考慮主動管理的分布式光伏發電消納能力研究

欒偉杰，蔣獻偉，張節潭，程浩忠，孫詩航，黃國樑

(1. 上海交通大學電力傳輸與功率變換控制教育部重點實驗室，上海市 200240； 2.國網上海市電力公司青浦供電公司，上海市 201700；3.國網青海省電力科學試驗研究院，西寧市810008； 4.上海電力學院電氣工程學院，上海市200090；5.國網上海市電力公司培訓中心，上海市 200090)

考慮主動管理的分布式光伏發電消納能力研究

欒偉杰1，蔣獻偉2，張節潭3，程浩忠1，孫詩航4，黃國樑5

(1. 上海交通大學電力傳輸與功率變換控制教育部重點實驗室，上海市 200240； 2.國網上海市電力公司青浦供電公司，上海市 201700；3.國網青海省電力科學試驗研究院，西寧市810008； 4.上海電力學院電氣工程學院，上海市200090；5.國網上海市電力公司培訓中心，上海市 200090)

隨著分布式光伏接入配電網逐漸增多，其消納能力越來越受到人們關注。文章對考慮主動管理的分布式光伏消納能力進行了研究，提出了主動配電網中分布式光伏發電最大消納量的計算方法。在分析分布式光伏發電和負荷的時序特性的基礎上，提出了綜合考慮混沌思想和自適應度調整的改進粒子群算法，研究了削減分布式電源出力、調節有載調壓變壓器抽頭、無功補償等主動管理措施對分布式光伏最大消納量的影響。IEEE 33節點配網系統驗證了所提模型的合理性和算法的有效性，3種主動管理措施能有效提高分布式光伏的最大消納量。

分布式光伏發電；主動配電網；光伏消納；時序特性；改進粒子群算法

0 引 言

作為新能源中最為豐富且不受地域限制的發電形式，光伏發電(photo voltaic，PV)以其環境友好、接入不受地域限制、資源豐富等特點得到越來越多的應用。分布式光伏接入雖然一定程度上可以緩解電力緊張局面，但其接入量并不是越大越好，若并網容量過大，會導致網絡節點電壓超過上限等電能質量問題。

在分布式電源(distributed generation，DG)接入對配電網的影響方面，文獻[1]從網損方面分析了DG接入對電力系統帶來的影響；文獻[2]分析了DG接入電網對穩態特性和電能質量、保護等方面帶來的影響，為配電網規劃提供了理論基礎。在最大準入容量研究方面，文獻[3]從電力系統靜態安全約束的角度出發，建立了計算DG準入容量的數學模型；文獻[4]在分析DG接入位置、容量及接入方法等因素對配電網影響的基礎上，形成了模型的電壓約束、潮流約束以及DG的容量約束；文獻[5]認為建立主動配電網(active distribution network，ADN)是有效消納大規模DG和實現節能減排的有效手段。然而，在ADN快速發展、主動管理措施得到越來越多應用的背景下，大多數的研究僅僅針對傳統配電網中DG的準入容量，并未充分考慮主動管理措施對DG準入容量的影響。另外，大多數研究將風電、PV等不同類型的DG籠統起來進行研究，并未區分不同類型的DG的不同。分布式PV作為近年來發展最快的DG之一，有其特殊的出力特性，研究其最大消納能力有重要的意義。

本文考慮分布式PV的時序特性，建立ADN中分布式PV最大消納量的模型，并采用自適應混沌粒子群算法進行求解，以期為PV并網研究提供參考。

1 分布式PV的時序特性

1.1 分布式PV和負荷的時序特性

分布式PV出力具有隨機性和波動性，無法將其當作恒定出力的電源考慮。其受到季節、天氣、時刻等多方面的影響[6-7]。PV的時序特性如圖1所示，從圖中可以看出：在季節方面，PV出力大小表現為夏>春>冬>秋；在天氣方面，PV出力大小表現為晴>陰>雨；在時刻方面，PV出力時間段為05:00—19:00，其中在11:00—3:00出現出力最大值。

