賈 科, 林瑤琦, 陳奕汝, 畢天姝, 劉搏晗

(1. 新能源電力系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué)), 北京市 102206; 2. 國網(wǎng)浙江省電力公司電力科學(xué)研究院， 浙江省杭州市 310014； 3. 國家電網(wǎng)交流建設(shè)公司, 北京市 100052)

0 引言

優(yōu)化利用電網(wǎng)中各類能源發(fā)電是解決能源與環(huán)境問題的方法之一。然而微電網(wǎng)中可再生能源(renewable energy source,RES)出力(光伏、風(fēng)電)具有間歇性和波動(dòng)性,且與負(fù)荷需求呈不對(duì)等分布,給能源的本地高效利用帶來挑戰(zhàn)[1-3]。因此,利用儲(chǔ)能系統(tǒng)協(xié)調(diào)能量供給和負(fù)荷需求的能量管理十分重要[4-12]。目前,能量管理方法主要分為啟發(fā)式能量管理算法和模型預(yù)測控制(MPC)算法兩大類。

啟發(fā)式能量管理算法能在一定時(shí)間和空間范圍內(nèi)給出最優(yōu)可行解。文獻(xiàn)[13-15]以系統(tǒng)運(yùn)行成本最小為目標(biāo)函數(shù),分別采用模糊控制、遺傳算法實(shí)現(xiàn)系統(tǒng)能量流的優(yōu)化控制。但上述算法都采用了日前控制的思路,需要根據(jù)RES預(yù)測出力預(yù)設(shè)儲(chǔ)能系統(tǒng)運(yùn)行模式,受預(yù)測誤差影響較大。文獻(xiàn)[16-18]采用啟發(fā)式規(guī)則和粒子群優(yōu)化(particle swarm optimization,PSO)算法相結(jié)合的方法優(yōu)化儲(chǔ)能充放電,提升算法實(shí)用性。但此類算法計(jì)算時(shí)間長且易陷入局部最優(yōu),不適用于運(yùn)行復(fù)雜的系統(tǒng)。

MPC算法通過模型預(yù)測、滾動(dòng)優(yōu)化和反饋校正來解決有限時(shí)域開環(huán)問題。文獻(xiàn)[19]提出一種基于模型預(yù)測控制的風(fēng)儲(chǔ)協(xié)調(diào)運(yùn)行方法,可以解決風(fēng)電間歇性出力功率波動(dòng)問題,但未考慮儲(chǔ)能對(duì)用戶負(fù)荷削減的作用。文獻(xiàn)[20-21]建立了考慮儲(chǔ)能系統(tǒng)、電動(dòng)汽車、可控分布式發(fā)電設(shè)備等的能量管理模型,有效降低了預(yù)測誤差對(duì)系統(tǒng)運(yùn)行成本和負(fù)荷削減的影響。但算法沒有考慮對(duì)微型燃?xì)廨啓C(jī)(簡稱微燃機(jī))排煙的利用,未實(shí)現(xiàn)系統(tǒng)整體能源利用最優(yōu)。

上述文獻(xiàn)中提出的能量管理方法幾乎都依賴于精確的RES和負(fù)荷預(yù)測數(shù)據(jù),受預(yù)測誤差的影響較大,難以應(yīng)對(duì)電網(wǎng)中快速增長的隨機(jī)、沖擊負(fù)荷(如電動(dòng)汽車等)。此外,在大多數(shù)能量管理方法中,儲(chǔ)能元件是作為一種輔助元件,運(yùn)行在滿足其物理特性的約束條件下,而沒有考慮其負(fù)荷削減作用。對(duì)此,本文提出一種基于預(yù)測數(shù)據(jù)實(shí)時(shí)修正的儲(chǔ)能充放電算法,可以減小預(yù)測誤差對(duì)算法控制帶來的影響;同時(shí),在調(diào)節(jié)用戶負(fù)荷需求時(shí),采用冷熱電聯(lián)產(chǎn)(combined cooling， heating and power,CCHP)方式和儲(chǔ)能系統(tǒng)充放電控制相結(jié)合的方法,協(xié)同控制微燃機(jī)出力和儲(chǔ)能的充放電功率,利用優(yōu)化算法,構(gòu)成雙環(huán)協(xié)同控制,實(shí)現(xiàn)微電網(wǎng)能量的經(jīng)濟(jì)最優(yōu)管理。該方法綜合了啟發(fā)式算法簡單易行的特點(diǎn)和MPC修正誤差的優(yōu)點(diǎn),負(fù)荷削減效果較好,可以減小持續(xù)增長的電動(dòng)汽車等沖擊負(fù)荷對(duì)于電網(wǎng)的影響。

