陳國恩，宗鵬鵬，朱偉，張子仲，梁歡利，王丙文，陳中

(1.國網(wǎng)嘉興供電公司，浙江省嘉興市 314200；2. 東南大學電氣工程學院，南京市 210096；3. 國電南瑞科技股份有限公司，南京市 211106)

?

計及可再生能源與負荷互補特性的儲能隨機調(diào)度

陳國恩1，宗鵬鵬2，朱偉1，張子仲3，梁歡利2，王丙文3，陳中2

(1.國網(wǎng)嘉興供電公司，浙江省嘉興市 314200；2. 東南大學電氣工程學院，南京市 210096；3. 國電南瑞科技股份有限公司，南京市 211106)

在“風光儲”并網(wǎng)系統(tǒng)中，需要考慮間歇性新能源的不確定性對電力系統(tǒng)的影響，基于此，構建了計及風電、光伏發(fā)電系統(tǒng)出力不確定性和負荷隨機性的常規(guī)電源和儲能裝置隨機優(yōu)化日前調(diào)度模型。模型考慮了儲能裝置充放電限制的約束條件，在假設風速服從Weibull分布，光照服從Beta分布的條件下，推導出“風光儲”并網(wǎng)系統(tǒng)等效負荷的平均方差表達式，并以此為目標函數(shù)建立儲能裝置隨機優(yōu)化調(diào)度模型，衡量平抑常規(guī)機組波動的能力。應用雙鏈量子遺傳算法進行求解，最后以IEEE30節(jié)點系統(tǒng)為例驗證了所提出模型的可行性和有效性。

“風光儲”；概率調(diào)度；平均方差；雙鏈量子遺傳算法

0 引 言

風能和太陽能等間歇性能源并網(wǎng)容量的逐步增加，對電力系統(tǒng)穩(wěn)定運行造成了越來越大的影響?！帮L光儲”互補發(fā)電系統(tǒng)是一種可行的解決方案[1-2]。儲能系統(tǒng)的作用是平抑風電出力的波動[3-4]、平穩(wěn)輸出功率，增加電網(wǎng)對可再生能源吸收接納程度。通過儲能的優(yōu)化調(diào)度抑制系統(tǒng)功率波動來滿足高滲透率間歇性能源并網(wǎng)要求，是未來電力系統(tǒng)重點研究方向。

目前國內(nèi)外對基于電網(wǎng)調(diào)度的儲能容量配置及效益已經(jīng)有一定的研究[5-13]。文獻[8-10]利用衡量“風光儲”系統(tǒng)可靠性的指標來確定儲能容量；針對利用儲能裝置抑制功率波動問題，文獻[11]通過引入儲能系統(tǒng)降低了風電波動性對機組組合問題的不利影響；文獻[12-13]以入網(wǎng)電動汽車為可調(diào)負荷，研究了電力系統(tǒng)最優(yōu)組合問題，為“風光儲”并網(wǎng)系統(tǒng)運行調(diào)度提供參考。文獻[14]在風電機組和光伏發(fā)電隨機性基礎上，發(fā)展了以平抑可再生能源出力波動為目標的電力系統(tǒng)隨機協(xié)同優(yōu)化調(diào)度模型，但忽略了負荷波動對調(diào)度策略的影響。

目前的研究工作主要考慮通過儲能抑制可再生能源波動，目標函數(shù)多為可再生能源波動性最小，以保證常規(guī)電源的出力調(diào)度計劃受到的影響最小。但在風電和光伏的波動過程中，自身具有隨機互補性，并且和負荷波動也存在系統(tǒng)互補性，只考慮常規(guī)電源調(diào)度計劃影響最小并不一定是最優(yōu)計劃。目前的研究較少考慮負荷波動性，因為在新能源滲透率不高的情況下，新能源功率波動比負荷的波動要小的多，只需制定調(diào)度策略控制儲能裝置充放電功率使“風光儲”功率波動最小。隨著新能源滲透率的逐步增加，若不考慮負荷波動對調(diào)度策略的影響會使調(diào)度結果偏離最優(yōu)解。因此在大規(guī)模“風光儲”并網(wǎng)系統(tǒng)中，儲能調(diào)度策略需計及可再生能源自身互補性、可再生能源與負荷的系統(tǒng)互補特性，使系統(tǒng)運行最優(yōu)。本文在充分考慮可再生能源與負荷的互補性以及“風光”自身互補性的基礎上，通過儲能和常規(guī)能源的日前優(yōu)化協(xié)同調(diào)度，使常規(guī)電源運行在較小的波動范圍，避免頻繁調(diào)整出力造成爬坡?lián)p失，保證系統(tǒng)運行的經(jīng)濟性和安全性。

