考虑微能网接入主动配电网的共享储能多目标配置

doi:10.16183/j.cnki.jsjtu.2023.021

考虑微能网接入主动配电网的共享储能多目标配置

米阳^,¹, 陈宇阳¹, 陈博洋¹, 韩云昊¹, 袁明瀚²

1.上海电力大学电气工程学院,上海 200090

2.国网上海市电力公司,上海 200120

Shared Energy Storage Multi-Objective Allocation Strategy Considering Integrated Energy Microgrid Access to Active Distribution Network

MI Yang^,¹, CHEN Yuyang¹, CHEN Boyang¹, HAN Yunhao¹, YUAN Minghan²

1. College of Electrical Engineering, Shanghai University of Electric Power, Shanghai 200090, China

2. State Grid Shanghai Electric Power Company, Shanghai 200120, China

责任编辑: 王历历

收稿日期: 2023-01-19 修回日期: 2023-03-24 接受日期: 2023-04-17

基金资助:

国家自然科学基金资助项目(61873159)
上海市自然科学基金(22ZR1425500)

Received: 2023-01-19 Revised: 2023-03-24 Accepted: 2023-04-17

作者简介 About authors

米阳(1976—),教授,博士生导师,现主要从事配电网规划研究;E-mail:miyangmi@163.com.

摘要

为充分利用共享储能在提高经济性与能源利用率等方面的优势,同时在主动配电网中发挥综合能源微网多能互补与耦合的作用,提出考虑综合能源微网接入主动配电网情况下的共享储能多目标优化配置策略.首先,分析配电网的经济性、电压稳定性以及共享储能的配置容量3方面的优化目标,同时考虑主动配电网的源、网、荷侧多灵活资源的协调运行,对主动配电网与综合能源微网进行建模;再基于帕累托最优的多目标粒子群算法对模型进行求解.最后,结合IEEE33节点配电系统建立共享储能配置的优化算例,验证所提配置策略的有效性.

关键词： 主动配电网; 储能; 综合能源微网; 多目标优化; 帕累托最优理论

Abstract

In order to give full play to the advantages of shared energy storage in improving economy and energy utilization, while considering the role of multi-energy complementation and coupling of integrated energy microgrids in active distribution networks, a multi-objective optimal allocation strategy of shared energy storage is proposed for the active distribution network connected with integrated energy microgrid. First, the optimization objectives of the economy and voltage stability of the distribution network and the configuration capacity of the shared energy storage are analyzed, the coordinated operation of the source-net-load side multi-flexible resources of the active distribution network is considered, and the active distribution network and the integrated energy microgrid are modeled. Then, the model is solved based on the Pareto optimal multi-objective particle swarm algorithm. Finally, the optimization algorithm of shared energy storage configuration is established in conjunction with the IEEE 33-node distribution system to verify the effectiveness of the proposed configuration strategy.

Keywords： active distribution network; energy storage; integrated energy microgrid (IEM); multi-objective optimization; Pareto optimal theory

PDF (4556KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

米阳, 陈宇阳, 陈博洋, 韩云昊, 袁明瀚. 考虑微能网接入主动配电网的共享储能多目标配置[J]. 上海交通大学学报, 2024, 58(9): 1309-1322 doi:10.16183/j.cnki.jsjtu.2023.021

MI Yang, CHEN Yuyang, CHEN Boyang, HAN Yunhao, YUAN Minghan. Shared Energy Storage Multi-Objective Allocation Strategy Considering Integrated Energy Microgrid Access to Active Distribution Network[J]. Journal of Shanghai Jiaotong University, 2024, 58(9): 1309-1322 doi:10.16183/j.cnki.jsjtu.2023.021

为实现“双碳”目标,风光等可再生能源在未来将实现跨越式发展^[1].可再生能源的接入给传统被动配电网的经济与稳定运行带来巨大挑战^[2],因此提出“主动配电网”的概念^[3],即由原来的被动消纳、即插即忘改进为主动管理、主动消纳.同时,为了满足保护环境、可持续发展目标^[4],亟需发展综合能源系统来减少环境污染,提高能源利用.综合能源系统可以使电力系统运行成本降低并减少资源浪费,达到低碳环保的效果^[5].因此,建设综合能源系统对发展未来能源体系具有重要意义.

综合能源微网(Integrated Energy Microgrid,IEM)也被称为微能网,将微能网接入配电网能充分发挥其多能互补的灵活性来支撑配电网运行^[6].同时,IEM与配电网的双向电能交互改变了IEM的运行策略,为此需要配置储能来提高供能可靠性.储能可以迅速释放与存储电能;同时,电价峰谷差的存在能够降低成本^[7].在IEM接入的主动配电网中配置储能成为消纳可再生能源、提高主动配网的电压稳定性和经济性重要举措^[8].通过对储能的配置,还可以提升电网对灵活性资源的调节能力^[9],促进电网长期经济稳定运行.

目前对主动配电网储能配置与微能网优化运行的研究已经取得一定成果^[10].文献[11]中在主动配电网配置储能系统并进行合理的选址定容,改善了分布式可再生能源并入主动配网带来的一系列问题;文献[12]中提出一种基于混合概率的优化算法来求解储能系统选址定容的问题,该算法将离散化的方法与多目标粒子群算法和非支配排序遗传算法结合,能够优化节点电压分布并减小网损.文献[13]中以微网的年综合成本最小为目标,提出考虑电能交互情况下的多能微网多场景配置方法;文献[14]中对配电网层与IEM层二者作为不同利益主体进行分布式的建模方式并行求解;文献[15]中将供能网的运行与储能规划协同考虑,但研究对象较为单一;文献[16]中建立考虑微网间能量交易情况下的优化调度策略,能够显著降低系统运行成本.但由于投资成本与政策问题,储能的应用被限制.随着共享经济的发展,出现了共享储能模式.文献[17]中提出云储能模式,并验证了其有效性与经济性.文献[18]中建立综合能源系统共享储能协同优化模型,充分降低了用户用能的费用.文献[19]中考虑经济性、碳减排量、弃电量3个方面,建立火电机组深度调峰与储能协调的多目标规划模型,并采用熵权法改进的多目标遗传算法求解模型.对比传统储能,储能共享的模式能够大大提高系统的经济性^[20],促进系统电能优质传输,但目前研究大都只单独考虑配电网或综合能源系统的储能配置^[21],较少有对综合能源系统与主动配电网共享储能配置的研究^[22-23].另一方面,大多数研究通常将多个目标通过加权系数法转化为单目标优化问题进行求解,针对储能系统配置这类综合考虑多方优化目标的复杂优化问题,常规的加权系数法普遍存在难以兼顾各个目标的瓶颈.随着主动配电网与综合能源系统耦合日益加剧^[24⇓-26],如何在配网侧与IEM侧配置共享储能来达到同时优化配网与微网的相关指标与提升总体电力系统经济性、稳定性成为亟需研究的课题.

