基于遗传算法的分布式光伏配网储能优化配置研究

冯 侃,边 辉,陈丽娜,刘晓军

(国网甘肃省电力公司平凉供电公司,甘肃 平凉 744000)

0 引言

化石能源发电产生的大量二氧化碳及有毒气体,对自然生态环境造成了恶劣影响。为降低其对环境造成的影响并提升空气质量,国家加大了绿色、环保新能源的开发力度[1]。目前,分布式光伏装机容量呈连年攀升的态势。这使得光伏在电网的渗透率逐渐增大。光伏发电的直接影响因素为太阳辐照度。其中,晴朗、阴雨等不同天气条件或者每日不同时段下光伏的输出功率呈现较大差异。不确定性因素给配网的安全运行带来了诸多不利影响,使得电力供应质量下降[2]。由于光伏发电与电力负荷具有时序匹配差别,光伏输出功率较大时,配网负荷可能处于较低水平。这就使得光伏发电无法得到全部消纳。储能技术是实现光伏消纳的有效手段。在配网电力供应已满足负荷需求的前提下,通过储能充电可消纳多余的电能。此外,通过储能放电,可实现配网负荷的有效调节[3-4]。

茆美琴[5]等构建了广义储能配置的二层优化模型,在对广义储能进行选址定容的基础上,利用动态规划方法确定储能的最佳调度策略。但是该策略存在配电网电压波动指标值较高、电网稳定性不足等问题。王玮[6]等针对可再生能源消纳及其并网带来的不确定性问题,首先构建了全钒氧化还原电池(vanadium redox battery,VRB)储能模型,然后在对光伏、风电、负荷特性分析的前提下,将最低运行成本作为优化目标,以实现VRB优化配置策略的确定。但该模型具有计算效率低的问题。

遗传算法在对自然进化过程进行模拟分析时,具有强大的全局寻优能力,能获得最佳搜索结果。通过对储能的合理配置以改善分布式光伏配网的电能质量、提高配网负荷的调节水平,是本文的研究重点。因此,本文提出基于遗传算法的分布式光伏配网储能优化配置方法。该方法在提升节点电压质量的同时,改善了分布式光伏消纳水平。

1 分布式光伏配网储能优化配置

1.1 复合储能单元概述

1.1.1 复合储能单元工作原理

本文将复合储能单元接入分布式光伏配网中。该储能单元主要由两部分组成[7]。其一为具有快速充放电特点的超级电容器。超级电容器从配网的部分节点接入,能够对配网光伏出力的随机性、间歇性起到平抑的作用,从而改善配网的电能质量。其二为蓄电池储能。由于蓄电池储能具有分配灵活、能量密度高等优势,将其接入分布式光伏配网以实现负荷的调峰,具有配网负荷削峰填谷效应,且能够大幅改变整体负荷特性。其与超级电容器储能协同作用,可以提高配网运行的安全性、稳定性,从而有效抑制光伏出力的不稳定性、提升配网光伏渗透率[8]。除此之外,本文利用复合储能,可以解决配网光伏出力不确定性引发的配网电压波动问题,使分布式光伏配网各节点电压质量得到提升。

1.1.2 蓄电池储能的调峰优化

本文在分布式光伏配网中配置蓄电池储能。其目标是参与配网负荷的调峰调度,在改善配网调峰压力的同时,能够对配网的负荷特性进行有效调节。针对蓄电池储能调度具备的灵活性、快速性等特点[9],为满足配网负荷需求,本文根据配网的实际运行状态,通过对蓄电池出力进行实时调节,以满足分布式光伏配网的电力平衡约束。

在对分布式光伏配网负荷进行准确预测的前提下,为实现复合储能单元的优化配置,本文通过计算配网负荷值对配网调峰深度进行确定。蓄电池储能的功率输出值为:

(1)

1.2 储能优化配置模型

分布式光伏配网中,储能单元以就近原则配置于分布式光伏电源的周边。对其进行优化配置,不仅需要综合考虑分布式光伏投入、配网管理等多方面的收益,而且在其接入位置、容量的选择以及各蓄电池的优化调度等方面也需具有逐层深入的延续性特点[12]。因此,本文构建两阶段储能优化配置模型。第一阶段将最低电压波动、网损作为目标函数,以确定复合储能单元接入位置。第二阶段将最低蓄电池储能容量作为目标函数,以实现复合储能的运行优化,并获取最佳配置容量,从而提高配网分布式光伏利用率。

