一种考虑电车负荷的增量配电网网架规划方法及装置与流程

1.本发明涉及电网规划技术领域，尤其涉及一种考虑电车负荷的增量配电网网架规划方法及装置。


背景技术：

2.近十年来，随着电动汽车(ev)领域技术发展，ev保有量保持快速增长趋势。截至2021年3月，中国新能源汽车保有量达551万辆，其中纯电动汽车保有量449万辆，占新能源汽车总量的81.53％。充电桩保有量约为175.8万台，但实际公共充电桩数仅83.7万台。作为ev充电的主要基础设施，ev充电站(evcs) 数量远未达到目标。预计未来ev与evcs的数量仍然会保持快速上升的趋势。大幅上涨的evcs 建设需求对配电网运营者提出了新的要求。由于大规模evcs的接入，配电网传统的需求概况被改变，呈现出新的波动性和间歇性，不仅给电网安全可靠运行带来了巨大挑战，也给电网带来了新的不确定性，配电网经营者需要在考虑经济性与运行可靠性的前提下进行增量配电网规划，保证evcs与配电网设施高度融合。因此，兼顾建设成本与evcs接入的增量配电网网架规划(dnep)是现研究领域亟待解决的问题。
3.在增量配电网网架规划中，一般采用隐枚举法、蒙特卡洛法方法和启发式算法求解。其中，隐枚举法在问题规模较为庞大时也无法满足效率要求；蒙特卡洛法方法和启发式算法在实际应用中不能保证稳定地生成接近全局最优的可行解。综上，现有的路径选择方法中并不能适应于大规模evcs接入时规划增量配电网的实际需求，选择出来的电网路径也不够准确。


技术实现要素：

4.本发明实施例提供一种考虑电车负荷的增量配电网网架规划方法及装置，使用的分布式算法对建立的增量配电网网架规划模型求解，计算速度快且求解准确。
5.为实现上述目的，本技术实施例的第一方面提供了一种考虑电车负荷的增量配电网网架规划方法，包括：
6.从增量配电网的本地节点集的电力负荷监测数据中提取多个典型运行日、每个典型运行日对应的典型运行日负荷和每个典型运行日对应的出现概率；
7.从电车负荷数据中获取所述本地节点集中各个节点在每个典型运行日下的电动车充电负荷；
8.将每个典型运行日对应的典型运行日负荷、所述电动车充电负荷相加后得到每个典型运行日对应的增量典型运行日负荷；所有典型运行日对应的增量典型运行日负荷的合集构成典型场景集；
9.根据典型场景集和所述每个典型运行日对应的出现概率，构建在潮流约束、电路参数约束和结构约束情况下，以年化成本函数取值最小为目标的增量配电网网架规划模型；
10.基于分布式最短路共识算法对所述增量配电网网架规划模型进行求解，得到输出规划路径集。
11.在第一方面的一种可能的实现方式中，所述典型运行日及对应的出现概率的确定方法为：
12.初始化聚类中心，并持续更新所述聚类中心直至所述聚类中心满足聚类收敛的误差上限要求；聚类后类中心每个类别对应一个典型运行日，每个类别的出现频率对应典型运行日的出现概率。
13.在第一方面的一种可能的实现方式中，所述从电车负荷数据中获取所述本地节点集中各个节点在每个典型运行日下的电动车充电负荷，具体包括:
14.从电车负荷数据中得到各个节点在每个典型运行日下所有单次充电的负荷曲线；
15.将所有单次充电的负荷曲线进行相加，得到各个节点在每个典型运行日下的电动车充电负荷。
16.在第一方面的一种可能的实现方式中，所述从电车负荷数据中得到各个节点在每个典型运行日下所有单次充电的负荷曲线，具体包括:
17.根据电车负荷剩余电量百分比与电车负荷初始电量百分比的差值、电动汽车电池容量、正常充电功率和充电效率，建立电车负荷充电持续时间模型；所述电车负荷剩余电量百分比是一个关于充电电价和电车最大电量百分比的线性函数；
18.结合所述电车负荷充电持续时间模型和所述正常充电功率，得到各个节点在每个典型运行日下所有单次充电的负荷曲线。
19.在第一方面的一种可能的实现方式中，所述建立电车负荷充电持续时间模型，具体包括:
20.将所述电车负荷剩余电量百分比与电车负荷初始电量百分比的差值、所述电动汽车电池容量的乘积值，除以正常充电功率和充电效率的乘积值，得到电车负荷充电持续时间模型。
21.在第一方面的一种可能的实现方式中，所述潮流约束包括各个节点有功功率约束和各个节点的各个节点有功功率约束；
22.所述电路参数约束包括电缆最大载流量约束和电压最大限值约束；
23.所述结构约束包括电源点最大出线数约束。
24.在第一方面的一种可能的实现方式中，所述年化成本函数是单位年建设成本和总运营支出的和函数。
25.在第一方面的一种可能的实现方式中，所述基于分布式最短路共识算法对所述增量配电网网架规划模型进行求解，得到输出规划路径集，具体包括：
26.将所述增量配电网网架规划模型转换为拓补图；所述拓补图中，将所述年化成本函数视为主节点，将潮流约束、电路参数约束和结构约束视为从节点；
27.计算各节点当前路权值最小的支路，通过节点间信息交换和多次迭代更新各节点选择的支路，获得各个节点到指定节点的全局最优路径。
28.在第一方面的一种可能的实现方式中，通过节点间信息交换和多次迭代更新各节点选择的支路，具体包括：
29.根据累计路权值对节点选择的支路进行迭代，每个节点重复迭代至节点状态值与
上一次节点状态值相同；每次迭代中各节点的父节点，由迭代中算出的使状态值达到最佳的邻接节点表示。
30.本技术实施例的第二方面提供了考虑电车负荷的增量配电网网架规划装置，包括：
31.典型日提取模块，用于从增量配电网的本地节点集的电力负荷监测数据中提取多个典型运行日、每个典型运行日对应的典型运行日负荷和每个典型运行日对应的出现概率；
32.充电负荷提取模块，用于从电车负荷数据中获取所述本地节点集中各个节点在每个典型运行日下的电动车充电负荷；
33.典型场景集建立模块，用于将每个典型运行日对应的典型运行日负荷、所述电动车充电负荷相加后得到每个典型运行日对应的增量典型运行日负荷；所有典型运行日对应的增量典型运行日负荷的合集构成典型场景集；
34.规划模型建立模块，用于根据典型场景集和所述每个典型运行日对应的出现概率，构建在潮流约束、电路参数约束和结构约束情况下，以年化成本函数取值最小为目标的增量配电网网架规划模型；
35.路径输出模块，用于基于分布式最短路共识算法对所述增量配电网网架规划模型进行求解，得到输出规划路径集。
36.相比于现有技术，本发明实施例提供的考虑电车负荷的增量配电网网架规划方法及装置，先从增量配电网的本地节点集的电力负荷监测数据中取出典型运行日的负荷，并对目标规划电网区域的evcs进行建模，得到典型运行日下的电动车充电负荷后与典型运行日的负荷相加，构成典型场景集。每个典型日都是通过聚类得到的，将功率特性相似的日负荷归为一类，以降低规划的计算复杂度，提高求解效率。将典型场景集的相关参数输入增量配电网网架规划模型，在在潮流约束、电路参数约束和结构约束情况下，以年化成本函数取值最小为目标，采用分布式最短路共识算法对模型进行求解，直到所选网架完全符合约束，最后输出规划路径集，克服了传统分布式算法在应用于电力系统时难以考虑运行约束的缺点，适用于大规模配电网的增量扩建。
37.此外，对目标规划电网区域的evcs进行建模过程中，建立了电车负荷充电持续时间模型，考虑了ev充电时间、ev充电负荷大小等多种随机因素的不确定性，然后在增量配电网网架规划模型中采用基于多场景集的优化方法来处理系统不确定性，进而在不同ev负荷场景下优化配电网运营和路线规划。
附图说明
38.图1是本发明一实施例提供的一种考虑电车负荷的增量配电网网架规划方法的流程示意图；
39.图2是本发明一实施例考虑电车负荷的增量配电网网架规划装置示意图。
具体实施方式
40.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。
41.请参见图1，本发明一实施例提供一种考虑电车负荷的增量配电网网架规划方法，包括：
