基于“风-光-储”测量数据融合的孤岛微电网一次调频参数优化模型

2022-03-21陈昆尚龙龙罗金阁姚远

可再生能源 2022年3期

陈昆，尚龙龙，罗金阁，姚远

（1.深圳供电局有限公司，广东深圳 518000；2.华北电力大学，北京 102206）

0 引言

在“碳中和、碳达峰”目标下，低碳性的分布式发电正广泛接入微电网。由于分布式发电出力具有较大的随机性和波动性，会使微电网总供能与负荷不同步，导致微电网频率稳定问题凸显[1]，[2]。对于新能源高渗透的孤岛型微电网来说，缺少较为稳定的电源和外部电网的支撑，其自身的安全稳定运行将面临极大挑战[3]。

一些学者提出将光伏电源和风电机组减载或采用虚拟惯性的方式进行微电网的一次调频。文献[4]提出在新能源同步机的直流电压反馈控制中引入频率反馈环，光伏可以在电网频率波动时释放减载备用容量参与一次调频。文献[5]～[7]提出通过控制风电机组转子转速和调节桨距角来控制风电机组的减载水平，并可操纵减载运行最大功率，联合虚拟惯性进行一次调频。这些方法可以通过控制光伏电源和风电机组来提高系统一次调频能力。然而，由于光伏电源和风电机组出力存在随机性和间歇性，会导致其调频容量存在不确定性，难以满足孤岛微电网的调频需求。

还有一些学者考虑到新能源并网渗透率不断提高的问题，提出了基于储能电池的一次调频方法。文献[8]～[11]研究了微电网并网和孤网运行方式下储能电池的充放电特性，分析了不同储能容量对微电网调频的影响。文献[12]，[13]以储能的荷电状态为约束，建立了储能系统的自适应调频控制策略。以上文献分析了基于储能进行一次调频的控制策略，但单纯地依靠储能进行一次调频会显著增加储能容量和运行成本。

针对多种分布式电源接入的孤岛微电网的一次调频问题，本文建立了基于“风-光-储”测量数据融合的孤岛微电网一次调频参数优化模型。考虑到“风-光-储”分布式电源调频的不确定性，基于“风-光-储”测量数据融合对风光储调频参数进行修正。其次，考虑需要一定储能容量作为备用应对可再生能源的不确定性，建立基于机会约束规划的“风-光-储”调频参数优化模型。仿真结果表明，本文所提出的模型可得到较优的分布式电源调频参数和较低的微电网调频成本。

1 基于测量数据融合的微电网调频容量修正模型

本文所研究微电网中包含光伏、风电和储能3种分布式电源，微电网运行方式为孤岛运行。为实现该地区低碳或零碳排放，微电网不含柴油发电机组，因此缺少较为稳定的电源和外部电网的支撑，只能由分布式电源来承担微电网的频率变化，所以须要深入分析分布式电源的调频机理以及进行相应的调频参数优化。在微电网系统中配置一定容量的储能装置，在风速较低、光照较差时参与调频，弥补系统功率缺额以及调频容量不足的问题。微电网结构如图1所示。

图1 微电网结构Fig.1 Diagram of isolated microgrid

1.1 分布式储能一次调频容量模型

当负荷功率增加时，分布式储能的发电功率和系统的频率都会发生变化。分布式储能的调差系数σ是以百分值表示机组空载运行时的频率f0与额定条件下运行时的频率fN的差值，即：

1.2 光伏系统一次调频容量

类比于储能调频，额定功率为PPN的光伏电源满足调差系数σP所须预留的一次备用容量为

式中：GAC，GSTC分别为实际光照强度和标准测试条件下的光照强度；PSTC为光伏最大出力；k为转换系数；TC，Tr分别为电池板工作温度和参考温度。

1.3 风电机组一次调频容量

额定功率为PWN的风电机组满足调差系数σW所须预留的一次备用容量为

若风力发电机组在不同风速下减载k2倍运行，则风电机组所提供的一次调频备用为

1.4 基于数据测量的调频容量修正

考虑到微网中风速、风向、光照强度、温度、SOC等参数的测量误差会对分布式电源的出力及调频容量有一定的影响，不同数据测量对于同一种分布式电源影响的权值表示如下：

2 孤岛微电网一次调频参数优化模型

2.1 目标函数

针对孤岛微电网分布式电源调频参数优化问题，本文通过协调微电网系统中一次调频的备用容量与系统经济性的关系，即以各分布式电源的一次参数作为决策变量进行优化，在孤岛微电网频率稳定基础上实现经济性最优。设置目标函数如下：

