基于模型預測-動態規劃的微網混合儲能能量管理*

劉曉艷

(1.江蘇電子信息職業學院智能制造學院,江蘇 淮安 223003；2.江蘇電子產品裝備制造工程技術研究開發中心,江蘇 淮安 223003)

集成光伏發電、風力發電、蓄電池-氫儲能混合儲能系統的交流微網既可以平抑新能源輸出的功率波動,削減并網時對電網的沖擊影響,還可以克服單一蓄電池儲能功率受限的問題,提高能源利用率[1-3]。并網系統要求微網具有不間斷運行的能力,如何平滑微網內各儲能裝置的出力,使得能量輸出滿足并網標準,同時降低系統能量損耗是混合儲能系統的重要研究內容。

關于混合儲能系統的研究較多,儲能裝置的形式和能量控制策略也不盡相同。文獻[4]提出一種基于模型預測控制的離網系統能量調度策略,利用擴展的預測域和評估域對微網群的最優運行進行調度,發揮了MPC 在預測與滾動優化和反饋校正方面的優勢。文獻[5]提出基于滯環頻率控制的混合儲能控制方法,用于延長電池壽命,并根據統計分析和特定算法分配電池和超級電容器的容量。但該方法對蓄電池的剩余容量利用過于保守,沒有考慮儲能系統存在的爬坡功率限制,缺乏對系統功率的預測研究,且沒有充分考慮對光伏和風電的消納,存在棄風棄光的現象。文獻[6]針對蓄電池和超級電容構成的混合儲能系統,采用動態規劃算法和遺傳算法相組合的調度策略,實現了混合儲能的穩定工作,提高儲能裝置的壽命,但沒有考慮微網并網標準對儲能出力的影響。

針對上述問題,本文以光/風/蓄電池-氫儲能構成的交流微網為對象,提出一種基于模型預測-動態規劃的能量調度策略,實現面向混合儲能出力的有限時域優化控制。充分結合蓄電池和氫燃料電池的儲能特性,設計滿足并網標準、降低儲能充放電成本和降低系統能量損失的三個目標函數,結合約束條件,采用動態規劃算法構建最優控制方程得到混合儲能系統能量調度方案,實現微網的穩定高效運行。

1 交流微網混合儲能模型

交流微網混合儲能系統包含光伏發電、風力發電以及蓄電池-氫混合儲能系統,微網通過交流母線與大電網連接。氫儲能裝置由電解水、燃料電池、儲氫裝置三個部分組成,電解水裝置消納光伏和風電制氫,產生的氫氣存儲在儲氫裝置中作為燃料電池的反應物。蓄電池-氫儲能混合儲能系統具有調節速度快、穩定性好、無污染等優點。交流微網結構如圖1 所示。

圖1 交流微網結構

圖中PPV為光伏出力,單位為kWh,PW為風電出力,單位為kW。PB為蓄電池功率,單位為kW。充電時,PB＜0,放電時PB＞0。PH為氫儲能裝置的充放電功率,單位為kW。燃料電池發出功率時,PH＞0,電解槽吸收功率時,PH＜0。PL為負載消耗功率,單位為kW。

(1)蓄電池模型

式中:EB(t)為蓄電池剩余電量,EBmax為蓄電池額定容量,ηB為光伏/風電能量經蓄電池存儲及放電并網過程中的轉換效率,ηBC為蓄電池充電效率,ηBD為蓄電池放電效率,SOC(State of Charge)為蓄電池荷電狀態,Δt為采樣時間。

(2)氫儲能模型

式中:ηH為氫儲能系統的充放電效率,ηHC為電解槽的電-氫轉換效率,ηHD為燃料電池放電效率。

2 混合儲能預測模型

模型預測是結合采樣時刻測量值和前瞻預測值,將模型輸出反饋作用于被控對象,對目標函數滾動優化,修正預測模型[7]。預測模型輸出控制量施加于混合儲能系統,根據混合儲能系統中蓄電池和氫儲能裝置的剩余能量決定儲能裝置的出力,執行一個步長后,更新狀態變量值和光伏/風電功率預測值,滾動優化直至調度周期結束。

2.1 預測模型

采用灰色模型GM(1,N)與BP 神經網絡組合預測方法,得到前瞻預測周期內光伏和風電功率預測值[8]。預測周期TS內,預測模型接收光伏、風電功率預測值,預測周期內有N次滾動優化,t＋kΔt對應第k個采樣點。

通過對混合儲能出力控制,實現儲能設備在最優狀態下運行。在采樣時刻k,取控制變量為:

狀態空間模型為:

過程輸出量為:

2.2 目標函數

對于混合儲能的交流微網,既要考慮輸出電能符合并網標準,還要考慮系統運行經濟性成本,同時保障系統能量效率,減少損失。

(1)并網功率波動。為體現儲能系統平抑波動的能力,以微網中光伏和風電的并網功率波動最小為控制目標[9]。并網波動越限幅值ΔPG、越限時間占比ΔPT表示為:

式中:PPVmax、PWmax分別為光伏發電和風力發電的日前預測最大值。Det為大電網允許功率波動下限。

(2)儲能充放電成本。為合理利用儲能系統,提高經濟性,儲能充放電成本最小為目標。燃料電池充放電成本很低,忽略不計,因此只計及蓄電池充放電成本[10]。

式中:γB為蓄電池充放電成本系數,PBC、PBD分別為充放電功率。

(3)系統能量損耗。微網系統能量損耗包括受并網功率影響導致的能量損失、蓄電池-氫混合儲能系統在能量轉換損耗。

微網系統能量轉換損耗為:

式中:ΔEPW(t)為并網能量損耗,ΔEB(t)為蓄電池能量轉換損耗,ΔEH(t)為氫儲能系統能量轉換損耗。

(4)懲罰函數

利用懲罰函數對以上三個評價目標轉化為單一目標求解,在保證儲能運行成本最小、降低系統能量損耗前提下,將并網功率波動約束在一定范圍內,提高并網穩定性。構建懲罰函數如下:

式中:α,β為懲罰函數系數。

2.3 約束條件

目標函數中的變量需滿足其對應的儲能能裝置的容量約束、并網功率約束和光伏/風電輸出功率約束。

(1)容量約束

式中:EBmax、EBmin和EHmax、EHmin分別為蓄電池和儲氫裝置剩余電量的上下限,單位為kWh。

(2)功率約束

式中:PBmax、PBmin和PHmax、PHmin分別為蓄電池和氫儲能裝置充放電功率上下限,單位為kWh。

3 動態規劃能量管理策略

對于多階段函數控制模型,采用動態規劃算法,將預測模型中多時間階段多目標求解轉化為多個單一時間階段求解,實現不同時間段混合儲能功率分配優化控制[11-13]。

與蓄電池相比,氫-電轉換效率相對較低,氫儲能僅作為儲能的輔助手段,動態規劃時不考慮氫儲能變化。為保證蓄電池平緩出力,將不同階段儲能能量管理優化問題看作蓄電池SOC 的變化過程,采用動態規劃算法優化多時間段蓄電池充放電過程的步驟:

步驟1 設定狀態變量

以儲能裝置當前荷電狀態S0為初始規劃狀態,相鄰采樣時刻間荷電狀態值為ΔS。

步驟2 列些第k時刻的狀態轉移方程

式中:l為第k-1 時刻的狀態值。

狀態轉移中需滿足功率約束和混合儲能的容量約束,每個采樣周期獲得目標函數最小的控制變量,繼續下一次滾動優化,直至k＝TS時結束。

4 算例分析

4.1 研究對象與參數

以某地區微網系統為例,其中光伏裝機容量為10 MW,風力機組容量為45 MW,配置4 MW 蓄電池和2 MW 氫儲能的混合儲能系統,負荷額定功率為30 MW。蓄電池荷電狀態范圍0.1～0.9,充放電效率85%,充放電時間2 h。氫儲能裝置中,4 臺500 kW電解槽并聯,燃料電池功率為2 MW。

并網功率波動Det取值2 MW,動態規劃中蓄電池SOC 的初始值和最終值均設置為0.2,采樣時間間隔15 min,預測周期2 h,懲罰系數均取值0.5,儲能的充放電成本系數γB為0.002。

4.2 優化結果分析

采用蓄電池-氫混合儲能系統平抑光伏/風電并網功率,平抑前后的并網功率曲線如圖2 所示。

圖2 平抑前后的并網功率曲線

從圖中可以看出,未采用混合儲能平抑時的原始功率曲線波動較大,并網功率值變化較大,采用混合儲能平抑后的并網功率曲線更加平滑,并網功率值變化率相對較低,說明蓄電池-氫混合儲能系統具有平抑光伏/風電并網功率的能力,降低了新能源發電間歇性對電網波動的影響。

為定量比較模型預測控制策略的性能,在某個典型日的波動越限幅值、越限時間占比、儲能充放電成本和能量損耗和列表1。

表1 不同策略優化結果對比

從表中可以看出,原始微網中新能源出力波動較大,配置混合儲能系統后,配置不同控制策略后調度效果存在差異,本文采用的模型預測-動態規劃調度策略對應的波動越限幅值和越限時間均小于采用蓄電池的LPF 控制方法[14]、基于微網當前工況調度策略[15],具有更好的平波抑制效果。采用模型預測-動態規劃方法時儲能運行成本相對更低。在能耗指標方面,不帶儲能裝置的原始損耗最大,采用模型預測-動態規劃的能耗最低,以并網電價0.48 元/kWh,年有效時間360 天計算,年累計增加并網收益108.3 萬元。

采用模型預測-動態規劃策略下的凈負荷和混合儲能功率變化如圖3 所示。從圖中可以看出,當凈負荷為正時,由于前期蓄電池和燃料電池儲能充裕,通過蓄電池和燃料電池放電滿足負荷需求；當功率過剩較小時,由于蓄電池充放電效率相對較高,優先給蓄電池充電后再給燃料電池充電。當功率過剩較多時,由于充電功率充足,會優先調用燃料電池進行充放電。

圖3 凈負荷與混合儲能出力

5 結論

針對光伏/風電/蓄電池-氫混合儲能微網系統調度運行問題,本文提出基于模型預測-動態規劃的能量管理策略,該策略可以協調蓄電池和燃料電池的功率分配,具有并網平波抑制功能且具有良好的經濟性。算例分析表明,本方法的控制效果與傳統蓄電池控制方法以及基于當前工況調度策略相比,平波抑制效果更佳,經濟性更優。