考慮荷電狀態的光伏微電網混合儲能容量優化配置

任萱,李桐歌,馬駿毅,黃永紅,張大林,吳玉潔

(1.國網鎮江供電公司, 江蘇 鎮江 212000; 2.江蘇大學 電氣信息工程學院,江蘇 鎮江 212013)

0 引 言

近年來,光伏、風電等可再生能源在微電網領域迅速興起,但隨著發電容量的不斷擴大,其出力的隨機性和波動性極大阻礙了該領域的進步[1]。為改善電能質量,以滿足用電設備或并網的基本需求,將新能源發電應用為可調度的電源,并同時依靠儲能平抑功率波動和維持電壓穩定。但是,儲能裝置價格昂貴且運行周期有限,因此在微電網穩定運行的條件下,合理的配置儲能容量并對其進行優化具有重要的意義[2]。

針對儲能的容量配置,國內外已有相關研究且方法多樣。文獻[3]以功率輸出約束和儲能經濟性為基準,建立了混合儲能系統模型,通過與單一儲能對比證實了混合儲能系統在穩定性和經濟性方面具有明顯優勢。文獻[4]在保證總凈現值成本TNPC最小的情況下,對能源利用率和負荷損失進行評價,建立含氫儲能和蓄電池的混合儲能系統,以降低微電網的運行成本。文獻[5]在確保混合儲能系統電能交易成本和儲能投資運行成本最低的前提下,應用離散傅里葉變換將原功率分解,對該系統的充放電功率進行優化。文獻[6]通過最小化儲能初始投資和聯絡線波動,建立了儲能容量配置模型。以上方法大多從改進優化算法著手,均在穩定性和經濟性的優化上取得了良好的效果。但由于新能源出力具有波動性強的特點,而混合儲能優化配置方法能夠適應電力系統特征及條件的變化[7-8],傳統的混合儲能優化配置方法一般將混合儲能系統總功率在系統間平均分配,沒有充分考慮不同儲能裝置在光伏輸出和負載需求影響下的分配情況。

在上述研究的基礎上,文中提出了一種考慮混合儲能荷電狀態(State of Charge,SOC)的能量管理策略,用于混合儲能系統(Hybrid Energy Storage System,HESS)的容量配置。首先以該系統全生命周期費用(Life Cycle Cost,LCC)和買賣電量成本之和最小作為目標,建立含超級電容和蓄電池的光伏微電網儲能模型。在此基礎上,以改進的混合儲能系統能量管理策略作為上層優化模型,應用粒子群算法配置HESS容量作為下層優化模型[9-10]。最后,以某地區一年內的光伏輸出功率和負荷需求為例,對含超級電容和蓄電池的HESS的容量進行合理配比。經驗證,文中方法能夠在一定程度上協調光伏系統隨機性、非線性帶來的波動,充分考慮光伏輸出和負載需求對儲能容量配置的影響,在保證穩定性的基礎上達到了最大化經濟效益的目的。

1 光伏微電網混合儲能系統的建模

1.1 光儲微電網系統結構

文中建立的微電網系統包含分布式光伏系統、超級電容和蓄電池組成的混合儲能系統以及本地負荷系統,經母線、變壓器等聯絡裝置與外部大電網連接,其系統結構如圖1所示。圖1中的HESS應用超級電容和蓄電池,且由協調控制系統對兩者能量進行分配[11]。超級電容為功率型儲能裝置,蓄電池為能量型儲能裝置,兩者配合可有效減小光伏功率波動對電網的影響。

圖1 光儲微電網系統結構圖

1.2 目標函數

由于儲能系統價格昂貴,所以光儲微電網的混合儲能容量配置應在滿足系統運行條件的同時,保證經濟性最優。根據IEC 60300-3-3標準,首先將目標函數設為最小化HESS的全生命周期費用[12]。全生命周期費用是指整個生命周期內消耗的總成本,文中對全生命周期費用的定義如下。

(1)

式中CG為初始投資成本;CY和CW為系統運行和維護價格;CC為處理所需費用;Nbat、Nuc分別表示蓄電池和超級電容儲能單元的個數;Cbat、Cuc為兩種儲能單元的單價;fGbat、fGuc為折舊因子;fYbat、fYuc為運行系數;fWbat、fWuc為維護系數;fCbat、fCuc為處理系數。

將全生命周期費用和微電網與大電網買賣電量產生的費用相結合,設定總目標函數為：

F=C+D

(2)

