一种基于源荷匹配的高比例新能源配电网类型辨识方法

1.本发明涉及配电网规划设计领域，尤其是涉及一种基于源荷匹配的高比例新能源配电网类型辨识方法。


背景技术：

2.配电网作为连接输电网与终端用户的重要桥梁，从传统无源网络到有源网络发展，在保障电能安全可靠供应的前提下，充分满足负荷增长需求且具有一定的灵活调节能力。随着“双碳”目标的提出以及新型电力系统的建设与发展，以光伏、风电为代表的分布式电源(distributed generation，dg)将高比例接入配电系统，促进dg最大程度就地消纳进而提高用能的清洁性与投资的经济性将成为未来有源配电网建设的重点方向。这就要求dg的渗透率要与所在区域的负荷需求适度匹配。
3.然而各区域电网的资源禀赋、政策实施以及经济发展的差异化导致各区域资源分布与开发利用率不均衡。当前在配电网规划工程实践中，多以负荷预测为根本且将电源与上级电网作为规划的边界条件，采用统一的规划方法难以对不同源荷特性配电网进行差异化精准规划，无法最大化挖掘源荷资源，导致投资经济性低下。
4.因此，在对配电网进行规划前，需要精准评估各规划区域源荷匹配情况与运行特性，辨识出各区域配电网所属类型并分析其特征显著度。如何提供一种可对配电网的形态特征进行分析，且能有效考虑高比例dg接入后各区域电网柔性负荷、储能等主体的运行特性与调节能力差异性的有源配电网类型辨识方法成为目前亟需解决的问题。


技术实现要素：

5.本发明的目的就是为了提供一种提高有源配电网类型识别精准度的基于源荷匹配的高比例新能源配电网类型辨识方法。
6.本发明的目的可以通过以下技术方案来实现：
7.一种基于源荷匹配的高比例新能源配电网类型辨识方法，包括以下步骤：
8.采集配电网中风电和光伏日功率曲线数据；
9.利用聚类方法对所述日功率曲线数据进行聚类，获得风电和光伏的典型日运行场景；
10.采集配电电压器的历史负荷时序数据；
11.基于所述历史负荷时序数据计算配电网广义日负荷曲线数据；
12.基于所述广义日负荷曲线数据以及风电和光伏的典型日运行场景计算配电网源荷匹配度和源荷匹配率，以确定有源配电网类型
13.进一步地，所述的获得风电和光伏的典型日运行场景的具体步骤包括：
14.采用所述风电和光伏日功率曲线数据的均值和标准差作为风电和光伏的典型日运行场景的表征属性；
15.基于所述表征属性，采用聚类方法获取风电和光伏的典型日运行场景，其中采用
贝叶斯信息准则确定最佳聚类组数，计算组内的平均相关系数，并将平均相关系数最大的作为风电和光伏的典型日运行场景。
16.进一步地，所述的聚类方法为改进的gmm聚类方法，该改进的gmm聚类方法的数学模型为：
[0017][0018]
式中，f(x|ηn,μn)代表第n个高斯分布的概率密度函数；an、ηn和μn分别为待估计的第n个高斯分布的权重、均值以及协方差矩阵；x＝[x1,x2,...,xk,...,xm]
t
为输入的初始样本数据集合；d是xi的维数值；n为聚类场景数量。
[0019]
进一步地，所述的历史负荷时序数据包括历史日负荷曲线数据、需求响应负荷曲线数据以及储能运行时充放电功率曲线数据。
[0020]
进一步地，所述的广义日负荷曲线数据的计算公式为：
[0021][0022]
式中，p
gl
为广义日负荷曲线数据，p
base
为历史日负荷曲线数据，为需求响应负荷曲线数据，为储能运行时充放电功率曲线数据。
[0023]
进一步地，所述的储能运行时充放电功率曲线数据的计算公式为：
[0024][0025]
式中，为第i个储能系统的充放电功率向量；p
it,ess
为第i个储能系统t时段的充放电功率值；p
imax,ess
与p
imin,ess
分别表示第i个储能充放电功率的上下限；e
it,ess
为第i个储能系统t时段的容量；η
i,ess
为第i个储能系统的充放电效率；e
i,ess
为第i个储能系统的额定容量；s
i,min
和s
i,max
分别是第i个储能系统最小和最大荷电状态。
[0026]
进一步地，所述的确定有源配电网类型的具体步骤包括：