文獻[15]在假設風電、光伏發(fā)電出力確定的條件下，基于改進數(shù)學熵的衡量指標，研究了運行周期內(nèi)蓄電池充放電功率優(yōu)化問題。本文在文獻[15]的基礎上，計及風電、光伏以及負荷的隨機波動性，充分發(fā)揮可再生能源與負荷的互補特性，通過常規(guī)能源和和儲能的優(yōu)化協(xié)同調(diào)度，以最小化常規(guī)電源在一個調(diào)度周期內(nèi)的平均功率波動為目標，構造優(yōu)化模型，并通過雙鏈量子遺傳算法求解，以獲取系統(tǒng)優(yōu)化運行日前調(diào)度結果。首先根據(jù)風電和光伏發(fā)電概率分布函數(shù)分別推導出風電機組和光伏發(fā)電機組出力的期望、方差及二階原點矩的表達式，以常規(guī)機組出力平均方差最小為目標，計及儲能裝置充放電功率、儲能容量等約束以及網(wǎng)絡安全約束，建立隨機優(yōu)化日前調(diào)度模型。采用雙鏈量子遺傳算法求解優(yōu)化模型，并在IEEE30節(jié)點系統(tǒng)中仿真驗證日前優(yōu)化調(diào)度策略的可行性。

1 風電和光伏發(fā)電出力概率分布

1.1 風電機組出力概率分布

本文風速模型采用Weibull[16]分布，概率密度函數(shù)為

(1)

(2)

風力發(fā)電機組(WTG)的功率輸出取決于風速，風電機組的出力和風速之間具有式(3)所示的非線性關系：

(3)

式中：vcr為切入風速；vco為切除風速；vR為額定風速；PR為額定功率。當風速小于vcr或高于vco時，機組出力為0；當風速從vcr到vR逐漸增大時機組出力也隨之增大；當達到和超過額定風速時功率保持為額定功率PR不變。根據(jù)式(3)可得風機在調(diào)度周期內(nèi)每時刻期望值、二階原點矩以及方差可表示為

(4)

(5)

(6)

1.2 光伏發(fā)電出力概率分布

太陽能電池輸出功率與光照強度密切相關，據(jù)統(tǒng)計，在一定時間段內(nèi)太陽光照強度可近似看成Beta分布[17]，其密度函數(shù)如式(7)所示：

(7)

式中：Ps為太陽能電池方陣輸出功率;Pmax為太陽能電池方陣最大輸出功率;α和β是Beta分布的形狀參數(shù)。

(8)

(9)

式中μ和σ為一定時段內(nèi)光照強度的平均值和方差。

根據(jù)式(7)～(9)可得光伏出力在調(diào)度周期內(nèi)各時刻期望值、二階原點矩以及方差：

(10)

(11)

(12)

2 隨機調(diào)度模型

文獻[12]提出的隨機調(diào)度模型計及了風電和光伏發(fā)電的不確定性，但沒有考慮負荷的波動性，而在新能源滲透率較高的系統(tǒng)中負荷波動對電力系統(tǒng)運行方式制定有著重要的影響。本文構造的隨機調(diào)度模型能同時計及風電、光伏發(fā)電的不確定性以及負荷的隨機波動性，考慮三者之間的互補特性，合理安排儲能裝置充放電功率，通過儲能設備和常規(guī)能源的優(yōu)化調(diào)度，來平抑常規(guī)電源在一個調(diào)度周期內(nèi)的功率波動。

