液态金属电池储能系统在光氢耦合微电网中的优化配置

梁芷睿, 宋政湘, 王建华, 王 贤, 张国钢

(电力设备与电气绝缘国家重点实验室(西安交通大学), 陕西省西安市 710049)

0 引言

随着全球经济的高速发展,能源与环境问题日趋严重,分布式发电技术成为世界各国研究和发展的热点。为减小分布式电源对电网的冲击,人们提出了微电网的概念[1]。微电网既可以并网运行,也可以孤立运行,它能够促进分布式电源的大规模接入,是消纳可再生能源的重要方式。多能互补是智能微电网的重要发展方向,也是提高可再生能源渗透率的有效手段。

在微电网中,风能和太阳能等可再生能源发电具有间歇性和波动性,将其直接接入电网会降低电能质量。借助大规模储能技术可以有效解决这一问题。目前主要的储能手段(如铅酸电池、锂离子电池、超级电容器等)普遍存在如存储能量少、释放效率低、占地面积大、充放电寿命有限和环境污染等问题,达不到电力系统对储能设备的容量和成本要求。液态金属电池是由美国麻省理工大学的Sadoway教授团队提出的一种新型储能电池[2],具有过载能力强、运行寿命长、经济环保等优点,非常适合电力系统储能[3],但其大规模配置成本较高。氢储能具有能量密度高、运行维护成本低、储能过程无污染等优点,是一种廉价的大规模储能技术[4]。然而氢电转换速度受到燃气轮机、燃料电池等设备响应速度的制约,无法快速响应负荷变化[5]。因此,可以为微电网设计一种液态金属电池储能与氢储能相结合的综合储能系统,从而更好地发挥两种储能方式的优点,提高微电网的性能。

与单一种类的储能装置不同,综合储能系统的运行涉及两种储能方式的协调配合,需要设计更复杂的调度方案。文献[6]以系统效率最优为目标,设计了一种维持蓄电池、电解槽和燃料电池协调配合的双滞环控制策略。文献[7]提出了一种模糊控制策略,根据光伏发电量与用电负荷的不匹配程度,以及蓄电池的荷电状态(SOC)来选择不同的调度方案。然而,液态金属电池的某些特性与传统储能电池不同,上述文献中的调度方案不完全适用于液态金属电池储能系统。另外,上述调度方案中没有考虑对微电网经济效益的优化,难以满足微电网系统的经济性要求。

恰当的储能配置容量可以提高微电网的经济性,同时保证对分布式电能的充分利用。文献[8-10]中以系统总成本最低为优化目标,利用规划模型求解最优储能容量。微电网系统的总成本一般包括设备投资成本和运行维护成本,再减去政府对新能源发电的补贴[8]。当微电网并网运行时,分布式电源发出的电能可以售给电网或后级用户,此时还需考虑微电网的售电收入[9]。如果分布式电源的发电量可以用于工业生产,则微电网的总成本中应减去该产品的收益[10]。然而,上述文献中的方法只针对单一种类的储能系统,没有考虑氢储能装置对电池储能装置最优容量的影响,因此无法解决综合储能系统中储能电池的容量优化问题。

本文中液态金属电池储能系统的配置方式是与氢储能装置共同构成综合储能系统。首先,以经济性最优为原则,为该综合储能系统设计一套调度方案;然后,利用实际气象数据仿真计算出微电网每日的调度计划,根据一段时间内的调度计划,可以计算出液态金属电池储能系统的多项性能评价指标;最后,利用这些指标建立综合评价模型,分别计算不同容量的液态金属电池储能系统的性能得分,从而确定最优储能容量。

1 光氢耦合微电网的结构与性能

光氢耦合微电网的结构如图1所示[11]。该微电网中包含电能链和氢能链两条能量转化线路。在电能链中,由光伏发电系统为微电网内的用电负荷提供电能。由于光伏发电功率的波动率较大,所以需要使用综合储能系统来平抑其输出功率的波动,将低质量和富余的电能输送给电解槽或存储在液态金属电池中。同时,该微电网还与主电网相连,可以进行电能交换。在氢能链中,首先由电解槽将电能转化为氢能,再根据需求利用氢氧燃料电池将氢能转化为电能,多余的氢气存储在高压储氢罐中。高纯度的氢气除了可以用于储能,还可以作为工业生产原料出售,是微电网的主要经济来源之一。

