劉源，楊軍，楊丙權，朱旭，陳艷，王宣

(1.武漢大學電氣工程學院，武漢市 430072；2. 國網(wǎng)湖北省電力公司武漢供電公司，武漢市 430013)

考慮“風-光-荷-儲”聯(lián)合運行的配電網(wǎng)雙層規(guī)劃方法

劉源1，楊軍1，楊丙權2，朱旭1，陳艷2，王宣2

(1.武漢大學電氣工程學院，武漢市 430072；2. 國網(wǎng)湖北省電力公司武漢供電公司，武漢市 430013)

分布式電源與儲能系統(tǒng)在配電網(wǎng)中的應用是當前研究的熱點。提出了一種風機、光伏電源、儲能系統(tǒng)在配電網(wǎng)中的雙層規(guī)劃模型。上層模型以投資、運維費用為優(yōu)化目標，同時考慮區(qū)域的購電費用及網(wǎng)損費用，完成風機和光伏電源的容量配置；下層模型提出了一種儲能系統(tǒng)削峰填谷的運行策略，基于該策略完成儲能系統(tǒng)的選址定容工作。針對以上模型，提出以下求解方法：基于遺傳算法求解上層模型，并通過K均值聚類方法對比研究輸入數(shù)據(jù)序列長度對規(guī)劃結果的影響，通過帕累托分析研究了投資運維費用與購電費用及網(wǎng)損費用的關系；使用YALMIP工具箱完成儲能系統(tǒng)運行策略的求解，進而完成儲能系統(tǒng)的選址定容工作。最后，通過IEEE-33節(jié)點標準配電系統(tǒng)仿真驗證了所提模型在風機和光伏電源以及儲能系統(tǒng)規(guī)劃方面的有效性，結果顯示所提儲能運行策略具有良好的削峰填谷效果。

風機(WT)；光伏電源(PV)；儲能系統(tǒng)(ESS)；雙層優(yōu)化；遺傳算法；K均值聚類

0 引 言

隨著能源危機意識的增強，新能源發(fā)電技術的研究與應用得到越來越多的關注[1]。分布式電源由于其環(huán)境友好、能夠改善能源上網(wǎng)結構等優(yōu)勢，被認為是未來配電網(wǎng)的重要組成部分[2]。分布式電源的接入為配電網(wǎng)側提供了更多的可利用資源，但光伏、風機等分布式電源受氣象因素影響嚴重，具有波動性和隨機性等特點，大大制約了分布式電源上網(wǎng)規(guī)模與能源利用率[3-4]。而儲能技術的發(fā)展，改變了電能即發(fā)即用、不能大規(guī)模存儲的特點，在削峰填谷平抑功率波動、提高供電可靠性等方面發(fā)揮了重要作用[5-6]。傳統(tǒng)的配電網(wǎng)規(guī)劃方法主要涉及主站和網(wǎng)架的容量配置問題，分布式電源、儲能系統(tǒng)的容量配置對電網(wǎng)規(guī)劃提出了新的挑戰(zhàn)。合理配置分布式電源及儲能容量，對新形勢下配電網(wǎng)規(guī)劃具有重要意義。

目前，分布式電源與儲能系統(tǒng)的研究在電力系統(tǒng)規(guī)劃、能量管理和需求側管理方面[7-11]均已取得了較為豐碩的成果。其中，在配電網(wǎng)系統(tǒng)規(guī)劃方面：文獻[12]提出一種考慮配電公司、分布式電源運營商和用戶側利益的三層規(guī)劃模型，通過分析各層之間的關系，協(xié)調“源-網(wǎng)-荷”三方利益，最終完成電網(wǎng)的拓展規(guī)劃；文獻[13]在傳統(tǒng)有源配電網(wǎng)規(guī)劃模型的基礎上，引入需求側響應費用和電網(wǎng)運行可靠性約束，為含分布式電源的有源配電網(wǎng)規(guī)劃提供了方法參考。由于分布式電源具有隨機性和波動性，單純的分布式電源接入將嚴重影響電網(wǎng)的安全穩(wěn)定運行，同時分布式電源的大規(guī)模消納也難以實現(xiàn)。針對這一問題，一些學者開展了儲能系統(tǒng)與分布式電源的聯(lián)合規(guī)劃。文獻[14]以適應分布式電源和負荷不確定性為基礎，將規(guī)劃問題拆分為運行層和投資層，完成了變電站、饋線、儲能系統(tǒng)和無功補償裝置的投資決策。以上文獻雖已注意到分布式電源與儲能系統(tǒng)聯(lián)合規(guī)劃以適應分布式電源的隨機性，但在規(guī)劃階段未提出考慮儲能系統(tǒng)削峰填谷能力的儲能配置方法。文獻[15]上層以電池儲能系統(tǒng)(battery energy storage system，BESS)綜合經(jīng)濟效益最大化為規(guī)劃目標，BESS的配置容量為變量；下層通過啟發(fā)式方法制定出比較符合實際情況的BESS充放電策略，建立雙層規(guī)劃模型進行求解。文獻[16]外層以電網(wǎng)成本最低為目標, 通過遺傳算法優(yōu)化儲能配置, 并對遺傳算法加以改進, 提高計算效率；內層以降低網(wǎng)損、提高削峰填谷收益為目標，利用序列二次規(guī)劃算法同時計算多時段配電網(wǎng)最優(yōu)潮流，實現(xiàn)儲能充放電優(yōu)化。以上文獻雖在規(guī)劃方法中注意到了儲能系統(tǒng)的削峰填谷能力，但均根據(jù)分時電價制定儲能系統(tǒng)的運行策略，在無峰谷電價區(qū)域所提規(guī)劃方法則無法適用，且規(guī)劃對象單一，缺乏風機、光伏等多類型分布式電源與儲能系統(tǒng)的聯(lián)合規(guī)劃手段。

