CN106786610B - 一种基于储能电池的分布式光伏高渗透率电网电压优化方法 - Google Patents
一种基于储能电池的分布式光伏高渗透率电网电压优化方法 Download PDFInfo
- Publication number
- CN106786610B CN106786610B CN201611059319.7A CN201611059319A CN106786610B CN 106786610 B CN106786610 B CN 106786610B CN 201611059319 A CN201611059319 A CN 201611059319A CN 106786610 B CN106786610 B CN 106786610B
- Authority
- CN
- China
- Prior art keywords
- energy
- storage battery
- power
- limit
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 155
- 230000035699 permeability Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 230000003993 interaction Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 8
- 238000010248 power generation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H02J3/383—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于储能电池的光伏高渗透率电网电压优化方法，其特点是，包括电压越限机理与基于储能电池改善电压越限的机理分析、改善电压越限的优化模型及求解、储能电池最优配置容量的确定。本发明充分考虑了从用户侧角度切入，并结合了电压越限机理和基于储能电池改善电压越限的机理，通过遗传算法求解，实现改善系统节点电压水平，获得储能电池的最优配置容量值，具有科学合理，实用效果佳等优点，能够为配电网中储能电池的定容、运行控制等提供依据。
Description
技术领域
本发明是一种基于储能电池的分布式光伏高渗透率电网电压优化方法。
背景技术
分布式光伏发电作为可再生能源发电的一种形式，以其高效优质、清洁环保等优点。据统计，截至2015年底，我国光伏发电累计装机容量4318万kW，成为全球光伏发电装机容量最大的国家。其中，分布式光伏装机606万kW，占比14％。分布式光伏产业已列入我国“十三五”规划重点发展对象，发展迅速、前景广阔。
分布式光伏接入配电网后，使传统的配电网由单电源辐射型网络向双电源、多电源复杂拓扑网络结构转变，给配电网带来一系列的影响，如节点电压越限问题，已成为制约分布式光伏广泛应用的严重障碍：一方面，电能质量失优、供电低效，甚至造成负荷运行异常；另一方面容易引起分布式光伏系统脱网，能源利用率低下，经济性不佳。随着分布式光伏接入配电网规模的迅速增大，研究如何改善分布式光伏高渗透配电网的电压越限问题，对保证配电网安全、经济运行有重要的意义。
储能电池作为一种储能装置应用广泛，必要时让其参与配电网电压调节的目的是可以考虑的。另外，储能电池的充放电行为可以人为控制，且不受地区负荷消纳能量的影响，在理论上是可以有效跟踪分布式光伏电源对配电网的影响变化，及时消纳分布式光伏电源多发能量，实现改善配电网各节点电压水平的目的。
发明内容
本发明所要解决的技术问题是，提出一种科学合理，能够充分考虑储能电池参与配电网电压调节运行，以改善节点电压水平为目标，以储能电池充电功率限值及系统功率平衡为约束，通过遗传算法寻优，获得储能电池的最优充电功率调度值，进而确定储能电池最优配置容量的基于储能电池的光伏高渗透率电网电压优化方法。
解决其技术问题采用的技术方实施是：一种基于储能电池的分布式光伏高渗透率配电网电压优化方法，其特征是，它包括：电压越限机理与基于储能电池改善电压越限的机理分析、改善电压越限的优化模型及求解、储能电池最优配置容量的确定，具体步骤有：
1.一种基于储能电池的分布式光伏高渗透率配电网电压优化方法，其特征是，它包括：电压越限机理与基于储能电池改善电压越限的机理分析、改善电压越限的优化模型及求解、储能电池最优配置容量的确定，具体步骤有：
1)电压越限机理与基于储能电池改善电压越限的机理分析
