提升光伏消纳的分布式储能系统控制方法

2022-10-20熊俊杰马速良谭宇良李建林

储能科学与技术 2022年10期

曾伟，熊俊杰，马速良，谭宇良，李建林

（1国网江西省电力有限公司电力科学研究院，江西南昌 330096；2储能技术工程研究中心（北方工业大学），北京 100144）

储能技术作为一种调度方式，可作为分布式电源大规模并网的前提以及重要的保障手段，通过控制其有序运行，将极大地改善电网的频率、电压以及电能质量，极大程度地利用好储能资源，可以提高电网的安全水平以及运行效率[1-2]。

由于电网需求侧的变化日益增加，分布式储能将逐渐深层次地参与到电力系统之中，在配电系统中，分布式储能以第三方调解的角色配置在系统关键节点处能有效地解决分布式电源与负荷之间的矛盾，进而参与电网调峰、调频、调压等过程起到辅助作用和提升电网运行的稳定性。文献[3]对于分布式储能的研究涉及规划因素、评价指标、功能作用和求解方法等，对规划因素的研究主要分为储能类型、接入位置、储能容量、储能功率和调度策略等。文献[4]提出了一种分布式电池储能系统的新型协调控制算法：通过采集信号并向所有的电池储能系统发出相应的功能信号，以此控制电池储能系统进行充放电，达到“削峰填谷”的目的，提高电网运行效率。目前开展的分布式储能的优化规划方面的研究，大多以评价指标(如经济性、技术性)为目标，并建立相应的函数，再以储能的实际运行情况为约束条件，寻找最优解。并未考虑储能自身的荷电状态(SOC)以及储能系统自身波动。

本工作针对削峰填谷应用场景，考虑储能系统功率、容量，在优化过程中加入了储能电池能量状态(state of energy，SOE)限制以及储能系统充放电效率η限制等因素，在满足系统功率平衡的前提下，使分布式储能系统出力最优。

1 线性递减惯性权重粒子群优化算法

最优化概念即要在已提出的所有限制条件内，在可行的范围中寻找到最佳的解决方式。在现今社会中，该概念在多个领域中均拥有广泛的应用，如经济管理领域、军事领域、建筑领域等。最常使用的是智能算法，比如遗传算法、蚁群算法、模拟退火算法、人工神经网络以及粒子群算法等。各算法特性如表1所示。

表1 各优化算法特点对比Table 1 Comparison of advantages of various optimization algorithms

各种算法的特性不同，所适用的场景也不相同。本工作采用线性递减惯性权重粒子群优化算法[5-6]。

在粒子群算法中，惯性权重ω是一个很重要的参数，可以衡量算法的搜索能力，其值较大可以提高全局的搜索能力，降低局部搜索能力，其值较小可以提高局部搜索能力，降低全局搜索能力[7]。在搜索开始时希望ω值较大，随后其值随迭代次数逐渐减小，可以很好地平衡全局和局部搜索能力，因此本工作使用改进的线性递减惯性权重粒子群优化算法。

该算法的搜寻流程如下：①初始化粒子群参数；②随机初始化粒子的速度与位置；③计算粒子适应度，将计算结果放置在fitnessi中，同时得到目前各粒子的个体最优值pbesti，以及得到目前的种群全局最优值gbest；④更新粒子的速度与位置；⑤更新粒子的适应度值，将两者最优的适应度值对应的位置标记为目前最好的位置；

⑥比较所有的pbesti和gbest 的值，取其中最优的值更新gbest；

⑦如果满足结束条件则结束，否则返回步骤③继续搜索。该算法的流程图如图1所示。

图1 改进的线性递减惯性权重粒子群算法流程图Fig.1 Flow chart of improved linear decreasing inertia weight particle swarm algorithm

在一个D维的解空间搜索种群，其种群数量为N，粒子i的运动状态、位置、个体最优以及全局最优用D维向量表示。

粒子速度：

粒子位置：

个体最优：

全局最优：

其中，Vi为粒子的飞行速度，即粒子在搜索空间的移动距离；Xi是在搜索空间粒子的位置，可衡量粒子位置的好坏；pbesti是每个粒子迄今为止搜索到的个体最优位置；gbest 是整个群体目前为止搜索到的全局最优位置。

在每一次的迭代中，根据以下迭代公式来更新个体的速度和位置：

其中ω是当前的惯性权重值，ω_min、ω_max 分别是惯性权重的最小值和最大值；g、G分别是当前的迭代次数和最大迭代次数；νi(t)、νi(t+ 1)分别是当前时刻的粒子速度以及下一时刻的粒子速度；xi(t)、xi(t+ 1)分别是当前时刻的粒子位置以及下一时刻的粒子位置；c1、c2是学习因子，用来衡量粒子的学习能力，通常c1=c2= 2，r1、r2取[0，1]之间的任一数值。