此外，當前含分布式電源的配電網(wǎng)規(guī)劃問題的投資決策變量多屬于整數(shù)變量的范疇，如DG安裝臺數(shù)，而潮流平衡的考慮則引入了節(jié)點電壓、功角等連續(xù)變量，系統(tǒng)非線性、多變量的實質是一個復雜的非凸優(yōu)化問題。如果在此基礎上進一步考慮儲能系統(tǒng)的安裝容量及充放電功率，由于儲能系統(tǒng)在剩余電量與充放電功率之間存在耦合關系，增加了問題的復雜性。此外，由于非凸優(yōu)化問題數(shù)學工具的局限性，目前多類型分布式電源與儲能系統(tǒng)的統(tǒng)一建模、統(tǒng)一求解方法尚未成熟完備，因此，近年來規(guī)劃模型的求解集中于多階段分層求解以及智能算法的使用[12,14,17]。已有分層策略單純以配電網(wǎng)參與對象或規(guī)劃階段進行劃分，比如以配電網(wǎng)運營商和分布式電源運營商進行劃分，或者以投資層和運行層進行劃分，這些分層方法未能綜合考慮所有決策變量的特點及耦合關系。在涉及風機、光伏、儲能系統(tǒng)的多類型分布式電源規(guī)劃研究中，從這幾個規(guī)劃主體所含決策變量之間耦合關系出發(fā)的分層方法仍十分匱乏。根據(jù)數(shù)學模型相似性進行分層能夠剔除耦合變量，避免層與層之間的反復迭代，簡化求解過程。另一方面，使用智能算法優(yōu)勢在于求解思路清晰簡單，避免了數(shù)值解析方法在非線性問題上復雜的松弛與線性變化處理，以及在數(shù)據(jù)量較大的情況下數(shù)值解析方法產(chǎn)生“維數(shù)災”的問題。

基于以上已有研究工作的分析，本文基于模型中變量的相似性及耦合關系劃分建立“風-光-荷-儲”聯(lián)合運行的配電網(wǎng)雙層規(guī)劃模型，在上層模型完成風機和光伏電源的定容工作，下層模型提出一種儲能系統(tǒng)削峰填谷運行策略，并基于該策略完成儲能系統(tǒng)選址定容的經(jīng)濟性計算；針對模型隨著時間序列的延長，求解速度降低的問題，本文提出一種基于K均值聚類算法和遺傳算法的混合求解策略，并與原始序列的求解結果進行對比分析，分析其在縮減模型求解時間方面的可行性。

1 “風-光”協(xié)調規(guī)劃的上層優(yōu)化模型

分布式風機(wind turbine，WT)和分布式光伏(photovoltaic，PV)出力具有波動性和不確定性，但是在時序特性上具有一定的互補性。一方面，利用分布式電源出力在時間維度上的互補特性，通過合理配置WT和PV容量，可以降低PV和WT的波動性，使其出力在每個時刻能夠穩(wěn)定地滿足部分負荷功率。另一方面，在配置過程中，考慮分布式電源出力與負荷需求的協(xié)調互動特性，優(yōu)化分布式電源容量，在滿足負荷需求的同時，可以在負荷低谷期間減少“棄風”和“棄光”現(xiàn)象，提高能源利用率。

1.1 目標函數(shù)

上層優(yōu)化模型在考慮分布式電源投資和運維費用的同時，加入了負荷側從電網(wǎng)購電費用的目標因素。負荷購電費用的多少與WT-PV互補能力的強弱存在較強的耦合關系，如果WT-PV配置方案的互補特性好，與負荷的協(xié)調能力強，則WT-PV能較好地滿足負荷需求及“風光”資源被盡可能地消納，避免出現(xiàn)大規(guī)模的“棄風棄光”現(xiàn)象，負荷側的購電費用相應會降低。目標函數(shù)可以表示為

minF=F1+F2

(1)

