风电场中储能装置的容量优化

2016-01-16窦迅,计仕清,李扬等

现代电力 2015年5期

关键词：多目标优化粒子群算法风电场

文献标志码：A

风电场中储能装置的容量优化

窦迅1，计仕清1，李扬2，邱泽峰1

(1.南京工业大学自动化与电气工程学院，江苏南京211816；2.东南大学电气工程学院，江苏南京210096)

Capacity Optimization of Energy Storage Devices in Wind FarmDOU Xun1, JI Shiqing1,LI Yang2,QIU Zefeng1

(1.School of Automation and Electrical Engineering, Nanjing University of Technology, Nanjing 211816,China;

2. School of Electrical Engineering, Southeast University,Nanjing 210096,China)

摘要：储能技术的发展为风电的大规模并网后造成的电能质量问题提供了有效解决方法。合理的储能设备容量不仅能够提高储能设备的利用效率，也能平滑风电输出，改善电能质量。本文考虑计及储能设备减少旋转备用容量的风电场经济效益及功率波动的平衡性，采用多目标粒子群算法进行风电场储能装置的容量优化，以Pareto最优解集的形式表示储能设备带来的风电场经济性与稳定性多目标的兼顾。并通过某地的风电场典型日出力情况作为仿真实例，验证优化所得结果的有效性，可为风电场的储能装置容量选择提供实用的参考方案。

关键词：风电场：储能设备：容量优化：粒子群算法：多目标优化

文章编号：1007-2322(2015)05-0042-06

中图分类号：TM91

基金项目：国家自然科学

收稿日期：2014-09-29

作者简介：

Abstract：The development of energy storage technology provides an effective method for solving power quality issue caused by large scale grid-connected wind farm. Rational capacity of energy storage device can not only enhance utilization efficiency of energy storage device, but also smooth wind power output, and improve power quality. In this paper, by considering that the economical profit of wind farm for rotating backup capacity can be reduced by energy storage device and the balance of power fluctuation, multi-objective particle swarm optimization algorithm is used to optimize capacity of storage equipment for wind farm, and both the economic and stability of wind farm brought by energy storage device can be reflected by using Pareto optimal solution set. By taking classical day power output for one wind farm as simulation case, the effectiveness of proposed method is verified, and the works in this paper can provide reference applicable scheme for selecting capacity of energy storage device for wind farm.

Keywords：wind power farm;energy storage device;capacity optimization; particle swarm optimization;the multi-objective optimization

0引言

风力发电是风能利用的主要形式。风电作为不同与火电、水电等常规的电源，其输出功率与该时刻的风速密切相关，具有间歇性和波动性。风电的大规模并网会对原电网的稳定性和电能质量[1-2]造成巨大影响，甚至会导致电网崩溃，风电输出不稳定成为了限制风电并网的重要原因。增加储能设备可以为风电并网提供有效的支撑，增强电网的调频、调峰能力，有效解决风能的随机性和波动性的问题[3-4]。随着风电的不断渗入电网，如何安全经济地实现风电并网已成关注热点。

文献[5-6]考虑了供求平衡约束，用飞轮和蓄电池同时作为储能单元，以系统成本最优为目标，采用了遗传算法优化风光独立系统中混合储能设备容量；文献[7]以平抑风电场输出功率为目标，优化了储能设备容量。文献[8]采用时间常数-合成输出标准偏差特性，结合了风电平滑的效果，得电池最佳功率和容量。文献[9-10]考虑了风电机组输出特性，结合风速概率分布，以风电机组长时间稳定输出为基础计算了储能设备容量。

上述文献中对于风电场中加入储能设备的优化都只是单一地考虑了经济性或稳定性。本文综合考虑储能设备平滑风电输出以及带来的经济效益，以多目标粒子群算法(multi-objective particle swarm optimization ,MOPSO)优化储能设备容量，并通过算例验证其方法的有效性。

1储能设备

1.1储能方式选取

储能设备是通过对电能的存储和释放来完成一个电功率的转移过程。不同储能形式的容量、充放电时间的特性以及使用寿命都具有不同的特点，合理经济地选取储能配置成为重要的问题。

在风电中配置储能装置需满足如下要求：

①储能设备容量应满足风电场谷时发电量充分储能的要求；

②储能设备的能量存储时间至少在数小时以上；

③储能设备需要有快速放电的能力。

目前储能方式有多种，各储能方式优缺点如表1所示。

表1　各储能技术优缺点

综合表1看出，抽水储能受地理制约不适合风电场；飞轮储能满足不了要求②因而不适合在风电场配置；超导储能造价昂贵，从经济性角度不适合风电场；蓄电池储能能很好满足风电场需求，而且造价较低，因此本文以蓄电池储能作为研究对象。

