要約太陽光発電の割合が高いと、発電システムの安定性に悪影響を及ぼします。エネルギー貯蔵は、これらの影響を排除するための効果的な手段の24つと考えられています。 本稿では、太陽光発電が電力系統に与える影響を電力潮流の観点から分析し、エネルギー貯蔵が影響を抑制する効果を分析する。 まず、電力系統の構成要素の確率分布モデルとエネルギー貯蔵モデルを紹介し、ラテン超立方体サンプリング法とグラムシュミットシーケンス正規化法を紹介します。 次に、多目的最適化モデルが確立されました。これは、エネルギー貯蔵システムのコスト、分岐電力潮流の立ち入り禁止確率、および電力網のネットワーク損失を考慮したものです。 目的関数の最適解は遺伝的アルゴリズムによって得られました。 最後に、シミュレーションはIEEEXNUMXノードテストシステムで実行され、電力システムに対するさまざまな太陽光発電アクセス容量とアクセス場所の影響、および電力システムに対するエネルギー貯蔵の影響、およびさまざまな太陽光発電容量に対応する最適なエネルギー貯蔵構成を分析します。が得られます。

キーワード太陽光発電; エネルギー貯蔵システム; 最適化された構成。 確率パワーフロー; 遺伝的アルゴリズム（ga）

太陽光発電は、環境保護と再生可能という利点があり、最も潜在的な再生可能エネルギーの2020つと見なされています。 253年までに、中国の太陽光発電の累積設備容量はXNUMX億XNUMX万kwに達しました。 大規模太陽光発電の間欠性と不確実性は、ピークシェービング、安定性、光廃棄の問題など、電力システムに影響を及ぼします。グリッドは、これらの問題に対処するために、より柔軟な対策を採用する必要があります。 エネルギー貯蔵は、これらの問題を解決するための効果的な方法であると考えられています。 エネルギー貯蔵システムのアプリケーションは、大規模な太陽光発電グリッド接続のための新しいソリューションをもたらします。

現在、国内外で太陽光発電、エネルギー貯蔵システム、確率パワーフローに関する多くの研究が行われています。 多くの文献研究は、エネルギー貯蔵が太陽光発電の利用率を改善し、太陽光発電グリッド接続の安定性を解決できることを示しています。 新エネルギー発電所のエネルギー貯蔵システムの構成では、光貯蔵と風力貯蔵の制御戦略だけでなく、エネルギー貯蔵システムの経済性にも注意を払う必要があります。 また、電力系統における複数のエネルギー貯蔵発電所の最適化のためには、エネルギー貯蔵発電所の運用の経済モデル、太陽光発電チャネルの始点と終点の場所の選択、およびエネルギー貯蔵のサイト選択。 しかし、エネルギー貯蔵システムの最適構成に関する既存の研究は、電力システムへの特定の影響を考慮しておらず、マルチポイントシステムに関する研究は、大規模な光貯蔵動作特性を含んでいません。

風力発電や太陽光発電などの不確実な新エネルギー発電の大規模な開発に伴い、電力系統の運用計画において電力系統の電力潮流を計算する必要があります。 たとえば、文献では、風力発電を使用する電力システムにおけるエネルギー貯蔵の最適な場所と容量の割り当てについて研究しています。 さらに、電力潮流の計算では、複数の新しいエネルギー源間の相関関係も考慮する必要があります。 ただし、上記のすべての研究は、新エネルギー生成の不確実性を考慮していない決定論的パワーフロー法に基づいています。 文献では、風力発電の不確実性を考慮し、確率論的最適電力潮流法を適用して、エネルギー貯蔵システムのサイト選択を最適化し、運用経済性を向上させています。

現在、学者によってさまざまな確率的パワーフローアルゴリズムが提案されており、モンテカルロシミュレーション法に基づく非線形確率的パワーフローのデータマイニング法が文献で提案されていますが、モンテカルロ法の適時性は非常に貧弱です。 確率論的最適パワーフローを使用してエネルギー貯蔵の位置を研究することが文献で提案されており、2 mポイント法が使用されていますが、この方法の計算精度は理想的ではありません。 本論文ではパワーフロー計算におけるラテン超立方体サンプリング法の応用を研究し、ラテン超立方体サンプリング法の優位性を数値例で示した。

