考慮功率預測的儲能電站動態優化控制方法

袁 弘，李建祥，劉海波，張華棟，高玉明

（1.國網山東省電力公司電力科學研究院，山東 濟南250002；2.國網山東省電力公司，山東 濟南250002)

考慮功率預測的儲能電站動態優化控制方法

袁 弘1，李建祥1，劉海波1，張華棟2，高玉明2

（1.國網山東省電力公司電力科學研究院，山東 濟南250002；2.國網山東省電力公司，山東 濟南250002)

提出了基于超短期功率預測的儲能電站平抑風電功率波動的動態優化控制方法，系統考慮影響儲能電站的多種因素，構建基于風功率超前信息的充放電策略；以荷電狀態偏移量最小為目標構建優化控制模型，同時考慮儲能介質的性能約束，得到下一次控制步長內的優化控制模式，由此形成遞進式的動態控制策略。實際風電場運行數據算例分析表明，所提方法可有效實現儲能電站的高效控制，具有一定實際應用價值。

儲能電站；動態；優化；控制；可再生能源

0 引言

以風力發電為代表的可再生能源[1]具有間歇和隨機性的固有屬性，隨著風力發電滲透率的持續提升，亟需增強當前電網對風電波動性的應對能力。儲能電站能夠實現能量的存儲和釋放，成為目前可能解決風電波動問題的重要方式之一[2]。當前理論研究和示范工程中[3]，通過配置一定容量比重[4]的儲能平抑其波動性[5]，可平滑風功率輸出。儲能電站成為提升大規模風電可調控能力的重要途徑[6]。

國內外學者指出儲能電站目前尚未有特性突出、綜合能力顯著的儲能介質[7]，優勢特性互補的復合儲能[8]是儲能技術未來重要的發展方向[9]。復合儲能可彌補單一介質的不足，有利于提升儲能電站的適應能力和運行可靠性[10]，為儲能電站基于未來信息構建動態優化控制提供了可能?；诖?，本文提出了考慮超短期功率預測的儲能電站動態優化控制方法，采用現場風功率運行數據進行了驗證分析，結果表明了該方法的有效性和可行性。

1 儲能電站充放電策略

1.1 儲能介質特性分析

以鉛酸蓄電池和LiB為代表的能量型儲能在當前諸多示范工程中獲得應用，該類型儲能能量密度大，儲能時間長，應嚴格限制其充放電狀態轉換次數；功率型儲能VRB具備頻繁充放電切換響應能力，可充放電次數高，適用于呈現頻繁快速變化特性的隨機分量的波動平抑。

1.2 充放電模型

考慮到風能分布具有明顯的時間周期性，本文選取采樣步長為5 min，根據平抑目標確定儲能電站所需平抑的功率波動如圖1所示。以充放各一次的時長Δt為統計量，可得 Δt在采樣點區間(1，14]的對應概率和達到85%，為Δt主要聚集區域。由此本文選定兩個充放區間作為遞進控制步長，得到遞進控制步長將以[35，155] min為主要聚集區間。

圖1 部分時間截面的平抑偏移量

根據儲能電站介質的運行特性構建主輔兩層控制策略，具體充放電模型為：

(1)VRB優先動作，LiB輔助平抑。遞進控制步長內的單次充或放區間能量低于限值 Emin，VRB優先動作并在其SOC不越限、充放功率在限值范圍的前提下獨立平抑波動。核心目標在于發揮VRB的SOC大范圍變化特性，嚴格控制LiB充放電切換次數。該充放電模型對應具體運行模式為：

式中Δt為采樣步長。P(t)為平抑目標功率偏移量，P(t)＞0對應 HESS的充電，其數值對應充電功率；反之對應放電狀態，其數值為放點功率。Ei（i=1，2，3，4）為遞進控制步長對應的兩個充放區間的能量，且，ts-i、te-i為各充放區間的始末時刻；同理Ei＞ 0則代表 HESS吸收能量，反之為釋放能量。[Emin-discha，Emin-cha]為 VRB優先啟動對應的充放能量區間。SOCVRB(t)為VRB的 SOC瞬時值，SOCmax-VRB、SOCmin-VRB分別為 VRB的 SOC運行上下限值。當滿足 Pmax-discha-VRB＜P(t)＜Pmax-cha-VRB時，其中 Pmax-cha-VRB、Pmax-discha-VRB分別為 VRB的最大充、放電功率，本控制步長內VRB獨立完成功率平抑；反之，則LiB輔助啟動協調平抑。

(2)LiB主要動作，VRB輔助平抑。對于非VRB優先動作狀況，發揮LiB能量密度高的優勢，由其啟動并承擔主要平抑任務；對于 VRB的啟動，取決于LiB充放電功率的變化速率及其SOC，其目標在于輔助LiB平抑目標或調整自身SOC以處于較優運行狀態。VRB輔助啟動條件為：

