一种基于随机优化的主动配电网故障管理方法转让专利
申请号 : CN202010390846.6
文献号 : CN111641205B
文献日 : 2021-12-17
发明人 : 张有兵 , 胡成鹏 , 王国烽 , 徐崇博 , 杨宇 , 徐登辉
申请人 : 浙江工业大学
摘要 :
权利要求 :
1.一种基于随机优化的主动配电网故障管理方法,其特征在于,所述方法包括以下步骤:
S1:建立不确定性模型,对系统进行初始化并获取优化所需初始值,包括风机、光伏与负荷需求的初始数据;
S2:建立场景概率模型同时给随机优化方法配备风险管理方案;
S3:建立上层主动配电网功率优化模型,以在各个场景中的运行成本最低为目标求解出最优功率调度策略,并将该策略保留代入下层优化模型中;
在步骤S3中,主动配电网功率优化模型建立过程如下:S3‑1.功率优化收益模型
在功率优化阶段,以运行成本最低为目标函数同时配备风险管理:min(1‑α)Fpower+αFCVaR (4)Fpower=(1‑β)(FDG+FRES+FPU+FESS)+βFLOAD (5)式中:Fpower、FCVaR、α分别表示功率运行成本,风险指标以及风险管理的权重值;FDG、FRES、FPU、FESS、FLOAD、β分别表示DG成本,RES成本,系统与大电网交互功率成本,ESS成本,负荷削减成本和经济性指标与故障指标的权重值;
S3‑2.分布式发电机模型
DG成本由DG的启停开关成本和运行成本构成;
式中:T、t分别表示总的优化时长和当前优化时段;ND表示DG的总数量;SUd,t、SDd,t分别表示启动和停止成本;ad、bd表示第d个DG的成本系数;Jd,t表示第d个DG在t时刻的开关状态量;Δt表示优化间隔; 表示第d个DG在S场景ψ故障持续时间中t时刻的输出功率,DG的开关状态量在所有场景下都应该是相同的,不同的只是在对应场景下的输出功率,分别表示第d个DG的最小和最大输出功率;URd、DRd分别表示第d个DG的启动和停止爬坡效率;CUd,t、CDd,t分别表示第d个DG的启动和停止成本系数;
S3‑3.储能系统模型
Ee,0=Ee,T (18)
式中:NE表示ESS的总数量; 分别表示第e个ESS在S场景ψ故障持续时间中t时刻的充电功率和放电功率; 分别表示ESS的充电效率和放电效率;Ce表示充放电成本系数; 表示故障结束后ESS的SOC;Ve表示对应的成本系数; 分别表分别示第e个ESS在S场景ψ故障持续时间中t时刻的充放电的最大功率, 分别表示第e个ESS的充电和放电指示量, 分别表示第e个ESS的最小容量和最大容量,约束(16)表示ESS不可以同时充放电,约束(17)表示第e个ESS的初始容量和优化时段末的容量应该相同;
S3‑4.分布式能源模型
式中:NW、NP分别表示风机和光伏的数量; 分别表示第w个风机和第p个光伏在S场景中t时刻的输出功率;Cr表示RES的成本系数; Cu分别表示在S场景ψ故障持续时间中t时刻与大电网之间的交互功率和实时电价;
S3‑5.负荷模型
式中:td表示故障开始时间; 表示在S场景中t时刻的负荷需求量; VOLL分别表示在S场景ψ故障持续时间中t时刻的削减负荷量和削减负荷成本系数;
S3‑6.功率平衡模型
式(23)表示正常情况下的功率平衡约束,其中 表示在S场景ψ故障持续时间中t时刻的网损值,约束(24)表示故障情况下的功率平衡约束,h表示故障情况下的优化时段,在第一次迭代的过程中, 的值应置为0;
S4:建立下层主动配电网潮流优化模型,将上层功率优化模型中的功率调度策略作为已知条件,以在各个场景中的网损值最低为目标求解出最优潮流调度策略,并将网损值保留代入下一次的迭代计算中;
S5:当两次优化结果的网损值的变化量达到收敛条件,且内部调度策略不再更新,则输出此时的调度策略作为主动配电网日前优化结果;
S6:若两次网损值的变化量不能达到收敛条件,则返回步骤S2依据更新的状态信息重新进行优化。
2.如权利要求1所述的一种基于随机优化的主动配电网故障管理方法,其特征在于,所述步骤S1中,不确定性建模包括以下过程:S1‑1.场景生成:采用蒙特卡罗方法生成一系列场景,来模拟负荷需求和RES出力的不确定性;为了生成相关场景,首先需要获得负荷需求和RES出力的初始值,以这个初始值作为高斯分布的均值,加以方差,以此生成大量场景,在保证所有场景的概率之和为1的基础上,赋予所有初始场景相同的概率;
