【技术实现步骤摘要】
本专利技术属于电力电网，特别涉及一种基于线损和新能源出力不确定性的配电网鲁棒优化调度方法。
技术介绍
1、在传统电力系统中，线路损耗过高是电力传输过程中的常见问题，直接影响电力系统的经济性和运行效率。随着电网规模的扩大和电力需求的增加，如何在调度中有效考虑并减少线损成为研究热点。通常，线损会随着输电距离的增加和负荷的波动而增加，因此在电力系统的优化调度中，需要在功率传输规划中纳入线损，以保证调度方案的实际执行性。
2、随着新能源的大规模接入，电力系统中的不确定性显著增加。新能源具有显著的波动性和不确定性，其出力随环境因素变化而波动，难以精确预测。传统调度方法难以适应新能源波动，往往会导致出力无法满足负荷需求或电网无法平衡。因此，为保证系统稳定运行和降低不确定性风险，有必要将新能源的不确定性纳入调度模型中。
3、鲁棒优化是一种常见的不确定性优化方法，广泛应用于不确定性环境下的优化问题，尤其适用于新能源接入率较高的电力系统调度。通过引入鲁棒优化方法，可以在新新能源出力不确定的情况下优化调度方案，减少因波动性引起的调度偏差。在考虑线损和新能源出力不确定性的前提下，鲁棒优化方法能够提高调度方案的稳定性和可行性，从而确保电力系统的高效运行和供电可靠性。
4、由于电力系统中线损与新能源出力不确定性带来的挑战逐渐增大，传统的调度方法难以满足现代电力系统对安全性、经济性和高效性的要求。因此，开发一种结合线损和新能源出力不确定性的鲁棒优化调度方法，具有重要的现实意义和应用前景。这一方法将为未来电网在高比例新能源
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，适用于配电网运维当中降低线路损耗的问题，特别是新新能源出力占比较高场景，实时调节负荷使用情况，降低负荷峰谷差，抵御新能源出力不确定性，提高配电网的供电可靠性。
2、为实现上述目的，本专利技术公开一种基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，其包括：
3、s1:获取配电网历史数据，通过预测模型得到配电网负荷曲线和新能源输出区间；
4、s11：通过数据采集与监视控制系统获取低压配电网的历史负荷激励输出l以及新能源历史输出数据n；
5、s12：建立基于bp神经网络的低压配电网的历史负荷激励输出预测模型；
6、s13：建立基于arima时间序列的新能源历史输出数据预测模型；
7、s14：将低压配电网的历史负荷激励输出l和新能源历史输出数据n输入预测模型，计算得到下一时间节点负荷激励输出pld和新能源输出区间[pne-,pne+]；
8、s2：以配电网线路损耗最小化和新能源输出不确定性为目标建立配电网双层鲁棒优化调度模型；
9、所述配电网线路损耗最小化为第一层优化模型；所述新能源输出不确定性为第二层优化模型；得到配电网双层鲁棒优化调度模型为：
10、
11、其中：(i,j)为第一节点i与第二节点j之间的线路；i为第一节点编号；j为第二节点编号；rij为线路(i,j)的电阻；pij,t为线路(i,j)在t时刻的有功功率；qij,t为线路(i,j)在t时刻的无功功率；(i,j)＝>i为流向第一节点i的线路集合；i＝>(i,j)为流出第一节点i的线路集合；vi,t为第一节点i在t时刻的电压；xij为线路(i,j)的电抗；vj,t为第二节点j在t时刻的电压；pild+为第一节点i的负荷激励输出上限；pild-为第一节点i的负荷激励输出下限；pine+为第一节点i的新能源输出上限；pine-为第一节点i的新能源输出下限；为第一节点i的负荷激励输出最小优化目标；为第一节点i的新能源输出最大优化目标；t为时间参数；t为时间参数总数；vi,t为第一节点i在t时刻的电压；pine为第一节点i的新能源输出；pild为第一节点i的负荷激励输出；为第一节点i的负荷激励无功功率；
12、s3：通过kkt最优性条件和线性规划对偶定理将步骤s2中的双层鲁棒优化调度模型转化为混合整数线性规划模型为：
13、
14、其中：为第一节点i的第一对偶变量；为第二节点j的第一对偶变量；为第一节点i的第二对偶变量；为第二节点j的第二对偶变量；为节点的第三对偶变量；为第一节点i不等式的第一对偶变量；为第一节点i不等式的第二对偶变量；为对偶变量约束松弛化对应的布尔变量；为对偶变量约束松弛化对应的布尔变量；θi,t为第一节点i在t时刻的功率因素角；m为常数参数；
15、s4：以步骤s1中得到的下一时间节点负荷激励输出pld和新能源输出区间[pne-,pne+]为约束条件对步骤s3中所述混合整数线性规划模型进行求解，得到下一时间节点负荷激励设定和调度方案，完成配电网鲁棒优化调度控制。
16、可优选的是，步骤s12中的基于bp神经网络的低压配电网的历史负荷激励输出l预测模型包括输入层、隐藏层以及权重调整规则的误差计算与反向传播层，具体模型为：
17、
