Tiivistelmä Suuri osa aurinkosähkön tuotannosta vaikuttaa haitallisesti sähköjärjestelmän vakauteen, ja energian varastoinnin katsotaan olevan yksi tehokkaista keinoista poistaa nämä vaikutukset. Tässä artikkelissa analysoidaan aurinkosähkön tuotannon vaikutusta sähköjärjestelmään tehovirran näkökulmasta ja analysoidaan sitten energian varastoinnin vaikutusta vaikutuksen hillitsemiseen. Ensin esitellään sähköjärjestelmän komponenttien todennäköisyysjakaumamalli ja energian varastointimalli sekä latinalainen hyperkuutio-näytteenottomenetelmä ja gram-Schmidt-sekvenssin normalisointimenetelmä. Toiseksi laadittiin monitavoite optimointimalli, jossa huomioitiin energian varastointijärjestelmän kustannukset, haarojen tehovirran rajaton todennäköisyys ja sähköverkon verkkohäviö. Tavoitefunktion optimaalinen ratkaisu saatiin geneettisellä algoritmilla. Lopuksi simulaatio suoritetaan IEEE24-solmutestijärjestelmässä, jossa analysoidaan eri aurinkosähkökapasiteetin ja pääsyn sijainnin vaikutusta sähköjärjestelmään ja energian varastoinnin vaikutusta sähköjärjestelmään sekä erilaista aurinkosähkökapasiteettia vastaavaa optimaalista energian varastointikonfiguraatiota. saadaan.

Avainsanat aurinkosähkön tuotanto; Energian varastointijärjestelmä; Optimoitu kokoonpano; Todennäköisyysvirtaus; Geneettinen algoritmi (ga)

Aurinkosähköenergian tuotannossa on vihreän ympäristönsuojelun ja uusiutuvan energian edut, ja sitä pidetään yhtenä potentiaalisimmista uusiutuvista energialähteistä. Vuoteen 2020 mennessä Kiinan aurinkosähkön sähköntuotannon kumulatiivinen asennettu kapasiteetti on saavuttanut 253 miljoonaa kW. Laajamittaisen aurinkosähkön katkonaisuus ja epävarmuus vaikuttavat sähköjärjestelmään, mukaan lukien huippukuormituksen, vakauden ja kevyen hävittämisen ongelmat, ja verkon on otettava käyttöön joustavampia toimenpiteitä näiden ongelmien ratkaisemiseksi. Energian varastoinnin katsotaan olevan tehokas tapa ratkaista nämä ongelmat. Energian varastointijärjestelmän sovellus tuo uuden ratkaisun laajamittaiseen aurinkosähköverkkoon.

Tällä hetkellä on olemassa monia tutkimuksia aurinkosähkön tuotannosta, energian varastointijärjestelmästä ja todennäköisyysvirtauksesta kotimaassa ja ulkomailla. Lukuisat kirjallisuustutkimukset osoittavat, että energian varastointi voi parantaa aurinkosähkön käyttöastetta ja ratkaista aurinkosähköverkkoyhteyden vakauden. Uuden energiavoimalaitoksen energian varastointijärjestelmän konfiguroinnissa tulee kiinnittää huomiota paitsi optisen varastoinnin ja tuulivaraston ohjausstrategiaan, myös energian varastointijärjestelmän taloudellisuuteen. Lisäksi energiajärjestelmän useiden varastointivoimaloiden optimoimiseksi on tarpeen tutkia energiaa varastoivien voimalaitosten toiminnan taloudellista mallia, aurinkosähköisten siirtokanavien aloitus- ja päätepisteiden paikkavalintaa sekä energian varastointipaikan valinta. Nykyinen tutkimus energian varastointijärjestelmän optimaalisesta konfiguraatiosta ei kuitenkaan ota huomioon erityistä vaikutusta sähköjärjestelmään, eikä monipistejärjestelmän tutkimuksessa ole mukana laajamittaisia ​​optisia varastointitoimintoja.

