分布式化学储能系统数据分析模型构建研究

唐 雨 薇

（四川财经职业学院，四川成都 610101）

为了提高储能系统工作效率，提高设备状态监测及故障预防的风险评估能力，以分布式开展、利用数据集进行高速运算及存储成为储能系统现代化发展的必然趋势。依托智能运维、分布式储能、运行优化、容量分配等，建立储能系统数据分析模型，以降低线损、优化选址、提高效率为基础，确保储能系统高效率运行，解决大规模分布式储能容量配置问题，提高高峰调峰收益。

《电池储能系统集成技术与应用》一书系统且全面的阐述电池储能系统集成技术面临困境、系统架构、核心设备、运行机制、电气设计、结构设计、热设计、消防安全设计、通信与控制、设备集成与安装调试、建模仿真及先进技术应用展望等。书中列举多种案例，详细阐述分布式光伏储能系统设计流程及电池储能系统数据分析模型建构。电池储能系统集成技术不仅涵盖系统本身硬件集成与软件控制，更涉及适用场景的协同及与传统储能系统的配合。本书可供电气、电力电子、电化学、通信控制等领域从业者参考借鉴，适用电力系统、新能源发电、火储联合、需求侧响应及微电网等领域。

分布式光伏储能系统数据分析模型建构：立足传统能源日益紧缺、新能源高速发展的背景，分布式储能系统的研究倾向光伏发电。基于公共政策扶持，国内光伏装机容量持续攀升，由于小型分布式光伏具有占地面积小、投资低、弃光率低的特点，成为市场焦点。考虑到光伏发电波动性和间歇性特征，光伏发电面临用户负荷区段差异与供需不匹配的问题，为光伏电网并入带来一定难度。基于此，将化学储能电池融入储能系统（构建光伏储能系统）可削峰填谷，降低需求侧与供电侧能量交互，减轻能量损耗。

根据光伏储能系统并网需求，重点考虑储能系统、光伏系统、并网逆变器及分布式设计理念。鉴于储电较为灵活且效率高，适用于分布式能源系统，所以重点探讨锂电池在电量释放及存储的模型搭建。为保证分布式储能系统能量平衡，依托光伏系统及化学储能电池建立数学模型，择取光伏系统与逆变器、电池特征间的参数特征。其一，光伏系统模型以单二极管五参数模型为基础，分析光伏组件输出电流及发电总量。其二，化学储能电池模型采用电池荷电状态特征参数，反映不同时刻荷电特征。由于锂电池存在过充过放风险，为保证其使用寿命，需分别设置荷电状态下的上限与下限。考虑工作中的发热问题，对充放电效率有直接影响，设置充电及放电电流25A。其三，根据需求侧典型负荷曲线及不同时段用户用电情况，搭建负荷模型，设置日随机波动及月随机负荷波动，获取负荷数据。

结合分布式光伏储能电网分析模型建构流程，对其有效性评价涉及能量性指标及经济性指标两类。前者表示新能源和需求侧负荷实践匹配度，重点关注峰谷时段供需关系，择取并网光伏储能系统技术性指标。以光伏自给率（SCR）与用户自给率（SSR）为基准。SCR 针对新能源电力使用情况；SSR重点关注用户负荷的新能源供给比例。后者围绕峰谷分时和阶梯电价政策，依托分布式光伏补贴及标准电价，解读系统投资回报。净现值是其核心组成，代表系统运行全周期汇报和成本的差值，二者差异越大，经济效率越高。将侧重点放在光伏自给率保障措施，实现流程为：系统内部自主分析光伏发电电量是否大于实际负荷，如大于由光伏实时供给负载，并将化学储能电池充满，剩余光伏电力供化学储能电池充电，如果仍剩余光伏电力，将其卖给电网；如小于，检测蓄电池是否有可放电量，分别执行蓄电池与光伏同时供电或电网和光伏向负载供电。根据数据分析模型功能性需求，应探究能量控制措施，择用最大光伏自给率策略。

针对电池容量模型建构及设计：电池作为光伏储能系统的核心构成，其设计前需对其仿真模拟，优化技术指标，提升经济性。首先，基于负荷优化措施，分析投资周期结束时净现值与电池容量升降关系。分布式储能系统运行控制策略融入峰谷电价，解读有效提升投资期结束时的系统净现值，直到加入化学储能中的锂电池系统后其经济性提升为止，全生命周期均纳入收益统计。其次，根据最大光伏自给率基础措施及加入峰谷时段电池调用频率控制对策，科学变更电池容量，核算光伏自给率和需求侧用率关系曲线。

