电源负荷（精选六篇）
电源负荷 篇1
怎样满足、配置、符合国家规范《供配电系统设计规范》及行业标准《民用建筑电气设计规范》的规定的要求, 人流密集的地方要以一级负荷供、配电。即双回路供电, 当主供电源出现故障时, 备用电源马上投入, 确保供电的安全、可靠性。随着人们对电能的需求量日益增加, 电能由发电厂发出要经过变压器变压供给用户, 这时10KV电网就成为了发电厂到用户的媒介。这样就必须合理的规划10KV电网, 以保证向用户可靠、安全的供电。广州市天河城的34000KVA的供电工程的例子是一个好的说明。其供电电源设置供电部门批出的方案是 (三加一240mm2) 主供和备用结合, 一条240mm2电缆满载约可载12000KVA负荷来计算, (三加一) 就是四条240mm2电缆, 三条主供不成问题, 一条备用何以担当三条主供就成为讨论的关键。 (在此不讨论供电部门的备用电源收费问题, 只讨论结线是否合理) 从上述阐明的110KV供电站的设置与调度运行管理的立场上, 110KV供电站不可能空置34000KVA的变压器容量给广州市天河城作为备用电源, 供电部门的方案说明是:A) 当一条电缆出现问题时由另一条备用电缆补充 (谁也无争议) ;B) 当二条电缆同时出现问题时由剩余的二条电缆短时间内担当全部负荷;C) 当三条电缆出现问题时由剩余的一条担当必保电源的负荷。从正常的供电运行管理角度看:B) 问题出现的概率不大, 从停电、检修、更换电缆的工序上完全操控在人为的管理, 可避免。概率出现在失误的管理上, 因此要加强大负荷的运行管理。C) 问题出现就更微了, 概率出现在供电产品质量及人为严重管理失误的情况下, 如此问题就算习惯上的 (一主一备) 也避免不了。综合上述的几个问题, 纵观广州市天河城十多年的供电运行, 此种大负荷电源的设置还是可靠的。从经济投资、社会管理、实际运行同习惯的 (一主一备) 是异曲同工的。为了使变电所顺利完成变电、输配电任务, 主接线设计要满足供电可靠性、运行的灵活性和经济性、先进性等项基本要求。根据负荷的大小确定既经济又实用的变压器及其结线。如下图示:
笔者通过了解供电运行的调度与分析供电站实际配置到用户的开关出线, 通过对方案的分析和方案详细比较, 进行指标排选, 对电力系统的平衡运行进一步了解, 对整个网络三相平衡, 对供电部门批出了电网的电气主接线图深刻的探讨, 而且对于电网的投资方案进行了经济分析, 通过这些分析, 笔者以工程监理的身份说服了受电投资方, 采纳了供电部门批出的广州天河城永久供电的 (三加一) 方案。
与时具进, 大负荷电源设置都从习惯的 (一主一备) 双回路电源进化为 (二加一或三加一) 的方式。广州天河城大型综合商业大厦, 从原来投资方的不理解到慢慢接受, 经历十多年的时间考验证明是可行的。随着电网规模的日益扩大, 环行电网的大量出现, 供电可靠性大大提高, 在这种情况下, 10KV供电网多选择一至三路主供电, 一路备用的运行方式, 就电源供电的可靠性即可利用备用电源自投装置 (BZT) 来保证。备用电源自动投人装置就是当工作电源因故障断开以后, 能自动而迅速地将备用电源投入工作或将用户切换到备用电源上去, 从而确保用户供电安全的一种装置。随着计算机软硬件技术的飞速发展, 可采用"虚拟逻辑编程"功能, 进行图形化直观式编程和整定, 技术人员只要利用软件画出保护安全自动装置的逻辑流程图, 标明相关整定项, 即可自动生成相应的保护程序和整定值。更有效、更可靠、更安全地保障了电网的运行, 从而避免次生事故的出现, 保障了人民正常的生活秩序。
参考文献
[1]GB 50052-2009供配电系统设计规范
电源负荷 篇2
近年来,随着人们对能源和环境问题的日益关注以及用户对供电质量要求的不断提高,微电网成为国内外的研究热点[1]。微电网利用先进的电力电子技术,将微电源、负荷、储能装置与控制系统结合,形成一个可控的单元[2,3,4]。
目前微电网的研究主要集中在微电网控制、能量管理等方面,由于微电网中大部分微电源均通过逆变器接口接入微电网,很多研究侧重于逆变器接口的控制策略,而将逆变器的直流侧等效为直流电源,忽略了原动机的特性[5]。文献[6,7]对含有不同微电源的微电网系统进行了动态仿真研究,得到了不同微电源配置方案下微电网从并网模式向孤网模式转换的动态运行特性,但没有区分不同微电源的特性以及微电源容量对微电网特性的影响。
本文针对光伏发电系统(PV)、风力发电系统(WTG)和微型燃气轮机发电系统(MTG)3种典型微电源,分别建立了数学模型和仿真模型,并基于MATLAB Simulink平台进行仿真分析,得到了不同微电源的运行特性和动态响应特性。
1 微电源的模型
PV的等效电路见附录A图A1[8]。WTG包含风轮机和发电机2部分,风轮机捕获的功率大小取决于风速、风机转速和叶片桨距角等,见附录A图A2[9]。本文主要研究笼型WTG,其模型由风轮机和异步发电机组成。
微型燃气轮机的数学模型见附录A图A3[10]。在负荷波动不剧烈、忽略燃烧室延时环节、忽略回热器惯性作用等的情况下,微型燃气轮机的动态模型可进行一定的简化,简化后控制系统只包含转速调节、涡轮动态以及排气温度控制环节,各部分动态直接简化为惯性或超前滞后环节[11]。微型燃气轮机驱动的发电机一般为高速永磁同步发电机。
2 微电源的动态特性仿真分析
基于MATLAB Simulink仿真平台,对单微电源组成的微电网进行仿真分析,比较不同微电源的特性。采用如附录A图A4所示的简单微电网,微电源与负荷母线电压为380 V,通过变压器接入10 kV的配电网。微电源分别选择PV,WTG,MTG,额定容量分别为24 kW(标准太阳光照下),15 kW,16 kVA;而负荷为电阻性负荷和电动机负荷的组合,容量分别为5 kW和7.5 kW。
PV一般通过电压源型逆变器并入微电网,通过控制逆变器来控制输出功率。一般利用最大功率点跟踪策略对光伏电池的输出功率进行跟踪,所以并网时通常利用恒PQ控制方法控制逆变器,使PV发出的有功功率跟踪光伏电池的最大输出功率,并令其输出的无功功率为0,以期最大效率地利用太阳能。给定光照强度为1 000 W/m2,环境温度为25 °C,PV输出功率为15 kW。微电网从并网切换至孤网模式时,需改变逆变器的控制策略为下垂曲线控制方法,即通过微调逆变器输出的电压和频率以满足负荷的有功功率和无功功率需求,并维持微电网电压和频率的稳定。由于光伏电池输出功率有限,并随着光照、温度等环境因素的变化而波动,所以需要在光伏电池直流侧配置蓄电池等储能装置。仿真中假设蓄电池能补偿光伏电池的出力,使逆变器输出功率平滑,并能在微电网孤网时短时间内维持负荷的供电需求。由于本文研究重点在于不同种类微电源的特性分析及其对负荷电压的影响,所以对蓄电池的模型和控制方法进行简化,用直流电压源模拟蓄电池,并忽略其充放电动态过程。
仿真中WTG利用基准风速为12 m/s的风轮机和额定容量为15 kW的异步发电机模拟,WTG的出力随风速变化而变化。MTG利用微型燃气轮机驱动额定容量为16 kVA的同步发电机模拟,通过调速环节和励磁环节调节MTG的功率输出。
对各单微电源微电网进行并网和孤网2种运行模式仿真,结果表明:不同微电源具有不同的动态响应特性,在并网运行时由于配电网能够维持系统频率和电压稳定,差别不大;但微电网孤网时,不同微电源动态特性各有不同。PV的出力受外界环境影响很大,孤网时需配置储能装置并利用下垂控制策略控制逆变器以维持微电网稳定;WTG的出力随着风速变化而改变,同时,异步发电机运行时吸收无功功率,需配置无功补偿装置,孤网时无功补偿的容量选取对系统的电压稳定性有一定影响;MTG能够根据负荷需求调整出力,在其额定容量范围内可以满足负荷需求并维持微电网频率和电压稳定。
3 微电网的运行特性仿真分析
微电网的优势在于能整合不同种类的微电源,通过先进的控制策略,为负荷提供较高可靠性和电能质量的供电。将这3种微电源组合成一个微电网,并将微电源配置在负荷当地,可以得到如图1所示的微电网。
其中,微电源的容量与第2节选取的容量相同;负荷1为12.5 kW的电阻性负荷和7.5 kW的电动机负荷的组合;负荷2为20 kW的电阻性负荷;负荷3为6 kW的电阻性负荷和4 kW的电动机负荷的组合。
该微电网中,PV的直流侧并联蓄电池,再通过逆变器接入微电网,逆变器的控制策略与单微电源的微电网相同。孤网时,逆变器利用下垂曲线控制,负责维持微电网电压和频率的稳定;WTG工作在自治运行状态,根据风轮机的出力输出相应功率;而MTG利用自身的调速环节和励磁环节控制。
微电网在6 s时与配电网断开进入孤网模式,8 s时负荷增加,10 s时仿真结束。3种微电源输出的有功和无功功率如图2所示。由于PV直流侧配有蓄电池,孤网后PV能快速提供有功和无功功率以响应负荷需求。WTG按风功率大小输出有功功率,并吸收一定的无功功率。MTG按原动机出力输出有功功率,并提供无功功率以满足负荷需求,微电网可以从并网平滑切换至孤网运行状态。
微电网的频率和电压见图3。
因逆变器的下垂曲线控制作用,并网切换至孤网及孤网后负荷增加时,微电网的频率和电压能维持稳定,且下降幅度均在允许范围之内,微电网的动态响应速度较快。
4 微电源容量对负荷电压的影响
配电网发生故障时,为防止受到影响,微电网将与之解列进入孤网运行模式。由于缺少大电网的无功支撑,不同微电源类型对微电网电压具有不同影响:PV在孤网时通过下垂曲线控制逆变器以维持微电网的电压稳定,不同控制参数会影响微电网的电压水平;WTG运行时吸收无功功率,会降低微电网的电压水平;MTG可以发出无功功率,能够有效维持微电网的电压水平。针对图1所示的微电网,不断增加MTG容量,得到微电网并网切换至孤网后负荷3的母线电压下降百分比曲线见图4。每条曲线对应的PV和WTG容量见表1。
从图4可以看出,当MTG容量开始增加时,母线电压下降百分比呈下降趋势,这是因为MTG发出的无功功率随其容量增加而增多,有利于提高孤网时微电网的电压水平;而随着MTG容量的不断增加,母线电压下降曲线出现拐点,在拐点之后曲线呈上升趋势,即MTG容量增加反而会降低孤网微电网的电压水平。这是由于随着MTG容量的增加,其发出的有功功率也在增加,随之引起线路电压损耗的增大,在拐点之后,有功功率增加引起的线路电压损耗增大的影响大于无功功率增加对母线电压的提升,所以负荷电压下降百分比反而上升。
通过仿真可知,其他负荷母线电压下降曲线同样存在该拐点,但拐点值并不相同。该拐点是MTG的电源特性和微电网的结构特点所引起的特定的物理现象。定义该拐点所对应的MTG容量为“最优容量”,计算MTG最优容量是规划建设微电网时MTG容量选择的重要依据。
从图4还可以看出,其他2种微电源的总容量不变,而各自容量比例改变时,最优容量几乎不变,只会影响微电网孤网时的电压水平。图4所示的3个算例对应的最优容量约为50 kVA,与负荷总容量大致相同。
保持PV和WTG容量不变,改变负荷2的容量,不断增加MTG容量得到的负荷3的母线电压下降百分比曲线见图5。其中曲线1～3分别对应负荷2容量为10 kW,20 kW,30 kW的情况。
从图5可知,随着负荷容量增加,MTG最优容量增加,最优容量点对应的负荷3电压下降百分比降低。并且,在最优容量两侧,负荷2容量改变对负荷3电压下降百分比的影响不同:当MTG容量小于最优容量时,负荷2容量越小,负荷3电压下降百分比越小;而当MTG容量大于最优容量时,负荷2容量越小,负荷3电压下降百分比反而越大。通过仿真可知,即使负荷特性不同,如改变电动机负荷和电阻性负荷的比例,仍可得到相似的结论。
由以上的仿真结果可知,对于PV,WTG,MTG这3种微电源组成的微电网,MTG存在最优容量,使得孤网后微电网的负荷母线电压降最小。由于微电网多采用辐射状的拓扑结构,并且通常将微电源分散配置在负荷当地,所以微电网的拓扑结构较为简单,而微电源的选择和容量配置则成为微电网规划的主要工作。在规划微电网时,首先根据当地的资源情况,决定可再生能源型微电源的种类和容量。在此基础上,根据不同负荷对孤网电压水平的要求,通过仿真计算确定MTG的最优容量,并以此作为MTG容量规划的依据。
5 结语
本文首先对PV,WTG,MTG分别建模,并基于MATLAB Simulink仿真平台对含有这3种微电源的单微电源微电网进行仿真分析,得到不同微电源的运行特性。然后针对包含这3种微电源的微电网进行仿真分析,仿真结果发现MTG的容量对负荷母线电压的影响存在“最优容量”的概念,即小于该容量时,随着MTG容量的增加,微电网从并网状态切换至孤网状态时负荷电压下降百分比降低;而大于该容量时,MTG容量增加反而会使得负荷母线电压降增大。此结论在规划微电网时可用于确定MTG的容量。
附录见本刊网络版(http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx)。
参考文献
[1]鲁宗相,王彩霞,闵勇,等.微电网研究综述.电力系统自动化,2007,31(19):25-34.LU Zongxiang,WANG Caixia,MI N Yong,et al.Overviewon microgrid research.Automation of Electric Power Systems,2007,31(19):25-34.
