分布式储能（精选3篇）
分布式储能 篇1
0 引言
随着我国电力需求的迅速增长,煤、石油的过度使用,造成了越来越严重的环境污染问题。因此,在节能减排的政策下,能满足用户需求、保证电网清洁性的分布式电源DG(Distributed Generation)以高效、便捷、经济的发电方式在配电网中得到越来越多的应用。但由于部分DG(如光伏、风力发电等)出力具有随机波动性[1,2],需要配电网提供较多的备用容量来弥补其出力的不确定性,无论从安全方面还是经济方面都限制了配电网对DG的接纳能力[3,4]。安装适量的储能设备,利用储能、DG和负荷需求之间的时序互补特性,能显著抑制DG出力的波动性,减少配电网备用容量,提高规划方案的经济性。因此,如何将负荷、DG和储能装置的时序互补特性,应用到DG选址定容的规划中,来解决DG在配电网中渗透低的问题,成为国内外学者研究的热点之一。
文献[5-6]在设定好负荷需求水平、让DG按照额定容量发电的前提下,对DG进行选址规划,并没有考虑DG出力和负荷的时序特性;文献[7]中DG的选址定容规划要求储能的安装容量至少要为风力发电和光伏发电的安装容量之和,这样规划会造成安装多余的储能装置,使规划方案经济性差;文献[8]虽然考虑了负荷和DG出力的时序特性,也提及了储能装置,但并没有根据储能与DG、负荷的时序特性,对三者进行协调优化;文献[9]以独立发电商收益最大为目标函数,建立了DG的选址定容规划模型,但模型中只考虑了风力发电的时序特性,并未考虑负荷需求的时序特性;文献[10]对独立运行的微网系统容量进行优化配置,在规划中储能装置的充放电状态完全取决于DG的输出功率与负载的大小关系,并没有将平抑节点负荷的波动性列入考虑之中。
针对上述文献的不足,本文以风力发电机WG(Wind turbine Generator)、光伏发电PV(Photo Voltaic)和钠硫蓄电池储能BS(Battery Storage)作为主要研究对象。在含DG的配电网规划中充分考虑负荷、DG与储能装置时序互补特性,以配电网年度的综合成本(投资成本、维护成本、购电费用、可靠性成本和环境污染补偿费用)最小为目标函数,建立风力发电、光伏发电和储能装置选址定容的规划模型。
1 时序特性
1.1 负荷和DG的时序特性
(1)负荷的时序特性。
本文参照绘制电力负荷曲线的方法,绘制了5类典型用户负荷[8]的负荷曲线,分别为Ⅰ工业负荷、Ⅱ商业负荷、Ⅲ市政生活、Ⅳ农业(灌溉期)、Ⅴ农业(非灌溉期)。这5类负荷的特点不同,变化规律也不相同。图1(图中负荷需求为标幺值)比较了5类负荷的标幺值,显示了5类负荷不同的变化规律(不同类型负荷大小不具有相关性)。
由图1可见:工业负荷率较高,几乎不受外来因素的影响,均在0.8 p.u.以上;商业负荷用电时段集中在07:00—17:00之间,其他时间负荷率较低;市政生活负荷曲线峰谷差较大,负荷率较低,每日用电主要集中在16:00—21:00之间;农业负荷曲线则随着排灌、秋收和农闲呈现明显的季节性,春秋灌溉期负荷率明显大于冬夏非灌溉期负荷率。
(2)DG出力的时序特性。
尽管风力、光伏等具有间歇特性的DG出力不稳定,但仍具有一定的规律性。其输出功率的时序特性与季节密切相关,具有明显的季节性特点。本文在春、夏、秋、冬4个季节中分别选取典型日,对分布式发电的时序特性进行研究,风力发电、光伏发电出力时序特性曲线分别如图2、图3所示(图中功率输出为标幺值)。风力发电春季出力最大,夏季出力最小;光伏发电夏季出力最大,冬季出力最小。
1.2 节点等效负荷的时序特性
DG出力的变化和负荷需求的变化共同决定了DG接入后给配电网带来的波动性。节点i在t时刻的等效负荷Pei(t)表示为:
其中,PL i(t)为节点i在t时刻负荷的有功值;PDGi(t)为节点i的DG在t时刻的有功输出。
节点等效负荷Pei(t)的大小能体现节点i的负荷需求的波动情况。
2 基于时序特性的数学模型
2.1 目标函数
在充分考虑负荷、DG与储能装置时序互补特性的基础上,以配电网年度的综合成本(投资成本、维护成本、购电费用、可靠性成本和环境污染补偿费用)最小为目标函数,建立风力发电、光伏发电和储能装置选址定容的规划模型如式(2)所示。
其中,Cinvest为DG、储能及配电网网架线路的投资费用;p1=r(r+1)y/[(1+r)y-1]为等年值折算系数,r为折现率,取为0.08,y为配电网寿命周期(a);Co为DG、储能及线路每年的运行维护费用;Cbuy为配电网每年购电费用;CEENS为配电网每年可靠性成本;Ce为配电网的年度环境污染补偿费用。
2.1.1 投资费用
投资费用主要包括DG投资费用CDG、储能装置投资费用CBS和配电网网架的投资费用Cl。
