配電網中分布式儲能系統的優化配置方法

唐文左，梁文舉，崔榮，曾銳，賈龍，周川杰，胡澤春

(1.國網重慶市電力公司經濟技術研究院，重慶市 401120； 2.清華大學電機系，北京市 100084)

(1. Economic & Technology Research Institute, State Grid Chongqing Electric Power Company, Chongqing 401121, China;2. Department of Electrical Engineering, Tsinghua University, Beijing 100084, China)

?

配電網中分布式儲能系統的優化配置方法

唐文左1，梁文舉1，崔榮1，曾銳1，賈龍2，周川杰2，胡澤春2

(1.國網重慶市電力公司經濟技術研究院，重慶市 401120； 2.清華大學電機系，北京市 100084)

分布式儲能系統接入配電網可與分布式電源形成互補，彌補后者由于出力的隨機性對配電網安全和經濟運行造成的負面影響，還可對配電網與主網的功率交換進行調節，起到削峰填谷的作用。而對分布式儲能系統接入配電網進行優化配置是實現上述作用的基礎，基于此，提出了配電網中分布式儲能系統的優化配置方法。首先，為處理負荷功率、風電和光伏發電的隨機性，利用聚類算法得到典型日負荷曲線、典型風電和光伏發電出力曲線。其次，以儲能系統投資與運行成本最小為目標，考慮接入位置、功率大小和配電網安全運行等約束條件，建立多時段非線性混合整數優化模型，并采用兩層優化的方法求解模型。該方法在外層采用改進的遺傳算法對儲能系統的配置方案進行優化，在內層采用最優潮流算法對配置方案的儲能充放電進行優化。最后，對一個含風電和光伏發電的配電系統進行測試，證明了該方法的有效性，并分析了風電和光伏發電的額定功率、負荷需求變化等因素對儲能系統配置結果的影響。

分布式儲能系統；配電網；優化配置；遺傳算法；最優潮流算法

0 引 言

隨著能源需求的不斷增長和環境保護壓力的增大，分布式電源的大量并網對電網帶來了不容忽視的沖擊，電網負荷峰谷差的增大嚴重影響了電網的安全性和經濟性。儲能系統的接入為解決這些問題提供了新的途徑。儲能系統可以有效地實現需求側管理，消除晝夜峰谷差，平滑負荷，提高電力設備利用率，降低供電成本，提高對新能源發電的消納能力[1-4]。

目前國內外許多學者對配電網中分布式儲能系統的優化配置問題進行了研究。文獻[5]通過接入儲能系統來延緩變電站的擴容，考慮儲能系統的充放電效益來獲得購售電價差，并建立了變電站擴容與電池儲能系統容量配置的協調規劃方案。文獻[6]從削峰填谷能力、電壓質量以及功率主動調節能力3個方面建立了主動配電網儲能系統多目標優化配置模型。文獻[7]研究了配電網中引入儲能系統在降低發電側、輸配電側建設容量投資和減少重要用戶停電損失費用方面帶來的經濟價值，分析了降低配電網絡損耗和利用分時電價減少電量電費獲得的經濟效益，建立了經濟性最優條件下適合不同儲能類型的容量優化配置模型。文獻[8]研究了不同分布式電源與儲能系統在穩態輸出特性下，配置容量和接入位置的優化問題。文獻[9]采用了簡化的方法來計算配電網運行過程中的網損，根據配電網輻射狀的特點建立了電池儲能站的優化模型。文獻[10]介紹了通過采用遺傳算法和序列二次規劃(sequence quadratic program, SQP)算法來獲取最佳儲能設備接入點和接入規模的儲能系統優化配置方法，并介紹了4種案例來體現儲能系統在智能電網骨架中的潛在優勢。文獻[11]提出了一種在火力發電系統中接入最佳規模儲能系統的方法，并利用禁忌搜索的方法來求解該優化問題。文獻[12]介紹了利用Benders分解方法來實現儲能系統對電力系統電壓控制的最大幫助，并在不同規模、負荷的分布式發電中進行測試。文獻[13]提出在含有風電出力的配電網中接入一個電池儲能系統，為分布式電源的所有者提供最大的收益，并且確定儲能系統的規模來容納所棄掉的風能，同時分析和驗證了電池儲能系統的可行性。

