含智慧社区能量枢纽配电网三相不平衡动态潮流模型预测控制方法

马瑞1*,王京生1,吕振华2,李强2,袁晓冬2,赵宇鑫1


(1.长沙理工大学电气与信息工程学院,湖南省 长沙市 410114;2.国网江苏省电力有限公司电力科学研究院,江苏省 南京市 210000)

摘要

分布式能源具有分散性及不确定性,直接接入配电网将对潮流产生较大影响,增加配电网的调控难度。如何在兼顾系统经济、环保、安全运行的前提下,提高配电网对分布式能源的消纳和主动管理控制水平成为研究的重点。针对多能源接入配电网对配电网潮流及优化控制问题,提出一种含智慧社区多能枢纽的三相不平衡配电网动态潮流分析方法。根据智慧社区分布式风电、光伏出力及负荷的波动,考虑社区冷热电联供、电动汽车、储能设备等的技术经济特性,通过能源集线器实现社区与配电网的能量交互,并利用模型预测控制方法对配电网进行在线滚动潮流计算,基于IEEE-33节点系统分析在社区中不确定因素及配网三相不平衡负荷波动下,不同时刻的配电网潮流变化情况。算例结果分析了社区不确定性及配网各节点负荷变化时对配电网潮流的影响,为提高系统安全运行提供了参考。

关键词 : 主动配电网;模型预测控制;动态潮流;三相不平衡;能源集线器

0 引言

具有分散性与不确定性的分布式能源大规模并网,以及大量电动汽车和各种储能设备直接接入配电网,将对配电网潮流产生重大影响,增加配电网的调控难度[1-3];又由于配网系统直接面向智能终端用户,对供电可靠性和电能质量提出更高的要求,如何在兼顾系统经济、环保、安全运行的前提下[4],提高配电网对分布式能源的消纳和主动管理控制水平成为研究的重点。

在配电网系统中,由于三相参数不对称、三相负荷不平衡问题的存在,使得配电网的三相电压、电流不再对称,造成电能质量和配变出力下降,严重时会危及配网设备安全,对配网安全、经济运行和可靠供电产生严重的影响,造成不必要的能源损耗。当前,对配电网三相潮流不平衡问题主要有以下解决方案:加强台区管理,接入智慧社区能量枢纽作为一种台区控制器治理配网三相不平衡;采用增强型无功补偿装置,不仅能够解决配网三相电流不平衡问题,而且能够实现配网系统的无功补偿,但无法解决配电台区低压线路的三相不平衡问题。因此,关于不对称配网三相潮流和状态估计方法的研究已成为当今各国极为关注的研究课题,具有重要的理论价值和实用意义[5]

为使配网潮流实现三相平衡,传统方法需要把配电和负荷有效结合起来,根据季度和时间段用电的不同情况,科学制定电网调度运行计划,并根据实际用电终端特点,及时调整配电网的运行方式,使电能实现供需平衡。所以想要使电能质量得到提升,管理人员应该掌握临时性和季节性的用户特征,并在单相用电设备的管理中实施科学的申请和搭配,从而在接入配网前及时治理三相不平衡。

当前,配电系统的潮流及状态估计计算通常按三相对称系统来处理。随着电力系统的发展,在配网系统中接入越来越多的分布式能源,造成配网三相参数不对称和三相负荷不平衡问题越发突出,普遍存在三相不平衡接地或不接地、混合两相或单相运行的情况。因此,建立能精确反映不对称配网实际运行状态的三相潮流及状态估计方法成为配电管理系统中亟需解决的关键问题。

针对分布式能源接入配电网造成配网潮流三相不平衡问题,现有两类处理方法。一类是将分布式电源按不同节点类型直接接入配电网,然后通过优化控制出力,进行配网重构,提高资源利用率。如文献[5]在区域综合能源系统最优潮流算法中融入网络重构的方法,以提高清洁能源渗透率并降低系统运行成本;文献[6-7]针对分布式能源接入下配电网的电压控制,构建了兼顾配电网运行经济性与局部支路电压安全的双层电压控制模型;文献[8]以提高分布式能源消纳能力为目标,建立配电网动态重构模型,以提高能源利用率;文献[9]针对分布式电源接入配电网,考虑其出力预测的不确定性,采用多步动态滚动优化法,提出了基于模型预测控制的多时间尺度主动配电网多源协调优化调度策略,达到配电网最大消纳分布式能源的目的。但上述文献仅考虑风光这两种分布式能源,将其分散接入配电网,并未考虑CCHP系统并网运行情况及三相不平衡,且由于配电网重构次数限制,较难适应系统运行的实时性。

