Аннотация Высокая доля производства фотоэлектрической энергии будет иметь неблагоприятные последствия для стабильности энергосистемы, и накопление энергии считается одним из эффективных средств устранения этих эффектов. В этой статье анализируется влияние фотогальванической выработки электроэнергии на энергосистему с точки зрения потока энергии, а затем анализируется влияние накопления энергии на сдерживание этого влияния. Во-первых, вводятся модель распределения вероятностей и модель накопления энергии компонентов в энергосистеме, а также вводятся метод выборки латинского гиперкуба и метод нормализации последовательности Грама-Шмидта. Во-вторых, была создана многоцелевая модель оптимизации, которая учитывала стоимость системы накопления энергии, исключительную вероятность перетока мощности в филиалах и сетевых потерь в энергосистеме. Оптимальное решение целевой функции получено с помощью генетического алгоритма. Наконец, моделирование выполняется в тестовой системе узла IEEE24 для анализа влияния различной емкости фотоэлектрического доступа и местоположения доступа на энергосистему, а также влияния накопления энергии на энергосистему, а также оптимальной конфигурации накопителя энергии, соответствующей разной фотоэлектрической емкости. получается.

Ключевые слова фотоэлектрическая энергетика; Система накопления энергии; Оптимизированная конфигурация; Вероятность перетока мощности; Генетический алгоритм (ga)

Фотогальваническое производство электроэнергии имеет преимущества экологической защиты окружающей среды и использования возобновляемых источников энергии, и считается одним из наиболее потенциальных возобновляемых источников энергии. К 2020 году совокупная установленная мощность производства фотоэлектрической энергии в Китае достигнет 253 млн кВт. Непостоянство и неопределенность крупномасштабной фотоэлектрической энергии влияют на энергосистему, включая проблемы сглаживания пиков, стабильности и сброса света, и энергосистеме необходимо принимать более гибкие меры для решения этих проблем. Накопление энергии считается эффективным способом решения этих проблем. Применение системы накопления энергии дает новое решение для крупномасштабного подключения к фотоэлектрической сети.

В настоящее время проводится множество исследований по производству фотоэлектрической энергии, системам накопления энергии и вероятности перетока энергии внутри страны и за границу. Большое количество литературных исследований показывает, что накопление энергии может улучшить коэффициент использования фотоэлектрических систем и решить проблему стабильности подключения фотоэлектрических сетей. При конфигурации системы накопления энергии на новой электростанции следует уделять внимание не только стратегии управления оптическими накопителями и накопителями энергии ветра, но и экономичности системы накопления энергии. Кроме того, для оптимизации нескольких электростанций с накоплением энергии в энергосистеме необходимо изучить экономическую модель работы электростанций с накоплением энергии, выбор места начала и конца каналов фотоэлектрической передачи и выбор места хранения энергии. Тем не менее, существующие исследования оптимальной конфигурации системы накопления энергии не учитывают конкретное влияние на энергосистему, а исследования многоточечной системы не затрагивают характеристики работы крупномасштабных оптических накопителей.

В связи с крупномасштабным развитием неопределенных новых источников энергии, таких как ветровая и фотоэлектрическая, необходимо рассчитать поток энергии в энергосистеме при планировании эксплуатации энергосистемы. Например, в литературе изучается оптимальное расположение и распределение мощностей накопителей энергии в энергосистеме с использованием энергии ветра. Кроме того, при расчете потока мощности также следует учитывать корреляцию между несколькими новыми источниками энергии. Однако все вышеперечисленные исследования основаны на детерминированных методах потока мощности, которые не учитывают неопределенность нового поколения энергии. В литературе рассматривается неопределенность ветровой энергии и применяется метод вероятностного оптимального потока мощности для оптимизации выбора места установки системы хранения энергии, что повышает экономичность эксплуатации.

В настоящее время учеными были предложены различные алгоритмы вероятностного потока мощности, и в литературе были предложены методы анализа данных нелинейного вероятностного потока мощности, основанные на методе моделирования Монте-Карло, но своевременность метода Монте-Карло очень низка. В литературе предлагается использовать вероятностный оптимальный поток мощности для исследования местоположения накопителя энергии, и используется метод точки 2 м, но точность расчета этого метода не идеальна. В данной статье исследуется применение метода выборки из латинского гиперкуба в расчетах потока мощности, а превосходство метода выборки из латинского гиперкуба иллюстрируется численными примерами.

Основываясь на вышеупомянутом исследовании, в данной статье используется метод вероятностного потока мощности для изучения оптимального распределения накопителей энергии в энергосистеме с крупномасштабным фотоэлектрическим генерированием энергии. Во-первых, вводятся модель распределения вероятностей и метод выборки компонентов в энергосистеме в виде латинского гиперкуба. Во-вторых, устанавливается модель многоцелевой оптимизации с учетом стоимости хранения энергии, вероятности превышения лимита мощности и потерь в сети. Наконец, анализ моделирования выполняется в тестовой системе узла IEEE24.

