留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多场景的配电网分布式光伏及储能规划

赵立军 张秀路 韩丽维 孙永辉 王俊生 刘自发 于普洋

赵立军, 张秀路, 韩丽维, 等. 基于多场景的配电网分布式光伏及储能规划[J]. 现代电力, 2022, 39(4): 460-468. doi: 10.19725/j.cnki.1007-2322.2021.0257
引用本文: 赵立军, 张秀路, 韩丽维, 等. 基于多场景的配电网分布式光伏及储能规划[J]. 现代电力, 2022, 39(4): 460-468. doi: 10.19725/j.cnki.1007-2322.2021.0257
ZHAO Lijun, ZHANG Xiulu, HAN Liwei, etc. Distributed Photovoltaic Generation and Energy Storage Planning of Distribution Network Based on Multi Scenarios[J]. Modern Electric Power, 2022, 39(4): 460-468. doi: 10.19725/j.cnki.1007-2322.2021.0257
Citation: ZHAO Lijun, ZHANG Xiulu, HAN Liwei, etc. Distributed Photovoltaic Generation and Energy Storage Planning of Distribution Network Based on Multi Scenarios[J]. Modern Electric Power, 2022, 39(4): 460-468. doi: 10.19725/j.cnki.1007-2322.2021.0257

基于多场景的配电网分布式光伏及储能规划

doi: 10.19725/j.cnki.1007-2322.2021.0257
基金项目: 国家自然科学基金项目(51977074);内蒙古自治区科学技术项目(SGMDJY00GPJS2000061)。
详细信息
    作者简介:

    赵立军(1981),男,学士,高级工程师,研究方向为配电网中智能化应用,E-mail:zhaolijun@md.sgcc.com.cn

    张秀路(1990),男,学士,工程师,研究方向为配电网规划,E-mail:zhangxiulu@md.sgcc.com.cn

    韩丽维(1984),女,硕士,高级工程师,研究方向为配电网规划,E-mail:hanliwei521@163.com

    孙永辉(1988),男,硕士,工程师,研究方向为配电网规划,E-mail:465077506@qq.com

    王俊生(1971),男,学士,高级经济师,研究方向为配电网规划,E-mail:wangjunsheng@md.sgcc.com.cn

    刘自发(1973),男,博士,教授,研究方向为电力系统规划与评估、综合能源系统运行规划,E-mail:tjubluesky@163.com

    于普洋(1998),男,硕士研究生,研究方向为电力系统规划,E-mail:1413613564@qq.com

  • 中图分类号: TM72

Distributed Photovoltaic Generation and Energy Storage Planning of Distribution Network Based on Multi Scenarios

Funds: Project Supported by National Natural Science Foundation of China(NSFC) (51977074); Science and Tchnology Project of Inner Mongolia Autonomous Region (SGMDJY00GPJS2000061).
  • 摘要: 针对基于系统最大运行断面的规划方法难以有效处理分布式光伏并网引起的不确定性问题,研究了分布式光伏与储能的联合规划特性;通过基于信息熵的场景提取方法,生成光伏、负荷的典型运行场景,综合考虑经济性、环保性、可靠性,建立基于多场景的光伏及储能选址定容规划模型,并利用重心反向学习结合粒子群算法(centroid opposition-based learning-particle swarm optimization,COBL-PSO)进行求解,采用雷达图对规划结果进行直观评估。通过算例对比分析,得到了满足配电网需求的光伏及储能电池的规划方案,验证了该模型的可行性及正确性。
  • 图  1  基于信息熵的典型场景提取方法

    Figure  1.  The information entropy-based extraction method for typical scenarios

    图  2  基于COBL-PSO算法的规划模型求解步骤

    Figure  2.  Solving steps of planning model based on COBL-PSO algorithm

    图  3  IEEE33节点网架结构

    Figure  3.  Structural of IEEE 33 bus network

    图  4  全年光伏出力值

    Figure  4.  Annual PV output value

    图  5  全年负荷数据

    Figure  5.  Annual load data

    图  6  不同场景个数下的典型场景信息熵

    Figure  6.  Information entropy of typical scene under different number of scenarios

    图  7  典型场景分布情况

    Figure  7.  Distribution of typical scenarios

    图  8  各场景规划结果三角图

    Figure  8.  Triangular chart of planning results for each scene

    图  9  对比结果

    Figure  9.  Comparison results

    图  10  求解算法对比

    Figure  10.  Comparison of solving algorithms

    表  1  接入点位置

    Table  1.   Position of switching-in point

    负荷接入点13,14,19,20,32,33
    分布式光伏、
    储能电池可接入点
    4,5,6,7,11,12,13,14,
    15,20,23,24,27,28,31
    下载: 导出CSV

    表  2  模型参数

    Table  2.   Model parameters

    参数数值
    单位容量光伏投资建设成本/(元/kW·h)12000
    单位容量储能电池投资建设成本/(万元/MW·h)100
    分布式光伏单位容量弃电成本/(元/MW·h)2400
    碳排放的单位惩罚成本/(元/t)60
    分布式光伏单位发电量的碳排放量/(kg/kW·h)0.92
    所允许节点i的电压最大标幺值1.05
    所允许节点i的电压最小标幺值0.95
    线路ij所允许的传输有功功率最大值/MW6
    储能电池功率最大值/MW1.5
    储能电池最小荷电状态30%额定容量
    储能电池最大荷电状态95%额定容量
    改进粒子群算法种群规模30
    最大迭代次数100
    学习因子2
    下载: 导出CSV

    表  3  分时电价

    Table  3.   Time of use power price

    时段购电价/(元/kW·h)
    高峰段10:00—15:000.86
    18:00—21:00
    平时段7:00—10:000.51
    15:00—18:00
    21:00—23:00
    低谷段0:00—7:000.20
    23:00—24:00
    下载: 导出CSV

    表  4  各场景规划方案评价因子对比

    Table  4.   Comparison of evaluation factors of each scenario planning scheme

    方案${S_i}$${Z_i}$E
    K11.282.970.71
    K21.382.950.93
    K31.343.010.80
    K41.332.990.91
    K51.633.290.88
    K61.272.910.77
    K71.253.230.75
    K81.573.090.95
    K91.252.830.82
    下载: 导出CSV