分布式儲能配置的難點在于充分考慮配電網的不同運行條件(特別是分布式電源的不確定性)和儲能系統充/放電的能量耦合約束，但已有文獻尚未給出合理的解決方法。基于此，本文對含有分布式電源的配電網中接入儲能系統的最優配置問題進行研究。采用聚類算法得到負荷和出力的典型日曲線，用于系統運行條件的評估和選取。以投資和運行成本最小為目標，考慮儲能系統接入位置、功率/能量和配電網安全運行約束等條件，建立多時段混合整數非線性優化模型。利用遺傳算法在外層對儲能系統的容量和位置進行優化，在內層通過多時段最優潮流計算來評估每種方案的適應度函數，最終得到最佳的儲能系統配置方案。

1 典型日的確定方法

在規劃期內對儲能系統在配電網中的運行狀況進行模擬評估，需要對負荷需求的變化以及配電網中分布式電源的出力變化進行分析，這兩者的變化對儲能系統的成本評估至關重要。

本文考慮風電和光伏發電兩類分布式電源。對負荷、風電和光伏發電按年度考慮其變化特性。同時，考慮到1年內負荷和分布式發電的數據量很大，本文采用多個典型日來代表全年負荷、風電和光伏發電的變化。這樣不僅可以較好地反映負荷和分布式電源的變化，有利于客觀地評估儲能系統的配置方案，而且還可以大大提高計算的效率。采用聚類的方法處理歷史數據，從而得到負荷、風電和光伏發電的典型日曲線。

1.1k均值聚類算法

k均值聚類算法計算簡單、收斂速度較快，因此本文采用該算法進行聚類分析。其聚類原則為最小化樣本與所屬聚類中心的距離，如式(1)所示。

(1)

式中：a為初始聚類中心個數；N為樣本數；n為樣本編號；cnm為第n個樣本是否屬于m類;xn為待聚類的相關因素;ωm為類Rm的聚類中心。

cnm定義如下：

(2)

1.2 聚類中心的確定

k均值算法對聚類中心初始點的要求較高，可能會因初始點的不同而導致最終結果的不同，因此需要合理地選擇聚類中心。基本的解決方法如下：

(1)確定聚類的數目m；

(2)將樣本從小到大排列；

(3)將樣本平均分成m個區間，確定每個區間的樣本數，對樣本從小到大排序并進行區間劃分；

(4)計算每個區間的樣本平均值，平均值即為該區間的初始聚類中心。

按照以上聚類算法的步驟，從不同的劃分角度可以得到負荷、風電和光伏發電等多個典型日曲線，同時考慮三者之間的相關性進行相互分組，可以得到多個場景下的典型日曲線組合，每個場景在1年中對應有不同的天數。

2 分布式儲能系統優化配置模型

本文對含有分布式電源的配電網中配置儲能系統的接入位置和接入容量進行優化研究，并對每種配置方案進行經濟性評估，從而確定最優的儲能系統配置方案。

2.1 目標函數

考慮配電網的網損費用、儲能系統投資成本、主網和分布式電源向配電網注入無功功率的費用，以及儲能系統通過價格套利的收益，目標函數如式(3)所示。在成本和收益計算時，考慮投資儲能系統的運行年限，在1年內分析多個典型日，并計算規劃期內資金的時間價值，統一將所有費用折算成現值。

F=CLOSS+CQ,HV+CQ,DG+CPA+CDESS

(3)

式中：CLOSS為網損費用；CQ,HV為從高壓網側吸收無功功率的費用；CQ,DG為分布式電源提供無功功率的費用；CPA為價格套利所實現的收益；CDESS為安裝儲能系統的投資費用。

(4)

