CN107301472B - 基于场景分析法和电压调节策略的分布式光伏规划方法 - Google Patents

Abstract

本发明涉及一种基于场景分析法和考虑电压调节策略的分布式光伏优化规划方法，包括：步骤一：利用场景分析法进行场景分析，采用高维向量表征分布式电源和负荷的真实运行状态，通过聚类方法实现场景的压缩；步骤二：建立配电网分布式电源双层优化规划方法，步骤如下:(1)上层规划以最小化配电网的网损、最大化分布式电源运营商的收益等构建多目标，规划分布式电源的接入容量。(2)下层调度模型中采取不同的调度策略，把不采用调压策略、采用调压策略以及带有无功补偿的调压策略进行对比，对分布式电源进行规划。

Description

基于场景分析法和电压调节策略的分布式光伏规划方法

技术领域

本发明涉及一种基于改进场景分析法和考虑电压调节策略的分布式光伏优化规划方法。

背景技术

经济技术水平的提高以及环境问题的日益严峻，促进了分布式可再生能源尤其是分布式电源的开发利用。此外，随着国家政策的支持，配电网中分布式电源的渗透率迅速增长，分布式光伏在“光伏精准扶贫”的政策下获得大力发展。为了应对分布式电源在传统配电网中的大规模接入，主动配电网以及智能电网等新理论和技术相继被提出，未来的配电网中分布式电源将会扮演更重要的角色，因此分布式电源的优化规划问题也尤为重要。

分布式电源如光伏电源和风机具有一定的不确定性，如何正确衡量这种不确定性，保证规划结果的合理性和经济性的问题亟待解决。有文献针对风力发电机优化规划中地区风速和负荷的不确定性的问题，利用多场景分析法处理存在的不确定性因素，构建了确定性规划模型，利用瑞丽概率密度分布函数描述一年中风速的概率分布情况，以一定步长将风速划分为若干个等级；利用聚类的方法将IEEE-RTS系统一年的负荷情况划分为10个等级，因此以[风机有功出力，负荷]构成的场景表征系统运行的各个状态。有文献考虑了风机、光伏和生物质三种分布式电源的优化规划，将生物质电源的出力看做恒定值，以[风机有功出力，光伏有功出力]构建多个场景进行分析。有文献以风机有功出力，光伏有功出力和负荷作为坐标轴构成三维状态空间，将全年8760个历史场景定位到空间中，通过设置合理的分度将系统划分成若干运行状态子空间，使得全年运行场景数量获得压缩。

高渗透率分布式电源的接入带来一系列问题，尤其是大规模潮流倒送导致的电压越限问题。有文献以间歇性分布式电源与电容器的投资支出、售电收益、系统降损收益、电压质量以及废气减排量综合效益为目标函数，建立综合最优配置模型。有文献通过对分布式电源和无功电容器的联合优化，研究了其对改善电压质量和降低网损的作用。有文献建立了双层优化配置模型，对分布式电源和电容器进行综合优化，上层规划分布式电源和电容器的收益，下层规划模拟无功优化。

现有技术方法的缺陷和不足：

(1)随着分布式电源数量和类型的增加，运用现有多场景分析法处理会造成场景数量的迅速增长，同时现有场景压缩的方法不能够准确地反映电网实际的运行状态。传统的场景分析将每个包含不确定因素的对象看作独立的个体，随着考虑的对象增多，导致场景的数量成指数增长的问题，而且忽略对象之间的相关性使得场景分析与真实运行有较大偏差。

(2)现有的分布式电源规划模型都是基于运营商或者是配电网某个单独的利益主体考虑，没有考虑不同利益主体的多目标优化。对于不同的利益主体，应该选择能够反映利益主体本身的目标函数。

(3)在调压方法上，现有调压方法没有考虑到不同位置的分布式电源对于节点电压的贡献度是不同的，由于不同的安装节点在电网拓扑中的位置不同，因此对于电压的调节有着不同的贡献。在调压策略上原有方法比较单一，只是单纯的通过无功优化或者有功削减来进行调节，没有把无功调压和有功调压的方法相结合，实现共同调压。

