不確定性條件下儲能配置輔助決策方法

司學(xué)振, 李朝暉, 楊海晶, 饒宇飛, 施 濤

(1.國網(wǎng)河南省電力公司電力科學(xué)研究院， 鄭州 450052； 2.南京郵電大學(xué)先進(jìn)技術(shù)研究院， 南京 210023)

近年來，隨著風(fēng)電、光伏發(fā)電等新能源發(fā)電技術(shù)的大規(guī)模推廣和應(yīng)用，新能源裝機(jī)容量占電力系統(tǒng)總裝機(jī)容量的比例也不斷增長[1-2]。截至2018年底，中國風(fēng)電裝機(jī)容量達(dá)1.8億kW，太陽能發(fā)電裝機(jī)容量達(dá)1.7億kW[3-4]。由于新能源發(fā)電受風(fēng)速、光照等自然資源條件的影響，其出力呈間歇性、隨機(jī)性和波動(dòng)性。新能源發(fā)電裝機(jī)容量大規(guī)模增長的同時(shí)，對電力系統(tǒng)的靈活調(diào)節(jié)需求也不斷增長[5-6]。為提高系統(tǒng)的靈活調(diào)節(jié)能力，促進(jìn)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(shù)也在用戶側(cè)、場站側(cè)得到了廣泛的應(yīng)用[7]。而在電網(wǎng)側(cè)，目前在河南、江蘇等地相繼開展了電網(wǎng)側(cè)儲能電站的建設(shè)和示范運(yùn)行，旨在通過合理布局和優(yōu)化配置，充分挖掘和利用多點(diǎn)分散式儲能電站的聚合效應(yīng)，進(jìn)而滿足不同場景下電網(wǎng)的靈活調(diào)節(jié)需求[8-9]。關(guān)于儲能的優(yōu)化配置問題，目前主要集中于用戶側(cè)、場站側(cè)等獨(dú)立應(yīng)用場景下儲能配置問題的研究，對電網(wǎng)側(cè)儲能的配置問題研究較少。其中，王典等[10]針對并網(wǎng)型光儲微電網(wǎng)，以平準(zhǔn)化度電成本最小化為目標(biāo)，建立了電源容量優(yōu)化配置模型。陳旭海等[11]采用經(jīng)濟(jì)性評估法構(gòu)建了儲能系統(tǒng)的經(jīng)濟(jì)運(yùn)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(tǒng)接入配電網(wǎng)的容量配置和有序布點(diǎn)的雙層模型。楊錫運(yùn)等[13]提出一種基于商業(yè)園區(qū)源/儲/荷協(xié)同運(yùn)行的儲能系統(tǒng)多目 標(biāo)優(yōu)化配置模型。趙冬梅等[14]構(gòu)建了包含電轉(zhuǎn)氣裝置的熱電聯(lián)產(chǎn)微網(wǎng)電/熱綜合儲能優(yōu)化配置模型。

現(xiàn)主要針對新能源消納中的儲能配置問題，基于隨機(jī)規(guī)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(jié)合的求解步驟與方法，并在含風(fēng)電場的某典型區(qū)域電力系統(tǒng)上進(jìn)行算例分析，驗(yàn)證方法的可行性和有效性。

1 基于期望值模型的隨機(jī)決策原理

含有隨機(jī)變量的數(shù)學(xué)規(guī)劃問題屬于隨機(jī)規(guī)劃問題。其中，使目標(biāo)函數(shù)的期望值最優(yōu)化的決策模型稱為期望值模型，其一般數(shù)學(xué)表達(dá)式[15]為

(1)

(2)

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

(3)

(4)

(5)

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

(6)

(7)

(8)

設(shè)可行解x*是期望值模型的最優(yōu)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(wǎng)消納生產(chǎn)模擬

本節(jié)建立包含儲能設(shè)施的新能源并網(wǎng)消納生產(chǎn)模擬模型，可根據(jù)生產(chǎn)模擬計(jì)算結(jié)果評估當(dāng)前儲能配置方案下新能源消納水平。

2.1 目標(biāo)函數(shù)

以新能源實(shí)際發(fā)電量最大化為目標(biāo)，建立新能源并網(wǎng)消納生產(chǎn)模擬模型，數(shù)學(xué)表達(dá)式為

(9)

式(9)中：N為時(shí)間周期包含的時(shí)段數(shù)目；M為新能源場站數(shù)目；Pij為第j個(gè)新能源場站在第i個(gè)時(shí)段的實(shí)際出力；Δt為單位時(shí)段的時(shí)長。

2.2 約束條件

新能源并網(wǎng)消納生產(chǎn)模擬考慮的約束條件主要包括：功率平衡約束、機(jī)組出力約束、爬坡約束、旋轉(zhuǎn)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(guī)機(jī)組數(shù)目；Pik為第k臺常規(guī)機(jī)組在第i時(shí)段的實(shí)際出力；PiD為第i時(shí)段的系統(tǒng)負(fù)荷；PiL為第i時(shí)段的系統(tǒng)網(wǎng)損。

(2)常規(guī)機(jī)組出力約束

Pk,min≤Pik≤Pk,max

(11)

