陈子颖
华润智慧能源有限公司
摘 要： 为降低新能源发电出力接入到配电网中所带来的波动等影响，将分布式储能系统配置到配电网中部分节点以有效提升配电网运行稳定性。针对分布式储能系统在配电网安装过程中存在的位置及容量难以选择的问题，引入分布式储能系统的数学模型，采用哈里斯鹰优化算法，以电压偏差及投资费用为目标函数，对分布式储能系统的配置进行寻优求解。以IEEE33节点系统为算例，仿真结果表明，本文所采用的方法可有效地对分布式储能系统进行选址定容，保障配电网运行的经济性与稳定性。
关键词：配电网；分布式储能系统；配置优化；哈里斯鹰算法
0 引言
新能源发电作为一种环保、清洁、碳排量少的新型发电技术，被越来越多地应用于各种电力系统当中。随着国家电网公司“碳达峰、碳中和”行动方案的推出，发展新能源技术成为了时代的必然要求。但限于目前技术情况，新能源发电出力会出现波动性和间歇性的特征，在并入配电网时会对配电网的稳定运行带来较大的影响。
分布式储能系统(Distributed energy storage system, DESS)作为一种快速灵活响应的电源，可有效降低新能源发电接入配电网带来的影响。但分布式储能系统需对其位置选择、容量配置进行优化，以提升配电网运行的经济性与稳定性。本文在建立配电网分布式储能系统优化模型的基础上，将哈里斯鹰算法(Harris Hawks Optimization, HHO)应用于储能系统的配置优化中，取得了较好的效果。
1 配电网分布式储能配置优化模型
1.1分布储能系统数学模型
本文所使用的分布式储能系统数学模型基于辐射式配电网建立，将各类新能源如风电、光伏等视为协调工作的整体。新能源发电出力模式如下所示。
.png)
1.2目标函数
本文采用哈里斯鹰算法HHO进行分布式储能系统的配置优化，将分布式储能的位置及容量作为HHO的初始种群，每一代种群都会在配电网模型上运行以得到目标函数的适应度值。综合考虑配电网的运行稳定性与经济性，本文选取以下2个指标作为HHO的目标函数。
(1)新能源发电出力的接入通常都会引起配电网发生电压波动，而储能系统接入到配电网中可有效平抑电压波动。因此将配电网电压偏差最小化作为目标优化函数。
.png)
3 哈里斯鹰算法原理及其在储能配置优化中的作用
3.1 哈里斯鹰算法的原理
HHO是一种新兴的群智能算法，根据哈里斯鹰捕猎物的独特行为而提出。相比较于其他智能算法如粒子群算法、蚁群算法等，HHO具有操作便捷、超参数较少及跳出局部最优的能力强等特点。HHO的优化搜索包括探索、转变、开发三个过程，其过程说明如下。
(1)探索阶段
包围猎物为哈里斯鹰种群发现猎物并向猎物靠拢的过程，以适应度值最好的头鹰为参考位置，其余的哈里斯鹰个体通过相应公式更新个体位置，如下所示。
.png)
.png)
图1 哈里斯鹰算法求解流程
每个种群个体的位置对应分布式储能系统的一种配置情况。每一种配置情况都会在配电网系统模型进行仿真，计算出电压偏差、总投资成本等目标函数作为该种配置方案的评价指标。HHO通过探索、转变、开发三个过程不断迭代种群位置，直到寻找到最佳种群个体位置。最佳个体位置对应的便是分布式储能系统的最优配置。其流程如图1所示。
4 算例分析
本文采用的配电网模型为标准IEEE33节点配电网系统，其网络拓扑图如图2所示，该系统有33个节点，32条支路，正常情况下总负荷为3715.0kW+j2300.0kVar，网络的基准线电压为12.66kV，节点电压允许范围为0.95～1.05 p.u.。
.png)
图2 IEEE33节点配电网
在标准IEEE33配电网系统种设置6台新能源发电机组，每台机组的安装容量为400kW，分别安装在9，16，19，23，27，32节点上。初始化HHO优化算法哈里斯鹰种群规模为100，最大迭代次数为200。为节省计算机算力资源以及求解时间，本文根据有功网损灵敏度筛选出8，14，17，18，24，25，29，30，31，32节点作为分布式储能的预定安装节点，在此类节点安装分布式储能有利于降低配电网网损。设定分布式储能最大接入节点为3个，最大接入功率为1000kW。
本文设置四种不同场景，对比各类配置的优化效果差异。四种场景如表1所示，场景1为初始的IEEE33配电系统，未在任何节点接入新能源发电机组以及分布式储能电池；场景2为仅接入6台新能源发电机组后的IEEE33配电网系统；场景3为接入新能源发电机组同时配置2台分布式储能电池；场景4相比于场景3增加了一台分布式储能电池。
.png)
从表2中可以看出，当新能源发电机组接入到初始配电系统中时，会在一定程度上降低有功网损及电压偏差，这是因为新能源发电机组能够向配电网注入有功及无功功率。在场景3及场景4中，通过HHO对分布式储能系统进行配置优化的结果如表2第一、二列所示，可以看出，在配电网系统中加入分布式储能电池有效较少了系统的有功网损及电压偏差。对比不同的储能电池安装台数，可以看出，增加储能电池数量可以进一步减小有功网损及电压偏差，同时提高系统的消纳能力，但是在经济上的投资增加不少。因此综合来看，选择两台分布式储能电池比较有利于于本文所建立配电网模型运行的稳定性与经济性。
5 结论
本文针对配电网系统中分布式储能系统的配置优化问题，引入分布式储能系统数学模型，使用哈里斯鹰算法以电压偏差与投资费用为目标函数，基于IEEE33配电网模型，对储能系统的位置及容量进行寻优求解。仿真结果表明，采用本文的方法可以有效地对分布式储能系统进行配置，进一步保障配电网的安全与稳定运行。
参考文献
[1]王承民,孙伟卿,衣涛,颜志敏,张焰.智能电网中储能技术应用规划及其效益评估方法综述[J].中国电机工程学报,2013,33(07):33-41+21.
[2]李军,周冬冬,张玉琼,郝思鹏,吕干云,陈魏,蒋钰.基于AGSO-BAS混合算法的配电网分布式电源优化配置[J].电力电容器与无功补偿,2019,40(06):87-92+98.
[3]吴玮坪,胡泽春,宋永华.结合随机规划和序贯蒙特卡洛模拟的风电场储能优化配置方法[J].电网技术,2018,42(04):1055-1062.
[4]Heidari A A, Mirjalili S, Faris H, et al. Harris hawks optimization: Algorithm and applications[J]. Future Generation Computer Systems, 2019, 97: 849-872.
[5]马一鸣,石志东,赵康,贡常磊,单联海.基于改进哈里斯鹰优化算法的TDOA定位[J].计算机工程,2020,46(12):179-184.