(4)现有技术方法没有充分利用光伏变流器的作用。变流器可以发出有功或者无功，通过对变流器的输出调节可以调控电压。白天电压越限时可以削减功率降低电压，夜晚负荷大、节点电压较低时可以发出无功功率抬高电压，现有的技术还没有考虑到这个问题。

发明内容

针对上述问题，本发明的目的是克服现有技术的不足，处理分布式电源规划中存在的不确定性和考虑分布式电源运行中调压的问题，提供一种在减少计算量的同时保证规划结果的可靠性和有效性的分布式光伏优化规划方法。技术方案如下：

基于场景分析法和电压调节策略的分布式光伏规划方法，包括下列步骤：

步骤一：利用场景分析法进行场景分析，采用高维向量表征分布式电源和负荷的真实运行状态，通过聚类方法实现场景的压缩，步骤如下：

(1)资源场景生成

将光照强度的波动性利用Beta概率密度分布函数f_b(s)来描述；

把光照强度分等级表示，对于等级k，计算出等级k的概率P{G_k}和该等级下光照强度的均值μ{G_k}；

(2)负荷场景生成

通过k-means聚类算法，对多个时间断面下的全网负荷向量聚类，获得典型负荷典型场景集，某时刻t断面下的全网负荷情况，用多维向量l_t表示：

l_t＝{P₁,Q₁,P₂,Q₂,...,P_n,Q_n}

其中，P_n,Q_n分别表示节点n的有功负荷功率和无功负荷功率；

为将多个时刻的负荷向量聚类获得典型负荷场景集，需要定义向量之间的距离，在距离定义中对有功功率和无功功率的贡献度分别设置不同的权重,无功功率的权重低于有功功率的权重，利用这种加权后的欧式距离计算向量之间的距离，通过k-means聚类算法迭代获得典型的负荷场景集，典型负荷场景集中每个典型场景的概率计算：

式中，n_k表示属于集群k的原始负荷场景的个数，N表示所有原始负荷场景的个数。

(3)运行场景生成

含有分布式电源的配电网真实运行状态由外部可再生能源与网络的负荷紧密相关，全网的运行场景Y由资源场景G和负荷场景C共同构成：

Y＝{G,C}

N_Y＝N_G*N_C

式中，N_Y表示运行场景的总数量，是资源场景的数量N_G与典型负荷场景数量N_C的乘积；运行场景Y_α的由资源场景G_β和负荷场景C_γ构成，其发生概率也由G_β和C_γ的概率乘积决定。

步骤二：建立配电网分布式电源双层优化规划方法，步骤如下:

(1)上层规划以最小化配电网的网损、最大化分布式电源运营商的收益等构建多目标，规划分布式电源的接入容量。

(2)下层调度模型中采取不同的调度策略，把不采用调压策略、采用调压策略以及带有无功补偿的调压策略进行对比，对分布式电源进行规划。

本发明采用高维向量表征分布式电源和负荷的真实运行状态，通过选取合适的聚类方法实现场景的压缩，在减小计算量的同时保证计算精度。提出基于场景分析的配电网分布式电源双层优化规划方法。双层规划的上层规划以最小化配电网的网损、最大化分布式电源运营商的收益等构建多目标，规划分布式电源的接入容量；下层规划考虑分布式电源的集群电压调整，优化配电网的电压质量。以双层模型为大框架，采用场景分析考虑规划中的不确定性因素，通过改进聚类算法实现典型场景的获取，在减少计算量的同时保证规划结果的可靠性和有效性。

