基于需求側響應的廣義儲能容量配置方法研究

郭永強， 溫擁軍， 鄧 坤， 黃世超， 杜 纖

(1 貴州大學 電氣工程學院， 貴陽 550025； 2 浦江光遠電力建設有限公司， 浙江 浦江 322200)

0 引 言

微電網可以提高分布式電源的利用效率，其內部的分布式電源以風能和太陽能為主，由于風能和太陽能的出力隨機性較大，加之反調峰特性，導致微電網內部的失負荷率和棄風棄光率增加。因此，微電網內部配置儲能形成風光儲聯合微電網，儲能可以吸收棄風棄光功率在負荷高峰時段放電為微電網提供支撐。文獻[1]為了平抑風電、光伏的出力波動，以風光儲系統中的混合儲能(Hybrid Energy Storage System，HESS)系統為研究對象，提出一種基于變分模態分解和神經網絡的HESS容量配置方法。文獻[2]針對風光互補系統日內局部功率波動問題，構建風光負荷功率波動量的概率密度函數，設定儲能設備的額定充放電功率，進而得到儲能系統的額定容量。文獻[3]分析了風能和太陽能發電不同時間尺度的功率波動特性，基于平滑新能源輸出波動、跟蹤計劃發電、削峰填谷、參與系統調頻等策略，研究了儲能系統的控制方法。文獻[4]針對由鋰電池和超級電容組成的混合儲能系統，提出了量化儲能介質頻率特性的方法；建立了儲能介質頻率特性與小波變換分解層數的關系，用于優化分解層數。文獻[5]提出了一種計及儲能系統全壽命周期成本與收益的雙層優化配置模型。其中，外層為年均成本最小，內層為儲能全壽命周期成本最小，采用遺傳與模擬退火相結合的算法求解儲能的容量。文獻[6]針對高比例可再生能源接入獨立運行的微電網，由于出力與負荷波動產生的能源浪費問題，提出了儲能容量優化的雙層模型。其中，外層模型求解微電網規劃投資問題，內層考慮運行過程中的運行成本、儲能壽命損耗以及污染氣體排放問題。文獻[7]針對風電接入的區域綜合能源系統，提出了熱電耦合的配置方案，建立了儲熱、儲電與區域風電功率的聯系。該模型有利于儲能資源的優化配置并且降低了成本。文獻[8]建立了考慮負荷裕度的綜合能源系統儲能雙層優化配置模型。下層利用儲能對系統負荷裕度均衡度進行優化，上層結合負荷裕度進行儲能容量優化配置，該模型在實現儲能優化配置的同時，也實現了對負荷裕度的均衡。但是，以上儲能配置方法較少考慮需求側資源，導致需求側資源利用不足，儲能配置容量偏大。

需求側資源作為微電網重要的組成部分，合理的參與微電網響應可以提高儲能配置的經濟性，增加微電網的收益。文獻[9]針對分布式光伏、儲能系統以及需求側響應的光伏微電網，提出了以光伏發電消納最大為目標的考慮微電網用電成本的配置方法。結果表明，借助儲能系統和需求側響應，可以有效提高分布式光伏的消納率。文獻[10]考慮空調-建筑物系統的熱儲備能力，將其等效為一種虛擬儲能裝置參與需求響應。文獻[11]在規劃模型中以社會經濟效益和系統可靠性的最大化為目標，考慮了電池儲能系統和需求響應之間的相互作用，采用改進的重力搜索算法計算優化的容量配置。文獻[12]針對含固定儲能和具有存儲熱能、勢能和電能的可控負載，提出了廣義配置的二層優化模型。其中，外層采用遺傳算法搜索廣義儲能的配置方案，內層根據動態規劃算法得到廣義儲能的最優運行策略，通過內外層交替進行廣義儲能容量的優化配置。文獻[13]針對廣義儲能資源和分布式電源的聯合規劃問題，提出了包含實際儲能、可平移負荷、可轉移負荷和可削減負荷的響應模型。文獻[14]針對大規模電動汽車對電網的平均用電量和峰值的影響，提出了電動汽車集成商基于使用時間價格的車到網調度策略，優化了電動汽車的協調充電。

