本发明公开了一种分布式电源与联络线多阶段协同规划方法，包括步骤：抽取网络参数、可靠性参数、遗传算法参数、成本参数等基本静态数据，根据历史数据生成时序场景对应的联合概率，建立优化规划模型，提出基于改进遗传算法的求解策略，进行多目标决策，得到最终分布式电源与联络线协同规划方案。通过本发明的技术，可以实现配电网中分布式电源与联络线协同规划，以充分发挥分布式电源的效益，并进一步实现配电系统的科学综合规划。
1.一种分布式电源与联络线多阶段协同规划方法，其特征在于，包括步骤：(1)抽取网络参数、可靠性参数、遗传算法参数、成本参数基本静态数据；
(2)根据历史风速、光照强度数据，得到典型区间场景和联合概率；
2-1：根据历史数据，根据不同发电类型与负荷间的时序关系差异、互补效果对结果的影响，将风速、光照强度、负荷需求按照大小分别划分为QW，QV、QL个区间，分别考虑“风速-负荷”或“光照强度-负荷”或“光照强度-风速-负荷”分类的情况，则共有Qw×QL个“风速-负荷”场景区间、QV×QL个“光照强度-负荷”场景区间、Qv×Qw×QL个“光照强度-风速-负荷”场景区间产生；
2-2：计算每个区间场景发生的概率：根据大数定律，只要N足够大，概率即可以近似用其对应的频次与总样本数的比值表示；以“风速-负荷”关系下的区间场景为例，第s个场景的联合概率为：其中，Wi、Li分别为第i组数据的风速、负荷大小，Ws、Ls分别为场景s对应的风速、负荷大小分布区间， 为“风速-负荷”对应关系下时序样本在场景s的组数；同理可以得到“光照强度-负荷”关系下的时序场景概率
2-3：对于包含多种发电资源的关系设置下的联合概率的获得则直接基于单一发电资源与负荷关系下的结果得到上式表征的“风速-负荷”关系基础上，融合根据已经获得的“光照强度-负荷”关系下“光照强度”各区间对应概率情况 可以获得“光照强度-风速-负荷”的时序多状态联合概率，如以光伏多状态概率为引导下的第s个场景下对应“光照强度”区间值为V1的联合概率为：(3)阶段一：建立优化规划模型，利用改进的遗传算法，求取各个候选方案的最优配置结果和年平均失负荷量；
(4)阶段二：对候选方案进行多目标决策，得到最终的分布式电源与联络线协同规划方案。
2.根据权利要求1所述的一种分布式电源与联络线多阶段协同规划方法，其特征在于，所述网络参数包括：网架结构、联络线位置、线路长度。
3.根据权利要求1所述的一种分布式电源与联络线多阶段协同规划方法，其特征在于，所述可靠性参数包括：线路故障率、停电修复时间、线路潮流限值、节点电压幅值限值。
4.根据权利要求1所述的一种分布式电源与联络线多阶段协同规划方法，其特征在于，所述遗传算法(genetic algorithm，GA)是指一种基于种群的概率搜索和优化技术，自适应地控制搜索过程，自动获取和积累有关知识，以求得最优解的方法。
5.根据权利要求1所述的一种分布式电源与联络线多阶段协同规划方法，其特征在于，所述成本参数包括：分布式电源的投资和运行维护成本、购电成本、环境成本、可靠性成本的单价信息。
6.根据权利要求1所述的一种分布式电源与联络线多阶段协同规划方法，其特征在于，所述阶段一的优化规划模型的目标函数为：min FC＝FDGI+FDGO+Fup+Floss+Fen+F11式中：
(2)FDGI为折算到规划年的分布式电源投资成本：
其中，r0为贴现率，mDG为分布式电源(distributed generation，DG)的经济使用年限，ψDG为待选可安装DG节点编号集，ΩDG为待选DG类型， 为第l种类型DG单台机组的额定容量， 为第l种类型DG的单位容量投资成本，nl，i为在节点i的第l种类型DG机组安装数量；
其中，Ns为场景总数，T为年小时数，ps为第s个场景出现的概率， 为第l种类型DG单台机组在场景s下的实际出力， 为第l种类型DG的单位容量运行维护成本；
其中，Psup为场景s下的购电量，Cup为单位购电成本；
其中，Closs为单位网损成本，ψD为配电网节点编号集；
