基于虚拟储能的微网风光储容量优化配置方法研究

程韧俐，梁 顺，傅 强，程维杰，何晓峰，李梦月

（1.深圳供电局有限公司，广东 深圳 518001；2.南瑞集团（国网电力科学研究院）有限公司，江苏 南京211106；3.国电南瑞科技股份有限公司，江苏 南京 211106；4.南京师范大学 电气与自动化工程学院，江苏南京 210042）

0 引言

大规模可再生能源并网将影响电力系统的稳定性[1]～[4]，利用风能与太阳能天然的互补性特征，可实现风光储发电系统整体发电量的平滑可控[5]。

风光储的容量优化配置以及虚拟储能在微网能量优化管理上已得到广泛关注。文献[6]提出了一种基于等可信容量的风光储容量优化配置方法，综合考虑了自然资源的随机波动和常规机组随机停运的影响，采用了使全生命周期总投资成本最优的风、光、储容量配置模型进行优化。文献[7]为了提高风光储发电单元并网运行的稳定性和经济性，借助遗传粒子群算法，提出了一种基于额定容量的发电单元容量优化配置方法。文献[8]提出了基于蓄电池和超级电容元件的混合储能系统，并阐述了基于改进布谷鸟算法的风光储联合供电系统储能容量优化配置方法，有效降低储能系统成本[8]。文献[9]以改进的粒子群算法与权重系数法为基础，以经济效益与能量缺失率为双目标函数，提出了一种独立风光储互补发电系统的多目标优化配置方法。文献[10]针对家庭场景下的风光储能源微电网，从微电网需求侧管理的角度出发，提出了一种基于柔性负荷控制和虚拟储能的能量优化管理策略[10]。现有的方法大多仅考虑集中式储能装置，对集中式储能与分布式储能的协同配合考虑较少。文献[11]提出了一种蓄电池与虚拟储能的协调控制策略，用于平抑微网联络线功率波动，通过虚拟储能和电池储能的优化协调，既可保证用户舒适度，又可有效减少电池储能的充放电频次，避免其过充过放的情况发生。文献[12]基于最优控制虚拟储能与电池储能的优化协调，提出了精确追踪设定目标参考值的最优储能响应额度分配方法，能够保证电池储能荷电状态在合理范围之内，保证空调负荷运行的舒适性，维持用户进一步参与需求响应的积极性。文献[13]以空调和电冰箱为对象建立了虚拟储能模型，证明了其对光伏电站功率波动的消纳作用，并详细分析了虚拟储能对于用户舒适度以及用户经济效益的影响。目前的虚拟储能控制方法多为对负载的0，1控制（即负载仅在正常使用和关断两种方式间来回切换），这种控制方式灵活性不强，负载功率不可连续调节。尽管部分温控类负荷（如变频空调）可解决这一问题，实现功率的连续平滑控制，但此类负荷占总负荷的比重有限。

针对上述问题，本文拟引入基于电力弹簧的分布式虚拟储能概念，考虑其与集中式储能装置的协同性，提出一种基于虚拟储能的微网风光储容量优化配置方法。该方法首先分别建立系统数学模型，然后研究分析基于电力弹簧的微网分布式虚拟储能。分别设计基于改进粒子群算法的风光储一次优化方法，以及基于改进粒子群算法的主配储能协同二次优化方法。最后，通过算例分析验证本文所述方法的有效性。

1 风力发电机、光伏电池与集中式储能数学模型

本文对微网风光储互补发电系统的容量优化配置方法进行研究，其原理如图1所示。

图1 微电网风光储互补发电系统的基本原理Fig.1 The basic principle of microgrid wind-solar hybrid power generation system

由图1可知，本文研究的微网风光储互补发电系统增加了分布式虚拟储能，其通过通信链路与微网风光储的能量交换系统相联，实现能量的等效发出或等效吸收，从而有效提升经济效益，促进储能资源的合理配置。本文分别对风力发电机、光伏电池、传统集中式储能的数学模型进行研究。

1.1 风力发电机数学模型

风力发电机的功率数学模型为

式中：PWT（i）为第i时段的风力发电机平均输出功率；PWTr为 风 力 发 电 机 的 额 定 输 出 功 率；V（i）为 第i时段的平均风速；Vin为风力发电机的切入风速；Vout为风力发电机的切出风速；Vr为风力发电机的额定风速。

