含高滲透率光伏發電配電網兼顧經濟性和公平的電壓管理

楊金東，劉紅文

（云南電網有限責任公司電力科學研究院，昆明 650217）

0 前言

通過在電力系統中注入越來越多的分布式發電，包括太陽能、風能以及各類儲能系統，已被視為提升能源供給的安全性和保護環境的有效方法。因此，分布式發電系統在配電網中的滲透率正在不斷的增長之中[1]。例如，在德國，新能源在高峰時段的注入量可以占到整個電網供電的40-50%；美國德克薩斯州，風能在夜晚負荷要求比較低的時段也可以占到供電量的50%以上[2-3]。

光伏發電在配電網中過高的滲透性會對配電網的安全和可靠運行帶來一些挑戰，其中比較常見的就是過電壓問題[4-5]。傳統配電網中沒有或很少有發電源，電能的需求主要由變電站的供給來滿足，所以一般是由變電站向負荷的單向的能量流動。但是如果配電網中安裝有大量的光伏發電系統，尤其是光伏發電的峰值時段，光伏發電量比較大且高于配電網中的負載需求時，額外的功率將會被反饋到輸電系統中，并造成配電網中的過電壓問題。因此，如何解決配電網中的過電壓問題是提升配電網中分布式發電滲透率的關鍵，這一問題近年來也越來越多的受到專家的關注和研究。

根據美國電工電子工程師協會（IEEE）關于分布式發電管理的標準IEEE1547的規定，解決過壓問題的一種直接方法就是在發生過電壓問題的地方將本地的光伏發電系統立即從配電網中切除，這樣，就可以快速的解決過電壓問題[6]。然而，在太陽輻照度的高峰時段以及太陽能注入量大的區域，簡單的遵循IEEE1547標準的對太陽能發電系統的控制雖然能有效的解決過電壓問題，但一方面可能導致太陽能系統頻繁的開關切換操作，從而影響光伏系統的壽命并增加光伏發電系統所有者的操作和維護成本，另一方面也會降低光伏系統的效率，減少光伏的發電量。

另一個調節電壓的方法是通過消減光伏系統的有功功率輸出來完成的[4-5]。文獻[4]中，作者發現通過成比例的消減光伏系統發電量的方法會造成光伏發電量的浪費，所以他們根據光伏系統對電壓變化的靈敏度來最小化光伏發電量的消減，從而得到最經濟的效果。文獻[5]，研究人員基于動態戴維南等效定律，開發出了一種實時預測算法來動態調節每一個光伏系統下垂控制的斜率，從而計算出保持安全電壓范圍的有功輸出的上限，從而作為消減光伏發電輸出的參考。

此外，當一個配電網中安裝有多個分布式發電系統時，由于每一個分布式系統對產生過電壓問題的影響不一，因此需要研究如何公平地消減每一個分布式系統的有功輸出[7-8]。文獻[7]的作者為了能夠公平的減消太陽能的有功輸出，采取了改進的下垂控制策略。每一個光伏系統的下垂控制參數都是根據其對應光伏系統對電壓變化的靈敏度而調節的，而調節的目的就是為了絕對公平的限制每一個光伏系統的輸出。這個方法雖然能夠保證絕對的公平，但是會造成光伏系統發電能力的浪費。文獻[8]中，作者首先假設電壓的變化與光伏系統發電量的變化是成正比關系的，而這個比例系數在較短時間內又是穩定不變的。通過這一假設以及對分布式發電量和電壓變化的檢測，就能夠預測并計算將會引起過電壓的額外的功率，當把這一功率消減之后過電壓問題也就隨之解決了。另外，對于配電網中的其他光伏發電系統的有功輸出也會被相應的減少，從而讓每個光伏系統都承擔相同的電壓調節責任。但是，該方法也著重于平等地減少光伏系統的有功輸出，忽略了光伏發電系統的效率提升問題。

為了能夠管理在配電網中大量滲透的光伏發電系統，同時保證系統的電壓安全和調節電壓的責任的公平分配，本文提出了一種基于優化的兼顧經濟性和公平性的有功功率發電量消減的算法。本文提出的算法首先對太陽光照的輻照度和負荷的變化進行預測。基于預測的結果對光伏發電量進行短期的調配，調配的目標包括保證電壓的安全和最小化光伏發電量的消減。因此，該方法不僅能夠最大化光伏發電系統的利用效率，同時確保電壓的變化不會超過安全閾值。此外，此算法能夠自適應地調整每一次的光伏發電量的消減，使多個光伏發電系統在中長期內具有相似的累積消減量，從而確保每一個光伏發電系統在保證系統電壓安全方面公平的承擔責任。

文章正文的安排包括：第二節對問題進行具體的描述，并提出本文的解決方案和突出貢獻；第三節介紹對光照輻射量和負荷變化進行短期預測所采用的支持向量機算法，并討論預測的結果；第四節提出進行短期調度的優化算法；第五節闡述保證公平性的模糊神經網絡算法；所提出的算法的有效性會在第六節進行仿真驗證；第七節對文章所提出來的方法和效果進行總結。