以上の研究を踏まえ、本論文では、確率論的パワーフロー法を用いて、大規模太陽光発電を備えた電力系統におけるエネルギー貯蔵の最適な配分を研究した。 まず、電力系統の構成要素の確率分布モデルとラテン超立方体サンプリング法を紹介します。 次に、エネルギー貯蔵コスト、限界を超える電力の流れ、およびネットワーク損失を考慮して、多目的最適化モデルを確立します。 最後に、シミュレーション分析はIEEE24ノードテストシステムで実行されます。

1.確率的パワーフローモデル

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

Picture (1)

ここで、Plは負荷電力です。 μLとσLは、それぞれ負荷の期待値と分散です。

The probability model of generator usually adopts two-point distribution, and its probability density distribution function is

(2)

ここで、Pは発電機の正常な動作の確率です。 PGは発電機の出力電力です。

正午に十分な明るさ​​になると、太陽光発電所の有効電力が大きくなり、時間内に使いにくい電力が蓄電池に蓄えられます。 負荷電力が高い場合、エネルギー貯蔵バッテリーは蓄積されたエネルギーを放出します。 エネルギー貯蔵システムの瞬間エネルギーバランス方程式は次のとおりです。

充電するとき

(3)

放電時

(4)

制約

ピクチャー、

ピクチャー、

写真、写真

ここで、Stは時間Tで蓄積されたエネルギーです。 Ptは、エネルギー貯蔵の充電および放電電力です。 SLとSGは、それぞれ充電と放電のエネルギーです。 ηCとηDはそれぞれ充電効率と放電効率です。 Dsは、エネルギー貯蔵の自己放電率です。

1.2ラテン超立方体サンプリング法

不確実な要因の下でシステムの電力潮流を分析するために使用できるシミュレーション方法、近似方法、および分析方法があります。 モンテカルロシミュレーションは、確率的パワーフローアルゴリズムで最も正確な方法のXNUMXつですが、その適時性は高精度に比べて低くなっています。 サンプリング時間が短い場合、この方法は通常、確率分布曲線の裾を無視しますが、精度を向上させるには、サンプリング時間を長くする必要があります。 ラテン超立方体サンプリング法は、この問題を回避します。 これは階層的なサンプリング方法であり、サンプリングポイントが確率分布を効果的に反映し、サンプリング時間を効果的に短縮できるようにします。

図1は、ラテン超立方体サンプリング法とモンテカルロシミュレーション法の期待値と分散を示しています。サンプリング時間は10〜200の範囲です。5つの方法で得られる結果の全体的な傾向は減少しています。 ただし、モンテカルロ法によって得られる期待値と分散は非常に不安定であり、複数のシミュレーションによって得られる結果は、同じサンプリング時間で同じではありません。 ラテン超立方体サンプリング法の分散は、サンプリング時間の増加とともに着実に減少し、サンプリング時間が150を超えると、相対誤差は0％未満に減少します。ラテン超立方体サンプリング法のサンプリングポイントは、 Y軸に関して対称であるため、予想される誤差はXNUMXであり、これも利点です。

絵

図。 1MCとLHS間の異なるサンプリング時間の比較

ラテン超立方体サンプリング法は、層状サンプリング法です。 入力確率変数のサンプル生成プロセスを改善することにより、サンプリング値は確率変数の全体的な分布を効果的に反映できます。 サンプリングプロセスはXNUMXつのステップに分かれています。

(1) Sampling

図３に示すように、Ｘｉ（Ｉ ＝ １、２、…、ｍ）はｍ個の確率変数であり、サンプリング時間はＮである。 1. Xiの累積確率分布曲線は、等間隔で重なりのないN区間に分割され、各区間の中点が確率Yのサンプリング値として選択され、サンプリング値Xi = p-2（Yi）は次のようになります。逆関数を使用して計算され、計算されたXiは確率変数のサンプリング値です。

