提升新能源消纳能力的集中式与分布式电池储能协同规划

提升新能源消纳能力的集中式与分布式电池储能协同规划

肖绍光

赤峰热电厂 内蒙古自治区赤峰市 024000

摘要：当前由于用户用电量较低，存在光伏电力无法就地消纳的问题，而储能系统消纳性能也具有缺陷，故提出面向新能源消纳的分布式光伏储能系统优化配置方法研究。以电网净收益为目标函数，构建分布式光伏储能系统优化配置模型，以此为基础，推出模型求解算法——SAPSO算法，计算光伏电网潮流变量，基于ＳSAPSO算法求解构建模型，算法输出结果即为分布式光伏储能系统优化配置结果。实验结果显示，光伏自消纳率与储能容量均能满足分布式光伏电力消纳需求，光伏电网整体效益得到增加，通过本文研究为分布式光伏发电技术发展.

关键词：微网；分布式新能源；储能系统；研究；设计

随着国家逐渐注重分布式能源与微网的发展，储能系统慢慢成为新能源开发的技术基地。其中，微电网分布式能源蓄能结构的关键是集成BMS+PCS9EMS技术。是由分布式能源储能结构、能源转换结构、相关电网负荷、保护设备汇集构成的小型发、配、蓄、输、送等用电结构。

1分布式光伏储能系统优化配置方法研究

1.1模型求解算法推出

此研究主要在新能源（光伏电力）消纳问题角度出发，对分布式光伏储能系统进行优化配置，以上述构建储能系统优化配置模型为基础，推出模型求解算法——sapso算法。sapso算法是在模拟退火算法的基础上，融合粒子最短时间内寻找到最优解。设定构建模型搜索空间维度为Ｎ，粒子种群为Ｘ，粒子数量为ｎ，其在搜索空间中的位置为Ｘｉ，也代表一个求解。将粒子位置代入构建模型中即可获得一个适应度，表示此解的优劣程度。依据上述过程进行迭代计算，在迭代过程中，粒子的速度与位置信息均会得到更新，直到最优解出现为止。为防止粒子群算法陷入局部最优情况，获得更加精准的解，融合模拟退火算法，在粒子群算法基础上添加了压缩因子β，能够极大地提升粒子群算法的收敛精度。

1.2光伏储能系统优化配置模型构建

分布式光伏储能系统优化配置主要思路为：结合光伏负荷用电情况，确定储能系统的充放电措施，将其纳入到光伏并网优化配置中，计算负荷出力的时序性，从而构建优化配置模型，求解模型获得24个时段对应的成本与收益，根据相似日天数计算整体总收益。当整体总收益达到最大值时，对应的储能系统配置数值为最佳状态。分布式光伏储能系统的充放电措施是影响优化配置的关键因子，主要措施如下：

（1）若光伏功率＞负荷功率，多余光伏功率输送到电网中；若光伏功率＜负荷功率，储能系统需要补足负荷需要的功率，呈现为放电模式；

（2）用电低谷期

若光伏功率＞负荷功率，多余光伏功率输送至储能系统，若储能系统未满，由电网补充；若光伏功率＜负荷功率，储能系统充电由电网负责；

（3）用电平稳期

若光伏功率＞负荷功率，多余光伏功率输送至电网中，如果还有剩余，对其进行舍弃处理；若反之，则储能系统无需充放电。为了合理配置分布式光伏储能系统，提升光伏消纳能力，此研究以电网净收益为目标函数，优化变量为光伏储能系统的安装容量，总收益包含分布式光伏发电的补贴收益与使用光伏电力的省电收益；总成本包含光伏系统年成本、光伏系统充电年费用与储能双向变流器。另外，还需要具备相应的约束条件，以促使模型的效果得以更好地发挥，例如，时段等式约束、时段机会约束、光伏自消纳率约束、光伏系统相关约束、光伏系统充放电功率约束等，由于篇幅的限制，不对约束条件进行详细阐述。

1.3优化配置模型求解流程

分布式光伏储能系统优化配置也会受到负荷出力概率分布情况的影响，因此在优化配置模型求解之前，需要计算配电网潮流变量，具体计算步骤如下：

（1）输入分布式光伏系统概率模型函数及其对应的参数数值，设置时段数量为Ｔ，对应的采样次数为Ｎ；

（2）利用ＬＨＳ技术对负荷输出变量进行处理，以此生成２４个时段的光伏与负荷时序样本矩阵Ｍ１；

（3）依据步骤二获得的荷时序数据对时段状态进行划分，分别为高峰时段、低谷时段与平时段；

（4）结合分布式光伏储能充样本矩阵Ｍ２；

（5）结合构建模型约束条件，对时序样本矩阵Ｍ２中的变量进行Ｎ次概率潮流计算；

（6）最终获得２４个时段的配电网潮流变量概率分布情况，例如电压、功率、电流等，输出变量概率分布数值。基于上述获得潮流变量概率分布数值，应用推出的SAPSO算法求解分布式光伏储能系统优化配置模型，具体求解步骤如下所示：

①输入潮流变量概率分布数值、分布式光伏系统、SAPSO算法参数等；

②基于STP 1输入参数，应用SAPSO算法对构建模型粒子种群进行初始化

③根据生成的初始粒子，结合光伏系统负荷数据，生成时序样本；

④结合储能系统充放电措施，获取时段ｔ内光伏系统的能量交换情况；

⑤对每个时段最优解对应的成本与收益进行计算；

⑥对时段进行判断，若ｔ大于２４，转至STP４；若ｔ小于或者等于２４，对规划期内的总成本与收益进行计算，最终输出目标函数数值。

综上所述，实现了分布式光伏储能系统的优化配置，提升了新能源消纳能力，也为分布式光伏技术的应用与发展提供了强大的动力。

2实验与结果分析

2.1实验准备

选取某城市分布式光伏电网作为研究对象，光伏装机容量为3000KＷ，负荷最大值为1600ｋＷ，节点电压范围为0.95－1.05Ｖ。构建光伏储能系统优化配置模型参数为：储能变流器效率为0.96，储能电池效率为0.96，储能电池寿命为3000次，光伏电价为0.5元／Ｗｈ，贴现率为0.04，相似日天数为240天。另外，SAPSO算法参数也是影响实验结果的关键因素。根据实验需求，设置合理的SAPSO算法参数，具体为：时段数为24个，迭代次数为100次，种群规模为２０，抽样数量为50次，学习因子为2.05，链长度为0.5。

2.2实验结果分析根据分布式光伏接入状况及其相关概率模型，对其负荷数据进行抽样，并对其平均值进行计算，形成负荷用电曲线.由实验数据可知，储能系统配置优化后，光伏自消纳率能够满足电网稳定运行的需求，同时还加大了光伏储能容量，提高了综合经济效益。

3结语

此研究从新能源消纳角度出发，研究了面向新能源消纳的分布式光伏储能系统优化配置，实现了分布式光伏储能系统的优化，极大地提升了光伏自消纳率与储能容量，从而增加了分布式光伏发电的整体经济效益，为分布式光伏技术的应用与发展提供动力，也为电网的稳定运行提供一定的保障与支撑。

参考文献

[1]杨子龙，宋振浩，潘静，等．分布式光伏／储能系统多运行模式协调控制策略[J]．中国电机工程学报，2019.39（８）：41－48.346．

[1]王月强，张文博，李卫彬，等．考虑储能并计及光伏随机性的分布式电源优化配置[J]．电测与仪表，2019，56（９）：91－96．