电气工程学报, 2022, 17(3): 177-183 doi: 10.11985/2022.03.021

电力系统

计及线路调压器的光伏高渗透率配电网电压控制策略

冯雪,, 党东升,, 张坤,, 田星,, 屈高强,

国网宁夏电力有限公司经济技术研究院 银川 750000

Voltage Control Strategy for Distribution Network with Photovoltaic High-penetration Considering Step Voltage Regulator

FENG Xue,, DANG Dongsheng,, ZHANG Kun,, TIAN Xing,, QU Gaoqiang,

Economic and Technological Research Institute, State Grid Ningxia Electric Power Supply Company, Yinchuan 750000

收稿日期: 2021-08-6   修回日期: 2022-03-22  

Received: 2021-08-6   Revised: 2022-03-22  

作者简介 About authors

冯雪,女,1989年生,工程师。主要研究方向为新能源接入与消纳。E-mail： F_xue1989@163.com

党东升,男,1982年生,硕士,经济师。主要研究方向为能源战略与电力市场。E-mail： DS_Dang@126.com

张坤,女,1992年生,硕士,助理工程师。主要研究方向为电力市场分析预测。E-mail： 1985303682@qq.com

田星,男,1985年生,高级工程师。主要研究方向为配电网规划设计与电力市场分析。E-mail： Tianxing@163.com

屈高强,男,1983年生,高级工程师。主要研究方向为新能源接入与消纳。E-mail： QUGQ83@163.com

摘要

针对线路调压器模型引入的非凸性导致分布式算法无法收敛的问题,提出一种结合交替方向乘子法和分支定界算法的光伏高渗透率配电网分布式电压控制策略。首先,依据线路调压器位置将配电网划分为多个集群,各集群以经济性最优为目标消除内部电压越限,得到局部最优调度方案;其次,相邻集群交换边界信息,利用交替方向乘子法进行集群间协调优化,通过不断迭代得到满足全局约束的调度方案;再次,针对线路调压器引入的非线性整数等式约束,基于分支定界法将其松弛为线性不等式约束,得到线路调压器最优档位;最后,利用改进的IEEE 33节点配电网验证了所提电压控制策略能够充分发挥线路调压器的优势,有效解决配电网电压越限问题,促进分布式光伏消纳。

关键词： 配电网 ; 线路调压器 ; 分布式电压控制 ; 交替方向乘子法 ; 分支定界算法

Abstract

Aiming at the problem that the non-convexity introduced by the step voltage regulator model causes the distributed algorithm to fail to converge, a distributed voltage control strategy for photovoltaic high-penetration distribution network combining alternating direction multiplier method and branch and bound algorithm is proposed. Firstly, the distribution network is divided into multiple clusters according to the position of the step voltage regulators. Each cluster aims to optimize the economy to eliminate the internal voltage violation and obtain a local optimal scheduling scheme. Secondly, adjacent clusters exchange boundary information, the alternating direction multiplier method is used to coordinate and optimize the clusters, and the scheduling scheme that meets the global constraints is obtained through continuous iterations. Thirdly, the nonlinear integer equality constraints introduced by the step voltage regulators is slack to linear inequality constraints based on the branch and bound method to obtain the optimal gear of the step voltage regulators. Finally, the improved IEEE 33 node distribution network is used to verify that the proposed voltage control strategy can give full play to the advantages of step voltage regulator, effectively solve the problem of distribution network voltage over-limit and promote distributed photovoltaic consumption.

Keywords： Distribution network ; step voltage regulator ; distributed voltage control ; alternating direction multiplier method ; branch and bound method

PDF (306KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

冯雪, 党东升, 张坤, 田星, 屈高强. 计及线路调压器的光伏高渗透率配电网电压控制策略. 电气工程学报[J], 2022, 17(3): 177-183 doi:10.11985/2022.03.021

FENG Xue, DANG Dongsheng, ZHANG Kun, TIAN Xing, QU Gaoqiang. Voltage Control Strategy for Distribution Network with Photovoltaic High-penetration Considering Step Voltage Regulator. Chinese Journal of Electrical Engineering[J], 2022, 17(3): 177-183 doi:10.11985/2022.03.021

