风光储微电网储能系统容量优化配置

周成伟，李鹏，，俞斌，俞天杨，孟伟

（1.南京信息工程大学 自动化学院，南京 210044； 2.无锡学院，江苏 无锡 214105）

0 引言

在国家能源战略布局的影响下，风电、光伏等分布式电源高比例接入电网，一方面缓解了电力供需矛盾，另一方面积极响应了绿色发展的理念［1-2］。但太阳能和风能的波动性和随机性对电力系统的抗冲击能力、电能质量等提出了新挑战，电网调度也面临压力［3-5］，新能源消纳问题成了风电、光伏快速发展的瓶颈［6-7］。因此，为了减少新能源发电中的弃光弃风现象，利用储能容量优化配置技术促进可再生能源接入电网成为目前的研究热点［8-10］。

国内外学者对微电网储能容量配置问题已进行了一定研究，大致可分为3 类：（1）关注新能源发电功率与负荷功率的不确定性，如Hu 等［11］利用数学中概率统计方法对微电网中的输出特性进行分析，建立微电网各单元数学概率模型，求得容量配置结果和可靠性指标，但其随机性概率大，与实际数据有差异；（2）提出利用储能平抑出力波动性的方法，如周喜超等［12］对波动功率分频，低频信号波动平滑直接用来并网，次高频功率信号利用蓄电池进行吸收消纳，但没有考虑频繁充放电对蓄电池使用寿命的不利影响；（3）研究储能混合模型应用，如吴倩等［13］提出利用超级电容和蓄电池进行混合储能平抑功率波动的控制方法，平抑效果较好，减少了充放电循环次数，延长了蓄电池使用寿命，但其控制结构稍显复杂，投资过大。

以上研究多针对可再生能源的波动性，但对储能能量调度策略关注较少。本文针对以上问题，提出风光储并网微电网结构，以总投资成本、年负荷缺电率、弃风弃光率3个指标最小为优化目标，通过算法改进求解模型；采用能量调度配置策略，克服传统蓄电池储能系统成本高及寿命短的缺点；最后利用微电网实验室的实际数据，按照优化算法同比例进行储能容量配置，验证其新能源消纳效果和方案的正确性。

1 并网微电网系统拓扑结构

并网微电网系统拓扑结构主要由分布式能源发电系统、储能系统、用电负荷和控制中心组成［14-15］，如图1所示。

图1 并网微电网系统拓扑结构Fig.1 Topology of the grid-connected micro-grid system

2 微电网系统模型

2.1 光伏发电出力模型

光伏发电（Photovoltaic，PV）输出功率与光照强度和环境温度相关，其表达式［16-17］为

式中：PPV为光伏发电系统在工作点的输出功率，kW；NPV为光伏板数量；PSTC为光伏阵列标准条件下的额定输出功率，kW；Ec为工作点实际太阳辐照度，kW/m2；ESTC为标准条件下的太阳辐照度，kW/m2；μ为功率温度系数，取值为-0.004 3/℃；tc为工作点温度，℃；tSTC为标准条件下温度，℃。

2.2 风力发电出力模型

风力发电机组（Wind Turbine，WT）输出功率与风速之间的关系可用如下分段函数［18-19］表示

式中：PWT为风电机组输出功率，kW；v，vci，ve，vco分别为实际风速、切入风速、额定风速和切出风速，m/s；Pe为风电机组额定功率，kW。

2.3 储能系统模型

本文采用锂电池（Lithium Battery）中的能量型电池——磷酸铁锂电池作为储能电池，储能系统是整个风光储微电网系统的核心之一。

储能系统的能量是不断变化的，锂电池的荷电状态值（State of Charge，SOC）由其充放电功率决定，可表示为［20-21］

式中：SOC(t)为t时刻锂电池的SOC 值；PLB为锂电池充放电功率（充电时取正值，放电时取负值），kW；CLB为锂电池额定容量，kA·h；ULB为锂电池额定电压，V；η为充放电效率（充电时取0.65～0.85，放电时取1.00）；Δt为采样时间段。

