干货｜基于集合经验模态分解的火电储能联合调频储能容量优化配置

储能参与电力系统调频能够减少火电机组的爬坡损耗,提高电力系统频率的稳定性。根据区域调频需求合理配置储能容量,将有利于提高系统经济性和稳定性。基于历史典型日区域控制误差(area control error,ACE),建立了基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法的调频储能容量优化配置模型。以储能参与调频的净效益期望最大为目标,计及储能系统荷电状态(state-of-ge,SOC)等约束,优化确定基于EEMD的ACE信号滤波阶数,进而确定参与调频的储能最优配置容量。最后,基于实测ACE数据验证了所提方法的有效性。

0 引言

随着电力系统电源结构的变化,新能源发电占比日益增高导致电网频率稳定性下降,原有调频手段已不足以满足目前的调频需求[1-2]。储能系统的控制技术已较成熟,从全充电模式至全放电模式的时间可控制在毫秒级,可快速响应、精确跟踪指令,利用其优异的控制性能对电力系进行功率-频率控制,可改善电网频率稳定性[3-5],是近年来研究热点。

储能系统辅助自动发电控制(automatic generation control,AGC)的基本思想是将储能系统添加到目标火电机组,并将其作为主控制器的补充装置,即发电机调速器控制器,以响应AGC指令[6]。优化协调速度快容量小的储能系统和速度慢容量大的火电机组之间的调节指令,可显著提高AGC的整体性能,降低火电机组本身的设备磨损和运行风险。文献[7-8]分析了美国电力市场中储能参与调频的收益,证明了储能在调频辅助服务中的竞争力。我国也相继开展了一系列储能调频研究和示范工作[9]。储能调频容量设置过大将会使成本大大提高[10],而容量过小又使火电机组频繁响应AGC指令,降低火电机组的运行效率并增加运行和维护成本。因此,根据电网实际调频需求,并结合火电和储能的调频性能、成本等影响因素,合理优化配置参与调频的储能容量,对于改善电网运行的经济性和稳定性都具有重要的现实意义。

有关参与电力系统调频的储能容量配置方法,文献[11]通过设定切比雪夫I型高通滤波器的时间常数,将调度信号分解为高频和低频并转换为持续时间曲线;文献[12]在储能运行过程中叠加了额外的充放电控制策略;文献[13]基于复频域灵敏度方法,考虑储能参与快速调频的动作时机与深度;文献[14]考虑调频要求与储能系统运行要求,以调频效果和经济性为目标配置了参与一次调频储能容量;文献[15]提出基于动态可用AGC的储能出力配置方案;文献[16]采用离散傅里叶变换法,分析了调频需求中的高、低频分量的占比。现有的文献对于储能调频容量配置主要基于调频需求分解方法,然而,传统高通或低通滤波器分解法会在滤波过程中产生延迟,导致调频需求不准确、增高成本,且不容易确定高低频分界点;离散傅里叶变换分解的方法只能对调频信号进行频域分析,得到高低频分量占比,而无法得到时域对应的高、低频分量,对调频信号缺乏局域性信息,不能有效给出某频率成分发生的具体时间段。文献[17]提出了基于经验模态分解和模糊机会约束的风电场混合储能容量配置方法,为储能分段滤波提出了较好的解决方案。

基于现有研究成果,本文提出基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法的调频储能容量优化配置模型。将全网参与调频的火电机组和储能分别等效为一台火电机组和一个储能电站。通过EEMD方法构造时空滤波器,将系统区域控制误差(area control error,ACE)信号根据不同的时间尺度特征分解成一系列准单分量信号,避免传统滤波器的局限性,同时减小由于模态混叠带来的重复调节。以储能参与调频后电网的净效益期望最大为目标,计及储能和火电的调频性能和约束,优化确定火、储分配调频信号的滤波阶数,并确定电网参与调频的最优储能容量。通过MATLAB对某电网实测数据进行分析,算例结果验证了本文所提方案的有效性和正确性。

