风光储混合系统

风光储混合系统（精选3篇）

风光储混合系统 篇1

近年来能源短缺问题以及石油价格升高已对全球科技发展产生重大影响。各种可再生能源比如光伏系统 (PV) 和风力发电系统 (WPGS) 已经得到广泛研究和应用[1]。“十二五”期间我国风电和光伏发电都会有大规模的发展。在风力发电方面, 平均每年将新增装机800万k W, 2015年风电装机总容量可达到7000万k W, 年发电量1400亿k Wh。光伏发电每年新增装机100万k W, 2015年前装机容量可达到500万k W左右, 年发电60亿k Wh。

随着电力电子学、材料学等学科的发展, 高效率飞轮储能、新型电池储能、超导储能和超级电容器储能等中小规模储能技术取得了长足的进步, 拓宽了储能技术的应用领域, 特别是在新能源中起到了重要作用[2]。电池储能系统在电力系统许多领域都具有广阔应用前景。

1 风光储混合系统的结构

风光储混合系统主要由风电系统、光伏系统、储能系统、控制系统、交流负载等部分组成。其中储能系统一般由两大部分组成:储能元件 (部件) 组成的储能装置和电力电子器件组成的功率转换系统 (PCS, Power Conversion System) 。储能元件主要实现能量的储存和释放;PCS实现充放电控制、功率调节控制等功能[3]。

2 控制系统设计

风光储混合系统中的控制系统可分为双向DC/DC控制、变流器控制以及储能系统充放电控制三部分。

2.1 双向DC/DC控制

双向DC/DC变换器 (bidirectional DC/DC converter, BDC) 是直流变换器的双象限运行, 可以实现能量的双向传输, 功率不仅可以从输入端流向输出端, 也能从输出端流向输入端。其输入输出电压极性不变, 但输入输出电流的方向可以改变[4]。

在控制方式上, 采用双环串级控制, 外环是电压环, 内环是电流环, 外环输出作为内环电流的参考值。设计时要求内环的响应速度比外环更快, 这样整个结构在这种控制下具有较大的系统增益以及快速的电流跟随性能, 从而使系统能够获得很好的动态和抑制干扰的能力。

2.2 变流器控制

变流器采用功率外环与电流内环双闭环控制。通过有功功率给定, 与实测瞬时有功功率做差, 经过PI调节后得到有功电流给定值。再与实际q轴电流做差, 经过PI调节后再加上式中的前馈项, 就得到了q轴有功电压指令值。无功功率设定值与实测瞬时无功功率做差, 经PI调节后得到无功电流给定, 再与d轴实测电流做差, 经过PI后再加上前馈补偿项就得到了d轴无功电压指令值。dq轴电压指令值经过旋转变换后就得到了abc三相电压参考波, 通过SPWM算法就可以得到控制网侧变流器的脉冲信号。

2.3 储能系统充放电控制

由于太阳能与风能的互补性强, 风光互补发电系统在资源上弥补了风电和光电独立系统在资源上的缺陷。储能系统的加入使风光互补系统能够更好的实现平滑输出波动, 电能质量管理等功能。将风电数据与光伏数据相加, 经过一阶低通滤波环节, 得到平滑后的输出功率。该输出功率与原始风电、光伏数据之和做差, 便得到了储能元件充放电的功率给定值, 通过PCS系统, 实现并网。

3 Ma tla b仿真

为验证控制系统的有效性, 基于Matlab/Simulink软件建立了风光储混合系统的仿真模型。其中PCS直流母线电压为700V, 每组电池用763V电池模型代替。交流侧电抗为5m H;各管的开关频率为20k Hz。根据某风电场的出力数据, 对风光储系统进行仿真, 得到的网侧三相电流曲线如图1所示。

4 结论

本文设计了风光储混合系统的主电路拓扑、控制器及主要参数。其中电池与直流母线间采用双向DC/DC电路接口, 并设计了基于电流内环与电压外环的双闭环反馈的控制器, 保证了直流母线电压的稳定。变流器采用电流内环与功率外环的双闭环控制策略, 保证了装置对有功无功电流的准确跟踪。

摘要：风能和太阳能间具有很好互补性, 这一特性可以使独立的太阳能和风能结合起来组成风光互补混合供电系统, 提高供电系统可靠性。但是所有可再生能源一个突出缺点是它们的不可预测性和输出的不确定性。风光储混合系统利用不同可再生能源间的互补性并采用合适的控制策略, 利用双向DC/DC变流器维持网侧变流器的直流母线电压, 变流器采用功率外环电流内环控制策略, 同时利用电池储能系统的快速充放电特性, 使新能源发电具有调峰填谷、平滑输出波动、跟踪计划出力曲线等能力。

关键词：风光储混合系统,双向DC/DC,变流器,储能系统充放电

参考文献

[1]Li Wang, Tsung-Jen Lin, Stability and Performance of an Au-tonomous Hybrid Wind-PV-Battery System[C].ISAP2007, 2007:1-6

[2]金一丁, 宋强, 陈晋辉等。大容量电池储能电网接入系统[J].中国电力, 2010, 43 (2) :16-20.

