含水电的区域风光容量优化配置

王　亮，向铁元，杨　瑶，詹　雷，王剑锋

(武汉大学电气工程学院，湖北武汉　430072)

Capacity Configuration Optimization for Regional Grid with Wind-PV and Hydropower Generations WANG Liang, XIANG Tieyuan, YANG Yao, ZHAN Lei, WANG Jianfeng

(School of Electrical Engineering, Wuhan University, Wuhan 430072, China)



含水电的区域风光容量优化配置

王亮，向铁元，杨瑶，詹雷，王剑锋

(武汉大学电气工程学院，湖北武汉430072)

Capacity Configuration Optimization for Regional Grid with Wind-PV and Hydropower Generations WANG Liang, XIANG Tieyuan, YANG Yao, ZHAN Lei, WANG Jianfeng

(School of Electrical Engineering, Wuhan University, Wuhan 430072, China)

0引言

风电和光伏发电是我国应用广泛的新能源，风能和太阳能均为可再生清洁能源，由于其不确定性，接入电网会造成一定的波动[1]。不同的电源可以分为可调度和不可调度[2]，不可调度电源主要是新能源发电单元，为使区域内新能源大规模发展，需要有可调度电源的支撑。水电作为可以快速调节发电机出力的电源，对新能源有着较好的支撑作用[3]。

文献[4]建立了多种能源互补的微网供电模式，以系统投资运行成本和可再生能源利用比例为目标函数进行求解。文献[5]提出了一种考虑独立和并网运行时的改进风光储容量优化配置方法。文献[3]以风水储系统日收益为目标函数进行模型求解。文献[6]以综合成本为目标函数求解微网风光柴储容量优化配置。然而在区域新能源建设中，一个重要的目标是新能源接入规模最大化，考虑为一个送端系统时，还需要考虑通过联络线输送功率的波动性大小。

1发电单元的数学模型

1.1风机输出功率模型

风电机组的输出功率与风速关系的曲线称为风电机组功率特性曲线，风机输出功率由风速和风机本身参数共同决定。本文采用的模型为三项式形式，是目前应用较为广泛的功率风速表达式：

(1)

(2)

式中：Pw为t时刻机组输出的有功功率；Vt为t时刻的风速值；Yw为风机的额定风速；Vci、Vr、Vco分别为风力机组的切入风速、额定风速和切除风速；A、B、C分别为风电机组功率特性曲线参数。

1.2光伏输出功率模型

本文光伏输出功率模型参照美国国家可再生能源实验室(NREL)开发的HOMER[2]软件里面介绍的输出模型。

(3)

式中具体每个参数的计算参考HOMER帮助[2]，此处不予赘述。

1.3水电模型

水电为该区域中唯一可调度能源，运行中的库容量可表示如下。

第t+1时刻的库容量为

(4)

第t时刻的发电耗水量S(t)为

(5)

式中：C表示库容量；s(t)、S(t)、PH(t) 分别为t时刻水电站平均径流量、发电耗水量、发电量；α、β、γ为水轮发电机运行的耗量系数。

2系统调度策略

文中考虑区域为送端区域，在满足区域内负荷的条件下，通过联络线将多余电量输送出去。而由于风电和光伏发电的随机性和不可调度性，需要水电的补充来满足联络线的下限输送约束。水电的互补性对区域新能源的接入有着重要作用。

定义不加入水电时刻的净功率ΔP(t)为

(6)

式中：Pl(t)为t时刻的负荷功率。

则系统的调度策略可表示如下：

① 当ΔP(t)

(7)

② 当ΔP(t)≥Pgs.min(t)时，即系统的净功率满足联络线的输出下限约束时，此时则不需要水电的补充,将剩余功率输出即可。则水电的发电功率为

(8)

式中：Pgs.min(t)为t时刻联络线的输出下限约束；PH(t)为水电输出功率。

确定水电输出功率后，则通过联络线输出的功率Pgs(t)可表示如下：

(9)

3容量优化配置数学模型

3.1目标函数

3.1.1波动率极小化

本文以相对标准偏差作为衡量联络线输出功率的波动性指标。相对标准偏差Vσ的表达式如下：

(10)

3.1.2新能源接入规模极大化

该目标函数表示如下：

max:C=Yw+Ypv

(11)

式中：C为区域新能源的接入规模；Yw为风机装机容量；Ypv为光伏装机容量。

3.2约束条件

① 风机和光伏装机容量约束。风机的个数和光伏电池板的数量受占地面积的约束。

(12)