[2]LASSETER B.Microgrids//Proceedings of2001IEEE Power Engineering Society Winter Meeting,January28-February2,2001,Columbus,OH,USA:146-149.
[3]LASSETER R H.Microgrids//Proceedings of2002IEEE Power Engineering Society Winter Meeting,January27-31,2002,New York,NY,USA:305-308.
[4]HATZI ARGYRIOU N,ASANO H,IRAVANI R,et al.Microgrids.IEEE Power&Energy Magazine,2007,6(3):78-94.
[5]王成山,肖朝霞,王守相.微网综合控制与分析.电力系统自动化,2008,32(7):98-103.WANG Chengshan,XI AO Zhaoxia,WANG Shouxiang.Synthetical control and analysis of microgrid.Automation ofElectric Power Systems,2008,32(7):98-103.
[6]郭力,王成山.含多种分布式电源的微网动态仿真.电力系统自动化,2009,33(2):82-86.GUO Li,WANG Chengshan.Dynamical si mulation on microgrid with different types of distributed generations.Automation of Electric Power Systems,2009,33(2):82-86.
[7]杨占刚,王成山,车延博.可实现运行模式灵活切换的小型微网实验系统.电力系统自动化,2009,33(14):89-98.YANG Zhangang,WANG Chengshan,CHE Yanbo.A small-scale microgrid system with flexible modes of operation.Automation of Electric Power Systems,2009,33(14):89-98.
[8]李晶,许洪华,赵海翔,等.并网光伏电站动态建模及仿真分析.电力系统自动化,2008,32(24):83-87.LI Jing,XU Honghua,ZHAO Haixiang,et al.Dynamic modeling and si mulation of the grid-connected PV power station.Automation of Electric Power Systems,2008,32(24):83-87.
[9]SLOOTWEGJ G,DE HAAN S W H,POLI NDER H,et al.Modeling windturbinesin power systemdynamics si mulations//Proceedings of2001IEEE Power Engineering Society Summer Meeting,July15-19,2001,Vancouver,Canada:22-26.
[10]余涛,童家鹏.微型燃气轮机发电系统的建模与仿真.电力系统保护与控制,2009,37(3):27-31.YU Tao,TONG Jiapeng.Modelling and si mulation of the microturbine generation system.Power System Protection and Control,2009,37(3):27-31.
电源负荷 篇3
户用分布式电源作为一种特殊的分布式发电形式可直接为电网末端用户供电,以户用光伏发电为代表,其不仅满足了居民日益增长的用电需求,缓解了配电网峰荷压力[1],同时也推动了清洁能源的发展。然而,分布式电源输出的间歇性可能引发或恶化配电网末端电能质量问题,其并网引起的双向潮流也增加了电力运行管理与调度的复杂性[2]。需求响应(DR)技术可指导用户合理用电,促进分布式电源的就地消纳,延缓或避免输配电网设备改造投资,在原有电网架构基础上实现电力供需平衡,提高配电网供电能力。
分布式电源消纳可分为电源侧消纳与负荷侧消纳两大类。电源侧消纳包括储能技术[3]及多能互补[4,5]方式;负荷侧消纳是指有效整合需求侧响应资源,实现电能的“虚拟存储”及最大化利用[6,7]。电源侧消纳投资成本高、运行维护复杂,不适用于居民侧户用分布式电源消纳,因此本文采用负荷侧消纳技术。智能电网环境下,智能家电、分布式电源等具有了更优的信息采集、与电网通信及控制能力,用户可根据电网需求调整用电设备,此类智能负荷称为主动负荷。主动负荷不仅具备智能家居的可观性及智能性,且能作为可控负荷主动参与电网互动[8];智能家电管理控制技术的发展[9,10],为实现主动负荷/分布式电源的互动协调、分布式电源的负荷侧消纳提供了新的思路。
国内现有的分布式电源消纳主要针对大规模新能源发电并网消纳技术展开研究[11,12],且其目标函数多以经济性指标为主,居民侧小型分布式电源研究较少。有文献指出可利用需求侧响应行为来平抑末端电网的功率波动或削减联络线的峰谷差[10,13],但尚需在负荷建模时进一步考虑居民用户用电意愿,且针对分布式电源最大消纳的研究较少。国外该领域研究多以家庭为单位,主要集中在家庭用电管理系统[14]、居民负荷参与需求响应[15,16]等方面,其特点是居民用户密集度小、户用分布式电源基本实现自给自足的供需平衡、对配电网影响较小,这与国内用户分布式电源发展情况区别较大。
2013年12 月,江苏连云港市的青南小区建成国内首个屋顶光伏发电村。该项目利用128户居民和村委会屋顶安装太阳能电池板,工程装机容量为381.22kVA。由于光伏装机总容量超过了小区原有配变容量,当光伏出力大发时,可能对配网潮流及电能质量造成不利影响,并需改造升级原有小区配网设备。本文以此项目为背景,采用需求侧响应技术来应对此类户用分布式发电对配用电网的影响。
本文以居民用户主动负荷及户用分布式光伏为研究对象,基于用户用电意愿及习惯,分析负荷需求响应特性并建立居民用电概率模型,提出促进分布式光伏发电就地消纳的主动负荷需求响应策略。该策略从物理层面实现分布式电源的有效消纳,提高用户供电可靠性;从经济层面延缓配用电设备的改造升级,增加用户经济效益。最后通过算例仿真验证了所提方案的可行性及其带来的经济效益。
1 用户侧能量管理系统
用户侧能量管理系统如图1所示,包括智能插座、双向智能电表、人机交互界面、移动控制终端及通信模块等,可实现用户侧与电网间电力流、业务流等信息的双向交互,方便用户参与电力调度,实现用能的高效化、智能化。
智能插座与对应负荷构成控制节点,实现设备数据采集、通信及负荷控制功能。双向智能电表具备双向四象限计量功能,实现户用光伏发电(PV)双向电能量计量功能。人机交互界面通过本地无线通信及远程通信网分别实现与负荷控制节点、远程调度中心间双向通信功能,实现负荷信息的上行传送及电网调度命令下行接收。移动设备终端通过无线通信实现与负荷控制节点、人机交互界面间信息交互,满足用户对实时用电信息的查询、设置及负荷节点的远程控制等。
2 户用分布式光伏输出模型
户用光伏发电装置容量大约为3~10kW,且容量低于6kW的分布式电源将通过10kV以下电压等级并入电网[17];在其并网点安装关口计量装置和发电量计量装置,可有效计量光伏输出电量、用户用电量及光伏并网电量。
光伏发电输出功率随光照强度、环境温度等变化,具有很强的非线性特性,且在多云天气,其输出功率会出现短时快速变化,其输出模型为:
式中:PtPV为光伏发电输出功率;ηPV为光伏装置的光电转换效率;nPV为光伏电池板个数;SPV为光伏电池板面积;KPV为太阳光辐射强度;θtout为室外温度。
3 居民负荷需求响应特性
根据用户参与需求响应方式的不同,电力需求响应可分为价格型和激励机制型两大类。负荷弹性的变化导致了价格型需求响应结果的不确定性,因此考虑分布式电源消纳时宜采用激励机制型需求响应。
3.1 负荷模型分类
居民负荷分为不可控负荷、可转移负荷及可中断负荷三大类。不可控负荷如照明类设备,其通断电将影响居民正常生活,不参与需求响应;可转移负荷用电时间较为灵活,在某一时间内完成工作需求即可;可中断负荷短时断电不影响居民的正常生活,因此可转移负荷与可中断负荷可作为主动负荷参与需求响应,满足分布式电源消纳需求。
3.2 负荷需求响应特性及数学模型
3.2.1不可控负荷
不可控负荷(uncontrollable load,UCL)是指无储能特性、用电时间较为固定或随时可能用电的负荷,如照明设备、电视、电脑等,其用电功率波动范围小,基本无转移负荷的能力。此类用电设备用AUCL表示,其特征描述如下:
式中:Va为负荷特性;pamin为设备a最小耗电功率;pamax为最大耗电功率;tastart为设备a起始运行时间;taend为结束运行时间。
根据式(2)描述的UCL特性,t时段其耗电功率pat描述如下:
由式(3)可知,在UCL设备运行时段内其功率满足最大最小功率范围要求;其他时段其功率为0。
3.2.2 可转移负荷
可转移负荷(transferable load,TL)用电灵活,且完成工作所需总耗电量一定,如洗衣机、可定时电饭煲等,具有负荷转移能力。此类用电设备用ATA表示,其特征描述如下:
式中:Qamin为TL设备完成任务的最小耗电量。
根据式(4)描述的可转移负荷特性,t时段其耗电功率pat描述如下:
由式(5)可知,TL设备运行时段内,其功率处于允许范围内;运行结束时,其耗电量应满足最小耗电量要求才表明该设备已完成工作。TL设备可通过转移用电时段、同时保证完成工作要求来参与负荷调度响应电网需求。
3.2.3 可中断负荷
可中断负荷(interruptible load,IL)如空调、热水器等,其用电可随时中断,但其工作状态将发生变化,耗电量受负荷断电影响而减少,IL设备断电时长一般受用户舒适度限制。此类用电设备用AIL表示,其特征描述如下:
式中:θamin为设备a需满足的最小舒适度要求。
根据式(6)描述的可转移负荷特性,t时段其耗电功率pat描述如下:
式中:θat表示用户在t时段对用电设备a的实际舒适度值。
在IL设备运行期间,当设备实际状态满足用户舒适度需求时,其最小功耗可为0;反之,其最小功耗为用电器额定功率。IL设备在满足用户舒适度范围内参与负荷调度满足电网需求。
3.2.4 居民用电集总负荷模型
本文将居民侧所有用电设备等效为集总模型,从居民负荷的时间序列特性出发,充分考虑用户的用电意愿及行为习惯,提出负荷用电的状态概率矩阵S,矩阵元素由负荷用电概率构成,居民实际用电服从参数为S的二项分布。
S可根据不同家庭用电统计特征得出,具体表述如下:
式中:sit为第i种用电负荷在t时段用电概率,sit越大说明居民该时段用电意愿较强,则主动负荷参与需求响应的潜力越小;pit为第i种用电负荷在t时段用电功率,其中,UCL设备其pit满足式(3)约束,TL设备其pit满足式(5)、式(6)约束,IL设备其pit满足式(8)约束;n表示每个家庭用户实际用电器数量(种类);T为统计周期内时段数,且T取值越大,时段划分越细,用电负荷的概率矩阵模型越精确;B(1,S)为二项分布函数;Pie为负荷i额定功率。
