一种计及软开关的柔性配电系统分布鲁棒椭圆运行域刻画方法

摘要: 本发明属于配电网运行域评估与新能源不确定性优化,尤其涉及一种计及软开关的柔性配电系统分布鲁棒椭圆运行域刻画方法。背景技术:1、随着分布式光伏在配电网中的接入比例...
一种计及软开关的柔性配电系统分布鲁棒椭圆运行域刻画方法

本发明属于配电网运行域评估与新能源不确定性优化,尤其涉及一种计及软开关的柔性配电系统分布鲁棒椭圆运行域刻画方法。

背景技术:

1、随着分布式光伏在配电网中的接入比例提高,光伏出力受气象条件、云层遮挡、辐照度变化和日内周期等因素影响而呈现随机性和波动性。光伏预测误差会改变节点功率注入、支路潮流和节点电压分布,进而影响配电网与上级电网之间的有功、无功功率交换能力。

2、现有配电网运行域评估方法通常以典型场景、置信区间或确定性边界描述光伏不确定性,难以在有限样本条件下刻画真实误差分布相对经验分布的偏移;已有椭圆运行域方法多关注确定性或有限场景下的边界计算,对不同天气状态下光伏预测误差分布差异和最坏分布运行风险考虑不足。

3、柔性软开关能够通过馈线间有功功率转移和无功支撑改善配电网电压水平、支路负载和新能源接纳能力,但需要在光伏分布不确定条件下从根节点p-q运行域角度量化其对配电网灵活运行能力的影响。

技术实现思路

1、发明目的,为了解决上述技术问题,本发明的目的在于提供一种计及软开关的柔性配电系统分布鲁棒椭圆运行域刻画方法,该方法将天气状态差异下的光伏预测误差建模、wasserstein分布鲁棒优化、根节点p-q椭圆运行域表征以及配电网灵活资源约束相结合,以刻画有限样本条件下光伏误差分布偏移对运行域边界和运行风险的影响。

2、技术方案,为了实现上述发明目的,本发明提出了一种计及软开关的柔性配电系统分布鲁棒椭圆运行域刻画方法,该方法包括以下步骤:

3、步骤1、获取目标配电网的网络拓扑参数、电气参数、根节点信息、光伏机组参数、储能系统参数、分布式电源参数、柔性软开关参数、历史光伏出力数据和历史气象数据,所述评估调度周期由连续24个1h时段组成;

4、步骤2、对所述历史光伏出力数据和历史气象数据进行归一化处理,基于相对辐照度水平及其日内波动特征划分晴天、多云和阴天天气状态,并构造小时、年内日和月份对应的周期特征;

5、步骤3、以过去72h历史序列作为lstm光伏功率预测模型在每一预测时段的输入窗口,对所述待评估调度周期内24个连续1h时段进行逐时滚动预测;将各时段预测出力与对应实际出力比较,按连续24个时段组合形成24维光伏预测误差场景向量,并按照步骤2得到的天气状态构建晴天、多云和阴天对应的光伏预测误差场景集合;

6、步骤4、针对配电网高维运行可行集合在根节点有功—无功功率平面上的投影,采用单位圆经平移、旋转和伸缩形成的椭圆对根节点p-q运行域进行参数化表征,以椭圆中心和半正定矩阵作为待优化的运行域参数;进一步采用包含单位圆的有限外近似多边形构造校核顶点,并经所述椭圆中心和形状矩阵映射得到根节点p-q平面上的有限顶点,为步骤5建立配电网椭圆近似运行域模型提供输入。

7、步骤5、根据步骤4形成的椭圆外近似多边形顶点,建立配电网场景运行模型;所述模型由配电网运行方程、网络安全约束和灵活资源运行约束组成,其中配电网运行方程包括节点有功功率平衡、节点无功功率平衡、节点净注入功率组成和线性化支路电压降方程,网络安全约束包括节点电压上下限和支路容量约束,灵活资源运行约束包括光伏、储能系统、分布式电源、柔性软开关和切负荷约束;

8、步骤6、根据步骤3得到的24维光伏预测误差场景集合构造经验分布、场景距离、wasserstein半径和wasserstein模糊集,并结合步骤4建立的候选椭圆运行域和步骤5建立的配电网椭圆近似运行域模型,构建两阶段wasserstein分布鲁棒椭圆运行域优化模型;其中,第一阶段确定各时段椭圆中心和椭圆形状矩阵,第二阶段针对不同光伏预测误差场景进行配电网运行调整,以扩大根节点p-q椭圆运行域并降低wasserstein模糊集内最坏概率分布对应的运行风险。