1 過電壓以及公平責任問題

配電網中的高滲透率光伏系統有可能產生比系統中的本地負載需求更多的功率，并由此引起過壓問題，威脅到系統供電的可靠性。根據IEEE關于分布式管理的1547標準，解決過壓問題的一種直接方法是在發生過壓的地方關閉分布式發電[6]。但是，在太陽輻照度的高峰時段，尤其是中午11-14時，簡單地遵循標準可能導致分布式系統頻繁的開/關切換操作，從而影響分布式裝置的壽命并增加了分布式系統的操作和維護成本。由于光伏發電的逐步增多，這一問題已經引起了很多學者和工業界的關注，文獻[9-12]提出了一些通過減少分布式發電的實際發電量來調節電壓的方法，從而避免過電壓。

但是，通過限制分布式發電有功輸出的方法來調節過電壓的方法會產生另外一個問題，即如何保證不同光伏發電系統所有者之間公平性問題[8]。由于位置的不同，太陽輻照度水平不一，以及配電網中不同的光伏發電對系統電壓影響的不一致性，因此為了維持電壓的安全，分布式發電系統的有功輸出的減少量也將是不同的。這種調節量的不同可能會引起中長期的不公平問題。然而，如果不能很好地解決這種不公平問題，會減少一部分光伏所有者的收入，并打擊他們參與開發清潔能源的積極性。因此亟須開發既能夠保證電壓安全，又能夠兼顧公平性的方法，用于對高滲透的光伏發電系統進行管理。為了同時考慮電壓管理的有效性和職責承擔的公平性，對分布式光伏系統進行管理的方法應滿足以下要求：

1）確保電壓安全，避免由過多的光伏發電所引起過電壓問題；

2）保持光伏發電系統業主的公平性，以便使不同地理位置的光伏發電系統的總的削減量都保持一致或相似；

3）能夠最小化累積的光伏發電消減量，提升光伏發電系統的效率，最大化光伏系統的經濟效益。

為滿足這些要求，本文提出了一種兼顧電壓安全和責任平均分擔的有功功率消減方法。該方法一方面最優化地調度光伏發電系統的有功產生，目的是基于太陽輻射和負載分布的預測在保證電網電壓安全性的前提下最大化它們的發電量；另一方面，將基于模糊神經網絡算法的自適應權重系數引入到最優調度的目標函數中，用于自動地調節每一個光伏發電的發電消減量。最終能夠保證，每一個光伏發電系統能夠有類似的有功功率縮減量，并在中、長期的時間范圍內將它們有功減少量的差異保持在一個可接受的小范圍內。本文所提出的兼顧發電最優和用戶公平承擔電壓管理職責的有功功率削減算法（RPCM）將在以下章節中進行詳細闡述。

2 負荷和太陽光照度的預測

由于RPCM算法是基于負載和太陽輻照度預測的一種進行短期調度的方法，需要對負載和太陽能輻照強度進行短期的預測，用于進行確定最大太陽能允許輸出上限。本文將采用支持向量機（SVM）算法對負載和太陽輻照度進行短期預測。

圖1 一周內的本地負荷預測結果

圖2 一周內的本地太陽輻射預測結果

SVM是一種常用的基于統計學習理論的時間序列預測方法[13-14]。由于本文的長度限制，這里不對SVM進行詳細的闡述，更多信息可以在文獻[13]中找到。本文主要使用八個實際的測量點對下一時間單位的數據點進行預測。

圖1和圖2分別顯示了一周內每間隔五分鐘對負荷需求曲線和太陽輻射進行的預測，這些預測將用于以下RPCM的算法當中。如圖1所示的一周的負荷曲線是基于夏季云南某地的實際負荷進行采集和預測的。該預測結果的絕對百分比誤差率（MAPE）為0.78%，顯示了比較高的預測精確度。

另外，云南某地夏季的太陽光照輻射強度也進行了每五分鐘的采樣和基于采樣的預測，該預測的MAPE率為2.65%，預測準確率較高。

3 分布式光伏發電的發電量管理

本文提出的RPCM方法是一種對配電網中電壓和分布式發電量進行管理的最佳調度策略算法。該算法每五分鐘對系統中的太陽能發電量進行優化管理，其最優調度的目標就是通過最小化fmin來盡可能減小配電網中的總的光復分布式發電量的減少：

最優化方程的約束條件包括：

1）功率平衡方程：電網和光伏發電系統的有功功率和無功功率之和必須等于負荷需求以及系統的功率損耗之和：

2）光伏發電量的限制：光伏實際發電量和所削減有功功率的總和應等于預測到的最大功率：

3）電壓安全限制：每個節點的電壓必須在安全范圍內：

公式（4）中，Vk是節點k處的電壓；Vmin是電壓的安全下限，Vmax是電壓的安全上限。通常情況下，電壓安全范圍的下限和上限分別設定為0.90 p.u.和1.05 p.u。

4 基于智能算法的自適應權重設置

每個分布式光伏發電的權重設置對于公平分配過電壓管理的職責至關重要。減少的累積能量用于調節每個分布式光伏的權重wn，通過模糊神經網絡的算法進行確定。

模糊神經網絡的算法采用分布式光伏累積的有功功率縮減量∑En,curt和單次有功功率縮減量作為模糊神經網絡控制器的兩個輸入。當分布式光伏的有功功率發生縮減時，wn也進行相應的變化，進而使各個光伏系統的累計有功功率縮減量保持在一個大致相同的范圍之內。

