บทคัดย่อ การผลิตไฟฟ้าจากเซลล์แสงอาทิตย์ในสัดส่วนที่สูงจะส่งผลเสียต่อความเสถียรของระบบไฟฟ้า และการจัดเก็บพลังงานถือเป็นหนึ่งในวิธีที่มีประสิทธิภาพในการกำจัดผลกระทบเหล่านี้ บทความนี้จะวิเคราะห์อิทธิพลของการผลิตไฟฟ้าจากเซลล์แสงอาทิตย์ที่มีต่อระบบไฟฟ้าจากมุมมองของการไหลของพลังงาน จากนั้นจึงวิเคราะห์ผลกระทบของการจัดเก็บพลังงานต่อการจำกัดอิทธิพล ประการแรก มีการแนะนำแบบจำลองการกระจายความน่าจะเป็นและรูปแบบการจัดเก็บพลังงานของส่วนประกอบในระบบไฟฟ้า และวิธีการสุ่มตัวอย่างไฮเปอร์คิวบ์แบบละติน และวิธีการทำให้เป็นมาตรฐานของลำดับแกรม-ชมิดท์ ประการที่สอง มีการสร้างแบบจำลองการปรับให้เหมาะสมแบบหลายวัตถุประสงค์ ซึ่งพิจารณาต้นทุนของระบบจัดเก็บพลังงาน ความน่าจะเป็นที่ไม่จำกัดของการไหลของพลังงานสาขา และการสูญเสียเครือข่ายของโครงข่ายไฟฟ้า คำตอบที่ดีที่สุดของฟังก์ชันวัตถุประสงค์ได้มาจากอัลกอริทึมทางพันธุกรรม ในที่สุด การจำลองจะดำเนินการในระบบทดสอบโหนด IEEE24 เพื่อวิเคราะห์อิทธิพลของความสามารถในการเข้าถึงเซลล์แสงอาทิตย์ที่แตกต่างกันและตำแหน่งการเข้าถึงในระบบไฟฟ้าและผลกระทบของการจัดเก็บพลังงานในระบบไฟฟ้า และการกำหนดค่าการจัดเก็บพลังงานที่เหมาะสมที่สุดซึ่งสอดคล้องกับความจุไฟฟ้าโซลาร์เซลล์ที่แตกต่างกัน จะได้รับ

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

Photovoltaic power generation has the advantages of green environmental protection and renewable, and is considered to be one of the most potential renewable energy. By 2020, China’s cumulative installed capacity of photovoltaic power generation has reached 253 million kw. The intermittency and uncertainty of large-scale PV power affect the power system, including issues of peak shaving, stability and light discarding, and the grid needs to adopt more flexible measures to cope with these issues. Energy storage is considered to be an effective way to solve these problems. The application of energy storage system brings a new solution for large-scale photovoltaic grid connection.

ปัจจุบันมีงานวิจัยมากมายเกี่ยวกับการผลิตไฟฟ้าจากเซลล์แสงอาทิตย์ ระบบกักเก็บพลังงาน และกระแสไฟที่น่าจะเป็นทั้งในและต่างประเทศ การศึกษาวรรณกรรมจำนวนมากแสดงให้เห็นว่าการจัดเก็บพลังงานสามารถปรับปรุงอัตราการใช้ไฟฟ้าโซลาร์เซลล์และแก้ปัญหาความเสถียรของการเชื่อมต่อโครงข่ายไฟฟ้าโซลาร์เซลล์ ในการกำหนดค่าระบบจัดเก็บพลังงานในโรงไฟฟ้าพลังงานใหม่ ไม่เพียงแต่ให้ความสนใจกับกลยุทธ์การควบคุมการจัดเก็บแสงและการจัดเก็บลมเท่านั้น แต่ยังรวมถึงการประหยัดของระบบจัดเก็บพลังงานด้วย นอกจากนี้ สำหรับการเพิ่มประสิทธิภาพของสถานีพลังงานเก็บพลังงานหลายสถานีในระบบไฟฟ้า จำเป็นต้องศึกษาแบบจำลองทางเศรษฐศาสตร์ของการทำงานของสถานีเก็บพลังงาน การเลือกไซต์ของจุดเริ่มต้นและจุดสิ้นสุดของช่องส่งไฟฟ้าโซลาร์เซลล์และ การเลือกสถานที่เก็บพลังงาน อย่างไรก็ตาม การวิจัยที่มีอยู่เกี่ยวกับการกำหนดค่าที่เหมาะสมที่สุดของระบบจัดเก็บพลังงานไม่ได้พิจารณาถึงผลกระทบเฉพาะต่อระบบไฟฟ้า และการวิจัยเกี่ยวกับระบบหลายจุดไม่เกี่ยวข้องกับลักษณะการทำงานของการจัดเก็บด้วยแสงขนาดใหญ่

