考慮網(wǎng)損及經(jīng)濟(jì)性的綜合源-儲(chǔ)優(yōu)化及電池容量設(shè)計(jì)

閆 瑾 劉丁瑋 羅日成 劉 鵬 馮 健 鄧華宇 鐘 焱

(1.長(zhǎng)沙理工大學(xué)電氣與信息工程學(xué)院,湖南省 長(zhǎng)沙市 410114;2.河北科技大學(xué)電氣與信息工程學(xué)院,河北省 石家莊市 050091)

0 引言

將儲(chǔ)能電池與風(fēng)電一同接入配電網(wǎng),可增加系統(tǒng)的穩(wěn)定性,有學(xué)者已經(jīng)對(duì)此進(jìn)行了研究。文獻(xiàn)[1]提出既考慮削峰填谷,又考慮平抑波動(dòng)的儲(chǔ)能容量配置策略,既可對(duì)風(fēng)電進(jìn)行削峰填谷,又可平抑波動(dòng),且該策略具有很好的經(jīng)濟(jì)性。而當(dāng)大規(guī)模風(fēng)電接入系統(tǒng)時(shí),需要采用大容量?jī)?chǔ)能電池來提高系統(tǒng)調(diào)峰能力,基于儲(chǔ)能恒功率充放電策略,建立一種關(guān)于儲(chǔ)能電站布點(diǎn)及容量?jī)?yōu)化的數(shù)學(xué)模型,并采用遺傳算法進(jìn)行優(yōu)化[2],但缺點(diǎn)是遺傳算法步驟復(fù)雜,且會(huì)出現(xiàn)早熟的情況。將儲(chǔ)能電池接入系統(tǒng)之前,需對(duì)儲(chǔ)能電池的種類進(jìn)行選擇,可通過分析不同類型的儲(chǔ)能電池在不同的控制方式下參與一次調(diào)頻的經(jīng)濟(jì)性,得出不同控制方式下適合的儲(chǔ)能電池類型[3]。儲(chǔ)能電池接入系統(tǒng)中時(shí),需對(duì)其引起的網(wǎng)損進(jìn)行計(jì)算。文獻(xiàn)[4]建立了一種簡(jiǎn)化的模型,采用雙層優(yōu)化方法對(duì)其求解,得到儲(chǔ)能電站的接入點(diǎn)位置在不同特性曲線下對(duì)網(wǎng)損的影響。此外,在儲(chǔ)能容量尋優(yōu)方面,很多學(xué)者也做了研究。文獻(xiàn)[5]建立了電池儲(chǔ)能系統(tǒng)(battery energy storage system,BESS)的可變經(jīng)濟(jì)使用壽命預(yù)測(cè)模型,以系統(tǒng)凈收益最大為目標(biāo),對(duì)電池儲(chǔ)能系統(tǒng)的容量配置進(jìn)行優(yōu)化,其缺點(diǎn)是目標(biāo)單一,得到的結(jié)果不夠理想。文獻(xiàn)[6]同時(shí)考慮儲(chǔ)能系統(tǒng)規(guī)劃和運(yùn)行,并運(yùn)用遺傳算法對(duì)此優(yōu)化模型進(jìn)行求解,其考慮的范圍較廣,但算法復(fù)雜。文獻(xiàn)[7]在對(duì)比分析滑動(dòng)平均法和最小二乘法濾波效果后,得到蓄電池的輸出功率,再根據(jù)功率曲線綜合考慮蓄電池投資成本和平滑效果優(yōu)化電池容量。文獻(xiàn)[8]基于不同類型電池特性提出了一套儲(chǔ)能配置方案,將鋰電池與液流電池相結(jié)合,構(gòu)造多目標(biāo)函數(shù),利用免疫算法進(jìn)行求解,得到儲(chǔ)能功率與容量的綜合配置方案,該方案考慮的因素較完整,但造價(jià)高,經(jīng)濟(jì)性差。文獻(xiàn)[9]綜合考慮儲(chǔ)能系統(tǒng)經(jīng)濟(jì)效益和功率優(yōu)化分配,建立了雙層優(yōu)化模型,采用模糊隸屬度函數(shù)來分析得到儲(chǔ)能系統(tǒng)的最優(yōu)容量。文獻(xiàn)[10]提出了分時(shí)電價(jià)下的充放電策略,構(gòu)建了微電網(wǎng)投資收益模型,以光伏利用率最大和凈利潤(rùn)最大為目標(biāo),采用改進(jìn)非劣排序遺傳算法II對(duì)模型進(jìn)行求解。文獻(xiàn)[11]提出了一種基于動(dòng)態(tài)規(guī)劃的多目標(biāo)優(yōu)化方法,考慮了經(jīng)濟(jì)性、可靠性等因素,并通過將多目標(biāo)問題轉(zhuǎn)換為單目標(biāo)問題來得到最優(yōu)策略,其優(yōu)點(diǎn)是化繁為簡(jiǎn),便于計(jì)算。文獻(xiàn)[12]采用魯棒優(yōu)化的方法對(duì)微電網(wǎng)中的儲(chǔ)能系統(tǒng)進(jìn)行優(yōu)化,主要考慮儲(chǔ)能系統(tǒng)的技術(shù)成本和性能。

