Streszczenie Wysoki udział wytwarzania energii fotowoltaicznej będzie miał negatywny wpływ na stabilność systemu elektroenergetycznego, a magazynowanie energii uważane jest za jeden ze skutecznych sposobów eliminacji tych skutków. Artykuł analizuje wpływ wytwarzania energii fotowoltaicznej na system elektroenergetyczny z perspektywy przepływu mocy, a następnie analizuje wpływ magazynowania energii na ograniczanie tego wpływu. W pierwszej kolejności wprowadzono model rozkładu prawdopodobieństwa i model magazynowania energii elementów systemu elektroenergetycznego, a także metodę próbkowania łacińskiego hipersześcianu i metodę normalizacji sekwencji grama-Schmidta. Po drugie, opracowano wielokryterialny model optymalizacji, w którym uwzględniono koszt systemu magazynowania energii, prawdopodobieństwo wyłączenia gałęziowego rozpływu mocy oraz straty sieciowe sieci elektroenergetycznej. Optymalne rozwiązanie funkcji celu uzyskano za pomocą algorytmu genetycznego. Ostatecznie symulacja jest przeprowadzana w systemie testowym węzła IEEE24 w celu przeanalizowania wpływu różnej mocy dostępu fotowoltaicznego i lokalizacji dostępu na system elektroenergetyczny oraz wpływu magazynowania energii na system elektroenergetyczny, a także optymalnej konfiguracji magazynowania energii odpowiadającej różnej mocy fotowoltaicznej jest uzyskiwany.

Słowa kluczowe energetyka fotowoltaiczna; System magazynowania energii; Zoptymalizowana konfiguracja; Prawdopodobieństwo przepływu mocy; Algorytm genetyczny (ga)

Wytwarzanie energii fotowoltaicznej ma zalety ekologicznej ochrony środowiska i odnawialnej i jest uważane za jedną z najbardziej potencjalnych energii odnawialnej. Do 2020 r. skumulowana moc zainstalowana w Chinach w zakresie wytwarzania energii fotowoltaicznej osiągnęła 253 mln kW. Nieciągłość i niepewność wielkoskalowej mocy fotowoltaicznej wpływają na system elektroenergetyczny, w tym na kwestie redukcji szczytów, stabilności i odrzucania światła, a sieć musi przyjąć bardziej elastyczne środki, aby poradzić sobie z tymi problemami. Uważa się, że magazynowanie energii jest skutecznym sposobem rozwiązania tych problemów. Zastosowanie systemu magazynowania energii przynosi nowe rozwiązanie dla podłączenia do sieci fotowoltaicznej na dużą skalę.

Obecnie prowadzonych jest wiele badań dotyczących wytwarzania energii fotowoltaicznej, systemu magazynowania energii oraz prawdopodobieństwa rozpływu mocy w kraju i za granicą. Duża liczba studiów literaturowych pokazuje, że magazynowanie energii może poprawić stopień wykorzystania fotowoltaiki i rozwiązać problem stabilności połączenia z siecią fotowoltaiczną. W konfiguracji systemu magazynowania energii w nowej elektrowni należy zwrócić uwagę nie tylko na strategię sterowania magazynem optycznym i magazynem wiatrowym, ale także na ekonomię systemu magazynowania energii. Ponadto dla optymalizacji pracy wielu magazynów energii w systemie elektroenergetycznym konieczne jest zbadanie modelu ekonomicznego pracy magazynów energii, wybór lokalizacji punktu początkowego i końcowego kanałów transmisji fotowoltaicznej oraz wybór miejsca magazynowania energii. Jednak dotychczasowe badania nad optymalną konfiguracją systemu magazynowania energii nie uwzględniają specyficznego wpływu na system elektroenergetyczny, a badania systemu wielopunktowego nie dotyczą wielkoskalowych charakterystyk pracy magazynu optycznego.