1 微電網(wǎng)能量管理優(yōu)化模型

本文研究微電網(wǎng)模型包括光伏、風(fēng)機(jī)、微燃機(jī)、儲(chǔ)能系統(tǒng)和負(fù)荷。光伏和風(fēng)機(jī)運(yùn)行于最大功率跟蹤控制(不參與系統(tǒng)優(yōu)化協(xié)調(diào))。儲(chǔ)能系統(tǒng)主要存儲(chǔ)風(fēng)、光的剩余能量用于削減高峰負(fù)荷。微燃機(jī)與儲(chǔ)能系統(tǒng)協(xié)同參與能量管控。本文所提雙環(huán)控制的外環(huán)是協(xié)調(diào)CCHP方式和儲(chǔ)能系統(tǒng),使供電成本最小,其內(nèi)環(huán)在于利用儲(chǔ)能實(shí)時(shí)修正實(shí)現(xiàn)最大負(fù)荷削減。

算法以系統(tǒng)可控供電成本最小為最終目標(biāo)函數(shù)。因此,目標(biāo)函數(shù)由微燃機(jī)供電成本CMT和主網(wǎng)供電成本Cb構(gòu)成[22],如下式所示:

C=min(CMT+Cb)

(1)

式中:C為單位測量間隔內(nèi)系統(tǒng)可控供電成本;主網(wǎng)供電成本Cb中包含低電價(jià)時(shí)主網(wǎng)向儲(chǔ)能系統(tǒng)的充電成本。

儲(chǔ)能成本越低,本文所提基于預(yù)測數(shù)據(jù)實(shí)時(shí)修正的算法對(duì)比于其他能量管理算法的優(yōu)勢越明顯。考慮到隨著新能源大規(guī)模并網(wǎng),特別是部分地區(qū)明確要求儲(chǔ)能配備,這勢必將促進(jìn)儲(chǔ)能技術(shù)飛速發(fā)展及儲(chǔ)能成本降低?；趯?duì)未來儲(chǔ)能成本將進(jìn)一步降低的判定,本文暫且不將儲(chǔ)能成本納入目標(biāo)函數(shù)中。

1.1 微燃機(jī)供電成本

微燃機(jī)供電成本CMT由燃料成本Cf和發(fā)電成本Ce兩部分組成[23],即

CMT=Cf+Ce=(pfVfuel+pePMT)Δt

(2)

(3)

式中:pf為燃?xì)鈨r(jià)格;Vfuel為單位時(shí)間內(nèi)耗氣量;Qfuel為燃料熱值(與微燃機(jī)出力有關(guān),見附錄A表A1);λLHV為低位燃料熱值(15 ℃,41.9 MJ/m3);pe為微燃機(jī)運(yùn)行價(jià)格;PMT為微燃機(jī)出力;Δt為采樣間隔時(shí)長(本文選為10 min)。

微燃機(jī)制冷功率PMT.cold和制熱功率PMT.heat與微燃機(jī)出力PMT呈正相關(guān)關(guān)系。微燃機(jī)排煙通過熱交換機(jī)可提供熱功率。供熱功率與微燃機(jī)出力關(guān)系如式(4)所示[24],系數(shù)θ計(jì)算方法如式(5)所示。

PMT.heat=θPMT

(4)

(5)

式中:ηhr為熱耗率,其值為常數(shù),依據(jù)微燃機(jī)型號(hào)而定;ηte為能源熱效率;ηex為熱交換機(jī)效率。

微燃機(jī)排煙通過溴化鋰吸收式制冷機(jī)可提供冷功率。微燃機(jī)運(yùn)行時(shí),會(huì)產(chǎn)生一定溫度和流速的排煙,數(shù)據(jù)如附錄A表A1所示。根據(jù)制冷機(jī)的制冷特性,一定溫度和流速的排煙通過制冷機(jī)產(chǎn)生冷功率,數(shù)據(jù)如附錄A表A2所示。由于表A1和表A2中都是離散數(shù)據(jù),因此本文采用拉格朗日二次插值方法計(jì)算微燃機(jī)的連續(xù)制冷功率PMT.cold。

