含風電接入的區域綜合能源系統電/熱儲能配置

趙瑞鋒，王海柱，郭文鑫，劉洋，王可

(廣東電網有限責任公司，廣州510060)

0 引言

風電作為一種取之不盡、用之不竭的清潔能源，用以滿足人們日益增長的電力需求，具有較高的發展前景[1 - 2]。然而，風電所具有的間歇性、波動性以及反調峰特性一定程度上影響了電能質量和電網調峰[3 - 4]。因此，為有效緩解風電上網的波動性和反調峰特性，保證風電上網的友好性，現階段較多學術研究以及工程項目在風電上網前配置一定的儲能，通過各時段合理控制儲能的充放電，減小風電場出力的波動，達到電網側允許的并網參考功率[5]。

同時，隨著區域綜合能源系統(regional integrated energy system，RIES)的發展，電、氣、熱、冷等能量形式間的耦合程度繼續加深，儲能的形式也更加繁雜，儲電、儲熱的配合使用也更加頻繁[6]。熱電聯供機組(combined heating and power system，CHP)“以熱定電”的特性導致調峰能力受到限制，加之風電預測存在誤差，導致我國棄風問題嚴重[7]。由此可見，為滿足區域綜合能源系統內風電場出力有效上網，不僅需要安裝儲電裝置，還需要儲熱裝置的協同配合，以綜合協調電/熱資源[8]。因此，在區域綜合能源系統中合理地配置儲電、儲熱裝置，配合風電功率預測技術，具有必要性和重要意義[9]。

目前，有學者針對風電預測的儲能配置開展了部分研究，但大多集中于儲電或儲熱其中一種儲能類型，較少應用于區域綜合能源系統電/熱儲能聯合配置[10 - 12]。文獻[5]提出了一種多尺度卷積神經網絡的風電功率預測模型，并以最小化系統經濟成本、輸出功率波動性和棄風率為目標，建立了儲電容量的多目標優化配置模型。文獻[10]針對風電出力的間歇性、波動性導致的消納、并網難等問題，提出了一種基于風電功率預測與蓄電池儲能技術的風電消納預測方法。文獻[13]提出了一種計及效率提升的彈性配電網中MESS的優化配置方法。文獻[14]通過對風電場功率波動幅值的大小進行概率分析，從而開展超級電容和電池儲能的聯合功率配置；文獻[15]考慮棄風特性，建立了風電供熱、儲熱項目的數學模型，提出了確定最優容量配置的方案。文獻[16]通過對風電棄風情況的分析，制定策略來優化儲熱式電鍋爐的控制，最終設計了基于經濟性考慮的儲熱式電鍋爐優化配置模型。上述文獻主要是考慮風電的波動性，結合風電預測技術，進行儲電或者儲熱的單獨容量配置，但未考慮到混合儲能系統的優化配置。文獻[17]提出了一種兼顧混合儲能系統經濟效益和功率優化分配的雙層優化模型，用于解決風電場的棄風問題。文獻[18]提出了多能互補發電系統儲電和儲熱容量分層優化規劃方法，并引入條件風險價值方法，考慮新能源出力不確定性對儲能容量規劃結果的影響。上述文獻針對區域綜合能源系統中的混合儲能系統配置展開部分研究，考慮風電場出力的波動性，但卻均以典型日下的負荷數據進行長期儲能配置，未結合風電預測技術進行儲電和儲熱的短期優化配置。同時，隨著云儲能模式的興起，園區為降低經濟成本，可以選擇不自建儲能裝置，而是通過參與云儲能模式，共享儲能[19]。而這一模式的基礎則是先進的預測技術，需要對未來一天內的儲能需求和購買容量作出預測，因此更需要在混合儲能配置的研究中考慮風電預測的影響。

綜上所述，本文將風電功率預測技術應用于儲電、儲熱的綜合優化配置過程，同時通過云儲能模式進行電/熱儲能的聯合優化配置，提出了基于風電功率預測的電/熱儲能的聯合優化配置方法。首先，通過對風電功率預測技術的研究，提出了基于動態神經網絡的風電功率預測模型；接著，建立了儲電的充放電決策模型和儲熱的充放熱決策模型；其次，在考慮風電并網的波動性約束條件下，將經濟成本最低為作為總體目標，進行電/熱儲能的聯合優化配置；最后將所提方法應用于某地區實際數據的分析與計算，驗證了本文所提方法具有較好的效果。

