Kopsavilkums Liela daļa no fotoelementu enerģijas ražošanas negatīvi ietekmēs energosistēmas stabilitāti, un enerģijas uzkrāšana tiek uzskatīta par vienu no efektīviem līdzekļiem šīs ietekmes novēršanai. Šajā rakstā analizēta fotoelementu elektroenerģijas ražošanas ietekme uz energosistēmu no jaudas plūsmas viedokļa un pēc tam analizēta enerģijas uzkrāšanas ietekme uz ietekmes ierobežošanu. Pirmkārt, tiek ieviests energosistēmā esošo komponentu varbūtības sadalījuma modelis un enerģijas uzkrāšanas modelis, kā arī latīņu hiperkuba izlases metode un grama-Šmita sekvences normalizācijas metode. Otrkārt, tika izveidots vairāku mērķu optimizācijas modelis, kurā tika ņemtas vērā enerģijas uzkrāšanas sistēmas izmaksas, atzaru jaudas plūsmas ārpuslimita iespējamība un elektrotīkla tīkla zudumi. Optimālais mērķa funkcijas risinājums tika iegūts ar ģenētisko algoritmu. Visbeidzot, simulācija tiek veikta IEEE24 mezglu testa sistēmā, lai analizētu dažādu fotoelementu piekļuves jaudas un piekļuves vietu ietekmi uz energosistēmu un enerģijas uzkrāšanas ietekmi uz energosistēmu, kā arī optimālo enerģijas uzglabāšanas konfigurāciju, kas atbilst dažādai fotoelementu jaudai. tiek iegūts.

Key words photovoltaic power generation; Energy storage system; Optimized configuration; Probability power flow; Genetic algorithm (ga)

Fotoelementu enerģijas ražošanai ir zaļās vides aizsardzības un atjaunojamās enerģijas priekšrocības, un tā tiek uzskatīta par vienu no potenciālākajām atjaunojamās enerģijas avotiem. Līdz 2020. gadam Ķīnas fotoelektriskās enerģijas ražošanas kumulatīvā uzstādītā jauda ir sasniegusi 253 miljonus kW. Liela mēroga PV enerģijas pārtraukumi un nenoteiktība ietekmē energosistēmu, tostarp problēmas ar maksimālo skūšanu, stabilitāti un gaismas izmešanu, un tīklam ir jāpieņem elastīgāki pasākumi, lai risinātu šīs problēmas. Enerģijas uzglabāšana tiek uzskatīta par efektīvu veidu, kā atrisināt šīs problēmas. Enerģijas uzglabāšanas sistēmas pielietojums sniedz jaunu risinājumu liela mēroga fotoelementu tīkla savienojumam.

Pašlaik ir daudz pētījumu par fotoelementu enerģijas ražošanu, enerģijas uzglabāšanas sistēmu un varbūtējo enerģijas plūsmu gan mājās, gan ārvalstīs. Liels skaits literatūras pētījumu liecina, ka enerģijas uzglabāšana var uzlabot fotoelementu izmantošanas līmeni un atrisināt fotoelektriskā tīkla savienojuma stabilitāti. Enerģijas uzkrāšanas sistēmas konfigurācijā jaunajā energoelektrostacijā uzmanība jāpievērš ne tikai optiskās uzglabāšanas un vēja uzkrāšanas vadības stratēģijai, bet arī enerģijas uzkrāšanas sistēmas ekonomijai. Turklāt vairāku enerģijas uzkrāšanas elektrostaciju optimizācijai energosistēmā ir nepieciešams izpētīt enerģijas uzkrāšanas elektrostaciju darbības ekonomisko modeli, fotoelementu pārraides kanālu sākuma un beigu punkta vietas izvēli un enerģijas uzglabāšanas vietas izvēle. Tomēr esošajos pētījumos par enerģijas uzkrāšanas sistēmas optimālo konfigurāciju nav ņemta vērā specifiskā ietekme uz energosistēmu, kā arī daudzpunktu sistēmas pētījumi neietver liela mēroga optiskās uzglabāšanas darbības raksturlielumus.

