能源是人类赖以生存的基础,随着世界经济的高速发展,全球能源需求也呈现出与日俱增的态势。随着全球生态环境的不断恶化和化石类能源的日益耗尽,加快开发和利用可再生能源已成为世界各国的普遍共识和一致行动。与欧美发达国家相比,我国分布式可再生能源发展呈区域化、快速发展态势,其中以分布式光伏发电发展速度最为迅猛,已经逐步形成大规模、高渗透率分布式光伏发电集群接入的区域性电网。这些电网正面临着大规模分布式光伏发电集群并网带来的挑战,集中体现在:高渗透率、间歇性的分布式光伏发电集群接入,改变了发电与负荷的比例,从根本上改变了电网特性,增加了电网的复杂性和管控难度,对电网的安全、可靠、经济运行产生重大影响[1]。当前,迫切需要对高渗透率分布式发电集群进行管控。为了解决这些问题,本文在大量学者已有的研究基础上,使用基于长短期记忆(Long Short Term Memory,LSTM)的负荷预测和分布式光伏发电预测方法,结合配电网参数和数据,提出改进的电气距离,对高渗透率分布式发电集群进行划分,再使用基于CS-PSO算法的电网双层调控模型,实现高渗透率分布式光伏发电集群示范工程的智能调控。本文主要研究内容和创新点如下:1、分析了分布式光伏发电集群接入对配电网的影响,比较了目前主流的配电网潮流计算方法的优缺点,并进行了数学分析和仿真计算。并选取合适的潮流计算方法比对不同容量渗透率(30%,70%,200%)情况下高渗透率分布式光伏集群接入配电网的电压波动和网损变化情况,结果表明适当的接入分布式光伏发电设备,可以有效抑制电压波动、降低线损,有益于改善配电网的运行状态;而且相对于集中将分布式光伏布置于某一点而言,将分布式光伏拆分、布置到各个节点之后,对电压和线损的改善更为明显;但当分布式光伏渗透率不断提高,电压偏差则由小变大、线路损耗也慢慢增大,此时分布式光伏接入对于配网电压的支撑优势已经丧失殆尽,尤其当接入的分布式光伏容量较大时,在大部分节点都出现了电压越上限和线损超标的现象,配电网的运行环境远比未接入光伏的时候恶劣,且凭借配电网自身的调节能力已经无法改善,在这种的情况下,应该禁止分布式光伏的持续接入。本文的分析结果可以作为分布式光伏接入的容量和位置的理论参考。2、使用一种计及负荷和发电不确定性的光伏发电短期预测方法,将频域分解与Elman神经网络(Elman Neural Network,ENN)、随机森林等算法相结合,对配电网负荷进行分析和精确预测;然后基于孤立森林(isolation forest,iForest)算法和LSTM神经网络算法对光伏发电进行短期预测。负荷预测和分布式光伏的预测结果作为高渗透率分布式光伏发电集群接入的配电网调控依据,精确度可以满足工程实践需求,在实际运行中取得了良好的应用效果。3、深入研究高渗透率分布式光伏发电的集群划分和调控技术,使用一种以阻抗距离和敏感度为双重评价标准的改进电气距离作为量化和计算的参数,并应用谱聚类方法对高渗透率的可再生光伏发电进行集群划分。为优化划分结果,引引入戴维森保丁指数(Davies Bouldin Index,DBI)、剪影指数(Silhouette Index,SI)和均方误差指标,作为集群划分优劣的综合评价指标。将集群划分的结果作为分布式光伏发电集群分区控制的依据,取聚类的质心作为关键节点,并对核心节点进行控制。对IEEE33节点系统和安徽金寨分布式光伏发电示范区,可以有效的区分不同特性的集群并找出影响各个集群的关键节点,有效降低控制成本。4、提出一种全新的基于CS-PSO算法的配电网优化规划算法。该算法以电压和线损作为双重的优化目标,各节点的控制变量为可控节点的无功功率和储能有功功率。将该算法应用于配电网区域调控中,提出一种双层智能控制策略,在指定周期内应用CS-PSO算法进行工作点位置辨识与快速调节(线性计算);在每个控制步长内,基于节点电压与网损,对有源配电网的全局进行优化计算与精确调节(非线性计算)。与传统的集中形式的电网调度控制方法相比,本文提出的方法能以最低的运行成本最大限度的改善分布式光伏集群并网条件。5、在安徽省金寨县的高渗透率分布式光伏发电集群示范区构建并实施的光伏发电集群控制系统,是本文理论研究成果的现场应用。该示范区为高渗透率分布式光伏发电集群并网消纳和调度控制提供有效的解决方案,改善了区域电网电能质量水平,降低了分布式光伏发电设备脱网风险,提升了系统可再生能源发电消纳能力。静态集群中枢母线电压不合格率降到了 3%以内;静态集群台区线损率下降约30%;户用光储发电收益提升约30%;台区总谐波电流畸变率下降到4%以内。整个示范区对外表现出可观测、可控制、可治理的特性,确保高渗透率分布式发电集群“发的出、并的上、用的掉”,取得了良好的示范效应。