改進新能源消納的配電網資源優化配置研究

潘忠志,孔 寧,王燕濤

(東北電力大學經濟管理學院,吉林 吉林 132012)

0 引 言

隨著能源危機及環境污染形勢日趨嚴峻,以清潔能源為代表的分布式電源(Distributed Generation,DG)得以大規模的建設與應用[1]。然而,目前配電網存在DG大規模無序接入、“源”、“網”、“荷”發展不協調、供電區域靈活性調節能力不足導致配電網DG不能就近消納、“棄風”、“棄光”現象嚴重,其根本原因在于配電網規劃及資源配置方式存在弊端,不能滿足電力供電區域清潔高效發展需要。在此背景下,研究提升DG消納能力的配電網優化配置方法具有重要的理論價值與實際意義。

“DG消納能力”主要指配電網對DG的最大承載能力,即從配電網運行角度出發,以DG及其他靈活可控資源運行特性、配電網外送電規模及運行方式、主網調峰能力等為約束,遵循配電網電量供需平衡原則,通過調控DG與網內其他靈活可控資源共同參與配電網功率平衡調節過程從而得出能夠被配電網有效利用最大DG容量[2-3]。隨著規?；履茉唇尤肱潆娋W,如何提升配電網對DG消納能力成為國內外學者研究熱點。文獻[2]分析了新能源消納的現狀、關鍵因素以及影響消納的癥結所在。文獻[4]建立了基于區塊鏈和市場機制的新能源消納優化調度策略,該策略能夠有效確保新能源的優先消納。文獻[5]考慮新能源消費水平和配電網經濟性,基于多彈性資源協同規劃的最優能耗模型分析最優策略。文獻[6]基于輸配電網全局角度分析集中式與分布式電池儲能的協同優化規劃方案,通過改進分析目標級聯法進行求解。文獻[7]基于需求側響應分析,探討需求側響應對于新能源消納的影響,從用戶側角度提出響應新能源出力變化的方法。文獻[8]基于新能源消納與電網規劃相結合的角度,分析電網規劃方法,并對方法進行評價。文獻[9]融合博弈理論和魯棒優化,提出一多主體博弈增配電網規劃方法,引入虛擬博弈者“大自然”,處理不確定性,構建了動-靜態聯合博弈模型;文獻[10]提出考慮供電區域靈活性約束與需求響應的源網荷協調規劃模型。上述文獻從不同規劃目標對配電網源網荷側單一或者多類資源進行協同規劃。

110 kV及以下配電網供電區域內聚集大量DG、儲能供電區域(Energy Storage System,ESS)及可控負荷等分布式能源,“源荷儲”可按供電分區進行管控。其中,ESS具有供蓄能力及靈活的功率調節能力,能夠有效緩解DG出力與負荷用電時序不匹配問題,為大規模DG并網規劃提供解決方案;可控負荷的優化布點及有序調度可實現負荷曲線削峰填谷、用戶側資源動態整合以及新能源有效消納,與儲能應用功能相近。因此,利用配電網供電區域多種分布式能源之間優勢互補與能源重組以實現各種資源協同優化配置是提升配電網新能源消納水平和供電能力的有效手段。但目前對配電網所在區域的各種可利用資源的潛力仍有很大的提升空間,如何將供電區域DG、儲能及可控負荷聯合進行優化配置仍未有深入研究。

針對上述現狀,本文提出一種提高新能源接納能力供電區域源荷儲協同優化配置方法。以配電網供電區域分布式電源、儲能及可控負荷為配置對象,充分挖掘上述資源互動消納新能源能力,構建儲能及可控負荷調用策略;充分考慮源荷儲規劃-運行耦合性及規劃多目標的矛盾性,建立供電區域源荷儲二層聯合優化配置模型。上層模型的目標在于最大程度上實現對DG出力的消納,因此要找到最優的DG接入位置和接入容量;下層模型的目標在于減少凈負荷的峰谷差,在上層模型的基礎上選擇合適的ESS與DR策略,得出最優儲能容量和各個時段電價。求解模型所需的DG出力和節點負荷的日負荷曲線通過拉丁超立方抽樣法(Latin Hypercube Sampling,LHS)抽樣模擬,但在本模型中需要多次進行最優潮流的計算,為減少計算量,降低計算時間,選擇細胞膜-粒子群優化算法(Cell Membrane-improved Particle Swarm Optimization,C-PSO)來提高尋優效率。

1 源、荷時序性處理

DG出力的不確定性以及負荷的時序變化將對配電網規劃產生影響。如光伏出力的概率分布曲線近似Beta分布曲線;風電出力的概率分布曲線近似威布爾分布曲線,而負荷的時序變化近似服從正態分布[11-12]。本文通過劃分時段,利用LHS抽樣得到一天24個時段的時序樣本矩陣[11]。

