基于共享儲能的微網園區系統能量協同優化

2021-09-28 05:36:48周步祥鄒家惠董申廖敏芳張致強

電氣傳動 2021年18期

周步祥，鄒家惠，董申，廖敏芳，張致強

（1.四川大學電氣工程學院，四川成都 610065；2.四川省電力公司建設工程咨詢分公司，四川成都 610011；3.中國核動力研究設計院核反應堆系統設計技術國家重點實驗室，四川成都 610011）

目前對于能源互聯網（energy internet，EI）的研究，有些國家已經不僅限于理論的研究，開始步入實踐階段。一種未來可再生電力能源傳輸和管理（future renewable electrical energy delivery&management，FREEDM）系統，由美國北卡羅萊納州立大學提出，目前已經成為初步具備能源互聯網特征的能量管理系統[1]。德國技術創新計劃E-energy從自動在線測試儀（in circuit tester，ICT）技術與現有整個電力系統融合的角度，提出了能源互聯網的概念，并在實現系統運行雙側協調方面取得了較為顯著的應用效果[2]。日本建立的數字電網使電能自身攜帶的信息進行電力的調度和優化，從而提升了能源互聯網的信息交互技術，引領其步入到一個新的層次。我國對于能源互聯網的研究工作已經進入到白熱化階段，尤其是今年國家電網的會議上提出的“泛在電力物聯網”的概念，將該技術的研究推進高潮。

“源-網-荷-儲”是實現能源互聯網的重要途徑，共享儲能是其中關鍵技術。文獻[3]的研究對象為居民社區，為解決社區綜合能源系統多能需求，如冷、熱、電，提出了利用混合整數線性規劃超結構模型進行問題的解決。為保障園區合理的投資回報，文獻[4]從“源-網-荷-儲”微平衡市場、網對網輔助服務、優化控制運行、新型備用容量機制、內外兩級購售電等方面，提出微網運營主體一體化以及投資主體多元化的模型，對該園區建立一體化運營模式，提出微網經濟性分析方法。文獻[5]對分布式能源隨機建模，采用場景分析法分析，并建立了冷熱電聯產（combined cooling heating and power，CCHP）系統、新能源以及儲能的區域綜合能源系統聯合調度模型。上述研究都是對于社區以及園區的區域調度模型的分析，對于園區的能量協調優化研究不夠深入。

本文研究在能源互聯網的環境下，以電力為主要能源，構建園區微網與共享儲能結合的優化調度模型。根據微網能量約束條件以及負荷的預測數據，調整分布式能源出力，進而根據成本建立的目標函數進行計算，調整各微源包括共儲能的實際出力。采用模糊遺傳算法計算得到最優協調出力結果。

1 “源-網-荷-儲”協調優化運營模式及模型構建

1.1 協調優化運營模式

“源-網-荷-儲”傳統的運營模式是一個包括“電源”、“電網”、“負荷”、“儲能”的統一整體解決方案的運營模式，該模式主要為“源-源”互補、“源-網”協調、“網-荷-儲”互動。基于能源互聯網的“源-網-荷-儲”模式，則可應用于整個廣泛的能源行業，且信息交互更為多元，主要體現在以下2個方面：

1）多種能源互補。基于能源互聯網的“源”包括多種能源，不僅僅指電力，石油、天然氣等能源也包括在內，能源之間互不協調，強調各能源之間可相互替代，用戶可任意選擇能源的不同種取用方式。

2）“源-網-荷-儲”協調。協調內容主要包括能源的開發利用、能量傳輸網絡之間以及資源運輸網絡之間的協調，還包括能源領域的用能綜合管理。其架構如圖1所示。

圖1 微網園區“源-網-荷-儲”示意圖Fig.1 Schematic diagram of“generation-grid-load-storage”in the micro-grid park

微電網是一個具備自我控制和自我能量管理的自治系統，既可以與外部電網并網運行，也可以孤立運行[6]。微電網包括可調度單元、能源存儲系統和需求側管理系統[7]。保障微網內能源供需平衡，減少棄風、棄光率，以達到促進節能、降低園區微網運行成本的目的，使經濟、技術、環境等綜合效益最大化。

1.2 園區微網模型構建

文章以分布式電源（distributed generation，DG）為主構建園區微網模型。微網社區能源系統結構模型如圖2所示。圖2中，由用戶、電動汽車、蓄電池等具有的儲能裝置共同組成一個共享儲能系統，與分布式能源一起參與該園區系統的電能調度。社區運營商配有風電、光伏和共享儲能，用戶安裝有小型光伏電源。

圖2 社區能源系統結構模型圖Fig.2 The diagram of community energy system structure model

為了滿足用戶自身用電需求以及能源合理利用，在用電高峰期，自產電能無法供給大量用電負荷時，需從社區運營商購電，而用戶在用電低谷期，則將多余電能輸送至運營商。運營商負責調配電能的輸送，園區電能之間可以相互利用，當園區電能不夠，則從大電網購電以滿足用戶用電需求。用戶需要向運營商支付一定數額租賃費，運營商需為園區提供合理電能調度優化安排，以及協調與大電網之間的電能交易。圖3為用戶電量交易模型圖。

圖3 用戶電量交易模型Fig.3 User power transaction model

1.2.1 共享儲能模型

假設充電、放電效率分別為ηin，ηout，計及儲能在能量轉換中的損失，且0≤ηin≤1，0≤ηout≤1，則電能充放電模型為[8]

