国外某风光柴储微网系统优化配置研究

2020-04-20

技术与市场 2020年4期

(华北水利水电大学电力学院，河南郑州 450000)

1 概述

随着经济的发展和人口的不断增长，人们对电能的需求与日俱增，随之而来的环境问题使人们的目光更多转向新能源发电。新能源发电产业在飞速发展的同时，也受到了一些因素的制约，如地区电网结构对光伏、风力发电的并网容量的限制；光伏和风力发电的不稳定性；并网时对电网冲击较大等。一些地区由于条件限制等种种原因未能并入大电网，负荷需求只能依靠当地微网系统来满足。

光伏发电和风力发电受气象条件影响较大，虽然在季节和昼夜上有一定程度的互补，但仍不足以抵消其发电的不稳定性，所发出的电能仍可能有较大的波动。储能系统的加入可以有效地电力系统的稳定性和电能质量，亦可平衡微网电能供需，故在微网中应用广泛，主要用于能量管理和改善电能质量等方面。

在众多储能技术中，电池储能(BESS)因其在对电力系统的改善和节约成本方面的显著作用而备受关注。电池储能对电网的变化响应迅速，既可以用于能量管理，也可以用于改善电能质量，因而非常适合用于微网。近年来各国微网中电池储能系统的容量也在不断地提升，实现了传统能源发电的成本不断下降。然而电池储能系统本身价格高昂，为了实现微网的经济运行，必须合理规划储能系统的容量，用最少的储能系统实现最低的净现成本。

对系统进行仿真和优化可应用HOMER软件来完成。HOMER(Hybrid Optimization of Multiple Energy Resources)是由美国国家可再生能源实验室(NREL)开发的一款针对可再生能源微网和混合型微网的仿真软件，在并网和离网条件下均可进行仿真。HOMER的目标函数是取得总净现成本(TNPC)的最大值，输入数据一般有电源组成部件，储能系统组成，电力负荷以及各个组成部分的成本。输出量一般有总净现成本(TNPC)，发电成本(COE)，燃料消耗量以及可再生能源的渗透率。该软件还可以就技术和经济方面对一个微网系统进行分析，得出最优的容量配置方案。

2 系统的总体设计

2.1 系统概况

该微网系统位于中非地区某国某边境小镇，距离该国首都950 km，经纬度坐标22°49′58.14″W，16°05′09.09″N，属于热带沙漠气候，高温少雨，最高温度50 ℃左右，最低气温11 ℃，平均气温24 ℃。全国分为旱、雨两季，6～9月为雨季，10月至次年5月为旱季。雨季月平均降雨量为60 mm，平均风速7.1 m/s。

本地发电厂原有风机4台，每台容量275 kW，共1.1 MW。2台容量为250 kVA的柴油发电机组，另有3 061 kWh的储能电池。远期规划将要新增500 kW风机6台共3 MW、光伏电池1 MW，柴油发电机组1 MW，储能电池3 MW。

该电厂发出的电能主要供给附近的小镇使用，是该镇唯一的电力来源，须保证可靠供电。该地光伏资源和风能资源较为充足，但由于地形条件限制难以与大电网相连，加之柴油价格昂贵。因此结合当地情况，确定为以新能源发电为主要供电来源、柴油发电机为备用电源的思路，因此计划以风电3 MW，光伏1 MW为基准，调整其他的敏感因素，最终得出仿真结果。

2.2 发电资源概况

在HOMER软件中，确定某地的经纬度坐标之后，可以直接从NASA数据库下载该地的风能资源和太阳能资源数据。

2.2.1 太阳能资源

通过给定的经纬度坐标，HOMER可以从NASA数据库中导出月平均太阳能总辐照数据，通过V.A.Graham算法生成每小时太阳辐射数据，实验证明该算法可以实现逼真地模拟每小时数据。

从NASA数据库中导出的该地的太阳能总辐照数据如图1所示。该地的月平均辐照4月最大，1月最小。

2.2.2 风能资源

导出该地的风能资源如图2所示，主要衡量标准是月平均风图中数据是风速计在50 m的高度测得的风速数据，也可选择“随高度变化”选项，该方式为风速随地面高度增加的方式，HOMER将使用这些信息来计算风力涡轮机的轮毂高度处的风速。

图2 风能资源数据(来自NASA数据库)

