[发明专利]考虑三相不平衡的多目标光伏单相并网容量规划方法

权利要求书

1.考虑三相不平衡的多目标光伏单相并网容量规划方法，其特征在于，该方法具体包括以下步骤：

步骤一：考虑规划地点的PV出力数据较少的原因，收集与规划地同纬度的其他PV发电站历史数据来替代，包括：过去T_n1年PV的历史出力数据和天气数据，以及规划地点T_n1年的历史天气数据和负荷的有功功率数据，建立BP神经网络模型，考虑规划年内的天气数据获取难的情况，假设规划地点的天气数据以年为时间尺度的波动性不大时，选择规划地点T_n1年的历史天气数据替代规划年内的天气数据，作为规划年内PV出力预测模型的输入，预测模型输入为同纬度的其他PV发电站T_n1年PV的历史出力数据和规划地点T_n1年天气数据，输出为规划年内第一年的PV出力大小，再根据预测得到的一年PV出力大小和T_n1年PV的历史出力数据，以及天气数据，继续预测得到规划年的第二年PV出力大小，同理得到规划T_n2年所有的PV出力数据，依据同样的方法得到规划T_n2年的负荷有功功率数据；

步骤二：通过改进的K-means聚类算法分别对T_n2年的PV出力和负荷有功功率进行聚类得到s个PV出力场景K_PV和s个负荷有功功率场景K_Load，以及每个场景对应的概率值Pb_PV和Pb_Load，再对PV出力场景和负荷有功功率场景排列组合得到S个新场景K_new和每个新场景对应的概率值Pb；

改进的K-means具体步骤如下：

①基于DPC确定K-means初始聚类中心；

DPC的样本密度ρ_x计算公式如下：

式中d_xy为样本x和样本y之间的DTW距离，样本为给定时间序列对应的PV出力和负荷有功功率的行向量d_c为人工截断距离；

DPC的样本距离δ_x计算公式如下：

式中s'表示所有样本的数据集；指标集当时，

通过DPC得到初始聚类中心，公式如下：

γ_x＝ρ_x*δ_x

将γ_x的结果从大到小排序，γ_x越大表示该值越可能成为样本的聚类中心，选择排名靠前且相对离散的点作为初始聚类中心，表达式如下：

γ″_x＝|γ′_x-γ′_x+1|

式中γ'_x为聚类中心从大到小的排序集合；γ″_x表示相邻两个聚类中心离散程度；

②通过DPC得到的s个初始聚类中心，带入K-means聚类算法后得到s个PV出力场景K_PV和s个负荷有功功率场景K_Load以及每个场景对应概率值，场景概率计算公式如下：

式中，Pb_PV为PV出力场景的概率值；Pb_Load为负荷有功功率场景的概率值；s'为聚类样本总数；x_s为第h个场景的样本总数；

再对PV出力和负荷有功功率的典型场景排列组合得到S个新场景K_new和每个新场景对应的概率值Pb，计算公式如下：

式中，K_new为新的典型场景；Pb为新场景对应的概率值矩阵；[Pb_PV1 Pb_PV2 … Pb_PVs]表示PV出力场景对应的概率值；[Pb_Load1 Pb_Load2 … Pb_Load1s]表示负荷有功功率场景对应的概率值；

步骤三：PV单相并网容量和允许准入出力的转换方法；根据聚类得到PV典型场景出力P_PV,h，计算PV的实际装机容量P_PV0和P_PV,h之间的比值，得到PV单相并网容量和出力的转换矩阵K_PV0,h，公式如下：

K_PV0,h＝P_PV,h/P_PV0 h＝1,2,...,s

式中，K_PV0,h为第h个场景的PV单相并网容量和出力的比值；根据该式，在第h个场景下,将PV的最大出力转换为PV的最大允许装机容量，公式如下：

PV_cap,h,max＝P_PV,h,max/K_PV0,h

式中，P_PV,h,max为第h个场景的PV最大出力；PV_cap,h,max为第h个场景的PV最大允许装机容量；

步骤四：建立综合投资和碳排放成本最小的经济性目标函数，综合投资成本包括光伏电源的设备成本、运维成本和贷款成本，碳排放成本包括电能损耗成本和碳排放惩罚成本；

式中，F_PV为PV综合投资成本；为PV使用年份内的碳排放惩罚成本；C_ploss为PV使用年份内的电能损耗成本；

F_PV、和C_ploss的计算公式如下：

式中，k₁为PV的贷款比例；F₀为PV的建设总成本，包括设备成本和安装成本；F_m为PV的年运维成本，包括人工成本和设备维修成本；F_d为PV的年贷款成本；i_c为折现率；T₁为贷款年限；F_R为PV的残值；