基于以上分析,提出考虑微能网接入主动配电网情况下的多目标共享储能配置策略,建立微能网接入主动配电网的多目标共享储能配置的规划模型,采用多目标粒子群算法求解,并得到一组互不支配的帕累托(Pareto)解集;最后以接入微能网的IEEE33节点系统作为算例进行分析,验证所提策略的有效性.

1 上层规划层模型

主动配电网模型中,源侧考虑分布式风光新能源;网侧考虑网络重构;荷侧考虑需求响应(Demand Response, DR);其余的主动管理设备包含分组投切电容器(Capacitor Bank, CB)、有载调压变压器(On-Load Tap Changer, OLTC)、静止无功补偿器(Static Var Compensator, SVC).

1.1 规划层目标函数

(1) 日有功网损.

储能系统在主动配电网中能够等效成“负荷”或“电源”,可以通过充放电调节馈线中的电流流动,从而减少配电网的有功网损来提高经济性.目标f₁有功网损的计算方式如下:

(1)min f₁=

\overset{24}{\sum_{t = 1}} \sum_{i, j \in Ω_{B}}

(G_ij

U_{i, t}^{2}

U_{j, t}^{2}

- 2U_i,tU_j,tcos δ _ij,t)

式中:Ω_B为配网中支路集合;t为时刻;G_ij为支路ij间的电导;U_i,t、U_j,t分别为节点i、j在t时刻的电压;δ_ij,t为t时刻支路ij首末端点的相角差.

(2) 储能日投资成本.

储能装置日平均投资成本^[18]最小值为

(2)min f₂=C_E_,_inv

(3)C_E_,_inv=

\frac{η_{E, P} P_{e s s}^{m a x} + η_{S} E_{e s s}^{m a x}}{T_{S}}

\frac{η_{D} P_{e s s}^{m a x}}{T_{W}}

式中: η_E_,_P为储能功率成本;η_S为容量成本;η_D为维护成本; $P_{e s s}^{m a x}$ 为储能最大输出功率; $E_{e s s}^{m a x}$ 为储能最大容量;T_S为储能服务时间;T_W为一年中所含天数.

(3) 电压稳定性衡量指标.

主动配电网电压稳定性^[24]衡量指标函数为f₃,以每日平均电压偏差为基准,采样时间间隔为1 h,通过计算配电网中各个节点的电压偏差平方和来衡量配电网电压的稳定水平,电压指标函数表示为

(4)min f₃=

\overset{24}{\sum_{t = 1}} \overset{N_{L}}{\sum_{i = 1}} \frac{U_{i} - U_{i}^{*}}{Δ U_{i, m a x}}

式中:N_L为负荷所在的节点个数;U_i为节点i的实际电压; $U_{i}^{*}$ 为节点i的参考电压,设 $U_{i}^{*}$ =1;ΔU_i,_max为节点i最大允许偏差电压值,即在允许范围内最大电压与最小电压之差,ΔU_i,_max=U_i,_max-U_i,_min.

1.2 约束条件

(1) 储能荷电状态和放电功率约束,表示为

(5)

\begin{array}{l} E^{m a x} = 2.1 P_{e s s}^{m a x} \\ E_{t = 1} = 0.55 E^{m a x} \\ E_{t = 1} = E_{t = 24} \\ 15 % E_{e s s}^{m a x} \leq E_{e s s, t} \leq 90 % \\ 0 \leq {P^{a}}_{e s s, c h a, t} \leq {U^{a}}_{c h a, t} P_{e s s}^{m a x} \\ 0 \leq {P^{a}}_{e s s, d i s, t} \leq {U^{a}}_{d i s, t} P_{e s s}^{m a x} \\ 0 \leq {P^{w}}_{e s s, c h a, t} \leq {U^{w}}_{c h a, t} P_{e s s}^{m a x} \\ 0 \leq {P^{w}}_{e s s, d i s, t} \leq {U^{w}}_{d i s, t} P_{e s s}^{m a x} \\ E_{e s s, t} = E_{e s s, t - 1} + \\ (η^{c h a} P_{e s s, c h a, t} - \frac{1}{η^{d i s}} P_{e s s, d i s, t}) \\ U_{c h a, t}^{a} + U_{d i s, t}^{a} \leq 1, U_{c h a, t}^{w} + U_{d i s, t}^{w} \leq 1, \\ U_{c h a, t}^{a} \in {0,1}, U_{d i s, t}^{a} \in {0,1} \\ U_{c h a, t}^{w} \in {0,1}, U_{d i s, t}^{w} \in {0,1} \\ P_{e s s, c h a, t} = P_{e s s, c h a, t}^{a} + P_{e s s, c h a, t}^{w} \\ P_{e s s, d i s, t} = P_{e s s, d i s, t}^{a} + P_{e s s, d i s, t}^{w} \end{array}\}

式中:E^max为最大储能容量;E_ess_,t为储能t时刻的电量;η^cha、η^dis为充电效率与放电效率;P_ess_,_cha_,t、P_ess_,_dis_,t分别为充电与放电功率; $U_{c h a, t}^{a}$ 、 $U_{d i s, t}^{a}$ 分别为储能与配电网之间的充放电状态; $U_{c h a, t}^{w}$ 、 $U_{d i s, t}^{w}$ 分别为储能与微网之间的充放电状态,为0-1变量; $P_{e s s, c h a, t}^{a}$ 、 $P_{e s s, d i s, t}^{a}$ 分别为储能向配电网充、放电的电能; $P_{e s s, c h a, t}^{w}$ 、 $P_{e s s, d i s, t}^{w}$ 分别为储能向微网充、放电的电能.

(2) 潮流约束,表示为

(6)

\begin{array}{l} P_{G i, t} - U_{i, t} \overset{b}{\sum_{j = 1}} U_{j, t} (G_{i j} c o s δ_{i j, t} + B_{i j} s i n δ_{i j, t}) + \\ P_{e s s, c h a, t}^{a} - P_{e s s, d i s, t}^{a} + P_{W T, j, t} + P_{P V, j, t} = 0 \\ Q_{G i, t} - U_{i, t} \overset{b}{\sum_{j = 1}} U_{j, t} (G_{i j, t} s i n δ_{i j, t} - B_{i j} c o s δ_{i j, t}) + \\ Q_{C B, t} + Q_{S V C, t} = 0 \end{array}\}

式中:P_Gi,t、Q_Gj,t分别为配电网母线的有功、无功输入功率;P_WT_,j,t、P_PV_,j,t分别为t时刻节点j风力机、光伏的有功功率;B_ij为支路ij的电纳;b为支路数;Q_CB_,t、Q_SVC_,t分别为t时刻分组投切电容器、SVC无功补偿量.