ด้วยการพัฒนาขนาดใหญ่ของการผลิตไฟฟ้าพลังงานใหม่ที่ไม่แน่นอน เช่น พลังงานลมและเซลล์แสงอาทิตย์ จำเป็นต้องคำนวณกระแสไฟของระบบไฟฟ้าในการวางแผนการทำงานของระบบไฟฟ้า ตัวอย่างเช่น วรรณกรรมศึกษาตำแหน่งที่เหมาะสมและการจัดสรรความจุของการจัดเก็บพลังงานในระบบไฟฟ้าด้วยพลังงานลม นอกจากนี้ควรพิจารณาความสัมพันธ์ระหว่างแหล่งพลังงานใหม่หลายแห่งในการคำนวณกระแสไฟ อย่างไรก็ตาม การศึกษาทั้งหมดข้างต้นใช้วิธีการกำหนดการไหลของพลังงาน ซึ่งไม่ได้พิจารณาถึงความไม่แน่นอนของการผลิตพลังงานใหม่ เอกสารฉบับนี้พิจารณาถึงความไม่แน่นอนของพลังงานลมและใช้วิธีการไหลของพลังงานที่เหมาะสมที่สุดที่น่าจะเป็นเพื่อเพิ่มประสิทธิภาพการเลือกสถานที่ของระบบกักเก็บพลังงาน ซึ่งช่วยปรับปรุงการประหยัดการดำเนินงาน

ในปัจจุบัน นักวิชาการเสนออัลกอริธึมการไหลของพลังงานความน่าจะเป็นที่แตกต่างกัน และวิธีการขุดข้อมูลของการไหลของพลังงานที่น่าจะเป็นแบบไม่เชิงเส้นตามวิธีการจำลองมอนติคาร์โลได้รับการเสนอในวรรณคดี แต่วิธีทันเวลาของวิธีมอนติคาร์โลนั้นแย่มาก มีการเสนอในวรรณคดีให้ใช้กระแสไฟที่เหมาะสมที่สุดที่น่าจะเป็นเพื่อศึกษาตำแหน่งของการจัดเก็บพลังงาน และใช้วิธีการแบบจุด 2 เมตร แต่ความแม่นยำในการคำนวณของวิธีนี้ไม่เหมาะ บทความนี้มีการศึกษาการใช้วิธีการสุ่มตัวอย่างไฮเปอร์คิวบ์แบบละตินในการคำนวณกระแสไฟ และความเหนือกว่าของวิธีการสุ่มตัวอย่างไฮเปอร์คิวบ์แบบละตินนั้นแสดงด้วยตัวอย่างตัวเลข

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 Uncertainty model of components

โฟโตโวลตาอิก โหลด และเครื่องกำเนิดไฟฟ้าล้วนเป็นตัวแปรสุ่มที่มีความไม่แน่นอน ในการคำนวณกระแสพลังงานความน่าจะเป็นของเครือข่ายการกระจาย แบบจำลองความน่าจะเป็นได้อธิบายไว้ในเอกสาร จากการวิเคราะห์ข้อมูลในอดีต กำลังขับของการผลิตไฟฟ้าจากเซลล์แสงอาทิตย์จะเป็นไปตามการกระจายของเบต้า โดยการปรับการกระจายความน่าจะเป็นของกำลังโหลด จะถือว่าโหลดเป็นไปตามการกระจายแบบปกติ และฟังก์ชันการกระจายความหนาแน่นของความน่าจะเป็นคือ

