风光储联合系统输出功率滚动优化与实时控制
发布时间：2022-03-17
摘要 为改善风光储联合系统输出特性和降低储能电站功率补偿压力，提出了一种在线滚动优化和有功实时控制相结合的协调优化控制方法。在线滚动优化建立了联合系统总的平均有功功率偏差最小、储能电站充放电次数最少和优化末段储能电站剩余电量最大的优化模型，通过非支配排序遗传(NSGA-Ⅱ)算法求解，给出风/光/储分钟级的计划出力曲线。有功实时控制实现风/ 光计划出力微调和储能电站实时控制，风/光计划出力微调模块根据实时风速和光照等信息，平衡计划超额;储能电站动态给出功率上限，提高了应对风/光爬坡的能力。仿真算例表明，所提控制方法使储能电站在较低的充放电次数下，与风/光配合协调控制，降低风光储联合系统平均有功偏差，改善联合系统跟踪计划出力的能力。
关键词：风光储联合系统 在线滚动优化 非支配排序遗传算法(NSGA-Ⅱ) 风/光计划出力微调 爬坡
1 引言
随着化石能源的日益枯竭以及环境保护压力的增大，风能和光伏等可再生能源发电以其资源丰富、污染小的特点，越来越受到青睐，近几年来发展迅速，截止到 2012 年底，我国风电装机容量为 75 324.2 MW[1]，光伏装机容量为 7 000MW。风能和光伏等可再生能源发电都有波动性和随机性的特点[2,3]，受目前功率预测精度的限制[4, 5]，使得大规模可再生能源并网给电力系统的安全稳定运行造成了较大的消极影响[6-8]。在长时间尺度下，风能和太阳能具有一定的互补性：白天光照强，风力弱，光伏发电量大，风力发电量小，而夜间，无光照，但风力较强，光伏不发电，风力发电量大;冬季光照弱，风力强，光伏发电量小，风力发电量较大，而夏季光照强，风力较弱，光伏发电量大，风力发电量小。风光互补的发电形式，一定程度上降低了总的功率波动，也降低了对储能容量配置的需求[9-11]。考虑风力发电和光伏发电的互补特性以及电池储能电站的动态响应特性，通过风光储联合系统的方式并网可以减弱功率波动，改善可再生能源并网特性。
目前已对风光储联合系统开展了一些研究工作。文献[12]提出了蓄电池的分组分次充放电策略，及时地追踪风电、光伏发电功率变化，进行快速的功率吸纳和释放，同时减少蓄电池的循环次数。文献[13]提出了一种储能充放电优化模型，该模型以有功功率波动最小为目标，其约束考虑了每个步长的储能初始容量和储能充放电控制策略。文献[14] 给出了独立风光储微网系统中储能容量最佳配置方法。文献[15]通过分时段优化策略，给出了风电/光伏/储能的最佳配置方案。文献[16]研究了不同的风电/光伏/储能容量配比以及协调策略对系统可靠性的影响。文献[17]利用复合储能技术来平抑功率波动，通过超级电容器平抑短时频繁变化的波动，使用蓄电池来平抑长时变化缓慢的波动，以减少蓄电池的充放电次数和超级电容器的容量配置。
上述文献从不同方面对风光储联合系统进行了研究，其中对于风光储联合系统协调控制的研究主要集中在储能的优化控制上，未考虑与风电、光伏的协调配合，也未考虑储能的短时过载能力对平抑风光储波动的影响。
为改善风光储联合系统的出力特性，增强联合系统的功率跟踪能力，降低功率波动，减小储能电站的充放电次数，本文基于协调优化的思想，研究提出了一种风光储联合系统的控制方法，仿真算例证明了其有效性。
2 风光储系统输出功率滚动优化与实时控制
风光储联合系统输出功率滚动优化与实时控制方法以在线滚动优化和有功实时控制相结合的方式实现，其中，有功实时控制模块(控制时间间隔为 1s)包含风/光计划出力微调模块以及储能电站实时控制模块，如图 1 所示。
本文来源于：《电工技术学报》(双月刊)创刊于1986年，由中国电工技术学会主办，机械工业出版社出版的综合性学术期刊。主要涉及：电机与控制、电器、电力电子技术、电力系统、工业自动控制、电工测试、理论电工、电气绝缘、材料、信息化技术等。
在线滚动优化模块根据电网的计划出力曲线，结合风电场和光伏电站的超短期功率预测，计及风电场和光伏电站的出力响应速度以及储能电站的动态响应能力，给出风电场、光伏电站和储能电站分钟级(时间间隔为 1min)的优化计划出力曲线，下发给各个场站。风/光计划出力微调模块将根据实时风电场风速和光伏电站光照等信息，对风电场和光伏电站计划出力进行微调，平衡计划超额(计划出力大于自然出力的部分)，降低在线滚动优化模块中预测误差对计划出力的影响，保证风/光计划出力微调后具有更高的可完成性，降低储能补偿的压力。储能电站实时控制模块根据风/光跟踪计划出力曲线的完成度以及风电和光伏的出力爬坡情况，选择不同的控制模式(正常运行模式和短时过载模式)，实时补偿功率偏差，以提高联合系统跟踪计划出力曲线的能力。通过在线滚动优化和协调控制相结合的方式，降低联合系统对储能电站的容量需求，从而降低联合系统的投资成本;该方法可提高联合系统跟踪计划出力的能力，进而提高电网对新能源的接纳水平，降低电网的调控压力和运行成本，最终实现整体社会效益最大化。