Epävarman uuden energiasähkön, kuten tuulivoiman ja aurinkosähkön, laajamittaisen kehittämisen myötä sähköjärjestelmän tehovirta on tarpeen laskea voimajärjestelmän käyttösuunnittelussa. Esimerkiksi kirjallisuudessa tutkitaan energian varastoinnin optimaalista sijaintia ja kapasiteetin allokointia voimajärjestelmässä tuulivoimalla. Lisäksi tehovirran laskennassa tulee ottaa huomioon useiden uusien energialähteiden välinen korrelaatio. Kaikki edellä mainitut tutkimukset perustuvat kuitenkin deterministisiin tehovirtamenetelmiin, joissa ei oteta huomioon uuden energiantuotannon epävarmuutta. Kirjallisuus huomioi tuulivoiman epävarmuuden ja soveltaa todennäköisyyspohjaista optimaalista tehovirtausmenetelmää energian varastointijärjestelmän paikkavalinnan optimointiin, mikä parantaa käyttötaloudellisuutta.

Tällä hetkellä tutkijat ovat ehdottaneet erilaisia ​​todennäköisyyspohjaisia ​​tehovirtaalgoritmeja ja kirjallisuudessa on ehdotettu Monte Carlo -simulaatiomenetelmään perustuvia epälineaarisen todennäköisyyden tehovirran tiedonlouhintamenetelmiä, mutta Monte Carlo -menetelmän ajantasaisuus on erittäin huono. Kirjallisuudessa ehdotetaan käytettäväksi todennäköisyyspohjaista optimaalista tehovirtaa energiavaraston sijainnin tutkimiseen ja käytetään 2 m pistemenetelmää, mutta tämän menetelmän laskentatarkkuus ei ole ihanteellinen. Tässä artikkelissa tarkastellaan latinalaisen hyperkuution näytteenottomenetelmän käyttöä tehovirtalaskelmissa ja latinalaisen hyperkuution näytteenottomenetelmän ylivoimaisuutta havainnollistetaan numeerisin esimerkein.

Yllä olevaan tutkimukseen perustuen tässä artikkelissa tutkitaan todennäköisyyspohjaisen tehovirtausmenetelmän avulla energian varastoinnin optimaalista allokaatiota voimajärjestelmässä laajamittaisessa aurinkosähköntuotannossa. Ensin esitellään sähköjärjestelmän komponenttien todennäköisyysjakaumamalli ja latinalainen hyperkuutio-näytteenottomenetelmä. Toiseksi luodaan usean tavoitteen optimointimalli ottaen huomioon energian varastointikustannukset, rajan ylittävän tehon todennäköisyys ja verkkohäviö. Lopuksi simulaatioanalyysi suoritetaan IEEE24-solmutestijärjestelmässä.

1. Todennäköisyyspohjainen tehovirtamalli

1.1 Komponenttien epävarmuusmalli

Aurinkosähkö, kuorma ja generaattori ovat kaikki satunnaismuuttujia, joilla on epävarmuus. Jakeluverkon probabilistisen tehovirran laskennassa todennäköisyysmalli on selitetty kirjallisuudessa. Historiallisten tietojen analysoinnin avulla aurinkosähkön tuotantoteho seuraa BETA-jakaumaa. Sovitamalla kuormitustehon todennäköisyysjakauma oletetaan, että kuorma seuraa normaalijakaumaa ja sen todennäköisyystiheysjakaumafunktio on

Kuva (1)

Missä Pl on kuormitusteho; μ L ja σ L ovat kuorman odotusarvo ja varianssi.

Generaattorin todennäköisyysmalli käyttää yleensä kaksipistejakaumaa, ja sen todennäköisyystiheysjakaumafunktio on

(2)

Where, P is the probability of normal operation of generator; PG is the output power of the generator.