[3]F.Valenciaga and P.F.Puleston, Supervisor control for astand-alonehybrid generation system using wind and photovoltaicenergy[J].IEEE Transactions on Energy Conversion, vol.20, pp.398-405, June 2005.

[4]孙伟杰, 王武, 杨富文.PWM型DC-DC开关变换器研究综述[J].低压电器, 2006, 8 (2) :312-322

风光储混合系统 篇2

作为能源战略调整、转变电力发展方式的重要内容,近年来,以风电、太阳能为代表的可再生能源发电技术在中国得到了快速发展。风力和太阳能发电的间歇性将会使发电容量变动区间增大,且电源与负荷分属不同区域,其大规模注入电网使得大电网的安全运行面临严峻考验[1],储能技术的快速发展为解决新能源发电的并网问题提供了一种新的思路[2-5]。鉴于储能良好的调节特性,将其与风光联合构成发电系统,可显著改善总体的有功输出特性,提高电网运行的安全性和稳定性[6-9]。

国内外已有不少学者开展了风光储联合发电控制的技术研究。文献[10-12]提出风、光、储混合电力系统建模方法,并通过优化方法研究了不同电源的最优容量配置。文献[13]提出了一种基于储能系统荷电状态(SOC)反馈的平滑算法,以避免平滑风力发电的过程中储能电池的过度充放。文献[14]提出了可变时间常数控制的一阶低通滤波算法,用于多时间尺度平滑风光出力波动。文献[15]介绍了包含超级电容/蓄电池混合储能系统的能量管理方案,但没有涉及风电与光伏之间的协调控制问题。综合来看,上述研究多停留在理论研究和仿真阶段,对于实际运行中风电、光伏发电、储能系统三者之间的互补运行机制、控制模式及协调控制策略还有待进一步研究。

为破解大规模新能源并网的技术瓶颈,引领清洁能源产业的快速健康发展,国家电网公司在张北建设了国家风光储输示范工程,工程一期建成总容量为风电100 MW,光伏发电40 MW,储能装置20MW,目前是世界上规模最大的新能源综合利用平台[16]。

本文依托国家风光储输示范工程,介绍了联合发电监控系统的分层控制框架,设计了可灵活组态、无缝切换的联合控制模式和场站控制模式,提出了出力平滑、跟踪目标控制和频率调节等多种控制策略,以满足实际工程中风、光、储一体化协调运行和多样化控制需求。实际运行效果表明,文中提出的模型和策略显著提升了联合发电系统的并网性能。

1 风光储联合发电系统构架

国家风光储输示范工程的核心功能在于联合发电全景监控系统,该系统通过统一协调分配风、光、储发电资源,实现风力发电、光伏发电、储能发电以及智能电网输电的友好互动和智能调度,主要由风电场、光伏电站、储能系统及各级监控系统组成,如图1所示。

整个联合发电系统在架构上分为3层:联合调度层、场站监控层和设备层。

其中,联合调度层是联结上级调度中心与联合发电系统之间的桥梁[16],通过建立和提供开放一致的风光储联合发电系统电网模型,为上级调度提供运行分析支持;同时,作为整个系统的控制中枢进行智能分析与决策,实现对风电、光伏、储能的协调控制。

场站监控层主要实现对各子系统的单独监控,实时上传各设备的运行信息,并同时接收联合控制层下发的控制指令,分解后下发至设备层的风电机组、光伏逆变器和储能控制单元。

2 联合发电控制模式

联合发电系统运行涉及风电、光伏、储能独立或联合运行的多种组态,控制目标根据实际的运行需求亦会即时变化,对调度控制提出了新的需求,主要表现在:①需设计并提供良好的控制模式,便于调度员在任意时刻可以准确掌握当前联合发电系统的运行状态和控制目标;②需提供灵活的切换机制,运行组态、控制目标的切换应无缝进行,不应造成系统运行功率的突变。

为此,提出联合控制模式和场站控制模式这2种基本控制模式,联合控制模式用于表征联合发电系统总体的运行方式和控制原则,一旦设置完成后系统会自动关联设置风电场、光伏电站和储能系统的控制模式,即场站控制模式。

