一种协同县域分布式光伏消纳的储能分层规划配置方法与流程

本发明属于分布式光伏储能，尤其是一种协同县域分布式光伏消纳的储能分层规划配置方法。

背景技术：

1、随着全球对可再生能源的持续关注与积极推动，分布式光伏作为其中的重要一环，逐渐在县域范围内得到大规模部署然而，光伏发电本身具有波动大、不稳定的特点。在日照充足时，光伏发电的输出功率可以达到峰值，而在夜晚或阴天，其输出功率则可能接近于零。这种不稳定性随着县域分布式光伏装机容量的增加，将对配电网产生更大的挑战。特别是当光伏发电全部上网时，它会给配电网带来额外的调峰压力，可能导致电压波动、频率偏移等问题，进而对电网的稳定运行构成威胁。为了解决这一问题，储能系统的引入变得至关重要。储能系统可以在光伏发电高峰时存储电能，在光伏发电低谷时释放电能，从而起到平滑输出、稳定电网的作用。同时，储能系统还可以与配电网进行协同规划，根据县域屋顶光伏和负荷状况，进行最优化的配置。因此需要能够减少配电网调峰压力、提升县域分布式光伏布局效益的分布式光储协同规划方法。

技术实现思路

1、本发明的目的是解决现有技术中因为不稳定的光伏发电接入电网导致配电网光伏消纳能力低的问题，提供一种协同县域分布式光伏消纳的储能分层规划配置方法，通过自定义距离度量的k-means算法对县域内的分布式光伏和负载进行区域划分，然后基于线损、净负荷方差和储能运行成本最小建立安置节点目标函数，基于得到的安置节点目标函数通过nsga-ii目标优化算法进行优化确定分布式储能在区域内的最佳安置节点，通过使用自定义距离度量的k-means算法考虑光伏和负荷状况进行区域划分，进一步进行安置节点的优化选取，能够减少配电网调峰压力，优化县域储能布局、减少光伏发电波动性对配电网的影响，提升配电网的分布式光伏消纳能力，进一步提高了县域分布式光伏的布局效益。

2、为了实现上述目的，本发明采用以下技术方案：

3、一种协同县域分布式光伏消纳的储能分层规划配置方法，包括如下步骤：

4、s1、通过自定义距离度量的k-means算法对县域内的分布式光伏和用户负荷进行区域划分；s2、以线损最小、净负荷方差最小和储能运行成本最小为优化目标建立安置节点目标函数；s3、基于nsga-ii目标优化算法考虑配电网的约束条件对所述安置节点目标函数进行优化，确定分布式储能在区域内的最佳安置节点。

5、上述技术方案中，通过自定义距离度量的k-means算法对县域内的分布式光伏和负载进行区域划分，考虑了光伏和负荷状况，能够便于县域光伏模块化规划设置，减少后续线损矩阵的计算量及光伏发电波动性对配电网的影响，提升了配电网的分布式光伏消纳能力；通过自定义距离度量加入了数据点对簇净负荷方差影响因素，有利于区域划分时减少区域内的净负荷方差，减少了光伏发电波动性对配电网的影响；通过线损最小、净负荷方差最小和储能运行成本最小建立安置节点目标函数，基于nsga-ii目标优化算法考虑约束条件对安置节点目标函数进行优化，确定分布式储能的最佳安置节点，实现了分布式储能定容选址，县域分布式光储协同规划，能够确定分布式储能的容量以及最优计入位置，减少了配电网调峰压力，提升县域配电网光伏利用利用率，进一步提高了分布式光伏布局效益。

6、优选的，所述s1包括如下步骤：

7、s11、获取县域所有光伏发电和负载数据的数据集；

8、s12、基于所述光伏发电和负载数据的数据集建立区域划分目标函数；

9、s13、计算自定义距离度量，基于所述自定义距离度量和区域划分目标函数确确定最终区域划分结果。

10、上述技术方案中，基于光伏发电和负载数据建立区域划分目标函数，确保区域划分不仅基于地理位置，还考虑光伏发电和负载的特性；通过自定义距离度量和区域划分目标函数进行区域划分，能够更准确地衡量不同区域之间的相似性和差异性，有助于避免简单的地理划分，而是基于数据特征进行更精细的区域划分。

