含風(fēng)電接入的區(qū)域綜合能源系統(tǒng)電/熱儲能配置

趙瑞鋒，王海柱，郭文鑫，劉洋，王可

(廣東電網(wǎng)有限責(zé)任公司，廣州510060)

0 引言

風(fēng)電作為一種取之不盡、用之不竭的清潔能源，用以滿足人們?nèi)找嬖鲩L的電力需求，具有較高的發(fā)展前景[1 - 2]。然而，風(fēng)電所具有的間歇性、波動性以及反調(diào)峰特性一定程度上影響了電能質(zhì)量和電網(wǎng)調(diào)峰[3 - 4]。因此，為有效緩解風(fēng)電上網(wǎng)的波動性和反調(diào)峰特性，保證風(fēng)電上網(wǎng)的友好性，現(xiàn)階段較多學(xué)術(shù)研究以及工程項(xiàng)目在風(fēng)電上網(wǎng)前配置一定的儲能，通過各時(shí)段合理控制儲能的充放電，減小風(fēng)電場出力的波動，達(dá)到電網(wǎng)側(cè)允許的并網(wǎng)參考功率[5]。

同時(shí)，隨著區(qū)域綜合能源系統(tǒng)(regional integrated energy system，RIES)的發(fā)展，電、氣、熱、冷等能量形式間的耦合程度繼續(xù)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(lián)供機(jī)組(combined heating and power system，CHP)“以熱定電”的特性導(dǎo)致調(diào)峰能力受到限制，加之風(fēng)電預(yù)測存在誤差，導(dǎo)致我國棄風(fēng)問題嚴(yán)重[7]。由此可見，為滿足區(qū)域綜合能源系統(tǒng)內(nèi)風(fēng)電場出力有效上網(wǎng)，不僅需要安裝儲電裝置，還需要儲熱裝置的協(xié)同配合，以綜合協(xié)調(diào)電/熱資源[8]。因此，在區(qū)域綜合能源系統(tǒng)中合理地配置儲電、儲熱裝置，配合風(fēng)電功率預(yù)測技術(shù)，具有必要性和重要意義[9]。

目前，有學(xué)者針對風(fēng)電預(yù)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(yīng)用于區(qū)域綜合能源系統(tǒng)電/熱儲能聯(lián)合配置[10 - 12]。文獻(xiàn)[5]提出了一種多尺度卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測模型，并以最小化系統(tǒng)經(jīng)濟(jì)成本、輸出功率波動性和棄風(fēng)率為目標(biāo)，建立了儲電容量的多目標(biāo)優(yōu)化配置模型。文獻(xiàn)[10]針對風(fēng)電出力的間歇性、波動性導(dǎo)致的消納、并網(wǎng)難等問題，提出了一種基于風(fēng)電功率預(yù)測與蓄電池儲能技術(shù)的風(fēng)電消納預(yù)測方法。文獻(xiàn)[13]提出了一種計(jì)及效率提升的彈性配電網(wǎng)中MESS的優(yōu)化配置方法。文獻(xiàn)[14]通過對風(fēng)電場功率波動幅值的大小進(jìn)行概率分析，從而開展超級電容和電池儲能的聯(lián)合功率配置；文獻(xiàn)[15]考慮棄風(fēng)特性，建立了風(fēng)電供熱、儲熱項(xiàng)目的數(shù)學(xué)模型，提出了確定最優(yōu)容量配置的方案。文獻(xiàn)[16]通過對風(fēng)電棄風(fēng)情況的分析，制定策略來優(yōu)化儲熱式電鍋爐的控制，最終設(shè)計(jì)了基于經(jīng)濟(jì)性考慮的儲熱式電鍋爐優(yōu)化配置模型。上述文獻(xiàn)主要是考慮風(fēng)電的波動性，結(jié)合風(fēng)電預(yù)測技術(shù)，進(jìn)行儲電或者儲熱的單獨(dú)容量配置，但未考慮到混合儲能系統(tǒng)的優(yōu)化配置。文獻(xiàn)[17]提出了一種兼顧混合儲能系統(tǒng)經(jīng)濟(jì)效益和功率優(yōu)化分配的雙層優(yōu)化模型，用于解決風(fēng)電場的棄風(fēng)問題。文獻(xiàn)[18]提出了多能互補(bǔ)發(fā)電系統(tǒng)儲電和儲熱容量分層優(yōu)化規(guī)劃方法，并引入條件風(fēng)險(xiǎn)價(jià)值方法，考慮新能源出力不確定性對儲能容量規(guī)劃結(jié)果的影響。上述文獻(xiàn)針對區(qū)域綜合能源系統(tǒng)中的混合儲能系統(tǒng)配置展開部分研究，考慮風(fēng)電場出力的波動性，但卻均以典型日下的負(fù)荷數(shù)據(jù)進(jìn)行長期儲能配置，未結(jié)合風(fēng)電預(yù)測技術(shù)進(jìn)行儲電和儲熱的短期優(yōu)化配置。同時(shí)，隨著云儲能模式的興起，園區(qū)為降低經(jīng)濟(jì)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(chǔ)則是先進(jìn)的預(yù)測技術(shù)，需要對未來一天內(nèi)的儲能需求和購買容量作出預(yù)測，因此更需要在混合儲能配置的研究中考慮風(fēng)電預(yù)測的影響。

