摘要：隨著分布式發(fā)電在電網中的滲透率不斷升高，許多地區(qū)都出現了新能源消納能力欠缺的問題，解決新能源消納欠缺問題將成為分布式發(fā)電進一步發(fā)展的關鍵所在。同時，又由于5G技術的快速發(fā)展，5G基站或將成為解決新能源消納問題的重要法寶。文章以南方某一典型區(qū)域內的配電網、分布式發(fā)電以及5G基站為研究對象，研究基于5G基站的新能源隔墻消納技術。首先，分析了利用5G基站解決新能源消納問題的可行性；其次，以新能源總體消納量為目標函數，考慮光伏發(fā)電出力上限、基帶處理單元計算容量上限、計算任務轉移時延等約束進行建模；然后，利用遺傳算法對模型進行求解；最后，通過實際算例驗證了模型的有效性。

關鍵詞：分布式發(fā)電；5G基站；新能源消納；遺傳算法

中圖分類號：TM73" 文獻標志碼：A

0 引言

近年來，隨著雙碳目標的提出，多方人員共同努力，能源系統(tǒng)轉型已取得了顯著成效。據國家可再生能源中心、中國電力企業(yè)聯合會統(tǒng)計：截至2022年年底，分布式光伏發(fā)電新增容量超過5 000×104 kW，累計并網容量超過15 000×104 kW［1-2］。然而隨著分布式發(fā)電滲透率的提高，許多分布式發(fā)電較為集中的地區(qū)都出現了新能源消納能力欠缺的問題［3］。如何解決分布式發(fā)電中新能源的消納問題，已經成為分布式發(fā)電運行與規(guī)劃的關鍵所在［4］。

為解決分布式發(fā)電中的新能源消納問題，國內外學者做出了諸多研究。趙鳳展等［5］提出了一種激勵農村用戶參與需求側響應，通過調整和引導農村用戶的用電行為，進而解決分布式發(fā)電消納問題的策略。梁紫雯等［6-7］基于分布式微能源互聯網的典型結構，利用微能源互聯網內多種能源的用能互補性，提高分布式發(fā)電的新能源消納能力。郇悅等［8-10］提出在同一電壓等級下，利用輸電通道將本地無法消納完全的新能源外送到高負荷地區(qū)進行消納。但是，隨著通信技術的快速發(fā)展，5G基站的規(guī)模越來越大，上述研究都忽略了5G基站這一特殊的新能源消納資源。據估計，到2030年，我國建設的5G基站的規(guī)模將會沖破千萬大關［11］。5G基站規(guī)模日益銳增意味著其產生的負荷也會隨之劇增，同時因為5G基站獨有的負荷特性，也成了新能源消納中不可忽略的一部分。

針對上述問題，本文提出了一種基于5G基站的新能源隔墻消納方法。首先，分析了利用5G基站解決分布式發(fā)電新能源消納問題的可行性；其次，基于5G基站的計算任務轉移特性，構建了新能源隔墻消納模型；最后，通過算例仿真結果，對比分析了使用技術前后的新能源總體消納量，驗證了本文所提方法的有效性。

1 利用5G基站解決新能源消納可行性分析

傳統(tǒng)的分布式新能源的消納方式主要有2種：一種是就地消納；另一種是通過通道輸送到同一電壓等級下的其他高負荷區(qū)域進行消納［12］。由于地理及建設規(guī)模原因，分布式發(fā)電往往存在出力分布不均的現象，有些地區(qū)的分布式發(fā)電太多，無法實現就地完全消納，又由于經濟性問題，無法為其建設專用輸送通道進行外送消納。所以，需要一種新的新能源消納技術來解決這種困境。

