平抑风电波动的飞轮-电化学混合储能容量优化配置研究

王晋君, 苟凯杰, 陈 衡, 陈宏刚, 徐 钢, 张国强

(华北电力大学 能源动力与机械工程学院,北京 102206)

近年来,清洁能源的规模化应用在给电网带来巨大经济效益和环境效益的同时,也成为了构建新型电力系统的一大难题[1]。其中,风电出力的瞬时波动性会引起电网电压和频率的波动,极大地影响了用电质量和供电稳定性,而在电源侧配置储能系统能够有效平滑波动。目前,混合储能系统综合了能量型储能和功率型储能的优缺点,实现了技术和经济上的互补,成为平抑新能源出力波动的首选。但现有技术下的储能系统成本较高,亟需找到合适的混合储能系统(HESS)容量配置方法,以实现效益最大化。

当前针对HESS容量配置主要采用仿真分析法。徐衍会等[2]和吴倩等[3]以并网波动量为指标,通过自适应滑动窗口法进行功率分配,得到满足并网指标下的HESS容量配置;武鑫等[4]基于改进的小波包分解法得到各节点能量分布,并采用概率分布拟合降低了HESS所需容量;毛志宇等[5]将容量配置划分为2个阶段,在优化HESS功率任务的基础上解耦内部功率,构建以寿命周期净效益最大化为目标的配置模型;许庆祥等[6]基于低通滤波法,构建不同截止频率和功率容量下的约束条件,验证了飞轮储能平抑风电波动的有效性;马伟等[7]提出一种光伏和HESS协调平抑策略,结果表明,该策略不仅能有效平抑光伏波动,还能提高HESS的使用寿命;葛乐等[8]提出一种改进希尔伯特-黄变换的容量配置方法,基于荷电状态约束构建HESS经济成本模型,得到经济最优下的容量配置方案。以上研究从不同角度对功率分配与容量配置进行了分析,但很少考虑到实际风电出力中的极端数据影响,降低了容量配置的准确性。此外,针对储能系统组合的选取也有大量研究。王苏蓬等[9]综合考虑了多种储能组合策略与经济评价,得到基于最优组合选型下经济性最佳的容量配置结果;Zhang等[10]通过配置飞轮储能和压缩空气储能来应对风电的低频和高频波动信号,以平滑其波动性;Li等[11]选取抽水蓄能和液流电池组成HESS,通过分阶段协同优化方法构建双层容量配置模型,结果表明该组合调节能力和经济性远高于单一储能系统;雷勇等[12]和Lu等[13]提出使用超导磁储能和蓄电池储能组成的HESS来改善风电波动性,同时设计了分层控制策略,为补偿风电功率波动保留足够的容量空间。

但是,上述关于混合储能系统的研究没有考虑HESS在大电网场景下的应用。且风电初始信号的波动会对电解槽带来很大的冲击,额外增加了储能平抑量,效率将大大降低。因此,笔者基于电源侧储能,提出以锂电池储能为辅,飞轮储能为主的HESS,综合考虑储能系统的充放电效率和荷电状态约束,并引入基准线变量和惩罚系数,构建了以综合成本最低为目标函数的容量配置模型,最后通过实际风电数据验证了该模型的有效性。

1 HESS协调平抑风电功率波动策略

1.1 HESS的功率分配策略

目前,常用于HESS功率分配的方法有小波包分解、经验模态分解(EMD)和低通滤波等方法[14]。以不同频域作为信号分解的标准,将风电输出功率信号拆解为高频和低频分量信号,分别作为飞轮储能和锂电池储能的功率指令。为了更好地解决规模性风电并网引起的波动问题,选用直观且自适应强的经验模态分解法,其在非线性扰动信号分解效果上要优于小波包分解法。构建了包含飞轮储能和锂电池储能在内的HESS协调运行框架,如图1所示。

