Abstrakt Vysoký podíl výroby fotovoltaické energie bude mít nepříznivé účinky na stabilitu energetické soustavy a skladování energie je považováno za jeden z účinných prostředků k eliminaci těchto vlivů. Tento článek analyzuje vliv výroby fotovoltaické energie na energetický systém z pohledu toku energie a následně analyzuje vliv akumulace energie na omezení vlivu. Nejprve je představen model rozdělení pravděpodobnosti a model akumulace energie komponent v energetické soustavě a představena metoda latinského hypercube vzorkování a metoda normalizace gram-Schmidtovy sekvence. Za druhé byl vytvořen vícecílový optimalizační model, který zohlednil náklady na systém skladování energie, mimolimitní pravděpodobnost toku výkonu větvemi a síťové ztráty elektrické sítě. Optimální řešení účelové funkce bylo získáno genetickým algoritmem. Nakonec je simulace provedena v testovacím systému uzlů IEEE24, aby se analyzoval vliv různé fotovoltaické přístupové kapacity a místa přístupu na energetický systém a vliv skladování energie na energetický systém a optimální konfigurace ukládání energie odpovídající různé fotovoltaické kapacitě. se získá.

Klíčová slova fotovoltaická výroba elektřiny; Systém skladování energie; Optimalizovaná konfigurace; Pravděpodobnost toku energie; Genetický algoritmus (ga)

Výroba fotovoltaické energie má výhody zelené ochrany životního prostředí a obnovitelných zdrojů a je považována za jednu z nejpotenciálnějších obnovitelných energií. Do roku 2020 dosáhla čínská kumulativní instalovaná kapacita výroby fotovoltaické energie 253 milionů kw. Přerušovanost a nejistota velkokapacitní fotovoltaické energie ovlivňuje energetický systém, včetně problémů s oholením špiček, stabilitou a ztrátou světla, a síť musí přijmout flexibilnější opatření, aby se s těmito problémy vyrovnala. Skladování energie je považováno za efektivní způsob řešení těchto problémů. Aplikace systému skladování energie přináší nové řešení pro připojení velkoplošné fotovoltaické sítě.

V současné době existuje mnoho výzkumů v oblasti výroby fotovoltaické energie, systému skladování energie a pravděpodobnostního toku energie doma i v zahraničí. Velké množství literárních studií ukazuje, že skladování energie může zlepšit míru využití fotovoltaiky a vyřešit stabilitu připojení fotovoltaické sítě. Při konfiguraci systému skladování energie v nové energetické elektrárně je třeba věnovat pozornost nejen strategii řízení optického úložiště a větrného úložiště, ale také ekonomice systému skladování energie. Kromě toho je pro optimalizaci více energetických akumulačních elektráren v elektrizační soustavě nutné prostudovat ekonomický model provozu energetických akumulačních elektráren, výběr místa výchozího a koncového bodu fotovoltaických přenosových kanálů a výběr místa skladování energie. Stávající výzkum optimální konfigurace systému ukládání energie však nezohledňuje konkrétní dopad na energetický systém a výzkum vícebodového systému nezahrnuje provozní charakteristiky optického úložiště ve velkém měřítku.

S rozsáhlým rozvojem nejisté nové výroby energie, jako je větrná energie a fotovoltaika, je nutné při plánování provozu energetické soustavy vypočítat výkonový tok energetické soustavy. Literatura například studuje optimální umístění a alokaci kapacity akumulace energie v energetické soustavě s větrnou energií. Kromě toho by při výpočtu toku energie měla být zohledněna také korelace mezi více novými zdroji energie. Všechny výše uvedené studie jsou však založeny na deterministických metodách toku energie, které neberou v úvahu nejistotu nové výroby energie. Literatura bere v úvahu nejistotu větrné energie a aplikuje pravděpodobnostní metodu optimálního toku energie k optimalizaci výběru místa systému skladování energie, což zlepšuje ekonomiku provozu.

