改进新能源消纳的配电网资源优化配置研究

潘忠志,孔 宁,王燕涛

(东北电力大学经济管理学院,吉林 吉林 132012)

0 引 言

随着能源危机及环境污染形势日趋严峻,以清洁能源为代表的分布式电源(Distributed Generation,DG)得以大规模的建设与应用[1]。然而,目前配电网存在DG大规模无序接入、“源”、“网”、“荷”发展不协调、供电区域灵活性调节能力不足导致配电网DG不能就近消纳、“弃风”、“弃光”现象严重,其根本原因在于配电网规划及资源配置方式存在弊端,不能满足电力供电区域清洁高效发展需要。在此背景下,研究提升DG消纳能力的配电网优化配置方法具有重要的理论价值与实际意义。

“DG消纳能力”主要指配电网对DG的最大承载能力,即从配电网运行角度出发,以DG及其他灵活可控资源运行特性、配电网外送电规模及运行方式、主网调峰能力等为约束,遵循配电网电量供需平衡原则,通过调控DG与网内其他灵活可控资源共同参与配电网功率平衡调节过程从而得出能够被配电网有效利用最大DG容量[2-3]。随着规模化新能源接入配电网,如何提升配电网对DG消纳能力成为国内外学者研究热点。文献[2]分析了新能源消纳的现状、关键因素以及影响消纳的症结所在。文献[4]建立了基于区块链和市场机制的新能源消纳优化调度策略,该策略能够有效确保新能源的优先消纳。文献[5]考虑新能源消费水平和配电网经济性,基于多弹性资源协同规划的最优能耗模型分析最优策略。文献[6]基于输配电网全局角度分析集中式与分布式电池储能的协同优化规划方案,通过改进分析目标级联法进行求解。文献[7]基于需求侧响应分析,探讨需求侧响应对于新能源消纳的影响,从用户侧角度提出响应新能源出力变化的方法。文献[8]基于新能源消纳与电网规划相结合的角度,分析电网规划方法,并对方法进行评价。文献[9]融合博弈理论和鲁棒优化,提出一多主体博弈增配电网规划方法,引入虚拟博弈者“大自然”,处理不确定性,构建了动-静态联合博弈模型;文献[10]提出考虑供电区域灵活性约束与需求响应的源网荷协调规划模型。上述文献从不同规划目标对配电网源网荷侧单一或者多类资源进行协同规划。

110 kV及以下配电网供电区域内聚集大量DG、储能供电区域(Energy Storage System,ESS)及可控负荷等分布式能源,“源荷储”可按供电分区进行管控。其中,ESS具有供蓄能力及灵活的功率调节能力,能够有效缓解DG出力与负荷用电时序不匹配问题,为大规模DG并网规划提供解决方案;可控负荷的优化布点及有序调度可实现负荷曲线削峰填谷、用户侧资源动态整合以及新能源有效消纳,与储能应用功能相近。因此,利用配电网供电区域多种分布式能源之间优势互补与能源重组以实现各种资源协同优化配置是提升配电网新能源消纳水平和供电能力的有效手段。但目前对配电网所在区域的各种可利用资源的潜力仍有很大的提升空间,如何将供电区域DG、储能及可控负荷联合进行优化配置仍未有深入研究。

针对上述现状,本文提出一种提高新能源接纳能力供电区域源荷储协同优化配置方法。以配电网供电区域分布式电源、储能及可控负荷为配置对象,充分挖掘上述资源互动消纳新能源能力,构建储能及可控负荷调用策略;充分考虑源荷储规划-运行耦合性及规划多目标的矛盾性,建立供电区域源荷储二层联合优化配置模型。上层模型的目标在于最大程度上实现对DG出力的消纳,因此要找到最优的DG接入位置和接入容量;下层模型的目标在于减少净负荷的峰谷差,在上层模型的基础上选择合适的ESS与DR策略,得出最优储能容量和各个时段电价。求解模型所需的DG出力和节点负荷的日负荷曲线通过拉丁超立方抽样法(Latin Hypercube Sampling,LHS)抽样模拟,但在本模型中需要多次进行最优潮流的计算,为减少计算量,降低计算时间,选择细胞膜-粒子群优化算法(Cell Membrane-improved Particle Swarm Optimization,C-PSO)来提高寻优效率。

1 源、荷时序性处理

DG出力的不确定性以及负荷的时序变化将对配电网规划产生影响。如光伏出力的概率分布曲线近似Beta分布曲线;风电出力的概率分布曲线近似威布尔分布曲线,而负荷的时序变化近似服从正态分布[11-12]。本文通过划分时段,利用LHS抽样得到一天24个时段的时序样本矩阵[11]。