惯性权重值反映了算法寻找局部最优以及全局最优的能力。惯性权重公式使在算法开始时的惯性权重值较大，有利于寻找全局最优值，随着迭代的进行，惯性权重值逐渐减小，算法也逐渐从寻找全局最优值的能力转向寻找局部最优的能力，因此能够覆盖整个搜索空间。图2所示的是在粒子群算法中一个搜索点的调整方式和在搜索空间中个体的搜索方式[8]。

图2 粒子在搜索空间的搜索示意图Fig.2 Schematic diagram of particle search in the search space

2 分布式储能系统数学模型

以光伏发电为例，在配电网中，由于日负荷分布不均导致光伏发电很难匹配跟踪负荷出力，导致配电网的峰谷差变大，降低了供电质量[9-10]。据此引入分布式储能系统，通过合理控制储能系统的运行模式，很适合用于调节电力系统峰谷差，可以有效地提高供电质量。本工作引入1个光伏电站、2个储能系统B1/B2，其出力示意图如图3所示。

图3 光、储负载功率示意图Fig.3 Schematic diagram of optical,storage,and load power

在图3 中，P光为光伏电站的总发电功率；P负为负载功率的总需求；PB1、PB2为储能系统B1、B2 的充、放电功率。当负载功率的总需求不足以消纳光伏电站的总发电功率时，储能系统将进入充电模式，直到系统电量充盈或者达到下一个充放电的时间点；当负载功率的总需求可以消纳光伏电站的总发电功率且仍需要更多的发电功率时，储能系统将进入放电模式，系统向配电网供电，直到系统电量不足或者达到下一个充放电的时间点。

2.1 目标函数

由图3可知，本工作的目标是要光伏发电尽量匹配跟踪负荷出力，利用储能系统在光伏发电多时作为用户吸收功率，光伏发电少时作为电源增发功率。但是由于储能系统的启停将影响储能电池的使用寿命，因此想更加经济地利用储能系统，就必须使储能电池始终处于可充可放的状态即为初始状态，所以基于该情况，本工作的目标函数设置为储能系统B1/B2的功率之和需要达到最小，据此设定分布式储能系统功率波动的平方和最小为目标函数，如式(4)所示：

式中，PB1、PB2为储能设备B1、B2 的充放电功率；ΔPB1n、ΔPB2n为储能设备B1、B2 在n时刻的充放电功率。

2.2 约束条件

分布式储能系统控制方法的约束条件有光储系统约束、储能系统约束等。由于储能系统有充电与放电两种模式，再加上储能系统受充放电效率的影响，导致系统功率平衡约束和储能系统约束在充电与放电两种模式下有所差异[11-12]。

2.2.1 系统功率平衡约束

由于新能源出力具有波动性，容易受天气类型等因素影响，所以储能的作用是平衡光伏发电和用户侧需求，在新能源出力少时储能系统增发功率。新能源出力多时储能系统少发功率，所以储能系统的调节须使得新能源、储能出力和需求处于动态平衡的状态，即电力系统的发电量与用电量在任何时刻都保持一致，功率处于平衡状态。功率平衡才能保证电压和频率的稳定，加入储能系统后也同样需要保持功率平衡，如果出现偏差，系统的电压和频率就会不稳定，进而大大降低电力系统的电能质量。由于分布式储能系统有并网和孤岛两种模式，处于并网状态时，分布式储能的出力、电网的出力和与用户需求处于动态平衡状态；当分布式储能系统处于孤岛运行时，储能出力与用户需求时刻是动态平衡的。式(5)和式(6)分别描述了并网分布式储能典型状态下加入储能系统后在充电和放电模式下的系统功率平衡约束条件。①充电模式

在充电模式下，储能系统运行的充电功率即为系统功率平衡约束所需的实际功率，此时不需要考虑储能系统充放电效率的影响，如式(5)所示：

②放电模式

黄玲说这个伤疤是她曾经的丈夫给她的，现在，他在监狱。他们是在2010年8月经人介绍相亲认识的，9月就结了婚。结婚之后刚开始两人相处得还不错，很快，黄玲就怀上了孩子，原本以为幸福的生活会这样延续下去。没想到后来她的丈夫就开始酗酒，每次喝完酒就会打她，眼角的伤疤，就是有一次他的丈夫用啤酒瓶打伤的，而那一次，她也失去了孩子。

在放电模式下，由于储能系统充放电效率的影响，储能系统运行的放电功率需要大于实际放出的放电功率，将储能系统实际放出的放电功率用作整个系统的功率平衡约束元素之一，具体见式(6)：

式中η是储能系统的充放电效率，即电池在一定充/放电条件下充/放电至某一截止/终止电压时放出/充到的容量与输入/放出的容量的比值，表征了储能系统对充放电能量的转化能力[13]。

