海上油气平台不稳定电源与储能联合配置优化策略*

胡长斌 刘 超 罗珊娜 冯海波

(1. 北方工业大学 北京 100144; 2. 国网新源控股有限公司北京十三陵蓄能电厂 北京 102200)

近年来,海上油气田在用电和能源管理方面积极响应国家“双碳”号召,开始积极探索友好灵活的可再生能源与传统能源联合供电技术。作为含量丰富的不稳定可再生能源,海上风电具有平均风速高、利用小时数高、易于大规模开发的优点,海上光伏也存在与风能天然互补的优势[1-3]。海上风机/光伏作为含量丰富的不稳定可再生能源,已经成为全球新能源开发的热点和前沿[4-8]。随着风机/光伏机组数量的上升,需要适当引入拥有双向能量流动能力的储能系统来降低风机/光伏出力功率的不稳定性对电力系统的影响[9-11]。将风机/光伏/储能引入现有的海上油田群电网,从而形成新能源接入、多能互补、低碳运营的供电模式,是未来“零碳”油田建设的必做题。

目前,大量学者已开展风机/光伏/储能接入配电网方法的研究,相应提出了多种分布式能源优化搭配决策的方法。刘华晶 等[12]提出了一种两阶段的风机/光伏/储能规划配置方法,以网损灵敏度、负荷缺点率等指标优化风机/光伏/储能的接入容量。李建林 等[13]建立了以负荷缺电率和能量溢出比为目标的光储容量优化模型,但在容量配置时并未考虑线路损耗的影响。王月强 等[14]通过综合社会收益和电力公司收集两个角度建立了分布式能源双层规划模型,并结合典型配网进行计算分析,验证了模型的有效性。尹忠东 等[15]针对大容量风机/光伏发电的接入,提出了一种基于宽度学习的配置方法,利用节点电压、风机、光伏出力功率等数据训练模型,并利用电压稳定性来评估模型的精准度和结果。Ameli 等[16]提出了一种新的多目标粒子群算法,在对分布式发电装置进行规划时,综合考虑了配网的电压波动、损耗以及配网公司的经济利益。

上述文献虽然对分布式能源接入配电网进行了合理的规划及配网新能源渗透率的有效提升,但并未针对海上情况开展分析。海上环境十分恶劣,风机/光伏等发电设备伫立在海中,受到灾害性天气的影响,腐蚀老化速度明显加快,因而更容易出现故障,导致设备停机。从潮流角度来分析,发电单元故障脱离电网很可能造成配电网局部电压越限、线路有功功率越限、期望失负荷等情况[17],对海上油气平台集群的稳定运行造成巨大影响,因而对海上新能源的选址定容方式提出了更高的要求。

本文综合考虑静态潮流电压稳定性、海上油气平台电气化集群供电系统集群划分原则和一次性投资建设经济性等指标,提出阶段式海上油气平台不稳定电源与储能联合配置优化决策方案。该方案基于风机/光伏的预测数据,以潮流稳定性和经济性为目标优化不同节点接入的风机/光伏容量,随后根据集群划分的结果以电压波动、损耗和容量为目标优化每个子集群内的储能容量,最后以渤海油田某10 kV实际油气平台配电网为例验证策略的有效性,从而探究海上分散式风机/光伏发电工程的可行性。本文为新能源接入、多能互补、低碳运营的供电模式形成及未来“零碳”油田建设提供了解决方案。

1 海上油气平台集群系统建模

海上油气平台集群是指在原有燃气机和常规配电网络基础上,并入了风机/光伏/储能等分布式能源,形成了集成多种不稳定可再生能源和传统能源的海上油气平台独有的电气化集群供电模式。

1.1 风机模型

风电机组的输出功率受风速和最大风机功率影响,可以用近似的分段线性函数来描述[18]：

(1)

式(1)中:Pw为风电机组的输出功率,MW;x为实际风速,m/s;M为风机最大功率,MW;α、β为线性参数,无量纲;vci、vco和vr分别表示切入风速、切出风速及额定风速,m/s。

1.2 光伏建模

光伏发电的输出功率主要受温度、光照强度等影响。可以建立光伏输出功率模型如下[19]：

(2)

式(2)中:Ps、Ppv分别为标准情况(光照强度1 000 W/m2,温度25 ℃)下光伏输出功率和实际光伏输出功率,MW;Gs、Ga分别为标准情况下的光照强度和实际光照强度,W/m2;Tr、Ta分别为标准情况下温度和实际温度,℃;k为功率温度系数,/℃。

