源荷不确定性配电网多资源规划方法及系统与流程

1.本发明涉及电网系统能源分配技术领域，具体涉及一种源荷不确定性配电网多资源规划方法及系统。


背景技术：

2.温室气体排放的不断增加是造成近年来全球气候变化的主要原因之一，绿色能源和电动汽车的使用为应对严峻气候态势，做出了突破性的贡献。绿色能源是零排放能源，对环境几乎不造成影响。绿色能源以可再生能源为主，其出力并入配电网，被称为分布式可再生能源发电机。在配电网中安装分布式电源有利于降低系统网损，提高供电可靠性和电压稳定性，有效降低运行、维护及碳排放等成本。但如果分布式电源规划不当，也会对电网造成各种不利影响，从而导致许多技术、运行和经济约束。由于大规模停电事件等安全威胁，配电网运营商(distribution network operator,dno)逐渐开始重视系统中分布式电源的供电可靠性问题。因此，针对智能电网，分布式电源规划无疑是关键一环，但这涉及电网运营商、配电网运营商和终端用户等多主体的不同利益诉求，如何协调优化目标也是规划难点所在。
3.现有文献从不同角度探讨了分布式电源规划问题，并使用许多经典的元启发式技术来解决此类问题。如，使用单目标函数求解最优dreg规划问题的方法，采用粒子群优化算法，考虑技术约束、运行成本和碳排放成本等因素，对实际配电网中的dreg容量、位置和投资时间进行了优化求解。
4.然而，现有的多数文献都是针对辐射状配电网的dreg规划问题，环状配电网在分析过程中通过去除连接线，最终也多转化为辐射状网络。目前仍缺少一种全面的规划方法来同时解决dreg选型的技术性、可靠性和经济性问题，且针对dreg在环状配电网下的选址并没有考虑需求灵活性时。此外，也没有同时考虑了负荷随机性、分布式可再生能源出力不确定性、电价和需求灵活性，在不降低用户舒适度的前提下，详细分析需求侧管理对环状配电网规划的影响。


技术实现要素：

5.本发明的目的在于提供一种源荷不确定性配电网多资源规划方法及系统，以解决上述背景技术中存在的至少一项技术问题。
6.为了实现上述目的，本发明采取了如下技术方案：
7.一方面，本发明提供一种源荷不确定性配电网多资源规划方法，包括：
8.以降低用户用电量为目标函数，构建需求侧负荷管理模型；
9.使用粒子群算法求解所述需求侧负荷管理模型，得到修正负荷曲线；
10.基于得到的修正负荷曲线，结合风电机组出力模型和光伏机组出力模型，以技术指标、可靠性指标和成本指标为目标函数，构建环状配电网多分布式可再生能源发电机多目标随机优化规划模型；
11.基于多目标粒子群算法，对多目标随机优化规划模型进行求解，得到源荷不确定性配电网多资源规划策略。
12.优选的，以降低用户用电量为目标函数，构建需求侧负荷管理模型，包括：
13.目标函数为：
[0014][0015]
其中，p
l
(t)为t时刻系统总负荷量，ob
l
(t)为t时刻目标负荷值，cd(t)为t时刻的电价；
[0016]
单位的负荷模型为：
[0017]
l(t)＝pwpdph(t)；
[0018]
式中，pw为周负荷占年峰值负荷的比例，pd是日负荷占周峰值负荷的比例，ph是每小时负荷占日峰值负荷的比例；
[0019]
得到修正负荷曲线为：
[0020][0021]
优选的，构建风电机组出力模型，包括：
[0022]
针对风速的随机性和间歇性通过双参数威布尔分布进行建模：
[0023][0024][0025]
式中：s
wind,m
为风电出力所有场景集合；v
m,s
(t)为场景s下t时段风机m的实时风速；k、c分别为威布尔分布的形状参数和尺度参数；
[0026]
则风机的输出功率为：
[0027][0028][0029]
式中：p
windf,m,s
(t)为场景s下t时段风机m的预测出力；为风机m的额定容量；vr为额定风速；v
in
为切入风速；v
out
为切出风速。
[0030]
优选的，构建光伏机组出力模型，包括：
[0031]
在一定时间尺度内，太阳辐射强度服从beta分布，而光伏发电有功功率与太阳辐
射成正比，因此光伏有功出力亦呈beta分布，其概率密度函数为：