辐射式配电网在无分布式光伏电源接入时，配电网潮流流向总是从网络的首端流向末端，随着分布式光伏电源的接入，配电网潮流流向可能发生逆向流动；配电网已不再是仅为负荷供电的被动网络，而是变成了能与分布式光伏电源、负荷进行互动的交互网络；当分布式光伏电源向配电网注入功率时，相应的节点处的电压有可能升高，这种情况更可能出现在高渗透率分布式光伏电源接入配电网时；配电网中除接入负荷和分布式光伏电源之外，还配置了一定容量的储能电池；当分布式光伏电源的渗透率处于较低水平，无节点发生电压越限时，此时储能电池不参与调节电压；当分布式光伏电源的渗透率较高而使节点电压发生越限时，电网允许储能电池参与，对储能电池的充电功率进行调度，以改善节点电压越限；通过对节点处储能电池的充电功率进行合理的调度，能够解决配电网中因高渗透率分布式光伏电源的接入而引起的电压越限问题；
2)改善电压越限的优化模型及求解
对储能电池充电功率的合理调度能够有效解决由高渗透率分布式光伏电源引起的配电网电压越限问题；构建基于对储能电池充电功率最优调度，以使得配电网中各节点电压越限能够得到改善电压越限的优化模型如下：
每次遗传算法迭代后每个种群各节点的电压越限量之和达到最小；表达式为式(1)：
其中：Vk为每次迭代后电压越限节点k的电压幅值；
VN为设定的节点正常电压幅值上限；
k为遗传算法中每次迭代后每个种群电压越限节点的个数，非定值；
每次迭代后电压越限节点则根据每次潮流计算后对所有节点筛选搜索得来；
(a)功率平衡约束
配电网与分布式光伏电源、负荷、储能电池的交互稳定运行需在功率平衡的约束下进行；当分布式光伏电源与负荷功率失衡时，由储能电池、配电网参与调节；配电网与分布式光伏电源、负荷、储能电池的在节点i处的交互功率PGi满足等式(2)：
其中：PPVi为节点i处的分布式光伏电源输出功率；
PLi为节点i处的负荷功率；
η为储能电池充放电效率；
PBATi为储能电池的充放电功率；
PBATi<0表示储能电池处于充电状态；
PBATi≥表示储能电池处于放电状态；
交互功率PGi的存在，说明配电网与分布式光伏电源、负荷、储能电池之间功率有内在的联系，是节点处功率流动避免失衡的保障；当配电网运行时，各节点的潮流将按照等式(2)约束自动调节功率流动，以使配电网运行在正常的状态；
(b)储能电池的充电功率上下限约束
将储能电池等效为PQ型负荷，改善电压越限的优化模型约束条件为各储能电池充电功率的上下限容量，由式(3)表示：
PBATimin≤PBATi≤PBATimax i＝1,...,N (3)
其中：N为配电网中配置的储能电池的数目；
PBATimin为储能电池i的充电功率下限值；
PBATimax为储能电池i的充电功率上限值；
一般的，PBATimin取0，而PBATi max在遗传算法初始化中先设为预定值；计算时，首先在预定值中寻找各储能电池的最优充电功率调度值，待算法结束实现优化目标后再确立具体的各储能电池的最优配置容量值；
(c)利用遗传算法求解
遗传算法是一种随机搜索全局最优解的优化方法，具有良好的全局寻优能力，可实现解空间中快速寻优，
利用遗传算法求解的过程有：
①编码及初始化；
②构造适应度函数；对遗传算法每次迭代后每个种群中所有电压越限节点的电压幅值与电压幅值上限之差求和，所得和值作为适应度函数值；适应度函数为式(4)：
其中：Vk为每次迭代后电压越限节点k的电压幅值；
VN为设定的节点正常电压幅值上限，设为1.03pu；
③交叉和变异；每次迭代时，适应度函数都要对每次迭代的种群中所有个体，即储能电池充电功率进行评价，对种群中满足条件的个体进行选择、交叉和变异操作，产生下一代种群；
④终止条件；当迭代达到最大遗传代数时，迭代终止，输出对储能电池的最优充电功率调度值；
3)储能电池最优配置容量的确定
利用已求解得到的最优充电功率调度值，来确定储能电池的最优配置容量；按式(5)和式(6)计算；
其中：为节点i处储能电池在t0至t1时段的充电电量；
为对节点i处储能电池的最优充电功率调度值；
t0为节点i处出现节点电压越限的初始时刻；
t1为节点i处电压越限得到改善恢复正常值时的截止时刻；
E0i为节点i处储能电池的初始荷电量，
η为储能电池的充电效率。
本发明基于储能电池的光伏高渗透率电网电压优化方法，充分考虑了从用户侧角度切入，并结合了电压越限机理和基于储能电池改善电压越限的机理，通过遗传算法求解，实现改善系统节点电压水平，获得储能电池的最优配置容量值，具有科学合理，应用效果佳等优点，可为配电网中储能电池的定容、运行控制等提供依据。
附图说明