其中,,n为节点数,cwg、cpv分别为风力发电、光伏发电的单位容量造价,SWGi、SPVi分别为在节点i处风力发电、光伏发电的安装容量;,SBS i为节点i蓄电池安装容量(MW·h),cbs1为单位容量蓄电池的成本,PBSi为节点i蓄电池双向充放电设备的功率(MW),cbs2为单位充放电功率的成本;,NL为配电网支路数,cj为支路j单位长度投资成本,lj为支路j的长度。
2.1.2 年度运行维护成本
年度运行维护成本Co主要包括每年网络损耗成本Closs和配电网线路、DG、储能的维护费用Cm。
其中,,el为趸入电价,为0.5元/(k W·h),Tk为第cj个季节的天数(春、夏、秋、冬分别为92、91、91、91),Pei(t)、Qei(t)分别为支路j末端负荷节点i的有功功率和无功功率(根据负荷和DG出力的时序特性曲线求得的等效负荷),Ui为支路j末端负荷节点i的电压,rj为支路j的电阻值;,N为DG种类数,μm为第m种DG的运行维护费用,取μwg、μpv、μbs分别表示风力发电、光伏发电、储能单位输出功率的维护费用,PDGim为节点i第m种DG的有功出力(单位MW),μl为线路维护成本,基于规划地点检修成本的历史统计值,取为初始投入成本的4%。考虑负荷时序特性将直接影响网络损耗费用的大小。
2.1.1和2.1.2节各成本计算用到的相关参数取值如表1所示。
2.1.3 全年购电费用
其中,Etotal为基于各类负荷时序特性求得的电网全年用电量;Edg为基于DG四季时序特性求得的DG全年可利用的发电量。
2.1.4 供电可靠性成本
每年的供电可靠性成本采用缺电损失成本进行间接估算[11,12]。
其中,Ti为负荷节点i的故障平均停电持续时间;CRi为节点i每k W负荷单位停电时间对应的停电损失费用,各类用户停电损失[13]如表2所示;PLi为负荷节点i的负荷大小。
假设每条支路都安装可靠性为100%的熔断器保护,保证发生故障负荷节点不影响其他负荷节点的正常运行。由式(7)可得到节点i的故障时间。
其中,λj和γj分别为第j段线路的故障率和故障平均停电时间;λDGi和γDGi分别为节点i处DG的故障率和故障平均停电时间;γ=min(γj,γDG i)表示含DG节点的故障恢复时间;Aij为任意节点i从电网获取电能所经过的支路j构成的矩阵A中第i行第j列元素,由0、1表示节点i与支路j的关联性;Ω为含有DG的负荷节点集。
2.1.5 年度环境污染补偿费用
环境污染补偿费用一般包括以下两方面的费用:①环境的损失费用,包括由于污染所引起的环境质量下降和过分消耗自然资源所引起的生态环境破坏产生的费用;②排放污染物所受到的罚款。
其中,M为传统发电排放污染气体的种类数;Kk为传统火电厂单位电量产生第k种污染物的排放强度(kg/(MW·h));Vk为第k种污染气体环境价值折价标准(元/kg);Rk为第k种污染气体排放征收价格(元/kg)。
各参数具体取值见表3。
2.2 约束条件
a.功率约束:
b.电压约束:
c.DG安装容量约束:
d.荷电状态约束:
其中,PLi和QLi分别为节点i的有功和无功负荷;PDGi和QDG i分别为节点i的DG的有功和无功出力;Ui、Uj分别为节点i、j的电压幅值;Gij和Bij为网络导纳;θij为节点i和j的电压相角差;Uimax、Uimin分别为节点i的最高和最低电压;SWGi max、SPVi max分别为在节点i处风力发电、光伏发电的最大安装容量;SOCmax=1、SOCmin=0分别表示储能荷电状态的上、下限值。
3 基于时序特性的规划优化策略与算法求解
3.1 等效负荷与储能装置协调优化策略
本文假设风力发电和光伏发电的输出功率在1 h内恒定,将一年8 760 h分为春夏秋冬四季,在4个季节中分别选取典型日,以24 h为一周期进行研究。根据式(1)计算节点i在t时刻的节点等效负荷Pei(t)。
其中,PWG(t)、PPV(t)分别为单位容量的风力发电、光伏发电在t时刻的输出功率;Pip(t)为节点i等效负荷的平均值。
等效负荷Pei(t)与储能装置协调优化,当等效负荷曲线瞬时减少时,储能装置存储多余的能量;当等效负荷瞬时增加时,储能装置释放能量。储能装置一要保证配电网潮流的单向流通,二要平抑DG接入配电网后负荷节点的波动性。节点i的等效负荷与储能装置的协调优化策略如下。
(1)保证配电网的单向潮流。
Pei(t)<0时,负荷需求小于DG出力,蓄电池需要存储多余电能,蓄电池充电。
(2)平抑负荷节点的波动性。
Pei(t)>0时,负荷需求大于DG出力,蓄电池根据判据①—④判断充放电状态。
①若Pei(t)远远小于等效负荷平均值Pip(t),即Pei(t)处于低谷阶段,此时蓄电池需存储电能,以备在负荷高峰时释放。若满足Pei(t)+Pc≤Pip(t),则蓄电池充电,Pc为蓄电池的充电功率。
②若Pei(t)稍小于等效负荷平均值Pip(t),此时蓄电池是否充电取决于蓄电池充电后,是否有利于平抑等效负荷的波动性。若满足|Pei(t)+Pc-Pip(t)|≤αPip(t),则蓄电池充电,α=|Pei(t)-Pip(t)|/Pip(t)表示Pei(t)在其平均值的波动范围系数。
