CN109638837B - 一种面向新能源并网的动态负载管理方法及系统 - Google Patents

Abstract

本发明涉及一种面向新能源并网的动态负载管理方法及系统，该方法包括：根据新能源电站的发电量和负载的负载量，采用潮流算法得到包括所述新能源电站和负载的电网系统的损耗；针对以负载的负载量为个体构建的种群，采用随机算法计算每一代种群中各个个体的适应度，将最大适应度对应的个体中负载的负载量作为所述负载的负载量，其中，所述随机算法中采用的适应度函数是基于电网损耗和所有负载的负载量之和与新能源电站发电量间的残差构建的。本发明采用随机算法设计得到的最优负载分配策略，可在有新能源并网输入和动态可调负载的电网系统中实现负载动态、合理地分配，并且获得最小的电网损耗，节约操作成本。

Description

一种面向新能源并网的动态负载管理方法及系统

技术领域

本发明涉及电网优化领域，具体涉及一种面向新能源并网的动态负载管理方法及系统。

背景技术

随着绿色新能源的开发与使用，新能源发电和并网的问题得到越来越多的关注。据预测，到2020年底，国内总的太阳能发电量将到达150GW。新能源发电虽然对未来的环境和人们的生活有着重要的意义，但由于其不稳定性和间歇性的问题，因此新能源发电并网仍然存在诸多困难。当大规模可再生能源发电并入电网时，电网的潮流分布将发生变化，潮流可能发生逆转。同时还会产生电压波动、电压超限等问题，影响电网安全可靠运行。为了维持电网的稳定运行，传统的电网通常采用被动式调整模型即供电随用电所需而调整。例如，将大容量电池作为储能元件与相应的控制策略相结合，可以实现电网的稳定。然而这种被动的方式会增加电网操作。

发明内容

针对上述技术问题，本发明提供一种面向新能源并网的动态负载管理方法及系统。

本发明解决上述技术问题的技术方案如下：一种面向新能源并网的动态负载管理方法，包括：

根据新能源电站的发电量和负载的负载量，采用潮流算法得到包括所述新能源电站和负载的电网系统的损耗；

针对以负载的负载量为个体构建的种群，采用随机算法计算每一代种群中各个个体的适应度，将最大适应度对应的个体中负载的负载量作为所述负载的负载量，其中，所述随机算法中采用的适应度函数是基于电网损耗和所有负载的负载量之和与新能源电站发电量间的残差构建的。

为实现上述发明目的，本发明还提供一种面向新能源并网的动态负载管理系统，包括：

损耗计算模块，用于根据新能源电站的发电量和负载的负载量，采用潮流算法得到包括所述新能源电站和负载的电网系统的损耗；

适应度计算模块，用于针对以负载的负载量为个体构建的种群，采用随机算法计算每一代种群中各个个体的适应度，将最大适应度对应的个体中负载的负载量作为所述负载的负载量，其中，所述随机算法中采用的适应度函数是基于电网损耗和所有负载的负载量之和与新能源电站发电量间的残差构建的。

本发明的有益效果是：采用随机算法设计得到的最优负载分配策略，可在有新能源并网输入和动态可调负载的电网系统中实现负载动态、合理地分配，并且获得最小的电网损耗，节约操作成本。

附图说明

图1为本发明实施例提供的一种面向新能源并网的动态负载管理方法的流程图；

图2为本发明实施例采用的Case_ieee30网络结构拓扑图；

图3为太阳能发电站的发电量变化曲线图；

图4为三种仿真情况下的网损对比图；

图5为不同灵敏度下损耗对比图；

图6为不同时延下损耗对比图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

本发明适用于包含新能源并网输入和功率可调负载的电网系统，例如，在电网系统中接入一个可能会引起电网功率震荡输入的大型的太阳能发电站，为了消耗由太阳能发电站产生的多余的电量，多个数据中心可以被建立并连接到电网中不同的位置作为功率可调的负载。本发明所解决的问题是确定数据中心应该消耗多少电能，并以实时的方式进行相应的调整。

