面向高比例户用光伏消纳的储能系统与通信网络协同规划-北极星储能网

投稿

我要投稿

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。

0 引言

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。

1 低压配电网的CPS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

2 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