考虑电力弹簧的电氢微网系统容量优化配置

2022-11-01李凯常喜强王亚强罗维祥

科学技术与工程 2022年26期

李凯，常喜强,2,3*，王亚强，罗维祥

(1.新疆大学电气工程学院，乌鲁木齐 830047； 2. 国网新疆电力公司, 乌鲁木齐 830047; 3. 新疆能源互联网大数据实验室, 乌鲁木齐 830047)

近年来传统能源短缺和极端天气的问题日益严重，在双碳目标下[1]，为了解决传统能源带来的一些影响，分布式电源由于其优越的特性得到快速发展。但是分布式电源快速发展也带来了很多问题，弃风、弃光现象[2]日益严峻。微电网作为一个含有分布式电源、储能系统、能量转换装置以及负荷的独立系统，凭借其绿色低碳等优点越来越受到重视。在保证微网可以安全稳定运行的前提下，合理的配置和规划微电网的资源，使系统能够提高可再生能源的利用率，可有效提高微网运行的可靠性及经济性[3]，对促进微电网系统的发展具有重要意义。

目前微网的优化配置一般使用智能优化算法对优化模型求解或者对系统器件特性分析来获得微网系统的最优配置方案。文献[4]采用改进的差分化鲸鱼算法对微网的储能容量进行合理的配置，同时对接入系统的风光功率波动有所抑制，提高了资源的利用率也对电能质量的提升有所帮助。文献[5]为了提高新能源消纳，引入需求侧激励相应，在功率约束和控制原则下建立了配置模型。有助于提高微网的经济效益。文献[6]建立了微网群储能系统的两阶段优化模型，利用粒子群算法进行求解，能够有效降低储能成本。文献[7]指出了蓄电池的优缺点，短时响应快，因规模限制无法长期运行，氢储能在这方面有很大的优势。充分利用了风光资源。文献[8]建立了风氢耦合发电系统，并且兼顾了风氢出力的跟随特性，能有效提高稳定性和经济性但是单一的风氢系统对高负荷需求时不能及时进行功率的补充，系统相应较慢，系统成本较风光氢系统高。文献[9]通过分析电力弹簧的特性在作为智能负荷时，可削减部分储能功率，增加可再生能源的消纳。

上述分析可知，现阶段微网系统容量优化研究主要对系统内混合储能进行设计，用户侧主要以调节需求来促进微网系统内供用电平衡，而针对微网系统的储能方式并结合用户侧参与微网的容量优化有待进一步研究。针对以上问题，现提出以电力弹簧(electric spring, ES)作为虚拟储能装置与非关键负载相连接，构成以电力弹簧作为虚拟储能的氢储微网系统。根据系统结构分别建立系统内各微源的数学模型以及相应的能量管理策略，设置经济性最优和能源浪费率最低的目标函数，使用改进的NSGA-Ⅱ算法对系统最优容量进行求解。最后使用具体算例对本文提出的方法进行验证。

1 系统结构及模型

系统结构如图1所示，主要包括风机、光伏组件、蓄电池、氢储能系统、电力弹簧、负载组成，各个装置之间通过电压变换器(DC-DC)与直流母线相连。采用风光互补系统可以充分利用风机和光伏的出力特点，储能系统中引入氢储能和电力弹簧装置，以进一步促进风光资源消纳，降低蓄电池投资成本。

图1 微网系统结构Fig.1 Microgrid structure

1.1 风机模型

风力发电机的输出功率与风速密切相关，数学模型[10]为

(1)

式(1)中：PW为风力发电机在当前t时刻风速下的实际输出功率，kW；PR为风力发电机的额定输出功率，kW；vci为风机切入风速即风机产生电能的最小风速，取值3 m/s；vco为切出风速即风机发电可接受的最大风速，取值20 m/s。本文研究中风力数据每小时记录一次。

1.2 光伏电池模型

光伏组件的输出功率主要受光照强度和温度的影响，数学模型[11]为

(2)

式(2)中：PPV为在t时刻光伏组件的发电输出功率；PPVR为光伏组件额定输出功率；St为在t时刻的太阳能辐射强度；SST为太阳能标准辐射强度；ηPv_dc-dc为光伏逆变器转化效率，此处取值0.9；ρ(t)为在t时刻受温度影响的光伏电池功率损耗。

(3)

