Zusammenfassung Ein hoher Anteil der photovoltaischen Stromerzeugung hat negative Auswirkungen auf die Stabilität des Stromsystems, und die Energiespeicherung gilt als eines der wirksamsten Mittel, um diese Auswirkungen zu beseitigen. Dieser Beitrag analysiert den Einfluss der photovoltaischen Stromerzeugung auf das Stromsystem aus Sicht des Leistungsflusses und analysiert anschließend den Einfluss der Energiespeicherung auf die Begrenzung des Einflusses. Zuerst werden das Wahrscheinlichkeitsverteilungsmodell und das Energiespeichermodell von Komponenten im Stromsystem vorgestellt, und das Latin-Hypercube-Sampling-Verfahren und das Gram-Schmidt-Sequenznormierungsverfahren werden eingeführt. Zweitens wurde ein mehrzieliges Optimierungsmodell erstellt, das die Kosten des Energiespeichersystems, die Grenzwahrscheinlichkeit des Zweigstromflusses und den Netzverlust des Stromnetzes berücksichtigt. Die optimale Lösung der Zielfunktion wurde durch einen genetischen Algorithmus erhalten. Schließlich wird die Simulation im IEEE24-Knotentestsystem durchgeführt, um den Einfluss unterschiedlicher Photovoltaik-Zugangskapazitäten und Zugangsorte auf das Stromsystem und die Auswirkungen der Energiespeicherung auf das Stromsystem zu analysieren, und die optimale Energiespeicherkonfiguration entsprechend unterschiedlicher Photovoltaik-Kapazität zu analysieren erhalten wird.

Schlüsselwörter Photovoltaik-Stromerzeugung; Energiespeichersystem; Optimierte Konfiguration; Wahrscheinlichkeit des Leistungsflusses; Genetischer Algorithmus (ga)

Die photovoltaische Stromerzeugung hat die Vorteile des grünen Umweltschutzes und der erneuerbaren Energien und gilt als eine der potenziell erneuerbaren Energien. Bis 2020 hat Chinas kumulierte installierte Kapazität der photovoltaischen Stromerzeugung 253 Millionen kW erreicht. Die intermittierenden und unsicheren PV-Leistungen im großen Maßstab wirken sich auf das Stromsystem aus, einschließlich der Probleme der Spitzenbegrenzung, der Stabilität und der Lichtableitung, und das Netz muss flexiblere Maßnahmen ergreifen, um diese Probleme zu bewältigen. Energiespeicherung gilt als wirksames Mittel zur Lösung dieser Probleme. Die Anwendung von Energiespeichersystemen bringt eine neue Lösung für die großflächige Photovoltaik-Netzanbindung.

Derzeit gibt es viele Forschungen zu photovoltaischer Stromerzeugung, Energiespeichersystem und Wahrscheinlichkeit des Stromflusses im In- und Ausland. Zahlreiche Literaturstudien zeigen, dass Energiespeicherung den Nutzungsgrad der Photovoltaik verbessern und die Stabilität des Photovoltaik-Netzanschlusses lösen kann. Bei der Konfiguration des Energiespeichersystems in einem neuen Energiekraftwerk sollte nicht nur auf die Regelstrategie des optischen Speichers und des Windspeichers geachtet werden, sondern auch auf die Wirtschaftlichkeit des Energiespeichersystems. Darüber hinaus ist für die Optimierung mehrerer Energiespeicherkraftwerke im Stromnetz die Untersuchung des ökonomischen Modells des Betriebs von Energiespeicherkraftwerken, der Standortwahl des Start- und Endpunktes von Photovoltaik-Übertragungswegen und der Standortwahl des Energiespeichers. Die bestehende Forschung zur optimalen Konfiguration von Energiespeichersystemen berücksichtigt jedoch nicht die spezifischen Auswirkungen auf das Stromversorgungssystem, und die Forschung zu Mehrpunktsystemen umfasst keine großmaßstäblichen optischen Speicherbetriebsmerkmale.

Bei der großräumigen Entwicklung unsicherer neuer Energiestromerzeugung wie Windkraft und Photovoltaik ist es notwendig, den Leistungsfluss des Stromnetzes in der Betriebsplanung des Stromnetzes zu berechnen. In der Literatur wird beispielsweise die optimale Lage und Kapazitätsallokation von Energiespeichern im Stromsystem mit Windkraft untersucht. Darüber hinaus sollte bei der Berechnung des Leistungsflusses auch der Zusammenhang zwischen mehreren neuen Energiequellen berücksichtigt werden. Alle oben genannten Studien basieren jedoch auf deterministischen Leistungsflussverfahren, die die Unsicherheit der neuen Energieerzeugung nicht berücksichtigen. Die Literatur berücksichtigt die Unsicherheit der Windenergie und wendet die probabilistische Methode des optimalen Leistungsflusses an, um die Standortauswahl des Energiespeichersystems zu optimieren, was die Betriebswirtschaftlichkeit verbessert.

