考虑节点注入功率不确定性的主动配电网鲁棒重构方法技术

本发明专利技术公开了一种考虑节点注入功率不确定性的主动配电网鲁棒重构方法，在利用仿射数对分布式电源出力和负荷需求不确定性进行合理分析与建模基础上，建立了以综合考虑网络开关动作次数最少与网络有功损耗最低为目标函数，以兼顾网络安全运行为约束条件的主动配电网鲁棒重构模型。本发明专利技术弥补了当前配电网重构方案中忽略分布式电源出力间歇性以及电动汽车充电的不足，可为主动配电网下一步安全评估提供支撑。

Robust reconstruction method of active distribution network considering indeterminacy of node injection power

The invention discloses an injection active distribution network reconfiguration method of robust power considering the uncertainty of node, reasonable analysis and modeling based on the output of DG in the affine number and load demand uncertainty, to establish a comprehensive consideration of the network switch action number and minimizing the active power loss minimum as the objective function, the robust active distribution network the reconstruction model with consideration of the safe operation of the network constraints. The invention makes up for the neglect of the intermittent output of the distributed generation and the shortage of electric vehicle charging in the current distribution network reconfiguration scheme, and provides support for the next step safety assessment of the active distribution network.

【技术实现步骤摘要】
考虑节点注入功率不确定性的主动配电网鲁棒重构方法
本专利技术涉及一种考虑节点注入功率不确定性的主动配电网鲁棒重构方法，属于主动配电网优化运行与控制