1 引言

随着新能源技术的发展,越来越多的分布式光伏接入配电网中,对配电网的潮流走向等产生了较大影响[1-2]。而光伏渗透率过高可能产生过电压的问题,对配电网安全供电造成威胁,因此有必要对光伏高渗透率下的配电网电压控制策略进行研究。

配电网电压控制问题既包含连续变量又包含离散变量,属于混合整数非线性模型,已有很多学者基于集中电压控制模式,对其求解方法进行了研究,结果表明通过无功优化和网络重构等手段相配合能有效消除电压越限[3⇓⇓⇓-7]。但集中电压控制在实际应用中有较多的缺点,比如投资成本高、通信负担重、系统鲁棒性差等[8]。而分布式电压控制模式仅需要本地集群和相邻集群的信息[9⇓-11],能够对配电网灵活控制,且受通信故障的影响小,因此受到了广泛关注。

目前,学者对分布式电压控制方法的研究集中于集群间协调控制,通常的做法是添加一致性等式约束,利用一致性算法、交替方向乘子法(Alternating direction method of multipliers,ADMM)等分布式优化算法求解[11⇓⇓⇓-15]。ADMM作为一种求解具有可分结构的凸优化问题的方法,具有处理速度快、收敛性能好的优点,得到了广泛的应用。电压控制中由于潮流方程的存在,模型通常是非凸的,不符合ADMM的收敛条件,因此文献[11,14⇓⇓-17]中引入了二阶锥松弛、半定松弛和LinDistFlow等方法处理潮流方程,产生了较好的效果。线路调压器(Step voltage regulator,SVR)是一种能够自动调节变比来保证输出电压稳定的装置,具有较好的调压效果[18],但其会给电压控制模型带来整数变量,导致模型非凸,致使ADMM算法不收敛,而上述方法只能处理连续变量,对整数变量没有很好的适用性。

基于上述问题,本文提出了计及SVR的光伏高渗透率配电网分布式电压控制策略。首先,以光伏有功出力削减费用和配电网网损费用之和为目标,构建集群自主电压控制模型,利用LinDistFlow线性化潮流模型,将SVR约束暂时松弛;其次,建立集群间协调控制模型,添加全局变量和一致性约束,建立目标函数的增广拉格朗日形式,利用ADMM算法迭代求解;再次,基于分支定界算法(Branch and bound method,BBM)将SVR挡位的整数约束松弛为线性不等式约束,把电压控制问题的解空间反复分割为越来越小的子集,直到求到SVR挡位的最优整数解;最后,通过改进的IEEE 33节点配电网验证了策略的有效性和合理性。

2 集群自治优化

2.1 集群划分原则

SVR是一种能够自动调节变比来保证输出电压稳定的装置。在负载较重的线路中端或末端安装SVR能够改善整条线路的电压质量,降低网损,提高经济效益,其安装位置可依据现有的集群划分方法[11,19 -20]。本文以SVR为边界将配电网划分为若干个集群,如图1所示。SVR一次侧节点所在集群称为上游集群,二次侧节点所在集群称为下游集群。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   集群划分示意图


2.2 基于LinDistFlow的集群自主电压控制模型

集群自主电压控制是通过优化集群内光伏有功出力和无功出力,以尽量小的经济成本消除内部节点电压越限问题。鉴于潮流方程的非线性对求解带来的困难,本文采用LinDistFlow模型对潮流方程线性化,其准确性已在文献[11]中得到验证。集群自主电压控制模型的目标函数为

$\min {{f}_{k}}={{C}_{PV}}\sum\limits_{j\in {{C}_{k}}}{{{P}_{decj}}+{{C}_{loss}}\sum\limits_{j\in {{C}_{k}},i\in K(.,j)}{{{R}_{ij}}\frac{P_{ij}^{2}+Q_{ij}^{2}}{{{U}_{a}}}}}$

式中,fk为第k个集群自主电压控制的目标函数,由两部分组成,第一部分为光伏有功出力削减费用,第二部分为配电网网损费用;CPV为单位光伏出力收益;Pdecj为节点j处光伏有功出力削减量;Ck为第k个集群中配电网节点集合;Closs为单位网损费用;K(.,j)为集群Ck中节点j的父节点集合;Rij为线路ij的电阻;Pij和Qij分别为线路ij流过的有功功率和无功功率;Ua为集群首端节点参考电压的平方。式(1)表示集群内部以经济性最优为目标进行电压控制。

