一种分布式光伏电源的选址和定容方法、装置及设备与流程

一种分布式光伏电源的选址和定容方法、装置及设备
1.本技术要求于2021年12月16日提交中国专利局、申请号为202111544538.5、发明名称为“一种分布式光伏电源的选址和定容方法、装置及设备”的中国专利申请的优先权，其全部内容通过引用结合在本技术中。
技术领域
2.本发明涉及电源规划技术领域，特别涉及一种分布式光伏电源的选址和定容方法、装置及设备。


背景技术：

3.针对10kv配电网，分布式光伏电源的接入改变了潮流单向流动的现状，原来辐射型无源电网变成了有源环网。相较于辐射状的配电网，含分布式电源的配电网规划难度更大。
4.目前，我国各地用电量(即负荷总量)仍基本处于逐年增长的状态。负荷的增长可能会导致原有的光伏装机量不能满足配电网的实际需求，从而影响电能质量。因此，规划光伏电站的安装容量以及安装位置，需要提前考虑未来负荷的增长量，或是在光伏电站建成后进行扩容操作。因此，如何精确评估中远期负荷变化对配电网带来的影响仍是本领域技术人员需要解决的技术问题。


技术实现要素：

5.本发明实施例的目的在于提供一种分布式光伏电源的选址和定容方法、装置及设备，该方法考虑了中远期负荷变化对优化结果的影响，能够为该地区未来光伏装机容量扩容提供决策依据。
6.为实现上述目的，本发明实施例公开了如下技术方案：
7.一种分布式光伏电源的选址和定容方法，包括：
8.获取历史时刻的配电网量测数据；
9.以概率电压灵敏度和网络损耗为目标函数，构建配电网的分布式光伏电源选址优化模型；
10.以电压越限风险、年网络损耗、以及光伏装机容量为目标函数，构建配电网的分布式光伏电源容量优化模型；
11.将所述历史时刻的配电网量测数据输入到所述分布式光伏电源选址优化模型，通过所述分布式光伏电源选址优化模型输出使得目标节点的概率电压灵敏度最小和网络损耗最小的光伏电源的初始安装位置；
12.将所述历史时刻的配电网量测数据输入到所述分布式光伏电源容量优化模型，通过所述分布式光伏电源容量优化模型输出使得目标节点的电压越限风险最小和年网络损耗最小的光伏电源的初始装机容量；
13.根据所述历史时刻的配电网量测数据，使用偏最小二乘回归法计算未来一段时间
的配电网量测数据；
14.将所述未来一段时间的配电网量测数据、所述初始安装位置和所述初始装置容量，输入至所述分布式光伏电源选址优化模型以及所述分布式光伏电源容量优化模型，迭代计算得到未来一段时间内光伏电源的装机容量以及光伏电源的安装位置；其中，所述未来一段时间的配电网量测数据以年为单位。
15.可选的，所述配电网量测数据具体包括：所述目标节点的电力负荷数据和光伏电站输出功率数据。
16.可选的，所述分布式光伏电源选址优化模型，包括：
[0017][0018]
其中，g
ij
为节点导纳矩阵中节点i和j之间的互电导，vi,vj为线路两端节点电压幅值，θ
ij
为线路两端节点电压相角差，e(δvj)表示节点j电压波动量幅值的期望，g1表示各节点电压波动量幅值的期望值之和，其反映了配电网各节点电压波动的幅度，g2表示网络损耗p
loss
。
[0019]
可选的，所述分布式光伏电源容量优化模型，包括：
[0020][0021]
式中，f1表示年网络损耗，p
loss,t
为配电网在某一时间段面t上的各线路网损之和；f2表示电压越限风险p
risk
；f3表示各节点光伏电站装机量之和，s
pv,i
为节点i光伏电站装机量，所述电压越限风险p
risk
取决于系统中发生电压越限事件的概率及其造成的后果的严重程度，用两者的乘积表示，pi代表节点i电压越限风险的概率，si代表节点电压越限的严重程度。
[0022]
可选的，所述通过所述分布式光伏电源选址优化模型输出使得目标节点的概率电压灵敏度最小和网络损耗最小的光伏电源的初始安装位置，包括：
[0023]