附图说明

图1是拟合出的光照强度概率密度函数曲线

图2是多维向量的示意图

图3是基于灵敏度因子的调压流程图

图4是分布式电源优化配置的总体程序框图

图5是10kV线路高贩03线

图6是资源场景分析后的光伏出力曲线

图7是负荷场景分析后的负荷曲线

图8是规划期第一年12时某种情况下的各节点电压

图9是网损与光伏安装总量的关系

图10是case2和case3的Pareto最优解对比

图11是运用遗传算法得到的case2光伏安装总容量

图12是运用遗传算法得到的case3光伏安装总容量

图13是case2和case3的光伏容量配置的对比

图14是case2和case3的运营商累积净收益现值对比

图15是case2和case3的运营商年收益现值对比

图16是case3和case4的Pareto最优解对比

图17是运用遗传算法得到的case4光伏安装总容量

图18是case3和case4的光伏容量配置的对比

图19是case3和case4的运营商累积净收益现值对比

图20是case3和case4的运营商年收益现值对比

图21是case2和case3分布式电源的功率渗透率对比

图22是case3和case4分布式电源的功率渗透率对比

表1是case2和case3两种策略的目标函数对比

表2是case3和case4两种策略的目标函数对比

具体实施方式

下面结合附图和实施例对本发明进行说明。

本发明基于图1和图2对场景分析进行说明。

分布式可再生能源的出力具有随机性和波动性，为了考虑到分布式电源在运行过程中可能出现的多种状况，考虑可再生能源和负荷情况的多种可能，本文采用改进的场景分析法来处理分布式电源运行过程中可能出现的多种场景。

(1)资源场景生成

光照强度具有明显的日周期性，但是在同一季度内的同一时段上，可能会由于天气的原因等多种因素导致光照强度具有一定的波动性。光照强度的这种波动性可以利用Beta概率密度分布函数来描述：

上式中，s表示光照强度，单位kW/m²；f_b(s)表示光照强度s的Beta概率密度分布函数；α和β是概率密度函数的参数，可以利用变量的平均值(μ)和标准差(σ)以及如下公式计算：

如图1是拟合出的概率密度函数曲线，可以把光照强度分为若干等级G用表示，而且计算出等级k的概率P{G_k}和该等级下光照强度的均值μ{G_k}分别为：

(2)负荷场景生成

负荷的场景的生成，如果对每个节点同样分别采用概率密度函数拟合并且划分等级的方法，会出现较大困难。一方面，由于节点个数多产生的场景数量巨大，而且随着节点个数的增加呈指数增长；另一方面，各个节点的负荷场景生成之后，节点之间的负荷有着较强的相关性，需要对各个节点场景组合后的概率利用相关性进行校正，方法复杂较难实现。

针对出现的问题，提出典型负荷场景集的方法。对于低压配电网的供电负荷，由于生产活动的周期性，负荷大小也有着明显的周期性。因此，同一季度下同一时间断面的全网负荷有着几种典型的负荷分布断面，本文通过改进k-means聚类算法，对多个时间断面下的全网负荷向量聚类，获得典型负荷典型场景集。

如图2是多维向量的示意图，某时刻t断面下的全网负荷情况，用多维向量表示：

l_t＝{P₁,Q₁,P₂,Q₂,...,P_n,Q_n}

其中，P_n,Q_n分别表示节点n的有功负荷功率和无功负荷功率；l_t表示t时刻全网运行状态的2n维向量。

为了将多个时刻的负荷向量聚类获得典型负荷场景集，需要定义向量之间的距离，传统的k-means通常以欧氏距离或者绝对值距离作为两个向量之间距离的定义，这样的距离定义，将有功功率和无功功率同等看待，但是配电网的规划中一般更加重视对有功功率的计算，以及有功网损的评估，因此在距离定义中可以对有功功率和无功功率的贡献度分别设置不同的权重；另一方面，经验证得知采用传统欧氏距离聚类获得的典型负荷场景集相比于真实负荷场景，有功功率的损耗减小，而且随着典型场景数量的减小，损耗偏差越来越小，因此需要改进原有欧式距离的定义。

将原始负荷场景M和典型负荷场景集C分别用矩阵表示：

利用加权欧氏距离重新定义M中负荷行向量，到C中典型负荷行向量之间的距离d为:

其中ε为方向算子，τ为衡量有功功率和无功功率对距离贡献度的加权算子：

调节μ的大小调整聚类中心的位置，减小聚类带来的误差；改变v的大小可以调节有功功率和无功功率对向量之间距离的贡献度，最终通过k-means迭代获得典型的负荷场景集。典型负荷场景集中每个典型场景的概率计算：

上式中，n_k表示属于集群k的原始负荷场景的个数，N表示所有原始负荷场景的个数。

(3)运行场景生成

含有分布式电源的配电网真实运行状态由外部可再生能源与网络的负荷紧密相关，因此全网的运行场景Y由资源场景G和负荷场景C共同构成：

Y＝{G,C}

N_Y＝N_G*N_C

上式中，N_Y表示运行场景的总数量，是资源场景的数量与典型负荷场景数量的乘积；运行场景Y_α的由G_β和C_γ构成，其发生概率也由G_β和C_γ的概率乘积决定。

本发明基于图3和图4对分布式电源双层规划模型进行说明。

上层规划通过构建多目标模型，综合考虑不同利益主体及其各自的目标，下面从目标函数、优化变量和约束条件三个方面介绍多目标规划模型。

考虑不同利益主体下的目标函数，提出了基于配电网的网损和基于运营商的运营商净收益作为规划目标函数。

(1).网损

配电网关心的是电网的运行指标，这里我们采用网损作为优化目标。年网损的计算公式如下：

上式中，E_loss为配电网络的年损耗电量，N_line为网络中线路的条数，每Δt一个时段，N_t为一年的总时间段数，Ploss_t,l为Δt时段内线路l上的有功功率损耗。

(2).运营商净收益

分布式电源运营商考虑的是自己的收益，这里我们采用运营商的净收益现值作为评价指标，计算公式如下：

S_dg＝α_tS_benefit-S_inv-α_t(S_oper-B_re)

上式中，S_dg为分布式电源年净收益现值，S_benefit、S_inv、S_oper分别为分布式电源运营商的年收益现值、年平均投资费用、年运行维护费用，α_t是折现系数，B_re是残值，产生于规划周期的最后一年，其余年份时为0。其具体计算公式如下：

S_inv＝λ_dginvP_dginstall

S_oper＝λ_dgoperP_dginstall

上式中，P_dg,i,t为第i个分布式电源在第t时段内发出的有功功率；λ_dg为运营商接入的协议电价；λ_gov为政府补贴电价；λ_dginv为单位容量的分布式电源的初始投资费用；λ_dgoper为单位容量的分布式电源的运行维护费用；P_dginstall为分布式电源的有功安装容量；S代表变流器的安装容量。两者之间的关系可以表示为：

Q＝β×P_dginstall

上式中，β代表分布式电源以安装容量运行时，变流器无功功率的裕度和分布式电源有功安装容量的比值，称为无功容量系数。

此外，如果考虑夜晚负荷大，配电网节点电压降低，光伏发出无功功率，做无功补偿，此时分布式电源运营商会得到额外的利润，计算公式如下：

上式中，N_t1是一年内夜晚光伏无功出力的时间段，Q_dg,i,t是第i个节点分布式电源第t个时间段内发出的无功功率。

以分布式电源的有功安装容量作为优化变量，描述如下：

X＝{P_install,1,P_install,2...P_install,N}

上式中，N表示分布式电源安装节点的总个数，P_install,i表示第i个分布式电源有功装机容量。

对规划模型设置不同的约束条件：

(1).分布式电源安装容量上限约束：

P_i≤P_imax i∈C_dg

上式中，P_i代表第i个分布式电源的有功装机容量，P_imax代表第i个分布式电源的最大安装容量；C_dg代表分布式电源的集合。

(2).分布式电源安装容量的离散性约束：

P_i＝λP_min i∈C_dg

上式中，P_min代表分布式电源的最小有功装机容量，λ为正整数。

(3).潮流等式约束：

上式中，P_is和Q_is分别代表节点i注入的有功功率和无功功率；U_i为节点i的电压幅值；j∈i表示所有与节点i直接相连的节点；G_ij代表节点导纳矩阵的实部；B_ij代表节点导纳矩阵的虚部；θ_ij代表节点i和j之间的相角差。

