風儲發電系統作黑啟動電源的功率協調優化策略

李翠萍,李 鶴,李軍徽,朱星旭,尤宏飛,孫首珩,畢正軍

(1.東北電力大學,吉林 吉林 132012;2.國網平山縣供電分公司,石家莊 050400;3.國網吉林省電力有限公司電力科學研究院,長春 130021)

0 引言

隨著電力系統的快速發展,各國家大停電事故頻發,給社會經濟、人民生命安全造成了嚴重的威脅[1]。造成停電事故的原因各不相同,大停電事故后通過黑啟動電源快速有效地恢復系統是當前電網穩定運行的重要任務。水力發電具有廠用電較少、可快速啟動等優點[2],但對于我國某些風多水少的地區,例如蒙西地區,如果發生大停電事故,則須要發揮本地區自然優勢,選擇本地豐富的新能源作為黑啟動電源[3]。該地區風資源豐富,采用風電場作為黑啟動電源進行停電事故后的系統恢復工作將具有重大價值。

在大停電事故后的電力系統恢復過程中,能否保證電源與負荷的功率平衡是黑啟動成功與否的關鍵。黑啟動很可能出現風儲輸出功率與負荷需求不平衡以及儲能越限的情況[4],從而影響電力系統的電壓、頻率穩定,導致黑啟動的失敗。顯然,風儲發電系統作為黑啟動電源參與黑啟動的過程中,其能量協調控制較為重要,也決定了系統大停電事故后的黑啟動過程成功與否。對于黑啟動過程中的協調優化策略方面的問題,已有大量研究。文獻[5]將模型預測控制運用到風電場調頻調壓的場景中,在準確跟蹤參考功率的基礎上減小葉片載荷,保證風機安全運行。文獻[6]將負荷跟蹤和最大功率點跟蹤相結合,合理控制新能源出力。文獻[7]基于模型預測控制,提出了系統恢復過程風電無功出力優化策略,有效保證電力系統恢復過程中的功率平衡。文獻[8]針對電力系統的恢復問題,提出了一種直流饋入的功率協調策略,實現傳統系統功率與各直流傳輸量的協調優化,使系統調節持續時間最短。以上文獻均為針對新能源黑啟動過程的協調優化策略方面的研究,但未考慮黑啟動過程儲能荷電狀態(state of charge,SOC)的約束,沒有考慮儲能系統的充放電深度的問題,如果在電力系統恢復過程中,儲能系統過充電或過放電,從而導致儲能系統荷電狀態越限,將直接導致黑啟動失敗。

文獻[9]以風電場和光伏電站配置儲能系統參與黑啟動,提出黑啟動可行性評價指標。對于風光儲系統的輸出功率,分3種情景進行分析,對黑啟動電源能否進行黑啟動進行評估。文獻[10]以風儲發電系統為基礎提出了一種功率協調控制策略,分為3個階段,主要通過改變風儲發電系統中儲能系統的控制策略穩定電壓和頻率,使其在合理范圍內。文獻[11]考慮儲能的狀態,提出一種風儲系統黑啟動火電廠輔機的功率協調控制策略,分別建立有功控制器和無功控制器,通過調整風電場輸出功率的方式降低儲能系統的輸出功率,使其維持在合理范圍內。文獻[12]針對風光儲系統啟動火電廠輔機提出了功率協調策略,電源輸出功率低于負荷功率時采用最大功率跟蹤。光伏黑啟動電源出力大于負荷需求時,由風電場補足光伏與負荷差值,該控制策略有效降低儲能系統的充放電深度,使儲能荷電狀態維持在合理范圍內。為了使風電機組具備較好的黑啟動能力,參與電網恢復,文獻[13]針對支撐電網黑啟動風光儲新能源電站基礎內容展開分析,結合各種協調控制模型以及系統協調控制要點,研究慣性響應控制策略、一次調頻時序控制策略等具體應用,確保風光儲新能源電站運行過程的穩定性。

風儲發電系統作為黑啟動電源恢復電力系統時,由于風電功率的不確定性、波動性較強,風電場與儲能之間的協調控制變得尤為重要,因為隨著電力系統恢復工作的不斷進行,黑啟動負荷不斷投入,使功率波動逐漸增大,恢復過程中的功率協調控制變得尤為復雜,黑啟動操作的成功與否直接取決于風電場和儲能系統協調程度,決定了能否保證充足的負荷供給。