根据第三代非支配排序遗传nsga-iii算法，通过所述分布式光伏电源选址优化模型输出使得目标节点的概率电压灵敏度最小和网络损耗最小的光伏电源的初始安装位置；
[0024]
所述通过所述分布式光伏电源容量优化模型输出使得目标节点的电压越限风险最小和年网络损耗最小的光伏电源的初始装机容量；
[0025]
根据第三代非支配排序遗传nsga-iii算法，通过所述分布式光伏电源容量优化模型输出使得目标节点的电压越限风险最小和年网络损耗最小的光伏电源的初始装机容量。
[0026]
一种分布式光伏电源的选址和定容装置，包括：
[0027]
数据获取单元，用于获取历史时刻的配电网量测数据；
[0028]
模型构建单元，用于以概率电压灵敏度和网络损耗为目标函数，构建配电网的分布式光伏电源选址优化模型；还用于以电压越限风险、年网络损耗、以及光伏装机容量为目
标函数，构建配电网的分布式光伏电源容量优化模型；
[0029]
模型求解单元，用于将所述历史时刻的配电网量测数据输入到所述分布式光伏电源选址优化模型，通过所述分布式光伏电源选址优化模型输出使得目标节点的概率电压灵敏度最小和网络损耗最小的光伏电源的初始安装位置；以及将所述历史时刻的配电网量测数据输入到所述分布式光伏电源容量优化模型，通过所述分布式光伏电源容量优化模型输出使得目标节点的电压越限风险最小和年网络损耗最小的光伏电源的初始装机容量；
[0030]
所述模型解析单元，还用于将所述未来一段时间的配电网量测数据、所述初始安装位置和所述初始装置容量，输入至所述分布式光伏电源选址优化模型以及所述分布式光伏电源容量优化模型，迭代计算得到未来一段时间内光伏电源的装机容量以及光伏电源的安装位置；其中，所述未来一段时间的配电网量测数据以年为单位。
[0031]
计算单元，用于根据所述历史时刻的配电网量测数据，使用偏最小二乘回归法计算未来一段时间的配电网量测数据。
[0032]
可选的，所述模型构建单元中构建的分布式光伏电源选址优化模型，包括：
[0033][0034]
其中，g
ij
为节点导纳矩阵中节点i和j之间的互电导，vi,vj为线路两端节点电压幅值，θ
ij
为线路两端节点电压相角差，e(δvj)表示节点j电压波动量幅值的期望，g1表示各节点电压波动量幅值的期望值之和，其反映了配电网各节点电压波动的幅度，g2表示网络损耗p
loss
。
[0035]
可选的，所述模型构建单元中构建的分布式光伏电源容量优化模型，包括：
[0036][0037]
式中，f1表示年网络损耗，p
loss,t
为配电网在某一时间段面t上的各线路网损之和；f2表示电压越限风险p
risk
；f3表示各节点光伏电站装机量之和，s
pv,i
为节点i光伏电站装机量，所述电压越限风险p
risk
取决于系统中发生电压越限事件的概率及其造成的后果的严重程度，用两者的乘积表示，pi代表节点i电压越限风险的概率，si代表节点电压越限的严重程度。
[0038]
一种分布式光伏电源的选址和定容的设备，包括：
[0039]
存储器，用于存储计算机程序；
[0040]
处理器，用于执行所述存储器中存储的计算机程序以实现如以上任一种的用于分布式光伏电源的选址和定容方法的步骤。
[0041]
一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现如以上任一种用于分布式光伏电源的选址和定容方法的步骤。
[0042]
可见，本技术实施例公开的一种分布式光伏电源的选址和定容方法，根据概率电
压灵敏度和网络损耗为目标函数构建了分布式光伏电源选址优化模型；根据电压越限风险、年网络损耗、以及光伏装机容量为目标函数构建了分布式光伏电源容量优化模型，根据历史时刻的配电网量测数据，对优化模型进行求解，以得到当前最优的光伏电源的安装位置以及最优的光伏电源的容量；并通过历史时刻的配电网量测数据估计未来的配电网量测数据，最后迭代计算得到未来一段时间内光伏电源的装机容量以及光伏电源的安装位置。上述方法考虑中远期配电网量测数据变化对优化结果的影响，能够提高未来光伏电源装机容量扩容以及选址的准确性。
