计及电压分区协调控制策略的分布式光伏接入配电网规划

张赟宁 童 凡 石 泽

(1.三峡大学 电气与新能源学院, 湖北 宜昌 443002；2.智慧能源技术湖北省工程研究中心(三峡大学)，湖北 宜昌 443002；3.国家电网 黄石供电公司，湖北 黄石 435000)

由于国家对新能源发电的鼓励，近几年分布式电源(DG)在配电网中的渗透率不断提高，尤其是分布式光伏(PV)的发展[1，2].然而光伏出力和负荷需求由于受到不同因素的影响存在不确定性，这是光伏并网规划时必须考虑的问题.若光伏并网规划不合理，会使配电网发生电压越限、谐波污染等多种风险问题[3，4].因此，光伏和负荷的不确定性给光伏的并网规划带来了难题.

在现有的研究成果中，考虑不确定性的DG并网规划都是在候选安装点给定的情况下，主要基于多场景技术[5，6]，采用智能优化算法求解DG并网的规划模型，确定最优的DG安装容量.其中多场景技术是将全年中各随机变量可能出现的值按规则组合成参数确定的多个规划场景，将不确定性问题转化为确定性问题[7].文献[8]采用模糊c均值聚类方法对光伏日场景进行削减，形成典型日场景，但是聚类前分类数取值为5，场景个数的确定是不合理的.文献[9，10]考虑了资源和负荷的时序特性，基于季节性典型日各个时段的时序数据模拟全年的配电网运行，虽然减少了规划场景数量，但未考虑到DG资源在相同季节的不同天气下也有较大的差异.

除了考虑规划场景划分的合理性之外，建立规划目标模型时还不能忽略主动管理措施在改善电压质量、提高DG并网容量等方面的作用.文献[11]虽然考虑了DG和负荷的时序特性，以综合费用最小为目标构建目标函数，但规划模型上没有提及主动管理措施.文献[12，13]建立了考虑主动管理措施的多目标双层分布式电源规划模型，但忽略了分布式电源出力受季节、天气的影响，划分场景不够合理，并且优化目标中并没用考虑到电压水平.文献[14]针对光伏并网导致的电压越限问题，构建计及电压调节策略的多目标分布式光伏规划模型，但电压调节策略中涉及到的基于灵敏度的集中电压控制不适合未来大比例光伏接入的情况，控制变量维数多、控制过程复杂.

基于以上分析，为了考虑光伏出力与负荷需求的季节性、天气性变化特征，使规划更加合理，同时提高模型求解效率，本文首先采用同步回代消除法将全年日场景削减，划分为4个不同季节(春、夏、秋、冬)3种不同天气(晴、阴、雨)组合成的12组典型规划场景.然后建立计及电压分区协调控制策略的以光伏运营商年平均净收益最大、配电网平均有功网损最小、配电网平均节点电压偏差最小的多目标双层光伏规划模型，并采用基于目标相对占优策略[15]的纵横交叉算法(crisscross optimization, CSO)对该多目标规划模型进行求解.最后通过IEEE33算例的仿真分析来验证该求解算法的有效性和规划方案的优越性.

1 典型场景划分

为了使规划更加合理，必须考虑光伏出力和负荷大小在时序上的不确定性.但是仅以某一日的24 h时序光伏出力和负荷曲线数据当作规划参数，并不能体现光伏出力和负荷的季节性和天气性变化特征.若利用全年8 760 h的所有历史数据，则潮流计算运算量过大，模型求解效率降低.因此，本文将全年划分为4个不同季节(春、夏、秋、冬)3种不同天气(晴、阴、雨)组合成的12组典型规划场景.

由于光照强度会随着季节、天气的变化呈现规律的周期波动，因此光伏典型场景需要根据不同季节不同天气光伏的日场景进行削减获得.本文进行日场景削减时，通过某地的全年光伏出力历史数据，采用同步回代消除法，其方法具体步骤可参考文献[16].最终得到不同季节不同天气下光伏出力的时序曲线，如图1所示.

图1 典型场景下的光伏出力波动曲线

由于天气的变化对负荷需求影响甚小，因此负荷典型场景的形成只需根据季节性变化对日场景进行削减.最终场景削减得到的不同季节负荷需求波动曲线如图2所示.

图2 不同季节下的负荷需求波动曲线

其中，各典型场景G发生的概率P(G)可表示为：

(1)

式中：Tg表示典型场景G所对应的典型日在一年中所占的天数，通过当地的气象历史数据获得.