[0032][0033][0034]
式中：为场景s下t时段光伏机组n的预测出力p
pvf,n,s
(t)与额定容量的比值；γ(
·
)为gamma函数；ξ和ψ为beta分布参数。
[0035]
优选的，基于潮流分析得到实际网损和电压参数，对技术指标进行评估；采用编码马尔科夫割集算法对可靠性指标进行评估；成本指标为配电网运营商年总成本，其为年值化成本系数与配电网运营商投资的年值话成本之的乘积与年购电成本、年运行成本的和。
[0036]
优选的，随机生成一组“q”个粒子并初始化它们的速度；计算适应度函数值后，将非占优粒子的位置存储在储存库中根据其非支配性进行排序，并按照其拥挤距离值的顺序排列在存储库中；全局最佳粒子位置从存储库中最上层的非支配解中随机选择，进行固定次数的迭代；在计算粒子速度后，更新粒子的位置；将亲代和子代群体组合在一起，在评估其适应度函数值后，根据排序和拥挤距离值再次对“2q”个体进行排序。
[0037]
第二方面，本发明提供一种源荷不确定性配电网多资源规划系统，包括：
[0038]
第一构建模块，用于以降低用户用电量为目标函数，构建需求侧负荷管理模型；
[0039]
第一求解模块，用于使用粒子群算法求解所述需求侧负荷管理模型，得到修正负荷曲线；
[0040]
第二构建模块，用于基于得到的修正负荷曲线，结合风电机组出力模型和光伏机组出力模型，以技术指标、可靠性指标和成本指标为目标函数，构建环状配电网多分布式可再生能源发电机多目标随机优化规划模型；
[0041]
第二求解模块，用于基于多目标粒子群算法，对多目标随机优化规划模型进行求解，得到源荷不确定性配电网多资源规划策略。
[0042]
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的源荷不确定性配电网多资源规划方法。
[0043]
第四方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的源荷不确定性配电网多资源规划方法。
[0044]
第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的源荷不确定性配电网多资源规划方法的指令。
[0045]
本发明有益效果：考虑实施需求侧管理，除了尽可能地降低用户的用电成本，还有助于减少高峰负荷，提升负荷系数；计算得出在环状配电网中dreg的选址和定容方案，同时考虑了技术性、可靠性及经济性三方面目标，计算结果准确、代表性强；综合考虑了电网运
营商、配电网运营商和终端用户三主体的利益诉求，适合作为dno为促进分布式可再生能源消纳利用而同时考虑dsm和dreg规划的优化工具，也适用于分析在环状配电网中安装dreg产生的各种影响。
[0046]
本发明附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本发明的实践了解到。
附图说明
[0047]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1为本发明实施例所述的源荷不确定性配电网多资源规划方法流程图。
具体实施方式
[0049]
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0050]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
[0051]
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0052]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
[0053]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0054]
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