9、步骤7、采用列与约束生成算法求解步骤6建立的两阶段wasserstein分布鲁棒椭圆运行域优化模型;通过主问题确定当前激活误差场景集合下的候选椭圆运行域及分布鲁棒风险上界,再通过第二阶段运行子问题校核全部候选误差场景并识别产生最大风险约束违反量的不利场景,将该场景迭代加入主问题,直至最大违反量不超过预设收敛阈值,输出根节点p-q分布鲁棒椭圆运行域结果。

10、进一步的,步骤2包括:对光伏功率、总太阳辐照度、直接法向辐照度、全球水平辐照度、环境温度和气压进行最大最小归一化;本实施方式在已有“相对辐照度水平+波动程度”的天气分类思想基础上,以同月同小时有效日照样本的90%分位辐照度作为数据驱动参考辐照度,再计算日相对总太阳辐照度均值与标准差进行分类。并据此将天气状态划分为晴天、多云和阴天;构造小时、月份和年内日对应的正弦周期特征和余弦周期特征;

11、进一步的,步骤2中,最大最小归一化处理和时间周期特征构造按下式进行:

12、

13、

14、式中,表示归一化后的变量值;表示归一化前的原始变量值;表示训练样本中该变量的最小值;表示训练样本中该变量的最大值;表示时段的时间周期特征向量;表示时段对应的小时编号;表示时段对应的年内日编号;表示时段对应的月份编号。

15、进一步的,步骤3中,所述lstm光伏功率预测模型在每一个预测时段均以其之前连续72h的历史序列作为输入窗口,72h表示单次预测的历史回看长度;待评估调度周期为连续24个1h时段,24h表示误差场景向量的时间维度。对待评估周期内第1至第24个时段依次执行预测,并随预测时刻逐时前移72h输入窗口,从而形成连续24个时段的光伏预测序列;所述历史序列至少包括归一化后的上一小时光伏出力、辐照度、环境温度、气压和时间周期特征;所述lstm光伏功率预测模型包括顺次连接的第一lstm层、第一dropout层、第二lstm层、第二dropout层、relu全连接层和线性输出层,基于lstm门控状态更新得到归一化光伏预测值;所述24小时光伏预测误差场景集合由多个误差场景向量组成,每个误差场景向量包括连续24个时段的光伏预测误差。

16、3.1进一步的,步骤3中,lstm光伏功率预测、反归一化、预测误差、误差场景向量以及光伏可用出力按下式确定:

17、

18、

19、

20、

21、

22、式中,表示光伏预测误差场景,表示候选光伏预测误差场景集;表示lstm输出的归一化光伏预测值;表示由lstm网络构成的非线性映射;表示lstm模型的可训练参数;表示输入至lstm的历史序列特征;表示时段的光伏预测出力;表示训练样本中的光伏出力最大值;表示训练样本中的光伏出力最小值;表示时段的光伏预测误差;表示时段的光伏实际出力;表示第个24小时光伏预测误差场景向量;上标表示向量转置;表示第个场景在时段的光伏预测误差;表示第个误差场景在时段的光伏可用出力;表示光伏视在功率容量。

23、3.2所述lstm光伏功率预测模型的历史序列输入、两层lstm的输入门、遗忘门和输出门计算、候选细胞状态及细胞状态更新、dropout随机失活、relu全连接层、线性输出层、训练损失以及连续多时段递推输入关系按下式展开:

24、

25、

26、

27、

28、

29、

30、

31、

32、

33、

34、

35、

36、

37、

38、

39、式中,表示历史窗口长度;表示时段的单时段特征向量,上标表示对应变量经过归一化处理;表示归一化后的上一小时光伏出力,表示时段的归一化光伏实际出力,表示归一化气象特征向量,至少包括总太阳辐照度、直接法向辐照度、全球水平辐照度、环境温度和气压;当未来时段气象量不可获得时,可以置为空向量或由天气状态预测量代替,表示lstm层编号,对应第一lstm层,对应第二lstm层;表示第层在时段的输入,表示隐状态,表示细胞状态;、、分别表示输入门、遗忘门和输出门,表示候选细胞状态;和表示相应计算的输入权重矩阵和循环权重矩阵,表示相应计算的偏置向量,其中,取、、和时分别对应输入门、遗忘门、输出门和候选细胞状态的计算参数;其中细胞状态是lstm用于在时间序列中保存和传递历史信息的内部记忆变量;表示sigmoid函数,表示双曲正切函数,表示hadamard乘积;和表示dropout算子,和表示丢弃率,表示第一层lstm在时段输出的隐状态经丢弃率为的第一dropout层处理后得到的特征向量,并作为第二层lstm的输入;表示第二层lstm在时段输出的隐状态经丢弃率为的第二dropout层处理后得到的特征向量,并作为后续relu全连接层的输入;表示线性整流函数;训练阶段执行随机失活,预测阶段关闭随机失活;表示第二lstm层输出经dropout后的隐状态;表示relu全连接层输出,、表示relu全连接层的权重和偏置,、表示线性输出层的权重和偏置;表示训练样本中时段的归一化光伏实际出力,表示时段对应的huber损失,表示huber阈值,表示lstm训练损失,表示lstm模型训练样本对应的目标时段索引集合;表示这个集合中训练样本的数量;表示连续滚动预测的预测步序号;采用adam优化器对lstm层、全连接层和输出层中的参数进行训练,公式(22)表示连续预测时的递推输入关系,即将上一时段归一化预测值作为下一时段的上一小时光伏出力特征。