3 联合系统在线滚动优化
3.1 目标函数
风光储联合系统输出功率滚动优化与实时控制方法旨在提高联合系统的功率跟踪能力，改善其输出特性。在储能容量配置充足的情形下，可实现功率和计划无偏差。但在储能容量配置一定的情形下，实现功率和计划无偏差，即将功率出力作为等式约束，存在以下问题：①风光储联合系统计划出力可能与风光预测功率之和偏差过大，超过储能的补偿能力，该等式约束无法满足;②将功率出力作为等式约束会限制在线优化空间，为满足该等式约束可能增加储能电站的功率补偿压力和充放电次数，造成储能电站频繁的充放电，降低了储能电站的使用寿命;③为实现功率和计划无偏差将需要大量储能，也将大大增加联合系统的投资，降低联合发电系统运行的经济性。相比将功率出力作为等式约束，将总的平均功率偏差作为优化目标后，可保证在可接受的功率偏差范围内，不增加储能容量，降低联合发电系统投资，增强其运行的经济性。电池储能电站建造运行成本较高，频繁充放电将降低其运行寿命，降低联合系统运行经济性。为此，在线滚动优化模块考虑了储能电站容量和功率约束、风电场和光伏电站的功率和响应速度约束，建立了以联合系统总的有功功率偏差最小、储能电站充放电次数最少和优化末段储能电站剩余电量最大(即 SOC 最大)的优化模型。该优化模型将联合系统的计划出力合理分配给风/光/储，优化三者运行，在兼顾跟踪计划出力的基础上，降低储能电站的补偿压力，降低储能电站的充放电次数，提高其运行寿命。目标函数如下所示。
3.3 求解算法及方案选择
在线滚动优化为多目标优化问题，本文引入非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm，NSGA)-Ⅱ求解[19]。NSGA-Ⅱ算法能够快速得到多个 pareto 最优方案，在优化变量较少时，求解速度快，能够满足在线优化需求，本文将优化时段内的风/光/储每分钟出力作为优化变量，当优化时段为 15min 时(时间间隔为 1min)，优化变量为 45 个(风/光/储各 15 个)，优化变量相对较少，故采用 NSGA-Ⅱ算法。求解后将得到多个 pareto 最优方案集合0，在兼顾各优化目标的基础上，选择方案的原则如下：
(1)确定联合系统允许的平均功率偏差 Perr，从得到集合0 中选择总的功率偏差小于 Perr 的方案，放入新的方案集合1 中，若1 为空，则增大Perr，继续执行该步骤，否则，执行下一步。
(2)从方案集合1 中选择储能电站充放电次数小于等于 1 的方案，放入新的方案集合2 中，若2 为空，则从方案集合1 中，选择储能电站充放电次数为 2 的方案，放入新的方案集合2 中，若2 仍为空，返回步骤(1)，并增大 Perr，否则，执行下一步。
(3)从方案集合2 中，选择剩余电量最大(SOC 最大)的方案放入方案集合3 中，若3 仅有一条方案，则方案为最优方案，若有多条方案，则从3 中选择功率偏差最小的方案为最优方案。
4 风光储联合系统有功实时协调控制
4.1 有功实时协调控制基本思路
有功实时控制阶段主要包含两部分，一是实现风/光计划出力微调;二是储能实时控制补偿功率偏差。计划出力微调模块根据实时风速信息以及光照条件，在风电场和光伏电站之间进行出力计划的调整，有可调容量的一方增大出力计划，有计划超额的一方降低出力计划，实现出力平衡，提高计划出力指令的可完成性，降低预测误差对计划出力的影响。储能实时控制主要是补偿功率偏差，针对风电场和光伏电站的计划出力完成情况，补偿联合系统出力和计划出力的偏差，实现联合系统出力精确跟踪计划出力指令。
4.2 有功协调控制实现方法
4.2.1 风/光计划出力微调
在线滚动优化距离控制时刻的窗口期较长，预测误差对其影响相对较大，可能出现计划超额和计划不足的情形;风/光计划出力微调距离控制时刻的窗口期较短(在控制前一刻进行)，风电场和光伏电站获得出力信息将更加接近于控制时刻的真实出力，在在线滚动优化出力的基础上，将出现的超额计划转移给计划不足的一方，可降低储能电站的运行压力。