式中F為總目標函數;C為全生命周期費用;D為微電網與大電網買賣電量產生的費用。

1.3 約束條件

(1)功率平衡約束

為保障系統內功率的平衡,對光伏微電網混合儲能系統的功率進行約束,表達式如下：

Ppv+Phess=Pload+Pgrid

(3)

式中Ppv表示光伏系統的可供功率;Phess表示HESS的充放電功率,充電時功率為正,反之為負;Pload表示負荷所需功率;Pgrid表示電網間的傳輸功率,微電網流向大電網時其值為正,反之為負。

(2)混合儲能系統約束

為保證HESS的正常運行并延長使用年限,蓄電池和超級電容均應滿足一定的約束。任意時刻下,蓄電池的荷電狀態和超級電容的電壓均不應超出其限值。

SOCmin≤SOCi≤SOCmax

(4)

Vmin≤Vi≤Vmax

(5)

式中SOCi為i時刻蓄電池的荷電狀態;Vi為i時刻超級電容的電壓;SOCmax、SOCmin為蓄電池荷電狀態的上、下限值;Vmax、Vmin為超級電容電壓的上、下限值。

同時任意時刻儲能系統的剩余電量和充放電功率也應保持在一定范圍內,其表達式如下：

(6)

(7)

式中Euc,i、Ebat,i為i時刻超級電容和蓄電池的剩余電量;Euc,max、Euc,min為超級電容剩余電量的上、下限值;Ebat,max、Ebat,min為蓄電池剩余電量的上、下限值;Puc,i、Pbat,i為i時刻兩種儲能裝置的充放電功率;Puc,max、Puc,min為超級電容充放電功率的上、下限值;Pbat,max、Pbat,min為蓄電池充放電功率的上、下限值。

(3)光伏功率約束

光伏的可供功率應滿足其上下限約束,表達式為：

Ppv,min≤Ppv,≤i≤Ppv,max

(8)

式中Ppv,i為i時刻光伏元件的可供功率;Ppv,max、Ppv,min分別為光伏元件可供功率的最大、最小值。

2 光儲系統并網運行情況分析

在光伏儲能系統并網運行的過程中,借助實際的光伏輸出功率、負荷吸收功率和其他單元消耗功率之間的平衡關系[13],可以得到HESS分別承擔的高頻分量和低頻分量,其放電、充電過程表達式如下：

(9)

式中Ebat(kt)、Euc(kt)為kt時刻蓄電池和超級電容的儲存容量;Ebat[(k-1)t]、Euc[(k-1)t]為(k-1)t時刻蓄電池和超級電容的儲存容量;ΔP表示HESS的承擔功率;α表示不平衡功率中低頻部分所占比例,取α=0.7。ηbat、ηuc表示兩種儲能單元的充放電效率。

為防止儲能系統的過充、過放,需對蓄電池和超級電容的SOC進行限制約束,若兩者中有一儲能單元的SOC達到充電上限或放電下限時,則該儲能裝置應補償的系統不平衡功率由大電網吸收。為進一步考慮微電網運行的經濟效益,根據HESS能量管理策略,將光儲系統并網運行分為幾種情況。

當Ppv(kt)ηc>Pload(kt)時,儲能單元處于充電狀態。當Ppv(kt)ηc

Punb=Pload(kt)-Ppv(kt)ηc

(10)

(11)

式中Pload(kt)為kt時刻負荷的需求功率;Ppv(kt)為kt時刻光伏系統的可供功率;ηc為逆變器效率;Pgrid為電網的傳輸功率;Pgridmax為電網最大傳輸功率。

通過儲能設備狀態,對如下三種情況進行分析：

(1)蓄電池和超級電容均正常工作,此時不平衡功率由兩者共同承擔,其充放電功率及容量為：

(12)

(13)

(2)蓄電池荷電狀態達充電上限或放電下限,超級電容在正常工作區,則全部的不平衡功率由超級電容承擔。其充放電功率和儲能容量表達式為：

(14)

(15)

(3)若蓄電池在正常工作區,超級電容的荷電狀態達充電上限或放電下限,則蓄電池承擔全部的不平衡功率。充放電功率和儲能容量表達式為：

(16)

(17)

式中Pbat(kt)為kt時刻蓄電池充放電功率;Puc(kt)為kt時刻超級電容充放電功率。

3 考慮荷電狀態的能量管理策略

3.1 荷電狀態分析

能量管理系統主要用于發輸電系統的調度管理及控制。文中借助電源荷電狀態對傳統能量管理策略進行改進,融合了微電網系統技術的應用,平抑分布式電源和儲能系統接入帶來的影響。

