图1 物理拓扑结构示意图
Fig.1 Physical topology schematic
摘要 为铁路牵引供电系统中牵引变电站接入光伏等新能源以及储能，是积极落实能源交通绿色融合发展战略的手段之一。协同规划各个牵引变电站的新能源储能容量，能够有效提升较长距离牵引供电网络的绿色化水平。该文以融通型牵引供电架构为基础，以“规划+运行”为基本思路，提出多牵引变电站光伏-储能协同规划配置方法。首先对负荷侧数据进行处理，同时建立光伏出力的概率模型；其次以经济性最优建立单牵引变电站优化规划模型，并采用广义目标级联（G-ATC）法，考虑投资、运行成本最小及弃光成本最小，构建同一铁路沿线多座牵引变电站的协同规划模型，对多站点进行协同规划配置；最后针对得到的协同规划配置方案进行了运行模拟，并以某货运铁路为例进行分析。结果表明，该方法能够合理、高效地完成多站点新能源-储能规划配置并满足系统运行需求，为既有基于融通供电型的牵引供电系统升级改造提供了可行方案。
关键词：轨道交通绿色能源系统 牵引变电站 广义目标级联法 光伏-储能 协同规划
我国拥有世界上最庞大的轨道交通运营网络，“能交融合”发展与“双碳”战略的实施共同推动其向高效能、高弹性和绿色化方向演进，并逐步与新型电力系统发展相适应。随着我国步入构建现代能源体系的新阶段，能源低碳转型进入重要窗口 期[1]，但从资产全寿命周期角度来看，轨道交通运营网络的碳排放占比仍然处于高位，降低碳排放量已然成为亟待解决的问题之一。然而，轨道交通路域存在大量空置面积，对其铺设光伏等新能源进行合理利用，有助于资产实现能源化转型。以上原因使得新能源储能引入牵引供电网络并构建轨道交通绿色能源系统成为当下的发展趋势。
针对轨道交通牵引供电系统引入绿色能源方面，已有相关文献对此开展研究。文献[2]针对“网-源-储-车”一体化供能体系及规划配置技术进行了研究综述。文献[3]针对双流制（直流-交流）牵引供电系统引入铁路功率调节器后的储能配置进行了分析。文献[4]系统性地分析了新能源-储能组分优化配置原则、协同运行等关键方案及核心技术体系架构。文献[5]针对协同供能的轨道交通供能系统架构，建立了多源供能自洽平衡规划系统，并分析了基于协同供能的转型发展路径。文献[6]以高速铁路牵引供电系统为载体，研究了能量优化调度方法并予以实例分析。文献[7]通过分析城市轨道交通牵引供电系统特点，结合短期能量预测的手段，对接入的风光储系统容量优化配置进行了研究。
上述文献的共同目标是研究将风光等新能源接入牵引供电网络后，容量优化配置及调度运行等关键问题。但是，牵引供电网络相较于普通供电网络具有运行负荷单一、对外封闭特性，即以供给电力机车能量为最主要目标，且不允许在其上任意增加接入点，从而保证运行安全的特点。因此，牵引变电站成为将风光等新能源接入牵引供电网络并提供绿色能源的最佳接入点。由于大多数牵引供电网络采用融通型供电架构，存在电分区与电分相[8-10]，实际架构条件使得引入新能源-储能的牵引变电站在物理架构上与多微电网类似。而对于多微电网联合调度[12]、协同规划[13]、能量管理[14]等方面，相关学者已经采用粒子群优化算法[15-16]、灰狼-正弦余弦优化算法[17]等智能算法；鲁棒多目标优化[18]等计及不确定性的优化算法；交替方向乘子法[19]等分布式算法等方法进行了研究，已有较为广泛且深入的研究成果。
截至目前，以新朔铁路为代表的“网-源-储-车”国内首个光伏供能铁路牵引项目已经成功实现一期并网[20]，为新能源引入轨道交通牵引供电系统提供了范例；以荷兰、德国为代表的欧洲国家也已经相继建成新能源并入牵引供电系统的实际工程[21]。但是上述实际工程中，新能源储能的并网其供电形式与融通型有所区别。除上述内容外，目前直接以引入新能源储能的多牵引变电站系统为载体的研究较为少见，更鲜有针对融通型架构的多牵引变电站新能源-储能协同规划配置的具体研究。为提升牵引供电系统用能的绿色化水平、促进新能源消纳、构建协同优化供能体系，本文构建了同一铁路沿线多座牵引变电站的新能源储能协同规划配置模型，并以某货运铁路为例进行了仿真分析，所做的工作 如下：
（1）对牵引负荷数据进行平均化处理，减小负荷数据的剧烈波动性，使其稳定于平均值附近并上下波动；同时以年光伏数据为基础，建立了年典型日光伏概率出力模型。
（2）以“规划+运行”为主线，分别建立了单个牵引变电站的光伏-储能规划模型并进行运行模拟；在此基础上采用广义目标级联（Generalized Analytical Target Cascading, G-ATC）法，对由多个牵引变电站组成的一体化规划配置系统进行协同规划配置、联合运行模拟，并最终得到多站点协同规划配置方案。
（3）充分考虑一体化系统的经济性，并最大化消纳新能源，提升了系统的绿色化水平。
牵引变电站作为牵引供电网络的重要能量节点，将高压配电网的三相电能转变为25 kV的两相低压电，并通过两条长度分别为20～25 km的供电臂为电力机车提供单相电能，相应的物理拓扑结构示意图如图1所示。
以“规划+运行”为基本思路，首先建立单个牵引变电站的规划配置模型。
图1 物理拓扑结构示意图
Fig.1 Physical topology schematic
