考虑有功无功不确定性耦合的分布式电源优化配置方法与流程

1.考虑有功无功不确定性耦合的分布式电源优化配置方法，属于配电网储能技术领域。


背景技术：

2.随着全球节能减排工作的不断深入，风电和光伏等可再生能源在配电网中的渗透水平不断提高。但可再生能源具有波动性和随机性，大容量的可再生能源并入配电网会给电网带来显著的波动性和不确定性，尤其是当风电和光伏同时并入配电网带来的有功无功不确定性耦合问题使电力系统的安全稳定运行面临着严峻的挑战，而分布式电源有功无功联合配置是解决该问题的有效途径之一。因此，研究不确定性耦合环境下分布式电源有功无功联合配置对保障配电网安全经济运行具有重要意义。
3.目前解决风电和光伏高渗透率带来的不确定性问题的方法主要有：电网加固，包括转变电源组合，增设系统线路，加大电源采购和建设，但是投资成本显著增大，不利于配电网系统的经济性；调节变压器抽头，高频率的变换抽头严重影响变压器的寿命，具有较大的局限性；可再生能源削减，造成了可再生能源的浪费，影响了可再生能源行业的发展，同时对配电网的经济性有较大影响；可再生能源逆变器的无功补偿，受到功率因数的限制，无功和电压调整能力不强。
4.由以上分析可知，目前的方法在应对可再生能源不确定耦合的情况下，不能在可再生能源高比例并网的情况下有效的保证系统的经济性，不仅浪费了自然资源，还增加了配电网系统运行成本。


技术实现要素：

5.本发明要解决的技术问题是：克服现有技术的不足，提供一种能够确定最小化年度成本，并得到分布式电源的最优配置和备用能量调度方案的考虑有功无功不确定性耦合的分布式电源优化配置方法。
6.本发明解决其技术问题所采用的技术方案是：该考虑有功无功不确定性耦合的分布式电源优化配置方法，其特征在于：包括如下步骤：
7.计算风电和光伏在置信度下的有功和无功出力的可行域；
8.建立风电和光伏有功功率的联合概率密度函数；
9.基于有功功率的联合概率密度函数建立无功功率的联合概率密度函数；
10.基于风电和光伏不确定性预测误差构建多元正态联合概率分布函数；
11.计算损失负荷和削减功率模型；
12.确定分布式电源出力不确定性的备用能量；
13.建立考虑年度成本的风电和光伏的有功无功联合配置优化模型；
14.对有功无功联合配置优化模型求解，得到分布式电源容量的配置方案及备用能量方案。
15.优选的，所述的风电和光伏在置信度下的有功和无功出力的可行域为：
[0016][0017]
其中，p
ire
～n(μire，bire)，p＝(p
ire，1
，p
ire，2
)分别表示风电和光伏的有功出力；μire＝(μ
ire，1
，μ
ire，2
)分别表示风电和光伏的出力的预测值；b
ire
表示风电和光伏出力的协方差矩阵；q
ire
＝(q
ire，1
，q
ire，2
)分别表示风电和光伏的无功出力，sire＝(s
ire，1
，s
ire，2
)分别表示风电和光伏的额定容量；pf
ire
＝(p
fire，1
，p
fire，2
)分别表示风电和光伏的功率因数；和分别表示有功出力的最小值和最大值。
[0018]
优选的，所述建立风电和光伏有功功率的联合概率密度函数模型为：
[0019][0020][0021]
其中，φ(p
ire，i
)为风电和光伏的有功出力的概率密度函数；i＝1，2；p
ire，1
、p
ire，2
分别表示风电和光伏的有功出力；ρ为积矩相关系数；q为中间变量；μ
ire
＝(μ
ire，1
，μ
ire，2
)分别表示风电和光伏的出力的预测值；σ
ire，1
、σ
ire，2
分别为风电和光伏的预测误差。
[0022]
优选的，所述的积矩相关系数ρ为：
[0023][0024]
优选的，无功功率的联合概率密度函数模型为：
[0025]
l(q
ire，1
，q
ire，2
)＝φ(q
ire，1
，q
ire，2)
|j(q
ire，1
，q
ire，2
)|；
[0026]
其中，j(q
ire，1
，q
ire，2
)为风电和光伏的无功功率的联雅克比矩阵，φ(q
ire，1
，q
ire，2
)为风电和光伏的无功出力的概率密度函数。
[0027]
优选的，所述的所述基于风电和光伏不确定性预测误差建立的多元正态联合概率分布函数过程为：
[0028]
建立基于风电和光伏不确定性预测误差的有功功率联合累积概率函数：
[0029][0030]
建立基于风电和光伏不确定性预测误差的无功功率联合累积概率函数：
[0031][0032]
优选的，所述的损失负荷模型为：
[0033][0034][0035]
其中，分别为有功和无功的失负荷功率，p
ire，1
、p
ire，2
