不確定性條件下儲能配置輔助決策方法

司學振, 李朝暉, 楊海晶, 饒宇飛, 施 濤

(1.國網河南省電力公司電力科學研究院， 鄭州 450052； 2.南京郵電大學先進技術研究院， 南京 210023)

近年來，隨著風電、光伏發電等新能源發電技術的大規模推廣和應用，新能源裝機容量占電力系統總裝機容量的比例也不斷增長[1-2]。截至2018年底，中國風電裝機容量達1.8億kW，太陽能發電裝機容量達1.7億kW[3-4]。由于新能源發電受風速、光照等自然資源條件的影響，其出力呈間歇性、隨機性和波動性。新能源發電裝機容量大規模增長的同時，對電力系統的靈活調節需求也不斷增長[5-6]。為提高系統的靈活調節能力，促進新能源的消納，除興建大型抽水蓄能電站外，以電池為代表的新型電力儲能技術也在用戶側、場站側得到了廣泛的應用[7]。而在電網側，目前在河南、江蘇等地相繼開展了電網側儲能電站的建設和示范運行，旨在通過合理布局和優化配置，充分挖掘和利用多點分散式儲能電站的聚合效應，進而滿足不同場景下電網的靈活調節需求[8-9]。關于儲能的優化配置問題，目前主要集中于用戶側、場站側等獨立應用場景下儲能配置問題的研究，對電網側儲能的配置問題研究較少。其中，王典等[10]針對并網型光儲微電網，以平準化度電成本最小化為目標，建立了電源容量優化配置模型。陳旭海等[11]采用經濟性評估法構建了儲能系統的經濟運行模型，并用于儲能配置輔助決策分析中。賈雨龍等[12]提出了一種分布式儲能系統接入配電網的容量配置和有序布點的雙層模型。楊錫運等[13]提出一種基于商業園區源/儲/荷協同運行的儲能系統多目 標優化配置模型。趙冬梅等[14]構建了包含電轉氣裝置的熱電聯產微網電/熱綜合儲能優化配置模型。

現主要針對新能源消納中的儲能配置問題，基于隨機規劃理論，建立一種考慮需求場景不確定性的儲能電源配置期望值模型，提出基于場景聚類和遺傳算法相結合的求解步驟與方法，并在含風電場的某典型區域電力系統上進行算例分析，驗證方法的可行性和有效性。

1 基于期望值模型的隨機決策原理

含有隨機變量的數學規劃問題屬于隨機規劃問題。其中，使目標函數的期望值最優化的決策模型稱為期望值模型，其一般數學表達式[15]為

(1)

(2)

式中：x為n維決策向量；ξ為t維隨機向量，其概率密度函數為Φ(ξ)；f(x,ξ)為目標函數；gj(x,ξ)和hk(x,ξ)為隨機約束函數；E為期望值算子。設Rt為t維空間域，從而有

(3)

(4)

(5)

若ξ為離散型隨機向量且分布函數Pr(ξ=ξi)=θi(i∈I，其中I為序號集)，則有

(6)

(7)

(8)

設可行解x*是期望值模型的最優解，對任意的可行解x，E[f(x*,ξ)]≥E[f(x,ξ)] 成立。

2 含儲能的新能源并網消納生產模擬

本節建立包含儲能設施的新能源并網消納生產模擬模型，可根據生產模擬計算結果評估當前儲能配置方案下新能源消納水平。

2.1 目標函數

以新能源實際發電量最大化為目標，建立新能源并網消納生產模擬模型，數學表達式為

(9)

式(9)中：N為時間周期包含的時段數目；M為新能源場站數目；Pij為第j個新能源場站在第i個時段的實際出力；Δt為單位時段的時長。

2.2 約束條件

新能源并網消納生產模擬考慮的約束條件主要包括：功率平衡約束、機組出力約束、爬坡約束、旋轉備用約束、儲能電池充放電約束等。

(1)功率平衡約束

(10)

式(10)中：G為常規機組數目；Pik為第k臺常規機組在第i時段的實際出力；PiD為第i時段的系統負荷；PiL為第i時段的系統網損。

(2)常規機組出力約束

Pk,min≤Pik≤Pk,max

(11)

式(11)中：Pk,max為第k臺常規機組出力上限；Pk,min為第k臺常規機組出力下限。

(3)調節電源爬坡約束

-Rk,-tmax≤Pik-P(i-1),k≤Rk,+tmax

(12)

式(12)中：tmax為最大允許爬坡時間；Rk,-為第k臺調節電源向下調節速率；Rk,+為第k臺調節電源向上調節速率。

(4)旋轉備用約束

(13)

(14)

式中：PiR,+為系統在第i時段向上旋轉備用要求；PiR,-為系統在第i時段向下旋轉備用要求。

(5)儲能設施充放電約束

Pe,min≤|Pie|≤Pe,max

(15)