1.1.1 目标函数
针对单站点，本文以系统日均总成本最小为目标函数，具体表达式为
（1）
式中，
为牵引变电站的系统日均总成本；
为等日值投资成本；
为等日值运行成本。
等日值投资成本包含光伏设备的投资费用、储能设备功率与容量的投资费用，即
（2）
式中，
为设备折现率；
、
分别为光伏、储能设备的折现年数；
、
、
分别为牵引变电站的光伏单位投资成本、储能设备单位功率投资成本、储能设备单位容量投资成本；
、
、
分别为牵引变电站的光伏配置容量、储能配置功率与储能配置容量。
典型日运行成本包含光伏设备的运行成本、储能设备的运行成本以及牵引变电站与上级配电网的功率交互成本，即
（3）
式中，
、
、
、
分别为储能设备的单位功率运维成本、光伏设备的单位功率运维成本、牵引变电站购电价格和返送功率的上网电价；
、
、
、
、
分别为牵引变电站在t时刻的储能充电功率、储能放电功率、光伏出力、购电功率以及反馈回上级电网的功率；T为研究调度周期，本文取T=24 h；
为时间间隔，本文取=1 h。
1.1.2 约束条件
1）光伏实际出力具有上、下限约束
（4）
其中
式中，
、
分别为
时刻牵引变电站配置光伏实际出力的最小值与最大值；
为光伏出力波动的系数；
为光伏出力的预测值。
2）光伏额定容量限制
考虑实际工程条件，单站点安装的光伏额定容量具有上、下限约束为
（5）
式中，
、
分别为牵引变电站能够配置的光伏最小额定容量与光伏最大额定容量。
3）储能系统的实际充放电功率约束
（6）
式中，
为描述储能充放电状态的布尔变量，确保储能在任一时刻只能处于一种工作状态。
4）与上级电网之间的实际交互功率约束
（7）
式中，
为联络线最大传输功率上限；
为描述购售电状态的布尔变量，确保在任一时刻购
售电不能同时进行。
5）储能系统的电量约束
（8）
式中，
为牵引变电站的储能初始电量；
为储能时段1内的电量；
、
分别为时段1内的储能充电功率、放电功率；
、
分别为储能的充电效率与放电效率。
（9）
式中，
为储能时段电量；
为储能
时段电量。
6）储能电量始末状态约束
（10）
式中，
为一日内第24个时段的储能电量。
7）储能电量的上、下限约束
（11）
其中
式中，
、
分别为时刻牵引变电站配置储能实际电量的最小值与最大值；
、
分别为储能荷电状态的最小值和最大值。
8）储能配置要求
根据地方政策，储能配置容量与额定时长需满足
（12）
式中，
为储能与光伏配置功率的最小配比；
为储能连续充放电的最短时长。
9）负荷的波动范围
（13）
其中
式中，
为时刻牵引变电站的实际负荷功率；
、
分别为负荷功率波动范围的上、下限；
为负荷的预测值；
为负荷不确定性的波动系数。
10）系统功率平衡约束
（14）
目前，对于既有铁路牵引供电网络引入新能源储能，一般选取融通型供电架构。根据文献[2]可知，融通型供电架构具有如下特点：不同牵引变电所或供电臂之间通过铁路功率调节装置（Railway static Power Conditioner, RPC）互联，同时新能源系统、储能系统、能馈系统采用并联接入的方式，即使在部分系统故障的情况下也不影响牵引供电系统正常供电，如图2a所示。采用融通型架构可以有效减少既有线路的改造成本。但是，由于电分相等基本结构依然存在，且RPC等电力电子设备主要应用于电能质量改善、牵引网融冰等方面，其能量传输损失较大，因此各站点之间的牵引负荷功率、新能源储能设备功率可视为相互独立，直接功率耦合较弱。基于既有的融通型供电体系架构，单座牵引变电站供电范围的限制决定了电气化铁路必须每隔30～50 km配置一座变电站，以保证牵引网络的供电正常。基于工程实际及上述内容，协同供能系统需要为沿线距离均匀分布的
座牵引变电站接入新能源及储能，牵引变电站基本满足链式分布，如图2b所示。以“规划+运行”为基本思路，建立多牵引变电站一体化协同规划配置数学模型。
图2 多牵引变电站互联拓扑与分布
Fig.2 Multi-traction substation interconnection topology and distribution
1.2.1 目标函数
在对一体化系统协同规划配置时，除需考虑多站点整体的等日值投资成本与日运行成本外，还需要尽可能确保系统的新能源消纳率最高。综上所述，多站点一体化协同规划配置系统的目标函数为
（15）
式中，
为变电站的编号；
为多牵引变电站系统内牵引变电站的编号集合；
为一体化系统的总成本；
为各牵引变电站的日均总成本，表达式如式（16）所示；
为一体化系统的弃光总成本，表达式如式（17）所示。
（16）
（17）
式中，
为单位功率弃光成本。
1.2.2 约束条件
在1.1.2节中，已经详细阐述了对单座牵引变电站配置光伏与储能的约束条件。多牵引变电站为单牵引变电站的集合体，通过对已有约束进行整理，依据约束条件中所含变量的不同，可分为如下两类：
1）规划类约束
（18）
2）运行类约束
（19）
