考虑主动管理的分布式光伏发电消纳能力研究

栾伟杰，蒋献伟，张节潭，程浩忠，孙诗航，黄国樑

(1. 上海交通大学电力传输与功率变换控制教育部重点实验室，上海市 200240； 2.国网上海市电力公司青浦供电公司，上海市 201700；3.国网青海省电力科学试验研究院，西宁市810008； 4.上海电力学院电气工程学院，上海市200090；5.国网上海市电力公司培训中心，上海市 200090)

考虑主动管理的分布式光伏发电消纳能力研究

栾伟杰1，蒋献伟2，张节潭3，程浩忠1，孙诗航4，黄国樑5

(1. 上海交通大学电力传输与功率变换控制教育部重点实验室，上海市 200240； 2.国网上海市电力公司青浦供电公司，上海市 201700；3.国网青海省电力科学试验研究院，西宁市810008； 4.上海电力学院电气工程学院，上海市200090；5.国网上海市电力公司培训中心，上海市 200090)

随着分布式光伏接入配电网逐渐增多，其消纳能力越来越受到人们关注。文章对考虑主动管理的分布式光伏消纳能力进行了研究，提出了主动配电网中分布式光伏发电最大消纳量的计算方法。在分析分布式光伏发电和负荷的时序特性的基础上，提出了综合考虑混沌思想和自适应度调整的改进粒子群算法，研究了削减分布式电源出力、调节有载调压变压器抽头、无功补偿等主动管理措施对分布式光伏最大消纳量的影响。IEEE 33节点配网系统验证了所提模型的合理性和算法的有效性，3种主动管理措施能有效提高分布式光伏的最大消纳量。

分布式光伏发电；主动配电网；光伏消纳；时序特性；改进粒子群算法

0 引 言

作为新能源中最为丰富且不受地域限制的发电形式，光伏发电(photo voltaic，PV)以其环境友好、接入不受地域限制、资源丰富等特点得到越来越多的应用。分布式光伏接入虽然一定程度上可以缓解电力紧张局面，但其接入量并不是越大越好，若并网容量过大，会导致网络节点电压超过上限等电能质量问题。

在分布式电源(distributed generation，DG)接入对配电网的影响方面，文献[1]从网损方面分析了DG接入对电力系统带来的影响；文献[2]分析了DG接入电网对稳态特性和电能质量、保护等方面带来的影响，为配电网规划提供了理论基础。在最大准入容量研究方面，文献[3]从电力系统静态安全约束的角度出发，建立了计算DG准入容量的数学模型；文献[4]在分析DG接入位置、容量及接入方法等因素对配电网影响的基础上，形成了模型的电压约束、潮流约束以及DG的容量约束；文献[5]认为建立主动配电网(active distribution network，ADN)是有效消纳大规模DG和实现节能减排的有效手段。然而，在ADN快速发展、主动管理措施得到越来越多应用的背景下，大多数的研究仅仅针对传统配电网中DG的准入容量，并未充分考虑主动管理措施对DG准入容量的影响。另外，大多数研究将风电、PV等不同类型的DG笼统起来进行研究，并未区分不同类型的DG的不同。分布式PV作为近年来发展最快的DG之一，有其特殊的出力特性，研究其最大消纳能力有重要的意义。

本文考虑分布式PV的时序特性，建立ADN中分布式PV最大消纳量的模型，并采用自适应混沌粒子群算法进行求解，以期为PV并网研究提供参考。

1 分布式PV的时序特性

1.1 分布式PV和负荷的时序特性

分布式PV出力具有随机性和波动性，无法将其当作恒定出力的电源考虑。其受到季节、天气、时刻等多方面的影响[6-7]。PV的时序特性如图1所示，从图中可以看出：在季节方面，PV出力大小表现为夏>春>冬>秋；在天气方面，PV出力大小表现为晴>阴>雨；在时刻方面，PV出力时间段为05:00—19:00，其中在11:00—3:00出现出力最大值。

