Abstract Un’elevata percentuale di produzione di energia fotovoltaica avrà effetti negativi sulla stabilità del sistema energetico e l’accumulo di energia è considerato uno dei mezzi efficaci per eliminare questi effetti. Questo articolo analizza l’influenza della generazione di energia fotovoltaica sul sistema di alimentazione dal punto di vista del flusso di energia, quindi analizza l’effetto dell’accumulo di energia sul contenimento dell’influenza. In primo luogo, vengono introdotti il ​​modello di distribuzione di probabilità e il modello di accumulo di energia dei componenti nel sistema di alimentazione e vengono introdotti il ​​metodo di campionamento dell’ipercubo latino e il metodo di normalizzazione della sequenza di Gram-Schmidt. In secondo luogo, è stato stabilito un modello di ottimizzazione multi-obiettivo, che ha considerato il costo del sistema di accumulo dell’energia, la probabilità off-limit del flusso di potenza di derivazione e la perdita di rete della rete elettrica. La soluzione ottimale della funzione obiettivo è stata ottenuta mediante algoritmo genetico. Infine, la simulazione viene eseguita nel sistema di test del nodo IEEE24 per analizzare l’influenza della diversa capacità di accesso fotovoltaico e posizione di accesso sul sistema di alimentazione e l’effetto dell’accumulo di energia sul sistema di alimentazione e la configurazione ottimale di accumulo di energia corrispondente alla diversa capacità fotovoltaica è ottenuto.

Parole chiave generazione di energia fotovoltaica; Sistema di accumulo di energia; Configurazione ottimizzata; Probabilità flusso di potere; Algoritmo genetico (ga)

La produzione di energia fotovoltaica ha i vantaggi della protezione dell’ambiente verde e rinnovabile ed è considerata una delle energie rinnovabili più potenziali. Entro il 2020, la capacità cumulativa installata di produzione di energia fotovoltaica in Cina ha raggiunto i 253 milioni di kw. L’intermittenza e l’incertezza dell’energia fotovoltaica su larga scala influenzano il sistema di alimentazione, compresi i problemi di riduzione dei picchi, stabilità e scarto della luce, e la rete deve adottare misure più flessibili per far fronte a questi problemi. L’accumulo di energia è considerato un modo efficace per risolvere questi problemi. L’applicazione del sistema di accumulo di energia porta una nuova soluzione per la connessione alla rete fotovoltaica su larga scala.

Al momento, ci sono molte ricerche sulla generazione di energia fotovoltaica, sul sistema di accumulo di energia e sul flusso di potenza probabilistico in patria e all’estero. Un gran numero di studi in letteratura mostra che lo stoccaggio di energia può migliorare il tasso di utilizzo del fotovoltaico e risolvere la stabilità della connessione alla rete fotovoltaica. Nella configurazione del sistema di accumulo dell’energia in una nuova centrale energetica, occorre prestare attenzione non solo alla strategia di controllo dell’accumulo ottico e dell’accumulo eolico, ma anche all’economia del sistema di accumulo dell’energia. Inoltre, per l’ottimizzazione di più centrali elettriche ad accumulo di energia nel sistema elettrico, è necessario studiare il modello economico di funzionamento delle centrali elettriche ad accumulo di energia, la selezione del sito del punto iniziale e del punto finale dei canali di trasmissione fotovoltaici e la selezione del sito di accumulo di energia. Tuttavia, la ricerca esistente sulla configurazione ottimale del sistema di accumulo di energia non considera l’impatto specifico sul sistema di alimentazione e la ricerca sul sistema multipunto non comporta caratteristiche di funzionamento dell’accumulo ottico su larga scala.

Con lo sviluppo su larga scala della nuova generazione di energia elettrica incerta come l’energia eolica e fotovoltaica, è necessario calcolare il flusso di potenza del sistema di alimentazione nella pianificazione del funzionamento del sistema di alimentazione. Ad esempio, la letteratura studia la posizione ottimale e l’allocazione della capacità di accumulo di energia nel sistema elettrico con energia eolica. Inoltre, nel calcolo del flusso di energia dovrebbe essere considerata anche la correlazione tra più nuove fonti di energia. Tuttavia, tutti gli studi di cui sopra si basano su metodi deterministici del flusso di energia, che non considerano l’incertezza della nuova generazione di energia. La letteratura considera l’incertezza dell’energia eolica e applica il metodo probabilistico del flusso di potenza ottimale per ottimizzare la selezione del sito del sistema di accumulo di energia, che migliora l’economia di esercizio.