式(3)中：λ为温度系数，本文取λ=0.005/℃；T(t)为t时刻的环境温度；Ta(t)为在t时刻的组件实际温度；T为标准工作温度，取25 ℃。

1.3 蓄电池模型

本文研究中虽然引入电力弹簧装置，但由于蓄电池储能技术成熟、响应速度快、价格低廉等优势，储能仍以蓄电池为主。当分布式电源输出功率大于总负荷需求功率时，优先给蓄电池充电；反之，蓄电池优先放电供负荷使用。

蓄电池在充电状态下数学能量模型为

Ebat=Ebat(t-1)(1-δ)+Pbatch(t-1)μchΔt

(4)

蓄电池在放电状态下数学能量模型为

(5)

式中：Ebat为蓄电池在t时刻时所存储的电量；Pbatch为充电功率；Pbatdh为放电功率；δ为蓄电池的放电的亏损率，本文δ取0.3%；μch为充电效率，取90%；μdh为放电效率，取90%；Δt为时间步长，本文为1 h。

蓄电池的最大充放电功率模型为

Pchmax(t)=max[0,SOCmaxCbat-Ebat(t)]μch

(6)

(7)

式中：Pchmax和Pdhmax分别为蓄电池的最大充电功率和最大放电功率。

1.4 氢储能系统模型

氢储能系统主要由电解槽、燃料电池及储氢罐构成。在风光资源充足以及蓄电池充电到最大荷电状态时，启用氢储能系统将电能通过电解槽装置电解水转化为氢气和氧气储存起来，反之，风光出力及蓄电池出力不足时，将氢气和氧气输送到燃料电池转化为电能供负载使用。

电解槽简化模型为

PEL=Pelηel

(8)

式(8)中：PEL为电解槽的输出功率；Pel为电解槽的耗电输入功率；ηel为电解槽的电转化效率，本文中取80%。对电解槽假设进行了隔热处理，不需要外界提供热量也不向外界提供热量。

储氢罐的储氢量为

QH(t)=QH(t-Δt)+[PEL(t)Δt-PFC(t)Δt]ηH

(9)

式(9)中：QH(t)为t时刻储氢罐的氢气容量；ηH为储氢罐的充放电效率。

燃料电池模型为

PFC=PELηFC

(10)

式(10)中：PFC为燃料电池输出功率；ηFC为燃料电池效率，本文取65%。

1.5 电力弹簧模型

电力弹簧具有容量大，经济成本低的优势。本文研究将负载分为对电能质量要求较高的关键负载和对电能质量要求较低的非关键负载(non critical load, NC)。关键负载包括一些精密仪器、医疗仪器等，而非关键负载包括电烤箱、电灯等设备。而引入电力弹簧可以克服新能源发电间歇性问题[12-13]，调节非关键负载的能耗可以随着微网内电源出力波动，从而达到虚拟储能的作用。

电力弹簧的拓扑结构如图2所示。其中控制回路为基于比例积分控制器的电力弹簧控制回路，使用锁相环，调节流经ES的实时电流相位与电力弹簧电压[13]。控制回路可根据上层要求将直流电压转换为ES的输出电压。并使电力弹簧的电压与电流相位差为0°或180°，以控制电力弹簧的有功功率。其中Cd、Cf和Lf分别为直流侧电容、滤波电容和滤波电感。

图2 含电力弹簧的储能结构拓扑图Fig.2 Topology diagram of energy storage system with electric spring

图3为ES在接入非关键负载时的等效充放电结构向量图。

根据图3所示，电力弹簧启动时的功率数学模型为

P′=|V′NC|×|I′ES|cosθ

(11)

电力弹簧不启动时的功率数学模型为

P=|VNC|×|IES|cosθ

(12)

水平实线为ES启用状态下的电压；水平虚线为ES不启动状态电压；Re为坐标系中横坐标复数实部；当非关键负载电压VNC大于ES电压时处于充电状态，当非关键负载电压VNC小于ES电压时处于放电状态图3 基于电力弹簧工作的向量图Fig.3 Working vector diagram based on electric spring

则电力弹簧的储能功率为

(13)

式(13)中：当PES>0时表示电力弹簧处于充电状态；当PES<0时表示电力弹簧处于放电状态；VS为供电电压大小为220 V；VES、ZNC分别为ES的电压、NCL的阻抗。

