風光儲微網與充電樁一體化系統管理與能量調度

趙文倉

?

風光儲微網與充電樁一體化系統管理與能量調度

趙文倉

(浙江萬馬新能源有限公司，浙江 杭州 310012)

從平臺的架構及控制策略方面闡述風光儲能微電網與充電樁一體化設備之間的互聯互通，對風能、太陽能發電微電網系統的預測、儲能控制，結合微電網功率及風能、太陽能的出力情況，建立了基于PSO算法的能量調度模型，對充電樁充電需求的能量提前做出調度方案，滿足電動汽車在公共電網供電不足或供電峰谷情況下的充電需求。

微電網；儲能控制；能量預測；能量調度；光伏；風能

0 引言

近年來，電力系統呈現出用電負荷不斷增加、輸出電容量不斷增大，但仍然不能滿足工業和生活用電日益增長的需求。隨著新型電力電子技術的不斷成熟和完善，基于風能、太陽能等分布式發電技術的蓬勃發展，風光儲能微電網已成為未來發展的趨勢，對改變現有用電高峰引起的“電荒”和支持國家大力提倡的“減排節能”[1]起著重要的作用。浙江萬馬新能源的風光儲能微電網與充電樁一體化系統管理與調度項目已取得了階段性的成果，本文著重介紹其系統管理及能量調度功能的在線應用情況，以便更好地促進本項目的改進和完善。

1 微電網系統分析

1.1 硬件平臺構成

本項目風光儲能微電網系統由分布式發電(風能、光伏發電)負載、儲能裝置及控制裝置等部分組成，作為整體部分通過公共接點充電器與公共電網相連[2]，它們基于以太網技術及軟件平臺(電動汽車充電樁云服務平臺、設備調度及控制中心)遵守IEC61850規約，實現設備及設備之間、平臺與設備之間的互聯互通[3-5]，從風光儲能微電網系統整體出發結合當地電網供電價格、供電平衡、電網的特殊要求、電能質量要求、天氣環境等信息作整體決策，以決定風光儲能微電網系統與公共電網的交換功率[6]，風光儲能微電網電源輸出分配及負載控制指令，從而實現控制策略上的設備管理與能量調度最佳匹配。圖1為風光儲能微電網硬件平臺示意圖。

1.2 軟件平臺構成

項目的實時監控調度控制平臺及電動汽車充電樁云平臺采用模塊化設計,基于TCP/IP技術和根據需求開發通信接口[7-8]實現各個模塊的獨立性又相互相連的特點，使風光儲能微電網設備管理及能量調度邏輯層方面的互通。圖2為風光儲能微電網軟件平臺示意圖。

圖1 風光儲能微電網硬件平臺示意圖

圖2 微電網軟件平臺示意圖

2 微電網能量控制模式及需求

2.1 能量供給控制模式

本儲能微電網系統的能量調度控制模式可分為并網運行狀態和孤網運行狀態[9]。并網運行是指公共電網與風光儲能微電網系統同時儲能，由公共電網為電動汽車充電的運行方式。孤網運行是公共電網發生故障或微電網系統能量富足或其他原因與公共電網斷開，由風光儲能微電網獨立為電動汽車充電的方式運行。圖3為風光儲能微電網供電模式的相互轉換。

圖3 風光儲能微電網供電模式的相互轉換

2.2 項目能量需求

風光儲能微電網建設要平均滿10輛電動汽車每天4小時充電容量，根據這個需求儲能電池對外總容量為300 kW，即50 Ah、3.2 V，0.16 kWh/只鐵鋰電池，1 875節。具體風能、光伏電站、公共電網需要按哪種方式配比能量分配，需要根據短期的能量預測情況及當時實時能量監控的合理安排，通過軟件平臺及設備之間的互通互聯實現通能量調度。

3 風光儲能微網能量調度控制

3.1 能量調度負荷預測

微電網能量調度負荷預測首要解決短期預測和超短期預測[10-12]，短期預測時間尺度為0~48小時，主要用于合理安排常規機組發電計劃，解決公共電網調峰及能量調度匹配問題；超短期預測時間尺度為0~4小時，15 min滾動預測，主要用于實時調度，解決風能、光伏電站、公共電網配比問題，把功率波動控制在合理范圍內，實現合理調度，同時也考慮能量調度的經濟效益與對儲能電池充電、放電的影響。

3.1.1光伏調度負荷預測

在光伏發電系統中，主要考慮太陽輻射強度、陣列的轉換效率、大氣壓、陣列的安裝角度、陣列溫度及其他不可預估因素都會對電站出力產生不可預估的影響，其主要考慮的是天氣類型、日最高溫度。圖4為光伏發電晴天、陰天出力情況。

