基于光伏發電量預測的含氫儲能微網分段優化調度

王小昔, 雷勇, 張汀

(四川大學電氣工程學院, 成都 610000)

為實現“碳達峰、碳中和”的重要戰略目標,如何建設更加穩定經濟的含多種微源的儲能微網系統成為亟待解決的問題[1]。光伏發電具有隨機性和波動性,氫能作為清潔的可持續能源常用于微網系統的儲能元件[2-3]。為更大程度解決微網系統功率缺額或能量浪費的問題,以光伏發電量預測數據為基礎信息,制定含氫儲能系統優化調度策略具有重要的發展前景[4]。

目前國內外常用人工神經網絡(artificial neural network, ANN)、長短期記憶人工神經網絡(long short-term memory, LSTM)、支持向量機(support vector machine, SVM)[5]等算法預測進行光伏發電量的預測。文獻[6] 針對復雜非線性的用電量數據,構建基于自適應粒子群算法優化的最小二乘支持向量機提高中長期負荷預測精度。文獻[7]應用改進的鯨魚算法對支持向量機算法優化,同時應用小波軟閾值去噪對輸入數據進行預處理,增強改進支持向量機預測模型在不同天氣情況下的適應性。文獻[8]針對光伏功率數據非線性、非平穩性的特點,采用極點對稱模態法將光伏序列分解成各模態分量和趨勢余項,最后再結合支持向量機模型分別預測各序列,有效減小預測誤差。

目前對含氫儲能系統的運行策略研究在考慮功率需求及系統穩定性控制的基礎上加入了經濟性要求。文獻[9]針對風光儲系統采用粒子群算法進行容量配置,考慮系統日功率波動最小為目標,實現可再生能源消納,滿足多能源互補系統綜合性。文獻[10] 基于非線性變化的收斂因子均衡算法優化灰狼算法對日運轉經濟效益尋優,實現日并網交流微網調度。但以小時為單位的策略調度容易造成較大的功率誤差,且對算法的要求較高。文獻[11]以變分模態分解與門控循環單元神經網絡作為日前預測方法獲得日前控制策略,在日內階段建立模型預測滾動優化,但當實際數據與參考軌跡相差較大時,控制結果也有較大誤差。文獻[12]采用多時間尺度優化調度策略,日前調度以小時為單位制定機組出力計劃,日內調度以15 min為間隔周期進行滾動優化調整資源運行狀態,但存在調度周期較長實時性不足,同時日前日內調度出入較大等問題。

上述預測算法研究能夠一定程度提高光伏發電量數據的預測精度,但存在時間尺度較大,數據處理較復雜等問題。文中提到的調度方法能夠實現含氫微網的部分優化,但考慮到氫儲能系統從啟動到最佳工作狀態需要幾十分鐘的升溫時間[13],日內調度氫能元件響應時間太長,且元件切換有時間延遲,選用氫儲能系統作為日內調度元件實時性稍有不足。同時,在實際運行中采用控制算法進行策略調整容易出現較大誤差,無法滿足系統功率調度優化要求。

針對上述問題,現提出一種考慮含氫儲能微網系統經濟性和穩定性的分段優化調度策略。基于光伏發電量和負荷預測數據制定系統日前調度計劃,采用麻雀搜索算法優化支持向量機預測模型,有效提高光伏功率和負荷預測精度,以日運行成本最低為目標,以蓄電池荷電狀態(state of charge, SOC)和儲氫罐容量(state of hydrogen, SOH)為約束條件,通過改進粒子群算法尋優調度計劃,平衡儲能微網的整體功率。日內實時調度以功率差值為依據,將蓄電池作為靈活優化變量,以5 min為時間間隔及時調整運行策略。能夠消除日前調度策略的誤差,減小儲能元件的響應延遲時間,使得系統調度更敏捷,從而達到高效儲能供能、提高系統經濟效益的目的。

1 儲能微網結構及數學模型

1.1 微網結構

本文研究的含氫儲能系統微網結構如圖1所示,光伏陣列作為主要分布式能源為直流負載提供能量,多余能量則通過直流母線向蓄電池充電或供給電解槽生成氫氣保存在儲氫罐中,在光伏陣列發電量不足的情況下由蓄電池和燃料電池補齊缺額,保證系統正常運行。

圖1 微網系統結構圖Fig.1 Microgrid system structure diagram

1.2 光伏電池數學模型

光伏發電系統的實際輸出功率與太陽輻照和溫度密切相關。其功率模型數學表達式[14]為

Ppv=Vpv[1+βT(Tc-Trst)]Gt/Grst

(1)

