基于虛擬儲能的微網風光儲容量優化配置方法研究

程韌俐，梁 順，傅 強，程維杰，何曉峰，李夢月

（1.深圳供電局有限公司，廣東 深圳 518001；2.南瑞集團（國網電力科學研究院）有限公司，江蘇 南京211106；3.國電南瑞科技股份有限公司，江蘇 南京 211106；4.南京師范大學 電氣與自動化工程學院，江蘇南京 210042）

0 引言

大規模可再生能源并網將影響電力系統的穩定性[1]～[4]，利用風能與太陽能天然的互補性特征，可實現風光儲發電系統整體發電量的平滑可控[5]。

風光儲的容量優化配置以及虛擬儲能在微網能量優化管理上已得到廣泛關注。文獻[6]提出了一種基于等可信容量的風光儲容量優化配置方法，綜合考慮了自然資源的隨機波動和常規機組隨機停運的影響，采用了使全生命周期總投資成本最優的風、光、儲容量配置模型進行優化。文獻[7]為了提高風光儲發電單元并網運行的穩定性和經濟性，借助遺傳粒子群算法，提出了一種基于額定容量的發電單元容量優化配置方法。文獻[8]提出了基于蓄電池和超級電容元件的混合儲能系統，并闡述了基于改進布谷鳥算法的風光儲聯合供電系統儲能容量優化配置方法，有效降低儲能系統成本[8]。文獻[9]以改進的粒子群算法與權重系數法為基礎，以經濟效益與能量缺失率為雙目標函數，提出了一種獨立風光儲互補發電系統的多目標優化配置方法。文獻[10]針對家庭場景下的風光儲能源微電網，從微電網需求側管理的角度出發，提出了一種基于柔性負荷控制和虛擬儲能的能量優化管理策略[10]。現有的方法大多僅考慮集中式儲能裝置，對集中式儲能與分布式儲能的協同配合考慮較少。文獻[11]提出了一種蓄電池與虛擬儲能的協調控制策略，用于平抑微網聯絡線功率波動，通過虛擬儲能和電池儲能的優化協調，既可保證用戶舒適度，又可有效減少電池儲能的充放電頻次，避免其過充過放的情況發生。文獻[12]基于最優控制虛擬儲能與電池儲能的優化協調，提出了精確追蹤設定目標參考值的最優儲能響應額度分配方法，能夠保證電池儲能荷電狀態在合理范圍之內，保證空調負荷運行的舒適性，維持用戶進一步參與需求響應的積極性。文獻[13]以空調和電冰箱為對象建立了虛擬儲能模型，證明了其對光伏電站功率波動的消納作用，并詳細分析了虛擬儲能對于用戶舒適度以及用戶經濟效益的影響。目前的虛擬儲能控制方法多為對負載的0，1控制（即負載僅在正常使用和關斷兩種方式間來回切換），這種控制方式靈活性不強，負載功率不可連續調節。盡管部分溫控類負荷（如變頻空調）可解決這一問題，實現功率的連續平滑控制，但此類負荷占總負荷的比重有限。

針對上述問題，本文擬引入基于電力彈簧的分布式虛擬儲能概念，考慮其與集中式儲能裝置的協同性，提出一種基于虛擬儲能的微網風光儲容量優化配置方法。該方法首先分別建立系統數學模型，然后研究分析基于電力彈簧的微網分布式虛擬儲能。分別設計基于改進粒子群算法的風光儲一次優化方法，以及基于改進粒子群算法的主配儲能協同二次優化方法。最后，通過算例分析驗證本文所述方法的有效性。

1 風力發電機、光伏電池與集中式儲能數學模型

本文對微網風光儲互補發電系統的容量優化配置方法進行研究，其原理如圖1所示。

圖1 微電網風光儲互補發電系統的基本原理Fig.1 The basic principle of microgrid wind-solar hybrid power generation system

由圖1可知，本文研究的微網風光儲互補發電系統增加了分布式虛擬儲能，其通過通信鏈路與微網風光儲的能量交換系統相聯，實現能量的等效發出或等效吸收，從而有效提升經濟效益，促進儲能資源的合理配置。本文分別對風力發電機、光伏電池、傳統集中式儲能的數學模型進行研究。