技术介绍
高渗透率光伏电站和风机等分布式电源(distributedgeneration,DG)的发电并网以及电动汽车(electricvehicles,EV)等主动负荷的规模化接入与应用，使得传统的单向辐射状配电网逐步转变为含多能源供电系统，必要时辅助以弱环状拓扑结构运行的主动配电网(activedistributionnetwork,ADN)。与此同时，分布式电源和主动负荷易导致配电网注入功率呈现较强的不确定性，传统配电网网络重构技术面临巨大挑战，研究不确定性对网络重构的影响是亟待解决的难题。为此，需要对多类型分布式电源和负荷其注入功率的不确定性进行合理分析与建模，并在网络重构模型中予以考虑，进一步提高主动配电网安全经济运行的可靠性。一般而言，分布式电源出力和负荷需求的不确定性问题，反映到具体的配电网重构模型计算中即线路潮流所具备的不确定性。目前针对配电网的不确定性潮流计算主要有概率潮流、模糊潮流和区间潮流，而基于不确定潮流计算的配电网重构优化模型则主要分为概率模型、模糊数模型以及鲁棒模型，其中，相比于概率模型和模糊数模型而言，配电网鲁棒重构优化模型中以区间方法来描述配电网注入功率的不确定性问题，无需获得参数的先验具体分布情况，只需关注各不确定变量的上下界信息即可，故其工程应用价值更大。目前国内外在考虑节点注入功率不确定性的主动配电网鲁棒重构技术方面已经开展了诸多研究工作，但大多数研究工作中在对网络中注入功率区间数的选取具有一定主观能动性，没有对其上下限进行合理建模分析，且所建立的主动配电网鲁棒重构模型中没有考虑到一类重要的负荷-电动汽车的充电负荷建模问题。此外，在对模型中非线性变量进行线性化松弛操作时所采用的分段线性方法精度较低。
技术实现思路
本专利技术为克服传统配电网重构技术以及现有主动配电网鲁棒重构技术的不足之处，对主动配电网鲁棒重构模型进行更为精准化地分析与表述，对模型中光伏发电、风机发电以及电动汽车充电等不确定性物理量的上下限进行合理地选取，并以仿射数的形式添加到主动配电网鲁棒模型中，为使线性松弛后的数学模型尽可能精确，引入基于最佳等距思想的分段线性逼近方法对原目标函数进行线性松弛。本专利技术可用于弥补当前配电网重构方案中忽略分布式电源出力间歇性以及电动汽车充电的不足，可为主动配电网下一步安全评估提供支撑。为了解决上述技术问题，本专利技术提供了考虑节点注入功率不确定性的主动配电网鲁棒重构方法，包括以下步骤：(1)采用仿射数对节点注入功率的不确定性问题进行合理地建模与分析，该节点注入功率的不确定问题包括光伏发电、风力发电和电动汽车随机充电；(2)在步骤(1)的基础上，建立以综合考虑网络开关动作次数最少与网络有功损耗最低为目标函数，以兼顾网络安全运行为约束条件的主动配电网鲁棒重构模型，该约束条件包括节点注入功率平衡约束、支路最大容量约束和辐射状网络拓扑约束；(3)引入基于最佳等距思想的分段线性逼近方法对主动配电网鲁棒重构模型的目标函数松弛为线性可解形式，并且根据对偶定理将主动配电网鲁棒重构模型进一步等效转化为双层混合整数线性规划问题；(4)采用列约束生成算法对转化后的主动配电网鲁棒重构模型进行分解求解，获得主动配电网最优重构方案。