式(1)中:Ppv為光伏輸出功率;Vpv為光伏額定功率;βT為光伏溫度系數;Tc、Trst分別為光伏實際工作溫度和標準工作溫度;Gt、Grst分別為實際光照強度和標準光照強度。

1.3 蓄電池數學模型

蓄電池作為一種穩定儲能設備,能同時實現多余電能的儲存和補充差額電能的釋放。其功率和荷電狀態關系表達式[15]為

SOC(t)=SOC(t0)+[nchPch(t)/Cbat-

ndisPdis(t)/Cbat]Δt

(2)

式(2)中:SOC(t0)為t0時刻電池的荷電狀態;Pch(t)和Pdis(t)分別為t時刻蓄電池充放電功率;nch為電池充電效率;ndis為放電效率,本文中均取90%;Cbat為其額定容量;Δt表示時間步長。

1.4 氫儲能系統數學模型

氫儲能系統由燃料電池、電解槽和儲氫罐構成。電解槽消耗多余電量電解產生氫氣交由儲氫罐保存,燃料電池以氫氣為燃料發電補償系統缺額功率。電解槽和燃料電池分時運行,因此,在t時刻電解槽工作,儲氫罐容量表達式[16]為

EH2(t)=EH2(t-1)+Pel(t-1)ξelξH2

(3)

式(3)中:EH2(t)為t時刻氫罐的儲氫量;Pel(t-1)為t-1時刻電解槽輸入功率;ξel、ξH2分別為電解槽和儲氫罐的運行效率。

在t時刻燃料電池工作,儲氫罐容量表達式[16]為

EH2(t)=EH2(t-1)-Pfc(t-1)Δt/(ξfcξH2)

(4)

式(4)中:Pfc(t-1)為t-1時刻燃料電池輸入功率;ξfc為燃料電池的運行效率;Δt為時間尺度。

儲氫罐的容量關乎系統的安全性,t時刻其儲氫水平SOH(t)表達式為

SOH(t)=EH2(t)/VH2

(5)

式(5)中:EH2(t)為t時刻儲氫量;VH2為儲氫罐額定容量。

2 微網日前及日內調度優化

為實現以運行成本最小為目標的含氫儲能系統穩定運行,同時滿足微網功率需求,制定了日前、日內兩段式調度計劃,保證系統的經濟性和高效性。調度計劃流程圖如圖2所示。

圖2 調度計劃流程圖Fig.2 Flow chart of dispatching plan

2.1 日前調度計劃

日前調度計劃以光伏發電功率為調度對象,制定未來24 h光伏陣列有功功率調度策略,時間分辨率為30 min。采用麻雀搜索算法優化支持向量機預測模型,以光伏發電量和負荷預測值為基礎數據,綜合考慮含氫儲能系統約束條件和微網系統功率平衡情況,以日運行成本最小為目標,優化調度各時段微網儲能元件運行情況,制定日前基本調度計劃提前下達調度中心。

2.1.1 目標函數

保證微網儲能元件合理運行,系統功率平衡的情況下,以日運行成本最小為目標函數,其表達式為

Ctotal=min(Ct+Cy)

(6)

式(6)中:Ct為日投資成本;Cy為日運行維護成本。

(1)日投資成本。

(7)

式(7)中:Ci,t分別為元件的總投資成本;Li為元件壽命,光伏陣列、電解槽和儲氫罐壽命較長為20年,蓄電池和燃料電池壽命為5年;ni為儲能元件運行效率;i表示光伏電池、蓄電池、電解槽、燃料電池、儲氫罐等微網元件,i={pv,bat,el,fc,Ht}。

(2)日運行維護成本。

Cy=kpvPpv+kbatPbat+kelPel+kfcPfc+kHtEHt

(8)

式(8)中:ki為元件單位運行維護成本[萬元/(kW·h)];Pi為儲能元件日運行功率;EHt為儲氫容量。

2.1.2 約束條件

(1)功率平衡約束條件。

Ppv(t)-Pload(t)=Pbat,ch(t)+Pfc(t) +

Pbat,dis(t)+Pel(t)

(9)

式(9)中:Ppv(t)、Pload(t)、Pfc(t)、Pel(t)分別為t時刻光伏陣列、負荷、燃料電池和蓄電池的功率;Pbat,ch(t)、Pbat,dis(t)為t時刻蓄電池的充、放電功率。

(2)蓄電池約束條件。

(10)

式(10)中:Pbat,min為蓄電池充電放電下限;Pbat,max為充放電功率上限;SOCmin和SOCmax分別為蓄電池荷電狀態下限和上限。

(3)氫儲能系統約束條件。

(11)