Wraz z rozwojem na dużą skalę niepewnej nowej generacji energii, takiej jak energia wiatrowa i fotowoltaika, konieczne jest obliczenie rozpływu mocy systemu elektroenergetycznego w planowaniu pracy systemu elektroenergetycznego. Na przykład w literaturze bada się optymalną lokalizację i alokację pojemności magazynów energii w systemie elektroenergetycznym z energetyką wiatrową. Ponadto przy obliczaniu rozpływu mocy należy również uwzględnić korelację między wieloma nowymi źródłami energii. Jednak wszystkie powyższe badania opierają się na deterministycznych metodach rozpływu mocy, które nie uwzględniają niepewności nowej generacji energii. W literaturze uwzględnia się niepewność energetyki wiatrowej i stosuje probabilistyczną metodę optymalnego rozpływu mocy do optymalizacji doboru lokalizacji systemu magazynowania energii, co poprawia ekonomikę eksploatacji.

Obecnie badacze proponują różne probabilistyczne algorytmy rozpływu mocy, a w literaturze proponowano metody eksploracji danych nieliniowego probabilistycznego rozpływu mocy oparte na metodzie symulacji Monte Carlo, ale aktualność metody Monte Carlo jest bardzo słaba. W literaturze proponuje się wykorzystanie probabilistycznego optymalnego rozpływu mocy do badania lokalizacji magazynu energii i stosuje się metodę punktową 2 m, ale dokładność obliczeń tej metody nie jest idealna. W artykule omówiono zastosowanie metody próbkowania hipersześcian łacińskich w obliczeniach rozpływów mocy, a wyższość metody próbkowania hipersześcian łacińskich zilustrowano przykładami liczbowymi.

W oparciu o powyższe badania w niniejszej pracy wykorzystano probabilistyczną metodę rozpływu mocy do zbadania optymalnej alokacji magazynowania energii w systemie elektroenergetycznym z wielkoskalową energetyką fotowoltaiczną. W pierwszej kolejności wprowadzono model rozkładu prawdopodobieństwa oraz metodę próbkowania łacińskiego hipersześcianu elementów systemu elektroenergetycznego. Po drugie, tworzony jest wielocelowy model optymalizacji uwzględniający koszt magazynowania energii, przepływ mocy powyżej prawdopodobieństwa granicznego oraz straty sieciowe. Ostatecznie analiza symulacyjna przeprowadzana jest w systemie testowania węzłów IEEE24.

1. Probabilistyczny model przepływu mocy

1.1 Model niepewności komponentów

Fotowoltaika, obciążenie i generator są zmiennymi losowymi obarczonymi niepewnością. W obliczeniach probabilistycznych rozpływów mocy w sieci rozdzielczej w literaturze wyjaśniony jest model probabilistyczny. Dzięki analizie danych historycznych moc wyjściowa wytwarzania energii fotowoltaicznej jest zgodna z dystrybucją BETA. Dopasowując rozkład prawdopodobieństwa mocy obciążenia zakłada się, że obciążenie ma rozkład normalny, a jego funkcja rozkładu gęstości prawdopodobieństwa wynosi

Obrazek 1)

Gdzie Pl jest mocą obciążenia; μ L i σ L to odpowiednio oczekiwanie i wariancja obciążenia.

Model prawdopodobieństwa generatora przyjmuje zwykle rozkład dwupunktowy, a jego funkcją rozkładu gęstości prawdopodobieństwa jest

(2)

Gdzie, P jest prawdopodobieństwem normalnej pracy generatora; PG to moc wyjściowa generatora.

Przy wystarczającym oświetleniu w południe moc czynna elektrowni fotowoltaicznej jest duża, a moc trudna do wykorzystania na czas zostanie zmagazynowana w akumulatorze energii. Gdy moc obciążenia jest wysoka, bateria magazynująca energię uwalnia zmagazynowaną energię. Równanie bilansu energii chwilowej systemu magazynowania energii to

Podczas ładowania

(3)

Kiedy absolutorium

(4)

Ograniczenie

Kino,

Kino,

Obraz, obraz

Gdzie St jest energią zmagazynowaną w czasie T; Pt jest mocą ładowania i rozładowania magazynu energii; SL i SG to odpowiednio energia ładowania i rozładowania. η C i η D oznaczają odpowiednio wydajność ładowania i rozładowania. Ds to współczynnik samorozładowania magazynowanej energii.

