计及需求响应的联网型微电网储能容量随机规划方法

孙开元, 陈坤, 岑海凤, 李涛, 曾慧, 林琳

(广东电网有限责任公司广州供电局, 广州 510013)

微电网是指由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统。随着全球经济的快速发展,微电网得到社会各界专家的高度重视[1]。微电网中的新能源发电具有较强的随机性和波动性,会对微电网的电压波动等带来影响,如何平抑微电网中新能源系统的能量波动是研究的首要任务。而联网型微电网是解决高比例新能源接入配电网中能量波动的有效方案,但该方案对储能容量的规划提出了较高要求。因此,对联网型微电网储能容量进行规划具有重要的意义。

目前,随着新能源技术的发展,国内大量学者对微电网储能容量规划方法进行了研究,如招景明等[2]提出一种考虑光伏波动的有源配电网分布式储能双目标优化规划方法,该方法以电压波动和配电网综合成本为双目标,通过分布式储能优化规划模型对双目标模型进行优化求解,解决了光伏出力随机性对储能配置方案的影响。但该方法存在经济性不理想的问题,建设和运行成本较高。谢鹏等[3]提出了一种考虑多时间尺度不确定性耦合影响的风光储微电网系统储能容量协同优化方法,该方法在考虑微电网优化运行的耦合前提下,根据能量平衡能力指标以及鲁棒性协调成本指标构建了微电网储能容量规划模型,并通过复合差分进化算法对其进行求解,最终得到规划方案。该方法仅限于包含可再生电源和电力负荷的微电网系统,在含多种分布式电源的联网型微电网储能容量规划中,存在储能额定电量容量不稳定的问题。黄金鑫等[4]提出了一种基于蒙特卡洛模拟和频谱分析法的孤岛微电网储能容量配置方法,该方法在考虑微电网潮流约束以及安全约束的条件下,构建最小功率补偿模型,通过非线性内点规划求解最小功率补偿。使用离散傅里叶对得到的最小功率补偿进行频谱分析,获取对应的补偿指令,进而实现储能容量规划。该方法有利于解决孤岛型微电网中间歇性新能源消纳及功率波动的问题,但存在储能系统负荷较大的问题。徐婉迪等[5]提出了一种不确定环境下并网型光储微电网的容量规划方法,针对并网型光储微电网容量规划问题,构建了全新的两阶段分布鲁棒优化模型,并基于线性决策准则对模型进行求解,从而实现微电网容量的规划,该方法存在能量平衡能力不高的问题。张富平等[6]提出一种计及分布式电源不确定性的微网储能容量博弈优化方法,通过建立微网间的非合作博弈模型,考虑分布式电源出力的不确定性,利用机会约束规划理论对微网非合作博弈优化模型进行建模分析,该方法在联网型微电网储能容量规划中存在规划效率不高、规划精度不高等问题。

为解决以上方法存在的问题,现提出一种计及需求响应的联网型微电网储能容量随机规划方法,在考虑需求响应的基础上,构建联网型微电网储能容量随机规划模型,通过改进后的粒子群优化算法(particle swarm optimization,PSO)对储能容量随机规划模型进行求解,从而获得最优规划方案。

1 计及需求响应的联网型微电网储能容量随机规划模型

1.1 随机模拟技术

根据随机变量的概率抽取变量可以很好地实现随机模拟,对于一些无法求解的复杂度较高的规划问题,使用随机模拟模型求解是较好的解决方案之一。估计目标函数的期望值和估计随机事件发生的概率是随机优化问题中主要的应用方面[7]。

在考虑需求响应的基础上,构建联网型微电网储能容量随机规划模型,该模型由目标函数以及约束条件共同组成随机变量,目标函数的期望值为

(1)

式(1)中:θ为目标函数的期望值;g(ξ)为目标函数;N为随机样本的数量;i为样本的编号。

由于实际约束条件比较模糊,因此,在随机模拟技术下,通过概率来进行约束条件的表示。设某一概率约束条件为

Pr{gj(x,ξ)≤0}≥λj,j=1,2,…,p

(2)