分别表示风电和光伏的有功出力，分别表示有功出力的最小值和最大值，q
ire
＝(q
ire，1
，q
ire，2
)分别表示风电和光伏的无功出力；
[0036]
所述的削减功率模型为：
[0037][0038][0039]
其中，分别为有功和无功的削减功率。
[0040]
优选的，考虑预测不确定性的风电和光伏耦合的能量备用模型为：
[0041][0042]
其中，e
mt
为提供备用能量的微燃机的视在功率，分别为有功和无功的失负荷功率。
[0043]
优选的，基于年度成本f的分布式电源有功无功联合配置优化模型为：
[0044][0045][0046]
其中，ρ
ac
(t)、ρ
re
(t)分别表示在t时刻配电网从大电网购买的有功和无功功率的电价；pb(i，t)、qb(i，t)分别表示在t时刻i节点配电网从大电网购买的有功和无功功率；inv
gen
、oc
gen
、mc
gen
分别为风电和光伏的年化投资成本、年化运行成本和年化管理成本；crf
gen
＝r(r 1)
lt
/[(r 1)
lt-1]，crf
gen
为年化成本的折算系数，r为贴现率，lt为风电和光伏设备的使用寿命；为有功的削减功率；a-、b、c分别为提供备用能量的微燃机的成本系数；v0为削减功率的惩罚电价；p
loss
(i，t)、q
loss
(i，t)分别为配电网在t时刻i节点的有功损耗和无功损耗；pd(i，t)、qd(i，t)分别为在t时刻i节点的处的有功和无功负荷；分别为在t时刻i节点的处的有功和无功负荷；u(i，t)为在t时刻i节点的电压，umin
、u
max
分别表示配电网运行的电压最小值和最大值；r(i，t)、x(i，t)分别为在t时刻i节点的电阻和电抗；y(i，t)、θ(i，t)分别为it节点之间导纳矩阵的幅值和相角；δ(i，t)为在t时刻i节点处的电压相位角，δ(j，t)为在t时刻j节点处的电压相位角；ρ
ac，min
(t)、ρ
ac，max
(t)分别表示配电网从大电网购买有功电价的最大和最小值，ρ
ac
(t)表示配电网从大电网购买的有功电价，ρ
ac，min
(t)＝0.1ρac(t)，ρ
ac，max
(t)＝2ρac(t)；ρ
re，min
(t)、ρ
re，max
(t)分别表示配电网从大电网购买无功电价的最大和最小值，ρ
re
(t)表示配电网从大电网购买的无功电价，ρ
re，min
(t)＝0.1ρre(t)，ρ
re，max
(t)＝2ρre(t)；e
mt
为提供备用能量的微燃机的视在功率。
[0047]
优选的，基于进化捕食智能优化算法对所述有功无功联合配置优化模型进行求解，最小化年度成本，并得到分布式电源的最优配置和备用能量调度方案。
[0048]
与现有技术相比，本发明所具有的有益效果是：
[0049]
本考虑有功无功不确定性耦合的分布式电源优化配置方法考虑了可再生能源出力的不确定性，构建了分布式电源有功无功联合配置优化模型，能够确定分布式电源的最优配置和备用能量，在保证分布式电源渗透水平的同时，适应于解决了含高比例可再生能源的配电网的经济运行问题；通过有功无功的联合配置策略能够有效应对风电和光伏不确定性误测误差带来的问题，确定分布式电源的最优配置和备用能量，提高系统的经济性。
附图说明
[0050]
图1为考虑有功无功不确定性耦合的分布式电源优化配置方法的流程图。
[0051]
图2为一种典型日预测的风能和负荷的比例示意图。
[0052]
图3为一种典型日预测的光伏和负荷的比例示意图。
[0053]
图4为一种基于有功无功联合配置的功率因数示意图。
[0054]
图5为一种基于不确定耦合的联合配置的有功无功控制策略与单一配置的有功控制策略对比特性曲线图。
[0055]
图6为一种基于不确定耦合的联合配置的有功无功控制策略与单一配置的有功控制策略的箱线图。
具体实施方式
[0056]
下面结合具体实施例对本发明做进一步说明，然而熟悉本领域的人们应当了解，在这里结合附图给出的详细说明是为了更好的解释，本发明的结构必然超出了有限的这些实施例，而对于一些等同替换方案或常见手段，本文不再做详细叙述，但仍属于本技术的保护范围。
[0057]
图1～6是本发明的最佳实施例，下面结合附图1～6对本发明做进一步说明。
[0058]
如图1所示：考虑有功无功不确定性耦合的分布式电源优化配置方法，包括如下步骤：
[0059]
计算风电和光伏在置信度下的有功和无功出力的可行域。
[0060]
假设可再生能源出力的预测误差服从多元正态分布，即：
[0061]
p
ire
～n(μ
ire
，b
ire
)；
[0062]
其中，p＝(p
ire，1
，p
ire，2
