含高渗透率光伏发电配电网兼顾经济性和公平的电压管理

杨金东，刘红文

（云南电网有限责任公司电力科学研究院，昆明 650217）

0 前言

通过在电力系统中注入越来越多的分布式发电，包括太阳能、风能以及各类储能系统，已被视为提升能源供给的安全性和保护环境的有效方法。因此，分布式发电系统在配电网中的渗透率正在不断的增长之中[1]。例如，在德国，新能源在高峰时段的注入量可以占到整个电网供电的40-50%；美国德克萨斯州，风能在夜晚负荷要求比较低的时段也可以占到供电量的50%以上[2-3]。

光伏发电在配电网中过高的渗透性会对配电网的安全和可靠运行带来一些挑战，其中比较常见的就是过电压问题[4-5]。传统配电网中没有或很少有发电源，电能的需求主要由变电站的供给来满足，所以一般是由变电站向负荷的单向的能量流动。但是如果配电网中安装有大量的光伏发电系统，尤其是光伏发电的峰值时段，光伏发电量比较大且高于配电网中的负载需求时，额外的功率将会被反馈到输电系统中，并造成配电网中的过电压问题。因此，如何解决配电网中的过电压问题是提升配电网中分布式发电渗透率的关键，这一问题近年来也越来越多的受到专家的关注和研究。

根据美国电工电子工程师协会（IEEE）关于分布式发电管理的标准IEEE1547的规定，解决过压问题的一种直接方法就是在发生过电压问题的地方将本地的光伏发电系统立即从配电网中切除，这样，就可以快速的解决过电压问题[6]。然而，在太阳辐照度的高峰时段以及太阳能注入量大的区域，简单的遵循IEEE1547标准的对太阳能发电系统的控制虽然能有效的解决过电压问题，但一方面可能导致太阳能系统频繁的开关切换操作，从而影响光伏系统的寿命并增加光伏发电系统所有者的操作和维护成本，另一方面也会降低光伏系统的效率，减少光伏的发电量。

另一个调节电压的方法是通过消减光伏系统的有功功率输出来完成的[4-5]。文献[4]中，作者发现通过成比例的消减光伏系统发电量的方法会造成光伏发电量的浪费，所以他们根据光伏系统对电压变化的灵敏度来最小化光伏发电量的消减，从而得到最经济的效果。文献[5]，研究人员基于动态戴维南等效定律，开发出了一种实时预测算法来动态调节每一个光伏系统下垂控制的斜率，从而计算出保持安全电压范围的有功输出的上限，从而作为消减光伏发电输出的参考。

此外，当一个配电网中安装有多个分布式发电系统时，由于每一个分布式系统对产生过电压问题的影响不一，因此需要研究如何公平地消减每一个分布式系统的有功输出[7-8]。文献[7]的作者为了能够公平的减消太阳能的有功输出，采取了改进的下垂控制策略。每一个光伏系统的下垂控制参数都是根据其对应光伏系统对电压变化的灵敏度而调节的，而调节的目的就是为了绝对公平的限制每一个光伏系统的输出。这个方法虽然能够保证绝对的公平，但是会造成光伏系统发电能力的浪费。文献[8]中，作者首先假设电压的变化与光伏系统发电量的变化是成正比关系的，而这个比例系数在较短时间内又是稳定不变的。通过这一假设以及对分布式发电量和电压变化的检测，就能够预测并计算将会引起过电压的额外的功率，当把这一功率消减之后过电压问题也就随之解决了。另外，对于配电网中的其他光伏发电系统的有功输出也会被相应的减少，从而让每个光伏系统都承担相同的电压调节责任。但是，该方法也着重于平等地减少光伏系统的有功输出，忽略了光伏发电系统的效率提升问题。

为了能够管理在配电网中大量渗透的光伏发电系统，同时保证系统的电压安全和调节电压的责任的公平分配，本文提出了一种基于优化的兼顾经济性和公平性的有功功率发电量消减的算法。本文提出的算法首先对太阳光照的辐照度和负荷的变化进行预测。基于预测的结果对光伏发电量进行短期的调配，调配的目标包括保证电压的安全和最小化光伏发电量的消减。因此，该方法不仅能够最大化光伏发电系统的利用效率，同时确保电压的变化不会超过安全阈值。此外，此算法能够自适应地调整每一次的光伏发电量的消减，使多个光伏发电系统在中长期内具有相似的累积消减量，从而确保每一个光伏发电系统在保证系统电压安全方面公平的承担责任。

文章正文的安排包括：第二节对问题进行具体的描述，并提出本文的解决方案和突出贡献；第三节介绍对光照辐射量和负荷变化进行短期预测所采用的支持向量机算法，并讨论预测的结果；第四节提出进行短期调度的优化算法；第五节阐述保证公平性的模糊神经网络算法；所提出的算法的有效性会在第六节进行仿真验证；第七节对文章所提出来的方法和效果进行总结。

