基于混合储能动态调度的微网经济运行

吕海鹏，希望·阿不都瓦依提，蔺万科，王露露

(新疆大学电气学院，新疆 乌鲁木齐 830002)

1 引言

风电、光伏等可再生能源的间歇性、波动性给微网的瞬时功率平衡造成了很大的威胁，需要储能系统在短时间内消纳不平衡功率[1]。单一形式储能无法同时满足快速响应和大容量的要求，因此将不同种类储能按照性能互补进行组合的混合储能受到重视并成为研究热点[2，3]。

目前微网储能形式主要以单一的能量型储能为主[4，5]，国内外学者在以能量型储能为主要形式的微网经济运行[6，7]方面取得了卓越的成果。文献[8]在风光储微网的经济运行中考虑了储能装置充放电成本，根据一天的实时电价优化微网同主网之间的功率交换，从而使微网的收益最高；文献[9]从微网运行的环保性和经济性的角度入手，建立了微网经济运行的多目标优化模型，优化各分布式电源出力，最终使得微网的环境成本最低，同时使微网收益达到最高；文献[10]综合考虑了风光储微网的运行成本、环境成本以及储能装置的寿命损耗，以发电总成本最低为目标制定了能量优化管理策略，实现了微网系统的优化调度。

在含功率分配策略的微网混合储能经济调度方面以下文献做了相关研究。文献[11]考虑了混合储能系统的寿命折算成本，以微网的运行成本最小为优化目标，利用基本的低通滤波算法为锂电池和超级电容器分配功率指令。但其所用低通滤波算法的截止频率和滤波系数固定不变，对高低频成分分解的合理性缺乏理论依据；文献[12]引入了含电动汽车的混合储能系统，构建了微网收益最大化、环境成本最小化的多目标优化模型，应用非劣排序遗传算法优化调度策略，最终提高了蓄电池的使用寿命，减小了微网中负荷的峰谷差。但电动汽车作为能量型储能装置并不能吸收微网中的高频功率成分，因此不能在短时间内消纳风电、光伏等新能源带来的不平衡功率；文献[13]提出了混合储能实时调度策略，利用一阶低通滤波算法平滑等效负荷，得到比较平滑的等效负荷期望输出，滤波后的波动部分通过滑动平均滤波算法为蓄电池和超级电容器分配功率，平抑了微网系统的功率波动，提高了调度的精度，但对于等效负荷中的波动功率的界定缺乏可靠判据，需要进一步优化。

针对上述文献存在的不足之处，本文提出一种基于混合储能装置运行寿命量化的风光储微网经济运行优化模型。结合实时电价引导储能系统“低储高放”，实现微网的收益最大化。采用小波包分解算法提取混合储能装置总目标功率中的高、低频功率成分，通过穷举的方式对比发现小波包3层分解下高低频分界点为4时，可得到兼顾蓄电池使用寿命和微网总收益的最优分配结果，不仅可以延长蓄电池的使用寿命，还能达到微网经济运行的目的。

2 储能装置寿命量化模型和功率分配策略

2.1 储能装置寿命量化模型

本文涉及到的混合储能装置由蓄电池(storage battery，SB)和超级电容器(super capacitor，SC)组成，SB的平均使用寿命为8年(约6000次)，而SC的使用寿命可达50万～100万次[14]，远高于SB的寿命，因此在本文中将SC的循环寿命设为固定值20年。本文在假定其公条件相同的前提下，重点研究不同功率指令下放电次数与电池寿命的函数关系。面向事件的电池寿命量化模型[15]适用于本文中的电池寿命量化需要，为计算混合储能系统的年综合成本提供了理论依据。若SB每天的运行周期中包含n次放电事件，则SB实际使用寿命[16]为

(1)

式中，Tb——SB的使用年限，a；Er——额定放电深度下SB使用寿命内总放电电量；Eeff——每次放电事件折算为额定放电深度下的有效放电电量。

储能系统的年综合运行成本F由储能系统的投资成本等年值和年运行维护成本两部分组成

F=Fb+Fsc

(2)

(3)

(4)

式中，Fb、Fsc——分别表示SB和SC年综合运行成本；Fbt、Fsct、Fby、Fscy——分别表示SB和SC的投资等年值和年运行成本；Pb、Psc、Eb、Esc——分别表示SB和SC的额定功率和容量；kp、λp、ke、λe、kpy、λpy、key、λey——分别表示SB和SC的功率成本系数、容量成本系数、功率运行维护成本系数和容量运行维护成本系数；Tsc——SC的使用年限，a；r0——贴现率。

2.2 基于小波包算法的功率分配策略

与单一储能系统不同的是，混合储能系统存在功率分配问题，需要根据能量型和功率型储能装置的性能差异进行功率、能量分配[17]。本文使用小波包算法将功率分解为低频信号和高频信号。由于低频部分能量大、波动较平缓，而高频部分能量小、波动速度快，因此将低频信号作为SB的目标功率，将高频信号作为SC的目标功率[18]。以3层小波包算法进行分析说明，其分解树如图1。

