一种面向储能规划的多场景分群结构划分算法

1.本发明涉及储能规划领域，具体地，涉及一种面向储能规划的多场景分群结构划分算法。


背景技术：

2.随着配电网中可再生能源渗透率不断提高，源荷双侧发用电已逐步呈现消纳特性的不匹配现象。二者空间位置上的不匹配导致电源中心与负荷中心需要借由较长距离的输电通道输送电能，而源荷双侧的送受能力受线路传输容量及网络阻塞情况的影响较大。因此将网络中电气联系紧密的节点划分为一个集群，实现群内源源互补、源荷互补，能够直观的量化分析储能规划与源荷双侧发用电特性的耦合程度。
3.为此提出一种面向储能规划的多场景分群结构优化模型。基于电气距离指标、发用电特性纯度指标等，精准刻画多场景转换条件下配电网各集群的边界，精简分布式储能系统的选址范围。


技术实现要素：

4.有鉴于此，本发明的目的是针对现有技术的不足，提供一种面向储能规划的多场景分群结构划分算法，直观的量化储能规划与源荷双侧发用电特性的耦合程度。
5.为达到上述目的，本发明采用以下技术方案：
6.一种面向储能规划的多场景分群结构划分算法，包括以下步骤：
7.s1：计算基于电气距离的模块度指标；
8.s2：计算考虑多场景条件的综合纯度指标；
9.s3：以集群划分综合评判指标最大为目标建立分群结构优化模型；
10.s4：基于集群划分问题的改进遗传算法进行模型求解。
11.进一步地，在步骤s1中，所述基于电气距离模块度指标定义如下：
12.模块度指标用以衡量配电网集群内及集群间电气联系是否紧密，该指标与配电网的结构如线路阻抗参数、线路长度、节点连接关系等有关，与网络潮流等无关，因此节点电气距离的模块度指标中不包含场景因素；该指标越大表示集群划分结构将网络中电气联系紧密的节点聚合效果越好，基于电气距离模块度指标计算公式如下：
[0013][0014]
式中，e
ij
为连接网络中节点i和节点j的边的权重(简称边权)，设为两个节点间的电气距离；m＝(∑i∑
jeij
)/2为网络所有边权之和；ki＝∑
jeij
为所有与节点i相连的边权之和；当节点i和节点j在同一集群内时δ(i,j)＝1，否则δ(i,j)＝0。
[0015]
进一步地，在步骤s2中，所述考虑多场景条件的综合纯度指标定义如下：
[0016]
为综合评判集群在一年的统计周期内最适宜何种划分方式，引入各典型场景出现概率代表各集群划分方式在最终优化结构中的占比，定义综合纯度指标o
ωi
反映某场景下
集群划分结构形成的个体送受特性是否明显的区分度，指标根据各集群发用电特性纯度值与{-1,0,1}的趋近程度汇总求和计算，定量描述系统所有集群在一个统计周期内最终表现出的送受特性区分度；综合纯度指标越大表示划分出的集群结构中各个集群间呈现送端集群、受端集群或自平衡集群特征的区分度越高，基于考虑多场景条件的综合纯度指标计算公式如下：
[0017][0018]
式中，为场景ωk下集群c的发用电特性纯度指标值，介于-1和1之间，指标接近1表示受端集群，指标接近-1表示送端集群，指标接近0表示接近弱交互集群；为某场景下综合纯度指标；ψc为划分的集群数量，φ
rec
为受端集群。
[0019]
进一步地，在步骤s3中，所述以集群划分综合评判指标最大为目标建立分群结构优化模型如下：
[0020]
集群划分中模块度指标和综合纯度指标都是正向指标，其取值越大表明划分的集群越优秀，有利于协调不同送受特性的集群间储能资源的配置与协同增效运行；将上述模块度指标和综合纯度指标加权形成综合评判指标面向储能规划的集群划分优化模型以最大作为优化目标：
[0021][0022]
式中，为集群划分综合评判指标；r1为模块度指标的权重；r2为纯度偏移特性指标的权重；w为场景总数；p(ωi)为ωi场景的概率；ρ为基于电气距离的模块度指标；为某场景下综合纯度指标。
[0023]
进一步地，在步骤s4中，基于集群划分问题的改进遗传算法包括以下步骤：
[0024]
为消除经典遗传算法不适用于求解集群划分的弊端，本文考虑配电网中馈线与变电站的连接性以及馈线间的连接性特点，以网络邻接矩阵为基础进行染色体编码；这种编码方式仅需通过更改矩阵中的0-1元素即可实现全网范围的集群划分；此外，这种算法基于概率机制进行迭代搜索，对因配电网中分支线情况导致的不规则集群的搜索判别能力较强，能有效识别各种类型集群的边界。
附图说明
[0025]
图1本发明的整体流程示意图。
具体实施方式
[0026]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0027]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术
人员所获得的所有其他实施例，都属于本发明保护的范围。
[0028]
如图所示，本发明提供一种面向储能规划的多场景分群结构划分算法，包括以下步骤：
[0029]
s1：计算基于电气距离的模块度指标：
[0030]
