考慮負荷靜態(tài)特性的主動配電網(wǎng)多目標調(diào)壓策略

吳 旭，湯慶峰，趙天陽

(1.國網(wǎng)安徽省電力公司，安徽 合肥 230022; 2.國網(wǎng)冀北電力有限公司經(jīng)濟技術(shù)研究院，北京 西城 100045; 3.新能源電力系統(tǒng)國家重點實驗室(華北電力大學)，北京 昌平 102206)

考慮負荷靜態(tài)特性的主動配電網(wǎng)多目標調(diào)壓策略

吳 旭1，湯慶峰2，趙天陽3

(1.國網(wǎng)安徽省電力公司，安徽 合肥 230022; 2.國網(wǎng)冀北電力有限公司經(jīng)濟技術(shù)研究院，北京 西城 100045; 3.新能源電力系統(tǒng)國家重點實驗室(華北電力大學)，北京 昌平 102206)

為消除規(guī)?；植际诫娫唇尤虢o配電網(wǎng)電壓造成的不利影響，提出適用于主動配電系統(tǒng)的多目標電壓調(diào)控策略。計及主動配電系統(tǒng)負荷的靜態(tài)特性，分析不同負荷特性對主動配電系統(tǒng)運行的影響。進一步地，以分布式電源的有功和并網(wǎng)點電壓等為決策對象，計及配電網(wǎng)安全運行約束，構(gòu)建以清潔能源損失最小、電壓偏移最小和網(wǎng)損最小為目標的電壓調(diào)控模型，并采用改進的并行多目標差分進化算法對模型進行求解。以IEEE-33節(jié)點系統(tǒng)為例，驗證所提出模型和算法的有效性，并討論負荷靜態(tài)特性對電壓調(diào)控的影響。

主動配電網(wǎng)；分布式電源；調(diào)壓；多目標差分進化

0 引言

規(guī)模化分布式電源(distributed generation，DG)并網(wǎng)改變了傳統(tǒng)配電網(wǎng)內(nèi)的單向潮流分布，將對配電網(wǎng)運行在規(guī)劃、運行和控制等多方面產(chǎn)生影響，同時也為配電網(wǎng)進行主動運行提供了契機，促使以主動配電網(wǎng)(active distribution network, ADN)為代表的新技術(shù)獲得廣泛關(guān)注[1-3]。另外，ADN可通過使用靈活的網(wǎng)絡(luò)拓撲結(jié)構(gòu)實現(xiàn)對DG進行主動控制和主動管理[4-6]。

研究表明，主動配電網(wǎng)內(nèi)電壓管理的對象已由電容器等無功裝置擴展至DG、儲能系統(tǒng)等[7-10]；調(diào)控目標也由單純的經(jīng)濟性擴展至清潔能源利用等；但忽略了常規(guī)負荷的電壓響應(yīng)特性，而負荷的靜態(tài)特性會改變配電網(wǎng)的網(wǎng)損等[11]，影響電壓管理的效果；同時，常規(guī)電壓管理中僅對DG進行定功率因數(shù)控制，弱化了逆變器并網(wǎng)型DG的無功調(diào)節(jié)能力。

因此本文將構(gòu)建含光伏電站并網(wǎng)的ADN系統(tǒng)及計及負荷靜態(tài)特性的ADN調(diào)壓模型。同時，為體現(xiàn)ADN消納清潔能源和保障用戶供電質(zhì)量的社會職責，在調(diào)壓模型中以清潔能源利用最大化和電壓偏差最小為共同目標。最后，基于多目標差分進化算法(multi-objective differential evolution，MODE)中的子代生成機制，提出并行MODE(parallel MODE，PMODE)算法，以提高模型的求解效率。

1 負荷特性對ADN運行的影響

1.1負荷靜態(tài)特性

負荷靜態(tài)特性表述了負荷功率與節(jié)點電壓和系統(tǒng)頻率間的關(guān)系，一般采用二次多項式、冪指數(shù)兩種代數(shù)方程描述[12]。配電網(wǎng)內(nèi)頻率可認為恒定，在節(jié)點電壓變化范圍較小時，可采用冪指數(shù)的形式進行表述：

式中：Pd,i，Qd,i為節(jié)點i有功和無功負荷功率的實際值；Pd0,i，Qd0,i為節(jié)點i額定電壓時的有功和無功負荷功率值；Ui，U0,i為節(jié)點i的實際和額定電壓幅值；αi，βi為節(jié)點i有功和無功負荷功率的電壓特性指數(shù)，其參考值如表1所示[13]。

