李志軍,郭燕龍,苗慶玉

(1.省部共建電工裝備可靠性與智能化國家重點實驗室(河北工業(yè)大學),天津 300130;2.河北工業(yè)大學 電氣工程學院,天津 300130)

0 引 言

隨著化石能源的枯竭和人類生存環(huán)境的日益惡化,人們越來越多地將目光投向可再生能源。可再生能源大多通過電力電子接口與電網(wǎng)相連,通常慣量較低[1],這使得含高比例可再生能源的新型電力系統(tǒng)呈現(xiàn)低慣量的特征。較低的慣量水平使得系統(tǒng)的動態(tài)頻率支撐能力被大幅削弱[2],當系統(tǒng)發(fā)生功率波動或機組停運等擾動時,初始頻率變化率(rate of change of frequency,RoCoF)和最大頻率偏差顯著增大,嚴重時會觸發(fā)低頻減載(under frequency load shedding,UFLS)等保護機制,甚至引發(fā)大面積停電等重大事故[3],對電力系統(tǒng)的經(jīng)濟和安全運行造成嚴重威脅。

為應對新型電力系統(tǒng)慣量降低帶來的問題,文獻[4]提出了一種控制算法,根據(jù)系統(tǒng)的實時頻率來調整可再生能源的輸出,緩解因系統(tǒng)慣量下降帶來的頻率波動。文獻[5-6]提出了虛擬慣量的概念,通過虛擬同步機(virtual synchronous generator,VSG)控制算法模擬同步機組的機電暫態(tài)特性,使得交直流變流器的輸入輸出特性接近于傳統(tǒng)的同步發(fā)電機,有效提升了系統(tǒng)慣量。在可再生能源發(fā)電系統(tǒng)中,基于附加控制算法實現(xiàn)虛擬慣量的方法通常需要犧牲其發(fā)電經(jīng)濟效益來實現(xiàn),且受制于有限的降載能量,所虛擬的慣量通常不能滿足系統(tǒng)需要。儲能系統(tǒng)(energy storage system,ESS)擁有啟停靈活、響應快速的特點,近年來,已被廣泛地用作VSG和其他虛擬慣量控制技術的能量源,通過合理的配置,即可為系統(tǒng)提供所需的慣量。由于成本等問題,需要根據(jù)系統(tǒng)的實時慣量值判斷ESS是否需要投入,以及投入的功率值,這不僅涉及ESS配置問題,也是ESS慣量支撐后續(xù)控制等問題的基礎。文章將對基于系統(tǒng)慣量支撐需求的ESS配置問題開展研究。

國內外學者對ESS配置問題已進行了大量研究,早期的ESS配置,大部分是基于仿真技術開展的。針對慣量支撐的ESS配置,文獻[7]在MATLAB/Simulink中搭建了ESS-VSG模型,通過仿真法分析系統(tǒng)受到負荷階躍擾動時對ESS的響應需求,對ESS進行了配置。文獻[8]針對火電機組調頻死區(qū)和響應速度問題,通過建模仿真方法,為輔助火電機組慣量響應的ESS做出了合理配置。文獻[9]則通過對WSCC(western system coordinating council,WSCC)9節(jié)點測試系統(tǒng)進行負荷擾動下的潮流計算,實現(xiàn)了ESS的配置。文獻[10]使用蒙特卡洛仿真對高光伏滲透率下的電力系統(tǒng)進行了ESS配置,提升了整個系統(tǒng)的頻率支撐能力。上述基于系統(tǒng)慣量支撐的ESS配置均完全依賴于仿真計算技術,在系統(tǒng)較復雜時需要花費大量的時間,計算成本較高,也無法滿足基于慣量在線配置ESS、優(yōu)化ESS控制等實時應用的場景。