對于負荷而言，不同時間段、不同季節也表現出不同的特性，另外其特性也跟負荷類型有關。本文將負荷分為居民負荷和商業負荷，研究其4個季節、24 h的特性，負荷的時序特性如圖2所示。由圖2可知：居民負荷的季節影響大于時刻影響，夏季負荷最高，其負荷具有一定的持續性和穩定性，高峰負荷主要集中在18:00—22:00；商業負荷的時刻影響大于季節影響，負荷大小集中在08:00—22:00，其余時間段幾乎為0，且其受季節影響較小，這主要是由于工商業行業特點所決定的。

圖1 PV時序特性曲線

圖2 負荷時序特性曲線

1.2 模擬場景出力

將1年劃分為春晴、春陰、春雨、夏晴、夏陰、夏雨、秋晴、秋陰、秋雨、冬晴、冬陰、冬雨12個典型日，并參考某地區氣候統計資料，得到各個典型日的具體天數，如表1所示。將全年劃分為288(24×4×3)個場景，對網絡進行全時段模擬。

2 考慮主動管理的分布式PV最大消納模型

2.1 主動管理模式

為了應對新的要求和挑戰，傳統的被動配電網正在向ADN轉變。主動管理就是在更加細致地測量和評估配電網的運行數據之后，對DG和配電網設備進行實時控制并采取一定的措施進行協調[8]。主動管理模式下，可以采取控制DG的輸出功率等多種主動管理措施，使得含有DG的配電系統達到最優的運行狀態。本文考慮的主動管理措施有如下3種。

表1 全年各典型日天數

Table 1 Proportion of typical day in a year

(1)削減分布式PV出力：通過控制接入節點的PV出力，起到控制電壓，改善潮流分布的作用。

(2)調節有載調壓變壓器抽頭：通過調節有載調壓變壓器一次側的可變抽頭位置，使配電網電壓保持在規定范圍內。

(3)無功補償的投切：在PV接入點投切無功補償設備來吸收或者放出無功來改變網絡無功分布，達到改善系統潮流分布和電壓水平的目的。

2.2 PV最大消納量目標函數

PV最大消納量模型的目標函數為

(1)

2.3 PV最大消納量約束條件

在加入了主動管理措施后，PV接入需滿足節點功率平衡約束、節點電壓約束和線路傳輸容量約束等基本約束外，還加入了變壓器抽頭約束、無功補償裝置約束和PV出力控制約束，具體約束條件如下。

(1)節點功率平衡約束

(2)

式中：PPVi為節點i的分布式PV有功注入；PLi為節點i的有功負荷；QPVi為節點i的分布式PV無功注入；QCi為節點i的無功補償無功注入；QLi為節點i的無功負荷；Ui、Uj為節點i、j電壓幅值；θij為節點i、j間電壓相角。

(2)節點電壓約束

Uimin≤Ui≤Uimax

(3)

式中：Uimin、Uimax為節點i所允許的最小電壓值和最大電壓值。

(3)支路潮流約束

Sl≤Slmax

(4)

式中：Sl為通過支路l的視在功率；Slmax為支路l傳輸容量極限值。

(4)有載調壓變壓器(onloadtapchanger，OLTC)抽頭約束

Tkmin≤Tk≤Tkmax

(5)

式中：Tk為變壓器的抽頭位置；Tkmin、Tkmax為變壓器的抽頭最小值和最大值。

(5)無功補償裝置約束

QCimin≤QCi≤QCimax

(6)

式中：QCimin、QCimax為節點i無功補償最小值和最大值。

將其轉化為功率因數的限制，即

φimin≤φi,j≤φimax

(7)

式中：φi,j為時段j節點i的功率因數；φimin和φimax分別為功率因數的最小值和最大值。

(6)PV出力約束

PPVimin≤PPVi≤PPVimax

(8)

