计及不确定性的分布式光伏接纳能力量化评估方法及系统与流程

本发明专利属于配电网规划，更具体地，涉及一种计及不确定性的分布式光伏接纳能力量化评估方法、系统及设备，用于高渗透率分布式新能源接入的配用电系统的接入能力评估及分析。

背景技术：

1、随着新型电力系统构建，大量新能源和新型电力负荷接入配电系统，配电网从无源配电网转变为有源配电网。随着整县屋顶光伏等相关政策的持续推进，新能源渗透率逐步提升，大规模分布式光伏并网已经给部分配电网带来了巨大的挑战，个别地区甚至出现了电压越限、潮流越限及潮流向上一级电网倒送等一系列问题。因此，在配电网规划阶段如何考虑分布式电源和负荷的不确定性，在满足相关技术指标的前提下，定量评估区域配电网接纳分布式新能源的能力，指导区域配电网的规划和改造提供技术依据。

2、传统的配电网接纳能力评估方法是主要基于负荷和分布式光伏的极端场景进行潮流计算，计算出满足运行约束的光伏接纳能力，评估结果偏保守，影响分布式光伏的有效接入和配电网经济性。

技术实现思路

1、本发明提供了一种计及不确定性的分布式光伏接纳能力量化评估方法、系统及设备，解决分布式光伏接入配电网的准入容量定量评估问题。针对当前确定性方法较为保守的问题，本发明以月为时段，基于不确定性方法综合考虑时段内各种典型场景的出现概率，通过改进k-means均值聚类聚合类簇，通过基于kantorovich距离的sbr同步回代场景消除算法对类簇进行场景缩减，得到各种典型场景及其概率。并对电压约束进行松弛，以分布式光伏最大接入量为目标，建立了目标函数、潮流计算等式约束、系统运行约束以及多场景概率的电压合格率模型，在满足分布式电源接入的并网点连续运行电压条件下，基于场景概率计算满足电压合格率考核指标的光伏接入量，兼顾安全性和经济性，实现了分布式光伏接纳能力的提升。

2、本发明所采用技术方式是：本发明的第一方面提供了计及不确定性的分布式光伏接纳能力量化评估方法，包括以下步骤：

3、步骤1，获取待评估区域配电网结构，获取待评估区域总负荷、单位容量分布式光伏有功出力历史数据，按照不同时段、特征划分历史数据，形成历史样本集；

4、步骤2，针对步骤1形成的历史样本集，基于k-means聚类后，结合使用sbr算法，将每个类簇进行场景缩减，得到每个时段负荷、分布式光伏典型出力场景及概率；进而构建未来同时段负荷、分布式光伏联合场景集合，计算每个联合场景各时刻负荷节点、分布式光伏节点功率及联合场景概率；

5、步骤3，建立计及不确定性的分布式光伏接纳能力量化评估模型，包括：分布式光伏最大接入量目标函数和约束条件；

6、步骤4，在步骤3获得的配电网分布式光伏接纳能力量化评估模型基础上，优化求解基于源荷不确定场景的分布式光伏最大接纳能力。

7、优选地，步骤1包括：

8、步骤1.1，根据待评估区域配电网拓扑、配变容量、线路阻抗信息形成配电网拓扑结构；获得配电区域负荷节点分布情况和分布式光伏节点分布情况；

9、步骤1.2，获取该待评估区域近几年负荷历史日有功出力曲线数据；获取该待评估区域近几年分布式光伏单位安装容量的日有功出力曲线；

10、步骤1.3，对负荷、分布式光伏历史有功出力曲线划分时段，针对每个时段负荷按照工作日、双休日和节假日特征划分，得到3种特征的负荷历史样本集；

11、针对每个时段分布式光伏按照晴、阴、多云、雨/雪天气特征划分，得到每个时段4种特征的多个光伏历史样本集。

12、优选地，步骤2包括：

13、采用基于改进k-means聚类算法将负荷、分布式光伏历史样本集出力数据分成不同类簇，进一步采用基于kantorovich距离的sbr算法对每个改进k-means聚类算法得到的类簇进行场景缩减，共形成该时段的nd个典型负荷场景和npv个分布式光伏典型场景，得到每个典型场景的负荷日有功出力曲线及出现概率和分布式光伏典型场景单位容量日有功出力曲线及出现概率，进而形成nd*npv个联合场景样本集合，结合各典型场景出现概率计算联合场景的联合概率。