2.3 负荷数据

该地电力部门主要将负荷分为三种类型，其一是需要自动稳压设备保护的单相设备(Section A)，其二是无保护的单相设备(Section B)，最后是无保护的三相设备(Section C)。三类设备容量总和为526.33 kVA，也即是最低的负荷需求，考虑到备用以及远期，确定负荷容量为1.25倍负荷容量，即657.91 kVA。

根据软件中已有的负荷模型，输入负荷数据，可得到本次研究的负荷模型，该模型是以“社区用电负荷”(Community Load)为基础的负荷。从配置文件中生成贴近现实的负荷是一种相对快速的方法。生成的负荷数据峰值出现在18:00-21:00，谷值出现在凌晨，符合居民用电的一般规律。

2.4 系统总体设计

该系统初步设计为交流母线微网结构，系统的结构图如下，柴油机组，光伏阵列，风机和储能系统接至交流母线，供给交流负荷。

为方便设备的维护管理，考虑将蓄电池安装在原柴油发电机组附近，蓄电池组通过变流器连接至低压交流母线；该地地势平坦开阔，因此规划光伏阵列和风电机组集中建设，均采用先低压汇流，再升压接入的方案。

3 系统仿真及优化

3.1 HOMER仿真策略简述

针对净现成本(COE)最低这一目标函数，HOMER软件中提供了三种仿真和优化策略，分别是负荷跟踪(Load Follow，LF)、循环充电(Cycle Charging，CC)和预测调度(Predictive Dispatch Strategy，PS)。

3.1.1 负荷跟踪策略

负荷跟踪策略是指对于负载，优先采用可再生能源来提供，剩余部分由柴油发电机运行供给。对于新能源出力大于负载的需求时，剩余电量用来给储能系统充电。在有大量可再生能源的系统中适合采用负荷跟踪的策略。

3.1.2 循环充电策略

循环充电策略是指优先采用发电机来供给负荷所需要的电能，即发电机满发并用剩余功率给电池组充电，循环充电策略适用于可再生能源很少或者没有可再生能源的系统中。

3.1.3 预测调度策略

预测调度策略为最大化可再生能源消纳设置的模式。在预测调度策略下，调度算法通过历史数据预测未来的电力需求，以及下一时刻的太阳能和风能资源可用性。与其他调度策略相比，PS策略通常会使系统运行成本更低。PS策略是预测未来48 h以内的负荷及资源情况，并利用这些数据以一种最经济的方式运行储能系统。是目前最先进的现代化市场调度模式之一，在优先使用可再生能源满足负载的同时，预测未来可再生资源和负载情况，不仅最大限度消纳可再生能源，同时也使得供能成本最低。

目前在HOMER软件中能够直接实现的运行策略是CC和LF，PS策略仅提供 MATLAB接口，用户可导入自己用MATLAB写好的算法。

3.2 相关数据输入

3.2.1 气象数据

从NASA导出的气象数据如表1所示，根据风机的高度，此为风速计在高度为55 m(风机轮毂高度)时所测量的月平均风速和月平均温度，输入气象数据见表1。

表1 输入气象数据

3.2.2 经济学指标

根据当地实际情况，取通货膨胀率为2%，贴现率为8%。因为装机容量远大于实际负荷容量，因此设定容量短缺为0，系统寿命为25年。

3.2.3 系统各组成部分的输入数据

1)风机。风机的输出功率与瞬时风速的关系由以下公式确定。

(1)

其中是风机的切入风速，为切出风速，为额定风速，为风机的额定功率。其主要输入参数见表2。

2)光伏元件。光伏电池采用理想单二极管模型，其输出电流和输出电压的关系如下。

(2)

(3)

其中，是光伏电池的输出电流，是二极管的反向饱和电流，是光伏电池的输出电压，是二极管理想系数，为玻尔兹曼常数，是光伏电池的热力学温度。

3)储能系统。储能系统采用电化学储能方式，使用磷酸铁锂电池。系统中储能模块(包括储能电池和储能变流器)容量的数学模型大致可由下式给出：

(4)

其中为电池的空载电压，为单次充电使用时间，为变流器利用率，为电池利用率，为电池的放电深度。

4)柴油发电机的输入参数。柴油发电机可以在某一恒定功率下运行，也可以根据负荷变化在最大功率和最小功率之间调整，以满足负荷需求。故仅需描述其燃料消耗速率。通用柴油发电机的燃料消耗率FD和输出功率之间大致满足下式。