在對(duì)儲(chǔ)能電池的種類進(jìn)行選擇時(shí),有不少學(xué)者選用了液流電池。文獻(xiàn)[13-14]對(duì)全釩液流電池(vanadium redox battery,VRB)進(jìn)行了建模及控制策略的研究,從控制系統(tǒng)的方面進(jìn)行了詳細(xì)的闡述。若不是僅僅考慮1種電源,而是對(duì)整個(gè)系統(tǒng)綜合考慮,可將系統(tǒng)整體搭建為1個(gè)模型。文獻(xiàn)[15-16]將儲(chǔ)能與風(fēng)電或水電共同搭建為1種混合儲(chǔ)能系統(tǒng),采用多級(jí)控制策略,再運(yùn)用相應(yīng)的方法對(duì)模型進(jìn)行求解。

為了解決分布式風(fēng)電負(fù)荷適應(yīng)度差、棄風(fēng)率較高等問題,將風(fēng)電、小水電與儲(chǔ)能電池同時(shí)接入配電網(wǎng),本文提出風(fēng)電和水電接入位置優(yōu)化和VRB接入位置與容量?jī)?yōu)化算法,采用IEEE 36系統(tǒng)對(duì)優(yōu)化算法進(jìn)行仿真研究。

1 風(fēng)電和水電接入位置選擇

功率為數(shù)kW 至50MW 的小型模塊式的獨(dú)立電源被稱為分布式電源。通常情況下,我國(guó)將分布式電源分為新能源分布式電源和小水電分布式電源,新能源分布式電源包括風(fēng)電、光伏發(fā)電等。將風(fēng)電與小水電接入系統(tǒng)中不同的PQ 節(jié)點(diǎn),根據(jù)式(1)可計(jì)算出系統(tǒng)整體的有功損耗[17-19]。當(dāng)系統(tǒng)的有功功率損耗最小時(shí),該接入節(jié)點(diǎn)則為風(fēng)電和水電最優(yōu)的接入位置。

式中:P為網(wǎng)絡(luò)損耗;Pi為支路i末端的有功功率;Qi為支路i末端的無功功率;Ui為支路i末端的電壓值;Ri為支路i的電阻值;N為支路總數(shù)。

風(fēng)、水電接入系統(tǒng)選址的目標(biāo)函數(shù)為

式中x為風(fēng)電和水電接入系統(tǒng)的節(jié)點(diǎn)變量。

2 儲(chǔ)能電池接入位置及容量選擇

在風(fēng)能、水能資源充足時(shí),儲(chǔ)能電池吸收多余的電能;當(dāng)系統(tǒng)負(fù)荷較大,風(fēng)電、水電發(fā)電量不足以供給居民使用時(shí),儲(chǔ)能電池釋放電能,填補(bǔ)缺額部分,以此來達(dá)到降低棄風(fēng)率的效果。

