요 약 태양광 발전의 비중이 높으면 전력계통의 안정성에 부정적인 영향을 미치게 되며, 이러한 영향을 제거하기 위한 효과적인 수단 중 하나로 에너지 저장이 고려되고 있다. 본 논문에서는 태양광 발전이 전력계통에 미치는 영향을 전력흐름의 관점에서 분석한 후 에너지 저장이 그 영향 억제에 미치는 영향을 분석한다. 먼저 전력계통 구성요소의 확률분포모형과 에너지저장모형을 소개하고 라틴 하이퍼큐브 샘플링 방법과 그램-슈미트 시퀀스 정규화 방법을 소개한다. 둘째, 에너지 저장 시스템의 비용, 분기 전력 흐름의 한계 가능성 및 전력망의 네트워크 손실을 고려한 다중 목표 최적화 모델을 수립했습니다. 목적함수의 최적해는 유전알고리즘으로 구하였다. 마지막으로 IEEE24 노드 테스트 시스템에서 시뮬레이션을 수행하여 다양한 태양광 액세스 용량 및 액세스 위치가 전력 시스템에 미치는 영향과 에너지 저장이 전력 시스템에 미치는 영향, 서로 다른 태양광 용량에 해당하는 최적의 에너지 저장 구성을 분석합니다. 얻어진다.

키워드 태양광 발전; 에너지 저장 시스템; 최적화된 구성; 확률 전력 흐름; 유전자 알고리즘(ga)

태양광 발전은 녹색 환경 보호 및 재생 가능이라는 장점이 있으며 가장 잠재력이 높은 재생 에너지 중 하나로 간주됩니다. 2020년까지 중국의 태양광 발전 누적 설치 용량은 253억 XNUMX만 kw에 달했습니다. 대규모 태양광 발전의 간헐성과 불확실성은 첨두절감, 안정성, 광폐기 문제를 포함하여 전력 시스템에 영향을 미치며, 그리드는 이러한 문제에 대처하기 위해 보다 유연한 조치를 취해야 합니다. 에너지 저장은 이러한 문제를 해결하는 효과적인 방법으로 간주됩니다. 에너지 저장 시스템의 적용은 대규모 태양광 그리드 연결을 위한 새로운 솔루션을 제공합니다.

현재 국내외에서 태양광 발전, 에너지 저장 시스템 및 확률적 전력 흐름에 대한 연구가 많이 진행되고 있다. 많은 문헌 연구에 따르면 에너지 저장은 태양광 이용률을 향상시키고 태양광 그리드 연결의 안정성을 해결할 수 있습니다. 새로운 에너지 발전소의 에너지 저장 시스템 구성에서 광 저장 및 풍력 저장의 제어 전략뿐만 아니라 에너지 저장 시스템의 경제성에도주의를 기울여야합니다. 또한, 전력계통에서 다중에너지저장발전소의 최적화를 위해서는 에너지저장발전소 운영의 경제적 모델, 태양광 송전채널의 시작점과 끝점의 부지선정, 에너지 저장 장소 선택. 그러나 기존의 에너지 저장 시스템의 최적 구성에 대한 연구는 전력계통에 대한 구체적인 영향을 고려하지 않았으며, 다점식 시스템에 대한 연구는 대규모 광저장 운영 특성을 포함하지 않는다.

풍력, 태양광 등 불확실한 신에너지 발전의 대규모 발전으로 전력계통의 운영계획에서 전력계통의 전력흐름을 계산할 필요가 있다. 예를 들어, 문헌은 풍력 발전 시스템에서 에너지 저장의 최적 위치와 용량 할당을 연구합니다. 또한 전력 흐름 계산 시 여러 개의 새로운 에너지원 간의 상관 관계도 고려해야 합니다. 그러나 위의 모든 연구는 신에너지 발전의 불확실성을 고려하지 않은 결정론적 전력 흐름 방식에 기초하고 있다. 문헌은 풍력 발전의 불확실성을 고려하고 확률론적 최적 전력 흐름 방법을 적용하여 에너지 저장 시스템의 위치 선택을 최적화함으로써 운영 경제를 개선합니다.

