面向多場景調節需求的集中式共享儲能魯棒優化配置

杜錫力 李笑竹 陳來軍 郝藝博 梅生偉,

面向多場景調節需求的集中式共享儲能魯棒優化配置

杜錫力1,2李笑竹3陳來軍1,2郝藝博1,2梅生偉1,2,3

（1. 青海大學新能源光伏產業研究中心 西寧 810016 2. 青海省清潔能源高效利用重點實驗室 西寧 810016 3. 清華大學電機工程與應用電子技術系 北京 100084）

隨著高比例新能源電力系統的發展，源網荷不同場景下對儲能的需求與日俱增。該文提出一種面向多場景調節需求的集中式共享儲能魯棒優化配置模型。首先，設計了兼顧協調電源側出力計劃和參與電網側調頻的共享儲能運營模式，給出了共享儲能在不同場景調節需求下的運行策略；然后，考慮源網儲的聯合出力約束與動態頻率約束，同時對發電與用電不確定性采用精確概率分布的魯棒理論進行分析，建立了考慮隨機變量極端偏差情況下的集中式共享儲能魯棒優化配置模型；最后，以修改后的IEEE 39節點對所構建模型進行仿真分析，討論了影響容量配置模型經濟性與魯棒性的關鍵因素，驗證了該文所提優化共享儲能配置模型的有效性。

集中式共享儲能 容量優化配置 多場景調節需求 源網荷不確定性

0 引言

在“碳中和、碳達峰”以及打造“國家清潔能源產業高地”的雙重目標驅動下，青海省已成為目前全國新能源裝機占比最高的省域電網[1]。由于新能源裝機容量的快速增長導致電網側壓力持續增大，電源側棄電形勢日益嚴峻，儲能以靈活性資源應對上述挑戰[2]。然而常規的儲能規劃往往從電源、電網等單一主體角度出發，難以適應共享模式下的多主體需求，因此研究兼顧多場景調節需求的集中式共享儲能優化配置方法，對推動青海省新能源電站與共享儲能的協同發展具有重要的理論意義與現實價值。

目前對集中式共享儲能的優化配置根據不同場景的調節需求主要集中在電網側與電源側。在電網側，面對高比例新能源電力系統的未來發展形態，通過儲能彌補電網中存在的調節需求，來保證新能源電力系統的安全穩定運行[3-4]。文獻[5]通過將共享儲能與火電機組進行聯合調頻來提升電網的調節能力。文獻[6]利用儲能裝置進行慣量補償來響應系統的頻率變化和提升系統的頻率穩定性，進行儲能的容量配置。文獻[7]提出了通過共享儲能平抑凈負荷波動的儲能配置方法。文獻[8]提出利用儲能來跟蹤日前調度計劃以及參與電網調頻，為電網提供頻率支撐。在電源側，通過存儲或補償功率誤差提升新能源的友好并網能力。文獻[9-10]分別利用截斷正態分布法與計算跟蹤計劃允許誤差帶法對儲能補償新能源功率預測誤差場景開展儲能配置。文獻[11]聯合共享儲能解決不同類型風電場收益分配失衡的問題，通過對風電場采用預測誤差比例分配方式的方法求解發電側共享儲能規劃模型。文獻[12]考慮了不同的風光互補方式，通過分析不同情況下新能源電站并網后的波動率進行儲能的配置。文獻[13]提出一種發電側新能源電站自配儲能下的共享儲能合作模式，各新能源電站通過發電過剩功率和缺額功率構建共享網絡，確定儲能的容量。

在對集中式共享儲能優化配置問題的求解方面，多種仿真方法、規劃理論、智能算法以及雙層優化方法等被廣泛應用到儲能配置的求解問題上。文獻[14-15]采用了不同的仿真方法，其中文獻[14]以滿足電力供需為目標，確定風光儲聯合發電系統的整體并網功率，采用蒙特卡洛仿真方法計算儲能的配置；文獻[15]分析了系統調峰能力的不確定性，基于時序運行仿真方法求解儲能的容量。文獻[16-18]均采用不確定規劃理論，分別利用隨機規劃的方法與魯棒優化的方法對儲能的配置問題進行規劃，其中文獻[16]采用隨機規劃方法對負荷和風電的隨機性進行分析，構建了多個典型場景對儲能進行規劃；文獻[17-18]均通過對新能源電站以及負荷采用不確定性方法進行分析，構建了在極端場景下的發電和負荷的隨機特征，采用魯棒優化的方法對儲能進行規劃。文獻[19-22]采用智能優化算法與雙層優化方法進行求解，其中文獻[19]以平抑風電場功率波動為目標，采用云模型和K-means聚類算法提取充放電工況曲線的典型集合求解儲能的容量；文獻[20]通過貝葉斯理論分析風光出力的不確定性，采用多目標鯨魚算法對儲能配置模型進行求解；文獻[21]通過考慮微網之間的電需求和熱需求，以共享儲能容量租賃機制為基礎，采用雙層優化方法構建共享儲能的容量配置模型；文獻[22]通過儲能參與調峰，考慮系統經濟性構建儲能的雙層優化配置模型。

