白牧可，唐 巍，譚 煌，高 峰，閆 濤

（中國農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院，北京 100083）

0 引言

隨著能源危機和環(huán)境壓力日益增大，電網(wǎng)發(fā)展必須在有限資源和環(huán)境要求的雙重制約下進行，大量分布式發(fā)電DG（Distributed Generation）接入配電網(wǎng)已成為必然趨勢［1］。為應(yīng)對高滲透率DG接入，如何加大配電網(wǎng)對于可再生能源的管理能力、提升配電網(wǎng)資產(chǎn)的利用率、延緩配電網(wǎng)的升級投資以及提高用戶的用電質(zhì)量和供電可靠性已成為目前含分布式電源配電網(wǎng)研究的熱點。城市配電網(wǎng)中，分布式電源主要以光伏PV（PhotoVoltaic）形式接入，光伏的出力具有間歇性與隨機性，其對電網(wǎng)安全穩(wěn)定運行有消極影響［2］。雖然燃氣輪機快速響應(yīng)機組可用來抑制可再生能源造成的功率波動，但燃氣輪機仍然會使用化石能源，從而降低了由光伏發(fā)電帶來的經(jīng)濟和環(huán)境效益，因而適當(dāng)容量的儲能裝置將是平抑可再生能源發(fā)電功率波動的有效手段。因此有必要對含光伏發(fā)電及儲能ES（Energy Storage）裝置的城市配電網(wǎng)系統(tǒng)進行規(guī)劃［3］。

目前國內(nèi)外學(xué)者對分布式電源的優(yōu)化配置進行了不少研究，取得了許多理論和實踐方面的成果。文獻［4］分別從DG獨立發(fā)電商和配電公司的角度出發(fā)，建立了投資DG單位成本收益和DG接入對電網(wǎng)改善收益最大的多目標(biāo)模型，所建模型既能反映投資DG的安裝、運行、維護費用，又能反映DG接入對系統(tǒng)電壓、網(wǎng)損、可靠性、延緩網(wǎng)絡(luò)更新等影響。文獻［5］針對配電網(wǎng)加入DG的經(jīng)濟技術(shù)優(yōu)化目標(biāo)，給出了DG多目標(biāo)規(guī)劃的數(shù)學(xué)模型，采用多目標(biāo)混沌量子遺傳算法對分布式電源的選址和容量進行了優(yōu)化配置。文獻［4-5］均未考慮分布式電源的不確定性，具有一定局限性。文獻［6］通過劃分時段并根據(jù)每個時段內(nèi)DG與系統(tǒng)負荷功率的概率分布，以DG投資與售電、系統(tǒng)降損、電壓質(zhì)量以及廢氣減排量等綜合效益為目標(biāo)函數(shù)，利用遺傳算法求解DG最優(yōu)配置。文獻［7］對負荷和DG的典型時序性進行了分析，以配電網(wǎng)損耗、停電損失為目標(biāo)，考慮時序性和多場景提出了多目標(biāo)DG選址定容模型，給出了場景和場景權(quán)重的確定方法。文獻［8］研究了DG配置和網(wǎng)絡(luò)重構(gòu)利益最大化問題，建立了結(jié)合年負荷增長并考慮經(jīng)濟性和環(huán)保等因素的目標(biāo)函數(shù)。以上文獻均未考慮儲能對DG優(yōu)化配置的影響。

綜上所述，目前含高滲透率DG配電網(wǎng)環(huán)境下DG規(guī)劃的文章較少，且考慮配電網(wǎng)調(diào)度及自愈等因素的研究相對不足。本文充分考慮光伏電源以及負荷的不確定性，基于密度聚類方法建立分時段光伏-負荷綜合狀態(tài)模型，結(jié)合儲能優(yōu)化調(diào)度建立高滲透率光伏與儲能綜合優(yōu)化配置模型，利用虛擬分區(qū)、二層規(guī)劃等手段進行求解，采用IEEE 33節(jié)點系統(tǒng)進行模型和方法驗證。

1 光伏及負荷模型

1.1 時變負荷模型

采用時變負荷模型［9］如式（1）所示，該模型通過負荷的年-周曲線、周-日曲線和日-小時曲線形成實時的負荷數(shù)據(jù)，能很好地反映負荷的時變特性。

其中，L（t）為第 t小時的負荷值；Ly為年負荷峰值；Hw（t）、Hd（t）、Hh（t）分別為與第 t小時對應(yīng)的年-周負荷曲線、周-日負荷曲線及日-小時負荷曲線中的功率系數(shù)。

