基于棄光消納的光儲系統容量優化配置研究?

任榮榮，謝麗蓉?，徐波豐，鄭 浩 ,王凱豐

(1.新疆大學 可再生能源發電與并網技術教育部工程研究中心，電力系統及發電設備控制和仿真國家重點實驗室風光儲分室，新疆烏魯木齊 830047；2.特變電工新疆新能源股份有限公司，新疆烏魯木齊 830000)

0 引言

近年來，我國光伏發電裝機容量增速很快，2019 年全國光伏發電量高達2 243億千瓦時，棄光電量46億千瓦時，西北地區棄光問題尤為突出，其棄光電量占全國的87%[1].為了緩解棄光消納問題，西北地區利用電采暖、開展光熱、電池等儲能措施，提高光電的上網空間[2,3].儲能技術是推動世界能源清潔化、電氣化和高效化，實現全球能源轉型升級的核心技術之一[4,5].因此，研究如何提高經濟性與儲能系統容量的合理配置具有一定的實際意義[6,7].

關于儲能與可再生能源容量配置方面的研究，文獻[8]提出了一種基于非參數核密度估計的光儲系統容量最佳配置方法；文獻[9]探討了如何利用儲能減少風電的預測輸出功率與實際光伏電站輸出預測功率的誤差，研究儲能功率和系統容量的配置；文獻[10]提出一種基于額定系統容量條件下對發電單元進行系統容量優化和配置的方法，采用遺傳粒子群算法對模型進行求解；文獻[11]分析新能源系統輸出的高功率低通濾波器的頻譜和功率，以確定最佳的低通濾波器截止頻率和儲能系統的最佳濾波器容量.但上述研究未涉及基于棄光消納策略的儲能容量優化配置方法，所采用的算法也比較傳統，且未進行多種算法對比分析.上述文獻主要進行了風/光儲聯合發電系統容量的優化配置方法研究，并未對新能源結合常規能源以及考慮棄光因素下對最佳容量配置展開研究.本文在上述研究的基礎上，以系統經濟最優為目標，提出一種基于棄光消納的光儲系統容量優化配置方法，其次建立火、光儲系統容量優化配置模型，考慮儲能電池容量及充放電最大功率約束，采用鯨魚算法求解儲能最佳容量和功率，并確保棄光率控制在5%以內光儲發電系統的凈收益最大.最后根據新疆某光伏電站的數據進行經濟性分析，結果表明采用鯨魚算法的消納策略能夠實現棄光消納的目的，使系統收益最大.

1 基于發電功率時變特性的光儲發電系統

1.1 光儲發電系統

光儲發電系統分為源側和負荷側，由于現階段常規機組出力仍占有主導地位，電力源由光伏電站、常規火電廠、新能源儲能電站組成，光儲發電系統供電結構如圖1所示.

圖1 系統供電結構圖Fig 1 The system power supply structure diagram

當光伏理論出力大于負荷需求時，將棄光存儲到蓄電池中，當光伏理論出力不能滿足負荷需求時，蓄電池放電盡可能滿足負荷需求，以達到“削峰填谷”的效果，進而提升光伏電站的棄光消納能力.

1.2 棄光消納策略

光伏出力具有隨機性、不確定性，電池儲能系統在整個系統中起著能量緩沖作用，火力發電是電力發展的主力軍，可以確保系統的穩定性.因此為減少棄光電量，該文針對儲能系統SOC和充放電功率制定光伏消納策略，劃分為蓄電池總層（總層）、協調控制層（主層）、充放電分配層（子層）以及經濟分析層（子層）4層.棄光消納策略如圖2所示.

圖2 棄光消納策略Fig 2 Strategy of photovoltaic power curtailment consumption

（1）蓄電池總層.以經濟性為控制目標，實現光儲系統對棄光電量的消納，減少儲能裝置的充放電次數，延長蓄電池的使用壽命，以提高儲能裝置的經濟效益；向協調控制層傳達電網并網指令交換計劃等，保障各層協調運行以及電網安全.

（2）協調控制層.依據總層傳達的電量交換計劃，結合本層的光伏電站理論電量與電網需求電量數據，以蓄電池光儲協調控制系統實用性與可循環性為控制目標，并為充放電分配層和經濟分析層制定控制指令.

（3）充放電分配層.將儲能裝置分化為充電和放電兩種狀態，火電機組最小出力和光伏出力一起滿足負荷需求，當火電機組出力和光伏出力滿足且超出負荷需求時，此時儲能需要進行充電，儲能系統不能完全吸收超出的負荷需求時，出現棄光現象，當火電機組出力和光伏出力遠遠不能滿足負荷需求時，此時儲能系統進行放電，同時增加火電機組出力.充放電分配層主要存在下面兩種狀態.