式中：PPVimin、PPVimax分別為節點i的分布式PV有功出力最小值、最大值。

將其轉化為PV切除量的大小，即

(9)

3 求解算法

3.1 基本粒子群算法

粒子群算法(particleswarmoptimization,PSO)是一種新型群智能進化計算方法[9]，其基本概念源于對鳥類覓食行為的研究。每個個體被抽象為沒有質量和體積的粒子點，第m個例粒子速度和位置更新公式為：

(10)

(11)

(12)

(13)

3.2 自適應混沌粒子群算法

由于利用式(8)—式(10)更新群體粒子的速度和位置，主要依賴的是粒子自身信息、個體極值以及全局極值，來推導出粒子下一步進化位置，粒子較容易陷入局部最優解，許多研究對于粒子群算法的缺陷提出了一系列的改進方法，其中引入混沌運動思想是其中之一[10-11]。由于混沌運動能夠做到較好的全局性，能在初始化過程中能夠改善粒子群算法初始化不均勻的問題。本文采用的混沌處理如下：

(1)隨機產生1個n維、每維分量為0～1的向量Z1=[z11,z12,…,z1n]，將其采用混沌迭代公式Zn+1=4Zn(1-Zn)，得到N個向量Z1,Z2,…，ZN；

(2)通過將Zi的各個分量載波到對應變量的取值區間上，計算粒子群的適應度值；

(3)對最優位置Xh=[xh1,xh2，…,xhn]進行混沌優化，將最優位置通過zβα=(xgα-aα)/(bα-aα)映射到Logistic方程對應變量取值區間上后，利用Logistic方程進行迭代，產生混沌序列Zj，再通過xβα=aα+(bβ-aα)zβα將混沌序列逆映射到原空間；

(4)在原解空間對混沌變量經歷的每個可行解計算其適應度之后，得到性能最好解X*。

另外，本文參考基于自適應度調整粒子群算法思想[12]，對慣性權重及學習因子進行了改進。慣性權重ω的取值不同影響搜索全局最優解和局部最優解的能力。當ω較大時，粒子速度也較大，對在更大空間里搜索有利，當ω較小時，粒子速度也較小，對在當前解空間附近尋找更優解有利。為了更利于粒子搜索到全局最優解，在迭代初期使粒子的搜索范圍更大，而在隨著迭代的深入，減小粒子的搜索范圍，將慣性權重設為隨著迭代次數而減少的線性函數：

(14)

式中：ωmax為初始權重；ωmin為最終權重；nmax為最大迭代次數；n0為當前迭代次數。本文取ωmax=0.9，ωmin=0.4。

學習因子c1、c2對粒子自身經驗和群體經驗在搜索過程中的重要程度起著決定性的作用。在搜索初期，避免陷入局部最優，應當使粒子多向自身最優學習，少向全局最優學習，所以令取c1較大值，c2取較小值；在搜索后期，應當增強局部搜索能力，所以令c1取較小值，c2取較大值，具體公式如下：

1.養殖密度大。魚類經過春、夏季節的生長，進入秋季個體漸漸長大，自然出現養殖密度大的問題。隨著養殖密度上升，魚類排泄物增加，有機質污染超過池塘自凈能力時，水質會出現不穩定或變壞的可能，導致魚病增多。在持續高溫的秋季，養殖水體的分層現象特別嚴重，池底總處于缺氧狀態，易導致亞硝酸鹽和氨態氮等有害物質濃度增加，水質調控困難，極易暴發各種魚病。

(15)

(16)

式中：a、b、d為參數，本文取a=1.3，b=2，d=1.2。這時當1≤n≤0.47nmax時，c1>c2；反之c1

圖3 最大消納量模型求解流程

4 算例分析

4.1 算例數據

本文采用IEEE 33節點配電網系統[13]作為算例，算例電壓等級為12.66 kV，總有功負荷為3.715 MW，總無功負荷為2.3 Mvar，其接線圖如圖4所示。