式中：Nt為不同典型日的種類個數；Ndays,m為每種典型日所對應的天數；NY為規劃周期年數;a為貼現率；PrL,y,k為第y年第k個時段的單位網損費用，元/(MW·h)；αL為考慮通貨膨脹情況下PrL,y,k每年的增長率；NL,y為不同負荷水平下的時間間隔數量；PL,y,k為第y年第k個時段的網損值， MW；ΔTy,k為第y年第k個時段的時間長度，h。

(5)

式中:PrHV,y,k為第y年第k個時段的高壓網側注入無功功率的單位費用，元/(Mvar·h)；αHV為考慮通貨膨脹情況下PrHV,y,k每年的增長率；QHV,y,k為第y年第k個時段高壓網側注入無功功率值，Mvar。

(6)

式中:PrDG,y,k為第y年第k個時段分布式電源提供無功功率的單位費用，元/(Mvar·h)；αDG為考慮通貨膨脹情況下PrDG,y,k每年的增長率；QDG,y,k為第y年第k個時段分布式電源提供的無功功率值，Mvar。

(7)

式中:PrEn,y,k為第y年第k個時段有功能量的單位費用，元/( MW·h)；αDESS為考慮通貨膨脹情況下PrEn,y,k每年的增長率；PDESS,y,k為第y年第k個時段所有分布式儲能系統總的有功功率值， MW。

(8)

2.2 約束條件

考慮的約束條件主要包括配電網節點功率平衡約束、分布式發電電源的出力約束、節點電壓幅值約束、支路有功功率約束、儲能系統電量平衡約束、荷電狀態約束、儲能系統功率及充放電功率約束和儲能系統的數量約束。

(1)節點功率平衡約束：

(9)

(10)

式中：Pit、Qit分別為t時段節點i的注入有功和無功功率(為負荷、發電出力、儲能功率的凈功率)；Uit、Ujt分別為t時段節點i、j的電壓；δit、δit分別為t時段節點i、j的相角；Gij、Bij分別為節點導納矩陣第i行第j列的實部、虛部；N為節點總數。

(2)發電機出力約束：

(11)

(3)節點電壓約束：

(12)

(4)支路有功約束：

(13)

(5)儲能系統電量平衡約束：

(14)

式中：SOCx,0、SOCx,t分別為儲能系統x初始時刻和t時刻的荷電狀態；ηC,x、ηD,x分別為儲能系統x的充電和放電效率；PC,x、PD,x分別為儲能系統x的充電功率和放電功率；ES,x為儲能系統x的額定容量。

(6)荷電狀態約束：

(15)

(7)儲能系統功率約束：

(16)

式中：PDESS,i,t為節點i處儲能系統在t時段的實際充/放電功率；PC,i,t、PD,i,t分別為t時段的充電和放電功率。

(17)

(8)儲能系統充放電功率約束：

(18)

(19)

(9)儲能系統數量約束：

(20)

(21)

式中：nDESS為配電網中接入儲能系統的實際個數；nmax為允許接入儲能系統個數的上限。

3 模型求解方法

3.1 求解流程

第2節所建立的分布式儲能系統優化配置模型是一個非線性混合整數優化問題。本文采用改進的遺傳算法對儲能系統的配置方案進行優化，在遺傳算法的內部運用MATPOWER[14]中的最優潮流算法對各種儲能系統的配置方案進行評估，通過目標函數的比較，篩選出較優的配置方案，并保留到下一代，通過外層的遺傳算法不斷優化，對配置方案進行評估，直至滿足收斂條件，得出最優的分布式儲能系統配置方案。具體算法的實現流程如圖1所示。

輸入的數據包括目標函數、網絡約束條件、儲能系統接入位置及功率約束條件相關的參數，典型日數據及所對應的天數，網損單位價格，儲能系統安裝單位價格，高壓網側注入無功功率的單位價格，分布式電源提供無功功率的單位價格，有功能量單位價格，以及通貨膨脹所引起的價格增長率，貼現率，規劃周期，遺傳算法種群的個數、最大遺傳代數。

