楊國華，朱向芬，周鑫，丁曉花，衛(wèi)寧波，馬玉娟，王金梅

（1.寧夏大學電氣工程與自動化系，寧夏銀川750021；2.寧夏沙漠信息智能感知自治區(qū)重點實驗室，寧夏銀川750021）

1 引言

風能是一種清潔能源，但由于自然條件的變化，風速和風向不斷的、隨機的變化，導致風力發(fā)電輸出功率具有不穩(wěn)定性和不可預測性，直接影響微電網(wǎng)的調(diào)度運行，而通過風力發(fā)電系統(tǒng)和儲能設備的協(xié)調(diào)配合，可以提高風力發(fā)電技術的可調(diào)度性和可控性。

近年來，混合儲能的容量配置及控制策略得到廣泛的關注?；旌蟽δ軐⑷萘啃?、壽命長、功率比較高儲能環(huán)節(jié)與容量比較大、循環(huán)次數(shù)受限、相對能量比高、功率比低的儲能環(huán)節(jié)結合使用，如將超級電容器與蓄電池混合。但是對混合儲能的研究仍然處于初級階段，而且研究主要集中在控制策略上，對容量配置的研究較少。目前對容量配置的研究大多按照經(jīng)驗配置混合儲能的容量，未用定量的分析［1-2］。本文中風力發(fā)電系統(tǒng)的儲能裝置是蓄電池和超級電容器混合組成的，混合儲能系統(tǒng)的容量配置是一個非線性規(guī)劃問題，利用遺傳算法進行求解，配置混合儲能裝置的全生命周期最小費用［3-8］。

2 模型分析

基于蓄電池和超級電容器混合儲能獨立風力發(fā)電系統(tǒng)的結構如圖1 所示。當風速比較大時，儲能裝置處于充電狀態(tài)，將電能存儲起來；當風速比較弱或者峰值負荷時儲能裝置為負荷供電，以保證系統(tǒng)平穩(wěn)連續(xù)的供電，提高供電可靠性。

圖1 獨立風力發(fā)電系統(tǒng)的結構Fig.1 Structure of stand along wind generation system

2.1 蓄電池的模型

每個蓄電池的額定電壓為Ub（V），額定容量為Cb（A·h），假設蓄電池組由m個蓄電池組成，則總的儲能量Eb（MW·h）為

當蓄電池放電時，假設最大放電深度為DOD 時，則蓄電池組的最小的剩余儲能量Ebmin（MW·h）為

蓄電池通常以C10的時間率放電，則蓄電池組輸出功率的額定值為

2.2 超級電容器的模型

每個超級電容器的端電壓為Uc，電容值為Cc，假設超級電容器組由n 個超級電容器組成，則總的儲能量為

在實際情況中，超級電容器的工作電壓有一個范圍，記為Ucmin～Ucmax，則該超級電容器組的最大儲能量為

最小值為

假設超級電容器工作電流的最大值為Icmax，則超級電容器組輸出功率的最大值可表示為

2.3 混合儲能系統(tǒng)的充放電狀態(tài)

系統(tǒng)中風電的輸出功率Pw和負荷功率P1都有很大的波動性，導致隨著時間的變化儲能部分的儲能量也在不斷變化。

記不平衡功率為

式中：ηc為風電系統(tǒng)中逆變器的功率轉換率。

當ΔP＞0時儲能裝置處于充電狀態(tài)，儲能裝置的儲能量可以表示為

當ΔP＜0時儲能裝置處于放電狀態(tài)，儲能裝置的儲能量可以表示為

式中：Eb(kt)，Ec(kt)為在kt時刻蓄電池組和超級電容器組的儲能量；Eb[(k-1)t]，Ec[(k-1)t]為(k-1)t時刻蓄電池組和超級電容器組的儲能量；Pb(kt)，Pc(kt)為kt時刻蓄電池組和超級電容器組的充電和放電功率；ηbc，ηcc為蓄電池組和超級電容器組充電效率；ηbd，ηcd為蓄電池組和超級電容器組放電效率。

