電力市場環境下新能源產業園儲能優化控制策略研究

吉 斌 譚建成 曾雪彤

?

電力市場環境下新能源產業園儲能優化控制策略研究

吉 斌 譚建成 曾雪彤

（廣西電力系統最優化與節能技術重點實驗室（廣西大學），南寧 530004）

本文研究電力市場環境下新能源產業園儲能系統的優化控制策略。根據超短期風光發電預測，選擇產業園工業負荷的日運行方式；利用產業園儲能系統與躉售電力市場的交互，補償產業園綜合不平衡電量，在分時電價激勵下，參與電網削峰填谷。建立了產業園儲能系統電力市場環境的非線性數學規劃模型，編制了Matlab程序進行求解。通過對3種典型案例的分析，驗證了所提儲能控制策略的可行性，討論了風光預測不確定性的實時電力市場應對方案，通過儲能的優化控制，實現了電力市場環境下新能源產業園與電網的無縫連接、調度及間歇性可再生能源的異地消納。

儲能系統；最優控制；日前電力市場；產業園微電網；虛擬同步機

能源是人類社會生產生活的基礎，是社會發展的保障。近年來，隨著化石能源消耗的增長，因化石能源而引發的生態、氣候、國家安全問題也日益顯著，備受世界各國關注。目前關于能源主要存在以下問題：①化石能源發電帶來的環境問題日趨突出，而人類對能源的需求卻日益增大，因化石能源而引發的世界范圍的社會安全問題也日益增多；②使用化石能源而導致的霧霾，已嚴重影響我國北方工業政治中心的發展，綠色低碳已成為未來能源的發展趨勢；③風起云涌的風、光可再生能源的快速發展，對電網的調度優化提出了嚴峻的挑戰，嚴重棄風棄光現象的發生，已成為可再生能源消納必須解決的問題[1]。

傳統日前調度為確定性發電機組的非凸混合整數非線性規劃優化問題，以系統總運行費用最小為目標，滿足功率平衡、電壓安全，機組起停、爬坡及有功、無功上下限等約束條件。含風光不確定性能源的日前調度主要采用：①不確定規劃法，利用Monte Carlo模擬、機會約束規劃、相關機會規劃等技術進行求解[2-3]。當采樣規模足夠大時可獲得滿意的計算精度，但計算量過大；②引入電力不足概率、電量不足期望值、負荷不足期望指標、系統失負荷等風險指標的隨機優化問題，通常無法直接采用隨機變量的分布函數進行求解[4]，往往將其進行離散化處理，演繹成具有有限個情景的概率問題；③多案例方法[5]，根據概率分布，對風光發電樣本抽樣形成多個離散運行案例，并對單個案例進行分別尋優的優化方法。多案例調度中案例的生成多采用不確定變量概率分布的蒙特卡羅法、拉丁超立方抽樣法等，樣本集規模龐大。以上求解方法雖考慮了風光新能源的隨機性、不確定性，但究其實質還是將不確定的風光發電轉化為允許風險下的擬常規機組的調度方式。

隨著儲能技術的發展，儲能已成為提升能源互聯網靈活性、安全性、穩定性，提高可再生能源消納的關鍵技術之一[6]。應用儲能平抑風電波動，已有大量學者進行了相關研究[7-8,15]。文獻[9]研究儲能系統用于提高風電接入的規劃和運行綜合優化模型，構建了多源并存的風-火-水-儲-氣聯合優化調度模型。文獻[10]進一步研究含大規模儲能的火電儲協調調度模型，提出了基于雙層規劃和機會約束目標規劃結合求解方法。文獻[11]給出了儲能在主動配電網的容量配置方案。綜合分析以上文獻，儲能多用于平滑風電出力曲線，其在系統中的作用并不明確。如能針對系統平衡電量（負荷與風光出力之差）曲線進行補償，可有效地降低電網調節難度。文獻[12]建立電力市場環境下發電側、供電側、大規模儲能系統及用戶響應的實時電價動態博弈聯動模型，指出大規模儲能電站的設置，可降低負荷峰谷差及各時段的電價差；需求側大規模電池儲能是解決電源、電網建設瓶頸及消納新能源發電的理想途徑。文獻[13]提出了基于模型預測控制的風/儲集成發電系統的滾動調控策略，并將預測值作為調度指令，通過功率調節單元內的控制策略計算出合理的儲能充放電功率，以補償調度指令和風場實際輸出的差值，實現風/儲集成系統跟蹤調度指令的能力。