图1 混合储能系统策略图

利用EMD将最初的风电复杂信号分解为不同阶的有限个本征模态函数(IMF),各阶IMF分量包含了原信号不同时间尺度下的局部特征信号,若单独处理不仅会增加工作量,还会延缓分解速度[15]。故决定结合实际风电并网的波动量限制,将IMF重构为低频分量和高频分量。其中,低频分量直接选择并网,高频分量则作为HESS的平抑任务,具体可表示为

(1)

IMF重构方式主要分为低频重构(coarsetofine,c)和高频重构(finetocoarse,f):低频重构是指根据EMD初步分解结果,自下而上选择合适分量进行叠加生成对应阶数下的低频重构分量;高频重构则是自上而下选择合适分量进行叠加生成对应阶数下的高频重构分量[16]。

分解后的高、低频信号再通过功率分配策略流程,进一步筛选出平抑模块的工作量,具体过程如图2所示。

图2 风电波动功率分配流程图

1.2 HESS能量管理系统

通常HESS会将功率型储能的荷电状态(SOC)控制在95%左右,能量型储能的SOC控制在50%左右,避免过充过放而降低储能寿命。其缺点是调峰和平抑模块之间协调效果不明显,特别是在飞轮储能自放电率高、能量释放储蓄时间短的情况下,如果不能够及时放电,能量损耗现象明显[17]。因此,在保证飞轮储能荷电状态水平的前提下制定HESS协调管理方案。

(1) HESS吸收功率

当平抑功率PHESS,n>0时,HESS系统启动开始吸收风电正向波动功率,飞轮最大、最小荷电状态分别用Smax和Smin表示。此时飞轮储能作为第一响应资源,其工作状态受荷电状态影响主要分为3种情况:(1)飞轮荷电状态(SFESS)在[(Smin+Smax)/2,Smax]范围内时,飞轮和锂电池共同承担功率任务。其中飞轮储能吸收功率值为HESS功率任务与锂电池吸收量的差值;(2)当SFESS<(Smin+Smax)/2时,正向波动功率全部由飞轮储能吸收,直至SFESS满足情况(1)时调动锂电池辅助吸收功率;(3)当SFESS在(Smax,1]时,飞轮停止充电,HESS停止运行直到能量管理系统发出放电指令。

(2) HESS释放功率

当平抑功率PHESS,n<0时,HESS系统开始释放功率以平抑风电负向功率波动,该部分功率全部由飞轮储能提供,其工作状态受荷电状态影响分为2种:(1)当SFESS>Smin时飞轮正常放电;(2)当SFESS在[0,Smin]时,为了避免电池容量衰减,在飞轮荷电状态低于最小值前要停止放电。HESS系统要停止工作直至能量管理系统发出充电指令,若并网功率仍达到波动限值则可以通过电池储能放电来满足并网要求。

此外还需要考虑2种特殊情况:当飞轮荷电状态较小但仍有大功率放电任务时,可以降低飞轮放电量或放电功率,功率差值则由锂电池储能承担;当飞轮荷电状态较高但仍处于大功率充电状态时,可以降低其充电量或适当延长充电时间,盈余功率仍由锂电池储能承担。

2 HESS容量配置模型

2.1 目标函数

HESS中飞轮储能的综合效率为90%～95%,循环充放电次数约为100 000～1 000 000;磷酸铁锂电池的综合效率为85%～90%,循环充放电次数约为2 000～4 000[18]。因此,以飞轮和锂电池混合的储能系统成本与风电功率机会补偿成本构建目标函数为

minF=FFESS+FBAT+Fcomp

(2)

式中:F为年综合成本,万元/(MW·h);FFESS和FBAT分别为飞轮储能和锂电池储能成本,万元/(MW·h);Fcomp为风电功率波动机会补偿成本,万元/(MW·h)。

其中,

(3)

(4)

Fcomp=gNsum

(5)

(1) 投资成本及运行维护成本

(6)

