考虑充电次数约束与光伏出力曲线包络线的储能控制策略

考虑充电次数约束与光伏出力曲线包络线的储能控制策略马静;沈玉明;刘青;周静姝
【摘要】为缓解光伏发电并网给电力系统带来的调峰压力,提高电力系统供电质量,基于光伏发电出力曲线,首先计算满足充电次数约束的功率阈值,然后采用3次样条插值算法和单调分段3次多项式插值法获得光伏出力曲线的包络线,最后综合光伏发电削峰控制和波动平抑控制,提出一种考虑充电次数约束和光伏出力曲线包络线的储能控制策略.该储能控制策略在考虑储能装置寿命的条件下,对光伏发电输出功率进行削峰与补偿,改善了光伏发电的出力特性.算例表明,所提储能控制策略明显减小了光伏出力曲线的越限幅值总和及波动越限概率,提高了电网运行的安全性和可靠性.同时,根据储能装置充放电曲线,能够获得光伏发电对储能容量的需求,这为储能装置的容量优化配置提供了理论支持.
【期刊名称】《广东电力》
【年(卷),期】2018(031)007
【总页数】6页(P36-41)
【关键词】储能控制策略;光伏发电;削峰;波动平抑;包络线
【作者】马静;沈玉明;刘青;周静姝
【作者单位】国网安徽省电力公司经济技术研究院,安徽合肥 230022;国网安徽省电力公司经济技术研究院,安徽合肥 230022;国网安徽省电力公司经济技术研究院,安徽合肥 230022;国网安徽省电力公司经济技术研究院,安徽合肥 230022
【正文语种】中文
【中图分类】TM615.2
近年来，世界范围内不可再生能源日益枯竭，环境污染问题日益严重，在能源危机与环境污染的双重压力下，以光伏(photovoltaic，PV)发电为代表的可再生能源推动着电源侧结构改善，带来了显著的社会效益。

但大量PV发电接入电网后，其不可控特性将加剧系统调峰压力，出力波动影响着输电质量，这对电力系统的灵活调节能力提出了更高的要求[1-3]。

储能作为现代能源系统的重要环节，是智能电网的关键支撑技术之一，在提高电网运行安全性、可靠性及灵活性方面发挥了重要作用[4-5]。

因此，利用储能装置对PV发电进行削峰和波动平抑，能够改善PV发电的出力特性，缓解PV发电并网给电力系统带来的调峰压力，提高电力系统的稳定性和可靠性[6-8]。

现阶段国内外已对PV-储能系统做了大量研究，其中文献[9-10]根据PV-储能联合运行的特点，考虑运行过程中储能能量的动态变化过程，提出PV、储能容量的联合配置方法。

文献[11]考虑系统运行约束、储能系统运行约束和容量配置约束，从全天关口电量以及储能配置容量两方面构建光储联合系统储能容量匹配多目标优化模型。

文献[12]兼顾技术性和经济性，提出一种储能与正常调峰、深度调峰、投油调峰和启停调峰等常规手段优化组合调峰的实用方法。

华北电力大学学者提出了考虑峰谷分时电价的储能充放电策略及微电网优化运行策略[13-14]。

文献[15]提出一种采用飞轮储能系统辅助储能的PV发电方案，并设计了分段稳定直流母线电压的控制策略。

本文立足于PV发电出力的随机特性，在分析PV发电削峰控制和波动平抑控制的基础上，提出一种考虑充电次数约束和PV出力曲线包络线的储能控制策略制定方法。

该方法能够根据PV发电出力曲线制订相应的储能控制策略，缓解PV发电并网给电力系统带来的调峰压力，平滑PV发电出力；并且根据波动越限幅值总和与
波动越限概率两个指标，比较算例采用储能控制策略前后的出力特性。

相关结果验证了本文所提控制策略的有效性。

1 考虑充电次数约束的PV发电削峰控制
根据安徽某PV电站提供的数据进行拟合，图1所示为4种具有代表性的天气条件下的PV出力情况。

其中天晴时PV发电出力较大且高峰出力持续时间长；天气由晴转阴时PV发电出力急剧减小且出现明显波动，当再次放晴时PV发电出力恢复正常；而阴天和雨天的PV发电出力波动幅度小但频繁，且雨天出力更低。

