本發(fā)明涉及電氣技術領域，特別涉及一種新能源配電網多類型有功無功源協(xié)同優(yōu)化配置方法及系統(tǒng)。

背景技術：

分布式電源(distributedgeneration，dg)以其環(huán)保節(jié)能、降低網損、提高供電可靠性等優(yōu)點越來越受到人們的重視。一方面，dg可以緩解目前經濟發(fā)展嚴重依賴化石燃料的弊病，在一定程度上減輕化石燃料枯竭給經濟發(fā)展帶來的威脅；另一方面，dg可以減少由化石燃料燃燒釋放的溫室氣體及硫化物、氮氧化物等污染氣體。

以光伏發(fā)電和風力發(fā)電為代表的間歇性分布式電源受自然條件和氣候的影響較大，其輸出功率具有隨機性和間歇性，其接入配電網的位置和容量對線路潮流、節(jié)點電壓、供電可靠性和安全性等有重大的影響。在配電網配置儲能裝置，一方面可以平抑間歇性dg輸出功率的隨機波動對配電網的影響，提高新能源的利用率，另一方面可以在負荷低谷時對儲能裝置進行充電，負荷高峰時儲能裝置對配電網放電，從而減小負荷波動，起到削峰填谷的作用。在配電網中配置無功補償裝置可以有效的改善由間歇性dg出力隨機性帶來的電壓波動問題。電動汽車(electricvehicles，ev)與傳統(tǒng)燃油汽車相比，其在減少汽車尾氣排放、減少對化石燃料的依賴度方面具備不可替代的優(yōu)勢。近年來，電動汽車v2g(vehicletogrid)技術受到了廣泛關注和研究，通過該技術可實現(xiàn)電網和電動汽車用戶的互動雙贏，還可以配合風電和光伏等新能源發(fā)電的并網，提高了可再生能源利用率。而電動汽車大規(guī)模接入配電網后，其充放電會對配電網的運行帶來巨大影響。因此，如何綜合考慮dg出力的不確定性、ev充放電對配電網運行的影響，對dg、儲能裝置和無功補償裝置進行協(xié)同優(yōu)化配置具有重要意義。

技術實現(xiàn)要素：

本發(fā)明的目的是提供一種新能源配電網多類型有功無功源協(xié)同優(yōu)化配置方法及系統(tǒng)，能夠使新能源配電網多類型有功無功源最優(yōu)配置方案考慮電動汽車對配電網的影響，考慮因季節(jié)變化導致的風速、光照和負荷的變化，考慮風速、光照和負荷變化的相關性，使優(yōu)化配置方案更加貼合實際。

為解決上述技術問題，本發(fā)明提供一種新能源配電網多類型有功無功源協(xié)同優(yōu)化配置方法，所述方法包括：

根據輸入的風速數據計算得到各典型日的風速weibull分布參數、輸入的光照強度數據計算得到各典型日各時段的光照beta分布參數以及輸入的負荷數據計算得到候選接入節(jié)點間的風速、光照相關系數矩陣、各典型日各時段的負荷均值和方差、負荷節(jié)點間的相關系數矩陣；

根據輸入的ev的數量參數和充電參數，擬合得到考慮ev充放電影響的負荷特性模型；

根據所述負荷特性模型，構建二層優(yōu)化配置模型的下層規(guī)劃目標函數及下層規(guī)劃約束條件，以及上層規(guī)劃目標函數及上層規(guī)劃約束條件；

根據所述風速weibull分布參數、所述光照beta分布參數以及各相關系數矩陣，利用兩層嵌套的自適應人工魚群算法求解所述二層優(yōu)化配置模型，獲得新能源配電網多類型有功無功源最優(yōu)配置方案。

可選的，根據輸入的風速數據計算得到各典型日的風速weibull分布參數、輸入的光照強度數據計算得到各典型日各時段的光照beta分布參數以及輸入的負荷數據計算得到候選接入節(jié)點間的風速、光照相關系數矩陣、各典型日各時段的負荷均值和方差、負荷節(jié)點間的相關系數矩陣，包括：