V současné době jsou vědci navrženy různé pravděpodobnostní algoritmy toku energie a v literatuře byly navrženy metody dolování dat nelineárního pravděpodobnostního toku energie založené na simulační metodě Monte Carlo, ale aktuálnost metody Monte Carlo je velmi špatná. V literatuře se pro studium místa akumulace energie navrhuje použít pravděpodobnostní optimální tok výkonu a používá se bodová metoda 2 m, ale přesnost výpočtu této metody není ideální. V tomto článku je studována aplikace latinské hyperkrychlové vzorkovací metody při výpočtu toku výkonu a nadřazenost latinské hyperkrychlové vzorkovací metody je ilustrována na numerických příkladech.

Na základě výše uvedeného výzkumu tento článek využívá pravděpodobnostní metodu toku energie ke studiu optimální alokace akumulace energie v energetické soustavě s velkovýrobou fotovoltaické energie. Nejprve je představen model rozdělení pravděpodobnosti a metoda latinského hypercube vzorkování komponent v energetické soustavě. Za druhé, je vytvořen multi-cílový optimalizační model s ohledem na náklady na skladování energie, tok energie nad limitní pravděpodobnost a ztrátu sítě. Nakonec je provedena simulační analýza v testovacím systému uzlů IEEE24.

1. Pravděpodobnostní model toku výkonu

1.1 Model nejistoty komponent

Fotovoltaika, zátěž a generátor jsou náhodné veličiny s nejistotou. Při výpočtu pravděpodobnostního toku výkonu distribuční sítě je pravděpodobnostní model vysvětlen v literatuře. Prostřednictvím analýzy historických dat sleduje výstupní výkon fotovoltaické elektrárny distribuci BETA. Proložením pravděpodobnostního rozložení výkonu zátěže se předpokládá, že zatížení sleduje normální rozložení a jeho funkce rozložení hustoty pravděpodobnosti je

obrázek (1)

Kde Pl je výkon zátěže; μ L a σ L jsou očekávání a rozptyl zatížení.

Pravděpodobnostní model generátoru obvykle používá dvoubodové rozdělení a jeho funkce rozdělení hustoty pravděpodobnosti je

(2)

Kde P je pravděpodobnost normálního provozu generátoru; PG je výstupní výkon generátoru.

Při dostatku světla v poledne je činný výkon fotovoltaické elektrárny velký a časově obtížně využitelný výkon se uloží do akumulátoru energie. Když je výkon zátěže vysoký, akumulátor energie uvolní uloženou energii. Rovnice okamžité energetické bilance systému skladování energie je

Při nabíjení

(3)

Při výboji

(4)

Omezení

Obrázky,

Obrázky,

Obrázek, obrázek

Kde, St je energie uložená v čase T; Pt je nabíjecí a vybíjecí výkon zásobníku energie; SL a SG jsou energie nabíjení a vybíjení. η C a η D jsou účinnost nabíjení a vybíjení. Ds je rychlost samovybíjení akumulované energie.

1.2 Latinská hyperkrychlová metoda vzorkování

Existují simulační metody, přibližné metody a analytické metody, které lze použít k analýze toku výkonu v systému za nejistých faktorů. Simulace Monte Carlo je jednou z nejpřesnějších metod v pravděpodobnostních algoritmech toku energie, ale její aktuálnost je nízká ve srovnání s vysokou přesností. V případě krátkých časů vzorkování tato metoda obvykle ignoruje konec křivky rozdělení pravděpodobnosti, ale pro zlepšení přesnosti potřebuje zvýšit časy vzorkování. Latinská metoda vzorkování hyperkrychle se tomuto problému vyhýbá. Jedná se o hierarchickou metodu vzorkování, která může zajistit, že body vzorkování efektivně odrážejí rozdělení pravděpodobnosti a efektivně zkracují doby vzorkování.

Obrázek 1 ukazuje očekávání a rozptyl metody latinského hypercube vzorkování a simulační metody Monte Carlo s časy vzorkování v rozmezí 10 až 200. Celkový trend výsledků získaných těmito dvěma metodami je klesající. Očekávání a rozptyl získané metodou Monte Carlo jsou však velmi nestabilní a výsledky získané více simulacemi nejsou stejné se stejnými časy vzorkování. Rozptyl latinské metody vzorkování s hyperkrychlí se neustále snižuje s rostoucí dobou vzorkování a relativní chyba klesá na méně než 5 %, pokud jsou doby vzorkování větší než 150. Stojí za zmínku, že bod vzorkování latinské hyperkrychlové metody vzorkování je symetrický podle osy Y, takže jeho očekávaná chyba je 0, což je také jeho výhoda.

