一种含有压缩空气储能的独立微网容量优化配置方法

摘要

本发明公开了一种含有压缩空气储能的独立微网容量优化配置方法，包括以下步骤：建立压缩空气储能模型，得到储能功率和能量两个层面的数学关系；根据压缩空气储能模型及其他分布式电源的数学模型，建立微网容量优化上层模型，求解微网最优容量配置问题；建立微网运行优化下层模型，设定相关约束条件，求解确定容量下微网最优运行方式；利用遗传算法求解上层整数规划问题，利用混合整数线性规划求解器求解下层混合整数线性规划问题，将上下层模型进行迭代计算，得到满足收敛条件的微网最优容量配置结果。与基于既定策略的配置方法对比表明，本发明的综合优化模型能够充分计及运行方式对容量优化的影响，得到更为经济环保的配置方案。

说明书

技术领域

本发明涉及一种含有压缩空气储能的独立微网容量优化配置方法。

背景技术

微网能够有效地将分布式电源、负荷和储能系统融合成一体，是智能电网的重要组成部分。独立型微网脱离大电网，利用自身的分布式电源满足负荷需求。当微网内存在可再生能源时，通常需要配置储能系统以解耦波动的能量供给和刚性的能量需求，提高系统的灵活性，保证系统可靠运行。压缩空气储能(compressedairenergystorage,CAES)通过将空气压缩进入储气空间存储多余的电能，在需要时，将高压空气释放通过膨胀机做功发电。由于具有较长的寿命周期、快速的爬坡速度和较短的启动时间，可以实现大容量和长时间的电能存储，压缩空气储能成为微网储能系统中一种新的选择。

目前，关于压缩空气储能系统的研究包括：基于能量和功率等物理量建立压缩空气储能简化模型，研究压缩空气储能与可再生能源耦合系统的规划与运行问题；基于压缩空气储能工作的热力学过程建立详细的热力学模型以对单元级的储能系统进行优化。对于系统层级的微网规划，如何建立兼顾压缩空气储能热力学特性与微网运行分析适用性的压缩空气储能模型是一个值得研究的问题。

微网容量规划设计阶段，需要考虑建成以后的运行问题。目前的研究多基于一种或几种既定的控制策略决定独立微网的运行方式。此类控制策略人为指定了一系列运行准则，未考虑调度的前瞻性，即未考虑以后时刻的调度对当前调度的影响，由此确定的运行方式会陷入次优，因而容量配置结果具有一定局限性。

发明内容

本发明为了解决上述问题，提出了一种含有压缩空气储能的独立微网容量优化配置方法，本方法基于双层决策理论，将微网规划与运行两个不同时间尺度的问题分层求解，充分计及了微网运行对规划的影响。与基于既定控制策略的容量计算方法相比，本发明能够得到更为经济环保的微网容量配置方案。

为了实现上述目的，本发明采用如下技术方案：

一种含有压缩空气储能的独立微网容量优化配置方法，包括以下步骤：

(1)基于压缩机、膨胀机功率表征其储能、释能功率和储气空间内储存气体质量表征能量大小，建立压缩空气储能模型，得到储能功率和能量两个层面的数学关系；

(2)根据压缩空气储能模型及其他分布式电源的数学模型，建立微网容量优化上层模型，求解微网最优容量配置问题；

(3)建立微网运行优化下层模型，以功率平衡、分布式电源出力、柴油机启动标志、柴油机爬坡速率、微网旋转备用和压缩空气储能系统为约束条件，求解确定容量下微网最优运行方式；

(4)利用遗传算法求解上层整数规划问题，利用混合整数线性规划求解器求解下层混合整数线性规划问题，将上下层模型进行迭代计算，得到满足收敛条件的微网最优容量配置结果。