綜上所述，本文將風(fēng)電功率預(yù)測技術(shù)應(yīng)用于儲電、儲熱的綜合優(yōu)化配置過程，同時(shí)通過云儲能模式進(jìn)行電/熱儲能的聯(lián)合優(yōu)化配置，提出了基于風(fēng)電功率預(yù)測的電/熱儲能的聯(lián)合優(yōu)化配置方法。首先，通過對風(fēng)電功率預(yù)測技術(shù)的研究，提出了基于動態(tài)神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)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(fēng)電并網(wǎng)的波動性約束條件下，將經(jīng)濟(jì)成本最低為作為總體目標(biāo)，進(jìn)行電/熱儲能的聯(lián)合優(yōu)化配置；最后將所提方法應(yīng)用于某地區(qū)實(shí)際數(shù)據(jù)的分析與計(jì)算，驗(yàn)證了本文所提方法具有較好的效果。

1 基于風(fēng)電預(yù)測的儲能配置概述

在本文區(qū)域綜合能源系統(tǒng)的電/熱儲能配置研究中，主要目的是為了平抑風(fēng)電的波動性使其有效并網(wǎng)，同時(shí)滿足區(qū)域內(nèi)電負(fù)荷和熱負(fù)荷的需求。考慮到儲電、儲熱應(yīng)用于區(qū)域綜合能源系統(tǒng)的用戶側(cè)，并且電熱之間的轉(zhuǎn)換主要由“以熱定電”特性的CHP完成，設(shè)計(jì)了包含風(fēng)電、儲電、儲熱等設(shè)備的區(qū)域綜合能源系統(tǒng)的典型結(jié)構(gòu)，如圖1所示。

圖1 含風(fēng)電、儲電、儲熱的區(qū)域綜合能源系統(tǒng)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(cè)儲電、儲熱的作用，風(fēng)力發(fā)電機(jī)發(fā)電并不是直接上網(wǎng)，而是通過供電、供熱兩個(gè)途徑自消納，優(yōu)先供給區(qū)域內(nèi)電負(fù)荷和熱負(fù)荷，多余電力經(jīng)過儲電和儲熱裝置的平滑作用后，得以有效上網(wǎng)，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(yè)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(bǔ)性和規(guī)模效應(yīng)降低成本，節(jié)約儲能資源[20 - 22]。園區(qū)管理者可以向云儲能提供商購買云儲能，滿足園區(qū)內(nèi)電、熱負(fù)荷的供應(yīng)，降低風(fēng)電在并網(wǎng)時(shí)的波動性。因此，園區(qū)管理者在配置儲能容量時(shí)需要深入考慮用戶負(fù)荷特點(diǎn)、儲能行為和風(fēng)電功率預(yù)測。