隨著5G技術的快速發(fā)展，5G基站的規(guī)模越來越大，據估計，在5G通信大規(guī)模建設后，一個110 kV變電站供電區(qū)域下5G基站的負荷將會達到6～7 MW，這是一種不可忽視的負荷。同時，隨著云計算技術的快速發(fā)展，通信基站可以將本單元內的計算任務包通過信息傳輸通道上傳至云計算中心，之后云計算中心可自行將計算任務包進行處理，或者傳輸到其他基站處理，并將結果反饋到原處理基站。隨著計算任務包在基站間轉移，如圖1所示，處理任務包所產生的負荷也會在相應節(jié)點上轉移。故5G基站的計算負荷可視為一種彈性負荷，參與到新能源消納中，解決其消納問題。

2 新能源隔墻消納模型

基于5G基站的計算任務轉移特性，本文以新能源總體消納量為目標函數，以計算任務包分布情況為自變量，考慮光伏發(fā)電出力上限、基帶處理單元計算容量上限、計算任務轉移時延等約束進行建模。最后，利用遺傳算法對模型進行求解。

2.1 目標函數

新能源隔墻消納模型的目標函數為新能源總體消納量最大，即各分布式發(fā)電出力之和。又由于電能無法隔墻進行傳輸，故分布式發(fā)電出力與所處節(jié)點下的負荷大小緊密相關。

式中，Pabs為新能源總體消納量，Gi為第i個分布式發(fā)電的出力大小，NG為分布式發(fā)電場站數量大小。

各節(jié)點下的分布式發(fā)電場站的出力大小，與該分布式發(fā)電場站的出力上限以及所處節(jié)點下的負荷大小有關：若分布式發(fā)電出力上限大于等于節(jié)點負荷，則發(fā)電出力大小等于節(jié)點負荷；若分布式發(fā)電出力上限小于節(jié)點負荷，則發(fā)電出力大小等于發(fā)電出力上限。

式中，Gi_max為第i個分布式發(fā)電場站的出力上限，為第i個節(jié)點的節(jié)點負荷大小。

在分布式發(fā)電場站的出力上限與節(jié)點負荷2個因素中，分布式發(fā)電場站的出力上限與場站部署的面積以及設備的規(guī)格有關，較難進行改動。因此，本文考慮通過改變節(jié)點負荷大小以提高新能源總體消納量?；谕ㄐ呕镜挠嬎闳蝿辙D移特性，考慮將節(jié)點負荷分為基礎負荷與計算負荷2類。

LDi=LDi_B+LDi_c（3）

LDi_c=LDF（CP，tp）（4）

式中，LDi_B為節(jié)點基礎負荷，LDi_c為節(jié)點計算負荷，CP為計算任務分布向量，tp為計算任務包大小向量，LDF表示根據計算任務分布向量和計算任務包大小向量求節(jié)點計算負荷的函數。

2.2 約束條件

該新能源隔墻消納模型的約束主要從光伏發(fā)電出力上限約束、基帶處理單元計算容量上限約束以及計算任務轉移時延約束等方面進行考慮，具體如下。

（1）光伏發(fā)電出力上限約束。

C1：0≤Gi≤Gi_max（5）

式中，C1是為了保證光伏發(fā)電場站的出力不超過出力上限。

（2）自變量約束。

C2：i∈［1，NP］cpi×（cpi-1）=0（6）

式中，NP為計算任務包的數量，cpi為計算任務包因子，cpi=1表示第i個任包務被當前基站進行處理。

（3）計算任務轉移時延約束。

Xt_max（7）

式中，cp′i為計算任務包的初始分布情況，Cv為計算任務包在基站間的傳輸速率，Xt_max為計算任務轉移的最大允許時延。C3是為了保證計算任務發(fā)生轉移時不超過最大允許時延。