2.1 目標函數(shù)

本文定義等效負荷為系統(tǒng)負荷減去“風光儲“出力后的負荷，是常規(guī)機組的輸出功率之和。以等效負荷在一個調(diào)度周期內(nèi)平均方差為目標函數(shù)，通過控制儲能裝置每時刻充放電功率，使等效負荷波動最小，并減小出力調(diào)整帶來的爬坡?lián)p失，保證系統(tǒng)運行的經(jīng)濟性和安全性。

系統(tǒng)等效負荷在時段t內(nèi)出力為

P(t)=Pl(t)-[Pw(t)+Ps(t)+Pe(t)]

(13)

式中：Pl(t)為負荷功率;Pw(t)、Ps(t)分別為風電、光伏發(fā)電功率；Pe(t)為儲能裝置充放電功率，充電時為負，放電時為正。系統(tǒng)等效負荷P(t)即為常規(guī)機組輸出功率。

設調(diào)度周期為T，在1個調(diào)度周期內(nèi)等效負荷功率平均值為

(14)

用等效負荷的平均方差最小作為目標函數(shù)：

(15)

令Pl0(t)=Pl(t)-Pe(t)，則可以得到：

(16)

(17)

風電機組和光伏發(fā)電在不同時段各自出力相互獨立，因此有：

(18)

(19)

將式(4)～(6)，(10)～(12)，(16)～(19)代入式(15)即可得到優(yōu)化目標函數(shù)表達式。

目標函數(shù)式(15)的數(shù)學意義是在假設風電、光伏發(fā)電出力服從特定數(shù)學分布情況下，將負荷預測功率減去風電、光伏發(fā)電功率得到等效負荷即常規(guī)機組的功率表達式，合理安排儲能裝置充放電功率，使常規(guī)機組平均方差最小，從概率的角度確保常規(guī)機組功率波動最小。

2.2 約束條件

(1)儲能裝置容量約束。

EESmin≤EES(t)≤EESmax

(20)

式中：EES(t)為儲能裝置在t時刻末所存儲的電能；EESmin、EESmax分別為儲能裝置容量上下限。

(2)儲能裝置充放電功率上下限。

Pch≤Pbat(t)≤Pdis

(21)

式中：Pch、Pdis分別為儲能裝置最大充放電功率，其中Pch為負，Pdis為正，一般情況下，充電功率比放電功率小。

(3)儲能裝置能量平衡約束。

EES(t)=EES(t-1)-Pbat(t)Δt

(22)

式中EES(t)、EES(t-1)分別表示t和t-1時刻末儲能裝置能量狀態(tài)，兩者之差表示t時段內(nèi)能量的釋放或吸收，Pbat(t)在t時段內(nèi)保持不變。

(4)儲能裝置在周期內(nèi)始末能量不變。

EES(T)=EES(0)

(23)

式中：EES(0)表示初始儲能荷電狀態(tài)；EES(T)表示T時刻末荷電狀態(tài)。

(5)網(wǎng)絡安全約束。

網(wǎng)絡安全約束包括節(jié)點電壓約束、節(jié)點功率平衡約束和支路潮流約束：

Ui，min(t)≤Ui(t)≤Ui，max(t)

(24)

(25)

(26)

式中：PGi、QGi分別為節(jié)點i上發(fā)電機有功和無功出力；PDi、QDi分別為節(jié)點i的負荷有功功率和無功功率；Ui、Uj和θi、θj分別為節(jié)點i和j的電壓幅值和相角；Gij、Bij分別為節(jié)點導納矩陣第i行第j列元素實部與虛部；Pl為支路l有功潮流，支路l兩端節(jié)點分別為i和j。