表1 電壓特征系數(shù)參考值Table 1 Reference values of voltage characteristic coefficient

1.2計及負荷特性的ADN潮流分析方法

光伏經(jīng)逆變器并網(wǎng)，在不同控制方式下，可等值為PQ節(jié)點和PV節(jié)點[13]。因DC/AC逆變器可通過控制實現(xiàn)無功出力調(diào)節(jié)，具有一定的無功調(diào)節(jié)能力，本文將并網(wǎng)型光伏表述為PV轉(zhuǎn)PQ節(jié)點。

在計及負荷靜態(tài)特性時，ADN內(nèi)的潮流方程可表述如下：

(3)

為不失一般性，本文采用Newton-Raphson法求解式(3)—(6)表述的潮流方程。

1.3負荷靜態(tài)特性對ADN的影響

以IEEE-33節(jié)點系統(tǒng)為例，表述不同負荷特性對ADN內(nèi)節(jié)點電壓和網(wǎng)損的影響。ADN內(nèi)含有3個并網(wǎng)型光伏電站，其有功出力、電壓設(shè)定值和無功出力上、下限如表2所示。

表2 并網(wǎng)光伏電站參數(shù)Table 2 Parameters of grid-connected PV power station

分別設(shè)定各節(jié)點負荷為居民負荷、商業(yè)負荷和工業(yè)負荷，其典型參數(shù)見表1。以恒功率負荷各節(jié)點電壓幅值為基準，不同負荷特性下各節(jié)點的電壓幅值差值如圖1所示。

圖1 不同負荷特性下各節(jié)點的電壓幅值Fig.1 Node voltage amplitude under different load characteristics

如圖1所示，在光伏電站出力相同的情況下，負荷的電壓特性將改變各節(jié)點的電壓幅值；且由于工業(yè)負荷的無功功率-電壓靈敏度最高，使得工業(yè)負荷下各節(jié)點的電壓幅值最高。同時，系統(tǒng)內(nèi)的網(wǎng)損由0.055 0 MW下降至0.052 8、0.052 4和0.052 4 MW?？梢?，不同的負荷特性對ADN的運行產(chǎn)生了安全和經(jīng)濟性的影響。

2 ADN多目標調(diào)壓模型

2.1目標函數(shù)

含光伏并網(wǎng)的ADN不僅要保障系統(tǒng)的安全運行，還需要充分利用清潔能源，改善ADN的供電質(zhì)量，并實現(xiàn)ADN的經(jīng)濟運行，分別闡述如下：

1)棄光量最小。

(7)

式中：PDGmax,i為DGi的最大有功出力；PDG,i為DGi的實際有功出力；NPV為ADN內(nèi)并網(wǎng)光伏電站的數(shù)量。

2)電壓偏差最小。

(8)

式中NB為ADN內(nèi)節(jié)點的數(shù)量。

3)網(wǎng)損最小。

(9)

式中：Ploss為網(wǎng)損；P0為饋線始端的有功功率。

2.2約束條件

1)光伏出力限制。

光伏的最大有功出力PDGmax與光照強度、溫度等相關(guān)，在ADN不能消納過多的光伏出力時，可通過更改逆變器的直軸電流等降低光伏電站的有功出力[14]，即出現(xiàn)棄光：

0≤PDG,i≤PDGmax,i

(10)

由于光伏發(fā)電系統(tǒng)中的逆變器逆變?nèi)萘坑邢?，從而限制光伏發(fā)電系統(tǒng)的無功調(diào)節(jié)能力：

(11)

式中SDG,i為光伏發(fā)電系統(tǒng)逆變器的逆變?nèi)萘俊?/p>

2)支路潮流限制。

大量的光伏接入，有可能造成ADN出現(xiàn)線路阻塞等情況，因此需限制各支路潮流在一定范圍內(nèi)：

(12)

式中：Sij為支路ij的始端實在功率；Smaxij為支路ij始端實在功率上限；Pij為支路ij的始端有功功率；Qij為支路ij的始端無功功率；Gij和Bij為支路ij的電導和電納值；θij為支路ij的始端、末端攻角差。

3)節(jié)點電壓限制。

在電壓超出一定范圍時，將引起DG保護裝置的動作；同時，由于本文計及了負荷的電壓響應(yīng)特性，如果電壓超出一定范圍，將引起負荷功率劇烈變化；因此，需限定各節(jié)點電壓幅值在一定范圍內(nèi)：

Umin,i≤Ui≤Umax,i

(13)

