基于光伏发电量预测的含氢储能微网分段优化调度

2023-07-26王小昔雷勇张汀

科学技术与工程 2023年19期

王小昔, 雷勇, 张汀

(四川大学电气工程学院, 成都 610000)

为实现“碳达峰、碳中和”的重要战略目标,如何建设更加稳定经济的含多种微源的储能微网系统成为亟待解决的问题[1]。光伏发电具有随机性和波动性,氢能作为清洁的可持续能源常用于微网系统的储能元件[2-3]。为更大程度解决微网系统功率缺额或能量浪费的问题,以光伏发电量预测数据为基础信息,制定含氢储能系统优化调度策略具有重要的发展前景[4]。

目前国内外常用人工神经网络(artificial neural network, ANN)、长短期记忆人工神经网络(long short-term memory, LSTM)、支持向量机(support vector machine, SVM)[5]等算法预测进行光伏发电量的预测。文献[6] 针对复杂非线性的用电量数据,构建基于自适应粒子群算法优化的最小二乘支持向量机提高中长期负荷预测精度。文献[7]应用改进的鲸鱼算法对支持向量机算法优化,同时应用小波软阈值去噪对输入数据进行预处理,增强改进支持向量机预测模型在不同天气情况下的适应性。文献[8]针对光伏功率数据非线性、非平稳性的特点,采用极点对称模态法将光伏序列分解成各模态分量和趋势余项,最后再结合支持向量机模型分别预测各序列,有效减小预测误差。

目前对含氢储能系统的运行策略研究在考虑功率需求及系统稳定性控制的基础上加入了经济性要求。文献[9]针对风光储系统采用粒子群算法进行容量配置,考虑系统日功率波动最小为目标,实现可再生能源消纳,满足多能源互补系统综合性。文献[10] 基于非线性变化的收敛因子均衡算法优化灰狼算法对日运转经济效益寻优,实现日并网交流微网调度。但以小时为单位的策略调度容易造成较大的功率误差,且对算法的要求较高。文献[11]以变分模态分解与门控循环单元神经网络作为日前预测方法获得日前控制策略,在日内阶段建立模型预测滚动优化,但当实际数据与参考轨迹相差较大时,控制结果也有较大误差。文献[12]采用多时间尺度优化调度策略,日前调度以小时为单位制定机组出力计划,日内调度以15 min为间隔周期进行滚动优化调整资源运行状态,但存在调度周期较长实时性不足,同时日前日内调度出入较大等问题。

上述预测算法研究能够一定程度提高光伏发电量数据的预测精度,但存在时间尺度较大,数据处理较复杂等问题。文中提到的调度方法能够实现含氢微网的部分优化,但考虑到氢储能系统从启动到最佳工作状态需要几十分钟的升温时间[13],日内调度氢能元件响应时间太长,且元件切换有时间延迟,选用氢储能系统作为日内调度元件实时性稍有不足。同时,在实际运行中采用控制算法进行策略调整容易出现较大误差,无法满足系统功率调度优化要求。

针对上述问题,现提出一种考虑含氢储能微网系统经济性和稳定性的分段优化调度策略。基于光伏发电量和负荷预测数据制定系统日前调度计划,采用麻雀搜索算法优化支持向量机预测模型,有效提高光伏功率和负荷预测精度,以日运行成本最低为目标,以蓄电池荷电状态(state of charge, SOC)和储氢罐容量(state of hydrogen, SOH)为约束条件,通过改进粒子群算法寻优调度计划,平衡储能微网的整体功率。日内实时调度以功率差值为依据,将蓄电池作为灵活优化变量,以5 min为时间间隔及时调整运行策略。能够消除日前调度策略的误差,减小储能元件的响应延迟时间,使得系统调度更敏捷,从而达到高效储能供能、提高系统经济效益的目的。

1 储能微网结构及数学模型

1.1 微网结构

本文研究的含氢储能系统微网结构如图1所示,光伏阵列作为主要分布式能源为直流负载提供能量,多余能量则通过直流母线向蓄电池充电或供给电解槽生成氢气保存在储氢罐中,在光伏阵列发电量不足的情况下由蓄电池和燃料电池补齐缺额,保证系统正常运行。