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

(3)調(diào)節(jié)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(shí)間；Rk,-為第k臺調(diào)節(jié)電源向下調(diào)節(jié)速率；Rk,+為第k臺調(diào)節(jié)電源向上調(diào)節(jié)速率。

(4)旋轉(zhuǎn)備用約束

(13)

(14)

式中：PiR,+為系統(tǒng)在第i時(shí)段向上旋轉(zhuǎn)備用要求；PiR,-為系統(tǒng)在第i時(shí)段向下旋轉(zhuǎn)備用要求。

(5)儲能設(shè)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(shè)施充放電功率下限；Pe,max為儲能設(shè)施充放電功率上限；Pie為儲能設(shè)施在第i時(shí)段充放電功率；放電為正、充電為負(fù)；Ei為儲能設(shè)施當(dāng)前的能量狀態(tài)；Erate為儲能設(shè)施的額定能量狀態(tài)；SOCmin、SOCmax為儲能設(shè)施充放電深度上下限。

3 基于生產(chǎn)模擬的儲能配置輔助決策流程

基于生產(chǎn)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(wǎng)消納生產(chǎn)模擬中需要基于大量的歷史數(shù)據(jù)，建立具有典型意義的時(shí)序場景，這些場景涵蓋年、月、日等不同的時(shí)間尺度。對于時(shí)間跨度較長的場景，為了提高計(jì)算效率，通常采用聚類分析的方法，對場景進(jìn)行聚類和縮減，建立新能源并網(wǎng)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(shè)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(shè)ηmax為新能源消納目標(biāo)指標(biāo)要求，即棄風(fēng)/棄光率η<ηmax?；谏a(chǎn)模擬模型，采用遺傳算法求取每個(gè)典型場景下的滿足新能源消納目標(biāo)所需的儲能容量和能量參考值Ps,ref和Es,ref。

根據(jù)各類典型場景的隨機(jī)概率和每個(gè)場景下通過生產(chǎn)模擬獲得的配置方案參考值，計(jì)算儲能配置方案的數(shù)學(xué)期望EX，即

(19)

(20)

在實(shí)際工程應(yīng)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(yīng)滿足：

P′ref=Prefcp,cp>1

(21)

E′ref=Erefce,ce>1

(22)

式中:cp、ce為修正系數(shù)，視實(shí)際工程應(yīng)用要求而定。

4 案例分析

以某區(qū)域電力系統(tǒng)為例，通過生產(chǎn)模擬分析其在不同場景下的風(fēng)電消納情況，并根據(jù)棄風(fēng)率要求，計(jì)算所需的儲能配置方案，驗(yàn)證上述方法的有效性。系統(tǒng)的基準(zhǔn)容量100 MV·A；系統(tǒng)旋轉(zhuǎn)備用系數(shù)要求為5%；棄風(fēng)率要求低于5%；網(wǎng)損占系統(tǒng)負(fù)荷的3%。各常規(guī)機(jī)組參數(shù)如表1所示。

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

根據(jù)當(dāng)?shù)仫L(fēng)力發(fā)電和負(fù)荷需求歷史數(shù)據(jù)，通過場景聚類，建立典型日風(fēng)電出力和負(fù)荷需求場景集。本文選取最有代表性的10種典型日場景進(jìn)行分析，如表2、表3所示。

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

表3 典型日負(fù)荷特性(標(biāo)幺值)Table 3 Load characteristics under typical scenarios (pu)

則基于上述各典型日場景下的風(fēng)電出力與負(fù)荷特性，按照圖1中決策流程，基于生產(chǎn)模擬模型對每個(gè)典型場景下的儲能配置需求進(jìn)行求解。以場景2為例，通過生產(chǎn)模擬計(jì)算可知其在儲能配置前棄風(fēng)率為7.32%，為滿足棄風(fēng)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(fēng)電功率的消納情況如圖2所示。

由圖2可知，場景2中風(fēng)電消納的瓶頸時(shí)段主要在00:00～05:00。此時(shí)，夜間負(fù)荷處于低谷，消納空間有限。在配置儲能后，棄風(fēng)率由初始的7.32%下降至3.90%，滿足棄風(fēng)率低于5%的要求?；谏a(chǎn)模擬模型，逐個(gè)依次求得每個(gè)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(fēng)電消納特性Fig.2 Wind power accommodation characteristic in scenario 2

在實(shí)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(shù)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(jié)論

針對新能源消納中的靈活調(diào)節(jié)需求的不確定性，基于隨機(jī)規(guī)劃理論，建立了基于新能源并網(wǎng)消納生產(chǎn)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(jié)合的模型求解算法步驟，并在基于某典型區(qū)域電力系統(tǒng)進(jìn)行算例分析，驗(yàn)證方法的可行性和有效性?；谄谕的Ｐ偷膬δ芘渲幂o助決策方法能夠較好地量化新能源功率波動(dòng)帶來的需求場景不確定性，實(shí)現(xiàn)目標(biāo)期望值的最優(yōu)化，對提高儲能配置的量化決策水平，促進(jìn)新能源消納具有積極作用。下一步將從輔助服務(wù)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(wù)定價(jià)機(jī)制，從技術(shù)性和經(jīng)濟(jì)性兩方面考慮儲能技術(shù)在電力系統(tǒng)的配置和應(yīng)用。