Анотація. Висока частка фотоелектричної генерації матиме негативний вплив на стабільність енергосистеми, і зберігання енергії вважається одним з ефективних засобів усунення цих наслідків. У цій роботі аналізується вплив фотоелектричної генерації електроенергії на енергосистему з точки зору потоку енергії, а потім аналізується вплив накопичення енергії на стримування впливу. По-перше, введено модель розподілу ймовірностей і модель накопичення енергії компонентів енергосистеми, а також метод вибірки латинського гіперкуба та метод нормалізації послідовності Грама-Шмідта. По-друге, була створена багатоцільова оптимізаційна модель, яка враховувала вартість системи накопичення енергії, залімітну ймовірність потоку електроенергії гілки та втрату мережі в електромережі. Оптимальне рішення цільової функції отримано за допомогою генетичного алгоритму. Нарешті, моделювання виконується в тестовій системі вузла IEEE24 для аналізу впливу різної потужності фотоелектричного доступу та місця доступу на енергосистему та впливу накопичення енергії на енергосистему, а також оптимальної конфігурації зберігання енергії, що відповідає різним фотоелектричним потужностям. виходить.

Ключові слова фотоелектричне виробництво електроенергії; Система зберігання енергії; Оптимізована конфігурація; Імовірність потоку потужності; Генетичний алгоритм (ga)

Фотоелектричне виробництво електроенергії має переваги екологічного захисту навколишнього середовища та відновлюваних джерел енергії та вважається одним із найбільш потенційних відновлюваних джерел енергії. До 2020 року сукупна встановлена ​​потужність виробництва фотоелектричної енергії в Китаї досягла 253 мільйонів кВт. Переривчастість і невизначеність великомасштабної фотоелектричної енергії впливають на енергосистему, в тому числі на проблеми піків, стабільності та відкидання світла, і мережа повинна вжити більш гнучких заходів, щоб впоратися з цими проблемами. Ефективним способом вирішення цих проблем вважається накопичення енергії. Застосування системи накопичення енергії дає нове рішення для великомасштабного підключення до фотоелектричної мережі.

В даний час існує багато досліджень з фотоелектричної генерації електроенергії, системи зберігання енергії та ймовірності потоку електроенергії в країні та за кордоном. Велика кількість літературних досліджень показує, що зберігання енергії може покращити коефіцієнт використання фотоелектричної енергії та вирішити стабільність підключення до фотоелектричної мережі. При конфігурації системи накопичення енергії на новій електростанції слід звернути увагу не тільки на стратегію управління оптичним накопичувачем і вітроакумулятором, а й на економічність системи накопичення енергії. Крім того, для оптимізації роботи кількох електроакумулюючих електростанцій в енергосистемі необхідно вивчити економічну модель роботи електроакумулюючих електростанцій, вибір місця початку та кінцевої точки фотоелектричних каналів передачі та вибір місця зберігання енергії. Проте існуючі дослідження оптимальної конфігурації системи накопичення енергії не враховують специфічного впливу на енергосистему, а дослідження багатоточкової системи не охоплюють великомасштабних характеристик роботи оптичних накопичувачів.

З широкомасштабним розвитком невизначеної нової генерації електроенергії, такої як вітрова та фотоелектрична, необхідно розраховувати потік потужності енергосистеми при плануванні роботи енергосистеми. Наприклад, у літературі вивчається оптимальне розташування та розподіл потужностей накопичувача енергії в енергосистемі з вітряною енергією. Крім того, кореляцію між кількома новими джерелами енергії також слід враховувати при розрахунку потоку потужності. Проте всі вищенаведені дослідження базуються на детермінованих методах потоку потужності, які не враховують невизначеність нової генерації енергії. У літературі розглядається невизначеність вітрової енергії та застосовується імовірнісний метод оптимального потоку потужності для оптимізації вибору місця для системи зберігання енергії, що покращує економічність експлуатації.

На даний момент вченими запропоновано різні алгоритми імовірнісного потоку потужності, а також в літературі запропоновані методи аналізу даних нелінійного імовірнісного потоку потужності на основі методу моделювання Монте-Карло, але своєчасність методу Монте-Карло дуже погана. У літературі пропонується використовувати імовірнісний оптимальний потік потужності для дослідження місця накопичення енергії, а також використовується метод точки 2 м, але точність розрахунку цього методу не є ідеальною. У цій роботі досліджується застосування методу вибірки латинського гіперкуба для розрахунку потоку потужності, а перевага методу вибірки латинського гіперкуба проілюстровано на числових прикладах.