图1是IEEE33节点配电网标准系统网络拓扑结构图；
图2是系统原始电压分布与极端场景下电压分布对比示意图；
图3是分布式光伏不同出力下系统节点电压分布示意图；
图4是系统电压越限问题优化前后对比示意图。
具体实施方式
下面利用附图和实施例对本发明一种基于储能电池的光伏高渗透率电网电压优化方法作进一步说明。
本发明的一种基于储能电池的光伏高渗透率配电网电压优化方法，包括：电压越限机理与基于储能电池改善电压越限的机理分析、改善电压越限的优化模型及求解、储能电池最优配置容量的确定，具体步骤有：.
1.一种基于储能电池的分布式光伏高渗透率配电网电压优化方法，其特征是，它包括：电压越限机理与基于储能电池改善电压越限的机理分析、改善电压越限的优化模型及求解、储能电池最优配置容量的确定，具体步骤有：
1)电压越限机理与基于储能电池改善电压越限的机理分析
辐射式配电网在无分布式光伏电源接入时，配电网潮流流向总是从网络的首端流向末端，随着分布式光伏电源的接入，配电网潮流流向可能发生逆向流动；配电网已不再是仅为负荷供电的被动网络，而是变成了能与分布式光伏电源、负荷进行互动的交互网络；当分布式光伏电源向配电网注入功率时，相应的节点处的电压有可能升高，这种情况更可能出现在高渗透率分布式光伏电源接入配电网时；配电网中除接入负荷和分布式光伏电源之外，还配置了一定容量的储能电池；当分布式光伏电源的渗透率处于较低水平，无节点发生电压越限时，此时储能电池不参与调节电压；当分布式光伏电源的渗透率较高而使节点电压发生越限时，电网允许储能电池参与，对储能电池的充电功率进行调度，以改善节点电压越限；通过对节点处储能电池的充电功率进行合理的调度，能够解决配电网中因高渗透率分布式光伏电源的接入而引起的电压越限问题；
2)改善电压越限的优化模型及求解
对储能电池充电功率的合理调度能够有效解决由高渗透率分布式光伏电源引起的配电网电压越限问题；构建基于对储能电池充电功率最优调度，以使得配电网中各节点电压越限能够得到改善电压越限的优化模型如下：
每次遗传算法迭代后每个种群各节点的电压越限量之和达到最小；表达式为式(1)：
其中：Vk为每次迭代后电压越限节点k的电压幅值；
VN为设定的节点正常电压幅值上限；
k为遗传算法中每次迭代后每个种群电压越限节点的个数，非定值；
每次迭代后电压越限节点则根据每次潮流计算后对所有节点筛选搜索得来；
(a)功率平衡约束
配电网与分布式光伏电源、负荷、储能电池的交互稳定运行需在功率平衡的约束下进行；当分布式光伏电源与负荷功率失衡时，由储能电池、配电网参与调节；配电网与分布式光伏电源、负荷、储能电池的在节点i处的交互功率PGi满足等式(2)：
其中：PPVi为节点i处的分布式光伏电源输出功率；
PLi为节点i处的负荷功率；
η为储能电池充放电效率；
PBATi为储能电池的充放电功率；
PBATi<0表示储能电池处于充电状态；
PBATi≥表示储能电池处于放电状态；
交互功率PGi的存在，说明配电网与分布式光伏电源、负荷、储能电池之间功率有内在的联系，是节点处功率流动避免失衡的保障；当配电网运行时，各节点的潮流将按照等式(2)约束自动调节功率流动，以使配电网运行在正常的状态；
(b)储能电池的充电功率上下限约束
将储能电池等效为PQ型负荷，改善电压越限的优化模型约束条件为各储能电池充电功率的上下限容量，由式(3)表示：
PBATimin≤PBATi≤PBATimax i＝1,...,N (3)
其中：N为配电网中配置的储能电池的数目；
PBATimin为储能电池i的充电功率下限值；
PBATimax为储能电池i的充电功率上限值；
一般的，PBATimin取0，而PBATi max在遗传算法初始化中先设为预定值；计算时，首先在预定值中寻找各储能电池的最优充电功率调度值，待算法结束实现优化目标后再确立具体的各储能电池的最优配置容量值；
(c)利用遗传算法求解
遗传算法是一种随机搜索全局最优解的优化方法，具有良好的全局寻优能力，可实现解空间中快速寻优，
利用遗传算法求解的过程有：
①编码及初始化；
②构造适应度函数；对遗传算法每次迭代后每个种群中所有电压越限节点的电压幅值与电压幅值上限之差求和，所得和值作为适应度函数值；适应度函数为式(4)：
其中：Vk为每次迭代后电压越限节点k的电压幅值；
VN为设定的节点正常电压幅值上限，设为1.03pu；
③交叉和变异；每次迭代时，适应度函数都要对每次迭代的种群中所有个体，即储能电池充电功率进行评价，对种群中满足条件的个体进行选择、交叉和变异操作，产生下一代种群；
④终止条件；当迭代达到最大遗传代数时，迭代终止，输出对储能电池的最优充电功率调度值；
