独立微网（共3篇）
独立微网 篇1
0 引言
微网是一种由分布式电源、负荷、储能装置和控制装置等构成的小型电力系统,既可以并网运行,也可以独立运行[1]。在远离公共电网的偏远地区和一些特殊场所,如边远偏僻农村、牧区、海岛、高原、沙漠等地区,微网系统并不与大电网相连接,而是独立运行的,故称为独立微网。目前,独立微网系统的装机规模已从最初的几千瓦、几十千瓦,发展到几兆瓦、甚至几十兆瓦,例如珠海东澳岛微网系统、东海南麂岛微网系统等。
在独立微网中,分布式电源通常包括光伏发电、风力发电、微型燃气轮机和燃料电池等。其中,光伏发电具有安全、清洁的特点,但受天气和温度等环境因素的影响,其发电功率具有随机性和波动性。同时,微网中负荷的用电需求也具有随机性。因此,在含光伏发电的微网系统中一般配备储能装置,以起到削峰填谷的作用[2]。利用储能装置即时可控的充放电特性,可灵活实现微网系统的能量调度,从而提高微网运行的可靠性。
由于缺乏大电网的支持,独立微网需要配备能提供持续可靠电能的设备。柴油发电机组是一种中小型的发电设备,具有机动灵活、投资较少、启动方便等特点。文献[3]指出配置柴油发电机组可提高独立微网的供电可靠性,在储能荷电状态较低且分布式电源出力不足时,可启动柴油发电机组以满足负荷需求。
在独立微网中,能量管理系统可对储能装置的充放电动作、分布式电源的出力等进行管理,以确保微网实时供需平衡和长期稳定运行[4]。关于独立微网能量管理问题,国内外已有诸多研究。文献[5]针对风光储独立微网系统,根据风力发电、光伏发电和负荷需求预测曲线,对风光机组进行了经济调度。文献[6]针对风柴储独立微网系统,提出一种基于对等控制和集中控制相结合的混合控制策略,保证系统的稳定性和经济性。对于光柴储独立微网系统,文献[7]以系统总运行费用与停电损失之和最小为目标,研究了需求侧管理与调度方法;文献[8]以一天内系统运行代价最小为目标,提出了柴油发电机组“连续”和“开/关”两种控制方法;文献[9]以一天内柴油发电机组的总输出最小为目标,提出了一种模型预测控制策略,实现对储能装置充放电功率的控制。上述对光柴储独立微网系统的研究,考虑的是固定时间段内的能量管理优化,并且给出的是光伏发电功率和负荷需求曲线确定条件下的最优控制策略,没有考虑系统长期运行下的经济性,同时未考虑光伏发电功率和负荷变化过程的随机动态特性。
在上述文献的基础上,本文以提高系统长期运行经济性为目标,考虑了光柴储独立微网系统的动态能量管理问题。首先以连续时间马尔可夫过程来模拟光伏发电功率变化的随机性,以排队服务模型来描述负荷的随机变化过程;然后将柴油发电机组的启停和储能装置的充放电作为联合控制行动,以光伏发电功率等级、接入负载数量、电池荷电状态等级和柴油发电机组运行数量作为系统状态,将独立微网系统的能量管理问题建模为连续时间半马尔可夫决策过程(SMDP);最后运用随机动态规划方法求解系统的最优控制策略。在最优控制策略的作用下,能量管理系统根据实时观测到的光伏发电功率、负荷功率和电池荷电状态等信息,选择最优的控制行动,以保证微网长期运行的经济性。
1 系统物理模型
本文研究的光柴储独立微网系统由光伏发电单元、柴油发电机组、储能装置和负载组成,各单元通过通信线路与能量管理系统实现双向信息交互,其结构模型如图1所示。
1.1 光伏发电系统
由于光伏发电功率与光照强度直接相关,而后者受云层厚度的影响,故文献[10,11]将光伏发电功率变化过程描述成一个马尔可夫模型。在环境温度不变的条件下,对于单位面积的光伏电池板,光伏发电输出功率Pr与光照强度er的关系为:
式中:ηc为光伏发电效率系数;Gc为临界光照强度。
将云层厚度cr离散化为c0,c1,…,cR共R+1个等级。光伏发电状态记为r∈Φ1={0,1,…,R},对应的云层厚度为cr、光照强度为er、光伏发电功率为Pr。云层厚度的变化快慢受云层面积和风速的影响。云层厚度和光照强度状态随风速的变化情况如图2所示,其中光照强度的变化过程为e0→e1→…→e5→e0。
光伏发电状态的转移是相继的、循环的,状态r转移到r'的转移概率记为Prr'。当r≠R时,有Pr(r+1)=1,且PR0=1,其余情况下Prr'=0。
状态转移速率表示状态发生转移的强度(见附录A)[12],其值为该状态平均逗留时间的倒数。假设风速大小为swind,不同厚度云层的面积变化服从参数为ur的指数分布,则光伏发电状态r的转移速率wr=swind/ur,r∈Φ1,转移速率矩阵为:
1.2 负荷需求模型
微网中负载的接入时刻和用电持续时间往往具有随机性,因此可将负载的接入和断开过程视为一个随机服务模型[13,14]。设负载的接入服从到达率为λ的泊松过程(即单位时间平均到达λ个负载),单个负载功率大小为Pl且服务时间服从参数为μ的指数分布,若系统最大可服务负载数量为N,则该服务系统可视为M/M/N损失制排队模型(见附录B)[12]。记负荷状态为接入系统的负载数量n,n∈Φ2={0,1,…,N},当n=N时,新的负载接入请求将被拒绝。负荷状态的转移速率矩阵为:
设负荷状态由n转移到n'的概率为,满足式(4)且。
1.3 柴油发电机组
通常要求柴油发电机组最低负载率在30%左右,如果低于此值,单位功率耗油量会较大。例如,额定发电功率为12.8 k W的某柴油发电机组,其输出功率与耗油量的关系为[15]:
设柴油发电机组总数为Z,投入运行的机组数量z∈Φ3={0,1,…,Z},其中z=0表示柴油发电机组全部为关闭状态。假设柴油发电机组特性一致,且当z台机组同时运行时,输出有功功率平均分配。单台机组输出功率Pz满足:
式中:Pzmin和Pzmax分别为柴油发电机组允许的最小输出功率和最大输出功率。
若系统中存在特性不一致的柴油发电机组,可对各机组分别进行建模与控制。
1.4 储能系统
目前独立微网系统广泛使用的储能装置是铅酸蓄电池,通过相应控制装置可以使其工作在充电、放电或者闲置状态。
设电池容量为E,电池荷电状态为ESOC,电池充放电功率大小为Pb,Pb>0表示电池处于充电状态,Pb<0表示电池处于放电状态。若电池处于充电状态,则Pb=Pbcharge(ESOC),对于不同规格及充电方式的蓄电池系统该对应关系不同,可根据具体系统进行相应的设定;若电池处于放电状态,则放电功率应满足|Pb|≤Pbmax,其中,Pbmax为电池最大允许放电功率。考虑到不同荷电状态下,电池充放电效率不同,经过时间Δt后的电池荷电状态ESOC'为:
式中:η(ESOC)和η'(ESOC)分别为充电效率和放电效率。
考虑到恒功率充电在实际中具有一定的代表性且较为简单,因此本文仿真试验中考虑的是这一充电方式。另外,尽管本文考虑的是单一储能装置,若系统中存在多种类型的储能装置,可针对其各自特性分别进行建模与控制。
2 系统SMDP模型及优化
2.1 状态空间
将电池容量等间隔分为B+1个区间,且定义电池荷电状态等级b满足[16]:
其中,·表示向下取整,且b∈Φ4={0,1,…,B}。于是,定义系统状态s由光伏发电功率等级、接入负载数量、柴油发电机组运行数量和电池荷电状态等级组成,即s∈Φ={s|s=(r,n,z,b),r∈Φ1,n∈Φ2,z∈Φ3,b∈Φ4},其中Φ={s1,s2,…,sK}为系统状态空间,总状态数K=(R+1)(N+1)(Z+1)(B+1)。
2.2 行动集
系统控制行动包括柴油发电机组的启停和电池充放电动作。设行动量vs=(vz,vb)∈D,行动集D=D1×D2。其中,vz∈D1={-Z,-Z+1,…,0,…,Z},vb∈D2={-1,0,1}。vz为正表示开启vz台柴油发电机组;vz为负表示关闭|vz|台柴油发电机组;vz为0表示不采取启停动作。vb=-1表示电池放电;vb=1表示电池充电;vb=0表示电池闲置。设状态si,i=1,2,…,K下的可行行动为vsi,则能量控制策略,其中,Ω为所有可行平稳策略构成的策略集合。
系统的行动选择受当前状态和功率平衡关系的约束。显然,若当前状态下已有z台机组运行,则有约束条件-z≤vz≤Z-z。另外,当b=B时,vb∈{-1,0};当b=0时,vb∈{0,1}。由于光伏发电存在弃电的情况,则光伏发电有效输出功率Pr'≤Pr,故任意时刻,系统行动选择应满足:
若vz+z=0,则Pr'=n Pl+vb|Pb|;否则,Pr'=Pr。根据式(9),若vb=1,则由Pb可以确定Pz;若vb=-1,为使柴油发电机组效率最高,令Pz=Pzmax,则可确定Pb。
2.3 状态转移概率
将电池荷电状态等级划分为低、中、高3个部分:{0,1,…,B1},{B1+1,B1+2,…,B2},{B2+1,B2+2,…,B},其中,0,B1,B2,B为临界荷电状态等级。当光伏发电状态r、负载数量n发生变化或者电池荷电状态等级b转移到任一临界等级时,系统进行决策。设决策时刻T时,系统处于状态s=(r,n,z,b),并且采取行动vs。现定义时间τ(s,vs)=(Bb-b)ΔE/Pb,其中ΔE=E/(B+1),Bb为系统在行动vs下r和n均不改变时电池荷电状态转移到的下一临界等级。若在[T,T+τ(s,vs)]内,r或n在T+Δt时刻发生状态改变,则状态逗留时间ω=Δt,否则ω=τ(s,vs)。于是可得下一决策时刻T'=T+ω。
令γ=wr+σn,其中σn为负荷状态发生转移的转移速率。在M/M/N排队系统中,由负荷状态转移速率的定义(见附录A)可得其表达式为:
设光伏发电状态和负荷状态的逗留时间分别为tr和tn,其联合密度函数为:
在[T,T+τ(s,vs)]内,状态转移包含以下情况。
1)电池处于闲置状态,光伏发电状态或负荷状态发生改变。
若光伏发电状态改变、负荷状态和电池荷电状态等级不变,记下一状态s'=(r',n,z+vz,b),状态嵌入链转移概率为:
若负荷状态改变、光伏发电状态和电池荷电状态等级不变,即s'=(r,n',z+vz,b),则
上述两种情况下状态逗留时间分布函数为:
2)电池处于充电或放电状态,光伏发电状态和负荷状态不变,即s'=(r,n,z+vz,Bb),则
3)电池处于充电或放电状态,光伏发电状态或负荷状态发生改变(决定了下一决策时刻)。设下一决策时刻电池荷电状态等级为b',令
若光伏发电状态和电池荷电状态等级改变,即s'=(r',n,z+vz,b'),则
若负荷状态和电池荷电状态等级改变,即s'=(r,n',z+vz,b'),则
上述两种情况下状态逗留时间分布函数为:
4)其他情况下,Pss'(vs)=0。
于是,给定控制策略π,可得到系统的嵌入链转移矩阵Pπ=(Pss'(vs))、逗留时间分布函数矩阵Fπ=(Fss'(t,vs)),以及半马尔可夫核矩阵:
式中:⊙表示矩阵对应元素相乘。
2.4 目标函数
本文考虑的系统代价包含启动和关闭柴油发电机组的即时代价、柴油发电机组燃油费用代价、电池充放电的电量损耗代价和寿命损耗代价。电池寿命损耗与电池放电深度及放电功率有关,而电池电量损耗与充放电效率有关,在一定程度上反映了电池放电深度和放电功率,因此对电池电量损耗代价和寿命损耗代价作统一考虑。对于一个状态转移过程〈s,vs,s',ω〉,记性能矩阵为:
其中,性能函数f(s,vs,s')为单位时间系统的期望运行代价,即
式中:k1为启动或关闭一台柴油发电机组的即时代价;k2为柴油发电机组的燃油费用代价系数;k3为电池充放电损耗代价系数;,其中α>0为折扣因子;分别为电池充电和放电损耗系数。
最优策略的求解依赖于优化控制的性能准则,常用的为如下无穷时段折扣性能准则:
式中:E(·)表示取期望值函数;s(t)为系统随时间t变化的状态过程;s(0)为初始决策时刻的状态;s'(t)为状态s(t)下采取行动vs(t)后的下一状态。
式(26)被用以评估系统在给定控制策略下从状态s出发运行无限长时间的折扣累积代价Vαπ(s)[17];当α→0时,该式即为平均性能准则,用以评估系统在给定控制策略下运行无限长时间的单位时间平均代价。系统优化就是在策略集Ω中寻找最优策略,其中Vαπ为Vαπ(s),s∈Φ对应的性能准则向量。
2.5 求解方法
于是,系统的能量控制问题可表示为一个SMDP模型〈s(t),Φ,D,Qπ(t),fπ〉。运用等价无穷小生成子可以将SMDP转化为等价的马尔可夫决策过程(MDP),从而可以将MDP的相关分析方法和理论成果应用到SMDP优化问题中[18]。其中,性能势向量gαπ满足泊松方程:
式中:I表示单位矩阵;Aαπ为等价无穷小生成子;βα为一致化因子;ε表示全为1的列向量;pαπ为策略π对应的系统状态等价稳态概率分布;fαπ为等价性能矩阵,详细求解过程可见文献[18]或文献[19]。
由Bellman最优性原理可知,存在一个最优平稳策略π*,使得gαπ*和Vαπ*满足[18]:
随机动态规划适用于随机序列决策问题的求解,在MDP和SMDP中,常用的随机动态规划方法包括策略迭代和数值迭代,本文采用的是基于性能势的策略迭代算法[19,20],它含两个步骤,即策略评估和策略改进。前者通过式(27)对性能势进行评估,后者根据Bellman最优方程按下式进行策略更新。
式中:πm为第m次迭代得到的策略。
重复策略评估和策略改进过程即可求得最优策略π*。
3 结果分析
为保证光伏发电功率为0且电池荷电状态过低时系统能稳定运行,柴油发电机组最大输出功率不低于最大负荷需求,即ZPzmax≥NPl。系统参数见附录C表C1。图3为采用策略迭代方法求解系统的优化曲线。图中,经验策略是按优先级依次让光伏发电、电池和柴油发电机组供电的策略,平均运行代价是平均准则下的系统运行代价。可见,与经验策略相比,最优策略下的系统平均运行代价更低。
图3中各状态的代价曲线为折扣准则下的优化曲线,其中折扣因子α=0.01。由于系统状态较多且不同状态对应的折扣代价不同,无法给出所有状态的代价优化曲线,因此本文选取以下几个特定状态以说明优化结果。表1给出了图3中各状态的取值。由于状态157下需要开启发电机组,因此代价较高;状态637下光伏发电装置不仅给负载供电同时也给电池充电,代价较低;状态796下仅需光伏发电装置为负载供电,无电池充放电损耗,因此代价比状态637低;状态556下不开启柴油发电机组且有多余电能给电池充电,较长时间内无需开启柴油发电机组,因此代价最低。
相同时间长度内,系统分别按最优策略和图3所用经验策略运行的仿真结果见附录C表C2。可以看出,在系统长期运行的情况下,与经验策略相比,最优策略下的柴油发电机组启停次数和每台机组的平均运行时间有所减少,电池放电深度过大和放电功率过高的次数较少,且电池更长时间地保持在高电量状态。这是由于从长期运行过程来看,过多使用电池供电,可能出现因电池放电至荷电状态过低而必须使用柴油发电机组的情况,使得在增加电池损耗的同时,也会增加柴油发电机组的启停代价。因此最优策略在保证系统能量平衡的同时,能够减少电池的损耗和柴油发电机组的启停,延长电池和柴油发电机组的使用寿命。
图4和图5分别给出了系统在不同负载数量和电池荷电状态等级下的最优控制行动。图4表示当前柴油机发电组全部关闭时,系统采取最优行动后的机组运行数量。可以看出,当接入负载数量较少且光伏发电功率足以满足负荷需求时,不开启柴油发电机组;当光伏发电出力不足、接入负载数量较多且电池荷电状态等级较低时,需要开启柴油发电机组;当电池荷电状态等级较高时,机组开启较少或不开启。图5表示不同状态下的最优电池充放电动作。可见,当光伏发电功率能够满足负荷时,电池处于闲置或充电状态;当光伏发电不足且电池荷电状态等级较高时,电池多处于放电状态。
z=0,Pr=0,10,15,20 k W时不同负载数量和电池荷电状态等级下的柴油发电机组开启情况及电池充放电动作见附录C图C1和图C2。z=0,1,2,Pr=5 k W时不同负载数量和电池荷电状态等级下柴油发电机组开启情况见附录C图C3。
