摘要 通信基站普遍配有备电储能,且其大多数时间处于闲置状态。随着5G基站的加速建设,与之而来的大量备电储能对配电网来说将是十分可观的灵活性资源。为实现资源的充分利用,探究5G基站储能参与配电网灵活调控的潜力具有重要意义。在此背景下,该文提出一种计及5G基站储能协同的分布式储能(DES)优化配置方法:首先,通过对5G基站的负荷特性及灵活储能容量进行分析,提出含5G基站储能的配电网“规划-运行”双层优化模型,其中,规划层以网络年综合成本最小为目标,对DES进行选址定容,运行层以电压综合水平最优为目标,对DES与基站储能的调度策略进行寻优;然后,为高效求解该模型,提出了一种适用于大量异质变量的多目标动态评价优化算法,该算法通过对变量分组并在求解过程中自适应调整目标函数的选取,以加快求解速度、提高搜索精度;最后,仿真结果证明了所提出的DES协同优化配置方法在降低成本和促进新能源消纳方面的有效性,以及所提出优化算法在兼顾多目标与快速求解方面的优越性。
关键词:分布式储能 优化配置 5G基站 规划运行协同 多目标动态评价
为实现“双碳”的发展目标[1],我国新能源发电占比正不断提高[2]。随着以分布式光伏为主的新能源大规模接入配电网,系统面临的不确定性显著增加,电力电量平衡也面临巨大挑战[3]。在此背景下,分布式储能(Distributed Energy Storage, DES)由于具有可将电能在时间上进行灵活转移的特点,正逐渐成为促进分布式新能源安全、高效并网的主要方法之一[4]。
目前许多学者开展了对DES安装位置和容量进行合理规划及相关控制策略的研究。文献[5-7]在考虑DES安装与运行成本的基础上,对DES的选址定容进行优化。文献[8-10]研究了大规模光伏并网条件下,适用于新能源消纳的DES优化控制策略。然而,由于现阶段储能技术的成本仍然较高,高投资是制约DES大规模应用的主要因素。因此,在对DES进行优化配置时,如何利用配电网中的现有资源与DES进行联合,在改善系统运行的同时降低DES成本,具有更现实的研究意义。对此,文献[11]建立了计及储能与柔性负荷的联合规划模型,通过考虑配电网经济成本、电压平稳度及供电负荷平稳度三个指标,得到多场景下的储能最佳配置方案。文献[12]建立了源-网-荷-储灵活性资源协同的光伏与储能联合优化配置模型,该模型在保证配电网经济性的前提下,以分布式光伏全年总发电量最大为目标。文献[13]针对柔性多状态开关与DES的联合规划问题,兼顾配电网年综合运行成本的经济性,以及网损与电压的改善,建立了基于时空特性的双层规划模型。上述研究均证明了在对DES进行优化配置过程中,其他资源协同参与的技术性与经济性潜力。
目前,第5代移动通信技术(简称5G技术)正在全球快速推广。截至2022年,我国已累计部署5G基站160万个[14]。相较于4G基站,5G基站由于信号覆盖半径更小,需部署的数量将更多[15]。为保证通信服务的可靠性,基站通常配有储能电池,以在市电中断时作为备用电源使用。随着5G基站加速部署,其带来的储能资源将不容小觑,而基站储能大部分时间处于闲置状态[16],上述因素为5G基站在保证自身可靠供电的基础上参与配电网优化运行提供了广阔的空间。目前,相关研究已陆续开展。文献[17]根据电气距离将基站划分成基站群,并通过群中电能共享的方法实现了新能源的充分利用。文献[18]重点考虑基站储能剩余电量上网的潜力,通过动态规划算法得到基站能量管理最优策略,实现了运营商电费最大限度的减少。文献[19]构建了5G基站参与配电网运行的灵活性描述模型,在可再生能源出力和通信负载不确定背景下,实现了电网运行成本降低与低碳减排的双重目标。上述研究均充分证明了5G基站储能参与配电网运行的巨大潜力。由此,在DES优化配置这一问题中,也可考虑基站储能的协同参与,以在改善配电网运行、促进新能源消纳的同时,降低DES的投资成本,实现资源利用的最大化。对于基站运营商来说,也可通过盘活基站储能资源并赚取收益。
因此,本文基于5G基站的运行特性,提出其协同参与的DES优化配置方法。在该过程中,需对两个层面进行考量,分别是DES选址定容的规划层面,以及DES与5G基站储能的运行控制层面。这两个层面具有强耦合关系:DES的安装位置及容量是运行所需的系统参数和边界条件;DES与5G基站储能的运行优化结果,即配电网运行时的电压质量和网络中的有功损耗又直接反映了DES配置结果的优劣。因此,需采用“规划-运行”联合优化的方法进行统筹考量。然而,在对上述联合优化问题进行求解的过程中,涉及大量异构的决策变量,包括DES的位置、容量等离散型变量,以及DES、基站储能充放电功率等连续型变量,导致该问题的数学模型复杂、初始点难设置、解空间庞大,求解十分困难。对此,本文提出一种考虑大量异质变量的多目标动态评价优化算法(an optimization algorithm based on multi-objective Dynamic Assessment considering massive Heterogenous variables,以下简称为DA-H算法),以对所提出的配电网规划与运行强耦合问题进行高效求解。
综上所述,本文提出了一种含5G基站储能参与的DES优化配置方法,实现了配电网规划与运行的联合优化及资源的充分利用。和已有的工作相比,本文的创新与贡献如下:
1)为挖掘5G基站备电资源参与配电网优化运行的潜力,提出了一种计及5G基站储能运行协同的DES优化配置方法。
2)建立了含5G基站的配电网“规划-运行”双层计算模型。通过与5G基站协同调度,实现了在优化配电网电压的同时,降低了分布式储能投资成本与配电网运行成本。算例证明了5G基站参与配电网调度的潜力,并通过对比分析5G基站参与配电网调度前后的成本与收益,证明了其参与配电网运行的可行性与潜在意愿。
3)提出了一种适用于大规模异质变量并考虑多个目标函数的DA-H优化算法。该算法针对优化问题中不同特性的变量分别进行处理,并在求解过程中自适应调整优化问题中的多个目标,以实现快速求解以及提高解的精确性的目的。
5G基站中的设备可分为供电设备、通信设备和其他设备三类。其基本结构如图1所示。