同時(shí)，本文中園區(qū)管理者不需要自建儲能，而是以未來一天需要購進(jìn)的儲電和儲熱容量為研究對象，以發(fā)揮云儲能等商業(yè)模式的優(yōu)勢，即買即用。下文中將從風(fēng)電功率預(yù)測技術(shù)和基于風(fēng)電預(yù)測的電/熱儲能優(yōu)化配置模型兩個(gè)部分分別進(jìn)行研究和分析。

2 風(fēng)電功率預(yù)測

目前，風(fēng)電功率預(yù)測技術(shù)主要有時(shí)間序列法、模糊邏輯法、支持向量機(jī)法和神經(jīng)網(wǎng)絡(luò)(neural network，NN)法。其中，支持向量機(jī)法和神經(jīng)網(wǎng)絡(luò)法是典型的兩種人工智能預(yù)測方法，它們能夠通過大量數(shù)據(jù)的訓(xùn)練，得到各個(gè)因素之間的函數(shù)關(guān)系，建立起風(fēng)電場的風(fēng)速、風(fēng)向與出力之間的預(yù)測模型。相關(guān)研究表明，在歷史數(shù)據(jù)比較充足的條件下，與支持向量機(jī)等方法相比，神經(jīng)網(wǎng)絡(luò)法在預(yù)測的精度和泛化能力上有更大的優(yōu)勢，因此得到了更加廣泛的研究和應(yīng)用。

但靜態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入變量只考慮當(dāng)前的風(fēng)速和風(fēng)向，無法反映系統(tǒng)的動態(tài)特性，當(dāng)風(fēng)速、風(fēng)向發(fā)生較大變化時(shí)，預(yù)測精度會差很多。

2.1 動態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測模型

文獻(xiàn)[23 - 24]提出了一種動態(tài)的神經(jīng)網(wǎng)絡(luò)來進(jìn)行風(fēng)電出力的預(yù)測，該方法主要采用時(shí)間序列的方法，通過構(gòu)造以風(fēng)速、風(fēng)向等變量的時(shí)間序列為輸入，以功率為輸出的動態(tài)神經(jīng)網(wǎng)絡(luò)，預(yù)測風(fēng)電功率，該方法其實(shí)是將變量的導(dǎo)數(shù)等變化信息隱藏在時(shí)間序列中，再利用神經(jīng)網(wǎng)絡(luò)去模擬出時(shí)間序列和未來變化趨勢的關(guān)系，這種動態(tài)神經(jīng)網(wǎng)絡(luò)增加了輸入量數(shù)量，在訓(xùn)練時(shí)會增加收斂的難度，影響預(yù)測模型的精度。因此，本文采用數(shù)據(jù)的導(dǎo)數(shù)特征來表征系統(tǒng)的變化趨勢，從而獲得系統(tǒng)的動態(tài)特性，其預(yù)測模型如式(1)所示：

(1)

動態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測模型通過風(fēng)速和風(fēng)向的一階導(dǎo)數(shù)，將它們的變化趨勢提取出來，加入到模型的訓(xùn)練中，從而包含了風(fēng)速和風(fēng)向未來的信息，使風(fēng)電功率的預(yù)測有了明確的物理意義。理論上，對于任意的非線性函數(shù)關(guān)系，都存在某一靜態(tài)神經(jīng)網(wǎng)絡(luò)可以與其擬合，因此將靜態(tài)神經(jīng)網(wǎng)絡(luò)和數(shù)值微分相結(jié)合所構(gòu)成的動態(tài)神經(jīng)網(wǎng)絡(luò)可以擬合非線性的動態(tài)函數(shù)，將其用于動態(tài)的風(fēng)電功率預(yù)測一定能取得較高的擬合精度。動態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測模型如圖2所示。

圖2 動態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測模型Fig.2 Dynamic neural network prediction model

