微电网储能的离散逻辑与优化调度控制

丁明耀 李 龙

（国网宿州供电公司）

0 引言

微电网逐渐普及， 在一些厂矿企业和商业场合部署微电网可以提高其在电力中断期间的能源供应弹性， 而且在并网运行时产生电费收入。大多数运行中的微电网系统使用离散逻辑控制 （DLC） 来管理资源调度[1-2］， DLC控制器由于其编程界面简单快捷、 供应商丰富且成本较低， 已被工业和制造实体使用多年。优化调度控制 （ODC） 正在多个微电网应用场景部署， ODC 使用对未来能源需求和发电量的预测、 系统的当前状态以及特定情况的目标函数来确定最佳资源调度时间表。控制器的目标根据应用需求而变化， 并且在控制策略上可以强调系统的经济性或以低碳为目标。这种操作形式和控制策略比DLC更有优势， 但更复杂、 更不直观， 而且在实践中， 收益高度依赖于预测方法[3］。

本文通过具体案例开展相关研究， 解决了储能系统与微电网集成的三个问题。首先， 分析了地区微电网中储能对最大光伏容量的影响。其次， 构建了一个新的DLC模型， 包括对相关储能系统的能力和限制的考量。最后， 比较了使用DLC 和具有准确前瞻性的ODC在节能和经济性方面的指标， 以展现最优调度对微电网操作的最大效益。以上工作的结果揭示了储能装置对微电网燃料消耗的影响， 并为综合能源微电网的管理提供了适当的控制架构指导。

1 技术方法分析

离散逻辑是指系统中的控制器和执行器以逻辑的方式进行控制， 而不是模拟控制。在微电网储能系统中， 离散逻辑可以通过控制器控制储能设备的充放电和运行状态， 以确保系统的安全可靠运行。

优化调度是指通过对储能系统进行调度策略上的调整， 使储能设备的运行效率最大化， 从而提供最大的经济效益和环境效益。储能系统的优化调度可以通过数学模型和算法进行分析， 确定最优充放电策略，并使储能设备在不同负载和能源输入条件下以最高效率运行。

离散逻辑与优化调度的结合可以实现微电网储能系统的高效运行。离散逻辑控制器可以根据优化调度算法的结果控制储能设备进行充放电， 以达到最优的经济效益和环境效益， 并确保系统的稳定和可靠性。同时， 优化调度算法也可以根据离散逻辑控制器传回的运行状态数据， 实时调整充放电策略， 进一步提高系统运行效率和经济效益。

2 微电网理论分析

2.1 燃油发电机组

此处建模的机组为60kW 柴油发电机组， 并通过运行地区中的电网以环形总线配置连接， 柴油机组可以由能源管理系统单独或并行调度， 测量的柴油机组功率输出和燃料使用之间的关系如图1 所示。这种分段线性关系用于下面描述的两种控制方法。

图1 燃料使用与功率输出

2.2 光伏渗透率分析

能够可靠管理的光伏系统其发电量受到柴油发电机和互连设备的运行限制。光伏资源与储能系统的集成可以在不违反运营限制的情况下显著提高太阳能利用小时数和发电量， 与光伏集成相关的基本系统约束如下。

1） 发电机的最小输出为全额定功率的30%；

2） 太阳能资源的发电量不能减少， 太阳能调节系统 （PCS） 不受能源管理系统的控制， 太阳能资源通过电压控制电流源PCS与微电网相连；

3） 如果安装了储能系统， 只要系统没有完全充电， 光伏就可以支持满载。

为了确定增加储能可以支持的最大光伏发电量，进行了以下优化。

式中，Csol是太阳能装机容量，psol,t是建模位置的每千瓦发电量，PD,t是电池放电功率，PC,t是电池充电功率，PG,t是所有柴油发电机的功率，St是时间t的电池充电状态，ηRT是电池往返效率。除了电力平衡和充电状态的基本要求外， 还需要额外的限制， 以确保调度反映实际操作。首先， 以下限制条件确保了电池不能同时充电和放电。

