通过协调需求侧响应和实时热额定值来提高风力发电的利用率外文翻译资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

通过协调需求侧响应和实时热额定值来提高风力发电的利用率

Mubbashir Ali, IEEE学生成员，Merkebu Zenebe Degefa，学生成员，IEEE Muhammad Humayun，学生成员，IEEE.Amir Safdarian, IEEE成员，MattiI.ehtonen，IEEE成员

摘要：需求侧响应(DR)将在智能电网中发挥重要作用，因为它有助于满足由于间隔性可再生发电的渗透增加而产生的操作灵活性要求。然而，在缺乏智能网络管理的情况下，DR的激活可能会受到阻碍。实时热额定值(RTTR)作为一种智能网络管理工具，通过允许网络在过载状态下安全运行来解使网络容量，本文提出了一种与RTTR集成的最优住宅R方法，以平衡每小时风力发电。该框架是从一个电力聚合商的角度建模的，该信息汇集公司管理供暖、通风和空调(NAC)负荷的数量，用于考虑配电网的 RTTR的风电平衡。该模型调度暖通空调负荷，而不恶化客户的温度偏好。为了证明该方法的性能，对典型的芬兰配电网计划进行了仿真。结果表明，通过在配电网中协调DR和RTTR来实现风力发电平衡，可以获得相当大的效益。

关键词：需求侧响应(DR)、供暖，通风和空调(HVAC)负荷、 间隔发电平衡、网络实时热额定值(RTTR)、智能电网。

1. 导言

在未来的电力系统中，风能发电源预计将在全世界的总发电机组中占有相当大的份额值。然后，由于风力发电的可变性和不可预测性，风力发电的大规模集成将以增强操作灵活性要求的形式构成重大挑战^[1]。它们的极限容量值可能导致严重的供电负荷不平衡问题，从而危及电力系统的可靠性^[2]。电力爬坡和调节要求也可能增加，这将给系统运营商带来技术困难。

为了应对上述挑战，智能电网需要额外的灵活性资源。一个可行的解决方案是利用住宅需求侧资源[3]的灵活性潜力。住宅需求响应(DR)的煽动可以导致间歇性可再生发电的利用率提高。如果要部署DR潜力用于分布式发电(DG)平衡，则网络容量必须能够支持与高DG输出相关的负载。然而，鉴于间歇性可再生发电的渗透率增加，在DG 产出高的时期，DR潜力可能会受到网络容量的阻碍，因为传统上使用的热易感元件静态额定值(STR)^[4][5]。这将导致减少DG产量，进而阻碍DR的收益。配电网的天气依赖等级将促进DR动作，即将负载从低DG输出(低风速)时间转移到高DG输出(高风速)时间。基于DG输出和RTTR 的容量都取决于外部天气变量，如风速和环境温度，这意味着在协调DR和RTTR方面的协同作用。因此，RTTR可以利用天气相关的能力，通过充分启用DR行动来避免基于容 量约束的DG缩减，例如将负载从低间歇发电时间转移到高间歇发电时间。

在各种住宅负荷类型中，恒温诸如加热、通风和空调（HVAC）和电热水器（EWH）负荷等负荷由于气更大的负荷转移潜力和在日常能源需求^[6]中的更大份额而被放置在DR设备的优点列表的顶部[7].最近，恒温控制电器的负载管理对增加间歇性可再生发电的部署的好处已经被研究，[8]-[13]。例如，[8]量化了EWH负载电位，用于负载移位和供应负载平衡。在[9]，提出了一个集中的国内DR框架，以提供短期平衡储备，以应对风力发电的多变性，结果表明，EWH负载在任何时候都具有调节系统频率的显著能力，[10]的工作证明了用户温度偏好对HVAC负载上升和下降的能力的强烈依赖性。本文^[11]提出了一种控制暖通空调负荷的最优方案，以提供足够的负荷-供给平衡。但是，上述参考文献考虑了DR的风平衡，而没有考虑网络约束，这可能导致负载分布违反网络热限制。

然而，一些研究也已经彻底考虑了配电网的限制，同时评估住宅负荷的DR能力。例如，[14]，[15]中提出了一种考虑网络约束的能量管理分层DR模型。然而，上述研究论文利用了基于天气和加载条件悲观情景的网络热组STR。最近，各种研究表明，传统的静态热额定值应取代实时(动态)热额定值，以利用网络容量最大限度地利用可再生能源，特别是考虑到DR、[16]-[18]的大规模激活 的未来情景。RTTR作为一种利用分布式发电(DG)的功能工具，在文献^[19]中也受到了最近的关注。在[20]，据报道，有效利用RTTR将有助于网络纳入更多的可再生发电，而不会使网络组件老化。

