面向儲能電站調度的光儲發電系統運行優化策略研究

張國玉, 洪 超， 陳杜琳， 葉季蕾

(1. 南京工程學院,江蘇 南京 211100；2. 景德鎮陶瓷大學,江西 景德鎮 333000；3. 中國電力科學研究院南京分院,江蘇 南京 210003)

?

面向儲能電站調度的光儲發電系統運行優化策略研究

張國玉1, 洪 超2， 陳杜琳1， 葉季蕾3

(1. 南京工程學院,江蘇 南京 211100；2. 景德鎮陶瓷大學,江西 景德鎮 333000；3. 中國電力科學研究院南京分院,江蘇 南京 210003)

光儲聯合發電系統的優化調度策略是實現光儲聯合發電系統經濟及安全運行的重要保障，然而傳統的經濟優化調度模型并未考慮電池儲能電站內部電池的有效管理。本文提出了一種經濟優化調度策略，依據儲能系統各電池組性能參數和運行狀態，以儲能系統運行一天總成本最低為優化目標，以系統平衡、荷電狀態、功率限值和調度循環為約束條件，建立了經濟優化調度數學模型，并應用改進粒子群算法進行求解。最后，算例仿真結果驗證了改進粒子群算法的優越性和優化調度策略在光儲聯合發電系統中應用的可行性。

電池儲能電站；光儲聯合發電系統；經濟；優化；調度策略；粒子群算法

0 引言

光伏發電輸出功率因受天氣和地理條件的影響具有很大的波動性和隨機性，給電網的穩定性和電能質量造成了很大影響。隨著光伏發電在電網中容量比例的大幅增加，這種影響變得更加顯著。將儲能技術引入光伏系統，形成光儲聯合發電系統，可有效解決光伏發電并網問題，不僅可以平抑功率波動，滿足光伏發電并網要求，而且可以提高光伏發電的電能質量，增強光伏發電并網運行的可靠性[1-4]。目前，大容量儲能技術主要有抽水蓄能、壓縮空氣儲能、電池儲能，相比抽水蓄能和壓縮空氣儲能建設地理條件的局限性，電池儲能電站不僅沒有嚴苛的建設地理條件限制，而且循環壽命長，響應時間快，對生態環境影響較小，功率可雙向流動，應用前景十分廣闊。

目前，國內外學者主要致力于研究光儲聯合發電系統的運行控制策略和如何根據負荷需求進行有效優化調度。文獻[5]將風光儲微電網運行成本最少作為目標函數，計及功率平衡約束、荷電狀態約束、發電容量約束，并考慮了微電網與大電網的交互功率；文獻[6]基于機會約束規劃建立了微網動態經濟調度模型，綜合成本函數中除發電成本、環境成本，交互成本外，還納入了制熱收益；文獻[7]研究了儲能系統平抑可再生能源輸出功率波動的效果；文獻[8-10]綜合考慮了經濟效益、系統可靠性、平抑功率波動、環境保護、符合發電計劃曲線等多方面指標，并通過模糊理論進行目標函數隸屬度轉換，將多目標函數轉為單目標函數。但上述文獻都是把電池儲能電站作為一個整體進行調度，并未考慮電池儲能電站內部電池的出力分配。

考慮到制約光儲聯合發電系統在電網中大規模應用的重要因素是電池儲能電站昂貴的運行成本，本文依據儲能電站各電池組性能參數和運行狀態，以儲能電站運行一天總成本最低為優化目標，以系統平衡、荷電狀態、功率限值和調度循環為約束條件，充分考慮對電池的充放電保護，提出了一種光儲聯合發電系統經濟優化調度策略。本文僅考慮儲能電站有功功率調度，以光儲聯合發電系統獨立運行為算例進行研究，仿真結果驗證了改進算法的優越性及優化調度策略的可行性。

1 光儲聯合發電系統拓撲結構

光儲聯合發電系統主要由光伏發電、電池儲能電站和負荷組成，該系統的結構如圖1所示，光伏發電輸出功率為Ppv，電池儲能電站輸出功率為Pb，兩者的合成功率為Pout。電池儲能電站由儲能電池、電池管理系統(battery management system，BMS)、能量轉換系統(power conversion system，PCS)及儲能監控系統組成，其中，BMS負責監視儲能電池的運行狀態，采集電池的電壓、電流、溫度等信息，實現實時均衡和保護功能；PCS實現交流與直流的雙向轉換，接收儲能監控系統的控制命令，按指定的工作模式進行充放電，并與BMS進行信息交互，確保儲能電站在安全穩定的狀態下進行工作。

