本发明涉及分布式能源,具体涉及一种基于遗传算法的含分布式电源配电网风险管控方法。
背景技术:
1、分布式电源(distributed generation,简称dg)、电动汽车充电桩等接入配电网后,为电网调度增加了不确定性。电网调度是产生风险的源头,从源头遏制风险的产生可加强电网抵御风险的水平。
2、现有技术中,电网调度风险管控方式由于风光荷管控准确性较低常产生电压越限、线路越限以及用户失负荷等运行风险,现有技术所采用的的电网调度风险管控方法的计算模型无法达到降低配网风险的目的。
技术实现思路
1、本发明提供了一种基于遗传算法的含分布式电源配电网风险管控方法,解决了现有技术中针对风光荷管控不准所带来的电压越限、线路越限以及用户失负荷风险问题。
2、本发明的技术方案如下:
3、一种基于遗传算法的含分布式电源配电网风险管控方法,包括以下步骤:
4、以配网经济性最优作为目标函数,建立分布式电源配电网风险管控模型;为所述分布式电源配电网风险管控模型添加约束,所述约束包括潮流等式约束及配电网运行条件约束;采用遗传算法对所述配电网风险管控模型进行求解,在满足所述约束的条件下得到含分布式电源配电网风险的管控值;在所述遗传算法中引入风险惩罚成本,将满足所述约束的管控值直接输出,或者,将不满足所述约束的管控值计算风险惩罚成本后输出。
5、进一步地,所述目标函数为:
6、;
7、其中,为配网运行成本;是配网运行成本;是dg调节成本;为负荷响应补偿成本;是ev充电站运行成本;是不满足安全约束的风险惩罚成本。
8、进一步地,所述配网运行成本的计算公式如下:
9、;
10、其中,t为调度周期时段数,t=24;为 t时刻单位功率网损运行成本系数;为t时刻配电网网损期望值;δt为时间间隔;
11、所述dg调节成本的计算公式如下:
12、;
13、;
14、;
15、其中,为 dg调节成本;和分别为 t时刻第 i个 dg 有功和无功功率调整的成本;和分别为 t时刻第 i个 dg 的有功和无功调整量期望值;和分别为有功功率和无功功率的单位功率的整成本系数;
16、所述负荷响应补偿成本的计算公式如下:
17、;
18、;
19、;
20、其中, nl为负荷数; b为负荷是否可调判断变量,当 b为 0 时,该负荷不可调, b为1时,该负荷可调;为负荷单位功率调整费用系数;为 t时刻第 i个可控用户负荷的有功功率调节期望值;为 t时刻第 i个可控用户负荷的无功功率调节期望值;
21、所述ev充电站运行成本的计算公式如下:
22、;
23、其中,为 t时刻ev充电站运行成本电价;为 t时刻ev充电站充电功率期望;
24、所述风险惩罚成本的计算公式如下:
25、;
26、其中,为权重系数;为评估周期内配网各类型风险,包括过电压风险,低电压风险,线路过载风险以及失负荷风险;
27、进一步地,所述潮流等式约束的计算公式如下:
28、;
29、;
30、;
31、;
32、其中,和分别为 t时刻第 i个节点的有功注入功率和无功注入功率;和分别为 t时刻第 i台风机出力有功功率和无功功率;和分别为 t时刻第 i台光伏机组的有功功率和无功功率;和分别为风机和光伏机组数目;为 t时刻充电的ev数目;和分别为负荷的有功功率和无功功率;
33、所述配电网运行条件约束包括分布式电源约束、ev约束、可控负荷约束以及风险约束;
34、所述分布式电源约束的计算公式为:
35、;
36、;
37、;
38、;
39、其中,和分别为 t 时刻下风机和光伏管控有功出力;和分别为 t 时刻下风机和光伏管控无功出力;
40、所述ev约束的计算公式为:
41、;
42、;
43、;
44、;
