容量优化配置（精选8篇）
容量优化配置 篇1
摘要：为了降低独立风力发电系统中储能装置的生命周期费用,建立以风力发电系统中储能装置的生命周期费用最小值为优化的目标函数、负荷缺电率等指标为约束条件的模型,结合蓄电池和超级电容器储能特性,利用风电和负荷48 h的发用电数据,研究包含蓄电池和超级电容器的储能系统能量管理策略。提出了一种基于改进粒子群算法的储能容量生命周期费用优化配置方法,算例分析证明该算法具有有效性和实用性,优化后的系统很大程度上节省了经济成本。
关键词：风力发电系统,混合储能,储能容量优化配置,遗传算法
1 引言
风能是一种清洁能源,但由于自然条件的变化,风速和风向不断的、随机的变化,导致风力发电输出功率具有不稳定性和不可预测性,直接影响微电网的调度运行,而通过风力发电系统和储能设备的协调配合,可以提高风力发电技术的可调度性和可控性。
近年来,混合储能的容量配置及控制策略得到广泛的关注。混合储能将容量小、寿命长、功率比较高储能环节与容量比较大、循环次数受限、相对能量比高、功率比低的储能环节结合使用,如将超级电容器与蓄电池混合。但是对混合储能的研究仍然处于初级阶段,而且研究主要集中在控制策略上,对容量配置的研究较少。目前对容量配置的研究大多按照经验配置混合储能的容量,未用定量的分析[1,2]。本文中风力发电系统的储能装置是蓄电池和超级电容器混合组成的,混合储能系统的容量配置是一个非线性规划问题,利用遗传算法进行求解,配置混合储能装置的全生命周期最小费用[3,4,5,6,7,8]。
2 模型分析
基于蓄电池和超级电容器混合储能独立风力发电系统的结构如图1所示。当风速比较大时,储能装置处于充电状态,将电能存储起来;当风速比较弱或者峰值负荷时储能装置为负荷供电,以保证系统平稳连续的供电,提高供电可靠性。
2.1 蓄电池的模型
每个蓄电池的额定电压为Ub(V),额定容量为Cb(A·h),假设蓄电池组由m个蓄电池组成,则总的储能量Eb(MW·h)为
当蓄电池放电时,假设最大放电深度为DOD时,则蓄电池组的最小的剩余储能量Eb min(MW·h)为
蓄电池通常以C10的时间率放电,则蓄电池组输出功率的额定值为
2.2 超级电容器的模型
每个超级电容器的端电压为Uc,电容值为Cc,假设超级电容器组由n个超级电容器组成,则总的储能量为
在实际情况中,超级电容器的工作电压有一个范围,记为Uc min~Uc max,则该超级电容器组的最大储能量为
最小值为
假设超级电容器工作电流的最大值为Ic max,则超级电容器组输出功率的最大值可表示为
2.3混合储能系统的充放电状态
系统中风电的输出功率Pw和负荷功率P1都有很大的波动性,导致随着时间的变化储能部分的储能量也在不断变化。
记不平衡功率为
式中:ηc为风电系统中逆变器的功率转换率。
当DP > 0时储能装置处于充电状态,储能装置的储能量可以表示为
当DP < 0时储能装置处于放电状态,储能装置的储能量可以表示为
式中:Eb(kt),Ec(kt)为在kt时刻蓄电池组和超级电容器组的储能量;Eb[(k - 1)t],Ec[(k - 1)t]为(k - 1)t时刻蓄电池组和超级电容器组的储能量;Pb(kt),Pc(kt)为kt时刻蓄电池组和超级电容器组的充电和放电功率;ηbc,ηcc为蓄电池组和超级电容器组充电效率;ηbd,ηcd为蓄电池组和超级电容器组放电效率。
3 基于遗传算法储能容量的优化配置
基于蓄电池和超级电容器互补性,将二者混合使用。其中蓄电池承担不平衡功率ΔP中的基本部分,超级电容器承担不平衡功率ΔP中的波动部分,以减少蓄电池的充放电次数,延长了蓄电池的寿命,改善了储能装置的性能,提高供电可靠性。
3.1 LPSP计算流程
风力发电系统的运行指标是负荷缺电率LPSP(loss of power supply probability),负荷缺电率LPSP是负荷缺电量Elps与负荷总需求量El的比值。即
当风电功率满足负荷需求(ΔP>0)时,负荷缺电量Elps=0,储能装置充电,当风电功率不足(ΔP<0)时,储能装置放电补充电源功率的缺额,即
3.2 生命周期费用
IEC 60300—3—3(国际电工委员会制定的生命周期费用的计算标准)中的条例[9]规定设备的生命周期费用(life cycle cost,LCC)是指设备从规划、设计、制造、安装、使用、维修和废弃的整个过程中产生的总费用[10]。包括购买费用,拥有费用和处理费用即
式中:LCC为生命周期费用;Civ为设备的购买费用;Cow为设备的拥有费用;Cdc为设备的处理费用(残值费用和报废费用)。
设备的生命周期费用中,购买费用随时间增长所占的比例下降,拥有费用随时间的增长而上升,在很多情况下,购买设备的费用低于生命周期的拥有费用,因此应该考虑设备的整个生命周期的费用,而不只是考虑初始价格,这样更符合实际情况,更具有现实意义。
储能系统优化的目标模型为购买费用、运行费用、维护费用和处理费用4大费用之和,即
式中:Civ为购买费用;Coc为运行费用(包括实验、安装、损耗、人工费用等);Cmc为维护费用(包括故障前后的维护费用);Cdc为处理费用(包括报废费用和残值费用)。
3.3 优化约束条件
考虑独立风电系统的运行特性及储能系统的管理策略,建立约束条件如下:
式中:m为储能系统中蓄电池的个数;n为储能系统中超级电容器的个数;α为不平衡功率中基本部分所占的比例;β为额定负荷中重要负荷所占的比例。
3.4 遗传算法
遗传算法是一种借鉴生物界的进化规律而演化来的高度并行、随机搜索和自适应寻优方法[11]。具有鲁棒性能好、方便用于解决离散且复杂的非线性问题等优点。正因为这些优点,使得遗传算法得到了非常广泛的应用。
遗传算法的流程如图2所示,步骤如下:
1)随机产生N个初始个体,构成初始种群;
2)计算每个个体的适用度函数值;
3)基于适用度函数值,选择、交叉和变异产生新一代群体;
4)判断种群是否停止条件,如果不满足返回第2)步,如果满足,执行下一步;
5)从当代群体中选择出最优个体作为优化问题的最优解。
4 算例分析
假设某一风电示范工程规模为60 MW的风电场,当地负荷为40 MW,逆变器效率为0.95,α为0.7,β为0.65,LPSPmax为0.05。现在要为其配置储能容量。具体参数见表1。
图3所示为某地风电输出功率和负荷功率在48 h内的变化曲线,结合表1所列蓄电池和超级电容器的参数及各项约束指标,优化目标在48 h里储能装置的总费用,运用遗传算法在Matlab环境下编程求解,得到了最优点近似值。优化后所得的详细值见表2。
由表2可见,在相同的供电要求下,当单独使用蓄电池作为储能装置时,所用的最小费用为28 316元,当蓄电池-超级电容器混合储能用作储能装置时,所用的费用为25 454元,即在48 h内储能费用减少了2 862元,降低了混合储能的成本,提高了整个系统的经济效益。
图4所示为48 h内两种储能装置的输出功率变化曲线,其中Pb曲线是蓄电池的输出功率变化曲线,Pc曲线是超级电容器的输出功率变化曲线,比较两条曲线看出蓄电池的输出功率比较少,这是由于系统中的不平衡功率主要由超级电容器承担,优化了蓄电池的工作状态,并使其使用寿命延长,从而降低了风电系统中储能装置的生命周期费用。
综上可知,蓄电池-超级电容器混合储能用作储能装置时,不仅降低了储能系统的生命周期费用,而且延长了蓄电池的使用寿命。
5 结论
基于遗传算法的风力发电系统储能容量优化配置研究充分考虑蓄电池和超级电容器的互补运行特性,优化了蓄电池的工作状态,提高了系统的整体的经济性。同时,以全生命周期费用理论为基础的储能优化目标,比只考虑购置成本的优化目标更具有实际意义。
容量优化配置 篇2
班级：物流*** 姓名：***** 学号：*********
物流设施设备优化配置方案
摘要
装卸搬运设备能力的配置直接关系到仓库、配送中心等场所的作业效率和经济效益。以往这类问题的研究多是从技术的角度，或是从技术经济的角度对设备的配置加以分析。本文考虑使用数学规划方法，以间歇性装卸搬运设备为例，考虑不同装卸搬运设备之间的配套问题，结合仓库、配送中心的作业流程等方面来探讨装卸搬运设备的配置数量的优化问题。关键字 小蜜蜂 物流 设施 设备
物流设施设备优化配置方案
目录
1公司简介.....................................................................................................................3 2公司现状.....................................................................................................................3 3改进措施.....................................................................................................................4 4装卸搬运设备配置的原则.........................................................................................7 4.1适用性与先进性相结合......................................................................................7 4.2经济性原则..........................................................................................................7 4.3系统化原则..........................................................................................................8 5 优化装卸搬运设备配置的步骤..............................................................................8 5.1作业流程分析......................................................................................................8 5.2设备类型分析......................................................................................................8 5.3设备品牌选择......................................................................................................8 6 建立优化模型..........................................................................................................9 6.1模型假定..............................................................................................................9 7 实例........................................................................................................................12 8 结语........................................................................................................................14
物流设施设备优化配置方案
1公司简介
广州市小蜜蜂物流有限公司成立于2005年12月，其前身是广州铁路局联营业务单位。公司业务遍及全国各大城市，是一家集货运咨询，货物运输和配送（公路运输、铁路整车和集装箱的发送和接收）、仓储管理、装卸服务、货物包装及仓储、办公场地租赁等多方面业务的流有限公司成立于2005年12月，其前身是广州铁路局联营业务单位。公司业务遍及全国各大城市，是一家集货运咨询，货物运输和配送（公路运输、铁路整车和集装箱的发送和接收）、仓储管理、装卸服务、货物包装及仓储、办公场地租赁等多方面业务的物流公司。
2公司现状