3 储能容量优化配置模型

3.1 目标函数

规划设计微电网需要综合考虑系统经济性、供电可靠性和弃风弃光率等因素，本文以微电网总投资成本、年负荷缺电率、弃风弃光率最小为目标，建立多目标函数，表达式为

式中：CA为系统总成本；ηLPSP为负荷缺电率；ηEWR为弃风弃光率。

3.1.1 系统总投资成本

（1）固定成本。购买光伏板、风力发电机以及储能锂电池所支出的费用为固定成本，是投资费用最多的一部分，表达式为

式中：C0为系统固定成本，万元；pPV，pWT，pLB分别为光伏板、风电机组、锂电池的单价，万元；NWT，NLB分别为风电机组、锂电池的数量。

（2）运行维护成本。系统运行过程中需要定期对发电单元进行维护管理，以保证光伏板、风电机组及锂电池能够正常稳定运行，期间所支出的费用称为维护费用，表达式为

式中：Cm为系统年运行维护成本；CPVu，CWTu，CLBu分别为光伏板、风电机组、锂电池单位容量维护成本。

（3）主网购电成本。在用户侧电量需求增加、分布式能源和锂电池储能系统发出电能不足时，需要向主网购电，以保证整个系统稳定运行，购电产生的费用即主网购电成本

式中：Cnp为从主网购电费用，元；Ebuy(t)为t时段向主网的购电量，kW·h；pav为峰谷期平均购电价格，元/（kW·h）。

（4）售电收益。系统将分布式能源发出的多余电量供给负载所获得的收入为售电收益，其表达式为

式中：pin为售电价格，元/（kW·h）；PPV(t)，PWT(t)为光伏、风电机组t时刻供给负载的功率，kW。

因此，风光储微电网系统的总成本为

3.1.2 系统供电可靠性

为了保证用户负荷能够正常运行，以负荷缺电率ηLPSP表征系统供电可靠性，通常情况下，ηLPSP在一个系统允许范围即可，其表达式为

式 中：Pg(ti) 为 系 统 发 电 功 率；PPV(ti)，PWT(ti)，PLB(ti)，PUL(ti)分别为ti时刻光伏、风电、锂电池和用户负荷的功率，kW；N为计算时段内的采样点数；ηLPSP，max为负荷最大允许缺电率，ηLPSP越小，供电可靠性越高。

3.1.3 弃风弃光率

当风光资源较好时，发电量供大于求，用户侧和储能系统都无法全部消纳当天的发电量，呈现弃风弃光现象，则微电网系统在t时刻的弃风弃光率ηEWR为

若Pg(t) ＞PUL(t)，表明满足用户负荷正常运行后，能源发电量仍有盈余，产生浪费。若Pg(t) ≤PUL(t)，表明能源发电量和储能系统电量全部被用户负荷吸收，能源浪费率为0，但需要电网输出电能，保证充足的备用容量，维持整个系统正常运行。ηEWR越小，能量利用率越高。

3.2 约束条件

（1）功率平衡约束。微电网实际运行过程中，需要时刻保持功率平衡以满足电能质量要求，其表达式为

式中：Ploss(t)为微电网运行过程中损耗的功率。

（2）储能电池SOC。为了延长储能电池的寿命，防止过度充放电对电池造成伤害，锂电池SOC 应该设置上下限，其表达式为

式中：SOC，min和SOC，max分别为锂电池SOC 的上、下限，能量型电池SOC最大值为0.9，最小值为0.1。

（3）锂电池储能系统的容量、充放电功率、一天充放电次数约束，其表达式为

式中：SBESS，min和SBESS，max分别为锂电池储能系统最小、最大容量；PBESS为锂电池储能系统充放电功率；Pc，min，Pc，max，Pd，min，Pd，max分别为锂电池储能系统最小充电功率、最大充电功率、最小放电功率、最大放电功率；λmax为一天内最大允许充放电次数。

（4）风光能源的功率及安装数量约束。

式中：PPV，min，PPV，max分别为光伏发电输出功率的最小、最大值；PWT，min，PWT，max分别为风电机组输出功率的最小、最大值；NPV，min，NWT，min，NLB，min分别为光伏板、风电机组、锂电池的最小安装数量，一般设置为0；NPV，max，NWT，max，NLB，max分别为光伏板、风机组、锂电池根据实际场地确定的最大安装数量。

