含混合储能的风光储系统容量优化配置

2023-12-09向开端王辉彭婷婷陈攀

科学技术与工程 2023年31期

向开端, 王辉,2*, 彭婷婷, 陈攀

(1.三峡大学电气与新能源学院, 宜昌 443002; 2.湖北省微电网工程技术研究中心, 宜昌 443002)

随着传统化石能源的日益枯竭以及燃烧造成了诸如温室效应等严重的环境问题,大力推行清洁能源的开发和利用是解决当前能源危机和环境问题的重要解决方案[1]。近年来,世界上许多国家和地区已经提出100%清洁能源系统的设想,并且在巴拉圭、冰岛等国家已经实现[2]。由于可再生能源的不断发展,电网对各种能源存储技术的需求日益增长,合理地因地制宜建设如重力储能等地下储能工程可以有效解决中国“三北地区”的新能源消纳问题[3-4]。国家发展改革委、国家能源局在2022年5月出台了《关于进一步推动新型储能参与电力市场和调度运用的通知》,鼓励配建新型储能与所属电源联合参与电力市场,加快推进独立储能参与电力市场配合电网调峰。国家能源局在《能源碳达峰碳中和标准化提升行动计划》中提出,完善新型储能技术标准,建设新型储能项目建设,并细化储能电站的应用场景。现有的储能系统如抽水蓄能系统和压缩空气储能系统,受选址和建设规模的要求,其应用受到一定限制,因此开发新型高效的储能技术就成为了关键[5]。在中国西北地区,利用日益增多的废弃矿区开展新能源及重力储能项目开发建设,不仅可以推动新型储能技术的多元化应用,同时可以对废弃矿区等可利用资源进行再度整合利用。

考虑可再生能源的随机性、间歇性和波动性,在微电网中合理地配置储能设备,可以有效提高微电网的灵活性和供电可靠性[6]。在微电网运行过程中,某一时段可再生能源难以承载负荷需求量时,储能设备可以提供负荷缺电量,维护微电网运行的稳定性。可再生能源发电量大于负荷需求量时,可以对多余的电量进行储存,避免电能的浪费。通过综合考虑设备特性,选择相匹配的储能设备及容量,以实现提高系统的整体运行效率。目前在多能源联合发电系统容量配置问题中,广泛应用遗传算法、粒子群优化算法及鲸鱼优化算法等,并取得一定研究成果。文献[7]采用改进的灰狼算法对风光柴蓄的独立微电网系统进行容量优化配置。文献[8] 提出了一种量子遗传算法的容量最优配置求解方法,求解获得最优容量配置,并证明了其合理性和可行性。文献[9]提出一种用户分类的容量配置模型,采用改进的蝴蝶优化算法对模型进行了求解,证明了其有效性与合理性。

由于风光互补系统功率具有不稳定性[10],因此配备一定数量的储能设备对平抑风光的波动性具有十分重要的意义。通过集合不同储能技术特性的优点组成混合储能系统,可以延长储能系统的使用年限,更具经济性和高效性。在混合储能配置问题研究中,文献[11]提出一种含氢储能-蓄电池的混合储能系统,利用HOMER Pro软件进行了优化求解验证其经济型和有效性。文献[12]提出一种超导储能和蓄电池组成的混合储能系统,采用分层控制策略对风电场功率进行补偿。文献[13]对超级电容-蓄电池的混合储能系统提出一种利用统计学方法的功率分配策略,并验证其有效性。

以上研究主要都是传统的混合储能系统,混合储能系统基本都是蓄电池配合氢储能、超导储能、超级电容和压缩空气储能等储能技术。考虑到系统的经济性要求,选择成本较低的重力储能技术结合电化学储能电池在现有的研究内容较少。重力储能系统作为一种独特的储能方式,可以利用高度储存能量,其结构能够适应地形的变化。储能载体为重型物体,它不仅可以回收,而且几乎不会污染环境,其施工条件不受地理环境的限制。同时中国西北地区现有许多废弃矿井,具有先天的利用场景,不像抽水蓄能等现有成熟的储能技术应用场景在西北地区的局限性,重力储能技术在该场景有得天独厚的优势。因此考虑重力储能和蓄电池耦合的混合储能系统的容量优化配置具有十分重要的意义。文献[14]分析了重力储能的发展现状,并对其关键技术原理进行了分析。文献[15]提出风光重联合发电系统,并引入了三个评价指标对最优容量进行排序评价,得出最优方案。文献[16]提出一种通过引入日前市场电价来制定调度策略的重力储能系统模型。