Plašā mērogā attīstoties nenoteiktai jaunai enerģijas elektroenerģijas ražošanai, piemēram, vēja enerģijai un fotogalvaniskajai enerģijai, energosistēmas darbības plānošanā ir nepieciešams aprēķināt energosistēmas jaudas plūsmu. Piemēram, literatūrā tiek pētīta optimālā enerģijas uzkrāšanas vieta un jaudas sadalījums energosistēmā ar vēja enerģiju. Turklāt, aprēķinot jaudas plūsmu, jāņem vērā arī korelācija starp vairākiem jauniem enerģijas avotiem. Tomēr visi iepriekš minētie pētījumi ir balstīti uz deterministiskām jaudas plūsmas metodēm, kas neņem vērā jaunas enerģijas ražošanas nenoteiktību. Literatūrā aplūkota vēja enerģijas nenoteiktība un izmantota varbūtības optimālās jaudas plūsmas metode, lai optimizētu enerģijas uzkrāšanas sistēmas vietas izvēli, kas uzlabo ekspluatācijas ekonomiju.

Šobrīd zinātnieki ir piedāvājuši dažādus varbūtības jaudas plūsmas algoritmus, un literatūrā ir piedāvātas nelineāras varbūtības jaudas plūsmas datu ieguves metodes, kuru pamatā ir Montekarlo simulācijas metode, taču Montekarlo metodes savlaicīgums ir ļoti vājš. Literatūrā ir ierosināts izmantot varbūtības optimālo jaudas plūsmu, lai pētītu enerģijas uzkrāšanas vietu, un tiek izmantota 2 m punktu metode, taču šīs metodes aprēķinu precizitāte nav ideāla. Šajā rakstā ir pētīta latīņu valodas hiperkuba izlases metodes pielietošana jaudas plūsmas aprēķināšanā, un latīņu hiperkuba izlases metodes pārākums ir ilustrēts ar skaitliskiem piemēriem.

Based on the above research, this paper uses the probabilistic power flow method to study the optimal allocation of energy storage in the power system with large-scale photovoltaic power generation. Firstly, the probability distribution model and Latin hypercube sampling method of components in power system are introduced. Secondly, a multi-objective optimization model is established considering the energy storage cost, power flow over limit probability and network loss. Finally, the simulation analysis is carried out in IEEE24 node test system.

1. Probabilistic power flow model

1.1. Komponentu nenoteiktības modelis

Fotoelementi, slodze un ģenerators ir nejauši mainīgie ar nenoteiktību. Sadales tīkla varbūtiskās jaudas plūsmas aprēķinā literatūrā ir izskaidrots varbūtības modelis. Izmantojot vēsturisko datu analīzi, fotoelektriskās enerģijas ražošanas izejas jauda atbilst BETA sadalījumam. Piemērojot slodzes jaudas varbūtības sadalījumu, tiek pieņemts, ka slodze seko normālajam sadalījumam un tās varbūtības blīvuma sadalījuma funkcija ir

Picture (1)

kur Pl ir slodzes jauda; μ L un σ L ir attiecīgi paredzamā slodze un dispersija.

Ģeneratora varbūtības modelis parasti izmanto divu punktu sadalījumu, un tā varbūtības blīvuma sadalījuma funkcija ir

(2)

Where, P is the probability of normal operation of generator; PG is the output power of the generator.

Kad pusdienlaikā ir pietiekami daudz gaismas, fotoelektriskās spēkstacijas aktīvā jauda ir liela, un jauda, ​​kuru ir grūti izmantot laikā, tiks uzkrāta enerģijas akumulatorā. Ja slodzes jauda ir liela, enerģijas uzglabāšanas akumulators atbrīvos uzkrāto enerģiju. Enerģijas uzkrāšanas sistēmas momentānās enerģijas bilances vienādojums ir

Uzlādējot

(3)

Kad izlāde

(4)

Ierobežojums

Attēli,

Attēli,

Bilde, bilde

Kur St ir laikā T uzkrātā enerģija; Pt ir enerģijas uzkrāšanas uzlādes un izlādes jauda; SL un SG ir attiecīgi uzlādes un izlādes enerģija. η C un η D ir attiecīgi uzlādes un izlādes efektivitāte. Ds ir enerģijas uzkrāšanas pašizlādes ātrums.