42.s10、从增量配电网的本地节点集的电力负荷监测数据中提取多个典型运行日、每个典型运行日对应的典型运行日负荷和每个典型运行日对应的出现概率。
43.s11、从电车负荷数据中获取所述本地节点集中各个节点在每个典型运行日下的电动车充电负荷。
44.s12、将每个典型运行日对应的典型运行日负荷、所述电动车充电负荷相加后得到每个典型运行日对应的增量典型运行日负荷；所有典型运行日对应的增量典型运行日负荷的合集构成典型场景集。
45.s13、根据典型场景集和所述每个典型运行日对应的出现概率，构建在潮流约束、电路参数约束和结构约束情况下，以年化成本函数取值最小为目标的增量配电网网架规划模型。
46.s14、基于分布式最短路共识算法对所述增量配电网网架规划模型进行求解，得到输出规划路径集。
47.增量配电网网架规划是含有大量的0-1变量以及非线性约束条件的路径选择问题，求解较为复杂，因此寻求高效准确的求解算法一直是这一领域研究的重点。
48.目前0-1规划问题并没有高效、精确的求解方法。小规模0-1规划问题通常使用穷举法遍历出决策变量所有可能的组合，求出目标函数最优解。当问题规模不断增大，组合集规模呈指数增大，原有的方法不再适用，出现了一种新的方法——隐枚举法，这一方法通过筛选条件对穷举法进行改进，不断删除比当前解差的解集，并把更优解作为新的最优解，再以新的最优解构造新的筛选条件，如此反复，可以相对较快地求出最优解，但在问题规模较为庞大时也无法满足效率要求。改进穷举法的另一个思路是随机搜索，其中较为典型的是蒙特卡洛法方法，这一方法通过大量地对决策变量随机取值，比较其目标函数值来不断获得更好的解，最后在随机采样上计算得到一个近似结果，因此无法保证解的全局最优性。启发式算法是解决0-1规划问题的另一个思路，这种算法根据具体问题的特殊结构来识别启发性信息，构造启发式优化过程来高效地寻找近似最优解，但其近似最优解通常是局部最优解，因此需要借助其他方法来评估其解的质量，在实际应用中不能保证稳定地生成接近全局最优的可行解。在研究路径选择问题时，最短路算法具有计算结果准确的优点，这一算法有很多种改进算法和启发式算法，这些算法的效率不同，适用的网络也不相同。其中，传统的dijkstra算法从起始点开始向周围所有方向层层扩展计算，经计算大量节点后，才到达目标点，求解速度慢效率低，在应用于规模较大的配电网规划时，会出现计算负担过重的问题。因此，本实施例提出的一种基于分布式bias min-consensus算法的增量配电网网架规划方法，适应于未来大规模evcs接入时规划增量配电网的实际需求。
49.由于增量配电网网架规划模型是一种多场景模型，需要先获取增量配电网网架规划模型所需的场景参数。因此，在s10-s12中在典型日负荷的基础上，加上对应典型日的ev负荷构成典型场景集s。典型场景集s以及对应的参数就是增量配电网网架规划模型所需的场景参数。在规划过程中，未来负荷需求的不确定性，可以通过一组场景来描述。在进行网
架规划前，先根据历史数据提取出典型运行日的负荷，并对规划区域的evcs进行建模，得到evcs负荷分布，再基于biasmin-consensus算法规划配电网网架。
50.示例性地，所述典型运行日及对应的出现概率的确定方法为：
51.初始化聚类中心，并持续更新所述聚类中心直至所述聚类中心满足聚类收敛的误差上限要求；聚类后类中心每个类别对应一个典型运行日，每个类别的出现频率对应典型运行日的出现概率。
52.典型日可从本地节点集n的365天的常规电力负荷监测数据获得，测量间隔为1小时，即t＝{1,2，...，24}。对历史数据集中的负荷数据p
cl,n
(t,d)(其中 p
cl
表示常规负荷的有功功率，n表示第n个节点，t表示时刻t，d表示第d天) 按天组成向量，进行标准化和归一化，将处理后的数据集记为r＝{r1,r2,
