主动配电网规划动态场景生成技术研究

论文总字数：29973字

摘 要

16012216 刘赛

指导教师 高山

本文对主动配电网规划动态场景生成技术这一问题进行研究。建模对象主要分为两类，一类是分布式电源（风电、光电等），另一类是负荷。建模过程采用以静至动的策略，首先生成静态场景，再生成动态场景，最终为主动配电网规划提供必要的参考信息。

在生成静态场景部分，对风电采用基于BP神经网络的数学模型建立风速——风功率的预测模型，合理分割数据，用训练好的神经网络进行数据验证，获取大量的预测误差数据；对负荷预测采用基于动态神经网络的时间序列模型，对未来的负荷实现预测，模型训练过程中产生大量的误差数据。

在生成动态场景部分，对在静态场景生成过程中产生的预测误差数据采用正态分布模型进行拟合。根据拟合的结果，使用拉丁超立方抽样技术来对预测误差抽样，分别产生风电和负荷的误差场景集合。接着采用K-means均值聚类方法作为削减策略，对误差场景集进行削减，使得剩下的场景能够表征原来的场景集，并计算相对概率。最后，叠加预测值就可以得到某一时间断面上的动态场景。对连续多个时间断面动态场景进行求解，求解之后按时序随机排列组合，根据其相应概率对这些组合进行削减得到连续时间序列的动态场景。

最终建模工作通过Matlab实现，最终结果表明上述建模方法满足预期目标。静态场景生成部分，风电预测整体误差在5%左右且波动性平稳，负荷在5%~8%之间且波动性较大。动态场景生成部分，最终削减后的场景能够表征原有场景集。既保留了大概率运行特征场景，同时也保留了小概率的极端运行场景，能够为主动配电网规划提供重要的借鉴和参考信息。

关键词：BP神经网络；动态神经网络；动态场景；拉丁超立方抽样；K-means均值聚类

Abstract

The dynamic scene generation technology for active distribution network planning is studied in this paper.The modeling object is mainly divided into two categories, one is the distributed power (wind power, photovoltaic, etc.), the other is the load. In the process of modeling,the strategy that generate the static scene at first, then generate the dynamic scene, which provides the necessary reference information for the active distribution network planning.

In the generation of static scene, wind -- wind power prediction model based on BP neural network is established in the part of wind power,and divise data reasonably, use the model established to verificate for a wide range of prediction error data.The time series model based on dynamic neural network is used in the load forecasting for future load forecasting. A large number of error data is generated in the process of the model building.

In the generation of dynamic scene, use the normal distribution model to fit the prediction error data generated in the process of static scene. According to the results of the fitting, use Latin hypercube sampling technique to sample errors for generating the set of the wind power and load scene. Then use the K-means method as a reduction strategy for the reduction of error scene, so that the rest of the scene can characterize the original scene set.Calculate the relative probability. Finally, the dynamic scene of a time section can be obtained by adding the predictive value and calculating the combined probability. After getting dynamic scene on the continuous time section,conduct permutations and combinations randomly according to the time.Reduce them according to their possibility，then get dynamic scene of continuous time series。

The software programming of final modeling work is achieved by Matlab, results show that the modeling method above meets the requirements. In the generation of static scene, the overall error of wind power prediction is about 5%, and the volatility is less. The overall error of load is about 5%-8%， and the volatility is larger, the overall error percentage is stable.In the generation of dynamic scene,the final scene after reduction can characterize the features of the original set.It not only retains the scene of the running features having a large probability, but also retains extreme operation scene having a small probability.It can provide an important reference information for the active distribution network planning.

