【技術實現步驟摘要】
本申請適用于電力系統，尤其涉及一種配電網選址定容方法、裝置及計算機設備。
技術介紹
1、隨著配電網中分布式能源(distributed?generation，dg)所占比例的不斷提升，主動配電網(active?distribution?network，adn)用電量逐漸增加導致各節點負荷峰谷差不斷增大。為提高含分布式能源的配電網系統的能源利用效率與穩定性，對考慮高比例風光裝置以及電動汽車(electric?vehicle，ev)參與的配電網優化配置問題展開研究。考慮使用電動汽車集群可調度潛力模型代替儲能模型作為調控措施降低自身用能風險，使用改進多目標粒子群算法(multi?objective?particle?swarm?optimizer，mopso)處理以配電網網損、電壓波動的方案值得進一步研究，mopso是一種處理最優化問題的高效算法，具有收斂速度快、受控參數少、魯棒性強等優點。
2、由于當前主動配電網內含有大量分布式能源且模型復雜度較高難以求解，雖然采用mopso算法進行模型求解能夠在一定程度上解決求解問題，然而，mopso算法的優化性能可能受到控制參數和變異策略選擇的高度影響，因為恒定參數設置或單一變異策略不能很好地處理所有類型的問題或適應搜索不同的階段，因此，mopso算法容易在迭代后期收斂速度變慢、陷入局部最優。
3、因此，如何利用風電、光電等分布式能源和模型構建約束求解，以提高配電網選址定容的效率和準確率成為亟待解決的問題。
技術實現思路
1
2、第一方面，本申請實施例提供一種配電網選址定容方法，所述配電網選址定容方法包括：
3、獲取待評估配電網中風機組的第一歷史數據和光伏組的第二歷史數據，根據所述第一歷史數據，構建所述風機組的第一出力概率函數，根據所述第二歷史數據，構建所述光伏組的第二出力概率函數；
4、使用預設的聯合函數，對所述第一出力概率函數和所述第二出力概率函數進行聯合，得到聯合出力概率函數，在每個時段對所述聯合函數進行采樣，得到每個時段的采樣結果，根據每個時段的所述采樣結果與所述聯合出力概率函數，計算得到對應時段的出力；
5、獲取所述待評估配電網的網絡損耗函數、節點電壓波動函數和最優容量目標函數，根據所述網絡損耗函數、所述節點電壓波動函數和所述最優容量目標函數，構建得到所述待評估配電網的總目標函數；
6、獲取以電動汽車充電站為儲能設備的儲能模型，以及不同位置和容量的已知充電站的充電歷史數據，根據所述儲能模型、所述充電歷史數據和所述出力，結合預設神經網絡模型，以所述總目標函數為目標，確定所述電動汽車充電站的最優容量和最優位置。
7、第二方面，本申請實施例提供一種配電網選址定容裝置，所述配電網選址定容裝置包括：
8、風光數據分析模塊，用于獲取待評估配電網中風機組的第一歷史數據和光伏組的第二歷史數據，根據所述第一歷史數據，構建所述風機組的第一出力概率函數，根據所述第二歷史數據，構建所述光伏組的第二出力概率函數；
9、風光數據聯合模塊，用于使用預設的聯合函數，對所述第一出力概率函數和所述第二出力概率函數進行聯合，得到聯合出力概率函數，在每個時段對所述聯合函數進行采樣，得到每個時段的采樣結果，根據每個時段的所述采樣結果與所述聯合出力概率函數，計算得到對應時段的出力；
10、目標函數構建模塊，用于獲取所述待評估配電網的網絡損耗函數、節點電壓波動函數和最優容量目標函數，根據所述網絡損耗函數、所述節點電壓波動函數和所述最優容量目標函數，構建得到所述待評估配電網的總目標函數；
11、最優選址定容模塊，用于獲取以電動汽車充電站為儲能設備的儲能模型，以及不同位置和容量的已知充電站的充電歷史數據，根據所述儲能模型、所述充電歷史數據和所述出力，結合預設神經網絡模型，以所述總目標函數為目標，確定所述電動汽車充電站的最優容量和最優位置。
12、第三方面，本申請實施例提供一種計算機設備，所述計算機設備包括處理器、存儲器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如第一方面所述的配電網選址定容方法。
13、第四方面，本申請實施例提供一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現如第一方面所述的配電網選址定容方法。