(16)

SOCmin≤SOC≤SOCmax

(17)

式中：Pe,min為儲能設施充放電功率下限；Pe,max為儲能設施充放電功率上限；Pie為儲能設施在第i時段充放電功率；放電為正、充電為負；Ei為儲能設施當前的能量狀態；Erate為儲能設施的額定能量狀態；SOCmin、SOCmax為儲能設施充放電深度上下限。

3 基于生產模擬的儲能配置輔助決策流程

基于生產模擬的儲能配置輔助決策流程如圖1所示。由于新能源并網消納生產模擬中需要基于大量的歷史數據，建立具有典型意義的時序場景，這些場景涵蓋年、月、日等不同的時間尺度。對于時間跨度較長的場景，為了提高計算效率，通常采用聚類分析的方法，對場景進行聚類和縮減，建立新能源并網消納典型場景集，記為S，該場景集包含從s1到sm共m種典型場景。圖1中，設i為典型場景編號，則i=1,2,…,m，如式(18)所示。典型的聚類方法有K-Means、K-Medoids算法等。

圖1 儲能配置輔助決策流程Fig.1 Auxiliary decision-making of ES configuration

S=[s1s1…sm]

(18)

設ηmax為新能源消納目標指標要求，即棄風/棄光率η<ηmax。基于生產模擬模型，采用遺傳算法求取每個典型場景下的滿足新能源消納目標所需的儲能容量和能量參考值Ps,ref和Es,ref。

根據各類典型場景的隨機概率和每個場景下通過生產模擬獲得的配置方案參考值，計算儲能配置方案的數學期望EX，即

(19)

(20)

在實際工程應用中，儲能配置除需滿足場景需求外，還考慮一定的備用和可靠性要求。因此，最終儲能配置方案選取應滿足：

P′ref=Prefcp,cp>1

(21)

E′ref=Erefce,ce>1

(22)

式中:cp、ce為修正系數，視實際工程應用要求而定。

4 案例分析

以某區域電力系統為例，通過生產模擬分析其在不同場景下的風電消納情況，并根據棄風率要求，計算所需的儲能配置方案，驗證上述方法的有效性。系統的基準容量100 MV·A；系統旋轉備用系數要求為5%；棄風率要求低于5%；網損占系統負荷的3%。各常規機組參數如表1所示。

表1 電源類型與參數Table 1 Types and parameter of generation units

根據當地風力發電和負荷需求歷史數據，通過場景聚類，建立典型日風電出力和負荷需求場景集。本文選取最有代表性的10種典型日場景進行分析，如表2、表3所示。

表2 典型日風電出力特性(標幺值)Table 2 Wind power output characteristics under typical scenarios (pu)

表3 典型日負荷特性(標幺值)Table 3 Load characteristics under typical scenarios (pu)

則基于上述各典型日場景下的風電出力與負荷特性，按照圖1中決策流程，基于生產模擬模型對每個典型場景下的儲能配置需求進行求解。以場景2為例，通過生產模擬計算可知其在儲能配置前棄風率為7.32%，為滿足棄風率低于5%的要求，利用遺傳算法迭代求解，可得場景2下的儲能容量/能量配置需求為5 MW/26 MW·h。則儲能配置前后風電功率的消納情況如圖2所示。

由圖2可知，場景2中風電消納的瓶頸時段主要在00:00～05:00。此時，夜間負荷處于低谷，消納空間有限。在配置儲能后，棄風率由初始的7.32%下降至3.90%，滿足棄風率低于5%的要求。基于生產模擬模型，逐個依次求得每個典型場景下的儲能配置需求，如表4所示。

表4 不同場景下的儲能配置需求Table 4 ES requirements in different scenarios

圖2 場景2下的風電消納特性Fig.2 Wind power accommodation characteristic in scenario 2

在實際工程中，儲能配置還需要在考慮一定的備用要求、可靠性要求以及儲能模塊額定值等因素，對儲能配置方案予以修正。本案例中為修正系數取cp=1.1，取ce=1.05，則最終的儲能配置需求推薦方案為7 MW/42 MW·h。

5 結論

針對新能源消納中的靈活調節需求的不確定性，基于隨機規劃理論，建立了基于新能源并網消納生產模擬的儲能電源配置期望值輔助決策模型，提出了基于場景聚類和遺傳算法相結合的模型求解算法步驟，并在基于某典型區域電力系統進行算例分析，驗證方法的可行性和有效性。基于期望值模型的儲能配置輔助決策方法能夠較好地量化新能源功率波動帶來的需求場景不確定性，實現目標期望值的最優化，對提高儲能配置的量化決策水平，促進新能源消納具有積極作用。下一步將從輔助服務市場的角度，深入研究新能源消納需求下的儲能配置成本效益量化模型和輔助服務定價機制，從技術性和經濟性兩方面考慮儲能技術在電力系統的配置和應用。