含风光柴储的独立微电网容量优化配置研究

杨柳青，马群凯，刘晓军，刘迎迎，郝光耀

(1.东北电力大学, 吉林 吉林 132012；2.国网长春供电公司，长春 130021；3.国网潍坊供电公司，山东 潍坊 261000)

微电网将各种分布式电源、储能装置、负荷、换流器以及监控保护装置有机整合在一起，是实现高度自治的小型发配电系统[1-2]。然而，由于风光等可再生能源作为不可调度的电源，具有不确定性的特点，需要与储能系统或者其他备用电源协调出力，导致微电网容量规划出现困难。

目前，国内外对微电网容量优化配置展开了一系列的研究。文献[3]对待规划地区典型月的历史风、光和负荷数据进行整理，以此数据为基础对微电网中可再生能源和负荷进行优化，但该方法选用的历史数据较少且无法代表全年情况，具有一定局限性。文献[4]根据典型年历史风、光和负荷数据，用改进的仿电磁学算法进行微电网中风、光、柴、储四种电源的容量优化配置。文献[5]将和声搜索和模拟退火两种算法结合在一起，为伊朗偏远地区设计了风、光、生物柴油发电和储能的混合动力系统。文献[6]计及风光不确定性，提出利用生成对抗网络模拟风光出力得到典型场景，选取最优配置方案。文献[7-8]基于峰谷电价的价格型需求响应，构建了微网的投资收益模型，从经济角度出发制定了系统优化配置策略，但未考虑需求响应的不确定性，在优化过程中容易对结果过于乐观。

微电网系统各方面的性能表现，包括系统的可靠性、建设运维成本、可再生能源消纳能力等直接受到容量配置的影响[9]，因此研究微电网的容量优化配置意义重大。在已有研究的基础上，本文提出了采用遗传算法(GA)，以系统总成本最小化作为目标函数，并采用微网能量管理策略，对独立型风光柴储微网系统的规模进行优化。通过对负荷缺电率(LOLP)、可再生能源供电率(RES)、能量丢弃比(DEP)三个指标的计算验证了优化结果的合理性，对于偏远山区或者海岛等地微电网的建设具有较高参考价值。

1 微电网电源出力模型

1.1 风机出力模型

风机的输出功率与实际风速和额定功率有关[10]，其出力模型可以表示为：

(1)

式中：PWG(t)为风电机组的实际输出功率；Pe代表额定输出功率；vr、ve、vc分别为切入风速、额定风速、切出风速。

1.2 光伏阵列出力模型

光伏阵列的实际输出功率PPV(t)受到辐照强度、环境温度的影响[11]，可以描述为如下数学模型：

PPV(t)=PSTCGAC(t){1+k〔Tc(t)-Tr〕}/GSTC

(2)

式中：PSTC为额定条件下测得的输出功率；GAC为辐照强度；Tc为太阳能电池板表面温度；Tr为参考温度，取25 ℃ ；k为功率温度系数，本文取-0.004 7；GSTC为额定条件下的辐照强度，取1 kW/m2。

Tc=Tair+30G/1 000

(3)

式中：Tair为环境温度，G为组件受到的太阳能辐射值。

1.3 柴油发电机模型

柴油发电机的实际输出功率PDIE(t)可以在0到额定功率PRD(t)之间变化，其消耗燃油量和输出功率的关系式为：

VF(t)=F0PDIE(t)+F1PRD(t)

(4)

式中：VF(t)表示柴油发电机的油耗量；F0为燃料曲线斜率；F1为燃料曲线的截距系数。

1.4 储能电池模型

在微电网系统中储能电池既可以充电也可以放电，起到平滑风光功率输出以及削峰填谷的作用。在t时刻系统的功率不平衡量可以用ΔP来表示，则：

ΔP(t)=PWG(t)+PPV(t)-PL(t)/ηinv

(5)

式中：PL(t)表示t时刻负荷功率;ηinv表示逆变器转换效率。

储能电池剩余电量的多少通常用荷电状态(SOC)来表示，当电池处于充电状态时，荷电状态SOC(t)的计算表达式为[12]：

SOC(t)=SOC(t-1)(1-σ)+〔PWG(t)+

(6)

电池处于放电状态时，SOC(t)的计算表达式为：

(7)

式中：SOC(t)、SOC(t-1)分别表示在t和(t-1)时刻的电池荷电状态；σ表示每小时的自放电率；ηbc、ηbf分别表示储能充、放电效率。

2 系统目标函数约束条件

微网系统的目标函数是使风光柴储混合电源系统的年度总成本(TAC)最小,数学表达式为：

CTAC=CRF(j,n)CNPC

(8)

CNPC=CINI+CREP+CO&M+CPC+CBC-Csub

(9)

式中：CTAC为系统的年度总成本；CNPC代表目前净总成本，为初始投资成本CINI、设备更换成本CREP、设备运行维护成本CO&M、柴油机组的燃料费用CFC和治污费用CEC的总和再减去发电量补贴成本Csub。

资金回收系数CRF为：

(10)

式中：j为贴现率，n为项目总寿命周期。

国家对于可再生能源发电补贴分为投资安装补贴和按发电量补贴，本文根据文献[13]选择按照发电量补贴的方式：

(11)