式中：SOC(t)為 t時刻電能的荷電；pinESS,n,t，poutESS,n,t分別為用戶n在t時段內的充、放電功率。

共享儲能運營商的調配作用，致使整個園區微源與微源、儲能之間相互配合，用電低谷時期，DG出力部分作用于負荷，剩下的供給儲能，以保證用電高峰時期、DG無法滿足用電需求時，儲能發電，以減少從大電網的購電成本，亦可用在戶之間的電力調配。

1.2.2 用戶電負荷模型

用戶電負荷模型，包括用戶家用電以及電動汽車等，運用檢查技術預測出用戶負荷需求為[9]

式中：le,n,t為用戶n在t時段內的電負荷需求；T為一整天的所有時間段。

2 園區微網目標函數及約束條件

2.1 目標函數

文章以園區成本最小為目標函數，主要包含設備的折舊成本和購售電成本。

目標函數如下：

式中：CIN（t）為折舊成本函數；CG（t）為購售電成本；CES（t）為儲能設備運維成本；CM(t)為分布式電源運維成本。

1）折舊成本。折舊成本屬于微電網發電成本的固定成本，其中風機、光伏板、儲能系統的折舊成本都包括在內。在t時間段，微網的折舊成本為[10]

其中

式中：n為微源數量；Pi（t）為微源在t時刻的輸出功率；ni為第i種微源的投資償還期，通常為平均設備壽命；ri為第 i種微源的固定年利率；Cin，i為單位容量建設成本；ki為年利用系數。

2）購售電成本[11]：

其中

式中：IPgrid（t），ISgrid（t）分別為購電和售電狀態常數，根據購售電不同情況取值；CP（t）為t時段購電價，CS（t）為t時段售電價，售電和購電價格各分為峰、谷、平3個時段；PPgrid為t時段購電功率；PSgrid為t時段售電功率。

3）儲能設備運維成本：

式中：ces為儲能設備的運行維護成本系數；PESS，n為儲能在t時段的充放電功率，其正負號的選取與儲能設備的充電、放電狀態相關。

4）分布式電源運維成本：

式中：cm,i為第i種微源單位出力運維成本系數。

2.2 約束條件

微電網能量管理優化的約束條件分以下幾方面，包括等式約束和不等式約束。

2.2.1 有功平衡約束

動機作為由特定目標激發、引導和維持的內在心理過程，只是人們行為的基礎，實際行為的產生還需具備相應的客觀環境。腐敗也如此，只有在同時具備了相應的客觀環境后，腐敗者才會在腐敗動機的作用下采取實際的腐敗行動。盡管催生腐敗的客觀環境涉及眾多復雜要素，但梳理上述169個女性腐敗案例，并參照學界已有研究成果，筆者認為，在導致女貪官腐敗的客觀環境因素中，下述幾方面最為重要。

有功平衡約束方程如下：

式中：NDG為DG的數量；PGi（t）為第i臺微源在t時刻的出力；P1（t）為t時段的系統負荷需求功率。

2.2.2 聯絡線功率約束

購售電情況約束主要為：購電和售電只能有一種情況的存在，或者不購電也不售電，購售電約束如下：

購電和售電的功率上下限約束如下：

2.2.3 儲能系統（ESS）運行約束

為了防止過度充放電對儲能系統造成損害，儲能系統荷電狀態（state of charge，SOC）值需在最大、最小的荷電量之間：

式中：SOC（t）為 t時刻蓄電池的荷電量；SOCmax，SOCmin分別為蓄電池荷電量的最大、最小值。

t時刻系統中蓄電池剩余儲能容量EB（t）需滿足不超過其限值，即

式中：PESS.e為蓄電池充放電功率額定值；ηdd為雙向DC-DC變換器效率；Pdde為雙向DC-DC變換器額定功率。

2.2.4 潮流約束

輻射性微電網以DistFlow等式表示潮流約束：

式中：Qn+1為DG第n+1次迭代的無功功率；an和bn為第n次迭代電壓Un的實部和虛部；I為恒定的電流向量幅值；P為恒定的有功功率的值。

3 能量優化策略

為了充分利用新能源，除成本優化以外，還應對終端進行優化，即調整微源出力，提高DG利用率。

3.1 能量優化

DG開發成本較高，傳統的經濟優化策略雖然能降低成本，但DG達不到優先調度權，不能充分利用。因此文章提出DG出力優化與成本優化的結合[12]。該部分在成本優化之前計算。

為讓DG利用率達到最大，構建的數學模型如下所示：

式中：PL，1（t）為一級優化后t時刻的等效負荷；PGv（t）為t時刻的光伏出力；PGw（t）為t時刻的風機出力。

優化需要依據電網層所提供的用戶側負荷需求預測數據、DG出力的預測數據、DG的實際出力以及儲能系統實時儲能情況進行調整，提高DG利用率。

得到用戶側需求和DG預測出力數據后，首先通過約束條件確定的范圍，對該數據進行合理取值。其次則實現DG出力最大，結合式（16）計算光伏、風機出力與負荷需求差的最小值，得到結果后繼續判定，直到DG出力最大。

3.2 優化算法

由于遺傳算法遺傳操作及相關參數（例如交叉率）的選擇不合理或不隨進化過程自適應地改變會導致收斂速度低、過早收斂等一系列的問題，因此文章采用模糊遺傳算法（fuzzy genetic algorithm，FGA）對微電網各微源進行分析計算。模糊遺傳算法意思是將模糊邏輯的理論用于遺傳算法，例如當部分信息模糊、不明確的時候，就可以用模糊理論來處理這些信息。

模糊遺傳算法的大致流程如圖4所示。