② 水电站约束。主要包括库容量约束和引用流量约束和水电出力上下限约束。

(13)

③ 联络线输出功率上下限约束。区域系统通过联络线输送的功率大小要满足：

(14)

式中：Pgs.min和Pgs.max为系统向主网或者配网输送的最小功率和最大功率。

④ 网架约束。主要包括发电机出力约束和电压越限约束。

(15)

式中：PG和QG代表发电机有功和无功功率，前两个不等式主要是PV节点的出力上下限约束，Ui表示节点电压幅值，第3个不等式主要是PQ节点的电压幅值上下限约束。

4模型求解方法

采用多目标粒子群算法(multi-objective particle swarm optimization algorithm，MOPSO)进行求解。多目标粒子群引入了Pareto解集的概念。

其中，粒子的位置和速度更新公式为

(16)

(17)

流程图如图1所示。

图1　多目标粒子群算法流程图

本文采用确定性模型，模拟区域一年8 760h内的运行情况，其中目标函数主要的计算步骤如下：

① 根据给定地区的资源，以及风机光伏参数，根据式(1)、(3)分别计算单台风机、单台光伏电池一年8 760h的时序出力。

② 根据水电站的约束条件和联络线输出下限约束确定水电PH全年的时序出力。

③ 由式(9)确定向联络线输出功率Pgs的全年时序出力。

④ 由式(11)确定风电光伏接入规模的大小，由式(10)确定联络线输出功率相对标准偏差的大小。

5算例分析

本文以青海省格尔木某地区资源为例进行研究，并在IEEE-14节点系统中进行计算。IEEE-14节点系统的参数参照文献[7]所述。全年的风速和光照强度数据如图2、图3所示。全年负荷有功需求数据如图4所示。所选取水电站容量1 200kW，总库容0.878亿m3，最小库容量限制为0.300亿m3，年径流量为0.600亿m3。向联络线输出有功功率限制为[200,3 000]kW。选取的风机额定有功为100kW，选取的光伏电池组有功为10kW。

图2　全年风速数据

图3　全年光照强度数据

图4　全年负荷数据

在14节点系统中，将可调度的水电加入节点1作为系统的平衡节点。将风机加入节点2，光伏加入节点3作为PV节点，其余节点不变。

图5　IEEE-14节点系统

选取系统的基准容量为1 000kVA。为了对应全年的负荷有功需求，将原系统的负荷标幺值作如下变换：

(18)

对联络线输出的功率部分等效为从节点2、3、4、5、6、9、10、11、12、13、14分散接入的多余负荷。每个点接入大小与原有负荷有功大小成正比：

(19)

采用Matlab软件进行多目标粒子群优化算法的编程，设置的内部种群数量为50，外部种群数量为50，惯性权重w为0.4，学习因子c1=2.0，c2=1.0，迭代最大次数为500次。设置的风机数量Nw在[0,15]，光伏电池组数量为[0,150]，经过计算得到的Pareto前沿如图6所示。

图6　计算得到的Pareto前沿

极端解分析如下：

① 当系统新能源接入规模最大时，如图7所示，风电光伏装机总有功为3 000kW。其中风机和光伏装机有功都为1 500kW。输入电网功率的相对标准偏差为0.737 4，入网功率标准差为487.78kW。可见接入规模最大时，向外网输入功率波动性较大。

图7　接入规模最大时的Pgs

选取Pgs最大和最小时候做出如下的潮流说明。如表1所示，在Pgs(t)最大的时候，需要在节点6和节点8的发电系统分别补偿870kvar,340kvar的无功功率，其余节点都满足约束条件。在Pgs(t)最小的时候，系统向外网输送有功功率为200kW，此时风机光伏发电都为0，全部功率由水电提供。潮流计算结果如表2所示。此时需要在节点6和节点8补偿的无功分别为450kvar,180kvar。其余节点均满足约束条件。

表1　接入规模最大且Pgs(t)最大的潮流结果

表2　接入规模最大且Pgs(t)最小时候的潮流结果

② 当波动性最小时，如图8所示。此时风电光伏装机总有功为654.5kW，此时相对标准偏差为0.017 83，入网功率标准差为3.72kW。可见波动性就非常小了，这是由于风电光伏装机容量较小，且发出的功率在水电的调度下主要满足区域内负荷需求，向外网输送功率主要集中在200～280kW之间,即说明波动性最小时的等效负荷介于表1和表2所示之间，潮流计算的结果也是各个节点满足约束条件的。