不同于城市轨道交通或高速铁路，货运铁路行车运行的使用期较长，在较长一段时间内，铁路的负荷数值不会发生较大变化，保证了数据的平稳性和研究的典型性，本文使用的数据为货运铁路典型日的牵引负荷功率数据，以此开展规划配置工作。规划配置通常以年为时间尺度，规划配置结果在工程实施落地后将持续使用若干年，以小时为步长进行研究，相对于若干年的时间尺度已经较为细致，亦可体现出该时段内的负荷功率特点；同时考虑到日内调度时段数，为完成数据时间尺度的匹配，对原始数据以小时为单位进行平均化处理。计算每小时内的牵引负荷平均功率，作为该小时内负荷的预测值。计算公式为
（20）
式中，
为站点在时刻的预测值，
；
为原始负荷数据在第
秒时的实际功率值。牵引负荷原始数据采样间隔为1 s，采样时段为24 h。在多牵引变电站协同规划配置系统内，以牵引变电站1为例，图3为牵引变电站1的原始数据。图4为经过处理后的5座变电站负荷数据。为节省篇幅，变电站2～5的原始数据均放于附录中。
图3 牵引变电站1原始负荷数据
Fig.3 Raw load data of traction substation 1
由图2可知，多牵引变电站系统规划配置中，站间距最大为
km；考虑到同一地级市所辖范围在170～200 km，而同一地区的光伏出力近似相同，对于含有5座及以下的牵引变电站的多站点协同规划系统，各子站的光伏出力可近似等效为同一出力，因此采用同一组原始光伏数据作为协同规划系统的光伏出力。
图4 预处理后负荷数据
Fig.4 Pre processed load data
光伏原始数据采样间隔为1 h，采样时段为8 760 h。为保证规划配置的全年适用性，构建基于概率的光伏年典型日出力模型，具体步骤如下：
（1）以每小时为一个时间段，将光伏出力原始数据中相同时间段内的出力数据进行分组，构建以时段为基础的光伏出力集合为
（21）
式中，
为依据处理时段重构的光伏出力集合；
为全年在0
00—100时间段的光伏出力大小数据集，是含有365个元素的行向量或列向量。出力集合中其余时段的含义可类比000—100时间段，此处不再赘述。
（2）对相同时间段内的出力数据，依据出力的标幺值大小进行统计划分，出力的标幺值以0.1(pu)为步长，并计算各出力标幺区间的概率大小为
（22）
式中，
为在0:00—1:00的时段内光伏出力大小在标幺值0～0.1(pu)区间范围内的概率值；
为在0:00—1:00的时段内光伏出力大小在标幺值0～0.1(pu)区间范围内的光伏出力天数。在0:00—1:00的时段内出力在其余标幺区间的概率计算方法同0:00—1:00时段，此处不再赘述。
（3）计算在0:00—1:00内光伏出力大小在标幺值0～0.1(pu)区间范围内所有出力值之和，并求取平均值，将平均出力值与步骤（2）中求得概率相乘，即得到概率出力值
。
（23）
（24）
式中，
为平均出力值；
为出力值之和。其他时间段内的其余标幺出力区间的概率出力值依据上述方法即可得到，此处不再赘述。
（4）将步骤（1）～步骤（3）中所得到的概率出力值按照时段求和，即可得到年典型日的光伏概率出力。不同时间段内不同标幺值出力的概率柱状图如图5所示，处理后的光伏概率出力如图6所示，光伏原始数据见附录。
图5 年典型日光伏出力离散概率分布直方图
Fig.5 Histogram of the discrete probability distribution of typical daily PV output for the year
图6 光伏数据预处理
Fig.6 PV data preprocessing
传统的目标级联法是一种典型的分布式算法，文献[22-23]从数学的角度证明了其收敛性，并能够有效得出各层级系统的解。目前，目标级联法已经应用于电网结构优化[24]、优化运行[25]等领域。但是，受限于隐私性，传统的目标级联法各级主体之间只能通过设定好的关联变量进行信息交互，在数据融合交互方面存在不足。
在多牵引变电站协同优化系统中，各站点之间不存在数据壁垒且数据耦合性较弱，使得各牵引变电站可以选择独立优化，亦可与其他所有站点组成整体进行协同规划。因此，本文提出G-ATC算法，即在原有目标级联法的基础上，忽略不同主体之间的隐私性，上、下层主体之间可以进行数据共享。
为实现上、下层问题的解耦，实现问题的并行计算，本文将系统级协同规划模型式（15）作为上层模型，将站点级规划配置模型式（1）作为下层模型，构成如图7所示的两级递阶优化问题。上、下层之间以各牵引变电站同上级高压配电网的交互功率为关联变量，下层各牵引变电站的规划配置结果为上层系统级协同规划配置提供参考，两层级交替求解直至满足收敛条件。
图7 光伏-储能协同规划双层模型
Fig.7 Two-layer model for PV-storage synergistic planning
将单个牵引变电站的规划配置数学模型式（1）重构为增广拉格朗日函数，即
（25）
式中，
为单站点
的增广拉格朗日函数后缀项；
为上层问题对下层问题反馈的优化结果；
、
分别为下层模型拉格朗日乘子和罚函数乘子。
将多牵引变电站的规划配置数学模型式（15）重构为增广拉格朗日函数，即
（26）
式中，
为多站点协同系统的增广拉格朗日函数后缀项；
为下层问题对上层问题反馈的优化结果；
、
分别为上层模型拉格朗日乘子和罚函数乘子。
在求解、迭代过程中，乘子的更新规则如下
（27）
式中，上标
为迭代次数；
为罚函数乘子的放大系数。