模块度指标用以衡量配电网集群内及集群间电气联系是否紧密，该指标与配电网的结构如线路阻抗参数、线路长度、节点连接关系等有关，与网络潮流等无关，因此节点电气距离的模块度指标中不包含场景因素；该指标越大表示集群划分结构将网络中电气联系紧密的节点聚合效果越好，基于电气距离模块度指标计算公式如下：
[0031][0032]
式中，e
ij
为连接网络中节点i和节点j的边的权重(简称边权)，设为两个节点间的电气距离；m＝(∑i∑
jeij
)/2为网络所有边权之和；ki＝∑
jeij
为所有与节点i相连的边权之和；当节点i和节点j在同一集群内时δ(i,j)＝1，否则δ(i,j)＝0；
[0033]
为使配电网中同一集群内节点的电压联系更为紧密，便于进行集群控制，选取电压无功灵敏度计算电气距离，节点的电压无功灵敏度计算式如下所示：
[0034]
δv＝s
vq
δq
[0035]
式中，δv为节点电压幅值变化量；s
vq
为无功电压灵敏度矩阵，可由雅可比矩阵转化获得；δq为节点注入无功变化量；
[0036]
因此无功电压灵敏度矩阵s
vq
中的元素s
vq,ij
表示节点j的注入无功功率变化对节点i的电压幅值影响程度，该影响可由下式表示：
[0037][0038]bij
越小表示两节点的无功电压影响越大，两节点的电气距离联系较为紧密；
[0039]
此外，考虑到电网中任意两个节点的电气联系不仅与两个节点自身的电气距离有关，还与其所处电网中其余全部节点对此两个节点的综合影响程度相关；因此，对于含有n个节点的电力系统，任意两节点间的综合电气距离d
ij
可由下式计算：
[0040][0041]
以节点间综合电气距离作为边权时需注意节点间的电气距离越大，表示二者联系越为松散，其相连边的权重越小，因此配电网中节点相连边的权重应按下式计算：
[0042]eij
＝1-d
ij
/max(d)。
[0043]
s2：对气象场景聚类分析，获得典型气象场景集合：
[0044]
为精准刻画含分布式电源的集群究竟应该尽可能的实现本地消纳还是尽可能提高并网容量，构建发用电特性纯度指标，将群内负荷需求扣除可再生能源出力后的值作为集群净负荷，各集群净负荷为正时表明负荷需求较为强烈，称此时体现受端特性；净负荷为负时表明此时可再生能源出力较强，称此时体现送端特性；净负荷在0值附近波动则表明集群内可再生资源的供给基本能满足本群内负荷需求，称此时体现弱交互特性；基于此，表征单个集群整体送受特性的集群发用电特性纯度指标计算式如下式所示：
[0045][0046]
式中，ωk为第k个场景；为场景ωk下集群c的发用电特性纯度指标值，介于-1和1之间，指标接近1表示受端集群，指标接近-1表示送端集群，指标接近0表示接近弱交互集群；为集群c内i节点第t时刻的负荷值；为集群c内i节点第t时刻的可再生能源发电功率；t为统计总时段；
[0047]
集群的发用电特性纯度指标与统计周期内的负荷需求及可再生能源发电出力密切相关，不同典型运行场景将产生不同的集群划分结构，为综合评判集群在一年的统计周期内最适宜何种划分方式，引入各典型场景出现概率代表各集群划分方式在最终优化结构中的占比，定义综合纯度指标反映某场景下集群划分结构形成的个体送受特性是否明显的区分度，指标根据各集群发用电特性纯度值与{-1,0,1}的趋近程度汇总求和计算，定量描述系统所有集群在一个统计周期内最终表现出的送受特性区分度；综合纯度指标越大表示划分出的集群结构中各个集群间呈现送端集群、受端集群或自平衡集群特征的区分度越高；但考虑到受端集群的发用电特性纯度指标始终为1，为避免该指标值对综合纯度指标影响过大，计算综合纯度指标时不计该值；全系统集群划分的综合纯度指标计算式如下所示：
[0048][0049]
式中，为某场景下综合纯度指标；ψc为划分的集群数量，φ
rec
为受端集群。
[0050]
s3：以集群划分综合评判指标最大为目标建立分群结构优化模型：
[0051]
集群划分中模块度指标和综合纯度指标都是正向指标，其取值越大表明划分的集群越优秀，有利于协调不同送受特性的集群间储能资源的配置与协同增效运行；将上述模块度指标和综合纯度指标加权形成综合评判指标面向储能规划的集群划分优化模型以最大作为优化目标：
[0052][0053]
式中，为集群划分综合评判指标；r1为模块度指标的权重；r2为纯度偏移特性指标的权重；w为场景总数；p(ωi)为ωi场景的概率；ρ为基于电气距离的模块度指标；为某场景下综合纯度指标。
[0054]
s4：基于集群划分问题的改进遗传算法进行模型求解：
[0055]
为消除经典遗传算法不适用于求解集群划分的弊端，本文考虑配电网中馈线与变电站的连接性以及馈线间的连接性特点，以网络邻接矩阵为基础进行染色体编码；这种编码方式仅需通过更改矩阵中的0-1元素即可实现全网范围的集群划分；此外，这种算法基于概率机制进行迭代搜索，对因配电网中分支线情况导致的不规则集群的搜索判别能力较强，能有效识别各种类型集群的边界。