一种分布式电源的优化选址与定容方法

摘要

本发明提供一种分布式电源的优化选址与定容方法，包括以下步骤：建立分布式电源选址定容的多目标优化模型；明确多目标优化模型的约束条件；建立分布式电源随机出力模型，并对其进行处理；建立负荷随机出力模型；进行分布式电源的选址和定容。本发明以网络损耗最小和延缓投资效益最大作为目标优化函数，采用两步式优化方法求取分布式电源接入配电网的接入位置和安装容量，充分体现了分布式电源接入对配电网的积极作用，且可用于从扩容作用方面评价分布式电源接入配电网的经济效益。

主权项

一种分布式电源的优化选址与定容方法，其特征在于：所述方法包括以下步骤：步骤1：建立分布式电源选址定容的多目标优化模型；步骤2：明确多目标优化模型的约束条件；步骤3：建立分布式电源随机出力模型，并对其进行处理；步骤4：建立负荷随机出力模型；步骤5：进行分布式电源的选址和定容；所述步骤1包括以下步骤：步骤1‑1：求取配电网的网络损耗最小值；即相对于现有配电网，分布式电源接入后，配电网的网络损耗减少量最大，有：${\mathrm{max\Delta P}}_{loss}=P_{loss}-\underset{b=1}{\overset{N-1}{\Sigma }}{I_b}^2{R}_b$式中，ΔP_loss为配电网的网损减少量，P_loss为未接入分布式电源时配电网的网络损耗；N为配电网中的总母线数量；I_b为第b条支路上流过的电流；R_b为第b条支路的电阻；步骤1‑2：求取分布式电源产生的延缓投资效益最大值；对于某个给定容量的供电支路，在已知负荷增长速度的情况下，可确定该支路的扩容时间：${P_i}^{\max }=P_i{(1+{\omega }_i)}^{{\tau }_i}$式中，P_i^max为支路i的容量；P_i为流经支路i的负荷功率；ω_i为负荷的年增长率；τ_i为扩容时间，且有${\tau }_i=\frac{\ln P_i^{max}}{ln\left[P_i(1+{\omega }_i)\right]}$假设均采用相同型号的设备对支路进行扩容，且投资费用相同，则可将其扩容投资的折现值表示为：$M_{ipv}=\frac{M_i}{{(1+r)}^{{\tau }_i}}$式中，M_ipv为扩容投资的折现值，M_i是支路i的扩容投资；r为折现率；在现有的负荷水平下，配电网接入分布式电源，扩容时间延长，有$P_i^{max}=P_i{(1+{\omega }_i)}^{{\tau }_i^{*}}-P_{iDG}$式中，为由于分布式电源注入有功功率而产生的新的扩容时间，P_iDG为节点i处的分布式电源安装容量，此时，${\tau }_i^{*}=\frac{ln(P_i^{max}+P_{iDG})}{ln\left[P_i(1+{\omega }_i)\right]}$则扩容投资的折现值为：$M_{ipv}^{*}=\frac{M_i}{{(1+r)}^{{\tau }_i^{*}}}$式中,为由于分布式电源注入有功功率而产生的新的投资折现值；由于则延缓投资年限为$\Delta T={\tau }_i^{*}-{\tau }_i=\frac{ln(\frac{P_{iDG}}{P_i^{max}}+1)}{ln\frac{P_i(1+{\omega }_i)}{P_i^{\max }}+\ln P_i^{max}}$式中，ΔT为延缓投资年限，此时，分布式电源接入支路i后产生的延缓投资效益为：$M_{ibenifit}=M_{ipv}-M_{ipv}^{*}=\frac{M_i}{{(1+r)}^{{\tau }_i}}*[1-\frac{1}{{(1+r)}^{\Delta T}}]$若在节点i接入分布式电源，受支路容量约束，对节点i的上游支路有$P_k^{max}\ge \underset{j\in {\Phi }_k}{\Sigma }{P}_{Lj}-P_{iDG}$式中，Φ_k为支路k的下游支路集合；节点k为节点i的上游节点；为对应支路k的支路容量；P_Lj为在节点j接入的负荷容量；将中的P_iDG移动到方程左边，得到$P_k^{max}+P_{iDG}\ge \underset{j\in {\Phi }_k}{\Sigma }{P}_{Lj}$由上式可知，分布式电源的扩容作用为在分布式电源接入点的所有上游支路中，均产生分布式电源接入容量大小的扩充容量；当网络中仅接入单个分布式电源时，假设其接入位置为i，此时，该分布式电源产生的延缓投资效益为$M_{iDG}=\underset{k\in {\Phi }_F}{\Sigma }c*M_{kbenifit}$式中，M_iDG为在节点i接入分布式电源后产生的投资延缓效益；Φ_F为节点i的上游支路集合；c为分布式电源投资年限内资金等年值系数；M_kbenifit为上游支路k因分布式电源接入产生的延缓投资效益；在配电网中接入多个分布式电源后，多个分布式电源的扩容作用同时作用于处在其上游的支路上，分摊到每年的延缓投资效益为：$\begin{array}{cc}\max & M_{DG}=\underset{i\in {\Phi }_L}{\Sigma }c*M_{ibenifit}\end{array}$式中，M_DG为分布式电源接入后分摊到每年的延缓投资效益；M_ibenifit为支路i的延缓投资效益；Φ_L为网络中所有支路的集合；步骤1‑3：建立分布式电源选址定容的多目标优化函数；多目标优化函数表达式为：max C＝k₁M_loss+k₂M_DG式中，C为分布式电源接入后网络损耗减小产生的经济效益和分摊到每年的投资延迟效益决定的配电网总成本，k₁、k₂为权重系数，且k₁+k₂＝1；M_loss为分布式电源接入后网络损耗减小产生的经济效益，且有$M_{loss}=\underset{i=1}{\overset{4}{\Sigma }}p*(3*30*\underset{h=1}{\overset{24}{\Sigma }}{\mathrm{\Delta p}}_{iloss.h})$式中，p为单位电价；I为四个季度；h为每个季度典型日的24个时段；Δp_iloss.h为分布式电源接入后对应时段的网络损耗减少量；所述分布式电源随机出力模型包括光伏发电机组随机出力模型和风力发电机组随机出力模型；步骤3具体包括以下步骤：步骤3‑1：建立光伏发电机组随机出力模型；光伏发电的输出功率受到光照强度影响，在定时间段内，太阳光照强度近似看作是Beta分布，其概率密度函数f(r)表示为：$f\left(r\right)=\frac{\Gamma (\alpha +\beta )}{\Gamma \left(\alpha \right)\Gamma \left(\beta \right)}{\left(\frac{\gamma }{{\gamma }_{max}}\right)}^{(\alpha -1)}{(1-\frac{\gamma }{{\gamma }_{max}})}^{(\beta -1)}$式中，γ是定时间段内的实际光强；γ_max是定时间段内的最大光强，且满足α和β分别是Beta分布的形状参数，且满足β≥0，α≥0，根据下式计算：$\begin{array}{c}\beta =(1-\mu )=(\frac{\mu *(1+\mu )}{{\sigma }^2}-1)\\ \alpha =\frac{\mu *\beta }{1-\mu }\end{array}$μ和σ分别为定时间段内太阳光照强度的平均值和标准方差；光伏发电机组的输出功率表示为：P_v＝r*A*η式中，P_v是光伏发电机组的输出功率；r是太阳光照强度；A为光伏阵列的安装面积；η为光伏发电的转换效率；步骤3‑2：建立风力发电机组随机出力模型；风力发电机组的输出功率主要受到风速的影响，在定时间段内，认定风速近似服从两参数威布尔分布，其风速概率密度函数f(v)表示为：$f\left(v\right)=\frac{k}{c}{\left(\frac{v}{c}\right)}^{(k-1)}\exp [-{\left(\frac{v}{c}\right)}^k]$式中，k为形状参数；c为尺度参数，v为风速；形状参数k和尺度参数c均根据现场实测风速的历史数据采用最小二乘法辨识，表示为：$k={\frac{{\sigma }_w}{v_r}}^{-1.086}$$c=\frac{v_r}{\Gamma (1+1/k)}$式中，v_r和σ_w分别为平均风速与风速标准差；风速的分布函数F(v)表示为：$F\left(v\right)=P(V\le v)=1-\exp [-{\left(\frac{v}{c}\right)}^k]$当风力发电机组在介于v_r和v_i之间的风速下运行，风力发电机组输出功率与风速之间的关系近似为线性关系，则风力发电机组的输出功率P_w(v)与风速v之间的关系式为：$P_w\left(v\right)=\left\{\begin{array}{cc}0& 0\le v\le v_i\\ P_{rated}*\frac{(v-v_i)}{(v_r-v_i)}& v_i\le v\le v_r\\ P_{rated}& v_r\le v\le v_o\\ 0& v\ge v_o\end{array}\right.$式中，v_i、v_r和v_o分别为风力发电机组的切入风速、平均风速和切出风速，P_rated为分布式电源的额定出力；步骤3‑3：基于风力发电机组随机出力模型和光伏发电机组随机出力模型，对风力发电机组和光伏发电机组随机出力进行处理；具体包括以下步骤：1)获取区域内长期累计的风速及光照强度实测数据；2)将每年分为四个季度，每个季度选取典型日作为代表，每个典型日又被分为24个小时，则共有96个小时；3)根据获得的区域内长期累计的风速及光照强度实测数据，计算每个季度风速和光照强度的平均值和方差，得到该区域四个季度典型日的风速和光照强度概率密度分布函数；4)利用反函数变换法由随机数产生服从给定分布的随机风速；如果随机变量U服从[0，1]上的均匀分布，则随机变量X＝F^‑1(U)有连续累计概率分布函数F(X)；对于风速，根据反函数变换法，令$x=F\left(v\right)=1-\exp [-{\left(\frac{v}{c}\right)}^k]$则v＝c[‑ln(1‑x)]^1/k由于1‑x和x都是均匀分布随机变量，所以二者可以互相代替，故将上式变换为：v＝c[‑lnx]^1/k设置合理的抽样间隔，如每天设置24个采样点，由上式便可获得典型日24小时的风速随机抽样值；对于光伏发电机组，其出力与光照强度有关；在理想情况时，太阳对地面的光照强度可看作为正弦分布，关系式如下：$v_{sun}\left(t\right)=\left\{\begin{array}{c}{A}_{sun}sin\left[\pi \right(t-t_0)/T],t_0\le t\le t_0+T\\ 0,t<t_0,t>t_0+T\end{array}\right.$式中，v_sun(t)为t时刻太阳光照强度，A_sun为一天内太阳光照强度最大值，t₀为日照的开始时间，T为一天内的日照时间；根据研究结果太阳光在定时间段内服从Beta分布，故通过理想情况得到该时刻的最大光照强度值，然后按照Beta分布，在0与最大值区间内随机产生该时刻的光照强度；所述步骤5包括以下步骤：步骤5‑1：选取分布式电源的可接入位置；首先，根据自然资源的分布情况、地理条件及厂址选择要求，结合国家能源政策确定分布式电源的初步接入位置；然后在所确定的初步接入位置的基础上，结合已有电网的实际情况，选取分布式电源的最终可接入位置以充分发挥分布式电源的优势来满足特定的规划目标；步骤5‑2：通过粒子群算法对分布式电源的接入位置和容量进行优化；假设光伏发电机组的额定出力为P_1rated，风力发电机组的额定出力为P_2rated，x取[0，M]区间的实数值，M为编号对应的最大值，且或其中P_imax为节点i允许接入的最大分布式电源最大功率；对于允许n个节点安装分布式电源的辐射状配电网，即确定的可接入位置个数为n，假设安装的分布式电源类型为风力发电机组和光伏发电机组两种，分布式电源的安装方案用变量表示，0≤j≤n，x_1j表示在第j个节点上安装的光伏发电机组情况，x_2j表示在第j个节点上安装的风力发电机组情况，数值为0或者正整数；若x＝0，则说明在对应的节点不安装分布式电源，若x_1j或者x_2j为正整数C，则表明在该节点接入光伏发电机组或风力发电机组的个数，且安装容量为C*P_1rated或C*P_2rated。