一种基于最优潮流的微电网等值建模方法与流程

1.本发明属于电网建模领域，具体涉及一种基于最优潮流的微电网等值建模方法。


背景技术：

2.为了实现碳达峰和碳中和，未来会有越来越多的分布式能源（distributed generations，dgs）接入电网，然而风电和光伏的出力具有较强的随机性，安装的位置也呈现分散性，难以对风光等清洁能源进行集中消纳，鉴于此，微电网（micro
‑
grid)应运而生。
3.如图1所示，微电网内部通常由风力发电机、光伏发电机、负荷、分布式储能和可控机组组成，是将源、荷、储、控制单元连接在一起的系统，虽然其具有可靠性高、风光消纳率高和便于连接等优点，但微电网的个体能力有限，常常需要配电网对微电网进行功率和频率支撑。而由于微电网内部既具有不确定负荷，也具有储能和可控机组等调度资源，如何建立微电网的联络线等值模型对于配电网的日前调度和多微电网的协同运行具有重要的意义，也是目前需要解决的难题。


技术实现要素：

4.本发明的目的是克服现有技术存在的上述问题，提供一种适用于多微电网之间协同调控、微电网与配电网之间调度的基于功率谱密度的基于最优潮流的微电网等值建模方法。
5.为实现以上目的，本发明提供了以下技术方案：一种基于最优潮流的微电网等值建模方法，依次包括以下步骤：步骤a、根据微电网内负荷和电源的历史运行参数对下一日的负荷、风电和光伏出力进行预测；步骤b、先基于负荷、风电和光伏预测的误差建立源侧的不确定概率分布模型，然后利用蒙特卡洛方法对不确定概率分布模型进行多次抽样以生成微电网内的多种运行场景；步骤c、利用建立的微电网内潮流优化模型分别对生成的多种运行场景进行优化求解，得到各运行场景下微电网联络线上的潮流波动曲线；步骤d、先将各运行场景下微电网联络线上的潮流波动曲线进行数据拟合得到一条联络线功率波动曲线，然后将该波动曲线上下平移，使通过平移形成的运行区域覆盖99%以上的运行点，该波动曲线和运行区域的上下边界即为微电网的等值模型。
6.步骤b中，所述源侧的不确定概率分布模型为：步骤b中，所述源侧的不确定概率分布模型为：步骤b中，所述源侧的不确定概率分布模型为：
上式中，、、分别表示负荷、风电、光伏出力的预测误差服从正态分布，、、分别为负荷、风电、光伏出力的预测误差的标准差，为t时刻的负荷出力预测值，为负荷出力预测的误差比例，为风电出力预测的误差系数，、分别为风电、光伏出力预测的误差比例，、分别为t时刻的风电、光伏出力预测值，为风电的装机容量。
7.步骤c中，所述微电网内潮流优化模型以微电网的运行成本最低为目标函数：网内潮流优化模型以微电网的运行成本最低为目标函数：网内潮流优化模型以微电网的运行成本最低为目标函数：网内潮流优化模型以微电网的运行成本最低为目标函数：网内潮流优化模型以微电网的运行成本最低为目标函数：上式中，t为一日内的总时刻数，为相邻时刻的间隔时间，、分别为t时刻微电网向配电网购电、售电的单价，、分别为t时刻微电网向配电网购电、售电的功率，且，、分别为微电网内可控机组、储能电池的数量，、分别为t时刻第i个可控机组、第i个储能电池的出力功率，为t时刻第i个可控
机组的单位燃料成本，、分别为第i个可控机组等效的维护、环境成本，、分别为第i个储能电池的维护、折旧成本，为各可控机组的单位燃料成本二次曲线进行分段线性化后的分段线数量，为t时刻第i个可控机组的出力功率在第k个分段线上的取值，为第i个可控机组第k个分段线的斜率，为第i个可控机组第1个分段线上的最小单位燃料成本，为t时刻第i个可控机组的出力功率在第k个分段线的0
‑
1状态变量，若t时刻第i个可控机组的出力功率值位于第k个分段线区域，则=1，若不在，则=0，为第i个可控机组第k个分段线上的最小出力功率，为第i个可控机组第1个分段线上的最小出力功率。