總體而言，集中式共享儲能配置下目標多樣，從電源側促進新能源發電友好并網到電網側提升新能源電力系統安全經濟運行水平均有涵蓋，但大多從電源、電網等單一主體的角度出發，難以適應共享模式下的多主體多目標需求。在對優化配置問題的求解上對源荷不確定性的準確描述仍然是合理配置儲能容量時面臨的主要挑戰，多參與者之間大量的數據分析與求解、不同場景下的調節需求與目標造成的利益沖突、參與者之間復雜的不確定分析、儲能對不同參與者的響應情況等導致難以平衡集中式共享儲能容量優化配置模型的經濟性與魯棒性。

為此，本文結合青海省共享儲能發展的需求，分析了共享儲能兼顧電源側和電網側的多場景調節需求的運營模式。在此基礎上，計及源荷雙側不確定性，對發電和用電不確定變量采用的魯棒理論進行分析，并規劃在極端偏差情況下集中式共享儲能凈收益最大時的儲能容量，進而提出面向多場景調節需求的集中式共享儲能魯棒優化配置模型。最后通過多目標鯨魚算法進行求解，解決模型中多目標與非線性的復雜約束，算例仿真分析了多場景調節需求發生變化時對配置結果的影響，驗證了本文所提集中式共享儲能魯棒配置模型的可行性。

1 多場景調節需求下共享儲能運營模式

1.1 集中式共享儲能的運營模式

集中式共享儲能利用儲能在時間和空間上的互補特性，來滿足兼顧協調電源側出力與參與電網側調頻的多場景調節需求，通過合理地配置和調用儲能資源，有效提升儲能的經濟性和靈活性。在協調電源側出力的調節需求場景下，共享儲能通過充電存儲光伏電站的棄電量，通過放電補償光伏電站跟蹤調度計劃的缺額功率。在參與電網側調頻的調節需求場景下，共享儲能通過充電存儲電網中火電機組的向下調頻缺額，通過放電補償電網中火電機組的向上調頻缺額。本文所構建的集中式共享儲能多場景調節需求下的運營模式如圖1所示。

圖1 集中式共享儲能運營模式示意圖

1.2 電源側的調節需求分析

集中式共享儲能在電源側的調節需求場景下，主要用于協調光伏電站的出力計劃，解決由于光伏電站的發電時間段集中在中午，而用戶的電量使用高峰時段集中在白天和晚上，造成電力系統出現棄電、電量供不應求等問題。

集中式共享儲能在時刻用于協調電源側出力計劃調節需求場景的功率表示為

1.3 電網側的調節需求分析

集中式共享儲能在電網側的調節需求場景下，主要用于參與電網側的調頻，解決由于光伏電站并網后內部發電機組的低慣量特征以及負荷用電功率波動造成電網出現的頻率失穩等問題。

本文通過將光伏電站發電的隨機性視為負負荷，負荷用電的隨機性視為正負荷來求解凈負荷波動。研究凈負荷波動對電網頻率造成的影響，利用集中式共享儲能參與電網調頻，來緩解當電網中的火電機組出力無法調節凈負荷波動時的情況。電網中火電機組可以向上、向下調節的最大出力為

集中式共享儲能在時刻用于參與電網調頻調節需求場景的功率表示為

1.4 面向多場景調節需求的運行模式

集中式共享儲能在滿足兼顧電源側與電網側的多場景調節需求時，根據凈負荷波動的狀態可以將其劃分為兩種運行模式。

1）運行模式1：電網中火電機組出力可以滿足凈負荷波動，即共享儲能只需滿足協調電源側出力計劃的調節需求。

2）運行模式2：電網中火電機組出力無法滿足凈負荷波動，即共享儲能需要兼顧電源側協調出力的調節需求以及電網側參與彌補火電機組調頻功率缺額的調節需求。凈負荷波動超過火電機組的調頻下限，共享儲能通過放電來進行補償；凈負荷波動超過火電機組的調頻上限，共享儲能通過充電來進行存儲。