式中Umin,i和Umax,i為節(jié)點i電壓幅值的下限和上限。

4)關(guān)口功率約束。

為抑制規(guī)?；植际诫娫床⒕W(wǎng)后ADN對外部電網(wǎng)的影響，需限定ADN根節(jié)點處與外網(wǎng)的功率交換在一定范圍內(nèi)：

(14)

式中：P0min、P0max和Q0min、Q0max分別為關(guān)口有功功率交換下限、上限和無功功率交換下限和上限。

5)功率平衡約束。

(15)

綜上可知，ADN多目標調(diào)壓模型的調(diào)控對象為PV節(jié)點的有功和基點電壓、關(guān)口處的電壓，包含功率平衡等非線性非凸約束，同時追求清潔能源利用、供電質(zhì)量和經(jīng)濟性的優(yōu)化，為典型的非線性多目標優(yōu)化問題(nonlinear multi-objective optimization problem，NMOP)。

3 并行差分進化算法

在基于差分進化(differential evolution，DE)的MODE中，選擇策略可分為：將子代個體和父代個體直接混合獲得混合種群的PDDE和將子代個體和父代個體進行選擇操作后獲得混合種群的DEMO[15-17]。因PDDE具有更好的全局搜索能力，本文選用PDDE作為ADN內(nèi)的調(diào)壓模型的求解算法，以為決策者提供更好的方案。

因PDDE求解的問題為無約束問題，本文采用文獻[18]中提出的基于目標函數(shù)修正的約束處理方法處理ADN調(diào)壓模型中的眾多約束，從而形成了PMODE算法。采用并行計算的PMODE計算流程如圖2所示。

圖2 并行多目標差分進化計算流程Fig.2 Flow chart of PMODE

4 算例分析

4.1算例描述

本文基于IEEE-33節(jié)點系統(tǒng)對所提出的模型和算法進行測試。IEEE-33節(jié)點系統(tǒng)的負荷為3.715 0 MW，各節(jié)點電壓幅值下限、上限和基準都設(shè)定為0.95、1.05和1.00 pu，關(guān)口處交換有功功率和無功功率下限、上限為：0、5 MW和-1、2 Mvar。假設(shè)ADN內(nèi)各節(jié)點負荷都為工業(yè)負荷，其他參數(shù)詳見文獻[19]。ADN內(nèi)含有3個并網(wǎng)型光伏電站，其參數(shù)見表2。

在PMODE的突變和交叉操作中，控制參數(shù)F和CR分別影響算法的搜索步長和子代個體對父代個體的繼承能力，從而影響算法的性能。在先驗知識較少的情況下，可將控制參數(shù)內(nèi)嵌入個體，伴隨種群進化而進行參數(shù)自適應(yīng)控制[19]。

式中：r1、r2、r3、r4為[0,1]之間的均勻分布隨機數(shù)；τ1、τ2分別為種群中調(diào)整個體相對應(yīng)的F和CR的概率。本文中Fmin、Fmax、τ1、τ2分別取定值0.1、0.9、0.1和0.1，文獻[19]中的測試表明Fmin、Fmax、τ1、τ2的變化并不會顯著改變算法的尋優(yōu)結(jié)果。

PMODE中種群規(guī)模設(shè)定為70，最大迭代次數(shù)設(shè)為100。并行計算的計算平臺為Matlab 2013b，Intel Core i7-3770@3.4GHz處理器，8 G RAM。

4.2結(jié)果分析

4.2.1 模型有效性驗證

以ADN內(nèi)所有節(jié)點負荷都是功率型負荷為基準，并以負荷類型為工業(yè)負荷和商業(yè)負荷作對比，獲得的Pareto前沿如圖3所示，各極端解如表3所示。

圖3 不同負荷特性下的Pareto前沿Fig.3 Pareto-front under different load characteristics

負荷特性棄光量/(MW·h)節(jié)點電壓偏移量/pu網(wǎng)損/(MW·h)恒功率負荷0.00010.00210.05340.73690.00070.04580.66260.05540.0335工業(yè)負荷(α=0.18,β=6.00)0.00050.00690.05270.79760.00070.04480.63970.04510.0330商業(yè)負荷(α=0.99,β=3.15)0.00010.00150.05020.78430.00070.04540.65180.00130.0354

由圖3和表3可知，在計及負荷靜態(tài)特性時，系統(tǒng)的網(wǎng)損和電壓偏移指標發(fā)生了較大變化：獲得的棄光量近似一致時，節(jié)點電壓偏移量由0.002 1增加至0.006 9，而網(wǎng)損則由0.053 4 MW·h下降為0.052 7 MW·h；同時，工業(yè)負荷下獲得的最優(yōu)網(wǎng)損方案優(yōu)于恒功率負荷下獲得的方案。