圖4 IEEE 33 ADN單線圖

根據每個節點負荷的不同將其分為商業負荷和居民負荷，具體分布如表2所示。

表2 IEEE 33節點商業和居民負荷的分布情況

Table 2 Distribution of commercial and resident load at IEEE 33 node

4.2 結果分析

4.2.1 單節點PV最大準入容量分析

為研究PV不同接入位置對最大準入容量的影響，本文選取了前中后段的節點2、節點9和節點17作為研究對象，分別加入PV，分析其最大準入容量，并加入3種主動管理措施，比較主動管理和非主動管理結果的不同，如表3所示。

表3 單節點PV最大準入容量

Table 3 PV penetration capacity for one node

從表3可看出：相較于非主動管理，主動管理模式下PV可更多的接入配電網，3個節點消納量分別提升了2.8%、15%、41.6%，這是由于主動管理方法可以通過控制PV出力，調節OLTC分接頭和控制無功補償量等措施使網絡運行在安全范圍內，從而能夠更大程度地接入PV。從接入位置看，前段節點可接入PV容量較大，后段節點可接入PV容量較小，主要是由于后段節點接入PV對網絡電壓抬升作用明顯，受到電壓約束條件較強。故若配電網需要消納大量PV時，可以優先考慮在配電網前段節點接入。而對于配電網末段節點電壓較低的情況，適量接入PV會對電壓起改善作用。

4.2.2 多節點PV最大消納量分析

為研究各種主動管理措施對提高分布式PV消納能力的影響，本文分別模擬不加入主動管理措施(A)、只加入OLTC調節措施(B)、只加入功率切除措施(C)、只加入無功補償措施(D)、3種主動管理措施全加入(E)等5個場景，對分布式PV最大消納能力進行計算。PV接入位置為15、17、30、31、32這5個節點，計算結果如表4。

表4 多節點PV最大消納量

Table 4 Maximum amount of PV consumption for multi-node

由表4可知：(1)當不加入主動管理措施時，整個網絡PV的最大準入容量為3.3 MW，其中在節點15接入最大，為1.1 MW。在考慮時序特性的基礎上，1年PV總消納量達到4. 235 GW·h，全網網損量為465 MW·h。

(2)當只加入OLTC調節措施時，PV的最大準入容量上升到3.5 MW，較場景A增加 0.2 MW。相應的全年消納PV總量為4.512 GW·h，比場景A增加 6.5%；相應的，網損上升至613 MW·h，比場景A增加31.8%，網損的增加量遠遠大于PV接入容量的增加量。當加入OLTC調節時，全網的電壓調節范圍增大，能容許更多的PV接入。

(3)當只加入功率切除措施時，網絡PV最大準入容量為3.6 MW，較場景A增加了0.3 MW。全年消納PV總量為4.678 GW·h，比場景A增加10.4%；相應的，網損上升至505 MW·h，比場景A增加8.6%，網損增量較少。當加入功率切除措施后，可以將某些特殊時段(如低負荷高出力)的PV切除，減小了反向潮流，增大了接入更多PV的可能性。

(4)當只加入無功補償措施后，網絡PV最大準入容量為3.6 MW，較場景A增加了0.3 MW。全年消納PV總量為4.694 GW·h，比場景A增加10.8%；網損上升至577 MW·h，比場景A增加24%。當加入無功補償措施后，可以通過投切無功補償設備，在極端情況下改變網絡的電壓和潮流分布，使網絡運行在約束范圍內。

(5)當3種主動管理措施全部加入后，網絡PV的最大準入容量提升至3.8 MW，較場景A增加 0.5 MW。全年消納PV總量為4.993 GW·h，比場景A增加17.8%；網損上升至529 MW·h。當3種主動管理措施全部加入后，3種措施相互彌補，PV的消納量達到最大，且各個節點接入PV容量較平均，沒有出現某幾節點過高情況。上述結果驗證了主動管理措施對提高PV準入容量的有效性。