图1 5G基站的基本结构
Fig.1 The basic structure of 5G base station
供电设备包括电源和储能电池;通信设备包括有源天线单元(Active Antenna Unit, AAU)、基带单元(Base Band Unit, BBU)和网络传输设备;照明设施和空调被归类为其他设备。
正常情况下,由基站电源将配电网中的交流电转换为直流电给通信设备供电。为保证5G基站运行的可靠性,其配有的储能电池可在市电中断时,给通信设备提供一定时长(一般取3 h)的后备供电[20]。
通信设备中,AAU可实现对无线信号的接收与发送;BBU负责对信号进行处理;网络传输设备负责实现5G网络接入,并与5G主干网络进行交互。
5G基站用电负荷中,AAU用电量最大,约占基站总用电量的90%[21],且对通信负载强度十分敏感。其余设备的用电量相对稳定。因此,可将5G基站负荷特性函数分为两部分[22]:第一部分代表BBU和照明、空调、监控等设备的负荷功率,可近似为固定常数;第二部分为AAU的负荷功率,与通信负载呈线性关系。具体表达式为
式中,为t时刻安装在第i个节点的5G基站的用电负荷;a和b为拟合回归方程常数;
为t时刻安装在第i个节点的5G基站的通信负载。
因此,通信负载越大,5G基站的总用电量就越大,此时为保证通信服务的可靠性,储能电池内需预留的电量也更多。5G基站一般参考最大负载下的功耗进行储能容量配置。由于市电中断情况很少发生,且通信负载在一天中波动明显,目前基站储能大部分时间处于浮充状态,且容量配置存在冗余[23]。综上所述,本文将5G基站储能容量划分为两部分:一部分是保证5G基站在市电中断时可稳定运行一段时间的安全备电容量;另一部分是可参与配电网运行的灵活调度容量。随着通信负载的变化,这两部分容量占比也随之改变,但总和保持恒定,如图2所示。
图2 5G基站储能容量动态划分
Fig.2 Dynamic division of energy storage capacity in 5G base station
基站储能各时刻的安全备电容量为
式中,为安装在第i个节点的5G基站在t时刻所需的安全备电容量;
为最短备电时间,根据通信行业标准GB 51149—2016[24]及文献[25]中计算可知,
通常取3 h。
由可进一步得到安装在第i个节点的5G基站储能的荷电状态(State of Charge, SOC)下限
为
式中,E为5G基站储能的总容量。
此外,还应避免基站储能过度充电,即
式中,为安装在第i个节点的储能t时刻的SOC上限;
为根据5G基站储能自身特性设置的上限。
至此,可以得到安装在第i个节点的5G基站在t时刻的SOC约束为
根据实时SOC状态及其上、下限,可得到5G基站储能灵活调度容量的时序表达式,包括可充电及可放电容量,有
(6)
式中,和
分别为安装在第i个节点的5G基站储能在t时刻的可充电、放电容量。
根据5G基站储能的实时SOC状态及其上、下限,以及5G基站储能的实时可充放电容量(式(3)~式(7)),可计算出5G基站储能在Dt时间段内的最大充电功率为
式中,为安装在第i个节点的5G基站Dt时间段内的最大充电功率;
为5G基站储能电池的最大充电功率限制。
同理可得
式中,为安装在第i个节点的5G基站在Dt时间段内的最大放电功率;
为5G基站储能电池的最大放电功率限制。
当配电网出现故障时,基站储能需对5G基站进行一定时间的供电以保证其不间断运行。因此,基站储能的动作成本与配电网的可靠性密切相关。
配电网的可靠性评估指标有年平均停电时间、年平均停电频率、年供电可靠率等。本文选取年平均停电时间,如式(10)所示[26]。
式中,R为配电网可靠性;n为系统节点数量;ti为配电网第i个节点的年平均停电时间,h。
5G基站储能最短备电时间与年平均停电时间
的关系为
根据基站储能最短备电时间和基站用电负荷
可计算出基站储能所需的最小备电容量,进而计算出储能的动作成本。本文采用式(12)对基站储能电池的动作成本进行计算。
(12)
式中,为基站储能动作成本;
为基站储能充放电成本;
为单位充放电电费成本,由配电网的电价决定;
与
分别为基站储能的充电和放电功率;Dt=1 h;
为充放电时间间隔总数。
为挖掘5G基站储能参与DES协同配置的潜力,需要对配电网的规划与运行两个层面的目标进行优化。其中,规划层的决策变量为DES的安装位置与容量,目标是使配电网年综合成本最小化,该目标函数的表达式为
式中,为配电网年综合成本;
、
分别为DES的投资和运维成本,元/年;
为配电网有功损耗费用。
DES的投资成本为
式中,为储能电站的功率成本,元/kW;
为储能电站的容量成本,元/(kW·h);
和
分别为储能的最大充放电功率和最大容量。
配电网有功损耗费用为
式中,为电价;
为t时刻的有功损耗;
为线路
电阻大小;
为t时段流过线路
电流;
为配电网支路数。
运行层的决策变量为DES与基站储能的充放电策略,目标是使配电网的电压综合水平最优,具体可通过最小化以下三个电压指标实现。
1)电压基准偏差
2)电压时刻偏差
(17)
3)最大电压偏差
式中,为i节点在t时刻的电压;
为配电网额定电压;
为该配电网中的节点数;
与
分别为配电网一天内运行时的最大电压与最小电压。
在对上述双层模型进行优化求解的过程中,还需考虑以下系统与调控手段的相关约束。
1)配电网运行约束
(1)潮流约束
式中,、
分别为节点j流入的有功、无功功率;
、
分别为节点i流向节点j的有功与无功功率;
、
为节点j处的负荷;
、
为连接节点
与节点j的支路上的功率损耗;
、
为该支路阻抗。
(2)安全约束
式中,为该支路
能承载的最大安全电流。
2)DES运行约束
式中,T和分别为运行的总时段数和各时段持续时间;
和
分别为安装在i节点DES的额定容量和时段t的荷电量;
、
、
和
分别为安装在i节点DES的充、放电功率和充、放电功率最大值;
和
分别为充、放电效率;
和
分别为安装在i节点DES荷电量的上、下限;
和
分别为安装在i节点DES的t=0和t=T时的荷电量。
3)5G基站储能运行约束
