技术领域
[0001] 本发明涉及配电网规划领域，涉及一种配电网扩展规划方法，尤其是涉及一种考虑5G基站备用储能的主动配电网扩展规划方法及系统。
相关背景技术
[0002] 主动配电网是指具有分布式电源、储能装置、智能负荷和高级控制系统的配电网，能够实现高效、可靠、经济和环保的运行。主动配电网的扩展规划是指根据未来的负荷需求和新能源接入，对变电站的新建与扩容、线路的新建和分布式电源的选址定容进行优化，以降低系统的规划和模拟运行成本。5G基站是指采用第五代移动通信技术的基站，具有高速率、低时延、大连接等特点，但也面临着高密度、高能耗的挑战。5G基站通常配备了备用电池以保证其用电可靠性，但这些电池在大部分时间内处于闲置状态，造成资源浪费。如果能够将5G基站的备用电池作为一种灵活的储能资源，参与主动配电网的调度，不仅可以降低5G基站的运营成本，还可以提高主动配电网的新能源消纳能力和电压稳定性，实现通信运营商和电网运营商的共赢。现有技术中虽然有考虑5G基站的配电网调度模型，但在主动配电网的扩展规划中通常仅考虑了传统的储能资源，不能充分利用5G基站的备用储能资源，存在主动配电网扩展规划不够精确可靠的问题。因此，有必要提出对5G基站备用储能在主动配电网扩展规划中的应用进行研究。
具体实施方式
[0034] 下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0035] 主动配电网(active distribution network，ADN)是一种适应新型电力系统建设和需要的先进电网模式。ADN能够对接入的分布式电源(distributed generation，DG)和储能设备进行主动控制和管理，以提高系统的灵活性与经济性。随着信息通信技术的快速发展，5G基站作为高密度和高能耗的通信节点，其大规模部署将增加配电网运营商的设备投资和运行费用。因此，在ADN规划运行研究中考虑5G基站具有重要意义。
[0036] 本实施例提供一种考虑5G基站备用储能的主动配电网扩展规划方法，如图1所示，包括：
[0037] 步骤S1，建立5G基站备用储能电量评估模型，根据配电网供电节点可靠性和5G基站通信负载特性对其最小备用电量和可调度电量进行动态划分，获取5G基站备用储能电量评估结果；
[0038] 步骤S2，获取配电网中风速、光照强度及常规负荷的历史数据组成初始数据矩阵，采用变分贝叶斯高斯混合模型构建典型日场景集；
[0039] 步骤S3，以配电网年综合费用最小为目标函数，考虑5G基站备用储能运行约束、5G基站运行可靠性约束、配电网运行安全约束、网络拓扑结构约束和主动管理约束等，在所述5G基站备用储能电量评估结果和典型日场景集的基础上，建立考虑5G基站备用储能的主动配电网扩展规划模型；
[0040] 步骤S4，将考虑5G基站备用储能的主动配电网扩展规划模型转化为混合整数二阶锥规划模型并求解，同时得到最优的配电网扩展规划方案和5G基站备用储能的模拟运行策略，所述配电网扩展规划方案包括变电站的新建和扩容方案、线路的新建方案、风电(wind turbine generation，WTG)和光伏(photovoltaic generation，PVG)的选址定容方案，所述5G基站备用储能的模拟运行策略包括考虑5G基站通信负载和主动配电网供电节点可靠性的5G基站备用储能充/放电策略。
[0041] 上述方法利用5G基站备用储能冗余容量作为灵活储能资源，参与主动配电网扩展规划的方法，实现了变电站新建与扩容、线路新建和分布式电源选址定容的协同优化。该方法适用于110kV及以下的主动配电网扩展规划，特别是在5G基站大规模部署的情况下，需要对变电站的新建与扩容、线路的新建和分布式电源的选址定容进行协调规划的场景。
[0042] 一、5G基站备用储能模型