2.2 數(shù)據(jù)歸一化處理

1)風(fēng)速歸一化處理；采用近幾年歷史數(shù)據(jù)統(tǒng)計(jì)的最大風(fēng)速對風(fēng)速數(shù)據(jù)進(jìn)行歸一化處理。

vg=vt/vmax

(2)

式中：vg為歸一化處理后的風(fēng)速值；vt為歸一化處理前的風(fēng)速值；vmax為近幾年歷史數(shù)據(jù)統(tǒng)計(jì)的最大風(fēng)速。

2)風(fēng)向歸一化處理；風(fēng)向的數(shù)據(jù)是以度數(shù)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(fēng)速歸一化處理的方法相同，采用近幾年歷史數(shù)據(jù)統(tǒng)計(jì)的最大值進(jìn)行歸一化處理。

3 電/熱儲能聯(lián)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(qū)管理者為主體，提前一天制定購買儲能的計(jì)劃，需要利用園區(qū)內(nèi)已知的負(fù)荷預(yù)測和市場電價(jià)等因素聯(lián)合制定。

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

分析充放電的經(jīng)濟(jì)性和各時(shí)段用電的供求關(guān)系，儲電設(shè)備的充放電行為如下：當(dāng)t時(shí)段供給電負(fù)荷的風(fēng)電出力PWP,t大于負(fù)荷Pd,t或t時(shí)段電價(jià)為低谷電價(jià)時(shí)，為了不浪費(fèi)過剩功率和低價(jià)電能，控制儲電設(shè)備充電；當(dāng)風(fēng)電出力PWP,t小于電負(fù)荷Pd,t且t時(shí)段電價(jià)為高峰電價(jià)時(shí)，為了滿足負(fù)荷需求且避免用高價(jià)電，控制儲電設(shè)備放電；當(dāng)風(fēng)電出力PWP,t小于電負(fù)荷Pd,t且t時(shí)段電價(jià)為平時(shí)電價(jià)情況下，電價(jià)高于用戶充電臨界電價(jià)但需要外部供電，因此儲電設(shè)備既不充電也不放電，而是直接從電網(wǎng)購電補(bǔ)足功率缺額。

進(jìn)而，建立儲電設(shè)備的充放電行為模型。為方便表示，定義運(yùn)算(x)+如式(3)所示。

(3)

當(dāng)未使用儲電時(shí)，從電網(wǎng)購買功率Pt,0,G為：

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

(4)

當(dāng)使用儲電后，t時(shí)段的風(fēng)電過剩功率Pt,e,B可儲存在儲電內(nèi)，表達(dá)如式(5)所示。

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

(5)

結(jié)合上述分析過程，得出園區(qū)管理者在每一時(shí)段充放電行為的數(shù)學(xué)模型如式(6)—(8)所示。

(6)

(7)

(8)

式中：PWP,t為t時(shí)段風(fēng)電出力；Pt,e,C、Pt,e,F分別為t時(shí)段電負(fù)荷所需求的充、放電功率；λt,e、λg,e、λf,e、λp,e分別為t時(shí)段電網(wǎng)電價(jià)、低谷電價(jià)、高峰電價(jià)、平時(shí)電價(jià)；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(shí)段結(jié)束時(shí)刻儲電的剩余容量；Δt為時(shí)間間隔，本文中采用分時(shí)電價(jià)。

儲電設(shè)備的應(yīng)用提高了風(fēng)電的消納率，而過剩功率需要上網(wǎng)。根據(jù)上文分析，風(fēng)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(jié)含風(fēng)電、儲電和儲熱的區(qū)域綜合能源系統(tǒng)結(jié)構(gòu)可知，儲熱裝置和熱負(fù)荷是通過CHP與風(fēng)電輸出功率交匯，并與上級電網(wǎng)相連的。本文選取抽氣式CHP，通過已安裝的氣站供氣，進(jìn)行熱電聯(lián)產(chǎn)。CHP產(chǎn)熱量和產(chǎn)電量有一近似確定的數(shù)學(xué)模型，如式(10)所示。