设DN共有b个DG和负荷节点,选取各个时段的出力与负荷作为随机变量,对其进行N次采样,采样过程服从随机变量本身的概率分布,采样过程中某一随机变量Xk的累计分布函数为

Yk=Fk(xk)k=1,2,…nYk∈[0,1]

(1)

公式中:Fk(xk)为累积分布函数。

将任意时段分布函数的值域等量地划分为N个区间,然后再每个区间的中心采样该时段分布函数的值。在由公式(2)求出抽样值。

(2)

对所有变量的抽样完成后,即可形成所需的时序矩阵。

2 储能及可控负荷特性模型

利用ESS充放电及DR运行策略可有效提高配电网DG接纳能力。本文对供电区域源荷储进行协同优化配置,首先需要对优化配置对象输出特性进行建模。

2.1 ESS充放电模型

ESS的充放电状态是根据当前时段负荷曲线的峰谷状态进行调整的,采用均值聚类的方法对抽样后的负荷曲线进行分析,对峰谷时段进行划分[13]当处于峰时段时,负荷水平过高,ESS充当电源;处于谷时段时,负荷水平过低,ESS充当负荷;处于平时段ESS根据前后的时段状态充当不同的角色;若前后时段均为同一时段,如均为峰时段,则ESS进行放电,反之同理,若前后时段不同,则ESS不工作。

由充放电状态和各节点的负荷值以及ESS本身参数,可计算出每个ESS在当前时段的充放电功率值。计算方法分别如公式(3)、公式(4)所示。

(3)

(4)

(5)

2.2 可控负荷调用模型

配电网供电区域利用分时电价机制可促使用户改变用电特性,进而有效降低供电区域净负荷曲线的峰谷差值。本文根据不同时段负荷曲线峰谷平状态制定分时电价。对于各时段电价的确定,采用浮比计算法,根据所确定的不同时段电价及需求价格弹性系数来计算需求响应后用户用电量。

通常平时段电价根据输电、配电以及售电的平均成本确定,高峰、低谷时段的电价根据平时段电价决定。若平时段电价定为V0,根据公式(6)得到高峰以及低谷时段的电价[14]。

Vp=V0(1+pr),Vv=V0(1-vr)

(6)

公式中:Vp、Vv分别为峰、谷时段电价;pr、vr分别为平电价上浮和下降的比例,pr=vr。

需求响应后的用户用电量根据公式(7)得到

(7)

3 供电区域源网荷联合优化配置模型

3.1 建模思路

配电网供电区域分布式资源优化配置关注的重点是如何在已有资源基础上充分挖掘各类资源参与新能源消纳的可调控潜力,实现各类分布式资源优化布局。本节基于储能及DR特性模型,建立以供电区域新能源最大消纳为目标的源-荷-储联合优化配置模型,最终决策储供电区域DG安装位置与容量、储能配置容量及DR激励成本。具体建模思路如考虑DG与负荷时序性对优化配置结果的影响,使采用规划-运行双层模型,使前期配置结果能够满足后期运行条件。在双层规划框架中,上层的目标是通过优化供电区域DG的本地消纳效益来推动系统的整体性能。决策变量设置为DG的安装位置和容量,这决定了DG系统的空间布局和发电能力。通过LHS技术生成初始时序样本,考虑ESS和DR策略,综合DG的配置方案。运用聚类分析法详细刻画供电区域在24个时段内的负荷特性,准确定义峰谷平时段,为下一步优化提供基础。在下层模型中,需最小化负荷的峰谷差。决策变量为ESS调用容量及不同时段的电价,考虑到电能存储和需求响应在平衡负荷方面的作用。这一程的优化过程关注于最大化系统的灵活性和稳定性,以适应复杂多变的负荷需求。

上层模型通过将决策变量传递给下层,与下层模型建立紧密联系,实现了对下层运行状态的调整。优化结果包括DG发电和倒送功率,这些结果被反馈至上层,为重新计算上层目标函数提供了实时数据,促使系统在不同时段内更有效的协同运行。整体流程如图1所示。

图1 计算流程图

3.2 上层规划模型

3.2.1 目标函数

以最大化规划期内DG发电量的消纳:

(8)

公式中:PDG.i.t、PR.i.t分别为在第i个节点,第t时段发出、倒送功率;Nd为网络节点数量;dt为一年中各时段对应的天数。

3.2.2 约束条件

节点的功率约束条件为

0≤PDG.i≤PDGi.max

(9)