本文設計了風儲發電系統參與黑啟動的功率協調優化策略。首先,考慮模型預測控制(model predictive control,MPC)策略的在線優化過程以及風儲系統的運行特性,設計風儲系統出力方式;其次,建立了風儲出力的預測和滾動優化模型以優化其輸出功率;最后,提出風儲發電系統輸出功率評價指標,對優化結果進行對比評估。通過算例,對2種優化策略進行對比,得出本文所提的功率協調優化策略可以降低風電場的功率波動以及儲能系統的充放電深度,使儲能系統的SOC維持在合理水平。

1 風儲發電系統作黑啟動電源

電網停電后,風儲發電系統作為黑啟動電源啟動負荷,這個過程類似于“擦火柴”的動作,同時整個黑啟動時段需要風儲發電系統持續滿足火電廠輔機負荷的需求。儲能系統在其中起到彌補風電場功率與火電廠輔機負荷功率之間差值的作用,為風電場提供穩定的電壓和頻率。

風儲發電系統由風電場和儲能系統構成,因為要充分利用新能源,所以現有風電場采用最大功率工作,這樣對于作為黑啟動電源的風儲發電系統來說,只有儲能系統可以進行能量的調節,顯然其輸出功率存在可控性差、不易調節等問題。本文設計了一種通過控制發電風機數量和儲能輸出功率的控制方式,靈活地調節風儲系統參與黑啟動過程中的輸出功率,風儲發電系統在維持功率平衡的同時,使儲能系統的SOC控制在合理區間。風電場控制過程可以表示為:

NW(t+1|t)=NW(t)+ΔNW(t)

(1)

式中:NW為發電風機的數量;ΔNW為發電風機的變化數量;t為時刻。

風電場輸出功率的變化過程為:

PW(t+1|t)=PW(t)+PWN(t)ΔNW(t)

(2)

式中:PW為風電實際功率;PWN為風機預測功率。

儲能系統電量變化可以表示為:

EB(t+1|t)=EB(t)-ηΔTBPB(t)

(3)

式中:EB為儲能電量;η為儲能轉換效率;ΔTB為轉換系數;PB為儲能充放電功率。

2 基于模型預測控制的風儲黑啟動功率協調優化策略

MPC的功率協調優化策略主要思路為通過調整參與黑啟動的發電風機數量的方式控制風電輸出功率,使風電輸出功率與黑啟動負荷之間的功率差值最小,從而達到降低儲能系統在黑啟動過程中的充放電深度的目的,使儲能的荷電狀態始終維持在合理工作范圍內。

黑啟動過程中,模型預測控制通過第一部分的預測模型求解,在預測時域內對風儲發電系統輸出功率進行預測,得出預測時域內風電輸出功率及儲能輸出功率。然后,在控制時域內經過在線優化階段,通過調整參與黑啟動的發電風機數量的方式對風電場輸出功率進行校正,使其有效跟蹤黑啟動負荷功率。通過調整風電場中發電風機數量以及儲能輸出功率維持黑啟動過程中系統功率平衡,完成整個黑啟動工作。

2.1 MPC風儲預測模型

風儲系統狀態空間方程:

(4)

2.2 風儲出力滾動優化

滾動優化是一個多目標優化問題,將整個優化過程分為風電場出力優化階段和儲能系統出力優化階段,每一時刻的風電輸出功率都是與前一時刻結束之后發電風機數量變化有關,為前一時刻風電輸出功率與風機數量變化對應的功率之和,而在反饋校正過程中,利用前一時刻的風電實際功率,計算下一時刻的發電風機數量變化,這樣滾動優化參與黑啟動發電風機數量變化,使風電功率可以有效跟蹤火電廠輔機負荷,以減小儲能輸出功率,使黑啟動過程儲能各時刻SOC維持在中間值附近,降低因風電場輸出功率與火電廠輔機負荷差值較大而產生儲能過充電、過放電現象。