另一类是通过能源集线器(energy hub, EH)融合多种能源,将多种分布式能源、储能系统、负荷等作为一个综合智能单元单点接入配电网[10-11],文献[12]考虑中小型区域综合能源系统具有时变电价和灵活运行的特点,在EH模型的基础上提出一种分层优化模型;文献[13]提出了全新的子能源集线器建模结构,建立了考虑能源网能耗成本和环境成本的优化调度模型;文献[14]以智慧社区经济运行为目的,建立了综合考虑冷、热、电多能流多目标优化调度模型,并利用随机模型预测控制方法对多能流调度模型进行在线滚动优化。但其重点都在于微网中多能源的优化调度,并未考虑其并网时对配电网动态潮流的影响及配电网各节点负荷随时间变化的不确定性。

本文针对多能源接入的配电网潮流及优化控制问题,提出了一种通过EH将多种分布式能源集中单点接入配电网进行优化控制,并在线求解三相不平衡配电网动态潮流的方法。此方法综合考虑社区的实时能源价格、能源网经济及环保运行成本,建立了社区多能源网的优化调度模型,最后以IEEE-33节点配电网系统为例,考虑配电网系统负荷三相不平衡,分析了含多种分布式能源的EH接入下配电网动态潮流的变化。

1 智慧社区能量枢纽与配电网交互功率模型

智慧社区EH汇集了电、气、热、冷多种能源接入配电网,使配电网发展为具有互动性的智能网络,为此在进行配电网动态潮流计算时,需针对EH中各系统单元如分布式电源风机、光伏、CCHP系统及储能单元等的特性,建立综合考虑分布式能源不确定性、计及经济运行和环保指标的社区多能流优化模型。

1.1 EH的能量转换模型

EH中的电能可通过上级电网、分布式电源风机、光伏、微型可控式燃油发电机及CCHP系统中的微燃气轮机产生,热(冷)能可通过热网、CCHP系统中的余热吸收式冷暖机及电制热(冷)机获得,供给电负荷及冷(热)负荷。另外,也可通过储能系统及电动汽车单元的充放电进行能量交互。EH输入输出函数关系如下[10,15]

式中:分别表示在t时刻EH的电、热、天然气能源的输入量;H为需求响应值;分别表示在t时刻EH的电、热、冷能的输出量;分别为输入电量用于制热与制冷的比例;vt为燃气用于CCHP中微燃气轮机的比例;ηTηEHηEC分别为电力传输、电制热、电制冷的效率;ηHhηHc表示热能通过热交换机、吸收式制冷机的转换效率;ηCHPeηCHPh表示天然气通过微燃气轮机发电、制热转换效率;ηh为锅炉的热转换效率;ηCHPcηc表示天然气通过微燃气轮机与锅炉后经余热吸收式制冷机的转换效率;DeDhDc分别为电、热、冷负荷输出响应耦合系数;Ptc包括多种分布式电源及储能系统、电动汽车等的电能,关系如下:

式中:P tgt时刻EH与配电网的交互功率;t时刻接入EH的分布式电源风机、光伏及微型可控燃油发电机的发电功率;分别为t时刻储能与电动汽车充放电功率,放电为正,充电为负。

1.2 智慧社区能量枢纽优化模型

考虑智慧社区的经济与环保因素,以系统运行费用最小为目标,进行能量的最优分配,目标函数如下:

式中:φ1φ2分别为经济和环保运行指标权重;为系统经济运行成本,包含分布式可控发电设备维护成本和启停成本fDG、储能和电动汽车充放电成本fESS/EV、电网买电/卖电成本fg、可调度负载及可切负载调度惩罚费用fLc(k)、CCHP系统燃气成本C1F2为环保成本,是设备运行所产生的气体排放量与惩罚费用的函数,各成本函数表达式见附录A;L为系统源-荷-储设备功率平衡约束;为系统源-荷-储设备运行状态及时间约束。