式中：F1表示分布式電源的投資、運維費用；F2表示規(guī)劃區(qū)域配電網(wǎng)負荷從電網(wǎng)的購電費用和配電網(wǎng)線路的有功網(wǎng)損費用。F1與F2的單調特性后續(xù)會進行分析。

1.1.1分布式電源的投資、運維費用

根據(jù)市場上現(xiàn)有的分布式電源參數(shù)，PV的最小安裝容量由光伏板的面積決定，容量可以連續(xù)變化，最小可至幾十W，最大可至MW級；而WT的安裝容量則是由裝機臺數(shù)和最小單機容量決定，安裝容量與裝機臺數(shù)存在階躍變化的特點。因此，在目標函數(shù)中，對PV容量和WT臺數(shù)分別定義為連續(xù)變量EPV和離散變量NWT，F(xiàn)1表示為

(2)

(3)

(4)

1.1.2規(guī)劃區(qū)域負荷從電網(wǎng)的購電費用、配電網(wǎng)線路的有功網(wǎng)損費用

F2=O3+O4

(5)

(6)

(7)

(8)

(9)

1.2 約束條件

PV和WT的接入應滿足系統(tǒng)的潮流平衡以及網(wǎng)絡安全約束。為滿足規(guī)劃區(qū)域對分布式電源滲透率的要求，本文模型設置了考慮滲透率大小的PV和WT容量約束。

(1)潮流平衡約束：

(10)

(2)節(jié)點電壓約束：

Vmin,i≤Vi,t≤Vmax,i

(11)

式中：Vi,t為節(jié)點i在t時刻的電壓；Vmin,i和Vmax,i為節(jié)點i電壓下限和上限。

(3)線路容量約束：

0≤Iij,t≤Imax,ij

(12)

其中

Iij,t=|Yij|×[(Vi,t)2+(Vj,t)2-
2Vi,tVj,tcosθij,t]1/2

(13)

式中：Imax,ij為線路ij的熱穩(wěn)定極限；Vi,t、Vj,t分別為節(jié)點i、j在t時刻的電壓；θij,t為t時刻節(jié)點i、j的功角差；Yij為系統(tǒng)的節(jié)點導納矩陣元素。

(4)PV和WT容量約束。在實際裝機過程中，為了保證配電網(wǎng)系統(tǒng)供電的可靠性，對接入的間歇性能源發(fā)電容量進行限制，描述如下：

(14)

(15)

1.3 PV和WT的出力模型

(1)PV出力模型。在上層優(yōu)化模型中，光伏各個時刻出力的大小可由對應時刻的工作溫度、光照條件以及廠家標定參數(shù)計算得出：

(16)

式中：EPV為廠家標定的地面光伏組件標準測試條件(STC)下的額定容量；GSTC=1 000 W/m2；TSTC=25 ℃；Gc為太陽能電池板實際工作時的太陽輻照度；Tc為太陽能電池板的實際工作溫度；功率溫度系數(shù)k=0.004 5[18]。

(2)WT出力模型。在上層優(yōu)化模型中，風機各個時刻的出力大小可由以下分段函數(shù)進行計算：

(17)

式中：vc為切入風速；vr為額定風速；vco為切出風速；vt為WT實際工作時的風速；EWT為風機的額定功率。

2 基于儲能削峰填谷運行策略的下層規(guī)劃模型

接入風機和光伏的配電網(wǎng)，由于分布式電源出力的間歇性會加劇系統(tǒng)的功率波動。儲能系統(tǒng)由于其充放一體，響應迅速的特點，具備很強的削峰填谷能力。在進行儲能系統(tǒng)的選址定容之前，本文提出了一種滿足儲能系統(tǒng)削峰填谷能力的運行策略，基于該運行策略完成后續(xù)的選址定容工作。

2.1 考慮削峰填谷能力的儲能系統(tǒng)運行策略

儲能系統(tǒng)削峰填谷的能力體現(xiàn)在對負荷波動的補償能力，目標函數(shù)中考慮使用儲能系統(tǒng)所接入節(jié)點負荷大小的二階中心距表示，目標函數(shù)如式(18)所示：

(18)

(19)

考慮儲能系統(tǒng)自身的物理特性，約束條件應包括儲能系統(tǒng)的充放電功率、容量和狀態(tài)約束。

(1)儲能系統(tǒng)的充放電功率約束：

(20)

(2)儲能系統(tǒng)的充放電容量約束：

(21)