(3) 风力机模型与约束,表示为

(7)P_WT_,t=

\{\begin{array}{l} 0, & v_{t} < v^{i n} 或 v_{t} \geq v^{o u t} \\ P_{W T, R} \frac{v_{t} - v^{i n}}{v^{r} - v^{i n}}, & v^{i n} \leq v_{t} < v^{r} \\ P_{W T, R}, & v^{r} \leq v_{t} < v^{o u t} \end{array}

(8)

\begin{array}{l} 0 \leq P_{W T, j, t} \leq P_{W T, j, t}^{m a x} \\ Q_{W T, j, t} = P_{W T, j, t} t a n δ_{W T} \end{array}\}

, ∀j∈Ω _WT

式中:P_WT,R为风力机额定功率;v_t为t时刻实际风速;vⁱⁿ为切入风速;v^r为额定风速;v^out为切出风速;Q_WT_,j,t为风力机j在t时刻的无功功率; $P_{W T, j, t}^{m a x}$ 为风力机j在t时刻的有功功率最大值;Ω_WT为配电网中风力机接入的节点;δ_WT为风力机的功率因数角.

(4) 光伏输出模型与约束.光伏的出力与其电池板面积与辐射强度成正相关,即

(9) P_PV_,i,t=η_PVSφ_PV_,i,t

(10)

\begin{array}{l} 0 \leq P_{P V, j, t} \leq P_{P V, j, t}^{m a x} \\ Q_{P V, j, t} = P_{P V, j, t} t a n δ_{P V} \end{array}\}

, ∀j∈Ω _PV

式中:η_PV为光伏效率;S为面积;φ_PV_,i,t为第i个光伏单位面积光照强度;Q_PV_,j,t为光伏j在t时刻的无功功率; $P_{P V, j, t}^{m a x}$ 为光伏j在t时刻的有功功率最大值;Ω_PV配电网中光伏接入的节点;δ_PV为光伏的功率因数角.

(5) SVC约束,表示为

(11)

Q_{S V C, j}^{m i n}

≤Q_SVC_,j,t≤

Q_{S V C, j}^{m a x}

, ∀j∈Ω _SVC

式中: Q_SVC_,j,t为第j个SVC在t时刻无功补偿量; $Q_{S V C, j}^{m a x}$ 、 $Q_{S V C, j}^{m i n}$ 分别为第j个SVC的上下限;Ω_SVC为配电网中SVC数量.

(6) 分组投切电容器约束,表示为

(12)

\begin{array}{l} Q_{C B, j, t} = g_{C B, j, t} Q_{C B, j}^{u n i t} \\ g_{C B, j, t} \leq G_{C B, j}^{m a x} \end{array}\}

, ∀j∈Ω _CB

式中:Q_CB_,j,t为第j个分组投切电容器在t时刻的无功补偿量;g_CB_,j,t为第j个分组投切电容器在t时刻的投切组数; $Q_{C B, j}^{u n i t}$ 为第j个分组投切电容器的单组投切容量; $G_{C B, j}^{m a x}$ 为第j个分组投切电容器的最大投切组数;Ω_CB为配电网中分组投切电容器数量.电容器组投切次数限制约束条件为

(13)

\overset{T}{\sum_{t = 1}}

|g_CB_,j,t-g_CB_,j,t-1|≤

B_{C B, j}^{m a x}

, ∀j∈Ω _CB

式中: $B_{C B, j}^{m a x}$ 为离散无功补偿装置j在T时段内最大投切次数.

(7) OLTC约束,表示为

(14)

\begin{array}{l} (V_{j}^{m i n})^{2} \leq (V_{j, t}^{h i})^{2} r_{O L T C, j, t} \leq (V_{j}^{m a x})^{2} \\ r_{O L T C, j}^{m i n} \leq r_{O L T C, j, t} \leq r_{O L T C, j}^{m a x} \\ \forall j \in Ω_{O L T C} \end{array}\}

式中: $V_{j, t}^{h i}$ 为OLTC高压侧的电压; $V_{j}^{m a x}$ 、 $V_{j}^{m i n}$ 为低压侧的电压上下限; $r_{O L T C, j}^{m a x}$ 、 $r_{O L T C, j}^{m i n}$ 分别为OLTC变比的上下限;Ω_OLTC为OLTC数量;r_OLTC_,j,t为OLTC在t时刻变比平方,进一步处理为

(15)r_OLTC_,j,t=

r_{O L T C, j}^{m i n}

\sum_{s}

r_OLTC_,j,sσ_OLTC_,j,s,t,∀j∈N_OLTC

式中:r_OLTC_,j,s为OLTC中s与 s-1档位变比平方的差值,表示调节增量;σ_OLTC_,j,s,t为0-1变量;N_OLTC为OLTC所在节点.一般情况下OLTC变比变化次数也有一定限制,构建约束条件为

(16)

\begin{array}{l} σ_{O L T C, j, σ, t} \leq σ_{O L T C, j, 2, t} \leq σ_{O L T C, j, 1, t} \\ δ_{O L T C, j, t}^{I N} + δ_{O L T C, j, t}^{D E} \leq 1 \\ \overset{Ω_{O L T C}}{\sum_{s}} σ_{j, s, t} - \sum_{s} σ_{O L T C, j, s, t - 1} \geq \\ δ_{O L T C, j, t}^{I N} - δ_{O L T C, j, t}^{D E} σ_{j} \\ \sum_{s} σ_{O L T C, j, s, t} - \overset{Ω_{O L T C}}{\sum_{s}} σ_{O L T C, j, s, t - 1} \leq \\ δ_{O L T C, j, t}^{I N} σ_{j} - δ_{O L T C, j, t}^{D E} \\ \overset{T}{\sum_{t = 1}} (δ_{O L T C, j, t}^{I N} + δ_{O L T C, j, t}^{D E}) \leq N_{O L T C, j}^{m a x} \\ \forall j \in N_{O L T C} \end{array}\}

式中: $δ_{O L T C, j, t}^{I N}$ 、 $δ_{O L T C, j, t}^{D E}$ 为档位变化的0-1变量,当t时刻比上一时刻档位大,则 $δ_{O L T C, j, t}^{I N}$ =1, $δ_{O L T C, j, t}^{D E}$ =0;σ_j为可调节档位范围; $N_{O L T C, j}^{m a x}$ 为变压器在T时段内的最大变化次数.

(8) 网络结构约束.