3 基于遺傳算法儲能容量的優(yōu)化配置

基于蓄電池和超級電容器互補性，將二者混合使用。其中蓄電池承擔不平衡功率ΔP中的基本部分，超級電容器承擔不平衡功率ΔP 中的波動部分，以減少蓄電池的充放電次數(shù)，延長了蓄電池的壽命，改善了儲能裝置的性能，提高供電可靠性。

3.1 LPSP計算流程

風力發(fā)電系統(tǒng)的運行指標是負荷缺電率LPSP（loss of power supply probability），負荷缺電率LPSP 是負荷缺電量Elps 與負荷總需求量El 的比值。即

當風電功率滿足負荷需求（ΔP>0）時，負荷缺電量Elps=0，儲能裝置充電，當風電功率不足（ΔP<0）時，儲能裝置放電補充電源功率的缺額，即

3.2 生命周期費用

IEC 60300—3—3（國際電工委員會制定的生命周期費用的計算標準）中的條例［9］規(guī)定設備的生命周期費用（life cycle cost，LCC）是指設備從規(guī)劃、設計、制造、安裝、使用、維修和廢棄的整個過程中產(chǎn)生的總費用［10］。包括購買費用，擁有費用和處理費用即

式中：LCC為生命周期費用；Civ為設備的購買費用；Cow為設備的擁有費用；Cdc為設備的處理費用（殘值費用和報廢費用）。

設備的生命周期費用中，購買費用隨時間增長所占的比例下降，擁有費用隨時間的增長而上升，在很多情況下，購買設備的費用低于生命周期的擁有費用，因此應該考慮設備的整個生命周期的費用，而不只是考慮初始價格，這樣更符合實際情況，更具有現(xiàn)實意義。

儲能系統(tǒng)優(yōu)化的目標模型為購買費用、運行費用、維護費用和處理費用4大費用之和，即

式中：Civ為購買費用；Coc為運行費用（包括實驗、安裝、損耗、人工費用等）；Cmc為維護費用（包括故障前后的維護費用）；Cdc為處理費用（包括報廢費用和殘值費用）。

3.3 優(yōu)化約束條件

考慮獨立風電系統(tǒng)的運行特性及儲能系統(tǒng)的管理策略，建立約束條件如下：

式中：m為儲能系統(tǒng)中蓄電池的個數(shù)；n為儲能系統(tǒng)中超級電容器的個數(shù)；α為不平衡功率中基本部分所占的比例；β為額定負荷中重要負荷所占的比例。

3.4 遺傳算法

遺傳算法是一種借鑒生物界的進化規(guī)律而演化來的高度并行、隨機搜索和自適應尋優(yōu)方法［11］。具有魯棒性能好、方便用于解決離散且復雜的非線性問題等優(yōu)點。正因為這些優(yōu)點，使得遺傳算法得到了非常廣泛的應用。

遺傳算法的流程如圖2所示，步驟如下：

1）隨機產(chǎn)生N個初始個體，構成初始種群；

2）計算每個個體的適用度函數(shù)值；

3）基于適用度函數(shù)值，選擇、交叉和變異產(chǎn)生新一代群體；

4）判斷種群是否停止條件，如果不滿足返回第2）步，如果滿足，執(zhí)行下一步；

5）從當代群體中選擇出最優(yōu)個體作為優(yōu)化問題的最優(yōu)解。

圖2 遺傳算法流程圖Fig.2 Flowchart of genetic algorithm

4 算例分析

假設某一風電示范工程規(guī)模為60 MW 的風電場，當?shù)刎摵蔀?0 MW，逆變器效率為0.95，α為0.7，β為0.65，LPSPmax為0.05?，F(xiàn)在要為其配置儲能容量。具體參數(shù)見表1。

表1 儲能系統(tǒng)的參數(shù)Tab.1 Energy storage system parameters

圖3所示為某地風電輸出功率和負荷功率在48 h 內(nèi)的變化曲線，結合表1 所列蓄電池和超級電容器的參數(shù)及各項約束指標，優(yōu)化目標在48 h里儲能裝置的總費用，運用遺傳算法在Matlab環(huán)境下編程求解，得到了最優(yōu)點近似值。優(yōu)化后所得的詳細值見表2。

