Page 77 - 电力与能源2024年第三期

张晶晶，等：计及风光资源不确定性的独立型微电网容量优化配置 351

已知 f 1 ( x，ω )为确定性优化模型目标函数，x 式中 U P——第 t个时刻微网的电源损失状态，当
t
t
t
为决策变量，ω 为随机变量，其概率密度函数为 t时刻微网中电源出力过剩，U P = 1，否则 U P = 0。
ξ ( ω )，在给定置信水平 β 下，VaR 和 CVaR 的值可 在实际应用中，电源出力过剩时刻过多和能
分别表示如下： 量缺额过大都会影响可再生能源的利用率， k PLR
越小，表明可再生能源的利用率越高。
VaR β = min{ω ∈ R，ψ ( x，ω )≥ β} （11）
1 3 微网运行控制策略和求解方法
CVaR β = ∫ f 1 ( x，ω ) ξ ( ω ) dω（12）
1 - β f 1 ( x，ω )≥ VaR β
3.1 运行控制策略
∫ ξ ( ω ) dω （13）
ψ ( x，ω )=
f 1 ( x，ω )≤ α 微网运行控制策略决定了各类分布式电源出
式中 ψ ( x，ω )——f 1 ( x，ω )小于阈值 α 的概率。 力的优先次序，其对最后的微网优化配置结果影
在实际应用中还需对概率密度函数 ξ ( ω ) 进 响较大。本文采用的运行控制策略的控制流程总
结如下。
行离散化处理，离散化的概率密度函数 ξ ( ω )表示
（1）当风机及光伏发电量之和大于负荷时，

风光出力的 q 种组合场景，可通过 LHS 方法求得。
由风机和光伏给负荷供电。若此时电池储能系统
将 离 散 随 机 变 量 ξ ( ω ) 带 入 式（12），并 结 合 式
有可充电容量，则用剩余电量给储能系统充电。
（11），得到随机优化模型的风险度量函数：
当电池储能系统无可充电容量不能继续储存剩余
q
1
Q [ x，ξ ( ω ) ]= α + λ ∑ p k [ f ( x，ω k )- 电量时，则将其直接丢弃，产生能量浪费。
(1 - β ) k = 1
（2）当风机及光伏发电量之和小于负荷时，

α ] + （14）
优先由蓄电池储能系统放电来提供功率，如果仍
+
[ μ ] = max ( [ 0，μ ] ) （15）
不能满足负荷需求，则启动柴油发电机给负荷供
式中 α——置信水平为 β 时的 VaR 值；p k——第
电。当风机、光伏、蓄电池和柴油机都工作仍不能
k 种风光出力组合场景的概率。
满足负荷要求时，微网就会出现功率缺额。
2.3 风险评估指标
3.2 模型求解方法
为检验配置结果的可靠性和合理性，本文从
选取独立微网中风机台数 N wt、光伏台数 N pv、
发 电 和 用 电 两 个 角 度 评 估 独 立 型 微 网 的 运 行
柴油发电机台数 N die 和蓄电池个数 N bat 为优化变
性能。
量，本文求解问题为单目标非线性整数规划问题，
负荷损失风险（LLR）指标用于描述负荷损失
所以选择二进制粒子群优化算法进行求解。
概率和负荷损失严重性 ［11］ ，求解公式如下：
基于粒子群优化算法的随机优化模型求解流
T T
t
t
∑ U L ∑ P short 程如图 3 所示。
k LLR = t = 1 t = 1 （16）
T P LOAD 4 仿真算例
t
式中 U L——第 t 个时刻微网的负荷损失状态，
t
t
如果 t时刻微网切负荷， U L = 1，否则 U L = 0。 4.1 仿真数据
以某地区一年的气象数据和当地 200 个用户
在实际应用中，切负荷时刻过多和功率缺额
一年的实际用电数据为基础，采用本文提出的优
过大都会影响微网的供电性能， k LLR 越小，表明微
化配置模型和求解算法进行微网容量优化配置。
网的运行可靠性越好。
数据采样间隔为 1 h，全年 8 760 h 的风速、辐照度、
电源损失风险（PLR）指标用于描述电源损失
和负荷曲线分别如图 4~图 6 所示。选取单台风
概率和电源损失严重性，计算公式如下：
机的额定功率为 10 kW；单个光伏电池板的额定功
T T
t
t
∑ U P ∑ P waste 率为 1 kW；单台柴油发电机的额定功率为 10 kW；
k PLR = t = 1 t = 1 （17）
T P LOAD 单个蓄电池的额定容量为 25 kWh，额定功率为