與仿真方法相比,解析法有著計算量小的顯著優(yōu)點,能夠通過給出問題求解的顯式表達式,更加直觀地描述問題的解決思路,明確其物理意義[11]。另外,解析法可以通過給出近似解作為實時調度問題的基本框架[12],從而解決仿真法難以獨立完成的問題。近年來,解析法在電磁場建模、潮流計算、可靠性評估等研究領域應用廣泛。針對于ESS配置問題,文獻[13-14]使用解析法對基于系統(tǒng)慣量支撐和一次調頻的ESS做出了配置,并分析了不同可再生能源滲透率下ESS對于頻率響應的貢獻,但該文章使用各發(fā)電機組的加權慣量來表示系統(tǒng)的等效慣量,沒有考慮傳統(tǒng)機組的停運及可再生能源的波動等因素,無法客觀地表達出高比例可再生能源系統(tǒng)中各種不確定性因素對系統(tǒng)慣量的影響。

針對上述問題,文章綜合考慮了可再生能源及傳統(tǒng)發(fā)電機組不確定性變化對系統(tǒng)慣量的影響,建立了傳統(tǒng)機組的同步概率模型,以風電場為代表建立了可再生能源的同步概率模型,并以此為依據(jù)通過解析法求解系統(tǒng)期望慣量作為系統(tǒng)的實時慣量;以RoCoF指標為約束,根據(jù)搖擺方程求解系統(tǒng)的需求慣量,在系統(tǒng)慣量不足時配置ESS以保證系統(tǒng)頻率穩(wěn)定;最后,通過算例分析表明了所提方法能夠滿足系統(tǒng)慣量對ESS的需求,且極大地提升了計算效率,為ESS實時調配技術方案的實現(xiàn)提供了可能。

1 基于解析法的系統(tǒng)慣量建模

1.1 解析法系統(tǒng)慣量建模概述

基于慣量支撐的ESS配置以系統(tǒng)實時慣量為配置依據(jù),為此,首先要對系統(tǒng)慣量進行建模。為客觀反映機組運行時不確定因素的影響,此節(jié)對傳統(tǒng)機組和可再生能源的同步概率分別進行建模,作為系統(tǒng)慣量求解的基礎。

新型電力系統(tǒng)的系統(tǒng)慣量通常由可再生能源單元等效慣量和傳統(tǒng)機組單元慣量構成,可再生能源出力具有隨機性,同時也增加了傳統(tǒng)機組投切的隨機性,兩者的隨機特性使得系統(tǒng)慣量具有不確定性。另外,考慮到各發(fā)電單元只有在與系統(tǒng)并列同步運行的情況下才能為系統(tǒng)提供慣量,因此通過求解各發(fā)電單元的同步概率,即可客觀的表達出不確定性影響因素下的系統(tǒng)慣量。

利用解析法求解系統(tǒng)慣量的示意圖如圖1所示。求解過程主要分為三個部分,首先對傳統(tǒng)機組的同步概率進行求解,為此需要對系統(tǒng)停運容量、等效負荷進行建模,進而對傳統(tǒng)機組期望發(fā)電量進行求解;其次,對可再生能源的同步概率進行求解,不同于傳統(tǒng)機組,可再生能源同步概率的求解借助于其置信度來實現(xiàn);最后,根據(jù)所有發(fā)電單元(包含傳統(tǒng)機組和可再生能源)的同步概率及對應的慣量來對系統(tǒng)的實時慣量進行求解。

圖1 解析法系統(tǒng)慣量求解示意圖

1.2 傳統(tǒng)機組同步概率模型

由圖1可知,傳統(tǒng)機組同步概率的求解包括系統(tǒng)等效負荷的建立、傳統(tǒng)機組期望發(fā)電量的求解和傳統(tǒng)機組同步概率的最終求解,此節(jié)將對整個過程依次進行建模和求解。

1.2.1 等效負荷模型

1)停運容量模型。

等效負荷由系統(tǒng)停運容量和負荷組成,此節(jié)首先對系統(tǒng)停運容量進行建模。由于傳統(tǒng)機組期望發(fā)電量的求解需要借助于系統(tǒng)內所有發(fā)電單元的運行情況,所以系統(tǒng)停運容量是包含傳統(tǒng)機組和可再生能源在內的全部發(fā)電單元的停運容量。

