[0001] 本发明涉及新能源电力系统调度技术领域，更具体地，涉及一种风光储选址和定容分布鲁棒协同优化方法。

[0002] 风能与太阳能作为可再生无污染的绿色能源，风力发电、光伏发电近年来得到了大力发展；由于风能和光能的间歇性和随机性，风、光独立运行系统很难提供连续稳定的能量输出，如果在风、光互补的基础上加入储能装置组成风光储联合发电系统，就可以充分利用风能和光能在时间及地域上的天然互补性，同时配合储能系统对电能的存储和释放，改善整个风光发电系统的功率输出特性，缓解风电、光电等可再生能源的间歇性和波动性与电力系统需要实时平衡之间的矛盾，降低其对电网的不利影响。

[0003] 目前，对于分布式风电场、光伏电站、储能装置接入配电网的选址和定容的优化计算方法通常是先采用较为主观性的选择方法对风光储接入配电网的节点进行选址，然后在已选定的接入节点上进行风光储容量优化配置，具体方法如下：在给定的接入节点后，以各个接入点的风光储配置容量为决策变量，以系统成本最小化为目标函数，通常没有考虑风电和光伏发电受天气和环境因素影响带来的不确定性，选取某一个典型日的风电和光伏出力曲线对优化模型求解得到各个接入点的风光储配置容量。

[0004] 如果不考虑风光发电的不确定性对配电网的影响，即不考虑接入节点选择与容量优化配置结果之间的影响，就无法考虑风光储之间的选址和定容的协同优化作用，无法保证得到的风光储优化配置结果是最优方案。

[0005] 目前的现有技术公开了一种高比例新能源电力系统自适应鲁棒日前优化调度方法，用于解决高比例新能源电力系统中风力发电和光伏发电出力的不确定性对系统运行调度的影响，首先通过蒙特卡洛模拟依据有限的新能源历史数据，生成新能源出力的不确定场景集，然后，构造以系统运行经济性最优为目标的高比例新能源电力系统自适应鲁棒日前优化调度模型，并构建模型约束条件；采用场景法以及引入辅助变量来求解高比例新能源电力系统自适应鲁棒日前优化调度模型，能够优化高比例新能源电力系统的能量调度；现有技术中的方法采用基于场景或机会约束的随机优化方法和鲁棒优化方法对风电和光伏的发电不确定性进行优化，会面临不确定集合中没有考虑发电出力的概率分布信息且决策结果通常过于保守的问题，另外，风光储选址和定容协同优化配置模型是混合整数非凸非线性规划模型，现有研究通常采用启发式算法直接求解，计算结果容易陷入局部最优解而且计算效率较低，而且难以应用于实际的大规模配电网系统。

[0097] 附图仅用于示例性说明，不能理解为对本专利的限制；

[0098] 为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

[0099] 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

[0100] 下面结合附图和实施例对本发明的技术方案做进一步的说明。

[0101] 实施例1

[0102] 如图1所示，本实施例提供一种风光储选址和定容分布鲁棒协同优化方法，包括以下步骤：

[0103] S1：考虑新能源的出力不确定性，建立基于JS散度距离度量的概率分布模糊集合；

[0104] 所述新能源包括分布式风电场、光伏电站和储能装置；

[0105] S2：以最大化新能源接入配电网的消纳能力为目标，根据所建立的概率分布模糊集合，建立二阶的新能源配置分布鲁棒优化模型，并设置约束条件；

[0106] S3：对所建立的新能源配置分布鲁棒优化模型进行转化，获取转化后的新能源配置分布鲁棒优化模型；

[0107] S4：利用CCG算法和二阶锥凸松弛技术对转化后的新能源配置分布鲁棒优化模型进行求解，获取新能源配置的最优解；

[0108] S5：根据新能源配置的最优解对新能源接入配电网的选址和定容进行配置优化。

[0109] 在具体实施过程中，首先考虑新能源的出力不确定性，建立基于JS散度距离度量的概率分布模糊集合；之后以最大化新能源接入配电网的消纳能力为目标，根据所建立的概率分布模糊集合，建立二阶的新能源配置分布鲁棒优化模型；对所建立的新能源配置分布鲁棒优化模型进行转化，获取转化后的新能源配置分布鲁棒优化模型；利用CCG算法和二阶锥凸松弛技术对转化后的新能源配置分布鲁棒优化模型进行求解，获取新能源配置的最优解；最后根据新能源配置的最优解对新能源接入配电网的选址和定容进行配置优化；