1.3 储能建模

储能的存在可以调节配网节点的电压,减少损耗,提高电网的稳定性。其荷电状态SOC与充放电功率模型为[19]

(3)

式(3)中:σ为储能自放电率,无量纲;ηc、ηd分别为储能充、放电效率,无量纲;Eess为储能容量,MW·h;t为时间,h;Δt为一个调度周期,h;Pch、Pdis分别为储能充、放电功率,MW。

1.4 拓扑建模

根据海上油气平台集群配电网情况,可以推导得到任意节点m的注入视在功率Sm和节点间流动的视在功率Sm,m+1为

(4)

其中

(5)

如果节点1为平衡节点,则节点m(m∈[2,n])的电压相量Um可以表示为

(6)

1.5 基于LightGBM网络的预测模型

为了对海上风机/光伏系统进行典型日出力功率预测,本文基于当地风力气象典型日、光伏气象典型日、已有风场光场的历史气象数据及对应的发电数据,训练基于LightGBM网络的风机和光伏典型气象日出力功率预测模型,进而使用训练的预测模型根据气象典型日进行典型日发电功率预测。风力发电预测的气象数据包括不同高度的风速、各个风速对应的风向、温度以及湿度;光伏发电预测的气象数据包括短波辐射强度、长波辐射强度、云量、温度以及湿度。

LightGBM预测模型可表示为

(7)

训练的目标函数为最小化预测误差的均方值:

(8)

式(8)中:N为样本数量,无量纲;Pg,i为气象样本点i时刻对应的真实发电功率,MW。

使用训练完成的风力发电预测模型fw和光伏发电预测模型fpv,分别对风力发电以及光伏发电典型日进行功率预测。

用于风力发电典型日和光伏发电典型日预测发电功率为

(9)

(10)

通过对当地风,光时序发电的合理预测,可以为风机/光伏的接入容量提供合理依据,同时还可以通过指导储能的容量配置,来有效减小系统功率波动和损耗,稳定电压,达到如式(11)所示的调度平衡关系,提升系统内各电源功率的时序匹配性,在提升新能源渗透率的同时减小风机/光伏的随机性带来的影响。

(11)

式(11)中:PG、PP分别为燃气机和电网的调度出力功率,MW;Pe,i为储能调度出力功率,MW;PL为总负荷预测功率,MW;npv、nw、ne分别为风机、光伏、储能配置台数。其理想配置运行结果如图1所示。

图1 风机/光伏/储能等微源与传统电源联合供电结构

2 海上油气平台集群系统稳定性分析及集群划分原则

2.1 稳定性分析

潮流稳定性主要通过研究配网支路节点间的功率和线路阻抗来判断潮流是否有解[20],然而仅从损耗角度将复杂配网进行简单等效,不但没有考虑电压波动影响且会导致较大误差。因此改进的潮流稳定性推导,可以更为全面地反映节点间的潮流关系,更精准地判断潮流解的存在性[21],其节点ij之间支路静态电压稳定性指标Lij为

(12)

式(12)中:当Lij<1时,表明该支路潮流有解,是稳定的,Lij的值越小,则该支路的稳定裕度越大;当Lij>1时,则表明该支路潮流无解,潮流是不稳定的。

对于具有n个节点的配电网,整个配电网的静态电压稳定性指标应该为所有支路稳定性指标Lij的最大值,L代表了整个配电网最薄弱的支路,可以反映整个配电网的稳定性,当系统发生电压崩溃时,一定是从最薄弱的支路开始的。

2.2 灵敏度分析

2.2.1电压灵敏度

若忽略线路损耗,可以得到任意节点m的注入有功Pm和无功功率Qm：

(13)

式(13)中:PLi为节点i的负荷有功功率及分布式发电单元接入有功功率之和,MW;QLi为节点i的负荷无功功率及分布式发电单元接入无功功率之和,MVar。为了简化表达,令

(14)

可以得到节点电压变化与功率变化的关系式:

(15)

式(15)中,忽略线路损耗的任意节点m的电压对任意节点k的功率,求偏导可以表达为

(16)

式(15)中:两个雅可比矩阵被称为电压灵敏度矩阵,其行向量绝对值之和表示不同节点的功率变化对同一节点电压的影响,结果越大表明该节点电压越容易受到功率变化的影响;列向量之和表示同一节点的功率变化对其他节点电压的影响,结果越大表明该点的功率对整个系统节点的电压影响越大。