    表  5  选址定容方案

    Table  5.   Site selection and capacity determination scheme

    接入位置配置容量/MVA
    分布式光伏41.7
    111.7
    151.8
    200.2
    272.0
    312.0
    储能电池41.3
    71.5
    下载: 导出CSV

    表  6  方案8规划成本结果

    Table  6.   Planned cost of scheme No. 8

    成本类型成本/万元
    投资建设成本44.851
    运维成本25.267
    从主网购电成本406.323
    储能电池收益19.717
    碳排放成本18.340
    总成本475.064
    下载: 导出CSV

    表  7  方案8可靠性目标结果

    Table  7.   Reliability target results of scheme No. 8

    节点电压平稳度3.244
    负荷平稳度5.125
    下载: 导出CSV

    表  8  求解算法对比

    Table  8.   Comparison of solving algorithms

    求解算法收敛次数总成本/万元
    COBL-PSO23475.064
    PSO52502.005
    下载: 导出CSV
  • [1] 康重庆, 姚良忠. 高比例可再生能源电力系统的关键科学问题与理论研究框架[J]. 电力系统自动化, 2017, 41(9): 2−11.

    KANG Chongqing, YAO Liangzhong. Key scientific issues and theoretical research framework for power systems with high proportion of renewable energy[J]. Automation of Electric Power Systems, 2017, 41(9): 2−11(in Chinese).
    [2] 林昶咏, 吴桂联, 张林垚, 等. 分布式电源接入配电系统优化规划方案[J]. 现代电力, 2019, 36(6): 82−87. doi:  10.3969/j.issn.1007-2322.2019.06.012

    LIN Changyong, WU Guilian, ZHANG Linyao, et al. Planning scheme optimization for distributed generation accessed in distribution system[J]. Modern Electric Power, 2019, 36(6): 82−87(in Chinese). doi:  10.3969/j.issn.1007-2322.2019.06.012
    [3] 白晓清, 赵瞻, 鲍海波, 等. 基于CLARA算法的考虑时序特性分布式电源规划[J]. 电力自动化设备, 2016, 36(5): 14−22+29.

    BAI Xiaoqing, ZHAO Zhan, BAO Haibo, et al. DG planning based on CLARA algorithm with consideration of timing characteristics[J]. Electric Power Automation Equipment, 2016, 36(5): 14−22+29(in Chinese).
    [4] 徐迅, 陈楷, 龙禹, 等. 考虑环境成本和时序特性的微网多类型分布式电源选址定容规划[J]. 电网技术, 2013, 37(4): 914−921.

    XU Xun, CHEN Kai, LONG Yu, et al. Optimal site selection and capacity determination of multi-types distributed generation in microgrid considering environmental cost and timing characteristics[J]. Power System Technology, 2013, 37(4): 914−921(in Chinese).
    [5] 王涛, 刘雪飞, 郑重, 等. 基于潮流线性化的分布式发电选址定容新算法[J]. 电力自动化设备, 2020, 40(8): 117−128.

    WANG Tao, LIU Xuefei, ZHENG Zhong, et al. Novel locating and sizing algorithm for distributed generation based on power flow linearization[J]. Electric Power Automation Equipment, 2020, 40(8): 117−128(in Chinese).
    [6] 王超, 洪潇, 王林炎, 等. 基于分阶段求解的DG、BESS和自动重合闸选址定容综合优化[J/OL]. 电测与仪表.https://kns.cnki.net/kcms/detail/23.1202.TH.20200905.1231.004.html.

    WANG Chao, HONG Xiao, WANG Linyan, et al. Optimal location and size of DG, Bess and automatic reclosers based on staged solution [J/OL]. Electrical Measurement & Instrumentation,https://kns.cnki.net/kcms/detail/23.1202.TH.20200905.1231.004.html.
    [7] 程林, 齐宁, 田立亭. 考虑运行控制策略的广义储能资源与分布式电源联合规划[J]. 电力系统自动化, 2019, 43(10): 27−35+43. doi:  10.7500/AEPS20180814004

    CHENG Lin, QI Ning, TIAN Liting. Joint planning of generalized energy storage resource and distributed generator considering operation control strategy[J]. Automation of Electric Power Systems, 2019, 43(10): 27−35+43(in Chinese). doi:  10.7500/AEPS20180814004
    [8] 姜惠兰, 安星, 王亚微, 等. 基于改进NSGA2算法的考虑风机接入电能质量的多目标电网规划[J]. 中国电机工程学报, 2015, 35(21): 5405−5411.

    JIANG Huilan, AN Xing, WANG Yawei, et al. Improved NSGA2 algorithm based multi-objective planning of power grid with wind farm considering power quality[J]. Proceedings of the CSEE, 2015, 35(21): 5405−5411(in Chinese).
    [9] 朱晓荣, 鹿国微. 计及灵活性的配电网储能优化配置[J]. 现代电力, 2020, 37(4): 341−352.

    ZHU Xiaorong, LU Guowei. Optimal allocation of energy storage systems considering flexibility in distribution network[J]. Modern Electric Power, 2020, 37(4): 341−352(in Chinese).
    [10] 石超. 分布式多能源系统能效评估及优化运行策略研究[D]. 北京: 北京交通大学, 2019.
    [11] 尹硕, 郭兴五, 燕景, 等. 考虑高渗透率和碳排放约束的园区综合能源系统优化运行研究[J]. 华电技术, 2021, 43(4): 1−7. doi:  10.3969/j.issn.1674-1951.2021.04.001

    YIN Shuo, GUO Xingwu, YAN Jing, et al. Study on optimized operation on integrated energy system in parks with high permeability and carbon emission constraints[J]. Huadian Technology, 2021, 43(4): 1−7(in Chinese). doi:  10.3969/j.issn.1674-1951.2021.04.001
    [12] 刘自发, 陈逸轩, 卓然群. 考虑分布式电源的弹性配电网网架柔性约束规划[J]. 电力系统及其自动化学报, 2020, 32(6): 14−20.

    LIU Zifa, CHEN Yixuan, ZHUO Ranqun. Flexible constrained planning for distribution network considering distributed generations[J]. Proceedings of the CSU-EPSA, 2020, 32(6): 14−20(in Chinese).
    [13] 郑建, 徐青山, 施雨松. 基于启发式矩匹配法的分布式电源选址定容方法[J]. 电力系统及其自动化学报, 2021,33(8):15-23.