集群自主电压控制模型需要满足如下约束

$\left\{ \begin{matrix} \sum\limits_{i\in K(.,j)}{{{P}_{ij}}-{{P}_{j}}=\sum\limits_{l\in K(j,.)}{{{P}_{jl}}}\ \ \ \ \ } \\ \sum\limits_{i\in K(.,j)}{{{Q}_{ij}}-{{Q}_{j}}=\sum\limits_{l\in K(j,.)}{{{Q}_{jl}}}\ \ \ \ } \\ {{U}_{j}}={{U}_{i}}-2({{R}_{ij}}{{P}_{ij}}+{{X}_{ij}}{{Q}_{ij}}) \\ \end{matrix} \right.$

式中,Pj和Qj分别为节点j注入或消耗的有功功率和无功功率;K(j,.)为节点j的子节点集合;Uj为节点j电压的平方;Xij为线路ij的电抗。式(2)为LinDistFlow潮流模型中的功率平衡约束。

$\left\{ \begin{matrix} {{P}_{j}}={{P}_{Lj}}-({{P}_{Gj,\max }}-{{P}_{decj}})+\sum\limits_{jl\in {{L}_{B}}}{{{P}_{jl}}}\ \ \\ {{Q}_{j}}={{Q}_{Lj}}-{{Q}_{Gj}}+\sum\limits_{jl\in {{L}_{B}}}{{{Q}_{jl}}\begin{matrix} {} & \begin{matrix} {} & \begin{matrix} {} & {} \\ \end{matrix} \\ \end{matrix} \\ \end{matrix}} \\ \end{matrix} \right.$

式中,PLj和QLj分别为节点j的有功负荷和无功负荷;PGj,max为节点j处光伏的最大有功出力;QGj为光伏的无功出力;LB为集群k与其下游集群相连的线路集合;Pjl和Qjl为集群间线路传输的有功功率和无功功率,本文将下游集群等效为上游集群边界节点j处的负荷,如图1中$P_{ij}^{*}$所示。由于该阶段不考虑集群间通信,可以假设集群k外的集群中调度方案不变,因此$P_{ij}^{*}$可以通过电压控制前的潮流计算得到。

$V_{\min }^{2}\le {{U}_{j}}\le V_{\max }^{2}$
${{U}_{a}}\text{=(}V_{a}^{M}{{\text{)}}^{2}}\begin{matrix} {} & a\in {{C}_{k}} \\ \end{matrix}\cap {{C}_{k-1}}$

式中,Vmin和Vmax分别为电压幅值上下限。VaM为集群首端节点a,即SVR二次侧的参考电压,可以通过电压控制前的潮流计算得到。式(4)和式(5)是LinDistFlow潮流模型中的电压约束。

${{U}_{i}}\text{=}{{U}_{a}}\begin{matrix} {{({{n}_{SVR}}\cdot {{S}_{SVR}}+1)}^{2}} & {} \\ \end{matrix}i\in {{C}_{k-1}}\cap {{C}_{k}}$

式中,Ui为该集群所连上游集群的末端边界节点电压,即SVR一次侧电压的平方,可以通过电压控制前的潮流计算得到;${{n}_{SVR}}$为SVR的档位,属于整数变量;SSVR为每档的调压幅度。式(6)为SVR约束,但该公式出现了整数变量以及变量相乘的形式,带来了非凸性,因此在集群首次电压控制中将其松弛为如下形式

${{U}_{i}}\text{=}{{U}_{a}}\begin{matrix} {{({{n}_{SVR}}\cdot {{S}_{SVR}}+1)}^{2}} & {} \\ \end{matrix}i\in {{C}_{k-1}}\cap {{C}_{k}}$