根据观测到的光伏发电功率、负荷和电池荷电状态,在不同决策时刻采取对应的最优控制行动。附录C图C4为系统在最优控制策略下的一段仿真运行曲线(从第820步到第867步的样本轨道),模拟系统运行的时间跨度约为12.41 h。由于本文假设光伏发电功率在无限长时间内随机变化,未考虑日出日落等实际情况,故此处模拟系统运行的时间并不与一天24 h的时刻对应。附录C图C4(a)中在第838步时负荷功率增加,与光伏发电功率差值变大,由于当前状态的逗留时间和下一状态在该时刻不可知,根据最优控制策略,在此情况下开启柴油发电机组为统计意义上的最优行动;但在此仿真样本轨道中,负荷功率在持续较短时间后立即降低(第839步),在此情况下系统选择电池放电且关闭柴油发电机组为统计意义上的最优行动,因此造成了柴油发电机组开启时间较短。
4 结语
本文利用独立微网系统中柴油发电机组和储能装置的可调度性,对不同系统状态下的最优控制行动进行了求解,得到最优能量控制策略。仿真结果表明,该控制策略能够减少系统运行成本,从而提高系统长期运行的经济性。本文考虑的光伏发电模型可以近似模拟天气平稳变化的情况,而天气突变情况下的光伏发电随机性建模问题相对复杂,可引入状态空间随机切换过程来解决;另外,本文采用M/M/N排队服务模型来描述负荷的随机动态特性,对于功率大小不同或连续变化的负荷特性,可引入多类型顾客排队服务系统来进行模拟,这两种情况下系统的能量控制策略优化问题将有待进一步研究。
附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。
独立微网 篇2
关键词：独立型微网,多目标,优化配置,不确定性,序贯蒙特卡罗模拟
0 引言
中国幅员辽阔,境内存在大量海岛等偏远地区,与大电网互联困难或者代价过大,长期用电紧张,而这些地区风、光等可再生资源往往较为丰富,近些年风力机(WT)、光伏电池(PV)等分布式发电技术的不断发展为解决这些地区用电困难问题提供了新的思路。相对于单一风力发电系统或光伏发电系统, 包含风力机、光伏电池以及储能等设备的独立型微网系统无论是供电可靠性还是经济性等方面都存在较大的优势[1,2]。
由于独立型微网中往往包含多种分布式电源和储能装置,且负荷完全依靠系统内电源供电,这就对独立型微网系统的优化配置技术提出较高要求。针对上述问题,目前国内外学者多通过建立风力机、光伏电池等分布式电源的准稳态出力模型[3,4,5,6]、各分布式电源和系统运行约束等模型[7],利用微网所在地的风速、光照强度和负荷等历史时序数据对系统进行时序仿真计算得到系统全寿命周期内优化目标值等信息;其中,优化目标主要分为两种形式,第一种是将环保性、可靠性指标通过经济折算归一化为经济性指标的单一经济性优化目标形式[8,9],最后求得一个综合最优解;第二种是将经济性、环保性和可靠性等作为优化目标的多优化目标形式[10,11,12],最后求得一组帕累托(Pareto)最优解集,其中经济性目标主要包括等年值费用[10]、总净现费用[11]等形式,环保性目标包括污染气体排放量[11,12]等形式,可靠性目标则主要通过负荷缺电率[6]、平均停电持续时间[13]、系统平均停电频率[14]等指标表征;模型的求解则多采用遗传算法[15]、进化算法[16]、粒子群[17]算法等智能算法。
上述文献介绍的优化配置方法还存在一些局限:风速、光照强度等变量具有明显的随机性和间歇性,负荷也存在较大不确定性,这些不确定性会对已有的优化配置方法计算得到的系统配置在风速、光照和负荷发生一定程度波动的实际运行状态下的合理性、可靠性等方面提出了考验。文献[18]在独立型光储供电系统优化配置中采用蒙特卡罗模拟法处理了光照强度的不确定性;文献[19]在独立型风光储系统优化配置中利用序贯蒙特卡罗模拟法处理风光和负荷的不确定性,但仅将风力机、光伏电池容量作为优化变量,采用模式搜索法进行求解,该算法虽然可以减少计算量,但全局寻优能力较差,对优化变量初值要求很高,而独立型微网优化配置往往难以确定合适的初值。
本文以独立型风光柴储微网为例研究其优化配置问题。首先,建立风速、光照强度和负荷的概率模型,并介绍处理其不确定性的序贯蒙特卡罗模拟(Sequential Monte Carlo simulation,SMCS)方法;然后以经济性和环保性为优化目标,对系统供电可靠性设置概率约束,建立了独立型风光柴储微网多目标优化配置模型,并采用改进的非劣排序遗传算法(Nondominated sorting genetic algorithm-II,NSGA-Ⅱ)对模型进行求解;最后针对某独立型风光柴储微网算例进行仿真计算,验证了本文所提优化配置模型和方法的有效性。
1 风光出力和负荷不确定性的处理方法
1.1 WT输出的概率模型
WT输出的概率模型主要由风速的概率模型和基于风速的WT输出模型两部分构成,本文采用双参数的威布尔(Weibull)分布[20]函数描述风速的分布特性,即
式中:f(v)为风速的概率密度函数;v为风速;k为Weibull分布的形状参数;c为Weibull分布的尺度参数。
基于风速的WT输出模型详见文献[3-5]。
1.2 PV输出的概率模型
PV输出的概率模型主要由光照强度的概率模型和基于光照强度的PV输出模型两部分构成,本文采用贝塔(Beta)分布[21]描述光照强度的分布特性,即