На основі вищезазначених досліджень у цій роботі використовується метод імовірнісного потоку потужності для вивчення оптимального розподілу накопичувача енергії в енергосистемі з великомасштабним фотоелектричним виробництвом електроенергії. По-перше, представлено модель розподілу ймовірностей та метод вибірки компонентів енергосистеми з латинського гіперкуба. По-друге, створено багатоцільову оптимізаційну модель, враховуючи вартість зберігання енергії, ймовірність перевищення ліміту потужності та втрати мережі. Нарешті, імітаційний аналіз проводиться у вузловій тестовій системі IEEE24.

1. Імовірнісна модель потоку потужності

1.1 Модель невизначеності компонентів

Фотоелектричні прилади, навантаження та генератор – це випадкові величини з невизначеністю. При розрахунку імовірнісного потоку потужності розподільної мережі ймовірнісна модель пояснюється в літературі. Завдяки аналізу історичних даних вихідна потужність фотоелектричної генерації відповідає розподілу БЕТА. За допомогою відповідності розподілу ймовірностей потужності навантаження передбачається, що навантаження слідує нормальному розподілу, а його функція розподілу щільності ймовірності дорівнює

Picture (1)

Where, Pl is the load power; μ L and σ L are the expectation and variance of load respectively.

Імовірнісна модель генератора зазвичай приймає двоточковий розподіл, а її функція розподілу щільності ймовірності дорівнює

(2)

Де, P – ймовірність нормальної роботи генератора; PG – вихідна потужність генератора.

Коли світла в полудень достатньо, активна потужність фотоелектричної електростанції велика, а потужність, яку важко використати вчасно, буде зберігатися в акумуляторній батареї. Коли потужність навантаження висока, акумуляторна батарея вивільнить накопичену енергію. Рівняння миттєвого енергетичного балансу системи накопичення енергії є

Під час зарядки

(3)

При розряді

(4)

Обмеження

картинки,

картинки,

Картина, картина

Де St – енергія, накопичена в момент T; Pt – потужність заряду та розряду накопичувача енергії; SL і SG – це енергія зарядки та розрядки відповідно. η C і η D – ефективність зарядки та розрядки відповідно. Ds – швидкість саморозряду накопичувача енергії.

1.2 Метод вибірки латинського гіперкуба

There are simulation method, approximate method and analytical method which can be used to analyze system power flow under uncertain factors. Monte Carlo simulation is one of the most accurate methods in probabilistic power flow algorithms, but its timeliness is low compared with high precision. In the case of low sampling times, this method usually ignores the tail of the probability distribution curve, but in order to improve the accuracy, it needs to increase the sampling times. Latin hypercube sampling method avoids this problem. It is a hierarchical sampling method, which can ensure that the sampling points reflect the probability distribution effectively and reduce the sampling times effectively.

На рисунку 1 показано очікування та дисперсія методу вибірки латинського гіперкуба та методу моделювання Монте-Карло з часами вибірки від 10 до 200. Загальна тенденція результатів, отриманих за допомогою двох методів, зменшується. Однак очікування та дисперсія, отримані за методом Монте-Карло, дуже нестабільні, а результати, отримані за допомогою кількох симуляцій, не є однаковими при однакових часах вибірки. Дисперсія методу вибірки латинського гіперкуба неухильно зменшується зі збільшенням часу вибірки, а відносна похибка зменшується до менше ніж 5%, коли час вибірки перевищує 150. Варто зазначити, що точка вибірки методу вибірки латинського гіперкуба дорівнює симетричний відносно осі Y, тому його очікувана похибка дорівнює 0, що також є його перевагою.

Фото

ФІГ. 1 Порівняння різних часів відбору проб між MC та LHS

Латинський метод вибірки гіперкубів — це метод багатошарової вибірки. Завдяки покращенню процесу генерації вибірки вхідних випадкових величин, значення вибірки може ефективно відображати загальний розподіл випадкових величин. Процес відбору проб ділиться на два етапи.

(1) Відбір проб

Xi (I = 1, 2,…,m) є m випадковими величинами, а час вибірки дорівнює N, як показано на фіг. 2. Кумулятивну криву розподілу ймовірності Xi поділяють на інтервал N з рівним інтервалом і без перекриття, середня точка кожного інтервалу вибирається як значення вибірки ймовірності Y, а потім вибіркове значення Xi= p-1 (Yi) дорівнює обчислюється за допомогою оберненої функції, а обчислене Xi є вибірковим значенням випадкової величини.

Фото

Рисунок 2 принципова схема LHS

(2) Permutations

Значення вибірки випадкових величин, отримані з (1), розташовані послідовно, тому кореляція між m випадковими величинами дорівнює 1, яку неможливо обчислити. Для зменшення кореляції між вибірковими значеннями випадкових величин можна застосувати метод ортогоналізації послідовності Грама-Шмідта. Спочатку генерується матриця порядку K×M I=[I1, I2…, IK]T. Елементи в кожному рядку розташовані випадковим чином від 1 до M, і вони представляють позицію значення вибірки вихідної випадкової величини.

