基于蒙特卡洛模拟的分布式风光蓄发电系统可靠性评估(1)

摘要：为了计及蓄电池对分布式发电系统可靠性的影响，应用铅酸蓄电池两池模型，提出了一种更加精确的分布式风光蓄发电系统可靠性评估的蒙特卡洛模拟方法。首先针对提出的3 种不同充电策略，建立了考虑外部系统容量限制下蓄电池荷电状态的时序变化模型。其次，采用状态持续时间序贯抽样方法，模拟分布式发电系统各元件的时序状态，进而计算相应的可靠性指标。通过算例分析，验证了该方法的有效性和实用性，并详细分析了外部系统容量、分布式电源容量、蓄电池容量以及蓄电池充电策略对分布式发电系统可靠性水平的影响。

0 引言

近十几年来，可再生能源在能源结构中所占的比例越来越高，其中风力发电和光伏发电最突出[1]。与传统能源的集中式发电不同，风力、光伏等可再生能源的特点之一就是能以分布式电源(distributed generation，DG)的形式直接渗透到电力系统用户侧，组成分布式的发电系统，如小型的风能转换系统(wind energy conversion system，WECS)、光能转换系统(photovoltaic conversion system，PVCS)等。考虑到风力、光伏发电出力的随机性与间歇性，为提高可再生发电系统的可靠性，一般还要配置储能装置，以平滑其出力。

发电系统的可靠性评估主要用来评估系统的充裕度，属于第一层次(HL1)的评估，常用的可靠性指标有缺电时间期望(loss of load expectation，LOLE)、电量不足期望(loss of energy expectation，LOEE)等。对于含有风力、光伏以及储能的发电系统可靠性评估问题，已有国内外学者开展了诸多研究。通过建立风机(wind turbine generator，WTG)的实时出力模型，文献[2]应用序贯蒙特卡洛法评估了含风电的发电系统可靠性指标。同样建立WTG 的出力模型，文献[3]采用了离散卷积的方法对可靠性进行评估， 文献[4] 将可靠性指标扩展到了Well-Being 分析框架下。文献[5-6]分别将WTG、光伏的出力分解为多个状态，应用解析法计算可靠性。当发电系统包含储能装置时，其可靠性评估则多采用蒙特卡洛模拟法。文献[7-8]在对WTG 和光伏出力以 h 为单位进行时序模拟的同时，用其过剩功率和缺额功率更新储能实时荷电状态，模拟储能对可再生电源出力的平滑作用。在此基础上，文献[9]计及了储能不同放电策略的影响。文献[10]则以s 为单位，模拟孤岛状态下含分布式电源系统的HL1 层次可靠性指标。

分布式发电系统可以认为是一种特殊的发电系统，其位于配电系统用户侧，主要由分布式发电设备和储能装置构成，就近为用户供电。与传统发电系统有所不同，由于发电的随机性和间歇性，通常还需要外部系统支撑，共同为分布式发电系统内的负荷供电。因此，分布式发电系统的可靠性评估可以认为是对微网的HL1 层次评估,除了需要考虑微网内部的电源和负荷外，还应考虑支持微网的外部系统。另外，目前的发电系统可靠性评估方法仅简单地计及了储能装置的最大、最小荷电状态约束，储能模型的精确度有所不足。作为重要的储能装置之一， 铅酸蓄电池的两池模型(KineticModel)[11]能够较为全面地反映其充放电约束。本文选用该模型，提出一种更加精确的含风机、光伏与铅酸蓄电池的分布式发电系统可靠性评估蒙特卡洛模拟方法。同时，该方法还考虑蓄电池不同充电策略的影响。

1 铅酸蓄电池时序荷电状态模拟

1.1 充电约束

本文的蓄电池均指铅酸蓄电池。蓄电池的充电过程主要受其最大可接受充电电流的约束。假设蓄电池采用恒电流充电方式，且充电电压保持不变，蓄电池最大可接受充电功率(电流)可由式(1)得到：

式中：Qmax为蓄电池总容量，kW·h;Q为充电时刻剩余容量;c、α、k 为铅酸蓄电池两池模型参数，其中c 为两池容量比例，α为最大充电率，A/Ah，k为常数，1/h;Q1为充电时刻第一池剩余容量;Δt为模拟步长，h;Imax 为最大充电电流，A;Unom为额定工作电压，V;Socmax是为延长蓄电池寿命人为设定的最高荷电状态;Socst是充电时刻蓄电池的荷电状态。

1.2 放电约束

放电过程主要受最大可持续放电电流约束。与充电过程类似，蓄电池的最大可持续放电功率可以通过式(6)得到：

2 系统的运行方式

2.1 蓄电池的充电策略

含风光蓄的分布式发电系统的基本架构如图1所示。该系统可以看作一个由分布式的风机、光伏、蓄电池以及负荷组成的微网，通过一个外部连接点与外部电网相连。作为对分布式发电系统的支撑，外部连接系统可以是变电站或配电馈线。系统内的负荷优先由风力、光伏和蓄电池供应，当分布式电源和蓄电池无法供应全部负荷时，额外的负荷由外部系统供应。