4 可控负荷动态需求响应策略
4.1 问题描述
户用分布式电源为居民提供了新的供用电模式,既可直接为居民负荷供电,又可在其发电量高于用户实际用电量时,将多余电量反向注入电网。分布式电源就地消纳目标函数如下:
式中:T=48,即每日负荷控制时段间隔为30min;PPV(t)为t时段内分布式光伏输出功率;PL(t)为t时段内所有用电负荷总功率;(PPV(t)-PL(t))+为PV反向注入电网的功率,优化目标为分布式电源就地消纳最大化。
式(2)—式(10)构成目标函数中pit约束约束条件。
4.2 主动负荷需求响应策略
主动负荷参与日前调度的需求响应策略如图2所示。日前调度基于分布式光伏输出功率及区域负荷预测数据,分析居民负荷特性并确定参与需求响应的主动负荷类型及规模,根据分布式电源消纳的目标函数制定可转移负荷用电方案。该需求响应策略充分考虑了用户的用电习惯及用电意愿,既可满足户用分布式电源消纳,又不影响居民正常生活需求。
5 算例分析
5.1 算例描述
本文采用某地区光伏村算例进行分布式电源消纳仿真分析,该光伏村每户家庭光伏安装容量为3.8kW,总装机容量为380kW。居民用户用电负荷情况如表1所示。用户电动汽车保有率为50%(共50辆),电动汽车一般出行规律为:白天上班出行,18:00左右下班后充电,此类电动汽车为晚间充电负荷,不参与主动负荷日前调度。假定10%的电动汽车(5辆)出行规律与一般用户不同,其充电时段在白天,此类电动汽车作为TL设备参与日前调度。
5.2 算例仿真
5.2.1 居民用电仿真
不同用户用电习惯不同,各用电设备每时段用电情况也不相同,本文由负荷状态概率矩阵S表征其统计特征。根据负荷状态概率矩阵S,采用蒙特卡洛模拟法产生100个用户的用电负荷数据进行模拟仿真。
考虑用户侧额定容量为3.8kW户用分布式光伏后,典型居民用户的用电情况如图3所示。
由图3可知:空调、热水器、电视、洗衣机等设备用电时段不固定,与居民生活习惯有关;厨房电器用电集中在用餐时段,其中可定时电饭煲为可转移负荷,可参与日前负荷调度;电动汽车不参与充电负荷调度时,需连续充电数小时后完成充电需求。当PL(t)<PPV(t)时,用户净负荷<0;反之,当PL(t)≥PPV(t)时,用户净负荷≥0,分布式光伏和电网同时为用户供电,满足其用电需求。
未实施需求响应时,100 个用户总用电情况、PV总输出情况及小区用户净负荷仿真结果见图4。
由图4可知,晚上21:30用户净负荷最大,约为769.9 kW;上午09:30 净负荷最小,约为-148.8kW;08:00—11:00 及13:00—16:00 时段用户净负荷≤0,该时段分布式光伏未实现完全消纳,多余的光伏电量将反向并入电网。上午11:00及下午16:00之后,居民用电负荷的增加主要来源于厨房电器,因此考虑将定时电饭煲作为TL设备参与日前调度,促进分布式PV的就地消纳。
5.2.2 可控负荷参与需求响应仿真分析
算例中假定每个用户均具备可定时电饭煲,其平均用电功率为0.8kW、用电时间为1h,且所有用户都参与负荷日前调度。算例设置如下。
算例1:PIL(t)=pck(t),pck(t)表示电饭煲类负荷,即参与日前调度的IL设备仅包括电饭煲类负荷;
算例2:PIL(t)=pck(t)+pev_d(t),pev_d(t)表示白天充电的电动汽车负荷,即参与日前调度的IL设备包括电饭煲类负荷及白天充电的电动汽车负荷。
算例1 居民负荷用电情况仿真结果如图5所示。
由图5可知,可定时电饭煲参与日前调度后,不同用户可定时电饭煲用电转移情况也不相同,用户净负荷≤0时段发生了较大变化。上午09:00左右净负荷最小,约为-82.3kW;且在08:00—11:00及14:30—15:00时段净负荷≤0,此时段用户侧反向功率波动较小。
算例2居民用户用电情况仿真结果与未实施负荷调度前结果比较如图6所示。
由图6可知,电动汽车充电负荷参与日前调度计划后,白天净负荷曲线发生了明显变化,用户侧消纳的光伏发电量明显增加。最小净负荷仍为上午09:00左右,约为-59.1kW。净用电负荷≤0的时段基本不变,时段内用户侧反向功率波动较为平缓,进一步降低了光伏并网对区域配电网的影响。
5.3 仿真结果分析
5.3.1 DR前后负荷用电及PV消纳分析
未实施负荷调度前(场景1)、可定时电饭煲参与负荷调度(场景2)、可定时电饭煲及电动汽车同时参与负荷调度(场景3)三种场景下的净负荷最大值、最小值、对应时刻及未消纳光伏电量如表2所示。
由表2可知,需求响应前后用户净负荷最大值及其对应时刻基本不变;净负荷最小值及未消纳光伏电量呈递减趋势,实施负荷调度方案后增加的光伏消纳量分别为:139.8kW·h和245.9kW·h,分布式光伏消纳量的增长率分别为35.0%,61.6%。综上,实施需求响应方案后,在尽量不影响用户正常生活的前提下,分布式光伏就地消纳量得到了显著提高。
5.3.2 用户效益分析
用户侧分时电价如下:09:00—23:00 电价0.595元/(kW · h);23:00—次日09:00 电价0.315元/(kW·h)。 目前光伏上网电价为0.4元/(kW·h),政策性全电量补贴电价为0.42元/(kW·h)。考虑光伏上网补贴与否时,三种场景下用户电费情况如表3所示。
不考虑PV补贴政策时,用户参与分布式电源消纳后,场景2 及场景3 下节约电费分别为209.2元、228.0元;考虑PV补贴政策时,节约电费分别为209.2元、228.0元。目前光伏发电为全电量补贴,无论用户自用或余电上网都不影响其补贴金额(如上述节约电费值),居民节约电费与不考虑PV补贴情况一致,即光伏补贴政策实施与否对主动负荷参与需求响应无实际影响,因此本文仅对上述不考虑PV补贴时的用户电费进行不同场景间分析。 分时电价环境下,由于光伏上网电价(0.4元/(kW·h)) 低于白天分时电价(0.595元/(kW·h)),因此用户直接使用PV发电可以节约电费,为用户带来一定收益,这将有助于主动负荷调度方案的推广应用。
6 结语
本文在充分考虑居民用电意愿及生活习惯的前提下,建立了居民用电状态概率模型,分析了负荷需求响应特性,并提出了以分布式电源消纳最大化为目标的主动负荷需求响应方案,算例仿真表明所提方案可显著促进分布式电源消纳,实现以下目的。
1)物理层面:减小分布式电源并网冲击,提高配电网供电可靠性,改善分布式电源并网后配电网电能质量及潮流分布。
2)经济层面:可显著节约用户电费,减缓或避免输配电设备改造投资,促进清洁能源利用、实现节能减排,为用户、电力公司及社会带来经济效益。
此外,需求响应激励政策、负荷价格弹性变化、电力市场机制等将对负荷调度结果产生影响;用户侧负荷调度管理系统及配套负荷控制终端的开发及应用、实时需求响应的具体实现方式、项目实施后成本效益的具体分析值得进一步研究。
摘要：户用分布式电源可直接为电网末端用户供电,在提供清洁能源的同时,也可能由于双向潮流和电能供应的间歇性引起功率失衡和电能质量问题。因此,基于智能配电网中负荷的主动响应能力,在保证分布式电源可靠供电的同时,促进分布式电源的就地消纳亟待深入研究。文中首先介绍了用户侧能量管理系统的概念;其次,考虑用户意愿及生活习惯提出了负荷状态概率矩阵,并建立了居民用电概率模型,制定了以分布式光伏消纳最大化为目标的主动负荷需求响应方案。最后,运用蒙特卡洛方法模拟用户用电行为,实际算例的仿真结果表明所提方案可有效促进分布式电源消纳,改善负荷曲线,实现电网物理层面及多方面经济效益。
电源负荷 篇4
随着全球范围化石能源的日益枯竭和风电、光伏等可再生能源发电技术的日趋成熟,分布式电源DG(Distributed Generation)技术得到了广泛应用,这不仅使供电更加灵活方便,而且能提高负荷供电的可靠性及电能质量[1],但DG的引入使配电系统变为双端或多端有源网络,其结构和运行都发生了较大变化[2,3]。因此传统的只依靠相邻馈线联络开关对非故障失电区负荷进行恢复的方法已不再适用,而充分利用DG和备用联络线互相协调实现供电恢复,成为配电网供电恢复的新要求。
随着分布式人工智能及计算机技术的成熟,多代理技术迅速发展,由于代理具有很强的自主能力和沟通能力[4],在电力系统多个领域得到广泛应用[5,6]。在故障恢复方面,文献[7]将每条母线看作一个代理,提出一种完全分布式多代理系统恢复方法。文献[8]将多代理技术用于故障的动态恢复中,通过相邻代理间的相互学习,对解集进行补充和完善。文献[9]将开关和馈线作为代理,通过建立分布式电网自愈控制模型,实现电网的多代理控制。由此可见,多代理技术在处理复杂恢复问题方面具有一定的优势。在优化方法上,文献[10]提出一种基于树型结构的配电网恢复算法,降低了求解的复杂度,但只能应用于单电源辐射网络,不适合含DG的多电源网络供电恢复。文献[11]提出一种基于云计算思想的配电网故障恢复方法,利用大量分布式计算资源求取孤岛间恢复的最优解,但只考虑了备用联络线对非故障失电区的恢复。文献[12]将故障恢复分解成孤岛划分与剩余网络重构2个子问题,各自独立性明显,没有考虑DG和联络开关的协调优化。文献[13,14,15,16]对考虑负荷重要程度和可控性的配电网进行孤岛划分,但文献[13,14]没有体现出负荷可控对恢复方案制定的影响。文献[15]所提算法只能形成一个孤岛,网损较重。文献[16]运用分支定界方法对配电网进行故障恢复,但对于方案内的可控负荷不能充分利用,且对可控负荷的投切缺乏选择性。
可控负荷的加入使恢复方案制定更加困难和复杂,本文在已有文献研究的基础上,充分利用馈线间联络线和DG对失电区进行协调恢复的条件下,考虑负荷可控对恢复方案制定带来的影响,提出一种适用于这一复杂模型的供电恢复方法,并引入包括信息层、执行层、设备层和协调层的多代理系统,实现并行运算和方案协调优化,快速制定全局最优恢复策略。
1 含DG的配电网简化模型
1.1 配电网结构简化和条件假设
(1)配电网中对两端无开关的线路进行合并,合并后的节点负荷为合并前各节点负荷之和[16]。
(2)消去无需求负荷节点,将其相连的两侧支路合并为一条,新支路的阻抗等于2条支路阻抗之和[12],如图1所示。
(3)对于部分可控负荷功率L,假设L=a+b,其中a为负荷可控部分,b为不可控部分,称为2个虚拟节点。若L在DG末端,则将虚拟节点a和b串联接入(节点b靠近电源侧);若L在2个DG之间,则将节点b串联接入网络,节点a设置为附加节点通过带开关的支路与节点b相连即并联连接。
本文考虑的可控负荷包括电动汽车集中的公交车站、公共充电站(包括换电站和充电桩)、签订停电协议的用户等。
1.2 联络开关等效
在非故障失电区,失电负荷既可以通过DG进行恢复,也可通过馈线间联络线得到恢复。联络线与大电网相连,供电能力受线路载流能力约束,但短时故障下负荷波动较小,和带储能装置的DG皆可视为出力近似恒定的电源。为便于说明,本文将馈线间联络开关称为虚拟DG,其在孤岛划分过程中与DG功能相同,而在划分方案出现相交或相邻时的处理方式不同。虚拟DG的有功备用容量PM[17]为:
其中,Uav为平均额定电压;cosθ为平均功率因数;Iim为支路Bi的最大允许电流;Ii为支路Bi的实际电流;支路Bi为联络开关到支持馈线路径上的线路。
2 配电网供电恢复数学模型
2.1 目标函数
配电网在突发性事故后造成大面积断电或连锁故障时,运行人员关心的首要问题是在保障重要负荷优先供电的前提下,尽快将尽可能多的失电负荷转移到正常电源上,有时甚至允许一定程度的过负荷运行。