附图说明
[0043]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]
图1是本发明实施例提供的一种分布式光伏电源选址定容方法流程示意图；
[0045]
图2是本发明实施例公开的一种分布式光伏电源选址定容方法整体框架的示意图；
[0046]
图3是本发明实施例提供的nsga—iii算法流程图；
[0047]
图4是本发明实施例配电网系统接线图；
[0048]
图5是本发明实施例生成的pareto解集的示意图；
[0049]
图6是偏最小二乘回归分析流程图；
[0050]
图7是本发明实施例进行的中长期年用电量的预测示意图；
[0051]
图8是本发明实施例公开的一种分布式光伏电源选址定容装置示意图。
具体实施方式
[0052]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
申请人经研究发现负荷节点电压变化与分布式电源接入点和母线间的距离、接入容量以及有功、无功配比密切相关。合理的规划分布式电源接入位置、接入容量，以及有效的协调分布式电源输出的有、无功配比，能使得分布式电源出力对配电网电压，尤其是末端电压起到良好的支撑作用。所以，科学、智能的分布式电源布点规划方案，将可以降低分布式电源对配电网安全和经济运行的影响。
[0054]
配电系统的拓扑结构、线路参数和分布式电源的接入点、装机容量决定了分布式电源接入对网络损耗、电能质量以及可靠性的影响。准确、实时的配电网拓扑和线路物理参数可以为分布式电源规划问题提供可感知的配电网状态，为量化分析分布式电源接入对配电网的影响提供数据基础。
[0055]
因此，本发明实施例公开了一种分布式光伏电源选址定容方法，考虑了中远期配电网量测数据变化对优化结果的影响，能够为未来光伏电源装机容量扩容以及选址提供决
策依据，提高了配电网规划决策的科学性。
[0056]
请参见图1、图2，图1为本发明实施例公开的一种分布式光伏电源选址定容方法流程示意图，图2为本发明实施例公开的一种分布式光伏电源选址定容方法整体框架图，该方法包括：
[0057]
s101、获取历史时刻的配电网量测数据；
[0058]
具体的，本实施例中，配电网量测数据包括各个目标节点的电力负荷和光伏电站输出功率数据，在获取这些数据后，还会对数据进行预处理，预处理是指去除原始数据中的缺失值和异常值，并将数据的单位进行统一。
[0059]
s102、以概率电压灵敏度和网络损耗为目标函数，构建配电网的分布式光伏电源选址优化模型；以电压越限风险、年网络损耗、以及光伏装机容量为目标函数，构建配电网的分布式光伏电源容量优化模型。
[0060]
s1021、本技术实施例以概率电压灵敏度和网络损耗为目标函数，构建的配电网的分布式光伏电源选址优化模型如下：
[0061][0062]
其中，g
ij
为节点导纳矩阵中节点i和j之间的互电导，vi,vj为线路两端节点电压幅值，θ
ij
为线路两端节点电压相角差，e(δvj)表示节点j电压波动量幅值的期望，g1表示各节点电压波动量幅值的期望值之和，其反映了配电网各节点电压波动的幅度；g2表示网络损耗p
loss
；其中节点导纳矩阵可通过配电网中各条电线的型号得到，可从供电公司处获得。
[0063]
考虑到电网运行要求和自然条件限制，分布式光伏优化配置要满足有功和无功功率潮流平衡方程、节点电压上下限、支路功率最大限制、安装点分布式光伏发电容量限制和分布式光伏安装总容量限制等约束条件，约束分为等式约束以及不等式约束，分别描述如下：
[0064]
(1)潮流方程约束
[0065][0066]
其中，pi表示节点i处的有功注入功率，qi表示节点i处的无功注入功率，n
bra
表示与节点i相连的支路数量，b
ij
为节点导纳矩阵中节点i和j之间的互电纳。
