【技术实现步骤摘要】
本专利技术专利属于配电网规划，更具体地，涉及一种计及不确定性的分布式光伏接纳能力量化评估方法、系统及设备，用于高渗透率分布式新能源接入的配用电系统的接入能力评估及分析。
技术介绍
1、随着新型电力系统构建，大量新能源和新型电力负荷接入配电系统，配电网从无源配电网转变为有源配电网。随着整县屋顶光伏等相关政策的持续推进，新能源渗透率逐步提升，大规模分布式光伏并网已经给部分配电网带来了巨大的挑战，个别地区甚至出现了电压越限、潮流越限及潮流向上一级电网倒送等一系列问题。因此，在配电网规划阶段如何考虑分布式电源和负荷的不确定性，在满足相关技术指标的前提下，定量评估区域配电网接纳分布式新能源的能力，指导区域配电网的规划和改造提供技术依据。
2、传统的配电网接纳能力评估方法是主要基于负荷和分布式光伏的极端场景进行潮流计算，计算出满足运行约束的光伏接纳能力，评估结果偏保守，影响分布式光伏的有效接入和配电网经济性。
技术实现思路
1、本专利技术提供了一种计及不确定性的分布式光伏接纳能力量化评估方法、系统及设备，解决分布式光伏接入配电网的准入容量定量评估问题。针对当前确定性方法较为保守的问题，本专利技术以月为时段，基于不确定性方法综合考虑时段内各种典型场景的出现概率，通过改进k-means均值聚类聚合类簇，通过基于kantorovich距离的sbr同步回代场景消除算法对类簇进行场景缩减，得到各种典型场景及其概率。并对电压约束进行松弛，以分布式光伏最大接入量为目标，建立了目标函数、潮流计算等
2、本专利技术所采用技术方式是：本专利技术的第一方面提供了计及不确定性的分布式光伏接纳能力量化评估方法，包括以下步骤：
3、步骤1，获取待评估区域配电网结构，获取待评估区域总负荷、单位容量分布式光伏有功出力历史数据，按照不同时段、特征划分历史数据，形成历史样本集；
4、步骤2，针对步骤1形成的历史样本集，基于k-means聚类后，结合使用sbr算法，将每个类簇进行场景缩减，得到每个时段负荷、分布式光伏典型出力场景及概率；进而构建未来同时段负荷、分布式光伏联合场景集合，计算每个联合场景各时刻负荷节点、分布式光伏节点功率及联合场景概率；
5、步骤3，建立计及不确定性的分布式光伏接纳能力量化评估模型，包括：分布式光伏最大接入量目标函数和约束条件；
6、步骤4，在步骤3获得的配电网分布式光伏接纳能力量化评估模型基础上，优化求解基于源荷不确定场景的分布式光伏最大接纳能力。
7、优选地，步骤1包括：
8、步骤1.1，根据待评估区域配电网拓扑、配变容量、线路阻抗信息形成配电网拓扑结构；获得配电区域负荷节点分布情况和分布式光伏节点分布情况；
9、步骤1.2，获取该待评估区域近几年负荷历史日有功出力曲线数据；获取该待评估区域近几年分布式光伏单位安装容量的日有功出力曲线；
10、步骤1.3，对负荷、分布式光伏历史有功出力曲线划分时段，针对每个时段负荷按照工作日、双休日和节假日特征划分，得到3种特征的负荷历史样本集；
11、针对每个时段分布式光伏按照晴、阴、多云、雨/雪天气特征划分，得到每个时段4种特征的多个光伏历史样本集。
12、优选地，步骤2包括：
13、采用基于改进k-means聚类算法将负荷、分布式光伏历史样本集出力数据分成不同类簇，进一步采用基于kantorovich距离的sbr算法对每个改进k-means聚类算法得到的类簇进行场景缩减，共形成该时段的nd个典型负荷场景和npv个分布式光伏典型场景，得到每个典型场景的负荷日有功出力曲线及出现概率和分布式光伏典型场景单位容量日有功出力曲线及出现概率，进而形成nd*npv个联合场景样本集合，结合各典型场景出现概率计算联合场景的联合概率。
14、优选地，采用基于改进k-means聚类算法将负荷、分布式光伏历史样本集出力数据分成不同类簇包括：
15、步骤a1：输入n个原始场景集合c＝{s1,s2,…,sn}；
16、步骤a2：计算原始场景集合c内的所有场景之间的欧式距离d(si,sj)，并保存至距离分布矩阵dn*n；其中，场景i与场景j之间的欧式距离如下所示：
17、
18、距离分布式矩阵如下所示：
19、dn*n＝{d(si,sj)|1≤i,j≤n} (2)
20、式中：
21、si、sj分别表示场景i、场景j，为原始场景集合c中的点；
22、t表示每个场景的采样点数量；
23、dn*n表示距离分布矩阵，为对角线元素为0的对称矩阵；
24、步骤a3：基于分布密度获取第一个初始聚类中心；
25、对距离分布矩阵dn*n每一行的欧式距离进行从小到大排序，形成该场景集合的距离数组dm；距离数组第m列的最小值min(dm)代表了密度最大的场景，表征与场景si距离最近的m个场景距离的最大值，为最大最小距离，取si作为初始聚类中心v1；
26、步骤a4：基于最大最小距离原则获取其余初始聚类中心；从原始场景集合c中找出与v1欧式距离最大的场景作为第二个初始聚类中心v2；