(4).线路传输容量约束：

S_j≤S_j,max j∈T

上式中，S_j代表线路实际功率；S_j,max代表线路最大允许容量；T为线路集合。

(5).节点电压约束：

U_i,min≤U_i≤U_i,max i∈N_b

上式中，U_i,max代表节点i电压的上限；U_i,min代表节点i电压的下限；N_b代表节点集合。

(6).功率因数约束：

上式中，

代表第i个分布式电源输出的功率因数，

代表给定的功率因数基准值。

为了解决分布式电源运行过程中，由于潮流倒送导致的部分节点电压越限的问题，提出了分布式电源的下层电压调整策略。

牛顿潮流算法是常规电力系统的经典计算方法，极坐标形式的潮流修正方程可以表示为：

稳定潮流解附近，雅可比分块矩阵HNML可以反应有功功率和无功功率的变化量对电压幅值和电压相角的影响，分别只改变有功功率或者无功功率可以得到：

ΔV＝(N-HM^-1L)^-1·ΔP＝A_p·ΔP

ΔV＝(L-MH^-1N)^-1·ΔQ＝A_p·ΔQ

上式中，A_P和A_Q分别表示有功电压灵敏度和无功电压灵敏度矩阵。

灵敏度矩阵中数值的大小不同，表示不同位置节点对同一个节点的电压影响不同，这种影响的大小在一定的误差范围内可以用灵敏度因子衡量。

如图3是基于灵敏度因子的调压流程图，为了更好的优化分布式电源的电压调节效果，减少功率的削减量，需要根据每个节点对电压的调节贡献率合理分配各个节点的电压调节量，因此，可以设置每个节点的电压调节量正比于灵敏度因子，对于越限节点m，设置每个节点的功率调节量为：

因此，对于已知的电压偏差:

由此，可以求得比例系数k：

上式中，ρ_i是一个布尔量，如果节点i上安装有分布式电源，而且分布式电源具有调节能力，则ρ_i＝1，否则为0。

图4是分布式电源优化配置的总体程序框图，含有精英策略的非支配排序遗传算法(NSGA-II)是解决多目标最优化问题的一种有效方法。多目标遗传算法的核心是协调各个目标函数之间的关系，找出使各个目标函数折衷的最优解集[20]。自从帕累托最优解的概念被用来计算个体适应度之后，这种把解按照被支配的程度进行划分等级的方法就被广泛应用。带有精英策略的非支配排序遗传算法有三个主要的组成部分，如下：

(1)快速非支配排序

这是一种按照非支配性来对整个种群P进行排序的算法，通过目标函数决定个体之间的非支配关系，将种群划分为多个层级Rank，每个层级内的个体具有等同的非支配性。

(2)拥挤度计算

为了了解每一个被支配等级上所有解的拥挤程度，需要计算相邻目标函数之间的距离来作为个体之间的拥挤距离Distance，拥挤距离越大说明个体的差异性越大，适应度越好。

(3)比较运算

经过(1)(2)，种群P中的每个个体都拥有Rank和Distance两个参数，比较运算根据这两个参数判定个体适应度的大小：Rank越小的个体非支配性越强，适应度大；同一层级的两个个体，Distance越大个体适应度越大。

本发明基于图5至图20和表1-表2对实施例进行说明。

本发明以图5中的线路作为算例，该线路为安徽省金寨县35kV铁冲变下一条10kV线路——高贩03线，利用这一情景对比，分析在不同的策略下对分布式光伏安装容量的影响。高贩03线总共有28个节点，27条线路，其中节点1为变压器的低压侧母线节点，额定电压为10.5kV。根据当地的负荷水平，以及土地、屋顶资源，我们拟选择在线路节点3、7、9、13、16、18、21、24、25这9个点安装光伏。

