基于風電功率預測誤差區(qū)間的儲能系統(tǒng)控制策略

嚴干貴，馮凱翔，劉 嘉，李軍徽，王 月，孫兆鍵，李鴻博

（1東北電力大學，吉林 吉林 132012； 2廣西電網有限責任公司，廣西 南寧 530029； 3國網煙臺供電公司，山東 煙臺 264000； 4國網吉林省電力有限公司培訓中心，吉林 長春 130022）

風能作為當前最具發(fā)展?jié)摿Φ姆撬芸稍偕茉?，在世界范圍內得到快速的發(fā)展，對比傳統(tǒng)的化石類能源，具有安全、可靠、無污染的良好特性，并且逐步發(fā)展為一種新興主導能源。然而，由于風速具有較強的隨機波動性，且風速預測也存在一定的誤差[1-2]，風電場的輸出功率隨之具有波動性和不確定性。為保證電網的安全運行，電網調度人員通 常按歷史最大預測誤差預留電網空間，這將限制聯(lián)網風電機組的入網容量。儲能系統(tǒng)在響應速度、調節(jié)精度上明顯優(yōu)于傳統(tǒng)火電機組[3]，與風力發(fā)電系統(tǒng)聯(lián)合運行已成為解決大規(guī)模風電并網受限問題的有效手段。風電場的儲能裝置用于應對風電功率的隨機波動，能有效彌補風電功率預測的風電調度風險，保障電網的安全運行。但是，利用儲能系統(tǒng)提高風電功率確定性及其策略評估的研究還比較少。

文獻[4]指出儲能能夠提高風電對其并網系統(tǒng)的友好性，并設計了一種儲能平抑風電出力波動的策略。文獻[5]考慮未來風電出力波動對儲能裝置當前充放電行為的影響，提出了一種新的電池儲能平抑風電場出力短期波動的運行控制策略。文獻[6]為了更好利用儲能系統(tǒng)平抑大容量風電場功率波動，提出采用多級全釩液流電池（vanadium redox flow battery，VRB）儲能的功率優(yōu)化分配控制策略。文獻[7]為提高風電功率的可控性，依據(jù)國家電網公司關于風電場并網的技術規(guī)定，提出了一種基于新型混合儲能系統(tǒng)平抑風電波動功率的方法。文獻[8]為縮小0～24 h時間尺度內的風電功率波動幅度，抑制風電輸出較大峰谷差，提高風電可靠性，改善電網調峰能力，基于風電功率短期預測技術，提出了平抑風電功率波動的全釩電池儲能系統(tǒng)（vanadium redox flow battery energy storage system，VRB-ESS）運行控制策略。文獻[9]提出了一種基于模型預測控制（MPC）的實時平抑風電場功率波動的電池儲能系統(tǒng)（BESS）優(yōu)化控制方法。文獻[10]指出大規(guī)模電池儲能系統(tǒng)是平抑風電出力波動的有效途徑，介紹了一種鉛酸蓄電池的三階動態(tài)模型，驗證了仿真模型的準確性及有效性。

以上文獻主要研究平抑風電場輸出功率及其控制策略設計。本文針對傳統(tǒng)風電調度方法導致風電大量棄風的問題，基于時間序列自回歸模型預測風電功率，提出利用儲能系統(tǒng)應對風電調度風險、提高風電調度入網規(guī)模的控制策略；分析風電歷史數(shù)據(jù)，選擇適當?shù)母怕暑A測區(qū)間作為儲能系統(tǒng)動作的閾值，從風電調度入網規(guī)模、風電發(fā)電量、電網空間利用率等方面，評估了利用儲能系統(tǒng)提高風電接納規(guī)模以及容量配置，為提高風電調度入網容量提供了決策依據(jù)。

1 風電調度原理及調度策略評價指標

1.1 風電調度的基本原理

風電調度的基本原則是在不危及電網安全的前提下，最大限度利用電網可利用空間。以一定裝機容量的歷史運行數(shù)據(jù)作為風電基準值，滾動預測未來調度時段的風電最大出力值。根據(jù)該預測值對電網可利用空間的占比，確定各時段安排多大基準裝機容量能夠實現(xiàn)全額利用電網空間。相應時段的風電調度入網容量計算公式[11]見式(1)

由式(1)可知，風電功率預測最大值越大，為了使調度入網規(guī)模不超過電網的接納極限，單位時段風電調度入網容量必須相應減小。

1.2 調度策略評價指標

為了驗證本工作提出策略的有效性，提出三個評價指標：電網空間利用率、平均入網容量及風電總發(fā)電量[12]。

電網空間利用率，從“網”的角度評價調度策略。以調度日某時段最大風電功率占該時段電網空間的百分比作為評價指標。即k時段電網空間最大利用率

式中，ηgrid，max∈（0,1），該值越大，表明電網空間得到的利用越充分。

平均入網容量和風電總發(fā)電量，從“源”的角度評價調度策略。風電的平均調度入網容量以調度日各調度時段入網容量和的平均值作為評價指標。計算式見式(3)

