Absztrakt A fotovoltaikus energiatermelés nagy aránya káros hatással lesz az energiarendszer stabilitására, és az energiatárolást az egyik hatékony eszköznek tekintik e hatások kiküszöbölésére. Jelen cikk a fotovoltaikus energiatermelés villamosenergia-rendszerre gyakorolt ​​hatását elemzi az energiaáramlás szempontjából, majd elemzi az energiatárolás hatását visszatartó hatását. Első lépésként bemutatásra kerül az energiarendszer komponenseinek valószínűségi eloszlási modellje és energiatárolási modellje, valamint a latin hiperkocka mintavételi módszer és a Gram-Schmidt szekvencia normalizálási módszer. Másodsorban egy többcélú optimalizálási modellt hoztam létre, amely figyelembe vette az energiatároló rendszer költségét, a leágazó áramáramlás határon kívüli valószínűségét és az elektromos hálózat hálózati veszteségét. A célfüggvény optimális megoldását genetikai algoritmussal kaptuk meg. Végül a szimulációt IEEE24 csomópont tesztrendszerben végezzük, hogy elemezze a különböző fotovoltaikus hozzáférési kapacitások és hozzáférési helyek hatását az energiarendszerre, valamint az energiatárolás hatását az energiarendszerre, valamint a különböző fotovoltaikus kapacitásoknak megfelelő optimális energiatároló konfigurációt. kapunk.

Kulcsszavak fotovoltaikus energiatermelés; Energiatároló rendszer; Optimalizált konfiguráció; Valószínűségi teljesítményáramlás; Genetikai algoritmus (ga)

A fotovoltaikus energiatermelés a zöld környezetvédelem és a megújuló energia előnyeivel rendelkezik, és az egyik legnagyobb potenciális megújuló energiaforrásnak számít. 2020-ra Kína összesített beépített fotovoltaikus energiatermelési kapacitása elérte a 253 millió kW-ot. A nagy léptékű napelemes energia szakaszossága és bizonytalansága hatással van az energiarendszerre, beleértve a csúcsborotválkozás, a stabilitás és a könnyű selejtezés problémáit, és a hálózatnak rugalmasabb intézkedéseket kell elfogadnia e problémák kezelésére. Az energiatárolás hatékony módja e problémák megoldásának. Az energiatároló rendszer alkalmazása új megoldást jelent a nagyléptékű fotovoltaikus hálózati csatlakozáshoz.

Jelenleg számos kutatás folyik a fotovoltaikus energiatermelésről, az energiatároló rendszerről és a valószínűségi energiaáramlásról itthon és külföldön. Számos irodalmi tanulmány bizonyítja, hogy az energiatárolás javíthatja a fotovoltaikus energia kihasználtságát és megoldhatja a fotovoltaikus hálózati csatlakozás stabilitását. Új energiaerőműben az energiatároló rendszer kialakításánál nem csak az optikai tároló és a széltárolás szabályozási stratégiájára kell figyelni, hanem az energiatároló rendszer gazdaságosságára is. Ezen túlmenően az energiarendszerben található több energiatároló erőmű optimalizálásához szükséges az energiatároló erőművek működésének gazdasági modelljének tanulmányozása, a fotovoltaikus átviteli csatornák kiindulási és végpontjának helyszínválasztása, valamint a az energiatárolás helyének kiválasztása. Az energiatároló rendszerek optimális konfigurációjára vonatkozó jelenlegi kutatások azonban nem veszik figyelembe az energiarendszerre gyakorolt ​​specifikus hatást, és a többpontos rendszer kutatása nem terjed ki nagyszabású optikai tároló működési jellemzőkre.

A bizonytalan új energiatermelés, így a szélenergia és a fotovoltaikus energiatermelés nagyarányú fejlődése miatt szükséges az energiarendszer teljesítményáramának számítása a villamosenergia-rendszer üzemeltetési tervezése során. A szakirodalom például a szélenergiával működő villamosenergia-rendszerben az energiatárolás optimális elhelyezését és kapacitásallokációját vizsgálja. Emellett a több új energiaforrás közötti összefüggést is figyelembe kell venni az energiaáramlás számításánál. A fenti tanulmányok azonban determinisztikus teljesítményáramlási módszereken alapulnak, amelyek nem veszik figyelembe az új energiatermelés bizonytalanságát. A szakirodalom figyelembe veszi a szélenergia bizonytalanságát, és a valószínűségi optimális teljesítményáram módszert alkalmazza az energiatároló rendszer helyválasztásának optimalizálására, ami javítja az üzemeltetés gazdaságosságát.

