考慮電池儲能與需求響應的微網多時間尺度優化運行

傅曉梅 ， 溫步瀛， 朱振山， 唐雨晨

(1. 福州大學電氣工程與自動化學院， 福建 福州 350108; 2. 國網福建省電力有限公司經濟技術研究院， 福建 福州 350011)

0 引言

隨著環境污染和資源短缺等問題的日益凸顯， 具有可再生、 環境友好等優點的新能源發電逐漸成為電力領域內的研究熱點[1-2]. 但是風電、 光伏等新能源發電具有波動性和隨機性， 導致其出力具有不確定性， 給電網的電能質量、 穩定性帶來了一定的影響. 為維護電網的安全穩定運行， 一些地區實施棄風棄光手段， 造成風電、 光伏等新能源的消納量大幅度下降[3]. 微網可以實現新能源和負荷一體化運行， 是解決新能源消納的有效技術手段[4].

微網中配置電池儲能系統， 不僅能有效應對新能源發電出力不確定性， 還能保障微網安全穩定運行. 實施需求響應(demand response， DR)是解決微網中新能源消納的可行方向之一. 對于考慮儲能和DR的微網， 文獻[5]建立了考慮多種儲能和DR的最優負荷削減模型， 并對多能源系統進行可靠性評估； 文獻[6]計及電池儲能和可中斷負荷， 提出一種包含日前-日內兩階段微網優化調度模型； 文獻[7]考慮電池儲能和DR， 建立日前-時前-實時三階段微網調度模型. 上述文獻均建立計及儲能和DR的微網運行模型， 但DR類型和補償機制單一， 且沒有挖掘價格型需求響應(price-based demand response， PBDR)的作用.

本文提出一種考慮電池儲能和DR的微網多時間尺度優化運行模型. 針對電池儲能， 建立可反映沒有規律的充放電周期電池儲能老化成本模型. 針對激勵型需求響應(incentive-based demand response， IBDR)的補償機制， 參照階梯方式電價， 建立一種階梯方式IBDR的補償機制. 綜合考慮電池儲能、 PBDR和IBDR， 構建了日前和日內兩個時間尺度的微網優化運行模型， 借助基于場景與機會約束的隨機規劃多時間尺度方法[8]進行求解， 并通過算例分析驗證該模型的有效性.

1 電池儲能與需求響應模型

1.1 電池儲能模型

1.1.1 儲能電池老化模型

儲能電池的循環壽命一般以不同放電深度(depth of discharge， DOD)下最大充放電循環次數來表示. 本文以鋰離子電池為研究對象， 其循環壽命與DOD的關系曲線如圖1所示[9]. 該曲線表示儲能電池從最大允許放電容量放電到指定的DOD值所對應的充放電循環次數， 這個過程一般稱為常規充放電周期. 則儲能電池充放電循環一次所對應的老化程度DOA為

(1)

式中：Ncyc為儲能電池的最大循環充放電次數.

儲能電池的荷電狀態(state of charge， SOC)與DOD之間的關系如下式所示. 結合式(1)與式(2)， 圖2中的儲能電池老化程度和SOC關系曲線可以通過圖1中循環壽命與DOD關系曲線得到.

SOC=1-DOD

(2)

圖1 循環壽命和DOD關系曲線Fig.1 Cycle life and DOD relationship curve

圖2 老化程度和SOC關系曲線Fig.2 Aging degree and SOC relation curve

圖3 老化程度計算過程Fig.3 Aging degree calculation process

本文利用兩個常規充放電周期的電池老化程度之差來估計一個沒有規律的充放電周期的老化程度[10]， 如圖3所示. 則在決策周期內， 儲能電池總老化程度DOAz為

(3)

式中： SOCt為t時段儲能的荷電狀態；f(SOCt)為儲能荷電狀態為SOCt時在圖2中曲線對應的老化程度.

當電池剩余價值為電池替換成本的10%時， 電池處于報廢狀態， 則電池老化成本Fage為

Fage=(Frep-10%×Frep)DOAz

(4)

式中：Frep為電池替換成本.