式中：SOCmin和SOCmax分別為儲能系統(tǒng)的最小荷電狀態(tài)和最大荷電狀態(tài)；EESS為儲能系統(tǒng)的規(guī)劃容量。

(3)儲能系統(tǒng)的充放電狀態(tài)約束：

?St∈{-1,0,1}

(22)

該約束使用整數(shù)集表示儲能系統(tǒng)放電、浮充、充電的3種狀態(tài)。

圖1 變量和EESS變化時可行域與最優(yōu)解位置的變化情況Fig.1 Location of feasible region and optimal solution when

(23)

2.2 儲能系統(tǒng)的定容

而對于不等式約束(21)的處理，無法采用以上方法尋找變量EESS的代替值。確定變量EESS的過程即儲能的定容過程?；谝陨蟽δ芟到y(tǒng)削峰填谷運行策略，本文提出了一種儲能容量的估算方法。如圖2所示，儲能系統(tǒng)的運行策略目的在于補償功率波動，以24 h為儲能系統(tǒng)的1個運行周期，儲能系統(tǒng)的補償目標是負荷功率盡可能小，接近于負荷平均功率。因此，按照此原則在圖中劃分了充電時段和放電時段，陰影包含的范圍即需要儲能系統(tǒng)補償?shù)娜萘俊?/p>

圖2 儲能系統(tǒng)充放電時段劃分Fig.2 Charging and discharging time division of ESS

該過程的數(shù)學表達式如下：

(24)

(25)

(26)

2.3 儲能系統(tǒng)的選址

該模型的數(shù)學描述如下所示：

(27)

(28)

(1)儲能系統(tǒng)的容量約束：

(29)

在節(jié)點k處安裝儲能系統(tǒng)的容量應滿足等式(24)—(26)。

(2)儲能系統(tǒng)的充放電功率約束：

(30)

儲能的充放電功率應滿足2.1節(jié)的運行策略，且儲能的額定充放電功率應等于運行策略中產(chǎn)生的最大功率。

(3)儲能系統(tǒng)的安裝位置約束：

?k∈{1,2,3,…N}

(31)

式中N為儲能系統(tǒng)的備選安裝節(jié)點號。

3 模型的求解策略

3.1 上層模型的求解

潮流平衡約束的引入使上層模型成為混合整數(shù)非凸優(yōu)化問題，基于常規(guī)數(shù)值解析的數(shù)學規(guī)劃方法難以實現(xiàn)模型約束的松弛或者線性變化，進而實現(xiàn)模型非凸到凸的變換。因此，凸優(yōu)化方法難以在該問題上進行應用。而隨機智能算法在求解優(yōu)化問題上不存在對模型凸性的要求，對模型具有一定的泛性。本文采用遺傳算法作為求解策略的外部框架，在計算種群的適應度中嵌套入牛頓-拉夫遜法完成潮流等式方程的計算，這樣就避免了采用數(shù)值計算法非凸部分的求解，能夠在有限時間內得到一個較好的解。值得注意的是，上層模型中同時存在連續(xù)和離散變量，而遺傳算法對于離散和連續(xù)變量的操作算子不同，因此在應用遺傳算法進行求解時，選擇、重組、變異操作應按2個種群進行操作。算法求解的框架如圖3所示。

圖3 多種群進化的遺傳算法計算流程圖Fig.3 Flow chat of multi-population genetic algorithm

3.2 下層模型的求解

在第2節(jié)模型的描述部分已經(jīng)介紹，對于區(qū)間約束左右端點存在變量的情況下難以確定問題的最優(yōu)解。因此，下層模型的求解關鍵在于儲能系統(tǒng)的容量估算和最大充放電功率的確定?；诒疚牡墓浪惴椒?，利用YALMIP工具箱可以完成儲能系統(tǒng)運行策略的求解，進一步確定儲能系統(tǒng)的充放電功率配置。最后計算各個備選節(jié)點儲能系統(tǒng)的配置成本和維護成本，以成本最優(yōu)的節(jié)點作為儲能系統(tǒng)的安裝節(jié)點，從而完成選址工作。

本文整體的求解思路如圖4所示。

4 算例仿真

4.1 算例介紹

本文算例采用IEEE-33節(jié)點標準配電系統(tǒng)[20]，系統(tǒng)的基準電壓為12.66 kV，配電網(wǎng)區(qū)域的拓撲圖如圖5所示。區(qū)域的主變壓器位于節(jié)點0處。該配電網(wǎng)區(qū)域內的歷史負荷水平、輻照度、風速、溫度等參數(shù)作為系統(tǒng)的輸入數(shù)據(jù)，如圖6所示。分布式風機電源采用Bergey Power的Excel-6型風機，單臺風機的額定功率為5.5 kW，風機的切入風速、額定風速和切出風速分別為2.5、11和60 m/s。分布式光伏電源采用Solar Tech公司的SPM065P-F型，相關投資和運維費用如表1所示，各個節(jié)點接入風機和光伏電源的容量不超過節(jié)點年最大負荷功率值的30%。在等年值計算中，設備的投資年限為15年，貼現(xiàn)率為6%。儲能系統(tǒng)采用鈉硫電池，相關的計算參數(shù)如表2所示。儲能系統(tǒng)安裝的備選節(jié)點為1，5，17，21，24和32。