图1 小波包分解树

由图1可以看出，原始信号S被分解成高频部分S1，0和低频部分S1，1。每加深一层分解，原来的低频部分和高频部分各自对应的高低频成分再次被提取，则第n层分解所得到的信号个数为2n个。小波包分解和重构信号的算法如式(5)和式(6)所示

(5)

(6)

本文按照以上的分解方法对图2所示风光储微网系统的混合储能功率信号PS进行小波包分解，其中PS由2n个功率分量构成，如式(7)所示。目标功率信号的分解层数n和高低频信号分界点m的确定是一个求最优解问题，下文将详细介绍其求解过程。当n和m确定后，由式(8)和(9)得出SB和SC的目标功率。

PS=Pn，0+Pn，1+…+Pn，m-1+Pn，m+…+Pn，2n-1

(7)

Pb=Pn，0+Pn，1+…+Pn，m-1

(8)

Psc=Pn，m+Pn，m+1…+Pn，2n-1

(9)

式中，PS——微网中储能装置吸收或者发出的总功率(PS>0表示放电，PS<0表示充电)；Pb——表示SB的目标功率，Psc——表示SC的目标功率；Pn，m——表示n层分解下的第m+1种功率成分。

3 基于优化储能的微网经济运行模型

3.1 风光储微网结构

风光储微网系统的结构如图2所示，主要由风电机组、光伏阵列、混合储能系统以及负荷组成。为了满足快速响应和大容量的需求，利用SB和SC组建能量型和功率型性能互补的混合储能系统。风力发电系统的额定功率为100 kW，光伏阵列的总输出功率为20 kW，混合储能系统的总容量为170 kWh，微网系统总的负荷峰值为110 kW，交流母线额定电压为400 V，通过400 V/10 kV的变压器接入10 kV的大电网，微网同主网的传输线最大交换功率为50 kW。

图2 风光储微网结构

3.2 目标函数

构建并网模式下风光储微网系统的经济运行目标函数需要考虑：①分时电价制度下储能装置充放电策略的合理安排；②储能装置的投资成本等年值和年运行维护成本；③微网同主网交换功率所产生的费用和收益。在满足每个调度周期内微网内部瞬时功率平衡的前提下，根据一天内各个时段电价差异对微网同主网交换的功率和储能装置的目标功率进行优化，同时对混合储能装置的内部功率分配进行二次优化，从而使得SB和SC的寿命最长、综合运行费用最低，从而使一天内微网的总收益最高。

目标函数由两部分构成：①一天内微网同主网交换功率所产生的收益Cg，由式(10)确定；②混合储能装置的综合运行成本折算到每一天的费用Cp，如式(11)所示。两者作差C就是微网一天的总收益，即目标函数如式(12)所示：

(10)

(11)

maxC=Cg-Cp

(12)

式中，x(t)——一天内t时段微网同主网交易的实时电价；Pgrid(t)——t时段内微网同主网交换的功率，正值表示微网从主网吸收功率，负值表示微网向电网输送功率。

3.3 约束条件

以微网综合收益最高为目标需要考虑的约束条件有瞬时功率平衡约束、传输线最大功率约束、储能装置荷电状态(state of charge，SOC)约束和最大功率约束等，具体包括：

1) 瞬时功率平衡约束条件

(13)

式中，PLi——微网中负荷i的有功功率；n——微网中的总负荷数；PGj——微网中的第j台分布式电源，本文中特指风机和光伏；k——为微网内分布式电源的总数量。

2) 传输线最大功率约束条件

-Pl，max≤Pgrid≤Pl，max

(14)

式中，Pl，max——传输线最大传输功率。

3) 蓄电池荷电状态约束条件

(15)

4) 超级电容荷电状态约束条件

(16)

5) 蓄电池输出功率约束条件

Pb，min≤Pb≤Pb，max

(17)

式中，Pb，max——SB的最大输出功率。

6) 超级电容输出功率约束条件

Psc，min≤Psc≤Psc，max

(18)

式中，Psc，max——SC的最大输出功率。

3.4 模型求解方法

上述混合储能系统经济运行的优化模型是一个多变量、非线性优化问题，本文采用自适应粒子群算法对其进行求解，该算法具有实现容易、精度高、收敛快等优点。自适应粒子群算法[19]根据粒子位置的不同动态改变惯性权重ω，当粒子目标值分散时，减小惯性权重；粒子目标值一致时，增加惯性权重，惯性权重系数如(19)式所示

(19)

式中，f——粒子实时的适应度值，favg、fmin——分别表示当前所有粒子的平均值和最小适应度值。

本文中模型的求解思路是：首先利用自适应粒子群算法寻找微网同主网交换功率的最优值及混合储能装置总目标功率的最优值；然后利用小波包分解算法得到不同高低频分界点下SB和SC的目标功率，比较不同分界点下SB实际使用寿命Tb(上文中已将SC的寿命设为固定值，此处只考虑对SB寿命的影响)，最终确定最优功率分配方案。模型求解流程图如图3所示。