隨著現場實測的風光物理預測技術的發展，風光發電的在線預測精度正穩步提高。未來7天144h的短期功率預測精度已達90%左右，超短期預測誤差可小于2.5%[14]。相比于不確定規劃法、機會規劃法，在線風光功率預測的調度規劃將進一步提高系統的安全性及可靠性。規模化儲能也將作為新能源并網消納的明星技術之一，正向商業化模式發展[15-16]。

隨著新能源占比的提高，100%新能源的本地消納模式將成為間歇性可再生能源消納的發展趨勢。常規確定性可調機組的調度策略及其改進算法無法勝任完全不可調度的風光新能源的本地消納模式的優化與調度，從而本文提出一種電力市場環境下產業園儲能系統的優化控制策略。不同于常規確定性機組的調度優化，而采用風光發電預測驅動負荷運行的機制。根據超短期風光發電預測，選擇產業園工業負荷的日運行方式；利用產業園儲能系統與躉售電力市場的交互，補償產業園綜合不平衡電量，并參與電網的削峰填谷，從而實現產業園供需平衡、安全穩定運行及間歇性可再生能源的本地消納。本文簡單介紹了新能源產業園的源網荷構架，產業園的儲能配置及優化控制策略。建立了產業園儲能系統電力市場環境下的數學規劃模型，編制了Matlab程序進行求解。對3種典型案例的分析，驗證了該機制的可行性。

1 新能源產業園的配網架構

新能源產業園采用±20kV柔直電網，由4條±20kV直流線路、兩個柔性直流換流站、兩個DC/DC變換站組成。主要負荷為3組6MW工業負荷，及為其提供輔助服務的可中斷負荷。電能的供應主要由本區域的風力發電廠、光伏發電站供給。產業園基地安裝有12.5MW×4h儲能電池單元，應急發電機等設備。新能源產業園通過單點接入主電網，參與躉售電力市場的實時交易。

1.1 風力發電廠

風力發電廠由10臺2.5MW、GW121-2500直驅永磁發電機組成，共25MW。單機額定風速為9.3m/s，額定功率為2500kW。機組切入風速為3m/s，10min平均切出風速為22m/s，3s可承受最大風速為52.5m/s。

圖1 新能源產業園配網結構圖

1.2 光伏電站

新能源產業園的光伏電站額定發電容量為10MW。新能源產業園的光伏發電單元的主接線采用單母分段結構，接入母線5，經DC/DC雙向隔離變壓后由母線3接入±20kV柔性直流電網為產業園負荷供電。

1.3 儲能系統

產業園的儲能系統采用能量密度功率密度優越的超級電容電池（super-capacitor energy storage system, SESS）模型，具有超級電容及電池儲能的綜合優勢，功率密度高、充放電速度快，循環使用壽命長等優點。

儲能系統的充放電控制電路如圖4所示。當S1關斷，S2以給定占空比通斷時，超級電容電池以給定速度向系統釋放能量（放電控制）；反之，當S2關斷，S1以給定占空比通斷時，超級電容電池以給定速度吸收來自系統的能量（充電控制）。設SOCmin為儲能系統的禁放電量，SOCmax為儲能系統的禁充電量，則儲能系統禁充電量可定義為其額定容量，禁放電量可按需進行配置。

圖2 超級電容電池儲能系統

1.4 產業園與電網的交互

新能源產業園經并網點PCC與交流電網相聯，參與躉售電力市場交易、獲取所需的相關輔助服務。PCC點柔性換流器采用虛擬同步機控制策略，具有同步發電機、同步電動機運行模式。當產業園售出盈余電量時，PCC柔性換流器運行于同步發電機控制模式；在買入系統電量時，切換至同步電動機模式。柔性換流器還具有獨立的有功、無功、交流電壓、直流電壓控制功能，可獨立控制PCC交流母線電壓、有功無功輸出，執行調度下達的調頻調壓指令。