2 含智慧社区EH配电网三相不平衡动态潮流模型

EH将多个能源网、储能、电动汽车及智能负载进行互联,使其作为能控能观的智能单元以集中单点形式并入配电网,与配电网进行能量交互,考虑实时能源价格及环保等因素,进行社区能量的最优分配。若智慧社区中能源网不能满足社区能量需求,可通过EH的能量交互装置向配电网购买所需电能,若能量过剩则可送入配电网或通过储能单元进行存储,实现多能互补,促进清洁能源消纳。

智慧社区在与配电网的能量交互过程中,随着社区中分布式电源出力、需求响应及能源价格在各时刻的不确定性变化,将使得与配电网交互功率在各时刻均不相同,甚至出现负值,即向配电网输送功率。为此,在分析社区最优能源分配的目标下,根据各时刻社区能量优化模型所得EH与配电网交换的功率值,考虑配电网一个周期内三相不平衡负荷的变化率,在线求解配电网动态潮流,分析对配电网潮流的影响。

智慧社区中分布式电源的无功出力及EH与配电网的无功功率可通过电容器组的自动投切获得,假定功率因数恒定[8],则无功功率为:

式中:tanσ分别为有功功率、无功功率及功率因数角正切;下标r ∈[A,B,C]表示第r相。

配电网各节点三相不平衡负荷功率预测模型:

式中:分别表示t时刻配电网第i节点处第r相的净有功功率和相应的无功功率;Δμ为各时刻控制变量,n为预测时域长度。

常规不含EH的配电网三相不平衡潮流方程[16]

式中:GijBij分别为节点间导纳的实部与虚部;Uiθij分别为节点电压幅值及相角。

在接入EH的情况下,t时刻接入点处配电网潮流方程:

式中分别为EH与配电网第r相交换的有功与无功功率。若,EH相当于负荷向配电网购电;EH相当于电源向配电网注入功率;表明社区中能量供需平衡,无需与配电网进行能量交互,相当于孤岛运行模式。

3 含智慧社区EH配电网三相不平衡动态潮流模型预测控制求解算法

社区通过EH以集中单点形式并入配电网,以社区能量最优分配为目标,EH作为配电网与社区实时信息交互中心,一方面根据负荷需求和社区优化的运行目标实现与配电网之间的能量交换;另一方面实时采集负荷需求、分布式电源出力、能源价格等信息,通过反馈校正环节更新系统相关参数,用于协调社区中由于数据预测的不确定性造成的源-荷-储设备间运行偏差。

在计算配电网潮流时根据EH在各时刻与配电网的交互功率值,利用模型预测控制方法在线滚动求解配电网潮流,可分为三个部分:预测、滚动优化、反馈校正[9]。具体步骤如下。

1)由风电、光伏、实时能源价格及负荷预测模型获得仿真时域T内的预测值作为输入变量;以系统数据采集单元获得当前时刻系统运行状态实际值作为初始值,设配电网平衡节点处电压为U0、各节点初始电压为k表示迭代次数。

2)以有功出力增量为控制变量,建立EH中各能源设备运行状态及配电网节点负荷功率预测模型。

3)利用混合整数二次规划法求解系统目标函数模型式(3),得未来各时刻EH中各能源设备运行状态值将其作为参考值,然后以预测值P(t+i|t)与参考值之间的偏差最小为最优控制目标,求解控制时域n内的控制变量序列Δμ

4)执行第1个控制变量序列,得t+1时刻各能源设备运行状态值及EH与配电网交互功率值根据式(4)确定电容器组的投切功率,即得该时刻接入EH的配电网节点负荷有功及无功功率;然后由前推回代法求解配电网潮流,各节点运算功率为节点i的对地导纳,由配电网末端负荷功率向首端逐步推算,求解各支路的功率分布,各支路始端功率前推公式为:

式中:为首次迭代时支路ij的功率损耗;Cj为除节点i外所有与节点j相连的节点集合。

其次,由支路功率从始端逐步回推,求各节点电压公式为:

式中:Rij为支路ij的电阻,Xij为支路ij的电抗。

最后以收敛判据判断收敛性,若满足则说明迭代收敛,输出迭代结果,否则继续迭代,直至收敛。

5)根据配电网潮流计算结果,分析配电网各节点电压变化率。在t+1时刻,以系统所测的实际值作为该时刻初始值,重复以上步骤,直至仿真时域结束,如图1所示。

图1 基于MPC的优化控制
Fig.1 Optimum control based on MPC

4 算例仿真及结果分析

4.1 系统参数

本文选取IEEE-33节点系统,将两个智慧社区作为PQ型节点分别接入配电网节点6与节点24,考虑配电网三相负荷不平衡。设两PQ型智慧社区并入配电网时的功率因数值为0.93,智慧社区内各设备参数值见文献[14],假设在同一时刻配电网各节点三相不平衡负荷的变化率与社区负荷变化率相同,EH与配网交互功率以三相平衡方式接入配电网,且两社区能源组成相同,冷、热、电负荷在各时刻功率不同。

IEEE-33节点参数及初始时刻各节点负荷功率见附录B。仿真时域为24 h,每隔0.5 h滚动求解系统最优模型及配电网潮流,配电网电压基准值取12.66 kV,基准容量为10 MW,平衡节点的相角取为0,该系统网络结构如图2所示。

图2 系统网络结构
Fig.2 System network structure

4.2 智慧社区分布式电源及负荷变化情况

在考虑实时能源价格情况下,以两社区最优经济运行为目标合理分配系统能源,系统中某一天实时电价、分布式电源风机、光伏出力及配电网节点负荷变化率随时间变化的实际数据如图3所示。

智慧社区中储能及电动汽车在一天中的充放电功率如图4所示,由运行结果可知,由于充放电次数限制及经济性约束,储能系统与电动汽车在电价较低时充电,电价较高时放电。

图3 实时电价、分布式电源出力及负荷变化率
Fig.3 Spot price, DG and load change rate

图4 储能及电动汽车的充放电功率
Fig.4 Energy storage and electric vehicle charging and discharging power

CCHP系统通过微燃气轮机、锅炉及余热吸收式制冷机将天然气转化为电能、热能、冷能供给负荷。由于CCHP启停成本较高,所以在冷热负荷集中的阶段启动设备,并参与系统优化调度,在各时刻天然气通过CCHP系统产生的冷、热、电功率值如图5所示。

图5 CCHP系统冷、热、电功率值
Fig.5 CCHP system cooling heating and power value

4.3 EH与配电网交换功率曲线

节点6和节点24处的两智慧社区EH在各时刻与配电网交互的三相总功率数值如表1所示,正值表示配电网流向社区EH的功率,负值表示社区EH向配电网的注入功率。

表1 不同时刻EH与配电网交互功率
Table1 EH and distribution network interaction power at different time

4.4 配电网三相不平衡潮流结果分析

根据每个采样时刻求解配电网潮流数据可得各节点电压幅值及相角变化情况如图6所示。分析可知配电网各时刻电压幅值在节点17和节点32处较低,且该节点电压随系统各节点负荷功率波动变化较大,在一天中负荷高峰时段7:00—8:00和18:00—21:00电压降落最为明显,A相电压最低为0.893 pu,相角为-0.0163;B相电压最低为0.8823 pu,相角为-0.0159;C相电压最低为0.8912 pu,相角为-0.0154。由此可根据节点电压变化情况,在电压较低的节点处进行功率补偿,提高系统运行安全性。

图6 不同时刻各相电压
Fig.6 Phase voltage at different time

图7 EH接入前后节点电压幅值
Fig.7 Node voltage amplitude before and after EH access

图7为节点6和节点24在EH接入配电网前与接入后该节点电压幅值随时间的变化情况。由图7可知,EH接入配电网前在负荷高峰时,节点6处各相电压幅值最低为0.936 pu、0.931 pu、0.935 pu,节点24处各相电压最低为0.956 pu、0.954 pu、0.956 pu。EH接入配电网后节点6各相电压幅值最低为0.946 pu、0.941 pu、0.945 pu,节点24各相电压幅值最低为0.966 pu、0.964 pu、0.966 pu。可见EH接入下配电网节点电压幅值在各时刻电压降均有所减小。

