风光储联合发电系统主动配电网多时段动态无功优化研究

摘要：在全球能源转型和环境保护的双重驱动下，可再生能源尤其是风能和太阳能的利用已成为全球能源战略的重要组成部分。然而，由于风能和太阳能的出力具有显著的间歇性和波动性，直接接入配电网会对电网的稳定性、电压质量和经济性产生不利影响。因此，引入风光储联合发电系统并结合主动配电网技术，通过多时段动态无功优化，成为解决上述问题的有效途径。深入探讨了风光储联合发电系统的建模方法，构建了主动配电网多时段动态无功优化模型，并提出了相应的求解策略，旨在提高配电网的电压稳定性、降低网络损耗，并优化可再生能源的利用效率。

关键词：风光储联合发电；配电网；无功优化

一、前言

在主动配电网中，风光储联合发电系统的动态无功优化具有重要意义。通过多时段动态无功优化，可以降低风光能出力波动性对配电网的冲击，提高电网的电压稳定性和供电质量。优化储能装置的使用可以提高能源利用效率，减少弃风弃光现象，实现可再生能源的最大化利用[1]。该研究还有助于推动配电网由被动运行向主动管控和局部自治的转变，为构建智能、绿色、高效的现代电网提供有力支撑。

二、风光储联合发电系统建模

（一）风力发电系统建模

风力发电系统作为联合发电系统的重要组成部分，其核心是风力发电机[2]。根据技术特点，可分为双馈感应风力发电机（DFIG）和永磁同步发电机（PMSG）两种常用类型[3]。

1.风力机空气动力学特性建模

风力机通过捕获风能并将风能转换为机械能。在建模过程中，需要基于风力机的空气动力学原理，考虑风速、风轮直径、叶片形状、桨距角等因素对风能捕获效率的影响。

2.发电机电磁特性建模

对于DFIG和PMSG，其电磁特性建模是理解发电机工作原理和优化控制策略的关键。DFIG的建模需关注其定子绕组和转子绕组的电磁关系，以及转子侧变频器（RSC）和网侧变频器（GSC）的控制策略。

3.控制系统动态响应建模

风力发电系统中的控制系统担当着调整发电机工作模式的重任，旨在促进对电网的顺畅接入及维持系统的持续稳定运行。建模阶段不可或缺的是，需将控制系统的时间动态反应属性纳入考量，涵盖了转速的调控、功率输出的管理，以及无功功率的适应性调整等多个层面。

（二）光伏发电系统建模

光伏发电系统通过光伏电池阵列将太阳能转换为电能。其建模需关注光伏电池的光电转换效率、温度效应、阴影遮挡等因素对输出功率的影响。

1.光伏电池模型

光伏电池的建模通常采用等效电路模型或工程简化模型。等效电路模型基于光伏电池的物理结构，通过电阻、电容等元件模拟电学特性。工程简化模型则通过经验公式直接计算光伏电池的输出电流和电压。无论采用哪种模型，都需考虑光照强度、电池温度等因素对光伏电池输出特性的影响。

2.逆变器控制策略建模

逆变器是光伏发电系统与电网之间的接口，其控制策略决定了光伏发电系统如何与电网进行交互。在建模时，需关注逆变器的最大功率点跟踪（MPPT）策略、并网控制策略以及孤岛检测与保护策略等。通过合理的控制策略设计，可以实现光伏发电系统的高效运行和电网的友好接入。

3.温度效应与阴影遮挡建模

光伏电池的输出功率受温度影响较大，且阴影遮挡会显著降低光伏阵列的发电效率。在建模时，需考虑温度效应对光伏电池开路电压、短路电流等参数的影响，并引入阴影遮挡模型以评估其对光伏阵列输出功率的影响。

三、主动配电网多时段动态无功优化模型

（一）目标函数

1.最小化网络总损耗

网络损耗是电力系统运行成本的重要组成部分，通过优化无功分配可以降低线路上的无功电流，从而减少传输损耗。目标函数可表示为：

Q表示系统中所有无功源的注入无功功率向量。

i表示系统中的每一条输电线路或变压器支路。

ki是与支路i相关的损耗系数，它取决于支路的电阻和其他电气参数。

2.最小化电压偏差平方和

电压质量是电力系统稳定运行的关键指标之一，通过优化无功分布可以减少电压偏差，提高电压稳定性。目标函数可表示为：

N是节点集合，Viref是节点i的电压参考值，Vi，t是t时刻节点i的电压。

3.优化可再生能源利用率

考虑到风光储联合发电系统中可再生能源的间歇性和不确定性，优化其利用率也是重要目标之一，通常经由提升可再生电力的产出水平或削减风能及光能的废弃量来达成，但具体表述需依据系统的真实状况来定制构建。