設DN共有b個DG和負荷節點,選取各個時段的出力與負荷作為隨機變量,對其進行N次采樣,采樣過程服從隨機變量本身的概率分布,采樣過程中某一隨機變量Xk的累計分布函數為

Yk=Fk(xk)k=1,2,…nYk∈[0,1]

(1)

公式中:Fk(xk)為累積分布函數。

將任意時段分布函數的值域等量地劃分為N個區間,然后再每個區間的中心采樣該時段分布函數的值。在由公式(2)求出抽樣值。

(2)

對所有變量的抽樣完成后,即可形成所需的時序矩陣。

2 儲能及可控負荷特性模型

利用ESS充放電及DR運行策略可有效提高配電網DG接納能力。本文對供電區域源荷儲進行協同優化配置,首先需要對優化配置對象輸出特性進行建模。

2.1 ESS充放電模型

ESS的充放電狀態是根據當前時段負荷曲線的峰谷狀態進行調整的,采用均值聚類的方法對抽樣后的負荷曲線進行分析,對峰谷時段進行劃分[13]當處于峰時段時,負荷水平過高,ESS充當電源;處于谷時段時,負荷水平過低,ESS充當負荷;處于平時段ESS根據前后的時段狀態充當不同的角色;若前后時段均為同一時段,如均為峰時段,則ESS進行放電,反之同理,若前后時段不同,則ESS不工作。

由充放電狀態和各節點的負荷值以及ESS本身參數,可計算出每個ESS在當前時段的充放電功率值。計算方法分別如公式(3)、公式(4)所示。

(3)

(4)

(5)

2.2 可控負荷調用模型

配電網供電區域利用分時電價機制可促使用戶改變用電特性,進而有效降低供電區域凈負荷曲線的峰谷差值。本文根據不同時段負荷曲線峰谷平狀態制定分時電價。對于各時段電價的確定,采用浮比計算法,根據所確定的不同時段電價及需求價格彈性系數來計算需求響應后用戶用電量。

通常平時段電價根據輸電、配電以及售電的平均成本確定,高峰、低谷時段的電價根據平時段電價決定。若平時段電價定為V0,根據公式(6)得到高峰以及低谷時段的電價[14]。

Vp=V0(1+pr),Vv=V0(1-vr)

(6)

公式中:Vp、Vv分別為峰、谷時段電價;pr、vr分別為平電價上浮和下降的比例,pr=vr。

需求響應后的用戶用電量根據公式(7)得到

(7)

3 供電區域源網荷聯合優化配置模型

3.1 建模思路

配電網供電區域分布式資源優化配置關注的重點是如何在已有資源基礎上充分挖掘各類資源參與新能源消納的可調控潛力,實現各類分布式資源優化布局。本節基于儲能及DR特性模型,建立以供電區域新能源最大消納為目標的源-荷-儲聯合優化配置模型,最終決策儲供電區域DG安裝位置與容量、儲能配置容量及DR激勵成本。具體建模思路如考慮DG與負荷時序性對優化配置結果的影響,使采用規劃-運行雙層模型,使前期配置結果能夠滿足后期運行條件。在雙層規劃框架中,上層的目標是通過優化供電區域DG的本地消納效益來推動系統的整體性能。決策變量設置為DG的安裝位置和容量,這決定了DG系統的空間布局和發電能力。通過LHS技術生成初始時序樣本,考慮ESS和DR策略,綜合DG的配置方案。運用聚類分析法詳細刻畫供電區域在24個時段內的負荷特性,準確定義峰谷平時段,為下一步優化提供基礎。在下層模型中,需最小化負荷的峰谷差。決策變量為ESS調用容量及不同時段的電價,考慮到電能存儲和需求響應在平衡負荷方面的作用。這一程的優化過程關注于最大化系統的靈活性和穩定性,以適應復雜多變的負荷需求。

上層模型通過將決策變量傳遞給下層,與下層模型建立緊密聯系,實現了對下層運行狀態的調整。優化結果包括DG發電和倒送功率,這些結果被反饋至上層,為重新計算上層目標函數提供了實時數據,促使系統在不同時段內更有效的協同運行。整體流程如圖1所示。

圖1 計算流程圖

3.2 上層規劃模型

3.2.1 目標函數

以最大化規劃期內DG發電量的消納:

(8)

公式中:PDG.i.t、PR.i.t分別為在第i個節點,第t時段發出、倒送功率;Nd為網絡節點數量;dt為一年中各時段對應的天數。

3.2.2 約束條件

節點的功率約束條件為

0≤PDG.i≤PDGi.max

(9)