2 优化目标函数和约束条件

在微网系统中引入氢储能和虚拟储能，以风机、光伏和混合储能系统中各设备的数量作为待优化变量，以能源浪费率和微网系统全寿命周期成本作为待优化目标函数，将系统内部的功率平衡和储能系统的充放电深度作为约束条件[14]，具体分析如下。

2.1 目标函数

2.1.1 经济性指标

微网经济性指标考虑系统全寿命周期内初始投资成本、运维成本以及寿命周期内设备置换成本，表达式为

Cmin=Caic+Caom+Carp

(14)

式(14)中：Cmin为全寿命周期总成本；Caic为总初始投资成本；Caom为总运维成本；Carp为总更换成本。

主要设备总初始投资成本为

Caic=NWCW+NPVCPV+NBATCBAT+NELCEL+

NHCH+NFCCFC+N′BATC′BAT

(15)

式(15)中：NW、NPV、NBAT、NEL、NH、NFC、N′BAT分别为风力发电机组、光伏电池组件、蓄电池、电解槽、储氢罐、燃料电池、ES等效蓄电池的数量；CWT、CPV、CBAT、CEL、CH、CFC、C′BAT分别为风力发电机组、光伏电池组件、蓄电池、电解槽、储氢罐、燃料电池、ES的单价。

年平均运维成本与初始投资成本相关，简要公式为

Caom=kaomCaic

(16)

式(16)中：kaom为系统运维系数，本文取值1%。

当系统内各设备达到使用年限后，需要重新购置设备。因为各微源的使用年限不一样，而微网容量配置计算的是1年内的系统运行费用，因此应将设备重置费用折算成年均设备重置费用。年均设备重置费用与设备的使用年限有关，置换成本是微网寿命周期内由更换设备产生的费用，数学模型为

(17)

式(17)中：kBAT·u、kFC·u、kEL·u、kES·u分别为寿命周期内蓄电池、燃料电池、电解槽、电力弹簧的年平均价格；LBAT、LFC、LEL、LES分别为蓄电池、燃料电池、电解槽、电力弹簧的使用寿命；yBAT、yFC、yEL、yES分别为各设备在微网系统寿命周期内需要更换的次数；i为贴现率，取值0.04；n取值1～yBAT;m取值1～yFC;j取值1～yEL；g取值1～yES。

2.1.2 能量浪费率

当新能源出力较大，满足负荷需求之后，储能系统不能及时吸收所有能量时，会产生能源浪费，将能量浪费率定义为总浪费能量与总需求负荷的比值。

(18)

式(18)中：Pex为在时刻t微网系统的能量过剩功率；Pload为时刻t的负载需求功率。

2.2 系统约束

(1)功率平衡约束。根据图1所给系统结构模型，对系统内功率交互平衡进行约束，即

(19)

式(19)中：Pload、Pbat、Psp、dP分别为负载需求功率、蓄电池功率、微电网系统缺额功率、微源出力与负载需求的差值。

(2)储能容量约束。储能系统过充或过放还会影响储能系统寿命，所以设置荷电状态对蓄电池，电力弹簧和储氢罐的等效荷电状态进行充放电约束，即

(20)

式(20)中：SOCbat、SOCQH分别为蓄电池、储氢罐的荷电状态。

3 运行控制策略与模型求解方法

3.1 运行策略

考虑对能源充分利用以及微网运行经济性，提出基于ES的能量控制策略。其中，当新能源出力大于负载需求功率时，系统供充电顺序为：蓄电池优先充电，当蓄电池电能达到最大荷电状态约束时，氢储能系统充电，氢储能达到最大荷电状态时，由ES工作储能。当新能源出力小于负载功率时，由于蓄电池响应快，系统放电顺序为：蓄电池优先放电，之后氢储能系统放电。功率不足由ES工作做补充。运行策略如图4所示。

图4中，策略①：满足负荷所需功率后，发电系统多余功率对蓄电池进行充电直至充满；策略②:满足负荷所需功率和蓄电池最大充电功率后，发电系统多余功率向电解槽供电开始制氢直至储氢罐最大值；策略③:满足负荷所需功率、蓄电池最大充电功率以及电解槽功率后，电力弹簧储能启动冲至最大值，并计算过剩功率Pex；策略④:新能源出力不足时，蓄电池工作将缺额功率补满；策略⑤:新能源出力不足时，蓄电池和燃料电池开始工作将缺额功率补满；策略⑥:新能源出力不足时，蓄电池、燃料电池和电力弹簧开始工作并计算缺额功率Psp。