[0043] 5G基站异构网络由不同类型的基站组成，如宏基站、微基站、皮基站、家庭基站等，它们可以在同一频段或不同频段协同工作，形成一种灵活的网络拓扑。本发明主要对覆盖范围和功耗最大的5G宏基站进行分析。根据5G基站功耗的测试数据分析，在最大通信负载情况下，5G基站信号发射单元占据总能耗的约90％；而在空载条件下，仅占15％。与此相比，基站其他用电设备的功耗则相对较为稳定，不随通信负载的变化而显著波动。因此，5G基站功耗可分为两部分：一部分为基站的基准功耗，为固定值与通信负载无关；另一部分为基站的信号发射单元功耗，与通信负载成正比：
[0044]
[0045] 式中： 为5G基站在t时段的通信功耗； 为5G基站的基准功耗； 为5G基站在t时段的通信负载率； 为5G基站的最大发射功耗； 为有源天线单元(active antenna unit，AAU)中功率放大器在t时刻的功耗； 为AAU中射频单元在t时刻的功耗；为5G基站传输设备的功耗； 为基带处理单元(base band unit，BBU)的功耗；
为5G基站基准功耗； 为5G基站在t时刻的通信负载率，取值范围为0～1； 为最大通信负载时的动态功耗。
[0046] 为了确保5G基站备用储能电池满足正常备电需求，同时能最大程度地利用其闲置容量。本实施例考虑了ADN供电节点的可靠性和5G基站的可靠性，将备用储能电池动态划分为最小备用容量和可调度容量。其中，最小备用容量用于应对突发情况和短期的市电故障，以确保基站的连续供电；而可调度容量则是指在低通信负载率时段或闲置状态下，备用储能电池可参与ADN优化调度的容量。
[0047] 5G基站可靠性指标是指基站通信设备正常工作的概率，根据下一代移动网络联盟规定，5G基站可靠性指标 需要达到99.999％。5G基站可靠性指标评估涉及两种情境：一是基站负荷节点正常运行时由配电网供电，需要评估负荷节点的故障率；二是基站负荷节点发生故障停电时，需要评估基站备用储能预留容量是否足以支撑到恢复供电。故5G基站的可靠性指标 为：
[0048]
[0049] 式中：λi为节点i的故障率；Ps,i为节点i备用储能电池供电时间大于故障停电时间的概率。
[0050] 本发明考虑ADN中馈线、变压器、隔离开关、断路器等可修复元件，计算ADN中节点k的故障率如下：
[0051]
[0052] 式中：m为最小路径的个数；n为网络元件的个数；λi为第i条最小路径的故障率；λj为第j个元件的故障率；Pij∈{0,1}，表示第i条最小路径是否包含第j个元件，1为包含，0为不包含；Bi为第i条最小路径上的分布式电源形成孤岛的概率。
[0053] 根据配电网停电时间历史数据，采用威布尔分布近似拟合生成停电时间概率分布曲线Qs(t)，由停电时间概率分布，可以得到基站备用储能供电时间大于故障停电时间的概率Ps如下式：
[0054]
[0055] 由式(2)‑(4)可以得到5G基站在负荷节点i的最小备电时间 计算公式如下：
[0056]
[0057] 基于5G基站功耗模型，通信网络运营商(telecommunications network operator，TNO)可以利用基站通信负载率的预测数据计算出5G基站在t时刻的功耗，结合最小备电时间 可以得到5G基站n在t时刻的最小备用容量 和可调度容量 分别如式(6)和式(7)所示：
[0058]
[0059]
[0060] 式中： 为5G基站n在t时段的最小备用电量； 为基站储能的最小备电时间； 为5G基站n在t时段的可调度电量； 为备用储能电池额定充/放电能量，为5G基站n在τ时刻的功耗。
[0061] 二、基于变分贝叶斯高斯混合模型的典型日场景构建方法