1. Вероятностная модель потока мощности.

1.1 Uncertainty model of components

Фотоэлектрические элементы, нагрузка и генератор – все это случайные величины с неопределенностью. При расчете вероятностного перетока мощности распределительной сети вероятностная модель объясняется в литературе. Благодаря анализу исторических данных, выходная мощность фотоэлектрической генерации соответствует распределению БЕТА. Подгоняя распределение вероятностей мощности нагрузки, предполагается, что нагрузка подчиняется нормальному распределению, а ее функция распределения плотности вероятности равна

Картинка (1)

Где Pl – мощность нагрузки; μ L и σ L – математическое ожидание и дисперсия нагрузки соответственно.

Вероятностная модель генератора обычно принимает двухточечное распределение, а его функция распределения плотности вероятности имеет вид

(2)

Где, P – вероятность нормальной работы генератора; PG – выходная мощность генератора.

Когда в полдень достаточно света, активная мощность фотоэлектрической электростанции велика, и энергия, которую сложно использовать во времени, будет накапливаться в аккумуляторной батарее. Когда мощность нагрузки высока, аккумуляторная батарея высвобождает накопленную энергию. Уравнение мгновенного баланса энергии системы накопления энергии:

При зарядке

(3)

Когда разряд

(4)

Ограничение

Картинки,

Картинки,

Картинка, картинка

Где St – энергия, запасенная в момент времени T; Pt – мощность заряда и разряда накопителя энергии; SL и SG – энергия заряда и разряда соответственно. η C и η D – эффективность зарядки и разрядки соответственно. Ds – скорость саморазряда накопителя энергии.

1.2 Метод выборки латинского гиперкуба

Существуют метод моделирования, приближенный метод и аналитический метод, которые можно использовать для анализа потока мощности в системе при неопределенных факторах. Моделирование методом Монте-Карло – один из самых точных методов в вероятностных алгоритмах потока мощности, но его своевременность невысока по сравнению с высокой точностью. В случае малого времени выборки этот метод обычно игнорирует хвост кривой распределения вероятностей, но для повышения точности необходимо увеличить время выборки. Метод выборки латинского гиперкуба позволяет избежать этой проблемы. Это метод иерархической выборки, который может гарантировать, что точки выборки эффективно отражают распределение вероятностей и эффективно сокращают время выборки.

На рисунке 1 показано математическое ожидание и дисперсия метода выборки латинского гиперкуба и метода моделирования Монте-Карло с временами выборки от 10 до 200. Общая тенденция результатов, полученных двумя методами, снижается. Однако математическое ожидание и дисперсия, полученные методом Монте-Карло, очень нестабильны, и результаты, полученные с помощью нескольких симуляций, не совпадают с одинаковыми временами выборки. Дисперсия метода выборки латинского гиперкуба неуклонно уменьшается с увеличением времени выборки, а относительная ошибка уменьшается до менее 5%, когда время выборки превышает 150. Стоит отметить, что точкой выборки метода выборки латинского гиперкуба является симметричен относительно оси Y, поэтому его ожидаемая ошибка равна 0, что также является его преимуществом.

Изображение

ИНЖИР. 1 Сравнение разного времени выборки между MC и LHS

Метод выборки из латинского гиперкуба – это многоуровневый метод выборки. За счет улучшения процесса генерации выборки входных случайных величин значение выборки может эффективно отражать общее распределение случайных величин. Процесс отбора проб делится на два этапа.

(1) Отбор проб

Xi (I = 1, 2,…, m) – m случайных величин, а времена выборки равны N, как показано на фиг. 2. Кривая распределения накопленной вероятности Xi делится на N интервалов с равным интервалом и без перекрытия, средняя точка каждого интервала выбирается в качестве значения выборки вероятности Y, а затем значение выборки Xi = p-1 (Yi) равно вычисляется с использованием обратной функции, а вычисленное Xi является значением выборки случайной величины.

Изображение

Рисунок 2 принципиальная схема LHS

(2) Перестановки

Значения выборки случайных величин, полученные из (1), располагаются последовательно, поэтому корреляция между m случайными величинами равна 1, что не может быть вычислено. Метод ортогонализации последовательности Грама-Шмидта может быть использован для уменьшения корреляции между значениями выборки случайных величин. Сначала генерируется матрица порядка K × M I = [I1, I2…, IK] T. Элементы в каждой строке расположены случайным образом от 1 до M, и они представляют положение значения выборки исходной случайной величины.