현재 여러 학자들에 의해 다양한 확률적 전력 흐름 알고리즘이 제안되고 있으며, 몬테카를로 시뮬레이션 방법을 기반으로 한 비선형 확률적 전력 흐름의 데이터 마이닝 방법이 문헌에서 제안되고 있지만 몬테카를로 방법의 적시성은 매우 빈약하다. 에너지 저장 위치를 ​​연구하기 위해 확률적 최적 전력 흐름을 사용하는 것이 문헌에 제안되어 있으며 2m 포인트 방법을 사용하지만 이 방법의 계산 정확도는 이상적이지 않습니다. 본 논문에서는 전력 흐름 계산에서 라틴 하이퍼큐브 샘플링 방법의 적용을 연구하고, 라틴 하이퍼큐브 샘플링 방법의 우수성을 수치적 예를 통해 설명한다.

이상의 연구를 바탕으로 본 논문은 대규모 태양광 발전 시스템에서 에너지 저장의 최적 할당을 연구하기 위해 확률적 전력 흐름 방법을 사용한다. 먼저 전력계통 구성요소의 확률분포모델과 라틴 하이퍼큐브 샘플링 방법을 소개한다. 둘째, 에너지 저장 비용, 전력 흐름 제한 가능성 및 네트워크 손실을 고려하여 다중 목표 최적화 모델을 설정합니다. 마지막으로 IEEE24 노드 테스트 시스템에서 시뮬레이션 분석을 수행합니다.

1. 확률적 전력 흐름 모델

1.1 부품의 불확도 모델

태양광, 부하 및 발전기는 모두 불확실성이 있는 랜덤 변수입니다. 배전망의 확률적 전력 흐름 계산에서 확률적 모델은 문헌에 설명되어 있습니다. 과거 데이터 분석을 통해 태양광 발전의 출력 전력은 BETA 분포를 따릅니다. 부하 전력의 확률 분포를 피팅하여 부하가 정규 분포를 따른다고 가정하고 확률 밀도 분포 함수는 다음과 같습니다.

사진 (1)

여기서 Pl은 부하 전력입니다. μ L 및 σ L은 각각 부하의 기대치와 분산입니다.

생성기의 확률 모델은 일반적으로 XNUMX점 분포를 사용하며 확률 밀도 분포 함수는 다음과 같습니다.

(2)

여기서, P는 발전기의 정상 작동 확률입니다. PG는 발전기의 출력입니다.

정오에 빛이 충분하면 태양광 발전소의 유효 전력이 크고 시간에 사용하기 어려운 전력은 에너지 저장 배터리에 저장됩니다. 부하 전력이 높을 때 에너지 저장 배터리는 저장된 에너지를 방출합니다. 에너지 저장 시스템의 순간 에너지 균형 방정식은 다음과 같습니다.

충전 할 때

(3)

방전시

(4)

제약

영화,

영화,

그림, 그림

여기서, St는 시간 T에 저장된 에너지입니다. Pt는 에너지 저장의 충전 및 방전 전력입니다. SL과 SG는 각각 충방전 에너지이다. η C 및 η D는 각각 충전 및 방전 효율입니다. D는 에너지 저장의 자체 방전율입니다.

1.2 라틴 하이퍼큐브 샘플링 방법

불확실한 요인에서 시스템 전력 흐름을 분석하는 데 사용할 수 있는 시뮬레이션 방법, 근사 방법 및 분석 방법이 있습니다. 몬테카를로 시뮬레이션은 확률적 전력 흐름 알고리즘에서 가장 정확한 방법 중 하나이지만 높은 정밀도에 비해 적시성이 낮습니다. 이 방법은 샘플링 시간이 짧은 경우 일반적으로 확률 분포 곡선의 꼬리를 무시하지만 정확도를 높이려면 샘플링 시간을 늘려야 합니다. 라틴 하이퍼큐브 샘플링 방법은 이 문제를 방지합니다. 샘플링 포인트가 확률 분포를 효과적으로 반영하고 샘플링 시간을 효과적으로 줄일 수 있는 계층적 샘플링 방법입니다.