2.2.2损耗灵敏度

由式(6)可知,具有n个节点的配网损耗Ploss可以表达为

(17)

式(17)中:Re表示取一个复数的实部。为了简化表达,令

(18)

可以得到系统损耗ΔPloss的变化和功率变化的关系

(19)

其中

(20)

由式(18)和(19)可知,在辐射型线路中,损耗灵敏度大小与节点注入功率大小有很大关系,节点注入功率绝对值越大,其灵敏度就越大,对损耗的调节能力就越强。此外,式(17)表明,损耗与节点的注入功率是一个二次关系式,注入功率绝对值越小,则损耗越小。

2.3 基于电压、损耗灵敏度指标的集群划分原则

电力系统集群划分是依据各节点间与参考节点间的电气距离,将空间中的各节点与参考节点距离相近的节点划分为一类,从而使整个配电网被划分为多个电压控制群(图2)。每个群内部的电气耦合程度高、联系紧密,配网节点电压及损耗的控制,可在集群划分后更有效地实现,同时提升各集群内部功率的时序匹配性及电压的稳定性。

图2 电力系统集群划分区域结构

电气距离基于电压和损耗灵敏度分析,用来衡量各个节点间电压变化的耦合紧密程度。由于风机光伏等接入配电网的出力功率形式主要为有功功率,因此本文以有功和损耗灵敏度矩阵为基础,第m个节点的有功功率对配网电压的控制能力用有功灵敏度矩阵的列向量VSm表示,有功功率对损耗的控制能力用损耗灵敏度矩阵的列向量LSm来表示:

(21)

式(21)中,每个节点对节点m功率的导数都可以看作是空间坐标的一个维度,矩阵VSm体现了电压与有功功率之间的关系,LSm体现了损耗与有功功率之间的关系。电气距离具体的求解为

(22)

(23)

(24)

式(22)～(24)中:VSmin、VSmax分别为有功灵敏度矩阵元素的最小值和最大值,无量纲;LSmin、LSmax分别为损耗灵敏度矩阵元素的最小值和最大值,无量纲;xvmk为电压灵敏度矩阵元素归一化后节点m的第k个空间坐标;xlm为损耗灵敏度矩阵元素归一化后节点m的空间坐标;dij为节点ij之间的电气距离,无量纲;p和q分别为不同指标的权重系数,p+q=1。

式(22)、(23)通过min-max归一化变换,将电压灵敏度和损耗灵敏度的数据统一到一个标准上,并结合式(24)的欧式距离计算方法,可以求解损耗灵敏度和电压灵敏度影响程度不同时,节点ij之间电气距离的大小。

电气距离比较接近的节点,其有功功率对电压和损耗的影响能力相近,可以集中表现为一个子集群,在控制中可以被划分为一类。由式(14)和(18)可知,影响电气距离的因素主要包括线路的阻抗、节点的电压幅值以及节点注入功率的大小。

所以，可以说，有钱人其实并非“将利益最大化的专家”，反而是“将风险最小化的专家”。举个例子来说，如果某天一只股票损失了500元，有钱人不会在这个损失得到弥补之前再忍耐一下，而是尽早止损，然后重新寻找投资的机会。

3 风机/光伏/储能优化决策

3.1 总体思路

为了充分利用海上丰富的风机/光伏资源,本文提出了不稳定电源及储能的阶段式优化决策流程(图3)。这种风机/光伏/储能配置方式既考虑到了配电网的静态稳定性,又考虑到了电压波动和损耗,可以有效提升配网的稳定裕度,减少风机/光伏等不确定性带来的影响。

图3 不稳定电源及储能阶段式优化决策流程

3.2 风机/光伏选址定容规划设计方案(阶段一)

第一阶段的风机/光伏接入配电网容量规划模型以配电网潮流稳定性和投资的总费用最小为目标,求解每个节点最优接入的风机和光伏容量。

3.2.1目标函数

上层最优规划的目标函数F为

F=min(F1,F2)

(25)

1) 潮流稳定性F1。合理的风机/光伏接入将改善整个配电网的电压分布,提升配电网的潮流稳定裕度,以一天24 h内潮流电压稳定指标L的最大值作为目标之一,即

F1=max{L1L2…L24}

(26)

2) 投资总成本F2。考虑到风机光伏一次性成本价格以及海上施工费用,定义F2为海上风机/光伏投资建设安装总成本,即

F2=C1PW+C2PPV

(27)

