Resumen Una alta proporción de generación de energía fotovoltaica tendrá efectos adversos sobre la estabilidad del sistema eléctrico, y se considera que el almacenamiento de energía es uno de los medios efectivos para eliminar estos efectos. Este artículo analiza la influencia de la generación de energía fotovoltaica en el sistema eléctrico desde la perspectiva del flujo de energía y luego analiza el efecto del almacenamiento de energía en la restricción de la influencia. En primer lugar, se introducen el modelo de distribución de probabilidad y el modelo de almacenamiento de energía de los componentes del sistema eléctrico, y se introducen el método de muestreo del hipercubo latino y el método de normalización de secuencia de Gram-Schmidt. En segundo lugar, se estableció un modelo de optimización multiobjetivo, que consideró el costo del sistema de almacenamiento de energía, la probabilidad fuera del límite de flujo de energía de la rama y la pérdida de red de la red eléctrica. La solución óptima de la función objetivo se obtuvo mediante algoritmo genético. Finalmente, la simulación se lleva a cabo en el sistema de prueba de nodo IEEE24 para analizar la influencia de diferentes capacidades de acceso fotovoltaico y ubicación de acceso en el sistema de energía y el efecto del almacenamiento de energía en el sistema de energía, y la configuración óptima de almacenamiento de energía correspondiente a diferentes capacidades fotovoltaicas. es obtenido.

Palabras clave generación de energía fotovoltaica; Sistema de almacenamiento de energía; Configuración optimizada; Flujo de potencia de probabilidad; Algoritmo genético (ga)

La generación de energía fotovoltaica tiene las ventajas de la protección del medio ambiente verde y renovable, y se considera una de las energías renovables con mayor potencial. Para 2020, la capacidad instalada acumulada de China de generación de energía fotovoltaica ha alcanzado los 253 millones de kw. La intermitencia y la incertidumbre de la energía fotovoltaica a gran escala afectan el sistema eléctrico, incluidos los problemas de reducción de picos, estabilidad y descarte de luz, y la red debe adoptar medidas más flexibles para hacer frente a estos problemas. Se considera que el almacenamiento de energía es una forma eficaz de resolver estos problemas. La aplicación del sistema de almacenamiento de energía aporta una nueva solución para la conexión a la red fotovoltaica a gran escala.

En la actualidad, hay muchas investigaciones sobre la generación de energía fotovoltaica, el sistema de almacenamiento de energía y el flujo de energía de probabilidad en el país y en el extranjero. Una gran cantidad de estudios de la literatura muestran que el almacenamiento de energía puede mejorar la tasa de utilización de la energía fotovoltaica y resolver la estabilidad de la conexión a la red fotovoltaica. En la configuración del sistema de almacenamiento de energía en la nueva central eléctrica de energía, se debe prestar atención no solo a la estrategia de control del almacenamiento óptico y del viento, sino también a la economía del sistema de almacenamiento de energía. Además, para la optimización de múltiples centrales de almacenamiento de energía en el sistema eléctrico, es necesario estudiar el modelo económico de funcionamiento de las centrales de almacenamiento de energía, la selección del sitio del punto de partida y punto final de los canales de transmisión fotovoltaica y el selección del sitio de almacenamiento de energía. Sin embargo, la investigación existente sobre la configuración óptima del sistema de almacenamiento de energía no considera el impacto específico en el sistema de energía, y la investigación sobre el sistema multipunto no involucra características de operación de almacenamiento óptico a gran escala.

Con el desarrollo a gran escala de la generación de energía de nueva energía incierta, como la energía eólica y la fotovoltaica, es necesario calcular el flujo de energía del sistema de energía en la planificación de la operación del sistema de energía. Por ejemplo, la literatura estudia la ubicación óptima y la asignación de capacidad de almacenamiento de energía en el sistema eléctrico con energía eólica. Además, la correlación entre múltiples fuentes de energía nuevas también debe considerarse en el cálculo del flujo de energía. Sin embargo, todos los estudios anteriores se basan en métodos deterministas de flujo de energía, que no consideran la incertidumbre de la nueva generación de energía. La literatura considera la incertidumbre de la energía eólica y aplica el método probabilístico de flujo de energía óptimo para optimizar la selección del sitio del sistema de almacenamiento de energía, lo que mejora la economía de operación.

En la actualidad, los estudiosos han propuesto diferentes algoritmos probabilísticos de flujo de potencia, y en la literatura se han propuesto métodos de minería de datos de flujo de potencia probabilístico no lineal basados ​​en el método de simulación de Monte Carlo, pero la puntualidad del método de Monte Carlo es muy pobre. Se propone en la literatura usar el flujo de potencia óptimo probabilístico para estudiar la ubicación del almacenamiento de energía, y se usa el método de 2 m de puntos, pero la precisión de cálculo de este método no es ideal. En este artículo se estudia la aplicación del método de muestreo de hipercubo latino en el cálculo del flujo de potencia, y la superioridad del método de muestreo de hipercubo latino se ilustra mediante ejemplos numéricos.

