基于需量管理的工业园区混合储能配置及运行优化研究

方济城 杨俊杰 樊安洁 蒋 伟 邵凌峰

1(上海电力大学电子与信息工程学院 上海 200090) 2(国网江苏电力有限公司经济技术研究院 江苏 南京 210000)

0 引 言

为应对全球能源紧缺和环境恶化问题，各国都在大力发展可再生能源发电技术并出台太阳能等清洁能源的相关政策[1]。国家“十三五”规划明确规定将继续发展分布式光伏发电，鼓励大型公共建筑及公共设施、工业园区等建设屋顶分布式光伏发电[2]。然而新能源的大规模应用也进一步影响着园区系统的供电稳定，为进一步提高供电可靠性，国家大力推动储能的商业化应用[3]。

现普遍运用在用户侧的储能设备多为蓄电池，能量密度较高。通过引导单类型蓄电池储能(Single-type Battery Energy Storage,SBES)利用分时电价峰平谷的差异，“低储高发”实现峰谷套利，改善整体电力系统的收益[4]。文献[5]为工业用户侧储能电池的商业推广提供了初步的方案，评估用户加装储能的经济性并优化储能配置。但考虑到工业园区负荷存在高频功率波动的特点，电池受制于充放电周期、功率密度、成本等因素，并不能完全满足园区系统需求。而以超级电容器(Super Capacitor,SC)为代表的功率型储能可以弥补能量型储能功率密度低的缺陷。因此本文应用能量型储能锂电池(Lithium Battery,Li-B)结合功率型储能SC，形成HESS。HESS中的Li-B和SC可以形成能量响应幅度以及响应速率的互补，使得电力系统运行更加平稳，也减小了运行成本。

许多国内外学者围绕HESS的应用问题展开深入探讨。合理配置HESS需要对原始输入数据进行高低频功率分解，小波变换方法一直被广泛应用，文献[6-8]基于小波包分解技术，将风电功率分解为高频分量和低频分量，低频分量并入电网，高频分量由储能装置平抑。然而小波变换需要选择合适的母小波，并且需要设置可行的分解层数，增加了高低频的分解的不确定性。本文应用的经验模态分解技术以原始数据为基础的自适应分解，可以弥补小波变换的缺陷。HESS的应用多见于平抑新能源发电功率短时间尺度的波动，提高其电能质量。文献[9-11]将风电功率分解为高频分量、低频分量和并网分量，高频和低频分量分别由SC和蓄电池补偿，实现并网功率波动的平抑，并采用遗传算法优化混合储能系统容量配置。文献[12-13]基于超级电容器和蓄电池组成的混合储能系统，建立了短期动态控制模型，实现并网功率的平滑控制，并优化了储能系统容量配置。从上述文献可以看出，国内外研究HESS主要应用在风光发电侧，而在工业用户侧配置方面的研究较少，优化过程单一。另外，在需量管理[5]以及两部制电价计费模式的背景下，针对工业园区场景用户负荷存在尖峰多、峰谷差大的特点，需要对其进行精细的运行优化研究，以进一步提升运行的经济性。

基于目前研究的现状，本文提出一种计及工业用户用电需量的多时间尺度HESS容量配置和经济运行模型。通过优化受电侧混合储能配置运行方法来降低工业园区用户用电成本。以Li-B和超级电容器SC作为工业园区供电系统的HESS模块，建立以HESS额定功率容量、最大需量为变量，需量收益、HESS全寿命周期、系统波动性为目标的两阶段月度和日前优化模型。模型中确定工业用户上报的最大需量，引入峰谷差为评估约束，最大化用户收益。应用改进的CPSO进行两阶段优化求解，将混沌映射加入常规粒子群算法，在算法后期保持了粒子多样性。仿真结果表明，通过HESS替代SBES，能够更好地实现削峰效果、平滑波形，且能大幅减少工业园区的电度电费和需量电费的缴纳，进一步提升系统的经济运行。