1 基于風電預測的儲能配置概述

在本文區域綜合能源系統的電/熱儲能配置研究中，主要目的是為了平抑風電的波動性使其有效并網，同時滿足區域內電負荷和熱負荷的需求?？紤]到儲電、儲熱應用于區域綜合能源系統的用戶側，并且電熱之間的轉換主要由“以熱定電”特性的CHP完成，設計了包含風電、儲電、儲熱等設備的區域綜合能源系統的典型結構，如圖1所示。

圖1 含風電、儲電、儲熱的區域綜合能源系統Fig.1 RIES including wind power, power storage and heat storage

從圖1可知，各元件的分布考慮了用戶側儲電、儲熱的作用，風力發電機發電并不是直接上網，而是通過供電、供熱兩個途徑自消納，優先供給區域內電負荷和熱負荷，多余電力經過儲電和儲熱裝置的平滑作用后，得以有效上網，不會造成較大的功率波動。

云儲能模式是基于共享理念的儲能商業模式。通過引入云儲能提供商這一主體，匯集大量中小型用戶的儲能資源，利用用戶儲能行為的互補性和規模效應降低成本，節約儲能資源[20 - 22]。園區管理者可以向云儲能提供商購買云儲能，滿足園區內電、熱負荷的供應，降低風電在并網時的波動性。因此，園區管理者在配置儲能容量時需要深入考慮用戶負荷特點、儲能行為和風電功率預測。

同時，本文中園區管理者不需要自建儲能，而是以未來一天需要購進的儲電和儲熱容量為研究對象，以發揮云儲能等商業模式的優勢，即買即用。下文中將從風電功率預測技術和基于風電預測的電/熱儲能優化配置模型兩個部分分別進行研究和分析。

2 風電功率預測

目前，風電功率預測技術主要有時間序列法、模糊邏輯法、支持向量機法和神經網絡(neural network，NN)法。其中，支持向量機法和神經網絡法是典型的兩種人工智能預測方法，它們能夠通過大量數據的訓練，得到各個因素之間的函數關系，建立起風電場的風速、風向與出力之間的預測模型。相關研究表明，在歷史數據比較充足的條件下，與支持向量機等方法相比，神經網絡法在預測的精度和泛化能力上有更大的優勢，因此得到了更加廣泛的研究和應用。

但靜態神經網絡預測模型的輸入變量只考慮當前的風速和風向，無法反映系統的動態特性，當風速、風向發生較大變化時，預測精度會差很多。

2.1 動態神經網絡預測模型

文獻[23 - 24]提出了一種動態的神經網絡來進行風電出力的預測，該方法主要采用時間序列的方法，通過構造以風速、風向等變量的時間序列為輸入，以功率為輸出的動態神經網絡，預測風電功率，該方法其實是將變量的導數等變化信息隱藏在時間序列中，再利用神經網絡去模擬出時間序列和未來變化趨勢的關系，這種動態神經網絡增加了輸入量數量，在訓練時會增加收斂的難度，影響預測模型的精度。因此，本文采用數據的導數特征來表征系統的變化趨勢，從而獲得系統的動態特性，其預測模型如式(1)所示：

(1)

動態神經網絡預測模型通過風速和風向的一階導數，將它們的變化趨勢提取出來，加入到模型的訓練中，從而包含了風速和風向未來的信息，使風電功率的預測有了明確的物理意義。理論上，對于任意的非線性函數關系，都存在某一靜態神經網絡可以與其擬合，因此將靜態神經網絡和數值微分相結合所構成的動態神經網絡可以擬合非線性的動態函數，將其用于動態的風電功率預測一定能取得較高的擬合精度。動態神經網絡預測模型如圖2所示。

圖2 動態神經網絡預測模型Fig.2 Dynamic neural network prediction model

2.2 數據歸一化處理

1)風速歸一化處理；采用近幾年歷史數據統計的最大風速對風速數據進行歸一化處理。

vg=vt/vmax

(2)