[0055]
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
[0056]
实施例1
[0057]
本实施例1中，首先提供了一种源荷不确定性配电网多资源规划系统，包括：
[0058]
第一构建模块，用于以降低用户用电量为目标函数，构建需求侧负荷管理模型；
[0059]
第一求解模块，用于使用粒子群算法求解所述需求侧负荷管理模型，得到修正负荷曲线；
[0060]
第二构建模块，用于基于得到的修正负荷曲线，结合风电机组出力模型和光伏机组出力模型，以技术指标、可靠性指标和成本指标为目标函数，构建环状配电网多分布式可再生能源发电机多目标随机优化规划模型；
[0061]
第二求解模块，用于基于多目标粒子群算法，对多目标随机优化规划模型进行求解，得到源荷不确定性配电网多资源规划策略。
[0062]
本实施例1中，利用上述的系统，实现了源荷不确定性配电网多资源规划方法，包括：
[0063]
使用第一构建模块，以降低用户用电量为目标函数，构建需求侧负荷管理模型；
[0064]
使用第一求解模块，使用粒子群算法求解所述需求侧负荷管理模型，得到修正负荷曲线；
[0065]
使用第二构建模块，基于得到的修正负荷曲线，结合风电机组出力模型和光伏机组出力模型，以技术指标、可靠性指标和成本指标为目标函数，构建环状配电网多分布式可再生能源发电机多目标随机优化规划模型；
[0066]
使用第二求解模块，基于多目标粒子群算法，对多目标随机优化规划模型进行求解，得到源荷不确定性配电网多资源规划策略。
[0067]
其中，以降低用户用电量为目标函数，构建需求侧负荷管理模型，包括：
[0068]
目标函数为：
[0069][0070]
其中，p
l
(t)为t时刻系统总负荷量，ob
l
(t)为t时刻目标负荷值，cd(t)为t时刻的电价；
[0071]
单位的负荷模型为：
[0072]
l(t)＝pwpdph(t)；
[0073]
式中，pw为周负荷占年峰值负荷的比例，pd是日负荷占周峰值负荷的比例，ph是每小时负荷占日峰值负荷的比例；
[0074]
得到修正负荷曲线为：
[0075][0076]
构建风电机组出力模型，包括：
[0077]
针对风速的随机性和间歇性通过双参数威布尔分布进行建模：
[0078][0079]
[0080]
式中：s
wind,m
为风电出力所有场景集合；v
m,s
(t)为场景s下t时段风机m的实时风速；k、c分别为威布尔分布的形状参数和尺度参数；
[0081]
则风机的输出功率为：
[0082][0083][0084]
式中：p
windf,m,s
(t)为场景s下t时段风机m的预测出力；为风机m的额定容量；vr为额定风速；v
in
为切入风速；v
out
为切出风速。
[0085]
构建光伏机组出力模型，包括：
[0086]
在一定时间尺度内，太阳辐射强度服从beta分布，而光伏发电有功功率与太阳辐射成正比，因此光伏有功出力亦呈beta分布，其概率密度函数为：
[0087][0088][0089]
式中：为场景s下t时段光伏机组n的预测出力p
pvf,n,s
(t)与额定容量的比值；γ(
·
)为gamma函数；ξ和ψ为beta分布参数。
[0090]
基于潮流分析得到实际网损和电压参数，对技术指标进行评估；采用编码马尔科夫割集算法对可靠性指标进行评估；成本指标为配电网运营商年总成本，其为年值化成本系数与配电网运营商投资的年值话成本之的乘积与年购电成本、年运行成本的和。
[0091]
多目标粒子群算法包括：随机生成一组“q”个粒子并初始化它们的速度；计算适应度函数值后，将非占优粒子的位置存储在储存库中根据其非支配性进行排序，并按照其拥挤距离值的顺序排列在存储库中；全局最佳粒子位置从存储库中最上层的非支配解中随机选择，进行固定次数的迭代；在计算粒子速度后，更新粒子的位置；将亲代和子代群体组合在一起，在评估其适应度函数值后，根据排序和拥挤距离值再次对“2q”个体进行排序。
[0092]
实施例2
[0093]