收敛条件为
（28）
式中，
、
为收敛精度。
综上所述，使用G-ATC算法求解多站点协同规划模型的流程如图8所示。
本文以我国北部地区某条货运铁路为例来验证本文所提模型与方法。该货运铁路含主要牵引变电站6～7座，其绿色化改造主要围绕5～6座牵引变电站开展，结合2.2节中所提及范围，选取该铁路沿线上属同一单位管理并运营的5座牵引变电站及其构成的多牵引变电站协同规划系统作为研究对象，对其配置光伏与储能。考虑协同规划系统所在地区的实际光照情况以及铁路的实际工程要求和铁路经由地区实际铺设条件，并在规划过程中留有一定裕度，所配置的光伏容量应当在4.7～10 MW之间。在采用G-ATC求解模型的过程中，收敛精度、分别取值1 kW和0.1，仿真时间步长为1 h。5座变电站所在的同一地区年光伏出力情况近似相同，故采用相同的年典型日出力曲线。由于5座变电站的实际运营单位相同，因此对其配置的光伏、储能均选取同一型号的设备。此外，5座变电站采用相同的联络线交互电价，由于不改变原有的牵引变压器及其他站内设备，容量电费在配置前后可近似视为相同的一个常数，因此本文以电度电费作为系统的运营成本。随着新能源产业链不断发展成熟，其上的各个环节产量会逐渐上升、成本会逐渐降低，本文参考文献[1]的部分仿真参数，结合实际情况进行调整，协同规划配置系统的具体参数见附录。本模型通过Matlab软件平台基于YALMIP工具箱调用商业优化软件GUROBI进行求解。
图8 模型求解流程
Fig.8 Solution flow of the model
5座变电站协同规划配置结果见表1，运行模拟结果如图9所示。可以看出，在协同配置光伏和储能的情况下，系统能够有效满足平稳运行，保证系统能量平衡。光伏与储能相配合，能够使得系统最大化消纳光伏等新能源，采用绿色能源供给系统中的负荷，着力构建轨道交通绿色能源系统。
表1 系统的规划配置结果
Tab.1 Collaborative planning and configuration results of the system
牵引变电站光伏配置功率/kW储能配置容量/(kW·h)储能配置功率/kW系统日均总成本/元 17 036.84 482.02 241.019 805 26 997.84 008.32 004.221 597 35 483.75 324.42 662.212 107 48 046.34 150.62 075.325 669 57 000.45 095.72 547.822 938
图9 各牵引变电站模拟运行结果
Fig.9 Simulation of the operation of each traction substation
新能源储能并入牵引供电系统后，一般采用自发自用模式，其并网发电后收益主要来自于国家给予的度电补贴收益，一般取0.1元/(kW·h)[26]。光伏年有效发电时间约为1 500～1 700 h，按照1 600 h计算，各牵引变电站的年发电量及补贴收益见表2。
表2 各牵引变电站光伏的年发电量
Tab.2 Annual generation of photovoltaics at each traction substation
牵引变电站12345 年发电/[万元/(kW·h)]1 125.91 119.6877.41 287.41 120.1 光储设备总投资/万元870.4813.7890.2882.5939.6 年补贴收益/万元112.59111.9687.74128.74112.01
依据表2可得，牵引变电站1～5的设备投资成本回收周期分别为7.7年、7.3年、10.1年、6.9年、8.4年，投资回收周期基本小于设备使用年限，结果较为合理，具备一定的推广前景。
根据计费方式的不同，交互功率计费方式一般分为“返送正计”、“返送不计”与“返送负计”。根据目前的通行政策，牵引变电站向上级配电网返送的再生制动能量，电网公司采取“返送正计”或“返送不计”方式，即对再生制动能量收取线路使用费用或是无偿返送回上级配电网，不产生收益。“返送负计”即未来电网公司与铁路运营机构进行市场化运营后的计费方式，故返送功率的上网电价取负值。此外，由于市场运营条件，牵引变电站向上级配电网的售电价格低于购电价格，故将牵引变电站返送功率的上网电价设定为购电价格的80%。
本文所提模型采用的计费方式为“返送正计”。随着能源交通融合技术的逐步成熟，铁路能量返送给配电网并获取售电收益，降低系统总运行成本，是未来的发展方向之一。为探索交互功率计费方式对系统配置结果及运行成本的影响，设置“返送不计”、“返送负计”两组对照情景。
图10为采用不同的计费方式时协同规划系统规划配置结果（5个牵引变电站容量之和）及系统总成本的对比。可以看出，采用“返送负计”的计费方式能够减少协同规划系统配置的光伏和储能容量，减小系统的投资成本，系统日均总成本明显低于其他两种计费方式。说明随着未来政策的不断调整，本文所提规划配置模型能够为协同规划系统的设备高效能升级改造提供理论指导。
图10 采用不同计费方式时结果对比
Fig.10 Comparison of results when using different billing methods