儲能系統的荷電狀態(State of Charge,SOC)可以表征儲能單元的剩余可供能量,其數值為剩余電量與儲能單元總容量之比[14-15]。文中能量管理示意圖如圖2所示,圖中SOCbat表示蓄電池的荷電狀態,SOCuc表示超級電容的荷電狀態,SOCmax、SOCmin分別表示出儲能單元的最大、最小荷電狀態。

圖2 HESS能量管理示意圖

圖2中,當蓄電池無剩余電量時SOC的值為0,而充滿狀態時SOC的值為1。當系統為單一儲能時,SOCSOCmax,只允許儲能設備放電;當儲能單元的SOC超出充放電區域上、下限值時,儲能系統將停止工作。針對HESS,如果超級電容和蓄電池的SOC在充放電最大值和最小值內,則兩者均正常工作;若其中一個儲能單元的SOC達到限值,則由另一儲能設備完全承擔系統內的不平衡功率。

3.2 混合儲能系統容量配置

借助光伏系統輸出功率、負荷需求功率和儲能系統的荷電狀態,分四種情況設計HESS的能量管理策略,分別計算超級電容和蓄電池的容量和補償功率,以便對HESS容量進行配置并優化,上層優化模型如圖3所示。

圖3 上層優化模型示意圖

3.3 應用粒子群算法優化儲能配置

在粒子群算法中,設第i個粒子的D維位置矢量為Xi=(Xi1,Xi2,…,XiD),由適應度函數得到該粒子的適應值;Vi=(Vi1,Vi2,…,Vid,…,ViD)為粒子i的速度;Pi=(Pi1,Pi2,…,Pid,…,PiD)為粒子i搜尋的最優位置;Pg=(Pg1,Pg2,…,Pgd,…,PgD)為整個粒子群搜尋的最優位置。在每一次迭代過程中,粒子需通過極值對速度和位置進行更新,其更新表達式如下。

(18)

(19)

其中,i=1,2,…,m;d=1,2,…,D;k為迭代次數;ωk為慣性權重因子;c1、c2表示學習因子;引入介于[0,1]之間的隨機數r1、r2,避免因選取的學習因子的大小因素導致優化過程陷入局部最優解。

應用粒子群算法對HESS容量進行優化配置,其步驟為：首先初始化粒子群體的位置、速度及適應度函數值;其次計算各粒子的適應度函數值、個體最優極值以及群體最優極值,記錄最優位置;然后通過粒子的速度、位置更新表達式,并對原有數值進行更新;最后判斷是否達到設定的迭代次數,若未達到再次計算各粒子的適應度函數值,重復上述步驟,若達到迭代次數,則退出循環得到最優解。

3.4 HESS容量配置雙層優化模型

根據光伏系統和混合儲能系統的運行特點,結合改進HESS能量管理策略,根據荷電狀態、光伏輸出功率、負荷需求功率建立混合儲能系統容量配置雙層優化模型,如圖4所示。

圖4 混合儲能系統容量配置雙層優化模型

其步驟如下：

(1)分析HESS的運行特點,在保證功率平衡、混合儲能系統和光伏電源正常工作的情況下,以全生命周期費用和買賣電量費用之和最小為目標,建立光伏微電網混合儲能系統模型;

(2)根據系統的荷電狀態,在充電和放電兩種狀態下,改進傳統的能量管理策略;

(3)為防止儲能系統發生過充、過放,分析光儲系統并網的四種運行情況;

(4)在改進HESS能量管理策略的基礎上,應用粒子群算法進一步對儲能容量進行合理分配;

(5)最終得到含超級電容和蓄電池的HESS最優容量配比。

4 仿真驗證與分析

4.1 仿真系統參數設定

由上述分析,在Matlab/Simulink中建立光儲微電網模型。控制直流母線電壓為700 V;超級電容器、蓄電池荷電狀態限值SOCmax=0.8,SOCmin=0.2,在負載突變條件下分5種情況進行仿真,情況分類及具體參數設置如表1所示。計算混合儲能系統的容量配置,設定電網購電價格為0.7元/kW,電網售電價格為0.35元/kW。表2為選用的蓄電池和超級電容具體參數,圖5為某地區一年內(8 760 h)的光伏輸出功率和負載功率。