그림 1은 라틴 하이퍼큐브 샘플링 방법과 몬테카를로 시뮬레이션 방법의 샘플링 시간이 10~200일 때의 기대치와 분산을 보여줍니다. 두 가지 방법으로 얻은 결과의 전반적인 경향은 감소하고 있습니다. 그러나 몬테카를로 방법으로 구한 기대치와 분산은 매우 불안정하며, 동일한 샘플링 시간에 여러 시뮬레이션을 통해 구한 결과가 동일하지 않습니다. 라틴 하이퍼큐브 샘플링 방법의 분산은 샘플링 시간이 증가함에 따라 꾸준히 감소하며, 샘플링 시간이 5회 이상일 때 상대 오차는 150% 미만으로 감소합니다. 라틴 하이퍼큐브 샘플링 방법의 샘플링 포인트는 다음과 같습니다. Y축에 대해 대칭이므로 예상 오차가 0인 것도 장점입니다.

사진

무화과. 1 MC와 LHS의 서로 다른 샘플링 시간 비교

라틴 하이퍼큐브 샘플링 방법은 계층화된 샘플링 방법입니다. 입력 확률 변수의 표본 생성 과정을 개선함으로써 표본 값은 확률 변수의 전체 분포를 효과적으로 반영할 수 있습니다. 샘플링 프로세스는 두 단계로 나뉩니다.

(1) 샘플링

Xi (I = 1, 2,… ,m) is m random variables, and the sampling times are N, as shown in FIG. 2. The cumulative probability distribution curve of Xi is divided into N interval with equal spacing and no overlap, the midpoint of each interval is selected as the sampling value of probability Y, and then the sampling value Xi= p-1 (Yi) is calculated by using inverse function, and the calculated Xi is the sampling value of random variable.

사진

그림 2 LHS의 개략도

(2) 순열

(1)에서 구한 랜덤 변수의 샘플링 값은 순차적으로 배열되어 있으므로 m개의 랜덤 변수 간의 상관 관계는 1로 계산할 수 없습니다. 랜덤 변수의 샘플링 값 간의 상관 관계를 줄이기 위해 gram-Schmidt 시퀀스 직교화 방법을 사용할 수 있습니다. 먼저, K×M 차수 I=[I1, I2…, IK]T의 행렬이 생성된다. 각 행의 요소는 1부터 M까지 무작위로 배열되며, 원본 확률 변수의 샘플링 값 위치를 나타냅니다.

긍정적인 반복

사진

역 반복

사진

“Picture”는 할당을 나타내고, takeout(Ik,Ij)은 선형 회귀 Ik=a+bIj에서 잔차 값의 계산을 나타내고, rank(Ik)는 방향 Ik에서 작은 것에서 큰 것까지 요소의 시퀀스 번호로 형성된 새로운 벡터를 나타냅니다.

상관관계를 나타내는 RMS 값 ρ가 감소하지 않을 때까지 양방향 반복 후 순열 후 각 확률변수의 위치행렬을 구한 후 상관관계가 가장 작은 확률변수의 순열행렬을 구한다.

(5)

여기서 그림은 Ik와 Ij 사이의 상관 계수이고 cov는 공분산이며 VAR은 분산입니다.

2. 에너지 저장 시스템의 다목적 최적화 구성

2.1 목적 함수

에너지 저장 시스템의 전력 및 용량을 최적화하기 위해 에너지 저장 시스템의 비용, 전력 차단 확률 및 네트워크 손실을 고려하여 다목적 최적화 기능을 설정합니다. 각 지표의 치수가 다르기 때문에 각 지표에 대해 편차 표준화가 수행됩니다. 편차 표준화 후 다양한 변수의 관측값의 값 범위는 (0,1) 사이가 되며 표준화된 데이터는 단위가 없는 순수한 양입니다. 실제 상황에서는 각 지표의 강조점에 차이가 있을 수 있습니다. 각 지표에 특정 가중치가 부여되면 다른 강조점을 분석하고 연구할 수 있습니다.

(6)

여기서 w는 최적화할 인덱스입니다. Wmin과 wmax는 표준화되지 않은 원래 함수의 최소값과 최대값입니다.