4.2.2 储能电站实时控制
储能电站实时控制分为两种控制模式：是正常运行模式和短时过载模式。正常运行模式主要应对风电场和光伏电站出力变化相对平稳，未出现大幅跌落的情形;短时过载模式主要应对风电场和光伏电站总出力出现快速向下爬坡的情形。
5.2 正常运行模式
风电场和光伏电站功率预测曲线如图 3 所示， 15min 内联合系统发电计划均为 390MW，储能电站初始 SOC 为 0.9，即位于高电量区间，在线滚动优化模块采用 NSGA-Ⅱ算法求解。NSGA-Ⅱ算法初始种群 100 个，迭代次数为 500 次，风/光/储每分钟的计划出力为一个优化变量，总计 45 个优化变量(风/光/储各 15 个)。得到的优化方案集合0 见下表，0 中含有三个方案。
Perr 选择为 10MW，根据 3.3 节所提方案选择原则可知，方案二为最优方案，风/光/储计划出力曲线如图 3 所示。方案一功率偏差过大的原因：在线滚动优化过程中，考虑了储能电站荷电状态对输出功率限制的影响，当位于高电量区间时，随着 SOC 的增大，输出功率上限越小，储能电站充电能力越弱，使得联合系统偏差较大，最终通过方案选择淘汰掉该方案，避免储能电站过充。方案三充放电次数较多的原因：充电使得储能电站剩余电量增加，有利于优化目标 3(优化末段剩余电量最大)的实现;当位于高电量区间时，SOC 的增大，限制了功率补偿能力，将导致目标 1(总的偏差最小)变差，放电使得 SOC 减小，回到正常电量区间，功率补偿能力增强。由于控制目标 1 和目标 3 间的这种矛盾，使得储能电站频繁的充放电，最终通过方案选择淘汰掉该方案，避免储能电站频繁充放电。
风/光计划出力微调模块根据风电场和光伏电站实时风速和光照等信息，对在线滚动优化得到的计划出力曲线进行微调，在风/光之间重新优化分配计划出力，以降低功率预测误差对优化结果的影响，将风电场的计划超额转移给具有可调容量的光伏电站，如图 4 中 60～120s 区段所示。
通过风/光计划出力微调后，风电场和光伏电站的计划出力能小于自然出力，使计划出力的可完成度提高，如图 5 所示。风电场和光伏电站能够更好地跟踪微调后的计划出力，降低了储能电站功率补偿的压力，使储能电站仅在计划出力的基础上进行微调，最终 SOC 值稳定在优化值(0.88)附近，联合系统平均功率偏差为 0.34MW，如图 6 所示。
当无风、无光或者风光均无的情形下，风/光计划出力微调模块将不发挥作用，在线滚动优化模块优化的风/光出力将作为风电场和光伏电站的最终计划出力，储能根据功率偏差实时补偿，在这些情形下，联合系统仍能精确跟踪计划出力。
5.3 储能短时过载模式
假设在 300s 时部分风机因故障退出运行，风电场出力快速降低 100MW，360s 风机重新投入运行，出力恢复到正常水平。与此同时，受到云的遮蔽，光伏电站出现爬坡，出力快速下降 60MW，360s 云的遮蔽作用消失，出力恢复。由于风/光出力的快速下降，触发储能电站短时过载模式，储能电站出力大幅增加，甚至达到额定功率的 2 倍，随后，出力衰减，直至降低到正常的功率水平，如图 7 所示。通过储能的短时过载，在不增加储能电站容量的前提下，增强储能电站的功率补偿能力，以应对风/ 光可能出现的快速爬坡事件，提高联合跟踪计划出力的能力。
6 结论
本文构建了风光储联合系统输出功率滚动优化与实时控制模型，将 NSGA-Ⅱ算法引入在线滚动模块解决多目标优化问题，优化速度相对较快(优化时段为 15min，算法耗时 20s 左右)，能够满足在线优化的要求。风/光出力微调模块对风/光之间的计划出力再平衡，将一方的计划超额转移给具有可调容量的一方，提高了计划出力指令的完成度。储能电站计及短时过载能力以及荷电状态对输出功率的影响，动态给出功率上限，在不增加储能容量的基础上，增强功率补偿能力，以应对风/光可能出现的快速爬坡事件，使得在风/光快速爬坡过程中，联合系统仍能较好地跟踪计划出力指令，减弱风/光爬坡对电网的影响。本文所提控制方法是在联合系统计划出力给定的前提下，提高联合系统计划出力跟踪能力，优化储能电站运行特性，下阶段将深入研究风光储联合系统计划出力制定方法，提高风/光利用率。——论文作者：戚永志 刘玉田
参考文献
[1] 中国可再生能源学会风能专业委员会. 2012 年中国风电装机容量统计[R]. 北京, 2013.