綜上所述，根據1.2節與1.3節的多場景調節需求分析，集中式共享儲能運行模式的切換依據是共享儲能參與電網側調頻需求的功率。因此集中式共享儲能以滿足電源側調節需求為前提，根據面向多場景調節需求的運行模式，可以建立集中式共享儲能容量與其充放電功率的關系表達式和儲能的運約束，具體表示為

2 集中式共享儲能魯棒配置模型

2.1 基于魯棒理論的不確定性描述

考慮源荷雙側不確定性，利用魯棒理論構造發、用電功率不確定合集，本節以光伏電站的輸出功率為例進行描述，其不確定合集表示為

通過構造拉格朗日函數，對式（7）和式（8）使用線性對偶理論可以求得偏差極端情況下光伏電站群的輸出功率，具體表示為

綜上所述，考慮發電、用電功率偏差極端情況，當光伏電站為1個時，其輸出功率的偏差系數小于1，設該光伏電站為；當負荷為1個時，其用電功率的偏差系數小于1，記該負荷為，分別達到各自不確定合集的上下邊界。

2.2 集中式共享儲能配置模型構建

1）目標函數

2）約束條件

（1）電網中火電機組運行約束見文獻[17]。

（2）共享儲能的功率平衡約束見式（2）。

（3）共享儲能的調頻功率約束見式（4）。

（4）共享儲能的運行約束見式（5）～式（7），包括共享儲能的容量約束、SOC約束和充放電功率約束。

2.3 共享儲能配置模型的魯棒特性分析

根據本文1.3節集中式共享儲能參與電網調頻的分析，結合本文2.1節發電與用電功率偏差極端情況的描述，集中式共享儲能在參與電網調頻的調節需求場景下存在以下兩種極端情況。

（1）光伏電站群發電的輸出功率達到其自身不確定合集的下邊界，負荷的用電功率達到其自身不確定合集的上邊界，系統處于供不應求的狀態。

（2）光伏電站群發電的輸出功率達到其自身不確定合集的上邊界，負荷的用電功率達到其自身不確定合集的下邊界，系統處于供大于求的狀態。

本文采用在極端情況外運行概率值（Probability Out of Extreme cases, POE）來對所構建模型的魯棒性進行分析，POE推導過程見文獻[17]，表示為

綜上所述，結合本節對共享儲能參與電網極端情況的分析與式（9），可以通過光伏與負荷不確定變量的空間集群效應與置信概率求解所構建模型的POE。當POE=0時，本文所構建模型退化為傳統魯棒優化模型。該情況下，集中式共享儲能配置結果的經濟性最低。因此，可以根據共享儲能不同發展階段的需求與特點，合理設置模型中的POE水平，在滿足多場景調節需求下兼顧共享儲能優化配置模型的經濟性與魯棒性。

2.4 集中式共享儲能魯棒配置模型求解

集中式共享儲能在可行范圍內尋求最優配置方案由多目標鯨魚算法（Multi-Objective Whale Optimization Algorithm, MOWOA）完成。集中式共享儲能模型求解流程如圖2所示。對于模型中共享儲能的功率平衡約束、共享儲能的調頻功率約束、共享儲能的荷電狀態約束等復雜約束，在算法中利用動態松弛約束方式進行處理。

圖2 容量魯棒配置模型求解流程

3 算例分析

3.1 參數設置

圖3 典型日光伏出力與負荷

3.2 面向多場景調節需求的容量配置結果

3.2.1 集中式共享儲能的運行結果

本文假設隨機性變量光伏輸出功率、負荷用電功率相對應的光伏電站與負荷的總數分別為20、30，并假設不確定變量偏差的標準值服從標準正態分布[20]（即不確定變量的預測精度為68.27%），儲能時長按1h進行配置，研究在置信概率為60%時共享儲能的容量配置結果。面向多場景調節需求的容量配置結果見表1。從表1可以看出集中式共享儲能的配置容量為85MW，電源側調節需求的收益為659萬元，電網側調節需求的收益為135萬元，多場景調節需求下的凈收益為794萬元。另外，根據式（16）可計算此時模型POE為0.02%，處于較低狀態，模型具有魯棒性。