Pchp,t,P=ηH2PPchp,t,H

(10)

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

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

由于供熱端可通過CHP轉(zhuǎn)化為電功率，因此在優(yōu)化模型建立過程中已將分時(shí)電價(jià)的因素考慮在供電端，在供熱端可不考慮電價(jià)因素。在供熱端，根據(jù)各時(shí)段儲熱配置和熱負(fù)荷大小，儲熱設(shè)備在每一時(shí)段充放熱行為的數(shù)學(xué)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(shè)備的充熱和放熱功率；ηh,C、ηh,F分別為儲熱設(shè)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(shí)段結(jié)束時(shí)刻儲熱設(shè)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(yōu)化配置模型

根據(jù)3.1節(jié)和3.2節(jié)儲電和儲熱的充放能決策模型，可以進(jìn)一步得到電/熱儲能優(yōu)化配置模型。在優(yōu)化過程中，考慮風(fēng)電并網(wǎng)的波動性約束，將經(jīng)濟(jì)成本最低為作為總體目標(biāo)。

3.3.1 目標(biāo)函數(shù)

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(yùn)營成本，即儲能供應(yīng)不足時(shí)向電網(wǎng)購電的成本和CHP耗氣成本。

儲能購買成本與儲能配置有關(guān)。本文中園區(qū)管理者對外購買電/熱儲能的功率和容量是按照每日風(fēng)電預(yù)測以及負(fù)荷預(yù)測值優(yōu)化得到的，購買成本IC的表達(dá)式為：

IC=αPe,max+βCe,max+γPh,max+χCh,max

(15)

式中：Pe,max、Ce,max分別為儲電設(shè)備的最大功率和最大容量；Ph,max、Ch,max分別為儲熱設(shè)備的最大功率和最大容量；無論是儲電還是儲熱裝置，在進(jìn)行優(yōu)化配置時(shí)均應(yīng)考慮兩個(gè)量，即功率配置和容量配置，α、β分別為儲電設(shè)備的單位功率投資系數(shù)和單位容量投資系數(shù)；γ、χ分別為儲熱設(shè)備的單位功率投資系數(shù)和單位容量投資系數(shù)。

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

(16)

式中：T為一天的總時(shí)段，本文取T=96，即每15 min一個(gè)時(shí)段；λg為天然氣價(jià)格，元/m3；ηG2P為CHP天然氣燃燒產(chǎn)生電的轉(zhuǎn)化系數(shù)；r為天然氣燃燒的熱值系數(shù)，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(yōu)化配置模型的決策變量包括：儲電設(shè)備功率配置Pe,max和容量配置Ce,max； 儲熱設(shè)備配置Ph,max和容量配置Ch,max；t時(shí)段的儲電設(shè)備和儲熱設(shè)備剩余容量Et,e、Et,h；t時(shí)段的儲電設(shè)備充電Pt,e,C、 放電Pt,e,F， 儲熱設(shè)備儲熱Pt,h,C、 放熱Pt,h,F。

考慮風(fēng)電并網(wǎng)時(shí)的功率波動不能過大，需要在優(yōu)化模型中對風(fēng)電并網(wǎng)波動性進(jìn)行約束。本文選用平穩(wěn)性指標(biāo)描述其波動性，其計(jì)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(wěn)性指標(biāo)函數(shù)；δt為t時(shí)段的平穩(wěn)性數(shù)值；PWP,t,e、PWP,t+1,e分別為t、t+1時(shí)刻風(fēng)電場經(jīng)儲電、儲熱后的并網(wǎng)功率；PN為風(fēng)電場的額定容量。

需要滿足風(fēng)電并網(wǎng)波動的平穩(wěn)性約束，如下：

Eδmin≤Eδ≤Eδmax

(20)

式中Eδmin、Eδmax分別為風(fēng)電并網(wǎng)功率平穩(wěn)性指標(biāo)的下限和上限。

除此之外，儲電設(shè)備和儲熱設(shè)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(shè)備和儲熱設(shè)備荷電狀態(tài)最小允許系數(shù)和最大允許系數(shù)；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(gè)電/熱儲能配置優(yōu)化模型的全部約束條件。

