考虑多元混合储能的微电网功率平滑控制技术

时间：2024-07-28

杨少波,胡雪凯,周文,王磊,程子玮

(国网河北省电力有限公司电力科学研究院,河北石家庄 050021)

0 引言

微电网作为促进分布式电源消纳的重要组网形态,已经成为能源清洁化发展的重要方向[1]。储能系统可有效解决微电网分布式电源出力不确定性导致的功率波动问题,有效降低微电网运行风险,提升分布式电源渗透率和微电网运行的稳定性。

氢能作为一种完全无污染、无碳排放、热值高、能量密度大且可以气、液、固多态存贮运输的二次能源,被认为是最有希望取代传统化石燃料的能源载体。对可再生能源而言,氢气是一种极好的能量存储介质。随着电转气(Power-to-Gas,P2G)技术的发展应用,可再生能源友好并网与氢能的应用耦合度日益紧密[23],有效促进可再生能源的消纳。

不同能量形式的储能凭借其功率特性或容量特性不同,只有有机组合多种储能形式,并进行应用,才能同时实现高效性和经济性的目标[4-6]。合理的功率分配是混合储能系统(Hybrid Energy Storage System,HESS)发挥其储能元件运行特性互补优势的关键,而在HESS 功率分配方法方面的研究,国内外已获得较多的研究成果。常用的功率分配方法有单阶/二阶滤波、傅氏变换、小波分解以及经验模态分解(Empirical Mode Decomposition,EMD)等。文献[7]通过一阶低通滤波,实现波动功率在混合储能间的分配优化,但低通滤波器在滤波过程中存在延时特性,影响功率的合理分配。文献[8]基于小波分解算法对微电网波动功率进行分解,但小波分解结果的准确性对基函数的合理选择要求严格,容易导致局部最优。文献[9]利用EMD 方法控制HESS容量的合理分配,但EMD 在递归分解过程中频率辨识精度较差,导致模态函数(Intrinsic Mode Function,IMF)分离准确性不高,在各模态函数中出现模态混叠现象。2014 年,Konstantin 等人提出变分模态分解(Variational Mode Decomposition,VMD)算法[10],该算法解决了EMD 算法中模态混叠和频率特征不易分辨等问题,可进行固有模态函数的有效分离和波动功率的频域划分,同时在分解阶段可以自适应地确定各模态的最佳中心频率和带宽,具有更坚实的数学理论基础和良好的鲁棒性[11-12]。

本文搭建了含有光伏、蓄电池、燃料电池、氢储能及超级电容的微电网系统,对微电网波动功率进行模态分解,通过分频点,对混合储能系统进行功率原始分配,基于提出的SOC 均衡控制策略,对各储能单元的SOC 进行能量均衡控制,完成混合储能间微电网波动功率分配的二次优化。

1 微电网模型构建

本文所提微电网是由分布式光伏、蓄电池储能、超级电容[9]、氢燃料电池储能及电力负载等共同组成的电-氢储能直流微电网,如图1 所示。

图1 微电网电气接线示意

本文所搭建的直流微电网系统中,分布式光伏所用的数学模型表达式为

式中:I和Isc分别为光伏电池的输出电流和短路电流;U和Uoc分别为输出电压和开路电压;C1和C2分别为与峰值电压、电流相关的函数。

蓄电池储能模型由可调电压源和内阻组成,具体公式为

式中:Ubat为电池端电压;E0为电池完全充满电时的开路电压;γ为极化电阻;Qb为电池的容量;ibatt为电池实际放电量;A为电压幅度;B为指数区域时间常数的倒数;Rb为蓄电池内阻;ibat为负载电流;in为负载电流由低通滤波器处理以后的电流值。

氢燃料电池储能的输出电压[13]为

式中:EN为热力学电动势;Uact为活化过电压;Uom为欧姆过电压;Ucon为浓差过电压。电解槽将水电解为氢气和氧气,制氢速度[14]为

式中:F为法拉第常数;ηF为法拉第效率;nc为电池组的串联个数;iel为电解槽输出电流。

储氢罐的储氢量[15]为

2 波动功率分配

2.1 基于VMD 算法的功率分配机制

针对微电网内分布式光伏出力不确定性导致的功率波动,本文采用电-氢混合储能进行综合平抑。首先采用移动平均滤波选取合适的窗口长度并网功率的基准值,然后与光伏实际发电功率作差后,得到需要借助HESS进行平抑的参考功率信号,最后采用VMD算法对功率信号进行有效分解。

2.2 VMD 算法

VMD算法通过对变分模型最优解的迭代搜索,将混合储能系统的初始信号按照频带分解为多个固有模态函数分量,并通过各个IMFs分量对应的中心频率和带宽在变分模型中的迭代优化,实现对信号频谱的自适应划分,从而有效分离各个IMFs分量[16]。分解初始信号时,首先要建立变分模型,将初始信号f分解为k个本征模态函数。