小蜜蜂物流的商业模式就是基于配送的仓储服务。制造商或大批发商通过干线运输等方式大批量的把货品存放在小蜜蜂物流的仓库里，然后根据终端店面的销售需求，用小车小批量配送到零售店或消费地。目前，小蜜蜂物流公司为各客户单位每天储存的商品量达2.5万元。最近，这家公司还扩大了6万平方米的仓储容量，使每天储存的商品量达10万元左右。按每月流转3次计，这家公司的每月物流量达30万元左右，其总经理运用先进的管理经营理念，使得小蜜蜂物流成为浙江现代物流业乃至长三角地区的一匹“黑马”。小蜜蜂物流为客户提供仓储、配送、装卸、加工、代收款、信息咨询等物流服务，利润来源包括仓租费、物流配送费、流通加工服务费等，业务流程如下：小蜜蜂物流的仓库全都是平面仓。部分采用托盘和叉车进行库内搬运。少量采用手工搬运。月台设计很有特色，适合于大型货柜车、平板车、小型箱式配送车的快速装卸作业。与业务发展蒸蒸日上不同的是，小蜜蜂物流的信息化一直处于比较原始的阶段，只有简单的单机订单管理系统，以手工处理单据为主。以小蜜蜂物流目前的仓库发展趋势和管理能力，以及为客户提供更多的增值服务的要求，其物流信息化瓶颈严重制约了小蜜蜂物流的业务发展。直到最近开始开发符合其自身业务特点的物流信息化管理系统。小蜜蜂物流在业务和客户源上已经形成了良性循环。如何迅速扩充仓储面积，提高配送订单的处理能力，进一步提高区域影响力已经成了小蜜蜂物流公司决策层的考虑重点。
物流设施设备优化配置方案
小蜜蜂物流已经开始密切关注客户的需求，并为客户规划出多种增值服务，期盼从典型的仓储型配送中心开始向第三方物流企业发展。从简单的操作模式迈向科学管理的新台阶，小蜜蜂物流的管理层开始意识到仅仅依靠决策层的先进思路是完全不够的，此时导入全面质量管理的管理理念和实施ISO9000质量管理体系，保证所有层次的管理人员和基层人员能够严格的按照全面质量管理的要求，并且在信息系统的帮助下，使得小蜜蜂物流的管理体系能够上到一个科学管理的高度。
3改进措施
最优的内部库位布置形式及堆垛方式是在物流中很好解决的初级问题，根据小蜜蜂物流的特点应是产品与厂家的划区来分布，因为是大型的产品些，所有堆垛方式很明显应用大的架子与机械设备依据相关物流计划模型和物流发展战略模型，分十二个方面进行分析如下：
1、服务的市场华东地区快速流通民用消费品市场
2、服务的主要产品以民用消费品为主，具体为：家用电器（冰箱、洗衣机、冰柜、电视机等）、酒类（白酒等）、方便食品（方便面、矿泉水等）和其它快速消费品（纸张类）等。
3、主要合作伙伴
公司在广州拥有大型物流基地四个，共计仓储经营面积约10万平方米。从事专业的仓储、装卸、配送、中转运送、零件代行货运等服务，可提供物流咨询、物流方案策划服务。秉承着良好的服务与开拓的精神，目前，公司已拥有一批固定、长期的知名企业合作伙伴。如：
物流设施设备优化配置方案
明和产业 中粮集团 上海朗特 新日石石油 富田-日捆物流 五羊-本田摩托 统一企业
顶新集团（康师傅）伊藤忠商社 三菱公司 海尔集团 杜邦化工 宜家家居
尧丰纸业集团 南粮集团
丹阳同乐面粉 潜江同光面粉 长乐东方面粉 上海索尼电子 大连东芝电子 开平嘉士利集团
4、主要作业流程可以分成二块，具体为：
（1）仓储区作业流程生产工厂整车货物→经过干线运输送达仓库→仓库区收货、编组、验货、分类、搬运入储货区库位→对分拣区进行取货补货。
（2）配送区作业流程分拣、组货、检查与验货、包装、发货→配载与装车→送货→交付货物与单证签收。
5、货流量分析货流量可以按不同方式进行分类，一是商品价值，二是商品吞吐量（吨位数），三是实物流量，以单位时间内的箱数、托盘数、整车数、集装箱数计量；不同的分类，存在不同的作用，从物流作业安排的角度，按实物流量计划最有利。具体分析如下：
（1）按商品价值分析每天储存的商品量达2.5万元，最近扩大仓储容量后，每天储存的商品量达10万元，按每月流转3次计，每月物流量达30万元；：如果仓储运输费用按商品价值的10%计算，则该企业的月营业收入应该为30*10%=3000万元，年营业收入为3000*12=3.6万元）。（2）按商品实物流量分析（很可惜，未具体提供）
6、库位安排与堆垛方式
（1）库位安排方法：一般有二种方式，随机库位安排和固定库位安排；由于小蜜蜂货流量大、客户及货物品项多，可以采用二种方式的结合方法；即：对各供应商库存区采用固定库区，即对每一家主要供应商采用固定储货区域，而同一供
物流设施设备优化配置方案
应商产品库位采用随机库位法储存，这样，有利于提高仓储空间利用率，又有利于出库时及时、准确地寻找到目标商品。
（2）堆垛方式：由于商品流量大，要求仓储的空间利用要尽可能高，因此，建议货物托盘化堆垛后，采用货架式储存；对单个品项储货量大的，可以采用驶入式托盘货架(Drive-in Pallet Racking)，其空间利于率特别高；对品项多、储量小、托盘货物高度差异大的货物，可采用可调式托盘货架(Selective Pallet Racking)，以提高仓储空间利用率；对一些重量较轻、体积不大的货物，可采用移动式托盘货架(Mobile Racking)等等选择。
（3）搬运设备与分拣设备：由于采用以货架储货为主要方式，因此，要匹配相应的搬运设备；库内存货设备与取货设备以电动前移式托盘叉车为主，并根据货架高度，也可匹配一定量的臂式堆高机，对重量大的货物，可采用平衡式燃油叉车；库内水平移动采用座驾式电动叉车（距离长）、自走式电动叉车（距离短）为主，并配一定量的手动托盘叉车；分拣设备以多层分拣车为主，并配少量的（根据货架高度）高位分拣机。
7、当前主要问题与当前重点工作
（1）当前主要问题：信息化严重制约物流业务的发展，具体表理是只有简单的单机订单管理系统，以手工处理单据为主；也就是说，订单处理速度远远不能满足业务发展的需要。
（2）当前重点工作：重点工作有四项，一是迅速扩充仓储面积，二是（增加人员）、提高配送订单的处理能力，三是（通过增加物流服务的市场份额）、提高区域影响力，四是开发符合其自身业务特点的物流信息化管理系统。
11、企业发展战略从典型的仓储型配送中心向（供应链型）第三方物流企业发展，并提供多种增值服务。
8、质量管理与全员教育培训按全面质量管理的管理理念，实施ISO9000质量管理体系，对所有层次的管理人员和基层人员，严格的按照全面质量管理的要求进行在岗培训与教育。
9、相关建议根据本案例提供的资料，针对该企业的现状和发展战略，提供以下建议，希望对该企业和相关人员有所帮助，具体建议如下：
物流设施设备优化配置方案
4装卸搬运设备配置的原则
仓库的装卸搬运设备是仓储设施的重要组成部分，其配置直接影响到仓库的自动化水平、运作流程和效率。为保证装卸搬运设备系统的高效、经济，在进行设备配置时应考虑如下原则：
4.1适用性与先进性相结合
装卸搬运作业的类型、作业环境、作业量、搬运距离、货物本身的物理化学性质等决定了装卸搬运设备的类型、额定作业能力和数量。装卸搬运设备的配置，必须以能够适应作业的需求为基本原则。仓库的作业量大、作业频繁时，需要充分掌握作业发生的规律，考虑配备作业能力较高的大型专用机械设备；作业量小、作业不频繁时，只要根据作业量的平均水平，配备构造简单、造价低廉而又能保持相当作业能力的中小型通用机械设备即可。
此外，装卸搬运设备都有一定的经济寿命，因此在配置设备时，还要充分考虑仓库或配送中心未来的发展和技术的进步，使设备能够在其经济寿命周期内保持适当的技术先进性和作业能力空间。
设备配置就是要在设备的适用性和先进性之间寻找一个适当的均衡点，使设备既能满足需求，又不因为配置过高导致投资过大及作业能力的浪费。
4.2经济性原则
经济性是衡量装卸搬运系统的重要指标。装卸搬运是一个不直接产生经济效益的物流作业环节，装卸搬运设备的购置成本和使用及维修保养成本就直接反映了该环节的经济效益。设备配置的目标就是在满足作业需求和合理的技术先进性的前提下，实现设备在整个购置、安装、运行、维修、改造、更新，直至报废的全过程内的总成本最小，即设备的LCC（Life Cycle Cost，全寿命周期成本）最小。
物流设施设备优化配置方案
4.3系统化原则
装卸搬运设备的配套，是保证前后作业相互衔接、相互协调，保证装卸搬运工作连续稳定进行的重要条件。因此，在进行设备配置时，还要对整个装卸搬运系统进行流程分析，充分考虑各个作业工序之间的衔接，以使配置的设备相互适应，减少作业等待时间，提高作业效率。在新建仓库和配送中心时，应将搬运设备的配置与仓库的布局、设施的规划设计同时考虑，使装卸搬运设备与场地条件、周边辅助设备相匹配，这样才能够实现仓储作业的整体最优。优化装卸搬运设备配置的步骤
5.1作业流程分析
仓库或配送中心的作业流程分析，是明确作业类型、作业环节之间的衔接关系，进而确定装卸搬运设备类型，明确各装卸搬运设备之间的配比关系的必要环节。在这一步骤中，需要明确仓库的布局、货物的出入库流程和库内作业流程，确定各环节中所需设备的基本类型，如是否需要吊车作业、需要何种类型的叉车、是否需要连续输送设备等。
5.2设备类型分析
在作业流程分析的基础上需要进一步明确各种装卸搬运设备的类型。如需要吊车作业，要明确使用的吊车类型，如塔吊、龙门吊、汽车吊等。各种叉车的类型也需要明确，针对其动力装置，即叉车的结构和用途明确所需叉车的类型如手动叉车、电动叉车、内燃叉车的选择。
5.3设备品牌选择
设备品牌选择是设备配置优化中的重要环节，通过对各种装卸搬运设备品牌的初步选择，可以大大减少最优配置的搜索范围，提高优化模型的效率。在设备的品牌选择中，需要对供应商的资质、设备的各种技术参数、作业性能等进行综
物流设施设备优化配置方案
合评价，并可以结合现场操作人员的口碑，对设备品牌和供应商初步进行筛选，确定备选的设备品牌与供应商的范围。
完成以上工作之后，就可以进入设备配置优化的下一步工作，建立优化配置模型。建立优化模型
6.1模型假定
(1)作业流程假定。作业流程不同，对设备的需求也会不同。这里假定仓库的入库作业流程包括两个主要环节，一是使用龙门起重机从卡车、火车等运输工具上将货物卸下，二是使用叉车将货物运到指定的储存场所。其中一部分货物从卡车、火车上卸下后可以直接存放在站台附近的露天货场，另一部分货物需要再使用叉车到其他储存场所存储。入库作业流程如图1所示。出库作业流程则与之相反。
(2)设备性能假定。考虑不同型号的叉车、汽车吊之间的替代作用，这里假定在具体作业中可以用较大吨位的设备替代较小吨位的设备，但设备的利用率将 9
物流设施设备优化配置方案
降低。为保证实际作业的便利性和不过度损失设备的作业能力，本文只允许相邻吨位的设备才可以替代。
6.2建立模型因在作业流程分析
（l）起重机数量配置模型。设根据设备类型分析所确定的适合现场作业的起重机有n种类型（按额定起重量分类），将需要采用起重机卸下的货物也进行相应分类，见表1。其中，起重机类型按吨位数由大到小排列；货物所占比例除考虑重量外，也可结合货物的尺寸、性质进行分类，是需要使用起重机装卸的货物占全部货物的比例；B是日平均吞吐量的预测值，α和B可综合考虑仓库或配送中心的现状与计划期的发展进行估算。则起重机数量配置模型如下：
其中，i-备选的起重机的品牌,i=1,2,...,m；
物流设施设备优化配置方案
j-适合的起重机的类型或吨位,j=1,2,...,n；
cij-i品牌i型号起重机的全寿命周期成本按经济寿命折算后的值，由于不同型号的设备的经济寿命会有所差别，按折算之后的数值会更有可比性。
xij-配备的i品牌i型号起重机的台数，必须为整数；
pij-i品牌j型号起重机的小时作业能力，可根据相应公式计算得到；
tij-i品牌i型号起重机的日作业时间。
式(1)表示使起重机的全寿命周期成本最小；式(2)表示最大吨位的起重机的作业能力要满足相应货物的作业需求；式(3)表示相邻的大吨位的起重机可以和小吨位的起重机一起完成相应吨位货物的作业；式（4）则表示在单班作业下起重机的日工作时间不超过8小时。
（2）叉车数量配置模型。叉车数量配置模型原理同起重机数量配置模型。设根据设备类型分析所确定的适合现场作业的叉车有。种类型，将需要使用叉车装卸搬运的货物进行分类。
其中，叉车类型按吨位数由大到小排列；货物所占比例为货物占所有需用叉车作业的货物总量的比例，其总量为B1=B(1-α）+Bα（1-β）=B（1-αβ），α、β的含义同起重机配置模型。则叉车数量配置模型如下：
物流设施设备优化配置方案
其中，i-备选的起重机的品牌，i=1,2，„，m；i-适合的起重机的类型或吨位，j=1,2,...n；cij-i品牌j型号起重机的全寿命周期成本按经济寿命折算后的值，由于不同型号的设备的经济寿命会有所差别，按折算之后的数值会更有可比性。
xij-配备的i品牌l型号起重机的台数，必须为整数；pij-i品牌j型号起重机的小时作业能力，可根据相应公式计算得到；
tij-i品牌j型号起重机的日作业时间。
7实例
某储备仓库的设施与作业情况如表
3、表4所示。为简便起见，这里假定备选的起重机和叉车只有一种品牌，经济寿命周期相同，利用上述模型进行计算后得到该仓库装卸搬运设备的配置方案为配置32吨及20吨龙门起重机各1台，配置10吨叉车1台、6吨叉车1台，5吨叉车2台、3吨叉车2台。经分析发现，此配置方案虽然满足了该仓库日常作业的需求，但也发现设备有很大一部分的作业能力闲置了，究其原因是该仓库的业务量过小，储备的货物又必须有相应吨位的起重机或叉车作业，因此该仓库需要做的进一步工作是加强业务拓展，提高仓库作业量。
物流设施设备优化配置方案
物流设施设备优化配置方案
8结语
容量优化配置 篇3
在化石资源短缺与环境污染的双重约束下,采取合理的措施降低电力系统综合能耗已成为重要的全球性课题。在这一背景下,国家相继出台了一系列鼓励以风电为代表的清洁能源的发展政策。相关学者考虑局部地区效益均衡,建立了风电社会效益数学模型,保守估算了风电的社会效益[1,2,3]。但在风电、光伏等清洁能源迅猛发展的同时,其出力间歇性、反调峰特 性等将影响到系统潮流指标,制约其在节能减排中作用的发 挥,这就降低了风力发电的社会效益[4]。