3.4 電/熱儲能優(yōu)化配置模型

為更加清晰地反映風(fēng)電功率預(yù)測與電/熱儲能綜合優(yōu)化配置的關(guān)系，將上述求解過程系統(tǒng)化表達(dá)，繪制流程圖如圖3所示。

圖3 基于風(fēng)電預(yù)測的電/熱儲能聯(lián)合優(yōu)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(fēng)電功率預(yù)測，以經(jīng)濟(jì)總成本最小為目標(biāo)，同時(shí)考慮風(fēng)電上網(wǎng)波動性的約束，建立了區(qū)域綜合能源系統(tǒng)電/熱儲能聯(lián)合優(yōu)化配置模型。為了驗(yàn)證其經(jīng)濟(jì)性和合理性，根據(jù)某地區(qū)實(shí)際的風(fēng)電功率數(shù)據(jù)、電/熱負(fù)荷數(shù)據(jù)、儲電和儲熱投資參數(shù)、分時(shí)電價(jià)等數(shù)據(jù)進(jìn)行計(jì)算和分析。

4.1 算例場景與原始數(shù)據(jù)

算例的主要研究對象是儲電設(shè)備和儲熱設(shè)備的功率配置和容量配置，也是優(yōu)化模型的主要決策變量。儲能的主要參數(shù)如表1所示。風(fēng)電平穩(wěn)性指標(biāo)的上下限分別設(shè)置為20%和10%。

表1 區(qū)域綜合能源系統(tǒng)主要元件參數(shù)Tab.1 Main component parameters of RIES

除此之外，本算例選用江蘇省峰平谷分時(shí)電價(jià)，其時(shí)段劃分及各時(shí)段電價(jià)如表2所示。天然氣網(wǎng)取統(tǒng)一價(jià)格3元/m3，熱值系數(shù)為9.7 kW/m3。

表2 峰谷分時(shí)電價(jià)Tab.2 Time-of-use peek-valley electrical price

為對比分析風(fēng)電預(yù)測誤差對電/熱儲能配置的影響以及電/熱儲能聯(lián)合配置的經(jīng)濟(jì)性優(yōu)勢，設(shè)置3種算例場景如下。

1)場景1：只配置儲電設(shè)備，并采用風(fēng)電功率的真實(shí)值；

2)場景2：聯(lián)合配置儲電設(shè)備和儲熱設(shè)備，并采用風(fēng)電功率的真實(shí)值；

3)場景3：聯(lián)合配置儲電設(shè)備和儲熱設(shè)備，采用風(fēng)電功率的預(yù)測值。

4.2 風(fēng)電預(yù)測結(jié)果分析

考慮到電、熱儲能的優(yōu)化配置，需要預(yù)測一天內(nèi)24 h的風(fēng)電出力，分別采用靜態(tài)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和動態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測方法對風(fēng)電功率進(jìn)行預(yù)測，輸入為多天的風(fēng)電歷史數(shù)據(jù)和天氣數(shù)據(jù)(風(fēng)速、風(fēng)向等)，輸出為預(yù)測日24點(diǎn)的風(fēng)電功率，針對不同的季節(jié)建立了不同的預(yù)測模型。

分別選取春夏秋冬4個(gè)季節(jié)的典型日，預(yù)測每個(gè)典型日該風(fēng)電場的發(fā)電功率，其中某典型日的功率預(yù)測結(jié)果如圖4所示，圖中黑色實(shí)線表示風(fēng)電功率真實(shí)值，綠色虛線表示靜態(tài)神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測值，藍(lán)色叉線表示支持向量機(jī)預(yù)測值，紅色點(diǎn)線表示動態(tài)神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測值。

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

為了驗(yàn)證算法的預(yù)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(yù)測誤差評價(jià)指標(biāo)，對風(fēng)電功率預(yù)測效果進(jìn)行評估，得到4個(gè)季節(jié)典型日的風(fēng)電功率預(yù)測的誤差分析結(jié)果，如表3所示。