Attualmente, gli studiosi hanno proposto diversi algoritmi probabilistici del flusso di potenza e in letteratura sono stati proposti metodi di data mining di flusso di potenza probabilistico non lineare basati sul metodo di simulazione Monte Carlo, ma la tempestività del metodo Monte Carlo è molto scarsa. In letteratura viene proposto di utilizzare il flusso di potenza ottimale probabilistico per studiare la posizione dell’accumulo di energia e viene utilizzato il metodo del punto 2 m, ma la precisione di calcolo di questo metodo non è ideale. L’applicazione del metodo di campionamento dell’ipercubo latino nel calcolo del flusso di potenza è studiata in questo documento e la superiorità del metodo di campionamento dell’ipercubo latino è illustrata da esempi numerici.

Sulla base della ricerca di cui sopra, questo documento utilizza il metodo probabilistico del flusso di energia per studiare l’allocazione ottimale dell’accumulo di energia nel sistema di alimentazione con generazione di energia fotovoltaica su larga scala. In primo luogo, vengono introdotti il ​​modello di distribuzione di probabilità e il metodo di campionamento dell’ipercubo latino dei componenti nel sistema di alimentazione. In secondo luogo, viene stabilito un modello di ottimizzazione multi-obiettivo considerando il costo di accumulo di energia, il flusso di potenza oltre la probabilità limite e la perdita di rete. Infine, l’analisi della simulazione viene eseguita nel sistema di test del nodo IEEE24.

1. Modello probabilistico del flusso di potenza

1.1 Modello di incertezza dei componenti

Fotovoltaico, carico e generatore sono tutte variabili casuali con incertezza. Nel calcolo del flusso probabilistico di potenza della rete di distribuzione, il modello probabilistico è spiegato in letteratura. Attraverso l’analisi dei dati storici, la potenza in uscita della produzione di energia fotovoltaica segue la distribuzione BETA. Adattando la distribuzione di probabilità della potenza del carico, si assume che il carico segua la distribuzione normale e che la sua funzione di distribuzione della densità di probabilità sia

Immagine (1)

Dove, Pl è la potenza del carico; μ L e σ L sono rispettivamente l’aspettativa e la varianza del carico.

Il modello di probabilità del generatore di solito adotta una distribuzione a due punti e la sua funzione di distribuzione della densità di probabilità è

(2)

Dove, P è la probabilità di normale funzionamento del generatore; PG è la potenza di uscita del generatore.

Quando la luce a mezzogiorno è sufficiente, la potenza attiva della centrale fotovoltaica è grande e la potenza difficile da utilizzare nel tempo verrà immagazzinata nell’accumulatore di energia. Quando la potenza del carico è elevata, l’accumulatore di energia rilascerà l’energia immagazzinata. L’equazione di bilancio energetico istantaneo del sistema di accumulo di energia è

Durante la ricarica

(3)

Quando lo scarico

(4)

Il vincolo

Immagini,

Immagini,

Immagine, immagine

Dove, St è l’energia immagazzinata all’istante T; Pt è la potenza di carica e scarica dell’accumulo di energia; SL e SG sono rispettivamente l’energia di carica e scarica. η C e η D sono rispettivamente l’efficienza di carica e scarica. Ds è il tasso di autoscarica dell’accumulo di energia.

1.2 Metodo di campionamento dell’ipercubo latino

Esistono metodi di simulazione, metodi approssimativi e metodi analitici che possono essere utilizzati per analizzare il flusso di potenza del sistema in presenza di fattori incerti. La simulazione Monte Carlo è uno dei metodi più accurati negli algoritmi probabilistici del flusso di potenza, ma la sua tempestività è bassa rispetto all’alta precisione. Nel caso di tempi di campionamento bassi, questo metodo di solito ignora la coda della curva di distribuzione di probabilità, ma per migliorare l’accuratezza è necessario aumentare i tempi di campionamento. Il metodo di campionamento dell’ipercubo latino evita questo problema. È un metodo di campionamento gerarchico, che può garantire che i punti di campionamento riflettano efficacemente la distribuzione di probabilità e riducano efficacemente i tempi di campionamento.