因此，需根据不同的PV发电出力曲线，制订相应的储能装置充电决策条件，以进行适当削峰储能，平抑PV波动。

图中PV出力均为标幺值。

图1 4种PV发电出力曲线Fig. 1 Four kinds of output curves of PV generation
图2为利用储能装置进行PV发电削峰控制的原理图，其中Pmax为设定的功率阈值，当PV发电出力大于该值时储能装置开始充电，低于该值时停止充电。

将PV
发电出力高于Pmax的部分定义为削峰区域，该区域存储电能；低于Pmax的部
分为保留区域，该区域电能于波形平抑后输出。

PV削峰需确定Pmax的取值范围，范围过小会使储能装置无法支持波动平抑的电量需求，而范围过大则会加大储能容量，从而增加储能装置成本。

为较好地平衡电量需求与储能容量，以图1(a)中天
晴时的PV发电出力曲线为例，分析不同削峰范围下的储能容量需求，结果如图3所示，图3中的Se为PV发电需配置的最低储能容量。

图2 PV发电削峰原理Fig. 2 Peak clipping principle for PV generation
图3 不同削峰范围下储能容量需求Fig. 3 Energy storage capacity demand within different peak clipping ranges
由图3可知，当Pmax为90%时，Se为0.247(标幺值，以下同)；当Pmax下降
至80%，Se上升到0.7。

由此可知，Pmax由90%降至80%，Se需求提高了
2.83倍，若继续降低Pmax，Se需求将加速增加。

因此，在当前储能价格仍较高的情况下，Pmax不宜过低。

同时为保证波动平抑的电量需求，Pmax不宜过高。

根据文献[16]中基于动态规划的电池储能系统削峰填谷实时优化仿真和试验结果，本文设定Pmax的取值范围为
0.8PN<Pmax<0.9PN.
(1)
式中PN为PV发电的额定功率。

考虑到储能装置充电启停对其寿命的影响，设定一天内储能装置充电次数Nb满足如下关系
1≤Nb≤2.
(2)
储能装置充电次数由PV发电出力曲线和Pmax共同决定。

设PV发电出力曲线由m个采样点组成，每个采样点功率为Pi(i=1,2,…,m)，则当所设定的功率阈值为Px时，储能装置的充电次数Nb为
(3)
其中
(4)
根据PV发电出力的最大值Ppv,max，将PV发电出力曲线分为3类，然后按类别计算同时满足式(1)和式(2)的Pmax和功率波动平抑的最大值Pe。

当Ppv,max≤0.8PN时，PV发电出力较低，无需削峰，取Pe= Ppv,max作为波动平抑的最大值。

当0.8PN< Ppv,max<0.9PN时，根据PV发电出力曲线，得到满足(0.8PN, Ppv,max]且由大到小的采样点功率Pi的集合，并依次计算Px=Pi时的充电次数Nb，直至满足式(2)，获得Pmax=Px，并取Pe=Pmax作为波动平抑
的最大值；若在采样点功率集合中没有满足充电次数要求的Px，则无需削峰，并取Pe= Ppv,max作为波动平抑的最大值。

当Ppv,max≥0.9PN时，根据PV发电出力曲线，得到满足(0.8PN,0.9PN)且由大到小的Pi集合，同样依次计算Px=Pi 时的充电次数Nb，得到满足式(2)的Px作为Pmax和波动平抑的最大值Pe；若没有满足充电次数要求的Px，则无需削峰，取Pe= Ppv,max作为波动平抑的最大值。

通过以上分析，可将不同PV发电出力曲线分为需削峰与无需削峰两种类型，对于需削峰的PV发电出力曲线，其储能装置充电决策条件及充电功率Pc分别表示为Pi>Pmax，
(5)
Pc=Pi-Pmax.
(6)
2 考虑PV出力曲线包络线的波动平抑控制
为改善PV发电输出功率的波动，根据其出力曲线的包络线，利用储能装置对输出功率进行补偿，从而平滑PV发电出力。