如图1所示，本实施例2中，提出了一种基于两阶段mopso优化的dreg选址和定容方法。其中，在第一阶段，采用分时电价策略进行需求侧管理。分时电价是一种非动态定价方法，即在一天的特定时段内固定用电价格，有助于终端消费者根据已知价格提前规划电能使用。针对三种不同类型的用户，即居民、工业和商业，识别可转移负荷，以最小化用电成本为单一目标函数，再用粒子群算法求解。实施需求侧管理dsm后，得到的修正负荷曲线用于第二阶段dreg规划的边界条件。首先对技术指标、可靠性指标和dno总成本三个目标函数进
行评估，然后采用多目标粒子群算法进行优化求解。技术指标通过潮流分析得到，可靠性指标通过编码马尔科夫割集算法评估。在可靠性评估过程中，同时考虑了dreg机械故障、dreg启动和切换期间发生故障以及dreg处于孤岛状态的影响。dno成本包括dreg的安装和运行成本以及向上级电网的购电成本。
[0094]
本实施例2中，构建需求侧管理dsm与负荷模型包括：
[0095]
需求侧管理dsm与dreg规划一体化在很大程度上可以改善配电网性能，降低峰值负荷、提高负荷率，减少用电成本，减少碳排放等等。单位的负荷模型如式(1)所示：
[0096]
l(t)＝pwpdph(t)
ꢀꢀꢀꢀꢀꢀ
(1)
[0097]
式中，pw为周负荷占年峰值负荷的比例，pd是日负荷占周峰值负荷的比例，ph是每小时负荷占日峰值负荷的比例。对居民、工业和商业用户分别考虑不同的负荷模型。在实施需求侧管理之前，配电网运营商dno需先与用户签订协议且同时安装智能电表，确认可控/可转移的设备及运行时间和能耗约束。基于分时定价策略，dno可通过切负荷、负荷转移、削峰填谷等方式来改变用户负荷曲线。一般而言，需求侧管理可以表述为一个多目标优化问题，本文以降低用户的用电量为主要目标函数，如式(2)所示。由式(3)生成的目标负荷曲线可减少终端用户的用电成本。
[0098][0099][0100]
式中，p
l
(t)为t时刻系统总负荷量，ob
l
(t)为t时刻目标负荷值，cd(t)为t时刻的电价。
[0101]
本实施例2中，构建dreg不确定性模型包括确实风电机组和光伏机组的出力模型：
[0102]
风力发电机的功率输出主要取决于实时风速。风速的随机性和间歇性通常可以通过双参数威布尔分布进行建模，具体如式(4)所示。
[0103][0104][0105]
式中：s
wind,m
为风电出力所有场景集合；v
m,s
(t)为场景s下t时段风机m的实时风速；k、c分别为威布尔分布的形状参数和尺度参数。
[0106]
风机的输出功率可由式(5)进一步确定。
[0107][0108][0109]
式中：p
windf,m,s
(t)为场景s下t时段风机m的预测出力；为风机m的额定容量；vr为额定风速；v
in
为切入风速；v
out
为切出风速。
[0110]
光伏发电出力主要由太阳辐射强度决定。在一定时间尺度内，太阳辐射强度服从beta分布，而光伏发电有功功率与太阳辐射成正比，因此光伏有功出力亦呈beta分布，其概率密度函数为：
[0111][0112][0113]
式中：为场景s下t时段光伏机组n的预测出力p
pvf,n,s
(t)与额定容量的比值；γ(
·
)为gamma函数；ξ和ψ为beta分布参数。
[0114]
依据上述风电和光伏出力函数对其进行蒙特卡洛抽样，生成反映风电/光伏不确定性的随机场景。为提升计算速率，进一步采用k-means聚类算法对随机场景聚类，降低场景数量，获得能够反映风电/光伏不确定性的典型场景。
[0115]
在实施dsm得到用户负荷曲线后，以技术指标(pv
index
)、可靠性指标(r
index
)和成本指标(c
p
)为目标函数，构建环状配电网dreg多目标随机优化规划模型。总目标函数如式(7)所示：
[0116]
minimize{f1＝pv
index
，f2＝r
index
，f3＝c
p
}
ꢀꢀꢀꢀ
(7)
[0117]
对于技术指标：通过潮流分析得到实际网损和电压参数后，采用式(8)～(10)对技术指标进行评估。