基于對以上文獻的分析和研究發現，將需求側資源納入傳統儲能配置方案，可以充分發揮需求側資源以及傳統儲能資源的雙重優勢。需求側資源和傳統儲能組成廣義儲能系統，相比于傳統的儲能系統更加靈活和經濟?；谝陨涎芯砍晒?，本文提出了一種考慮需求側響應的廣義儲能配置方法。

1 廣義儲能模型

1.1 電動汽車充放電模型

微電網內EV的電池特性及用戶的出行特性，決定了EV負荷的大小。文獻[15-17]的研究成果表明，可采用以下概率密度函數，來描述電動汽車的相關參數。

(1)停駛時間。假設微電網內所有EV用戶在結束一天的行程后，通過智能充電樁進行充電。采用正態分布來描述EV的停駛時間，表達式如式(1)所示：

ft(x)～N(μt,σt)

(1)

其中，μt、σt分別為EV用戶停駛時間的期望和標準差。

(2)行駛里程。現有研究表明，行駛里程S(單位：km)可近似為對數正態分布[14]，其概率密度函數如式(2)所示：

fs(x)～LN(μs,σs)

(2)

其中，μs、σs分別為EV用戶日行駛里程的期望和方差。

(3)初始荷電狀態。采用標準正太分布描述微電網內EV的初始荷電狀態SOC1，其概率密度函數如式(3)所示：

fSOC1(x)～N(μSOC1,σSOC1)

(3)

其中，μSOC1、σSOC1為EV初始荷電狀態的期望和方差。

(4)最低荷電狀態。最低荷電狀態SOC2，由EV電池的荷電狀態下限SOCev,min以及用戶的行駛里程S共同決定。計算方法如式(4)所示：

(4)

其中，SOCev, min取0.1；W為EV每公里耗電量(單位：kW·h/km)；E為EV電池的額定容量。

(5)期望荷電狀態。EV用戶的期望荷電狀態SOC3，采用均勻分布進行抽樣，其概率密度函數如式(5)所示：

fSOC3(x)～U(a,b)

(5)

其中，a、b分別為EV用戶期望荷電狀態的下限和上限。

(6)離網時間

fe(x)～N(μe,σe)

(6)

其中，μe、σe分別為電動汽車離網時間的期望和標準差。

1.2 空調模型

空調作為最常見的柔性負荷，能夠將電能轉換成熱能或制冷進行短暫的存儲。目前研究中，常采用等值熱力學(Equivalent Thermal Parameter，ETP)模型來描述溫控負荷[18]。

1.2.1 等效熱模型

空調作為溫控負荷的典型代表，其熱動力過程可用等效參數模型進行模擬。模型圖[19-20]如圖1所示。

圖1 熱動力等效參數模型

圖中，P·ζ為空調機組的制冷/制熱量；P為空調機的制冷/制熱功率(單位：kW)；ζ為空調機組能耗比，無量綱；Ce為空氣的比熱容(單位：J/℃)；Cf為建筑物圍護結構的比熱容(單位：J/℃)；To為室外空氣溫度(單位：℃)；Tr為室內空氣溫度(單位：℃)；Tm為建筑物圍護結構的溫度(單位：℃)。

上述模型簡化后，可以得到如式(7)所示的室內溫度Tr計算公式：

(7)

1.2.2 空調控制模型

文獻[20]中采用TSV值作為衡量人體熱舒適度的標準之一，本文采用該方法建立室內溫度變化控制模型。TSV模型的表達如式(8)所示：

TSV=0.208Tr-5.276

(8)

1.3 混合儲能模型

混合儲能(Hybrid Energy Storage)是由蓄電池和超級電容器組成的儲能系統，該系統可以發揮蓄電池和超級電容器兩方面的優勢。以下公式給出蓄電池的模型，電容器模型同理。

(1)荷電狀態計算

蓄電池荷電狀態計算方法如式(9)所示：

(9)

(2)荷電狀態約束

(10)

(3)功率約束

(11)

其中，Pbat為蓄電池的額定功率，Pcap為電容器的額定功率。

(4)儲能循環約束

為了保證混合儲能系統的循環利用，必須使混合儲能的荷電狀態在一個控制周期結束時回到初始值。

(12)