1.2 光伏模型

光伏陣列輸出功率主要與光照強度有關(guān)。在一定時間段（一個或幾個小時）內(nèi)，太陽光照強度可以近似看成 Beta 分布［10-11］，其概率密度函數(shù)如式（2）所示。

其中，r和rmax分別為對應(yīng)時間段內(nèi)的實際光強和最大光強（單位W/m2）；α和β為Beta分布的形狀參數(shù)；Γ為Gamma函數(shù)。

假設(shè)太陽能電池方陣有Mpv個電池組件，每個組件的面積和光電轉(zhuǎn)換效率為 Am和 ηm（m=1，2，…，Mpv），則太陽能電池方陣總功率為：

其中，A、η分別為方陣總面積和光電轉(zhuǎn)換效率。

光伏發(fā)電與負荷都具有時序性、隨機性，且兩者之間有一定關(guān)聯(lián)性［12］。目前處理光伏與負荷不確定性的方法主要有蒙特卡洛仿真和概率法，蒙特卡洛仿真通過大量隨機模擬覆蓋光伏出力與負荷的可能情況，要求樣本空間大，仿真時間長，不能考慮光伏和負荷內(nèi)在關(guān)聯(lián)性；概率法則是利用概率密度函數(shù)，將光伏發(fā)電與負荷用多個狀態(tài)表示以簡化運算，該方法中光伏和負荷狀態(tài)是獨立的，不能反映關(guān)聯(lián)性，組合狀態(tài)可能在現(xiàn)實中并不出現(xiàn)。

另一方面，具有連續(xù)時標(biāo)的光伏發(fā)電與負荷的統(tǒng)計數(shù)據(jù)本身即蘊涵了其固有性質(zhì)和規(guī)律。本文考慮各季節(jié)的不同時段，利用密度聚類方法對光伏發(fā)電與負荷時序數(shù)據(jù)進行處理，生成了不同季節(jié)各時段光伏-負荷典型組合狀態(tài)，此方法不僅能真實反映光伏與負荷的時序性、隨機性及關(guān)聯(lián)性，而且可以大幅削減狀態(tài)數(shù)，能夠滿足本文后續(xù)模型和方法的計算時間和精度要求。

對3 a的數(shù)據(jù)進行處理，一年4個季節(jié)各選一個代表日，每個代表日分為24個時段，全年共有96個時段。某一個季節(jié)代表日各時段光伏-負荷組合狀態(tài)生成方法如下。

a.數(shù)據(jù)生成。統(tǒng)計該季節(jié)各小時光照強度和負荷，每個小時的數(shù)據(jù)為一個樣本點，用｛光伏，負荷｝二元數(shù)組表示。

b.狀態(tài)聚類。將該季節(jié)所有天第i時段｛光伏，負荷｝二元數(shù)組標(biāo)記到二維圖上，用密度聚類DBSCAN算法［13］進行聚類，獲得各時段聚類數(shù)為 Ni（i=1，2，…，24）。

c.狀態(tài)合并。將第i時段狀態(tài)數(shù)取為Ni，第j類樣本數(shù)為 Mj，第 j類第 k 個樣本為 xijk（k=1，2，…，Mj；j=1，2，…，Ni；i=1，2，…，24），第 i時段第 j類樣本中心點為 Xij，則：

將第i時段屬于第j類的全部Mj個樣本狀態(tài)合并成一個狀態(tài)Xij，第i時段狀態(tài)Xij出現(xiàn)的概率P（Xij）為：

d.重復(fù)以上步驟，獲得一天各時段對應(yīng)的綜合狀態(tài)及概率，作為該季節(jié)代表日數(shù)據(jù)。

2 基于虛擬分區(qū)調(diào)度的配電網(wǎng)光伏-儲能二層規(guī)劃數(shù)學(xué)模型

2.1 建模思路

配電網(wǎng)中光伏發(fā)電和儲能規(guī)劃應(yīng)更多地考慮運行條件。本文對配電網(wǎng)中光伏發(fā)電和儲能規(guī)劃考慮以下因素。

a.配電網(wǎng)快速發(fā)展使分布式電源的協(xié)調(diào)調(diào)度成為可能，在高滲透率DG配電網(wǎng)條件下，通過監(jiān)測及通信手段，調(diào)度中心可以隨時掌握光伏發(fā)電、負荷及網(wǎng)絡(luò)的運行狀態(tài)，通過高級軟件計算儲能設(shè)備充放電功率參考值，并發(fā)布控制指令實現(xiàn)經(jīng)濟運行?？紤]環(huán)保和發(fā)揮光伏作用，光伏發(fā)電應(yīng)采用最大功率跟蹤控制，儲能則根據(jù)光伏出力進行優(yōu)化調(diào)度。

