Sammendrag En høy andel av fotovoltaisk kraftproduksjon vil ha negative effekter på kraftsystemets stabilitet, og energilagring anses å være et av de effektive virkemidlene for å eliminere disse effektene. Denne artikkelen analyserer påvirkningen av fotovoltaisk kraftproduksjon på kraftsystemet fra kraftflytens perspektiv, og analyserer deretter effekten av energilagring på å begrense påvirkningen. Først introduseres sannsynlighetsfordelingsmodellen og energilagringsmodellen for komponenter i kraftsystemet, og den latinske hyperkube-samplingsmetoden og gram-Schmidt-sekvensnormaliseringsmetoden introduseres. For det andre ble det etablert en multi-objektiv optimaliseringsmodell, som tok for seg kostnaden for energilagringssystemet, den off-limit sannsynligheten for grenstrøm og nettverkstapet i kraftnettet. Den optimale løsningen av den objektive funksjonen ble oppnådd ved hjelp av genetisk algoritme. Til slutt utføres simuleringen i IEEE24 nodetestsystem for å analysere påvirkningen av forskjellig fotovoltaisk tilgangskapasitet og tilgangsplassering på kraftsystemet og effekten av energilagring på kraftsystemet, og den optimale energilagringskonfigurasjonen tilsvarende forskjellig fotovoltaisk kapasitet er oppnådd.

Stikkord fotovoltaisk kraftproduksjon; Energilagringssystem; Optimalisert konfigurasjon; Sannsynlighet strømflyt; Genetisk algoritme (ga)

Fotovoltaisk kraftproduksjon har fordelene med grønn miljøvern og fornybar, og anses å være en av de mest potensielle fornybare energiene. Innen 2020 har Kinas kumulative installerte kapasitet for fotovoltaisk kraftproduksjon nådd 253 millioner kw. Intermittensen og usikkerheten til storskala PV-kraft påvirker kraftsystemet, inkludert problemer med toppbarbering, stabilitet og lyskasting, og nettet må vedta mer fleksible tiltak for å takle disse problemene. Energilagring anses å være en effektiv måte å løse disse problemene på. Anvendelsen av energilagringssystem bringer en ny løsning for storskala fotovoltaisk nettforbindelse.

For tiden er det mange undersøkelser på fotovoltaisk kraftproduksjon, energilagringssystem og sannsynlig strømstrøm hjemme og i utlandet. Et stort antall litteraturstudier viser at energilagring kan forbedre utnyttelsesgraden av solceller og løse stabiliteten til solcellenettforbindelse. I konfigurasjonen av energilagringssystem i ny energikraftstasjon, bør oppmerksomhet ikke bare rettes mot kontrollstrategien for optisk lagring og vindlagring, men også til økonomien til energilagringssystem. I tillegg, for optimalisering av flere energilagringskraftverk i kraftsystemet, er det nødvendig å studere den økonomiske modellen for driften av energilagringskraftverk, valg av sted for startpunkt og sluttpunkt for fotovoltaiske overføringskanaler og stedsvalg av energilagring. Den eksisterende forskningen på optimal konfigurasjon av energilagringssystem vurderer imidlertid ikke den spesifikke innvirkningen på kraftsystemet, og forskningen på flerpunktssystem involverer ikke storskala optiske lagringsoperasjonsegenskaper.

Med storstilt utbygging av usikker ny energikraftproduksjon som vindkraft og solcelle, er det nødvendig å beregne kraftstrømmen til kraftsystemet i driftsplanleggingen av kraftsystemet. For eksempel studerer litteraturen optimal plassering og kapasitetsfordeling av energilagring i kraftsystemet med vindkraft. I tillegg bør korrelasjonen mellom flere nye energikilder også vurderes i beregningen av kraftstrøm. Imidlertid er alle de ovennevnte studiene basert på deterministiske kraftstrømmetoder, som ikke tar hensyn til usikkerheten ved ny energiproduksjon. Litteraturen tar for seg usikkerheten til vindkraft og anvender den probabilistiske optimale kraftflytmetoden for å optimalisere stedsvalget av energilagringssystem, noe som forbedrer driftsøkonomien.

