摘要：本文在已有研究的基础上，针对联网光伏发电系统调度运行控制进行了探析，提出运用混合储能来补偿不平衡功率以追踪调度曲线，分析了基于混合储能系统的联网光伏发电系统的结构，提出了一种新的基于不同补偿周期的双层混合储能能量管理方法，以供电曲线和调度曲线相关性、混合储能系统全生命周期成本为优化目标，通过基于小生境技术的Pareto遗传算法进行优化求解。
关键词：联网；光伏发电系统；调度运行；控制
1联网光伏发电系统典型结构
联网光伏发电系统典型结构如图1所示，由光伏阵列、DC/DC直流变换器、混合储能系统、双向DC/DC控制器、并网逆变器、并网变压器、系统负载以及电网等组成。
图1中，光伏阵列将太阳能转化为电能；DC/DC直流变换器稳定直流母线电压，由于光伏发电系统造价相对较高，为实现太阳能资源利用的最大化，系统采用最大功率点跟踪（MPPT）技术，DC/DC直流变换器工作于MPPT模式[1]；双向DC/DC控制器控制混合储能系统充放电功率的大小及流动方向；并网逆变器和变压器将光伏阵列输出的直流电转化为合适电压等级的交流电，为光伏并网发电提供必备条件。
蓄电池-超级电容器混合储能系统用来补偿不平衡功率，在光照良好发电充足时将部分电能储存起来，在光照不足时释放电能进行能量补偿。在某时刻t，将光伏预测功率PPv（t）作为光伏系统发电能力的参考，调度部门给定调度目标值为PD（t），则两者之间的不平衡功率Pun（t）定义为：Pun（t）=PPv（t）-PD（t）
根据不平衡功率的波动特点，将不平衡功率分为两部分：低频波动功率和高频波动功率。其中低频波动功率波动幅度较小，持续时间较长，能量密度较大；高频波动功率波动幅值较大，持续时间较短且能量波动较小。
蓄电池能量密度大，是一种能量型储能装置，适用于长期储存电能，但蓄电池同时具有功率密度小，充放电效率低，循环寿命短等不足，对大功率及频繁充放电的适应性不强。超级电容器则属功率型储能装置，具有功率密度大、充放电速度快且效率高、可充放电循环次数多等优点，可有效抑制系统的短时间功率波动，非常适用于大功率充放电和循环充放电的场合，但能量密度与蓄电池相比偏低，不适用于电能的大规模储存。将蓄电池和超级电容器组成混合储能系统应用于联网光伏发电系统，充分利用蓄电池能量密度大和超级电容器循环寿命长、功率密度大的优点，利用蓄电池来补偿不平衡功率低频波动部分，超级电容器来补偿不平衡功率高频波动部分，可以大大提高储能装置的性能，进而提高系统的经济性和可调度性。
2混合储能系统能量管理方法
为充分发挥蓄电池和超级电容器优势，优化混合储能能量状态，延长蓄电池的使用寿命，本文提出一种基于不同补偿周期的双层混合储能能量管理方法。设定蓄电池补偿周期为Tb，超级电容器补偿周期为Tc，由于蓄电池一般用于分钟至小时级的功率补偿，超级电容器一般用于秒至分钟级的功率补偿，因此取Tb＝MTc，其中M为整数且M≥1。在给定时间段内，对不平衡功率以Tc为采样间隔所得采样点数为n，以Tb为采样间隔所得采样点数为N，则有n＝MN。
2.1基于Tb的第一层能量管理方法
为将不平衡功率Pｕｎ（Pｕｎ为ｎ维行向量）中的高频成分和低频成分加以区分，本文采用时域滑动平均滤波，滑动平均滤波是一种比较简单的滤波方法，可以保证系统的实时性且平滑度高。以Tb为取点周期，经过滑动滤波得较为平滑的蓄电池输出功率参考值为Pbref1（Pbref1为N维行向量），限制－Pbn≤Pbref1（t）≤Pbn，其中Pbref1（t）为t时刻蓄电池输出功率参考值，t＝kTb（k＝0，1，2，…，N－1），Pbn为蓄电池额定功率，Pbref1（t）＞0表示蓄电池充电，Pbref1（t）＜0表示蓄电池放电。
为避免蓄电池过充、过放，以Tb为补偿周期，根据蓄电池的荷电状态SOC对蓄电池进行SOC预先调整，对其充放电功率进行控制，给定一个功率调整值ΔPb，则Pbref（t）＝Pbref1（t）＋ΔPb，ΔPb具体调整规则如表1所示。表中SOCmin、SOCdown、SOCup、SOCmax为蓄电池SOC区间划分的转折点，其中SOCmin、SOCmax分别为蓄电池允许的最低、最高荷电状态值，SOCdown、SOCup之间为蓄电池运行最佳荷电状态值。
2.2基于Tc的第二层能量管理方法
在第k（k＝0，1，2，…，N－1）个Tb内，超级电容器输出功率参考值为Pcref＝Pｕｎ－Pbref（其中Pcref、Pｕｎ、Pbref均为M维行向量），由于超级电容器能量密度小，能量状态容易达到上下限，因此需要根据其能量状态对Tb内每个Tc内的超级电容器输出功率进行调整，给定调整量ΔPｃ，则Pｃ（t）＝Pcref（t）＋ΔPｃ，其中t＝kTb＋mTc（m＝0，1，2，…，M－1），调整规则与蓄电池相同，Tc内超级电容器充放功率调整的部分再由蓄电池承担，即Pｂ（t）＝Pbref（t）－ΔPｃ，由于蓄电池的能量密度较大，因此在Tc内的功率充放不会对蓄电池的荷电状态造成较大影响。
