國外某風光柴儲微網系統優化配置研究

(華北水利水電大學電力學院，河南 鄭州 450000)

1 概述

隨著經濟的發展和人口的不斷增長，人們對電能的需求與日俱增，隨之而來的環境問題使人們的目光更多轉向新能源發電。新能源發電產業在飛速發展的同時，也受到了一些因素的制約，如地區電網結構對光伏、風力發電的并網容量的限制；光伏和風力發電的不穩定性；并網時對電網沖擊較大等。一些地區由于條件限制等種種原因未能并入大電網，負荷需求只能依靠當地微網系統來滿足。

光伏發電和風力發電受氣象條件影響較大，雖然在季節和晝夜上有一定程度的互補，但仍不足以抵消其發電的不穩定性，所發出的電能仍可能有較大的波動。儲能系統的加入可以有效地電力系統的穩定性和電能質量，亦可平衡微網電能供需，故在微網中應用廣泛，主要用于能量管理和改善電能質量等方面。

在眾多儲能技術中，電池儲能(BESS)因其在對電力系統的改善和節約成本方面的顯著作用而備受關注。電池儲能對電網的變化響應迅速，既可以用于能量管理，也可以用于改善電能質量，因而非常適合用于微網。近年來各國微網中電池儲能系統的容量也在不斷地提升，實現了傳統能源發電的成本不斷下降。然而電池儲能系統本身價格高昂，為了實現微網的經濟運行，必須合理規劃儲能系統的容量，用最少的儲能系統實現最低的凈現成本。

對系統進行仿真和優化可應用HOMER軟件來完成。HOMER(Hybrid Optimization of Multiple Energy Resources)是由美國國家可再生能源實驗室(NREL)開發的一款針對可再生能源微網和混合型微網的仿真軟件，在并網和離網條件下均可進行仿真。HOMER的目標函數是取得總凈現成本(TNPC)的最大值，輸入數據一般有電源組成部件，儲能系統組成，電力負荷以及各個組成部分的成本。輸出量一般有總凈現成本(TNPC)，發電成本(COE)，燃料消耗量以及可再生能源的滲透率。該軟件還可以就技術和經濟方面對一個微網系統進行分析，得出最優的容量配置方案。

2 系統的總體設計

2.1 系統概況

該微網系統位于中非地區某國某邊境小鎮，距離該國首都950 km，經緯度坐標22°49′58.14″W，16°05′09.09″N，屬于熱帶沙漠氣候，高溫少雨，最高溫度50 ℃左右，最低氣溫11 ℃，平均氣溫24 ℃。全國分為旱、雨兩季，6～9月為雨季，10月至次年5月為旱季。雨季月平均降雨量為60 mm，平均風速7.1 m/s。

本地發電廠原有風機4臺，每臺容量275 kW，共1.1 MW。2臺容量為250 kVA的柴油發電機組，另有3 061 kWh的儲能電池。遠期規劃將要新增500 kW風機6臺共3 MW、光伏電池1 MW，柴油發電機組1 MW，儲能電池3 MW。

該電廠發出的電能主要供給附近的小鎮使用，是該鎮唯一的電力來源，須保證可靠供電。該地光伏資源和風能資源較為充足，但由于地形條件限制難以與大電網相連，加之柴油價格昂貴。因此結合當地情況，確定為以新能源發電為主要供電來源、柴油發電機為備用電源的思路，因此計劃以風電3 MW，光伏1 MW為基準，調整其他的敏感因素，最終得出仿真結果。

2.2 發電資源概況

在HOMER軟件中，確定某地的經緯度坐標之后，可以直接從NASA數據庫下載該地的風能資源和太陽能資源數據。

2.2.1 太陽能資源

通過給定的經緯度坐標，HOMER可以從NASA數據庫中導出月平均太陽能總輻照數據，通過V.A.Graham算法生成每小時太陽輻射數據，實驗證明該算法可以實現逼真地模擬每小時數據。

從NASA數據庫中導出的該地的太陽能總輻照數據如圖1所示。該地的月平均輻照4月最大，1月最小。

2.2.2 風能資源

導出該地的風能資源如圖2所示，主要衡量標準是月平均風圖中數據是風速計在50 m的高度測得的風速數據，也可選擇“隨高度變化”選項，該方式為風速隨地面高度增加的方式，HOMER將使用這些信息來計算風力渦輪機的輪轂高度處的風速。

圖2 風能資源數據(來自NASA數據庫)

2.3 負荷數據

該地電力部門主要將負荷分為三種類型，其一是需要自動穩壓設備保護的單相設備(Section A)，其二是無保護的單相設備(Section B)，最后是無保護的三相設備(Section C)。三類設備容量總和為526.33 kVA，也即是最低的負荷需求，考慮到備用以及遠期，確定負荷容量為1.25倍負荷容量，即657.91 kVA。