14、本申請實施例與現有技術相比存在的有益效果是：本申請獲取待評估配電網中風機組的第一歷史數據和光伏組的第二歷史數據，根據第一歷史數據，構建風機組的第一出力概率函數，根據第二歷史數據，構建光伏組的第二出力概率函數，使用預設的聯合函數，對第一出力概率函數和第二出力概率函數進行聯合，得到聯合出力概率函數，在每個時段對聯合函數進行采樣，得到每個時段的采樣結果，根據每個時段的采樣結果與聯合出力概率函數，計算得到對應時段的出力，獲取待評估配電網的網絡損耗函數、節點電壓波動函數和最優容量目標函數，根據網絡損耗函數、節點電壓波動函數和最優容量目標函數，構建得到待評估配電網的總目標函數，獲取以電動汽車充電站為儲能設備的儲能模型，以及不同位置和容量的已知充電站的充電歷史數據，根據儲能模型、充電歷史數據和出力，結合預設神經網絡模型，以總目標函數為目標，確定電動汽車充電站的最優容量和最優位置。通過對比網損、電壓變化等相關參數，來確定充電站的位置和容量，從而實現電動汽車共享儲能特性對分布式能源不確定性的平抑。
本文檔來自技高網...【技術保護點】
1.一種配電網選址定容方法，其特征在于，配電網選址定容方法包括：
2.根據權利要求1所述的配電網選址定容方法，其特征在于，所述根據所述第一歷史數據，構建所述風機組的第一出力概率函數，根據所述第二歷史數據，構建所述光伏組的第二出力概率函數，包括：
3.根據權利要求1所述的配電網選址定容方法，其特征在于，所述使用預設的聯合函數，對所述第一出力概率函數和所述第二出力概率函數進行聯合，得到聯合出力概率函數，包括：采用最優Copula聯合概率函數，對所述第一出力概率函數和所述第二出力概率函數進行相關性描述，得到聯合出力概率函數，如下：
4.根據權利要求1所述的配電網選址定容方法，其特征在于，所述獲取所述待評估配電網的網絡損耗函數、節點電壓波動函數和最優容量目標函數，根據所述網絡損耗函數、所述節點電壓波動函數和所述最優容量目標函數，構建得到所述待評估配電網的總目標函數，包括：獲取各節點間的電壓和標準電壓，根據所述各節點間的電壓和所述標準電壓，計算節點電壓波動的總和為節點電壓波動函數，如下：
5.根據權利要求3所述的配電網選址定容方法，其特征在于
6.根據權利要求1至5任一項所述的配電網選址定容方法，其特征在于，在所述根據每個時段的所述采樣結果與所述聯合出力概率函數，計算得到對應時段的出力之后，還包括：
7.根據權利要求6所述的配電網選址定容方法，其特征在于，所述預設神經網絡模型包括卷積神經網絡和雙向長短期記憶網絡：
8.一種配電網選址定容裝置，其特征在于，所述配電網選址定容裝置包括：
9.根據權利要求8所述的配電網選址定容裝置，其特征在于，所述風光數據分析模塊，包括：
10.一種計算機設備，其特征在于，所述計算機設備包括處理器、存儲器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如權利要求1至7任一項所述的配電網選址定容方法。
...【技術特征摘要】
1.一種配電網選址定容方法，其特征在于，配電網選址定容方法包括：
2.根據權利要求1所述的配電網選址定容方法，其特征在于，所述根據所述第一歷史數據，構建所述風機組的第一出力概率函數，根據所述第二歷史數據，構建所述光伏組的第二出力概率函數，包括：
3.根據權利要求1所述的配電網選址定容方法，其特征在于，所述使用預設的聯合函數，對所述第一出力概率函數和所述第二出力概率函數進行聯合，得到聯合出力概率函數，包括：采用最優copula聯合概率函數，對所述第一出力概率函數和所述第二出力概率函數進行相關性描述，得到聯合出力概率函數，如下：
4.根據權利要求1所述的配電網選址定容方法，其特征在于，所述獲取所述待評估配電網的網絡損耗函數、節點電壓波動函數和最優容量目標函數，根據所述網絡損耗函數、所述節點電壓波動函數和所述最優容量目標函數，構建得到所述待評估配電網的總目標函數，包括：獲取各節點間的電壓和標準電壓，根據所述各節點間的電壓和所述標準電...
【專利技術屬性】
技術研發人員：楊霄，李巖，王國棟，魯華永，李海洋，秦曉軍，宋曉，李忠良，榮家鵬，陳振宇，劉明欣，
申請(專利權)人：國網河南省電力公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。