基于HPLC智能电能表改造的低压分布式光伏调峰方法

随着新型电力系统的发展，新能源占比越来越高，有时仅仅依靠集中式光伏电站与风电场不足以应对电网调峰需求，分布式光伏将逐步参与调峰。针对低压分布式光伏分布范围广，控制难度大，涉及利益复杂的特点，建立了一种基于HPLC智能电能表改造的低压分布式光伏调峰控制模型，制定了低压分布式光伏调控优先级策略，在基于样板光伏理论基础上提出了调峰后弃限电量统计与分布式光伏控增方法，可以在尽量避免分布式光伏用户经济损失情况下，充分调用低压分布式调峰资源，为低压分布式光伏的发展和管理提供思路。     

基于Non-MPPT算法的区域光伏消纳控制策略

基于两级式光伏发电系统环境自适应算法以及光伏阵列分布式结构,提出一种适用于区域光伏消纳控制的Non-MPPT（maximum power point tracking）算法,力主解决光伏发电系统出力过剩问题。该算法基于光伏模块分布式前级优化器,实现不同环境下光伏模块分散控制,并通过光伏模块输出电压、电流随机变量,导出光伏电池环境修正参数,进而实时修正区域光伏模块最大功率电压,使其最大功率电压实时跟随外部环境变化,并结合电导增量法,实现不同环境下光伏阵列全局最大功率跟踪。而后,若区域性电网光伏发电系统出力过剩,则将区域光伏按其实际出力情况进行分区管理,以区域电网对其出力分配额度为控制目标,推导出光伏阵列对应输出电压,并将其引入至光伏发电系统前级Boost电路,通过修正Boost电路占空比,使光伏发电系统输出功率快速跟随主网需求指令,解决了区域内光伏过剩出力的消纳问题。最后,通过Matlab/Simulink仿真软件搭建两级式三相光伏并网系统,验证该算法在电力系统应用中的有效性。     

基于层次分析法的风光限电策略研究

针对高比例风光电源接入电网时产生的不合理弃风、弃光问题,采用层次分析法对各风光电站在传统电网调度过程中的限电策略进行研究,以便更科学合理地安排风光发电。建立以发电总成本最小为目标的数学模型,采用层次分析法评估各风光电站的综合重要性指标,并计算出各风光电站限电系数。采用遗传粒子群算法求解模型,以5机和6个风光电站系统为例验证方法的有效性和合理性。结果表明:在调度过程中考虑风光电站限电策略后的限电量和限电成本较传统限电方案存在不同程度上的差异;评估指标的不同准则权重和增幅对各风光电站的限电量有不同的影响。     

一种基于改进K-means++算法的分布式光储聚合调峰方法

近年来,随着光伏装机容量占比迅速提升,日益突出的光伏出力波动性及反调峰特性加剧了电力系统调峰的压力。利用光储资源参与调峰成为缓解电力系统调峰压力的一种有效措施。但是,高比例分布式光储(photovoltaic-energy storage,PV-ES)直接参与调峰会带来决策变量维数爆炸、求解结果难以收敛等诸多问题。对此,基于典型调峰特征量将高比例分布式光储聚合为数量较少的特征集群,建立聚合–调峰–分解模型,有效解决了高比例分布式光储参与电力系统调峰优化的问题。算例结果表明,所提方法有效降低了光储变量维数和求解难度,提升了其参与电力系统调峰优化的可行性,并在保证调峰能力的同时具备一定的经济优势。     

基于数学形态学去噪的光伏发电限电异常数据识别算法

光伏发电领域特有的限电异常数据,由于其来源于不确定的、突发的强制弃风弃光操作,完全无规律可循,使得依赖数据分布假设或经验模型的传统异常数据识别算法无法对其进行有效识别。为提高光伏限电异常数据的识别率,提出一种基于数学形态学去噪的限电异常数据识别算法。该算法将限电异常数据作为原始数据的噪声信号,对原始数据本身的分布特性没有任何要求,只需将原始数据转换为二值图像,通过膨胀腐蚀等数学形态学去噪的基本运算即可对限电异常数据进行自适应识别。通过实际采集数据进行仿真,结果表明,与传统异常数据识别算法相比,该算法可显著提高限电异常数据的识别率,从而验证了其在限电异常数据识别领域的适用性。     