1 工业园区供电系统模型

针对工业园区负荷存在瞬时功率高、峰谷落差大的特点，本文引入SC与Li-B组成HESS，使电网系统平稳运行，进一步减少用电成本。

所设计的工业园区供电系统如图1所示，该系统主要由新能源发电单元和混合储能系统单元组成的光储一体化系统以及工业用户综合负荷单元组成，通过能源管理中心对工业园区负荷进行控制调度。新能源发电单元包含就地安装的光伏电池板，通过变换器连接母线。HESS单元主要包含Li-B以及SC。能量型储能如Li-B用于平抑大幅值、小波动频率的低频分量；而功率型储能如SC用于平抑小幅值、大波动频率的高频分量。光储一体化结合工业用户负荷一并与大电网相连，在两部制电价机制下，HESS的充放电策略具体是：太阳能发电供给用户有余电且电价较便宜时，考虑效益最大化，对HESS进行充电操作。而在电价较高时，对HESS进行放电操作，将多余的电能卖给电网。这种策略满足了工业园区的负荷，又实现了清洁能源的高效利用。错峰用电方式也减轻了电网的能源调度压力，满足了系统可靠运行要求，实现主网侧与用电侧的双赢。

图1 工业园区供电系统结构

将光伏输出功率和用电负荷的等效值定义为净负荷[14]，净负荷PJ与负荷功率PL和光伏出力PPV的关系表示如下：

PJ=PL-PPV

(1)

对于多个随机变量的处理，可应用蒙特卡洛模拟产生随机值，将随机量按照时序叠加，得到时段t内的净负荷随机量：

PJ(t)=[PL(t)+δL(t)]-[PPV+δPV(t)]

(2)

式中：δL(t)与δPV(t)分别为负荷和光伏出力的波动功率。

2 基于经验模态分解(EMD)的混合储能功率分配

本文通过应用EMD技术分解净负荷功率信号来满足HESS中超级电容和锂电池不同平抑特性的要求，将多分量原始信号分解为固有模态函数(Intrinsic Mode Function,IMF)，不需要其他的先验信息，是一种自适应的信号处理方法[15-16]。将单月的大工业用户负荷与光伏模块发电数据合成出的等效净负荷曲线分解成一系列IMF分量。根据频率混叠情况确定分频频率k，如图2所示，可以在混叠区域最少的条件下分离高、低频波动分量。具体公式如下：

(3)

式中：PL_bat与PL_cap表示分别提供给Li-B和SC平抑的低高频波动分量；ci表示各阶IMF分量；r为余量。

图2 HESS系统平抑的高低频分量

HESS的设计特征在功率密度、能量密度、寿命和成本方面各不相同；本文设定的HESS系统主要由Li-B和SC组成，两者具有互补特性。高能量密度的Li-B能够存储大量电能，而SC具有高功率密度以便在充放电过程中提供快速响应。规划HESS的主要目的是及时平抑瞬时功率并且最大程度节约单位时间内的寿命周期成本。HESS可以解决两种储能单独使用时受能量密度和响应速度制约的问题，成为提高电网运行经济性和稳定性的有效措施。所以，HESS里的Li-B和SC应对不同的平抑目标。具体地，Li-B被安排当作经济调度的单元运行，而SC能够弥补瞬时功率的不平衡。

本文所采用的HESS设备参数详见表1，加装的锂电池相比于常规蓄电池拥有容量大、使用年限长、电能传输效率高、循环次数多等特点，未来将在储能电站的建设中广泛应用。但相比于超级电容器，锂电池还不能进行高频的充放电，且超级电容具有较高的可靠性，维护成本不高。如果单独利用锂电池对净负荷进行平抑，配置容量性价比方面不高。另一方面，当锂电池运行在较大放电倍率(C-rate)和放电深度(Depth of Discharge,DOD)等工况下，则一定程度上降低其寿命。因此，配置HESS可以形成资源互补，相比独立的锂电池配置能够降低工业用户的用电成本。

3 基于需量管理的混合储能两阶段调度规划模型

本文提出一种计及工业用户用电需量的多时间尺度HESS容量配置和经济运行两阶段模型。通过改进的CPSO优化受电侧混合储能配置运行方法来降低工业园区用户总用电成本。当前，工业园区普遍执行两部制电价计收，增强了模型的说服力。