絵

図2LHSの概略図

（2）順列

（1）から得られた確率変数のサンプリング値は順番に並べられているため、m個の確率変数間の相関は1であり、計算できません。 グラムシュミットシーケンス直交化法を採用して、確率変数のサンプリング値間の相関を減らすことができます。 最初に、K×M次数I = [I1、I2…、IK] Tの行列が生成されます。 各行の要素は1からMまでランダムに配置され、元の確率変数のサンプリング値の位置を表します。

正の反復

絵

逆反復

絵

「画像」は割り当てを表し、takeout（Ik、Ij）は線形回帰の残差値の計算を表しますIk = a + bIj、rank（Ik）は方向Ikの要素のシーケンス数によって形成される新しいベクトルを小さいものから大きいものへと表します。

相関を表すRMS値ρが減少しなくなるまで双方向反復を行った後、順列後の各確率変数の位置行列を取得し、相関が最小の確率変数の置換行列を取得できます。

(5)

ここで、図はIkとIjの間の相関係数、covは共分散、VARは分散です。

2.エネルギー貯蔵システムの多目的最適化構成

2.1目的関数

エネルギー貯蔵システムの電力と容量を最適化するために、エネルギー貯蔵システムのコスト、電力遮断確率、およびネットワーク損失を考慮して、多目的最適化機能が確立されます。 各インジケーターの寸法が異なるため、偏差の標準化はインジケーターごとに実行されます。 偏差の標準化後、さまざまな変数の観測値の値の範囲は（0,1）の間になり、標準化されたデータは単位のない純粋な量になります。 実際の状況では、各指標の強調に違いがある場合があります。 各指標に特定の重みが与えられている場合、さまざまな強調を分析および調査できます。

(6)

ここで、wは最適化されるインデックスです。 Wminとwmaxは、標準化されていない元の関数の最小値と最大値です。

目的関数は

(7)

In the formula, λ1 ~ λ3 are weight coefficients, Eloss, PE and CESS are standardized branch network loss, branch active power crossing probability and energy storage investment cost respectively.

2.2遺伝的アルゴリズム

遺伝的アルゴリズムは、適者生存と適者生存の遺伝的および進化的法則を模倣することによって確立された一種の最適化アルゴリズムです。 最初にコーディングし、個人に代わって各コーディングを初期化する（問題の実行可能な解決策）ので、実行可能な各解決策は、遺伝子型表現型の変換から、各個人の自然の法則に従って選択することまでであり、強い個人に適応するための各世代から次世代のコンピューティング環境、個人の環境に最も適応するまで、デコード後、それは問題のおおよその最適な解決策です。

本論文では、まず確率的電力潮流アルゴリズムにより太陽光発電とエネルギー貯蔵を含む電力系統を計算し、得られたデータを遺伝的アルゴリズムの入力変数として使用して問題を解決する。 計算プロセスを図3に示します。これは、主に次のステップに分かれています。

絵

図。 3アルゴリズムフロー

（1）入力システム、太陽光発電およびエネルギー貯蔵データ、およびラテン超立方体サンプリングとグラムシュミットシーケンス直交化を実行します。

（2）サンプリングしたデータをパワーフロー計算モデルに入力し、計算結果を記録します。

（3）出力結果は、サンプリング値に対応する初期母集団を生成するために染色体によってエンコードされました。

（4）母集団の各個人の適応度を計算します。

(5) select, cross and mutate to produce a new generation of population;

（6）要件が満たされているかどうかを判断し、満たされていない場合は、ステップ（4）に戻ります。 はいの場合、デコード後に最適解が出力されます。

3.分析例

確率論的パワーフロー法は、図１に示されるＩＥＥＥ２４ノード試験システムにおいてシミュレートおよび分析される。 ここで、24〜4ノードの電圧レベルは1 kVであり、10〜138ノードの電圧レベルは11kVです。

絵

図4IEEE24ノードテストシステム

3.1太陽光発電所の電力システムへの影響

電力系統の太陽光発電所、電力系統の位置と容量はノード電圧と分岐電力に影響を与えるため、送電網のエネルギー貯蔵システムの影響を分析する前に、このセクションではまず太陽光発電の影響を分析しますシステム上のステーション、この論文のシステムへの光起電アクセス、確率の限界の傾向、ネットワーク損失などがシミュレーション分析を続けています。

