闫 瑾 刘丁玮 罗日成 刘 鹏 冯 健 邓华宇 钟 焱
(1.长沙理工大学电气与信息工程学院,湖南省 长沙市 410114;2.河北科技大学电气与信息工程学院,河北省 石家庄市 050091)
将储能电池与风电一同接入配电网,可增加系统的稳定性,有学者已经对此进行了研究。文献[1]提出既考虑削峰填谷,又考虑平抑波动的储能容量配置策略,既可对风电进行削峰填谷,又可平抑波动,且该策略具有很好的经济性。而当大规模风电接入系统时,需要采用大容量储能电池来提高系统调峰能力,基于储能恒功率充放电策略,建立一种关于储能电站布点及容量优化的数学模型,并采用遗传算法进行优化[2],但缺点是遗传算法步骤复杂,且会出现早熟的情况。将储能电池接入系统之前,需对储能电池的种类进行选择,可通过分析不同类型的储能电池在不同的控制方式下参与一次调频的经济性,得出不同控制方式下适合的储能电池类型[3]。储能电池接入系统中时,需对其引起的网损进行计算。文献[4]建立了一种简化的模型,采用双层优化方法对其求解,得到储能电站的接入点位置在不同特性曲线下对网损的影响。此外,在储能容量寻优方面,很多学者也做了研究。文献[5]建立了电池储能系统(battery energy storage system,BESS)的可变经济使用寿命预测模型,以系统净收益最大为目标,对电池储能系统的容量配置进行优化,其缺点是目标单一,得到的结果不够理想。文献[6]同时考虑储能系统规划和运行,并运用遗传算法对此优化模型进行求解,其考虑的范围较广,但算法复杂。文献[7]在对比分析滑动平均法和最小二乘法滤波效果后,得到蓄电池的输出功率,再根据功率曲线综合考虑蓄电池投资成本和平滑效果优化电池容量。文献[8]基于不同类型电池特性提出了一套储能配置方案,将锂电池与液流电池相结合,构造多目标函数,利用免疫算法进行求解,得到储能功率与容量的综合配置方案,该方案考虑的因素较完整,但造价高,经济性差。文献[9]综合考虑储能系统经济效益和功率优化分配,建立了双层优化模型,采用模糊隶属度函数来分析得到储能系统的最优容量。文献[10]提出了分时电价下的充放电策略,构建了微电网投资收益模型,以光伏利用率最大和净利润最大为目标,采用改进非劣排序遗传算法II对模型进行求解。文献[11]提出了一种基于动态规划的多目标优化方法,考虑了经济性、可靠性等因素,并通过将多目标问题转换为单目标问题来得到最优策略,其优点是化繁为简,便于计算。文献[12]采用鲁棒优化的方法对微电网中的储能系统进行优化,主要考虑储能系统的技术成本和性能。
在对储能电池的种类进行选择时,有不少学者选用了液流电池。文献[13-14]对全钒液流电池(vanadium redox battery,VRB)进行了建模及控制策略的研究,从控制系统的方面进行了详细的阐述。若不是仅仅考虑1种电源,而是对整个系统综合考虑,可将系统整体搭建为1个模型。文献[15-16]将储能与风电或水电共同搭建为1种混合储能系统,采用多级控制策略,再运用相应的方法对模型进行求解。
为了解决分布式风电负荷适应度差、弃风率较高等问题,将风电、小水电与储能电池同时接入配电网,本文提出风电和水电接入位置优化和VRB接入位置与容量优化算法,采用IEEE 36系统对优化算法进行仿真研究。
功率为数kW 至50MW 的小型模块式的独立电源被称为分布式电源。通常情况下,我国将分布式电源分为新能源分布式电源和小水电分布式电源,新能源分布式电源包括风电、光伏发电等。将风电与小水电接入系统中不同的PQ 节点,根据式(1)可计算出系统整体的有功损耗[17-19]。当系统的有功功率损耗最小时,该接入节点则为风电和水电最优的接入位置。
式中:P为网络损耗;Pi为支路i末端的有功功率;Qi为支路i末端的无功功率;Ui为支路i末端的电压值;Ri为支路i的电阻值;N为支路总数。
风、水电接入系统选址的目标函数为
式中x为风电和水电接入系统的节点变量。
在风能、水能资源充足时,储能电池吸收多余的电能;当系统负荷较大,风电、水电发电量不足以供给居民使用时,储能电池释放电能,填补缺额部分,以此来达到降低弃风率的效果。
在风电、水电接入系统位置确定后,根据网损计算公式,以网损最小为目标确定VRB的安装位置,然后通过PSASP软件进行验证。再以系统的总成本、弃风量最优为目标函数,利用层次分析法(analytic hierarchy process,AHP)得到2 种因子的权重,进而得到总的目标函数方程式。采用改进的基于杂交的粒子群算法对目标函数进行求解,得到储能电池的最优容量。