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.

Basierend auf den obigen Untersuchungen verwendet dieser Beitrag die probabilistische Leistungsflussmethode, um die optimale Allokation von Energiespeichern im Stromsystem mit photovoltaischer Großstromerzeugung zu untersuchen. Zunächst werden das Wahrscheinlichkeitsverteilungsmodell und die lateinische Hypercube-Sampling-Methode von Komponenten im Stromsystem vorgestellt. Zweitens wird ein multi-objektives Optimierungsmodell unter Berücksichtigung der Energiespeicherkosten, der Überschreitungswahrscheinlichkeit des Leistungsflusses und des Netzverlustes erstellt. Schließlich wird die Simulationsanalyse im IEEE24-Knotentestsystem durchgeführt.

1. Probabilistisches Leistungsflussmodell

1.1 Unsicherheitsmodell der Komponenten

Photovoltaik, Last und Generator sind Zufallsvariablen mit Unsicherheit. Bei der Berechnung des probabilistischen Leistungsflusses von Verteilnetzen wird das probabilistische Modell in der Literatur erläutert. Durch die Analyse historischer Daten folgt die Ausgangsleistung der photovoltaischen Stromerzeugung der BETA-Verteilung. Durch Anpassen der Wahrscheinlichkeitsverteilung der Lastleistung wird angenommen, dass die Last der Normalverteilung folgt und ihre Wahrscheinlichkeitsdichteverteilungsfunktion ist

Bild 1)

Wobei Pl die Lastleistung ist; μ L und σ L sind der Erwartungswert bzw. die Varianz der Last.

Das Wahrscheinlichkeitsmodell des Generators verwendet normalerweise eine Zweipunktverteilung und seine Wahrscheinlichkeitsdichteverteilungsfunktion ist

(2)

Dabei ist P die Wahrscheinlichkeit des normalen Betriebs des Generators; PG ist die Ausgangsleistung des Generators.

When the light is sufficient at noon, the active power of the photovoltaic power station is large, and the power that is difficult to use in time will be stored in the energy storage battery. When the load power is high, the energy storage battery will release the stored energy. The instantaneous energy balance equation of the energy storage system is

Beim Laden

(3)

Bei der Entlassung

(4)

Die Einschränkung

Bilder,

Bilder,

Bild, Bild

Dabei ist St die zum Zeitpunkt T gespeicherte Energie; Pt ist die Lade- und Entladeleistung des Energiespeichers; SL und SG sind die Energie zum Laden bzw. Entladen. C und η D sind die Lade- bzw. Entladeeffizienz. Ds ist die Selbstentladungsrate des Energiespeichers.

1.2 Lateinische Hyperwürfel-Sampling-Methode

Es gibt Simulationsverfahren, Näherungsverfahren und analytische Verfahren, die verwendet werden können, um den Systemleistungsfluss unter unsicheren Faktoren zu analysieren. Die Monte-Carlo-Simulation ist eine der genauesten Methoden in probabilistischen Leistungsflussalgorithmen, aber ihre Aktualität ist im Vergleich zu hoher Präzision gering. Bei kurzen Abtastzeiten ignoriert dieses Verfahren normalerweise das Ende der Wahrscheinlichkeitsverteilungskurve, aber um die Genauigkeit zu verbessern, muss es die Abtastzeiten erhöhen. Die lateinische Hypercube-Sampling-Methode vermeidet dieses Problem. Es handelt sich um ein hierarchisches Stichprobenverfahren, mit dem sichergestellt werden kann, dass die Stichprobenpunkte die Wahrscheinlichkeitsverteilung effektiv widerspiegeln und die Stichprobenzeiten effektiv verkürzen.

