新能源消納的配電網運行優化模型

黃慶祥, 馮艷

(1.國網湖北省電力有限公司武漢供電公司,湖北,武漢 430013;2.武漢供電設計院有限公司,湖北,武漢 430030)

0 引言

由于配網系統線路功率和節點電壓的約束,新能源注入配網時面臨著運行欠佳的問題。文獻[1]在主動配電網中設計了分布式電源(DG)和儲能系統(ESS),通過這種方式能夠提供更好的供電能力,并使得網配分配能力更加靈活。并構建了負荷裕度的主動配電網運行優化混合整數規劃模型,該模型以負荷裕度最大為目標。文獻[1]雖然提高了網配分析能力,但是對于成本分析尚未提及。文獻[2]通過“源—網—荷”協同優化運行策略提高了配電系統消納新能源的能力,使得電壓偏差率大大減少,進而能夠提高配電網運行的經濟性。但是該方法沒有對配電網運行優化模型的微觀數據信息進行分析,使得用戶無法在面對新能源消納的情況下,分析配電網具體的影響因素。

1 約束條件

配電網運行過程中,新能源消納面臨著外部因素和內部因素風險。外部因素包括溫度、濕度、磁場、紋波、磁干擾等,內部因素包括變壓器開關故障、線路損耗等[3]。

考慮到配電網運行可靠性的角度,采用全壽命周期管理(LCC)的方式,這需要考慮到配電網各種運行成本[4]。出于篇幅的限制,本研究從以下幾個方面重點研究。

(1) 投入成本

本研究所指成本主要為一次性投資成本。因為一次性投入成本涉及到配電網用戶運行的關鍵,具體包括配電網設備購買成本、安裝成本、維護成本、運行成本等。總成本表示為

Lineprice(h)×LineAux(h)×LineDiff(h)

(1)

式(1)中,Trans表示配電網中變壓器總成本(購置、安裝、應用和維護等多種方式),Pole表示配電網中經常出現的電桿,Line表示配電網中配電變壓器,n、m和h分別為配電變壓器、電桿以及導線數量,Cap表示配電網中運行中的變壓器容量及數量,price為配電網中不同設備數據信息的價格,Aux表示配電網中不同電力設備數據信息的溢價比,該數據信息能夠側面反映配電網數據信息總價值[5],Diff表示配電網中不同設備數據信息在工程安裝過程中受到外界環境影響大小。

(2) 設備運維損耗成本

配電網功耗成本也是至關重要的一環,其影響配電網設備正常運行以及可靠性,公式為

(2)

式(2)中,β(x0)表示配電網線路中在節點x0下,外界環境對線損靈敏度向量。通過式(3)可以隨時隨處分析配電網數據信息:

(3)

式(3)中,E(x0)表示配電網數據信息的誤差矩陣,這種數據輸出容易受到外界環境因素的影響,比如配電網數據信息初始潮流狀態x0、配電網網絡架構等。其中,Δx表示配電網運行過程中受到外部環境影響的狀態變量的偏差向量Δx=x-x0,通過這種方式能夠計算出配電網受到外界環境因素影響程度[6]。

受到外界環境因素影響程度而損耗的功率價值為

OC=Ploss×Eprice×T

(4)

式(4)中,Eprice表示配電網數據網絡輸出的平均電價,T表示配電網數據信息在運行過程中的計算損耗的時間區間。

(3) 設備運行過程中的營運成本

設備運行過程中的營運成本主要包括多種數據信息,如設備耗費量、配件、人員工資、設備維護費、辦公費等多種數據成本。營運成本費用為

(5)

式(5)中,L表示配電網數據信息電壓等級,Cprice,l表示第l個電壓等級線路通過人工或者自行損耗量,Lengthl表示配電網中第l個配電節點下線路長度[7]。

2 改進量子粒子群算法的配電網運行優化模型的構建

為了提高配電網運行能力,采用改進量子粒子群算法模型,在該算法中,通過將影響配電網運行的宏觀數據量通過微觀數據表達顯示出來,以提高其配電網運行效率[8-9]。其中,該算法中的位置、速度和適應度的值能夠直觀地表示該粒子特征,公式可以表示為

