Sammanfattning En hög andel solceller kommer att ha negativa effekter på kraftsystemets stabilitet, och energilagring anses vara ett av de effektiva sätten att eliminera dessa effekter. Den här artikeln analyserar inverkan av solenergiproduktion på kraftsystemet ur kraftflödesperspektivet, och analyserar sedan effekten av energilagring på att begränsa inflytandet. Först introduceras sannolikhetsfördelningsmodellen och energilagringsmodellen för komponenter i kraftsystem, och den latinska hyperkubsamplingsmetoden och gram-Schmidt-sekvensnormaliseringsmetoden introduceras. För det andra upprättades en multi-objektiv optimeringsmodell, som tog hänsyn till kostnaden för energilagringssystemet, den förbjudna sannolikheten för grenkraftsflöde och nätförlusten av elnätet. Den optimala lösningen av den objektiva funktionen erhölls med genetisk algoritm. Slutligen genomförs simuleringen i IEEE24 nodtestsystem för att analysera inverkan av olika solcellsaccesskapacitet och åtkomstplats på kraftsystemet och effekten av energilagring på kraftsystemet, och den optimala energilagringskonfigurationen motsvarande olika solcellskapacitet erhålles.

Nyckelord fotovoltaisk elproduktion; Energilagringssystem; Optimerad konfiguration; Sannolikhet kraftflöde; Genetisk algoritm (ga)

Solcellsproduktion har fördelarna med grönt miljöskydd och förnybar, och anses vara en av de mest potentiella förnybara energierna. År 2020 har Kinas kumulativa installerade kapacitet för solcellsproduktion nått 253 miljoner kw. Intermittensen och osäkerheten hos storskalig PV-kraft påverkar kraftsystemet, inklusive problem med rakning, stabilitet och ljusavkastning, och nätet måste anta mer flexibla åtgärder för att hantera dessa problem. Energilagring anses vara ett effektivt sätt att lösa dessa problem. Tillämpningen av energilagringssystem ger en ny lösning för storskalig solcellsanslutning.

För närvarande finns det många undersökningar om solenergiproduktion, energilagringssystem och sannolikhet för kraftflöde hemma och utomlands. Ett stort antal litteraturstudier visar att energilagring kan förbättra utnyttjandegraden av solceller och lösa stabiliteten i solcellsnätanslutning. Vid konfigurationen av energilagringssystem i nya energikraftverk bör uppmärksamhet inte bara ägnas åt styrstrategin för optisk lagring och vindlagring, utan också till ekonomin i energilagringssystem. Dessutom, för optimering av flera energilagringskraftverk i kraftsystemet, är det nödvändigt att studera den ekonomiska modellen för driften av energilagringskraftverk, valet av plats för startpunkten och slutpunkten för fotovoltaiska transmissionskanaler och platsval av energilagring. Den befintliga forskningen om optimal konfiguration av energilagringssystem tar dock inte hänsyn till den specifika inverkan på kraftsystemet, och forskningen om flerpunktssystem involverar inte storskaliga optiska lagringsfunktioner.

Med den storskaliga utvecklingen av osäker ny energikraftgenerering som vindkraft och solceller är det nödvändigt att beräkna kraftsystemets kraftflöde i driftplaneringen av kraftsystemet. Till exempel studerar litteraturen optimal placering och kapacitetsfördelning av energilagring i kraftsystemet med vindkraft. Dessutom bör korrelationen mellan flera nya energikällor också beaktas vid beräkningen av kraftflödet. Alla ovanstående studier är dock baserade på deterministiska kraftflödesmetoder, som inte tar hänsyn till osäkerheten i ny energigenerering. Litteraturen tar hänsyn till vindkraftens osäkerhet och tillämpar den probabilistiska optimala kraftflödesmetoden för att optimera platsvalet av energilagringssystem, vilket förbättrar driftsekonomin.