由于用戶用于調(diào)節(jié)室溫的冷/熱負(fù)荷需求具有明顯的季節(jié)性,故微燃機(jī)不同時(shí)提供制冷和制熱功率。冰箱、茶壺等一些對(duì)冷/熱負(fù)荷需求較少的家用設(shè)備將通過電能直接供給。

1.2 運(yùn)行約束條件

微電網(wǎng)中能量管理約束條件分儲(chǔ)能系統(tǒng)充放電約束和微電網(wǎng)負(fù)荷需求平衡約束兩方面。儲(chǔ)能系統(tǒng)約束條件涉及儲(chǔ)能容量、充放電功率和荷電狀態(tài)(SOC);微電網(wǎng)負(fù)荷需求平衡涉及儲(chǔ)能系統(tǒng)、光伏、風(fēng)電、微燃機(jī)、主網(wǎng)與冷、熱、電負(fù)荷平衡。

1)儲(chǔ)能系統(tǒng)儲(chǔ)能容量、充放電功率和SOC范圍約束

儲(chǔ)能系統(tǒng)儲(chǔ)能容量Est不超過其極限值,如式(6)所示。

Est∈[Est.min,Est.max]

(6)

式中:Est.max為儲(chǔ)能系統(tǒng)容量上限值,一般取儲(chǔ)能系統(tǒng)的額定容量;Est.min為儲(chǔ)能系統(tǒng)容量下限值,由最大放電深度決定[25]。

儲(chǔ)能系統(tǒng)充放電功率Pst不超過其額定值,且受雙向DC-DC變換器額定功率約束[26],如式(7)所示。

(7)

式中:Pst和Pst.e分別為儲(chǔ)能系統(tǒng)充放電功率和額定功率;Pdde為雙向DC-DC變換器額定功率;ηdd為雙向DC-DC變換器效率。

為了防止過度充放電對(duì)儲(chǔ)能系統(tǒng)造成損害,儲(chǔ)能系統(tǒng)SOC必須限制在其最大、最小荷電量之間,如式(8)所示。

S∈[Smin,Smax]

(8)

式中:Smax和Smin分別為儲(chǔ)能系統(tǒng)SOC的上、下限值。

儲(chǔ)能系統(tǒng)的儲(chǔ)能狀態(tài)以能量E為描述單位,充放電控制過程則以功率P為描述單位。為描述E與P之間的數(shù)值關(guān)系,引入一個(gè)中間變量E′:

(9)

2)微電網(wǎng)負(fù)荷需求平衡約束

微電網(wǎng)中,儲(chǔ)能系統(tǒng)、光伏、風(fēng)電、微燃機(jī)根據(jù)用戶負(fù)荷需求協(xié)調(diào)運(yùn)行。其中冷(熱)負(fù)荷需求主要由微燃機(jī)制冷(熱)提供[27]。若用戶冷(熱)負(fù)荷需求得不到滿足,則由光伏、風(fēng)電、向主網(wǎng)購電通過空調(diào)制冷(熱)的方式來補(bǔ)償。負(fù)荷需求平衡約束條件如式(10)所示。

(10)

式中:Pc為用戶剩余負(fù)荷需求功率;Ppv和Pwind分別為光伏和風(fēng)電出力;Pb為主網(wǎng)供電功率;Pcold,Pheat,Pe分別為剩余冷、熱、電負(fù)荷需求,由光伏、風(fēng)電出力、主網(wǎng)供電和儲(chǔ)能系統(tǒng)承擔(dān);PD.e,PD.cold,PD.heat分別為用戶的電、冷、熱負(fù)荷需求;α和β分別為制冷、制熱系數(shù)(COP),為空調(diào)消耗單位功率所能獲得的制冷、制熱功率。