1.2蓄电池数学模型

1.1.1蓄电池充电

当风电输出功率大于系统所能接纳的风电功率时，蓄电池以充电的形式将富余的能量储存起来。t时刻蓄电池剩余容量为

(1)

式中：C(t)表示t时刻蓄电池剩余容量；PSB(t)表示t时刻蓄电池充放电功率，PSB(t)<0表示蓄电池充电，反之则为放电；ηc表示蓄电池充电效率；Δt表示风电的采样间隔。

1.1.2蓄电池放电

当风电输出小于系统所能接纳的风电功率时，蓄电池以放电形式补充风力输出所缺少的部分。t时刻蓄电池剩余容量为

(2)

式中：ηd表示蓄电池的放电效率。

2容量优化模型

本次优化以在平滑风电输出的基础上，考虑其储能配置所能带来的经济效益。实现风电的经济稳定运行。

2.1目标函数

在风电场配置储能设备后可以减少预测可信度导致的偏差，从而减少系统所需的旋转备用容量[11]。因而蓄电池储能在t时刻减少旋转备用容量的效益为

(3)

式中：ec,t为t时刻备用容量价格；χ为风电场预测技术可信度；Pw,t为在t时刻风电机输出功率；Pm为蓄电池储能系统的额定功率。

t时刻，风储联合发电所获得的收益为

(4)

储能设备的年成本为

(5)

式中：kp、kmp是与蓄电池额定功率有关的单位造价和年维护费用；kw、kmw是与蓄电池额定储能容量相关的单位造价和年维护费用；Cs为地址建设成本；λ为固定资产折旧率。

由于风电输出有年度的周期性，所以分析风电场某一年的分布规律可通过分析风电场典型日输出曲线作为储能容量优化的研究对象。综上所述，加入储能配置后风储联合收益的目标函数为

(6)

式中：ec为风电场发电成本，其中包括折旧费用、财政费用、人工费用等；N为采样个数。

文献[12]研究表明：蓄电池储能系统拥有功率快速吞吐能力和四象限调节能力，使风电场功率平滑输出。以平抑前相邻采样时间点风电功率差值的平方和与平抑后的差值平方和的比值作为风电功率平抑的平抑指标，其风电平抑指标为

maxf2=

(7)

式中：Pw,t、Pw,t-1为平抑前t、t-1时刻的风电输出功率。

2.2约束条件

蓄电池储能系统在平滑风电出力时，应考虑储能系统的充放电功率：

(8)

风电输出经储能优化后的输出功率应在电网限制上网功率之下：

(9)

式中：Pc,t表示系统所能接受风电的最大功率。

加入储能设备后组成的风储联合系统收益约束：

(10)

式中：Ew为加入储能前风电场年收益；Cg为储能一次性投资；α为政府成本投资比重；T为储能设备寿命。

3模型求解

此次优化模型中，不仅考虑到蓄电池储能平滑风电出力的效果，同时也考虑风电场年收益最大。两者具有不同的量纲，传统加权方式将多目标转化为单目标的方法并不适用于本次的优化。

参考文献本文[13]在采用多目标粒子群算法(MOPSO)的同时，结合Pareto的支配排挤思想，对传统的粒子更新方法加以改进，使得优化结果收敛于Pareto最优前沿。

3.1多目标优化描述

多目标问题是指拥有两个或两个以上的目标需要同时优化，且多个目标之间相互联系，相互制约。区别于单目标优化，多目标优化的解集不局限于单个全局最优解，而是多个解的集合，是某种程度上的折中与妥协。

一般对于多目标问题可如下描述[14]：

(11)