รูปภาพ (1)

โดยที่ Pl คือกำลังโหลด μ L และ σ L คือค่าความคาดหมายและความแปรปรวนของโหลดตามลำดับ

The probability model of generator usually adopts two-point distribution, and its probability density distribution function is

(2)

โดยที่ P คือความน่าจะเป็นของการทำงานปกติของเครื่องกำเนิดไฟฟ้า PG คือกำลังขับของเครื่องกำเนิดไฟฟ้า

เมื่อแสงเพียงพอในตอนเที่ยง กำลังไฟฟ้าของสถานีไฟฟ้าโซลาร์เซลล์จะมีขนาดใหญ่ และพลังงานที่ยากต่อการใช้งานในเวลากลางวันจะถูกเก็บไว้ในแบตเตอรี่เก็บพลังงาน เมื่อกำลังโหลดสูง แบตเตอรี่เก็บพลังงานจะปล่อยพลังงานที่เก็บไว้ สมการสมดุลพลังงานชั่วขณะของระบบกักเก็บพลังงานคือ

เมื่อชาร์จ

(3)

When the discharge

(4)

The constraint

รูปภาพ

รูปภาพ

รูปภาพ รูปภาพ

โดยที่ St คือพลังงานที่เก็บไว้ ณ เวลา T; Pt คือพลังงานประจุและคายประจุของการจัดเก็บพลังงาน SL และ SG เป็นพลังงานของการชาร์จและการคายประจุตามลำดับ η C และ η D กำลังชาร์จและคายประจุอย่างมีประสิทธิภาพตามลำดับ Ds คืออัตราการปลดปล่อยตัวเองของการจัดเก็บพลังงาน

1.2 วิธีการสุ่มตัวอย่างไฮเปอร์คิวบ์ละติน

มีวิธีการจำลอง วิธีการประมาณ และวิธีการวิเคราะห์ ซึ่งสามารถใช้ในการวิเคราะห์กระแสไฟของระบบภายใต้ปัจจัยที่ไม่แน่นอน การจำลอง Monte Carlo เป็นหนึ่งในวิธีการที่แม่นยำที่สุดในอัลกอริธึมการไหลของพลังงานที่น่าจะเป็น แต่ความตรงต่อเวลานั้นต่ำเมื่อเทียบกับความแม่นยำสูง ในกรณีของเวลาสุ่มตัวอย่างต่ำ วิธีนี้มักจะไม่สนใจส่วนท้ายของเส้นการกระจายความน่าจะเป็น แต่เพื่อที่จะปรับปรุงความแม่นยำ จะต้องเพิ่มเวลาในการสุ่มตัวอย่าง วิธีการสุ่มตัวอย่างไฮเปอร์คิวบ์แบบละตินช่วยหลีกเลี่ยงปัญหานี้ เป็นวิธีการสุ่มตัวอย่างแบบลำดับชั้น ซึ่งสามารถมั่นใจได้ว่าจุดสุ่มตัวอย่างสะท้อนการกระจายความน่าจะเป็นอย่างมีประสิทธิภาพ และลดเวลาในการสุ่มตัวอย่างอย่างมีประสิทธิภาพ

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.

ภาพ

รูปที่. 1 การเปรียบเทียบเวลาสุ่มตัวอย่างที่แตกต่างกันระหว่าง MC และ LHS

Latin hypercube sampling method is a layered sampling method. By improving the sample generation process of input random variables, the sampling value can effectively reflect the overall distribution of random variables. The sampling process is divided into two steps.

(1) การสุ่มตัวอย่าง

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.

