Résumé Une forte proportion de la production d’électricité photovoltaïque aura des effets néfastes sur la stabilité du système électrique, et le stockage d’énergie est considéré comme l’un des moyens efficaces pour éliminer ces effets. Cet article analyse l’influence de la production d’énergie photovoltaïque sur le système électrique du point de vue du flux d’énergie, puis analyse l’effet du stockage d’énergie sur la limitation de l’influence. Premièrement, le modèle de distribution de probabilité et le modèle de stockage d’énergie des composants du système électrique sont introduits, et la méthode d’échantillonnage par hypercube latin et la méthode de normalisation de séquence de Gram-Schmidt sont introduites. Deuxièmement, un modèle d’optimisation multi-objectifs a été établi, qui a pris en compte le coût du système de stockage d’énergie, la probabilité hors limites de flux de puissance de dérivation et la perte du réseau électrique. La solution optimale de la fonction objectif a été obtenue par algorithme génétique. Enfin, la simulation est effectuée dans le système de test de nœud IEEE24 pour analyser l’influence de différentes capacités d’accès photovoltaïque et emplacement d’accès sur le système d’alimentation et l’effet du stockage d’énergie sur le système d’alimentation, et la configuration optimale de stockage d’énergie correspondant à différentes capacités photovoltaïques. Est obtenu.

Mots clés production d’électricité photovoltaïque; Système de stockage d’énergie; Configuration optimisée ; Probabilité de flux de puissance ; Algorithme génétique (ga)

La production d’électricité photovoltaïque présente les avantages d’une protection de l’environnement verte et renouvelable, et est considérée comme l’une des énergies renouvelables les plus potentielles. D’ici 2020, la capacité installée cumulée de production d’électricité photovoltaïque de la Chine a atteint 253 millions de kW. L’intermittence et l’incertitude de l’énergie photovoltaïque à grande échelle affectent le système électrique, y compris les problèmes d’écrêtement des pics, de stabilité et d’élimination de la lumière, et le réseau doit adopter des mesures plus flexibles pour faire face à ces problèmes. Le stockage d’énergie est considéré comme un moyen efficace de résoudre ces problèmes. L’application du système de stockage d’énergie apporte une nouvelle solution pour la connexion au réseau photovoltaïque à grande échelle.

À l’heure actuelle, il existe de nombreuses recherches sur la production d’énergie photovoltaïque, le système de stockage d’énergie et la probabilité de flux d’énergie au pays et à l’étranger. Un grand nombre d’études bibliographiques montrent que le stockage d’énergie peut améliorer le taux d’utilisation du photovoltaïque et résoudre la stabilité de la connexion au réseau photovoltaïque. Dans la configuration du système de stockage d’énergie dans une nouvelle centrale électrique, il convient de prêter attention non seulement à la stratégie de contrôle du stockage optique et du stockage éolien, mais également à l’économie du système de stockage d’énergie. De plus, pour l’optimisation de plusieurs centrales de stockage d’énergie dans le système électrique, il est nécessaire d’étudier le modèle économique de fonctionnement des centrales de stockage d’énergie, le choix du site du point de départ et d’arrivée des canaux de transmission photovoltaïques et le sélection du site de stockage d’énergie. Cependant, la recherche existante sur la configuration optimale du système de stockage d’énergie ne prend pas en compte l’impact spécifique sur le système d’alimentation, et la recherche sur le système multipoint n’implique pas les caractéristiques de fonctionnement du stockage optique à grande échelle.

Avec le développement à grande échelle d’une nouvelle génération d’énergie incertaine telle que l’énergie éolienne et photovoltaïque, il est nécessaire de calculer le flux de puissance du système électrique dans la planification de l’exploitation du système électrique. Par exemple, la littérature étudie l’emplacement optimal et l’allocation de capacité de stockage d’énergie dans le système électrique avec l’énergie éolienne. De plus, la corrélation entre plusieurs nouvelles sources d’énergie doit également être prise en compte dans le calcul du flux de puissance. Cependant, toutes les études ci-dessus sont basées sur des méthodes de flux de puissance déterministes, qui ne prennent pas en compte l’incertitude de la nouvelle génération d’énergie. La littérature considère l’incertitude de l’énergie éolienne et applique la méthode probabiliste du flux de puissance optimal pour optimiser la sélection du site du système de stockage d’énergie, ce qui améliore l’économie d’exploitation.

