考虑关联规则的分布式风光储多能互补模式及算法研究

周 斌，郑云飞，靖 海，袁嘉骏

（1.国网湖北省电力有限公司，430077 湖北 武汉 2.湖北华中电力科技开发有限责任公司，430077 湖北 武汉）

0 引言

随着传统化石能源大量使用，造成日益严重的环境问题，以风电、光伏为代表的可再生清洁能源的大力发展，逐步替代化石能源，将进一步优化能源结构。为了进一步推动分布式户用光伏快速发展，我国政府在各个地区已推行各类光伏扶贫优惠政策，同时也颁布国家可再生能源的交易政策，以实现隔墙售电。但是分布式光伏发电的随机性、波动性特点，光伏只能白天发电，晚上不能发电。目前国家政策上保证分布式光伏发电量可全额上网，但是大量分布式光伏分散式接入配网后，这种全额接收手段给电网运行带来了较大压力，如何高效、优化消纳分布式光伏发电是今后进一步发展需解决的关键问题。

随着分布式光伏、风电等可再生能源接入，以电动汽车为代表的新负荷逐步增多，电网中源、荷引起的随机性因素不断增多，光伏、风电的随机性无法用确定性模型。基于泛在电力物联网，可将各个分布式风电、光伏、储能及负荷的准确信息汇集到一个平台，实现平台上电源之间互补联合，源、储、荷交互。分布式光伏、风电接入容量一般较小，建设周期短，如不合理运行，盲目性接入电网，会导致某些区域过剩。针对分布式新能源的随机性特点，如何应对这些运行中的盲目性，基于风光储互补方式可有效应对这些问题，灵活引导运行时序及后续扩展性。基于风光储互补方式，源荷互动，可以在线感知各类源荷数据，得到源荷的时空分布随机性数据，可得到直观具体的动态运行效果。基于源荷之间交互，风光储互补方式及时获知各类分布式源荷的信息，确定源荷的优化运行。风光储互补方式将拓宽配电网中多类能源接入，有效实现能源互联网中多元化上的优化配置。

目前国内外对风光储联合进行了一定的研究。文献[1-2]探索建立户用光伏智能消纳的多能互补系统，积极适应光伏产业发展市场化、经济化、普适化趋势，实现全面消纳优化，更加适应当前我国经济社会由高速增长向高质量全面发展的实际需要。文献[3-5]提出一种在风光储机电暂态仿真过程中单机“倍乘”等值模型，也有文献提出一种风光储联合的有功功率动态特性分析方法。还有文献[6-7]考虑气象实时数据以及电网调度，建立了一种风光储系统优化的数学模型。文献[7-8]对风能和光能进行短期预测、蓄电池记忆效应，在经济层面优化了风光储发电系统，介绍了风光储输示范工程，对四种风光储系统控制策略进行了验证；建立了大规模风光储并网发电系统的动态分析模型，提出了一种基于功率变化率的最大功率跟踪算法。文献[9-10]利用一种基于迭代算法的最优容量配置模型，分析了风光储联合发电系统的缺点概率和运行经济性；考虑风能和光伏发电不确定性的影响，提出了一种鲁棒调度模型。文献[11-12]提出了风光储发电系统准入功率的极限模型，为风能和太阳能接入电网提供理论基础；提出将超级电容、蓄电池组合应用在风光储发电系统中，结果表明可维持系统的功率平衡并提高电能质量；基于备用容量惩罚成本，建立了风光储系统的经济调度动态模型。文献[13-17]对多能互补方面进行研究，包括多种形式能源互补的数学模型、分析算法及实际电力系统运行中的稳定性等。文献[13-14]针对清洁能源消纳的多能互补进行了研究，基于同一流域下沿线风电、光伏发电，形成风光水多能互补模式，研究风光水清洁能源之间的协同优化调度模式与机制。文献[15-17]针对区间模型的多能互补系统进行了研究，分析了互补系统的优化运行模型和算法，在主动配电网规划考虑了多能互补方式及高效Benders 求解方法，还针对多能互补输出后的能源交易进行了研究，提出了异构能源区块链的多能互补安全交易模型。

