Резюме Висока част от производството на фотоволтаична енергия ще има неблагоприятни ефекти върху стабилността на енергийната система, а съхранението на енергия се счита за едно от ефективните средства за премахване на тези ефекти. Тази статия анализира влиянието на фотоволтаичното производство на електроенергия върху енергийната система от гледна точка на потока на енергия и след това анализира ефекта от съхранението на енергия върху ограничаването на влиянието. Първо се въвеждат моделът за разпределение на вероятностите и моделът за съхранение на енергия на компонентите в енергийната система и се въвеждат методът за вземане на проби от латински хиперкуб и методът за нормализиране на последователността на грам-Шмид. Второ, беше създаден многоцелеви оптимизационен модел, който отчита цената на системата за съхранение на енергия, вероятността извън границите на потока на енергия в клона и мрежовата загуба на електрическата мрежа. Оптималното решение на целевата функция е получено чрез генетичен алгоритъм. И накрая, симулацията се извършва в IEEE24 възлова тестова система за анализиране на влиянието на различния фотоволтаичен капацитет за достъп и местоположение на достъп върху енергийната система и ефекта от съхранението на енергия върху енергийната система, както и оптималната конфигурация за съхранение на енергия, съответстваща на различен фотоволтаичен капацитет се получава.

Key words photovoltaic power generation; Energy storage system; Optimized configuration; Probability power flow; Genetic algorithm (ga)

Производството на фотоволтаична енергия има предимствата на екологичната защита на околната среда и възобновяемите енергийни източници и се счита за един от най-потенциалните възобновяеми енергийни източници. До 2020 г. кумулативният инсталиран капацитет на производство на фотоволтаична енергия в Китай е достигнал 253 милиона kw. Прекъснатостта и несигурността на широкомащабната фотоволтаична мощност засягат енергийната система, включително проблеми с пиковото бръснене, стабилност и изхвърляне на светлината и мрежата трябва да приеме по-гъвкави мерки, за да се справи с тези проблеми. Съхранението на енергия се счита за ефективен начин за решаване на тези проблеми. Прилагането на система за съхранение на енергия носи ново решение за широкомащабно свързване на фотоволтаична мрежа.

Понастоящем има много изследвания за производство на фотоволтаична енергия, система за съхранение на енергия и вероятностен поток на енергия у нас и в чужбина. Голям брой литературни проучвания показват, че съхранението на енергия може да подобри степента на използване на фотоволтаиците и да реши стабилността на връзката с фотоволтаичната мрежа. При конфигурацията на системата за съхранение на енергия в нова енергийна централа трябва да се обърне внимание не само на стратегията за управление на оптичното съхранение и съхранението на вятъра, но и на икономията на системата за съхранение на енергия. В допълнение, за оптимизирането на множество електроцентрали за съхранение на енергия в енергийната система е необходимо да се проучи икономическият модел на работата на електроцентралите за съхранение на енергия, изборът на място на начална и крайна точка на фотоволтаичните предавателни канали и избор на място за съхранение на енергия. Въпреки това, съществуващите изследвания за оптимална конфигурация на системата за съхранение на енергия не отчитат специфичното въздействие върху енергийната система, а изследването на многоточкова система не включва широкомащабни работни характеристики на оптично съхранение.

With the large-scale development of uncertain new energy power generation such as wind power and photovoltaic, it is necessary to calculate the power flow of the power system in the operation planning of the power system. For example, the literature studies the optimal location and capacity allocation of energy storage in the power system with wind power. In addition, the correlation between multiple new energy sources should also be considered in the calculation of power flow. However, all the above studies are based on deterministic power flow methods, which do not consider the uncertainty of new energy generation. The literature considers the uncertainty of wind power and applies the probabilistic optimal power flow method to optimize the site selection of energy storage system, which improves the operation economy.

At present, different probabilistic power flow algorithms have been proposed by scholars, and data mining methods of nonlinear probabilistic power flow based on Monte Carlo simulation method have been proposed in literatures, but the timeliness of Monte Carlo method is very poor. It is proposed in the literature to use the probabilistic optimal power flow to study the location of energy storage, and 2 m point method is used, but the calculation accuracy of this method is not ideal. The application of Latin hypercube sampling method in power flow calculation is studied in this paper, and the superiority of Latin hypercube sampling method is illustrated by numerical examples.

Based on the above research, this paper uses the probabilistic power flow method to study the optimal allocation of energy storage in the power system with large-scale photovoltaic power generation. Firstly, the probability distribution model and Latin hypercube sampling method of components in power system are introduced. Secondly, a multi-objective optimization model is established considering the energy storage cost, power flow over limit probability and network loss. Finally, the simulation analysis is carried out in IEEE24 node test system.

