張雅雯， 周獻(xiàn)遠(yuǎn)

(1.安徽電氣工程職業(yè)技術(shù)學(xué)院， 安徽 合肥 230051； 2.國網(wǎng)安徽省電力有限公司檢修分公司， 安徽 合肥 230000)

0 前言

由于能源危機(jī)和環(huán)境約束，在能源互聯(lián)網(wǎng)和電改的契機(jī)下，各國相繼將目光投向新型清潔可再生能源，微網(wǎng)愈發(fā)愈吸引了人們的關(guān)注。微電網(wǎng)通常是指功率數(shù)值在10MW以下，含有不同類型的分布式電源、儲能裝置、負(fù)荷以及控制裝置的小型獨(dú)立系統(tǒng)[1-3]。微網(wǎng)性能的優(yōu)劣是由分布式電源的性能與其對應(yīng)的控制策略決定的[4]。

由于光伏發(fā)電的不確定性，儲能裝置的合理配置能有效提高光伏發(fā)電系統(tǒng)的可預(yù)測性和可調(diào)度性。本文使用了大容量、可使用次數(shù)相對有限、低功率比的儲能裝置去補(bǔ)償小容量、壽命長、高功率比的儲能裝置，優(yōu)于單一儲能，達(dá)到補(bǔ)償微電網(wǎng)功率波動的效果，提高系統(tǒng)穩(wěn)定性與經(jīng)濟(jì)性。

文獻(xiàn)[5]中提出的優(yōu)化對象為系統(tǒng)的可靠性及運(yùn)行狀態(tài)指標(biāo)，將鋰電池和超級電容器的混合儲能應(yīng)用于含獨(dú)立光伏的發(fā)電系統(tǒng)，進(jìn)行仿真以闡述混合儲能的良好性能；文獻(xiàn)[6]提出了主儲能系統(tǒng)和子儲能系統(tǒng)的容量優(yōu)化配置方法，給定不同工況下系統(tǒng)期望穩(wěn)定運(yùn)行的時間指標(biāo)，通過仿真分析驗(yàn)證方法的有效性和可靠性；文獻(xiàn)[7]采用改進(jìn)的常規(guī)細(xì)菌覓食算法對已有的模型進(jìn)行求解，對微網(wǎng)進(jìn)行實(shí)時調(diào)度，取得更好經(jīng)濟(jì)性；文獻(xiàn)[8]著重闡述了傳統(tǒng)粒子群優(yōu)化算法易出現(xiàn)的搜索能力不強(qiáng)早熟收斂、陷入局部最優(yōu)和早熟收斂等問題。

在基本粒子群算法的基礎(chǔ)上，本文采用收斂速度更快、經(jīng)濟(jì)性能更優(yōu)的改進(jìn)粒子群算法，同時將該算法與RTDS有效相結(jié)合，在RTDS平臺上搭建含光伏的混合儲能模型，將優(yōu)化前后的數(shù)據(jù)通過script文件導(dǎo)入RTDS中進(jìn)行仿真，平抑了光伏發(fā)電側(cè)的直流母線電壓，同時維持了交流負(fù)荷側(cè)電壓和功率的穩(wěn)定，提高了電能質(zhì)量。

1 混合儲能優(yōu)化配置的算法介紹

1.1 基本粒子群算法

粒子群算法是建立在群體演化的算法基礎(chǔ)上的，搜索采用的是位置-速度模型，原理是[9]：種群的規(guī)模是N，其中的粒子個體i在飛行過程中主要有在第k次迭代過程中個體尋找到的個體最優(yōu)值pbest以及整個群體在當(dāng)前時刻找到的群體中的最優(yōu)值gbest，由于其簡單易實(shí)現(xiàn)、可調(diào)參數(shù)少的優(yōu)點(diǎn)，應(yīng)用較為廣泛。速度與位置的迭代表達(dá)式分別如式(1)、(2)所示：

(1)

(2)

1.2 改進(jìn)粒子群算法

在搜索后期，種群中粒子的位置缺乏多樣性，加之基本粒子群算法存在“局部最優(yōu)”的缺點(diǎn)，所以要采取措施改進(jìn)先前的算法，更新自己速度，從而達(dá)到避免收斂“早熟”的目的，求得全局最優(yōu)解。其表達(dá)式如式(3)、(4)所示：

(3)

(4)

其中：wmax，wmin是w的最大值與最小值，其數(shù)值一般設(shè)置為0.9，0.4，stmax，st分別是迭代次數(shù)的最大值與當(dāng)前值。

1.3 目標(biāo)函數(shù)與約束條件

針對光伏系統(tǒng)而言，合理配置混合儲能可提高配電側(cè)的供電可靠性和穩(wěn)定性[10-13]。配置儲能裝置時要考慮系統(tǒng)的全生命周期費(fèi)用，包括系統(tǒng)的一次性投資、運(yùn)行維護(hù)費(fèi)用、折舊費(fèi)用及裝置損壞后的更換費(fèi)用，將所有的費(fèi)用折算成總費(fèi)用。由于系統(tǒng)在運(yùn)行中存在單體損壞的可能性，設(shè)置單體損壞的百分?jǐn)?shù)為2%，目標(biāo)函數(shù)表達(dá)式如下：

minC=Ci+Co+Cm+Cd

(5)