圖3 48 h內(nèi)風電輸出功率/負荷功率曲線Fig.3 The curves of wind output power and load power in 48 h

表2 2種儲能方式的優(yōu)化計算結果Tab.2 Optimization results of two energy storage modes

由表2可見，在相同的供電要求下，當單獨使用蓄電池作為儲能裝置時，所用的最小費用為28 316 元，當蓄電池-超級電容器混合儲能用作儲能裝置時，所用的費用為25 454 元，即在48 h內(nèi)儲能費用減少了2 862 元，降低了混合儲能的成本，提高了整個系統(tǒng)的經(jīng)濟效益。

圖4所示為48 h內(nèi)兩種儲能裝置的輸出功率變化曲線，其中Pb曲線是蓄電池的輸出功率變化曲線，Pc曲線是超級電容器的輸出功率變化曲線，比較兩條曲線看出蓄電池的輸出功率比較少，這是由于系統(tǒng)中的不平衡功率主要由超級電容器承擔，優(yōu)化了蓄電池的工作狀態(tài)，并使其使用壽命延長，從而降低了風電系統(tǒng)中儲能裝置的生命周期費用。

圖4 蓄電池和超級電容器輸出功率曲線Fig.4 The curves of battery and ultracapacitor output power

綜上可知，蓄電池-超級電容器混合儲能用作儲能裝置時，不僅降低了儲能系統(tǒng)的生命周期費用，而且延長了蓄電池的使用壽命。

5 結論

基于遺傳算法的風力發(fā)電系統(tǒng)儲能容量優(yōu)化配置研究充分考慮蓄電池和超級電容器的互補運行特性，優(yōu)化了蓄電池的工作狀態(tài)，提高了系統(tǒng)的整體的經(jīng)濟性。同時，以全生命周期費用理論為基礎的儲能優(yōu)化目標，比只考慮購置成本的優(yōu)化目標更具有實際意義。

［1］侯世英，方勇，孫韜，等.混合儲能系統(tǒng)在獨立光伏發(fā)電系統(tǒng)功率平衡中的應用［J］.電網(wǎng)技術，2011，35（5）：183-187.

［2］張國駒，唐西勝，齊智平.超級電容器與蓄電池混合儲能系統(tǒng)在微網(wǎng)中的應用［J］.電力系統(tǒng)自動化，2010，34（12）：85-89.

［3］徐大明，康龍云，曹秉剛.風光互補獨立供電系統(tǒng)的優(yōu)化設計［J］.太陽能學報，2006，27（9）：919-922.

［4］胡希同，趙艷雷，張磊，等.風電功率調(diào)節(jié)系統(tǒng)儲能變流器控制策略［J］.電測與儀表，2013，50（9）：41-45.

［5］Zhao Y S，Zhan J，Zhang Y，et al.The Optimal Capacity Configuration of an Independent Wind/PV Hybrid Power Supply System Based on Improved PSO Algorithm［C］//International Conference on Advances in Power System Control Operation and Management，2009：1-7.

［6］楊珺，張建成，黃磊磊，等.基于改進粒子群算法的獨立光伏發(fā)電系統(tǒng)儲能容量優(yōu)化配置研究［J］.華東電力，2012，40（8）：1371-1374.

［7］何勇琪，張建成.獨立型風光互補系統(tǒng)中儲能容量優(yōu)化研究［J］.電力科學與工程，2012，28（4）：9-13.

［8］楊珺，張建成，杜勛.并網(wǎng)風光發(fā)電中混合儲能系統(tǒng)容量優(yōu)化配置［J］.電網(wǎng)技術，2013，37（5）：1210-1216.

［9］IEC60300—3—3 Life Cycle Costing［S］.Beijing：China Standards Press，2004.

［10］崔新奇，尹來賓，范春菊，等.變電站改造中變壓器全生命周期費用（LCC）模型的研究［J］.電力系統(tǒng)保護與控制，2010，38（7）：69-73.

［11］Deb K，Pratap A，Agarwal S，et al.A Fast and Elitist Multiobjective Genetic Algorithms：NSGA-II［J］.IEEE Transactions on Evolutionary Computation，2002，6（2）：182-197.