ภาพ

Figure 2 schematic diagram of LHS

(2) การเรียงสับเปลี่ยน

ค่าสุ่มตัวอย่างของตัวแปรสุ่มที่ได้รับจาก (1) จะถูกจัดเรียงตามลำดับ ดังนั้นความสัมพันธ์ระหว่างตัวแปรสุ่ม m คือ 1 ซึ่งไม่สามารถคำนวณได้ สามารถใช้วิธีการตั้งฉากของลำดับกรัม-ชมิดท์เพื่อลดความสัมพันธ์ระหว่างค่าการสุ่มตัวอย่างของตัวแปรสุ่ม ประการแรก เมทริกซ์ของคำสั่ง K×M I=[I1, I2…, IK]T จะถูกสร้างขึ้น องค์ประกอบในแต่ละแถวจะถูกจัดเรียงแบบสุ่มตั้งแต่ 1 ถึง M และแสดงถึงตำแหน่งของค่าสุ่มตัวอย่างของตัวแปรสุ่มดั้งเดิม

การวนซ้ำเชิงบวก

ภาพ

การวนซ้ำแบบย้อนกลับ

ภาพ

“Picture” represents assignment, takeout(Ik,Ij) represents calculation of residual value in linear regression Ik=a+bIj, rank(Ik) represents new vector formed by the sequence number of elements in orientation Ik from small to large.

หลังจากการวนซ้ำแบบสองทิศทางจนกระทั่งค่า RMS ρ ซึ่งแสดงถึงสหสัมพันธ์ ไม่ลดลง เมทริกซ์ตำแหน่งของตัวแปรสุ่มแต่ละตัวหลังจากการเรียงสับเปลี่ยนจะได้รับ จากนั้นเมทริกซ์การเรียงสับเปลี่ยนของตัวแปรสุ่มที่มีความสัมพันธ์น้อยที่สุดจะได้รับ

(5)

Where, the picture is correlation coefficient between Ik and Ij, cov is covariance, and VAR is variance.

2. การกำหนดค่าการเพิ่มประสิทธิภาพแบบหลายวัตถุประสงค์ของระบบจัดเก็บพลังงาน

2.1 Objective function

ในการเพิ่มประสิทธิภาพพลังงานและความจุของระบบจัดเก็บพลังงาน ฟังก์ชันการปรับให้เหมาะสมแบบหลายวัตถุประสงค์ได้รับการกำหนดขึ้นโดยพิจารณาจากต้นทุนของระบบจัดเก็บพลังงาน ความน่าจะเป็นที่ปิดขีดจำกัดพลังงาน และการสูญเสียเครือข่าย เนื่องจากขนาดที่แตกต่างกันของตัวบ่งชี้แต่ละตัว จึงมีการดำเนินการมาตรฐานส่วนเบี่ยงเบนสำหรับตัวบ่งชี้แต่ละตัว หลังจากกำหนดมาตรฐานส่วนเบี่ยงเบนแล้ว ช่วงค่าของค่าที่สังเกตได้ของตัวแปรต่างๆ จะอยู่ระหว่าง (0,1) และข้อมูลที่เป็นมาตรฐานคือปริมาณบริสุทธิ์ที่ไม่มีหน่วย ในสถานการณ์จริง การเน้นย้ำตัวบ่งชี้แต่ละตัวอาจมีความแตกต่างกัน หากตัวบ่งชี้แต่ละตัวมีน้ำหนักที่แน่นอน ก็สามารถวิเคราะห์และศึกษาจุดเน้นที่แตกต่างกันได้

(6)

โดยที่ w คือดัชนีที่จะปรับให้เหมาะสม Wmin และ wmax เป็นค่าต่ำสุดและสูงสุดของฟังก์ชันดั้งเดิมที่ไม่มีมาตรฐาน

ฟังก์ชันวัตถุประสงค์คือ

(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 ขั้นตอนวิธีทางพันธุกรรม

อัลกอริธึมทางพันธุกรรมเป็นอัลกอริธึมการเพิ่มประสิทธิภาพชนิดหนึ่งที่สร้างขึ้นโดยเลียนแบบกฎทางพันธุกรรมและวิวัฒนาการของการอยู่รอดของผู้ที่เหมาะสมที่สุดและการอยู่รอดของธรรมชาติที่เหมาะสมที่สุด ขั้นแรกให้เขียนรหัส ประชากรเริ่มต้นแต่ละรหัสในนามของปัจเจกบุคคล (วิธีแก้ปัญหาที่เป็นไปได้ของปัญหา) ดังนั้นแต่ละวิธีแก้ปัญหาที่เป็นไปได้จึงมาจากการเปลี่ยนแปลงฟีโนไทป์ของจีโนไทป์ เพื่อเลือกตามกฎหมายของธรรมชาติสำหรับแต่ละบุคคล และเลือกใน แต่ละรุ่นสู่รุ่นถัดไปของสภาพแวดล้อมการประมวลผลเพื่อปรับให้เข้ากับบุคคลที่แข็งแกร่ง จนกระทั่งปรับให้เข้ากับสภาพแวดล้อมของแต่ละบุคคลได้มากที่สุด หลังจากการถอดรหัสแล้วจะเป็นวิธีแก้ปัญหาที่เหมาะสมที่สุดโดยประมาณ

