風光儲聯合發電系統主動配電網多時段動態無功優化研究

摘要：在全球能源轉型和環境保護的雙重驅動下，可再生能源尤其是風能和太陽能的利用已成為全球能源戰略的重要組成部分。然而，由于風能和太陽能的出力具有顯著的間歇性和波動性，直接接入配電網會對電網的穩定性、電壓質量和經濟性產生不利影響。因此，引入風光儲聯合發電系統并結合主動配電網技術，通過多時段動態無功優化，成為解決上述問題的有效途徑。深入探討了風光儲聯合發電系統的建模方法，構建了主動配電網多時段動態無功優化模型，并提出了相應的求解策略，旨在提高配電網的電壓穩定性、降低網絡損耗，并優化可再生能源的利用效率。

關鍵詞：風光儲聯合發電；配電網；無功優化

一、前言

在主動配電網中，風光儲聯合發電系統的動態無功優化具有重要意義。通過多時段動態無功優化，可以降低風光能出力波動性對配電網的沖擊，提高電網的電壓穩定性和供電質量。優化儲能裝置的使用可以提高能源利用效率，減少棄風棄光現象，實現可再生能源的最大化利用[1]。該研究還有助于推動配電網由被動運行向主動管控和局部自治的轉變，為構建智能、綠色、高效的現代電網提供有力支撐。

二、風光儲聯合發電系統建模

（一）風力發電系統建模

風力發電系統作為聯合發電系統的重要組成部分，其核心是風力發電機[2]。根據技術特點，可分為雙饋感應風力發電機（DFIG）和永磁同步發電機（PMSG）兩種常用類型[3]。

1.風力機空氣動力學特性建模

風力機通過捕獲風能并將風能轉換為機械能。在建模過程中，需要基于風力機的空氣動力學原理，考慮風速、風輪直徑、葉片形狀、槳距角等因素對風能捕獲效率的影響。

2.發電機電磁特性建模

對于DFIG和PMSG，其電磁特性建模是理解發電機工作原理和優化控制策略的關鍵。DFIG的建模需關注其定子繞組和轉子繞組的電磁關系，以及轉子側變頻器（RSC）和網側變頻器（GSC）的控制策略。

3.控制系統動態響應建模

風力發電系統中的控制系統擔當著調整發電機工作模式的重任，旨在促進對電網的順暢接入及維持系統的持續穩定運行。建模階段不可或缺的是，需將控制系統的時間動態反應屬性納入考量，涵蓋了轉速的調控、功率輸出的管理，以及無功功率的適應性調整等多個層面。

（二）光伏發電系統建模

光伏發電系統通過光伏電池陣列將太陽能轉換為電能。其建模需關注光伏電池的光電轉換效率、溫度效應、陰影遮擋等因素對輸出功率的影響。

1.光伏電池模型

光伏電池的建模通常采用等效電路模型或工程簡化模型。等效電路模型基于光伏電池的物理結構，通過電阻、電容等元件模擬電學特性。工程簡化模型則通過經驗公式直接計算光伏電池的輸出電流和電壓。無論采用哪種模型，都需考慮光照強度、電池溫度等因素對光伏電池輸出特性的影響。

2.逆變器控制策略建模

逆變器是光伏發電系統與電網之間的接口，其控制策略決定了光伏發電系統如何與電網進行交互。在建模時，需關注逆變器的最大功率點跟蹤（MPPT）策略、并網控制策略以及孤島檢測與保護策略等。通過合理的控制策略設計，可以實現光伏發電系統的高效運行和電網的友好接入。

3.溫度效應與陰影遮擋建模

光伏電池的輸出功率受溫度影響較大，且陰影遮擋會顯著降低光伏陣列的發電效率。在建模時，需考慮溫度效應對光伏電池開路電壓、短路電流等參數的影響，并引入陰影遮擋模型以評估其對光伏陣列輸出功率的影響。

三、主動配電網多時段動態無功優化模型

（一）目標函數

1.最小化網絡總損耗

網絡損耗是電力系統運行成本的重要組成部分，通過優化無功分配可以降低線路上的無功電流，從而減少傳輸損耗。目標函數可表示為：

Q表示系統中所有無功源的注入無功功率向量。

i表示系統中的每一條輸電線路或變壓器支路。

ki是與支路i相關的損耗系數，它取決于支路的電阻和其他電氣參數。

2.最小化電壓偏差平方和

電壓質量是電力系統穩定運行的關鍵指標之一，通過優化無功分布可以減少電壓偏差，提高電壓穩定性。目標函數可表示為：

N是節點集合，Viref是節點i的電壓參考值，Vi，t是t時刻節點i的電壓。

3.優化可再生能源利用率

考慮到風光儲聯合發電系統中可再生能源的間歇性和不確定性，優化其利用率也是重要目標之一，通常經由提升可再生電力的產出水平或削減風能及光能的廢棄量來達成，但具體表述需依據系統的真實狀況來定制構建。