Key words: BP neural network; dynamic neural network; dynamic scene; Latin hypercube sampling;K-means

第一章 绪论

1.1课题研究背景与意义

随着人类社会的不断发展，在生产生活中所消耗的不可再生能源在不断的减少，煤、石油、天然气等化石能源日渐减少，同时环境也承受着巨大的压力。在21世纪，将风能、太阳能等可再生能源的大规模应用是当前的趋势。我国本身能源消耗总量巨大，且生产利用率较低。因此，在当前能源背景下，进一步提高能源利用率，合理利用开发可再生能源，调整能源结构具有重要安全与战略意义，是可以缓解我国能源危机现状，解决发展与环境中存在的诸多问题的。

电能难以大量贮存，并且其生产、传输、分配和使用近乎是同时性的。电能的这些固有特点决定了电力系统的传统运行方式，新能源发电的应用也会给当前的电力系统带来诸多问题。近几十年来，我国电力系统也日趋高效强健，但是新能源发电和新的负荷类型的接入都将使当前的电力系统面临新的问题。

可持续发展是未来电网的发展趋势，而其本质的表现就是分布式电源（DG）的大规模接入，其中新能源发电（光伏、风电等）的应用尤为突出，然而DG的大规模并网又将会对配电网产生诸多影响。传统配电网的运行、控制和管理都是被动的。一般情况下，由发电厂生产出电力，通过变电所升压后流入输电网，降压后进入配电网送到消费者处进行使用，因此，这种传统意义上的配电网也能被称为被动配电网（PDN,Passive distribution network）。即便运用了配电自动化技术，其核心的控制策略依旧是被动的，在无故障时，配电网是不会实施自动控制操作的。并且现有的配电网规划时往往都是基于最大负荷或者平均负荷这一单一场景下的。因此，伴随着未来分布式电源的大规模接入，传统配电网已经无法满足运行控制管理要求了。

图1.1 DG大规模接入配电网的影响

在2008年，国际大电网会议（CIGRE）配电与分布式发电专委会（C6）的C6.11项目组提出了主动配电网（Active distribution network）的概念与发展愿景，被认为是未来配电网发展的方向与模式，这引起了各国学者的广泛关注与研究热潮。主动配电网的主动可以概括为六个，即主动规划、主动控制、主动管理、主动服务、用户侧的主动响应和分布式可再生能源的主动参与^[1]。

 主动配电网内部具有分布式或分散式能源，具有自主控制和运行能力。主动配电网有四个主要特征，（1）具备一定分布式可控能源，（2）完善的可观可控性，（3）具备实现优化管理的控制管理中心，（4）可灵活调节的网络拓扑结构。“可观性”具体表现在主动配电网控制中心可以监测到主网、配电网和用户侧的负荷和分布式电源的具体运行状态，在此基础上利用态势感知技术预测其发展趋势，制定出优化协调控制策略。“可控性”具体表现在对分布式电源、储能、负荷等的运行控制上。控制中心能够有效地执行优化协调控制策略。当前新能源发电技术的发展进一步扩大了分布式电源的并网规模，传统配电网已无法满足未来的发展需求。于是，提出了主动配电网这一发展方向和目标。

主动配电网的建设发展彻底改变了传统配电网运行模式与规划方法，而其中的综合规划技术则是主动配电网的关键所在，是未来电网建设运营维护的基础和先决条件。主动配电网规划需要考虑分布式电源接入电网后的多源特性与随机特性、特征元件的电力电子接口装置的并网影响、电网运行过程中的主动管理与主动控制对规划的要求、多形态能源系统的协调规划等问题，即主动配电网规划过程应该更细致地考虑运行的要求，研究综合规划方法。

当前现有的配电网的规划往往只针对了未来某一个单一最大负荷这一场景，但是由于多形态分布式电源（风电、光伏、燃气发电）的大规模接入会导致配电系统发电的不确定性，这样就要求能够在规划过程中精确计及配电网中的多尺度动态特性，精细化研究主动配电网运行过程中有功、无功的多源优化协调方式及其对系统的影响，然而直接采用运行状态的时序模拟将会产生较大的运算规模。于是，在考虑主动配电网特征元件的随机特性的前提下，研究主动配电网动态场景生成技术，要求能够描述大概率运行特征，同时又能够保留一部分小概率极端事件特征，为主动配电网的规划提供必要的决策辅助。