S1‑2.使用后向削减方法将场景减少到设定的数量,在每次迭代中,计算两两场景之间的欧氏距离,并将具有最低距离的两个场景中概率较低的场景移除并将其概率转移给另一个场景;
S1‑3.采用正态分布来表示故障持续时间的不确定性,其中平均值为5小时,标准偏差为1小时。
3.如权利要求2所述的一种基于随机优化的主动配电网故障管理方法,其特征在于,所述步骤S2中,场景概率模型的建立过程如下:S2‑1.随机优化问题中考虑到了两个不确定性问题,在求解的过程中,要将两个不确定性问题的概率模型进行整合,假设生成关于负荷需求,RES出力相关的场景总数为S,故障持续时间的可能性为ψ种,那么在所提的随机优化框架中就应当考虑到S×ψ种的可能性,Ps表示场景S发生的概率,Dψ表示故障持续ψ时间的概率,那么场景Sψ就是指当第S场景经历Dψ的故障时长,其概率为PS×Dψ;
S2‑2.在随机优化过程中,所得优化方案是希望在所有场景下产生的运行成本期望值最低,然而,由于多种场景之间存在的差异性较大,使得调度方案在某些概率较低的场景下会产生非常高的成本,为了控制这种不利结果的风险,随机优化问题配备有风险管理方案,采用风险价值VaR和条件风险价值CVaR来衡量风险水平,其中VaR表示在给定的置信度η下的最大损失值,然而,VaR表示的仅仅只是一个概率点的值,在该概率点之后的场景对应的损失情况并没有体现,而CVaR则表示超过VaR的所有场景下的运行成本的期望,可以很好的避免了尾部风险,使用CVaR来衡量风险水平,式中:FCVaR表示风险指标;η表示置信度;S、s、PS分别表示总的场景个数,当前优化的场景以及该场景对应的概率;TD、ψ、Dψ分别表示故障持续时间的种类个数,当前优化的故障持续时间和该故障持续时间对应的概率;θs,ψ,λ为用以计算CVaR而引入的辅助变量,其值通过式(2)(3)确定; 表示第S个场景的功率成本。
4.如权利要求1所述的一种基于随机优化的主动配电网故障管理方法,其特征在于,所述步骤S4中,主动配电网潮流优化模型的建立过程如下:S4‑1.潮流优化收益模型
式中:Ωb表示全部节点的集合;rij表示支路ij的电阻;Is,t,ij表示在S场景ψ故障持续时间中t时刻节点i流向节点j的电流幅值;Closs表示网损成本系数;
S4‑2.潮流约束模型
式中:Ps,t,ij、Qs,t,ij分别表示在S场景ψ故障持续时间中t时刻节点j流向节点i的有功功率和无功功率;Ps,t,i、Qs,t,i分别表示在S场景ψ故障持续时间中t时刻节点i的注入有功功率之和和无功功率之和;xji表示支路ij的电; 分别表示在S场景ψ故障持续时间中t时刻节点i上分布式电源注入,光伏注入,风机注入,储能注入和负荷消耗的有功功率; 分别表示在S场景ψ故障持续时间中t时刻节点i上分布式电源注min max
入和负荷消耗的无功功率;U 、U 分别表示系统允许节点电压的上下界;
S4‑3.二阶锥模型转化
采用二阶锥松弛技术将该问题转换为混合整数二阶锥问题,以便可以通过成熟的数学求解工具进行求解;
首先,构造新变量Vs,t,i和Ls,t,i替换原模型中的电压与电流的平方项 和 相应的非线性表达式(25)、式(26)‑(29)转变为替换完变量后发现,除了式(37)是非线性表达式外,目标函数和所有约束都已变为线性表达式,通过对式(37)二阶锥约束松弛进一步得到:经过上述步骤,随机优化模型由难以求解的非线性模型问题转换为线性模型问题。
5.如权利要求4所述的一种基于随机优化的主动配电网故障管理方法,其特征在于,所述步骤S5中,收敛条件的实现过程如下:求解模型的过程是交替迭代进行的,收敛条件设置为当第N次和第N+1次所计算出的网损值之间的变化量小于1xe‑10时,说明算法收敛,输出此时的调度策略集合作为主动配电网日前优化结果,否则,进入步骤S6,进而跳转到步骤S2再次进行优化。
说明书 :
一种基于随机优化的主动配电网故障管理方法
技术领域
背景技术
资源短缺等问题的解决变得刻不容缓,清洁能源的可再生能源(Renewable Energy