2.1 VRB 最优位置选择
VRB可以通过充、放电来维持电网的稳定运行,同时通过消纳多余的风能来降低弃风率,起到节约能源的作用。但将电池接入系统中时,会引起一定的网损。本文根据电池接入不同的节点所引起的网损不同,将网损最小时VRB接入的位置作为最优节点。储能电池接入后引起的网络损耗为
式中:WL(T)为T时段的网损量;Gij为节点i、j的互导纳值;θij为节点i、j之间的电压相角[18-19]。
2.2 多目标函数优化VRB 容量
2.2.1 构建多目标函数
(1) 经济性指标。
总成本包括风电站投资成本、水电站投资成本、储能电池投资成本、弃风成本以及售电利润。
一年中,不同季度的降雨量及产风量均不同,本文根据随机分布函数从每个季节选取5天,作为该季节的典型日。以下构建的目标函数中每个量均为换算至1个季度的值。
考虑经济性的目标函数为
式中:Bpro为售电利润,元;Caw为弃风成本,元;CVRB为储能电池投资成本,元;Cw为风电场投资成本,元;Cs为水电场投资成本,元。
(2) 弃风量。
风电具有随机性的特点,当风电场所在地区产风量大时,负荷需求没有那么大,就会导致多余的风能未能被利用,这会造成很大的能源浪费。考虑弃风量的目标函数为
式中Paw为弃风量。
(3) 多目标优化模型。
本文同时考虑总成本和弃风量这2个因素,以其综合值最小构建目标函数。利用AHP来确定这2个因素对应的权重值[20-22],将其分别乘以对应的权重,然后再相加,得到总的目标函数。利用改进的粒子群算法对目标函数进行优化[23],即可得到VRB的最优容量。
多目标函数为
式中:w1为目标f1的权重值;w2为目标f2的权重值,且有w1+w2=1。
2.2.2 目标函数约束条件
(1) 储能电池的荷电状态(state of charge,SOC)限制。
SOC代表电池的荷电状态,当储能电池的SOC值小于0.2时,电池处于过放状态,而当SOC 值大于0.9时,电池处于过充状态。若电池的过充过放次数较多,则会对电池造成很大的伤害,极大地影响电池的寿命。所以,为了保证电池的使用安全及不缩短电池的寿命,在电池的充放电过程中,电池的SOC值要控制在0.2～0.9。
(2) 系统功率平衡。
系统内各元件所消耗的总有功功率Ploss与各个节点注入的有功功率P(i)之和要等于电网输入的功率Pin与发电机发出的有功功率Pgen(j)的总和,即
式中:p为节点个数;q为发电机的总数。
(3) VRB的充放电次数限制。
储能电池的充放电次数与电池的寿命息息相关。当充放电次数过多时,电池的寿命会大大缩短。因此,为了延长电池的寿命,要控制电池的充放电次数。当负荷较大时,超过风、水联合可发电量的80%时,电池才开始放电;当负荷较小且弃风量较大时,电池才开始充电,并且充放电时要满足储能电池的SOC 值限制。通过分析符合条件的某地区的大量出力数据,可得出将电池平均每天的充放电次数控制在4次左右的结论。
2.2.3 层次分析法
AHP的基本思想是将某个复杂的问题分解化,并将分解得到的元素按支配关系分组,形成一个递阶层次结构。然后通过两两比较的方法来确定层次中因素的相对关系。AHP包括单层次分析法和多层次分析法。单层次结构模型包括目标、目标包含的多个因素以及决策者。而多层次分析法则需要建立递阶层次结构,并计算各层次上元素的权重值,其计算步骤较复杂。因为本文构造的多目标函数只包括2个因素,且不包含方案层,所以只需采用单层次分析法即可。
(1) 构建判断矩阵。
判断矩阵(aij)n×n,aij代表因素i对因素j的相对重要性,其值可为1、3、5、7、9。若值为1,表示因素i、j重要性相当;若值为3,表示因素i、j的重要性相差不大;若值为5,表示因素i比因素j明显重要;若值为7,表示因素i比因素j的重要性强很多;若值为9,表示因素j的重要性很弱。
判断矩阵有以下几个特点:
(2) 计算各元素的相对重要性。
当判断矩阵建立之后,首先计算判断矩阵的最大特征根λmax,然后计算得到其对应的特征向量并进行归一化处理。最终得到的向量W即为对应评价单元的权重向量。
(3) 判断矩阵的一致性检验。
判断矩阵的一致性有以下3个步骤。1) 计算一致性指标。
式中n为判断矩阵的阶数。
2) 计算平均随机一致性指标。
对随机判断矩阵进行多次重复的计算,得到对应的特征值,再取算术平均数,即可得到平均随机一致性指标λRI。