式(2)中:x为决策向量;ξ为随机变量;gj(x,ξ)为约束条件函数;λj为置信水平。

采用随机模拟技术验证对应的约束条件,详细的操作步骤[8]如下。

步骤1优先设定置数N1=0。

步骤2随机形成N个变量,设定随机变量样本为ξi。

步骤3假设决策变量x满足gj(x,ξi)≤0,需要将预置数的取值加1。

步骤4将步骤3重复N次。

步骤5假设N1/N≥λj,则成立;反之,则不成立。

1.2 模型构建

1.2.1 目标函数

在计及需求响应条件下,联网型的微电网输出功率会随着外界条件的变化而变化,同时由于电力系统包含多种不同的运行模式,而且不同时段的风机输出功率也存在十分明显的差异。为了确保联网型微电网能够更好完成储能容量随机规划,使规划后的项目投资费用最小[9-10],构建联网型微电网储能成本目标函数f1为

f1=CucPuc+CbatPbat

(3)

式(3)中:Puc为超级电容的额定功率;Pbat为蓄电池的额定功率;Cuc为超级电容单位功率的成本;Cbat为蓄电池单位功率的成本。

计及需求响应的联网型微电网储能的另一个优化目标是可再生能源功率波动平抑,该值应该以加入储能系统后等效输出功率的方差最小为目标,根据微电网配置运行一段时间内的输出功率方差和最小为目标函数f2为

(4)

PDG,i=Pgd,i+Puc,i+Pbat,i

(5)

式中:Puc,i和Pbat,i分别为超级电容以及蓄电池的输出功率;Pgd,i为没有储能补偿的可再生能源的实际发电功率;PDG,i为经过储能补偿后可再生能源的输出功率;t1为储能参入可再生能源功率调节的开始时间;t2为储能参入可再生能源功率调节的结束时间。

1.2.2 约束条件

计及需求响应的联网型微电网储能系统容量配置应该考虑功率平衡、储能电池荷电状态、储能最大功率限制等方面的约束条件,具体如下。

1)功率平衡约束

联网型微电网在运行过程中,需要满足功率平衡需求,功率失衡将造成微电网运行中出现功率波动,从而产生故障,因此,功率平衡约束条件为

Pgd,i+Puc,i+Pbat,i-PL,i-PLoss,i=0

(6)

式(6)中:PL,i为电力系统的负荷功率输出值;PLoss,i为微电网运行过程中产生的功率损耗。

2)储能电池荷电状态

为了确保联网型微电网的正常运行,在使用储能电池的过程中,需要保证电池的安全性和最小耗损,有效防止过度放电对电池本身造成的影响[11-12]。其中,电池荷电状态需要满足以下的约束条件为

(7)

式(7)中:SOCuc,max和SOCuc,min分别为超级电容荷电状态的上限和下限;SOCB,max和SOCB,min分别为蓄电池荷电状态的上限和下限。

3)最大功率要求

在短时故障下,微电网中会突然出现比较大的功率,为了有效防止上述情况的发生。微电网储能系统必须快速输出较大功率,也减少突然大功率缺失对电能质量的影响。储能系统的总功率不小于瞬时功率最大值ΔPmax,表达式为

Puc,i+Pbat,i≥ΔPmax

(8)

在上述分析的基础上,还需要设定超级电容以及蓄电池储能输出功率的范围,表达式为

(9)

对以上的目标函数以及约束条件进行总结,即可获取计及需求响应的联网型微电网储能容量随机规划模型[13-14]为

(10)

(11)

1.3 模型求解

粒子群优化算法(PSO)是一种基于种群的随机优化技术,采用改进的粒子群算法[15]对上述构建的计及需求响应的联网型微电网储能容量随机规划模型进行求解,优先对PSO算法中的编码方式进行改进。在联网型微电网运行过程中,需要通过决策变量的阈值取值范围确定最终的解集搜索空间。

在搜索空间中会形成初始化的粒子种群,在搜索空间中对全部粒子群进行初始化处理[16],即可形成粒子种群表示为

(12)