1.2 Metoda próbkowania łacińskiego hipersześcianu

Istnieją metody symulacyjne, przybliżone i analityczne, które można wykorzystać do analizy rozpływów mocy w systemie przy niepewnych czynnikach. Symulacja Monte Carlo jest jedną z najdokładniejszych metod w probabilistycznych algorytmach przepływu mocy, ale jej aktualność jest niska w porównaniu z wysoką precyzją. W przypadku małych czasów próbkowania metoda ta zwykle pomija ogon krzywej rozkładu prawdopodobieństwa, ale w celu poprawy dokładności wymaga zwiększenia czasów próbkowania. Metoda próbkowania łacińskiego hipersześcianu pozwala uniknąć tego problemu. Jest to hierarchiczna metoda pobierania próbek, która może zapewnić, że punkty pobierania próbek skutecznie odzwierciedlają rozkład prawdopodobieństwa i skutecznie skracają czas pobierania próbek.

Rysunek 1 przedstawia oczekiwanie i wariancję metody próbkowania łacińskiej hipersześcianu i metody symulacji Monte Carlo z czasami próbkowania od 10 do 200. Ogólny trend wyników uzyskanych obiema metodami jest malejący. Jednak oczekiwanie i wariancja uzyskane metodą Monte Carlo są bardzo niestabilne, a wyniki uzyskane w wielu symulacjach nie są takie same przy tych samych czasach próbkowania. Wariancja metody próbkowania łacińskiego hipersześcianu zmniejsza się stopniowo wraz ze wzrostem czasów próbkowania, a błąd względny spada do mniej niż 5%, gdy czasy próbkowania przekraczają 150. Warto zauważyć, że punkt próbkowania metody próbkowania łacińskiego hipersześcianu jest symetryczny względem osi Y, więc jego oczekiwany błąd wynosi 0, co również jest jego zaletą.

Zdjęcie

FIGA. 1 Porównanie różnych czasów próbkowania między MC i LHS

Metoda próbkowania łacińskiego hipersześcianu jest metodą próbkowania warstwowego. Ulepszając proces generowania próby wejściowych zmiennych losowych, wartość próby może skutecznie odzwierciedlać ogólny rozkład zmiennych losowych. Proces pobierania próbek dzieli się na dwa etapy.

(1) Pobieranie próbek

Xi (I = 1, 2,…,m) to m zmiennych losowych, a czasy próbkowania wynoszą N, jak pokazano na RYS. 2. Krzywa skumulowanego rozkładu prawdopodobieństwa Xi jest podzielona na przedział N o równych odstępach i bez nakładania się, punkt środkowy każdego przedziału jest wybierany jako wartość próbkowania prawdopodobieństwa Y, a następnie wartość próbkowania Xi= p-1 (Yi) jest obliczona za pomocą funkcji odwrotnej, a obliczona Xi jest wartością próbkowania zmiennej losowej.

Zdjęcie

Rysunek 2 schemat ideowy LHS

(2) Permutacje

Wartości losowania zmiennych losowych otrzymane z (1) są uporządkowane sekwencyjnie, więc korelacja między m zmiennymi losowymi wynosi 1, czego nie można obliczyć. Metodę ortogonalizacji sekwencji grama-Schmidta można zastosować w celu zmniejszenia korelacji między wartościami próbkowania zmiennych losowych. Najpierw generowana jest macierz rzędu K×M I=[I1, I2…, IK]T. Elementy w każdym rzędzie są losowo ułożone od 1 do M i reprezentują pozycję wartości próbkowania oryginalnej zmiennej losowej.

