Abstract A high proportion of photovoltaic power generation will have adverse effects on the stability of power system, and energy storage is considered to be one of the effective means to eliminate these effects. This paper analyzes the influence of photovoltaic power generation on the power system from the perspective of power flow, and then analyzes the effect of energy storage on restraining the influence. Firstly, the probability distribution model and energy storage model of components in power system are introduced, and the Latin hypercube sampling method and gram-Schmidt sequence normalization method are introduced. Secondly, a multi-objective optimization model was established, which considered the cost of the energy storage system, the off-limit probability of branch power flow and the network loss of the power grid. The optimal solution of the objective function was obtained by genetic algorithm. Finally, the simulation is carried out in IEEE24 node test system to analyze the influence of different photovoltaic access capacity and access location on the power system and the effect of energy storage on the power system, and the optimal energy storage configuration corresponding to different photovoltaic capacity is obtained.

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

Photovoltaic power generation has the advantages of green environmental protection and renewable, and is considered to be one of the most potential renewable energy. By 2020, China’s cumulative installed capacity of photovoltaic power generation has reached 253 million kw. The intermittency and uncertainty of large-scale PV power affect the power system, including issues of peak shaving, stability and light discarding, and the grid needs to adopt more flexible measures to cope with these issues. Energy storage is considered to be an effective way to solve these problems. The application of energy storage system brings a new solution for large-scale photovoltaic grid connection.

در حال حاضر تحقیقات زیادی در زمینه تولید برق فتوولتائیک، سیستم ذخیره انرژی و جریان احتمالی توان در داخل و خارج از کشور وجود دارد. تعداد زیادی از مطالعات ادبیات نشان می دهد که ذخیره انرژی می تواند میزان استفاده از فتوولتائیک را بهبود بخشد و پایداری اتصال به شبکه فتوولتائیک را حل کند. در پیکربندی سیستم ذخیره انرژی در نیروگاه انرژی جدید، نه تنها باید به استراتژی کنترل ذخیره سازی نوری و ذخیره سازی باد، بلکه به اقتصاد سیستم ذخیره انرژی نیز توجه شود. همچنین برای بهینه‌سازی نیروگاه‌های ذخیره‌سازی انرژی چندگانه در سیستم قدرت، مطالعه مدل اقتصادی عملکرد نیروگاه‌های ذخیره‌سازی انرژی، انتخاب محل نقطه شروع و پایان کانال‌های انتقال فتوولتائیک و انتخاب محل ذخیره انرژی با این حال، تحقیقات موجود در مورد پیکربندی بهینه سیستم ذخیره‌سازی انرژی، تأثیر خاصی را بر سیستم قدرت در نظر نمی‌گیرد، و تحقیقات روی سیستم چند نقطه‌ای شامل ویژگی‌های عملیات ذخیره‌سازی نوری در مقیاس بزرگ نمی‌شود.

با توسعه مقیاس بزرگ تولید انرژی جدید نامطمئن مانند نیروی بادی و فتوولتائیک، لازم است که جریان برق سیستم قدرت در برنامه ریزی عملیاتی سیستم قدرت محاسبه شود. به عنوان مثال، ادبیات مکان بهینه و تخصیص ظرفیت ذخیره انرژی در سیستم قدرت با نیروی باد را مطالعه می کند. علاوه بر این، همبستگی بین چندین منبع انرژی جدید نیز باید در محاسبه جریان توان در نظر گرفته شود. با این حال، تمام مطالعات فوق مبتنی بر روش‌های قطعی جریان قدرت هستند که عدم قطعیت تولید انرژی جدید را در نظر نمی‌گیرند. ادبیات عدم قطعیت نیروی باد را در نظر می گیرد و روش احتمالی جریان قدرت بهینه را برای بهینه سازی مکان انتخاب سیستم ذخیره انرژی، که اقتصاد عملیات را بهبود می بخشد، اعمال می کند.

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.

بر اساس تحقیقات فوق، این مقاله از روش جریان توان احتمالی برای مطالعه تخصیص بهینه ذخیره انرژی در سیستم قدرت با تولید برق فتوولتائیک در مقیاس بزرگ استفاده می‌کند. ابتدا مدل توزیع احتمال و روش نمونه برداری لاتین هایپرمکعب اجزاء در سیستم قدرت معرفی شده است. در مرحله دوم، یک مدل بهینه‌سازی چند هدفه با در نظر گرفتن هزینه ذخیره‌سازی انرژی، جریان توان بیش از حد احتمال و از دست دادن شبکه ایجاد می‌شود. در نهایت، تجزیه و تحلیل شبیه سازی در سیستم تست گره IEEE24 انجام شده است.