图6和图7分别是资源场景分析结果和负荷场景分析结果。图6中资源场景是指光伏的出力系数，它表示光伏可以发出的最大有功功率占光伏安装容量的比值，每个小时都有一个光伏的出力系数。把每个小时里每个光伏的出力系数看作是相同的。这里把每个时刻(1h)的资源场景压缩成2类。图7中负荷场景分析结果，这里把每个时刻(1h)的负荷场景压缩成3类。运行场景由资源场景和负荷场景组合而成，所以说每个时刻(1h)的运行场景有6类，资源场景和负荷场景相互独立，所以每个场景的概率由组成它的资源场景的概率和负荷场景的概率相乘得到。每个时刻(1h)的运行场景为6种，一天24小时，所以一天总共有144种情况，横坐标为144。在计算目标函数时，分别求出每个时刻(1h)6种场景的目标函数，然后进行加权平均求期望，得到这个时刻的目标函数。

case1不安装光伏

首先考虑线路中不安装光伏的场景，此时计算出的线路年网损为686.1784MWh。图8是规划期第一年12时某种场景下的各节点电压分布。如图8，当没有接入分布式光伏时，此时线路节点电压按照潮流分布逐渐减小，首节点固定为标幺值1.05，越远离首节点的电压越小，因此线路上电压最低的点就是离首节点最远的点。1号节点，也就是首节点的电压标幺值为1.05，由于主干线路上负荷较重，16和28节点在线路的末端，它们的电压值最小。

为了合理地进行分布式电源的规划，需要大致知道网损与光伏安装总量之间的关系。为了得到这个结论，将各个光伏安装点的光伏安装容量从0逐渐增大，计算各种情况下的网损，从而找到网损与光伏安装总量的关系。如图9所示，网损随着光伏安装总量的增大呈现出先减小后增大的趋势，曲线是一条抛物线，在光伏安装总量在4000kW左右时，网损达到最小。没有安装光伏时，网损较高，随着安装光伏容量逐渐变大，网损逐渐减小，这是因为安装光伏相当于减小了负荷，抬高了节点的电压，由网损与电压的平方呈反比可以得到，网损是逐渐下降的，但是下降到一定程度后，网损又会升高，这是因为安装的光伏容量高于线路能够消纳的容量，出现潮流倒送的情况，潮流倒送所引起的网损相当高，所以线路网损增大。因此在进行光伏容量配置时，应尽量选择在抛物线最低点附近取值。

case2：无调压策略与case3：调压策略的对比

由图10可知，Pareto最优解中的双目标——网损和运营商净收益是一对矛盾，配电网网损的减小意味着运营商净收益的减小，运营商净收益的增大意味着配电网网损的增大，因为运营商和网损需要折衷进行选取。图10是case2和case3的Pareto最优解的对比，case3的最优解组成的Pareto曲面与case2相比，向上方移动。当具有相同的运营商净收益时，case3比case2的网损低；当具有相同的网损时，case3要比case2的运营商净收益高。相同的运营商净收益时，case3比case2的网损低，这是因为运营商净收益相同，光伏装机容量和出力相同，此时采用调压策略的case3会解决电压越限的问题，减小电压，降低网损；相同的网损时，case3要比case2的净收益高，这是因为相同网损时，case3要比case2的装机容量大，光伏出力大。不使用调压策略的case2,安装容量偏小，没有合理的估计系统负荷对于光伏的消纳能力,所以不利于分布式电源的发展。如图11和图12所示，case3的最优解对应的规划容量的范围在5800kW-6200kW之间，case2最优解对应的规划容量的范围在4000kW-4400kW。

为了更好地对case2和case3进行比较，选择网损相同的两组个体，两种策略的光伏安装容量配置如图13所示。case2的总光伏安装容量为4120kW，case3的总光伏安装容量为5860kW，case2的光伏安装总容量远远小于case3。由表1可知，当网损相同时，调压策略所带来的运营商净收益现值比不调压的运营商净收益现值大，这说明调压策略要比不调压策略更有优势。

