风光储微网与充电桩一体化系统管理与能量调度

赵文仓



风光储微网与充电桩一体化系统管理与能量调度

赵文仓

(浙江万马新能源有限公司，浙江 杭州 310012)

从平台的架构及控制策略方面阐述风光储能微电网与充电桩一体化设备之间的互联互通，对风能、太阳能发电微电网系统的预测、储能控制，结合微电网功率及风能、太阳能的出力情况，建立了基于PSO算法的能量调度模型，对充电桩充电需求的能量提前做出调度方案，满足电动汽车在公共电网供电不足或供电峰谷情况下的充电需求。

微电网；储能控制；能量预测；能量调度；光伏；风能

0 引言

近年来，电力系统呈现出用电负荷不断增加、输出电容量不断增大，但仍然不能满足工业和生活用电日益增长的需求。随着新型电力电子技术的不断成熟和完善，基于风能、太阳能等分布式发电技术的蓬勃发展，风光储能微电网已成为未来发展的趋势，对改变现有用电高峰引起的“电荒”和支持国家大力提倡的“减排节能”[1]起着重要的作用。浙江万马新能源的风光储能微电网与充电桩一体化系统管理与调度项目已取得了阶段性的成果，本文着重介绍其系统管理及能量调度功能的在线应用情况，以便更好地促进本项目的改进和完善。

1 微电网系统分析

1.1 硬件平台构成

本项目风光储能微电网系统由分布式发电(风能、光伏发电)负载、储能装置及控制装置等部分组成，作为整体部分通过公共接点充电器与公共电网相连[2]，它们基于以太网技术及软件平台(电动汽车充电桩云服务平台、设备调度及控制中心)遵守IEC61850规约，实现设备及设备之间、平台与设备之间的互联互通[3-5]，从风光储能微电网系统整体出发结合当地电网供电价格、供电平衡、电网的特殊要求、电能质量要求、天气环境等信息作整体决策，以决定风光储能微电网系统与公共电网的交换功率[6]，风光储能微电网电源输出分配及负载控制指令，从而实现控制策略上的设备管理与能量调度最佳匹配。图1为风光储能微电网硬件平台示意图。

1.2 软件平台构成

项目的实时监控调度控制平台及电动汽车充电桩云平台采用模块化设计,基于TCP/IP技术和根据需求开发通信接口[7-8]实现各个模块的独立性又相互相连的特点，使风光储能微电网设备管理及能量调度逻辑层方面的互通。图2为风光储能微电网软件平台示意图。

图1 风光储能微电网硬件平台示意图

图2 微电网软件平台示意图

2 微电网能量控制模式及需求

2.1 能量供给控制模式

本储能微电网系统的能量调度控制模式可分为并网运行状态和孤网运行状态[9]。并网运行是指公共电网与风光储能微电网系统同时储能，由公共电网为电动汽车充电的运行方式。孤网运行是公共电网发生故障或微电网系统能量富足或其他原因与公共电网断开，由风光储能微电网独立为电动汽车充电的方式运行。图3为风光储能微电网供电模式的相互转换。

图3 风光储能微电网供电模式的相互转换

2.2 项目能量需求

风光储能微电网建设要平均满10辆电动汽车每天4小时充电容量，根据这个需求储能电池对外总容量为300 kW，即50 Ah、3.2 V，0.16 kWh/只铁锂电池，1 875节。具体风能、光伏电站、公共电网需要按哪种方式配比能量分配，需要根据短期的能量预测情况及当时实时能量监控的合理安排，通过软件平台及设备之间的互通互联实现通能量调度。

3 风光储能微网能量调度控制

3.1 能量调度负荷预测

微电网能量调度负荷预测首要解决短期预测和超短期预测[10-12]，短期预测时间尺度为0~48小时，主要用于合理安排常规机组发电计划，解决公共电网调峰及能量调度匹配问题；超短期预测时间尺度为0~4小时，15 min滚动预测，主要用于实时调度，解决风能、光伏电站、公共电网配比问题，把功率波动控制在合理范围内，实现合理调度，同时也考虑能量调度的经济效益与对储能电池充电、放电的影响。

3.1.1光伏调度负荷预测

在光伏发电系统中，主要考虑太阳辐射强度、阵列的转换效率、大气压、阵列的安装角度、阵列温度及其他不可预估因素都会对电站出力产生不可预估的影响，其主要考虑的是天气类型、日最高温度。图4为光伏发电晴天、阴天出力情况。

在建立光伏电站出力的预测模型时[13-14]，天气类型变化对其出力影响成为首要解决的问题，中日类型指数指标，根据记录历史出力序列中出力大小与天气类型关系，对总装机容量为350 kW的实际光伏电站2017年中的小时出力序列和对应天气类型情况统计分析如下，晴天出力为135 kW，阴天为85 kW，雨天为72 kW，雪天为55 kW。设光伏电站晴天日类型指数为1，那么阴天、雨天、雪天的日类型指数分别为0.63、0.53、0.41。本项目采取小波神经网络法对建立的出力预测模型进行能量调度，软件平台规划未来48 h的能量调度安排，并要根据实现情况进行允许范围内的调整。