1.2.1 储能配置的第一阶段优化配置模型

为确保配网电能质量并提高电网经营者的经济效益,第一阶段以最小电压波动、网损作为目标函数,从而确定蓄电池储能的最佳接入位置。第一阶段优化配置模型通过式(2)描述:

(2)

第一阶段优化模型需满足以下约束条件。

①支路潮流约束。

I′k≤Ikmax

(3)

式中:I′k为对于支路k的电流值;Ikmax为支路k电流的最大值。

②节点电压的上下限约束。

Uimin≤U′i≤Uimax

(4)

③储能设备接入数量需满足以下限制条件:

(5)

式中:nDESS为分布式光伏配网配置的储能设备的总数;Nmax为允许配置的储能数量的最大值。

nDESS≤Nmax

(6)

1.2.2 储能配置的第二阶段优化配置模型

通过第一阶段优化配置模型确定储能设备接入数量和位置后,在第二阶段优化配置模型中,本文以分布式光伏投资者的经济效益作为考量因素,将配网接入的最低储能设备总容量作为目标函数,从而降低对储能设备的投入。在分析储能接入节点处的光伏、负荷潮流的基础上,本文确定储能设备的优化调度策略,以实现储能设备容量的优化配置,并将优化结果反馈给第一阶段模型。第二阶段优化配置模型通过式(7)进行描述:

(7)

式中:f3为第二阶段优化的目标函数,反映分布式光伏配网接入储能设备需满足的最小容量要求;WN(i)为对于接入节点i的储能设备的额定容量。

在对储能设备容量进行优化配置时,首先确定接入点光伏、负荷的功率曲线,再获取其优化后的储能输出功率曲线,并进行容量的优化配置。其描述为:

(8)

式中:ηCH,i、ηDCH,i分别为储能节点的充、放电效率;W(n)为充放电能量;Wpos(n)为一个优化调度周期储能设备正能量的最大变化量;Wneg(n)为负能量的最大变化量;N为采样数据总量;Ssocimin、Ssocimax分别为储能单元的最小、最大荷电状态。

第二阶段优化配置模型需满足的约束条件如下。

①需满足的电压波动约束条件描述为:

(9)

根据电压变化的国标要求(单位时间波动频度为1

②复合储能单元需满足电量平衡条件。其描述为:

(10)

式中:Ssoci,0为对于储能节点的最初荷电状态;Ssoci,t为t时刻的荷电状态。

③荷电状态限制条件描述为:

Ssocimin≤Ssoci,t≤Ssocimax

(11)

储能设备荷电状态约束的目的是使储能设备始终处于安全运行状态。这是提升蓄电池使用寿命的有效手段。

④储能单元需满足功率限制条件。功率限制条件可描述为:

(12)

⑤储能设备需满足充放电功率限制。充放电功率限制描述为:

(13)

式中:Pimax为节点i的最大额定功率。

1.3 基于改进遗传算法的两阶段优化模型求解

本文利用改进遗传算法对分布式光伏配网的两阶段储能优化配置模型进行求解,通过最佳保留策略、交叉变异率的自适应变化对遗传过程进行优化,以提高算法的全局寻优能力。

基于遗传算法的储能两阶段优化配置模型求解流程如下。

①获取分布式光伏配网运行数据,并对各支路潮流进行求解,以完成相关数据的初始化处理。

②对两阶段优化配置模型进行个体编码,由此实现第一阶段规划种群的初始化。

③对配网中各时刻的光伏出力及负荷情况进行准确预测。

④根据第一阶段规划的初始种群的所有个体,完成第二阶段规划初始种群的确定;在此基础上,完成各时刻不同状态的潮流求解。通过粒子群算法确定复合储能单元优化调度策略,获得第二阶段优化的最佳调度结果。