图1 微网系统结构图Fig.1 Microgrid system structure diagram

1.2 光伏电池数学模型

光伏发电系统的实际输出功率与太阳辐照和温度密切相关。其功率模型数学表达式[14]为

Ppv=Vpv[1+βT(Tc-Trst)]Gt/Grst

(1)

式(1)中:Ppv为光伏输出功率;Vpv为光伏额定功率;βT为光伏温度系数;Tc、Trst分别为光伏实际工作温度和标准工作温度;Gt、Grst分别为实际光照强度和标准光照强度。

1.3 蓄电池数学模型

蓄电池作为一种稳定储能设备,能同时实现多余电能的储存和补充差额电能的释放。其功率和荷电状态关系表达式[15]为

SOC(t)=SOC(t0)+[nchPch(t)/Cbat-

ndisPdis(t)/Cbat]Δt

(2)

式(2)中:SOC(t0)为t0时刻电池的荷电状态;Pch(t)和Pdis(t)分别为t时刻蓄电池充放电功率;nch为电池充电效率;ndis为放电效率,本文中均取90%;Cbat为其额定容量;Δt表示时间步长。

1.4 氢储能系统数学模型

氢储能系统由燃料电池、电解槽和储氢罐构成。电解槽消耗多余电量电解产生氢气交由储氢罐保存,燃料电池以氢气为燃料发电补偿系统缺额功率。电解槽和燃料电池分时运行,因此,在t时刻电解槽工作,储氢罐容量表达式[16]为

EH2(t)=EH2(t-1)+Pel(t-1)ξelξH2

(3)

式(3)中:EH2(t)为t时刻氢罐的储氢量;Pel(t-1)为t-1时刻电解槽输入功率;ξel、ξH2分别为电解槽和储氢罐的运行效率。

在t时刻燃料电池工作,储氢罐容量表达式[16]为

EH2(t)=EH2(t-1)-Pfc(t-1)Δt/(ξfcξH2)

(4)

式(4)中:Pfc(t-1)为t-1时刻燃料电池输入功率;ξfc为燃料电池的运行效率;Δt为时间尺度。

储氢罐的容量关乎系统的安全性,t时刻其储氢水平SOH(t)表达式为

SOH(t)=EH2(t)/VH2

(5)

式(5)中:EH2(t)为t时刻储氢量;VH2为储氢罐额定容量。

2 微网日前及日内调度优化

为实现以运行成本最小为目标的含氢储能系统稳定运行,同时满足微网功率需求,制定了日前、日内两段式调度计划,保证系统的经济性和高效性。调度计划流程图如图2所示。

图2 调度计划流程图Fig.2 Flow chart of dispatching plan

2.1 日前调度计划

日前调度计划以光伏发电功率为调度对象,制定未来24 h光伏阵列有功功率调度策略,时间分辨率为30 min。采用麻雀搜索算法优化支持向量机预测模型,以光伏发电量和负荷预测值为基础数据,综合考虑含氢储能系统约束条件和微网系统功率平衡情况,以日运行成本最小为目标,优化调度各时段微网储能元件运行情况,制定日前基本调度计划提前下达调度中心。

2.1.1 目标函数

保证微网储能元件合理运行,系统功率平衡的情况下,以日运行成本最小为目标函数,其表达式为

Ctotal=min(Ct+Cy)

(6)

式(6)中:Ct为日投资成本;Cy为日运行维护成本。

(1)日投资成本。

(7)

式(7)中:Ci,t分别为元件的总投资成本;Li为元件寿命,光伏阵列、电解槽和储氢罐寿命较长为20年,蓄电池和燃料电池寿命为5年;ni为储能元件运行效率;i表示光伏电池、蓄电池、电解槽、燃料电池、储氢罐等微网元件,i={pv,bat,el,fc,Ht}。

(2)日运行维护成本。

Cy=kpvPpv+kbatPbat+kelPel+kfcPfc+kHtEHt

(8)

式(8)中:ki为元件单位运行维护成本[万元/(kW·h)];Pi为储能元件日运行功率;EHt为储氢容量。

2.1.2 约束条件

(1)功率平衡约束条件。

Ppv(t)-Pload(t)=Pbat,ch(t)+Pfc(t) +

Pbat,dis(t)+Pel(t)