表1 面向多場景調節需求的容量配置結果

Tab.1 Capacity configuration results for multi-scenario regulation demands

多場景調節需求下集中式共享儲能的運行情況如圖4所示。以向下調頻的極端情況進行分析，從圖4可以看出集中式共享儲能在四個典型日下任意時段的運行情況同時滿足電源側與電網側的調節需求，即處于本文1.4節所述的運行模式2。

圖4 多場景調節需求下集中式共享儲能的運行情況

從圖4a可以看出集中式共享儲能在協調電源側出力下利用較為充分，在光伏電站的發電輸出的高峰時段，共享儲能充電來吸收棄電電量；在無光伏發電時段，共享儲能進行放電來保證用電需求。

從圖4b可以看出集中式共享儲能在參與電網側調頻下，其在向下調頻極端情況下任意時段的充放電變化趨勢與凈負荷波動變化趨勢基本保持一致，因此集中式共享儲能能夠滿足電網的調頻需求，保證模型的電力供需穩定與電力供需平衡。

需要指出的是，以春季典型日與冬季典型日為例，對比圖4a可以看出，在冬季典型日的1～12時段下，光伏電站發電輸出功率較高（見圖3），但共享儲能在該時段卻處于放電狀態。一方面是由于在該時段負荷的用電功率較高（見圖3），因此需要共享儲能放電來協調電源側的出力以滿足電量需求；另一方面是由于在該時段的負荷用電功率較大，造成凈負荷的波動也較大，因此需要共享儲能放電來滿足該時刻電網的調頻需求。

3.2.2 電源側調節需求分析

集中式共享儲能滿足電源側調節需求下光伏電站的出力在四個典型日的總出力電量為13 202.56MW·h，其中棄光總電量為542.39MW·h，棄光率僅為4.1%。多場景調節需求下集中式共享儲能能夠較好地協調光伏電站的出力計劃，將棄光率保持在較低的狀態。

需要指出的是，以春季典型日為例，結合結合圖3和圖4，在春季典型日的12、14、16時段存在較少的棄光電量。這是由于該時段電力供大于求，共享儲能通過充電來降低電源側的棄電量，但該時段共享儲能的荷電狀態（式（5））已超過其正常工作的范圍。

3.2.3 電網側調節需求分析

集中式共享儲能滿足電網側調節需求下電網中火電機組的出力情況如圖5所示。從圖5可以看出：無論是在對電網進行向上調頻還是向下調頻的需求中，火電機組的總體出力一直保持在較低的狀態，這是由于所構建模型通過增加集中式共享儲能參與電網側調頻的功率來達到降低電網中火電機組的碳排放量的目的。另外，結合附表2中10個火電機組的運行參數，可以發現各個機組均保留部分出力來應對集中式共享儲能無法參與調節電網調頻需求時的情況。

需要指出的是，分析圖5中火電機組在春季典型日與冬季典型日的出力情況，可以看出火電機組在對電網進行向下調頻的總體出力小于向上調頻的總體出力，尤其是冬季典型日的14～18時段。這是由于在電網存在向上調頻需求時，光伏的輸出功率處于自身不確定合集的下邊界、負荷的用電功率處于自身不確定合集的上邊界，系統處于供不應求的狀態，因此，一方面需要集中式共享儲能放電，另一方面需要增加火電機組的出力，來滿足光伏電站的跟蹤需求和電網的調頻需求。

圖5 電網中火電機組的向上向下調頻出力情況

3.3 集中式共享儲能魯棒優化配置影響因素分析

3.3.1 置信概率與空間集群效應的影響分析

多場景調節需求下電源側與電網側調節需求功率發生變化時，集中式共享儲能的配置結果也會發生改變。需要指出的是，多場景調節需求功率的變化主要表現在集中式共享儲能的運行模式的切換。根據式（6）可知，面向多場景調節需求的集中式共享儲能以滿足電源側調節需求為前提。根據式（8）～式（10）可知，集中式共享儲能滿足電網側調節需求的功率與光伏輸出功率以及負荷用電功率的置信概率與空間集群效應有關。