假设有n个数据中心放在电网中，太阳能发电量表示为P_S，第i个数据中心的负载量由L_i表示。最终，总的系统损耗会被它们影响，记为一个损耗函数，那么，所有数据中心的负载量等于太阳能发电量，即满足下式：

此外还要保证在所有的母线和支路上都没有任何越限情况。

图1为本发明实施例提供的一种面向新能源并网的动态负载管理方法的流程图，如图1所示，该方法包括：

S1、根据新能源电站的发电量和负载的负载量，采用潮流算法得到包括所述新能源电站和负载的电网系统的损耗；

具体的，本实施例中的电网系统采用选取IEEE30母线系统作为测试用例，该用例的网络拓扑图如图2所示。case_ieee30数据集是从IEEE公共数据格式转换而来的。

其中，为了模拟系统的负载，使用恒功率。负载分别连接到21个总线，如图2中箭头所示。

IEEE30用例中含有6个发电机，分别连接在1、2、5、8、11和13号节点上，其中1号节点是平衡节点。

该系统中所有母线两两连接一共有41条支路。每条支路都有各自的线载容量限制。基于这些限制，我们会检测可能的越限情况。更重要的是，当能量在支路上传递的时候，每条支路上都会产生一些损耗，而在我们接下来的实验中我们会使用所有支路上的损耗和作为主要的标准。

太阳能发电站的发电量可以作为一个函数，并且用公式(2)描述

其中，M是是光伏电板的数量，A_p是每片光伏板的表面积，φ是太阳辐射量、η_p表示光伏面板的效率,η_DC表示最大功率跟踪器的效率。在这些因素中,φ本质上是随机的,将会受到季节的影响,太阳辐射、温度和压力等。

本实施例中将数据中心视为电网系统中大型的不可忽略的负载，数据中心的容量通常描述其运行峰值负载时的功耗，从而充分利用。当在某一位置放置一数据中心的时候，它连接到与数据中心所在区域对应的总线。然后，该总线的负载应由原负载和数据中心的当前负载相加，如下所示:

其中P_i和Q_i分别代表母线i处的有功和无功功率，N代表电网中的总线个数。

和

分别代表数据中心的有功和无功功率。

本实施例中，可选取MATpower来仿真电网的运行。MATpower是一套求解稳态电力系统仿真软件，通过输入整个网络的结构系统参数(包括母线、支路、发电机三个表)，可得到相应的输出，包括程序运行信息，系统概述，母线数据，支路数据，一共四个表格，通过使用MATpower中运行的潮流算法，能够针对不同的负载量得出相应的电网系统损耗。

S2、针对以负载的负载量为个体构建的种群，采用随机算法计算每一代种群中各个个体的适应度，将最大适应度对应的个体中负载的负载量作为所述负载的负载量，其中，所述随机算法中采用的适应度函数是基于电网损耗和所有负载的负载量之和与新能源电站发电量间的残差构建的。

具体的，本实施例中采用随机算法来实现最优负载分配策略，以获得最小的损耗。在计算机科学和运筹学研究中，遗传算法(GA)是一种元启发式算法，受自然选择过程的启发，属于进化算法(EA)的更大类别。遗传算法通常通过依赖于突变、交叉和选择等生物启发操作符来生成优化和搜索问题的高质量解决方案[22]。遗传算法作为随机算法中的一种，擅长解决全局优化问题并且通常被用来解决一些较为实际的问题。本实施例中的随机算法可采用遗传算法并调用‘DEAP’包,这是一种新的进化计算框架，用于快速原型设计和思想测试，以获得最佳的负载分配策略。

遗传算法的计算步骤如下：

(1)随机初始化种群(t)

(2)确定种群中各个个体的适应度(t)

