分布式新能源接入電網的集群優化控制策略研究

譚大帥 田由甲 郭 剛 張作霆

（天津市普迅電力信息技術有限公司，天津 300308）

新能源集群并網技術和分布式光伏規模化并網技術受到了廣泛關注。左強等[1]提出了一種大規模空調負荷參與新能源電力系統調頻的無模型自適應控制方法。胡凱利等[2]研究了計及并網強度最大化的新能源集群出力優化，分析了新能源集群并網的現狀及柔性負荷的分類和特點，提出了新能源集群并網出力優化調度方案，并通過算例仿真對比分析證明該方案在電網功率波動條件下可以保證新能源集群并網強度，從而實現出力優化分配的目標。陳皓勇等[3]研究了分層集群的新型電力系統運行和控制。孫睿哲等[4]提出了集群光伏電站一次調頻參數經濟優化設計方法。范俊杰等[5]研究了諧振約束下含功率因數校正電容新能源集群最大滲透率接入，針對新能源集群并網的短路比問題提出一種改進的等效短路比計算方法。朱凌志等[6]提出了新能源發電集群的改進等效短路比計算方法。盛萬興等[7]研究了分布式可再生能源發電集群并網消納關鍵技術及工程實踐。綜上所述，新能源集群并網和分布式光伏規模化并網是當前的研究熱點，須重點關注柔性負荷參與調頻和新型電力系統運行控制。

1 模型架構

隨著分布式新能源逐漸增多，在運行和管理方面電力系統面臨更復雜的挑戰。為了有效解決這些問題，需要采用集群優化控制策略，將多個微電網組成混合微電網群，實現區域內的新能源接入電網優化規劃和運行控制。

該文著重解決2個問題，即上層規劃模型和下層規劃模型。其中，上層規劃模型對區域內的節點進行集群劃分，得到多個微電網組成混合微電網群，其目標是優化電網的耦合度和有功平衡度。下層規劃模型的首要任務是優化分布式電源的接入容量。該模型通過最小化投資成本、運行維護成本和購售電成本等目標函數來確定每個微電網群中分布式電源的最佳容量。

該文采用優化算法來搜索最優解，從而得到合理的分布式電源接入容量方案，通過算法優化求得全局最優解或者近似最優解。

該文構建的模型包括上層規劃、下層規劃以及相應的目標函數和約束條件。通過合適的優化算法得到合理的分布式新能源接入電網的集群優化控制策略，為電力系統的高效運行和管理提供支持。

2 上層規劃模型

2.1 目標函數

上層規劃的目標是根據不同類別和需求對區域內的各負荷和電源節點進行重新組織，從而對區域節點進行集群劃分。通過架構調整，上層規劃優化節點的布局和配置，使區域內的微電網節點可以更好地滿足不同需求，實現更有效的集群劃分目標。

上層規劃模型的目標函數為綜合指標Ω，如公式（1）所示。

式中：λ1、λ2為2個權重系數；ωL為節點耦合度；ωP為有功平衡度。

2.1.1 節點耦合度ωL

節點耦合度可以表征交直流混合微電網群中節點間的電氣聯系程度。在集群劃分的過程中，需要考慮節點間的差異性，節點間的耦合度高表示它們間的相互作用關系較緊密，這一聯系多來自地理上的節點臨近關系，也可能基于電源種類等其他要素歸類，從而可以聚類進入同一集群。

節點耦合度如公式（2）所示。

式中：i、j為節點號；Lij為節點i與節點j的電氣距離；μij為節點i與節點j的類型差距。

2.1.2 有功平衡度ωP

有功平衡度是描述電力系統穩定性的重要指標，可以衡量電力系統中實際發電與負荷間的差異程度。在交直流混合微電網中，需要實現自我調節，控制電壓越限，盡可能實現分布式電源就地消納，減少集群能量外送。有功平衡度如公式（3）所示。

式中：Pclu-e為集群e的有功平衡程度；max|Pclu-e|為集群e的最大凈功率特性。

有功平衡度可以對一定范圍內的節點進行自由劃分，充分考慮每個節點特性，使區域資源的功效最大化。

2.2 約束條件

2.2.1 系統饋線數約束

集群劃分需要考慮系統中不同類型分布式電源的接入位置，因此需要約束不同類型分布式電源的饋線數目，以保證系統的可靠性和經濟性。對交流微電網總節點數Nac-1和直流微電網總節點數Ndc-1來說，需要滿足一定的約束條件，如公式（4）所示。

式中：N為系統總節點數。

2.2.2 節點電壓偏差約束

為了保證集群內各節點電壓在可接受范圍內波動，避免電壓偏差威脅接入電網的整體性能表現，需要限制節點電壓的偏差，從而對其進行控制。對每個集群內的節點i來說，其交流電壓上限和下限分別為maxVACi和minVACi，直流電壓上限和下限分別為maxVACj和minVACj。因此，需要滿足以下約束條件，如公式（5）、公式（6）所示。