11、优选的，所述s13包括如下步骤：

12、s131、根据配电网的主要支路的分布和数量确定簇的数量；

13、s132、确定各簇对应的簇净负荷方差，将所述簇净负荷方差进行加权后与欧式距离相加，得到自定义距离度量；

14、s133、将每个簇的中心点放置在配电网主要支路覆盖区域的中心地理坐标上，进行中心点初始化；

15、s134、根据所述自定义距离度量动态调整数据点到簇的分配，对区域划分目标函数进行优化确定区域划分结果；

16、s135、选择具有最小簇净负荷方差的区域划分结果作为最终区域划分结果。

17、上述技术方案中，通过结合配电网主要支路的分布和数量来确定簇的数量，能够确保划分的区域与配电网的结构紧密相关，从而提高区域划分的准确性；通过自定义距离度量不仅考虑了传统的地理距离，还融入了簇净负荷方差这一电气特性，使得区域划分既符合地理上的连续性，也考虑了电气负荷的平衡；通过将每个簇的中心点放置在配电网主要支路覆盖区域的中心地理坐标上，初始化了中心点位置，使得后续的区域划分更加合理，减少了迭代次数和计算量；通过动态调整机制允许数据点在迭代过程中根据自定义距离度量重新分配簇，从而不断优化区域划分结果，使得算法更加灵活，能够应对复杂的数据分布；通过选择具有最小簇净负荷方差的区域划分结果作为最终划分结果，确保了划分后的各区域在电气负荷上更加均衡，有助于提高整个系统的运行效率。

18、优选的，所述s134包括如下步骤：

19、s1341、计算每个数据点与每个簇中心的度量距离，将数据点分配给度量距离最小的簇；

20、s1342、重新计算每个簇的簇净负荷方差，并将每个簇的中心点更新为对应簇成员数据点的平均值；

21、s1343、迭代执行s1341-s1342，判断簇分配是否不再改变或达到最大迭代簇数，若是，则基于重新计算得到的簇净负荷方差及更新后的每个簇的中心点对区域划分目标函数进行优化确定区域划分结果，执行s2；否则执行s135。

22、上述技术方案中，通过计算每个数据点与每个簇中心的度量距离，并将数据点分配给度量距离最小的簇，确保了每个数据点都被分配到最合适的簇中，随着迭代的进行，簇的分配会逐渐稳定，提高了算法的收敛速度和准确性；通过将每个簇的中心点更新为对应簇成员数据点的平均值，使得簇中心能够随着数据点的变化而调整，从而更准确地反映簇的整体特性；通过持续调整簇的分配和中心点位置，直到簇分配不再改变或达到最大迭代簇数，这样的迭代过程有助于避免算法陷入局部最优解，提高了区域划分的全局优化能力；在每次迭代结束后，基于重新计算得到的簇净负荷方差及更新后的每个簇的中心点对区域划分目标函数进行优化，确保了最终得到的区域划分结果既符合数据点的分布特性，又能够最小化净负荷方差，提高了区域划分的合理性和有效性。

23、优选的，所述自定义距离度量的计算公式为：

24、d＝ρ+λ·△var(k)；

25、式中：d为自定义距离度量，ρ为欧几里得距离，λ为数据点对簇净负荷方差影响权重因子，△var(k)为新数据点加入第k个簇前后对应簇净负荷方差变化量。

26、上述技术方案中，通过引入簇净负荷方差影响权重因子计算自定义距离度量，能够更准确地反映数据点加入簇后对簇内负荷分布的影响，提高了聚类的准确性；通过考虑新数据点加入簇后可能导致的负荷方差变化，自定义距离度量有助于优化簇的划分，使得每个簇内的负荷分布更加均衡；自定义距离度量有助于避免将新数据点错误地加入到与其负荷特性差异较大的簇中，从而提高系统的稳定性。

27、优选的，所述s2包括如下步骤：

28、s21、基于光伏设备用户数量、用能设备用户数量和候选储能安置节点数量计算线损矩阵，基于所述线损矩阵计算确定线损；

29、s22、根据每个簇所需储能配置容量和簇内配电网节点数量确定分布式储能容量；

30、s23、基于所述分布式储能容量确定对应的净负荷方差和储能运行成本；

31、s24、以线损最小、净负荷方差最小和储能运行成本最小为优化目标建立安置节点目标函数。

32、上述技术方案中，通过计算线损能够直接评估不同安置节点对配电网运行效率的影响，有助于识别出能够最小化线损的节点，提高整个配电网的能源传输效率；根据每个簇所需储能配置容量和簇内配电网节点数量确定分布式储能容量，能够确保储能系统的配置与区域的实际需求相匹配，提高了储能系统的利用率，减少不必要的投资成本；通过计算净负荷方差能够评估不同安置节点对配电网负荷平衡的影响；通过选择能够最小化净负荷方差的节点，有助于平衡不同区域的负荷需求，减少因负荷波动引起的系统不稳定；通过考虑储能运行成本作为优化目标之一，能够在满足配电网运行需求的同时，降低储能系统的运营成本，提高其在经济上的可行性；通过综合考虑线损、净负荷方差和储能运行成本三个优化目标，有助于选择出最佳的储能安置节点，可以提高决策的科学性和准确性，推动县域分布式光伏的协同消纳和可持续发展。