    ZHENG Jian, XU Qingshan, SHI Yusong. Method of location and capacity determination for distributed generation based on heuristic moment matching method [J]. Proceedings of the CSU-EPSA,2021,33(8):15-23.
    [14] 郑惠莉, 刘陈, 翟丹妮. 基于雷达图的综合评价方法[J]. 南京邮电学院学报(自然科学版), 2001(2): 75−79.

    ZHENG Huili, LIU Chen, ZHAI Danni. Comprehensive evaluating method based on radar-graph[J]. Journal of Nanjing University of Posts and Telecommunications(Natural Science Edition), 2001(2): 75−79(in Chinese).
    [15] 罗强. 改进的粒子群算法在机器学习中的应用[D]. 哈尔滨: 哈尔滨师范大学, 2020.
    [16] 王彦昌. 基于粒子群算法的线性规划问题的研究[D]. 长春: 吉林大学, 2016.
    [17] 张国斌, 张佳辉, 郭瑞君, 等. 基于自适应混沌粒子群算法的冷-热-电联供系统调度策略[J]. 现代电力, 2020, 37(6): 551−558.

    ZHANG Guobin, ZHANG Jiahui, GUO Ruijun, et al. An adaptive chaotic particle swarm optimization based on scheduling strategy for combined cooling, heating and power system[J]. Modern Electric Power, 2020, 37(6): 551−558(in Chinese).
    [18] 吉滦峦, 谢宏. 重心反向粒子群优化算法在无线传感器定位优化中的应用[J]. 传感器与微系统, 2021, 40(2): 154−156+160.

    JI Luanluan, XIE Hong. Application of centroid oppositional PSO algorithm in wireless sensor localization optimization[J]. Transducer and Microsystem Technologies, 2021, 40(2): 154−156+160(in Chinese).
    [19] 师洋洋. 配电网中考虑经济性与可靠性的储能电池分析及规划[D]. 秦皇岛: 燕山大学, 2017.
    [20] 胡戎, 邱晓燕, 张志荣. 计及灵活性资源的交直流混合配电网双层优化[J]. 电网技术, 2022, 46(6): 2259−2267.

    HU Rong, QIU Xiaoyan, ZHANG Zhirong. Bi level optimization of AC/DC hybrid distribution network considering flexible resources [J]. Power System Technology, 2022, 46(6): 2259−2267.
    [21] 张鹏. 基于双层规划模型的配电网分布式电源与储能协同优化配置研究[D]. 西安: 西安理工大学, 2020.
  • [1] 王世震, 窦迅, 王俊.  考虑微电网群和系统经济运行的配电网储能优化配置 . 现代电力, 2022, 39(1): 88-94. doi: 10.19725/j.cnki.1007-2322.2020.0431
    [2] 赵熙临, 张大恒, 桂玥, 李品, 谭森元.  考虑荷电状态约束的储能参与电网一次调频综合控制策略 . 现代电力, 2022, 39(1): 95-103. doi: 10.19725/j.cnki.1007-2322.2021.0009
    [3] 赵冬梅, 任耀宇, 程雪婷.  低压配电网分布式光伏接纳能力分析 . 现代电力, 2021, 38(4): 392-401. doi: 10.19725/j.cnki.1007-2322.2020.0402
    [4] 李宏仲, 付国.  考虑风荷波动相似度的广义储能和输电网协同规划 . 现代电力, 2021, 38(2): 213-220. doi: 10.19725/j.cnki.1007-2322.2020.0415
    [5] 徐韵, 颜湘武.  含可再生分布式电源参与调控的配电网动态分区实时无功优化方法 . 现代电力, 2020, 37(1): 42-50. doi: 10.19725/j.cnki.1007-2322.2019.0072
    [6] 朱晓荣, 鹿国微.  计及灵活性的配电网储能优化配置 . 现代电力, 2020, 37(4): 341-350. doi: 10.19725/j.cnki.1007-2322.2020.0087
    [7] 林俐, 费宏运.  规模化分布式光伏并网条件下储能电站削峰填谷的优化调度方法 . 现代电力, 2019, 36(5): 54-61.
    [8] 孙旻, 张大, 曾伟, 彭春华.  计及光伏消纳率的分布式光伏电源双层多场景规划 . 现代电力, 2019, 36(2): 17-24.
    [9] 黄 伟, 熊伟鹏, 李志鹏, 宋 毅.  分布式电源对配电网暂态电压特性影响分析 . 现代电力, 2017, 34(2): 1-7.
    [10] 张李明, 齐先军.  计及分布式电源转供能力的配电网供电能力计算 . 现代电力, 2016, 33(5): 87-94.
    [11] 吴杰康, 吴志山, 林奕鑫, 颜少伟.  基于二阶锥规划的含DG与EV配电网分布式发电有功协调方法 . 现代电力, 2016, 33(3): 35-42.
    [12] 刘 辉, 邓长虹, 张志刚, 李 苗, 郑 峰.  基于光伏逆变器功率协调控制的电压调节方法 . 现代电力, 2016, 33(5): 18-23.
    [13] 胡荣, 钟勇, 符杨, 董仁权.  混合储能在配电网中的优化配置 . 现代电力, 2015, 32(3): 49-53.
    [14] 吴杰康, 颜少伟, 叶练方, 吴志山.  最优孤岛划分下含分布式电源配电网可靠性评估 . 现代电力, 2015, 32(5): 66-72.
    [15] 白晓清, 吴雪颖, 李佩杰, 杨秀菊.  计及电压稳定裕度的配电网光伏发电选址与定容 . 现代电力, 2015, 32(4): 34-41.
    [16] 魏阳, 张俊芳, 汤士明, 殷明慧.  分布式电源接入对配电网距离保护和重合闸的影响研究 . 现代电力, 2014, 31(3): 39-43.
    [17] 王晓晖, 张粒子, 程世军, 刘苏云.  基于关联节点的含风电系统改进多场景随机机组组合模型 . 现代电力, 2014, 31(3): 1-6.
    [18] 周春泉, 史静, 姜相明, 杨保, 蒋丹, 丁晓群.  计及无功优化的分布式电源选址与定容 . 现代电力, 2014, 31(2): 42-45.
    [19] 姚 程, 刘新东, 郑 冰.  含有分布式发电的配电网故障定位新算法 . 现代电力, 2010, 27(3): 54-56.
    [20] 叶 萌, 刘文霞, 张 鑫.  考虑电压质量的分布式电源选址定容 . 现代电力, 2010, 27(4): 30-34.
  • 加载中
图(10) / 表 (8)
计量
  • 文章访问数:  105
  • HTML全文浏览量:  38
  • PDF下载量:  39
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-09-27
  • 刊出日期:  2022-07-27