Obrázek

Obr. 1 Porovnání různých časů vzorkování mezi MC a LHS

Latinská hyperkrychlová metoda vzorkování je metoda vrstveného vzorkování. Zlepšením procesu generování vzorků vstupních náhodných proměnných může vzorkovací hodnota efektivně odrážet celkové rozložení náhodných proměnných. Proces vzorkování je rozdělen do dvou kroků.

(1) Odběr vzorků

Xi (I = 1, 2,…,m) je m náhodných proměnných a doby vzorkování jsou N, jak je znázorněno na OBR. 2. Kumulativní křivka rozdělení pravděpodobnosti Xi je rozdělena na N interval se stejnými rozestupy a bez překrývání, střed každého intervalu je vybrán jako vzorkovací hodnota pravděpodobnosti Y a potom je vzorkovací hodnota Xi= p-1 (Yi) vypočítané pomocí inverzní funkce a vypočtené Xi je vzorkovací hodnota náhodné veličiny.

Obrázek

Obrázek 2 schematický diagram LHS

(2) Permutace

Vzorkové hodnoty náhodných veličin získané z (1) jsou sekvenčně uspořádány, takže korelace mezi m náhodnými veličinami je 1, což nelze vypočítat. Ke snížení korelace mezi vzorkovacími hodnotami náhodných proměnných lze použít metodu ortogonalizace gram-Schmidtovy sekvence. Nejprve se vygeneruje matice K×M řádu I=[I1, I2…, IK]T. Prvky v každém řádku jsou náhodně uspořádány od 1 do M a představují polohu vzorkovací hodnoty původní náhodné veličiny.

Pozitivní iterace

Obrázek

Opačná iterace

Obrázek

„Picture“ představuje přiřazení, takeout(Ik,Ij) představuje výpočet zbytkové hodnoty v lineární regresi Ik=a+bIj, rank(Ik) představuje nový vektor tvořený pořadovým číslem prvků v orientaci Ik od malého po velký.

Po obousměrné iteraci, dokud neklesne efektivní hodnota ρ, která představuje korelaci, se získá matice polohy každé náhodné veličiny po permutaci a poté lze získat permutační matici náhodných veličin s nejmenší korelací.

(5)

Kde je obrázek korelační koeficient mezi Ik a Ij, cov je kovariance a VAR je rozptyl.

2. Vícecílová optimalizace konfigurace systému skladování energie

2.1 Objektivní funkce

Aby se optimalizoval výkon a kapacita systému skladování energie, je vytvořena funkce optimalizace s více cíli, která bere v úvahu náklady na systém skladování energie, pravděpodobnost výpadku výkonu a ztrátu sítě. Vzhledem k různým rozměrům každého ukazatele se pro každý ukazatel provádí standardizace odchylek. Po standardizaci odchylek bude rozsah hodnot pozorovaných hodnot různých proměnných mezi (0,1) a standardizovaná data jsou čisté veličiny bez jednotek. Ve skutečné situaci mohou existovat rozdíly v důrazu na každý ukazatel. Pokud je každému indikátoru přisouzena určitá váha, lze analyzovat a studovat různé důrazy.

(6)

Kde, w je index, který má být optimalizován; Wmin a wmax jsou minimem a maximem původní funkce bez standardizace.

Účelová funkce je

(7)

Ve vzorci jsou λ1 ~ λ3 váhové koeficienty, Eloss, PE a CESS jsou standardizované ztráty pobočkové sítě, pravděpodobnost překročení činného výkonu poboček a investiční náklady na skladování energie.

