[发明专利]一种含微电网的区域配电网分层优化方法

摘要

本发明涉及电力系统自动化领域的一种优化方法，具体涉及一种含微电网的区域配电网分层优化方法。所述方法包括下述步骤<1>建立微电网与配电网联合调度模型；<2>建立微电网效益最大化二次调度模型；<3>对上述两个调度模型进行优化。该方法将微电网作为可独立调度的可控单元，通过对配网侧可控分布式电源、微电网及配电网的协调调度及微电网内部分布式能源经济调度的双层调度控制，对内实现了分布式能源的最大化利用，对外实现区域配电网电源、负荷的最优化调度，可有效提高配电网对分布式电源接纳能力。

主权项

一种含微电网的区域配电网分层优化方法，其特征在于，所述配电网调度中心接收微电网调度中心提供的购售电价格和出力上下限信息以电网公司效益最大化为目标确定发电计划；微电网调度中心接收各分布式电源提供的购售电价格和出力上下限以微电网效益最大化为目标制定网内分布式电源的调度策略；所述方法包括下述步骤：步骤<1>建立微电网与配电网联合调度模型；步骤<2>建立微电网效益最大化二次调度模型；步骤<3>对上述两个调度模型进行优化；所述步骤<1>中，建立微电网与配电网联合调度模型包括确定发电计划目标函数及约束条件；所述发电计划目标函数以发电成本最小为目标，表达式如下：minC＝CMG+CG+CDG     (1)；式中：C为总发电成本，CMG为电网调度微电网成本，CG常规发电机组发电成本，CDG为直接并网的分布式能源发电机组或直接并网型的风电及光伏电厂的发电成本，统称为非微电网形式可调度分布式电源的发电成本；CG、CDG及CMG分别表示为：CG=Σt=1TΣj=1NG[αj(Pj,tG)2+βjPj,tG+γj+Kj,tPj,tG]---(2);]]>CDG=Σt=1T{Σk=1N′DG[αk(Pk,tDG)2+βkPk,tDG+γk]+Σm=1NDGKm,tPm,tDG}---(3);]]>CMG=Σt=1TΣi=1NMG(λ′i,tPi,tDG)Pi,tMG<0Σt=1TΣi=1NMG(λi,tPi,tMG)Pi,tMG>0---(4);]]>上式中：T为调度周期，设置1年；NG为常规机组数量；αj、βj、γj为机组j的发电成本二次函数的系数；αk、βk、γk为机组k的发电成本二次函数的系数；为t时段机组j的有功出力；NDG为非微电网形式可调度分布式电源数量，为t时段非微电网形式可调度分布式电源机组k有功出力，N'DG表示考虑燃料成本的非微电网形式可调度分布式电源数量；NMG为微电网集合，为t时刻微电网i备调度容量；微电网具备电源与负荷双重特性，定义表示t时段内微电网i向电网输出有功功率，λi,t为t时刻电网购电价格；为t时段电网向微电网i输出有功功率，λ′i,t为t时刻电网售电价格；所述发电计划约束包括微电网出力约束和电网运行约束；A、所述微电网出力约束表达式如下：Pimin,tMG≤Pj,tMG≤Pimax,tMG---(5);]]>t时段微电网i出力上限定义为：Pimax,tMG=Σn∈NMT∪Nbat∪NDMPin,max,t+Pi,tPV+Pi,tWP-Pi,tLoad---(6);]]>式中：Pin,max,t表示微电网内可控电源的最大出力；分别表示t时段微电网i内光伏系统及风力系统出力预测；表示t时段负荷预测值；t时段微电网i出力下限定义为：Pimin,tMG=Σn∈NMT∪Nbat∪NDMPin,min,t+Pi,tPV+Pi,tWP-Pi,tLoad---(7);]]>式中：Pin,min,t表示微电网内可控电源的最小出力；B、系统约束，包括：1)系统功率平衡约束：Σi∈NMGPi,tMG+Σj∈NGPj,tG+Σk∈NDGPk,tDG=PtLoad---(8);]]>2)系统备用容量约束：Σi∈NMGPi,tMG+Σj∈NGPj,tG+Σk∈NDGPk,tDG>PtLoad+RtLoad---(9);]]>3)常规机组出力约束：PjminG≤Pj,tG≤PjmaxG---(10);]]>4)常规机组爬坡速率动态约束：机组出力增加时：Pj,tG-Pj,t-1G≤Pup,jG---(11);]]>机组出力减少时：Pj,tG-Pj,t-1G≤Pdown,jG---(12);]]>5)直接并网的小水电出力约束：机组出力增加时：Pk,tDG-Pk,t-1DG≤Pup,kDG---(13);]]>机组出力减少时：Pk,tDG-Pk,t-1DG≤Pdown,kDG---(14);]]>上述表达式中：PtLoad，分别表示t时段系统负荷需求及备用容量需求；分别表示机组j的最小、最大出力；分别表示机组j单位时段内上行及下行最大爬坡速率；分别表示机组k单位时段内上行及下行最大爬坡速率；所述步骤<2>中，建立微电网效益最大化二次调度模型包括下述步骤：步骤I、确定以微电网效益最大化的目标函数；步