大规模储能电站参与电力系统自动发电控制的协调控制策略优化研究

孟高军， 赵 宇， 吴 田， 马福元， 张 峰

（1.南京工程学院， 江苏 南京 210000； 2.浙江省太阳能利用及节能技术重点实验室， 浙江 杭州 311121；3.浙江浙能技术研究院有限公司， 浙江 杭州 311121）

0 引言

推进能源消费结构向低碳化和清洁化方向转型已成全球重要共识[1]，[2]。规模开发可再生能源是实现能源转型的关键[3]，[4]。 然而，由于新能源发电功率输出具有间歇性与波动性， 且自身缺乏频率调节能力，随着其装机比例的增大，传统具备调频能力旋转发电元件的空间被进一步挤占， 电网频率的稳定性面临巨大的压力[5]。 自动发电控制（Automatic Generation Control， AGC）是电网中维持系统有功平衡与频率稳定的有效手段。 目前我国参与AGC 的调频电源中， 火电机组调频时滞长、爬坡率低，水电机组受地理与季节条件限制，无法有效满足AGC 调频需求[6]。

近年来，随着储能技术的快速发展，将电池储能系统加入AGC 框架中成为电力系统二次调频的重要手段[7]。 电池储能具有响应速度快、爬坡率高、控制精度高、安装灵活、不受地理条件限制等优点， 能有效弥补传统机组调频能力的不足[8]。 储能一般承担部分调频信号来参与二次调频， 如何使储能与传统调频机组协调配合并高效参与AGC，成为目前国内外研究的热点问题。

针对储能与常规机组调频资源分配问题，文献[9]提出按照储能容量，事先约定好与机组责任比例，但是该方法忽略了储能实际参与容量动态变化的特征。 文献[10]，[11]针对静态比例分配的缺陷，提出了一种基于区域控制偏差（Area Control Error， ACE） 信号动态分配的储能电源控制方式， 但储能承担了与常规机组相同的责任，其高爬坡率、快速响应的技术优势未能体现。 文献[12]提出了一种功率分解的思路，将功率需求信号进行分解，储能与机组承担不同频次分量。 文献[13] 利用离散傅里叶变换对调频信号进行分解，划分不同电源调频责任。 但傅里叶变换无法很好地处理非线性、非平稳的AGC 信号，并且储能设备一直处于工作状况，对其荷电状态的保持不利。对于储能参与二次调频高效控制策略的研究，文献[14]提出了一种采用模糊控制的储能参与AGC 策略， 比PI 控制具有更好的控制效果。文献[15]提出了计及SOC 的储能控制策略，实现了储能系统出力平滑修正。 然而，大规模储能电站由多个储能子单元并联而成，上述文献研究都集中于单个储能系统的出力控制，缺乏储能电站的整体出力考量，无法合理利用各储能单元的二次调频能力。

为此， 本文提出了一种储能电站参与二次调频的优化控制策略。首先，基于机组与储能调频技术特性考虑， 将电网调频信号分为快调频信号与慢调频信号， 建立火电机组与储能电站协调控制框架，充分发挥储能高爬坡率、高控制精度特性与机组调节容量大的技术优势；随后，在储能电站主控层面， 建立电站内部各单元实时调频能力评估模型，并对各单元出力进行精细化管理，有效发挥储能电站的二次调频能力；最后，基于仿真模型验证了所提控制策略的有效性。

1 AGC 基本结构与方式

AGC 是维持电力系统中有功功率平衡与系统频率稳定的重要手段， 当系统遭遇较大负荷扰动时，一次调频无法将系统频率稳定在允许范围内，即需要进行二次调频，使ACE 为零或在正常范围内，以实现频率恢复至额定值或允许范围之内[16]。

在我国， 二次调频一般通过AGC 系统实现，调度中心直接控制机组进行增减出力。 AGC 系统控制结构如图1 所示。

当AGC 调度中心采集电网运行参数、计算出ACE，经过滤波后，得到平滑的SACE。 ACE 信号经过PI 控制器转换后， 形成区域控制需求（Area Regulation Requ irement， ARR）， 将AGC 指令下发给储能电站与调频火电机组， 各部分资源根据所接收的AGC 指令进行出力跟踪， 共同完成AGC 需求[17]。

2 储能与常规机组协调控制策略

2.1 储能与常规机组AGC 技术特征分析

目前火电机组在电力系统中仍占据较高比例，而储能因成本等因素限制，也无法成为电力系统调频服务中的主导。因此，首先需要对储能与常规机组的性能进行分析， 如表1 所示， 在此基础上，充分发挥各自调频优势，互补不足，实现二者在AGC 中的协调运行。