式(11)中:Pi,max和Pi,min為儲能元件功率上下限;SOHmax和SOHmin為儲氫罐的儲氫水平。

2.1.3 求解方法

麻雀搜索算法(sparrow search algorithm, SSA)[17],以麻雀的覓食和警戒行為為靈感,實現高效的全局搜索,避免出現局部最優情況,具有收斂速度快、搜索能力強、結構穩定等特點[18]。支持向量機(SVM)可將非線性問題通過高低維度映射進行線性回歸,從而實現光伏發電量預測[19]。本文中采用麻雀搜索算法對SVM模型中的參數懲罰因子c和核函數半徑g實現尋優,提高SVM算法的預測精度,以均方誤差(root mean square error, RMSE)為評價指標。基于麻雀搜索算法改進支持向量機(SSA-SVM)預測流程如圖3所示。

圖3 SSA-SVM算法預測流程Fig.3 SSA-SVM algorithm prediction process

粒子群算法針對多約束問題尋優效果好、收斂速度快且結構簡單,常用于非線性問題優化[20]。但慣性因子和學習因子固定,容易使算法陷入局部最優解[21]。本文中采用改進粒子群算法,其優化策略為

w=wmax+[(IM-IT)-(wmax-wmin)]/IM

(12)

(13)

式中:wmax、wmin為慣性因子的上下限;cmax、cmin為學習因子的上下限;IM為最大迭代次數;IT為當前迭代數。更新因子的變異速率有利于搜索全局最小值。改進粒子群算法尋優流程如圖4所示。

圖4 改進粒子群算法尋優流程Fig.4 Improved particle swarm optimization process

2.2 日內調度計劃

日內調度計劃為消除光伏發電量預測的誤差,實現儲能系統的快速反應,有效減少算法的不確定性,日內調度計劃流程如圖5所示。考慮日前預測算法精度較高且蓄電池運行成本較低、功率誤差較小且相較電解槽和燃料電池響應速度更快,在實際功率數據的基礎上對日前充放電策略進行校正。當實際功率值與預測值有誤差時,由蓄電池直接進行補償,其他儲能元件按照日前調度計劃運行。

圖5 日內調度計劃流程圖Fig.5 Flow chart of intra day dispatching plan

誤差表達式如下

(14)

式(14)中:Ppv,pre(t)、Pload,pre(t)為光伏發電和負載在t時刻的預測值;Ppv(t)和Pload(t)為光伏和負載在t時刻的實際功率。圖5中狀態一到狀態六表示系統在對應不同誤差情況下日內的工作狀態調度計劃,分別如下。

(1)狀態一:減少蓄電池充電功率,減少量為ΔPde。

(2)狀態二:增加蓄電池充電功率,增加量為ΔPin。

(3)狀態三:停止充電,蓄電池充分放電為系統提供缺額功率為ΔPdis。

(4)狀態四:停止放電,光伏發電系統的剩余功率用于蓄電池充電,剩余功率充電量ΔPcha。

(5)狀態五:蓄電池充分放電,增加放電量ΔPin。

(6)狀態六:減少蓄電池的放電量ΔPde。

3 算例仿真

3.1 仿真場景設計

根據上文建立基于光伏發電的含氫儲能微網模型,采用2020年度澳洲中部地區分布式光伏發電站全年相關數據及負荷數據。選取夏、冬季兩個典型日的數據進行預測,同時驗證本文提出的調度計劃的可行性。仿真步長為30 min,每日測量數據共48組。其中,光伏陣列額定功率226 kW,平均日負荷約為43.2 kW。

3.2 參數設定

各儲能元件成本及參數設定如表1所示。元件參數參考文獻[22]。

表1 各元件成本及參數

3.3 結果分析

3.3.1 光伏發電量預測

針對夏冬兩季天氣因素引起的光伏輸出功率不同的情況,選取兩個典型日,根據太陽輻照度、環境溫度、風速以及風向等數據采用SSA-SVM算法和SVM算法對當日光伏發電量和負荷數據進行預測,冬季光照環境條件受限,光伏輸出功率較小,波動性較小;夏季光伏輸出功率大但波動性強。光伏及負荷數據預測結果如圖6所示,SSA-SVM的預測曲線相較于SVM預測更加光滑,誤差更小。

圖6 兩個典型日光伏發電量及負荷預測圖Fig.6 Two typical solar photovoltaic power generation and load forecast charts

將光伏發電量預測數據作為對比,兩種算法下預測光伏數據與實際光伏數據誤差結果如圖7所示。SVM誤差在[-6,6] kW, SSA-SVM誤差在[-2,2] kW。

圖7 兩個典型日光伏發電量預測誤差圖Fig.7 Two typical solar photovoltaic power generation prediction error charts