b.為便于配電網(wǎng)對高滲透率分布式電源進行高效管理，未來配電網(wǎng)應(yīng)根據(jù)光伏發(fā)電、儲能的容量及分布進行虛擬分區(qū)，在電網(wǎng)運行時由區(qū)域內(nèi)光伏發(fā)電和儲能實現(xiàn)區(qū)域內(nèi)功率支撐和降低區(qū)域內(nèi)電能損耗，進而保證整個配電網(wǎng)的經(jīng)濟運行。此外，配電網(wǎng)分區(qū)也有利于區(qū)域自治和自愈功能實現(xiàn)。

c.可通過控制儲能充放電功率實現(xiàn)能量平衡和抑制光伏發(fā)電的功率波動，雖然光伏電源與儲能的配置相互影響，但光伏電源的配置對儲能的配置具有決定性作用。

基于以上分析，本文建立光伏電源、儲能配置的二層規(guī)劃模型。上層規(guī)劃為光伏投資決策問題，規(guī)劃目標(biāo)是年費用最小，決策變量是光伏安裝位置與容量；下層規(guī)劃為儲能投資決策問題，規(guī)劃目標(biāo)是等效負荷方差和最小，首先對已經(jīng)完成光伏配置的配電網(wǎng)進行虛擬分區(qū)，在此基礎(chǔ)上進行儲能的優(yōu)化配置，同時規(guī)劃中考慮區(qū)內(nèi)儲能調(diào)度優(yōu)化，達到削峰填谷、降損效果。上層規(guī)劃結(jié)果即光伏投資決策變量為下層規(guī)劃提供了初始條件，下層規(guī)劃所得最優(yōu)值反饋到上層規(guī)劃，導(dǎo)入年費用中便是上層規(guī)劃總的目標(biāo)函數(shù)值。模型原理圖如圖1所示。

圖1 模型原理圖Fig.1 Schematic diagram of model

2.2 上層規(guī)劃目標(biāo)函數(shù)及約束條件

以年投資運行維護費用Cinv、系統(tǒng)年有功損耗費用Closses及從上級電網(wǎng)購電年費用Cen這3個指標(biāo)最小為優(yōu)化目標(biāo)，決策變量為光伏的安裝位置與容量，目標(biāo)函數(shù)為：

其中，w1、w2、w3為各目標(biāo)權(quán)重，采用判斷矩陣法確定權(quán)重［14］。

a.年投資運行維護費用：

其中，NPV、NES分別為光伏、儲能的安裝總數(shù)；αPV、αES分別為光伏、儲能的固定投資年平均費用系數(shù)；CPV、CES分別為光伏、儲能的單位容量投資成本；SPV，i為安裝在第i個光伏安裝位置的光伏安裝容量；SES，j為在第j個儲能安裝位置的儲能安裝容量；cPV、cES分別為光伏、儲能的單位電量運行維護費用；SPV、SES分別為光伏、儲能的安裝總?cè)萘?；FPV、FES分別為光伏、儲能的容量系數(shù)。

b.年網(wǎng)損費用：

其中，Tk為第k個季節(jié)的天數(shù)；lossesi為第i時段滿足一定置信度的系統(tǒng)年網(wǎng)損費用，由下層規(guī)劃得出。

c.年購電費用：

其中，Tk為第k個季節(jié)的天數(shù)；eni為第i時段滿足一定置信度的購電費用，由下層規(guī)劃得出。

上層約束條件如下。

a.支路功率概率約束：

其中，P｛·｝表示事件概率；Pk（x，ξ）為在狀態(tài) ξ下支路k的有功功率值；為支路k的有功功率允許最大值；βP為支路功率的置信水平；Ωline為系統(tǒng)支路集合。

b.節(jié)點電壓概率約束：

其中，Ui（x，ξ）為在狀態(tài) ξ下節(jié)點 i的電壓值；分別為節(jié)點i的電壓上、下限；βU為節(jié)點電壓的置信水平；Ωnode為系統(tǒng)節(jié)點集合。

c.功率平衡約束：

其中，Pi、Qi分別為節(jié)點i注入的有功功率和無功功率；Gij、Bij、δij分別為節(jié)點 i、 j之間的電導(dǎo)、電納和電壓相角差；n 為系統(tǒng)節(jié)點總數(shù)；Ui、Uj分別為節(jié)點 i、j的電壓幅值。