式中,nSVR,max和nSVR,min分别为SVR档位的最大值和最小值。式(7)将SVR档位约束松弛,其整数解将利用第3.2节中的分支定界算法求取。

$\left\{ \begin{matrix} 0\le {{P}_{decj}}\le {{P}_{Gj,\max }}\begin{matrix} {} & {} & {} & {} \\ \end{matrix} \\ \left| {{Q}_{Gj}} \right|\le ({{P}_{Gj,\max }}-{{P}_{decj}})\tan \theta \\ \end{matrix} \right.$

式中,$\theta $为光伏最小功率因数时的角度,本文设定最小功率因数为0.95。式(8)为光伏的出力约束,且光伏逆变器既可以吸收无功功率,也可以发出无功功率。

3 集群间分布式协调控制

3.1 基于ADMM的协调控制模型

由于集群自治优化阶段,集群间不进行通信,而配电网中线路潮流和节点电压状态在此期间发生了改变。因此集群自主电压控制模型是建立在假设的边界节点电压、边界线路潮流基础上,虽然能够快速消除电压越限问题,但由于各集群间的边界值缺乏一致性,无法得到全局最优解,容易导致增加光伏的发电损耗。为实现电压控制的全局优化,采用基于ADMM的集群间分布式协调控制模型,在各集群并行自主电压控制后,相邻集群交换边界数据并更新边界数据的全局值,之后进行新一轮的集群并行自主优化,直到边界数据收敛为止。

为保证模型的收敛性,需要添加集群间线路传输功率的全局变量和一致性约束

$\left\{ \begin{matrix} P_{ij}^{*}={{x}_{ij}}\begin{matrix} {} & {{x}_{ij}}={{P}_{ij}} \\ \end{matrix} \\ Q_{ij}^{*}={{y}_{ij}}\begin{matrix} {} & {{y}_{ij}}={{Q}_{ij}} \\ \end{matrix} \\ \end{matrix} \right.$

式中,xij和yij分别为集群间线路传输有功功率和无功功率的全局变量。那么,式(1)的增量拉格朗日函数可表示为

$\begin{matrix} {{L}_{k}}={{f}_{k}}+\sum\limits_{am\in {{L}_{B}},m\in {{C}_{k}}}{[\rho {{({{x}_{am}}-{{P}_{am}})}^{2}}+{{\lambda }_{P,am}}\cdot }({{x}_{am}}-{{P}_{am}})+ \\ \rho {{({{y}_{am}}-{{Q}_{am}})}^{2}}+{{\lambda }_{Q,am}}({{x}_{am}}-{{Q}_{am}})]\text{+} \\ \sum\limits_{ij\in {{L}_{B}},i\in {{C}_{k}}}{[\rho {{({{x}_{ij}}-{{P}_{ij}})}^{2}}+{{\lambda }_{P,ij}}({{x}_{ij}}-{{P}_{ij}})}\text{+} \\ \rho {{({{y}_{ij}}-{{Q}_{ij}})}^{2}}+{{\lambda }_{Q,ij}}({{x}_{ij}}-{{Q}_{ij}})] \\ \end{matrix}$

式中,$\rho $为惩罚系数;${{\lambda }_{P,am}}$和${{\lambda }_{Q,am}}$分别为集群Ck与上游集群相连线路传输有功功率和无功功率的拉格朗日乘子;${{\lambda }_{P,ij}}$和${{\lambda }_{Q,ij}}$分别为集群Ck末端边界节点j等效有功负荷和无功负荷的拉格朗日乘子。

基于ADMM算法的集群间分布式协调控制模型流程如下。

(1) 初始化：初始化全局变量、拉格朗日乘子,并进行潮流计算初始化边界节点等效负荷和电压。

(2) 集群分布式并行优化：各集群以式(10)为目标函数,以式(2)~(8)为约束并行进行集群自主电压控制,得到局部光伏最优调度方案和与相邻上下游集群间的边界数据Bup={Pam, Qam}和Bdown={P*am, Q*am}。

(3) 更新全局变量和拉格朗日乘子：相邻集群交换边界数据,集群按照式(11)和式(13)更新与其上游集群边界数据的全局变量和拉格朗日乘子,按照式(12)和式(14)更新与其上游集群边界数据的全局变量和拉格朗日乘子。