1. Probabilistic power flow model

1.1 Модел на несигурност на компонентите

Photovoltaic, load and generator are all random variables with uncertainty. In the calculation of probabilistic power flow of distribution network, the probabilistic model is explained in the literature. Through the analysis of historical data, the output power of photovoltaic power generation follows BETA distribution. By fitting the probability distribution of load power, it is assumed that load follows normal distribution, and its probability density distribution function is

снимка (1)

където Pl е мощността на натоварване; μ L и σ L са съответно очакването и дисперсията на натоварването.

Вероятностният модел на генератора обикновено приема разпределение в две точки, а неговата функция за разпределение на плътността на вероятностите е

(2)

където P е вероятността за нормална работа на генератора; PG е изходната мощност на генератора.

Когато светлината е достатъчна по обяд, активната мощност на фотоволтаичната електроцентрала е голяма, а мощността, която е трудно да се използва във времето, ще се съхранява в батерията за съхранение на енергия. Когато мощността на натоварване е висока, акумулаторната батерия ще освободи съхранената енергия. Уравнението на моментния енергиен баланс на системата за съхранение на енергия е

При зареждане

(3)

Когато изписването

(4)

Ограничението

Снимки,

Снимки,

Картина, картина

Където St е енергията, съхранена в момента T; Pt е мощността на зареждане и разреждане на акумулатора на енергия; SL и SG са съответно енергията на зареждане и разреждане. η C и η D са съответно ефективност на зареждане и разреждане. Ds е скоростта на саморазреждане при съхранение на енергия.

1.2 Метод за вземане на проби от латински хиперкуб

Съществуват симулационен метод, приблизителен метод и аналитичен метод, които могат да се използват за анализ на системния поток на мощност при несигурни фактори. Симулацията на Монте Карло е един от най-точните методи в алгоритмите за вероятностен поток на мощност, но нейната навременност е ниска в сравнение с висока точност. В случай на ниски времена на вземане на проби, този метод обикновено игнорира опашката на кривата на разпределението на вероятностите, но за да се подобри точността, той трябва да увеличи времената за вземане на проби. Методът за вземане на проби от латински хиперкуб избягва този проблем. Това е йерархичен метод за вземане на проби, който може да гарантира, че точките на вземане на проби отразяват ефективно разпределението на вероятностите и ефективно намаляват времето за вземане на проби.

Фигура 1 показва очакването и дисперсията на метода за вземане на проби от латински хиперкуб и метода за симулация на Монте Карло с времена за вземане на проби, вариращи от 10 до 200. Общата тенденция на резултатите, получени от двата метода, намалява. Въпреки това, очакването и дисперсията, получени по метода на Монте Карло, са много нестабилни и резултатите, получени от множество симулации, не са еднакви при едни и същи времена на вземане на проби. Дисперсията на метода за вземане на проби от латински хиперкуб намалява стабилно с увеличаването на времената за вземане на проби и относителната грешка намалява до по-малко от 5%, когато времената на вземане на проби са повече от 150. Заслужава да се отбележи, че точката на вземане на проби на метода за вземане на проби от латински хиперкуб е симетрично спрямо оста Y, така че очакваната му грешка е 0, което също е негово предимство.

Картината

ФИГ. 1 Сравнение на различни времена за вземане на проби между MC и LHS

Методът за вземане на проби от латински хиперкуб е многопластов метод за вземане на проби. Чрез подобряване на процеса на генериране на извадка от входни произволни променливи, стойността на извадката може ефективно да отразява цялостното разпределение на произволните променливи. Процесът на вземане на проби е разделен на две стъпки.

(1) Вземане на проби

Xi (I = 1, 2,… ,m) is m random variables, and the sampling times are N, as shown in FIG. 2. The cumulative probability distribution curve of Xi is divided into N interval with equal spacing and no overlap, the midpoint of each interval is selected as the sampling value of probability Y, and then the sampling value Xi= p-1 (Yi) is calculated by using inverse function, and the calculated Xi is the sampling value of random variable.

Картината

Фигура 2 схематична диаграма на LHS

(2) Пермутации

Извадковите стойности на произволни променливи, получени от (1), са подредени последователно, така че корелацията между m случайни променливи е 1, която не може да бъде изчислена. Методът за ортогонализиране на последователността на грам-Шмид може да бъде възприет за намаляване на корелацията между стойностите на извадката на произволни променливи. Първо се генерира матрица от K×M порядък I=[I1, I2…, IK]T. Елементите във всеки ред са подредени на случаен принцип от 1 до M и представляват позицията на стойността на извадката на оригиналната произволна променлива.