For tiden har forskjellige sannsynlige kraftstrømningsalgoritmer blitt foreslått av forskere, og datautvinningsmetoder for ikke-lineær probabilistisk kraftstrøm basert på Monte Carlo-simuleringsmetoden har blitt foreslått i litteraturen, men aktualiteten til Monte Carlo-metoden er svært dårlig. Det er foreslått i litteraturen å bruke den probabilistiske optimale kraftstrømmen for å studere plassering av energilagring, og 2 m-punktsmetoden brukes, men beregningsnøyaktigheten til denne metoden er ikke ideell. Anvendelsen av den latinske hyperkube-samplingsmetoden i kraftstrømberegning er studert i denne artikkelen, og overlegenheten til den latinske hyperkube-samplingsmetoden er illustrert med numeriske eksempler.

Basert på forskningen ovenfor, bruker denne artikkelen den sannsynlige kraftstrømmetoden for å studere den optimale tildelingen av energilagring i kraftsystemet med storskala fotovoltaisk kraftproduksjon. Først introduseres sannsynlighetsfordelingsmodellen og latinske hyperkube-samplingsmetode for komponenter i kraftsystem. For det andre etableres en multi-objektiv optimaliseringsmodell som tar i betraktning energilagringskostnad, strømflyt over grensesannsynlighet og nettverkstap. Til slutt utføres simuleringsanalysen i IEEE24 nodetestsystem.

1. Probabilistisk kraftflytmodell

1.1 Usikkerhetsmodell av komponenter

Solcelle, last og generator er alle tilfeldige variabler med usikkerhet. I beregningen av probabilistisk kraftstrøm til distribusjonsnett er den sannsynlige modellen forklart i litteraturen. Gjennom analyse av historiske data følger utgangseffekten fra solcellekraftproduksjon BETA-distribusjon. Ved å tilpasse sannsynlighetsfordelingen av lastkraft antas det at last følger normalfordeling, og dens sannsynlighetstetthetsfordelingsfunksjon er

Bilde (1)

Hvor, Pl er lasteeffekten; μ L og σ L er henholdsvis forventningen og variansen til last.

Sannsynlighetsmodellen til generator bruker vanligvis topunktsfordeling, og dens sannsynlighetstetthetsfordelingsfunksjon er

(2)

Hvor P er sannsynligheten for normal drift av generatoren; PG er utgangseffekten til generatoren.

Når lyset er tilstrekkelig ved middagstid, er solcellestasjonens aktive effekt stor, og kraften som er vanskelig å bruke i tide vil bli lagret i energilagerbatteriet. Når lasteeffekten er høy, vil energilagringsbatteriet frigjøre den lagrede energien. Den øyeblikkelige energibalanseligningen til energilagringssystemet er

Ved lading

(3)

Når utslippet

(4)

Begrensningen

Bilder,

Bilder,

Bilde, bilde

Hvor St er energien som er lagret på tidspunktet T; Pt er lade- og utladningskraften til energilagring; SL og SG er energien til henholdsvis lading og utlading. η C og η D er henholdsvis lade- og utladningseffektivitet. Ds er selvutladingshastigheten for energilagring.

1.2 Latin hypercube prøvetakingsmetode

Det er simuleringsmetode, tilnærmet metode og analysemetode som kan brukes til å analysere systemets strømflyt under usikre faktorer. Monte Carlo-simulering er en av de mest nøyaktige metodene i probabilistiske kraftflytalgoritmer, men aktualiteten er lav sammenlignet med høy presisjon. Ved lave prøvetakingstider ignorerer denne metoden vanligvis halen av sannsynlighetsfordelingskurven, men for å forbedre nøyaktigheten må prøvetakingstidene økes. Latin hypercube prøvetakingsmetode unngår dette problemet. Det er en hierarkisk prøvetakingsmetode, som kan sikre at prøvepunktene reflekterer sannsynlighetsfordelingen effektivt og reduserer prøvetakingstidene effektivt.