本文以15 min为一个时段，24 h共分为96个时段，根据式（1），风力发电机的发电量为

式中：WWT（i）为第i时段的风力发电机累计输出电量；NWT为风力发电机的数量。

1.2 光伏电池数学模型

光伏电池的发电量为

式中：Q为月平均太阳能辐射量；η为光伏电池板的发电效率；ρ为能量转化系数，其值为3.6 MJ/kWh；Dr为当月的发电天数；S为光伏电池板面积；PPVr为光伏电池板额定输出功率。

基于式（3），光伏电池的发电量数学模型可表示为

式中：WPV（i）为第i时段的光伏电池组总发电量；NPV为所安装光伏电池板的数量。

1.3 集中式储能数学模型

本文基于虚拟储能对风光储互补发电系统的容量优化配置进行研究。其中，主配储能中的主网储能为以蓄电池为主的集中式储能。

当蓄电池组处于充电状态时，其电量数学模型为

式 中：E′bat（i）为 第i时 段 蓄 电 池 组 所 储 电 量 的 理论 累 加 值；Ebat（i），Ebat（i+1）分 别 为 第i、i+1时 段 初蓄电池组的实际的储存电量；QL（i）为第i时段的负荷用电量；γ为充电效率；Ebat_r为考虑放电深度后，蓄电池组的实际可用容量。

当蓄电池组放电时，其电量数学模型为

式中：ηout为放电效率。

2 分布式虚拟储能研究

为了充分发挥分布式电源（Distributed Generation，DG）接入微网后的积极作用，在DG规划模型中考虑主动管理措施，以优化每个时段下系统运行状态。本文所建DG规划模型包含两部分：DG容量优化、主动管理措施优化，因建立了两层规划模型。

图2 基于电力弹簧的虚拟储能基本结构Fig.2 The basic structure of virtual energy storage based on electric spring

本文将电力弹簧的虚拟储能引入至微网风光储互补发电系统，其结构如图2所示。其中，非关键负载为对电压质量要求较低的负载，其可承受一定程度的电压波动，包括照明设施、烤箱、洗碗机、烘干机等[15]；控制回路根据上级的调度需求，计算得到逆变器的调制信号VES-order；电压源型整流器负责将母线电压转换为稳定的直流电压；电压源型逆变器负责根据VES-order，将直流电压转换为电力弹簧输出电压VES；Cd为电力弹簧的直流侧电容；Lf与Cf分别为滤波电感与滤波电容；IES为电力弹簧输出电流；VNC为非关键负载电压。

基于PI控制器，所述虚拟储能的控制回路设计如图3所示。其中，PNC-N为非关键负载的额定有功功率；P为虚拟储能的等效充电/放电功率；k为PI控制器后置增益；abs为取绝对值函数；Vdc为电力弹簧直流侧电压大小；sign为符号函数；PLL为锁相环，其输出IES的实时相位值。

图3 基于电力弹簧的虚拟储能控制回路Fig.3 Virtual energy storage control loop based on electric spring

以非关键负载为阻性为例，所述虚拟储能等效放电状态时的相量图如图4所示。

图4 基于电力弹簧的虚拟储能工作相量图Fig.4 Virtual energy storage phase diagram based on electric spring

当V′NC不足以达到VS时，ES处于放电状态，使非关键负载与智能负载的电压和能达到要求。当V′NC已经超过VS时，ES处于充电状态，使非关键负载与智能负载的电压差能达到要求。其中虚线相量为虚拟储能控制回路不启动时的相量，实线相量为虚拟储能控制回路启动时的相量，VS为母线电压。

由图4可得电力弹簧的虚拟储能功率数学模型为

式中：P′为虚拟储能控制回路启动时虚拟储能单元消纳的功率；P为虚拟储能控制回路不启动时虚拟储能单元消纳的功率；φ为NCL的阻抗角；ΔP为有功输出模型，ΔP＞0表示虚拟储能充电，ΔP＜0表示虚拟储能放电；ZNC为非关键负载阻抗；VES为虚拟储能控制回路不启动时电力弹簧输出电压；VNC为关键负载的电压，其应等于母线电压VS。

