[发明专利]一种配电网分布式光伏与储能电站投资决策方法

说明书

本发明公开了一种配电网分布式光伏与储能电站投资决策方法，配电网分布式电源规划领域，具体包括以下步骤：步骤1：输入光伏电站历史发电功率数据集和用电负荷历史数据集，采用改进的K中心点聚类算法提取光伏出力典型场景和用电负荷典型场景；步骤2：再根据光伏出力典型场景的光伏出力时序特性和用电负荷典型场景的用电负荷时序特性，构建光伏、负荷联合时序场景；本发明提出了一种配电网分布式光伏与储能电站投资决策方法，不仅反映了分布式光伏发电时序波动，实现了光伏电站投资效益最大化，同时保障电网安全稳定运行。

技术领域

本发明属于配电网分布式电源规划领域，具体为一种基于改进遗传模拟退火算法的配电网分布式光伏与储能电站投资决策方法。

背景技术

随着国家“双碳”提出实施，光伏发电装机容量和发电量不断攀升。分布式光伏出力和不同类型的常规负荷大小具有明显的时序特性，现阶段配电网分布式光伏选址和安装容量规划，通常采用恒定功率模型、概率模型，都无法准确体现时序波动性，不符合实际情况。同时，分布式光伏出力具有明显的波动性，影响了配电网安全稳定运行，现阶段配电网分布式光伏选址和安装容量规划未考虑，影响了电网安全稳定运行。

发明内容

本发明的目的在于提供了一种配电网分布式光伏与储能电站投资决策方法，不仅反映了分布式光伏发电时序波动，实现了光伏电站投资效益最大化，同时保障电网安全稳定运行。

实现本发明目的的技术解决方案为：一种配电网分布式光伏与储能电站投资决策方法，具体包括以下步骤：

步骤1：输入光伏电站历史发电功率数据集和用电负荷历史数据集，采用改进的K中心点聚类算法提取光伏出力典型场景和用电负荷典型场景；

步骤2：再根据光伏出力典型场景的光伏出力时序特性和用电负荷典型场景的用电负荷时序特性，构建光伏、负荷联合时序场景；

步骤3：从光伏、负荷联合时序场景发生概率角度出发，以光伏电站经济效益最大化为目标采用改进的遗传模拟退火算法确定分布式光伏安装位置和容量；

步骤4：采用超级电容平抑分布式光伏发电出力波动特性，以容量最小为目标确定储能电站安装位置和容量。

更进一步的，所述步骤1中改进的K中心点聚类算法提取光伏出力典型场景和用电负荷典型场景，具体说明如下：

(1)采用动态时间弯曲距离计算分布式光伏电站不同日期发电功率曲线之间的距离，构建分布式光伏电站不同日期发电功率曲线之间的距离矩阵；

(2)以轮廓系数最优为目标采用K中心点聚类算法开展分布式光伏电站不同日期发电功率曲线聚类分析，选择各个簇中心点作为光伏出力典型场景；

(3)采用动态时间弯曲距离计算用电负荷不同日期负荷曲线之间的距离，构建负荷不同日期负荷曲线之间的距离矩阵；

(4)以轮廓系数最优为目标采用K中心点聚类算法开展各类型负荷不同日期负荷曲线聚类分析，选择各个簇中心点作为用电负荷典型场景。

更进一步的，所述动态时间弯曲距离计算公式如下：

假设有两条时间序列A＝{a₁,…,a_l,…,a_m}和B＝{b₁,…,b_j,…,b_n}，m和n分别表示时间序列A和B的长度，首先构造一个m*n的矩阵M，元素M(i,j)为a_i与b_j之间的距离，然后在矩阵中寻找一条使两条序列间累积距离最小的弯曲路径；弯曲路径W＝{w₁,…,w_l,…,w_K}是矩阵M一组连续的元素集合，K为弯曲路径元素数量，并且满足以下约束：

1)有界约束：max(m,n)≤K≤m+n-1。