基于發電預測的分布式發電能量管理系統

陳昌松 段善旭 殷進軍 蔡 濤

（華中科技大學電氣與電子工程學院 武漢 430074）

1 引言

由于傳統能源資源的枯竭、當今社會許多部門對電能質量要求的提高以及世界各國對環保問題的日益關注，分布式發電系統已經被世界各國所重視[1-4]。但是，分布式發電系統中的部分發電單元，如光伏陣列發出的電能受到氣候條件和環境因素的影響[5-8]，具有較強的隨機性，因此當其容量達到一定的等級，或者系統中存在儲能和其他發電單元時，需要采用一定的能量管理策略對系統的能量流進行監控和管理，優化系統內部各個發電單元、儲能單元及其與電網之間的能量流動的方向和幅值，以提高系統運行的穩定性和經濟性。當分布式發電系統并網運行時，發電單元發出的電能可以直接供給負荷或者并網，也可存儲到儲能單元，再由儲能單元供給負荷或者并網，電網也可以直接給負荷供電。但是，如何協調發電單元、儲能單元、負荷和電網之間的能量流，實現關鍵負荷優先的可靠供電、發電單元和儲能單元的壽命優化、系統運行的經濟效益最大化，需要一定的能量管理策略進行能量流的最優控制，保障系統穩定、可靠、經濟運行。當分布式發電系統獨立運行時，系統脫離電網，系統中只存在發電單元、儲能單元和負荷，發電單元發出的能量可直接供給負荷，或者存儲到儲能單元，再由儲能單元供給負荷。由于部分發電單元具有較強的隨機性，同時負荷也隨著時間處于變化之中，從而在獨立運行時分布式發電系統也需要一定的能量管理策略控制系統中的能量流，保持系統內部能量的供需平衡以及電壓和頻率的穩定性。

目前對于分布式發電系統能量管理技術已有不少研究[9-11]，而這正是分布式發電大規模應用的難點之一。在分析目前分布式發電系統能量管理的研究基礎上，本文綜合考慮電網實時電價、發電單元預測發電量和儲能單元預測剩余容量等因素，提出了一種基于模糊控制的分布式發電能量管理控制算法。該算法能夠根據電網實時電價、預測發電量、預測剩余容量和實時運行狀態采用模糊規則進行模式切換和能量流的優化控制。文中給出了模擬運行結果，驗證了這種算法的良好魯棒性。

2 系統結構

目前已有系統的網絡拓撲主要分為兩種，一種是基于直流母線方式，另一種是基于交流母線方式。在基于直流母線方式的分布式發電系統中，風力發電單元和光伏發電單元分別通過 AC/DC變換器和DC/DC變換器與直流母線相連接，這兩種變換器均為單向變換器，能量只能從發電單元流向直流母線；多元復合儲能單元分別通過AC/DC變換器（如飛輪儲能）和DC/DC變換器（如超級電容和蓄電池）與直流母線相連接，這兩種變換器均為雙向變換器，能量可在儲能單元與直流母線之間雙向流動。

直流母線方式的系統架構主要優點是：①只需對直流母線電壓進行控制，容易滿足系統性能要求，控制算法相對容易。②由于省去了子系統中的整流部分，因此系統成本低，易于推廣。③采用分布式直流母線控制，系統容易擴展，可以滿足用電設備和發電設備增加的要求。直流母線方式系統的關鍵在于直流母線電壓的設定范圍和變動方式，從而決定各單元的運行方式。

本文采用直流母線方式的分布式發電系統，其結構如圖1所示，由發電單元、儲能單元、控制單元和模擬負載單元組成。其中發電單元由風力發電、光伏發電組成；儲能單元由鉛酸蓄電池組成；控制單元由四個 DC/DC變換器、DC/AC變換器和AC/DC變換器組成。發電單元和儲能單元通過相應的功率變換器以直流的形式輸出，并匯流到系統的直流母線。直流母線通過獨立型DC/AC變換器給關鍵負荷供電，通過雙向DC/DC變換器與儲能單元之間進行能量交換，通過雙模式型DC/AC變換器與公用電網/配電網之間進行能量交換。