基于供电环路非联通理论,保证闭合支路数为节点数与电源数差值,且不形成供电回路,构建如下约束:

(17)

\overset{T}{\sum_{t = 1}}

ΔΨ_ij,t≤

Ψ_{i j, m a x}^{u n i t}

(18)

\begin{array}{l} \sum_{i j \in Ω_{S W}} Ψ_{i j, t} + N_{C l o s e} = N - N_{S} \\ \sum_{i j \in Ω_{S W, l}} Ψ_{i j, t} + N_{C l o s e, l} \leq M_{l} - 1 \end{array}\}

式中:N、N_S、N_Close分别为节点数、根节点数、常闭开关数;M_l为配网中第l个环路中的支路数;Ψ_ij,t为第l个供电环路中的支路ij的开关状态;Ω_SW_,l和N_Close_,l分别为第l个供电环路中含开关的支路集合和常闭支路数量.

(9) 节点电压约束,表示为

(19) U^min≤U_i,t≤U^max

式中:U^max、U^min分别为节点电压允许的上下限.

(10)电流约束,表示为

(20)

I_{l}^{m i n}

≤I_l,t≤

I_{l}^{m a x}

, ∀l∈N _l

式中: $I_{l}^{m a x}$ 、 $I_{l}^{m i n}$ 为支路1允许流过电流的上下限.

(11) 需求响应约束,表示为

(21)0≤P_i,t,_tr_,_in≤

P_{t r, i n}^{m a x}

L_i,t,_tr

(22)0≤P_i,t,_tr_,_out≤

P_{t r, o u t}^{m a x}

(1-L_i,t_tr)

(23)

\overset{T}{\sum_{t = 1}}

P_i,t,_tr_,_in=

\overset{T}{\sum_{t = 1}}

P_i,t,_tr_,_out

式中:P_i,t,_tr_,_in、P_i,t,_tr_,_out 分别为节点i在t时刻转出、转入功率; $P_{t r, i n}^{m a x}$ 、 $P_{t r, o u t}^{m a x}$ 分别为最大输入、输出功率;L_i,t,_tr为可转移负荷i的标志变量,当L_i,t,_tr为0时表示无负荷转入,为1时则相反.

2 下层运行层模型

主动配电网与IEM耦合的系统包含冷、热、电、气、氢5种能源流动,微网的拓扑结构如图1所示.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 IEM结构

Fig.1 Architecture of IEM

2.1 综合能源微网设备数学模型

(1) 燃气轮机模型,表示为

(24)

\begin{array}{l} P_{G T, e, t} = η_{G T, t}^{e} P_{G T, g, t} \\ P_{G T, h, t} = η_{G T, t}^{h} P_{G T, g, t} \end{array}\}

式中:P_GT_,_e_,t为燃气轮机t时刻的发电功率; $η_{G T, t}^{e}$ 为燃气轮机的发电效率;P_GT_,_g_,t为燃气的消耗速率;P_GT_,_h_,t为燃气轮机的热功率; $η_{G T, t}^{h}$ 为燃气轮机发热效率.

(2) 燃气锅炉模型,表示为

(25) P_GB_,_h_,t=η_GB_,tP_GB_,_g_,t

式中: P_GB_,_h_,t为燃气锅炉t时刻的产热量; η_GB_,t为燃气锅炉发热效率; P_GB_,_g_,t为燃气锅炉的燃气消耗速率.

(3) 储热模型,表示为

(26)

\begin{array}{l} E_{h}^{m a x} = 2.58 P_{h, e s s}^{m a x} \\ E_{h, t = 1} = 0.4 E_{h}^{m a x} \\ E_{h, t = 1} = E_{h, t = 24} \\ 15 % E_{h, e s s}^{m a x} \leq E_{h, e s s, t} \leq 90 % \\ 0 \leq P_{h, e s s, c h a, t} \leq U_{c h a, t} P_{h, e s s}^{m a x} \\ 0 \leq P_{h, e s s, d i s, t} \leq U_{d i s, t} P_{h, e s s}^{m a x} \\ E_{h, e s s, t} = E_{h, e s s, t - 1} + \\ (η_{h}^{c h a} P_{h, e s s, c h a, t} - \frac{1}{η_{h}^{d i s}} P_{h, e s s, d i s, t}) \\ U_{h, c h a, t} + U_{h, d i s, t} \leq 1 \\ U_{h, c h a, t} \in {0,1}, U_{h, d i s, t} \in {0,1} \end{array}\}

式中: $E_{h}^{m a x}$ 为最大储热量; $P_{h, e s s}^{m a x}$ 为最大充放电功率;E_h,ess,_t为储热t时刻的热量; $η_{h}^{c h a}$ 、 $η_{h}^{d i s}$ 分别为充放热效率;P_h,ess,cha,_t、P_h,ess,dis,_t分别为充热与放热功率;U_h,cha,_t、U_h,dis,_t分别为储热与微网之间的充放热状态,为0-1变量.

(4) P2G模型.P2G能利用过剩的可再生能源制气,促进可再生能源消纳,其模型为

(27)

P_{P 2 G, g, H_{2}, t}

=η_P₂_GP_P₂_G_,_e_,t

式中: $P_{P 2 G, g, H_{2}, t}$ 为P2G设备产氢气量;η_P2G为P2G设备制氢效率; P_P2G,e,_t为P2G装置输入电能.

氢气甲烷化反应的效率实际上是与多重因素有关的,近似取其效率为固定值.甲烷反应器模型如下所示:

(28)P_M_,_g_,t=

\frac{1}{ρ} M_{H_{2}}

η_M

P_{g, H_{2}, t}

H_L

式中:P_M_,_g_,t为t时段合成的甲烷;ρ为管道内天然气密度; $M_{H_{2}}$ 为氢气转换为天然气的摩尔质量折算系数;η_M为甲烷反应器的效率; $P_{g, H_{2}, t}$ 为t时段氢气的输入量;H_L为天然气的低热值.

利用氢能发电不仅对解决电网削峰填谷有所帮助,还可以大幅降低碳排放,提高能源利用率.储氢罐是实现多余风电能量向负荷高发时段转移的关键设备,储氢罐模型如下所示:

(29)

\begin{array}{l} E_{H T, t + 1} = E_{H T, t} + E_{H T, c, t} - E_{H T, d, t} \\ E_{H T}^{m i n} \leq E_{H T, t} \leq E_{H T}^{m a x} \end{array}\}

式中:E_HT_,t为t时段储氢量;E_HT_,_c_,t、E_HT_,_d_,t 分别为t时刻储氢罐中增加、消耗的储氢量; $E_{H T}^{m a x}$ 、 $E_{H T}^{m i n}$ 分别为储氢罐的容量上下限.

