基于随机生产模拟的BIPV区域仓库DG优化配置

林虎， 黄志清， 邹晓松

(1.贵州电网物资有限公司，贵州 贵阳 550002；2.贵州电网有限责任公司铜仁供电局，贵州 铜仁 554300；3.贵州大学 电气工程学院，贵州 贵阳 550025)

0 引 言

区域仓库在功能、空间和负荷特性等方面的特殊性，采用光伏建筑一体化(building integrated photovoltaics，BIPV)具有天然的优势。一方面，仓库屋顶是重要的光伏发电资源，也是区域仓库实现节能降耗的重要途径；另一方面，可以推进绿色区域仓库与配送行动计划，优化区域仓库的用能模式，实现分散式光伏风机发电。但风光预测出力的误差是限制其发展的主要因数，如何提高可再生能源的消纳是当前研究的热点[1]，区域仓库的微网系统可实现通过配置分布式电源离网运行，如何在提高运行经济性以及可靠性需提高分布式电源的优化配置，是电力工业未来发展的趋势[2]。

目前关于分布式电源配置为题国内外已有研究，文献[3]以经济性、环保性和电能质量等方面为研究对象，建立经济优化和碳排放作为优化目标，采用NSGA-Ⅱ算法对目标进行求解。文献[4]通过以风速、光照度和温度等数据为对象，搭建优化微网电源配置的目标模型，并通过智能算法求解最优配置方案。文献[5]在柴、风、光和储联合微网系统中通过以可靠性指标为约束，建立计及经济性、环境保护型以及提高电源利用率的优化模型。文献[6]分析了微网电源的一次成本、运维成本以及环境污染成本等一系列经济性指标，并通过分析分布式电源经济收益建立了微网孤网成本-收益优化模型。以上对微网分布式电源配置进行了系统的建模，求解方式多采用智能算法，并未考虑分布式电源故障停运等运行可靠性层面，随机生产模拟在分析机组故障停运和运行成本的表现突出。文献[7]综述了随机生产模拟在电力系统中的应用范围，并针对应用场景提出了建议。文献[8]在对系统进行随机生产模拟时引入直接购电交易，更全面地分析成本效益。文献[9]对含有可再生能源的系统进行随机生产模拟，通过分析风机出力的时序性等，提高随机性可再生能源系统运行的可靠性。文献[10]针对新能源随机性出力的特征提出了一种基于随机生产模拟的新能源消纳能力评估方法，以提高系统对风光等可再生能源的消纳能力。

本文在此基础上，采用等效电量函数法的随机生成模拟计算基于BIPV区域仓库的分布式电源容量配置，在基于对风光随机出力误差的处理的基础上，为提高BIPV区域仓库系统的运行经济性和可靠性，提出了不同的分布式电源配置方案，并分析了各类方案的优势，为BIPV区域仓库系统的优化运行提供有益的参考。

1 分布式电源优化配置模型

本文研究对象是基于BIPV的区域仓库的分布式电源优化配置，该仓库负荷类型类似于工业负荷，一般情况负荷电量由供电系统和光伏电源供应。当系统故障时，根据系统分布式电源需要即时调节出力，如微型燃气轮机、柴油机和燃料电池等供应，以确保在该工况模式下的系统运行的可靠性和经济性。

1.1 光伏/风电出力随机误差模型

风光的功率预测影响因数较多，是一个复杂的概率问题，其出力极具随机性。直接通过风光的预测功率表征风光实际功率将会带来较大误差，影响调度结果的合理性。因此本文将风光实际功率，分为风光功率的预测值与风光功率的预测误差来表征。风光实际出力的具体方式如下：

(1)

式中：Pr.cat(t)、Pr.pre(t)分别为光伏实际出力和预测出力；Pw.cat(t)、Pw.pre(t)分别为风机实际出力和预测出力；ξr(t)、ξw(t)分别为t时刻下光、风预测出力误差。根据大量实际风光历史数据研究发现，风光的预测误差分布满足中心极限定理，误差值服从均值为零的正态分布，其正态分布的标准差σr(t)、σw(t)与实际机组参数有关，具体表示为：

(2)

式中：PrN、PwN分别为光伏电池和风电机组的额定功率。

1.2 基于BIPV的随机生产模拟

基于BIPV的随机生产模拟需要考虑风光预测出力对负荷的修正得到净负荷，即基于净负荷曲线进行随机生产模拟。根据净负荷获取持续负荷曲线(load duration curve，LDC)基础上，考虑机组容量、电量约束、各机组故障停运和机组的带载运行顺序，通过不断修正原始持续负荷曲线形成等效持续负荷曲线(equivalent load duration curve，ELDC)的过程。

图1中:f(x)为原始的持续负荷曲线；Ci为逐个考虑各机组故障停运后的等效增加负荷；fi(x)为等效持续负荷曲线卷积过程,如式(3)所示;EEENS为装机容量为Pload时的电量不足期望(expected energy not supplied，EENS)；PLOLP为此时的电力不足概率(loss of load probability，LOLP)。

图1 等效持续净负荷曲线

fi(x)=(1-qi)fi-1(x)+qifi-1(x-Ci)