采用协同规划的目的之一是降低系统的配置成本，本节以光伏容量配置为例进行说明。图11为协同规划配置与单站点逐个配置的光伏容量对比。
由图11及附表1可得，协同优化时光伏投资成本为1 728万元，单站点优化时光伏投资成本为2 317万元，采用协同规划方法可以节省25.4%，说明本模型具有更好的经济性能。对于协同系统的规划配置而言，最大化提升供应和运行的经济性是提升系统高效能的显著指标之一。采用协同优化配置的方法能够一次性求得各站点的规划配置容量，在充分满足系统正常运行、调度稳定的条件下，减小子站点中光伏的装机量，有效地降低了各站点光伏设备的投资成本，即可说明采用协同配置的经济性与高效性。本模型未采用储能设备的配置情况进行对比的理由为：①因实际工程与地方政策强制要求，储能设备须严格满足同光伏设备的安装约束关系；②储能设备自身的出力限制；③储能设备受光伏设备出力与负荷影响较为明显。综上所述，储能设备在规划配置过程中为调节平衡类设备，其受限于多条约束，规划配置自由度远小于光伏设备，因此无法与光伏设备类比并进行对比分析。
图11 光伏容量配置对比
Fig.11 Comparison of PV capacity configuration
此外，本文采用的年典型日光伏最大出力为0.45(pu)，所提模型的计算结果为协同规划系统提供了近50%的后备容量，故可以保证在全年任意一天的光伏出力条件下系统正常运行。较高的后备容量能够提升系统在极端条件下的弹性，为构建高弹性系统、研究弹性规划配置做好了铺垫。
进行协同规划能够提升光伏、储能设备的利用效率，促进新能源消纳，进而提升新能源发电量在系统中的占比，达到提升系统的绿色化程度的目的。图12为绿色能源为负荷提供总能量的占比。
由图12可知，在协同规划的情况下，各个子站点的光伏出力占比均超过了40%，远大于工程要求的15%。说明协同规划结果在保证系统正常运行的基础上，能够有效促进新能源的消纳，为构建绿色能源系统提供了支撑。
图12 光伏出力占比
Fig.12 PV output proportion
图13为收敛误差值，对应式（28）的两个收敛条件。
图13 收敛误差值
Fig.13 Convergence error value
由图13可知，经过3次迭代误差值2满足收敛精度，经过7次迭代误差值1满足收敛精度，算法的收敛速度快，计算精度较高。5个牵引变电站协同规划配置的计算时间在40 s左右，计算效率较高，可以满足系统规划和运行模拟需求。
在能源与交通融合愈发紧密的形势下，轨道交通牵引供电系统新能源-储能的协同规划配置是亟须推进的研究方向。合理调配、协同规划各个牵引变电站的新能源、储能容量，能够有效提升较长距离牵引供电网络的绿色化以及系统协调程度。本文对多座牵引变电站的光伏储能协同规划配置问题进行了研究，得到如下结论：
1）本文构建的多站点协同规划配置模型充分考虑了多站点运行的实际情况，采用G-ATC方法对模型进行求解。求解结果表明，本文所提模型及求解算法能够给出合理的多站点光伏-储能规划配置方案，并保证各个子系统的正常运行以及经济性。
2）本文提出的协同规划配置方法能够在有效降低系统规划配置成本的同时，满足系统的运行条件，为类似工程的多站点协同规划配置提供了一种可行的选择方案。
3）本文提出的协同规划配置方法能够有效促进新能源消纳，并为弹性规划留出了后备容量，有利于引导轨道交通系统的弹性化改造与绿色化演进。
值得指出的是，本文虽然完成了多站点协同规划配置，但规划配置结果是在较为理想的系统条件下得到的，尚未对配置的光伏储能系统在多变的实际运行条件、系统出现故障时进行适用性分析。随着能源交通融合进程加速推进，如何既保证系统规划的经济性、高效性，又满足多工况实际运行条件且能够有效应对故障条件下的临时性工况，在绿色化、高效能的背景之下提升系统的弹性并做好弹性规划配置，是下一步的研究方向之一。
附 录
附图1 牵引变电站2～5原始负荷数据
App.Fig.1 Raw load data of traction substation 2 to 5
附表1 多牵引变电站协同规划配置系统参数
.Tab.1 Multi-traction substation cooperative planning and configuration system parameters
参 数数 值 设备折现率0.08 储能设备的折现年数/年10 光伏设备的折现年数/年15 储能单位容量投资成本/[元/(kW·h)]1 107 储能单位功率投资成本/(元/kW)100 光伏单位容量投资成本/(元/kW)500 储能充电效率0.94 储能放电效率0.94 光伏设备单位运维成本/(元/kW)0.01 储能设备单位运维成本/(元/kW)0.009 联络线最大传输功率/kW10 000 电度电费/(元/kW)0.725 拉格朗日乘子初始值0.01 罚函数乘子初始值0.01 罚函数乘子放大系数2.3
附图2 光伏原始数据
App.Fig.2 PV raw data
参考文献
[1] 陈艳波, 田昊欣, 刘宇翔, 等. 计及电动汽车需求响应的高速公路服务区光储充鲁棒优化配置[J/OL]. 中国电机工程学报, 2023, https://doi.org/10.13334/j. 0258-8013.pcsee.231850.