氢燃料电池^[14]是将氢能与电能、热能联系起来的枢纽,是实现多能耦合的关键.氢燃料电池的模型为

(30)

\begin{array}{l} P_{H F C, e, t} = η_{H F C, e} P_{H F C, g, t} \\ P_{H F C, e}^{m i n} \leq P_{H F C, e, t} \leq P_{H F C, e}^{m a x} \end{array}\}

(31) P_HFC_,_h_,t=l_hP_HFC_,_e_,t

式中:P_HFC_,_e_,t为电解氢的电功率;η_HFC,e为氢燃料电池的发电效率为 0.271 6; P_HFC,g,_t为t时段输入到氢燃料电池的功率; $P_{H F C, e}^{m a x}$ 、 $P_{H F C, e}^{m i n}$ 分别为氢燃料电池出力的上下限;P_HFC,h,_t为电池发热功率;l_h为电池热电比.

(5) 光伏输出模型与风力机输出模型与式(7)~(10)一致.

(6) 电制冷机.电制冷是以电能作为输入能源的设备,电制冷机的数学模型为

(32) P_EC_,_c_,t=η_ECP_EC_,_e_,t

(33)0≤P_EC_,_c_,t≤

P_{E C}^{m a x}

式中: P_EC,c,_t为电制冷机的制冷量;η_EC为电制冷机的制冷系数;P_EC,e,_t为电制冷机的功耗; $P_{E C}^{m a x}$ 为制冷量上限.

2.2 运行层目标函数

下层目标函数为IEM网与主动配网系统年运行成本最低,即

(34)min C_total=min(C_ADN+C_W)

(35)min C_ADN

\overset{T}{\sum_{t = 1}}

(C_OLTC_,t+C_grid_,t+C_swit_,t+C_CB_,t)

(36)C_CB_,t+C_OLTC_,t=

c_{o}^{C B} \overset{T}{\sum_{t = 1}} \overset{l}{\sum_{i \in C B}}

a_ik,t+

c_{o}^{O L T C} \overset{T}{\sum_{t = 0}}

κ_t

(37)C_grid_,t=

\overset{T}{\sum_{t = 1}}

(

c_{p, t}^{B u y} P_{t}^{B u y}

c_{q, t}^{B u y} Q_{t}^{B u y}

)

(38)C_SW=

\sum_{z \in Ω_{S W}}

c_switΔΨ_z,t

(39)min C_W=

\overset{T}{\sum_{t = 1}}

[C_grid_,_w+C_fuel_,_w+C_GB- (C_PV+C_WT)+C_P₂_G+C_PGT]

(40)C_grid_,_w=

\overset{N_{T}}{\sum_{t = 1}}

(τ_tP_grid_,_w_,tΔt)

(41)C_fuel_,_w=c_gas

\overset{N_{T}}{\sum_{t = 1}} [(\frac{P_{G T, w, t}}{η_{G T} L_{N G}} + \frac{Q_{G B, w, t}}{η_{G B} L_{N G}}) Δ t]

(42)C_GB=

\overset{N_{T}}{\sum_{t = 1}}

(ζ_GBP_GB_,tΔt)

(43)C_GT=

\overset{N_{T}}{\sum_{t = 1}}

(ζ_GTP_GT_,tΔt)

(44)C_PV+C_WT=

\overset{N_{T}}{\sum_{t = 1}}

[ζ_DG(P_PV_,t+P_WT_,t)Δt]

(45)C_P₂_G=

\overset{N_{T}}{\sum_{t = 1}}

(τ_tP_P₂_GΔt)

式中:C_total为系统总运行成本;C_ADN为配网总运行成本;C_W为微网总运行成本;C_OLTC,_t为OLTC操作成本;C_grid,_t为配网购电成本;C_swit,_t为配电网联络线单次开关成本;C_CB,_t为分组投切电容器投切成本; $c_{o}^{C B}$ 、 $c_{o}^{O L T C}$ 分别为分组投切电容器和OLTC的操作成本;常量a_ik,t为t时刻在i节点的分组投切电容器单次投切成本;常量κ_t为t时刻OLTC单次操作成本;C_grid_,t为配电网运行成本; $c_{p, t}^{B u y}$ 、 $c_{q, t}^{B u y}$ 分别为配电网向上级电网购电的有功与无功成本; $P_{t}^{B u y}$ 、 $Q_{t}^{B u y}$ 分别为配电网向上级电网无功与有功购电量;C_SW为开关总成本;z为首节点i和末节点j构成的支路;c_swit为开关动作成本;C_grid_,_w为每日微网到电网的购电费用;C_fuel_,_w为微网每日燃气费用;C_GB、C_PV、C_WT、C_P2G、C_PGT分别为燃气锅炉、光伏、风力机、P2G、燃气轮机运行成本;τ_t为t时段的电价;P_grid_,_w_,t为微网在t时段从电网购电功率;c_gas为燃气的单位价格;P_GT_,_w_,t为微网中燃气轮机t时刻输出电功率;η_GT为微型燃气轮机的发电效率;L_NG为燃气热值;Q_GB,w,_t为燃气轮机输出热功率;η_GB燃气锅炉的效率;ζ_GB为燃气锅炉单位功率的运行维护费用;C_GT为燃气轮机的运行成本;ζ_GT为燃气轮机单位功率的运行维护费用;ζ_DG为新能源发电补贴;P_PV_,t为光伏出力;P_P2G为电转气所需的电功率.

2.3 综合能源微网约束

(1) 电功率平衡,表示为

(46)P_GT_,_e_,t+P_WT_,t+P_PV_,t+P_grid_,t+P_HFC_,_e_,t-

P_{e s s, c h a, t}^{w}

P_{e s s, d i s, t}^{w}

+P_EC_,_e_,t-P_P₂_G_,_e_,t= P_e_,_load_,t

式中:P_grid_,t为微网向主网购电功率;P_e,load,_t为微网中的电负荷.

(2) 冷功率平衡,表示为

(47) P_EC_,_c_,t+P_AC_,_c_,t=P_c_,_load_,t

式中:P_AC_,_c_,t为吸收式制冷机输出冷功率;P_c,load,_t为冷负荷.

(3) 热功率平衡,表示为

(48) P_GB_,_h_,t+P_HX_,_h_,t+P_h_,_ess_,_dis_,t-P_h_,_ess_,_cha_,t+ P_HFC_,_h_,t=P_h_,_load_,t

式中:P_HX_,_h_,t为微网在t时段换热器输出制热功率;P_h_,_load_,t为t时刻微网热负荷.

(4) 气功率平衡,表示为

(49) P_g_,t+P_M_,_g_,t+P_GB_,_g_,t-P_GT_,_g_,t+ P_HFC_,_g_,t=P_g_,_load_,t

式中:P_g_,t为购气量;P_g,load为气负荷.

