一种基于数据驱动的光伏集中式优化控制方法技术

本发明专利技术涉及一种基于数据驱动的光伏集中式优化控制方法，包括：步骤1：构建电气距离矩阵；步骤2：进行主导节点选择；步骤3：构建光伏集中式优化控制模型，该模型为带修正环节的双层优化控制模型；步骤4：使用步骤3构建的光伏集中式优化控制模型对可控光伏进行调控。与现有技术相比，本发明专利技术具有精度和调控效率高、兼顾电压和网损优化、成本低等优点。

【技术实现步骤摘要】
一种基于数据驱动的光伏集中式优化控制方法
本专利技术涉及高比例分布式光伏并网的有源配电网的优化调控，尤其是涉及一种基于数据驱动的光伏集中式优化控制方法。
技术介绍
针对高比例分布式光伏并网的优化问题，目前主要有三种基本模式：集中式控制，本地控制和分布式控制。集中式控制一般是建立一个含约束的多目标优化模型，主要以电压偏差、出力量、有功网损为优化目标；本地控制是利用接入点的电气量测信息进行控制；分布式控制则是将线路分成若干个子区，通过对子区内和子区间的协同调控实现全网电压的有效调控。相比之下，集中式控制能协调全局的可调控单元，最大化调控利用率。现有专利技术计及配电网经济安全性优化的光伏电源有功功率调控方法，该专利技术选用了配电网所有节点，没有考虑实时的网络拓扑结构和分布式光伏并网的影响。且优化调控采用线性模型简化，无法兼顾求解效率和求解准确度。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种精度和调控效率高、兼顾电压和网损优化的基于数据驱动的光伏集中式优化控制方法。本专利技术的目的可以通过以下技术方案来实现：一种基于数据驱动的光伏集中式优化控制方法，包括：步骤1：构建电气距离矩阵；步骤2：进行主导节点选择；步骤3：构建光伏集中式优化控制模型；步骤4：使用步骤3构建的光伏集中式优化控制模型对可控光伏进行调控。优选地，所述的步骤1具体为：步骤1-1：获得节点间电气联系的电压灵敏度λij，具体为：r>其中，Ui为节点i的电压；Pj为和Qj分别为节点j的有功功率和无功功率；α为无功功率引起电压增量与有功功率引起电压增量的比值；步骤1-2：采用联合概率分布表征光伏出力波动，更新节点间电气联系指标更新后的电气联系指标具体为：sij(k)＝λij(k)·pk其中，λij(k)为第k个场景下节点i和j之间的电压灵敏度；pk为第k个场景下光伏接入相应的概率；sij(k)为相对电压灵敏度；步骤1-3：获取电气距离矩阵，具体为：首先计算节点间的电气距离：其中，sij'为归一化后的电压灵敏度，具体计算方法为：其中，n为光伏接入的场景数；然后通过节点间的电气距离dij构建电气距离矩阵。更加优选地，所述的步骤1-2具体为：将历史出力数据按取样频数离散成若干个小区间，每个区间所含的出力样本占总体样本的比重即为该区间的概率，并以每个功率区间均值点作为该区间的代表出力；选择的离散区间具体为：出力为零、出力小于60％额定容量和出力大于等于60％额定容量三个离散区间，考虑峰谷负荷变化，获得不同场景下的联合概率分布；然后使用快速前推法对场景进行缩减，最终获得缩减后场景的联合概率分布。