[0062] 在电网规划中，由于负荷、风电和光伏的出力具有不确定性，典型日场景构建是一种有效的处理方法。典型日场景构建是指从全年的负荷、WTG和PVG出力数据中，选取一定数量的具有代表性的日出力曲线，作为规划模型的输入。传统的k‑means聚类算法是一种常用的典型日场景构建方法，但它需要人工指定典型日场景数。若典型日数过多，会增加规划模型的求解难度；若典型日数过少，则会降低规划模型的精度和可信度。变分贝叶斯高斯混合聚类是一种基于概率模型的无监督聚类算法，通过变分贝叶斯期望最大(variational bayesian expectation maximization，VBEM)算法估计模型的参数，可以自适应确定最优典型日场景的数量和概率。计算流程如图2所示，计算步骤和公式具体如下：
[0063] (1)假设某地区负荷、WTG和PVG的出力数据集X＝[x1,x2,...,xi,...,xN]T由K个高斯分布混合而成， 为数据点，表示负荷、WTG和PVG的24h出力场景。假设每个出力场景由高斯分布的均值和协方差矩阵表示，N表示数据的天数。
[0064]
[0065] 式中：θ＝{π1，...,πK,μ1,...,μK∑1,...,∑K}为高斯分布的模型参数；πk为第k个高斯分布的混合系数，满足 μk和∑k分别为第k个高斯分布的均值和协方差矩阵； 为高斯分布的概率密度函数。
[0066] (2)引入隐变量Z＝{z1k,z2k,...,zNK}表示负荷、WTG和PVG的日出力数据集在高斯混合分布的归属情况。其中znk∈{0，1}，满足 znk＝1表示第n个数据属于第k个高斯分布，znk＝0第n个数据不属于第k个高斯分布。假设数据点之间相互独立则有：
[0067]
[0068]
[0069]
[0070] 式中： 为第k个高斯分布的混合系数在隐变量中的归属情况，如果znk＝1，则如果znk＝0，则
[0071] (3)通过选择适当的共轭先验分布，迭代更新参数，可以简化贝叶斯推断的计算过程，并能保持后验分布的形式与先验分布相同，无需进行复杂的积分计算。本实施例中，假设混合系数πk的共轭先验分布服从狄利克雷(Dirichlet)分布，μk和∑k的共轭先验分布服从正态‑逆维希特(Normal‑Inverse‑Wishart)分布，即：
[0072]
[0073]
[0074] 式中：α＝{α1,...,αK}表示狄利克雷分布的超参数；β0，m0，W0，v0为正态‑逆维希特分布的超参数。
[0075] 则模型的联合概率分布为：
[0076] p(X,Z,θ)＝p(X|Z,μ,Σ)p(Z|π)p(π)p(μ|Σ)p(Σ) (14)
[0077] (4)聚类目标是求解后验概率分布p(Z,θ|X)，但这个分布很难计算，所以使用变分推断的方法，引入一个近似的变分分布q(Z,θ)来代替真实的后验分布：
[0078]
[0079] (5)为了求解最优的变分分布，使用坐标上升法，交替更新q(Z)和q(θ)：
[0080]
[0081]
[0082] 式中：Eq(θ)[·]表示对q(θ)求期望；const为与变量无关的常数项。
[0083] 在VBGMM(Variational Bayesian Gaussian Mixture Model)聚类算法的优化过程中，采用坐标上升法的主要思想是通过交替优化各个变量，逐步提高目标函数的值，直至收敛。常数项是指那些不随优化变量变化的项。这些常数项在推导过程中确保了数学表达的完整性和准确性，但在实际优化过程中可以被忽略，因为它们不会影响优化的结果。常数项的数值取决于模型中涉及的概率分布的参数和归一化常数，确保了算法的收敛性和稳定性。
[0084]
[0085]
[0086]
[0087] 式中：rnk为第n个数据点属于第k个高斯分布的概率。
[0088] (6)重复步骤(5)，最小化近似分布和真实的后验分布之间的KL(Kullback‑Leibler)散度，直到变分下界L(q)小于设定的阈值ξ为止：
[0089] L(q)＝|Eq(Z,θ)[lnp(X,Z,θ)]‑Eq(Z,θ)[lnq(Z)q(θ)]| (21)
[0090] (7)根据迭代停止后输出的 的最优参数rnk，将数据点划分到概率最大的典型日中，即：
[0091]