③若Pei(t)远远大于等效负荷平均值Pip(t),即Pei(t)处于用电高峰阶段,此时蓄电池释放电能。若满足Pei(t)-Pf≥Pip(t),则蓄电池放电,Pf为蓄电池的放电功率。
④若Pei(t)稍大于等效负荷平均值Pip(t),此时蓄电池是否放电取决于蓄电池放电后,是否有利于平抑等效负荷的波动性。若满足|Pei(t)-Pf-Pip(t)|≤αPip(t),则蓄电池放电。
(3)由上述步聚得到春夏秋冬的储能充放电功率,确定储能充放电设备的功率PBS=max[Pcx,Pfx],Pcx、Pfx的下标x取1、2、3、4分别表示蓄电池在春、夏、秋、冬的充、放电功率。
(4)储能蓄电池容量SBS=max(Pcxtcx,Pfxtfx),其中,tcx、tfx分别为蓄电池每天的充、放电小时数。
3.2 粒子群优化算法求解
本文基于3.1节负荷、DG、储能的协调优化策略,建立了含有风力发电、光伏发电及蓄电池储能装置的并网接入位置和容量的规划模型。模型采用粒子群优化算法进行求解。
a.粒子群优化算法的速度更新和位置更新公式如下:
其中,下标d表示粒子维数;ω为惯性权重;r1、r2为均匀分布在[0,1]区间的随机数;c1、c2为学习因子,通常取c1=c2=2;ptid为粒子i第t次迭代所经历的最好位置;ptgd为所有粒子所经历的最好位置;vtid、xtid分别为粒子i第t次迭代的速度、位置,[-vmax,vmax]、[xmin,xmax]分别为速度和位置更新的范围。
b.选址定容模型采用粒子群算法求解的步骤如下。
Step 1:输入气象资料、季节天数和配电网原始数据。
Step 2:设定粒子群迭代次数和粒子数,并初始化粒子群。
Step 3:根据3.1节储能规划研究的方法,计算各节点4个季节典型日各时刻的等效负荷值,并求解蓄电池在不同季节各时段的最佳运行方式。
Step 4:将含有DG的节点模型等效成PV节点,采用前推回代法进行潮流计算。计算适应度函数,采用罚函数法处理不满足约束条件的解。
Step 5:进行个体寻优,粒子本次目标函数最小值所对应的位置向量为最优解,与上次目标函数值比较,两者较小者对应的解为当前个体最优解。
Step 6:速度更新、位置更新。
Step 7:进行全局寻优。本次循环最优解与当前最优解进行比较,两者较小为最新全局最优解。
Step 8:若满足搜索终止条件或达到最大搜索次数,输出最优结果;否则,继续Step 2进行循环,同时搜索迭代次数加1。
4 算例分析
本文对含有14个节点、13条支路的10 k V辐射型网络进行DG、储能的选址定容规划。拓扑图如图4所示,参数如表4所示。节点0处为35 k V/10 k V变电站10 k V侧的出线。可选择支路线型1为LGJ-50,线型2为LGJ-70,线路建造费用分别为5.5万元/km和7.2万元/km。规划方案寿命周期取20 a。设备可靠性参数[14]如表5所示。本文基于时序特性含储能装置的DG规划有6种规划方案,如表6所示。
由图4得到该配电网节点与支路的可靠性关联矩阵A。
注:“/”表示不考虑,“√”表示考虑。
A为14行13列的矩阵,矩阵中若第i行中第j列为1表示节点i-1从电网获取电能经过支路j,若为0则表示不经过。例如,A的第9行表示,节点8获取电能需要经过的支路号为1、2、8。即支路1、2、8影响节点8的供电可靠性。
4.1 各方案选址定容结果和各项成本的情况
采用本文提出的负荷、DG、储能协调优化的策略,通过粒子群优化算法,对表6中6种方案进行DG、储能选址定容规划。得到各方案的规划结果如表7所示,线型选择如表8所示,对应方案的各项成本的情况如表9所示。
表9中,方案3的CBS(790.72万元)包括564.81万元蓄电池的构建费用和225.91万元的充放电设备的构建费用。方案6的CBS(493.85万元)包括343.24万元蓄电池的构建费用和150.61万元充放电设备的构建费用。
注:“—”表示不安装。
注:“1”表示线型LGJ-50,“2”表示线型LGJ-70。
4.2 结果分析
4.2.1 考虑时序特性与不考虑时序特性的方案比较
方案1和4、方案2和5、方案3和6,两两之间具有相同的DG和储能规划要求,方案1、2、3不考虑时序特性,方案4、5、6考虑时序特性。
①由表9可以看出,考虑时序特性的方案4、5、6的网络损耗费用Closs、购电费用Cbuy、环境污染补偿费用Ce明显对应小于不考虑时序特性的方案1、2、3。原因是在不考虑负荷时序特性时,负荷需求按最大负荷计算,用电量比较大,造成方案1、2、3的购电费用和环境污染补偿费用以及网络损耗费用比较大。由此可见,考虑时序特性的规划方案更具有经济性。