18、其中：xi为第i个输入；wij为输入层到隐藏层之间的权重；bj为输入层偏置；f(·)为激活函数；hj为第j个隐藏节点的输出；vjk为隐藏层到输出层之间的权重；ck为输出层偏置；g(·)为输出层激活函数；yk为第k个bp神经网络模型输出值；为第k个bp神经网络模型实际值；e为损失函数；m为第二节点总数；n为第一节点总数；j为隐藏层节点的索引；k为输出层节点的索引；p为输出节点总数。
19、可优选的是，步骤s13中的基于arima时间序列的新能源历史输出数据n预测模型，具体为：
20、
21、其中：yt为t时刻的预测值；c为常数项参数；为第1个自回归项的系数；为第2个自回归项的系数；为第p个自回归项的系数；εt为t时刻的白噪声；θ2为第2个移动平均项的系数；θ3为第3个移动平均项的系数；θq为第q个移动平均项的系数。
22、可优选的是，步骤s2中的第一层优化模型以配电网线路损耗最小化为优化目标，具体为：
23、
24、其中：xi,t为第一节点i在t时刻的弹性系数；为实施需求响应前的负荷；为实施需求响应后的负荷；为实施需求响应前节点i在t时刻的负荷激励变量；为实施需求响应后节点i在t时刻的负荷激励变量；rpeak为负荷激励峰值；rvalley为负荷激励低谷；tpeak为负荷激励峰时段；tvalley为负荷激励谷时段；为实施需求侧响应后的上限；为实施需求侧响应后的下限。
25、可优选的是，步骤s2中的第二层优化模型以根据新能源输出峰谷上下限，确定下一节点负荷曲线数据pld的调节范围[pld-,pld+]为：
26、
27、其中，为第一节点i在t时刻的负荷激励上限；为第一节点i在t时刻的预测负荷大小；为实施需本文档来自技高网...
【技术保护点】
1.一种基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，其特征在于，其包括：
2.根据权利要求1所述的基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，其特征在于：步骤S12中的基于BP神经网络的低压配电网的历史负荷激励输出L预测模型包括输入层、隐藏层以及权重调整规则的误差计算与反向传播层，具体模型为：
3.根据权利要求1所述的基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，其特征在于：步骤S13中的基于ARIMA时间序列的新能源历史输出数据N预测模型，具体为：
4.根据权利要求1所述的基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，其特征在于：步骤S2中的第一层优化模型以配电网线路损耗最小化为优化目标，具体为：
5.根据权利要求1所述的基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，其特征在于：步骤S2中的第二层优化模型以根据新能源输出峰谷上下限，确定下一节点负荷曲线数据Pld的调节范围[Pld-,Pld+]为：
6.根据权利要求1所述的基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，
7.根据权利要求1所述的基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，其特征在于：步骤S3中的线性规划对偶定理，具体为：
8.根据权利要求1所述的基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，其特征在于：步骤S4中对步骤S3所述混合整数线性规划模型进行求解，是通过分支定界算法求解，具体为：
...【技术特征摘要】
1.一种基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，其特征在于，其包括：
2.根据权利要求1所述的基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，其特征在于：步骤s12中的基于bp神经网络的低压配电网的历史负荷激励输出l预测模型包括输入层、隐藏层以及权重调整规则的误差计算与反向传播层，具体模型为：
3.根据权利要求1所述的基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，其特征在于：步骤s13中的基于arima时间序列的新能源历史输出数据n预测模型，具体为：
4.根据权利要求1所述的基于线损和新能源出力不确定性的配电网鲁棒优化调度方法，其特征在于：步骤s2中的第一层优化模型以配电网线路损耗最小化为优化目标，具体为：
5.根据权利要求1所述的基于线损...
【专利技术属性】
技术研发人员：何荣富，袁翔，任有刚，王之昕，梁雨婷，李肖，仝翠芝，王冲，武文鹏，田伟，陈泽坤，刘彦志，王静芝，闫福烔，耿爱森，王二威，刘浩锋，秦亮，
申请(专利权)人：国网冀北电力有限公司智能配电网中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。