1) 風電場出力優化。對于風電場的出力優化,通過對黑啟動過程中風電場發電風機數量的控制縮減其與負荷需求之間的差值。在控制時域內,各時刻風電輸出功率與黑啟動負荷需求方差和最小為優化目標,其函數JW1為:

(5)

式中:M為控制時域內時間間隔。

2) 儲能系統優化。在控制時域內,各時刻儲能SOC與理想值方差和最小,目標函數JW2為:

(6)

式中:SOCB為儲能系統荷電狀態;SOCmid為儲能系統荷電狀態理想值。

3) 約束條件。風儲發電系統與火電廠輔機負荷需求功率平衡約束:

Pload=PW+PB

(7)

風儲發電系統中儲能的充放電功率約束:

-PBN≤PB(t)≤PBN

(8)

式中:PBN為儲能的額定功率;

儲能荷電狀態約束:

SOCBmin≤SOCB(t)≤SOCBmax

(9)

式中:SOCBmax和SOCBmin為儲能系統SOC極限值;

風電場中風機的數量約束:

0≤NW≤NWT

(10)

式中:NWT為風電場中風電機組數量。

2.3 反饋校正

在初始階段風儲發電系統的預測出力一定會存在系統誤差,不可能完全準確,因此,本文所提功率協調優化策略中的反饋校正顯得尤為重要。在預測時域內的每一個采樣時刻,模型預測控制均以前一時刻的實測信息對后續系統的預測輸出進行校正,不斷優化黑啟動過程中風儲發電系統預測輸出功率,使系統黑啟動過程中風電場出力可以持續有效跟蹤火電廠負荷功率需求,儲能系統SOC維持在合理范圍內。

2.4 評價指標

本文以風儲發電系統運行在2種不同策略下參與黑啟動,評價指標如下。

風電場輸出功率與火電廠輔機負荷的平均差PAD為:

(11)

式中:n為風儲黑啟動過程中的時間采樣點數量。

風儲發電系統中儲能系統功率的波動程度PF為:

(12)

式中:PBmax、PBmin分別為儲能系統充放電功率最大、最小值。

儲能系統SOCB與理想值SOCmid的平均差SOCAD:

(13)

3 算例分析

3.1 算例條件

為了驗證本文所提風儲發電系統功率協調優化策略,分別讓風儲系統在MPC策略和基于功率預測(power forecast,PF)策略下運行,然后對仿真結果進行對比。PF策略:結合風儲優化目標,通過功率預測得出風儲發電系統輸出功率的協調優化策略,相比于MPC策略減少了反饋校正環節。

本文算例分析數據來源于某火電廠和風電站實測數據,風電場額定容量為49.5 MW,發電風機數量為33臺。所配置儲能系統額定容量為5 MW/2 MWh,儲能SOC上下限分別為90%和10%。以風儲系統作電源啟動火電廠輔機,持續時長為30 min,對于本文所提功率協調優化策略,控制時域和預測時域均為5 min,滾動優化階段的時間尺度為1 min。

以1臺300 MW火電機組為例,負荷功率見表1。

表1 火電廠輔機投入過程

3.2 算例分析

3.2.1 不同策略下風電場出力對比

黑啟動過程風儲發電系統運行在2種不同策略下,發電風機數量變化情況以及風電場輸出功率見圖1。

圖1 風電輸出功率與黑啟動負荷功率對比

隨著黑啟動負荷的持續投入,火電廠輔機負荷需求不斷增加,風電場輸出功率不斷增加。在系統的前5 min,負荷需求相對較小,風電場輸出功率相對較小。當時間為5 min、10 min、15 min時,由于輔機負荷需求的增大,此時風電場要通過增加相應發電風機數量以增大輸出功率,達到功率平衡的目的。當時間為25 min時,雖然系統投入新的負荷,但是由于負荷需求相對較小,且此時發電風機輸出功率增大,因此發電風機數量無變化。當風儲系統運行在PF策略時,由于預測存在偏差,且偏差較大時,就會導致預測時域內的發電風機數量與合理值偏差較大,例如時間為18 min、27 min等,由于發電風機實際輸出功率與輸出功率預測值之間誤差較大,使該時刻發電風機數量增大以提高風電場輸出功率。而當風儲發電系統運行在MPC策略時,系統以前一時刻的實測信息對后續系統的預測輸出進行校正,不斷優化黑啟動過程中風儲發電系統預測輸出功率,使風電場輸出功率有效跟蹤火電廠輔機負荷,對比見圖2。