3.1 两部制电价机制

当前，中国大多数地区受电变压器容量在315 kVA以上的工业用户执行两部制电价，容量在100～315 kVA的电力负荷可自行选择两部制或单一制。两部制电价计收方式分为电度电价和基本电价，电度电价根据“峰—平—谷”阶段分时电价计收，而基本电价则以月时间尺度根据受电变压器容量(kVA)或最大需量(kW)计收。最大需量是从月用户负荷曲线中提取出每个需量周期(本文取15 min)平均功率的最大值[17-18]。

需量管理是通过控制负荷需求，实现最大需求功率低于合同用电功率，并且通过管理降低合同用电功率，从而提高负荷利用率。本文通过优化需量系数降低用户的最大用电需量，这个过程进一步减少了用户基本电费的支出，在整体上提高用户的需量收益。

3.2 一阶段月度HESS容量优化配置优化模型

一阶段月度HESS容量优化配置模型以规划总成本F最小为优化目标，优化函数的变量包括锂电池的额定功率及容量、超级电容器的额定功率及容量和最大需量。总成本F包括：电度电费、按需量计费的基本电费、HESS全寿命周期成本，以及波动率折算成本。

目标函数表示为：

minF1=C1+C2+C3+C4

(4)

式中：F1为月时间尺度优化配置总成本；C1为月电度电费成本；C2为用户按月最大需量计费的基本电费成本；C3为折算到月周期的HESS全寿命周期成本；C4为波动率的折算成本。

月电度电费成本C1中功率测量的时间间隔为15 min，一天24 h共有96个功率点，具体公式为：

(5)

式中：T为每个月的天数，本文所设典型月为30天；m为分时电价；PL_bat(i,t)和PL_cap(i,t)为第i天t时刻锂电池与超级电容的输入功率；Pdis_bat(i,t)和Pdis_cap(i,t)为第i天t时刻锂电池与超级电容的放电功率；Pch_bat(i,t)和Pch_cap(i,t)为第i天t时刻锂电池与超级电容的充电功率；PL_HESS为输入混合储能系统总功率。

用户按月最大需量计费的基本电费成本C2如下：

(6)

式中：a为可选择基本电价；M表示最大需量；Ppeak表示实际需量值。

HESS全寿命周期成本C3考虑锂电池和超级电容的综合功率容量折算成本，具体公式如下：

(7)

式中：Spb、Seb、Spc和Sec分别代表锂电池的功率单价和容量单价以及超级电容的功率单价和容量单价；Pmbat、Embat、Pmcap和Emcap分别代表锂电池的额定功率和额定容量以及超级电容的额定功率和额定容量；Nbat、Ncap分别表示锂电池的使用年限寿命和超级电容的使用年限寿命。

等效净负荷波动性成本C4通过累加单位时刻间的净负荷差值，并通过折算得出，公式如下：

(8)

式中：λ为波动折算因子。

在优化配置HESS容量时，应充分考虑以下约束条件：

(1) 电网能量守恒约束。光伏模块出力、HESS功率与工业用户负荷之和应与并网功率一致，合理进行电价交易。

(2) 混合储能系统荷电状态(SOC)约束。锂电池和超级电容器的SOC都应当在合理的限定范围内，过充过放会降低储能的使用寿命；且不同种类储能的SOC变化范围也不同，应当根据所采用的储能介质具体分析[19-20]。

(3) 混合储能系统最大充放电功率约束。锂电池与超级电容器的充放电功率的限制分别是其各自的额定功率。

(4) 负荷功率峰值约束。平抑后的负荷功率需要低于设定的峰值上限约束。

(5) 负荷功率波动率约束。平抑后的负荷功率前后时刻的差值需要满足限值，满足系统的波动性要求。

结合上述的分析，约束条件整理如下：

(9)

式中：Pex为电网与用户交换功率；PPV、PHESS、PL分别表示光伏出力、混合储能输出功率、用户负荷；SOCbat和SOCcap分别为锂电池与超级电容的荷电状态；Pbat和Pcap分别为锂电池与超级电容的充放电功率；Ppeak_max为峰值约束的限值；Pflu_max为波动差额限值。