基于博弈论赋权的光伏功率组合预测模型

针对单一预测方法的局限性,本文采用物理方法和统计方法相结合的预测方法,建立光伏发电功率组合预测模型,并在预测模型中考虑电站的限电及检修计划。采用理论功率法、基于改进相似日的BP神经网络法、基于改进相似日的支持向量机对预测日的光伏功率分别进行预测,通过提出的博弈论组合赋权法来计算各模型的权重。通过某光伏电站的实际数据验证,计算分析了预测误差,结果表明,通过组合赋权法得到的权重克服了单一权重的片面性,使得综合评价更合理、科学,在限电情况下仍具有较高的预测精度,对光伏发电系统的功率预测具有一定的学术价值和工程实用价值。     

集中式光伏弃光分析及应对措施

针对集中式光伏弃光问题,从调峰能力、输送能力、消纳能力以及设备运行等方面分析了集中式光伏电站产生弃光的原因。提出了基于标杆光伏电站的弃光电量计算方法和基于辐照度数据还原的弃光电量计算方法,结合算例利用实际运行数据进行弃光电量分析计算并对2种算法的适用情况进行阐述。最后从国家政策、发展规划、调度运行及消纳市场等层面提出了促进光伏消纳、减少弃光的应对措施,以期促进集中式光伏健康、持续、稳定发展。     

光伏电站理论发电功率的优化计算模型与方法

光伏电站理论发电功率计算结果的准确性直接影响弃光电量的统计,对电网调度及光伏发展规划影响重大。理论发电功率的传统计算方法有样板逆变器法和气象数据外推法,当样板逆变器的出力受到限制时,样板逆变器法计算结果不准确,而气象数据外推法参数众多且难以确定。针对上述问题,提出了一种光伏电站理论发电功率优化计算方法。首先,介绍了样板逆变器法和气象数据外推法的计算原理,并分析了两种方法的特点和不足。然后,基于光伏电站历史出力及气象信息,提出了改进样板逆变器法和改进气象数据外推法。在实际应用中,当弃光未发生或者在弃光初始阶段采用计算精度更高的改进样板逆变器法开展计算,当样板逆变器出力受到限制时,切换至改进气象数据外推法进行求解。最后,对国内某光伏电站在不同气象条件下开展仿真计算,验证了所提方法的合理性和有效性。     

基于泛在电力物联网的分布式可再生能源(DRE)理性消纳调峰模型

建设泛在电力物联网的目标之一是促进可再生能源消纳,但分布式可再生能源（distributed renewable energy,DRE）存在电网难以调度和消纳成本高等问题。文章基于泛在电力物联网思想,将风电、光伏为代表的DRE、燃气轮机、储能系统、可控负荷以虚拟电厂形式纳入调峰资源,提出了一种DRE参与系统调峰的理性消纳模型。选择改进的IEEE 30节点系统,利用基于分布估计的膜算法计算了3种不同组合模式下调峰系统的运行成本和DRE的消纳程度,并进行对比分析。结果表明,基于泛在电力物联网的DRE理性消纳调峰模式可以更高效利用调峰资源,实现可再生能源消纳、调峰系统经济性的双赢局面。     

含分布式能源的配电网实时最优潮流分布式算法

提出一种含分布式能源的配电网实时最优潮流分布式算法。首先,该算法在获取电压状态量的实时数据后,利用原问题的二阶泰勒展开对状态量进行一次修正,并将修正结果用于控制量的计算和分布式能源的功率控制,给出了该方法在连续执行后的可行性分析。然后,利用海森阵的稀疏特性,提出了海森阵元素的分解、并行计算方法和修正方程的分布式高斯消去法,从而实现算法的分布式求解。最后,通过算例分析验证了所提算法的可行性和有效性。     