表1 储能与火电机组技术性能综合对比Table 1 Comprehensive comparison of technical performance of energy storage and thermal power units

由表1 分析可知， 储能调频的优势在于调节速度、精度，能给电力系统提供快速的功率支撑。但储能并非一次发电设备，充放电容量有限[18]。当储能电池一旦进入深度充放电， 会对其容量衰减造成影响。 一般当电池的容量衰减超过20%后，电池的寿命周期结束。 电池容量衰减的主要原因就是电池的循环充放电深度。 图2 所示为锂离子电池放电深度与其循环寿命的对应关系。

图2 锂离子电池放电深度与循环次数的关系Fig.2 The relationship between the depth of discharge of lithium ion batteries and the number of cycles

由图2 可以看出， 随着锂离子电池放电深度的增加，循环次数大大减少，对其寿命造成了严重威胁。火电机组调节性能较差，但其能量供应是无限的，在二次调频指令单向调节时间过长时，能给予系统充足的能量支撑。因此，合理进行二次调频信号分配，有利于发挥储能与机组的双重优势。

2.2 调度层面储能电站与火电机组协调分配

在AGC 中， 因储能电站由大量储能单元组成，若由调度中心直接控制每个储能单元，则将面临巨大的计算与通信压力， 因此储能电站采用同水电厂一样的全厂AGC 模式。

当AGC 远方调度侧计算得到AGC 指令后，首先将指令信息全部下发至储能电站中， 电站主控单元接收命令后，将指令进行分解，由各储能单元优先迅速出力，发挥其短时吞吐功率大、不受爬坡率制约的快速响应优势， 起到快速功率支撑作用。 当机组响应AGC 指令开始出力后，储能电站接收调度中心反馈信息，逐渐减少出力，最终的系统功率变动由机组输出功率进行平衡。 该分配策略无需对现有机组的AGC 结构进行改动，只需增加储能AGC 模块，通过传统调频资源与优质储能调频资源的配合，提高二次调频控制效果。火电与储能协调控制结构如图3 所示。

图3 火电与储能协调控制结构图Fig.3 Schematic diagram of coordinated control of thermal power and energy storag

3 储能电站功率输出分配优化控制策略

在AGC 系统开始动作后， 储能电站接收AGC 调度侧的指令，迅速出力，充分弥补传统火电机组响应时间长、 爬坡率低的缺陷， 同时根据ARR 绝对值所处区间，对储能系统的出力进行精细化管理， 在为系统提供快速调频功率支撑的同时，维持自身的荷电状态。

为了防止储能电池过充过放对其寿命造成不利影响，通常要求：

式中：SOCmin，SOCmax分别为储能电池荷电状态下限、上限，当充放电深度突破荷电状态限制时，储能电池进入闭锁状态，禁止充放电操作。

考虑到各个单元初始状态不同，尤其是SOC状态有明显差别，若不进行合理的功率分配，可能会出现个别储能单元在SOC 达上限时继续充电，在SOC 达下限时继续放电的危险情况[19]。 传统的分配方式仅仅是计及储能各单元初始电量进行分配，而忽视了电池电量动态变化的特性，无法做到各储能单元的最优分配，缺乏合理性，因此，需要通过建立储能电站各单元的调频评估函数， 动态评估各储能单元的调频能力， 以便储能电站主控单元合理分配AGC 需求指令，调频服务供应商做出最优决策，并使得各单元荷电状态趋于一致。

3.1 储能电站分配模型的建立

根据电站中各单元的初始荷电状态确定各单元初始参考功率，进行初始化分配，从而确定各单元出力优化范围。

放电状态下：

式中：Pi，ref（t）为第i 个储能单元的参考功率；αi为其工作状态，当满足式（1）时，αi为1，否则为0；SOCi（t-1）为t-1 时刻第i 个单元的荷电状态；PE（t）为储能电站接收总功率指令，其值为调度中心总AGC 指令与机组调频出力PG（t）的偏差。

充电状态下：

依据各单元的荷电状态进行初始化分配，即可得到各单元输出功率参考值。 根据各单元的初始参考功率与实时荷电状态， 本文在储能电站主控调度层面进行分配优化， 对各单元的功率承担责任划分进行精细化管理， 并使得各单元荷电状态逐渐趋于均衡。