从以上算例仿真分析结果得出,智慧社区通过EH将有功功率、无功功率注入配网系统,将有功补偿与无功补偿相互结合,对配网三相不平衡的优化提供较多支撑与帮助,结合模型预测控制方法在线滚动求解配电网潮流,在电压较低的节点处进行功率补偿,提高系统运行安全性。

5 结论

EH汇集社区中各分布式能源、储能及智能负载,以提高社区中各分布式能源消纳及经济运行为目的,将社区作为灵活的智能单元接入配电网并在线求解配电网动态三相潮流,结论如下。

1)实现分布式能源的就地消纳,智慧社区中的分布式风电、光伏通过EH将多余电能输送给大电网,接入处节点作为配电网中功率双向流动的可控节点,提高分布式能源的利用效率。

2)根据系统分布式电源及配网三相不平衡负荷波动情况,利用含智慧社区EH配电网三相不平衡动态潮流模型预测控制技术在线滚动求解配电网潮流,根据系统运行的实时特性,在相应的时段投切智慧社区能源节点,有利于提高多能源协调下配电网的控制水平及运行安全性。

随着越来越多的智慧社区接入配电网,可能会出现配电网潮流反向及各社区间联合运行时的能量流动问题,下一步可针对该问题结合最优潮流在线分析配电网运行安全性。

附录A

式中:DDG为分布式可控发电设备的运行成本,Δt为单位时长;分别为分布式可控发电设备维护成本、启动和停止成本;μDC为分布式可控发电设备的状态变量;PDG为分布式可控发电设备的输出功率;ZDGse(k)、ZDGes(k)分别为分布式可控发电机由运行状态转停止状态及由停止状态转启动状态时的辅助状态变量,初始状态值设为0;PESScPESSd分别为储能系统充电功率与放电功率;μESScdμESSdc分别为表示储能系统充电与放电状态的变量;CESScdESSdcESS分别为储能系统运行维护成本、充电转放电及放电转充电成本;PEVcPEVd分别为电动汽车充电与放电功率;CEVCcdEVCdcEV分别为电动汽车运行维护成本、充电转放电及放电转充电成本;μcdEVμdcEV分别为电动汽车充电转放电及放电转充电状态值;sg(k)为k时刻s场景下社区能源网与电网交互功率;μSg(t)为s场景下社区能源网与电网的能量交互状态变量,为1或0,分别表示向电网买电或卖电;βbβs分别为买电与卖电价格系数;λ为实时电价;αLc为可切负载的惩罚系数;s LC(k)为可切负载的功率;θ s LC为功率可切负载的切除率;C1为微燃气轮机发电成本;Cfc为天然气燃烧时的单位热值价格;f(k)为k时刻CCHP系统中设备燃气热值;s DG(t)为s场景下分布式可控发电设备的输出功率;F2环保成本目标函数;NS为缩减后的各场景组合总数;ps为场景s下的概率值;ω为污染气体的惩罚费用;lg, ilDG, ilMT, i分别为电网、分布式可控发电设备与微燃气轮机发电时第i类气体排放量;J为气体类型总数;s(k)为k时刻s场景下CCHP系统中设备燃气热值。

附录B

表B1 IEEE-33节点初始参数
TableB1 IEEE-33 node initial parameters

参考文献

[1]王成山,李鹏.分布式发电、微网与智能配电网的发展与挑战[J].电力系统自动化,2010,34(2):10-14.

Wang Chengshan, Li Peng.Development and challenges of distributed generation, the micro-grid and smart distribution system[J].Automation of Electric Power Systems, 2010, 34(2):10-14 (in Chinese).

[2]李鹏,窦鹏冲,李雨薇,等.微电网技术在主动配电网中的应用[J].电力自动化设备,2015,35(4):8-16.

Li Peng, Dou Pengchong, Li Yuwei, et al.Application of microgrid technology in active distribution network[J].Electric Power Automation Equipment, 2015, 35(4): 8-16 (in Chinese).

[3]邢海军,程浩忠,张沈习,等.主动配电网规划研究综述[J].电网技术,2015,39(10):2705-2711.

