中国储能网 -产业观察 - 高比例光伏消纳的储能系统与通信系统协同设计 }

当前位置：首页 >新闻动态>产业观察返回

高比例光伏消纳的储能系统与通信系统协同设计

作者：中国储能网新闻中心来源：光伏点发布时间：2018-10-27

中国储能网讯:当前大规模户用光伏接入低压配电网已成为必然趋势,然而高渗透率户用光伏并网将引起电压越限等严重的电压问题。在低压配电网中合理配置储能可以有效缓解上述问题,同时信息通信技术是储能消纳光伏的重要保证。针对目前信息系统和物理系统分开进行规划的现状,该文提出了一种基于二层优化模型的协同规划方法对含高比例光伏低压配电网的储能系统与通信网络进行优化配置。上层以年费用最小为目标优化配置储能和无线通信终端,其中储能采用分布式控制策略;下层根据上层的结果进一步对通信拓扑进行优化,提高控制性能的同时降低通信网络的复杂度。通过算例仿真验证了所提信息系统与物理系统协同规划方法的经济性和有效性。

高比例光伏消纳的储能系统与通信系统协同设计

储能指南

为了缓解全球能源危机和环境污染问题,以光伏发电为代表的可再生能源开发和利用得到了大力发展[1-2]。目前,低压配电网户用光伏并网数量呈现出快速增长的趋势,然而高渗透率光伏并网造成的电压越限和电压波动问题严重影响了低压配电网的正常运行。储能系统(energy storage system,ESS)具有削峰填谷和充放电响应速度快的能力,通过合理配置储能可以有效缓解光伏并网引起的电压越限和波动问题[3-5]。同时,信息通信技术的快速发展及利用大大提高了配电网协调物理元件和消除电压问题的能力。随着电网信息系统与物理系统的不断融合,当前信息物理系统(cyber physical system,CPS)[6-8]已成为研究热点。因此,研究储能系统和通信网络的协同规划对于高比例户用光伏的消纳具有重要意义。

传统的储能配置多关注储能的位置和容量等物理系统的配置。文献[9]提出了一种以综合经济效益最大为目标的储能和需求侧响应联合规划的双层模型,对储能和可中断负荷进行规划的同时考虑它们在系统中运行的实际情况,增加了目标函数计算的准确性。为了应对负荷和分布式电源出力的随机性,文献[10-11]采用概率规划方法对储能进行配置,并进一步确定了不同负荷状态下储能的优化运行结果。可见在规划时考虑储能的运行控制是非常必要的,上述研究均采用集中型控制。集中控制需要大量的数据传输和密集的计算,同时容易受到通信故障的影响。实际上,在含高比例户用光伏的低压配电网中分布式控制是更常用的储能控制方式。在分布式控制中,每个节点通过和相邻节点进行通信以及少量的计算获得控制信号,既可以实现协调优化,又对局部的通信失败具有很高的鲁棒性。其中,一致性算法是分布式控制中常用的一种方法,其收敛结果通过多次迭代获得并且收敛速度由通信网络拓扑决定[12]。文献[13-14]提出了基于一致性算法的储能分布式控制策略。然而,这些控制方法都没有考虑通信网络对于储能控制的影响。

另一方面,也有一些文章对配电网信息通信系统的规划进行了研究。通常来说,通信拓扑的规划主要关注如何构造最小的能量路径[15]。文献[16]提出了一种最小能量路径保留的拓扑控制算法,旨在最小化无线传感器网络中数据传输所需的能量,有利于延长通信网络的寿命。文献[17]通过一种进化的多目标优化方法对通信拓扑进行优化,目标函数包括最小化能量损耗,最大化覆盖面积和最小化活跃节点的个数。上述文献仅对通信网络的拓扑进行优化,而未考虑信息系统对物理系统的影响。

综上,目前的研究多采用物理系统和信息系统独立规划的思路对物理信息融合的系统进行规划,没有考虑两者之间的相互影响。针对高比例户用光伏的消纳问题,本文提出了一种基于分布式控制的储能及通信网络二层规划模型,通过上下层迭代优化,实现了储能及通信网络的协同规划。最后通过算例仿真验证了本文所提方法的有效性。