45、;
46、;
47、其中,和分别为第 i辆ev第 t+1时段和 t时段的蓄电池状态;为 t时刻第 i辆ev充电功率;为第 i辆ev的蓄电池容量;和分别为第 i辆ev电池荷电状态上下限值;和分别为第 k辆ev的起始荷电状态和用户期望的荷电状态;和分别为第 i辆ev到达和离开的时刻;
48、所述可控负荷约束的计算公式为:
49、;
50、;
51、其中,为 t时刻下第 i节点可控负荷有功功率;为第 i个节点最大有功负荷量;为 t时刻下第 i节点可控负荷无功功率;为第 i 个节点最大无功负荷量;
52、所述风险约束的计算公式为:
53、;
54、其中,为评估周期内配网过电压运行风险;为评估周期内配电网低电压运行风险;为评估周期内配网的线路过载运行风险;为评估周期内的配网失负荷运行风险;为减供负荷比;,,和分别为可接受的风险水平。
55、进一步地,采用遗传算法对所述配电网风险管控模型进行求解的步骤为:
56、s01)获取配电网的基本数据并设置迭代次数,所述基本数据包括配电网负荷、线路、dg机组;
57、s02)针对可控变量进行染色体编码,各所述可控变量用一组10位的二进制信息表示,各所述染色体编码包含 24 个时段下 dg 有功、无功出力削减量、用户负荷响应功率以及各时段 ev 充电站充电功率的信息;
58、s03)采用轮盘赌转方式生成初始种群个体,每个种群代表一种管控方法;
59、s04)将初始种群个体的编码二进制量转换为实数;对种群个体进行时序风险评估,计算各时段的配网层风险值;所述配方层风险值包括日配网综合过电压风险、日配网综合低电压风险、日配网线路过载风险以及日配网综合风险;
60、s05)计算种群个体适应度函数,判断其是否满足所述约束;
61、若是,则继续执行下述步骤;若否,则依据所述惩罚成本降低其适应度,直至淘汰;
62、s06)判定是否满足迭代次数;
63、若是,则依据适应度函数输出最佳种群个体,通过解码得到管控方法;
64、若否,则对初始种群个体进行选择、交叉、变异操作后,重复步骤s04)~s06)。
65、进一步地,为所述风险惩罚成本中的过电压风险,低电压风险,线路过载风险以及失负荷风险分别设置过电压风险惩罚因子、低电压风险惩罚因子、线路过载风险惩罚因子以及失负荷风险惩罚因子。
66、进一步地,在所述步骤s06)中的选择过程中,种群个体被选择的概率为:
67、;
68、其中,为个体被选择的概率; m为种群数目;为第 i个个体的适应度。
69、进一步地,在所述步骤s06)中的交叉过程中,在个体编码串中设置一个交叉点,两个个体在该点前或后互换。
70、进一步地,所述方法用于日前管控或日内管控。
71、本发明的有益效果是:
72、1.采用本发明的管控方法可降低配网中各项综合风险,本发明主要考虑了由于在风光荷管控不准确造成的电压越限、线路越限、用户失负荷等运行风险,采用基于网络潮流的管控方案,通过调节各时段 dg 出力,用户用电功率及 ev 充电站每小时的充电功率,从而生成基于风险的调度方案,达到降低配网风险的目的。
73、2.本发明能够更进一步地加强电网抵御风险的水平,有助于电网规划与建设工作相结合,通过优化电网规划和严格执行控制方案,增强网架结构,合理配置 dg 容量,从源头上控制风险的发生。
74、3.本发明所解决的问题的常规遗传算法会出现约束条件会不满足的情况。本发明改进了遗传算法优选过程,具体地,在优选过程中引入风险惩罚成本,将满足约束条件的策略作为有效策略,直接计算其目标函数;对于不满足约束条件的策略,则计算其惩罚成本。而且,为了有效地剔除不满足约束条件的方案,不同的风险约束选择不同的惩罚因子。