2.3 下層規(guī)劃目標(biāo)函數(shù)及約束條件

以光伏安裝位置和容量為基礎(chǔ)，下層規(guī)劃進行分區(qū)調(diào)整以及儲能優(yōu)化配置?？紤]區(qū)域內(nèi)功率平衡及光伏發(fā)電的隨機性，基于電量平衡對配電網(wǎng)進行虛擬分區(qū)，分區(qū)后對區(qū)內(nèi)儲能進行優(yōu)化調(diào)度，達到平抑光伏出力波動、削峰填谷的作用，進而達到降損的目標(biāo)。

2.3.1 虛擬分區(qū)

由于光伏發(fā)電出力是波動的，不能按某一時刻功率平衡進行配電網(wǎng)分區(qū)，而應(yīng)考慮整個規(guī)劃周期。本文提出以電量平衡為約束的分區(qū)方法如下。

a.電量計算。光伏發(fā)電量為光伏電源容量與光伏最大發(fā)電量利用小時數(shù)的乘積，負荷電量為最大負荷與最大負荷利用小時數(shù)的乘積。

b.分區(qū)方法。以光伏發(fā)電系統(tǒng)接入點為中心，以電量平衡為約束進行廣度優(yōu)先搜索，最大限度地得到滿足電量平衡的區(qū)域。

c.候選支路。由于光伏發(fā)電量約束，會有部分支路和節(jié)點未被劃入?yún)^(qū)域內(nèi)，將區(qū)域邊緣支路與未被劃入?yún)^(qū)域的支路作為區(qū)域間連接支路的候選支路。

d.區(qū)域信息。通過對區(qū)域最大數(shù)量的限定，可知連接支路最大數(shù)量為在候選支路中選取數(shù)量不大于條的支路后，即可確定各區(qū)域信息。

2.3.2 區(qū)內(nèi)儲能調(diào)度方案

為了提高區(qū)域內(nèi)供電充裕度和平衡區(qū)內(nèi)負荷，光伏采用最大功率跟蹤技術(shù)，對區(qū)內(nèi)儲能進行優(yōu)化調(diào)度。在區(qū)內(nèi)負荷高峰時刻安排儲能放電，在區(qū)內(nèi)負荷低谷時段安排儲能充電，根據(jù)電網(wǎng)的光伏出力-負荷綜合曲線合理對儲能的充放電進行調(diào)度。區(qū)域內(nèi)負荷的平衡情況可由網(wǎng)損體現(xiàn)，為了將區(qū)內(nèi)每個時段的調(diào)度值直接反映到網(wǎng)絡(luò)損耗計算的模型中，建立以區(qū)內(nèi)的等效負荷方差和最小的下層規(guī)劃目標(biāo)函數(shù)。

其中，D為區(qū)內(nèi)等效負荷方差和；Tk為第k個季節(jié)的天數(shù)；NQY為劃分后區(qū)域的數(shù)量；分別為第k個季節(jié)區(qū)域J在第i時段的負荷期望、光伏出力期望；為第k個季節(jié)區(qū)域J內(nèi)儲能在第i時段的功率，表示儲能發(fā)出功率，表示儲能吸收功率；為第k個季節(jié)區(qū)域J的等效負荷平均值，如式（16）所示。

儲能模型如下：

其中，Si為儲能裝置在第i時段的荷電狀態(tài)；Δt為時間間隔；ηC、ηD分別為儲能設(shè)備充、放電效率；為第i時段儲能的充放電功率，充電時，放電時

在儲能優(yōu)化調(diào)度時，要滿足儲能的容量約束。

其中，Si為儲能裝置在第i時段的荷電狀態(tài)；S為儲能最大荷電狀態(tài)；β1和β2為充放電系數(shù)，取β1=0.2，β2=0.8。

下層約束條件如下。

a.小時網(wǎng)損費用概率約束：

其中，X為決策變量，即區(qū)域的劃分與儲能的接入位置及容量；ξj為配電網(wǎng)系統(tǒng)中的第j個狀態(tài)量；ξmax為所在時段的系統(tǒng)狀態(tài)總數(shù)；f（X，ξ）為在狀態(tài)ξ下系統(tǒng)的網(wǎng)損費用最小值；α為目標(biāo)函數(shù)的置信水平；lossesi為所在時段f（X，ξ）在概率水平至少為α?xí)r所取得的最小值；Ploss為系統(tǒng)網(wǎng)損；Cp為購電電價；Δt為時段長度（本文取1 h）。