（4）通信基站計算容量上限。

式中，Cmax為通信基站的計算容量上限，C4是為了保證通信基站內所執(zhí)行的計算任務不超過計算容量上限。

2.3 模型求解算法流程

在模型求解部分，本文考慮到結果的精度要求，采用了遺傳算法作為模型求解算法。以計算任務包分布情況為自變量，新能源總體消納量為目標函數。具體求解流程如圖2所示。

3 算例分析

3.1 數據背景

為驗證上述新能源消納模型的可行性，本文以南方某一區(qū)域內的分布式發(fā)電為例，假設2個110 kV母線下各接有3個10 kV節(jié)點，網絡框架如圖3所示。

網架中包含2個110 kV母線，每個母線下假設含有3個10 kV節(jié)點，并在節(jié)點B6上設置了一個數據中心以便計算大量數據。為適應實驗需要，在每個10 kV節(jié)點下均設有一個大小為2 500 kW的節(jié)點負荷，節(jié)點負荷中包含200 kW的5G基站計算負荷［13-14］，節(jié)點負荷情況如表1所示。同時，在節(jié)點B1、B2、B5下均接入規(guī)模較小的分布式光伏發(fā)電，出力上限為500 kW；在節(jié)點B3、B6下接入的是規(guī)模較大的分布式光伏發(fā)電，出力上限為3 000 kW［15-16］。分布式發(fā)電出力上限如表2所示。

3.2 結果討論

基于上述數據建立模型，并對模型進行仿真，得到結果如表3—4和圖4所示。

對比表3—4可知：初始情況下，每個節(jié)點的任務包數量為4個，使用基于5G基站的新能源隔墻消納技術后，節(jié)點B1的任務包數量變?yōu)榱?個；節(jié)點B2的任務包數量變?yōu)榱?個；節(jié)點B3的任務包數量變?yōu)榱?個；節(jié)點B4的任務包數量變?yōu)榱?個；節(jié)點B5的任務包數量變?yōu)榱?個；節(jié)點B6的任務包數量變?yōu)榱?0個。由圖4可知，隨著計算任務包的轉移，每個節(jié)點下的5G基站群處理計算任務所產生的計算負荷也隨之變化：節(jié)點B1的總負荷由2 500 kW變?yōu)榱? 400 kW，節(jié)點B2的總負荷由2 500 kW變?yōu)榱? 350 kW，節(jié)點B3的總負荷由2 500 kW變?yōu)榱? 650 kW，節(jié)點B4的總負荷由2 500 kW變?yōu)榱? 350 kW，節(jié)點B5的總負荷由2 500 kW變?yōu)榱? 450 kW，節(jié)點B6的總負荷由2 500 kW變?yōu)榱? 800 kW。分布式發(fā)電的新能源總體消納量也由6 500 kW增長到了6 950 kW，增長比例約為6.9%。

產生上述結果的原因有以下幾點：第一，節(jié)點B3和節(jié)點B6下所接的均為規(guī)模較大分布式發(fā)電，故將其他節(jié)點下5G基站群內的任務包轉移到節(jié)點B3與B6下，可以有效地提高新能源的消納量；第二，由于節(jié)點B6下接入了一個數據中心，而數據中心又能處理更多的計算任務包，故節(jié)點B6下的計算任務包數量更多；第三，由于每個節(jié)點下的5G基站群都要滿足本區(qū)域內的計算任務轉移時延要求，故不能將所有的計算任務包都分配到其他節(jié)點下處理。

4 結語

本文針對分布式發(fā)電中新能源消納能力不足的問題，基于5G基站計算任務可轉移的特性，考慮光伏發(fā)電出力上限、基帶處理單元計算容量上限等約束，并以新能源總體消納量為目標函數構建了新能源隔墻消納模型。最后通過算例分析，驗證了模型的可行性和有效性，并得出結論：利用5G基站參與到分布式發(fā)電的新能源消納中，可以有效地提高新能源的消納量，從而為分布式發(fā)電的進一步發(fā)展提供有力支撐。

參考文獻

［1］國家能源局.2022年光伏發(fā)電建設運行情況［EB/OL］.（2023-02-17）［2024-01-29］.http：//www.nea.gov.cn/2023-02/17/c_1310698128.htm.