2 新能源產業園源荷綜合平衡

2.1 風光發電預測

風光發電預測可分為物理預測及統計預測兩大類[17]。基于統計的預測根據歷史數據，對未來某時段的非水可再生能源發電進行預測，適用于中長期規劃。基于物理的預測方法，接收多方實時數字天氣預報信息，結合風光發電站測光塔和測風塔現場實測數據（如風速、風向、光照強度、光照角度、濕度、溫度等因素），考慮風光發電廠周圍地理環境，采用風光發電設備廠家提供的出力曲線進行預測。風光可再生能源發電集合預報含預測值，及給定置信水平下的預區間[預測上限max，預測下限min]，如圖3所示。

圖3 基于物理方法的新能源發電集合預測系統

圖4為某風電場采用物理集合預測技術的7天144h預測值。分別對應置信水平2.5%和97.5%，構成置信水平區間為95%的風電預測出力上下界。

圖4 風電出力144h的預測圖

考慮光伏出力時，某新能源基地7天144h的風光綜合出力預測值如圖5所示。基于物理方法的短期或超短期集合預測，采用實時運行時間尺度，對負荷與新能源出力的預測相對更加準確。

圖5 風光出力144h預測圖

設時段時風電場、光伏電站預測出力分別為wind、pv對應時段時的預測電能輸出wind和pv為

2.2 產業園運行方式及綜合平衡

對于工業負荷的運行方式可根據需要進行調整。以某小型電解鋁產業園為例，一條生產線由多個電解槽串聯組成，具有電解及保溫兩種狀態。生產線運行于電解狀態時，具有低電壓大電流大功率的特性；處于保溫狀態時，不電解，消耗的功率僅為維持電解槽連續工作所需溫度的電量；電解槽保溫狀態可持續數小時然后恢復電解，一般為5～8h不等，依生產線設備的不同而不同。

設產業園總負荷為L按電力供應情況及生產線可能的安排方式，已擬定種常用的運行方式。設運行方式，其對應的預測負荷為L()，其中=1, …,，則產業園負荷以運行方式在[0,]時段運行時消耗的電能為

設運行方式1和n對應三組3×6MW工業負荷全天候24h投入、退出的運行方式；運行方式k為二組2×6MW全天候24h投入的運行方式；運行方式j在0∶00—16∶00時段，三組工業負荷全部投運，在16∶00—24∶00時段，一組工業負荷退出運行。圖6為給定1、k、j運行方式的負荷預測。

產業園孤島運行時，通過儲能系統充放電過程的優化控制，補償產業園在給定日前24h各時段的綜合平衡電量，實現產業園孤島運行時供需平衡。產業園聯網運行時，根據產業園風光發電預測，調整產業園工業負荷運行方式，儲能系統在補償產業園綜合平衡的同時，參與電力市場交易，獲取產業園安全穩定運行所需的輔助服務，在實時電價激勵下，還可參與電網削峰填谷，其數學模型如第3部分所述。

3 儲能參與日前電力市場的數學模型

接入產業園的風光可再生能源，其邊際發電成本接近零邊際成本價，通過優惠電價與產業園工業企業達成大用戶直購電協議，激勵地區工業的發展。產業園微網運維商利用產業園儲能配置容量，結合產業園運行方式優化，通過虛擬同步發電機控制，參與躉售電力市場博弈。有電力需求時，產業園作為買方從躉售電力市場購電，有剩余電量時作為賣方向躉售電力市場輸出剩余電能，從而實現間歇性可再生能源的本地消納和供需平衡，并通過躉售電力市場，將盈余電量送至遠方異地消納。

產業園參與躉售電力市場有售電、購電模式。當綜合平衡電量為負時，產業園為躉售電力市場的用戶，即購電者；當綜合平衡電量為正時，向躉售電力市場輸出盈余電量。設儲能系統充放電過程以給定速度勻速進行，輸出穩定功率，D()為儲能系統在時刻的充（放）電量，可表示為