b.小時購電費用概率約束：

其中，eni為所在時段 f（X，ξ）在概率水平至少為 α 時所取得的最小值；P、Ploss、Ppv、Pes分別為總負荷、系統(tǒng)網(wǎng)損、光伏發(fā)電有功出力、儲能出力。

c.區(qū)域劃分數(shù)量約束：

其中，NQY為劃分后區(qū)域的數(shù)量；為允許劃分的區(qū)域最大數(shù)量。

d.光伏空間約束：

其中，Marea為光伏安裝面積；為允許光伏安裝的最大面積。

式（15）中變量均為同一區(qū)域內(nèi)變量，所以各區(qū)域儲能調(diào)度可以獨立并行進行。

3 二層規(guī)劃求解方法

本文采用精英保留策略遺傳算法［15］求解所提出的二層規(guī)劃問題。遺傳操作采用最優(yōu)保留策略、自適應(yīng)交叉率和變異率，使其能夠獲得全局最優(yōu)解。為提高編碼效率，上、下層遺傳染色體均采用混合編碼。

3.1 上層規(guī)劃編碼

每個染色體分為兩部分，如圖2所示。

圖2 上層規(guī)劃染色體結(jié)構(gòu)Fig.2 Chromosome structure of upper level programming

染色體第一部分實現(xiàn)對光伏位置的基因編碼，其值從光伏候選位置中產(chǎn)生，表示為L1—LM，M為光伏最大位置數(shù)；染色體第二部分實現(xiàn)對光伏容量的基因編碼，表示為 C1—CM，Ci（i=1，2，…，M）為安裝在位置Li的安裝容量，Ci有8種可能取值，編碼為0表示不接入DG。

3.2 下層規(guī)劃編碼

下層將區(qū)域間連接支路和儲能安裝容量及位置作為控制變量，規(guī)劃24 h運行狀態(tài)。如圖3所示，每個染色體分為3個部分。

圖3 下層規(guī)劃編碼Fig.3 Chromosome structure of lower level programming

第一部分對應(yīng)區(qū)域間連接支路，其值從區(qū)域間連接支路的候選位置中產(chǎn)生，表示為l1—lA，A為區(qū)域間連接支路候選位置數(shù)；第二部分實現(xiàn)對儲能位置的基因編碼，其值從儲能的候選位置中產(chǎn)生，表示為S1—SB，B為儲能的最大位置數(shù)；染色體第三部分實現(xiàn)對儲能容量的基因編碼，表示為 Ce1—CeB，Cei（i=1，2，…，B）為安裝在位置Si的安裝容量，Cei有8種可能取值，編碼為0表示不接入儲能。

3.3 儲能調(diào)度編碼

本文采用慣性因子隨適應(yīng)值自動改變的自適應(yīng)粒子群算法［16-17］。粒子的編碼如圖4所示，圖中為第 i個粒子的位置；為第 i個粒子 t時刻的坐標(biāo)，表示儲能t時段的調(diào)度值。

圖4 粒子編碼Fig.4 Encoding of particles

3.4 算法流程

a.輸入網(wǎng)絡(luò)原始數(shù)據(jù)。

b.根據(jù)原始數(shù)據(jù)進行潮流計算，獲得初始網(wǎng)絡(luò)相應(yīng)數(shù)據(jù)。

c.按上文所述對上、下層規(guī)劃編碼。

d.產(chǎn)生上層規(guī)劃遺傳算法初始種群。

e.建立光伏-負荷在每個時段的多狀態(tài)模型。

f.針對上層初始化種群中每一個個體，產(chǎn)生下層規(guī)劃初始化群體，根據(jù)下層規(guī)劃模型，對每個時段各狀態(tài)進行潮流計算，且采用粒子群算法對儲能進行調(diào)度，得到下層規(guī)劃目標(biāo)函數(shù)最優(yōu)值。

g.將上層初始化群體中每一個個體對應(yīng)的下層規(guī)劃最優(yōu)值、儲能容量、每個時段的網(wǎng)損購電及費用返回上層規(guī)劃。

h.計算上層規(guī)劃模型。

i.進行遺傳操作，包括選擇、交叉、變異，產(chǎn)生新種群。

j.終止條件判斷，若遺傳代數(shù)T大于最大遺傳代數(shù)，計算結(jié)束，輸出結(jié)果；否則，T=T+1，轉(zhuǎn)至步驟f。

4 算例及結(jié)果分析

4.1 算例介紹

采用IEEE 33節(jié)點系統(tǒng)進行仿真，如圖5所示，負荷水平為3715 kW+2700 kvar。

圖5 測試系統(tǒng)Fig.5 Test system

設(shè)自然條件滿足光伏的接入要求。預(yù)測規(guī)劃水平年原負荷節(jié)點新增容量10%，分布式電源滲透率范圍為 30%～50%，權(quán)重 w1=0.1047、w2=0.6370、w3=0.2583，區(qū)域最大數(shù)量為6。光伏候選安裝位置為節(jié)點 7、9、10、13、14、16、18、23、26、29、31。 儲能候選安裝位置為節(jié)點 8、11、12、15、17、19、22、24、27、30、32。表1給出了涉及的相關(guān)參考價格。