3)储能电池最优配置容量的确定
利用已求解得到的最优充电功率调度值，来确定储能电池的最优配置容量；按式(5)和式(6)计算；
其中：为节点i处储能电池在t0至t1时段的充电电量；
为对节点i处储能电池的最优充电功率调度值；
t0为节点i处出现节点电压越限的初始时刻；
t1为节点i处电压越限得到改善恢复正常值时的截止时刻；
E0i为节点i处储能电池的初始荷电量，
η为储能电池的充电效率。
为验证所提方法的有效性，采用IEEE33节点标准作为算例测试系统。IEEE33节点配电网标准系统网络拓扑结构如图1所示。为便于分析，本实施例忽略6-19、7-13、10-20、16-31及23-27之间的联络开关，测试系统的基准电压设定为12.26kV，基准功率为10MVA，有功负荷总量为3715kW，无功负荷总量为2300kVar。
为分析高渗透分布式光伏电源对上述配电网系统各节点电压的影响，在节点7、11、17、32处分别接入额定功率均为1MW的分布式光伏电源。可以看出，分布式光伏电源渗透率达到了40％。为解决高渗透分布式光伏电源引起的节点电压越限问题，随机选取位置相邻的四个节点，即7、8、9、10四个节点，作为储能电池在配电网中的配置接入点，接入情况如图1所示。
为确定储能电池的最优配置容量，取配电网各节点电压从开始越限到得以改善所用时间均为15min，取各配置节点处储能电池的初始荷电状态为0，充电效率均为90％。
另外，本实施例采用前推回代法辐射式配电网潮流计算方法计算IEEE33节点系统的潮流，具有方法简单，计算速度快等优点。
1.电压越限机理与基于储能电池改善电压越限的机理分析
配电网系统中节点电压能否发生越限现象取决于两种因素的同时发生：一方面，分布式光伏电源需处在高出力状态；另一方面，电力负荷的能量消耗处在低水平的状态。只有在这两种因素同时满足的情况下，系统中节点电压越限现象才有可能出现。然而，现实中，分布式光伏出力的随机性以及配电网中区域负荷的日变及季节性变化的难以捉摸，使得上述两种因素在一年中何时同时出现变得难以把握，这给研究高渗透分布式光伏接入配电网所带来的电压问题带来了不便。
为此，本实施例设定一种极端场境来分析高渗透分布式光伏电源接入配电网对系统电压的影响。此种情境下，分布式光伏电源出力足够高，而负荷能量消耗水平足够低，此时配电网中各节点更易发生电压越限。令节点6、12、18、33处的分布式光伏电源发出其额定功率90％(由充电效率、晴天同时率等决定)有功功率；配电网中所有节点处的负荷缩减至其额定容量的25％(由配电网低谷负荷比例决定)，则使得上述两种因素同时得到满足，进而模拟研究配电网中各节点的电压越限行为。
本实施例设置极限场景的目的是利用储能电池合理改善此场境下的电压越限行为之后实现储能电池容量的最优配置容量，使得系统在实际运行时储能电池容量能够有足够裕度改善各种场景下节点电压越限问题。
配电网在无分布式光伏电源接入时，配电网中的潮流将由首端流向末端，系统中各节点电压幅值将沿馈线逐渐减小。运用前推回代潮流计算方法，在MATLAB环境下编写程序可得IEEE33节点系统电压的原始分布，系统原始电压分布与极端场景下电压分布对比如图2所示。
由图2可知，配电网中节点1至18的电压幅值沿馈线逐渐降低。同样地，节点18至33的电压幅值也是呈沿馈线逐渐降低的趋势分布，满足辐射式配电网节点电压幅值沿配电网馈线逐渐递减分布的特性。
而当本实施例系统节点电压幅值正常范围上限值设定为1.03pu时，那么在上述极端场景下，配电网系统在高渗透分布式光伏电源渗透下各节点电压分布情况如图2所示。可知，此场景下，全网中大多数节点出现电压越限。
2.改善电压越限的优化模型及求解
实际上，由于分布式光伏电源的波动性，不只是分布式光伏电源出力为其额定容量90％的情况才能使系统节点发生越限。分布式光伏不同出力下系统节点电压分布情况如图3所示，由图3看出，分布式光伏出力越高，系统节点电压越限情况越恶劣，对分布式光伏的接纳能力越弱，系统越不稳定。而分布式光伏出力出力较低时，比如，如图3所示出力达到其额定容量的40％，系统中无节点发生电压越限。可见，高渗透分布式光伏导致节点电压质量失优，幅值超出正常范围，影响系统正常运行与过多的分布式光伏出力导致产生的剩余能量不能被系统及时地消纳有关。
为此，本实施例考虑利用用户侧的储能电池消纳分布式光伏电源产生的多余电能，改变系统潮流，进而改善系统节点电压越限，保障供电可靠性。利用上述优化模型可得分布式光伏不同出力下各储能电池的最优充电功率,再根据式(5)、式(6)求得各储能电池在分布式光伏不同出力下的最优配置容量值，具体结果如表1所示。优化模型中各配置节点处储能电池充电功率上限均设为700kW。
