含虚拟储能的配网源荷协同区域稳定控制研究

李梦月，张健，吴珏炜，王加澍，马刚

(南京师范大学 电气与自动化工程学院，江苏 南京 210046)

0 引 言

新能源发电的间歇性使储能系统成为主动配电网(active distribution network，ADN)中维持源侧和荷侧之间功率平衡必不可少的组件，在系统发生线路故障时可有效缓解系统故障恢复压力[1]。由于传统储能成本较高，对储能系统进行严格的有功功率调节以使其保持在安全的荷电状态(state of charge，SOC)，增加了ADN系统安全运行成本。

虚拟储能技术在国内外已有一定研究，多以需求侧负荷控制为基础[2]。文献[3]提出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。文献[4]以空调和电冰箱为对象建立虚拟储能模型，详细分析虚拟储能对于用户舒适度以及用户经济效益的影响。文献[5]提出一种针对并网型微网的空调负荷和储能电池的超前控制策略，用于平抑微网联络线功率波动。上述文献采用的虚拟储能控制技术中，负载功率无法实现连续、平滑地自适应控制，灵活性不强。而基于电力弹簧(electric spring，ES)的虚拟储能技术已经相对成熟，可有效提高供电可靠性，改善电能质量，考虑虚拟储能与传统储能相结合，为ADN系统源荷协同控制研究提供一种全新的思路[6-7]。

为解决上述问题，本文提出了一种双层源荷协同控制策略，协同考虑ADN系统多个参数的状态，包括储能系统的荷电状态，光伏和风机的出力，虚拟储能单元，以及关键负荷需求等。上层控制采用分布式发电与储能系统协调，在蓄电池荷电状态达到安全下限之前投入分布式电源参与调节；下层控制基于蓄电池和虚拟储能的动态特性进行协同控制。

1 储能系统数学模型

1.1 蓄电池数学模型

源荷协同控制要求储能系统进行严格的有功功率调节，使其保持在安全的SOC限制内。

充电过程荷电状态方程式如下：

SOC(t)=(1-δ)SOC(t-1)+PcΔtηc/Ebat

(1)

式中：δ为蓄电池自放电率；Pc为充电功率；ηc为充电效率;Ebat为储能总量。

放电过程荷电状态方程式如下：

SOC(t)=(1-δ)SOC(t-1)-PdΔt/(Ebatηd)

(2)

式中：Pd为放电功率；ηd为充电效率。

1.2 虚拟储能模型

虚拟储能技术是指通过需求侧负荷控制的方法控制非关键负载的功率值，实现与普通储能相同的效果[8]。与传统蓄电池储能相比，虚拟储能具有成本低、容量大等特点[9]，故本文选用虚拟储能参与ADN源荷协同区域稳定控制。针对现有虚拟储能技术控制不灵活的缺点，本文引入一种基于电力弹簧的虚拟储能控制方法，其结构如图1所示。

图1 基于ES的虚拟储能结构示意图

对电能质量要求较低、可承受一定电压波动的负载为非关键负载(non-critical load，NCL)，对电能质量要求较高的负载为关键负载(critical load，CL)。电压源型整流器将母线电压进行整流处理，得到稳定的直流电压。控制回路根据上层调度需求，可得逆变器的控制信号VES-order。根据控制信号将直流电压转换为ES输出电压VES。Cd为ES的直流侧电容，Lf、Cf为滤波电感和电容。

以非关键负载为阻性为例，虚拟储能等效放电、充电状态时各参数的相量关系如图2所示。为方便分析各参数的向量关系，增加实部和虚部作为参考轴，具体数值大小根据具体情况确定。

图2 基于ES的虚拟储能工作相量图

由图2可知，虚拟储能控制回路启动和不启动时，虚拟储能单元消纳的功率分别为：

(3)

P=PNC=|VNC|×|IES|×cosφ

(4)

因此，基于ES的虚拟储能功率为：

(5)

式中：ΔP为虚拟储能功率, ΔP>0表示虚拟储能单元处于充电状态，反之则处于放电状态；ZNC为NCL阻抗；VS为母线电压。

2 优化控制模型

2.1 目标函数

综合考虑DG投资商和ADN运营商利益，定义最优协同调度方案年运行收益的目标函数为：

maxC=λ1(CSell-CDG)+λ2(CLoss+CEnv-CG-CES)

(6)