其中，C 为单位环境成本；这里环境成本指针对传统发电过程中产生的SO2、NOx、CO2气体的排放价值成本和排放惩罚成本；传统火力发电，在发电的同时会排放有害气体，故而产生环境成本；而以风机、光伏为代表的DG发电被认为是清洁无污染，环境成本为零；
其中，ψ11为联络线候选集，C11I为线路的单位长度投资成本，C11O为线路的单位长度年运行维护成本，Lenk为第k条联络线的长度， 用于指示第k条联络线是否包含在最终规划方案中：若包含 否则
7.根据权利要求1所述的一种分布式电源与联络线多阶段协同规划方法，其特征在于，所述所述阶段一的优化规划模型的约束条件为：
其中，Gij为配电网节点导纳矩阵的实部，Bij为节点导纳矩阵的虚部， 分别是场景s下节点i的购电量无功部分、无功负荷需求， 用以指示节点i是否与变电站相连：若相连 否则
其中， 分别为第l种类型DG机组在节点i的可接入最大机组数量；
其中，PiDG_max为节点i的各类型DG总的最大准入容量；
其中，Vmin，Vmax分别为场景s中配电系统电压幅值上下边界值；考虑一定的风险裕度，采用机会规划约束，设置一定的置信区间来校核多场景下电压幅值约束的满足情况，即用Pr{·}表示{·}中事件成立的概率(成功数占所有场景数的比例)，α为满足节点电压幅值约束的置信水平，α∈(0，1]；
其中，其中Pij，s是线路ij在场景s下的潮流量， 是对应线路的潮流限值。
8.根据权利要求1所述的一种分布式电源与联络线多阶段协同规划方法，其特征在于，所述阶段一的改进的遗传算法是指：在基本遗传算法(genetic algorithm，GA)中引入了适应度函数自适应策略、交叉变异概率调整策略；适应度函数自适应策略是将个体按优劣排序后，利用线性函数对最高级别个体到最低级别个体依次进行适应度变换赋值；由此，优质个体的适应度在种群中所占比例较传统算法更高，劣质个体则更低，从而提高遗传算法的优化性能；另一方面，交叉概率和变异概率数值的选取直接影响算法的运行效率和收敛性，在交叉变异概率调整策略中，交叉变异概率调整公式如下：其中，pby(mg)、pjc(mg)分别为第mg代的变异概率与交叉概率，Pby_0、pjc_0为初始变异概率与交叉概率，kby、kjc为概率增长系数。
9.根据权利要求1所述的一种分布式电源与联络线多阶段协同规划方法，其特征在于，所述阶段二的多目标决策步骤是：(1)建立多目标决策目标函数，即以综合最小化总成本FC和年平均失负荷量PENS为目标评估各个候选方案的综合性能，根据由阶段一得到的各种优化候选规划方案，进行最终方案的决策：(2)对于单个目标，由于目标之间数量级的差异，可以先将其转化为对应的归一化样式：其中，Fi，j(x)为第j个候选方案第i个目标函数值，Fi(x*)为候选方案中第i个目标对应的最优值，FiW为为候选方案中第i个目标对应的最坏值， 为归一化后的第j个候选方案第i个目标函数值，取值范围为[0，1]；
(3)以下面的决策函数进行候选方案多目标性能的综合评估：
其中，NP为有效方案的数量，R为优化目标个数，BIj为第j个候选方案的性能评估值大小；BIj值越大，规划方案综合性能最优；BIj越大，规划方案综合性能最优；τi为第i个目标的权重因子，如果各个目标权重相同，则τi＝1；由此可以通过多目标决策方法进行有效方案的筛选，得到最优综合规划方案。
一种分布式电源与联络线多阶段协同规划方法
技术领域
[0001] 本发明涉及一种分布式电源与联络线多阶段协同规划方法，属于电力系统规划技术领域。
背景技术
[0002] 资源的枯竭与碳减排的需求促使世界各国和地区电网建设发生转变，以风、光等能源为代表的清洁电源被引入到电力系统中，大量可再生能源类分布式电源将在配电系统中扮演重要角色，分布式电源的接入会对系统电压、损耗、可靠性等产生影响，其影响优劣程度与分布式电源的类型、安装位置、容量及负荷等有着密切关系；此外，配电网本身联络线的配置也十分重要，特别影响配电网整体可靠性水平的高低，故而，在考虑配电网综合规划过程中，需要对分布式电源和联络线进行合理布局和配置，以充分发挥分布式电源的效益，并进一步实现配电系统的科学综合规划。