1 过电压以及公平责任问题

配电网中的高渗透率光伏系统有可能产生比系统中的本地负载需求更多的功率，并由此引起过压问题，威胁到系统供电的可靠性。根据IEEE关于分布式管理的1547标准，解决过压问题的一种直接方法是在发生过压的地方关闭分布式发电[6]。但是，在太阳辐照度的高峰时段，尤其是中午11-14时，简单地遵循标准可能导致分布式系统频繁的开/关切换操作，从而影响分布式装置的寿命并增加了分布式系统的操作和维护成本。由于光伏发电的逐步增多，这一问题已经引起了很多学者和工业界的关注，文献[9-12]提出了一些通过减少分布式发电的实际发电量来调节电压的方法，从而避免过电压。

但是，通过限制分布式发电有功输出的方法来调节过电压的方法会产生另外一个问题，即如何保证不同光伏发电系统所有者之间公平性问题[8]。由于位置的不同，太阳辐照度水平不一，以及配电网中不同的光伏发电对系统电压影响的不一致性，因此为了维持电压的安全，分布式发电系统的有功输出的减少量也将是不同的。这种调节量的不同可能会引起中长期的不公平问题。然而，如果不能很好地解决这种不公平问题，会减少一部分光伏所有者的收入，并打击他们参与开发清洁能源的积极性。因此亟须开发既能够保证电压安全，又能够兼顾公平性的方法，用于对高渗透的光伏发电系统进行管理。为了同时考虑电压管理的有效性和职责承担的公平性，对分布式光伏系统进行管理的方法应满足以下要求：

1）确保电压安全，避免由过多的光伏发电所引起过电压问题；

2）保持光伏发电系统业主的公平性，以便使不同地理位置的光伏发电系统的总的削减量都保持一致或相似；

3）能够最小化累积的光伏发电消减量，提升光伏发电系统的效率，最大化光伏系统的经济效益。

为满足这些要求，本文提出了一种兼顾电压安全和责任平均分担的有功功率消减方法。该方法一方面最优化地调度光伏发电系统的有功产生，目的是基于太阳辐射和负载分布的预测在保证电网电压安全性的前提下最大化它们的发电量；另一方面，将基于模糊神经网络算法的自适应权重系数引入到最优调度的目标函数中，用于自动地调节每一个光伏发电的发电消减量。最终能够保证，每一个光伏发电系统能够有类似的有功功率缩减量，并在中、长期的时间范围内将它们有功减少量的差异保持在一个可接受的小范围内。本文所提出的兼顾发电最优和用户公平承担电压管理职责的有功功率削减算法（RPCM）将在以下章节中进行详细阐述。

2 负荷和太阳光照度的预测

由于RPCM算法是基于负载和太阳辐照度预测的一种进行短期调度的方法，需要对负载和太阳能辐照强度进行短期的预测，用于进行确定最大太阳能允许输出上限。本文将采用支持向量机（SVM）算法对负载和太阳辐照度进行短期预测。

图1 一周内的本地负荷预测结果

图2 一周内的本地太阳辐射预测结果

SVM是一种常用的基于统计学习理论的时间序列预测方法[13-14]。由于本文的长度限制，这里不对SVM进行详细的阐述，更多信息可以在文献[13]中找到。本文主要使用八个实际的测量点对下一时间单位的数据点进行预测。

图1和图2分别显示了一周内每间隔五分钟对负荷需求曲线和太阳辐射进行的预测，这些预测将用于以下RPCM的算法当中。如图1所示的一周的负荷曲线是基于夏季云南某地的实际负荷进行采集和预测的。该预测结果的绝对百分比误差率（MAPE）为0.78%，显示了比较高的预测精确度。

另外，云南某地夏季的太阳光照辐射强度也进行了每五分钟的采样和基于采样的预测，该预测的MAPE率为2.65%，预测准确率较高。

3 分布式光伏发电的发电量管理

本文提出的RPCM方法是一种对配电网中电压和分布式发电量进行管理的最佳调度策略算法。该算法每五分钟对系统中的太阳能发电量进行优化管理，其最优调度的目标就是通过最小化fmin来尽可能减小配电网中的总的光复分布式发电量的减少：

最优化方程的约束条件包括：

1）功率平衡方程：电网和光伏发电系统的有功功率和无功功率之和必须等于负荷需求以及系统的功率损耗之和：

2）光伏发电量的限制：光伏实际发电量和所削减有功功率的总和应等于预测到的最大功率：

3）电压安全限制：每个节点的电压必须在安全范围内：

公式（4）中，Vk是节点k处的电压；Vmin是电压的安全下限，Vmax是电压的安全上限。通常情况下，电压安全范围的下限和上限分别设定为0.90 p.u.和1.05 p.u。

4 基于智能算法的自适应权重设置

每个分布式光伏发电的权重设置对于公平分配过电压管理的职责至关重要。减少的累积能量用于调节每个分布式光伏的权重wn，通过模糊神经网络的算法进行确定。

模糊神经网络的算法采用分布式光伏累积的有功功率缩减量∑En,curt和单次有功功率缩减量作为模糊神经网络控制器的两个输入。当分布式光伏的有功功率发生缩减时，wn也进行相应的变化，进而使各个光伏系统的累计有功功率缩减量保持在一个大致相同的范围之内。