Kun valoa riittää keskipäivällä, aurinkovoimalan pätöteho on suuri ja ajoissa vaikeasti käytettävä teho varastoituu energian varastointiakkuun. Kun kuormitusteho on korkea, energiaa varastoitava akku vapauttaa varastoidun energian. Energian varastointijärjestelmän hetkellisen energiatasapainon yhtälö on

Ladattaessa

(3)

When the discharge

(4)

Rajoitus

Kuvia,

Kuvia,

Kuva, kuva

Where, St is the energy stored at time T; Pt is the charge and discharge power of energy storage; SL and SG are the energy of charging and discharging respectively. η C and η D are charging and discharging efficiency respectively. Ds is the self-discharge rate of energy storage.

1.2 Latin hypercube sampling method

On olemassa simulaatiomenetelmä, likimääräinen menetelmä ja analyyttinen menetelmä, joilla voidaan analysoida järjestelmän tehovirtaa epävarmojen tekijöiden vallitessa. Monte Carlo -simulaatio on yksi tarkimmista menetelmistä todennäköisyyspohjaisissa tehovirtaalgoritmeissa, mutta sen ajankohtaisuus on alhainen korkeaan tarkkuuteen verrattuna. Pienillä näytteenottoajoilla tämä menetelmä jättää yleensä huomioimatta todennäköisyysjakaumakäyrän hännän, mutta tarkkuuden parantamiseksi sen on pidennettävä näytteenottoaikoja. Latinalaisen hyperkuution näytteenottomenetelmällä vältetään tämä ongelma. Se on hierarkkinen näytteenottomenetelmä, jolla voidaan varmistaa, että näytteenottopisteet heijastavat tehokkaasti todennäköisyysjakaumaa ja lyhentävät näytteenottoaikoja tehokkaasti.

Kuvassa 1 on esitetty latinalaisen hyperkuution näytteenottomenetelmän ja Monte Carlo -simulaatiomenetelmän odotukset ja varianssit näytteenottoajoilla 10-200. Näillä kahdella menetelmällä saatujen tulosten yleinen trendi on laskeva. Monte Carlo -menetelmällä saadut odotukset ja varianssit ovat kuitenkin erittäin epävakaita, ja useilla simulaatioilla saadut tulokset eivät ole samoja samoilla näytteenottoajoilla. Latinalaisen hyperkuution näytteenottomenetelmän varianssi pienenee tasaisesti näytteenottoaikojen kasvaessa ja suhteellinen virhe pienenee alle 5 %:iin, kun näytteenottoajat ovat yli 150. On huomioitava, että latinalaisen hyperkuution näytteenottomenetelmän näytteenottopiste on symmetrinen Y-akselin suhteen, joten sen odotettu virhe on 0, mikä on myös sen etu.

Kuva

KUVA. 1 MC:n ja LHS:n eri näytteenottoaikojen vertailu

Latinalaisen hyperkuution näytteenottomenetelmä on kerrostettu näytteenottomenetelmä. Parannamalla syötettävien satunnaismuuttujien näytteiden generointiprosessia näytteenottoarvo voi tehokkaasti heijastaa satunnaismuuttujien yleistä jakautumista. Näytteenottoprosessi on jaettu kahteen vaiheeseen.

(1) Näytteenotto

Xi (I = 1, 2,… ,m) on m satunnaismuuttujaa ja näytteenottoajat ovat N, kuten kuviossa 2 on esitetty. 1. Xi:n kumulatiivinen todennäköisyysjakaumakäyrä jaetaan N väliin tasavälein ja ilman päällekkäisyyttä, kunkin intervallin keskipiste valitaan todennäköisyyden Y näytteenottoarvoksi ja sitten näytearvo Xi= p-XNUMX (Yi) on lasketaan käänteisfunktiolla, ja laskettu Xi on satunnaismuuttujan näytteenottoarvo.