…
, rk,...r
td
}，其中rk表示第k天的负荷数据。对于典型运行日负荷的提取，可选用一种改进的k-medoids聚类算法。通过聚类，将功率特性相似的日负荷归为一类，提取出典型日负荷，以降低规划的计算复杂度，提高求解效率。
53.第k日负荷曲线rk与第x日负荷曲线r
x
之间的相似度se(rk,r
x
)表示为两向量的内积：
54.se(rk,r
x
)＝rk·rx
(1)
55.典型运行日最少应该含有晴天、雨天两种分类，同时考虑到本聚类方法可根据数据特点自动分类，因此，将初始类中心的数量设置为2，并使用下式选择初始类中心：
[0056][0057]
使用式(3)初始化类别，其中gi表示具有类中心r
c,i
的类：
[0058][0059]
按式(4)更新类中心后，判断标准(5)是否满足，如果不满足，则用式(3)更新分类，并反复迭代，直到满足标准(5)：
[0060][0061][0062]
其中，σ1为聚类迭代的误差上限，r
c,i-,r
c,i
分别为更新前后的类中心。
[0063]
然后，根据以下公式判断该聚类是否满足类别收敛要求：
[0064][0065]
其中，σ2确定了聚类收敛的误差上限。
[0066]
如果不符合要求，则添加新的类中心：
[0067][0068]
聚类后，由聚类中心构成的集合表示为rc＝[r
c,1
,r
c,2
,...,r
c,m
]，其中m表示聚类后类中心的数量，每一类别所含负荷曲线的个数在所有参与聚类的个负荷曲线中占的比例
分别为c1,c2,
…
,cm。同一类型的日负荷曲线可由每一类负荷的聚类中心代表，因此，根据常规负荷得到的典型运行日的数量也是m。这些聚类中心所对应的运行日的序号s1,s2,s3,
…
sm就构成了典型运行日的序号集，在这些序号当天的所有负荷数据就构成一个典型日负荷，每一典型运行日的比例为c1, c2,
…
,cm。在典型日的基础上，加上对应典型日的ev负荷p
ev,n
(t,si),就构成了典型场景集s。场景si为{p
l,n
(t,si)＝p
cl,n
(t,si) p
ev,n
(t,si)|t∈t,n∈n},典型场景 si出现的概率p(si)＝ci。例如：365天的日负荷曲线参与聚类，聚类后得到了3 个聚类中心，分别是：r
c,1
＝r3,r
c,2
＝r
125
,r
c,3
＝r
300
,每个类别所含日负荷曲线个数分别为50,150,165，那么典型运行日序号集为{3,125,300}，典型场景为 {p
l,n
(t,3)＝p
cl,n
(t,3) p
ev,n
(t,3)|t∈t,n∈n}, {p
l,n
(t,125)＝p
cl,n
(t,125) p
ev,n
(t,125)|t∈t,n∈n}, {p
l,n
(t,300)＝p
cl,n
(t,300) p
ev,n
(t,300)|t∈t,n∈n}，每一场景出现的概率为：50/365,150/365,165/365。
[0069]
示例性地，所述从电车负荷数据中获取所述本地节点集中各个节点在每个典型运行日下的电动车充电负荷，具体包括:
[0070]
从电车负荷数据中得到各个节点在每个典型运行日下所有单次充电的负荷曲线。
[0071]
将所有单次充电的负荷曲线进行相加，得到各个节点在每个典型运行日下的电动车充电负荷。
[0072]
示例性地，所述从电车负荷数据中得到各个节点在每个典型运行日下所有单次充电的负荷曲线，具体包括:
[0073]
根据电车负荷剩余电量百分比与电车负荷初始电量百分比的差值、电动汽车电池容量、正常充电功率和充电效率，建立电车负荷充电持续时间模型；所述电车负荷剩余电量百分比是一个关于充电电价和电车最大电量百分比的线性函数；
[0074]
结合所述电车负荷充电持续时间模型和所述正常充电功率，得到各个节点在每个典型运行日下所有单次充电的负荷曲线。
[0075]