獲取輸入的目標規(guī)劃配電網區(qū)域的預定年限的風速實測數據、光照強度實測數據和負荷實測數據；

根據所述風速實測數據擬合得到各典型日的風速weibull分布的尺度參數以及形狀參數和候選風電接入節(jié)點間的風速相關系數矩陣；

根據光照強度實測數據擬合得到各典型日各時段的光照beta分布的形狀參數和候選光伏接入節(jié)點間的光照強度相關系數矩陣；

根據負荷實測數據計算得到候選接入節(jié)點間的風速、光照相關系數矩陣、各典型日各時段的負荷均值和方差、負荷節(jié)點間的相關系數矩陣。

可選的，根據輸入的ev的數量參數和充電參數，擬合得到考慮ev充放電影響的負荷特性模型，包括：

獲取輸入的所述目標規(guī)劃配電網區(qū)域的ev的數量參數；其中，所述ev的數量參數包括ev總數量以及可參與調度的ev數量；

獲取ev智能充電裝置返回的充電參數；其中，所述充電參數包括ev起始充電時間以及荷電狀態(tài)socev0數據；

利用所述數量參數和所述充電參數擬合得到考慮ev充放電影響的負荷特性模型p′d(t)；其中，p′d(t)＝pd(t)+pevc(t)-pevd(t)；

其中，pd(t)為基本負荷，pevc(t)為t時刻電動汽車的充電功率，pevd(t)為t時刻電動汽車的放電功率。

可選的，所述下層規(guī)劃目標函數具體c2為：c2＝cv+closs；其中，

其中，cv為電壓質量改善年收益；nbus為系統(tǒng)節(jié)點數；λ為將電壓質量改善期望指標值與經濟效益間的轉換系數；tmax為系統(tǒng)年最大負荷利用小時數；和vrk分別為優(yōu)化前后典型日第j時段節(jié)點k電壓期望值和節(jié)點k電壓額定值；closs為降損年收益；pe為網損電價；和為優(yōu)化前后第i典型日j時段的網損期望值。

可選的，所述下層規(guī)劃目標函數具體c1為：c1＝csal+cgas+c2-cin；其中，

其中，cin為設備投資和運行維護年費用；csal為年售電收益；cgas為污染物減排年收益；ng為有功無功源類型數，其中包括光伏電池、風機、儲能蓄電池、電容器和svc；ci為第i種有功無功源的單位容量投資成本；si為第i種有功無功源的安裝容量；ni為第i種有功無功源設備的使用壽命；r為貼現(xiàn)率；comi第i種有功無功源的單位容量年運行維護費用；pcwj為j時段風電售電電價；pcpvj為j時段光伏售電電價；eij(pw)為第i典型日j時段風力發(fā)電機組發(fā)電功率期望值；eij(ppv)為第i典型日j時段光伏發(fā)電系統(tǒng)發(fā)電功率期望值；npt為排放污染物種類數，cek和cpk分別為第k種污染物的單位環(huán)境價值和懲罰費用；δk為燃煤發(fā)電機組單位電量產生第k種污染物值。f(r,ni)為資金等年值系數。

可選的，利用兩層嵌套的自適應人工魚群算法求解所述二層優(yōu)化配置模型，獲得新能源配電網多類型有功無功源最優(yōu)配置方案，包括：

獲取輸入的配電網潮流計算基本數據，設置所述風速weibull分布參數、所述光照beta分布參數以及各相關系數矩陣對應的參數數值；上層和下層自適應人工魚群算法基本參數；可處理輸入隨機變量相關性的基于拉丁超立方抽樣的蒙特卡洛概率潮流計算方法基本參數；

初始化上層魚群，利用隨機數發(fā)生器生成預定條人工魚，形成初始優(yōu)化配置方案對應的初始魚群；

根據上層優(yōu)化配置方案生成下層人工魚初始魚群，利用所述可處理輸入變量相關性的基于拉丁超立方抽樣的蒙特卡洛概率潮流計算方法計算節(jié)點電壓、線路傳輸容量及所述下層規(guī)劃目標函數進行置信水平校驗，并根據計算得到的電壓和網損期望值計算下層初始魚群各人工魚當前位置的食物濃度值，將最大值記入公告板，保存其位置及食物濃度值；

下層魚群中各人工魚分別模擬執(zhí)行覓食、聚群、追尾行為，并自適應調整視野范圍和移動步長；

判斷下層是否達到最大迭代次數，若達到最大迭代次數，則將下層優(yōu)化目標值返回到上層規(guī)劃目標函數中，進行外層人工魚尋優(yōu)過程，上層和下層人工魚反復迭代，直至達到外層最大迭代次數，輸出新能源配電網多類型有功無功源最優(yōu)配置方案。

可選的，自適應調整視野范圍和移動步長，包括：

利用公式自適應調整視野范圍visual；

利用公式自適應調整移動步長step；

其中，vvmax和vvmin為人工魚視野最大值和最小值；stmax和stmin為人工魚移動步長最大值和最小值；fi為人工魚xi當前位置的食物濃度；fav為當前食物濃度均值；fmax為當前食物濃度最大值。