Chen Yanbo, Tian Haoxin, Liu Yuxiang, et al. Robust optimization configuration of photovoltaic-energy storage-charging integrated system in expressway service area considering demand response of electric vehicles[J/OL]. Proceedings of the CSEE, 2023, https://doi.org/10.13334/j.0258-8013.pcsee.231850.
[2] 高仕斌, 罗嘉明, 陈维荣, 等. 轨道交通“网-源-储-车”协同供能技术体系[J/OL]. 西南交通大学学报, 2022, https://kns.cnki.net/kcms/detail/51.1277.U.20221130. 1759.003.html.
Gao Shibin, Luo Jiaming, Chen Weirong, et al. Rail transit ‘network-source-storage-vehicle’ collaborative energy supply technology system[J/OL]. Journal of Southwest Jiaotong University, 2022, https://kns.cnki. net/kcms/detail/51.1277.U.20221130.1759.003.html.
[3] 赵宏程, 李再华, 赖俊宏, 等. 基于RPC的混合储能接入双流制牵引供电系统协调运行方法[J]. 储能科学与技术, 2023, 12(9): 2862-2870.
Zhao Hongcheng, Li Zaihua, Lai Junhong, et al. Coordinated operation method of RPC-based hybrid energy storage access dual-mode traction power supply system[J]. Energy Storage Science and Tech- nology, 2023, 12(9): 2862-2870.
[4] 陈冲, 贾利民, 赵天宇, 等. 去碳化导向的轨道交通与新能源融合发展——形态模式、解决方案和使/赋能技术[J]. 电工技术学报, 2023, 38(12): 3321- 3337.
Chen Chong, Jia Limin, Zhao Tianyu, et al. Decarbonization-oriented rail transportation and renewable energy integration development- configu- rations, solutions, and enabling/empowering tech- nologies[J]. Transactions of China Electrotechnical Society, 2023, 38(12): 3321-3337.
[5] 李全生, 卓卉. 基于协同供能的轨道交通能源转型发展路径研究[J]. 北京交通大学学报(社会科学版), 2022, 21(3): 53-60.
Li Quansheng, Zhuo Hui. Research on the development path of rail transit energy based on synergistic energy[J]. Journal of Beijing Jiaotong University (Social Sciences Edition), 2022, 21(3): 53-60.
[6] 成柯. 含光伏与混合储能的高速铁路供电系统能量优化调度方法研究[D]. 兰州: 兰州交通大学, 2023.
Cheng Ke. Study on energy optimization dispatching method of high-speed railway power supply system with photovoltaic and hybrid energy storage system[D]. Lanzhou: Lanzhou Jiaotong University, 2023.
[7] 武沛池. 城市轨道交通中风光储系统的短期能量预测与容量优化配置研究[D]. 南昌: 华东交通大学, 2023.
Wu Peichi. Study on short-term energy prediction and capacity optimal allocation of wind and solar energy storage system in urban rail transit[D]. Nanchang: East China Jiaotong University, 2023.