更加优选地，所述的快速前推法对场景进行缩减的具体步骤为：全部场景为其中N为场景总数；首先计算任意场景和φj之间的欧氏距离，令场景序号的初始保留集合Φm(0)为空集，令场景序号的初始删除集合为Φn(0)；然后将场景概率与场景间距离相匹配，求取期望集合E(1)，选取x1＝argmin(E(1))，场景序号的删除集合更新为Φn(1)＝Φn(0)\{x1}，场景序号的保留集合更新为Φm(1)＝Φm(0)∪{x1}；其次，由上一步的递推计算E(i)和xi，场景序号的删除集合更新为Φn(i+1)＝Φn(i)\{xi}，场景序号的保留集合更新为Φm(i+1)＝Φm(i)∪{xi}；判断场景序号保留集合内的元素数量是否达到设定值，若是，则将保留集合场景序号所代表的所有场景叠加距离最近的场景概率，更新概率分布，获得缩减后场景的联合概率分布，否则，返回上一步骤继续进行迭代。优选地，所述的步骤2具体为：步骤2-1：使用蚁群层次聚类方法获得信息素及聚类质心，并通过最优路径目标函数获取最优聚类；步骤2-2：根据最优聚类选取分区的主导节点。更加优选地，所述的蚁群层次聚类方法具体为：步骤2-1-1：获取节点间电气距离，不同簇之间的距离采用最小距离dmin(ci,cj)，即其中，ci和cj分别为第i个簇和第j个簇；和分别为簇i和簇j内的某一节点；初始状态时，将每个节点视为一个簇，蚂蚁从节点i开始移动，计算与其他节点j的电气距离，并计算与节点j的可聚合概率Γij，Γij的计算方法为：其中，τij为蚂蚁寻找合适聚类节点路径上留下的信息素；dij为节点间的电气距离，α和β分别表示τij和dij的权重系数；步骤2-1-2：完成一次聚类后，更新信息素及聚类质心，更新过程具体为：τij(1)＝(1-ρ)τij(0)+ηΔτijΔτij＝d(xi,tj)-1其中，ρ为信息素的蒸发量；Δτij为每只蚂蚁爬到第j簇时留下的信息素；η为一只蚂蚁学习其他蚂蚁爬行的能力；tj为第j簇的聚类质心；xi为蚂蚁所经过的节点i的位置；d(xi,tj)为节点i与聚类中心tj的距离；步骤2-1-3：构建最优路径目标函数，并计算每次聚类时的最优路径目标函数的数值，所述的最优路径目标函数具体为：其中，s为蚂蚁寻优的路径数；步骤2-1-4：选取目标函数取最小值时的聚类作为最优聚类。更加优选地，所述的步骤2-2具体为：最优聚类形成后，选取与聚类质心电气距离最近的节点作为该分区的主导节点。优选地，所述的光伏集中式优化控制模型为双层优化控制模型；所述的光伏集中式优化控制模型的第一层具体为以主导节点电压偏差、有功功率出力、无功功率出力和有功网损为目标的单层集中式控制子模型；所述的光伏集中式优化控制模型的第二层具体为粒子群-极限学习机的离线学习训练子模型，用于拟合主导节点电压与光伏出力的关系。更加优选地，所述的单层集中式控制子模型的目标函数具体为：minF＝min(α*f1+β*f2+γ*f3)其中，f1为节点电压偏差子目标函数；f2为有功网损子目标函数；f3为光伏有功削减目标函数；α*、β*和γ*分别为f1、f2和f3的权重系数；所述的节点电压偏差子目标函数f1具体为：其中，oc为蚁群层次聚类后的主导节点的集合；Mv为电压偏差惩罚成本系数；Vo和Vo.ref为主导节点电压的量测值和基准值；所述的有功网损子目标函数f2具体为：f2＝min(Mloss·ΔPloss)其中，Mloss为系统网损的惩罚系数；ΔPloss为光伏出力作用前后系统总网损的改变量；Vi为第i个节点的电压值；Vi(0)为第i个节点电压的初始值；Gij为节点i和节点j之间的线路电导；N为系统的节点数；ΔPg和ΔQg分别为节点i注入有功功率和无功功率的改变量；所述的光伏有功削减目标函数f3具体为：其中，Mp和Mq分别为调节光伏有功和无功出力的经济系数本文档来自技高网...