3 雙鏈量子遺傳算法

本文建立的隨機調(diào)度模型應用對象是“風光儲”并網(wǎng)系統(tǒng)，發(fā)電機節(jié)點和“風光儲”節(jié)點以及負荷節(jié)點數(shù)目較多，需要滿足96個點整體優(yōu)化的計算要求，并且考慮了隨機性特點，優(yōu)化計算量較大，需要更快更好的智能尋優(yōu)算法。量子遺傳算法采用概率操作過程進行優(yōu)化，目前已有的多種量子遺傳算法，多采用基于量子位測量的二進制編碼方式，其進化方式是通過改變量子比特位來實現(xiàn)的。事實上，通過測量染色體上量子位的狀態(tài)來生成所需要的二進制解，是一個概率操作過程，具有隨機性和盲目性。本文基于雙鏈量子遺傳算法(double chain quantum genetic algorithm， DCQGA)使用一種用于連續(xù)空間優(yōu)化的基于實數(shù)編碼和目標函數(shù)梯度信息的方法[18]。該算法用量子位對染色體編碼，用量子位的概率幅描述可行解，用量子旋轉門更新量子比特的相位，同時該算法將量子比特的2個概率幅值都看作基因位，因此，每條染色體帶有2條基因鏈(即可行解)，這樣可使搜索加速。這些改進措施使優(yōu)化效率得到明顯的提高。協(xié)同調(diào)度算法分為可行解量子位概率幅編碼、可行解量子相位更新以及可行解量子位非門變異3個步驟。

(1)量子位概率幅編碼。

在DCQGA中，將每一量子位概率幅值，看作上下并列的2個基因，每條染色體包含2條并列的基因鏈，每條基因鏈代表調(diào)度周期內(nèi)儲能裝置各時刻充放電功率的一組解。在DCQGA中，采用量子位的概率幅編碼。

(27)

式中tij=2π×rnd，rnd為(0，1)之間的隨機數(shù)，i=1，2，…，m，m是種群規(guī)模，j=1，2，…，n，n是量子位數(shù)，即調(diào)度控制變量個數(shù)，包括發(fā)電機數(shù)和儲能裝置數(shù)。每條染色體同時代表搜索空間中的2個優(yōu)化解，這樣避免了從二進制到十進制頻繁的解碼過程。因為每次迭代2個解同步更新，故在種群規(guī)模不變的情況下，能增強對搜索空間的遍歷性，加速優(yōu)化過程。

(28)

(29)

(2)量子相位更新。

DCQGA用于更新量子比特相位的量子旋轉門為

(30)

更新過程即為

(31)

本文根據(jù)目標函數(shù)在搜索點處的變化趨勢確定轉角Δθ的大小和方向。當搜索點處目標函數(shù)變化率較大時，適當減小轉角步長，反之適當加大轉角步長。這樣，可使各染色體依據(jù)自身的特性在搜索過程的平坦之處邁大步，而在搜索過程的陡峭之處邁小步，而不至于越過全局最優(yōu)解，利用梯度定義轉角步長函數(shù)為

(32)

其中

(33)

式中：Δθ0為迭代初值；θ0、θ1分別為當前搜到的全局最優(yōu)解和局部最優(yōu)解的量子位幅角；)為評價函數(shù)f(x)在點處的梯度。本文“風光儲”協(xié)調(diào)調(diào)度屬于離散優(yōu)化問題，由于f(x)不存在梯度，故不能像連續(xù)情形那樣，將梯度信息直接加入到轉角函數(shù)中，可以利用相鄰兩代的一階差分代替梯度，fjmax和fjmin分別定義為

(34)

，

(35)

，

(36)

(3)量子位非門變異。

采用量子非門實現(xiàn)染色體變異，首先依據(jù)變異概率隨機選擇一條染色體，即一個可行解，然后隨機選擇若干個量子位施加量子非門變換，使該量子位的2個概率幅互換。這樣可使2條基因鏈同時得到變異。這種變異實際上是對量子位幅角的一種旋轉：如設某一量子位幅角為t，則變異后的幅角為π/2-t，即幅角正向旋轉了π/2-2t。這種旋轉不與當前最佳染色體比較，一律正向旋轉，有助于增加種群的多樣性，降低早熟收斂的概率。