Pozytywna iteracja

Zdjęcie

Odwrotna iteracja

Zdjęcie

„Picture” reprezentuje przypisanie, takeout(Ik,Ij) reprezentuje obliczenie wartości rezydualnej w regresji liniowej Ik=a+bIj, rank(Ik) reprezentuje nowy wektor utworzony przez numer sekwencyjny elementów w orientacji Ik od małego do dużego.

Po dwukierunkowej iteracji do momentu, gdy wartość skuteczna ρ reprezentująca korelację nie zmniejszy się, otrzymuje się macierz pozycji każdej zmiennej losowej po permutacji, a następnie macierz permutacji zmiennych losowych o najmniejszej korelacji.

(5)

Gdzie obraz to współczynnik korelacji między Ik i Ij, cov to kowariancja, a VAR to wariancja.

2. Wielocelowa konfiguracja optymalizacji systemu magazynowania energii

2.1 Funkcja celu

W celu optymalizacji mocy i pojemności systemu magazynowania energii ustalana jest wielocelowa funkcja optymalizacji uwzględniająca koszt systemu magazynowania energii, prawdopodobieństwo wyłączenia mocy oraz utratę sieci. Ze względu na różne wymiary każdego wskaźnika, standaryzację odchyleń przeprowadza się dla każdego wskaźnika. Po standaryzacji odchyleń zakres wartości obserwowanych wartości różnych zmiennych będzie zawierał się w przedziale (0,1), a dane standaryzowane są czystymi wielkościami bez jednostek. W rzeczywistej sytuacji mogą wystąpić różnice w nacisku na każdy wskaźnik. Jeśli każdemu wskaźnikowi przypisuje się określoną wagę, można analizować i badać różne akcenty.

(6)

Gdzie w jest indeksem do optymalizacji; Wmin i wmax to minimum i maksimum oryginalnej funkcji bez standaryzacji.

Funkcja celu to

(7)

We wzorze λ1 ~ λ3 to współczynniki wagowe, Eloss, PE i CESS to odpowiednio standaryzowane straty w sieci oddziałów, prawdopodobieństwo przekroczenia mocy czynnej oddziału i koszt inwestycji w magazynowanie energii.

2.2 Algorytm genetyczny

Algorytm genetyczny jest rodzajem algorytmu optymalizacyjnego stworzonego przez naśladowanie genetycznych i ewolucyjnych praw przetrwania najsilniejszych i przetrwania najsilniejszych w przyrodzie. Najpierw kodowanie, populacja początkowa, każde kodowanie w imieniu jednostki (wykonalne rozwiązanie problemu), więc każde możliwe rozwiązanie jest od dla transformacji genotypu fenotypu, aby podjąć wybór zgodnie z prawami natury dla każdego osobnika i wybrany w każde pokolenie do następnej generacji środowiska obliczeniowego, aby dostosować się do silnej jednostki, aż do najbardziej przystosowanego do środowiska jednostki, Po zdekodowaniu jest to przybliżone optymalne rozwiązanie problemu.

W niniejszej pracy system elektroenergetyczny obejmujący fotowoltaikę i magazynowanie energii jest najpierw obliczany przez algorytm probabilistyczny przepływu mocy, a uzyskane dane są wykorzystywane jako zmienna wejściowa algorytmu genetycznego do rozwiązania problemu. Proces obliczeń pokazano na rysunku 3, który dzieli się głównie na następujące kroki:

Zdjęcie

FIGA. 3 Przepływ algorytmu

(1) System wprowadzania danych, dane fotowoltaiczne i magazynowania energii oraz wykonywanie próbkowania hipersześcianów łacińskich i ortogonalizacji sekwencji Grama-Schmidta;

(2) Wprowadź próbkowane dane do modelu obliczeniowego przepływu mocy i zapisz wyniki obliczeń;

(3) Wyniki wyjściowe zostały zakodowane przez chromosom, aby wygenerować początkową populację odpowiadającą wartości próbki;

(4) Oblicz przydatność każdego osobnika w populacji;

(5) selekcjonowanie, krzyżowanie i mutowanie w celu wytworzenia nowego pokolenia populacji;

(6) Oceń, czy wymagania są spełnione, jeśli nie, zwróć krok (4); Jeśli tak, optymalne rozwiązanie jest wyprowadzane po dekodowaniu.