首先根据文献[20]中传统机组的调频模型建立储能调频函数模型， 用于评估储能实时调频能力。

式中：Ci（t）为储能电站中第i 个储能单元在t 时刻的调频函数， 用于量化第i 个储能单元的调频能力；f1为与储能单元功率输出能力评估相关的函数；f2为储能单元在该时段出力的电量偏移函数；τ 为第i 个储能单元功率偏移的权重系数；ω为容量变化的权重系数；Pi，act为第i 个储能单元第t 时刻实际出力。

其中，函数f1，f2的表达式分别为

式中：Pi，act为储能单元i 在t～t+1 时刻的实际功率输出， 在初始值基础上微调优化所得；SN为储能单元额定容量；SOCref为储能电池荷电状态期望维持水平，为了具有较高的上调与下调能力，文中取为50%。

式（6）用于评估储能单元参与调频所带来的电量变化，以调节储能电池荷电状态水平，满足长时间调频服务需要。

储能电池的容量变化与功率以及荷电状态SOC 之间满足如下关系：

式中：Δt 为前后两个时刻的差。

为了减少变量，提高优化效率，可将储能单元容量变换转化为功率P 表示。 式（6）可表示为功率相关的函数：

优化模型目标函数设为

式中：m 为可参与调频储能单元总个数。

式（9）中，目标函数由二次项、一次项以及常数项构成，具有非线性规划形式。以参考功率为范围，进行各单元的实际功率优化，优先调用状态充足的储能单元，实现储能电站的高效利用，并使得各单元荷电状态逐渐趋于一致。

二次项表达式为

一次项表达式为

常数项表达式为

其等式约束条件为

不等式约束条件为

式中：Pmax为储能单元所能输出最大功率。

3.2 分配模型的优化求解

3.2.1 滚动优化计算

AGC 指令由储能电站主控单元进行分配的过程是动态优化过程， 为避免模型优化求解时长不能满足二次调频实时性的要求，本文结合AGC中超短期负荷预报（Super short term loadforecast，SSTLF）， 提前预测AGC 指令曲线并下发给储能电站，以实现对未来某一时间段内的AGC 指令进行优化计算。

如图4 所示： 结合超短期负荷预测结果与储能状态预测，t-1 时刻，当储能系统单元下发分配结果协调各单元进行出力的同时， 根据评估模型得到t 时刻各单元最优协调出力方案；t 时刻根据结果进行输出，并滚动优化下一时段，使得储能电站各储能单元在每个时间段作出最优控制行为，实现动态优化控制。

图4 滚动优化示意图Fig.4 Schematic diagram of rolling optimization

储能电站接收AGC 调频指令信号，将式（17）修改为式（18）。

式中：ΔPAGC，F（t）为超短期预测结果下的系统区域控制需求；PG（t）为t 时刻可输出功率，MW；PG（t-1） 为t-1 时刻可输出功率，MW；R 为机组的爬坡率，MW/min。

3.2.2 模型求解

遗传算法借鉴了达尔文进化论和孟德尔遗传学说，是一种模拟自然进化的高效全局搜索方法.将可能的问题解表示成“染色体”，从而得到一个由染色体组成的“群体”，这个群体被限制在问题特定的环境里， 根据预定的目标函数对每个个体进行评价，得到个体适应度值。遗传算法适合求解非线性类型规划最优组合求解问题，具体步骤如下。

①首先初始化种群，随机生成m 个初始个体作为模型的可行解，迭代指标i=0。

②进行编码， 将实际问题中存在的可行解转变为遗传算法中的染色体。

③将目标函数作为适应度函数， 为了增强整个种群的对比性， 综合考虑种群初始个体和最优个体。本文对适应度函数进行了改进，采用模拟退火算法对遗传算法的适应度函数进行修正， 以加快算法收敛速度。

④为了个体性状和适应度的遗传稳定性，采用单点交叉和位点变异分别作为交叉算子和变异算子，将式（19）进行改进，以防止算法陷入局部收敛。

式中：Pc和Pm分别为自适应的交叉率和变异率；fc为要交叉的两个个体中适应度值较大个体的适应度值；fm为要进行变异的个体的适应度值；fmax为群体中最大适应度值；favg为整个群体的平均适应度值。