每一個光伏系統累積的有功功率偏差∑En,curt的論域為[0, 3]，單次的有功功率縮減量的變化率的論域也為[0, 3]。每一個述論域分割為4個部分，對應的四個語言變量為ZE（零）、PS（正小）、PM（正中）以及PB（正大）。模糊規則表如表1所示：

表1 wn的模糊規則表

基于有功功率消減量的自適應權重調節模型采用模糊神經網絡算法。該模型共有五層網絡進行計算，如圖3所示。

圖3 對權重進行自適應調節的模糊神經網絡控制框圖

對于此五層神經網絡，第一層輸入層，共有兩個輸入，分別為第n個光伏累積的有功功率縮減量∑En,curt和單次有功功率縮減量

第二層為模糊化層，主要使用相應的語言變量值的模糊論域中隸屬度函數對輸入進行模糊化處理。

其中，p∈[1,16]，j∈[1,4]，和k∈[1,4]。

進行歸一化計算的第四層的計算方法如下：

第五層通過重心法對結果進行反模糊化處理，從而輸出自適應進行調整的權重，其計算方法如下：

ωn作為懲罰權重與PV的累積縮減量在相同方向變化。累積縮減量的增大會帶來也會相應地增大ωn，然后在下一個周期的最優調度中，具有高懲罰權重的PV將減慢其削減的增量；相反，具有較小懲罰權重的PV會在下一個周期的最優調度中加大其削減的增量，承擔更多的調節電壓的責任。

5 電壓調節的算法流程

最優調度算法在中央控制器中完成，然后將中央控制器中計算出的最優發電的參考信號發送到每一個PV的本地控制器，用以調節光伏的有功輸出。

中央控制器和本地控制器中的算法的流程圖如圖4和圖5所示。最優化調度策略在圖3所示的中央控制器中實現。基于模糊神經網絡算法和累積的能量削減來更新權重(w1,...wn)。PVn的本地控制器的實際功率參考通過求解（1）-（4）的最優模型獲得。

中央控制器將預測的PVn發電限制和基于太陽輻射度預測得到的最大發電量傳遞到光伏的本地控制器中。一旦本地控制器獲得預測的發電上限，他們將控制PVn在限制內產生有功功率。

然而，由于負荷和太陽輻照度預測的誤差，應根據實際太陽輻射進一步調整上限，以保證電壓安全。在圖4中，被定義為基于實際輻照度的實際最大發電量。如（10）所示，如果等于或大于預測值則PVn實際發電量的上限應扣除預測誤差；否則，預測的發電限制將作為實際限制來調節PVn的有功輸出。

圖4 中央控制器的算法流程圖

圖5 本地控制器的算法流程圖

6 仿真實驗和結果

前文所提出了在含有高滲透率光伏發電系統的配電網中進行電壓調節的策略將在IEEE的69節點配電網測試系統中進行驗證，如圖5所示。 該系統含有峰值為5.6兆瓦的負荷以4.80兆瓦額定功率的光伏系統。光伏系統分別安裝在編號為19，27，61和69的母線上。

圖6 IEEE 69節點配網測試系統

圖7 仿真結果

仿真結果如圖7所示。在該試驗中，基于累積的縮減能量自適應地更新懲罰權重。

圖7（a）表明，本文所提出的RPCM能夠將配電網的電壓控制在安全范圍內。此外，由于在目標函數中使用了自適應懲罰權重，因此四個PV系統的減少量在一個星期內非常相似，如圖7（b）所示。一個非常重要的觀察結果是四個光伏系統的實際功率削減量在交 替平衡，以保持整體能量削減比較小的差別。例如，對于母線69和27上的PV，其縮減在仿真開始時是比較高，但在一周結束時反而比較小，這是因為遞增的懲罰權重有助于減少PV的減少。與此同時，母線19和61的光伏削減量反映出一種相反的趨勢，從比較小到比較大。然而，四個PV比較來看，整體削減的差異都保持在一個很小的范圍內。這意味著，在自適應懲罰權重的輔助下，RPCM達到并保持光伏系統之間的公平且有效的功率削減。因此，可以預測，隨著時間的推移，雖然四個光伏系統的功率縮減量的變化可能有些不同，但它們的累積的能量削減將保持一致。

7 結束語

本文提出了一種最優化的公平消減功率的方法（RPCM），用于含有高滲透率光伏系統的配電網的電壓調節。基于對太陽輻射和負荷曲線的預測，該方法能夠最佳地控制每一個PV的有功功率，從而通過最小化縮減它們的有功輸出而不引起系統的過電壓。此外，該方法能夠自適應地調整每個PV上的懲罰權重，以便RPCM可以動態調節PV的發電以達到并保持它們之間的類似功率消減量。本文所提出的RPCM的有效性，在IEEE的69節點配電網系統上得到了驗證，證明了RPCM的有效性和經濟性。