（二）約束條件

1.功率平衡約束

每個節點在任意時刻的有功功率和無功功率必須保持平衡，可以通過基爾霍夫電流定律和節點電壓方程來表達。對于每個節點i在時刻t，有：

Ωi是與節點i直接相連的節點集合，Vi和Vj分別是節點i和j的電壓幅值，Gij和Bij是節點i和j之間線路的電導和電納（通常包含在導納矩陣中），θij，t是節點i和j之間的相角差，*表示復數的共軛。

2.電壓約束

節點電壓必須在允許的范圍內波動，以避免電壓越限。對于每個節點i在時刻t，有：

Vimin和Vimax分別是節點i電壓的最小和最大允許值。

3.設備容量約束

設備容量約束主要限制發電機、變壓器等設備的輸出功率或電流不超過其額定值。變壓器容量約束可表述為視在功率不超越其額定容量值，盡管在無功功率優化場景中，更多強調的是其電壓調節及損耗特性，直接采用容量限制的情況較為鮮見。發電機的有功和無功約束分別為：

Pgt是發電機g在時段t的有功功率輸出，Pgmin和Pgmax分別是其最小和最大有功功率限制，Qgt是發電機g在時段t的無功功率輸出，Qgmin （Pgt）和Qgmax （Pgt）分別是其無功功率的最小和最大限制，G是發電機集合，T是時段集合。

4.無功補償設備約束

對于每個無功補償設備，如電容器組、SVC等，在每個時間段內，其發出的無功功率應處于最小和最大無功補償能力之間，即設備不能發出超過其最大容量的無功功率，也不能低于其最小容量，對于每個無功補償設備i和每個時段t，有：

Qtcomp，i是無功補償設備i在時段t的無功補償量，Qimin是其最小無功補償量（可能為零），≤Qimax是其最大無功補償量。

5.儲能系統約束

變壓器的容量限制可表述為視在功率不超越其額定容量值，盡管在無功功率優化場景中，更多強調的是電壓調節及損耗特性，直接采用容量限制的情況較為鮮見。

充放電功率約束為：

Ptch，s 是儲能系統s在時段t的充電功率（正值表示充電）。Ptdis，s 是儲能系統s在時段t的放電功率（正值表示放電，但在實際模型中通常為負值以表示功率流出）。S是儲能系統集合。T是時段集合。

剩余容量約束為：

Est是儲能系統s在時段t結束時的剩余容量，Emin，s" 和Emax，s分別是儲能系統s的最小和最大容量限制，ηch和ηdis分別是儲能系統的充電和放電效率，△t是時段長度，T＼{T-1}表示除了最后一個時段外的所有時段集合，因為最后一個時段后不需要計算下一個時段的剩余容量。然而，在某些模型中，可能會包括一個關于最終剩余容量的約束。

四、仿真分析與結果

為了全面評估所提出的多時段動態無功優化模型在主動配電網中的實際效果，本文基于IEEE 33節點配電系統進行了詳盡的仿真分析。IEEE 33節點配電系統作為配電網研究的經典案例，結構復雜性和代表性使其成為驗證新模型和方法的理想平臺。

（一）數據準備與場景設定

1.數據生成

首先，利用歷史氣象數據和先進的預測模型（如深度學習模型或時間序列分析方法），生成了風能和太陽能發電站在未來一段時間內的出力時間序列。這些數據不僅反映了可再生能源出力的隨機性和波動性，還為后續的仿真分析提供了必要的輸入條件。

2.場景設定

為了充分考察不同因素對優化效果的影響，我們設計了多種仿真場景，包括不同的負荷水平（高峰、平峰、低谷）、儲能系統的不同充放電策略（如最大化經濟效益、最小化網絡損耗、平衡電壓波動等），以及考慮電網中無功補償裝置和發電機無功出力的靈活調整。

（二）優化模型求解

針對每個設定的場景，采用所提出的多時段動態無功優化模型進行求解。該模型通過集成先進的優化算法（如混合整數線性規劃、遺傳算法或粒子群優化算法等），綜合考慮了網絡約束、設備約束和經濟性目標，實現了對無功補償裝置、發電機無功出力和儲能系統充放電功率的最優配置。