②由表7和表9可以看出,方案3储能的充放电设备的功率(0.45 MW)、安装费用CBS(790.72万元)明显高于方案6储能的充放电设备的功率(0.3MW)、安装费用CBS(493.8万元),这是因为方案6是在充分考虑了DG、负荷的时序特性的基础上,通过对等效负荷和储能装置进行协调优化,确定储能装置的充放电设备的功率及蓄电池的容量。因此方案6可以在不过多安装储能及保证配电网经济性的前提下,达到最好的优化效果。由此可见,考虑时序特性对储能装置优化配置规划的重要性。
综合上述①和②,不考虑DG和负荷的时序特性的规划方案1、2、3不仅与真实运行情况不相符而且规划结果经济性差。因此最优方案应该在考虑时序特性的方案4、5、6中选取。
4.2.2 在考虑时序特性的方案中选取最优方案
①比较表9中方案5和方案6的DG可利用的发电量Edg,可以得到方案5的DG出力渗透率为(4 844.68÷21 675.1)×100%≈22.35%,方案6的DG出力渗透率为(5954.05÷21675.1)×100%≈27.47%,方案6比方案5提高了约5%。这表明储能和等效负荷(负荷、DG出力)的协调优化,减小了负荷曲线的波动性(见图5),提高了DG出力的渗透率。同时,DG渗透率越大,环境污染补偿费用和购电费用就越少。由此可见,储能装置和DG、负荷协调优化不仅可以提高DG出力在配电网中的渗透率,也可以提高配电网规划的经济性。
由图5不难看出,方案6的节点等效负荷曲线的波动性明显减小。由此可见负荷、DG及储能装置协调优化的有效性。
②比较表9中方案4、5、6的可靠性成本CEENS可以看出,含有DG的方案5和6的可靠性成本明显低于方案4,这是因为DG和储能接入配电网可以减少负荷节点的故障停电时间和降低停电损失的电量,所以DG、储能可以提高配电网的供电可靠性。
综上所述,方案6虽然增加了储能的投资成本,但储能与负荷、DG的协调优化,提高了DG发电的渗透率,降低了购电成本、可靠性成本、环境污染补偿成本,使配电网每年的综合成本达到最小。因此最终选取方案6作为最优方案。
5 结论
本文基于DG和负荷的时序特性,考虑配电网的投资成本、运行成本、购电费用、可靠性成本和环境污染补偿费用的综合成本等年值,对负荷和储能装置进行协调优化,建立了DG和储能选址定容的规划模型,并采用粒子群优化算法进行求解得到最优的规划方案。主要结论如下:
a.考虑时序特性的规划方案更符合负荷和DG的实际运行情况,且充分考虑负荷、DG的时序特性,更有利于规划安装的储能装置得到充分的利用;
b.负荷与储能装置的协调优化可以有效地减缓节点等效负荷的波动性,是提高DG出力渗透率、含DG的配电网规划方案的经济性的有效措施。
本文提出的负荷与储能装置协调优化的策略实现了负荷、DG、储能时序上的良好互补;将其应用到DG和储能装置的选址定容的规划模型中,得到了配电网综合成本等年值最优的规划方案;充分验证了规划模型和计算方法的正确性和有效性。
分布式储能 篇2
在风、光发电系统中, 由于风能、太阳能资源的间歇性和随机性, 严重影响了风、光发电系统的电能质量, 因而多用配置储能设备的方法提高电能质量[1]。研究与实践表明, 储能技术的应用, 可以减缓甚至消除风、光发电的电压、功率波动, 提高电力系统的稳定性和供电可靠性, 增强电网调控能力[2,3]。
储能技术包括分布式储能和集中式储能, 集中式储能技术, 即将储能装置连接在系统交流母线上, 一般指容量较大、集中安装与控制的储能系统, 用以维持所在系统的功率、电压稳定[4]。然而, 规模性的集中储能实现困难、存在传输损耗, 在风电、光伏等交直交系统中不能充分利用直流母线。分布式储能是将储能装置直接连接在风电、光伏发电系统的直流母线或负荷侧, 一般为容量相对较小的储能装置。相对于集中式储能具有控制简单、传输损耗小、较少占用电能传输通道等优点, 具有广阔的应用前景[5]。这样的储能装置多数用于为系统提供短时电压、功率支撑[6,7,8]。随着新能源发电和储能技术的发展, 大容量、规模化的储能将成为电力系统中的重要角色。对储能控制器的研究目前主要针对储能装置充放电方式选择、与交流系统进行能量交换的逆变器及其控制策略等方面[9]。
本文以独立风/光/储发电系统为应用背景, 采用分布式储能的方案, 并设计了相应的储能控制器, 采用电压外环电流内环的方法, 控制储能装置与系统直流母线的能量交换;最后实现了平抑直流母线电压、维持交流负荷侧电压和功率稳定的目的。
1 系统结构
风/光/储系统中, 风力发电机组三相交流电经整流-逆变环节供给交流负荷, 光伏系统发出的直流电升压后经三相逆变器连接到负荷, 在风电和光伏系统直流母线上分别接入储能装置。系统结构如图1所示。
这种连接方式的优点在于储能装置分别与风电、光伏系统共用一套逆变器, 可降低成本;负荷侧电能质量受电源频率、电压波动的影响较小;储能装置在风光资源充足时吸收电能, 在风光资源不足时向系统放电, 从系统直流侧维持电压和功率的稳定, 有利于逆变器的控制, 输出稳定、合格的交流电能。