由于联网型微电网中分布式电源的随机出力特性导致随机变量影响负荷的分配,因此,需要采用随机模拟技术来对约束越限值进行模拟。

根据随机模拟技术[式(2)]可知,在计及需求响应条件下,联网型微电网储能系统中的负荷需要满足式(11)中的约束条件,表达式为

(13)

经过改进后,利用随机模拟技术和改进后的PSO算法对计及需求响应的联网型微电网储能容量随机规划模型进行求解,求解流程如图1所示,求解步骤如下。

图1 模型求解流程Fig.1 Model solving process

步骤1计算网损和方差灵敏度,同时将其进行排序。

步骤2输入储能容量历史数据,采用相关公式计算获取粒子的位置和速度值。

步骤3计算不同粒子的适应度取值。

步骤4更新粒子的全局以及局部最优值。

步骤5通过模拟退火算法对求解的局部最优解进行抽样,形成全新的目标函数值,使用Metropolis准则保留最优解,剔除无用解。

步骤6通过抽样结果获取全局最优,同时检验算法是否达到最大迭代次数,假设达到,则跳转至步骤7;反之,则返回步骤4。

步骤7输出最优规划方案。

2 实验分析

为了验证所述的计及需求响应的联网型微电网储能容量随机规划的效果,需要准确描述储能系统额定容量和微电网能量平衡能力之间的关系。现以广东省某地区联网型微电网为例,该微电网中存在分布式光伏和风力发电系统,共由30个节点所构成,分别标记为1～30,其中在4、10、15号多元负荷节点处并入光伏机组,在20号多元负荷节点处并入风力机组。优先获取不同仿真对象的光伏以及风电等数据的变化情况,负荷、光伏和风电标幺化数据如图2所示。

图2 负荷、光伏和风电标幺化数据Fig.2 Standardized data of load, photovoltaic and wind power

优先获取不同仿真对象的光伏以及风电等数据的变化情况,负荷、光伏和风电标幺化数据如图2所示。

图2(a)～图2(c)分别为不同仿真对象在00:00—24:00时间段的负荷需求标玄值、光伏出力标幺值和风电出力标幺值折线图。由图2(a)可知,不同仿真对象的负荷需求标玄值随时间变化均先呈现波动变化,08:00—16:00时间段内持续上升随后趋于平衡。其中,仿真对象为16:00—20:00时负荷需求标玄值最大。由图2(b)可知,各仿真对象均随着时间的增加呈现先增大后减小的趋势,当处于12:00时各仿真对象的光伏出力标幺值均达到最高。由图2(c)可知,各仿真对象的风电出力标幺值随时间增加无规律波动变化。其中,当仿真对象参数小于0.2时其风电出力标幺值明显高于仿真对象参数大于0.2时的风电出力标幺值。

经过拟合获取不同类型储能系统额定容量下微电网的能量平衡能力变化情况,得出能量平衡能力指标测试结果如图3所示。

图3 能量平衡能力指标测试结果Fig.3 Test results of index value of energy balance ability

分析图3中的实验数据可知,随着电容电量的不断增加,微电网的整体平衡能力开始变强。

虽然电容电量的增加会提高微电网的整体平衡能力,但是电容电量的增加会提高建设和运行成本,因此,需要考虑微网与主网联网变压器的变电容量对储能系统的容量配置以及总成本的影响,分析变压器容量和储能配置的经济性。在实验模拟中设置3 种规格的变压器容量,分别为315、400和500 kV·A,运行时间设置为前10年,不同变压器容量下的储能系统成本如表1所示。

表1 不同变压器容量下的储能系统成本Table 1 Cost of energy storage system with different transformer capacities