表1 荷電狀態參數設置

表2 儲能單元具體參數

圖5 某地區一年內光伏輸出和負載功率

4.2 荷電狀態仿真驗證

針對情況1,直流母線電壓會稍有變化,但很快能夠回到設置的700 V。針對情況2和情況4,超級電容器迅速放電補償功率波動,蓄電池功率平緩變化。針對情況3和情況5,超級電容器迅速充電補償功率波動,蓄電池功率平緩變化。以上負載突變情況下均能保證系統穩定運行,其SOC曲線圖及情況具體說明如下。

4.2.1 情況1仿真分析

0～3 s期間,混合儲能系統承擔系統內不平衡功率。設置3s時直流負載由2 000 W突然增加為5 000 W,6 s時突然下降為4 000 W。該過程中由超級電容器承擔不平衡功率中的高頻部分,蓄電池承擔不平衡功率中的低頻部分。荷電狀態曲線如圖6所示。

圖6 情況1荷電狀態曲線

4.2.2 情況2仿真分析

初始超級電容器的荷電狀態設置為SOCuc=0.799,負載功率設置為1 000 W,0.29 s時SOCuc達到充電上限,由蓄電池承擔系統內全部的不平衡功率,設定3 s時負荷突然增加為4 000 W。荷電狀態曲線如圖7所示。

圖7 情況2荷電狀態曲線

4.2.3 情況3仿真分析

初始超級電容器的荷電狀態設置為SOCuc=0.208,負荷設置為4 000 W,0.16 s時超SOCuc達到放電下限,由蓄電池承擔系統內的不平衡功率。設定4 s時負荷突然減小為2 000 W。荷電狀態曲線如圖8所示。

圖8 情況3荷電狀態曲線

4.2.4 情況4仿真分析

初始蓄電池的荷電狀態設置為SOCbat=0.799,負荷設置為1 000 W,1.01 s時SOCbat達到充電上限,由超級電容器承擔系統內全部的不平衡功率。設定3 s時負荷突然增加為4 000 W。荷電狀態曲線如圖9所示。

4.2.5 情況5仿真分析

初始蓄電池的荷電狀態設置為SOCbat=0.201,負荷設置為4 000 W,0.25 s時SOCbat達到放電下限,由超級電容器承擔系統內的不平衡功率。設定4 s時負荷突然減小為2 000 W。荷電狀態曲線如圖10所示。

圖10 情況5荷電狀態曲線

4.3 HESS容量配置仿真驗證

為進一步驗證文中所提HESS容量分配優化方法的有效性,對兩種方案進行對比驗證。方案一：由蓄電池和超級電容構成的HESS采用傳統的充放電控制策略,其中傳統方法僅能優先供給一個儲能元件;方案二：儲能系統采用文中提出的雙層優化模型,結合文中考慮混合儲能荷電狀態的能量管理策略。在上述目標函數及約束條件下,以小時為運行步長,通過粒子群算法分別對上述兩種方案的容量配置進行求解。費用對比如表3所示。兩種方案的迭代過程如圖11所示。

表3 HESS容量分配優化結果對比

圖11 迭代過程對比圖

通過計算,得到粒子群經過200次迭代后的最小目標函數值,從表3的優化結果對比可以看出,在保證系統穩定性的前提下,若采用傳統的控制策略,需要蓄電池151個,超級電容10個,此時產生的最小費用為128 581.46元;若采用文中的雙層優化模型,結合改進HESS能量管理策略,所需蓄電池和超級電容的數目均大為減小,產生的相關費用也減小為53 859.82元。

由圖11可以看出,文中對比考慮混合儲能荷電狀態的能量管理策略的儲能容量配置方法與傳統容量配置方法。一方面,由適應度值隨迭代次數變化曲線可以看出文中方法穩定性更高;另一方面,文中方法適應度值明顯小于傳統容量配置方法。因此文中方法對于減小目標函數值即全生命周期費用和微電網與大電網買賣電量產生的費用之和最小,保證經濟性最優。通過比較仿真結果可知,文中方法能較好地適應光伏系統的出力特點,并有效提高微電網運行的經濟性能。

5 結束語

文中針對光伏系統建立混合儲能容量配置雙層優化結構,以全生命周期費用和買賣電量費用之和最小為目標,采用考慮荷電狀態的能量管理策略,基于粒子群算法得出蓄電池和超級電容的容量優化配置結果。結合某地實際光伏輸出和負載需求進行分析,其優化結果表明,文中所提出的考慮荷電狀態的能量管理策略優化模型,能夠在一定程度上協調光伏系統出力隨機性的特點,并有效提高了系統的經濟性。同時文中改進的能量管理策略可推廣應用于其他新能源系統,對其儲能配置具有較好的參考價值。