（a）儲能系統充電：若火電機組最小總出力Pg_min和光伏出力Ppv大于負荷Pload需求時，儲能系統吸收超出負荷需求的功率，即Pcw為超出負荷需求的功率.根據儲能系統的SOC和充電功率約束計算此時儲能系統充電功率Pcha，當Pcw>Pcha_max時，儲能系統以最大充電功率進行充電，即Pcha=Pcha_max，將超出部分功率作為棄光功率；當Pcw≤Pcha_max時，儲能系統充電功率Pcha=Pcw，儲能系統將完全吸納超出負荷需求的功率，此時不會出現棄光現象.

（b）儲能系統放電：若火電機組最小總發電出力Pg_min和光伏發電出力Ppv小于負荷Pload需求時，儲能系統進行放電，Pq_load為未滿足負荷要求的機組提供剩余發電功率.由儲能系統的SOC和放電功率約束可以計算此時儲能系統放電功率Pdischa，當Pdischa_max≥Pq_load時，儲能系統能夠滿足剩余負荷需求，即儲能放電功率為Pdischa=Pq_load；當Pdischa_max

（4）經濟分析層.根據光儲發電系統，采用棄光消納策略，對電池組進行協調，從光電售電收益、火電收益、火電機組燃料成本、儲能電池成本、棄光懲罰5個方面考慮系統凈收益最大，構建優化模型以實現蓄電池儲能電站在一天內的最大凈收益.

2 建立光儲系統容量優化模型

2.1 最大凈收益模型

2.1.1 目標函數

光儲發電系統優化調度的實質是在允許蓄電池運行的條件下，對電池組進行協調，以實現蓄電池儲能電站在一天內的最大凈收益.燃煤電廠發電所需主要能量來源是動力煤，煤炭價格決定發電的主要成本.一般情況下，煤炭價格占發電成本的60%左右，因此傳統的電力系統經濟調度一般以發電所需燃料成本最低為目標函數[12].本文主要以光電售電收益、火電收益、火電機組燃料成本、儲能電池成本、棄光懲罰5個方面構建優化模型以實現系統凈收益最大，目標函數如式（1）所示：

式中：Fmax為系統凈收益最大；Ig為光電售電收益；Hg為火電收益；Cg為火電機組的燃料成本；Cd為折算至每天的儲能成本；Cp為棄光懲罰.

（1）光電售電收益

光儲電站的成本和收益主要通過光伏售電額計價來實現，由于我國儲能發電系統光伏上網的成本和電價沒有統一的電價規定[13]，因此本文在我國光儲電站的統一成本計價模式下重新建立了收益分別計價函數.收益分別計價函數和Δt時長內可計算售電額，如式（2）、式（3）所示：

式中：Ig為光電調度售電收益；T為調度總時段；Ig(t)為Δt時長內的調度售電額；βsta為光伏發電調度上網出力的標桿調度電價；βb為儲能上網出力統一調度上網電價，當光儲出力統一調度售電價時，βsta=βb.

（2）火電收益

式中：Hg為火電收益；βf為火電上網電價；N為火電機組數量；Pgi(t)為采樣時刻火電機組總出力.

（3）火電機組的燃料成本

式中：Cg為火電機組的燃料成本；ai、bi、ci為火電機組i的煤耗系數；Pg為火電機組的發電功率.

（4）儲能系統總成本

式中：Cess為儲能系統總成本；A、B、C、D為儲能成本系數；Pess為儲能功率；Sess為儲能容量.

（5）折算至每天的儲能成本

式中：I為折舊率，取值為0.01；Yr為壽命，取值為10年，IT=(1+I)Yr.

（6）棄光懲罰

式中：Q為棄光電量，目標函數設立該項的意義在于讓儲能系統盡量吸收棄光功率，來消除或降低棄光功率.

2.1.2 運行約束

（1）功率平衡約束

系統有功功率平衡，即任意時刻的并網功率應與光儲出力相等：

式中：Pload(t)為采樣時刻負荷功率；Ppv(t)為采樣時刻光伏出力；Pess(t)為采樣時刻儲能出力；Pgi(t)為采樣時刻火電機組總出力.

（2）儲能功率約束

儲能充放電功率受限于變流器最大轉換功率：

式中：Pmax(t)為儲能系統最大放電功率；Pess(t)為采樣時刻儲能出力；儲能系統放電為正值，充電為負值.