图4 光伏发电晴天、阴天出力情况图

3.1.2风能调度负荷预测

预测风塔风速数据与风机输出功率数据同步时,可得不同时间段的风速与风机功率之间的关系，从而找到风机在不同的气象条件下的功率曲线。通过气象部门未来的天气数据以天为单位基于小时的数据预测，根据风机功率输出特性，预测风电机组未来48 h的功率变化情况的短期预测，通过PSO[15]算法建立风能调度模型，在本模型范围内根据风电机组实时情况进行能量配比。图5为风速与风能电机功率曲线图。

本项目风光储能微电网的能量来源主要是风能充电、光伏充电。它们的电能具有波动性、间歇性和随机性，但却有互补的特性，在通过储能电池储能的同时要解决能量的波动对储能装置的影响。把波动对储能电池的影响控制在许可范围内[16]是本项目研究的重点。图6为风光储能出力配比波动。

图6 风光储能出力配比波动

3.1.3风光储能微电网的经济调度

风光储能微电网的经济调度预测是在微电网系统安全的前提下，通过合理配比光伏、风能、公共电网能量和储能电池的出力以最小成本满足负荷需求。其调度策略如下：

1) 优先使用风能、太阳能等无污染的清洁能源充电，因其出力无其他消耗费用，前期又大量投入，避免浪费。

2) 在没有电动汽车使用充电桩充电时，根据储能电池能量的富足程度及风光储能微电网电源的能量预测情况决定是否开启公共电网给储能电源充电，既要满足随时使用充电桩充电又要满足用电高峰时的经济调度。

3) 在有电动汽车使用充电桩充电时，根据储能电池能量是否能满足用电高峰时的经济调度，否则使用公共电网充电。

根据上述调度策略，基于风光储能微电网的经济解度考虑。图7为风光储能微电网预测的经济型调度模型。

图7 风光储能微电网预测的经济型调度模型

4 结论

本文阐述了从风光储能微电网硬件平台的组成到软件平台的系统集成的系统架构；又从影响太阳能、风能出力因素及经济角度建立的智能能量调度预测模型，结合风光储能微电网采集的能量数据及其他数据进行实时调度安排。为风光储能微电网及电动汽车充电桩一体化能量调度控制提供了可靠的改进方案。

[1] 陈良亮, 张浩, 倪峰, 等. 电动汽车能源供给设施建设现状与发展探讨[J]. 电力系统自动化, 2011, 35(14): 1-5.

CHEN Liangliang, ZHANG Hao, NI Feng, et al. Present situation and develop trend for construction of electric vehicle energy supply infrastructure[J]. Automation of Electric Power Systems, 2011, 35(14): 1-5.

[2] 杨忠亮, 左新宇. 光伏储能电动汽车充电桩站监控系统的设计[J]. 电器与能效管理术, 2012(16): 16-20.

YANG Zhongliang, ZUO Xinyu. Design of photovoltaic and storage electric vehicle charging station monitoring system[J]. Electrical & Energy Management Technology, 2012(16): 16-20.

[3] 邱智勇, 陈贺, 高胜国, 等. 一种电动汽车充电站有序用电智能配电系统[J]. 新能源汽车供电技术, 2018, 2(1): 8-12.

QIU Zhiyong, CHEN He, GAO Shengguo, et al. An intelligent power distribution system for EV charging station[J]. Energy Supply Techniques of New Energy Vehicles, 2018, 2(1): 8-12.

[4] 孟祥军, 梁涛, 王兴光, 等. 电动汽车智能充电桩的设计与实现[J]. 信息技术与信息化, 2011(6): 58-61.

MENG Xiangjun, LIANG Tao, WANG Xingguang, et al. Design and implementation of electric vehicle intelligent charging pile[J]. Information Technology & Informatization, 2011(6): 58-61.

[5] 杨茜, 邓建慎, 李洪峰, 等. 电动汽车公共服务与互动平台设计研究[J]. 电力系统保护与控制, 2016, 44(10): 137-144.

YANG Xi, DENG Jianshen, LI Hongfeng, et al. Design and research on public service and interactive platform in electric vehicle[J]. Power System Protection and Control, 2016, 44(10): 137-144.

[6] 沈浩东, 孙国城, 谢虎, 等. 一种微电网与电网交换功率的多时间尺度控制方法: 中国, H02J3/06, H02J3/ 46[P]. 2012-09-12.

SHEN Haodong, SUN Guocheng, XIE Hu, et al. A multi time scale control method for switching power between microgrid and distribution network: China, CN102684199A[P]. 2012-09-12.