基于多场景的配电网分布式光伏及储能规划

doi: 10.19725/j.cnki.1007-2322.2021.0257
    基金项目:  国家自然科学基金项目(51977074);内蒙古自治区科学技术项目(SGMDJY00GPJS2000061)。
    作者简介:

    赵立军(1981),男,学士,高级工程师,研究方向为配电网中智能化应用,E-mail:zhaolijun@md.sgcc.com.cn

    张秀路(1990),男,学士,工程师,研究方向为配电网规划,E-mail:zhangxiulu@md.sgcc.com.cn

    韩丽维(1984),女,硕士,高级工程师,研究方向为配电网规划,E-mail:hanliwei521@163.com

    孙永辉(1988),男,硕士,工程师,研究方向为配电网规划,E-mail:465077506@qq.com

    王俊生(1971),男,学士,高级经济师,研究方向为配电网规划,E-mail:wangjunsheng@md.sgcc.com.cn

    刘自发(1973),男,博士,教授,研究方向为电力系统规划与评估、综合能源系统运行规划,E-mail:tjubluesky@163.com

    于普洋(1998),男,硕士研究生,研究方向为电力系统规划,E-mail:1413613564@qq.com

  • 中图分类号: TM72

摘要: 针对基于系统最大运行断面的规划方法难以有效处理分布式光伏并网引起的不确定性问题,研究了分布式光伏与储能的联合规划特性;通过基于信息熵的场景提取方法,生成光伏、负荷的典型运行场景,综合考虑经济性、环保性、可靠性,建立基于多场景的光伏及储能选址定容规划模型,并利用重心反向学习结合粒子群算法(centroid opposition-based learning-particle swarm optimization,COBL-PSO)进行求解,采用雷达图对规划结果进行直观评估。通过算例对比分析,得到了满足配电网需求的光伏及储能电池的规划方案,验证了该模型的可行性及正确性。

English Abstract

赵立军, 张秀路, 韩丽维, 等. 基于多场景的配电网分布式光伏及储能规划[J]. 现代电力, 2022, 39(4): 460-468. doi: 10.19725/j.cnki.1007-2322.2021.0257
引用本文: 赵立军, 张秀路, 韩丽维, 等. 基于多场景的配电网分布式光伏及储能规划[J]. 现代电力, 2022, 39(4): 460-468. doi: 10.19725/j.cnki.1007-2322.2021.0257
ZHAO Lijun, ZHANG Xiulu, HAN Liwei, etc. Distributed Photovoltaic Generation and Energy Storage Planning of Distribution Network Based on Multi Scenarios[J]. Modern Electric Power, 2022, 39(4): 460-468. doi: 10.19725/j.cnki.1007-2322.2021.0257
Citation: ZHAO Lijun, ZHANG Xiulu, HAN Liwei, etc. Distributed Photovoltaic Generation and Energy Storage Planning of Distribution Network Based on Multi Scenarios[J]. Modern Electric Power, 2022, 39(4): 460-468. doi: 10.19725/j.cnki.1007-2322.2021.0257
    • 在当前分布式光伏广泛应用的背景下,储能系统具有双向功率特性和灵活调节能力,二者的合理联合规划可以提升清洁能源发电的就地消纳能力与系统的安全可靠运行能力。传统规划方法大多直接使用原始数据,基于单一断面进行分析,不仅数据量过大,计算时间过长,而且没有充分考虑配电网中各种可能情况。因此,需要更加科学灵活的规划方法来满足当前电力系统的需求。本文提出一种基于多场景的配电网中分布式光伏及储能电池的选址定容规划方法,既可以提高运算效率,又能较为全面地考虑各情况,科学合理地制定规划策略,满足电网的需求特性,以适应电网新形势的发展,具有一定的现实意义[1-2]

      目前,学者针对分布式电源及储能的选址定容规划已做出了许多研究。文献[3]考虑不同分布式电源出力的时序特性,以配网网损最小为目标,建立了多场景多时段非线性随机优化模型,并采用了改进的大规模应用聚类算法进行场景聚类,降低了模型的求解难度。文献[4]以分布式电源投资建设费用、化石能源费用、网络损耗费用和环境惩罚费用最小为目标函数,建立考虑环境成本的选址定容规划模型,并针对所得方案进一步判断是否满足系统潮流需求。文献[5]针对选址定容模型维度高等特点,提出一种基于潮流线性化的规划方法。同时计及投资利益竞争关系,建立双层选址定容模型。并采用KKT条件、二阶锥法对模型进行转化求解。文献[6]以投资成本、供缺电量等最小为目标,分阶段逐级对分布式电源、储能电池、主动重合闸进行规划,解决了以往各部分单独优化的问题。文献[7]考虑需求侧响应,针对分布式电源和储能系统,上层选址定容规划,下层求解运行优化策略,实现了资源的交替联合配置。

      然而,当前分布式电源定容规划方法研究还存在不足。多数规划方法是基于单一断面的,缺乏应对各类情况的灵活性、可行性。

      因此,本文提出基于多场景的配电网分布式光伏及储能选址定容规划方法。首先针对分布式光伏及储能的联合规划特性进行分析,其次采用基于信息熵的场景生成方法提取出具有代表性、准确性的含分布式光伏及负荷的典型场景,然后在已有场景的基础上,考虑电网需求特性,从经济性、环保性、可靠性3方面构建了分布式光伏及储能电池的规划模型,并将重心反向学习方法与粒子群优化算法结合,对规划模型进行求解。最后,通过对某一区域配电网进行规划设计,将规划结果利用雷达图对比评估,得到最优分布式光伏及储能电池的选址定容方案,验证本文方法的有效性、可行性。