1.1 風力發電機數學模型

風力發電機的功率數學模型為

式中：PWT（i）為第i時段的風力發電機平均輸出功率；PWTr為 風 力 發 電 機 的 額 定 輸 出 功 率；V（i）為 第i時段的平均風速；Vin為風力發電機的切入風速；Vout為風力發電機的切出風速；Vr為風力發電機的額定風速。

本文以15 min為一個時段，24 h共分為96個時段，根據式（1），風力發電機的發電量為

式中：WWT（i）為第i時段的風力發電機累計輸出電量；NWT為風力發電機的數量。

1.2 光伏電池數學模型

光伏電池的發電量為

式中：Q為月平均太陽能輻射量；η為光伏電池板的發電效率；ρ為能量轉化系數，其值為3.6 MJ/kWh；Dr為當月的發電天數；S為光伏電池板面積；PPVr為光伏電池板額定輸出功率。

基于式（3），光伏電池的發電量數學模型可表示為

式中：WPV（i）為第i時段的光伏電池組總發電量；NPV為所安裝光伏電池板的數量。

1.3 集中式儲能數學模型

本文基于虛擬儲能對風光儲互補發電系統的容量優化配置進行研究。其中，主配儲能中的主網儲能為以蓄電池為主的集中式儲能。

當蓄電池組處于充電狀態時，其電量數學模型為

式 中：E′bat（i）為 第i時 段 蓄 電 池 組 所 儲 電 量 的 理論 累 加 值；Ebat（i），Ebat（i+1）分 別 為 第i、i+1時 段 初蓄電池組的實際的儲存電量；QL（i）為第i時段的負荷用電量；γ為充電效率；Ebat_r為考慮放電深度后，蓄電池組的實際可用容量。

當蓄電池組放電時，其電量數學模型為

式中：ηout為放電效率。

2 分布式虛擬儲能研究

為了充分發揮分布式電源（Distributed Generation，DG）接入微網后的積極作用，在DG規劃模型中考慮主動管理措施，以優化每個時段下系統運行狀態。本文所建DG規劃模型包含兩部分：DG容量優化、主動管理措施優化，因建立了兩層規劃模型。

圖2 基于電力彈簧的虛擬儲能基本結構Fig.2 The basic structure of virtual energy storage based on electric spring

本文將電力彈簧的虛擬儲能引入至微網風光儲互補發電系統，其結構如圖2所示。其中，非關鍵負載為對電壓質量要求較低的負載，其可承受一定程度的電壓波動，包括照明設施、烤箱、洗碗機、烘干機等[15]；控制回路根據上級的調度需求，計算得到逆變器的調制信號VES-order；電壓源型整流器負責將母線電壓轉換為穩定的直流電壓；電壓源型逆變器負責根據VES-order，將直流電壓轉換為電力彈簧輸出電壓VES；Cd為電力彈簧的直流側電容；Lf與Cf分別為濾波電感與濾波電容；IES為電力彈簧輸出電流；VNC為非關鍵負載電壓。

基于PI控制器，所述虛擬儲能的控制回路設計如圖3所示。其中，PNC-N為非關鍵負載的額定有功功率；P為虛擬儲能的等效充電/放電功率；k為PI控制器后置增益；abs為取絕對值函數；Vdc為電力彈簧直流側電壓大小；sign為符號函數；PLL為鎖相環，其輸出IES的實時相位值。

圖3 基于電力彈簧的虛擬儲能控制回路Fig.3 Virtual energy storage control loop based on electric spring

以非關鍵負載為阻性為例，所述虛擬儲能等效放電狀態時的相量圖如圖4所示。

圖4 基于電力彈簧的虛擬儲能工作相量圖Fig.4 Virtual energy storage phase diagram based on electric spring

當V′NC不足以達到VS時，ES處于放電狀態，使非關鍵負載與智能負載的電壓和能達到要求。當V′NC已經超過VS時，ES處于充電狀態，使非關鍵負載與智能負載的電壓差能達到要求。其中虛線相量為虛擬儲能控制回路不啟動時的相量，實線相量為虛擬儲能控制回路啟動時的相量，VS為母線電壓。

由圖4可得電力彈簧的虛擬儲能功率數學模型為

式中：P′為虛擬儲能控制回路啟動時虛擬儲能單元消納的功率；P為虛擬儲能控制回路不啟動時虛擬儲能單元消納的功率；φ為NCL的阻抗角；ΔP為有功輸出模型，ΔP＞0表示虛擬儲能充電，ΔP＜0表示虛擬儲能放電；ZNC為非關鍵負載阻抗；VES為虛擬儲能控制回路不啟動時電力彈簧輸出電壓；VNC為關鍵負載的電壓，其應等于母線電壓VS。