式中，kC表示調度時段k的風電調度入網容量，N表示總的風電調度時段。風電的總發(fā)電量以調度日單位時段風電實際出力的積分和作為評價指標，算式見式(4)

2 基于概率區(qū)間預測的風電調度策略研究

2.1 基于時間序列法的風電功率預測模型

風電功率預測精度對于解決風電合理調度具有重要意義。時間序列法的自回歸模型所需資料不多，可用自變量數(shù)列來進行預測。因此這種方法廣泛適用于某些具有時間序列趨勢相關的經濟自然現(xiàn)象，即受歷史因素影響較大的經濟自然現(xiàn)象，如各種開采量，各種自然產量等。

自回歸模型具體形式為：

式中，tx代表隨機變量；p代表模型的階數(shù)；0φ為常數(shù)項；φ1，φ2…，φ p為自回歸系數(shù)，εt為隨機干擾量。

以一定裝機容量的Q天歷史運行數(shù)據(jù)作為風電功率預測的歷史數(shù)據(jù)樣本，計算出特定裝機容量風電機組歷史數(shù)據(jù)集上k時段風電功率的最大值。基于歷史各調度時段的最大風電功率計算未來調度日各時段風電功率預測最大值，見式(6)

已知的k時段電網傳輸空間spacekP，由式(1)就可以算出對應的k時段初步風電調度入網容量。

2.2 考慮概率預測區(qū)間的風電功率預測模型

出于對電網安全的考慮，通過考慮歷史最大預測誤差值maxε來安排風電調度方案

由式(7)可知，這種調度方法會犧牲一定量的風電調度入網容量，來顧全系統(tǒng)運行的安全性。然而有關研究表明，風電功率的預測誤差呈現(xiàn)正態(tài)分布[13]，針對其“大幅值小概率、小幅值大概率”的特點，提出了基于風電概率區(qū)間預測的儲能系統(tǒng)調度方法。風電功率的概率預測區(qū)間可以由經驗分布函數(shù)(ξ)獲得，假設(q) 為(ξ)的反函數(shù)，則基于α概率區(qū)間的風電調度入網容量計算式見式(8)

式中，2α為風電功率概率區(qū)間的上限值，單位時段風電調度入網容量應大于對應時段的電網可利用空間，小于系統(tǒng)內的總風電裝機容量。

3 儲能系統(tǒng)控制策略及容量配置

3.1 儲能系統(tǒng)運行控制策略研究

就目前的經濟技術水平，儲能系統(tǒng)的造價昂貴。因此，如何設計儲能系統(tǒng)運行控制策略及其控制目標成為提高儲能系統(tǒng)經濟性的重要研究。利用儲能系統(tǒng)平抑“大幅值、小概率”的預測誤差功率，既能夠有效防止電網按歷史最大預測誤差預留電網寶貴空間，又能防止儲能系統(tǒng)進行頻繁充放電。本文構建了提高風電調度入網規(guī)模的儲能系統(tǒng)運行控制策略，以合理的預測誤差區(qū)間作為儲能系統(tǒng)的動作區(qū)間閾值，當風電功率預測誤差幅度超過該閾值時儲能系統(tǒng)動作，反之儲能系統(tǒng)不動作。

圖1 風電功率的預測誤差區(qū)間示意圖Fig.1 The schematic diagram of wind power prediction error interval

由圖1可知，對于2、4、7、10這4個調度時段，風電功率實際幅值超出了允許的預測誤差區(qū)間，需要利用儲能系統(tǒng)進行充放電控制以保障電網安全運行。其它調度時段，由于允許的預測誤差區(qū)間能夠覆蓋風電功率實際值，外加系統(tǒng)本身具有一定的調控能力，所以儲能系統(tǒng)不必動作。

3.2 儲能系統(tǒng)容量計算方法

已知風電功率預測誤差曲線和對應的允許誤差范圍，假設儲能系統(tǒng)充放電效率分別為ηcharge、ηdischarge，即可計算出各個時段儲能系統(tǒng)的充放電能量Ek，見式(9)

式中，t1表示儲能系統(tǒng)的充放電起始時刻，t2表示儲能系統(tǒng)的充放電結束時刻，PEss.ref(t)表示儲能系統(tǒng)的充放電參考功率。假設儲能系統(tǒng)初始能量為E0，則充放電累積能量Wk計算式見式(10)