    • 分布式光伏大规模并网后,由于其高度的不确定性,会给配网的电能质量、供电稳定性带来较大影响。而储能系统具有双向功率的灵活特性,二者的合理协同规划会提高电网的可靠性,提高电网对清洁能源的消纳能力[8-9]。分布式电源高渗透率接入后,会加剧用户侧负荷的波动进而加剧节点电压波动,因此采用节点电压和负荷水平来表征电能质量及系统稳定性。具体数学描述如下。

      1)节点电压平稳度${\rm SS}{{\rm D}_{\text{U}}} $

      $$ {\rm SS}{{\rm D}_{\text{U}}} = \sum\limits_{j \in N} {\left| {{U_{i,t}} - \mathop {{U_i}}\limits^ - } \right|} $$ (1)

      式中:$ {U_{i,t}} $为节点i在时刻t的电压值;$ \mathop {{U_i}}\limits^ - $为节点i在规划周期内的电压平均值。

      2) 负荷平稳度$ {\rm SS}{{\rm D}_{\text{l}}} $

      $$ {\rm SS}{{\rm D}_{\text{l}}} = \sum {\left| {{P_{{\text{l}},t}} - \mathop {{P_{\text{l}}}}\limits^ - } \right|} $$ (2)

      式中:$ {P_{{\text{l}},t}} $为在时刻t的配网负荷功率值;$ {\bar P_{\rm{l}}} $为在规划周期内的负荷功率平均值。

    • 基于单一断面数据规划方法存在电力特性持续时间短、代表性不强、误差较大等缺陷。为解决分布式光伏的不确定性问题,同时保障数据的代表性、多样性,本节引入场景信息熵[10]的概念对分布式光伏出力进行典型场景提取,为接下来的配网规划奠定基础。下面介绍具体步骤。

      首先将待分场景功率及概率信息作为初始节点,并计算初始节点信息熵。

      $$ H\left( {{v_0}} \right) = - \int_0^{{x_{\max }}} {p\left( x \right)\log p\left( x \right){\rm{d}}x} $$ (3)

      式中:H为节点信息熵;$ {v_0} $为初始节点;x为功率;$p\left( x \right)$为功率对应的概率;${x_{\max }}$为功率上限值。

      接下来将第一代节点划分成左右两个子节点,划分处信息熵等于子节点信息熵之和。

      $$ H\left({v}_{0},{x}_{0}\right)=H\left({v}_{0}^{{'}}\right)+H\left({v}_{0}^{'{'}}\right) $$ (4)
      $$ H\left( {v_0'} \right) = - \int_0^{{x_0}} {{p'}\left( x \right)\log } {p'}\left( x \right){\rm{d}}x $$ (5)
      $$ H\left({v}_{0}^{'{'}}\right)=-{\displaystyle {\int }_{{x}_{0}}^{{x}_{\mathrm{max}}}{p}^{'{'}}\left(x\right)\mathrm{log}}{p}^{'{'}}\left(x\right){\rm{d}}x $$ (6)

      式中:${x_0}$为任一划分位置;$H\left( {{v_0},{x_0}} \right)$为初始节点划分后的信息熵;$H\left( {v_0'} \right)$为划分后形成的左子节点;$H\left({v}_{0}^{'{'}}\right)$为划分后形成的右子节点;${p'}\left( x \right)$为左子节点功率对应的概率;p''(x)为右子节点功率对应的概率。

      场景划分的原则是信息熵减小量最大,即

      $$ \Delta H = H\left( {{v_0}} \right) - H\left( {{v_0},{x_0}} \right) $$ (7)

      式中$\Delta H$为划分后信息熵的减小量。信息熵减小量最大的划分位置即满足要求。

      对初始节点进行划分后,对产生的子节点进行校验,将子节点的信息熵与临界值${\varepsilon _{\text{H}}}$比较,若小于临界值${\varepsilon _{\text{H}}}$,则终止划分,将该子节点输出,作为新的典型场景;否则,继续进行划分。

      计算所有满足条件的子节点,将其作为新的典型场景集合。每个子节点内部样本数量占总样本数的比例作为该子节点对应典型场景的概率。

      取聚类簇数为不同数值分别提取典型场景,然后计算各个场景集信息熵的平均值作为提取后的总信息熵,比较选取总信息熵值由变化趋于稳定的转折点为最佳场景数,将对应的结果作为典型场景结果。

      图  1  基于信息熵的典型场景提取方法

      Figure 1.  The information entropy-based extraction method for typical scenarios

    • 结合已生成的典型场景,为满足电网运行需求的经济性、环保性[11]、可靠性3个方面[12],结合已生成的典型场景,本节构建配电网中分布式光伏及储能的选址定容规划模型。

    • 1)经济性。

      分布式电源和储能电池在配网中的周期主要包括建设、运维、回收3个阶段。在规划模型中,主要考虑前期的建设、运维成本及储能低储高发的收益。由此,体现经济性${C_{{\text{ec}}}}$的数学描述为

      $$ {C_{{\text{ec}}}} = {C_{{\text{invest}}}} + {C_{{\text{operation}}}} + {C_{{\text{buy}}}} - {C_{{\text{pro}}}} $$ (8)

      式中:${C_{{\text{invest}}}}$${C_{{\text{operation}}}}$分别为投资建设成本、运维成本;${C_{{\text{buy}}}}$为从主网的购电成本;$ {C_{{\text{pro}}}} $为储能电池低储高发的收益。

      $$ \begin{gathered} {C_{{\text{invest}}}} = \frac{{{r_0}{{\left( {1 + {r_0}} \right)}^y}}}{{{{\left( {1 + {r_0}} \right)}^y} - 1}}\xi _{{\text{invest}}}^{{\text{PV}}}\sum\limits_{j \in N} {P_{j,k}^{{\text{PV}}}} + \\ \frac{{{r_0}{{\left( {1 + {r_0}} \right)}^y}}}{{{{\left( {1 + {r_0}} \right)}^y} - 1}}\xi _{{\text{invest}}}^{{\text{BESS}}}\sum\limits_{j \in N} {P_{j,k}^{{\text{BESS}}}} \\ \end{gathered} $$ (9)