⑤解码，将可行解输出，即为t～t+1 时刻储能电站各单元分配参考功率，下发至各单元，进行充放电控制。

改进遗传算法流程图如图5 所示。

图5 改进遗传算法流程图Fig.5 Flow chart of improved genetic algorithm

4 仿真分析

为了验证优化控制策略的效果，在MATLAB/SIMULINK 中搭建了仿真模型，如图6 所示。

图6 仿真模型框图Fig.6 Block diagram of the simulation model

在本模型中，储能系统由4 个储能单元组成，仅参与二次调频控制，模型部分参数如表2 所示。

表2 仿真模型参数Table 2 Simulation model parameters

仿真设置：在5 s 时，假设0.03 pu 的小型水电机组因事故突然脱网，给系统造成0.03 pu 的冲击性负荷扰动，在扰动发生时刻，机组进行一次调频；在扰动发生10 s 后，调度中心下发指令，要求AGC 机组与储能系统增发0.03 pu 的功率， 响应系统负荷变动。

（1）机组与储能系统协调控制仿真研究

首先对调度层面储能系统、 机组的协调控制策略进行仿真验证，分别对仅机组参与、储能与机组按固定比例分配、本文方法展开仿真研究，结果如图7 所示。

图7 系统频率偏差变化Fig.7 Changes in system frequency deviation

如图7 所示：当扰动作用于系统时，由于储能不参与一次调频， 造成的系统最大频率偏差三者一致；当15 s 时，机组与储能系统接收AGC 指令开始增发功率， 本文协调控制策略在进行负荷跟踪的过程中，充分发挥储能响应速度快的优势，在秒级内达到最大功率输出， 给予系统快速的功率支撑，系统频率偏差快速减少；采用按固定比例分配方式的储能与机组，因储能系统的存在，较为快速地减少系统频率偏差， 但高爬坡率的储能特性不能充分发挥出来， 在后期的频率偏差减少过程中，受机组爬坡率限制较大；仅有AGC 机组参与二次调频的频率恢复效果最差， 受机组爬坡率限制，功率输出较为缓慢，甚至在接近指令值时，因机组惯性出现了功率反调现象。

图8 各调频资源出力波形Fig.8 The output waveform of each FM resource

如图8 所示，本文方法中，储能系统接收AGC指令优先快速出力，在机组尚未发挥作用时，担当系统功率支撑作用， 当机组缓慢爬坡达到某一数值时，储能系统出力逐渐减少，以机组功率置换储能功率，最终机组平衡系统功率波动，既有效发挥了储能高爬坡率优势， 又避免了储能系统电量的过度损耗。

图9 为SOC=50%的储能电站按固定比例分配与本文方法二次调频的荷电状态变化情况。 在初期，采用本文方法，因功率快速输出使得荷电状态迅速下降，但随着机组出力的增加、储能快速功率支撑任务的完成，荷电状态最终不再发生变化，维持在较高的水平，对电量需求较少。而按固定比例分配，储能需要同常规机组一样，持续出力，同时需要很高的容量配置。

图9 50%的储能电池荷电状态变化示意图Fig.9 50%energy storage battery charge state change diagram

（2）储能系统二次调频优化控制仿真研究

对于储能系统，AGC 指令由4 个并联子系统单元协同完成。根据仿真模型，对本文所提优化控制策略进行验证，由图10 可知，在储能系统中，采用本文所提优化控制策略， 储能系统能够根据荷电状态的实时变化， 动态改变各单元调频责任占比，优先调用调频状态与能力最佳的储能子单元，各子单元实现了出力的精细化协调管理， 有效地提高了储能系统整体利用效率，避免了部分储能单元因过充过放造成寿命损耗问题，并使得SOC逐渐趋于一致，实现了各单元均衡化。

图10 各储能单元荷电状态变化Fig.10 Change of charge state of each energy storage unit

5 结论

本文针对储能电站参与二次调频提出了一种优化控制策略。首先，基于机组与储能调频技术特性考虑， 将电网调频信号分为快调频信号与慢调频信号，建立火电机组与储能电站协调控制框架，实现不同调频资源的合理分配； 随后在储能电站主控层面， 建立表征储能电站内部各单元实时调频能力的评估模型， 对各单元出力进行精细化协调管理，并采用改进遗传算法对模型进行求解；最后， 在MATLAB/SIMULINK 中对模型进行仿真，仿真结果表明， 本文所提出的机组与储能系统协调控制策略能够动态协调各储能单元的调频责任占比， 在快速减少系统频率偏差的同时可有效发挥储能高爬坡率优势， 避免了储能系统电量的过度损耗，实现了各储能单元均衡化管理。