表3 風(fēng)電功率預(yù)測的誤差分析Tab.3 Error analysis of wind power prediction%

由圖4、表3可知，動態(tài)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度高于支持向量機(jī)模型和靜態(tài)神經(jīng)網(wǎng)絡(luò)模型，原因在于動態(tài)神經(jīng)網(wǎng)絡(luò)采用數(shù)據(jù)的導(dǎo)數(shù)來反映系統(tǒng)的動態(tài)變化趨勢，提取出了風(fēng)速的變化軌跡，更能符合實(shí)際，從而更好地預(yù)測未來的風(fēng)速信息，提升了功率預(yù)測的精度。

4.3 電/熱儲能優(yōu)化配置結(jié)果與分析

根據(jù)基于風(fēng)電功率預(yù)測的電/熱儲能優(yōu)化配置模型和算例數(shù)據(jù)，求解得到儲電設(shè)備和儲熱設(shè)備的最優(yōu)配置和成本結(jié)果如表4所示。

表4 算例結(jié)果Tab.4 Example results

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

圖5 3種場景下的儲電和儲熱功率配置結(jié)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(jié)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(jié)果Fig.7 Cost results in three scenarios

針對場景2和場景1，對比電/熱儲能聯(lián)合配置和只配置儲電兩種場景的資源利用和成本，驗(yàn)證儲能配置的合理性。可以看出，由于場景1只有儲電設(shè)備參與，優(yōu)化后的儲電設(shè)備功率和容量配置均較高；場景2是根據(jù)上文所述電/熱儲能優(yōu)化模型而得到的儲電和儲熱配置，由于儲熱設(shè)備的參與，分擔(dān)了一部分風(fēng)電和負(fù)荷，使得儲電設(shè)備的功率和容量配置相較場景1有了較大減小。在經(jīng)濟(jì)性方面，電/熱儲能聯(lián)合配置在購買成本、運(yùn)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(zhuǎn)化為較低成本的儲熱配置，通過CHP熱電聯(lián)產(chǎn)補(bǔ)足供電側(cè)的需求；運(yùn)營成本的減小是由于CHP的接入使得儲電和儲熱的運(yùn)營決策更加合理，可以更多的在低谷電價(jià)時(shí)段充電?？偟膩碚f，在風(fēng)電功率上網(wǎng)的環(huán)境下進(jìn)行電/熱儲能聯(lián)合配置有利于節(jié)約儲能資源，同時(shí)減小總成本。

同時(shí)，為進(jìn)一步驗(yàn)證電/熱聯(lián)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(jī)配置情況。第一種情況是，在場景2的優(yōu)化結(jié)果下，將儲電設(shè)備的功率配置、容量配置提高10%，將儲熱設(shè)備的功率配置、容量配置降低10%，驗(yàn)證模型中的各約束條件均滿足，但購買成本和運(yùn)營成本均提高，計(jì)算結(jié)果顯示總成本比場景2的總成本增加了256.54元，經(jīng)濟(jì)性無法最優(yōu)。第二種情況是，在場景2的優(yōu)化結(jié)果下，將儲電設(shè)備、儲熱設(shè)備的功率配置、容量配置均降低10%，此時(shí)總成本下降，但是無法滿足風(fēng)電并網(wǎng)波動的平穩(wěn)性約束，會影響風(fēng)電并網(wǎng)的質(zhì)量。綜合上述場景2與場景1的對比及兩種情況的分析驗(yàn)證了本文電/熱儲能優(yōu)化配置方法的合理性。