1.1.2 電池儲能出力模型

電池儲能出力模型包括功率約束、 荷電狀態約束以及相鄰時段的電池儲能電量平衡關系約束， 如下式.

(5)

SOCmin≤SOCt≤SOCmax

(6)

(7)

1.2 DR模型

1.2.1 IBDR

圖4 階梯方式IBDR的補償機制 Fig.4 Step-type compensation mechanism for IBDR

IBDR是通過電網與用戶制定相應的激勵機制合同實現的. 按照響應時長可將IBDR分為以下3類： A類IBDR， 提前24 h制定響應計劃； B類IBDR， 響應時長15 min 到2 h； C類IBDR， 響應時長5～15 min.

本文參照階梯方式電價， 建立一種階梯方式IBDR的補償機制， 如圖4所示. 以A類IBDR為例， 補償機制的數學模型如下式.

(8)

(9)

(10)

1.2.2 PBDR

PBDR是通過電價信號引導用戶調整用電方式實現的. 對于T時段的電價變化率和負荷響應率之間的關系， 可用彈性矩陣表示， 即

(11)

式中： ?dt、 ?mt(t=1, 2, …,T)分別為實施PBDR前后的負荷需求和電價相對增量；dt、mt(t=1, 2, …,T)分別為實施PBDR前的負荷需求和電價；U為彈性矩陣， 其表達式參考文獻[11].

實施PBDR后的負荷響應量為

(12)

2 微網多時間尺度優化模型

2.1 日前調度

2.1.1 目標函數

日前調度的時間尺度為1 h， 調度周期為24 h. 日前調度模型以微網總運行成本最小為目標， 包括可控型微電源運行成本、 風電運維成本、 電池儲能運維成本和老化成本、 IBDR成本、 棄風懲罰成本以及微網與主網之間的交互成本. 其中， 可控型微電源運行成本包括啟動成本、 燃料成本和運維成本. 下標s代表場景編號. 則目標函數為

2.1.2 約束條件

日前調度模型的約束條件包括功率平衡約束、 可控型微電源約束、 風電出力約束、 電池儲能系統約束、 IBDR約束以及交互功率約束， 如下式.

1) 功率平衡約束

(14)

2) 可控型微電源約束

(15)

(16)

(17)

(18)

3) 風電出力約束

(19)

4) 電池儲能系統約束見1.1節電池儲能模型.

5) IBDR約束

(20)

(21)

6)交互功率約束

(22)

2.2 日內調度

2.2.1 目標函數

日內調度的時間尺度為15 min， 調度周期為4 h. 日內調度模型的目標函數包括可控型微電源的燃料成本和運維成本、 風電運維成本、 電池儲能運維成本和老化成本、 IBDR成本、 棄風懲罰成本以及旋轉備用成本.

(24)

2.2.2 約束條件

日內調度模型中功率平衡約束和旋轉備用約束如下式. 其余約束參考日前調度模型的約束.

1) 功率平衡約束

2)旋轉備用約束

式中： Cr{}為置信度表達式；α1、α2分別為滿足正、 負旋轉備用約束的置信度， 取值為0.95.

2.3 模型的求解

本文采用基于場景與機會約束的隨機規劃多時間尺度方法對日前調度和日內調度進行建模. 上述所建立的模型中可控型微電源機的成本函數和儲能電池老化成本是非線性的， 利用文獻[12]中的分段線性方法將其線性化. 然后根據不確定規劃理論將模型中含有模糊變量的不確定約束條件轉化為確定性約束條件[13]. 該模型經過上述方法處理后， 可利用MATLAB中的YALMIP建模， 并調用CPLEX進行求解.

3 算例分析

3.1 算例參數

算例中采用的微網， 包含3臺可控型微電源、 風電以及電池儲能. 各類設備的基本參數如表1～2所示. IBDR補償機制如表3所示， 交互電價參考文獻[14].