针对于重力储能项目的研究,中国已经进行了示范项目的推进。例如,2022年5月中国天楹与中国电网就重力储能技术研究达成了战略合作。共同协作,推进建设如东100 MWh用户侧重力储能示范项目。

在上述研究基础上,主要针对重力储能-蓄电池混合储能系统在风光储微电网结构中的运行与规划,通过对系统中各组件建模,结合约束条件,建立以年均系统成本最小为目标函数的系统容量配置模型,同时考虑负荷缺电率、可再生能源浪费率和可再生能源过装率三个评价指标,利用改进优化算法求解容量配置优化问题,得到最优配置,最后利用算例分析该模型的经济性与可靠性。

1 风光储发电系统模型

1.1 系统结构

风光储发电系统主要由风力发电、光伏发电、重力储能装置、蓄电池、变换器及本地负荷组成并与上级电网连接,由于重力储能的场景大都在偏远地区,距离大电网较远,因此现仅考虑在孤岛模式下进行运行,系统结构如图1所示。

当分布式发电系统出力大于负荷需求时,处于储能系统充电情况,当不平衡量大于总储能额定功率,混合储能系统共同进行充电,余电进行弃电计算,当大于蓄电池额定充电功率,由重力储能充电,剩余不平衡量通过DC/DC变换器对蓄电池充电和弃电计算;当分布式发电系统出力小于负荷需求时,处于储能系统放电情况,通过储能系统对系统进行供电,当不平衡量小于蓄电池额定放电功率,由蓄电池优先供应,反之由重力储能进行电量供应,电力供应不足由蓄电池进行供应,若供应仍不足,最后进行缺电计算。

图1 风光储发电系统结构Fig.1 Structure of power generation system of wind/solar with energy storage

1.2 风力发电系统模型

风力发电机输出功率受到多种因素影响,其出力特性和风速之间的关系可近似用分段函数描述为

(1)

式(1)中:PWT为风力发电机实时功率;Pr为风力发电机额定功率;v为实时风速;vci为切入风速;vco为切出风速;vr为额定风速。

1.3 光伏发电系统模型

光伏组件实际输出功率与太阳能辐射、环境温度以及标准条件下额定功率等因素相关,其出力模型可表示为

(2)

式(2)中:PPV(t)为t时刻光伏的输出功率;PSTC为标准条件下,光伏的额定输出最大功率;GSTC为标准条件下太阳辐照度;Gc为工作点实际太阳辐照度;k为功率温度系数;Tc(t)为t时刻工作点温度;TSTC为标准条件下的工作温度。

1.4 重力储能系统模型

重力储能装置主要利用高差进行存储能量,类似于抽水蓄能电站,但是建设条件不会像抽水蓄能电站那样受地理环境所限制。同时可以将西北地区逐年废弃的矿区加以利用起来,成为储能装置,其基本原理如图2所示。

图2 重力储能装置原理图Fig.2 Schematic diagram of gravity energy storage device

在风光出力大于负荷时,通过电动机将多余的电量转化成机械能,将储能载体从低位平台通过轨道运送到高位平台,将电量最终转化成为重力势能存储起来。相反在负荷高峰期,将储能载体从高位平台通过轨道传送到低位平台产生动能,带动发电机进行将动能转化成为电量。由于重力加速度的原因,会导致重物下滑收到一个加速度的影响,会导致放电过程的功率波动过大,通过电动机辅助平衡其出力波动,限制斜坡上的重物为一个匀速状态。

综合考虑重力储能装置对其出力特性进行建模主要分为以下两个过程。

充电过程:

PGRC(t)=FCV=(mgsinθ+μmgcosθ)V

(3)

f=μmgcosθ

(4)