Figur 1 viser forventningen og variansen til den latinske hyperkube-samplingsmetoden og Monte Carlo-simuleringsmetoden med samplingstider fra 10 til 200. Den generelle trenden for resultater oppnådd med de to metodene er synkende. Forventningen og variansen oppnådd med Monte Carlo-metoden er imidlertid svært ustabil, og resultatene oppnådd ved flere simuleringer er ikke de samme med samme prøvetakingstider. Variansen for den latinske hyperkube-samplingsmetoden avtar jevnt og trutt med økningen av samplingstider, og den relative feilen avtar til mindre enn 5 % når samplingstidene er mer enn 150. Det er verdt å merke seg at samplingspunktet for den latinske hyperkube-samplingsmetoden er symmetrisk om Y-aksen, så den forventede feilen er 0, noe som også er fordelen.

Bildet

FIG. 1 Sammenligning av ulike prøvetakingstider mellom MC og LHS

Latin hypercube prøvetakingsmetode er en lagdelt prøvetakingsmetode. Ved å forbedre prøvegenereringsprosessen for input tilfeldige variabler, kan samplingsverdien effektivt gjenspeile den totale fordelingen av tilfeldige variabler. Prøvetakingsprosessen er delt inn i to trinn.

(1) Prøvetaking

Xi (I = 1, 2,… ,m) er m tilfeldige variabler, og prøvetakingstidene er N, som vist i FIG. 2. Den kumulative sannsynlighetsfordelingskurven til Xi er delt inn i N-intervall med lik avstand og ingen overlapping, midtpunktet av hvert intervall velges som samplingsverdien for sannsynlighet Y, og deretter er samplingsverdien Xi= p-1 (Yi) beregnet ved å bruke invers funksjon, og den beregnede Xi er samplingsverdien til tilfeldig variabel.

Bildet

Figur 2 skjematisk diagram av LHS

(2) Permutasjoner

Samplingsverdiene til tilfeldige variabler hentet fra (1) er sekvensielt ordnet, slik at korrelasjonen mellom m tilfeldige variabler er 1, som ikke kan beregnes. Gram-Schmidt-sekvensortogonaliseringsmetoden kan brukes for å redusere korrelasjonen mellom samplingsverdiene til tilfeldige variabler. Først genereres en matrise av K×M orden I=[I1, I2…, IK]T. Elementene i hver rad er tilfeldig ordnet fra 1 til M, og de representerer posisjonen til samplingsverdien til den opprinnelige tilfeldige variabelen.

Positiv iterasjon

Bildet

En omvendt iterativ

Bildet

“Bilde” representerer tilordning, takeout(Ik,Ij) representerer beregning av restverdi i lineær regresjon Ik=a+bIj, rang(Ik) representerer ny vektor dannet av sekvensnummeret av elementer i orientering Ik fra liten til stor.

Etter toveis iterasjon inntil RMS-verdien ρ, som representerer korrelasjonen, ikke synker, oppnås posisjonsmatrisen for hver tilfeldig variabel etter permutasjon, og deretter kan permutasjonsmatrisen av tilfeldige variabler med minst korrelasjon oppnås.

(5)

Hvor bildet er korrelasjonskoeffisient mellom Ik og Ij, cov er kovarians, og VAR er varians.

2. Multi-objektiv optimaliseringskonfigurasjon av energilagringssystem

2.1 Objektiv funksjon

For å optimere kraften og kapasiteten til energilagringssystemet, etableres en multi-objektiv optimaliseringsfunksjon med tanke på kostnadene for energilagringssystemet, sannsynligheten for strømavbrudd og nettverkstapet. På grunn av de ulike dimensjonene til hver indikator, utføres avviksstandardisering for hver indikator. Etter avviksstandardisering vil verdiområdet for observerte verdier til ulike variabler være mellom (0,1), og de standardiserte dataene er rene størrelser uten enheter. I den faktiske situasjonen kan det være forskjeller i vektleggingen av hver indikator. Hvis hver indikator tillegges en viss vekt, kan ulike vektlegginger analyseres og studeres.

(6)

Hvor, w er indeksen som skal optimaliseres; Wmin og wmax er minimum og maksimum av den opprinnelige funksjonen uten standardisering.

Den objektive funksjonen er

(7)

I formelen er λ1 ~ λ3 vektkoeffisienter, Eloss, PE og CESS er standardisert grennettverkstap, grenens aktiv kraftkryssningssannsynlighet og energilagringsinvesteringskostnad.