圖4 雙層規(guī)劃模型的求解流程圖Fig.4 Flow chat of bi-level planning model

圖5 IEEE-33標準配電系統(tǒng)Fig.5 IEEE-33 standard distribution system

圖6 功率、溫度、風速、光照數(shù)據(jù)及春夏秋冬聚類曲線Fig.6 Power, temperature, wind speed, illuminationdata and clustering curves in spring, summer, autumn and winter

表1風機和光伏電源成本
Table1WTandPVcost

表2 鈉硫電池儲能系統(tǒng)參數(shù)Table 2 Parameters of sodium sulfur batteryenergy storage system

4.2 仿真結果

4.2.1上層模型的優(yōu)化結果

在使用遺傳算法計算時，每個個體都需要進行潮流計算以適應模型中潮流約束的要求，隨著輸入計算數(shù)據(jù)時間序列的延長，算法在迭代中計算潮流的次數(shù)也越來越多，大大降低了求解速度。但是，如果輸入的計算數(shù)據(jù)序列過短，雖然求解速度快，但是輸出的配置方案對規(guī)劃年限內運行狀況的適應性則較差，甚至在部分極端情況下，比如負荷的峰值產(chǎn)生電壓偏移、線路容量越限或者在負荷低谷期間產(chǎn)生反送功率等?？紤]到以上問題，在仿真計算時本文設置了2種仿真策略：場景一是基于仿真算例中全序列數(shù)據(jù)的遍歷計算；場景二是采用K均值聚類方法，將算例中全序列數(shù)據(jù)按照春夏秋冬進行聚類，得到96點的數(shù)據(jù)序列，如圖6淺色線所示。仿真計算的收斂特性如圖7和圖8所示。綜合對比2種策略的計算結果和計算時長如表3所示，各個節(jié)點風機和光伏電源的容量配置結果如圖9所示。

圖7 基于全序列數(shù)據(jù)計算的遺傳算法性能跟蹤Fig.7 Performance tracking of genetic algorithmsbased on full sequence data

圖8 基于K-means聚類的96點數(shù)據(jù)計算的遺傳算法性能跟蹤Fig.8 Genetic algorithm performance tracking of 96 pointdata calculation based on K-means clustering

圖7和圖8遺傳算法的性能跟蹤顯示算法收斂特性良好，不同數(shù)據(jù)長度下均能完成最優(yōu)解的搜索。如表3所示，全序列數(shù)據(jù)的計算時長遠高于96點數(shù)據(jù)的計算時長，這是由于數(shù)據(jù)序列計算長度不同，數(shù)據(jù)序列越長，個體在遺傳算法適應度計算中需要的潮流計算次數(shù)就越多，種群中尋優(yōu)耗費的時間也就越長。

表3不同策略下配置費用優(yōu)化結果對比
Table3Comparisonofoptimalresultsunderdifferentcomputingstrategies

圖9 不同計算策略下各個節(jié)點風機、光伏的配置容量對比Fig.9 Allocation capacity comparison of WT and PV ineach node under different computing strategies

觀察表3中各項費用的計算結果，96點的配置結果均低于全年序列數(shù)據(jù)計算的配置結果，這是由聚類算法導致的。聚類后的數(shù)據(jù)相比于聚類前數(shù)據(jù)體量小，原始數(shù)據(jù)值要高于按春夏秋冬聚類后得到的數(shù)據(jù)值。因此，按照96點數(shù)據(jù)模擬原有全序列數(shù)據(jù)長度得到的結果要小，無法考慮系統(tǒng)運行的極端情況，但求解時間卻得到了縮減。全序列數(shù)據(jù)的計算雖然耗時較長，但隨著數(shù)據(jù)序列在時間維度的延長，所產(chǎn)生的優(yōu)化方案適應性更好，尤其是區(qū)域購電費用及網(wǎng)損費用更接近于未來運行的實際情況。