式中：f(x)表示目标函数；g(x)表示约束条件。式中有p个目标函数和i个约束条件。当多个目标都要达到最优时，这个解集成为Pareto最优解集。

Pareto支配定义：对于所有目标函数而言，解x1均优于x2，则称x1支配x2。若x1不被其他的解所支配，则称x1为非支配解，即为Pareto解。

3.2基于Pareto解集多目标粒子群算法

本次结合Pareto支配排挤思想，采用多目标粒子群算法进行优化。其算法步骤如下：

① 初始种群P(t)，设置迭代次数t；

② 求解个目标函数值，根据Pareto支配关系进行排序，并计算个体的拥挤度。采用锦标赛制选择粒子最佳位置，从而得到种群的最佳位置。

③ 更新粒子种群。

④ 评价目标函数值，进行非支配排序，计算个体拥挤度。选择粒子最佳位置，得到种群最佳位置。

⑤ 满足迭代条件后，输出最优一代粒子种群。否则返回步骤③，继续操作。

本次算法的流程如图1所示。结合本次所需优化目标。将以蓄电池的额定功率以及储能容量作为目标函数变量，通过上述算法实现对年收益和功率波动平衡两目标的最优化。

图1　算法流程

4算例分析

针对某地以150MW异步风电机组为主的风电场作为研究对象，采用上述算法进行优化。风电场预测出力的可信度χ=0.9；采样间隔Δt为10min分钟；容量价格ec,t=0.001万元/MW；地址建造Cs=100万元；蓄电池充放电效率ηc=0.75，ηd=1；储能设备折旧系数λ1=4.5%；kp=100万元/MW,kmp=2万元/MW；kw=400万元/MWh，kmw=0；风电场发电成本为0.045万元/MWh。对于储能设备的投资补助，现阶段还未有明确补贴政策。本文参考国家对新能源投资补助方式[15]，以政府投资初始设备的50%计算，即α=0.5，储能设备使用年限T为10 a。

该风电场的典型日出力曲线和系统接纳风电限制曲线如图2所示。

图2　风电出力和系统接纳限制曲线

通过对图3计算分析，该风电场这天中的弃风量为25.11MWh，占总输出量的1.8%。以固定电价研究，在未装入储能设备时，年收益为2578.84万元。以用户侧的峰谷电价机制作为上网电价计算，年收益为2843.75万元。

经过对比，本文采用峰谷电价来设置风电的上网电价，分析储能设备带来的经济性以及调节性。峰谷上网电价如表2所示。

表2　峰谷电价

通过matlab软件进行编程计算，得到的优化结果如图3所示。

图3　优化结果(迭代100次后的Pareto非劣解)

功率波动平衡性指标越大，说明优化后，风电输出越平滑。从图3上看出，风电输出的越平滑，年收益反而越小。这是由于储能装置的建设成本较高的原因，增加蓄电池的额定功率和额定容量虽然能增大因旋转备容量减少所带来的收益以及低储高发带来的经济效益。但同时蓄电池建设成本也会增大，而建设成本在年收益中所占比重较大，呈现出年收益与容量成相反增长的趋势。

本次优化结合Pareto排挤支配思想，采用了多目标粒子群算法，优化所得结果不是单一的全局最优解，所得解集收敛于Pareto最优前沿。对于优化所得解集中，选取其中两个优化结果作为其储能容量配置方案，其结果如表3所示。

表3　优化结果

方案1中，这天中风电场的弃风量为10.89MWh。相比未加储能的风电场，风储联合收益增加了424.6万元，其中风电场收益为2692.16万元，而储能设备通过低储高发为风电场带来的效益为432.79万元，减少系统旋转备用容量带来的收益为323.4万元，在无投资补助的情况下，风储联合系统年投资回报率为7.2%，即在储能设备寿命期限内无法回收其投资成本。在投资补贴50%后，年投资回报率达到14.4%。如果采用固定上网电价机制，低储高发所获收益将不存在，对风电场的并网将起不到激励作用。采用方案1后，风电出力曲线和蓄电池充放电曲线如图4所示。

图4　方案1风电优化输出和充放电曲线

其中充放电曲线中，正值表示蓄电池处于充电状态，负值表示处于放电状态。

在安装储能设备后，风储联合系统的年收益增大。其增加的年收益主要来自于峰谷电价差而获得。通过图4看出，在风电场中安装储能设备后不仅平滑了风电输出，同时也将风电的输出功率限制在系统所能接纳的容量之内。根据峰谷电价的上网机制，蓄电池在满足约束条件下，负荷低谷时处于充电状态，在负荷高峰时则处于放电状态，体现出了蓄电池低储高发来实现经济效益。

虽然储能设备能平滑风电输出，但由于峰谷时段出力差异太大，要进一步实现出力的削峰填谷就需配置更大容量的储能设备。以方案2作为储能容量配置方案。

方案2中将蓄电池容量配置增大，减少系统旋转备用容量带来的收益为367.6万元，储能设备通过低储高发为风电场获得套利496.4万元，投资补贴后，年投资回报率为12.3%。风电场弃风量为6.428MWh。配置该容量后所得风电出力曲线如图5 所示。