Положительная итерация

Изображение

Обратный итеративный

Изображение

«Картинка» представляет присвоение, вынос (Ik, Ij) представляет собой расчет остаточной стоимости в линейной регрессии Ik = a + bIj, ранг (Ik) представляет новый вектор, образованный порядковым номером элементов в ориентации Ik от малого к большому.

После двунаправленной итерации до тех пор, пока среднеквадратичное значение ρ, которое представляет корреляцию, не уменьшится, получается матрица положений каждой случайной величины после перестановки, а затем может быть получена матрица перестановок случайных величин с наименьшей корреляцией.

(5)

Где изображение – коэффициент корреляции между Ik и Ij, cov – ковариация, а VAR – дисперсия.

2. Конфигурация многоцелевой оптимизации системы накопления энергии.

2.1 Целевая функция

Чтобы оптимизировать мощность и емкость системы накопления энергии, устанавливается функция многокритериальной оптимизации, учитывающая стоимость системы накопления энергии, вероятность отключения мощности и потери в сети. Из-за различных размеров каждого индикатора стандартизация отклонений проводится по каждому индикатору. После стандартизации отклонения диапазон значений наблюдаемых значений различных переменных будет между (0,1), а стандартизированные данные представляют собой чистые величины без единиц. В реальной ситуации могут быть различия в акцентах на каждом индикаторе. Если каждому показателю придать определенный вес, можно проанализировать и изучить различные акценты.

(6)

Where, w is the index to be optimized; Wmin and wmax are the minimum and maximum of the original function without standardization.

Целевая функция

(7)

В формуле λ1 ~ λ3 – весовые коэффициенты, Eloss, PE и CESS – стандартизованные потери в сети ответвлений, вероятность пересечения активной мощности ответвления и инвестиционные затраты на накопление энергии соответственно.

2.2 Генетический алгоритм

Генетический алгоритм – это своего рода алгоритм оптимизации, созданный путем имитации генетических и эволюционных законов выживания наиболее приспособленных и выживания наиболее приспособленных в природе. Это сначала кодирование, начальная популяция, каждое кодирование от имени индивидуума (возможное решение проблемы), поэтому каждое возможное решение основано на трансформации фенотипа генотипа, чтобы предпринять выбор в соответствии с законами природы для каждого человека, и отобранный в каждое поколение к следующему поколению вычислительной среды, чтобы адаптироваться к сильному человеку, до тех пор, пока он не будет наиболее адаптирован к среде человека. После декодирования это приблизительное оптимальное решение проблемы.

В этой статье энергосистема, включая фотоэлектрические и накопители энергии, сначала рассчитывается с помощью вероятностного алгоритма потока мощности, а полученные данные используются в качестве входной переменной генетического алгоритма для решения проблемы. Процесс расчета показан на рисунке 3, который в основном разделен на следующие этапы:

Изображение

ИНЖИР. 3 Алгоритм потока

(1) Ввод данных о системе, фотоэлектрических элементах и ​​накоплении энергии, а также выполнение выборки из латинского гиперкуба и ортогонализации последовательности Грама-Шмидта;

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

(3) Выходные результаты были закодированы хромосомой для создания начальной популяции, соответствующей значению выборки;

(4) Рассчитайте приспособленность каждого человека в популяции;

(5) отбирать, скрещивать и мутировать для получения нового поколения популяции;

(6) Оцените, выполнены ли требования, если нет, вернитесь к шагу (4); Если да, то после декодирования выводится оптимальное решение.

3. Пример анализа

Метод вероятностного потока мощности моделируется и анализируется в тестовой системе с 24 узлами IEEE, показанной на фиг. 4, на котором уровень напряжения 1-10 узлов 138 кВ, а 11-24 узлов 230 кВ.

Изображение

Figure 4 IEEE24 node test system

3.1 Влияние фотоэлектрической электростанции на энергосистему

Фотоэлектрическая электростанция в энергосистеме, расположение и мощность энергосистемы будут влиять на напряжение узла и мощность ветви, поэтому, прежде чем анализировать влияние системы накопления энергии на энергосистему, в этом разделе сначала анализируется влияние фотоэлектрической энергии. Станция в системе, фотоэлектрический доступ к системе в этой статье, тенденция предела вероятности, потери в сети и т. д. были проведены на анализе моделирования.

Как видно из фиг. 5 (a), после подключения фотоэлектрической электростанции узлы с меньшим превышением потока мощности ответвления выглядят следующим образом: 11, 12, 13, 23, 13 для балансировки узлового узла, напряжение узла и фазовый угол заданы, имеют эффект стабильного баланса мощности электросети, 11, 12 и 23 вместо прямого подключения, в результате несколько узлов, подключенных к пределу, вероятность меньшей и большей мощности, фотоэлектрическая электростанция получит доступ к узлу с балансом эффект меньше на влияние энергосистемы.