式中:f(G)为光照强度的概率密度函数;G和Gmax分别为一段时间内的实际光照强度和最大光照强度(k W/m2);α 和 β 为Beta分布的形状参数。
基于光照强度的PV输出模型详见文献[3-5]。
1.3 负荷的概率模型
相关研究表明,负荷的随机性近似服从正态分布[18],则可得负荷的概率密度函数为
式中,μL和 σL分别表示负荷的平均值和标准差。
由于风速、光照强度和负荷在不同季节的不同时间存在较大差异,故本文将对一年中每个月份一天各个时刻的风速、光照强度和负荷进行概率建模,然后通过对这些概率模型的随机抽样得到全年时序样本数据。
蓄电池储能系统的输出模型详见文献[4-5],柴油发电机(柴发)的输出模型详见文献[22]。
1.4 序贯蒙特卡罗模拟法
蒙特卡罗模拟法(MCS)是一种基于概率统计理论的仿真算法,能够有效处理系统不确定性因素的影响,尤其适用于处理不确定性因素较多、较复杂的情况(如时序性、负荷波动、天气因素等)[23]。风速、光照强度和负荷具有明显的时序性,因此独立型微网的优化配置往往需要进行时序仿真,本文采用能够有效计及上述不确定性变量时间上连续性的序贯蒙特卡罗模拟(SMCS)法,该方法主要是通过对上述风速、光照强度和负荷的概率模型进行随机抽样,获得若干个全年随机场景,然后将这些全年随机场景下仿真运行得出的优化目标的期望值作为不确定性场景下对应方案的评价指标。
2 独立型微网多目标优化配置模型
2.1 优化变量模型
选择微网系统中WT台数NWT、PV板数量NPV、蓄电池个数NBAT和柴发台数NDE作为优化变量,即优化变量可定义为
2.2 优化目标模型
分别选择经济性和环保性作为优化目标,即优化目标为
式中,f1(X)和f2(X)分别表示经济性优化目标和环保性优化目标。
2.2.1 经济性目标模型
选择微网工程全寿命周期内总净现成本(NPC)作为经济性优化目标,即
式中,NPC包括工程全寿命周期内的所有成本和收入,可利用贴现率将未来的现金流换算到现值,其数学表达式如式(7)所示。
式中:Bsa表示工程寿命结束后设备残值的现值;CI、CR、CM、CF分别表示系统的初始投资成本、置换费用、运行维护费用和燃料费用的现值,NPC相关组成部分的计算公式[24]如下。
(1) CI的计算公式
式中:Np表示电源种类数;Ni表示第i种电源的数量;Ci表示第i种电源的单价。
(2) CR的计算公式
式中:r为贴现率;RCi表示第i种电源价格的年变化率;Li表示第i种电源的寿命;NRi表示第i种电源置换次数,其计算公式如式(10)。
式中:K表示工程的使用年限;%表示求余符号;⌈⌉表示向下取整符号。
(3) CM的计算公式
式中:CMi表示第i种电源单台年运行维护费用;RMi表示第i种电源运行维护费用的年变化率。
(4) CF的计算公式
式中:Qfu为系统年柴油消耗量;Cf表示柴油价格;RF表示柴油价格的年变化率。
2.2.2 环保性目标模型
近些年国内包括雾霾天气等在内的各种环境污染事件频发,未来微网工程的建设必将越来越重视环保问题,目前考虑的排放气体多指CO2,因此本文选择系统年CO2排放量ECO2作为环保性优化目标,即
在独立型风光柴储微网中,会产生CO2的电源只有柴发,因此认为等于年柴油消耗量乘以柴发的CO2排放系数,即
式中,为柴发的CO2排放系数。
2.3 系统运行约束模型
2.3.1 供电可靠性概率约束
为了在仿真中合理评估风、光出力和负荷不确定性对系统供电可靠性的影响,本文对系统供电可靠性设置如下概率约束。
式中:α 表示供电可靠性约束的置信水平;fLPSP表示系统年负荷缺电概率,其表达式[7]如式(16)。
式中:PLoss(t)为t时刻的负荷缺额;PL(t)为t时刻负荷的大小。
2.3.2 电源相关约束
(1) 电源安装数量约束
式中,Nimax和Nimin分别表示微网工程所允许的第i种电源的最大和最小安装数量。
(2) 电源出力约束
式中,Pimax和Pimin分别表示第i种电源的最大和最小出力。风力机、光伏电池的最大出力约束主要由各时刻的风速、光照强度决定;柴发允许的最小运行功率一般设为额定功率的0.3 倍;蓄电池储能系统(BESS)除了充放电功率需要满足上述约束外,还需对其荷电状态(SOC)设定约束[25],即
式中,SOCmax和SOCmin分别表示BESS允许的SOC上限和下限。
2.4 模型的求解
本文选择NSGA-Ⅱ算法对独立型微网的多目标优化配置问题进行求解,该算法有以下优点:(1) 通过对种群进行基于分级的快速非支配排序,降低了算法的复杂性,提高了计算速度;(2) 引入了精英策略,在父代种群和子代种群的中选择产生下一代种群,有利于保留父代种群中的优良个体,提高了种群的整体进化水平;(3) 通过定义拥挤度概念,保证了种群在寻优过程中的多样性[26,27]。该优化算法已在一些多目标优化问题中得到有效应用,其求解流程如图1 所示。
风力机、光伏电池的出力具有较大的间歇性和随机性,BESS主要用于平抑风光出力的波动,柴发则主要充当补充电源和备用电源的角色。为合理协调时序仿真时各仿真时段系统内各电源的出力满足负荷需求,往往需要设计一套合理的运行策略,本文的仿真求解步骤和采用的运行策略如图1 所示。图中:PWT(t)、PPV(t)分别表示t时刻风力发电系统和光伏发电系统的最大出力;PL(t)表示t时刻负荷的大小;Pcmin和Pgmin分别表示BESS允许的最小充电功率和柴油发电机允许的最小运行功率;Pg(t)和Pdis(t)分别表示t时刻柴油发电机的出力和BESS放电功率的大小;Nmax表示SMCS的最大仿真年限数。