För närvarande har olika probabilistiska kraftflödesalgoritmer föreslagits av forskare, och datautvinningsmetoder för ickelinjära probabilistiska kraftflöden baserade på Monte Carlos simuleringsmetod har föreslagits i litteraturen, men aktualiteten för Monte Carlo-metoden är mycket dålig. Det föreslås i litteraturen att använda det probabilistiska optimala kraftflödet för att studera platsen för energilagring, och 2 m-punktsmetoden används, men beräkningsnoggrannheten för denna metod är inte idealisk. Tillämpningen av den latinska hyperkub-samplingsmetoden i kraftflödesberäkning studeras i denna artikel, och överlägsenheten hos den latinska hyperkub-samplingsmetoden illustreras med numeriska exempel.

Baserat på ovanstående forskning, använder denna uppsats den probabilistiska kraftflödesmetoden för att studera den optimala allokeringen av energilagring i kraftsystemet med storskalig fotovoltaisk kraftgenerering. Först introduceras sannolikhetsfördelningsmodellen och latinsk hyperkubsamplingsmetod för komponenter i kraftsystem. För det andra etableras en multi-objektiv optimeringsmodell med hänsyn till energilagringskostnaden, sannolikheten för kraftflöde över gränsen och nätverksförlust. Slutligen genomförs simuleringsanalysen i IEEE24 nodtestsystem.

1. Probabilistisk effektflödesmodell

1.1 Osäkerhetsmodell för komponenter

Solceller, belastning och generator är alla slumpvariabler med osäkerhet. I beräkningen av probabilistiskt kraftflöde i distributionsnätet förklaras den probabilistiska modellen i litteraturen. Genom analys av historiska data följer uteffekten från solcellskraftgenerering BETA-distributionen. Genom att anpassa sannolikhetsfördelningen av lasteffekt antas det att lasten följer normalfördelningen, och dess sannolikhetstäthetsfördelningsfunktion är

Bild (1)

Där Pl är lasteffekten; μ L och σ L är belastningens förväntade respektive varians.

Sannolikhetsmodellen för generator använder vanligtvis tvåpunktsfördelning, och dess sannolikhetstäthetsfördelningsfunktion är

(2)

Där P är sannolikheten för normal drift av generatorn; PG är generatorns uteffekt.

När ljuset är tillräckligt vid middagstid är solcellsstationens aktiva effekt stor och den kraft som är svår att använda i tid kommer att lagras i energilagringsbatteriet. När belastningseffekten är hög kommer energilagringsbatteriet att frigöra den lagrade energin. Den momentana energibalansekvationen för energilagringssystemet är

Vid laddning

(3)

När utsläppet

(4)

Begränsningen

Bilder,

Bilder,

Bild, bild

Där St är energin som lagras vid tidpunkten T; Pt är laddnings- och urladdningskraften för energilagring; SL och SG är energin för laddning respektive urladdning. η C och η D är laddnings- respektive urladdningseffektivitet. Ds är självurladdningshastigheten för energilagring.

1.2 Latin hypercube provtagningsmetod

Det finns simuleringsmetod, ungefärlig metod och analysmetod som kan användas för att analysera systemets effektflöde under osäkra faktorer. Monte Carlo-simulering är en av de mest exakta metoderna i probabilistiska kraftflödesalgoritmer, men dess aktualitet är låg jämfört med hög precision. Vid låga provtagningstider ignorerar denna metod vanligtvis svansen av sannolikhetsfördelningskurvan, men för att förbättra noggrannheten behöver den öka provtagningstiderna. Latin hypercube samplingsmetod undviker detta problem. Det är en hierarkisk urvalsmetod, som kan säkerställa att urvalspunkterna reflekterar sannolikhetsfördelningen effektivt och minskar provtagningstiderna effektivt.