Позитивна ітерація

Фото

Зворотна ітерація

Фото

«Зображення» являє собою присвоєння, takeout(Ik,Ij) являє собою розрахунок залишкової вартості в лінійній регресії Ik=a+bIj, rank(Ik) являє собою новий вектор, утворений порядковим номером елементів в орієнтації Ik від малого до великого.

Після двонаправленої ітерації до тих пір, поки середньоквадратичне значення ρ, яке представляє кореляцію, не зменшиться, отримують матрицю позиції кожної випадкової величини після перестановки, а потім можна отримати матрицю перестановки випадкових величин з найменшою кореляцією.

(5)

Де, картина – це коефіцієнт кореляції між Ik та Ij, cov – коваріація, а VAR – дисперсія.

2. Багатоцільова оптимізаційна конфігурація системи накопичення енергії

2.1 Цільова функція

Для оптимізації потужності та ємності системи накопичення енергії встановлено багатоцільову функцію оптимізації, враховуючи вартість системи зберігання енергії, ймовірність відключення потужності та втрати мережі. Через різні розміри кожного показника стандартизація відхилень проводиться для кожного показника. Після стандартизації відхилень діапазон значень спостережуваних значень різних змінних буде між (0,1), а стандартизованими даними є чисті величини без одиниць. У реальній ситуації можуть бути відмінності у акцентуванні кожного показника. Якщо кожному показнику надати певну вагу, можна аналізувати й вивчати різні акценти.

(6)

Де, w – індекс, який потрібно оптимізувати; Wmin і wmax є мінімумом і максимумом вихідної функції без стандартизації.

Цільова функція є

(7)

У формулі λ1 ~ λ3 – це вагові коефіцієнти, Eloss, PE та CESS – це стандартизовані втрати мережі філій, ймовірність перетину активної потужності гілки та інвестиційна вартість зберігання енергії відповідно.

2.2 Генетичний алгоритм

Генетичний алгоритм — це різновид алгоритму оптимізації, створеного шляхом імітації генетичних та еволюційних законів виживання найбільш пристосованих і виживання найбільш пристосованих у природі. Це спочатку кодування, початкова популяція, кожне кодування від імені окремої особи (можливе рішення проблеми), тому кожне можливе рішення полягає в трансформації фенотипу генотипу, щоб здійснити вибір відповідно до законів природи для кожної особини та відібрати в кожне покоління до наступного покоління обчислювального середовища, щоб адаптуватися до сильного індивіда, до тих пір, поки найбільш адаптований до середовища індивіда, Після декодування, це наближене оптимальне рішення проблеми.

У цій роботі енергосистема, що включає фотоелектричні та накопичувачі енергії, спочатку розраховується за імовірнісним алгоритмом потоку потужності, а отримані дані використовуються як вхідна змінна генетичного алгоритму для вирішення проблеми. Процес розрахунку показаний на малюнку 3, який в основному розділений на наступні кроки:

Фото

ФІГ. 3 Потік алгоритму

(1) Введення системи, фотоелектричних та накопичувальних даних, а також виконання вибірки латинського гіперкуба та ортогоналізації послідовності Грама-Шмідта;

(2) Введіть вибіркові дані в модель розрахунку потоку потужності та запишіть результати розрахунку;

(3) Вихідні результати були закодовані хромосомою для створення початкової популяції, що відповідає значенню вибірки;

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

(5) відбирати, схрещувати та мутувати, щоб створити нове покоління населення;

(6) Визначте, чи виконуються вимоги, якщо ні, поверніться на крок (4); Якщо так, то після декодування виводиться оптимальне рішення.

3. Приклад аналізу

Метод імовірнісного потоку потужності моделюється та аналізується в тестовій системі вузла IEEE24, показаній на фіг. 4, в якому рівень напруги 1-10 вузлів становить 138 кВ, а рівень напруги 11-24 вузлів – 230 кВ.

Фото

Рисунок 4 Вузлова тестова система IEEE24

3.1 Вплив фотоелектричної станції на енергосистему

Фотоелектрична станція в енергосистемі, розташування та потужність енергосистеми будуть впливати на напругу вузла та потужність гілки, тому перед аналізом впливу системи накопичення енергії для електромережі в цьому розділі спочатку аналізується вплив фотоелектричної потужності. станція в системі, фотоелектричний доступ до системи в цій статті, тенденція межі ймовірності, втрати мережі тощо.

Як видно з фіг. 5(a), після підключення фотоелектричної станції вузли з меншим лімітом потоку потужності гілки виглядають так: 11, 12, 13, 23, 13 для балансування вузла вузла, напруга вузла та фазовий кут задані, мають ефект стабільного балансу потужності електромережі, 11, 12 і 23 замість безпосередньо підключених, як наслідок, кілька вузлів, підключених до межі ймовірності меншої та більшої потужності, фотоелектрична електростанція отримає доступ до вузла з ефектом балансу менше на вплив енергосистеми.