[0027]
利用所述广义日负荷曲线数据和风电和光伏的典型日运行场景中的输出功率计算源荷匹配性；
[0028]
基于所述源荷匹配性计算源荷匹配度和源荷匹配率；
[0029]
判断所述源荷匹配率是否大于等于预设阈值，若是，则根据所述源荷匹配度确定对应场景下的配电网类型，若否，则判断为出现极端情况。
[0030]
进一步地，所述的源荷匹配度的计算公式为：
[0031][0032]
式中，为源荷匹配度，p
gl,t
为广义负荷曲线数据在时刻t的功率，p
dg,t
为t时刻风电和光伏的典型日运行场景的输出功率。
[0033]
进一步地，所述的源荷匹配率的计算公式为：
[0034][0035]
式中，rm为源荷匹配率，取值范围为[0，1]；d
m,t
为源荷匹配程度；为源荷匹配度；t为日出力曲线数据的总时段。
[0036]
进一步地，所述源荷匹配度确定对应场景下的配电网类型为：
[0037]
源荷匹配度的取值范围处于[1, ∞]：负荷型配电网；
[0038]
源荷匹配度的取值范围处于[-∞,-1]：平衡型配电网；
[0039]
源荷匹配度的取值范围处于[-1,0]：电源型配电网。
[0040]
与现有技术相比，本发明具有以下有益效果：
[0041]
(1)本发明通过采用聚类方法对采集的配电网中风电和光伏全年功率曲线数据进行聚类获得风电和光伏的典型日运行场景，并基于所述典型日运行场景和广义日负荷曲线数据计算源荷匹配度和源荷匹配率以辨识有源配电网类型，充分考虑了高比例dg接入后各区域电网柔性负荷、储能等主体的运行特性与调节能力差异性的情况下对配电网的形态特征进行分析，从而提高了配电网类型识别的精准度。
[0042]
(2)本发明最大化挖掘源荷资源和对配电网类型进行精准划分，能够提高风光资源利用率、提升投资经济性；
[0043]
(3)本发明可广泛应用于有源配电网的精准规划中。
附图说明
[0044]
图1为本发明实施例流程示意图；
[0045]
图2为本发明实施例光伏典型出力场景提取曲线数据结果图；
[0046]
图3为本发明实施例风电典型出力场景提取曲线数据结果图；
[0047]
图4为本发明实施例电网供区划分图；
[0048]
图5为本发明实施例各类负荷的典型日出力曲线数据图；
[0049]
图6为本发明实施例广义负荷曲线数据求取原理图；
[0050]
图7为本发明实施例广义负荷曲线数据结果图；
[0051]
图8为本发明实施例有源配电网类型识别流程图；
[0052]
图9为本发明实施例源荷匹配原理图；
[0053]
图10为本发明实施例有源配电网类型识别结果图。
具体实施方式
[0054]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0055]
本实施例提供一种基于源荷匹配的高比例新能源配电网类型辨识方法，如图1所示，该方法包括以下步骤：
[0056]
s1、采集配电网中风电和光伏日功率曲线数据。
[0057]
本步骤采集待研究配电网中风电和光伏全年中的日功率曲线数据，即一天二十四小时内每间隔十五分钟采集一个点的有功功率。
[0058]
s2、利用聚类方法对所述日功率曲线数据进行聚类，获得风电和光伏的典型日运行场景。
[0059]
具体步骤包括：
[0060]
s21、采用风电与光伏日运行功率曲线数据的均值与标准差作为各典型日运行场景的表征属性利用改进gmm(gaussian mixture model，高斯混合模型)聚类方法进行风电和光伏的典型日场景提取。改进的gmm聚类的数学模型为：
[0061][0062]
式中，f(x|ηn,μn)代表第n个高斯分布的概率密度函数；an、ηn和μn分别为待估计的第n个高斯分布的权重、均值以及协方差矩阵；x＝[x1,x2,...,xk,...,xm]
t
为输入的初始样本数据集合；d是xi的维数值；n为聚类场景数量。利用基于mahalanobis距离的k-means聚类方法为多元高斯分布参数ηn和μn的迭代运算提供初始值。
[0063]
