变电站站用光-储-直微电网系统优化方法技术方案

本发明专利技术涉及变电站站用光

【技术实现步骤摘要】
变电站站用光
‑
储
‑
直微电网系统优化方法


[0001]本专利技术属于变电站
，具体涉及变电站站用光
‑
储
‑
直微电网系统优化方法。

技术介绍

[0002]变电站站用电系统通常是指负责站内变压器的冷却系统用电、开关和刀闸分合动力用电、站内二次系统(保护、监控、通信及端子箱加热器)用电以及站内其他用电设施(如照明、通风、检修、空调、门禁等)供电的电源及其辅助系统；风光储系统是站用电微电网的最基本模块，开展风电系统、光伏发电系统和储能系统的容量配置、设备选型以及布置是变电站站用电微电网规划设计的必要工作；风力发电、光伏发电受环境因素影响较大，需要对变电站所处地点的自然资源进行资源评估，为风电系统、光伏发电系统的容量提供依据，是保证变电站安全可靠运行的关键，否则一旦出现问题，会影响整个变电站的正常运行，严重时会影响区域电网其他变电站的可靠工作，在电网系统发生故障可能会扩大事故范围，甚至有可能导致电网崩溃、解列等恶性事故发生；因此，提供一种分析站用电负荷、采用多目标分析算法、对系统容量进行最优配置的变电站站用光
‑
储
‑
直微电网系统优化方法是非常有必要的。

技术实现思路

[0003]本专利技术的目的是为了克服现有技术的不足，而提供一种分析站用电负荷、采用多目标分析算法、对系统容量进行最优配置的变电站站用光
‑
储
‑
直微电网系统优化方法。
[0004]本专利技术的目的是这样实现的：变电站站用光
‑
储
‑
直微电网系统优化方法，所述的方法包括以下步骤：
[0005]步骤1：站用电负荷需求分析：对变电站站用电负荷最大需求即全站负荷和最小需求即考虑黑启动负荷进行统计分析；
[0006]步骤2：基于遗传算法的多目标容量配置；
[0007]步骤3：“风
‑
光
‑
储”系统各部分配置；
[0008]步骤4：站用光储直系统接线方式。
[0009]所述的步骤1中的全站负荷包括500kVHGIS、220kVHGIS。
[0010]所述的步骤1中的黑启动负荷包括断路器伴热带负荷、主变压器冷却负荷、站用直流系统负荷。
[0011]所述的步骤2中的基于遗传算法的多目标容量配置具体包括以下步骤：
[0012]步骤2.1：算法流程：以本站的负荷需求，以及风能、太阳能的资源条件为基础数据，综合考虑系统可靠性和经济性，利用遗传算法进行多目标优化计算，从而得出风光储系统各模块容量的最优方案；
[0013]步骤2.2：优化配置模型：包括蓄电池模型和超级电容模型；
[0014]步骤2.3：目标函数：储能系统优化的目标函数模型包含购买费用、运行费用、维护
费用和处理费用四大费用之和，即：minC＝C
iv
+C
oc
+C
mc
+C
dc
(8)，式中：C
iv
为购买费用；C
oc
为运行费用，包括实验、安装、损耗、人工费用；C
mc
为维护费用，包括故障前后的维护费用；C
dc
为处理费用，包括报废费用和残值费用；
[0015]步骤2.4：约束条件：考虑“风
‑
光
‑
储”多能互补系统的运行特性及储能系统的管理策略，建立约束条件如下：式中：m为储能系统中蓄电池的个数；n为储能系统中超级电容器的个数；P
b
(kt)、P
sc
(kt)为kt时刻，蓄电池组和超级电容组充电和放电功率；E
b
(kt)、E
sc
(kt)为kt时刻，蓄电池组和超级电容组的储能量；P
1n
为额定负荷；α为不平衡功率中基本部分所占的比例；β为额定负荷中重要负荷所占的比例；η
c
为系统逆变器功率转换效率；η
bc
、η
sc
为蓄电池组和超级电容组充电效率；η
bd
、η
scd
为蓄电池组和超级电容组放电效率。
[0016]所述的步骤2.1中的遗传算法的输入条件具体为：系统约束条件主要包括联络线输送功率最大值小于站用电负荷减去微网系统消纳负荷、公共联络点的短路电流与微网内电源额定电流之比小于10、输电线路电压损耗小于5％；风光储系统成本以各模块常用型号成本来估算；负荷参数为站用电负荷曲线；光伏参数和风电参数以风、光资源情况进行计算。
[0017]所述的步骤2.2中的蓄电池模型具体为：每个蓄电池的额定电压为U
b
，单位V；额定容量为C
b
，单位A
·
h；假设蓄电池组由m个蓄电池组成，则总的储能量E
b
，单位A
·
hMW
·
h为：E
b
＝m
×
C
b
×
U
b
/106(1)，当蓄电池放电时，假设最大放电深度为DOD时，则蓄电池组的最小的剩余储能量E
bmin
，单位MW
·
h为：E
bmin
＝m
×
C
b
×
U
b
×
(1
‑
DOD)/106(2)，蓄电池通常以C
10
的时间率放电，则蓄电池组输出功率额定值为：P
b
＝m
×
C
b
×
U
b
/107(3)；所述的超级电容模型具体为：每个超级电容器的端电压为U
c
，电容值为C
c
，假设超级电容器组由n个超级电容器组成，则总的储能量为：在实际情况中，超级电容器工作电压范围，记为U
cmin
～U
cmax
，则该超级电容器组的最大储能量为：最小值为：假设超级电容器工作电流的最大值为I
cmax
，则超级电容器组输出功率的最大值可表示为：P
cmax
＝n
×
U
cmax
×
I
cmax
/106(7)。
[0018]所述的步骤3中的“风
‑
光
‑
储”系统各部分配置具体包括以下步骤：
[0019]步骤3.1：风机部分：风力发电机组单机容量为50kW，出口额定电压为DC460V；风力发电机组首先通过1根ZRC
‑
YJY23
‑
0.6/1kV
‑2×
50的电力电缆接至风机控制器柜，然后再通
过1根ZRC
‑
YJY23...