式中：vg為歸一化處理后的風速值；vt為歸一化處理前的風速值；vmax為近幾年歷史數據統計的最大風速。

2)風向歸一化處理；風向的數據是以度數顯示的，歸一化采用其正弦值和余弦值。

3)溫度和濕度的歸一化處理；與風速歸一化處理的方法相同，采用近幾年歷史數據統計的最大值進行歸一化處理。

3 電/熱儲能聯合配置模型

3.1 儲電的充放電決策模型

儲能的充放電策略影響著儲能的配置情況，尤其是對于未來一天的短期儲能配置，因此需要分析儲能的充放電決策。本文以園區管理者為主體，提前一天制定購買儲能的計劃，需要利用園區內已知的負荷預測和市場電價等因素聯合制定。

在此需要說明的是本文采用分時電價來分析，更符合我國實際電力市場情況。并且，園區管理者有自身的期望充電臨界價格和放電臨界價格，本文為分析方便，將充電臨界價格設定為低于平時電價的10%，放電臨界價格設定為高于平時電價的10%。

分析充放電的經濟性和各時段用電的供求關系，儲電設備的充放電行為如下：當t時段供給電負荷的風電出力PWP,t大于負荷Pd,t或t時段電價為低谷電價時，為了不浪費過剩功率和低價電能，控制儲電設備充電；當風電出力PWP,t小于電負荷Pd,t且t時段電價為高峰電價時，為了滿足負荷需求且避免用高價電，控制儲電設備放電；當風電出力PWP,t小于電負荷Pd,t且t時段電價為平時電價情況下，電價高于用戶充電臨界電價但需要外部供電，因此儲電設備既不充電也不放電，而是直接從電網購電補足功率缺額。

進而，建立儲電設備的充放電行為模型。為方便表示，定義運算(x)+如式(3)所示。

(3)

當未使用儲電時，從電網購買功率Pt,0,G為：

Pt,0,G=(Pd,t-PWP,t)+

(4)

當使用儲電后，t時段的風電過剩功率Pt,e,B可儲存在儲電內，表達如式(5)所示。

Pt,e,B=(PWP,t-Pd,t)+

(5)

結合上述分析過程，得出園區管理者在每一時段充放電行為的數學模型如式(6)—(8)所示。

(6)

(7)

(8)

式中：PWP,t為t時段風電出力；Pt,e,C、Pt,e,F分別為t時段電負荷所需求的充、放電功率；λt,e、λg,e、λf,e、λp,e分別為t時段電網電價、低谷電價、高峰電價、平時電價；ηe,C、ηe,F分別為儲電充、放電效率；Ee,max、Ee,min分別為儲電的剩余容量最高限值和最低限值；Et-1,e、Et,e分別為t-1、t時段結束時刻儲電的剩余容量；Δt為時間間隔，本文中采用分時電價。

儲電設備的應用提高了風電的消納率，而過剩功率需要上網。根據上文分析，風電過剩功率可表示為：

Pt,e,C,WP=min{Pt,e,C,Pt,e,B}

(9)

3.2 儲熱的充放熱決策模型

由第1節含風電、儲電和儲熱的區域綜合能源系統結構可知，儲熱裝置和熱負荷是通過CHP與風電輸出功率交匯，并與上級電網相連的。本文選取抽氣式CHP，通過已安裝的氣站供氣，進行熱電聯產。CHP產熱量和產電量有一近似確定的數學模型，如式(10)所示。

Pchp,t,P=ηH2PPchp,t,H

(10)

式中：Pchp,t,P為CHP產生的電功率；Pchp,t,H為CHP產生的熱功率；ηH2P為CHP熱電比例系數，表示CHP產熱和產電之間的近似比例。

同時，CHP以熱定電的特性決定了CHP產生的熱功率跟隨用戶終端熱負荷和儲熱配合后的購熱需求而變化，進而在滿足熱負荷需求的前提下產生額外功率上網。

由于供熱端可通過CHP轉化為電功率，因此在優化模型建立過程中已將分時電價的因素考慮在供電端，在供熱端可不考慮電價因素。在供熱端，根據各時段儲熱配置和熱負荷大小，儲熱設備在每一時段充放熱行為的數學模型如式(11)所示。

(11)

對于儲電和儲熱，兩者都需要滿足如下的儲能剩余容量約束。

(12)

(13)

式中：Pt,h,C、Pt,h,F分別為儲熱設備的充熱和放熱功率；ηh,C、ηh,F分別為儲熱設備的充熱和放熱效率；Eh,max、Eh,min分別為儲熱的儲能剩余容量最高限值和最低限值；Et,h、Et-1,h分別為t、t-1時段結束時刻儲熱設備的儲能剩余容量；δe、δh分別為儲能、儲熱的自放電率；Ph,max為儲熱的最大配置功率。