La Figura 1 mostra l’aspettativa e la varianza del metodo di campionamento dell’ipercubo latino e del metodo di simulazione Monte Carlo con tempi di campionamento compresi tra 10 e 200. L’andamento complessivo dei risultati ottenuti dai due metodi è in diminuzione. Tuttavia, l’aspettativa e la varianza ottenute con il metodo Monte Carlo sono molto instabili e i risultati ottenuti da più simulazioni non sono gli stessi con gli stessi tempi di campionamento. La varianza del metodo di campionamento dell’ipercubo latino diminuisce costantemente con l’aumento dei tempi di campionamento e l’errore relativo diminuisce a meno del 5% quando i tempi di campionamento sono superiori a 150. Vale la pena notare che il punto di campionamento del metodo di campionamento dell’ipercubo latino è simmetrico rispetto all’asse Y, quindi il suo errore atteso è 0, che è anche il suo vantaggio.

La foto

FIGURA. 1 Confronto di diversi tempi di campionamento tra MC e LHS

Il metodo di campionamento dell’ipercubo latino è un metodo di campionamento a strati. Migliorando il processo di generazione del campione delle variabili casuali di input, il valore di campionamento può riflettere efficacemente la distribuzione complessiva delle variabili casuali. Il processo di campionamento è suddiviso in due fasi.

(1) Campionamento

Xi (I = 1, 2,… ,m) è m variabili casuali e i tempi di campionamento sono N, come mostrato in FIG. 2. La curva di distribuzione della probabilità cumulativa di Xi è divisa in N intervalli con spaziatura uguale e nessuna sovrapposizione, il punto medio di ciascun intervallo è selezionato come valore di campionamento della probabilità Y, quindi il valore di campionamento Xi= p-1 (Yi) è calcolato utilizzando la funzione inversa e Xi calcolato è il valore di campionamento della variabile casuale.

La foto

Figura 2 diagramma schematico di LHS

(2) Permutazioni

I valori di campionamento delle variabili casuali ottenuti da (1) sono disposti in sequenza, quindi la correlazione tra m variabili casuali è 1, che non può essere calcolata. Il metodo di ortogonalizzazione della sequenza di Gram-Schmidt può essere adottato per ridurre la correlazione tra i valori di campionamento delle variabili casuali. Innanzitutto viene generata una matrice di ordine K×M I=[I1, I2…, IK]T. Gli elementi in ogni riga sono disposti casualmente da 1 a M e rappresentano la posizione del valore di campionamento della variabile casuale originale.

Iterazione positiva

La foto

Un’iterazione inversa

La foto

“Picture” rappresenta l’assegnazione, takeout(Ik,Ij) rappresenta il calcolo del valore residuo nella regressione lineare Ik=a+bIj, rank(Ik) rappresenta il nuovo vettore formato dal numero di sequenza di elementi nell’orientamento Ik da piccolo a grande.

Dopo l’iterazione bidirezionale fino a quando il valore RMS ρ, che rappresenta la correlazione, non diminuisce, si ottiene la matrice di posizione di ciascuna variabile casuale dopo la permutazione e quindi si può ottenere la matrice di permutazione delle variabili casuali con la correlazione minima.

(5)

Dove, l’immagine è il coefficiente di correlazione tra Ik e Ij, cov è la covarianza e VAR è la varianza.

2. Configurazione di ottimizzazione multi-obiettivo del sistema di accumulo di energia

2.1 Funzione obiettivo

Al fine di ottimizzare la potenza e la capacità del sistema di accumulo di energia, viene stabilita una funzione di ottimizzazione multi-obiettivo considerando il costo del sistema di accumulo di energia, la probabilità di spegnimento e la perdita di rete. A causa delle diverse dimensioni di ciascun indicatore, la standardizzazione delle deviazioni viene effettuata per ciascun indicatore. Dopo la standardizzazione della deviazione, l’intervallo di valori dei valori osservati di varie variabili sarà compreso tra (0,1) e i dati standardizzati sono quantità pure senza unità. Nella situazione reale, potrebbero esserci differenze nell’enfasi su ciascun indicatore. Se a ciascun indicatore viene attribuito un certo peso, è possibile analizzare e studiare diversi accenti.

(6)

Dove, w è l’indice da ottimizzare; Wmin e wmax sono il minimo e il massimo della funzione originale senza standardizzazione.

La funzione obiettivo è

(7)

Nella formula, λ1 ~ λ3 sono coefficienti di peso, Eloss, PE e CESS sono rispettivamente la perdita di rete di derivazione standardizzata, la probabilità di attraversamento della potenza attiva di filiale e il costo dell’investimento per l’accumulo di energia.