Kuva

Kuva 2 LHS:n kaavio

(2) Permutaatiot

Kohdasta (1) saatujen satunnaismuuttujien otosarvot on järjestetty peräkkäin, joten m satunnaismuuttujan välinen korrelaatio on 1, jota ei voida laskea. Gram-Schmidt-sekvenssin ortogonalisointimenetelmää voidaan käyttää vähentämään satunnaismuuttujien näytteenottoarvojen välistä korrelaatiota. Ensin generoidaan matriisi, jonka kertaluku on K×M I=[I1, I2…, IK]T. Jokaisen rivin elementit on järjestetty satunnaisesti 1:stä M:ään ja ne edustavat alkuperäisen satunnaismuuttujan näytteenottoarvon paikkaa.

Positiivinen iteraatio

Kuva

Käänteinen iteraatio

Kuva

“Kuva” edustaa määritystä, takeout(Ik,Ij) edustaa jäännösarvon laskemista lineaarisessa regressiossa Ik=a+bIj, rank(Ik) edustaa uutta vektoria, joka muodostuu orientaatiossa Ik olevien elementtien järjestysluvusta pienestä suureen.

Kaksisuuntaisen iteroinnin jälkeen, kunnes korrelaatiota edustava RMS-arvo ρ ei laske, saadaan kunkin satunnaismuuttujan paikkamatriisi permutaation jälkeen, ja sitten voidaan saada permutaatiomatriisi satunnaismuuttujista, joilla on pienin korrelaatio.

(5)

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

2. Energian varastointijärjestelmän monitavoite optimointikonfiguraatio

2.1 Objektiivinen toiminta

Energian varastointijärjestelmän tehon ja kapasiteetin optimoimiseksi perustetaan usean tavoitteen mukainen optimointitoiminto, jossa otetaan huomioon energian varastointijärjestelmän kustannukset, tehonpoistotodennäköisyys ja verkkohäviö. Kunkin indikaattorin eri mittojen vuoksi poikkeamastandardointi suoritetaan kullekin indikaattorille. Poikkeamastandardoinnin jälkeen eri muuttujien havaittujen arvojen arvoalue on välillä (0,1), ja standardisoidut tiedot ovat puhtaita suureita ilman yksikköjä. Todellisuudessa kunkin indikaattorin painotuksissa voi olla eroja. Jos jokaiselle indikaattorille annetaan tietty painoarvo, voidaan analysoida ja tutkia erilaisia ​​painotuksia.

(6)

missä w on optimoitava indeksi; Wmin ja wmax ovat alkuperäisen funktion minimi- ja maksimiarvo ilman standardointia.

Tavoitefunktio on

(7)

Kaavassa λ1 ~ λ3 ovat painokertoimia, Eloss, PE ja CESS ovat standardoituja haaraverkkohäviöitä, haaran pätötehon ylitystodennäköisyyttä ja vastaavasti energian varastoinnin investointikustannuksia.

2.2 Geneettinen algoritmi

Geneettinen algoritmi on eräänlainen optimointialgoritmi, joka on perustettu jäljittelemällä luonnossa vahvimpien selviytymisen ja vahvimpien selviytymisen geneettisiä ja evoluutiolakeja. Ensinnäkin koodaukseen, alkupopulaatioon, joka koodaa kukin yksilön puolesta (ongelman toteuttamiskelpoinen ratkaisu), joten jokainen toteuttamiskelpoinen ratkaisu on genotyypin fenotyypin muuntamiseen, valitseminen luonnonlakien mukaisesti kullekin yksilölle ja valitaan kunkin sukupolven seuraavan sukupolven tietojenkäsittely-ympäristön sopeutua vahva yksilö, kunnes kaikkein mukautuva ympäristöön yksilön, Dekoodauksen jälkeen, se on likimääräinen optimaalinen ratkaisu ongelmaan.