1.2 Latīņu hiperkuba izlases metode

Ir simulācijas metode, aptuvenā metode un analītiskā metode, ko var izmantot, lai analizētu sistēmas jaudas plūsmu nenoteiktu faktoru apstākļos. Montekarlo simulācija ir viena no precīzākajām metodēm varbūtības jaudas plūsmas algoritmos, taču tās savlaicīgums ir zems salīdzinājumā ar augstu precizitāti. Zema paraugu ņemšanas laika gadījumā šī metode parasti ignorē varbūtības sadalījuma līknes galu, bet, lai uzlabotu precizitāti, tai ir jāpalielina paraugu ņemšanas laiks. Latīņu hiperkuba paraugu ņemšanas metode novērš šo problēmu. Tā ir hierarhiska izlases metode, kas var nodrošināt, ka paraugu ņemšanas punkti efektīvi atspoguļo varbūtības sadalījumu un efektīvi samazina paraugu ņemšanas laiku.

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.

Bilde

Zīm. 1 Dažādu paraugu ņemšanas laiku salīdzinājums starp MC un LHS

Latīņu hiperkuba paraugu ņemšanas metode ir slāņveida paraugu ņemšanas metode. Uzlabojot ievades nejaušo mainīgo izlases ģenerēšanas procesu, izlases vērtība var efektīvi atspoguļot kopējo nejaušo mainīgo sadalījumu. Paraugu ņemšanas process ir sadalīts divos posmos.

(1) Paraugu ņemšana

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.

Bilde

2. attēls LHS shematiskā diagramma

(2) Permutācijas

No (1) iegūto gadījuma lielumu izlases vērtības ir secīgi sakārtotas, tāpēc korelācija starp m nejaušajiem mainīgajiem ir 1, ko nevar aprēķināt. Gram-Šmita sekvences ortogonalizācijas metodi var izmantot, lai samazinātu korelāciju starp nejaušo mainīgo izlases vērtībām. Pirmkārt, tiek ģenerēta matrica K×M secībā I=[I1, I2…, IK]T. Elementi katrā rindā ir nejauši sakārtoti no 1 līdz M, un tie atspoguļo sākotnējā nejaušā mainīgā izlases vērtības pozīciju.

Pozitīva iterācija

Bilde

A reverse iterative

Bilde

“Attēls” apzīmē piešķiršanu, izņemšana(Ik,Ij) apzīmē atlikušās vērtības aprēķinu lineārā regresijā Ik=a+bIj, rangs(Ik) apzīmē jaunu vektoru, ko veido elementu kārtas skaits orientācijā Ik no maza uz lielu.

Pēc divvirzienu iterācijas, līdz RMS vērtība ρ, kas atspoguļo korelāciju, nesamazinās, tiek iegūta katra nejaušā lieluma pozīcijas matrica pēc permutācijas, un tad var iegūt nejaušo mainīgo ar vismazāko korelāciju permutācijas matricu.

(5)

Kur attēlā ir korelācijas koeficients starp Ik un Ij, cov ir kovariācija un VAR ir dispersija.

2. Multi-objective optimization configuration of energy storage system

2.1 Objective function

Lai optimizētu enerģijas uzkrāšanas sistēmas jaudu un kapacitāti, tiek izveidota vairāku mērķu optimizācijas funkcija, ņemot vērā enerģijas uzkrāšanas sistēmas izmaksas, jaudas pārtraukšanas iespējamību un tīkla zudumus. Katra indikatora dažādo izmēru dēļ katram rādītājam tiek veikta noviržu standartizācija. Pēc noviržu standartizācijas dažādu mainīgo novēroto vērtību vērtību diapazons būs starp (0,1), un standartizētie dati ir tīrie lielumi bez vienībām. Faktiskajā situācijā var būt atšķirības katra rādītāja uzsvarā. Ja katram rādītājam tiek piešķirts noteikts svars, var analizēt un pētīt dažādus uzsvarus.

(6)

kur w ir optimizējamais indekss; Wmin un wmax ir sākotnējās funkcijas minimums un maksimums bez standartizācijas.