一低压配电网的PCS结构

为了应对高比例光伏并网引起的电压越限问题,配电网需要有效地协调不同的储能设备。其中信息系统是实现储能分布式控制的重要保证,同时低压配电网也逐渐从单纯的物理系统向CPS转变。

从微观来看,分布式控制中单一的储能控制单元是信息与物理的集合体,将其称之为一个智能体。图1是一个ESS的信息与物理的耦合关系图。储能分布式控制的过程如下：

1)传感器量测就地的物理状态量(包括电压、功率以及储能的SOC等),并将这些物理状态量转换为数字信息,这些数字信息一方面通过通信终端发送给其余的智能体,另一方面传递给控制器。

2)控制器接收来自于本地传感器的数字信息以及来自其余智能体的数字信息并进行相应的评估和计算,在获得对应的控制信号后传送给驱动器。

3)驱动器将控制信号转化为物理的驱动信号并作用于ESS。

4)ESS调节功率输出并进而影响自身以及网络的状态变量。

图1 智能体的信息物理结构

Fig. 1 Cyber-physical structure of ESS agent

从宏观上看,储能的分布式控制通过配电网物理层和信息层的相互作用实现电压调节的目的。图2是低压配电网的分层信息物理结构,物理层与信息层相互作用达成控制目标。例如,当网络中的某个节点出现电压越限问题时,该节点会通过信息层将越限问题扩散至网络中的其余智能体,其余智能体根据控制模型计算出参考输出后反馈至物理层。通过信息层和物理层之间的相互作用和迭代从而消除风险,稳定网络电压。

图2 低压配电网的分层信息物理结构

Fig. 2 Layered cyber-physical structure of low-voltage distribution network

二储能的分布式控制

通过调节储能的充放电功率控制电压是一种有效的电压控制手段。分布式控制能有效避免集中控制的缺点,被广泛用于解决低压配电网电压问题。其中,一致性算法是最常用的分布式控制算法。一致性算法通过个体与相邻个体之间的信息交互,达到所选定一致性变量的协同,迭代计算在本地控制器中进行,因此计算量与通信量较小[18]。一致性算法具有简单、易于实现、计算速度快等优点,适合求解对通信条件要求不高的分布式控制问题[14]。由于低压配电网的通信条件、计算能力有限,因此本文采用一致性算法对不同储能设备的SOC进行分布式控制。

2.1基于一致性算法的储能控制策略

图2中各储能单元之间通过通信网络实现信息的传播和交互。利用有向图GC={V,E}来描述通信网络的连接,VV为通信终端的集合,E⊆V×V为通信路径的集合,(i,j)∈E表示节点ii可以接收节点jj的信息。将所有可以向节点ii发送信息的节点个数称为节点ii的“入度”,记为D+iDi+。同理,将所有可以接收节点ii信息的节点个数称为节点ii的“出度”,记为D−i。如果对于图GCGC中任意两个节点i,j∈V,i≠j,均存在从节点ii到节点jj的通信路径,则称该图为强连通图[19]。

一致性算法的本质是通过节点之间的信息交互,更新各节点的状态变量,使各节点的状态变量收敛于稳定的共同值。令节点ii的状态变量为xi(k)，其中k为迭代次数。在分布式控制中,各节点的状态变量根据其邻接节点的状态变量进行调整,随着kk的增加,节点的状态变量趋于一致,当所有节点的状态变量达到一致时系统收敛。一致性算法可以描述为

当图GC为强连通图时,式(1)所示的一致性算法可以实现渐进收敛,且收敛结果是一个与通信拓扑无关的常数[20]。

由于各个储能的安装容量存在差异,为了实现储能的最大化利用,本文以储能SOC作为一致性变量。当发生电压越限时,储能系统通过充电或者放电实现对节点电压的调节。由于末节点更容易出现电压越限,因此本文将末节点作为参考节点。