发明内容
[0003] 本发明的目的在于，提供一种分布式电源与联络线多阶段协同规划方法，实现了对配电网中的分布式电源和联络线进行合理布局和配置，以充分发挥分布式电源的效益，并进一步实现配电系统的科学综合规划。
[0004] 为了实现上述目的，本发明提供了一种分布式电源与联络线多阶段协同规划方法，包括步骤：
[0005] （1）抽取网络参数、可靠性参数、遗传算法参数、成本参数等基本静态数据；
[0006] （2）根据历史风速、光照强度数据，得到典型区间场景和联合概率；
[0007] （3） 阶段一：建立优化规划模型，利用改进的遗传算法，求取各个候选方案的最优配置结果和年平均失负荷量；
[0008] （4）阶段二：对候选方案进行多目标决策，得到最终的分布式电源与联络线协同规划方案。
[0009] 所述网络参数包括：网架结构、联络线位置、线路长度。
[0010] 所述可靠性参数包括：线路故障率、停电修复时间、线路潮流限值、电压幅值限值。
[0011] 所述遗传算法(genetic algorithm, GA)是指一种基于种群的概率搜索和优化技术，自适应地控制搜索过程，自动获取和积累有关知识，以求得最优解的方法。
[0012] 所述成本参数包括：分布式电源的投资和运行维护成本、购电成本、环境成本、可靠性成本的单价信息。
[0013] 所述典型区间场景和联合概率获取步骤是：
[0014] （1）根据历史数据，根据不同发电类型与负荷间的时序关系差异、互补效果对结果的影响，将风速、光照强度、负荷需求按照大小分别划分为Qw，QV、QL个区间，分别考虑“风速-负荷”或“光照强度-负荷”或“光照强度-风速-负荷”分类的情况，则共有 个“风速-负荷”场景区间、 个“光照强度-负荷”场景区间、 个“光照强度-风速-负荷”场景区间产生；
[0015] （2）计算每个区间场景发生的概率：根据大数定律，只要N足够大，概率即可以近似用其对应的频次与总样本数的比值表示；以“风速-负荷”关系下的区间场景为例，第s个场景的联合概率为：
[0016]
[0017] 其中， 分别为第i组数据的风速、负荷大小， 分别为场景s对应的风速、负荷大小分布区间， 为“风速-负荷”对应关系下时序样本在场景s的组数；同理可以得到“光照强度-负荷”关系下的时序场景概率 ；
[0018] （3）对于包含多种发电资源的关系设置下的联合概率的获得则直接基于单一发电资源与负荷关系下的结果得到上式表征的“风速-负荷”关系基础上，融合根据已经获得的“光照强度-负荷”关系下 “光照强度”各区间对应概率情况 ，可以获得“光照强度-风速-负荷”的时序多状态联合概率，如以光伏多状态概率为引导下的第s个场景下对应“光照强度”区间值为V1的联合概率为：
[0019] 。
[0020] 所述阶段一的优化规划模型的目标函数为：
[0021]
[0022] 式中：
[0023] （1） 为最小化规划年配电网总成本；
[0024] （2） 为折算到规划年的分布式电源投资成本：
[0025]
[0026] 其中， 为贴现率， 为分布式电源(distributed generation, DG)的经济使用年限， 为待选可安装分布式电源节点编号集， 为待选分布式电源类型， 为第l种类型分布式电源单台机组的额定容量， 为第l种类型分布式电源的单位容量投资成本， 为在节点i的第l种类型分布式电源机组安装数量；
[0027] （3） 指DG的运行维护成本：
[0028]
[0029] 其中， 为场景总数，T为年小时数， 为第s个场景出现的概率， 为第l种类型分布式电源单台机组在场景s下的实际出力， 为第l种类型分布式电源的单位容量运行维护成本；
[0030] （4） 为购电成本：
[0031]
[0032] 其中， 为场景s下的购电量， 为单位购电成本；
[0033] （5） 为网损成本：
[0034]
[0035] 其中， 为单位网损成本， 为配电网节点编号集；
[0036] （6） 为环境成本：
[0037]