Xing Haijun, Cheng Haozhong, Zhang Shenxi, et al.Review of active distribution network planning[J].Power System Technology, 2015, 39(10): 2705-2711 (in Chinese).

[4]李立浧,张勇军,陈泽兴,等.智能电网与能源网融合的模式及其发展前景[J].电力系统自动化,2016,40(11):1-9.

Li Licheng, Zhang Yongjun, Chen Zexing, et al.Merger between smart grid and energy-net: mode and development prospects[J].Automation of Electric Power Systems, 2016,40(11): 1-9 (in Chinese).

[5]靳小龙,穆云飞,贾宏杰,等.考虑配电网重构的区域综合能源系统最优混合潮流计算[J].电力系统自动化,2017,41(1):18-24.

Jin Xiaolong, Mu Yunfei, Jia Hongjie, et al.Calculation of optimal hybrid power flow for integrated community energy system considering electric distribution network reconfiguration[J].Automation of Electric Power Systems,2017, 41(1): 18-24 (in Chinese).

[6]廖秋萍,吕林,刘友波,等.考虑重构的含可再生能源配电网电压控制模型与算法[J].电力系统自动化,2017,41(18):32-39.

Liao Qiuping, Lyu Lin, Liu Youbo, et al.Reconfiguration based model and algorithm of voltage regulating for distribution network with renewable energy[J].Automation of Electric Power Systems, 2017, 41(18): 32-39 (in Chinese).

[7]Manshadi S D, Khodayar M E.Expansion of autonomous microgrids in active distribution networks[J].IEEE Transactions on Smart Grid, 2018, 9(3): 1878-1888.

[8]易海川,张彼德,王海颖,等.提高DG接纳能力的配电网动态重构方法[J].电网技术,2016,40(5):1431-1436.

Yi Haichuan, Zhang Bide, Wang Haiying, et al.Distribution network dynamic reconfiguration method for improving distribution network’s ability of accepting DG[J].Power System Technology, 2016, 40(5): 1431-1436 (in Chinese).

[9]董雷,陈卉,蒲天骄,等.基于模型预测控制的主动配电网多时间尺度动态优化调度[J].中国电机工程学报,2016,36(17):4609-4617.

Dong Lei, Chen Hui, Pu Tianjiao, et al.Multi-time scale dynamic optimal dispatch in active distribution network based on model predictive control[J].Proceedings of the CSEE,2016, 36(17): 4609-4617 (in Chinese).

[10]卜凡鹏,田世明,方芳,等.基于能源集线器模型的园区混合能源系统日前优化调度方法[J].电力系统及其自动化学报,2017,29(10):123-129.

Bu Fanpeng, Tian Shiming, Fang Fang, et al.Optimal dayahead scheduling method for hybrid energy park based on energy hub model[J].Proceedings of the CSU-EPSA, 2017,29(10): 123-129 (in Chinese).

[11]田园园,廖清芬,刘涤尘,等.面向综合能源供给侧改革的城市配网规划方法[J].电网技术,2016,40(10):2924-2934.

Tian Yuanyuan, Liao Qingfen, Liu Dichen, et al.Planning of urban distribution network considering the integrated energy supply-side reform[J].Power System Technology, 2016,40(10): 2924-2934 (in Chinese).

[12]郝然,艾芊,朱宇超,等.基于能源集线器的区域综合能源系统分层优化调度[J].电力自动化设备,2017,37(6):171-178.

Hao Ran, Ai Qian, Zhu Yuchao, et al.Hierarchical optimal dispatch based on energy hub for regional integrated energy system[J].Electric Power Automation Equipment, 2017,37(6):171-178 (in Chinese).

[13]马腾飞,吴俊勇,郝亮亮,等.基于能源集线器的微能源网能量流建模及优化运行分析[J].电网技术,2018,42(1):179-186.

Ma Tengfei, Wu Junyong, Hao Liangliang, et al.Energy flow modeling and optimal operation analysis of micro energy grid based on energy hub[J].Power System Technology, 2018,42(1): 179-186 (in Chinese).

[14]马瑞,王京生.智慧社区多能流随机响应面模型预测控制方法[J].电力系统自动化,2018,42(4):121-127.