(3)

式中：qi为机组i的强迫停运率;1-qi为机组可行率。

基于BIPV的随机生产模拟计算需要区域负荷数据和分布式发电机组参数，从而求解各机组等效电量Eg和系统可靠性指标的PLOLP以及EEENS等，能够衡量一段时期内系统的综合运行能力。

(4)

式中：Eg为考虑机组容量满足最大负荷后提高系统运行可靠性投运的机组功率；PLmax为最大负荷点功率为装机容量；PLmax+E为装机容量大于最大负荷点的装机容量。

等效电量函数法[11]直接利用电量函数进行卷积和反卷积运算，计算量较小，且精度较高，适合于有多状态机组的电力系统进行随机生产模拟。通过将图1中x轴根据Δx离散分段，定义离散Δx分段的电量如下：

(5)

根据等效电量函数法式(5)重写式(4)，具体如下：

(6)

式中:Δx为分布式电源容量得最小公约数;Eg(J)为单位离散变量Δx对应的电量；Ki=Ci/Δx；M=PLmax/Δx。Ki、M均为整数。

1.3 目标函数

1) 随机生产模拟成本

根据分布式电源优化配置方案进行配置成本评估，具体表达式如下：

(7)

式中：Eg为分布式电源的发电量；Cg为发电成本;Ni为i类分布式电源台数;Ce为对应i类分布式电源的单价。

2) 可靠性指标

可靠性指标根据随机生产模拟可知，由电量不足期望和电力不足概率表征，具体表达式如下：

(8)

1.4 约束条件

1) 功率平衡约束

分布式电源配置方案需满足功率平衡约束，即各时段分布式电源总的功率应等于该时刻负荷值，具体表达式如下：

Pload(t)=Pr(t)+Pw(t)+Pg(t)

(9)

式中：Pload(t)为t时刻负荷；Pr(t)、Pw(t)分别为t时刻光、风预测出力；Pg(t)为t时刻分布式电源出力。

2) 电源出力约束

(10)

式中:(Pr.min,Pr.max)、(Pw.min,Pw.max)、(Pg.min,Pg.max)分别为光、风和分布式电源出力区间。

2 配置方案求解流程

考虑到光、风出力误差符合均值为零的正态分布，采用蒙特卡洛抽样对光、风预测出力进行取值，并通过BIPV区域仓库负荷叠加求解净负荷曲线，基于净负荷曲线进行随机生产模拟，具体步骤下：

(1) 形成原始持续负荷曲线Pload、光、风预测出力及预测误差的概率分布。随机抽样求解预测误差，修正原始持续负荷曲线，获得净负荷曲线。

(2) 确定分布式电源出力优先顺序，带载优先性根据运行成本安排。

(3) 逐个考虑分布式电源故障停运，并计算电量，修正求解等效负荷曲线。

(4) 用式(3)求等效负荷持续曲线fi(x)。

(5) 重复步骤(3)、步骤(4)，直至所有分布式电源投运完毕。

(6) 用式(4)计算可靠性指标，并根据各分布式电源配置和发电量，由式(5)计算经济成本。

(7) 根据式(5)、式(6)求得配置方案的情况。

具体流程如图2所示。

图2 基于BIPV的随机生产模拟过程

3 算例分析

本文以贵州铜仁地区某仓库为研究对象，通过随机生产模拟进行系统运行经济性和可靠性分析。该系统接入风电场容量为150 kW，光伏电场容量为200 kW，风光预测误差抽样分析次数为100，根据式(1)、式(2)对该区域仓库原始负荷修正，如图3所示。

图3 时序负荷曲线图

根据文献[12]所述分布式机组类型进行分布式电源配置研究，机组参数如表1所示。

表1 分布式电源机组类型

考虑到系统故障时，系统分布式电源需要即时调节出力，机组容量不小于最大负荷配置。如图3所示，净负荷时序曲线的最大负荷值为1 470.04 kW。分布式电源配置按不小于最大负荷的配置原则，根据表1所示机组类型，设置不同机组配置方案，如表2所示。

表2 不同机组配置方案

通过表2可以看出，在满足最大负荷配置条件下的机组配置对系统运行成本和可靠性均有很大影响，5种方案配置均具有重要的参考价值。当研究对象对运行可靠性需求较高或者停电损失较大时,对比PLOLP可参考方案4的配置；当研究对象对系统成本需求高时,对比成本可参考方案1的配置；当研究对象对配置机组利用率较高时,对比Eg可参考方案3的配置；当研究对象对于可靠性有极高要求或者要求微网在离网时不间断运行，可参考方案5的配置增加机组配置。

4 结束语

本文基于BIPV区域仓库的优化运行，研究了风光出力的误差概率模型，建立了计及随机生产模拟的BIPV区域仓库分布式电源最优配置。为提高随机生产模拟效率，通过等效电量函数法进行分析，综合评估了系统运行成本和可靠性。根据研究对象对不同指标的需求，设置的多种优化配置方案，并对比分析了各种配置方案的优势，提高了BIPV区域仓库的综合优化运行能力。