Mērķa funkcija ir

(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. Ģenētiskais algoritms

Ģenētiskais algoritms ir sava veida optimizācijas algoritms, kas izveidots, atdarinot ģenētiskos un evolūcijas likumus par dabā spēcīgāko izdzīvošanu un spēcīgāko izdzīvošanu. Vispirms ir jāveic kodēšana, sākotnēja populācija, kas katra kodē indivīda vārdā (iespējams problēmas risinājums), tāpēc katrs iespējamais risinājums ir no genotipa fenotipa transformācijas, katra indivīda izvēlei saskaņā ar dabas likumiem un atlasei. katru paaudzi uz nākamās paaudzes skaitļošanas vidi, lai pielāgotos spēcīgam indivīdam, līdz visvairāk pielāgojas indivīda videi. Pēc dekodēšanas tas ir aptuvens optimālais problēmas risinājums.

Šajā rakstā energosistēmu, ieskaitot fotoelementu un enerģijas uzkrāšanu, vispirms aprēķina ar varbūtības jaudas plūsmas algoritmu, un iegūtie dati tiek izmantoti kā ģenētiskā algoritma ievades mainīgais problēmas risināšanai. Aprēķinu process ir parādīts 3. attēlā, kas galvenokārt ir sadalīts šādos posmos:

Bilde

Zīm. 3 Algoritma plūsma

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

(2) Input the sampled data into the power flow calculation model and record the calculation results;

(3) The output results were encoded by chromosome to generate the initial population corresponding to the sampling value;

(4) Aprēķināt katra indivīda piemērotību populācijā;

(5) atlasīt, krustot un mutēt, lai radītu jaunu populācijas paaudzi;

(6) Judge whether the requirements are met, if not, return step (4); If yes, the optimal solution is output after decoding.

3. Piemēra analīze

The probabilistic power flow method is simulated and analyzed in the IEEE24-node test system shown in FIG. 4, in which the voltage level of 1-10 nodes is 138 kV, and that of 11-24 nodes is 230 kV.

Bilde

4. attēls IEEE24 mezgla pārbaudes sistēma

3.1. Fotoelementu elektrostacijas ietekme uz energosistēmu

Photovoltaic power station in power system, the location and capacity of power system will be affect the node voltage and branch power, therefore, before the analysis of the influence of the energy storage system for power grid, this section first analyzes the influence of photovoltaic power station on the system, photovoltaic access the system in this paper, the trend of the limit of the probability, the network loss and so on has carried on the simulation analysis.

As can be seen from FIG. 5(a), after photovoltaic power station is connected, nodes with smaller branch power flow overlimit are as follows: 11, 12, 13, 23, 13 to balance the node node, the node voltage and the phase Angle is given, have the effect of stable power grid power balance, 11, 12 and 23 instead of directly connected, as a result, several nodes connected to the limit the probability of smaller and more power, photovoltaic power station will access the node with balance effect is less on the impact of power system.

Bilde

5. attēls. (a) jaudas plūsmas ārpus robežas varbūtības summa (b) mezgla sprieguma svārstības (c) dažādu PV piekļuves punktu kopējais sistēmas tīkla zudums

Papildus jaudas plūsmas pārsniegumam šajā rakstā analizēta arī fotoelementu ietekme uz mezgla spriegumu, kā parādīts attēlā. 5(b). Salīdzināšanai izvēlētas mezglu 1, 3, 8, 13, 14, 15 un 19 sprieguma amplitūdu standartnovirzes. Kopumā fotoelektrisko elektrostaciju pieslēgšanai elektrotīklam nav lielas ietekmes uz mezglu spriegumu, bet fotoelektriskajām elektrostacijām ir liela ietekme uz a-mezglu un to tuvumā esošo mezglu spriegumu. Turklāt aprēķina piemērā pieņemtajā sistēmā, veicot salīdzinājumu, ir konstatēts, ka fotoelementu spēkstacija ir piemērotāka piekļuvei mezglu veidiem: ① mezgli ar augstāku sprieguma pakāpi, piemēram, 14, 15, 16 utt., spriegums gandrīz nemainās; (2) mezgli, ko atbalsta ģeneratori vai regulēšanas kameras, piemēram, 1, 2, 7 utt.; (3) līnijas pretestība mezgla galā ir liela.