集中式共享儲能參與電網側調頻的功率與置信概率的關系如圖6a所示。從圖6a可以看出，以冬季典型日為例，置信概率的改變會造成電網中存在調頻需求的不斷減少，造成在集中式共享儲能在面向多種調節需求中電網側調頻的需求占比不斷減少，共享儲能的出力趨于只需滿足電源側的調節需求。需要指出的是，當置信概率減小到30%時，集中式共享儲能參與電網調頻的功率為0，即電網中火電機組的出力能夠滿足電網存在的調頻需求，集中式共享儲能的運行模式此時處于多場景調節需求的運行模式1。

圖6 集中式共享儲能電網側需求與不確定變量的關系

集中式共享儲能參與電網側調頻的功率與空間集群效應的關系如圖6b所示。從圖6b可以看出，以冬季典型日為例，不同空間集群效應中集中式共享儲能參與電網調頻的功率保持一致，空間集群效應的改變基本不會造成電網中調頻需求的變化。需要指出的是，當置信概率大于30%時，無論空間集群效應發生怎樣的改變，集中式共享儲能始終處于運行模式2。

3.3.2 共享儲能容量配置的經濟性分析

結合前文的分析，可知不確定變量的置信概率是共享儲能配置經濟性的影響因素之一。本節研究置信概率對集中式共享儲能配置結果與凈收益影響。

不同置信概率下集中式共享儲能配置結果見表2。從表2可看出，當置信概率為=68.27%時，共享儲能的容量為86MW，收益為773萬元，模型POE=0，為傳統魯棒優化模型；當置信概率為=55.5%時，共享儲能的容量為83MW，收益為816萬元，模型POE=0.09%，共享儲能的容量降低了3MW，凈收益增加了43萬元。

表2 不同置信概率對集中式共享儲能配置結果的影響

Tab.2 The effect of different confidence probabilities on centralized shared energy storage configuration results

綜上所述，隨著置信概率的減小，共享儲能的容量在不斷減少，凈收益不斷增加。這是由于置信概率的下降使得光伏的輸出功率以及負荷的用電功率的不確定合集變小，系統中凈負荷的波動減少，電網對集中式共享儲能的調頻功率需求也在減小。相對應的儲能的容量與投資成本減小，凈收益增加。且當置信概率減小到30%及以下時，電網的調頻需求通過火電機組的出力即可滿足，集中式共享儲能處于運行模式1。

3.3.3 共享儲能容量配置的魯棒性分析

本節研究置信概率與空間集群效應對集中式共享儲能配置模型POE的影響。

多場景調節需求下不同置信概率對所構建模型POE的影響如圖7所示。從圖7可看出，隨著置信概率的減小，所構建模型的POE不斷增加，模型的魯棒性趨于不穩定。

圖7 不同置信概率對所構建模型POE的影響

多場景調節需求下不同空間集群效應對所構建模型POE的影響如圖8所示，其中采用文獻[15]的劃分情況對不同的空間集群效應進行體現，一共設置了10組空間集群效應的情況。從圖8可以看出，在空間集群效應較高的Case1下，系統POE的數值基本保持在0的位置，處于圖8中的下端方格部分。在空間集群效應較低的情況10下，系統POE的數據基本保持在1的位置，處于圖8中的上端斜線部分，以置信概率為60%為例，觀察不同空間集群效應對模型POE的影響，可知所構建模型POE同空間集群效應的變化趨勢相反，隨著空間集群效應的增加，所構建模型POE不斷減小，模型的魯棒性趨于穩定。

圖8 不同空間集群效應對所構建模型POE的影響

4 結論

針對新能源電力系統中多場景調節需求對儲能靈活性與經濟性的迫切需求，本文提出了一種面向多場景調節需求的集中式共享儲能魯棒優化配置模型。主要結論如下：

1）設計了考慮多場景調節需求的集中式共享儲能模式。該模式下集中式共享儲能能夠兼顧協調光伏出力計劃和滿足電網的調頻的調節需求，在降低光伏電站棄光率的同時，還可以減輕電網側火電機組調頻壓力。

2）建立了考慮隨機變量極端偏差情況下的集中式共享儲能魯棒優化配置模型。通過對發電與用電的不確定性進行精確刻畫，集中式共享儲能可以在光伏出力和用電負荷存在較大不確定性時，兼顧多場景調節需求的魯棒性與經濟性。