2.2 Algoritmo genetico

L’algoritmo genetico è una sorta di algoritmo di ottimizzazione stabilito imitando le leggi genetiche ed evolutive della sopravvivenza del più adatto e della sopravvivenza del più adatto in natura. Si prima di codificare, popolazione iniziale ogni codifica per conto di un individuo (una soluzione fattibile del problema), quindi ogni soluzione fattibile è da per la trasformazione del fenotipo del genotipo, da intraprendere scegliendo secondo le leggi della natura per ogni individuo, e selezionato in ogni generazione alla prossima generazione di ambiente informatico per adattarsi all’individuo forte, fino al più adattabile all’ambiente dell’individuo, Dopo la decodifica, è la soluzione ottimale approssimativa del problema.

In questo documento, il sistema di alimentazione che include il fotovoltaico e l’accumulo di energia viene prima calcolato dall’algoritmo probabilistico del flusso di energia e i dati ottenuti vengono utilizzati come variabile di input dell’algoritmo genetico per risolvere il problema. Il processo di calcolo è mostrato in Figura 3, che è principalmente suddiviso nelle seguenti fasi:

La foto

FIGURA. 3 Flusso dell’algoritmo

(1) Sistema di input, dati fotovoltaici e di accumulo di energia ed eseguire il campionamento dell’ipercubo latino e l’ortogonalizzazione della sequenza di Gram-Schmidt;

(2) Immettere i dati campionati nel modello di calcolo del flusso di potenza e registrare i risultati del calcolo;

(3) I risultati di output sono stati codificati per cromosoma per generare la popolazione iniziale corrispondente al valore di campionamento;

(4) Calcolare l’idoneità di ciascun individuo nella popolazione;

(5) selezionare, incrociare e mutare per produrre una nuova generazione di popolazione;

(6) giudicare se i requisiti sono soddisfatti, in caso contrario, tornare al passaggio (4); Se sì, la soluzione ottimale viene emessa dopo la decodifica.

3. Esempio di analisi

Il metodo probabilistico del flusso di potenza viene simulato e analizzato nel sistema di test del nodo IEEE24 mostrato in FIG. 4, in cui il livello di tensione di 1-10 nodi è di 138 kV e quello di 11-24 nodi è di 230 kV.

La foto

Figura 4 Sistema di test del nodo IEEE24

3.1 Influenza della centrale fotovoltaica sul sistema di alimentazione

Centrale fotovoltaica nel sistema di alimentazione, la posizione e la capacità del sistema di alimentazione influenzeranno la tensione del nodo e la potenza del ramo, pertanto, prima dell’analisi dell’influenza del sistema di accumulo di energia per la rete elettrica, questa sezione analizza prima l’influenza dell’energia fotovoltaica stazione sul sistema, accesso fotovoltaico al sistema in questo documento, l’andamento del limite della probabilità, la perdita di rete e così via ha effettuato l’analisi di simulazione.

Come si può vedere dalla figura. 5(a), dopo aver collegato la centrale fotovoltaica, i nodi con il limite di flusso di potenza del ramo più piccolo sono i seguenti: 11, 12, 13, 23, 13 per bilanciare il nodo del nodo, la tensione del nodo e l’angolo di fase sono dati, avere il effetto del bilancio energetico stabile della rete elettrica, 11, 12 e 23 anziché direttamente collegati, di conseguenza, diversi nodi collegati al limite la probabilità di potenza più piccola e maggiore, la centrale fotovoltaica accederà al nodo con effetto di equilibrio è inferiore sul impatto del sistema di alimentazione.

La foto

Figura 5. (a) somma della probabilità off-limit del flusso di potenza (b) fluttuazione della tensione del nodo (c) perdita totale della rete del sistema di diversi punti di accesso FV

Oltre al superamento del flusso di potenza, questo documento analizza anche l’influenza del fotovoltaico sulla tensione del nodo, come mostrato in FIG. 5(b). Le deviazioni standard delle ampiezze di tensione dei nodi 1, 3, 8, 13, 14, 15 e 19 sono selezionate per il confronto. Nel complesso, la connessione delle centrali fotovoltaiche alla rete elettrica non ha una grande influenza sulla tensione dei nodi, ma le centrali fotovoltaiche hanno una grande influenza sulla tensione degli a-Nodi e dei loro nodi vicini. Inoltre, nel sistema adottato dall’esempio di calcolo, attraverso il confronto, si rileva che la centrale fotovoltaica è più adatta per l’accesso ai tipi di nodo: ① nodi con grado di tensione maggiore, come 14, 15, 16, ecc., la tensione quasi non cambia; (2) nodi supportati da generatori o telecamere di regolazione, come 1, 2, 7, ecc.; (3) nella linea la resistenza è grande alla fine del nodo.