5G基站储能的充放电约束如式(8)、式(9)所示。
在第2节所介绍的双层模型中,由于涉及量异构决策变量,易导致寻优搜索效率降低并困于局部最优解。因此,本节提出适用于对该模型进行求解的DA-H算法。该算法根据决策变量连续或阶跃的性质对其进行分组,通过“分而治之”的方式实现高效搜索。在众多演化算法(Evolutionary Algorithm, EA)中,粒子群算法相较于其他算法在应用时需调整的参数较少、编码简单更容易实现[27]。因此,DA-H算法基于粒子群优化搜索的框架,首先通过对各类型决策变量分别赋予不同的惯性权重,以提升搜索速度。变量分组示意图如图3所示。
图3 变量分组示意图
Fig.3 Schematic of variable grouping in DA-H
针对所建立的双层模型,可将决策变量分为DES位置、DES容量、DES动作及5G基站储能动作四类,因此在优化前需对粒子进行编码,有
式中,X为决策变量;n_DES为配电网中DES的数量;n_BS为配电网中5G基站的数量;为第m个DES接入配电网的位置;
为第m个DES的容量;
为第m个DES在t时刻的充/放电功率;
为第m个5G基站储能在t时刻与配电网的交换功率。
粒子的更新方式为
(24)
(25)
式中,、
分别为粒子i的位置与速度;
、
分别为第i个粒子中第n个决策变量的数值和迭代速度;
和
分别为第i个粒子中第n个变量在第k+1次迭代中的位置和速度;
为在第k次迭代中第i个个体最优粒子的第n个决策变量的值;
为在第k次迭代中全局最优粒子的第n个决策变量的值;
为第n个变量所对应的惯性因子;
、
为第n个变量的学习因子;
、
为0~1之间的随机数。
上述模型中,惯性权重对算法的收敛速度和是否陷入局部最优有很大影响。现有的设置方法主要是使
随着迭代次数的增加而逐渐递减。然而,无论采用线性还是非线性递减方法,都没有考虑寻优过程中各粒子与最优点之间距离的动态变化。
对此,本文提出一种自适应调节的方法,该方法通过计算每轮迭代中各粒子与当前全局最优粒子之间的距离来设置下一轮迭代中将采用的惯性权重。具体方法为
式中,为第k次迭代中,第i个粒子与全局最优粒子在第d个变量上的距离;
为第k次迭代中,全局最优粒子第d个变量值;
为该轮迭代中第i个粒子第d个变量值;
、
分别为第k次迭代中所有粒子第d个变量的最大值和最小值;
、
分别为惯性权重的初始与结束值;
为第k+1次迭代中,第i个粒子中第d个变量将采用的惯性权重。
式(26)确保了对于决策变量中的每一项,当其与全局最优值距离较远时,应增大惯性权重以进行更广泛的全局搜索;当其与全局最优值距离较近时,应减小惯性权重以进行更精细的局部搜索。
在所建立的双层优化模型中,为使配电网在运行期间多项电压指标达到综合最优,运行层需对多种电压函数进行优化。因此,提出考虑多目标的适应度动态评价方法并将其嵌入DA-H算法。该方法通过为各目标函数匹配对应的隶属函数曲线,以在每一轮迭代中判断粒子在各目标下的隶属度,即粒子当前在各目标下的优劣程度,并根据隶属度为各粒子选取下一轮迭代中的寻优方向,以此实现粒子适应度的动态评价。该方法示意图如图4所示。
图4 考虑多目标的动态评价优化方法
Fig.4 Dynamic assessment optimization method considering multiple objectives
图4包含以下四个步骤:
1)在每一轮迭代中,分别计算出各个粒子沿三个方向的适应度,即三个目标函数值。分别用三种颜色表示三个目标函数,因此每个粒子可分别向黄(目标一)、绿(目标二)、蓝(目标三)三个颜色圈进行映射。
2)对比同一粒子的三个目标函数值,即选取三个颜色圈中的同一粒子进行各目标函数值的对比。由于三个目标函数均期望最小化,因此对于同一粒子,选取当前对应数值最大的目标函数,作为该粒子在下一轮迭代中的优化目标。
3)以此类推,对所有粒子的三个目标函数值进行比较,并选出各粒子在下一轮迭代中的优化方向。
4)进入下一轮迭代。
需要注意的是,多目标动态评价方法相较于其他多目标问题的处理方法,更适用于对多个相近的目标,或是同一类问题的多个评价指标进行优化求解。多目标动态评价方法根据每轮迭代中粒子位置的不同,赋予粒子不同的适应度计算方法,以实现在兼顾已经较优目标的同时,将更多的资源倾向给更加需要优化的目标函数的目的,从而提高算法的计算速度及全局收敛性。采用多目标动态评价方法得到的最优解,对系统而言是一个均衡解,即位于帕累托前沿上的一个解。
针对第2.1节介绍的三个电压指标,根据其变化趋势对配电网影响的不同,选取以下两种隶属函数:针对电压基准偏差式(16)与电压时刻偏差式(17),由于其数值越小,代表系统运行情况越好,但配电网中的电压波动无法完全消除,在一定范围内的波动是可以接受的,因此选择偏小型柯西分布作为隶属函数,如式(27)与图5a所示。
式中,、
分别为电压基准偏差值或电压时刻偏差值的上、下界。
针对最大电压偏差式(18),采取中间型梯形分布函数,如图5b与式(28)所示,图中、
分别为配电网安全运行的最小、最大电压;
、
分别为配电网正常运行的最小与最大电压。当最大电压偏差在可接受范围内时,其隶属函数值为1,表示该目标不需要优化;当最大电压偏差在可接受范围外但未超过系统允许范围时,隶属函数值随着电压偏差的增大而线性降低,该目标的优化优先级逐渐升高;当最大电压偏差超过系统所允许范围时,隶属函数值为0,表示该目标需要优先优化。
图5 三项电压指标对应的隶属函数
Fig.5 Membership functions corresponding to three voltage indices
在所提出的含5G基站储能的配电网“规划-运行”双层优化模型中,规划层与运行层分别考虑的优化目标、决策变量,以及两层之间的传递关系如图6所示。
图6 含5G基站储能的配电网“规划-运行”双层优化模型求解示意图
Fig.6 Schematic of the two-layer model of distribution network “planning-operating” with 5G base station energy storage
