含虛擬儲能的配網源荷協同區域穩定控制研究

李夢月，張健，吳玨煒，王加澍，馬剛

(南京師范大學 電氣與自動化工程學院，江蘇 南京 210046)

0 引 言

新能源發電的間歇性使儲能系統成為主動配電網(active distribution network，ADN)中維持源側和荷側之間功率平衡必不可少的組件，在系統發生線路故障時可有效緩解系統故障恢復壓力[1]。由于傳統儲能成本較高，對儲能系統進行嚴格的有功功率調節以使其保持在安全的荷電狀態(state of charge，SOC)，增加了ADN系統安全運行成本。

虛擬儲能技術在國內外已有一定研究，多以需求側負荷控制為基礎[2]。文獻[3]提出一種蓄電池與虛擬儲能的協調控制策略，用于平抑微網聯絡線功率波動。文獻[4]以空調和電冰箱為對象建立虛擬儲能模型，詳細分析虛擬儲能對于用戶舒適度以及用戶經濟效益的影響。文獻[5]提出一種針對并網型微網的空調負荷和儲能電池的超前控制策略，用于平抑微網聯絡線功率波動。上述文獻采用的虛擬儲能控制技術中，負載功率無法實現連續、平滑地自適應控制，靈活性不強。而基于電力彈簧(electric spring，ES)的虛擬儲能技術已經相對成熟，可有效提高供電可靠性，改善電能質量，考慮虛擬儲能與傳統儲能相結合，為ADN系統源荷協同控制研究提供一種全新的思路[6-7]。

為解決上述問題，本文提出了一種雙層源荷協同控制策略，協同考慮ADN系統多個參數的狀態，包括儲能系統的荷電狀態，光伏和風機的出力，虛擬儲能單元，以及關鍵負荷需求等。上層控制采用分布式發電與儲能系統協調，在蓄電池荷電狀態達到安全下限之前投入分布式電源參與調節；下層控制基于蓄電池和虛擬儲能的動態特性進行協同控制。

1 儲能系統數學模型

1.1 蓄電池數學模型

源荷協同控制要求儲能系統進行嚴格的有功功率調節，使其保持在安全的SOC限制內。

充電過程荷電狀態方程式如下：

SOC(t)=(1-δ)SOC(t-1)+PcΔtηc/Ebat

(1)

式中：δ為蓄電池自放電率；Pc為充電功率；ηc為充電效率;Ebat為儲能總量。

放電過程荷電狀態方程式如下：

SOC(t)=(1-δ)SOC(t-1)-PdΔt/(Ebatηd)

(2)

式中：Pd為放電功率；ηd為充電效率。

1.2 虛擬儲能模型

虛擬儲能技術是指通過需求側負荷控制的方法控制非關鍵負載的功率值，實現與普通儲能相同的效果[8]。與傳統蓄電池儲能相比，虛擬儲能具有成本低、容量大等特點[9]，故本文選用虛擬儲能參與ADN源荷協同區域穩定控制。針對現有虛擬儲能技術控制不靈活的缺點，本文引入一種基于電力彈簧的虛擬儲能控制方法，其結構如圖1所示。

圖1 基于ES的虛擬儲能結構示意圖

對電能質量要求較低、可承受一定電壓波動的負載為非關鍵負載(non-critical load，NCL)，對電能質量要求較高的負載為關鍵負載(critical load，CL)。電壓源型整流器將母線電壓進行整流處理，得到穩定的直流電壓。控制回路根據上層調度需求，可得逆變器的控制信號VES-order。根據控制信號將直流電壓轉換為ES輸出電壓VES。Cd為ES的直流側電容，Lf、Cf為濾波電感和電容。

以非關鍵負載為阻性為例，虛擬儲能等效放電、充電狀態時各參數的相量關系如圖2所示。為方便分析各參數的向量關系，增加實部和虛部作為參考軸，具體數值大小根據具體情況確定。

圖2 基于ES的虛擬儲能工作相量圖

由圖2可知，虛擬儲能控制回路啟動和不啟動時，虛擬儲能單元消納的功率分別為：

(3)

P=PNC=|VNC|×|IES|×cosφ

(4)

因此，基于ES的虛擬儲能功率為：

(5)

式中：ΔP為虛擬儲能功率, ΔP>0表示虛擬儲能單元處于充電狀態，反之則處于放電狀態；ZNC為NCL阻抗；VS為母線電壓。

2 優化控制模型

2.1 目標函數

綜合考慮DG投資商和ADN運營商利益，定義最優協同調度方案年運行收益的目標函數為：

maxC=λ1(CSell-CDG)+λ2(CLoss+CEnv-CG-CES)