表1分布式光伏不同出力下各储能电池最优配置容量
分析表1数据可得，随着系统分布式光伏的递增，各储能电池的最优配置容量也呈现出递增的趋势。当分布式光伏出力达到额定容量的90％时，各储能电池的最优配置容量也达到了最大
3.储能电池最优配置容量的确定
由图3可知，分布式光伏不同出力场景下，系统节点电压越限程度不同，使得能量剩余量有高有低。那么，利用储能电池消纳多余能量而得到相应最优充电功率也会有大有小，其相应配置容量也会因出力场景不同而产生差异，结果可由表1所示。相对于其他出力场景，当分布式光伏出力达到其额定容量的90％时，系统未能消纳的能量最多，电压越限程度最恶劣，需要的最优配置容量值当然也是最大的。因此本实施例选择分布式光伏出力达到其额定容量的90％时对应的储能电池配置容量作为最终配置容量。之所以选择这样选择，是因为当分布式光伏出力小于其额定容量的90％时，储能电池能够有足够的裕量予以应对不同场景下的电压越限问题，将其予以改善。
在7、8、9、10四个节点处所有储能电池的充电功率限值均为700kW时，极端场景下利用上述优化模型并经过遗传算法对目标函数进行寻优求解，可得上述储能电池在配电网系统控制下的充电功率分别为465kW、508kW、515kW及631kW。配电网控制下各储能电池按最优充电功率完成充电之后，系统各节点电压在优化前后的分布情况如图4所示。可见各越限节点电压均回到正常水平，节点电压改善率达到90％以上，电压越限得到良好的改善。此时，根据各配置节点处储能电池最优充电功率并保证一定的裕量的基础上，根据式(5)、式(6)两式则可得各节点储能电池的最优配置容量，最终结果如表1相应部分所示。把此时得到的最优配置容量作为储能电池的最终配置容量。
本发明实施例中的计算条件、图例等仅用于对本发明作进一步的说明，并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替代，均在本发明保护范围内。
Claims (1)
1.一种基于储能电池的分布式光伏高渗透率配电网电压优化方法，其特征是，它包括：电压越限机理与基于储能电池改善电压越限的机理分析、改善电压越限的优化模型及求解、储能电池最优配置容量的确定，具体步骤有：
1)电压越限机理与基于储能电池改善电压越限的机理分析
辐射式配电网在无分布式光伏电源接入时，配电网潮流流向总是从网络的首端流向末端，随着分布式光伏电源的接入，配电网潮流流向可能发生逆向流动；配电网已不再是仅为负荷供电的被动网络，而是变成了能与分布式光伏电源、负荷进行互动的交互网络；当分布式光伏电源向配电网注入功率时，相应的节点处的电压有可能升高，这种情况更可能出现在高渗透率分布式光伏电源接入配电网时；配电网中除接入负荷和分布式光伏电源之外，还配置了一定容量的储能电池；当分布式光伏电源的渗透率处于较低水平，无节点发生电压越限时，此时储能电池不参与调节电压；当分布式光伏电源的渗透率较高而使节点电压发生越限时，电网允许储能电池参与，对储能电池的充电功率进行调度，以改善节点电压越限；通过对节点处储能电池的充电功率进行合理的调度，能够解决配电网中因高渗透率分布式光伏电源的接入而引起的电压越限问题；
2)改善电压越限的优化模型及求解
对储能电池充电功率的合理调度能够有效解决由高渗透率分布式光伏电源引起的配电网电压越限问题；构建基于对储能电池充电功率最优调度，以使得配电网中各节点电压越限能够得到改善电压越限的优化模型如下：
每次遗传算法迭代后每个种群各节点的电压越限量之和达到最小；表达式为式(1)：
其中：Vk为每次迭代后电压越限节点k的电压幅值；
VN为设定的节点正常电压幅值上限；
k为遗传算法中每次迭代后每个种群电压越限节点的个数，非定值；
每次迭代后电压越限节点则根据每次潮流计算后对所有节点筛选搜索得来；
(a)功率平衡约束
配电网与分布式光伏电源、负荷、储能电池的交互稳定运行需在功率平衡的约束下进行；当分布式光伏电源与负荷功率失衡时，由储能电池、配电网参与调节；配电网与分布式光伏电源、负荷、储能电池的在节点i处的交互功率PGi满足等式(2)：
其中：PPVi为节点i处的分布式光伏电源输出功率；
PLi为节点i处的负荷功率；
η为储能电池充放电效率；
PBATi为储能电池的充放电功率；
PBATi<0表示储能电池处于充电状态；
PBATi≥表示储能电池处于放电状态；