圖1 系統結構框圖Fig.1 System configuration of distributed generation

3 能量管理

分布式發電系統能量管理的基礎是保持系統中能量的供需平衡，即在系統運行過程中的任意時刻均能滿足：

式中，PGi為系統中第i個發電單元發出的功率；L為系統中發電單元的個數；PSj為第j個儲能單元吸收或發出的功率；M為系統中儲能單元的個數；PLk為第k個負荷需求的功率；N為系統中負荷的個數；PGRID為電網吸收或發出的功率。當系統并網運行即電網存在時，式（1）總能滿足。當系統獨立運行即電網不存在時，PGRID=0，此時式（1）可簡化為

為了使分布式發電系統能夠穩定、可靠以及經濟地工作，必須保證發電單元和儲能單元協調工作，對系統的能量流向進行管理。在獨立運行時，分布式發電能量管理控制算法根據發電單元的單位時段運行成本選擇運行成本較低的發電單元，優化分布式發電系統的運行成本。在并網運行時，由于分布式發電系統能夠實現與電網的電能交換，因此，能量管理控制算法應根據電網電價實時地買入或者賣出電能，追求分布式發電系統的利益最大化。光伏電池和風力發電機等發電單元則將其運行成本與電網電價進行比較，若運行成本高于電網電價時，進入關閉狀態；若運行成本低于電網電價時，開始正常啟動。對于儲能單元，當電網電價最低時，以最大功率給儲能單元充電，并可結合電網電價調整充電功率的大小，即電網電價低時，充電功率大，電網電價高時，充電功率小；當電網電價較高時，儲能單元根據能量管理系統的調度指令釋放足夠的電能，在賣電過程中，當儲能單元存儲的電能釋放到只夠維持本地關鍵負荷不間斷供電的要求（即備用發電單元啟動過程中，關鍵負荷需要消耗的電能）時停止釋放電能，進入待機狀態。

3.1 發電預測模塊

本文所要研究的分布式發電系統中，發電單元主要由光伏陣列構成，儲能單元由蓄電池組構成。為了降低光伏陣列輸出電能的隨機性對分布式發電系統的影響，能量管理系統需要采取一定的方式先預測光伏發電單元的輸出電能，然后依靠預測的輸出電能和蓄電池剩余容量制定發電計劃，通過分布式發電系統的模擬運行確定變換器及儲能裝置的實際運行設定值，實際運行過程中再根據發電單元和儲能單元的實時狀態實時調整能量流傳輸的大小和方向，使其工作在理想工作模態，從而對整個系統進行能量流動管理，實現負荷需求與發電的能量平衡和系統運行成本最優化。

本文以華中科技大學新能源研究中心光伏發電實驗平臺(東經114°，北緯30°)為研究對象，以光伏監控系統數據庫的歷史發電數據和氣象數據為參考。以光伏監控系統數據庫中2006年12月19日～25日的日發電量數據為例，如圖2所示。

圖2 日發電量Fig.2 Daily power output

如圖2所示，對于光伏發電單元來說，一個明顯的特征就是光伏陣列發電量時間序列的本身高度自相關性。因為在陣列的歷史發電量時間序列中，所有的發電量時間序列來自于同一套發電系統，數據自身就包含了光伏陣列的系統信息，解決了光伏陣列的安裝位置隨機性和光伏陣列的使用時間等對轉換效率的影響。除了歷史發電量外，還需要考慮日類型、大氣溫度對光伏陣列發電量的影響。設計的模型結構如圖3所示，每個模型的輸入矢量為X=（x1,x2,…,x16），其中x1,x2,…,x12分別為預測日前一天的12個時間點的發電量，x13,x14為前一天的最高氣溫、日類型指數，x15,x16為預測日的最高氣溫、日類型指數。輸出變量y1,y2, …,y12對應預測日的12個時間點的發電量。