2.1 联合控制模式

2.1.1 运行模式及组态

风电场、光伏电站、储能系统具有独立运行和互为补充的特点,决定了联合发电系统运行模式的多样性,为此,设计了可灵活组态的风光储联合控制模式,包括风光储、风储、光储、风光、风单独、光单独、储单独这7种。

受风速、风向及辐照度等气象条件所限,风电或光伏发电有可能运行在单独发电模式下,如果此时其功率输出满足并网标准,则不需要储能调节。当单一发电资源或风光联合输出功率波动较大、跟踪效果较差时,则需要储能系统参与调节,将系统投入风储、光储、风光储模式,以满足并网性能要求或跟踪控制精度。当上级调度机构需要对储能系统直接控制时,联合发电系统也可运行在储单独运行模式。

2.1.2 联合发电控制模式

每种运行模式下,因调节对象构成各不相同,其控制目标也会有所区别,为此,需要设计与模式相匹配的控制模式。

1)平滑模式

此方式下,通过控制储能的充放电平滑风、光出力的波动,使得风光储的输出满足电网并网有功变化率的要求。

2)跟踪计划

此方式下,风光储出力处于计划跟随状态。风光储实时发电总计划由联合发电计划管理模块给出。储能通过充放电使风光储总功率输出尽可能接近计划值,必要时调节风、光出力,控制联合功率输出满足计划跟踪要求。

3)跟踪网调自动发电控制

此方式下,风光储联合发电跟踪网调下发的计划曲线或功率设定值。

4)跟踪给定目标

此方式下,调度人员可根据实际运行需求手工设定风光储联合发电的调节目标,将功率设定值作为跟踪目标进行调节。

5)频率调整

此方式下,风光储联合发电需求由当前频率与额定频率的偏差决定,或者接收上级调度机构给出的调频功率指令。

各运行模式对应的控制功能如表1所示,其中,联合控制模式需与运行模式相匹配,例如,平滑模式仅适用于储能与风、光单独或联合控制时的配合,频率调整则只适用于储能单独控制。

2.2 场站控制模式

运行模式只给出联合发电系统总体的控制方式,针对具体的场站控制对象,还必须提供与之相适应的控制模式。对风电场、光伏电站和储能电站的不同特性和控制需求,设计并提出以下几种场站控制模式。

1)最大模式,风电场、光伏电站适用,对风电、光伏功率输出不做限制,自由发电。

2)计划模式,适用于所有场站,分别执行计划曲线。

3)给定模式,适用于所有场站,执行调度员给定的调节目标。

4)差值模式,风光场站适用,风电和光伏输出功率始终保持与最大可调出力的固定偏差,可视做风电场和光伏电站参与系统有功备用的一种方式。

5)自动模式,适用于所有场站。用于匹配联合控制模式,由控制程序根据当前的运行方式和控制模式自动给出场站的目标指令。

实际运行中,运行人员无需逐一设定每个场站的控制模式,系统会根据当前运行模式与控制模式自动匹配各场站的缺省控制模式。场站控制模式和联合控制模式的典型匹配关系如图2所示。

值得注意的是,除缺省的自动匹配方式,系统支持运行人员对单个场站模式的人工修改,以满足特定的控制需要,实现和联合控制模式的并行运作。例如,风光储联合发电系统工作在“风光”自由发电模式下时,可单独设置储能系统执行充放电计划任务。

3 联合发电控制策略

3.1 功率平滑策略

通过引入储能系统的充放电功率,消除风电、光伏或风光联合输出功率的不稳定,在保证储能系统合理荷电状态下实现对功率波动的抑制[13]。本节以平滑风光联合出力为例分析,控制策略可同样适用于储能单独平滑风电或光伏发电。

为避免储能电池的过度充放,在传统的一阶低通滤波算法基础上引入了储能系统SOC的反馈,如图3所示。

图中:Pwp为风、光实际功率输入值;Pwpb为风光储输出功率;Pb0为一阶低通滤波算法计算得到储能系统的充放电功率;Pb为考虑SOC修正后的储能系统充放电功率;T为一阶低通滤波时间常数;B为补偿系数;K为反馈增益;Poffset为偏移补偿量,保证蓄电池工作在最佳工作区。

由图3可知,蓄电池的目标输出为:

式中:SSOC为蓄电池的SOC。

对式(1)进行时域变换、离散处理后得到:

式中:Tc为程序计算周期。

由式(2)计算得到的控制量可使储能电池在平抑风、光功率波动的同时,保证其SOC在一个合理的范围内。

风电场、光伏站的并网技术规范[17-18]对功率波动的最大变化量已做了明确规定,但未对其波动的程度进行评价,为量化储能的实际平滑效果,引入分钟级波动性指标α:

式中:Pmax,1min为1min最大出力;Pmin,1min为1min最小出力;Pavg，1min为1min平均出力。

3.2 功率跟踪策略

通过协调储能系统,对风光发电出力与发电计划之间的偏差进行实时补偿,可使风光储联合发电依据计划功率稳定输出。本文提出一种基于“风光捆绑、储能解耦”思想的跟踪控制策略。

1)当风电场和光伏电站总出力大于目标出力时,若此时储能仍具有充电能力,优先给储能电池充电,在储能无充电能力的情况下才考虑弃风或弃光。

2)当风电场和光伏电站总出力小于目标出力时,控制风光发电系统与储能系统增加出力,若达到跟踪目标后风光仍具有增出力能力,且储能具有充电能力,则继续上调风光出力,超出部分给储能充电。

依据以上思路,在充分考虑储能吸纳能力的情况下,制定风光发电目标时应尽量避免或减少对风光发电的抑制。

风光发电的控制目标定义为:

式中:Pwp_des(t)为t时刻风光发电系统的理想控制目标;Pref(t)为其在t时刻的跟踪目标;ΔPbmax(t)为t时刻储能系统的最大允许充电功率,受储能电池温度、湿度及SOC等因素的影响变化,随SOC逐步接近饱和,其值也随之下降直至为0。

解耦后,储能系统的实时出力控制目标即为风光储联合出力与跟踪目标的偏差,其理想调节量为:

式中:ΔPb(t)为t时刻储能系统理想调节量;Pwpb(t)为t时刻的联合系统输出。

该跟踪控制的流程图如图4所示。

3.3 调频控制策略

国家风光储输示范工程储能电站规划总装机容量为20MW,一期工程以磷酸铁锂化学储能电池为主,液流和钠硫型化学储能电池正在逐渐建设之中[19]。储能电池调节特性优异,可在毫秒级时间内完成功率的大幅度充放过程,因此,可利用储能电池优异的调节性能来响应频率的变化。

储能参与系统频率调整需要综合考虑实际频率偏差以及储能SOC。设系统实时频率偏差为Δf,储能参与频率调节死区为Δfdb,根据系统实时频率偏差所处区间,分别设计储能参与频率调节的策略如下。

当Δf≥Δfdb时,有

式中:SSOCmax和SSOCmin分别为储能系统运行理想SOC上、下限值;Kf为储能参与频率调整的系数,通过设置该系数可以调整储能参与频率调整的力度;Pch.max(t)为储能系统在t时刻的最大可充电功率。

当Δf≤-Δfdb时,有

式中:Pdc.max(t)为储能系统在t时刻的最大可放电功率。

当-Δfdb<Δf<Δfdb时,有

4 实际控制效果

4.1 功率平滑控制

风光储和风储系统的平滑控制效果分别如图5和图6所示。

根据式(3),可以得出风光储、风储模式输出功率平滑前后的波动率指标,分别如图7和图8所示。

由图7和图8可以看出,风光发电波动率一般在10%以上,个别时刻甚至超过35%。引入储能平滑后,1 h风功率平均波动率由13.72%降至7.74%;风光发电的平均波动率由7.97%降至4.39%。

4.2 功率跟踪

风光储联合发电的计划跟踪试验数据如图9所示。

图9中,风光最大出力约为45 MW,储能功率调节范围为-10~10 MW。t1时刻之前,风、光自由发电,由储能系统对出力波动进行平滑。t1时刻,风光出力约为48MW,风光储投入跟踪模式,目标值为40MW,储能目标曲线下降,风光目标曲线仍高于出力曲线,此时下调功率已由储能全部消纳,未对风光出力进行限制。t2时刻,将跟踪目标继续下调至30MW,下调功率已超出储能吸纳能力,此时风光目标曲线低于出力曲线,弃风弃光量为储能不能消纳的部分功率。t3时刻,跟踪目标上调,联合出力已达到跟踪目标的情况下,风光出力仍高于跟踪目标,多余功率继续给储能电池充电以作存储。t4时刻,跟踪目标已高出风光出力范围,此时储能放电进行补偿以完成目标跟踪。

某小时风光储跟踪计划功率的实际控制效果如表2所示。

由表2可以看出,在储能调节裕度充足的情况下,1h风光储联合发电控制误差率均在10%以内,其中5%以内的点数占比达到98.35%,3%以内的占比也在90%以上,充分验证了风光发电通过与储能的协调配合,联合输出功率的输出特性可接近常规电源。