3. Przykładowa analiza

Metoda probabilistycznego przepływu mocy jest symulowana i analizowana w systemie testowym IEEE24-węzłowym przedstawionym na RYS. 4, w którym poziom napięcia 1-10 węzłów wynosi 138 kV, a 11-24 węzłów 230 kV.

Zdjęcie

Rysunek 4 System testowania węzłów IEEE24

3.1 Wpływ elektrowni fotowoltaicznej na system elektroenergetyczny

Elektrownia fotowoltaiczna w systemie elektroenergetycznym, lokalizacja i moc systemu elektroenergetycznego będą miały wpływ na napięcie węzłowe i moc gałęzi, dlatego przed analizą wpływu systemu magazynowania energii na sieć elektroenergetyczną, w tym rozdziale najpierw analizowany jest wpływ mocy fotowoltaicznej stacji w systemie, dostęp fotowoltaiczny do systemu w tym artykule, trend granicy prawdopodobieństwa, utrata sieci i tak dalej, przeprowadzono analizę symulacyjną.

Jak widać na FIG. 5(a), po podłączeniu elektrowni fotowoltaicznej węzły o mniejszym przekroczeniu rozgałęzienia mocy są następujące: 11, 12, 13, 23, 13 w celu zbilansowania węzła węzłowego podane jest napięcie w węźle i kąt fazowy, mają efekt stabilnego bilansu mocy sieci, 11, 12 i 23 zamiast bezpośrednio podłączonych, w efekcie kilka węzłów podłączonych do ogranicza prawdopodobieństwo coraz mniejszej i większej mocy, elektrownia fotowoltaiczna będzie miała dostęp do węzła z efektem bilansu jest mniejsze na wpływ systemu elektroenergetycznego.

Zdjęcie

Rysunek 5. (a) suma prawdopodobieństwa wyłączenia przepływu mocy (b) wahania napięcia w węźle (c) całkowita utrata sieci systemowej w różnych punktach dostępu PV

Oprócz przekroczenia przepływu mocy, w artykule przeanalizowano również wpływ fotowoltaiki na napięcie węzłowe, co pokazano na RYS. 5b). Do porównania wybrano odchylenia standardowe amplitud napięć węzłów 1, 3, 8, 13, 14, 15 i 19. Ogólnie rzecz biorąc, podłączenie elektrowni fotowoltaicznych do sieci elektroenergetycznej nie ma dużego wpływu na napięcie węzłów, natomiast elektrownie fotowoltaiczne mają duży wpływ na napięcie a-węzłów i ich pobliskich węzłów. Ponadto, w układzie przyjętym w przykładzie obliczeniowym, poprzez porównanie stwierdzono, że elektrownia fotowoltaiczna jest bardziej odpowiednia dla dostępu do typów węzłów: ① węzły o wyższej klasie napięcia, np. 14, 15, 16 itd., napięcie prawie się nie zmienia; (2) węzły obsługiwane przez generatory lub kamery dostosowujące, takie jak 1, 2, 7 itd.; (3) w linii opór jest duży na końcu węzła.

W celu przeanalizowania wpływu punktu dostępowego PV na całkowitą utratę sieci w systemie elektroenergetycznym, w niniejszym artykule dokonano porównania, jak pokazano na rysunku 5(c). Można zauważyć, że jeśli do elektrowni fotowoltaicznej zostaną podłączone niektóre węzły o dużej mocy obciążenia i braku zasilania, straty sieciowe systemu zostaną zmniejszone. Wręcz przeciwnie, węzły 21, 22 i 23 są końcówką zasilania, która odpowiada za scentralizowany przesył energii. Elektrownia fotowoltaiczna podłączona do tych węzłów spowoduje duże straty w sieci. Dlatego punkt dostępu do elektrowni fotowoltaicznej powinien być wybrany na końcu odbioru mocy lub w węźle o dużym obciążeniu. Ten tryb dostępu może sprawić, że rozkład przepływu mocy w systemie będzie bardziej zrównoważony i zmniejszyć straty sieciowe systemu.