采用DA-H算法对第2节中双层模型进行求解的过程如图7所示。
图7 DA-H算法求解流程
Fig.7 Flow chart of DA-H algorithm
本文选用IEEE 33节点系统对所提出的模型与算法进行仿真验证,其结构如图8所示。该系统总负荷为3 715 kW+j2 300 kvar,额定电压为12.66 kV。所采用的负荷日运行曲线及光伏出力曲线如图9所示。
图8 IEEE 33节点系统
Fig.8 IEEE 33-bus system
图9 光伏发电与负荷的日运行曲线
Fig.9 Daily profiles of PV generation and load
该配电系统包含4个光伏发电机组,分别安装于节点4、10、13、29,各节点装机容量均为800 kW·h。节点6、8、15、31接入5G基站群,每个基站群由100座基站组成,各站备电储能的额定容量均为18 kW·h,最大、最小荷电状态分别为90%和10%。单个5G基站通信负载参考文献[28]。
图10 5G基站通信负载曲线
Fig.10 Communication load of the 5G base station
DES的参数设置如下:初始SOC=0.5;容量范围设置在0.5~3.5 MW·h;运维成本=72元/年;功率成本
=1 897元/kW;容量成本
=1 000元/(kW·h)[27]。
计算过程中涉及的其他参数设置见表1。
为验证所提出方法的有效性,建立以下五个场景进行比较:
场景1:对DES进行优化配置,5G基站储能参与协同调度;运行层以电压综合水平最优为目标,采用DA-H优化算法进行求解。
场景2:对DES进行优化配置,5G基站储能不参与调度;运行层以电压综合水平最优为目标,采用DA-H优化算法进行求解。
表1 计算参数设置
Tab.1 Parameter settings
参数数值 迭代次数500 种群个数80 学习因子1.496 2 学习因子1.496 2 惯性权重初始值0.9 惯性权重结束值0.4 电压基准偏差范围(pu)0.2~0.4 电压时刻偏差范围(pu)0~0.015 ,(pu)0.9, 1.1 ,(pu)0.95, 1.05
场景3:对DES进行优化配置,5G基站储能参与协同调度;运行层仅以最小化电压基准偏差为目标,采用DA-H优化算法进行求解。
场景4:对DES进行优化配置,5G基站储能参与协同调度;运行层仅以最小化电压时刻偏差为目标,采用DA-H优化算法进行求解。
场景5:对DES进行优化配置,5G基站储能参与协同调度;运行层仅以最小化最大电压偏差为目标,采用DA-H优化算法进行求解。
4.2.1 DES配置结果对比
场景1与场景2的DES选址定容结果见表2。可以看到,场景1中DES所需的配置容量相较于场景2减少了45.9%,这是由于基站储能参与了系统调度,导致所需的DES容量减少。
表2 场景1与场景2的DES选址定容结果
Tab.2 The siting and sizing results in scenario 1 and scenario 2
场景1场景2 DES接入位置节点14节点11 DES接入容量/(MW·h)1.5162.801
4.2.2 各项经济性指标对比
将场景1、场景2和不考虑DES配置与基站储能协同的原始系统方案进行比较,其对应的配电网年综合成本等日值如图11所示。
在场景1基于5G基站储能协同的DES优化配置方案中,配电网年综合成本等日值为567.00元,其中包括有功损耗费用407.40元、DES的投资与运维成本159.60元;在场景2直接对DES进行优化配置的方案中,配电网综合成本等日值为828.70元,包括有功损耗费用579.00元和DES的投资与运维成本249.70元;在原始方案中,由于系统未配置DES且基站储能不参与电网运行,其年综合成本等日值即为日运行有功损耗费用719.00元。
图11 不同场景下的配电网年综合成本等日值对比
Fig.11 Comparison of distribution network total cost under different scenarios
由图11可以看出,场景1的配电网年综合成本等日值比场景2中的成本减少了31.6%,这是由于5G基站储能参与了协同优化,使配电网对DES的功率与容量需求显著降低,因此对DES的投资与运维成本减少了36.1%;同时,由于基站储能的参与使各时刻可灵活调度的功率增加,配电网有功损耗减少了29.6%。与原始系统方案相比较,场景1的综合成本等日值减少了21.1%,场景2的综合成本等日值却增加了15.2%。这是由于在场景2中,尽管通过对DES进行调度使系统有功损耗减少了24.1%,但由于DES配置的成本较高,其综合成本相比与原始方案反而有所增加。
4.2.3 5G基站参与配电网调度前后的电压水平对比
场景1与场景2中配电网的电压分布分别如图12、图13所示,其对应的储能调度结果分别如图14、图15所示。
图12 场景1配电网的电压分布
Fig.12 Network voltage distribution in scenario 1
图13 场景2配电网的电压分布
Fig.13 Network voltage distribution in scenario 2
图14 场景1 DES与5G基站储能的调度结果
Fig.14 Scheduling results of DES and 5G base station energy storage in scenario 1
图15 场景2 DES的调度结果
Fig.15 Scheduling results of DES and 5G base station energy storage in scenario 2
对比图12和图13可以看出,场景1相较于场景2有效地平抑了配电网运行时的电压波动问题。同时消除了午间14:00由光伏出力过大造成的电压越上限问题,以及晚间19:00由负荷过大且无新能源出力导致的电压越下限问题。