3) 计算一致性比例。
当λCR＜0.1时,认为判断矩阵具有一致性。
2.2.4 基于杂交的粒子群算法优化
若采用传统的粒子群算法对上述构造的多目标函数进行优化,虽然步骤简单,但是具有容易陷入局部最优点的缺点。本文将遗传算法中的杂交机制加入到粒子群算法中,形成改进的粒子群算法。其原理为:粒子在每次迭代中,根据杂交概率选取指定数目的粒子放入杂交池当中,杂交池中的粒子随机两两杂交,产生相同数目的子代,并用子代替换亲代。改进的粒子群算法能够在一定程度上避免在搜索过程中陷入局部最优解。该方法计算步骤如图1所示。
图1 改进的粒子群算法流程Fig .1 Improved particle swarm optimization process
更新子代的位置x和速度v的公式为
式中:r为取值0～1 的随机数;p1为父代;p2为母代。
本文算法对学习因子的计算也进行了改进。在常规粒子群算法中,学习因子是设定好的值,而本文将异步变化的学习因子引入,使得该算法在优化的初始阶段,粒子向最优值运动的速度较快,可以更快地接近最优值;在优化的后期,粒子的速度变慢,在最优值附近进行搜索,更准确地找到最优值。
学习因子的计算公式为
式中:α1(0)为学习因子α1的初始值;α1(tmax)为学习因子α1的迭代值;α2(0)为学习因子α2的初始值;α2(tmax)为学习因子α2的迭代值的迭代值。
以IEEE 36 节点系统为例,将辽宁某地区的2020年实际风电场、水电场的数据导入系统,依据式(1)计算出风电和水电的最优接入位置。系统接线图如图2 所示。该地区有3 个完全相同的风机(额定功率为50MW、额定容量为63MV·A、功率因数为0.7)和1个小水电(额定容量为50MV·A、额定功率为50MW)。首先计算各个节点的运算功率,然后得到全网各个支路的功率分布,进而得到各节点电压,最后利用得到的各节点电压修正PV节点电压,再通过收敛标准来判断收敛与否。收敛标准为
图2 IEEE 36节点系统接线图Fig.2 IEEE 36-node system wiring diagram
式中:ε1取值为0.00001;ΔPi和ΔQi分别为
式中:Pis、Qis分别为平衡节点的有功功率和无功功率。
用PSASP软件搭建IEEE 36节点模型(如图2所示),将3个风电和1个水电以电源的形式分别接入节点2、4、5及23,并用网损分析模块对系统进行网损分析。再将风电和水电接入其他节点,在保证系统处于收敛状态下,用网损分析模块对系统进行网损分析,得到不同情况下的系统网损量。将几种不同接入方案得到的线路总有功损耗相比较,结果如表1所示。
表1 不同接入方案的网损结果对比Table 1 Comparison of network loss results of different access schemes
从表1可看出,当采用方案1(即将风电和水电分别接入节点2、4、5、23)时,系统总的有功损耗最小,达到最优。当风电和水电作为电源接入系统时,风力发电机为异步发电机,吸收无功功率,发出有功功率,其节点功率不会随电压和频率的变化而变化,系统的无功损耗会增加,因此风电机组接入的节点相当于PQ 节点。
从表2的网损计算的结果可以看出,当风电和水电接入系统后,系统各线路总的输送有功功率值变小,而总的输送无功功率值变大;系统吸收的无功功率值变大,而系统总的有功损耗值变小。当无功损耗增加时,相当于对系统进行补偿,此时为了达到平衡,系统的有功损耗就会下降。
表2 线路损耗结果Table 2 Line loss results
用Matlab软件搭建同样的节点模型,采用探针去测各节点在接入风电和水电前、后的电压幅值、电压相角、有功和无功,从而得到节点的电压偏移,结果如表3所示。
表3 不同方案下的各个接入节点电压偏移率Table 3 Voltage offset ratios of each access node under different schemes
从表3可看出:方案1的节点电压偏移率在总体上是3个方案中最低的,证明该种方案的电压稳定性最好。故综合以上,选用方案1作为分布式电源接入系统的方式。
以网损最小来确定储能电池的接入位置时,得到的结果如图3所示。
图3 VRB接入不同节点时引起的有功损耗Fig.3 Active power loss caused by VRB access to different nodes
