考虑荷电状态的光伏微电网混合储能容量优化配置

任萱,李桐歌,马骏毅,黄永红,张大林,吴玉洁

(1.国网镇江供电公司, 江苏 镇江 212000; 2.江苏大学 电气信息工程学院,江苏 镇江 212013)

0 引 言

近年来,光伏、风电等可再生能源在微电网领域迅速兴起,但随着发电容量的不断扩大,其出力的随机性和波动性极大阻碍了该领域的进步[1]。为改善电能质量,以满足用电设备或并网的基本需求,将新能源发电应用为可调度的电源,并同时依靠储能平抑功率波动和维持电压稳定。但是,储能装置价格昂贵且运行周期有限,因此在微电网稳定运行的条件下,合理的配置储能容量并对其进行优化具有重要的意义[2]。

针对储能的容量配置,国内外已有相关研究且方法多样。文献[3]以功率输出约束和储能经济性为基准,建立了混合储能系统模型,通过与单一储能对比证实了混合储能系统在稳定性和经济性方面具有明显优势。文献[4]在保证总净现值成本TNPC最小的情况下,对能源利用率和负荷损失进行评价,建立含氢储能和蓄电池的混合储能系统,以降低微电网的运行成本。文献[5]在确保混合储能系统电能交易成本和储能投资运行成本最低的前提下,应用离散傅里叶变换将原功率分解,对该系统的充放电功率进行优化。文献[6]通过最小化储能初始投资和联络线波动,建立了储能容量配置模型。以上方法大多从改进优化算法着手,均在稳定性和经济性的优化上取得了良好的效果。但由于新能源出力具有波动性强的特点,而混合储能优化配置方法能够适应电力系统特征及条件的变化[7-8],传统的混合储能优化配置方法一般将混合储能系统总功率在系统间平均分配,没有充分考虑不同储能装置在光伏输出和负载需求影响下的分配情况。

在上述研究的基础上,文中提出了一种考虑混合储能荷电状态(State of Charge,SOC)的能量管理策略,用于混合储能系统(Hybrid Energy Storage System,HESS)的容量配置。首先以该系统全生命周期费用(Life Cycle Cost,LCC)和买卖电量成本之和最小作为目标,建立含超级电容和蓄电池的光伏微电网储能模型。在此基础上,以改进的混合储能系统能量管理策略作为上层优化模型,应用粒子群算法配置HESS容量作为下层优化模型[9-10]。最后,以某地区一年内的光伏输出功率和负荷需求为例,对含超级电容和蓄电池的HESS的容量进行合理配比。经验证,文中方法能够在一定程度上协调光伏系统随机性、非线性带来的波动,充分考虑光伏输出和负载需求对储能容量配置的影响,在保证稳定性的基础上达到了最大化经济效益的目的。

1 光伏微电网混合储能系统的建模

1.1 光储微电网系统结构

文中建立的微电网系统包含分布式光伏系统、超级电容和蓄电池组成的混合储能系统以及本地负荷系统,经母线、变压器等联络装置与外部大电网连接,其系统结构如图1所示。图1中的HESS应用超级电容和蓄电池,且由协调控制系统对两者能量进行分配[11]。超级电容为功率型储能装置,蓄电池为能量型储能装置,两者配合可有效减小光伏功率波动对电网的影响。

图1 光储微电网系统结构图

1.2 目标函数

由于储能系统价格昂贵,所以光储微电网的混合储能容量配置应在满足系统运行条件的同时,保证经济性最优。根据IEC 60300-3-3标准,首先将目标函数设为最小化HESS的全生命周期费用[12]。全生命周期费用是指整个生命周期内消耗的总成本,文中对全生命周期费用的定义如下。

(1)

式中CG为初始投资成本;CY和CW为系统运行和维护价格;CC为处理所需费用;Nbat、Nuc分别表示蓄电池和超级电容储能单元的个数;Cbat、Cuc为两种储能单元的单价;fGbat、fGuc为折旧因子;fYbat、fYuc为运行系数;fWbat、fWuc为维护系数;fCbat、fCuc为处理系数。

将全生命周期费用和微电网与大电网买卖电量产生的费用相结合,设定总目标函数为：

F=C+D

(2)