运行策略具体介绍如下:(1) 当风光出力过剩时,负荷优先由风光出力满足,若有功率过剩且过剩功率大于BESS允许的最小充电功率Pcmin时,则给BESS充电,反之不充电,盈余功率通过可控负载消耗或者直接丢弃;(2) 当风光出力不足时,负荷优先由风光储出力来满足,柴油发电机不工作;(3) 若风光储出力无法满足负荷需要,则BESS不放电,此时负荷优先由风光柴出力满足;(4) 若风光柴工作在允许的最大功率下仍不能完全满足负荷需要,再开启BESS放电;(5) 若所有电源同时工作仍不能满足负荷需要,则出现供电不足的情况,此时需切除部分非重要负荷。
3 仿真算例与结果分析
3.1 仿真算例
为验证本文提出的优化配置模型和方法的有效性,下面对某独立型风光柴储微网算例进行仿真计算。图2 的(a)、(b)、(c)分别所示的是本算例中一月份每天各个时刻风速、光照强度和负荷概率密度函数的相关参数。
本算例待选电源的相关参数和安装数量限制如表1 所示。选用的蓄电池为免维护铅酸蓄电池,使用期间运行维护费用为0[8],WT和PV的运行维护费用主要与其额定容量有关,而柴油发电机运行维护费用与额定容量、实际运行功率有关。假设WT和PV的寿命为20 年,而柴油发电机的寿命由其实际运行时间决定,铅酸蓄电池的实际使用寿命则根据蓄电池寿命曲线,通过计算蓄电池等效充放电循环次数来计算[28]。工程寿命周期K取20 年,贴现率r取6%,柴油价格Cf设定为7.36 元/L,上述数据和参数来自文献[8,28]。
NSGA-Ⅱ算法的参数设置如下:种群数取100,最大迭代次数取100,交叉率和变异率分别设定为0.9 和0.1。
3.2 SMCS收敛次数判定
对于SMCS而言,在一定的计算精度要求下,所需样本容量是一个随机变量;而在给定样本容量的情况下,计算精度也是一个随机变量[29]。对于独立型微网优化配置问题而言,当样本容量数,即最大仿真年限数Nmax趋于无穷大时样本均值将逼近其期望值,即其计算误差趋于零。在优化仿真求解过程中,对每一个个体至少要进行Nmax次全年时序仿真,Nmax过大时计算成本太高,Nmax太小则计算精度不够。因此,必须对计算成本和计算精度进行权衡,选择合适的最大仿真年限数。
表2 为三种较为典型的系统配置,下面采用SMCS对这些配置在抽样得到的全年随机场景下进行全年时序仿真,得到的结果如图3 所示。从图中可以看出,仿真年限数达到一定程度后两个优化目标的期望值接近收敛。因此,综合考虑计算量和计算精度,本文设定Nmax为200。
3.3 仿真结果分析
3.3.1 不同置信水平下优化配置结果分析
将系统供电可靠性的置信水平 α 分别设定为0.8、0.9、1.0,仿真计算得到的结果如图4 所示。三种置信水平下优化目标以及年负荷缺电概率的极值如表3 所示。
首先从图4 可以看出,三种不同置信水平下,NPC和两个优化目标都呈现相互排斥的态势,但是随着NPC的上升,下降的趋势逐渐放缓:当NPC低于5 500 万元时,以较快的趋势下降;而当NPC超过6 500 万元后,几乎不再下降。可以看出,在当前的经济和技术水平下,独立型风光柴储微网中可再生能源出力比例的提高需要以经济成本的上升为代价,且随着经济成本的增加,减少单位CO2排放所付出的经济成本逐渐增多。
再来分析不同供电可靠性置信水平对优化配置结果的影响:置信水平 α 的上升意味着对系统配置在各种随机场景下供电可靠性要求的提高,从表3中fLPSP的变化区间也能看出,置信水平α越高,优化得出的配置供电可靠性越高;但同时NPC的极小值也有较大幅度的上升,例如,当 α 为0.8 时,NPC最小的配置仅需4 489.69 万元,而 α 为1.0 时(即要求系统配置在各种随机场景下100%满足负荷需要),优化得出的NPC最低的配置需5 106.15 万元。这说明随着系统供电可靠性要求的提高,所需付出最低经济成本也随之升高。
因此,在实际微网优化配置中,可根据实际允许的经济费用区间和供电可靠性要求来设定合理的置信水平进行优化配置计算,保证经济性、供电可靠性等方面的平衡。
3.3.2 柴油价格敏感度分析
虽然可再生能源在全社会能源消耗中所占比重逐年增大,但是未来较长一段时间内,传统化石能源将仍占主导地位,伴随着能源紧缺和需求增大,再加上政府对节能减排、保护环境的逐步重视,未来可能通过调整化石燃料税率、提高燃料品质、征收温室气体和污染气体排放惩罚等形式推高柴油等化石燃料的价格,但价格上涨幅度难以预计,因此下文对柴油价格上涨对系统配置的影响进行敏感度分析:将柴油价格Cf分别设定为现价的1.5 倍、2倍,即Cf=11.04、14.72 元/L进行优化配置计算,得到的优化配置结果如图5 所示。
从图5 中可以看出,在几种不同的柴油价格水平下,NPC和两个优化目标依旧保持此消彼长的态势,但是随着柴油价格不断上涨,优化得到的最优解集的NPC极小值也随之增大,优化目标值的变化区间减小,也就是说优化得到的方案数变少。此外还可以看出,NPC在约6 000 万元以下时,柴油价格越高,减少单位CO2排放所付出的经济成本越少;当NPC在约6 000 万元以上时,不同柴油价格下优化得出的配置的接近相同,也就是说NPC在约6 000 万元以上的配置对柴油价格上涨的鲁棒性较强。