À l’heure actuelle, différents algorithmes de flux de puissance probabilistes ont été proposés par des chercheurs, et des méthodes d’exploration de données de flux de puissance probabilistes non linéaires basées sur la méthode de simulation de Monte Carlo ont été proposées dans la littérature, mais la rapidité de la méthode de Monte Carlo est très faible. Il est proposé dans la littérature d’utiliser le flux de puissance optimal probabiliste pour étudier l’emplacement du stockage d’énergie, et la méthode du point 2 m est utilisée, mais la précision de calcul de cette méthode n’est pas idéale. L’application de la méthode d’échantillonnage par hypercube latin dans le calcul du flux de puissance est étudiée dans cet article, et la supériorité de la méthode d’échantillonnage par hypercube latin est illustrée par des exemples numériques.

Sur la base des recherches ci-dessus, cet article utilise la méthode du flux de puissance probabiliste pour étudier l’allocation optimale du stockage d’énergie dans le système électrique avec la production d’énergie photovoltaïque à grande échelle. Premièrement, le modèle de distribution de probabilité et la méthode d’échantillonnage par hypercube latin des composants du système électrique sont introduits. Deuxièmement, un modèle d’optimisation multi-objectifs est établi en tenant compte du coût de stockage de l’énergie, de la probabilité de dépassement de la limite de puissance et de la perte de réseau. Enfin, l’analyse de simulation est effectuée dans le système de test de nœud IEEE24.

1. Modèle de flux de puissance probabiliste

1.1 Modèle d’incertitude des composants

Le photovoltaïque, la charge et le générateur sont tous des variables aléatoires avec incertitude. Dans le calcul du flux de puissance probabiliste du réseau de distribution, le modèle probabiliste est expliqué dans la littérature. Grâce à l’analyse des données historiques, la puissance de sortie de la production d’électricité photovoltaïque suit la distribution BETA. En ajustant la distribution de probabilité de la puissance de charge, on suppose que la charge suit une distribution normale, et sa fonction de distribution de densité de probabilité est

Image 1)

Où, Pl est la puissance de charge ; μ L et σ L sont respectivement l’espérance et la variance de la charge.

Le modèle de probabilité du générateur adopte généralement une distribution à deux points et sa fonction de distribution de densité de probabilité est

(2)

Où, P est la probabilité de fonctionnement normal du générateur ; PG est la puissance de sortie du générateur.

Lorsque la lumière est suffisante à midi, la puissance active de la centrale photovoltaïque est importante, et la puissance difficilement exploitable dans le temps sera stockée dans la batterie de stockage d’énergie. Lorsque la puissance de charge est élevée, la batterie de stockage d’énergie libère l’énergie stockée. L’équation du bilan énergétique instantané du système de stockage d’énergie est

Lors de la charge

(3)

Lorsque la décharge

(4)

La contrainte

Des photos,

Des photos,

Image, image

Où, St est l’énergie stockée au temps T; Pt est la puissance de charge et de décharge du stockage d’énergie ; SL et SG sont respectivement l’énergie de charge et de décharge. C et D sont respectivement l’efficacité de charge et de décharge. Ds est le taux d’autodécharge du stockage d’énergie.

1.2 Méthode d’échantillonnage par hypercube latin

Il existe une méthode de simulation, une méthode approximative et une méthode analytique qui peuvent être utilisées pour analyser le flux de puissance du système sous des facteurs incertains. La simulation Monte Carlo est l’une des méthodes les plus précises dans les algorithmes de flux de puissance probabilistes, mais sa rapidité est faible par rapport à une haute précision. Dans le cas de temps d’échantillonnage faibles, cette méthode ignore généralement la queue de la courbe de distribution de probabilité, mais afin d’améliorer la précision, elle doit augmenter les temps d’échantillonnage. La méthode d’échantillonnage par hypercube latin évite ce problème. Il s’agit d’une méthode d’échantillonnage hiérarchique, qui peut garantir que les points d’échantillonnage reflètent efficacement la distribution de probabilité et réduisent efficacement les temps d’échantillonnage.