在風(fēng)電、水電接入系統(tǒng)位置確定后,根據(jù)網(wǎng)損計(jì)算公式,以網(wǎng)損最小為目標(biāo)確定VRB的安裝位置,然后通過PSASP軟件進(jìn)行驗(yàn)證。再以系統(tǒng)的總成本、棄風(fēng)量最優(yōu)為目標(biāo)函數(shù),利用層次分析法(analytic hierarchy process,AHP)得到2 種因子的權(quán)重,進(jìn)而得到總的目標(biāo)函數(shù)方程式。采用改進(jìn)的基于雜交的粒子群算法對(duì)目標(biāo)函數(shù)進(jìn)行求解,得到儲(chǔ)能電池的最優(yōu)容量。

2.1 VRB 最優(yōu)位置選擇

VRB可以通過充、放電來維持電網(wǎng)的穩(wěn)定運(yùn)行,同時(shí)通過消納多余的風(fēng)能來降低棄風(fēng)率,起到節(jié)約能源的作用。但將電池接入系統(tǒng)中時(shí),會(huì)引起一定的網(wǎng)損。本文根據(jù)電池接入不同的節(jié)點(diǎn)所引起的網(wǎng)損不同,將網(wǎng)損最小時(shí)VRB接入的位置作為最優(yōu)節(jié)點(diǎn)。儲(chǔ)能電池接入后引起的網(wǎng)絡(luò)損耗為

式中:WL(T)為T時(shí)段的網(wǎng)損量;Gij為節(jié)點(diǎn)i、j的互導(dǎo)納值;θij為節(jié)點(diǎn)i、j之間的電壓相角[18-19]。

2.2 多目標(biāo)函數(shù)優(yōu)化VRB 容量

2.2.1 構(gòu)建多目標(biāo)函數(shù)

(1) 經(jīng)濟(jì)性指標(biāo)。

總成本包括風(fēng)電站投資成本、水電站投資成本、儲(chǔ)能電池投資成本、棄風(fēng)成本以及售電利潤(rùn)。

一年中,不同季度的降雨量及產(chǎn)風(fēng)量均不同,本文根據(jù)隨機(jī)分布函數(shù)從每個(gè)季節(jié)選取5天,作為該季節(jié)的典型日。以下構(gòu)建的目標(biāo)函數(shù)中每個(gè)量均為換算至1個(gè)季度的值。

考慮經(jīng)濟(jì)性的目標(biāo)函數(shù)為

式中:Bpro為售電利潤(rùn),元;Caw為棄風(fēng)成本,元;CVRB為儲(chǔ)能電池投資成本,元;Cw為風(fēng)電場(chǎng)投資成本,元;Cs為水電場(chǎng)投資成本,元。

(2) 棄風(fēng)量。

風(fēng)電具有隨機(jī)性的特點(diǎn),當(dāng)風(fēng)電場(chǎng)所在地區(qū)產(chǎn)風(fēng)量大時(shí),負(fù)荷需求沒有那么大,就會(huì)導(dǎo)致多余的風(fēng)能未能被利用,這會(huì)造成很大的能源浪費(fèi)?？紤]棄風(fēng)量的目標(biāo)函數(shù)為

式中Paw為棄風(fēng)量。

(3) 多目標(biāo)優(yōu)化模型。

本文同時(shí)考慮總成本和棄風(fēng)量這2個(gè)因素,以其綜合值最小構(gòu)建目標(biāo)函數(shù)。利用AHP來確定這2個(gè)因素對(duì)應(yīng)的權(quán)重值[20-22],將其分別乘以對(duì)應(yīng)的權(quán)重,然后再相加,得到總的目標(biāo)函數(shù)。利用改進(jìn)的粒子群算法對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化[23],即可得到VRB的最優(yōu)容量。