(a)停運容量概率分布。

文章使用系統(tǒng)的等效慣性時間常數(shù)來表征系統(tǒng)慣量的大小[15]。在不考慮發(fā)電單元停運問題時,系統(tǒng)的等效慣性時間常數(shù)Hr可用各發(fā)電單元慣量時間常數(shù)的容量加權和表示為:

(1)

式中Hi和Si分別為發(fā)電單元i的慣性時間常數(shù)和額定容量;Ssys為系統(tǒng)總裝機容量。

由于各發(fā)電單元隨機停運的影響,式(1)不再適用,為此需要對各發(fā)電單元的停運情況進行建模。一般情況下,當向原有系統(tǒng)中加入容量為Ca、停運概率為qa的二狀態(tài)(即運行和停運兩種狀態(tài))新機組時,所有發(fā)電單元的停運容量累積概率分布函數(shù)F+(C)可用式(2)所示的卷積過程[16]表示。

F+(C)=F(C)(1-qa)+F(C-Ca)qa

(2)

式中F(C)為加入新機組之前的停運容量概率分布函數(shù)。傳統(tǒng)機組大多可用二狀態(tài)模型表示。

可再生能源的停運容量模型一般為多狀態(tài)形式,因此,若新投入可再生能源,F+(C)將表示為:

(3)

式中pi為總狀態(tài)數(shù)為n的機組狀態(tài)為i的概率;Ci為機組狀態(tài)為i時,相對于其額定容量所缺失的容量。

通過將系統(tǒng)中所有傳統(tǒng)機組的停運容量參數(shù)依次代入式(2),可再生能源的停運容量參數(shù)依次代入式(3),即可得到系統(tǒng)的停運容量概率分布。

(b)停運容量參數(shù)求解。

對于傳統(tǒng)機組,式(2)中的qa、Ca可通過停運容量概率表(capacity outage probability table,COPT)或直接查找各機組的停運容量數(shù)據(jù)得到。對于可再生能源,式(3)中的pi、Ci并不能直接獲得,為此,此節(jié)對以風電場為代表的可再生能源進行建模,并對多狀態(tài)模型的pi和Ci值進行求解。

風電場的運行狀態(tài)取決于風速及風電場中各風力機的停運情況,使用馬爾科夫鏈可將風速近似等效為離散的有限狀態(tài)[17],通過對大量時間序列下的風速樣本進行處理,可得到各個風速狀態(tài)的概率估計值。風速狀態(tài)對應的概率可用式(4)表示。

(4)

式中pws,k表示風速狀態(tài)為k時的概率;N為風速總的狀態(tài)數(shù);nkj為從狀態(tài)k向狀態(tài)j轉變的狀態(tài)個數(shù)。根據(jù)風速-功率曲線,可得到單個風力機在對應風速狀態(tài)下的輸出功率。

假設風速共有N個狀態(tài),風電場中共有m個風力機,則同一時刻風力機的停運個數(shù)g為0～m,風電場所有的狀態(tài)數(shù)為N×(m+1),圖2表示了風電場所有的狀態(tài)及對應的停運容量。

圖2 風電場狀態(tài)及對應的停運容量

當風速達到或超過臨界值時,風力機達到其額定功率GN,若某時刻風速狀態(tài)為k,且有g個風力機停運,則此時風電場的停運容量Ck,g為:

Ck,g=mGN-(m-g)Gk

(5)

式中Gk為風速狀態(tài)為k時風力機的輸出功率。則Ck,g所對應的停運容量概率pk,g為:

(6)

2)等效負荷概率分布。

電力系統(tǒng)穩(wěn)定運行時,發(fā)電單元的停運會影響自身及其他發(fā)電單元的發(fā)電量[16]。為了對此影響結果進行合理表達,此節(jié)將負荷概率分布與(1)節(jié)中所建立的系統(tǒng)停運容量模型結合,即等效負荷模型,作為后文期望發(fā)電量求解的基礎。

如式(7)所示,系統(tǒng)等效負荷Le為系統(tǒng)總負荷值L與發(fā)電單元總停運容量值C之和。

Le=L+C

(7)

