适用于工业园区的微电网系统能量管理

田 军，刘征宇，舒 军，刘静波，唐 健

（中国东方电气集团有限公司 中央研究院，四川 成都 611731）

0 引言

随着新能源的广泛应用，将不断地会有风电、光伏、储能等多种分布式电源接入电网，微电网系统可协调大电网与分布式电源之间的矛盾，充分挖掘分布式电源为电网和用户所带来的价值和效益。微电网系统可应用在居民社区、城市工业园区/商业中心、家庭、边远山区、海岛等。

为了研究微电网系统安全稳定运行的能量管理策略，各国科研机构搭建了多种微电网系统试验平台，适用于不同应用场合。欧洲提出“Smart Power Networks”，荷兰Continuon微电网系统示范工程应用于居民社区；美国提出了“Grid2030”计划，狂河市（Mad River）微电网示范工程应用于乡镇社区；日本早在2003年就开始了3个微电网的试点项目［4-5］，文献［1］介绍了Archi微电网系统应用于商业中心，文献［2］介绍了Sendai微电网系统应用于家庭小区。中国正在积极开展微电网系统研究，搭建了相应的微电网示范工程［3-4］，文献［5］介绍了张北大型风光储输系统；文献［6-7］介绍了海岛风光储微电网系统，其中东福山岛风光储微电网系统运行在离网模式，鹿西岛微电网系统运行在并网模式。

通过示范工程的技术应用和完善，微电网系统安全稳定运行，充分发挥了分布式发电的效能，随着技术不断成熟［8-13］，微电网系统正在逐步商业化。

本文提出一种基于功率预测、前馈控制的微电网系统能量管理策略，使微电网系统适用于工业园区，满足厂区负荷要求，提高新能源利用效率，减少厂区用电成本。通过功率预测，控制微电网系统输出功率，跟踪厂区负荷；基于前馈控制的储能波动平抑，减小系统输出功率波动，提高电池应用效率；在RTDS实时仿真平台上，结合能量管理器，搭建微电网系统硬件在环测试平台，并通过MW级风光储微电网系统示范工程的长期稳定运行验证了算法的有效性和稳定性，为微电网系统的商业运行打下了良好的基础。

1 系统结构

杭州萧山工业园有较好的风、光资源，为了研究微电网系统，东方电气集团在工业园的厂区内搭建了风光储微电网系统：1.5 MW直驱型风电机组、125 kW·h/500 kW储能装置、100 kW光伏机组、100 kW柴油发电机以及厂区负荷，如图1所示。

图1 杭州新能源微电网系统结构Fig.1 System structure of Hangzhou new-energy microgrid

微电网系统并网运行，为确保整个工业园区用电安全，与当地电力公司达成并网技术要求：

（1）系统输出功率小于厂区负荷，不向电网送电；

（2）系统输出功率波动参考国家标准GB/T 19963—2011《风电场接入电力系统技术规定》。

2 能量管理系统

微电网能量管理系统如图2所示，能量管理控制器通过网络通信实现各个部分之间的连接，并通过以太网向成都、德阳发布远程监控。

图2 微电网能量管理系统Fig.2 Energy management system of microgrid

能量管理系统控制策略如图3所示，实时检测厂区负荷，设置安全阈值，确定风光储微电网系统发电上限；结合功率预测、前馈控制完成风电、光伏功率设定，储能波动平抑功能，确保风光储微电网稳定运行，向厂区负荷供电，不向大电网送电。

图3 能量管理系统控制策略Fig.3 Control strategy of energy management system

2.1 超短期功率预测

根据时间尺度不同，功率预测分为超短期、短期、中长期预测［14-15］。超短期预测：分钟级，主要用于风力发电控制、电能质量评估及风机机械部件的设计等。短期预测一般认为是30 min～72 h的预测，主要用于电力系统的功率平衡和经济调度、电力市场交易、暂态稳定评估等。更长时间尺度的中长期预测，主要用于风电场或电网的检修维护计划安排等。

本文采用了自回归滑动平均模型ARMA（Auto-Regressive and Moving Average model）进行超短期功率预测［16］。以风电功率预测为例，基于历史风速建模的随机时间序列法，通过历史风速进行参数估计从而建立一定阶数的自回归模型，以若干历史风速为变量计算下一周期的预测值，从而可通过机组的风速-功率表得到功率预测值，如图4所示。由于网络延时造成风速数据的时间间隔不固定，为解决这一问题引入了线性插值，使用线性插值算法可按固定的时间间隔获取风速数值，以便进行定周期的风速预测和功率预测。