所述步骤(1)中，具体方法包括：

(1-1)压缩空气储能系统储能过程中，表达压缩气体流量与消耗的电功率的关系；

(1-2)表达压缩空气储能系统释能过程中膨胀机的进气流量与发电功率的关系；

(1-3)将气体流入和流出储气空间的过程视为等温过程，忽略储气空间与环境的热交换，得到储气空间中剩余气体的质量比例的取值范围。

所述步骤(2)中，容量优化上层模型的目标函数为日均设备投资成本与微网在典型日的可变成本的平均值之和。

所述步骤(2)中，具有约束条件，具体为光伏、风机、柴油机和储气罐数量均大于等于0，小于等于对应的最大值。

所述步骤(3)中，优化上层模型具体为典型日微网运行成本和环境治理成本之和。

所述步骤(3)中，功率平衡约束条件为：对于任意时刻，负荷的大小均等于柴油机、风电机组、光伏组件和膨胀机功率之和再减去压缩机功率得到的差值。

所述步骤(3)中，分布式电源出力约束条件为：对于任意时刻，风电机组的实际输出功率均大于等于0，小于等于风电机组的预测出力与对应电源启停状态的乘积，同时，光伏组件的实际输出均大于等于0，小于等于，小于等于功率光伏组件预测出力与对应电源启停状态的乘积。

所述步骤(3)中，柴油机启动标志的约束条件为，当柴油机初始条件小于0，初始时刻，柴油机启动标志为柴油机电源启停状态，之后，柴油机启动标志大于等于当时柴油机电源启停状态与前一时刻柴油机电源启停状态的差值；

柴油机爬坡速率约束条件为：对于任意时刻，某时刻的柴油机爬坡速率与前一时刻的柴油机爬坡速率之差小于等于柴油机上升速率与时间差的乘积，同时，大于等于柴油机的出力下降与时间差的乘积；

柴油机旋转备用大小约束条件为：对于任意时刻，柴油机旋转备用小于等于柴油机电源启停状态、通过增加发电单元出力提供旋转备用的允许时间和柴油机上升速率的乘积。

所述步骤(3)中，微网旋转备用约束：所有柴油机旋转备用容量与压缩空气储能提供的旋转备用之和大于等于负荷大小与负荷不确定性的乘积、平均绝对百分误差与风机预测出力的乘积、均方根误差与光伏组件预测出力的乘积和最大机组容量之和。

所述步骤(3)中，压缩空气储能系统约束包括压缩空气储能出力上下限约束、压缩空气储能旋转备用量约束和压缩空气储能连续运行约束。

所述步骤(4)中，具体包括：

(4-1)算法初始化，输入典型日负荷及气象数据；

(4-2)对上层优化的决策变量进行编码，随机生成N个初始个体，每个个体代表一种微网容量配置；

(4-3)对种群内的个体进行下层优化：每个典型日分为24个时段，对N_d个典型日分别寻优，若下层优化无可行解，则剔除该个体，并重新产生个体作为补充，直到新个体存在可行解为止；

(4-4)返回上层算法，利用下层优化结果计算适应度函数值；

(4-5)判断是否满足终止条件，若是，则输出计算结果；反之，进行步骤(4-6)；

(4-6)对种群进行选择、交叉、变异运算形成下一代种群，进行交叉和变异运算产生新个体时，返回步骤(4-3)进行下层寻优。

本发明的有益效果为：

(1)本发明基于压缩空气储能的工作过程，从功率和能量两个角度出发，建立了适用于微网规划的压缩空气储能模型，为压缩空气储能接入微网的规划与运行分析提供了一种参考；

(2)本发明基于双层决策理论，将微网规划与运行两个不同时间尺度的问题分层求解，充分计及了微网运行对规划的影响。与基于既定控制策略的容量计算方法相比，本发明能够得到更为经济环保的微网容量配置方案；

(3)本发明考虑压缩空气储能较快的响应速度，将其储存的能量视为备用容量，减少柴油机长时间运行于低载状态的情况，大幅降低微网运行成本。

附图说明

图1为本发明容量配置计算流程图；

图2(a)为微网典型日每小时负荷曲线；

图2(b)为微网典型日每小时风速数据；

图2(c)微网典型日每小时光照数据；

图3为基于负荷跟踪策略的传统优化方法下微网冬季工作日运行情况；

图4为基于硬充电策略的传统优化下微网冬季工作日运行情况；

图5为本发明双层优化下微网冬季工作日运行情况。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

如图1所示，一种含有压缩空气储能的独立微网容量优化配置方法，包括：

步骤(1)：基于压缩空气储能工作过程，建立压缩空气储能模型，得到储能功率和能量两个层面的数学描述。

步骤(2)：基于压缩空气储能模型及其他分布式电源的数学模型，建立微网容量优化上层模型，求解微网最优容量配置问题；

步骤(3)：建立微网运行优化下层模型，并结合上层优化配置求解确定容量下微网最优运行方式；

步骤(4)：采用离散变量处理能力强、全局寻优能力好的遗传算法求解上层整数规划问题。采用混合整数线性规划求解器Cplex求解下层混合整数线性规划问题。上下层模型迭代计算，得到满足收敛条件的微网最优容量配置结果。