2 系统功率交换与储能控制
2.1 功率交换模型
设系统中电源输出功率为P0, 在充电时, 储能装置吸收的电能为Pi, 输送给负荷的电能为Pl。忽略系统损耗, 功率传输表达式为:
从式 (1) 可知, 系统负荷容量固定时, 储能单元吸收电能Pi随发电机输出功率P0的变化而变化。当Pi为正时, 储能单元从系统吸收电能, 处于充电状态;当Pi为负时, 储能单元向系统释放电能, 弥补系统功率缺额[10,11,12]。
2.2 储能控制器设计
如图2为储能控制器的原理框图。
储能控制器采用电压外环、电流内环的控制方法。电压回路为定电压控制, 将参考电压V*dc的幅值与检测到的直流母线电压Vdc产生的偏差信号经过PI调节, 作为电流内环的参考电流与实际输出电流作比较, 电流环输出信号与三角载波进行调制, 产生PWM调制信号调节斩波器电压, 实现充放电控制, 进而控制储能装置的充、放电电流[13,14]。
3 仿真与分析
本文采用额定功率20 k W永磁同步发电机, 输出额定700 V交流电压经整流-逆变环节向负荷供电, 整流侧与直流母线连接;光伏发电系统额定功率10 k W, 输出端额定电压320 V, 经升压斩波电路 (Boost) 升压到700 V, 仿真中储能装置分别采用蓄电池组, 端电压为320 V, 经Buck-Boost电路与直流母线连接, 直流母线稳压电容为3 000μF, 系统负荷为10 k W恒定负载。仿真时间取2.4 s, 模拟北方某地区夏季一天24小时内风、光电源的平均输出特性。根据储能装置充放电控制原理和数学模型, 建立基于MATLAB/Simulink的风/光/储独立发电系统的仿真模型。
3.1 无储能时风/光发电系统仿真结果
从图3中看出, 夜间0∶00~6∶00 s, 22∶00~24∶00, 风速在额定值附近, 风力发电机组出力稳定, 直流母线电压为额定电压700 V;白天风速低于额定值, 且不同时间段内平均风速不断变化, 风电机组直流母线电压波动明显, 在12∶00~15∶00, 直流母线电压跌落到420 V。
对于光伏发电系统, 夜间没有发电能力。白天在最大功率跟踪状态下, 光伏系统端口直流电压随着光照强度的增加而升高, 到中午12∶00~3∶00, 光照达到额定光照强度, 此时光伏系统直流母线电压为700 V, 如图4所示。
未安装分布式储能时, 系统负荷侧功率波动如图5所示。0∶00~6∶00, 风力发电机组额定运行, 系统所发出的功率稳定, 白天6∶00~20∶00, 风速基本低于额定风速, 负荷侧的功率主要受光伏发电的影响, 波动明显。到夜间, 光伏系统出力为零, 22∶00时刻, 由于风速突降, 负荷功率迅速下降。
3.2 有储能装置时的仿真结果
在风电机组整流侧和光伏系统直流母线处接入蓄电池, 即分布式储能装置, 在储能控制器的控制下, 当风光不足时储能装置放电, 风光充足时系统为储能装置充电, 有效平抑了直流母线的电压波动, 并将直流母线电压维持在700 V。仿真结果如图6所示, 图7为蓄电池充放电电流。
本文风/光/储系统中, 分布式储能装置承担风力不足和夜间无光的情况下为负荷供电的任务, 在电源发电大于负荷时, 必须保证储能装置满充, 因而, 要求风电、光伏装机容量和储能容量合理配置, 既要配备足够的储能容量, 还要确保经济性。系统逆变器控制采用正弦脉宽调制技术 (SPWM) , 逆变后负荷侧三相电压波形如图8所示。
图9 (a) 中负荷侧交流电压额定电压为380V, 仿真中用标幺值表示。可以看出, 负荷侧电压始终维持380 V, 较为稳定。风/光/储发电系统负荷侧功率如图9 (b) 所示。
从图9 (a) (b) 可看出, 配备分布式储能装置可保证负荷侧三相交流电压和负荷供电的稳定性。仿真表明, 在合理配置储能容量前提下, 通过储能控制器的有效控制, 分布式储能可以从直流侧平抑间歇电源的电压和功率波动, 减小逆变器的控制难度, 提高负荷侧的电能质量。
4 结束语
本文在风/光/储系统中采用分布式储能的方案, 通过储能控制器的有效控制, 实现了储能装置平抑风力发电、光伏系统直流母线电压波动的功能, 保证了交流侧负荷的电压和功率稳定。仿真结果表明, 在储能控制器的有效控制下, 分布式储能的方案可以有效维持风/光/储发电系统的电压、功率稳定, 确保风/光/储系统稳定运行和负荷的可靠供电。
摘要：在独立风/光/储系统中对储能装置采取分布式接入的方案, 设计了相应的储能控制器, 采用电压外环和电流内环的控制方法控制系统直流母线的电压稳定。在MATLAB/Simulink平台上, 对储能系统接入方案及系统储能控制器进行了仿真, 结果表明, 在储能控制器的有效控制下, 分布式储能可以维持风/光/储系统直流母线电压的稳定和系统负荷的可靠供电。
分布式储能 篇3