图4 超短期功率预测流程Fig.4 Flowchart of ultra short-term power prediction

（1）风速原始数据：风电机组每个通信周期传输的30 s平均风速值。

（2）数据线性插值运算：由于原始数据的时间间隔不定，通过线性插值获取等间隔风速历史数据：

其中，t0＜t＜t1；y（t）为 t时刻的插值；y（t0）和 y（t1）分别为历史数据中与t相邻的2个时刻的值。

（3）数据缓冲处理：将插值后的数据做缓冲使数据平滑，改善预测效果：

其中，xd（k）为第k个历史数据的缓冲值；N为插值后数据的总数。

（4）自回归模型参数估计：通过计算得到历史数据的自相关函数，使用估计法计算得到各阶自回归模型的参数：样本均值样本自协方差函数自相关函数其中yt为第t个历史数据。

自回归模型参数估计计算公式如下：

其中为模型各项参数，p 为自回归模型阶数。

残差计算公式为：

其中，yk为第k个历史数据。

（5）AIC标准：AIC值是以残差平方和与模型阶数为自变量的函数，通过计算各阶模型的AIC值，选取使其值最小的阶数作为预测模型使用阶数。

p阶自回归模型的残差平方和为：

AIC值计算公式为：

根据式（7），通过计算各阶模型的AIC值，选取使其值最小的阶数作为预测模型使用阶数。

（6）功率预测：通过已建的风速预测模型计算下一周期风速预测值，由机组的风速-功率表计算下一周期功率预测值，p阶自回归模型的差分方程如下：

其中为下一周期（t+1 时刻）的风速预测值为 p 阶模型的参数估计值；at为最近时刻风速的残差。

在杭州新能源风光储系统试验平台上，通过微电网能量管理系统数据采集模块对1.5 MW风电机组进行采集风速和风电功率，根据能量管理系统输出限制，风电机组的功率上限为850 kW。每隔30 s对风速进行采样，共120组数据，按照上述超短期功率预测，结合机组风速-功率表，测试效果如图5所示，实际风速与预测风速对比，实时功率与预测功率对比，平均测试误差分别为3.4%和4.5%。

2.2 基于前馈控制的储能波动平抑

本文采用基于前馈控制的储能波动平抑算法［16］，平滑风光储微电网系统输出，并优化储能电池特性，限制电池的剩余电量SOC（State Of Charge）、电池的充/放电斜率等，如图6所示。通过前馈控制，可使储能电池的SOC保持在设定值范围内，可有效提高储能电池的利用率和寿命。

图5 超短期功率预测测试效果Fig.5 Test result of ultra short-term power prediction

图6 基于前馈控制的储能系统Fig.6 BESS based on feedforward control

储能装置波动平抑算法采取一阶滤波，一阶滤波时间常数T决定了储能装置容量的选择和平抑效果。图6中，Pwind-solar经过一阶滤波和斜率限制得到Pref，与Pwind-solar作差后与电池SOC的控制量相加，经过限幅最终得到储能系统的有功功率指令PBESS。M为设定的电池SOC边距值，例如M=0.3，那么电池SOC限制在0.3～0.7范围内，C为储能电池的容量，风电机组和光伏机组的总额定功率以Pwind-solar表示，α=［（1-2M）/T］Pwind-solar。

3 RTDS实时仿真

杭州新能源风光储微电网系统示范工程采用东方电气集团100 kW光伏机组、1.5 MW风电机组、美国A123公司的125 kW·h/500 kW储能装置。为了验证微电网能量管理系统的有效性，基于图1所示微电网试验平台系统参数，在RTDS实时仿真平台上搭建风电机组、光伏机组、储能装置、电网以及负荷模型，结合能量管理控制器，形成风光储微电网-RTDS硬件在环测试平台，如图7所示，RTDS平台与实际能量管理控制器之间通过硬接线连接，信号包括三相电压、三相电流、各电源输出的有功/无功、储能SOC、负荷功率等，系统详细参数见表1。

