计及灵活资源调节潜力的高压配电网新能源接纳能力评估

王利利，王皓，任洲洋，孙义豪

(1. 国网河南省电力公司经济技术研究院，河南 郑州 450007；2. 输配电装备及系统安全与新技术国家重点实验室（重庆大学），重庆 400044)

0 引言

随着化石能源危机和环境污染问题的日益加剧，以风电和光伏发电为代表的新能源发电技术得到了快速发展[1-2]。然而，新能源电源的不合理接入对电网的安全运行产生了不利影响，导致电压越限、短路电流增大及线路过载等问题[3-4]。因此，有必要对配电网新能源接纳能力进行合理评估，从而合理规划接入电网的新能源。

为保证实时供需平衡，高压配电网有必要挖掘利用灵活性资源，尽可能减小或消除新能源出力不确定性对电网安全运行带来的问题[5]。蓄水式水电站具备灵活的调节性能，通过弃水来调节其出力，能快速响应配电网内源荷功率变化，从而起到削峰填谷、平抑风电和光伏功率波动等效用[6]。此外，网络重构是配电网优化运行的常用手段，根据电网的实际运行状况，通过改变开关组合状态，实现网络拓扑结构的灵活多变，从而达到消除过载、减轻电压波动、降低网损、保证供电可靠性等目的[7]。蓄水式水电站和网络重构均是高压配电网内的灵活性资源，对于提升高压配电网灵活性具有重要作用[8-9]。因此，在高压配电网新能源规划中有必要充分利用二者的灵活性，提高高压配电网对新能源的接纳能力。

目前，国内外学者对风电和光伏电源的规划开展了很多研究。文献[10]基于分布式电源峰值出力和零出力的极端场景，以降低网损和改善电压质量为目标，建立了分布式电源选址定容规划模型；文献[11]基于电力仿真软件计算分布式电源可接入的最大容量，但二者均没有考虑分布式电源出力随机性和波动性。文献[12]基于低压配电网光伏扶贫项目的典型接入方式，提出了一种分布式光伏最大容量评估方法；文献[13]考虑配网功率倒送对保护装置影响，提出了一种配电网分布式电源接纳能力评估方法，但二者只适用于某些特定地区电网，并不具有普遍适用性。文献[14]利用网架灵活性，以分布式电源装机容量最大为目标，建立优化配置模型，求解配电网分布式电源规划接入容量；文献[15]在光伏电站规划中，分析了配网重构对促进光伏装机容量的作用，但二者在新能源规划中均没有考虑电源灵活性。

大量研究在新能源规划中计及电网运行费用、环境效益和设备投资成本等经济因素，以经济性最优为目标进行新能源规划。文献[16]基于鲁棒优化法分析风电出力的不确定性，以系统网损费用和碳排放费用最小为目标进行风电场容量规划，但没有挖掘电网内灵活性资源调节潜力；文献[17]基于概率分布模拟风电不确定性，综合考虑风电投资成本和电网运行成本，以综合成本费用最小为目标建立风电优化配置模型，但没有计及电网内灵活性资源。文献[18]基于风电、光伏和负荷典型场景，考虑网架灵活性，以年综合费用最小为目标优化求解风电和光伏装机容量，但没有计及电源灵活性。

现有研究没有综合考虑水电和网架灵活性，未能充分挖掘电网内灵活性资源调节潜力，导致规划的新能源装机容量被低估。此外，新能源规划只考虑系统的正常运行状态，而N-1 安全准则是电网规划的重要准则[19]，在新能源电源规划中被忽略，导致新能源电源规划结果未必满足安全性要求。

本文将地区电网的水电灵活性和网架灵活性引入到新能源规划中，提出了一种计及灵活资源调节潜力的高压配电网新能源接纳能力评估方法。首先采用模糊C均值聚类算法聚类生成典型场景；其次以配电网风电和光伏装机总容量最大为优化目标，考虑电网正常运行状态和N-1 预想故障状态，建立了含水电和网架灵活性的新能源规划模型；最后通过某地区实际电网验证了本文模型方法的合理性及有效性。

1 聚类分析

由于全年相同季节内电源出力和负荷需求呈现出一定的规律性和相似性[20]，为提高计算效率，首先分别在春、夏、秋、冬选取典型日；然后将各个典型日划分为峰、平、谷时段；最后分别在峰、平、谷时段内场景采用模糊C均值聚类算法，生成典型场景。