Tässä artikkelissa aurinkosähkön ja energian varastoinnin sisältävä tehojärjestelmä lasketaan ensin todennäköisyyspohjaisella tehovirtausalgoritmilla ja saatua dataa käytetään geneettisen algoritmin syöttömuuttujana ongelman ratkaisemiseksi. Laskentaprosessi on esitetty kuvassa 3, joka on pääasiassa jaettu seuraaviin vaiheisiin:

Kuva

KUVA. 3 Algoritmin kulku

(1) Syöttöjärjestelmä, aurinkosähkö- ja energian varastointitiedot sekä latinalaisen hyperkuution näytteenotto ja Gram-Schmidt-sekvenssin ortogonalisointi;

(2) Syötä näytetiedot tehovirran laskentamalliin ja kirjaa laskentatulokset;

(3) Tulostulokset koodattiin kromosomilla näytteenottoarvoa vastaavan alkuperäisen populaation muodostamiseksi;

(4) Laske populaation jokaisen yksilön kunto;

(5) valita, risteyttää ja mutatoida tuottaakseen uuden sukupolven väestön;

(6) Arvioi, täyttyvätkö vaatimukset, jos ei, palaa vaihe (4); Jos kyllä, optimaalinen ratkaisu tulostetaan dekoodauksen jälkeen.

3. Esimerkkianalyysi

Todennäköisyyspohjaista tehovirtausmenetelmää simuloidaan ja analysoidaan kuviossa 24 esitetyssä IEEE4-solmun testijärjestelmässä. 1, jossa 10-138 solmun jännitetaso on 11 kV ja 24-230 solmun XNUMX kV.

Kuva

Kuva 4 IEEE24-solmun testijärjestelmä

3.1 Aurinkosähkövoimalan vaikutus sähköjärjestelmään

Aurinkosähkövoimalaitos sähköjärjestelmässä, sähköjärjestelmän sijainti ja kapasiteetti vaikuttavat solmujännitteeseen ja haaratehoon, joten ennen kuin analysoidaan energian varastointijärjestelmän vaikutusta sähköverkkoon, tässä osassa analysoidaan ensin aurinkosähkön vaikutus. asema järjestelmässä, aurinkosähkö pääsy järjestelmään tässä paperissa, suuntaus rajan todennäköisyys, verkon menetys ja niin edelleen on jatkanut simulaatioanalyysiä.

Kuten kuviosta 5 voidaan nähdä. Kuvassa 11(a), sen jälkeen kun aurinkosähkövoimalaitos on kytketty, solmut, joilla on pienempi haaravirtauksen ylitys, ovat seuraavat: 12, 13, 23, 13, 11 solmusolmun tasapainottamiseksi, solmujännite ja vaihekulma on annettu, niillä on vaikutus vakaan sähköverkon tehotasapainon, 12, 23 ja XNUMX sijaan suoraan kytketty, seurauksena useat solmut kytketty raja todennäköisyys pienempi ja enemmän tehoa, aurinkosähkövoimalaitos pääsee solmu tasapainovaikutus on vähemmän sähköjärjestelmän vaikutus.

Kuva

Kuva 5. (a) tehovirran rajattoman todennäköisyyden summa (b) solmujännitteen vaihtelu (c) eri aurinkosähköliityntäpisteiden verkon kokonaishäviö

Tehovirran ylityksen lisäksi tässä artikkelissa analysoidaan myös aurinkosähkön vaikutusta solmujännitteeseen, kuten kuvassa 5 on esitetty. 1(b). Vertailun vuoksi valitaan solmujen 3, 8, 13, 14, 15, 19 ja 14 jänniteamplitudien keskihajonnat. Kokonaisuutena aurinkosähkövoimaloiden liittämisellä sähköverkkoon ei ole suurta vaikutusta solmujen jännitteeseen, mutta aurinkosähkövoimalaitoksilla on suuri vaikutus a-Solmujen ja niiden lähisolmujen jännitteeseen. Lisäksi laskentaesimerkin omaksumassa järjestelmässä vertailun kautta havaitaan, että aurinkosähkövoimalaitos soveltuu paremmin pääsyyn solmutyyppeihin: ① solmut, joilla on korkeampi jänniteluokka, kuten 15, 16, 2 jne., jännite melkein ei muutu; (1) generaattorien tai säätökameroiden tukemat solmut, kuten 2, 7, 3 jne.; (XNUMX) linjassa vastus on suuri solmun päässä.