雙鏈量子遺傳算法的風光儲隨機優(yōu)化調(diào)度步驟如圖1所示。

圖1 雙鏈量子遺傳算法流程圖Fig.1 Flow chart of double chains quantum genetic algorithm

4 算例分析

用IEEE30節(jié)點系統(tǒng)驗證上述模型的可行性與正確性。表1～3分別給出了光照強度變化情況，一天內(nèi)平均風速變化情況以及負荷情況?！帮L光儲”互補系統(tǒng)接入IEEE30節(jié)點系統(tǒng)3號節(jié)點，其中風電容量為300 MW，光伏容量為200 MW，蓄電池容量為500 MW，最大充電功率設為150 MW，最大放電功率設為200 MW。算法收斂過程如圖2所示。

表1 光照強度相關參數(shù)

Table 1 Related parameters of solar irradiance

表2 1天中平均風速Table 2 Average wind speed variation in a day

由圖2可知，DCQGA算法對染色體雙鏈同時編碼，比普通遺傳算法具有更快的收斂速度，能更快收斂到最優(yōu)解，迭代到300代時就已趨于穩(wěn)定。蓄電池最優(yōu)充放電功率如圖3所示。

表3 負荷情況

Table 3 Load demands

圖2 DCQGA算法收斂過程Fig.2 Convergence process of DCQGA method

圖3 蓄電池最優(yōu)充放電功率Fig.3 Optimal charging-discharging of battery

由圖3可知，在周期T的初始時刻和末時刻蓄電池荷電狀態(tài)相等，本文中均取0。且在1個周期內(nèi)蓄電池充電量與放電量相等，這樣保證了蓄電池在1個調(diào)度周期結束后既不吸收電能，也不釋放電能，在調(diào)度周期內(nèi)起到平抑功率波動的作用。

為了研究蓄電池容量變化時等效負荷總體方差的變化情況，改變蓄電池容量觀察目標函數(shù)值的變化如圖4所示。

圖4 目標函數(shù)與蓄電池容量關系Fig.4 Relationship between battery capacity and objective function

由圖4可知，目標函數(shù)隨蓄電池容量的增加呈遞減關系，這是因為增加蓄電池容量能更多的吸收新能源，平抑系統(tǒng)波動能力更強。蓄電池容量在0～500 MW時，目標函數(shù)近似為線性遞減，在此范圍內(nèi)，增加蓄電池容量可成倍減小目標函數(shù)值；蓄電池容量在500～1 000 MW時，目標函數(shù)雖然隨著蓄電池容量增加有所減小，但會增加成本且目標函數(shù)減小的很少，當容量達到800 MW時，目標函數(shù)幾乎不再隨著蓄電池容量的增大而減小。這是因為當儲能容量大于500 MW時，在很多時刻都處于閑置狀態(tài)，利用率不高。因此儲能容量與抑制功率波動存在非線性相關的關系，對于“風光儲”系統(tǒng)儲能容量的設置，具有重要意義。因此本文蓄電池容量設為500 MW能兼顧經(jīng)濟性和實際的要求。

5 結 語

“風光儲”并網(wǎng)系統(tǒng)的隨機性和滲透率的逐步增加給電力系統(tǒng)的安全經(jīng)濟運行帶來新的挑戰(zhàn)，本文考慮風電和光伏機組的隨機性以及負荷波動對電力系統(tǒng)的影響，建立了風光儲隨機互補調(diào)度模型。算例結果表明，所提出的模型和算法能有效平抑常規(guī)機組出力波動，提高系統(tǒng)可靠性。另外，儲能容量與抑制功率波動能力非線性相關。

[1]蔡國偉，孔令國，楊德友，等.大規(guī)模風光互補發(fā)電系統(tǒng)建模與運行特性研究[J].電網(wǎng)技術，2012，36(1)：65-71. Cai Guowei，Kong Linguo， Yang Deyou， et al.Research on modeling and operation characteristics analysis of large-scale wind &light complementary electricity-generation system[J].Power System Technology，2012，36(1)：65-71.