W oparciu o trzy czynniki w analizie powyższych wyników jako punkt dostępowy elektrowni fotowoltaicznej w niniejszym artykule przyjęto węzeł 14, a następnie zbadano wpływ mocy różnych elektrowni fotowoltaicznych na system elektroenergetyczny.

Rysunek 6(a) analizuje wpływ mocy fotowoltaicznej na system. Widać, że odchylenie standardowe mocy czynnej każdej gałęzi wzrasta wraz ze wzrostem pojemności fotowoltaicznej i istnieje między nimi dodatnia zależność liniowa. Z wyjątkiem kilku gałęzi pokazanych na rysunku, wszystkie odchylenia standardowe innych gałęzi są mniejsze niż 5 i wykazują zależność liniową, które są ignorowane dla wygody rysowania. Widać, że podłączenie do sieci fotowoltaicznej ma duży wpływ na moc bezpośrednio połączonych z fotowoltaicznym punktem dostępowym lub sąsiednimi odgałęzieniami. Ze względu na ograniczoną moc przesyłową linią przesyłową, linie przesyłowe ilości budowy i inwestycji są ogromne, dlatego instalując elektrownię fotowoltaiczną, należy wziąć pod uwagę ograniczenie zdolności przesyłowych, wybrać najmniejszy wpływ na dostęp linii do najlepszej lokalizacji, dodatkowo, wybór najlepszej mocy elektrowni fotowoltaicznej będzie odgrywał ważną rolę w ograniczeniu tego efektu.

Zdjęcie

Rysunek 6. (a) Odchylenie standardowe mocy czynnej w gałęzi (b) Prawdopodobieństwo przekroczenia dopuszczalnego przepływu mocy w gałęzi (c) Całkowita utrata sieci systemowej przy różnych mocach fotowoltaicznych

FIGA. 6(b) porównuje prawdopodobieństwo przekroczenia przez moc czynną limitu każdej gałęzi przy różnych mocach elektrowni fotowoltaicznej. Poza gałęziami pokazanymi na rysunku, pozostałe gałęzie nie przekroczyły limitu lub prawdopodobieństwo było bardzo małe. W porównaniu z RYS. 6(a), można zauważyć, że prawdopodobieństwo wystąpienia wartości poza granicami i odchylenia standardowego niekoniecznie są ze sobą powiązane. Moc czynna linii o dużych wahaniach odchylenia standardowego nie musi koniecznie ograniczać się, a przyczyna jest związana z kierunkiem przesyłu mocy wyjściowej fotowoltaiki. Jeśli jest w tym samym kierunku, co pierwotny przepływ mocy w odgałęzieniu, niewielka moc fotowoltaiczna może również spowodować wyłączenie. Gdy moc PV jest bardzo duża, przepływ mocy nie może przekroczyć limitu.

Na RYS. 6(c), całkowita utrata sieci w systemie rośnie wraz ze wzrostem mocy fotowoltaicznej, ale efekt ten nie jest oczywisty. Przy wzroście mocy fotowoltaicznej o 60 MW całkowita strata w sieci wzrasta tylko o 0.5%, czyli 0.75 MW. Dlatego przy instalacji elektrowni fotowoltaicznych straty sieciowe należy traktować jako czynnik drugorzędny, a w pierwszej kolejności należy wziąć pod uwagę czynniki, które mają większy wpływ na stabilną pracę systemu, takie jak wahania mocy linii przesyłowej i prawdopodobieństwo przekroczenia limitu. .

3.2 Wpływ dostępu do magazynów energii na system

Sekcja 3.1 Pozycja dostępu i moc elektrowni fotowoltaicznej zależą od systemu elektroenergetycznego