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.

A fenti kutatások alapján ez a cikk a valószínűségi teljesítményáram módszerrel vizsgálja az energiatárolás optimális elosztását a nagyléptékű fotovoltaikus energiatermeléssel működő villamosenergia-rendszerben. Elsőként bemutatom a valószínűségi eloszlási modellt és a latin hiperkocka mintavételezési módszert az energiarendszer komponenseire. Másodszor, egy többcélú optimalizálási modellt hozunk létre, figyelembe véve az energiatárolási költségeket, a határértéken túli teljesítményáram valószínűségét és a hálózati veszteséget. Végül a szimulációs elemzést IEEE24 csomópont tesztrendszerben végezzük.

1. Probabilistic power flow model

1.1 A komponensek bizonytalansági modellje

A fotovoltaikus energia, a terhelés és a generátor mind valószínűségi változók, amelyek bizonytalansággal rendelkeznek. Az elosztóhálózat valószínűségi teljesítményáramának számításakor a valószínűségi modellt a szakirodalom ismerteti. A történelmi adatok elemzése révén a fotovoltaikus energiatermelés kimenő teljesítménye a BETA eloszlást követi. A terhelési teljesítmény valószínűségi eloszlásának illesztésével feltételezzük, hogy a terhelés normális eloszlást követ, és valószínűségi sűrűségeloszlási függvénye

kép (1)

ahol Pl a terhelési teljesítmény; μ L és σ L a terhelés várható értéke, illetve szórása.

A generátor valószínűségi modellje általában kétpontos eloszlást alkalmaz, valószínűségi sűrűségeloszlási függvénye pedig a következő

(2)

ahol P a generátor normál működésének valószínűsége; A PG a generátor kimenő teljesítménye.

Ha délben elegendő a fény, a fotovoltaikus erőmű aktív teljesítménye nagy, és az időben nehezen hasznosítható teljesítmény az energiatároló akkumulátorban tárolódik. Ha a terhelés nagy, az energiatároló akkumulátor felszabadítja a tárolt energiát. Az energiatároló rendszer pillanatnyi energiamérlegének egyenlete az

Töltés közben

(3)

Amikor a mentesítés

(4)

A kényszer

Képek,

Képek,

Kép, kép

ahol St a T időpontban tárolt energia; Pt az energiatárolás töltési és kisütési teljesítménye; Az SL és SG a töltés és a kisütés energiája. η C és η D a töltési és kisütési hatásfok. Ds az energiatárolás önkisülési sebessége.

1.2 Latin hiperkocka mintavételi módszer

Létezik szimulációs módszer, közelítő módszer és analitikai módszer, amelyek segítségével a rendszer teljesítményáramlását elemezhetjük bizonytalan tényezők mellett. A Monte Carlo szimuláció az egyik legpontosabb módszer a valószínűségi teljesítményáramlási algoritmusokban, de időszerűsége alacsony a nagy pontossághoz képest. Alacsony mintavételi idők esetén ez a módszer általában figyelmen kívül hagyja a valószínűségi eloszlási görbe végét, de a pontosság növelése érdekében növelni kell a mintavételi időket. A latin hiperkocka mintavételi módszerrel elkerülhető ez a probléma. Ez egy hierarchikus mintavételi módszer, amely biztosítja, hogy a mintavételi pontok hatékonyan tükrözzék a valószínűségi eloszlást, és hatékonyan csökkentsék a mintavételi időt.

Figure 1 shows the expectation and variance of Latin hypercube sampling method and Monte Carlo simulation method with sampling times ranging from 10 to 200. The overall trend of results obtained by the two methods is decreasing. However, the expectation and variance obtained by monte Carlo method are very unstable, and the results obtained by multiple simulations are not the same with the same sampling times. The variance of Latin hypercube sampling method decreases steadily with the increase of sampling times, and the relative error decreases to less than 5% when the sampling times are more than 150. It is worth noting that the sampling point of the Latin hypercube sampling method is symmetric about the Y-axis, so its expected error is 0, which is also its advantage.

A kép

ÁBRA. 1 Különböző mintavételi idők összehasonlítása MC és LHS között

A latin hiperkocka mintavételi módszer egy réteges mintavételi módszer. A bemeneti valószínűségi változók mintagenerálási folyamatának javításával a mintavételi érték hatékonyan tükrözheti a valószínűségi változók általános eloszlását. A mintavételi folyamat két lépésre oszlik.