(7)

(8)

(9)

(2) 机会补偿成本

由于储能系统受到容量和功率的限制,当风电波动超出储能工作范围时会出现弃电现象[19],因此需要调度系统中其他快速响应资源辅助HESS完成储能功率任务,这会导致风电平抑成本增加,HESS的储能效率下降。机会补偿成本则评估了由欠补偿量引起的额外运行成本,具体可表示为

(10)

式中:h为机会补偿成本系数;Pposun,n和Pnegun,n分别为n时刻的正方向和负方向的欠补偿量,MW;N为总时间长度,min。

2.2 约束条件

(1) 功率约束

混合储能功率任务PHESS,n主要包含两部分:一部分是由锂电池储能构成的调峰模块;另一部分是通过飞轮储能实现的平抑风电波动模块。当PHESS,n>0时,风电为正向波动,此时需要飞轮储能和锂电池储能系统充电吸收波动功率;当PHESS,n<0时,风电为负向波动,此时需要锂电池储能系统放电补偿波动,对于瞬时波动量大的时刻则需要飞轮储能放电实现快速响应,以提高电网的稳定性。

(11)

(12)

(2) HESS充放电模型约束

本文采用飞轮和锂电池储能构成混合储能系统,其中飞轮储能用于第一时间平抑能量低的高频波动;锂电池用于平抑能量高的低频波动,此外还具备长时间电力储存的特性,用于备用电源以保证混合储能系统的稳定运行。飞轮储能和锂电池的荷电状态与充放电功率关系如下:

(13)

(14)

(15)

(16)

式中:Δt为记录点的时间间隔;SFESS,n、SBAT,n分别为飞轮储能和锂电池在n时刻的荷电状态;EFESS、EBAT分别为飞轮和锂电池的额定容量,MW·h;ηFc、ηFd分别为飞轮的充、放电效率;ηBc、ηBd分别为锂电池的充、放电效率。

3 算例分析

以西北地区某200 MW的风电场为例,记录该地区的实际风电数据,时间间隔为5 min。采用飞轮和锂电池组成的HESS来平抑风电波动性,飞轮的初始荷电状态为0.50,充放电效率均为95%。容量优化配置相关参数如下:机会补偿成本系数为0.24万元/(MW·h);储能运行维护成本占投资成本比例为2%。

3.1 基于EMD的低频信号重构

在EMD分解前先采用k均值聚类算法(简称k-means算法)对风电数据进行聚类,得到8个不同场景的风电出力特性曲线,各场景的概率分布见表1。但传统的k-means算法受极端数据影响,比如个别数据日的平均出力维持在较高水平或较低水平,将会大大影响k-means算法寻找聚类中心的准确性。故通过计算8个不同场景中所包含天数的波动量,并进行排序,选择中位数所对应天数作为此场景的典型日,此方法能够将极端数据有效剔除,使选择出来的典型日更具代表性。

表1 不同典型日的概率分布

额定容量大于150 MW的风电场接入电力系统时,规定1 min有功功率变化不超过15 MW,10 min有功功率变化不超过50 MW[20]。故本文并网波动量限值最大为风电装机容量的20%,以并网波动量限值为指标划分直接并网容量和HESS平抑任务量。选择表1场景五进行EMD信号重构计算,结果如图3～图5所示。

图3 不同波动量限值下的直接并网分量图

从图3和图4可以看出,随着波动量限值的减小,直接并网功率曲线更加平滑,同时HESS平抑功率曲线波动幅值越来越大,包络线对称性更差,故选取10 MW作为风电并网波动量限值。由图5可以看出,低频重构分量c(4)的最大波动量低于10 MW,故可以直接作为并网分量,而将f(2)作为HESS平抑任务。低频重构并网量和直接并网量叠加后的并网曲线如图6所示。