$\left\{ \begin{matrix} x_{am}^{(k+1)}=0.5\times (P_{am}^{*(k+1)}+P_{am}^{(k+1)}) \\ y_{am}^{(k+1)}=0.5\times (P_{am}^{*(k+1)}+P_{am}^{(k+1)}) \\ \end{matrix} \right.$
$\left\{ \begin{matrix} x_{ij}^{(k+1)}=0.5\times (P_{ij}^{(k+1)}+P_{ij}^{*(k+1)}) \\ y_{ij}^{(k+1)}=0.5\times (P_{ij}^{(k+1)}+P_{ij}^{*(k+1)}) \\ \end{matrix} \right.$
$\left\{ \begin{matrix} \lambda _{P,am}^{(k+1)}=\lambda _{P,am}^{(k)}+\rho (x_{am}^{(k+1)}-P_{am}^{(k+1)}) \\ \lambda _{Q,am}^{(k+1)}=\lambda _{Q,am}^{(k)}+\rho (y_{am}^{(k+1)}-Q_{am}^{(k+1)}) \\ \end{matrix} \right.$
$\left\{ \begin{matrix} \lambda _{P,ij}^{(k+1)}=\lambda _{P,ij}^{(k)}+\rho (P_{ij}^{*(k+1)}-x_{ij}^{(k+1)}) \\ \lambda _{Q,ij}^{(k+1)}=\lambda _{Q,ij}^{(k)}+\rho (Q_{ij}^{*(k+1)}-y_{ij}^{(k+1)}) \\ \end{matrix} \right.$

(4) 计算各集群间边界数据的原始残差和对偶残差：原始残差r(k+1)指第k+1次迭代中各集群的边界数据和全局变量的差值,对偶残差s(k+1)指第k+1次迭代的全局变量和第k次迭代的全局变量的差值。

(5) 判断是否满足收敛条件：收集所有集群的原始残差和对偶残差,找出其最大值,判断是否满足收敛精度,若满足则输出各集群光伏调度方案作为全局最优解,若不满足则返回步骤(2)。

3.2 基于BBM的SVR档距求解方法

第3.1节中基于ADMM的集群间协调控制模型收敛后能够得到各SVR两侧电压Vi和Va,进而计算出各SVR的挡位nSVR,若nSVR均为整数,则满足约束式(6),按照nSVR调整SVR挡位即可;若存在nSVR不是整数,则需要基于BBM对模型进行调整。

(1) 分支：将所有SVR的挡位排序,选取第一个非整数解的nSVR将其分割为两个最接近的整数,并构造约束如下

$U_{i}^{(k+1)}\le U_{a}^{k}{{([{{n}_{SVR}}]\cdot {{S}_{SVR}}+1)}^{2}}$
$U_{a}^{(k+1)}\ge U_{i}^{k}/{{([{{n}_{SVR}}]\cdot {{S}_{SVR}}+1)}^{2}}$
$U_{i}^{(k+1)}\ge U_{a}^{k}{{(([{{n}_{SVR}}]+1)\cdot {{S}_{SVR}}+1)}^{2}}$
$U_{a}^{(k+1)}\ge U_{i}^{k}/{{(([{{n}_{SVR}}]+1)\cdot {{S}_{SVR}}+1)}^{2}}$

将约束式(6)替换为约束式(15)、(16)构造子问题LP1,将约束式(6)替换为约束式(17)、(18)构造子问题LP2,其中约束式(15)、(17)对应上游集群,约束式(16)、(18)对应下游集群,按照第3.1节的方法分别求解LP1和LP2。

(2) 定界：比较各子问题的目标函数值,选取其中的最小值作为下界fLB;若存在所有挡位均是整数解的子问题,则选取其中目标函数最小值作为上界fUB;若不存在所有挡位均是整数解的子问题,设置上界为正无穷。

(3) 剪枝：若求解子问题得到的目标函数值大于当前的上界,则剪掉这一子问题,无需对其再进行分支。

(4) 若已经遍历所有分支,则输出当前上界对应子问题的整数最优解作为SVR挡位的最优解;否则返回步骤(1)继续进行分支。

本文提出的计及线路调压器作用的光伏高渗透率配电网电压控制流程如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   电压控制流程图


