獨立型風光互補系統中儲能容量優化研究

何勇琪，張建成

(華北電力大學 電氣與電子工程學院，河北 保定071003)

0 引言

隨著世界經濟的發展，人類對能源的需求量與日俱增，傳統的非可再生的石化能源的儲量已經急劇下降，在不久的將來這些石化能源將會消失殆盡。所以人類在對能源的尋求上轉向了諸多新型可再生能源，諸如風能、太陽能、地熱能、潮汐能等，以解決當前的能源緊缺問題［1］。偏遠地區無法與電網連接，結合當地的自然資源，發展相應的新能源技術，解決當地電力需求是非常必要的。而電網的發展趨勢將由以前的大而集中供電轉變為小而分散供電。這樣能提高電網的安全性，減小由局部故障引發大面積停電的危險。所以，微電網將是現代電力系統的重要發展方向［2，3］。現在開發技術較為成熟的兩種新能源為風能和太陽能，而風能和太陽能在時間空間上又具有較好的互補性，再由儲能系統來填補氣象的隨機變化，風光互補發電系統將有很大的發展潛力，目前已有諸多學者從事這方面的研究。文獻［4］研究基于遺傳算法的風光互補供電系統優化設計，但缺乏對儲能裝置內在特性的考慮，并且遺傳算法要進行復雜的遺傳變異操作。而現在針對于風電、光伏的出力預測的研究也在較廣泛地進行當中，對風電、光伏進行系統全面的發電預測，預測結果較為準確。文獻［4 ～6］研究風光互補優化設計的文章中，在儲能容量的優化上只是從其輸出電量方面考慮，缺少儲能系統功率輸出能力方面的考慮。本文將以風電、光伏系統全面的發電預測數據為依托，從儲能系統電量輸出和功率輸出兩方面出發，充分考慮儲能器件的內部特性來較準確地計算出滿足用戶所供電要求的儲能系統的容量。

1 風光互補發電系統簡介

我國目前已有一些風電、光伏發電的示范工程項目，但系統的裝機容量較小。隨著風電單機容量的提高，光伏技術的進步，以及儲能技術的發展，大容量的風電、光伏發電并網項目也會在不久的將來大力發展。而當前國家正在建設較大規模的風光互補發電示范工程也標示著風電、光伏的發展方向。這些示范工程的建設與運行，也為將來風電、光伏發電大規模并網運行積累經驗及技術。獨立型風光互補發電系統結構如圖1。

圖1 獨立型風光互補發電系統結構圖Fig．1 Structure of stand along wind/PV/storage hybrid generation system

獨立型風光互補發電系統作為一個優良的分布式電源，在邊遠山區、高原、海島等地作為供電電源，充分利用風能和太陽能，對當地負荷進行供電，而它的獨立運行也為將來風電、光伏大規模并網運行提供一定的經驗。

2 基于粒子群算法的儲能容量優化配置

蓄電池作為一個比較成熟的儲能器件，具有能量密度高的優點，但同時也具有功率密度低、循環壽命短、充放電效率較小的缺點。超級電容器作為一個新型的儲能設備，具有功率密度高、壽命長、充放電速率快等優點，然而與蓄電池相對的是超級電容器的能量密度低，一般只有蓄電池的20%［7］。所以，將超級電容器與蓄電池混合儲能，就能將二者的優點相結合，并且通過適當的控制策略，超級電容器能延長蓄電池的使用壽命［8］。超級電容器與蓄電池混合的儲能裝置能在風光互補發電系統中較好地滿足負荷的功率和能量需求。

2.1 優化目標模型

獨立型風光互補發電系統儲能系統容量優化配置要求在給負荷供電滿足一定的要求下，配置儲能的費用最小。而給負荷供電的水平由負荷年總缺電率LPSP 來衡量［9］，要求負荷年總缺電率小于制定的標準值，并且儲能還應滿足支撐負荷的瞬時功率缺失。超級電容器和蓄電池混合儲能系統容量優化計算的數學模型為

式中:n1，n2分別為超級電容器和蓄電池的個數;c1，c2分別為超級電容器和蓄電池的單價;Cmax為系統允許的最大儲能容量;ΔP 為負荷缺失的功率。

為了精確配置儲能裝置的容量，要求準確計算負荷缺電率LPSP，然而風、光、負荷的預測數據的準確度和儲能裝置的內部特性與負荷缺電率LPSP 有著緊密聯系。因此，在風光互補發電系統儲能容量的最優化中，提高預測數據精確度和考慮儲能裝置的充放電特性等諸多因素成為必然。

2.2 優化計算方法

2.2.1 負荷缺電率LPSP 的計算

利用風電、光伏以及負荷的發用電預測數據，風電、光伏在給負荷供電時，負荷與風光的求供電差值如下式:

當ΔE≤0 時，說明風電、光伏所發的電量能供應負荷所需，儲能裝置可以進行充電。

當ΔE ＞0 時，說明風電、光伏所發的電量不能滿足負荷的需求，儲能裝置需要給負荷供電，儲能裝置放電。為了防止負荷用電時突然的大功率缺失，引起電能質量驟降，給整個發電系統及用戶帶來損害，儲能裝置必須能快速輸出大功率以支撐系統。超級電容器和蓄電池的聯合儲能裝置發出的總功率必須不小于最大瞬時功率缺失(單位時間內的平均功率)，即

其中［10］:

所以，式(2)變為

在儲能裝置能夠保證足夠的輸出功率下，能量輸出量也應能達到負荷需求。本文以負荷缺電率來衡量風光互補發電系統的供電效果，所謂負荷的缺電率就是在系統運行過程中，負荷對電能的需求量對所得電量之間的差值(LPS)與負荷總需求量的比值，滿足下式［9］:

式中:t 為單位時間間隔;T 為總計算次數。

這時，儲能裝置里儲存的電能與負荷、風光的求供電缺額的差值為

當ΔΔE (t)≥0 時，說明儲能裝置當時所儲存的電量可以填補負荷的需求差值，這時LPS(t) =0。

當ΔΔE (t) ＜0 時，說明儲能裝置的電量不夠填補負荷需求，儲能裝置差多少電就表明負荷缺多少電，這時缺電量LPS (t) =ΔΔE。

在計算負荷總缺電率時，除了儲能容量大小因素，還要估算超級電容器的實際存儲的能量和蓄電池的荷電狀態，這樣才能更加準確地計算負荷缺電率LPSP。通常利用安時計量法來估算蓄電池的荷電狀態SOC，如下式［11］:

式中:ηC為充電效率;ηD為放電效率;Iin為充電電流;Iout為放電電流。

雖然在單位計算時間內，儲能裝置可能會有多次的充放電循環，只要單位計算時間間隔的越小，風電、光伏的發電預測數據與實際數據的誤差越小，在單位時間內它們的荷電狀態可以用平均量來求某一單位時間開始到下一單位時間開始這段時間內的荷電狀態的變化。在風、光、負荷預測數據的每一個單位計算時間內，超級電容器下一時刻存儲的能量和蓄電池下一時刻的荷電狀態分別為

其中:

由此連續計算，最后得出負荷全年的缺點率LPSP。

2.2.2 粒子群算法

粒子群算法 (Partical Swarm Optimization，PSO)是從隨機解出發，通過迭代尋找最優解，它也是通過適應度來評價解的品質，粒子群算法容易實現、精度高、收斂快，沒有類似遺傳算法的遺傳變異等復雜操作。

在每一次迭代中，粒子群里的每一個粒子通過跟蹤兩個“極值”來更新自己，第一個就是粒子本身所找到的最優解，叫個體極值點pbest;另一個是整個種群目前找到的最優解，叫全局極值點gbest。假設一個由M 個粒子組成的群體在D 維的搜索空間里飛行搜索，粒子i 在t 時刻的狀態屬性如下:

粒子個體最優位置:

全局最優位置:

粒子在t+1 時刻的位置通過下式更新:

式中:c1，c2為學習因子;r1，r2為兩個0 到1 之間的隨機數。

這樣，粒子位置的每一次變更，計算的值都跟個體最優和全局最優進行比較，粒子的當前值優于個體最優時個體最優被粒子當前值替換，若也優于全局最優值，全局最優也被粒子當前值更替。

所以，基于粒子群的容量優化配置流程如下:

(1)初始化粒子群，在儲能容量的取值范圍內，每個粒子隨機取值，以及初始化個體最優，全局最優。

(3)每個粒子計算儲能裝置所能發出的最大功率以及相對應的負荷缺電率，是否滿足負荷的功率需求以及LPSP (t)≤LPSPmax，若滿足，則計算目標函數F (，)，并且與粒子的個體最優、全局最優進行比較，更替最優值。

3 算例分析

假設某一風光互補示范工程規模為100 MW的風電場，50 MW 的光伏發電站，現假設當地負荷為60 MW，并且獨立運行，現在要為其配置儲能容量。選取的超級電容器的組合單體容量為30 000 F，額定電壓為27 V，最大電流為4 500 A，內阻為3 mΩ，單價為10 000 元;選取的蓄電池為鉛酸蓄電池，單個鉛酸蓄電池的容量為400 Ah，額定電壓為24 V，內阻為68 mΩ 蓄電池的最大放電深度為75%，蓄電池單價為2 800 元。