图1 光氢耦合微电网结构Fig.1 Structure of photovoltaic and hydrogen coupled microgrid

表1对微电网中两种储能装置的性能进行了对比[12]。与氢储能系统相比,液态金属电池具有响应速度快、循环寿命长、能量效率高等优点,可以迅速响应微电源与负荷的功率变化,保证系统的稳定性。此外,直接售卖氢气的收益远大于将氢能转化为电能的收益,所以应尽量减少燃料电池的使用频率。综上所述,为了提高系统的利润和效率,应使液态金属电池储能系统的充放电优先级高于氢储能系统的优先级。但是,氢储能系统的可用容量远大于液态金属电池的容量,所以当系统出现大规模的功率盈余或功率缺额时,必须使用氢储能装置来平抑功率波动。

表1 两种储能形式的性能对比Table 1 Performance comparison of two kinds of energy storage system

2 综合储能系统的调度方案

2.1 调度方案的设计流程

本文所研究的光氢耦合微电网一般运行在并网模式,当微电网内部或外部发生严重故障时转为孤岛模式。本文只研究微电网并网运行时综合储能系统的调度方案。国家标准中规定,装机容量为10 MW以上的光伏发电站应具有0～72 h短期光伏发电功率预测功能[13],所以在设计调度方案时可使用光伏发电量的预测数据。确定光伏发电系统的输出功率需要使用两种气象数据:太阳辐射量数据和气温数据。本文所使用的数据来自气象软件Meteonorm[14],它可以提供任意地点每小时的气象数据。

本文所设计的调度方案按照光伏发电量与用电负荷的匹配程度将一日划分成清晨、白天、傍晚和夜间4个时段,各个时段采取不同的调度策略。4个时段的调度计算完成后,还要进行液态金属电池的SOC校验。如果当日存在SOC越限情况,则自动调整电池当日的SOC初始值,重新进行调度计算;如果调整参数后仍存在SOC越限情况,则需调整其他微电源的调度曲线,将电池SOC变化曲线修正到允许范围内。下面具体介绍4个时段的调度方案。

2.2 清晨时段的调度方案

清晨时段是指从光伏发电功率首次大于0的时刻到光伏发电功率首次大于微电网内负荷的时刻,该时段特点是光伏电能大于0但不足以满足微电网内的负荷需求,需要利用储能装置或电网电能补充光伏电能的缺额。根据中国峰谷电价政策,谷电时段(本文以陕西省的电价政策为例,谷电时段为23:00到次日07:00)的电价较低,所以在早上07:00之前,使用电网电能比较经济。07:00之后,首先使用液态金属电池补充光伏电能缺额,当其SOC值下降至允许的下限值时,改用燃料电池供电。

2.3 白天时段的调度方案

白天时段是指从清晨时段结束后到光伏发电功率首次小于微电网内负荷的时刻,该时段特点是光伏电能大于微电网内负荷需求,需将剩余光伏电能的稳定部分售卖给电网,波动部分由储能装置平抑。

在没有乌云遮挡的理想情况下,光伏发电功率随时间的变化曲线基本符合高斯函数形式[15],所以可以用高斯函数对离散的光伏功率预测数据进行拟合,将拟合得到的光滑曲线作为并网光伏功率的参考值,从而满足电网对并网光伏功率波动率的限制。拟合过程中计算出的参数R2可以衡量回归方程的拟合优度,R2越大,说明拟合效果越好。将光伏发电总功率与并网光伏功率的差值称为光伏发电功率的波动部分,拟合曲线的R2较大时,波动部分的功率较小,可以仅使用液态金属电池来平抑功率波动,不需要开启氢储能装置;R2较小时,波动部分功率较大,而液态金属电池的额定功率有限,所以要使用氢储能来平抑功率波动。根据R2的大小,可以将拟合曲线分为3类,分别设计3种调度方案。

第1类:R2<0.8。此时光伏发电功率曲线波动剧烈,应采用两种储能装置共同平抑光伏功率波动。为了减少燃料电池的使用频率,需要将光伏功率拟合曲线向下平移,直到其与光伏实际发电功率曲线最大差值的绝对值小于液态金属电池的额定功率,将下移后的曲线作为售给电网的功率调度曲线。当光伏电能存在盈余且盈余功率小于电解槽的最小开启功率PHmin时,利用该部分电能给液态金属电池充电;当盈余功率大于PHmin时,将该部分电能输入电解制氢装置;当光伏电能存在缺额时,首先使用液态金属电池补充光伏电能缺额,当其SOC值下降至允许的下限值时,改用燃料电池供电。