Jotta voidaan analysoida aurinkosähköliityntäpisteen vaikutusta sähköjärjestelmän verkon kokonaishäviöön, tässä artikkelissa tehdään vertailu, kuten kuvassa 5(c). Voidaan nähdä, että jos jotkin solmut, joilla on suuri kuormitusteho ja ilman virtalähdettä kytketään pv-voimalaan, järjestelmän verkkohäviö vähenee. Päinvastoin, solmut 21, 22 ja 23 ovat tehonsyöttöpää, joka vastaa keskitetystä tehonsiirrosta. Näihin solmuihin kytketty aurinkosähkövoimalaitos aiheuttaa suuren verkkohäviön. Siksi pv-voimalan tukiasema tulisi valita tehon vastaanottopäästä tai solmusta, jossa on suuri kuormitus. Tämä pääsytila ​​voi tehdä järjestelmän tehovirran jakautumisesta tasapainoisemman ja vähentää järjestelmän verkkohäviöitä.

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.

Kuvassa 6(a) analysoidaan aurinkosähkökapasiteetin vaikutusta järjestelmään. Voidaan nähdä, että kunkin haaran pätötehon keskihajonta kasvaa aurinkosähkökapasiteetin kasvaessa, ja näiden kahden välillä on positiivinen lineaarinen suhde. Useita kuvassa esitettyjä haaroja lukuun ottamatta muiden haarojen keskihajonnat ovat kaikki alle 5 ja osoittavat lineaarista suhdetta, jotka jätetään huomioimatta piirtämisen helpottamiseksi. Voidaan nähdä, että aurinkosähköverkkoliitännällä on suuri vaikutus suoraan aurinkosähkön tukiasemaan tai viereisiin haaroihin kytketyn tehoon. Rajoitetun voimansiirtolinjan siirron vuoksi rakennus- ja investointimäärät ovat valtavat, joten aurinkosähkövoimalan asentamisessa tulee ottaa huomioon kuljetuskapasiteetin rajoitus, valita pienin vaikutus linjan pääsyyn parhaaseen sijaintiin, lisäksi aurinkosähkövoimalan parhaan kapasiteetin valitseminen on tärkeä osa tämän vaikutuksen vähentämistä.

Kuva

Kuva 6. (a) Haaraan pätötehon standardipoikkeama (b) haaran tehovirran rajan ulkopuolinen todennäköisyys (c) verkon kokonaishäviö eri aurinkosähkökapasiteeteissa

KUVA. Kuva 6(b) vertaa todennäköisyyttä, että aktiivinen teho ylittää kunkin haaran rajan eri pv-voimalaitosten kapasiteeteissa. Kuvassa esitettyjä oksia lukuun ottamatta muut haarat eivät ylittäneet rajaa tai todennäköisyys oli hyvin pieni. Kuvioon 6 verrattuna. Kuvassa XNUMX(a) voidaan nähdä, että rajan ylittymisen todennäköisyys ja keskihajonna eivät välttämättä liity toisiinsa. Suuren keskihajonnan vaihtelun omaavan linjan pätöteho ei välttämättä ole rajaton, ja syy liittyy aurinkosähkön lähtötehon siirtosuuntaan. Jos se on samassa suunnassa kuin alkuperäinen haaratehovirta, pieni aurinkosähköteho voi myös aiheuttaa rajoituksia. Kun pv-teho on erittäin suuri, tehovirta ei saa ylittää rajaa.

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 Energian varastointimahdollisuuden vaikutus järjestelmään

Kohta 3.1 Aurinkosähkövoimalan pääsypaikka ja kapasiteetti riippuvat sähköjärjestelmästä