4 算例分析

4.1 算例概况

本文采用改进的含分布式光伏的IEEE 33节点配电系统算例验证所提电压控制模型的有效性与合理性,在Matlab R2014a中调用CPLEX12.6.0求解器求解该模型,试验PC机CPU为i7 6700hq,主频为2.6 GHz,内存为16 GB,模型求解时间为48.367 s。IEEE 33节点的拓扑结构和光伏安装位置如图3所示,设置节点1为平衡节点,电压标幺值为1.02 p.u.,系统安全电压范围为0.93~1.07 p.u.。光伏总安装容量为5.4 MV·A,渗透率达到146%,运行功率因数为0.95,各节点安装光伏容量如表1所示。该系统在多个时刻都会出现潮流倒送导致的过电压问题,本文选取最严重时刻为代表,此时共有13个节点过电压,系统倒送有功功率从高达1.58 MW,各光伏输出功率约为安装容量的85%。将该配电系统划分为3个集群,相邻集群间安装双向SVR,每个SVR有32个挡位,每档调压幅度为0.625%。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   IEEE 33节点配电系统


表1   各节点光伏安装容量

节点容量/(MV·A)
14、18、25、300.5
11、330.6
4、220.7
260.8

新窗口打开| 下载CSV


4.2 算例结果与分析

(1) SVR挡位计算过程与结果。

1) 在松弛约束式(6)的前提下,按照第2.1节的方法求解电压控制模型,得到SVR两侧的电压幅值,分别计算SVR1和SVR2的挡位实数解为1.566和7.044,目标函数f0=52.63;由于SVR的挡位存在非整数解,按照第2.2节方法将其分支,构造子问题LP1和LP2,设置下界为52.63,上界为正无穷。

2) 分别求解LP1和LP2,得到LP1中SVR挡位分别为1和7.869,目标函数f1=71.86;LP2中SVR挡位分别为2和6.986,目标函数f2=57.58;由于f2< f1,按照第2.2节方法将其分支,构造子问题LP3和LP4,并更新下界为57.58,上界为正无穷。

3) 分别求解LP3和LP4,得到LP3中SVR挡位分别为2和6,目标函数f3=63.05;LP4中SVR挡位分别为2和7,目标函数f4=60.76;由于LP3和LP4的SVR挡位已经都是整数解,且f4<f3,因此更新上界为60.76。

4) 由于子问题LP1的目标函数值f1大于当前上界,因此剪去LP1这一分支。

5) 至此已遍历所有分支,因此SVR的最优档距分别为2和7。

(2) 不同场景结果对比分析。本文共设置三种场景进行对比分析,第一种场景是不考虑SVR的作用,利用文献[11]的方法进行电压控制;第二种是仅利用SVR调压,不考虑与光伏配合;第三种是本文所提方法。三种场景下电压控制结果如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   各场景电压仿真结果


由图4可知,场景一和场景三中的电压控制方法均能有效将各节点电压控制在允许范围内,而场景二中仅依靠SVR无法完全消除过电压问题,节点18电压高达1.079 7。将场景一和场景三优化结果进行对比,如表2所示。

表2   各场景优化结果对比

参数场景一场景三
总有功削减量/MW0.022 40
总无功补偿量/MVar0.374 50.386 1
总网络损耗/MW0.152 30.115 9
节点电压最大值1.051.05
目标函数值/元78.8460.76

新窗口打开| 下载CSV


由表2可知,场景三中光伏有功出力削减量略低、总无功补偿量和总网络损耗略高,这是由于场景三中能够充分发挥SVR的调压优势,适当增加光伏无功补偿量,减少甚至避免了分布式光伏有功出力的削减。虽然由无功补偿量较大造成网络损耗也偏大,但由于避免了光伏的有功出力削减,场景三总成本60.76元要明显低于场景一的总成本78.84元,说明本文所提方法能够充分发挥SVR的调压优势,与分布式光伏相配合维持系统安全经济运行。