Ma Rui, Wang Jingsheng.Model predictive control method for multi-energy flow of smart community combined with stochastic response surface method[J].Automation of Electric Power Systems, 2018, 42(4): 121-127 (in Chinese).

[15]王毅,张宁,康重庆.能源互联网中能量枢纽的优化规划与运行研究综述及展望[J].中国电机工程学报,2015,35(22):5669-5681.

Wang Yi, Zhang Ning, Kang Chongqing.Review and prospect of optimal planning and operation of energy hub in energy Internet[J].Proceedings of the CSEE, 2015, 35(22): 5669-5681(in Chinese).

[16]王博,肖峻,周济,等.主动配电网中分布式电源和微网的运行域[J].电网技术,2017,41(2):363-372.

Wang Bo, Xiao Jun, Zhou Ji, et al.Dispatchable region of distributed generators and microgrids in distribution systems[J].Power System Technology, 2017, 41(2): 363-372 (in Chinese).

Model Predictive Control Method for Three-phase Unbalanced Dynamic Power Flow of Distribution Network Including Smart Community Multi-energy Flow Hub

MA Rui1*, WANG Jingsheng1, LYU Zhenhua2, LI Qiang2, YUAN Xiaodong2, ZHAO Yuxin1
(1.School of Electrical and Information Engineering, Changsha University of Science and Technology, Changsha 410114, Hunan Province,China; 2.State Grid Jiangsu ElectricPower Co., Ltd.Electric Power Research Institute, Nanjing 210000, Jiangsu Province, China)

Abstract: As a result of the dispersion and uncertainty of distributed energy, direct access to the distribution network significantly affects the power distribution network and increases the difficulty of its regulation.Several studies have focused on improving the distribution, active management, and control level of distributed energy in the distribution network taking into account the system cost, environmental protection,and safe operation.This study proposes a dynamic power flow analysis method for three-phase unbalanced distribution network with smart community multi-energy hub in order to address the problem of power flow and optimal control of the distribution network in a multi-energy access distribution network.According to the distribution of community-based wind power and photovoltaic output and load fluctuations, the power flow in the distribution network is calculated taking into account the technical and economic characteristics of the community cold and heat supply, electric vehicles, energy storage equipment.The calculation uses energy hubs to achieve energy interaction between community and distribution network.The control method calculates the online rolling power flow based on the IEEE-33 node system and analyzes the trend of the distribution power flow at different times under uncertainties in the community and unbalanced load fluctuation of the distribution network.The results are used to analyze the influence of community uncertainty and load variations on power flow in the distribution network, which provides a reference scheme for improving stable operation of the system.

Keywords: Active distribution network; model predictive control; dynamic power flow; three-phase unbalance; energy hub

文章编号2096-5125 (2019) 06-0547-09

中图分类号:TM73

文献标志码:A

DOI:10.19705/j.cnki.issn2096-5125.2019.06.004

基金项目:国家自然科学基金项目(51677007);国网江苏省电力有限公司科技项目(J2019047)。

Project Supported by National Nature Science Foundation of China(51677007); Science and Technology Foundation of State Grid Jiangsu Electric Power Co., Ltd.(J2019047).

收稿日期:2019-07-09;修回日期:2019-08-07。

作者简介:

马瑞

马瑞(1971),男,博士,教授,主要研究方向为电力系统分析与控制、能源互联网、电力市场。通信作者,E-mail:marui818@126.com。

王京生(1991),男,硕士研究生,研究方向为能源互联网智能优化调度,E-mail:jintianon@126.com。

吕振华(1988),男,工程师,研究方向为新能源发电并网技术、综合能源技术,E-mail:517480859@qq.com。

李强(1981),男,高级工程师,研究方向为新能源发电并网技术、综合能源技术,E-mail:35830342@qq.com。

袁晓冬(1979),男,高级工程师,研究方向为新能源发电并网技术、综合能源技术、直流配电技术,E-mail:1838658@qq.com。

赵宇鑫(1995),男,硕士研究生,研究方向为电力系统分析与控制,E-mail:2997210883@qq.com。

(责任编辑 李锡)

  • 目录

    图1