由表1的结果可知,变压器容量越大,对应的储能容量就越小,主要是由于变压器容量越大,计及需求响应的联网型微电网中储能需要调节的作用就越少,不需要配置较多的储能来用于调节。而且储能所需要投入的成本较高,配置的储能容量越大,需要投入的成本也越多,同样,变压器容量越大,投入的成本也越多。当变压器容量由315 kV·A增长到400 kV·A时,建设成本加运行成本由138.86万元降到了137.73万元,而变压器容量由400 kV·A增长到 500 kV·A时,建设成本加运行成本由137.73万元增加到了138.64万元。可见,在变压器容量为400 kV·A时,储能系统的综合成本最低,因此,在该联网型微电网中,考虑到变压器容量和储能配置的综合成本最优,选定所使用的变压器容量为400 kV·A,储能容量为49.465 kW·h。

为了进一步验证计及需求响应的联网型微电网储能容量随机规划方法的优越性。采用文献[3]中的考虑能量平衡能力指标以及鲁棒性协调成本指标的微电网储能容量随机规划方法、文献[4]中的考虑潮流约束以及安全约束的微电网储能容量随机规划方法和本文方法进行对比分析,对比测试3种不同方法的储能容量规划性能,实验测试结果如表2所示。

表2 不同方法的储能容量规划性能测试结果Table 2 Performance test results of energy storage capacity planning by different methods

表2中,已考虑和未考虑是指是否考虑实验的随机不确定性。由表2中的数据可知,本文方法相比文献[3]方法和文献[4]方法的能量平衡能力指标更高,特别是在考虑随机不确定性后,能量平衡能力指标更高。而且所提方法的储能额定电量容量相比文献[3]方法和文献[4]方法在考虑随机不确定性和不考虑随机不确定性的差值最小,说明所提方法的储能额定电量容量相对更稳定。所提方法的储能系统负荷相对于文献[3]方法和文献[4]方法更小,在考虑随机不确定性后,负荷更小,说明所提方法功率输出更平衡。主要是由于所提方法在计及需求响应条件下,将功率平衡最优作为规划目标,组建储能容量随机规划模型,并利用改进粒子群算法对构建的储能容量随机规划模型进行求解,从而获得了较好的规划性能。

为进一步验证所提方法的规划效率,采用文献[3]方法和文献[4]方法、本文方法分别对计及需求响应的联网型微电网中电源规划和网架规划所用时间进行对比,结果如图4所示。

图4 电源规划和网架规划所用时间比较Fig.4 Time comparison between power supply planning and grid planning

由图4可知,本文方法的电源规划和网架规划所使用的时间,比文献[3]方法与文献[4]方法所有时间都短,表明所提方法具有更高的微电网储能容量随机规划效率,主要是由于本文方法采用了粒子群优化算法对随机规划模型进行了求解,提高了处理效率。

3 结论

为了更好地实现储能容量规划,得到最优规划方案,在考虑功率平衡、储能电池荷电状态以及最大功率要求的基础上,提出了一种计及需求响应的联网型微电网储能容量随机规划方法。在考虑需求响应的基础上,通过构建联网型微电网储能容量随机规划模型,利用改进后的PSO算法对模型进行求解,从而获得最优规划方案,得出以下结论。

(1)经过拟合获取不同类型储能系统额定容量下微电网的能量平衡能力变化情况可知,随着电容电量的不断增加,微电网的整体平衡能力开始变强。

(2)变压器容量越大,对应的储能容量就越小,反之,储能容量越大,变压器容量越小。因此,需要考虑变压器容量和储能配置的综合成本,项目案例中选定所使用的变压器容量为400 kV·A,储能容量为49.465 kW·h。

(3)本文方法相比文献[3]方法和文献[4]方法的能量平衡能力指标更高,特别是在考虑随机不确定性后,能量平衡能力指标更高,储能额定电量容量相对更稳定,储能系统负荷更小,功率输出更平衡,表明储能容量规划效果好。

(4)本文方法相比文献[3]方法和文献[4]方法,电源规划和网架规划所用时间更短,表明所提方法规划效率更高。

(5)实验在储能配置容量随机规划方面,因实验时间和项目资金有限,后续实验可进一步优化微电网中需求响应资源与储能的关系,从而减少储能配置容量需求,以达到提高微电网运行和规划经济性的目的。