公式中:PDG.i.max为节点i处最大准接DG容量。

3.3 下层运行优化模型

3.3.1 目标函数

以供电区域净负荷峰谷差期望值最小为目标,则有:

(10)

(11)

(12)

公式中:M为LHS技术的抽样规模。

3.3.2 各时段的等式约束

(13)

公式中:PG.i.t为节点i在时段t内主网提供的功率;δif.t为时段t电压相角差;Gif、Bif分别为网络导纳。

3.3.3 各时段的机会约束

(14)

公式中:Pr{·}为某事件成立的概率;βU、βI、βG分别为电压、线路电流以及功率倒送的置信水平;Ui.t、Ui.min、Ui.max分别为第t时段节点i处的电压及所能承受的上、下限;Ik.t、Ik.max分别为第t时段第k条线路的电流及第k条线路允许的最大电流。

3.3.4 价格型DR约束

1)电价约束

每个时段的分时电价不能小于供电区域单位平均电能成本,约束条件为

(15)

2)DR响应前后用电量约束

用户参与DR的前提是保证自身用电需求,约束条件为

(16)

3.3.5 ESS充放电约束

1)ESS充放电功率约束

-PESS.c.max

(17)

公式中:PESS.t为第t个时段充放电功率。

2)ESS荷电状态约束

SSOC.min≤SSOC.t

(18)

公式中:SSOC.max、SSOC.min分别为ESS荷电状态的上、下限。

其中,SOC荷电状态的具体计算公式为

(19)

公式中:ε为自放电率;Δt为采样间隔,本文取1h;α、β分别为ESS充、放电的效率。

3)ESS充放电次数约束

H

(20)

公式中:H为一天中ESS的充放电次数;Hmax为ESS一天当中可充放电次数上限。

4 双层规划模型求解

本文采用概率潮流与C-PSO进行组合求解双城模型[15]。如果仅采用常规的概率潮流计算方法来进行下层模型的最优潮流计算。需要进行反复迭代,多次计算。会使计算时间非常久。因此,为了提高寻优效率,采用C-PSO算法。这样的选择不仅有助于提高计算效率,而且确保在限定时间内获得满足实际需求的最优解。

4.1 随机概率潮流计算

进行随机概率潮流计算时考虑DG出力的概率分布,详细计算过程如下:

1)输入各个不同随机变量的概率模型,设置LHS所需的参数;

2)采用LHS法对DG出力和节点负荷进行抽样模拟,生成时序出力-负荷矩阵;

3)运用聚类分析方法对时序样本进行分析,明确峰谷平时段的特征,以便后续策略制定;

4)基于日负荷曲线得出各时段ESS的充放电状态,考虑能量存储对系统运行的影响。计算计及ESS策略后的时序出力-负荷矩阵;

5)生成下层模型中平时段的电价,并据此形成所有时段的电价矩阵;

6)进行潮流计算,直至寻优出最优结果;

7)输出潮流分布。

4.2 双层模型求解流程

首先根据LHS抽样得到的初始时序样本对峰谷平时段进行划分。然后生成下层模型的初始种群,进行潮流计算,利用C-PSO算法进行寻优。将结果迭代回上层,反复计算直至收敛。流程如图2所示。

图2 模型求解流程图

5 算例分析

选取河北某市开发区供电区域为例对其进行配电网规划。该区域分布工业负荷、商业负荷及居民负荷,该区域欲配置的DG为分布式光伏发电,网络结构如图3所示。单个节点可接入DG容量限值为20 MW,节点电压范围为0.95～1.05(标幺值),负荷峰值为35 MW。置信水平取0.95。网络电压等级设置为10 kV。

图3 供电区域网络结构图

光伏的初始接入节点选择2、5、8、10、13;储能初始安装节点选择3、9;可控负荷节点选择1、3、11,最大可调用容量6 MW,恒功率中断;DG规划期设置为1年,ESS储能容量为确定值;光伏出力及节点负荷的概率分布模型及相关参数参考文献[11-12]。蓄电池相关参数取值参考文献[16]。价格DR相关参数的取值参考文献[17],电价上下浮动比例定为50%。求解算法参数设置:一天分为24个时段,每个时段的抽样次数为100,C-PSO算法相关参数参考文献[15]。

LHS抽样模拟后的净负荷曲线以及据此进行聚类后的峰谷时段划分如下图4所示。

图4 净负荷曲线及峰谷时段划分结果

5.1 ESS运行策略对优化结果的影响

为研究ESS运行策略对配电网运行规划的影响(在此忽略价格型需求响应运行策略),分别研究考虑ESS和不考虑ESS这两种情况下的供电区域源荷储配置方案的异同,详细对比如表1所示。