(5) 余热锅炉余热平衡,表示为

(50)

\frac{P_{H X, t}}{η_{H X}}

\frac{P_{A C, c, t}}{η_{A C}}

-γ_GTη_WHP_GT_,t=0

式中:P_HX_,t为换热器的热功率;η_HX为换热器的效率;η_AC为吸收式制冷机能效比;γ_GT为燃气轮机热电比;η_WH为余热锅炉效率.

3 多目标粒子群算法求解算法

3.1 Pareto最优理论

Pareto解的概念源于博弈论,指的是模型某个解的目标值在得到优化的同时必须以牺牲其他目标的函数值为代价.因此,各目标函数被无歧视地优化^[10].

假设 $x_{1}^{*}$ 、 $x_{2}^{*}$ 分别为优化模型的2个解,当下述2个条件成立时,称 $x_{1}^{*}$ 支配 $x_{2}^{*}$ .

(1) F_d( $x_{1}^{*}$ )≤F_d( $x_{2}^{*}$ ), d=1,2,…,N_ob_h,N_ob_h为目标函数集合.

(2) 至少有一目标函数h'满足F_d( $x_{1}^{*}$ )≤F_d( $x_{2}^{*}$ ).

若存在解集Ω={ $x_{d}^{*}$ , d=1,2,…,n_S},n_S为模型解数量,当 $x_{d}^{*}$ ∈Ω且解集中不存在其余的 $x_{d}^{*}$ ∈Ω支配 $x_{d}^{*}$ 时,则称该解是解集的一个非支配解.

模型求解后的每个Pareto解都对应一个储能的配置方案,函数表示其对应的目标函数,即功率损耗、电压偏差与配置成本.

3.2 模糊隶属度法

Pareto解集对应储能配置的最优解集,使用模糊隶属度法^[10]从Pareto解集中选出最优折衷方案.模糊隶属函数^[18]具体表示为

(51)

μ_{d}^{h}

\{\begin{array}{l} 1, & F_{d} \leq F_{d}^{m i n} \\ \frac{F_{d}^{m a x} - F_{d}^{h}}{F_{d}^{m a x} - F_{d}^{m i n}}, & F_{d} \leq F_{d}^{m i n} \\ 0, & F_{d} \geq F_{d}^{m a x} \end{array}

式中: $μ_{d}^{h}$ 为第d个目标函数 $F_{d}^{h}$ 的第h个解的隶属函数; $F_{d}^{m a x}$ 、 $F_{d}^{m i n}$ 分别为所有非支配解中第d个目标函数的最大值和最小值.最佳折衷解为

(52)

μ^{h^{*}}

=max_h=1,2,…,M

\frac{\overset{N_{o b h}}{\sum_{d = 1}} μ_{d}^{h}}{\overset{M}{\sum_{h = 1}} \overset{N_{o b h}}{\sum_{d = 1}} μ_{d}^{h}}

式中:M为非支配解的数量.

3.3 多目标粒子群算法

储能配置问题是多目标协同优化问题,粒子群算法因为编程简单、收敛速度快,被应用于多目标寻优问题^[19],通过粒子间的合作与竞争实现目标寻优,每个粒子对应一个优化方案.

许多研究在使用粒子群算法求解多目标问题时,需要对各个目标进行重要性评估并确定权重,此时多目标问题转换为单目标问题,无法公平地实现对各目标的寻优.为解决该问题,在粒子群算法上加入Pareto算法.改进后的算法无需对各目标权重进行处理,可以对各目标进行公平寻优,并得到一组非支配的解集,具体操作如下文所述.

3.4 多目标粒子群算法求解步骤

图2为优化配置示意图,上层为储能配置层,下层为运行层.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 优化示意图

Fig.2 Schematic of optimization

采用粒子群算法对储能进行规划,流程图如图3,具体步骤如下:

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 程序流程图

Fig.3 Flow chart of program

(1) 初始化配电网与其设备参数,包括设置最大迭代次数,初始化种群,同时将初始化的粒子所求得的目标函数作为粒子的初始个体最优解.

(2) 迭代次数(G)加1,调整惯性权重、粒子的速度与位置.

(3) 将随机产生的种群方案传递至运行层并求解,再将结果传递至配置层,再计算各粒子的适应度,更新个体最优解,即分别计算每个储能配置方案后的有功网损、电压偏差及综合成本.

(4) 更新粒子的状态,再求出新种群的个体目标函数与适应度值.

(5) 计算粒子之间的距离D(i,j),在一定距离范围内较小的适应度个体将被淘汰,D表示粒子间的距离,为常数;再对新种群进行排序处理,保存适应度高的前L个个体.

(6) 依据最大迭代次数判断迭代是否完成,若是则输出Pareto最优解集,否则跳转至步骤(2).

(7) 更新Pareto解集,再使用模糊隶属度函数法计算Pareto优解集中各最优解的满意度.将满意度最高的粒子作为全局最优粒子.

(8) 采用模糊隶属度函数法,计算Pareto解集中各最优解的满意度,将满意度最高的最优解作为得到的储能配置方法.

4 算例分析

为了验证考虑IEM接入的配电网共享储能多目标配置策略,基于MATLAB2016a的运行环境进行仿真.在IEEE33节点配电系统^[14]上进行仿真,系统算例的阻抗与负荷均采用标准参数.其中,分组投切电容器与SVC介入配电网21、24、27节点.配电网中OLTC装在首端,调节范围为[0.95,1.05], 如图4所示.该配电网的基准电压为12.66 kV,基准容量为10 MV·A,光照与风速数据均来自浙江某沿海城市.IEM接入17节点,储能接入32节点与综合能源共享.分组投切电容器、SVC、OLTC、IEM参数见附录.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 接入IEM的IEEE33节点拓扑结构

Fig.4 Topology of IEEE 33-node system for access to IEM

为验证该模型有效性,设置4种优化场景进行配置: ① 配网不配置储能的工况;② 不考虑SVC、分组投切电容器、OLTC与网络重构等灵活性调控策略;③ 配电网与IEM单独配置储能的策略;④ 所提考虑IEM接入主动配电网情况下的共享储能多目标配置策略.

4.1 多目标优化结果及分析

根据所建立的配电网模型,将种群大小设置为80,迭代次数设置为100,经上节粒子群算法求解可得图5所示三维Pareto前沿.由于设置种群数为80,所以图中包含80个点,每个点代表一种配置方案.每个点的坐标分别代表此种配置方案下,f₁配电网的网损、f₂配电网的负荷节点电压偏差和f₃储能的配置成本.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 三维Pareto前沿

Fig.5 Three-dimensional Pareto front

为方便分析每两个目标函数之间的关系,将图5三维散点图分别投影到f₁与f₂、f₁与f₃、f₁与f₃为底面坐标的二维平面中,可以得出以下两点:

(1) 随着储能投资成本增加,配电网网损逐渐减小,同时配电网电压偏差逐渐减小,原因为储能容量的增大能够为配网运行提供更大的容量裕度,支撑配电网电压,减少线路压降从而降低网损.