2 双层规划模型

分布式光伏并入配电网的规划中不仅要考虑光伏运营商的经济利益问题，还要考虑含有分布式光伏的配电网在运行过程中的技术性问题，其中包括配电网的有功网损和节点电压水平.因此，本文上层模型构建光伏运营商的年平均净收益最大、配电网平均有功网损最小、配电网年均节点电压偏差最小的多目标函数；下层模型计及分布式光伏并网运行时的分区协调控制策略，解决高渗透率分布式光伏并网易引起的电压越限问题.其中，上层模型将光伏安装容量传递给下层，下层在已知光伏安装容量的基础上运行电压分区协调控制策略，然后将运行后的系统状态传递给上层.本文采用基于目标相对占优策略的纵横交叉算法对该模型求解，获得较优的光伏安装容量.

2.1 上层多目标分布式光伏并网规划模型

2.1.1 多目标函数

1)光伏运营商年平均净收益

光伏运营商规划期内的收益主要指售电收益、政府补贴和设备残值.成本主要考虑配电网的投资成本、运行维护成本.由于资金的价值跟时间有关，在规划期内不同年份光伏运营商所产生的收益和成本，其价值也不同.因此，本文对于收益和成本，均采用折现值表示.其年平均净收益L的规划模型如下所示：

maxL=R-C

(2)

(3)

2)配电网平均有功网损

配电网的平均有功网损应为所有场景日下每小时有功网损期望值之和的平均值，该规划目标函数为：

(4)

3)配电网平均节点电压偏差

节点电压偏差指的是节点电压与额定电压之差的绝对值，规划中配电网的平均节点电压偏差应为所有场景日下每小时每个节点电压偏差期望值之和的平均值，该值越小表明系统电压水平越好.因此，规划目标函数为：

(5)

式中：Ud为配电网的平均节点电压偏差；Nn为配电网节点个数；Us，t，n表示第s个场景第t个时段第n个节点的电压幅值；Urate为额定电压，标幺值为1.

2.1.2 上层约束

光伏安装容量不等式约束

(6)

2.2 下层考虑电压分区协调控制

2.2.1 电压分区协调控制策略

为了解决配电网中高渗透率光伏易引起的电压越限问题，并且考虑到电压集中控制计算变量维数多、控制过程复杂等缺点，本文在配电网光伏接入规划中，提出了计及电压分区协调控制策略的规划方案.对于配电网分区，则基于电气距离，根据文献[17]中的配电网分区步骤对配电网进行节点分区.

对于本文的电压分区协调控制策略，则采用事件驱动方式，分布式光伏并网运行时，若负荷或光伏出力发生骤变使配电网某些节点的电压越限时，首先确定各自分区内部的电压偏离安全值最严重的点；然后基于节点之间的无功/电压灵敏度大小，利用本区域内最灵敏的光伏电源的无功调压能力对电压越限最严重的点进行电压调节.

在对电压越限点进行调压的过程中，为了提高光伏运营商的售电收益，优先考虑无功的调节.当某分区内部的越限点电压还没恢复到安全范围内且本区域的光伏无功调压能力受限时，则选择与其电气距离最近且具有无功调压能力的光伏电源对其进行跨区域调压；若所有光伏电源的无功电压调节能力受限且电压越限现象仍继续存在时，才开始利用光伏的有功调压能力对电压越限点进行电压调节.考虑先无功后有功的总体电压控制策略流程框图如图3所示.

图3 总体电压控制策略流程框图

2.2.2 下层约束

光伏调压时，必须考虑每个场景下的每个约束条件.

1)潮流等式约束

(7)

2)节点电压约束

(8)

3)支路功率约束

(9)

4)光伏逆变器容量约束

(10)

3 模型求解方法

分布式光伏并入配电网的容量优化是一个多目标优化问题，各个目标的解往往是相互冲突的.并且多目标优化算法优化获得的pareto最优解存在多个，而分布式光伏并网规划需要从众多的规划方案中决策出一个使各个目标相对平衡的确定方案.因此，本文采用纵横交叉算法对分布式光伏并网容量进行优化，并基于目标相对占优策略将多目标优化问题转变为单目标优化问题，同时可以避免对不同量纲单位的标准化处理.求解分布式光伏规划模型的流程如图4所示.

图4 规划模型求解流程图

适应度函数为：

(11)

本文采用基于目标相对占优策略的CSO算法对分布式光伏的规划模型进行求解，每一个CSO粒子都是解空间中的一个解，具有Npv个维度，它可以用式(12)表达.

X=[P1，P2，P3，…，Pn，PNpv]

(12)

4 算例分析

本文选择IEEE33节点配电系统作为算例，对所提的分布式光伏规划方法进行分析，系统结构如图5所示.