当前研究大都是在考虑充分利用光伏来兼顾环境效益的同时，考虑整体经济性成本，但没有考虑不同柔性负荷间优化协调和电动汽车储能负荷接入后综合控制等方面。目前国家在政策上积极鼓励光伏的开发和应用，大力推广以光伏为代表的清洁能源可以节省一次能源，减小环境污染问题，实现可持续性发展。光伏发电虽然不可控，且具有随机性和波动性的特点，但供冷、供热负荷和电动汽车都属于可控负荷，通过一定的调控策略可以与光伏系统的变化特性相协调。

文中研究阐述了基于互联网+风光储优化协调，基于光伏、风电的随机不确定性，研究互联网+风光储的运行思路，用数据分析风光电随机性，建立基于互联网+模式下分析模型，研究了分布式风光储运行的多场景分析方法，分析风光储不同类型场景的联合原则，并针对算例进行了仿真计算。

1 风光储的互补分析模型

多点分散式太阳能光伏发电系统接入到现有配网中，光伏发电自身的随机性波动性的不足，导致单一的光伏发电很难满足用户需求，需将光伏与其他形式能源结合。风电也是一种可再生能源，风光结合是一种有效形式，但风电也具有随机性特点，因此还需储能来补充这些随机性的不足。如何实现风光储的优化组合，得到稳定性输出功率满足用户需求，需要一种有效手段实现风光储的优化运行。“光伏+”手段是一种有效方式，通过“光伏+”来连接风电和储能，同时考虑配网中的柔性可控负荷，形成风光储互补的应用模式。通过对可控负荷适当控制，风光的合理组合，储能的补充，达到对风光的随机性变化适应。

1.1 目标函数

风光储系统运行目标是风光消纳最大，目标函数如式（1）所示：

式中：PSO，i为每个光伏接入点的容量值；m为接入点数量；PW，j为每个风电接入点的容量值，n为接入点数量。为了应对风光随机性，还需接入l 个储能单元，容量为PES，k。

风光储接入配网须满足潮流约束，此外风光储出力由于其自然物理特性，还需满足上下限的不等式约束：

光伏发电系统在运行时主要考虑长期内太阳能利用的最大化，太阳能发电功率随机性变化，只能通过一些可控平移负荷，按照太阳能发电的变化规律，对负荷用电时段和大小进行控制，尽量与太阳能变化特性保持一致，实现太阳能利用最大化这一目标。针对短期内可能出现太阳能发电与负荷用电之间的差值较大时，还可考虑配电网支撑，进一步实现太阳能利用率的最大化。

1.2 光伏发电功率的概率性

太阳光照强度的随机波动变化，导致其输出功率也会随机性波动，在一定时间内呈Beta 分布的统计规律，其概率密度为：

式中：Γ为Gamma函数，E和Emax为这段时间内的实际光照强度及最大值；α、β为Beta分布的形状参数。

因此，光伏输出功率概率密度函数如下：

1.3 风电功率的概率性

风电发电的输出功率与风速之间具有一定的近似关系，当风速在切入风速与额定风速之间变化时，输出功率与风速之间也可以等效近似为线性关系，可用分段函数表示：

式中：va、v、v0、vb、P0分别表示切入风速、实时风速、额定风速、切出风速、额定功率；PWT为风机的发电功率。

一般风速服从威布尔分布模型：

式中：v为风速；k为风机形状参数；c为尺度参数，由风机厂商提供。

1.4 储能特性

储能电池的响应速度较快，能够有效平衡风光发电的波动性和间歇性。储能电池的充放电模型：

式中：ηch、ηdis分别表示电池的充电效率和放电效率；Ebat表示电池容量；Pch表示充电功率，Pdis表示电池的放电功率；△t表示时间间隔。

储能电池充放电功率约束为：

1.5 可控性负荷的概率

为了提高随机性波动的太阳能的利用率，如不需其他电源来互补随机性太阳能，还需对柔性负荷进行一定的控制来适应太阳能的随机性。分布式太阳能光伏一般从家庭或建筑物接入，可控负荷PCL包括电动汽车PEV、家庭负荷Phome、其他负荷PL0。