(2) 负荷节点电压偏差越大网损越大,其原因为当节点电压之间的电压偏差越大时,节点的压降越大,节点之间的网损就会增加.

为便于观察图5中Pareto解在3个目标之间的分布规律,对点进行插值并绘制曲面,如图6所示.观察图5和图6可发现如下规律:这3个目标之间存在矛盾,无法寻找到完美的最优解,即f₁、f₂、f₃均取到最小值.例如,由图6可见,当f₁与f₂取最大值时,f₃则会变得相对较小;反之亦然.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 Pareto前沿面

Fig.6 Pareto front

对储能配置方案解集采取模糊多属性决策方法获得折中最优解,最终选取的配置结果显示,储能容量配置为1 366.59 kW·h,此时网损为1.162 MW,日投资成本为734.556元,电压稳定性指标为68.454,表1为储能配置参数.

表1 储能配置参数

Tab.1 Parameters of configuration for energy storage

储能配置参数	数值
储能初始容量比例/%	55
功率成本/(元·kW^-1)	600
容量成本/[元·(kW·h)^-1]	600
日维护成本/(a·kW)	40
储能预期的使用时间,T_S/d	10×365
储存容量运行范围/%	15~90
储能充放电效率	0.98
储能容量与充放电功率比	2.1
储能容量/(kW·h)	1366.59
储能年综合成本/万元	80.437

新窗口打开| 下载CSV

4.2 配电网侧优化结果及分析

在算例中,配网的风力机和光伏分别加在节点9和节点12,接入点的风电和光伏预测出力如图7所示.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 风力机和光伏预测出力

Fig.7 Forecast output of wind turbine and PV

配置储能前后电压如图8所示,可以看出储能接入后电网的最低电压标幺值(p.u.)从0.98提升到1.01,储能能够充分地在电网负荷分布较大的时段为电网提供电能,改善潮流分布能间接减小网损与提高电网的抗干扰能力;配置的储能能够减少全配电网络的电压波动,达到多目标之一的电压稳定性目标,有利于安全稳定运行.

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 配置前后电压

Fig.8 Voltage before and after configuration

需求响应前后负荷变化如图9所示.蓝色曲线是在需求响应策略下的负荷曲线,可控负荷在全天24个时间段均参与响应;需求响应策略能够在负荷低谷时增加用户用电量,当负荷处在峰值时较高时,减少用户的用电需求,结合分时电价,能大大促进电网经济性,以此说明DR策略有效地改善了负荷曲线,具有削峰填谷的作用.图10~12为配电网各可控元件的出力情况.

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 DR前后的负荷

Fig.9 Load profile before and after implementation of DR

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 SVC出力

Fig.10 Output of SVC

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 CB投切曲线

Fig.11 Cast cut curve of CB

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12 OLTC档位

Fig.12 Gears of OLTC

由图8~12以及表2可以看出,对IEM接入的配网系统储能的配置,即方案4所求得的配电网网损、配电网电压稳定性、配网运行成本以及配网的新能源消纳率均最优.可以发现,用所提方法优化配置后,不作为目标函数的配电网新能源消纳率也间接提升10.57个百分点.分析可知,储能能够在难以消纳新能源的时段减少新能源弃电,电能可存储在储能之中在负荷高峰进行释放.

表2 4种场景下配网运行情况

Tab.2 Operation of distribution network in four scenarios

场景	配电网日网损/MW	配电网电压稳定性	配电网运行成本/元	配电网新能源消纳率/%
1	1.562	87.234	1.6587×10⁴	85.354
2	1.318	75.976	1.3845×10⁴	89.659
3	1.172	73.558	1.3327×10⁴	94.028
4	1.162	69.454	1.2938×10⁴	95.921

新窗口打开| 下载CSV

对比所提策略与方案2可知,若配电网中不配置主动管理设备,包括OLTC、分组投切电容器、SVC与网络重构等情况下,电网的整体性能均下降,原因在于在电压偏低时,分组投切电容器与SVC等无功补偿设备能够及时动作来支撑电压与负荷,OLTC在电压下降或上升时动作来维持全网电压;网络重构作为网侧的灵活性资源能够根据电网的负荷与新能源以及补偿设备进行时空调整,将某过载时刻的支路转移至轻载支路.因此,在主动配网中配置灵活性资源能够大大提升主动配电网的智能性与经济性.对比方案3,所提方案单独配置储能情况下配电网运行经济性略有下降,因为单独配置储能相较共享储能的模式价格较高,为了获得一定的配置经济性势必会增加电网网损与电压波动.综上所述,所提方案不仅能提升配网运行经济性,配电网的电压稳定性指标更较配置之前大幅提高20.4%.相较于其他场景,该方案在配网侧运行效果最优.

4.3 综合微网侧优化结果及分析

IEM与储能直接相连,调度周期为1 h,设备相关参数附表所示,天然气取气价3.55元/m³,微电网购电电价采用分时电价如表3所示.

表3 电价参数

Tab.3 Parameters of Tariff

时段	时刻	电价/元
峰时段	08:00—12:00	1.35
	17:00—21:00
平时段	12:00—17:00	0.85
	21:00—24:00
谷时段	00:00—08:00	0.35

新窗口打开| 下载CSV

图13~15分别为微网各个单元的电力调度情况、储能充放电情况与气功率平衡情况.在风电出力过剩时段,如1:00—4:00,启动电转气制气与储能充电,能够起到对多余电量起到消纳与存储的作用,储氢罐在10:00—11:00等负荷高峰时段释放氢气使氢燃料电池工作提供系统部分缺额电能,能够帮助微网系统削峰填谷.

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13 电功率平衡

Fig.13 Balance of electrical power

图14

新窗口打开| 下载原图ZIP| 生成PPT

图14 储能充放电

Fig.14 Charging and discharging of energy storage

图15

新窗口打开| 下载原图ZIP| 生成PPT

图15 气功率平衡

Fig.15 Balance of gas power

对比电功率平衡曲线与储能充放电曲线,共享储能在典型日7:00—8:00、15:00—16:00达到最大充电功率 651 kW.可以分析得出储能系统在00:00—5:00、13:00—16:00等系统负荷相对低谷时进行储能充电,储能系统在10:00—12:00等系统负荷相对高峰时进行储能放电.在15:00—20:00时段,储能对配网充电时同时微网对储能充电,配电网与IEM作为不同的用户对象能够合理共用此储能系统,对储能资源进行资源共享,达到经济与环保的目的.由图13可知,在0:00—5:00时段,系统的电转气设备在满足氢燃料电池供应后能够用多余氢气制甲烷来提供系统一部分燃气供应.