[0110] 本方法考虑了分布式风电场、光伏电站和储能装置接入配电网的节点选择和容量优化配置之间的紧密关联性，将接入节点选择和配置容量共同作为决策变量，能够得到使新能源电力系统有效消纳能力最大的风光储选址和定容协同优化配置方案，更具有实用性；本方法考虑了风光发电的不确定性，建立基于JS散度距离度量的概率分布模糊集合，构建风光储选址和定容分布鲁棒协同优化配置模型，计算量较小且结果鲁棒性较高；除此之外，本方法还基于二阶锥等凸松弛技术，将混合整数非凸非线性规划模型转化成混合整数凸规划模型，从而实现更高效和可靠的求解。

[0111] 实施例2

[0112] 本实施例提供一种风光储选址和定容分布鲁棒协同优化方法，包括以下步骤：

[0113] S1：考虑新能源的出力不确定性，建立基于JS散度距离度量的概率分布模糊集合；

[0114] 所述新能源包括分布式风电场、光伏电站和储能装置；

[0115] S2：以最大化新能源接入配电网的消纳能力为目标，根据所建立的概率分布模糊集合，建立二阶的新能源配置分布鲁棒优化模型，并设置约束条件；

[0116] S3：对所建立的新能源配置分布鲁棒优化模型进行转化，获取转化后的新能源配置分布鲁棒优化模型；

[0117] S4：利用CCG算法和二阶锥凸松弛技术对转化后的新能源配置分布鲁棒优化模型进行求解，获取新能源配置的最优解；

[0118] S5：根据新能源配置的最优解对新能源接入配电网的选址和定容进行配置优化。

[0119] 在具体实施过程中，首先考虑新能源的出力不确定性，建立基于JS散度距离度量的概率分布模糊集合，具体为：

[0120] 获取新能源的出力历史数据并统计其参考概率分布，利用新能源的出力历史数据的参考概率分布，建立基于JS散度距离度量的概率分布模糊集合，用于描述新能源的出力不确定性；

[0121] 将每个时段t的新能源的出力作为不确定变量Prt，所述基于JS散度距离度量的概率分布模糊集合具体为：

[0122]

[0123]

[0124] 其中，prt为不确定变量Prt的真实概率分布，p0t为新能源的出力历史数据的参考概率分布，λ为真实概率分布与参考概率分布的允许最大偏差；DJS(prt||p0t)为真实概率分布与参考概率分布的JS散度值，满足DJS(prt||p0t)∈[0,1]；

[0125] 当真实概率分布与参考概率分布的JS散度值DJS(prt||p0t)为0时，真实概率分布与参考概率分布相同；当真实概率分布与参考概率分布的JS散度值DJS(prt||p0t)为1时，真实概率分布为任意分布；

[0126] 获取新能源的出力历史数据并统计其参考概率分布的具体方法为：

[0127] 获取新能源的出力历史数据，包括时段t分布式风电场、光伏电站和储能装置的出力历史数据P0t的Nt个样本，根据所有样本的分布情况获取频率直方图，将频率直方图中所有样本的取值划分为M个不同的取值区间，记录每个样本值属于每个取值区间的频数，记为A1，A2，…，AM，满足：

[0128]

[0129] 其中，Amt为样本值属于第m个取值区间的频数；

[0130] 统计每个样本值属于每个取值区间的频率并将其作为参考概率，获取新能源的出力历史数据的参考概率分布p0t，具体为：

[0131] p0t{P0t＝P0tm}＝Amt/Nt                   (4)

[0132] 其中，P0tm为新能源的出力历史数据P0t的样本的第m个区间中点值；

[0133] 之后以最大化新能源接入配电网的消纳能力为目标，根据所建立的概率分布模糊集合，建立二阶的新能源配置分布鲁棒优化模型；

[0134] 所述新能源接入配电网的消纳能力为新能源的配置容量与弃风和弃光容量之差，具体为：

[0135]

[0136] 其中，nb为配电网的节点数，Swi和Spvi分别为节点i配置的风电和光伏容量，βw和βpv分别为弃风和弃光容量的惩罚系数，T为运行周期的时段总数， 和Ppvi,t分别为表示第t个时段节点i的光伏电站最大可用有功出力和实际有功出力， 和Pwi,t分别为表示第t个时段节点i的分布式风电场最大可用有功出力和实际有功出力；

[0137] 以最大化新能源接入配电网的消纳能力为目标，根据所建立的概率分布模糊集合，建立二阶的新能源配置分布鲁棒优化模型，所建立的二阶的新能源配置分布鲁棒优化模型的目标函数具体为：

[0138]