4.2 光伏、儲能規(guī)劃方案比較

對3種計算情形進行配電網(wǎng)光伏、儲能優(yōu)化配置研究：情形1，采用二層規(guī)劃，不考慮分區(qū)且不進行儲能調(diào)度，只在固定時段對儲能進行恒功率充放電；情形2，采用二層規(guī)劃且考慮分區(qū)，但是不進行儲能調(diào)度，只在固定時段對儲能進行恒功率充放電；情形3，采用二層規(guī)劃，考慮分區(qū)且進行各區(qū)域儲能調(diào)度。

表1 相關(guān)參考價格Table 1 Relevant reference prices

規(guī)劃結(jié)果見表2、表3。

表2 光伏、儲能規(guī)劃結(jié)果Table 2 Results of PV-generation&ES programming

表3 光伏、儲能規(guī)劃成本比較Table 3 Comparison of costs among different PV-generation&ES configurations 萬元 /a

由表2可以知道，情形1、情形2、情形3的儲能安裝個數(shù)分別為4、5、5，說明考慮分區(qū)有利于儲能分散配置，以保證各區(qū)內(nèi)儲能更好地配合光伏出力；情形2、情形3的分區(qū)數(shù)均為3，說明對于IEEE 33節(jié)點網(wǎng)絡(luò)，在本文滲透率范圍內(nèi)分區(qū)數(shù)量為3時規(guī)劃較為合理。

由表3數(shù)據(jù)可以看出，情形2和情形3中網(wǎng)損費用、購電成本都明顯優(yōu)于情形1，且網(wǎng)損費用、購電成本和總成本減小分別在2.96%以上、1.41%以上和1.02%以上，網(wǎng)損費用改善最為顯著，說明分區(qū)對于網(wǎng)損改善具有較好效果；對比情形1、情形2和情形3，情形3總成本最低，比情形1和情形2每年分別要節(jié)省成本8.76%和8.32%；對比情形2和情形3，情形3比情形2的網(wǎng)損費用節(jié)省了25.22%，說明以區(qū)域為對象進行儲能優(yōu)化調(diào)度可實現(xiàn)各區(qū)域內(nèi)負荷削峰填谷，進而獲得更好的降損效果。

圖6中給出了第3種情形下光伏、儲能的優(yōu)化結(jié)果。

圖6 光伏、儲能優(yōu)化結(jié)果Fig.6 Results of PV-generation&ES optimization

4.3 不同調(diào)度模式下規(guī)劃方案比較

采用2種儲能調(diào)度模式進行優(yōu)化：模式1，對全網(wǎng)儲能統(tǒng)一進行調(diào)度；模式2，對各區(qū)內(nèi)儲能分別進行調(diào)度。規(guī)劃結(jié)果見表4。

表4 不同儲能調(diào)度模式下規(guī)劃成本比較Table 4 Comparison of programming costs among different ES dispatch modes 萬元 /a

從表4數(shù)據(jù)可以看出，與模式1相比較，模式2的投資運行維護費用要多，說明分區(qū)儲能調(diào)度時，儲能配置容量大，而網(wǎng)損費用和購電成本均比全網(wǎng)儲能調(diào)度的少，其中模式2的網(wǎng)損費用、購電成本分別減低了11.15%和6.01%，網(wǎng)損改善顯著。分區(qū)儲能調(diào)度時，網(wǎng)損費用和購電成本均下降，說明配電網(wǎng)內(nèi)各分區(qū)自治進行區(qū)內(nèi)儲能調(diào)度，對配電網(wǎng)的網(wǎng)損改善更佳。