4.3 频率调整

调频控制效果如图10所示。储能实时目标出力由联合监控系统依据系统频率计算得出,可看出储能响应控制指令迅速,快速跟踪系统频率变化,能够在短时间内提供较大的功率支撑和负载,为系统频率控制提供了优异的调节资源。

5 结语

本文提出了风光储联合发电系统的运行架构,基于多种目标的控制策略和易于工程实践的灵活多组态控制模式,并已在国家风光储输示范工程得到应用。运行结果表明,采用本文的方法可使原本不易控制的风光发电具备像常规能源一样的输出特性,极大地提升了电网接纳新能源的能力。

风光储混合系统 篇3

太阳能与风能在时间和地域上天然具有很强的互补性,风光互补混合供电系统是可再生能源独立供电系统的一种重要形式。与独立风力发电或光伏发电相比,风光互补混合供电系统能使电力输出更可靠、平稳,同时还降低了对蓄电池储能的要求,因此被证明是一种比单一光伏或风力发电更经济、可靠的选择[1,2,3,4,5]。

目前,部分学者对风光互补混合供电系统的容量优化配置问题进行了研究,提出了一些很有价值的建议,然而在其研究中还存在模型不精确或未能考虑光伏电池倾角等问题。部分文献采用了传统的优化方法,但其计算效率低下。文献[6,7]采用遗传算法及粒子群算法等新型智能优化算法,在一定程度上提高了问题寻优的速度,但依然未能保证解的全局收敛性。另外,一些文献将负载假定为恒定不变,这都造成了所推导公式的适用范围非常有限。

本文提出一种利用改进微分进化算法进行风光互补混合供电系统优化设计的方法。该方法采用了更精确的表征组件特性的数学模型,在满足独立供电系统基本性能指标的前提下,构造出以系统投资成本、运行成本、维持系统供电可靠性等综合成本最小为目标的目标函数。其寻优机理综合了遗传算法和粒子群算法的优点,能够根据种群中个体的分布情况,利用控制参数自适应调整策略,获得更高的全局收敛能力和更快的搜索效率。

1 混合供电系统描述

如图1所示,该混合供电系统由不同型号的风力发电机(WG)组、光伏电池(PV)板和蓄电池(SB)组成。这些电源具有各自不同的成本,对用户供电的可靠性不同,其对环境的适应性也不同,因此集中在一起相互补偿,在满足系统性能指标的条件下,可获得最经济的发电方案。

1)WG[8,9]

通过大量实验表明,WG的发电功率与风速间的关系如下:

$p=\{\begin{array}{l}0v\le v{}_{\text{e}\text{i}}\text{或}v\ge v{}_{\text{e}0}\\ p{}_{\text{r}}\frac{v-v{}_{\text{e}\text{i}}}{v{}_{\text{r}}-v{}_{\text{e}\text{i}}}v{}_{\text{e}\text{i}}\le v\le v{}_{\text{r}}\\ p{}_{\text{r}}v{}_{\text{r}}\le v\le v{}_{\text{e}0}\end{array}(1)$

式中:v为风力机轮毂高度处的风速;vei为切入风速;ve0为切出风速;vr为额定风速;pr为额定输出功率。

2)PV

计算PV的输出能量时,需要考虑辐射和温度对能量输出的影响,其输出功率的计算见文献[10]。

PV的倾斜角是影响PV发电量的重要因素之一。从太阳能电池应用以来,相关学者已提出了一些选择最佳倾角的观点和方法,但是这些方法大多仅适用于独立光伏发电系统[11]。

PV发电量Ps(t)与倾斜角β最终可以建立如下函数关系(具体推导见附录A):

${\rm P}{}_{\text{s}}(t)=\Phi (V{}_{\text{m}},{\rm I}{}_{\text{m}})=\Phi (V{}_{\text{m}}(\beta ),{\rm I}{}_{\text{m}}(\beta ))(2)$

3)SB

混合系统中SB的能量是不断变化的。t时刻SB的状态与前一时刻SB的状态和t-1时刻到t时刻电量的供求状况有关。当PV和WG的总输出电量大于负载用电量时,SB处于充电状态,否则,SB处于放电状态。t时刻SB的荷电量可表示为:

${\rm P}{}_{\text{b},\text{s}\text{o}\text{c}}(t)=\{\begin{array}{l}{\rm P}{}_{\text{b},\text{s}\text{o}\text{c}}(t-1)-\left({\rm P}{}_{\text{t}}(t)-\frac{{\rm P}{}_{\text{d}}(t)}{\eta {}_{\text{i}\text{n}\text{v}}}\right)\eta {}_{\text{b}}\\ {\rm P}{}_{\text{b},\text{s}\text{o}\text{c}}(t-1)-\left(\frac{{\rm P}{}_{\text{d}}(t)}{\eta {}_{\text{i}\text{n}\text{v}}}-{\rm P}{}_{\text{t}\text{o}\text{t}\text{a}\text{l}}(t)\right)\end{array}(3)$

式中:ηinv和ηb分别为逆变器的效率和SB的充电效率;Pd(t)为t时刻所需的负荷;Pb,soc(t)为SB在t时刻的储能量,Pb,soc(t)-Pb,min(t)为SB在t时刻可提供的能量,Pb,min为SB规定的最小储能量;Pt(t)为风光混合系统在t时刻的供电量,

${\rm P}{}_{\text{t}}(t)={\rm P}{}_{\text{w}}(t)+{\rm P}{}_{\text{s}}(t)(4)$

该计算忽略SB每小时自放电率。

2 优化问题描述

2.1 目标函数

优化设计目标是在满足系统性能指标的前提下,使系统投资、运行、可靠性等综合成本最小,其目标函数如下:

$\min C{}_{\text{t}}=\min (C{}_{\text{w}}+C{}_{\text{s}}+C{}_{\text{b}}+C{}_{\text{r}})(5)$

式中:Ctotal为系统总成本;Cw,Cs,Cb,Cr分别为WG总成本、PV总成本、SB总成本以及计及供电可靠性的系统电量损失总成本,

$C{}_{\text{w}}={\displaystyle \sum _{i=1}^W(}e{}_i{\rm P}{}_i\frac{r{}_0(1+r{}_0){}^m}{(1+r{}_0){}^m-1}+u({\rm P}{}_i))(6)$

$C{}_{\text{s}}={\displaystyle \sum _{j=1}^S(}f{}_j{\rm P}{}_j\frac{r{}_0(1+r{}_0){}^m}{(1+r{}_0){}^m-1}+u({\rm P}{}_j))(7)$

$C{}_{\text{b}}={\displaystyle \sum _{k=1}^B(}l{}_k{\rm P}{}_k\frac{r{}_0(1+r{}_0){}^m}{(1+r{}_0){}^m-1}+u({\rm P}{}_k))(8)$

Cr=kcoePEENS (9)

式中:W,S,B分别为WG,PV,SB的数量;ei,fj,lk分别为第i,j,k个WG,PV,SB的单位造价;Pi,Pj,Pk分别为第i,j,k个WG,PV,SB的容量;u(Pi),u(Pj),u(Pk)为对应的年维护和运行费用;m为设备折旧年限;r0为贴现率;kcoe为赔偿系数;PEENS为系统电量不足期望值,在计算时采用时间序列和蒙特卡罗方法,即将时间序列分为许多相等的时间段,认为在时间段内,风速、光强、载荷等都不变,然后运用蒙特卡罗方法对随机选取的采样值进行可靠性计算。

运行时间T内系统电量不足期望值计算公式如下(当t时刻供电量大于或等于负荷需求时其值为0):

${\rm P}{}_{\text{E}\text{E}\text{Ν}\text{S}}={\displaystyle \sum _{t=1}^{{\rm T}}(}{\rm P}{}_{\text{t}}(t)+{\rm P}{}_{\text{b},\text{s}\text{o}\text{c}}(t)-{\rm P}{}_{\text{b},\min }-{\rm P}{}_{\text{d}}(t))(10)$

在系统可靠性未满足时,计算系统电量损失总成本比较困难,目前国内停电损失的评估方法主要有平均电价折算倍数法、产电比法和总拥有费用法。为了尽量减小对停电损失的估算误差,本文采用前2种方法的加权平均:

$k{}_{\text{c}\text{o}\text{e}}=a{}_{1}R+a{}_{2}be(11)$

式中:R为产电比;α1和α2分别为电价折算倍数法和产电比法的加权系数;b为单位停电电价与平均电价的比值,一般取25;e为平均电价。

2.2 约束条件

1)SB电量变化约束条件

$\{\begin{array}{l}{\rm P}{}_{\text{b},\min }<{\rm P}{}_{\text{b},\text{s}\text{o}\text{c}}<{\rm P}{}_{\text{b},\max }\\ {\rm P}{}_{\text{b}}<{\rm P}{}_{\text{b},\text{c}\text{a}\text{p},\max }\end{array}(12)$