为解决风电发展的瓶颈问题,发挥其在节能减排中的积极作用,储能技术因其良好的电功率“吞”、“吐”特性,成为解决风电出力间歇性、反调峰特性等瓶颈问题最为直观的一种方 案,相应技术手段已取得一定成果:利用储能系统提供快速无功支撑和平滑风电出力,从根本上改善系统功率平衡度。研究储能系统能间接提高风电短期功率预报精度,优化系统潮流,改善风电并网带来的电压偏差、电压闪变等电能质量问题,增强系统稳定性,减少风电并网对系统热备用容量的需求,优化风电经济性。
但在一系列研究成果中,并未出现储能系统量化提高风电节能减排社会效益层面的相关研究。因此,本文将在已有研究的基础上,提出储能系统提高风电社会效益的量化评价指 标,建立风/储联合运行社会效益评价模型,通过优化计算得到风/储系统容量配置。
1降低风电场社会效益的因素
风电出力的波动性以及电力系统要求功率实时 平衡的特点,决定了风电难以独立向用户供电,只能依托大电网实现 风电最大限度的利用。而现存电网的规模及坚韧度无法满足 间歇性风电的消纳,是制约风电规模发展的根本因素,降低了风电在节能减排中所发挥的积极作用。具体可总结如下:(1)大规模风电并网后的风电功率波动常常与负荷波动趋势相反,即在负荷高峰时段无 风可发,而在负荷 低谷时段 来大风需 要满发,这就加大了电网等效峰谷差,恶化了系统负荷特性,对系统旋转备用容量提出了很高的要求。(2)风力发电的不可预测性决定了需增加系统备用电源,这类电厂需随时保持运转但并不发电,在产生碳排放的同时,也造成了资源浪费。(3)造成系统频率突变和联络线功率偏差较大,使系统频率特性恶化,对系统的快速调频提出了很高的要求。(4)风电场作为电源接入电网,将改变系统原有潮流,可能恶化潮流指标,增大系统网损。
风电并网引起的潮流问题及对系统调峰调频的需求都将不同程度地增大系统能耗与碳排放,降低风力发电在节能减排中的积极作用。而在节能减排相关措施中,储能技术因其实现同样的减排效果成本最低,成为目前最经济有效的技术手段之一。
2储能系统提高风电场社会效益的量化评价
与发电系统不同,储能系统发挥的社会效益所带来的经济效益很难以一种标准来量化评价,应根据其发挥的作用来进行综合评价。其与风力发电相结合,发挥的风电节能减排积极作用可用如下指标进行评价:(1)储能系统平滑风电出力,减少相同调频效果下热电系统容量的节能减排量化计算。(2)储能系统改善风电反调峰特性,减少相同调峰效果下热电系统容量的节能减排量化计算。(3)储能系统改善风电并网潮流指标,减少网损的节能减排量化计算。
因此,根据具体风电与区域电网匹配 特性,选择上述 一种或几种指标量化计算,可以对储能系统与风电结合所发挥的社会效益作量化评价。
3风/储系统联合运行社会效益评价模型
3.1风/储系统联合运行目标函数
以系统节能减排效益最大 化为目标 函数,建立风/储系统联合运行优化模型。节能减排效益可由系统总煤耗 量和污染物排放量表征,通过煤炭价格、污染物排放成本折算至同 一度量单位,则目标函数可表示为:
式中,Ctotal为系统减少的能耗与污染物排放总成本;C1.total、C2.total分别为热电系统出力的能耗与污染物排放及系统因网损所带来的能耗成本和污染物排放成本;Ccoal、Ceniv分别为能耗总成本及污染物排放总成本;f(p)、m(p)分别为系统机组p出力时的发电能耗及发电污染物排放量;Vcoal、Veniv分别为单位能耗成本和单位污染物环境成本。
本文中标准煤单价取0.4元/kg,污染物排 放环境成 本取6元/kg。f(p)、m(p)可通过煤 耗率系数、污 染物排放 系数量化,如式(2)所示:
3.2风/储系统联合运行约束条件
3.2.1技术约束
在不考虑经济约束的条件下,考虑系统 功率平衡 约束、出力上下限约束以及节点电压上下限约束,具体如式(3)所示:
式中,PGi、PC、PDi、P损分别为 火电机组/储能系统 出力与负 荷功率、有功网损;Vi为节点电压值。
3.2.2经济约束
经济约束指储能系统的固定费用与运行维护各 项费用应小于等于储能系统提高风电节能减排社会效益所带来的经 济效益量化计算值。满足 经济约束 时,系统的建 设才有实 际意义,如式(4)所示:
式中,ΔCtotal为储能系统提高的风 力发电节 能减排社 会效益量化的经济效益值;m1、m2分别为储能系统的固定成本与可变成本;ΔCc(o0a)l、ΔCe(n0iv)、ΔCc(o1a)l、ΔCe(n1iv)分别为储能系统 加入前后 系统总能耗成本与污染物排放成本。
3.2.3计算流程
本文采用的遗传算法较一般优化算法容易获得 全局最优解,能很好地解决非线性、规模大的优化模型问题,其一般步骤如下:(1)输入系统火电机组年基础调度规划信息;(2)设定种群规模和最大进化代数,以储能系统容量为优化控制变量,产生初始种群;(3)根据不同个体代表的储能系统容量,产生相应的代替火电机组规划方案,依据适应度函数计算每个个体的适应度;(4)判断是否满足优化准则,若满足则输出结果,若不满足则进行下 一步;(5)经个体适 应度比较 排序,选择再生个体;(6)按照自适应交叉率执行交叉运算,产生种群转步骤(3)。
4算例仿真
在仅考虑该地区风力资源条件约束的情况下,系统内最大装机容量为500MW,风电场风速一般服从威布尔分布,但当研究时段较短时,风电场风速可认为服从正态分布。本文选取单位兆瓦风电装机的典型日,根据较短时间内服从正态分布进行随机模拟,其出力曲线如图1所示。
按照风电场输出波动的限值,系统热电因参与风电调峰调频而产生的能耗与污染物排放总成本如图2所示。
系统能耗与污染物排放总成本随着风电场容量 增加而增大,风电场容量达到250 MW时,系统能耗成本上升趋势逐渐减缓,最终进入平台期,这是因为随着风电容量逼近系统 的最大接纳能力,会导致一部分风电脱网。系统因总有功网损而产生的能耗成本如图3所示。
风电在一 定范围内 随着容量 的增长对 系统有功 网损有一定 贡献 ,增长到300 MW时 ,网损增大 ,其能耗成 本随之增加 。
系统接纳风电能力受系统调峰容量的制约,储能系统的接入一方面可替代常规热电机组参与调频调峰,另一方面由于减少了热电系统的出力以及优化系统潮流减少有功网损从而减少了系统能耗,也实现了节能减排效益。现对风电与储能系统的匹配容量进行优化计算。
4.1不考虑经济约束时
由图4分析可得,当储能系统容量定为[30 MW,40 MW]时,系统接纳风电能力幅度增加,原因在于上述区间的储 能系统对常规机组发生了替代效应。相应的总能耗与污染 物排放成本曲线如图5所示。
总成本在储能容量为[30 MW,40 MW]时显著降低,表明因储能系统的作用,常规机组逐渐向最优运行点运行;随之是一定的平台期,表明常规机组保持在最优运行点运行;当储能容量为[70 MW、80 MW]时,一部分机组偏离最优运行点,系统成本又大幅度上升。
4.2考虑经济约束时
在考虑经济约束时,如图6所示,系统接纳 风电能力 曲线没有变化,而匹配容量优化只有在[30MW,40MW]、[70MW,80 MW]时有解;在其他区 间,储能系统 一方面替 代效应不 明显,另一方面风电接纳能力提高也不明显,使得储能系统的 经济效益为负,因此无解。
综上所述,储能系统在考虑经济约束和不考虑经济约束时的优化结果一致,即风电取[270 MW,300 MW]和[310 MW,330 MW]之间的值,而储能系统取值则在[30 MW,40 MW]和[70 MW,80 MW]之间为最佳。
5结语
容量优化配置 篇4
近年来,微电网凭借其投资少、见效快、机动灵活、安全可靠的优点,受到了越来越多的关注。微电网潜力巨大,发展十分迅速,但由于其发展时间较短,且与大电网具有明显的不同,故在许多方面仍然存在一些问题。
随着我国工业生产规模不断扩大,大容量波动性负荷相继出现,对电网的承受能力和稳定性提出了更高的要求。而微电网由于其本身的特点,系统惯性小,阻尼不足,不具备大电网的抗扰动能力,在能量需求变化的瞬间,分布式电源无法满足需要,所以微电网需要依赖储能装置(ESS,EnergyStorage System)来达到能量平衡[1]。储能对于带有冲击性负荷的微电网来说尤为重要。
学术界对于冲击负荷对电网造成的影响的研究早已开始。参考文献[2]分析了大型轧钢厂冲击负荷对电网频率的影响;参考文献[3]分析了超高功率电弧炉冲击负荷造成的电压波动,并通过配置无功补偿装置(SVC)抑制波动;参考文献[4]则通过基于属性的控制方式来平抑功率的波动,减少冲击负荷对电网的影响;参考文献[5]提出了一种计及冲击时间不确定性的分析炼钢厂冲击负荷对电网影响的新方法。此外,和微电网储能容量配置相关的研究也已展开,并取得了一些成果。参考文献[6]提出了基于饱和控制理论的储能装置容量配置方法;参考文献[7]研究了用于电网削峰填谷的储能系统容量配置并进行了经济性评估;参考文献[8]提出了用于短期电网调度的风电场储能容量估算法。
由此可以看出,目前国内对于冲击负荷的研究主要针对大电网而言,而对储能配置的研究则集中在在风光互补系统方面,对冲击负荷场景下储能容量配置的研究还比较少。
本文在分析了冲击负荷特性的基础上,选择超级电容作为储能装置,并以储能容量最小为优化目标,研究冲击负荷场景下微电网储能的容量优化配置方法。
1 冲击负荷对电网的影响和特性分析
冲击负荷是指具有周期性或非周期性,其值在瞬间变化很大的负荷。这类负荷在现代工厂中十分普遍,如电弧炼钢炉、轧钢机等。
冲击性负荷会产生较大的谐波电流和功率波动,引起系统的频率振荡和电压闪变,进而使供电可靠性下降,破坏电网稳定性[9]。由于无功功率急剧变化,引起公共接入点(PCC,Point of CommonCoupling)附近的电压产生急剧波动,从而严重影响变压器、电压互感器等电气设备的正常运行,具体体现在加速绝缘老化,引起机组振荡,导致设备强迫停运率升高,寿命严重缩短[10]。另外,冲击负荷是非线性负荷,当区域内存在多种冲击负荷时,负荷之间的相互作用对电网的影响无法用简单的线性叠加来描述,冲击影响的范围更是难以直观估计[11]。
冲击负荷一般有如下特点:(1)变化幅度大,其峰值可能达到其平均负荷的数倍或数十倍。(2)变化迅速,但出现峰值的时间明显过短。一个生产周期中大部分时间功率都处于平滑稳定状态。(3)冲击具有随机性,但对于某一种特定的负荷类型,冲击特性和负荷特性数据变化规律基本相同。
针对冲击负荷的上述特点,可知削弱冲击负荷对电网冲击性的关键在于平抑功率波动。本文通过在微电网中配置一定量的储能对冲击负荷的功率曲线进行削峰填谷,将其功率波动控制在允许的范围内,从而减少其对微电网系统的冲击。
2 储能装置选择
储能装置是微电网系统暂态稳定不可缺少的一部分。储能装置凭借其可充可放的特性,在能量过剩时储存能量,能量不足时释放能量,能够起到削峰填谷、平滑功率波动的作用。储能在微电网中的作用还包括辅助系统启动、实现并离网平滑过渡、电能质量治理等方面[12]。
目前微电网中应用的储能技术主要包括:飞轮储能、超级电容器储能、超导储能、蓄电池储能等[13]。每种储能方式都有各自的特性和适用范围,见表1[14]。
影响储能配置的因素主要有负荷的特点、反应速率、效率和使用寿命等[15]。实际选择储能装置时应综合考虑上述因素,以期达到最好的补偿效果。
目前在风光储互补发电的微电网系统中一般采用蓄电池储能的方式。蓄电池能量密度高,能很好地满足电力高峰负荷时的能量需求,但缺点是充电电压不能太高,充电电流不能过大,且充放电时间较长,不能适应快速充放电切换,因此并不适用于冲击负荷场景[12]。
相比之下,超级电容器在功率密度上具有明显的优势,且其充放电迅速,短时间内可以放出很大的电量,完全能够满足对冲击性负荷快速频繁大功率充放电的要求[16]。另一方面,冲击负荷虽然在冲击时刻瞬时功率很大,但由于冲击时间较短,故能量波动并不十分剧烈,所需储能容量相对较小,而超级电容器的能量密度较低,能在满足功率密度要求的同时保证配置的容量不致过高,从而节约了成本。此外,超级电容器还有储能效率高,循环寿命长,环境适应性好且无污染的优点[17]。
从表中还可以看出,飞轮储能和超导储能的功率密度和效率均不如超级电容器;飞轮储能在1 h内大约只能进行四次充放电,不能满足冲击负荷随机性和频繁充放电的需求;而超导储能价格显著高于另外三种储能方式,一次性投入成本太大,目前尚未得到大规模应用[14]。
综上所述,本文选择超级电容器作为冲击负荷场景下微电网的储能装置,在极好地适应冲击负荷特性、发挥最佳补偿效果的同时,又能节约配置储能装置的成本。
3 容量优化配置方法
本方法先对冲击负荷采样数据进行频谱分析(由前面分析的冲击负荷特性(3)可知,一家特定工厂的冲击负荷的采样数据,能很好地代表该工厂冲击负荷普遍的冲击特性和变化规律),基于频谱分析结果,确定满足功率波动率要求的补偿频段,同时考虑储能装置荷电状态(SOC)约束以及储能系统连续运行条件的约束,从而确定所需配置ESS的额定功率和额定容量。
3.1 控制目标
利用储能平抑冲击实际上是将功率波动控制在合理的范围内。用表征波动率FTE表征平滑时间窗口TE的功率波动程度,FTmEax表征波动率约束上限值,则有FTE≤FTmEax。
FTE的计算公式如下:
式中:Pn为额定功率;PTmEax、PTmEin分别为TE时间段内功率的最大、最小值。
3.2 约束条件
另外,鉴于对储能装置本身的特性和运行时经济性的考虑,在实际应用中ESS还需满足下列约束条件。