式中:PGRC为上升过程中的电动机功率;FC为上升过程中的电动机牵引力;f为摩擦力;m为重物质量;g为重力加速度;θ为轨道与水平方向的夹角;μ为摩擦系数;V为重物匀速下滑过程中的速度。

放电过程:

PGRD(t)=FDV=(mgsinθ-μmgcosθ)V

(5)

式(5)中:PGRD为下滑过程中的发电机功率;FD为下滑过程中的发电机所受到的牵引力。

由于大部分情况下矿井的坡度和有效高度都是在一个固定的场景下,仅考虑匀速阶段的有效储能高度,将重物的重量作为唯一变化量来规划重力储能的容量。

因此其重力储能容量可表示为

WGR=mghg

(6)

式(6)中:WGR为重力储能容量;hg为有效储能高度。

1.5 蓄电池系统模型

在独立微电网中蓄电池可以对负荷需求变化导致的波动进行平抑,当系统处于缺电状态时进行放电,反之进行充电,其出力模型如下。

系统充电:

SOC(t)=SOC(t-1)(1-σ)+Pc(t)Δtηc/Eb

(7)

系统放电:

(8)

式中:SOC(t)为t时刻结束蓄电池剩余电量;σ为每小时蓄电池自放电率;Δt为时间步长;Pc、Pd为蓄电池第t时间段的充电、放电功率;ηc、ηd为蓄电池充电、放电效率;Eb为蓄电池的额定容量。

2 风光储发电系统优化配置模型

2.1 目标函数

风光储发电系统容量优化配置的目标是通过在满足负荷需求及其他约束的条件下,合理配置风力发电机、光伏阵列以及储能装置的容量,使风光储发电系统年均系统成本最小。采用的风光储发电系统年均系统总成本包括各个电源组件的年均初始投资安装成本、运行维护成本、置换成本和新能源补贴收益,目标函数表示为

Ctotal=min(CIN+COM+CRC-CSU)

(9)

式(9)中:Ctotal为系统年综合总成本;CIN为系统初始成本;COM为运行维护成本;CRC为各部件置换成本;CSU为新能源补贴收益。

2.1.1 系统初始成本费用

系统初始投资成本主要考虑风机、光伏阵列、蓄电池和重力储能装置的购置成本,计算公式为

CIN=fD(NWTCWT1+NPVCPV1+NBATCBAT1+

WGRCGR1)

(10)

(11)

式中:NWT、NPV、NBAT、WGR分别为风电机组、光伏阵列、蓄电池的数量及重力储能的容量;CWT1、CPV1、CBAT1、CGR1分别为风机、光伏电池、蓄电池单个设备的价格和重力储能的单位容量价格;fD为折旧系数;d为折旧率[17];y为分布式电源使用年限。

2.1.2 系统年均运维成本费用

系统年均运维成本主要考虑各设备在寿命周期内的运行维护成本费用,计算公式为

COM=(NWTCWT2+NPVCPV2+NBATCBAT2+

WGRCGR2)

(12)

式(12)中:CWT2、CPV2、CBAT2、CGR2分别为风力发电机、光伏板、蓄电池和重力储能设备的运行维护单价。

2.1.3 系统年均置换成本

年置换成本[18]分别由每个分布式电源的置换单价和与之相对应个数或容量相乘,最后进行相加所得到的成本。计算公式为

CRC=(NWTCWT3+NPVCPV3+NBATCBAT3+

WGRCGR3)

(13)

式(13)中:CWT3、CPV3、CBAT3、CGR3分别为风力发电机、光伏板、蓄电池和重力储能设备的置换单价。

2.1.4 新能源补贴收益

由于风光机组的投资成本及发展,国家为鼓励发展可再生能源,提出的一项电价补贴政策。计算公式为

(14)

式(14)中:λ为补贴系数,取0.015 元/kWh。

2.2 评价指标

微电网的性能可以通过评价指标来反应。负荷缺电率(loss of power supply probability,LPSP)是衡量风光储发电系统独立运行能力的重要指标[19]。可再生能源浪费率(waste of renewable energy,WORE)可有效反映系统的能量浪费的情况。可再生能源过装率(renewable energy oversupply,REO)可以反映微电网的经济特性。