式中：Ce1，Ce2，E分别为储能的单位功率成本、单位容量成本和储能容量。

2.2 约束条件

2.2.1 调差系数约束

设光电与风电等效调差系数小于0.06，则机会约束为

式中：σ为设定的系统等值发电机调差系数。

2.2.2 储能装置约束

式中：SOC（t）为t时刻余电量；SOC（t-1）为t-1时刻余电量；ηc，ηf分别储能系统充、放电效率，%；E（t-1）为t-1时刻前调频须满足的储能容量；δ为储能系统的自放电率，%/h。

由于微电网系统没有柴油发电机组，一旦风电和光电不能满足负荷正常供电的需求就有断电的危险，故储能必须保证有一定的裕量。储能在充放电过程中也须要满足荷电状态约束：

式中：SOCmin（t），SOCmax（t）分别为储能装置荷电状态的最小值、最大值。

3 模型求解

本文采用机会约束规划来解决微电网的一次调频的参数优化问题[14]，[15]。为达到模型最优解，考虑测量数据融合引起调频容量变化，设置模型约束内的概率高于某置信度，能较好地解决本文这类具有不确定变量的规划问题。本文的优化模型可改写如下：

式中：Rup，t，Rdw，t分别为除新能源机组外其他机组提供的正备用和负备用容量；Rres，up，t，Rres，dw，t分别为系统安全稳定运行要求的正备用和负备用容量。

采用拉丁超立方抽样法，对可再生能源机组出力预测误差进行o次采样，并排序：

式中：floor（·），ceil（·）分别为向下取整函数和向上取整函数。

4 算例仿真

以某地含“风-光-储”微电网为研究对象，且微电网不含柴油发电机组。模型中光伏电源额定功率为5 MW，风力发电机额定功率为8 MW，系统平均负荷9 MW。SOC设置为0.2～0.8。系统允许最大频率偏差为0.05 Hz。

按该地区典型月份的光照强度和风速来设置参数，光照强度数据以日为步长，风速数据以15 min为步长（图2，3）。

图2 典型月份光照强度Fig.2 Solar radiation in typical month

图3 典型月份风速Fig.3 Wind speed in typical month

根据典型月份的光照强度和风速数据计算，可以得到典型月份每个时段的光伏与风机出力，即可以得到如图4所示的光电与风机综合出力曲线。

图4 典型月份光电和风机综合出力Fig.4 Comprehensive output of photovoltaic and wind turbine in typical months

采用孤岛微电网一次调频参数优化控制模式，计算得到各时间段系统配置出力模式。

①当综合出力小于9 MW时，光伏与风电供给负荷，储能调频；

②当综合出力为9～10.2 MW时，光伏与风电仅供给负荷，多余的能量转入储能，储能调频；

③当综合出力大于10.2 MW时，光伏与风电同时供给负荷与调频，多余的能量转入储能。

“风-光-储”系统中各组成部分的一次调频备用成本如表1所示。

表1 一次调频备用成本Table 1 Reserve cost of primary frequency modulation

取置信度为90%，迭代400次，得到的系统一次调频备用最优成本（图5）。

图5 一次调频备用成本Fig.5 Reserve cost of primary frequency modulation

由图5可知，一次调频的最优成本为1 232元。此时的优化结果：光伏系统减载32.3%，其预留的一次调频备用容量为461.72 kW；风机系统减载22.8%，其预留的一次调频备用容量为483.79 kW；系统配置的储能功率为2.313 MW。当置信度为60%～100%时，可以得到系统的一次调频备用成本、储能功率配置、光伏与风机减载百分比如图6，7所示。

图6 一次调频成本与储能功率Fig.6 Primary frequency regulation reserve cost and energy storage power

图7 光伏与风电机组减载百分比Fig.7 Load shedding percentage of PV and wind turbine

由图6，7可知：当置信度为60%～85%时，一次调频备用成本和储能功率会随置信度的增加而增加，而光伏与风机的减载百分比固定；当置信度为85%～100%时，一次调频成本和储能功率变得稳定，减载百分比随置信度增大而降低。由此可以判断，当置信度在85%以下时，调频主要由光伏和风机担负，储能配置较少；当置信度高于85%时，配置的储能功率达到了一定值而保持稳定，已经能基本满足系统的调频需求，成为系统调频主力，光伏和风机的减载比例变小，用于调频的比例变小。因此，在实际应用中，最优置信水平的选择应在85%的基础上，再根据实际情况制定计划。

表2为不同置信度水平下，本文提出的基于“风-光-储”测量数据融合的孤岛微电网一次调频参数优化方法与传统的不考虑风光调频的方法调频成本对比结果。可以看出，考虑数据测量方法能够降低微电网的一次调频备用成本。