1)荷电状态约束SOClow≤SOC≤SOCup
SOC反映ESS剩余容量,其数值定义为ESS剩余电量占总容量的百分比。过度充放电会严重缩短储能装置的寿命,因此必须对SOC进行限制,使其在任何情况下都满足:
SOClow≤SOC≤SOCup。
其中,SOCup和SOClow分别为储能系统运行过程中电荷状态的上限和下限值。
2)储能装置连续运行约束ΔE=0
经ESS补偿之后的功率曲线不但要满足控制目标要求,还要保证ESS能够连续稳定运行。为此,要求在整个样本周期内,ESS运行过程中满足净充放电量基本相等,即:
式中Ts为采样周期。
3.3 额定功率的确定
满足目标功率输出的ESS最大充放电功率可以通过频率分析的方法来获得,有以下几个步骤:
(1)离散傅里叶变换
对以一定采样频率(fs)采集的冲击负荷样本数据Pg(k W)进行离散傅里叶变换(DFT),得到:
Ag(i)为样本中第i个频率fg(i)对应的幅值,Ns为采样点个数。
由香农采样定理和离散傅里叶变换数据的对称性可知,Ag以奈奎斯特频率(fN=fs/2)为对称轴成轴对称,故只需要考虑0~(1/2)fs频率范围的幅频特性。
(2)用试差法确定ESS补偿的功率频段
实际分析结果表明ESS补偿容量与补偿频段直接相关[18,19]。一般来说,因为高次谐波的幅值相对小于低频段,所以补偿高频段所需配置的ESS容量一般小于低频段。故确定补偿频段时可以从高频开始向低频延伸,上限设为奈奎斯特频率,下限通过试差法确定,得到满足目标功率输出要求的补偿频段Fps1,与之以奈奎斯特频率为轴对称的频段为Fps2。
将该频段频率对应的幅值置零,补偿频段外的幅值不变,代表消除该频段范围功率波动,再对该数据进行逆变换,即得到经补偿后的联合目标功率输出P0,如式(4)、(5)所示:
则储能系统的补偿功率输出Pb0(Pb0(i)为正表示储能装置放电,为负表示充电)如式(6)所示:
(3)获得实际目标功率输出,确定额定功率
考虑到储能系统实际充、放电效率(不妨假设)不可能为100%,此时储能系统实际充放电功率变为Pb,如式(7)所示,导致实际存储的电量小于释放的电量,即ΔE>0。为了使目标功率输出约束和波动率约束仍然满足,而不改变功率波动率,可以将Pb曲线向下平移使得ΔE=0。该平移量记为ΔP,可通过迭代计算得到。平移后即可得到系统功率目标输出Pa,如式(8)所示,储能实际的输出功率Pb0',如式(9)所示:
将Pb0'重新代入式(7)可获得考虑充放电损耗后的ESS实际充放电功率值Pb',整个样本周期中Pb'的最大值即为ESS的额定功率值PESO:
3.4额定容量的确定
根据计算出的储能系统功率数据,额定容量EESO可由式(11)、(12)计算得到:
另外,起始时刻储能系统的剩余电量Eb,acu(0)如公式(13)所示:
其中SOC(0)即初始电荷状态,它决定了储能在安装时的充电量。其表达式为:
由公式(14)可知,在满足约束的ESS最小容量确定之后,相应满足约束的SOC初始值也随即确定,可以保证储能设备连续平稳运行。
4 算例分析
以江苏某轧钢厂的实测冲击负荷数据为例,确定ESS的额定功率和额定容量,并进一步讨论超级电容储能的经济效益。为使优化效果更加直观,只对一台轧钢机的冲击数据进行分析,需要指出的是,当有多台轧钢机同时运行时,功率波动更加剧烈且具有更大的随机性,但处理方法相同。
根据超级电容器的充放电特性,综合充放电效率定为95%,ESS充放电效率相等且均为97.47%;SOC上限取为0.9,下限取0.5。经补偿过后的控制目标定为13.5 MW,且波动率不超过10%。原始的冲击功率曲线如图1所示。
首先对该数据通过离散傅里叶变换进行频谱分析,得到在频域中的幅频特性。基于幅频特性曲线,确定满足输出波动率要求的ESS补偿频段。
为方便叙述和理解,将频率范围用对应的周期值来表示。利用试差法得到该样本数据的补偿频段对应的周期段为[2,170.7](s)。需要指出的是,实际分析表明,一般ESS补偿的频段越大,则输出的功率波动就越平缓,而相应的ESS电源的功率波动就越剧烈,充放电也越频繁。
对补偿后的频谱进行离散傅里叶逆变换,考虑充放电损耗,将功率曲线平移后,得到目标功率输出如图2所示,可以看到尖峰负荷被补偿为平缓起伏的曲线,冲击性极大削弱。
补偿过程的ESS实际输出功率曲线以及ESS能量波动曲线和SOC波动曲线分别如下面的图3、图4、图5所示。容易看出ESS补偿功率输出极为迅速,且功率波动率和SOC均符合约束条件,SOC最大为0.9,最小为0.5。
经过分析,该负荷所需配置的储能容量EESO为42.65 k W,额定功率PESO为2.256 MW。由此可以看出所需储能的功率密度远大于能量密度,与前文分析相符合。根据表1中数据,可以粗略计算出所需配置的超级电容器成本约为每年500元,而相同的功率密度需要配置蓄电池的成本却为每年7.7万元。由此可以看出在冲击负荷的场景下,超级电容器储能不但具有供电迅速效率高的优点,还可以极大地降低配置储能装置的成本。
5 结语
为了减轻冲击负荷对微电网造成的不良影响,提高微电网运行的供电可靠性和抗干扰性,本文通过配置储能的方式来平抑功率的冲击,进而提出了针对冲击负荷的ESS额定功率和容量确定方法。通过对采样数据进行频谱分析,利用ESS补偿高频分量,以功率波动率为控制目标,同时考虑了实际运行中的SOC约束和储能装置连续运行约束,使补偿后的功率曲线相对平滑,从而减轻了其对微电网系统的冲击影响。
算例分析表明,本文提出的以超级电容器储能的方法能够以较小的成本获得较好的补偿效果,兼顾充放电效率、使用寿命等方面,同时又能避免对环境造成污染。
容量优化配置 篇5
关键词：储能,风力发电,容量配置,影响因素,成本效益分析,敏感性分析
0 引言
随着风电的大规模开发, 其波动性和间歇性对系统造成的影响越来越突出, 成为制约风电场容量和规模的严重障碍。将大规模储能技术应用于风电, 构成风储联合发电系统以平抑风电功率波动是一种重要的解决途径[1,2,3]。
文献[4]利用储能提高风电功率预测精度, 建立概率模型优化系统的储能容量, 以满足系统可靠性要求。文献[5]借助储能来平滑风电场输出有功功率。文献[6]建立了考虑投资费用和可靠性的多目标优化模型。文献[7]提出储能充放电优化模型, 以有功功率波动最小为目标函数, 结合评价指标分析了有功功率特性随储能容量配置方案的变化趋势。文献[8]提出基于博弈论的混合电力系统规划模型, 以风电、光伏和储能的投资者作为参与者, 选取容量为参与者策略, 求得各模式下的混合电力系统容量优化配置方案。
上述研究工作主要进行了风储联合发电系统容量的优化配置方法研究, 并未对主要影响因素以及各因素在未来变化趋势下对最佳容量配置的影响展开研究和详细分析。显然, 若增配储能的收益低于成本或储能独立运行优于风储联合运行, 则建设风储联合发电系统的必要性都大幅降低。
本文以能量型储能为主要研究对象, 不仅讨论当前市场条件下风储联合发电系统的可行性, 而且重点分析了未来市场条件下各因素变化时风储联合发电系统的技术经济性, 探讨合理的投资价值区间的各项条件。
本文以风电场实测数据为基础, 考虑了跟踪计划出力和削峰填谷等常见风储联合控制模式, 参照技术经济评价指标, 对各因素变化的影响进行了分析与仿真验证。
1 风储联合发电系统容量优化配置的数学描述
1.1 风储联合发电系统的可行性条件
传统的大容量储能形式 (抽水蓄能等) 是提高电网灵活性的重要资源, 一般为全网共享。然而, 在风储联合发电系统中, 储能是专门针对抑制风电波动性或提高风能利用效率而配备的, 这种配合风电运行的形式是储能利用的一种特殊情况。
风储联合运行只有在特定条件下才有必要性和可行性。一方面, 若电网能够足额消纳风电, 对风电提供并网辅助服务的要求也不高, 风电业主基本可以忽略弃风损失或者因未达并网标准而付出的惩罚电量, 投资者就没有必要考虑储能;另一方面, 若储能的充放价差足够大, 单独投资储能已经足够盈利, 那么储能也不必依附风电而存在。总而言之, 风储联合发电系统这种电源形式只有在储能带来效益能够补偿风电的弃风损失和惩罚成本时, 才有存在的空间。本文假设在风储联合发电系统中: (1) 储能将尽量吸收电网消纳不了的、多余的风电, 原则上不向电网购电; (2) 风电和储能可能存在不同的上网电价。
计算风储联合发电系统的最佳容量配置取决于对联合系统综合效益的评价模型。广义的综合收益包括投资者效益 (包含所有者的收入或避免的开支) 、电网效益 (因设备利用率提高、可靠性提高获得的间接效益) 和社会效益 (如环保效益) 等。本文采用的数学模型中主要考虑投资者的直接收益, 后两种的影响则间接体现在储能/风电的电价中 (如政府补贴性电价、辅助服务定价等) 。
1.2 风储联合发电系统容量配置优化模型
1.2.1 风电出力模型
本文通过风电场历史数据, 用PWG (t) 表示t时刻风电机组的输出功率时间序列。
由储能装置原理可知t时刻的功率差额[7]为:
ΔP (t) =Pload (t) -PWG (t) (1)
式中:ΔP (t) 为t时刻风电输出功率与负荷之间的功率差额;Pload (t) 为t时刻的负荷需求参考值, 可认为是系统计划出力t时刻的值, 按调控模式可以设置不同的计划曲线。
若ΔP (t) ≥0, 则t时刻储能处于放电状态;若ΔP (t) <0, 则t时刻储能处于充电状态, 故有t时刻储能装置的存储能量[9]为:
式中:t表示以小时为单位的时间, 即t=1, 2, …, 8 760;Ebat (t) 和Ebat (t-1) 分别为储能装置t时刻和t-1时刻的存储能量;ηcha为储能充电效率, 一般为0.7~0.9[10], 本文选取锂电池经典值0.9。
在这种时间粒度下, t时刻电能E (t) 和对应时段的平均功率P (t) 在数值上相同, 为简便起见, 以下P (t) ×1一律简写为P (t) 。
为了防止过度充放电, 保证储能装置的寿命与运行安全, 储能装置的最大存储能量不能超过其额定容量, 最小存储能量不能低于其能量存储下限, 例如锂电池通常为额定容量的20%[11]。
1.2.2 决策向量
风储联合发电系统优化配置的决策向量为:
X=[PWEB] (3)
式中:PW为风电机组的额定容量, 若关注的是风电与储能容量的比例, 可以把PW取为定值;EB为储能装置的额定容量。
1.2.3 目标函数
本文引用文献[6-8]中风储联合发电系统的综合成本函数。优化模型以系统总收益最大为目标:
I=ISEL+ID+IAUX-CINV-COM-CEENS (4) 式中:ISEL为年售电收入;ID为年报废收入;IAUX为年辅助收入;CINV为年投资费用;COM为年运行维护费用;CEENS为年缺电惩罚费用。目标函数中各分量的表达式和具体推导过程详见附录A。
1.3 约束条件
1.3.1 储能充放电深度约束
EBmin≤Ebat (t) ≤EB (5)
式中:EBmin为储能装置储存能量的下限。
1.3.2 风电机组容量限制约束
0≤PW≤PWmax (6)
式中:PWmax为风电机组的最大额定容量。
1.3.3 储能容量限制约束
0≤EB≤EBmax (7)
式中:EBmax为储能装置的最大额定容量。
2 影响因素及其建模
由于风电场的装机规模主要受风资源限制已基本确定, 因此风储联合发电系统的容量配置优化问题一般是在风电容量一定时, 求解储能装置的最佳容量。本节针对各因素对联合系统中最佳储能容量的影响进行分析。敏感性因素主要包括储能的定位、价格因素 (风储上网电价、设备造价) 与并网因素 (调控模式、缺电惩罚系数) 等。
2.1 风储上网电价对最佳储能容量的影响
联合系统收入最主要来源是售电收入, 售电收入由风储上网电价与售电量共同决定, 中国风电标杆上网电价已由国家发展和改革委员会颁布, 但国内外对储能的定价方式、市场机制与盈利模式尚在探讨中。
显然, 若储能上网电价 (主要是充放电价差) 上涨至合理价格, 则系统可配置更多的储能容量来增加储能售电量, 同时降低缺电量, 从而增大系统总收益。就风储联合发电系统而言, 存在一个合理“价值区间”, 低于某个下限时储能没有投资价值, 超出某个上限时则储能独立运行将优于风储联合运行。本文将通过仿真讨论这一区间的大致范围。
2.2 设备造价对最佳储能容量的影响
目前储能造价仍偏高, 还不能形成规模。随着储能技术的国产化和相应政策的支持, 储能造价将大幅度下降, 系统可以配置更多的储能容量。
2.3 不同调控模式对最佳储能容量的影响
目前风储联合发电系统的调控模式主要有平滑功率输出、跟踪计划出力和削峰填谷等3种[12]。平滑功率输出模式主要以平滑输出短时波动为主, 所需储能一般为功率型储能, 其容量与输出要达到的平滑程度有关, 不在本文讨论范围内。
跟踪计划出力模式是根据计划出力曲线, 控制储能的充放电过程, 使系统实际输出功率尽可能接近计划出力。不同的计划出力曲线体现风储联合发电系统不同的调控模式。典型的有以下2种。
1) 以风功率预测出力曲线作为计划曲线。该情况下储能容量配置大小与风电出力预测值的准确性有关, 误差越小, 所需储能容量越小。该模式可以消除风电的不确定性对电网的影响, 但对大幅波动的抑制能力弱, 适用于调峰能力较强的电网。
2) 基于系统分摊的地区负荷特性制定计划出力曲线。该情况下储能容量配置大小与地区负荷的特性有关, 一般来说, 中国北方的风电输出功率与地区负荷之间匹配性较差, 缺电指标也较严重。