[8] 胡海涛, 葛银波, 黄毅, 等. 电气化铁路“源-网-车-储”一体化供电技术[J]. 中国电机工程学报, 2022, 42(12): 4374-4391.
Hu Haitao, Ge Yinbo, Huang Yi, et al. “Source- network-train-storage” integrated power supply system for electric railways[J]. Proceedings of the CSEE, 2022, 42(12): 4374-4391.
[9] 罗嘉明, 韦晓广, 高仕斌, 等. 高速铁路储能系统容量配置与能量管理技术综述与展望[J]. 中国电机工程学报, 2022, 42(19): 7028-7050.
Luo Jiaming, Wei Xiaoguang, Gao Shibin, et al. Summary and outlook of capacity configuration and energy management technology of high-speed railway energy storage system[J]. Proceedings of the CSEE, 2022, 42(19): 7028-7050.
[10] 莫少雄. 中压柔性直流铁路牵引供电系统运行域模型[J]. 电气技术, 2022, 23(10): 41-50.
Mo Shaoxiong. Dispatchable region model for medium- voltage flexible direct current railway traction power system[J]. Electrical Engineering, 2022, 23(10): 41-50.
[11] 陈池瑶, 苗世洪, 姚福星, 等. 基于多智能体算法的多微电网-配电网分层协同调度策略[J]. 电力系统自动化, 2023, 47(10): 57-65.
Chen Chiyao, Miao Shihong, Yao Fuxing, et al. Hierarchical cooperative dispatching strategy of multi-microgrid and distribution networks based on multi-agent algorithm[J]. Automation of Electric Power Systems, 2023, 47(10): 57-65.
[12] 董雷, 杨子民, 乔骥, 等. 基于分层约束强化学习的综合能源多微网系统优化调度[J]. 电工技术学报, 2024, 39(5): 1436-1453.
Dong Lei, Yang Zimin, Qiao Ji, et al. Optimal scheduling of integrated energy multi-microgrid system based on hierarchical constraint reinforcement learning[J]. Transactions of China Electrotechnical Society, 2024, 39(5): 1436-1453.
[13] 张后谊. 多微电网系统体系架构建模及能量协同优化管理研究[D]. 重庆: 重庆大学, 2020.
Zhang Houyi. Study on system of systems architecture model and energy cooperative opti- mization management of multi-microgrid systems[D]. Chongqing: Chongqing University, 2020.
[14] 范培潇, 杨军, 温裕鑫, 等. 基于可进化模型预测控制的含电动汽车多微电网智能发电控制策略[J]. 电工技术学报, 2024, 39(3): 699-713.
Fan Peixiao, Yang Jun, Wen Yuxin, et al. A multi microgrid intelligent generation control strategy with electric vehicles based on evolutionary model predictive control[J]. Transactions of China Elec- trotechnical Society. 2024, 39(3): 699-713.
[15] 邢毓华, 侯静茹, 支娜. 功率互济的多独立微电网运行优化及分析[J]. 电工电能新技术, 2022, 41(3): 33-42.
Xing Yuhua, Hou Jingru, Zhi Na. Operation optimization and analysis of independent double microgrid group with power mutual assistance[J]. Advanced Technology of Electrical Engineering and Energy, 2022, 41(3): 33-42.
[16] 唐忠, 田晨, 资容涛. 多微电网互联系统的储能容量配置[J]. 电测与仪表, 2019, 56(4): 95-100.
Tang Zhong, Tian Chen, Zi Rongtao. Energy storage capacity configuration of inter-connected multi- microgrids[J]. Electrical Measurement & Instru- mentation, 2019, 56(4): 95-100.
[17] 李蕊睿, 李奇, 蒲雨辰, 等. 计及功率交互约束的含电-氢混合储能的多微电网系统容量优化配置[J]. 电力系统保护与控制, 2022, 50(14): 53-64.
Li Ruirui, Li Qi, Pu Yuchen, et al. Optimal configuration of an electric-hydrogen hybrid energy storage multi-microgrid system considering power interaction constraints[J]. Power System Protection and Control, 2022, 50(14): 53-64.
[18] 王鲁浩, 李歧强, 丁然, 等. 可再生能源微网鲁棒多目标优化调度[J]. 电工技术学报, 2017, 32(5): 184-192.
Wang Luhao, Li Qiqiang, Ding Ran, et al. Robust multi-objective optimization scheduling of micro- grids with renewable energy[J]. Transactions of China Electrotechnical Society, 2017, 32(5): 184-192.
[19] 欧阳聪, 刘明波, 林舜江, 等. 采用同步型交替方向乘子法的微电网分散式动态经济调度算法[J]. 电工技术学报, 2017, 32(5): 134-142.
Ouyang Cong, Liu Mingbo, Lin Shunjiang, et al. Decentralized dynamic economic dispatch algorithm of microgrids using synchronous alternating direction method of multipliers[J]. Transactions of China Electrotechnical Society, 2017, 32(5): 134-142.