      式中:${r_0}$为贴现率,本文取0.06;y为适用规划年限,一般地,分布式光伏取20年、储能电池取10年;$\xi _{{\text{invest}}}^{{\text{PV}}}$$\xi _{{\text{invest}}}^{{\text{BESS}}}$为单位容量的光伏、储能电池投资建设成本;$P_{j,k}^{{\text{PV}}}$$P_{j,k}^{{\text{BESS}}}$为场景k中节点j光伏、储能电池的实际并网容量。

      $$ \begin{gathered} {C_{{\text{operation}}}} = \lambda \cdot {C_{{\text{invest}}}} + \xi _{{\text{ab}}}^{{\text{PV}}}\sum\limits_{j \in N} {\left( {P_{j,k}^{{\text{PV}}*} - P_{j,k}^{{\text{PV}}}} \right)} +\\ c_{{\text{price}}}^t\sum\limits_{j \in N} {\left( {P_{j,k}^{{\text{BESS}} - {\text{cha}}} - P_{j,k}^{{\text{BESS}} - {\text{dis}}}} \right)} \\ \end{gathered} $$ (10)

      式中:$\lambda $为运维成本的折算比例,本文取0.1;$\xi _{{\text{ab}}}^{{\text{PV}}}$为分布式光伏单位容量的弃电成本;$P_{j,k}^{{\text{PV}}*}$为场景k中节点j的光伏并网容量的理论值;$c_{{\text{price}}}^t$为从主网购电的单位容量实时电价;$P_{j,k}^{{\text{BESS}} - {\text{cha}}}$$P_{j,k}^{{\text{BESS}} - {\text{dis}}}$分别为场景k中储能电池节点j的充放电功率值。

      $$ {C_{{\text{buy}}}} = c_{{\text{price}}}^t\sum\limits_{j \in N} {P_{j,k}^{{\text{buy}}}} $$ (11)

      式中$P_{j,k}^{{\text{buy}}}$为场景k中节点j的主网购电量。

      $$ {C_{{\text{pro}}}} = c_{{\text{price}}}^t\sum\limits_{j \in N} {\left( {P_{j,k}^{\text{l}} - P_{j,k}^{{\text{l}}'}} \right)} \Delta t $$ (12)

      式中$ P_{j,k}^{\text{l}} $$ P_{j,k}^{{\text{l}}'} $分别为场景k中节点j储能电池作用前后的负荷量。

      2)环保性。

      配网投入运行中产生的碳排放通过分布式光伏并网减排,并由储能电池进一步提高能源消纳率,促进碳排放相抵。计算碳排放成本${C_{{\rm{en}}}}$数学表达式如下:

      $$ {C_{{\text{en}}}} = \xi _{\text{c}}^{\text{f}}\left( {{C_{{\text{fl}}}} - {C_{{\text{BESS}}}} - {C_{{\text{dec}}}}} \right) $$ (13)

      式中$\xi _{\text{c}}^{\text{f}}$为配电网运行过程中碳排放的单位惩罚成本。

      $$ {C_{{\text{fl}}}} = {\lambda _{\text{c}}}\sum\limits_{i,j \in N} {\left( {P_{j,k}^{{\text{fac}} - {\text{loss}}} + P_{ij,k}^{{\text{line}} - {\text{loss}}}} \right)} $$ (14)

      式中:${\lambda _{\text{c}}}$为碳排放转化因子;$P_{j,k}^{{\text{fac}} - {\text{loss}}}$$P_{ij,k}^{{\text{line}} - {\text{loss}}}$分别为场景k中节点j的设备耗电量、节点ij之间的线路耗电量。

      $$ \begin{gathered} {C_{{\text{dec}}}} = {C_{{\text{PV}}}} - {C_{{\text{pow}}}} \sum\limits_{j \in N} {\left( {K_{\text{c}}^{{\text{PV}}}P_{j,k}^{{\text{PV}}} - {\lambda _{\text{c}}}P_{j,k}^{{\text{pow}}}} \right)} \\ \end{gathered} $$ (15)

      式中:$K_{\text{c}}^{{\text{PV}}}$为分布式光伏单位发电量的碳排放量;$P_{j,k}^{{\text{PV}}}$$P_{j,k}^{{\text{pow}}}$分别为场景k中节点j的分布式光伏、传统电源出力值。

      $$ {C_{{\text{BESS}}}} = \frac{{{C_0} + {\lambda _{\text{c}}}\displaystyle\sum\limits_{j \in N} {\Delta P_{j,k}^{{\text{BESS}}}\Delta t} }}{{{\delta _{{\text{ES}}}} \cdot \left( {{E_0} + \displaystyle\sum\limits_{j \in N} {\Delta P_{j,k}^{{\text{BESS}}}\Delta t} } \right)}} $$ (16)

      式中:${C_0}$${E_0}$分别为上一放电状态结束时刻,储能电池的剩余碳余量、电量;${\delta _{{\text{ES}}}}$为储能电池的放电率,本文取95%;$\Delta P_{j,k}^{{\text{BESS}}}$为场景k中节点j储能电池的放电与充电功率差值。

      3)可靠性。

      采用第1节的平稳度模型来表征可靠性${C_{{\text{fa}}}}$,数学表达式为:

      $$ {C_{{\text{fa}}}} = f(SS{D_{\text{U}}},SS{D_{\text{l}}}) $$ (17)

      综上所述,规划模型中,以综合成本C最小为目标,基于多场景的目标函数数学表达式如下:

      $$ \min C = \sum\limits_{k = 1}^K {{p_k}\left( {{C_{{\text{ec}}}},{C_{{\text{en}}}},{C_{{\text{fa}}}}} \right)} $$ (18)

      式中${p_k}$为对应场景k的发生概率。

    • 1)功率潮流约束。

      $$ \left\{ {\begin{array}{*{20}{c}} {{P_i} = {U_i}\displaystyle\sum\limits_{j = 1}^N {{U_j}\left( {{G_{ij}}\cos {\theta _{ij}} + {B_{ij}}\sin {\theta _{ij}}} \right)} } \\ {{Q_i} = {U_i}\displaystyle\sum\limits_{j = 1}^N {{U_j}\left( {{G_{ij}}\sin {\theta _{ij}} - {B_{ij}}\cos {\theta _{ij}}} \right)} } \end{array}} \right. $$ (19)