對比場景3和場景2，即驗(yàn)證動態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)電功率預(yù)測應(yīng)用于電/熱儲能配置的合理性。計(jì)算得到，采用動態(tài)神經(jīng)網(wǎng)絡(luò)的風(fēng)電預(yù)測RMSPE值為6.93%，而計(jì)算得到儲電設(shè)備功率配置誤差5.43%，儲電設(shè)備容量配置誤差為3.75%，儲熱設(shè)備功率配置誤差為4.68%，儲熱設(shè)備容量配置誤差為5.40%，電/熱儲能配置的預(yù)測誤差整體會減小。電/熱儲能配置預(yù)測誤差相較于風(fēng)電預(yù)測誤差略有減小，這是由于在儲能配置過程中每一時(shí)段的充放電是與上一時(shí)段的充放電相互關(guān)聯(lián)的，因此風(fēng)電預(yù)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(yàn)證本文動態(tài)神經(jīng)網(wǎng)絡(luò)風(fēng)電預(yù)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(shù)對成本影響的分析

為比較不同儲電和儲熱投資參數(shù)購買成本、運(yùn)營成本和總成本的影響，探究電/熱儲能聯(lián)合配置是否具有普適性優(yōu)勢，進(jìn)一步通過算例對比分析了當(dāng)選擇不同類型的儲能設(shè)備時(shí)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(jìn)行對比驗(yàn)證。

1)參數(shù)對比一：儲電的功率投資系數(shù)和容量投資系數(shù)擴(kuò)大為1.5倍，儲熱參數(shù)不變。

2)參數(shù)對比二：儲熱的功率投資系數(shù)和容量投資系數(shù)擴(kuò)大為1.5倍，儲電參數(shù)不變。

若儲電的投資成本擴(kuò)大1.5倍，即參數(shù)對比一，結(jié)果如表5所示。場景1的配置結(jié)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(jié)果也發(fā)生了改變，相較原始情況，由于儲電投資系數(shù)的擴(kuò)大而導(dǎo)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(yùn)營成本、總成本依然比場景1要低。

表5 參數(shù)對比一的優(yōu)化結(jié)果Tab.5 Optimization results of parameters comparison 1

若儲熱的投資成本擴(kuò)大1.5倍，即參數(shù)對比二，結(jié)果如表6所示。場景1的配置結(jié)果和總成本都不變。而場景2的配置結(jié)果發(fā)生了改變，相較原始情況，由于儲熱投資系數(shù)的擴(kuò)大而導(dǎo)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(fā)現(xiàn)，此時(shí)的購買成本已經(jīng)十分接近，也就是說，電/熱聯(lián)合配置增加了儲熱設(shè)備的成本，但是換來了運(yùn)營成本的進(jìn)一步降低。在現(xiàn)有儲能市場下，電/熱儲能聯(lián)合配置更有利于節(jié)約資源，降低成本。

表6 參數(shù)對比二的優(yōu)化結(jié)果Tab.6 Optimization results of parameters comparison 2

5 結(jié)語

本文提出了基于動態(tài)神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測方法，同時(shí)建立了電、熱儲能聯(lián)合優(yōu)化配置模型，在考慮風(fēng)電上網(wǎng)波動性的基礎(chǔ)上，綜合供電側(cè)和供熱側(cè)進(jìn)行求解，得到了儲電和儲熱最優(yōu)配置結(jié)果，并將所提方法應(yīng)用于某地區(qū)實(shí)際數(shù)據(jù)的計(jì)算和分析，驗(yàn)證結(jié)果表明基于風(fēng)電功率預(yù)測的電/熱儲能聯(lián)合配置具有很大的優(yōu)勢。首先，在經(jīng)濟(jì)性方面，電/熱儲能聯(lián)合配置在購買成本、運(yùn)營成本和總成本方面均優(yōu)于儲電的單獨(dú)配置；其次，將風(fēng)電功率預(yù)測應(yīng)用于電/熱儲能聯(lián)合配置，預(yù)測誤差在合理范圍內(nèi)，滿足儲能配置的需要；而且，通過與儲能的配合，風(fēng)電的預(yù)測誤差也能夠得到平抑和綜合。最后，通過驗(yàn)證在投資參數(shù)發(fā)生變化的情況下電/熱儲能系統(tǒng)相較于只有儲電系統(tǒng)的經(jīng)濟(jì)性優(yōu)勢。