[0038] 其中， 为单位环境成本；这里环境成本指针对传统发电过程中产生的SO2、NOX、CO2等气体的排放价值成本和排放惩罚成本；传统火力发电，在发电的同时会排放有害气体，故而产生环境成本；而以风机、光伏为代表的分布式电源发电被认为是清洁无污染，环境成本为零；
[0039] （7） 为联络线投资和运行维护成本：
[0040]
[0041] 其中， 为联络线候选集， 为线路的单位长度投资成本， 为线路的单位长度年运行维护成本， 为第k条联络线的长度， 用于指示第k条联络线是否包含在最终规划方案中：若包含 ，否则 。
[0042] 所述所述阶段一的优化规划模型的约束条件为：
[0043] 1)功率平衡约束
[0044]
[0045]
[0046] 其中，Gij为配电网节点导纳矩阵的实部，Bij为节点导纳矩阵的虚部， 分别是场景s下节点i的购电量无功部分、无功负荷需求， 用以指示节点i是否与变电站相连：若相连 =1，否则 =0；
[0047] 2)候选节点的DG接入数量约束
[0048]
[0049] 其中， 分别为第l种类型DG机组在节点i的可接入最大机组数量；
[0050] 3)候选节点的DG最大准入容量约束
[0051]
[0052] 其中， 为节点i的各类型DG总的最大准入容量；
[0053] 4)电压幅值约束
[0054]
[0055] 其中， 分别为场景s中配电系统电压幅值上下边界值。考虑一定的风险裕度，采用机会规划约束，设置一定的置信区间来校核多场景下电压幅值约束的满足情况，即用 表示 中事件成立的概率(成功数占所有场景数的比例)， 为满足节点电压幅值约束的置信水平， ；
[0056] 5)线路潮流约束
[0057]
[0058] 其中，其中Pij,s是线路ij在场景s下的潮流量， 是对应线路的潮流限值。
[0059] 所述阶段一的改进的遗传算法是指：在基本遗传算法(genetic algorithm, GA)中引入了适应度函数自适应策略、交叉变异概率调整策略；适应度函数自适应策略是将个体按优劣排序后，利用线性函数对最高级别个体到最低级别个体依次进行适应度变换赋值；由此，优质个体的适应度在种群中所占比例较传统算法更高，劣质个体则更低，从而提高遗传算法的优化性能；另一方面，交叉概率和变异概率数值的选取直接影响算法的运行效率和收敛性，在交叉变异概率调整策略中，交叉变异概率调整公式如下：
[0060]
[0061]
[0062] 其中， 分别为第mg代的变异概率与交叉概率， 、为初始变异概率与交叉概率， 、 为概率增长系数。
[0063] 所述阶段二的多目标决策步骤是：
[0064] （1）建立多目标决策目标函数，即以综合最小化总成本 和年平均失负荷量为目标评估各个候选方案的综合性能，根据由阶段一得到的各种优化候选规划方案，进行最终方案的决策：
[0065]
[0066] （2） 对于单个目标，由于目标之间数量级的差异，可以先将其转化为对应的归一化样式：
[0067]
[0068] 其中， 为第j个候选方案第i个目标函数值， 为候选方案中第i个目标对应的最优值， 为为候选方案中第i个目标对应的最坏值， 为归一化后的第j个候选方案第i个目标函数值，取值范围为[0,1]；
[0069] （3）以下面的决策函数进行候选方案多目标性能的综合评估：
[0070] j=1,…, NP
[0071] 其中，NP为有效方案的数量，R为优化目标个数， 为第j个候选方案的性能评估值大小； 值越大，规划方案综合性能最优； 越大，规划方案综合性能最优； 为第i个目标的权重因子，如果各个目标权重相同，则 =1；由此可以通过多目标决策方法进行有效方案的筛选，得到最优综合规划方案。
[0072] 本发明有益效果：
[0073] 本发明提出了面向配电网的计及可再生能源类型分布式电源出力与负荷需求不确定性下的分布式电源与配电网联络线多阶段协同规划模型及其求解方法。针对可再生能源类分布式电源出力和负荷需求的不确定性和时序相关性，通过对历史时序样本进行统计组合成典型区间场景及其联合概率来表征。提出了计及环境效益的多场景优化规划模型，在改进的遗传算法的基础上进行优化求解候选方案，并进一步引入多目标决策技术实现分布式电源与配电网联络线最优规划方案的获得。所提模型和方法能有效评估分布式电源接入系统的经济性能及其分布式电源和联络线整体配置对系统可靠性的影响，提高配电系统综合投资的科学性和经济性。