1. مدل جریان قدرت احتمالی

1.1 Uncertainty model of components

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

تصویر (1)

جایی که Pl قدرت بار است. μ L و σ L به ترتیب انتظار و واریانس بار هستند.

مدل احتمال ژنراتور معمولاً از توزیع دو نقطه ای استفاده می کند و تابع توزیع چگالی احتمال آن است.

(2)

جایی که P احتمال عملکرد طبیعی ژنراتور است. PG توان خروجی ژنراتور است.

هنگامی که نور در ظهر کافی باشد، توان فعال نیروگاه فتوولتائیک زیاد است و برقی که به موقع استفاده از آن دشوار است در باتری ذخیره انرژی ذخیره می شود. هنگامی که قدرت بار زیاد است، باتری ذخیره انرژی انرژی ذخیره شده را آزاد می کند. معادله تعادل انرژی لحظه ای سیستم ذخیره انرژی است

هنگام شارژ

(3)

هنگام ترشح

(4)

محدودیت

تصاویر،

تصاویر،

عکس، تصویر

جایی که، St انرژی ذخیره شده در زمان T است. Pt توان شارژ و دشارژ ذخیره انرژی است. SL و SG به ترتیب انرژی شارژ و دشارژ هستند. η C و η D به ترتیب بازده شارژ و دشارژ هستند. Ds نرخ خود تخلیه ذخیره انرژی است.

1.2 روش نمونه گیری هایپرمکعب لاتین

روش های شبیه سازی، روش تقریبی و روش تحلیلی وجود دارد که می تواند برای تجزیه و تحلیل جریان برق سیستم تحت عوامل نامشخص استفاده شود. شبیه‌سازی مونت کارلو یکی از دقیق‌ترین روش‌ها در الگوریتم‌های احتمالی جریان قدرت است، اما زمان‌بندی آن در مقایسه با دقت بالا پایین است. در مورد زمان‌های نمونه‌برداری کم، این روش معمولاً دنباله منحنی توزیع احتمال را نادیده می‌گیرد، اما برای بهبود دقت، نیاز به افزایش زمان‌های نمونه‌برداری دارد. روش نمونه گیری هایپرمکعب لاتین از این مشکل جلوگیری می کند. این یک روش نمونه گیری سلسله مراتبی است که می تواند اطمینان حاصل کند که نقاط نمونه گیری توزیع احتمال را به طور موثر منعکس می کند و زمان های نمونه برداری را به طور موثر کاهش می دهد.

شکل 1 انتظار و واریانس روش نمونه گیری هایپرمکعب لاتین و روش شبیه سازی مونت کارلو را با زمان های نمونه برداری از 10 تا 200 نشان می دهد. روند کلی نتایج به دست آمده توسط دو روش کاهشی است. با این حال، انتظار و واریانس به‌دست‌آمده با روش مونت کارلو بسیار ناپایدار است و نتایج به‌دست‌آمده از شبیه‌سازی‌های چندگانه با زمان‌های نمونه‌گیری یکسان یکسان نیست. واریانس روش نمونه گیری لاتین هایپرمکعب به طور پیوسته با افزایش زمان نمونه گیری کاهش می یابد و خطای نسبی در زمانی که زمان های نمونه برداری بیش از 5 باشد به کمتر از 150 درصد کاهش می یابد. شایان ذکر است که نقطه نمونه گیری روش نمونه برداری هایپرمکعب لاتین است. متقارن در مورد محور Y است، بنابراین خطای مورد انتظار آن 0 است که مزیت آن نیز می باشد.

تصویر

FIG. 1 Comparison of different sampling times between MC and LHS

روش نمونه گیری هایپرمکعب لاتین یک روش نمونه گیری لایه ای است. با بهبود فرآیند تولید نمونه از متغیرهای تصادفی ورودی، مقدار نمونه‌گیری می‌تواند به طور موثر توزیع کلی متغیرهای تصادفی را منعکس کند. فرآیند نمونه گیری به دو مرحله تقسیم می شود.

