通過在風電場站內優化配置儲能資源,可以有效平抑風力發電的出力波動,提高風電的并網消納水平。結合多場景隨機規劃和序貫蒙特卡洛模擬方法,提出了考慮儲能壽命折損的風電場站內儲能優化配置方法。首先,利用考慮風電出力和負荷典型場景集的隨機規劃模型,求解風電場站內儲能的初始配置方案。其次,利用自回歸滑動平均模型模擬出風電場全年時序風速,利用序貫蒙特卡洛模擬出機組、線路工作狀態時序,對配置初始儲能方案的聯合發電系統進行全年運行模擬。然后,基于運行模擬中儲能的等效循環壽命和儲能容量的收益投資比對儲能初始配置方案進行修正。仿真結果表明,所提方法能夠有效考慮風電場全年的出力變化,以及儲能循環壽命折損的影響,獲得合理的儲能優化配置方案。

0 引言

儲能資源不僅具有快速的功率調節能力,還可以實現能量在時間上的轉移。因此,在風電場站內配置儲能系統,能夠有效平抑風力發電的出力波動,提高電網消納風電的水平[1]。

目前,國內外學者對風電場儲能配置的優化規劃方法已取到了一些研究成果。文獻[1-2]提出了一種魯棒線性規劃模型求解風電場站內儲能優化配置問題,并采用風電功率的均值和波動區間上下限描述風電功率的隨機性,將不確定性模型轉化為確定性模型進行求解。文獻[3]針對于風電場儲能優化配置問題,提出了一種基于概率分布的魯棒聯合機會約束模型,并將其轉化為確定性的線性矩陣不等式問題進行求解。文獻[4]針對風電場站內混合儲能系統的優化配置問題,提出了一種結合專家系統和改進遺傳算法的求解方法。文獻[5]采用粒子群算法對風電出力的預測誤差進行了極大似然估計,并建立了含風電預測誤差置信度約束的儲能優化配置模型。文獻[6]提出了一種考慮網架結構的儲能配置雙層優化模型,并采用改進帝國競爭算法求解所提模型。文獻[7]建立了以最小化投資、運行總成本為目標函數的雙層儲能優化配置模型,并采用改進的粒子群算法進行求解。文獻[8]利用短期神經網絡模型建立了復合儲能系統與風電功率平滑度之間的混合模型,并綜合考慮復合儲能系統的技術和經濟性能,通過遺傳算法求解復合儲能系統的最佳組合方案。文獻[9-10]針對輸電系統中的儲能優化配置問題,提出了考慮風電出力場景集的0-1混合整數線性規劃模型,并采用Benders分解法進行求解。文獻[11]提出了考慮典型日場景集的輸電網與儲能聯合規劃方法。文獻[12-13]針對配電網與儲能聯合規劃問題,提出了多場景非線性隨機規劃模型與求解方法。以上儲能優化配置的研究方法主要是以魯棒優化[1-3]、遺傳算法[4-8]、隨機規劃[9-13]為基礎。其中,魯棒優化模型易于考慮不確定因素,但存在優化結果的魯棒性和經濟性難以協調的缺點。遺傳算法等智能算法存在對大規模系統難以可靠獲得高質量解的缺點。多場景隨機規劃模型一方面難以選取典型場景集,另一方面如果考慮大量的典型場景,模型復雜度又會急劇增加,難以求解。