第2类:0.8≤R2≤0.9。此时光伏发电功率曲线存在小幅波动,也应同时使用两种储能装置。为了减少燃料电池的使用,需要将光伏功率拟合曲线向下平移,直到该曲线完全位于光伏实际发电功率曲线之下,将下移后的曲线作为售给电网的功率调度曲线。与第1类调度方案的区别在于,此时液态金属电池的容量在用于平抑功率波动之外还有一定的剩余,因此,当盈余部分的光伏功率短时小于PHmin时,可以由液态金属电池为电解槽供电,使其工作在最小开启功率状态,从而避免电解槽的频繁启停对其使用寿命造成影响。

第3类:R2>0.9。此时光伏发电功率曲线仅有微小波动,可以直接使用光伏功率的拟合曲线作为售给电网的功率调度曲线,并且只需使用液态金属电池平抑功率波动,不需要使用氢储能装置。

2.4 傍晚时段的调度方案

傍晚时段是指从白天时段结束后到当日的23:00,该时段的特点是光伏电能无法满足微电网内负荷的需求。此时的电网电价较高,应尽量使用储能系统来弥补光伏电能缺额。两种储能装置的使用顺序与清晨时段相同。

2.5 夜间时段的调度方案

夜间时段是指从傍晚时段结束后到次日光伏发电功率首次大于0的时刻,该时段的特点是光伏发电量小于微电网内负荷,而主电网处于谷电时段,所以微电网内的一切电力需求都应使用电网电能来满足。由于白天的氢气制取量和使用量取决于天气情况,如果微电网每日有固定的氢气需求,可以利用谷电时段完成剩余的制氢任务。在该时段内还应利用电网电能为液态金属电池充电,使其达到预设的SOC初始值,为次日的调度计划做好准备。

2.6 调度方案算例

图2所示为上述调度方案的两个算例,其中储能装置的调度曲线纵坐标为正的部分表示储能装置吸收功率,为负的部分表示储能装置发出功率。图2(a)中光伏发电功率的波动率较大,所以应采用两种储能装置共同平抑功率波动;图2(b)中光伏发电功率的波动率较小,所以只需使用电池储能装置。

图2 调度方案算例Fig.2 Examples of scheduling scheme

3 液态金属电池储能系统容量优化模型

本节中将根据微电网在并网模式下的经济性与可靠性指标对液态金属电池储能系统的配置容量进行优化。首先建立储能系统综合评价模型如下:

y=a1x1+a2x2+a3x3+a4x4

(1)

式中:y为液态金属电池储能系统性能的评价结果,y越大,表明其性能越好;x1,x2,x3,x4为4项评价指标;a1,a2,a3,a4为4项指标的权重系数。为了确定最优储能容量,可以分别计算不同容量的液态金属电池储能系统的性能得分,将得分最高的容量作为最优配置容量。

3.1 评价指标的计算方法

x1为液态金属电池储能系统的配置成本,一般由功率成本和容量成本2部分组成。x2为光氢耦合微电网的年利润,主要由售电收入、售氢收入和发电补贴3部分组成。x3为液态金属电池储能系统的预期使用寿命,文献[16]中详细介绍了电池循环寿命的估算方法,即首先利用雨流计数法从电池的充放电曲线中提取其放电深度,然后根据电池循环寿命与放电深度的函数关系,得出电池的等效循环次数,从而计算电池的剩余寿命。x4为电池容量不足的天数,即一年中液态金属电池储能系统无法满足平抑光伏功率波动需求的总天数。4项指标中,x1和x2可用于评价储能系统的经济性,x3和x4可用于评价储能系统的可靠性。

评价指标一般可分为效益型、成本型和区间型3类,其中效益型指标越大越好,成本型指标越小越好,区间型指标在某个区间内时为最佳。上述4项指标中,x1和x4为成本型指标,x2和x3为效益型指标。由于各指标的类型和量纲不同,需要首先对其进行标准化处理,即将所有指标都转换为效益型,同时将各指标的数值都变换到[0,1]区间上。

3.2 指标权重的计算方法

本文首先采用熵权法和层次分析法分别计算各项指标的权重,然后将二者结合为一个综合权重。

熵权法是确定评价指标权重的一种客观方法,其计算权重的步骤如下[17]。

步骤1:计算第j个指标下第i个项目评价值的比重

(2)

步骤2:计算第j个指标的熵值

(3)

步骤3:计算第j个指标的熵权

(4)

层次分析法是确定评价指标权重的一种主观方法。设每个待评价目标的n个评价指标为x1,x2,…,xn,按文献[17]表1所示标度将这n个指标对于待评价目标的重要程度做两两比较,获得成对比较矩阵C=(cij)n×n,成对比较矩阵的特征值W=[w1,w2,…,wn]即为n个评价指标的权重系数。