3.3 二阶段日前调度优化模型

二阶段日前调度模型以第一阶段优化配置的功率和容量结果作为约束，优化的最大需量值作为该模型已知量。以24 h为周期、15 min为时隙对用户的两部制电费和波动性进行优化，进一步提高用户的峰谷套利，具体表示为：

minF2=C1+C2+C4

(10)

式中：F2为日时间尺度优化运行调度成本。

该模型的约束条件与月度模型类似，满足电网能量守恒约束、混合储能系统荷电状态(SOC)约束、混合储能系统最大充放电功率约束、负荷功率峰值约束，以及负荷功率波动率约束。此外，模型将一阶段优化出的锂电池的额定功率和额定容量以及超级电容的额定功率和额定容量作为约束条件。公式如下：

(11)

式中：Pbat(t)和Pcap(t)分别为锂电池与超级电容t时刻的充放电功率；Δt表示单位时间序列。

3.4 算法求解

本文采用改进的混沌粒子群算法(CPSO)[21-22]对双阶段模型进行优化求解。在粒子群算法中增加混沌映射，有利于增加粒子群算法的全局搜索能力。如果每次迭代都对粒子进行混沌化，可能会破坏粒子向最优解进化的趋势。因此本文提出一种改进的CPSO，每次迭代时，根据粒子每维的值相对最优解此维度的值位置赋值为0、1、2、3，从而对每个粒子进行编码。对粒子Pi的编码规则如下：

(12)

式中：xmid1 j和xmid2 j为粒子上下限与xbest j之间的二分点，xmid1 j=(xbest j+xmin)/2，xmid2 j=(xbest j+xmax)/2；xij为粒子Pi第j维的数值；xbest j为当前迭代次数下的最优粒子第j维的数值，j=1,2,…,N。

可以得到每个粒子的编码矩阵Mbin：

(13)

算法后期，粒子群倾向于集中在某极值附近，部分粒子的二进制编码变得相同，为了防止陷入局部最优，可以通过设定编码矩阵Mbin的阈值来判断粒子的多样性，并求解编码矩阵Mbin的极大线性无关组，极大线性无关组对应的粒子具有多样性，继续回到PSO的迭代过程中，对剩余聚集度高的粒子混沌化，增强算法的全局搜索能力。

模型的上层容量配置层在月周期内以规划总成本为目标，计算粒子的适应度值，优化出锂电池与超级电容器的额定容量和额定功率四个变量以及最大需量M。确定HESS额定容量功率以及最大需量的基础上，下层日前优化调度层进一步降低工业用户的用电成本，以及减小对电网功率波动的影响。具体流程结构如图3所示。

图3 两阶段优化流程

4 算例分析

为了验证HESS容量和功率配置以及经济性的有效性，在MATLAB R2016a的开发环境下应用经验模态分解技术将净负荷功率分解成HESS平抑的高频、低频波动分量，并用改进的混沌粒子群算法对HESS模型与单储能(SBES)模型分别进行两阶段优化对比。本文以江苏某工业园区典型年负荷为仿真对象。工业净负荷与分时电价如图4所示。

图4 工业净负荷与分时电价曲线

4.1 EMD分解结果

本文将大工业用户负荷与光伏模块发电数据合成出的等效净负荷曲线分解成一系列IMF分量。如图5所示，其中：c0代表原始净负荷功率；c1-c5代表分解得到的各阶IMF分量；r代表分解得到的趋势性余项。可以看出:第1阶IMF分量具有最高瞬时频率成分，第5阶IMF分量具有最低瞬时频率成分，阶数越高则所含瞬时频率成分越低;第i阶IMF分量的瞬时频率几乎是第i+1阶IMF分量瞬时频率的两倍。根据频率混叠情况选择接近分频频率的c4选择0.000 5 Hz作为分频频率能在混叠最少的情况下区分高低频波动分量的k值。

图5 经验模态分解净负荷功率

4.2 优化参数设置与算法流程

本文以江苏地区某工业园区11月份负荷作为典型月，月中选择某日作为典型日研究，其合成净负荷峰值为4 033.73 kW，光伏出力峰值为1 257.8 kW。混合储能系统参数参照表1。所设电价参照江苏省工业分时电价，高峰1.069 7元/kW·h，平段0.641 8元/kW·h，低谷0.313 9元/kW·h。可选择基本电价，需量电价为40元/kW·mon，容量电价为30元/kVA·mon。