对于负荷而言，不同时间段、不同季节也表现出不同的特性，另外其特性也跟负荷类型有关。本文将负荷分为居民负荷和商业负荷，研究其4个季节、24 h的特性，负荷的时序特性如图2所示。由图2可知：居民负荷的季节影响大于时刻影响，夏季负荷最高，其负荷具有一定的持续性和稳定性，高峰负荷主要集中在18:00—22:00；商业负荷的时刻影响大于季节影响，负荷大小集中在08:00—22:00，其余时间段几乎为0，且其受季节影响较小，这主要是由于工商业行业特点所决定的。

图1 PV时序特性曲线

图2 负荷时序特性曲线

1.2 模拟场景出力

将1年划分为春晴、春阴、春雨、夏晴、夏阴、夏雨、秋晴、秋阴、秋雨、冬晴、冬阴、冬雨12个典型日，并参考某地区气候统计资料，得到各个典型日的具体天数，如表1所示。将全年划分为288(24×4×3)个场景，对网络进行全时段模拟。

2 考虑主动管理的分布式PV最大消纳模型

2.1 主动管理模式

为了应对新的要求和挑战，传统的被动配电网正在向ADN转变。主动管理就是在更加细致地测量和评估配电网的运行数据之后，对DG和配电网设备进行实时控制并采取一定的措施进行协调[8]。主动管理模式下，可以采取控制DG的输出功率等多种主动管理措施，使得含有DG的配电系统达到最优的运行状态。本文考虑的主动管理措施有如下3种。

表1 全年各典型日天数

Table 1 Proportion of typical day in a year

(1)削减分布式PV出力：通过控制接入节点的PV出力，起到控制电压，改善潮流分布的作用。

(2)调节有载调压变压器抽头：通过调节有载调压变压器一次侧的可变抽头位置，使配电网电压保持在规定范围内。

(3)无功补偿的投切：在PV接入点投切无功补偿设备来吸收或者放出无功来改变网络无功分布，达到改善系统潮流分布和电压水平的目的。

2.2 PV最大消纳量目标函数

PV最大消纳量模型的目标函数为

(1)

2.3 PV最大消纳量约束条件

在加入了主动管理措施后，PV接入需满足节点功率平衡约束、节点电压约束和线路传输容量约束等基本约束外，还加入了变压器抽头约束、无功补偿装置约束和PV出力控制约束，具体约束条件如下。

(1)节点功率平衡约束

(2)

式中：PPVi为节点i的分布式PV有功注入；PLi为节点i的有功负荷；QPVi为节点i的分布式PV无功注入；QCi为节点i的无功补偿无功注入；QLi为节点i的无功负荷；Ui、Uj为节点i、j电压幅值；θij为节点i、j间电压相角。

(2)节点电压约束

Uimin≤Ui≤Uimax

(3)

式中：Uimin、Uimax为节点i所允许的最小电压值和最大电压值。

(3)支路潮流约束

Sl≤Slmax

(4)

式中：Sl为通过支路l的视在功率；Slmax为支路l传输容量极限值。

(4)有载调压变压器(onloadtapchanger，OLTC)抽头约束

Tkmin≤Tk≤Tkmax

(5)

式中：Tk为变压器的抽头位置；Tkmin、Tkmax为变压器的抽头最小值和最大值。

(5)无功补偿装置约束

QCimin≤QCi≤QCimax

(6)

式中：QCimin、QCimax为节点i无功补偿最小值和最大值。

将其转化为功率因数的限制，即

φimin≤φi,j≤φimax

(7)

式中：φi,j为时段j节点i的功率因数；φimin和φimax分别为功率因数的最小值和最大值。

(6)PV出力约束

PPVimin≤PPVi≤PPVimax

(8)

式中：PPVimin、PPVimax分别为节点i的分布式PV有功出力最小值、最大值。

将其转化为PV切除量的大小，即

(9)