式中：VACi和VACj分別為集群i和集群j的電壓值。

3 下層規劃模型

3.1 目標函數

下層規劃模型的主要目標是解決混合微電網群中分布式電源的接入容量問題。該模型旨在最小化總成本，包括分布式電源的購置成本、變流器的購置成本、線路的投資成本、運行維護成本和購售電成本。

投資成本CIN涵蓋了分布式電源的購置成本、變流器的購置成本和線路的投資成本。不同類別的分布式電源的投資成本CIN如公式（7）所示。

式中：CLUM為本地使用設備；Nm為分布式電源數量；CDGm為分布式電源購置成本；K為變壓器電流容量；Ccon為變壓器購置成本；Li為線路長度；Ci為線路投資規模；r為考慮貼現的投資增長；n為線路建設周期。

運行維護成本CES包括配置分布式電源和各類型變流器的運行維護費用，如公式（8）所示。

式中：Ωm為變流器設備維護費用；EDGm為分布式電源運行維護費用。

購售電成本CG包括微電網群購電費用、分布式電源發電上網費用、微電網間電量交互費用和發電補貼，如公式（9）所示。

式中：α為微電網群購電成本；Pt為微電網群購電規模；β為電網上網費用；Pgridt為電網上網規模；γ為交互規模；Pcluij為本地設備其他交互費用和補貼。

下層規劃模型還需要滿足集群系統功率平衡約束、分布式電源出力約束、群間交互功率約束和供電可靠性約束等條件。

最終通過優化算法搜索最優解，使目標函數最小化，從而獲得合理的分布式電源接入容量方案，這有助于優化微電網群的運行和配置，提高系統的能源利用效率和經濟性。

3.2 約束函數

3.2.1 集群系統功率平衡約束

為了保持集群內功率平衡，系統的各類供應和消耗符合應該相等，如公式（10）所示。

式中：Pload為負荷消耗；Ploss為損耗；Pwind和Ppv分別為來自風能和太陽能的功率；Pbat為儲能部分；Pgrid為交互功率。

3.2.2 分布式電源出力約束

為了限制分布式電源的出力，需要滿足以下約束條件，即風機和光伏的出力應該在規定的最大功率范圍內，如公式（11）、公式（12）所示。。

式中：Pwindmax為風機出力的最大功率；Ppvmax為光伏出力的最大功率。

3.2.3 蓄電池出力約束

儲能電池的充放電功率應該在規定的最大范圍內，同時需要考慮儲能電池的狀態SOC和能量轉換效率，如公式（13）、公式（14）所示。

式中：PDischarmax為蓄電池的極限功率；Pcharmax為蓄電池的規定最大功率；SOC為蓄電池的荷電狀態；SOCmin和SOCmax分別為其下限和上限。

3.2.4 群間交互功率約束

為了控制群間交互支路的功率，需要限制群間交互支路的最大功率為Pclumax，如公式（15）所示。

式中：Pclu（i，j）為群間交互功率；CLU為設備數量。

3.2.5 供電可靠性約束

新構建字表描述供電可靠性，其約束條件如公式（16）所示。

式中：LOEP為失電負荷概率；Lmax為微電網允許的最大缺電概率。

4 函數分析

4.1 算法概述

爬山算法是一種優化算法，它可以尋找問題的局部最優解。爬山算法從一個隨機或者預定義的起始點開始，在鄰近的解空間中搜索，找到一個相對當前位置更優的解，重復這個過程直到無法找到更優解。爬山算法在局部搜索問題中表現出色，但是可能會陷入局部最優解，無法達到全局最優解。

上層規劃模型對區域內的節點進行集群劃分，通過優化節點的布局和配置，使節點可以更好地滿足不同需求并形成有效的集群。因此，選擇其目標核函數來優化電網的耦合度和有功平衡度。將分布式新能源接入電網的集群優化控制中，需要確定微電網的劃分和組成，即對節點進行集群劃分，形成混合微電網群。該過程涉及電網的拓撲結構與節點間的聯系，需要考慮電氣距離、節點負荷類型以及允許接入電源種類等因素，因此需要進行高層次規劃。爬山算法在這類局部搜索問題中表現較好，適用于該階段的優化過程。通過爬山算法可以從不同的起始點開始搜索，找到相對當前位置更優的解，從而得到合理的集群劃分并構建混合微電網群的方案。

4.2 參數設置

模型設置初始解為0～1的隨機值，該設置適用于集群劃分問題；設置步長為0.1，可以較細致地進行搜索；設置迭代次數為1 000，可以在相對短的時間內得到一個較優的解。相應函數的三維圖像如圖1所示。

圖1 函數構建

4.3 模型結果

模型的初始解和搜索路徑如圖2所示。由圖2可知，模型的最優解位于（1.000 0，0.251 8）。爬山算法的搜索路徑切于函數等值線，形成了逐漸過渡至最優解的平滑曲線，反映其具有較高的算法優化性能。

圖2 模型的初始解與搜索路徑

根據分析結果可以驗證爬山算法在層級劃分和優化等模型中的應用價值。

5 結語

綜上所述，通過建立該模型并應用優化算法，可以優化電網的耦合度和有功平衡度，實現電力系統高效運行和管理的目標。