Source,RES),主要包括风机(Wind Turbine WT)和光伏(Photovoltaic array PV)逐渐成
为研究的热点并在配电网中渗透率不断提高。但是风机在夜间的出力往往会比白天多,变
化趋势与负荷需求相反,具有反调峰的特性,而光伏发电的出力则是主要集中在白天,夜晚
的出力一般可以忽略不计。由于这样的随机性和间歇性使得风机和光伏的接入必然对电力
系统造成影响。问题的关键在于找到一种解决方法,让传统的配电网在提高安全性的基础
上实现对RES的充分利用。
主控制和全局的最优调度,是一种可以兼容多能源集成技术的开放系统。主动配电网包含
了分布式发电机(Distributed Generations,DG)和RES以及储能系统(Energy storage
systems,ESS),当RES出力多于负荷需求时,可以将多余的电量存储到ESS中或者通过公共
连接点卖给大电网。这种运行方式既有效地消纳了RES,又可以利用在引入了DG之后的孤岛
运行特征来应对未知的故障事件。
时,此时大电网已经无法继续给配电网内的负荷供电,失去大电网支撑的部分可以通过调
度本地资源从而避免重要的负荷断电。在实际中,非计划的孤岛时间也就是故障持续时间
是不确定的,无法准确预测。这就给配电网应对故障情况的调度策略带来了严峻的挑战,当
考虑到可再生能源的间歇性和波动性以及负荷需求的不确定性时,这个故障管理问题变得
更加复杂,必须通过适当的随机方法来解决。
发明内容
和RES出力的不确定性问题。为了让所得调度策略在所有场景下均具有良好的适用性同时
让配电网运行商能够在预期的运行成本和风险度量之间取得有效平衡。在所提框架中配备
了风险管理方案。上层阶段,以主动配电网期望运行成本最低为目标函数而不考虑网损。下
层阶段,进行最优潮流计算并将网损值反馈到上层模型中的功率平衡约束条件中,最终通
过交替迭代得到调度方案,减少了计算难度并且提升了计算效率。
值保留代入下一次的迭代计算中;
充放电功率,与大电网之间的交互功率。下层潮流优化阶段将功率优化阶段计算出的功率
值当作固定值代入,进行最优潮流计算,再将计算得出的网损值代入功率优化阶段,交替迭
代,直到两次网损值的变化量满足收敛条件,判定迭代结束。
值作为高斯分布的均值,加以方差,以此生成大量场景,在保证所有场景的概率之和为1的
基础上,赋予所有初始场景相同的概率;
并将具有最低距离的两个场景中概率较低的场景移除并将其概率转移给另一个场景;
而且,概率分布的形状很大程度上取决于相关恢复时间的标准偏差,故本发明采用正态分
布来表示故障持续时间的不确定性,其中平均值为5小时,标准偏差为1小时。
障持续时间的可能性为ψ种,那么在所提的随机优化框架中就应当考虑到S×ψ种的可能性,
其中,Ps表示场景S发生的概率,Dψ表示故障持续ψ时间的概率,那么场景Sψ就是指当第S场景
经历Dψ的故障时长,其概率为PS×Dψ;
景下会产生非常高的成本,为了控制这种不利结果的风险,随机优化问题都配备有风险管
理方案,采用风险价值(VaR)和条件风险价值(CVaR)来衡量风险水平,其中VaR表示在给定
的置信度η下的最大损失值,然而,VaR表示的仅仅只是一个概率点的值,在该概率点之后的
场景对应的损失情况并没有体现,而CVaR则表示超过VaR的所有场景下的运行成本的期望,
很好的避免了尾部风险,使用CVaR来衡量风险水平,
障持续时间和该故障持续时间对应的概率;θs,τ,λ为用以计算CVaR而引入的辅助变量,其值
通过式(2)(3)确定; 表示第S个场景的功率成本。
削减成本和经济性指标与故障指标的权重值;
量;Δt表示优化间隔; 表示第d个DG在S场景ψ故障持续时间中t时刻的输出功率,DG的开
关状态量在所有场景下都应该是相同的,不同的只是在对应场景下的输出功率,
分别表示第d个DG的最小和最大输出功率;URd、DRd分别表示第d个DG的爬坡效率;CUd,t、CDd,t
分别表示第d个DG的启动和停止成本系数;
放电成本系数; 表示故障结束后ESS的SOC;Ve表示对应的成本系数; 分
别表分别示第e个ESS在S场景ψ故障持续时间中t时刻的充放电的最大功率。 分别