上層優(yōu)化模型帕累托解的分布特點如圖10所示，縱坐標F1表示分布式電源的投資和運維費用，橫坐標F2表示規(guī)劃區(qū)域從電網(wǎng)的購電費用和配電網(wǎng)線路的有功網(wǎng)損費用。利用聚類后的96點數(shù)據(jù)進行模型的帕累托分析，令權重系數(shù)在0到1之間均勻變化，變化的步長為0.01。權重系數(shù)為1時，表示僅優(yōu)化分布式電源的投資和運維費用，反之，權重系數(shù)為0表示僅優(yōu)化配電網(wǎng)區(qū)域從電網(wǎng)的購電費用和線路的有功網(wǎng)損費用。觀察上層模型帕累托解的分布特點，在權重系數(shù)發(fā)生變化時，解的位置逐漸向兩坐標軸靠近。雖然投資費用與區(qū)域購電費用及網(wǎng)損費用具有統(tǒng)一量綱，可以進行線性加權。但是，在進行優(yōu)化時如果僅進行簡單的線性加權，則無法獲得滿足投資人員規(guī)劃需求的折中解。投資及運維費用在數(shù)值上遠高于區(qū)域購電及網(wǎng)損費用，數(shù)值大的目標函數(shù)在優(yōu)化中會影響其他目標函數(shù)最優(yōu)解的搜索。因此，在進行規(guī)劃方案制定時，應注意不同目標函數(shù)之間的數(shù)量級關系，根據(jù)規(guī)劃人員對優(yōu)化目標的決策意向，選取合理的權重系數(shù)。

圖10 上層優(yōu)化模型帕累托解的分布特點Fig.10 Distribution characteristics of Pareto solution atupper level model

4.2.2下層模型的優(yōu)化結果

對接入風機和光伏電源的配電網(wǎng)區(qū)域負荷再次進行聚類，獲得基于全年數(shù)據(jù)的負荷典型特性曲線，如圖11所示?；谠摂?shù)據(jù)對每個節(jié)點儲能容量和充放電功率進行配置。儲能系統(tǒng)的容量裕度系數(shù)取1.5，根據(jù)等式(24)—(26)得到容量及充放電功率配置結果如表4所示。根據(jù)表2給出的鈉硫電池參數(shù)，計算備選節(jié)點的儲能系統(tǒng)配置成本，計算結果如表5所示。通過表5中數(shù)據(jù)可以觀察到，容量配置成本在綜合成本中所占比重較大。又由于下層模型中負荷特性對儲能優(yōu)化配置結果影響較大，算例區(qū)域較小，圖11所示聚類后區(qū)域內各個節(jié)點的負荷特性變化趨勢相近，因此儲能系統(tǒng)在各個節(jié)點配置的綜合成本相差較小。

圖11 K-means聚類后節(jié)點1—33的全年典型負荷特性曲線Fig.11 Annual typical load characteristic curve ofnode 1—33 after K-means clustering

表5 儲能系統(tǒng)綜合配置成本Table 5 Comprehensive cost of ESS 美元/a

根據(jù)計算結果，各個備選節(jié)點儲能系統(tǒng)配置成本的優(yōu)選次序為5、24、32、17、21、1。以系統(tǒng)的末端節(jié)點17為例繪制配置儲能系統(tǒng)前后，負荷功率的變化情況如圖12所示。觀察到在配置儲能系統(tǒng)后負荷功率的波動性得到明顯降低，基于削峰填谷的儲能系統(tǒng)運行策略效果良好。

5 結 論

(1)所構建模型能完成配電網(wǎng)區(qū)域內風機、光伏電源和儲能系統(tǒng)的配置工作，求解算法可輸出收斂的規(guī)劃方案，并通過帕累托分析調整目標函數(shù)的權重系數(shù)可取得滿足不同規(guī)劃人員需求的規(guī)劃方案。

圖12 接入儲能系統(tǒng)前后節(jié)點17功率變化情況Fig.12 Power change of node 17 before andafter ESS connection

(2)研究了不同序列長度數(shù)據(jù)對模型規(guī)劃結果的影響，數(shù)據(jù)序列越長，成本計算值則越接近實際運行情況，但相應規(guī)劃方案的求解時間越長。

(3)研究了儲能系統(tǒng)滿足削峰填谷需求的運行策略，基于該策略提出了儲能系統(tǒng)容量、充放電功率的配置方案，完成儲能系統(tǒng)選址工作并以節(jié)點數(shù)據(jù)為例仿真驗證了配置方案平抑波動的效果。

[1] ISLE D, VAZIRI M, ZARGHAMI M，et al. Review of concepts to increase distributed generation into the distribution network[C]//2014 Sixth Annual IEEE Green Technologies Conference.Corpus Christi, TX, USA:IEEE, 2014: 118-125.

[2] 邢海軍,程浩忠,張沈習,等, 主動配電網(wǎng)規(guī)劃研究綜述[J]. 電網(wǎng)技術, 2015, 39(10): 2705-2711.

XING Haijun, CHENG Haozhong, ZHANG Shenxi, et al. Review of active distribution network planning[J]. Power System Technology, 2015, 39(10): 2705-2711.

[3] 王成山,王守相. 分布式發(fā)電供能系統(tǒng)若干問題研究[J]. 電力系統(tǒng)自動化, 2008, 32(20): 1-8.