Figur 1 visar förväntan och varians för den latinska hyperkub-samplingsmetoden och Monte Carlo-simuleringsmetoden med samplingstider som sträcker sig från 10 till 200. Den övergripande trenden för resultat som erhålls med de två metoderna minskar. Förväntningarna och variansen som erhålls med Monte Carlo-metoden är dock mycket instabila, och resultaten som erhålls genom flera simuleringar är inte desamma med samma samplingstider. Variansen för den latinska hyperkub-samplingsmetoden minskar stadigt med ökningen av samplingstider, och det relativa felet minskar till mindre än 5 % när samplingstiderna är mer än 150. Det är värt att notera att samplingspunkten för den latinska hyperkub-samplingsmetoden är symmetrisk kring Y-axeln, så dess förväntade fel är 0, vilket också är dess fördel.

Bilden

FIKON. 1 Jämförelse av olika provtagningstider mellan MC och LHS

Latin hypercube samplingsmetod är en skiktad provtagningsmetod. Genom att förbättra urvalsgenereringsprocessen för inmatade slumpvariabler, kan urvalsvärdet effektivt återspegla den övergripande fördelningen av slumpvariabler. Provtagningsprocessen är uppdelad i två steg.

(1) Provtagning

Xi (I = 1, 2,… ,m) är m slumpvariabler, och samplingstiderna är N, som visas i FIG. 2. Den kumulativa sannolikhetsfördelningskurvan för Xi är uppdelad i N-intervall med lika mellanrum och ingen överlappning, mittpunkten för varje intervall väljs som samplingsvärde för sannolikhet Y, och sedan är samplingsvärdet Xi= p-1 (Yi) beräknas genom att använda invers funktion, och det beräknade Xi är samplingsvärdet för slumpvariabeln.

Bilden

Figur 2 schematiskt diagram av LHS

(2) Permutationer

Urvalsvärdena för slumpvariabler erhållna från (1) är sekventiellt arrangerade, så korrelationen mellan m slumpvariabler är 1, vilket inte kan beräknas. Gram-Schmidt-sekvensortogonaliseringsmetoden kan användas för att minska korrelationen mellan samplingsvärdena för slumpvariabler. Först genereras en matris av K×M ordningen I=[I1, I2…, IK]T. Element i varje rad är slumpmässigt arrangerade från 1 till M, och de representerar positionen för samplingsvärdet för den ursprungliga slumpvariabeln.

Positiv iteration

Bilden

En omvänd iterativ

Bilden

“Bild” representerar tilldelning, takeout(Ik,Ij) representerar beräkning av restvärde i linjär regression Ik=a+bIj, rank(Ik) representerar ny vektor som bildas av sekvensnumret av element i orientering Ik från liten till stor.

Efter dubbelriktad iteration tills RMS-värdet ρ, som representerar korrelationen, inte minskar, erhålls positionsmatrisen för varje slumpvariabel efter permutation, och sedan kan permutationsmatrisen av slumpvariabler med minst korrelation erhållas.

(5)

Där bilden är korrelationskoefficient mellan Ik och Ij, cov är kovarians och VAR är varians.

2. Multi-objektiv optimeringskonfiguration av energilagringssystem

2.1 Objektiv funktion

För att optimera energilagringssystemets effekt och kapacitet etableras en multi-objektiv optimeringsfunktion med hänsyn till kostnaden för energilagringssystemet, sannolikheten för strömavbrott och nätverksförlusten. På grund av de olika dimensionerna för varje indikator, utförs avvikelsestandardisering för varje indikator. Efter avvikelsestandardisering kommer värdeintervallet för observerade värden för olika variabler att vara mellan (0,1), och de standardiserade data är rena kvantiteter utan enheter. I den faktiska situationen kan det finnas skillnader i tyngdpunkten på varje indikator. Om varje indikator ges en viss vikt kan olika tyngdpunkter analyseras och studeras.

(6)

Där, w är indexet som ska optimeras; Wmin och wmax är minimum och maximum för den ursprungliga funktionen utan standardisering.

Den objektiva funktionen är

(7)

I formeln är λ1 ~ λ3 viktkoefficienter, Eloss, PE och CESS är standardiserade grennätsförluster, sannolikhet för korsning av aktiv kraft för grenar respektive investeringskostnad för energilagring.