每一个光伏系统累积的有功功率偏差∑En,curt的论域为[0, 3]，单次的有功功率缩减量的变化率的论域也为[0, 3]。每一个述论域分割为4个部分，对应的四个语言变量为ZE（零）、PS（正小）、PM（正中）以及PB（正大）。模糊规则表如表1所示：

表1 wn的模糊规则表

基于有功功率消减量的自适应权重调节模型采用模糊神经网络算法。该模型共有五层网络进行计算，如图3所示。

图3 对权重进行自适应调节的模糊神经网络控制框图

对于此五层神经网络，第一层输入层，共有两个输入，分别为第n个光伏累积的有功功率缩减量∑En,curt和单次有功功率缩减量

第二层为模糊化层，主要使用相应的语言变量值的模糊论域中隶属度函数对输入进行模糊化处理。

其中，p∈[1,16]，j∈[1,4]，和k∈[1,4]。

进行归一化计算的第四层的计算方法如下：

第五层通过重心法对结果进行反模糊化处理，从而输出自适应进行调整的权重，其计算方法如下：

ωn作为惩罚权重与PV的累积缩减量在相同方向变化。累积缩减量的增大会带来也会相应地增大ωn，然后在下一个周期的最优调度中，具有高惩罚权重的PV将减慢其削减的增量；相反，具有较小惩罚权重的PV会在下一个周期的最优调度中加大其削减的增量，承担更多的调节电压的责任。

5 电压调节的算法流程

最优调度算法在中央控制器中完成，然后将中央控制器中计算出的最优发电的参考信号发送到每一个PV的本地控制器，用以调节光伏的有功输出。

中央控制器和本地控制器中的算法的流程图如图4和图5所示。最优化调度策略在图3所示的中央控制器中实现。基于模糊神经网络算法和累积的能量削减来更新权重(w1,...wn)。PVn的本地控制器的实际功率参考通过求解（1）-（4）的最优模型获得。

中央控制器将预测的PVn发电限制和基于太阳辐射度预测得到的最大发电量传递到光伏的本地控制器中。一旦本地控制器获得预测的发电上限，他们将控制PVn在限制内产生有功功率。

然而，由于负荷和太阳辐照度预测的误差，应根据实际太阳辐射进一步调整上限，以保证电压安全。在图4中，被定义为基于实际辐照度的实际最大发电量。如（10）所示，如果等于或大于预测值则PVn实际发电量的上限应扣除预测误差；否则，预测的发电限制将作为实际限制来调节PVn的有功输出。

图4 中央控制器的算法流程图

图5 本地控制器的算法流程图

6 仿真实验和结果

前文所提出了在含有高渗透率光伏发电系统的配电网中进行电压调节的策略将在IEEE的69节点配电网测试系统中进行验证，如图5所示。 该系统含有峰值为5.6兆瓦的负荷以4.80兆瓦额定功率的光伏系统。光伏系统分别安装在编号为19，27，61和69的母线上。

图6 IEEE 69节点配网测试系统

图7 仿真结果

仿真结果如图7所示。在该试验中，基于累积的缩减能量自适应地更新惩罚权重。

图7（a）表明，本文所提出的RPCM能够将配电网的电压控制在安全范围内。此外，由于在目标函数中使用了自适应惩罚权重，因此四个PV系统的减少量在一个星期内非常相似，如图7（b）所示。一个非常重要的观察结果是四个光伏系统的实际功率削减量在交 替平衡，以保持整体能量削减比较小的差别。例如，对于母线69和27上的PV，其缩减在仿真开始时是比较高，但在一周结束时反而比较小，这是因为递增的惩罚权重有助于减少PV的减少。与此同时，母线19和61的光伏削减量反映出一种相反的趋势，从比较小到比较大。然而，四个PV比较来看，整体削减的差异都保持在一个很小的范围内。这意味着，在自适应惩罚权重的辅助下，RPCM达到并保持光伏系统之间的公平且有效的功率削减。因此，可以预测，随着时间的推移，虽然四个光伏系统的功率缩减量的变化可能有些不同，但它们的累积的能量削减将保持一致。

7 结束语

本文提出了一种最优化的公平消减功率的方法（RPCM），用于含有高渗透率光伏系统的配电网的电压调节。基于对太阳辐射和负荷曲线的预测，该方法能够最佳地控制每一个PV的有功功率，从而通过最小化缩减它们的有功输出而不引起系统的过电压。此外，该方法能够自适应地调整每个PV上的惩罚权重，以便RPCM可以动态调节PV的发电以达到并保持它们之间的类似功率消减量。本文所提出的RPCM的有效性，在IEEE的69节点配电网系统上得到了验证，证明了RPCM的有效性和经济性。