當D()＞0，儲能系統放電。儲能系統總荷電量SOC()較SOC(-1)減少D()。當D()＜0，儲能系統充電，儲能系統總荷電量SOC()較SOC(-1)增加|D()|。單位時間的充放電量|D()|受充放電勻速的限制。設儲能系統在單位時間最大放電量為1，最大充電量為2。在時段[-1,]，儲能系統充電，可表示為

在時段[-1,]，儲能系統放電，其放電量可表示為

設產業園電力盈余向電網售出電量時，trade()為正，反之為負。產業園交易電量trade()與時段產業園的綜合平衡電量E()、儲能系統荷電狀態SOC(1)和SOC()有關，可用下式表示：

設()為產業園在日前電力市場[-1]時段的交易電價，在該時段的期望收益為

產業園在平衡本體綜合不平衡電量的同時，參與電力市場博弈，在實時電價激勵下參與電網削峰填谷的目標函數等式約束、不等約束可分別表示為

等式約束為

不等約束為

式中，trade(t)為產業園時刻在躉售電力市場的交易電量；()為時刻產業園的日前電力市場電價；H()為時刻產業園綜合平衡電量；D()為儲能系統時刻的充（放）電量；SOC()為儲能系統時刻電量；SOC(-1)為儲能系統(-1)時刻電量；pv()為時刻光伏發電預測量；wind()為時刻風力發電預測量；load()為時刻產業園預測負荷電量；SOCmin為儲能系統的禁放電量；SOCmax為儲能系統禁充電電量；pccmin為PCC母線最低電壓限制；pccmax為PCC母線最高電壓限制。

4 案例分析

為驗證本文提出的儲能系統優化控制策略，首先需要對產業園的風光進行在線發電預測，結合預測結果匹配相應的電解鋁運行方式，利用Matlab軟件根據約束式（4）至式（13）進行編程確定產業園儲能系統參與躉售電力市場的時間和交易電量。本文通過對產業園給定的3種綜合不平衡電量案例進行綜合分析，論證本方案的可行性。

4.1 案例1

風光發電預測見表1。應用式（5）得產業園運行方式1綜合平衡電量最小，該運行方式三組電解鋁負荷全開，其24h風光、發電預測、負荷用電及綜合平衡電量、相關電價見表1。

表1 產業園綜合平衡1

（續）

時段光伏/ MWh風電/ MWh運行方式1/ MW綜合平衡/ MWh日前電價/ (元/MWh) 12∶009.117.025.01.1300 13∶009.317.025.01.3300 14∶009.517.024.02.5300 15∶008.817.023.02.8300 16∶008.217.023.02.2300 17∶006.517.024.0-0.5450 18∶005.620.025.00.6450 19∶003.920.025.0-1.1450 20∶001.820.025.0-3.2450 21∶000.119.024.0-4.9450 22∶00019.023.0-4.0300 23∶00019.020.0-1.0300 24∶00019.020.0-1.0300

由圖7（a）可見，產業園24h不平衡電量波動幅度較小時，利用儲能容量參與實時電力市場，根據儲能充放電約束和市場價格變化編制Matlab程序，確定儲能系統在1∶00—5∶00和9∶00—15∶30時段參與實時電力市場購電，對應躉售電力市場電力供大于求的時段；其他時段儲能參與售電，獲得利益。

圖7 產業園綜合平衡1

由圖7（b）可知，躉售電力市場電高峰時段 [6∶00—9∶00]，[16∶00—21∶00]電價高，根據Matlab求解結果確定產業園向電力市場售出盈余電能的時刻和電量，此時產業園運行于虛擬同步發電機模式，向外電網供電；在躉售電力市場“低谷”時，產業園運行于虛擬同步電動機模式，根據Matlab計算的結果確定低價“吸納”主電網多余電能的電量和時刻，用于生產和儲存，參與電價激勵下的主電網削峰填谷運行。觀察圖7（b）可知，時段[1∶00—4∶00]為“低谷”時段，分時電價出現負值，儲能系統“吸納”主電網多余電量的同時，還增加了部分收益。低谷負電價使儲能系統充放電雙向獲益，激勵將來典型儲能調峰調頻的發展，有效實現系統削峰填谷。躉售電力市場出現負電價，主要原因有：①作為基荷的核電機組無法短時經濟退出；②新能源機組的邊際成本價格因受補貼的影響可能低于零邊際成本價。

