本发明专利技术公开了一种基于长期预测模型计及分布式发电的概率潮流计算方法，将往年负荷历史数据进行归一化处理，输入改进Elman神经网络中，预测负荷增长趋势曲线；将光伏装机容量历史数据结合光伏饱和年装机容量约束、投资回报率约束、光伏发电成本约束预测光伏装机容量发展曲线；根据负荷增长趋势曲线逐年建立负荷概率模型，形成负荷概率模型发展曲线；根据光伏装机容量发展曲线逐年建立光伏概率模型，形成光伏概率模型发展曲线；通过半不变量概率潮流计算方法，进行概率潮流计算，得到配电网电压及网损概率分布发展曲线。该方法解决现有概率潮流算法并未考虑负荷及光伏的快速增长对配电网带来的电能质量问题。
【技术实现步骤摘要】
本专利技术涉及电力系统配电网潮流计算，具体地，涉及一种基于长期预测模型计及分布式发电的概率潮流计算方法。
技术介绍
1、为了应对资源枯竭和环境问题、减少温室气体排放以及推动清洁能源发展，许多分布式电源、柔性负荷、储能设备和无功补偿设备开始接入配电网。这使传统配电网逐渐演化为具备多个可控资源的有源配电系统。然而，分布式光伏等出力具有明显的不确定性和间歇性特点，大量无序并网的分布式电源给配电网的电压、功率因数和潮流带来了波动。
2、高渗透率的分布式光伏(distributed photovoltaic，dpv)接入使得配电网中的潮流方向受影响，dpv的概率化出力可能使线路网损增大，部分节点出现电压抬高甚至越限的情况，配电网整体电能质量合格率有所下降。传统的概率潮流算法，仅仅根据现有的整体配电情况进行计算，并未考虑当下负荷及光伏装机容量的快速增长。若能提前预测配电网的发展趋势，预测在配电网发展下的电能质量发展趋势，便能更好的提早进行调整与规划，以降低dpv接入带来的一系列电能质量问题。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提供了一种基于长期预测模型计及分布式发电的概率潮流计算方法，以解决现有概率潮流算法并未考虑负荷及光伏的快速增长，无法准确的评估分布式电源快速发展对配网带来的电能质量问题，尤其是网损和电压越限问题。
2、为实现上述技术目的，本专利技术采用如下技术方案：一种基于长期预测模型计及分布式发电的概率潮流计算方法，具体包括如下步骤：
3、步骤1、获取配电网往年负荷历史数据、光伏装机容量历史数据以及配电网所在位置和配电网所在区域面积；
4、步骤2、将往年负荷历史数据进行归一化处理，输入改进elman神经网络中，预测负荷功率，按照预测的负荷功率变化趋势形成负荷增长趋势曲线；将光伏装机容量历史数据结合光伏饱和年装机容量约束、投资回报率约束、光伏发电成本约束预测动力学模型预测光伏装机容量，按照预测的光伏装机容量变化趋势形成光伏装机容量发展曲线；
5、步骤3、根据负荷增长趋势曲线逐年建立负荷概率模型，形成负荷概率模型发展曲线；根据光伏装机容量发展曲线逐年建立光伏概率模型，形成光伏概率模型发展曲线；
6、步骤4、根据负荷概率模型发展曲线和光伏概率模型发展曲线逐年通过半不变量概率潮流计算方法，进行概率潮流计算，得到配电网电压及网损概率分布发展曲线。
7、进一步地，所述改进elman神经网络在elman神经网络上新增一路输入层、隐含层和承接层，新增的输入层的输出端与新增的隐含层的输入端连接，所述新增的隐含层的输出层与elman神经网络中输出层的输入端连接，所述输出层的输出端通过新增的承接层与新增的隐含层的输入端连接。
8、进一步地，步骤2中负荷功率的预测过程具体为：
9、步骤211、将往年负荷历史数据进行归一化处理，输入改进elman神经网络的输入层中；所述往年负荷历史数据进行归一化处理的过程为：
10、
11、其中，xmax、xmin分别是往年负荷历史数据中的最大值、最小值，xi为第i个往年负荷历史数据，yi为第i个往年负荷历史数据归一化后的值；
12、步骤212、输入层将归一化处理的往年负荷历史数据传输给对应的隐含层，通过隐含层函数得到对应隐含层的输出；
13、步骤213、将新增的隐含层的输出以及elman神经网络中隐含层的输出共同通过输出层函数输入输出层中，同时，elman神经网络中隐含层的输出还通过elman神经网络的承接层返回至elman神经网络的隐含层；输出层的输出还通过新增的承接层返回至新增的隐含层中；通过反馈调节，预测出负荷功率；
14、所述输出层预测出的负荷功率y(k)＝g(w3x(k)+w6z(k))，其中，g()表示elman神经网络输出层函数，x(k)表示k时刻elman神经网络中隐含层的输出，x(k)＝f(w1xc(k)+w2u(k-1))，f()为隐含层函数，xc(k)为k时刻elman神经网络中承接层的输出，xc(k)＝τxc(k-1)+x(k-1)，τ为elman神经网络中承接层的自连接反馈增益因子，u(k)为k时刻elman神经网络中输入层的输入，w1为elman神经网络中承接层与隐含层的连接权值，w2为elman神经网络中输入层与隐含层的连接权值，w3为elman神经网络中隐含层与输出层的连接权值；z(k)表示k时刻新增的隐含层的输出，z(k)＝f(w4yc(k)+w5v(k-1))，yc(k)为k时刻新增的承接层的输出，yc(k)＝ξyc(k-1)+y(k-1))，ξ表示新增的承接层的自连接反馈增益因子，v(k)为k时刻新增的输入层的输入，w4为新增的承接层与新增的隐含层的连接权值，w5为新增的输入层与新增的隐含层的连接权值。