圖3 預測模型拓撲結構Fig.3 The topology of the forecasting model

圖4為三天皆是晴天時預測模型的預測結果，從圖中可以看出，神經網絡模型能夠準確地預測光伏陣列的發電量。

圖4 預測模型的預測結果Fig.4 The forecasting results of the model

3.2 最優控制模塊

最優控制模塊利用數據庫中的規則集、當前狀態、發電預測模塊的預測數據和其他的需求進行推理決策，以確定發電系統的狀態轉換和控制參數。決策推理模塊是能量管理系統的核心模塊，它主要由兩部分組成：運行模式判斷和模糊控制策略。

3.2.1運行模式判斷

制定每天的運行模式需要綜合考慮光伏陣列的預測發電量、蓄電池組的剩余容量。蓄電池的剩余容量是指在當前工作狀態下，蓄電池還能輸出的電量。蓄電池的剩余容量也常用其荷電狀態來表示。蓄電池能夠輸出的容量受到許多因素的影響，它不能直接被測量到，同樣其剩余容量計算也受到這些因素的影響，也就必須間接計算才能得到。對于這個問題，本文采用安時法進行剩余容量預測。

直接測量蓄電池放電或充電電流，再乘以時間值，就得到安時量。由于充入蓄電池的電量并不都是全部轉換成化學能存儲，它們之間存在一個充電效率的關系，因此對于充入電量Cch為

式中，η為充電效率；Ij為第j秒時的充電電流平均值。

由于蓄電池放電深度是影響壽命的一個主要因素，放電深度越大，使用壽命越短。因此，在系統運行過程中，需要考慮蓄電池的充放電管理，保證蓄電池的放電深度情況下兼顧系統運行成本。例如，當蓄電池剩余容量較小，而此后三天的預測發電量小于負荷消耗時，能量管理系統需要采用模式切換在電價較低時增加蓄電池的充電功率，避免在電價較高時由于發電功率不夠向電網買電，從而降低運行成本。綜合考慮電網實時電價、發電單元預測電能輸出和蓄電池的剩余容量，能量管理系統設計了兩種運行模式：穩定運行模式和經濟運行模式。

運行過程中，能量管理控制算法首先根據光伏陣列三天的預測發電量和蓄電池的剩余容量判斷每天的運行模式，然后依靠光伏陣列當天的預測發電量和蓄電池的實時狀態查找模糊控制規則進行蓄電池充放電控制器和DC/AC變換器的控制，來實現系統能量管理。在穩定運行模式下，所有時段采用低谷的模糊控制規則，系統優先考慮蓄電池的充、放電管理，保障系統的持續供電能力；在經濟運行模式下，不同時段采用不同的模糊控制規則，系統優先考慮系統的運行成本，根據分時電價進行能量調控。具體判斷過程見表1。

表1 運行模式選擇規則Tab.1 Choice rules of operation

表中，S表示穩定運行，C表示經濟運行，VS、S、M、B、VB分別表示蓄電池剩余容量為較小、小、中等、大、較大，111表示三天中每天的預測發電量都大于系統額定負荷消耗，001表示三天中只有第三天的預測發電量大于系統額定負荷消耗，其他數字組合的含義可類推。

3.2.2模糊控制策略

模糊控制的最大特征是將人的經驗表示成語言控制規則，然后再用這些控制規則去控制系統。因此模糊控制特別適用于模擬人的經驗對數學模型未知的、復雜的、非線性系統的控制中。在分布式發電系統中，光伏陣列的發電量預測輸出、儲能單元蓄電池的剩余容量均為不確定量，所以采用模糊控制進行分布式發電系統的能量管理。模糊控制器采用如下3個模糊變量:

（1）FP（Forecasting Power）——（光伏陣列）預測輸出電量。

（2）SOC（State of Charge）——（蓄電池）剩余容量。

（3）DC（Dispersal Current）——（蓄電池）分流量。

其中，FP、SOC為輸入模糊變量，DC為輸出模糊變量。

把FP論域量化為6檔，即:{0 ,1 ,2 ,3 ,4 ,5 }。選用的詞集為{0, VS, S, M, B, VB }。把SOC論域量化為11檔，即{0 ,1 ,2 ,3 ,4 ,5 ,6 ,7 ,8 ,9 ,10 }。選用的詞集為{VS, S, M, B, VB }。把DC論域量化為7檔，即: {-3 ,-2 ,-1 ,0 ,1 ,2 ,3 }。選用的詞集為{NB,NM, NS, ZE, PS, PM, PB}。FP、SOC、DC的隸屬函數分布圖如圖5所示：

圖5 隸屬函數Fig.5 Membership functions

分布式發電系統能量管理的目的是系統運行成本最優化，那么在模糊控制規則的制定需要對電網電價進行充分考慮，本文以分時電價為例。其中，峰谷時段劃分一般是分為三個時段即高峰、平段、低谷三個時段。高峰為8：00～12：00和18：00～22：00，低谷為 0：00～8：00，平段為 12：00～18：00和 22：00～0：00。峰值電價為 0.6286元/kWh，平段電價為 0.49元/kWh，低谷電價為 0.1050元/kWh[12]。

因此，模糊控制策略為：當運行時間為電價低谷時，系統優先考慮從電網買電提供負載供電和進行蓄電池充電；當運行時間為電價高峰時，系統優先考慮向電網賣電；當運行時間為電價平段時，如果光伏陣列和風機的總輸出功率大于負載功率，系統不再優先考慮向電網賣電，而是一邊以恒定電流給蓄電池充電，一邊將多余的電能賣給電網。具體控制參數見表2。

表2 模糊控制規則Tab.2 Rules of fuzzy control

（c）平段的模糊控制規則SOCFP VS S M B VB 0 NM NS ZE PS PMVS NM NS ZE ZE PSS NM NS ZE ZE ZEM NM NS ZE ZE ZEB NM NS ZE ZE PSVB NM NS ZE PS PM

4 算例分析

本文采用組態軟件模擬分布式發電系統的運行過程。在考慮氣候和地域條件的原則下，分布式發電系統設計為發電單元和本地負荷的容量基本匹配，即在長期運行情況下發電單元的輸出電能基本滿足本地負荷。模擬運行系統由3.0kW的光伏陣列和1.2kW的風力機組構成發電單元，儲能單元由滿足負荷需求三天的蓄電池組構成。直流母線通過DC/AC變換器與電網連接實現電能交換，系統模擬運行過程如圖6所示。

圖6a為系統模擬運行時光伏、風力發電單元的輸出功率和負荷需求。圖6b為系統由穩定運行模式轉經濟運行模式。圖6c為經濟運行模式下的系統模擬運行結果，當運行時間在低谷時，系統從電網買電為負載供電和進行蓄電池充電，電網輸出功率為負值；當運行時間為高峰時，系統向電網賣電，電網輸出功率為正；當運行時間為平段時，如果光伏陣列和風機的總輸出功率大于負載功率，系統一邊以恒定電流給蓄電池充電，一邊將多余的電能賣給電網，此時蓄電池輸出功率為負，電網輸出功率為正。表3為系統在圖6c的運行過程中與電網買賣的電量及其收益。

圖6 系統模擬運行結果Fig.6 Typical operation results

表3 系統運行收益Tab.3 Gain of operation

從表中可以看出，模糊控制策略使得分布式發電系統在電價低谷時買入電能, 在電價平段和高峰時賣出電能。分布式發電能量管理系統綜合考慮電網電價和發電單元的運行成本，當電網電價較低時，能量管理系統從電網買入電能滿足負荷需求和儲能單元充電；當電網電價較高時，能量管理系統盡可能地使用當地發電單元滿足分布式發電系統的全部需求，并且不向電網買入電能。對于整個分布式電網而言，這種行為是有利的。因為在需求高峰時，基于開放式電力市場的電價較高，能量管理系統能夠部分或者全部地滿足其內部需求，將有助于減輕電網的阻塞。對于分布式發電系統而言，能量管理系統考慮了市場價格、負荷需求和發電單元運行成本，系統運行期間不僅獲得運行收益10.212元，完成了系統的運行成本最優化，還緩和了高峰期間的電力供需矛盾，補償了電網調峰成本。