FD=aPr+bPD

(5)

其中为燃料转换因数，即发出1 kWh的电能所消耗的燃料(Liter per kWh，L/kWh)，为柴油发电机组的额定有功功率(kW)，为燃料消耗曲线系数，为柴油发电机组的输出功率(kW)。为放电深度(Depth of Discharge)。其输入数据见表3。

表2 500 kW风机的主要输入参数

表3 柴油发电机的主要输入参数

3.3 系统仿真结果

完成相关参数和部件的设定后，点击“Calculate”图标，HOMER 软件按遍历法进行优化并按总净现成本由小到大的顺序输出若干种技术可行的配置结果优化，输出结果见表4，表格中M代表“百万美元”

由表4中数据可以看出，HOMER软件在设定条件下给出的最优配置为光伏配置1 000 kW、风机配置3 000 kW、柴油机配置300 kW、蓄电池配置1 010 kWh、双向变换器配置500 kW，控制策略采用负荷跟踪(LF)策略；在该配置下的总净现成本和发电成本最低，分别为1 080万美元和0.709美元/kWh。同时新能源发电的渗透率也相对较高，可以有效减少柴油发电机的使用，同时一部分柴油发电机的功率也保证了系统供电的可靠性。

3.4 灵敏度分析

对最优方案进行灵敏度的分析，该配置下各组成部分的净现成本构成如表5所示。

可以看出，该系统的主要成本构成为风机的投资成本和运维成本，光伏和蓄电池的投资成本等。设备的投资成本和燃料成本随着市场价格波动变化；另外风资源和光资源由于自身的间歇性和波动性也是总净现成本和单位供电成本的影响因素。

本次仿真选取了若干个敏感因素，分别是风速、太阳辐射量、风速投资成本、光伏投资成本和蓄电池投资成本。仿真过程中，固定其他条件，调整单个敏感因素以一定比率变化，得出敏感因素变化时总净现成本和发电成本变化的最优配置折线图(见图3)。

表4 HOMER软件优化配置结果数据

表5 微网系统各组成部分的净现成本构成

图3 不同敏感因素对总净现成本的影响

以上敏感因素在±20%之间变化时，最优容量配置均未发生改变。COE 随着风速以及太阳辐射量的增大而降低，随着各部分成本的增加而增大；其中 COE关于风速、风机投资成本和光伏投资成本变化曲线的斜率比较大，关于太阳辐射量和蓄电池投资成本变化曲线斜率较小，说明风速、风机成本和光伏成本是最敏感的因素，应重点关注和确定这些影响。

以上敏感因素在±20%之间变化时，最优容量配置均未发生改变。COE 随着风速以及太阳辐射量的增大而降低，随着各部分投资成本的增加而增大；其中 COE关于风速、风机投资成本和光伏投资成本变化曲线的斜率比较大，关于太阳辐射量和蓄电池投资成本变化曲线斜率较小，说明风速、风机成本和光伏成本是最敏感的因素，应重点关注和确定这些影响因素。

3.5 优化配置方案的确定

在前述仿真结果中，方案1和方案2更能保证系统稳定性，方案3至方案6则将柴油机完全置于备用状态。从经济性的角度，若以方案1为基本案例，方案2和方案3相比于方案1都能够在项目生命周期内节省资金，恢复投资成本差异的时间分别是16年和18年。从环保的角度上，方案二的可再生能源渗透率更高，相比于方案一各种污染物的年排放量也大为减少，选用方案二对当地的环境更有益，若不考虑柴发备用，可以选择方案三。综合系统稳定性，经济性和环保的要求，本次研究最终选择方案一，即配置柴油机的方案。配置如表6所示。

从项目性价比、运行效益和考虑柴油发电机备用的角度出发，采用此方案可以实现COE为0.709美元/kWh，可再生能源利用率90.5%。在仿真周期中，柴油发电机全年所发电量为 17 152 kWh；风机所发电量为5 991 397 kWh；光伏所发电量为2 124 981 kWh；过剩可再生电量为 6 923 307 kW；总供出电量 8 133 531 kWh；燃料耗量5 230 L。