将本文方法与文献[8]中配电网集中电压控制方法比较,结果如表3所示。可见区域协调优化能达到与集中优化相近的控制效果,保证了控制精度。网络最高电压、光伏变流器有功削减功率、线路调压器档位等相同,目标函数和光伏变流器无功功率等较大,这是由原始残差和对偶残差导致的。残差大小跟收敛速度有关,受惩罚参数影响极大。惩罚参数的选择有待进一步研究。同时,集中控制的求解时间远大于协调控制的求解时间,说明本文提出的协调控制方法在保证求解精度的前提下能够减少求解时间,降低系统的通信负担和计算负担。

表3   集中控制与协调控制结果对比

参数集中控制协调控制
总有功削减量/MW00
总无功补偿量/MVar0.380 20.386 1
节点电压最大值1.051.05
SVR挡位2/72/7
求解时间/s101.58448.367
目标函数值/元60.4760.76

新窗口打开| 下载CSV


5 结论

针对光伏高渗透率配电网中的电压越限问题,提出了一种计及线路调压器作用的配电网分布式电压控制策略,其具备的优点如下所述。

(1) 所提策略仅需相邻集群间交换所需信息,无需中央控制器统一控制,减少了通信成本并提高了系统的鲁棒性。

(2) 所提策略能够充分发挥线路调压器的优势,使其与分布式光伏充分配合,提高配电网运行的经济性和安全性。

需要指出的是,本文的研究只针对某一时间断面,可作为在线计算工具解决当前时刻配电网电压越限问题。后续可针对一段时间周期内的电压控制,考虑线路调压器动作次数等约束展开研究,为日前电压控制提供参考依据。

参考文献

郭清元, 吴杰康, 莫超, 等.

基于混合整数二阶锥规划的新能源配电网电压无功协同优化模型

[J]. 中国电机工程学报, 2018, 38(5):1-12.

[本文引用: 1]

GUO Qingyuan, WU Jiekang, MO Chao, et al.

Cooperative optimization model of voltage and reactive power for new energy distribution network based on mixed integer second-order cone programming

[J]. Proceedings of the CSEE, 2018, 38(5):1-12.

[本文引用: 1]

金豪圣, 曹炜, 邹龙, 等.

考虑分布式光伏低电压穿越的配电网改进短路电流计算

[J]. 电测与仪表, 2020, 57(5):1-9.

[本文引用: 1]

JIN Haosheng, CAO Wei, ZOU Long, et al.

Improved short-circuit current calculation for distribution network considering distributed photovoltaic with capability low voltage ride-through

[J]. Electrical Measurement & Instrumentation, 2020, 57(5):1-9.

[本文引用: 1]

CHEN S, HU W, CHEN Z.

Comprehensive cost minimization in distribution networks using segment-ed-time feeder reconfiguration and reactive power control of distributed generators

[J]. IEEE Transactions on Power Systems, 2016, 31(2):983-993.

DOI:10.1109/TPWRS.2015.2419716      URL     [本文引用: 1]

ZHANG D, FU Z, ZHANG L, et al.

Joint optimization for power loss reduction in distribution systems

[J]. IEEE Transactions on Power Systems, 2008, 23(1):161-169.

DOI:10.1109/TPWRS.2007.913300      URL     [本文引用: 1]

AHMADI H, MAITI J R.

A framework for volt-VAR optimization in distribution systems

[J]. IEEE Transactions on Smart Grid, 2015, 6(3):1473-1483.

[本文引用: 1]

TIAN Z, WU W, ZHANG B, et al.

Mixed integer second order cone programing model for VAR optimization and network reconfiguration in active distribution networks

[J]. IET Generation Transmission & Distribution, 2016, 10(8):1938-1946.

[本文引用: 1]

ZHENG W, WU W, ZHANG B, et al.

A fully distributed reactive power optimization and control method for active distribution networks

[J]. IEEE Transactions on Smart Grid, 2016, 7(2):1021-1033.

[本文引用: 1]

KYRUAKI E, ANTONIADOU P, IASONAS N, et al.

Distributed and decentralized voltage control of smart distribution networks:Models,methods,and future research

[J]. IEEE Transactions on Smart Grid, 2017, 8(6):2999-3008.

[本文引用: 2]

胡若男, 王玮, 吴学智, 等.

含智能软开关的主动配电网3阶段鲁棒电压控制方法

[J]. 高电压技术, 2020, 46(3):1-11.