式中F为总目标函数;C为全生命周期费用;D为微电网与大电网买卖电量产生的费用。

1.3 约束条件

(1)功率平衡约束

为保障系统内功率的平衡,对光伏微电网混合储能系统的功率进行约束,表达式如下：

Ppv+Phess=Pload+Pgrid

(3)

式中Ppv表示光伏系统的可供功率;Phess表示HESS的充放电功率,充电时功率为正,反之为负;Pload表示负荷所需功率;Pgrid表示电网间的传输功率,微电网流向大电网时其值为正,反之为负。

(2)混合储能系统约束

为保证HESS的正常运行并延长使用年限,蓄电池和超级电容均应满足一定的约束。任意时刻下,蓄电池的荷电状态和超级电容的电压均不应超出其限值。

SOCmin≤SOCi≤SOCmax

(4)

Vmin≤Vi≤Vmax

(5)

式中SOCi为i时刻蓄电池的荷电状态;Vi为i时刻超级电容的电压;SOCmax、SOCmin为蓄电池荷电状态的上、下限值;Vmax、Vmin为超级电容电压的上、下限值。

同时任意时刻储能系统的剩余电量和充放电功率也应保持在一定范围内,其表达式如下：

(6)

(7)

式中Euc,i、Ebat,i为i时刻超级电容和蓄电池的剩余电量;Euc,max、Euc,min为超级电容剩余电量的上、下限值;Ebat,max、Ebat,min为蓄电池剩余电量的上、下限值;Puc,i、Pbat,i为i时刻两种储能装置的充放电功率;Puc,max、Puc,min为超级电容充放电功率的上、下限值;Pbat,max、Pbat,min为蓄电池充放电功率的上、下限值。

(3)光伏功率约束

光伏的可供功率应满足其上下限约束,表达式为：

Ppv,min≤Ppv,≤i≤Ppv,max

(8)

式中Ppv,i为i时刻光伏元件的可供功率;Ppv,max、Ppv,min分别为光伏元件可供功率的最大、最小值。

2 光储系统并网运行情况分析

在光伏储能系统并网运行的过程中,借助实际的光伏输出功率、负荷吸收功率和其他单元消耗功率之间的平衡关系[13],可以得到HESS分别承担的高频分量和低频分量,其放电、充电过程表达式如下：

(9)

式中Ebat(kt)、Euc(kt)为kt时刻蓄电池和超级电容的储存容量;Ebat[(k-1)t]、Euc[(k-1)t]为(k-1)t时刻蓄电池和超级电容的储存容量;ΔP表示HESS的承担功率;α表示不平衡功率中低频部分所占比例,取α=0.7。ηbat、ηuc表示两种储能单元的充放电效率。

为防止储能系统的过充、过放,需对蓄电池和超级电容的SOC进行限制约束,若两者中有一储能单元的SOC达到充电上限或放电下限时,则该储能装置应补偿的系统不平衡功率由大电网吸收。为进一步考虑微电网运行的经济效益,根据HESS能量管理策略,将光储系统并网运行分为几种情况。

当Ppv(kt)ηc>Pload(kt)时,储能单元处于充电状态。当Ppv(kt)ηc

Punb=Pload(kt)-Ppv(kt)ηc

(10)

(11)

式中Pload(kt)为kt时刻负荷的需求功率;Ppv(kt)为kt时刻光伏系统的可供功率;ηc为逆变器效率;Pgrid为电网的传输功率;Pgridmax为电网最大传输功率。

通过储能设备状态,对如下三种情况进行分析：

(1)蓄电池和超级电容均正常工作,此时不平衡功率由两者共同承担,其充放电功率及容量为：

(12)

(13)

(2)蓄电池荷电状态达充电上限或放电下限,超级电容在正常工作区,则全部的不平衡功率由超级电容承担。其充放电功率和储能容量表达式为：

(14)

(15)

(3)若蓄电池在正常工作区,超级电容的荷电状态达充电上限或放电下限,则蓄电池承担全部的不平衡功率。充放电功率和储能容量表达式为：

(16)

(17)

式中Pbat(kt)为kt时刻蓄电池充放电功率;Puc(kt)为kt时刻超级电容充放电功率。

3 考虑荷电状态的能量管理策略

3.1 荷电状态分析

能量管理系统主要用于发输电系统的调度管理及控制。文中借助电源荷电状态对传统能量管理策略进行改进,融合了微电网系统技术的应用,平抑分布式电源和储能系统接入带来的影响。