15、进一步地，步骤2中光伏饱和年装机容量约束具体为：根据配电网所在位置和配电网所在区域面积将配电网所在区域划分成居住用地、非工非经营性商业用地和工业用地，确定每一类用地的光伏可安装面积fpvaj＝kpvajsj，根据每一类用地的光伏可安装面积，得到区域光伏饱和年装机容量其中，ηj表示第j类用地的光伏转换效率，kpvaj表示第j类用地可按装光伏面积比例。
16、进一步地，步骤3中负荷概率模型的建立过程为：
17、
18、其中，s表示负荷增长趋势曲线上的预测负荷功率，μs和σs分别表示s的期望和标准差。
19、进一步地，步骤3中光伏概率模型的建立过程为：
20、f(ppv)＝f(l)·ppv
21、其中，ppv表示光伏装机容量发展曲线上的预测光伏装机容量，f(l)表示太阳辐照度的概率密度函数，l表示统计时段内的太阳辐照度，lmax表示统计时段内的最大太阳辐照度，γ表示gamma函数，α、β分别表示太阳辐照度beta分布的两个形状参数，μ表示太阳辐照度的期望，δ2表示太阳辐照度的方差。
22、进一步地，步骤4包括如下子步骤：
23、步骤401、根据负荷概率模型发展曲线预测的负荷功率得到负荷功率的期望，根据光伏概率模型发展曲线预测的光伏功率得到光伏功率的期望，将负荷功率的期望、光伏功率的期望结合配电网的支路参数、发电机数通过确定性潮流计算方法给出潮流分布，并得到灵敏度矩阵s0、t0；
24、步骤402、分别计算负荷功率和光伏功率的各阶半不变量，将负荷功率的各阶半不变量和光伏功率的各阶半不变量相加，得到节点注入功率的各阶半不变量δs(k)，求得节点电压的各阶半不变量δx(k)和支路潮流的各阶半不变量δz：
25、δx(k)＝s0(k)·δs(k)
26、δz(k)＝t0(k)·δs(k)
27、其中，s0(k)、t0(k)分别为灵敏度矩阵s0、t0中元素的k次幂所构成的矩阵；
28、步骤403、对节点电压的各阶半不变量δx(k)和支路潮本文档来自技高网
...
【技术保护点】
1.一种基于长期预测模型计及分布式发电的概率潮流计算方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于长期预测模型计及分布式发电的概率潮流计算方法，其特征在于，所述改进Elman神经网络在Elman神经网络上新增一路输入层、隐含层和承接层，新增的输入层的输出端与新增的隐含层的输入端连接，所述新增的隐含层的输出层与Elman神经网络中输出层的输入端连接，所述输出层的输出端通过新增的承接层与新增的隐含层的输入端连接。
3.根据权利要求2所述的一种基于长期预测模型计及分布式发电的概率潮流计算方法，其特征在于，步骤2中负荷功率的预测过程具体为：
4.根据权利要求1所述的一种基于长期预测模型计及分布式发电的概率潮流计算方法，其特征在于，步骤2中光伏饱和年装机容量约束具体为：根据配电网所在位置和配电网所在区域面积将配电网所在区域划分成居住用地、非工非经营性商业用地和工业用地，确定每一类用地的光伏可安装面积fpvaj＝kpvajSj，根据每一类用地的光伏可安装面积，得到区域光伏饱和年装机容量其中，ηj表示第j类用地的光伏转换效率，kpvaj表示第j类用地可按装光伏面积比例。
5.根据权利要求3所述的一种基于长期预测模型计及分布式发电的概率潮流计算方法，其特征在于，步骤3中负荷概率模型的建立过程为：
6.根据权利要求4所述的一种基于长期预测模型计及分布式发电的概率潮流计算方法，其特征在于，步骤3中光伏概率模型的建立过程为：
7.根据权利要求1所述的一种基于长期预测模型计及分布式发电的概率潮流计算方法，其特征在于，步骤4包括如下子步骤：
8.根据权利要求7所述的一种基于长期预测模型计及分布式发电的概率潮流计算方法，其特征在于，步骤402中负荷功率的各阶半不变量的计算过程为：
9.根据权利要求7所述的一种基于长期预测模型计及分布式发电的概率潮流计算方法，其特征在于，步骤402中光伏功率的各阶半不变量的计算过程为：
...
【技术特征摘要】
1.一种基于长期预测模型计及分布式发电的概率潮流计算方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于长期预测模型计及分布式发电的概率潮流计算方法，其特征在于，所述改进elman神经网络在elman神经网络上新增一路输入层、隐含层和承接层，新增的输入层的输出端与新增的隐含层的输入端连接，所述新增的隐含层的输出层与elman神经网络中输出层的输入端连接，所述输出层的输出端通过新增的承接层与新增的隐含层的输入端连接。
3.根据权利要求2所述的一种基于长期预测模型计及分布式发电的概率潮流计算方法，其特征在于，步骤2中负荷功率的预测过程具体为：
4.根据权利要求1所述的一种基于长期预测模型计及分布式发电的概率潮流计算方法，其特征在于，步骤2中光伏饱和年装机容量约束具体为：根据配电网所在位置和配电网所在区域面积将配电网所在区域划分成居住用地、非工非经营性商业用地和工业用地，确定每一类用地的光伏可安装面积fpva...
【专利技术属性】
技术研发人员：杜嘉诚，史明明，李斌，倪俊贤，姜锋，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。