圖1 光儲聯合發電系統拓撲結構Fig.1 Topology of photovoltaic-energy storage hybrid generation system

電池儲能電站中一個電池堆(battery pack，BP)和一臺PCS/BMS構成一條儲能支路，若干個調度過程中保持同步的儲能支路構成一個獨立可調電池組Ai(i=1,2…,N)，假設同一電池組中的電池參數相同，電池工作狀態相同，且參數同步改變。功率調度過程中，各儲能支路PCS/BMS先經通信網絡向調度中心上傳運行參數，之后儲能監控系統根據調度中心下達的調度指令，經調度算法計算出各獨立可調電池組Ai的功率分配Pi，最后根據各儲能支路的容量平均分配給PCS，由各PCS在該儲能支路中的電池堆中實行平均分配[11]。電池儲能電站功率調度分配如圖2所示。

圖2 電池儲能電站功率調度分配Fig.2 Power dispatching of battery storage power station

2 優化調度數學模型

本文把光儲聯合發電系統運行一天作為一個周期來研究，將一天分為24個時段，每個時段為1 h，通過優化各個時段的電池組充放電功率，使電池儲能電站運行一天總成本最低。其中控制變量是每個時段各電池組的調度功率Pi(t)(i=1,2…,N；t=1,2...,H)。

2.1 目標函數

光儲聯合發電系統優化調度的本質是基于儲能電池運行允許的條件下對各電池組進行統籌協調，實現電池儲能電站運行一天總成本最低[12]。總運行成本主要包括儲能電站在充放電過程中的功率損耗、電站建成后定期或不定期的檢修與維護[13]以及固定建設成本消耗[14]，目標函數可表示為[15]：

(1)

(2)

(3)

(4)

式中：Cl(t)為t時段電池儲能電站的損耗成本；Cm(t)為t時段電池儲能電站的維護成本；Cf(t)為t時段電池儲能電站的固定建設成本消耗；H為時段數；τ為t時段和t+1時段的時間間隔；N為電池組組數；kli為第i組電池組電能損耗系數；ηci為第i組電池組充電效率；ηdi為第i組電池組放電效率；Pi(t)為t時段第i組電池組的調度功率，該值為正表示充電，為負表示放電；μi(t)為t時段第i組電池組充放電標志，取值0，1及-1，分別代表浮充、充電及放電狀態；kmi為第i組電池組運行維護系數;θi為第i組電池組老化系數；Ri為第i組電池組可允許的總循環次數；Cfi為第i組電池組固定建設成本；ri(t)為t時段第i組電池組已充放電次數；ρi(t)為t時段第i組電池組是否成為一次獨立充放電行為的標志位，假設t時段第i電池組處于浮充狀態或者充放電模式與前一非浮充狀態充放電模式一致，則ρi(t)為0，否則為1。若判定t時段第i組電池組為一次獨立充放電行為，則該電池組已充放電次數加1。即：

(5)

2.2 約束條件

(1) 功率平衡約束。要確保供電和用電的平衡，且各時刻電池組調度功率之和應滿足儲能電站調度指令，即存在功率等式：

Ppv(t)-Pbat(t)=Pload(t)

(6)

(7)

式中：Ppv(t)為t時段光伏發電輸出功率；Pbat(t)為t時段儲能電站總調度功率；Pload(t)為t時段負荷需求功率。

(2) 電池組荷電量約束。為了保護電池組，延長電池組使用壽命，避免電池組的過充過放，電池組荷電狀態需滿足[16]：

(8)

(9)

(10)

式中:Soci(t-1)和Soci(t)分別為t-1時段和t時段第i組電池組的荷電狀態；σi為第i組電池組在單個時段內的自放電率；ΔEi(t)為t時段第i組電池組荷電量增加量，ENi為第i組電池組額定容量。

(3) 電池組功率約束。電池組每時段充放電功率應該滿足一定的上下限約束，其約束表達式為：

(11)

