基于粒子群算法的“多站融合”背景下储能站运行策略研究

田 野, 涂轶昀

(上海电力大学 电气工程学院, 上海 200090)

随着人工智能及大数据技术的发展,社会对电力系统快速响应和高效力的需求不断提升。但随着电力系统规模、复杂性和耦合性的增加,传统电力系统架构不能满足这些要求[1]。“多站融合”旨在通过基于云计算、大数据和人工智能等新技术,实现多站之间的协同决策,并利用物联网等技术提高设备之间的黏合度和整合度,从而提升电力系统的响应速度和鲁棒性,降低系统成本和运行风险,满足电力系统运行要求[2]。

国内外学者对“多站融合”做了大量研究。文献[3]分析各站点在“多站融合”中的定位,探索了“多站融合”的一体化运营模式。文献[4]对“多站融合”背景下的储能站进行建模和研究,得到较为高效的运行策略。文献[5]采用YALMIP/CPLEX对“多站融合”中所建立的优化模型进行求解,并通过典型算例验证了配置方法和协调控制策略的有效性。文献[6]以全局碳排放比率最低为目标,充分考虑经济约束、运行特性约束和安全约束,定义“多站融合”场景下的综合能源系统全局低碳运营模式,构建基于鲁棒模型的低碳策略模型,并采用粒子群算法对模型进行求解,通过实例验证了模型的可行性。文献[7]研究了“多站融合”模型中储能站的优化配置方法,旨在降低总成本、增加收益,通过实例验证了模型的有效性,并使用MATLAB工具箱YALMIP/CPLEX求解器进行储能站规划。文献[8]通过构建电动汽车充电站负荷模型和储能系统模型,以充电站年综合总成本为目标函数,建立了“多站融合”背景下的充电站优化运营策略。文献[9]通过分析储能站本地化管理和数据采集标准不一致的问题,探索出一种高效、准确的数据采集和精益管理模式。

但是,电力系统的“多站融合”也存在一些问题,其中与储能站相关的有以下几点:一是储能站缺乏智能化控制和管理;二是储能设备差异性问题;三是工程建设周期长、成本高。

针对上述问题,本文提出了一种基于粒子群算法的储能站运行策略,在多终端融合环境下优化储能站能量功率,最小化其能量成本和服务成本。建立两阶段优化机制,在保证数据真实有效的前提下以投资回报率为目标函数,提升了储能站的经济效益。

1 “多站融合”中各站点数学模型的建立

1.1 “多站融合”结构

储能站是“多站融合”的核心[7]。储能站在电网中主要发挥调峰调频、支持电网运行和可再生能源消纳的功能。储能技术在电动汽车充电站的应用主要是移峰填谷,利用峰谷电价差降低电费成本,通过减少配电容量以达到提高设备利用率的目的[8-9]。“多站融合”结构如图1所示。

图1 “多站融合”结构

1.2 数据中心模型

在“多站融合”中,数据中心具有数据储存、计算、传输服务的功能。现阶段数据中心建设的资源需求主要是建设场地和变配电资源。数据中心的能耗主要分为CPU能耗和制冷系统能耗两部分[10]。

数据中心CPU能耗的计算公式为

PCPU(t)=Pbase+ACPU·f·l(t)·u2

(1)

式中:Pbase——CPU空闲时基本能耗;

ACPU——CPU固有系数;

f——CPU工作频率;

l(t)——CPU在t时的利用率,上限为90%;

u——CPU工作电压。

l(t)的计算公式为

(2)

式中:fa——CPU计算负荷a时所需工作频率;

fCPU——该服务器CPU频率;

Ia,CPU(t)——计算工作负荷a在t时段下CPU执行状态的二进制指示变量。

CPU工作频率与电压为线性关系,CPU能耗PCPU的计算公式为

PCPU(t)=Pbase+ACPU·f3·l(t)

(3)

数据中心制冷系统能耗的计算公式为

(4)

式中:PC,base——制冷系统基础能耗;

CI(t)——服务器运作过程中散热所需的实时冷量;

KCOP——空调运行的能效指标(Coefficient Of Performance,COP),是空调制冷量与耗电量之比,比值越大,能效越高。

1.3 电动汽车充电站模型

“多站融合”中储能站与电动汽车充电站的结合可以提高充电设备的利用率。本文基于电动汽车整体荷电状态(Collect of State of Charge,CSOC)的概念[11],通过分析车辆在每个路网节点的CSOC,来确定车辆单次出行起始的荷电状态(Stato Of Charge,SOC)概率密度函数,并在此基础上搭建电动汽车充电负荷的概率密度模型[12]。

CSOC概率模型分为两部分:一是路网节点的车辆集N-CSOC概率密度函数,用来确定车辆行程起始时的SOC;二是车辆的起止点OD组合的OD-CSOC概率密度函数,用来确定行程结束时的SOC,并更新N-CSOC。