⑤将第二阶段的优化调度结果反馈给第一阶段优化配置模型。

⑥对第一阶段优化配置模型进行求解,通过选择、交叉、变异、生成新种群等操作,完成个体的迭代遗传。

⑦将最高遗传次数Mmax作为算法结束的判定依据。当迭代次数M>Mmax则停止计算,输出最优接入位置、容量及优化调度策略;反之,返回步骤④,继续迭代。

2 试验分析

本文以某地区的分布式光伏配网作为研究对象进行试验分析。分布式光伏配网结构如图1所示。

图1 分布式光伏配网结构

本文以夏季典型日作为研究目标进行分析。分布式光伏及不同类型负荷的功率曲线如图2所示。

图2 分布式光伏及不同类型负荷的功率曲线

由图2可知,夏季典型日内,某配网分布式光伏的输出功率总体呈先增大后减小的变化趋势。在5:00～6:00,分布式光伏开始运行。在9:00～10:00,输出功率呈缓慢增长。在10:00～14:00,光伏出力增长幅度较大,并逐步达到峰值。在15:00,输出功率呈下降趋势变化,直至18:00～19:00,光伏停止运行。三类负荷中,居民负荷所需电能最低,用电量呈波动性变化。在5:00～8:00,用电量逐步增大,至11:00前用电量呈回落趋势变化。在11:00～13:00,用电量小幅上升。17:00～22:00为居民用电高峰时段。商业负荷电量耗用高于居民用电,在10:00～21:00用电量逐步攀升至峰值。工业用电量为三者之最,但不同时段所用电量波动性较小。本文将未接入光伏、并入分布式光伏但未配置储能情况作为本文方法的对照组,通过对比不同运行策略下的电压波动指标、网损的变化,分析本文方法的优化配置性能。分布式光伏配网储能优化配置结果如表1所示。

表1 分布式光伏配网储能优化配置结果

分析表1可知,采用并入分布式光伏方法后,配网受到光伏出力不确定性的影响,致使电压波动指标值与接入分布式光伏前相比出现了较大幅度变化。最高电压波动值为3.65%,已远超出合理波动范围,造成配网电能供应质量下降。试验采用本文方法对配网储能进行优化配置,确定的最佳储能接入节点分别为8、15、24、27、32。各节点容量分别为210、180、180、210、120。本文方法储能优化配置后,配网电压波动指标降至1.95%,为三种运行策略下的最低值,同时网损成本也显著降低。试验结果表明,本文方法可实现分布式光伏配网储能的优化配置,并取得突出的配置效果。

试验将本文方法应用于配网的储能优化配置中,选择不同类型负荷节点5、22、28,通过各节点在不同时段储能的充放电功率的变化分析本文方法的优化调度结果。

不同类型负荷节点储能的优化调度结果如图3所示。

图3 不同类型负荷节点储能的优化调度结果

由图3可知,在0:00～8:00,储能单元放电可以满足工业、居民负荷的用电需求,且在工业负荷下储能放电功率高于居民负荷,而此时段的商业负荷所需电量较低,满足负荷需求后可为储能单元充电。在8:00～16:00,工业、商业、居民负荷的用电需求均有提高,需要储能单元放电才能满足用电需求,即达到保证分布式光伏输出功率增大也能正常输出的情况。在18:00～21:00,分布式光伏退出运行,而配网负荷需求仍不断增大,可继续采取储能放电策略为配网提供足够的电能以实现各类负荷的供应。在22:00～24:00,负荷量下降,可以停止储能单元的调用,并为储能单元充电。

试验结果表明,储能单元出力具有较高的灵活性。通过对储能单元的优化配置及调度,能够对光伏并网引发的配网不稳定性进行抑制;同时,能有效地调整配网负荷,使削峰填谷效用显著。

3 结论

针对以往分布式光伏配网储能存在电压波动大的问题,本文提出基于遗传算法的分布式光伏配网储能优化配置方法。本文以图1结构的分布式光伏配网为研究对象,将本文方法应用于储能的优化配置中,通过分析不同时段光伏出力及负荷功率的变化、储能最佳优化分配结果及不同负荷类型下储能的充放电功率,以验证本文方法的优化配置性能。试验结果表明:本文方法可实现储能的优化配置,并确定最佳接入节点及容量。优化配置后的储能能够实现配网负荷的调节,具有削峰填谷效应。