式中:Pb为每小时内SB电量的变化量;Pb,cap,max为SB每小时内所规定的电量最大变化量;Pb,min为SB最小所需的电量;Pb,max为SB最大的电量。

2)WG数量、PV数量、SB数量约束条件

$\{\begin{array}{l}0\le {\rm N}{}_{\text{w}}\le {\rm N}{}_{\text{w},\max }\\ 0\le {\rm N}{}_{\text{s}}\le {\rm N}{}_{\text{s},\max }\\ 0\le {\rm N}{}_{\text{b}}\le {\rm N}{}_{\text{b},\max }\end{array}(13)$

式中:Nw,max,Ns,max,Nb,max分别为由WG,PV,SB满足用户负荷需求所需要的个数。

3)光伏太阳板倾角约束条件

$0°<\beta <90°(14)$

通过观察发现,上述约束条件均满足如下形式:

$x{}_{j,\min }\le x{}_{i,j}\le x{}_{j,\max }(15)$

因此,在微分进化(DE)算法运算过程中,当生成的粒子不满足约束条件时可利用下式进行处理:

$x{}_{i,j}=\{\begin{array}{l}x{}_{j,\max }x{}_{i,j}>x{}_{j,\max }\\ x{}_{j,\min }x{}_{i,j}<x{}_{j,\min }\end{array}(16)$

3 DE算法的改进

DE算法[12]中,个体竞争较强,很容易收敛到局部最小而导致早熟问题。传统的解决方法是利用大规模的初始群并利用一些数学方法使其能均匀分布,然而这样必然会影响计算的时间效率。这里采用解群转换方法解决早熟问题。

对解群Xi的第j维分量按下式进行解群转换操作重新生成:

$x{}_{i,j}^{k+1}=\{\begin{array}{l}x{}_{b,j}^{k+1}+p{}_1(x{}_{j,\min }-x{}_{b,j}^{k+1})p{}_2<\frac{x{}_{b,j}^{k+1}-x{}_{j,\min }}{x{}_{j,\max }-x{}_{j,\min }}\\ x{}_{b,j}^{k+1}+p{}_1(x{}_{j,\max }-x{}_{b,j}^{k+1})\text{其}\text{他}\end{array}(17)$

式中:xk+1i,j为第k+1代解群中适应度最好的个体的第j维分量;p1和p2为[0,1]内均匀分布的随机数。

这里采用下式衡量解群的分散度:

$u=\frac{1}{n({\rm N}-1)}{\displaystyle \sum _{\begin{array}{l}i=1\\ i\ne b\end{array}}^{{\rm N}}{\displaystyle \sum _{j=1}^n\eta }}{}_{i,j}<\epsilon {}_1(18)$

式中:

$\eta {}_{i,j}=\{\begin{array}{l}1\left|\frac{x{}_{i,j}^{k+1}-x{}_{b,j}^{k+1}}{x{}_{b,j}^{k+1}}\right|>\epsilon {}_2\\ 0\text{其}\text{他}\end{array}(19)$

u为种群多样性的程度因数;N为种群数量;n为个体维数;ε1∈[0,1]和ε2∈[0,1]分别为设定的种群理想差异系数和相对于最优个体的理想差异系数;ηi,j为个体差异指数,当ηi,j=0时表示第i代个体的第j维分量接近于最佳个体的第j维分量。

当u<ε1时,将进行变异操作产生新的个体来摆脱局部最小而导致的早熟问题,即当超过给定的限制值时,进行解的转移以脱离局部最优点,否则继续保持原有的搜索路径寻找最优解。

4 风光互补混合供电系统容量优化配置

通过上述描述可以将优化问题用以下数学表达式表示:

$C{}_{\text{t}}=F{}_{\text{c}}\{S,{\rm N}{}_{\text{s}},\beta ,W,{\rm N}{}_{\text{w}},B,{\rm N}{}_{\text{b}}\}(20)$

基于改进DE算法求解的具体步骤为:

1)算法参数初始设置。设置种群数N、终止迭代次数C、变异因子上下限Fmax和Fmin,杂交因子上下限CRmax和CRmin,解群转换操作系数ε1和ε2。

2)种群初始化。在决策变量的变化范围内随机生成N个解。

3)计算父代种群的适应度方差,计算F和CR的当前值。

4)分别进行变异和交叉操作,生成子代种群。

5)将子代种群代入约束条件式(12)～式(14)进行检查,不满足条件的按式(16)进行处理。

6)计算出父代种群和子代种群的适应值,然后采用贪婪策略进行选择操作,并记录当前最佳个体和对应的适应值。

7)按式(18)和式(19)判断当前种群的分散度,对某些即将重叠的个体,利用式(17)进行解群转换操作。

8)重复步骤3～步骤7至达到终止迭代次数。

5 算例分析

以某地区(北纬32°46′)为例进行计算,该地区日照数据、风速数据、系统用户所需负荷数据见附录B图B1和图B2;风光混合系统中采用的WG,PV,SB具体参数见附录B表B1。采用MATLAB语言对改进DE算法编程,同时与基本DE算法计算结果进行比较。算法参数见附录B。