)分别表示风电和光伏的有功出力；μ
ire
＝(μ
ire，1
，μ
ire，2
)分别表示风电和光伏的出力的预测值；b
ire
表示风电和光伏出力的协方差矩阵。
[0063]
可再生能源有功出力的可行域，即风电和光伏在置信度下的有功出力的可行域为：
[0064][0065]
其中，α为显著性水平，z
1-a/2
为标准分位数。
[0066]
可再生能源的可行域，即风电和光伏在置信度下的有功和无功出力的可行域表示为：
[0067][0068]
其中，q
ire
＝(q
ire，1
，q
ire，2
)分别表示风电和光伏的无功出力，s
ire
＝(s
ire，1
，s
ire，2
)分别表示风电和光伏的额定容量；pf
ire
＝(p
fire，1
，p
fire，2
)分别表示风电和光伏的功率因数；和分别表示有功出力的最小值和最大值。
[0069]
建立风电和光伏有功功率的联合概率密度函数。
[0070]
建立风电和光伏有功功率的联合概率密度函数模型的过程为：
[0071]
风电和光伏的有功功率的概率密度函数φ可以表示为：
[0072][0073]
风电和光伏的有功功率的累积概率函数φ为：
[0074][0075]
计算风电和光伏有功功率的联合概率密度函数：
[0076]
[0077][0078]
其中，φ(p
ire，i
)为风电和光伏的有功出力的概率密度函数；i＝1，2；p
ire，1
、p
ire，2
分别表示风电和光伏的有功出力；ρ为积矩相关系数；q为中间变量；μ
ire
＝(μ
ire，1
，μ
ire，2
)分别表示风电和光伏的出力的预测值；σ
ire，1
、σ
ire，2
分别为风电和光伏的预测误差。积矩相关系数ρ为：
[0079][0080]
基于有功功率的联合概率密度函数建立无功功率的联合概率密度函数。
[0081]
建立基于有功功率联合概率密度函数的无功功率联合概率密度函数模型的过程为：计算风电和光伏无功出力的联合概率密度函数：
[0082]
l(q
ire，1
，q
ire，2
)＝φ(q
ire，1
，q
ire，2
)|j(q
ire，1
，q
ire，2
)|；
[0083]
其中，j(q
ire，1
，q
ire，2
)为风电和光伏的无功功率的联雅克比矩阵，其表达式为：
[0084][0085]
其中，c
ire
＝(c
ire，1
，c
ire，2
)
t
＝min{s
ire，
p
ire
/pf
ire
}。
[0086]
基于风电和光伏不确定性预测误差构建多元正态联合概率分布函数。
[0087]
基于风电和光伏不确定性预测误差建立的多元正态联合概率分布函数过程为：建立基于风电和光伏不确定性预测误差的有功功率联合累积概率函数：
[0088][0089]
建立基于风电和光伏不确定性预测误差的无功功率联合累积概率函数：
[0090][0091]
计算损失负荷和削减功率模型。
[0092]
风电和光伏的有功和无功失负荷的表达式如下：
[0093][0094]
其中，分别为有功和无功的失负荷功率。
[0095]
风电和光伏的有功和无功削减负荷的表达式如下：
[0096][0097][0098]
其中，分别为有功和无功的削减功率。
[0099]
确定分布式电源出力不确定性的备用能量。
[0100]
确定分布式电源出力不确定性的备用能量的过程为：
[0101]
考虑预测不确定性的风电和光伏耦合的能量备用模型为：
[0102][0103]
其中，e
mt
为提供备用能量的微燃机的视在功率。
[0104]
建立考虑年度成本的风电和光伏的有功无功联合配置优化模型。建立基于年化成本的分布式电源有功无功联合配置优化模型的过程为：基于年度成本f的分布式电源有功无功联合配置优化模型为：
[0105]
[0106][0107]
其中，ρ
ac
(t)、ρ
re
(t)分别表示在t时刻配电网从大电网购买的有功和无功功率的电价；pb(i，t)、qb(i，t)分别表示在t时刻i节点配电网从大电网购买的有功和无功功率；inv
gen
、pc
gen
、mc
gen
分别为风电和光伏的年化投资成本、年化运行成本和年化管理成本；crf
gen
＝r(r 1)
lt
/[(r 1)
lt-1]，crf
gen
为年化成本的折算系数，r为贴现率，lt为风电和光伏设备的使用寿命；为有功的削减功率；a、b、c分别为提供备用能量的微燃机的成本系数；v0为削减功率的惩罚电价；p
loss
(i，t)、q
loss
(i，t)分别为配电网在t时刻i节点的有功损耗和无功损耗；pd(i，t)、qd(i，t)分别为在t时刻i节点的处的有功和无功负荷；分别为在t时刻i节点的处的有功和无功负荷；u(i，t)为在t时刻i节点的电压，u