式中:K为固有模态函数分量;u k为分解后的第k个固有模态函数分量;ωk为各模态函数分量的中心频率;s.t.为约束条件。

直接求解约束变分函数的计算量很大,为降低计算复杂度,引入二次惩罚项和拉格朗日乘子,通过构建增广拉格朗日函数将约束变分问题转化为非约束变分问题,便于求取最优解。

式中:λ(t)为拉格朗日乘子;α为二次惩罚因子。

为避免惩罚项系数逼近无穷大,引入交替方向乘子法实现极值问题向拉格朗日函数鞍点问题的转变,通过对局部寻优获得全局最优解。求解的过程需要对参数进行迭代更新,利用傅里叶等距变换将更新表达式转换到频域,得到的计算公式为

VMD 算法分解混合储能系统初始信号时,根据公式(8)—(10)更新u k、ωk和λ,直至满足公式(11),停止迭代。

式中:e为预先给定的判别精度。

由上述分析可知,VMD 算法分解个数K的选取对分解效果影响较大,若K取值过小会造成欠分解,产生模态混叠现象,导致高频信号不能完全分离出来;K取值过大会造成过分解,产生虚假分量[17]。因此可以利用改进的量子粒子群算法对VMD 算法两个重要参数进行优化,包括分解本征模态个数K和二次惩罚因子α,以降低主观选取的情况下对功率划分的不合理性,实现对混合储能系统功率的优化分配。

2.3 基于改进量子粒子群算法的VMD 算法参数优化

针对VMD 算法在本征模态个数和二次惩罚因子合理选取方面的局限性,本文采用改进的量子粒子群优化算法对VMD 的分解参数进行优化,综合考虑相关度、样本熵作为评判指标,构建改进的量子粒子群算法的适应度函数,衡量寻优参数的优劣度,优化VMD 算法的参数组合[K,α]。相关度分析计算步骤如下。

1)对参考数列和比较数列进行归一化处理,归一化公式为

式中:x、y分别为样本归一化前、归一化后的值;xmin、xmax分别为样本的最小值和最大值。

2)计算每个比较数列中各项参数与参考数列序列对应参数的关联系数,计算公式为

3)计算向量之间的关联度,计算公式为

理论上关联度的范围为(0,1),越接近1表示相似度越高。

利用客观权重赋予法[18]构建适应度函数

式中:Sam En为样本熵函数;d为随机信号时间序列;q为嵌入维数;c为相似性容限;B为两个向量在相似性容限下匹配q或者q+1个实数的概率;r为长度为n时间序列下,重构信号和原信号之间的相关度。

3 基于蓄电池储能SOC 的功率均衡控制策略

3.1 基本原理

VMD 算法和Hilbert变换实现了HESS 功率的初级分配,但过度充电和过度放电会严重影响储能设备的性能和寿命,为了避免储能设备过度充电或过度放电状况的出现,其荷电状态始终应保持在一定范围内。因此需要进行二次功率分配控制。

传统下垂控制对电池储能功率分配时,各组蓄电池的输出功率与其自身的下垂控制系数成反比,即在下垂系数不变的情况下,各组电池输出功率的比值也由系数决定,固定不变。而在复杂的工况下,各电池组的SOC不可能始终保持一致的状态,存在一定的差异,这样在输出功率比值固定的情况下,就有可能导致SOC 状态低的电池放电量多,在达到了放电下限值后不能继续放电;而SOC状态高的电池反而放电量少,在上述电池因到达下限而停止工作时,会突增这部分电池的放电量,影响整个储能系统的稳定性,降低电池使用年限以及能量传输效率,故在储能系统中采用传统下垂控制算法无法实现各组电池之间功率的均衡控制。Udc_i为第i个蓄电池两端的输出电压。

第i组蓄电池的荷电量为

式中:P i由Pout_i经过分解滤波之后得到。

由公式(18)可得,蓄电池SOC 的计算与其吸收或释放的功率有关,因此可以考虑在传统下垂控制的基础上,根据SOC的变化实现下垂系数的动态调节,使得各组蓄电池根据自身SOC 的状态来决定充放电功率的大小,最终经过一段时间的运行,各组蓄电池之间的SOC 状态趋于一致,吸收或释放的功率也逐渐相等,从而完成对系统中剩余能量的均衡控制。

