基于跟蹤計劃的風光儲聯(lián)合發(fā)電系統(tǒng)儲能控制策略

吉林電力股份有限公司 范憲國

1 基于置信度水平的風光可信功率分析

1.1 風光功率預測技術與誤差分析

風光功率的預測方法可分為物理方法、統(tǒng)計方法，其預測方法非常多。隨著風光功率預測技術的發(fā)展，預測精度也在不斷提高，但無論采用哪種預測方法，風光預測功率均存在一定的誤差，從而導致風光功率的不確定性。本文采用概率分步法來針對這種不確定性進行描述。

設置跟蹤計劃控制策略基于周期為24h 的風電、光伏的日前預測功率，間隔15min，各次日96個時段內的預測功率值Ptwpre、Ptpvpre，將風電、光伏t 時段的預測功率誤差定義為：∈tw=Ptwpre-、∈tpw=Ptpvpre-Ptpvact，其中：t=1,2,3…96，而、Ptpvpre表示風電、光伏在t 時段的實際最大功率。

風光預測功率誤差的分布模型包括Beta 分布、正態(tài)分布、Laplace 分布、Cauchy 分布等眾多模型。而Beta 分布雖然優(yōu)勢眾多，但需進行非常復雜的求解過程，并在某些功率區(qū)間會發(fā)生概率密度無窮大的情況；Laplace 分布、Cauchy 分布則適合應用于時間尺度小于1h 的風電預測功率誤差分布；正態(tài)分布的應用比較廣泛，所以本文采用正態(tài)分布，標準差為：σtw=0.2Ptwper+0.02PWN、=0.2Ptpvper+0.02PPVN。其中，PWN和PPVN表示風電與光伏的裝機容量[1]。因為風電與光伏的輸出功率五相關性，所以采用 共識來表達風光預測功率總誤差，因此風光預測總功率為Ptpre=Ptwper+Ptpvper。

1.2 風光預測功率不確定性分析

風光預測功率的誤差服從參數已知的正態(tài)分布，概率密度函數已知，所以采用解析方法，通過置信區(qū)間理論，對于預測誤差采取提前處理的方式，將不確定規(guī)劃變?yōu)榇_定規(guī)劃。所以，采用一定置信度水平的概率方法對于風光預測功率不同階段的誤差進行描述，獲得風光可信功率，并將其作為次日風光出力程度的判斷依據[2]。

跟蹤計劃控制策略的制定過程中，如果次日實際上能夠實現的風光最大功率比預測值高的話，即∈t＜0，在降低風機、光伏組件功率下，根據前一天預測功率進行發(fā)電，儲能系統(tǒng)根據制定好的調度計劃來進行充放電，實現跟蹤計劃控制目標。如果次日可實現小于預測值，即∈t＞0，且系統(tǒng)存在失負荷風險，從而導致原有的跟蹤計劃控制目標實現難度進一步增加?；诖耍槍Α蕋＞0的情況下進行分析，如圖1所示為風光預測功率誤差 的概率密度函數。在制定跟蹤計劃控制策略時，采用置信度水平為(100-α)%的風光可信功率作為次日風光出力的依據，從而降低風光預測功率誤差的影響。

圖1 預測誤差概率密度函數

2 跟蹤計劃策略分析

2.1 系統(tǒng)約束條件分析

在充分利用儲能系統(tǒng)實施跟蹤計劃控制策略的過程中，決策變量是儲能系統(tǒng)在不同時間段的功率指令值。而儲能系統(tǒng)運行過程中，剩余電量因充放電而不斷發(fā)生改變。為使儲能系統(tǒng)在任何時候都具有充放電能力，可隨時響應系統(tǒng)的控制需求，也為了避免過充和過放現象，延長其使用壽命，需根據儲能元件的特性，設定荷電狀態(tài)(State of Charge，SOC)的合理變化范圍[3]。定義儲能系統(tǒng)的SOC 上限與下限分別為SOCmax、SOCmin，那么儲能系統(tǒng)在運行過程中需要滿足SOCmin≤SOCt≤SOCmax。