所述步骤(1)建立压缩空气储能模型的具体过程为：

步骤1.1：压缩空气储能系统储能过程中，压缩气体流量与消耗的电功率满足以下关系式：

$>P_{t,comp}=k_c{\stackrel{·}{m}}_{t,comp}$>

其中：t表示时段；P_t,comp(kW)为压缩机消耗的功率；为压缩机进气流量；k_c为压缩单位质量气体所消耗的电能，其值满足以下关系式：

$>k_c=\frac{N_c{C}_{air}{T}_{i,comp}}{{\eta }_{isc}{\eta }_{motor}}\left({\left(\frac{P_{acc}}{P_{amb}}\right)}^{\frac{\gamma -1}{N_c·\gamma }}-1\right)$>

其中：N_c为压缩机级数；C_air为空气定压比热；T_i,comp为每级压缩机进气温度；η_motor为电机效率；η_isc为压缩机绝热效率；P_acc为储气压力；P_amb为第一级压缩机进气压力(大气压力)；γ为空气的比热容比。

步骤1.2：压缩空气储能系统释能过程中，膨胀机(空气透平)的进气流量与发电功率满足以下关系式：

$>P_{t,\exp }=k_e{\stackrel{·}{m}}_{t,\exp }$>

其中：P_t,exp(kW)为膨胀机发出的功率；为膨胀机进气流量；k_e为单位质量气体膨胀所发出的电能，其值满足以下关系式：

$>k_e=N_e{C}_{air}{T}_{i,\exp }{\eta }_{ise}{\eta }_{gen}\left(1-{\left(\frac{P_{acc}}{P_{amb}}\right)}^{\frac{1-\gamma }{N_e·\gamma }}\right)$>

其中：N_e为膨胀机级数；T_i,exp每级膨胀机进气温度；η_ise为膨胀机绝热效率；η_gen为发电机效率。

步骤1.3：压缩空气储能与释能过程中，压力恒定的储气空间中压缩气体的质量多少表征了其剩余能量的大小。将气体流入和流出储气空间的过程视为等温过程，忽略储气空间与环境的热交换，储气空间中剩余气体的质量比例ζ满足以下关系式：

$>\zeta \left(t\right)=\zeta (t-1)+\frac{({\stackrel{·}{m}}_{t,comp}-{\stackrel{·}{m}}_{t,\exp })3600\Delta t}{M_{acc}^{rate}}$>

$>M_{acc}^{rate}=\frac{V_{acc}{P}_{acc}}{{\mathrm{RT}}_{acc}}$>

其中：Δt为优化时间间隔；为储气空间额定储气质量；V_acc为储气罐体积；R为气体常数；T_acc为储气温度。为保证系统安全运行，其储存气体应维持在一定范围内，因此ζ满足以下关系式

ζ^min≤ζ(t)≤ζ^max

其中：ζ^min，ζ^max分别为储气空间最小、最大允许剩余气体质量比例。

所述步骤(2)的容量优化上层模型具体为：

目标函数：

$>\min C=C_{capital}+\frac{1}{N_d}\underset{i=1}{\overset{N_d}{\Sigma }}{C}_{\mathrm{var}iable,i}$>

其中：C($/d)为日均成本；C_variable,i为微网在典型日i的可变成本，包括运行成本和环境治理成本，是下层优化的目标函数，其大小既与微网各电源容量有关，又与微网运行方式有关，是联系上下层的纽带；N_d为下层优化所选取的典型日数；C_capital为日均设备投资成本，满足以下关系式：