基于贪婪算法的分布式储能系统数据分析模型搭建及配置：针对上文解读，了解到化学储能系统与分布式储能系统的关系，并初步汇总储能系统数据分析模型搭建方式。基于分布式储能系统对调峰与选址能力的高需求，引入贪婪算法，搭建数据分析模型。针对储能系统容量配置问题，多偏重遗传算法，但遗传算法仅适用于中小型分布式储能系统容量处置，计算效率偏低，不适合处理大量数据。由于遗传算法优化中需对种群适应性进行评估，导致储能系统数据处理能力较差。贪婪算法属于追求最优解的方法，可简化不必要的流程，并可自动获取最优解。所以，贪婪算法计算效率明显高于遗传算法，科学利用贪婪算法可提高分布式储能系统容量配置，为数据分析模型搭建提供技术保障。

贪婪算法容量配置方法具体包括节点选取与蒙特卡罗模拟。前者负责择取功率损耗灵敏度最高的区间，将其设置为DESS节点。后者通过蒙特卡罗模拟预测负荷未来发展趋势，以最小存储单元解读总容量。依托贪婪算法对各个最小单元进行充放电时间测定，提升利润率。各单元合理分配后，对应节点电负载与DESS处于协同运作关系，该过程被重复数次，直到最小存储单元被完全分配。针对功率损耗灵敏度选址，其模型建构应考虑节点功率损耗与总变化量的关系，界定二者比值。在给定DESS容量的基础上，设置在PLS高位节点的DESS功能得以凸显。可认为PLS高位节点是安装DESS的候选节点。依照拓扑结构及负荷参数，结合数据分析模型建构功能指向，获取节点的PLS，并从下属N个节点中择取PLS最高的节点。由于高位节点小于N，该参数模拟方式可降低选址维度，同时可提高DESS容量分配效率。针对贪婪算法的容量分析。起始于N个节点组成的分布式网络，所有节点均有其对应功率。当某节点DESS最佳分配容量处于0，代表该节点尚未分配DESS。储能系统所有节点设置的DESS额定功率由电网系统结构影响。对于储能容量的负荷数据，指代DESS容量分配的核心参数，需考虑数据分析模型建构中储能系统长期运载下负荷特征的变化，并对历史进行解读，同时分析未来负荷趋势。基于蒙特卡罗模拟法，通过对负荷参数的长期预测可获取正态分布的预测结果，依托分布函数生成多组负荷数据，寻求最优的容量配置方案。

数据分析模型搭建的目标函数设置：假定分布式储能系统由N个节点组成，DESS配置存在指定约束条件：由于DESS充放电模块具备容量上限，同时功率转换系统无法超量存储，应保证充电及放电功率控制在临界限制以内；荷电状态需满足上限约束；若想保证储能系统每天均具备相同的调峰能力，DESS在当天开始及结束时均应配置相同的SOC。

根据上文阐述，未考虑DESS充放电功率差异及SOC限制因素，其模型搭建与储能系统的匹配性不足。因此，根据贪婪算法分步求解，重点将储能系统分成若干个单元，各单元容量仅充电及放电一次，确定单元存储在不同负荷下安装位置及充放电时间。了解各基础单元设置位置及充放电时间后，获取分配方案，并归总最大净利润，分别分析不同总存储量下的最大净利润，寻求最优方案。数据分析模型建构中，依照DESS特点对暂存问题简化处理，调峰过程中融入多个DESS共同处理，降低单个模块功率误差对数据分析模型的影响。针对单个DESS功率管理，可采用恒功率充电放电措施。介于分布式储能系统对寿命的要求，数据分析模型建构考虑DESS使用过度后降低其寿命的关系曲线，单DESS仅限充放电单个循环。同时，当DESS参与调峰时，放电与充电多发于低负荷及峰值负荷期，所以模型建构需界定峰值负荷最佳放电时间，了解谷负荷时的最佳充电时长。

通过搭建并网光伏储能系统数据分析模型及贪婪算法辅助下的分布式储能系统容量优化配置模型，初步总结最大光伏自给率的基础系统控制方案，解读贪婪算法相比遗传算法的海量数据处理及筛选能力，搭建贪婪算法辅助下的分布式储能系统数据分析模型，分别对二者进行测验分析。基于分布式储能系统迅速推进及新能源高速发展，适时引入化学储能系统，可提升储能系统运行效率，增强电网削峰填谷能力，有助于优化系统配置，提高净现值、降低能耗。