[0139] 其中，u为第一阶模型的决策变量，包括新能源接入配电网的选址和定容的变量、风电和光伏的实际输出功率，以及储能装置的充放电功率；v为第二阶模型的第一决策变量，包括风电和光伏的实际输出功率，以及储能装置的充放电功率；prt为不确定变量Prt的真实概率分布，作为第二阶模型的第二决策变量；Ep(·)为求数学期望值的函数；

[0140] 根据所建立的二阶的新能源配置分布鲁棒优化模型的目标函数设置配电网运行约束、光伏电站运行和配置约束、分布式风电场运行和配置约束和储能装置运行和配置约束，完成新能源配置分布鲁棒优化模型的建立；

[0141] 所述配电网运行约束具体为：

[0142] 所述配电网运行约束包括配电网支路潮流约束和配电网运行安全约束；

[0143] 所述配电网支路潮流约束采用二阶锥凸松弛的支路潮流方程描述，具体为：

[0144]

[0145] 其中，δ(j)为配电网中首节点为j的支路所有末节点集合；π(j)为配电网中末节点为j的支路所有首节点集合；rij和xij分别为节点i和节点j构成支路的电阻和电抗；Pij,t和Qij,t分别为第t时段节点i和节点j构成支路的有功功率和无功功率； 为第t时段节点i和节点j构成支路上电流的平方； 为第t时段节点j电压的平方；PGj,t和QGj,t分别为第t时段节点j的变电站的有功注入量和无功注入量；Pcj,t和Pdj,t分别为第t时段节点j的储能装置充电功率和放电功率；PLj,t和QLj,t分别为第t时段节点j的有功负荷和无功负荷；

[0146] 所述配电网运行安全约束包括配电网各节点电压和支路功率的安全约束、从变电站向配电网注入功率的上下限约束，以及变电站向配电网注入功率的连续调整约束，具体为：

[0147]

[0148] 其中，Vi,t和 分别为在第t时段节点i的电压上限和下限，Pij,t和 分别为在第t时段节点i和节点j构成支路的电流上限和下限，PGi,t和 分别为在第t时段节点i变电站向配电网注入有功功率的上限和下限，QGi,t和 分别为在第t时段节点i变电站向配电网注入无功功率的上限和下限，rdgi和rugi分别为变电站向配电网注入功率的向下和向上单位时间调整功率，Δt为时段间隔，在本实施例中，Δt为1小时；

[0149] 所述光伏电站运行和配置约束，以及分布式风电场运行和配置约束具体为：

[0150] 所述光伏电站的运行约束为光伏电站的实际有功出力不超过最大可用有功出力，具体为：

[0151]

[0152] 所述光伏电站的配置约束包括每个节点光伏电站的配置容量上下限约束和并网节点的上限约束，具体为：

[0153]

[0154] 其中，μpvi为光伏电站的二进制变量，表示节点i是否接入光伏电站，其取值为1或0分别表示节点i接入或不接入光伏电站；Spvmax为节点i配置光伏电站的容量上限，Npvmax为配电网中允许接入光伏电站的数量上限；kpvi为节点i光伏逆变器配置数量，Spv0为单台光伏逆变器的额定容量；

[0155] 所述分布式风电场运行约束为分布式风电场的实际有功出力不超过最大可用有功出力，具体为：

[0156]

[0157] 分布式风电场配置约束包括每个节点风电场的配置容量上下限约束和并网节点的上限约束，具体为：

[0158]

[0159] 其中，μwi为分布式风电场的二进制变量，表示节点i是否接入风电场，其取值为1或0分别表示节点i接入或不接入风电场；Swmax为节点i配置风电场的容量上限，Nwmax为配电网中允许接入风电场的数量上限；kwi为节点i风力发电机配置数量，Sw0为单台风力发电机的额定容量；

[0160] 所述储能装置运行和配置约束具体为：

[0161] 所述储能装置具体为蓄电池，其运行约束为：

[0162]

[0163] 其中，Esi,t为第t时段节点i的蓄电池的存储电能量，δs为能量损失率；ηsc和ηsd分别为蓄电池的充电和放电效率，Esimin和Esimax分别为节点i的蓄电池的最小存储电能量和最大存储电能量，Pcimax和Pdimax分别为充电功率和放电功率的上限；yci,t和ydi,t分别为蓄电池运行在充电和放电状态指示的二进制变量，Esi,0和Esi,T分别为蓄电池在运行周期的初始和末尾时段的存储电能量；μsi为储能装置的二进制变量，表示节点i是否接入储能装置，其取值为1或0分别表示节点i接入或不接入储能装置；Ssi为节点i配置的储能装置容量，αs为最小与最大存储电能量的比例系数；