Abbildung 1 zeigt die Erwartung und Varianz der Latin Hypercube Sampling-Methode und der Monte-Carlo-Simulationsmethode mit Sampling-Zeiten im Bereich von 10 bis 200. Der Gesamttrend der mit den beiden Methoden erzielten Ergebnisse ist rückläufig. Der Erwartungswert und die Varianz der Monte-Carlo-Methode sind jedoch sehr instabil, und die Ergebnisse mehrerer Simulationen sind bei denselben Abtastzeiten nicht gleich. Die Varianz des Latin Hypercube Sampling-Verfahrens nimmt mit zunehmender Sampling-Zeit stetig ab, und der relative Fehler sinkt auf weniger als 5%, wenn die Sampling-Zeiten mehr als 150 betragen. Es ist erwähnenswert, dass der Sampling-Punkt des Latin Hypercube-Sampling-Verfahrens ist symmetrisch zur Y-Achse, daher ist sein erwarteter Fehler 0, was auch sein Vorteil ist.

Das Bild

FEIGE. 1 Vergleich unterschiedlicher Abtastzeiten zwischen MC und LHS

Das lateinische Hypercube-Sampling-Verfahren ist ein geschichtetes Sampling-Verfahren. Durch die Verbesserung des Stichprobengenerierungsprozesses der eingegebenen Zufallsvariablen kann der Stichprobenwert die Gesamtverteilung der Zufallsvariablen effektiv widerspiegeln. Der Probenahmeprozess gliedert sich in zwei Schritte.

(1) Probenahme

Xi (I = 1, 2, …, m) sind m Zufallsvariablen, und die Abtastzeiten sind N, wie in Fig. 2 gezeigt. 1. Die kumulative Wahrscheinlichkeitsverteilungskurve von Xi wird in Intervalle N mit gleichem Abstand und ohne Überlappung unterteilt, der Mittelpunkt jedes Intervalls wird als Abtastwert der Wahrscheinlichkeit Y ausgewählt, und dann ist der Abtastwert Xi= p-XNUMX (Yi) unter Verwendung der Umkehrfunktion berechnet, und das berechnete Xi ist der Stichprobenwert der Zufallsvariablen.

Das Bild

Abbildung 2 schematisches Diagramm von LHS

(2) Permutationen

The sampling values of random variables obtained from (1) are sequentially arranged, so the correlation between m random variables is 1, which cannot be calculated. The gram-Schmidt sequence orthogonalization method can be adopted to reduce the correlation between the sampling values of random variables. Firstly, a matrix of K×M order I=[I1, I2…, IK]T is generated. Elements in each row are randomly arranged from 1 to M, and they represent the position of the sampling value of the original random variable.

Positive Iteration

Das Bild

Eine umgekehrte Iteration

Das Bild

„Bild“ stellt die Zuweisung dar, Takeout(Ik,Ij) stellt die Berechnung des Restwerts in der linearen Regression dar Ik=a+bIj, Rang(Ik) stellt einen neuen Vektor dar, der durch die Folgenummer der Elemente in der Ausrichtung Ik von klein nach groß gebildet wird.

Nach bidirektionaler Iteration, bis der RMS-Wert ρ, der die Korrelation darstellt, nicht abnimmt, erhält man die Positionsmatrix jeder Zufallsvariablen nach der Permutation, und dann kann die Permutationsmatrix der Zufallsvariablen mit der geringsten Korrelation erhalten werden.

(5)

Dabei ist das Bild der Korrelationskoeffizient zwischen Ik und Ij, cov ist die Kovarianz und VAR ist die Varianz.

2. Multiziel-Optimierungskonfiguration des Energiespeichersystems

2.1 Objektivfunktion

Um die Leistung und Kapazität des Energiespeichersystems zu optimieren, wird eine mehrzielorientierte Optimierungsfunktion unter Berücksichtigung der Kosten des Energiespeichersystems, der Abschaltwahrscheinlichkeit und der Netzverluste erstellt. Aufgrund der unterschiedlichen Dimensionen jedes Indikators wird für jeden Indikator eine Abweichungsstandardisierung durchgeführt. Nach der Abweichungsstandardisierung liegt der Wertebereich der beobachteten Werte verschiedener Variablen zwischen (0,1) und die standardisierten Daten sind reine Größen ohne Einheiten. In der tatsächlichen Situation kann es bei jedem Indikator Unterschiede in der Betonung geben. Wird jedem Indikator ein bestimmtes Gewicht beigemessen, können unterschiedliche Schwerpunkte analysiert und untersucht werden.

(6)

Wobei w der zu optimierende Index ist; Wmin und wmax sind das Minimum und das Maximum der ursprünglichen Funktion ohne Standardisierung.