储能系统的荷电状态(State of Charge,SOC)可以表征储能单元的剩余可供能量,其数值为剩余电量与储能单元总容量之比[14-15]。文中能量管理示意图如图2所示,图中SOCbat表示蓄电池的荷电状态,SOCuc表示超级电容的荷电状态,SOCmax、SOCmin分别表示出储能单元的最大、最小荷电状态。

图2 HESS能量管理示意图

图2中,当蓄电池无剩余电量时SOC的值为0,而充满状态时SOC的值为1。当系统为单一储能时,SOCSOCmax,只允许储能设备放电;当储能单元的SOC超出充放电区域上、下限值时,储能系统将停止工作。针对HESS,如果超级电容和蓄电池的SOC在充放电最大值和最小值内,则两者均正常工作;若其中一个储能单元的SOC达到限值,则由另一储能设备完全承担系统内的不平衡功率。

3.2 混合储能系统容量配置

借助光伏系统输出功率、负荷需求功率和储能系统的荷电状态,分四种情况设计HESS的能量管理策略,分别计算超级电容和蓄电池的容量和补偿功率,以便对HESS容量进行配置并优化,上层优化模型如图3所示。

图3 上层优化模型示意图

3.3 应用粒子群算法优化储能配置

在粒子群算法中,设第i个粒子的D维位置矢量为Xi=(Xi1,Xi2,…,XiD),由适应度函数得到该粒子的适应值;Vi=(Vi1,Vi2,…,Vid,…,ViD)为粒子i的速度;Pi=(Pi1,Pi2,…,Pid,…,PiD)为粒子i搜寻的最优位置;Pg=(Pg1,Pg2,…,Pgd,…,PgD)为整个粒子群搜寻的最优位置。在每一次迭代过程中,粒子需通过极值对速度和位置进行更新,其更新表达式如下。

(18)

(19)

其中,i=1,2,…,m;d=1,2,…,D;k为迭代次数;ωk为惯性权重因子;c1、c2表示学习因子;引入介于[0,1]之间的随机数r1、r2,避免因选取的学习因子的大小因素导致优化过程陷入局部最优解。

应用粒子群算法对HESS容量进行优化配置,其步骤为：首先初始化粒子群体的位置、速度及适应度函数值;其次计算各粒子的适应度函数值、个体最优极值以及群体最优极值,记录最优位置;然后通过粒子的速度、位置更新表达式,并对原有数值进行更新;最后判断是否达到设定的迭代次数,若未达到再次计算各粒子的适应度函数值,重复上述步骤,若达到迭代次数,则退出循环得到最优解。

3.4 HESS容量配置双层优化模型

根据光伏系统和混合储能系统的运行特点,结合改进HESS能量管理策略,根据荷电状态、光伏输出功率、负荷需求功率建立混合储能系统容量配置双层优化模型,如图4所示。

图4 混合储能系统容量配置双层优化模型

其步骤如下：

(1)分析HESS的运行特点,在保证功率平衡、混合储能系统和光伏电源正常工作的情况下,以全生命周期费用和买卖电量费用之和最小为目标,建立光伏微电网混合储能系统模型;

(2)根据系统的荷电状态,在充电和放电两种状态下,改进传统的能量管理策略;

(3)为防止储能系统发生过充、过放,分析光储系统并网的四种运行情况;

(4)在改进HESS能量管理策略的基础上,应用粒子群算法进一步对储能容量进行合理分配;

(5)最终得到含超级电容和蓄电池的HESS最优容量配比。

4 仿真验证与分析

4.1 仿真系统参数设定

由上述分析,在Matlab/Simulink中建立光储微电网模型。控制直流母线电压为700 V;超级电容器、蓄电池荷电状态限值SOCmax=0.8,SOCmin=0.2,在负载突变条件下分5种情况进行仿真,情况分类及具体参数设置如表1所示。计算混合储能系统的容量配置,设定电网购电价格为0.7元/kW,电网售电价格为0.35元/kW。表2为选用的蓄电池和超级电容具体参数,图5为某地区一年内(8 760 h)的光伏输出功率和负载功率。