表示第e个ESS的充电和放电指示量, 分别表示第e个ESS的最小容量和最大容
量,约束(16)表示ESS不可以同时充放电,约束(17)表示第e个ESS的初始容量和优化时段末
的容量应该相同;
时间中t时刻与大电网之间的交互功率和实时电价;
明削减负荷的情况只会出现在故障时间段;
段,如前所述,在第一次迭代的过程中, 的值应置为0。
功率之和和无功功率之和;xji表示支路ij的电; 分别表示在S
场景ψ故障持续时间中t时刻节点i上分布式电源注入,光伏注入,风机注入,储能注入和负
荷消耗的有功功率; 分别表示在S场景ψ故障持续时间中t时刻节点i上分布式电
min max
源注入和负荷消耗的无功功率;U 、U 分别表示系统允许节点电压的上下界;
数学求解工具进行求解;
配电网日前优化结果,否则,进入步骤S6,进而跳转到步骤S2再次进行优化。
算效率。。
持良好的可执行性。由于随机优化问题的概率特性,在本发明中给优化模型配备了风险管
理方案,综合考虑极端场景的成本,使得解决方案在实际调度中具有良好的经济性和适用
性。
附图说明
值保留代入下一次的迭代计算中;
值作为高斯分布的均值,加以方差,以此生成大量场景,在保证所有场景的概率之和为1的
基础上,赋予所有初始场景相同的概率;
并将具有最低距离的两个场景中概率较低的场景移除并将其概率转移给另一个场景;
而且,概率分布的形状很大程度上取决于相关恢复时间的标准偏差,故采用正态分布来表
示故障持续时间的不确定性,其中平均值为5小时,标准偏差为1小时。
障持续时间的可能性为ψ种,那么在所提的随机优化框架中就应当考虑到S×ψ种的可能性,
如图1所示,其中,Ps表示场景S发生的概率,Dψ表示故障持续ψ时间的概率,那么场景Sψ就是
指当第S场景经历Dψ的故障时长,其概率为PS×Dψ;
景下会产生非常高的成本,为了控制这种不利结果的风险,随机优化问题都配备有风险管
理方案,采用风险价值(VaR)和条件风险价值(CVaR)来衡量风险水平,其中VaR表示在给定
的置信度η下的最大损失值,然而,VaR表示的仅仅只是一个概率点的值,在该概率点之后的
场景对应的损失情况并没有体现,而CVaR则表示超过VaR的所有场景下的运行成本的期望,
可以很好的避免了尾部风险,使用CVaR来衡量风险水平,
障持续时间和该故障持续时间对应的概率;θs,τ,λ为用以计算CVaR而引入的辅助变量,其值
通过式(2)(3)确定; 表示第S个场景的功率成本。
削减成本和经济性指标与故障指标的权重值;
量;Δt表示优化间隔; 表示第d个DG在S场景ψ故障持续时间中t时刻的输出功率。值得注
意的是,DG的开关状态量在所有场景下都应该是相同的,不同的只是在对应场景下的输出
功率, 分别表示第d个DG的最小和最大输出功率;URd、DRd分别表示第d个DG的爬
坡效率;CUd,t、CDd,t分别表示第d个DG的启动和停止成本系数;
放电成本系数; 表示故障结束后ESS的SOC;Ve表示对应的成本系数; 分
别表分别示第e个ESS在S场景ψ故障持续时间中t时刻的充放电的最大功率, 分别
表示第e个ESS的充电和放电指示量, 分别表示第e个ESS的最小容量和最大容
量,约束(16)表示ESS不可以同时充放电,约束(17)表示第e个ESS的初始容量和优化时段末
的容量应该相同;
时间中t时刻与大电网之间的交互功率和实时电价;
明削减负荷的情况只会出现在故障时间段;
段,如前所述,在第一次迭代的过程中, 的值应置为0。
功率之和和无功功率之和;xji表示支路ij的电; 分别表示在S
场景ψ故障持续时间中t时刻节点i上分布式电源注入,光伏注入,风机注入,储能注入和负
荷消耗的有功功率; 分别表示在S场景ψ故障持续时间中t时刻节点i上分布式电
min max
源注入和负荷消耗的无功功率;U 、U 分别表示系统允许节点电压的上下界;
数学求解工具进行求解;
配电网日前优化结果,否则,进入步骤S6,进而跳转到步骤S2再次进行优化。
不同案例来分析验证不确定性模型和随机优化方案的有效性。三种案例考虑如下,其中假
设故障发生时间均为早上8点整,考虑极端故障的情况导致节点1和节点2断开,下游节点全
部失去大电网的支撑。
当天的实时电价数据按1小时一个点的间隔绘图,如图4所示。在进行潮流优化时,各节点的