（二）约束条件

1.功率平衡约束

每个节点在任意时刻的有功功率和无功功率必须保持平衡，可以通过基尔霍夫电流定律和节点电压方程来表达。对于每个节点i在时刻t，有：

Ωi是与节点i直接相连的节点集合，Vi和Vj分别是节点i和j的电压幅值，Gij和Bij是节点i和j之间线路的电导和电纳（通常包含在导纳矩阵中），θij，t是节点i和j之间的相角差，*表示复数的共轭。

2.电压约束

节点电压必须在允许的范围内波动，以避免电压越限。对于每个节点i在时刻t，有：

Vimin和Vimax分别是节点i电压的最小和最大允许值。

3.设备容量约束

设备容量约束主要限制发电机、变压器等设备的输出功率或电流不超过其额定值。变压器容量约束可表述为视在功率不超越其额定容量值，尽管在无功功率优化场景中，更多强调的是其电压调节及损耗特性，直接采用容量限制的情况较为鲜见。发电机的有功和无功约束分别为：

Pgt是发电机g在时段t的有功功率输出，Pgmin和Pgmax分别是其最小和最大有功功率限制，Qgt是发电机g在时段t的无功功率输出，Qgmin （Pgt）和Qgmax （Pgt）分别是其无功功率的最小和最大限制，G是发电机集合，T是时段集合。

4.无功补偿设备约束

对于每个无功补偿设备，如电容器组、SVC等，在每个时间段内，其发出的无功功率应处于最小和最大无功补偿能力之间，即设备不能发出超过其最大容量的无功功率，也不能低于其最小容量，对于每个无功补偿设备i和每个时段t，有：

Qtcomp，i是无功补偿设备i在时段t的无功补偿量，Qimin是其最小无功补偿量（可能为零），≤Qimax是其最大无功补偿量。

5.储能系统约束

变压器的容量限制可表述为视在功率不超越其额定容量值，尽管在无功功率优化场景中，更多强调的是电压调节及损耗特性，直接采用容量限制的情况较为鲜见。

充放电功率约束为：

Ptch，s 是储能系统s在时段t的充电功率（正值表示充电）。Ptdis，s 是储能系统s在时段t的放电功率（正值表示放电，但在实际模型中通常为负值以表示功率流出）。S是储能系统集合。T是时段集合。

剩余容量约束为：

Est是储能系统s在时段t结束时的剩余容量，Emin，s" 和Emax，s分别是储能系统s的最小和最大容量限制，ηch和ηdis分别是储能系统的充电和放电效率，△t是时段长度，T＼{T-1}表示除了最后一个时段外的所有时段集合，因为最后一个时段后不需要计算下一个时段的剩余容量。然而，在某些模型中，可能会包括一个关于最终剩余容量的约束。

四、仿真分析与结果

为了全面评估所提出的多时段动态无功优化模型在主动配电网中的实际效果，本文基于IEEE 33节点配电系统进行了详尽的仿真分析。IEEE 33节点配电系统作为配电网研究的经典案例，结构复杂性和代表性使其成为验证新模型和方法的理想平台。

（一）数据准备与场景设定

1.数据生成

首先，利用历史气象数据和先进的预测模型（如深度学习模型或时间序列分析方法），生成了风能和太阳能发电站在未来一段时间内的出力时间序列。这些数据不仅反映了可再生能源出力的随机性和波动性，还为后续的仿真分析提供了必要的输入条件。

2.场景设定

为了充分考察不同因素对优化效果的影响，我们设计了多种仿真场景，包括不同的负荷水平（高峰、平峰、低谷）、储能系统的不同充放电策略（如最大化经济效益、最小化网络损耗、平衡电压波动等），以及考虑电网中无功补偿装置和发电机无功出力的灵活调整。