[0067]
(2)电压幅值约束
[0068]
电压水平反映了配电网供电电能质量。若电压幅值波动超出了规定范围，将对网络产生十分不利的影响。对于配电网中任意节点i，需要满足：
[0069]vimin
≤vi≤v
imax
；
[0070]
式中，v
imin
和v
imax
分别表示节点i允许的电压下限和电压上限。根据国家规定，节点的电压允许偏差为
±
7％，即v
imax
＝1.07(p.u.)，v
imin
＝0.93(p.u.)。
[0071]
(3)潮流方向约束
[0072]
为避免大容量分布式光伏接入产生的潮流倒送问题，模型设置了潮流方向约束：
[0073]
p
grid,pv
≥0；
[0074]
式中：p
grid,pv
为主网向接入光伏后的配网提供的有功功率。
[0075]
假设配电网节点i注入的复功率变化量为δsi，由此导致的节点j复电压变化量为δv
ji
，考虑所有节点带来的变化δvj。其上限满足：
[0076][0077]
式中：v
i*
为i节点电压复向量的共轭值，z
ji
为节点i到配电网平衡节点和节点j到配电网平衡节点的共同部分线路的复阻抗。为了避免精确潮流计算的多次迭代，达到简化计算时间的目的，对于v
i*
可以采用潮流计算第一次迭代得到的电压值进行有效近似。
[0078]
进一步的，概率电压灵敏度，是根据配电网络拓扑结构、网络参数以及电压参数，直接由各节点光伏功率的扰动量估计各节点电压波动量的上限，解析地估计灵敏度矩阵中各元素的估计值。
[0079]
s1022、本技术实施例着重考虑电能质量因素和分布式光伏的渗透率，以概率电压灵敏度和网络损耗为目标函数，构建的配电网的分布式光伏电源选址优化模型如下：
[0080][0081]
其中，f1表示年网络损耗，p
loss,t
为配电网在某一时间段面t上的各线路网损之和；f2表示电压越限风险p
risk
；f3表示各节点光伏电站装机量之和，s
pv,i
为节点i光伏电站装机量，所述电压越限风险p
risk
取决于系统中发生电压越限事件的概率及其造成的后果的严重程度，用两者的乘积表示，pi代表节点i电压越限风险的概率，si代表节点电压越限的严重程度。
[0082]
分布式光伏电源选址优化模型的解析过程仍采用功率平衡约束以及潮流方向约束。由于电压越限风险以概率的形式体现在了优化目标中，因此不再额外设置电压幅值约束。
[0083]
s103、将所述历史时刻的配电网量测数据输入到所述分布式光伏电源选址优化模型，通过所述分布式光伏电源选址优化模型输出使得目标节点的概率电压灵敏度最小和网络损耗最小的光伏电源的初始安装位置；
[0084]
将所述历史时刻的配电网量测数据输入到所述分布式光伏电源容量优化模型，通过所述分布式光伏电源容量优化模型输出使得目标节点的电压越限风险最小和年网络损耗最小的光伏电源的初始装机容量。
[0085]
本技术实施例中采用第三代非支配排序遗传nsga-iii算法求解得到帕雷托pareto解集。nsga算法是一种改进的遗传算法，目前已经更新至第三代(nsga-iii)，相比于前一代算法(nsga-ii)，nsga-iii的框架基本和nsga-ii相同，同样利用快速非支配排序将种群个体分类进入不同的非支配前沿，不同的是：对于在临界层中的环境选择，nsga-ii的
方法是利用拥挤比较操作来选择从而保持多样性。但对于超目标优化问题，拥挤度距离法无法平衡算法的多样性和收敛性。nsga-iii最大的变化就是利用良好分布的参考点来保持种群的多样性，在选择过程中，将拥挤度距离改为参考点法。参照图3所示，图3是nsga—iii算法流程图，其具体的求解步骤如下：
[0086]
(1)设计编码方案
[0087]
所有的遗传算法均需要预先设定决策变量的编码方式。本发明实施例中所有分布式光伏电源的接入位置和接入容量均采用实数编码。
[0088]
(2)产生初始群体
[0089]