3 基于虛擬儲能的微網風光儲容量優化配置方法

本文提出基于虛擬儲能的主配儲能協同的微網風光儲容量優化配置方法，首先不考慮分布式虛擬儲能，以全年負荷正常工作率（Normal Operation of Power Supply Probability，NOPSP）為 約束條件，以能量浪費率（Loss of Energy Probability，LEP）、綜合成本C為目標函數，進行一次優化，求解微網風光儲最優配置；然后引入分布式虛擬儲能，以儲能成本最優為目標，進行二次優化，將一次優化結果中的部分儲能配置替換為分布式虛擬儲能。

3.1 評價體系建立

（1）NOPSP

第i時段供電不平衡量E（i）為

式中：E（i）＞0則該時段電量有盈余，反之則說明該時段負荷缺電。

記MNOPSP（i）為該時段負荷工作狀態標志，計算式為

（2）LEP

第I該時段盈余電量的計算式為

E1（i）=Ebat（i）+[WWT（i）+WPV（i）-QL（i）]γ （10）

若E1（i）＞Ebat_r，則 此 時 蓄 電 池 已 充 滿，反 之則蓄電池未充滿，仍可繼續充電。

因此可得能量浪費率LEP為

式 中：MLEP（i）為 能 量 浪 費 標 志。

（3）綜合成本C

本文采用綜合成本函數對系統投資成本為

式 中：CWT，CPV，Cbat分 別 為 風 力 發 電 機、光 伏 電 池板、蓄 電 池 的 單 價，單 位 元；NWT，NPV，Nbat分 別 為 風力發電機、光伏電池板、蓄電池的使用數量，單位個。

3.2 一次優化

基于改進的粒子群算法，對微網風光儲容量進行一次優化[16]。設定的目標函數為

式中：σ為針對NOPSP的罰函數，其表達式為

式中：Abig取1010，用于實現NOPSP滿足大于0.9的約束條件，保證供電可靠性。

CB用于實現多目標優化，具體為

式中：ω1，ω2分別為綜合成本C與能量浪費率LEP的權重系數，其表達式為

其 中，aij由 判 斷 矩 陣A=（aij）2×2決 定[17]，表 明 綜 合 成本C與能量浪費率LEP在目標衡量中所占的比重。

由于一次優化中須要求解的變量有NWT，NPV，Nbat，因此粒子群算法的搜索空間為三維空間，搜索空間中的任意一個位置可表示為

假設具有j個粒子的種群在三維搜索空間中進行搜索。粒子i在第t次迭代時的起始位置為

相應的速度為

設個體最優位置pi_best（t）為第t次迭代時，粒子i的歷史軌跡中優化目標f最小的位置。全局最優位置pg_best（t）為第t次迭代時，種群中所有粒子的歷史軌跡中優化目標f最小的位置。粒子i在第t+1次迭代時的速度更新公式為

式中：w為慣性權重；c1為跟蹤自身最優位置的權重；c2為跟蹤全局最優位置的權重；r1與r2為0～1區間內服從均勻分布的隨機數。

粒子i在第t+1次迭代時的位置更新為

式中：r為位置更新的約束因子。

根據經驗，傳統的粒子群優化算法中，慣性權重w可取為1，位置更新約束因子r可取為1，自身認知c1與社會認知c2均可取為2，r1和r2取[0～1]的 隨 機 數[18]。

然而，上述傳統粒子群優化算法中的參數除r1和r2以外均是靜態的，優化算法的全局搜索能力將受到一定的制約。為提高粒子群優化算法的全局搜索能力，本文對傳統的粒子群優化算法進行改進，將慣性權重w、位置更新約束因子r、自身認知c1與社會認知c2進行動態設定[19]，設定公式分別為

使 用 式（22）～（24）所 示 的 動 態 參 數 后，與 使用靜態參數的傳統粒子群優化算法相比，優化算法的全局搜索能力將有效提高，更易求解出最優解。微網風光儲互補發電系統容量一次優化的具體流程如圖5所示。

圖5 微網風光儲互補發電系統容量一次優化的具體流程Fig.5 The specific process of optimizing the capacity of the microgrid wind and solar storage complementary power generation system