La figure 1 montre l’espérance et la variance de la méthode d’échantillonnage par hypercube latin et de la méthode de simulation de Monte Carlo avec des temps d’échantillonnage allant de 10 à 200. La tendance globale des résultats obtenus par les deux méthodes est à la baisse. Cependant, l’espérance et la variance obtenues par la méthode de Monte Carlo sont très instables, et les résultats obtenus par plusieurs simulations ne sont pas les mêmes avec les mêmes temps d’échantillonnage. La variance de la méthode d’échantillonnage par hypercube latin diminue régulièrement avec l’augmentation des temps d’échantillonnage, et l’erreur relative diminue à moins de 5 % lorsque les temps d’échantillonnage sont supérieurs à 150. Il convient de noter que le point d’échantillonnage de la méthode d’échantillonnage par hypercube latin est symétrique par rapport à l’axe Y, donc son erreur attendue est de 0, ce qui est aussi son avantage.

L’image

FIGUE. 1 Comparaison des différents temps d’échantillonnage entre MC et LHS

La méthode d’échantillonnage par hypercube latin est une méthode d’échantillonnage en couches. En améliorant le processus de génération d’échantillons de variables aléatoires d’entrée, la valeur d’échantillonnage peut refléter efficacement la distribution globale des variables aléatoires. Le processus d’échantillonnage est divisé en deux étapes.

(1) Échantillonnage

Xi (I = 1, 2,… ,m) est m variables aléatoires, et les temps d’échantillonnage sont N, comme le montre la Fig. 2. La courbe de distribution de probabilité cumulée de Xi est divisée en N intervalle avec un espacement égal et sans chevauchement, le point médian de chaque intervalle est sélectionné comme valeur d’échantillonnage de la probabilité Y, puis la valeur d’échantillonnage Xi = p-1 (Yi) est calculé en utilisant la fonction inverse, et le Xi calculé est la valeur d’échantillonnage de la variable aléatoire.

L’image

Figure 2 schéma de principe de LHS

(2) Permutation

Les valeurs d’échantillonnage des variables aléatoires obtenues à partir de (1) sont disposées séquentiellement, de sorte que la corrélation entre m variables aléatoires est de 1, ce qui ne peut pas être calculé. La méthode d’orthogonalisation de la séquence de Gram-Schmidt peut être adoptée pour réduire la corrélation entre les valeurs d’échantillonnage des variables aléatoires. Dans un premier temps, une matrice d’ordre K×M I=[I1, I2…, IK]T est générée. Les éléments de chaque ligne sont disposés aléatoirement de 1 à M et représentent la position de la valeur d’échantillonnage de la variable aléatoire d’origine.

Itération positive

L’image

Un itératif inversé

L’image

“Picture” représente l’affectation, takeout(Ik,Ij) représente le calcul de la valeur résiduelle en régression linéaire Ik=a+bIj, rank(Ik) représente le nouveau vecteur formé par le numéro de séquence des éléments dans l’orientation Ik de petit à grand.

Après itération bidirectionnelle jusqu’à ce que la valeur RMS , qui représente la corrélation, ne diminue pas, la matrice de position de chaque variable aléatoire après permutation est obtenue, puis la matrice de permutation des variables aléatoires avec le moins de corrélation peut être obtenue.

(5)

Où, l’image est le coefficient de corrélation entre Ik et Ij, cov est la covariance et VAR est la variance.

2. Configuration d’optimisation multi-objectifs du système de stockage d’énergie

2.1 Fonction objectif

Afin d’optimiser la puissance et la capacité du système de stockage d’énergie, une fonction d’optimisation multi-objectifs est établie en tenant compte du coût du système de stockage d’énergie, de la probabilité de puissance hors limite et de la perte du réseau. En raison des différentes dimensions de chaque indicateur, une normalisation des écarts est effectuée pour chaque indicateur. Après normalisation des écarts, la plage de valeurs des valeurs observées de diverses variables sera comprise entre (0,1) et les données normalisées sont des quantités pures sans unités. Dans la situation réelle, il peut y avoir des différences dans l’accent mis sur chaque indicateur. Si chaque indicateur reçoit un certain poids, différents accents peuvent être analysés et étudiés.

(6)

Où, w est l’indice à optimiser ; Wmin et wmax sont le minimum et le maximum de la fonction d’origine sans standardisation.