鉴于以上讨论，可以得出这样的结论：文献报道的研究集中在动态热额定值或DR上，但缺乏一个全面和详细的框架来优化这两种思想的组合，即RTTR和DR。据作者所知，到目前为止，几乎没有任何研究彻底研究了优化DR和RTTR在风力发电平衡中的联合效益。尽管在现实世界中，配电网运营商遇到了智能电网这样的大想法，其中包含了几个工具，包括DR和RTTR。显然，在现实世界中，网络运营商和利益攸关方没有面临关于不同技术和解决方案的独立问题。根据我们的经验，网络运营商和利益相关者面临以下四种情况:

1. 无论何时何地遇到任何热限制，忽略RTTR和DR，继续加强现有的网络。
2. 关注供应方使用RTTR有效利用现有基础设施的想法。
3. 关注激活DR的需求方思想，有效的利用现有的基础设施。
4. 注重供给侧和需求侧策略，以利用最大效益，从而更有效地利用现有网络基础设施和资产。

根据上述描述，任何理性经营者都会选择第四种策略，其中供应方（RTTR）和需求方（DR）的想法都被集体使用，以提高现有系统在承载重大间歇性DGs方面的利用率,但是，这可能会产生误导，应为关注了这两种想法可能需要对扶持技术进行大量的投资。因此，回答上述问题需要更深入的调查，以量化和比较这四种战略的好处。

本文的主要贡献是为分销公司开发一个数学模型，以优化他们的网络运行时，DR被激活与RTTR合作，以提高DG的利用率。DG依赖于随机天气条件的本质要求对网络组件进行实时天气依赖评级。利用动态热模型，本文提出了一个框架来部署由于DGs与实时网络热状态之间的更强依赖性而释放的网络容量，以挖掘DR电位。本文还研究了在网络容量有限的情况下，RTTR作为一种释放网络容量的新工具，以及DR作为负载整形工具在开销(OH)网络中应用的好处。最后，研究分析了客户渗透水平和暖通空调关键参数对DR和RTTR联合优化所取得的总效益的影响。本研究利用典型的芬兰配电网计划，并对相关案例进行了模拟，得出了有趣的结论。

本文概述如下。第二节讨论了本研究的初步基础，而通过DR和RTTR的风力发电平衡框架在第三节中给出。第四节介绍了测试系统。第五节概述了案例研究及其随后的结果。最后，第六节提出了结论。

1. DR和RTTR的能力
2. 暖通空调的DR前瞻性和热动力学模型

1）暖通空调作为住宅DR工具:本文将DR处理仅限于国内暖通空调负荷。所研究的暖通空调系统是一种蓄电空间供暖系统。这些装置具有较大的蓄热能力，如热水箱，因此它们可以在不改变客户舒适度的情况下改变能源需求。选择用于咏应用的暖通空调负荷的主要原因是它们在年能耗中占主导地位，以及它们对国内日常负荷状况的巨大影响。其次，客户的热舒适性是温度死区的函数;而在其他电器的情况下，很难定义客户舒适的可接受限度。此外，不需要额外的硬件，除了智能恒温器，以利用暖通空调负荷^[10]的功率延迟功能。室内空气温度的动力学强烈依赖于建筑结构的热质量和热损失，因此必须导出DR对荷载剖面的影响。在下一小节中，导出了房屋热行为的真实模型，以评估DR的作用。

2）建筑热模型：本文采用2层容量建筑原型（图.1）^[10]对环境温度的微妙动力学进行建模。在这个模型种，顾名思义，考虑了两个热容量，其中一个分配给空气Ca（kJ/℃-msup2;）而第二容量则均匀地分布在建筑织物上Cm（KJ/℃-msup2;）。值得注意的是，地板结构中的热容量也包括在热质量容量中。室内空气节点的能量平衡可用下列状态空间方程表示。

图1.双容量建筑原型 状态空间方程

其中(kWh/h)是暖通空调的热输出功率。He（W/℃-msup2;）表示室内环境温度（℃）和室外温度节点（℃）之间的虚热导率，Hg（W/℃-msup2;）表示地温节点（℃）与地面（℃）之间的热导率。Htimes;（W/℃-msup2;）是管理通风空气热容流量的热导率有着（℃）温度。Hm（W/℃-msup2;）和Hy（W/℃-msup2;）既包含固体壁材料的热传导，也包含表面的对流。表示热质量温度。需要注意的是，所有的热容和温度，和均是固定常数，而是输入变量，，以及则是模型的输出变量。

1. RTTR的能力

在新出现的主动配电网中，负荷是高度随机的，公用事业公司有兴趣最充分的利用其资产。RTTR系统使用有源配电网能够更接近过载状态而不受损坏。更重要的是，它能够利用环境因素提供的有利条件。RTTR系统的基本原理是地下电缆的绝对最大承载能力，OH线路和变压器取决于其绝缘的热限量。它们绝缘的热态也取决于环境条件的变化，如风速、外界温度和太阳辐射。然而，需要适当的动态热模型来将载荷和环境效应转化为部件的热态。