从图14中可以看出,场景1中5G基站储能在上午5:00—6:00系统总负荷较低时充电,在8:00—9:00当系统的总负荷发生了第一次明显跃升时,5G基站储能通过少量放电以平缓总负荷波动,进而平抑了图13中8:00—9:00电压降低引起的波动。在10:00—16:00期间,由于光伏出力较多,且负荷相对平稳,此时DES与5G基站储能均进行充电,以减少光伏出力对配电网造成的冲击,这期间储存的电能正好可支撑晚间(17:00—22:00)较高的净负荷,从而避免因负荷过大引起的电压越下限问题。24:00时,DES与5G基站储能均进行充放电以回归初始状态,为第二天调度做准备。从图15可以看出,尽管场景2中仅采用DES也可将光伏产生的电能在时间上进行转移,以支撑晚间较大的用电负荷,但受限于DES的容量,该方案只能在一定程度上缓解配电网全天的电压波动情况,无法完全消除电压越限问题。相反,场景1中由于有5G基站参与协同调度,可以在午间储存更多来自光伏的电量,以平衡晚间大量负荷对配电网造成的冲击,并限制了由于新能源大量接入和负荷快速波动造成的电压波动甚至越限问题。
4.3.1 基站参与配电网调度前后的成本对比
首先,对基站不参与配电网调度,仅从自身利益出发所产生的成本进行计算。根据1.3节,当配电网可靠性为99.9%时,其平均停电时间为8.76 h,基站储能最短备电时间取3h。根据式(12)及文献[29]中参数计算可得,为保障对通信负载的全年不间断供电,基站储能在停电时间内产生的动作成本等日值为14.73元。同时根据图10的基站负载曲线及单位电价可计算出本文算例中的5G基站每日用电成本为11 896元。由此,可计算出5G基站的总成本为11 910.73元。
当基站参与配电网调度时,在保证5G基站负载不间断供电的前提下,基站储能还将根据配电网的调度指令进行有序充、放电。由此可以计算出5G基站的总成本为12 014.34元,比不参与调度时的成本多出103.61元,这是由基站储能参与配电网调度产生的额外充放电动作所造成的。
4.3.2 基站参与配电网调度后的收益分析
由4.2节可知,由于基站储能参与了系统调度,场景1的DES配置与系统运行总成本比场景2中降低了31.6%,节省出来的部分收益应分给基站运营商作为补贴,进而调动基站参与配电网运行的积极性,实现可持续合作。本文以参与系统调度的贡献度作为依据进行收益分配。通过计算可知,基站储能参与配电网日运行的总调度量为3 060.76 kW·h,DES参与日运行的总调度量为1 647.84 kW·h,因此基站运营商可获得总收益 261.70元中的170.38元。考虑到基站参与调度后储能的动作成本增加了103.61元,故5G基站参与配电网调度后的净收益为66.77元。由此可见,尽管参与配电网运行会使基站储能的动作增加,进而成本增加,但其协同运行能力不仅可降低DES所需的配置容量,还能够进一步改善系统运行,使配电网总成本显著降低,基站运营商获得更多补贴,进而有动力与意愿参与配电网运行。
4.4.1 对大规模、多类型决策变量进行处理的有效性分析
为验证DA-H算法对大规模、多类型决策变量进行分类处理的高效性,选取文献[30]中提出的改进粒子群优化(Particle Swarm Optimization, PSO)算法与DA-H算法进行比较。改进PSO算法的参数设置见表1,寻优初值均采用均匀分布随机生成的方式确定。分别采用两种算法对场景1中描述的问题进行求解。由于基于种群的元启发式算法相同数据下多次运行的结果可能存在偏差,采用两种算法分别计算20次得到收敛曲线如图16、图17所示。
图16 改进PSO算法计算20次的收敛曲线
Fig.16 Convergence curves of 20 times by improved PSO algorithm
对比图16、图17可以看出,由于场景1中的优化问题涉及决策变量多且变量性质各异(离散、连续),改进PSO算法20次计算中的收敛速度、收敛位置并不一致。然而,采用DA-H算法总是在第75~80轮迭代时开始稳定收敛,且收敛结果所对应的精度均小于0.1。可见,DA-H算法具有更快的收敛速度,且面对海量的决策变量,总能够跳出局部极值,快速稳定地找到最优解。
图17 DA-H算法计算20次的收敛曲线
Fig.17 Convergence curves of 20 times by DA-H algorithm
4.4.2 考虑多目标的适应度动态评价方法的有效性分析
场景1与场景3~5对应的各项电压指标数值见表3。表3中加粗的数值代表所有场景中该指标的最小值。
表3 场景1与场景3~5的电压指标对比
Tab.3 Comparisons of voltage indices in scenario 1 and scenario 3~5 (pu)
电压指标场景1综合水平场景3基准偏差场景4时刻偏差场景5最大偏差 电压基准偏差0.2830.270.3050.304 电压时刻偏差0.0070.010.0050.009 最大电压偏差0.0620.0740.0720.057
为对各场景中的多项电压指标进行更直观的对比,图18中以场景1中的三项电压指标值为基准,将场景3~5中采用单目标优化算法得到的各项电压指标进行归一化处理。
图18 场景1与场景3~5的各项电压指标对比
Fig.18 Illustration of voltage indices in scenario 1 and scenario 3~5
可以看出场景3~5由于只关注单独一项电压指标的优化,导致另外两项指标值均较差。而在DA-H算法中,通过对多目标进行动态评价,综合考虑了多个电压目标同时进行优化。尽管对单一目标的寻优性能有所下降,但是在其他目标上的优化结果均要优于传统的单目标优化。由此可知,通过多目标动态评价方法可以得到一个较为有效的均衡解。
本文通过对5G基站的运行特性进行分析,提出了一种计及5G基站运行协同的DES优化配置方法,实现了配电网规划与运行的联合优化,以及资源的充分利用。首先,为挖掘5G基站储能参与DES协同配置的潜力,建立了含5G基站储能的配电网“规划-运行”双层优化模型,该模型以在降低DES投资与配电网运行成本的基础上,对电压进行综合改善为目标。然后,为对该模型中涉及的大量、多类型决策变量进行寻优,提出了一种适用于大规模异质变量、考虑多个目标函数的DA-H优化算法。该算法首先根据决策变量的性质进行分组,通过分而治之的方式实现高效寻优;其次借助隶属函数,通过在寻优过程中对粒子进行动态的适应度评价与目标函数分配,实现将更多资源用于对当前较劣目标的优化,在进一步提升计算速度的基础上,确保全局收敛性,最终得到一个位于帕累托前沿上的均衡解。