(1) Sampling

Xi (I = 1, 2,… ,m) m متغیرهای تصادفی است و زمان‌های نمونه‌برداری N هستند، همانطور که در شکل نشان داده شده است. 2. منحنی توزیع احتمال تجمعی Xi به N بازه با فاصله مساوی و بدون همپوشانی تقسیم می شود، نقطه میانی هر بازه به عنوان مقدار نمونه گیری احتمال Y انتخاب می شود و سپس مقدار نمونه برداری Xi= p-1 (Yi) است. با استفاده از تابع معکوس محاسبه می شود و Xi محاسبه شده مقدار نمونه گیری متغیر تصادفی است.

تصویر

Figure 2 schematic diagram of LHS

(2) جایگشت

مقادیر نمونه گیری از متغیرهای تصادفی به دست آمده از (1) به ترتیب مرتب شده اند، بنابراین همبستگی بین m متغیرهای تصادفی 1 است که قابل محاسبه نیست. برای کاهش همبستگی بین مقادیر نمونه‌گیری متغیرهای تصادفی، می‌توان از روش متعامدسازی دنباله‌ای گرم اشمیت استفاده کرد. ابتدا، ماتریسی از مرتبه K×M I=[I1, I2…, IK]T تولید می‌شود. عناصر در هر ردیف به طور تصادفی از 1 تا M مرتب شده اند و موقعیت مقدار نمونه گیری متغیر تصادفی اصلی را نشان می دهند.

تکرار مثبت

تصویر

یک تکرار معکوس

تصویر

“Picture” represents assignment, takeout(Ik,Ij) represents calculation of residual value in linear regression Ik=a+bIj, rank(Ik) represents new vector formed by the sequence number of elements in orientation Ik from small to large.

پس از تکرار دوسویه تا زمانی که مقدار RMS ρ که نشان دهنده همبستگی است کاهش نیابد، ماتریس موقعیت هر متغیر تصادفی پس از جایگشت به دست می آید و سپس می توان ماتریس جایگشت متغیرهای تصادفی با کمترین همبستگی را به دست آورد.

(5)

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

2. پیکربندی بهینه سازی چند هدفه سیستم ذخیره انرژی

2.1 تابع هدف

به منظور بهینه‌سازی توان و ظرفیت سیستم ذخیره‌سازی انرژی، یک تابع بهینه‌سازی چند هدفه با در نظر گرفتن هزینه سیستم ذخیره‌سازی انرژی، احتمال خروج از حد توان و تلفات شبکه ایجاد می‌شود. با توجه به ابعاد مختلف هر شاخص، استانداردسازی انحراف برای هر شاخص انجام می شود. پس از استانداردسازی انحراف، دامنه مقادیر مقادیر مشاهده شده متغیرهای مختلف بین (0,1،XNUMX) خواهد بود و داده های استاندارد شده کمیت های خالص بدون واحد هستند. در شرایط واقعی، ممکن است تفاوت هایی در تأکید بر هر شاخص وجود داشته باشد. اگر به هر شاخص وزن معینی داده شود، می توان تاکیدات مختلفی را تحلیل و بررسی کرد.

(6)

جایی که، w شاخصی است که باید بهینه شود. Wmin و wmax حداقل و حداکثر تابع اصلی بدون استانداردسازی هستند.

The objective function is

(7)

در فرمول، λ1 ~ λ3 ضرایب وزن، Eloss، PE و CESS به ترتیب از دست دادن شبکه انشعاب استاندارد، احتمال عبور توان فعال شاخه و هزینه سرمایه گذاری ذخیره انرژی هستند.

2.2 Genetic algorithm

الگوریتم ژنتیک نوعی الگوریتم بهینه‌سازی است که با تقلید از قوانین ژنتیکی و تکاملی بقای شایسته‌ترین و بقای بهترین‌ها در طبیعت ایجاد می‌شود. ابتدا به کدگذاری، جمعیت اولیه هر کدگذاری از طرف یک فرد (یک راه حل امکان‌پذیر برای مشکل)، بنابراین هر راه‌حل امکان‌پذیر از تبدیل فنوتیپ ژنوتیپ است، انتخاب مطابق قوانین طبیعت برای هر فرد انجام می‌شود و در هر نسل به نسل بعدی محیط محاسباتی برای انطباق با فرد قوی، تا زمانی که سازگارترین با محیط فرد، پس از رمزگشایی، راه حل بهینه تقریبی مشکل است.