设定群体p0的规模为n，那么需要初始化p0中分布式光伏光伏电源每个个体的接入位置和接入容量。对于前者，在配电网所有节点范围内随机选择；对于后者，在各分布式光伏对应的功率范围内随机选择。也就是说，本技术实施例中对于求解的初步参数是随机选择的。
[0090]
(3)快速非支配排序
[0091]
计算所有个体的目标函数值，对种群进行分层排序，排序依据为个体和其他个体之间的非支配水平。
[0092]
(4)选择参考点
[0093]
为保持个体多样性，防止在局部范围内堆积过多个体的现象，根据快速非支配排序的结果，对同一层的pareto解在一个标准化的超平面上选取参考点，使优化结果在解空间内均匀散布，具有较好的算法稳定性。
[0094]
(5)选择、交叉和变异运算
[0095]
依据排序和参考点计算结果，选择2个个体进行交叉、变异计算，选择方法采用轮赛制。
[0096]
(6)精英策略
[0097]
将父代与子代合并，重新进行一轮快速非支配排序、选择参考点以及选择、交叉和变异运算，选取产生新的父代。
[0098]
(7)重复步骤(3)-(6)，直至迭代次数达到最大值。
[0099]
参考图4所示，图4是本发明实施例配电网系统接线图。网络具备18节点，所有节点的基准功率为100mva，除0号变电站高压侧节点的基准电压为110kv，其余节点系统的基准电压为10kv。发电机组的额定容量均为150kva，各节点负荷的历史数据来源于实际的用电信息采集系统。nsga-iii算法的参数设置如下：初始种群数量设置为50，最大进化次数为20次，染色体长度为32，交叉概率为0.99，变异概率为0.01。
[0100]
经过nsga-iii算法优化后，本实施例中生成的pareto解集如图5所示。图5是本发明实施例生成的pareto解集的示意图。其中f1表示年网络损耗，f2表示电压越限风险，f3表示光伏总装机量。
[0101]
通过上述算法，在最初参数随机选择的情况下，可以得到满足约束条件的光伏电源的初始装机容量和光伏电源的初始安装位置。通过基于nsga-iii遗传算法的分布式光伏电源选址定容方法，利用了良好分布的参考点来保持种群的多样性，取代了前一代算法使用的拥挤度距离法，解决了对于分布式光伏电源的选址和定容优化的问题，拥挤度距离法无法平衡算法的多样性和收敛性的问题。
[0102]
s104、根据所述历史时刻的配电网量测数据，使用偏最小二乘回归法计算未来一段时间的配电网量测数据；
[0103]
其中，偏最小二乘回归分析(partial least-squares regression,pls)是一种多元统计数据分析方法，融合了主成分分析和典型相关分析的思想，其思路在于，对于自变量x和因变量y，对x提取m个可由x表示的主成分t1,t2l tm，提取过程中，应使典型成分之间的相关系数最大。该方法适用于样本个数较不足以及各自变量存在较强多重相关性的情况，同时运算量相对较小。由于需要预测的对象仅为负荷这一单一变量，因此本小节使用的建模方法属于单因变量偏最小二乘回归分析。参考图6所示，图6是偏最小二乘回归分析流程图。
[0104]
使用pls回归分析进行某地区的中长期负荷预测，首先需要可能对因变量负荷向量y产生的影响因素。考虑到和负荷的关联性以及数据的可获得性，本发明实施例选取该地区如下因素：第一产业gdp、第二产业gdp、第三产业gdp、户籍人口、人均gdp、价格消费指数、消费品零售总额、固定资产投资额。为了消除各因素单位的差异对回归结果的影响，需要对各影响因素和用电量进行标准化处理，将这些影响因素组建成自变量矩阵x和因变量向量y：
[0105][0106]
其中，ai表示需要进行标准化的向量a的第i个元素；表示向量a的平均值；σ(a)表示向量a的标准差；表示ai标准化之后的数值。
[0107]
得到标准化的自变量x和因变量y后，对x提取使典型成分之间的相关系数最大的主成分向量t1,t2l tm，生成主成分的具体步骤如下：