本文从优先恢复重要负荷,且最大限度恢复负荷供电的角度考虑,采用的目标函数为:
其中,N为得到恢复的节点个数;wi为第i个负荷权重值;Pi为第i个负荷功率;Ps i为第i个负荷在形成可行方案时需要切除的功率;xi为开关状态,xi=0表示开关闭合,xi=1表示开关断开。
2.2 约束条件
由于恢复过程中要带起尽可能多的负荷,电源有功功率的裕量很小,所以,恢复方案在满足孤岛功率约束的前提下还要满足其他网络约束。
(1)孤岛功率约束。
其中,SNi为孤岛Ii中负荷节点集合;Pn为SNi中节点Nn的功率;Plossi为孤岛Ii的网络损耗;PGi为孤岛Ii所包含DG出力之和。
(2)虚拟DG孤岛非连通约束。
其中,SD x为虚拟DG形成的孤岛划分方案集;Di、Dj分别为第i、j个虚拟DG形成的孤岛划分方案;ΩDi、ΩDj分别为划分方案Di和Dj的节点集合。
(3)节点电压约束。
其中,Umin、U、Umax分别为节点电压下限、实际电压幅值、节点电压上限。
(4)支路电流约束。
其中,Iline、Imaxline分别为支路的实际电流和允许最大电流。
2.3 配电网供电恢复相关评价指标
在形成孤岛的过程中,考虑到负荷可控或部分可控对孤岛划分的影响,在确定可行方案时会遇到需要切除多个同等级可控负荷的一部分,这时需要确定切除负荷顺序,为此,本文提出同等级可控负荷相对适应度指标:
其中,I、J分别为可控负荷节点NLm、NLn到电源点所经历的节点集合;Pmi、Pnj分别为流过节点NLm、NLn的负荷功率;li、lj分别为节点Ni、Nj与其父节点之间的线路阻抗模值;Zm、Zn为节点NLm、NLn到电源点的电气距离;λ1、λ2为2个分量的权重值,且λ1+λ2=1。
相对适应度指标的物理意义是用来比较2个可控负荷分别切除单位电量对配电网经济性和安全性的贡献程度。式(7)等号右侧第1个部分是网络损耗的比值,第2个部分是电气距离比值。供电半径越长,经济性越差,尽量让负荷围绕在电源点周围,使电能尽可能通过线径大即阻抗小的线路,这样在减少电能损失的同时,防止线路过热,延长线路和设备使用寿命,从而提高稳定性和安全性。W以1为中间态,大于1则切除分母,代表节点NLm对电网贡献较大,反之则切除分子,代表节点NLn贡献较大。
在孤岛划分方案形成后,考虑到可控负荷投切的灵活性与多样性,在孤岛划分结果中,会出现多个方案目标函数值相同的情况。对此,本文提出衡量恢复方案优越性的运行风险度指标如式(8)所示。
其中,Vj为第j个方案包含的节点集合;Zi为节点Ni到电源点的电气距离;Pvi为节点Ni的负荷量;ni为节点Ni到电源点经历的实际节点数;m为目标函数值相同的方案个数;Nav为m个方案的平均值。
运行风险度指标的物理意义是节点负荷从电源点获得单位电量所经过的平均电气距离最短、各节点到电源点所经历开关设备数最少。由于是在方案恢复功率相同前提下,Kj/Nav越小则方案通过的开关数越少,每个开关都有一定的故障概率,方案通过的开关数越少则发生二次故障的概率越低。PviZi表示根据线径大小和型号使电源点发出的功率尽量进行合理分配。k值越小,说明远距离、大容量传输越少,负荷在线路上的分配越均匀,同时使各负荷节点尽量围绕在电源点周围,避免出现重载线路和远距离输电,使电网在孤岛运行期间更加安全。
由于式(7)中等号右侧的2项量纲不同,在计算时需要对指标进行标准化,标准化时采用式(9)。
其中,lB∈[0,1];lmin、lmax分别为li的最小值和最大值。
3 基于多代理系统的配电网供电恢复算法
3.1 供电恢复的多代理系统
在含DG的配电网故障恢复过程中,每个DG都具有独立性和自治性,能单独完成初始最优孤岛划分,但要得到全局最优供电恢复方案,还需在各DG间进行协调,这种既相互独立又相互协作的特性,非常符合多代理的适用条件。本文建立了由信息层、协调层、执行层和设备层构成的配电网供电恢复多代理模型,如图2所示。
信息层用于收集和存储相关信息。信息采集代理从SCADA系统读取配电网结构和故障点信息,通过对邻接矩阵中对应元素由1置0,隔离故障区,为执行层制定相应方案做准备。设备层由待恢复的失电区负荷代理组成,包括可控负荷代理和不可控负荷代理,负荷代理包含负荷节点号、节点电量、节点是否可控、节点等级等信息,并且在不满足孤岛功率约束和发生越限时负责负荷的投切,其信号和数据的物理传输过程如图3所示。
3.2 执行层电源代理等可能路径组合恢复方法
执行层负责孤岛划分方案的制定。各电源代理从信息层提取非故障失电区拓扑结构、电源点位置和容量发送给各电源代理,并向非故障失电区的节点负荷代理获取负荷数据信息。由于各电源代理之间相互独立,信息收集完毕后会同时启动等可能路径组合寻优方法,寻找各自的初始最优孤岛划分方案,其流程如图4所示。
具体寻优过程主要分为以下两部分。
(1)形成支路数组。
以电源代理所在节点为根节点,读取节点度数,即根节点的分支数,形成支路数组集S=[S1,S2,…,St],各支路数组为空集,然后按深度优先搜索原则进行搜索,此时将可控负荷和部分可控负荷的可控部分置零,当搜索到末端节点或融入某一节点后,负荷功率超出电源功率,则停止搜索,形成最大可能供电区域,如图5所示,然后进行回溯,形成一系列可行的恢复路径,生成支路数组Si。图5中电源节点①的度为2,通过以上过程得到支路数组S1、S2分别为:S1=[0,①,①②,①②③,①②③④,①②⑥,①②⑥⑦,①②③⑥,①②③⑥⑦,①②③④⑥,①②③④⑥⑦],S2=[0,⑧,⑧⑨,⑧⑨⑩]。
各数组元素中补入0元素,使其在元素组合时形成的单向路径上的恢复方案不被忽略,这样通过元素的相互组合就能得到所有可能恢复路径。其中可能会产生一些不可行方案,但在主程序执行之初,这些方案会被容量约束命令舍弃,对计算时间影响很小。
(2)初始最优方案获取和知识库的形成。
支路数组形成后,各数组相互组合形成满足容量约束的可能的孤岛划分方案,每种方案成为最优解的概率相同,比较目标函数的大小,保留最优方案;其他可行方案放入知识库中,形成替补方案集。通过知识库储存替补方案,可使协调代理在优化过程中,不必全部通过电源代理重新进行前述计算,有时能根据要求从知识库中直接选取所需可行方案,还可检索是否存在目标函数值相同的其他方案。
当方案不满足容量约束时,计算方案内可控负荷功率总量PLMAXc,若PG+PLMAXc-PLtotal≥0则计算切负荷量,其中Pv为方案B中负荷节点NLv的功率,Pg为电源Gg的出力,t为电源数量,G为电源集合。对可控负荷集合中元素先按等级由低到高排序,同等级按相对适应度指标进行排序,依此顺序逐个切负荷,直到满足约束条件,形成可行方案。
3.3 供电恢复方案的协调优化
协调代理负责与各电源代理、信息采集代理和知识库通信,当收到各电源代理上传的方案后,对存在矛盾的方案进行协调优化,工作流程如图6所示,具体协调优化过程如下。
(1)判断是否有需要协调的孤岛,若有,则判断2个孤岛的关系,若孤岛A包含于孤岛B,则转步骤(2);若孤岛A与孤岛B相交则转步骤(3);若两孤岛边界相邻则转步骤(4);否则转步骤(5)。
(2)将孤岛A和B进行合并,其合并后的电源容量为Ph=PA+PB,其中PA、PB分别为孤岛A、B的电源容量。协调代理将Ph赋给较大电源点,例如孤岛A电源点GA,同时将较小电源点置0,更新电源容量,并对电源点间线路阻抗置0,协调代理发送重新寻优命令给相应电源代理,形成新的初始方案,更新知识库。若新方案中没有包含容量较小的电源节点,则从知识库中选择包含较小电源节点,且目标函数值最大方案为新的最优初始方案,并转步骤(1)。
(3)将交叉负荷由孤岛A(或B)供电,协调代理访问知识库,从孤岛B(或A)的电源代理形成知识库中,选择不包含交叉节点且目标函数最大的恢复方案。比较2种情况下最优方案的目标函数之和,选择和较大的供电方案,形成新孤岛A′、B′,并转步骤(1)。
(4)如果两孤岛中电源皆含虚拟DG,则将两孤岛边缘相邻节点间在邻接矩阵对应元素置0,再判断与其他孤岛的关系,并转步骤(1),否则转向步骤(2)。
(5)形成恢复方案,各孤岛以最大电源节点为平衡节点,进行潮流计算。若结果不满足孤岛功率约束,则优先将方案中等级较低的部分可控负荷切除,直到功率平衡得到满足。
4 算例分析
4.1 算例1
以美国PG&E69节点算例进行仿真,具体参数见文献[18],在母线5、32、36处接入DG,3处DG平均输出功率分别为50 k W、250 k W和50 k W,相邻馈线联络开关在节点19、65接入,称为虚拟DG1和DG2,其输出功率分别为400 k W、100 k W。一级、二级、三级负荷单位权重分别取为100、10、1,负荷等级和可控性如表1所示。综合考虑各分量的重要程度和指标意义的表达,根据经验λ1、λ2分别取0.4和0.6,线路2-3处发生了三相接地故障,经故障隔离,故障下游的系统失电。以各DG代理所在节点为根节点,同时进行恢复,具体过程如图7所示。
通过改进的深度优先搜索形成各自以最大供电半径为约束的可行解区域,同时生成支路数组;通过等可能路径组合形成初始恢复方案,见图7中的C。
电源代理形成初始恢复方案和知识库后,启动协调代理判断各孤岛间关系,发现DG1恢复节点包含于DG2中,协调代理将两孤岛合并,形成电源代理联盟,按3.2节算法重新形成新方案,最终结果如图7中的部分D所示。
将本文划分结果和文献[16]方法所得结果(见图8)进行对比,本文恢复电量847.11 k W,其中一级负荷413.82 k W,占一级负荷总量的100%,文献[16]方法恢复电量795.1 k W,其中一级负荷389.82 k W,占一级负荷总量的94.2%。
文献[16]在形成初始孤岛时,不能充分利用方案内的可控负荷,只能借助初始方案边缘可控负荷优化方案,且在恢复方案形成过程中,对恢复负荷的选取缺乏选择性,如在馈线1形成的恢复方案中,恢复了三级负荷节点13中的部分负荷和离电源点较远的二级负荷节点58,对于离电源点很近的二级负荷节点21,只有16.5 k W得到恢复,显然此恢复方案不仅舍近求远,而且保留低等级负荷而切除高等级负荷,方案并非最优。本文方法在寻优到此方案时,虽然电源容量为400 k W,负荷总量为497.5 k W,但其中包含负荷节点13、21、58共150 k W的可控负荷,所以在切除部分可控负荷后方案满足容量约束。首先按负荷等级对可控负荷进行排序,对于负荷等级相同的二级负荷节点58、21,其相对适应度值为20.363,远大于1,即切除离电源点较远的节点58的负荷对方案安全性和经济性贡献较大,故切除顺序为三级负荷节点13、二级负荷节点58、二级负荷节点21。最终节点13、58的负荷被全部切除,节点21的部分负荷得到恢复。此方案在保障重要负荷优先供电前提下,减少长距离输电,避免节点电压和支路电流发生越限,尽可能地保障了电网的经济和安全运行。
4.2 算例2
本文采用改进的IEEE 69节点系统[18],在母线25、31、65处接入DG,平均输出功率分别为50 k W、50 k W、90 k W。相邻馈线联络开关分别在节点15、45接入称为虚拟DG1和DG2,其输出功率分别为300 k W、100 k W,负荷等级和可控性如表2所示。综合考虑各分量的重要程度和指标意义的表达,根据经验λ1、λ2分别取0.4和0.6,其他参数与算例1相同,线路2-3处发生了三相接地故障。