可選的，可處理輸入隨機變量相關性的基于拉丁超立方抽樣的蒙特卡洛概率潮流計算方法具體計算過程，包括：

根據輸入的配電系統(tǒng)參數，確定輸入變量對應的概率分布參數及其相關系數矩陣cx；

根據所述輸入變量的均值、方差和概率分布類型對所述cx進行修正，得到修正后的相關系數矩陣cz，并對所述cz進行cholesky分解cz＝bb^t，得到下三角矩陣b；

對n個相互獨立的標準正態(tài)分布的隨機變量進行n次抽樣，得到樣本矩陣wn×n；

令z＝bwn×n，求得z的順序矩陣lz；

對輸入的隨機變量進行拉丁超立方采樣形成初始樣本矩陣s'n×n，并根據所述lz對所述s'n×n每行元素進行重新排列，進而得到最終樣本sn×n＝[s1s2...sn]，si＝[si1si2...sin]^t；

將所述最終樣本進行n次潮流計算，得到輸出變量的數字特征和概率分布。

本發(fā)明還提供一種新能源配電網多類型有功無功源協(xié)同優(yōu)化配置系統(tǒng)，包括：

第一計算模塊，用于根據輸入的風速數據計算得到各典型日的風速weibull分布參數、輸入的光照強度數據計算得到各典型日各時段的光照beta分布參數以及輸入的負荷數據計算得到候選接入節(jié)點間的風速、光照相關系數矩陣、各典型日各時段的負荷均值和方差、負荷節(jié)點間的相關系數矩陣；

第二計算模塊，用于根據輸入的ev的數量參數和充電參數，擬合得到考慮ev充放電影響的負荷特性模型；

二層優(yōu)化配置模型構建模塊，用于根據所述負荷特性模型，構建二層優(yōu)化配置模型的下層規(guī)劃目標函數及下層規(guī)劃約束條件，以及上層規(guī)劃目標函數及上層規(guī)劃約束條件；

最優(yōu)配置方案輸出模塊，用于根據所述風速weibull分布參數、所述光照beta分布參數以及各相關系數矩陣，利用兩層嵌套的自適應人工魚群算法求解所述二層優(yōu)化配置模型，獲得新能源配電網多類型有功無功源最優(yōu)配置方案。

本發(fā)明所提供的一種新能源配電網多類型有功無功源協(xié)同優(yōu)化配置方法，通過擬合建立考慮ev充放電影響的負荷特性模型，考慮了ev對配電網的影響，考慮因季節(jié)變化導致的風速、光照和負荷的變化，在一年中四個季節(jié)中選取四個典型日用來表征其他規(guī)劃日的規(guī)劃效益，與實際更為貼切；并建立嵌入機會約束規(guī)劃的二層優(yōu)化配置模型，同時優(yōu)化配置風力發(fā)電機組、光伏發(fā)電系統(tǒng)、儲能蓄電池、電容器和svc，兼顧了系統(tǒng)優(yōu)化配置的安全性和經濟性；最終采用兩層嵌套的自適應人工魚群算法通過當前人工魚所在位置的食物濃度來自適應調整同代不同人工魚的視野范圍和移動步長，克服視野范圍和移動步長采用固定值引起的后期收斂慢和收斂精度差的缺陷，使得優(yōu)化配置方案更具參考性；本發(fā)明還提供了新能源配電網多類型有功無功源協(xié)同優(yōu)化配置系統(tǒng)，具有上述有益效果，在此不再贅述。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。

圖1為本發(fā)明實施例所提供的新能源配電網多類型有功無功源協(xié)同優(yōu)化配置方法的流程圖；

圖2為本發(fā)明實施例所提供的新能源配電網多類型有功無功源協(xié)同優(yōu)化配置系統(tǒng)的結構框圖。

具體實施方式

本發(fā)明的核心是提供一種新能源配電網多類型有功無功源協(xié)同優(yōu)化配置方法及系統(tǒng)，能夠使新能源配電網多類型有功無功源最優(yōu)配置方案考慮電動汽車充放電對配電網的影響，考慮因季節(jié)變化導致的風速、光照和負荷的變化，在一年中四個季節(jié)中選取四個典型日用來表征其他規(guī)劃日的規(guī)劃效益，考慮風速、光照和負荷變化的相關性，使得優(yōu)化配置方案與實際更為貼合實際。

為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

目前，國內外對dg、儲能裝置和無功補償裝置的優(yōu)化配置研究主要集中在以下方面：1、只優(yōu)化配置分布式電源。2、分布式電源和無功補償裝置綜合優(yōu)化配置。3、含分布式電源配電網的儲能裝置優(yōu)化配置。