14、优选地，采用基于改进k-means聚类算法将负荷、分布式光伏历史样本集出力数据分成不同类簇包括：

15、步骤a1：输入n个原始场景集合c＝{s1,s2,…,sn}；

16、步骤a2：计算原始场景集合c内的所有场景之间的欧式距离d(si,sj)，并保存至距离分布矩阵dn*n；其中，场景i与场景j之间的欧式距离如下所示：

17、

18、距离分布式矩阵如下所示：

19、dn*n＝{d(si,sj)|1≤i,j≤n}   (2)

20、式中：

21、si、sj分别表示场景i、场景j，为原始场景集合c中的点；

22、t表示每个场景的采样点数量；

23、dn*n表示距离分布矩阵，为对角线元素为0的对称矩阵；

24、步骤a3：基于分布密度获取第一个初始聚类中心；

25、对距离分布矩阵dn*n每一行的欧式距离进行从小到大排序，形成该场景集合的距离数组dm；距离数组第m列的最小值min(dm)代表了密度最大的场景，表征与场景si距离最近的m个场景距离的最大值，为最大最小距离，取si作为初始聚类中心v1；

26、步骤a4：基于最大最小距离原则获取其余初始聚类中心；从原始场景集合c中找出与v1欧式距离最大的场景作为第二个初始聚类中心v2；

27、计算未被选作初始聚类中心的场景sj与v1、v2的欧式距离，并找到与两个聚类中心最小距离的最大值lj，则对应场景sj即为第三个初始聚类中心v3；

28、依次类推，若已有k-1个初始聚类中心，计算未被选作初始聚类中心的场景sr，与各初始聚类中心的欧式距离，并找到sr与各初始聚类中心最小距离的最大值lr,其对应的场景sr即为第k个初始聚类中心vk，lr表示如下：

29、lr＝max(min(d(sr,v1),d(sr,v2),...d(sr,vk-1)))   (3)

30、将所有场景按最小距离分配到各个类簇，将原始场景集合c中的所有场景按最小欧式距离的原则为分到各个类簇中，初始聚类中心选择完毕；

31、步骤a5：将分好类簇的场景均值作为新的聚类中心，以场景均值对聚类中心进行迭代，判断是否为最佳聚类中心，输出聚类的各个类簇。

32、优选地，采用基于kantorovich距离的sbr对每个改进k-means聚类算法得到的类簇进行场景缩减，得到负荷、分布式光伏典型出力场景及概率，包括：

33、步骤b1，输入经改进k-means聚类算法得到的类簇ci，包含n个场景，计算每个原始场景概率为1/n；

34、步骤b2，计算两两场景之间的概率距离，从ci找到场景s′v放入删除场景c′i，满足与原始场景集合内所有场景kantorvich距离最小，使得剔除场景后的保留场景集与原始场景集最为接近，以如下公式表示：

35、

36、步骤b3，改变场景的总数以及相应场景对应概率：场景总数n′＝n-1，将剔除场景的概率加到离该场景最近的场景上保证保留场景概率和为1；

37、步骤b4，判断当前场景是否达到目标场景数，若剩余场景总数n′大于指定保留场景个数，以剩余场景总数n′更新场景总数n，返回步骤b2，直到缩减至指定保留场景个数，输出代表类簇ci的保留场景及对应概率。

38、优选地，步骤3中，配电网分布式光伏接纳能力量化评估模型包括：分布式光伏最大接纳能力目标函数模型、潮流计算等式约束模型和系统运行约束模型；其中，系统运行约束模型包括：节点电压约束、线路载流约束、配电关口功率约束、电压合格率约束、线损率约束。