8.所述微电网内潮流优化模型的约束条件包括：微电网的潮流平衡约束：上式中，、、分别为t时刻风电、光伏、负荷的有功功率；分布式电源出力约束：分布式电源出力约束：上式中，、分别为t时刻的风电、光伏出力预测值；储能电池约束：
上式中，、分别为t时刻第i个储能电池的放电、充电功率，、分别为第i个储能电池放电、充电功率的上限值，为t时刻第i个储能电池的放电、充电功率之和，、分别为t时刻第i个储能电池的储存能量和荷电量，为第i个储能电池的储存容量额定值，、分别为第i个储能电池充放电过程中荷电量的下限值、上限值，、分别为第i个储能电池日前时刻、日内最后一个时刻的荷电量，t为一日内的总时刻数，、分别为储能电池的放电、充电效率，、分别为t时刻第i个储能电池放、充电的0
‑
1状态变量，表示t时刻第i个储能电池放电，表示t时刻第i个储能电池充电，为充放电状态改变次数的上限值；可控机组出力约束：可控机组出力约束：上式中，、分别为第i个可控机组出力的下限、上限值，、分别为第i个可控机组的最大向下爬坡速率和最大向上爬坡速率；联络线功率容量约束：
上式中，为联络线能传输的最大有功功率，为t时刻联络线上流入微电网的功率。
9.步骤c中，所述优化求解是指微电网内潮流优化模型通过储能电池、可控机组和分时电价的进行调控，得到微电网联络线上的潮流波动曲线：上式中，为微电网内潮流优化模型，、、、、、分别为储能电池、可控机组、负荷出力、光伏出力、风电出力和分时电价模型。
10.所述步骤a利用arima模型对下一日负荷功率、风电和光伏出力进行预测，依次包括以下步骤：步骤a1、先获取微电网内的历史负荷出力数据、风速和光照强度数据，再利用arima模型分别对历史负荷出力数据、风速和光照强度数据依次进行阶差分，并对每次差分之后的数据进行adf检验：上式中，为t时刻的历史数据，为差分算子，为d阶差分后的数据，d为时间序列的差分阶数；步骤a2、在满足该序列99%的概率为平稳序列时停止差分，从而确定d值；步骤a3、通过赤池信息准则aic和贝叶斯信息准则bic确定预测模型中时间序列的滞后阶数p、预测模型误差的滞后阶数q；步骤a4、利用确定的d、p、q值构建预测模型：步骤a4、利用确定的d、p、q值构建预测模型：上式中，为t时刻的数据预测值，为自相关回归方程系数，为t时刻的点的白噪声，为移动回归方程系数；步骤a5、考察残差是否满足随机、正态分布检验，若是，则确定arima模型的d、p、q值，并获取数据预测值，若不是，则返回步骤a3；步骤a6、将风速和光照强度的预测值通过下列公式转换成风电、光伏出力：
上式中，、分别为t时刻风电、光伏的出力预测值，、分别为风电、光伏的装机容量，为环境风速，、、分别为风电的切入风速、额定风速和切出风速，、分别为自然条件下光照强度、光照强度最大值。
11.所述步骤d以时间作为输入层，以各运行场景下微电网联络线上的潮流波动曲线均值作为输出层，采用rbf神经网络进行拟合，其中，rbf神经网络拟合的输出层数据为：rbf神经网络拟合的输出层数据为：上式中，y为拟合的输出数据，为隐含层到输出层的权值，h为隐含层的节点数，为方差，为高斯函数中心，x为输入层数据即时间，为欧几里得范数，p为输入层的样本总数，d为样本的期望输出。
12.与现有技术相比，本发明的有益效果为：1、本发明一种基于最优潮流的微电网等值建模方法先根据微电网内负荷和电源的历史运行参数对下一日的负荷、风电和光伏出力进行预测，再基于预测误差建立源侧的不确定概率分布模型，并利用蒙特卡洛方法对不确定概率分布模型进行多次抽样以生成微电网内的多种运行场景，然后利用建立的微电网内潮流优化模型分别对生成的多种运行场景进行优化求解，得到各运行场景下微电网联络线上的潮流波动曲线，接着将各潮流波动曲线进行数据拟合得到一条联络线波动曲线，最后上下平移该波动曲线，使通过平移形成的运行区域覆盖99%以上的运行点，该波动曲线和运行区域的上下边界即为微电网的等值模型，该方法将微电网等效成一个负荷区间，便于上层配电网的日前功率分配与调度，从而适用于多微电网之间的协同调控、微电网与配电网之间的调度、微电网的日前