3）分析了多場景調節需求下源荷不確定性對集中式共享儲能優化配置的影響。分析表明，空間集群效應主要影響集中式共享儲能電源側的調節需求，置信概率主要影響集中式共享儲能電網側的調節需求和收益。

附 錄

附表1 集中式共享儲能的相關參數

App.Tab.1 Related parameters of shared energy storage

參數數值 儲能充、放電效率(%)90 貼現率(%)12 儲能壽命/a15 儲能自放電率(%)5 儲能調頻功率系數0.13 運行維護成本系數/[元/(MW·h)]20 000 儲能電荷狀態上限/下限1/0 儲能單位造價/(元/MW)1 200 000 儲能調頻單位輔助服務價格/(元/MW)5 儲能協調出力單位輔助服務價格/(元/MW)500

附表2 火電機組運行參數

App.Tab.2 Operating parameters of the thermal power unit

機組編號出力上界/MW出力下界/MW 1470150786.7938.540.152 4 2470135451.1646.160.105 8 3340731 049.9940.390.028 0 4300601 243.5338.300.035 4 5243731 658.5736.330.021 1 6180571 356.6638.270.017 9 7130201 450.7036.510.012 1 8120471 450.7036.510.012 1 980201 455.6039.580.109 0 1055101 469.4040.540.129 5

附圖1 修改后的IEEE 39節點系統

App.Fig.1 Modified IEEE 39 node system

[1] 伍夢堯. 清潔能源高比例發展看青海[N]. 中國電力報, 2021-07-21(1).

[2] 吳珊, 邊曉燕, 張菁嫻, 等. 面向新型電力系統靈活性提升的國內外輔助服務市場研究綜述[J]. 電工技術學報: 1-11[2022-06-25]. DOI: 10.19595/j.cnki. 1000-6753.tces.211730.

Wu Shan, Bian Xiaoyan, Zhang Jingxian, et al. A review of domestic and foreign ancillary services market for improving flexibility of new power system[J]. Transactions of China Electrotechnical Society: 1-11[2022-06-25]. DOI: 10.19595/j.cnki.1000- 6753.tces.211730.

[3] Yang Yuqing, Bremner S, Menictas C, et al. Battery energy storage system size determination in renewable energy systems: a review[J]. Renewable and Sustainable Energy Reviews, 2018, 91: 109-125.

[4] 王霞, 應黎明, 盧少平. 考慮動態頻率約束的一次調頻和二次調頻聯合優化模型[J]. 電網技術, 2020, 44(8): 2858-2867.

Wang Xia, Ying Liming, Lu Shaoping. Joint optimization model for primary and secondary frequency regulation considering dynamic frequency constraint[J]. Power System Technology, 2020, 44(8): 2858-2867.

[5] 裴佑, 裴哲義, 邱偉強, 等. 基于區塊鏈的共享儲能聯合調頻分散交易機制設計[J]. 電力自動化設備, 2021, 41(10): 138-145.

Pei You, Pei Zheyi, Qiu Weiqiang, et al. Design of decentralized trading mechanism for shared energy storage joint frequency regulation based on blockchain[J]. Electric Power Automation Equipment, 2021, 41(10): 138-145.

[6] 劉巨, 姚偉, 文勁宇, 等. 一種基于儲能技術的風電場虛擬慣量補償策略[J]. 中國電機工程學報, 2015, 35(7): 1596-1605.

Liu Ju, Yao Wei, Wen Jinyu, et al. A wind farm virtual inertia compensation strategy based on energy storage system[J]. Proceedings of the CSEE, 2015, 35(7): 1596-1605.

[7] 李咸善, 解仕杰, 方子健, 等. 多微電網共享儲能的優化配置及其成本分攤[J]. 電力自動化設備, 2021, 41(10): 44-51.

Li Xianshan, Xie Shijie, Fang Zijian, et al. Optimal configuration of shared energy storage for multi-microgrid and its cost allocation[J]. Electric Power Automation Equipment, 2021, 41(10): 44-51.

[8] 李軍徽, 侯濤, 穆鋼, 等. 電力市場環境下考慮風電調度和調頻極限的儲能優化控制[J]. 電工技術學報, 2021, 36(9): 1791-1804.

Li Junhui, Hou Tao, Mu Gang, et al. Optimal control strategy for energy storage considering wind farm scheduling plan and modulation frequency limitation under electricity market environment[J]. Transactions ofChina Electrotechnical Society, 2021, 36(9): 1791-1804.