式(27)中:C1、C2为风机和光伏的单位容量价格及施工费用,百万元人民币;PW、PPV为风机光伏的安装容量,MW。

3.2.2约束条件

1) 配电网潮流约束。配电网稳定运行时,其电压功率必须满足潮流方程:

(28)

式(28)中:Gij、Bij分别为节点ij之间的电导和电纳,s;θij为节点i、j之间的相角差,rad。

2) 节点电压约束。

Ui,min≤Ui≤Ui,max

(29)

式(29)中:Ui,min、Ui,max分别为节点电压偏差允许的最小值和最大值,kV。

3) 风机/光伏接入总容量约束。风机/光伏接入总容量减去负荷总容量后不应该超过上级电网变压器能承受的功率最大值。

PDG≤PDG,max

(30)

式(30)中:PDG为实际接入风机/光伏的容量,MW;PDG,max为最大可接入风机/光伏总容量,MW。

3.3 集群划分及储能选址定容规划设计方案(阶段二、三)

第二阶段在配电网接入风机/光伏后,根据电气距离计算方法将整个配电网划分为若干个子集群;第三阶段根据灵敏度分析选定储能接入位置后,选取电压波动、有功损耗和容量作为目标函数,储能时序出力功率为决策变量来对储能容量进行规划。

3.3.1目标函数

下层储能规划的目标函数f为

f=min(f1,f2,f3)

(31)

1) 电压波动f1。

(32)

式(32)中:n为节点个数;U1、Ui,t分别为节点1(平衡节点)和节点i在t时刻的电压幅值,kV;T为一天24 h。

2) 线路损耗f2。

(33)

式(33)中:Pi,t、Qi,t分别为节点i在t时刻的有功和无功功率注入,MW。

3) 储能系统容量f3。在考虑储能调节电压波动以及损耗的同时,也应该考虑到储能单位容量的成本及安装费用。因此可选取储能总容量作为衡量其经济性的重要指标,考察一天内储能的最大充/放电量以及荷电状态上下限,可得相应目标函数:

(34)

式(34)中:tj,s为第j段储能持续充/放电的开始时刻;tj,e为第j段储能持续充/放电的结束时刻;Pch/dis,i为第i个储能这段时间的充/放电功率,MW;SOCmax和SOCmin分别为储能荷电状态的上限和下限,无量纲;Ne为储能的数量。

3.3.2约束条件

在进行储能容量配置时,不仅需要考虑潮流约束和节点的电压约束,还需要考虑到储能的荷电状态约束,一天内能量平衡约束以及充放电约束。

1) 荷电状态约束。

SOCi,min≤SOCi(t)≤SOCi,max

(35)

式(35)中:SOCi,max和SOCi,min分别为第i个储能荷电状态的上限和下限。

2) 储能充放电约束。储能荷电状态是指某个时刻电池的剩余容量和额定容量之比,其充放电状态见式(3)。

3) 储能能量平衡约束。储能为了能够满足一天的调度运行要求,希望一天的初时段荷电状态和末时段荷电状态尽量相同。即

SOC(0)=SOC(T)

(36)

3.4 多目标交互决策模型

为优化各个目标使其综合达到最优,引入了多目标交互式决策模型,max[f1(x),f2(x),…,fn(x)],其中f1(x)、f2(x)、…、fn(x)分别为不同目标,对多个目标的最优解进行归一化处理,可以得到满意度函数:

(37)

(38)

可以看出,ξ越大则fξ越小,即各个目标越接近各自的最佳目标值。所以,通过fξ可以充分实现多个目标的整体均衡,同时兼顾了各方矛盾,得到一个各方均能接受的满意方案。

3.5 嵌入潮流计算的阶段式粒子群算法

根据实际需求并结合上述目标,提出2种容量配置方案,并利用2种嵌入潮流的阶段式粒子群算法进行求解。

1) 方案一:单目标燃气机出力功率占比自定义模式。

考虑到传统燃气机发电的工况,将原有燃气机出力功率按百分比减小作为备用容量,同时并入风机/光伏/储能等清洁能源来为配电网负荷进行供电,提出了嵌入潮流计算的单目标阶段式粒子群算法。①初始化第一阶段的粒子群:根据上层的约束条件以及单位容量风机/光伏每小时的发电功率,初始化粒子速度、位置、迭代次数以及燃气机出力功率占比值,并代入适应度函数中计算潮流和目标函数,得到初始个体最优和全局最优;②更新第一阶段的粒子群:在约束范围内更新每个粒子的速度和位置,更新个体最优和全局最优,迭代次数加一;③判断迭代次数:若达到设置的最大迭代次数,转向④,否则返回②继续迭代计算;④储能选址:根据第二阶段电压、损耗灵敏度指标,对整个配网进行集群划分,确定储能的个数和位置;⑤初始化第三阶段(储能定容)粒子群:根据第一阶段风机/光伏配置结果,初始化第三阶段粒子群,计算储能容量;⑥更新第三阶段粒子群:在约束范围内更新每个粒子的速度和位置,计算潮流和目标函数来更新储能容量,迭代次数加一;⑦判断迭代次数:若达到最大迭代次数,则输出风机/光伏/储能容量配置的最优结果,否则返回⑥继续迭代。