‑
日内经济性优化等。
13.2、本发明一种基于最优潮流的微电网等值建模方法利用分段线性化方法将可控机组单位燃料成本的二阶计算模型转换为线性模型，并引入0
‑
1状态变量将储能电池的数学模型转换为线性模型，从而使微电网内潮流优化模型属于混合整数线性规划模型，利用
matlab自带的求解器即可求解，该设计不仅能够有效提高微电网内潮流优化模型求解效率，而且还能保证获得全局最优解。
14.3、本发明一种基于最优潮流的微电网等值建模方法利用arima模型对下一日负荷功率、风电和光伏出力进行预测，该模型考虑了时间序列中不同时刻数据的自相关性和不同时刻预测的误差性，与移动平均法、灰色预测模型、神经网络预测模型和混沌时间序列模型等常规预测模型相比，具有模型简单、需要的原始数据少、预测误差小的优势。
附图说明
15.图1为微电网的结构示意图。
16.图2为本发明的流程图。
17.图3为arima模型预测流程图。
18.图4为实施例1中采用arima模型预测得到的未来一天风光荷波动情况。
19.图5为可控机组费用二阶数学模型的分段线性化示意图。
20.图6为微电网等值模型示意图。
21.图7为rbf神经网络结构示意图。
22.图8为实施例1拟合得到的微电网等值模型。
具体实施方式
23.下面结合附图以及具体实施方式对本发明作进一步的说明。
24.本发明所述、、可以根据文献的参考进行取值，也可以依据arima模型预测数据的平均误差进行确定。
25.在上述模型中，光伏出力模型、风电出力模型、负荷出力模型由前述预测数据 预测误差得到，分时电价模型由上级电网给定，储能电池模型、可控机组模型即为储能电池和可控机组约束模型。
26.由于无法直接利用数学公式描述，它既会受到储能、分时电价等的影响，也会受目标函数影响，本发明利用蒙特卡洛对风光荷的不确定概率分布模型进行抽样生成场景，再通过求解微电网内潮流优化模型得到优化后的联络线潮流波动曲线。
27.本发明采用rbf神经网络对各运行场景下微电网联络线上的潮流波动曲线进行数据模拟，具有较佳的拟合效果。
28.实施例1：参见图2，一种基于最优潮流的微电网等值建模方法，该方法以图1所示微电网（含有100%新能源分布式发电，风光荷的额定容量分别为450kw、650kw和750kw，可控机组的额定容量为250kw，储能的额定容量和额定功率为300kwh和100kw）为对象，依次按照以下步骤进行：1、参见图3，先获取微电网内的历史负荷出力数据、风速和光照强度数据，再利用arima模型分别对历史负荷出力数据、风速和光照强度数据依次进行阶差分，并
对每次差分之后的数据进行adf检验来判断序列是否平稳：上式中，为t时刻的历史数据，为差分算子，为d阶差分后的数据，d为时间序列的差分阶数；2、在满足该序列99%的概率为平稳序列时停止差分，从而确定d值；3、通过赤池信息准则aic和贝叶斯信息准则bic确定预测模型中时间序列的滞后阶数p、预测模型误差的滞后阶数q：阶数p、预测模型误差的滞后阶数q：上式中，k为模型参数个数，l为似然函数，n为样本数量，rss为残差平方和；4、利用确定的d、p、q值构建预测模型：4、利用确定的d、p、q值构建预测模型：上式中，为t时刻的数据预测值，为自相关回归方程系数，为t时刻的点的白噪声，为移动回归方程系数；5、考察残差是否满足随机、正态分布检验，若是，则确定arima模型的d、p、q值，并获取数据预测值，若不是，则返回步骤3；6、将风速和光照强度的预测值通过下列公式转换成风电、光伏出力：6、将风速和光照强度的预测值通过下列公式转换成风电、光伏出力：上式中，、分别为t时刻风电、光伏的出力预测值，、分别为风电、光伏的装机容量，为环境风速，、、分别为风电的切入风速、额定风速和切出风速，、分别为自然条件下光照强度、光照强度最大值；本实施例预测得到的未来一天风光荷波动情况如图4所示；