Положителна итерация

Картината

Обратна итерация

Картината

„Картина“ представлява присвояване, извличане(Ik,Ij) представлява изчисляване на остатъчната стойност в линейна регресия Ik=a+bIj, ранг(Ik) представлява нов вектор, образуван от поредния брой елементи в ориентация Ik от малък към голям.

After bidirectional iteration until the RMS value ρ, which represents the correlation, does not decrease, the position matrix of each random variable after permutation is obtained, and then the permutation matrix of random variables with the least correlation can be obtained.

(5)

Where, the picture is correlation coefficient between Ik and Ij, cov is covariance, and VAR is variance.

2. Многоцелева оптимизационна конфигурация на системата за съхранение на енергия

2.1 Обективна функция

За да се оптимизира мощността и капацитета на системата за съхранение на енергия, е създадена функция за многоцелева оптимизация, като се има предвид цената на системата за съхранение на енергия, вероятността за изключване на мощността и загубата на мрежата. Поради различните измерения на всеки индикатор, за всеки индикатор се извършва стандартизация на отклоненията. След стандартизиране на отклонението, диапазонът на стойностите на наблюдаваните стойности на различни променливи ще бъде между (0,1), а стандартизираните данни са чисти количества без единици. В реалната ситуация може да има разлики в акцента върху всеки показател. Ако на всеки индикатор се даде определена тежест, различни акценти могат да бъдат анализирани и изследвани.

(6)

Where, w is the index to be optimized; Wmin and wmax are the minimum and maximum of the original function without standardization.

The objective function is

(7)

In the formula, λ1 ~ λ3 are weight coefficients, Eloss, PE and CESS are standardized branch network loss, branch active power crossing probability and energy storage investment cost respectively.

2.2 Генетичен алгоритъм

Генетичният алгоритъм е вид алгоритъм за оптимизация, създаден чрез имитация на генетичните и еволюционните закони за оцеляване на най-способните и оцеляване на най-способните в природата. Първо трябва да кодирате, първоначалната популация, всяко кодиране от името на индивид (осъществимо решение на проблема), така че всяко осъществимо решение е от за трансформация на генотип фенотип, за да се предприеме избор според законите на природата за всеки индивид и избран в всяко поколение към следващото поколение компютърна среда, за да се адаптира към силния индивид, докато най-приспособим към средата на индивида, След декодиране, това е приблизителното оптимално решение на проблема.

В тази статия енергийната система, включваща фотоволтаично и енергийно съхранение, първо се изчислява чрез алгоритъма на вероятностния поток на мощността и получените данни се използват като входна променлива на генетичния алгоритъм за решаване на проблема. Процесът на изчисление е показан на фигура 3, която е разделена основно на следните стъпки:

Картината

ФИГ. 3 Поток на алгоритъм

(1) Входна система, фотоволтаични и енергийни данни за съхранение и извършване на проби от латински хиперкуб и ортогонализиране на последователността на Грам-Шмид;

(2) Input the sampled data into the power flow calculation model and record the calculation results;

(3) Изходните резултати бяха кодирани от хромозома, за да се генерира първоначалната популация, съответстваща на стойността на извадката;

(4) Calculate the fitness of each individual in the population;

(5) избират, кръстосват и мутират, за да произведат ново поколение популация;

(6) Преценете дали изискванията са изпълнени, ако не, върнете стъпка (4); Ако да, оптималното решение се извежда след декодиране.

3. Примерен анализ

Методът на вероятностния поток на мощността се симулира и анализира в тестовата система IEEE24-възел, показана на фиг. 4, в която нивото на напрежение на 1-10 възела е 138 kV, а това на 11-24 възела е 230 kV.

Картината

Фигура 4 IEEE24 възлова тестова система

3.1 Влияние на фотоволтаичната електроцентрала върху електроенергийната система

Фотоволтаичната електроцентрала в електроенергийната система, местоположението и капацитетът на енергийната система ще се отразят върху напрежението на възела и мощността на клона, следователно, преди анализа на влиянието на системата за съхранение на енергия за електрическата мрежа, този раздел първо анализира влиянието на фотоволтаичната мощност станция в системата, фотоволтаичен достъп до системата в тази статия, тенденцията на границата на вероятността, загубата на мрежата и т.н. продължи симулационния анализ.