2.2 Genetisk algoritm

Genetisk algoritm är en sorts optimeringsalgoritm som etablerats genom att imitera de genetiska och evolutionära lagarna för överlevnad av de starkaste och överlevnad av de starkaste i naturen. Det första till kodning, initial population varje kodning för en individs räkning (en genomförbar lösning av problemet), så varje genomförbar lösning är från för genotypfenotyptransformation, för att utföra val enligt naturlagarna för varje individ, och vald i varje generation till nästa generation av datormiljö för att anpassa sig till den starka individen, tills den mest anpassningsbara till miljön för individen, Efter avkodning är det den ungefärliga optimala lösningen av problemet.

I det här dokumentet beräknas kraftsystemet inklusive solceller och energilagring först av den probabilistiska kraftflödesalgoritmen, och de erhållna data används som indatavariabeln för den genetiska algoritmen för att lösa problemet. Beräkningsprocessen visas i figur 3, som huvudsakligen är uppdelad i följande steg:

Bilden

FIKON. 3 Algoritmflöde

(1) Mata in system, solcells- och energilagringsdata och utföra latinsk hyperkubsampling och Gram-Schmidt-sekvensortogonalisering;

(2) Mata in samplade data i effektflödesberäkningsmodellen och registrera beräkningsresultaten;

(3) Utdataresultaten kodades av kromosom för att generera den initiala populationen motsvarande provtagningsvärdet;

(4) Beräkna konditionen för varje individ i befolkningen;

(5) välja, korsa och mutera för att producera en ny generation av populationer;

(6) Bedöm om kraven är uppfyllda, om inte, gå tillbaka till steg (4); Om ja, matas den optimala lösningen ut efter avkodning.

3. Exempelanalys

Den probabilistiska effektflödesmetoden simuleras och analyseras i IEEE24-nodtestsystemet som visas i FIG. 4, där spänningsnivån för 1-10 noder är 138 kV och den för 11-24 noder är 230 kV.

Bilden

Figur 4 IEEE24 nodtestsystem

3.1 Solcellskraftverks inverkan på elsystemet

Solcellskraftverk i kraftsystemet, platsen och kapaciteten hos kraftsystemet kommer att påverka nodspänningen och grenkraften, därför, innan analysen av inflytandet från energilagringssystemet för elnätet, analyserar detta avsnitt först inverkan av solcellskraft. station på systemet, solceller tillgång till systemet i detta dokument, trenden för gränsen för sannolikheten, nätverksförlusten och så vidare har bedrivit simuleringsanalys.

Såsom framgår av FIG. 5(a), efter att ett solcellskraftverk är anslutet, är noder med mindre greneffektflödesövergräns följande: 11, 12, 13, 23, 13 för att balansera nodnoden, nodspänningen och fasvinkeln ges, har effekt av stabil kraftnätseffektbalans, 11, 12 och 23 istället för direkt anslutna, som ett resultat, flera noder anslutna till gränsen sannolikheten för mindre och mer effekt, kommer solcellskraftverk att komma åt noden med balanseffekten är mindre på kraftsystemets inverkan.

Bilden

Figur 5. (a) summan av strömflöde utanför gränsen sannolikhet (b) nodspänningsfluktuation (c) total systemnätverksförlust för olika PV-accesspunkter

Förutom överskridandet av effektflödet, analyserar detta dokument också inverkan av fotovoltaik på nodspänningen, som visas i FIG. 5(b). Standardavvikelserna för spänningsamplituderna för noderna 1, 3, 8, 13, 14, 15 och 19 väljs för jämförelse. Sammantaget har solcellskraftverkens anslutning till elnätet ingen större inverkan på nodernas spänning, men solcellsstationerna har stort inflytande på spänningen hos a-noder och deras närliggande noder. Dessutom, i systemet som antagits av räkneexemplet, genom jämförelse, har man funnit att solcellskraftverk är mer lämpade för åtkomst till nodtyperna: ① noder med högre spänningsgrad, såsom 14, 15, 16, etc., spänningen ändras nästan inte; (2) noder som stöds av generatorer eller justeringskameror, såsom 1, 2, 7, etc.; (3) i linjen är motståndet stort i slutet av noden.