设t时刻末节点电压为Uend,t,当Uend,t超过电压上限UmaxUmax时,为了使电压满足约束,则有

2.2储能分布式控制的收敛速度

对于给定的强连通有向图,虽然一致性算法的收敛结果与通信拓扑无关,但是收敛速度却和通信拓扑直接相关[12,21],这是因为通信网络的拓扑结构决定了信息传播和交互的效率。

由式(3)可知,状态转移矩阵D为行随机矩阵,因此,D有代数重度为1的特征值λ=1λ=1,并且D的其他特征值满足|λ|<1,即−1<λ1≤⋯≤λn−1≤λn=1。式(1)的收敛速度由D矩阵模值第二大的特征值决定,记该特征值的模值为μ(D)μ(D)。

μ(D)=max{−λ1,λn−1} (7)

由文献[21]可知,μ(D)μ(D)越小,一致性算法的收敛速度越快。以图3中7节点低压配电网为例,图4(a)和图4(b)为与之对应的两种通信网络结构。当收敛精度为10-3时,达到收敛所需要的迭代次数分别为56和29次。可见通过改变通信网络的连接方式,能很大程度上提高分布式控制的收敛速度,从而提高控制性能和系统的稳定性[12,21]。

图3 7节点低压配电网

Fig. 3 Low voltage power distribution feeder with 7 nodes

图4 通信网络拓扑

Fig. 4 Communication network topology

值得注意的是,当有向图中任意两个节点相互连接时μ(D)=0μ(D)=0,此时收敛速度最快。但是过多的通信连接会造成较大的成本及通信损耗。因此,本文将反映收敛速度的指标μ(D)μ(D)作为目标函数之一加入储能信息物理系统规划的模型中。

三低压配电网中储能和通信网络二层规划模型

3.1总体思路

为了考虑信息系统与物理系统的相互影响,本文采用二层规划模型对储能的位置容量、通信终端的位置及通信拓扑进行优化,所提二层规划模型的结构如图5所示。其中上层的优化变量为储能的位置和容量,目标函数为最小化年费用、最小化通信长度以及最大化收敛速度。下层以上层的储能安装位置(也是通信终端的位置)为前提,对通信拓扑进行优化,目标函数为最小化通信长度和最大化收敛速度,并将优化后的通信拓扑及下层目标函数值返回上层。通过上下层相互迭代,最终获得储能系统和通信网络的协同规划结果。

图5 二层规划模型的框架图

Fig. 5 Frame diagram of the bi-level model

3.2上层优化模型

3.2.1 目标函数

上层优化模型以最小化年费用、最小化通信线路长度以及最小化分布式控制收敛指标为目标,采用加权的方式将多目标转化为单目标。上层优化的目标函数可以表示为

min FUL=ω1f1/f1max+ω2f2/f2max+ω3f3/f3max (8)

式中：FUL为上层目标函数值;ωi为各个目标函数的权重;fimax为各个目标函数的最大值。

式中：Cess是储能单位容量的成本;Cwct是单个通信终端的价格;m是通信终端的个数;Cpu是电价;Δt是时间间隔;T是总时间;Ploss0,t和Ploss,t分别是安装储能前和安装储能后t时刻的网损;α是等年值系数,可以表示为

式中：rr是贴现率;ll是设备使用年限。

2)通信线路长度f2。

通常,通信线路尽可能短有利于减少信息传输消耗的能量。因此,将最小化通信长度作为目标函数之一。

1)年费用f1。

式中：Lij是节点ii和节点jj之间的距离。

3)控制性能指标f3。

提高分布式控制的收敛速度,可以提高控制性能和系统的稳定性。因此,将最大化收敛速度作为第三个目标函数,即最小化收敛速度指标μ(D)。

f3=μ(D) (15)

目标权重的选取主要考虑不同指标在规划阶段的重要程度。首先,经济性是规划问题的首要关注指标,因此年费用f1f1比其他两个目标更加重要;其次,控制性能指标f3f3反映通信网络对储能控制的影响,为第二重要的目标;通信线路长度f2f2主要与通信网络消耗的能量有关,为第三重要的目标。本文采用层次分析法[22]确定所提模型中3个目标函数的权重,判断矩阵为经过矩阵处理后,得到各目标权重分别为0.64、0.10和0.26。