考虑关联规则的分布式风光储多能互补模式及算法研究

针对分散式小容量光伏如何有效消纳问题,文中研究了分布式“光伏+”的应用模式方面存在的问题。基于泛在电力物联网,研究了“光伏+风电+储能”的多源互补结构;建立了“光伏+风电+储能”分析模型,研究了各类分布式能源的多场景描述,及多源场景的匹配关联规则算法。基于风光储的互补模式,引导不同地点各类分布式风光能源的主动参与,与储能、负荷之间互动,实现分布式能源运行的有序化,可大大减少弃风弃光。算例结果表明风光储的互补模式可有效消纳分布式光伏,减少弃光弃风量,从而促进绿色新能源发展。     

考虑区域碳中和的分布式光伏选址定容

“双碳”目标的深入推进为我国能源建设与规划提出明确要求,推动了分布式光伏的飞速发展。分布式光伏可以有效调节区域碳排放架构,但不合理地接入容量和接入位置会对配电网造成不可逆转的冲击。针对分布式光伏入网对配电网的影响,提出了一种考虑区域碳排放的分布式光伏选址定容双层优化模型。外层优化以光伏运维成本最低、配电网有功功率损耗最小、电压偏差最小为目标,结合内层优化所得到的分布式光伏出力值,采用NSGA-II算法求解得到光伏的具体接入位置与接入容量;内层优化以系统综合运行成本最低为目标函数,结合外层光伏规划后的配电网网架结构,采用列和约束生成算法,求解获得该区域达到碳中和所需的光伏出力最小值,为外层分布式光伏规划提供限定条件,最终得到考虑规划区域碳排放的分布式光伏规划方案。最后,基于甘肃省某县级区域开展算例仿真,验证所提模型在降低区域碳排放量、规划区域分布式光伏资源、积极促进区域碳中和方面的可行性,为电网企业制定光伏发电规划提供了科学支撑。     

考虑电能质量问题的分布式光伏发电接入规划方法

分布式光伏电源由于自身特点及其出力会随环境因素变化,接入后容易造成电网的电能质量越限。将在分布式光伏发电接入配电网的规划阶段考虑电能质量问题,提出一种考虑电能质量问题的分布式光伏发电的规划方法。在确定基于最大接入容量的光伏电源优化配置的接入方案后,取接入点的电流总谐波畸变率、电压偏差和电压波动作为表征配电网电能质量的特征量,用数据包络分析的方法评估接入点的电能质量,对不符合电能质量标准的接入点给出修正方案。最后得到一种电能质量水平达标的分布式光伏发电的规划方案,并在算例中结果验证了所提方法的有效性。     

考虑主动管理的分布式光伏发电消纳能力研究

随着分布式光伏接入配电网逐渐增多,其消纳能力越来越受到人们关注。文章对考虑主动管理的分布式光伏消纳能力进行了研究,提出了主动配电网中分布式光伏发电最大消纳量的计算方法。在分析分布式光伏发电和负荷的时序特性的基础上,提出了综合考虑混沌思想和自适应度调整的改进粒子群算法,研究了削减分布式电源出力、调节有载调压变压器抽头、无功补偿等主动管理措施对分布式光伏最大消纳量的影响。IEEE 33节点配网系统验证了所提模型的合理性和算法的有效性,3种主动管理措施能有效提高分布式光伏的最大消纳量。     