2.2 跟蹤計劃策略目標函數

基于跟蹤計劃策略下的風光儲聯(lián)合發(fā)電系統(tǒng)運行過程中，輸出目標功率曲線是電網下發(fā)的計劃出力曲線，間隔15min，每天均有96個時間段，每一個時間段均對應一個計劃出力值Ptplan。跟蹤計劃策略是采用數學模型，對于風光預測功率數據處理之后，在滿足儲能系統(tǒng)運行各種約束條件的前提條件下，對于儲能系統(tǒng)的充放電功率進行計算，使風光儲合成輸出功率和預訂的計劃功率盡量相匹配。

本文設定的跟蹤計劃策略的控制目標為：計劃處理曲線與風光儲合成出力曲線改進余弦的相似度最大[4]；在經過一個24h 的控制周期之后，儲能系統(tǒng)的荷電處于最佳狀態(tài)。所以，在風光儲聯(lián)合發(fā)電系統(tǒng)實施跟蹤計劃的過程中，需要考慮到運行一天之后，儲能系統(tǒng)的SOC 需要盡量接近荷電狀態(tài)的參考值。

2.3 多目標效用最優(yōu)化模型

基于上述分析可知，風光儲聯(lián)合發(fā)電系統(tǒng)運行在跟蹤計劃出力模式時，必須要考慮跟蹤計劃策略的控制目標，所以屬于多目標規(guī)劃問題。而多目標規(guī)劃的表達式通常為：

其中，x=[x1,x2,…,xn]表示決策變量，目標函數的個數為k，約束條件方程的個數則是m。在求解過目標規(guī)劃問題的過程中，會出現多個可行但又無法確定優(yōu)劣的解，可將其稱之為有效解或非劣解。而由其構成的集合稱則稱之為非劣解集。要想對于非劣解急性求解，主要可采用效用最優(yōu)化模型。

2.4 動態(tài)適應粒子群算法求解模型

本文采用動態(tài)適應粒子群算法，在基本粒子群算法的缺陷上進行了幾方面的優(yōu)化。首先，采用閉環(huán)策略控制種群特征，控制量將采用算法參數表示，反饋量采用種群特征表示。而反饋量是通過種群進化改善率，引入Rechenberg 提出的1/5法則，即每次種群更新找到更優(yōu)解的粒子比例應保持1/5，小于的話需調整算法參數；其次，通過遺傳算法的選擇操作與變異操作，提高粒子探索新解的能力。在完成每一代粒子群體更新后選取部分粒子，基于交叉概率Pa對于粒子實施基因片段的交換。其中交叉概率的更新原則為：

通過動態(tài)適應粒子群算法對于儲能系統(tǒng)次日處理計劃進行求解的流程如下：開始-讀取數據-初始化粒子位置和速度-計算粒子適應度值-尋找個體最優(yōu)解和群體最優(yōu)解，獲得初始化改善率-更新離子位置和速度-計算適應度值-更新最優(yōu)解，計算粒子群算法改善率-選擇個體最優(yōu)解和群體最優(yōu)解-進行交叉操作-更新個體最優(yōu)解與群體最優(yōu)解-計算交叉操作改善率，更新交叉概率-達到迭代次數，如是，輸出群體最優(yōu)解-結束；如否，返回尋找個體最優(yōu)解和群體最優(yōu)解，獲得初始化改善率步驟繼續(xù)進行。

3 跟蹤計劃控制策略仿真試驗

根據我國的電網結構形勢政形勢政策，基于本文提出的策略，建立風光儲聯(lián)合發(fā)電系統(tǒng)跟蹤計劃控制策略算法模型，并開展仿真實驗?；緮祿猴L電裝機容量為100MW、光伏裝機容量為50MW，儲能系統(tǒng)最大存儲電量為50MWh，最大充電功率為30MW、最大放電功率為30MW、充放電效率為0.9、自放電率p=0。如下圖2所示為風電、光伏的預測功率。無論是各自的預測功率還是合成輸出功率，風電和光伏均存在較大的波動，光伏僅在白天有功率輸出，在中午達到最高值。針對風光預測功率紙盒，根據上述方法描述其在t 時段的預測誤差，分別取置信度水平為90%、99%，對應分位點為Z。分別取1.282、2.326，求風光可信功率。不同置信度水平下風光可信功率如圖3所示。