1.2主动配电网当前相关研究现状

1.2.1我国主动配电网发展现状

自从2008年国际大电网会议（CIGRE）配电与分布式发电专委会（C6）的C6.11项目组提出了主动配电网（Active distribution network）的概念及发展方向之后，围绕着主动配电网的主要概念、基本理论、核心技术与具体应用分析等问题，国内诸多高等院校和有关研究机构实施了诸多科研项目，国网公司和南方电网公司广泛合作建立了诸多试点项目，在实践中取得了部分成果和进步。

在主动配电网规划方面，中国电力科学研究院范天明教授在其论文中对分布式能源接入当前传统配电网中可能产生的影响和发展ADN的必要性，对传统配电网和ADN的差异性进行了比较，对ADN规划设计的技术经济可行性进行了讨论研究；在ADN运行控制优化方面湖南大学曹一家教授研究了分布式电源的辐射状配电网最优潮流问题，最终建立了一种在负荷不平衡配电网短期运行中考虑分布式能源预测误差的基于机会约束优化的多目标最优潮流模型；在ADN的故障处理方面，东南大学陆于平教授、陕西电力科学研究院刘健教授和山东理工大学的徐丙垠教授等研究团队对含分布式电源的配电网的保护问题、故障定位分析、隔离和恢复供电问题进行了研究并且取得了成果^[2]。

国内诸多研究机构和学者在不断地进行ADN相关技术难题的研究和攻克的同时，国家电网和南方电网公司也在积极地推进诸多试点工程，广东佛山、北京、厦门、贵州贵阳等地的主动配电网示范工程相继建立完成。

主动配电网作为当前的传统配电网未来的发展趋势，也是必然趋势。AND作为智能配电网的一种高级阶段，其理论研究和具体实践均处于一个开始阶段，在规划、控制、管理、优化诸多方面还有许多难题和技术需要去攻克和解决，未来的研究道路还有很长。

1.2.2主动配电网规划中场景生成技术的研究现状

当前研究主动配电网的规划问题时，并没有能够全面将ADN的运行特性考虑进去。由于ADN中包含有大量的可控分布式电源，因此系统中也就存在着大量可控的有功和无功，这就导致了系统的优化计算更为复杂，并且ADN中控制元件的时间特性并没有在已有的规划——运行一体化研究中得到较好地体现。现有传统配电网的规划往往只考虑未来最大负荷这一单一场景，但是由于ADN的诸多特性，若只考虑单一场景容易导致资源配置不合理，建设资金的浪费。所以为了能够充分考虑ADN的多尺度动态特性以及ADN运行时的多源优化协调方式，应当运用动态场景（多场景）的方式来进行ADN规划的研究。

如果直接采用运行状态的时序模型进行场景的生成，则容易形成较为庞大的运算规模，不利于分析讨论。因此，有文献研究提出采用确定性场景来表征系统的几个特定阶段的运行特性。这几个场景中既要有能够表征系统的大概率运行特性的场景，又要有小概率极端事件发生时的场景。因此，建立合理的ADN动态场景生成方法对于ADN规划有重要的辅助决策意义。

生成动态场景的前提是静态场景生成，即分布式电源功率输出及负荷的预测模型建立。文献[6]中分别利用人工神经网络、支持向量机对风电功率进行建模仿真，采用了 BP、RBF、GRNN 三种神经网络及线性核、多项式核、RBF核三种支持向量机共计六种方法进行了模型的训练和建立，并全面地比较了其学习能力、泛化能力和预测精度；文献[7]提出了一种非线性校正算法，主要运用了小波包分析算法和BP神经网络对数值天气预报风速进行校正,现有的BP神经网络预测模型有陷入局部极小值的缺点，该文献采用了粒子群优化算法优化模型，提高了数值天气预报和功率出力的相关性，预测精度有所提高; 文献[8]采用了经验模态分解的方法对风电和光伏的发电功率信息进行预处理，削弱了非线性和非平稳特性对功率预测的影响，从而提高了风电功率预测精度。对于负荷预测方法，文献[13,14]介绍了诸多方法，如时间序列法、人工神经网络法、回归分析法、趋势外推法等。