式中，SOCmax-LiB、SOCmin-LiB分別為 LiB的 SOC運行上下限值，文中分別取 0.9和 0.2；Pmax-cha-LiB、Pmax-discha-LiB分別為LiB的最大充、放電功率；ΔP(t)為充放電功率的變化率，且 ΔP(t)=P(t)-P(t-1)；ΔPmax-cha-LiB、ΔPmax-discha-LiB分別為 LiB的最大充放電功率變化率；SOCLiB(t)為 LiB的 SOC瞬時值。當LiB、Uc同時啟動時，當各自SOC或充放電功率同步越限時，將分別出現棄風和平抑功率不足的狀況。

2 儲能電站動態優化控制模型

2.1 目標函數

基于上述充放模型，構建以儲能電站SOC運行狀態最優為目標的優化控制模型。已知遞進控制步長區間的各介質初始 SOCint-LiB、SOCint-Uc，基于充放電策略，使得本區間內各介質偏移最佳SOC的方差和最小，目標函數如式（3）所示。

該目標函數主要解決本遞進控制步長區間內充放能量在各介質間的協調分配問題。其中，SOCOLiB、SOCOVRB分別為最佳運行 SOC，本文分別取 0.6和 0.5；SOCLiB(t)、SOCVRB(t)分別為本區間各介質的實時 SOC數值，其數值基于充放電策略和風功率輸出確定。VRB優先動作模式中，LiB僅針對充放電功率越限部分能量；而LiB主要動作模式下，在LiB啟動且其充放電功率及其變化率和SOC均滿足平抑條件時，將作為平抑能量主體。

2.2 約束條件

約束條件主要包括充放電功率約束、SOC約束。

(1)充放電功率約束

(2)SOC約束

2.3 求解算法

本文采用魯棒性強、計算效率高的粒子群優化算法（Particle Swarm Optimization，PSO）對算例進行求解，并對其進行適度改進，以克服動態邊界問題，同時遞進優化的區間計算量相對較小，利于發揮PSO搜索精度高和收斂效果好的優勢。具體模型求解步驟為：

(1)根據遞進協調控制算法和本步長數據確定優化目標函數；

(2)設置粒子群維數 D、最大迭代次數 Mmax、收斂精度 σthresh，同時初始化粒子群位置 x和速度 v，并給定初始 SOCint-LiB、SOCint-VRB數值；

(3)根據既定充放電策略和目標函數計算各粒子適應度值M；

(4)將各粒子適應度值與自身粒子極值及全局粒子極值比較，若適應度值較小，則更新各粒子個體極值 ebest及全局例子適應度極值 gbest；

(5)判斷當前計算是否滿足收斂條件，若是，則提取當前 PLiB、PVRB即為最優充放電功率；若否，則更新各粒子位置x及速度v，并重復步驟(3)～(5)。

其中n為當前循環次數，c1、c2為粒子權重系數，w為慣性權重，r1、r2為（0，1）內均勻分布隨機數，xi、vi為第i維粒子的位置與速度，g為約束困子。

3 驗證分析

為驗證本文方法有效性，基于風電場實際運行數據進行分析，該風場裝機容量 75 MW，儲能電站中 LiB額定容量配置為10 MWh，VRB為4.5 MWh，各采樣點間隔為5 min。運行參數中，LiB的 SOC運行允許限值為[0.1，0.9]，而VRB的SOC運行限值為[0，0.95]；LiB的充放電功率限值均為13MW，而VRB的充放電功率均為9MW；經統計該風場功率特征，Emin-discha取值為-1.1 MWh，而Emin-cha取值為 1.0 MWh。

(1)算例 1：提取該風電場某年度 5月份運行數據，基于本文所提方法，計算結果如表1所示。

表1 計算結果

如表1所示，本文所提方法在相關評價指標上均有大幅改變，其中充放電啟動困采用VRB獨立承擔弱能量區間的充放電任務，LiB的啟動次數顯著降低，減少了77.9%；平抑效果方面，由于LiB和VRB的協調配合，使得平抑后的功率偏移量方差降低41.7%，保證了平抑效果；目標函數數值M降低46.9%。

選取一定時間截面區間 PLiB(t)、PVRB(t)顯示如圖 2所示，SOCLiB(t)、SOCVRB(t)如圖 3所示。充放電功率方面，可以看出，PLiB(t)和 PUc(t)的協調使得各自充放電功率越限次數降低，同時 PUc(t)獨立承擔弱能量區間的充放電使PLiB(t)有效減少充放電啟動，而在兩者同時充放啟動的狀況下，PLiB(t)可承擔更多的平抑任務；結合圖 3中 SOC可以看出，其 SOCLiB變化較 SOCVRB要小，LiB適合于淺充淺放，而VRB則可發揮其SOC可大范圍變化的優勢。