[2] Muyeen S M, Takahashi R, Murata T, et al. A variable speed wind turbine control strategy to meet wind farm grid code requirements[J]. IEEE Transactions on Power Systems, 2010, 25(1): 331-340.
[3] 倪琳娜, 罗吉, 王少荣. 含风电电力系统的频率控制[J]. 电工技术学报, 2011, 26(S1): 235-241. Ni Linna, Luo Ji, Wang Shaorong. Frequency control of power system with wind power integration[J]. Transactions of China Electrotechnical Society, 2011, 26(S1): 235-241.
[4] Mahoney W P, Parks K, Wiener G, et al. A wind power forecasting system to optimize grid integration [J]. IEEE Transactions on Sustainable Energy, 2012, 3(4): 670-682.
[5] 刘兴杰, 米增强, 杨奇逊, 等. 一种基于 EMD 的短期风速多步预测方法 [J]. 电工技术学报 , 2010, 25(4): 165-170. Liu Xingjie, Mi Zengqiang, Yang Qixun, et al. A novel multi-step prediction for wind speed based on EMD[J]. Transactions of China Electrotechnical Society, 2010, 25(4): 165-170.
[6] 戚永志, 刘玉田. 风电高风险爬坡有限度控制[J]. 中国电机工程学报, 2013, 33(13): 69-75. Qi Yongzhi, Liu Yutian. Finite control of high risk wind power ramping[J]. Proceedings of the CSEE, 2013, 33(13): 69-75.
[7] 侯婷婷, 娄素华, 张滋华, 等. 协调大规模风电汇聚外送的火电容量优化[J]. 电工技术学报, 2012, 27(10): 255-261. Hou Tingting, Lou Suhua, Zhang Zihua, et al. Capacity optimization of corollary thermal sources transmitted with large-scale clustering wind power[J]. Transactions of China Electrotechnical Society, 2012, 27(10): 255-261.
[8] 吴晋波, 文劲宇, 孙海顺, 等. 基于储能技术的交流互联电网稳定控制方法[J]. 电工技术学报, 2012, 27(6): 261-267. Wu Jinbo, Wen Jingyu, Sun Haishun, et al. Study of control method for improving AC interconnected grid stability based on energy storage technology[J]. Transactions of China Electrotechnical Society, 2012, 27(6): 261-267.
[9] 李国杰, 唐志伟, 聂宏展, 等. 钒液流储能电池建模及其平抑风电波动研究[J]. 电力系统保护与控制, 2010, 38(22): 115-119. Li Guojie, Tang Zhiwei, Nie Hongzhan, et al. Modelling and controlling of vanadium redox flow battery to smooth wind power fluctuations[J]. Power Systems Protection and Control, 2010, 38(22): 115- 119.
[10] 施琳, 罗毅, 涂光瑜, 等. 考虑风电场可调度性的储能容量配置方法[J]. 电工技术学报, 2013, 28(5): 120-127. Shi Lin, Luo Yi, Tu Guangyu, et al. Energy storage sizing method considering dispatchability of wind farm[J]. Transactions of China Electrotechnical Society, 2013, 28(5): 120-127.
[11] 胡国珍, 段善旭, 蔡涛, 等. 基于液流电池储能的光伏发电系统容量配置及成本分析[J]. 电工技术学报, 2012, 27(5): 260-267. Hu Guozhen, Duan Shanxu, Cai Tao, et al. Sizing and cost analysis of photovoltaic generation system based on vanadium redox battery[J]. Transactions of China Electrotechnical Society, 2012, 27(5): 260-267.