电源代理以节点15、25、31、45、65为根节点进行初始孤岛划分,然后通过协调代理对方案进行协调和优化。
DG3在循环结束后,发现知识库中存在和最优解目标函数值相同的另两组恢复方案,如表3所示。
由表3可知,3组方案所得目标函数均为3049.2,但方案2风险度最小,是DG3的初始最优方案,原因在于:对于方案1和方案3,由于节点63和64间的阻抗值为0.7283+j 0.850 9Ω,节点64和65之间阻抗值为0.3100+j0.3623Ω,相对于节点66、67、68之间的阻抗大很多,但节点62为一级负荷,即要在恢复节点62的同时尽量减少这些线路上输送的功率;方案2舍弃了功率流经这些线路的负荷节点60,并切除节点63负荷,转而恢复阻抗较小的节点67、68、69。相对于方案1,方案2避免负荷集中在电源点一侧,而是尽量均匀分布在电源点周围,增强了电网的运行安全。由于节点63相对于节点69负荷的相对适应度值W为6.9388,故优先切除节点63负荷。
形成的初始方案中,虚拟DG1和DG2形成的恢复方案在节点9、10出现相交,由于不满足配电网放射性约束,协调代理需要对存在的矛盾进行协调,协调方案和结果如表4所示。
协调代理对上述2种方案进行协调,从各执行层代理形成的知识库中选出不包含节点9、10,且目标函数最大的恢复方案,方案1得到的总目标函数值为13 860.9,大于协调方案2的10 319.8。协调方案1为最终恢复策略,其恢复结果如图9所示。
协调后各孤岛间没有出现再次交叉的情况,此方案为当前配电网下的全局最优方案。其中可控负荷节点63被全部切除,节点16、26、33、43以及68得到部分恢复(分别为21.5 k W、2.6 k W、4.4 k W、13.5 k W和19.5 k W),孤岛内其余负荷均得到全部恢复。
5 结论
随着智能电网的发展和自动化水平的提高,对负荷的管理能力日益增强,可控负荷的种类和容量不断增加,在故障状态下系统供电恢复能力不足情况下,充分利用可控负荷变得尤为重要。但可控负荷的加入增加了恢复方案的多样性和形成过程的复杂性。对此本文提出等可能路径组合寻优策略对基于多代理技术的含DG配电网短时故障进行恢复,并通过配电网网络简化处理,实现了配电网馈线间备用联络线和非故障失电区DG协调供电。与其他文献的策略结果对比表明:采用负荷相对适应度指标和风险度指标对可控负荷进行合理投切,可以优先恢复重要负荷的供电,减少远距离供电和实现均匀分配供电,从而保障了恢复过程中电网运行的经济性和安全性。同时,基于多代理技术的独立性和协调功能,避免大范围全网络的复杂优化计算过程。算例验证了该方法的有效性和优越性,对配电网失电后的静态安全调度有一定指导意义。
电源负荷 篇5
随着节能减排工作力度的加大, 以可再生能源为主的各类分布式发电在配电网中的渗透率越来越高。由于分布式电源 (DG) 具有独立供电的能力, 在配电网因故障而停电之后, 若能充分利用DG独立、快速的供电能力 (即孤岛运行能力) , 实现停电区域中非故障网络及重要负荷的快速恢复供电, 对于提高配电网的供电可靠性, 以及减少停电损失具有重要意义[1]。
对于含DG的配电网故障后, 如何充分利用DG的孤岛运行来实现系统的故障恢复, 首先值得说明的是该文章所涉及的DG具有独立运行能力[2] (即可以独立带负荷运行) , 各界学者提出了不同的配电网孤岛划分方法, 其方法大致可分成两类。
第一类不计DG出力的波动性及负荷需求的不确定性。此类方法通常先根据故障后失电区内的DG分布形成初始孤岛划分方案, 之后再对方案中的每个孤岛进行安全性校验, 进而确定最终的孤岛划分方案。文献[3]以功率最大的DG为根节点建立功率树, 结合连通性约束和放射性约束, 用隐枚举法在不考虑网损的情况下进行优化求解获得初始划分方案, 然后在计及网损条件下通过对每个孤岛进行静态生存性约束校验来修正恢复供电的负荷量, 从而得到最终的孤岛划分方案。文献[4]分别以DG为中心, 通过功率圆遍历的方法确定恢复等值有效负荷最大的孤岛方案。但当DG较多时, 以不同DG为中心的功率圆会存在相互重叠的可能, 相交区域内负荷的不同归属判定将会得到不同的孤岛划分方案。文献[5-6]分别利用基于树背包理论的分支定界算法和深度优先动态规划算法, 并采用“搜索+校核”策略, 实现了最优孤岛的划分, 其孤岛划分的最优性具有较强的理论支撑。文献[7]从DG最优源点开始, 根据节点电压约束、支路潮流约束与无电磁环网约束, 逐条线路扩展供电范围, 当约束条件不能满足时即完成一个源点的扩展, 当所有的源点扩展结束时即完成了孤岛划分。文献[8]将含有DG的配电网故障恢复分为三个阶段, 一是DG网络孤岛的形成, 主要通过分支定界的方法来搜索形成最优孤岛, 然后在孤岛形成的基础上将剩余网络进行扩张合并, 最后将扩张后的孤岛与大电网进行同步来实现最优恢复, 偏重于大电网的整体恢复, 效果好但所需时间长;文献[9]将孤岛恢复分为两阶段, 第1阶段利用分支定界的方法求解以DG为根节点的树背包问题, 第2阶段对孤岛安全进行校验。该类方法由于未考虑DG出力的波动性和负荷需求的不确定性, 采用该类方法所得到的孤岛划分方案无法兼顾供电的可靠性和经济性, 只是近似方案。
由于实际运行过程中, DG出力和负荷变化会改变系统节点的电压和系统的网损。当然在故障系统恢复过程中, 由于DG出力和负荷固有的不确定性给故障系统的恢复和孤岛的安全运行问题带来了很多不确定性的问题, 如果不考虑这些不确定性因素而仅仅以确定值或者均值的形式来处理显然只是近似结果, 在故障系统恢复结果中往往存在很大误差。考虑DG和负荷的不确定因素目的是为了在故障时刻能按最大概率的最优孤岛进行恢复, 从而可以大大减少系统失电负荷量, 提高系统的安全稳定运行能力。由此引出了第2类方法, 即计及DG出力的波动性及负荷需求的不确定性的故障恢复。
目前该类方法的研究处于起步阶段, 相关文献相对比较少。文献[10]提出了一种孤岛划分方法。该方法的具体过程是将DG出力和负荷需求功率用区间函数描述, 并通过馈线分区和待恢复树的最优切割来实现故障停电网络的快速恢复供电。该方法计及了分布式发电的波动性及负荷需求的不确性, 其所得的最优方案更符合实际;但由于馈线分区和待恢复树的最优切割操作相对比较繁琐, 有待进一步提高其效率。文献[11]只考虑了风电这一种分布式发电, 并根据统计分析将风电出力划分为3种状态并根据每一出力状态的概率, 得到风电出力期望, 进而基于风电出力期望, 构造以系统有功网损期望值最小为目标的优化模型, 确定最佳孤岛。该文虽考虑了风电出力的随机性, 但并未考虑负荷需求的不确定性及网络结构的优化, 模型过于简单。
基于以上综述, 本文提出了计及DG出力波动性和负荷需求不确定性基于树背包理论的最优孤岛划分新模型及相应求解方法。本文方法的基本思路为:本文首先构造了DG出力波动性和负荷需求不确定性基于树背包理论的最优孤岛划分新模型;进而, 针对模型中含有的DG出力和负荷需求的不确定性, 采用拉丁超立方抽样方法[12]对DG出力和负荷需求进行N次抽样, 从而将不确定性的树背包模型转换为一系列的确定性树背包模型, 并采用“搜索+调节”的策略对相应确定性模型进行求解, 得到一系列的孤岛划分方案;然后通过2个阶段的操作及统计计算获得初始孤岛方案:第1阶段采用统计方法确定每一DG的DG组合归属, 即孤岛归属;第2阶段根据第1阶段所确定的每一DG归属孤岛, 确定每一孤岛中最有可能的负荷;从而得到初始的孤岛划分;最后, 对每个初始孤岛在考虑孤岛重构的基础上采用基于随机最优潮流的优化调整, 通过优化调整而保证DG孤岛运行的最优性、安全性和经济性[13,14,15,16,17,18,19]。
需要指出的是, 由于以光伏及小风电为代表的分布式发电的出力具有很强的不确定性, 再加上负荷需求本身也具有很强的不确定性, 因此, 若不考虑其不确定性, 很显然所得到的孤岛至多是一近似孤岛, 在这种情况下所得到的孤岛发电出力及负荷需求之间的平衡不易达到, 或者平衡时间很短, 故其实际上无法进行正常运行;而在孤岛划分时, 若计及分布式发电出力及负荷需求的不确定性, 孤岛的实时功率平衡问题就相应容易解决的多, 相应地孤岛也更有实际意义。
1 计及DG出力和负荷不确定性的树背包孤岛划分模型
本文的负荷模型考虑如下特性: (1) 负荷重要性, 即分一级负荷、二级负荷、三级负荷, 并对每一级负荷附以不同的权重系数wi; (2) 负荷的可控性, 若节点L所连负荷PL中可控和不可控负荷所占比例分别为a和b (a+b=1;a≥0, b≥0) , 若a>0, 设置一个附加节点通过带开关的支路与节点L相连, 其负荷值为aPL, 其负荷重要性等级与节点L的相同, 而节点L所直接带的负荷变为单纯的不可控负荷bPL。
在计及DG出力波动性及负荷需求不确定性的前提下, 含DG的配电网孤岛划分的目标是在满足相关约束条件下使岛内所包含负荷点的等值有效负荷之和最大, 为一随机优化问题, 在文献[5-6]不计及DG出力不确定的有根树孤岛最优划分模型的基础上, 本文建立计及DG出力波动性及负荷需求不确定性的最佳孤岛划分模型为:
式中:n为树模型中节点的最大编号, 根节点的编号为0;V为系统所有节点的集合;G为系统中所有DG节点的集合;Ii为第i个独立孤岛的节点集合, 独立孤岛的总数为z;为配电网中节点v的随机负荷需求;为树中节点v的等效负荷值, 对于负荷节点 (wv为节点v的负荷优先级权重) , 对于DG节点和网络中连接节点wv=0, 相应的为第i个独立孤岛内的线路损耗;xv表示树中的节点v是否被选入最优孤岛方案中, 若节点v被选中, 则xv=1, 反之, 则xv=0;PA为孤岛中DG的备用容量, PA=PG-PL, 其中为孤岛的最大容量, PRatedd为非可再生能源DG (即其一次能源不是可再生能源, 比如天然气等) 的额定功率, PEr为可再生能源DG出力的期望值, SNR和SR分别为孤岛内非可再生能源DG、可再生能源DG的集合, 为孤岛Ii中期望值的和, 为配电网中节点v的负荷需求的期望值;γ为孤岛中备用容量占负荷总量的比例槇;Vminv, Vmaxv, 分别为节点v的电压幅值允许下限、上限及当前电压值 (为随机数) ;下标av为节点v的父节点;分别为支路av-v电流值 (为随机数) 及该线路允v许最大电流值。
式 (1) 该模型以流出节点功率为正, 目标函数表示孤岛中供电等效负荷最大;第1个约束保证孤岛内总负荷和线路损耗之和不大于孤岛内所有DG平均输出功率的总和, 即为背包约束;第2个约束说明所有的DG节点都被选中, 即归属于某一孤岛;第3和第4个约束表示对于任意非DG节点v, 如果v被选入相应孤岛中, 则v必与至少一个DG节点g相连接, 且v与g之间链上的所有节点都将被选中;第5个约束表示系统的备用容量不小于总负荷的一定比例;最后两个约束表示任一孤岛中网络节点电压及支路电流约束。
若式 (1) 中的DG出力及负荷需求为确定值时, 该模型即为确定性树背包模型, 文献[5-6]提出了有效求解策略。对于式 (1) 的不确定随机优化模型, 类比于确定性树背包优化模型, 本文称之为“不确定树背包孤岛划分优化模型”。
2 不确定树背包孤岛划分优化模型的求解