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. Modelo probabilístico de flujo de potencia

1.1 Modelo de incertidumbre de componentes

Fotovoltaica, carga y generador son todas variables aleatorias con incertidumbre. En el cálculo del flujo probabilístico de potencia de la red de distribución, el modelo probabilístico se explica en la literatura. Mediante el análisis de datos históricos, la potencia de salida de la generación de energía fotovoltaica sigue la distribución BETA. Al ajustar la distribución de probabilidad de la potencia de carga, se supone que la carga sigue una distribución normal y su función de distribución de densidad de probabilidad es

Foto 1)

Donde, Pl es la potencia de carga; μ L y σ L son la expectativa y la varianza de la carga, respectivamente.

El modelo de probabilidad del generador generalmente adopta una distribución de dos puntos, y su función de distribución de densidad de probabilidad es

(2)

Donde, P es la probabilidad de funcionamiento normal del generador; PG es la potencia de salida del generador.

Cuando la luz es suficiente al mediodía, la potencia activa de la central fotovoltaica es grande y la potencia que es difícil de utilizar en el tiempo se almacenará en la batería de almacenamiento de energía. Cuando la potencia de carga es alta, la batería de almacenamiento de energía liberará la energía almacenada. La ecuación de balance de energía instantánea del sistema de almacenamiento de energía es

Al cargar

(3)

Cuando la descarga

(4)

La restricción

Imágenes,

Imágenes,

Imagen, imagen

Donde, St es la energía almacenada en el tiempo T; Pt es la potencia de carga y descarga del almacenamiento de energía; SL y SG son la energía de carga y descarga respectivamente. η C y η D son eficiencia de carga y descarga respectivamente. Ds es la tasa de autodescarga de almacenamiento de energía.

1.2 método de muestreo del hipercubo latino

Hay un método de simulación, un método aproximado y un método analítico que se pueden utilizar para analizar el flujo de potencia del sistema bajo factores inciertos. La simulación de Monte Carlo es uno de los métodos más precisos en los algoritmos probabilísticos de flujo de potencia, pero su puntualidad es baja en comparación con la alta precisión. En el caso de tiempos de muestreo bajos, este método generalmente ignora la cola de la curva de distribución de probabilidad, pero para mejorar la precisión, necesita aumentar los tiempos de muestreo. El método de muestreo de hipercubo latino evita este problema. Es un método de muestreo jerárquico, que puede garantizar que los puntos de muestreo reflejen la distribución de probabilidad de manera efectiva y reduzcan los tiempos de muestreo de manera efectiva.

La Figura 1 muestra la expectativa y la varianza del método de muestreo de hipercubo latino y el método de simulación de Monte Carlo con tiempos de muestreo que oscilan entre 10 y 200. La tendencia general de los resultados obtenidos por los dos métodos está disminuyendo. Sin embargo, la expectativa y la varianza obtenidas por el método de monte Carlo son muy inestables y los resultados obtenidos por múltiples simulaciones no son los mismos con los mismos tiempos de muestreo. La varianza del método de muestreo del hipercubo latino disminuye constantemente con el aumento de los tiempos de muestreo, y el error relativo disminuye a menos del 5% cuando los tiempos de muestreo son más de 150. Cabe señalar que el punto de muestreo del método de muestreo del hipercubo latino es simétrico con respecto al eje Y, por lo que su error esperado es 0, que también es su ventaja.

La imagen

HIGO. 1 Comparación de diferentes tiempos de muestreo entre MC y LHS

El método de muestreo de hipercubo latino es un método de muestreo en capas. Al mejorar el proceso de generación de muestras de variables aleatorias de entrada, el valor de muestreo puede reflejar efectivamente la distribución general de variables aleatorias. El proceso de muestreo se divide en dos pasos.

(1) Muestreo

Xi (I = 1, 2,…, m) son m variables aleatorias y los tiempos de muestreo son N, como se muestra en la FIG. 2. La curva de distribución de probabilidad acumulada de Xi se divide en un intervalo N con el mismo espaciado y sin superposición, el punto medio de cada intervalo se selecciona como el valor de muestreo de la probabilidad Y, y luego el valor de muestreo Xi = p-1 (Yi) es calculado usando la función inversa, y el Xi calculado es el valor de muestreo de la variable aleatoria.