Pb≤Phmax,Pc≤Pcmax

(6)

Ebmax≤Eb≤Ebmax

(7)

Ecmax≤Ec≤Ecmax

(8)

(Ebmax-Ebmin)ηbd+(Ecmax-Ecmin)ηcd≥Q

(9)

LPSP(b,c)≤LPSPmax

(10)

式中：Ci，Co，Cm，Cd—依次代表儲能系統(tǒng)的購買成本、維護(hù)成本、處置成本、運(yùn)行成本；

Pb，Pbmax，Pc，Pcmax—依次為某瞬間蓄電池的輸出功率、最大輸出功率值、某瞬間超級電容器的輸出功率、最大輸出功率值；

Eb，Ebmax，Ebmin，Ec，Ecmax，Ecmin，Q—依次是蓄電池瞬間儲存能量的數(shù)值、蓄電池儲存能量下限、蓄電池儲存能量上限、超級電容器某時刻的儲存能量、超級電容器儲存能量下限、超級電容器儲存能量上限、重要負(fù)荷不間斷供電小時數(shù)所需電能；

ηbd，ηcd—蓄電池放電效率、超級電容器放電效率；

LPSP(b,c)，LPSPmax—系統(tǒng)某時刻的負(fù)荷缺電率、系統(tǒng)最大負(fù)荷缺電率。

2 系統(tǒng)建模

RTDS是基于電磁暫態(tài)理論，采取并行運(yùn)算的多處理器方法，由硬件和軟件兩部分組成。硬件用于計算和數(shù)據(jù)輸出，軟件RSCAD用于搭建電力系統(tǒng)的一次系統(tǒng)及其控制回路，實(shí)現(xiàn)對系統(tǒng)的實(shí)時仿真、監(jiān)測和控制。

基于RTDS平臺的大、小步長模型搭建含儲能裝置的光伏并網(wǎng)模型[14-17]，主要包括光伏電板、鋰電池、超級電容器、逆變器、架空線、變壓器及外接電力系統(tǒng)等，在RTDS上搭建的模型如圖1所示：鋰電池組和超級電容器分別通過雙向換流器與交流母線相連；光伏系統(tǒng)采用增量電導(dǎo)法的最大功率點(diǎn)追蹤控制算法最終與正弦三相脈寬調(diào)制(SPWM)變換器的交流母線相連。

圖1 含光伏系統(tǒng)的混合儲能一次系統(tǒng)圖

2.1 光伏電池陣列建模

2.1.1 光伏電池陣列模型

光照強(qiáng)度和溫度的不同影響光伏陣列的輸出，根據(jù)伏特效應(yīng)光照射在光伏電池表面可以產(chǎn)生電流和電壓。光伏電池等效數(shù)學(xué)模型如下：

(11)

(12)

(13)

式中：Um，Im，UOC，ISC依次是最大功率點(diǎn)處的電壓，最大功率點(diǎn)處的電流，開路電壓與短路電流。

2.1.2 最大功率控制模型

為了提高光伏發(fā)電的效率，需對其進(jìn)行最大功率追蹤，本文使用電導(dǎo)增量法，將光伏陣列的電壓與電流作為輸入，把MPPT處的電壓參考值與目前算法的狀態(tài)作為輸出端，如圖2所示：

圖2 MPPT模塊

2.2 儲能電池建模

2.2.1 鋰電池模型

本文采用的鋰電池模型，如圖3所示，電路中所有非線性元件都是關(guān)于SOC的函數(shù)，單變量函數(shù)用來描述這些元件的特性。

VOC(SOC) =-1.031e-35SOC+3.685+0.2156SOC-0.1178SOC2+0.3201SOC3

(14)

RSeries(SOC)=0.1562×2-24.37SOC+0.07446

(15)

RTransient(SOC)=0.3208×2-29.14SOC+0.04669

(16)

CSeries(SOC)=-752.9e-13.51SOC+703.6

(17)

RTransientL(SOC)=6.603e-155.2SOC+0.04984

(18)

圖3 鋰電池的等效電路圖

2.2.2 超級電容器模型

超級電容器采用經(jīng)典的RC模型，模型可簡化為電容C和電阻R的串聯(lián)模型，超級電容的電壓和電流的表達(dá)式如下：

(19)