ในบทความนี้ ระบบไฟฟ้ารวมถึงเซลล์แสงอาทิตย์และการจัดเก็บพลังงานคำนวณโดยใช้อัลกอริธึมการไหลของพลังงานที่น่าจะเป็นก่อน และข้อมูลที่ได้รับจะถูกใช้เป็นตัวแปรอินพุตของอัลกอริทึมทางพันธุกรรมในการแก้ปัญหา กระบวนการคำนวณแสดงในรูปที่ 3 ซึ่งส่วนใหญ่แบ่งออกเป็นขั้นตอนต่อไปนี้:

ภาพ

รูปที่. 3 อัลกอริทึมการไหล

(1) ระบบอินพุต ข้อมูลการจัดเก็บพลังงานแสงอาทิตย์และพลังงาน และทำการสุ่มตัวอย่างไฮเปอร์คิวบ์ละตินและการจัดวางแนวออร์โธกอนของลำดับ Gram-Schmidt

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

(3) ผลลัพธ์ที่ได้ถูกเข้ารหัสโดยโครโมโซมเพื่อสร้างประชากรเริ่มต้นที่สอดคล้องกับค่าสุ่มตัวอย่าง

(4) Calculate the fitness of each individual in the population;

(5) คัดเลือก ข้าม และกลายพันธุ์เพื่อผลิตประชากรรุ่นใหม่

(6) ตัดสินว่าเป็นไปตามข้อกำหนดหรือไม่ ถ้าไม่ ให้ส่งคืนขั้นตอนที่ (4) ถ้าใช่ ทางออกที่ดีที่สุดคือเอาต์พุตหลังจากถอดรหัส

3. ตัวอย่างการวิเคราะห์

วิธีการไหลของพลังงานที่น่าจะเป็นไปได้ถูกจำลองและวิเคราะห์ในระบบทดสอบของโหนด IEEE24 ที่แสดงในรูปที่ 4 ซึ่งระดับแรงดันไฟฟ้า 1-10 โหนดคือ 138 kV และของ 11-24 โหนดคือ 230 kV

ภาพ

รูปที่ 4 ระบบทดสอบโหนด IEEE24

3.1 อิทธิพลของโรงไฟฟ้าพลังงานแสงอาทิตย์ต่อระบบไฟฟ้า

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.

ดังจะเห็นได้จากรูปที่ 5(a) หลังจากเชื่อมต่อสถานีไฟฟ้าโซลาร์เซลล์แล้ว โหนดที่มีกระแสไฟเกินของสาขาย่อยจะเป็นดังนี้: 11, 12, 13, 23, 13 เพื่อปรับสมดุลโหนดโหนด แรงดันโหนดและมุมเฟสจะได้รับ มี ผลกระทบของสมดุลพลังงานตารางพลังงานที่เสถียร 11, 12 และ 23 แทนการเชื่อมต่อโดยตรงเป็นผลให้หลายโหนดเชื่อมต่อกับขีด จำกัด ความน่าจะเป็นของพลังงานที่มีขนาดเล็กลงและมากขึ้น สถานีไฟฟ้าโซลาร์เซลล์จะเข้าถึงโหนดที่มีเอฟเฟกต์สมดุลน้อยกว่า ผลกระทบของระบบไฟฟ้า

ภาพ

Figure 5. (a) sum of power flow off-limit probability (b) node voltage fluctuation (c) total system network loss of different PV access points