[0092] 最后，得到K个考虑负荷、WTG和PVG出力的典型日场景集，πk*表示典型日场景的概率：
[0093]
[0094] 三、考虑5G基站备用储能的主动配电网ADN扩展规划模型
[0095] 在5G基站备用储能电量评估结果和变分贝叶斯高斯混合模型聚类方法构建的典型日场景基础上，建立考虑5G基站备用储能的ADN扩展规划模型。
[0096] ADN年综合费用分为年化投资费用CInv和年模拟运行费用COpe；其中，CInv包括折算Ope到每年的变电站投资费用、线路投资费用、WTG投资费用和PVG投资费用；C 包括设备运行Om Pur Cur BS
维护费用C 、购电费用C 、弃风弃光惩罚费用C 和基站储能调度费用C 。模型中的决策变量包括变电站的新建和扩容、线路的新建、WTG和PVG的选址定容、有载调压变压器抽头(on‑line tap changer，OLTC)的档位调节、5G基站备用储能可调度电量的充/放电功率。
[0097] 因此，ADN扩展规划模型的目标函数表示为：
[0098] minF＝CInv+COpe(24)
[0099]
[0100] COpe＝COm+CPur+CCur+CBS(26)
[0101]
[0102]
[0103]
[0104]
[0105] 式中： 表示设备a的现值转等年值系数；d为折现率；a
γ 为设备a的折旧年限；ΩD和ΩT表示典型日场景和模拟运行时段集合；s和t表示当前的典型日场景和时段；Δt为仿真步长，本实施例中为1h；Ds为第s个典型日场景的概率；ΦSC、ΦSE、ΦWTG和ΦPVG分别表示待新建变电站集合、待扩容变电站集合、WTG和PVG待选节点集合；
ΩL为线路分支集合； xij、 和 分别表示变电站新建、变电站扩容、线路新建、Line
WTG和PVG新建的0‑1决策变量， 和 表示是否投资设备a； c 、 和
分别表示新建变电站投资费用、扩容变电站投资费用、单位长度新建线路投资费用、WTG和PVG单位容量投资费用； 和 表示WTG和PVG在节点i处的安装容量；Lij为线路WTG PVG
ij的长度；f 和f 表示WTG和PVG发出单位电量的运行维护费用； 和 表示WTG和PVG的有功出力； 和 表示WTG和PVG的出力上限； 为变电站年运行维护费用；
W,Cur P,Cur
为t时段的购电电价； 为向上级电网的购电功率；c 和c 表示单位弃风弃光的
BS
惩罚费用；ΩBS为5G基站的接入节点集合；f 为配电网运营商向5G基站储能参与调度的补贴费用； 和 表示5G基站储能充电和放电的有功功率。
[0106] ADN扩展规划模型所考虑的约束条件包括设备安装容量约束、ADN网络拓扑结构约束、5G基站备用储能运行约束、ADN运行安全约束、Distflow潮流约束和ADN主动管理约束。
[0107] (1)设备安装容量约束
[0108] 1)新建、扩建变电站容量约束
[0109]
[0110] 式中： 为节点处待新建变电站的额定容量； 和 分别表示节点i已有变电站的变压器额定容量和待扩容变压器的额定容量。
[0111] 2)DG安装容量约束
[0112]
[0113] 式中： 和 分别表示节点i处安装WTG和PVG的安装数量； 和 分别表示WTG和PVG的单位安装容量； 和 分别表示节点i处WTG和PVG的安装容量上限。
[0114] (2)ADN网络拓扑结构约束
[0115] 1)辐射状约束：
[0116] 配电网正常运行时，网络结构是一个无环的树形结构，即从根节点到任何一个负载点都有一条唯一的路径。树形结构约束可以通过判断网络中环的数量来表示。
[0117]
[0118] 式中： 表示已有线路；ΩN为节点集合；|·|表示集合·中元素的个数。
[0119] 2)连通性约束：
[0120] 连通性约束确保配电网中任意两个节点之间至少存在一条供电路径，避免出现孤立的节点或断开的路径，保证DG节点不被孤立。
[0121]
[0122]