図１から分かるように。 5（a）、太陽光発電所が接続された後、分岐電力潮流の超過制限が小さいノードは次のとおりです。ノードノードのバランスをとるための11、12、13、23、13、ノード電圧と位相角度が与えられ、安定した電力網の電力バランスの効果、直接接続する代わりに、結果として、接続されたいくつかのノードは、より小さく、より多くの電力の確率を制限し、太陽光発電所は、バランス効果が少ないノードにアクセスします電力システムの影響。

絵

図5.（a）電力潮流の立ち入り禁止確率の合計（b）ノードの電圧変動（c）さまざまなPVアクセスポイントのシステムネットワーク全体の損失

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.

電力システムのネットワーク全体の損失に対するPVアクセスポイントの影響を分析するために、このホワイトペーパーでは図5（c）に示すように比較します。 負荷電力が大きく、電源が供給されていないノードが太陽光発電所に接続されている場合、システムのネットワーク損失が減少することがわかります。 それどころか、ノード21、22、および23は電源の端であり、集中型の電力伝送を担当します。 これらのノードに接続された太陽光発電所は、大きなネットワーク損失を引き起こします。 したがって、太陽光発電所のアクセスポイントは、電力の受信側または負荷の大きいノードで選択する必要があります。 このアクセスモードは、システムの電力潮流分配をよりバランスのとれたものにし、システムのネットワーク損失を減らすことができます。

上記の結果を分析する際の14つの要因に基づいて、本論文ではノードXNUMXを太陽光発電所のアクセスポイントとし、さまざまな太陽光発電所の容量が電力系統に与える影響を検討します。

図6（a）は、システムに対する太陽光発電容量の影響を分析しています。 各分岐の有効電力の標準偏差は、太陽光発電容量の増加とともに増加し、5つの間に正の線形関係があることがわかります。 図に示されているいくつかの分岐を除いて、他の分岐の標準偏差はすべてXNUMX未満であり、線形関係を示しています。これらは、描画の便宜上無視されています。 太陽光発電グリッド接続は、太陽光発電アクセスポイントまたは隣接するブランチに直接接続された電力に大きな影響を与えることがわかります。 送電線の送電が限られているため、建設や投資の量が多い送電線は膨大であるため、太陽光発電所の設置は、輸送能力の制限を考慮し、最適な場所への送電線アクセスへの影響を最小限に抑える必要があります。太陽光発電所の最適な容量を選択することは、この影響を減らすために重要な役割を果たします。

絵

図6.（a）分岐有効電力の標準偏差（b）分岐電力フローの限界外確率（c）さまざまな太陽光発電容量でのシステムネットワーク全体の損失

図。 6（b）は、異なるpv発電所容量の下で有効電力が各分岐の制限を超える確率を比較しています。 図に示されているブランチを除いて、他のブランチは制限を超えていないか、確率が非常に小さかった。 図１と比較して。 図６（ａ）から、立ち入り禁止の確率と標準偏差は必ずしも関連していないことが分かる。 標準偏差の変動が大きい回線の有効電力は必ずしも立ち入り禁止ではなく、その理由は太陽光発電の出力電力の伝送方向に関係しています。 元の分岐電力の流れと同じ方向である場合、小さな太陽光発電も立ち入り禁止になる可能性があります。 pvパワーが非常に大きい場合、パワーフローは制限を超えてはなりません。

図１において、 6（c）では、システムの総ネットワーク損失は太陽光発電容量の増加とともに増加しますが、この影響は明らかではありません。 太陽光発電容量が60MW増加すると、ネットワーク損失の合計は0.5％、つまり0.75MWしか増加しません。 したがって、太陽光発電所を設置する場合は、二次的な要因としてネットワーク損失を考慮し、送電線の電力変動や限界外確率など、システムの安定運用に大きな影響を与える要因を最初に考慮する必要があります。 。

3.2システムへのエネルギー貯蔵アクセスの影響

セクション3.1太陽光発電所のアクセス位置と容量は電力システムに依存します