27、计算未被选作初始聚类中心的场景sj与v1、v2的欧式距离，并找到与两个聚类中心最小距离的最大值lj，则对应场景sj即为第三个初始聚类中心v3；
28、依次类推，若已有k-1个初始聚类中心，计算未被选作初始聚类中心的场景sr，与各初始聚类中心的欧式距离，并找到sr与各初始聚类中心最小距离的最大值lr,其对应的场景sr即为第k个初始聚类中心vk，lr表示如下：
29、lr＝max(min(d(sr,v1),d(sr,v2),...d(sr,vk-1))) (3)
30、将所有场景按最小距离分配到各个类簇，将原始场景集合c中的所有场景按最小欧式距离的原则为分到各个类簇中，初始聚类中心选择完毕；
31、步骤a5：将分好类簇的场景均值作为新的聚类中心，以场景均值对聚类中心进行迭代，判断是否为最佳聚类中心，输出聚类的各个类簇。
32、优选地，采用基于kantorovich距离的sbr对每个改进k-means聚类算法得到的类簇进行场景缩减，得到负荷、分布式光伏典型出力场景及概率，包括：
33、步骤b1，输入经改进k-means聚类算法得到的类簇ci，包含n个场景，计算每个原始场景概率为1/n；
34、步骤b2，计算两两场景之间的概率距离，从ci找到场景s′v放入删除场景c′i，满足与原始场景集合内所有场景kantorvich距离最小，使得剔除场景后的保留场景集与原始场景集最为接近本文档来自技高网...
【技术保护点】
1.计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
3.根据权利要求2所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
4.根据权利要求3所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
5.根据权利要求4所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
6.根据权利要求4或5所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
7.根据权利要求6所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
8.根据权利要求7所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
9.根据权利要求7所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
10.根据权利要求9所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
11.根据权利要求4或5所述的计及
12.一种计及不确定性的分布式光伏接纳能力量化评估系统，运行如权利要求1-11中任一项所述的配电网分布式光伏接纳能力量化评估方法，其特征在于，包括：
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-11任一项所述的计及不确定性的分布式光伏接纳能力量化评估方法。
14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1-11任一项所述的计及不确定性的分布式光伏接纳能力量化评估方法。
...【技术特征摘要】
1.计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
3.根据权利要求2所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
4.根据权利要求3所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
5.根据权利要求4所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
6.根据权利要求4或5所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
7.根据权利要求6所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
8.根据权利要求7所述的计及不确定性的分布式光伏接纳能力量化评估方法，其特征在于：
9.根据权利要求7所述的计及不确定性的分布式光伏接纳能...
【专利技术属性】
技术研发人员：梁锋，徐泰山，倪建富，杜迅，杜建成，黄华，朱金大，俞拙非，丁杰，陆进军，王丙文，陈永华，熊剑，许金宇，李琦，刘俊，陈卉，
申请(专利权)人：国电南瑞科技股份有限公司，
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。