(9)

式(9)中:Ppv(t)、Pload(t)、Pfc(t)、Pel(t)分别为t时刻光伏阵列、负荷、燃料电池和蓄电池的功率;Pbat,ch(t)、Pbat,dis(t)为t时刻蓄电池的充、放电功率。

(2)蓄电池约束条件。

(10)

式(10)中:Pbat,min为蓄电池充电放电下限;Pbat,max为充放电功率上限;SOCmin和SOCmax分别为蓄电池荷电状态下限和上限。

(3)氢储能系统约束条件。

(11)

式(11)中:Pi,max和Pi,min为储能元件功率上下限;SOHmax和SOHmin为储氢罐的储氢水平。

2.1.3 求解方法

麻雀搜索算法(sparrow search algorithm, SSA)[17],以麻雀的觅食和警戒行为为灵感,实现高效的全局搜索,避免出现局部最优情况,具有收敛速度快、搜索能力强、结构稳定等特点[18]。支持向量机(SVM)可将非线性问题通过高低维度映射进行线性回归,从而实现光伏发电量预测[19]。本文中采用麻雀搜索算法对SVM模型中的参数惩罚因子c和核函数半径g实现寻优,提高SVM算法的预测精度,以均方误差(root mean square error, RMSE)为评价指标。基于麻雀搜索算法改进支持向量机(SSA-SVM)预测流程如图3所示。

图3 SSA-SVM算法预测流程Fig.3 SSA-SVM algorithm prediction process

粒子群算法针对多约束问题寻优效果好、收敛速度快且结构简单,常用于非线性问题优化[20]。但惯性因子和学习因子固定,容易使算法陷入局部最优解[21]。本文中采用改进粒子群算法,其优化策略为

w=wmax+[(IM-IT)-(wmax-wmin)]/IM

(12)

(13)

式中:wmax、wmin为惯性因子的上下限;cmax、cmin为学习因子的上下限;IM为最大迭代次数;IT为当前迭代数。更新因子的变异速率有利于搜索全局最小值。改进粒子群算法寻优流程如图4所示。

图4 改进粒子群算法寻优流程Fig.4 Improved particle swarm optimization process

2.2 日内调度计划

日内调度计划为消除光伏发电量预测的误差,实现储能系统的快速反应,有效减少算法的不确定性,日内调度计划流程如图5所示。考虑日前预测算法精度较高且蓄电池运行成本较低、功率误差较小且相较电解槽和燃料电池响应速度更快,在实际功率数据的基础上对日前充放电策略进行校正。当实际功率值与预测值有误差时,由蓄电池直接进行补偿,其他储能元件按照日前调度计划运行。

图5 日内调度计划流程图Fig.5 Flow chart of intra day dispatching plan

误差表达式如下

(14)

式(14)中:Ppv,pre(t)、Pload,pre(t)为光伏发电和负载在t时刻的预测值;Ppv(t)和Pload(t)为光伏和负载在t时刻的实际功率。图5中状态一到状态六表示系统在对应不同误差情况下日内的工作状态调度计划,分别如下。

(1)状态一:减少蓄电池充电功率,减少量为ΔPde。

(2)状态二:增加蓄电池充电功率,增加量为ΔPin。

(3)状态三:停止充电,蓄电池充分放电为系统提供缺额功率为ΔPdis。

(4)状态四:停止放电,光伏发电系统的剩余功率用于蓄电池充电,剩余功率充电量ΔPcha。

(5)状态五:蓄电池充分放电,增加放电量ΔPin。

(6)状态六:减少蓄电池的放电量ΔPde。

3 算例仿真

3.1 仿真场景设计

根据上文建立基于光伏发电的含氢储能微网模型,采用2020年度澳洲中部地区分布式光伏发电站全年相关数据及负荷数据。选取夏、冬季两个典型日的数据进行预测,同时验证本文提出的调度计划的可行性。仿真步长为30 min,每日测量数据共48组。其中,光伏阵列额定功率226 kW,平均日负荷约为43.2 kW。