3 求解算法

3.1 基本粒子群算法

粒子群算法(particleswarmoptimization,PSO)是一种新型群智能进化计算方法[9]，其基本概念源于对鸟类觅食行为的研究。每个个体被抽象为没有质量和体积的粒子点，第m个例粒子速度和位置更新公式为：

(10)

(11)

(12)

(13)

3.2 自适应混沌粒子群算法

由于利用式(8)—式(10)更新群体粒子的速度和位置，主要依赖的是粒子自身信息、个体极值以及全局极值，来推导出粒子下一步进化位置，粒子较容易陷入局部最优解，许多研究对于粒子群算法的缺陷提出了一系列的改进方法，其中引入混沌运动思想是其中之一[10-11]。由于混沌运动能够做到较好的全局性，能在初始化过程中能够改善粒子群算法初始化不均匀的问题。本文采用的混沌处理如下：

(1)随机产生1个n维、每维分量为0～1的向量Z1=[z11,z12,…,z1n]，将其采用混沌迭代公式Zn+1=4Zn(1-Zn)，得到N个向量Z1,Z2,…，ZN；

(2)通过将Zi的各个分量载波到对应变量的取值区间上，计算粒子群的适应度值；

(3)对最优位置Xh=[xh1,xh2，…,xhn]进行混沌优化，将最优位置通过zβα=(xgα-aα)/(bα-aα)映射到Logistic方程对应变量取值区间上后，利用Logistic方程进行迭代，产生混沌序列Zj，再通过xβα=aα+(bβ-aα)zβα将混沌序列逆映射到原空间；

(4)在原解空间对混沌变量经历的每个可行解计算其适应度之后，得到性能最好解X*。

另外，本文参考基于自适应度调整粒子群算法思想[12]，对惯性权重及学习因子进行了改进。惯性权重ω的取值不同影响搜索全局最优解和局部最优解的能力。当ω较大时，粒子速度也较大，对在更大空间里搜索有利，当ω较小时，粒子速度也较小，对在当前解空间附近寻找更优解有利。为了更利于粒子搜索到全局最优解，在迭代初期使粒子的搜索范围更大，而在随着迭代的深入，减小粒子的搜索范围，将惯性权重设为随着迭代次数而减少的线性函数：

(14)

式中：ωmax为初始权重；ωmin为最终权重；nmax为最大迭代次数；n0为当前迭代次数。本文取ωmax=0.9，ωmin=0.4。

学习因子c1、c2对粒子自身经验和群体经验在搜索过程中的重要程度起着决定性的作用。在搜索初期，避免陷入局部最优，应当使粒子多向自身最优学习，少向全局最优学习，所以令取c1较大值，c2取较小值；在搜索后期，应当增强局部搜索能力，所以令c1取较小值，c2取较大值，具体公式如下：

1.养殖密度大。鱼类经过春、夏季节的生长，进入秋季个体渐渐长大，自然出现养殖密度大的问题。随着养殖密度上升，鱼类排泄物增加，有机质污染超过池塘自净能力时，水质会出现不稳定或变坏的可能，导致鱼病增多。在持续高温的秋季，养殖水体的分层现象特别严重，池底总处于缺氧状态，易导致亚硝酸盐和氨态氮等有害物质浓度增加，水质调控困难，极易暴发各种鱼病。

(15)

(16)

式中：a、b、d为参数，本文取a=1.3，b=2，d=1.2。这时当1≤n≤0.47nmax时，c1>c2；反之c1

图3 最大消纳量模型求解流程

4 算例分析

4.1 算例数据

本文采用IEEE 33节点配电网系统[13]作为算例，算例电压等级为12.66 kV，总有功负荷为3.715 MW，总无功负荷为2.3 Mvar，其接线图如图4所示。