40、进一步的,步骤4中包括:

41、4.1针对24小时评估调度周期内各调度时段,以根节点有功功率和无功功率组成二维功率向量,按照式(23)构建各时段对应的根节点p-q候选椭圆运行域:

42、

43、其中,二维对称形状矩阵表示为:

44、

45、式中,表示连续时段的根节点p-q椭圆运行域;表示各时段根节点p-q椭圆运行域的笛卡尔积;、分别表示时段椭圆中心的有功功率和无功功率;为表示椭圆形状的半正定二维矩阵;表示评估时段集合;表示调度时段;、分别表示时段的根节点有功功率和无功功率;、、和分别表示形状矩阵的对应矩阵元素;表示单位圆内的二维基准向量;表示向量的二范数;

46、4.2构造单位圆的有限外近似多边形顶点,设置外近似多边形顶点总数为,第个外近似多边形顶点记为,并按照式(25)确定其两个坐标分量:

47、

48、式中,表示第个外近似多边形顶点的二维坐标向量;和分别表示第个外近似多边形顶点在第一坐标轴方向和第二坐标轴方向上的坐标分量;表示外近似多边形顶点序号。

49、4.3将外近似多边形顶点映射至根节点p-q平面,针对各调度时段和各外近似多边形顶点,利用步骤4.1确定的椭圆中心和形状矩阵,将步骤4.2得到的基准顶点映射至根节点p-q平面,按照式(26)得到对应的根节点p-q校核顶点:

50、

51、式中,、分别表示时段下第个外近似多边形顶点映射得到的根节点有功功率和无功功率。将各调度时段形成的个根节点p-q校核顶点作为步骤5建立配电网场景运行模型的根节点功率输入,并针对各校核顶点施加配电网运行方程、网络安全约束以及光伏、储能系统、分布式电源、柔性软开关和切负荷运行约束。

52、进一步的,步骤5中,针对椭圆外近似多边形顶点建立配电网场景运行模型。所述配电网场景运行模型由“配电网运行方程”“网络安全约束”和“灵活资源运行约束”三部分组成。配电网运行方程用于描述节点和支路之间的物理关系;网络安全约束用于限制节点电压和支路容量;灵活资源运行约束用于限定光伏、储能系统、分布式电源、柔性软开关和切负荷的可调范围。

53、5.1所述配电网运行方程由节点功率平衡、节点净注入和线性化支路电压降组成:

54、

55、

56、

57、

58、

59、5.2所述网络安全约束由节点电压上下限和支路视在功率容量约束组成:

60、

61、

62、式中,表示配电网节点集合,表示节点索引;表示配电网支路集合,表示连接节点和节点的支路;、分别表示节点的净有功、净无功注入功率;、分别表示支路流过的有功、无功功率;、分别表示节点在时段、椭圆边界点和误差场景下的光伏有功、无功出力;、分别表示储能放电、充电功率;、分别表示分布式电源有功、无功出力;、分别表示柔性软开关注入节点的有功、无功功率;、分别表示节点有功、无功切负荷量;、分别表示节点有功、无功负荷;表示节点电压平方,、分别表示支路的电阻和电抗,、分别表示节点电压平方下限和上限,表示支路容量上限;

63、5.3光伏运行约束由有功可利用量、预测误差修正后的可用出力、逆变器容量和无功调节范围组成:

64、

65、

66、

67、

68、5.4储能系统运行约束由充放电功率上下限、充放电模式限制、能量状态更新、以及剩余能量裕度限制组成:

69、

70、

71、

72、

73、5.5分布式电源运行约束由有功、无功出力上下限组成:

74、

75、

76、5.6柔性软开关运行约束由两端口容量约束和有功功率平衡组成:

77、

78、

79、

80、5.7切负荷约束为有功和无功切负荷量均不得超过对应负荷需求:

81、

82、

83、式中,表示考虑预测误差后的光伏可用有功出力,表示第台光伏的视在功率容量,表示光伏最大无功调节能力,表示光伏预测出力;和分别表示最大充电功率和最大放电功率;和分别表示充电状态和放电状态,公式(39)用于避免同一时段同时充放电;表示储能能量状态,表示储能自保持系数,和分别表示充电效率和放电效率,表示调度时间间隔,表示储能容量,和分别表示储能荷电状态比例下限和上限;、分别表示分布式电源有功出力下限和上限,、分别表示分布式电源无功出力下限和上限;表示柔性软开关连接端口集合,和分别表示柔性软开关在端口、端口处的额定容量;公式(44)表示忽略有功损耗时柔性软开关两端口有功功率平衡;公式(47)和公式(48)用于约束切负荷量不超过对应负荷需求;通过式(27)-式(48),对于任一给定光伏预测误差场景和任一根节点p-q运行点,均可以判断是否存在满足全部配电网运行方程、网络安全约束和灵活资源运行约束的内部运行变量。

84、进一步的,步骤6包括以下步骤:

85、6.1构造wasserstein模糊集,根据步骤3形成的24维光伏预测误差场景集合构造经验分布,将各历史误差场景赋予对应经验概率;以任意两个24维光伏预测误差场景向量之间的一范数距离作为场景距离;根据误差场景样本均值、样本偏差统计量、误差场景数量和置信水平参数确定wasserstein半径,并以所述经验分布为中心、所述wasserstein半径为距离上限构造一阶wasserstein模糊集,用于描述有限历史样本条件下真实光伏预测误差概率分布相对于经验分布的可能偏移范围。

86、其中,所述经验分布、场景距离、wasserstein模糊集和wasserstein半径按下式确定:

87、

88、

89、

90、

91、式中,表示由个候选光伏预测误差场景形成的经验分布;和表示误差场景索引;表示集中在误差场景向量处的狄拉克测度;表示误差场景向量与之间的距离;表示一范数;表示wasserstein模糊集;表示wasserstein模糊集中的候选真实分布;表示一阶wasserstein距离;表示wasserstein半径;表示由误差样本离散程度确定的半径统计量;表示置信水平参数;

92、6.2构建两阶段wasserstein分布鲁棒椭圆运行域优化模型,将步骤6.1构造的wasserstein模糊集与步骤4建立的根节点p-q候选椭圆以及步骤5建立的配电网场景运行模型相耦合,建立两阶段wasserstein分布鲁棒椭圆运行域优化模型;其中,第一阶段决策变量包括各时段椭圆中心和椭圆形状矩阵,用于确定光伏预测误差实现前的根节点p-q候选椭圆运行域;第二阶段决策变量包括在给定第一阶段椭圆运行域和光伏预测误差场景后,为满足配电网运行方程、网络安全约束和灵活资源运行约束而进行调整的光伏、储能系统、分布式电源、柔性软开关、支路潮流、节点电压及切负荷等运行变量;

93、所述两阶段wasserstein分布鲁棒椭圆运行域优化模型的目标函数包括由椭圆形状矩阵行列式确定的运行域扩展项和wasserstein模糊集下的分布鲁棒运行风险项;其中,所述分布鲁棒运行风险项是在wasserstein 模糊集允许的全部候选误差概率分布中,取第二阶段运行代价期望值的最大值。所述目标函数按下式确定:

94、

95、式中,表示矩阵行列式;表示分布鲁棒运行风险权重系数;表示wasserstein对偶变量;表示第个经验样本对应的辅助上界变量。

96、6.3确定第二阶段最小运行代价并建立wasserstein对偶约束。对于给定第一阶段椭圆参数和任一光伏预测误差场景,通过第二阶段运行调整使各椭圆校核点满足配电网安全运行要求,并将有功切负荷代价、无功切负荷代价和弃光代价的加权和定义为该误差场景对应的第二阶段运行代价,取其最小值作为该场景的第二阶段最小运行代价;在wasserstein模糊集允许的全部误差概率分布中,取所述第二阶段最小运行代价的最大期望值作为分布鲁棒运行风险,所述分布鲁棒运行风险通过wasserstein对偶变量和经验样本辅助上界变量转化为可求解的对偶约束。

97、其中,所述第二阶段最小运行代价以及wasserstein对偶约束按下式确定:

98、

99、

100、式中,表示给定椭圆参数和误差场景下的第二阶段最小运行代价;表示由各时段椭圆中心组成的变量集合;表示场景下的第二阶段运行调节变量;表示由各时段椭圆形状矩阵组成的变量集合;表示给定椭圆参数和误差场景下的运行可行集合;表示有功削减代价系数;表示无功削减代价系数;表示弃光代价系数;表示场景下的有功削减量;表示场景下的无功削减量;表示场景下的弃光量。

101、进一步的,步骤7包括:

102、7.1构造主问题并求解第二阶段运行子问题。从步骤3形成的光伏预测误差场景集合中选取初始激活误差场景,并基于所述初始激活误差场景建立激活场景集合;选取与零误差向量的一范数距离最小的光伏预测误差场景作为初始激活误差场景,所述初始激活场景按下式确定:

103、

104、式中,表示初始激活场景编号,基于当前激活误差场景集合构造并求解主问题;所述主问题是在当前已经识别的激活误差场景范围内,对步骤6所述两阶段wasserstein分布鲁棒椭圆运行域优化模型进行有限场景求解,其变量包括第一阶段的椭圆中心和椭圆形状矩阵、当前激活误差场景对应的第二阶段运行调整变量,以及wasserstein对偶变量和经验样本辅助上界变量;通过求解所述主问题,得到当前候选椭圆运行域、当前wasserstein对偶变量和当前分布鲁棒风险上界。

105、固定所述主问题得到的第一阶段椭圆中心和椭圆形状矩阵,对光伏预测误差场景集合中的各候选误差场景分别构造并求解第二阶段运行子问题;所述第二阶段运行子问题用于在不改变当前候选椭圆运行域的条件下,通过调整光伏、储能系统、分布式电源、柔性软开关、支路潮流、节点电压和切负荷等第二阶段运行变量,求取各候选误差场景下满足步骤5所述配电网运行模型所需的第二阶段最小运行代价。

106、7.2计算最大违反量并执行迭代更新。根据各候选误差场景对应的第二阶段最小运行代价、当前wasserstein对偶变量、经验样本辅助上界变量以及误差场景之间的场景距离,计算wasserstein对偶约束的违反量,并从全部经验样本与候选误差场景组合中确定最大违反量及其对应的候选误差场景,所述最大违反量按下式确定:

107、

108、式中,表示列与约束生成算法的迭代序号;表示第次迭代的最大违反量;表示第次迭代得到的椭圆中心;表示第次迭代得到的椭圆形状矩阵;表示第次迭代得到的wasserstein对偶变量;表示第次迭代得到的第个辅助上界变量。

109、当所述最大违反量大于预设收敛阈值时,将产生最大违反量的候选误差场景加入激活误差场景集合,并将该场景对应的wasserstein对偶割约束加入主问题,重新执行主问题求解和第二阶段运行子问题校核;当所述最大违反量不大于预设收敛阈值时,停止迭代,输出各时段椭圆中心、椭圆形状矩阵、椭圆边界、椭圆面积以及分布鲁棒运行风险,得到根节点p-q分布鲁棒椭圆运行域结果。

110、有益效果,与现有技术相比,本发明的技术方案具有以下有益技术效果:

111、(1)本发明通过按天气状态构建24小时光伏预测误差场景,使误差样本能够反映晴天、多云和阴天等不同气象条件下的出力波动差异,提高运行域评估输入的精细化程度。

112、(2)本发明通过wasserstein模糊集描述有限历史样本下真实误差分布相对经验分布的偏移,并将最坏分布运行风险纳入椭圆运行域优化模型,能够降低仅依赖经验分布导致运行域边界偏乐观或偏保守的风险。

113、(3)本发明通过有限方向点近似椭圆边界,并将配电网潮流约束和灵活资源运行约束施加于边界点,可在保证椭圆内部点分解可行性的同时降低运行域求解复杂度。

114、(4)本发明采用列与约束生成算法迭代加入最严重违反wasserstein对偶约束的场景,避免一次性引入全部候选场景造成模型规模过大,提高分布鲁棒椭圆运行域的求解效率。

115、(5)本发明将柔性软开关端口有功平衡、无功支撑和容量约束与椭圆边界点可行性校验联合建模,能够在光伏预测误差分布不确定条件下量化sop接入对根节点p-q运行域面积、电压水平和支路负载的影响;在实施例中,接入sop后24小时椭圆运行域平均面积由5.071增加至5.266,系统最小电压由0.950p.u.提高至0.967p.u.,典型支路平均负载率由40.24%降低至15.91%。

116、(6)本发明可刻画有限样本下光伏误差分布偏移对运行域边界和运行风险的影响,能够量化sop接入前后对运行域面积、电压水平及支路负载的改善效果,为配电网灵活资源规划与安全评估提供依据。