圖1 算法實現流程圖

輸出的結果包括最佳分布式儲能系統配置方案的接入節點及功率，最佳配置方案在規劃周期內所需的總費用，以及在遺傳迭代過程中，每一代種群中最佳配置方案的適應度函數值等。

3.2 遺傳算法

遺傳算法需要建立一個初始種群，種群中的每個個體用一串二進制數來編碼，每個個體分別代表一種優化配置方案，即儲能系統接入的節點及功率。

對于每個個體，先選擇一種典型日，確定風電、光伏發電出力及負荷需求之后，通過內部最優潮流的計算，得到有功功率、無功功率等數據，然后計算得到目標函數。每種方案的目標函數在遺傳算法內部即為該方案的適應度函數的相反數，對于種群中的每個個體，適應度函數可以分別對其進行評價，若一個個體的目標函數值越小，則適應度函數值就越大，適應度越高，被保留到下一代的概率就會越大，式(22)為適應度函數的表達式：

(22)

根據適應度函數可以篩選出優質的個體保留到下一代，直至找到最優解。遺傳算法主要通過選擇算子、交叉算子和變異算子來對個體進行優化。

3.3 最優潮流

內層問題是一個多時段的最優潮流模型，模型中的儲能系統的電量平衡約束(14)與多個時段關聯。本文在MATPOWER中最優潮流算法的基礎上，進行多時段約束的擴展并加入儲能系統的功率和能量耦合約束，實現了內層模型的可靠求解。

4 算例分析

4.1 參數設置

本文選取的測試系統為一個含有17個節點的配電系統[10]，如圖2所示。該系統中節點1屬于高壓電網，通過一臺138/12.5kV，18MVA的變壓器與配電網饋線相連。光伏發電單元分別接入節點6、13、17，每點接入的功率為1MW，節點9有一臺1MW的風力發電機接入。

圖2 測試網絡結構拓撲圖

接入分布式儲能系統的待選節點為2號至17號節點，且最多只能在2個節點同時接入儲能系統。選取化學電池作為儲能系統，儲能單元的額定功率可選0.25，0.5，0.7，1.0 MW，每個節點允許接入儲能系統的最大功率為1 MW。TDESS,s取整數，范圍為[1,8]h。

選取我國某地區電能價格表，每日的電能價格隨時間段變化如表1所示[15]。假設電價(包括有功功率和無功功率價格)逐年增長率為2%，貼現率為5%。

表1 電能價格表

Table 1 Electricity price

4.2 典型日組合

首先通過聚類方法，分別得到負荷、風電和光伏發電的3種典型日曲線，如圖3～5所示。

圖3 負荷典型日曲線

圖4 風電典型日曲線

圖5 光伏發電典型日曲線

在儲能系統的評估體系中，綜合考慮各種典型日曲線的相關性，進行負荷、風電和光伏發電典型日曲線的整合，即考慮在不同場景下儲能系統在配電網中的運行情況，對各種場景下的目標函數進行求解，從而得到總的目標函數值。考慮天氣和季節的變化因素，共采用16種組合的典型日曲線，其組合方式及對應天數如表2所示。

表2 組合典型日的天數

Table 2 Days of combination of typical days

4.3 優化結果

依次選擇16種典型日曲線組合進行最優潮流計算，根據潮流計算結果求解目標函數，進行方案評估，最大遺傳迭代次數為100代，遺傳算法的交叉率為0.7，變異率為0.05。通過程序運行獲得最佳的分布式儲能系統配置方案：節點2、6接入功率都為1.0 MW的儲能系統，持續時間為1 h，總成本為2 608.82萬元。

分析迭代過程中每代種群最佳配置方案目標函數的變化情況發現，最佳方案目標函數值總體上有減小的趨勢，但減小的次數偏少，遺傳算法的效率較低，且有過早收斂的趨勢，因此需要對遺傳算法進行改進。

4.4 遺傳算法改進

首先，改進遺傳算法種群的保留方式，每次將上一代最優的個體保留至下一代，保證最優個體的延續，再將剩余的n-1個個體進行2次交叉變異后，進行最優潮流計算，求出目標函數值并進行升序排列，取出奇數位的個體(其中包含交叉變異后最優的個體)作為下一代的個體，這樣使得種群具有多樣性的特點，能在全局進行充分尋優，防止陷入局部優化。