[2]李碧輝，申洪，湯涌.風光儲聯(lián)合發(fā)電系統(tǒng)儲能容量對有功功率的影響及評價指標[J].電網(wǎng)技術，2011， 35(4)： 123-128. Li Bihui， Shen Hong，Tang Yong. Impacts of energy storage capacity configuration of HPWS to active power characteristics and its relevant indices[J].Power System Technology， 2011， 35(4)： 123-128.

[3]丁明，徐寧舟，畢銳，等.負荷側新型電池儲能電站動態(tài)功能的研究[J].電力自動化設備，2011，31(5)：1-9. Ding Ming，Xu Ningzhou，Bi Rui.， et al. Dynamic model of new-type battery energy storage system at demand side[J]. Electric Power Automation Equipment，2011，31(5)：1-9.

[4]王振浩，劉金龍，李國慶，等. 基于超級電容器儲能的并網(wǎng)風電場功率與電壓調(diào)節(jié)技術[J]. 電力自動化設備，2011，31(3)：113-116. Wang Zhenhao，Liu Jinlong，Li Guoqing，et al. Power and voltage regulation of wind farm based on EDLC energy storage[J].Electric Power Automation Equipment，2011，31(3)：113-116.

[5]Teleke S，Baran M E，Huang A Q，et al. Control strategies for battery energy storage for wind farm dispatching [J]. IEEE Transaction on Energy Conversion，2009，24(3)：725-732.

[6]Teleke S，Bara N M E，Bhattacharya S，et al. Optimal control of battery energy storage for wind farm dispatching[J].IEEE Transaction on Power Systems，2010，25(3)：787-794.

[7]Teleke S，Baran M E，Bhattacharya S，et al. Rule-based control of battery energy storage for dispatching intermittent renewable sources[J]. IEEE Transaction on Sustainable Energy，2010，25(3)：117-124.

[8]栗文義，張保會，巴根，等.風/柴/儲系統(tǒng)風電容量充裕度評估[J].中國電機工程學報，2006，26(16)：62-67. Li Wenyi， Zhang Baohui， Ba Gen，et al.Capacity adequancy evaluation of wind-diesel-storage system[J]. Proceedings of the CSEE，2006，26(16)：62-67.

[9]Yang Hongxing，Zhou Wei，Lulin，et al.Optimal sizing method for stand-alone hybrid solar-wind system with LPSP technology by using genetic algorithm[J].Solar Energy，2008(82)：354-357.

[10]Zhou Wei，Yang Hongxing，F(xiàn)an Zhaohong.Battery behavior prediction and battery working states analysis of hybrid solar-wind power generation system[J].Renewable Energy，2008，33(6)：1413-1423.

[11]謝毓廣，江曉東.儲能系統(tǒng)對含風電的機組組合問題影響分析[J].電力系統(tǒng)自動化，2011，35(5)：1-24. Xie Yuguang，Jiang Xiaodong. Impact of energy storage system on the unit commitment problem with volatile wind power[J].Automation of Electric Power System，2011，35(5)：19-24.

[12]陸凌蓉，文福栓，薛禹勝，等.計及可入網(wǎng)電動汽車的電力系統(tǒng)機組最優(yōu)組合[J].電力系統(tǒng)自動化，2011，35(21)：16-20. Lu Lingrong， Wen Fushuan， Xue Yusheng，et al.Unit commitment in power systems with plug-in electric vehicles[J].Automation of Electric Power System.2011，35(21)：16-20.

[13]于大洋，宋曙光，張波，等.區(qū)域電網(wǎng)電動汽車充電與風電協(xié)同調(diào)度的分析[J].電力系統(tǒng)自動化，2011，35(14)：24-29. Yu Dayang， Song Shuguang， Zhang Bo，et al.Synergistic dispatch of PEVs charging and wind power in Chinese regional power grids[J].Automation of Electric Power System，2011，35(14)：24-29.