WANG Chengshan, WANG Shouxiang. Study on some key problems related to distributedgeneration systems [J].Automation of Electric Power Systems, 2008, 32(20): 1-8.

[4] 馬釗, 梁惠施, 蘇劍. 主動配電系統(tǒng)規(guī)劃和運行中的重要問題[J]. 電網(wǎng)技術, 2015, 39(6):1499-1503.

MA Zhao, LIANG Huishi, SU Jian, et al. Important issues in planning and operation of active distribution system[J]. Power System Technology, 2015, 39(6): 1499-1503.

[5] 宋藝航, 譚忠富, 李歡歡, 等. 促進風電消納的發(fā)電側、儲能及需求側聯(lián)合優(yōu)化模型[J]. 電網(wǎng)技術, 2014, 38(3): 610-615.

SONG Yihang, TAN Zhongfu, LI Huanhuan, et al. An optimization model combining generation side and energy storage system with demand side to promote accommodation of wind power[J]. Power System Technology, 2014, 38(3): 610-615.

[6] 修曉青,李建林,惠東. 用于電網(wǎng)削峰填谷的儲能系統(tǒng)容量配置及經(jīng)濟性評估[J]. 電力建設, 2013, 34(2): 1-5.

XIU Xiaoqing, LI Jianlin, HUI Dong. Capacity configuration and econemic of energy storage system for grid peak load shifting[J]. Electric Power Construction, 2013, 34(2): 1-5.

[7] 曾鳴,楊雍琦,劉敦楠,等. 能源互聯(lián)網(wǎng)“源-網(wǎng)-荷-儲”協(xié)調優(yōu)化運營模式及關鍵技術[J]. 電網(wǎng)技術, 2016, 40(1): 114-124.

ZENG Ming, YANG Yongqi, LIU Dunnan, et al. “Generation-grid-load-storage” coordinative optimal operation mode of energy internet and key technologies [J]. Power System Technology, 2016, 40(1): 114-124.

[8] 張濤,張福興,張彥. 面向能源互聯(lián)網(wǎng)的能量管理系統(tǒng)研究[J]. 電網(wǎng)技術, 2016, 40(1): 146-155.

ZHANG Tao, ZHANG Fuxing, ZHANG Yan. Study on energy management system of energy Internet [J]. Power System Technology, 2016, 40(1): 146-155.

[9] 楊敏霞,劉高維,房新雨,等. 計及電網(wǎng)狀態(tài)的充放儲一體化站運行模式探討[J]. 電網(wǎng)技術, 2013, 37(5): 1202-1208.

YANG Minxia, LIU Gaowei, FANG Xinyu, et al. Discussion on operation mode of charging-discharging-storage integrated station considering power network statuses [J]. Power System Technology, 2013, 37(5): 1202-1208.

[10] MONTOYAO D, GRAJALES A, GARCES A, et al.Distribution systems operation considering energy storage devices and distributed generation [J]. IEEE Latin America Transactions, 2017, 15(3): 890-900.

[11] ING K G, JAMIANJ J, MOKHLIS H A, et al. Optimum distribution network operation considering distributed generation mode of operations and safety margin [J]. IET Renewable Power Generation, 2016, 10(8): 1049-1058

[12] 李逐云,雷霞,邱少引,等. 考慮“源-網(wǎng)-荷”三方利益的主動配電網(wǎng)協(xié)調規(guī)劃[J]. 電網(wǎng)技術, 2017, 41(2): 378-387.

LI Zhuyun, LEI Xia, QIU Shaoyin, et al. Coordinated planning of active distribution network considering “source-grid-load” benefit[J]. Power System Technology, 2017, 41(2): 378-387.

[13] 歐陽邵杰,曾博,邱澤晶,等. 面向用戶差異化需求的智能配電網(wǎng)綜合資源優(yōu)化規(guī)劃和配置方法[J]. 電力建設, 2017, 38(2): 38-44.

OUYANG Shaojie, ZENG Bo, QIU Zejing, et al. Integrated resource optimizing planning and allocation method of intelligent distribution network for differentiated demands of users [J]. Electric Power Construction, 2017, 38(2):38-44.

[14] 高紅均,劉俊勇,魏震波,等. 主動配電網(wǎng)分層魯棒規(guī)劃模型及其求解方法[J]. 中國電機工程學報, 2017, 37(5): 1389-1401.

GAO Hongjun, LIU Junyong, WEI Zhenbo, et al. A bi-level robust planning model of active distribution network and its solution method [J]. Proceedings of the CSEE, 2017, 37(5): 1389-1401.

[15] 李秀磊,耿光飛,季玉琦,等. 考慮實際運行的配電網(wǎng)電池儲能系統(tǒng)的優(yōu)化配置研究[J]. 電力系統(tǒng)保護與控制,2017,45(9):88-94.