表1 供电区域源荷储配置方案

由表1可知,在不考虑时,DG的年消纳总量为136 390 MWh,而将储能纳入供电区域分布式资源优化配置时,光伏消纳总量为187 630 MWh,同比增长了37.57%。这一显著增长的主要原因在于引入ESS参与光伏消纳机制。在负荷用电低谷期,储能系统通过对供电区域进行充电,有效储存电能;而在负荷用电高峰期,储能系统对供电区域进行放电,以满足高负荷时段的能量需求。通过这种智能的能量调度,降低了供电区域净负荷的峰谷差,使得在谷时段更多地消纳光伏发电。具体而言,储能系统在谷时段进行充电,使得负荷相对较低,然后在高峰期进行放电,实现了更多光伏发电的消纳。这种策略有效平衡了能源供需之间的差异,提高了光伏消纳量。

5.2 DR运行策略对DG配置方案的影响

对考虑DR和不考虑DR这两种情况分开进行研究。详细对比结果如表2所示。

表2 不同策略下的DG配置方案

由表2可知,考虑价格DR运行策略后,农村薄弱配电网在运行过程中光伏的消纳量有所增加。具体而言,引入价格型DR运行策略后,将DR纳入供电区域规划,光伏的年消纳量达到175 100 MWh,同比增长了28.38%。更具体地说,用户在价格型DR运行策略下主动调整用电时段,以更好地匹配光伏发电的时序特性。这一调整不仅使得用户能够更智能地利用分时电价制度,实现用电成本的最小化,同时也为供电区域提供了更平稳的负荷曲线。因此,通过降低峰谷差,价格型DR运行策略有效提高了供电区域光伏发电的消纳能力。

5.3 两种运行策略同时考虑对优化结果的影响

同时考虑ESS与价格型DR运行策略。DG及储能配置方案、消纳结果及其所对应的供电区域净负荷峰谷差如表3所示。

表3 两种策略同时考虑与否的供电区域配置方案

将三种情形下的配置方案进行对比后,我们发现综合考虑两种运行策略可以显著提高光伏的消纳容量。在这种情形下,DG的总消纳量达到206 407 MW,相比于不考虑运行策略以及单独考虑ESS和价格型DR运行策略,分别增长了9.09%和17.88%。这一显著的增长可以通过综合考虑ESS和价格型DR运行策略的协同效应来解释。电源配置方案中,这两种运行策略的协同应用在降低供电区域净负荷的峰谷差方面发挥了关键作用,进而极大地促进了DG的消纳能力。ESS的智能运行策略在低负荷时段通过充电,而在高负荷时段则通过放电,巧妙地平滑了负荷曲线,有效提高了光伏发电的消纳效率。这种策略不仅在电力系统中实现了能量的储存和释放,还使得光伏能源得以更为灵活和稳定地融入整个供电网络。另一方面,DR运行策略通过在高电价时段降低负荷,在低电价时段增加负荷,进一步优化了负荷曲线。这一操作机制使得DG得以更充分地发挥其潜在作用,有效应对电力市场的波动。通过在高成本时期减缓能耗,在低成本时段增加能耗,价格型DR策略有力地塑造了负荷曲线,为DG提供了更灵活的运行环境,有助于最大程度地消纳光伏发电的产出。

在多变的电力市场环境下,这种综合运行策略为电力系统带来了更强大的适应性和鲁棒性。通过减缓高峰期的能耗,增加低谷期的负荷,系统不仅更好地适应了电力市场的价格波动,还提高了能源的整体利用效率。这种整体性的协同作用为未来智能电力系统的发展提供了实质性的经验和启示。

6 结 论

本文考虑ESS和价格型DR运行策略对DN中DG配置的影响础,构建了一种旨在提升新能源消纳能力的供电区域源荷储联合优化配置模型。本研究得出以下结论:

1)采用LHS对服从特定概率模型的随机变量进行多次抽样取均值,可有效降低随机性,使计算结果更有可信度。

2)根据需求采取合适的ESS和价格型DR运行策略可有效减小供电区域净负荷曲线的峰谷差。

3)所建立的双层规划模型显著提升了DG的消纳水平,并在每个时段的运行水平上实现了优越的规划方案。该模型对于新能源消纳的改善具有明显的优势。

通过采用混合智能算法,本研究在考虑时序性特征的同时,有效解决了供电区域的新能源消纳问题。模型综合考虑了ESS和价格型DR的运行策略,为规划新能源与储能系统配置提供了可行性方案,具备一定的实用价值。