图21所示，夜晚的光伏功率渗透率都为0。因为case3的光伏装机容量要远大于case2，所以在白天电压不越限的情况下，case3的光伏输出的有功功率要大于case2，系统负荷不变，所以case3的光伏功率渗透率大于case2；在电压越限的情况下，case3运用调压策略进行调压，此时case3输出的有功功率应该与case2大致相同，这部分case3的光伏渗透率和case2相似。

图14是case2、case3两种情况下运营商累积净收益现值对比。由于case3的光伏安装容量要比case2大，初始投资成本更高，年运营费用更大，所以投资前期的累积净收益现值更小。但是由图15所示，由于case3的光伏安装容量更大，所以光伏出力更多，运营商年收益现值更多，这也是最后规划期内case3的运营商净收益现值比case2高的原因。由图14可知，case2是在规划期第11年收回成本，case3是在规划期第12年收回成本，在第14年时case3的运营商累积净收益现值超过了case2。

case4:带有无功补偿调压策略和case3:单纯调压策略对比

图16是case3和case4的Pareto最优解的对比情况，可以得知，case4的最优解组成的Pareto曲面与case3相比，向上方移动。当具有相同的运营商净收益时，case4比case3的网损低；当具有相同的网损时，case4要比case3的运营商净收益高。这是因为白天时case3和case4采取相同的调压策略，网损和运营商净收益相同。夜晚的时候，负荷重，节点电压较低，变流器做无功补偿，发出无功，适当抬高了节点电压，损耗与电压的平方呈反比，此时网损减少，同时发出无功功率可以获得补贴，所以运营商收益会增加。所以不考虑联络线倒送时，采用带有无功支撑的调压策略比单纯采用调压策略好。由图17和图12所示，case4的规划总容量在5600kW-6100kW之间，这与case3的规划总容量5800kW-6200kW数量相当。

为了更好的比较case3和case4的电网运营参数和运营商收益，选择case3和case4规划总容量相同的两组，两种策略的光伏安装容量配置如图18所示。虽然具体到各个安装点光伏的安装容量可能不同，但是case3和case4的安装总容量都为5860kW。由表2可知，当安装总容量相同时，case4的网损比case3更小，case4的运营商净收益现值比case3的运营商净收益现值大，这说明不考虑联络线倒送时，采用带有无功支撑的调压策略比单纯采用调压策略好。

如图22所示，夜晚时光伏不出力，两种情况的功率渗透率都为0。在白天，两种情况的功率渗透率曲线也可看成近似相同，这是因为两种情况在白天都使用了相同的调压方式，在正午12时附近，功率渗透率都大于1，case3最高达到了1.8，case4最高达到了1.6。这说明系统负荷消纳不了光伏输出的有功功率，此时会出现联络线功率倒送的情况。

由图19和图20所示，从规划期第一年开始，case4的累积净收益现值就比case3多。这是因为case3和case4的装机容量相同，初始投资成本就相同，但是case4夜晚变流器进行无功补偿，发出无功功率，可以得到补贴，这也是case4比case3的运营商年收益多的原因。case3和case4都是在第12年收回成本，且累积净收益现值达到了正值。

规划结论如下：

(1)采用调压策略与不采用调压策略相比，分布式电源的装机容量增大，这有利于分布式电源的灵活调度和控制。目标函数得到了优化，相同网损时运营商收益增加，相同运营商收益时网损降低，功率渗透率水平提升。

(2)采用带有无功补偿的调压策略与单纯采用调压策略相比，分布式电源装机容量水平相同，功率渗透率相同，配电网网损减小，分布式电源运营商收益增大，实现了双赢的局面。

综上，

本发明针对基于改进场景分析法和电压灵敏度调压的分布式电源优化规划方法，与现有技术相比具有以下优点：

(1)本发明将资源和负荷分别考虑，采用不同的方法分别处理：针对负荷断面的模式性较强的特点，采用聚类分析获得典型负荷场景，一方面保证了负荷之间的相关性，另一方面大大减少了场景数量，提高了计算效率和精度。针对资源场景，采用概率密度函数拟合以及划分等级的方法。