2 儲(chǔ)能系統(tǒng)的充放電控制策略

儲(chǔ)能系統(tǒng)充放電控制策略在目標(biāo)函數(shù)尋優(yōu)中起著綜合協(xié)調(diào)能源系統(tǒng)削峰效果和經(jīng)濟(jì)性的作用。本文提出的基于預(yù)測數(shù)據(jù)的實(shí)時(shí)修正方法具體分為兩步:①在每天初始根據(jù)當(dāng)天預(yù)測負(fù)荷需求、RES預(yù)測出力計(jì)算儲(chǔ)能系統(tǒng)當(dāng)天的預(yù)充放電功率;②在實(shí)時(shí)運(yùn)行中以儲(chǔ)能系統(tǒng)的預(yù)充放電功率為參考值,根據(jù)實(shí)際負(fù)荷需求、RES實(shí)測出力計(jì)算實(shí)際充放電功率。該方法可以減小數(shù)據(jù)預(yù)測誤差對(duì)負(fù)荷削減效果的影響。由于社區(qū)微電網(wǎng)中用戶冷、熱負(fù)荷需求具有明顯的季節(jié)性且微燃機(jī)提供冷、熱功率原理相似,因此,本文以夏季用戶冷負(fù)荷需求最大的情形為例，具體闡述儲(chǔ)能系統(tǒng)控制策略。

2.1 儲(chǔ)能系統(tǒng)預(yù)充放電功率計(jì)算

當(dāng)微燃機(jī)提供的制冷功率可以滿足用戶冷負(fù)荷需求時(shí),儲(chǔ)能系統(tǒng)只用于調(diào)節(jié)電負(fù)荷需求;反之,儲(chǔ)能系統(tǒng)需要綜合調(diào)節(jié)剩余冷負(fù)荷需求(將冷負(fù)荷需求值轉(zhuǎn)換為由空調(diào)制冷提供等值冷負(fù)荷所需的電功率值)和電負(fù)荷需求。

首先,計(jì)算預(yù)測剩余功率Psp,判斷儲(chǔ)能系統(tǒng)運(yùn)行模式。Psp為用戶電負(fù)荷預(yù)測值、剩余冷負(fù)荷需求預(yù)測值之和與RES(光伏和風(fēng)電)預(yù)測出力值之差,如式(11)所示。

Psp(i)=PD.e(i)+Pcold(i)-(Ppv(i)+Pwind(i))

(11)

式中:i為采樣點(diǎn)。

其次,根據(jù)Psp值和階梯電價(jià)劃分,將儲(chǔ)能系統(tǒng)運(yùn)行模式分為以下三種情況。

1)當(dāng)Psp為負(fù)(充電)時(shí),若同時(shí)處于低電價(jià)時(shí)段,主網(wǎng)向儲(chǔ)能強(qiáng)制充電。該充電功率受限于電池的額定功率、容量和電池SOC上限。

2)當(dāng)Psp為正(放電)且處于低電價(jià)時(shí),主網(wǎng)向儲(chǔ)能系統(tǒng)強(qiáng)制充電。該充電功率滿足第1種情況中限制。

3)當(dāng)Psp為正且處于高電價(jià)時(shí),儲(chǔ)能系統(tǒng)處于放電模式。

其中,第3種情況需進(jìn)行預(yù)放電功率的計(jì)算。在每天初始點(diǎn)先計(jì)算出當(dāng)天儲(chǔ)能系統(tǒng)中可用于調(diào)峰的預(yù)總功率Pava,作為計(jì)算預(yù)放電功率的約束值。該值為當(dāng)天預(yù)測剩余功率負(fù)值部分(微電網(wǎng)系統(tǒng)供能大于負(fù)荷需求部分)和儲(chǔ)能系統(tǒng)初始時(shí)刻自身可釋放的功率之和,如式(12)所示。在計(jì)算實(shí)際充放電功率時(shí),根據(jù)實(shí)際負(fù)荷需求情況控制微燃機(jī)的實(shí)際出力,將其納入儲(chǔ)能系統(tǒng)實(shí)際可釋放功率中,以實(shí)現(xiàn)微燃機(jī)的經(jīng)濟(jì)運(yùn)行。

[Est(144(d-1)+1)-SminEst.e]×3 600

(12)