[本文引用: 1]

HU Ruonan, WANG Wei, WU Xuezhi, et al.

Three-stage robust voltage control method for active distribution network with soft open points

[J]. High Voltage Engineering, 2020, 46(3):1-11.

[本文引用: 1]

张赟宁, 石泽.

基于快速搜索与发现密度峰值聚类算法的含有分布式光伏的配电网电压分区协调控制

[J]. 现代电力, 2020, 37(1):35-41.

[本文引用: 1]

ZHANG Yunning, SHI Ze.

Voltage partition coordinated control of distribution network with distributed photo-voltaic based on CFSFDP algorithm

[J]. Modern Electric Power, 2020, 37(1):35-41.

[本文引用: 1]

CHAI Y, GUO L, WANG C, et al.

Network partition and voltage coordination control for distribution networks with high penetration of distributed PV units

[J]. IEEE Transactions on Power Systems, 2018, 33(3):3396-3407.

[本文引用: 6]

FREDERIC O, PETROS A, DAMIEN E, et al.

Active management of low-voltage networks for mitigating overvoltages due to photovoltaic units

[J]. IEEE Transactions on Smart Grid, 2016, 7(2):926-936.

DOI:10.1109/TSG.2015.2410171      URL     [本文引用: 1]

ABESSI A, VAHIDINASAB V, GHAZIZADEH M.

Centralized support distributed voltage control by using end-users as reactive power support

[J]. IEEE Transactions on Smart Grid, 2016, 7(1):178-188.

DOI:10.1109/TSG.2015.2410780      URL     [本文引用: 1]

ZHANG W, WU W, ZENG B, et al.

A fully distributed reactive power optimization and control method for active distribution networks

[J]. IEEE Transactions on Smart Grid, 2016, 7(2):1021-1033.

[本文引用: 2]

DALL E, ZHU H, GIANNAKIS G.

Distributed optimal power flow for smart microgrids

[J]. IEEE Transactions on Smart Grid, 2013, 4(3):1464-1475.

DOI:10.1109/TSG.2013.2248175      URL     [本文引用: 2]

林哲, 胡泽春, 宋永华.

最优潮流问题的凸松弛技术综述

[J]. 中国电机工程学报, 2019, 39(13):3717-3728.

[本文引用: 1]

LI Zhe, HU Zechun, SONG Yonghua.

Convex relaxation for optimal power flow problem: A recent review

[J]. Proceedings of the CSEE, 2019, 39(13):3717-3728.

[本文引用: 1]

刘健辰, 刘山林.

基于二阶锥松弛和Big-M法的配电网分布式电源优化配置

[J]. 电网技术, 2018, 42(8):2604-2611.

[本文引用: 1]

LIU Jianchen, LIU Shanlin.

Optimal distributed generation allocation in distribution network based on second order conic relaxation and Big-M method

[J]. Power System Technology, 2018, 42(8):2604-2611.

[本文引用: 1]

李刚, 黄伟, 勾勇, 等.

基于中压线路调压器的配电网低压治理方法研究

[J]. 电力设备管理, 2020, 12(2):44-45.

[本文引用: 1]

LI Gang, HUANG Wei, GOU Yong, et al.

Research on low voltage treatment method of distribution network based on medium voltage step voltage regulator

[J]. Power Management Equipment, 2020, 12(2):44-45.

[本文引用: 1]

寇凌峰, 徐毅虎, 侯小刚.

一种大规模分散光伏接入配电网的集群划分方法

[J]. 可再生能源, 2019, 37(4):525-530.

[本文引用: 1]

KOU Lingfeng, XU Yihu, HOU Xiaogang.

Cluster partition method for large scale distributed photovoltaic in distribution network

[J]. Renewable Energy Resources, 2019, 37(4):525-530.

[本文引用: 1]

胡迪, 丁明, 毕锐.

基于集群划分的网-源-储多目标两步规划

[J]. 电力系统自动化, 2020, 44(2):95-106.

[本文引用: 1]

HU Di, DING Ming, BI Rui.

Two-step planning of grid resource storage based on cluster partition

[J]. Automation of Electric Power Systems, 2020, 44(2):95-106.

[本文引用: 1]

/

〈 〉