4.2 案例2

表2給出對應風光發電預測。應用式（5）求得產業園運行方式。在0∶00—16∶00時段，三組電解鋁負荷全部投運；在16∶00—24∶00高峰負荷時段，一組電解鋁負荷退出進入保溫狀態運行。對產業園工業運行方式的分析計算，表明運行方式k較適宜該風光預測案例。由圖8可觀察，1∶00—5∶00時段為用電“低谷”，電網電價較低，此時三組電解鋁負荷及儲能系統全部投入，消耗廉價電量。16∶00—24∶00高峰時段，一組電解鋁負荷退出，儲能逐步減少，實現產業園的經濟運行。

表2 產業園綜合平衡k

(續）

時段光伏/ MWh風電/ MWh運行方式1/ MW綜合平衡/ MWh日前電價/ (元/MWh) 13∶009.619.222.06.8350 14∶0010.019.222.07.2350 15∶009.820.020.09.8350 16∶008.020.020.08.0400 17∶006.020.017.09.0480 18∶004.019.616.07.6480 19∶002.020.016.06.0480 20∶00019.116.03.1480 21∶00020.016.04.0480 22∶00020.013.07.0380 23∶00017.813.04.8380 24∶00020.013.07.0380

圖8 產業園綜合平衡k

4.3 案例3

風光預測發電量波動較大，產業園電解鋁負荷全天開兩組，對應運行方式1。觀察圖9（a）可見，24h綜合平衡電量波動較小，利用Matlab確定具體產業園儲能系統具體參與市場的時間和電量。根據優化的結果確定儲能系統在1∶00—5∶00時段和14∶00—15∶00時段進入充電狀態。結合圖9（b）分時電價可看出，電價較低，電網運行于“低谷”時段，產業園通過PCC點向電網購電。在7∶00—10∶00時段和17∶00—22∶00時段，電價較高，電網處于用電“高峰”時段，根據Matlab的結算結果確定產業園通過PCC點向電力市場售出電量，獲得最優收益，滿足儲能系統充放電速度及容量約束條件。

圖9 產業園綜合平衡j

綜上，在電力市場環境下，通過產業園儲能系統參與日前電力市場的優化控制策略，受躉售電力市場實時電價引導和自身儲能充放電速度以及容量的限制。通過算例結果可知，將風光發電-產業園生產運行-儲能系統三者合理優化組合參與躉售電力市場可以獲得可觀的收益。

5 結論

本文研究電力市場環境下新能源產業園儲能系統的優化控制策略。根據超短期風光發電預測，選擇產業園工業負荷的日運行方式；利用產業園儲能系統與躉售電力市場的交互，補償產業園綜合不平衡電量，并參與電網的削峰填谷。建立了產業園儲能系統電力市場環境的非線性數學規劃模型，編制了Matlab程序進行求解。對3種典型案例的分析，驗證了該機制的可行性。

不同于常規確定性機組的調度優化，100%新能源產業園依據風光發電預測選擇工業負荷運行方式。通過控制規模儲能系統的充放，與躉售電力市場交互。對產業園儲能系統的優化控制，既補償了產業園綜合不平衡電量，在分時電價激勵下參與電網的削峰填谷，又同時通過躉售電力市場將盈余電量送至遠方異地消納。

[1] 杜欣. 我國棄風棄光現象的成因及對策分析[J]. 產業與科技論壇, 2017, 16(19): 85-87.

[2] Wang Qianfan, Guan Yongpei, Wang Jianhui. A Chance-Constrained Two-Stage stochastic program for unit commitment with uncertain wind power output[J]. Power Systems, IEEE Transactions on, 2012, 27(1): 206-215.

[3] 張坤亞, 馬平, 趙世文, 等. 含風電場的電力系統環保經濟調度[J]. 電氣技術, 2017, 18(3): 25-29, 46.