附图说明
[0074] 图1是本发明方法的具体求解步骤示意图。
[0075] 具体实施方法
[0076] 下面结合附图和实施案例对本发明的一种分布式电源与联络线多阶段协同规划方法做进一步的详细描述。
[0077] 本发明提供了一种分布式电源与联络线多阶段协同规划方法，包括步骤：
[0078] （1）抽取网络参数、可靠性参数、遗传算法参数、成本参数等基本静态数据；
[0079] （2）根据历史风速、光照强度数据，得到典型区间场景和联合概率；
[0080] （3） 阶段一：建立优化规划模型，利用改进的遗传算法，求取各个候选方案的最优配置结果和年平均失负荷量；
[0081] （4）阶段二：对候选方案进行多目标决策，得到最终的分布式电源与联络线协同规划方案。
[0082] 所述网络参数包括：网架结构、联络线位置、线路长度。
[0083] 所述可靠性参数包括：线路故障率、停电修复时间、线路潮流限值、电压幅值限值。
[0084] 所述遗传算法(genetic algorithm, GA)是指一种基于种群的概率搜索和优化技术，自适应地控制搜索过程，自动获取和积累有关知识，以求得最优解的方法。
[0085] 所述成本参数包括：分布式电源的投资和运行维护成本、购电成本、环境成本、可靠性成本的单价信息。
[0086] 所述典型区间场景和联合概率获取步骤是：
[0087] （1）根据历史数据，根据不同发电类型与负荷间的时序关系差异、互补效果对结果的影响，将风速、光照强度、负荷需求按照大小分别划分为Qw，QV、QL个区间，分别考虑“风速-负荷”或“光照强度-负荷”或“光照强度-风速-负荷”分类的情况，则共有 个“风速-负荷”场景区间、 个“光照强度-负荷”场景区间、 个“光照强度-风速-负荷”场景区间产生；
[0088] （2）计算每个区间场景发生的概率：根据大数定律，只要N足够大，概率即可以近似用其对应的频次与总样本数的比值表示；以“风速-负荷”关系下的区间场景为例，第s个场景的联合概率为：
[0089]
[0090] 其中， 分别为第i组数据的风速、负荷大小， 分别为场景s对应的风速、负荷大小分布区间， 为“风速-负荷”对应关系下时序样本在场景s的组数；同理可以得到“光照强度-负荷”关系下的时序场景概率 ；
[0091] （3）对于包含多种发电资源的关系设置下的联合概率的获得则直接基于单一发电资源与负荷关系下的结果得到上式表征的“风速-负荷”关系基础上，融合根据已经获得的“光照强度-负荷”关系下 “光照强度”各区间对应概率情况 ，可以获得“光照强度-风速-负荷”的时序多状态联合概率，如以光伏多状态概率为引导下的第s个场景下对应“光照强度”区间值为V1的联合概率为：
[0092] 。
[0093] 所述阶段一的优化规划模型的目标函数为：
[0094]
[0095] 式中：
[0096] （1） 为最小化规划年配电网总成本；
[0097] （2） 为折算到规划年的分布式电源投资成本：
[0098]
[0099] 其中， 为贴现率， 为分布式电源(distributed generation, DG)的经济使用年限， 为待选可安装DG节点编号集， 为待选DG类型， 为第l种类型DG单台机组的额定容量， 为第l种类型DG的单位容量投资成本， 为在节点i的第l种类型DG机组安装数量；
[0100] （3） 指DG的运行维护成本：
[0101]
[0102] 其中， 为场景总数，T为年小时数， 为第s个场景出现的概率， 为第l种类型DG单台机组在场景s下的实际出力， 为第l种类型DG的单位容量运行维护成本；
[0103] （4） 为购电成本：
[0104]
[0105] 其中， 为场景s下的购电量， 为单位购电成本；
[0106] （5） 为网损成本：
[0107]
[0108] 其中， 为单位网损成本， 为配电网节点编号集；