(3)重复以下步骤

1)从种群中挑选双亲(t)

2)交叉双亲得到新的种群(t+1)

3)种群变异(t+1)

4)根据适应度函数确定种群中各个个体的适应度(t+1)

(4)直到最终的个体足够好

当进化的次数达到最大值，在进化过程中获得最大适应度的个体将是输出最优解。在该算法中，采用向量来表示个体，每个数据中心在每个时间间隔的负载量为基因，那么所有放置于电网中的数据中心每个时间段的负载量就组成了个体[x1,x2…],而向量的维度即表示数据中心的个数。当个体完成编码，一个特定规模的种群建立，然后调用‘MATpower’计算相应的损耗，再结合适应度函数求解适应度，并根据适应度评价每个个体并且决定它们的遗传机会。适应度函数为：

loss1+α*loss2 (4)

其中，loss1为电网系统的损耗，loss2为所有负载的负载量之和与新能源电站发电量间的残差，α为调整参数，用来控制这两个变量在该公式中的重要程度，可设置α＝0.25。

根据上述适应度函数计算每一代种群中各个个体的适应度，将最大适应度对应的个体中负载的负载量作为最终的负载的负载量，并按照此结果管理各个负载。这样，就通过遗传算法寻找到了适应度最大的负载量组合方式。

可选地，在该实施例中，该方法还包括：按照预设的时延参数调整所述负载的负载量。

具体的，时延是由于数据中心功率调整需要一定的时间，而光伏的发电量实时变动的，当数据中心功率调整跟不上光伏发电量的变化时，会造成电网供需不平衡，进而使电网损耗增加，因此不同的时延对于损耗的影响很大，此参数可根据实验结果进行相应设定。

可选地，在该实施例中，该方法还包括：当所述负载的负载量超过调整范围的上限时，将所述负载的负载量调整为所述调整范围的上限，当所述负载的负载量超过调整范围的下限时，将所述负载的负载量调整为所述调整范围的下限。

具体的，由于数据中心功率(即负载的负载量)调整范围的限制，需要调整负载的负载量，调整范围的表达式为：

[(1-e)×p(t),(1+e)×p(t)] (5)

其中，e代表负载的灵敏度，p(t)代表上一时刻负载的负载量。

由式(5)可见，通过调整灵敏度可以限制负载量的调整范围。

本发明实施例提供一种面向新能源并网的动态负载管理系统，该系统包括：

损耗计算模块，用于根据新能源电站的发电量和负载的负载量，采用潮流算法得到包括所述新能源电站和负载的电网系统的损耗；

适应度计算模块，用于针对以负载的负载量为个体构建的种群，采用随机算法计算每一代种群中各个个体的适应度，将最大适应度对应的个体中负载的负载量作为所述负载的负载量，其中，所述随机算法中采用的适应度函数是基于电网损耗和所有负载的负载量之和与新能源电站发电量间的残差构建的。

可选地，在该实施例中，所述适应度函数为：

loss1+α*loss2

其中，loss1为电网系统的损耗，loss2为所有负载的负载量之和与新能源电站发电量间的残差，α为调整参数。

可选地，在该实施例中，该系统还包括：第一调整模块，用于按照预设的时延参数调整所述负载的负载量。

可选地，在该实施例中，该系统还包括：第二调整模块，用于当所述负载的负载量超过调整范围的上限时，将所述负载的负载量调整为所述调整范围的上限，当所述负载的负载量超过调整范围的下限时，将所述负载的负载量调整为所述调整范围的下限。

可选地，在该实施例中，所述调整范围的表达式为：

[(1-e)×p(t),(1+e)×p(t)]