3.2 参数设定

各储能元件成本及参数设定如表1所示。元件参数参考文献[22]。

表1 各元件成本及参数

3.3 结果分析

3.3.1 光伏发电量预测

针对夏冬两季天气因素引起的光伏输出功率不同的情况,选取两个典型日,根据太阳辐照度、环境温度、风速以及风向等数据采用SSA-SVM算法和SVM算法对当日光伏发电量和负荷数据进行预测,冬季光照环境条件受限,光伏输出功率较小,波动性较小;夏季光伏输出功率大但波动性强。光伏及负荷数据预测结果如图6所示,SSA-SVM的预测曲线相较于SVM预测更加光滑,误差更小。

图6 两个典型日光伏发电量及负荷预测图Fig.6 Two typical solar photovoltaic power generation and load forecast charts

将光伏发电量预测数据作为对比,两种算法下预测光伏数据与实际光伏数据误差结果如图7所示。SVM误差在[-6,6] kW, SSA-SVM误差在[-2,2] kW。

图7 两个典型日光伏发电量预测误差图Fig.7 Two typical solar photovoltaic power generation prediction error charts

表2为两种算法光伏功率预测结果。SSA-SVM的预测误差要明显小于SVM预测。两种算法都能有效拟合光伏实际功率曲线,SSA-SVM模型的均方根误差小于SVM算法,R2系数更高,且SSA优化SVM模型的响应时间远小于SVM模型。由此可得,通过麻雀搜索算法优化支持向量机预测模型能够使预测精度更高、响应时间更短,且稳定性更好。

表2 两种算法光伏发电量预测结果对比情况

3.3.2 日前调度情况

根据光伏发电量预测数据,采用改进粒子群算法对氢储能系统和蓄电池进行能量调度,在功率平衡的基础上实现日运行经济最优。冬季光伏发电量不足,需要储能元件补尝发电,夏季光伏发电足量,储能元件可吸收多余能量,减少经济成本。以图8为两个典型日日前预测调度结果。元件充电功率为负数,元件放电为正数。

图8 两个典型日日前调度结果Fig.8 Two typical day-ahead scheduling results

图中可看出该日前调度策略能够完成功率缺额的补充和多余能量的储存。同时,蓄电池荷电状态及储氢罐储氢状态如图9所示,储氢罐的氢气含量(SOH)和蓄电池的荷电状态(SOC)能够维持在小范围波动(充电为正,放电为负),保证储能元件的使用寿命。冬季主要以元件放电为主,补偿光伏不足情况,所以SOC和SOH在[0,0.5]区间浮动。夏季除去补偿差额功率,还需要吸收光伏多余电量,所以SOC和SOH保持在[-0.5,0.5]区间内。日内调度策略能在功率平衡的同时保证蓄电池和储氢元件健康运行。

图9 日前调度SOC和SOH变化情况Fig.9 Changes in SOC and SOH of the day ahead dispatching

3.3.3 日内调度情况

日内调度根据实际光伏功率,以5 min为时间尺度,在日前调度计划的基础上实时调整。日内调度情况如图10所示,日内调度通过蓄电池平稳波动,实现微网系统快速响应,减小算法的误差。日前调度蓄电池与日内调度蓄电池情况对比如图11所示。

图10 两个典型日日内调度结果Fig.10 Two typical intraday scheduling results

图11 日前调度蓄电池与日内调度蓄电池对比Fig.11 Comparison between daily dispatching battery and daily dispatching battery

日内调度中蓄电池补充量对SOC影响较小,能够消纳微网波动的情况下,实现系统稳定运行,日内蓄电池SOC状态如图12所示。夏季日内调度相较于日前调度计划元件出力功率减少89.83 kW,冬季减少使用功率为256.27 kW,日内调度调整能够有效减少储能元件充放电量。

图12 日内调度蓄电池SOCFig.12 Daily dispatching battery SOC

日前日内阶段调度策略能够满足负荷需求,平稳微网波动的情况下,以最小日运行成本为目标能够保证系统的经济性。同时,日内调度能够有效减少日前调度的经济成本,降低单次调度的误差。相比较单阶段调度情况,夏秋季分别降低0.012 1万元和0.016 3万元,冬季降低0.312 6万元成本,微网日运行成本见表3。