式中:d為天數(shù);Psp.neg為Psp負(fù)值部分;Smin是為了保證儲(chǔ)能系統(tǒng)能長期穩(wěn)定運(yùn)行而設(shè)定的最小極限值;Est.e為儲(chǔ)能系統(tǒng)額定儲(chǔ)能容量；144(d-1)+1為每天初始點(diǎn)序列號(hào)(本文采樣點(diǎn)采用連續(xù)編號(hào)方式,采樣間隔為10 min,因此每天共有144個(gè)采樣點(diǎn))。

(13)

(14)

2.2 儲(chǔ)能系統(tǒng)實(shí)際充放電功率計(jì)算

在儲(chǔ)能系統(tǒng)實(shí)際充放電過程中,引入?yún)?shù)ΔP,用于表征儲(chǔ)能系統(tǒng)能多用于負(fù)荷調(diào)節(jié)的功率。由于在計(jì)算預(yù)充放電功率時(shí),未納入微燃機(jī)出力對(duì)負(fù)荷削減的作用,故在計(jì)算完每天的預(yù)充放電后,若是儲(chǔ)能系統(tǒng)SOC不會(huì)達(dá)到最小極限值,仍有剩余可用儲(chǔ)能。因此,利用已得預(yù)充放電后儲(chǔ)能系統(tǒng)當(dāng)天高電價(jià)期間SOC最小值Smin′,計(jì)算這一部分剩余可用的功率ΔP,如式(15)所示。

ΔP(144(d-1)+1)=(Smin′-Smin)Est.e×3 600

(15)

此時(shí),需由儲(chǔ)能系統(tǒng)調(diào)節(jié)的實(shí)際剩余功率Psp′為用戶電負(fù)荷實(shí)際值、剩余冷負(fù)荷需求實(shí)際值之和與光伏、風(fēng)電、微燃機(jī)實(shí)際出力值之差,如式(16)所示。

Psp′(i)=PD.e′(i)+Pcold′(i)-(PMT′(i)+

Ppv′(i)+Pwind′(i))

(16)

式中:PD.e′為實(shí)際電負(fù)荷需求;Pcold′為剩余冷負(fù)荷需求實(shí)際值;PMT′,Ppv′,Pwind′分別為微燃機(jī)、光伏、風(fēng)電實(shí)際出力。

儲(chǔ)能系統(tǒng)實(shí)際充放電計(jì)算過程與預(yù)充放電功率計(jì)算過程類似,前兩種情況一樣。第3種情況下計(jì)算有所區(qū)別:將根據(jù)實(shí)測數(shù)據(jù)實(shí)時(shí)修正Pst,計(jì)算得到實(shí)際放電功率Pst′,也是本文所提算法的重要步驟。

第3種情況為當(dāng)Psp′為正且處于高電價(jià)時(shí),儲(chǔ)能系統(tǒng)處于放電模式。在該情況下,若Psp′大于Psp,可增加儲(chǔ)能系統(tǒng)的Pst′;相反,則可減少Pst′。儲(chǔ)能系統(tǒng)增加或減少Pst′的計(jì)算方法具體分為以下兩步。

1)若Psp為負(fù)則儲(chǔ)能系統(tǒng)Pst′為:

(17)

2)若Psp為正則Pst′為:

(18)

在每一次計(jì)算完儲(chǔ)能系統(tǒng)的實(shí)際充放電功率后,都需要重新校正ΔP的值。

1)若Psp為負(fù):由于在計(jì)算儲(chǔ)能系統(tǒng)預(yù)充放電功率時(shí),Pava沒有包含微燃機(jī)的出力,只包含了Psp負(fù)值部分,而在實(shí)際情況中,微燃機(jī)出力也能作為一部分儲(chǔ)能補(bǔ)給。故校正ΔP如式(19)所示。

ΔP(i)=ΔP(i-1)-(Pst′(i)-Psp(i))

(19)

2)若Psp為正:ΔP的校正量為儲(chǔ)能系統(tǒng)實(shí)際充放電功率與預(yù)充放電功率之差,如式(20)所示。

ΔP(i)=ΔP(i-1)-(Pst′(i)-Pst(i))

(20)

2.3 雙環(huán)控制的微電網(wǎng)能量管理方法

在2.1節(jié)和2.2節(jié)對(duì)儲(chǔ)能系統(tǒng)預(yù)充放電功率和實(shí)際充放電功率計(jì)算介紹基礎(chǔ)上,通過圖1展示基于儲(chǔ)能實(shí)時(shí)修正雙環(huán)控制的微電網(wǎng)能量管理方法的總體構(gòu)思(圖中A為連接符號(hào))。