图5　两方案风电输出曲线

通过两方案进行对比，方案2风电出力更加平稳，风电场中的弃风量也会减少。不同容量配置与风电弃风关系如图6所示。

图6　容量配置与弃风关系

在负荷高峰时段，储能通过放电使得风电输出更多，通过低储高发的方式获得的套利更多。但由于储能设备建设成本因素，导致年收益与方案一相比反而减少了，另一方面，因储能设备而减少旋转备用容量所带来的收益也会到达极限。过度增大储能配置容量虽然能平滑输出、减少弃风，但从经济性方面考虑是不可取的。

现阶段蓄电池储能设备所带来的年收益率比较低的原因主要是蓄电池单位造价太高。电池的单位造价与储能设备带来年收益间的关系如图7所示。

图7　电池造价与储能年收益率关系

当蓄电池单位造价降低，年收益将会有显著的提高。本文以蓄电池储能的平均造价400万元/MW进行计算，风电场在并入储能设备后，联合系统的年收益在6%~7%左右，即在10年的寿命期限内风电场不能回收储能设备成本。若以新能源补贴政策作为参考，对储能设备初始投资的50%进行补助，则风储联合系统的年收益在12%~14%左右，是风电场可接受的范围。由此可见现阶段储能设备的推广还需要国家政策的大力扶持。

5结论

本文采用多目标粒子群算法对风电场中配置容量进行优化。将蓄电池作为研究对象，以风储联合收益与风电输出波动平衡作为衡量指标，得到了最优化解集。经过分析可得到如下结论：

① 风电场配置储能设备能够平滑输出，减少弃风量。储能设备的容量越大，对于风电出力的削峰填谷的效果越明显，弃风越少，对风能的利用越高。

② 储能设备的容量与年收益密切相关，由于电池造价成本而使年收益较低，目前蓄电池储能设备的推广需要政策的大力支持。从长远角度而言，技术的革新才是储能设备广泛运用唯一方式。

③ 本次采用多目标算法，得到了优化配置的Pareto解集。区别于单目标算法只能得到一个全局最优解，风电场可根据自身所需条件选取合适的容量配置。

参考文献

[1]A Arulampalam，M Barnes，N Jenkins，et al.Power quality and stability improvement of a wind farm using STATCOM supported with hybrid battery energy storage[J].IEEE Proceedings of Generation，Transmission and Distribution, 2006，153(6)：701-710.

[2]Abbey C， Joos G. Supercapacitor energy storage for wind energy applications[J].IEEE Transactions on Industry Applications，2007， 43(3): 769-776.

[3]张坤，毛承雄，陆继明等.基于储能的直驱风力发电系统的功率控制 [J].电工技术学报,2011， 26(7): 7-14.

[4]LY Qu，W Qiao. Constant power control of DFIG wind turbineswith supercapacitor energy storage[J].IEEE Transactions on Industry Applications，2011，47(1)， 359-367.

[5]杨秀，陈洁，朱兰，等.基于经济调度的微网储能优化配置)[J].电力系统保护与控制,2013，46(1): 7-14.

[6]杨珺，张建成，周阳，等.针对独立风光发电中混合储能容量优化配置研究 [J].电力系统保护与控制,2013，26(4):11-17.

[7]施琳，罗毅，涂光瑜，等.考虑风电场可调度性的储能容量配置方法 [J].电工技术学报,2013，5(28):116-124.

[8]李文斌，卢继平，徐兵,等.平抑风电场功率波动的储能容量选取方法[J].华东电力，2012，40(3):34-39.

[9]H Bludszuwei，J A Domínguez-Navarro.A probabilistic method for energy storage sizing based on wind power forecast uncertainty[J].IEEE Transactions on Power Systems，2011，26(3):1651-1658.

[10]Brekken T KA，Yokochi A，Jouanne A von，et al. Optimal energy storage sizing and control for wind power applications[J].IEEE Transactions on Sustainable Energy， 2011， 2(1): 69-77.

[11]王承民，孙伟卿，衣涛,等.智能电网中储能技术应用规划及其效益评估方法综述[J].中国电机工程学报,2013,77(3)：33-41.

[12]冯江霞，梁军，张峰,等.考虑调度计划和运行经济性的风电场储能容量优化计算[J].电力系统自动化,2013，37(1):90-95.

[13]裴胜玉，周永权.基于Pareto最优解集的多目标粒子群优化算法[J].计算机工程与科学,2010,32(11):85-88.

[14]肖晓伟，肖迪，林锦国，等.多目标问题的研究综述 [J].计算机应用研究，2011，3(5):15-19.

[15]赵振宇，范磊磊.可再生能源法规、政策分析及其对发电结构影响[J].可再生能源，2010，28(4):5-8.