(6)

式中：C為DG投資商和AND運營商的年綜合收益；λ1、λ2分別為DG與ADN經濟性指標系數；CSell為DG運營商售電收益；CDG為DG運營商投資及運行維護成本；CLoss為ADN降損收益；CEnv為ADN環保性收益；CG為ADN運營商向主網購電成本；CES為虛擬儲能單元的補償成本。

2.2 負荷缺電率

負荷缺電率與系統綜合成本成反比，是衡量ADN系統可靠性的重要指標，與系統的經濟性密切相關。為更好地衡量系統的供電效果，引入負荷缺電率作為評價參數，表達式為：

(7)

LPSP≤LPSPmax

(8)

式中：LPSP為負荷缺電率；LPS(t)為t時刻的功率差值；E(t)為t時刻的負荷需求；LPSPmax為負荷缺電率上限。

3 源荷協同優化調度

3.1 雙層優化調度策略

為保持ADN系統有功功率平衡和安全穩定運行，本文采用雙層協調控制策略。

上層控制由分布式發電與儲能系統共同參與實現，若蓄電池長期反復深度放電，容易受損導致循環壽命減少。在蓄電池儲能降低到容量的40%時便啟動DG調整方案，通過控制間歇性DG的切除量和可控DG的出力大小，有效緩解系統調控壓力，避免蓄電池發生深度放電，從而有效延長其循環壽命。

下層控制基于蓄電池和虛擬儲能的動態特性進行協同優化控制，蓄電池比能量高，便于長期存儲電能，分布式虛擬儲能單元“充放電”速度快、成本低和容量大，二者協同控制實現ADN源荷分布式協調優化運行。

3.2 改進粒子群算法

粒子群優化算法(particle swarm optimization，PSO)具有很強的全局搜索能力，其概念源于對鳥群覓食行為模式的研究。

每次迭代粒子速度與位置的表達式分別為：

(9)

(10)

為獲得較優的局部尋優和全局尋優能力，對傳統PSO算法進行改進，將慣性權重、個體極值和全局最優位置的權重設定為動態參數：

ω=1+rand(-0.5,0.5)

(11)

c1=2+rand(-1,1)

(12)

c2=2+rand(-1,1)

(13)

利用改進PSO算法對模型進行求解，與傳統采用靜態參數的算法相比性能更優。算法流程如圖3所示。圖3中，T為最大迭代次數。

圖3 優化控制算法流程圖

4 算例分析

本文提出一種含虛擬儲能的配網源荷協同區域穩定控制策略，利用雙端供電22節點配網系統進行算例分析，其拓撲如圖4所示。

圖4 ADN系統拓撲示意圖

基本參數如表1所示。

表1 仿真參數

節點8設置新能源發電光伏440 kW、風電450 kW，并選用560 kWh的蓄電池儲能系統，其最大充電效率和放電效率分別為95%和85%，為避免過充和過放對電池造成損壞，設置SOC限制范圍為0.4～0.8，仿真時長為24 h，采樣周期為1 min。風機出力曲線、光伏出力曲線和日負荷曲線如圖5所示。

圖5 風機、光伏及負荷時序特性曲線

根據本文所提源荷協同優化策略，利用PSO算法對目標函數進行求解，設定最大迭代次數為100次，優化結果如表2所示。

由表2可知，計及虛擬儲能的配網系統在保證負荷缺電率指標的前提下，儲能成本可節約38.6萬元左右。利用本文所提源荷儲能協同控制雙層優化策略進行調控，經兩層優化后節點8電壓波動率曲線如圖6所示。

表2 仿真參數

圖6 節點8電壓偏移率曲線

由圖6可知，8∶00—18∶00配網系統出力和負荷需求矛盾突出，節點8電壓偏移率有明顯上升趨勢。經過分布式發電與儲能系統的上層協調優化控制，電壓偏移率最高控制在4%左右，但仍有明顯波動；經過下層虛擬儲能參與協調控制后，配網系統節點電壓穩定性有顯著改善，基本穩定在3.87%左右，進一步驗證了算法的有效性。

5 結束語

本文提出一種含虛擬儲能的配網源荷協同優化調度策略。首先，對ADN傳統儲能與虛擬儲能技術進行研究，引入基于ES的虛擬儲能單元；然后，綜合考慮DG運營商和ADN運營商成本，建立優化模型目標函數，在保證負荷缺電率前提下利用改進PSO算法進行求解；最后通過仿真結果表明，引入虛擬儲能的ADN系統儲能成本降低，綜合利潤更高，節點電壓偏移率相對較小。