(6)

式(6)中,Vid為配電網影響數據粒子的速度,Xid為影響配電網運行效率的粒子位置,k為計算影響配電網運行效率時,各種影響因素中粒子活動的當前迭代次數,ω表示配電網運行過程中優化模型輸出的慣性權重,該參數能夠將粒子運動保持到一定的位置,c1和c2為克服外界數據信息對配電網運行數據進行訓練的學習因子[11],在具體應用中存在c1>0、c2>0,r1和r2為介于[0,1]區內的隨機數,Pid與Pgd分別為影響配電網設備正常運行的個體極值和全局極值。

假設外界環境因素如溫度、濕度、磁場、紋波、磁干擾為算法中的粒子特性。在計算時需要對粒子特性進行標注,以便于輸出配電網運行優化數據信息,進而衡量影響配電網運行的各種數據因素[10]。

本文采用量子粒子群優化算法(QPSO)提高配電網數據運行的效率及收斂速度[12],QPSO的粒子模型的方程表示為

Pi(t)=φ×Pid(t)+(1-φ)×Pgd

(7)

(8)

式(7)～式(8)中,M表示配電網數據信息種群的粒子數,φ和u表示介于(0,1)之間的隨機數,Pi(t)表示局部吸引子,由個體最優位置Pid(t)和Pgd(t)全局最優位置共同決定,mbest(t)表示粒子的平均最好位置,α表示收縮—擴張系數,Xi(t+1)表示粒子群t+1時刻的位置信息。

3 改進量子粒子群算法的配電網運行評估方法

通過上述模型的構建,下面對配電網運行評估方法進行說明。評估方法如圖1所示。

圖1 改進量子粒子群算法流程圖

通過改進量子粒子群算法的目的在于,量子粒子群優化(QPSO)能夠增加粒子位置的隨機性,在評估配電網運行時能夠隨機評估配電網運行過程中的各種數據信息,以提高其評估能力。下面通過分步驟計算的方法對如何利用改進量子粒子群算法評估配電網數據信息進行說明。

(1) 對影響配電網數據信息的不同數據進行編碼,并將這些數據信息輸入到改進量子粒子群算法模型中。具體而言,由于粒子編碼是針對比較分散的配電網運行情況進行分析,編碼比較適合采用二進制的方式。假設正常位置設置為1,異常位置設置為0,則將所有影響配電網運行的數據函數局限于[0,1]之間。表示粒子不同位置的配電網數據信息粒子函數為

(4)

(5)

式(5)中,rand表示粒子群規劃區間[0,1]內任意一個隨機數。

(3) 對權重數據信息進行更新:

(6)

通過式(6)能夠計算出不同屬性的影響配電網運行的粒子數,該式可以將反映配電網運行數據信息類型通過不同權重表示出來。比如式(6)中,ω為計算配電網運行過程中能夠反映最佳屬性的粒子權重,則有ω=M-1。

(4) 增強搜索能力。為了提高搜索能力,將影響配電網運行的多種數據種群直觀地表示出來,可以提高收斂效率。

為了提高搜索能力,需要先計算出權重的大小。改值通過影響配電網運行數據粒子所處于最優位置適應度與所有影響配電網數據粒子比較合適的位置適應度之和的比值,通過公式可以表示為

(7)

式(7)中,f(Pi(t))為影響配電網運行效率的粒子i的最優適應度。適應度f(Pi(t))表示多種電網環境下最優適應度,在具體計算時,該值通過不斷迭代計算后,在眾多配電網數據信息中,從眾多數據信息中提煉出最佳數據信息。通過不斷地迭代運行,粒子群數據更新位置為

(8)

通過式(8)計算后,可以將多次計算的結果進行對比,最終輸出比較合適的位置。

4 實驗與分析

本文采用IEEE10臺機39節點測試系統進行仿真實驗,將粒子群算法(方案1)和BPSO粒子群算法(方案2)進行對比,系統的節點連接圖如圖2所示。

圖2 節點系統接線圖

在圖2中,本研究以節點1為平衡節點,節點2、節點3為接觸節點,節點30為注入有功功率P和無功功率Q的節點。其中,并網電容最大輸入容量為20 MV×A,節點1聯絡線等效荷載調整幅度為0.80～1.20,通過對39節點的負荷監測。本研究方法對IEEE33節點配電系統優化結果示意表如表1所示。