骤II、确定以微电网效益最大化的约束条件；步骤III、对微电网内分布式电源出力和负荷进行预测；所述步骤I中，所述微电网效益最大化即微电网综合成本最小，其目标函数的表达式如下：minC'MG；C′MG=CMGC′DG=CMG+Σt=1T{Σk=1N′′DG[αk(Pk,tDG)2+βkPk,tDG+γk]+Σm=1N′′′DGKm,tPm,tDG}---(15)]]>其中：C'MG为某微电网综合成本，C'DG为微电网发电及运行维护成本；所述步骤II中，以微电网效益最大化的约束条件包括：1>系统功率平衡约束：Σj∈NDGPj,tDG′+PtMG′=PtLoad′---(16);]]>2>微电网内电源出力约束：PjminDG′≤Pj,tDG′≤PjmaxDG′---(17);]]>3>微电网内可控电源爬坡速率动态约束：电源出力增加时：Pj,tDG′-Pj,t-1DG′≤Pup,jDG′---(18);]]>电源出力减少时：Pj,tDG′-Pj,t-1DG′≤Pdown,jDG′---(19);]]>式中：PtLoad'为t时段微电网负荷需求；为t时段微电网可调度分布式电源机组j有功出力；PtMG'分别为t时刻微电网内分布式电源备调度容量；分别表示微电网内分布式电源j的最小、最大出力；分别表示微电网内分布式电源j单位时段内上行及下行最大爬坡速率；所述步骤III中，所述微电网内分布式电源出力预测包括：①光伏出力预测：光伏系统的输出功率服从Beta分布，其概率密度函数为：f(PtPV)=1B(a,b)(PtPVPmaxPV)a-1(1-PtPVPmaxPV)b-1---(20);]]>式中，PtPV是t时段光伏系统输出功率；是光伏系统最大输出功率，B(a,b)是Beta函数，即：B(a,b)=Γ(a)Γ(b)Γ(a)+Γ(b)---(21);]]>a=μPV(μPV(1-μPV)σPV2-1)---(22);]]>b=(1-μPV)(μPV(1-μPV)σPV2-1)---(23);]]>其中：a，b是Beta分布的形状参数；μPV，σPV分别为一年的太阳辐射照度平均值及标准差；②风电出力预测：风电出力预测根据风力预测及风机特性出力曲线确定；风速概率分布采用双参数威布尔分布，概率密度函数为：f(v)=kc(vc)k-1exp[-(vc)k]---(24);]]>式中：v为风速(m/s)，k为形状参数，c为尺度参数；风电功率特性曲线采用典型分段函数方法，风电功率特性曲线表达式为：P(V)=0,0≤V≤Vcut_inf(V),Vcut_in<V<VrPr,Vr≤V<Vcut_off0,V≥Vcut_off---(25);]]>其中：Vcut_in表示切入风速，Vcut_off表示切出风速，Vr表示额定风速，Pr为风机额定功率，f(V)为风速低于额定风速且超出切入风速时的爬坡功率；所述微电网内的负荷预测包括：负荷波动服从正态分布，其概率密度为：f(PtLoad)=12πσLexp(-(PtLoad-μL)22σL2)---(26);]]>其中：PtLoad为某时段负荷值；μL，σL分别为该时段负荷平均值和标准差；所述步骤<3>中，对微电网与配电网联合调度模型和微电网效益最大化二次调度模型采用NSGA‑II算法进行优化，包括下述步骤：步骤S1：基因编码：选择常规机组、直接并网型可调度分布式发电机组以及微电网内的可调度分布式电源的有功实时出力作为NSGA‑II算法中的基因，并对此基因进行二进制编码，当配电网包含n个PQ节点，染色体由表示所有节点信息的3n个基因组成，各节点的编码顺序根据节点编号从小到大排列；步骤S2：对微电网与配电网联合调度模型和微电网效益最大化二次调度模型进行优化调度；步骤S3：输出优化调度结果；所述步骤S2中，对微电网与配电网联合调度模型和微电网效益最大化二次调度模型进行优化包括下述步骤：步骤S201：群体初始化：初始化群体中每个个体的候选出力，包括：在各机组对应的有功和无功最大功率范围内，随机选出一个数，得出配置容量；步骤S202：非支配排序：在选择运算之前，根据多目标分层优化调度数学模型进行计算，得到每个个体的目标函数值，根据每个个体的非支配水平对种群分层排序；所述多目标分层优化调度数学模型包括微电网与配电网联合调度模型和微电网效益最大化二次调度模型；步骤S203：拥挤度计算：基于非支配排序结果，对同一层的Pareto解根据多目标计算数学模型中的目标函数值计算拥挤距离；步骤S204：选择、交叉和变异运算：根据排序和拥挤距离的计算结果，采用轮赛制随机选择2个个体，并进行交叉和变异计算；步骤S205：选择前N个个体产生父代种群；步骤S206：精英个体校验：将父代与子代合并，进行非支配排序和拥挤距离计算，开始新一轮的选择、变异和交叉，选取产生新的父代；步骤S207：重复步骤S202‑207，直到最大迭代次数时停止。