表5、圖7給出了區(qū)域1儲能在模式1和模式2下的各時段出力最優(yōu)方案比較。

從表5數(shù)據(jù)看出，在 08∶00—10∶00期間，負荷出現(xiàn)高峰，而光伏出力較少，儲能進行放電；在11∶00—15∶00期間，負荷值變化較小，而此時光照強度大，光伏出力水平較高，儲能進行充電；在15∶00—18∶00期間，負荷又出現(xiàn)高峰，而光照強度逐漸減小，光伏出力較少，儲能進行放電；夜間負荷小，儲能進行充電。這說明儲能作為可控元件，在光伏出力較小而負荷較大時或光伏出力較大而負荷較小時，能夠調(diào)節(jié)區(qū)域內(nèi)整體負荷水平，緩解光伏出力帶來的波動性，起到削峰填谷、節(jié)能降損的作用。

表5數(shù)據(jù)顯示，區(qū)域內(nèi)的負荷高峰分別為08∶00和17∶00時，08∶00時模式2比模式1的儲能多出力58.49 kW，17∶00時模式2比模式1的儲能多出力16.66 kW；區(qū)域內(nèi)的負荷低谷出現(xiàn)在 00∶00—03∶00，此期間模式2比模式1的儲能分別多吸收電能35.22 kW、34.14 kW、45.50 kW。結(jié)合以上數(shù)據(jù)，對應(yīng)圖7可得出，模式2比模式1的削峰填谷效果更加顯著，即分別對各區(qū)內(nèi)儲能進行調(diào)度比對全網(wǎng)儲能進行統(tǒng)一調(diào)度更有利于電網(wǎng)的節(jié)能降損。

表5 區(qū)域1儲能24 h出力控制結(jié)果Table 5 Results of 24-hour ES output control for Region 1 kW

圖7 區(qū)域1等效負荷曲線Fig.7 Equivalent load curve of Region 1

表6比較了蒙特卡洛法、概率法和本文方法3種模擬方法的狀態(tài)數(shù)和支行時間。由表6可知，本文的狀態(tài)數(shù)為145，相對于概率法和蒙特卡洛法，大幅減少了狀態(tài)數(shù)量；本文方法運行時間為43 min，相對于概率法，時間縮短了41 min。故本文的狀態(tài)處理方法大幅節(jié)省了運行時間，簡化了計算難度。

表6 不同模擬方法的比較Table 6 Comparison among different simulation methods

5 結(jié)論

考慮城市配電網(wǎng)中高滲透率光伏接入，結(jié)合虛擬分區(qū)及儲能優(yōu)化調(diào)度，提出了光伏電源和儲能優(yōu)化配置的二層規(guī)劃模型和求解方法。本文研究得到如下結(jié)論。

a.充分考慮光伏與負荷間的內(nèi)在關(guān)聯(lián)，采用密度聚類方法建立了光伏-負荷綜合狀態(tài)模型，實際統(tǒng)計出的1 d狀態(tài)數(shù)僅為145，簡化了模型計算難度。

b.虛擬分區(qū)可使各區(qū)內(nèi)儲能更好地配合光伏出力、改善網(wǎng)損、減少購電費用；在虛擬分區(qū)的基礎(chǔ)上，考慮儲能調(diào)度，網(wǎng)損費用和購電成本進一步減少，反映了在規(guī)劃過程中考慮儲能調(diào)度的必要性。

c.儲能可緩解光伏出力帶來的波動性、削峰填谷、節(jié)能降損；相較于儲能全網(wǎng)調(diào)度方案，儲能分區(qū)調(diào)度方案降低了總成本，可以獲得更高的經(jīng)濟效益，各區(qū)域自治方式更利于配電網(wǎng)的經(jīng)濟運行。

［1］王偉，孫昶輝，吳子平，等.含分布式發(fā)電系統(tǒng)的微網(wǎng)技術(shù)研究綜述［J］. 電網(wǎng)技術(shù)，2009，33（9）：14-18.WANG Wei，SUN Changhui，WU Ziping，et al.A review on microgrid technology containing distributed generation system［J］.Power System Technology，2009，33（9）：14-18.

［2］WOYTE A，VAN V，BELMANS R，et al.Voltage fluctuations on distribution level introduced by photovoltaic systems［J］.IEEE Transactions on Energy Conversion，2006，21（1）：202-209.

［3］汪海瑛，白曉民，許婧，等.考慮風(fēng)光儲協(xié)調(diào)運行的可靠性評估［J］. 中國電機工程學(xué)報，2012，32（13）：13-20.WANG Haiying，BAI Xiaomin，XU Jing，et al.Research on thyristor conduction angle characteristics in transient process of TCSC［J］.Proceedings of the CSEE，2012，32（13）：13-20.