$>C_{capital}=\frac{1}{365}\left[\underset{k=1}{\overset{N}{\Sigma }}{\mathrm{Aqu}}_k\frac{r{(1+r)}^{Y_p}}{{(1+r)}^{Y_p}-1}\right]$>

其中：N为电源组件数量；Aqu_k为组件k的投资成本；r为折现率。

约束条件：

$>\left(\begin{array}{c}0\le N_{pv}\le N_{pv}^{\max }\\ 0\le N_{wt}\le N_{wt}^{\max }\\ 0\le N_{de}\le N_{de}^{\max }\\ 0\le N_{acc}\le N_{acc}^{\max }\end{array}\right)$>

其中：分别为光伏，风机，柴油机，储气罐数量最大值。为简化计算，压缩机和膨胀机额定功率的变化步长都设为定值。由此，上层优化模型可以归结为整数规划问题。

所述步骤(3)的运行方式优化上层模型具体为：

目标函数：

minC_variable＝C_operation+C_emission

$>\left(\begin{array}{c}{C}_{operation}=\underset{t=1}{\overset{T}{\Sigma }}\underset{n=1}{\overset{N_{CG}}{\Sigma }}\left[U_{t,n}{a}_n+b_n{P}_{t,n}+d_n{\mathrm{SU}}_{t,n}+q_n{R}_{t,n}\right]\\ +\underset{t=1}{\overset{T}{\Sigma }}\left(a_{comp}{U}_{t,comp}+a_{\exp }{U}_{t,\exp }+q_{\exp }{R}_{t,\exp }\right)\\ +\underset{t=1}{\overset{T}{\Sigma }}\left(\underset{i=1}{\overset{N_{wt}}{\Sigma }}{c}_i{U}_{t,i}+\underset{j=1}{\overset{N_{pv}}{\Sigma }}{c}_j{U}_{t,j}\right)\\ C_{emission}=\underset{t=1}{\overset{T}{\Sigma }}\underset{n=1}{\overset{N_{CG}}{\Sigma }}\underset{k=1}{\overset{N_{gas}}{\Sigma }}{P}_{t,n}{\beta }_{n,k}{V}_k\end{array}\right)$>

其中：C_operation，C_emission分别为典型日微网运行成本和环境治理成本；T为优化周期；N_CG为柴油机个数；U_t,n，U_t,comp，U_t,exp，U_t,i，U_t,j等表示电源启停状态，0表示停机，1表示正常运行；SU_t,n为柴油机启动标志，1表示机组在t时刻启动；R_t,n为柴油机旋转备用容量；d_n和q_n分别为柴油机启动成本系数和旋转备用成本系数；R_t,exp为压缩空气储能提供的旋转备用；a_comp，a_exp分别为压缩机和膨胀机的运行成本系数；q_exp为压缩空气储能旋转备用成本系数；c_i，c_j($/h)分别为风电机组和光伏组件的的运行维护成本系数；N_gas为污染气体种类数；β_n,k(kg/kW·h)为第k种排放物的排放系数；V_k为污染物治理成本系数。

约束条件：

1)功率平衡

$>\underset{n=1}{\overset{N_{CG}}{\Sigma }}{P}_{t,n}+\underset{i=1}{\overset{N_{wt}}{\Sigma }}{P}_{t,i}+\underset{j=1}{\overset{N_{pv}}{\Sigma }}{P}_{t,j}+P_{t,\exp }-P_{t,comp}=P_{t,load}\forall t$>

其中：P_t,n，P_t,i，P_t,j分别为柴油机、风电机组、光伏组件实际输出功率；P_t,comp，P_t,exp分别为压缩机和膨胀机功率；P_t,load为负荷大小。

2)分布式电源出力约束

基于充分利用可再生能源的原则，本发明假设光伏、风机始终开机且必要时可以退出最大功率跟踪控制模式，因而其出力需满足：

$>\left(\begin{array}{cc}0\le P_{t,i}\le U_{t,i}{P}_{t,i}^{pre}& \forall t,\forall i=1,2...N_{wt}\\ 0\le P_{t,j}\le U_{t,j}{P}_{t,j}^{pre}& \forall t,\forall j=1,2...N_{pv}\end{array}\right)$>