Както може да се види от фиг. 5(а), след като фотоволтаичната електроцентрала е свързана, възлите с по-малък надграничен поток на мощност на клона са както следва: 11, 12, 13, 23, 13 за балансиране на възловата точка, напрежението на възела и фазовият ъгъл са дадени, имат ефект на стабилен баланс на мощността на електрическата мрежа, 11, 12 и 23 вместо директно свързани, в резултат на това няколко възела, свързани до границата, вероятността за по-малка и по-голяма мощност, фотоволтаичната електроцентрала ще има достъп до възела с ефект на баланс е по-малка на въздействие на енергийната система.

Картината

Figure 5. (a) sum of power flow off-limit probability (b) node voltage fluctuation (c) total system network loss of different PV access points

В допълнение към превишаването на потока на мощност, тази статия също анализира влиянието на фотоволтаиците върху напрежението на възела, както е показано на фиг. 5(b). За сравнение са избрани стандартните отклонения на амплитудите на напрежението на възли 1, 3, 8, 13, 14, 15 и 19. Като цяло свързването на фотоволтаичните електроцентрали към електрическата мрежа не оказва голямо влияние върху напрежението на възлите, но фотоволтаичните централи имат голямо влияние върху напрежението на a-възлите и близките им възли. В допълнение, в системата, приета от примера за изчисление, чрез сравнение се установява, че фотоволтаичната електроцентрала е по-подходяща за достъп до видовете възли: ① възли с по-висок клас на напрежение, като 14, 15, 16 и т.н., напрежението почти не се променя; (2) възли, поддържани от генератори или регулиращи камери, като 1, 2, 7 и т.н.; (3) в линията съпротивлението е голямо в края на възела.

За да се анализира влиянието на PV точката за достъп върху общата загуба на мрежа в енергийната система, тази статия прави сравнение, както е показано на Фигура 5(c). Може да се види, че ако някои възли с голяма мощност на натоварване и без захранване са свързани към Pv електроцентрала, мрежовата загуба на системата ще бъде намалена. Напротив, възлите 21, 22 и 23 са захранващият край, който е отговорен за централизираното предаване на мощност. Фотоволтаичната електроцентрала, свързана към тези възли, ще причини големи загуби в мрежата. Следователно точката за достъп на Pv електроцентрала трябва да бъде избрана в приемащия край на захранването или възела с голям товар. Този режим на достъп може да направи разпределението на потока на енергия в системата по-балансирано и да намали загубата на мрежата на системата.

Based on the three factors in the analysis of the above results, node 14 is taken as the access point of photovoltaic power station in this paper, and then the influence of the capacity of different photovoltaic power stations on the power system is studied.

Figure 6(a) analyzes the influence of photovoltaic capacity on the system. It can be seen that the standard deviation of the active power of each branch increases with the increase of photovoltaic capacity, and there is a positive linear relationship between the two. Except for several branches shown in the figure, the standard deviations of other branches are all less than 5 and show a linear relationship, which are ignored for the convenience of drawing. It can be seen that photovoltaic grid connection has a great influence on the power of directly connected with photovoltaic access point or adjacent branches. Because of limited power transmission line transmission, the transmission lines of quantities of construction and investment is huge, so installing a photovoltaic power station, should consider the limitation of transportation capacity, choose the smallest influence on line access to the best location, in addition, selecting the best capacity of photovoltaic power station will play an important part to reduce this effect.

Картината

Figure 6. (a) Branch active power standard deviation (b) branch power flow out-of-limit probability (c) total system network loss under different photovoltaic capacities

ФИГ. 6(b) сравнява вероятността активната мощност да надхвърли границата на всеки клон при различни мощности на Pv електроцентрали. С изключение на клоните, показани на фигурата, другите клонове не надвишават лимита или вероятността е много малка. В сравнение с фиг. 6(а), може да се види, че вероятността за извън границата и стандартното отклонение не са непременно свързани. Активната мощност на линия с големи флуктуации на стандартното отклонение не е задължително извън границите и причината е свързана с посоката на предаване на фотоволтаичната изходна мощност. Ако е в същата посока като първоначалния поток на мощност на клона, малката фотоволтаична мощност също може да доведе до изключване. Когато Pv мощността е много голяма, потокът на мощност не може да надвишава границата.

In FIG. 6(c), the total network loss of the system increases with the increase of photovoltaic capacity, but this effect is not obvious. When the photovoltaic capacity increases by 60 MW, the total network loss only increases by 0.5%, i.e. 0.75 MW. Therefore, when installing pv power stations, network loss should be taken as a secondary factor, and factors that have a greater impact on the stable operation of the system should be considered first, such as transmission line power fluctuation and out-of-limit probability.

3.2 Impact of energy storage access on the system

Раздел 3.1 Позицията за достъп и капацитетът на фотоволтаичната електроцентрала зависят от енергийната система