2.2 Genetický algoritmus

Genetický algoritmus je druh optimalizačního algoritmu vytvořený napodobováním genetických a evolučních zákonů přežití nejschopnějších a přežití nejschopnějších v přírodě. Nejprve je třeba kódovat počáteční populaci, která každá kóduje jménem jednotlivce (schůdné řešení problému), takže každé proveditelné řešení je od transformace genotypového fenotypu, provést výběr podle přírodních zákonů pro každého jednotlivce a vybrat v každá generace na další generaci výpočetního prostředí, aby se přizpůsobila silnému jedinci, dokud se nejvíce přizpůsobí prostředí jednotlivce, Po dekódování je to přibližné optimální řešení problému.

V tomto článku je energetický systém včetně fotovoltaiky a akumulace energie nejprve vypočítán pomocí pravděpodobnostního algoritmu toku energie a získaná data jsou použita jako vstupní proměnná genetického algoritmu pro řešení problému. Proces výpočtu je znázorněn na obrázku 3, který je rozdělen hlavně do následujících kroků:

Obrázek

Obr. 3 Tok algoritmu

(1) Vstupní systém, data z fotovoltaiky a ukládání energie a provádění vzorkování latinské hyperkrychle a ortogonalizace Gram-Schmidtovy sekvence;

(2) Vložte vzorkovaná data do modelu výpočtu toku výkonu a zaznamenejte výsledky výpočtu;

(3) Výstupní výsledky byly zakódovány chromozomem, aby se vytvořila počáteční populace odpovídající vzorkovací hodnotě;

(4) Vypočítejte zdatnost každého jednotlivce v populaci;

(5) selekci, křížení a mutaci pro vytvoření nové generace populace;

(6) Posuďte, zda jsou požadavky splněny, pokud ne, vraťte se ke kroku (4); Pokud ano, optimální řešení je na výstupu po dekódování.

3. Analýza příkladů

Pravděpodobnostní metoda toku energie je simulována a analyzována v testovacím systému IEEE24-node, znázorněném na Obr. 4, ve kterém je napěťová hladina 1-10 uzlů 138 kV a napěťová hladina 11-24 uzlů je 230 kV.

Obrázek

Obrázek 4 Testovací systém uzlu IEEE24

3.1 Vliv fotovoltaické elektrárny na elektrizační soustavu

Fotovoltaická elektrárna v elektrizační soustavě, umístění a kapacita elektrizační soustavy ovlivní napětí uzlu a výkon větve, proto před analýzou vlivu systému skladování energie na elektrizační soustavu tato část nejprve analyzuje vliv fotovoltaické energie. Stanice na systému, fotovoltaický přístup k systému v tomto článku, trend limitu pravděpodobnosti, ztráta sítě atd. pokračovala v simulační analýze.

Jak je patrné z Obr. 5(a), po připojení fotovoltaické elektrárny jsou uzly s menším překročením výkonového toku větve následující: 11, 12, 13, 23, 13 pro vyrovnání uzlu uzlu, je dáno napětí uzlu a fázový úhel, mají efekt stabilní energetické bilance rozvodné sítě, 11, 12 a 23 místo přímého připojení, v důsledku toho je několik uzlů připojených k limitu pravděpodobnost menšího a většího výkonu, fotovoltaická elektrárna přistoupí k uzlu s efektem rovnováhy je menší na vliv energetického systému.

Obrázek

Obrázek 5. (a) součet pravděpodobnosti mimolimitního toku energie (b) kolísání napětí v uzlu (c) celková ztráta systémové sítě různých přístupových bodů FV

Kromě překročení toku výkonu tento článek také analyzuje vliv fotovoltaiky na napětí uzlu, jak je znázorněno na Obr. 5(b). Pro srovnání jsou vybrány směrodatné odchylky amplitud napětí uzlů 1, 3, 8, 13, 14, 15 a 19. Celkově připojení fotovoltaických elektráren k elektrické síti nemá velký vliv na napětí uzlů, ale fotovoltaické elektrárny mají velký vliv na napětí a-Nodů a jejich blízkých uzlů. Navíc v systému použitém v příkladu výpočtu bylo porovnáním zjištěno, že fotovoltaická elektrárna je vhodnější pro přístup k typům uzlů: ① uzlům s vyšším napěťovým stupněm, jako je 14, 15, 16 atd., napětí se téměř nemění; (2) uzly podporované generátory nebo nastavovacími kamerami, jako je 1, 2, 7 atd.; (3) ve vedení odpor je velký na konci uzlu.