其次，在建立初始種群時即生成配置方案的記錄表，以防止在迭代過程中重復計算前面已計算過的配置方案，若一種配置方案沒有在記錄表中記錄過，則會針對這個方案進行最優潮流的計算并記錄在表中，若在迭代過程中再一次出現曾經計算過的配置方案，則可以直接從記錄表中提取出目標函數值。這樣可以提高程序的運行效率，實際計算表明，運行時間縮短到原來的40%左右。

此外，對遺傳算法中交叉率和變異率進行了修改，選取交叉率和變異率的最優組合，通過文獻調研和反復測試，本文將交叉率設定為0.9，變異率設定為0.004。應用改進的遺傳算法可以得到明顯的種群進化趨勢，且沒有過早收斂進入局部極小值，明顯提高了遺傳算法對于種群進化的效率，便于找到全局的最優解。改進后的最佳配置方案：節點5、6接入功率都為1.0 MW的儲能系統，持續時間為1 h，總成本為2 541.98萬元。

4.5 靈敏度分析

(1)風電額定功率。

考慮風電裝機容量的不確定性，對風電機組的額定功率進行靈敏度分析。表3列出了不同的風電額定功率對儲能最優配置方案及成本的影響。

表3 不同風電功率下的儲能配置結果

Table 3 Results of energy storage allocation under different wind power

注：“()”中為對應節點接入儲能系統的功率， MW；儲能持續時間都為1 h。

由表3可知，風電額定功率的增大對儲能系統配置的影響不大，總成本基本保持不變，儲能功率和容量基本保持不變，接入點有一定的變化。

(2)光伏發電額定功率。

同樣，對光伏發電單元的額定功率進行靈敏度分析。表4列出了不同的光伏發電額定功率對儲能最優配置方案及成本的影響。

表4 不同光伏發電功率下的儲能配置結果

Table 4 Results of energy storage allocation under different photovoltaic power

注：儲能系統的功率為1.0 MW，持續時間為1 h。

由表4可知，光伏額定功率的增大同樣對總成本的費用影響不大。儲能系統的容量和功率都沒有變化，對接入的節點有一定的影響。需要說明的是，表3和表4的結果是在風電和光伏發電接入基本不影響配電網安全運行的條件下得出的結論。如果風電或光伏發電的接入引起設備過載或電壓越限，則儲能配置的結果可能發生較大的變化。

(3)負荷需求。

進一步，對配電網負荷需求進行靈敏度分析，原配電網負荷需求的總功率為11.6 MW。表5列出了不同的負荷需求總功率對儲能最優配置方案及成本的影響。

表5 負荷需求靈敏度分析結果

Table 5 Results of load demand sensitivity analysis

注：“()”中為對應節點接入儲能系統的功率，MW。

由表5可知，當負荷需求增大之后，總成本顯著增加，儲能系統在節點中的分布發生變化，對于接入的儲能的容量需求增大。

(4)儲能單位容量成本。

表6 不同儲能單位成本下的儲能配置結果

Table 6 Results of energy storage allocation under different unit costs

注：接入儲能系統的功率都為1.0 MW。

由表6可知，當儲能系統的單位成本降低時，接入的儲能容量顯著增大，總成本也顯著降低；當儲能系統的單位成本增加時，接入的儲能容量降低，總成本則顯著升高。

5 結 論

(1) 以典型日為分析單元，采用聚類分析的方法，同時考慮配電網中負荷、分布式風電和光伏出力變化的影響，可獲得用于分布式儲能規劃的配電網典型運行場景。

(2) 以配電網的運行費用和儲能系統的投資成本最小為目標，建立了多時段混合整數非線性優化模型，較全面地考慮了儲能系統充電放電約束、電量平衡約束和價格套利收益。

(3) 采用遺傳算法對所建模型進行求解，提高了算法的收斂性和全局尋優能力；通過求解多時段最優潮流評估每種個體的適應度，可有效處理配電網全天運行狀態的變化和儲能系統的能量耦合約束。