通過將Le的各部分之間進行卷積,可得到系統(tǒng)等效負荷Le的概率分布函數(shù)F(Le)[15]。其中,L的概率分布可由負荷數(shù)據(jù)得到,文章通過對小時級負荷數(shù)據(jù)進行分析得到所研究時間范圍內的負荷概率分布函數(shù)F(L)。當負荷為Li時,對應的概率分布函數(shù)FT(Li)可表示為[16]:

(8)

式中tL≥Li為負荷值大于Li的時間,ttotal為總時間。

將負荷概率分布函數(shù)F(L)作為式(2)中F(C)的初始概率分布,并使用1節(jié)中的方法對所有發(fā)電單元的停運容量依次進行卷積運算,最終可得到包含負荷與系統(tǒng)中所有發(fā)電單元停運容量的等效負荷概率分布函數(shù)Fn(Le)。

此節(jié)中的概率分布函數(shù)F(L)和Fn(Le)不同于一般意義上的累積概率分布,表示的是所研究數(shù)據(jù)中大于某個數(shù)值的部分所對應的概率,這樣表達是為了更好地求解機組的期望發(fā)電量。

1.2.2 傳統(tǒng)機組期望發(fā)電量求解

在得到等效負荷概率分布函數(shù)Fn(Le)之后,按照傳統(tǒng)機組的優(yōu)先級對Fn(Le)相繼解卷積[15],以分別得到包含不同傳統(tǒng)機組的等效負荷概率分布曲線。例如首先根據(jù)機組n的參數(shù)對Fn(Le)進行解卷積,如式(9)所示。

(9)

式中Fn-1(Le)為包含除機組n外的n-1個機組的等效負荷概率分布函數(shù);qn為機組n的停運概率,對應式(2)中的qa。機組n的發(fā)電容量Sn和期望發(fā)電量En則可表示為:

(10)

(11)

式中t為所研究的時間范圍。

根據(jù)傳統(tǒng)機組參數(shù)對Fn(Le)依次進行解卷積以得到包含n-1,n-2,…,1,0個傳統(tǒng)機組,即分別移除1,2,…,n-1,n個機組的等效負荷概率分布函數(shù)。將所得的概率分布函數(shù)分別代入式(11)進行運算,最終可得到各傳統(tǒng)機組的期望發(fā)電量。圖3表示了上述解卷積過程以及Sn對應的區(qū)域。

圖3 第n個發(fā)電機組的發(fā)電量概率分布情況

1.2.3 傳統(tǒng)機組同步概率求解

在得到傳統(tǒng)機組的期望發(fā)電量后,即可對其同步概率進行求解。

在給定的時間段內,發(fā)電單元的期望發(fā)電量與其發(fā)電能力之比即為此發(fā)電單元的同步概率,如式(12)所示,將求得的各傳統(tǒng)機組期望發(fā)電量依次代入式(12),可得到所有傳統(tǒng)機組的同步概率。

(12)

式中psn為機組n在給定時間內的同步概率;Sn為機組n的發(fā)電容量。

1.3 可再生能源同步概率模型

對于可再生能源的同步概率模型,此節(jié)同樣以風力發(fā)電作為典型代表開展相關研究。風電場通過電力電子接口并網(wǎng),通常不能為系統(tǒng)提供慣量支撐,但是通過一定的控制技術可使其具有虛擬慣量。與傳統(tǒng)機組不同,風電場的同步概率主要受其自身功率輸出能力的影響,因此,利用風電場置信容量CV和容量置信度α可對其同步概率做出合理表征[18]。

風電場置信容量CV的定義是在維持系統(tǒng)可靠性不變的基礎上,系統(tǒng)因發(fā)電單元的增加而相應可提升的負荷值。設Pw為此負荷值,Gw為風電場裝機容量,則α為CV與Gw的比值,即:

CV=Pw

(13)

(14)

若所研究的時間范圍為t,則負荷吸收的能量El為:

El=Pwt

(15)

同時,此能量值也是風電場的期望發(fā)電量Ew。風電場的同步概率psw可以表示為:

(16)

將式(13)代入式(16)并與式(14)比較可知,風電場的同步概率與α的值完全相等,即可用式(17)來求解風電場的同步概率。

(17)