其中，SOCb(0)為蓄電池初始荷電狀態；SOCb(24)為蓄電池終止荷電狀態；SOCc(0)為電容器初始荷電狀態；SOCc(24)為電容器終止荷電狀態。

(5)儲能初始荷電狀態確定

(13)

(6)累積容量計算方法

(14)

1.4 氫儲能模型

氫儲能系統由電解槽、儲氫罐以及燃料電池裝置組成。在此，本文采用文獻[21-23]建立的氫儲能模型對上述裝置進行建模。

(1)電解槽模型

(15)

其中，QE表示制氫量(單位：Nm3);ηE為電解槽的效率；PE為電解槽的輸入功率(單位：kW)；ξ為消耗1 kW·h電能的制氫量(單位：Nm3/kW·h)。

(2)儲氫罐模型

(16)

其中，QTank(k)表示k時刻儲氫罐的容量；PFC(k)為燃料電池k時刻的輸出功率；μ為燃料電池生產1 kW·h電能所需氫氣量；Δt為時間間隔，本文取5 min；ηFC為燃料電池的工作效率；ηTank為儲氫罐的效率。

2 微電網廣義儲能雙層配置模型

并網型風光儲聯合微電網由風光發電、不可控負荷、可控負荷(電動汽車、空調負荷)以及儲能系統(混合儲能、氫儲能)構成。其中可控負荷和儲能系統組成廣義儲能。如圖2所示，微電網通過聯絡線與大電網連接。圖中實線表示功率流，虛線表示信息流，箭頭表示功率流和信息流的方向?？刂浦行目梢圆杉鱾€單元的功率以及荷電狀態信息，并對設備進行控制；廣義儲能設備可以進行功率的雙向流動。

圖2 并網型風光儲聯合微電網結構圖

2.1 基于懲罰費用最小的柔性負荷響應模型

由于微電網內部風光發電功率、負荷功率具有不確定性，當微電網用電高峰時，內部風光出力不足以滿足負荷的需求，此時需要從大電網購電。如果微電網與大電網的傳輸功率超出聯絡線功率的約束，必然導致微電網內部失負荷。同理，風光高發時段，若微電網送入大電網的功率超出聯絡線限制，必然導致棄風棄光，造成能源浪費。為了消納多余的風光功率同時減少微電網內的失負荷功率，本文發揮可控負荷的靈活性，通過需求側響應減少棄風棄光以及失負荷。因此建立了懲罰費用最小的柔性負荷響應模型，最大限度消納風光、減少失負荷。

2.1.1 目標函數

通過空調和電動汽車的靈活用電特性，使得微電網內部失負荷懲罰成本及棄風棄光懲罰成本最小。目標函數的表達如式(17)所示：

(17)

2.1.2 約束條件

(1)功率平衡約束

Pw+Ppv=Pload+Pev+Pac+Pnet+Ploss+Pcast+

Pb+Pc+Phs

(18)

其中，Pload為不可控負荷功率；Pev為電動汽車功率，當Pev>0時表示電動汽車吸收功率，Pev<0時表示電動汽車發出功率；Pac為空調的功率；Pnet為聯絡線的功率，當Pnet>0時微電網向大電網售電，Pnet<0時微電網從大電網購電；Ploss為失負荷功率；Pcast為棄風棄光功率；Pb為蓄電池功率；Pc為電容器功率。由于第一階段混合儲能和氫儲能不參與動作，故功率為0。

(2)聯絡線線功率約束

-Pnet,max≤Pnet,k≤Pnet,max

(19)

其中，Pnet,k為k時段聯絡線的功率，Pnet,max為聯絡線的傳輸功率上限。

(3)電動汽車充放電功率約束

(20)

(21)

(4)電動汽車可調度判斷

(22)

其中，Mi,k為電動汽車i在k時段的可調度標志；Tch為由當前容量充至期望容量所需要的時間；Tstop為電動汽車剩余停留時間。

(5)電動汽車充放電轉移約束

(23)

其中，Pnet,k<0表示微電網從大電網吸收功率。當峰、平時段微電網從大電網吸收功率且有電動汽車充電時，為了減少電動汽車的充電費用，將電動汽車轉移至谷時段充電。

(6)室內溫度約束

(24)