3.3 電/熱儲能優化配置模型

根據3.1節和3.2節儲電和儲熱的充放能決策模型，可以進一步得到電/熱儲能優化配置模型。在優化過程中，考慮風電并網的波動性約束，將經濟成本最低為作為總體目標。

3.3.1 目標函數

minC=IC+OC

(14)

式中：C為折算到每天的總成本；IC為折算到每天的儲能購買成本；OC為儲能每天運營成本，即儲能供應不足時向電網購電的成本和CHP耗氣成本。

儲能購買成本與儲能配置有關。本文中園區管理者對外購買電/熱儲能的功率和容量是按照每日風電預測以及負荷預測值優化得到的，購買成本IC的表達式為：

IC=αPe,max+βCe,max+γPh,max+χCh,max

(15)

式中：Pe,max、Ce,max分別為儲電設備的最大功率和最大容量；Ph,max、Ch,max分別為儲熱設備的最大功率和最大容量；無論是儲電還是儲熱裝置，在進行優化配置時均應考慮兩個量，即功率配置和容量配置，α、β分別為儲電設備的單位功率投資系數和單位容量投資系數；γ、χ分別為儲熱設備的單位功率投資系數和單位容量投資系數。

儲能運營成本與電/熱儲能的充放電策略有關，包含向電網購電及CHP燃燒天然氣成本兩部分運營成本OC表達式為：

(16)

式中：T為一天的總時段，本文取T=96，即每15 min一個時段；λg為天然氣價格，元/m3；ηG2P為CHP天然氣燃燒產生電的轉化系數；r為天然氣燃燒的熱值系數，kW/m3。

3.3.2 決策變量及約束條件

本文建立的電/熱儲能配置優化配置模型的決策變量包括：儲電設備功率配置Pe,max和容量配置Ce,max； 儲熱設備配置Ph,max和容量配置Ch,max；t時段的儲電設備和儲熱設備剩余容量Et,e、Et,h；t時段的儲電設備充電Pt,e,C、 放電Pt,e,F， 儲熱設備儲熱Pt,h,C、 放熱Pt,h,F。

考慮風電并網時的功率波動不能過大，需要在優化模型中對風電并網波動性進行約束。本文選用平穩性指標描述其波動性，其計算公式如式(17)—(18)所示。

(17)

(18)

PWP,t,e=(Pt,e,B-Pchp,t,P)+

(19)

式中：Eδ為平穩性指標函數；δt為t時段的平穩性數值；PWP,t,e、PWP,t+1,e分別為t、t+1時刻風電場經儲電、儲熱后的并網功率；PN為風電場的額定容量。

需要滿足風電并網波動的平穩性約束，如下：

Eδmin≤Eδ≤Eδmax

(20)

式中Eδmin、Eδmax分別為風電并網功率平穩性指標的下限和上限。

除此之外，儲電設備和儲熱設備需滿足自身的物理特性約束，如式(21)—(25)所示。

0≤Pt,e,C,Pt,e,F≤Pe,max

(21)

0≤Pt,h,C,Pt,h,F≤Ph,max

(22)

Ee,min=kminCe,max,Eh,min=kminCh,max

(23)

Ee,max=kmaxCe,max,Eh,max=kmaxCh,max

(24)

Ee,min≤Et,e≤Ee,max,Eh,min≤Et,h≤Eh,max

(25)

式中：kmin、kmax分別為儲電設備和儲熱設備荷電狀態最小允許系數和最大允許系數；Ce,max、Ch,max分別為儲電、儲熱的最大配置容量；Pe,max為儲電的最大配置功率。

式(20)—(25)與上文的式(12)—(13)共同組成整個電/熱儲能配置優化模型的全部約束條件。

3.4 電/熱儲能優化配置模型

為更加清晰地反映風電功率預測與電/熱儲能綜合優化配置的關系，將上述求解過程系統化表達，繪制流程圖如圖3所示。

圖3 基于風電預測的電/熱儲能聯合優化配置流程圖Fig.3 Flow chart of power/heat storage joint optimal configuration based on wind power prediction

4 算例分析

本文立足于風電功率預測，以經濟總成本最小為目標，同時考慮風電上網波動性的約束，建立了區域綜合能源系統電/熱儲能聯合優化配置模型。為了驗證其經濟性和合理性，根據某地區實際的風電功率數據、電/熱負荷數據、儲電和儲熱投資參數、分時電價等數據進行計算和分析。