นอกจากกระแสไฟที่เกินเกินแล้ว บทความนี้ยังวิเคราะห์อิทธิพลของโฟโตโวลตาอิกที่มีต่อแรงดันไฟของโหนด ดังแสดงในรูปที่ 5(ข). ค่าเบี่ยงเบนมาตรฐานของแอมพลิจูดแรงดันไฟฟ้าของโหนด 1, 3, 8, 13, 14, 15 และ 19 ถูกเลือกไว้สำหรับการเปรียบเทียบ โดยรวมแล้ว การเชื่อมต่อสถานีไฟฟ้าโซลาร์เซลล์กับโครงข่ายไฟฟ้าไม่ได้มีอิทธิพลอย่างมากต่อแรงดันไฟฟ้าของโหนด แต่สถานีไฟฟ้าโซลาร์เซลล์มีอิทธิพลอย่างมากต่อแรงดันไฟฟ้าของโหนด a และโหนดใกล้เคียง นอกจากนี้ในระบบที่ใช้โดยตัวอย่างการคำนวณโดยการเปรียบเทียบพบว่าโรงไฟฟ้าโซลาร์เซลล์มีความเหมาะสมสำหรับการเข้าถึงประเภทโหนด: ①โหนดที่มีระดับแรงดันไฟฟ้าสูงกว่าเช่น 14, 15, 16 เป็นต้น แรงดันไฟฟ้าแทบไม่เปลี่ยนแปลง (2) โหนดที่รองรับโดยเครื่องกำเนิดไฟฟ้าหรือกล้องปรับเช่น 1, 2, 7 เป็นต้น (3) ในแนวต้านมีขนาดใหญ่ที่ส่วนท้ายของโหนด

เพื่อวิเคราะห์อิทธิพลของจุดเชื่อมต่อ PV ต่อการสูญเสียระบบไฟฟ้าทั้งหมดของเครือข่าย บทความนี้จะทำการเปรียบเทียบดังแสดงในรูปที่ 5(c) จะเห็นได้ว่าหากบางโหนดที่มีกำลังโหลดสูงและไม่มีแหล่งจ่ายไฟเชื่อมต่อกับสถานีพลังงาน pv การสูญเสียเครือข่ายของระบบจะลดลง ในทางตรงกันข้าม โหนด 21, 22 และ 23 เป็นจุดสิ้นสุดของแหล่งจ่ายไฟ ซึ่งมีหน้าที่ในการส่งกำลังจากส่วนกลาง สถานีไฟฟ้าโซลาร์เซลล์ที่เชื่อมต่อกับโหนดเหล่านี้จะทำให้เครือข่ายสูญเสียขนาดใหญ่ ดังนั้นควรเลือกจุดเชื่อมต่อของสถานีพลังงาน pv ที่จุดสิ้นสุดของกำลังรับหรือโหนดที่มีโหลดมาก โหมดการเข้าถึงนี้สามารถทำให้การกระจายกระแสไฟของระบบมีความสมดุลมากขึ้น และลดการสูญเสียเครือข่ายของระบบ

จากปัจจัยสามประการในการวิเคราะห์ผลลัพธ์ข้างต้น โหนด 14 ถูกใช้เป็นจุดเชื่อมต่อของสถานีไฟฟ้าโซลาร์เซลล์ในบทความนี้ จากนั้นจึงศึกษาอิทธิพลของความจุของโรงไฟฟ้าพลังงานแสงอาทิตย์แบบต่างๆ ในระบบไฟฟ้า