CSOC概率密度函数的计算公式为

(5)

式中:j——路网节点编号;

OD-CSOC概率密度函数的计算公式为

(6)

式中:SOC,t——充电模式中SOC的阈值;

SOC,max——电池SOC上限;

SOC,1——积分变量。

式(6)中的变量满足SOC,t≤SOC≤SOC,max。

电动汽车充电时长tc与车辆充电开始时的SOC,s的计算公式为

(7)

式中:Bc——车辆的电池容量;

Pc——充电功率。

通过式(6)和式(7),可以得到OD组合的充电时长概率密度函数为

(8)

由此可以得到电动汽车在t时刻的充电功率的计算公式为

POD(t)=fC(t)δc

(9)

式中:当t=tc时,δc=1;否则δc=0。

1.4 储能站模型

储能站在“多站融合”中具有重要地位,储能站中电池荷电状态的估计方法有很多种,论文选用安时计量法[13]。SOC值反映了电池的剩余容量,计算公式为

(10)

式中:η——系数,η≈1[14-15];

i(t)——电池电流,放电为正,充电为负;

SAh——安培容量,Ah。

由此可以推导出锂离子电池的SOC与负荷功率Pess之间的关系为

(11)

1.5 5G基站模型

储能站在“多站融合”中能为5G基站提供不间断电源(Uninter ruptible Power Supply,UPS)服务,降低基站电费成本。5G基站主设备的能耗分为基础能耗和动态能耗两部分[16]。其中:基础能耗与5G接入用户数量无关,是5G基站维持正常运行时的能耗;动态能耗是根据5G基站通信数据量变化,与通信数据量成正比。5G基站主设备的能耗表达式[17]为

P5G(t)=Pbase(t)+αPD(t)

(12)

式中:P5G——5G基站能耗;

Pbase——5G基站基础能耗;

α——能耗效率系数;

PD——5G基站动态能耗。

由于设备硬件的限制,PD取值为

PD(t)=μPD,max

(13)

式中:μ——通信数据量系数,0≤μ≤1;

PD,max——5G基站最大动态能耗。

2 “多站融合”背景下储能站运行策略研究

2.1 第1阶段优化

开路状态下电压的稳定值UOC是电池静态特性中的一个重要参数。一般情况下电池实际的电动势较难测量,又因为电池迟滞效应,UOC与电动势不完全相等,但是电池的UOC与SOC之间存在函数关系。在研究过程中可采用电池UOC表示某一时刻电池SOC值的电动势。因此,可以使用电池的UOC表述电池状态和校准SOC,从而提升数据的准确性,使结果更具有说服力。

电池模型可以大致分为电化学模型、数学模型和等效电路模型。本文选用锂离子电池Thevenin等效模型[18],具体如图2所示。

图2 锂离子电池Thevenin等效模型

图2中,理想电压源E表示开路电压,在回路中串联一阶RC阻容表述电池的极化效应,Ro表示电池欧姆电阻,RP、CP表示超电势。通过该模型可以获取电池的电流及充放电数值,从而更好地展现电池的动静态特性。

Thevenin等效模型的电路原理为

(14)

式中:U——端电压;

E——电动势;

UP——极化电压;

I——电流,放电为正。

UOC和SOC是非线性关系[19],可以通过脉冲充放电实验获得。本文将脉冲结束时的端电压作为开路电压UOC,当SOC每间隔0.1时测量其对应的UOC值,运用最小二乘拟合关系函数。

运用MATLAB软件中的lsqcurvefit曲线拟合得到的电池UOC-SOC对应关系的函数为

UOC(SOC)=-2.864 2SOC4+6.985 8SOC3-

5.196 2SOC2+1.911 3SOC+3.331 0

(15)

得到电池UOC与SOC的近似函数关系曲线如图3所示。

图3 UOC与SOC的近似函数关系曲线

由图3可以看出,在充电过程中,电池开路电压UOC总体呈上升趋势,当SOC在 20%～60%时,UOC变化较小,工作特性相对稳定,电池也主要在该阶段工作。

2.2 第2阶段优化

2.2.1 第2阶段优化目标

第2阶段以投资回报率(Return On Investment,ROI)为优化目标,并对储能站在“多站融合”的运行策略进行评估。ROI为年均收益与投资成本的比值[20]。其计算公式为

(16)

式中:NPV——储能站净收益值;

g——期望收益率;

n——储能站使用寿命;

B1——储能站投资成本,与储能站规模相关。

考虑储能站中电池使用寿命和收益等情况,建立的“多站融合”净收益模型为

(17)

式中:Am(x)——第x年“多站融合”第m项收益,包含储能站延缓扩容收益、充放电运行收益和碳排放减少所获收益;