[0108]
(1)确定向量w1作为自变量矩阵x0＝x的第一主轴，在主轴方向提取第1个主成分t1＝x0w1[0109][0110]
式中，r(xj,y),j＝1,2,k,k表示xj和y的相关系数，w1满足||w1||＝1，x
0i
(i＝1,2,k,k)表示x0的第i列。
[0111]
随后，求取x0对t1的回归系数p1，得到残差矩阵x1：
[0112][0113]
x1＝x
0-t1p
1t
；
[0114]
(2)以x1取代x0，以同样的方法得到w2和t2，重复以上步骤m次，得到m个主成分t1,t2l tm，主成分数量m可以通过后文所述交叉有效性分析确定。
[0115]
(3)实施y关于t1,t2l tm的回归，即：
[0116][0117]
由于th,(h＝1,2,k,m)均为x0的线性组合，所以
[0118][0119]
其中，i为单位矩阵，记则
[0120][0121]
记xj＝x
0j
，则y关于xj的回归方程为
[0122][0123]
具体的，主成分数量越多，回归预测效果越好。但随着主成分数量的增加，预测效果提升的边际效益随之递减。为了确定是否继续进行迭代，生成下一个主成分，需要对回归方程进行交叉有效性分析。交叉有效性分析用于判定增加一个新的主成分th后，是否对模型的回归预测效果产生明显的改进，因此可以为确定主成分的数量m提供依据。使用表示使用全部样本点并取m个成分回归建模后第i个样本点的拟合值；表示在建模时删去样本点i，取剩余成分回归建模后计算得到的拟合值。计算有效性指标qh：
[0124][0125][0126][0127]
一般认为，当时，增加的主成分th对预测效果具有显著贡献。若则可以认为继续添加主成分对预测效果的提升作用不大，可以停止迭代。
[0128]
通过上述偏最小二乘回归法，并根据历史时刻的配电网量测数据，可以预测未来一段时间的配电网量测数据。
[0129]
s105、将所述未来一段时间的配电网量测数据、所述初始安装位置和所述初始装置容量，输入至所述分布式光伏电源选址优化模型以及所述分布式光伏电源容量优化模型，迭代计算得到未来一段时间内光伏电源的装机容量以及光伏电源的安装位置；其中，所述未来一段时间的配电网量测数据以年为单位。
[0130]
本技术实施例中在计算得到未来某一年份的配电网量测数据后，将得到的某一年份未来配电网量测数据重新输入至分布式光伏电源选址优化模型以及分布式光伏电源容量优化模型，从而可以得到该年份的选址优化结果以及容量优化结果。重复以上步骤，输入下一年的数据，对优化模型进行滚动优化，前一年的预测结果需要作为后一年输入的一部分，可以得到未来若干年的位置优化结果、容量优化结果，从而考虑到了中远期配电网量测数据变化对优化结果的影响，能够提高未来光伏电源装机容量扩容以及选址的准确性。
[0131]
本发明实施例有助于配电网规划人员合理安排分布式光伏电源的布点和运行方
式，有助于提高配电网规划决策的准确性，有助于充分利用分布式电源接入时对电压的抬升作用，进而降低网络损耗，提高供电稳定性。将本技术实施例的方法应用到分布式光伏选址定容过程中，对于广泛地提升用户电压合格率、实现节能减排具有重要意义。
[0132]
参见图7所示，图7为本技术实施例中中长期年用电量的预测示意图，其中2010-2020年为历史值，2020-2030年为预测值。未来10年的容量优化结果参考表1所示。考虑到计算规模，算例以2年为时间间隔更新优化模型。根据下表1所示，负荷的逐年增长导致了优化的接入容量逐年提升。如果不进行任何操作，线路末端的某些节点在极端情况下可能出现电压越限的现象。因此，有必要在未来适当对光伏电站进行扩容操作。
[0133][0134]
表1
[0135]
下面对本发明实施例公开的一种分布式光伏电源选址定容装置进行介绍，请参见图8，图8为本发明实施例公开的一种分布式光伏电源的选址和定容装置结构示意图，该装置包括：