4.1 算例場景與原始數據

算例的主要研究對象是儲電設備和儲熱設備的功率配置和容量配置，也是優化模型的主要決策變量。儲能的主要參數如表1所示。風電平穩性指標的上下限分別設置為20%和10%。

表1 區域綜合能源系統主要元件參數Tab.1 Main component parameters of RIES

除此之外，本算例選用江蘇省峰平谷分時電價，其時段劃分及各時段電價如表2所示。天然氣網取統一價格3元/m3，熱值系數為9.7 kW/m3。

表2 峰谷分時電價Tab.2 Time-of-use peek-valley electrical price

為對比分析風電預測誤差對電/熱儲能配置的影響以及電/熱儲能聯合配置的經濟性優勢，設置3種算例場景如下。

1)場景1：只配置儲電設備，并采用風電功率的真實值；

2)場景2：聯合配置儲電設備和儲熱設備，并采用風電功率的真實值；

3)場景3：聯合配置儲電設備和儲熱設備，采用風電功率的預測值。

4.2 風電預測結果分析

考慮到電、熱儲能的優化配置，需要預測一天內24 h的風電出力，分別采用靜態神經網絡、支持向量機和動態神經網絡預測方法對風電功率進行預測，輸入為多天的風電歷史數據和天氣數據(風速、風向等)，輸出為預測日24點的風電功率，針對不同的季節建立了不同的預測模型。

分別選取春夏秋冬4個季節的典型日，預測每個典型日該風電場的發電功率，其中某典型日的功率預測結果如圖4所示，圖中黑色實線表示風電功率真實值，綠色虛線表示靜態神經網絡風電功率預測值，藍色叉線表示支持向量機預測值，紅色點線表示動態神經網絡風電功率預測值。

圖4 某典型日風電功率預測效果對比Fig.4 Comparison of wind power forecasting results of a typical day

為了驗證算法的預測效果,采用均方根相對誤差(root mean square percentage error, RMSPE)和平均相對誤差(mean percentage error, MPE)作為預測誤差評價指標，對風電功率預測效果進行評估，得到4個季節典型日的風電功率預測的誤差分析結果，如表3所示。

表3 風電功率預測的誤差分析Tab.3 Error analysis of wind power prediction%

由圖4、表3可知，動態神經網絡模型的預測精度高于支持向量機模型和靜態神經網絡模型，原因在于動態神經網絡采用數據的導數來反映系統的動態變化趨勢，提取出了風速的變化軌跡，更能符合實際，從而更好地預測未來的風速信息，提升了功率預測的精度。

4.3 電/熱儲能優化配置結果與分析

根據基于風電功率預測的電/熱儲能優化配置模型和算例數據，求解得到儲電設備和儲熱設備的最優配置和成本結果如表4所示。

表4 算例結果Tab.4 Example results

為更清晰、更直觀地反映各場景的配置結果差異和成本差異，繪制3種場景下的儲電和儲熱配置結果如圖5—6所示和3種場景下的各成本結果如圖7所示。

圖5 3種場景下的儲電和儲熱功率配置結果Fig.5 Power and heat storage power configuration results in three scenarios

圖6 3種場景下的儲電和儲熱容量配置結果Fig.6 Power storage and heat storage capacity configuration results in three scenarios

圖7 3種場景下的各成本結果Fig.7 Cost results in three scenarios

針對場景2和場景1，對比電/熱儲能聯合配置和只配置儲電兩種場景的資源利用和成本，驗證儲能配置的合理性?？梢钥闯?，由于場景1只有儲電設備參與，優化后的儲電設備功率和容量配置均較高；場景2是根據上文所述電/熱儲能優化模型而得到的儲電和儲熱配置，由于儲熱設備的參與，分擔了一部分風電和負荷，使得儲電設備的功率和容量配置相較場景1有了較大減小。在經濟性方面，電/熱儲能聯合配置在購買成本、運營成本和總成本方面均有所減小，對比場景1，場景2的總成本減小800.61元，降低9.8%。購買成本的減小是由于場景2的一部分儲電配置轉化為較低成本的儲熱配置，通過CHP熱電聯產補足供電側的需求；運營成本的減小是由于CHP的接入使得儲電和儲熱的運營決策更加合理，可以更多的在低谷電價時段充電?？偟膩碚f，在風電功率上網的環境下進行電/熱儲能聯合配置有利于節約儲能資源，同時減小總成本。