图4 储能系统能量管理策略Fig.4 Energy management strategy for energy storage system

3.2 模型求解

NSGA-Ⅱ算法[15]在效率上，降低了初代计算的复杂度，缩短了计算时间；在粒子选择上，采取精英策略将父代与子代的种群一起寻优对最优秀的个体进行有效保存，利用拥挤度的概念替代了共享半径的策略有利于个体在全局进行选择、交叉和变异。

NSGA-Ⅱ算法采用模拟二进制交叉算子策略(simulated binary crossover, SBX)，SBX交叉算子的数学模型为

(21)

而微网中风机和光伏出力的不确定性，混合储能的充放电问题决定了微网优化配置的求解是一个非线性问题，NSGA-Ⅱ算法在多目标非线性优化领域应用广泛。本文将采用改进后的NSGA-Ⅱ算法对模型进行求解。

基于上述分析，对算法中的 SBX交叉算子进行设计，使种群中个体帕累托前沿(Pareto frontier, PF)非支配排序信息与该算术交叉算子结合，构成非均匀交叉算子，从而使算法在全局搜索能力上有所提升，其定义为

(22)

对系数α、β系数进行限制，可避免种群交叉过程中陷入局部单边最优，改进后算法的全局搜索能力增强，最终群体中的个体也将趋于同一Pareto前沿。

为验证算法可行性，使用ZDT1测试函数对算法进行对比测试,F1和F2分别对应测试目标函数1和测试目标函数2。

图5为两种算法 PF对比图，从图5中可以看出改进后的NSGA-Ⅱ算法的Pareto前沿较改进前分布更加均匀，可有效避免算法陷入局部最优解情形，进一步验证了改进算法的优越性。

图5 ZDT1 PF对比Fig.5 ZDT1 PF comparison

在算法中代入本文的研究对象所构建的算法流程结构图如图6所示。

图6 算法流程图Fig.6 Algorithm flow

4 实例分析

以新疆乌鲁木齐地区风光及负荷数据为算例进行含有电力弹簧的电氢微网优化配置，该地区日均辐照强度约为184.1 W/m2，全年平均风速为6.12 m/s，全年负荷量为1 602 302.75 kW·h，每小时平均负荷值为183.3 kW·h。图7为当地历史数据。微网内各个微源的成本参数如表1所示。

表1 各微源参数Table 1 Parameters for each micro-source

图7 风速、光辐照强度及负载数据Fig.7 Wind speed、 light irradiation intensity and load data

设定改进的NSGA-Ⅱ算法初始种群大小为100，最大迭代次数100次，初始交叉概率为0.9，变异概率为0.1。采用3种方案对本文所提微网系统进行容量优化配置。方案1：系统内不含电力弹簧及氢储能装置；方案2：系统内包含氢储能装置，但不考虑电力弹簧装置；方案3：系统内包含氢储能并引入电力弹簧装置。

表2和表3分别为配置的结果方案和仿真目标结果。针对以上结果分析如下。

表2 配置结果Table 2 Configuration result

表3 仿真结果Table 3 Simulation results

对比分析方案1和方案2，在微网中加入氢储能系统可以有效降低蓄电池的配置数量，在可再生能源发电功率较大时将富余功率通过电解槽转化为

氢储存起来，在功率缺额时，通过燃料电池放电从而减少使用蓄电池的数量，方案2相比方案1更加经济同时对能量的利用率也较高。

对比分析方案2和方案3，在方案3添加电力弹簧之后，电力弹簧可储存部分能量，通过调节NCL的功率来实现虚拟储能，不但对NCL的工作不造成影响，而且降低了储能单元的配置，方案3所提配置方法不仅降低成本，而且优化了可再生能源的合理配置。方案2适用于非关键负载少的地区，方案3适用于非关键负载较多的地区。

图8以方案1数据为标幺值处理的方案对比图。图中数据可以看出方案3的总成本相比较与方案1有所降低，同时方案3的储能成本和能源浪费率相较于方案1和方案2较低。其中方案3相比较于方案1储能成本下降了20%，能源浪费率降低了22%。综上所述，在电氢微网系统中加入电力弹簧装置使得微网经济性得到提升，同时也提高了微网风光资源的利用，验证了本文所提方法的合理性。对微电网的优化配置具有一定的研究意义。