对于式 (1) 模型的求解, 迄今并没有相应求解算法, 本文基于拉丁超立方抽样方法[10,12]与确定性树背包求解方法[6]的结合, 提出了计及不确定性的树背包问题的求解方法。其大致思想为:首先针对模型中DG和负荷随机变量的概率分布, 采用拉丁超立方抽样方法对其进行N次抽样, 将不确定性的树背包模型转换为确定性树背包模型, 并采用确定性树背包孤岛划分求解策略[6]对模型进行求解, 从而得到每次抽样对应的孤岛划分方案;然后根据每个孤岛所包含的DG组合, 构成非重复性DG组合集合 (每一DG仅属于一个DG组合, 这些DG组合的并集等于配电网中所有DG所组成的集合) , 并统计每个DG组合在所有孤岛中出现的次数, 其出现次数最多者即为每一DG的归属孤岛;统计每一负荷在各个初始孤岛中的出现次数, 其出现次数最多的初始孤岛即为该负荷的归属孤岛, 从而完成了初始孤岛划分;最后, 对每个初始孤岛在考虑孤岛重构的基础上采用基于随机最优潮流的策略进行优化调整, 实现孤岛运行的最优性、安全性和经济性。本文求解思想如图1所示。
2.1 初始孤岛的划分
计及DG出力和负荷不确定性的初始孤岛的划分涉及随机变量的拉丁超立方抽样、初始总孤岛集合的确定、N次抽样非重复性DG组合的确定、DG归属孤岛的确定、孤岛中负荷的确定等过程, 其具体过程如下。
1) DG出力和负荷功率组成K个随机变量序列{X1, X2, …, XK}, 其中前K1个随机变量表示K1个DG的出力, 剩余的K2个随机变量表示K2个负荷节点的负荷需求。
2) 对K个随机变量{X1, X2, …, XK}, 分别根据其各自服从的分布函数用拉丁超立方采样方法进行N次分层采样, 从而得到各自的N个采样值, 具体过程为:若Xk为其中任一个随机变量, 且其累积概率分布函数为Yk=Fk (Xk) , 将曲线Yk=Fk (Xk) 的纵轴分成N个等间距不重叠的区间, 对于第i个区间, 把其中点yk, i作为曲线Yk的第i个采样值点, 然后用函数Yk=Fk (Xk) 的反函数来计算该采样值点的横坐标xk, i, 即xk, i=Fk-1 ( (i-0.5) /N) , Xk的N个采样值形成一个N维行向量[xk, 1, xk, 2, …xk, N]。当K个随机变量采样结束之后, 可得到K个由采样值组成的N维行向量, 这K个行向量形成初始采样矩阵如下:
3) 为了消除各随机变量采样值之间的相关性, 对初始采样矩阵Z0重新排列而得到有效的采样矩阵Z, 其操作过程为:形成K×N阶随机顺序矩阵SE=[SE1, SE2, …, SEK]T (其中SEk (k∈{1, 2, …, K}) 为由1~N的N个不重复随机整数组成的行向量) ;然后对矩阵SE的行向量进行Gram-Schmidt序列正交变换, 以消除其相关性, 变换之后的顺序矩阵仍记为SE, Gram-Schmidt序列正交变换的具体过程见附录A;按照顺序矩阵SE的行向量SEk (k=1, 2, …, K) 中的元素对初始采样矩阵Z0的相应第k行元素进行重新排列;Z0的所有行向量中的元素均重排之后即得到采样矩阵Z, 其过程如下。
步骤1:初始化行号k=1, 列号i=1。
步骤2:依据SE的行向量SEk中的第i列对应的元素SEk, i, 将初始采样矩阵Z0中第k行第i列的元素xk, i置于矩阵Z的第k行第SEk, i列的位置。
步骤3:ii+1, 重复步骤2直到将矩阵Z0第k行的所有元素完成其位置的重新排序。
步骤4:kk+1, 重复步骤2和3, 直到k=K+1, 即已完成Z0中所有元素的重新排列, 并把得到的采样矩阵记为矩阵Z。
4) 把Z的每一列元素 (共N列) 分别作为DG出力及负荷需求, 并进行相应的孤岛划分计算, 得到N个孤岛集合ISi (i={1, 2, …, N}) , 即, 集合中的元素孤岛Sil由DG和负荷组成, 即 (其中DGnj为故障后失电区网络中编号为nj的DG的标识;nj (j=1, 2, …, B) 为失电区DG的编号;B=igl为孤岛Sil所包含的DG个数;其中的PLmk为故障后失电区系统中编号为mk的负荷节点的标识;mk (k=j=1, 2, …, D) 为失电区网络中负荷节点的编号;D=idl为孤岛Sil所包含的负荷节点的总个数) ;这N个孤岛集合ISi (i={1, 2, …, N}) 组成初始总孤岛集合U0。其形成过程如下。
步骤1:初始化i=0。
步骤2:i→i+1。
步骤3:从矩阵Z抽取第i列中的元素组成序列, 即{x1, i, x2, i, …xK, i}, 把该序列中的前K1个元素分别作为K1个DG的出力, 剩余的元素分别作为相应负荷节点的负荷需求。
步骤4:在DG出力及负荷需求均为确定性情况下, 式 (1) 随机优化模型转化为如式 (3) 所示的确定性优化模型。其中:cv, 均为确定性变量, 表示一个定值, 即将不确定性的背包问题转化为确定性的含多DG的配电系统孤岛划分问题。
采用文献[6]所提出的两阶段“搜索+调节”的策略来求解含多DG的确定性最优孤岛划分问题, 其具体过程请见附录B和C;从而得到第i次抽样形成的Li个孤岛, 这Li个孤岛组成了第i个孤岛集合ISi;孤岛中的各个DG组合分别组成集合。
步骤5:若i等于N, 则N次抽样孤岛划分结束;N个孤岛集合IS1, IS2, …, ISN组成初始总孤岛集合U0, 即U0={IS1, IS2, …, ISN}, 转向5) ;否则, 转向步骤2。
5) 确定N次抽样所形成的初始总孤岛集合中所有非重复性DG组合的集合G0= (G1, G2, …, GF) 。其中F为N次抽样所形成的所有非重复性DG组合的数量。
步骤1:将第1次抽样所形成的孤岛集合IS1中的各个孤岛所包括DG组合作为初始DG组合集合, 即G0= (G11, G12, …, G1L1) , 并令Gk=G1k (k=1, 2, …, L1) , 得到G0= (G1, G2, …, GL1) ;令表示第m个DG组合出现次数的计数变量qm=1 (m=1, 2, …, L1) 及F=L1, i=1。
步骤2:i→i+1;若i大于N, 则转步骤5;否则, 转步骤3。
步骤3:l=1。
步骤4:若Gil∈G0, 把Gil在集合G0中的所在顺序位置不妨记为j (从第1个元素算起, 其位于第j (j=1, 2, …, F) 个元素) , 则qj→qj+1;否则, F→F+1, GF=Gil, qF=1。l→l+1, 如果l>Li, 则转步骤2, 否则返回步骤4。
步骤5:得到了N次抽样所形成的所有非重复性DG组合集合G0= (G1, G2, …, GF) 及其中每个DG组合Gj (j=1, 2, …, F) 在N次抽样中的出现次数qj (j=1, 2, …, F) , 转向6) 。
6) 按N次抽样中各个孤岛所包括的DG组合出现的次数来确定最有可能的DG组合, 而每一最有可能DG组合也就相应确定了所有DG的初始归属孤岛集合UG。集合UG满足条件:nj, DGnj属于唯一的集合UGt (t=1, 2, …, T) 。集合UG的形成过程如下。
步骤1:将G0= (G1, G2, …, GF) 中的元素按其在N次抽样中的出现次数qj (j=1, 2, …, F) (如果次数相同则按G0中的顺序) 降序排列形成新的DG集合, 并仍记为集合G0= (G1, G2, …, GF) ;由于在G0的所有元素中, G1的出现次数q1值最大, 相应地集合UG1=G1, j=1, T=1。
步骤2:j→j+1, 如果G0中第j个元素Gj所含DG都未在UG1~UGT集合中出现过, 则T→T+1, 且UGT=Gj;否则, T→T+1。如果j<F转步骤2;否则, 转步骤3。
步骤3:判断系统所有的DG是否均已经包含在集合UG1~UGT中。如果是, 则转步骤4;否则转步骤2。
步骤4:得到集合UG= (UG1, UG2, …, UGT) , 其中的每一元素所包括的DG即为最有可能出现的初始孤岛中所包括的DG, 相应地每一DG的初始孤岛归属即已确定。
7) 进一步确定N次抽样中负荷节点最有可能的归属孤岛。令Ut=UGt, 同时令累计负荷出现次数初始值qt, mk=0 (t=1, 2, …, T;mk=1, 2, …, K2) ;所有负荷归属孤岛的确定过程如下。
步骤1:令i=1, l=1。
步骤2:若孤岛Sil中所包括的DG组合Gil等于DG归属集合UG中的某一元素UGt (t=1, 2, …, T) , 即各自所含DG完全一致, 则将Sil包含的所有负荷PLmk (PLmk∈Sil, k∈{1, 2, …, D}) 各自对应的qt, mk→qt, mk+1;然后l→l+1;如果l>Li, 转向步骤3;否则, 返回步骤2。
步骤3:i→i+1;如果i>N, 则转向步骤4, 统计负荷节点在孤岛中的出现次数;否则, 令l=1返回步骤2。
步骤4:mk=1。
步骤5:计算负荷在N次抽样中没有被任何孤岛包含的总次数, 如果负荷在第t号孤岛出现的次数大于其未被任何孤岛包含的总次数, 并且占抽样次数N的40%以上, 即且, 则将负荷加入集合Ut中, 即;否则, 负荷不能被任一孤岛恢复。
步骤6:mk→mk+1;若mk>K2 (负荷总数) , 则转步骤7;否则转步骤5。
步骤7:得到包含DG和负荷节点的初始孤岛集合U={U1, U2, …, UT}。
8) 初始孤岛集合的合并及调整:合并所有相邻一个支路的孤岛, 即两个孤岛可以通过一条支路直接连接, 以及包含同一负荷节点的孤岛, 使之成为一个大的孤岛。对已得到的孤岛, 若DG总出力的期望值和节点总负荷的期望值的差 (即孤岛剩余出力) 超过设定门槛值Δ, 则将该孤岛周围具有最高优先级的可控负荷点添加进该孤岛来, 直到孤岛的剩余出力功率接近于0。
经过上述步骤, 得到了初始孤岛集合, 其过程如图2所示。
2.2 初始孤岛的重构、安全校验和调整
在确定了每一孤岛的DG集合及负荷节点集合之后, 基于该孤岛中可控支路 (即支路中包括有开关) 的连接关系和电容器分布, 本文采用优化技术进一步确定该孤岛的网络结构, 及保证孤岛安全运行的每一DG出力, 节点负荷值。孤岛Ut (t∈{1, 2, …, T}) 的优化模型如式 (4) 所示。
式 (4) 的目标函数表示孤岛Ut内切除等值有效负荷量的期望值最小。其中的第1和第2个约束分别表示孤岛的有功、无功潮流约束;第3个约束表示投切电容器大小的约束;第4至第7个约束表示孤岛Ut内DG的有功出力、无功电源的无功出力、节点电压、支路视在功率分别以不小于相应槛值的概率满足其上下限约束;第8至第11个约束是为了保证重构后孤岛的网络结构满足辐射状, 第8个约束表示如果支路i-j是现状树中的树枝, 则γij=1, 同时也表示节点i, j中必有一个是另外一个的父节点, 否则γij=0, 第9和第10个约束表示除根节点外, 每个节点都只有一个父节点对其输送功率, 根节点没有父节点, 第11个约束为保证网络为辐射约束的必要条件;第12个约束表示模型中的节点i, j都属于孤岛Ut。
式中:为切除节点l负荷量的期望值, 其中为切负荷之前节点l原负荷量的期望值, 为当前系统节点l负荷的期望值;ωl为孤岛中节点l的负荷权重;分别为节点i处的无功电源出力和无功负荷, 均为随机数;gij和bij分别为节点i, j之间互导纳的实部和虚部;为线路i-j上相角差, 为随机数;βij表示节点i和j的关系, βij=1表示节点j是节点i的父节点, βij=0表示节点j不是节点i的父节点;Pr (·) 为不等式成立的概率;pGP, pGQ, pS, pu分别为DG有功出力、无功电源出力、线路视在功率、节点电压位于其约束区间的置信水平;分别为支路i-j的视在功率及最大允许值;Ht为初始孤岛Ut中所包含的节点总数减1, 即为其支路数。