4.2.3 自適應混沌粒子群算法性能分析

采用文獻[9]所提出的基本粒子群算法對本文提出的模型進行計算，分析在3種主動管理模式全部加入下PV最大消納量，得到的結果和迭代次數如表5。

表5 自適應混沌粒子群算法性能分析

Table 5 Performance analysis of adaptive chaos particle swarm optimization algorithm

從表5可以看出：自適應混沌粒子群經過較少的迭代次數即能找到最優解，收斂性較基本粒子群算法有所提高，且搜索到的最優解優于基本粒子群算法。

5 結 論

(1)分布式PV最大消納量配電網需受到電壓、潮流等因素的限制，主動管理措施能有效提高其最大消納量。

(2)不同的主動管理措施對提高PV最大消納量的影響不同，在實際網絡中需根據配電網具體情況采用最適合的主動管理措施，如PV的位置、網損要求、PV設備的經濟性投資、PV的增長量等。

(3)不同的主動管理措施有不同的經濟成本，若綜合考慮經濟因素和光伏消納能力，會得出其他最優方案。

[1]張瑜,孟曉麗,方恒福. 分布式電源接入對配電網線損的影響分析[J]. 電力建設,2011,32(5):67-71. ZHANG Yu, MENG Xiaoli, FANG Hengfu. Effect of distributed resources on power loss of distribution network[J]. Electric Power Construction,2011, 32(5):67-71.

[2]于建成,遲福建,徐科,等.分布式電源接入對電網的影響分析[J].電力系統及其自動化學報, 2012, 24(1): 138-141. YU Jiancheng, CHI Fujian, XU Ke, et al. Analysis of the impact of distributed generation on power grid[J]. Proceedings of the CSU-EPSA, 2012, 24(1): 138-141.

[3]夏成軍,崔弘,王強,等.考慮靜態安全約束的分布式電源準入容量計算[J].電網技術,2009,33(16):96-100. XIA Chengjun, CUI Hong, WANG Qiang, et al. Penetration capacity calculation for distributed generation considering static security constraints[J]. Power System Technology, 2009,33(16):96-100.

[4]蘇小玲,韓民曉,趙正奎,等. 配電網中分布式電源最大準入容量分析[J].電網技術,2012,36(10):87-92. SU Xiaoling, HAN Minxiao, ZHAO Zhengkui, et al. Research on maximum capacity of grid-connected distributed generationin distribution network[J]. Power System Technology,2012,36(10):87-92.

[5]劉廣一,張凱,舒彬. 主動配電網的6個主動與技術實現[J]. 電力建設,2015,36(1):33-37. LIU Guangyi, ZHANG Kai, SHU Bin. Six actives and key technologies of active distribution network[J]. Electric Power Construction,2015,36(1):33-37.

[6]徐迅,陳楷,龍禹,等.考慮環境成本和時序特性的微網多類型分布式電源選址定容規劃[J]. 電網技術,2013,37(4):914-921. XU Xun, CHEN Kai, LONG Yu, et al. Optimal site selection and capacity determination of multi-types of distributed generation in microgrid considering environment cost and timing characteristics[J]. Power System Technology,2013,37(4):914-921.

[7]李亮,唐巍,白牧可,等.考慮時序特性的多目標分布式電源選址定容規劃[J].電力系統自動化, 2013,37(3): 58-63. LI Liang, TANG Wei, BAI Muke, et al. Multi-objective locating and sizing if distributed generators based on time-sequence characteristics[J]. Automation of Electric Power Systems,2013, 37(3): 58-63.

[8]SIANO P, CHEN P, CHEN Z, et al. Evaluating maximum wind energy exploitation in active distribution networks[J]. IET Generation, Transmission and Distribution, 2010, 4(5): 598-608.

[9]JAMES K, RUSSELL E. Particle swarm optimization[C]//Proceedings of 1995 IEEE International Conference on Neural Networks. Perth, WA, 1995: 1942-1948.

[10]LIU B, WANG L, JIN Y H, et al. Improved particle swarm optimization combined with chaos[J]. Chaos, Solitionsand Fractals,2005, 25(5):1261-1271.