(1)负荷缺电率:

(15)

式(15)中:ELpsp为t时刻缺负荷电量;El(t)为t时刻负荷电量。

(2)可再生能源浪费率:

(16)

式(16)中:EDump为t时刻弃电量;ECcr为t时刻风光联合发电电量。

(3)可再生能源过装率:

(17)

式(17)中:ECcr为t时刻风光联合发电电量。

2.3 约束条件

(1)分布式电源数量约束:

(18)

式(18)中:NWT,MAX、NPV,MAX、NBAT,MAX分别为风电机组、光伏阵列和蓄电池组的安装数量上限。

(2)重力储能容量约束:

0≤WGR≤mghmax

(19)

式(19)中:WGR为重力储能装置的容量;m为重物的质量;g为重力加速度;hmax为最大高度。

(3)蓄电池的充放电能量约束:

(20)

式(20)中:Eb为蓄电池的额定容量;SOCmin和SOCmax分别为蓄电池储能系统剩余电量约束的下限和上限;Pc(t)、Pd(t)分别为蓄电池的充放电功率约束的上下限。

(4)供电可靠性约束:

LPSP

(21)

式(21)中:LPSPmax为规定的最大负荷缺电率。

3 混合储能系统运行控制策略与模型求解

3.1 混合储能系统运行控制策略

混合储能系统中各个储能元件的充放电顺序主要由系统运行控制策略所决定,它会影响储能元件的工作情况,并对最终的配置方案产生影响。通过上面对重力储能装置和蓄电池的特性分析,合理规划混合储能系统的充放电策略。

计算风力发电功率和光伏发电功率之和与负荷功率的差值。若实时风力发电功率和光伏发电功率之和大于负荷功率时,先对不平衡功率进行判断,若满足条件,首先对重力储能进行充能,剩余能量通过蓄电池进行储存电量,反之由蓄电池直接进行充电。若实时风力发电功率和光伏发电功率之和小于负荷功率时,当不平衡功率大于蓄电池放电额定功率,由重力储能优先工作,释放电能以补充系统缺额功率,再由蓄电池发电补充缺额功率,反之直接由蓄电池进行供能。具体的系统运行策略流程如图3所示。

图3 系统运行策略图Fig.3 System operation strategy diagram

3.2 模型求解方法

标准的粒子群算法较易过早收敛于局部极值,其关键原因是因为粒子群算法的性能受参数的选择影响。标准粒子群算法的惯性权重因子和学习因子是固定不变的,容易陷入局部最优值[20]。

为了避免过早收敛于局部极值,可以让粒子在搜索初期尽最大的可能飞跃整个搜索空间,实现多样性。通过在迭代前期使用较大的惯性权重因子有利于全局搜索,后期较小的惯性权重因子有利于局部搜索,便于找到最优值。前期通过大学习因子和小社会因子在更大的空间搜索,后期一个减小一个增大,可以让局部收敛寻优更加迅速[21]。改进策略的表达式为

(22)

(23)

式中:w1和w2分别为惯性权重因子的终止值和初始值;M为迭代的当前次数;Mmax为总的迭代次数;c1i和c1t为c1的初始值和终止值,初始值大于终止值c2i和c2t是c2的初始值和终止值,终止值大于初始值。

粒子群算法在解决容量配置等优化问题非常常见,能够较好完成求解[22]。现通过改进后的粒子群算法对上述模型进行计算,将风力发电机数量、光伏阵列数量、重力储能装置的容量及蓄电池组的数量作为决策变量,在以上约束条件下,以适应度函数最小为目标计算最佳配置组合。其计算步骤和流程图如图4所示。