（三）結果對比分析

1.電壓質量提升

仿真結果顯示，優化后的配電網在電壓質量方面得到了顯著提升。通過精確控制無功補償裝置的投切狀態和發電機的無功出力，以及儲能系統的靈活充放電，系統能夠更有效地應對可再生能源出力波動和負荷變化對電壓的影響，保持電壓在合理范圍內波動，減少了電壓越限的情況。

2.網絡損耗降低

優化模型顯著降低了配電網的網絡損耗。通過優化無功分布，減少了因無功流動而產生的額外電流損耗，提高了系統的整體能效。此外，儲能系統的合理充放電也進一步降低了網絡中的無功環流，從而進一步降低了網絡損耗。

3.可再生能源利用率提高

優化后的系統還顯著提高了可再生能源的利用率。通過平衡可再生能源出力與負荷需求之間的不匹配，減少了可再生能源的棄用現象。同時，儲能系統的引入為可再生能源提供了更多的調節手段，使其能夠更好地融入電網，提高了系統的靈活性和可靠性。

4.經濟性評估

從經濟性角度來看，優化后的系統也表現出了明顯的優勢。雖然儲能系統的建設和維護成本較高，但其通過降低網絡損耗、提高可再生能源利用率和減少電壓調節設備的投資和運行成本等方式，為系統帶來了顯著的經濟效益。此外，優化后的系統還提高了供電可靠性和用戶滿意度，進一步增強了系統的社會價值。優化前后關鍵指標對比見表1。

五、討論

（一）影響因素分析

1.可再生能源預測精度

可再生能源（如風能和太陽能）的出力預測精度是直接影響優化模型效果的關鍵因素。高精度的預測能夠減少優化方案與實際運行之間的偏差，提高系統的穩定性和經濟性。因此，需采用先進的預測技術和算法，結合歷史數據和實時氣象信息，不斷提升預測精度。

2.儲能系統配置與策略

儲能系統的合理配置和充放電策略對于優化效果至關重要。合適的儲能容量和充放電速率能夠更有效地平抑可再生能源的出力波動，并為電網提供必要的電壓支撐。同時，靈活的充放電策略能夠根據電網的實際需求進行動態調整，提高系統的整體效能。

3.配電網結構與參數

配電網的結構和參數對優化結果具有顯著影響。不同結構的配電網具有不同的電壓分布特性和無功功率需求，因此需要針對具體配電網的特點進行定制化優化。此外，配電網中其他設備的參數和狀態也需要納入優化模型的考慮范圍，以確保優化結果的準確性和可行性。

（二）優化策略的比較與選擇

1.求解方法對比

線性規劃、非線性規劃、遺傳算法、粒子群優化等優化策略各有優缺點。線性規劃方法簡單快速，但處理非線性問題時受限。非線性規劃方法準確度高，但計算復雜。啟發式算法，如遺傳算法和粒子群優化，具有全局搜索能力，但可能面臨求解精度和收斂速度的挑戰。因此，在選擇優化策略時，需根據具體問題的特性和需求進行權衡。

2.混合優化策略

為克服單一優化策略的局限性，可采用混合優化策略。通過結合不同優化方法的優點，如將線性規劃與非線性規劃相結合，或將啟發式算法與精確算法相結合，可以提高求解效率和優化效果。混合優化策略需要根據具體問題的特點和需求進行定制化設計。

六、結語

本文探討了風光儲聯合發電系統主動配電網多時段動態無功優化問題，構建了相應的優化模型并提出了求解策略。通過仿真分析驗證了所提模型的有效性和可行性。隨著智能電網技術的不斷發展和完善以及可再生能源利用率的不斷提高，風光儲聯合發電系統主動配電網多時段動態無功優化將在未來能源系統中發揮更加重要的作用。

參考文獻

[1]孫浩鋒，章健，熊壯壯，等.含風光儲聯合發電系統的主動配電網無功優化[J].電測與儀表，2023，60（02）：104-110+125.

[2]楊雨瑤，張勇軍，林國營，等.含光儲聯合發電系統的配電網雙目標拓展無功優化[J].電力系統保護與控制，2018，46（22）：39-46.

[3]徐倩.風光儲聯合發電系統動態特性分析及仿真建模技術研究[D].濟南：山東大學，2014.

作者單位：三峽大學

責任編輯：張津平、尚丹