其中，e代表负载的灵敏度，p(t)代表上一时刻负载的负载量。

下面以一个具体的实验实例对本发明进行详细说明。

1、实验设置

本实验中选择了在某一天内某光伏电站的监测电力数据，监测时间间隔为10分钟，因此，总共有144个数据来模拟一天的光伏发电量。

本实验一共在MATpower上仿真三种情况：(1)只有一个数据中心。这种情况下数据中心的负载量随着输入的光伏改变。(2)多数据中心。该情况假设电网中加入两个数据中心，总负载量随输入光伏变化均分到两个负载上。(3)多数据中心下负载动态分配。选择9、15、和25这三个节点在MATpower中分别接入太阳能发电站和数据中心负载。关于遗传算法的参数设置，将种群规模和迭代次数都设置为100。

太阳能发电站的发电量检测结果如图3所示。

除了实现最优分配，本实验也考虑了数据中心灵敏度和时延对电网损耗的影响。如果数据中心下一时刻的功率超过灵敏度范围，我们将该时刻该数据中心灵敏度可调范围的上限或者下限作为该时刻该数据中心的功率。至于延迟，分别仿真5min、10min、15min和20min延迟的情况观察电网的损耗情况。

2、实验结果

从总体上看，三种情况下的实验结果如图4所示。由于输入的太阳能发电站发电量只从早上6:00到下午19:00这一时间段内变化，所以负载量也在该时间段内变化，从而损耗也只在该时间段变化。

最上方曲线对应的是仿真的情况(1)，即只有一个数据中心加入case_ieee30电网的15号节点处，太阳能发电站连接在9号节点上，且数据中心功率随输入的太阳能发电量变化时一天内的损耗变化曲线。从图中我们可以看到峰值损耗接近26MW。

中间曲线说明的是仿真的情况(2)，即两个数据中心加入case_ieee30电网的15和25号节点处，太阳能发电站仍然连接在9号节点上，两个数据中心的功率之和始终等于输入的太阳能发电量，且两个数据中心的功率相同。从下图我们也能发现，此情况下整个电网的峰值损耗和情况(1)中的峰值损耗基本相同，高于25MW。

最下方曲线对应情况(3)，即两个数据中心分别加入case-ieee30电网的15和25号节点处，太阳能发电站依旧连接在9号节点上，并且两个数据中心的功率可以在保证两者功率和始终基本接近输入太阳能发电量的前提下根据遗传算法得到的最优分配方式动态调整。结果显示，该情况下电网的整体损耗要小于之前两种情况。且第三种情况下电网的峰值功率低于25MW。

从图4可以发现采用最优分配策略下的电网损耗曲线基本上始终在另外两条曲线之下，并且随着输入太阳能发电量的增加，这种动态负载下的最优分配策略能够更好的降低整个电网的损耗，节约操作成本。实验结果如下表所示。

表1.两个数据中心下的实验结果总结

情况	(1)	(2)	(3)
				平均总损耗(MW)	19.548	19.492	19.19
损耗占发电量的百分比	6.27％	6.18％	5.89％

本实验同时也测试了将三个数据中心放在电网中的的情况，将三个数据中心分别放置在15、20和25号节点处，太阳能发电站依旧在9号节点，实验结果如下表所示。

表2.三个数据中心下的实验结果总结

情况	(1)	(2)	(3)
				平均总损耗(MW)	19.548	19.212	18.889
损耗占发电量的百分比	6.27％	6.18％	5.89％

除了考虑理想情况下的损耗情况，我们也考虑实际情况下的损耗。下列图表表示了不同灵敏度和时延下的损耗。

在图5中横轴代表不同的灵敏度，纵轴代表一天内不同灵敏度下平均网损。我们关注不同灵敏度下的损耗情况，e＝0表示数据中心是静止的，功率不可调，这种情况下整个电网的损耗非常大，所以这个结果也能反映出功率可调的数据中心作为动态负载能够有效的降低电网损耗。