由于风能等可再生能源具有不稳定的特点, 大规模的可再生能源给电网带来了一定压力, 给发电、输电、配电和用电方也都提出了一定挑战。目前国内外学者已经对风功率预测[1,2]进行了大量研究, 主要分为两大类:一类是直接对风功率进行预测;另一类是通过风速预测求功率预测值。但现阶段小时级预测误差平均水平也只有20%~40%, 有较大的提升空间。
对预测误差的分析有利于弥补风功率预测水平的不足, 改善风功率输出特性。文献[3]根据概率分布和最小二乘法的相关理论, 提出了一种基于正态分布的描述风电功率预测误差分布模型的新方法。文献[4]考虑将正态分布与拉普拉斯分布的概率密度函数相结合建立风电出力偏差的概率密度分布。文献[5]基于大量实测数据的分析, 发现可以采用带移位因子与伸缩系数的t分布描述风电功率波动特性的概率分布。文献[6]根据随机波动模型的峰度分析技术, 对风电时间序列存在明显的“肥尾”效应时的条件分布进行了分析。
储能系统ESS (Energy Storage Systems) 是平抑波动最理想的选择[7,8,9]。由于风速的高度随机性, ESS的研究大都集中于其暂态稳定性方面的分析[10,11,12,13], 鲜有对ESS的容量配置的研究[14,15,16], 或是仅通过简单的试验来确定储能容量[17,18,19]。文献[20]就如何用最小的ESS实现风电场长时间稳定输出进行了分析, 对风电机组中ESS的配置功率、配置容量的大小及其对风电机组有功功率输出的优化作用进行了研究, 提出了以风电机组及储能装置的输出功率波动标准差为指标的ESS的功率和容量优化方案。文献[21]利用储能容量成本及风电场输出功率平滑效果辅助判据, 得出风电场储能容量合理的取值范围, 使功率波动达国标而不是全部平抑。
针对现有误差分布在计算方法或拟合效果上存在的不同程度局限性, 本文采用文献[22]分区拟合的思想, 将误差分区, 在每个区间分别拟合后, 加权求和获得全区域的误差分布函数。在此基础上, 对储能容量的模型进行了分析, 考虑了预测误差的影响, 将储能容量表示为缺失容量的函数, 以在满足一定概率水平下平抑风功率预测误差带来的功率波动, 降低ESS的投资。
1 预测误差分布
为更加详尽地分析预测误差的影响, 须给出一种合适的分布模型, 用以较准确描述预测误差的分布特性。文献[3-4]分析了拉普拉斯分布、标准正态分布在预测误差拟合上的应用, 虽在整体上能够表示风电功率预测误差的趋势, 但在部分区段上出现严重不符, 若直接利用其来表示实际数据的概率密度分布情况, 在一定程度上夸大了风电功率预测的误差, 从给出的拟合效果图可以看出在部分区间上的局限性。文献[23]采用直接统计的方法对某地区风电场风能的预测误差进行归类统计, 发现风能预测曲线中预测误差的大小与风能输出功率水平有关, 而与时间没有明显的关系, 因此本文将对样本进行纵向划分。另外, β分布在[0, 1]区间具有良好的性质, 只需适当选择参数, β分布就可拟合各种区间序列分布, 曲线形状从均匀分布到近似正态分布、从对称到不对称, 尤其对于“偏峰”分布具有很强的建模能力[24]。因此, 对于未知分布的数据, 可以通过拟合β分布参数来确定相应的数据处理结果, 省去了判别分布的麻烦。本文根据预测误差的分布特性, 结合β分布的类似特性, 来拟合区间风功率预测误差分布。
本文采用文献[22]分区建模的方法展开研究, 基本思路为:将风功率分割为n个区间, 区间长度决定于试验数据的大小。运用β分布分别对每个区间实测功率进行拟合后, 减去区间平均预测功率, 最后进行求和运算, 得到预测误差的整体分布。进行预测误差分析的具体过程如下[22], 文中P为功率有名值, p为相应功率标幺值。
a.应用β分布计算单个区间i的实测功率分布函数fi (p) , 可表示为:
其中, p为区间i的实测功率值;α、β为分布参数, 与区间功率的方差σ2和均值μ有关, 可表示为式 (2) 。
故有:
b.用fi (p) 减去区间i的平均预测功率得到该区间的预测误差分布函数fi (ε) 。
c.求取全区间分布函数。对各区间误差分布进行求和运算, 将得到全区间预测误差的分布函数f (ε) :
其中, ωi为权重系数, 取决于预测值出现在该区间的概率统计值;fi (ε) 为分布于[-1, 1]区间的β分布, 且fi (ε) ≥0, 故加权求和后不会出现正负相抵消的情况。
上述过程采用了文献[22]分区建模的方法, 将风功率进行纵向分割, 反映不同功率区间的预测水平, 且β分布具有较简单的表达形式, 能够很好地拟合预测误差分布, 本文算例将对文献[22]分区建模方法进行验证。f (ε) 的获得, 在风功率预测值的基础上增加了预测误差的分布, 为进一步掌握风功率波动特性提供了方便, 也为平抑风功率波动的研究提供了所需条件。
2 储能容量