2.1.3 電動汽車及空調響應策略

(1)電動汽車響應策略。若EV所屬時段為峰、平時段，且微電網從大電網買電，電動汽車停止充電并轉移至谷時段充電。若EV停止充電后微電網依舊存在失負荷功率，則電動汽車參與放電。放電過程中，EV當前電池容量與最低容量之差大的優先放電，且放電過程電池荷電狀態不小于其荷電狀態下限；充電過程中，當前荷電狀態與期望荷電狀態之差大的優先充電。

(2)空調響應策略。若該時段存在棄風棄光功率，則將空調用戶的溫度下限調低，增加空調制冷時間，消納棄風棄光功率；若該時段存在失負荷功率，則將空調用戶溫度上限調高，減少空調負荷的用電時間；其它時段空調用戶正常工作。

2.2 微電網凈現值最優的廣義儲能配置模型

微電網內部柔性負荷的響應可以在一定程度上發揮儲能的功能，對減少失負荷功率以及促進微電網內部棄風棄光的消納產生積極的作用。但是，由于受到柔性負荷數量以及用戶行為習慣的限制，單純依靠微電網內部柔性負荷響應，不能完全解決微電網內部失負荷及棄風棄光的問題。因此需要配置混合儲能設備以及氫儲能設備，對棄風棄光進行消納，同時為微電網提供功率支撐，以消除失負荷功率。

2.2.1 目標函數

(25)

其中，NPV為凈現值；Cin(y)為微電網第y年的售電收益；Cout(y)為微電網第y年的支出費用；Rproj為規劃年限(本文設定為10年)；ε為貼現率(本文設定為5%)。

(1)售電收益

Cpenalize+Cgas)

(26)

(2)儲能成本

Cout=C1+C2+C3+C4+C5+C6+C7

(27)

其中，C1、C2、C3分別為混合儲能的配置成本、置換成本、運行成本；C4、C5、C6為氫儲能的配置成本、置換成本、運行維護成本；C7為儲能響應后失負荷懲罰成本。其各個成本的計算表達式如式(28)～式(34)所示：

C1=(γ1Pcap+γ2Ecap+γ3Pbat+γ4Ebat)T1

(28)

其中，γ1、γ2為電容器的功率成本與容量成本；γ3、γ4為蓄電池的功率成本和容量成本；T1為初始投資成本決策變量，第一年為1，其它年份為0。

C2=(γ1Pbat+γ2Ebat)T2

(29)

其中，T2為混合儲能置換成本決策變量。

C3=λ1Ecap+λ2Ebat

(30)

其中，λ1、λ2分別為蓄電池與電容器單位容量的運行維護成本。

C4=x1Cel+x2Cht

(31)

其中，x1為電解槽個數；Cel為單個電解槽價格；x2為儲氫罐個數；Cht為單個儲氫罐價格。

C5=CR,el+CR,ht=Celx1M1+Chtx2M2

(32)

其中，CR,el、CR,ht分別為電解槽與儲氫罐的置換成本，M1、M2分別為電解槽與儲氫罐的置換決策矩陣。

C6=COM,elx1+COM,htx2

(33)

其中，COM,el、COM,ht分別為電解槽與儲氫罐的運行維護成本。

2.2.2 約束條件

約束條件包括儲能電池約束，式(10)～式(12)，功率平衡約束,式(18)，以及電解槽和儲氫罐功率約束,式(34)～式(35)：

0≤PE,k≤x1Pel

(34)

其中，PE,k為電解槽在k時刻的輸入功率；x1為微電網配置的電解槽個數；Pel為單個電解槽額定功率。

0≤QTank,k≤x2Qht

(35)

其中，QTank,k為k時刻儲氫罐的容量；x2為微電網配置的儲氫罐個數；Qht為單個儲氫罐的額定容量。

2.2.3 混合儲能功率分配方法

由粒子群生成的混合儲能最大功率值，確定了需要儲能響應的功率曲線X(k)，采用小波包變換對X(k)進行N層變換，得到2N個分量，根據蓄電池和電容器的響應特性去頂頻率分界點f。小于分界點的分量記為Xl(k)，其余分量記為Xh(k)，由蓄電池響應低頻分量，電容器響應高頻分量。其表達方式如式(36)所示：