首先采用PSO算法[28]計(jì)算總體目標(biāo)函數(shù),尋找微燃機(jī)的最優(yōu)出力值以綜合協(xié)調(diào)微燃機(jī)出力、儲(chǔ)能系統(tǒng)充放電和主網(wǎng)供給功率,這構(gòu)成外環(huán)控制。PSO尋優(yōu)算法的輸入是微燃機(jī)出力的限值,輸出是微燃機(jī)的最優(yōu)出力值和目標(biāo)函數(shù)的最優(yōu)值。

圖1 基于預(yù)測數(shù)據(jù)的實(shí)時(shí)修正算法流程Fig.1 Flow chart of real-time modification algorithm based on predicted data

該算法會(huì)隨機(jī)產(chǎn)生一組粒子,一組中每一個(gè)粒子代表微燃機(jī)的一個(gè)可行出力值。粒子將跟蹤兩個(gè)極值:一個(gè)是粒子本身迄今為止找到的最優(yōu)解;另一個(gè)是整個(gè)群體迄今為止找到的最優(yōu)解,粒子的優(yōu)劣將由目標(biāo)函數(shù)決定。一組中每一個(gè)粒子相繼進(jìn)入PSO算法中嵌入的儲(chǔ)能控制算法,得到相應(yīng)的儲(chǔ)能充放電功率和主網(wǎng)需承擔(dān)的負(fù)荷,并計(jì)算目標(biāo)函數(shù)值。將該組中每一個(gè)粒子得到的目標(biāo)函數(shù)值進(jìn)行比較,得到粒子本身最優(yōu)解。之后,對(duì)粒子按一定速度進(jìn)行數(shù)值增減得到一組新的粒子,重復(fù)上述步驟,得到相應(yīng)的粒子本身最優(yōu)解,并與上一組粒子本身最優(yōu)解進(jìn)行比較,得到群體最優(yōu)解。如此重復(fù),直至滿足設(shè)定的最優(yōu)精確度(相鄰優(yōu)化解之間的差值),即得到了微燃機(jī)的最優(yōu)出力值和儲(chǔ)能系統(tǒng)的最優(yōu)充放電控制。

其次,針對(duì)儲(chǔ)能系統(tǒng)充放電控制,稱之為內(nèi)環(huán)控制,共分兩步:①在每天的初始點(diǎn)利用預(yù)測數(shù)據(jù)計(jì)算儲(chǔ)能系統(tǒng)當(dāng)天的預(yù)充放電功率(具體在2.1節(jié)中闡述);②根據(jù)實(shí)時(shí)數(shù)據(jù)修正預(yù)充放電功率以得到實(shí)際充放電功率(具體在2.2節(jié)中闡述)。

3 實(shí)驗(yàn)驗(yàn)證與對(duì)比

本文使用了英國諾丁漢大學(xué)“新能源住房系統(tǒng)”中4臺(tái)3 kW風(fēng)機(jī)和4臺(tái)3 kW光伏系統(tǒng)的實(shí)測數(shù)據(jù)。電負(fù)荷數(shù)據(jù)和冷負(fù)荷數(shù)據(jù)皆由拉夫堡大學(xué)設(shè)計(jì)的CREST負(fù)荷用電模型生成[29]。階梯電價(jià)曲線參考浙江電網(wǎng)峰谷電價(jià)標(biāo)準(zhǔn),數(shù)據(jù)如附錄A表A3所示。所選微燃機(jī)額定功率為30 kW,其運(yùn)行成本相關(guān)數(shù)據(jù)(選取平均值)如附錄A表A4[23]所示。儲(chǔ)能元件選用5個(gè)20 kW·h/5 kW的Li-ion電池。由于Li-ion電池SOC在0.2～0.8之間時(shí)內(nèi)阻較小且穩(wěn)定,可以獲得良好的功率特性[4,30],有利于電池長時(shí)間的工作,故設(shè)定電池工作SOC的上下限值(Smax和Smin)為0.8和0.2。用4 kW電動(dòng)汽車(額定容量20 kW·h)模擬沖擊負(fù)荷[31-33],并將沖擊負(fù)荷隨機(jī)加入特定時(shí)間內(nèi)。