多目標(biāo)函數(shù)為

式中:w1為目標(biāo)f1的權(quán)重值;w2為目標(biāo)f2的權(quán)重值,且有w1+w2=1。

2.2.2 目標(biāo)函數(shù)約束條件

(1) 儲(chǔ)能電池的荷電狀態(tài)(state of charge,SOC)限制。

SOC代表電池的荷電狀態(tài),當(dāng)儲(chǔ)能電池的SOC值小于0.2時(shí),電池處于過放狀態(tài),而當(dāng)SOC 值大于0.9時(shí),電池處于過充狀態(tài)。若電池的過充過放次數(shù)較多,則會(huì)對(duì)電池造成很大的傷害,極大地影響電池的壽命。所以,為了保證電池的使用安全及不縮短電池的壽命,在電池的充放電過程中,電池的SOC值要控制在0.2～0.9。

(2) 系統(tǒng)功率平衡。

系統(tǒng)內(nèi)各元件所消耗的總有功功率Ploss與各個(gè)節(jié)點(diǎn)注入的有功功率P(i)之和要等于電網(wǎng)輸入的功率Pin與發(fā)電機(jī)發(fā)出的有功功率Pgen(j)的總和,即

式中:p為節(jié)點(diǎn)個(gè)數(shù);q為發(fā)電機(jī)的總數(shù)。

(3) VRB的充放電次數(shù)限制。

儲(chǔ)能電池的充放電次數(shù)與電池的壽命息息相關(guān)。當(dāng)充放電次數(shù)過多時(shí),電池的壽命會(huì)大大縮短。因此,為了延長(zhǎng)電池的壽命,要控制電池的充放電次數(shù)。當(dāng)負(fù)荷較大時(shí),超過風(fēng)、水聯(lián)合可發(fā)電量的80%時(shí),電池才開始放電;當(dāng)負(fù)荷較小且棄風(fēng)量較大時(shí),電池才開始充電,并且充放電時(shí)要滿足儲(chǔ)能電池的SOC 值限制。通過分析符合條件的某地區(qū)的大量出力數(shù)據(jù),可得出將電池平均每天的充放電次數(shù)控制在4次左右的結(jié)論。

2.2.3 層次分析法

AHP的基本思想是將某個(gè)復(fù)雜的問題分解化,并將分解得到的元素按支配關(guān)系分組,形成一個(gè)遞階層次結(jié)構(gòu)。然后通過兩兩比較的方法來確定層次中因素的相對(duì)關(guān)系。AHP包括單層次分析法和多層次分析法。單層次結(jié)構(gòu)模型包括目標(biāo)、目標(biāo)包含的多個(gè)因素以及決策者。而多層次分析法則需要建立遞階層次結(jié)構(gòu),并計(jì)算各層次上元素的權(quán)重值,其計(jì)算步驟較復(fù)雜。因?yàn)楸疚臉?gòu)造的多目標(biāo)函數(shù)只包括2個(gè)因素,且不包含方案層,所以只需采用單層次分析法即可。

(1) 構(gòu)建判斷矩陣。

判斷矩陣(aij)n×n,aij代表因素i對(duì)因素j的相對(duì)重要性,其值可為1、3、5、7、9。若值為1,表示因素i、j重要性相當(dāng);若值為3,表示因素i、j的重要性相差不大;若值為5,表示因素i比因素j明顯重要;若值為7,表示因素i比因素j的重要性強(qiáng)很多;若值為9,表示因素j的重要性很弱。

判斷矩陣有以下幾個(gè)特點(diǎn):

(2) 計(jì)算各元素的相對(duì)重要性。

當(dāng)判斷矩陣建立之后,首先計(jì)算判斷矩陣的最大特征根λmax,然后計(jì)算得到其對(duì)應(yīng)的特征向量并進(jìn)行歸一化處理。最終得到的向量W即為對(duì)應(yīng)評(píng)價(jià)單元的權(quán)重向量。

(3) 判斷矩陣的一致性檢驗(yàn)。

判斷矩陣的一致性有以下3個(gè)步驟。1) 計(jì)算一致性指標(biāo)。

式中n為判斷矩陣的階數(shù)。

2) 計(jì)算平均隨機(jī)一致性指標(biāo)。

對(duì)隨機(jī)判斷矩陣進(jìn)行多次重復(fù)的計(jì)算,得到對(duì)應(yīng)的特征值,再取算術(shù)平均數(shù),即可得到平均隨機(jī)一致性指標(biāo)λRI。