图8　波动性最小时的Pgs

若调整联络线的输出下限约束，根据本文的调度策略可以得出在不同联络线约束下的Pareto解集。

图9　不同联络线约束下限的Pareto前沿

从图9中可以看出，当联络线输出下限增加到500kW时，在相同的新能源接入规模下，相对标准偏差要明显低于原来200kW时的值。这是由于提高输出功率下限需要更多的水电补充到500kW，波动部分也会随之减小。然而提高下限到一定程度后，水电会受到规模的限制而不能满足所提出的调度策略。

6结论

本文通过考虑一个送端区域的新能源接入规模的大小和波动性的大小，构建了一个含水电的区域风光容量优化配置模型，用相对标准偏差来衡量向联络线输送功率的波动性大小。通过青海格尔木某地区的实际算例的建模求解分析，并在IEEE-14节点系统中进行了计算，验证了所提出优化方案的合理性，并且在不同联络线下限约束的条件下进行了分析，结果表明适当提高联络线下限约束有利于提高新能源接入规模和降低波动性。通过本文提出的容量优化配置方法，可以为区域新能源接入提供理论依据和技术支撑。

参考文献

[1]Woyte A, Van V, Belmans R, et al. Voltage fluctuations on distribution level introduced by photovoltaic systems[J]. IEEE Trans. on Energy Conversion, 2006, 21(1):202-209.

[2]Lilienthal P, Lambert T, Ferguson T, et al. Hybrid optimization model for electric renewables (HOMER) [EB/OL]. National Renewable Energy Lab (NREL), 2000-02-14[2010-11-08]. http://www.nrel/gov/HOMER.

[3]尚志娟，周晖，王天华. 带有储能装置的风电与水电互补系统的研究[J]. 电力系统保护与控制，2012，40(2)：99-104.

[4]张建华，于雷，刘念，等. 含风/光/柴/蓄及海水淡化负荷的微电网容量优化配置[J]. 电工技术学报，2014，29(2)：102-111.

[5]徐林，阮新波，张步涵，等. 风光蓄互补发电系统容量的改进优化配置方法[J]. 中国电机工程学报，2012，32(25)：88-98.

[6]丁明，王波，赵波，等. 独立风光柴储微网系统容量优化配置[J]. 电网技术，2013，37(3)：575-581.

[7]Lyambo P K, Tzoneva R. Transient stability analysis of the IEEE 14-bus electric power system[C]. AFRICON.2007:1-8.

王亮(1991—)，男，硕士研究生，主要研究方向为电力系统运行与控制，E-mail:942358319@qq.com；

向铁元(1953—)，男，教授，博士生导师，从事电力系统分析计算以及稳定运行与控制的教学和研究工作，E-mail: tyxiang@whu.edu.cn。

(责任编辑：林海文)

摘要：区域新能源大规模的发展，其中主要目标之一是为了提高系统新能源接入规模。为此文中构建了风-光-水互补系统优化运行的数学模型，考虑为一个送端区域系统，构建了相对标准偏差作为衡量波动性指标。将风机和光伏电池的个数作为变量，以新能源接入规模最大和输入主网波动性指标最小作为目标函数，综合考虑各类约束条件，并且采用多目标粒子群优化算法进行求解。最后，在IEEE-14节点系统中，以青海某地区资源为实例进行建模、求解和分析，结果验证了所提出优化配置方法的可行性。

关键词：送端区域；相对标准偏差；容量优化；多目标粒子群

Abstract：With the large-scale development of regional new energy, one of the main objectives is to improve access scale of new energy systems. In this paper, the mathematical model for wind-PV-Hydro complementary system is built, which is considered as a sending area system, and the relative standard deviation are taken as an index to measure the volatility characteristics. The number of wind turbines and photovoltaic cells are taken as the variables, to enlarge the access scale of new energy and to minimize the volatility index value of main grid are regarded as the objective function. By considering various types of constraints, the mathematical model is solved by using the multi-objective particle swarm optimization algorithm. In the end, the model for IEEE-14 bus system is built, solved and analyzed by taking Qinghai region resource as example, and the simulation results verify the correctness and effectiveness of configuration optimization method.

Keywords：sending area; relative standard deviation; capacity optimization; MOPSO

作者简介：

收稿日期：2014-05-21

基金项目：国家科技支撑计划项目(2013BAA02B01)

文章编号：1007-2322(2015)01-0089-06

文献标志码：A

中图分类号：TM715