[0118][0119][0120][0121]
式中，ploss
dreg
和v
indexdg
为含dreg的配电系统实际网损和电压指标，plossb和v
undex
为无dreg的配电系统实际网损和电压指标。im和rm为支路m上的电流和电阻，n为支路总数，vi为节点i处的电压，nb为配网中的节点总数。
[0122]
基于节点注入电流—支路(bibc)矩阵和支路电流—节点电压(bcbv)矩阵，对环状配电网进行潮流分析。不同类型dreg的无功功率输出因dreg的性质而异。假设光伏机组的功率因数始终保持一致，风电机组输出有功功率并吸收无功功率，因此假定其功率因数为滞后的功率因数。
[0123]
对于可靠性指标，本实施例2中，用编码马尔科夫割集算法对系统可靠性进行评估。先将配电网建模为用联系集和割集表示的形式，再基于petri网的概念确定网络的最小联系集，然后使用素数编码从剩余的行集中识别最小割集。为尽可能地减少系统状态，假定网络中各组件同时发生故障的最大次数为3次。利用最小割集和联系集，将系统状态划分为上、下两种状态，最后利用马尔可夫模型对系统的可靠性进行评估。
[0124]
本实施例2中提出一个包含十个状态的马尔可夫模型，每个状态都用"wxyz"来表示。w表示dreg在启动或切换时发生故障的概率，若无故障，其值为1；x表示dreg出现机械故障的概率，若无故障，其值为1。y表示dreg的出力是否满足系统负荷需求；z表示配电系统的故障状态。在十个状态中，有五个上升状态和五个下降状态。当配电系统出现故障时，dreg无法满足负荷需求，就会出现下降状态。
[0125]
由于dreg内部出现机械故障或其出力小于负荷需求或在故障时未能及时启动(或切除负荷)，dreg无法维持系统功率平衡。此时，利用kolmogorov方程求解状态转移矩阵，可得稳态概率。
[0126]
可靠性指标如式(11)～(13)所示。
[0127][0128][0129][0130]
式中，saifi
dg
和saifib分别为有无dreg的系统平均停电频率指数，saidi
dg
和saidib分别为有无dreg的系统平均停电时间指数。λi、ui和ni分别为故障率、停机时间和i节点的用户数量。n
t
和lp分别为配电网中的用户总数和负荷节点数。
[0131]
针对成本函数，配电网运营商的年总成本c
p
如(14)所示，其中，c
dreg
为dreg投资的年值化成本，cg为向上级电网的年购电成本，co为dreg年运行成本。
[0132]cp
＝crf
×cdreg
+cg+coꢀꢀꢀꢀꢀꢀ
(14)
[0133][0134]cdreg
＝p
drec
*s
ic
ꢀꢀꢀꢀꢀꢀ
(16)
[0135][0136][0137]
式中，crf为年值化成本系数，rd为贴现率，nr为规划远景年，ns为总场景个数，p
dreg
为dreg总容量，s
ic
为dreg单位投资成本，ge
h,d,m,s
、gi
h,d,m,s
分别为场景s下m月第d天第h小时
的购入和售出功率，sm为m月期间的市场电价，p
h,d,m,s
为dreg的实际出力，so为单位运行成本。
[0138]
本实施例2中，系统模型的约束条件包括：
[0139]
a)功率平衡约束：
[0140]
p
ge
＝p
de
+p
loss
ꢀꢀꢀꢀꢀꢀ
(19)
[0141]qge
＝q
de
+q
loss
ꢀꢀꢀꢀꢀꢀꢀ
(20)
[0142]
式中，p
ge
和q
ge
分别为总的有功和无功功率，p
de
和q
de
分别为总的有功和无功需求，p
loss
和q
loss
分别为配电网中总的有功和无功损耗。
[0143]
b)电压约束：
[0144]vmin
≤vi≤v
max (21)
[0145]
式中，v
min
和v
max
分别是第i节点的最小和最大允许电压。
[0146]
c)dreg容量约束：
[0147]
dreg
min
≤p
dreg
≤dreg
max (22)
[0148]
式中，dreg
min
和dreg
max
分别是安装dreg所允许的最小和最大容量。