其中：风机预测出力；为光伏组件预测出力。对于柴油机，其运行功率应满足：

$>U_{t,n}{P}_n^{\min }\le P_{t,n}\le U_{t,n}{P}_n^{rate}\forall t,\forall n=1,2...N_{CG}$>

其中：分别为柴油机出力上下限。

3)柴油机启动标志

$>\left(\begin{array}{cc}{\mathrm{SU}}_{t,n}=U_{t,n}& t=1,{\mathrm{IC}}_n<0\\ {\mathrm{SU}}_{t,n}\ge U_{t,n}-U_{t-1,n}& \forall t=2,3...T\end{array}\right)$>

其中：IC_n为柴油机初始条件，负值表示停机，正值表示正常运行。

4)柴油机爬坡速率约束

$>\left(\begin{array}{cc}{P}_{t,n}-P_{t-1,n}\le {\mathrm{UR}}_n·\Delta t& \forall t,\forall n=2...N_{CG}\\ P_{t-1,n}-P_{t,n}\le {\mathrm{DR}}_n·\Delta t& \forall t,\forall n=2...N_{CG}\end{array}\right)$>

其中：DR_n、UR_n分别为柴油机出力下降和上升速率。

5)柴油机旋转备用大小约束

$>\left(\begin{array}{cc}{R}_{t,n}\le U_{t,n}{P}_n^{rate}-P_{t,n}& \forall t,\forall n=1,2...N_{CG}\\ R_{t,n}\le U_{t,n}·\tau ·{\mathrm{UR}}_n& \forall t,\forall n=1,2...N_{CG}\end{array}\right)$>

其中：τ为通过增加发电单元出力提供旋转备用的允许时间；为柴油机出力上限。

6)微网旋转备用约束

$>\underset{n=1}{\overset{N_{CG}}{\Sigma }}{R}_{t,n}+R_{t,\exp }\ge {\mathrm{\kappa P}}_{t,load}+MAPE\underset{j=1}{\overset{N_{pv}}{\Sigma }}{P}_{t,j}^{pre}+RMSE\underset{i=1}{\overset{N_{wt}}{\Sigma }}{P}_{t,i}^{pre}+C^{max}\forall t$>

其中：κ表征负荷不确定性；MAPE(meanabsolutepercentageerror)为平均绝对百分误差，表征光伏不确定性；RMSE(rootmeansquareerror)为均方根误差，表征风电不确定性；C^max为最大机组容量。

7)压缩空气储能系统约束

压缩空气储能出力上下限约束：

$>\left(\begin{array}{cc}0\le P_{t,comp}\le U_{t,comp}{P}_{comp}^{rate}& \forall t\\ 0\le P_{t,\exp }\le U_{t,\exp }{P}_{\exp }^{rate}& \forall t\end{array}\right)$>

压缩空气储能旋转备用量约束：

$>\left(\begin{array}{cc}{R}_{t,\exp }\le U_{t,\exp }{P}_{\exp }^{rate}-P_{t,\exp }& \forall t\\ R_{t,\exp }\le k_e\frac{\left[\zeta \left(t-1\right)-{\zeta }^{\min }\right]M_{acc}^{rate}}{3600·\Delta t}& \forall t\end{array}\right)$>

压缩空气储能连续运行约束

ζ(T)＝ζ^initial

其中：P_t,comp，P_t,exp分别为压缩机和膨胀机功率；U_t,comp，U_t,exp分别表示压缩机和膨胀机启停状态；分别表示压缩机和膨胀机额定功率；R_t,exp为压缩空气储能提供的旋转备用；k_e为单位质量气体膨胀所发出的电能；为储气空间额定储气质量；ζ(t-1)为t-1时储气空间中剩余气体的质量比例；ζ^min为储气空间最小允许剩余气体质量比例；ζ^initial，ζ(T)分别为优化开始前和优化周期末储气罐内剩余气体质量比例，该式保证压缩空气储能连续稳定运行。

所述步骤(4)具体为：

步骤4.1：算法初始化，输入典型日负荷及气象数据。

步骤4.2：对上层优化的决策变量进行编码，随机生成N个初始个体，每个个体代表一种微网容量配置。

步骤4.3：种群内的个体进行下层优化：每个典型日分为24个时段，对N_d个典型日分别寻优。若下层优化无可行解，则剔除该个体，并重新随机(或交叉、变异)产生个体作为补充，直到新个体存在可行解为止。