The objective function is

(7)

In der Formel sind λ1 ~ λ3 Gewichtungskoeffizienten, Eloss, PE und CESS sind die standardisierten Abzweignetzverluste, die Verzweigungs-Wirkleistungsüberschreitungswahrscheinlichkeit bzw. die Energiespeicher-Investitionskosten.

2.2 Genetischer Algorithmus

Genetic algorithm is a kind of optimization algorithm established by imitating the genetic and evolutionary laws of survival of the fittest and survival of the fittest in nature. It first to coding, initial population each coding on behalf of an individual (a feasible solution of the problem), so each feasible solution is from for genotype phenotype transformation, to undertake choosing according to the laws of nature for each individual, and selected in each generation to the next generation of computing environment to adapt to the strong individual, until the most adaptable to the environment of the individual, After decoding, it is the approximate optimal solution of the problem.

In dieser Arbeit wird zunächst das Stromsystem inklusive Photovoltaik und Energiespeicher durch den probabilistischen Leistungsflussalgorithmus berechnet und die gewonnenen Daten als Eingangsgröße des genetischen Algorithmus zur Lösung des Problems verwendet. Der Berechnungsprozess ist in Abbildung 3 dargestellt, der sich im Wesentlichen in folgende Schritte gliedert:

Das Bild

FEIGE. 3 Algorithmusfluss

(1) Eingabe von System-, Photovoltaik- und Energiespeicherdaten und Durchführung von Latin-Hypercube-Sampling und Gram-Schmidt-Sequenz-Orthogonalisierung;

(2) Eingabe der abgetasteten Daten in das Leistungsflussberechnungsmodell und Aufzeichnung der Berechnungsergebnisse;

(3) The output results were encoded by chromosome to generate the initial population corresponding to the sampling value;

(4) Berechnen Sie die Fitness jedes Individuums in der Population;

(5) selektieren, kreuzen und mutieren, um eine neue Populationsgeneration zu erzeugen;

(6) Beurteilen, ob die Anforderungen erfüllt sind, wenn nicht, Rückkehr zu Schritt (4); Falls ja, wird nach der Dekodierung die optimale Lösung ausgegeben.

3. Beispielanalyse

Das probabilistische Leistungsflussverfahren wird in dem in Fig. 24 gezeigten IEEE4-Knoten-Testsystem simuliert und analysiert. 1, in dem der Spannungspegel von 10-138 Knoten 11 kV und der von 24-230 Knoten XNUMX kV beträgt.

Das Bild

Abbildung 4 IEEE24-Knotentestsystem

3.1 Einfluss des Photovoltaik-Kraftwerks auf das Stromsystem

Photovoltaik-Kraftwerk im Stromsystem, der Standort und die Kapazität des Stromsystems werden die Knotenspannung und die Zweigleistung beeinflussen. Daher wird in diesem Abschnitt vor der Analyse des Einflusses des Energiespeichersystems auf das Stromnetz zunächst der Einfluss der Photovoltaik analysiert Station auf der Anlage, Photovoltaik-Zugriff auf die Anlage in diesem Beitrag, die Entwicklung der Grenze der Wahrscheinlichkeit, des Netzverlustes usw. hat die Simulationsanalyse durchgeführt.

Wie aus FIG. 5(a), nachdem das Photovoltaik-Kraftwerk angeschlossen ist, sind die Knoten mit der kleineren Überschreitung des Zweigleistungsflusses wie folgt: 11, 12, 13, 23, 13, um den Knotenknoten auszugleichen, die Knotenspannung und der Phasenwinkel sind gegeben, haben die Effekt der stabilen Stromnetz-Leistungsbilanz, 11, 12 und 23 statt direkt verbunden, dadurch mehrere Knoten an die Grenze angeschlossen die Wahrscheinlichkeit kleiner und mehr Leistung, Photovoltaik-Kraftwerk greift auf den Knoten mit Bilanzwirkung zu ist geringer auf die Auswirkungen des Stromnetzes.