La imagen

Figura 2 diagrama esquemático de LHS

(2) Permutaciones

Los valores de muestreo de las variables aleatorias obtenidos de (1) están ordenados secuencialmente, por lo que la correlación entre m variables aleatorias es 1, que no se puede calcular. Se puede adoptar el método de ortogonalización de la secuencia de Gram-Schmidt para reducir la correlación entre los valores de muestreo de las variables aleatorias. En primer lugar, se genera una matriz de orden K × M I = [I1, I2…, IK] T. Los elementos de cada fila están ordenados aleatoriamente de 1 a M, y representan la posición del valor de muestreo de la variable aleatoria original.

Iteración positiva

La imagen

Un iterativo inverso

La imagen

“Imagen” representa asignación, extracción (Ik, Ij) representa el cálculo del valor residual en regresión lineal Ik = a + bIj, rango (Ik) representa un nuevo vector formado por el número de secuencia de elementos en la orientación Ik de pequeño a grande.

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)

Donde, la imagen es el coeficiente de correlación entre Ik e Ij, cov es la covarianza y VAR es la varianza.

2. Configuración de optimización multiobjetivo del sistema de almacenamiento de energía

2.1 Función objetivo

Para optimizar la potencia y capacidad del sistema de almacenamiento de energía, se establece una función de optimización multiobjetivo considerando el costo del sistema de almacenamiento de energía, la probabilidad de límite de potencia y la pérdida de la red. Debido a las diferentes dimensiones de cada indicador, se lleva a cabo la estandarización de las desviaciones para cada indicador. Después de la estandarización de la desviación, el rango de valores de los valores observados de varias variables estará entre (0,1) y los datos estandarizados son cantidades puras sin unidades. En la situación real, puede haber diferencias en el énfasis de cada indicador. Si a cada indicador se le da un cierto peso, se pueden analizar y estudiar diferentes énfasis.

(6)

Donde, w es el índice a optimizar; Wmin y wmax son el mínimo y el máximo de la función original sin estandarización.

La función objetivo es

(7)

En la fórmula, λ1 ~ λ3 son coeficientes de peso, Eloss, PE y CESS son pérdida de red de rama estandarizada, probabilidad de cruce de potencia activa de rama y costo de inversión en almacenamiento de energía, respectivamente.

2.2 Algoritmo genético

El algoritmo genético es un tipo de algoritmo de optimización establecido imitando las leyes genéticas y evolutivas de la supervivencia del más apto y la supervivencia del más apto en la naturaleza. Primero a la codificación, la población inicial cada codificación en nombre de un individuo (una solución factible del problema), por lo que cada solución factible es para la transformación del fenotipo del genotipo, para emprender la elección de acuerdo con las leyes de la naturaleza para cada individuo, y se selecciona en cada generación a la próxima generación de entorno informático para adaptarse al individuo fuerte, hasta el más adaptable al entorno del individuo, después de la decodificación, es la solución óptima aproximada del problema.

En este trabajo, el sistema de energía que incluye el almacenamiento fotovoltaico y de energía se calcula en primer lugar mediante el algoritmo de flujo de energía probabilístico, y los datos obtenidos se utilizan como la variable de entrada del algoritmo genético para resolver el problema. El proceso de cálculo se muestra en la Figura 3, que se divide principalmente en los siguientes pasos:

La imagen

HIGO. 3 Flujo de algoritmo

(1) Sistema de entrada, datos de almacenamiento fotovoltaico y de energía, y realizar muestreo de hipercubo latino y ortogonalización de secuencia Gram-Schmidt;

(2) Ingrese los datos muestreados en el modelo de cálculo de flujo de potencia y registre los resultados del cálculo;

(3) Los resultados de salida se codificaron por cromosomas para generar la población inicial correspondiente al valor de muestreo;

(4) Calcule la aptitud de cada individuo en la población;

(5) seleccionar, cruzar y mutar para producir una nueva generación de población;

(6) Judge whether the requirements are met, if not, return step (4); If yes, the optimal solution is output after decoding.

3. Análisis de ejemplo

El método de flujo de potencia probabilístico se simula y analiza en el sistema de prueba de nodos IEEE24 que se muestra en la FIG. 4, en el que el nivel de tensión de 1 a 10 nodos es de 138 kV y el de 11 a 24 nodos es de 230 kV.

La imagen

Figura 4 Sistema de prueba de nodo IEEE24

3.1 Influencia de la central fotovoltaica en el sistema eléctrico

Estación de energía fotovoltaica en el sistema de energía, la ubicación y capacidad del sistema de energía afectará el voltaje del nodo y la potencia de la rama, por lo tanto, antes del análisis de la influencia del sistema de almacenamiento de energía para la red eléctrica, esta sección primero analiza la influencia de la energía fotovoltaica. estación en el sistema, acceso fotovoltaico al sistema en este documento, la tendencia del límite de probabilidad, la pérdida de red, etc. ha llevado a cabo el análisis de simulación.