削峰填谷模式是根据风电输出的峰谷特性, 在输出高峰期储能装置储存多余的电量, 在低谷期释放, 从而减少风电输出的峰谷差, 理论上可以将风储联合发电系统的输出曲线设定为直线。
2.4 缺电惩罚系数对最佳储能容量的影响
由于目前储能造价仍偏高, 储能规模比较小, 不能使风力发电达到或接近常规电源, 以计划曲线考核之, 必然存在缺电现象。缺电惩罚系数的权重设置体现了电网对风储联合发电系统的发电可控性要求的严格程度。缺电惩罚系数越高, 可控性要求越高, 惩罚费用过大时必然要通过加大储能容量以保持总收益最大。
3 算例分析
3.1 仿真数据
本文对不同调控模式下风储联合发电系统的容量优化配置进行分析。风电输出功率数据可从文献[13]下载, 所选风电场额定容量折算为50 MW。模式1为跟踪计划出力曲线模式, 以风电场预测功率作为计划出力;模式2为跟踪计划出力曲线模式, 依据IEEE-RTS96的标准负荷数据[14]制定计划出力曲线, 峰荷取为20 MW;模式3为削峰填谷模式, 全年恒为12 MW。系统参数详见附录B。
除了考虑系统总收益等经济性指标外, 本文还考虑了缺电率和弃电率等 (详见附录C) 指标。以下给出的仿真结果都对应于相比于无储能装置, 联合发电系统的经济性指标有改善的情况。无储能装置时的技术经济指标详见附录D。
3.2 当前市场条件下最佳储能容量分析
取储能上网电价为0.09美元/ (kW·h) 、储能造价1 100美元/ (kW·h) , 分析3种不同调控模式下最佳储能容量以及系统指标的变化情况, 计算结果如图1—图3所示。可以看出, 缺电率减小量与弃电率减小量分别随储能容量的增大而增大。
储能最佳容量取决于储能固定资产支出与其提高风电利用率、减少缺电惩罚等收入之间的对比。图2和图3中, 各模式下系统缺电率与弃电率随储能容量增加而单调下降, 一开始改善程度高于线性, 但随后逐渐降至略低于线性。对比图1中总收益随着储能容量变大则先增加后减小, 这是因为随着储能容量的增加, 单位容量利用率下降, 相应收益率也在减小。储能到达最佳容量以上后, 容量增加带来的节电效益尚不足以抵消一次投资的升高。
进一步分析图2和图3可以发现, 随着储能容量的增加, 3种模式的可靠性指标均有改善, 但在最佳储能容量下仍不够理想。若要使各指标让电网侧所接受, 必须增加储能容量, 但会导致系统总收益降低。所以, 在目前的储能上网电价与储能造价情况下, 风储联合发电系统的技术经济指标还缺乏竞争力。由图1还可以看出, 随着储能容量的增加, 3种模式的总收益分别在19, 12, 7 MW·h左右达到最大值, 此时系统的最佳储能容量和总收益均为模式1>模式2>模式3。这是因为风储联合发电系统的主要收入来源是总售电收入, 其中储能容量较小时, 风电的售电收入是主要部分。模式1设定风电功率预测曲线为参考曲线, 该曲线与风电实际出力曲线最为接近, 风能利用率也最高, 故总收益也最大。此外, 若不考虑储能循环寿命, 同等储能使用年限下, 模式1的储能充放切换更频繁、利用率更高, 相应分摊的一次性投入成本就比较低, 最佳储能容量也就更大。
风储联合发电系统的输出控制参考曲线的形态对各项指标的改善并不敏感, 起决定性作用的还是加装储能后的风能利用小时数的提高值。图2和图3中, 模式2和3的指标改善曲线均相近, 是因为2种模式中风电场的年利用率基本相同, 相应的风电场总收益、缺电率和弃电率也基本相同。当风电场配置储能容量较小时, 储能的作用有限, 所能提高的年利用率同样有限。
以模式1配置最佳储能容量为例, 对储能利用情况进行分析, 图4为全年储能充放功率的概率分布, 正值为释放功率分布, 负值为吸收功率分布。图4中储能70%以上的充放都集中在20%以下, 也从侧面说明了风储联合发电系统中储能设备的利用系数并不高, 这也是其经济性不佳的原因之一。
能量型储能的主要收益来源于电能的充放价差, 同等充放次数下, 充放深度越高, 在一次充放所获利润越多。图4中的储能70%以上处于浅充浅放状态, 储能设备利用率较低, 经济性也随之下降。
3.3 储能上网电价对最佳储能容量的敏感性分析
进行储能上网电价对3种模式下最佳储能容量的敏感性分析。计算结果如图5—图8所示。
一般地, 若储能上网电价上涨至合理价格, 则系统可配置更多的储能容量来增加储能售电量, 降低缺电量, 增大系统总收益。图5和图6中, 3种模式下最佳储能容量与总收益单调增大证明了这一点。
对于价格敏感性研究, 图5和图6只给出了储能上网电价在[0.09, 0.11]美元/ (kW·h) 区间内变化的情形。这是由于储能上网电价低于0.09美元/ (kW·h) 时, 风储联合发电系统的整体收益比无储能时还要低, 储能经济性很差。而相应的, 在更高的储能上网电价下, 通过优化模型得到的理论上的最佳储能容量将非常大, 超出工程上的合理范围。这是因为当储能因充放价差产生的盈利超过各类成本之和时, 将出现充放次数越多盈利越大的情况, 最佳储能容量必然趋于能够吸收所有的风电容量, 此时储能独立运行可取得比风储联合运行更大的收益。这与风储联合发电系统的建设初衷相悖。
上述仿真结果表明, 风储联合发电系统的技术经济可行性对储能上网电价有很高的敏感性。风储联合发电系统的投资存在某个合理“价格区间”。采用不同的储能设备造价、调控模式、缺电惩罚系数等可以得到类似的结论, 只是该“合理区间”上下限值有所不同。具体来讲, 在本文采用的计算参数下, 储能上网电价为0.09~0.11美元/ (kW·h) 。不同调控模式下因产生的惩罚电量不同, 敏感性略有差异, 本文中模式1最为敏感。
此外, 图7和图8中给出在最佳储能容量下系统缺电率与弃电率指标的改善情况。图中可以看出, 改善幅度随储能上网电价上升而显著增加, 但仍未杜绝缺电与弃电现象。要达到无缺电/弃电的程度, 必须配备更多储能容量, 但这必然降低设备利用率, 在技术经济综合评价上是不利的。
3.4 储能造价对最佳储能容量的敏感性分析
进行储能造价对3种模式下最佳储能容量的敏感性分析。计算结果如图9—图10所示。
由图9和图10可以看出, 随着储能造价的降低, 3种模式的最佳储能容量与总收益随之增大, 同样是模式1较为敏感, 这与常识相吻合。
类似3.3节中阐释的理由, 风储联合发电系统的经济性对储能造价也非常敏感, 也存在某个合理的“价格区间”, 高于区间上限, 则联合系统无法盈利, 低于区间下限, 则储能单独运营更为划算。就本文计算参数而言, 该价格区间约为1 000~1 200美元/ (kW·h) 。
对比图9与图5还可进一步发现, 虽然敏感性因素不同, 但在电价和储能成本各自的“合理区间”范围内, 最佳储能容量的变化趋势、波动范围大致相同。配备同样的储能容量意味着相等的风能利用率与储能利用率, 也意味着相同的缺电率与弃电率改善。这一结果说明了决定风储最佳配置的关键还是如何协调风储设备的各自利用率水平, 任何一方过低都将降低系统的整体经济性。
4 结论
本文以风电场实测数据为基础, 对风储联合发电系统的容量配置优化模型进行了研究。以系统总收益最大为目标函数, 结合系统技术经济评价指标, 对联合系统最佳容量配置的主要影响因素及其敏感性进行了分析与讨论, 主要结论如下。
1) 影响风储联合发电系统最佳储能容量配置的外部因素有风储上网电价、储能设备造价、调控模式及缺电惩罚系数等, 但决定风储最佳容量配置的内在因素还是风电和储能二者利用率水平, 任何一方过低都将降低系统的整体经济性。
2) 风储联合发电系统的整体技术经济性对储能上网电价和储能造价都高度敏感。超出“合理区间”时, 或者联合系统盈利能力不足, 或者盈利能力低于各自独立运行。采用典型参数的计算结果为储能上网电价为0.09~0.11美元/ (kW·h) , 储能造价为1 000~1 200美元/ (kW·h) 。
3) 在目前的市场条件下, 风储联合发电系统在技术经济性方面尚缺乏竞争力, 其大规模开发还依赖于若干外部条件的改善, 如储能上网电价的上升、单位容量投资成本的下降、缺电率和弃电率的上升等。
4) 不同的调控模式会显著影响最佳储能容量。其中跟踪风电场功率预测曲线模式的经济性较好, 可配置更多的储能容量、获得更大收益, 更适宜投资。
容量优化配置 篇6
随着经济的发展,传统能源日趋紧张,环境污染问题越来越严重,各国开始把目光投向新型清洁能源的发展,发展可再生能源发电(Renewable energy power,REP)技术成为解决传统能源所带来问题的必然选择[1,2]。微电网技术是分布式可再生能源有效利用的重要形式,然而分布式发电与传统电源具有很大的差别,其主要特点在于诸如风、光等分布式发电输出的随机性和间歇性,会对微电网的安全性和稳定性造成很大的影响。为了确保系统的安全稳定运行,储能装置便成为微电网系统的重要组成部分[3,4,5]。
储能装置可以分为功率型储能和能量型储能两种。功率型储能装置具有响应速度快、循环充放电寿命长、充放电速率快等特点,一般可用来平滑分布式发电的功率输出;能量型储能装置具有储能时间长、储能容量大等特点,适用于系统负荷的削峰填谷[6]。微电网在并网运行时,负荷的峰谷差和分布式发电的波动性通常是并存的。混合储能比单一的储能装置更有助于微电网系统的安全稳定运行[7]。
在微电网中加装储能装置,最重要的是储能装置的容量配置问题。文献[8]在风电功率分钟级分量波动特性的基础上,以概率统计的区间估计理论确定储能系统的容量配置和最大充放电功率,该优化方法可以以较小容量的储能设备改善风电功率的平滑输出。文献[9]中混合储能系统采用小波分解算法,解耦出电池及超级电容器分量,对各储能分量统计分析,在不同置信水平和容量下,以波动量的均值、方差、波动范围及波动点数为指标,分析混合储能系统的平抑效果。文献[10]考虑了蓄电池自身运行特性限制的问题,提出了基于蓄电池内部特性建模的蓄电池容量确定方法,根据优化目标和约束条件,建立了三种不同的优化方案。文献[11]根据光伏系统-储能联合运行的特点,考虑运行过程中储能能量的动态变化过程,以储能单元的技术特性为约束,提出了负荷缺电率和能量溢出比为考核指标的光伏、储能容量的联合配置方法。在给定案例条件下,分别计算了三种类型的储能电池的容量配置,并以初始投资最小为目标,计算最优光储容量配置。文献[12]讨论了风电场中的集中储能和分布式储能结构,并根据两种储能方式的特性分别分析了两者的储能安装容量最优范围。文献[13]提出了以风电最大利用率和储能装置的最小花费为目标,采用折中方法在解决平滑风电的功率输出的同时,实现风电的最大利用率和储能装置最小花费。文献[14]以风储联合系统年收益最大为目标,提出了综合考虑风电调度功率优化和变寿命特性的电池储能容量优化模型。
本文以含REP的微电网为研究对象,基于储能装置存在能量高以及功率高的差异,将储能装置分为功率型、能量型两大类,并考虑微电网对REP的出力要求,提出加权移动平均控制法来平滑分布式发电的输出功率;同时提出上下限约束控制法来进行微电网系统负荷的削峰填谷。最后通过算例来验证本文所提模型和算法的有效性。
1 微电网对分布式电源出力要求
随着社会经济的发展,用电负荷对电力的需求逐年增大,电网由此产生的新问题日渐突出[15,16],如负荷的不断增大导致负荷的峰谷差值增大,系统装机容量难以满足峰值负荷的需求;微电网中大规模分布式电源的接入,其输出功率具有不可控性,增加了微电网调度的难度。在微电网中加装储能装置可以实现以下两个目标,从而提高微电网输出功率的可调度性。
1.1 平滑出力波动
本文用有功功率波动率大小评价分布式发电输出功率平滑度。有功功率波动量指总输出曲线在规定时间内功率峰谷差值绝对值,而有功功率波动率指有功功率波动量占额定输出功率的比例。计算公式如下。
有功功率波动量:
有功功率波动率:
式中:Pv(t ) 为t时段分布式电源平均输出功率;Δt为设定的功率变化量的周期,一般为5 min或者10min等;PNref表示分布式电源额定输出功率。
β2越大说明出力波动越大,本文采用风电场10分钟(即 Δt =10 min )变化率不超过10%作为微电网对分布式电源输出功率波动性方面的限制,即要求β2≤10%。
1.2 负荷削峰填谷
本文用峰谷差值变化率大小评价削峰填谷效果,其评价指标计算如下。
峰谷差值:
峰谷差值变化率:
式中:Pmax、Pmin分别为一天内综合负荷的最大、最小值;Pav为综合负荷的平均值。其中,综合负荷是指微电网中负荷需求与分布式发电输出功率之差。
β3越大表明负荷峰谷差越大,若β3=0 ,表明微电网综合负荷在储能的作用下,能平抑成一条直线,即保持综合负荷恒定不变。
2 储能装置容量配置
2.1 平滑出力波动优化方法
2.1.1 加权移动平均法模型
储能装置通过充放电控制,快速地吸收“剩余电量”或补充“功率缺额”,实现较大的功率调节,减小微电网可能对主网造成的影响。平滑功率波动需要储能系统具备短时功率动态调节能力,可以选取超级电容器储能、超导储能和飞轮储能等功率型储能系统。
考虑到控制精度和速度的要求,本文采用改进的加权移动平均控制算法。控制模型如下[17]。
假设采样数据为x(1) ,x(2) ,x(3) ,…,x(K) ,采样周期为Ts,N为当前阶段采样点,即控制步长。则该连续的N个采样点数据为x(k-1),x(k-2),x(k-3),…,x(k-N),那么,N个采样数据的移动平均值为
将式(5)经过z变换后,求得移动平均模型(Moving average model, MA)的z域传递函数为