图4分别为不削峰和削峰两种情况下的PV出力曲线波动平抑原理图，其中虚线为出力曲线的包络线，包络线与出力曲线间的区域为波动平抑区域。

其中不需要削峰的PV发电出力曲线可直接求取其包络线，如图4(a)所示；而对于需要进行削峰处理的出力曲线则将原始出力曲线高于Pe的部分截去，保留Pe以下的部分，再求取其包络线，并利用储能装置将削峰区域的电能转移到波动平抑区域进行补偿，从而得到与包络线重合的PV发电输出曲线，如图4(b)所示。

图中PV出力均为标幺值。

图4 光伏发电波动平抑原理Fig. 4 Fluctuation stabilization principle for PV generation
3次样条插值算法(cubic spline interpolation, CSI)是常见的包络线拟合算法，能
够保证良好的平滑性。

采用CSI可获得PV发电出力曲线的初始包络线，但PV发电易受环境影响，出力曲线上相邻极值点间变化较大且分布不均，易出现欠冲现象，而波动平抑要求包络线能够完全包住信号。

因此在初始包络线的基础上，采用单调分段3次多项式插值对欠冲区间进行补偿[17]，具体步骤如下。

首先，根据CSI获得初始包络线h0(t)和原始曲线s(t)，得到二者的差曲线
q(t)=s(t)-h0(t).
(7)
然后根据q(t)，采用单调分段3次多项式插值法拟合出连接所有极大值的包络线
h1(t)，利用h1(t)对初始包络线h0(t)进行补偿，得到改进的包络线
h(t)=h0(t)+h1(t).
(8)
由于h1(t)具有一阶导数连续性和每段相邻插值点间的单调性，该曲线对初始包络
线的补偿能够使非欠冲区间继续保持非欠冲特点，并使欠冲区间转变为非欠冲区间，使改进包络线不再含有欠冲区间，且满足改进包络线h(t)与原始曲线s(t)的差曲线
w(t)恒大于0，即
w(t)=h(t)-s(t)≥0.
(9)
最后，利用储能装置对w(t)进行补偿，实现PV发电波动的平抑控制。

3 考虑充电次数约束和PV出力曲线包络线的储能控制策略
储能装置控制策略流程如图5所示，其中控制策略分为削峰控制和波动平抑控制
两个部分，均以PV出力曲线为基础制订。

图5 储能装置控制策略流程Fig. 5 Flowchart of control strategy for energy storage device
由图5可知，在制定储能装置的控制策略时，需根据天气情况预测下一日的PV发
电出力曲线即原始曲线s(t)，并获得最大出力Ppv,max，以此制订削峰控制策略，即根据功率阈值Pmax的取值范围和充电次数判断是否需要进行削峰。

若需削峰，则求出Pmax，并取Pe=Pmax作为波动平抑的最大值；若无需削峰，则取最大出力Ppv,max作为波动平抑的最大值Pe。

然后制订波动平抑控制策略，即依据Pe
得到削峰后的出力曲线，采用CSI和单调分段3次多项式插值法得到不含欠冲区
间的出力曲线包络线。

最后根据Pmax和出力曲线包络线得到基于PV出力曲线的储能控制策略。

4 算例分析
本文以某100 kV·A光储联合系统为例，基于该PV电场的天气数据，针对图1中
4种典型PV发电出力类型，分别制订相应的削峰与波动平抑策略。

为更具体说明PV削峰与波动平抑的效果，将描述PV发电出力曲线变化的2个指标分别定义为
波动越限幅值总和ΔS和波动越限概率K。

ΔS为整个运行周期内相邻采样时刻功
率波动超过目标波动率的差值之和，计算公式为
(10)
其中
(11)
式中ΔP为目标波动率。

K指整个运行期内相邻时刻功率波动超过目标波动率的时间占总时间的比例，计算公式为
(12)
其中
(13)
根据各典型PV发电出力曲线，计算原始出力曲线和储能装置控制策略下的ΔS和K，对比结果见表1。

表1 越限幅值总和和波动越限概率对比结果Tab.1 Comparison results of the sum of over voltages and probability of fluctuation
天气原始出力曲线ΔS(标幺值)K/%储能装置控制策略ΔS(标幺值)K/%晴
1.1324.80.0080.51晴转阴转晴
2.5615.30.0060.39阴0.9630.60.0141.27雨
0.6519.40.0232.54
从表1可以看出，原始出力曲线的ΔS和K较大，其中，ΔS高达2.56，K的范围为15.3%～30.6%。

