48
I.
В
ВЕДЕНИЕ
Одно из приоритетных направлений развития
электроэнергетической отрасли связано с расширением
использования распределенной генерации (РГ), в том
числе на основе возобновляемых источников энергии
(ВИЭ) [1, 2]. Данное направление ориентировано на
применение местных энергетических ресурсов для
производства
электроэнергии
в
непосредственной
близости от потребителей, что позволяет сократить
затраты
на
передачу
электроэнергии,
повысить
эффективность работы технологического оборудования,
уменьшить отрицательное влияние на экологию [3].
Стратегии развития РГ предполагают объединение
отдельных распределенных объектов в интеллектуальные
электроэнергетические системы (микросети, виртуальные
электростанции, активные энергетические комплексы).
При этом эффективность применения РГ на основе ВИЭ
во многом зависит от выбора оптимального типа и
параметров источников с учетом заданных условий.
Задачи выбора оптимальных параметров объектов РГ при
традиционном построении электроэнергетических систем
проработаны в достаточной степени. Однако для
интеллектуальных сетей с РГ, характеризующихся
новыми особенностями (разнонаправленные потоки
мощности, совместная работа энергоустановок с
различными режимами, высокая доля стохастической
генерации и др.), решение данных задач требует
обновления и совершенствования подходов.
В статье рассматриваются вопросы определения
оптимальных типов и параметров источников РГ на
основе ВИЭ, обеспечивающих высокую эффективность их
применения в интеллектуальных электроэнергетических
системах.
Объектом исследования являются источники РГ малой
мощности
(до
25
МВт),
объединенные
в
интеллектуальную
электроэнергетическую
систему
(напряжением 0,4 – 10 кВ).
Цель исследования заключается в разработке подхода
к выбору оптимальных параметров источников РГ.
Основными задачами исследования являются:
- анализ существующих методов оптимизации
параметров источников РГ;
- анализ технологий
Big Data
и возможности их
применения для выбора оптимальных параметров
источников РГ;
- разработка алгоритма сбора данных о месте
размещения источника;
-
разработка
алгоритма
формирования
автоматизированной базы данных технологического
оборудования систем РГ на основе ВИЭ;
II.
А
НАЛИЗ МЕТОДОВ ОПТИМИЗАЦИИ ПАРАМЕТРОВ
ИСТОЧНИКОВ
РГ
Вопросам оптимизации систем с РГ на основе ВИЭ
посвящены многие научные работы российских и
зарубежные ученых [4-5].
Для решения оптимизационных задач используются
методы
математического
программирования,
позволяющие найти решение задачи при заданных
условиях. Общая классификация методов представлена в
таблице 1 [6].
Таблица I.
М
ЕТОДЫ ОПТИМИЗАЦИИ ПРИМЕНЯЕМЫ ДЛЯ РАЗРАБОТКИ СИСТЕМ
РГ
Метод
Способ
Описание
Применение для РГ
Однокритериальная
оптимизация
Линейный
Зависимость между переменными линейная.
Задача сводится к нахождению экстремума
целевой функции при заданных условиях.
Расчетные методы определения установленной
мощности источника РГ. Данные методы
обладают сравнительно малой эффективностью,
поскольку опираются обобщенные данные.
Нелинейный
Зависимость между переменными нелинейная.
Задачей является нахождение глобального
экстремума при заданных ограничениях.
Методы расчета удельной стоимости
электрической энергии (LCOE) для различных
вариантов систем РГ. Не исключает
субъективного фактора и высокая доля ошибок –
основные недостатки данного подхода.
Целочисленный
Использование целочисленных переменных.
Методы решения целочисленных
оптимизационных задач: метод отсечений, метод
Беллмана, метод ветвей и границ.
Методы итерационного моделирования.
Позволяют исследовать жизненный цикл РГ.
Основным недостатком является исследование
уже разработанной системы РГ.
Стохастический
Используется для решения задач со случайной
исходной информацией.
Применяется для прогнозирования параметров
генерации ВИЭ.
Многокритериальная
оптимизация
Оптимизация по
обобщенной целевой
функции
Решение задачи сводится к оптимизации по
обобщенному критерию, в который входят все
принятые критерии со своими весовыми
коэффициентами. Весовые коэффициенты
определяются с помощью экспертных оценок.
Метод взвешенных сумм критериев позволяет
проводить выбор параметров источника РГ,
основываясь на сравнительном анализе сумм
отдельных критериев. Относительно низкая
объективность.
Целевое
программирование
В основе метода лежит упорядочивание
критериев по степени важности. Исходная задача
решается путем последовательного решения ряда
задач с одной целевой функцией таким образом,
чтобы решение задачи с менее важной целью не
ухудшала значения целевой функции с высоким
приоритетом.
Метод роя частиц, основанный на моделировании
социального поведения колоний. Суть подхода
заключается в том, что оптимальный вариант
определяется с помощью системы (роя),
состоящей из определенного количества частиц.
Сложность реализации
Многокритериальное
линейное
программирование
Данный способ основан на построении всего
множества оптимальных решений и его
графическим представлениям
Эвристические методы оптимизации -
генетические алгоритмы. Данные методы
представляют процедуры поиска, основанные на
механизмах естественного отбора и
наследования.