在含間歇性dg的配電網中，由于間歇性dg出力不確定性和間歇性，導致節(jié)點電壓波動頻繁，配置無功補償裝置能有效地抑制節(jié)點電壓波動，改善電壓質量。傳統(tǒng)無功規(guī)劃中電容器只能分組投切，不能實現(xiàn)對無功功率的連續(xù)調節(jié)，頻繁投切電容器嚴重影響其使用壽命。因此，只配置電容器已不能適應含間歇性dg配電網的無功規(guī)劃要求。靜止無功補償器(svc)與電容器相比，具有快速的動態(tài)無功補償能力，非常適合含間歇性dg的配電網無功補償需求。

目前對dg、儲能裝置和無功補償裝置的優(yōu)化配置研究存在以下不足：1、未考慮同一區(qū)域內風速、光照和負荷變化具有一定相關性及受季節(jié)變化的影響。2、未將dg的無功出力作為無功優(yōu)化手段，未將svc作為優(yōu)化配置對象。3、未充分考慮電動汽車充放電對配電網的影響，未建立dg、儲能裝置和無功補償裝置協(xié)同優(yōu)化配置模型。因此其優(yōu)化配置方案未能兼顧系統(tǒng)優(yōu)化配置的安全性和經濟性。

因此，本發(fā)明針對上述不足，提出以下改進點：

第一：本發(fā)明考慮了電動汽車充放電對配電網的影響，建立考慮電動汽車充放電的負荷特性模型，與實際更為貼切。

第二：本發(fā)明考慮在同一配電區(qū)域內風速、光照和負荷具有一定的相關性且受季節(jié)變化的影響，將dg無功輸出能力作為無功優(yōu)化手段，并將svc作為優(yōu)化配置對象。具體的，可以采用可處理輸入隨機變量相關性的基于拉丁超立方抽樣的蒙特卡洛概率潮流計算方法計算配電網潮流，更符合實際情況。

第三：本發(fā)明建立嵌入機會約束規(guī)劃的二層優(yōu)化配置模型(即二層規(guī)劃有功無功源協(xié)同優(yōu)化配置模型)，同時優(yōu)化配置風力發(fā)電機組、光伏發(fā)電系統(tǒng)、儲能蓄電池、電容器和svc，兼顧了系統(tǒng)優(yōu)化配置的安全性和經濟性。

具體請參考圖1，圖1為本發(fā)明實施例所提供的新能源配電網多類型有功無功源協(xié)同優(yōu)化配置方法的流程圖；該方法可以包括：

s100、根據輸入的風速數據計算得到各典型日的風速weibull分布參數、輸入的光照強度數據計算得到各典型日各時段的光照beta分布參數以及輸入的負荷數據計算得到候選接入節(jié)點間的風速、光照相關系數矩陣、各典型日各時段的負荷均值和方差、負荷節(jié)點間的相關系數矩陣。

其中，本實施例中并不限定風速數據、光照強度數據以及負荷數據的數據來源進行限定。一般為了更加貼合實際情況，可以從氣象部門或者電力調度部門等獲取實測數據。

具體的，獲取輸入的目標規(guī)劃配電網區(qū)域的預定年限的風速實測數據、光照強度實測數據和負荷實測數據；根據風速實測數據擬合得到各典型日風速weibull分布的尺度參數以及形狀參數和候選風電接入節(jié)點間的風速相關系數矩陣；根據光照強度實測數據擬合得到各典型日各時段光照beta分布的形狀參數和候選光伏接入節(jié)點間的光照強度相關系數矩陣；根據負荷實測數據得到負荷各時段均值以及方差和負荷節(jié)點間的負荷波動相關系數矩陣。

且本實施例中并不限定預定年限的具體數值，例如可以是最近5年等。其中目標規(guī)劃配電網區(qū)域(簡稱為配電網區(qū)域)則根據用戶實際優(yōu)化配置需求進行確定。

例如，該步驟具體過程可以是：由當地氣象部門和電力調度部門獲取該目標規(guī)劃配電網區(qū)域的近五年的風速實測數據、光照強度實測數據和負荷實測數據，根據風速實測數據擬合得到各典型日兩參數風速weibull分布的尺度參數c、形狀參數k和候選風電接入節(jié)點間的風速相關系數矩陣cw。根據光照強度實測數據擬合得到各典型日各時段光照beta分布的形狀參數α、β和候選光伏接入節(jié)點間的光照強度相關系數矩陣cpv。根據負荷實測數據得到負荷各時段均值和方差及負荷節(jié)點的負荷波動相關系數矩陣cd。

s110、根據輸入的ev的數量參數和充電參數，擬合得到具有ev充放電影響的負荷特性模型。

其中，本實施例中的負荷特性模型是考慮了電動汽車充放電影響的負荷特性模型。本實施例中并不限定ev的數量參數和充電參數的來源，例如可以從當地交通管理部門獲取。本實施例也不限定ev的數量參數和充電參數的具體內容，可以根據實際模型的構建需求進行獲取。