【技术保护点】
1.一种基于数据驱动的光伏集中式优化控制方法，其特征在于，包括：/n步骤1：构建电气距离矩阵；/n步骤2：进行主导节点选择；/n步骤3：构建光伏集中式优化控制模型；/n步骤4：使用步骤3构建的光伏集中式优化控制模型对可控光伏进行调控。/n

【技术特征摘要】
1.一种基于数据驱动的光伏集中式优化控制方法，其特征在于，包括：
步骤1：构建电气距离矩阵；
步骤2：进行主导节点选择；
步骤3：构建光伏集中式优化控制模型；
步骤4：使用步骤3构建的光伏集中式优化控制模型对可控光伏进行调控。


2.根据权利要求1所述的一种基于数据驱动的光伏集中式优化控制方法，其特征在于，所述的步骤1具体为：
步骤1-1：获得节点间电气联系的电压灵敏度λij，具体为：



其中，Ui为节点i的电压；Pj为和Qj分别为节点j的有功功率和无功功率；α为无功功率引起电压增量与有功功率引起电压增量的比值；
步骤1-2：采用联合概率分布表征光伏出力波动，更新节点间电气联系指标更新后的电气联系指标具体为：
sij(k)＝λij(k)·pk
其中，λij(k)为第k个场景下节点i和j之间的电压灵敏度；pk为第k个场景下光伏接入相应的概率；sij(k)为相对电压灵敏度；
步骤1-3：获取电气距离矩阵，具体为：
首先计算节点间的电气距离：



其中，sij'为归一化后的电压灵敏度，具体计算方法为：



其中，n为光伏接入的场景数；
然后通过节点间的电气距离dij构建电气距离矩阵。


3.根据权利要求2所述的一种基于数据驱动的光伏集中式优化控制方法，其特征在于，所述的步骤1-2具体为：
将历史出力数据按取样频数离散成若干个小区间，每个区间所含的出力样本占总体样本的比重即为该区间的概率，并以每个功率区间均值点作为该区间的代表出力；
选择的离散区间具体为：出力为零、出力小于60％额定容量和出力大于等于60％额定容量三个离散区间，考虑峰谷负荷变化，获得不同场景下的联合概率分布；
然后使用快速前推法对场景进行缩减，最终获得缩减后场景的联合概率分布。


4.根据权利要求3所述的一种基于数据驱动的光伏集中式优化控制方法，其特征在于，所述的快速前推法对场景进行缩减的具体步骤为：
全部场景为其中N为场景总数；
首先计算任意场景和φj之间的欧氏距离，令场景序号的初始保留集合Φm(0)为空集，令场景序号的初始删除集合为Φn(0)；
然后将场景概率与场景间距离相匹配，求取期望集合E(1)，选取x1＝argmin(E(1))，场景序号的删除集合更新为Φn(1)＝Φn(0)\{x1}，场景序号的保留集合更新为Φm(1)＝Φm(0)∪{x1}；
其次，由上一步的递推计算E(i)和xi，场景序号的删除集合更新为Φn(i+1)＝Φn(i)\{xi}，场景序号的保留集合更新为Φm(i+1)＝Φm(i)∪{xi}；
判断场景序号保留集合内的元素数量是否达到设定值，若是，则将保留集合场景序号所代表的所有场景叠加距离最近的场景概率，更新概率分布，获得缩减后场景的联合概率分布，否则，返回上一步骤继续进行迭代。


5.根据权利要求1所述的一种基于数据驱动的光伏集中式优化控制方法，其特征在于，所述的步骤2具体为：
步骤2-1：使用蚁群层次聚类方法获得信息素及聚类质心，并通过最优路径目标函数获取最优聚类；
步骤2-2：根据最优聚类选取分区的主导节点。


6.根据权利要求5所述的一种基于数据驱动的光伏集中式优化控制方法，其特征在于，所述的蚁群层次聚类方法具体为：
步骤2-1-1：获取节点间电气距离，不同簇之间的距离采用最小距离dmin(ci,cj)，即






其中，ci和cj分别为第i个簇和第j个簇；和分别为簇i和簇j内的某一节点；
初始状态时，将每个节点视为一个簇，蚂蚁从节点i开始移动，计算与其他节点j的电气距离，并计算与节点j的可聚合概率Γij，Γij的计算方法为：



其中，τij为蚂蚁寻找合适聚类节点路径上留下的信息素；dij为节点间的电气距离，α和β分别表示τij和dij的权重系数；
步骤2-1-2：完成一次聚类后，更新信息素及聚类质心，更新过程具体为：
τij(1)＝(1-ρ)τij(0)+ηΔτij
Δτij＝d(xi,tj)-1



其中，ρ为信息素的蒸发量；Δτij为每只蚂蚁爬到第j簇时留下的信息素；η为一只蚂蚁学习其他蚂蚁爬行的能力；tj为第j簇的聚类质心；xi为蚂蚁所经过的节点i的位置；d(xi,tj)为节点i与聚类中心tj的距离；
步骤2-1-3：构建最优路径目标函数，并计算每次聚类时的最优路径目标函数的数值，所述的最优路径目标函数具体为：



其中，s为蚂蚁寻优的路径数；
步骤2-1-4：选取目标函数取最小值时的聚类作为最优聚类。


7.根据权利要求5所述的一种基于数据驱...

【专利技术属性】
技术研发人员：唐忠，史晨豪，戴尉阳，潘瑞媛，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：上海;31