목적 함수는

(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 유전자 알고리즘

유전 알고리즘은 자연에서 적자생존과 적자생존의 유전적, 진화적 법칙을 모방하여 확립된 일종의 최적화 알고리즘이다. 먼저 코딩을 하고, 초기 인구를 각 개인을 대신하여 코딩하고(문제의 실행 가능한 솔루션), 따라서 각각의 실행 가능한 솔루션은 유전자형 표현형 변환에 대해, 각 개인에 대해 자연 법칙에 따라 선택하는 것을 착수하고, 에서 선택됩니다. 각 세대는 강력한 개인에게 적응하는 차세대 컴퓨팅 환경으로, 개인의 환경에 가장 적응할 수 있을 때까지 디코딩한 후 문제의 대략적인 최적의 솔루션입니다.

In this paper, the power system including photovoltaic and energy storage is firstly calculated by the probabilistic power flow algorithm, and the obtained data is used as the input variable of the genetic algorithm to solve the problem. The calculation process is shown in Figure 3, which is mainly divided into the following steps:

사진

무화과. 3 알고리즘 흐름

(1) Input system, photovoltaic and energy storage data, and perform Latin hypercube sampling and Gram-Schmidt sequence orthogonalization;

(2) 샘플링된 데이터를 전력 흐름 계산 모델에 입력하고 계산 결과를 기록합니다.

(3) 출력 결과를 염색체로 인코딩하여 샘플링 값에 해당하는 초기 모집단을 생성했습니다.

(4) 모집단의 각 개인의 적합성을 계산합니다.

(5) 새로운 세대의 인구를 생산하기 위해 선택, 교배 및 돌연변이;

(6) 요구 사항이 충족되었는지 여부를 판단하고 그렇지 않은 경우 단계 (4)를 반환합니다. 그렇다면 디코딩 후 최적의 솔루션이 출력됩니다.

3. 분석 예

확률적 전력 흐름 방법은 도 24에 도시된 IEEE4-노드 테스트 시스템에서 시뮬레이션 및 분석된다. 도 1에서 10-138노드의 전압 레벨은 11kV이고 24-230노드의 전압 레벨은 XNUMXkV이다.

사진

그림 4 IEEE24 노드 테스트 시스템

3.1 태양광 발전소가 전력 시스템에 미치는 영향

전력계통의 태양광 발전소는 전력계통의 위치와 용량이 노드 전압과 분기 전력에 영향을 미치므로 전력망용 에너지 저장 시스템의 영향을 분석하기 전에 먼저 태양광 발전의 영향을 분석한다. 시스템의 스테이션, 본 논문에서 태양광 액세스 시스템, 확률의 한계의 추세, 네트워크 손실 등은 시뮬레이션 분석을 수행했습니다.

도 5에서 알 수 있는 바와 같이. 11(a), 태양광 발전소가 연결된 후 분기 전력 흐름 초과 한도가 작은 노드는 다음과 같습니다. 노드 노드의 균형을 유지하기 위해 노드 전압 및 위상 각도가 주어지며, 안정적인 전력망 전력 균형의 효과, 12, 13 및 23 대신 직접 연결, 결과적으로 여러 노드가 제한에 연결되어 더 작고 더 많은 전력의 확률, 태양광 발전소가 균형 효과가 있는 노드에 액세스할 것입니다. 전원 시스템의 영향.

사진

Figure 5. (a) sum of power flow off-limit probability (b) node voltage fluctuation (c) total system network loss of different PV access points

전력 흐름의 초과에 더하여, 본 논문은 도 5에 도시된 바와 같이 노드 전압에 대한 태양광의 영향도 분석한다. 1(b). 비교를 위해 노드 3, 8, 13, 14, 15, 19 및 14의 전압 진폭 표준 편차가 선택됩니다. 전체적으로 태양광 발전소와 전력망의 연결은 노드의 전압에 큰 영향을 미치지 않지만 태양광 발전소는 a-노드 및 인접 노드의 전압에 큰 영향을 미칩니다. 또한, 계산예에서 채택한 시스템에서 비교를 통해 노드 유형에 대한 접근에 태양광 발전소가 더 적합함을 알 수 있다. ① 15, 16, 2 등 전압 등급이 높은 노드, 전압은 거의 변하지 않습니다. (1) 2, 7, 3 등과 같은 생성기 또는 조정 카메라가 지원하는 노드; (XNUMX) 라인 저항은 노드 끝에서 크다.