s22、以贝叶斯信息准则(bayesian information criterion，bic)对gmm的聚类组数n进行概率估计。bic的计算公式为：
[0064]
bic＝-2ln(ln) ζln(m)
[0065]
式中，ζ为模型参数的数量；ln为gmm模型中似然函数极大值；m为样本个数。
[0066]
s23、重复步骤s21-s22，取bic值最小时所对应的n值作为风光典型场景的最佳聚类数，并得到对应的风光典型日运行场景。经过计算结果可知，当场景数为6时对应的bic指标值最小，即共将提取出6个典型日运行场景。
[0067]
s24、计算6个组别内平均相关系数，将平均相关系数值最大的作为风光出力典型
日场景，使提取的典型场景和同组内所有日运行场景的相关性系数之和最大。平均相关系数计算公式为：
[0068][0069]
式中，cn与wn分别表示第n组内日场景集合以及日场景个数；xa与xb表示第n组包含的任意两个场景中各时刻点的运行功率，cov(xa,xb)代表xa与xb之间的协方差；var(xa)和var(xb)分别表示xa与xb的方差。6个场景的光伏典型出力场景提取曲线数据结果如图2所示，6个场景的风电典型出力场景提取曲线数据结果如图3所示，其对应的概率值如表1所示。
[0070]
表1典型日出力场景概率计算结果
[0071][0072]
s3、采集配电电压器的历史负荷时序数据。
[0073]
采集各配电变压器的历史全年负荷时序数据，采集的各配电变压器日负荷曲线数据包括配电网区域内各配变的过去一年内的历史日负荷曲线数据、需求响应负荷数据以及储能运行时充放电功率数据，即一天二十四小时内每间隔十五分钟采集一个点的有功功率。
[0074]
表2可转移负荷模型参数
[0075][0076]
激励型dr中可中断负荷模型参数如表3所示：
[0077]
表3可中断负荷模型参数
[0078][0079]
如图4所示，本实施例中共有30个馈线区块作为规划基本单元，供电范围内负荷种类有居民、工业、商业、行政与医院5种负荷，采集各配电变压器的全年负荷时序数据，即一天二十四小时内每间隔十五分钟采集一个点的有功功率，得到各类负荷的典型日功率曲线数据如图5所示，其中行政类与医院类负荷不参与dr，也未建设储能与dg。激励型dr中可转移负荷模型参数如表2所示。
[0080]
s4、基于所述历史负荷时序数据计算配电网广义日负荷曲线数据。
[0081]
如图6所示的广义日负荷曲线数据求取原理图，广义日负荷曲线数据求取公式如下：
[0082][0083]
式中：p
gl
为考虑多重因素耦合的广义负荷曲线数据，p
base
为传统负荷曲线数据，为参与需求侧响应负荷向量，为储能运行时充放电功率向量。
[0084]
本实施例中电价采用浙江现行分时电价，设置t
rm
值为0.75，价格型需求响应(demand response，dr)与激励型需求响应的比例为1:1，dr响应偏差为0。
[0085]
考虑价格型和激励型的计算公式为：
[0086][0087]
式中：与分别表示用户参与价格型dr以及激励型dr时负荷响应向量值；为响应时段内的可转移负荷，为响应时段内的可中断负荷。
[0088]
价格型dr计算公式为：
[0089][0090]
式中：t为日出力曲线数据的总时段；d
0i
表示需求侧响应前的负荷值；e
ij
表示负荷的需求价格弹性系数；pj表示响应后的电价；p
0j
表示响应前的电价。
[0091]
激励型dr计算公式为：
[0092][0093]
式中:pg(t)为全时段响应后的净负荷功率；p
gav
为全时段响应后的平均功率；p
dg
(t)为第t个时段dg的出力；ω表示激励型dr的响应率；为响应偏差；q
real
(t)与qc(t)分别代表t时段实际响应与计划响应负荷量。
[0094]
电化学储能作为储能系统的计算公式为：
[0095][0096]
式中：为第i个储能系统的充放电功率向量；p
it,ess
为第i个储能系统t时段的充放电功率值；p
imax,ess
与p
imin,ess