式 (4) 为计及DG出力、节点负荷随机性和网络重构的随机最优潮流问题。对于不含有联络开关的孤岛, 即孤岛中的每一支路只含有一个开关, 相应孤岛网络结构无法更改否则会出现孤立网络, 所以该类孤岛无需考虑孤岛的重构问题, 只涉及孤岛中的机组出力及负荷需求优化问题;对于含有联络开关的孤岛, 由于联络开关的不同开合, 会产生不同的网络结构, 相应孤岛的优化模型的求解为计及孤岛重构[20,21]的最优随机潮流计算。
2.2.1 不含联络开关的孤岛优化模型的求解
本文采用随机潮流和灵敏度校正的相结合方法进行求解。其步骤为:首先对每个初始孤岛采用文献[13]中所述的随机潮流的方法进行计算, 便可得到孤岛中所有节点的有功出力、无功出力、节点电压、线路视在功率等的均值和方差。然后根据各自服从的分布, 分别将其表示成置信水平为pGP, pGQ, pu, pp, pq的置信区间的形式, 并检验它们是否满足各自对应的约束上下限, 如果满足则说明孤岛能安全运行, 无需进行其他操作;否则, 采用灵敏度技术调整孤岛中各个DG的有功和无功出力、电容器投入和负荷节点的负荷值[17], 以消除相应越限。
2.2.2 含联络开关的孤岛优化模型的求解
本文采用网络结构优化+网络状态优化的分步求解策略进行求解, 其过程如下。
1) 为了确定最佳网络结构, 本文基于树枝交换的Mayeda生成树策略[18], 确定孤岛的网络结构。其过程如下 (对于没有安装开关的支路无法进行相应的开断操作, 则把其选为树支且不参与树支交换, 此时仅对含有开关的支路进行树支交换并定义为可交换支路) 。
步骤1:该孤岛的所有开关都闭合时构成图G, 选定初始网络结构作为初始树, 记为t0, , 其中为NB条可交换树枝。
步骤2:从基本树t0出发, 按照树支交换规则 (交换规则为:对于t0中的每个树枝ei, 用ei基本割集中的连枝分别进行替换, 即断开选定的树枝, 闭合连枝) 生成互不相同的且与树t0距离为1的所有树, 进而生成与基本树t0距离为2的所有互不相同的树, 依此重复进行, 直到生成与基本树t0距离最大的 (该距离记为Dmax) G的所有树, 所有这些树就组成了图G的完整树集合Tall, 其元素个数不妨记为, 即对应着孤岛的种网络结构。需要指出的是, 由于配电网中联络开关不多, 且由于分布式发电的出力一般均比较小, 网络中的节点及支路均比较小, 故数量一般不大。
2) 对每个生成树确定的网络结构 (共WNB种) , 分别采用随机潮流和灵敏度校正方法 (其步骤和2.2.1节中不含联络开关孤岛模型的求解步骤相同) 确定相应最少负荷切除量, 其最少者所对应网络即为最佳网络, 相应DG出力及负荷需求即为该最佳网络安全运行所对应的出力及所供给的负荷。
3 算例分析
本文的算例系统为通过对美国PG&E 69节点配电系统的部分节点上添加DG而构成。该系统的网络参数可参考文献[22], 网络结构如图3所示, 系统额定电压为12.66kV。DG1至DG6的出力和负荷均满足正态分布;DG1至DG6出力的期望分别为120, 160, 400, 1 300, 40, 150kW, 方差均为出力期望的10%;各负荷需求的期望值如附录D表D1所示 (表中未列节点的负荷预测均值为0) , 方差为其对应负荷期望值的10%。负荷的优先级和可控类型如附录D表D2和表D3所示。1, 2, 3类负荷的权重分别取为100, 10, 1。
该系统在线路1-2处发生了三相接地故障, 经故障隔离, 故障下游的系统失电。利用本文方法进行失电网络的最佳孤岛划分和恢复, 其具体步骤及结果如下 (抽样次数N=100) 。
1) 首先对系统中的DG1至DG6的有功出力和节点1至69的有功负荷按其服从的分布进行抽样, 并经过相应变换最终形成75×100阶的有效采样矩阵Z (75表示69个负荷节点的有功负荷加6个DG的出力) , 进而将考虑DG和负荷不确定性的随机优化问题转化为N次的确定性问题的求解。
2) 对以上确定性问题的求解采用附录C的树背包理论的方法, 循环N次而得到N种孤岛划分方案, 即N次抽样结果构成的初始总孤岛集合U0。
3) 孤岛中DG集合的确定:对初始总孤岛集合U0统计后可得孤岛中的非重复DG组合集合G0= ({DG1, DG2, DG5}, {DG3}, {DG4}, {DG6}, {DG1, DG2, DG6}, {DG5}, {DG1, DG2, DG5, DG6}) , 且每一组合在N次抽样中的出现次数分别为38, 100, 100, 38, 52, 52, 10次, 同时将G0中的元素按其在N次抽样中的出现次数降序排列形成新的DG集合G0= ({DG3}, {DG4}, {DG1, DG2, DG6}, {DG1, DG2, DG5}, {DG5}, {DG6}, {DG1, DG2, DG5, DG6}) ;由于DG的归属孤岛集合UG不包含重复的DG, 由此可得UG= ({DG3}, {DG4}, {DG1, DG2, DG6}, {DG5}) 。
4) 负荷节点的确定:统计每个负荷分别在DG组合为{DG3}, {DG4}, {DG1, DG2, DG6}, {DG5}的孤岛中的出现次数以及不能通过孤岛恢复的次数, 并将该负荷节点归入出现次数 (该出现次数大于40次, 否则负荷节点不能通过孤岛恢复) 最多的孤岛;经过以上操作可得初始孤岛集合U= ({DG3, 12~20, 57, 58}, {DG4, 50~52}, {DG1, DG2, DG6, 2~9, 40~42, 36, 28, 59~69}, {DG5, 30~35}) 。同时分别将{DG3, 12~20, 57, 58}, {DG4, 50~52}, {DG1, DG2, DG6, 2~9, 40~42, 36, 28, 59~69}, {DG5, 30~35}所构成的孤岛命名为Ⅰ, Ⅱ, Ⅲ, Ⅳ号孤岛 (集合U中的数字为69节点系统中负荷节点的标记) 。
5) 对已形成的4个孤岛检测孤岛剩余功率, 可发现Ⅰ, Ⅱ, Ⅲ号孤岛存在剩余功率, 同时考虑负荷节点的优先级和可控性可作出如下调整:将节点21的70%的负荷 (包括60%的不可控负荷和10%的可控负荷) 并入{DG3, 12~20, 57, 58}即Ⅰ号孤岛中;节点53的20kW的可控负荷并入Ⅱ号孤岛;节点29所有负荷并入{DG1, DG2, DG6, 2~9, 40~42, 36, 28, 59~69}即Ⅲ号孤岛中, 经过调整阶段, 节点21的部分负荷、节点53的部分负荷、节点29的全部负荷得到恢复。最终系统经孤岛的恢复情况如图4所示。
6) 孤岛的重构、安全校核及调整:对已形成的4个孤岛分别构建以有功、无功潮流约束和发电机有功出力、节点电压及线路传输功率在在约束区间内的概率大于相应槛值90%的随机最优潮流模型。节点39~48, 15~69, 11~66, 54~27之间存在联络开关, 根据形成的孤岛和联络开关的位置可以确定仅有Ⅰ号孤岛存在联络开关13-20, 需要考虑重构, Ⅱ, Ⅲ, Ⅳ号孤岛无需考虑重构。
对Ⅰ号孤岛模型的进行优化求解, 首先形成8种树状结构:闭合所有分段开关, 断开联络开关13-20;闭合联络开关13-20, 分别断开线路13-14, 14-15, 15-16, 16-17, 17-18, 18-19, 19-20上的联络开关形成的生成树。通过求解可得在闭合联络开关13-20, 断开线路13-14的网络结构下系统状态最优, 该种网络结构下的潮流计算结果见附录D表D4:线路传输功率和节点电压未出现越限, 但由于在孤岛划分时未考虑网损的原因, DG3的有功出力置信水平90%的置信区间为[386.6 kW, 423.8kW], 实际DG3有功出力的约束为[0, 420kW], 可知DG3出力的上限越限3.8kW, 由于节点13为可控的三级负荷, 故切除节点13中3.8kW的期望负荷量之后Ⅰ号孤岛便可以正常运行。
其他3个孤岛无需重构, 直接用随机潮流计算可得:Ⅱ号孤岛的潮流计算结果如附录D表D5和表D6所示, 其中51-52和52-53的线路传输功率越限严重, 因此选择切除节点50的部分负荷, 当期望切除负荷量为310kW时, 线路传输功率恢复正常;为了保证孤岛中供需平衡, DG4的有功出力均值需下调到期望值990kW。Ⅲ号孤岛潮流计算结果如附录D表D7所示, 其中DG2的出力区间的上限越限4.089kW, 考虑到节点40为可控负荷负荷, 故切除节点40中期望为4.1kW的负荷, 该孤岛可以安全稳定运行。Ⅳ号孤岛潮流计算结果如附录D表D8所示, 其中DG5的出力的有功出力下限越限0.47kW, 说明发电功率有富裕但是周围没有可控负荷可以恢复, 因此需要适当降低DG5的出力下限使其可以运行在均值为39.53kW的出力水平。
综上所述, 以上孤岛恢复使重要的一级负荷全部得到重新供电, 考虑负荷及DG出力波动性原因, 系统的负荷恢复总量在[1 894.8kW, 2 025.2kW]之间。
同时本算例是采用C++编程实现, 通过多次运算取均值为0.96s, 满足实际的工程需要。
4 结语
本文提出了计及DG出力波动性和负荷需求不确定性基于树背包理论的最优孤岛划分新模型及相应求解方法。本文首先构造了DG出力波动性和负荷需求不确定性基于树背包理论的随机最优孤岛划分新模型;进而, 基于拉丁超立方抽样、确定性树背包算法、数理统计方法, 确定各初始孤岛组成, 包括DG及相应负荷节点;最后, 对每个初始孤岛在考虑孤岛重构的基础上采用基于随机最优潮流的优化调整, 通过优化调整而保证DG孤岛运行的最优性和安全性、经济性。本文方法实现了计及分布式发电及负荷出力不确定性情况下的最佳孤岛的系统性形成方法。由于以可再生能源为主要一次能源的高密度DG的并网是大势所趋, 且其出力具有天生的波动性及间歇性, 因此, 本文的方法具有一定的工程应用前景。
附录见本刊网络版 (http://www.aeps-info.com/aeps/ch/index.aspx) 。
摘要：针对计及分布式电源 (DG) 出力波动性及负荷需求不确定性的配电网孤岛划分问题, 提出了一种基于树背包理论的最优孤岛划分新模型及相应求解方法。所述方法的基本思路为:首先, 构造了DG出力波动性和负荷需求不确定性基于树背包理论的随机最优孤岛划分新模型;进而, 基于拉丁超立方超样方法、确定性树背包算法、数理统计方法, 确定各初始孤岛的组成, 包括DG及相应负荷节点;最后, 对每个初始孤岛在考虑孤岛重构的基础上采用基于随机最优潮流的优化调整, 通过优化调整而保证DG孤岛运行的最优性、安全性和经济性。所述方法实现了计及分布式发电及负荷出力不确定性情况下最佳孤岛的系统形成方法, 能根据实时情况确定最大可能出现的孤岛, 相对于在确定性条件下的孤岛具有更强的可信度。含有多个DG的PG&E 69节点系统的算例验证了所述模型及算法的有效性。
电源负荷 篇6
配网重构技术作为未来实施智能电网的基础,是配电自动化的关键技术之一,其在保障电能质量、降低网络损耗等方面有着重要作用。在研究配网重构的初始阶段,主要以配网的某一项评估指标作为优化目标[1,2],随着研究不断深入,对于单目标重构的研究趋于完善。然而,配网重构实际上是一个复杂的非线性多目标组合优化问题,近期国内外学者对此有一些研究。文献[3]以降低网损和减少开关操作次数为综合优化目标构建配网多目标动态重构模型,阐明了配网重构降损效果同开关操作次数之间的最佳均衡关系,但未考虑电压质量和负荷的均衡度。文献[4]通过负荷均衡和支路交换相结合实现了配网重构的多目标优化,达到了均衡负荷和降低网损的目的,但目标函数中并没有考虑到电压质量。文献[5]结合人工免疫算法与非支配等级概念,同时优化有功损耗和可靠性指标,然而,考虑可靠性后,应该确保有较高的电压质量,因此,有必要将电压质量指标计入目标函数集中。