Bk(x)——第x年“多站融合”第k项成本,包含储能站原始投资成本、运营维护成本以及电池更换成本。

由于市场价格及相关激励机制,储能站可以通过降低线路容量和配电网设备需求达到经济运行的目的。设储能站削峰率为θ,负荷增长率为γ,则储能站延缓扩容年限的计算公式为

(18)

储能站延缓扩容收益的计算公式为

(19)

式中:Cdg——扩容投资成本;

ΔPload——储能站减少的峰值负荷需求。

储能站可以根据负荷需求与峰谷分时电价,在不同时段对相关站点的功率进行调节。储能站电费成本效益的计算公式为

(20)

式中:ρt——t时刻峰谷分时电价;

Pload(t)——负荷功率需求。

碳排放减少所获收益的计算公式为

A3=365QCρC

(21)

式中:QC——储能站日碳减排量;

ρC——碳交易价格。

为保证储能站正常运行,需对储能站进行日常维护,储能站运营维护成本的计算公式为

B1=BmeQbess

(22)

式中:Bme——单位发电电量储能装置运维成本;

Qbess——储能装置年发电量。

由于储能站不同电池单体在运营过程中会存在愈加严重的离散性问题,因此当电池差异较明显时,需更换离散性较大的单体。储能电池更换成本的计算公式为

B2=εCEEbess

(23)

式中:ε——电池替换率;

CE——单位容量储能电池组成本;

Ebess——储能装置额定容量。

2.2.2 约束条件

储能站在“多站融合”中的基本功能是满足相关站点的负荷功率需求,约束条件为

PCPU(t)+POD(t)+Pess(t)+

P5G(t)=Pload(t)

(24)

储能站的充放电功率Pess(t)不超过其本身的功率限值Pbess,为

-Pbess≤Pess(t)≤Pbess

(25)

为提升储能站设备的正常使用年限,储能站电池充放电深度应处于适宜的运行范围。储能站荷电状态的约束条件为

SOC,min≤SOC≤SOC,max

(26)

式中:SOC,min、SOC,max——储能站荷电状态的最小值和最大值。

运用粒子群算法对目标函数运行策略进行优化。具体流程如图4所示。

图4 算法流程

第1阶段优化是对储能站中电池模型的优化,电池SOC参数可以通过UOC-SOC关系进行辨识,从而确保模型正确且高效运行。第2阶段优化是设定“多站融合”投资回报率为目标函数,建立储能站净收益模型,并运用粒子群算法优化求解,通过分析储能站的充放电功率Pess、SOC曲线,计算下一年的收益和电池健康状态,直至达到条件退出。

3 算例分析

3.1 基本条件

以某“多站融合”项目为例进行计算,项目典型日负荷曲线如图5所示。

图5 某多站融合项目典型日负荷曲线

峰谷分时电价如表1所示。

表1 峰谷分时电价表

相关参数及控制变量范围如表2所示。

表2 相关参数及控制变量范围

3.2 计算结果

本文设置17条储能站典型充放电策略曲线,具体如图6所示。其中,第1～8条策略曲线采用先低倍率充电、再高倍率充电的充电模式;第9条策略曲线采用全程相同倍率充电的充电模式;第10～17条策略曲线采用先高倍率充电、再低倍率充电的充电模式。最后运用第1阶段优化中的UOC-SOC关系函数对电池SOC进行辨识。

图6 储能站不同充放电策略曲线

对17条运行策略曲线计算分析,得到的锂离子电池使用不同倍率充电时电池寿命的损耗率如图7所示。

图7 不同运行策略下电池寿命损耗率

由图7可知,当锂离子电池全程采用相同倍率充电时,电池寿命的损耗最小。

图8为第9条策略的粒子群算法寻优过程。

图8 第9条策略寻优过程

本文设计了一条最佳运行策略并运用粒子群算法对策略进行优化计算,得到的结果如图9所示。

图9 储能站使用最佳策略优化结果

最优策略寻优过程如图10所示。

图10 最优策略寻优过程

通过对目标函数和边界条件分析可知,储能站最佳运行策略设定应遵循以下基本原则。

(1) 采用“浅充浅放”充电模式。较低的充放电深度可以大幅度延长电池寿命,弥补电池因不断循环充放电造成的电量减少,降低损失。

(2) 电池采用低倍率充放电可以延长电池寿命。

4 结 论

(1) 在储能站电价相同时段中,电池以每小时相同的倍率充放电为最佳运行策略。在储能站电价不同时段中,其最优运行策略由“多站融合”的负荷需求特性、电池寿命和电价共同决定。

(2) 储能站的运营效益受到负荷需求、电池寿命、储能站收益结构、运营成本、储能电池损耗等多种因素影响,不断优化储能站负荷配比和运行策略可以提高系统的经济性。