不同时延对电网损耗的影响如图6所示。在本次实验中，以5分钟作为一个时延间隔，每个时延间隔下一天内的平均损耗被记录。从图5可以看出损耗在5分钟为一时延的条件下基本呈线形增加的趋势，所以也能说明时延对于整个电网的损耗有非常大的影响。此外，观察图5和图6时可以发现，当灵敏度等于或者大于0.3后，电网的网损基本不再发生变化并且当时的结果也接近没有时延情况下的损耗值，这就意味着数据中心的灵敏度不用很高也能得到好的实验结果。

本实验提出将数据中心接入光伏并网后的电网作为动态负载来实现电网系统的需求响应并且维持并网后电网的正常运行。此外，本实验采用遗传算法设计得到最优负载分配策略在加入数据中心的智能电网系统中实现负载动态地合理分配从而获得最小的网损。实验结果显示，在智能电网中采用多数据中心作为动态负载能够有效的降低电网损耗，尤其是采用遗传算法得到的最优负载分配策略在多数据中心上动态分配负载后，效果更加明显。而类似灵敏度和时延这种实际问题也在实验中得到考虑。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种面向新能源并网的动态负载管理方法，其特征在于，包括：

根据新能源电站的发电量和负载的负载量，采用潮流算法得到包括所述新能源电站和负载的电网系统的损耗；

针对以负载的负载量为个体构建的种群，采用随机算法计算每一代种群中各个个体的适应度，将最大适应度对应的个体中负载的负载量作为所述负载的负载量，其中，所述随机算法中采用的适应度函数是基于电网损耗和预设残差构建的，所述预设残差为所有负载的负载量之和与新能源电站发电量间的残差。

2.根据权利要求1所述的方法，其特征在于，所述适应度函数为：

loss1+α*loss2

其中，loss1为电网系统的损耗，loss2为所有负载的负载量之和与新能源电站发电量间的残差，α为调整参数。

3.根据权利要求1所述的方法，其特征在于，还包括：按照预设的时延参数调整所述负载的负载量。

4.根据权利要求1所述的方法，其特征在于，还包括：当所述负载的负载量超过调整范围的上限时，将所述负载的负载量调整为所述调整范围的上限，当所述负载的负载量超过调整范围的下限时，将所述负载的负载量调整为所述调整范围的下限。

5.根据权利要求4所述的方法，其特征在于，所述调整范围的表达式为：

[(1-e)×p(t),(1+e)×p(t)]

其中，e代表负载的灵敏度，p(t)代表上一时刻负载的负载量。

6.一种面向新能源并网的动态负载管理系统，其特征在于，包括：

损耗计算模块，用于根据新能源电站的发电量和负载的负载量，采用潮流算法得到包括所述新能源电站和负载的电网系统的损耗；

适应度计算模块，用于针对以负载的负载量为个体构建的种群，采用随机算法计算每一代种群中各个个体的适应度，将最大适应度对应的个体中负载的负载量作为所述负载的负载量，其中，所述随机算法中采用的适应度函数是基于电网损耗和预设残差构建的，所述预设残差为所有负载的负载量之和与新能源电站发电量间的残差。

7.根据权利要求6所述的系统，其特征在于，所述适应度函数为：

loss1+α*loss2

其中，loss1为电网系统的损耗，loss2为所有负载的负载量之和与新能源电站发电量间的残差，α为调整参数。

8.根据权利要求6所述的系统，其特征在于，还包括：第一调整模块，用于按照预设的时延参数调整所述负载的负载量。

9.根据权利要求6所述的系统，其特征在于，还包括：第二调整模块，用于当所述负载的负载量超过调整范围的上限时，将所述负载的负载量调整为所述调整范围的上限，当所述负载的负载量超过调整范围的下限时，将所述负载的负载量调整为所述调整范围的下限。

10.根据权利要求9所述的系统，其特征在于，所述调整范围的表达式为：

[(1-e)×p(t),(1+e)×p(t)]

其中，e代表负载的灵敏度，p(t)代表上一时刻负载的负载量。

Images