[0136]
数据获取单元801，用于获取历史时刻的配电网量测数据；
[0137]
模型构建单元802，用于以概率电压灵敏度和网络损耗为目标函数，构建配电网的分布式光伏电源选址优化模型；还用于以电压越限风险、年网络损耗、以及光伏装机容量为目标函数，构建配电网的分布式光伏电源容量优化模型；
[0138]
模型求解单元803，用于将所述历史时刻的配电网量测数据输入到所述分布式光伏电源选址优化模型，通过所述分布式光伏电源选址优化模型输出使得目标节点的概率电压灵敏度最小和网络损耗最小的光伏电源的初始安装位置；以及将所述历史时刻的配电网量测数据输入到所述分布式光伏电源容量优化模型，通过所述分布式光伏电源容量优化模型输出使得目标节点的电压越限风险最小和年网络损耗最小的光伏电源的初始装机容量；
[0139]
所述模型解析单元803，还用于将所述未来一段时间的配电网量测数据、所述初始安装位置和所述初始装置容量，输入至所述分布式光伏电源选址优化模型以及所述分布式光伏电源容量优化模型，迭代计算得到未来一段时间内光伏电源的装机容量以及光伏电源的安装位置；其中，所述未来一段时间的配电网量测数据以年为单位；
[0140]
计算单元804，用于根据所述历史时刻的配电网量测数据，使用偏最小二乘回归法计算未来一段时间的配电网量测数据。
[0141]
在一种可能实现的方式中，所述配电网量测数据,包括：所述目标节点的电力负荷数据和光伏电站输出功率数据。
[0142]
在一种可能实现的方式中，所述模型构建单元802中构建的分布式光伏电源选址优化模型，包括：
[0143][0144]
其中，g
ij
为节点导纳矩阵中节点i和j之间的互电导，vi,vj为线路两端节点电压幅值，θ
ij
为线路两端节点电压相角差，e(δvj)表示节点j电压波动量幅值的期望，g1表示各节点电压波动量幅值的期望值之和，其反映了配电网各节点电压波动的幅度，g2表示网络损耗p
loss
。
[0145]
在一种可能实现的方式中，所述模型构建单元802中构建的分布式光伏电源容量优化模型，包括：
[0146][0147]
式中，f1表示年网络损耗，p
loss,t
为配电网在某一时间段面t上的各线路网损之和；f2表示电压越限风险p
risk
；f3表示各节点光伏电站装机量之和，s
pv,i
为节点i光伏电站装机量，所述电压越限风险p
risk
取决于系统中发生电压越限事件的概率及其造成的后果的严重程度，用两者的乘积表示，pi代表节点i电压越限风险的概率，si代表节点电压越限的严重程度。
[0148]
在一种可能实现的方式中，所述模型求解单元，还用于，根据第三代非支配排序遗传nsga-iii算法，通过所述分布式光伏电源选址优化模型输出使得目标节点的概率电压灵敏度最小和网络损耗最小的光伏电源的初始安装位置；
[0149]
根据第三代非支配排序遗传nsga-iii算法，通过所述分布式光伏电源容量优化模型输出使得目标节点的电压越限风险最小和年网络损耗最小的光伏电源的初始装机容量。
[0150]
本发明实施例还公开的一种分布式光伏电源的选址和定容的设备，包括：
[0151]
存储器，用于存储计算机程序；
[0152]
处理器，用于执行所述存储器中存储的计算机程序以实现以上任一项实施例提到的用于分布式光伏电源的选址和定容方法的步骤。
[0153]
需要说明的是，本发明实施例提供的一种分布式光伏电源的选址和定容的设备，具有如上任意一个实施例所具有的技术效果，本发明实施例在此并不作赘述。
[0154]
为了更好地理解本方案，本发明实施例公开的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上任一实施例提到的分布式光伏电源的选址和定容的方法步骤。
[0155]
需要说明的是，本发明实施例提供的一种计算机可读存储介质，具有如上任意一个实施例所具有的技术效果，本发明实施例在此并不作赘述。