根据文献参考，发现场景生成方法有如下几种方式：(1)运用自回归滑动平均模型（ARMA 模型，Auto-Regressive and Moving Average Model）随机生成所需的预测误差，采用组合的方式生成诸多功率场景^[3,18]；(2)采用拉丁超立方抽样技术（Latin Hypercube Sampling，LHS）在获取预测误差概率分布之后进行分层抽样得到大量场景^[11]；(3)采用场景树（Scenario Tree）生成大规模的场景树。

对于第一种方法只适用于基于历史统计信息的时间序列预测手段的建模，并且当使用ARMA模型进行误差建模的时候，得到的预测误差数据是发散的或者说是随时间逐渐放大的，然而现实情况并不是这样的，分布式电源和负荷的预测误差并不具备这样的特性。第二种方法利用拉丁超立方抽样可以在各个时间断面上抽样得到符合预测误差概率分布的误差数据，并且在不同时间断面上的数据相互独立，这样会导致不同时刻的误差数据失去相关性，然而实际情况则是分布式电源（如风电、光伏发电）的预测误差作为连续时间的随机变量，不同时刻的值是具有相关性的。第三种方法由于场景树的数量和每个时间断面抽样数量n与时间的长度T有关，即。可见得到即使n很小，如取3，一天所获得的场景集中场景的数量也是巨大的。

动态场景生成之后就需要进行必要的削减步骤，大量的场景组合需要经过削减后只剩下能够表征大概率运行事件的场景以及小概率极端事件的场景。根本目标则是使得削减后的结果能够与实际发生的情况较为接近。

文献[11]提出以同步回代法来进行场景的削减；文献[12]提出以初始场景和削减后场景的Kantorovich距离最小为目标作为场景削减的策略；本文中提出以K-means均值聚类法来进行大量场景削减的算法，最终实现以削减后的场景来表征初始场景特点的初始目标。

1.3本文完成的主要工作

本文研究了主动配电网规划中动态场景生成技术，以风电、光伏以及负荷的动态场景生成的模型建立为主要工作内容，该动态场景生成技术可以为ADN的规划提供重要的辅助决策作用和技术支持。论文的章节安排和主要内容如下：

第一章绪论，介绍了论文研究背景和研究意义，提出了论文中的研究对象和工作范围，同时对围绕本文主题开展的其他相关研究做了介绍和评述，总结存在的一些问题。

第二章研究主动配电网静态场景生成方法。提出动态场景生成方法和关键技术，即先生成分布式电源和负荷的静态场景，在这个基础上生成动态场景。在这一章重点介绍如何通过神经网络方法建立风电以及光伏发电的静态场景生成方法，为之后的动态场景生成奠定基础。

第三章研究了主动配电网动态场景生成方法。介绍了对于静态场景生成时产生大量原始误差数据的处理方法以及预测误差数据的LHS抽样方法，从而生成大量原始的场景。接着具体分析不同的削减策略并进行比较，选取较为实用的削减方法。

第四章研究了具体的主动配电网动态场景的建模工作。根据现有数据情况，选取了分布式电源中的风功率动态场景生成和负荷动态场景生成建模工作来具体实现，最后介绍了连续时间序列动态场景生成的基本步骤并给出范例结果。

第五章对全文进行总结，表达了对未来需要进一步研究的问题的展望。

第二章 主动配电网静态场景生成方法

本文对于动态场景技术研究采用以静至动的策略，首先生成基本的静态场景，之后在静态场景的基础上进行动态场景的生成工作。对于静态场景的生成，在这里可以理解为基本的分布式电源的发电功率预测以及负荷预测。接下来介绍分布式电源（这里介绍风电和光伏）的静态场景生成基本原理。

2.1分布式电源静态场景生成基本原理

当前，对于风电和光电的预测方法随着近几年新能源发电的发展，这方面的研究也日趋完善。风光电的预测方法众多，按照不同的分类标准,它们的分类也不尽相同。

图2.1风光电功率预测方法分类

剩余内容已隐藏，请支付后下载全文，论文总字数：29973字