（3）儲能SOC約束

式中：t為優化調度時間，根據優化調度進程進行取值，采樣時間間隔為10 min，取值范圍為[0，144].SOC(t?1)為儲能系統前一時刻荷電狀態；為防止儲能過充過放，設置SOCmin、SOCmax為儲能最小、最大荷電狀態；η為儲能電池充放電效率.

（4）儲能容量約束

式中：Smin、Smax為儲能電池最小、最大配置容量.

（5）充放電次數約束

考慮到現有技術，經實際調研可知，本文設置儲能系統充放電次數M值為1.

2.2 鯨魚算法求解優化模型

鯨魚優化算法(Whale Optimization Algorithm)是一種通過模擬鯨魚捕食的行為進行建模得到的新型優化算法.分為包圍獵物、狩獵行為、搜索獵物3個階段.研究表明，鯨魚算法與傳統算法相比具有算法機制優勢，原理簡單、易于實現、尋優精度高，收斂速度快，且幾乎不涉及參數設置，近兩年成為進化計算領域重要的改進算法之一[14].為更好求解大規模工程優化問題，提升算法全局尋優性能和應用能力，加快算法收斂速度，增強求解穩定性，本文采用WOA算法求解優化模型，對系統收益最大時的儲能容量和功率以及各個火電機組出力進行計算.

(1)包圍獵物.座頭鯨在尋找到獵物之后能夠迅速包圍獵物，且更新位置，將處于最佳圍捕位置的當前鯨群作為目標獵物或接近最佳目標獵物，位置更新的數學表達式為：

式中：a為進行迭代時從2線性下降到0的向量；r為[0,1]之間的隨機數；M為最大迭代次數.

(2)狩獵行為.座頭鯨是利用螺旋狀運動的方式進行狩獵，其數學模型為：

在這里，必須指出的是，若鯨魚在捕捉到獵物的收縮圈周圍內同步沿著一個螺旋形的路徑進行游動，同時沿著另一個螺旋形游動路徑的方向進行，為了更好地模擬該鯨魚的行為，在優化的過程中選擇收縮圈的包圍游動機制和螺旋形路徑位置更新的概率相同，均為0.5.其數學模型為：

(3) 搜索獵物.當A ≥1時，在這個模型中會隨機地生成一個用于搜索鯨魚的代理，對搜索其他鯨魚的數量和位置以及如何更新其他的鯨魚在整個鯨魚群系統中的數量和位置都進行了選擇，從而有效地使其遠離了獵物.增強了搜索算法的靈活性和全局探索的能力.其數學模型為：

圖3 算法流程圖Fig 3 Algorithm flowchart

3 算例分析

3.1 數據提取

以新疆某200 MW光伏電站與一個600 MW和一個700 MW火電廠為例，將10 min作為采樣時間間隔，選取典型日光伏電站理論電量與電網負荷需求電量數據以及5臺火電機組數據進行仿真.由于蓄電池技術成熟，容量大，廣泛應用于電力系統中[15,16]，故本文選用蓄電池作為儲能方式.表1為算例參數，表2為火電機組相關參數，圖4為典型日運行曲線.

表1 算例參數Tab 1 The simulation parameters

表2 火電機組相關參數Tab 2 The thermal power unit related parameters

圖4 典型日運行曲線Fig 4 Typical daily operating curve

為說明所建模型的有效性，在相同的系統參數下，對2種運行工況進行對比，2種工況如下：

工況1：不考慮棄光消納策略，儲能系統不參與工作.

工況2：考慮棄光消納策略，利用鯨魚算法對目標函數進行優化.

3.2 容量優化配置結果分析

對上述2種工況下的棄光電量、光伏電站出力、火電機組出力情況進行分析比較.選取200 MW光伏電站與一個600 MW和一個700 MW火電廠作為本文的研究對象.在相同的系統參數下，分析2種工況下棄光電量的情況，如圖5所示.

由圖5可知，工況1和工況2對比，采用了棄光消納策略后，工況2棄光電量明顯降低，有效消納更多光伏.為保證系統安全可靠運行，選取5臺火電機組的輸出數據，采樣時間間隔為10 min，利用表2列出的火電機組參數分析2種工況下火電機組出力變化曲線，如圖6所示.

圖5 棄光電量對比圖Fig 5 Comparison diagram of abandonedpv electric quantity

由圖6可知，采用棄光消納策略后，在00：00―14：00與18：00―24：00這兩個時間段，儲能系統不進行工作，工況1和工況2火電機組出力相同；而在14：00―16：00與16:00―18:00之間，由于儲能參與出力，工況1和工況2的火電出力不同且出現較大差異，在此主要分析14：00―16：00與16:00―18:00 時間段的火電機組出力情況.即在14:00―16:00之間，火電機組按照最小出力，儲能進行充電；在16:00―18:00之間，火電機組相對前一時段出力增加，相較于工況1，工況2火電機組出力明顯下降，儲能進行放電.2種工況下光伏電站實際出力曲線，如圖7所示.