7、建立负荷、风电和光伏的不确定概率分布模型：7、建立负荷、风电和光伏的不确定概率分布模型：7、建立负荷、风电和光伏的不确定概率分布模型：7、建立负荷、风电和光伏的不确定概率分布模型：7、建立负荷、风电和光伏的不确定概率分布模型：7、建立负荷、风电和光伏的不确定概率分布模型：上式中，、、分别表示负荷、风电、光伏出力的预测误差服从正态分布，、、分别为负荷、风电、光伏出力的预测误差的标准差，为t时刻的负荷出力预测值，为负荷出力预测的误差比例，为风电出力预测的误差系数，、分别为风电、光伏出力预测的误差比例，、分别为t时刻的风电、光伏出力预测值，为风电的装机容量；在本实施例中，风光荷的预测误差比例分别是8%、6%和5%；8、利用蒙特卡洛方法对不确定概率分布模型进行1000次抽样以生成微电网内的多种运行场景；9、构建以微电网的运行成本最低为目标函数、具有微电网的潮流平衡约束、分布式电源出力约束、储能电池约束、可控机组出力约束以及联络线功率容量约束的微电网内潮流优化模型：潮流优化模型：潮流优化模型：
上式中，t为一日内的总时刻数，为相邻时刻的间隔时间，、分别为t时刻微电网向配电网购电、售电的单价，、分别为t时刻微电网向配电网购电、售电的功率，且，、分别为微电网内可控机组、储能电池的数量，、分别为t时刻第i个可控机组、第i个储能电池的出力功率，为t时刻第i个可控机组的单位燃料成本，、分别为第i个可控机组等效的维护、环境成本，、分别为第i个储能电池的维护、折旧成本，为各可控机组的单位燃料成本二次曲线进行分段线性化后的分段线数量（参见图5），为t时刻第i个可控机组的出力功率在第k个分段线上的取值，为第i个可控机组第k个分段线的斜率，为第i个可控机组第1个分段线上的最小单位燃料成本，为t时刻第i个可控机组的出力功率在第k个分段线的0
‑
1状态变量，若t时刻第i个可控机组的出力功率值位于第k个分段线区域，则=1，若不在，则=0，为第i个可控机组第k个分段线上的最小出力功率，，为第i个可控机组第1个分段线上的最小出力功率，、、分别为t时刻风电、光伏、负荷的有功功率，、分别为t时刻的风电、光伏出力预测值，、分别为t时刻第i个储能电池的放电、充电功率，、分别为第i个储能电池放电、充电功率的上限值，为t时刻第i个储能电池的放电、充电功率之和，、分别为t时刻第i个储能电池的储存能量和荷电量，为第i个储能电池的储存容量额定值，、分别为第i个储能电池充放电过程中荷电量的下限值、上限值，为相邻时刻的间隔时间，、分别为第i个储能电池日前时刻、日内最后一个时刻的荷电量，、分别为储能电池的放电、充电效率，、分别为t时刻第i个储能电池的放电、充电0
‑
1状态变量，表示t时刻第i个储能电池放电，表示t时刻第i个储能电池充电，为充放电状态改变次数的上限值，、分别为第i个可控机组出力的下限、上限值，、分别为第i个可控机
组的最大向下爬坡速率和最大向上爬坡速率，为联络线能传输的最大有功功率，为t时刻联络线上流入微电网的功率；10、参见图6，基于建立的微电网内潮流优化模型通过储能、可控机组和分时电价分别对生成的多种运行场景进行调控优化，得到各运行场景下微电网联络线上的功率波动曲线：上式中，为微电网内潮流优化模型，、、、、、分别为储能电池、电价、可控机组、光伏出力、风电出力和负荷出力模型；11、参见图7，以时间作为输入层，以各运行场景下微电网联络线上的功率波动曲线均值作为输出层，采用rbf神经网络进行拟合，得到一条联络线功率波动曲线，其中，隐含层的激活函数为：rbf神经网络拟合的输出层数据为：高斯径向基函数的方差为：上式中，y为拟合的输出数据，为隐含层到输出层的权值，h为隐含层的节点数，为方差，为高斯函数中心，x为输入层数据即时间，为欧几里得范数，p为输入层的样本总数，d为样本的期望输出；12、将得到的波动曲线上下平移，使通过平移形成的运行区域覆盖99%以上的运行点，该波动曲线和运行区域的上下边界即为微电网的等值模型，结果参见图8。