1.4 系統(tǒng)實時慣量的解析模型

在任意時刻,系統(tǒng)慣量的可能值可表示為:

(18)

式中U為處于同步狀態(tài)的發(fā)電單元集;Hn和Sn為發(fā)電單元的慣性時間常數(shù)和額定容量;h為此時刻的系統(tǒng)慣量值。

由于各發(fā)電單元同步狀態(tài)的不確定性,導致h會隨著各發(fā)電單元狀態(tài)的變換而變化。為此,需要對各h值對應的概率進行求解,其表達式為:

(19)

式中P{Hr=h}為系統(tǒng)慣量等于h的概率;psn為發(fā)電單元n的同步概率,對應1.2和1.3節(jié)中的psn和psw;qsj=1-psj;D為處于非同步狀態(tài)的發(fā)電單元集。

系統(tǒng)期望慣量E[Hr]即為h的期望,可表示為:

(20)

文章將E[Hr]作為系統(tǒng)的實時慣量,以體現(xiàn)系統(tǒng)中的不確定性因素對系統(tǒng)慣量的影響。

2 基于慣量支撐的解析法ESS配置

圖4為利用解析法進行慣量支撐ESS配置的示意圖,主要由傳統(tǒng)機組、可再生能源、負荷及ESS構成。第1章已經(jīng)建立了系統(tǒng)實時慣量模型,對應圖4中的Hr,為完成解析法ESS配置,還需要得到系統(tǒng)需求慣量Hmin(即滿足RoCoF約束下的系統(tǒng)慣量最小值),根據(jù)系統(tǒng)慣量的缺失值來對ESS的投入與否做出判斷并計算ESS配置功率。

圖4 考慮慣量支撐需求的解析法ESS配置示意圖

2.1 系統(tǒng)需求慣量解析模型

當系統(tǒng)發(fā)生功率擾動ΔP后,初始時刻的頻率的變化可用式(21)所示的搖擺方程表示[19]。

(21)

由此可得:

(22)

初始RoCoF根據(jù)不平衡事件突發(fā)后的0.5 s內的頻率變化計算得到[20],其影響因素包括擾動大小、系統(tǒng)實時慣量、系統(tǒng)頻率響應速度等。如果初始RoCoF過大,會導致系統(tǒng)頻率下降超過允許值,觸發(fā)UFLS。為此,需要將初始RoCoF限定在避免觸發(fā)UFLS的允許范圍內。文中取系統(tǒng)RoCoF的約束值為0.5 Hz/s[20],同時將此極端情況作為ESS配置的依據(jù)。

2.2 ESS投入功率

根據(jù)2.1節(jié)的模型可得到系統(tǒng)發(fā)生功率擾動時,RoCoF約束下的系統(tǒng)慣量需求Hmin,將1.4節(jié)中得到的系統(tǒng)期望慣量作為任意時刻t下的實時系統(tǒng)慣量Hsys(t)。若Hsys(t)

HESS(t)=Hmin-Hsys(t)

(23)

慣量為HESS的ESS在對頻率變化做出慣量支撐時,其輸出功率在虛擬同步機控制模式下同樣可根據(jù)式(21)所示的搖擺方程進行求解,將式(21)中的Hmin使用HESS代替,解得ESS的投入功率PESS為:

(24)

綜上,基于解析法的系統(tǒng)慣量支撐需求ESS配置總流程如圖5所示。

圖5 基于解析法的慣量支撐ESS配置流程圖

3 算例分析

文章使用新英格蘭IEEE 39節(jié)點系統(tǒng)的數(shù)據(jù)來驗證所提方法的有效性。該系統(tǒng)包含39個節(jié)點、10個發(fā)電機組以及46條傳輸線路,其單線圖如圖6所示。根據(jù)場景的不同,將其中的部分發(fā)電機組替換為風電場來表示可再生能源的接入對系統(tǒng)慣量的影響。使用美國國家可再生能源實驗室戰(zhàn)略能源分析中心的風速數(shù)據(jù)來對1.3節(jié)中所描述的風電場進行建模[21]。風電場的容量置信度和同步概率取值為0.15[22]。引用我國北方某地區(qū)的年度小時級負荷數(shù)據(jù),并根據(jù)算例系統(tǒng)中的峰值負荷來對負荷數(shù)據(jù)等比例縮放,以此建立負荷曲線。引用文獻[23]中的發(fā)電機組停運容量及概率值來建立等效負荷概率分布,風電場的慣量值引用自文獻[24]。