将VRB 接入系统中时,考虑到系统需收敛的问题,只对可允许储能电池接入的节点进行比较。由图3可知,当VRB接入节点14的时候,对系统造成的有功损耗最小,为92.11kW。
根据风电的典型日的发电数据,将其拟合成函数,得到典型日的风电发电量与时间的函数关系。同理,可得到总生产量、总消耗量以及弃风量与时间的函数关系,进而可得到f1和f2。
运用AHP计算可得到权重w1、w2分别为0.75、0.25,再对判断矩阵进行一致性检验,其一致性比例小于0.1,一致性可以接受。
运用Matlab编写程序,采用改进的粒子群算法对函数f3进行优化,得到粒子初始分布图及粒子最优值。
首先,根据春季典型日的风电、水电等数据,得到f3,再用基于杂交的粒子群算法对函数进行优化,可得到图4的结果。
图4 春季典型日优化结果Fig.4 Optimization results of typical days in spring
由图4 可得:在春季,VRB 的容量为75.5429MW·h,取整数为76MW·h。
同理,可分别得到夏季、秋季和冬季典型日的函数f3,然后用同样的粒子群算法依次对其进行优化,结果如图5—7所示。
由图5 可得:在夏季,VRB 的最优容量为64.322MW·h,取整数为65MW·h。
由图6 可得:在秋季,VRB 的最优容量为54.6771MW·h,取整数为55MW·h。
图6 秋季典型日优化结果Fig.6 Optimization results of typical days in autumn
由图7 可得:在冬季,VRB 的最优容量为65.2897MW·h,取整数为66MW·h。
图7 冬季典型日优化结果图Fig.7 Optimization results of typical days in winter
接入VRB的目的是为了在系统中负荷需求较大,且风电和水电供电无法满足用户需求时,VRB承担提供缺额电量的任务;而当负荷需求较小,且产风量较大时,VRB吸收多余的风电,减少弃风量。故VRB的容量大小需同时满足各个季度对储能电池的容量需求。根据优化结果可知,在该系统中,春季对于VRB 的容量需求最大,为76MW·h,因此,最终确定的VRB容量为76MW·h。
分别计算了VRB 接入前后的弃风量,结果如图8所示。从图8可以看出,当系统接入VRB 后,各季节的弃风量明显减少。
图8 接入VRB前后弃风量对比Fig.8 Comparison of wind abandon before and after VRB connection
当VRB未接入时,该系统2020年的弃风量为86.43213GW,而VRB接入后,全年的弃风量减少至59.26518GW,弃风率减少了31.432%,部分多余的风能被二次利用,极大地降低了能源损失。
(1) 风电-水电及储能电池共同接入配电网中时,通过风电、水电的互补以及VRB 的配合,可使风电场的弃风率大大降低,在一定程度上节约了风力资源。本文提出的方法,可使得全年的弃风率降低31.432%,使得绿色资源得到更加充分的利用;同时,合理选择各电源的接入节点位置,可使得网络损耗最小,满足经济性。
(2) VRB 具有安全性能高、寿命长等优点,但其造价高,且一般情况下,容量越大价格越贵。通过对VRB容量的寻优,可找到最合适且最经济的接入容量选择,既能满足系统需求,又能使得成本达到最低。同时为满足全年的容量需求,本文取4个季节分别进行分析,得出VRB的最优容量为76MW·h。
猜你喜欢 风量储能风电 数据中心间接蒸发冷却空调机组二/一次风量比西安工程大学学报(2022年4期)2022-08-27某乘用车冷却系统进风量仿真及优化汽车实用技术(2022年12期)2022-07-05基于递归模糊神经网络的风电平滑控制策略现代电力(2022年2期)2022-05-23超超临界660 MW机组二次风量异常下降分析与研究电力与能源(2021年4期)2021-09-07相变储能材料的应用煤气与热力(2021年6期)2021-07-28风电建设项目全过程造价控制探讨建材发展导向(2021年13期)2021-07-28相变储能材料研究进展煤气与热力(2021年4期)2021-06-09风电新景海峡姐妹(2020年8期)2020-08-25新型风量测量装置在电厂的应用海峡科技与产业(2017年12期)2018-01-18重齿风电风能(2016年12期)2016-02-25