在建立光伏電站出力的預測模型時[13-14]，天氣類型變化對其出力影響成為首要解決的問題，中日類型指數指標，根據記錄歷史出力序列中出力大小與天氣類型關系，對總裝機容量為350 kW的實際光伏電站2017年中的小時出力序列和對應天氣類型情況統計分析如下，晴天出力為135 kW，陰天為85 kW，雨天為72 kW，雪天為55 kW。設光伏電站晴天日類型指數為1，那么陰天、雨天、雪天的日類型指數分別為0.63、0.53、0.41。本項目采取小波神經網絡法對建立的出力預測模型進行能量調度，軟件平臺規劃未來48 h的能量調度安排，并要根據實現情況進行允許范圍內的調整。

圖4 光伏發電晴天、陰天出力情況圖

3.1.2風能調度負荷預測

預測風塔風速數據與風機輸出功率數據同步時,可得不同時間段的風速與風機功率之間的關系，從而找到風機在不同的氣象條件下的功率曲線。通過氣象部門未來的天氣數據以天為單位基于小時的數據預測，根據風機功率輸出特性，預測風電機組未來48 h的功率變化情況的短期預測，通過PSO[15]算法建立風能調度模型，在本模型范圍內根據風電機組實時情況進行能量配比。圖5為風速與風能電機功率曲線圖。

本項目風光儲能微電網的能量來源主要是風能充電、光伏充電。它們的電能具有波動性、間歇性和隨機性，但卻有互補的特性，在通過儲能電池儲能的同時要解決能量的波動對儲能裝置的影響。把波動對儲能電池的影響控制在許可范圍內[16]是本項目研究的重點。圖6為風光儲能出力配比波動。

圖6 風光儲能出力配比波動

3.1.3風光儲能微電網的經濟調度

風光儲能微電網的經濟調度預測是在微電網系統安全的前提下，通過合理配比光伏、風能、公共電網能量和儲能電池的出力以最小成本滿足負荷需求。其調度策略如下：

1) 優先使用風能、太陽能等無污染的清潔能源充電，因其出力無其他消耗費用，前期又大量投入，避免浪費。

2) 在沒有電動汽車使用充電樁充電時，根據儲能電池能量的富足程度及風光儲能微電網電源的能量預測情況決定是否開啟公共電網給儲能電源充電，既要滿足隨時使用充電樁充電又要滿足用電高峰時的經濟調度。

3) 在有電動汽車使用充電樁充電時，根據儲能電池能量是否能滿足用電高峰時的經濟調度，否則使用公共電網充電。

根據上述調度策略，基于風光儲能微電網的經濟解度考慮。圖7為風光儲能微電網預測的經濟型調度模型。

圖7 風光儲能微電網預測的經濟型調度模型

4 結論

本文闡述了從風光儲能微電網硬件平臺的組成到軟件平臺的系統集成的系統架構；又從影響太陽能、風能出力因素及經濟角度建立的智能能量調度預測模型，結合風光儲能微電網采集的能量數據及其他數據進行實時調度安排。為風光儲能微電網及電動汽車充電樁一體化能量調度控制提供了可靠的改進方案。

[1] 陳良亮, 張浩, 倪峰, 等. 電動汽車能源供給設施建設現狀與發展探討[J]. 電力系統自動化, 2011, 35(14): 1-5.

CHEN Liangliang, ZHANG Hao, NI Feng, et al. Present situation and develop trend for construction of electric vehicle energy supply infrastructure[J]. Automation of Electric Power Systems, 2011, 35(14): 1-5.

[2] 楊忠亮, 左新宇. 光伏儲能電動汽車充電樁站監控系統的設計[J]. 電器與能效管理術, 2012(16): 16-20.

YANG Zhongliang, ZUO Xinyu. Design of photovoltaic and storage electric vehicle charging station monitoring system[J]. Electrical & Energy Management Technology, 2012(16): 16-20.

[3] 邱智勇, 陳賀, 高勝國, 等. 一種電動汽車充電站有序用電智能配電系統[J]. 新能源汽車供電技術, 2018, 2(1): 8-12.

QIU Zhiyong, CHEN He, GAO Shengguo, et al. An intelligent power distribution system for EV charging station[J]. Energy Supply Techniques of New Energy Vehicles, 2018, 2(1): 8-12.

[4] 孟祥軍, 梁濤, 王興光, 等. 電動汽車智能充電樁的設計與實現[J]. 信息技術與信息化, 2011(6): 58-61.

MENG Xiangjun, LIANG Tao, WANG Xingguang, et al. Design and implementation of electric vehicle intelligent charging pile[J]. Information Technology & Informatization, 2011(6): 58-61.

[5] 楊茜, 鄧建慎, 李洪峰, 等. 電動汽車公共服務與互動平臺設計研究[J]. 電力系統保護與控制, 2016, 44(10): 137-144.

YANG Xi, DENG Jianshen, LI Hongfeng, et al. Design and research on public service and interactive platform in electric vehicle[J]. Power System Protection and Control, 2016, 44(10): 137-144.

[6] 沈浩東, 孫國城, 謝虎, 等. 一種微電網與電網交換功率的多時間尺度控制方法: 中國, H02J3/06, H02J3/ 46[P]. 2012-09-12.