圖6 火電機組出力對比圖Fig 6 Comparison diagram of thermal power unit output

由圖7可知，采用棄光消納策略后，工況1和工況2對比，在00：00―14：00與18：00―24：00這兩個時間段，儲能系統不進行工作，工況1和工況2光伏電站出力相同；而在14：00―16：00之間，由于儲能參與出力，工況1和工況2的光伏電站出力不同且出現較大差異，在此主要分析14：00―16：00時間段的光伏電站出力情況.即在14:00―16:00之間，工況2光伏出力明顯增加，此時光伏增加的出力一部分用于滿足負荷需求，另一部分通過儲能系統進行存儲；在16:00―18:00之間，儲能進行放電，工況1和工況2光伏出力相同.由上述分析可知，工況2有效消納了更多光伏.儲能電池的充放電功率如圖8所示，儲能電池的荷電狀態變化如圖9所示.

圖7 光伏電站實際出力曲線Fig 7 Actual output curve of photovoltaic power plant

圖8 儲能電池的充放電功率Fig 8 Charge and discharge power of energy storage batter

由圖8可知，在14:00―16:00之間，儲能電池進行充電，在16:00―18:00之間，儲能電池進行放電，其余時段不進行充放電，保持恒定狀態.

由圖9可知，SOC滿足區間0.1～0.9的要求.儲能系統進行一次滿充滿放，不僅減少了儲能系統充放電的頻次，而且有效保證儲能電池的壽命，符合實際儲能電池運行狀態的要求.

圖9 儲能電池SOC變化Fig 9 SOC change of energy storage battery

根據光儲系統容量優化模型，得到系統凈收益與儲能系統功率、儲能系統容量的關系，結果如圖10所示.

從圖10可以看出，儲能容量與系統的凈收益和功率呈正相關，系統凈收益隨著儲能系統容量的增加而增加，且隨著儲能功率的增加，系統凈收益并未一直增加.本文采用鯨魚算法對光儲系統容量優化模型求解可得，當儲能功率為22.10 MW、容量為31.83 MW·h時對應的系統凈收益最大，為4 650 936元.

圖10 優化結果Fig 10 Optimization results

3.3 算法對比

本文分別采用遺傳算法、自適應粒子群算法、鯨魚算法三種優化算法對光儲發電系統凈收益進行求解，計算結果見表3，收斂曲線如圖11所示.

圖11 收斂曲線Fig 11 Convergence curve

由表3可知，遺傳算法、自適應粒子群算法和鯨魚算法在棄光率均為2.9%的情況下，最優儲能容量分別為35.00 MW·h、33.31 MW·h、31.83 MW·h.本文用三種算法對目標函數優化求解，發現鯨魚算法有一定的優勢，因此利用鯨魚算法對目標函數進行優化.

表3 計算結果Tab 3 The calculation results

由圖11可知，最大迭代次數為500，隨著迭代次數的增加，在滿足約束條件的情況下，遺傳算法、自適應粒子群算法、鯨魚算法分別經過152、108、84次迭代之后，迭代過程逐漸趨于穩定，并得到系統凈收益最大，分別為4 648 653元、4 649 921元、4 650 936元.仿真結果表明，在光儲發電系統中，鯨魚算法相比遺傳算法和自適應粒子群算法收斂速度快且能夠找到更優解.

4 結論

本文提出基于光儲發電系統的棄光消納策略，利用該策略制定儲能系統充放電狀態框架，在提高儲能裝置經濟性的同時，實現棄光的最大消納.主要結論如下：

（1）本文所提出基于光儲發電系統的棄光消納策略，以光伏消納為優先原則，將光儲聯合火電廠滿足負荷供電需求，構建以光儲系統日內最大凈收益目標函數的模型.

（2）以新疆某光伏電站數據進行分析，在光伏電站加裝儲能系統能夠大幅度提升整個系統的友好調度能力，使該地區棄光率從12.7%降為2.9%，最佳的儲能容量為31.83 MW·h，其系統最大凈收益為465.09萬元.

（3）在求解大規模工程優化問題上，相比于遺傳算法與自適應粒子群算法，鯨魚算法具有收斂速度快、尋優精度高、更易找到全局最優解的優越性.

由于儲能應用工況收益率對于電池的單次充放成本有較大的敏感性，而電池循環壽命將極大程度上影響儲能電池實際的單次充放成本，因此提升電池循環壽命也將成為未來儲能電池的發展方向.