3.2.2 约束条件

1)潮流约束。

式中：Ω为配电网的节点集合;θij,tθij,t为节点ii和节点jj之间的相角差;Gij和Bij分别为节点导纳矩阵的实部和虚部;Pi,t和Qi,t分别为tt时刻ii节点注入的有功和无功功率;PPV,i,tPPV,i,t,PESS,i,tPESS,i,t和PLD,i,tPLD,i,t分别为tt时刻ii节点的光伏、储能和负荷有功功率;QPV,i,t,QESS,i,t和QLD,i,t分别为tt时刻ii节点的光伏、储能和负荷无功功率。

2)节点电压约束。

3.3下层优化模型

3.3.1 目标函数

下层以上层得到的通信终端位置为基础,对通信拓扑进行优化。下层的目标函数为

min FLL=ω2f2/sf2+ω3f3/sf3min FLL=ω2f2/sf2+ω3f3/sf3 (24)

式中：FLLFLL为下层目标函数值。

3.3.2 约束条件

1)强连通约束。

为了保证分布式一致性算法收敛,通信网络对应的图必须为强连通图。

2)带宽约束。

为了避免过多带宽造成通信设备成本的增加,每个通信终端的入度和出度需满足式(25)的约束。

下层计算结束后,将优化得到的通信拓扑及相应的目标函数值返回上层,进一步计算上层的目标函数值。

3.4优化算法景

针对所提的二层规划模型,分别采用自适应交叉率和变异率的精英保留策略遗传算法[23]和二进制粒子群算法[24]求解上层和下层优化问题。

遗传算法能有效求解含多目标函数、混合整数变量的非线性优化问题。为了克服遗传算法在计算中各代产生的优良个体丢失以及参数选择不当而发生早熟的问题,本文采用自适应交叉率和变异率的精英保留策略遗传算法求解上层优化模型,能够提高寻优效率和收敛速度。每个候选位置安装的储能容量用三位二进制数编码,其中“000”表示该位置不安装储能,“001”表示该位置安装容量为4 kW·h。

粒子群算法具有容易实现、参数少和收敛速度快的特点,适用于求解网络重构、拓扑优化等问题。本文下层优化模型对通信拓扑进行优化,优化变量为0-1变量,因此采用二进制粒子群算法进行求解。粒子每一维度的位置编码为0或1,其中0表示相应位置无通信连接,1代表相应的位置存在通信连接。算法的流程图如图6所示。

图6 算法流程图

Fig. 6 Flowt of algorithm

四算例分析

4.1算例背景

如图7所示,本文采用一个含有25个节点的低压配电网进行仿真,网络额定电压为380 V,每个节点上均带有负荷,同时在图7标红的节点上安装光伏发电系统。线路的阻抗为0.650+j0.412 Ω/km,线路长度参见文献[25]。光伏和负荷的典型日的功率曲线如图8所示。所有光伏发电节点的典型日输出是一致的,主要考虑到低压配电网地理距离较短,因此光伏间的出力差异较小。储能配置的基本参数如表1所示。每个节点的最大入度和出度均设为5。

图7 25节点低压配电网络

Fig. 7 25-node LV distribution network

图8 典型日的功率曲线

Fig. 8 Typical daily power curves

表1 所提配置模型的基本参数

Tab. 1 Basic parameters of the configuration model

4.2储能配置结果及经济性分析

为了验证所提信息物理协同配置方法的经济性,采用如下两种配置方案进行比较：

方案A：物理系统和信息系统独立配置。首先以年费用最小为目标对储能系统的位置容量进行配置,采用的优化模型为上层优化模型(式(9)—(13)、(16)—(23));然后,根据储能的安装位置配置无线通信终端,并对通信网络的拓扑进行优化,采用的优化模型为下层优化模型(式(24)—(25))。