則所需配置的儲能系統(tǒng)容量C就是整個控制周期內儲能系統(tǒng)充放電累積能量最大值maxW與最小值minW的差值。

圖2給出了儲能系統(tǒng)的容量配置計算示意圖，其物理意義可表述為：在利用大規(guī)模儲能平抑風電功率預測誤差的過程中，在整個運行周期內需要對儲能系統(tǒng)進行充放電控制，對其充放電能量進行累加即可得到對應控制策略的儲能系統(tǒng)最大、最小能量需求。為滿足對應控制目標，所需的儲能系統(tǒng)容量配置必須覆蓋最大、最小能量需求，因而取二者的差值。

圖2 儲能系統(tǒng)容量配置示意圖Fig.2 The schematic drawing of energy storage system capacity

4 算例分析

算例以某省級電網為研究對象，該省風電主要集中在一片區(qū)域內。風電總裝機容量為3000 MW，電網的最大輸送能力為2500 MW。為了計算各個調度時段的風電并網容量，本文選取特定裝機容量（=1000 MW）30天的歷史數(shù)據(jù)作為風電功率預測啟動數(shù)據(jù)，計算自回歸預測模型的參數(shù)。以30天的預測數(shù)據(jù)作為分析風電功率預測誤差的樣本，分析預測誤差，以計算調度日第一個調度時段的風電概率預測區(qū)間值。未來調度日計劃出力為實測數(shù)據(jù)。

圖3給出了30天的風電功率預測誤差曲線，圖4給出了其預測誤差概率分布直方圖。由圖3可以看出，風電功率預測誤差幅值最大達到0.353 p.u.。傳統(tǒng)的風電調度策略需要按0.353 p.u.的預測誤差預留電網空間，然而，由圖4可知，風電功率預測誤差主要集中在±01p.u.以內（94.03%），因此，使用最大預測誤差預留電網空間，絕大多數(shù)調度時段會極大浪費寶貴的電網空間，導致風電調度入網容量受限。本文選取90%風電功率概率預測區(qū)間，基于歷史預測誤差數(shù)據(jù)的經驗概率分布特性，得到的 90%概率預測區(qū)間值約為[-68.41 MW, 93.1 MW]。因此利用儲能系統(tǒng)應對10%的預測誤差風險，僅需按0.09倍裝機容量預留電網空間，與傳統(tǒng)的考慮最大預測誤差的0.353倍裝機容量風電調度方法進行比較。

圖3 歷史30個調度日風電功率預測誤差曲線Fig.3 The curve of history 30 scheduling days wind power prediction error

圖4 歷史30個調度日風電功率預測誤差概率分布直方圖Fig.4 History 30 scheduling days of wind power prediction error probability distribution histogram

以一個調度日為例，對比分析本工作方法與傳統(tǒng)計及最大預測誤差方法的優(yōu)劣。圖5為該調度日內各調度時段的電網可利用空間。對歷史數(shù)據(jù)進行滾動預測，獲得24個調度時段的風電功率預測值，預測結果如圖6所示。

圖5 各調度時段的電網可利用空間Fig.5 Grid scheduling periods of each available space

圖6 各調度時段的風電功率預測值（=1000 MW）Fig.6 Wind power prediction value of each scheduling period (= 1000 MW)

給定1000 MW基準風電裝機容量，兩種方法調度時段風電功率的調度參考值（預測值+預測誤差）如圖7所示。

圖7 各調度時段風電的調度參考值（=1000 MW）Fig.7 Each scheduling period scheduling of wind power reference value (= 1000 MW)

由式(1)可以計算出各調度時段下的風電調度入網容量，計算結果如圖8所示。

圖8 各調度時段風電的調度入網容量Fig.8 Each scheduling period network of wind power capacity

由圖8可知，利用儲能系統(tǒng)應對10%風險的風電調度入網容量（平均入網容量2117 MW）要大于傳統(tǒng)計及最大預測誤差的調度方法（平均入網容量1444 MW）。圖9給出了各個調度時段下兩種調度方法電網空間最大利用率ηgrid.max，由圖9可知，傳統(tǒng)計及最大預測誤差的風電調度方法在各個調度時段電網空間最大利用率遠小于本工作方法，導致風電調度入網受限。

根據(jù)調度入網的風電裝機容量以及調度日的標準化風電出力值計算出各個調度時段的風電發(fā)電量，如圖10所示。

圖9 各調度時段電網空間最大利用率Fig.9 Each scheduling period grid maximum utilization of space

圖10 各調度時段風電發(fā)電量Fig.10 Each scheduling period the wind power generating capacity