交互功率PGi的存在，说明配电网与分布式光伏电源、负荷、储能电池之间功率有内在的联系，是节点处功率流动避免失衡的保障；当配电网运行时，各节点的潮流将按照等式(2)约束自动调节功率流动，以使配电网运行在正常的状态；
(b)储能电池的充电功率上下限约束
将储能电池等效为PQ型负荷，改善电压越限的优化模型约束条件为各储能电池充电功率的上下限容量，由式(3)表示：
PBATimin≤PBATi≤PBATimax i＝1,...,N (3)
其中：N为配电网中配置的储能电池的数目；
PBATimin为储能电池i的充电功率下限值；
PBATimax为储能电池i的充电功率上限值；
一般的，PBATimin取0，而PBATi max在遗传算法初始化中先设为预定值；计算时，首先在预定值中寻找各储能电池的最优充电功率调度值，待算法结束实现优化目标后再确立具体的各储能电池的最优配置容量值；
(c)利用遗传算法求解
遗传算法是一种随机搜索全局最优解的优化方法，具有良好的全局寻优能力，可实现解空间中快速寻优，
利用遗传算法求解的过程有：
①编码及初始化；
②构造适应度函数；对遗传算法每次迭代后每个种群中所有电压越限节点的电压幅值与电压幅值上限之差求和，所得和值作为适应度函数值；适应度函数为式(4)：
其中：Vk为每次迭代后电压越限节点k的电压幅值；
VN为设定的节点正常电压幅值上限，设为1.03pu；
③交叉和变异；每次迭代时，适应度函数都要对每次迭代的种群中所有个体，即储能电池充电功率进行评价，对种群中满足条件的个体进行选择、交叉和变异操作，产生下一代种群；
④终止条件；当迭代达到最大遗传代数时，迭代终止，输出对储能电池的最优充电功率调度值；
3)储能电池最优配置容量的确定
利用已求解得到的最优充电功率调度值，来确定储能电池的最优配置容量；按式(5)和式(6)计算；
其中：为节点i处储能电池在t0至t1时段的充电电量；
为对节点i处储能电池的最优充电功率调度值；
t0为节点i处出现节点电压越限的初始时刻；
t1为节点i处电压越限得到改善恢复正常值时的截止时刻；
E0i为节点i处储能电池的初始荷电量，
η为储能电池的充电效率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611059319.7A CN106786610B (zh) | 2016-11-27 | 2016-11-27 | 一种基于储能电池的分布式光伏高渗透率电网电压优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611059319.7A CN106786610B (zh) | 2016-11-27 | 2016-11-27 | 一种基于储能电池的分布式光伏高渗透率电网电压优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106786610A CN106786610A (zh) | 2017-05-31 |
| CN106786610B true CN106786610B (zh) | 2019-04-05 |
Family
ID=58911553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611059319.7A Active CN106786610B (zh) | 2016-11-27 | 2016-11-27 | 一种基于储能电池的分布式光伏高渗透率电网电压优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106786610B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107546759B (zh) * | 2017-09-15 | 2020-06-19 | 南方电网科学研究院有限责任公司 | 一种配电网储能优化配置方法 |
| CN109066774B (zh) * | 2018-08-02 | 2022-07-01 | 国网安徽省电力有限公司芜湖供电公司 | 利用分布式能源区域管控系统及其控制方法 |
| CN109462250B (zh) * | 2018-09-12 | 2022-05-24 | 国网浙江省电力有限公司嘉兴供电公司 | 一种光电火电及储能电容的联合调度方法 |
| CN110189061A (zh) * | 2019-06-24 | 2019-08-30 | 合肥工业大学 | 一种基于风险评估的大规模分散光伏接入规划方法 |