分别表示第i个储能充放电功率的上下限；e
it,ess
为第i个储能系统t时段的容量；η
i,ess
为第i个储能系统的充放电效率；e
i,ess
为第i个储能系统的额定容量；s
i,min
和s
i,max
分别是第i个储能系统最小和最大荷电状态。分别计算参与需求侧响应的负荷向量以及储能运行时充放电的功率向量与传统负荷曲线数据p
base
求和后可得到配电网中灵活资源参与调节的各类用户广义负荷曲线数据如图7。
[0097]
s5、基于所述广义日负荷曲线数据以及风电和光伏的典型日运行场景计算配电网源荷匹配度和源荷匹配率，以确定有源配电网类型。
[0098]
利用源荷匹配性、匹配度和源荷匹配率确定有源配电网的类型，该辨识方法的具体流程图如图8所示，详细步骤包括：
[0099]
s51、利用广义日负荷曲线数据与风电和光伏的典型日运行场景中的输出功率进行源荷匹配性计算。源荷匹配性的计算公式为：
[0100][0101]
式中：p
l,t
为t时刻的负荷功率；p
dg,t
为t时刻风电和光伏的典型日运行场景的输出功率。
[0102]
如图9所示的源荷匹配原理图，若dg出力不大于负荷需求，则dg发电可被全额消纳，dg与负荷相匹配；反之则必然存在某时段内dg出力大于负荷需求，此时负荷对dg的消纳空间不足，则dg与负荷不匹配。
[0103]
s52、根据匹配性计算源荷匹配度和源荷匹配率rm。
[0104]
当源荷匹配时，源荷匹配度的计算公式为：
[0105][0106]
式中：t为日出力曲线数据的总时段；当值大于1时，dg可全部由常规负荷消纳，即供电区域的供电特性整体上由负荷决定，且值越大，常规电源对供电区域整体负荷特性的作用越大。
[0107]
当源荷不匹配时，源荷匹配度的计算公式为：
[0108][0109]
式中：p
gl,t
为考虑多元因素耦合作用后的广义负荷在时刻t的功率，当值小于-1时，可通过柔性负荷与储能调节提升对dg的消纳比例；反之当值在-1到0之间时，dg渗透率过高，柔性负荷与储能的调节能力达到上限而不能使区域内供需水平达到平衡，导致出现dg倒送或弃风弃光的现象。
[0110]
匹配率rm的计算公式为：
[0111][0112]
式中：d
m,t
为源荷匹配程度；rm的取值范围为[0，1]，越接近1表示对应情况下一天中满足电力约束的时间占比越高。
[0113]
当源荷匹配时，源荷匹配程度的计算公式为：
[0114][0115]
当源荷不匹配时，源荷匹配程度的计算公式为：
[0116][0117]
s53、对匹配率rm大于等于设定阈值t
rm
的配电网，根据源荷匹配度的取值确定对应场景下的新型配电网类型：
[0118]
1)源荷匹配度的取值范围处于[1, ∞]：负荷型配电网。
[0119]
2)源荷匹配度的取值范围处于[-∞,-1]：平衡型配电网。
[0120]
3)源荷匹配度的取值范围处于[-1,0]：电源型配电网。
[0121]
依次按照以上步骤进行计算，得到类型辨识结果如图10，源荷匹配指标与类型辨识结果如表4所示，在30个馈线区块中，分别有负荷型区块16个，占比为53％，平衡型区块8个占比27％，电源型区块6个占比20％。
[0122]
表4各区块源荷匹配指标与类型辨识表
[0123][0124]
部分负荷型区块与电源型区块中风电、光伏的发电量和负荷用电量相差较大。例如馈线区块8和13中，用户所需电量是其区块内dg供电量的3倍以上；而在馈线区块3和17中，dg供电量接近用户所需电量的3倍。即在配电网中不同供电区域的风光资源分布以及开发程度存在较大差异，部分区域的风光消纳潜力未能得到有效挖掘，在未来配电网的规划中需要优先考虑。
[0125]
综上，通过运用本发明所提出的基于源荷匹配的高比例新能源配电网类型辨识方法，可有效考虑高比例dg接入后各区域电网柔性负荷、储能等主体的运行特性与调节能力差异性，完成有源配电网的类型辨识，有助于进行有源配电网的精准规划。
[0126]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。