Изображение

Рис. 5. (a) сумма вероятности выхода за пределы допустимого уровня мощности (b) колебания напряжения узла (c) общие потери в сети в различных фотоэлектрических точках доступа

В дополнение к превышению потока мощности, в этой статье также анализируется влияние фотоэлектрических элементов на напряжение узла, как показано на фиг. 5 (б). Для сравнения выбраны стандартные отклонения амплитуд напряжения узлов 1, 3, 8, 13, 14, 15 и 19. В целом подключение фотоэлектрических электростанций к электросети не оказывает большого влияния на напряжение узлов, но фотоэлектрические электростанции имеют большое влияние на напряжение a-узлов и их близлежащих узлов. Кроме того, в системе, принятой в примере расчета, путем сравнения обнаружено, что фотоэлектрическая электростанция больше подходит для доступа к типам узлов: ① узлы с более высоким классом напряжения, например 14, 15, 16 и т. Д., напряжение почти не меняется; (2) узлы, поддерживаемые генераторами или регулирующими камерами, например 1, 2, 7 и т. Д .; (3) сопротивление линии велико на конце узла.

Чтобы проанализировать влияние фотоэлектрической точки доступа на общие потери энергосистемы в сети, в этой статье проводится сравнение, показанное на Рисунке 5 (c). Видно, что если некоторые узлы с большой мощностью нагрузки и без источника питания подключены к фотоэлектрической электростанции, потери системы в сети будут уменьшены. Напротив, узлы 21, 22 и 23 являются концом источника питания, который отвечает за централизованную передачу энергии. Фотоэлектрическая электростанция, подключенная к этим узлам, вызовет большие потери в сети. Следовательно, точку доступа к PV-электростанции следует выбирать на принимающей стороне питания или на узле с большой нагрузкой. Этот режим доступа может сделать распределение потока мощности в системе более сбалансированным и уменьшить потери системы в сети.

Основываясь на трех факторах в анализе приведенных выше результатов, узел 14 взят в этой статье в качестве точки доступа фотоэлектрической электростанции, а затем изучается влияние мощности различных фотоэлектрических электростанций на энергосистему.

На рисунке 6 (а) анализируется влияние фотоэлектрической мощности на систему. Можно видеть, что стандартное отклонение активной мощности каждой ветви увеличивается с увеличением фотоэлектрической мощности, и между ними существует положительная линейная зависимость. За исключением нескольких ветвей, показанных на рисунке, стандартные отклонения других ветвей меньше 5 и показывают линейную зависимость, которые игнорируются для удобства рисования. Видно, что подключение к фотоэлектрической сети имеет большое влияние на мощность непосредственно подключенной к фотоэлектрической точке доступа или соседних ветвей. Из-за ограниченной передачи по линиям электропередачи, количество строительства и инвестиций в линии передачи огромно, поэтому при установке фотоэлектрической электростанции следует учитывать ограничение пропускной способности, выбирать наименьшее влияние на доступ к линии в лучшем месте, кроме того, Выбор максимальной мощности фотоэлектрической электростанции играет важную роль в уменьшении этого эффекта.

Изображение

Рис. 6. (a) Стандартное отклонение активной мощности ветви (b) Вероятность выхода мощности за пределы допустимого диапазона (c) общие потери в сети системы при различных фотоэлектрических мощностях

ИНЖИР. 6 (b) сравнивается вероятность превышения активной мощностью предела для каждой ветви при различных мощностях PV электростанции. За исключением ветвей, показанных на рисунке, другие ветви не превышали лимит или вероятность была очень мала. По сравнению с фиг. 6 (а) видно, что вероятность выхода за пределы установленного лимита и стандартное отклонение не обязательно связаны. Активная мощность линии с большим отклонением стандартного отклонения не обязательно находится вне предела, и причина связана с направлением передачи выходной мощности фотоэлектрических элементов. Если он находится в том же направлении, что и исходный поток мощности ответвления, малая фотоэлектрическая мощность также может вызвать нарушение предела. Когда мощность PV очень велика, поток мощности не может превышать предел.

На фиг. 6 (c), общие потери в сети системы возрастают с увеличением фотоэлектрической мощности, но этот эффект не очевиден. Когда фотоэлектрическая мощность увеличивается на 60 МВт, общие потери в сети увеличиваются только на 0.5%, то есть на 0.75 МВт. Следовательно, при установке фотоэлектрических станций потери в сети следует рассматривать как второстепенный фактор, а факторы, которые имеют большее влияние на стабильную работу системы, должны рассматриваться в первую очередь, такие как колебания мощности линии передачи и вероятность выхода за допустимые пределы. .

3.2 Влияние доступа к накопителю энергии на систему

Раздел 3.1 Расположение доступа и мощность фотоэлектрической электростанции зависят от энергосистемы.