根據軟件中已有的負荷模型，輸入負荷數據，可得到本次研究的負荷模型，該模型是以“社區用電負荷”(Community Load)為基礎的負荷。從配置文件中生成貼近現實的負荷是一種相對快速的方法。生成的負荷數據峰值出現在18:00-21:00，谷值出現在凌晨，符合居民用電的一般規律。

2.4 系統總體設計

該系統初步設計為交流母線微網結構，系統的結構圖如下，柴油機組，光伏陣列，風機和儲能系統接至交流母線，供給交流負荷。

為方便設備的維護管理，考慮將蓄電池安裝在原柴油發電機組附近，蓄電池組通過變流器連接至低壓交流母線；該地地勢平坦開闊，因此規劃光伏陣列和風電機組集中建設，均采用先低壓匯流，再升壓接入的方案。

3 系統仿真及優化

3.1 HOMER仿真策略簡述

針對凈現成本(COE)最低這一目標函數，HOMER軟件中提供了三種仿真和優化策略，分別是負荷跟蹤(Load Follow，LF)、循環充電(Cycle Charging，CC)和預測調度(Predictive Dispatch Strategy，PS)。

3.1.1 負荷跟蹤策略

負荷跟蹤策略是指對于負載，優先采用可再生能源來提供，剩余部分由柴油發電機運行供給。對于新能源出力大于負載的需求時，剩余電量用來給儲能系統充電。在有大量可再生能源的系統中適合采用負荷跟蹤的策略。

3.1.2 循環充電策略

循環充電策略是指優先采用發電機來供給負荷所需要的電能，即發電機滿發并用剩余功率給電池組充電，循環充電策略適用于可再生能源很少或者沒有可再生能源的系統中。

3.1.3 預測調度策略

預測調度策略為最大化可再生能源消納設置的模式。在預測調度策略下，調度算法通過歷史數據預測未來的電力需求，以及下一時刻的太陽能和風能資源可用性。與其他調度策略相比，PS策略通常會使系統運行成本更低。PS策略是預測未來48 h以內的負荷及資源情況，并利用這些數據以一種最經濟的方式運行儲能系統。是目前最先進的現代化市場調度模式之一，在優先使用可再生能源滿足負載的同時，預測未來可再生資源和負載情況，不僅最大限度消納可再生能源，同時也使得供能成本最低。

目前在HOMER軟件中能夠直接實現的運行策略是CC和LF，PS策略僅提供 MATLAB接口，用戶可導入自己用MATLAB寫好的算法。

3.2 相關數據輸入

3.2.1 氣象數據

從NASA導出的氣象數據如表1所示，根據風機的高度，此為風速計在高度為55 m(風機輪轂高度)時所測量的月平均風速和月平均溫度，輸入氣象數據見表1。

表1 輸入氣象數據

3.2.2 經濟學指標

根據當地實際情況，取通貨膨脹率為2%，貼現率為8%。因為裝機容量遠大于實際負荷容量，因此設定容量短缺為0，系統壽命為25年。

3.2.3 系統各組成部分的輸入數據

1)風機。風機的輸出功率與瞬時風速的關系由以下公式確定。

(1)

其中是風機的切入風速，為切出風速，為額定風速，為風機的額定功率。其主要輸入參數見表2。

2)光伏元件。光伏電池采用理想單二極管模型，其輸出電流和輸出電壓的關系如下。

(2)

(3)

其中，是光伏電池的輸出電流，是二極管的反向飽和電流，是光伏電池的輸出電壓，是二極管理想系數，為玻爾茲曼常數，是光伏電池的熱力學溫度。

3)儲能系統。儲能系統采用電化學儲能方式，使用磷酸鐵鋰電池。系統中儲能模塊(包括儲能電池和儲能變流器)容量的數學模型大致可由下式給出：

(4)

其中為電池的空載電壓，為單次充電使用時間，為變流器利用率，為電池利用率，為電池的放電深度。

4)柴油發電機的輸入參數。柴油發電機可以在某一恒定功率下運行，也可以根據負荷變化在最大功率和最小功率之間調整，以滿足負荷需求。故僅需描述其燃料消耗速率。通用柴油發電機的燃料消耗率FD和輸出功率之間大致滿足下式。

FD=aPr+bPD

(5)

其中為燃料轉換因數，即發出1 kWh的電能所消耗的燃料(Liter per kWh，L/kWh)，為柴油發電機組的額定有功功率(kW)，為燃料消耗曲線系數，為柴油發電機組的輸出功率(kW)。為放電深度(Depth of Discharge)。其輸入數據見表3。