從圖2中可以看出,隨著火電廠輔機負荷的不斷增加,風電場中發電風機的數量也不斷增加,以提高黑啟動過程中風電場輸出功率,如0 ～ 15 min,火電廠輔機負荷增加量較大,系統通過增加風電場中發電風機數量的方式增大輸出功率,保證給黑啟動負荷提供充足的功率。由于風電功率預測會存在預測誤差,系統運行在PF策略時,一旦風電實際輸出功率與預測功率之間誤差較大,就會使系統預測得到的發電風機數量與風機合理值相差較大,例如在時間為19 min、27 min、28 min和29 min等。而對于MPC策略,系統可以通過前一時刻的實際出力值優化后續的風電場出力,使風電場輸出功率可以有效跟蹤火電廠輔機負荷。

3.2.2 不同策略下儲能SOC對比

儲能系統在黑啟動過程中的作用是彌補風電場功率與火電廠輔機負荷功率之間的差值,MPC策略與PF策略下儲能系統的充放電功率對比見圖3。

圖3 2種策略下儲能系統充放電功率

從圖3中可以看出,對于2種不同策略,儲能的輸出功率明顯不同。運行在MPC策略時,由于風電場出力在黑啟動過程中可以有效跟蹤火電廠輔機負荷,使風電輸出功率與火電廠輔機負荷需求之間的差額減少,進而使儲能系統的充放電功率減小,即降低了儲能系統的充放電深度。所以2種不同策略下的儲能系統在整個黑啟動過程的累計充放電電量不同,MPC策略下儲能系統在整個黑啟動過程的累計充電電量明顯小于PF策略下的儲能充電電量。不同策略下儲能SOC對比見圖4。

圖4 2種策略儲能系統SOC變化

由結果可以看出,通過增加或減少風電場中參與黑啟動過程的發電風機數量的方式控制其輸出功率,使風電場輸出功率有效跟蹤火電廠輔機負荷。由于風電功率預測會存在誤差,出現風電功率預測值與實際功率輸出值偏差較大的情況,直接影響系統參與預測的黑啟動發電風機數量,風儲系統運行在PF策略,例如時間為18 min、27 min時,該時刻發電風機預測功率較小,系統通過增加風機數量增大風電功率。而實際風機功率超出預測值,使風電場輸出功率遠超出負荷需求,所以使儲能充放電功率增大,而MPC策略有效避免了這種情況的發生。

算例結果對比見表2,其中ΔSOC為儲能充放電深度。從表2中可以看出,風儲黑啟動過程中,風儲發電系統運行在本文所提協調優化策略情況下的儲能系統功率波動程度、最大充放電功率相對于PF策略下均減小了。風儲系統運行在本文所提策略時,由于滾動優化和反饋校正過程的存在,使風電功率預測誤差帶來的影響降低,風電場對火電廠輔機負荷的跟隨性增強,儲能的輸出功率減小。

表2 算例結果對比

4 結論

對于風儲發電系統在黑啟動時段火電廠輔機的功率協調問題,本文提出了一種基于MPC控制的功率協調優化策略,可以使風電場輸出功率有效跟蹤火電廠輔機負荷,降低儲能系統的充放電深度,結論如下。

1) 針對風儲系統作黑啟動電源設計了風儲發電系統控制方式,以降低儲能系統充放電深度為目標,設計了風儲系統協調優化策略,維持黑啟動過程的源荷功率平衡,同時儲能SOC維持在合理水平。

2) 基于風儲發電系統結構特點,提出了風電場出力方式,即通過控制風機數量控制輸出功率,使風電場出力有效跟蹤火電廠輔機負荷,為火電廠輔機負荷提供充足功率。

3) 建立風儲發電系統的輸出功率預測模型,在黑啟動過程中,系統在預測時域內預測風儲系統的功率,并以風電場輸出功率和儲能SOC為優化目標,對風儲輸出功率進行滾動優化,有效解決由于預測功率存在的誤差而對系統產生的影響。