LI Xiulei, GENG Guangfei, JI Yuqi, et al. Study on optimal allocation of battery energy storage in distribution network considering the actual operation [J]. Power System Protection and Control,2017,45(9):88-94.

[16] 王彥虹,邰能靈,嵇康. 含大規(guī)模風光電源的配電網(wǎng)儲能電池選址定容優(yōu)化方案[J]. 電力科學與技術學報,2017,32(2):23-30.

WANG Yanhong, TAI Nengling, JI Kang. Optimal battery storage allocation in distributed network with large-scale of wind and photovoltaic generation [J]. Journal of Electric Power Science and Technology,2017,32(2):23-30.

[17] 郭金明,李欣然,鄧威,等. 基于2層規(guī)劃的間歇性分布式電源及無功補償綜合優(yōu)化配置[J]. 中國電機工程學報, 2013, 33(28): 25-33.

GUO Jinming, LI Xinran, DENG Wei, et al. Comprehensive optimal allocation of intermittent distributed generation and reactive power compensation based on bilevel planning[J].Proceedings of the CSEE, 2013, 33(28): 25-33.

[18] GAVANIDOUSE S, BAKIRTZISA G. Design of a stand alone system with renewable energy sources using trade off methods [J]. IEEE Transactions on Energy Conversion, 1992, 7(1): 42-48.

[19] 張節(jié)潭,程浩忠,胡澤春,等. 含風電場的電力系統(tǒng)隨機生產(chǎn)模擬[J]. 中國電機工程學報,2009,10(28):34-39.

ZHANG Jietan, CHENG Haozhong, HU Zechun, et al. Power system probabilistic production simulation including wind farms [J]. Proceedings of the CSEE, 2009, 10(28): 34-39.

[20] BARANM E，WU F F. Network reconfiguration in distribution systems for loss reduction and load balancing[J]. IEEE Transactions on Power Delivery, 1989, 4(2): 1401-1407.

2017-06-15

劉源(1993)，男，碩士研究生，主要研究方向為配電網(wǎng)規(guī)劃技術、新能源接入；

楊軍(1977)，男，教授，博士生導師，主要研究方向為電力系統(tǒng)運行與控制、電動汽車、新能源接入技術；

楊丙權(1965)，男，高級工程師，主要從事電力系統(tǒng)調度與運行方面的工作;

朱旭(1994)，男，碩士研究生，主要從事多能流系統(tǒng)規(guī)劃方面的工作;

陳艷(1974)，女，高級工程師，主要從事電力系統(tǒng)規(guī)劃評審方面的工作;

王宣(1988)，女，工程師，主要從事電力系統(tǒng)規(guī)劃評審方面的工作。

(編輯 張小飛)

Bi-LevelPlanningMethodforDistributionNetworkwith‘WT-PV-Load-ESS’

LIU Yuan1, YANG Jun1, YANG Bingquan2, ZHU Xu1, CHEN Yan2, WANG Xuan2

(1. School of Electrical Engineering, Wuhan University, Wuhan 430072, China; 2. Wuhan Power Supply Company, State Grid Hubei Electric Power Company, Wuhan 430013, China)

The research on distribution generation and energy storage system in distribution network is a hot topic of current research. This paper proposes a bi-level planning model of ‘WT-PV-Load-ESS’ in distribution network. The upper model is optimized for the investment amp; maintenance cost, and the power purchase and power losses cost are also taken into account in the allocation of PV and WT. The lower model proposes a operation strategy of ESS for peak shaving, based on which the sizing amp; sitting work of ESS are completed. Aiming at the above model, the following solutions are proposed in this paper: the upper model is solved based on genetic algorithm; the influence of the length of the input data on the planning results is compared byK-means clustering method; Pareto analysis is used to study the relationship between the investment amp; maintenance cost and the power purchase amp; power loss cost; at last, based on the estimation of ESS’s capacity, the strategy of ESS is solved with YALMIP toolbox, then the sizing amp; sitting work of ESS are completed. Finally, the effectiveness of the proposed model in the planning of ‘WT-PV-Load-ESS’ system are verified through the simulation of IEEE-33 node standard distribution system. The results show that the proposed ESS operation strategy has good effect in peak shaving.

wind turbine (WT); photovoltaic (PV);energy storage system (ESS); bi-level optimization; genetic algorithm (GA);K-means clustering

國家自然科學基金項目(5127713); 國網(wǎng)湖北省電力公司科技項目(增量配電模式下城市電網(wǎng)規(guī)劃技術研究)

Project supported by National Natural Science Foundation of China(5127713)

TM714

A

1000-7229(2017)11-0087-10

10.3969/j.issn.1000-7229.2017.11.012