4 结论
本文针对风光出力和负荷的不确定性,建立了基于SMCS-NSGAⅡ的独立型微网多目标优化配置模型,采用设置概率约束的方法处理相关不确定性下的供电可靠性约束问题。最后,针对某算例进行仿真计算,分析讨论了不同供电可靠性置信水平和柴油价格对优化配置结果的影响,结果表明:
(1) 不同供电可靠性置信水平和柴油价格下,总净现费用和年CO2排放量两个优化目标均呈现相互排斥的态势;
微网控制综述 篇3
1 微网的基本概念
分布式电源位置灵活、分散、能与大电网互为备用,在一定程度上分担了输电线路上功率能量的流动,可以补充原有电网的能量流动限制。虽然分布式电源优点突出,但是分布式电源与电网也是相互作用,不同于普通的同步发电机,大电网往往限制和隔离分布式电源[4]。为了协调大电网与分布式电源,提出了微电网的概念[5]。
微网由用电设备和分布式电源共同组成,它同时可以提供电能和热量,使用电力变换器进行能量转化,提供必要的控制;对于电网而言是一个受控源,对于用户则是可定制电源。微网的基本结构如图所示,微网中包含多个分布式电源和储能系统,联合向负荷供电,整个系统对外是一个整体,通过隔离设备和大电网连接,微网的分布式电源可以是多种能源形式,如光伏发电,风力发电,微型燃气轮器和燃料电池等,还可以以热电联产或冷电联产形式存在,就地向用户提供热能,提高分布式电源的利用率[6]。
图中的虚线代表的是系统的控制线路,通过控制静态断路器和分布式电源发电,来保证微网系统稳定可靠运行。
微网灵活的运行方式和高质量的供电服务,离不开完善的稳定与控制系统。但微网中的微源个数太多,很难要求一个中心控制点对整个系统做出快速反应并进行相应控制,所以微网的控制应该能够给予本地信息对电网中的时间作出自主反应,如对于电压跌落、故障、停电等,发电机能够利用本地信息自动转到独立运行方式,而不是像传统方式一样要电网调度统一协调[7,8,9]。
2 微网控制策略
微网的控制应当保证:(1)任一微电源的接入不对系统造成影响;(2)自主选择运行点;(3)平滑地与电网并列、分离;(4)对有功无功进行单独控制;5、具有校正电压跌落和系统不平衡的能力。目前,微网常用的控制策略主要分为三种:主从控制法、对等控制法和分层控制法。
2.1 主从控制法
主从型控制法是将各个DG采取不同的控制方法,并赋予不同的职能。其中一个(或几个)作为主电源,来检测电网中的各种电气量,根据电网的运行情况来采取相应的调节手段,通过通信线路来控制其他“从属”电源的输出来达到整个微电网的功率平衡,使电压频率稳定在额定值。
主从控制策略主要用于孤岛运行时的微网。当并网运行时,微电网内的各个DG只需控制功率流的输出以保证微网内部功率的平衡。由于微网的总体容量相对于配网来说较小,因此电压水平和额定频率都由配网来支持和调节。而当微电网孤岛运行时,微网与配网连接断开,此时微网内部要保持电压和频率的额定值,就需要某个或者某几个电源担当配电网的角色来提供额定电压和频率。这个单元被称为主电源,或者参考电源。参考电源采用VF控制方法,输出额定电压和频率值,而其他的处于从属地位的DG根据需要采取PQ或者PV控制法,控制输出的功率和电压来维持微电网内部的功率平衡。
主从控制法的一般过程:
(l)当检测单元检测到孤岛、或者电网主动从配电网断开进入孤岛运行模式时,微电网控制切换到主从模式,通过调整各个DG的出力来达到功率平衡。
(2)当微电网负载变化时,首先由主电源自动根据负荷变化调节输出电流,增大或者减小输出功率;同时检测并计算功率的变化量,根据现有的发电单元的可用容量来调节某些从属电源的设定值,增大或减小它们的输出功率;当其他电源输出功率增大时,主电源的输出相应地自动减小,从而保证主电源始终有足够的容量来调节瞬时功率变化。
(3)当电网中无可调用的有功或无功容量时,只能依靠主单元来调节。当负荷增加时,根据负荷的电压依赖特性,可以考虑适当减小电压值;如果仍然不能实现功率平衡,可以采取切负荷的措施来维持微电网运行。
主从控制策略也存在一些缺点。首先,主电源采用V/f控制法,其输出的电压是恒定的,要增加输出功率,只能增大输出电流;而负荷的瞬时波动通常首先是由主电源来进行平衡的,因而要求主电源有一定的容量。其次,由于整个系统是通过主电源来协调控制其他电源,一旦主电源出现故障,整个微电网也就不能继续运行。另外,主从法依赖于通信,因此通信的可靠性对系统的可靠性有很大的影响,而且通信设备会使系统的成本和复杂性增大。
2.2 对等控制法
所谓对等控制顾名思义,各DG之间是“平等”的,不存在从属关系[10]。所有的DG以预先设定的控制模式参与有功和无功的调节,从而维持系统电压频率的稳定。对等控制策略基于droop法,分别将频率和有功功率、电压和无功功率关联起来,通过一定的控制算法,模拟传统电网中的有功、频率特性曲线和无功、电压曲线,实现电压、频率的自动调节而无须借助于通信。
有功和频率的关系曲线如图2所示,其中a和b分别指代两个DG。正常运行时,a和b均运行于额定频率w0,输出功率分别为Pa0和Pb0。当负载功率增加时,a和b的输出功率分别增加到Pa1和Pb1,同时系统频率从w0降到w1,系统在新的频率值下继续运行。同样地,当负载功率减小时,a和b的输出功率会以同样比例减小,同时系统频率也会升高到额定频率,甚至高于额定频率,整个过程是可逆的,从而当负载变化时,DG输出功率随着变化,使得频率在额定频率w0上下波动。