有益效果：本专利技术与现有技术相比，具有以下优点：1、本专利技术可用于弥补当前配电网重构方案中忽略分布式电源出力间歇性以及电动汽车充电的不足，可为主动配电网下一步安全评估提供支撑；2、与现有的主动配电网鲁棒重构模型相比，本专利技术侧重于对主动配电网鲁棒重构模型进行精准化表述，对模型中光伏发电、风机发电以及电动汽车充电等不确定性物理量的上下限进行合理地选取，并以仿射数的形式添加到主动配电网鲁棒模型中，因此本专利技术所建立的主动配电网鲁棒重构模型更为精确，实际应用价值更大；3、本专利技术中采用的列约束生成(column-and-constraintsgeneration,C&CG)算法是一种比较高效的方法，其计算效率和求解性能都要优于现有的Benders及其衍生算法，因此可实现对主动配电网鲁棒重构数学模型进行有效求解，从而能够进一步加快主动配电网鲁棒重构技术的在线应用。附图说明图1为实施例采用的光伏发电系统区间预测算法流程图；图2为实施例采用的风力发电系统区间预测算法流程图；图3为实施例采用的电动汽车充电负荷区间预测算法流程图；图4为实施例采用的含多类型DG和负荷的简单主动配电网示意图；图5为实施例利用C&CG算法对含网络节点注入功率不确定性的主动配电网鲁棒重构数学模型进行求解的流程图；图6为本专利技术的流程图。具体实施方式基于现有理论研究基础上，利用仿射数对分布式电源出力和负荷需求不确定性进行合理分析与建模，建立了以综合考虑网络开关动作次数最少与网络有功损耗最低为目标函数，以兼顾网络安全运行为约束条件的主动配电网鲁棒重构模型。为能够精确求解该数学模型，首先引入基于最佳等距思想的分段线性逼近方法将原目标函数松弛为线性可解形式；其次根据对偶定理将模型进一步等效转化为双层混合整数线性规划问题；最后采用高效的分解算法对模型进行求解，可进一步提高算法的计算效率。本专利技术弥补了当前配电网重构方案中忽略分布式电源出力间歇性以及电动汽车充电的不足，可为主动配电网下一步安全评估提供理论支撑。参见图1所示，目前大多数光伏发电系统短期功率预测模型采用确定性的点预测，即给出未来某一时刻光伏出力确定的功率值，显然这种点值功率预测方法忽略了光伏出力的不确定性，同时预测误差大。为了改进预测结果，近几年国内外学者相继提出了光伏发电系统新型区间预测方法，该类方法无需构建出光伏出力与光照强度、外界环境温度等因素之间复杂的数学关系式，即通过大量的历史发电及其相对应的气象等统计数据，再结合数学统计预测理论给出未来某一时刻光伏出力在一定置信度下的预测结果区间。考虑到主动配电网区间状态估计模型的复杂性会对估计结果产生一定的影响，因此本实施例采用上下限估计方法通过建立双输出神经网络模型对光伏发电系统出力进行区间预测，算法主要实施步骤如下所述：1)设置神经网络训练系统的输入值；光伏出力与多种因素相关，如光照辐射强度、光伏阵列面积以及环境温度等。按照一定的采样间隔收集历史光伏出力数据与对应时刻的气象数据，将处理过的数据作为神经网络的输入。2)确定区间预测评估函数。衡量区间预测性能的重要因素是区间覆盖率(predictionintervalscoverageprobability,PICP)和区间宽度(predictionintervalsnormalizedaveragedwidth,PINAW)，计算公式分别如式(1)所示：式中，λ为进行确定性预测的次数，cκ′为第κ′次预测值的评价指标；假设存在某一预测值yκ′，当时，cκ′＝1；否则，cκ′＝0；和PPV分别为区间预测的上界限和下界限；Λ为目标预测值的最小值与最大值的差；由于光伏发电系统的出力区间预测值与多个影响因素有关，理想的区间预测结果应该是覆盖率高而宽度小，但是两者本身存在矛盾，需要通过综合评估区间覆盖率和区间宽度本文档来自技高网...