其中：VO為端電壓，VOC為理想電容電壓，iC為流經(jīng)超級電容的電流。

2.2.3 儲能電池?fù)Q流器模型

為了抑制基波電壓產(chǎn)生偏差，使電壓與電流的相位保持一致，需對鎖相環(huán)與比例積分進(jìn)行調(diào)節(jié)，生成驅(qū)動信號的角度由鎖相環(huán)的輸出角度PHI來提供。儲能所使用的換流器的控制為雙環(huán)控制，外環(huán)為換流器的外特性，采用比例積分(PI)環(huán)節(jié)，內(nèi)環(huán)為電流環(huán)，經(jīng)過前饋解耦、比例積分調(diào)節(jié)器等環(huán)節(jié)，得到并網(wǎng)電流。與光伏逆變器相比，根據(jù)不同場景，儲能換流器會自我更新有功控制的目標(biāo)，最大效能地吸收和發(fā)出有功功率。儲能換流器模型如圖4所示：

圖4 儲能換流器模型框圖

3 算例分析

根據(jù)改進(jìn)前后的粒子群算法，以某地區(qū)2011年的光照，溫度及平均日照時數(shù)等數(shù)據(jù)為例，以光伏組成的發(fā)電系統(tǒng)為優(yōu)化對象，容量、功率為約束條件，合理的配置系統(tǒng)的儲能容量數(shù)量以達(dá)到經(jīng)濟(jì)投資最優(yōu)，具體參數(shù)如表1。

優(yōu)化的結(jié)果如下，結(jié)果的前兩個分別為所需的蓄電池和超級電容的個數(shù)，最后一個為最終的最優(yōu)適應(yīng)度值，即文中的最小費(fèi)用，變化圖形如圖5所示。圖6所示為變權(quán)重系數(shù)的優(yōu)化結(jié)果，圖7所示為固定權(quán)重系數(shù)的優(yōu)化結(jié)果。

表1 粒子群具體參數(shù)

圖5 不同粒子群算法尋優(yōu)結(jié)果比對圖

圖6 變權(quán)重系數(shù)優(yōu)化結(jié)果

從最終的結(jié)果和曲線圖得知：變權(quán)重法收斂速度更快，大概80，而固定權(quán)重法需要150左右才能穩(wěn)定。變權(quán)重法所需的蓄電池和超級電容的個數(shù)小于固定權(quán)重法，最優(yōu)適應(yīng)度值即經(jīng)濟(jì)性變權(quán)重法同樣優(yōu)于固定權(quán)重法，達(dá)到預(yù)期效果。

將改進(jìn)前后的粒子群算法分別與RTDS平臺結(jié)合進(jìn)行仿真，其結(jié)果如下：

圖8為優(yōu)化前光伏發(fā)電系統(tǒng)直流側(cè)電壓，由于光伏發(fā)電側(cè)的間歇性和隨機(jī)性，在0～0.4s內(nèi)電壓極其不穩(wěn)定。

圖9為優(yōu)化后光伏發(fā)電系統(tǒng)直流側(cè)電壓，合理配置后的混合儲能有效平抑了光伏發(fā)電側(cè)的直流電壓，使其維持在540V左右。

圖8 優(yōu)化前光伏發(fā)電側(cè)的直流電壓

圖10為優(yōu)化前負(fù)荷側(cè)的電壓波形圖，由于光伏發(fā)電的不確定與電網(wǎng)不友好的特征，電壓幅值波動較明顯。

圖11為優(yōu)化后負(fù)荷側(cè)的電壓波形圖，將改進(jìn)后的混合儲能數(shù)據(jù)通過腳本文件導(dǎo)入仿真平臺中，有效提高了負(fù)荷側(cè)的電能質(zhì)量，平抑了電壓波動。

圖10 優(yōu)化前負(fù)荷側(cè)三相電壓波形圖

圖12 優(yōu)化前后負(fù)荷對比圖

圖12中Pmon、Pset分別為優(yōu)化前、優(yōu)化后負(fù)荷側(cè)的有功功率，在合理配置儲能容量的前提下，有效調(diào)節(jié)儲能控制器，可以提高負(fù)荷側(cè)的電能質(zhì)量，確保其供電可靠性。

4 結(jié)語

本文基于RTDS搭建含光伏的混和儲能微網(wǎng)模型，并對模型進(jìn)行詳盡闡述。以某地區(qū)2011年的光照、溫度及平均日照時數(shù)等數(shù)據(jù)為參考，含獨(dú)立光伏的發(fā)電系統(tǒng)為優(yōu)化對象，通過對粒子群的研究，以容量、功率為約束條件，系統(tǒng)全生命周期最低為目標(biāo)，將優(yōu)化后的結(jié)果導(dǎo)入RTDS中進(jìn)行仿真。結(jié)果表明，在收斂速度上，改進(jìn)后粒子群算法明顯優(yōu)于基本粒子群方法，同時具有較好的經(jīng)濟(jì)性，有效平抑了光伏發(fā)電系統(tǒng)直流母線電壓，保證了系統(tǒng)的供電可靠性，提高了電能質(zhì)量，對未來新能源技術(shù)的發(fā)展探索有一定的借鑒意義。