式中：Ksub为补贴电价；Pre为可再生能源的供电有功功率。

为避免过充过放延长周期寿命，蓄电池的荷电状态SOC和充放电功率应满足以下约束：

(12)

式中：SOCmin、SOCmax分别为蓄电池剩余电量约束的上限和下限；Pc、Pd分别为蓄电池的充、放电功率；Ebat为蓄电池的容量。

3 微电网系统评价指标

天气因素的影响使得风机和光伏电源出力具有间歇性和波动性的特点，在微电网容量规划中，应遵循“优先考虑可靠性”的配置原则。本研究由负荷缺电率(LOLP)作为系统运行可靠性衡量指标：

(13)

式中：时间取全年8 760 h;Pload(t)表示t时刻微电网中总负荷功率；Ploss(t)表示t时刻微电网中负荷缺失功率。

为了充分利用风机和光伏等清洁能源发电，防止非清洁能源的过度使用而造成环境污染，本文用可再生能源供电率αRES来衡量清洁能源发电比例：

(14)

当可再生能源的发电量超过负荷需求，且储能系统达到充电上限时，会造成弃风弃光现象，多余的能量就要被浪费掉，本文用能量丢弃比βDEP衡量可再生能源的利用率：

(15)

式中Pdump(t)表示t时刻弃掉的可再生能源功率。

4 微电网能量管理策略

微电网的能量管理策略是指协调各个电源之间的出力顺序，满足负荷需求的同时减少弃风弃光情况，以保障系统稳定、经济的运行[14]。本文优先利用可再生能源为负荷供电，采取的策略见图1。

图1 能量管理策略图

5 算例分析

以某偏远山区为例，预在该地区建设一独立风光柴储微电网系统，该地区全年风速数据、实时光照强度、全年环境温度曲线见图2至图4，基准负荷数据见图5。算例采用的风机单机容量为5 kW，光伏电池额定功率为250 W，并设定每10个为一组，单块蓄电池额定功率为25 kW·h，组件参数见表1。

表1 仿真参数

图2 全年实时风速曲线

图3 全年实时光照强度曲线

图4 全年环境温度曲线

图5 全年实时负荷曲线

通过风速、光照强度和环境温度曲线，以及系统元件参数等数据，可以确定单个风机和光伏阵列单元的功率(NWT和NPV)情况，通过GA算法计算，得到以下最优配置结果，见表2,NDIE和NBAT分别为柴油发电机和储能电池的出力。

由表2、表3可知，在微网能量管理策略下，风力发电机的最大出力为200 kW，光伏阵列的最大出力为127.5 kW，柴油发电机最大输出功率为68 kW，储能电池最大容量为1 050 kW。此配置中，储能电池的容量远远大于柴油发电机，一方面是为了减小弃风光量，可以将多余的能量储存起来，另一方面为了提高可再生能源发电比例，储能电池可以作为优于柴油发电机的备用电源，平抑风光输出和负荷间的不平衡功率。微电网全年运行状况占比：从需求侧看，全年发出电量的65%被负荷消耗，27%给储能充电，仅有8%被弃掉，能源利用效率较高；从供能侧看，柴油发电机的发电量占总发电量的3%，出力较少，也说明微电网基本运行在风光储模式。

表2 微电网电源优化配置结果

表3 相关指标及净现值成本

利用该模型，可以分析负荷缺电率和净现值成本之间的关系，见图6。可以看出，随着LOLP值的降低，对于系统的可靠性要求越来越高，系统经济成本也随之增加，这是因为优化方案将会增大蓄电池和柴油发电机的配置容量，这在一定程度上导致了系统净现值成本CNPC值变大，同时，减少可再生电源风机和光伏阵列的配置容量，有效提高了系统供电可靠性，有利于独立型微电网的安全稳定运行。当LOLP值已经很小时(低于0.6%)，继续提升供电可靠性将会导致成本费用的急剧增加，所以，在实际配置中，不同地区对于微电网的要求不同，应该综合考虑系统的可靠性和经济性，选取合理的LOLP值，协调配置常规可控电源和可再生电源，避免微电网的冗余投资。

图6 微电网成本费用灵敏度分析

6 结论

对于风光资源丰富但传统电网供电困难的山区或者海岛，建立微网混合电源发电系统是未来解决其用电负荷至关重要的技术。本文首先构建了风光柴储各电源的功率模型，然后综合计及投资、运维、置换、治污以及发电补贴等成本费用建立了系统经济目标函数，并采用微电网能量管理策略，通过GA遗传算法分析研究了电源容量优化配置问题，得出如下结论。

a.从LOLP、DEP、RES三个微电网指标出发对于优化配置的结果进行评价，表明配置方案具有较高的合理性。配置大量的储能，虽然会增加投资和运行成本，但对于平滑风光出力和提高系统可靠性方面仍具有不可替代的作用。

b.LOLP和系统净现值成本成反比的关系，当LOLP降低到一定程度以后会产生巨大的经济成本。不同的微电网系统对于LOLP值的要求不同,在保障可靠性的同时应兼顾经济性，选取合理的LOLP值可显著降低系统的成本费用。