具體的，根據輸入的ev的數量參數和充電參數，擬合得到考慮ev充放電影響的負荷特性模型可以包括：

獲取輸入的目標規(guī)劃配電網區(qū)域的ev的數量參數；其中，ev的數量參數包括ev總數量以及可參與調度的ev數量；

獲取ev智能充電裝置返回的充電參數；其中，充電參數包括ev起始充電時間以及荷電狀態(tài)socev0數據；

利用所述數量參數和所述充電參數擬合得到具有ev充放電影響的負荷特性模型p′d(t)；其中，p′d(t)＝pd(t)+pevc(t)-pevd(t)。

具體的，從當地交通管理部門獲取該目標規(guī)劃配電網區(qū)域的電動汽車的數量nev及可參與調度的電動汽車數量nv2gev。根據電動汽車智能充電裝置返回的電動汽車用戶起始充電時間te(設電動汽車用戶結束行程后立即充電直至電量充滿)和起始充電時電動汽車的荷電狀態(tài)socev0數據，根據得到的數據擬合得到te服從weibull分布的形狀參數kt和尺度參數ct：

根據得到的數據擬合得到socev0服從對數正態(tài)分布的期望值μsoc0和方差σsoc0：

t時刻該配電區(qū)域內電動汽車充電功率可表示為：

其中，pevc(t)為t時刻電動汽車的充電功率；nev(t)為t時刻實際接入電網的電動汽車數量；nv2gev(t)為t時刻實際接入電網的參與調度的電動汽車數量；socevmin和socevmax分別為電動汽車荷電狀態(tài)下限和上限。

t時刻該配電區(qū)域內參與調度的電動汽車放電功率可表示為：

其中，pevd(t)為t時刻電動汽車的放電功率。

綜上，t時刻該配電區(qū)域考慮電動汽車充放電影響后的負荷p′d(t)可表示為：

p′d(t)＝pd(t)+pevc(t)-pevd(t)

其中，pd(t)為基本負荷。

s120、根據所述負荷特性模型，構建二層優(yōu)化配置模型的下層規(guī)劃目標函數及下層規(guī)劃約束條件，以及上層規(guī)劃目標函數及上層規(guī)劃約束條件。

具體的，該步驟主要是為了構建優(yōu)化配置模型(即二層優(yōu)化配置模型，也即二層規(guī)劃的多類型有功無功源協(xié)同優(yōu)化配置模型)下層規(guī)劃目標函數及其約束條件，下層規(guī)劃根據上層規(guī)劃的決策方案模擬配電網各時段動態(tài)優(yōu)化各有功無源出力值，為了與上層規(guī)劃在時間尺度上一致，同時又考慮間歇性dg出力和負荷功率期望值受季節(jié)變化的影響?？梢栽谝荒?個季節(jié)中各選取預定個(例如1個)典型日，采用典型日各時段的儲能裝置充放電功率、無功補償裝置和dg無功輸出的優(yōu)化控制效益表征其余規(guī)劃日相應時段內的優(yōu)化效益。假設典型日各小時內負荷以及dg輸出功率的期望值保持不變。依據典型日dg輸出功率和負荷功率期望值，通過優(yōu)化儲能裝置充放電、電容器、svc和dg可調無功輸出能力在各時段內的投運容量，達到配電系統(tǒng)降損效益和電壓改善效益最優(yōu)。因此下層規(guī)劃目標函數c2＝cv+closs為：

其中，cv為電壓質量改善年收益；nbus為系統(tǒng)節(jié)點數；λ為將電壓質量改善期望指標值與經濟效益間的轉換系數；tmax為系統(tǒng)年最大負荷利用小時數；和vrk分別為優(yōu)化前后典型日第j時段節(jié)點k電壓期望值和節(jié)點k電壓額定值；closs為降損年收益；pe為網損電價；和為優(yōu)化前后第i典型日j時段的網損期望值。