式中：C为DG投资商和AND运营商的年综合收益；λ1、λ2分别为DG与ADN经济性指标系数；CSell为DG运营商售电收益；CDG为DG运营商投资及运行维护成本；CLoss为ADN降损收益；CEnv为ADN环保性收益；CG为ADN运营商向主网购电成本；CES为虚拟储能单元的补偿成本。

2.2 负荷缺电率

负荷缺电率与系统综合成本成反比，是衡量ADN系统可靠性的重要指标，与系统的经济性密切相关。为更好地衡量系统的供电效果，引入负荷缺电率作为评价参数，表达式为：

(7)

LPSP≤LPSPmax

(8)

式中：LPSP为负荷缺电率；LPS(t)为t时刻的功率差值；E(t)为t时刻的负荷需求；LPSPmax为负荷缺电率上限。

3 源荷协同优化调度

3.1 双层优化调度策略

为保持ADN系统有功功率平衡和安全稳定运行，本文采用双层协调控制策略。

上层控制由分布式发电与储能系统共同参与实现，若蓄电池长期反复深度放电，容易受损导致循环寿命减少。在蓄电池储能降低到容量的40%时便启动DG调整方案，通过控制间歇性DG的切除量和可控DG的出力大小，有效缓解系统调控压力，避免蓄电池发生深度放电，从而有效延长其循环寿命。

下层控制基于蓄电池和虚拟储能的动态特性进行协同优化控制，蓄电池比能量高，便于长期存储电能，分布式虚拟储能单元“充放电”速度快、成本低和容量大，二者协同控制实现ADN源荷分布式协调优化运行。

3.2 改进粒子群算法

粒子群优化算法(particle swarm optimization，PSO)具有很强的全局搜索能力，其概念源于对鸟群觅食行为模式的研究。

每次迭代粒子速度与位置的表达式分别为：

(9)

(10)

为获得较优的局部寻优和全局寻优能力，对传统PSO算法进行改进，将惯性权重、个体极值和全局最优位置的权重设定为动态参数：

ω=1+rand(-0.5,0.5)

(11)

c1=2+rand(-1,1)

(12)

c2=2+rand(-1,1)

(13)

利用改进PSO算法对模型进行求解，与传统采用静态参数的算法相比性能更优。算法流程如图3所示。图3中，T为最大迭代次数。

图3 优化控制算法流程图

4 算例分析

本文提出一种含虚拟储能的配网源荷协同区域稳定控制策略，利用双端供电22节点配网系统进行算例分析，其拓扑如图4所示。

图4 ADN系统拓扑示意图

基本参数如表1所示。

表1 仿真参数

节点8设置新能源发电光伏440 kW、风电450 kW，并选用560 kWh的蓄电池储能系统，其最大充电效率和放电效率分别为95%和85%，为避免过充和过放对电池造成损坏，设置SOC限制范围为0.4～0.8，仿真时长为24 h，采样周期为1 min。风机出力曲线、光伏出力曲线和日负荷曲线如图5所示。

图5 风机、光伏及负荷时序特性曲线

根据本文所提源荷协同优化策略，利用PSO算法对目标函数进行求解，设定最大迭代次数为100次，优化结果如表2所示。

由表2可知，计及虚拟储能的配网系统在保证负荷缺电率指标的前提下，储能成本可节约38.6万元左右。利用本文所提源荷储能协同控制双层优化策略进行调控，经两层优化后节点8电压波动率曲线如图6所示。

表2 仿真参数

图6 节点8电压偏移率曲线

由图6可知，8∶00—18∶00配网系统出力和负荷需求矛盾突出，节点8电压偏移率有明显上升趋势。经过分布式发电与储能系统的上层协调优化控制，电压偏移率最高控制在4%左右，但仍有明显波动；经过下层虚拟储能参与协调控制后，配网系统节点电压稳定性有显著改善，基本稳定在3.87%左右，进一步验证了算法的有效性。

5 结束语

本文提出一种含虚拟储能的配网源荷协同优化调度策略。首先，对ADN传统储能与虚拟储能技术进行研究，引入基于ES的虚拟储能单元；然后，综合考虑DG运营商和ADN运营商成本，建立优化模型目标函数，在保证负荷缺电率前提下利用改进PSO算法进行求解；最后通过仿真结果表明，引入虚拟储能的ADN系统储能成本降低，综合利润更高，节点电压偏移率相对较小。