假设场景s下电动汽车车主所期望的ev剩余电量百分比(soc)，soc
des
(s)，遵循线性充电价格模型。期望soc的上限和下限分别为soc
max
和soc
min
。场景s中的充电电价λ(s)的单位为$/kwh，其值受市场当前电价λ
max
和λ
min
限制：
[0076]
λ
min
≤λ(s)≤λ
max
(8)
[0077]
采用一个线性模型来反映充电电价与用户期望的soc之间的关系：
[0078]
soc
des
(s)＝soc
max-α
·
λ(s)(9)
[0079]
其中斜率为α＝(socmax-socmin)/(λmax-λmin)。
[0080]
具体来说，在场景s中，当充电价格设置为λ
max
时，soc
des
(s)低至最小值soc
min
。另一方面，当充电价格设置为λ
min
时，soc
des
(s)达到最大值soc
max
。
[0081]
此外，假设场景s中充电前的初始soc，soc
ini
(s)遵循标准正态分布，并假设场景s中电动汽车的到达时间ta(s)遵循混合正态分布。
[0082]
相应的概率密度函数表示如下：
[0083]
[0084][0085]
式中，μ
ini
,σ
ini
,μ
1ta
,σ
1ta
,μ
2ta
,σ
2ta
,a1,a2的值根据历史ev负荷数据确定，不同车型数值不同，如公交车与私家车数据值不同。
[0086]
然后，ev充电持续时间ta(s)可以建模为由以下公式给出的函数：
[0087][0088]
其中，ta(s)为充电时间，ecap为电动汽车电池容量，pcha为正常充电功率，单位为kw，η为充电效率。根据上述式子可得到场景s下单次充电的负荷曲线：
[0089][0090]
根据本地ev发展报告可以获得ev数量预测数据，从而确定节点n在场景s 下的ev充电次数，将节点n在场景s下的所有ev负荷曲线r
ev
对应相加，可得到ev充电负荷{p
ev,n
(t,s)|t∈t,n∈n}，用于中的典型场景集的生成。
[0091]
示例性地，所述建立电车负荷充电持续时间模型，具体包括:
[0092]
将所述电车负荷剩余电量百分比与电车负荷初始电量百分比的差值、所述电动汽车电池容量的乘积值，除以正常充电功率和充电效率的乘积值，得到电车负荷充电持续时间模型。
[0093]
示例性地，所述潮流约束包括各个节点有功功率约束和各个节点的各个节点有功功率约束；
[0094]
所述电路参数约束包括电缆最大载流量约束和电压最大限值约束；
[0095]
所述结构约束包括电源点最大出线数约束。
[0096]
示例性地，所述年化成本函数是单位年建设成本和总运营支出的和函数。
[0097]
建立增量配电网网架规划模型的目标是以在所有可能的情况下尽量减少年化资本支出和总运营支出的方式来规划网架结构。年化成本c可表示为：
[0098][0099]
其中，c
cp
是将规划期内一次性线路建设成本转换为单位年建设成本值，y为规划周期，κ是投资的回报率，c
cp
是线路建设单价，l
nn’是线路长度，x
nn’是是否建设该条线路的二进制决策变量，l
nn'
指支路nn’，l
ca
是待规划线路集：
[0100][0101]
总运营支出c
op
可计算为：
[0102]cop
＝ce cm c
pn
(16)
[0103]
[0104][0105]
其中，ce是每年因线路输电损失而造成的电力损失成本，计算公式由公式(18) 给出，p(s)是场景s的出现概率，td为单规划年内的总天数，为线路nn’上的网损。cm是单位年内网架维护产生的成本，cm为维护单价，l是线路集。c
pn
是对任何形式违反约束条件的惩罚函数。
[0106]
在优化目标的基础上，需要考虑运行约束条件，式(19)-式(23)，此外，还需要考虑城市管网拓扑结构的约束条件(24)：
[0107][0108]
式中，pn(t,s)是流入节点n的有功功率，p
