考虑备用能量的含可再生能源的微网运行优化

2015-06-19汪彦含吕林廖秋萍田昊成思琪

电源技术 2015年3期

关键词：微网搜索算法电站

汪彦含，吕林，廖秋萍，田昊，成思琪

(四川大学电气信息学院，四川成都610065)

考虑备用能量的含可再生能源的微网运行优化

汪彦含，吕林，廖秋萍，田昊，成思琪

(四川大学电气信息学院，四川成都610065)

可再生能源发电的随机性使得微网运行具有不稳定性，加上电价的波动性会给用户带来一定的风险。提出同时考虑储能装置和电动汽车换电站备用能量和能量转移的功能，在微网可再生能源发电实际出力值低于预测偏差的时候，启用备用能量，当备用能量剩余时，微网为寻求利益再将其卖给主网。在此基础上建立以微网的日购电成本最小为目标函数，应用和声搜索算法对其进行求解，通过仿真表明，此模型有一定的优越性和有效性。

可再生能源；预测偏差；备用能量；日购电成本；和声搜索算法

近年来，随着可再生能源发电等分布式发电技术(distributed generation，DG)的兴起，微网(micro-grid，MG)[1]作为将分布式发电引入电网的有效手段，其优化与控制运行成为了研究热点。微网是将分布式电源发电装置以及负荷储能装置等有机结合起来，形成一个单一可控的单元。目前，在国家大力提倡发展新能源的号召下，电动汽车也参与到微网中，而电动汽车换电站[2]在满足电动汽车用电需求的前提下也可作为一个大型的储能电站。可再生能源如风/光等发电系统具有波动性和随机性[3-5]，轻则影响微网的电能质量，重则会影响对重要负荷的供电可靠性。储能装置和电动汽车换电站备用能量和能量转移的功能，能有效克服可再生能源发电的缺点。

国内外学者对微网的能量优化运行做了大量的研究，文献[6]在假设微网与主网能量交互按照计划不变的前提下，对具有分布式发电设备和可再生能源发电设备的微网的短期能量和备用优化进行了研究。文献[7]在考虑储能装置寿命的前提下，采用多目标的粒子群优化算法进行微网用户的能量优化求解。文献[8]提出基于代价对参数的灵敏度来指导优化方向的寻优算法，针对容量事故集对分布式发电备用(NDGR)的最优配置进行风险决策，量化分析微电网运行模式、储能以及NDGR价格对NDGR配置的影响。文献[9]提出以运行成本的期望和方差为目标的电动汽车换电站的能量管理模型，并采用基于免疫克隆选择的多目标智能优化算法进行求解。

整体而言，以上文献都对微网能量优化的研究作出了贡献，但是均未考虑换电站和储能装置一起提供能量备用时对微网产生的影响。本文提出同时考虑储能装置和电动汽车换电站备用能量和能量转移的功能，在微网可再生能源发电实际出力值低于预测偏差的时候，启用备用能量，当备用能量剩余时，微网为寻求利益再将其卖给主网，以微网的日购电成本最小为目标函数，并应用和声搜索算法对其进行求解。

1 微网各元件模型

本文所研究的微网系统包括风力发电、光伏发电、储能装置、电动汽车换电站和传统负荷这五个单元，下面详细介绍各单元出力模型。

1.1风力发电

风力发电机的输出功率随着风速的变化而变化，而一般认为风速服从正态分布，其概率密度函数为：

式中：v为实际风速；k和c分别为形状参数和尺度参数。

因此，风力发电机的有功功率输出特性为：

1.2 光伏发电

光伏发电系统的输出功率与光照强度密切相关。据统计，在一定时间内太阳光照强度可以近似看成Beta分布，其概率密度函数为：

式中：G(t)和Gmax分别为时段t内的实际光照强度和最大光照强度；α和β分别为Beta分布的形状参数。

光伏发电系统的输出功率特性为：

1.3 储能装置模型

储能装置的运行状态对微网系统的稳定运行发挥着重要作用，微网中含有大量的可再生能源，而可再生能源的出力具有随机性，这时储能装置可配合风/光发电机组的出力，平抑负荷波动，稳定整个系统的功率输出；在另一方面，储能可以将储存的能量作为能量备用，提高整个系统的可靠性和稳定性。本文考虑储能装置作为能量备用的功能，提出储能充放电功率和储能备用功率来表达，其中储能备用功率控制该时刻所准备的能量备用量，充放电功率控制储能装置的总能量。因此，在时刻的储能装置总储存能量为：