現有預測精度為0.5 h 的風電年發電預測數據、光伏年發電預測數據、負荷年用電預測數據如圖2 ～4 所示。

現制定負荷最大缺電率為0.05，在這一水平下，先觀察在不考慮儲能系統功率輸出能力的情況下，儲能系統容量的大小和實際供電情況。其結果如表1。

圖2 風電0.5 h 發電預測值Fig．2 Forecast of half an hour of wind power

表1 不考慮儲能系統輸出功率的結果Tab．1 Result of calculation without regard to the power of the storage

由表1 可知，若不考慮儲能系統的輸出功率能力，滿足負荷最大缺電率為0.05 時只需要1 468個蓄電池就足夠了，但是由預測數據計算得出負荷的最大瞬時功率缺失為52 890 000 W，而由蓄電池能提供的功率為6 217 411 W，所以這種情況下的儲能容量無法滿足負載的功率缺額。

在上述同樣的供電要求下，現觀察考慮儲能系統功率輸出能力的3 種儲能方式來比較它們的容量大小，如表2 所示。

結果表明，由于超級電容器的能量密度低，蓄電池的功率密度低，造成它們儲能時在同等供電要求下所需要的成本要比超級電容器和蓄電池混合儲能的成本高得多。所以，利用超級電容器和蓄電池的混合儲能系統能提高經濟效益。

表2 3 種儲能方式結果Tab．2 Result of three energy storage ways

4 結論

(1)同時負荷的缺電率和負荷的最大瞬時功率缺失來確定儲能容量的大小，得出的優化容量是較為準確的。

(2)在同時考慮負荷缺電率和儲能系統實際的功率輸出能力 (即表現在儲能系統的放電速率)時，由超級電容器和蓄電池組成的混合儲能系統能提高風光互補發電系統的經濟性、可靠性。

［1］冬雷，廖曉鐘，劉廣忱，等．分布式風光互補發電系統及其多目標優化控制策略研究［J］．儀器儀表學報，2005，(2):750-753．Dong Lei，Liao Xiaozhong，Liu Guangchen，et al．Multi-index optimization control strategy based on distributed PV and wind energy complemental generation system［J］．Chinese Journal of Scientific Instrument，2005，(2):750-753．

［2］趙波，李鵬，童杭偉，等．從分布式發電到微網的研究綜述［J］．浙江電力，2010，(3):1-5．Zhao Bo，Li Peng，Tong Hangwei，et al．Survey on development from distributed generation to microgrid［J］．Zhejiang Electric Power，2010，(3):1-5．

［3］周曉曼．風光互補發電系統［J］．農村電氣化，2008，(1):48-49．Zhou Xiaoman．Wind/PV hybrid generation system ［J］．Rural Electrification，2008，(1):48-49．

［4］徐大明，康龍云，曹秉剛．風光互補獨立供電系統的優化設計［J］．太陽能學報，2006，27 (9):919-922．Xu Daming，Kang Longyun，Cao Binggang．Optimal design of standalone hybrid wind/PV power systems［J］．Acta Energian Solaris Sinica，2006，27 (9):919-922．

［5］談蓓月，衛少克．風光互補發電系統的優化設計［J］．上海電力學院學報，2009，25 (3):244-248．Tan Peiyue，Wei Shaoke．Optimization design of wind/PV hybrid system［J］．Journal of Shanghai University of Electric Power，2009，25 (3):244-248．

［6］Zhao Y S，Zhan J，Zhang Y，et al．The optimal capacity configuration of an independent wind/PV hybrid power supply system based on improved PSO algorithm［C］．International Conference on Advances in Power System Control Operation and Management，2009．1-7．

［7］魯蓉，張建成．超級電容器儲能系統在分布式發電系統中 的 應 用 ［J］．電 力 科 學 與 工 程，2006，22(3):63-67．Lu Rong，Zhang Jiancheng．Application of super capacitor energy storage system to distributed generation system［J］．Electric Power Science and Engineering，2006，22 (3):63-67．

［8］唐西勝，齊智平．超級電容器蓄電池混合電源［J］．電源技術，2006，30 (11):933-936．Tang Xisheng，Qi Zhiping．Study on the ultracapacitor/battery hybrid system ［J］．Chinese Journal of Power Sources，2006，30 (11):933-936．

［9］Testa A，S De Caro，R La Torre，et al．Optimal design of energy storage systems for stand-alone hybrid wind/PV generators ［C］．International Symposium on Power Electronics Electrical Drives Automation and Motion， 2010．1291-1296．

［10］桂長清．實用蓄電池手冊［M］．北京:機械工業出版社，2011．35-37，397-398．

［11］雷肖，馬歷．蓄電池荷電狀態閉環動態估算模型［J］．電源技術，2008，32 (6):398-401．Lei Xiao，Ma Li．Close-loop dynamic estimation model for battery state of charge ［J］．Chinese Journal of Power Sources，2008，32 (6):398-401．