3.3 微网运行策略

为了维持微电网系统的稳定，需要进行能量管理来保证系统的可靠性。微电网全年（8 760 h）并网运行过程中，风光能源输出不可控，当风光能源功率输出大于用户负荷时，能量控制系统给储能锂电池下达充电命令，储能锂电池处于充电状态，吸收太阳能、风电等分布式能源发出的多余电能；反之，当光伏、风力发电不能满足用户负荷需求时，能量控制系统给储能锂电池下达放电命令，储能电池处于放电状态，通过变流器向电网或负载放电。

本文提出一种微电网能量调度策略，在满足微电网基本功率平衡的基础上，尽量减少对高成本储能系统的调度，以提高微电网经济性。系统能量调度策略流程如图2所示。

图2 能量调度策略流程Fig.2 Flow of energy scheduling strategy

4 模型求解方法

并网风光储微电网系统中，由于光伏、风力资源以及用户负荷具有很强的随机性，其容量优化配置是一个典型的非线性优化问题，很难通过传统方法进行求解。本文采用非支配排序遗传算法（NSGA）对模型进行求解，如图3 所示（图中：g为进化代数；X为非支配解集）。

图3 模型求解流程Fig.3 Algorithm flow

5 算例分析

本文以某并网运行的风光储微电网实验室为研究对象，实验室光伏装机容量为30 kW，风机装机容量为5 kW，储能容量为10 kW，实验室24 h 太阳能、风能、储能系统出力以及用户负荷如图4所示。

图4 实验室分布式能源出力及负荷Fig.4 Distributed energy output and load characteristics of the laboratory

以总投资成本、年负荷缺电率、弃风弃光率为目标函数，在Matlab 中采用NSGA 进行仿真，设定种群规模为100，最大迭代次数为150，以实验室微电网出力数据为基础，以1 h 为步长，模拟微电网不同的运行情况，获得系统不同的配置方案。3 个方案的容量优化配置结果见表1。

由表1 可知，方案1 没有配置储能系统，微电网实验室的投资成本为5.85 万元，接入的光伏板、风机数量分别为10 块、1 台，但仍需要花费1.50 万元向电网购电，而且负荷缺电率为10%，说明光伏、风机发电量消纳能力差，导致弃光弃风率高达30%。

表1 容量优化配置结果Table 1 Capacity optimal configuration schemes

方案2 保持峰谷负荷不变，接入少量储能系统并采用储能系统能量调度策略，其投资成本为5.63万元，接入光伏板、风机、储能电池的数量分别为10块、1 台、5 块，购电费用明显减少，相应的负荷缺电率和弃光弃风率有所下降，说明有部分光伏、风机多发的电量存储在储能系统中。

在储能能量调度策略和NSGA的支持下，方案3的投资成本为5.54 万元，基本无需购电，接入的光伏板、风机和储能电池数量分别为15 块、1 台、10块，系统负荷缺电率和弃风弃光率仅为5%和10%，说明储能系统不仅收集并储存了多余电量，还能在负荷高峰时放电，提升能源的综合利用率。

综合几种方案模拟结果，方案3 的容量配置结果最优。方案3的储能系统出力拟合曲线和储能系统SOC状态分别如图5、图6所示。

图5 储能系统出力拟合曲线Fig.5 Fitting curve of the energy storage system output

图6 方案3的储能系统SOCFig.6 SOC of the energy storage system taking scheme 3

由图5、图6 可知，储能系统对光伏和风机发出的多余电量进行管控，进行快速充放电，实现了大功率动态调节，减少了外部条件对新能源发电系统的影响，实现了新能源电力的可控，减少了对电网的冲击，大大提高了能源的利用率。

6 结论

本文提出了风光储微电网储能系统拓扑结构，搭建以微电网系统的总投资成本、负荷缺电率和弃风弃光率三者最小为目标的数学模型，并采用储能能量调度策略和NSAG 对所提模型进行求解，得到以下结论。

（1）系统的可靠性是经济成本最重要的影响因素。对于相同容量的储能系统，采用储能能量调度策略，缺电负荷率从10%降到8%，可有效降低系统总投资成本，提高微电网的经济性。

（2）以并网运行的风光储微电网实验室为硬件基础，加入NSGA 配合储能能量调度策略运行，储能系统出力在高峰时段下降5%，储能SOC 趋于平衡，避免了过充过放。

（3）弃风弃光率从30%降到10%，表明新能源消纳能力提高，改善了弃风弃光现象，大大提高了能源的利用率。