基于模型预测-动态规划的微网混合储能能量管理*

刘晓艳

(1.江苏电子信息职业学院智能制造学院,江苏 淮安 223003；2.江苏电子产品装备制造工程技术研究开发中心,江苏 淮安 223003)

集成光伏发电、风力发电、蓄电池-氢储能混合储能系统的交流微网既可以平抑新能源输出的功率波动,削减并网时对电网的冲击影响,还可以克服单一蓄电池储能功率受限的问题,提高能源利用率[1-3]。并网系统要求微网具有不间断运行的能力,如何平滑微网内各储能装置的出力,使得能量输出满足并网标准,同时降低系统能量损耗是混合储能系统的重要研究内容。

关于混合储能系统的研究较多,储能装置的形式和能量控制策略也不尽相同。文献[4]提出一种基于模型预测控制的离网系统能量调度策略,利用扩展的预测域和评估域对微网群的最优运行进行调度,发挥了MPC 在预测与滚动优化和反馈校正方面的优势。文献[5]提出基于滞环频率控制的混合储能控制方法,用于延长电池寿命,并根据统计分析和特定算法分配电池和超级电容器的容量。但该方法对蓄电池的剩余容量利用过于保守,没有考虑储能系统存在的爬坡功率限制,缺乏对系统功率的预测研究,且没有充分考虑对光伏和风电的消纳,存在弃风弃光的现象。文献[6]针对蓄电池和超级电容构成的混合储能系统,采用动态规划算法和遗传算法相组合的调度策略,实现了混合储能的稳定工作,提高储能装置的寿命,但没有考虑微网并网标准对储能出力的影响。

针对上述问题,本文以光/风/蓄电池-氢储能构成的交流微网为对象,提出一种基于模型预测-动态规划的能量调度策略,实现面向混合储能出力的有限时域优化控制。充分结合蓄电池和氢燃料电池的储能特性,设计满足并网标准、降低储能充放电成本和降低系统能量损失的三个目标函数,结合约束条件,采用动态规划算法构建最优控制方程得到混合储能系统能量调度方案,实现微网的稳定高效运行。

1 交流微网混合储能模型

交流微网混合储能系统包含光伏发电、风力发电以及蓄电池-氢混合储能系统,微网通过交流母线与大电网连接。氢储能装置由电解水、燃料电池、储氢装置三个部分组成,电解水装置消纳光伏和风电制氢,产生的氢气存储在储氢装置中作为燃料电池的反应物。蓄电池-氢储能混合储能系统具有调节速度快、稳定性好、无污染等优点。交流微网结构如图1 所示。

图1 交流微网结构

图中PPV为光伏出力,单位为kWh,PW为风电出力,单位为kW。PB为蓄电池功率,单位为kW。充电时,PB＜0,放电时PB＞0。PH为氢储能装置的充放电功率,单位为kW。燃料电池发出功率时,PH＞0,电解槽吸收功率时,PH＜0。PL为负载消耗功率,单位为kW。

(1)蓄电池模型

式中:EB(t)为蓄电池剩余电量,EBmax为蓄电池额定容量,ηB为光伏/风电能量经蓄电池存储及放电并网过程中的转换效率,ηBC为蓄电池充电效率,ηBD为蓄电池放电效率,SOC(State of Charge)为蓄电池荷电状态,Δt为采样时间。

(2)氢储能模型

式中:ηH为氢储能系统的充放电效率,ηHC为电解槽的电-氢转换效率,ηHD为燃料电池放电效率。

2 混合储能预测模型

模型预测是结合采样时刻测量值和前瞻预测值,将模型输出反馈作用于被控对象,对目标函数滚动优化,修正预测模型[7]。预测模型输出控制量施加于混合储能系统,根据混合储能系统中蓄电池和氢储能装置的剩余能量决定储能装置的出力,执行一个步长后,更新状态变量值和光伏/风电功率预测值,滚动优化直至调度周期结束。

2.1 预测模型

采用灰色模型GM(1,N)与BP 神经网络组合预测方法,得到前瞻预测周期内光伏和风电功率预测值[8]。预测周期TS内,预测模型接收光伏、风电功率预测值,预测周期内有N次滚动优化,t＋kΔt对应第k个采样点。

通过对混合储能出力控制,实现储能设备在最优状态下运行。在采样时刻k,取控制变量为:

状态空间模型为:

过程输出量为:

2.2 目标函数

对于混合储能的交流微网,既要考虑输出电能符合并网标准,还要考虑系统运行经济性成本,同时保障系统能量效率,减少损失。

(1)并网功率波动。为体现储能系统平抑波动的能力,以微网中光伏和风电的并网功率波动最小为控制目标[9]。并网波动越限幅值ΔPG、越限时间占比ΔPT表示为:

式中:PPVmax、PWmax分别为光伏发电和风力发电的日前预测最大值。Det为大电网允许功率波动下限。

(2)储能充放电成本。为合理利用储能系统,提高经济性,储能充放电成本最小为目标。燃料电池充放电成本很低,忽略不计,因此只计及蓄电池充放电成本[10]。

式中:γB为蓄电池充放电成本系数,PBC、PBD分别为充放电功率。

(3)系统能量损耗。微网系统能量损耗包括受并网功率影响导致的能量损失、蓄电池-氢混合储能系统在能量转换损耗。

微网系统能量转换损耗为:

式中:ΔEPW(t)为并网能量损耗,ΔEB(t)为蓄电池能量转换损耗,ΔEH(t)为氢储能系统能量转换损耗。

(4)惩罚函数

利用惩罚函数对以上三个评价目标转化为单一目标求解,在保证储能运行成本最小、降低系统能量损耗前提下,将并网功率波动约束在一定范围内,提高并网稳定性。构建惩罚函数如下:

式中:α,β为惩罚函数系数。

2.3 约束条件

目标函数中的变量需满足其对应的储能能装置的容量约束、并网功率约束和光伏/风电输出功率约束。

(1)容量约束

式中:EBmax、EBmin和EHmax、EHmin分别为蓄电池和储氢装置剩余电量的上下限,单位为kWh。

(2)功率约束

式中:PBmax、PBmin和PHmax、PHmin分别为蓄电池和氢储能装置充放电功率上下限,单位为kWh。

3 动态规划能量管理策略

对于多阶段函数控制模型,采用动态规划算法,将预测模型中多时间阶段多目标求解转化为多个单一时间阶段求解,实现不同时间段混合储能功率分配优化控制[11-13]。

与蓄电池相比,氢-电转换效率相对较低,氢储能仅作为储能的辅助手段,动态规划时不考虑氢储能变化。为保证蓄电池平缓出力,将不同阶段储能能量管理优化问题看作蓄电池SOC 的变化过程,采用动态规划算法优化多时间段蓄电池充放电过程的步骤:

步骤1 设定状态变量

以储能装置当前荷电状态S0为初始规划状态,相邻采样时刻间荷电状态值为ΔS。

步骤2 列些第k时刻的状态转移方程

式中:l为第k-1 时刻的状态值。

状态转移中需满足功率约束和混合储能的容量约束,每个采样周期获得目标函数最小的控制变量,继续下一次滚动优化,直至k＝TS时结束。

4 算例分析

4.1 研究对象与参数

以某地区微网系统为例,其中光伏装机容量为10 MW,风力机组容量为45 MW,配置4 MW 蓄电池和2 MW 氢储能的混合储能系统,负荷额定功率为30 MW。蓄电池荷电状态范围0.1～0.9,充放电效率85%,充放电时间2 h。氢储能装置中,4 台500 kW电解槽并联,燃料电池功率为2 MW。

并网功率波动Det取值2 MW,动态规划中蓄电池SOC 的初始值和最终值均设置为0.2,采样时间间隔15 min,预测周期2 h,惩罚系数均取值0.5,储能的充放电成本系数γB为0.002。

4.2 优化结果分析

采用蓄电池-氢混合储能系统平抑光伏/风电并网功率,平抑前后的并网功率曲线如图2 所示。

图2 平抑前后的并网功率曲线

从图中可以看出,未采用混合储能平抑时的原始功率曲线波动较大,并网功率值变化较大,采用混合储能平抑后的并网功率曲线更加平滑,并网功率值变化率相对较低,说明蓄电池-氢混合储能系统具有平抑光伏/风电并网功率的能力,降低了新能源发电间歇性对电网波动的影响。

为定量比较模型预测控制策略的性能,在某个典型日的波动越限幅值、越限时间占比、储能充放电成本和能量损耗和列表1。

表1 不同策略优化结果对比

从表中可以看出,原始微网中新能源出力波动较大,配置混合储能系统后,配置不同控制策略后调度效果存在差异,本文采用的模型预测-动态规划调度策略对应的波动越限幅值和越限时间均小于采用蓄电池的LPF 控制方法[14]、基于微网当前工况调度策略[15],具有更好的平波抑制效果。采用模型预测-动态规划方法时储能运行成本相对更低。在能耗指标方面,不带储能装置的原始损耗最大,采用模型预测-动态规划的能耗最低,以并网电价0.48 元/kWh,年有效时间360 天计算,年累计增加并网收益108.3 万元。

采用模型预测-动态规划策略下的净负荷和混合储能功率变化如图3 所示。从图中可以看出,当净负荷为正时,由于前期蓄电池和燃料电池储能充裕,通过蓄电池和燃料电池放电满足负荷需求；当功率过剩较小时,由于蓄电池充放电效率相对较高,优先给蓄电池充电后再给燃料电池充电。当功率过剩较多时,由于充电功率充足,会优先调用燃料电池进行充放电。

图3 净负荷与混合储能出力

5 结论

针对光伏/风电/蓄电池-氢混合储能微网系统调度运行问题,本文提出基于模型预测-动态规划的能量管理策略,该策略可以协调蓄电池和燃料电池的功率分配,具有并网平波抑制功能且具有良好的经济性。算例分析表明,本方法的控制效果与传统蓄电池控制方法以及基于当前工况调度策略相比,平波抑制效果更佳,经济性更优。