La fonction objectif est

(7)

Dans la formule, λ1 ~ λ3 sont des coefficients de pondération, Eloss, PE et CESS sont respectivement la perte de réseau de branche normalisée, la probabilité de croisement de puissance active de branche et le coût d’investissement en stockage d’énergie.

2.2 Algorithme génétique

L’algorithme génétique est une sorte d’algorithme d’optimisation établi en imitant les lois génétiques et évolutives de la survie du plus apte et de la survie du plus apte dans la nature. Il s’agit d’abord de coder, de population initiale chaque codant pour le compte d’un individu (une solution faisable du problème), donc chaque solution faisable est de pour la transformation de phénotype génotypique, d’entreprendre de choisir selon les lois de la nature pour chaque individu, et sélectionné en chaque génération à la prochaine génération d’environnement informatique pour s’adapter à l’individu fort, jusqu’au plus adaptable à l’environnement de l’individu, Après décodage, c’est la solution optimale approximative du problème.

Dans cet article, le système d’alimentation comprenant le stockage photovoltaïque et l’énergie est d’abord calculé par l’algorithme de flux de puissance probabiliste, et les données obtenues sont utilisées comme variable d’entrée de l’algorithme génétique pour résoudre le problème. Le processus de calcul est illustré à la figure 3, qui est principalement divisé en les étapes suivantes :

L’image

FIGUE. 3 Flux d’algorithme

(1) Saisir les données du système, du photovoltaïque et du stockage d’énergie, et effectuer un échantillonnage d’hypercubes latins et une orthogonalisation de séquences de Gram-Schmidt ;

(2) Saisir les données échantillonnées dans le modèle de calcul du flux de puissance et enregistrer les résultats du calcul ;

(3) Les résultats de sortie ont été codés par chromosome pour générer la population initiale correspondant à la valeur d’échantillonnage ;

(4) Calculer l’aptitude de chaque individu de la population ;

(5) sélectionner, croiser et muter pour produire une nouvelle génération de population ;

(6) Juger si les conditions sont remplies, sinon, revenir à l’étape (4) ; Si oui, la solution optimale est sortie après décodage.

3. Exemple d’analyse

La méthode de flux de puissance probabiliste est simulée et analysée dans le système de test de nœuds IEEE24 illustré à la Fig. 4, dans laquelle le niveau de tension de 1 à 10 nœuds est de 138 kV et celui de 11 à 24 nœuds est de 230 kV.

L’image

Figure 4 Système de test de nœud IEEE24

3.1 Influence de la centrale photovoltaïque sur le système électrique

Centrale photovoltaïque dans le système électrique, l’emplacement et la capacité du système électrique affecteront la tension du nœud et la puissance de la branche. Par conséquent, avant l’analyse de l’influence du système de stockage d’énergie pour le réseau électrique, cette section analyse d’abord l’influence de l’énergie photovoltaïque station sur le système, l’accès photovoltaïque au système dans cet article, la tendance de la limite de la probabilité, la perte de réseau et ainsi de suite a effectué l’analyse de simulation.

Comme on peut le voir sur la fig. 5(a), après le raccordement de la centrale photovoltaïque, les nœuds avec un dépassement de débit de puissance de dérivation plus petit sont les suivants : 11, 12, 13, 23, 13 pour équilibrer le nœud de nœud, la tension de nœud et l’angle de phase sont donnés, ont le effet du bilan électrique stable du réseau électrique, 11, 12 et 23 au lieu de directement connectés, en conséquence, plusieurs nœuds connectés à la limite la probabilité d’une puissance plus petite et plus, la centrale photovoltaïque accédera au nœud avec l’effet d’équilibre est moins sur le impact du système électrique.

L’image

Figure 5. (a) somme de la probabilité hors limite du flux de puissance (b) fluctuation de la tension du nœud (c) perte totale du réseau du système de différents points d’accès PV

En plus du dépassement du flux de puissance, cet article analyse également l’influence du photovoltaïque sur la tension des nœuds, comme le montre la Fig. 5(b). Les écarts types des amplitudes de tension des nœuds 1, 3, 8, 13, 14, 15 et 19 sont sélectionnés à des fins de comparaison. Dans l’ensemble, le raccordement des centrales photovoltaïques au réseau électrique n’a pas une grande influence sur la tension des nœuds, mais les centrales photovoltaïques ont une grande influence sur la tension des a-Nodes et de leurs nœuds voisins. De plus, dans le système adopté par l’exemple de calcul, par comparaison, on constate que la centrale photovoltaïque est plus adaptée pour accéder aux types de nœuds : la tension ne change presque pas; (14) nœuds pris en charge par des générateurs ou des caméras de réglage, tels que 15, 16, 2, etc. ; (1) dans la résistance de ligne est grande à la fin du nœud.