[7] 赵波, 王林先, 孙兴伟. 电动汽车充电设施信息安全防护方案探讨[J]. 新能源汽车供电技术, 2018, 2(1): 18-22.

ZHAO Bo, WANG Linxian, SUN Xingwei. Discussion on information security protection scheme for electric vehicle charging facilities[J]. Energy Supply Techniques of New Energy Vehicles, 2018, 2(1): 18-22.

[8] 贾俊国, 倪峰. 电动汽车充电接口标准化探讨[J]. 电力系统自动化, 2012, 35(8): 76-80.

JIA Junguo, NI Feng. A discussion on standardization of electric vehicle’s charging coupler[J]. Automation of Electric Power Systems, 2012, 35(8): 76-80.

[9] 沈浩东, 孙国城, 谢虎, 等. 一种微电网由并网向孤网无缝切换的方法: 中国, CN102709946A[P]. 2012-10-30.

SHEN Haodong, SUN Guocheng, XIE Hu, et al. A seamless switching method for microgrid from grid to isolated network: China, CN102709946A[P]. 2012-10-30.

[10]丁明, 史盛亮, 刘新宇, 等. 交直流混合微网优化配制研究[J]. 电力系统保护与控制, 2018, 46(14): 17-25.

DING Ming, SHI Shengliang, LIU Xinyu, et al. Study of optimal configuration of a hybrid AC/DC microgrid[J]. Power System Protection and Control, 2018, 46(14): 17-25.

[11]方八零, 李龙, 赵家铸, 等. 动态相似与静态相似相结合的短期负荷预测方法[J]. 电力系统保护与控制, 2018, 46(15): 29-39.

FANG Baling, LI Long, ZHAO Jiazhu, et al. Short term load forecasting based on the combination of dynamic similarity and static similarity[J]. Power System Protection and Control, 2018, 46(15): 29-39.

[12]张维戈, 颉飞翔, 黄梅, 等. 快换式公交充电站短期负荷预测方法的研究[J]. 电力保护系统与控制, 2013, 41(4): 61-66.

ZHANG Weige, XIE Feixiang, HUANG Mei, et al. Research on short-term load forecasting methods of electric buses charging stations[J]. Power Protection System and Control, 2013, 41(4): 61-66.

[13] 丁明, 王胜伟, 王秀丽, 等. 大规模光伏发电对电力系统影响综述[J]. 中国电机工程学报, 2014, 34(1): 1-14.

DING Ming, WANG Shengwei, WANG Xiuli, et al. A review on the effect of large-scale PV generation on power systems[J]. Proceedings of the CSEE, 2014, 34(1): 1-14.

[14] 赵唯嘉, 张宁, 康重庆, 等. 光伏发电出力的条件预测误差概率分布估计方法[J]. 电力系统自动化, 2015, 39(16): 8-15.

ZHAO Weijia, ZHANG Ning, KANG Chongqing, et al. A method of probabilistic distribution estimation ofconditional forecast error for photovoltaic power generation[J]. Automation of Electric Power Systems, 2015, 39(16): 8-15.

[15] 苏鹏, 刘天琪, 赵国波, 等. 基于改进粒子群算法的节能调度下多目标负荷最优分配[J]. 电网技术, 2009, 33(5): 48-53.

SU Peng, LIU Tianqi, ZHAO Guobo, et al. An Improved Particle Swarm optimization based Multi-objective load dispatch under energy conservation dispatching[J]. Power System Technology, 2009, 33(5):48-53.

[16] 张竹耀, 郭晓丽, 张新松, 等. 储能电池平抑风功率波动策略[J]. 电力系统保护与控制, 2017, 45(3): 28-32.

ZHANG Zhuyao, GUO Xiaoli, ZHANG Xinsong, et al. Strategy of smoothing wind power fluctuation based on storage battery[J]. Power System Protection and Control, 2017, 45(3): 28-32.

Management and energy scheduling system based onwind-photovoltaic-storage microgrid and charging station for electric vehicles

ZHAO Wencang

(Zhejiang Wanma New Energy Co., Ltd, Hangzhou 310012, China)

This paper indicates the interconnection of integrated system for wind-photovoltaic--storage microgrid and charging station for electric vehicle in terms of platform architecture and control strategy, and establishes the economical model of energy scheduling based on PSO algorithm to predict the microgrid system for wind and solar power generation and control the energy storage system. Referring to the rate of microgrid wok, wind and solar power, it makes a schedule ahead to the energy needed by charging piles for electric vehicles in order to meet the charging demands for the electric vehicles when the public supply system suffers from a power shortage or is in electricity peak valley.

microgrid; energy storage control;energy forecast;energy-scheduling; photovoltaic; wind energy

2018-08-23；

2018-08-29

赵文仓(1982—)，男，通信作者，大专，工程师，研究方向为微电网与充电桩一体化能量管理与调度。E-mail: bolebdms@163.com