中起始充电时间的概率密度函数符合正态分布，如下：

日行驶里程的概率密度函数符合对数正态分布：

默认电动汽车每次充电均达到电池最大容量上限，电动汽车的充电负荷如下：

充电时间如下：

其中，f

S02、根据电网历史数据建立储能时序模型包括：

S021、基于时序法对电网历史数据中的风电典型出力、光伏典型出力以及不同类型的负荷曲线进行抽样，得到各个电网节点在不同时刻下分布式发电装置的出力值和负荷值；即得到得到节点i在时刻t的出力值P

S022、基于等效负荷原理以及分布式发电装置的出力值和负荷值建立储能模型，即计算节点i在时刻t的等效负荷P

P

储能元件调节策略具体如下：

当P

当P

其中，P

完成负荷时序模型以及储能时序模型的构建后，对模型进行求解：

请参照图8，S4、初始化规划层模型，得到初始种群；

S5、根据初始种群对运行层模型进行迭代求解，得到第一目标解集；具体的：

S51、初始化决策变量x

S52、根据初始化潮流分布，选取联络线两侧电压

上式中

S53、将

上式中

S54、更新标度偶变量μ

S55、更新罚函数ρ，其中初始罚函数的值可以任意设置，通常可以设置为1：

其中，γ

γ

其中，s

s

S56、重复步骤S52-S55，直至算法收敛，收敛条件如下：

其中，ε

S6、根据第一目标解集对规划层模型进行迭代求解，得到第二目标解集，并判断当前第二目标解是否满足迭代终止条件，若是，则将第二目标解集作为最优配置结果输出，具体的：

S61、将下层计算结果(即步骤S5得到的计算结果)送入上层规划，形成上层规划的pareto解集；例如基于非支配排序算法生成上层精英种群；

S62、利用逼近理想解排序法，从pareto解集中获得占优解，并更新种群位置，具体更新方式如下：

二进制交叉操作：

多项式变异算子：

其中，x

S63、重复步骤S5-S62，直至算法收敛；

S64、重复步骤S5-S63，直至获得全部时序场景下的优化配置结果。

同时，为了具体表现本实例中规划模型的优越性，本实施例采用如附图9所示的配-微电网系统本发明所述计算方法进行仿真验证；微电网1接入配电网节点6，微电网2接入配电网节点5，节点1为上级电源点接入位置，其余节点为负荷节点；采用四季典型日24h数据共形成96个时段；本实施例中，居民负荷节点为节点2～18；商业负荷节点为节点26～33；工业负荷节点为节点19～25；

分布式电源建设成本的折现率是5％，运行年限为20年，WTG和PVG的度电运行成本为0.5元/kWh，线损成本为0.4元/kWh，从上级电网购电成本为0.4元/kWh，分布式电源弃电单位费用为2元/kWh，低电压惩罚成本为50元/次，有载调压变压器分接头共有9个调节挡位，电压调节步长为0.0125p.u.，电压可调范围为0.95p.u.-1.05p.u.，WTG和PVG的最大安装数量为5组，WTG每组容量为0.3MVA；PVG每组容量为0.3MVA；

NSGA-II算法采用二项式交叉和多项式变异算子对种群进行迭代，父代种群规模为100，最大迭代次数为50次，交叉率为0.9，变异率为0.1；分布指数η1取1，η2取5。

表1.本实施例的仿真结果

根据表1可知，本实施例中，风机安装与节点7和节点28，分别安装1组、5组，光伏安装于节点7和节点30，各安装1组，电动汽车充电站布置于节点4。年综合投资为1574.7万元，快速电压稳定性为1.38pu。

实施例三

请参照图10，一种考虑风光储充接入的双层协同优化配置装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如实施例一和实施例二中的一种考虑风光储充接入的双层协同优化配置方法中的各个步骤。

综上所述，本发明提供的一种考虑风光储充接入的双层协同优化配置方法及装置，具有以下效果：

(1)规划层面采用统一规划，运行层面采用分布式调度，为未来态配电网的规划调度工作提供一种行之有效的配置方案。

(2)利用蒙特卡洛法生成电动汽车充电负荷的特性曲线，提出储能电池的充放电策略，所获负荷特性/电源出力曲线更接近实际配电网，有助于提升配电网规划的准确性。

(3)提出的双层规划模型，上层是规划层，可采用任意多目标优化算法进行求解，下层是运行层，本发明提出以联络线两侧电压为一致性变量，将分布式优化模型转化为标准交替方向问题后，采用标准交替方向乘子法(ADMM)求解即可，本发明所提方法可采用现有的成熟的商业求解器进行求解，适合工程推广。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。