[0149]
d)dreg位置约束：
[0150]
busi≤dg
node
≤bus
n (23)
[0151]
式中，busi和busn分别表示配电网中可安装dreg的首末节点。
[0152]
e)dreg出力约束：
[0153][0154]
式中，为dreg预测出力。
[0155]
f)功率因数约束：
[0156]
该约束条件仅在安装基于风能的dreg时考虑。
[0157]
pf
min
≤pf
dreg
≤pf
max (25)
[0158]
式中，pf
min
为dreg的最功率因数，pf
max
为dreg的最大功率因数，pf
dreg
为dreg实际的功率因数。
[0159]
对于单一目标函数，初始随机粒子种群在每次迭代中通过更新其速度和位置会逐渐趋向全局最优解。在多目标函数情况下，算法会给出一组帕累托最优解，而不是单一最优解。如果一个解决方案在一个目标上更好，而在所有其他目标上都不差，那么它就被称为帕累托最优。本实施例2中，多目标粒子群算法mopso的第一步是随机生成一组“q”粒子并初始化它们的速度。计算适应度函数值后，将非占优粒子的位置存储在储存库中。再根据其非支配性进行排序，并按照其拥挤距离值的顺序排列在存储库中。全局最佳粒子位置从存储库中最上层的非支配解中随机选择，进行固定次数的迭代。在计算粒子速度后，更新粒子的位置。将亲代和子代群体组合在一起，在评估其适应度函数值后，根据排序和拥挤距离值再次对“2q”个体进行排序。这种使用扩展集(包括父代种群和子代种群)进行非显性比较的做法有助于使解更接近真正的帕累托前沿。在这“2q”个个体中，只有“q”个个体会形成下一个种群。为了促进解之间的多样性，将非占优前沿的过度拥挤粒子替换为新的粒子。在比较个体在以前和当前迭代中的排序之后，种群中个体的局部最佳粒子也会更新。重复该过程，直到满足停止条件为止，从而获得非支配解的帕累托前沿。为了避免获得局部最优解，用随机生
成的新粒子替换当前非占优前沿过度拥挤区域中的粒子。过度拥挤区域的粒子是拥挤距离值较小的粒子。每个粒子的速度vi和位置si分别更新为式(26)和(27)。
[0160][0161][0162]
惯性权重w由式(28)计算得到，其中iter是迭代次数，maxit是最大迭代次数。
[0163]
w＝w
max-[(w
max-w
min
)*(iter/maxit)]
ꢀꢀꢀꢀꢀ
(28)
[0164]
但由此得到的非支配解无一是劣解，因此很难认为其中一个解是最佳解。选择最优解很大程度上取决于dno的偏好。为了得到最优解，本实施例中用式(29)计算差值，并认为差值最小的解为最优解。
[0165][0166]
式中，r
regret,k
是差值，f
i,k
是第k组非支配解集的第i个目标函数值。f
i,min
为第i个目标函数在所有得到的解中的最小值。
[0167]
综上，本实施例2中，为实现对配电网规划技术性、可靠性及经济性等多目标的科学兼顾，提出了一种基于两阶段多目标粒子群算法的环状配电网多资源优化规划方法。第一阶段，通过分时电价等需求侧管理，以减少用户用电成本为目标，得到优化后的负荷曲线作为第二阶段的边界条件。第二阶段，以降低系统网损和改善电压分布，提高可靠性(用saifi和saidi来衡量)，以及减少配电网运营商的年总成本作为三个目标函数，构建dreg多目标规划模型。其中，基于多目标粒子群算法，考虑需求侧管理以及dreg出力不确定性，提出综合考量技术性、可靠性和经济性的适用于环状配电网的多资源规划方法。基于编码马尔可夫模型对环状配电网进行可靠性分析。提出将对居民、工业和商业用户分时定价和优化用户负荷曲线的需求侧管理方法纳入配电网dreg规划中，改善配网运行的边界条件。
[0168]
上述规划方法，考虑实施dsm，除了尽可能地降低用户的用电成本，还有助于减少高峰负荷，提升负荷系数。计算得出在环状配电网中dreg的选址和定容方案，同时考虑了技术性、可靠性及经济性三方面目标，计算结果准确、代表性强。综合考虑了电网运营商、配电网运营商和终端用户三主体的利益诉求，适合作为dno为促进分布式可再生能源消纳利用而同时考虑dsm和dreg规划的优化工具，也适用于分析在环状配电网中安装dreg产生的各种影响。