[9] 石濤, 張斌, 晁勤, 等. 兼顧平抑風電波動和補償預測誤差的混合儲能容量經濟配比與優化控制[J]. 電網技術, 2016, 40(2): 477-483.

Shi Tao, Zhang Bin, Chao Qin, et al. Economic storage ratio and optimal control of hybrid energy capacity combining stabilized wind power fluctuations with compensated predictive errors[J]. Power System Technology, 2016, 40(2): 477-483.

[10] Bludszuweit H, Domínguez J A. Probabilistic energy storage sizing for reducing wind power forecast uncertainty[J]. Renewable Energy and Power Quality Journal, 2010, 1(8): 1153-1157.

[11] 楊帆, 王維慶, 程靜, 等. 基于誤差分配原則的發電側共享儲能容量規劃研究[J]. 電力系統保護與控制, 2022, 50(7): 91-102.

Yang Fan, Wang Weiqing, Cheng Jing, et al. Capacity planning of shared energy storage on the generation side based on the error distribution principle[J]. Power System Protection and Control, 2022, 50(7): 91-102.

[12] 熊宇峰, 司楊, 鄭天文, 等. 基于主從博弈的工業園區綜合能源系統氫儲能優化配置[J]. 電工技術學報, 2021, 36(3): 507-516.

Xiong Yufeng, Si Yang, Zheng Tianwen, et al. Optimal configuration of hydrogen storage in industrial park integrated energy system based on stackelberg game[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 507-516.

[13] 孫偲, 陳來軍, 邱欣杰, 等. 基于合作博弈的發電側共享儲能規劃模型[J]. 全球能源互聯網, 2019, 2(4): 360-366.

Sun Cai, Chen Laijun, Qiu Xinjie, et al. A generation-side shared energy storage planning model based on cooperative game[J]. Journal of Global Energy Interconnection, 2019, 2(4): 360-366.

[14] Hou Kai, Jia Hongjie, Xu Xiandong, et al. A continuous time Markov chain based sequential analytical approach for composite power system reliability assessment[J]. IEEE Transactions on Power Systems, 2016, 31(1): 738-748.

[15] 孫偉卿, 宋赫, 秦艷輝, 等. 考慮靈活性供需不確定性的儲能優化配置[J]. 電網技術, 2020, 44(12): 4486-4497.

Sun Weiqing, Song He, Qin Yanhui, et al. Energy storage system optimal allocation considering flexibility supply and demand uncertainty[J]. Power System Technology, 2020, 44(12): 4486-4497.

[16] Akram U, Mithulananthan N, Raza M Q, et al. RoCoF restrictive planning framework and wind speed forecast informed operation strategy of energy storage system[J]. IEEE Transactions on Power Systems, 2021, 36(1): 224-234.

[17] 李笑竹, 王維慶, 王海云, 等. 考慮荷源雙側不確定性的跨區域靈活性魯棒優化運行策略[J]. 高電壓技術, 2020, 46(5): 1538-1549.

Li Xiaozhu, Wang Weiqing, Wang Haiyun, et al. Robust optimized operation strategy for cross-region flexibility with bilateral uncertainty of load source[J]. High Voltage Engineering, 2020, 46(5): 1538-1549.

[18] Zahasky C, Krevor S. Global geologic carbon storage requirements of climate change mitigation scenarios[J].Energy & Environmental Science, 2020, 13(6): 1561-1567.

[19] 吳杰, 丁明, 張晶晶. 基于云模型和K-means聚類的風電場儲能容量優化配置方法[J]. 電力系統自動化, 2018, 42(24): 67-73.

Wu Jie, Ding Ming, Zhang Jingjing. Capacity configuration method of energy storage system for wind farm based on cloud model and K-means clustering[J]. Automation of Electric Power Systems, 2018, 42(24): 67-73.

[20] 李笑竹, 王維慶. 基于貝葉斯理論的分布魯棒優化在儲能配置上的應用[J/OL].電網技術:1-11[2022-06-25].DOI:10.13335/j.1000-3673.pst.2021.1978.

Li Xiaozhu, WANG Weiqing. Distributed robust optimization based on Bayesian theory application in allocation of energy storage[J/OL]. Power System Technology:1-11[2022-06-25].DOI:10.13335/j.1000-3673.pst.2021.1978.