圖2所示為光伏和風(fēng)電3 d(72 h)的典型功率曲線。圖中藍(lán)色虛線為光伏出力,在每天正午左右達(dá)到峰值;綠色實(shí)線為風(fēng)電出力,在每天清晨和深夜達(dá)到峰值。圖3所示為用戶電負(fù)荷和冷負(fù)荷需求(將冷負(fù)荷需求根據(jù)制冷能效比轉(zhuǎn)換成所需電功率的數(shù)值,下同),在傍晚至深夜間達(dá)到峰值。圖4所示為模擬電動(dòng)汽車充電的沖擊負(fù)荷曲線,與電負(fù)荷需求峰期時(shí)間一致。

圖2 光伏和風(fēng)電輸出曲線Fig.2 Photovoltaic and wind power output curves

圖3 用戶電負(fù)荷和冷負(fù)荷需求曲線Fig.3 Demand curves of consumer electrical load and cooling load

圖4 電動(dòng)汽車充電曲線(沖擊負(fù)荷曲線)Fig.4 Charging curve of electric vehicle (impact load curve)

比較圖2至圖4可得,RES輸出功率和用戶負(fù)荷需求特性大致呈逆向分布。因此,利用儲(chǔ)能裝置對(duì)RES和負(fù)荷進(jìn)行管理與調(diào)節(jié),能最大限度地實(shí)現(xiàn)能源的本地利用和削減沖擊負(fù)荷的目標(biāo)。

為了凸顯所提算法在削減負(fù)荷峰值方面的優(yōu)越性,本文將該算法與固定閾值算法和自適應(yīng)算法的運(yùn)行結(jié)果進(jìn)行比較分析。固定閾值算法[34]利用RES和負(fù)荷預(yù)測數(shù)據(jù)計(jì)算電池固定放電閾值Pthr(等于預(yù)測剩余功率總和的平均值)。在實(shí)際運(yùn)行中,當(dāng)實(shí)際剩余功率大于放電閾值且處于高電價(jià)時(shí),電池放電調(diào)節(jié)負(fù)荷。自適應(yīng)算法(AIT)[35]是一種根據(jù)電池前一天充放電情況(Pthr和充放電功率等參數(shù))、電池當(dāng)前SOC來實(shí)時(shí)調(diào)整電池當(dāng)前時(shí)刻放電閾值和放電功率的方法。將這兩種方法的運(yùn)行結(jié)果與本文提出的基于預(yù)測數(shù)據(jù)實(shí)時(shí)修正方法的結(jié)果進(jìn)行比較,如圖5、圖6所示。為了使結(jié)果對(duì)比明顯,截取了其中一日的數(shù)據(jù)曲線圖進(jìn)行放大分析。

圖5 經(jīng)調(diào)節(jié)后的用戶電負(fù)荷需求曲線Fig.5 Demand curves of electrical load after being dispatched

圖6 供電成本曲線Fig.6 Power supply cost curves

圖5所示為經(jīng)調(diào)節(jié)后的用戶負(fù)荷需求曲線。深藍(lán)色虛線、綠色實(shí)線、紅色實(shí)線分別為經(jīng)固定閾值法、AIT和本文所提算法調(diào)節(jié)后新的負(fù)荷需求(包括電負(fù)荷和冷負(fù)荷需求)。從圖中可知,三種方法都在不同程度上削減了負(fù)荷需求。其中,AIT和固定閾值法對(duì)電池的能量分配較為均勻,降低了對(duì)負(fù)荷峰值(43～47 h內(nèi))的調(diào)節(jié)效果。尤其對(duì)固定閾值法來說,其對(duì)預(yù)測數(shù)據(jù)精確性的依賴性大,調(diào)節(jié)沖擊負(fù)荷能力有限。

本文所提算法相較于以上兩種方法,雖然并未較好地削減需求較小時(shí)段內(nèi)的負(fù)荷,但在削減負(fù)荷峰值(有沖擊負(fù)荷出現(xiàn)的情況)時(shí)效果十分明顯,緩解了電動(dòng)汽車充電對(duì)電網(wǎng)的沖擊影響,防止斷路器因瞬時(shí)過負(fù)荷跳閘,保證電網(wǎng)和電池運(yùn)行穩(wěn)定性。

