考慮風電隨機性和儲能參與的配電網經濟調度

黃振剛，劉安靈，梁昊

（國網陜西省電力公司安康供電公司，陜西安康725000）

配網系統代表了供電系統與消費者之間的最終聯系，因此為了了解其在分布式電源（DG）存在下的行為，必須要有精確的操作分析工具。此外，約有10～13%的功率損耗歸因于配電系統的線路損耗[1-4]。EDS中用于電壓增強和功率損耗最小化的最常用方法是DG和電容器放置的集成，同時間歇性能源的整合，特別是風。由于其波動性高，難以保證來自這種發電源的連續供電。此外，由于其不可分散的性質和變異性導致更高的風險滲透水平，導致配電系統面臨重大的操作挑戰，這種情況更為嚴重[5-6]。

因此，為了滿足靈活的需求方案，間歇式分布式能源的整合需要先進的決策工具，以及額外的運營靈活性，以保證電網的穩定性和經濟運行。文獻[7-8]使用網絡重新配置和存儲的最佳布局來改進配網系統的運行；文獻[9]指出DG的最佳布局有助于提高可用資源的最大可用量的利用率，而不是響應電網運營商的調度指令，然而，電網運行的技術和決策方面涉及的復雜因素使得這些改進的可能性變得模糊；文獻[10]提出了一種能量儲存模型，以研究不同總線上風和儲存共存的經濟優勢，表明間歇能源與更高滲透水平的融合應通過增加運行靈活性得到支持；文獻[11]使用了幾種混合整數線性模型來最小化操作成本，并考慮了負荷和風力發電量的隨機輸入。

本文的主要目的是考慮隨機風力發電和通用存儲系統的影響，通過變電站，在有DG的情況下，評估與主電網連接的EDS的運行性能；最小化有功功率損耗的成本，每種技術的代價和未被服務的能量。這項工作的新穎性是分析了風力參與和電網重構對日常和小時經濟調度的同時影響，以及存儲位置對最小化預期EDS運營成本的影響。另外，旨在說明線性化模型的有效性，以評估高風力參與，通用存儲系統和傳統發電機對經濟調度問題的聯合作用和影響。

1 配電網運行問題描述

評估EDS的行為是一項復雜的任務，這種具有挑戰性的配電操作分析涉及離散決策，以達到確保最佳解決方案，改善電壓曲線，滿足負荷需求，同時維持系統平衡的目的。將風力資源整合到EDS網絡中，根據系統需求和連接點的風力可用性，改變網絡的預期行為以及電力注入是實時的或無效的。因此，這對低壓網絡的運行產生了重大影響，在極端情況下，上游中壓網絡也會出現影響。所以，在這種情況下運行的電網需要更高的運營靈活性和及時的決策性，通常是使用存儲系統和電網重新配置來保持靈活性。為了評估這些隨機變化對低壓配電系統中風力發電和儲存參與（按小時和全天）的影響程度，需要研究EDS的行為，以便任何由風能整合引起的不可控網絡行為可以得到解決。

在本模型中，提出了一種SMILP方法來分析具有70條母線的EDS的優化運行，目的是將運營成本和損耗降至最低。因此，分布網絡行為在高風力發電場合下進行綜合研究，存儲參與可以穩定電力波動和風力發電引入的不確定性。當前模型的理論潮流分析是基于EDS基本操作的前提，并應用模型來評估弱網分布網格的性能。對于該模型的制定，做出以下假設：

1）假設EDS平衡并由其單相等效模型表示；

2）在分支ij中，母線i比母線j更靠近變電站；

3）分支ij中的有功和無功功率損耗集中在母線j；

4）開關存在于網絡的所有分支中。

同時在這個模型中確定了兩種開關，連接開關和分段開關。為了處理分段開關（常閉）和連接開關（常開）的狀態，該算法使用二進制變量，從而保持網絡的徑向性并提供給所有負載。

2 配電網SMILP模型

2.1 目標函數

本模型的目標函數為發電總費用最少，如式（1）所示，依次包含：預期運行成本的損失，每種發電技術的費用以及風電發電與儲能裝置未被利用的能源的費用。

式中：CC常規發電機成本；CLOSS電阻損耗的成本；CNS未服務能源的成本；CRN風力發電成本；CSt通用存儲的成本；CS變電站能源成本；總線i，時段t和情景w的主動風力發電；總線i和時段t的傳統發電的有功功率；總線i和時段t的變電站的有功功率；總線i和時段t的存儲充電功率；總線i和時段t的存儲放電功率；在公交車i和時段t沒有服從電力；Ri,j分支電阻ij；ρw每種情景的概率；在t期和情景下當前分支流的平方。