图4 IEEE 33 ADN单线图

根据每个节点负荷的不同将其分为商业负荷和居民负荷，具体分布如表2所示。

表2 IEEE 33节点商业和居民负荷的分布情况

Table 2 Distribution of commercial and resident load at IEEE 33 node

4.2 结果分析

4.2.1 单节点PV最大准入容量分析

为研究PV不同接入位置对最大准入容量的影响，本文选取了前中后段的节点2、节点9和节点17作为研究对象，分别加入PV，分析其最大准入容量，并加入3种主动管理措施，比较主动管理和非主动管理结果的不同，如表3所示。

表3 单节点PV最大准入容量

Table 3 PV penetration capacity for one node

从表3可看出：相较于非主动管理，主动管理模式下PV可更多的接入配电网，3个节点消纳量分别提升了2.8%、15%、41.6%，这是由于主动管理方法可以通过控制PV出力，调节OLTC分接头和控制无功补偿量等措施使网络运行在安全范围内，从而能够更大程度地接入PV。从接入位置看，前段节点可接入PV容量较大，后段节点可接入PV容量较小，主要是由于后段节点接入PV对网络电压抬升作用明显，受到电压约束条件较强。故若配电网需要消纳大量PV时，可以优先考虑在配电网前段节点接入。而对于配电网末段节点电压较低的情况，适量接入PV会对电压起改善作用。

4.2.2 多节点PV最大消纳量分析

为研究各种主动管理措施对提高分布式PV消纳能力的影响，本文分别模拟不加入主动管理措施(A)、只加入OLTC调节措施(B)、只加入功率切除措施(C)、只加入无功补偿措施(D)、3种主动管理措施全加入(E)等5个场景，对分布式PV最大消纳能力进行计算。PV接入位置为15、17、30、31、32这5个节点，计算结果如表4。

表4 多节点PV最大消纳量

Table 4 Maximum amount of PV consumption for multi-node

由表4可知：(1)当不加入主动管理措施时，整个网络PV的最大准入容量为3.3 MW，其中在节点15接入最大，为1.1 MW。在考虑时序特性的基础上，1年PV总消纳量达到4. 235 GW·h，全网网损量为465 MW·h。

(2)当只加入OLTC调节措施时，PV的最大准入容量上升到3.5 MW，较场景A增加 0.2 MW。相应的全年消纳PV总量为4.512 GW·h，比场景A增加 6.5%；相应的，网损上升至613 MW·h，比场景A增加31.8%，网损的增加量远远大于PV接入容量的增加量。当加入OLTC调节时，全网的电压调节范围增大，能容许更多的PV接入。

(3)当只加入功率切除措施时，网络PV最大准入容量为3.6 MW，较场景A增加了0.3 MW。全年消纳PV总量为4.678 GW·h，比场景A增加10.4%；相应的，网损上升至505 MW·h，比场景A增加8.6%，网损增量较少。当加入功率切除措施后，可以将某些特殊时段(如低负荷高出力)的PV切除，减小了反向潮流，增大了接入更多PV的可能性。

(4)当只加入无功补偿措施后，网络PV最大准入容量为3.6 MW，较场景A增加了0.3 MW。全年消纳PV总量为4.694 GW·h，比场景A增加10.8%；网损上升至577 MW·h，比场景A增加24%。当加入无功补偿措施后，可以通过投切无功补偿设备，在极端情况下改变网络的电压和潮流分布，使网络运行在约束范围内。

(5)当3种主动管理措施全部加入后，网络PV的最大准入容量提升至3.8 MW，较场景A增加 0.5 MW。全年消纳PV总量为4.993 GW·h，比场景A增加17.8%；网损上升至529 MW·h。当3种主动管理措施全部加入后，3种措施相互弥补，PV的消纳量达到最大，且各个节点接入PV容量较平均，没有出现某几节点过高情况。上述结果验证了主动管理措施对提高PV准入容量的有效性。