[0123]
[0124]
[0125] 式中：yij为由节点i流向节点j的虚拟潮流，yij为整数型变量，yij＝‑yji；负荷节点的虚拟负荷均为1；N(i)为与节点i相连接的节点集。
[0126] (3)5G基站备用储能运行约束
[0127] 1)基站储能充/放电能量限值约束
[0128] 在一个充/放电周期内，基站各时段储能的电量应保持在评估的可调度电量内：
[0129]
[0130] 式中： 为5G基站n在典型日s中t时段的电量。
[0131] 2)基站储能充/放电能量连续性约束
[0132] 基站储能充/放电能量遵循严格的时间序列连续性，它按照充/放电功率的大小，按时间顺序累积计算，如下式所示：
[0133]
[0134] 式中：ηc和ηd分别表示基站储能的充/放电效率， 和 分别表示基站储能n在典型日s中t时段的充/放电功率。
[0135]
[0136] 式中： 和 分别表示基站n储能在典型日s中0时刻和24时刻的电量；为基站n在典型日s中的初始充/放电能量。
[0137] 3)基站储能充/放电功率约束
[0138]
[0139] 式中： 和 分别表示基站n储能充/放电功率上限； 表示基站储能的充/放电状态，1为充电，0为放电。
[0140] (4)ADN运行安全约束
[0141] 1)节点电压约束
[0142]
[0143] 式中：Ui,s,t表示节点i处的电压幅值； 和 分别表示节点i处电压幅值的上下限。
[0144] 2)支路电流约束
[0145]
[0146] 式中：Iij,s,t表示支路(ij)的电流幅值； 表示支路(ij)允许流过的电流幅值上限。
[0147] (5)Distflow潮流约束
[0148]
[0149]
[0150]
[0151]
[0152]
[0153] 式中：Pjk,s,t和Qjk,s,t分别表示支路(jk)首端的有功和无功功率；Pij,s,t和Qij,s,t分别表示支路(ij)首段的有功和无功功率；Rij和Xij分别表示支路(ij)的电阻和电抗；Ui,s,t和Uj,s,t分别表示节点i和j的电压幅值；M为足够大的正整数。
[0154] Pj,s,t和Qj,s,t的表达式分别如式(49)和式(50)所示。若节点i处未安装相应的设备，则对应项取为0。
[0155]
[0156]
[0157] 式中： 为节点j处5G基站n的有功功耗； 和 分别表示节点j处负荷的有功和无功功率。
[0158] (6)ADN主动管理约束
[0159] 1)OLTC抽头档位调节约束
[0160]
[0161] 式中： 为变电站电压幅值平方的下限；0～2K表示OLTC抽头最低至最高档位；为0‑1决策变量， 表示t时段OLTC抽头档位是kt， 表示OLTC抽头档位不是kt。
[0162] 2)DG功率调节约束
[0163]
[0164] 式中： 和 分别表示节点i安装WTG和PVG的功率因数角；可调范围为滞相0.95至进相0.95。
[0165] 四、模型转化
[0166] 鉴于上述模型为混合整数非凸模型，无法直接使用商业求解器进行求解。为提高求解效率，本实施例采用Big‑M法和二阶锥松弛对模型进行转凸。
[0167] (1)基站储能充/放电功率约束的转化
[0168] 使用Big‑M法，引入一个足够大的数M将基站储能充/放电功率约束转化为如下形式：
[0169]
[0170] (2)Distflow潮流约束的二阶锥松弛
[0171] 引入辅助变量 和 将Distflow潮流约束中非凸二次约束 和进行二阶锥松弛，得到以下形式：
[0172]
[0173]
[0174]
[0175]
[0176]
[0177] 节点电压约束和支路电流约束等效为：
[0178]
[0179] 最终，将原模型转化为MISOCP问题，可以采用商业求解器进行求解。
[0180] 五、实施案例
[0181] 为验证上述考虑5G基站备用储能的主动配电网扩展规划方法的有效性，设置以下算例情景：