热模型需要对每一种可用的传热机制，如对流、传导和辐射进行数值表示。在本研究中，采用[21]未填充导管装置中地下电缆的动态热模型。对于配电变压器和OH线，标准IEEESTD，和IEEE标准，分别使用738-2006，[22]，[23]。

利用对未来24小时天气变量的订正预测，每小时更新RTTR方法。RTTR方法利用UG电缆、OH线和变压器的动态热模型，利用前一小时的初试热状态和下一小时天气变量、DG输出和负载的预测，给出下一小时的容量。感情的读者请阅读[20]，其中详细介绍了RTTR方法

1. 拟用方法

本节介绍了一个顺序程序，以评估协调DR和RTTR对风力发电利用的联合效益。在这样做时，人们认为有一个聚集器，有很大比例的风力发电和大量的暖通空调负荷。它有利于信息汇集公司对负载进行实时管理，使风力发电的利用率最大化。作为回报，客户将根据其参与水平获得货币奖金。因此，它从住宅负荷和风前器收集信息，以作出适当的控制决策。信息汇集公司必须处理一些问题。 信息汇集公司有义务尊重每个客户的温度偏好和热舒适性。其次，由于响应负载的倾斜能可能受到网络容量的影响，因此必须在每个时间步骤进行潮流研究，以确定负载承诺不违反任何网络容量限制。优化例程在以下24小时内以移动窗口样式的1小时分辨率实时执行。仿真过程如图所示。2见下文。

模块1：首先，根据历史數据预测未来24小时的天气状况相关输入数据。采用一种 简单的自回归综合移动平均(ARIMA) 模型对风速[24]等天气变量进行预报。对于风速数据，估计的累积分布函数(CDF)是一天中每小时具有相同值的核平滑估计数。

模块2：在第二个模块中，DG输出(在不失去通用性的情况下，所有DGS都被认为是风电)和关键负载预测。风电输出采用(2) -(4)给出的模型进行估计》。风力机产生的有功功率可以通过使用风速、标称功率输出、切断速度和额定输出^[20]的速度参数的模型来计算。

其中是风力涡轮机产生的有功功率，是额定功率，是额定功率下的风速。是切入风速（m/s），

图2. 拟用方法流程图 是风速（m/s），是斜率K是常数。

该模型用两条直线逼近风力机的功率特性曲线

对于关键负荷预测，首先从AMR（自动抄表）数据中获得小时负荷数据，然后利用对一组大型消耗数据^[25]的多元回归分析，将关键负荷从总负荷中分类。为了模拟的目的，对临界负荷数据进行了缩放。这里值得一提的是，暖通空调负荷是使用第二-A节中提出的建筑模型明确估计的，因此被优先考虑统计方法。

模块3：在该模块中，对消费群体的国内负载配置文件进行了调度，使总负载与风廓线最大程度地匹配。这是在一个优化函数的帮助下模拟的，其目标是最小化负载剖面与风力产生之间的总偏差。优化函数考虑了客户在约東条件下的温度偏好和网格限制。

1. 目标函数:目标是最大限度地减少风输出与总负荷之间的偏差。考虑了这一目标，因为它有利于网络运营商和聚合商最大限度地利用可用的风力发电。在北欧电力市场，汇集者有义务向各自的传输系统运营商(TSO)宜布他们的每日调度，而网络运营商的作用是促进电力流动和绿色能源，而没有任何削减。在实际交付时间，信息汇集公司必须在每小时电力调度之间保持严格的平衡，相对于宣布的提前一天的建议，在提前一天的市场。根据风和负荷的预测精度，会发生一些偏差。在向上偏差的情况下，TSO在调节电力市场上向信息汇集公司出售电力(向下调节)，从而消除了观察到的能量赤字。对于风力发电超过修正负荷的情况，假设分布式发电的额外容量将被削减。不遵守指定的小时功率将使信息汇集公司支付不平衡的费用，这与偏离预定功率的功率量成正比。一个具有足够份额的分布式风力发电和重要的暖通空调负荷组合的信息汇集公司可以利用所提出的框架，以尽量减少风和总负荷之间的小时偏差，从而最大限度地提高风的产生，并尽量减少总偏差。另一方面，配电网运营商必须承担任何削减风能的费用，这取决于它与风电场运营商/聚合商的协议。因此，这两个市场参与者必须与优化风力利用和网络运营的目标达成一些共同的协议。然而，由于目前的市场法规和结构只允许信息汇集公司管理最终用户负载，因此信息汇集公司负责使用拟议的框架。请注意，本研究的重点是通过仅在配电网中协调DR和RTTR来提高DGs的利用率。此外，还假定与传输电平的连接点被认为是无限总线。目标函数可以表述如下:

minimize (5)

在（5）中，tisin;T和nisin;N分别属于时间间隔集和客

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[606228]，资料为PDF文档或Word文档，PDF文档可免费转换为Word