      式中:${P_i}$${Q_i}$分别为节点i的有功功率和无功功率;${U_i}$${U_j}$分别为节点ij的电压;${B_{ij}}$${G_{ij}}$分别为节点ij之间的电导、电纳;${\theta _{ij}}$为节点ij之间的电压相角。

      2)节点电压约束。

      $$ {U_{i,\min }} \leqslant {U_i} \leqslant {U_{i,\max }} $$ (20)

      式中${U_{i,\min }}$${U_{i,\max }}$分别为节点i的电压上下限值。

      3)线路功率传输约束。

      $$ 0 {\text<} {P_{{{\rm{l}}}}} \leqslant {P_{{{{\rm{l}}}},\max }} $$ (21)

      式中${P_{\text{l}}}$${P_{{\text{l}},\max }}$分别为线路传输功率实际值及上限值。

      4)分布式光伏节点安装容量约束

      $$ 0 \leqslant P_i^{{\text{PV}}} \leqslant P_{i,\max }^{{\text{PV}}} $$ (22)

      式中$P_{i,\max }^{{\text{PV}}}$为节点i安装光伏容量上限值。

      5)配网分布式光伏安装总量约束。

      $$ 0 {\text<} \sum\limits_{i = 1}^N {P_i^{{\text{PV}}} \leqslant {\lambda _{{\text{PV}}}}\sum\limits_{i = 1}^N {P_i^{{\text{load}}}} } $$ (23)

      式中:$P_i^{{\text{load}}}$为节点i的负荷功率;${\lambda _{{\text{PV}}}}$为分布式光伏并网与负荷总量的比例系数。

      6)储能电池约束。

      $${\rm SO}{{\rm C}_{\min }} \leqslant {\rm SOC} \leqslant {\rm SO}{{\rm C}_{\max }} $$ (24)
      $$ 0 \leqslant {P_{{\text{ES}}}}\left( t \right) \leqslant {P_{{\text{ES}} - \max }} $$ (25)
      $$ 0 \leqslant P_i^{{\text{BESS}}} \leqslant P_{i,\max }^{{\text{BESS}}} $$ (26)

      式中:$ {\rm SO}{{\rm C}_{\min }} $$ {\rm SO}{{\rm C}_{\max }} $分别为储能电池荷电状态的上下限值;${P_{{\text{ES}} - \max }}$$P_{i,\max }^{{\text{BESS}}}$分别为节点i储能电池充放电功率、安装容量的最大值。

    • 在计算出模型中各指标值后,采用较为直观的雷达图进行评价。雷达图包含面积${S_i}$、周长${Z_i}$及综合评价因子E,面积越大,说明该方案总体更优越;面积一定,周长越小,说明该方案更均衡,协调性更好;综合评价因子E值越接近1,说明效果越好[14]

    • 粒子群算法是一种适应性好、鲁棒性强、简单灵活的优化算法,重心反向学习[15]作为一种表现良好的学习算法,已经应用于多种优化算法,能够有效提升算法的寻优能力。因此,本文综合两类算法的优势,拟采用COBL-PSO[16]算法对配电网分布式光伏及储能规划模型进行求解,步骤如下。

      步骤1)确定粒子群算法[17]中,种群大小N、最大迭代次数T、学习因子${c_1}$${c_2}$,粒子飞行速度范围$\left[ { - {v_m},{v_m}} \right]$,确定规划模型参数,设定规划周期。

      步骤2)输入初始随机粒子:各场景中分布式光伏及储能电池出力容量值,记录各粒子位置。

      步骤3)采用式(27)(28)迭代更新粒子的速度和位置[18]

      $$ \begin{gathered} {v_{ij}}(t + 1) = w{v_{ij}}(t) + {c_1}{r_1}\left[ {{p_{{\text{best}},ij}}\left( t \right) - {x_{ij}}\left( t \right)} \right] +\\ {c_2}{r_2}\left[ {{g_{{\text{best}},ij}}\left( t \right) - {x_{ij}}\left( t \right)} \right] \\ \end{gathered} $$ (27)
      $$ {x_{ij}}\left( {t + 1} \right) = {x_{ij}}\left( t \right) + {v_{ij}}\left( {t + 1} \right) $$ (28)

      若粒子i迭代t次时的第j维速度分量${v_{ij}}\left( t \right) {\text>} {v_m}$,则令${v_{ij}}\left( t \right) = {v_m}$;若${v_{ij}}\left( t \right) {\text<} - {v_m}$,则令${v_{ij}}\left( t \right) = - {v_m}\left( t \right)$,继续迭代。

      步骤4)计算点集重心$G = \dfrac{{{x_1} + {x_2} + \cdots + {x_n}}}{n}$,进而计算当前粒子的反向解$\mathop {{x_i}}\limits^ \sim = 2 \times G - {x_i}$

      步骤5)将规划模型中的目标函数式(8)—(18)作为PSO中的适应度函数,计算并比较适应度值${f_{{\text{best}}}}\left( {{x_{ij}}} \right)$${f_{{\text{best}}}}\left( {{{\mathop x\limits^ \sim }_{ij}}} \right)$,择优更新粒子,保留最优适应度值(即目标函数最小值)及对应的粒子个体最优位置,继而确定全局最优位置,即各场景中分布式光伏及储能电池的出力容量值。

      步骤6)判断当前得到的出力容量值是否符合限定范围,或当前迭代次数是否超过最大迭代次数。若是,则输出当前分布式光伏及储能电池的出力值,运算结束;否则,返回步骤3),继续进行运算。

      图  2  基于COBL-PSO算法的规划模型求解步骤

      Figure 2.  Solving steps of planning model based on COBL-PSO algorithm

    • 采用IEEE33节点系统作实例分析,网架结构如图3所示。

      图  3  IEEE33节点网架结构

      Figure 3.  Structural of IEEE 33 bus network

      负荷、光伏、储能电池接入点情况如表1所示。

      表 1  接入点位置

      Table 1.  Position of switching-in point

      负荷接入点13,14,19,20,32,33
      分布式光伏、
      储能电池可接入点
      4,5,6,7,11,12,13,14,
      15,20,23,24,27,28,31