并且ΔS和K与天气情况有关，晴转阴转晴天气下的PV出力曲线ΔS较大，这是由于天气变阴时出力剧烈减小使得越限幅值增大；同时，PV
出力易受云层运动的影响，因此阴天的K较大。

本文所提储能装置控制策略明显
减小了ΔS和K，具有良好削峰和平滑效果。

根据该PV电场一年内的天气数据，制订此一年内储能装置控制策略，得到储电量一年内的变化情况如图6所示，其中7月时储电量达到最大值1.5(标幺值)，该值
即为PV电场的储能容量需求。

以电池储能为例，按3 000元/(kW·h)的单价进行
计算，该光储联合系统的储能投资为45万元。

考虑到实际应用价值，若储能装置投资成本有限，可考虑降低储能装置配置容量，在储能装置充电达到其容量上限时，停止PV出力曲线的削峰处理。

图6 一年内储电量变化情况Fig. 6 Change of storage capacity within one year 5 结束语
为PV发电配置快速响应的储能装置，能够有效实现出力曲线的削峰和波动平抑，对稳定和平滑PV出力具有重要意义。

本文提出一种考虑充电次数约束和PV出力
曲线包络线的储能控制策略，可根据预测的PV发电出力曲线，制订储能装置控制策略，保证PV发电输出功率的平滑与稳定。

通过比较算例原始出力曲线和储能装置控制策略下出力曲线的波动越限幅值总和与波动越限概率，验证了所提控制策略的有效性，也说明了具有随机出力特性的PV发电更适合与储能装置联合运行。