[0164] 所述储能装置的配置约束具体为：

[0165]

[0166] 其中，Ssimax为节点i配置储能装置的容量上限，Nsmax为配电网中允许接入储能装置的数量上限，SsΣ为配电网中规划接入储能装置的总容量上限；ksi表示节点i储能配置容量是离散挡位值的整数倍，Ss0表示实际工程生产的储能容量离散挡位值；

[0167] 对所建立的新能源配置分布鲁棒优化模型进行转化，获取转化后的新能源配置分布鲁棒优化模型；

[0168] 将不确定变量的概率分布采用离散分布表示，获得的转化后的新能源配置分布鲁棒优化模型，转化后的新能源配置分布鲁棒优化模型的目标函数具体为：

[0169]

[0170] 转化后的新能源配置分布鲁棒优化模型的目标函数为二阶三层形式；

[0171] 利用CCG算法和二阶锥凸松弛技术对转化后的新能源配置分布鲁棒优化模型进行求解，获取新能源配置的最优解；

[0172] 利用二阶锥凸松弛技术将转化后的新能源配置分布鲁棒优化模型的目标函数分解为主问题和子问题，利用CCG算法进行交替迭代求解，每次迭代时子问题向主问题添加新的变量和约束；

[0173] 所述子问题SP具体为：

[0174]

[0175] 其中，W为子问题SP的最优解，子问题SP是在不确定变量的概率分布波动的模糊集合内，寻找使弃风弃光容量的相反数最小的最恶劣概率分布；

[0176] 求解子问题SP时，将子问题SP中的 和 两层模型相互解耦，分成SP‑1和SP‑2两步依次求解，所述SP‑1具体为：

[0177]

[0178] 所述SP‑2具体为：

[0179]

[0180] 每次迭代时子问题向主问题添加新的变量和约束具体为：

[0181]

[0182] 其中，z为CCG算法中新增的辅助变量；

[0183] 所述主问题MP具体为：

[0184]

[0185] 主问题以求解子问题得到的风电和光伏出力最恶劣概率分布为已知量，以第一决策变量u为决策变量，获取新能源配置的最优解；

[0186] 如图2所示，所述利用CCG算法进行交替迭代求解的具体方法为：

[0187] S4.1：初始化转化后的新能源配置分布鲁棒优化模型参数，包括：设置下界初始值(0) (0)LB ＝‑∞、上界初始值UB ＝+∞、真实概率分布与参考概率分布的允许最大偏差λ和迭代次数k；

[0188] 将参考概率分布作为不确定变量的初值 求解主问题MP，获得第一决策变量的(0)初值u ，开始迭代；

[0189] S4.2：子问题求解：根据第k‑1次迭代求解主问题MP获得的第一决策变量的值u(k‑1) (k)，依次求解子问题中的SP‑1和SP‑2，获得子问题SP的最优解W 和最恶劣概率分布(k) (k
向主问题MP添加新的变量和约束 并更新下界值LB ＝max{LB
‑1) (k)
,W }；

[0190] S4.3：主问题求解：根据求解子问题SP获得的最恶劣概率分布 求解主问题MP，(k) (k) (k)获得主问题MP的最优解Z 和第k次迭代的第一决策变量值u ，并更新上界值UB ＝min(k‑1) (k)
{UB ,Z }；

[0191] S4.4：判断预设的停止迭代条件是否成立，若成立，则将第k次迭代的第一决策变(k)量值u 作为新能源配置的最优解输出，否则重复步骤S4.2～S4.4；

[0192] 所述预设的停止迭代条件具体为：UB(k)‑LB(k)<ε或 其中，ε为预设的收敛判据；

[0193] 最后根据新能源配置的最优解对新能源接入配电网的选址和定容进行配置优化；

[0194] 如图3所示，图3为某个实际配电网系统的结构拓扑图，该配电网共有180个节点，179条支路，12条10kV馈线，其中节点180为连接变电站的平衡节点；线路阻抗参数和负荷数据已知，节点电压的安全上下限设置为1.07p.u.和0.93p.u，各10kV配电线路的最大供电容量为6MW；在该配电网中风电场、光伏电站和储能装置的配置参数如表1所示：

[0195]

[0196] 表1分布式风电场、光伏电站和储能装置的配置参数

[0197] 规定每条馈线最多接入的风电场、光伏电站数量均为3个，最多接入的储能装置数量为2个；除了节点179和节点180外，其余节点均可以接入风电场、光伏电站和储能装置；

[0198] 根据收集各类风电和光伏过去一年的历史出力数据，进行统计处理后绘出典型日单位容量风电和光伏出力离散概率分布直方图，即风电和光伏出力参考概率分布，如图4所示；