In this paper, the power system including photovoltaic and energy storage is firstly calculated by the probabilistic power flow algorithm, and the obtained data is used as the input variable of the genetic algorithm to solve the problem. The calculation process is shown in Figure 3, which is mainly divided into the following steps:

تصویر

شکل. 3 جریان الگوریتم

(1) سیستم ورودی، داده‌های ذخیره‌سازی فتوولتائیک و انرژی، و انجام نمونه‌برداری هایپرمکعب لاتین و متعامدسازی توالی گرم اشمیت.

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

(3) نتایج خروجی توسط کروموزوم کدگذاری شد تا جمعیت اولیه مربوط به مقدار نمونه برداری تولید شود.

(4) تناسب اندام هر فرد در جمعیت را محاسبه کنید.

(5) انتخاب، تلاقی و جهش برای تولید نسل جدیدی از جمعیت.

(6) قضاوت در مورد اینکه آیا الزامات برآورده شده است، اگر نه، مرحله بازگشت (4). اگر بله، راه حل بهینه پس از رمزگشایی خروجی است.

3. تجزیه و تحلیل مثال

The probabilistic power flow method is simulated and analyzed in the IEEE24-node test system shown in FIG. 4, in which the voltage level of 1-10 nodes is 138 kV, and that of 11-24 nodes is 230 kV.

تصویر

شکل 4 سیستم تست گره IEEE24

3.1 تأثیر نیروگاه فتوولتائیک بر سیستم قدرت

نیروگاه فتوولتائیک در سیستم قدرت، مکان و ظرفیت سیستم قدرت بر ولتاژ گره و توان انشعاب تأثیرگذار خواهد بود، بنابراین، قبل از تجزیه و تحلیل تأثیر سیستم ذخیره انرژی برای شبکه برق، در این بخش ابتدا تأثیر توان فتوولتائیک مورد تجزیه و تحلیل قرار می گیرد. ایستگاه بر روی سیستم، دسترسی فتوولتائیک به سیستم در این مقاله، روند حد احتمال، تلفات شبکه و غیره در تحلیل شبیه سازی انجام شده است.

As can be seen from FIG. 5(a), after photovoltaic power station is connected, nodes with smaller branch power flow overlimit are as follows: 11, 12, 13, 23, 13 to balance the node node, the node voltage and the phase Angle is given, have the effect of stable power grid power balance, 11, 12 and 23 instead of directly connected, as a result, several nodes connected to the limit the probability of smaller and more power, photovoltaic power station will access the node with balance effect is less on the impact of power system.

تصویر

شکل 5. (الف) مجموع احتمال جریان برق خارج از حد (ب) نوسانات ولتاژ گره (ج) از دست دادن کل شبکه سیستم نقاط دسترسی مختلف PV

In addition to the exceedance of power flow, this paper also analyzes the influence of photovoltaic on node voltage, as shown in FIG. 5(b). The standard deviations of voltage amplitudes of nodes 1, 3, 8, 13, 14, 15 and 19 are selected for comparison. On the whole, the connection of photovoltaic power stations to the power grid does not have a great influence on the voltage of nodes, but the photovoltaic power stations have a great influence on the voltage of a-Nodes and their nearby nodes. In addition, in the system adopted by the calculation example, through comparison, it is found that photovoltaic power station is more suitable for access to the node types: ① nodes with higher voltage grade, such as 14, 15, 16, etc., the voltage almost does not change; (2) nodes supported by generators or adjusting cameras, such as 1, 2, 7, etc.; (3) in the line resistance is large at the end of the node.