式中:Pcimin和Pcimax分別為第i組電池組允許的最小和最大充電功率;Pdimin和Pdimax分別為第i組電池組允許的最小和最大放電功率。

(4) 儲能電站調度循環約束。考慮到電池儲能電站調度的繼承性，保證下一調度周期電池儲能電站的可調度性，電池儲能電站始末荷電狀態應一致，即滿足：

Soc(0)=Soc(H)

(12)

且：

(13)

式中:Soc(0)和Soc(H)分別為電池儲能電站參與調度周期初始時刻和最終時刻的荷電狀態；Soci(0)和Soci(H)分別為電池儲能電站第i組電池組參與調度周期初始時刻和最終時刻的荷電狀態。

2.3 約束條件處理

約束條件(1—3)為硬性約束條件，必需滿足；而式(12)所示約束條件要求調度周期最終荷電狀態與初始狀態完全一致，這種設定過于嚴苛，可以考慮將此約束條件處理為懲罰項加入目標函數。引入懲罰因子λ，λ取較大的正數，約束條件處理完成后調度數學模型為[17]：

(14)

電池儲能電站各電池組滿足下列約束：

(15)

Socimin≤Soci(t)≤Socimax

(16)

(17)

2.4 優化策略

本文電池儲能電站總調度功率Pbat(t)為光伏發電輸出功率減去實際負荷需求，不考慮儲能電站某時刻儲能容量不夠的情況。

光儲聯合發電系統中，如果對電池儲能電站調度不合理，其使用壽命會大幅度縮短，重置電池儲能電站的造價成本較高。由優化調度數學模型式(4)和(14)可知，電站總運行成本包括固定建設成本消耗，如果儲能電站充放電狀態頻繁切換，降低電池組使用壽命的同時，儲能電站總運行成本也在增加。因此，要滿足總運行成本最低，優化調度策略應同時考慮對電池儲能電站的充放電保護，減少電池組充放電狀態切換次數。

當調度指令下達時，優先考慮當前狀態與調度指令相同的電池組，以減少電池組充放電狀態切換次數，延長電站使用壽命的同時，減少固定建設成本消耗，從而使總成本最低。具體為：當調度指令為充電指令時，優先考慮當前狀態為充電的電池組，保持電池組一直充電直至Soc的上限；當調度指令為放電指令時，優先考慮當前狀態為放電的電池組，保持電池組一直放電直至Soc的下限。

3 光儲聯合發電系統優化調度求解流程

第一步：讀入相關數據。首先是光伏發電輸出功率和負荷需求功率預測值；其次是電池儲能電站運行參數，包括充放電效率、最大最小荷電量約束、最大最小允許充放電功率、初始電池組工作狀態等；再次是儲能電站基本參數，包括電池組組數、運行維護系數、電能損耗系數、固定建設成本等；最后是粒子群算法的參數，包括種群大小、粒子維數、最大迭代次數、慣性因子、學習因子、粒子最大更新速度等。

第二步：初始化種群。根據前一時段各電池組充放電狀態，以及各時段調度需求功率，隨機產生滿足功率約束條件的種群個數為20的N個電池組24 h調度功率的值，每個時段可調度功率范圍受前面時段調度功率值影響。另外，為減小電池組充放電狀態切換，延長電站使用壽命，當某時段調度需求功率為正，即需要充電時，優先考慮前一時段為充電狀態的電池組；當某時段調度需求功率為負，即需要放電時，優先考慮前一時段為放電狀態的電池組。通過式(10)計算得到N個電池組24 hSoc的值，如果Soc值越限，則取滿足荷電狀態臨界值的調度功率值。調度功率滿足全部約束條件后，計算電池組充放電狀態、已充放電次數等參數，之后根據式(1—4)計算適應度值(電站運行一天總成本)，記錄粒子的個體最優值和全局最優值，并將飛行次數置0。

第三步：更新粒子的速度和位置，更新時仍保證當某時段調度需求功率為正，即需要充電時，優先考慮前一時段為充電狀態的電池組，此時調度功率全為正值；當某時段調度需求功率為負，即需要放電時，優先考慮前一時段為放電狀態的電池組，此時調度功率全為負值。如果調度功率不滿足充放電狀態切換保護，或粒子越界，對其進行處理，得到新一代粒子種群。