方案B：采用所提的物理系统与信息系统协同配置方法,对储能和通信网络进行协同配置。

两种方案的储能配置结果及各项费用如表2所示。表中两种方案配置的储能总容量接近,年投资费用分别为36932元和37987元,但是储能的安装位置却存在较大差异。方案A中,9个候选位置均安装储能;方案B中,9个候选位置中仅有7个位置安装储能。两种配置方案均能改善网损,年降损收益分别为4303元和4252元,可以看出方案A对于网损的改善比方案B更为显著。这是因为方案A所采用的分散度更高的储能布局有利于实现功率的就地平衡,降低线路中不必要的功率流动从而有利于降低网损。但是,采取分散度更高的储能布局也需要安装更多的无线终端以实现储能的分布式协调与控制,可以看到方案A的无线终端投资明显高于方案B。从总的年费用来看,方案B要优于方案A。因此,在配置储能的过程中,采用信息与物理系统协同配置的方法可以兼顾物理系统和信息系统的投资,从而获得更为经济的配置结果。

表2 两种方案的储能配置及费用

Tab. 2 ESS configuration and cost of the two schemes

4.3通信网络的拓扑及储能控制性能果

为了进一步比较通信网络的性能,增加方案C,方案C物理系统的配置结果与方案B相同,同时采用文献[12,14]方法对通信网络拓扑进行配置。

图9是3种配置方案所对应的通信网络拓扑图,图9中的数字代表储能安装的节点,连线代表不同节点间的通信连接和方向。从图9中可以看出,方案A中的通信网络拓扑最复杂,方案B的拓扑结构较为简单,方案C的拓扑结构最简单。方案A、B和C的通信路径的总长度分别为2650、1400、960 m。

图9 不同配置方案下的通信网络拓扑

Fig. 9 Communication topologies of different configuration schemes

为了衡量不同通信拓扑对储能控制性能的影响,采用两种功率扰动进行测试。

1)电压出现越上限情况,储能充电,如图10(a)(b)(c)所示。

2)电压出现越下限情况,储能放电,如图10(d)(e)(f)所示。

图10 不同方案下的储能控制性能

Fig. 10 Control performance of different configuration schemes

由于3种方案的通信拓扑均为强连通图,对于同一种电压越限情况,3种方案均能实现渐进收敛。但是分布式控制收敛速度却存在差异。在储能充电过程中,方案A、B和C分别需要迭代19、17和97次达到收敛,储能放电过程中,方案A、B和C分别需要迭代16、13和84次达到收敛。从收敛速度上可以看出,方案A和B的控制性能接近且明显优于方案C,说明通过对通信网络的拓扑进行优化能够有效的提升储能控制的性能。但是方案A的通信路径的总长度要明显的长于方案B,这可能会导致通信网络更高的能量损耗[15]。主要是因为方案A中无线终端的配置较多,为了使得储能分布式控制具有良好的性能,导致方案A的通信网络拓扑过于复杂,拓扑路径也更长。

从以上的分析中可以看出,信息与物理系统独立配置的方案也可能获得较好的储能控制性能,但是通信网络拓扑更为复杂,通信路径也更长。而信息与物理系统协同配置的方案可以利用更为简单且通信路径更短的方案达到相同的控制效果。同时,信息物理系统协同配置方案的经济性要明显好于信息物理系统独立配置方案。

为了验证所提储能分布式控制策略的有效性,以方案B的储能和通信网络配置结果为基础,进一步考察储能在一天内的电压控制效果,其中光伏出力和负荷采用图11所示的时间间隔为5 min的数据。控制结果如图12所示,在没有储能参与电压控制的情况下,由于负荷需求和光伏出力的峰值时刻不匹配,网络中出现了严重的过电压和欠电压问题,如图12(a)中所圈出的面积;而所提的控制策略有效的抑制了电压越限问题,如图12(b)所示。图12(c)是储能一天中SOC变化情况,由于将所有储能设备的SOC作为一致性变量,因此各储能SOC的变化完全一致。图12(d)是储能的充放电功率情况,可以看出,所提的储能充放电协调策略考虑了储能的调节能力,在同一个时刻容量越大的储能出力越大而容量越小的储能出力越小。