| CN111628497B (zh) * | 2020-05-22 | 2022-04-29 | 青海大学 | 一种面向电网稳定性的动态负载管理方法及计算机设备 |
| CN112491057B (zh) * | 2020-10-10 | 2022-03-18 | 东北电力大学 | 以消除配电网节点电压越限为目标的分布式储能控制方法 |
| CN115237197B (zh) * | 2021-04-25 | 2024-06-25 | 广汽埃安新能源汽车有限公司 | 一种电池输出功率控制方法及系统、计算机可读存储介质 |
| CN115117937B (zh) * | 2022-08-09 | 2023-12-15 | 南京工业大学 | 一种高速公路路侧并网型光储微电网系统及供电方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4794523B2 (ja) * | 2007-09-10 | 2011-10-19 | 三菱電機株式会社 | 自然エネルギー発電向け電圧変動抑制装置 |
| CN105244869B (zh) * | 2015-10-13 | 2017-12-12 | 国网山东省电力公司电力科学研究院 | 一种含微网的配电网动态随机调度控制方法 |
| CN105303267B (zh) * | 2015-11-20 | 2020-04-24 | 武汉大学 | 一种考虑动态频率约束的含高渗透率光伏电源的孤立电网机组组合优化方法 |
| CN105552965B (zh) * | 2016-02-18 | 2020-07-24 | 中国电力科学研究院 | 一种基于机会约束规划的分布式能源优化配置方法 |
| CN105976055B (zh) * | 2016-05-04 | 2019-12-13 | 东北电力大学 | 计及功率损耗的分布式光伏-储能系统出力优化及容量配置方法 |
| CN105976108A (zh) * | 2016-05-05 | 2016-09-28 | 国网浙江省电力公司电力科学研究院 | 一种配电网分布式储能规划方法 |
| CN106058887B (zh) * | 2016-07-08 | 2018-10-16 | 燕山大学 | 提高含分布式光伏电源配电网电压合格率的无功优化方法 |
-
2016
- 2016-11-27 CN CN201611059319.7A patent/CN106786610B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106786610A (zh) | 2017-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106786610B (zh) | 一种基于储能电池的分布式光伏高渗透率电网电压优化方法 | |
| Jurasz et al. | Integrating a wind-and solar-powered hybrid to the power system by coupling it with a hydroelectric power station with pumping installation | |
| CN108470239B (zh) | 计及需求侧管理和储能的主动配电网多目标分层规划方法 | |
| Zhao et al. | Cooperative optimal control of battery energy storage system under wind uncertainties in a microgrid | |
| CN105226688B (zh) | 基于机会约束模型的多类型储能系统容量优化配置方法 | |
| CN109361237A (zh) | 基于改进混合粒子群算法的微电网容量优化配置方法 | |
| Cheng et al. | A particle swarm optimization based power dispatch algorithm with roulette wheel re-distribution mechanism for equality constraint | |
| CN113541166B (zh) | 一种分布式储能优化配置方法、系统、终端和存储介质 | |
| CN113644670B (zh) | 一种储能容量优化配置的方法及系统 | |