3) 計(jì)算一致性比例。

當(dāng)λCR＜0.1時(shí),認(rèn)為判斷矩陣具有一致性。

2.2.4 基于雜交的粒子群算法優(yōu)化

若采用傳統(tǒng)的粒子群算法對(duì)上述構(gòu)造的多目標(biāo)函數(shù)進(jìn)行優(yōu)化,雖然步驟簡(jiǎn)單,但是具有容易陷入局部最優(yōu)點(diǎn)的缺點(diǎn)。本文將遺傳算法中的雜交機(jī)制加入到粒子群算法中,形成改進(jìn)的粒子群算法。其原理為:粒子在每次迭代中,根據(jù)雜交概率選取指定數(shù)目的粒子放入雜交池當(dāng)中,雜交池中的粒子隨機(jī)兩兩雜交,產(chǎn)生相同數(shù)目的子代,并用子代替換親代。改進(jìn)的粒子群算法能夠在一定程度上避免在搜索過程中陷入局部最優(yōu)解。該方法計(jì)算步驟如圖1所示。

圖1 改進(jìn)的粒子群算法流程Fig .1 Improved particle swarm optimization process

更新子代的位置x和速度v的公式為

式中:r為取值0～1 的隨機(jī)數(shù);p1為父代;p2為母代。

本文算法對(duì)學(xué)習(xí)因子的計(jì)算也進(jìn)行了改進(jìn)。在常規(guī)粒子群算法中,學(xué)習(xí)因子是設(shè)定好的值,而本文將異步變化的學(xué)習(xí)因子引入,使得該算法在優(yōu)化的初始階段,粒子向最優(yōu)值運(yùn)動(dòng)的速度較快,可以更快地接近最優(yōu)值;在優(yōu)化的后期,粒子的速度變慢,在最優(yōu)值附近進(jìn)行搜索,更準(zhǔn)確地找到最優(yōu)值。

學(xué)習(xí)因子的計(jì)算公式為

式中:α1(0)為學(xué)習(xí)因子α1的初始值;α1(tmax)為學(xué)習(xí)因子α1的迭代值;α2(0)為學(xué)習(xí)因子α2的初始值;α2(tmax)為學(xué)習(xí)因子α2的迭代值的迭代值。

3 算例分析

以IEEE 36 節(jié)點(diǎn)系統(tǒng)為例,將遼寧某地區(qū)的2020年實(shí)際風(fēng)電場(chǎng)、水電場(chǎng)的數(shù)據(jù)導(dǎo)入系統(tǒng),依據(jù)式(1)計(jì)算出風(fēng)電和水電的最優(yōu)接入位置。系統(tǒng)接線圖如圖2 所示。該地區(qū)有3 個(gè)完全相同的風(fēng)機(jī)(額定功率為50MW、額定容量為63MV·A、功率因數(shù)為0.7)和1個(gè)小水電(額定容量為50MV·A、額定功率為50MW)。首先計(jì)算各個(gè)節(jié)點(diǎn)的運(yùn)算功率,然后得到全網(wǎng)各個(gè)支路的功率分布,進(jìn)而得到各節(jié)點(diǎn)電壓,最后利用得到的各節(jié)點(diǎn)電壓修正PV節(jié)點(diǎn)電壓,再通過收斂標(biāo)準(zhǔn)來判斷收斂與否。收斂標(biāo)準(zhǔn)為

圖2 IEEE 36節(jié)點(diǎn)系統(tǒng)接線圖Fig.2 IEEE 36-node system wiring diagram

式中:ε1取值為0.00001;ΔPi和ΔQi分別為

式中:Pis、Qis分別為平衡節(jié)點(diǎn)的有功功率和無功功率。

用PSASP軟件搭建IEEE 36節(jié)點(diǎn)模型(如圖2所示),將3個(gè)風(fēng)電和1個(gè)水電以電源的形式分別接入節(jié)點(diǎn)2、4、5及23,并用網(wǎng)損分析模塊對(duì)系統(tǒng)進(jìn)行網(wǎng)損分析。再將風(fēng)電和水電接入其他節(jié)點(diǎn),在保證系統(tǒng)處于收斂狀態(tài)下,用網(wǎng)損分析模塊對(duì)系統(tǒng)進(jìn)行網(wǎng)損分析,得到不同情況下的系統(tǒng)網(wǎng)損量。將幾種不同接入方案得到的線路總有功損耗相比較,結(jié)果如表1所示。