min
、u
max
分别表示配电网运行的电压最小值和最大值；r(i，t)、x(i，t)分别为在t时刻i节点的电阻和电抗；y(i，t)、θ(i，t)分别为it节点之间导纳矩阵的幅值和相角；δ(i，t)为在t时刻i节点处的电压相位角，δ(j，t)为在t时刻j节点处的电压相位角；ρ
ac，min
(t)、ρ
ac，max
(t)分别表示配电网从大电网购买有功电价的最大和最小值，ρ
ac
(t)表示配电网从大电网购买的有功电价，ρ
ac，min
(t)＝0.1ρac
(
t)，ρ
ac，max
(t)＝2ρac(t)；ρ
re，min
(t)、ρ
re，max
(t)分别表示配电网从大电网购买无功电价的最大和最小值，ρ
re
(t)表示配电网从大电网购买的无功电价，ρ
re，min
(t)＝0.1ρre(t)，ρ
re，max
(t)＝2ρre(t)；e
mt
为提供备用能量的微燃机的视在功率。
[0108]
对有功无功联合配置优化模型求解，得到分布式电源容量的配置方案及备用能量方案。
[0109]
对配电网优化模型求解，最小化年度成本的同时得到分布式电源的最优配置和备用能量调度方案的过程为：基于进化捕食智能优化算法对协同优化模型进行求解，最小化年度成本，并得到分布式电源的最优配置和备用能量调度方案。
[0110]
采用基于进化捕食智能优化算法对构建的基于年度成本的风电和光伏的有功无功联合配置模型进行优化求解。基于进化捕食智能优化算法详见期刊《applied energy》上名称为《risk-aware short term hydro-wind-thermal scheduling usinga probability interval optimization model》的内容，在此不再赘述。
[0111]
本发明通有功无功的联合配置策略能够有效应对风电和光伏不确定性误测误差带来的配电网规划问题，确定分布式电源的最优配置和备用能量，提高系统的经济性。
[0112]
下面以一个实例具体说明本发明基于不确定性耦合环境下分布式电源有功无功联合配置优化方法，在该实例中以ieee 33节点系统作为仿真对象，其中，风电和光伏分别接在18和23节点，有功负荷峰值为3.715mw和无功负荷峰值为2.3mvar。为了便于表示，峰值负荷为单位1。风电和光伏的预测误差为20％。表1给出了风电、光伏和微燃机年度成本系数。
[0113]
表1风电、光伏和微燃机年度成本系数
[0114][0115]
图2给出了典型日预测的风能、光伏和负荷的比例。表2给出了典型日风电和光伏的最优配置策略。从表2中可以看出，峰时段的风电和光伏输出明显高于谷时段和平时段，同时较高的风电和光伏输出匹配峰时段高负荷比例。此外，所提出的基于有功无功联合配置方法有效应对了风电和光伏的不确定性，对风电和光伏的最优输出进行了约束，保障了系统的安全运行。
[0116]
表2典型日风电和光伏的最优配置
[0117][0118]
图3给出了基于有功无功联合配置的功率因数的对比，即对无功功率的利用能力。无功功率对电压支撑具有重要意义，因此研究无功功率对配电网的安全运行是十分必要的。图3显示了风电和光伏对有功功率和无功功率的利用能力，即功率因数的约束分为两种情况：pf＝1，0.9≤pf≤1。当pf提升时，由风电和光伏产生的有功功率也会增加。但是当pf＝1时的年度成本是3094181.919$，但0.9≤pf≤1的年度成本是2891561.657$。失负荷成本和功率削减惩罚成本之和分别为24293.939$和18679.821$。在满足无功功率和电压约束的条件下，保证了系统的经济性。
[0119]
图4展示了典型日基于不确定耦合的联合配置的有功无功控制策略与单一配置的有功控制策略进行对比。基于联合配置的风电和光伏典型日总有功功率和无功功率分别为45.224mw和6.584mvar，基于单一配置的风电和光伏典型日总有功功率和无功功率分别高于43.096mw和5.544mwar。因此，从该图中可以看出，基于联合配置的风电和光伏出力比单一配置具有更高的渗透水平。
[0120]
图5给出了典型日基于不确定耦合的联合配置的有功无功控制策略与单一配置的有功控制策略的箱线图的数据对比。从该图中可以看出，基于联合配置的有功无功控制策略展示了风电和光伏出力范围更广泛，具有更好的灵活性，同时也具有更高的中位数。因此，基于不确定耦合联合配置的有功无功控制策略对于配电网的规划和出力的调整更加有利。
[0121]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。