表1 可控型微電源基本參數

表2 電池儲能系統基本參數

表3 IBDR補償機制

圖5 負荷預測曲線Fig.5 Forecasted of load

假定負荷的自彈性系數為-0.1， 互彈性系數為0.033； 實施PBDR前的電價為0.4元· (kW·h)-1， 電價變化范圍為±0.5； A、 B類IBDR的參與量不大于總負荷的5%， C類IBDR的參與量不大于總負荷的3%； 風電的維護成本系數為0.03元· (kW·h)-1； 微網與主網的最大交互功率為100 kW. 負荷和風電預測曲線如圖5～6所示， 風電給出兩種典型情景下的預測曲線. 針對風電的預測誤差， 采用拉丁超立方抽樣法生成大量風電出力場景， 并利用場景削減技術， 篩選出少量典型場景[15]， 如圖7所示.

圖6 風電預測曲線Fig.6 Wind power prediction curves

圖7 風電反調峰和正調峰的典型場景Fig.7 Typical scenarios of wind power negative peak regulation and positive peak regulation

3.2 優化結果分析

為分析本文運行策略在不同風電情景下的優化效果， 算例中選取反調峰、 正調峰兩種典型風電情景進行仿真分析. 圖8～10分別為兩種情景下各類資源的調度情況、 儲能系統出力、 各類DR調用量的對比.

對兩種情景的調度計劃進行對比分析， 可得到以下3個結論.

1) 從圖8可看出， 風電處于反調峰情景時， 風電出力曲線變化趨勢與負荷曲線相差較大； 而風電處于正調峰情景時， 風電出力曲線變化趨勢與負荷曲線相差不大. 微網中大部分負荷主要由可控機組承擔； DR因參與量的限制， 在負荷高峰期調用量較多； 儲能系統在負荷低谷時期充電， 在負荷高峰時期放電 .

圖8 各類資源的調度情況Fig.8 Scheduling of various resources

2)結合圖8和圖9可看出， 儲能系統在整個調度周期中， 通過自身的能量轉移特性和快速調節能力， 對負荷進行削峰填谷. 對比兩個情景， 正調峰情景下的儲能系統出力較反調峰的少， 這是因為風電處于正調峰時， 在負荷低谷時期出力較少， 不會給微網造成壓力.

3)結合圖8和圖10可看出， 在負荷高峰期間， DR削減量較多， 主要用于削峰； 在負荷低谷和平時段， DR主要用于填谷. 風電處于反調峰情景時， DR的調用量較正調峰的多.

圖9 儲能系統的出力對比Fig.9 Output comparison of energy storage system

圖10 DR調用量對比Fig.10 Requirement response invocation comparison

3.3 不同IBDR模型對比分析

為分析本文的IBDR模型對微網經濟運行的影響， 給定兩種調度方案進行對比分析， 方案設置如下所示.

方案1： IBDR采用本文模型， 且無配置儲能.

表4 兩種方案的優化結果

方案2： IBDR采用文獻[16]的可中斷負荷模型， 負荷允許參與量與方案1一致， 分別在日前和日內調度內實施， 且無配置儲能.

本算例在反調峰情景下進行分析， 優化結果如表4所示.

對比方案1和方案2， 可得出： 雖然方案2的IBDR總調用成本較方案1的降低了86.94%， 但總運行成本和棄風率與方案1相比， 分別增加了8.85%和0.45%. 這是由于方案2中可中斷負荷模型因其響應價格單一， 而且只有中斷負荷的響應方式. 而方案1中的IBDR模型采用階梯方式補償機制， 且有增加、 減少負荷的響應方式， 在實現微網經濟運行的前提下， 能更充分地調用不同時間尺度的DR資源， 運行方式更靈活.

4 結語

1) 電池儲能系統具有快速響應和雙向調節能力的特點， 通過制定合理的儲能系統調度計劃， 能夠對負荷進行時序轉移， 降低負荷的峰谷差.

2) 采用多時間尺度運行策略， 能夠使不同時間尺度的DR參與到微網優化運行中， 還能夠更好地協調儲能系統和DR的響應能力. 本文模型在保證微網總運行成本最優的情況下， 合理利用微網中的各類電力資源.

3) 將本文的IBDR模型與常規的可中斷負荷模型對比分析， 算例結果表明, 本文IBDR模型能有效降低微網總運行成本與棄風率， 提高微網的運行經濟性.