(2)考虑不同的利益主体设立不同的目标函数：随着电力市场改革力度不断增大，售电侧市场在不断放开，分布式电源投资也在不断增加，分布式电源运营商和配电网公司构成了配电网中的利益主体。分布式电源的运营商主要考虑自身收益，希望最大限度接入分布式能源；而配电网公司更加关心电网的运行指标，主要包括配电网的网损是否降低，节点电压是否在合理范围内，用户的供电可靠性是否提高。分布式电源的规划必须站在双方的角度上权衡多个目标。随着分布式电源渗透率的增加，潮流倒送容易导致节点电压越限，合理考虑分布式电源的调节能力，有利于提高分布式电源的能量渗透率，改善电网的运行水平。

(3)考虑潮流倒送导致的部分节点电压越限的问题，提出了分布式电源的基于灵敏度的电压调整策略：由于不同的安装节点在电网拓扑中的位置不同，因此对于电压的调节有着不同的贡献，因此在电压越限时需要根据贡献度的不同合理配置各个分布式电源的无功功率和有功功率的调节量，使得电压保持在合理的运行范围，同时尽量保证分布式电源运营商的收益。

表1

策略	Case2	Case3
			年网损(MWh)	426.69	426.73
运营商净收益现值(元)	3900w	4800w

表2

策略	Case3	Case4
			年网损(MWh)	426.73	391.97
运营商净收益现值(元)	4800w	5200w

Claims (1)

1.一种基于场景分析法和电压调节策略的分布式光伏规划方法，包括下列步骤：

步骤一：利用场景分析法进行场景分析，采用高维向量表征分布式电源和负荷的真实运行状态，通过聚类方法实现场景的压缩，步骤如下：

(1)资源场景生成

将光照强度的波动性利用Beta概率密度分布函数f_b(s)来描述；

把光照强度分等级表示，对于等级k，计算出等级k的概率P{G_k}和该等级下光照强度的均值μ{G_k}；

(2)负荷场景生成

通过k-means聚类算法，对多个时间断面下的全网负荷向量聚类，获得典型负荷典型场景集，某时刻t断面下的全网负荷情况，用多维向量l_t表示：

l_t＝{P₁,Q₁,P₂,Q₂,...,P_n,Q_n}

其中，P_n,Q_n分别表示节点n的有功负荷功率和无功负荷功率；

为将多个时刻的负荷向量聚类获得典型负荷场景集，需要定义向量之间的距离，在距离定义中对有功功率和无功功率的贡献度分别设置不同的权重,无功功率的权重低于有功功率的权重，利用这种加权后的欧式距离计算向量之间的距离，通过k-means聚类算法迭代获得典型的负荷场景集，典型负荷场景集中每个典型场景的概率计算：

式中，n_k表示属于集群k的原始负荷场景的个数，N表示所有原始负荷场景的个数；

(3)运行场景生成

含有分布式电源的配电网真实运行状态由外部可再生能源与网络的负荷紧密相关，全网的运行场景Y由资源场景G和负荷场景C共同构成：

Y＝{G,C}

N_Y＝N_G*N_C

式中，N_Y表示运行场景的总数量，是资源场景的数量N_G与典型负荷场景数量N_C的乘积；运行场景Y_α的由资源场景G_β和负荷场景C_γ构成，其发生概率也由G_β和C_γ的概率乘积决定；

步骤二：建立配电网分布式电源双层优化规划方法，步骤如下:

(1)上层规划以最小化配电网的网损、最大化分布式电源运营商的收益构建多目标，规划分布式电源的接入容量；

(2)下层调度模型中采取不同的调度策略，把不采用调压策略、采用调压策略以及带有无功补偿的调压策略进行对比，对分布式电源进行规划。

Images