1 基于EEMD的调频功率分配

电网调频指令信号为一种典型的含间歇信号的非平稳、非线性信号,传统基于频域的信号分解方法对于非线性和非平稳信号局限性较大。经验模态分解(empirical mode decomposition,EMD)方法可用来对非平稳、非线性信号进行分解,将多分量信号根据不同的时间尺度特征分解成一系列准单分量信号,分解后的信号称为原信号的固有模态函数(intrinsic mode function,IMF)。但EMD方法处理含有间歇信号的序列时易产生模态混叠问题,模态混叠将会导致错误的IMF分量,从而使IMF丧失具体的物理意义。

集合经验模态分解(ensemble EMD,EEMD)提出一种噪声辅助数据分析方法,通过向待分解信号多次添加均匀白噪声再滤除的方法,可以在减小模态混叠现象的同时,得到更加准确的IMF分量。采用EEMD方法将ACE信号中真实存在的不同时间尺度或趋势的分量逐级分解出来,产生一系列具有相同时间尺度的数据序列,分解后的ACE序列与原始ACE序列相比具有更强的规律性和可处理性。

通过EEMD方法分解后的结果如下所示[18]：

式中：X(t)为待分解信号;hi(t)表示原始信号的第i阶IMF分量;rn(t)表示分解余项。

对电网历史ACE数据的统计分析可根据电网运行方式及波动特性,将全年的电网ACE数据分为几种典型日,在每一种典型日下,基于EEMD方法对ACE信号分解,得到一系列IMF分量,每个IMF分量可以表征原始ACE信号在其对应的某一时间尺度参数上的模态,即不同类型的扰动造成的电网功率波动。借助IMF分量构造时空滤波器,通过选取合适的滤波阶数d,可以将原始ACE功率信号分解成两部分,阶数小于等于d的IMF分量之和为频率较高的部分,由储能承担;阶数大于d的IMF分量之和为频率较低的部分,由火电机组承担。

式中d表示IMF的滤波阶数,也是储能和火电机组分配调频功率的分界点,且0≤d≤n。d=0表示将所有的ACE信号都分配给火电机组,即储能系统没有参与调频。

2 储能容量优化配置模型

由于全年电网运行情况不同,储能容量设置时需综合考虑全年各种运行情况,引入风险评估理念,综合各种典型日下电网净效益及该典型日概率,建立了净效益期望函数,通过优化滤波阶数d,使得火-储联合系统参与调频时净效益期望最大化,同时计及储能功率和容量约束等,时序模拟储能参与调频过程,进而确定系统最优储能配置容量。

优化目标函数设置为储能参与调频后带来的净效益期望最大。净效益主要包括3个部分,分别是第i个典型日调频性能指标提高带来的收益B(i,d)、火电机组参与调频的成本SG(i,d)和储能系统参与调频的成本SC(i,d)。以每种典型ACE运行日出现概率pi为权重,定义系统综合净效益期望最大为目标函数的储能容量优化模型如下：

式中：i为典型日类型编号;B(i,d)、SG(i,d)、SC(i,d)为第i个典型日的滤波阶数d的函数;Σpi=1。使得N种典型日下净效益期望最大时的d值即为火、储分配ACE调频功率的最优IMF滤波阶数。

1)火电机组调频成本。

火电机组成本为两类成本之和：①火电机组因参与自动发电控制频繁爬坡引起的机组磨损成本及维护成本S1;②火电机组分配其发出的一部分功率参与调频,因不能准确跟踪经济调度的基点发电功率而导致的额外成本S2。

式中：PG(t)、PG(t+1)分别为火电机组在t和t+1时刻接收的ACE信号;Sp为每兆瓦火电机组因频繁爬坡产生的额外成本,与功率变化正相关,元/(MW•h)。

So为每兆瓦火电机组因偏离经济调度曲线出力产生的额外成本,元/(MW•h)。