(36)

其中，X(k)為需要混合儲能響應的功率，即Ph(k)、Xl(k)、Xh(k)分別為小波包分解得到蓄電池和電容器需要響應的功率。

2.2.4 計算流程如圖3所示。

圖3 第二階段計算流程圖

3 算例分析

3.1 算例場景設置

為了對本文提及的廣義儲能配置策略進行仿真驗證，對仿真場景進行如下設置：

(1)微電網內部電動汽車數量為400臺，電動汽車的充放電效率為90%，電動汽車的容量為32 kW·h；μt=17.5，σt=3.7；μs=3.7，σs=0.92；μSOC1=0.4，σSOC1=0.1；μe=8，σe=2；

(2)電動汽車用戶停駛后，即時與充電樁進行連接充電；

(3)微電網內部的充電樁數量足夠多。充電樁的充電方式為慢充，充放電功率為7 kW；

(4)廣義儲能配置基于分時電價背景，電價分為峰、平、谷3個時段，其具體價格見表1；

表1 分時電價時段及價格

注：購電是指用戶的購電價格以及微電網向大電網的購電價格；售電是指微電網向大電網的售電價格。電動汽車向微電網放電的價格為購電價格。

(5)假設電動汽車用戶都愿意參與微電網內部的充放電響應，并通過分時電價的差額減少充電費用，則微電網內部不在另行支付電動汽車用戶參與響應的費用；

(6)微電網內部的空調個數為200臺，空調的額定功率為1 500 W；

(7)聯絡線功率約束為1 500 kW。

為了對本文所提的廣義儲能策略進行驗證，并更好的說明所提策略的有效性，分別對比了3種不同策略下儲能的配置結果以及規劃期內的凈現值。

策略一：微電網內電動汽車負荷和空調負荷無響應，電動汽車負荷以及空調負荷屬于不可控負荷；

策略二：空調負荷不參與微電網的控制，電動汽車僅進行充電轉移，不對微電網進行放電；

策略三：空調負荷以及電動汽車負荷參與微電網響應，電動汽車可以通過充電樁向微電網放電。

3.2 仿真結果對比分析

3.2.1 不同策略懲罰成本對比

微電網內負荷曲線如圖4所示。

由圖4可以看出，微電網內部電動汽車負荷與不可控負荷用電時間重合，導致微電網內部負荷峰值增加。空調負荷主要集中在中午時段，本文場景設置為夏季，空調工作在制冷模式。文中第一階段的目標是通過微電網內部電動汽車的響應和空調負荷的響應減少懲罰成本，即減少微電網內部的失負荷功率以及棄風棄光功率，3種策略下第一階段的棄風棄光懲罰成本見表2。

圖4 微電網內負荷曲線圖

表2 第一階段3種策略懲罰成本

計算懲罰成本時，取失負荷懲罰成本為5元/kW·h，棄風棄光的懲罰成本為峰、平、谷電價的均值0.8元/kW·h。由表2可知，采用策略一(空調負荷與電動汽車負荷都不參與響應)時，微電網內部的懲罰成本為2.219 92萬元；采用策略二(空調負荷參與響應、電動汽車只進行充電轉移)時，微電網內部的懲罰成本為0.623 04萬元，相比于策略一降低了71.93%；采用策略三(空調負荷與電動汽車都參與響應且電動汽車參與放電)時，微電網內部的失負荷懲罰成本為0.217 88萬元，相比于策略二降低了65.03%。由此可見，微電網內部負荷的響應可以減少失負荷功率，同時可以消納多余的風光功率。

3.2.2 不同策略響應后的不平衡功率

3種策略下微電網內部的棄風棄光功率與失負荷功率曲線如圖5所示。由圖5可知：采用策略一時，微電網內部失負荷功率最大值大概為1 300 kW，棄風棄光功率的最大值超過1 000 kW；采用策略二時，微電網內部失負荷功率最大值減少到500 kW左右，棄風棄光功率最大值也相應下降到1 000 kW以下；而采用策略三負荷響應后，微電網內部的失負荷功率則減為0 kW。通過3種策略的功率曲線對比發現，微電網內部的負荷參與響應時，可以降低棄風棄光功率以及失負荷功率的峰值。微電網內部負荷的響應，發揮了傳統儲能的充放電功能，因此作為廣義儲能的一部分，可以與傳統儲能配合，使微電網更加安全穩定地運行。