为验证所提出模型与算法的有效性和先进性,采用IEEE 33节点算例进行仿真。结果表明,所建立的“规划-运行”联合优化模型可有效改善新能源高渗透率下配电网的多项电压指标,同时降低配电网的年综合成本;5G基站储能的协同参与使配电网对DES的容量与功率需求均减小,有效降低了DES的配置成本;5G基站参与配电网调度后可获得一定的经济效益,因此其参与配电网运行具备可行性;对比现有的优化搜索方法,本文所提出的DA-H优化算法具有更快的收敛速度,同时能够更加稳定地找到最优解。
由于本文是从电网运营商的角度来分析并验证所提出的DES优化配置方法的先进性,因此采用了以贡献度作为收益分配指标的简单方法来论证基站运营商具有参与配电网调度的意愿和动力,未来研究工作可进一步考虑存在分时电价的情况下,基站从自身利益出发,在保证供电可靠性的前提下以低储高发的方式获利的情况,还可考虑5G基站与配电网两个利益主体之间通过合作/非合作博弈的方式进行储能的优化调度。需指出的是,为验证5G基站储能作为灵活性资源参与配电网优化配置与调度的可行性,本文基于集中式控制对所提出方法进行了效益分析。然而,在实际运行中,集中式调度实施起来难度较大、建设成本高且对实时通信的要求高。因此在未来的研究中,开展基于分布式控制架构的5G基站灵活性资源调度方法研究具有重要意义。
参考文献
[1] 康重庆, 杜尔顺, 李姚旺, 等. 新型电力系统的“碳视角”: 科学问题与研究框架[J]. 电网技术, 2022, 46(3): 821-833.
Kang Chongqing, Du Ershun, Li Yaowang, et al. Key scientific problems and research framework for carbon perspective research of new power systems[J]. Power System Technology, 2022, 46(3): 821-833.
[2] 周孝信, 鲁宗相, 刘应梅, 等. 中国未来电网的发展模式和关键技术[J]. 中国电机工程学报, 2014, 34(29): 4999-5008.
Zhou Xiaoxin, Lu Zongxiang, Liu Yingmei, et al. Development models and key technologies of future grid in China[J]. Proceedings of the CSEE, 2014, 34(29): 4999-5008.
[3] 李军徽, 安晨宇, 李翠萍, 等. 计及调峰市场交易的储能-新能源-火电多目标优化调度[J]. 电工技术学报, 2023, 38(23): 6391-6406.
Li Junhui, An Chenyu, Li Cuiping, et al. Multi-objective optimization scheduling method considering peak regulating market transactions for energy storage-new energy-thermal power[J]. Transactions of China Electrotechnical Society, 2023, 38(23): 6391-6406.
[4] 李建林, 马会萌, 惠东. 储能技术融合分布式可再生能源的现状及发展趋势[J]. 电工技术学报, 2016, 31(14): 1-10, 20.
Li Jianlin, Ma Huimeng, Hui Dong. Present development condition and trends of energy storage technology in the integration of distributed renewable energy[J]. Transactions of China Electrotechnical Society, 2016, 31(14): 1-10, 20.
[5] 代倩, 吴俊玲, 秦晓辉, 等. 提升局部区域新能源外送能力的储能容量优化配置方法[J]. 电力系统自动化, 2022, 46(3): 67-74.
Dai Qian, Wu Junling, Qin Xiaohui, et al. Optimal configuration method of energy storage capacity for improving delivery ability of renewable energy in regional area[J]. Automation of Electric Power Systems, 2022, 46(3): 67-74.
[6] 李相俊, 盛兴, 闫士杰, 等. 基于交替方向乘子法的超大规模储能系统分布式协同优化[J]. 电网技术, 2020, 44(5): 1681-1688.
Li Xiangjun, Sheng Xing, Yan Shijie, et al. Distributed cooperative optimization for ultra-large-scale storage system based on alternating direction multiplier method[J]. Power System Technology, 2020, 44(5): 1681-1688.
[7] 蔡福霖, 胡泽春, 曹敏健, 等. 提升新能源消纳能力的集中式与分布式电池储能协同规划[J]. 电力系统自动化, 2022, 46(20): 23-32.