式中，αC和αD分别是在充电和放电步骤中等于1的二进制变量。由于电池操作不在目标函数中， 如果不禁止的话， 通过在同一时间步长充电和放电来“缩减”功率， 某些配置似乎是合理的。

还施加了限制条件， 以反映系统中发电机组的局限性。

式中，αG,t是一个二进制变量， 表示发电机在时间t接通，Pmax是发电机的最大总输出。这确保了每台发电机在运行时的输出在额定功率的Klow和Khigh之间。在这种情况下，Pmax为360kW， 即所有六个柴油发电机的额定功率，Klow为5% （单个发电机的输出为30%或发电机的最小安全输出），Khigh为80%。分析结果如图2所示， ESS为电储能系统集成。

图2 微电网最大光伏容量与ESS能源容量

即使是适度的储能也大大增加了光伏发电的潜力， 仅部署5 千瓦时的储能， 即可使对应的光伏发电量增长2 倍。然而， 由于能量存储系统的额定功率（即最大充电/放电速率） 最终成为限制性约束， 因此储能容量的增加不会无限制地增加光伏系统的发电能力。由于光伏发电能力的增加大大降低了燃料需求，因此应考虑储能装置可用性的影响。

2.3 离散逻辑控制

如前所述， DLC （离散逻辑控制） 是仅使用化石燃料发电的微电网的主要控制模式， 这种控制方法使用计算机语句来确定在任何给定时间投入哪些资源，管理化石燃料发电资源的离散控制器使用有关系统需求、 发电机总输出、 发电机运行时间和发电机可用性的信息来调度资源。

在这里， 我们描述了DLC 方法如何扩展到包含c能量存储系统 （电池储能系统） 以减少柴油消耗， 集成离散控制决策过程开始于确定电池的可用性。

如果能量存储系统可以放电， 则A＝1， 如果系统只能充电， 则A=0。在每个时间步长 （t），A是根据以前的可用性 （At-1） 和当前充电状态 （St） 确定的。如果能量存储系统在一个时间步长期间被充电或放电，则St被更新用于下一时间步长。

每个储能系统都应遵守其系统充电状态的界限，允许系统放电， 直到其达到下限SL， 此时系统需要充电 （A=0） 。在这里， 我们假设可以使用制造商指定的满容量 （SL=0）， 系统将保持充电状态， 直到充电状态达到规定的充电状态SP， 这形成了一个死区， 以防止电池在放电前仅充电一小段时间， 从而加速性能退化。

2.4 优化调度控制

假设具有足够的预测能力， 可以通过执行资源调度的优化来估计ODC （最优调度控制器） 可以获得的最大效益。在该分析中， 历史运行负载数据被用作优化算法的“准确预测”， 以确定受系统和资源可用性约束的最佳资源调度时间表。该分析通过显示地区操作的最大潜力， 给出了在给定情况下ODC 效益的有用上限。

为此， 创建了一个描述发电系统和负载的线性程序， 优化调度程序的总体目标是最大限度地减少系统中发电机组的燃料消耗， 同时满足负载并满足储能系统的SOC （电池单元） 约束：

式中，P表示功率，t表示时间，C表示电池充电，D表示电池放电，g表示发电机组指数。

除了功率平衡和电池充电状态的基本要求外， 约束条件也是必要的， 以确保调度反映资源的实际操作。对于该分析方程 （3） 应用于每个发电机组，Klow= 40%，Khigh= 80%。

此外， 发电机功率与燃料使用关系是根据在0%、25%、 50%、 75%和100%额定功率断点处测得的燃料消耗率采用分段线性近似进行建模的。这被集成到特殊有序集 （SOS2） 的优化框架中。

式中，k表示分段线性近似中的断点，bk是断点k处的功率，fk是断点k时的相关燃料使用量，xk是SOS2表示引入的用于断点之间插值的连续变量，γk是只有连续值才能为非零的二进制变量。