采用基于前馈控制的储能波动平抑算法，为了高效地利用储能电池，设置M=0.3，电池SOC限制在0.3～0.7范围内，波动平抑效果如图8所示。

图7 微电网-RTDS硬件在环测试平台Fig.7 A HIL test system based on RTDS platform for microgrid

表1 微电网系统参数Table 1 System parameters of microgrid

图8 波动平抑仿真波形Fig.8 Simulative waveforms of fluctuation suppression

由图8可知，时间常数T=60 s、T=200 s时，波动平抑算法均能较好地平滑系统输出；时间常数T=200 s时，平滑作用较为明显，对应所需的储能容量也较大。通过RTDS硬件在环测试可知，基于前馈控制的储能波动平抑算法可有效地平滑系统波动。基于前馈控制的储能波动平抑算法应用于杭州新能源风光储微电网系统，其系统波动平抑试验波形如图9所示，试验波形与仿真波形基本一致，其中Pw为风电、光伏有功功率输出之和，Pout为储能波动平抑后风、光、储有功输出总和。

4 工程验证

杭州新能源风光储微电网系统示范工程于2014年3月10日至3月17日进行连续168h运行测试。试验要求：系统在试验期间不间断运行；风机、光伏及储能等设备不可人为停机；能量管理系统不可关闭或重新启动，不出现死机、失效等现象。

图9 T=60 s时每10 min波动情况Fig.9 Distribution of fluctuation rate per 10 min when T=60 s

能量管理系统实时检测厂区负荷，设置安全阈值，确定风光储微电网系统发电上限；结合功率预测、储能前馈控制完成风电、光伏功率设定，储能波动平抑功能，确保风光储微电网稳定运行，向厂区负荷供电，不向大电网送电。

4.1 储能波动平抑效果

采用基于前馈控制的储能波动平抑算法，设置M=0.3，电池的SOC限制在0.3～0.7范围内；时间常数T=60 s，波动平抑效果如图10所示，平抑前后的数据对比如图9所示。

图10 T=60 s时波动平抑效果图Fig.10 Effect of fluctuation suppression when T=60 s

由图9（a）可知，在平抑前，风光系统超过4%的波动率占到了50%以上；由图9（b）可知，平抑后，系统波动率大于5%的比例明显减小。由图9和图10可知，波动平抑效果明显，平抑前后数据对比如表2所示。

表2 波动平抑数据Table 2 Data of fluctuation suppression

由表2可得：与平抑前相比，平抑后最大波动率和波动率大于2%的比例都有明显减少，波动平抑效果明显；且1 min波动不超过100 kW，10 min波动不超过300 kW，满足国标GB/T 19963—2011《风电场接入电力系统技术规定》要求。

4.2 168 h运行测试

杭州新能源风光储微电网系统示范工程于2014年3月10日至3月17日进行连续168 h运行测试。为了确保微电网系统不向大电网送电，系统输出功率小于厂区负荷，防止负荷突变，设置安全阈值为200 kW，厂区典型日负荷曲线如图11所示。

图11 厂区典型日负荷曲线Fig.11 Typical daily load curve of industrial park

风光储微电网系统能量管理系统运行曲线如图12所示，为 2014年 3月 13日 20∶00—20∶20 能量管理系统运行曲线，数据如表3所示。

图12 能量管理系统运行工况Fig.12 Operating conditions of EMS

表3 能量管理系统运行数据Table 3 Operating data of energy management system

由图12和表2可知，通过168 h运行测试，风光储微电网能量管理系统能够长期正常稳定运行；系统控制策略工作正常，在负荷变化时，能够完成预期目标；储能波动平抑算法能够有效平滑系统功率波动；杭州新能源风光储微电网系统通过168 h运行测试，拿到了浙江省电力公司的并网通知。

截至2015年10月，杭州新能源风光储微电网示范工程已安全稳定运行19个月，月平均发电量约为50 MW·h，可为厂区节约用电费约50万元/a。

5 结语

本文提出了一种适用于工业园区的风光储微电网系统能量管理策略，通过RTDS硬件在环测试，MW级微电网系统示范工程稳定运行验证了其有效性，为其后期应用于其他工况以及商业运行打下了良好的基础。

本项目只完成了微电网系统并网运行的能量管理策略，现正在开展孤岛运行的仿真、试验研究。

［1］MOROZUMI S.Micro-grid demonstration projects in Japan［C］∥IEEE Power Conversion Conference.［S.l.］：IEEE，2007：635-642.

［2］HIROSE K.An update on sendai demonstration of multiple power quality supply system［C］∥Kythnos 2007 Symposium on Microgrids.Kythnos，Greece：［s.n.］，2007：1-6.