(1) Mintavétel

Xi (I = 1, 2,… ,m) m valószínűségi változó, és a mintavételi idők N, amint az az 2. ábrán látható. 1. Xi kumulatív valószínűség-eloszlási görbéjét egyenlő távolsággal és átfedés nélkül N intervallumra osztjuk, az egyes intervallumok felezőpontját kiválasztjuk az Y valószínűség mintavételi értékének, majd az Xi= p-XNUMX (Yi) mintavételi értéket. inverz függvény segítségével számítjuk ki, és a számított Xi a valószínűségi változó mintavételi értéke.

A kép

2. ábra az LHS sematikus diagramja

(2) Permutációk

Az (1)-ből kapott valószínűségi változók mintavételi értékei szekvenciálisan vannak elrendezve, így m valószínűségi változó közötti korreláció 1, ami nem számítható. A Gram-Schmidt szekvencia ortogonalizációs módszer alkalmazható a valószínűségi változók mintavételi értékei közötti korreláció csökkentésére. Először egy K×M I=[I1, I2…, IK]T mátrixot állítunk elő. Az egyes sorok elemei véletlenszerűen vannak elrendezve 1-től M-ig, és az eredeti valószínűségi változó mintavételi értékének pozícióját jelentik.

Pozitív iteráció

A kép

Fordított iteráció

A kép

A „kép” a hozzárendelést, a takeout(Ik,Ij) a maradványérték kiszámítását jelenti lineáris regresszióban Ik=a+bIj, a rang(Ik) az új vektort jelenti, amelyet az Ik orientációjú elemek sorszáma alkot a kicsitől a nagyig.

Kétirányú iteráció után, amíg a korrelációt jelentő ρ RMS érték nem csökken, megkapjuk az egyes valószínűségi változók permutáció utáni pozíciómátrixát, majd megkaphatjuk a legkisebb korrelációt mutató valószínűségi változók permutációs mátrixát.

(5)

Ahol a kép az Ik és Ij közötti korrelációs együttható, a cov a kovariancia, a VAR pedig a variancia.

2. Energiatároló rendszer többcélú optimalizálási konfigurációja

2.1 Objektív függvény

Az energiatároló rendszer teljesítményének és kapacitásának optimalizálása érdekében egy többcélú optimalizálási függvényt hozunk létre, figyelembe véve az energiatároló rendszer költségét, az áramkorlátozási valószínűséget és a hálózati veszteséget. Az egyes mutatók eltérő méretei miatt az eltérések szabványosítása minden indikátor esetében megtörténik. Az eltérések standardizálása után a különböző változók megfigyelt értékeinek értéktartománya (0,1) között lesz, a standardizált adatok pedig mértékegység nélküli tiszta mennyiségek. A tényleges helyzetben eltérések lehetnek az egyes mutatók hangsúlyozásában. Ha minden mutatónak bizonyos súlyt adnak, különböző hangsúlyok elemezhetők és tanulmányozhatók.

(6)

ahol w az optimalizálandó index; A Wmin és a wmax az eredeti függvény minimuma és maximuma szabványosítás nélkül.

A célfüggvény az

(7)

A képletben λ1 ~ λ3 súlyegyüttható, Eloss, PE és CESS a szabványos elágazóhálózati veszteség, az ág aktív teljesítmény keresztezési valószínűsége és az energiatárolás beruházási költsége.

2.2 Genetikai algoritmus

A genetikai algoritmus egyfajta optimalizálási algoritmus, amelyet a természetben a legalkalmasabbak túlélésének és a legalkalmasabbak túlélésének genetikai és evolúciós törvényeinek utánzásával hoztak létre. Először a kódolásig, a kezdeti populációig, amely mindegyik egy egyed nevében kódol (a probléma megvalósítható megoldása), tehát minden megvalósítható megoldás a genotípus fenotípus transzformációjára, vállalni kell a természeti törvények szerinti választást minden egyed számára, és kiválasztani. minden generáció a következő generációs számítástechnikai környezethez alkalmazkodni az erős egyéniséghez, amíg az egyén környezetéhez leginkább alkalmazkodó, dekódolás után ez a probléma megközelítőleg optimális megoldása.