配置储能前,系统中没有存量电能供应设施,因此投建储能初始投资较大,但同时能够有效转移部分配电网与微网的供电压力;结合储能的充放电与分时电价可知,以运行成本最低为目标的下层调度策略决定了储能在电价较高的时段放电,以获得最小的运行成本.

电价高峰时段与风光新能源出力的最大时段重合,此时用电缺口较小,导致配置的储能容量较小.

图16为微网各个时段热能的调度情况,可以看出在氢燃料电池工作提供系统部分缺额电能的同时,能够产生一部分的热能,在0:00—4:00、8:00—11:00等时段,系统的热负荷已经满足的情况下,将此部分热能存入储热设备;在14:00—16:00等时段释放储热满足系统热负荷.由上述分析可知,储能能够消纳系统多余电量,通过燃料电池间接释放热量给储热设备存储与释放,因此储能设备在一定程度上能够优化IEM的能源分配水平.

图16

新窗口打开| 下载原图ZIP| 生成PPT

图16 热功率平衡

Fig.16 Balance of thermal power

图17为微网各个时段冷能的调度情况,冷负荷完全由电制冷及吸收式制冷机提供冷能供应.表4与表5为不同场景的微网运行情况与成本,微网在所提配置策略下运行成本与新能源消纳率均最低,相比配置前,微网的运行成本下降14.9%,微网的新能源消纳率提升10.4个百分点, 微网能够完全消纳配置前被无法消纳的新能源.

图17

新窗口打开| 下载原图ZIP| 生成PPT

图17 冷功率平衡

Fig.17 Balance of cold power

表4 4种场景下综合微网运行情况

Tab.4 Operation of integrated micro-network in four scenarios

场景	微网运行成本/万元	微电网新能源消纳率/%
1	3.9543	89.6
2	3.3898	100.0
3	3.3853	100.0
4	3.3653	100.0

新窗口打开| 下载CSV

表5 系统不同场景成本

Tab.5 System cost in different scenarios

场景	储能日总成本/元	配网日运行成本/万元	微网日运行成本/万元	总日运行成本/万元	年总成本/万元
1	0	1.6587	3.9543	5.6130	2 048.7
2	868.4	1.3845	3.3898	4.8032	1 784.9
3	1 284.6	1.3027	3.3853	4.6880	1 758.0
4	734.6	1.2938	3.3653	4.6836	1 736.3

新窗口打开| 下载CSV

综上所述,综合能源在配置储能后,能够在一定程度上优化系统能源调度结构, 合理根据储能的充放电能力调整系统的用能特征;又因分时电价的存在,储能能够大大增加微网系统的经济性与环保性.

由表5可见,所提策略所建立的IEM接入的配网系统在储能以及微网配网优化调度后的总日运行成本由原来的5.6130万元降低为 4.683 6 万元,总日运行成本降低16.6%.若不考虑网络重构的作用,系统难以对时空不同的资源进行协调调度.因此,总日运行成本相较所提策略成本高2.5%,经济成本有一定程度提高,不利于经济运行.场景3与4对比验证了所提策略储能共享模式的有效性,储能的共享模式相较于配电网与微网单独投资储能年投资成本下降 20.1万元,年总成本下降21.7万元, 可以看出,通过在配电网和微电网之间共享储能,可以利用微电网和配电网在不同时段的差异性和互补性,减少微电网和配电网因弃电和能源短缺造成的经济损失,大大降低配置成本.

综上所述,将储能优化配置到与综合能源微电网接入的配电网中,可以大幅降低储能配置的规模,提高储能资源的利用率,减少储能资源的浪费,并大幅降低用户的投资.同时,共享储能功能使配电网用户和综合微电网能源系统的能源消费行为相互补充,能够提高可再生能源的利用率,减少微电网系统从电网购买电力和天然气的成本,降低微电网系统的年成本,进一步降低运营成本.提高微电网系统的能源效率可以提高整个微电网综合能源系统运行的灵活性,并进一步优化储能设备的充电和放电效率.

5 结论

提出一种考虑IEM接入的配电网情况下的共享储能多目标配置策略,采用基于Pareto最优的多目标粒子群法求解.算例表明,所提方法降低了储能的建设成本,降低了网损,减少了负荷峰谷差,提升了配网运行裕度.经过算例分析获得具体结论如下:

(1) 采用所提方法得到的储能配置方案与建设储能之前的成本相比,总日运行成本降低16.6%;风能和光能的消纳率提高10.57个百分点;电压稳定性提高20.4%,能源供应的可靠性更高.

(2) 充分考虑配电网侧灵活性资源的协调互动的能力以及网架结构的灵活性,可促进配电网电压稳定与改善潮流分布.

(3) 设计多目标粒子群的求解方法,合理设置3个互相相悖的目标,能够在保证求解结果最优性的同时,大幅度降低求解难度,有效提升求解效率.

附录见本刊网络版(xuebao.sjtu.edu.cn/article/2024/1006-2467/1006-2467-58-09-1309.shtml)

附录仿真系统参数

表1 分组投切电容器参数

Tab.1 Parameter of CB

接入节点	单位容量/kvar	数量
21、24	25	2

新窗口打开| 下载CSV

表2 SVC参数

Tab.2 Parameters of SVC

接入节点	补偿范围/kvar
15、27	[-100, 300]

新窗口打开| 下载CSV

表3 OLTC参数

Tab.3 Parameters of OLTC

类别	节点电压 (p.u.)	OLTC二次电压 (p.u.)
下限	0.95	0.95
上限	1.05	1.05

新窗口打开| 下载CSV

表4 IEM设备参数

Tab.4 Device parameters of IEM

参数	数值
燃气轮机发电效率	0.3
燃气轮机热电比	1.47
燃气轮机最大功率/kW	900
余热锅炉效率	0.8
吸收式制冷机能效比	1.2
吸收式制冷机最大功率/kW	600
电制冷机能效比	4
电制冷机最大功率/kW	400
换热装置效率	0.9
换热装置最大功率/kW	700
燃气锅炉效率	0.9
燃气锅炉最大功率/kW	400
电网购电最大功率/kW	800
P2G设备/kW	200
P2G设备效率	0.58
燃料电池最大电功率/kW	300
燃料电池热电比	1.35
电氢能量转换效率	0.85

新窗口打开| 下载CSV

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

米阳, 王鹏, 邓锦, 等.

孤岛交直流混合微电网群分层协调控制

[J]. 电力系统保护与控制, 2021, 49(20): 1-8.