4.2.3 自适应混沌粒子群算法性能分析

采用文献[9]所提出的基本粒子群算法对本文提出的模型进行计算，分析在3种主动管理模式全部加入下PV最大消纳量，得到的结果和迭代次数如表5。

表5 自适应混沌粒子群算法性能分析

Table 5 Performance analysis of adaptive chaos particle swarm optimization algorithm

从表5可以看出：自适应混沌粒子群经过较少的迭代次数即能找到最优解，收敛性较基本粒子群算法有所提高，且搜索到的最优解优于基本粒子群算法。

5 结 论

(1)分布式PV最大消纳量配电网需受到电压、潮流等因素的限制，主动管理措施能有效提高其最大消纳量。

(2)不同的主动管理措施对提高PV最大消纳量的影响不同，在实际网络中需根据配电网具体情况采用最适合的主动管理措施，如PV的位置、网损要求、PV设备的经济性投资、PV的增长量等。

(3)不同的主动管理措施有不同的经济成本，若综合考虑经济因素和光伏消纳能力，会得出其他最优方案。

[1]张瑜,孟晓丽,方恒福. 分布式电源接入对配电网线损的影响分析[J]. 电力建设,2011,32(5):67-71. ZHANG Yu, MENG Xiaoli, FANG Hengfu. Effect of distributed resources on power loss of distribution network[J]. Electric Power Construction,2011, 32(5):67-71.

[2]于建成,迟福建,徐科,等.分布式电源接入对电网的影响分析[J].电力系统及其自动化学报, 2012, 24(1): 138-141. YU Jiancheng, CHI Fujian, XU Ke, et al. Analysis of the impact of distributed generation on power grid[J]. Proceedings of the CSU-EPSA, 2012, 24(1): 138-141.

[3]夏成军,崔弘,王强,等.考虑静态安全约束的分布式电源准入容量计算[J].电网技术,2009,33(16):96-100. XIA Chengjun, CUI Hong, WANG Qiang, et al. Penetration capacity calculation for distributed generation considering static security constraints[J]. Power System Technology, 2009,33(16):96-100.

[4]苏小玲,韩民晓,赵正奎,等. 配电网中分布式电源最大准入容量分析[J].电网技术,2012,36(10):87-92. SU Xiaoling, HAN Minxiao, ZHAO Zhengkui, et al. Research on maximum capacity of grid-connected distributed generationin distribution network[J]. Power System Technology,2012,36(10):87-92.

[5]刘广一,张凯,舒彬. 主动配电网的6个主动与技术实现[J]. 电力建设,2015,36(1):33-37. LIU Guangyi, ZHANG Kai, SHU Bin. Six actives and key technologies of active distribution network[J]. Electric Power Construction,2015,36(1):33-37.

[6]徐迅,陈楷,龙禹,等.考虑环境成本和时序特性的微网多类型分布式电源选址定容规划[J]. 电网技术,2013,37(4):914-921. XU Xun, CHEN Kai, LONG Yu, et al. Optimal site selection and capacity determination of multi-types of distributed generation in microgrid considering environment cost and timing characteristics[J]. Power System Technology,2013,37(4):914-921.

[7]李亮,唐巍,白牧可,等.考虑时序特性的多目标分布式电源选址定容规划[J].电力系统自动化, 2013,37(3): 58-63. LI Liang, TANG Wei, BAI Muke, et al. Multi-objective locating and sizing if distributed generators based on time-sequence characteristics[J]. Automation of Electric Power Systems,2013, 37(3): 58-63.

[8]SIANO P, CHEN P, CHEN Z, et al. Evaluating maximum wind energy exploitation in active distribution networks[J]. IET Generation, Transmission and Distribution, 2010, 4(5): 598-608.

[9]JAMES K, RUSSELL E. Particle swarm optimization[C]//Proceedings of 1995 IEEE International Conference on Neural Networks. Perth, WA, 1995: 1942-1948.

[10]LIU B, WANG L, JIN Y H, et al. Improved particle swarm optimization combined with chaos[J]. Chaos, Solitionsand Fractals,2005, 25(5):1261-1271.