Ebben a cikkben a fotovoltaikus és energiatároló energiarendszert először a valószínűségi teljesítményáramlási algoritmussal számítják ki, és a kapott adatokat a genetikai algoritmus bemeneti változójaként használják fel a probléma megoldására. A számítási folyamat a 3. ábrán látható, amely főként a következő lépésekre oszlik:

A kép

ÁBRA. 3 Algoritmusfolyam

(1) Bemeneti rendszer, fotovoltaikus és energiatároló adatok, valamint latin hiperkocka mintavételezés és Gram-Schmidt szekvencia ortogonalizáció végrehajtása;

(2) Vigye be a mintavételezett adatokat a teljesítményáram-számítási modellbe, és rögzítse a számítási eredményeket;

(3) A kimeneti eredményeket kromoszómák kódolták, hogy létrehozzák a mintavételi értéknek megfelelő kezdeti populációt;

(4) Számítsa ki a populáció minden egyedének alkalmasságát;

(5) szelektálni, keresztezni és mutálni, hogy a populáció új generációját hozza létre;

(6) Döntse el, hogy a követelmények teljesülnek-e, ha nem, akkor visszatérési lépés (4); Ha igen, akkor a dekódolás után megjelenik az optimális megoldás.

3. Példaelemzés

A valószínűségi teljesítményáramlási módszert az 24. ábrán látható IEEE4 csomópontos tesztrendszerben szimulálják és elemzik. 1, amelyben 10-138 csomópont feszültségszintje 11 kV, 24-230 csomóponté XNUMX kV.

A kép

4. ábra IEEE24 csomópont tesztrendszer

3.1 A fotovoltaikus erőmű hatása az energiarendszerre

Fotovoltaikus erőmű az energiarendszerben, az energiarendszer elhelyezkedése és kapacitása hatással lesz a csomóponti feszültségre és az elágazási teljesítményre, ezért az energiatároló rendszer elektromos hálózatra gyakorolt ​​hatásának elemzése előtt ez a rész először a fotovoltaikus teljesítmény hatását elemzi. állomás a rendszeren, a fotovoltaikus hozzáférés a rendszerhez ebben a cikkben, a valószínűségi határ trendje, a hálózati veszteség és így tovább folytatta a szimulációs elemzést.

Amint az a 5. ábrából látható. Az 11(a) ábrán látható, a fotovoltaikus erőmű csatlakoztatása után a kisebb leágazási áramlási határértékkel rendelkező csomópontok a következők: 12, 13, 23, 13, 11 a csomóponti csomópont kiegyensúlyozásához, a csomóponti feszültség és a fázisszög adott, stabil hálózati teljesítményegyensúly hatása, 12, 23 és XNUMX nem közvetlenül csatlakozik, ennek eredményeként több csomópont csatlakozik a határhoz kisebb és nagyobb teljesítmény valószínűsége, fotovoltaikus erőmű a csomóponthoz kapcsolódva egyensúlyi hatással kisebb lesz a villamosenergia-rendszer hatása.

A kép

5. ábra. (a) az áramáramlás határon kívüli valószínűségének összege (b) a csomóponti feszültségingadozás (c) a különböző PV hozzáférési pontok teljes rendszerhálózati vesztesége

A teljesítményáram túllépése mellett ez a cikk a fotovoltaikus energiának a csomóponti feszültségre gyakorolt ​​hatását is elemzi, amint az az 5. ábrán látható. 1(b). Összehasonlításképpen az 3, 8, 13, 14, 15, 19 és 14 csomópontok feszültségamplitúdóinak szórását választottuk ki. Összességében elmondható, hogy a fotovoltaikus erőművek elektromos hálózatra kapcsolása nem befolyásolja nagymértékben a csomópontok feszültségét, de a fotovoltaikus erőművek nagy hatással vannak az a-csomópontok és a közeli csomópontok feszültségére. Ezen túlmenően a számítási példa által alkalmazott rendszerben, összehasonlítás révén, azt találtuk, hogy a fotovoltaikus erőművek alkalmasabbak a következő csomóponttípusokhoz való hozzáférésre: ① nagyobb feszültségű csomópontok, például 15, 16, 2 stb., a feszültség szinte nem változik; (1) generátorok vagy beállító kamerák által támogatott csomópontok, például 2, 7, 3 stb.; (XNUMX) a vonalban az ellenállás nagy a csomópont végén.