电动汽车作为一种移动储能系统，本身是一种柔性负荷，源荷一体，在电网中可充电，也可作放电，电动汽车也是一种空间上移动源荷。家庭用电设备中可控负荷一般包括洗衣机、空调、热水器等，及一些户外家用电器，这些负荷用电地点一般固定，但时间可进行一定控制，如用电时段的平移，这三类负荷所占比例分别为：

一般常规用电负荷波动性变化也具有一定的规律性，通过统计数据分析，也可用现有的概率分布函数来模拟。对可控负荷的随机波动性变化特点，如电动汽车时间、空间上都可随机性变化，很难用确定性数学表达式的概率分布来模拟，文中采用经验概率分布来模拟。

2 多能互补的分析算法

风光储如何组合优化，这种组合不是单纯的离散型组合优化问题，而是连续型与离散型相结合的混合组合优化。分布式接入光伏发电、负荷，其接入点较多，在同一地区范围内渗透率高，其随机波动性的数学概率模型一般为微积分表达式，在计算中很难直接使用。多点分布式风光点，具有随机性特点，其变化特性呈现出连续性和离散型特点，且预测存在误差，很难用确定性分析模型来实现优化组合。将风光的不确定性概率模型离散化，等效形成多个数学“场景”，每个场景就是一种具有一定概率大小的可行实现方案。进行“场景生成”，得到大量场景，然而场景数量大造成风光组合优化计算量大，也不便于在实际中应用，需要削减到少数几个最有可能发生的场景，即“场景削减”。

在风、光多场景模拟计算过程中，一般采用“预测箱”（forecast bin）统计点预测的预测误差分布实现[18]。首先将预测值按照从大到小进行排序，将这些预测值等分成“数值区间”，按照预测值排序大小，将预测值、实测值的数据组[预测值，实测值]放入这些数值区间中。数值区间长度定义为0.02 p.u.，得到100 个数值区间，“预测箱”就是每个数值区间内的所有数据组。负荷概率无确定性表达式，一般根据经验分布概率生成场景来模拟得到，光伏发电功率大小按照式（7）中概率分布表达式来进行场景生成。

2.1 场景生成

实现风光发电或负荷的动态场景的生成，按照如下步骤生成100个场景：

1）调用MATLAB 统计工具箱ecdf 函数，根据光伏、风电历史运行积累的数据，估计分析每个全部100个预测箱的经验概率分布。

2）估计范围参数ε，根据源、荷功率预测数据大小，控制不同超前时间内的源荷随机变量的相关性。参数估计的场景规模为200 个，确定参数ε的搜索范围为[0，400]。

3）调用MATLAB统计工具箱中mvnmd函数，随机生成服从Z~N（μ0，Σ）的随50个机向量样本，同时计算多元标准正态随机变量Z的48阶协方差矩阵。

4）判断超前时间功率点预测pt归属哪个预测箱，对每个超前时间t（t=1，2，…48），50个多元正态随机向量通过场景运算得到100个动态场景。

2.2 场景削减

根据Kantorovich 距离[19]的计算方法，可以分析计算初始场景集S0与削减后场景集Sr的距离，衡量其接近度。对于光伏或负荷的场景动态特性，Kantorovich距离明确为如下的数学表达式：

式中：ω代表某一个动态实现场景；p（ω）表示ω场景的概率；‖.‖2为常规欧式范数距离。通过生成多个光伏负荷的动态场景后，在场景削减后分别得到NS、NL个概率最高的光伏负荷场景。根据光伏负荷场景的‖ω‖2值计算来比较其大小，然后根据其大小进行排序。

根据各类分布式光伏、风电的概率特性及历史数据，可得到各个分布式能源的功率场景，这些场景组合可模拟分布式能源接入配网。然而场景组合的数量很大，如何得到合理场景，以指导分布式能源的运行。首先通过场景生成和削减，得到概率性大的NS类光伏、NW类风电场景，风光场景组合可得到NS×NW种，分别取其中最大、最小的风光场景，得到四种边界场景的组合。

光伏、风电组合还不能满足供电的需求，还需配备一定的储能。由于储能成本较高，如何优化配置储能的容量大小和位置是关键问题之一。可根据风光的多场景分析，对储能配置进行优化分析。风光功率场景，每 15 min 一个点，24 h 共 96 个点，根据风光场景的组合情况，可确定储能容量的需求。取某一时刻ti光伏PSO（ti）max、风电PW（ti）max功率之和的最大值：