F₀、F_m、F_d、F_R的计算公式如下：

式中，P_cap为PV的装机总容量；C_cap为PV的单位装机成本；R_m为PV的运维成本比例；i_d为PV项目工程的贷款年利率；K_R为PV的残值比例；

式中，C_n为T_n2年内的碳排放量惩罚费用，计算公式如下：

式中，c为发电的平均碳排放强度；q为根节点所接电网的发电比例；△P为配电网每年的电能损失量；为碳排放惩罚成本；c的计算公式如下：

式中，为单位燃料的CO₂排放量；r为单位燃料的发热量；η为电源的能量转换率；

式中，w_price为配电网电价；

经济性目标f₁选择场景按场景概率值对应划分规划T_n2年，分别计算每个场景对应天数的优化结果，最后累计求和，具体公式如下：

式中，f_h(T_n2*Pb_h,K_new,h)表示第h个场景的目标值，T_n2*Pb_h为第h个场景的目标值计算所需的时间尺度，K_new,h为为第h个场景数据；

步骤五：建立电压偏差最小的安全性目标函数，电压偏差定义为实际电压值和额定电压值的差值，系统电压偏差由每个节点电压偏差的均值表示，选择场景概率最大的场景带入优化，具体公式为：

式中，N为节点数，△U_i为第i个节点的电压偏差，计算公式如下：

式中，U_i为第i节点电压幅值，U_N为系统的额定电压值；

步骤六：建立静态电压稳定裕度最大的稳定性目标函数，选择场景概率最大的场景带入优化，具体公式为；

式中，M为相序；的计算公式如下：

式中，P_i^M,Q_i^M为第i节点M相的有功功率和无功功率；r_i,MM,x_i,MM为第i节点的自阻抗；V_i,M为第i节点M相的电压幅值；

步骤七：建立三相不平衡最小的目标函数；三相不平衡采用电流的负序负序分量和正序分量比值表示，选择场景概率最大的场景带入优化，具体公式如下：

式中，I_1,i为第i个节点的正序电流；I_2.i为第i个节点的负序电流；I_A,i,I_B,i,I_C,i为第i个节点的三相的电流，α为相位；

步骤八：客观权重的计算；

①.构建多目标矩阵

对于S个场景，G个目标的多目标矩阵表示为：

式中，x_mn表示为第m个场景的第n个目标的决策值，i＝1,…,S；n＝1,…,G；

②.归一化

由于每个目标的计量单位各不相同，所以，在计算综合目标之前，先要对每个目标进行归一化处理，使所有的目标决策值处于同一等级的量纲下，即把x_ij的绝对值转为相对值；正向目标和负向目标数的计算方法如下：

式中，为第m个目标的最大值和最小值；

③.目标权重矩阵计算

计算在第m个目标下第n个场景所占的比重：

④.信息熵和熵权计算

第n个目标的信息熵计算公式如下所示：

第n个目标的权重计算公式如下所示：

步骤九：主观权重和综合权重的计算，得到综合目标函数；

根据层次分析法确定每个目标的主观权重w_n；再通过客观权重和主观权重的线性组合得到综合权重，计算公式如下：

式中，W_n为客观权重；w_n为主观权重，W′_n为综合权重系数；

综合目标函数的表达式为：

f＝W₁′f₁+W′₂f₂+W′₃f₃+W′₄f₄

步骤九：采用改进的QPSO对综合目标函数求解；

改进算法的流程和基本的QPSO粒子群算法流程一致，只是在更新迭代的过程中对于粒子的更新使用以下策略：

①.随着迭代次数的提高逐步减小搜索步长，表达式如下所示：

式中：b_f表示第f次迭代的搜索步长，f表示迭代次数，f_max表示最大迭代次数；

②.引入正态扰动，扰动大小随着种群粒子标号的增大而增大，从而实现变领域搜索；

式中：R_l表示对第l个粒子引入的扰动；h为扰动系数用于调整随机扰动的大小；L表示粒子总数；l表示第l个粒子；

③.采取加权定位策略，下一次迭代的基准值由上一次全局最优位置和上一代最好位置共同决定；

式中：pBest_l表示个体最优位置；gBest_l表示全局最优位置；a_q表示粒子位置的权重，p_l表示第l个粒子的位置系数；

④.加权定位加上随机扰动和步长的乘积决定粒子的下一个搜索位置：

pop_l＝p_l+b_f×R_l×abs(p_best,l) l＝1,2,....PopNum

式中，PopNum为最大种群数。