[0182] 1、相关规划参数设置如下：
[0183] (1)线路数据：
[0184] 线路单位长度投资费用为35万元/km；折旧年限为20年，折现率为6％。
[0185] (2)DG数据：
[0186] WTG待选安装节点为9、18、20、39、44和47，单位容量投资费用为6000元/kW，单位电量运维费用为0.03元/(kW·h)，弃风惩罚成本为0.56元/(kW·h)，折旧年限为20年，折现率为7％；PVG待安装节点为6、13、16、24、33和49，单位容量投资费用为4000元/kW，单位电量运维费用为0.02元/(kW·h)，弃光惩罚成本为0.4元/(kW·h)，折旧年限为20年，折现率为10％。
[0187] (3)变电站数据：
[0188] 变电站待新建和扩容的相关参数见表1；折旧年限为20年，折现率为7％；购电电价参考工商业分时电价；OLTC上、下调节档位数为7档，调节范围为0.97p.u.～1.03p.u.。
[0189] 表1变电站参数
[0190]
[0191] (4)5G基站数据：
[0192] 表2 5G基站设备参数
[0193]
[0194] 5G基站的相关参数详见表2，本发明假设所有5G基站设备参数一致；基站储能电池2
最小备电时间统一设为3h；设置5G基站部署密度为50个/km ；54节点算例区域面积约为
2
20km，假设算例区域参与ADN规划优化的5G基站数量为280个；住宅区、办公区、商业区和大学区4种典型通信负载特性的5G基站接入节点数占比分别为43％、37％、15％和5％，配电网运营商向实际参与调度的储能电量支付调度补贴费用为0.25元/kW·h。
[0195] 2、5G基站备用储能电量评估结果：
[0196] 根据住宅区、办公区、商业区和大学区4种典型5G基站通信负载特性，得到5G基站备用储能电量评估结果如图3所示。从图中可以看出，在通信负载高峰时段，为了确保5G基站通信可靠性，储能电池备用电量较高，可调度电量较低；而在通信负载低谷时段，备用电量较低，可调度电量较高。值得注意的是，不同典型区域5G基站的通信负载高峰时段也不尽相同。办公区和大学区基站的通信负载高峰时段通常在白天，而住宅区和商业区基站的通信负载高峰时段通常在晚上。这使得不同5G基站备用储能的可调度电量在时间和空间上具有一定互补性。
[0197] 3、采用变分贝叶斯高斯混合聚类算法构建典型日场景结果：
[0198] 以华南某地区配电网全年8760小时风光荷历史数据为基础，如图4所示，组成X365×72数据集矩阵。采用变分贝叶斯高斯混合聚类算法构建出4种典型日场景如图5所示，各典型日场景代表原始数据的数量和概率如表3所示。
[0199] 表3典型日场景代表的数量和概率
[0200]
[0201] 为验证本发明采用变分贝叶斯高斯混合聚类算法构建典型日场景集的优越性，将其与广泛使用的k‑means算法构建的典型日场景集进行指标对比。对2种聚类方法构建的典型日场景集进行了3种聚类有效性指标的计算，具体结果如表2所示。轮廓系数反映了同一典型日的相似度，越接近1越好；DB指标反映了不同典型日的差异度，越小越好；CH指标反映了典型日的聚类效果，越大越好。从表2中可以看出，采用变分贝叶斯高斯混合聚类算法构建的典型日场景在3种聚类有效性指标上均优于k‑means聚类算法。此外，采用变分贝叶斯高斯混合聚类算法能自适应确定最优的典型日场景数量和概率，而k‑means聚类算法需要人工设置典型日场景数。因此，使用变分贝叶斯高斯混合聚类算法构建典型日场景可以更有效地处理海量数据的复杂性，为电网规划提供更准确和可靠的结果。
[0202] 表4聚类有效性指标对比
[0203]
[0204] 4、规划结果与分析
[0205] 为验证本发明所提ADN扩展规划方法的有效性，设置2种规划方案：
[0206] 方案Ⅰ：不考虑5G基站备用储能的ADN扩展规划；