Das Bild

Abbildung 5

Neben der Überschreitung des Leistungsflusses wird in diesem Beitrag auch der Einfluss der Photovoltaik auf die Knotenspannung analysiert, wie in FIG. 5(b). Zum Vergleich werden die Standardabweichungen der Spannungsamplituden der Knoten 1, 3, 8, 13, 14, 15 und 19 ausgewählt. Insgesamt hat der Anschluss von Photovoltaik-Kraftwerken an das Stromnetz keinen großen Einfluss auf die Spannung von Knoten, aber die Photovoltaik-Kraftwerke haben einen großen Einfluss auf die Spannung von a-Knoten und deren nahegelegenen Knoten. Darüber hinaus wird in dem vom Berechnungsbeispiel übernommenen System durch einen Vergleich festgestellt, dass das Photovoltaik-Kraftwerk besser für den Zugang zu den Knotentypen geeignet ist: ① Knoten mit höherem Spannungsgrad, wie 14, 15, 16 usw., die Spannung ändert sich fast nicht; (2) Knoten, die von Generatoren oder Anpassungskameras unterstützt werden, wie 1, 2, 7 usw.; (3) der Leitungswiderstand ist am Ende des Knotens groß.

In order to analyze the influence of PV access point on the total network loss of power system, this paper makes a comparison as shown in Figure 5(c). It can be seen that if some nodes with large load power and no power supply are connected to pv power station, the network loss of the system will be reduced. On the contrary, nodes 21, 22 and 23 are the power supply end, which is responsible for centralized power transmission. The photovoltaic power station connected to these nodes will cause large network loss. Therefore, the pv power station access point should be selected at the receiving end of power or the node with large load. This access mode can make the power flow distribution of the system more balanced and reduce the network loss of the system.

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.

Abbildung 6(a) analysiert den Einfluss der Photovoltaikkapazität auf das System. Es ist zu erkennen, dass die Standardabweichung der Wirkleistung jedes Zweigs mit zunehmender Photovoltaik-Kapazität zunimmt und zwischen beiden eine positive lineare Beziehung besteht. Mit Ausnahme einiger in der Abbildung gezeigten Verzweigungen sind die Standardabweichungen der anderen Verzweigungen alle kleiner als 5 und zeigen eine lineare Beziehung, die aus Gründen der Übersichtlichkeit ignoriert wird. Es ist ersichtlich, dass die Photovoltaik-Netzanbindung einen großen Einfluss auf die Leistung der direkt mit der Photovoltaik-Zugangsstelle oder angrenzenden Zweigstellen verbundenen hat. Aufgrund der begrenzten Stromübertragungsleitung sind die Bau- und Investitionsmengen der Übertragungsleitungen enorm. Daher sollte die Installation eines Photovoltaikkraftwerks die Begrenzung der Transportkapazität berücksichtigen und den geringsten Einfluss auf den Leitungszugang zum besten Standort wählen. Die Auswahl der besten Kapazität von Photovoltaik-Kraftwerken wird eine wichtige Rolle spielen, um diesen Effekt zu reduzieren.

Das Bild

Abbildung 6

FEIGE. 6(b) vergleicht die Wahrscheinlichkeit, dass die Wirkleistung die Grenze jedes Zweigs unter verschiedenen PV-Kraftwerkskapazitäten überschreitet. Mit Ausnahme der in der Abbildung gezeigten Verzweigungen überschritten die anderen Verzweigungen die Grenze nicht oder die Wahrscheinlichkeit war sehr gering. Verglichen mit FIG. Aus 6(a) ist ersichtlich, dass die Wahrscheinlichkeit der Abweichung und die Standardabweichung nicht unbedingt zusammenhängen. Die Wirkleistung einer Leitung mit großer Schwankung der Standardabweichung ist nicht unbedingt außerhalb des Limits, und der Grund hängt mit der Übertragungsrichtung der photovoltaischen Ausgangsleistung zusammen. Wenn es in die gleiche Richtung wie der ursprüngliche Leistungsfluss des Zweigs verläuft, kann auch eine kleine Photovoltaikleistung zu einer Sperrung führen. Bei sehr großen PV-Leistungen darf der Leistungsfluss den Grenzwert nicht überschreiten.

In FIG. 6(c) nimmt der Gesamtnetzverlust der Anlage mit der Erhöhung der Photovoltaikleistung zu, dieser Effekt ist jedoch nicht offensichtlich. Bei einer Erhöhung der Photovoltaikleistung um 60 MW erhöht sich der Gesamtnetzverlust nur um 0.5 %, also um 0.75 MW. Daher sollten bei der Installation von PV-Kraftwerken Netzverluste als zweitrangiger Faktor berücksichtigt werden, und Faktoren, die einen größeren Einfluss auf den stabilen Betrieb des Systems haben, sollten zuerst berücksichtigt werden, wie z .

3.2 Auswirkungen des Energiespeicherzugriffs auf das System

Abschnitt 3.1 Die Zugangslage und Kapazität des Photovoltaik-Kraftwerks ist abhängig vom Stromsystem