步骤4.4：返回上层算法，利用下层优化结果计算适应度函数值。

步骤4.5：判断是否满足终止条件，若是，则输出计算结果；反之，进行步骤4.6。

步骤4.6：对种群进行选择、交叉、变异运算形成下一代种群。其中，进行交叉和变异运算产生新个体时，返回步骤4.3进行下层寻优。

某独立微网内的分布式电源类型有风机、光伏阵列、柴油机以及压缩空气储能，各电源参数如表1所示。为了验证本实施方式的有效性和可行性，以此独立电网为算例，分别采用基于负荷跟踪策略、硬充电策略的传统优化方法以及本发明的双层优化模型对微网电源容量进行配置。

表1各电源参数及配置结果

三种方法的最优配置结果如表1最后三列所示。因该地风力资源较为丰富，各方案风机均配置到最大容量。同时由风机配置结果可以看出，大型风机的性价比较小型风机更高。光伏、柴油机和压缩空气储能的容量差异较大，由此可以看出运行方式对于容量配置的影响显著。

三种方法的最优配置日均成本如表2所示。基于负荷跟踪策略配置的最优方案日均总成本最高，主要是因为该配置下膨胀机功率较小，柴油机作为主电源必须频繁启停并跟踪负荷需求，造成了巨额的柴油机运行成本。硬充电策略下柴油机多运行于额定功率，发电效率得到提高，其运行成本相应降低，与负荷跟踪策策略相比，硬充电策略优化结果有所改善。本发明提出的双层优化模型优化结果中，尽管固定成本有所上升，但可变成本尤其是柴油机运行成本及环境治理成本大幅降低，总体上双层优化模型优化结果的日均成本显著低于负荷跟踪、硬充电策略，降幅分别达25.7％和21.8％，可见同时考虑容量与运行方式的优化可以实现经济与环境成本的降低。

表2电源最优配置方案日均成本

选取冬季工作日运行情况进一步分析，三种方案最优配置下运行情况分别如图3、图4、图5所示，对比发现：

1)双层优化模型中各电源间的功率分配与提供的备用大小更为合理。双层优化模型中1-7h，23-24h柴油机全部关闭，而负荷跟踪、硬充电策略下此时段内始终有部分柴油机开机并运行于低负载因数下，这是因为负荷跟踪、硬充电策略都需要先根据负荷及备用需求决定柴油机开启台数，该准则导致柴油机在风速较大的时段不得不低载运行，而低载时柴油机发电效率较低，无疑增加了环境治理成本及运行成本。双层优化模型下层优化后，柴油机集中运行于负荷较高的8-22h，减少了柴油机运行时间。根据全年运行情况，三种方案柴油机日均输出功率分别为22545.70kW·h、25938.19kW·h，16052.53kW·h，可见，双层优化模型中的运行方式更为经济环保。

2)双层优化模型中风光容量的利用程度更高，储能作用的发挥更充分。这主要得益于双层优化模型中考虑了储能调度的前瞻性，即考虑以后时刻的调度对当前调度的影响。负荷跟踪策略下2-4h、6h压缩空气储能能力受压缩机功率限制，部分风电被舍弃，经过5h、8-18h的持续释能后，压缩空气储能剩余气体质量跌至下限，而19-22h负荷较高时储能无法分担负荷压力。硬充电策略下3-4h、6h压缩机功率达到上限，大量风电被舍弃，7-10h的储能过程未考虑前瞻性致使后续时段压缩空气储能气体质量维持在上限附近，23、24h无法存储过剩风电。相比之下，双层优化模型中只有3-4h存在少量弃风，压缩空气储能剩余气体质量始终维持在一定范围内，一方面能够提供充足的备用支持，另一方面在负荷高峰分担柴油机供应负荷的压力。根据全年运行结果，各方案最优配置的风光利用情况如表3所示，其中风光利用率定义为平均每天内系统中实际出力与预测出力的比值，可以看出双层优化模型中所配置的风光容量得到了更为充分的利用。

表3各方案最优配置风光利用情况

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。