基于共享储能的微网园区系统能量协同优化

2021-09-28 05:36:48周步祥邹家惠董申廖敏芳张致强

电气传动 2021年18期

周步祥，邹家惠，董申，廖敏芳，张致强

（1.四川大学电气工程学院，四川成都 610065；2.四川省电力公司建设工程咨询分公司，四川成都 610011；3.中国核动力研究设计院核反应堆系统设计技术国家重点实验室，四川成都 610011）

目前对于能源互联网（energy internet，EI）的研究，有些国家已经不仅限于理论的研究，开始步入实践阶段。一种未来可再生电力能源传输和管理（future renewable electrical energy delivery&management，FREEDM）系统，由美国北卡罗莱纳州立大学提出，目前已经成为初步具备能源互联网特征的能量管理系统[1]。德国技术创新计划E-energy从自动在线测试仪（in circuit tester，ICT）技术与现有整个电力系统融合的角度，提出了能源互联网的概念，并在实现系统运行双侧协调方面取得了较为显著的应用效果[2]。日本建立的数字电网使电能自身携带的信息进行电力的调度和优化，从而提升了能源互联网的信息交互技术，引领其步入到一个新的层次。我国对于能源互联网的研究工作已经进入到白热化阶段，尤其是今年国家电网的会议上提出的“泛在电力物联网”的概念，将该技术的研究推进高潮。

“源-网-荷-储”是实现能源互联网的重要途径，共享储能是其中关键技术。文献[3]的研究对象为居民社区，为解决社区综合能源系统多能需求，如冷、热、电，提出了利用混合整数线性规划超结构模型进行问题的解决。为保障园区合理的投资回报，文献[4]从“源-网-荷-储”微平衡市场、网对网辅助服务、优化控制运行、新型备用容量机制、内外两级购售电等方面，提出微网运营主体一体化以及投资主体多元化的模型，对该园区建立一体化运营模式，提出微网经济性分析方法。文献[5]对分布式能源随机建模，采用场景分析法分析，并建立了冷热电联产（combined cooling heating and power，CCHP）系统、新能源以及储能的区域综合能源系统联合调度模型。上述研究都是对于社区以及园区的区域调度模型的分析，对于园区的能量协调优化研究不够深入。

本文研究在能源互联网的环境下，以电力为主要能源，构建园区微网与共享储能结合的优化调度模型。根据微网能量约束条件以及负荷的预测数据，调整分布式能源出力，进而根据成本建立的目标函数进行计算，调整各微源包括共储能的实际出力。采用模糊遗传算法计算得到最优协调出力结果。

1 “源-网-荷-储”协调优化运营模式及模型构建

1.1 协调优化运营模式

“源-网-荷-储”传统的运营模式是一个包括“电源”、“电网”、“负荷”、“储能”的统一整体解决方案的运营模式，该模式主要为“源-源”互补、“源-网”协调、“网-荷-储”互动。基于能源互联网的“源-网-荷-储”模式，则可应用于整个广泛的能源行业，且信息交互更为多元，主要体现在以下2个方面：

1）多种能源互补。基于能源互联网的“源”包括多种能源，不仅仅指电力，石油、天然气等能源也包括在内，能源之间互不协调，强调各能源之间可相互替代，用户可任意选择能源的不同种取用方式。

2）“源-网-荷-储”协调。协调内容主要包括能源的开发利用、能量传输网络之间以及资源运输网络之间的协调，还包括能源领域的用能综合管理。其架构如图1所示。

图1 微网园区“源-网-荷-储”示意图Fig.1 Schematic diagram of“generation-grid-load-storage”in the micro-grid park

微电网是一个具备自我控制和自我能量管理的自治系统，既可以与外部电网并网运行，也可以孤立运行[6]。微电网包括可调度单元、能源存储系统和需求侧管理系统[7]。保障微网内能源供需平衡，减少弃风、弃光率，以达到促进节能、降低园区微网运行成本的目的，使经济、技术、环境等综合效益最大化。

1.2 园区微网模型构建

文章以分布式电源（distributed generation，DG）为主构建园区微网模型。微网社区能源系统结构模型如图2所示。图2中，由用户、电动汽车、蓄电池等具有的储能装置共同组成一个共享储能系统，与分布式能源一起参与该园区系统的电能调度。社区运营商配有风电、光伏和共享储能，用户安装有小型光伏电源。

图2 社区能源系统结构模型图Fig.2 The diagram of community energy system structure model

为了满足用户自身用电需求以及能源合理利用，在用电高峰期，自产电能无法供给大量用电负荷时，需从社区运营商购电，而用户在用电低谷期，则将多余电能输送至运营商。运营商负责调配电能的输送，园区电能之间可以相互利用，当园区电能不够，则从大电网购电以满足用户用电需求。用户需要向运营商支付一定数额租赁费，运营商需为园区提供合理电能调度优化安排，以及协调与大电网之间的电能交易。图3为用户电量交易模型图。

图3 用户电量交易模型Fig.3 User power transaction model

1.2.1 共享储能模型

假设充电、放电效率分别为ηin，ηout，计及储能在能量转换中的损失，且0≤ηin≤1，0≤ηout≤1，则电能充放电模型为[8]