第四步：計算新一代種群每個粒子的適應度，與當前最優解比較，判斷是否更新粒子的個體最優解和全局最優解。

第五步：判斷是否達到最大迭代次數，若沒有，飛行次數加1，并返回至第三步，若滿足，則轉入第六步。

第六步：根據式(10)計算全局最優解時電池組荷電狀態，輸出全局最優解和電池組荷電狀態值，算法結束。

4 算例分析

以某小區光伏電站為例，系統由光伏逆變器、電池儲能電站及負荷三部分組成。電池儲能電站由4組電池組組成，各電池組性能參數如表1所示。

表1 電池組固定參數Table 1 Performance parameter of battery packs

算例以24 h為一個完整調度周期，調度時間間隔為1 h。每時段電池儲能電站優化調度需要前期的光伏發電輸出和負荷需求的功率預測數據，如圖3所示。電池儲能電站調度功率Pbat(t)為光伏發電功率減去實際負荷需求(正值為充電)，本文不考慮儲能電站某時刻儲能容量不夠的情況。通過圖3可以看出，電池儲能電站在光伏發電輸出功率滿足負荷需求時，存儲電能；在光伏發電輸出功率不滿足負荷需求時，釋放電能，起到了削峰填谷的作用。調度第0時段，電池儲能電站各電池組運行狀態如表2所示。

圖3 光伏發電、負荷需求及電站調度功率Fig.3 Power of PV,load demand and station dispatching

運行狀態參數電池組號A1A2A3A4荷電量Soc初始值0.70.60.50.4已循環次數600500100700前一時刻充放電狀態-1-1-11

為了獲得較好的算法穩定性以及較快的收斂速度，根據經驗設置算法參數：粒子規模為20；進化迭代次數為300；學習因子c1為2.3，c2為1.8；慣性權重因子ω變化范圍為[0.4,0.9]；Soc變化范圍為[0.2,0.9]；速度v變化范圍為[-5,5]；功率調度絕對值上限為電池組額度功率，下限為0。根據上文算法步驟用Matlab軟件進行算例仿真，各獨立可調電池組的最優出力結果如圖4所示。為了清晰反映電池組的充放電狀態，同時仿真輸出了最優調度結果各可調電池組的荷電狀態，如圖5所示。各電池組各時刻荷電狀態始終處于20%到90%的有效區間內，滿足荷電狀態約束，避免了電池組的過充過放，進一步表明優化調度策略的合理性及可用性。

圖4 優化調度功率曲線Fig.4 The power curve of optimal scheduling

圖5 各電池組SOC變化曲線Fig.5 The SOC change curve of each battery pack

為驗證本文提出的改進粒子群算法的優越性，分別采用改進粒子群算法和基本粒子群算法對光儲聯合發電系統優化調度問題進行求解，并進行比較分析，如圖6所示。改進粒子群算法計算得到的電池儲能電站運行24 h最低成本為3348.86元，較采用基本粒子群算法調度時最低運行成本3385.08元，直接經濟效益提升了1.1%。而且改進后算法收斂精度優，尋優效率高，具有更強的全局搜索能力。

圖6 兩種算法收斂特性對比Fig.6 Convergence characteristics comparison

下面以3個時段電池儲能電站功率調度分配為例進行分析，調節分配結果如表3所示。

表3 調度分配結果Table 3 Allocation results of dispatching

調度功率為充(放)電指令，若當前處于充(放)電狀態的電池組可充(放)容量滿足充(放)電需求，當前處于充(放)電狀態的電池組唯一，則只調度該電池組，如t=8時段；當前處于充(放)電狀態的電池組不唯一，則實行平均分配，如t=12時段。若當前處于充(放)電狀態電池組的可充(放)容量不滿足充(放)電需求，則先調度當前處于充(放)電狀態電池組最大可調功率，調度差值由其余電池組分配，如t=10時段。且電池組荷電狀態達90%，不可繼續充電，電池組荷電狀態達20%，不可繼續放電。