圖2 各介質的優化充放電功率

圖3 各介質的優化SOC

(2)算例2：提取該風電場某年度10月份運行數據，計算結果如表 2所示。選取一定時間截面區間 PLiB(t)、PVRB(t)、SOCLiB(t)、SOCVRB(t)分別如圖 4、圖 5所示。

表2 計算結果

表2中相關評價指標同樣均有較大幅度優化，其中LiB的啟動次數相比減少78.3%，而平抑后的功率偏移量方差降低43.5%；同時本文目標函數數值M降低50.8%?？傮w而言達到了本文方法的目標；在充放電功率和荷電狀態方面，該算例同樣較好地實現了本文方法的優化目標。當放電平抑任務較重、需較大容量放電容量時，此時兩者同時啟動，LiB承擔較大放電容量；但若其SOC接近下限，此時VRB則承擔起了剩余放電功率。

綜上所述，本文提出的考慮功率預測的儲能電站動態充放電策略可有效實現遞進控制區間的運行最優化。所提方法可保證各介質SOC運行狀態及平抑效果的前提下有效減小LiB的充放電轉換次數，充分發揮VRB的介質特性。

圖4 各介質的優化充放電功率

圖5 各介質的優化SOC

4 結論

本文考慮將超短期風功率預測引入儲能電站的控制過程，同時提出VRB優先動作或LiB主要動作的充放電策略，目的是通過遞進式的區間優化實現儲能電站的動態經濟控制；通過構建遞進區間控制的優化目標函數，并考慮實際條件約束，給出了基于粒子群算法的實現流程和求解步驟。利用實際風電場運行數據進行驗證，根據平移后的功率偏移量、SOC運行區間等多個評價指標的分析結果，表明本文控制方法對儲能電站的充放電轉換次數及平抑效果等均具有顯著效果。本文所提控制方法高效可靠，具有一定的理論價值和實際應用價值。參考文獻

[1]肖湘寧，陳征，劉念.可再生能源與電動汽車充放電設施在微電網中的集成模式與關鍵問題[J].電工技術學報，2013，28(2)：1-14.

[2]BARTON J，INFIELD D.Energy storage and its use with intermittent renewable energy[J].IEEE Trans.on Energy Conversion，2004，19(2)：441-448.

[3]高明杰，惠東，高宗和，等.國家風光儲輸示范工程介紹及其典型運行模式分析[J].電力系統自動化，2013，37（1）：59-64.

[4]施琳，羅毅，涂光瑜，等.考慮風電場可調度性的儲能容量配置方法[J].電工技術學報，2013，28(5)：120-127.

[5]袁鐵江，陳潔，劉沛漢，等.儲能系統改善大規模風電場出力波動的策略[J].電力系統保護與控制，2014，42(4)：47-53.

[6]TELEKE S，BARAN M E，BHATTACHARYA S，et al.Optimal control of battery energy storage for wind farm dispatching[J].IEEE Trans on Power Systems，2010，25(3)：787-794.

[7]蔣凱，李浩秒，李威，等.幾類面向電網的儲能電池介紹[J].電力系統自動化，2013，37(1)：47-53.

[8]楊珺，張建成，周陽，等.針對獨立風光發電中混合儲能容量優化配置研究[J].電力系統保護與控制，2013，41 (4)：38-44.

[9]張國駒，唐西勝，齊智平.平抑間歇式電源功率波動的混合儲能系統設計[J].電力系統自動化，2011，35（20）：24-28.

[10]程時杰.大規模儲能技術在電力系統中的應用前景分析[J].電力系統自動化，2013，37（1）：3-8.

A dynamic optimization control method of BESS considering wind power forecasting

Yuan Hong1，Li Jianxiang1，Liu Haibo1，Zhang Huadong2，Gao Yuming2
(1.State Grid Shandong Electric Power Research Institute，Jinan 250002，China；2.State Grid Shandong Electric Power Company，Jinan 250002，China)

As to great accuracy improvement of the very short-term wind power forecasting，a novel dynamic optimal control algorithm based on the wind power forecasting is proposed for BESS smoothing wind power fluctuations.Taking variety of factors into consideration，the operating principle is built based on the wind power information in advance，aiming to minimize the offset of SOC as well as considering the performance of the storage media to get the optimal control mode of the next control step，which exists the progressive control principle.The proposed method is verified by the operation data from actual wind power that it can achieve the effective control of BESS and has the practical application value.

BESS；dynamic；optimization；control；renewable energy

TM614

A

10.16157/j.issn.0258-7998.2015.07.034

袁弘，李建祥，劉海波，等.考慮功率預測的儲能電站動態優化控制方法[J].電子技術應用，2015，41(7)：121-124.

英文引用格式：Yuan Hong，Li Jianxiang，Liu Haibo，et al.A dynamic optimization control method of BESS considering wind power forecasting[J].Application of Electronic Technique，2015，41(7)：121-124.

2015-03-25)

袁弘（1980-），男，碩士，主要研究方向：電力系統自動化、電動汽車以及需求側綜合管理。