表2 500 kW風機的主要輸入參數

表3 柴油發電機的主要輸入參數

3.3 系統仿真結果

完成相關參數和部件的設定后，點擊“Calculate”圖標，HOMER 軟件按遍歷法進行優化并按總凈現成本由小到大的順序輸出若干種技術可行的配置結果優化，輸出結果見表4，表格中M代表“百萬美元”

由表4中數據可以看出，HOMER軟件在設定條件下給出的最優配置為光伏配置1 000 kW、風機配置3 000 kW、柴油機配置300 kW、蓄電池配置1 010 kWh、雙向變換器配置500 kW，控制策略采用負荷跟蹤(LF)策略；在該配置下的總凈現成本和發電成本最低，分別為1 080萬美元和0.709美元/kWh。同時新能源發電的滲透率也相對較高，可以有效減少柴油發電機的使用，同時一部分柴油發電機的功率 也保證了系統供電的可靠性。

3.4 靈敏度分析

對最優方案進行靈敏度的分析，該配置下各組成部分的凈現成本構成如表5所示。

可以看出，該系統的主要成本構成為風機的投資成本和運維成本，光伏和蓄電池的投資成本等。設備的投資成本和燃料成本隨著市場價格波動變化；另外風資源和光資源由于自身的間歇性和波動性也是總凈現成本和單位供電成本的影響因素。

本次仿真選取了若干個敏感因素，分別是風速、太陽輻射量、風速投資成本、光伏投資成本和蓄電池投資成本。仿真過程中，固定其他條件，調整單個敏感因素以一定比率變化，得出敏感因素變化時總凈現成本和發電成本變化的最優配置折線圖(見圖3)。

表4 HOMER軟件優化配置結果數據

表5 微網系統各組成部分的凈現成本構成

圖3 不同敏感因素對總凈現成本的影響

以上敏感因素在±20%之間變化時，最優容量配置均未發生改變。COE 隨著風速以及太陽輻射量的增大而降低，隨著各部分成本的增加而增大；其中 COE關于風速、風機投資成本和光伏投資成本變化曲線的斜率比較大，關于太陽輻射量和蓄電池投資成本變化曲線斜率較小，說明風速、風機成本和光伏成本是最敏感的因素，應重點關注和確定這些影響。

以上敏感因素在±20%之間變化時，最優容量配置均未發生改變。COE 隨著風速以及太陽輻射量的增大而降低，隨著各部分投資成本的增加而增大；其中 COE關于風速、風機投資成本和光伏投資成本變化曲線的斜率比較大，關于太陽輻射量和蓄電池投資成本變化曲線斜率較小，說明風速、風機成本和光伏成本是最敏感的因素，應重點關注和確定這些影響因素。

3.5 優化配置方案的確定

在前述仿真結果中，方案1和方案2更能保證系統穩定性，方案3至方案6則將柴油機完全置于備用狀態。從經濟性的角度，若以方案1為基本案例，方案2和方案3相比于方案1都能夠在項目生命周期內節省資金，恢復投資成本差異的時間分別是16年和18年。從環保的角度上，方案二的可再生能源滲透率更高，相比于方案一各種污染物的年排放量也大為減少，選用方案二對當地的環境更有益，若不考慮柴發備用，可以選擇方案三。綜合系統穩定性，經濟性和環保的要求，本次研究最終選擇方案一，即配置柴油機的方案。配置如表6所示。

從項目性價比、運行效益和考慮柴油發電機備用的角度出發，采用此方案可以實現COE為0.709美元/kWh，可再生能源利用率90.5%。在仿真周期中，柴油發電機全年所發電量為 17 152 kWh；風機所發電量為5 991 397 kWh；光伏所發電量為2 124 981 kWh；過剩可再生電量為 6 923 307 kW；總供出電量 8 133 531 kWh；燃料耗量5 230 L。

表6 最終方案配置表

4 結論與展望

本論文雖然取得了一定的成果，但是還有以下方面需要更加深入的研究。

1)對該地的風、光資源以及具體的施工、運輸條件掌握得還不充分、不準確，導致優化配置得出的方案會有誤差；后續需盡快完善測風、測光設備，收集準確數據，并組織地形測繪、地質勘查、施工條件踏勘等工作，以便給優化配置算法提供準確的參數，從而得出最符合實際、最優化的配置方案。

2)隨著微網技術的發展和相應設備的研發，探索更為合適的優化配置方法，亦可編制更為合適的優化算法，對該微網系統配置方案進行更為科學地、系統地研究。