Cai Fulin, Hu Zechun, Cao Minjian, et al. Coordinated planning of centralized and distributed battery energy storage for improving renewable energy accommodation capability[J]. Automation of Electric Power Systems, 2022, 46(20): 23-32.
[8] 张博, 唐巍, 蔡永翔, 等. 基于一致性算法的户用光伏逆变器和储能分布式控制策略[J]. 电力系统自动化, 2020, 44(2): 86-94.
Zhang Bo, Tang Wei, Cai Yongxiang, et al. Distributed control strategy of residential photovoltaic inverter and energy storage based on consensus algorithm[J]. Automation of Electric Power Systems, 2020, 44(2): 86-94.
[9] 杨子龙, 宋振浩, 潘静, 等. 分布式光伏/储能系统多运行模式协调控制策略[J]. 中国电机工程学报, 2019, 39(8): 2213-2220, 4.
Yang Zilong, Song Zhenhao, Pan Jing, et al. Multi-mode coordinated control strategy of distributed PV and energy storage system[J]. Proceedings of the CSEE, 2019, 39(8): 2213-2220, 4.
[10] 温春雪, 赵天赐, 于赓, 等. 基于改进粒子群算法的储能优化配置[J]. 电气技术, 2022, 23(10): 1-9, 58.
Wen Chunxue, Zhao Tianci, Yu Geng, et al. Optimization configuration of energy storage based on the improved particle swarm optimization[J]. Electrical Engineering, 2022, 23(10): 1-9, 58.
[11] 程林, 齐宁, 田立亭. 考虑运行控制策略的广义储能资源与分布式电源联合规划[J]. 电力系统自动化, 2019, 43(10): 27-35, 43.
Cheng Lin, Qi Ning, Tian Liting. Joint planning of generalized energy storage resource and distributed generator considering operation control strategy[J]. Automation of Electric Power Systems, 2019, 43(10): 27-35, 43.
[12] 李勇, 姚天宇, 乔学博, 等. 基于联合时序场景和源网荷协同的分布式光伏与储能优化配置[J]. 电工技术学报, 2022, 37(13): 3289-3303.
Li Yong, Yao Tianyu, Qiao Xuebo, et al. Optimal configuration of distributed photovoltaic and energy storage system based on joint sequential scenario and source-network-load coordination[J]. Transactions of China Electrotechnical Society, 2022, 37(13): 3289-3303.
[13] 黄志强, 陈业伟, 毛志鹏, 等. 柔性多状态开关与分布式储能系统联合接入规划[J]. 电力系统自动化, 2022, 46(14): 29-37.
Huang Zhiqiang, Chen Yewei, Mao Zhipeng, et al. Joint access planning of soft open point and distributed energy storage system[J]. Automation of Electric Power Systems, 2022, 46(14): 29-37.
[14] 全球移动通信系统协会. 中国5G垂直行业应用案例2022[EB/OL]. (2022-03-28).https://www.gsma.com/ greater-china/resources/5g-in-verticals-in-china-2022-cn/.
[15] 张涌. 通信运营商的碳达峰、碳中和之路探讨[J]. 邮电设计技术, 2021(6): 1-4.
Zhang Yong. Discussion on road of carbon peak and carbon neutralization for communication operators[J]. Designing Techniques of Posts and Telecommunications, 2021(6): 1-4.
[16] 麻秀范, 孟祥玉, 朱秋萍, 等. 计及通信负载的5G基站储能调控策略[J]. 电工技术学报, 2022, 37(11): 2878-2887.
Ma Xiufan, Meng Xiangyu, Zhu Qiuping, et al. Control strategy of 5G base station energy storage considering communication load[J]. Transactions of China Electrotechnical Society, 2022, 37(11): 2878-2887.
[17] Huang Xueqing, Han Tao, Ansari N. Smart grid enabled mobile networks: jointly optimizing BS operation and power distribution[J]. IEEE/ACM Transactions on Networking, 2017, 25(3): 1832-1845.
[18] Labidi W, Chahed T, Elayoubi S E. Optimal battery management strategies in mobile networks powered by a smart grid[J]. IEEE Transactions on Green Communications and Networking, 2018, 2(3): 859-867.
[19] 曾博, 穆宏伟, 董厚琦, 等. 考虑5G基站低碳赋能的主动配电网优化运行[J]. 上海交通大学学报, 2022, 56(3): 279-292.
Zeng Bo, Mu Hongwei, Dong Houqi, et al. Optimization of active distribution network operation considering decarbonization endowment from 5G base stations[J]. Journal of Shanghai Jiao Tong University, 2022, 56(3): 279-292.
[20] Renga D, Al Haj Hassan H, Meo M, et al. Energy management and base station on/off switching in green mobile networks for offering ancillary services[J]. IEEE Transactions on Green Communications and Networking, 2018, 2(3): 868-880.
[21] Al Haj Hassan H, Renga D, Meo M, et al. A novel energy model for renewable energy-enabled cellular networks providing ancillary services to the smart grid[J]. IEEE Transactions on Green Communications and Networking, 2019, 3(2): 381-396.
[22] Yong Pei, Zhang Ning, Hou Qingchun, et al. Evaluating the dispatchable capacity of base station backup batteries in distribution networks[J]. IEEE Transactions on Smart Grid, 2021, 12(5): 3966-3979.
[23] 麻秀范, 冯晓瑜. 考虑5G网络用电需求及可靠性的变电站双Q规划法[J]. 电工技术学报, 2023, 38(11): 2962-2976.
Ma Xiufan, Feng Xiaoyu. Double Q planning method for substation considering power demand of 5G network and reliability[J]. Transactions of China Electrotechnical Society, 2023, 38(11): 2962-2976.
[24] 中华人民共和国住房和城乡建设部. 通信电源设备安装工程设计规范: GB 51194—2016[S]. 北京: 中国计划出版社, 2017.
[25] 李俊双, 胡炎, 邰能灵. 计及通信负载与供电可靠性的5G基站储能与配电网协同优化调度[J]. 上海交通大学学报, 2023, 57(7): 791-802.