［4］張立梅，唐巍，王少林，等.綜合考慮電力公司和獨立發(fā)電商利益的分布式電源規(guī)劃［J］. 電力系統(tǒng)自動化，2011，35（4）：23-28.ZHANG Limei，TANG Wei，WANG Shaolin，etal.Distributed generators planning considering benefits for distribution power company and independent power suppliers［J］.Automation of Electric Power Systems，2011，35（4）：23-28.

［5］王瑞琪，李珂，張承慧，等.基于多目標(biāo)混沌量子遺傳算法的分布式電源規(guī)劃［J］. 電網(wǎng)技術(shù)，2011，35（12）：183-189.WANG Ruiqi，LI Ke，ZHANG Chenghui，et al.Distributed generation planning based on multi-objective chaotic quantum genetic algorithm［J］.Power System Technology，2011，35（12）：183-189.

［6］鄧威，李欣然，李培強，等.基于互補性的間歇性分布式電源在配網(wǎng)中的優(yōu)化配置［J］. 中國電機工程學(xué)報，2013，28（6）：216-225.DENG Wei，LI Xinran，LI Peiqiang，et al.Optimal allocation of intermittent distributed generation considering complementarity in distributed network［J］.Proceedings of the CSEE，2013，28（6）：216-225.

［7］李亮，唐巍，白牧可，等.考慮時序特性的多目標(biāo)分布式電源選址定容規(guī)劃［J］. 電力系統(tǒng)自動化，2013，37（3）：58-63，128.LI Liang，TANG Wei，BAI Muke，et al.Multi-objective locating and sizing of distributed generators based on time-sequence characteristics［J］.Automation of Electric Power Systems，2013，37（3）：58-63，128.

［8］ABOELSOOD Z，MOSTAFA F，SHAABAN E F，et al.Long-term multi-objective distribution network planning by DG allocation and feeders’ reconfiguration［J］.Electric Power Systems Research，2013，105：95-104.

［9］WANG Peng，BILLINTON R.Time sequential distribution system reliabilityworth analysis considering time varying load and cost models［J］.IEEE Transactions on Power Delivery，1999，14（3）：1046-1051.

［10］CONTI S，RAITI S，TINA G，et al.Study of the impact of PV generationon voltage profile in LV distribution networks［C］∥2001 IEEE Porto Power Technology Conference.Porto，Portugal：IEEE，2001：1-6.

［11］ARRIAGADA E，LOPEZ E，ROA C，et al.A stochastic economic dispatch model with renewable energies considering demand and generation uncertainties［C］∥IEEE Grenoble PowerTech.Grenoble，F(xiàn)rance：IEEE，2013：1-6.

［12］EYER M T，LUTHER J.On the correlation of electricity spot market prices and photovoltaic electricity generation［J］.Energy Conversion and Management，2004，45（17）：2639-2644.

［13］榮秋生，顏君彪，郭國強.基于DBSCAN 聚類算法的研究與實現(xiàn)［J］. 計算機應(yīng)用，2004，24（4）：45-46，61.RONG Qiusheng，YAN Junbiao，GUO Guoqiang.Research and implementation of clustering algorithm based on DBSCAN ［J］.Computer Applications，2004，24（4）：45-46，61.

［14］呂濤，唐巍，叢鵬偉，等.分布式電源與配電網(wǎng)架多目標(biāo)協(xié)調(diào)規(guī)劃［J］. 電力系統(tǒng)自動化，2013，37（21）：139-145.Lü Tao，TANG Wei，CONG Pengwei，et al.Multi-objective coordinated planning of distribution network incorporating distributed generators ［J］. Automation of Electric Power Systems，2013，37（21）：139-145.

［15］苗增強，姚建剛，李婷，等.改進的多目標(biāo)遺傳算法在配電網(wǎng)規(guī)劃中的應(yīng)用［J］. 電力系統(tǒng)及其自動化學(xué)報，2009，21（5）：63-67.MIAO Zengqiang，YAO Jiangang，LI Ting，et al.Application of improved multi-objective genetic algorithm distribution network planning［J］.Proceedings of the CSU-EPSA，2009，21（5）：63-67.

［16］劉自發(fā).基于智能優(yōu)化算法的配電網(wǎng)絡(luò)規(guī)劃與優(yōu)化運行研究［D］. 天津：天津大學(xué)，2005.LIU Zifa.A study on distribution network planning and optimal operation based on intelligence optimization algorithms［D］.Tianjin：Tianjin University，2005.

［17］紀震，廖惠連，吳青華.粒子群算法及應(yīng)用［M］.北京：科學(xué)出版社，2009：64-70.