式中：SOC(t)为 t时刻电能的荷电；pinESS,n,t，poutESS,n,t分别为用户n在t时段内的充、放电功率。

共享储能运营商的调配作用，致使整个园区微源与微源、储能之间相互配合，用电低谷时期，DG出力部分作用于负荷，剩下的供给储能，以保证用电高峰时期、DG无法满足用电需求时，储能发电，以减少从大电网的购电成本，亦可用在户之间的电力调配。

1.2.2 用户电负荷模型

用户电负荷模型，包括用户家用电以及电动汽车等，运用检查技术预测出用户负荷需求为[9]

式中：le,n,t为用户n在t时段内的电负荷需求；T为一整天的所有时间段。

2 园区微网目标函数及约束条件

2.1 目标函数

文章以园区成本最小为目标函数，主要包含设备的折旧成本和购售电成本。

目标函数如下：

式中：CIN（t）为折旧成本函数；CG（t）为购售电成本；CES（t）为储能设备运维成本；CM(t)为分布式电源运维成本。

1）折旧成本。折旧成本属于微电网发电成本的固定成本，其中风机、光伏板、储能系统的折旧成本都包括在内。在t时间段，微网的折旧成本为[10]

其中

式中：n为微源数量；Pi（t）为微源在t时刻的输出功率；ni为第i种微源的投资偿还期，通常为平均设备寿命；ri为第 i种微源的固定年利率；Cin，i为单位容量建设成本；ki为年利用系数。

2）购售电成本[11]：

其中

式中：IPgrid（t），ISgrid（t）分别为购电和售电状态常数，根据购售电不同情况取值；CP（t）为t时段购电价，CS（t）为t时段售电价，售电和购电价格各分为峰、谷、平3个时段；PPgrid为t时段购电功率；PSgrid为t时段售电功率。

3）储能设备运维成本：

式中：ces为储能设备的运行维护成本系数；PESS，n为储能在t时段的充放电功率，其正负号的选取与储能设备的充电、放电状态相关。

4）分布式电源运维成本：

式中：cm,i为第i种微源单位出力运维成本系数。

2.2 约束条件

微电网能量管理优化的约束条件分以下几方面，包括等式约束和不等式约束。

2.2.1 有功平衡约束

动机作为由特定目标激发、引导和维持的内在心理过程，只是人们行为的基础，实际行为的产生还需具备相应的客观环境。腐败也如此，只有在同时具备了相应的客观环境后，腐败者才会在腐败动机的作用下采取实际的腐败行动。尽管催生腐败的客观环境涉及众多复杂要素，但梳理上述169个女性腐败案例，并参照学界已有研究成果，笔者认为，在导致女贪官腐败的客观环境因素中，下述几方面最为重要。

有功平衡约束方程如下：

式中：NDG为DG的数量；PGi（t）为第i台微源在t时刻的出力；P1（t）为t时段的系统负荷需求功率。

2.2.2 联络线功率约束

购售电情况约束主要为：购电和售电只能有一种情况的存在，或者不购电也不售电，购售电约束如下：

购电和售电的功率上下限约束如下：

2.2.3 储能系统（ESS）运行约束

为了防止过度充放电对储能系统造成损害，储能系统荷电状态（state of charge，SOC）值需在最大、最小的荷电量之间：

式中：SOC（t）为 t时刻蓄电池的荷电量；SOCmax，SOCmin分别为蓄电池荷电量的最大、最小值。

t时刻系统中蓄电池剩余储能容量EB（t）需满足不超过其限值，即

式中：PESS.e为蓄电池充放电功率额定值；ηdd为双向DC-DC变换器效率；Pdde为双向DC-DC变换器额定功率。

2.2.4 潮流约束

辐射性微电网以DistFlow等式表示潮流约束：

式中：Qn+1为DG第n+1次迭代的无功功率；an和bn为第n次迭代电压Un的实部和虚部；I为恒定的电流向量幅值；P为恒定的有功功率的值。

3 能量优化策略

为了充分利用新能源，除成本优化以外，还应对终端进行优化，即调整微源出力，提高DG利用率。

3.1 能量优化

DG开发成本较高，传统的经济优化策略虽然能降低成本，但DG达不到优先调度权，不能充分利用。因此文章提出DG出力优化与成本优化的结合[12]。该部分在成本优化之前计算。

为让DG利用率达到最大，构建的数学模型如下所示：

式中：PL，1（t）为一级优化后t时刻的等效负荷；PGv（t）为t时刻的光伏出力；PGw（t）为t时刻的风机出力。

优化需要依据电网层所提供的用户侧负荷需求预测数据、DG出力的预测数据、DG的实际出力以及储能系统实时储能情况进行调整，提高DG利用率。

得到用户侧需求和DG预测出力数据后，首先通过约束条件确定的范围，对该数据进行合理取值。其次则实现DG出力最大，结合式（16）计算光伏、风机出力与负荷需求差的最小值，得到结果后继续判定，直到DG出力最大。

3.2 优化算法

由于遗传算法遗传操作及相关参数（例如交叉率）的选择不合理或不随进化过程自适应地改变会导致收敛速度低、过早收敛等一系列的问题，因此文章采用模糊遗传算法（fuzzy genetic algorithm，FGA）对微电网各微源进行分析计算。模糊遗传算法意思是将模糊逻辑的理论用于遗传算法，例如当部分信息模糊、不明确的时候，就可以用模糊理论来处理这些信息。

模糊遗传算法的大致流程如图4所示。