Li Junshuang, Hu Yan, Tai Nengling. Collaborative optimization scheduling of 5G base station energy storage and distribution network considering communication load and power supply reliability[J]. Journal of Shanghai Jiao Tong University, 2023, 57(7): 791-802.
[26] 王凯亮, 孔慧超, 李俊辉, 等. 考虑配电网可靠性的储能系统选址定容优化[J]. 南方电网技术, 2022, 16(4): 21-29.
Wang Kailiang, Kong Huichao, Li Junhui, et al. Optimization of energy storage system location and capacity considering the reliability of distribution network[J]. Southern Power System Technology, 2022, 16(4): 21-29.
[27] 吴盛军, 李群, 刘建坤, 等. 基于储能电站服务的冷热电多微网系统双层优化配置[J]. 电网技术, 2021, 45(10): 3822-3832.
Wu Shengjun, Li Qun, Liu Jiankun, et al. Bi-level optimal configuration for combined cooling heating and power multi-microgrids based on energy storage station service[J]. Power System Technology, 2021, 45(10): 3822-3832.
[28] 周宸宇, 冯成, 王毅. 基于移动用户接入控制的5G通信基站需求响应[J]. 中国电机工程学报, 2021, 41(16): 5452-5462.
Zhou Chenyu, Feng Cheng, Wang Yi. Demand response of 5G communication base stations based on admission control of mobile users[J]. Proceedings of the CSEE, 2021, 41(16): 5452-5462.
[29] 王晓卫, 康乾坤, 梁振锋, 等. 考虑5G基站储能参与配网供电恢复研究[J]. 电工技术学报, 2024, 39(11): 3538-3555.
Wang Xiaowei, Kang Qiankun, Liang Zhenfeng, et al. Distribution network restoration supply method considers 5G base station energy storage participation [J]. Transactions of China Electrotechnical Society, 2024, 39(11): 3538-3555.
[30] 吴小刚, 刘宗歧, 田立亭, 等. 基于改进多目标粒子群算法的配电网储能选址定容[J]. 电网技术, 2014, 38(12): 3405-3411.
Wu Xiaogang, Liu Zongqi, Tian Liting, et al. Energy storage device locating and sizing for distribution network based on improved multi-objective particle swarm optimizer[J]. Power System Technology, 2014, 38(12): 3405-3411.
Abstract Communication base stations (BSs) are normally equipped with backup energy storages, which are idle in most of the time. As the construction of 5G BSs is accelerating, their backup energy storages become prospective flexible resources to electrical distribution networks. To fully utilize these energy storage resources, it is of great significance to explore their capability in participating in the flexible dispatching of distribution networks. In this context and under the background of increasing penetrations of renewable generations, an optimal configuration method for distributed energy storage (DES) considering the coordinated operation of 5G BS energy storage is proposed, which improves the voltage profiles of distribution networks, facilitates the accommodation of renewable generations and minimizes the investment cost of DES.
Firstly, by analyzing the load characteristic and the flexible energy storage capacity of 5G BS, the model of 5G BS participating in distribution network operation is constructed. The charging/discharging cost of 5G BS energy storage is also analyzed. Next, the optimal configuration method for DES considering the coordinated operation of 5G BS energy storage is proposed. This method adopts a distribution network “planning-operating” two-layer model, where the planning layer aims to minimize the network annual cost by sitting and sizing DES, and the operating layer aims to optimize the network comprehensive voltage level by dispatching the DES and 5G BS energy storage. Considering such two-layer model contains massive and heterogenous decision variables, an optimization algorithm based on multi-objective dynamic assessment considering massive heterogenous variables (DA-H) is designed. The DA-H algorithm groups the decision variables according to their properties, and searches for the optima through divide-and-conquer. By assigning the membership function for each objective, dynamic assessments are performed to determine the fitness value of each solution during iterations. This aims to allocate more searching resources to the objective function that requires greater improvement, and the final optimal solution is an equilibrium one located on the Pareto frontier.
Finally, to validate the effectiveness and efficiency of the proposed method, case studies are carried out on the improved IEEE 33-bus system. Simulation results show that, by using the proposed DES configuration method, the network annual comprehensive cost equivalent to per day is 567.00 yuan, including 407.40 yuan of network power losses and 159.60 yuan of DES investment and operation costs. Compared with the case where 5G BS energy storage does not participate in network dispatching, the comprehensive cost decreases by 31.6%, where a decrease of 36.1% is achieved in DES investment and operation costs, and a decrease of 29.6% is achieved in network power losses. The costs of 5G BS before and after participating in distribution network dispatching is also compared, which demonstrates that 5G BS operators have sufficient willingness to get involved. To validate the advances of the proposed DA-H algorithm, its optimization performance is compared with improved multi-objective particle swarm optimization (PSO) algorithm and single-objective optimization. Results show that the DA-H algorithm achieves a balance among multiple voltage objectives. Although its performance along a single objective achieves a slight decrease, its performance along the other objectives are superior to the ones obtained in single-objective optimization. Additionally, the DA-H algorithm has advantages in solving speed and accuracy compared to other algorithms.
keywords:Distributed energy storage (DES), optimal configuration, 5G base station, coordinated planning and operation, multi-objective dynamic assessment
中图分类号:TM732
DOI: 10.19595/j.cnki.1000-6753.tces.231450
中央高校基本科研业务费专项资金资助项目(2022MS002)。
收稿日期 2023-09-01
改稿日期 2023-11-18
毕皓淳 男,2000年生,硕士研究生,研究方向为主动配电网规划与优化运行。E-mail:13031195613@163.com
祁 琪 女,1992年生,博士,硕士生导师,研究方向为电力系统分析与控制、主动配电网规划与优化运行、智能用电等。E-mail: qigx0521@163.com(通信作者)
(编辑 赫 蕾)