A PV hozzáférési pontnak az energiarendszer teljes hálózati veszteségére gyakorolt ​​hatásának elemzése érdekében ez a cikk összehasonlítást tesz az 5(c) ábrán látható módon. Látható, hogy ha néhány nagy terhelésű és tápellátás nélküli csomópontot csatlakoztatunk a pv erőműhöz, akkor a rendszer hálózati vesztesége csökken. Éppen ellenkezőleg, a 21, 22 és 23 csomópontok a tápegység végét jelentik, amely a központi energiaátvitelért felelős. Az ezekhez a csomópontokhoz csatlakoztatott fotovoltaikus erőmű nagy hálózati veszteséget okoz. Ezért a pv erőmű hozzáférési pontját a tápellátás fogadó végén vagy a nagy terhelésű csomóponton kell kiválasztani. Ez a hozzáférési mód kiegyensúlyozottabbá teheti a rendszer energiaáramlás-elosztását és csökkentheti a rendszer hálózati veszteségét.

A fenti eredmények elemzése során a három tényező alapján a 14-es csomópontot tekintjük a fotovoltaikus erőművek hozzáférési pontjának, majd tanulmányozzuk a különböző fotovoltaikus erőművek teljesítményének az energiarendszerre gyakorolt ​​hatását.

A 6(a) ábra a fotovoltaikus kapacitás rendszerre gyakorolt ​​hatását elemzi. Látható, hogy az egyes ágak aktív teljesítményének szórása a fotovoltaikus kapacitás növekedésével nő, és a kettő között pozitív lineáris kapcsolat van. Az ábrán látható több ág kivételével a többi ág szórása 5-nél kisebb, és lineáris összefüggést mutat, amelyeket a rajzolás kényelme érdekében figyelmen kívül hagyunk. Látható, hogy a fotovoltaikus hálózati csatlakozás nagy hatással van a fotovoltaikus hozzáférési ponthoz vagy a szomszédos ágakhoz közvetlenül csatlakoztatott teljesítményre. A korlátozott távvezetéki átvitel miatt az építési és beruházási mennyiségek távvezetékei óriásiak, ezért a fotovoltaikus erőmű telepítésénél figyelembe kell venni a szállítási kapacitás korlátozását, meg kell választani a legkisebb befolyást a vonalelérésre a legjobb helyre, továbbá a legjobb teljesítményű fotovoltaikus erőmű kiválasztása fontos szerepet játszik e hatás csökkentésében.

A kép

6. ábra (a) Ágazati aktív teljesítmény szórása (b) Határon kívüli leágazási teljesítmény áramlási valószínűség (c) Teljes rendszer hálózati veszteség különböző fotovoltaikus kapacitások mellett

ÁBRA. A 6(b) ábra összehasonlítja annak valószínűségét, hogy a hatásos teljesítmény túllépi az egyes ágak határértékét különböző pv erőművek teljesítménye mellett. Az ábrán látható ágak kivételével a többi ág nem haladta meg a határértéket, vagy nagyon kicsi volt a valószínűsége. A 6. ábrához képest. A XNUMX(a) ábrán látható, hogy a határértéken kívüli valószínűség és a szórás nem feltétlenül függ össze. A nagy szórásingadozású vezeték aktív teljesítménye nem feltétlenül határon kívüli, ennek oka a fotovoltaikus kimenő teljesítmény átviteli iránya. Ha ugyanabba az irányba, mint az eredeti leágazó áramáram, a kis fotovoltaikus teljesítmény is határértéket okozhat. Ha a pv teljesítmény nagyon nagy, a teljesítményáram nem haladhatja meg a határértéket.

ábrán látható. A 6(c) ábra szerint a rendszer teljes hálózati vesztesége a fotovoltaikus kapacitás növekedésével növekszik, de ez a hatás nem nyilvánvaló. Amikor a fotovoltaikus kapacitás 60 MW-tal nő, a teljes hálózati veszteség csak 0.5%-kal, azaz 0.75 MW-tal nő. Ezért a pv erőművek telepítésekor a hálózati veszteséget másodlagos tényezőnek kell tekinteni, és elsősorban azokat a tényezőket kell figyelembe venni, amelyek nagyobb hatással vannak a rendszer stabil működésére, mint például a távvezetéki teljesítmény ingadozása és a határon túli valószínűség. .

3.2 Az energiatároláshoz való hozzáférés hatása a rendszerre

3.1. szakasz A fotovoltaikus erőmű hozzáférési helyzete és kapacitása az energiarendszertől függ