3基于小生境技术的Pareto遗传算法在联网光伏发电系统调度运行控制中的应用
3.1优化目标
本文通过配置一定容量的混合储能平滑系统输出功率来提高联网光伏系统的可调度性，同时希望保证系统经济性。本文以实际供电曲线与电网所给调度功率曲线的相关性来衡量供电曲线对调度曲线的追踪情况，两者相关性越大，可调度性越高。相关系数是用以反映变量之间相关关系密切程度的统计指标，本文选择相关系数表征实际供电曲线和电网所给调度曲线的相关程度。在时刻t，混合储能系统输出的实际功率为Pz（t）＝Pb（t）＋Pc（t），则实际供电功率为Pgd（t）＝Ppv（t）－Pz（t）。混合储能系统成本越小越有利于提高经济性，本文根据全生命周期理论建立混合储能系统的经济性优化目标。
基于以上两点建立联网光伏发电系统调度运行控制优化目标函数为
式中：r为实际供电曲线与调度曲线之间的相关系数；Pgd（t）为t时刻联网光伏发电系统实际供电功率；PD（t）为t时刻电网给定调度功率；n为给定时间段内取点数；Tc为取点周期，即超级电容器补偿周期；cncb为混合储能系统全生命周期成本；Czj为折旧成本；Cyx为运行成本；Cwh为维护成本；Ccz为处置成本。
此优化问题为多目标优化设计，两优化目标之间无法比较，而且混合储能容量越大系统的可调度性越高但容量越大储能成本越大，因此一个目标函数的改进以牺牲另外一个目标函数的值为代价，难以找到一个最优设计使所有的目标同时达到最优。遗传算法具有随机性和隐含并行性，能够同时搜索到多个局部最优解，这适用于多目标优化。本文将小生境技术与Pareto最优解应用于遗传算法，构造出适用于多目标优化设计的Pareto遗传算法（PGA），并将其应用于联网光伏发电系统调度运行控制中。
3.2Pareto最优解
针对一般的极小值问题：
记变量可行域为S，相应目标可行域Z＝f（S），给定一个可行点x*∈S，对x∈S，有f（x*）≤f（x），则x*称为多目标规划问题的绝对最优解。若不存在x∈S，使得f（x*）＜f（x），则x＊称为对目标规划问题Pareto最优解，针对此调度优化问题求取最优化解为（Nbzy，Nczy），其中Nbzy为配置的蓄电池组数，Nczy为配置的超级电容器组数。
3.3小生境（niche）技术
用基本遗传算法求解多峰值问题时，经常只能找到个别几个最优值，甚至往往得到的是局部最优解。利用小生境我们可以找到全部最优解。本文采用基于共享机制的实现方法。该方法的基本思想是：通过反映个体之间相似程度的共享函数来调整群体中各个体的适应度，从而在后续的群体进化过程中，算法能够依据这个调整后新的适应度来进行选择运算。
4算例分析
由于多云天气下不平衡功率波动更为频繁且波动幅度较大，所以算例选取多云天气情况下进行储能优化配置及分析。采用本文所提出的基于不同补偿周期的双层能量管理方法，以实际供电曲线和调度曲线之间的相关性和混合储能系统全生命周期成本为优化目标，采用基于小生境技术的Pareto遗传算法进行优化计算，需要配备蓄电池10096组，超级电容器692193组，此时储能成本3.2725×105元，实际供电曲线和调度曲线相关系数为0.9967，具有较高的经济性和可调度性。
在此最优储能系统配置下，蓄电池的输出功率较小且较长时间内输出相对较平滑，承担了不平衡功率中的低频波动部分。超级电容器输出功率波动较大且波动频繁，承担了不平衡功率中的高频波动部分，这样充分发挥了蓄电池能量密度大和超级电容器功率密度大、循环寿命长的优点，蓄电池整个过程中充放电转换次数较少，有助于延长了蓄电池使用寿命。并且根据超级电容器的能量状态变化可知超级电容器的能量状态位于上下限之间且利用率高。
参考文献
[1]刘建涛，曹雷，马杰，等.储能技术在光伏并网发电系统中的应用分析[J].电网与清洁能源，2011（7）.
[2]艾欣，韩晓男，孙英云，等.光伏发电并网及其相关技术发展现状与展望[J].现代电力，2013（1）.
[3]陈炜，艾欣，吴涛，等.光伏并网发电系统对电网的影响研究综述[J].电力自动化设备，2013（2）.
论文作者:韩杰
论文发表刊物:《电力设备》2016年第16期
论文发表时间:2016/11/7
标签：蓄电池论文; 功率论文; 系统论文; 电容器论文; 储能论文; 光伏论文; 能量论文; 《电力设备》2016年第16期论文;