计及光伏消纳率的分布式光伏电源双层多场景规划

针对当前配电网中由于分布式光伏电源规划不合理而导致较为严重的弃光问题,研究构建了新型计及光伏消纳率的分布式光伏电源双层多场景规划模型。其中外层规划模型以光伏投资者年净收益最大为目标优化光伏电源的安装容量,内层规划模型则以光伏年消纳率最大为目标对光伏电源的出力削减量进行优化。然后,基于多场景分析和改进K均值聚类方法进行场景缩减,并利用分子微分进化算法求解上述双层规划模型。最后以IEEE 33节点配电网系统为例进行计及光伏消纳率的分布式光伏电源规划,结果验证了所提规划模型及求解方法的优越性。     

一种基于修正相角差的傅氏测频算法

基于相角差的传统傅氏测频算法所采用的相角差无法正确反映真实相角差,导致计算结果存在原理误差。提出了一种基于修正相角差的傅氏测频算法。利用相角差作为中间量,通过修正因子对相角差进行修正,消除传统傅氏算法的原理误差。算法保留了傅氏算法不敏感于噪声和谐波的良好特性。同时,采用基于二次插值技术的采样序列迭代修正方法,克服传统测频算法速度与精度无法兼得的矛盾。仿真结果表明相比于传统傅氏算法,在相同的硬件环境下,该算法的运算速度及测量精度均有提高。     

用于配电网过电压平抑的分布式光伏多模态协调控制算法研究

随着我国的能源转型进入关键时期,分布式光伏在配电网的大规模应用已成为重要趋势.然而在光伏功率过剩时可能引起配电网过电压、逆潮流等问题,威胁配电网的安全稳定运行.传统配电网调压方法如有载调压、定点无功补偿、大规模弃光等,存在调压性能有限、经济性差、光伏利用率低等缺陷,不再适用于含大量分布式光伏的配电网.因而本文充分发掘分布式光伏的调控潜力,从单机调控与多机协调两方面优化配网台区潮流,从而在提升光伏发电利用率的同时,实现对配电网过电压平抑.文章在配电网电压灵敏度分析的基础上,首先对分布式光伏系统运行的多种模态进行划分,在优化了传统的光伏无功控制方案基础上,进一步加入了有功功率削减模式,实现单机光伏系统对连接点电压的控制与优化;同时考虑单机调控能力受限时,依据灵敏度排序进行分布式光伏间的协调优化,通过单机与多点多机两个层面的协调优化与综合调控的配电网台区的电压优化控制.经验证,本文所提的分布式光伏系统优化协调算法,能够提高电压调节的效率,并且有效减少分布式光伏系统的弃光率.     

计及模型误差的分布式光伏配电网优化调控方法

当前配电网存在信息采集不全、在线获取电网精确模型困难的问题,导致对分布式光伏的调控存在误差,难以满足配电网安全运行的要求,因此提出了一种计及模型误差的分布式光伏配电网调控方法。基于近似灵敏度建立了光伏调控量粗略计算模型;采用极限学习机(ELM)方法建立人工智能辅助决策模型,作为光伏调控量粗略计算模型的修正;进一步地,基于上述2个模型,设计了计及模型误差的分布式光伏优化调控策略;最后进行仿真分析,结果表明提出的调控方法弥补了仅依赖电网模型进行优化带来的误差,提高了优化调控的精度。     

基于最优深度信念网络的高比例分布式光伏发电数据虚拟采集方法研究

为了解决配电站的高比例分布式光伏数据难以采集问题,提出了一种基于最优深度信念网络的分布式光伏数据虚拟采集方法。最优深度信念网络包括两部分,分别为基本深度信念网络与自适应萤火虫算法。其中,自适应萤火虫算法被用于估计深度信念网络的输出权重矩阵。首先,所提出的分布式光伏数据虚拟采集方法,可以实现同一光伏电站在仅1座分布式光伏设备具有完备数据采集装置情形下,完成区域范围内所有分布式光伏设备数据的虚拟采集;然后,以区域范围内100座分布式光伏设备对所提出的分布式光伏数据虚拟采集方法进行了验证。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。