方程的運行邊際成本要素是風力邊際成本，常規功率邊際成本，變電站或電網邊際成本，存儲充放電功率邊際成本和未服務功率邊際成本。未服務電力的連續變量是被認為在特定母線上不滿足電力需求的情況下不提供電力（分配較高成本）的目標函數的邊際成本分量。

2.2 約束條件

1）功率平衡約束

式（2）和（3）給出了網絡的有功和無功功率平衡的表達式，其中每個總線上的生成應滿足需求。由于DG的集成在EDS分支上引入了反向功率流模式，所以采用分支中的兩個流向適應的約定[12-14]。因此，分支中的凈流量被認為是正向流量（下游）和逆流（上游）之間的差異。該慣例適用于功率平衡方程，其中在方程左側考慮發電功率，凈功率流和線路功率損耗項，功率需求，存儲充電和放電功率，在等式的右側考慮未服務的功率，如下所示：

2）標稱電壓平衡約束

考慮到ij分支中的線路電壓降以及輔助變量Ui，j，t，w，等式（6）中提供了整個網絡的額定電壓平衡方程，其中考慮到電壓降滿足開關操作期間的電壓平衡。對于式（7）給出的電壓降極限，還考慮這些輔助變量：

式（7）中的約束表示對應于操作中開關中允許的電壓降的上限和下限的輔助變量。此外，式（8）中給出了每個分支的最大電流限制：

3）功率線性化約束

方程（9）將二次電壓和電流的乘積與相應的分段線性方程組的線性項的有限和相關聯：

非線性項的線性化使用式（10）～（14）中的一組線性方程進行。這些方程構成了所提出的隨機混合整數線性模型的核心表達式，其中非線性項被線性化[15-16]。有源和無功近似的分段線性化是：

4）徑向約束

約束（15）是維持徑向性的必要條件。為了加強徑向約束，可以通過強制本地環路徑向約束來限制在生成樹中一次打開的分支數量來克服該限制。如果節點j是節點i（Bi，j=1）的父節點或節點i是節點j的父節點（Bj，i=1），則等式（15）表示分支ij在生成樹中（α1=1）。等式（17）要求除了變電站節點之外的每個節點都具有一個父節點，而（18）表示變電站節點沒有父節點：

在所提出的模型中，所有分支都具有互連或分段開關，其可以使用二進制變量Bji來打開或關閉，以便根據（16）來遵循分支容量極限，直到找到最佳拓撲。在該公式中呈現Bj，i，t用于說明小時重構分析。

5）功率因數約束

等式（21）～（24）分別是可再生和常規發電的有功和無功功率與功率因數的正負率之間的關系。風力發電的功率因數約束如（21）和（22）所示，而（23）和（24）是傳統發電機功率因數的比例：

6）通用存儲約束

等式（25）～（29）是存儲功率和能量相關的約束。式（25）表示存儲轉換功能，式（26）表示存儲限制，式（27）表示存儲初始化，存儲的初始狀態假定為其存儲容量的50%，從網絡（28）的存儲提取和對網絡（29）的存儲注入有：

3 算例仿真

3.1 配電網數據

本文以具有70條母線的EDS系統作為案例進行仿真分析，如圖1所示。EDS連接到節點1的變電站，節點25接傳統發電機組，最大容量為0.3 p.u.。風力發電位于節點61，最大容量為1.71 MVA，表示穿透水平為36.6%，儲能單元連接在節點33，最大容量為0.3 p.u.，用于線性化的塊的數量為5。

圖1 70母線配電網結構圖

為了評估風力參與和儲存對配電系統經濟調度的影響程度，考慮了兩種運行情況。第一種情況是3.802 kW的有功功率和2.694 kVAr的無功功率的基本情況，沒有分布式資源的參與，這是運行分析基準分配系統。因此，使用連接到電網的單個變電站來滿足配電網絡中的總功率需求。而對于第二種情況，變電站與電網連接至包括常規發電，風力發電和存儲的分布式資源。此外，EDS有兩種類型的重新配置：