表1 不同接入方案的網(wǎng)損結(jié)果對(duì)比Table 1 Comparison of network loss results of different access schemes

從表1可看出,當(dāng)采用方案1(即將風(fēng)電和水電分別接入節(jié)點(diǎn)2、4、5、23)時(shí),系統(tǒng)總的有功損耗最小,達(dá)到最優(yōu)。當(dāng)風(fēng)電和水電作為電源接入系統(tǒng)時(shí),風(fēng)力發(fā)電機(jī)為異步發(fā)電機(jī),吸收無功功率,發(fā)出有功功率,其節(jié)點(diǎn)功率不會(huì)隨電壓和頻率的變化而變化,系統(tǒng)的無功損耗會(huì)增加,因此風(fēng)電機(jī)組接入的節(jié)點(diǎn)相當(dāng)于PQ 節(jié)點(diǎn)。

從表2的網(wǎng)損計(jì)算的結(jié)果可以看出,當(dāng)風(fēng)電和水電接入系統(tǒng)后,系統(tǒng)各線路總的輸送有功功率值變小,而總的輸送無功功率值變大;系統(tǒng)吸收的無功功率值變大,而系統(tǒng)總的有功損耗值變小。當(dāng)無功損耗增加時(shí),相當(dāng)于對(duì)系統(tǒng)進(jìn)行補(bǔ)償,此時(shí)為了達(dá)到平衡,系統(tǒng)的有功損耗就會(huì)下降。

表2 線路損耗結(jié)果Table 2 Line loss results

用Matlab軟件搭建同樣的節(jié)點(diǎn)模型,采用探針去測(cè)各節(jié)點(diǎn)在接入風(fēng)電和水電前、后的電壓幅值、電壓相角、有功和無功,從而得到節(jié)點(diǎn)的電壓偏移,結(jié)果如表3所示。

表3 不同方案下的各個(gè)接入節(jié)點(diǎn)電壓偏移率Table 3 Voltage offset ratios of each access node under different schemes

從表3可看出:方案1的節(jié)點(diǎn)電壓偏移率在總體上是3個(gè)方案中最低的,證明該種方案的電壓穩(wěn)定性最好。故綜合以上,選用方案1作為分布式電源接入系統(tǒng)的方式。

以網(wǎng)損最小來確定儲(chǔ)能電池的接入位置時(shí),得到的結(jié)果如圖3所示。

圖3 VRB接入不同節(jié)點(diǎn)時(shí)引起的有功損耗Fig.3 Active power loss caused by VRB access to different nodes

將VRB 接入系統(tǒng)中時(shí),考慮到系統(tǒng)需收斂的問題,只對(duì)可允許儲(chǔ)能電池接入的節(jié)點(diǎn)進(jìn)行比較。由圖3可知,當(dāng)VRB接入節(jié)點(diǎn)14的時(shí)候,對(duì)系統(tǒng)造成的有功損耗最小,為92.11kW。

根據(jù)風(fēng)電的典型日的發(fā)電數(shù)據(jù),將其擬合成函數(shù),得到典型日的風(fēng)電發(fā)電量與時(shí)間的函數(shù)關(guān)系。同理,可得到總生產(chǎn)量、總消耗量以及棄風(fēng)量與時(shí)間的函數(shù)關(guān)系,進(jìn)而可得到f1和f2。

運(yùn)用AHP計(jì)算可得到權(quán)重w1、w2分別為0.75、0.25,再對(duì)判斷矩陣進(jìn)行一致性檢驗(yàn),其一致性比例小于0.1,一致性可以接受。