模糊C均值聚类算法通过迭代优化隶属度矩阵和聚类中心，使目标函数达到最小，从而得到场景集的最优聚类结果[21]，其计算步骤如下[22]。

（5）令K=K+1，重复步骤（2）～（4），当DB,K＞DB,K-1以及DB,K+1＜DB,K时停止迭代，聚类结果为最优，并输出该结果。

2 计及灵活性的配电网新能源接纳能力评估模型及求解

考虑水电和网架的灵活性，以配电网新能源装机容量最大为目标函数，综合考虑电网正常运行状态和N-1 预想故障状态，建立了计及灵活性的配电网新能源接纳能力评估模型。

2.1 目标函数

2.2 约束条件

（3）水电约束。水电具有调节方便、成本低、灵活性高的优点，水电站出力和发电流量密切相关，控制水电站弃水能够灵活调节水电的出力，有利于减少风光出力波动对电网的不利影响[24-25]。水电站运行约束为

（4）网络拓扑结构约束。配电网在实际运行时须满足辐射状连通性的约束条件，本文基于可操作的支路开关，利用枚举法建立配网所有满足条件的网络拓扑结构集合Tτ，则基于网架灵活性的网络结构T的约束为

除上述约束条件外，本文提出的模型还需考虑节点功率、支路功率、功率平衡等潮流约束[27]。

2.3 模型求解

计及灵活性的配电网新能源规划模型属于线性规划模型，调用商业优化软件CPLEX 进行快速求解，具体流程如图1 所示。

图1 模型求解流程Fig. 1 The flow chart of model solution

3 算例分析

3.1 算例概述

以某地区实际电网为算例，通过仿真验证本文所提方法的有效性。该地区电网如图2 所示，共有56 个节点，11 座变电站，其中变电站T1 和T2 均为500 kV/220 kV 变电站；变电站T3,···,T11 均为220 kV/110 kV 变电站，最大负荷功率为2 021 MW。各电站连接点和装机容量如表1 所示，火电厂1 座，已投运风电场7 座，光伏电站12 座，水电站4 座。S1,···,S6 为待规划的风电场和光伏电站，虚线为联络线，各条支路上均装有开关。

表1 风电场、光伏电站和水电站的已投运装机容量Table 1 The installed capacity of wind farms, photovoltaic stations and hydropower stations under operation

图2 56 节点地区电网Fig. 2 56-bus regional power grid

3.2 新能源电源和负荷典型场景出力

表2 给出了不同季节内典型日的峰平谷时段划分结果。以冬季典型日的平时段为例，图3 给出了该时段内的典型场景聚类结果。

表2 春夏秋冬季节内的典型负荷时段划分情况Table 2 The division of typical periods from spring to winter

图3 冬季典型日平时段的典型场景Fig. 3 The typical scenarios of flat periods in a typical day of winter

3.3 结果分析

本文构建了4 种方案，对比分析不同案例下电网新能源规划结果。

（1）场景1：综合考虑灵活性资源的优化调度，以及系统正常运行状态和N-1 预想故障状态的电网新能源规划模型，即本文所提模型。

（2）场景2：不考虑灵活性资源水电的优化调度， 考虑网架灵活性以及系统正常运行状态和N-1 预想故障状态，优化求解新能源装机容量。

（3）场景3：不考虑灵活性资源网架结构的调整能力，考虑水电灵活性以及系统正常运行状态和N-1 预想故障状态，优化求解新能源接纳能力。

（4）场景4：考虑电网灵活性资源的优化调度，基于正常运行状态，不考虑N-1 预想故障状态求解新能源接纳能力。

在上述4 种场景下，仿真得到的风电和光伏电源接纳能力如表3 所示。

3.3.1 考虑灵活性资源对仿真结果的影响分析

由表3 可知，挖掘利用电网内不同灵活性资源，将对电场S1～S4 的装机容量产生影响。为了分析灵活性资源对新能源电源规划结果的影响，将场景1～3 中上述电场的装机容量进行对比，如表4 和表5 所示。