图5 IEEE 33节点配电网系统接线图

图6为基于电气距离的聚类分区结果.为了实现电压分区控制，每个分区内部都应该至少有一个光伏候选安装节点，候选节点的电压在所在的分区内部较低.综合考虑这些因素，本文设置10、13、14、18、24、25、30、32这8个节点为光伏安装位置.

图6 分区结果图

4.1 算例参数设置

单个节点的光伏安装容量上限都为1 MW.节点电压约束范围为0.93～1.07(标么值).一年中，12种典型日的概率见表1.光伏规划的相关参数见表2.纵横交叉算法的参数设置中，种群规模为100，最大迭代次数为300，纵向交叉概率pv=1，横向交叉概率ph=0.6.

表1 典型日场景概率

表2 规划经济参数

4.2 不同优化目标分析

若分别仅以光伏运营商年平均净收益(目标1)最大、配电网平均有功网损(目标2)最小、配电网平均节点电压偏差(目标3)最小为优化目标对光伏并网容量进行优化，最终仿真得出的3种结果与综合考虑3个目标情况下得出的仿真结果见表3.

表3 多目标综合优化与单目标优化结果统计

由表3可以看出，对各自目标进行独立优化时，虽然3种情况下的目标1、目标2、目标3分别都能达到最优值，其值分别为1 215.623 0万元、112.837 0 kW和0.0172 pu，但是另外两个目标与各自的最优值相差较大，导致综合适应度值较大；综合考虑3个目标时，虽然各个目标的优化结果都没有达到最优值，但是各个目标与其最优值相差不大，使得综合适应度值最小，其值为3.263 8.因此，综合考虑各个目标的基于目标相对占优策略也是解决多目标优化问题的方法之一，它可以解决多目标优化中各个优化指标的冲突问题，以寻求综合最优方案.

4.3 规划结果分析

为了验证计及电压分区协调控制策略的分布式电源规划方法的优越性，本文通过仿真3种不同的方案来分析比较3种优化目标的结果.

3种方案如下：1)无光伏接入配电网；2)计及电压集中控制策略的分布式光伏规划；3)计及电压分区协调控制策略的分布式光伏规划.

在每个规划场景都相同的情况下，3种不同方案在基于目标相对占优策略的纵横交叉算法下，优化得到的规划结果见表4.

表4 不同光伏并网规划方案下的结果比较

由表4可知，无光伏接入配电网时，原始配电网的平均有功网损最大，电压水平较低.并网规划考虑电压集中控制策略时，光伏运营商年平均净收益为1 032.116 3万元、平均有功网损为144.458 2 kW、平均节点电压偏差为0.025 6 pu，光伏并入电网改善了系统功率潮流，降低了配电网平均有功网损，同时改善了配电网节点电压水平.

本文提出的考虑电压分区协调控制策略的光伏规划方案，与考虑电压集中控制策略的光伏规划相比，电压分区控制可以避免无功或有功功率远距离传输，进一步降低系统的平均有功网损，仅为120.916 1 kW，减少了16.3%；同时还降低了平均节点电压偏差，现为0.018 5 pu，减少了27.7%；虽然光伏运营商的年平均净收益也增大了，但是相差不大，仅提高5.5%.因此，当考虑电压分区协调控制策略时，光伏规划结果在提高光伏运营商净收益的同时降低了配电网的有功网损和节点电压偏差.其中，上述3种方案仿真得到的所有场景下的每个节点电压水平期望值如图7所示.

图7 不同方案下的节点电压水平

5 结 论

本文选取不同季节不同天气组合成的12种典型日光伏出力和负荷需求的时序曲线数据当作每个时段的规划参数，在此基础上，建立了考虑光伏运营商经济性和配电网技术性的光伏多目标双层规划模型，上层确定光伏并网容量，下层每个时段运行电压分区协调控制策略，并采用基于目标相对占优策略的CSO算法对模型求解，获得较优的光伏并网容量.最后通过IEEE33算例验证了该求解算法的有效性和规划方案的优越性，得到如下结论：

1)在光伏并网规划中，建立的典型场景考虑光伏出力和负荷需求的季节性变化、天气性变化特点等实际情况，不仅能使规划模型更加合理，还能减少求解模型的计算量.

2)光伏规划模型中，不仅要顾及光伏运营商的经济型指标，还要考虑配电网的技术性指标.在求解多目标规划问题上，基于目标相对占优策略的CSO算法可以得到一个各个目标相对平衡的综合最优解.

3)与计及电压集中控制策略的光伏并网规划相比，考虑电压分区协调控制策略不但可以提高光伏运营商的净收益，还可以降低配电网的有功网损、改善配电网的节点电压质量.