3.3基于虛擬儲能的二次優化

引入基于電力彈簧的分布式虛擬儲能至微網風光儲互補發電系統，計及其與集中式主儲能的協同，進行二次優化。微網儲能成本最優目標函數為

式 中：N′bat為 蓄 電 池 個 數；N″bat為 虛 擬 儲 能 等 效 于等容量蓄電池的個數；C′bat為虛擬儲能配套設備的單價；pc為向參與虛擬儲能調控的用戶提供的補償，其表達式為

式中：當參與虛擬儲能調控的總負荷功率小于P1時，補償價格為pc_1元/W；當期介于P1與P2之間時，補償價格為pc_2元/W；當期介于P2與P3之間時，補償價格為pc_3元/W；當其大于P3時，補償價格為pc_4元/W。

假設一次優化后，儲能的配置結果為Nb，則約束條件為

改進粒子群算法的計算過程與一次優化類似，僅在搜索空間維度上有所區別，一次優化的搜索空間維度為三維，二次優化的搜索空間維度為兩維。

4 算例分析

本文提出一種基于虛擬儲能的微網風光儲容量優化配置方法，為了驗證其有效性，須進行算例分析。算例的基本參數如表1所示，成本參數如表2所示。

表1 基本參數Table 1 The basic parameters

續表1

表2 成本參數Table2 The cost parameters

某地的一年天氣情況如表3所示，該地的每月平均耗電量如表4所示。

表3 一年天氣情況Table 3 Annual weather conditions

表4 每月平均耗電量Table 4 Average monthly power consumption

使用本文所述的方法，首先進行一次優化，優化結果如表5所示。

表5 一次優化結果Table 5 Primary optimization result

引入基于電力彈簧的分布式虛擬儲能，進行基于虛擬儲能的二次優化，優化結果如表6所示，目標函數f2的最優化過程如圖6所示。

表6 二次優化結果Table 6 Secondary optimization result

圖6 最優化過程Fig.6 Optimization process

以一次優化的結果為標幺值，將二次優化與一次優化的結果進行對比，對比結果如圖7所示。

圖7 一次優化與二次優化的結果對比Fig.7 The results of primary optimization and secondary optimization were compared

根據圖7，使用本文所述的基于虛擬儲能的微網風光儲容量優化配置方法后，在保證NOPSP與LEP不變的基礎上，本算例中的儲能成本可降低約38.6萬元，根據電力彈簧的工作原理，利用空調、照明等非關鍵負荷的虛擬儲能來替代減少的儲能單元，不僅不影響其正常工作，且降低了微網儲能成本。微網風光儲互補發電系統的經濟性得到進一步提升，儲能資源的合理配置得到了進一步優化。

本文以IEEE30節點微電網系統為算例，來驗證提出的基于虛擬儲能的風光儲容量優化配置方法對微網電壓偏移的改進作用。利用微電網實際的光照資源和風能資源情況，可得一天內（96個時段）分布情況，分別如圖8所示。在IEEE30節點系統中，8節點分別設置新能源光伏和風機，并選用容量為20 MW的蓄電池，其最大放電量為75%，最高充電效率為85%，采用本文提出的算法進行一次和二次優化，兩次優化電壓波動率曲線如圖9所示。

圖8 光照資源和風資源24小時分布曲線（96個時段）Fig.8 24-hour distribution curve of light resources and wind resources（96 time periods）

圖9 8節點電壓偏移率Fig.9 Voltage offset rate of the 8 th node

由圖9可以看出，IEEE30節點微網系統在基于虛擬儲能的微網風光儲容量優化配置方法后，相對于一次優化，二次優化后微網系統儲能的經濟性提高，電壓的穩定性有了顯著改善，進一步驗證了算法的有效性。

5 結論

針對微網風光儲容量優化配置僅考慮集中式儲能的問題，本文首先對微網風光儲數學模型進行了分析，然后對分布式虛擬儲能技術進行研究，并提出了基于電力彈簧的虛擬儲能概念，利用改進的粒子群算法，詳細闡述了基于虛擬儲能的主配儲能協同的微網風光儲容量優化配置方法。最后，通過IEEE30節點微網系統算例分析驗證了所述方法的有效性。本文所提方法可實現功率的連續平滑控制，可促進微網儲能資源的合理配置，在虛擬儲能的優化下，電壓偏移率下降。