[4] 熊虎, 向鐵元, 陳紅坤, 等. 含大規模間歇式電源的模糊機會約束機組組合研究[J]. 中國電機工程學報, 2013, 33(13): 36-44, 前插5.

[5] Teng F, Trovato V, Strbac G. Stochastic scheduling with inertia-dependent fast frequency response requirements[J]. IEEE Transactions on Power Systems, 2016, 31(2): 1557-1566.

[6] 高亞靜, 李瑞環, 梁海峰, 等. 考慮間歇性電源與負荷不確定性情況下基于多場景技術的主動配電系統兩步優化調度[J]. 中國電機工程學報, 2015, 35(7): 1657-1665.

[7] 國家電網公司“電網新技術前景研究”項目咨詢組, 王松岑, 來小康, 等. 大規模儲能技術在電力系統中的應用前景分析[J]. 電力系統自動化, 2013, 37(1): 3-8, 30.

[8] 陳聰偉, 江修波, 劉麗軍. 考慮時序與儲能配合的分布式電源優化配置研究[J]. 電氣技術, 2017, 18(6): 41-47.

[9] 張晴, 李欣然, 楊明, 等. 凈效益最大的平抑風電功率波動的混合儲能容量配置方法[J]. 電工技術學報, 2016, 31(14): 40-48.

[10] 甘偉, 艾小猛, 方家琨, 等. 風-火-水-儲-氣聯合優化調度策略[J]. 電工技術學報, 2017, 32(S1): 11-20.

[11] 趙書強, 王揚, 徐巖, 等. 基于機會約束目標規劃的高風電接入比例下大規模儲能與火電協調調度[J]. 中國電機工程學報, 2016, 36(4): 969-977.

[12] 顏寧, 厲偉, 邢作霞, 等. 復合儲能在主動配電網中的容量配置[J]. 電工技術學報, 2017, 32(19): 180- 186.

[13] 崔強, 王秀麗, 劉祖永. 市場環境下計及儲能電站運行的聯動電價研究及其效益分析[J]. 中國電機工程學報, 2013, 33(13): 62-68, 前插8.

[14] 楊德友, 溫佳鑫, 陳家榮, 等. 用于提高風電場可調度性的儲能系統預測控制策略[J]. 高電壓技術, 2017, 43(3): 1043-1048.

[15] Wind Power Forecasting, www.aeso.ca

[16] 鄧恢平. 儲能進入商業化“臨界點”[N]. 中國電力報, 2017-10-19(007)

[17] 陳深, 毛曉明, 房敏. 風力和光伏發電短期功率預測研究進展與展望[J]. 廣東電力, 2014, 27(1): 18- 23.

Energy storage optimal control strategy for renewable energy based industrial park under electricity market

Ji Bin Tan Jiancheng Zeng Xuetong

(Institute of Power System Optimization (Guangxi University), Nanning 530004)

An optimal control strategy of energy storage systems is proposed in the paper for applications in an renewable energy based industrial park under electricity market. Driven by the short term forecast of hourly electricity generation of wind and solar plants, a load daily operational mode is chosen that best fit the application. The controlled energy storage system interacts with the wholesale electricity market, selling and purchase electricity to compensate the imbalance hourly power in the industrial park, as well contribute to the valley filling and peak shifting under the hourly price incentives. A nonlinear optimization programming problem of the energy storage system is formulated in the paper and solved using a Matlab solver. Analyzing into the three scenario examples have proven that the proposed energy storage control strategy is feasible. The paper discusses the uncertainty associated with wind and solar power projections, where measures in real-time market to deal with the uncertainty are analyzed. By optimal control of the energy storage system, seamless connection and trading to the wholesale electricity market, dispatching between the renewable energy based industrial park and intermittent renewable energy accommodation are realized.

energy storage systems; optimal control; day-ahead electricity market; industrial micro-grid; virtual synchronous machine

2018-03-26

吉 斌（1992-），男，安徽省馬鞍山市人，碩士研究生，主要從事電力市場及需求側管理方向的研究工作。

廣西壯族自治區重點實驗室資助項目（AE02003304）