由上式可知,移动平均模型存在的时间滞后。对移动平均模型进行改进:在现有的数据中体现历史数据的变化趋势,并同时考虑时间的延迟,该种模型称为改进的加权移动平均法模型(Modified weighted moving average model,MWMA),其模型如式(7)所示。
式中,ymwma(k) 为MWMA模型的输出功率值;yma(k) 为MA模型的输出功率值;Tp为MA相当于MWMA的滞后时间;τ 为储能设备的响应时间;ydif(k) 为变化趋势值,其计算过程如下。
(1) 将控制步长N平均分为M份,则各个区间的移动平均值可用式(8)计算。
(2) 对各个相邻区间的移动平均值进行求差计算,则求得各个区间的变化趋势值为
(3) 将各个区间的变化趋势值乘以对应的权值w,然后进行求和运算,最后除以区间时间,则求得MWMA模型的变化趋势值为
式中,w为权重系数,越接近KTs,其变化趋势值权重越大,则w(i) 可用式(11)表示。
最后将MA模型得到的移动平均值yma(k) 以及ydif(k) 代入式(7)即可得到满足分布式电源输出功率曲线。
2.1.2 控制步长N的确定
输出功率曲线的平滑度受控制步长N的影响,N越大控制后的输出曲线越平滑,所需的储能装置的容量也越大;反之N越小输出曲线波动较大,所需配置的储能容量相对减少。为了同时满足曲线平滑度以及储能装置的容量尽可能最小的要求,要对N进行控制。若N的值逐渐增大,当N=N*时,β2≤10% ,则此时N*为最优控制步长。控制步长N的控制流程如图1 所示。
2.2 削峰填谷优化方法
本文采用上下限约束控制法对负荷进行削峰填谷控制。上下限约束控制,即设定负荷需求曲线的上下限,并根据负荷需求曲线与上下限的功率差,计算储能系统各时段的充放电功率。其控制原理如图2 所示,图中Pg为综合负荷,Pup为峰值波动上限,Plow为谷值波动下限。
由图2 可知,系统中加入储能装置后,当综合负荷功率低于谷值功率下限时,控制储能装置适当充电,如图中横线阴影部分所示;当综合负荷功率高于峰值功率上限时,控制储能装置适当放电,如图中竖线阴影部分所示。则削峰填谷控制后的综合负荷处于上下限约束范围内,即认为达到了削峰填谷的作用。
对负荷进行削峰填谷控制,首先要确定Pup、Plow的大小。Pup、Plow的大小由式(12)确定。
假设各时段充放电功率为
式中:Pb(t) 为储能系统的充放电功率;Pg(t) 和Pg′(t)分别为时刻t综合负荷实际值和削峰填谷后的期望值。
削峰填谷控制策略如下:分布式电源出力与负荷叠加得到综合负荷功率Pg,并将其与功率上下限约束进行比较判定。当Pg≥Pup时,负荷需求过高,此时需要储能系统放电补充功率差额;当Pg≤Plow时,综合负荷处于低谷,需要储能装置投入运行,并处于充电状态,以增加综合负荷需求;否则,储能装置退出运行。
2.3 储能装置的容量计算
储能系统所需的最大容量具体计算步骤如下。
(1)计算各时段储能装置的充放电功率理想值
式中:Pb(k) 为第k个控制周期储能系统的充(放)电功率理想值,大于0 时表示储能系统放电;Pg(k) 为第k个控制周期实际综合负荷大小;Pref(k) 为期望综合负荷功率值,这里取为削峰填谷控制或者平抑功率波动控制后的负荷功率理想值。
(2) 根据确定的储能系统实际输出功率,对控制周期内的储能系统的充放电电量进行累计。设第k个控制周期结束时,储能系统的剩余能量用E(k)表示,则
式中:Tc为平抑控制周期;E0为储能系统的初始能量。
(3) 计算各控制周期内,储能系统的最大、最小能量差值,则为了满足平抑过程的能量需求,需要配置的储能系统容量W由下式确定。
式中,分别代表整个样本数据控制周期内,储能系统的最大、最小容量。
(4) 考虑到储能系统放电深度(Depth of discharge, DOD)、温度以及实际运行效率的限制,储能系统应具备的容量可用式(17)进行修正[18]。
式中:W为理想条件下的储能系统容量;A为安全系数(一般取值为1.1~1.4);K为温度修正系数(一般0 °C以上取1,-10°C以上取1.1,-10 °C以下取1.2);η 为储能系统的功率转换效率(取0.78);DOD为放电深度(一般取80%)。
根据式(17)可以得到经过修正后储能装置的容量。
2.4 混合储能系统的应用
接入微电网的风力发电、光伏发电等分布式发电系统出力具有很大的随机性和间歇性,为保证微电网的自治运行,要求储能系统兼有功率密度与能量密度高的特点。就目前的储能技术发展水平而言,功率密度与能量密度难以两全,致使混合储能系统成为研究热点[19,20]。混合储能系统充分发挥能量型储能系统能量密度大以及功率型储能系统功率密度大的优势。应用于微电网的混合储能系统结构如图3 所示。
根据有功功率波动频率大小,可将分布式发电输出功率分为以下两部分。
(1) 高频波动功率P1:自然因素瞬间变化以及发电系统运行状态突变时导致的系统出力快速波动,其持续时间较短,能量波动较小。
(2) 低频波动功率P2:自然因素持续变化以及系统内负荷变化引起的系统出力波动。其波动幅度较小,但持续时间较长,能量波动较大。
对上述输出功率进行平抑控制时,需要储能系统同时具有快速的功率吞吐(平抑P1)和较高的能量支持(平抑P2)的能力。相比较而言,蓄电池能量密度高、循环使用寿命短;超级电容器储能恰好相反,其功率密度高,但能量密度较低、循环寿命长。一种典型的混合储能系统配置方案是将两者结合。
用Pg代表风光发电输出功率,PL代表微电网中负荷功率,Pref代表微电网的参考输出功率,Phess代表混合储能输出功率,Pbess、Puc分别代表蓄电池和超级电容器的输出功率,满足以下的功率平衡:
由于分布式风光发电系统输出功率不稳定,负荷也具有波动性,所以微电网参考有功功率Pref具有间歇性以及随机性等特点,利用混合储能装置进行协调控制,减少Pref的随机波动。
3 仿真分析
3.1 平滑出力波动分析
分布式发电如风力发电,太阳能发电等由于受自然因素的影响,输出功率具有较大的波动性。本文假设微电网中分布式电源的实际输出曲线如图4中黑实线所示,采样周期为5 min,一天24个小时,共288个数据。
储能装置的响应时间τ 远小于控制策略的滞后时间Tp,这里取为10 s。假设分布式电源额定功率为100 k W,控制步长平均分为M=2 份,取β2≤10%时,计算出最优控制步长为N*=25,通过加权移动平均控制法得到的平抑后的期望功率曲线如图4 中黑粗线所示,功率型超级电容器储能装置的功率输出曲线如图5 所示。
若不计任何损耗,储能装置完全处于理想充放电状态,根据仿真结果可选择超级电容器储能装置的容量为21 k Wh,若计及放电深度和损耗等因素,取安全系数为1.3,温度修正系数为1.2,转换效率为0.78,充放电系数为0.8,那么根据式(17)对储能容量进行修正,计算得储能装置额定容量可选择为52 k Wh,那么为了平抑分布式电源的功率波动以达到微电网的要求,可配置额定功率为30 k W、额定容量为52 k Wh的功率型储能。
3.2 负荷削峰填谷分析
在仿真分析中,系统中的负荷有功需求最大值为180 k W,分布式发电输出有功峰值为70 k W。
由于分布式发电出力曲线与日负荷曲线都是连续变化的,将数据离散化有利于优化计算。本文将负荷分成若干区间(1 h/区间),并且认为每个区间内分布式电源出力与负荷保持恒定不变。离散数据取为该区间内实际数据的平均值。则分布式电源出力曲线与负荷综合需求曲线如图6 所示,综合需求平均值为128 k W。
假设大电网要求微电网满足削峰填谷的指标为ε3=20%,则加入储能装置后的削峰填谷效果如图7所示。
由图7 可知,储能装置在0~8 h与22~24 h时段处于充电状态,增加系统负荷,达到填谷的作用;在10~22 h时段处于放电状态,达到削峰的作用;在8~10 h以及22~24 h既不充电也不放电。根据式(17),取安全系数为1.3,温度修正系数为1.2,转换效率为0.78,充放电系数为0.8,修正后容量型蓄电池储能装置的额定容量可选择为570 k Wh。
4 结论
容量优化配置 篇7
电力机车负荷具有非线性、不对称和波动性的特点[1],会将产生的谐波和负序电流注入到电力系统中。 随着高速铁路的快速发展,电力机车的运行对电网电能质量的影响也日益加剧。 采用相序轮换、 提高系统电压等级等方法的治理效果有限,因此高速铁路的电能质量问题成为国内外研究的热点[2-11]。
目前对电气化铁路谐波、负序和无功问题,主要采用投切电容器或者SVC等补偿装置[2-3]来完成,但对无功容易产生过补偿,且对谐波和负序的补偿效果不佳。
铁路功率调节器RPC (Railway static Power Conditioner)[5-6]是一种能够综合补偿谐波、负序和无功的装置,由日本学者首次提出。 现有的利用RPC的综合补偿方法,牵引变压器多采用阻抗匹配平衡变压器,通过调整控制策略,使牵引变压器二次侧两相负荷大小相等、功率因数相同,即可满足一次侧负荷对称的要求[12]。 已有研究RPC在Scott接线变压器情况下的能量优化问题,由于负序和无功电流的补偿各不影响,控制策略中可以单独考虑负序或无功的补偿度[13]。 而对于V / V变压器下的RPC研究较少。 文献[14-15]研究了高速铁路采用V/V牵引变压器的情况下,利用RPC进行负序和谐波电流综合治理的方法,均完全补偿了谐波和负序电流,但是RPC所需容量较高。
本文研究了优化补偿情况下,RPC装置谐波和负序电流补偿量的检测方法。 完全补偿是指将谐波和负序电流尽量消除的补偿方式,优化补偿是指将谐波和负序电流减小到满足国标要求的补偿方式, 从而减小装置补偿所需能量。 针对RPC的补偿能量,本文提出了3个补偿指标,即有功补偿度 γ、无功补偿角度 φ、谐波补偿度 ψ;对RPC进行最优稳态功率分析,采用粒子群优化(PSO)算法[16]计算出RPC最小补偿能量下所需的 γ、φ 和 ψ,通过对这三者的控制实现RPC的最优能量控制。 采用能量优化补偿方法对RPC进行容量配置,并针对补偿的实时性要求,提出了一种工程应用方法。 仿真结果表明, 本文提出的能量优化补偿策略可以减小RPC的补偿容量,提高装置的经济性。
1 RPC补偿的原理
RPC补偿装置结构图如图1所示。 系统电压为220 kV,高速铁路牵引变压器采用V / V接线方式, 两供电臂接触线额定电压为27.5 kV。 定义图中右侧供电臂为 α 供电臂,左侧供电臂为 β 供电臂。 RPC补偿装置通过降压变压器连接到2个供电臂。 RPC的2个电压源变流器通过直流电容给2个变流器提供直流电压。 通过控制RPC来实现谐波、负序的综合补偿。
假设系统电压为理想电压源,一次侧三相电压UA、UB、UC分别为:
其中,U为A、B、C三相相电压有效值。
设V/V接线变压器变比为k,则可得到2个牵引供电臂电压Uα、Uβ分别为:
其中,UAC、UBC分别为牵引变压器一次侧AC、BC相间线电压。
高速铁路采用交直交电力机车,为了分析方便, 假设负荷功率因数近似为1[14],则补偿前 α、β 两供电臂基波电流Iα0、Iβ0为:
其中,Iα0、Iβ0为补偿前 α、β 两供电臂基波电流有效值,IaL、IbL为负荷基波电流。
牵引变压器一次侧电流IA0、IB0分别和二次侧电流Iα0、Iβ0同相位。 由式(1)—(3)可得补偿前的电压、 电流关系,如图2所示,补偿前A、B、C三相电流IA0、 IB0、IC0不平衡,存在负序电流,IA0滞后UA30°,IB0超前UB30°。
要使补偿后三相电流IA、IB、IC平衡,则补偿后IA、IB应分别和UA、UB同相位且大小相等。完全补偿后的三相电流相量图[15]如图3所示,补偿可分为有功补偿和无功补偿,有功补偿的补偿电流方向和IA0、IB0方向平行,补偿量为ΔIPα、ΔIPβ,无功补偿的补偿电流方向和IA0、IB0方向垂直,补偿量为ΔIQα、ΔIQβ。
设Pα0、Pβ0分别为补偿前α、β两供电臂的负荷基波有功功率。根据补偿前后牵引供电系统提供给负荷总有功功率不变的原理,完全补偿需要补偿的有功量ΔPα、ΔPβ的绝对值大小相等,且和为零,分别为:
完全补偿需要补偿的无功量 ΔQα、ΔQβ为:
由图3可见完全补偿后三相电流IA、IB、IC平衡, 大小相等,且相互相差120°。
2补偿装置的能量优化
2.1负序补偿的能量优化
采用V/V接线牵引变压器情况下,正序电流和负序电流的计算公式为:
其中,a=ej120°。
根据GB/T15543《电能质量三相电压不平衡》, 设公共连接点(PCC)的正序阻抗与负序阻抗相等, 则牵引负荷引起的PCC处负序电压不平衡度 εU2计算公式为:
其中,UL为牵引网额定电压,单位为kV;Sk为PCC的三相短路容量,单位为MV·A;I2为电流的负序值,单位为A。
由式(7)可得:
RPC完全补偿负序电流所需能量较高,经济性较差,实际中可仅补偿到满足国标要求。 GB/T15543规定:接于PCC的每个用户引起该点负序电压不平衡度允许值一般为1.3%。 考虑一定的补偿裕度,可令补偿后电压不平衡度小于国标规定。 对于特定的牵引供电系统,UL、Sk已知,即可由式(8)得到补偿后的负序电流目标值I2*。
采用优化补偿时电压、电流关系如图4所示,补偿前电流为图2中对应的IA0、IB0,补偿后电流为I′A、 I′B,有功电流补偿量为 ΔI′Pα、ΔI′Pβ,无功电流补偿量为 ΔI′Qα、ΔI′Qβ。