전력 시스템의 전체 네트워크 손실에 대한 PV 액세스 포인트의 영향을 분석하기 위해 이 논문에서는 그림 5(c)와 같이 비교합니다. 부하 전력이 크고 전원 공급 장치가 없는 일부 노드가 PV 발전소에 연결되면 시스템의 네트워크 손실이 감소함을 알 수 있습니다. 반대로 노드 21, 22 및 23은 중앙 집중식 전력 전송을 담당하는 전원 공급 장치 끝입니다. 이 노드에 연결된 태양광 발전소는 큰 네트워크 손실을 일으킬 것입니다. 따라서 태양광 발전소 액세스 포인트는 전력을 받는 쪽이나 부하가 큰 노드에서 선택해야 합니다. 이 액세스 모드는 시스템의 전력 흐름 분배를 보다 균형 있게 만들고 시스템의 네트워크 손실을 줄일 수 있습니다.

위의 결과 분석에서 세 가지 요소를 기반으로 본 논문에서는 노드 14를 태양광 발전소의 액세스 포인트로 간주하고 다른 태양광 발전소의 용량이 전력 시스템에 미치는 영향을 연구합니다.

Figure 6(a) analyzes the influence of photovoltaic capacity on the system. It can be seen that the standard deviation of the active power of each branch increases with the increase of photovoltaic capacity, and there is a positive linear relationship between the two. Except for several branches shown in the figure, the standard deviations of other branches are all less than 5 and show a linear relationship, which are ignored for the convenience of drawing. It can be seen that photovoltaic grid connection has a great influence on the power of directly connected with photovoltaic access point or adjacent branches. Because of limited power transmission line transmission, the transmission lines of quantities of construction and investment is huge, so installing a photovoltaic power station, should consider the limitation of transportation capacity, choose the smallest influence on line access to the best location, in addition, selecting the best capacity of photovoltaic power station will play an important part to reduce this effect.

사진

그림 6. (a) 분기 유효 전력 표준 편차 (b) 분기 전력 흐름 한계 초과 확률 (c) 다양한 태양광 용량에서 총 시스템 네트워크 손실

무화과. 6(b)는 다른 PV 발전소 용량에서 각 분기의 한계를 초과하는 유효 전력의 확률을 비교합니다. 그림에 나타난 가지를 제외하고는 다른 가지가 한계를 넘지 않았거나 확률이 매우 낮았다. 도와 비교하여 도 6(a)에서 볼 수 있듯이, 오프 리미트 확률과 표준편차가 반드시 관련이 있는 것은 아님을 알 수 있다. 표준편차 변동이 큰 선로의 유효전력이 반드시 제한이 있는 것은 아니며, 그 이유는 태양광 출력 전력의 전송 방향과 관련이 있습니다. 원래의 분기 전원 흐름과 같은 방향이면 작은 태양광 발전으로도 차단이 발생할 수 있습니다. PV 전력이 매우 크면 전력 흐름이 한계를 초과하지 않을 수 있습니다.

도에서. 6(c)에서 볼 수 있듯이 시스템의 전체 네트워크 손실은 태양광 용량이 증가함에 따라 증가하지만 이 효과는 명확하지 않습니다. 태양광 발전 용량이 60MW 증가하면 총 네트워크 손실은 0.5%, 즉 0.75MW만 증가합니다. 따라서 태양광 발전소를 설치할 때 네트워크 손실을 XNUMX차적 요인으로 고려해야 하며, 송전선로 전력 변동 및 한계 초과 확률 등 시스템의 안정적인 운영에 더 큰 영향을 미치는 요인을 먼저 고려해야 합니다. .

3.2 시스템에 대한 에너지 저장 액세스의 영향

섹션 3.1 태양광 발전소의 접근 위치 및 용량은 전력 시스템에 따라 다릅니다.