33、优选的，所述线损矩阵通过计算光伏设备、用能用户和候选储能安置节点之间的最大线损率得到。

34、上述技术方案中，通过光伏设备、用能用户和候选储能安置节点之间的线损率最大得到线损矩阵，能够精确识别关键线路和指导储能节点选址，有助于推动县域分布式光伏协同消纳和储能优化配置的实现，促进能源的高效利用和可持续发展。

35、优选的，所述s3包括如下步骤：

36、s31、随机生成1个种群，所述种群中的每个个体用于表示最佳安置节点的选取方案；

37、s32、根据安置节点目标函数考虑约束条件计算每个个体在对应目标上的适应度值，并对所述适应度值进行标准化得到标准适应度值；

38、s33、根据所述标准适应度值进行非支配排序，将种群中的所有个体分为不同的非支配层次；s34、计算每个非支配层次中个体之间的拥挤度距离，所述拥挤度距离为相对分布密度；

39、s35、通过选择、交叉和变异进化算子生成下一代个体，将生成的下一代个体替换当前种群中的个体，得到下一代种群；

40、s36、迭代执行s32-s35，判断是否达到最大迭代次数得到最终种群，若是，执行s37；否则执行s34；

41、s37、从最终种群中选择所有层次的pareto最优解，对所述pareto最优解进行解析确定最佳安置节点。

42、上述技术方案中，通过随机生成种群并利用非支配排序和拥挤度距离进行多目标优化，能够在解空间中进行全局搜索，从而更有可能找到接近全局最优的解；通过拥挤度能够确保种群中个体的多样性，防止了过早收敛到局部最优解，有助于提高最终解的质量和稳定性；通过多代迭代和选择操作使最终种群包含多个层次的pareto最优解，可以根据实际需求从这些解中选择最合适的安置节点方案；可以适应不同的目标函数和约束条件，只需调整适应度值的计算和进化算子的设计即可，使得在处理各种复杂的分布式储能安置节点选择问题时具有很高的可扩展性和灵活性。

43、优选的，所述约束条件包括：

44、储能电池运行状态约束：

45、式中：ηd为放电效率，ed为放电能量，ec为充电能量，t为储能充放电周期；

46、荷电状态约束：ssocmin≤ssoc≤ssocmax；

47、式中：ssocmax、ssocmin分别为储能系统荷电状态ssoc的最大和最小允许值；

48、电压约束：

49、式中：vi表示节点i的电压，vi、分别表示电压的下限和上限。

50、上述技术方案中，储能电池运行状态约束通过限制放电效率、放电能量和充电能量之间的关系，确保了储能系统在一个充放电周期内的能量损失最小化，从而提高了储能系统的运行效率；荷电状态约束通过设定储能系统荷电状态的最大和最小允许值，避免了储能电池过度放电或充电，延长了储能系统的使用寿命，并确保了系统的安全；电压约束通过限制节点电压在合理的范围内，确保了电力系统的稳定运行，避免了电压过高或过低对设备和系统造成损害，提高了电力系统的供电质量。

51、本发明的有益效果：通过自定义距离度量的k-means算法对县域内的分布式光伏和负载得以精准划分，能够有效减少线损矩阵计算量，并降低光伏发电波动性对配电网的影响。通过结合nsga-ii目标优化算法，考虑线损最小、净负荷方差最小和储能运行成本最小，确定最佳分布式储能安置节点，实现县域分布式光储协同规划，不仅提升了配电网光伏利用率，还进一步提高了分布式光伏布局效益；通过考虑光伏发电和负载特性，确保区域划分既基于地理位置又考虑数据特征；引入簇净负荷方差影响权重因子计算自定义距离度量，提高了聚类的准确性，使得每个簇内的负荷分布更加均衡；通过计算配网线损、净负荷方差和储能运行成本，选择最佳储能安置节点，以提高配电网运行效率和负荷平衡；通过nsga-ii算法进行多目标优化，全局搜索接近全局最优解，确保种群多样性，避免过早收敛；通过储能电池运行状态和荷电状态约束提高了储能系统运行效率和安全性，通过电压约束则确保了电力系统的稳定运行；通过精准区域划分和优化储能安置，提升了县域配电网光伏利用率，降低了配电网调峰压力，并实现了分布式光伏布局效益的最大化；通过使用自定义距离度量的k-means算法考虑光伏和负荷状况进行区域划分，进一步进行安置节点的优化选取，减少了配电网调峰压力以及光伏发电波动性对配电网的影响，提升配电网的分布式光伏消纳能力。

52、上述技术实现要素：仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。