Aby bylo možné analyzovat vliv PV přístupového bodu na celkovou síťovou ztrátu energetického systému, tento dokument provádí srovnání, jak je znázorněno na obrázku 5(c). Je vidět, že pokud jsou některé uzly s velkým zátěžovým výkonem a bez napájení připojeny k FV elektrárně, síťová ztráta systému se sníží. Naopak, uzly 21, 22 a 23 jsou napájecím koncem, který je zodpovědný za centralizovaný přenos energie. Fotovoltaická elektrárna připojená k těmto uzlům způsobí velké ztráty sítě. Proto by měl být přístupový bod fotovoltaické elektrárny zvolen na přijímacím konci napájení nebo na uzlu s velkým zatížením. Tento přístupový režim může zajistit vyváženější distribuci toku energie v systému a snížit síťové ztráty systému.

Na základě tří faktorů v analýze výše uvedených výsledků je v tomto článku uzel 14 brán jako přístupový bod fotovoltaické elektrárny a následně je studován vliv kapacity různých fotovoltaických elektráren na energetický systém.

Obrázek 6(a) analyzuje vliv fotovoltaické kapacity na systém. Je vidět, že směrodatná odchylka činného výkonu každé větve roste s nárůstem fotovoltaické kapacity a existuje mezi nimi pozitivní lineární vztah. S výjimkou několika větví znázorněných na obrázku jsou standardní odchylky ostatních větví všechny menší než 5 a vykazují lineární vztah, který je pro usnadnění kreslení ignorován. Je vidět, že připojení fotovoltaické sítě má velký vliv na výkon přímo spojeného s fotovoltaickým přístupovým bodem nebo přilehlými větvemi. Kvůli omezenému přenosu elektrického vedení jsou přenosové vedení množství výstavby a investic obrovské, takže instalace fotovoltaické elektrárny by měla zvážit omezení přepravní kapacity, zvolit nejmenší vliv na přístup k vedení na nejlepší místo, navíc, výběr nejlepší kapacity fotovoltaické elektrárny bude hrát důležitou roli při snižování tohoto efektu.

Obrázek

Obrázek 6. (a) Směrodatná odchylka činného výkonu větve (b) pravděpodobnost toku výkonu větve mimo limit (c) celková ztráta sítě systému při různých fotovoltaických kapacitách

Obr. 6(b) porovnává pravděpodobnost, že činný výkon překročí limit každé větve při různých kapacitách FV elektrárny. Kromě větví znázorněných na obrázku ostatní větve nepřekročily limit nebo byla pravděpodobnost velmi malá. Ve srovnání s OBR. 6(a), je vidět, že pravděpodobnost mimo limit a standardní odchylka spolu nemusí nutně souviset. Činný výkon vedení s velkým kolísáním směrodatné odchylky nemusí být nutně mimo limit a důvod souvisí se směrem přenosu fotovoltaického výstupního výkonu. Pokud je ve stejném směru jako původní tok výkonu větve, malý fotovoltaický výkon může také způsobit překročení limitu. Když je FV výkon velmi velký, tok výkonu nesmí překročit limit.

Na OBR. 6(c), celková síťová ztráta systému se zvyšuje s nárůstem fotovoltaické kapacity, ale tento efekt není zřejmý. Při zvýšení kapacity fotovoltaiky o 60 MW se celková ztráta sítě zvýší pouze o 0.5 %, tj. 0.75 MW. Proto by při instalaci fotovoltaických elektráren měla být ztráta sítě brána jako sekundární faktor a jako první by měly být zváženy faktory, které mají větší vliv na stabilní provoz systému, jako je kolísání výkonu přenosového vedení a pravděpodobnost mimo limit .

3.2 Vliv přístupu k úložišti energie na systém

Část 3.1 Přístupová poloha a kapacita fotovoltaické elektrárny závisí na energetické soustavě