SHEN Haodong, SUN Guocheng, XIE Hu, et al. A multi time scale control method for switching power between microgrid and distribution network: China, CN102684199A[P]. 2012-09-12.

[7] 趙波, 王林先, 孫興偉. 電動汽車充電設施信息安全防護方案探討[J]. 新能源汽車供電技術, 2018, 2(1): 18-22.

ZHAO Bo, WANG Linxian, SUN Xingwei. Discussion on information security protection scheme for electric vehicle charging facilities[J]. Energy Supply Techniques of New Energy Vehicles, 2018, 2(1): 18-22.

[8] 賈俊國, 倪峰. 電動汽車充電接口標準化探討[J]. 電力系統自動化, 2012, 35(8): 76-80.

JIA Junguo, NI Feng. A discussion on standardization of electric vehicle’s charging coupler[J]. Automation of Electric Power Systems, 2012, 35(8): 76-80.

[9] 沈浩東, 孫國城, 謝虎, 等. 一種微電網由并網向孤網無縫切換的方法: 中國, CN102709946A[P]. 2012-10-30.

SHEN Haodong, SUN Guocheng, XIE Hu, et al. A seamless switching method for microgrid from grid to isolated network: China, CN102709946A[P]. 2012-10-30.

[10]丁明, 史盛亮, 劉新宇, 等. 交直流混合微網優化配制研究[J]. 電力系統保護與控制, 2018, 46(14): 17-25.

DING Ming, SHI Shengliang, LIU Xinyu, et al. Study of optimal configuration of a hybrid AC/DC microgrid[J]. Power System Protection and Control, 2018, 46(14): 17-25.

[11]方八零, 李龍, 趙家鑄, 等. 動態相似與靜態相似相結合的短期負荷預測方法[J]. 電力系統保護與控制, 2018, 46(15): 29-39.

FANG Baling, LI Long, ZHAO Jiazhu, et al. Short term load forecasting based on the combination of dynamic similarity and static similarity[J]. Power System Protection and Control, 2018, 46(15): 29-39.

[12]張維戈, 頡飛翔, 黃梅, 等. 快換式公交充電站短期負荷預測方法的研究[J]. 電力保護系統與控制, 2013, 41(4): 61-66.

ZHANG Weige, XIE Feixiang, HUANG Mei, et al. Research on short-term load forecasting methods of electric buses charging stations[J]. Power Protection System and Control, 2013, 41(4): 61-66.

[13] 丁明, 王勝偉, 王秀麗, 等. 大規模光伏發電對電力系統影響綜述[J]. 中國電機工程學報, 2014, 34(1): 1-14.

DING Ming, WANG Shengwei, WANG Xiuli, et al. A review on the effect of large-scale PV generation on power systems[J]. Proceedings of the CSEE, 2014, 34(1): 1-14.

[14] 趙唯嘉, 張寧, 康重慶, 等. 光伏發電出力的條件預測誤差概率分布估計方法[J]. 電力系統自動化, 2015, 39(16): 8-15.

ZHAO Weijia, ZHANG Ning, KANG Chongqing, et al. A method of probabilistic distribution estimation ofconditional forecast error for photovoltaic power generation[J]. Automation of Electric Power Systems, 2015, 39(16): 8-15.

[15] 蘇鵬, 劉天琪, 趙國波, 等. 基于改進粒子群算法的節能調度下多目標負荷最優分配[J]. 電網技術, 2009, 33(5): 48-53.

SU Peng, LIU Tianqi, ZHAO Guobo, et al. An Improved Particle Swarm optimization based Multi-objective load dispatch under energy conservation dispatching[J]. Power System Technology, 2009, 33(5):48-53.

[16] 張竹耀, 郭曉麗, 張新松, 等. 儲能電池平抑風功率波動策略[J]. 電力系統保護與控制, 2017, 45(3): 28-32.

ZHANG Zhuyao, GUO Xiaoli, ZHANG Xinsong, et al. Strategy of smoothing wind power fluctuation based on storage battery[J]. Power System Protection and Control, 2017, 45(3): 28-32.

Management and energy scheduling system based onwind-photovoltaic-storage microgrid and charging station for electric vehicles

ZHAO Wencang

(Zhejiang Wanma New Energy Co., Ltd, Hangzhou 310012, China)

This paper indicates the interconnection of integrated system for wind-photovoltaic--storage microgrid and charging station for electric vehicle in terms of platform architecture and control strategy, and establishes the economical model of energy scheduling based on PSO algorithm to predict the microgrid system for wind and solar power generation and control the energy storage system. Referring to the rate of microgrid wok, wind and solar power, it makes a schedule ahead to the energy needed by charging piles for electric vehicles in order to meet the charging demands for the electric vehicles when the public supply system suffers from a power shortage or is in electricity peak valley.

microgrid; energy storage control;energy forecast;energy-scheduling; photovoltaic; wind energy

2018-08-23；

2018-08-29

趙文倉(1982—)，男，通信作者，大專，工程師，研究方向為微電網與充電樁一體化能量管理與調度。E-mail: bolebdms@163.com