[20] 牵引供电所BJTU. “网-源-储-车”—国内首个光伏供能铁路牵引项目成功实现一期并网[EB/OL]. (2023-12-29). https://mp.weixin.qq.com/s/HyOb9kxZfscw6alKJc6G6w.
Institute of traction power supply BJTU. “Net- Source-Storage-Car”-China’s first photovoltaic energy supply railroad traction project successfully realizes a phase of grid connection [EB/OL](2023-12-29). https://mp.weixin.qq.com/s/HyOb9kxZfscw6alKJc6G6w.
[21] 胡田飞, 刘济华, 李天峰, 等. 铁路与新能源融合发展现状及展望[J]. 中国工程科学, 2023, 25(2): 122-132.
Hu Tianfei, Liu Jihua, Li Tianfeng, et al. Current status and prospect of the integration of railway and new energy[J]. Strategic Study of CAE, 2023, 25(2): 122-132.
[22] Kim H M, Michelena N F, Papalambros P Y, et al. Target cascading in optimal system design[J]. Journal of Mechanical Design, 2003, 125(3): 474-480.
[23] Tosserams S, Etman L F P, Papalambros P Y, et al. An augmented Lagrangian relaxation for analytical target cascading using the alternating direction method of multipliers[J]. Structural and Multi- disciplinary Optimization, 2006, 31(3): 176-189.
[24] 张旋, 张玉敏, 吉兴全, 等. 基于目标级联分析法的输电网结构优化[J]. 电力自动化设备, 2023, 43(2): 218-224.
Zhang Xuan, Zhang Yumin, Ji Xingquan, et al. Optimal transmission switching based on analytical target cascading method[J]. Electric Power Auto- mation Equipment, 2023, 43(2): 218-224.
[25] 罗首权, 丁孝华, 韩韬, 等. 基于目标级联分析法的区域源网荷储系统日前运行优化[J]. 电工电能新技术, 2021, 40(7): 11-19.
Luo Shouquan, Ding Xiaohua, Han Tao, et al. Day- ahead operation optimization of regional scale source network load storage system based on analytical target cascading theory[J]. Advanced Technology of Electrical Engineering and Energy, 2021, 40(7): 11-19.
[26] 戴朝华, 陈维荣, 邓文丽. 电气化铁路牵引供电系统: 光伏发电理论与技术[M]. 北京: 科学出版社, 2020.
Abstract The continuous integration of energy and transportation development is a hot topic. Connecting new energy sources such as photovoltaic (PV) and energy storage equipment to the traction substations in the railroad traction power supply system is one of the means to implement the green integration of energy and transportation and enhance the greening degree of the system. Reasonable deployment and coordinated planning of new energy and energy storage capacity in each traction substation can effectively improve the greening of the longer-distance traction power supply network and the degree of system coordination. Thus, a green energy system for rail transportation can be gradually built up.
Based on the integrated traction power supply architecture and the basic idea of “planning + operation”, a collaborative planning and configuration method for PV and energy storage in multiple traction substations is proposed. The purpose of this method is to complete the one-time and integrated configuration of a multi-traction substation system. The traction load side data are processed. The means of averaging eliminates the drastic volatility of the load and meets fluctuations near the mean value. The time scale can be reduced while ensuring its volatility. A probabilistic model is established to construct the yearly typical day PV output model. According to the hour-by-hour output interval, the probability processing histogram of PV is constructed, and the probability sum of PV output is obtained by stepwise summation. The annual typical daily output curve is finally obtained.
Then, with the economic optimization, a single traction substation optimization planning model is established. The generalized analytical target cascading (G-ATC) method is used to construct a cooperative planning model for multiple traction substations along the same railroad line, by minimum investment and costs operational alongside PV power curtailment expenses of the cooperative planning system. Finally, the operation simulation is carried out. The cooperative planning model of multiple traction substations along the same railway line is constructed, and the cooperative planning configuration is carried out. Then the proposed model and method are verified by taking the freight railroad as an example. By changing the billing method of the interactive power on the contact line, the payback period of the investment cost is calculated.
The proposed model can reasonably and efficiently complete the multi-site new energy-energy storage planning configuration and meet the system operation requirements, providing a feasible solution for the upgrading and greening of the existing traction power supply system.
keywords：Rain transit green energy system, traction substation, generalized analytical target cascading method, photovoltaic and energy storage, collaborative planning
DOI: 10.19595/j.cnki.1000-6753.tces.240164
中图分类号：TM715; U223
国家重点研发计划资助项目（2021YFB2601502）。
收稿日期 2024-01-24
改稿日期 2024-02-23
陈艳波 男，1982年生，博士，教授，博士生导师，研究方向为电力系统态势感知、新能源电力系统分析、能量管理、能源交通融合和新一代人工智能。E-mail: chenyanbo@ncepu.edu.cn
刘宇翔 男，1999年生，硕士研究生，研究方向为新能源电力系统分析、能源交通融合、电力系统规划。E-mail: lyxbgyx@163.com（通信作者）
（编辑 陈 诚）