[21] 帥軒越, 王秀麗, 吳雄, 等. 計及電熱需求響應的共享儲能容量配置與動態租賃模型[J]. 電力系統自動化, 2021, 45(19): 24-32.

Shuai Xuanyue, Wang Xiuli, Wu Xiong, et al. Shared energy storage capacity allocation and dynamic lease model considering electricity-heat demand response[J]. Automation of Electric Power Systems, 2021, 45(19): 24-32.

[22] 李軍徽, 張嘉輝, 李翠萍, 等. 參與調峰的儲能系統配置方案及經濟性分析[J]. 電工技術學報, 2021, 36(19): 4148-4160.

Li Junhui, Zhang Jiahui, Li Cuiping, et al. Configuration scheme and economic analysis of energy storage system participating in grid peak shaving[J]. Transactions of China Electrotechnical Society, 2021, 36(19): 4148-4160.

[23] 王少林, 韓鑫磊, 王海磊. 新能源場站儲能系統的魯棒優化配置策略[J]. 現代電力, 2021, 38(6): 636-644.

Wang Shaolin, Han Xinlei, Wang Hailei. Robust optimization configuration strategy for energy storage system of new energy station[J]. Modern Electric Power, 2021, 38(6): 636-644.

[24] 鄭樂, 胡偉, 陸秋瑜, 等. 儲能系統用于提高風電接入的規劃和運行綜合優化模型[J]. 中國電機工程學報, 2014, 34(16): 2533-2543.

Zheng Le, Hu Wei, Lu Qiuyu, et al. Research on planning and operation model for energy storage system to optimize wind power integration[J]. Proceedings of the CSEE, 2014, 34(16): 2533-2543.

[25] 梅生偉, 王瑩瑩, 劉鋒. 風-光-儲混合電力系統的博弈論規劃模型與分析[J]. 電力系統自動化, 2011, 35(20): 13-19.

Mei Shengwei, Wang Yingying, Liu Feng. A game theory based planning model and analysis for hybrid power system with wind generators-photovoltaic panels-storage batteries[J]. Automation of Electric Power Systems, 2011, 35(20): 13-19.

[26] Liu Sai, Zhou Cheng, Guo Haomin, et al. Operational optimization of a building-level integrated energy system considering additional potential benefits of energy storage[J]. Protection and Control of Modern Power Systems, 2021, 6(1): 1-10.

Robust and Optimized Configuration of Centralized Shared Energy Storage for Multi-Scenario Regulation Demand

Du Xili1,2Li Xiaozhu3Chen Laijun1,2Hao Yibo1,2Mei Shengwei1,2,3

（1.New Energy Photovoltaic Center of Qinghai University Xining 810016 China 2. Key Experiment on Efficient Utilization of Clean Energy in Qinghai Province Xining 810016 China 3.Department of Electrical Engineering and Applied Electronic Technology Tsinghua University Beijing 100084 China）

With the continuous development of the high proportion new energy power system, the demand for energy storage under different scenarios of source network load is increasing day by day. A robust optimal allocation model of centralized shared energy storage for multi-scenario regulation demand is proposed. Firstly, the operation mode of shared energy storage is designed, which takes into account the coordination of the power supply side output plan and participation in power grid side frequency modulation. The operation strategy of shared energy storage under multi-scenario regulation demand is given. Secondly, considering the joint output constraint and dynamic frequency constraint of source network storage, and describing the uncertainty of power generation and consumption by using the robust theory of accurate probability distribution, a robust optimal allocation model of centralized shared energy storage considering the extreme deviation of random variables is established. Finally, the modified IEEE 39 node is used to simulate and analyze the constructed model, and the key factors affecting the economy and robustness of the capacity allocation model are further discussed to verify the effectiveness of the optimal allocation model proposed in this paper.

Centralized shared energy storage, capacity optimization configuration, multi-scenario regulation demand, source-load uncertainty

10.19595/j.cnki.1000-6753.tces.220726

TM910

國家自然科學基金（52077109）和青海省科技成果轉化專項（2021-GX-109）資助項目。

2022-05-04

2022-06-25

杜錫力 男，1998年生，碩士研究生，研究方向為共享儲能的優化配置。E-mail：duxl1017@foxmail.com

陳來軍 男，1984年生，教授，碩士生導師，研究方向為新能源發電與儲能技術。E-mail：chenlaijun@qhu.edu.cn（通信作者）

（編輯 赫蕾）