设熵权法计算得到的指标权重为We=[we1,we2,…,wen],层次分析法计算得到的指标权重为Wa=[wa1,wa2,…,wan]。按照式(5)可以将二者合成为综合权重Wc=[wc1,wc2,…,wcn]。

Wc=αWe+βWa

(5)

式中:α和β分别为熵权法和层次分析法计算结果所占的比重。

两种权重计算方法均有各自的特点。熵权法直接根据评价结果矩阵计算权重,比较客观,但其计算结果可能会与人们对指标重要性的普遍认识相悖。层次分析法则恰好相反,它能够很好地反映评价者对指标重要程度的感性认识,但其计算结果的主观性较强。所以,如果希望综合权重倾向于客观结果,可取α>β,否则可取α≤β。

4 算例分析

本节中以陕西宝光集团计划建设的光氢耦合微电网为例,验证上文所述的液态金属电池储能系统配置方案的可行性。该微电网中配置了20 MW的光伏发电装置和2台制氢能力为1 000 m3/h的电解制氢设备。微电网中液态金属电池储能系统的额定功率为2 MW,其功率成本为300万元,容量成本为5 250元/(kW·h)。算例中使用的其他参数参见附录A表A1。

4.1 液态金属电池容量优化结果

本节重点比较3～5 MW·h内5组储能容量的性能。表2所示为这5组储能容量对应的4项评价指标的计算结果。由表中数据可知,随着储能容量的增大,电池配置成本、系统年收益和电池寿命都会逐渐增加,而电池容量不足的天数会逐渐减少。

表2 不同容量液态金属电池的评价指标与得分Table 2 Evaluation indices and scores of different liquid metal battery capacities

利用熵权法和层次分析法分别计算4项指标的权重,计算结果如表3所示。本算例中将熵权法计算结果的比重设置为0.2,层次分析法计算结果的比重设置为0.8,从而得到表3中的综合权重系数。

表3 各项指标的权重系数Table 3 Weight coefficients of indices

利用表2中的指标数据和表3中的权重系数计算不同容量液态金属电池储能系统的评价得分,计算结果如表2最后一列所示。可知,得分最高的储能容量为4 MW·h,所以该微电网中液态金属电池储能系统的最优配置容量为4 MW·h。

4.2 电池单价变化时的优化结果分析

随着技术发展,液态金属电池的单价必然会逐渐降低,此时最优储能容量可能会随之变化。由图3(a)可知,如果保持模型中4个权重系数不变,则当液态金属电池的单价发生变化时,最优储能容量不会改变。但当电池成本降低时,系统年收益的重要性就会逐渐凸显。例如:当电池容量成本降低至3 250元/(kW·h)时,相邻两个储能容量对应的电池成本相差约150万元,而其15年内的累计利润也相差约150万元,所以赋予“系统年利润”的权重应与“电池成本”的权重相近。若液态金属电池单价变化时模型系数也发生相应变化,则随着电池单价的降低,最优储能容量会逐渐增加,如图3(b)所示。

图3 电池单价变化时的容量优化结果Fig.3 Capacity optimization results with variable battery prices

5 结语

本文将液态金属电池储能系统与氢储能系统相结合应用于微电网中,实现了电能、氢能、光能的多能互补。首先为该综合储能系统设计了一套经济合理的调度方案,然后提出了液态金属电池储能系统的配置容量优化方法。综合储能系统的运行模式可以充分发挥两种储能方式的优点,使光、氢、电等多种能源得到充分利用。合适的储能容量不仅可以保证并网电能质量,还可以提高微电网的经济效益。目前国内外还没有专门针对液态金属电池储能系统在微电网中配置方式的研究,考虑到液态金属电池的应用前景和市场潜力,研究其在微电网中的优化配置问题具有一定的实用价值。

本文所提出的调度方案与储能容量优化方法不仅可以应用于液态金属电池储能系统,还可以推广至其他种类的电池储能系统。本文下一步的研究重点是对微电网孤岛运行时的稳定性进行校核,以进一步完善电池储能系统的配置方案。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 王成山,王守相.分布式发电供能系统若干问题研究[J].电力系统自动化,2008,32(20):1-4.

WANG Chengshan, WANG Shouxiang. Study on some key problem related to distributed generation systems[J]. Automation of Electric Power Systems, 2008, 32(20): 1-4.

[2] SADOWAY D, CEDER G, BRADWELL D. High-amperage energy storage device and method: US 20130045408 A1[P]. 2013.

[3] WANG K, JIANG K, CHUNG B, et al. Lithium-antimony-lead liquid metal battery for grid-level energy storage[J]. Nature, 2014, 514(7522): 348.