［2］CHARLIE D，左沖，賈彥，等.中國農村民居屋頂分布式光伏發(fā)電的發(fā)展?jié)摿Ψ治觯跩］.太陽能，2023（1）：5-16.

［3］劉顯茁，王皓懷，鄧韋斯，等.考慮不同時間尺度下的新能源跨區(qū)域消納策略［J］.南方電網技術，2023（2）：37-46，56.

［4］張迪.分布式發(fā)電市場化環(huán)境下光伏發(fā)電規(guī)劃與電網協(xié)調優(yōu)化運行技術研究［D］.武漢：華中科技大學，2021.

［5］趙鳳展，張啟承，張帥，等.面向高比例分布式光伏發(fā)電消納的復合型需求側響應控制［J］.農業(yè)工程學報，2022（16）：190-197.

［6］梁紫雯，牟龍華，何楚璇.微能源網互聯系統(tǒng)的頻率調節(jié)和消納能力研究［J］.電工技術學報，2022（增刊1）：74-82.

［7］WANG W，LIU H F， SHI Y，et al.Research on consuming mode control strategy of distributed power supply in active distribution network：2019 14th IEEE conference on industrial electronics and applications （ICIEA）［C］.New York：IEEE，2019.

［8］郇悅.考慮輸電計劃彈性的高比例新能源送端電網調度計劃優(yōu)化方法［D］.北京：華北電力大學，2021.

［9］AGRAWAL S， PANIGRAHI B K，TIWARI M K.Multiobjective particle swarm algorithm with fuzzy clustering for electrical power dispatch［J］.IEEE Transactionson Evolutionary Computation，2008（5）：529-541.

［10］徐帆，王穎，楊建平，等.考慮電網安全的風電火電協(xié)調優(yōu)化調度模型及其求解［J］.電力系統(tǒng)自動化，2014（21）：114-120.

［11］王宏延，完顏紹澎，顧舒嫻，等.5G建設與電力基礎資源運營方案研究［J］.電力信息與通信技術，2019（12）：9-14.

［12］溫鑫，姚文瑩，何圣川，等.雙碳目標下新能源消納能力提升方法研究［J］.機電信息，2023（1）：5-7.

［13］蔡恒，伍惠鋮，鄒知斌.某居民小區(qū)用電調查與負荷分析［J］.江西電力，2017（2）：24-27.

［14］何相勝.某綜合小區(qū)供配電系統(tǒng)設計探討［J］.電工技術，2022（19）：77-79.

［15］申翔.建筑屋頂光伏發(fā)電系統(tǒng)的研究與應用［D］.南寧：廣西大學，2021.

［16］郭黎.屋頂分布式光伏發(fā)電并網設計與效益分析［D］.蘭州：蘭州理工大學，2018.

Research on new energy partition wall absorption based on 5G base station

Abstract： With the increasing penetration rate of distributed power generation in the power grid， the problem of insufficient absorption capacity of new energy appears in many areas. To solve the problem of insufficient absorption capacity of new energy will become the key to the further development of distributed power generation. At the same time， due to the rapid development of 5G technology， 5G base stations may become an important magic weapon to solve the problem of new energy consumption. In this paper， the distribution network， distributed generation and 5G base station in a typical southern region are taken as objects to study the new energy partition absorbing technology based on 5G base station. Firstly， the feasibility of using 5G base station to solve the problem of new energy consumption is analyzed. Secondly， the overall consumption of new energy was taken as the objective function， and constraints such as the upper limit of photovoltaic power generation output， the upper limit of baseband processing unit computing capacity and the transfer delay of computing tasks were taken into account for modeling. Then， genetic algorithm is used to solve the model. Finally， a practical example is given to verify the effectiveness of the model.

Key words： distributed power generation; 5G base station; new energy consumption; genetic algorithm