（二）优化模型求解

针对每个设定的场景，采用所提出的多时段动态无功优化模型进行求解。该模型通过集成先进的优化算法（如混合整数线性规划、遗传算法或粒子群优化算法等），综合考虑了网络约束、设备约束和经济性目标，实现了对无功补偿装置、发电机无功出力和储能系统充放电功率的最优配置。

（三）结果对比分析

1.电压质量提升

仿真结果显示，优化后的配电网在电压质量方面得到了显著提升。通过精确控制无功补偿装置的投切状态和发电机的无功出力，以及储能系统的灵活充放电，系统能够更有效地应对可再生能源出力波动和负荷变化对电压的影响，保持电压在合理范围内波动，减少了电压越限的情况。

2.网络损耗降低

优化模型显著降低了配电网的网络损耗。通过优化无功分布，减少了因无功流动而产生的额外电流损耗，提高了系统的整体能效。此外，储能系统的合理充放电也进一步降低了网络中的无功环流，从而进一步降低了网络损耗。

3.可再生能源利用率提高

优化后的系统还显著提高了可再生能源的利用率。通过平衡可再生能源出力与负荷需求之间的不匹配，减少了可再生能源的弃用现象。同时，储能系统的引入为可再生能源提供了更多的调节手段，使其能够更好地融入电网，提高了系统的灵活性和可靠性。

4.经济性评估

从经济性角度来看，优化后的系统也表现出了明显的优势。虽然储能系统的建设和维护成本较高，但其通过降低网络损耗、提高可再生能源利用率和减少电压调节设备的投资和运行成本等方式，为系统带来了显著的经济效益。此外，优化后的系统还提高了供电可靠性和用户满意度，进一步增强了系统的社会价值。优化前后关键指标对比见表1。

五、讨论

（一）影响因素分析

1.可再生能源预测精度

可再生能源（如风能和太阳能）的出力预测精度是直接影响优化模型效果的关键因素。高精度的预测能够减少优化方案与实际运行之间的偏差，提高系统的稳定性和经济性。因此，需采用先进的预测技术和算法，结合历史数据和实时气象信息，不断提升预测精度。

2.储能系统配置与策略

储能系统的合理配置和充放电策略对于优化效果至关重要。合适的储能容量和充放电速率能够更有效地平抑可再生能源的出力波动，并为电网提供必要的电压支撑。同时，灵活的充放电策略能够根据电网的实际需求进行动态调整，提高系统的整体效能。

3.配电网结构与参数

配电网的结构和参数对优化结果具有显著影响。不同结构的配电网具有不同的电压分布特性和无功功率需求，因此需要针对具体配电网的特点进行定制化优化。此外，配电网中其他设备的参数和状态也需要纳入优化模型的考虑范围，以确保优化结果的准确性和可行性。

（二）优化策略的比较与选择

1.求解方法对比

线性规划、非线性规划、遗传算法、粒子群优化等优化策略各有优缺点。线性规划方法简单快速，但处理非线性问题时受限。非线性规划方法准确度高，但计算复杂。启发式算法，如遗传算法和粒子群优化，具有全局搜索能力，但可能面临求解精度和收敛速度的挑战。因此，在选择优化策略时，需根据具体问题的特性和需求进行权衡。

2.混合优化策略

为克服单一优化策略的局限性，可采用混合优化策略。通过结合不同优化方法的优点，如将线性规划与非线性规划相结合，或将启发式算法与精确算法相结合，可以提高求解效率和优化效果。混合优化策略需要根据具体问题的特点和需求进行定制化设计。

六、结语

本文探讨了风光储联合发电系统主动配电网多时段动态无功优化问题，构建了相应的优化模型并提出了求解策略。通过仿真分析验证了所提模型的有效性和可行性。随着智能电网技术的不断发展和完善以及可再生能源利用率的不断提高，风光储联合发电系统主动配电网多时段动态无功优化将在未来能源系统中发挥更加重要的作用。

参考文献

[1]孙浩锋，章健，熊壮壮，等.含风光储联合发电系统的主动配电网无功优化[J].电测与仪表，2023，60（02）：104-110+125.

[2]杨雨瑶，张勇军，林国营，等.含光储联合发电系统的配电网双目标拓展无功优化[J].电力系统保护与控制，2018，46（22）：39-46.

[3]徐倩.风光储联合发电系统动态特性分析及仿真建模技术研究[D].济南：山东大学，2014.

作者单位：三峡大学

责任编辑：张津平、尚丹