考虑能量优化补偿情况时,定义2个补偿指标,分别为有功补偿度γ、无功补偿角度φ,其中γ[0,1],φ[0,π/6]。定义φ为I′A和IA0(或IB0和I′B)之间的夹角。需要补偿的有功量ΔP′α、ΔP′β的绝对值大小相等,且和为零。定义γ为:
有功量 ΔP′α、ΔP′β分别为:
无功量 ΔQ′α、ΔQ′β分别为:
α 供电臂需要补偿基波能量为:
β 供电臂需要补偿基波能量为:
RPC补偿需要的总的基波能量S′1为:
RPC在补偿过程中所需的基波总能量是m、n、 φ、γ 的函数,其中在m、n一定的情况下,可以求 φ、γ 的最优解使S′1在最小能量下补偿。
图4中优化补偿情况下,设I′α、I′β为补偿后二次侧目标电流基波,分别和I′A、I′B同相位。将补偿后二次侧基波电流Iα=I′αej(-30°+φ),Iβ=I′βej(-90°-φ)代入式(6),其中I′α、I′β分别为I′α、I′β的有效值,经过计算可以得出I-为:
其中,I-为负序电流I-的有效值。
利用式(8)得到的I2*,可得约束条件:
以式(15)为目标函数,则可以通过PSO算法[16]求满足负序要求的RPC能量优化问题:
由式(18)求得满足S最小时的最优解 φ、γ。
2.2谐波补偿的能量优化
谐波完全补偿时所需谐波能量S2为:
其中,Uα、Uβ分别为 α、β 两供电臂电压有效值,Iαh、Iβh分别为 α、β 两供电臂第h次谐波电流有效值。
根据GB/T14549—93《电能质量公共电网谐波》,可以将比较严重的3、5、7次谐波电流补偿到满足国标要求的谐波电流允许值I*3、I*5、I*7,其他次谐波电流完全补偿,并可使总谐波畸变率THDi低于给定值THD*i。定义谐波补偿度为ψ,优化补偿后的谐波电流为I′αh、I′βh,补偿前谐波电流为Iαh、Iβh,则ψjh(j=α或β;h=3,5,7)为:
若THDi≤THDi*,ψjh可由下式计算得到:
若THDi> THDi*,则 ψjh可由下式计算得到:
ψjh可以根据实时检测到的Ijh由式(21)、(22)直接算得。
谐波优化补偿时所需谐波能量S′2为:
S′2 = S2 - Uα 姨h=3 ，鄱5 ，7(I′α h )2- U β姨h=3 ，鄱5 ，7(I′β h)2(23)
经过负序补偿和谐波补偿的能量优化后,RPC补偿所需总能量S为基波能量S1′和谐波能量S′2之和:
3应用分析
3.1实时补偿解决措施
以某个实际牵引变为例,α、β 两供电臂实际负荷功率Pα0、Pβ0变化范围分别为0~20 MW,以1 MW为变化步长,对Pα0、Pβ0各种负荷组合情况利用2.1节所述方法进行PSO离线计算,求出满足不同负荷情况下的最优解 φ、γ,制定出补偿度和负荷情况对照表。 表中数据满足下式:
以有功补偿度 γ 为例,α 供电臂实际负荷功率为Pα0j时,γ 以 β 供电臂负荷功率Pβ0为变量拟合得到的多项式为:
根据aij随Pα0 j的变化情况,可以拟合得到ai以Pα0为变量的多项式为:
这样就可以拟合得到 γ 以连续量Pα0、Pβ0为变量的多项式为:
同理可以得到 φ 以连续量Pα0、Pβ0为变量的多项式:
对于算得的 φjk、γjk为零的情况,不计入多项式拟合的计算中。 l、l′、h、h′的值根据实际情况和要求的拟合度确定,本算例中参数的拟合度在99%以上。
将式(9)代入式(29)、(30)可以近似得到 φ、γ 用m、n表示的多项式:
其中,m[0,40],n[0,20]。
3.2 RPC容量配置
利用能量优化补偿策略,将RPC的容量配置为S*:
S′1max、 S′2max可根据实际负荷变化情况,利用能量优化方法,事先离线计算得到。 根据谐波的实测数据,谐波含量较低,基本符合国标要求,能量优化补偿下谐波容量S′2max相对于完全补偿下谐波容量S2max有一定降低,但主要是负序问题决定着RPC补偿装置的容量。
以3.1节中实际牵引变为例,当 α、β 两供电臂实际负荷功率Pα0、Pβ0变化范围分别为0~20 MW时, 能量优化补偿所需S′1的最大值S′1max出现在一供电臂负荷为0 MW、另一供电臂负荷为20 MW处,此时 φ、γ 分别为13.03°、0.592 3,S′1max为12.84 MV·A。
由式(4)、(5)可得完全补偿时所需基波能量S1为:
对于不同的负荷情况,S1的最大值S1max出现在两供电臂负荷均为20 MW或一供电臂负荷为0 MW、 另一供电臂负荷为20MW处,此时S1max为23.10MV·A, 能量优化补偿方法下负序容量S′1max仅为完全补偿下负序容量S1max的55.58%,提高了补偿装置的经济性。
3.3对实际负荷功率因数不为1的修正
考虑功率因数不为1的情况下,牵引变电所α、β两供电臂负荷可能出现以下4种情况:两臂均为牵引工况;两臂均为再生制动工况;α供电臂为牵引工况,β供电臂为再生制动工况;α供电臂为再生制动工况,β供电臂为牵引工况。补偿前A、B、C三相电流I′A0、I′B0、I′C0不平衡,存在负序电流。以图5(a)中两臂负荷均为牵引工况为例,I′A0滞后UA角度30°+θα,IB0超前UB角度30°-θβ,θα、θβ分别为α、β供电臂的功率因数角。其他负荷情况见图5(b)、(c)、(d)。
以图5(a)中两臂负荷均为牵引工况为例,由实际负荷电流I′A0、I′B0的基波电流IA1、IB1按2.1、3.1节中方法进行分析,φ、γ由式(31)直接计算得到。
定义 α、β 两供电臂基波负荷的无功补偿角度分别为 φα 、φβ 。 定义 θα 、θβ 值的正负如下:θα 超前UAC取正号,滞后UAC取负号;θβ超前UBC取负号,滞后UBC取正号。
对负荷功率因数不为1进行补偿度修正,φα可由式(34)得到:
φβ可由式(35)得到:
此时补偿的最优程度虽然不及PSO算出来的精确,但是既达到了国标的要求,又满足了补偿的实时性要求,有利于工程的实际应用。
4谐波、负序电流的检测和控制方法
采用的RPC装置谐波和负序检测原理图见图6。
经过RPC装置补偿后的 α、β 供电臂的基波目标电流i′α、i′β为:
将α、β两供电臂负荷电流检测值iaL、ibL与i′α、i′β相减,此时补偿量中包含全部谐波,再减去满足国标要求的谐波电流i′αh、i′βh(h=3,5,7),即可得到需要补偿的谐波和负序电流为:
将得到的 α、β 两供电臂补偿电流目标值iac、ibc通过滞环比较控制环节,即可控制变流器进行谐波、 负序的综合补偿。
5仿真分析和验证
以京津高速铁路某实际牵引变为例,3.2节中已经验证了能量优化补偿策略下的RPC装置容量比完全补偿下的容量减小很多,对于实际负荷需要补偿的能量小于额定容量S*的情况,能够根据式(21)、 (22)、 (31) 实时地计算各补偿度, 采用MATLAB / Simulink仿真验证能量优化补偿策略的优越性。 系统的仿真参数如下:三相电压为220 kV;牵引变压器变比为220∶27.5;牵引变压器短路阻抗Uk为8.6 %; 次边绕组负载损耗为225 kW;RPC降压变压器变比为25∶1.25;RPC输出电感为0.1 mH;RPC直流电压为4 kV;直流侧电容为0.2 F;PI参数为KP= 30,KI= 10;滞环比较器滞环宽度为0.2 H / A。
假设系统电压三相平衡情况下,某工况下 α 供电臂有功功率为19.71 MW,β 供电臂有功功率为4.47 MW。 负载采用电阻负载并联不可控整流负载, 功率因数近似为1且含有谐波[14],满足高速铁路负荷的特性。 设计满足以上功率负荷,α 供电臂负载为0.20 Ω 电阻负载并联不可控整流负载,不可控整流负载为0.23 Ω 电阻串联0.07 H电感,β 供电臂电阻负载为0.75Ω,不可控整流负载1.15Ω 电阻串联0.35 H电感,两供电臂负载功率不相等。 负载通过变比为27.5∶1.5的变压器接入牵引网。 图7(a)为补偿前三相电流波形,可以看出三相电流不对称,且含有谐波。
考虑能量优化补偿的情况下,设系统短路容量为1 000 MV·A,εU2考虑补偿裕度设为1%,可以根据实际情况灵活调整。 将式(37)中补偿电流iac、ibc加上谐波电流i′αh、i′βh(h = 3,5,7),则对负序进行优化补偿,对谐波完全补偿。 由式(8)可得优化补偿时负序电流有效值限值I2*= 26.24 A。 采用式(31)求得对应的无功补偿角度 φ 为13.34°,有功补偿度 γ 为0.5326。 图7(c)为只优化负序时补偿后三相电流波形。 对负序和谐波均进行优化补偿时,3、5、7次谐波电流限值按照国标折算到1 000 MV·A短路容量取4.8 A、 4.8 A、3.4 A,谐波畸变率THDi*限值取3%。 补偿后三相电流波形如图7(d)所示。
补偿前、完全补偿后和优化补偿后各项指标的仿真结果见表1。
由图7和表1可以看出,完全补偿和优化补偿后谐波都明显减少,有良好的治理效果。 负序优化补偿后的谐波电流THDi比完全补偿后谐波电流THDi要低,这是因为在直流侧电容一定的情况下,负序优化补偿时补偿的目标电流比完全补偿时小,所以补偿的效果比完全补偿要好;而谐波和负序综合优化补偿后谐波电流THDi小于且接近3%,与给定的谐波畸变率THDi*限值相符,相对于完全补偿,一定程度上降低了补偿装置所需的谐波能量。
RPC补偿前谐波电流较高,负序电流较大,负序电压不平衡度为1.67%,超过国标规定。 完全补偿后,负序电流可以基本全部消除,三相电流接近平衡, 负序电压不平衡度近似为零,但RPC所需补偿负序能量较高,为20.67 MV·A。 优化补偿后,负序电流可以按需补偿到该系统的负序电流限值,负序电压不平衡度也与给定值 εU2相符,满足国标要求,且RPC所需补偿负序能量大幅减小,减小了10.56 MV·A,优化补偿所需负序能量为完全补偿的48.91%。
本文所提的能量优化补偿策略能够有效减小RPC装置所需补偿能量,本算例中负序优化补偿使RPC补偿装置的能量从24.16 MV·A减至13.95 MV·A, 谐波和负序均优化补偿后,装置所需能量进一步减小为13.21 MV·A。 RPC补偿能量的减小,一方面靠使谐波和负序电流只补偿到满足国标要求;另一方面对于特定的谐波和负序电流限值,计算出RPC所需总能量S较小情况下的有功补偿度 γ、无功补偿角度 φ 和谐波补偿度 ψ。 由此给出的补偿目标电流量控制方便,易于实现。
6结论
本文提出的RPC容量配置和能量优化补偿策略,能够减小装置的设计容量,且能使装置在较小能量下补偿谐波和负序电流,既能使谐波和负序电压不平衡度满足国标要求,又能提高装置的经济性。
对RPC进行最优稳态功率分析,在满足特定谐波和负序电流限值的情况下,提出的检测方法能够直接计算出补偿总能量S较小时无功、有功补偿指标 φ、γ 和谐波补偿度 ψ。 通过对 φ、γ、ψ 的控制直接给出补偿后的目标电流量,实现RPC的最优能量控制,控制方法简单,易于实现。
通过大量事先离线计算不同负荷情况下的最优解 φ、γ,制定出补偿度和负荷情况对照表。 利用补偿度和负荷情况对照表中的数据,采用参数拟合的方法计算出 φ、γ 的表达式,并对功率因数不为1的情况进行修正,可以由实测负荷迅速算出补偿度,满足实时补偿要求,有利于工程的实际应用。
仿真结果验证了本文提出的能量优化补偿策略在有效治理谐波和负序电流的基础上,大幅提高了RPC补偿装置的经济性。
摘要：针对高速铁路牵引供电系统的谐波、负序问题,提出一种采用铁路功率调节器(RPC)补偿装置的能量优化补偿策略。研究了优化补偿情况下RPC装置谐波和负序电流补偿量的检测方法。针对RPC的补偿能量,对RPC进行最优稳态功率分析,提出了3个补偿指标:有功补偿度γ、无功补偿角度φ、谐波补偿度ψ。采用粒子群优化(PSO)算法计算RPC最小补偿能量下所需的γ、φ和ψ,通过对γ、φ、ψ的控制实现RPC的最优能量控制。采用能量优化补偿方法对RPC进行容量配置,并针对补偿的实时性要求,提出了一种工程应用方法。仿真结果表明,所提出的能量优化补偿策略可以减小RPC的补偿容量,提高了补偿装置的经济性。
容量优化配置 篇8
采用可再生能源发电的分布式电源由于具有低污染、高效率、节约输变电投资等优势,近年来得到了快速发展。但是可再生能源发电的随机性和间歇性导致分布式电源单机并网成本高、管理困难。微网和虚拟电厂是目前解决分布式电源并网问题的两种主要方法。
文献[1-4]综述了虚拟电厂与微网的主要区别, 以及虚拟电厂的研究现状。简单来说,微网是由一些分布式电源、储能、负荷、控制装置等构成,有与外部电网并网、孤网两种运行方式,但以分布式电源与用户就地平衡为主要目标;而虚拟电厂则是通过精细的控制方式和能源管理整合多个分布式电源,输出相对稳定的较大的供电量,目标是电力供应主体利益最大化[1,2]。