In order to analyze the influence of PV access point on the total network loss of power system, this paper makes a comparison as shown in Figure 5(c). It can be seen that if some nodes with large load power and no power supply are connected to pv power station, the network loss of the system will be reduced. On the contrary, nodes 21, 22 and 23 are the power supply end, which is responsible for centralized power transmission. The photovoltaic power station connected to these nodes will cause large network loss. Therefore, the pv power station access point should be selected at the receiving end of power or the node with large load. This access mode can make the power flow distribution of the system more balanced and reduce the network loss of the system.

Balstoties uz trim faktoriem augstākminēto rezultātu analīzē, šajā darbā par fotogalvaniskās spēkstacijas piekļuves punktu ir ņemts mezgls 14, pēc tam tiek pētīta dažādu fotoelektrisko elektrostaciju jaudas ietekme uz energosistēmu.

6(a) attēlā ir analizēta fotoelektriskās jaudas ietekme uz sistēmu. Var redzēt, ka katra atzara aktīvās jaudas standartnovirze palielinās, palielinoties fotoelektriskajai jaudai, un starp tām ir pozitīva lineāra sakarība. Izņemot vairākus attēlā redzamos zarus, pārējo zaru standarta novirzes ir mazākas par 5 un parāda lineāru sakarību, kas zīmēšanas ērtībai tiek ignorēta. Redzams, ka fotoelementu tīkla savienojumam ir liela ietekme uz tieši savienoto ar fotoelementu piekļuves punktu vai blakus esošajiem atzariem jaudu. Ierobežotās elektropārvades līnijas pārvades dēļ būvniecības un investīciju apjoma pārvades līnijas ir milzīgas, tāpēc, uzstādot fotoelektrisko elektrostaciju, jāņem vērā transportēšanas jaudas ierobežojums, jāizvēlas mazākā ietekme uz līnijas piekļuvi vislabākajai vietai, turklāt fotoelementu spēkstacijas labākās jaudas izvēlei būs svarīga loma, lai samazinātu šo efektu.

Bilde

6. attēls. (a) Atzara aktīvās jaudas standartnovirze (b) Atzara jaudas plūsmas ārpus robežas iespējamība (c) Kopējais sistēmas tīkla zudums pie dažādām fotoelementu jaudām

Zīm. 6(b) salīdzina varbūtību, ka aktīvā jauda pārsniegs katras atzaras robežu pie dažādām pv elektrostaciju jaudām. Izņemot attēlā redzamos zarus, pārējie zari nepārsniedza limitu vai arī iespējamība bija ļoti maza. Salīdzinot ar Fig. 6 (a), var redzēt, ka ārpuslimita iespējamība un standarta novirze ne vienmēr ir saistītas. Līnijas aktīvā jauda ar lielām standarta novirzes svārstībām ne vienmēr ir ārpus robežām, un iemesls ir saistīts ar fotoelektriskās izejas jaudas pārraides virzienu. Ja tas ir tādā pašā virzienā kā sākotnējā atzara jaudas plūsma, maza fotoelektriskā jauda var izraisīt arī ierobežojumu. Ja pv jauda ir ļoti liela, jaudas plūsma nedrīkst pārsniegt ierobežojumu.

Zīm. 6 (c), sistēmas kopējais tīkla zudums palielinās, palielinoties fotoelektriskajai jaudai, taču šī ietekme nav acīmredzama. Palielinoties fotoelektriskajai jaudai par 60 MW, kopējais tīkla zudums palielinās tikai par 0.5%, ti, par 0.75 MW. Tāpēc, uzstādot pv elektrostacijas, tīkla zudumi jāuztver kā sekundārais faktors, un vispirms jāņem vērā faktori, kuriem ir lielāka ietekme uz sistēmas stabilu darbību, piemēram, pārvades līnijas jaudas svārstības un ārpus limita varbūtība. .

3.2 Impact of energy storage access on the system

3.1. sadaļa Fotogalvaniskās spēkstacijas piekļuves pozīcija un jauda ir atkarīga no energosistēmas