备用能量为：

1.4 电动汽车换电站模型

国家电网公司提出了“换电为主，插充为辅，集中充电，统一配送”的电动汽车基本商业运营模式，因此各大电网运营商也在市区建立大量的电动汽车换电站。本文考虑将换电站参与到微网中，电动汽车换电站除了满足电动汽车的换电需求以外，还能作为一个大型的可控储能单元，实现能量转移和能量备用。电动汽车换电站在时刻的总能量为：

备用能量为：

需注意的是，换电站内最小能量必须为满足下一时段电动汽车的换电总需求，本文中假设每个动力电池充满电所需时间为tf(设定tf=20 min)，而换电站内电池的最大能量为站内所有电池的最大额定容量。为延长电池的寿命，设定电池的放电深度不能超过80%，则换电站的最大储存电量为：

最小储存电量为：

式中：M为换电站内所有的电池数目。

2 微网能量优化模型

2.1 目标函数

当微网内部发电设备实际出力低于预测偏差时，先由微网储能装置和换电站所储存的备用能量来满足负荷，当备用能量剩余时，微网为寻求更多收益将其卖给主网来释放剩余能量，当备用能量也无法满足时，这时微网就需从主网购进电量来满足系统的运行。本文把一天分为24个时间段，不考虑微网各单元的运行成本和损耗，将微网的日购电成本最小作为目标函数：

从式(12)中可以看出，当可再生能源出力低于预测偏差时，备用能量以最大值补偿到预测值；当备用能量剩余时，微网将剩余电量卖给主网为获取利益，而这时微网无需从主网购电。

2.2 约束条件

(1)功率平衡约束：

(2)联络线功率约束：

(4)储能装置运行约束：

为储能装置最大储存电量。

(5)换电站运行约束：

(6)备用能量约束：

微网内的储能装置和电动汽车换电站的备用能量约束如式(20)～(25)：

储能装置约束：

电动汽车换电站约束：

3 算例分析

本文以某智能小区为例进行仿真分析。假设在该小区内接入的光伏和风机机组的容量分别为250和750 kW，并设定小规模的风电和光伏发电设备的出力可以直接以预测值和预测误差来表示，本文假设风电和的出力预测误差服从正态分布N(0,0.2)和N(0,0.1)，且各个时段独立。储能装置的最大储能容量为750 kW，最大功率为500 kW。单台电动汽车的充电功率为12.5 kW，电池容量为37.5 kW，在每一个换电站内有50台电池组，联络线的最大功率为2 500 kW。本文用和声搜索算法求解，和声搜索算法是一种基于音乐演奏过程中提出来的启发式全局搜索算法，其流程如图1所示。

算例中系统日负荷曲线如图2所示。

系统风/光发电设备出力曲线如图3所示。

图1 和声搜索算法计算流程

图2 日负荷曲线

图3 风/光发电设备出力曲线

按照以上数据进行仿真计算，从图4中可以看出，用原始购电方案微网的日购电成本为713.88美元，而优化后的购电方案中微网的日购电成本为440.37美元，从而节约了38.31%。图5表示了一天24 h内两种购电方案，其中原购电方案忽略了储能和电动汽车电池组的放电行为，仅将其按照常规负荷进行处理。从图5中可以看出，优化前的购电方案在此时段内的购电量较低，而优化之后的购电方案则在负荷低谷期购入大量电能，对电动汽车电池组充电或者存入储能装置作为备用能量。为了能在负荷高峰时期体现备用能量的价值，此时我们忽略备用和购电量之间的关系。当电价较高时，负荷高峰期，备用能量补给微网发电设备出力，使微网在满足自身运行需求的情况下有大量富足的电量，此时则可以较高的电价出售给电网，实现盈利。