[11]司風琪,顧慧,葉亞蘭,等. 基于混沌粒子群算法的火電廠廠級負荷在線優化分配[J].中國電機工程學報,2011,31(26):103-109. SI Fengqi, GU Hui, YE Yalan, et al. Online unit load economic dispatch based on chaotic-particle swarm optimization algorithm[J]. Proceedings of the CSEE, 2011, 31(26):103-109.

[12]孫卓新,朱永強,倪一峰,等.基于粒子群算法的含光伏電站的配電網無功優化[J]. 電力建設,2014,35(4):25-30. SUN Zhuoxin, ZHU Yongqiang, NI Yifeng, et al. Reactive power optimization of distribution network with photovoltaic power plant based on PSO[J]. Electric Power Construction, 2014, 3504):25-30.

[13]BARAN M E, WU F F. Network reconfiguration in distribution systems for loss reduction and load balancing[J]. IEEE Transaction on Power Delivery, 1989, 4(2): 1401-1407.

[14]電力工業部電力規劃設計總院.電力系統設計手冊[M].北京:中國電力出版社, 1998:178-182.

(編輯 蔣毅恒)

Consumptive Ability Analysis for Distributed Photovoltaic Generation Considering Active Management

LUAN Weijie1,JIANG Xianwei2,ZHANG Jietan3, CHENG Haozhong1, SUN Shihang4,HUANG Guoliang5

(1. Key Laboratory of Control of Power Transmission and Conversion, Ministry of Education, Shanghai Jiao Tong University, Shanghai 200240, China; 2. Qingpu Power Supply Branch, State Grid Shanghai Municipal Electric Power Company, Shanghai 201700, China; 3. State Grid Qinghai Electric Power Research and Test Institute, Xining 810008, China; 4. College of Electric Engineering, Shanghai University of Electric Power, Shanghai 200438, China; 5. Training Center, State Grid Shanghai Municipal Electric Power Company, Shanghai 200438, China)

With the distributed photovoltaic generation connected to distribution network gradually increases, its consumptive ability has been paid more and more attention. This paper studies the consumptive ability of distributed photovoltaic generation with considering active management, and proposes the maximum consumption calculation method of distributed photovoltaic generation in active distribution network. Based on the analysis on the timing characteristics of distributed photovoltaic generation and load, we propose the improved particle swarm optimization algorithm with comprehensively considering chaos theory and adaptive adjustment, and study the influence of some active management measures on the maximum consumption of distributed photovoltaic generation, such as distributed power output curtailment, on-load tap changing transformer regulation, reactive power compensation and so on. IEEE 33 node distribution network system verifies the rationality of the proposed model and the effectiveness of the algorithm, and the three active management measures can effectively improve the maximum consumption of distributed photovoltaic generation.

distributed photovoltaic generation; active distribution network; photovoltaic consumption; timing characteristics; improved particle swarm optimization algorithm

國網青海省電力公司科技項目(主動配電網中分布式光伏發電最大消納能力研究)；國網上海市電力公司青浦供電公司科技項目(青浦分布式能源應用對于電力傳統安全管理的影響及應對策略)

TM 711

A

1000-7229(2016)01-0137-07

10.3969/j.issn.1000-7229.2016.01.021

2015-11-03

欒偉杰(1991)，男，碩士研究生，研究方向為配電網規劃、配電網運行優化；

蔣獻偉(1979)男，碩士研究生，從事調控、繼電保護整定工作；

張節潭(1980)，男，博士，高級工程師，研究方向為電力系統規劃；

程浩忠(1962)，男，博士，教授，博士生導師，研究方向為電能質量、電力系統規劃、電力系統分析、電壓穩定；

孫詩航(1992)，男，本科生在讀，研究方向為分布式的能源；

黃國樑(1959)，男，工程師，研究方問為行業教育概率、環境、教育產品狀況、教育趨勢對策。