圖5 3種策略下棄風棄光與失負荷功率曲線

3.2.3 需求側資源響應結果分析

某電動汽車用戶的荷電狀態變化曲線如圖6所示。

圖6 某電動汽車荷電狀態變化曲線

由圖6可知，電動汽車在峰時段放電，在谷時段充電，通過電價差來減少充電費用。在峰時段放電獲得收益的同時可以減少失負荷功率，谷時段以低電價充電的同時，可以消納一部分棄風棄光功率。電動汽車在放電的過程中以最低荷電狀態為下限，最低荷電狀態可以保證電動汽車的正常出行需求。在電動汽車次日離網時，其荷電狀態已經達到了電動汽車的期望荷電狀態。表3為3種策略下電動汽車用戶一天內的充電費用。

表3 3種策略下電動汽車的充電費用

由表3可知，策略一中微電網內電動汽車用戶不參與響應時，一天內電動汽車用戶總的充電費用為6 114.7元；策略二中電動汽車用戶轉移充電時間，一天內的充電成本降至2 843.4元，相比于策略一下降了53.5%；策略三中電動汽車在峰時段放電，一天內的充電成本下降至1 966.8元，相比于策略二下降了30.8%。由此可見，策略三在減少微電網失負荷功率的同時可以增加電動汽車用戶的收益。

空調負荷響應前后，某用戶室內溫度的變化曲線如圖7所示。

圖7 空調響應前后某用戶室內溫度變化曲線

由圖7可知，當微電網存在棄風棄光時，處于制冷模式的空調降低溫度下限，以消納多余的風光功率，減少棄風棄光。響應后用戶的室內溫度保持在合理范圍內。響應前后空調的負荷曲線如圖8所示。

圖8 響應前后空調負荷的功率曲線

由圖8可知，響應后的功率明顯高于響應前的功率?？照{負荷的響應消納了部分棄風棄光，在一定程度上減少了棄風棄光功率。

3.2.4 廣義儲能配置結果分析

需求側響應在一定程度上減少了微電網內的不平衡功率，但不能完全消除。因此第二階段的廣義儲能配置以第一階段微電網內柔性負荷響應后的棄風棄光功率以及失負荷功率為基礎進行配置。其中策略三的幅頻特性曲線如圖9所示。文章以微電網內部凈現值最大為目標，采用粒子群算法求解3種策略下凈現值最大時的儲能配置結果。3種策略得到廣義儲能配置的結果見表4。

圖9 策略三響應后棄風棄光以及失負荷功率曲線

表4 3種策略下儲能配置結果與凈現值

由圖9的幅頻特性曲線可以看出，棄風棄光功率以及失負荷功率主要集中在0～0.8×10-3Hz之間，其余范圍內的能量較少。結合蓄電池的響應特性，取分界頻率為fd=8.33×10-3。

由表4可知，策略三的凈現值最大，較策略二的凈現值多48.88萬元；策略三廣義儲能的配置容量均小于策略二，且策略三中電動汽車用戶的充電成本相較于策略二下降了30.8%。

從整個微電網系統來看，廣義儲能的收益更大。策略一中，棄風棄光功率被完全消納用于減少失負荷功率，因此不需要配置電解池和儲氫罐，所以配置臺數為0。需求側資源作為重要的儲能資源可以減少微電網對傳統儲能的依賴，增加微電網收益的同時減少自身的用電費用。

4 結束語

本文建立了基于電動汽車以及空調負荷響應的并網型微電網廣義儲能容量配置模型，分兩階段優化廣義儲能的功率和容量。第一階段充分發揮柔性負荷的靈活充放電特性，最大程度減少微電網內部的棄風棄光功率以及失負荷功率，以懲罰成本最小為目標，并充分考慮了用戶的舒適度和出行特性。第二階段在第一階段柔性負荷響應的基礎上，配置混合儲能和氫儲能，得到了凈現值最優的配置方案。需求側資源的響應可以減少傳統儲能的配置數量，發揮需求側資源的儲能特性，有利于微電網的經濟性。