| Wang et al. | An improved min-max power dispatching method for integration of variable renewable energy | |
| Aiswariya et al. | Optimal microgrid battery scheduling using simulated annealing | |
| Naidu et al. | Integration of hybrid controller for power quality improvement in photo-voltaic/wind/battery sources | |
| CN107565880A (zh) | 优化型风光互补混合发电系统 | |
| Contreras et al. | Multi-objective probabilistic power resources planning for microgrids with ancillary services capacity | |
| CN109711605A (zh) | 一种多类型电源并网定容方法和装置 | |
| CN109038654A (zh) | 一种考虑分布式风电高渗透并网的配电系统优化运行方法 | |
| Talwariya et al. | Optimization of distribution networks with integration of distributed generators using cooperative Game Theory | |
| Sardi et al. | A comprehensive community energy storage planning strategy based on a cost-benefit analysis | |
| CN107181270B (zh) | 一种多储能柔性抑制风电的随机动态规划方法 | |
| Kasturi et al. | Optimal PV & BES units integration to enhance power distribution network Performance | |
| Bhuiyan | Optimal sizing and power management strategies of islanded microgrids for remote electrification systems | |
| CN114398777A (zh) | 一种基于巴什博弈理论的电力系统灵活性资源配置方法 | |
| Roshan et al. | Reassessment of power losses and enhancement of techno-economic feasibility in a radial distribution system | |
| Kumar et al. | Day-ahead management of energy sources and storage in hybrid microgrid to reduce uncertainty | |
| Bonetto et al. | Lightweight energy management of islanded operated microgrids for prosumer communities |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190624 Address after: Room 613, Huaneng Henan Building, 40 Zhengguang North Street, Zhengzhou District, Henan Free Trade Experimental Zone, Zhengzhou City, Henan Province, 450000 Co-patentee after: Northeast Dianli University Patentee after: Run electric energy science and Technology Co., Ltd. Address before: 132012 No. 169 Changchun Road, Chuanying District, Jilin Province Patentee before: Northeast Dianli University |