[0109] （6） 为环境成本：
[0110]
[0111] 其中， 为单位环境成本；这里环境成本指针对传统发电过程中产生的SO2、NOX、CO2等气体的排放价值成本和排放惩罚成本；传统火力发电，在发电的同时会排放有害气体，故而产生环境成本；而以风机、光伏为代表的DG发电被认为是清洁无污染，环境成本为零；
[0112] （7） 为联络线投资和运行维护成本：
[0113]
[0114] 其中， 为联络线候选集， 为线路的单位长度投资成本， 为线路的单位长度年运行维护成本， 为第k条联络线的长度， 用于指示第k条联络线是否包含在最终规划方案中：若包含 ，否则 。
[0115] 所述所述阶段一的优化规划模型的约束条件为：
[0116] 1)功率平衡约束
[0117]
[0118]
[0119] 其中，Gij为配电网节点导纳矩阵的实部，Bij为节点导纳矩阵的虚部， 分别是场景s下节点i的购电量无功部分、无功负荷需求， 用以指示节点i是否与变电站相连：若相连 =1，否则 =0；
[0120] 2)候选节点的DG接入数量约束
[0121]
[0122] 其中， 分别为第l种类型DG机组在节点i的可接入最大机组数量；
[0123] 3)候选节点的DG最大准入容量约束
[0124]
[0125] 其中， 为节点i的各类型DG总的最大准入容量；
[0126] 4)电压幅值约束
[0127]
[0128] 其中， 分别为场景s中配电系统电压幅值上下边界值。考虑一定的风险裕度，采用机会规划约束，设置一定的置信区间来校核多场景下电压幅值约束的满足情况，即用 表示 中事件成立的概率(成功数占所有场景数的比例)， 为满足节点电压幅值约束的置信水平， ；
[0129] 5)线路潮流约束
[0130]
[0131] 其中，其中Pij,s是线路ij在场景s下的潮流量， 是对应线路的潮流限值。
[0132] 所述阶段一的改进的遗传算法是指：在基本遗传算法(genetic algorithm, GA)中引入了适应度函数自适应策略、交叉变异概率调整策略；适应度函数自适应策略是将个体按优劣排序后，利用线性函数对最高级别个体到最低级别个体依次进行适应度变换赋值；由此，优质个体的适应度在种群中所占比例较传统算法更高，劣质个体则更低，从而提高遗传算法的优化性能；另一方面，交叉概率和变异概率数值的选取直接影响算法的运行效率和收敛性，在交叉变异概率调整策略中，交叉变异概率调整公式如下：
[0133]
[0134]
[0135] 其中， 分别为第mg代的变异概率与交叉概率， 、为初始变异概率与交叉概率， 、 为概率增长系数。
[0136] 所述阶段二的多目标决策步骤是：
[0137] （1）建立多目标决策目标函数，即以综合最小化总成本 和年平均失负荷量为目标评估各个候选方案的综合性能，根据由阶段一得到的各种优化候选规划方案，进行最终方案的决策：
[0138]
[0139] （2） 对于单个目标，由于目标之间数量级的差异，可以先将其转化为对应的归一化样式：
[0140]
[0141] 其中， 为第j个候选方案第i个目标函数值， 为候选方案中第i个目标对应的最优值， 为为候选方案中第i个目标对应的最坏值， 为归一化后的第j个候选方案第i个目标函数值，取值范围为[0,1]；
[0142] （3）以下面的决策函数进行候选方案多目标性能的综合评估：
[0143] j=1,…, NP
[0144] 其中，NP为有效方案的数量，R为优化目标个数， 为第j个候选方案的性能评估值大小； 值越大，规划方案综合性能最优； 越大，规划方案综合性能最优； 为第i个目标的权重因子，如果各个目标权重相同，则 =1；由此可以通过多目标决策方法进行有效方案的筛选，得到最优综合规划方案。
[0145] 以上所述的具体发明实施方法，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方法而已，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。