同時，為進一步驗證電/熱聯合儲能配置及本文方法的合理性，除了對比場景2和場景1之外，額外考慮兩種隨機配置情況。第一種情況是，在場景2的優化結果下，將儲電設備的功率配置、容量配置提高10%，將儲熱設備的功率配置、容量配置降低10%，驗證模型中的各約束條件均滿足，但購買成本和運營成本均提高，計算結果顯示總成本比場景2的總成本增加了256.54元，經濟性無法最優。第二種情況是，在場景2的優化結果下，將儲電設備、儲熱設備的功率配置、容量配置均降低10%，此時總成本下降，但是無法滿足風電并網波動的平穩性約束，會影響風電并網的質量。綜合上述場景2與場景1的對比及兩種情況的分析驗證了本文電/熱儲能優化配置方法的合理性。

對比場景3和場景2，即驗證動態神經網絡進行風電功率預測應用于電/熱儲能配置的合理性。計算得到，采用動態神經網絡的風電預測RMSPE值為6.93%，而計算得到儲電設備功率配置誤差5.43%，儲電設備容量配置誤差為3.75%，儲熱設備功率配置誤差為4.68%，儲熱設備容量配置誤差為5.40%，電/熱儲能配置的預測誤差整體會減小。電/熱儲能配置預測誤差相較于風電預測誤差略有減小，這是由于在儲能配置過程中每一時段的充放電是與上一時段的充放電相互關聯的，因此風電預測誤差能夠得到平抑和綜合，誤差得到部分減小。綜合上述分析，可以驗證本文動態神經網絡風電預測方法的合理性，滿足儲能配置的誤差需要。

4.4 電/熱儲能參數對成本影響的分析

為比較不同儲電和儲熱投資參數購買成本、運營成本和總成本的影響，探究電/熱儲能聯合配置是否具有普適性優勢，進一步通過算例對比分析了當選擇不同類型的儲能設備時的成本情況。

選定市場上另一種類型的蓄電池和儲熱罐，分別進行對比驗證。

1)參數對比一：儲電的功率投資系數和容量投資系數擴大為1.5倍，儲熱參數不變。

2)參數對比二：儲熱的功率投資系數和容量投資系數擴大為1.5倍，儲電參數不變。

若儲電的投資成本擴大1.5倍，即參數對比一，結果如表5所示。場景1的配置結果不變，但購買成本會增加，總成本也會增加。而場景2的配置結果也發生了改變，相較原始情況，由于儲電投資系數的擴大而導致儲電配置明顯下降，但是儲熱配置增加，最終的購買成本、運營成本、總成本依然比場景1要低。

表5 參數對比一的優化結果Tab.5 Optimization results of parameters comparison 1

若儲熱的投資成本擴大1.5倍，即參數對比二，結果如表6所示。場景1的配置結果和總成本都不變。而場景2的配置結果發生了改變，相較原始情況，由于儲熱投資系數的擴大而導致儲熱配置明顯下降，儲電配置增加，但成本依然比場景1要低。然而，可以發現，此時的購買成本已經十分接近，也就是說，電/熱聯合配置增加了儲熱設備的成本，但是換來了運營成本的進一步降低。在現有儲能市場下，電/熱儲能聯合配置更有利于節約資源，降低成本。

表6 參數對比二的優化結果Tab.6 Optimization results of parameters comparison 2

5 結語

本文提出了基于動態神經網絡的風電功率預測方法，同時建立了電、熱儲能聯合優化配置模型，在考慮風電上網波動性的基礎上，綜合供電側和供熱側進行求解，得到了儲電和儲熱最優配置結果，并將所提方法應用于某地區實際數據的計算和分析，驗證結果表明基于風電功率預測的電/熱儲能聯合配置具有很大的優勢。首先，在經濟性方面，電/熱儲能聯合配置在購買成本、運營成本和總成本方面均優于儲電的單獨配置；其次，將風電功率預測應用于電/熱儲能聯合配置，預測誤差在合理范圍內，滿足儲能配置的需要；而且，通過與儲能的配合，風電的預測誤差也能夠得到平抑和綜合。最后，通過驗證在投資參數發生變化的情況下電/熱儲能系統相較于只有儲電系統的經濟性優勢。