下層規(guī)劃約束條件即下層規(guī)劃模型的約束條件可以包括：

(1)機會約束：

為了避免規(guī)劃方案受小概率事件的影響，在本發(fā)明優(yōu)化配置中引入考慮不確定因素的機會約束規(guī)劃，允許節(jié)點電壓和支路傳輸容量在一定置信水平內有少數的越限情況發(fā)生。同時，為使優(yōu)化結果滿足節(jié)點電壓和支路傳輸容量的不等式機會約束規(guī)劃，在目標函數中引入懲罰項并轉化為機會約束的形式。因此，本發(fā)明對節(jié)點電壓、支路傳輸容量和目標函數采用如下機會約束：

pr{vimin≤vi≤vimax}≥a

pr{sj≤sjmax}≥b

其中，pr{·}表示事件{·}成立的置信水平；vi為節(jié)點i的電壓標幺值，vimin和vimax為節(jié)點i的電壓幅值下限和上限；sj為支路j的傳輸容量；sjmax為支路j的最大傳輸容量；nline為支路數；a、b和c分別為節(jié)點電壓、支路傳輸容量和下層規(guī)劃目標函數的置信水平；ε1和ε2為懲罰系數；為目標函數c2在置信水平為c時所能取的最大值。其中，δvi和δsj可表示為：

(2)不等式約束

0≤pdgi≤pdgimax

qdgimin≤qdgi≤qdgimax

-pbdmax(t)≤pbat(t)≤pbcmax(t)

socbatmin≤socbat≤socbatmax

socevmin≤socev≤socevmax

pevd≤pdmax

pevc≤pcmax

0≤nci≤ncimax

qsvcimin≤qsvci≤qsvcimax

其中，pdgi和pdgimax分別為節(jié)點i接入dg的有功出力和最大出力值；qdgimin和qdgimax為dg無功出力下限值和上限值；pbat(t)為t時段蓄電池充放電功率(充電時取正)；pbcmax(t)和pbdmax(t)為t時段蓄電池最大允許充電和放電功率；socbat為蓄電池荷電狀態(tài)，socbatmin和socbatmax分別為蓄電池荷電狀態(tài)的下限和上限；socevmin和socevmax分別為電動汽車動力電池荷電狀態(tài)的下限和上限；pdmax和pcmax為電動汽車最大放電和充電功率；nci和ncimax分別為節(jié)點i投入的電容器組數和允許投切組數的最大值；qsvci、qsvcimin和qsvcimax分別為節(jié)點i安裝的svc輸出的無功功率、svc輸出無功功率的下限和上限值。

(3)等式約束

潮流方程作為等約束條件：

其中，pi和qi分別為節(jié)點i注入的有功與無功功率；gij和bij為節(jié)點i和節(jié)點j間支路的電導和電納；θij為節(jié)點i和節(jié)點j的電壓相角差；nbus為系統(tǒng)的節(jié)點數。

構建優(yōu)化配置模型上層規(guī)劃目標函數及其約束條件，在本發(fā)明的二層規(guī)劃中，上層規(guī)劃目標函數為有功無功源年運行收益，其中包括下層運行優(yōu)化效益；優(yōu)化變量為有功無功源的安裝位置和容量。上層規(guī)劃目標函數為c1＝csal+cgas+c2-cin：

其中，cin為設備投資和運行維護年費用；csal為年售電收益；cgas為污染物減排年收益；ng為本發(fā)明有功無功源類型數，其中包括光伏電池、風機、儲能蓄電池、電容器和svc；ci為第i種有功無功源的單位容量投資成本；si為第i種有功無功源的安裝容量；ni為第i種有功無功源設備的使用壽命；r為貼現(xiàn)率；comi第i種有功無功源的單位容量年運行維護費用；pcwj為j時段風電售電電價；pcpvj為j時段光伏售電電價；eij(pw)為第i典型日j時段風力發(fā)電機組發(fā)電功率期望值；eij(ppv)為第i典型日j時段光伏發(fā)電系統(tǒng)發(fā)電功率期望值。npt為排放污染物種類數，其中包括co、co2、so2、nox和灰塵；cek和cpk分別為第k種污染物的單位環(huán)境價值和懲罰費用；δk為燃煤發(fā)電機組單位電量產生第k種污染物值。f(r,ni)為資金等年值系數，其表達式為：

上層規(guī)劃約束條件即上層規(guī)劃模型的約束條件包括：

由于生產光伏電池板、風力發(fā)電機及無功補償裝置一般都是采用模塊化的設計和封裝，因此每個有功無功設備單元的容量值是離散的。因此，有如下不等式約束：

0≤nbatisbatn≤sbatmax

0≤nciqcn≤qcmax

0≤nsvciqsvcn≤qsvcmax

其中，npvi和nwi為節(jié)點i接入的光伏和風機數量；ppvn和pwn分別為光伏電池和風電機組單位額定功率；pdmaxi為節(jié)點i最大有功負荷值；ηmax為配電網允許的最大dg滲透率；nbati、nci和nsvci分別為節(jié)點i待安裝儲能蓄電池、電容器和svc的數量；sbatn、qcn和qsvcn分別為儲能蓄電池、電容器和svc單位額定容量；sbatmax、qcmax和qsvcmax分別為儲能蓄電池、電容器和svc最大允許接入容量。

s130、根據所述風速weibull分布參數、所述光照beta分布參數以及各相關系數矩陣，利用兩層嵌套的自適應人工魚群算法求解所述二層優(yōu)化配置模型，獲得新能源配電網多類型有功無功源最優(yōu)配置方案。