表1 荷电状态参数设置

表2 储能单元具体参数

图5 某地区一年内光伏输出和负载功率

4.2 荷电状态仿真验证

针对情况1,直流母线电压会稍有变化,但很快能够回到设置的700 V。针对情况2和情况4,超级电容器迅速放电补偿功率波动,蓄电池功率平缓变化。针对情况3和情况5,超级电容器迅速充电补偿功率波动,蓄电池功率平缓变化。以上负载突变情况下均能保证系统稳定运行,其SOC曲线图及情况具体说明如下。

4.2.1 情况1仿真分析

0～3 s期间,混合储能系统承担系统内不平衡功率。设置3s时直流负载由2 000 W突然增加为5 000 W,6 s时突然下降为4 000 W。该过程中由超级电容器承担不平衡功率中的高频部分,蓄电池承担不平衡功率中的低频部分。荷电状态曲线如图6所示。

图6 情况1荷电状态曲线

4.2.2 情况2仿真分析

初始超级电容器的荷电状态设置为SOCuc=0.799,负载功率设置为1 000 W,0.29 s时SOCuc达到充电上限,由蓄电池承担系统内全部的不平衡功率,设定3 s时负荷突然增加为4 000 W。荷电状态曲线如图7所示。

图7 情况2荷电状态曲线

4.2.3 情况3仿真分析

初始超级电容器的荷电状态设置为SOCuc=0.208,负荷设置为4 000 W,0.16 s时超SOCuc达到放电下限,由蓄电池承担系统内的不平衡功率。设定4 s时负荷突然减小为2 000 W。荷电状态曲线如图8所示。

图8 情况3荷电状态曲线

4.2.4 情况4仿真分析

初始蓄电池的荷电状态设置为SOCbat=0.799,负荷设置为1 000 W,1.01 s时SOCbat达到充电上限,由超级电容器承担系统内全部的不平衡功率。设定3 s时负荷突然增加为4 000 W。荷电状态曲线如图9所示。

4.2.5 情况5仿真分析

初始蓄电池的荷电状态设置为SOCbat=0.201,负荷设置为4 000 W,0.25 s时SOCbat达到放电下限,由超级电容器承担系统内的不平衡功率。设定4 s时负荷突然减小为2 000 W。荷电状态曲线如图10所示。

图10 情况5荷电状态曲线

4.3 HESS容量配置仿真验证

为进一步验证文中所提HESS容量分配优化方法的有效性,对两种方案进行对比验证。方案一：由蓄电池和超级电容构成的HESS采用传统的充放电控制策略,其中传统方法仅能优先供给一个储能元件;方案二：储能系统采用文中提出的双层优化模型,结合文中考虑混合储能荷电状态的能量管理策略。在上述目标函数及约束条件下,以小时为运行步长,通过粒子群算法分别对上述两种方案的容量配置进行求解。费用对比如表3所示。两种方案的迭代过程如图11所示。

表3 HESS容量分配优化结果对比

图11 迭代过程对比图

通过计算,得到粒子群经过200次迭代后的最小目标函数值,从表3的优化结果对比可以看出,在保证系统稳定性的前提下,若采用传统的控制策略,需要蓄电池151个,超级电容10个,此时产生的最小费用为128 581.46元;若采用文中的双层优化模型,结合改进HESS能量管理策略,所需蓄电池和超级电容的数目均大为减小,产生的相关费用也减小为53 859.82元。

由图11可以看出,文中对比考虑混合储能荷电状态的能量管理策略的储能容量配置方法与传统容量配置方法。一方面,由适应度值随迭代次数变化曲线可以看出文中方法稳定性更高;另一方面,文中方法适应度值明显小于传统容量配置方法。因此文中方法对于减小目标函数值即全生命周期费用和微电网与大电网买卖电量产生的费用之和最小,保证经济性最优。通过比较仿真结果可知,文中方法能较好地适应光伏系统的出力特点,并有效提高微电网运行的经济性能。

5 结束语

文中针对光伏系统建立混合储能容量配置双层优化结构,以全生命周期费用和买卖电量费用之和最小为目标,采用考虑荷电状态的能量管理策略,基于粒子群算法得出蓄电池和超级电容的容量优化配置结果。结合某地实际光伏输出和负载需求进行分析,其优化结果表明,文中所提出的考虑荷电状态的能量管理策略优化模型,能够在一定程度上协调光伏系统出力随机性的特点,并有效提高了系统的经济性。同时文中改进的能量管理策略可推广应用于其他新能源系统,对其储能配置具有较好的参考价值。