图4 不同波动量限值下的HESS功率任务

图5 直接并网分量筛选

图6 HESS平抑量与直接并网量分布图

3.2 不同场景下的风电平抑效果分析

由于储能充放电效率的限制,在吸收风电正向波动的过程中会出现一部分能量损失,而在补偿风电负向波动的过程中也会产生能量损失,若充放电效率均为0.85,最终负向波动部分只能补偿0.72,损失了约28%的能量。此部分欠补偿量的存在将会加剧风电负向波动幅值,为HESS平抑工作带来了困难[21]。因此,要分场景进行讨论,考虑引入基准线变量,即增大正向待平抑量,减小负向待补偿量,从而改善因负向欠补偿量引起的波动。定义情景1为0基准线平抑,情景2为变基准线平抑。

(1) 可变基准线

引入基准线变量后求得平抑前后高频功率波动曲线如图7所示。

图7 平抑前后的高频功率波动曲线

从图7可以看出,2种情景下的正向波动大部分被吸收,只有个别时刻幅值较大的波动没有完全吸收,其中情景1正向累计欠补偿量为22.66 MW,而情景2只有3.45 MW,降低了84.8%;对于负向波动,情景2补偿效果明显优于情景1,计算得知情景1的负向累计欠补偿量为442.21 MW,情景2为34.61 MW,降低了92.1%,可以看出基准线下移后极大地缓解了负向欠补偿量引起的波动;因此,累计欠补偿量共减少91.8%。以10 MW作为波动指标,计算得知情景1中有较多时间段内波动量超过波动限值,而情景2中只有n=1 309 min内波动量超过限值。平抑前后的风电并网功率波动曲线如图8所示,其中平抑前的曲线为直接并网量曲线,而平抑后的曲线则包含了重构后的并网量与初始并网量。

图8 平抑前后的风电并网功率波动曲线

从图8可以看出,情景2中叠加后的并网功率相对情景1波动小,完全在可控范围之内,进一步说明了可变基准线在平抑风电波动性方面的有效性。

(2) 波动惩罚系数

从图7可以看出,情景2中经HESS平抑后得到的高频功率波动曲线的平滑性大大提高,但仍有部分时间段内存在超过波动限值的负向欠补偿量。故在引入基准线变量的基础上考虑加入波动惩罚系数,结合前文提到的机会补偿成本系数进一步对负向波动进行补偿,得到不同惩罚系数下的高频功率曲线和最终并网功率曲线,如图9和图10所示。利用Matlab软件和Gurobi求解器求得不同场景下HESS容量配置如表2所示。

表2 飞轮储能容量配置结果

图9 不同波动惩罚系数下的高频功率曲线

图10 不同惩罚系数下平抑后的并网功率曲线

从图9可以看出,随着惩罚系数的增加,波动功率幅值不断减小,原n=1 309 min内的欠补偿量从10 MW降到4.38 MW,减小了5.62%,已满足并网波动限值的要求。由图10可以看出,引入惩罚系数能够有效控制部分时段内波动量很小但功率尖锐的影响,使得平抑后的并网功率曲线更加平滑,避免了弃电现象的出现。由表2可以看出,场景2比场景1的容量配置方案年综合成本减少了2 825万元,降低了49.99%,进一步验证了因储能充电效率约束而带来的欠补偿损失影响是显著的;平滑效果和经济性最优的风储最佳配比为1∶0.16,其中飞轮和锂电池比例为1∶4.65。

4 结论

(1) 经过基准线变量和波动惩罚系数修正后的HESS能够有效控制风电波动性,正向累计欠补偿量减少了84.8%,负向累计欠补偿量减少了92.1%。

(2) 所提方法能有效计算波动量限制下的新能源与储能最佳配比,以经济性最高为目标的风储最佳配比为1∶0.16。

(3) 相较于0基准线波动平抑策略,所提方法下的HESS容量配置方案在系统投资成本上节省了49.99%,具有更高的经济性。