5 結語

本文重點研究了光儲聯合發電系統日經濟優化調度數學模型及其求解方法，實現了光儲聯合發電系統的經濟、安全運行，以及電池儲能電站內部電池的有效管理。本文提出的改進粒子群算法引入了自適應慣性權重和收縮因子，改進了粒子速度更新表達式，求解過程簡單，通過參數控制就可以較好地平衡全局搜索和局部搜索。本文中的調度策略基于經濟最優為目標，且是在儲能容量足夠大的前提下進行，后期將繼續研究多優化目標及考慮與大電網交互的儲能電站優化調度策略。

[1] 甘思琦,孔令國,蔡國偉,等. 光儲聯合發電系統建模及并網控制[J]. 中國電力,2015,48(3):116-121. GAN Siqi,KONG Linguo,CAI Guowei,et al. Modeling and grid-connected control of photovoltaic-energy storage hybrid system[J]. Electric Power,2015,48(3):116-121.

[2] BEDIR A,OZPINECI B,CHRISTIAN J E.The impact of plugin hybrid electric vehicle interaction with energy storage and solar panels on the grid for a zero energy house[C]∥Transmission and Distribution Conference and Exposition,2010 IEEE PES,New Orleans,LA,USA,2010:1-6.

[3] LIU Chunhua,CHAU K T,ZHANG Xiaodong. An efficient wind-photovolatic hybrid generation system using doubly excited permanent-magnet brushless machine[J]. IEEE Trans on Industrial Electronics,2010,57(3):831-839.

[4] 張景明,李巖松,杜儒劍,等. 光儲聯合并網系統建模與低壓耐受能力的研究[J]. 電力建設,2015,36(4):27-31. ZHANG Jingming,LI Yansong,DU Rujian,et al. Modeling and low voltage tolerance ability study of solar-battery hybrid generation system[J]. Electric Power Construction,2015,36(4):27-31.

[5] 劉嬌嬌,王致杰,袁建華,等. 基于PSO算法的風光儲微電網優化調度研究[J]. 華東電力,2014,42(8):1534-1539. LIU Jiaojiao,WANG Zhijie,YUAN Jianhua,et al. Optimized dispatch of wind/PV/battery microgrid based on PSO algorithm[J]. East China Electric Power,2014,42(8):1534-1539.

[6] 肖 青,陳 潔,楊 秀,等. 含多種分布式電源的微網動態經濟調度[J]. 電力系統及其自動化學報,2013,25(4):22-28. XIAO Qing,CHEN Jie,YANG Xiu,et al. Dynamic economic dispatch of microgrid with different types of distributed generations[J]. Proceedings of the CSU-EPSA,2013,25(4):22-28.

[7] 丁 明,徐寧舟,畢 銳. 用于平抑可再生能源功率波動的儲能電站建模及評價[J]. 電力系統自動化,2011,35(2):66-72. DING Ming,XU Ningzhou,BI Rui.Modeling of BESS for smoothing renewable energy output fluctuations[J]. Automation of Electric Power Systems,2011,35(2):66-72.

[8] 周曉燕,劉天琪,沈浩東,等. 含多種分布式電源的微電網經濟調度研究[J]. 電工電能新技術,2013,32(1):5-8. ZHOU Xiaoyan,LIU Tianqi,SHEN Haodong,et al. Study on economic scheduling of microgrid with different types of distributed generations[J]. Advanced Technology of Electrical Engineering and Energy,2013,32(1):5-8.

[9] 苗雨陽,盧錦玲,朱國棟. 基于改進多目標粒子群算法的微電網并網優化調度[J]. 電工科學與工程,2012,28(7):15-20. MIAO Yuyang,LU Jinling,ZHU Guodong.Grid-connected optimal dispatching of micro-grid with multi-objective particle swarm algorithm[J]. Electric Power Science and Engineering,2012,28(7):15-20.

[10] 鐘宇峰,黃民翔,葉承晉. 基于電池儲能系統動態調度的微電網多目標運行優化[J]. 電力自動化設備,2014,34(6):114-121. ZHONG Yufeng,HUANG Minxiang,YE Chengjin.Multi-objective operation optimization of micro-grid based on dynamic scheduling of battery energy storage system[J]. Electric Power Automation Equipment,2014,34(6):114-121.

[11] 葉季蕾,薛金花,吳福保,等. 一種電池儲能電站的經濟優化調度策略[J]. 電源技術,2016,40(2):365-369. YE Jilei,XUE Jinhua,WU Fubao,et al. Economic optimization dispatching strategic of battery energy storage station[J]. Power Technology,2016,40(2):365-369.