根据图中曲线可以写出功率-频率变化的动态方程:
其中,m为曲线斜率,ωmin是频率允许下降的最低值。
类似的,电压和无功的关系曲线如图3所示。
根据曲线可以写出如下方程:
其中,Ereq为额定参考电压值,Qmax是电源的无功输出容量,mQ为曲线斜率,恒为负。只有当注入无功为0时E0等于Ereq。
从上面的公式可以看出,采用对等型控制策略说,DG只需测量输出端的电气量,从而独立地参与到电压和频率的调节过程中,不用知道其他电源的运行情况,整个过程无须通信。而且,当某一个DG因故障退出运行时,其余的电源仍然能够不受影响地继续运行,系统的可靠性高。当需要增加新的发电单元时只需要对新的电源设置同样的控制策略,直接接入系统而不用对系统中的其他地方进行改动,实现“即插即用”,方便了系统扩容。
对等控制法的缺点:
1)由于负载瞬时变化,输出电压和频率同额定值之间总是存在一个小的误差,稳态误差不能达到0;
2)不能正确地调节非线性负载及线路造成的谐波分布;
3)低压配电网不同于输电网,输电网中,X>>R,频率主要受有功功率影响,电压主要受无功功率影响;而配电网中R>>X,线路阻抗的影响不可忽视,其对无功功率的影响也很显著,特性曲线下降法不能很好地解决;
4)三相系统中由于拓扑结构变化(如主动孤岛运行)引起的控制模式变化,对等法不是个很好的选择,尤其是当同时有线性和非线性负载时。
2.3 分层控制法
分层控制模式一般都设有中央控制器,用于向微网中的DG发出控制信息[11]。
日本微网展示项目包括Archi微网、Kyoto微网、Hachinohe微网等,提供了一种微网的2层控制结构,如图4所示。中心控制器首先对DG发电功率和负荷需求量进行预测,然后制定相应运行计划,并根据采集的电压、电流、功率等状态信息,对运行计划进行实时调整,控制各DG、负荷和储能装置的启停,保证微网电压和频率的稳定,并为系统提供相关保护功能。
在上述分层控制方案中,各DG和上层控制器间需有通信线路,一旦通信失败,微网将无法正常工作。文献提供了一种中心控制器和底层DG采用弱通信联系的分层控制方案,如图5所示在这一控制方案中,微网的暂态供需平衡依靠底层DG控制器来实现,上层中心控制器根据DG输出功率和微网内的负荷需求变化调节底层D G的稳态设置点并进行负荷管理,即使短时通信失败,微网仍能正常运行。
分层控制微网目前多集中于协调市场交易、对能量进行管理等方面,可提供较高的供电质量,是目前技术最成熟、同时也是应用最广的一种微网形式,对供电质量要求较高的地区可优先选用。
3 结论
随着智能电网的推广,越来越多的新能源并入电网,极大拓展了电力能源的来源。同时也提高了整个电网控制的复杂性,因此对于整个电网的控制也变得极为复杂。而智能微网的出现,可以较好地解决这个问题。本文综合分析了几种微电网的控制方案,对比了各个优缺点。虽然目前微网的实用化还存在着各种各样的困难,但微网在降低能耗以及补充电网不足方面的优点会促进专家学者的研究,微网的巨大潜力会凸现出来。
摘要：随着新能源的发展,智能微网也成了研究热点。本文首先介绍了微网概念提出的背景,及其基本结构和应用。而后对于微网常见的控制策略进行了分析总结。
关键词：微网,控制策略,分布式发电,主从控制,对等控制,分层控制
参考文献
[1]丁明,王敏.分布式发电技术[J].电力自动化设备.2004,24(7):31~36
[2]王建,李兴源,邱小燕.含有分布式发电装置的电力系统研究综述[J].电力系统自动化.2005,29(24):90~97
[3]胡学浩.分布式发电电源技术及并网问题[J].电工技术杂志社.2004,(10):1~5
[4]IEEE std1547-2003,IEEE standard for interconnecting distributed resources with electric power systems[S]
[5]LASSETER R H,PAIGI P.Microgrid:a conceptual solution[C]35th Annual IEEE-PESC.Aachen,Germany,2004:4285~4290
[6]鲁宗相,王彩霞,闵勇,等.微电网研究综述[J].电力自动化设备.2 0 0 7,3 1(19):100~107
[7]Katiraei F Iravani M R,Lehn P W.Microgrid Autonomous Operation During an d Subsequent to Islanding Process[J].IEEE Trans on Power Delivery,2004,20(1):248~257
[8]Hatziargyriou N D,Dimeas A,Tsikalakis AGet a1.Management of Microgrids in Market Environment[A].In:International Conference on Future Power Systems[C].2005