2) 方案二:多目标经济性自定义模式。

根据投资方给出的投资建设金额范围,求解风机/光伏容量的Pareto最优前沿,储能容量按风机/光伏总容量的固定百分比计算。提出了一种多目标阶段式粒子群算法,该方法基于小生境多目标粒子群算法[22],同时并入了潮流计算。①初始化第一阶段粒子群:初始化风机/光伏容量和位置,设置外部存档的大小和迭代次数;②初始化非劣解和全局最优:根据初值计算潮流及每个目标值,得到第一轮非劣解,随后按照与适应度成比例的轮盘赌方法随机选取外部档案中的个体作为全局最优;③更新第一阶段粒子群:在约束范围内更新风机/光伏容量和位置,计算潮流和目标函数;④更新外部存档和全局最优:用当前粒子中的非劣解更新外部存档,若存档中个体数目达到最大,则根据②中的轮盘赌方法,替换掉适应度最小的个体,同时更新全局最优,迭代次数加一;⑤判断迭代次数:若达到最大迭代次数,则输出Pareto最优解集,否则返回③继续迭代;⑥储能选址定容:根据⑤的结果计算进行第二阶段的配网集群划分,并对储能进行第三阶段的选址定容,输出容量优化配置结果。

上述容量配置后,还需要通过稳定性评价指标和功率、容量、能量渗透率指标[23]来对配置完成的风机/光伏/储能进行评价。

4 算例分析

4.1 算例条件

以渤海油田某10 kV实际油气平台配电网系统进行分析。该系统网架包括16个节点,其中节点16为上级35 kV配电网,整个系统通过海底电缆接入上级配电网,该网络总负荷为103.892 MW,且整个油田的负荷几乎不随时间发生变化。在现有工况下,整个区域燃气机6用2备,配合上级配电网出力功率,可以满足整个油田的负荷用电。整个系统结构如图4所示。这里以该拓扑为基础,研究风机/光伏/储能容量规划设计的合理性。考虑实际需求,采用3.4节中的两种方案来对风机/光伏/储能进行规划,并与原工况进行对比分析。

图4 渤海油田某10 kV实际油气平台配电网结构

4.2 容量配置结果及分析

该配电网区域8台发电机(6用2备)配合上级配电网即可满足负荷的需求,且负荷几乎不随时间发生变化,潮流分布较为稳定(图5)。由于负荷几乎不随时间发生变化,因此在仅有燃气机出力功率的情况下,一天内潮流几乎不会发生变化,计算可得稳定性指标F1为0.094,渗透率指标均为0,电压波动指标f1为11.96,一天内总损耗103.2 MW·h。

图5 渤海油田某10 kV实际油气平台原始工况下潮流分布

4.2.1方案一:燃气机出力功率自定义

将原有燃气机出力功率按比例缩减同时并入风机/光伏/储能等清洁能源,考虑到经济性和稳定性指标同样重要,ξ1(x)、ξ2(x)均取1。当燃气机出力功率减小50%时,风机/光伏整体均衡度优化曲线和上层风机/光伏配置结果见图6。

图6 燃气机出力功率减小50%时风机光伏迭代优化结果

配置风机总量为70 MW,光伏总量24 MW,风机/光伏配置后的配网潮流如图7所示。

图7 风机/光伏配置后潮流分布

根据风机/光伏配置后的容量以及配电网的负荷分布情况进行第二阶段的集群划分,以节点1和节点10为基准,计算节点2—9与节点1、节点11—15与节点10的电气距离(图8)。

图8 风机/光伏配置后电力系统集群节点间电气距离

基于电气距离,可以将距离相近的节点1、2、6、7、8,节点3、4、5,节点10及节点10—15划分为4个子集群,划分结果如图9所示。

图9 风机/光伏配置后电力系统集划分结果

根据集群划分结果及每个子集群内部的电压、损耗灵敏度,决定在节点2、5、14上接入储能。随后通过第三阶段的优化算法,可计算出储能的具体容量分别为12、13和8 MW·h。配置储能后的配网潮流分布如图10所示。