圖6 IEEE 39節(jié)點系統(tǒng)單線圖

3.1 算例介紹

使用四個具有不同風電滲透率的算例來驗證文章所提ESS解析配置方法的有效性。在四個算例中,均設置0.1 p.u.的功率突變來求解系統(tǒng)的需求慣量。此外,文中所提方法適用于任意風電滲透率、負荷擾動限制下的ESS配置求解,在實際工程中可根據(jù)實際情況靈活選擇以上參數(shù)。

1)算例1:所有發(fā)電機組均為原系統(tǒng)中的傳統(tǒng)同步發(fā)電機組,所有機組的有功容量和為7 120 MW;

2)算例2:考慮大約12.5%的風電滲透率,使用容量為550 MW的風電場來替換原系統(tǒng)中250 MW和650 MW兩個傳統(tǒng)機組;

3)算例3:考慮大約28.5%的風電滲透率,使用容量為1 600 MW的風電場來替換原系統(tǒng)中250 MW、650 MW、632 MW和508 MW四個傳統(tǒng)機組;

4)算例4:考慮大約38%的風電滲透率,使用容量為2 300 MW的風電場來替換原系統(tǒng)中250 MW、650 MW、632 MW、508 MW和650 MW五個傳統(tǒng)機組。

3.2 傳統(tǒng)機組同步概率和系統(tǒng)期望慣量

算例1依據(jù)1.2.2節(jié)理論對包含所有發(fā)電機組的等效負荷概率分布曲線依次進行解卷積,最終得到了各機組依次被移除時等效負荷的變化情況。當所有發(fā)電機組均被移除時,等效負荷即為實際負荷,等效負荷概率分布曲線與負荷概率分布曲線重合。各等效負荷概率分布曲線如圖7所示。將所得等效負荷概率分布曲線對應的函數(shù)依次代入式(11)和式(12),最終得到了各發(fā)電機組的期望發(fā)電量和同步概率,結果如表1所示。圖8為系統(tǒng)慣量累積分布曲線,其中,慣量的取值范圍為0—4.824 s,最終解得系統(tǒng)期望慣量E[Hr]為3.320 s。

表1 算例1各機組的期望發(fā)電量和同步概率

圖7 算例1等效負荷概率分布曲線

圖8 算例1系統(tǒng)慣量累積分布曲線

由于風電場的滲透,算例2～算例4的系統(tǒng)慣量的取值范圍分別為0—4.399 s、0—3.703 s和0—3.269 s,系統(tǒng)期望慣量分別為3.236 s、3.017 s和2.762 s。

為了驗證文章所提解析方法的有效性,使用了文獻[10]中的蒙特卡洛仿真方法來對系統(tǒng)慣量進行求解,最終求得的四個算例中的系統(tǒng)慣量分別為3.399 s、3.313 s、3.089 s、和2.813 s,與解析法的求解結果誤差均在3%以內。

3.3 ESS配置結果

根據(jù)第2章所提方法來計算ESS需求慣量和投入功率值,其結果如表2所示。結果表明,在規(guī)定的RoCoF約束下,對于算例1和算例2,系統(tǒng)本身具有足夠的慣量。隨著風電滲透率的提高,在算例3和算例4中,需要調度并投入相應的ESS來為系統(tǒng)提供更多的虛擬慣量。與之相對應,表3給出了蒙特卡洛仿真法的ESS配置結果,所提解析法與仿真法所得結果中,ESS均在算例1和算例2中不投入使用,在算例3和算例4中投入使用,且ESS配置誤差均在5%以內。