1）在24小時內是固定配置的日常配置，可以減少部分風力產生；

2）小時配置，其中EDS每小時重組一次，可以吸收整個風力發電。

在這兩種情況下，目標是在24小時內滿足4.66 MVA的最大峰值負載。通過敏感性分析評估風力發電的經濟影響以及儲存參與度。

變電站CS的成本以圖2中的小時曲線表示。假設以下邊際成本：CC=€150/MWh，CLOSS=€5/MWh；CRN=€17/MWh。對于最大容量為0.3 p.u的通用存儲模型。假設邊際成本CSt=€5-17/MWh。此外，為了懲罰任何未被服務的能源的后果，假設CNS的最大成本為€200/MWh。連續變量的未被服務的能量是目標函數的成本組成部分，被認為是懲罰（分配較高成本）未被服務的能量，由于其作用是提高系統成本，以滿足特定母線需求，因此該變量應被最小化。

圖2 變電站成本變化圖

3.2 仿真分析數據

提出的隨機混合線性規劃（SMILP）有兩個階段，如等式（1）所示。通過20個場景考慮風力發電的隨機性，其中每個情景都具有相同的發生概率。為了解決這個問題，選擇了隨機規劃以此考慮風力發電的不確定性，以便考慮到所有可行的選擇來找到最優解。同時，確定性選項需要定義參數，不能處理不確定性。在本節中，針對每日配置和小時重構提出了最佳重構和經濟調度的結果，評估了電網重構，風力參與和存儲重新定位對電網參數的影響。使用具有適當約束的數學公式來執行網格重新配置，以保證EDS的最佳徑向配置。此外，配電網有一組10個開關，4個開關（16-47，28-66，51-60和65-66），其余的是分段開關（12-44，13-14，14-22，15-16，56-57，62-63）。結果表明，在10個開關中，最多需要5個開關來保證網格的徑向性。因此，根據存儲重定位的具體情況，以下開關保持打開，如表1所示。

表1 小時和每日重構

如圖3所示，針對€=17/MWh的存儲成本呈現具有總線33處的存儲位置的日常網絡重新配置（固定配置）的功率分布圖。在這種情況下，電力需求的大部分得到滿足，但是在高峰時段（在12-17和21-23時段）仍然沒有能量。這意味著大量的風力發電（風電之間的差異發電量和實際風力利用率）在開始時（1-8時段），可以存儲。但是，儲存的能量限制在0.1 p.u.盡管在峰值期間開始儲存收費，在需求高峰期儲存放電。

圖3 33號母線上的儲能裝置和每日重構的功率圖

在這種情況下，當存儲裝置位于遠離風力發電的公共汽車33處時，由于與DG源距離有關的損失，可以觀察到存儲收費率較低。但是，這個存儲位置有助于減少連接到變電站的主分支的電壓降。換句話說，總線33處的存儲器的位置增強了電壓分布，但產生較低的存儲容量利用率。

相反，如圖4所示，如果存儲設備位于電網中間（在公共汽車25處），則除了更接近風力發電之外，與公共汽車33處的位置相比，存儲器更多地被充電這是可能的，因為總線25的存儲由所有源的注入提供，代價是在上游，下游和主分支處有電壓降，導致較低的電壓分布。盡管如此，總線25處的位置為所有重新配置選項提供了更好的存儲容量利用率。

圖4 25號母線上的儲能裝置和每日重構的功率圖

圖5 33號母線上的儲能裝置和小時重構的功率圖

圖6 25號母線上的儲能裝置和小時重構的功率圖

與日常重新配置不同的是，為了充分利用風力發電，電網每個時期都進行了重新配置。因此，在風電直接用于滿足需求的時期初期，變電站的參與率顯著降低。在這兩種情況下，都假定€=17/MWh的儲存成本用于充電和放電。因此，可以注意到，第一部分（1-8期）的變電站功率貢獻較低，而風的貢獻是最大的，如圖5所示。

另外，對于位于母線33處的存儲器的情況，能量存儲與存儲容量（0.3 pu）相比并不重要。與母線25的儲存位置相反，如圖6所示，儲存的能量與第一階段的儲存容量（0.3 pu）相當。類似于上述情況，使用風力發電來滿足需求，使變電站的供電量比日常的重新配置降低。

圖7顯示了基本情況下的功率損耗，以及將存儲位置從母線線25交換到母線33對每日和小時重構的影響。注意，當在10小時之間的時段內風力最小時，基本情況和其他情況下的功率損失是相當的（200～400 kW之間）。另一方面，與重新配置產生的影響相比，存儲位置對損失量的影響是最小的。