【技术保护点】

【技术特征摘要】
1.变电站站用光
‑
储
‑
直微电网系统优化方法，其特征在于：所述的方法包括以下步骤：步骤1：站用电负荷需求分析：对变电站站用电负荷最大需求即全站负荷和最小需求即考虑黑启动负荷进行统计分析；步骤2：基于遗传算法的多目标容量配置；步骤3：“风
‑
光
‑
储”系统各部分配置；步骤4：站用光储直系统接线方式。2.如权利要求1所述的变电站站用光
‑
储
‑
直微电网系统优化方法，其特征在于：所述的步骤1中的全站负荷包括500kV HGIS、220kV HGIS。3.如权利要求2所述的变电站站用光
‑
储
‑
直微电网系统优化方法，其特征在于：所述的步骤1中的黑启动负荷包括断路器伴热带负荷、主变压器冷却负荷、站用直流系统负荷。4.如权利要求1所述的变电站站用光
‑
储
‑
直微电网系统优化方法，其特征在于：所述的步骤2中的基于遗传算法的多目标容量配置具体包括以下步骤：步骤2.1：算法流程：以本站的负荷需求，以及风能、太阳能的资源条件为基础数据，综合考虑系统可靠性和经济性，利用遗传算法进行多目标优化计算，从而得出风光储系统各模块容量的最优方案；步骤2.2：优化配置模型：包括蓄电池模型和超级电容模型；步骤2.3：目标函数：储能系统优化的目标函数模型包含购买费用、运行费用、维护费用和处理费用四大费用之和，即：minC＝C
iv
+C
oc
+C
mc
+C
dc
(8)，式中：C
iv
为购买费用；C
oc
为运行费用，包括实验、安装、损耗、人工费用；C
mc
为维护费用，包括故障前后的维护费用；C
dc
为处理费用，包括报废费用和残值费用；步骤2.4：约束条件：考虑“风
‑
光
‑
储”多能互补系统的运行特性及储能系统的管理策略，建立约束条件如下：式中：m为储能系统中蓄电池的个数；n为储能系统中超级电容器的个数；P
b
(kt)、P
sc
(kt)为kt时刻，蓄电池组和超级电容组充电和放电功率；E
b
(kt)、E
sc
(kt)为kt时刻，蓄电池组和超级电容组的储能量；P
1n
为额定负荷；α为不平衡功率中基本部分所占的比例；β为额定负荷中重要负荷所占的比例；η
c
为系统逆变器功率转换效率；η
bc
、η
sc
为蓄电池组和超级电容组充电效率；η
bd
、η
scd
为蓄电池组和超级电容组放电效率。5.如权利要求4所述的变电站站用光
‑
储
‑
直微电网系统优化方法，其特征在于：所述的步骤2.1中的遗传算法的输入条件具体为：系统约束条件主要包括联络线输送功率最大值小于站用电负荷减去微网系统消纳负荷、公共联络点的短路电流与微网内电源额定电流之
比小于10、输电线路电压损耗小于5％；风光储系统成本以各模块常用型号成本来估算；负荷参数为站用电负荷曲线；光伏参数和风电参数以风、光资源情况进行计算。6.如权利要求4所述的变电站站用光
‑
储
‑
直微电网系统优化方法，其特征在于：所述的步骤2.2中的蓄电池模型具体为：每个蓄电池的额定电压为U
b
，单位V；额定容量为C
b
，单位A
·
h；假设蓄电池组由m个蓄电池组成，则总的储能量E
b
，单位A
·
hMW
·
h为：E
b
＝m
×
C
b
×
U
b
/106(1)，当蓄电池放电时，假设最大放电深度为DOD时，则蓄电池组的最小的剩余储能量E
bmin
，单位MW
·
h为：E
bmin
＝m
×
C
b
×
U
b
×
(1
‑
DOD)/106(2)，蓄电池通常以C
10
的时间率放电，则蓄电池组输出功率额定值为：P
b
＝m
×
C
b
×
U
b
/107(3)；所述的超级电容模型具体为：每个超级电容器的端电压为U
c
，电容值为C
c

【专利技术属性】
技术研发人员：赵志国，刘杰，杨威，毕磊成，张庸，范雷，仓瑞丽，
申请(专利权)人：国网河南省电力公司杞县供电公司，
类型：发明
国别省市：