表2 解析法的ESS配置結果

表3 仿真法的ESS配置結果

文中算例中所使用的計算機處理器為i5-6600,軟件為MATLAB2018a。整個ESS配置過程,解析法耗時約0.78 s,仿真法耗時數(shù)十分鐘,表明在考慮隨機特性的慣量求解和ESS配置實時性應用場景中,解析法具有良好的實時匹配能力。

通過以上的分析以及與模擬仿真結果的對比,表明了所提ESS解析配置方法能夠在保證計算結果準確性的基礎上較大地提高計算速度和效能。

3.4 ESS配置效果

3.4.1 ESS配置的動態(tài)頻率支撐效果

為了驗證所提ESS配置方法的動態(tài)頻率支撐效果,分別將算例1～算例4的ESS配置結果代入IEEE 39節(jié)點系統(tǒng)中,分析當系統(tǒng)遭受0.1 p.u.的負荷波動的情況下的初始RoCoF的變化情況并與無ESS配置下的系統(tǒng)進行對比,其結果如表4所示。由表4中數(shù)據(jù)可知,算例3和算例4在ESS配置前后,其初始RoCoF均由不合格轉變?yōu)楹细駹顟B(tài),且配置ESS后的初始RoCoF接近于約束值,既保證了支撐效果,也避免了ESS的過度配置。

表4 ESS配置前后RoCoF對比

此外,算例1和算例2在無ESS配置的情況下即可滿足RoCoF的要求,這也驗證了所提方法對于系統(tǒng)需求慣量計算的準確性。

3.4.2 ESS的實時在線配置效果

為了驗證所提方法的實時在線配置效果,在2 s、15 s和30 s時分別將系統(tǒng)的參數(shù)由算例1更改為算例2～算例4所對應的參數(shù),并于1 s后產生0.1 p.u.的功率擾動,分析其初始RoCoF的變化情況,并與離線配置的結果相比較,其結果如表5所示。

表5 ESS實時在線配置效果

由數(shù)據(jù)可知,在系統(tǒng)狀態(tài)為算例1和算例2對應參數(shù)時,由于系統(tǒng)本身慣量能夠滿足標準要求,故離線配置和在線配置中ESS均未投入使用。當系統(tǒng)狀態(tài)變?yōu)樗憷?和算例4對應參數(shù)時,由于離線配置計算時間較長,無法根據(jù)系統(tǒng)最新狀態(tài)對ESS配置做出改變,故ESS未能及時投入,初始RoCoF超過了約束值。而所提方法能夠較好地感知系統(tǒng)參數(shù)的變化,并據(jù)此實時調整ESS配置,使得初始RoCoF仍滿足系統(tǒng)要求。

以上分析表明了所提方法能夠實現(xiàn)ESS實時在線配置的可行性和有效性。

4 結束語

高比例可再生能源電力系統(tǒng)拓撲復雜多變,使得系統(tǒng)頻率特性具有強烈的不確定性特點,傳統(tǒng)的基于仿真技術的ESS配置方法通常計算成本高、效率低,無法滿足新型電力系統(tǒng)多變的實時在線配置需求,現(xiàn)有的解析法配置技術無法客觀反應出新型電力系統(tǒng)中各種不確定性因素對系統(tǒng)慣量的影響,使得ESS配置不夠客觀、準確。針對這一問題,文章提出了一種新型的基于解析法的ESS配置方法,綜合考慮了可再生能源和傳統(tǒng)機組的不確定性問題,為用于慣量支撐的ESS提出了一種新型解析配置方法,經(jīng)過理論分析和算例驗證,主要工作總結和結論如下:

1)使用概率統(tǒng)計的方法建立了系統(tǒng)慣量解析模型,設計實現(xiàn)了基于解析法的ESS配置并客觀反映了系統(tǒng)不確定性的影響;

2)與傳統(tǒng)蒙特卡洛仿真配置方法對比,該解析配置方法不僅能滿足ESS的準確配置,計算效能也得到了大幅提升;

3)基于所提方法的高效能,使得利用其實現(xiàn)ESS實時在線配置成為可能,可滿足新型電力系統(tǒng)實時調控的需求。