圖7 33號母線和25號母線上的儲能裝置和基準情況下的功率損耗

這意味著，對于每小時的重新配置（在母線25和33的存儲位置），它們之間的損失差異很小，但是與基本情況相比，它們具有相似的損失。同時，對于日常重新配置的情況，即使存儲位置25和33的差異是可比較的，損失幾乎翻了一番，對于較高的風力參與和存儲收費發生峰值損失。這個結果與先前解釋的關于位于母線33處的存儲器的損失的缺陷是一致的，除了充電和放電時段之外。

4 結 論

文中提出了使用隨機混合整數線性規劃的70條母線EDS對風和存儲短期影響分析的運行。新提出的SMILP模型考慮了單個變電站，風力發電，傳統發電和通用存儲每天和每小時配置，其中EDS的徑向性得到保證。作為網絡重構的結果，每條母線的電壓波動減少，結合特定母線的風力發電和存儲。此外，對其對EDS性能的影響進行了分析，觀察到預期成本的降低以及電阻損耗。風和儲存的參與盡管對電壓曲線的改善作出了重大貢獻，但對電阻損耗和預期系統成本的影響也很大。最終，對存儲位置對預期成本的影響進行了敏感性分析。由DG負責協調變電站的EDS運行的預期成本有了明顯的降低。

參考文獻：

[1]Farag H E，El-Saadany E F，Shatshat R E，et al.A generalized power flow analysis for distribution systems with high penetration ofdistributed generation[J].Electric Power Systems Research，2011，81（7）：1499-1506.

[2]Grond M O W，Morren J，Slootweg J G.Integrating smartgrid solutionsinto distribution network planning[C]//Powertech.IEEE，2013：1-6.

[3]孫博宇，喻潔，梅軍，等.考慮可調負荷集群響應不確定性的聯合調度模型[J].電力系統保護與控制，2016，44（23）：61-67.

[4]曾鳴，韓旭，李博.考慮不確定性的多階段主動配電網規劃模型研究[J].電力建設，2015，36（1）：65-71.

[5]Yang L，He M，Vittal V，et al.Stochastic optimiza?tion based economic dispatch and interruptible load management with distributional forecast of wind farm generation[C]//Decision and Control.IEEE，2015：199-204.

[6]廖迎晨，甘德強，陳星鶯，等.考慮分布式電源出力不確定性的城市電網模糊最優潮流分析[J].電力自動化設備，2012，32（9）：35-39.

[7]黎靜華，韋化，夏小琴.求解機組組合問題的改進模式搜索算法[J].中國電機工程學報，2011，31（28）：33-41.

[8]夏清，鐘海旺，康重慶.安全約束機組組合理論與應用的發展和展望[J].中國電機工程學報，2013，33（16）：94-103.

[9]Bouffard F，Galiana F D.Stochastic security for op?erations planning with significant wind power gen?eration[J].IEEE Transactions on Power Systems，2008，23（2）：306-316.

[10]Ghofrani M，Arabali A.A stochastic framework for power system operation with wind generation and energy storage integration[C]//Innovative Smart Grid Technologies Conference.IEEE，2014：1-5.

[11]Meibom P，Barth R，Hasche B，et al.Stochastic optimization model to study the operational impacts of high wind penetrations in ireland[J].IEEE Trans?actions on Power Systems，2011，26（3）：1367-1379.

[12]Zidan A，El-Saadany E F.Distribution system re?configuration for energy loss reduction considering the variability of load and local renewable genera?tion[J].Energy，2013（59）：698-707.

[13]Jabr R A，Singh R，Pal B C.Minimum loss net?work reconfiguration using mixed-integer convex programming[J].IEEE Transactions on Power Sys?tems，2012，27（2）：1106-1115.

[14]Zidan A，El-Saadany E F.Incorporating load varia?tion and variable wind generation in service restora?tion plans for distribution systems[J].Energy，2013，57（3）：682-691.

[15]Rueda-Medina A C，Franco J F，Rider M J，et al.A mixed-integer linear programming approach for optimal type，size and allocation of distributed generation in radial distribution systems[J].Electric Power Systems Research，2013，97（1）：133-143.

[16]Franco J F，Rider M J，Lavorato M，et al.A mixed-integer LP model for the reconfiguration of radial electric distribution systems considering distributed generation[J].Electric Power Systems Research，2013，97（97）：51-60.