[12] 張文婷,范立新,顧 文. 考慮風電預測誤差的電力系統有功實時調度[J]. 江蘇電機工程,2016,35(1):11-15. ZHANG Wenting,FAN Lixin,GU Wen.Real-time active power dispatch of wind integrated system considering wind power Forecast Errors[J]. Jiangsu Electrical Engineering,2016,35(1):11-15.

[13] 張勇軍,徐 濤,許 亮,等. 計及輸電靈活性期望代價的多目標電網協調最優規劃[J]. 電力系統自動化,2010,34(24):31-35. ZHANG Yongjun,XU Tao,XU Liang,et al. Multi-objective optimal coordinated transmission expansion planning considering flexibility expected expense[J]. Automation of Electric Power Systems,2010,34(24):31-35.

[14] 黃 映. 基于改進混合差分進化算法的輸電網規劃研究[J]. 江蘇電機工程,2015,34(4):36-39. HUANG Ying.Transmission network planning based on improved hybrid differential evolution algorithm[J]. Jiangsu Electrical Engineering,2015,34(4):36-39.

[15] 劉浩明,陸 丹,楊 波,等. 可平抑高滲透分布式光伏發電功率波動的儲能電站調度策略[J]. 高電壓技術,2015,41(10):3213-3223. LIU Haoming,LU Dan,YANG Bo,et al. Dispatch strategy of energy storage station to smooth power fluctuations of high penetration photovoltaic generation[J]. High Voltage Engineering,2015,41(10):3213-3223.

[16] TAKABAYASHI H,SANO S,HIROSE Y,et al. The application of valve-regulated lead acid batteries to wind power generation system[C]∥Institute of Electrical and Electronic Engineers(IEEE).The 31st IEEE International Telecommunications Energy Conference,Incheon,Korea,2009.

[17] 王 輝. 計及孤島約束的微網經濟優化[J]. 江蘇電機工程,2016,35(5):57-62. WANG Hui.Economic optimization for micro-grid considering island constraints[J]. Jiangsu Electrical Engineering,2016,35(5):57-62.

(編輯 劉曉燕)

Operation Optimization of Photovoltaic-energy StorageHybrid System Based on Scheduling of Battery Energy Storage System

ZHANG Guoyu1, HONG Chao2,CHEN Dulin1,YE Jilei3

(1.Nanjing Institute of Technology, Nanjing 211100, China;2. Ingdezhen Ceramic Institute, Jingdezhen 333000, China;3.China Electric Power Research Institute(Nanjing), Nanjing 210003, China)

The optimal scheduling strategy of photovoltaic-energy storage hybrid system is an important guarantee for the economic and safe operation of photovoltaic-energy storage hybrid system, but the traditional economic dispatch models do not consider the effective management of the battery energy storage station(BESS)’s internal battery. An economic optimal scheduling strategy of photovoltaic-energy storage hybrid system is put forward, and a mathematics model of economic optimal scheduling is established by taken the lowest total cost a day as optimization objectives and using the power balancing, state of charge, power limit and scheduling cycle as constraint conditions, according to performance parameters and operating conditions of each battery pack. Improved particle swarm optimization (IPSO)algorithm is applied to solve the mathematics model. Finally, the simulation result proved that the improved particle swarm optimization algorithm is superior and the scheduling strategy is proper in the application of photovoltaic-energy storage hybrid system.

battery energy station; photovoltaic-energy storage hybrid system; economic; optimization; dispatching strategy; particle swarm optimization algorithm

2017-01-03；

2017-02-25

TM731

A

2096-3203(2017)03-0050-07

張國玉

張國玉(1991—)，女，江蘇鹽城人，碩士，研究方向為新能源發電并網、微網系統優化調度；

洪 超(1982—)，男，江西景德鎮人，講師，研究方向為電力電子和電力市場；

陳杜琳(1984—)，女，湖北十堰人，碩士，研究方向為新能源發電并網、微網系統運行控制策略；

葉季蕾(1983—)，女，安徽桐城人，高級工程師，從事電池材料和特性、電池儲能成組應用技術研究和開發工作。