圖6為三種算法的系統(tǒng)供電成本曲線?？芍?在負(fù)荷需求較低的時(shí)段內(nèi),固定閾值法和AIT比本文所提算法供電成本低,而在負(fù)荷高峰期(電動(dòng)汽車充電期間),本文所提算法比其他兩種算法供電成本低(尤其是在43～45 h內(nèi))。這就更加證實(shí)了本文所提算法在應(yīng)對(duì)沖擊負(fù)荷時(shí)經(jīng)濟(jì)性更好,也從側(cè)面體現(xiàn)出用戶將會(huì)得到更多利益。

夏季7至9月是一年中電負(fù)荷和冷負(fù)荷需求高峰期,利用這段時(shí)間的負(fù)荷數(shù)據(jù),分別采用上述三種算法進(jìn)行長時(shí)間運(yùn)行(共運(yùn)行90 d)。為了比較出本文算法在應(yīng)對(duì)沖擊負(fù)荷時(shí)的經(jīng)濟(jì)性優(yōu)勢和沖擊負(fù)荷削減優(yōu)勢,表1總結(jié)了電動(dòng)汽車充電期間的結(jié)果。由該表可知,本文所提算法在電動(dòng)汽車充電期間的負(fù)荷削減率達(dá)到74.24%,供電成本為19 654.7元,而其他兩種方法的負(fù)荷削減率相對(duì)較低且供電成本較高?？梢?本文算法在應(yīng)對(duì)沖擊負(fù)荷時(shí)不僅有經(jīng)濟(jì)上的優(yōu)勢,還有負(fù)荷削減效果上的優(yōu)勢。

表1 電動(dòng)汽車充電時(shí)段電負(fù)荷削減結(jié)果比較Table 1 Results comparison of load shaving during electric vehicle charging period

將圖5、圖6和表1結(jié)合分析可得,AIT在平均分配電池儲(chǔ)能上有較大的優(yōu)勢,但無法起到盡量削減沖擊負(fù)荷的效果。相比于AIT算法和固定閾值算法,本文所提算法在處理沖擊負(fù)荷情況中,不僅能較大程度地削減負(fù)荷,也體現(xiàn)出較好的經(jīng)濟(jì)性。當(dāng)大規(guī)模電動(dòng)汽車接入電網(wǎng)時(shí),盡可能削減沖擊負(fù)荷的優(yōu)勢對(duì)系統(tǒng)的健康穩(wěn)定運(yùn)行具有重要的意義。

4 結(jié)語

本文提出了一種基于預(yù)測數(shù)據(jù)實(shí)時(shí)修正的儲(chǔ)能控制算法,考慮了電動(dòng)汽車的充電負(fù)荷及CCHP的負(fù)荷調(diào)節(jié)作用。該算法首先利用預(yù)測數(shù)據(jù)計(jì)算出電池預(yù)充放電功率作為參考值,再根據(jù)實(shí)測數(shù)據(jù),實(shí)時(shí)修正電池實(shí)際充放電功率。該算法不僅可以快速響應(yīng)負(fù)荷變化(如電動(dòng)汽車充電時(shí)產(chǎn)生沖擊負(fù)荷的情況),而且具有一定的經(jīng)濟(jì)優(yōu)勢。通過實(shí)測數(shù)據(jù)驗(yàn)證分析顯示,與固定閾值法和AIT相比,本文提出的儲(chǔ)能控制方法不受儲(chǔ)能系統(tǒng)放電閾值的影響,應(yīng)用更靈活。此外,在應(yīng)對(duì)沖擊負(fù)荷時(shí)也有比較明顯的削峰效果和經(jīng)濟(jì)優(yōu)勢。本文微電網(wǎng)中只考慮了光伏、風(fēng)機(jī)、微燃機(jī)的供能及CCHP的運(yùn)行方式,未來還可以進(jìn)一步增加能源利用方式,考慮生物質(zhì)能、氫能等新型能源的利用和儲(chǔ)熱等運(yùn)行方式,建立綜合能源模型,促進(jìn)環(huán)境和經(jīng)濟(jì)的協(xié)調(diào)發(fā)展。

附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx)。