För att analysera inverkan av PV-åtkomstpunkten på den totala nätverksförlusten av kraftsystem, gör detta dokument en jämförelse som visas i figur 5(c). Det kan ses att om några noder med stor belastningseffekt och ingen strömförsörjning ansluts till pv-kraftverk kommer nätverksförlusten i systemet att minska. Tvärtom är noderna 21, 22 och 23 kraftförsörjningsänden, som är ansvarig för centraliserad kraftöverföring. Solcellskraftverket kopplat till dessa noder kommer att orsaka stora nätförluster. Därför bör pv-kraftverkets accesspunkt väljas vid den mottagande änden av ström eller noden med stor belastning. Detta åtkomstläge kan göra systemets kraftflödesfördelning mer balanserad och minska systemets nätverksförlust.

Baserat på de tre faktorerna i analysen av ovanstående resultat tas nod 14 som accesspunkt för solcellskraftverk i denna artikel, och sedan studeras påverkan av kapaciteten hos olika solcellskraftverk på kraftsystemet.

Figur 6(a) analyserar inverkan av solcellskapacitet på systemet. Det kan ses att standardavvikelsen för den aktiva effekten för varje gren ökar med ökningen av fotovoltaisk kapacitet, och det finns ett positivt linjärt samband mellan de två. Med undantag för flera grenar som visas i figuren är standardavvikelserna för andra grenar alla mindre än 5 och visar ett linjärt samband, som ignoreras för att underlätta ritningen. Det kan ses att solcellsnätanslutning har ett stort inflytande på effekten av direktanslutna till solcellsaccesspunkt eller intilliggande grenar. På grund av begränsad kraftöverföringsledningsöverföring är överföringsledningarna av mängder konstruktion och investeringar enorma, så att installera ett solcellskraftverk bör överväga begränsningen av transportkapacitet, välj den minsta inverkan på linjetillgången till den bästa platsen, dessutom, valet av den bästa kapaciteten för solcellskraftverk kommer att spela en viktig roll för att minska denna effekt.

Bilden

Figur 6. (a) Standardavvikelse för grenens aktiva effekt (b) grenkraftflöde utanför gränsen sannolikhet (c) total systemnätverksförlust under olika fotovoltaiska kapaciteter

FIKON. 6(b) jämför sannolikheten för att aktiv effekt överskrider gränsen för varje gren under olika pv-kraftverkskapaciteter. Förutom de grenar som visas i figuren översteg inte de övriga grenarna gränsen eller så var sannolikheten mycket liten. Jämfört med FIG. 6(a), kan man se att sannolikheten för off-limit och standardavvikelse inte nödvändigtvis är relaterade. Den aktiva effekten hos en linje med stora fluktuationer i standardavvikelsen är inte nödvändigtvis förbjuden, och anledningen är relaterad till överföringsriktningen för fotovoltaisk uteffekt. Om det är i samma riktning som det ursprungliga grenströmflödet, kan liten solcellseffekt också orsaka off-limit. När pv-effekten är mycket stor får effektflödet inte överskrida gränsen.

I FIG. 6(c), ökar systemets totala nätförlust med ökningen av solcellskapaciteten, men denna effekt är inte uppenbar. När solcellskapaciteten ökar med 60 MW ökar den totala nätförlusten endast med 0.5 %, alltså 0.75 MW. Vid installation av pv-kraftverk bör därför nätförlust tas som en sekundär faktor, och faktorer som har en större inverkan på systemets stabila drift bör övervägas först, såsom fluktuationer i transmissionsledningar och sannolikhet utanför gränsen. .

3.2 Inverkan av tillgång till energilagring på systemet

Avsnitt 3.1 Tillträdesposition och kapacitet för solcellskraftverk beror på elsystemet