2.2 Genetisk algoritme

Genetisk algoritme er en slags optimaliseringsalgoritme etablert ved å imitere de genetiske og evolusjonære lovene for overlevelse av de sterkeste og overlevelse av de sterkeste i naturen. Det første til koding, innledende populasjon hver koding på vegne av et individ (en gjennomførbar løsning på problemet), så hver mulig løsning er fra for genotype fenotypetransformasjon, for å påta seg å velge i henhold til naturlovene for hvert individ, og valgt i hver generasjon til neste generasjon av databehandling miljø for å tilpasse seg den sterke individuelle, inntil den mest tilpasningsdyktige til miljøet til den enkelte, Etter dekoding, er det omtrentlig optimal løsning av problemet.

I denne artikkelen blir kraftsystemet inkludert solcelle- og energilagring først beregnet av den sannsynlige kraftstrømalgoritmen, og de oppnådde dataene brukes som inngangsvariabelen til den genetiske algoritmen for å løse problemet. Beregningsprosessen er vist i figur 3, som hovedsakelig er delt inn i følgende trinn:

Bildet

FIG. 3 Algoritmeflyt

(1) Inndatasystem, solcelle- og energilagringsdata, og utføre latinske hyperkube-sampling og Gram-Schmidt-sekvensortogonalisering;

(2) Legg inn de samplede dataene i beregningsmodellen for strømstrøm og registrer beregningsresultatene;

(3) Utgangsresultatene ble kodet av kromosom for å generere den innledende populasjonen som tilsvarer prøvetakingsverdien;

(4) Beregn egnetheten til hvert individ i befolkningen;

(5) velge, krysse og mutere for å produsere en ny generasjon av befolkningen;

(6) Vurder om kravene er oppfylt, hvis ikke, gå tilbake til trinn (4); Hvis ja, gis den optimale løsningen ut etter dekoding.

3. Eksempelanalyse

Den sannsynlige kraftstrømmetoden simuleres og analyseres i IEEE24-nodetestsystemet vist i FIG. 4, hvor spenningsnivået for 1-10 noder er 138 kV, og det for 11-24 noder er 230 kV.

Bildet

Figur 4 IEEE24 node testsystem

3.1 Påvirkning av solcellekraftverk på kraftsystemet

Fotovoltaisk kraftstasjon i kraftsystemet, plasseringen og kapasiteten til kraftsystemet vil påvirke nodespenningen og grenkraften, derfor, før analysen av påvirkningen fra energilagringssystemet for kraftnettet, analyserer denne delen først påvirkningen av solcellekraft. stasjon på systemet, solceller tilgang til systemet i denne artikkelen, trenden med grensen for sannsynligheten, nettverkstapet og så videre har gjennomført simuleringsanalysen.

Som det fremgår av fig. 5(a), etter at fotovoltaisk kraftstasjon er tilkoblet, er noder med mindre grenstrømovergrense som følger: 11, 12, 13, 23, 13 for å balansere noden node, nodespenningen og fasevinkelen er gitt, har effekt av stabil strømnettet kraftbalanse, 11, 12 og 23 i stedet for direkte koblet, som et resultat, flere noder koblet til grensen sannsynligheten for mindre og mer kraft, vil solcellekraftverk få tilgang til noden med balanseeffekt er mindre på effekt av kraftsystemet.

Bildet

Figur 5. (a) summen av strømstrøm utenfor grense-sannsynlighet (b) nodespenningsfluktuasjon (c) totalt systemnettverkstap for forskjellige PV-aksesspunkter

I tillegg til overskridelsen av strømstrømmen, analyserer denne artikkelen også påvirkningen av solceller på nodespenningen, som vist i FIG. 5(b). Standardavvikene for spenningsamplitudene til nodene 1, 3, 8, 13, 14, 15 og 19 er valgt for sammenligning. I det hele tatt har ikke koblingen av solcellekraftverk til strømnettet stor innflytelse på spenningen til noder, men solcellestasjonene har stor innflytelse på spenningen til a-Noder og deres nærliggende noder. I tillegg, i systemet tatt i bruk av beregningseksemplet, gjennom sammenligning, er det funnet at solcellekraftverk er mer egnet for tilgang til nodetypene: ① noder med høyere spenningsgrad, slik som 14, 15, 16, etc., spenningen endres nesten ikke; (2) noder støttet av generatorer eller justeringskameraer, slik som 1, 2, 7, etc.; (3) i linjen motstanden er stor på slutten av noden.