图4 微网购电方案成本对比

图5 微网购电方案对比

从图6可以看出，容量越大的储能装置所带来的经济效益越大，而同等容量的储能比同等容量的换电站所带来的经济效益更大，但是换电站除了能提供备用能量以外，还能为广大电动汽车用户提供换电服务，比储能装置更具有多重作用。

图6效益对比

图7 的仿真结果可以看出，换电站在夜间利用较低的电价进行了充电安排，同时在系统负荷较重时也进行了充电；而储能装置则频繁地改变其充放电状态。可以得到以下结论：电动汽车换电站和储能装置的充放电趋势并不相同，因为电动汽车换电站的主要任务是满足电动汽车的换电需求，必须保证站内的电池组得到充分的充电，而储能装置则会根据微网的运行条件随时改变其充放电计划。

图7 换电站与储能充放电计划

4 结论

本文首先对可再生能源发电系统进行了建模，建立了微网日购电成本最小的目标函数，并利用和声搜索算法求解目标函数，通过算例分析，得出以下结论：

(1)在微网实际运行过程中，若不考虑其购电成本，其购电方案基本是向电网购买电能；若考虑其购电成本，则会利用峰谷电价的差异进行购电安排，从而提高微网的盈利能力。

(2)微网内部的电动汽车换电站和储能装置，虽然都能够储能，但考虑到换电站的主要任务是满足电动汽车对电能的需求，故其在一天之内的充放电安排也略有不同。

(3)通过本文模型可知，储能装置作为备用能量比发电设备做备用能量更具有价值，发电设备的备用能量具有时效性，而储能装置的备用能量可以能量形式一直存在；而换电站相比储能装置，虽然带来的经济效益比储能装置少，但是除了有与储能装置一样作为备用能量的功能外，还能为广大电动汽车用户提供服务。

本文对微网运行的研究，能够为含可再生能源的微网客户提供能量优化管理的工具。

[1]LASSETER R H.Smart distribution:coupled micro grids[J].IEEE, 2011,99(6):1074-1082.

[2]陈良亮，张浩，倪峰，等.电动汽车能源供给设施建设现状与发展探讨[J].电力系统自动化，2011，35(14)：11-17.

[3]黄宇淇，方宾义，孙锦枫，等.飞轮储能系统应用于微网的仿真研究[J].电力系统保护与控制，2011，39(9)：83-87.

[4]王成山，于波，肖峻，等.平滑可再生能源发电系统输出波动的储能系统容量优化方法[J].中国电机工程学报，2012，32(16)：1-8.

[5]TOSHIFUMI I,MASANORI K,AKIRA T.A hybrid energy storage with a SMES and secondary battery[J].IEEE Transactions on Applied Super-conductivity,2005(15):1915-1918.

[6]WANG M Q，GOOI H B.Spinning reserve estimation in micro grids [J].IEEE Transactions on Power Systems，2011，26(3)：1164-1174.

[7]KANI S A P，NEHRIR H，COLSON C，et al.Real-time energy management of a stand-alone hybrid wind-microturbine energy system using particle swarm optimization[J].IEEE Transactions on Sustainable Energy,2010(1):193-201.

[8]罗运虎，陈海牛，李磊，等.基于风险的微网分布式发电备用配置决策[J].电网技术，2011(8)：53-58.

[9]刘玉娇，蒋传文，王旭，等.采用随机约束和多目标算法的电动汽车换电站能量管理[J].电力自动化设备，2013(8)：59-63.

Considering standby energy including renewable energy micro-grid operation optimization

WANG Yan-han,LV Lin,LIAO Qiu-ping,TIAN Hao,CHENG Si-qi

The instability of micro network running was leaded by renewable energy generation randomness.Some risk was brought to the users for the volatility of electricity price.Energy storage device and electric cars for power plants spare energy and energy transfer function were considered.In micro renewable energy power generation of the actual output value was lower than the prediction deviation,the spare energy was started;when the standby energy was remained,in order to seek interests,the micro network would sell it to the main network.Based on the micro network,daily power purchase cost minimum as objective function,using harmony research algorithm to solve it,the simulation shows that this model has certain superiority and effectiveness.

renewable energy;prediction deviation;standby energy;daily power purchase cost;harmony research algorithm

TM 727

1002-087 X(2015)03-0561-04