公式中:PDG.i.max為節點i處最大準接DG容量。

3.3 下層運行優化模型

3.3.1 目標函數

以供電區域凈負荷峰谷差期望值最小為目標,則有:

(10)

(11)

(12)

公式中:M為LHS技術的抽樣規模。

3.3.2 各時段的等式約束

(13)

公式中:PG.i.t為節點i在時段t內主網提供的功率;δif.t為時段t電壓相角差;Gif、Bif分別為網絡導納。

3.3.3 各時段的機會約束

(14)

公式中:Pr{·}為某事件成立的概率;βU、βI、βG分別為電壓、線路電流以及功率倒送的置信水平;Ui.t、Ui.min、Ui.max分別為第t時段節點i處的電壓及所能承受的上、下限;Ik.t、Ik.max分別為第t時段第k條線路的電流及第k條線路允許的最大電流。

3.3.4 價格型DR約束

1)電價約束

每個時段的分時電價不能小于供電區域單位平均電能成本,約束條件為

(15)

2)DR響應前后用電量約束

用戶參與DR的前提是保證自身用電需求,約束條件為

(16)

3.3.5 ESS充放電約束

1)ESS充放電功率約束

-PESS.c.max

(17)

公式中:PESS.t為第t個時段充放電功率。

2)ESS荷電狀態約束

SSOC.min≤SSOC.t

(18)

公式中:SSOC.max、SSOC.min分別為ESS荷電狀態的上、下限。

其中,SOC荷電狀態的具體計算公式為

(19)

公式中:ε為自放電率;Δt為采樣間隔,本文取1h;α、β分別為ESS充、放電的效率。

3)ESS充放電次數約束

H

(20)

公式中:H為一天中ESS的充放電次數;Hmax為ESS一天當中可充放電次數上限。

4 雙層規劃模型求解

本文采用概率潮流與C-PSO進行組合求解雙城模型[15]。如果僅采用常規的概率潮流計算方法來進行下層模型的最優潮流計算。需要進行反復迭代,多次計算。會使計算時間非常久。因此,為了提高尋優效率,采用C-PSO算法。這樣的選擇不僅有助于提高計算效率,而且確保在限定時間內獲得滿足實際需求的最優解。

4.1 隨機概率潮流計算

進行隨機概率潮流計算時考慮DG出力的概率分布,詳細計算過程如下:

1)輸入各個不同隨機變量的概率模型,設置LHS所需的參數;

2)采用LHS法對DG出力和節點負荷進行抽樣模擬,生成時序出力-負荷矩陣;

3)運用聚類分析方法對時序樣本進行分析,明確峰谷平時段的特征,以便后續策略制定;

4)基于日負荷曲線得出各時段ESS的充放電狀態,考慮能量存儲對系統運行的影響。計算計及ESS策略后的時序出力-負荷矩陣;

5)生成下層模型中平時段的電價,并據此形成所有時段的電價矩陣;

6)進行潮流計算,直至尋優出最優結果;

7)輸出潮流分布。

4.2 雙層模型求解流程

首先根據LHS抽樣得到的初始時序樣本對峰谷平時段進行劃分。然后生成下層模型的初始種群,進行潮流計算,利用C-PSO算法進行尋優。將結果迭代回上層,反復計算直至收斂。流程如圖2所示。

圖2 模型求解流程圖

5 算例分析

選取河北某市開發區供電區域為例對其進行配電網規劃。該區域分布工業負荷、商業負荷及居民負荷,該區域欲配置的DG為分布式光伏發電,網絡結構如圖3所示。單個節點可接入DG容量限值為20 MW,節點電壓范圍為0.95～1.05(標幺值),負荷峰值為35 MW。置信水平取0.95。網絡電壓等級設置為10 kV。

圖3 供電區域網絡結構圖

光伏的初始接入節點選擇2、5、8、10、13;儲能初始安裝節點選擇3、9;可控負荷節點選擇1、3、11,最大可調用容量6 MW,恒功率中斷;DG規劃期設置為1年,ESS儲能容量為確定值;光伏出力及節點負荷的概率分布模型及相關參數參考文獻[11-12]。蓄電池相關參數取值參考文獻[16]。價格DR相關參數的取值參考文獻[17],電價上下浮動比例定為50%。求解算法參數設置:一天分為24個時段,每個時段的抽樣次數為100,C-PSO算法相關參數參考文獻[15]。

LHS抽樣模擬后的凈負荷曲線以及據此進行聚類后的峰谷時段劃分如下圖4所示。

圖4 凈負荷曲線及峰谷時段劃分結果

5.1 ESS運行策略對優化結果的影響

為研究ESS運行策略對配電網運行規劃的影響(在此忽略價格型需求響應運行策略),分別研究考慮ESS和不考慮ESS這兩種情況下的供電區域源荷儲配置方案的異同,詳細對比如表1所示。