For å analysere påvirkningen av PV-tilgangspunkt på det totale nettverkstapet av kraftsystemet, gjør denne artikkelen en sammenligning som vist i figur 5(c). Det kan ses at dersom noen noder med stor belastningseffekt og ingen strømforsyning kobles til pv kraftstasjon, vil nettverkstapet til systemet reduseres. Tvert imot er nodene 21, 22 og 23 strømforsyningsenden, som er ansvarlig for sentralisert kraftoverføring. Solcellestasjonen koblet til disse nodene vil gi store nettap. Derfor bør pv-kraftstasjonens tilgangspunkt velges ved mottakerenden av kraft eller noden med stor belastning. Denne tilgangsmodusen kan gjøre strømfordelingen til systemet mer balansert og redusere nettverkstapet til systemet.

Basert på de tre faktorene i analysen av resultatene ovenfor, er node 14 tatt som tilgangspunkt for solcellekraftverk i denne artikkelen, og deretter studeres påvirkningen av kapasiteten til ulike solcellekraftverk på kraftsystemet.

Figur 6(a) analyserer påvirkningen av solcellekapasitet på systemet. Det kan sees at standardavviket til den aktive kraften til hver gren øker med økningen av fotovoltaisk kapasitet, og det er en positiv lineær sammenheng mellom de to. Bortsett fra flere grener vist i figuren, er standardavvikene til andre grener alle mindre enn 5 og viser et lineært forhold, som ignoreres for å gjøre det lettere å tegne. Det kan sees at fotovoltaisk nettforbindelse har stor innflytelse på kraften til direkte koblet til fotovoltaisk tilgangspunkt eller tilstøtende grener. På grunn av begrenset kraftoverføringslinje, er overføringslinjene av mengder konstruksjon og investeringer enorme, så installering av en solcellekraftstasjon bør vurdere begrensningen av transportkapasitet, velge den minste innflytelsen på linjetilgang til den beste plasseringen, i tillegg, å velge den beste kapasiteten til solcellekraftverk vil spille en viktig rolle for å redusere denne effekten.

Bildet

Figur 6. (a) Branch aktiv effekt standardavvik (b) grenstrøm strøm utenfor grensen sannsynlighet (c) totalt systemnettverkstap under forskjellige fotovoltaiske kapasiteter

FIG. 6(b) sammenligner sannsynligheten for at aktiv effekt overskrider grensen for hver gren under forskjellige pv-kraftstasjonskapasiteter. Bortsett fra grenene vist i figuren, overskred ikke de andre grenene grensen eller sannsynligheten var svært liten. Sammenlignet med fig. 6(a), kan man se at sannsynligheten for off-limit og standardavvik ikke nødvendigvis henger sammen. Den aktive effekten til en linje med store standardavvikssvingninger er ikke nødvendigvis off-limit, og årsaken er knyttet til overføringsretningen til fotovoltaisk utgangseffekt. Hvis den er i samme retning som den opprinnelige grenstrømstrømmen, kan liten fotovoltaisk kraft også føre til off-limit. Når pv-effekten er veldig stor, kan strømstrømmen ikke overskride grensen.

I fig. 6(c), øker systemets totale nettverkstap med økningen av fotovoltaisk kapasitet, men denne effekten er ikke åpenbar. Når solcellekapasiteten øker med 60 MW, øker det totale nettapet kun med 0.5 %, altså 0.75 MW. Ved installasjon av pv-kraftstasjoner bør derfor nettap tas som en sekundær faktor, og faktorer som har større innvirkning på den stabile driften av systemet bør vurderes først, slik som svingninger i overføringslinjens kraft og sannsynlighet utenfor grensen. .

3.2 Påvirkning av tilgang til energilagring på systemet

Pkt. 3.1 Adkomstposisjon og kapasitet til solcellekraftverk avhenger av kraftsystemet