(4) 算例分析結果表明，所提出的分布式儲能系統優化配置模型和方法可以得到較合理的配置方案，能夠為儲能系統的投資提供科學的決策支持。

進一步的研究將深入考慮日負荷功率和分布式電源出力的相關性，并更為精細地考慮儲能系統的成本、功率和電量間隔。

[1]王承民, 孫偉卿, 衣濤, 等. 智能電網中儲能技術應用規劃及其效益評估方法綜述[J]. 中國電機工程學報, 2013, 33(7): 33-41. Wang Chengmin, Sun Weiqing, Yi Tao, et al. Review on energy storage application planning and benefit evaluation methods in smart grid[J]. Proceedings of the CSEE, 2013, 33(7):33-41.

[2]董力通, 徐雋,劉海波.DSM與儲能技術在峰值負荷管理的應用及效果[J].中國電力,2012,45(4):47-50. DONG Li-tong , XU Jun , LIU Hai-bo.Application and analysis of DSM and energy storage technology for industrial peak load management[J].Electric Power,2012,45(4):47-50.

[3]金一丁,宋強, 陳晉輝,等.大容量電池儲能電網接入系統[J].中國電力,2010,43(2):16-20. JIN Yi-ding,SONG Qiang,CHEN Jin-hui, et al.Power conversion system of large scaled battery energy storage[J].Electric Power,2010,43(2):16-20.

[4]周雪松,權博, 馬幼捷,等.超導磁儲能裝置在風電系統控制中的應用[J].中國電力,2010,43(6):6-9. ZHOU Xue-song,QUAN Bo,MA You-jie, et al.Applications of a super-conducting magnetic energy storage system in a wind power system[J].Electric Power,2010,43(6):6-9.

[5]李振文, 顏偉, 劉偉良, 等. 變電站擴容和電池儲能系統容量配置的協調規劃方法[J]. 電力系統保護與控制, 2013, 41(15): 89-96. Li Zhenwen, Yan Wei, Liu Weiliang, et al. Coordinated planning of substation expansion and BESS sizing[J]. Power System Protection and Control, 2013, 41(15):89-96.

[6]尤毅, 劉東, 鐘清, 等. 主動配電網儲能系統的多目標優化配置[J]. 電力系統自動化, 2014, 38(18): 46-52. You Yi, Liu Dong, Zhong Qing, et al. Multi-objective optimal placement of energy storage systems in an active distribution network[J]. Automation of Electric Power System, 2014, 38(18):46-52.

[7]胡榮, 任銳煥, 楊帆, 等. 配電網中儲能系統優化配置研究[J] 華東電力, 2014, 42(2): 345-349. Hu Rong, Ren Ruihuan, Yang Fan, et al. Optimal allocation of energy storage system in distribution network[J]. East China Electric Power, 2014, 42(2):345-349.

[8]吳文宣. 不同類型分布式電源在配電網中的優化布置[J]. 現代電力, 2012, 29(3): 6-11. Wu Wenxuan. The optimal placement of different types of distributed generation in distribution network[J]. Modern Electric Power, 2012, 29(3):6-11.

[9]章美丹, 宋曉喆, 辛煥海, 等. 計及網損的配電網電池儲能站優化運行策略[J]. 電網技術, 2013, 37(8): 2123-2128. Zhang Meidan, Song Xiaozhe, Xin Huanhai, et al. Optimal operation strategy of battery energy storage system in distribution networks with consideration of power losses[J]. Power System Technology, 2013, 37(8): 2123-2128.

[10]Carpinelli G, Celli G, Mocci S, et al. Optimal integration of distributed energy storage devices in smart grids [J]. IEEE Transactions on Smart Grid, 2013, 4(2):985-995.

[11]Chakraborty S, Senjyu T, Toyama H, et al. Determination methodology for optimising the energy storage size for power system [J]. IET Generation, Transmission & Distribution, 2009, 3(11):987-999.