5 結論

分析了分布式發電系統的系統結構和能量管理策略，提出了一種基于模糊控制的分布式發電能量管理控制算法。在維持系統能量供需平衡的基礎上，該算法根據蓄電池的剩余容量和預測的光伏陣列發電量將系統運行分為穩定運行和經濟運行兩種運行模式，保證了儲能單元的性能和壽命。采用光伏陣列發電預測模型的預測發電量作為能量管理控制算法的輸入參考量，解決了光伏陣列輸出電能的隨機化問題。建立了基于發電預測和運行成本最優化的分布式發電系統模擬運行模型，模擬運行結果表明，通過對發電單元的輸出電能預測和儲能單元剩余容量預測，系統可以根據實時運行狀態進行模式切換；同時，在電網電價變化時，系統能根據模糊控制規則快速地尋找新的工作點，實時調控發電單元和儲能單元，優化了系統運行成本。

本文的模型僅考慮了電力市場實時電價對分布式發電系統能量管理的影響，未計及輸電約束和分布式發電系統的能量管理策略行為對電力市場均衡的影響，因此如何進一步優化模型，是下一步要做的工作。

[1] Vovos P N, Kiprakis A E, Wallace A R, et al.Centralized and distributed voltage control: impact on distributed generation penetration[J]. IEEE Transactions on Power Systems, 2007, 22(1):476-483.

[2] Katiraei F, Iravani M R. Power management strategies for a microgrid with multiple distributed generation units[J]. IEEE Transactions on Power Systems, 2006, 21(4): 1821-1831.

[3] Gil H A, Joos G. Customer-owned back-up generators for energy management by distribution utilities[J].IEEE Transactions on Power Systems, 2007, 22(3):1044-1050.

[4] Hiscock N , Hazel T G, Hiscock J. Voltage regulation at sites with distributed generation[J]. IEEE Transactions on Industry Applications, 2008, 44(2): 445-454.

[5] Jewell W T, Unruh T D. Limits on cloud-induced fluctuation in photovoltaic generation[J]. IEEE Transactions on Energy Conversion, 1999, 5(1): 8-14.

[6] Mellit A, Arab A H, Khorissi N, et al. An ANFIS-based forecasting for solar radiation data from sunshine duration and ambient temperature[C]. IEEE Power Engineering Society General Meeting, 2007.

[7] Sera D, Teodorescu R, Hantschel J, et al. Optimized maximum power point tracker for fast-changing environmental conditions[J]. IEEE Transactions on Industrial Electronics, 2008, 55(7): 2629-2637.

[8] Kem E C, Culachenski E M, Ken G A. Cloud effects on distributed photovoltaic generation: slow transients at the gardner, massachusetts photovoltaic experiment[J].IEEE Transactions on Energy Conversion, 1989, 4(2):184-190.

[9] Chakraborty S, Weiss M D, Simoes M G. Distributed intelligent energy management system for a single-phase high-frequency AC microgrid[J]. IEEE Transactions on Industrial Electronics, 2007, 54(1):97-109.

[10] Favuzza S, Graditi G, Ippolito M G T, et al. Optimal electrical distribution systems reinforcement planning using gas micro turbines by dynamic ant colony search algorithm[J]. IEEE Transactions on Power Systems, 2007, 22(2): 580-587.

[11] Tsikalakis A G, Hatziargyriou Nikos D. Centralized control for optimizing microgrids operation[J]. IEEE Transactions on Energy Conversion, 2008, 23(1):241-248.

[12] Yudong T, Hongkun S, Funian H, et al. Investigation on TOU pricing principles[C]. 2005 IEEE/PES Transmission and Distribution Conference &Exhibition: Asia and Pacific Dalian, China, 2005.