同时，根据储能装置的控制策略绘制出其储电量变化曲线，从而得到PV发电储能容量需求，为进一步开展PV发电储能装置的容量优化配置提供了理论基础。

参考文献：
【相关文献】
[1] 舒印彪，张智刚，郭建波，等. 新能源消纳关键因素分析及解决措施研究[J]. 中国电机工程学报，2017，37(1)：1-8.
SHU Yinbiao，ZHANG Zhigang，GUO Jianbo，et al. Study on key factors and solution of renewable energy accommodation[J]. Proceedings of the CSEE，2017，37(1)：1-8.
[2] 鲁宗相，李海波，乔颖.高比例可再生能源并网的电力系统灵活性评价与平衡机理[J]. 中国电机
工程学报，2017，37(1)：9-19.
LU Zongxiang，LI Haibo，QIAO Ying. Flexibility evaluation and supply/demand balance principle of power system with high-penetration renewable electricity[J]. Proceedings of the CSEE，2017，37(1)：9-19.
[3] 程志江, 李永东, 谢永流,等. 带超级电容的光伏发电微网系统混合储能控制策略[J]. 电网技术, 2015, 39(10):2739-2745.
CHENG Zhijiang, LI Yongdong, XIE Yongliu, et al. Control strategy for hybrid energy storage of photovoltaic generation microgrid system with super capacitor [J]. Power System Technology, 2015, 39(10): 2739-2745.
[4] 李建林，田立亭，来小康. 能源互联网背景下的电力储能技术展望[J]. 电力系统自动化，2015，39(23)：15-25.
LI Jianlin，TIAN Liting，LAI Xiaokang. Outlook of electrical energy storage technologies under energy internet background[J]. Automation of Electric Power Systems，2015，
39(23)：15-25.
[5] 邬明亮, 戴朝华, 邓惠文,等. 基于单体光伏/单体储能电池模组的新型光伏储能发电系统[J]. 电力
系统保护与控制, 2017, 45(3):56-61.
WU Mingliang, DAI Zhaohua, DENG Huiwen, et al. A novel PV energy storage generating system based on single PV cell/single energy storage cell module[J]. Power System Protection and Control, 2017, 45(3) : 56-61.
[6] 李欣然,黄际元,陈远扬,等.大规模储能电源参与电网调频研究综述[J].电力系统保护与控
制,2016,44(7):145-153.
LI Xinran,HUANG Jiyuan,CHEN Yuanyang,et al.Review on large-scale involvement of energy storage in power grid fast frequency regulation[J].Power System Protection and Control,2016,44(7):145-153.
[7] 张惠生，赵兴勇，王凯武，等. 基于风光互补微电网的复合储能控制策略[J]. 广东电力，2017，30(2)：48-53，96.
ZHANG Huisheng, ZHAO Xingyong, WANG Kaiwu,et al. Control strategy for hybrid energy storage based on wind/photovoltaic complementary micro-grid system[J].Guangdong Electric Power，2017，30(2)：48-53,96.
[8] FENG L, ZHANG J, LI G, et al. Cost reduction of a hybrid energy storage system considering correlation between wind and PV power[J]. Protection & Control of Modern Power Systems, 2016(1):11.
[9] 吴小刚，刘宗歧，田立亭，等. 独立光伏系统光储容量优化配置方法[J]. 电网技术，2014，
38(5)：1271-1276.
WU Xiaogang, LIU Zongqi, TIAN Liting. Optimized capacity configuration of photovoltaic generation and energy storage device for stand-alone photovoltaic generation system [J]. Power System Technology，2014，38(5)：1271-1276.
[10] 梁琛，王鹏，韩肖清，等. 计及系统动态可靠性评估的光伏电站储能经济配置[J]. 电网技术，2017，41(8)：2639-2646.
LIANG Chen，WANG Peng，HAN Xiaoqing. Economic selection of energy storage system for pv station considering dynamic reliability evaluation [J]. Power System Technology，2017，41(8)：2639-2646.
[11] 翟世涛，刘泽槐，杨家豪，等. 考虑多时段并网点电压控制的光储容量匹配及优化运行[J]. 电
网技术，2017，41(6)：1855-1865.
ZHAI Shitao， LIU Zehuai，YANG Jiahao. Capacity matching and optimal operation of photovoltaic-storage systems based on multi-period PCC voltage control [J]. Power System Technology，2017，41(6)：1855-1865.
[12] 黎静华，汪赛. 兼顾技术性和经济性的储能辅助调峰组合方案优化[J]. 电力系统自动化， 2017，41(9)：44-50.
LI Jinghua，WANG Sai. Optimal combined peak-shaving scheme using energy for auxiliary considering both technology and economy[J]. Automation of Electric Power Systems，2017， 41(9)：44-50.
[13] 周楠，樊玮，刘念，等. 基于需求响应的光伏微网储能系统多目标容量优化配置[J]. 电网技术，
2016，40(6)：1709-1716.
ZHOU Nan，FAN Wei，LIU Nian，et al. Battery storage multi-objective optimization for capacity configuration of pv-based microgrid considering demand response [J]. Power System Technology，2016，40(6)：1709-1716.
[14] 许健, 刘念, 于雷,等. 计及重要负荷的工业光伏微电网储能优化配置[J]. 电力系统保护与控制, 2016, 44(9):29-37.
XU Jian, LIU Nian, YU Lei, et al. Optimal allocation of energy storage system of PV microgrid for industries considering important load [J]. Power System Protection and Control, 2016, 44(9) : 29-37.
[15] 赵晗彤, 张建成. 基于滑模控制的飞轮储能稳定光伏微网离网运行母线电压策略的研究[J]. 电力系统保护与控制, 2016, 44(16):36-42.
ZHAO Hantong, ZHANG Jiancheng. Research on bus voltage control strategy of off-grid PV microgrid with flywheel energy storage system based on sliding mode control [J]. Power System Protection and Control, 2016, 44(16) : 36-62.
[16] 鲍冠南, 陆超, 袁志昌,等. 基于动态规划的电池储能系统削峰填谷实时优化[J]. 电力系统自动化, 2012, 36(12):11-16.
BAO Guannan, LU Chao, YUAN Zhichang, et al. Load shift real-time optimization strategy of battery energy storage system based on dynamic programming [J]. Automation of Electric Power Systems, 2012, 36(12):11-16.
[17] 吴贤规，王安娜，会国涛. 经验模态分解中一种改进的包络线拟合算法[J]. 东北大学学报(自然科学版)， 2015， 36(11):1535-1538.
WU Xiangui， WANG Anna， HUI Guotao. An improved envelope fitting algorithm for the empirical mode decomposition [J]. Journal of Northeastern University( Natural Science)，2015， 36(11):1535-1538.。