[0199] 如图5所示为配电网的预测总负荷曲线，在本实施例中，CCG分解法的收敛判据ε取‑510 ，优化计算采用商业优化软件GAMS调用相应求解器进行计算；

[0200] 为了验证本实施例所提出的新能源配置分布鲁棒优化模型的优势，设置了以下几种不同的配置方案进行优化分析，其中考虑风电和光伏出力不确定性概率分布模糊集合的JS散度值阈值λ都取0.3；

[0201] Case1：不接入光伏和储能的风电选址和定容配置：只对风电场进行选址和定容配置；

[0202] Case2：不接入风电和储能的光伏选址和定容配置：只对光伏电站进行选址和定容配置；

[0203] Case3：不接入储能的风光选址和定容配置：只对光伏电站、风电场进行选址和定容配置；

[0204] Case4：本实施例所提出的风光储协同选址和定容配置，将风电场、光伏电站和储能装置的选址和定容共同作为决策变量；

[0205] Case5：同样为本实施例中所提出的风光储协同选址和定容配置，但储能配置总容量设置为原来的一半，即总容量为16MWh；

[0206] 上述不同配置方案的优化结果对比如表2所示，与Case1和Case2相比，Case3对风光进行协同选址和定容配置，由于风电和光伏出力的呈现出相反的昼夜特性，即白天光伏出力大，风电出力小，而夜晚光伏出力小，风电出力大，风光协同配置配电网可以实现风电和光伏互补协调消纳，提高配电网的新能源最大有效消纳能力；与Case3相比，Case4‑5接入储能装置后同样也极大提升配电网系统的新能源最大有效消纳能力，其中Case4和Case5分别提升了33.8％和23.5％的新能源有效消纳能力，因为没有储能的时候，满足变电站的注入功率不越过下限的前提，配电网的新能源最大消纳能力是在风电和光伏出力最大的时段完全对负荷进行消纳，在其他时段由新能源出力与变电站的注入功率共同为负荷提供功率，而且由于变电站连续调整功率受限，还会有产生较大的弃风弃光量；配置储能后，可以在风电和光伏出力最大的时段除了完全对负荷进行消纳，还可以对储能进行充电，在风电和光伏出力较小的时段放电一起为负荷提供功率，也可以减少弃风弃光量；当配置的储能容量越大，新能源最大有效消纳能力提升越大，总弃风弃光量越小，但是新能源最大有效消纳能力的提升速率是会逐渐降低的；因此，在实际含高比例新能源接入的配电网中，配置合适比例的储能是十分必要的；

[0207]

[0208] 表2不同配置方案的优化结果对比不同JS散度阈值下的分布鲁棒优化配置结果对比如表3所示：

[0209]

[0210] 表3不同JS散度阈值下的分布鲁棒优化配置结果对比

[0211] 由表3可知，分布鲁棒优化计算结果的新能源最大有效消纳能力和鲁棒性都介于确定性优化和传统鲁棒优化之间，可以通过调整JS散度阈值的大小来调整光储协同配置方案的新能源最大有效消纳能力和鲁棒性；当JS散度阈值越大时，分布鲁棒优化的配置结果越接近于传统鲁棒优化的配置结果，鲁棒性和安全性越强，但是新能源最大有效消纳能力评估越保守；当JS散度阈值越小时，分布鲁棒优化的配置结果越接近于确定性优化的结果，最大有效消纳能力评估越好，但配置方案的鲁棒性越差，当遇到新能源出力波动较大时，会出现变电站的注入功率越下限、支路传输功率越限上限，弃风弃光量过大等不良问题；因此，本实施例提出的风光储协同选址和定容分布鲁棒优化配置方法可以实现新能源最大有效消纳能力和鲁棒性之间的良好平衡；

[0212] 本方法考虑了分布式风电场、光伏电站和储能装置接入配电网的节点选择和容量优化配置之间的紧密关联性，将接入节点选择和配置容量共同作为决策变量，能够得到使新能源电力系统有效消纳能力最大的风光储选址和定容协同优化配置方案，更具有实用性；本方法考虑了风光发电的不确定性，建立基于JS散度距离度量的概率分布模糊集合，构建风光储选址和定容分布鲁棒协同优化配置模型，计算量较小且结果鲁棒性较高；除此之外，本方法还基于二阶锥等凸松弛技术，将混合整数非凸非线性规划模型转化成混合整数凸规划模型，从而实现更高效和可靠的求解。

[0213] 相同或相似的标号对应相同或相似的部件；

[0214] 附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

[0215] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。