รูปที่ 6(a) วิเคราะห์อิทธิพลของความจุไฟฟ้าโซลาร์เซลล์ในระบบ จะเห็นได้ว่าค่าเบี่ยงเบนมาตรฐานของกำลังงานของแต่ละสาขาเพิ่มขึ้นตามความจุไฟฟ้าโซลาร์เซลล์ที่เพิ่มขึ้น และมีความสัมพันธ์เชิงเส้นเชิงบวกระหว่างทั้งสอง ยกเว้นหลายกิ่งที่แสดงในรูป ค่าเบี่ยงเบนมาตรฐานของกิ่งอื่นๆ มีค่าน้อยกว่า 5 และแสดงความสัมพันธ์เชิงเส้น ซึ่งจะถูกละเว้นเพื่อความสะดวกในการวาด จะเห็นได้ว่าการเชื่อมต่อโครงข่ายไฟฟ้าโซลาร์เซลล์มีอิทธิพลอย่างมากต่อพลังของการเชื่อมต่อโดยตรงกับจุดเชื่อมต่อไฟฟ้าโซลาร์เซลล์หรือสาขาที่อยู่ติดกัน เนื่องจากสายส่งไฟฟ้าจำกัด สายส่งของปริมาณการก่อสร้างและการลงทุนมีขนาดใหญ่ ดังนั้นการติดตั้งสถานีไฟฟ้าโซลาร์เซลล์ ควรพิจารณาข้อจำกัดของความสามารถในการขนส่ง เลือกอิทธิพลที่น้อยที่สุดในการเข้าถึงสายไปยังตำแหน่งที่ดีที่สุด นอกจากนี้ การเลือกความจุที่ดีที่สุดของสถานีไฟฟ้าโซลาร์เซลล์จะมีบทบาทสำคัญในการลดผลกระทบนี้

ภาพ

รูปที่ 6 (a) ค่าเบี่ยงเบนมาตรฐานของพลังงานสาขาที่ใช้งาน (b) ความน่าจะเป็นของการไหลของพลังงานสาขานอกขอบเขต (c) การสูญเสียเครือข่ายระบบทั้งหมดภายใต้ความจุไฟฟ้าโซลาร์เซลล์ที่แตกต่างกัน

รูปที่. 6(b) เปรียบเทียบความน่าจะเป็นของพลังงานที่ใช้งานเกินขีดจำกัดของแต่ละสาขาภายใต้ความสามารถของโรงไฟฟ้า pv ที่แตกต่างกัน ยกเว้นสาขาที่แสดงในรูป สาขาอื่นๆ ไม่เกินขีดจำกัดหรือความเป็นไปได้น้อยมาก เมื่อเทียบกับมะเดื่อ. 6(a) จะเห็นได้ว่าความน่าจะเป็นของค่านอกขีดจำกัดและค่าเบี่ยงเบนมาตรฐานไม่จำเป็นต้องเกี่ยวข้องกัน กำลังไฟฟ้าที่ใช้งานของเส้นที่มีความผันผวนของค่าเบี่ยงเบนมาตรฐานขนาดใหญ่ไม่จำเป็นต้องเกินขีดจำกัด และเหตุผลก็เกี่ยวข้องกับทิศทางการส่งกำลังไฟฟ้าออกของเซลล์แสงอาทิตย์ หากเป็นไปในทิศทางเดียวกับกระแสไฟสาขาเดิม ไฟฟ้าโซลาร์เซลล์ขนาดเล็กอาจทำให้ไฟฟ้าเกินขีดจำกัด เมื่อพลัง pv มาก กระแสไฟต้องไม่เกินขีดจำกัด

ในรูป 6(c) การสูญเสียเครือข่ายทั้งหมดของระบบจะเพิ่มขึ้นเมื่อความจุไฟฟ้าโซลาร์เซลล์เพิ่มขึ้น แต่ผลกระทบนี้ไม่ชัดเจน เมื่อความจุไฟฟ้าโซลาร์เซลล์เพิ่มขึ้น 60 เมกะวัตต์ การสูญเสียเครือข่ายทั้งหมดจะเพิ่มขึ้นเพียง 0.5% นั่นคือ 0.75 เมกะวัตต์ ดังนั้นเมื่อติดตั้งสถานีไฟฟ้า pv การสูญเสียเครือข่ายควรเป็นปัจจัยรอง และควรพิจารณาปัจจัยที่มีผลกระทบมากขึ้นต่อการทำงานที่เสถียรของระบบก่อน เช่น ความผันผวนของพลังงานของสายส่งและความน่าจะเป็นที่เกินขีดจำกัด .

3.2 ผลกระทบของการเข้าถึงการจัดเก็บพลังงานต่อระบบ

ส่วนที่ 3.1 ตำแหน่งการเข้าถึงและความจุของสถานีไฟฟ้าโซลาร์เซลล์ขึ้นอยู่กับระบบไฟฟ้า