基本DE和改进DE算法的进化迭代过程和种群适应方差动态演化曲线见附录B图B3和图B4。可以看出,基本DE算法的种群适应方差曲线由大变小,最后变成0,说明种群收敛到了个体,而改进DE算法的种群适应方差曲线在20代后不断波动,表明改进算法有利于维持种群多样性,有效避免了收敛到局部最优。

风光互补混合供电系统中的4个变量——光伏太阳板倾角、WG个数、PV个数、SB个数在改进DE算法中的寻优过程如图2所示。

从图2可以看出,改进DE算法搜索到的最优结果与DE算法相比,其性能更加稳定(改进DE算法的100次搜索成功率为86%,而DE算法的100次搜索成功率为69%)。

通过寻优得到风光互补混合供电系统全年WG发电量、PV发电量、SB的电量变化情况如附录B表B2所示。

通过最优配置方案,负载用电的基本要求由WG就能满足(占整个电量的69%),然而由于实际风能分布和负载用电变化情况的不匹配,WG发电量很不稳定,由单纯风力发电来保障负载用电,其可靠性较低。通过对WG和PV方阵进行合理组合,风能和太阳能在时间分布上的互补性就能被充分利用。从附录B表B2所示WG发电量、PV发电量和SB充放电情况与负荷的变化情况来看:1年内WG与PV的发电高峰出现于不同时期;风光有效互补可防止SB频繁充放电,提高SB的寿命。

同时,由于2种自然资源分布与全年负载用电分布的不匹配,混合系统会发出不被负载利用的多余电量,此时可以考虑在保证供电可靠性的同时,分别停运一些WG,对其进行检修和维护。

利用改进DE算法对2种配置方案(方案1:PV,WG,SB;方案2:WG,SB)分别进行优化求解,将所得结果进行经济特性对比分析,如表1所示。

图3为以上2种配置方案全年的缺电容量与时间的关系。

一般供电系统的可靠性用功率供给亏欠率和缺电率来表示,其计算见文献[13,14]。按照上述2种方案配置设计独立供电系统,可得到风光混合系统的全年停电时间为292.5 h,全年缺电率为0.031 4,全年功率供给亏欠率为0.028 8;单一的风力发电系统全年停电时间为798.7 h,全年缺电率为0.091 4,全年功率供给亏欠率为0.060 2。

可知配置方案1中,风能和太阳能在时间分布上的互补性可以被充分利用,因此系统供电不足时间大幅减小,系统全年缺电率和全年功率供给亏欠率较小,所以缺电惩罚成本较低。同时,由于风能和太阳能在时间上的互补性大幅减少了系统定期维修的时间,有效减少了SB的频繁充放电,延长了使用寿命,因而风光混合系统的运行维护成本较低。

经过寻优可得到光伏太阳板倾角与年系统总成本的关系如图4所示。

现有很多风光互补供电系统设计方案中,大多将PV倾角设计为当地纬度值。在混合系统中,对于固定式光伏方阵,倾角选择不仅与日照有关,还与风速、负荷和选定组件的容量等都密切相关。光伏太阳板最佳倾角的不同选取直接影响到PV发电量的变化,同时为了保证电力供应的可靠性,必须增加SB数量,这些变化都会导致独立系统的总成本增加。因此,本文将光伏太阳板倾角作为一个决策变量代入运算,通过运算结果发现,图4所示关系曲线为一条抛物线,年系统总成本最小值对应的角度约为23°,所求得的最佳倾角与当地纬度存在一定差异。

5 结语

本文对风光互补混合供电系统容量配置进行了研究,考虑了地理位置、每小时风速、日照、负荷变化,以及风速模型特别是光伏太阳板倾角等因素。而现有很多风光互补供电系统设计方案中,都将光伏太阳板倾角设计为当地纬度值,其实对于风光互补供电系统,倾角选择还与风速、负荷有关,倾角的设计应该使风能和太阳能具有良好的互补性。因此,本文将倾角作为一个决策变量代入运算,通过运算结果发现,倾角与当地纬度差异较大。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。