圖2 風電、光伏的預測功率

圖3 不同置信度水平下風光可信功率

基于上述可知，不同置信度水平的風光可信功率均要小于原始的風光預測功率，并隨著置信度水平的提升，風光可信功率逐漸減小?；谔岣唢L光資源利用率的前提，本文選擇置信度水平為90%風光可信功率，將其作為制定跟蹤計劃控制策略時次日風光輸出功率的基礎。

為制定科學合理的儲能系統(tǒng)充放電策略，采用動態(tài)適應粒子群算法，對于儲能系統(tǒng)次日出力曲線進行求解，設置算法參數：種群大小N=50，進化代數M=200，慣性權重初值ω=0.9，ωmax=0.9，ωmin=0.4，粒子位置分量范圍[Pchmax,Pdismax]，粒子速度分量范圍[0.1Pchmax,0.1Pdismax]，粒子交叉概率初值設為Pa=0.6，學習因子c1、c2的初值和終值分別為c1,min=2.75，c1,fin=0.5，c2,ini=0.5，c2,fini=2.25，允許變化范圍[0,1]，學習因子fa=1.05。

3.1 算法收斂性分析

將儲能系統(tǒng)的初始荷電狀態(tài)設置為最佳狀態(tài)，即SOC0=SOCnorm=0.5。如圖4所示為動態(tài)適應粒子群算法收斂曲線，可知隨著迭代次數的增加目標函數減小，算法的收斂性也不斷改善。由于目標函數包含兩個控制目標，它不僅提高了余弦相似性，而且保持了存儲系統(tǒng)的最佳負載狀態(tài)。在迭代過程中，最優(yōu)改進余弦相似度在總目標函數不斷優(yōu)化的過程中，出現部分下滑的情況，但站在總體角度上來看，依舊在向著更為良好的狀態(tài)發(fā)展。在初始化過程中改進余弦的最佳相似度大于0.99，最終改進余弦的最佳相似度為0.996。

圖4 動態(tài)適應粒子群算法收斂曲線

3.2 跟蹤計劃出力效果分析

圖5所示為風光儲合成出力和計劃出力曲線圖。可知在優(yōu)化初期的8～9時段，因風光可信功率較大、但計劃功率較小。所以要想完全實現跟蹤計劃的效果，儲能系統(tǒng)必須要吸收大量的能量，如果無法有效控制儲能系統(tǒng)吸收的能量，將會導致荷電狀態(tài)過早達到上限臨界值，從而導致后續(xù)的時段不能持續(xù)的吸收能量?；诖?，在對算法進行優(yōu)化的過程中，需要在這一時段采取有效措施進行儲能系統(tǒng)的充電功率的限制。由圖6可知，接近一半時段的相對跟蹤誤差在1%以下，而剩余時段的相對跟蹤誤差為1%～5%范圍內，因此風光儲合成出力跟蹤計劃具有比較理想的出力效果。

圖5 風光儲合成出力和計劃出力曲線

圖6 各時段相對跟蹤誤差分布情況

綜上，隨著我國經濟的可持續(xù)發(fā)展，新能源越來越受到人們的關注。風光儲聯(lián)合發(fā)電系統(tǒng)作為一種很有前途的并網方式，越來越受到重視。特別是眾多風光儲能基地的建設，促進了風光儲能系統(tǒng)的進一步發(fā)展。與傳統(tǒng)電源的高污染、高碳排放的缺點相比，風能和太陽能生產的清潔、低碳特性特點，將使風能和太陽能的發(fā)電方式快速發(fā)展，成為我國能源體系的重要組成部分。