ESS是平抑波动最理想的选择。为满足风电接入后系统的安全、电力供需平衡、电能质量的要求, 借助ESS来抑制风电预测误差, 可使原有的波动性、间隙性变得“可控”。本节介绍一种用于评估储能容量的概率方法, 该方法将ESS容量表示为缺失容量UE (Unserved Energy) 的函数, UE定义为ESS补偿 (吸收或输出) 不足的量EUE, 亦可用所占风电装机总量EW, total的百分比eu表示, 表达式如式 (5) 所示:
该方法的目的在于分析ESS在一定概率水平下能够平抑风功率预测误差导致输出波动的能力。本节将详细介绍ESS容量与误差累计分布函数CDF (Cumulative Distribution Function) 及荷电状态SOC (State Of Charge) 的关系。
2.1 ESS功率的确定
ESS应具有短时间快速响应负荷变化、补偿功率偏移的能力。由于目前储能成本较高, ESS容量的配置变得尤为关键, 因其将会影响到系统的工程造价。若ESS的额定功率PESS等于风电装机功率PW, inst, 即pESS=PESS/PW, inst=1 p.u., ESS可以完全平抑风功率预测误差, 但此时需要较大的储能容量。另外, 对于现有预测方法, 出现预测误差很大的概率非常小, 因此, 一般考虑在满足一定概率水平下减小储能容量, 减少投资成本。
在已知风功率预测误差分布f (ε) 的情况下, 容量缺失量eu P可表示为未能补偿的预测误差的积分量, 表达式为:
其中, 为风功率平均值;PW, inst为风电场装机容量;ε为风功率预测误差;积分式乘的目的是为了方便表示eu P占PW, inst的百分比。该式建立了储能功率与容量缺失量之间的函数关系式。
2.2 ESS容量的确定
ESS容量关系的确定较功率的计算复杂得多, 需要分别对能量吞吐率 (ETR) 与充/放电饱和时间tsat进行计算。
2.2.1 能量吞吐率的计算
能量吞吐率定义为能量吞吐量Etp与总发电量EW, total的比值, 如式 (7) 所示:
其中, Etp是ESS充、放电容量的绝对值之和。本文考虑充、放电量相等, 保持功率平衡的理想ESS。理想状况下的能量吞吐率可表示为:
其中, 为风功率预测平均绝对误差;为风功率平均输出值。考虑到时间段相同, 因此可以用与代替Etp与EW, total。
2.2.2 充/放电饱和时间tsat的计算
将风功率预测误差值作为ESS的输入量, 会得到ESS的SOC。SOC标幺化处理方法见式 (9) :
其中, T为预测周期。SOCN=1 p.u.表示ESS充电至额定状态。
可以通过SOCN的累计概率密度函数FSOC计算tsat, 若ESS的容量减少为ex, 则:
由于FSOC分布特性, 有时通过式 (10) 的简单计算, 并不能得到满意的值, 更加有效的方法是其逆过程。因而ESS容量计算式为:
其中, ex为与给定tsat对应的ESS容量;F-1SOC为FSOC的反函数。式 (11) 建立了充/放电饱和时间tsat与ESS容量ex的关系式。因此, 可以借助SOCN的累计概率密度函数FSOC求取ex。
2.2.3 函数关系的确定
前文介绍了eu与ESS功率PESS、储能系统容量EESS的关系, 其实在EESS减小的同时, PESS也会变化。可采用二维插值法来分析EESS与PESS同时减小时, eu的变化。
ETR0表示ESS可以补偿所有功率波动时的能量吞吐率, 当受某种约束使得ESS容量减少, 缺失容量为eu时的能量吞吐率为ETR0′, 则:
其中, etr′0=ETR′0/ETR0为ETR′0的标幺值。至此, 本文完成了考虑风电预测误差的储能系统容量与缺失量关系的分析, 图1给出了储能缺失容量具体计算的流程图, 主要包括两大步骤:一是容量缺失量eu P的计算, 主要与风功率预测误差分布函数f (ε) 有关;二是容量缺失量eu E (EUE的标幺值) 的计算, 需分别计算SOCN的累计概率密度函数FSOC及能量吞吐率ETR0。结合上述2步可建立eu与PESS、EESS的关系, 可根据容量缺失量, 获得所需储能系统的容量配置。
3 评估指标
由于风功率波动的影响, 在储能容量减少的情况下, 系统可能出现容量缺额 (ES) 现象。当风功率波动值大于储能容量, 或波动变化率大于ESS充/放电速率时, 系统无法提供足够功率时均会出现功率缺额现象。本节提出一种储能容量优化 (减少) 前后系统容量缺额评估指标, 定义为:
其中, k为容量缺额评估指标;ES0、ES′分别为优化前、后系统容量缺额;H为评估周期;ES0 (t) 、ES′ (t) 分别为t时刻优化前、后系统容量缺额。容量缺额受风功率变化率充/放电速率PE及SOC等很多因素的影响, 如图2所示。
容量缺额ES的具体计算过程如下。
若初始荷电量大于等于风能波动量, 即SOC≥ΔPW, 则:
若初始荷电量小于风能波动量, 即SOC<ΔPW, 则:
4 算例分析
本文以某地风电场实测数据为研究对象, 该数据序列时间间隔为3 s。采用先预测风速, 再根据风速-风功率关系得风功率预测值。取2011年7月份数据, 按每15 min提取一个点作为原始数据建立模型, 预测下一时刻的风速。预测模型采用文献[1]提出的组合预测模型。该模型采用时间序列和BP神经网络的组合预测模型, 其中BP模型的输入量由历史数据和时间序列得到的残差值组成。设v1是BP神经网络预测值, v2是ARMA预测值, v0是加权平均的组合预测值, 预测误差分别为e1、e2和e0。组合预测模型为:v0=ω1v1+ω2v2, 其中ω1、ω2是相应的权重, 且ω1+ω2=1, 误差为e0=ω1e1+ω2e2。由组合预测模型得到预测值v0后, 求其相对的风功率预测值, 再与实测值比较, 得到误差量。该组合预测方法所得结果较单一预测方法更令人满意, 具有一定的实用价值。
应用第1节介绍的分区建模的方法, 将本文算例功率区间划分为50个区间, 图3只给出了5个区间 (0.2、0.4、0.6、0.8、1.0 p.u.为5个区间的分割点) 的fi (p) 的仿真波形, 每个区间均为一个具有不同分布参数的β分布函数。表1给出这5个区间的权重系数, ωi取为预测值出现在区间i的概率统计值。用fi (p) 减去区间i平均预测功率得到该区间的预测误差分布函数fi (ε) , 仿真波形如图4所示, 图中ε为标幺值, 后同。值得说明的是, 本文算例中, 将风功率区间等分为50份, 对每个区间进行拟合, 并计算其权重系数, 经求和后获得整个区间的误差分布。整个区间的划分份数会影响最后的拟合精度, 若未达到要求精度, 可增加区间数目。
最后, 由式 (4) 求取全区间分布函数。f (ε) 为分布在-100%~100%之间的函数, 为能更清楚地看到本文所提分区方法在整个区间上的有效性, 图5 (a) 中只给出0~100%之间风功率预测误差的概率密度分布曲线图, -100%~0之间的分布可类似得出。为对比分析, 同时绘制了由历史实测数据计算的误差分布曲线, 图5 (a) 给出本文分区拟合的效果, 图5 (b) 给出文献[4]中提到的拉普拉斯与正态分布的拟合效果, 从变化趋势与跟随效果上看, 特别是在误差分布的“肥尾”特性上, 本文采用的分区拟合方法都有较好的效果。通过算例验证了文献[22]提出的分区拟合方法的有效性, 为进一步分析储能模型提供了所需条件。
根据得到的风功率误差分布, 由式 (6) 仿真计算, 得到pESS随eu P的变化曲线图, 如图6所示。从图中可以根据容量缺失量, 得到对应所需ESS的功率。在本文仿真分析工况下, pESS随eu P的变化幅度非常大, 特别是在eu P (0, 1.5%) 的区间内, pESS甚至出现了直线下降的现象, 由1 p.u.迅速减小到0.4 p.u.。因此, 出于经济性与实用性考虑, 适量地增加eu P, 可以减弱对ESS的苛刻要求。
图7给出了由SOC的累计密度曲线求取ESS容量的过程, 图中SOC为标幺值, 实线部分为累计概率密度函数FSOC的变化曲线, (100-tsat) 与曲线交点的横坐标值便为F-1SOC (100-tsat) , 图中取tsat=20%, 可由F-1SOC求得ex=0.38, 为建立缺失量与储能容量函数关系建立基础。
至此, 算例介绍了风功率预测误差建模的完整过程, 并基于此得到了pESS随eu P的变化曲线图, 给出了由SOC的累计密度曲线求取ESS容量的过程。从仿真结果可以看出, 本文提出的分区拟合方法都有较好的效果;eu P的提出可以减弱对ESS的苛刻要求。
5 结论
本文在对风功率预测误差分析的基础上, 提出一种用于评估储能容量的概率方法, 主要结论如下。
a.采用分区拟合的思想, 将风功率误差区间分成若干小区间后, 在每个区间中应用β分布拟合, 最后加权求和获得全区域的误差分布函数。仿真结果验证了分区拟合方法的正确性。
b.介绍了一种用于评估储能容量的概率方法, 该方法将ESS容量表示为缺失容量的函数, 目的在于分析ESS在一定概率水平下能够平抑风功率预测误差导致输出波动的能力, 同时减少对ESS的要求, 并详细介绍ESS容量与误差累计分布函数、SOC的关系。
c.最后提出一种新的容量缺额指标。
摘要：针对正态分布与拉普拉斯分布用于拟合风功率预测误差较大的不足, 采用分区拟合的思想对误差进行分区, 并在每个区间中应用β分布拟合后, 加权求得全区域的误差分布函数。基于此, 建立考虑预测误差分布的风电场储能容量数学模型, 其中储能容量表示为缺失容量的函数, 并介绍储能容量、误差累计分布函数与荷电状态的关系。提出一种新的系统容量缺额评价指标, 用于比较储能容量优化效果。算例分析结果表明, 该方法可以在一定概率水平下平抑风功率预测误差带来的功率波动, 同时降低对储能系统的要求。