分布式新能源接入电网的集群优化控制策略研究

时间：2024-05-17

谭大帅田由甲郭刚张作霆

（天津市普迅电力信息技术有限公司，天津 300308）

新能源集群并网技术和分布式光伏规模化并网技术受到了广泛关注。左强等[1]提出了一种大规模空调负荷参与新能源电力系统调频的无模型自适应控制方法。胡凯利等[2]研究了计及并网强度最大化的新能源集群出力优化，分析了新能源集群并网的现状及柔性负荷的分类和特点，提出了新能源集群并网出力优化调度方案，并通过算例仿真对比分析证明该方案在电网功率波动条件下可以保证新能源集群并网强度，从而实现出力优化分配的目标。陈皓勇等[3]研究了分层集群的新型电力系统运行和控制。孙睿哲等[4]提出了集群光伏电站一次调频参数经济优化设计方法。范俊杰等[5]研究了谐振约束下含功率因数校正电容新能源集群最大渗透率接入，针对新能源集群并网的短路比问题提出一种改进的等效短路比计算方法。朱凌志等[6]提出了新能源发电集群的改进等效短路比计算方法。盛万兴等[7]研究了分布式可再生能源发电集群并网消纳关键技术及工程实践。综上所述，新能源集群并网和分布式光伏规模化并网是当前的研究热点，须重点关注柔性负荷参与调频和新型电力系统运行控制。

1 模型架构

随着分布式新能源逐渐增多，在运行和管理方面电力系统面临更复杂的挑战。为了有效解决这些问题，需要采用集群优化控制策略，将多个微电网组成混合微电网群，实现区域内的新能源接入电网优化规划和运行控制。

该文着重解决2个问题，即上层规划模型和下层规划模型。其中，上层规划模型对区域内的节点进行集群划分，得到多个微电网组成混合微电网群，其目标是优化电网的耦合度和有功平衡度。下层规划模型的首要任务是优化分布式电源的接入容量。该模型通过最小化投资成本、运行维护成本和购售电成本等目标函数来确定每个微电网群中分布式电源的最佳容量。

该文采用优化算法来搜索最优解，从而得到合理的分布式电源接入容量方案，通过算法优化求得全局最优解或者近似最优解。

该文构建的模型包括上层规划、下层规划以及相应的目标函数和约束条件。通过合适的优化算法得到合理的分布式新能源接入电网的集群优化控制策略，为电力系统的高效运行和管理提供支持。

2 上层规划模型

2.1 目标函数

上层规划的目标是根据不同类别和需求对区域内的各负荷和电源节点进行重新组织，从而对区域节点进行集群划分。通过架构调整，上层规划优化节点的布局和配置，使区域内的微电网节点可以更好地满足不同需求，实现更有效的集群划分目标。

上层规划模型的目标函数为综合指标Ω，如公式（1）所示。

式中：λ1、λ2为2个权重系数；ωL为节点耦合度；ωP为有功平衡度。

2.1.1 节点耦合度ωL

节点耦合度可以表征交直流混合微电网群中节点间的电气联系程度。在集群划分的过程中，需要考虑节点间的差异性，节点间的耦合度高表示它们间的相互作用关系较紧密，这一联系多来自地理上的节点临近关系，也可能基于电源种类等其他要素归类，从而可以聚类进入同一集群。

节点耦合度如公式（2）所示。

式中：i、j为节点号；Lij为节点i与节点j的电气距离；μij为节点i与节点j的类型差距。

2.1.2 有功平衡度ωP

有功平衡度是描述电力系统稳定性的重要指标，可以衡量电力系统中实际发电与负荷间的差异程度。在交直流混合微电网中，需要实现自我调节，控制电压越限，尽可能实现分布式电源就地消纳，减少集群能量外送。有功平衡度如公式（3）所示。

式中：Pclu-e为集群e的有功平衡程度；max|Pclu-e|为集群e的最大净功率特性。

有功平衡度可以对一定范围内的节点进行自由划分，充分考虑每个节点特性，使区域资源的功效最大化。

2.2 约束条件

2.2.1 系统馈线数约束

集群划分需要考虑系统中不同类型分布式电源的接入位置，因此需要约束不同类型分布式电源的馈线数目，以保证系统的可靠性和经济性。对交流微电网总节点数Nac-1和直流微电网总节点数Ndc-1来说，需要满足一定的约束条件，如公式（4）所示。