具體的，采用兩層嵌套的自適應人工魚群算法求解基于二層規(guī)劃的多類型有功無功源協(xié)同優(yōu)化配置模型，上層自適應人工魚群算法對有功無功源的位置和容量進行優(yōu)化，對應上層規(guī)劃目標函數。下層自適應人工魚群算法優(yōu)化根據上層規(guī)劃的有功無功源配置方案，對各典型日內dg、儲能蓄電池和無功補償裝置輸出的功率進行優(yōu)化控制，得到下層目標函數值，再將下層目標函數值反饋到上層，從而確定有功無功源最優(yōu)配置方案。具體步驟如下：

獲取輸入的配電網潮流計算基本數據，設置風速weibull分布參數、光照beta分布參數以及相關系數矩陣對應的參數數值；上層和下層自適應人工魚群算法基本參數；可處理輸入隨機變量相關性的基于拉丁超立方抽樣的蒙特卡洛概率潮流計算方法基本參數。

具體的，輸入配電網潮流計算基本數據，設置風速、光照和負荷概率分布參數、上層和下層自適應人工魚群算法基本參數、可處理輸入隨機變量相關性的基于拉丁超立方抽樣的蒙特卡洛概率潮流計算方法基本參數。

初始化上層魚群，利用隨機數發(fā)生器生成預定條人工魚，形成初始魚群(即初始優(yōu)化配置方案)。

具體的，初始化上層魚群，當前迭代次數gen＝0，利用隨機數發(fā)生器在優(yōu)化變量范圍內隨機生成nfish條人工魚，形成初始魚群。其中，外層人工魚的優(yōu)化變量取值序列可以為x＝[xpv|xw|xbat|xc|xsvc]，分別代表5種有功無功源的安裝位置和容量。

根據上層優(yōu)化配置方案生成下層人工魚初始魚群，利用可處理輸入隨機變量相關性的基于拉丁超立方抽樣的蒙特卡洛概率潮流計算方法計算節(jié)點電壓、線路傳輸容量及下層規(guī)劃目標函數進行置信水平校驗，并根據計算得到的電壓和網損期望值計算下層初始魚群各人工魚當前位置的食物濃度值，將最大值記入公告板，保存其位置及食物濃度值。

具體的，根據上層優(yōu)化配置方案生成下層人工魚初始魚群，下層人工魚的優(yōu)化控制變量在上層有功無功源優(yōu)化配置方案范圍內的取值序列對應為y＝[qpv|qw|pbat|qc|qsvc]，分別代表5種有功無功源在各典型日各時段的優(yōu)化出力值。采用可處理輸入隨機變量相關性的基于拉丁超立方抽樣的蒙特卡洛概率潮流計算方法計算對節(jié)點電壓、線路傳輸容量及下層目標函數進行置信水平校驗，并根據概率潮流計算得到的電壓和網損期望值計算下層初始魚群各人工魚當前位置的食物濃度值，將最大值記入公告板，保存其位置及食物濃度值。

下層魚群中各人工魚分別模擬執(zhí)行覓食、聚群、追尾行為，并自適應調整視野范圍和移動步長。

具體的，下層各人工魚分別模擬執(zhí)行覓食、聚群、追尾行為，并根據下式自適應調整視野范圍visual和移動步長step：

其中，vvmax和vvmin為人工魚視野最大值和最小值；stmax和stmin為人工魚移動步長最大值和最小值；fi為人工魚xi當前位置的食物濃度；fav為當前食物濃度均值；fmax為當前食物濃度最大值。

判斷下層是否達到最大迭代次數，若達到最大迭代次數，則將下層優(yōu)化目標值返回到上層規(guī)劃目標函數中，進行上層人工魚尋優(yōu)過程，上層和下層魚群相互迭代，直至達到外層最大迭代次數，輸出新能源配電網多類型有功無功源最優(yōu)配置方案。

具體的，判斷下層人工魚是否達到最大迭代次數，若達到最大迭代次數，則將下層優(yōu)化目標函數值返回到外層目標函數值中，進行上層人工魚尋優(yōu)過程，重復上述步驟上層和下層魚群相互迭代，直至達到上層最大迭代次數，輸出最優(yōu)配置方案。