Como puede verse en la FIG. 5 (a), después de conectar la estación de energía fotovoltaica, los nodos con un límite de flujo de energía de rama más pequeño son los siguientes: 11, 12, 13, 23, 13 para equilibrar el nodo del nodo, se da el voltaje del nodo y el ángulo de fase, tenga el efecto del equilibrio de energía de la red eléctrica estable, 11, 12 y 23 en lugar de conectarse directamente, como resultado, varios nodos conectados al límite la probabilidad de que la energía sea menor y mayor, la central fotovoltaica accederá al nodo con el efecto de equilibrio es menor en el impacto del sistema de energía.

La imagen

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

Además de la superación del flujo de energía, este artículo también analiza la influencia de la energía fotovoltaica en el voltaje del nodo, como se muestra en la FIG. 5 (b). Las desviaciones estándar de las amplitudes de voltaje de los nodos 1, 3, 8, 13, 14, 15 y 19 se seleccionan para comparar. En general, la conexión de las centrales fotovoltaicas a la red eléctrica no tiene una gran influencia en la tensión de los nodos, pero las centrales fotovoltaicas tienen una gran influencia en la tensión de los a-Nodos y sus nodos cercanos. Además, en el sistema adoptado por el ejemplo de cálculo, a través de la comparación, se encuentra que la central fotovoltaica es más adecuada para acceder a los tipos de nodos: ① nodos con mayor grado de tensión, como 14, 15, 16, etc., el voltaje casi no cambia; (2) nodos soportados por generadores o cámaras de ajuste, como 1, 2, 7, etc .; (3) en la línea, la resistencia es grande al final del nodo.

Para analizar la influencia del punto de acceso fotovoltaico en la pérdida total de la red del sistema de energía, este documento hace una comparación como se muestra en la Figura 5 (c). Se puede ver que si algunos nodos con gran potencia de carga y sin fuente de alimentación se conectan a la central eléctrica fotovoltaica, se reducirá la pérdida de red del sistema. Por el contrario, los nodos 21, 22 y 23 son el extremo de la fuente de alimentación, que es responsable de la transmisión de energía centralizada. La central fotovoltaica conectada a estos nodos provocará una gran pérdida de red. Por lo tanto, el punto de acceso a la estación de energía fotovoltaica debe seleccionarse en el extremo receptor de la energía o en el nodo con gran carga. Este modo de acceso puede hacer que la distribución del flujo de energía del sistema sea más equilibrada y reducir la pérdida de red del sistema.

En base a los tres factores en el análisis de los resultados anteriores, se toma el nodo 14 como el punto de acceso de la central fotovoltaica en este trabajo, y luego se estudia la influencia de la capacidad de las diferentes centrales fotovoltaicas en el sistema eléctrico.

La Figura 6 (a) analiza la influencia de la capacidad fotovoltaica en el sistema. Se puede observar que la desviación estándar de la potencia activa de cada rama aumenta con el aumento de la capacidad fotovoltaica, y existe una relación lineal positiva entre las dos. A excepción de varias ramas que se muestran en la figura, las desviaciones estándar de otras ramas son todas menores de 5 y muestran una relación lineal, que se ignoran para facilitar el dibujo. Se puede observar que la conexión a red fotovoltaica tiene una gran influencia en la potencia de los conectados directamente con el punto de acceso fotovoltaico o ramas adyacentes. Debido a la transmisión limitada de la línea de transmisión de energía, las líneas de transmisión de cantidades de construcción e inversión son enormes, por lo que la instalación de una central fotovoltaica debe considerar la limitación de la capacidad de transporte, elegir la menor influencia en el acceso a la línea a la mejor ubicación, además, La selección de la mejor capacidad de la central fotovoltaica jugará un papel importante para reducir este efecto.

La imagen

Figura 6. (a) Desviación estándar de la potencia activa de la rama (b) probabilidad del flujo de energía de la rama fuera del límite (c) pérdida total de la red del sistema con diferentes capacidades fotovoltaicas

HIGO. 6 (b) compara la probabilidad de que la potencia activa exceda el límite de cada rama bajo diferentes capacidades de la central fotovoltaica. A excepción de las ramas que se muestran en la figura, las otras ramas no superaron el límite o la probabilidad fue muy pequeña. Comparado con la FIG. 6 (a), se puede ver que la probabilidad de fuera de límite y la desviación estándar no están necesariamente relacionadas. La potencia activa de una línea con una gran fluctuación de desviación estándar no está necesariamente fuera del límite, y la razón está relacionada con la dirección de transmisión de la potencia de salida fotovoltaica. Si está en la misma dirección que el flujo de energía de la rama original, la energía fotovoltaica pequeña también puede causar fuera de límite. Cuando la potencia fotovoltaica es muy grande, el flujo de potencia no puede exceder el límite.

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 Impacto del acceso al almacenamiento de energía en el sistema

Sección 3.1 La posición de acceso y la capacidad de la central fotovoltaica dependen del sistema eléctrico