[11]司风琪,顾慧,叶亚兰,等. 基于混沌粒子群算法的火电厂厂级负荷在线优化分配[J].中国电机工程学报,2011,31(26):103-109. SI Fengqi, GU Hui, YE Yalan, et al. Online unit load economic dispatch based on chaotic-particle swarm optimization algorithm[J]. Proceedings of the CSEE, 2011, 31(26):103-109.

[12]孙卓新,朱永强,倪一峰,等.基于粒子群算法的含光伏电站的配电网无功优化[J]. 电力建设,2014,35(4):25-30. SUN Zhuoxin, ZHU Yongqiang, NI Yifeng, et al. Reactive power optimization of distribution network with photovoltaic power plant based on PSO[J]. Electric Power Construction, 2014, 3504):25-30.

[13]BARAN M E, WU F F. Network reconfiguration in distribution systems for loss reduction and load balancing[J]. IEEE Transaction on Power Delivery, 1989, 4(2): 1401-1407.

[14]电力工业部电力规划设计总院.电力系统设计手册[M].北京:中国电力出版社, 1998:178-182.

(编辑 蒋毅恒)

Consumptive Ability Analysis for Distributed Photovoltaic Generation Considering Active Management

LUAN Weijie1,JIANG Xianwei2,ZHANG Jietan3, CHENG Haozhong1, SUN Shihang4,HUANG Guoliang5

(1. Key Laboratory of Control of Power Transmission and Conversion, Ministry of Education, Shanghai Jiao Tong University, Shanghai 200240, China; 2. Qingpu Power Supply Branch, State Grid Shanghai Municipal Electric Power Company, Shanghai 201700, China; 3. State Grid Qinghai Electric Power Research and Test Institute, Xining 810008, China; 4. College of Electric Engineering, Shanghai University of Electric Power, Shanghai 200438, China; 5. Training Center, State Grid Shanghai Municipal Electric Power Company, Shanghai 200438, China)

With the distributed photovoltaic generation connected to distribution network gradually increases, its consumptive ability has been paid more and more attention. This paper studies the consumptive ability of distributed photovoltaic generation with considering active management, and proposes the maximum consumption calculation method of distributed photovoltaic generation in active distribution network. Based on the analysis on the timing characteristics of distributed photovoltaic generation and load, we propose the improved particle swarm optimization algorithm with comprehensively considering chaos theory and adaptive adjustment, and study the influence of some active management measures on the maximum consumption of distributed photovoltaic generation, such as distributed power output curtailment, on-load tap changing transformer regulation, reactive power compensation and so on. IEEE 33 node distribution network system verifies the rationality of the proposed model and the effectiveness of the algorithm, and the three active management measures can effectively improve the maximum consumption of distributed photovoltaic generation.

distributed photovoltaic generation; active distribution network; photovoltaic consumption; timing characteristics; improved particle swarm optimization algorithm

国网青海省电力公司科技项目(主动配电网中分布式光伏发电最大消纳能力研究)；国网上海市电力公司青浦供电公司科技项目(青浦分布式能源应用对于电力传统安全管理的影响及应对策略)

TM 711

A

1000-7229(2016)01-0137-07

10.3969/j.issn.1000-7229.2016.01.021

2015-11-03

栾伟杰(1991)，男，硕士研究生，研究方向为配电网规划、配电网运行优化；

蒋献伟(1979)男，硕士研究生，从事调控、继电保护整定工作；

张节潭(1980)，男，博士，高级工程师，研究方向为电力系统规划；

程浩忠(1962)，男，博士，教授，博士生导师，研究方向为电能质量、电力系统规划、电力系统分析、电压稳定；

孙诗航(1992)，男，本科生在读，研究方向为分布式的能源；

黄国樑(1959)，男，工程师，研究方问为行业教育概率、环境、教育产品状况、教育趋势对策。