[0207] 方案Ⅱ：考虑5G基站备用储能的ADN扩展规划。
[0208] 经过仿真计算，2种规划方案的各项费用如表5所示，方案Ⅰ和方案Ⅱ的规划结果如图6和图7所示，各方案的整体规划结果如表6所示。从表5可以看出，考虑5G基站备用储能参与调控后，方案Ⅱ整体上较方案Ⅰ更具经济性。方案Ⅱ中ADN年综合费用为10272.4万元，比方案Ⅰ减少了151.5万元，降幅为1.47％。同时通信网络运营商通过参与ADN协同优化的年调控收益为205.9万元，实现了配电网运营商与通信网络运营商的互利共赢。
[0209] 对比两种方案变电站规划结果，方案Ⅰ对变电站S1和S2进行了扩容，同时新建了变电站S3和S4。方案Ⅱ在考虑5G基站可调度储能参与调控后，变电站S1能够满足所在供电区域内的负荷需求，投建容量减小了16.7MV·A，节约年投资费用为77万元。在网架规划方面，方案Ⅰ与方案Ⅱ有5条线路的新建位置不同，投资费用比方案Ⅰ减少14.8万元。在DG规划方面，方案Ⅰ中WTG装机容量为3.6MW，PVG装机容量为13.5MW，DG年投资费用为808万元。方案Ⅱ中WTG装机容量为5.9MW，PVG装机容量为17.2MW，DG年投资费用为1093万元。方案ⅡDG安装容量比方案Ⅰ多6MW，说明5G基站可调度储能参与调控后，可以提高DG的安装容量。
[0210] 表5方案Ⅰ和方案Ⅱ的ADN扩展规划费用
[0211]
[0212]
[0213] 表6不同规划方案下ADN扩展规划结果
[0214]
[0215] 表7ADN分区结果对比
[0216]
[0217] 表7为规划后变电站负荷分区和平均负载率的结果对比。从表7可以看出，方案Ⅰ中新建变电站S3和S4仅承担8个负荷节点，负载率为26.47％和24.17％，资源利用率较低。而变电站S1承担了19个负荷节点，负载率为68.63％，此时容易重载，危及电网安全运行。方案Ⅰ变电站负载率最大相差44.46％，潮流分布极不均衡。方案Ⅱ中新建变电站S3和S4接入了更多的负荷节点，同时降低了S1和S2接入的负荷节点，变电站负载率最大仅相差19.31％，使ADN分区更为合理。一方面5G基站可调度储能参与区域负荷削峰填谷使潮流分布更加均衡；另一方面方案Ⅱ安装了更多容量的DG，减少了部分区域的负荷需求，提高了资源利用率。
[0218] 在模拟运行阶段，方案Ⅱ中各典型日场景的DG出力均全部消纳，全年向上级电网购电费用相比于方案Ⅰ减少了605万元。方案Ⅰ在DG出力较大，负荷需求较小的典型日场景下出现了弃风弃光的现象，相应的弃风弃光惩罚费用为10.9万元。利用5G基站储能可调度电量对系统潮流进行优化调节，可以减少线路上产生的网络损耗，并促进新能源的消纳。
[0219] 图8为4种典型日场景下5G基站备用储能可调度电量的总充/放电功率。从图中可以看出，不同区域的5G基站备用储能在4种典型日场景下均采用了“谷时充电，峰时放电”的充/放电策略。在00:00‑08:00夜间低谷电价时段，负荷需求较小，而WTG出力较大，利用这个时间段对备用储能进行充电，能够促进风电消纳。在08:00‑12:00和14:00‑17:00日间高峰电价时段，负荷需求较大，利用基站储能可调度电量进行放电，能够缓解峰时用电需求。在12:00‑14:00午间基础电价时段，负荷需求有所降低，而PVG出力达到最大值，利用基站备用储能系统进行充电，能够促进光伏发电消纳。在17:00‑24:00基础电价时段，通信负载也正处于高峰期，备用储能需要优先保证5G基站的连续供电，因此可调度电量减少，放电功率也随着降低。通过分析5G基站备用储能的充/放电策略，通信网络运营商参与ADN协同优化能够在确保5G基站可靠性的前提上，最大限度地提高基站备用储能的利用率和经济效益，有助于未来通信网络运营商加快构建新型数字基础设施体系。
[0220] 以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