表2為兩種算法光伏功率預測結果。SSA-SVM的預測誤差要明顯小于SVM預測。兩種算法都能有效擬合光伏實際功率曲線,SSA-SVM模型的均方根誤差小于SVM算法,R2系數更高,且SSA優化SVM模型的響應時間遠小于SVM模型。由此可得,通過麻雀搜索算法優化支持向量機預測模型能夠使預測精度更高、響應時間更短,且穩定性更好。

表2 兩種算法光伏發電量預測結果對比情況

3.3.2 日前調度情況

根據光伏發電量預測數據,采用改進粒子群算法對氫儲能系統和蓄電池進行能量調度,在功率平衡的基礎上實現日運行經濟最優。冬季光伏發電量不足,需要儲能元件補嘗發電,夏季光伏發電足量,儲能元件可吸收多余能量,減少經濟成本。以圖8為兩個典型日日前預測調度結果。元件充電功率為負數,元件放電為正數。

圖8 兩個典型日日前調度結果Fig.8 Two typical day-ahead scheduling results

圖中可看出該日前調度策略能夠完成功率缺額的補充和多余能量的儲存。同時,蓄電池荷電狀態及儲氫罐儲氫狀態如圖9所示,儲氫罐的氫氣含量(SOH)和蓄電池的荷電狀態(SOC)能夠維持在小范圍波動(充電為正,放電為負),保證儲能元件的使用壽命。冬季主要以元件放電為主,補償光伏不足情況,所以SOC和SOH在[0,0.5]區間浮動。夏季除去補償差額功率,還需要吸收光伏多余電量,所以SOC和SOH保持在[-0.5,0.5]區間內。日內調度策略能在功率平衡的同時保證蓄電池和儲氫元件健康運行。

圖9 日前調度SOC和SOH變化情況Fig.9 Changes in SOC and SOH of the day ahead dispatching

3.3.3 日內調度情況

日內調度根據實際光伏功率,以5 min為時間尺度,在日前調度計劃的基礎上實時調整。日內調度情況如圖10所示,日內調度通過蓄電池平穩波動,實現微網系統快速響應,減小算法的誤差。日前調度蓄電池與日內調度蓄電池情況對比如圖11所示。

圖10 兩個典型日日內調度結果Fig.10 Two typical intraday scheduling results

圖11 日前調度蓄電池與日內調度蓄電池對比Fig.11 Comparison between daily dispatching battery and daily dispatching battery

日內調度中蓄電池補充量對SOC影響較小,能夠消納微網波動的情況下,實現系統穩定運行,日內蓄電池SOC狀態如圖12所示。夏季日內調度相較于日前調度計劃元件出力功率減少89.83 kW,冬季減少使用功率為256.27 kW,日內調度調整能夠有效減少儲能元件充放電量。

圖12 日內調度蓄電池SOCFig.12 Daily dispatching battery SOC

日前日內階段調度策略能夠滿足負荷需求,平穩微網波動的情況下,以最小日運行成本為目標能夠保證系統的經濟性。同時,日內調度能夠有效減少日前調度的經濟成本,降低單次調度的誤差。相比較單階段調度情況,夏秋季分別降低0.012 1萬元和0.016 3萬元,冬季降低0.312 6萬元成本,微網日運行成本見表3。

表3 日前與日內調度運行成本

4 結論

基于含氫儲能光伏發電系統微網,本文提出分段調度包括日前調度計劃和日內調度計劃。日前調度計劃以預測數據為平衡對象,運用改進粒子群算法搜索儲能系統日運行經濟最優。日內調度策略根據實際功率誤差,選擇儲能元件工作狀態,實現微網實時控制。上述算例證明了該調度策略的可行性。

(1)本文提出的麻雀搜索算法優化支持向量機預測模型能夠利用歷史數據和天氣數據實現光伏預測,減少數據處理的步驟,預測結果精度高、誤差小,且預測速度快,為調度計劃提供數據支持。

(2)日前調度計劃能夠在消納光電波動、補償功率平衡的同時滿足運行成本最小化,同時,維持蓄電池的荷電狀態和氫罐儲氫水平在期望狀態,實現微網經濟、平穩運行。

(3)日內調度策略通過預測值與實際值的差量,以蓄電池為快速響應的優化元件,實時調整儲能充放電量狀態。減小算法的不確定性和儲能元件的延遲時間,實現能量的實時管理,消除日前調度計劃的誤差,降低日運行成本。