[0169]
实施例3
[0170]
本实施例3提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的源荷不确定性配电网多资源规划方法，该方法包括：
[0171]
以降低用户用电量为目标函数，构建需求侧负荷管理模型；
[0172]
使用粒子群算法求解所述需求侧负荷管理模型，得到修正负荷曲线；
[0173]
基于得到的修正负荷曲线，结合风电机组出力模型和光伏机组出力模型，以技术指标、可靠性指标和成本指标为目标函数，构建环状配电网多分布式可再生能源发电机多目标随机优化规划模型；
[0174]
基于多目标粒子群算法，对多目标随机优化规划模型进行求解，得到源荷不确定性配电网多资源规划策略。
[0175]
实施例4
[0176]
本实施例4提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的源荷不确定性配电网多资源规划方法，该方法包括：
[0177]
以降低用户用电量为目标函数，构建需求侧负荷管理模型；
[0178]
使用粒子群算法求解所述需求侧负荷管理模型，得到修正负荷曲线；
[0179]
基于得到的修正负荷曲线，结合风电机组出力模型和光伏机组出力模型，以技术指标、可靠性指标和成本指标为目标函数，构建环状配电网多分布式可再生能源发电机多目标随机优化规划模型；
[0180]
基于多目标粒子群算法，对多目标随机优化规划模型进行求解，得到源荷不确定性配电网多资源规划策略。
[0181]
实施例5
[0182]
本实施例5提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的源荷不确定性配电网多资源规划方法的指令，该方法包括：
[0183]
以降低用户用电量为目标函数，构建需求侧负荷管理模型；
[0184]
使用粒子群算法求解所述需求侧负荷管理模型，得到修正负荷曲线；
[0185]
基于得到的修正负荷曲线，结合风电机组出力模型和光伏机组出力模型，以技术指标、可靠性指标和成本指标为目标函数，构建环状配电网多分布式可再生能源发电机多目标随机优化规划模型；
[0186]
基于多目标粒子群算法，对多目标随机优化规划模型进行求解，得到源荷不确定性配电网多资源规划策略。
[0187]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0188]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0189]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
[0190]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0191]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种源荷不确定性配电网多资源规划方法，其特征在于，包括：以降低用户用电量为目标函数，构建需求侧负荷管理模型；使用粒子群算法求解所述需求侧负荷管理模型，得到修正负荷曲线；基于得到的修正负荷曲线，结合风电机组出力模型和光伏机组出力模型，以技术指标、可靠性指标和成本指标为目标函数，构建环状配电网多分布式可再生能源发电机多目标随机优化规划模型；基于多目标粒子群算法，对多目标随机优化规划模型进行求解，得到源荷不确定性配电网多资源规划策略。2.根据权利要求1所述的源荷不确定性配电网多资源规划方法，其特征在于，以降低用户用电量为目标函数，构建需求侧负荷管理模型，包括：目标函数为：其中，p
l
(t)为t时刻系统总负荷量，ob
l
(t)为t时刻目标负荷值，c
d
(t)为t时刻的电价；单位的负荷模型为：l(t)＝p
w
p
d
p
h
(t)；式中，p
w
为周负荷占年峰值负荷的比例，p