Afin d’analyser l’influence du point d’accès PV sur la perte totale du réseau électrique, cet article fait une comparaison comme le montre la figure 5(c). On peut voir que si certains nœuds avec une grande puissance de charge et aucune alimentation électrique sont connectés à la centrale photovoltaïque, la perte de réseau du système sera réduite. Au contraire, les nœuds 21, 22 et 23 sont l’extrémité d’alimentation, qui est responsable de la transmission centralisée de l’énergie. La centrale photovoltaïque connectée à ces nœuds provoquera une perte importante du réseau. Par conséquent, le point d’accès de la centrale photovoltaïque doit être sélectionné à l’extrémité de réception de l’alimentation ou au nœud avec une charge importante. Ce mode d’accès peut rendre la distribution du flux de puissance du système plus équilibrée et réduire la perte de réseau du système.

Sur la base des trois facteurs de l’analyse des résultats ci-dessus, le nœud 14 est pris comme point d’accès de la centrale photovoltaïque dans cet article, puis l’influence de la capacité de différentes centrales photovoltaïques sur le système électrique est étudiée.

La figure 6(a) analyse l’influence de la capacité photovoltaïque sur le système. On peut voir que l’écart type de la puissance active de chaque branche augmente avec l’augmentation de la capacité photovoltaïque, et il existe une relation linéaire positive entre les deux. À l’exception de plusieurs branches illustrées sur la figure, les écarts types des autres branches sont tous inférieurs à 5 et montrent une relation linéaire, qui sont ignorés pour la commodité du dessin. On peut voir que la connexion au réseau photovoltaïque a une grande influence sur la puissance du directement connecté au point d’accès photovoltaïque ou aux branches adjacentes. En raison de la transmission limitée des lignes de transmission d’énergie, les lignes de transmission des quantités de construction et d’investissement sont énormes, donc l’installation d’une centrale photovoltaïque doit prendre en compte la limitation de la capacité de transport, choisir la plus petite influence sur l’accès à la ligne au meilleur emplacement, en plus, la sélection de la meilleure capacité de centrale photovoltaïque jouera un rôle important pour réduire cet effet.

L’image

Figure 6. (a) Écart-type de puissance active de dérivation (b) Probabilité hors limite du flux de puissance de dérivation (c) Perte totale du réseau du système sous différentes capacités photovoltaïques

FIGUE. 6(b) compare la probabilité que la puissance active dépasse la limite de chaque branche sous différentes capacités de centrales photovoltaïques. A l’exception des branches représentées sur la figure, les autres branches n’ont pas dépassé la limite ou la probabilité était très faible. Par rapport à la fig. 6(a), on peut voir que la probabilité de hors-limite et l’écart type ne sont pas nécessairement liés. La puissance active d’une ligne avec une grande fluctuation de l’écart type n’est pas nécessairement hors limite, et la raison est liée au sens de transmission de la puissance de sortie photovoltaïque. S’il est dans la même direction que le flux d’alimentation de dérivation d’origine, une petite puissance photovoltaïque peut également provoquer un hors-limite. Lorsque la puissance pv est très élevée, le flux de puissance ne doit pas dépasser la limite.

En figue. 6(c), la perte totale du réseau du système augmente avec l’augmentation de la capacité photovoltaïque, mais cet effet n’est pas évident. Lorsque la capacité photovoltaïque augmente de 60 MW, la perte totale du réseau n’augmente que de 0.5 %, soit 0.75 MW. Par conséquent, lors de l’installation de centrales photovoltaïques, la perte du réseau doit être considérée comme un facteur secondaire et les facteurs qui ont un impact plus important sur le fonctionnement stable du système doivent être pris en compte en premier, tels que la fluctuation de la puissance de la ligne de transmission et la probabilité hors limites. .

3.2 Impact de l’accès au stockage d’énergie sur le système

Section 3.1 La position d’accès et la capacité de la centrale photovoltaïque dépendent du système électrique