图3 模型求解流程图

4 算例

为了验证优化模型的合理性和有效性，本文以图2所示的某实际风光储微网系统为例，基于图4中未来24 h内各时段的光伏、风机出力、负荷需求和实时电价的预测数据，对微网同主网的交换功率和混合储能系统的总目标功率进行优化，利用Matlab进行仿真分析。混合储能系统的相关参数参考了有关文献后设置如表1所示。

图4 微网24h预测数据

表1 储能系统相关参数

4.1 小波包最优层数和分界点的确定

本文采用db6小母波对储能功率信号进行分解，随着分解层数n的加深，最优解所对应的高低频成分分界点就越容易被找到。如表2所示，逐渐加深分解层数n，最高收益值也会跟着提高，但随着n越来越大，最高收益变化幅度变缓。与此同时，每加深一层分解，寻优时间和计算量就会成倍增加。综上分析，在3层分解下找到的最优解既能保证寻优时间较短、运算量较小，也能保证较高的收益。

表2 不同分解层数下的收益比较

在分解层数n=3的前提下，当高低频分界点m取值偏小时，SB的功率指令过于平滑，SC会承担过高的功率指令，其容量将不能满足目标功率的需求；相反，当m取值偏大时，SB将承担过多的功率分量，容易造成过充过放的情况，SB的目标功率中将含有较多的高频成分，会导致其频繁的充放电，缩短使用寿命。最终优化后取m=4，这样既可以使SB和SC的荷电状态维持在约束的范围之内，同时使微网的综合收益最高。

4.2 微网经济运行优化模型仿真验证

利用自适应粒子群算法对文中的优化模型进行求解，得到购售电计划和混合储能系统的充放电计划如图5。

图5 购售电计划和混合储能优化目标功率

结合图4图5分析可知：

1)t1时段：电价相对较低，风光出力满足负荷需求后协同主网对储能装置充电；

2)t2时段：风光出力略小于负荷需求，微网从主网购电来满足负荷缺额并向储能装置充电；

3)t3时段：电价相对较高，充分利用储能装置放电，微网以最大功率向主网售电；

4)t4时段：负荷达到了一天的高峰期，风光出力不足以满足负荷需求，需要由储能装置放电且微网从主网购电才能达到功率平衡。

在对混合储能目标功率的3层小波包分解下，其包含的8种功率成分如图6(a)、(b)所示。图中A～H依次表示重构后频率由低到高的分量。

高低频分界点m=4时，将图6中波动频率相对较小且幅值较高的分量A～D合成后作为SB的目标功率，将波动频率相对较大且幅值较低的分量E～H合成后作为SC的目标功率。在图7(a)中，黑色曲线表示SB的目标功率，其变化缓慢。在充放电的过程中，容易看出SB的实际充放电功率曲线和目标功率曲线基本重合，最大波动量为2 kW。在图7(b)中，黑色曲线表示SC的目标功率，其变化频繁，在充放电的过程中，可以看出SC的实际充放电功率曲线和目标功率曲线完全重合，最大波动量为0.5 kW。显然，SC的响应速度要高于SB，通过在储能系统中引入SC，减小了SB的功率波动量，提高了储能系统的快速性和准确性。通过上文所述方法确定的SB和SC的充放电功率，符合SB能量密度高、功率密度低、循环寿命短和SC功率密度高、能量密度低、循环寿命长的特性[20]。

图7 SB和SC的目标功率及实际功率

图8是单一储能和混合储能的SOC对比结果。由图可知单一储能时SB存在过充过放的情况，在储能总容量不变的前提下，配置混合储能装置后SB和SC的荷电状态始终保持在0.2～0.8之间，从而保证SB和SC一直处于良好的充放电状态，延长了其使用寿命。

图8 单一储能和混合储能SOC对比

尽管引入SC后导致储能装置的一次投入成本变高，但在后续的运行中通过两种储能装置的合理配合，实现了技术优势的互补，不但提高了系统的响应速度，而且提高了系统运行的经济性。微网运行费用的组成及蓄电池寿命如表3所示。虽然混合储能的综合运行成本折算到每一天后略高于单一储能，但其在微网同主网交换功率的收益上要高于单一储能，因此混合储能最终的日运行总收益更高。

表3 单一储能与混合储能运行费用及SB寿命对比

(运行费用收入为正，支出为负)

5 结论

本文针对风电、光伏等新能源接入微网所造成的瞬时功率不平衡问题，提出一种混合储能装置运行寿命量化的风光储微网经济运行优化模型，采用自适应粒子群算法寻找风光储微网优化模型的最优解。通过对本文所提出问题的建模和仿真验证，可得出以下结论：

1)通过上述方法能够让混合储能装置实现“低储高放”，并且起到“削峰填谷”的作用，在短时间内消纳了微网的不平衡功率。

2)由于SC吸收高频功率成分，减少了SB的充放电次数，使混合储能中SB的使用寿命较单一储能形式的10年延长到了12年。

3)虽然混合储能的综合运行成本略高于单一电池储能，但混合储能通过合理的充放电策略让微网的总收益提升了14.7%，说明本文提出的优化模型能够有效提高微网运行的经济性。

本文在混合储能容量配置上还有待优化，需要在后续的工作中作进一步的研究。