表1 IEEE33節點配電系統優化結果

采用本研究方法對配電系統進行優化,節點電壓用前推回代潮流算法計算。優化結果與其他算法的比較結果如表2所示。優化前,支路8～21、9～15、12～22、18～33、25～29斷開,網絡損耗為202.6762 kW,節點電壓為0.8459 p.u.;經過本研究方法優化后,網損為98.2044 kW,降低了51%,節點電壓提高到0.9304 p.u.。通過對比BPSO和BQPSO算法可以發現,本研究方法在進行配電網優化時,網絡損耗與節點電壓均優于前兩種算法。并且由圖3～圖5可見,本研究方法的適應度值明顯比其他兩種算法低,且迭代次數也減少。通過一段時間的訓練,方案1的適應度曲線示意圖如圖3所示。

圖3 粒子群算法適應度曲線示意圖

粒子群算法適應度曲線示意圖如圖4所示。

圖4 BPSO粒子群算法適應度曲線示意圖

本研究粒子群速算法的適應度曲線如圖5所示。

圖5 本研究粒子群速算法的適應度曲線

對配電網全壽命約束條件進行計算,假設以10年為一個周期進行評價。

常規粒子群算法方法所需的線路長度為2公里,則一次投資成本為IC=50×120+2000/25×700+2×9000=80 000(元)。

運行損耗成本為OC=0.0029×10×103×24×365×10×0.57=1 448 028(元)。

運行維護成本為MC=125 000×2=250 000(元)。

則常規粒子群算法的LCC成本為1,778,028元。根據基于粒子群算法優化后的消納能力計算方法,改造后的兩條饋線的最大光伏消納容量為9996.4 kW。

在通過本研究方法時,所需的線路長度為1.5 km,則一次投資成本為IC=40×120+1500/25×700+1.5×9000=60 300(元)。

運行損耗成本為OC=0.0032×10×103×24×365×10×0.57=1 597 824(元)。

運行維護成本為MC=125 000×1.5=187 500(元)。

則本研究方法的LCC成本為1 845 624元。根據基于PSO的消納能力計算方法,改造后的兩條饋線的最大光伏消納容量為9267.3 kW。

通過對比分析可以看到,常規粒子群算法相對于原饋線而言,消納光伏發電容量提高了814.1 kW,耗資1 783 868元;本文研究方法方案對消納光伏發電容量提高了85 kW,耗資1 850 007元。綜合判斷常規粒子群算法更優。因此本研究的約束條件更適用于評估消新能源消納。

為了評估本研究方法的精確度,分別在5 h內觀察3種不同方法的系統相應時間和誤差精度,比較示意圖如圖6所示。

圖6 3種不同方案對比示意圖

在圖6中,隨著檢測數據量的不斷增加,誤差數據信息也在不斷增加。系統響應時間也隨著誤差量的增加而增加。在誤差為1%的情景下,本研究方法的系統響應時間約為0.88 s,而方案1的方法時間超過6 s,方案2方法時間很不穩定。因此在剛開始時,本研究方法時間響應比較低。隨著誤差量的逐步增加,在誤差增加到10%左右時,方案1方法響應時間約為7 s,方案2方法系統響應時間約為10 s。通過上述方法,本研究方法的誤差明顯低于上述兩種不同類型的方法。因此,本文提出的綜合評價方法能夠合理、全面地分析電力消納能力,系統響應時間和誤差情景之間存在一定的關系,即誤差越大,響應時間越長。

5 總結

針對電力消納對配電網運行影響評估,本研究針對配電網新能源全壽命消納問題,提出了配電網運行的約束條件,并構建了改進型粒子算法模型。將影響配電網運行的宏觀數據因子轉換為微觀數據分析,提高了配電網故障影響因素的分析能力。通過實驗結果表明,本研究方法具有一定的技術優勢,但是在配電網運行過程仍然存在一些不足,需要進一步的探索與研究。