進一步地，由表3可知，在所有負荷都為商業(yè)負荷時，所獲得的最優(yōu)棄光方案優(yōu)于工業(yè)和恒功率下所獲方案；同時，在所有負荷都為商業(yè)負荷時，最優(yōu)網(wǎng)損方案的節(jié)點電壓偏移量顯著優(yōu)于其他兩種負荷特性下的最優(yōu)網(wǎng)損方案。

4.2.2 算法有效性分析

在Matlab本地并行計算模式下，開啟不同的計算內(nèi)核，完成PMODE的計算所需時間如圖4所示?？梢?，隨著內(nèi)核數(shù)量的增加，相同計算時間所需時間近似呈線性下降。

圖4 不同數(shù)量內(nèi)核計算所需時間Fig.4 Computation time required by different numbers of computer kernels

5 結(jié)論

針對含光伏并網(wǎng)的ADN系統(tǒng)，本文計及負荷的電壓響應(yīng)特性，構(gòu)建了以光伏有功出力、并網(wǎng)點電壓、平衡節(jié)點電壓為控制對象，以充分利用清潔能源和電壓管控效果為共同目標的調(diào)壓策略；并采用基于并行適應(yīng)值評估的多目標差分進化算法求解ADN調(diào)壓模型。

測試結(jié)果表明：不同的負荷特性都對ADN的調(diào)壓決策產(chǎn)生了顯著影響；與不計及負荷特性相比，在以最優(yōu)棄光和最優(yōu)網(wǎng)損為目標時，計及負荷特性更有助于ADN運行人員做出更貼合實際的決策方案；同時，開啟內(nèi)核的數(shù)量對并行計算所需時間也產(chǎn)生了顯著影響(即隨著內(nèi)核數(shù)量的增加，計算時間近似呈線性趨勢下降)。

[1] ZENG M, DUAN J, WANG L, et al. Orderly grid connection of renewable energy generation in China: management mode, existing problems and solutions[J]. Renewable and Sustainable Energy Reviews, 2015(41): 14-28.

[2] 劉念, 張清鑫, 李小芳. 基于核函數(shù)極限學習機的分布式光伏短期功率預測[J]. 農(nóng)業(yè)工程學報, 2014, 30(4): 152-159. LIU Nian, ZHANG Qingxin, LI Xiaofang. Distributed photovoltaic short-term power output forecasting based on extreme learning machine with kernel[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(4): 152-159.

[3] AI Q, WANG X, HE X. The impact of large-scale distributed generation on power grid and microgrids[J]. Renewable Energy, 2014(62): 417-423.

[5] JUNG J, ONEN A, RUSSELL K, et al. Local steady-state and quasi steady-state impact studies of high photovoltaic generation penetration in power distribution circuits[J]. Renewable and Sustainable Energy Reviews, 2015(43): 569-583.

[6] TREBOLLE D, HALLBERG P, LORENZ G, et al. Active distribution system management[C]//22nd International Conference and Exhibition on Electricity Distribution (CIRED 2013), Beijing, 2013.

[7] 趙波, 王財勝, 周金輝, 等. 主動配電網(wǎng)現(xiàn)狀與未來發(fā)展[J]. 電力系統(tǒng)自動化, 2014, 38(18): 125-135. ZHAO Bo, WANG Caisheng, ZHOU Jinhu, et al. Present and future development trend of active distribution network[J]. Automation of Electric Power Systems, 2014, 38(18): 125-135.

[8] GABASH A, LI P. Active-reactive optimal power flow in distribution networks with embedded generation and battery storage[J]. IEEE Transactions on Power Systems, 2012, 27(4): 2026-2035.

[9] VALVERDE G, VAN CUTSEM T. Model predictive control of voltages in active distribution networks[J]. IEEE Transactions on Smart Grid, 2013, 4(4): 2152-2161.

[10] 劉一兵, 吳文傳, 張伯明, 等. 基于有功-無功協(xié)調(diào)優(yōu)化的主動配電網(wǎng)過電壓預防控制方法[J]. 電力系統(tǒng)自動化, 2014, 38(9): 184-191. LIU Yibing, WU Wenchuan, ZHANG Boming, et al. Overvoltage preventive control method based on active and reactive power coordinated optimization in active distribution network[J]. Automation of Electric Power Systems, 2014, 38(9): 184-191.