d
是日负荷占周峰值负荷的比例，p
h
是每小时负荷占日峰值负荷的比例；得到修正负荷曲线为：3.根据权利要求2所述的源荷不确定性配电网多资源规划方法，其特征在于，构建风电机组出力模型，包括：针对风速的随机性和间歇性通过双参数威布尔分布进行建模：式中：s
wind,m
为风电出力所有场景集合；v
m,s
(t)为场景s下t时段风机m的实时风速；k、c分别为威布尔分布的形状参数和尺度参数；则风机的输出功率为：
式中：p
windf,m,s
(t)为场景s下t时段风机m的预测出力；为风机m的额定容量；v
r
为额定风速；v
in
为切入风速；v
out
为切出风速。4.根据权利要求3所述的源荷不确定性配电网多资源规划方法，其特征在于，构建光伏机组出力模型，包括：在一定时间尺度内，太阳辐射强度服从beta分布，而光伏发电有功功率与太阳辐射成正比，因此光伏有功出力亦呈beta分布，其概率密度函数为：式中：为场景s下t时段光伏机组n的预测出力p
pvf,n,s
(t)与额定容量的比值；γ(
·
)为gamma函数；ξ和ψ为beta分布参数。5.根据权利要求4所述的源荷不确定性配电网多资源规划方法，其特征在于，基于潮流分析得到实际网损和电压参数，对技术指标进行评估；采用编码马尔科夫割集算法对可靠性指标进行评估；成本指标为配电网运营商年总成本，其为年值化成本系数与配电网运营商投资的年值话成本之的乘积与年购电成本、年运行成本的和。6.根据权利要求5所述的源荷不确定性配电网多资源规划方法，其特征在于，多目标粒子群算法包括：随机生成一组“q”个粒子并初始化它们的速度；计算适应度函数值后，将非占优粒子的位置存储在储存库中根据其非支配性进行排序，并按照其拥挤距离值的顺序排列在存储库中；全局最佳粒子位置从存储库中最上层的非支配解中随机选择，进行固定次数的迭代；在计算粒子速度后，更新粒子的位置；将亲代和子代群体组合在一起，在评估其适应度函数值后，根据排序和拥挤距离值再次对“2q”个体进行排序。7.一种源荷不确定性配电网多资源规划系统，其特征在于，包括：第一构建模块，用于以降低用户用电量为目标函数，构建需求侧负荷管理模型；第一求解模块，用于使用粒子群算法求解所述需求侧负荷管理模型，得到修正负荷曲线；第二构建模块，用于基于得到的修正负荷曲线，结合风电机组出力模型和光伏机组出力模型，以技术指标、可靠性指标和成本指标为目标函数，构建环状配电网多分布式可再生能源发电机多目标随机优化规划模型；第二求解模块，用于基于多目标粒子群算法，对多目标随机优化规划模型进行求解，得
到源荷不确定性配电网多资源规划策略。8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-6任一项所述的源荷不确定性配电网多资源规划方法。9.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如权利要求1-6任一项所述的源荷不确定性配电网多资源规划方法。10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-6任一项所述的源荷不确定性配电网多资源规划方法的指令。

技术总结
本发明提供一种源荷不确定性配电网多资源规划方法及系统，属于电网系统能源分配技术领域，构建需求侧负荷管理模型，使用粒子群算法求解得到修正负荷曲线，基于修正负荷曲线，结合风电机组出力模型和光伏机组出力模型，构建环状配电网多分布式可再生能源发电机多目标随机优化规划模型，求解得到源荷不确定性配电网多资源规划策略。本发明考虑实施需求侧管理，降低了用户的用电成本，减少了高峰负荷，提升了负荷系数；考虑了技术性、可靠性及经济性，计算得出在环状配电网中分布式可再生能源发电机的选址和定容方案，同时三方面目标，计算结果准确、代表性强。代表性强。代表性强。


技术研发人员：邢亚虹 秦文萍 康一鸣 姚宏民 祁嘉蜜 张文博 陈玉梅
受保护的技术使用者：国网山西省电力公司经济技术研究院
技术研发日：2023.06.01
技术公布日：2023/8/24