图10 风机/光伏/储能配置后潮流分布

根据运行状态可以计算系统功率渗透率为62.80%,由于负荷几乎不发生变化,功率渗透率和容量渗透率始终相等,能量渗透率为39.42%,稳定性指标为0.057,节点电压最大值在储能配置前后分别为1.050和1.039,最小值分别为0.948和0.952,波动明显减小。总目标中损耗和电压波动的单个目标优化过程如图11所示,损耗在储能配置前后分别为49.1、41.0 MW·h,电压波动指标在储能配置前后分别为9.23和8.04,通过迭代每个目标都得到了优化。

图11 燃气机出力功率减少50%时加入储能前后的优化

燃气机出力功率减少30%和70%时,风机/光伏规划结果如图12所示。

图12 燃气机出力功率减少30%(a)和70%(b)的风机/光伏规划结果

燃气机出力功率减少30%时,配置风机总量为62 MW,光伏总量为21 MW;燃气机出力功率减少70%时,配置风机总量为105 MW,光伏总量为43 MW。经计算,储能接入点均为2、5、14节点,储能配置前后,配网的潮流分布如图13所示。

图13 燃气机出力功率减少30%和70%的配网潮流分布

可以看出,燃气机出力功率减少30%时,储能配置结果为7.6、6.1、3.3 MW·h,功率/容量渗透率为55.43%,能量渗透率为34.84%,稳定性指标为0.053;燃气机出力功率减少70%时,储能配置结果为15.0、15.2、6.3 MW·h,功率/容量渗透率为99.40%,能量渗透率为61.10%,稳定性指标为0.073。损耗和电压波动如图14所示。

图14 燃气机出力功率减少30%及70%的储能损耗和电压波动优化

燃气机出力功率减少30%时,加入储能前后节点电压最大值在储能配置前后分别为1.033和1.028,最小值分别为0.954和0.960,损耗由53.5 MW·h降至46.2 MW·h,电压波动由7.58降至6.17;燃气机出力功率减少70%时,加入储能前后,节点电压最大值分别为1.069和1.049,最小值分别为0.942和0.951,损耗由44.6 MW·h降至35.1 MW·h,电压波动由9.57降至8.18。

接入风机/光伏/储前后各项指标对比结果如表1所示。从表1数据可以看出,相比于原始工况,减少燃气机出力功率并入分布式风机/光伏/储能等清洁能源可以有效地提升整个油田的功率/容量和能量渗透率,可改善配网内功率流动,提升配网的静态稳定性。同时,风机/光伏的加入可以使系统有功损耗降低,随后子集群中加入储能后还可以进一步降低有功损耗及电压波动,提升了配网运行的经济性和可靠性。

表1 加入风机/光伏/储能前后不同燃气机出力功率减少比例的指标对比

4.2.2方案二:经济性自定义

根据投资方给出的一次建设安装费用范围,在配置风机/光伏时,考虑到经济性指标(单位为百万元人民币)以及稳定性2个指标,且储能按照风机/光伏总容量的30%进行配置,利用嵌入潮流计算的多目标粒子群算法可以求得限制经济性为(250～350)百万元的多目标优化结果,如图15所示。

图15 多目标Pareto前沿的经济性指标

可以看出,当风机/光伏配置总量92 MW、储能配置总量27.6 MW·h时,一次性建设安装费用为306.772百万元,稳定性指标为0.060 7;风机/光伏配置总量为76 MW、储能配置总量22.8MW·h时,一次性建设安装费用为254.916百万元,稳定性指标为0.072 3。随着一次建设安装费用的提升,配网系统的稳定性也在提升,而一次建设安装费用降低,稳定性指标也会变差。根据实际情况考虑对不同目标考虑的占比即可选出最合适的风机/光伏/储能优化配置。

5 结论

1) 嵌入潮流计算的阶段式粒子群算法可以快速合理地求解出风机/光伏/储能的配置容量。

2) 基于灵敏度分析的集群划分原则和储能接入方法,可以有效改善风机/光伏出力功率不确定性对配网造成的影响,降低配网损耗和电压波动。

3) 基于配电网集群划分、稳定性和经济性的阶段式风机/光伏/储能优化配置方案,可以有效提升海上油气平台配电网的潮流稳定性,提高新能源渗透率,降低配电网和燃气机负担,提升经济性。