Al fine di analizzare l’influenza del punto di accesso FV sulla perdita totale di rete del sistema di alimentazione, questo documento effettua un confronto come mostrato nella Figura 5 (c). Si può notare che se alcuni nodi con una grande potenza di carico e senza alimentazione sono collegati alla centrale fotovoltaica, la perdita di rete del sistema sarà ridotta. Al contrario, i nodi 21, 22 e 23 sono l’estremità dell’alimentatore, che è responsabile della trasmissione centralizzata dell’energia. La centrale fotovoltaica collegata a questi nodi causerà grandi perdite di rete. Pertanto, il punto di accesso della centrale fotovoltaica dovrebbe essere selezionato all’estremità ricevente dell’alimentazione o al nodo con un carico elevato. Questa modalità di accesso può rendere più equilibrata la distribuzione del flusso di potenza del sistema e ridurre la perdita di rete del sistema.

Sulla base dei tre fattori nell’analisi dei risultati di cui sopra, il nodo 14 è considerato il punto di accesso della centrale fotovoltaica in questo documento e quindi viene studiata l’influenza della capacità delle diverse centrali fotovoltaiche sul sistema di alimentazione.

La Figura 6(a) analizza l’influenza della capacità fotovoltaica sul sistema. Si può notare che la deviazione standard della potenza attiva di ciascun ramo aumenta con l’aumento della capacità fotovoltaica, e che esiste una relazione lineare positiva tra i due. Ad eccezione di diversi rami mostrati in figura, le deviazioni standard degli altri rami sono tutti inferiori a 5 e mostrano una relazione lineare, che vengono ignorati per comodità di disegno. Si può notare che la connessione alla rete fotovoltaica ha una grande influenza sulla potenza degli access point fotovoltaici direttamente collegati o delle filiali adiacenti. A causa della trasmissione limitata della linea di trasmissione di potenza, le linee di trasmissione delle quantità di costruzione e investimento sono enormi, quindi l’installazione di una centrale fotovoltaica dovrebbe considerare la limitazione della capacità di trasporto, scegliere la minima influenza sull’accesso alla linea alla posizione migliore, inoltre, la scelta della migliore capacità della centrale fotovoltaica giocherà un ruolo importante per ridurre questo effetto.

La foto

Figura 6. (a) Deviazione standard della potenza attiva del ramo (b) Probabilità fuori limite del flusso di potenza del ramo (c) perdita totale della rete del sistema con diverse capacità fotovoltaiche

FIGURA. 6(b) confronta la probabilità che la potenza attiva superi il limite di ciascun ramo con diverse capacità della centrale fotovoltaica. Fatta eccezione per le filiali mostrate in figura, le altre filiali non hanno superato il limite o la probabilità era molto ridotta. Rispetto alla FIG. 6(a), si può vedere che la probabilità di off-limit e la deviazione standard non sono necessariamente correlate. La potenza attiva di una linea con un’ampia fluttuazione della deviazione standard non è necessariamente off-limit e il motivo è legato alla direzione di trasmissione della potenza di uscita fotovoltaica. Se è nella stessa direzione del flusso di alimentazione del ramo originale, anche una piccola potenza fotovoltaica può causare off-limit. Quando la potenza fotovoltaica è molto grande, il flusso di potenza non può superare il limite.

Nella FIG. 6(c), la perdita di rete totale del sistema aumenta con l’aumento della capacità fotovoltaica, ma questo effetto non è ovvio. Quando la capacità fotovoltaica aumenta di 60 MW, la perdita totale di rete aumenta solo dello 0.5%, ovvero 0.75 MW. Pertanto, quando si installano centrali fotovoltaiche, la perdita di rete dovrebbe essere presa come un fattore secondario e dovrebbero essere considerati prima i fattori che hanno un impatto maggiore sul funzionamento stabile del sistema, come la fluttuazione della potenza della linea di trasmissione e la probabilità fuori limite .

3.2 Impatto dell’accesso all’accumulo di energia sul sistema

Sezione 3.1 La posizione di accesso e la capacità della centrale fotovoltaica dipendono dal sistema di alimentazione