3 基于虚拟储能的微网风光储容量优化配置方法

本文提出基于虚拟储能的主配储能协同的微网风光储容量优化配置方法，首先不考虑分布式虚拟储能，以全年负荷正常工作率（Normal Operation of Power Supply Probability，NOPSP）为 约束条件，以能量浪费率（Loss of Energy Probability，LEP）、综合成本C为目标函数，进行一次优化，求解微网风光储最优配置；然后引入分布式虚拟储能，以储能成本最优为目标，进行二次优化，将一次优化结果中的部分储能配置替换为分布式虚拟储能。

3.1 评价体系建立

（1）NOPSP

第i时段供电不平衡量E（i）为

式中：E（i）＞0则该时段电量有盈余，反之则说明该时段负荷缺电。

记MNOPSP（i）为该时段负荷工作状态标志，计算式为

（2）LEP

第I该时段盈余电量的计算式为

E1（i）=Ebat（i）+[WWT（i）+WPV（i）-QL（i）]γ （10）

若E1（i）＞Ebat_r，则 此 时 蓄 电 池 已 充 满，反 之则蓄电池未充满，仍可继续充电。

因此可得能量浪费率LEP为

式 中：MLEP（i）为 能 量 浪 费 标 志。

（3）综合成本C

本文采用综合成本函数对系统投资成本为

式 中：CWT，CPV，Cbat分 别 为 风 力 发 电 机、光 伏 电 池板、蓄 电 池 的 单 价，单 位 元；NWT，NPV，Nbat分 别 为 风力发电机、光伏电池板、蓄电池的使用数量，单位个。

3.2 一次优化

基于改进的粒子群算法，对微网风光储容量进行一次优化[16]。设定的目标函数为

式中：σ为针对NOPSP的罚函数，其表达式为

式中：Abig取1010，用于实现NOPSP满足大于0.9的约束条件，保证供电可靠性。

CB用于实现多目标优化，具体为

式中：ω1，ω2分别为综合成本C与能量浪费率LEP的权重系数，其表达式为

其 中，aij由 判 断 矩 阵A=（aij）2×2决 定[17]，表 明 综 合 成本C与能量浪费率LEP在目标衡量中所占的比重。

由于一次优化中须要求解的变量有NWT，NPV，Nbat，因此粒子群算法的搜索空间为三维空间，搜索空间中的任意一个位置可表示为

假设具有j个粒子的种群在三维搜索空间中进行搜索。粒子i在第t次迭代时的起始位置为

相应的速度为

设个体最优位置pi_best（t）为第t次迭代时，粒子i的历史轨迹中优化目标f最小的位置。全局最优位置pg_best（t）为第t次迭代时，种群中所有粒子的历史轨迹中优化目标f最小的位置。粒子i在第t+1次迭代时的速度更新公式为

式中：w为惯性权重；c1为跟踪自身最优位置的权重；c2为跟踪全局最优位置的权重；r1与r2为0～1区间内服从均匀分布的随机数。

粒子i在第t+1次迭代时的位置更新为

式中：r为位置更新的约束因子。

根据经验，传统的粒子群优化算法中，惯性权重w可取为1，位置更新约束因子r可取为1，自身认知c1与社会认知c2均可取为2，r1和r2取[0～1]的 随 机 数[18]。

然而，上述传统粒子群优化算法中的参数除r1和r2以外均是静态的，优化算法的全局搜索能力将受到一定的制约。为提高粒子群优化算法的全局搜索能力，本文对传统的粒子群优化算法进行改进，将惯性权重w、位置更新约束因子r、自身认知c1与社会认知c2进行动态设定[19]，设定公式分别为

使 用 式（22）～（24）所 示 的 动 态 参 数 后，与 使用静态参数的传统粒子群优化算法相比，优化算法的全局搜索能力将有效提高，更易求解出最优解。微网风光储互补发电系统容量一次优化的具体流程如图5所示。

图5 微网风光储互补发电系统容量一次优化的具体流程Fig.5 The specific process of optimizing the capacity of the microgrid wind and solar storage complementary power generation system