式中：N为系统总节点数。

2.2.2 节点电压偏差约束

为了保证集群内各节点电压在可接受范围内波动，避免电压偏差威胁接入电网的整体性能表现，需要限制节点电压的偏差，从而对其进行控制。对每个集群内的节点i来说，其交流电压上限和下限分别为maxVACi和minVACi，直流电压上限和下限分别为maxVACj和minVACj。因此，需要满足以下约束条件，如公式（5）、公式（6）所示。

式中：VACi和VACj分别为集群i和集群j的电压值。

3 下层规划模型

3.1 目标函数

下层规划模型的主要目标是解决混合微电网群中分布式电源的接入容量问题。该模型旨在最小化总成本，包括分布式电源的购置成本、变流器的购置成本、线路的投资成本、运行维护成本和购售电成本。

投资成本CIN涵盖了分布式电源的购置成本、变流器的购置成本和线路的投资成本。不同类别的分布式电源的投资成本CIN如公式（7）所示。

式中：CLUM为本地使用设备；Nm为分布式电源数量；CDGm为分布式电源购置成本；K为变压器电流容量；Ccon为变压器购置成本；Li为线路长度；Ci为线路投资规模；r为考虑贴现的投资增长；n为线路建设周期。

运行维护成本CES包括配置分布式电源和各类型变流器的运行维护费用，如公式（8）所示。

式中：Ωm为变流器设备维护费用；EDGm为分布式电源运行维护费用。

购售电成本CG包括微电网群购电费用、分布式电源发电上网费用、微电网间电量交互费用和发电补贴，如公式（9）所示。

式中：α为微电网群购电成本；Pt为微电网群购电规模；β为电网上网费用；Pgridt为电网上网规模；γ为交互规模；Pcluij为本地设备其他交互费用和补贴。

下层规划模型还需要满足集群系统功率平衡约束、分布式电源出力约束、群间交互功率约束和供电可靠性约束等条件。

最终通过优化算法搜索最优解，使目标函数最小化，从而获得合理的分布式电源接入容量方案，这有助于优化微电网群的运行和配置，提高系统的能源利用效率和经济性。

3.2 约束函数

3.2.1 集群系统功率平衡约束

为了保持集群内功率平衡，系统的各类供应和消耗符合应该相等，如公式（10）所示。

式中：Pload为负荷消耗；Ploss为损耗；Pwind和Ppv分别为来自风能和太阳能的功率；Pbat为储能部分；Pgrid为交互功率。

3.2.2 分布式电源出力约束

为了限制分布式电源的出力，需要满足以下约束条件，即风机和光伏的出力应该在规定的最大功率范围内，如公式（11）、公式（12）所示。。

式中：Pwindmax为风机出力的最大功率；Ppvmax为光伏出力的最大功率。

3.2.3 蓄电池出力约束

储能电池的充放电功率应该在规定的最大范围内，同时需要考虑储能电池的状态SOC和能量转换效率，如公式（13）、公式（14）所示。

式中：PDischarmax为蓄电池的极限功率；Pcharmax为蓄电池的规定最大功率；SOC为蓄电池的荷电状态；SOCmin和SOCmax分别为其下限和上限。

3.2.4 群间交互功率约束

为了控制群间交互支路的功率，需要限制群间交互支路的最大功率为Pclumax，如公式（15）所示。

式中：Pclu（i，j）为群间交互功率；CLU为设备数量。

3.2.5 供电可靠性约束

新构建字表描述供电可靠性，其约束条件如公式（16）所示。

式中：LOEP为失电负荷概率；Lmax为微电网允许的最大缺电概率。

4 函数分析

4.1 算法概述

爬山算法是一种优化算法，它可以寻找问题的局部最优解。爬山算法从一个随机或者预定义的起始点开始，在邻近的解空间中搜索，找到一个相对当前位置更优的解，重复这个过程直到无法找到更优解。爬山算法在局部搜索问题中表现出色，但是可能会陷入局部最优解，无法达到全局最优解。

上层规划模型对区域内的节点进行集群划分，通过优化节点的布局和配置，使节点可以更好地满足不同需求并形成有效的集群。因此，选择其目标核函数来优化电网的耦合度和有功平衡度。将分布式新能源接入电网的集群优化控制中，需要确定微电网的划分和组成，即对节点进行集群划分，形成混合微电网群。该过程涉及电网的拓扑结构与节点间的联系，需要考虑电气距离、节点负荷类型以及允许接入电源种类等因素，因此需要进行高层次规划。爬山算法在这类局部搜索问题中表现较好，适用于该阶段的优化过程。通过爬山算法可以从不同的起始点开始搜索，找到相对当前位置更优的解，从而得到合理的集群划分并构建混合微电网群的方案。