[11] 李安, 曹杰, 許彬, 等. 計及靜態(tài)負荷模型的配電網(wǎng)重構(gòu)[J]. 武漢大學學報: 工學版, 2014, 47(6): 810-815. LI An, CAO Jie, XU Bin, et al. Distribution networks reconfiguration considering static load model[J]. Engineering Journal of Wuhan University, 2014, 47(6): 810-815.

[12] TAYLOR C W. Power system voltage stability[M]. New York, USA: McGraw-Hill, 1994. [13] 朱星陽, 張建華, 劉文霞, 等. 考慮負荷電壓靜特性的含分布式電源的配電網(wǎng)潮流計算[J]. 電網(wǎng)技術(shù), 2012, 36(2): 217-223. ZHU Xingyang, ZHANG Jianhua, LIU Wenxia, et al. Power flow calculation of distribution system with distributed generation considering static load characteristics[J]. Power System Technology, 2012, 36(2): 217-223.

[14] CAGNANO A, DE TUGLIE E, LISERRE M, et al. Online optimal reactive power control strategy of PV inverters[J]. IEEE Transactions on Industrial Electronics, 2011, 58(10): 4549-4558.

[15] MUSRRAT A, PATRICK S, MILLIE P. An efficient differential evolution based algorithm for solving multi-objectiveoptimization problems[J]. European Journal of Operational Research， 2012(217): 404-416.

[16] 徐昆. 群智能算法及其并行計算技術(shù)的研究與應(yīng)用[D]. 濟南： 山東大學, 2014. XU Kun. Research and application of swarm intelligence algorithm and parallel computation technology[D]. Jinan： Shandong University, 2014.

[17] BREST J， GREINER S， BoKOVIB， et al． Self-adapting

control parameters in differential evolution： a comparative study on numerical benchmark problems[J]． IEEE Transactions on Evolutionary Computation， 2006， 10(6): 646-65

[18] 劉文霞, 趙天陽, 邱威, 等. 基于閉環(huán)供應(yīng)鏈的集中性充- 換電系統(tǒng)運營優(yōu)化[J]. 中國電機工程學報, 2014, 34(22): 3732-3742. LIU Wenxia, ZHAO Tianyang, QIU Wei, et al. Operation optimization of centralized battery swap charging system based on closed-loop supply chain[J]. Proceedings of the CSEE, 2014, 34(22): 3732-3742.

[19] KAMH M Z, IRAVANI R. A sequence frame-based distributed slack bus model for energy management of active distribution networks[J]. IEEE Transactions on Smart Grid, 2012, 3(2): 828-836.

吳 旭

(編輯 谷子)

Multi-ObjectiveVoltageRegulationMethodforActiveDistributionNetworkConsideringLoadStaticCharacteristics

WU Xu1, TANG Qingfeng2, ZHAO Tianyang3

(1. State Grid Anhui Electric Power Company, Hefei 230022, Anhui Province, China; 2. State Grid Jibei Electric Power Economic Research Institute, Xicheng District, Beijing 100045, China; 3. State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources (North China Electric Power University), Changping District, Beijing 102206, China)

To mitigate the adverse effects of large-scale distributed generation on the voltage of distribution network, this paper proposes a multi-objective voltage control method under the active distribution scheme. With considering the load static characteristics of active distribution system, this paper analyzes the impact of load characteristics on the active distribution system operation. Further, this paper constructs the voltage control model to minimize the clean energy curtailment, the voltage profile derivation, and the active power losses, with taking the active power output of distribution generation and grid-connected voltage as decision-making object and considering the distribution network security operation constraint. Then, this paper uses the improved parallel multi-objective differential evolution algorithm to solve the model. Base on the simulation carried out on the modified IEEE-33 bus test system, the effectiveness of the proposed model and algorithm is demonstrated, and the impact of load static characteristics on the voltage regulation is discussed.

active distribution network; distribution generation; voltage regulation; multi-objective differential evolution

TK 01； TM 71

： A

： 2096-2185(2017)04-0047-06

10.16513/j.cnki.10-1427/tk.2017.04.008

2017-02-02

吳 旭(1984—)，男，博士，工程師，從事電力系統(tǒng)調(diào)度運行工作，wuxu_spy@163.com；

湯慶峰(1988—)，男，博士研究生，從事配網(wǎng)規(guī)劃與優(yōu)化調(diào)度工作；

趙天陽(1989—),男，博士研究生，研究方向為電力系統(tǒng)優(yōu)化運行、博弈論。