由圖8～圖10可知，當利用儲能系統(tǒng)應對10%的概率預測誤差風險（風電功率的概率預測區(qū)間為90%）時，所提出調度方案的入網裝機容量、風電總發(fā)電量、電網空間最大利用率指標較傳統(tǒng)考慮最大預測誤差的調度方案均有所提高。即所提出的調度方案能夠在滿足電網運行安全的前提下提高風電的開發(fā)利用規(guī)模，此時，僅需配置94 MW·h容量的儲能系統(tǒng)即可。

5 結 論

由于風電功率預測誤差精度低，針對傳統(tǒng)計及最大預測誤差的風電調度方法過度預留電網空間導致風電入網容量被限的嚴峻問題，提出利用儲能系統(tǒng)提高風電功率的確定性，松弛電網寶貴空間，提高風電調度入網規(guī)模。設計了基于概率區(qū)間預測的風電調度策略，利用儲能系統(tǒng)應對風電功率的預測誤差風險以保障風電并網的安全性。算例以90%概率預測區(qū)間為例，從風電的調度入網容量、風電的發(fā)電量、電網空間的利用率三個方面對比分析了所提出的調度方法與傳統(tǒng)方法的優(yōu)劣。算例計算結果顯示：配置94 MW·h的儲能系統(tǒng)能夠有效應對10%的電網風險，提高風電調度入網規(guī)模，驗證了所提出的調度方案的有效性。

[1]Fan Gaofeng（范高鋒），Wang Weisheng（王偉勝），Liu Chun（劉純），et al．Wind power prediction based on artificial neural network [J]．Proceedings of the CSEE（中國電機工程學報），2008，28（34）：118-123.

[2]Yang Xiuyuan（楊秀媛），Xiao Yang（肖洋），Chen Shuyong（陳樹勇），et al．Wind speed and generated power forecasting in wind farm[J]．Proceedings of the CSEE（中國電機工程學報），2005，25（11）：1-5.

[3]Yan Gangui（嚴干貴），F(xiàn)eng Xiaodong（馮曉東），Li Junhui（李軍徽），et al．Optimization of energy storage system capacity for relaxing peak load regulation bottlenecks[J]．Proceedings of the CSEE（中國電機工程學報），2012，32（28）：27-35.

[4]Yuan Tiejiang（袁鐵江），Chen Jie（陳潔），Liu Peihan（劉沛漢），et al．Strategy of improving large-scale wind farm output fluctuation based on energy storage system[J]．Power System Protection and Control（電力系統(tǒng)保護與控制），2014，42（4）：47-53.

[5]Lou Suhua（婁素華），Wu Yaowu（吳耀武），Cui Yanzhao（崔艷昭），et al．Operation strategy of battery energy storage system for smoothing short-term wind power fluctuation[J]．Automation of Electric Power Systems（電力系統(tǒng)自動化），2014，38（2）：17-22.

[6]Li Hui（李輝），F(xiàn)u Bo（付博），Yang Chao（楊超），et al．Power optimization distribution and control strategies of multistage vanadium redox flow battery energy sorage systems[J]．Proceedings of the CSEE（中國電機工程學報），2013，33（16）：70-77.

[7]Yu Peng（于芃），Zhao Yu（趙瑜），Zhou Wei（周瑋），et al．Research on the method based on hybrid energy storage system for balancing fluctuant wind power[J]．Power System Protection and Control（電力系統(tǒng)保護與控制），2011，39（24）：35-40.

[8]Li Bei（李蓓），Guo Jianbo（郭劍波）．A control strategy for battery energy storage system to level wind power output[J].Power System Technology（電網技術），2012，36（8）：38-43.

[9]Hong Haibo（洪海波），Jiang Quanyuan（江全元），Yan Yuting（嚴玉婷）．An optimization control method of battery energy storage system with wind power fluctuations smoothed in real time[J]．Automation of Electric Power Systems（電力系統(tǒng)自動化），2013，37（1）：103-109.

[10]Li Junhui（李軍徽），Jiao Jian（焦?。琘an Gangui（嚴干貴），et al．Simulation research of the third-order dynamic model of lead-acid battery[J]．Journal of Northeast Dianli University（東北電力大學學報），2013，33（1-2）：103-108.

[11]Mu Gang，Cui Yang，Liu Jia，et al．Source-grid coordinated dispatch method for transmission constrained grid with surplus wind generators[J]．Automation of Electric Power Systems，2013，37（6）：24-29.

[12]Liu Jia（劉嘉）．Study on the control strategies of energy storage system to improve the scheduling scale of wind power[D]．Jilin：Northeast Dianli University，2014.

[13]Bludszuweit H，Dominguez-Navarro J A，Liombart A.Statistical analysis of wind power forecast error[J].IEEE Trans.on Power Systems，2008，23（3）：983-991.