当系统中存在N个储能电池组并联运行时,设置其荷电状态值依次为BSOC,1、BSOC,2、……、BSOC,N,则计算得到的每组电池的SOC 平均差值系数λi为

由公式(19)可得,不同SOC 状态的蓄电池组其计算得到的系数λi也不相同,并且系数λi存在正负值以及零值,根据系数λi的大小来实现对蓄电池功率调节的均衡控制。

3.2 放电过程控制

公式(17)中,各组电池传输功率的控制可以通过调节下垂系数来实现,放电过程中,下垂系数的动态调节表达式为

式中:m i为第i组蓄电池动态的下垂系数;md为各组蓄电池在初始放电阶段的下垂系数;BSOC,ave为蓄电池组的平均荷电状态;指数βbat_i根据蓄电池功率Pbat对公式(19)中差值系数修正后得到,在放电状态下,其修正公式为

当各组电池工作在放电状态时,改进后基于SOC的均衡控制计算公式为

由式(21)、(22),可以得到

由公式(23)可得:在放电过程中,各组电池输出功率的大小与各电池组之间SOC 平均值幂函数成正比,即SOC 小的电池组对应的函数幂偏小,分配到其所需承担的对外功率也较少,SOC下降的速率较慢;相反,SOC大的电池组对应的函数幂偏大,分配到其所需承担的对外功率也较多,SOC下降的速率较快,因此系统经过一段时间的运行,可以使各组电池的SOC状态趋于一致。

3.3 充电过程控制

充电过程中,下垂系数的动态调节表达式为

式中:mc为各组电池在初始充电阶段的下垂系数。在充电状态下,指数βbat_i的修正公式为

当各组电池工作在充电状态时,改进后基于SOC的均衡控制计算公式为

由式(24)、(26),可以得到

由公式(27)可得,充电过程中,各组蓄电池吸收功率的大小与各电池组之间SOC 平均值的函数幂成反比,分配到的直流母线对内功率也较多,SOC上升速率快;相反,SOC 大的电池组对应的函数幂偏小,分配到的直流母线对内功率也较少,SOC上升速率慢,因此充电阶段同样可以使各组电池的SOC状态趋于一致。

4 算例分析

使用河北省某微电网内光伏电站在1 天中04:00-20:00的功率数据,5 s为1个采样周期,对采样的11 519个数据进行分解分析,其混合储能系统运行过程中的光伏原始功率曲线如图2所示。

图2 混合储能系统运行过程中的原始功率曲线

4.1 波动功率模态分解

采用本文所提出的优化算法,首先使用改进的量子粒子群算法优化VMD 的参数组合[K,α],参数寻优迭代的适应度变化曲线,如图3 所示。经过迭代计算后得到[K,α]=[8,2 739],在此基础上对光伏波动功率进行分解,得到其各IMF分量的时域波形以及边际谱,如图4和图5所示。可以看到改进VMD 算法可以有效将混合功率的原始信号区分为不同的高低频,实现对Phess的合理优化配置。

图3 改进的量子粒子群算法优化VMD参数适应度曲线

图4 改进VMD算法分解后各IMF分量的时域波形

图5 改进VMD算法分解后各IMF分量的边际谱

由图5可得,以最小能量熵衡量混叠程度,得到分频点以模态二为界限,将前两个模态分配给电解槽进行制氢消纳,模态3和4分配给蓄电池进行平抑,其余模态分配给超级电容进行补偿消纳。

4.2 电池充电过程功率及SOC分析

二次功率分配的情况下,在电池的充电过程中采用基于电池SOC的均衡控制算法时,两个电池组的功率变化波形如图6所示,SOC 变化波形如图7所示。

图6 充电过程中采用改进算法时蓄电池功率变化波形

图7 充电过程中采用改进算法时SOC变化波形

由图6和图7可得,在充电过程中采用基于电池SOC的均衡控制算法进行功率分配的情况下,初始值SOC偏小的电池组其吸收功率相对较大,SOC上升速率较快;初始值SOC 偏大的蓄电池组其吸收功率相对较小,SOC上升速率较慢,系统经过一段时间的运行之后,两组蓄电池的SOC趋于一致,最终实现不同储能蓄电池组之间充电过程中的均衡控制。

4.3 电池放电过程功率及SOC分析

改变仿真中负载波动功率的大小,使得输出功率小于负载消耗功率,实现蓄电池组工作在放电状态,图8为负载功率波形,在60 s的周期内发生3.2˜4.2 k W 的功率波动。

图8 放电状态下负载功率波动

在电池的放电过程中采用基于蓄电池SOC的均衡控制算法时,两个蓄电池组的功率波形如图9所示,SOC变化波形如图10所示。

图9 放电过程中采用改进算法时蓄电池功率波形

图10 放电过程中采用改进算法时SOC变化波形

由图9和图10可得,在放电过程中采用基于SOC的均衡控制算法进行功率分配的情况下,初始值SOC偏小的蓄电池组其释放的功率相对较小,SOC下降速率较慢;初始值SOC 偏大的蓄电池组其释放功率相对较大,SOC下降速率较快,系统经过一段时间的运行之后,两组蓄电池的SOC趋于一致,实现储能系统中放电过程的均衡控制。