39、优选地，构建分布式光伏最大接入量目标函数，如下式所示：

40、

41、式中：

42、fobj为分布式光伏的最大接入量；

43、pvnodes为接入分布式光伏的节点数量；

44、ci,pv为节点i的分布式光伏接入容量；

45、u、p、q、c为变量，分别为节点电压、支路有功功率、无功功率和分布式光伏安装容量。

46、优选地，潮流计算等式约束模型，如下式所示：

47、

48、式中：

49、分别为节点i、j电压；

50、rij、xij分别为支路ij电阻、电抗；

51、为支路ij的电流；

52、分别为支路ij有功功率、无功功率；

53、分别为支路jk首端的有功功率、无功功率；

54、分别为节点i、j的有功、无功注入功率。

55、优选地，构建系统运行约束模型，系统运行约束包括：负荷节点电压约束、线路载流约束、与上级电网交换功率约束和电压合格率约束，如下式所示：

56、

57、式中：

58、为t时刻节点j的电压，分别为分布式电源并网点允许电压上下限，默认取值为标称电压的85％～110％；

59、为t时刻支路ij的支路电流，为最大支路电流限值；

60、为t时刻配电关口与上级电网交换有功功率、无功功率；

61、分别为配电关口有功功率上下限；

62、分别为配电关口无功功率上下限；

63、ri为节点i考虑场景概率的综合电压合格率；

64、rvqr为该配电区域对电压合格率考核指标要求，对任一负荷节点i，电压合格率指标都应满足大于该指标。

65、优选地，对影响配电网分布式光伏接纳能力的电压约束进行松弛，在满足分布式电源接入的并网点运行电压条件下，基于场景概率计算电压越限概率，进一步计算出综合电压合格率指标，如下式所示：

66、

67、式中：

68、xi(t)为t时刻第i个负荷节点电压越限状态,xi(t)＝1表示处于电压越限状态，xi(t)＝0表示电压处于非越限状态；

69、为节点i在t时刻的电压，u为供电电压允许下限，为供电电压允许上限，umin为分布式电源并网点允许最低电压，umax为分布式电源并网点允许最高电压；

70、m为该时段内负荷典型日场景数量，n为该时段分布式光伏典型日场景数量；

71、为该时段节点i在某个负荷与分布式光伏联合场景(m,n)的越限概率；

72、为负荷场景的概率，为分布式光伏场景的概率；

73、t表示一天内的采样点；

74、表示进行潮流计算时一天之内的累计越限次数；

75、ri为节点i在该时段所有联合场景的综合电压合格率，也表征该节点电压供电电压合格的概率。

76、优选地，步骤4包括：

77、步骤4.1，迭代优化分布式光伏接入位置及容量，针对每个联合场景，结合分布式光伏单位容量日有功出力曲线，计算得到联合场景各时刻分布式光伏节点单位容量有功功率、无功功率；进一步计算各负荷节点电压、线路电流、线损、配电端口功率，统计各联合场景中各节点电压的越限次数，并结合该联合场景概率计算得到综合越限概率和综合线损率；

78、步骤4.2，校核各负荷节点最大电压偏差、最大线路电流、最大反向负载率，各节点电压合格率、综合线损率是否发生越限，若校核不通过，则重复上面步骤4.1；

79、步骤4.3，判断当前装位置是否存在最优解，如无解，则说明需要优化配电网结构或调整系统运行约束条件，报错并返回；如存在最优解，则根据优化求解方案，确定可各分布式光伏节点安装容量及位置，得到下一年分布式光伏最大安装容量。

80、本发明的第二方面提供了一种配电网分布式光伏接纳能力量化评估系统，运行所述的配电网分布式光伏接纳能力量化评估方法，包括：

81、数据采集模块，用于获取待评估区域配电网结构，获取待评估区域总负荷、单位容量分布式光伏有功出力历史数据，按照不同时段、特征划分历史数据，形成历史样本集；

82、场景缩减模块，内置k-means聚类和sbr算法模型，用于针对历史样本集，构建未来同时段负荷、分布式光伏联合场景集合，计算每个联合场景各时刻负荷节点、分布式光伏节点功率及联合场景概率；

83、量化评估模型模块，内置计及不确定性的分布式光伏接纳能力量化评估模型和求解器，用于在配电网分布式光伏接纳能力量化评估模型基础上，优化求解基于源荷不确定场景的分布式光伏最大接纳能力。

84、本发明的第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现所述的计及不确定性的分布式光伏接纳能力量化评估方法。

85、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的计及不确定性的分布式光伏接纳能力量化评估方法。

86、与现有技术相比，本发明的有益效果至少包括：本发明提供了计及不确定性的分布式光伏接纳能力量化评估方法、系统及设备，以评估区域新能源发电(以分布式光伏为例)和负荷历史实际数据为样本进行基于场景概率的分布式光伏接纳能力评估，定量评估区域配电网接纳分布式新能源的能力，指导区域配电网的规划和改造提供技术依据。

87、本发明针对当前确定性方法较为保守的问题，以分布式光伏最大接入量为目标，建立了目标函数、潮流计算等式约束、系统运行约束以及多场景概率的电压合格率模型，在满足分布式电源接入的并网点连续运行电压条件下，基于场景概率计算满足电压合格率考核指标的光伏接入量，兼顾安全性和经济性，实现了分布式光伏接纳能力的提升。