负荷数据可以根据IEEE 33节点系统中的负荷数据配比将获取的每小时总负荷按比例分配
得到。在本发明中,负荷需求和风机光伏输出功率的误差方差分别设置为:负荷需求设置为
初始值的3%,风机输出设置为初始值的10%,光伏输出设置为初始值的5%。利用蒙特卡洛
方法生成具有相同概率的2500个场景,并通过后向削减方法最终削减成15个场景,场景曲
线图如图5所示,故障持续时间概率表如表1所示;
示,其中储能充放电成本系数Ce定为49元/MW,置信度η设为0.95,风险权重值设为0.9,经济
性指标与故障指标的权重值β设为0.9,负荷削减成本系数VOLL设为7000元/MW,ESS重新连
网时的SOC成本系数Ve设为350元/MW,网络损耗成本Closs设为560元/MW,系统电压标幺值的
max min
上下限U 和U 分别为1.05和0.95。
生后,1节点与2节点断开,电网已经无法继续给下游节点供电,为了避免重要负荷被削减,
ESS会进行放电以保证对重要负荷的支撑。由于ESS的存储容量和输出功率存在限制,在故
障时期内,无法支撑系统内所有负荷的正常工作,一些负荷不得不被削减以保证系统的运
行稳定。
内的情况下,实现削减负荷量最少。而在14点和15点,案例一的调度策略开始为ESS进行充
电,以应对在17点会出现的负荷高峰。这是因为在没有配备风险管理方案的随机优化策略
中,会完全按照事件发生的概率制定调度策略,换句话说,在案例一的调度策略中,认为故
障的持续时间只会在6个小时以内,持续时间超过6个小时的低概率事件相当于被忽视了。
有足够的电量在14点~15点进行放电来支撑负荷。这样的调度策略本身考虑的就是低概率
事件的发生,过于保守,往往会造成不必要的高额成本。
电。由此可见,案例三即会对高概率事件优先解决,也会兼顾低概率事件的发生。表4为三种
方案优化结果。
CVaR(元/天) 14439 11396 9089
损失。案例一和案例三进行对比可以发现,在尽可能保证高概率事件收益最大而忽视低概
率事件的案例一中,会得到三个案例中最低的运行成本,但相应的,其风险度量指标CVaR也
是三个案例中最高的。反观案例三中,以增加一点运行成本为代价,使得CVaR值大幅度降
低,让所得调度策略即使在面对低概率事件时,也可以表现出良好的适用性。
化策略后,将这些优化策略分别应用于一系列场景中,在这些场景中,故障持续时间是确定
的,并将在故障期间内所耗成本称为实施成本,如图7所示。从图7中可以发现,案例二作为
考虑最糟糕情况而制定的优化策略,只有当故障持续时间确实为8小时的情况下,案例二才
可以表现出更低的实施成本,当故障持续时间在6小时以内的时候,案例一个案例三可以表
现出非常接近的实施成本,但一旦发生持续时间超过6小时的低概率事件时,案例一由于其
对ESS的充电行为,导致削减负荷量显著上升,使得实施成本显著增长。案例三在风险管理
方案的帮助下,可以很好的抑制低概率事件带来的高风险结果,在故障持续时间为7小时的
情况仍比案例二的实施成本要低,仅在故障8小时的情况下比案例二的实施成本略高一点,
由此可见,案例三的优化策略相对于其他两个案例有着更好的实施效果。
情况下的经济性成本和故障情况下的负荷损失成本,建立了包括负荷需求,RES出力,故障
持续时间在内的不确定性模型以及包含DG,RES,ESS在内的随机优化模型同时配备风险管
理方案。使得调度策略在所有场景中都能保持良好的适用性,通过二阶锥转化和两阶段模
型求解方法,将原本复杂的非线性模型转化为线性模型,降低求解难度的同时显著提高求
解效率。算例分析表明,所提随机优化调度策略能很好的应对各种不确定性因素,有效地提
升主动配电网在正常运行时的经济效益同时显著降低在故障情况下的负荷削减成本。。
施例或示例,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行结合和组
合。此外,本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护
范围不应当被视为仅限于实施案例所陈述的具体形式,本发明的保护范围也包括本领域技
术人员根据本发明构思所能够想到的等同技术手段。