【技术保护点】
考虑节点注入功率不确定性的主动配电网鲁棒重构方法，其特征在于：包括以下步骤：(1)采用仿射数对节点注入功率的不确定性问题进行合理地建模与分析，该节点注入功率的不确定问题包括光伏发电、风力发电和电动汽车随机充电；(2)在步骤(1)的基础上，建立以综合考虑网络开关动作次数最少与网络有功损耗最低为目标函数，以兼顾网络安全运行为约束条件的主动配电网鲁棒重构模型，该约束条件包括节点注入功率平衡约束、支路最大容量约束和辐射状网络拓扑约束；(3)引入基于最佳等距思想的分段线性逼近方法对主动配电网鲁棒重构模型的目标函数松弛为线性可解形式，并且根据对偶定理将主动配电网鲁棒重构模型进一步等效转化为双层混合整数线性规划问题；(4)采用列约束生成算法对转化后的主动配电网鲁棒重构模型进行分解求解，获得主动配电网最优重构方案。

【技术特征摘要】
1.考虑节点注入功率不确定性的主动配电网鲁棒重构方法，其特征在于：包括以下步骤：(1)采用仿射数对节点注入功率的不确定性问题进行合理地建模与分析，该节点注入功率的不确定问题包括光伏发电、风力发电和电动汽车随机充电；(2)在步骤(1)的基础上，建立以综合考虑网络开关动作次数最少与网络有功损耗最低为目标函数，以兼顾网络安全运行为约束条件的主动配电网鲁棒重构模型，该约束条件包括节点注入功率平衡约束、支路最大容量约束和辐射状网络拓扑约束；(3)引入基于最佳等距思想的分段线性逼近方法对主动配电网鲁棒重构模型的目标函数松弛为线性可解形式，并且根据对偶定理将主动配电网鲁棒重构模型进一步等效转化为双层混合整数线性规划问题；(4)采用列约束生成算法对转化后的主动配电网鲁棒重构模型进行分解求解，获得主动配电网最优重构方案。2.根据权利要求1所述的考虑节点注入功率不确定性的主动配电网鲁棒重构方法，其特征在于：步骤(1)中，在用仿射数表征光伏发电系统出力不确定性时，采用上下限估计方法通过建立双输出神经网络模型对光伏发电系统出力进行区间建模，并将区间数转化为仿射数形式添加至建立的鲁棒重构模型中；用区间数表征风力发电系统出力不确定性时，采用基于在线序贯-极限学习机结构的双层神经网络风力预测模型，通过模型对风速进行修正，再利用第二层预测风力发电功率，得到以区间数表述的风机出力不确定性，并将区间数转化为仿射数形式添加至建立的鲁棒重构模型中；对电动汽车随机充电进行区间建模分析时，采用基于统计数据规律的蒙特卡洛抽样法与区间数相结合的方式对电动汽车充电负荷需求进行区间预测，并将区间数转化为仿射数形式添加至建立的鲁棒重构模型中。3.根据权利要求2所述的考虑节点注入功率不确定性的主动配电网鲁棒重构方法，其特征在于：采用上下限估计方法通过建立双输出神经网络模型对光伏发电系统出力进行区间预测，包括以下步骤：1)设置神经网络训练系统输入值：按照一定的采样间隔收集历史光伏出力数据与对应时刻的气象数据，将处理过的数据作为神经网络的输入；2)确定区间预测评估函数：衡量区间预测性能的重要因素包括区间覆盖率和区间宽度，计算公式分别如式(1)所示：式中，PICP为区间覆盖率，PINAW为区间宽度，λ为进行确定性预测的次数，cκ′为第κ′次预测值的评价指标；假设存在某一预测值yκ′，当时，cκ′＝1；否则，cκ′＝0；和PPV分别为区间预测的上界限和下界限；Λ为目标预测值的最小值与最大值的差；需要通过综合评估区间覆盖率和区间宽度构建一个优化函数，将多目标优化转变为单目标优化，区间预测综合评估指标函数f如下所示：式中，Ψ为置信度值；η为区间预测综合评估指标函数f的调节参数；3)结合粒子群寻优算法，给出最优光伏出力区间预测，具体寻优步骤为：①初始化设置粒子群参数，生成初始粒子种群，即为光伏出力预测的初始区间值；②在搜索空间内随机初始化每个粒子的位置和速度，将每个粒子的个体最优位置设置为当前粒子位置，并得到群体最优位置；③对粒子的位置和速度进行不断更新；④计算每个粒子的适应值，更新每个粒子的个体最优位置与整个群体的最优位置；⑤若满足停止条件，则停止搜索，否则返回步骤③继续搜索。4.根据权利要求1、2或3所述的考虑节点注入功率不确定性的主动配电网鲁棒重构方法，其特征在于：光伏出力的不确定性表示为如下仿射数形式：式中，εPV为影响光伏出力的不确定性扰动因子，且εPV＝[-1,+1]。5.根据权利要求2所述的考虑节点注入功率不确定性的主动配电网鲁棒重构方法，其特征在于：采用基于在线序贯-极限学习机结构的双层神经网络风力预测模型得到以区间数表征风力发电系统出力不确定性，包括以下步骤：1)数据预处理：将式(4)中向量Θ作为神经网络输入：Θ＝[vvsinvcosρ]T(4)式中，v为风速；vsin、vcos分别为风向的正、余弦值；ρ为空气密度；神经网络中所有输入数据均归一化到[0,1]区间；2)风速修正环节：采用第一层神经网络模拟修正预报风速与实测风速之间的非线性关系；3)风力发电系统出力区间预测：采用第二层神经网络来进行风力发电系统出力的区间预测，选取当前时刻的修正风速值、风向正、余弦值以及空气密度值作为第二层神经网络输入值，以当前时刻风力发电系统出力的上下区间值为网络输出；风力发电系统出力的不确定性表示为如下所示的仿射数形式：式中，εWT＝[-1,+1]为影响风机出力的不确定性扰动因子。6.根据权利要求2所述的考虑节点注入功率不确定性的主动配电网鲁棒重构方法，其特征在于：采用基于统计数据规律的蒙特卡洛抽样法与区间数相结合的方式对电动汽车充电负荷需求进行预测：根据全美家庭出行调查项目调查数据，结合最大似然估计法获取电动汽车的日行驶里程d和进行充电过程的起始时刻t的概率统计规律分别如式(6)、式(7)所示：视用户最后一次出行结束后即刻开始充电；电动汽车充电时长TC为：式中，W100为电动汽车的百公里平均耗电量，单位：kW·h/100km；PC为EV的充电功率，单位：kW；单辆电动汽车在t0时刻的充电功率需求可表述为式中：P(t0)为t0时间断面上单辆电动汽车的功率需求；PC(t0)为t0时间断面上单辆EV的充电功率；ζC(t0)为t0时间断面上单辆电动汽车充电功率的概率，Ψ(·)为电动汽车起始充电时刻的概率密度函数；一天内第t0时间断面该区域总电动汽车充电负荷为：式中，M为该地区电动汽车总量；基于历史统计数据，利用蒙特卡洛方法分别抽样出某一天内每个时间断面上EV总的充电需求，服从正态分布，其期望值和标准差分别为μEV和σEV，由此可用区间数对EV充电需求进行表述：式中，υ为区间数的半径调节参数；电动汽车充电负荷需求如下式所示的仿射数形式：

【专利技术属性】
技术研发人员：吴在军，徐俊俊，周力，李培帅，窦晓波，顾伟，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32