[14]王貴斌，趙俊華，文福栓，等.配電系統(tǒng)中電動汽車與可再生能源的隨機協(xié)同調(diào)度[J].電力系統(tǒng)自動化，2012，36(19)：22-29. Wang Guihua， Zhao Junhua，Wen Fushuan，et al.Stochastic optimization dispatch of plug-in hybrid electric vehicles in coordination with renewable generation in distribution systems[J].Automation of Electric Power System，2012，36(19)：22-29.

[15]陳中，胡呂龍，丁楠.基于改進熵的風光儲互補并網(wǎng)系統(tǒng)優(yōu)化運行[J].電力系統(tǒng)保護與控制，2013，41(21)：86-91. Chen Zhong，Hu Lvlong， Ding NanOptimized operation of wind-solar-battery hybrid power system based on improved entyopy[J].Power System Protection and Control，2013，41 (21)：86-91.

[16]黃杰鵬，李宇紅，倪維斗.并網(wǎng)風電場可避免費用的計算[J].電網(wǎng)技術，2006，30(16)：50-53. Huang Jiepeng， Li Yuhong， Ni Weidou.Avoidable cost of wind farm interconnected to power grid[J].Power System Technology， 2006， 30(16)： 50-53.

[17]劉東冉，陳樹勇，王浩懷，等.光伏發(fā)電系統(tǒng)模型綜述[J].電網(wǎng)技術，2011，35(8)：47-52. Liu Dongran，Chen Shuyong， Wang Haohuai，et al.A review on models for photovoltaic generation system[J].Power System Technology，2011，35(8)：47-52.

[18]Li P C，Li S Y.Phase matching in Grover’s algorithm[J].Physics Letters A，2007，366(1-2)：42-46.

(編輯：張小飛)

Stochastic Dispatching of Energy Storage Devices Considering Complementarity between Renewable Energy and Load

CHEN Guoen1, ZONG Pengpeng2, ZHU Wei1, ZHANG Zizhong3,LIANG Huanli2, WANG Bingwen3, CHEN Zhong2

(1.State Grid Jiaxing Power Supply Company, Jiaxing 314200, Zhejiang Province, China；2.School of Electrical Engineering, Southeast University, Nanjing 210096, China;3. NARI Technology Development Co., Ltd., Nanjing 210003, China)

The influence of the indeterminacy of intermittent new energy on power system should be considered in wind-solar-battery hybrid power system. Based on this, the stochastic scheduling model of energy storing device and thermal power station was developed with considering wind/photovoltaic power’s indeterminacy and load’s stochasitic. The constraint condition of energy storing device’s charge-discharge was considered in the model. Assuming that the wind speed followed the Weibull distribution and the solar irradiance followed the Beta distribution, the average variance expression of equivalent load in wind-solar-battery hybrid power system was derived, which was used as objective function to build the stochastic optimization dispatching model of energy storing device, and measure the fluctuation inhibition ability of thermal power. The double chains quantum genetic algorithm was employed to solve this optimization problem. Finally, the efficiency and feasibility of the model were demonstrated by IEEE30 bus system.

wind-solar-battery hybrid power system; schedule by probability mode; average variance; double chains quantum genetic algorithm

國家電網(wǎng)公司科技項目(多能互補小型化分布式電源應用模式與并網(wǎng)關鍵技術)。

TM 73

A

1000-7229(2015)06-0027-07

10.3969/j.issn.1000-7229.2015.06.005

2015-04-20

2015-05-10

陳國恩(1978)，男，工程師，長期從事電力調(diào)度自動化方面的工作；

宗鵬鵬(1992)，男，碩士，主要研究方向為電力系統(tǒng)配電網(wǎng)規(guī)劃；

朱偉(1978)，男，高級工程師，長期從事電力調(diào)度自動化管理方面的工作；

張子仲(1969)，男，高級工程師，主要從事配電自動化和電力信息交互總線技術研究與開發(fā)；

梁歡利(1989)，女，碩士，主要研究方向為電力系統(tǒng)自動化；

王丙文(1977)，男，工程師，長期從事電力調(diào)度自動化管理方面的工作；

陳中(1975)，男，研究員，主要研究方向為電力系統(tǒng)穩(wěn)定與控制，新能源的開發(fā)和應用。