可确定储能的最大充电容量。

取某一时刻光伏PSO（tj）min、风电PW（tj）min功率之和的最小值：

可确定储能的最大放电容量。

根据风光最大、最小等极端情况下确定的储能容量大小为极端容量，可完全应对光伏的所有随机性，可覆盖全部组合运行场景，满足风光的随机性和供电需求，但投资较大。因此还可根据风光功率平均值确定平均储能容量，保证储能的使用率最高，同时经济性最好，虽然平均容量小于极端容量，不能完全覆盖各个边界场景，但可包括大部分场景。在平均储能容量下的极端场景，可适度弃风弃光，或通过电网侧来支撑来缓解问题。各类典型组合场景下的所需储能PES（i）及发生概率为pi，进行加权求和得到NES类组合场景的加权平均储能容量：

以上得到储能是总体容量，实际中储能是分布式存在，还需根据局部区域风光分布，确定局部储能容量。

3 算例分析

如图1所示，该算例以IEEE33节点配电网系统[20]为基础进行一定的调整，IEEE33节点系统包括33个节点、32条支路和5条联络线路。假定其中5条联络线开关常开，其中节点0 为变电站节点，即外部电网点，以保证基准负荷的供电需求。系统额度电压等级设置为12.66 kV，基准年负荷设定为4 094+j2 607 kVA。分布式光伏（图中红点）接入到IEEE33 系统中的节点5、11、18、19、23 中，共计210 kW，风电接入节点2、9、14、28、32 中，共计 190 kW，各节点容量见表1。

图1 IEEE 33 节点配电网系统图

表1 风光运行容量 kW

1）风光场景分析

根据预测值、概率密度函数，生成100 个动态场景，根据场景削减原则，分别得到风光的10 个概率大的场景，可包括绝大部分场景。

根据源荷概率较高的10 种场景，组合得到四个边界场景，如图2到图5所示。

图2 风大光大场景

图5 风小光小场景

2）储能配置

根据上述四种边界场景分析，得到计算结果如表2所示。

表2 储能运行结果 kW

3）结果分析

（1）如图2、图4 所示，对于风大光大、风小光小两种边界场景下，这两种极端场景需要储能配合。对于风大光大场景，此时如没有储能将造成弃风、弃光，计算得到此时所需充电容量83.73 kW。对于风小光小场景，此时如没有储能支撑，电网将缺少电源导致切负荷，计算得到此时所需放电容量49.98 kW。

图4 风小光大场景

（2）如图3、图5 所示，对于风大光大、风小光小两种场景，是风光协调配合较好情况，但是光伏只能白天发电，晚上完全降至零。此时也需要储能支撑，所需储能容量不超过在风大光大、风小光小两种场景中的需求。

图3 风大光小场景

（3）对风光组合的几类典型场景，根据其概率性，可计算得到储能的加权平均值。储能的布置为分布式，根据局部风光所在区域，储能可安装在节点3、12、26中。

（4）从运行的整体经济性看，储能可安装加权平均值来配置。至于概率极低的最大、最小发电场景，在一年中可能会发生几天，此时可通过配网中其他电源来支撑，或切负荷，不必配置大容量储能。

4 结语

针对小规模分布式风光发电的运行，提出“风+光+储能+电网”的体系结构。多能互补手段较好解决分布式小规模风光，提高其利用率，也为储能的优化配置提供指导。

1）建立了基于“分布式风光+储能”的运行分析模型，研究了各类分布式能源的多场景描述，及多类场景的匹配方法。通过对最大概率分布式多源场景之间联合进行匹配比较，可确定储能的优化配置，结合可平移负荷的控制原则，及适当弃风弃光容量，引导不同地点的可用风光容量的运行次序。

2）基于风光储互补方式，引导不同地点各类分布式风光能源的主动参与，各类分布式能源、储能及负荷之间互动，实现运行的有序化、后续可扩展性，达到运行的整体经济性，可大大减少弃风弃光。风光储互补方式可较好克服传统运行中盲目性，提高分布式能源利用率，同时也为能源互联网下新型配电网规划提供参考。