[4] NIGIM K, MCQUEEN J. Grid connected dispatchable operating modes for hydrogen production from renewable energy sources[M]. 2013.

[5] KOSONEN A, KOPONEN J, AHOLA J, et al. On- and off-grid laboratory test setup for hydrogen production with solar energy in Nordic conditions[C]//IEEE European Conference on Power Electronics and Applications, September 8-10, 2015, Geneva, Switzerland: 10p.

[6] CARAPELLUCCI R, GIORDANO L. Modeling and optimization of an energy generation island based on renewable technologies and hydrogen storage systems[J]. International Journal of Hydrogen Energy, 2012, 37(3): 2081-2093.

[7] ZHANG F, THANAPALAN K, PROCTER A, et al. Fuzzy logic control for solar powered hydrogen production, storage and utilization system[C]//International Conference on Control, September 3-5, 2012, Cardiff, UK: 912-917.

[8] 李成,杨秀,张美霞,等.基于成本分析的超级电容器和蓄电池混合储能优化配置方案[J].电力系统自动化,2013,37(18):20-24.

LI Cheng, YANG Xiu, ZHANG Meixia, et al. Optimal configuration scheme for hybrid energy storage system of super-capacitors and batteries based on cost analysis[J]. Automation of Electric Power Systems, 2013, 37(18): 20-24.

[9] 周天沛,孙伟.风光互补发电系统混合储能单元的容量优化设计[J].太阳能学报,2015,36(3):756-762.

ZHOU Tianpei, SUN Wei. Capacity optimization of hybrid energy storage units in wind/solar generation system[J]. Acta Energiae Solaris Sinica, 2015, 36(3): 756-762.

[10] 杨秀,陈洁,朱兰,等.基于经济调度的微网储能优化配置[J].电力系统保护与控制,2013,41(1):53-60.

YANG Xiu, CHEN Jie, ZHU Lan, et al. Optimization allocation of energy storage for microgrid based on economic dispatch[J]. Power System Protection and Control, 2013, 41(1): 53-60.

[11] 蔡国伟,彭龙,孔令国,等.光氢混合发电系统功率协调控制[J].电力系统自动化,2017,41(1):109-116.DOI:10.7500/AEPS20160314012.

CAI Guowei, PENG Long, KONG Lingguo, et al. Power coordinated control of photovoltaic and hydrogen hybrid power generation system[J]. Automation of Electric Power Systems, 2017, 41(1): 109-116. DOI: 10.7500/AEPS20160314012.

[12] 霍现旭,王靖,蒋菱,等.氢储能系统关键技术及应用综述[J].储能科学与技术,2016,5(2):197-203.

HUO Xianxu, WANG Jing, JIANG Ling, et al. Review on key technologies and applications of hydrogen energy storage system[J]. Energy Storage Science and Technology, 2016, 5(2): 197-203.

[13] 中国国家标准化管理委员会.光伏发电站接入电力系统技术规定:GB/T 19964—2012[S].北京:国家标准出版社,2013.

[14] ARMENDARIZ-LOPEZ J F, LUNA-LEON A, GONZALEZ-TREVIZO M E, et al. Life cycle cost of photovoltaic technologies in commercial buildings in Baja California, Mexico[J]. Renewable Energy, 2016, 87(1): 564-571.

[15] 孙英云,侯建兰,何国庆,等.一种考虑备用影响的光伏发电碳减排量计算方法[J].电力系统自动化,2014,38(17):177-182.DOI:10.7500/AEPS20140504014.

SUN Yingyun, HOU Jianlan, HE Guoqing, et al. A carbon emission reduction calculation method of photovoltaic considering influence of reserve[J]. Automation of Electric Power Systems, 2014, 38(17): 177-182. DOI: 10.7500/AEPS20140504014.

[16] 韩晓娟,程成,籍天明,等.计及电池使用寿命的混合储能系统容量优化模型[J].中国电机工程学报,2013,33(34):91-97.

HAN Xiaojuan, CHENG Cheng, JI Tianming, et al. Capacity optimal modeling of hybrid energy storage systems considering battery life[J]. Proceedings of the CSEE, 2013, 33(34): 91-97.

[17] 张健钊,陈星莺,徐石明,等.基于AHP-熵权法的工业大用户用电能效评估[J].电网与清洁能源,2017,33(1):57-63.

ZHANG Jianzhao, CHEN Xingying, XU Shiming, et al. Electricity utilization evaluation of large industrial users based on AHP and entropy method[J]. Power System and Clean Energy, 2017, 33(1): 57-63.