表1 供電區域源荷儲配置方案

由表1可知,在不考慮時,DG的年消納總量為136 390 MWh,而將儲能納入供電區域分布式資源優化配置時,光伏消納總量為187 630 MWh,同比增長了37.57%。這一顯著增長的主要原因在于引入ESS參與光伏消納機制。在負荷用電低谷期,儲能系統通過對供電區域進行充電,有效儲存電能;而在負荷用電高峰期,儲能系統對供電區域進行放電,以滿足高負荷時段的能量需求。通過這種智能的能量調度,降低了供電區域凈負荷的峰谷差,使得在谷時段更多地消納光伏發電。具體而言,儲能系統在谷時段進行充電,使得負荷相對較低,然后在高峰期進行放電,實現了更多光伏發電的消納。這種策略有效平衡了能源供需之間的差異,提高了光伏消納量。

5.2 DR運行策略對DG配置方案的影響

對考慮DR和不考慮DR這兩種情況分開進行研究。詳細對比結果如表2所示。

表2 不同策略下的DG配置方案

由表2可知,考慮價格DR運行策略后,農村薄弱配電網在運行過程中光伏的消納量有所增加。具體而言,引入價格型DR運行策略后,將DR納入供電區域規劃,光伏的年消納量達到175 100 MWh,同比增長了28.38%。更具體地說,用戶在價格型DR運行策略下主動調整用電時段,以更好地匹配光伏發電的時序特性。這一調整不僅使得用戶能夠更智能地利用分時電價制度,實現用電成本的最小化,同時也為供電區域提供了更平穩的負荷曲線。因此,通過降低峰谷差,價格型DR運行策略有效提高了供電區域光伏發電的消納能力。

5.3 兩種運行策略同時考慮對優化結果的影響

同時考慮ESS與價格型DR運行策略。DG及儲能配置方案、消納結果及其所對應的供電區域凈負荷峰谷差如表3所示。

表3 兩種策略同時考慮與否的供電區域配置方案

將三種情形下的配置方案進行對比后,我們發現綜合考慮兩種運行策略可以顯著提高光伏的消納容量。在這種情形下,DG的總消納量達到206 407 MW,相比于不考慮運行策略以及單獨考慮ESS和價格型DR運行策略,分別增長了9.09%和17.88%。這一顯著的增長可以通過綜合考慮ESS和價格型DR運行策略的協同效應來解釋。電源配置方案中,這兩種運行策略的協同應用在降低供電區域凈負荷的峰谷差方面發揮了關鍵作用,進而極大地促進了DG的消納能力。ESS的智能運行策略在低負荷時段通過充電,而在高負荷時段則通過放電,巧妙地平滑了負荷曲線,有效提高了光伏發電的消納效率。這種策略不僅在電力系統中實現了能量的儲存和釋放,還使得光伏能源得以更為靈活和穩定地融入整個供電網絡。另一方面,DR運行策略通過在高電價時段降低負荷,在低電價時段增加負荷,進一步優化了負荷曲線。這一操作機制使得DG得以更充分地發揮其潛在作用,有效應對電力市場的波動。通過在高成本時期減緩能耗,在低成本時段增加能耗,價格型DR策略有力地塑造了負荷曲線,為DG提供了更靈活的運行環境,有助于最大程度地消納光伏發電的產出。

在多變的電力市場環境下,這種綜合運行策略為電力系統帶來了更強大的適應性和魯棒性。通過減緩高峰期的能耗,增加低谷期的負荷,系統不僅更好地適應了電力市場的價格波動,還提高了能源的整體利用效率。這種整體性的協同作用為未來智能電力系統的發展提供了實質性的經驗和啟示。

6 結 論

本文考慮ESS和價格型DR運行策略對DN中DG配置的影響礎,構建了一種旨在提升新能源消納能力的供電區域源荷儲聯合優化配置模型。本研究得出以下結論:

1)采用LHS對服從特定概率模型的隨機變量進行多次抽樣取均值,可有效降低隨機性,使計算結果更有可信度。

2)根據需求采取合適的ESS和價格型DR運行策略可有效減小供電區域凈負荷曲線的峰谷差。

3)所建立的雙層規劃模型顯著提升了DG的消納水平,并在每個時段的運行水平上實現了優越的規劃方案。該模型對于新能源消納的改善具有明顯的優勢。

通過采用混合智能算法,本研究在考慮時序性特征的同時,有效解決了供電區域的新能源消納問題。模型綜合考慮了ESS和價格型DR的運行策略,為規劃新能源與儲能系統配置提供了可行性方案,具備一定的實用價值。