［3］王成山，武震.微电网关键技术研究［J］.电工技术学报，2014，29（2）：1-12.WANG Chengshan，WU Zhen.Research on key technologies of microgrid［J］.Transactions of China Electrotechnical Society，2014，29（2）：1-12.

［4］杨新法，苏剑，吕志鹏，等.微电网技术综述［J］.中国电机工程学报，2014，34（1）：57-70.YANG Xinfa，SU Jian，LÜ Zhipeng，et al.Overview on micro-grid technology［J］.Proceedings of the CSEE，2014，34（1）：57-70.

［5］国家电网公司.《风光储输示范工程关键技术研究》国家科技支撑计划可行性论证报告［R］.北京：国家电网公司，2010.

［6］赵波，张雪松.储能系统在东福山岛独立型微电网中的优化设计和应用［J］.电力系统自动化，2013，37（1）：161-167.ZHAO Bo，ZHANG Xuesong.Optimal design and application of energy storage system in Dongfushan island stand-alone microgrid［J］.Automation of Electric Power Systems，2013，37（1）：161-167.

［7］李鹏，张雪松.多微电网多并网点结构微电网设计和模式切换控制策略［J］.电力系统自动化，2015，39（9）：172-178.LI Peng，ZHANG Xuesong.Structural design and mode switching controlstrategies ofmulti-microgrid with severalPCCs ［J］.Automation of Electric Power Systems，2015，39（9）：172-178.

［8］张建华，苏玲，陈勇，等.微电网的能量管理及其控制策略［J］.电网技术，2011，35（7）：24-28.ZHANG Jianhua，SU Ling，CHEN Yong，et al.Energy management of microgrid and its control strategy ［J］.Power System Technology，2011，35（7）：24-28.

［9］吴雄，王秀丽，刘世民，等.微电网能量管理系统研究综述［J］.电力自动化设备，2014，34（10）：7-12.WU Xiong，WANG Xiuli，LIU Shimin，et al.Summary of research on microgrid energy management system［J］.Electric Power Automation Equipment，2014，34（10）：7-12.

［10］朱兰，严正，杨秀，等.风光储微电网系统蓄电池容量优化配置方法研究［J］.电网技术，2012，36（12）：26-31.ZHU Lan，YAN Zheng，YANG Xiu，et al.Optimal configuration of battery capacity in microgrid composed of wind power and photovoltaic generation with energy storage ［J］.Power System Technology，2012，36（12）：26-31.

［11］苗轶群，江全元，曹一家.考虑电动汽车随机接入的微电网优化调度［J］.电力自动化设备，2013，33（12）：1-6.MIAO Yiqun，JIANG Quanyuan，CAO Yijia.Optimal microgrid dispatch considering stochastic integration of electric vehicles［J］.Electric Power Automation Equipment，2013，33（12）：1-6.

［12］丁明，张颖媛，蔡美琴.微电网研究中的关键技术［J］.电网技术，2009，33（16）：6-11.DING Ming，ZHANG Yingyuan，MAO Meiqin.Key technologies for microgrids being researched［J］.Power System Technology，2009，33（16）：6-11.

［13］李鹏，窦鹏冲，李雨薇，等.微电网技术在主动配电网中的应用［J］.电力自动化设备，2015，35（4）：8-16.LI Peng，DOU Pengchong，LI Yuwei，etal.Application of microgrid technology in active distribution network［J］.Electric Power Automation Equipment，2015，35（4）：8-16.

［14］孙翰墨.基于ARMA模型的风电机组风速预测研究 ［D］.北京：华北电力大学，2011.SUN Hanmo.The research on wind speed prediction for WTG based on ARMA model［D］.Beijing：North China Electric Power University，2011.

［15］邹见效，李丹，郑刚.基于机组状态分类的风电场有功功率控制策略［J］.电力系统自动化，2011，35（24）：28-32.ZOU Jianxiao，LI Dan，ZHENG Gang.An active power control scheme for wind farms based on state classification algorithm［J］.Automation of Electric Power Systems，2011，35（24）：28-32.

［16］KATSUHISA Y，TOSHIYA N.New controlmethod forregulating state-of-charge of a battery in hybrid wind power/battery energy storage system［C］∥Power Systems Conference and Exposition 2006.Texas，USA：［s.n.］，2006：1244-1251.