(1)输入风光数据、负荷数据及各设备参数。

(2)初始化种群中每个粒子的速度及位置。

(3)通过适应度函数计算每个粒子的适应度值,对比并更新个体最优值和全局最优值。

图4 算法流程Fig.4 Algorithm flow

(4)更新当前粒子的速度与位置,其中惯性权重因子和学习因子根据式(22)和式(23)进行取值。

(5)判断循环次数,如果达到最大迭代次数,运算结束,否则转回到步骤(3)。

4 算例分析

4.1 研究对象及基础数据

以西北地区废弃矿区为背景,根据某地区历史气象数据进行算例分析。年最大风速约为21.8 m/s,年光照强度最高约为1.1 kW/m2。以该地区一天的用电情况作为调度周期进行分析求解。全年的风速、光照强度如图5、图6所示。该地区典型日负荷曲线如图7所示。

图6 年光照强度曲线Fig.6 Annual light intensity curve

设定风机单个额定功率为10 kW,光伏阵列单个额定功率为250 W。蓄电池组采用单一额定容量为6 kWh,额定功率为1.2 kW的蓄电池,其最大放电深度为70%。由于利用废弃矿区为背景,重力储能装置的初期投资成本会相应降低一点,重力储能装置中的重物单个重量为5 kg,利用重物的数量对容量进行配置,坡度为30°,最高有效落差为1 000 m,重力加速度为9.8 m/s2,摩擦系数μ为0.05,重物下滑过程中的速度为10 m/s。风光储发电系统优化规划使用年限为20年,折旧率为5%。充放电效率为0.90[23]。因分布式电源使用寿命均大于规划使用年限,这里不再对置换费用进行考虑。表1所示为系统中各组件的成本数据[24]。

图7 典型日负荷曲线Fig.7 Typical daily load curve

表1 分布式电源的成本数据[24]Table 1 Cost data of distributed power supply[24]

4.2 基于不同储能技术的配置方案比较分析

由于各种储能技术之间的不同特性,改变不同的储能配置方案,分析得到较好的配置方案。分析以下三种不同储能技术组成的方案:方案1为风光蓄组成的单一储能系统,方案2为风光重组成的单一储能系统,方案3为风光重蓄组成的混合储能系统。采用改进粒子群算法对3种方案进行求解。表2和表3分别为配置结果和优化目标及评价指标。

分析三种不同方案的配置结果,单一储能配置方案中,方案1风光蓄这一配置方案所需要的风电机组和光伏阵列会大于方案2风光重这一配置方案,因为储能特性决定,风光的配置增大,此时的风光很大一部分浪费,方案2的储能特性,让风光资源得到较好的利用。方案2与方案3年综合成本比方案1分别下降了21.88%和16.24%。方案2与方案3的负荷缺电率比方案1分别降低了74.32%和85.90%,可再生能源能源浪费率分别降低了70.27%和89.23%。相比较其他方案,方案3的含重力储能的混合储能系统优势明显,在保证可靠性的前提下提高了系统经济性和可再生能源的利用率。

表2 容量优化配置结果Table 2 Capacity optimization configuration results

表3 方案优化结果对比Table 3 Comparison of scheme optimization results

4.3 基于季节性因素的配置方案比较分析

由于风光资源的随机性和间歇性,风光出力具有季节特性,不同季节表现不同的风光出力特性。

西北地区主要因为大陆季风气候影响,风速普遍峰差大,夏季光照强度大,冬季光照强度较小。研究分析夏冬季节因素对容量配置的影响十分具有现实意义。将方案1设为夏季,方案2设为冬季。表4和表5分别为配置结果和优化目标及评价指标。

表4 容量优化配置方案Table 4 Capacity optimization configuration results

表5 方案优化结果对比Table 5 Comparison of scheme optimization results

分析方案1和方案2。结果表明容量配置受季节性出力差异影响较大,方案2的年综合成本比方案1上升18.61%;方案2的负荷缺电率比方案1下降16.41%;方案2的可再生能源浪费率比方案1上升3.22%;方案2比方案1可再生能源过装率上升了2.75%。方案1储能的容量配置小于方案2,主要是由于该地区夏季光照资源丰富,冬季光照资源相对贫乏,同时由于冬季风速全时段基本处于切入风速与满发风速之间,联合发电量不够稳定,经常会导致缺电或者弃电的情况发生,因此冬季通过增大储能的容量配置满足系统供电可靠性。