l,n
(t,s)是节点n消耗的有功负荷， p
nn’(t,s)是流向节点n的下游节点n’的有功功率；
[0109][0110]
式中，p
n’(t,s)是流入节点n’的有功功率，其他符号含义同上；
[0111][0112]
式中，cosθ是网络的功率因数，ρ是电阻率，vn是节点n处的电压值，其他符号含义同上；
[0113][0114]
式中，是电缆最大载流量的平方值，由根据所使用的电缆型号查阅国家标准得到，其他符号含义同上；
[0115][0116]
式中，是电压最大限值，通过查阅国标电压限值得到，vn是额定电压，其他符号含义同上；
[0117]
0≤mb≤m
blim
ꢀꢀ
(24)
[0118]
式中，mb是电源点出线数，m
blim
是最大出线数，根据变压器容量查阅国标确定。
[0119]
式(14)至式(24)就构成完整的增量配电网网架规划模型，由于约束条件和目标函数都含有大量二进制变量和连续变量，且增量配电网网架规划模型可以由拓扑图表达，因此可以通过bias min-consensus算法精确快速求解。
[0120]
示例性地，所述基于分布式最短路共识算法对所述增量配电网网架规划模型进行求解，得到输出规划路径集，具体包括：
[0121]
将所述增量配电网网架规划模型转换为拓补图；所述拓补图中，将所述年化成本函数视为主节点，将潮流约束、电路参数约束和结构约束视为从节点；
[0122]
计算各节点当前路权值最小的的支路，通过节点间信息交换和多次迭代更新各节点选择的支路，获得各个节点到指定节点的全局最优路径。
[0123]
discrete biased min-consensus(dbmc)算法是一种基于图论的分布式最短路共识算法。其主要特点是网络中所有节点分别同步计算各自当前路权值最小的的支路，通过节点间信息交换和多次迭代更新各自选择的支路，以获得各个节点到指定节点的全局最优路径。
[0124]
节点分为主节点(s
leader
)和从节点(s
follower
)两类：主节点选择的最优支路在迭代和信息交换过程中不受其他节点的影响，因此它们是静态的，而从节点选择最优支路时则受其邻接节点所选最优支路影响，综合考虑后选择使得当前到达指定节点的累计路权值最小的那条支路，因此它们是动态的。
[0125]
示例性地，通过节点间信息交换和多次迭代更新各节点选择的支路，具体包括：
[0126]
根据累计路权值对节点选择的支路进行迭代，每个节点重复迭代至节点状态值与上一次节点状态值相同；每次迭代中各节点的父节点，由迭代中算出的使状态值达到最佳的邻接节点表示。
[0127]
dbmc算法通过更新规则发现最短路径，更新规则如下：
[0128][0129][0130]
式中，dn(k)表示在第k次迭代中节点n的状态值，nn表示节点n的邻接节点集合，c
nn’表示n与邻接节点n’所连接的支路nn’的路权值，支路nn’路权值的计算公式如下：
[0131][0132]
其中，c
pnnn’为惩罚项，其余符号含义同上。
[0133]
第k次迭代中节点n的父节点fn(k)由迭代中算出的使状态值达到最佳的邻接节点表示，父节点的更新规则如下：
[0134][0135]
在稳态下(k＝∞)，状态变量d的值将收敛于:
[0136][0137]
在迭代过程中，当第k次迭代中所有节点的dn(k)与上一次迭代的dn(k 1)相比都完全相同时，可以认为迭代已经收敛，此时根据各节点的父节点结果对连接父子节点的支路l
nn'
对应的二进制变量x
nn'
赋1，并输出各支路决策结果x＝{x
nn'
}，由决策结果得到一个辐射
状配网网架。根据式(19)-(21)计算该配网在步骤(1) 与(2)建立的场景集中的负荷最重的场景下的潮流，根据式(22)-(24)判断电流电压是否符合约束条件限制，若约束越限，则将约束越限的支路nn’的惩罚项 c