本文算法流程如图6所示。

图6 分频优化流程

原始净负荷曲线被EMD划分所产生的高频功率和低频功率，分别被超级电容和锂电池平抑。对HESS的容量进行优化配置，第一阶段采用改进的CPSO求解额定功率、额定容量、最大需求量。第二阶段建立日前调度模型，优化HESS最佳充放电功率，计算用户的综合成本。

4.3 储能配置成本分析

采用HESS替换SBES，通过减少储能配置成本来增加收益。利用改进的CPSO进行计算，所设最大迭代次数为200，迭代精度为10-3,与常规粒子群算法优化对比如图7所示，改进的CPSO收敛速度变缓，适应度值更低，说明该方法更易搜寻到全局最优解。

图7 适应度值对比

优化结果如表2所示，HESS虽然多出SC的额定容量成本，但同时降低了Li-B的额定容量。虽然SBES和HESS的额定容量参数有区别，但可以实现相同的功率平抑效果。对照月均最小成本，采用SBES的月均最小成本为151 566.7元，而HESS的年均最小成本仅为136 427.2元，降幅约为10%。

表2 储能优化配置结果对比

表3所示为无储能配置、SBES与HESS配置经济性对比，配置SBES相较于无储能配置，即便多出一部分储能成本，其总成本还是稍有下降。配置HESS的月均成本以及工业用户总成本好于SBES的削峰填谷，其改进的混沌粒子群优化适应度要好于传统粒子群优化结果；虽基本电费上升了8.34%，但电度电费、储能月均成本分别下降19.39%、6.04%，工业用户总成本少花费642 525元，下降17.8%。

表3 储能配置经济性

4.4 典型日优化运行分析

二阶段日前调度优化模型选用江苏某轻工业园区典型日负荷数据，HESS和SBES优化的充放电功率分别如图8-图9所示，可以明显看出，单储能的充放电功率跟随净负荷的波动规律，而混合储能工作时，可结合图2对比，其锂电池和超级电容器的充放电分别跟随净负荷低频分量以及高频分量的波动规律。

净负荷的优化结果对比如图10所示，HESS的削峰效果明显好于单储能平抑，其波动性也比单储能小。具体地，单储能的削峰率为34.78%，HESS的削峰率为43.92%。单储能平抑的峰谷差是原始净负荷曲线峰谷差的30.37%，HESS平抑的峰谷差是原始净负荷曲线峰谷差的15.10%。图11为HESS分频优化结果，可以看出净负荷高频分量的剧烈波动基本上被超级电容所平抑，因此HESS的优化的净负荷曲线比单储能更加平滑，体现了HESS在提升用户的用电质量、消除工业用户并网的不利影响上的优势。

图10 净负荷优化对比

图11 混合储能分频优化结果

5 结 语

本文采用EMD分解工业用户净负荷功率，由混合储能平抑，对电池和超级电容器的容量配置进行了具体量化。建立了不同时间尺度的两阶段优化模型，在月度优化中，以用户的总电费、HESS安装成本、负荷的波动性最小作为目标函数，确定上报的最大需量以及HESS的容量配置。在日前优化中，以工业用户收益最大和电能质量最优为目标函数，优化储能充放电功率，进一步提高用户的经济收益。实例分析结果表明：

(1) 通过不同时间尺度的两阶段优化，应用改进的CPSO增加了全局寻优能力，提高了储能系统的出力性能并降低储能容量配置成本，进而提高了工业用户储能安装收益。

(2) 相比单储能优化，配置HESS可以降低用户负荷的最大需量，相应地降低基本电费。同时，也减少了用户侧受电变压器的配置容量，大幅降低工业用户的用电成本，充分满足工业用户节约用电费用需求。

(3) 配置HESS有利于提升并网的工业用户负荷的平滑度，实现电网与用户的双赢，有利于HESS商业化推广。

本文后续的工作主要是针对HESS在工业用户中的长期运行情况进行研究，进一步提高用户收益，深入HESS在用户侧的应用研究。