[12]Nick M, Hohmann M, Cherkaoui R, et al. On the optimal placement of distributed storage systems for voltage control in active distribution networks[C]//Innovative Smart Grid Technologies (ISGT Europe), 2012 3rd IEEE PES International Conference and Exhibition on, IEEE, 2012: 1-6.

[13]Atwa Y M, El-Saadany E F. Optimal allocation of ESS in distribution systems with a high penetration of wind energy [J]. IEEE Transactions on Power Systems, 2010, 25(4): 1815-1822.

[14]Zimmerman R D, Murillo-Sánchez C E, Thomas R J. MATPOWER: Steady-state operations, planning, and analysis tools for power systems research and education[J]. IEEE Transactions on Power Systems, 2011, 26(1):12-19.

[15]徐智威, 胡澤春, 宋永華, 等. 充電站內電動汽車有序充電策略[J]. 電力系統自動化, 2012, 36(11): 38-43. Xu Zhiwei, Hu Zechun, Song Yonghua, et al. Coordinated charging of plug in electric vehicles in charging stations[J]. Automation of Electric Power Systems, 2012, 36(11):38-43.

[16]金虹, 衣進. 當前儲能市場和儲能經濟性分析[J]. 儲能科學與技術, 2012, 1(2):103-111. Jin Hong, Yi Jin. Market and economic analysis of the energy storage industry[J]. Energy Storage Science and Technology, 2012, 1(2):103-111.

(編輯:張小飛)

Optimal Allocation Method of Distributed Energy Storage System in Distribution Network

TANG Wenzuo1, LIANG Wenju1, CUI Rong1, ZENG Rui1,JIA Long2, ZHOU Chuanjie2, HU Zechun2

When connected into the distribution network, distributed energy storage system (DESS) can be coordinated with distributed generations (DGs), make up for the negative effects on network safety and economic operation because of DGs’ random outputs, and regulate the power exchange between distribution and main network for peak load shifting. The optimal allocation of DESS connected in distribution network is the basis to bring all these benefits. Therefore, this paper proposed the optimal allocation method for DESS in distribution network. Firstly, the load curve, wind power curve and photovoltaic power curve of typical days were obtained with clustering algorithm to consider the randomness of all the three curves. Secondly, considering the constraints of location, power and the safe operation of distribution network, the multi-period mixed-integer nonlinear optimization model was established with the objective of minimum total investment and operation cost of DESS. Then a two-level optimization method was proposed to solve the model, which used improved genetic algorithm to optimize the DESS allocation scheme at outer layer and optimal power flow algorithm to optimize energy storage charging/discharging of the allocation scheme at inner layer. Finally, a distribution system with wind and photovoltaic power was tested to prove the effectiveness of the proposed method; and the impact of wind and photovoltaic power rating, load demand changes and other factors on the allocation results of DESS were analyzed.

distributed energy storage system; distribution network; optimal allocation; genetic algorithm; optimal power flow algorithm

PDESS,i,t=xi(PD,i,t-PC,i,t)

nDESS≤nmax

FGA=-F=-(CLOSS+CQ,HV+CQ,DG+CPA+CDESS)

(1. Economic & Technology Research Institute, State Grid Chongqing Electric Power Company, Chongqing 401121, China;2. Department of Electrical Engineering, Tsinghua University, Beijing 100084, China)

TM 72

A

1000-7229(2015)04-0038-08

10.3969/j.issn.1000-7229.2015.04.007

2015-01-05

2015-02-05

唐文左(1982)，男，本科，工程師，主要從事電力系統分析與電網規劃方面的工作；

梁文舉(1983)，男，碩士，工程師，主要從事電網規劃及電氣計算校核分析方面的工作；

崔榮(1964)，男，高級工程師，主要從事工程造價與電網規劃工作；

曾銳(1984)，男，工程師，主要從事配網規劃工作；

賈龍(1988)，男，博士研究生，主要從事電動汽車、電力系統優化規劃相關的工作；

周川杰(1992)，男，本科，主要從事儲能系統優化配置工作；

胡澤春(1979)，男，博士，副教授，主要從事智能電網、電力系統優化規劃與運行相關的工作。