其中，可處理輸入隨機變量相關性的基于拉丁超立方抽樣的蒙特卡洛概率潮流計算方法具體計算過程可以包括：

根據輸入的配電系統(tǒng)參數，確定n個輸入變量x(例如風速、光照和負荷等)對應的概率分布參數及其相關系數矩陣cx。

根據輸入變量的均值、方差和概率分布類型對cx進行修正，得到修正后的相關系數矩陣cz，并對cz進行cholesky分解cz＝bb^t，得到下三角矩陣b。

對n個相互獨立的標準正態(tài)分布的隨機變量進行n次抽樣，得到樣本矩陣wn×n。

令z＝bwn×n，求得z的順序矩陣lz。

對輸入的隨機變量進行拉丁超立方采樣形成初始樣本矩陣s'n×n(包括各時段風機和光伏出力樣本、負荷樣本)，并根據lz對s'n×n每行元素進行重新排列，進而得到最終樣本sn×n＝[s1s2...sn]，si＝[si1si2...sin]^t。

將最終樣本進行n次潮流計算，得到輸出變量(電壓和網損等)的數字特征和概率分布。

基于上述技術方案，本發(fā)明實施例所提供的一種新能源配電網多類型有功無功源協(xié)同優(yōu)化配置方法，考慮了電動汽車充放電對配電網的影響，建立考慮電動汽車充放電的負荷特性模型，與實際更為貼切?？紤]在同一配電區(qū)域內風速、光照和負荷具有一定的相關性且受季節(jié)變化的影響，將dg無功輸出能力作為無功優(yōu)化手段，并將svc作為優(yōu)化配置對象。采用可處理輸入隨機變量相關性的基于拉丁超立方抽樣的蒙特卡洛概率潮流計算方法計算配電網潮流，更符合實際情況。建立嵌入機會約束規(guī)劃的二層規(guī)劃多類型有功無功源協(xié)同優(yōu)化配置模型，同時優(yōu)化配置風力發(fā)電機組、光伏發(fā)電系統(tǒng)、儲能蓄電池、電容器和svc，兼顧了系統(tǒng)優(yōu)化配置的安全性和經濟性。采用兩層嵌套的自適應人工魚群算法通過當前人工魚所在位置的食物濃度來自適應調整同代不同人工魚的視野范圍和移動步長，克服視野范圍和移動步長采用固定值引起的后期收斂慢和收斂精度差的缺陷，使得優(yōu)化配置方案更具參考性。

下面對本發(fā)明實施例提供的新能源配電網多類型有功無功源協(xié)同優(yōu)化配置系統(tǒng)進行介紹，下文描述的新能源配電網多類型有功無功源協(xié)同優(yōu)化配置系統(tǒng)與上文描述的新能源配電網多類型有功無功源協(xié)同優(yōu)化配置方法可相互對應參照。

請參考圖2，圖2為本發(fā)明實施例所提供的新能源配電網多類型有功無功源協(xié)同優(yōu)化配置系統(tǒng)的結構框圖；該系統(tǒng)可以包括：

第一計算模塊100，用于根據輸入的風速數據計算得到各典型日的風速weibull分布參數、輸入的光照強度數據計算得到各典型日各時段的光照beta分布參數以及輸入的負荷數據計算得到候選接入節(jié)點間的風速、光照相關系數矩陣、各典型日各時段的負荷均值和方差、負荷節(jié)點間的相關系數矩陣；

第二計算模塊200，用于根據輸入的ev的數量參數和充電參數，擬合得到考慮ev充放電影響的負荷特性模型；

二層優(yōu)化配置模型構建模塊300，用于根據所述負荷特性模型，構建二層優(yōu)化配置模型的下層規(guī)劃目標函數及下層規(guī)劃約束條件，以及上層規(guī)劃目標函數及上層規(guī)劃約束條件；

最優(yōu)配置方案輸出模塊400，用于根據所述風速weibull分布參數、所述光照beta分布參數以及各相關系數矩陣，利用兩層嵌套的自適應人工魚群算法求解所述二層優(yōu)化配置模型，獲得新能源配電網多類型有功無功源最優(yōu)配置方案。

說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。

專業(yè)人員還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術方案的特定應用和設計約束條件。專業(yè)技術人員可以對每個特定的應用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應認為超出本發(fā)明的范圍。

結合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結合來實施。軟件模塊可以置于隨機存儲器(ram)、內存、只讀存儲器(rom)、電可編程rom、電可擦除可編程rom、寄存器、硬盤、可移動磁盤、cd-rom、或技術領域內所公知的任意其它形式的存儲介質中。

以上對本發(fā)明所提供的一種新能源配電網多類型有功無功源協(xié)同優(yōu)化配置方法及系統(tǒng)進行了詳細介紹。本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進行若干改進和修飾，這些改進和修飾也落入本發(fā)明權利要求的保護范圍內。