由于可再生能源出力具有不确定性,通过考虑多种能源的互补性,对多种可再生能源发电容量进行合理配置和调度,是减少可再生能源不确定性对系统影响的有效途径。文献[5]基于一种改进型负荷跟随控制策略,考虑了系统内不同时间尺度下的净负荷波动,对风/柴/储/生物质独立微网系统进行容量配置。文献[6]以最小投资运行成本和最大可再生能源利用比例为目标,提出了含风/光/柴/蓄及海水淡化负荷的微网多目标容量优化配置模型,得到了Pareto最优解集。文献[7]从计划离网下满足综合负荷需求条件下投资成本最低,非计划离网下保证重要负荷可持续供电等多个角度研究了微网中多能互补电源的容量配置。文献[8]以能量缺失率为标准并结合不同储能技术的特征,寻找保证出力连续性下的成本最低的独立混合风光发电配置方 案,文献[9]从负荷最大缺电率和负荷最大瞬时功率缺失两方面对独立运行的风光互补发电系统中的储能容量进行了优化,文献[10]则以体现可靠性的等可信容量为约束条件,考虑了风光联合发电出力概率,以全生命周期总投资成本最小为目标对风/光/ 储容量配置问题进行了研究。文献[11]研究了含电动汽车和风电的虚拟电厂的鲁棒优化竞价模型,为处理风电的不确定性,将其出力的上下限以随机变量表示,并假设可调度充放电的电动汽车数量足够多到抑制风电波动;文献[12]以区间表示风电出力的不确定性,研究了含风/抽水蓄能/燃气机组的虚拟电厂的鲁棒随机竞标模型;文献[13]提出需求响应虚拟电厂的概念,将需求侧作为供应侧电能的可替代资源加以利用,分析了用户需求响应的不确定性对调度成本的影响。总体来说,针对微网分布式电源、储能容量配置的研究较多,虽然优化目标、配置容量的电源类型不同,但大多还是从能量的局部优化和平衡角度出发,而对采用虚拟电厂中多分布式电源容量配置的研究很少。
本文基于国电云南风/光/水分布式电源接入配电网的“863”示范工程,从发电企业最大化收益角度出发,提出一种基于投资组合理论的多分布式电源容量配置模型,该模型考虑了各类可再生能源出力的相关性。
投资组合理论关注了资产风险和期望收益率间的权衡,被广泛用于组合选择和资产配置[14],在电力市场中的电量分配[15,16]、容量配置[17,18,19,20]等方面已取得应用。文献[17]引入相关系数衡量不同发电技术可变成本之间的影响程度,构建了风电并网后的多电源发电容量投资组合优化模型,分析了低、高装机容量风电并网下的各类发电技术装机容量。文献[18]考虑3种电价水平和3种碳税水平对发电组合的影响,利用投资 组合理论 分析了不 同方案下8种发电方式的最优发电组合。文献[19]应用投资组合理论评估了中国2020年中期的发电计划和发电组合,通过分析每一种发电成本风险及其相关性, 讨论了不同场景下的发电组合对能源安全的影响。 文献[20]基于投资组合理论建立了发电容量配置模型,采用可再生能源发电容量减少火电燃料价格、碳排放、装机、运行检修等成本变动等带来的风险,分析了不同电价、碳税、电厂规模、市场规模等对发电容量组合的影响。
目前基于投资组合理论的发电容量配置模型基本都是考虑价格、成本波动的风险。而目前国内风/ 光/水等可再生能源电量按政府批复电价结算,优先上网,为促进风电大规模发展甚至要求尽量全额吸纳。因此,对包含多可再生分布式电源的虚拟电厂而言,收益的波动更多来自于风/光/水等可再生能源出力的不确定性,而非电价的波动性。
基于以上分析,本文提出将虚拟电厂可再生能源出力随机性映射到一般投资组合模型考虑价格随机性的思路,以此考虑可再生能源电源出力不确定性对虚拟电厂效用的影响。本文以国电云南小中甸风/光/水分布式电源“863”示范工程为研究对象,根据投资组合理论的核心思想,考虑了多种电源出力的互补性,建立了虚拟电厂的多分布式电源容量配置模型,分析了预测精度、偏差惩罚、多电源出力相关性等因素对容量配置的影响。
1投资组合理论
Markowitz投资组合理 论被广泛 用于资产 配置,该理论包含两个主要内容:均值—方差分析方法和投资组合有效边界模型[14]。
投资者的目标是最大化期望收益并最小化投资风险。因此,投资者的效用U通常表示为投资组合期望收益率E(r)和方差σ2(r)组成的函数[14,15,16]:
式中:A为反映投资者对风险的厌恶程度的参数,一般可以通过调查问卷获得,通常A取值在2~4,A =3为风险中立型,A>3为风险厌恶型,A<3为风险偏好型[15]。
假设有L种有风险资产,则资产组合的预期回报和方差分别为:
式中:E(rl)和ωl分别为资产l的收益率期望值和占有风险资产的权重,为资产l和m收益率间的协方差。
根据Markowitz模型,投资组合的目标是在给定回报预期下,风险最小的投 资组合。Markowitz效率前缘曲线上每一点都代表一个最佳投资组合, 即在给定的预期回报下,风险最低的投资组合。
进一步考虑有风险资产与无风险资产的配置, 假设有风险资产比例为y,则有
式中:rf为无风险资产收益率;rc为资产组合收益率,E(rc)和σc分别为其期望值和标准差。令斜率kp=(E(rp)-rf)/σp,该斜率又称夏普比率,反映了风险所带来的额外收益,kp最大时达到有风险资产最优配置,即风险资产l的比重ωl决定于
投资者的目标为效用Uc最大化,即
由式(7)得到有风险资产总配置最优比例为:
2虚拟电厂多电源容量配置模型
虚拟电厂作为一种新型分布式电源管理方式, 通过精细的控制方式和能源管理整合各类分布式电源,将多个小电源打包,输出稳定的较大出力,最终目的是为了最大化自身收益、最小化出力波动所带来的风险。
一般而言,投资组合理论是考虑价格波动引起的资产组合期望收益和风险,决策量是各种资产的比例。目前可再生能源电量通常按政府批复价格结算,因此虚拟电厂的收益风险主要来自各类电源出力的不确定性,而非电价波动。本节从资产组合的思想出发,分析了如何通过将各类电源出力不确定性映射到资产价格不确定性,最大化组合效用。
2.1单一时段容量配置模型
本文提出单一时段容量配置模型,主要是为了方便说明所提出算法的基本思想。这里的时段可以是小时,也可以在月、年等更长尺度上考虑。
为了描述方便,本文首先将容量配置问题简化为1h的问题,各类电源单位容量投资成本也折算到单一时段。假设虚拟电厂可选择的可再生能源发电电源有I种,其中电源i单位容量成本为Ci,出力qi的期望值为E(qi)、方差为σ2(qi),单位电量政府批复电价为pi。另外虚拟电厂为减少收益风险,也可以选择 配置火电 容量。 单位容量 火电成本 为CI+1,出力qI+1没有波动,电价为pI+1。则虚拟电厂的可再生能源发电单位容量收益率为:
式中:ωi为电源i占可再生电源总容量份额。
rp的期望值和风险方差分别为:
式中:cov(qi,qj)表示两种可再生能源发电电源单位容量间出力的协方差,i=j即表示电源i单位容量出力qi的方差。
进一步考虑无风险火电容量配置,火电单位容量收益率为:
假设虚拟电厂中可再生能源、火电容量比例分别为y和1-y,类似式(5)至式(8)进行分析,可以由式(6)得到输出具有不确定性的可再生能源发电电源配置最优比例ωi*,由式(8)得到可再生能源容量最优配置比例y*,进而得到电源i占虚拟电厂总容量比例为y*ωi*及火电容量比例1-y*。
2.2考虑可再生能源出力偏差惩罚的容量配置模型
目前中国为鼓励风光等可再生能源发电的发展,输电网和配电网运营企业对系统功率平衡和电能质量负完全责任,在系统安全允许情况下有义务全额收购包括风电在内的可再生能源发电量,可再生能源发电预测不准确引起的备用电源费用与自动发电控制(AGC)调节费用由电网调度公司负责。
但随着风光等发电并网容量的增加,也为了激励风光发电预测的准确性,未来可能会对可再生电源收取出力计划偏差费用。北欧电力市场提供了3种风电场处理偏差的选择:一是风电场通过市场机制保证出力平衡;二是由电力交易中心负责平衡, 风电场签订电力平衡合同,按不平衡功率价格和大小向交易中心支付费用;三是风电场将电量卖给具有平衡能力的市场参与者[21,22]。英国电力市场规则要求发电方应确保出力在约定范围内,风电场输出波动超过规定范围会被处以罚金;西班牙风电计划偏差基于平均绝对误差百分比收取罚金,预测值偏离实际出力20%以上,偏差部分要被处以电价30% 左右的罚金;美国加州风电场各小时偏差可以互相抵消,偏差产生的平衡费用以月度为周期结算[23]。
由以上主流电力市场可见,含多个可再生能源发电电源的虚拟电厂虽然可以通过多电源出力互补,达到稳定的输出,但由于出力不平衡所造成的偏差仍需要进行一定的惩罚。本节考虑可再生能源出力偏差受惩罚时的容量配置问题。
假设虚拟电厂对各可再生能源发电电源按期望值申报计划出力,自有的火电发电能力全部出售,不考虑将自身火电作为平衡功率使用,否则将涉及调度决策问题。虚拟电厂收益除包含按政府批复电价结算的分布式电源实际出力的收入、火电收入,还需扣除由于可再生能源出力总偏差造成的调用系统备用的费用。虚拟电厂单位发电容量总收益率为:
式中:λ+和λ-分别为上调/下调备用价格;各可再生能源发电电源单位容量出力偏差 Δqi=E(qi)-qi;f(x)为分段函数,
式(13)最后两项为虚拟电厂单位容量中可再生能源发电组合计划偏差带来的备用费用。
假设可再生 能源组合 单位容量 出力满足正态分布其中
则有
故
此时可再生能源发电电源配置最优比例ωi*仍取决于给定E(rc)下,最小化σc,即
式中 :夏普比率kp中的 (λ++λ-)σQ/一项反映了可再生能源计划偏差所受惩罚的期望值,即由于存在偏差惩罚,有风险资产实际期望收益减少。
考虑到偏差的偏差一般较小,因此本文忽略可再生能源计划偏差引起的惩罚量对rc方差的影响, 即虚拟电厂单位发电容量效用近似为:
由式(8)可以得到考虑可再生能源出力偏差惩罚情况下,有风险资产总配置最优比例为:
显然,由于虚拟电厂计划偏差需要承担备用费用,可再生能源发电电源最优配置总比例减少。
2.3多时段容量配置模型
虚拟电厂多能源发电出力互补的效果更多地体现在多时段上,如风光发电在一日中不同时段、一年中不同季节均有很强的互补特性,因此本文进一步建立多时段的容量配置模型。
可再生能源发电组合、火电单位容量在T个长度为 Δt的时段上的收益率,以及可再生能源收益率的期望值、方差分别为:
式中
将以上各量代入式(6),即可得到可再生能源发电电源配置最优比例ωi*,继而可由式(8)得到可再生能源总容量最优配置比例y*,以及各电源的容量配置比例。
3算例分析
3.1单一时段算例分析
本文基础数据来源为国电云南风/光/水分布式发电示范工程。为了方便说明,单一时段以1h的1 MW容量配置为例,多时段分析则以月为例,取A=4,即假设该企业为风险厌恶型。表1所示为各类电源单位容量基础数据,假设可再生能源发电电源固定成本折算到每个小时,忽略可变成本。表2所示为当地可再生能源发电出力的相关系数。
算例1A中出力标准差为数据1、相关系数为数据A,以此类推。根据本文所建数学模型对单一时段各种配置方案进行分析,其容量配置结果如图1所示。算例1A,2A,3A,1B,1C,3C的期望收益率分别为7.54%,8.65%,8.62%,7.36%,7.38%, 8.64%。
由配置结果可得以下结论。
1)算例1A下,风/光/水电源收 益率分别 为10%,11%和8%,方差分别为0.11,0.2,0.01,风/ 光/水的配置比例分别为12%,5%,33%,反映了投资者对风险的厌恶。
2)算例1A,2A,3A两两交叉比较可见,可再生能源出力预测精度提高会使得该类电源配置比例提高,而火电配置减少。进一步分析算例3A可知,当可再生能源的预测精度提高到一定程度时,如果计及风险后的效用仍高于无风险资产收益率时,最优资产组合中将不包含无风险的火电容量。
3)算例1A,1B,1C比较可见,1A中风光、风水间负相关,抑制了风电波动带来的风险,风/光/水的总比例提高;1B中风光正相关,风光、光水的正相关使得光电的风险被放大,导致光电配置显著降低。
3.2考虑可再生能源的偏差惩罚算例分析
在3.1节算例的基础上,进一步假设上/下备用电价为50元/(MW·h)和100元/(MW·h)的a,b两种情况,图2为电源容量配置结果。
由算例1A,1Aa,1Ab可见,虚拟电厂出力偏差需要自己购买备用弥补时,水电和风电的比例下降, 且备用价格越高,减少得越多,火电比例增大,光伏发电容量基本不变。进一步分析表1中数据可知: 风电比例下降是出力波动大导致备用成本高引起的,而水电则是原收益率就比较低,出力偏差绝对值大,因此备用成本对收益率影响大,备用的高电价引起水电容量比例骤减。
3.3多时段算例分析
考虑多种可再生能源发电出力在一个较长时间尺度里的互补性,分析其容量配置更具有实用性,下面以一年为例进行分析。图3所示为国电云南风/ 光/水分布式 发电示范 工程中小 中甸水电 站过去50年逐月的水电径流量分布,以及某地过去40年的风速波动分布,50年的太阳能辐射量波动分布, 显然三者间具有很强的季节互补性。
本节考虑3种多时段容量配置算例:算例1中各电源各月电价均取与单一时段相同的政府批复电价;算例2中对水电电价进行季节性分类,将水电电价按照来水量分为丰水期和枯水期两档,丰水期下沉10%,枯水期上浮10%,其余电源 电价不变;算例3为考虑未来光伏发电成本下降,光伏平价上网后的方案,取光伏上网电价与风电上网电价相同。 容量配置优化结果如图4所示。
分析图4可知:1考虑多时段互补特性后,无需配置无风险火电资产,一是因为该地区风/光/水资源在长时期多时段上具有更强的季节互补性,抑制了出力波动风险,二是因为目前可再生能源发电收益率较无风险火电高很多;2算例2中两档电价下的水电收益增加,因此水电配置容量比例提高;3算例3中,由于未来光伏发电成本下降、光伏平价上网,光伏发电收益率下降,因此光电配置比例减小。
4结语
为了解决可再生能源发电出力不确定性带来的收益波动问题,本文借鉴传统投资组合理论,将虚拟电厂可再生能源发电出力随机性映射到一般投资组合模型的价格随机性上,建立了考虑多个可再生能源发电出力不确定性的虚拟电厂电源容量配置模型。合理地考虑了可再生能源发电出力的波动性和互补性。结果表明,提出的模型能够适用于一个较长时间尺度下的虚拟电厂容量配置问题,能够计及对可再生能源发电出力偏差的惩罚,权衡投资收益期望和风险,为含多出力不确定性电源的虚拟电厂容量配置问题提供了新思路。