      模型参数参考文献[19-20],如表2所示。峰谷分时电价见表3

      表 2  模型参数

      Table 2.  Model parameters

      参数数值
      单位容量光伏投资建设成本/(元/kW·h)12000
      单位容量储能电池投资建设成本/(万元/MW·h)100
      分布式光伏单位容量弃电成本/(元/MW·h)2400
      碳排放的单位惩罚成本/(元/t)60
      分布式光伏单位发电量的碳排放量/(kg/kW·h)0.92
      所允许节点i的电压最大标幺值1.05
      所允许节点i的电压最小标幺值0.95
      线路ij所允许的传输有功功率最大值/MW6
      储能电池功率最大值/MW1.5
      储能电池最小荷电状态30%额定容量
      储能电池最大荷电状态95%额定容量
      改进粒子群算法种群规模30
      最大迭代次数100
      学习因子2

      表 3  分时电价

      Table 3.  Time of use power price

      时段购电价/(元/kW·h)
      高峰段10:00—15:000.86
      18:00—21:00
      平时段7:00—10:000.51
      15:00—18:00
      21:00—23:00
      低谷段0:00—7:000.20
      23:00—24:00

      选取某地区全年数据为本文算例数据,设定光伏、负荷数据采样间隔为1 h。根据第2节内容,采用文献[21]的光伏出力模型,得到光伏全年出力数据见图4;全年负荷数据见图5(基准功率值为10MW),并采用基于信息熵的场景提取方法进行处理,设置节点临界值为0.01,得到不同场景个数下信息熵对比图6

      图  4  全年光伏出力值

      Figure 4.  Annual PV output value

      图  5  全年负荷数据

      Figure 5.  Annual load data

      图  6  不同场景个数下的典型场景信息熵

      Figure 6.  Information entropy of typical scene under different number of scenarios

      根据图6及第2节内容可得,最佳场景数为9,典型场景分布情况见图7

      图  7  典型场景分布情况

      Figure 7.  Distribution of typical scenarios

      基于已生成的典型场景,根据第3节内容,利用COBL-PSO算法求解规划模型,得到各场景对应的规划结果的指标值,由于本文只包含3个指标,因此采用三角图进行对比,各规划方案评价因子对比见表4,直观评价结果见图8

      表 4  各场景规划方案评价因子对比

      Table 4.  Comparison of evaluation factors of each scenario planning scheme

      方案${S_i}$${Z_i}$E
      K11.282.970.71
      K21.382.950.93
      K31.343.010.80
      K41.332.990.91
      K51.633.290.88
      K61.272.910.77
      K71.253.230.75
      K81.573.090.95
      K91.252.830.82

      图  8  各场景规划结果三角图

      Figure 8.  Triangular chart of planning results for each scene

      图8表4对比可知,方案1、3、6、7、9由于场景中光伏出力过低,使得规划结果的可靠性很高,但是环保性过低;而方案5由于光伏容量过大,使得可靠性指标过低,上述方案评估结果过于“畸形”,不予采用。方案2、4虽然整体优越性、协调性优于上述方案,但是方案2、4负荷与光伏出力差值大于方案8,光伏出力与负荷之间变化的同步性较差,光伏出力不能很好地跟随负荷的变化而变化,光伏与负荷的紧密程度低于方案8,系统不能很好地满足负荷需求,协调性低于方案8,因此综合评价因子低于方案8,也不予采用。

      因此在选定时间范围内,按照场景8下的规划方案确定分布式光伏、储能的并网容量,评价结果最优,能在满足正常需求的前提下,保证配电网运行的经济性、环保性、可靠性。方案8对应的选址定容方案见表5,全年规划成本见表6

      表 5  选址定容方案

      Table 5.  Site selection and capacity determination scheme

      接入位置配置容量/MVA
      分布式光伏41.7
      111.7
      151.8
      200.2
      272.0
      312.0
      储能电池41.3
      71.5

      表 6  方案8规划成本结果

      Table 6.  Planned cost of scheme No. 8

      成本类型成本/万元
      投资建设成本44.851
      运维成本25.267
      从主网购电成本406.323
      储能电池收益19.717
      碳排放成本18.340
      总成本475.064

      表 7  方案8可靠性目标结果

      Table 7.  Reliability target results of scheme No. 8

      节点电压平稳度3.244
      负荷平稳度5.125

      本文方法科学性比较。本文设置3种对比:已确定的方案8;不接入储能,分布式光伏接入位置与场景8相同;不采用多场景计算方法,采用传统的选取最大、最小值,并求取平均值的数据处理方法,分布式光伏与储能电池接入位置及容量与方案8相同。对比结果见图9

      图  9  对比结果

      Figure 9.  Comparison results

      图9可得:1)不考虑储能的环保性与考虑储能结果接近,经济性略优,但是可靠性与考虑储能结果相差过大,导致综合评价结果较低,证明了分布式光伏与储能的联合规划可以有效提升电网的可靠性、稳定性;2)采用传统单一断面的计算方法各项指标均低于多场景计算方法,证明了采用多场景计算方法的有效性。

      算法结果比较。本文采用COBL-PSO算法进行求解,为验证算法效果,与传统PSO算法进行比较,相关信息见表8图10

      表 8  求解算法对比

      Table 8.  Comparison of solving algorithms

      求解算法收敛次数总成本/万元
      COBL-PSO23475.064
      PSO52502.005

      图  10  求解算法对比

      Figure 10.  Comparison of solving algorithms

      表8图10可得,本文算法收敛速度更快、相同情况下总规划成本更低,效果要明显优于传统算法,进一步证明了本文计算方法的可行性、实用性。

    • 1)分布式电源和储能电池的合理联合规划在保障电网运行的经济性、环保性的前提下,有效提高电网的可靠性、稳定性。

      2)相比于只考虑单一断面的规划方法,基于多场景进行规划可以结果更优,且与实际情况更加贴近。

      3)本文采用的COBL-PSO算法相比于传统优化算法,收敛速度更快、结果更优,证明了该算法的有效性。

      另外,本文只针对光伏进行分析,且未考虑配网网架扩展规划问题,下一步研究可以综合考虑其他多种类分布式能源以及配网网架结构进行优化规划。

参考文献 (21)

目录

    /

    返回文章
    返回