運(yùn)用Matlab編寫程序,采用改進(jìn)的粒子群算法對(duì)函數(shù)f3進(jìn)行優(yōu)化,得到粒子初始分布圖及粒子最優(yōu)值。

首先,根據(jù)春季典型日的風(fēng)電、水電等數(shù)據(jù),得到f3,再用基于雜交的粒子群算法對(duì)函數(shù)進(jìn)行優(yōu)化,可得到圖4的結(jié)果。

圖4 春季典型日優(yōu)化結(jié)果Fig.4 Optimization results of typical days in spring

由圖4 可得:在春季,VRB 的容量為75.5429MW·h,取整數(shù)為76MW·h。

同理,可分別得到夏季、秋季和冬季典型日的函數(shù)f3,然后用同樣的粒子群算法依次對(duì)其進(jìn)行優(yōu)化,結(jié)果如圖5—7所示。

由圖5 可得:在夏季,VRB 的最優(yōu)容量為64.322MW·h,取整數(shù)為65MW·h。

由圖6 可得:在秋季,VRB 的最優(yōu)容量為54.6771MW·h,取整數(shù)為55MW·h。

圖6 秋季典型日優(yōu)化結(jié)果Fig.6 Optimization results of typical days in autumn

由圖7 可得:在冬季,VRB 的最優(yōu)容量為65.2897MW·h,取整數(shù)為66MW·h。

圖7 冬季典型日優(yōu)化結(jié)果圖Fig.7 Optimization results of typical days in winter

接入VRB的目的是為了在系統(tǒng)中負(fù)荷需求較大,且風(fēng)電和水電供電無法滿足用戶需求時(shí),VRB承擔(dān)提供缺額電量的任務(wù);而當(dāng)負(fù)荷需求較小,且產(chǎn)風(fēng)量較大時(shí),VRB吸收多余的風(fēng)電,減少棄風(fēng)量。故VRB的容量大小需同時(shí)滿足各個(gè)季度對(duì)儲(chǔ)能電池的容量需求。根據(jù)優(yōu)化結(jié)果可知,在該系統(tǒng)中,春季對(duì)于VRB 的容量需求最大,為76MW·h,因此,最終確定的VRB容量為76MW·h。

分別計(jì)算了VRB 接入前后的棄風(fēng)量,結(jié)果如圖8所示。從圖8可以看出,當(dāng)系統(tǒng)接入VRB 后,各季節(jié)的棄風(fēng)量明顯減少。

圖8 接入VRB前后棄風(fēng)量對(duì)比Fig.8 Comparison of wind abandon before and after VRB connection

當(dāng)VRB未接入時(shí),該系統(tǒng)2020年的棄風(fēng)量為86.43213GW,而VRB接入后,全年的棄風(fēng)量減少至59.26518GW,棄風(fēng)率減少了31.432%,部分多余的風(fēng)能被二次利用,極大地降低了能源損失。

4 結(jié)論

(1) 風(fēng)電-水電及儲(chǔ)能電池共同接入配電網(wǎng)中時(shí),通過風(fēng)電、水電的互補(bǔ)以及VRB 的配合,可使風(fēng)電場(chǎng)的棄風(fēng)率大大降低,在一定程度上節(jié)約了風(fēng)力資源。本文提出的方法,可使得全年的棄風(fēng)率降低31.432%,使得綠色資源得到更加充分的利用;同時(shí),合理選擇各電源的接入節(jié)點(diǎn)位置,可使得網(wǎng)絡(luò)損耗最小,滿足經(jīng)濟(jì)性。

(2) VRB 具有安全性能高、壽命長(zhǎng)等優(yōu)點(diǎn),但其造價(jià)高,且一般情況下,容量越大價(jià)格越貴。通過對(duì)VRB容量的尋優(yōu),可找到最合適且最經(jīng)濟(jì)的接入容量選擇,既能滿足系統(tǒng)需求,又能使得成本達(dá)到最低。同時(shí)為滿足全年的容量需求,本文取4個(gè)季節(jié)分別進(jìn)行分析,得出VRB的最優(yōu)容量為76MW·h。