3.3基于虚拟储能的二次优化

引入基于电力弹簧的分布式虚拟储能至微网风光储互补发电系统，计及其与集中式主储能的协同，进行二次优化。微网储能成本最优目标函数为

式 中：N′bat为 蓄 电 池 个 数；N″bat为 虚 拟 储 能 等 效 于等容量蓄电池的个数；C′bat为虚拟储能配套设备的单价；pc为向参与虚拟储能调控的用户提供的补偿，其表达式为

式中：当参与虚拟储能调控的总负荷功率小于P1时，补偿价格为pc_1元/W；当期介于P1与P2之间时，补偿价格为pc_2元/W；当期介于P2与P3之间时，补偿价格为pc_3元/W；当其大于P3时，补偿价格为pc_4元/W。

假设一次优化后，储能的配置结果为Nb，则约束条件为

改进粒子群算法的计算过程与一次优化类似，仅在搜索空间维度上有所区别，一次优化的搜索空间维度为三维，二次优化的搜索空间维度为两维。

4 算例分析

本文提出一种基于虚拟储能的微网风光储容量优化配置方法，为了验证其有效性，须进行算例分析。算例的基本参数如表1所示，成本参数如表2所示。

表1 基本参数Table 1 The basic parameters

续表1

表2 成本参数Table2 The cost parameters

某地的一年天气情况如表3所示，该地的每月平均耗电量如表4所示。

表3 一年天气情况Table 3 Annual weather conditions

表4 每月平均耗电量Table 4 Average monthly power consumption

使用本文所述的方法，首先进行一次优化，优化结果如表5所示。

表5 一次优化结果Table 5 Primary optimization result

引入基于电力弹簧的分布式虚拟储能，进行基于虚拟储能的二次优化，优化结果如表6所示，目标函数f2的最优化过程如图6所示。

表6 二次优化结果Table 6 Secondary optimization result

图6 最优化过程Fig.6 Optimization process

以一次优化的结果为标幺值，将二次优化与一次优化的结果进行对比，对比结果如图7所示。

图7 一次优化与二次优化的结果对比Fig.7 The results of primary optimization and secondary optimization were compared

根据图7，使用本文所述的基于虚拟储能的微网风光储容量优化配置方法后，在保证NOPSP与LEP不变的基础上，本算例中的储能成本可降低约38.6万元，根据电力弹簧的工作原理，利用空调、照明等非关键负荷的虚拟储能来替代减少的储能单元，不仅不影响其正常工作，且降低了微网储能成本。微网风光储互补发电系统的经济性得到进一步提升，储能资源的合理配置得到了进一步优化。

本文以IEEE30节点微电网系统为算例，来验证提出的基于虚拟储能的风光储容量优化配置方法对微网电压偏移的改进作用。利用微电网实际的光照资源和风能资源情况，可得一天内（96个时段）分布情况，分别如图8所示。在IEEE30节点系统中，8节点分别设置新能源光伏和风机，并选用容量为20 MW的蓄电池，其最大放电量为75%，最高充电效率为85%，采用本文提出的算法进行一次和二次优化，两次优化电压波动率曲线如图9所示。

图8 光照资源和风资源24小时分布曲线（96个时段）Fig.8 24-hour distribution curve of light resources and wind resources（96 time periods）

图9 8节点电压偏移率Fig.9 Voltage offset rate of the 8 th node

由图9可以看出，IEEE30节点微网系统在基于虚拟储能的微网风光储容量优化配置方法后，相对于一次优化，二次优化后微网系统储能的经济性提高，电压的稳定性有了显著改善，进一步验证了算法的有效性。

5 结论

针对微网风光储容量优化配置仅考虑集中式储能的问题，本文首先对微网风光储数学模型进行了分析，然后对分布式虚拟储能技术进行研究，并提出了基于电力弹簧的虚拟储能概念，利用改进的粒子群算法，详细阐述了基于虚拟储能的主配储能协同的微网风光储容量优化配置方法。最后，通过IEEE30节点微网系统算例分析验证了所述方法的有效性。本文所提方法可实现功率的连续平滑控制，可促进微网储能资源的合理配置，在虚拟储能的优化下，电压偏移率下降。