这样， 发电机组的燃料消耗可以通过优化能量存储系统的充电和放电时间表来最小化， 该优化框架使用在Python 中建模[4-5］， 并使用Gurobi 进行优化。考虑到ODC 方法的计算强度， 与DLC 方法相比， 在更短的时间框架和更粗的时间步长内进行优化， 并对结果进行缩放， 以表示完整的180 天部署。注意， 在较短的时间范围内进行了初步测试， 以比较ODC 间隔1分钟和间隔5 分钟的结果， 发现分析中每个时间间隔的燃油节省差异不显著。

3 分析与讨论

3.1 储能集成

使用微电网控制逻辑对基线进行建模， 以确定没有储能的情况下化石燃料消耗。将基线与使用具有DLC 和ODC 管理的能量存储系统以降低燃料消耗的情况进行比较。两种控制方法均采用相同的载荷分布进行建模。结果比较如表1 所示， 使用DLC 可减少3.28%的油耗， 使用ODC可减少3.84%的油耗， 离散逻辑和优化调度的发动机运行时间也分别减少了18.21%和23.28%。优化调度在燃料消耗和发电机运行时间方面执行了离散逻辑， 但以增加电池周期为代价。

表1 储能系统试验结果

3.2 太阳能及储能集成

假设系统的额定功率60kW 和往返效率76.87%用于两种控制方法。每种控制算法的储能容量分别为0、 30、 60、 120、 180 和240kW 时。以25kW 为增量模拟0 至100kW 的太阳能发电容量， 每种控制方法可以节省的燃油如图3所示。

图3 燃料节约与储能能力的对比

增加能量存储系统的容量对直接降低燃料消耗影响有限， 有了30kWh 的储能， 在没有光伏发电的情况下， 燃料消耗可以减少3-4%， 超过这一点增加储能能力可以节省更多的燃料， 但增加的幅度很小； 240kWh的系统只会比30kWh 的系统减少约0.2%的燃料消耗。这在很大程度上是因为发电机组曲线的功率-燃料消耗曲线在适用范围内几乎是线性的， 这限制了通过对储能系统充电和放电使发电机组在更有效的范围内运行的价值。功率-燃料曲线线性较低的发电机可以从更大的储能系统中受益更多。

最后， 图3 展示了ODC 和DLC 管理的微电网实现了几乎相同的燃料节约效果。尽管ODC 方法始终优于DLC 方法， 尤其是在安装更多储能装置的情况下， 但ODC 方法的优势最多为1%。这里构建的ODC方法假设了负载和光伏发电的准确预测。在实践中，虽然已经开发了各种方法来减轻预测误差的影响， 但预测结果的不确定性将限制获取优化调度的全部优势的能力。

4 结束语

本文研究了区域微电网运行中储能和光伏发电的优化潜力， 并比较了离散逻辑控制 （DLC） 和优化调度控制 （ODC） 这两种不同的能源管理控制方法。通过上述工作， 微电网可以实现减少燃料消耗、 提升太阳能发电利用率等经济指标的改善。本文进行了系统分析， 确定了微电网中部署储能装置可以增加对应的太阳能发电量。研究表明， 与单独使用发电机相比，能量存储可以显著增加微电网中太阳能发电利用率，在部署了100kW 的太阳能发电装置的系统中节省高达35%的燃料。

此外， 还使用基于DLC 和ODC 的发电机组和储能调度能源管理系统进行了分析， 以确定燃料消耗的差异。研究发现， 在典型微电网的应用场景中， 对负载和光伏发电量进行了准确的预测的理想情况下， 从DLC到ODC的燃料节约仅增加了1%。考虑到本研究中应用的DLC 易于实施、 直观且性能接近最佳， 这种能源管理方法很可能是微电网的最佳选择。未来我们将通过进一步分析DLC 和ODC 调度之间的差异， 研究如何进一步提高DLC性能。