Фото

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

На додаток до перевищення потоку потужності, у цій роботі також аналізується вплив фотоелектричної енергії на напругу вузла, як показано на рис. 5(b). Для порівняння обрані стандартні відхилення амплітуд напруги вузлів 1, 3, 8, 13, 14, 15 і 19. В цілому підключення фотоелектричних станцій до електромережі не має великого впливу на напругу вузлів, але фотоелектричні електростанції мають великий вплив на напругу a-вузлів і сусідніх вузлів. Крім того, в системі, прийнятій за прикладом розрахунку, шляхом порівняння виявлено, що фотоелектрична електростанція більше підходить для доступу до типів вузлів: ① вузли з вищим класом напруги, наприклад 14, 15, 16 і т.д., напруга майже не змінюється; (2) вузли, які підтримуються генераторами або регулюючими камерами, наприклад 1, 2, 7 тощо; (3) в лінії опір великий на кінці вузла.

Щоб проаналізувати вплив точки доступу PV на загальні втрати мережі в системі електропостачання, у цій роботі проведено порівняння, як показано на малюнку 5(c). Можна помітити, що якщо деякі вузли з великою потужністю навантаження і без джерела живлення підключені до PV електростанції, втрати мережі в системі будуть зменшені. Навпаки, вузли 21, 22 і 23 є кінцем джерела живлення, який відповідає за централізовану передачу електроенергії. Фотоелектрична електростанція, підключена до цих вузлів, спричинить великі втрати мережі. Тому точку доступу до фотоелектричної станції слід вибирати на приймальній стороні живлення або вузлі з великим навантаженням. Цей режим доступу може зробити розподіл потоку електроенергії в системі більш збалансованим і зменшити втрати мережі в системі.

Виходячи з трьох факторів аналізу наведених вище результатів, вузол 14 береться як точка доступу фотоелектричної станції в цій роботі, а потім досліджується вплив потужності різних фотоелектричних станцій на енергосистему.

На малюнку 6(а) аналізується вплив фотоелектричної потужності на систему. Видно, що стандартне відхилення активної потужності кожної гілки збільшується зі збільшенням фотоелектричної потужності, і між ними існує позитивна лінійна залежність. За винятком кількох гілок, показаних на малюнку, усі стандартні відхилення інших гілок менші за 5 і показують лінійну залежність, яку для зручності малювання ігнорують. Видно, що підключення фотоелектричної мережі має великий вплив на потужність безпосередньо підключеної до фотоелектричної точки доступу або суміжних гілок. Через обмежену передачу ЛЕП обсяги будівництва та інвестицій величезні, тому, встановлюючи фотоелектричну електростанцію, слід враховувати обмеження пропускної спроможності, вибирати найменший вплив на доступ до лінії до найкращого місця, крім того, Вибір найкращої потужності фотоелектричної електростанції відіграє важливу роль у зменшенні цього ефекту.

Фото

Рисунок 6. (a) Стандартне відхилення активної потужності гілки (b) Імовірність виходу за межі потоку потужності гілки (c) загальна втрата мережі в системі при різних фотоелектричних потужностях

ФІГ. 6(b) порівнюється ймовірність перевищення активної потужності ліміту кожної гілки при різних потужностях PV електростанції. За винятком гілок, показаних на малюнку, інші гілки не перевищували межі або ймовірність була дуже малою. У порівнянні з фіг. 6(a), можна побачити, що ймовірність виходу за межі і стандартне відхилення не обов’язково пов’язані. Активна потужність лінії з великими флуктуаціями стандартного відхилення не обов’язково є обмеженою, і причина пов’язана з напрямком передачі вихідної потужності фотоелектричної системи. Якщо він знаходиться в тому ж напрямку, що й вихідний потік потужності гілки, мала фотоелектрична потужність також може спричинити вимкнення. Коли потужність PV дуже велика, потік потужності не може перевищувати межу.

На фіг. 6(c), загальні втрати мережі в системі збільшуються зі збільшенням фотоелектричної потужності, але цей ефект не є очевидним. Коли фотоелектрична потужність збільшується на 60 МВт, загальні втрати мережі збільшуються лише на 0.5%, тобто на 0.75 МВт. Тому при встановленні PV електростанцій втрати в мережі слід розглядати як вторинний фактор, а фактори, які мають більший вплив на стабільну роботу системи, слід враховувати в першу чергу, такі як коливання потужності лінії електропередачі та ймовірність виходу за межі .

3.2 Вплив доступу до накопичувача енергії на систему

Розділ 3.1 Розташування доступу та потужність фотоелектричної електростанції залежать від енергосистеми