表3 不同场景规划结果Table 3 The planning results for different cases

表4 场景1 和场景2 规划结果对比Table 4 Planning results comparison of Case 1 and Case 2

表5 场景1 和场景3 规划结果对比Table 5 Planning results comparison of Case 1 and Case 3

由表4 可知，本文提出的模型和方法规划S1 相较于不考虑水电灵活性（场景2）时提高了23%。其原因是S1 装机容量的限制因素为支路L4 载流量，场景1 利用电网内水电灵活性，通过控制水电站弃水量，灵活调控水电站W 1 和W2 的出力，能够有效避免某些场景下支路L4 过载问题，从而提高了风电场S1 的装机容量。

由表5 可知，本文提出的模型和方法规划S1～S4 相较于不考虑网架灵活性（场景3）时得到有效提高。考虑网架灵活性时，可在配网辐射状约束集合Tτ中枚举出最优网架结构。 由于S2～S4 装机容量的限制因素为220 kV 变电站T4 容量，而考虑网架灵活性能够改善电网潮流分布，有效避免因潮流分布不合理导致的变压器过载问题；对于风电场S1，考虑网架灵活性，可以通过灵活投运支路L5，改变风电场功率外送通道，有效避免某些场景下支路L4 过载问题，从而提高了新能源电站的装机容量。

对比场景1 和场景3 可以看出，采用本文所提出的模型和方法可有效地增加新能源电站S1～S4 的装机容量。这说明了新能源规划模型中挖掘灵活性资源调节潜力将会对规划结果产生显著影响，而综合考虑水电灵活性和网架灵活性获得的规划结果更优。场景2 和场景3 由于缺乏灵活性资源的调控，在某些场景下系统功率分布不合理，导致网络阻塞，限制了风电和光伏电源的规划接入。

3.3.2 考虑N-1 预想故障状态对仿真结果的影响分析

表6 给出了场景1 和场景4 中电场装机容量的对比结果。相较于场景4，场景1 的风电场S5 和光伏电站S6 的装机容量有所降低，其原因为当支路L1 发生故障后，支路L2 投运，而支路L2 载流量小于支路L1，场景1 为保证系统在N-1 预想故障状态下的安全运行，优化获得的S5 装机容量减少；在支路L3-1发生N-1 预想故障后，场景1 为保证支路L3-2的传输功率不过载，S6 规划装机容量也相应减少。但场景4 并未考虑N-1 预想故障，在新能源出力大、负荷小的场景下，线路发生故障，为输送新能源电源功率导致支路过载。因此，在新能源规划中考虑系统的N-1 预想故障，能够有效避免因N-1 预想故障导致的安全问题，有利于提高系统运行安全性。

表6 场景1 和场景4 规划结果对比Table 6 Planning results comparison of Case 1 and Case 4

3.4 灵敏度分析

表7 给出了不同典型场景聚类个数下获得的新能源规划结果。基于本文改进的聚类算法，当峰平谷时段内典型场景聚类个数为2 时，并没有包含全部典型场景，导致此时新能源规划结果并未满足系统典型场景的各类约束条件。当峰平谷时段内典型场景聚类个数为3 时，包含了系统全部典型场景，此时增加聚类个数将重复之前生成的最优典型场景，并未改变各典型场景实际值，即当聚类个数大于3 时，新能源规划结果不再改变。这进一步验证了本文改进的聚类算法能够避免典型场景聚类不合理对规划结果的影响。

表7 不同典型场景聚类个数下的新能源规划结果Table 7 Planning results of renewable energy obtained under different cluster number of typical scenarios

表8 不同风光资源约束值下的新能源规划结果Table 8 Planning results of renewable energy obtained under different constraints of wind and solar resources

4 结语

本文提出了一种计及灵活资源调节潜力的高压配电网新能源接纳能力评估方法，选取电网新能源接入容量最大为优化目标，综合考虑配电网内水电和网架的灵活性调控，建立了计及系统正常运行状态和N-1 预想故障状态的新能源规划模型。经过某实际电网的仿真结果表明，本文所提模型能够挖掘灵活性资源调节潜力来优化网络潮流，提高电网灵活性，从而提升电网的新能源接纳能力。此外，在新能源电源规划阶段模拟了系统运行的N-1 预想故障状态，有效地保证了系统运行的安全性，为未来高比例新能源发展规划提供了良好的指导建议。