此外,近年来风电等新能源并网速度的加快,使得配网中不确定性因素显著增加,为了使重构研究更加符合实际情况,在建模优化过程中,需要合理地处理新能源出力等其他不确定性因素。文献[6]建立了基于非支配解排序粒子群算法的多目标配网重构模型,其处理风电和太阳能出力的方法较为简单,没有充分考虑分布式电源(DG)的不确定性。文献[7]采用点估计法处理风电和光伏出力的不确定性,采用自适应粒子群算法求解多目标模型,较好地处理了计及不确定因素的多目标配网重构问题,相比本文采用的场景分析法,其随机模型较为复杂。
基于上述分析,本文首先介绍了场景分析法的2个关键问题,即场景数的确定方法与场景综合指标定义,给出了本文3个优化目标的定义:有功损耗、节点最小电压值、负荷均衡度,构建了多目标配网重构模型。其次,详细介绍了风电机组出力和光伏出力模型,以及对负荷不确定性的处理策略,接着详细介绍了多目标扰动生物地理学优化MDBBO(Multiobjective Disturbance Biogeography-Based Optimization)算法的求解流程。最后,在对多目标算法性能分析的基础上,算例分析了风电和光伏并网以及场景数对多目标网络重构的影响,使得整个网络重构过程更加符合实际情况。
1 基于场景分析法的多目标配网重构模型
1.1 场景数确定策略及方案综合最优性的评价
场景分析法能够高效地解决随机性问题[8]。该方法的核心思想是将不确定性因素转化到确定性场景中来,从而使模型得到简化,提高运算效率。风电、光伏并网后,配网重构中不确定性因素主要来自3个方面:风电机组输出功率、太阳能电池板输出功率、负荷,因而重构模型中选择的场景是以上三者所含场景的组合。本文采用同步回代缩减SBR(Simultaneous Backward Reduction)法对大规模的场景进行削减[9],避免场景组合爆炸,其核心思想是使缩减前后场景集合之间的概率距离最小。对于方案的综合性能,最常用的一种评估方法是:比较基于场景发生概率的目标函数期望值大小[10],如式(1)所示。
其中,ns为削减后的场景数;Pk为场景k发生的概率;Fik为第k个场景下第i个优化方案的综合评价值;Di为第i个优化方案;E[F(Di)]为第i个优化方案的目标函数期望值。
1.2 多目标配网重构模型
(1)配网系统有功损耗表达式为:
其中,Nb为支路数;Rk为支路k的电阻;Pk为支路k的有功功率;Qk为支路k的无功功率;Uk为支路k的末端电压。
(2)电压质量评价指标,使电压最低节点电压最大化,即:
其中,N为节点数。
(3)负荷均衡是指通过网络重构将负荷较重线路上的部分负荷转移到负荷较轻的线路上,该目标定义为系统负荷均衡度指数(SLBI),其值越小越好,用式(4)进行衡量:
其中,Sk为流经支路k的实际电流大小;Skmax为允许流经支路k的最大电流。
针对每个重构方案,计算每一个场景下上述3个指标值,按照式(1)求出每个目标的期望值,按式(5)进行综合,在本文所用的MDBBO算法中,式(5)定义为综合评价指标,用来引导种群进化。
其中,F为栖息地适宜度向量;fi为栖息地第i个目标函数值向量;fi,max、fi,min分别为所有栖息地第i个目标的最大、最小值;Arank为栖息地非支配等级向量;δratio为种群中非支配等级为1的个体所占的比例,迭代前期,支配等级为1的个体较少,支配等级在综合指标中所占比重较大,随着种群迭代进化,非支配等级为1的个体越来越多,支配等级在综合评价指标中的作用降低;w1、w2、w3初始值均设置为1,根据对各目标的重视程度,可以灵活设置权重,三者的和为1。
潮流计算中,还需要考虑以下约束条件:
其中,Umax、Umin分别为配网正常运行时节点电压的上、下限;Skmax为支路k的最大载流量。
2 分布式电源及负荷不确定性的处理
2.1 风机及光伏出力场景划分
图1是风电机组输出功率与风速的关系曲线,其中,vi、vr、vo分别为风机切入风速、额定风速和切出风速,Pr为风机额定输出功率。
目前一般认为风速v服从Weibull分布[11],如式(8)所示。
其中,c和d分别为尺度参数和形状参数,可以根据现场实测风速的历史数据辨识。在已知风速随机分布参数的条件下,可以求出任意风速区间的概率,计算公式如下:
其中,casei表示第i个场景;vn和vm分别为风速场景区间的上、下边界。
太阳光照强度可以近似看成服从Beta分布[11]:
其中,s和smax分别为一时间段内的实际光强和最大光强(W/m2);α和β为一段时间内服从Beta分布的形状参数。
太阳能电池方阵输出功率为:
其中,A为太阳能电池方阵总面积;δ为光电转化效率。
采用与风电机组出力同样的场景划分方法,划分光强区间,根据光强概率密度函数计算不同区间(场景)的概率。
本文将单台风机和单个光伏接入点分别划分为5个典型场景;由于同一地区的风光差异不大,机组选择同种型号,多台机组可以采用单台机组划分场景的策略;输出功率取为相应风速和光强范围内输出功率的平均值。
风电机组和太阳能电池板方阵所在节点可简化处理为PQ节点,并假设可以通过电容器的自动投切保持功率因数不变,则无功功率可按式(12)求得。
其中,ψ为功率因数角。
2.2 负荷不确定性的处理
配电网络中,日负荷曲线、月负荷曲线和年负荷曲线都有较大的波动,随着分布式电源并网,负荷预测更加困难,因此使得配网重构中的不确定性更强。本文将负荷分为3个典型场景:常态负荷场景、低负荷场景、高负荷场景。
3 基于MDBBO算法的求解流程
标准测试函数表明:生物地理学优化BBO[12](Biogeography-Based Optimization)算法具有实现简单、搜索精度高、参数少、收敛速度快等优点。在BBO算法中,主要有迁移和突变2个操作。通过迁移操作可共享栖息地间的信息,共同向着目标方向进化;通过变异操作,能够保障栖息地个体的多样性。
本文在基本BBO算法的基础上,采用扰动迁移算子和余弦迁移模型,根据最小化各子目标的原则设计栖息地适宜度评价指标以引导种群进化,用归档种群保存进化过程中的非支配解,并用循环拥挤距离法对归档种群实时更新,最后用相同体检测策略剔除进化过程中产生的相同解,从而形成MDBBO算法[13],用以解决多目标配网重构问题。由于多目标Pareto解集中不止一个解,本文采用模糊集理论[14]来确定最佳决策解。
3.1 扰动迁移算子
用轮盘赌确定第k个栖息地的第j个变量迁移到第i个栖息地的第j个变量位置后,随机生成k1、k2∈{1,2,…,Np}/{i},Np为种群规模。按式(13)对迁移进行扰动。
其中,η为0~1间的随机数;ceil(·)表示向正无穷方向取整。
3.2 余弦迁移模型
文献[15]对比分析了6个线性和非线性种群迁移模型,标准算例测试结果表明,复杂的迁移模型比线性迁移模型更加符合客观规律,寻优性能更佳。因此,本文使用如图2所示的余弦迁移模型来替换标准BBO算法中的线性迁移模型。由图2可知,当栖息地中物种数较少或较多时,迁入率λ和迁出率μ的变化相对比较平稳,而当栖息地物种数量处于中等时,λ和μ的变化相对较快。该模型的计算公式如下:
其中,I和E分别为最大迁入率、最大迁出率;λk和μk分别为第k个栖息地的迁入率、迁出率。
3.3 网络简化及编码
基于智能算法的配网重构在种群初始化和迭代过程中,将会产生大量的不可行解,即重构后网络拓扑结构不满足辐射状的解。不可行解占据大量的搜索空间,使得常规搜索方法的效率大幅降低。本文采用基于独立环路[16]的编码策略可以有效地减少变量维数。同时,利用图论中连通度理论[17,18]对不可行解进行辨识,使得解满足网络呈辐射状的约束条件,算法流程图如图3所示。
4 算例分析
4.1 算法性能分析
本文使用文献[19]所给的69节点配网系统,该配网系统含有73条支路、5个基本环,基准功率为10 k V·A,基准电压为12.66 k V,全系统的负荷为3.9 MW和2.7 Mvar。每条支路的载流量分别为:支路1—9为400 A,支路46—49和52—64均为300A,其他支路均为200 A。初始条件下,支路69、70、71、72、73断开,网损为224.93 k W。使用MATLAB R2013a编写程序,计算环境为:Intel(R)Core(TM)i3-2120CPU@3.30 GHz,4 GB RAM。
MDBBO算法参数设置如下:种群规模Np=70,最大迭代次数Kmax=50,最大突变率mmax=0.05,最大迁入、迁出率均取1,即E=I=1。
由于Pareto解集中解的个数比较少,文献[19]给出了分别以各个子目标为主要目标的测试结果,为了便于比较,本文采取同样的优化方式,优化结果对比如表1—3所示,表中,方案一列中14/57/61/69/70表示断开的支路为14、57、61、69、70,具体编号见文献[19];Umin为标幺值,后同。
从表1—3的优化结果中可以看出,本文在分别以不同子目标为主要目标的优化中,优化结果更好,在网络有功损耗、电压质量、负荷均衡三方面分别较初始网络状态提高了56.1%、4.4%、22.9%。特别是在负荷均衡度上,较文献[19]提高了8.7%,从而验证了MDBBO算法在求解多目标配网重构问题方面的可行性与有效性。
本文给出网损目标期望值的收敛曲线如图4所示。由图4可见,算法在迭代11次后进入收敛状态,具有较好的收敛性。
4.2 计及分布式电源的多目标配网重构
算例选取及算法参数设置同4.1节。风机和太阳能分布参数d=1.99,c=9.94,α=0.28,β=2.05。风机的切入、额定、切出风速分别为3 m/s、14 m/s、25m/s,额定功率为400 k W;光伏电池方阵单个组件面积为2.16 m2,光电转换效率为13.44%,400个组件组成一个光伏电池方阵,最大日照强度为0.5 W/m2。分别在节点8、13、18处接入3台风力发电机,在节点20、26、29处分别接入50个光伏电池方阵。高、低负荷分别为常规负荷的1.1倍、90%,高、低负荷概率均取0.2,常规负荷概率取0.6。表4为重构方案对比结果,表中指标值均为期望值,方案为模糊化后的最终决策方案,表5中同。
由表4可知,不计及分布式电源的多目标重构结果相比原始网络下的各指标都有较大的提升,有功损耗降低52.97%,最小电压提升4.3%,负荷均衡度降低19.47%,重构优化结果较明显。计及分布式电源的多目标重构使得网损和负荷均衡度进一步降低,相比不计及分布式电源的重构,这2项指标分别降低了14.45%和7.14%。图5为节点电压分布(标幺值),图中,不计及分布式电源的重构的网络节点电压相比原始网络有较大提升,计及分布式电源后,部分节点的电压相比不计及分布式电源的优化结果有进一步提升,从而表明,适当的分布式电源并网和优化重构,不仅消纳了可再生能源,而且能够明显改善系统的各项指标。
4.3 场景数对优化结果的影响
在削减场景的过程中,需要确定最终场景数,表5给出了3个场景数下的重构优化结果。由表可知,当场景数较少时,有功损耗较多,负荷均衡度较低,计算时间较短;场景数较大时,有功损耗较低,负荷均衡度较高,但是计算时间较长;不同场景数对最小电压没有影响。综上,本文场景数取30较为合理,均衡考虑了各项指标。
5 结论