2.2.2 储能系统充放电功率约束

储能系统在工作时其工作的功率受到其系统结构本身的约束，即充放电功率不能大于其额定功率，否则将会对储能系统的安全造成隐患。如式(7)所示：

式中PB为当前时刻储能系统的功率，PB＞0表示储能系统正处于充电模式，PB＜0表示储能系统正处于放电模式，PB额是储能系统的额定功率。

2.2.3 储能系统电池能量状态(SOE)约束

储能电池电池状态(state of charge，SOC)反映的是储能电池所剩电量占总电量的情况，本工作看重的是两个分布式储能的出力情况，为了表现得更加直观，采用SOE 更精确、直观地确定和衡量动力电池的剩余电量，SOE 可以有效地与储能系统的外部功率一一对应，更精准地提供预测条件，减小计算/估算误差。在本工作中，将SOE 约束在一个可自定义的范围，目的是为了避免储能系统在不同工作环境下出现过充或过放现象，进一步保护电池安全。如式(8)所示：

式中，SOE 是储能系统当前的电池能量状态值，SOE_min 是储能系统允许的最小电池能量状态值，SOE_max是储能系统允许的最大电池能量状态值。

式(8)所示为SOE 的约束范围，式(9)和式(10)所示为在充电和放电模式下，储能系统的SOE 的数学计算式。储能系统在t+ 1 时刻的剩余能量与储能系统前一时刻t的剩余能量以及在两个时刻的时间间隔Δt的充放电能量有关。

①充电模式

在充电模式下，由于充放电效率的影响，储能系统从外部吸收的能量总值要大于实际成功储存在储能系统内部的能量总值，此时SOE如式(9)所示：

②放电模式

当各厂站发电功率不能满足用户所需功率，储能系统可当成发电机，储能系统由充电状态转换为放电状态，储能系统释放的能量总值等于用户需求与发电厂所发能量之差且受发电效率影响较小，此时SOE计算如式(10)所示：

在式(9)～(10)中，SOE(t)表示上一时刻的SOE 值，SOE(t+ 1)表示下一时刻的SOE 值；PB是当前时刻的充放电功率，PB＞0表示负载功率的总需求不足以消纳光伏电站的总发电功率，储能系统进入充电模式，PB＜0表示负载功率的总需求可以消纳光伏电站的总发电功率且仍需要更多的发电功率，储能系统进入放电模式；Δt表示从t时刻到t+ 1 时刻的时间间隔；S额表示储能系统的额定容量。

3 算例分析

采取某光伏电站某天光伏发电数据以及负荷数据，负荷数据和光伏数据每15 min采集一次数据，共采集24 h，具体如图4和图5所示。

图4 光伏发电曲线Fig.4 Photovoltaic power generation curve

图5 日负荷曲线Fig.5 Daily load curve

在PSO 参数输入模块中输入PSO 的各个参数，包括粒子群的种群数量、搜索空间维度、迭代次数、学习因子、惯性权重、速度以及位置等，每一个输入的参数都将参与运算并影响运算结果，经过粒子群迭代形成储能系统最优出力[14-15]。

首先是收敛过程，如图6展示的是总体的收敛过程，由于载入的数据共有96 组，每个数据点的粒子群算法迭代次数为100，因此总的迭代次数近10000 次，每一个小横线代表了一组数据的收敛过程。图7 展示的是其中一组数据的收敛过程，由图7 可知，在收敛开始的时候，适应度值很大，结果并未收敛，在经过大约十几代的迭代之后，适应度值迅速收敛，并在之后的迭代中基本保持稳定，即搜索结果已经基本收敛，分析整个过程可知，寻优收敛速度很快。

图6 总体收敛过程Fig.6 Overall convergence process

图7 某一组数据的收敛过程Fig.7 The convergence process of a certain set of data

根据计算结果，每隔15 min 绘制一组数据，时间长度一共是24 h，得到的分布式储能系统出力情况以及电池能量状态SOE变化如图8所示，在图8 中，“储能1”与“储能2”的曲线基本重合，在某些点两个储能系统的出力并不一致，这是因为其中一个储能系统的功率已经达到了其本身的最大功率限制，而另一个储能系统并未达到其本身的最大功率限制。在储能系统充电时，SOE 的值也将变大，在SOE放电时，SOE的值也将变小。

图8 分布式储能系统出力情况以及电池能量状态SOE变化Fig.8 Distributed energy storage system output and battery energy status SOE changes

根据计算结果绘制光伏、负载与分布式储能系统的出力情况对比，每隔5 min 绘制一组数据，时间长度是24 h，如图9所示。

图9 光伏、负载与储能系统出力Fig.9 Photovoltaic,load and energy storage system output

通过分析分布式储能系统的出力情况可知，当负载功率的总需求不足以消纳光伏电站的总发电功率时，储能系统功率值大于零，即储能系统进入充电模式；当负载功率的总需求可以消纳光伏电站的总发电功率且仍需要更多的发电功率时，储能系统功率值小于零，即储能系统进入放电模式。综合来看，储能系统极大地利用了剩余的发电量，并在负荷低谷期将剩余电量释放出去，进入电网，缓解电网负荷压力，由此可见，加入分布式储能系统之后有效地解决了光伏出力在匹配跟踪负载消耗的矛盾。