pnnn’置为无穷大，以表示此条支路无法满足约束要求，不再选用，然后重新开始最短路计算，重新迭代寻优，直到所选网架完全符合约束，输出规划路径集。
[0138]
相比于现有技术，本发明实施例提供的考虑电车负荷的增量配电网网架规划方法，先从增量配电网的本地节点集的电力负荷监测数据中取出典型运行日的负荷，并对目标规划电网区域的evcs进行建模，得到典型运行日下的电动车充电负荷后与典型运行日的负荷相加，构成典型场景集。每个典型日都是通过聚类得到的，将功率特性相似的日负荷归为一类，以降低规划的计算复杂度，提高求解效率。将典型场景集的相关参数输入增量配电网网架规划模型，在在潮流约束、电路参数约束和结构约束情况下，以年化成本函数取值最小为目标，采用分布式最短路共识算法对模型进行求解，直到所选网架完全符合约束，最后输出规划路径集，克服了传统分布式算法在应用于电力系统时难以考虑运行约束的缺点，适用于大规模配电网的增量扩建。
[0139]
此外，对目标规划电网区域的evcs进行建模过程中，建立了电车负荷充电持续时间模型，考虑了ev充电时间、ev充电负荷大小等多种随机因素的不确定性，然后在增量配电网网架规划模型中采用基于多场景集的优化方法来处理系统不确定性，进而在不同ev负荷场景下优化配电网运营和路线规划。
[0140]
参见图2，本技术一实施例提供了考虑电车负荷的增量配电网网架规划装置，包括：典型日提取模块20、充电负荷提取模块21、典型场景集建立模块22、规划模型建立模块23和路径输出模块24。
[0141]
典型日提取模块20，用于从增量配电网的本地节点集的电力负荷监测数据中提取多个典型运行日、每个典型运行日对应的典型运行日负荷和每个典型运行日对应的出现概率。
[0142]
充电负荷提取模块21，用于从电车负荷数据中获取所述本地节点集中各个节点在每个典型运行日下的电动车充电负荷。
[0143]
典型场景集建立模块22，用于将每个典型运行日对应的典型运行日负荷、所述电动车充电负荷相加后得到每个典型运行日对应的增量典型运行日负荷；所有典型运行日对应的增量典型运行日负荷的合集构成典型场景集。
[0144]
规划模型建立模块23，用于根据典型场景集和所述每个典型运行日对应的出现概率，构建在潮流约束、电路参数约束和结构约束情况下，以年化成本函数取值最小为目标的增量配电网网架规划模型。
[0145]
路径输出模块24，用于基于分布式最短路共识算法对所述增量配电网网架规划模型进行求解，得到输出规划路径集。
[0146]
相比于现有技术，本发明实施例提供的考虑电车负荷的增量配电网网架规划装置，先从增量配电网的本地节点集的电力负荷监测数据中取出典型运行日的负荷，并对目标规划电网区域的evcs进行建模，得到典型运行日下的电动车充电负荷后与典型运行日的负荷相加，构成典型场景集。每个典型日都是通过聚类得到的，将功率特性相似的日负荷归为一类，以降低规划的计算复杂度，提高求解效率。将典型场景集的相关参数输入增量配电
网网架规划模型，在在潮流约束、电路参数约束和结构约束情况下，以年化成本函数取值最小为目标，采用分布式最短路共识算法对模型进行求解，直到所选网架完全符合约束，最后输出规划路径集，克服了传统分布式算法在应用于电力系统时难以考虑运行约束的缺点，适用于大规模配电网的增量扩建。
[0147]
此外，对目标规划电网区域的evcs进行建模过程中，建立了电车负荷充电持续时间模型，考虑了ev充电时间、ev充电负荷大小等多种随机因素的不确定性，然后在增量配电网网架规划模型中采用基于多场景集的优化方法来处理系统不确定性，进而在不同ev负荷场景下优化配电网运营和路线规划。
[0148]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赞述。
[0149]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。