基于運行模擬的儲能優化配置方法,通過將規劃與運行相結合的思路,能夠在儲能配置階段充分考慮風電不確定性的影響[14-20]。文獻[14]利用非參數核密度估計法對風電功率的預測誤差進行置信區間估計,計算滿足不同置信度要求的儲能配置方案。文獻[15]以我國沿海地區一個大型風電場的歷史出力數據,研究了配置不同容量儲能對風電出力波動的平抑效果。文獻[16]以小時級的風電場群預測出力作為參考,對儲能和機組的運行狀態進行優化調控,實現了總棄風功率和切負荷率的最小化。文獻[17]提出了含儲能和風電不確定性的電力系統隨機生產模擬方法。文獻[18-19]采用動態的充放電控制區間,以全年風電實際出力與目標出力總偏差最小為目標,優化儲能全年每個充放電區間的長度及區間內的充放電功率,以此計算儲能的投資與系統收益之間的靈敏度關系。文獻[20]建立了含儲能的24 h最優潮流模型,并采用運行模擬分析了不同節點配置儲能與成本之間的靈敏度,但該模型沒有分析儲能的容量和功率與成本之間的靈敏度。基于運行模擬的儲能配置方法,通過將考慮多個隨機場景的不確定性規劃模型,轉化為多個確定性模型求解,綜合考慮各隨機場景下決策變量與目標函數之間的靈敏度關系,求解方法簡單。但以靈敏度分析為基礎的運行模擬方法無法考慮連續決策變量的所有取值與目標函數之間的靈敏度關系。

與常規機組相對固定的使用壽命不同,儲能的使用壽命與其放電深度密切相關。因此,在求解風電場儲能最優配置方案時,考慮儲能充放電次數以及充放電深度對儲能壽命的影響非常必要[21-22]。文獻[21]將考慮儲能壽命成本的風儲聯合運行模型視為黑盒函數,采用網格自適應直接搜索算法求解滿足風電場并網要求的儲能最優配置容量。文獻[22]采用雨流計數法將儲能的壽命折損費用考慮到所提的風電場儲能優化配置模型中,并采用粒子群算法求解。由于儲能壽命的建模含離散的邏輯變量,因此難以直接在隨機規劃等數學優化模型中考慮。

本文結合多場景隨機規劃與基于序貫蒙特卡洛的運行模擬,提出一種考慮風電不確定性和儲能壽命折損的儲能優化配置方法。首先,利用考慮風電出力和負荷典型場景集的隨機規劃模型,求解風電場站配置儲能的初始優化方案。其次,利用自回歸滑動平均(auto-regressive moving average,ARMA)模型模擬出風電場全年時序風速,利用序貫蒙特卡洛模擬機組、線路工作狀態時序,對初始儲能配置方案進行日運行模擬,利用運行模擬中儲能的能量變化曲線,計算儲能100%充放電深度的等效循環次數,并以此對儲能的初始配置方案進行修正。最后,利用運行模擬計算投建不同儲能容量時的收益投資比,對儲能的配置方案進一步修正。對修改的IEEE-RTS 24節點算例進行仿真,結果表明所提方法能夠有效考慮風電場全年的隨機出力場景,以及儲能壽命折損的影響,可得到合理的儲能配置方案。

1 風電場儲能優化配置的模型與方法

1.1 風電場儲能優化配置的多場景隨機規劃模型

本文選取春夏秋冬4個季節的典型日風電出力場景,以及工作日和非工作日2類典型日負荷曲線,形成風電場儲能優化配置隨機規劃的典型場景集。建立多場景0-1混合整數線性規劃模型,求得風電場儲能功率和容量的初始配置方案[9-13]。

1.1.1 隨機規劃模型的目標函數

對于風電場儲能優化配置問題,本文從社會效益最優的角度研究,隨機規劃模型以最小化儲能投資與系統運行的綜合成本為目標函數[23],包括：

1)儲能投資成本;2)棄風懲罰成本;3)切負荷懲罰成本;4)常規機組發電成本。計算公式分別如下。

1)儲能投資成本,等年值投資成本

式中：Cep、Cee分別為儲能單位功率和單位容量的投資成本;PESS、EESS分別為儲能的功率和容量配置決策變量;I為折現率;Yr為儲能使用壽命年限。

2)棄風懲罰成本：

3)切負荷懲罰成本：

4)常規機組發電成本[24]：

1.1.2 隨機規劃模型的約束條件