به منظور تجزیه و تحلیل تأثیر نقطه دسترسی PV بر تلفات کل شبکه سیستم قدرت، این مقاله مقایسه ای را انجام می دهد که در شکل 5 (c) نشان داده شده است. مشاهده می شود که اگر برخی از گره ها با توان بار زیاد و بدون منبع تغذیه به نیروگاه pv متصل شوند، تلفات شبکه سیستم کاهش می یابد. برعکس، گره های 21، 22 و 23 انتهای منبع تغذیه هستند که وظیفه انتقال متمرکز نیرو را بر عهده دارند. نیروگاه فتوولتائیک متصل به این گره ها باعث از دست دادن شبکه بزرگ می شود. بنابراین، نقطه دسترسی نیروگاه pv باید در انتهای دریافت کننده برق یا گره با بار زیاد انتخاب شود. این حالت دسترسی می تواند توزیع جریان برق سیستم را متعادل تر کند و از هدر رفتن شبکه سیستم بکاهد.

بر اساس سه عامل در تحلیل نتایج فوق، گره 14 به عنوان نقطه دسترسی نیروگاه فتوولتائیک در این مقاله در نظر گرفته شده و سپس تأثیر ظرفیت نیروگاه های فتوولتائیک مختلف بر سیستم قدرت مورد بررسی قرار گرفته است.

شکل 6 (الف) تأثیر ظرفیت فتوولتائیک را بر روی سیستم تجزیه و تحلیل می کند. مشاهده می شود که انحراف معیار توان اکتیو هر شاخه با افزایش ظرفیت فتوولتائیک افزایش می یابد و رابطه خطی مثبتی بین این دو وجود دارد. به جز چندین شاخه نشان داده شده در شکل، انحراف معیار سایر شاخه ها همگی کمتر از 5 هستند و یک رابطه خطی را نشان می دهند که برای راحتی ترسیم نادیده گرفته می شوند. مشاهده می شود که اتصال شبکه فتوولتائیک تأثیر زیادی بر توان اتصال مستقیم به نقطه دسترسی فتوولتائیک یا انشعابات مجاور دارد. به دلیل محدودیت انتقال خط انتقال نیرو، خطوط انتقال مقادیر ساخت و ساز و سرمایه گذاری بسیار زیاد است، بنابراین نصب یک نیروگاه فتوولتائیک باید محدودیت ظرفیت حمل و نقل را در نظر بگیرد، همچنین کمترین تأثیر را در دسترسی خط به بهترین مکان انتخاب کند، علاوه بر این، انتخاب بهترین ظرفیت نیروگاه فتوولتائیک نقش مهمی در کاهش این اثر دارد.

تصویر

شکل 6. (الف) انحراف استاندارد توان اکتیو شاخه (ب) انشعاب جریان برق خارج از حد احتمال (ج) تلفات کل شبکه سیستم تحت ظرفیت های مختلف فتوولتائیک

شکل. 6(ب) احتمال فراتر رفتن توان اکتیو از حد هر شاخه را تحت ظرفیت های مختلف نیروگاه های PV مقایسه می کند. به جز شاخه های نشان داده شده در شکل، سایر شاخه ها از حد مجاز فراتر نرفته و یا احتمال آن بسیار کم بوده است. در مقایسه با شکل. 6(a)، می توان مشاهده کرد که احتمال خارج از حد و انحراف استاندارد لزوماً مرتبط نیستند. توان اکتیو یک خط با نوسانات انحراف استاندارد زیاد لزوماً خارج از محدوده نیست و دلیل آن مربوط به جهت انتقال توان خروجی فتوولتائیک است. اگر در همان جهت جریان برق انشعاب اصلی باشد، برق فتوولتائیک کوچک نیز ممکن است باعث قطع محدودیت شود. وقتی توان pv بسیار زیاد است، جریان برق ممکن است از حد مجاز تجاوز نکند.

در شکل. 6(c)، از دست دادن کل شبکه سیستم با افزایش ظرفیت فتوولتائیک افزایش می یابد، اما این اثر آشکار نیست. هنگامی که ظرفیت فتوولتائیک 60 مگاوات افزایش می یابد، تلفات کل شبکه تنها 0.5٪ افزایش می یابد، یعنی 0.75 مگاوات. بنابراین در نصب نیروگاه های pv باید تلفات شبکه را به عنوان یک عامل ثانویه در نظر گرفت و ابتدا عواملی را در نظر گرفت که تاثیر بیشتری بر عملکرد پایدار سیستم دارند، مانند نوسانات برق خطوط انتقال و احتمال خارج از حد. .

3.2 Impact of energy storage access on the system

بخش 3.1 موقعیت دسترسی و ظرفیت نیروگاه فتوولتائیک به سیستم قدرت بستگی دارد