基于場景線性化重塑的用戶側(cè)儲能容量高效規(guī)劃方法

江 昇，文書禮，朱 淼，馬建軍，張慶源

（1.電力傳輸與功率變換控制教育部重點(diǎn)實(shí)驗(yàn)室（上海交通大學(xué)）,上海市 200240；2.上海交通大學(xué)國家電投智慧能源創(chuàng)新學(xué)院,上海市 200240；3.沈陽微控新能源技術(shù)有限公司,遼寧省沈陽市 110000）

0 引言

隨著中國能源結(jié)構(gòu)的低碳化轉(zhuǎn)型,以規(guī)?；植际焦夥鼮榇淼目稍偕茉凑ㄟ^新型電力系統(tǒng)海量用戶終端接入,以促進(jìn)清潔能源的高效就地消納［1］。然而,一方面,光伏出力的波動(dòng)性導(dǎo)致用戶的生產(chǎn)生活用電受天氣等隨機(jī)因素影響,在光伏出力不足時(shí)只能通過部分柔性負(fù)荷調(diào)節(jié)或向電網(wǎng)購電等方式滿足用能需求；另一方面,在光伏資源充足的情況下,缺乏電能存儲能力導(dǎo)致棄光現(xiàn)象非常普遍。因此,提升用戶側(cè)自身的靈活性調(diào)節(jié)能力是保障供電可靠性與新能源消納的關(guān)鍵［2-3］。在上述背景下,電池儲能作為一種適用范圍廣、技術(shù)較為成熟的靈活調(diào)節(jié)資源,有望在新型電力系統(tǒng)用戶側(cè)發(fā)揮更大作用［4-5］,但當(dāng)前儲能系統(tǒng)較高的價(jià)格阻礙了其大規(guī)模推廣應(yīng)用。因此,優(yōu)化配置儲能容量對保障用戶投資收益、促進(jìn)用戶側(cè)光儲一體化發(fā)展具有重要意義［6］。

目前,關(guān)于用戶側(cè)儲能的容量配置問題已經(jīng)開展了大量研究?，F(xiàn)有規(guī)劃方法多是通過經(jīng)驗(yàn)或聚類等場景縮減技術(shù),從全年場景集中選出幾類具有代表性的典型場景來模擬儲能運(yùn)行環(huán)境［7-12］,從而確定最優(yōu)容量。文獻(xiàn)［7］通過k均值聚類算法生成多個(gè)調(diào)峰典型場景,并在此基礎(chǔ)上提出一種考慮電池儲能與需求響應(yīng)聯(lián)合調(diào)峰的雙層規(guī)劃策略。文獻(xiàn)［8］基于夏季與冬季兩個(gè)典型日,提出一種工業(yè)園區(qū)用戶共享氫儲能配置方法。類似地,文獻(xiàn)［9-10］根據(jù)季節(jié)與時(shí)序變化規(guī)律,在全年選取4 個(gè)典型日進(jìn)行運(yùn)行模擬,從而建立了儲能容量優(yōu)化配置模型。文獻(xiàn)［11］則依據(jù)工作日、高峰日、休息日3 種典型場景,面向園區(qū)電/熱儲能進(jìn)行容量協(xié)同規(guī)劃。文獻(xiàn)［12］通過層次聚類將相鄰運(yùn)行點(diǎn)合并,建立了一種用于微電網(wǎng)優(yōu)化配置的場景壓縮技術(shù)。

為進(jìn)一步考慮風(fēng)光等能源的季節(jié)性功率波動(dòng),文獻(xiàn)［13-15］提出了一種計(jì)及全年8 760 h 運(yùn)行的高效規(guī)劃方法。該方法通過聚類將全年每一天與其所屬類的典型場景之間建立對應(yīng)關(guān)系,在全年模擬運(yùn)行時(shí),近似認(rèn)為每天的儲能充放電決策變量與其對應(yīng)的典型場景相同。該方法較好地保留了源荷波動(dòng)的長期特征。同時(shí),由于自然與典型場景間決策變量的對應(yīng)關(guān)系,其優(yōu)化模型的決策變量個(gè)數(shù)相較于文獻(xiàn)［7-12］并未增加。

但上述研究仍存在一些不足之處。一方面,文獻(xiàn)［7-12］為減小規(guī)劃問題的計(jì)算規(guī)模,并未考慮儲能全年8 760 h 的運(yùn)行,而是基于部分代表性典型場景來模擬運(yùn)行。然而,考慮到每個(gè)典型場景之間的時(shí)間不連續(xù)性,該方法實(shí)際上僅考慮了每個(gè)典型日內(nèi)新能源與負(fù)荷的波動(dòng)性,而忽略了更長時(shí)間尺度（周、月、季）的功率波動(dòng)。因此,該方法與基于全年8 760 h 模擬的規(guī)劃方法相比具有一定誤差。另一方面,僅依靠數(shù)個(gè)典型場景難以準(zhǔn)確反映全年每個(gè)自然日的情況,尤其是某些極端天氣導(dǎo)致的能源變化,其波動(dòng)趨勢、幅度等特征難以通過典型場景來反映。因此,上述文獻(xiàn)中基于典型場景進(jìn)行儲能某時(shí)段［7-12］或全年［13-15］運(yùn)行模擬的方式,難以保證儲能配置結(jié)果的可靠性。

針對上述問題,本文以用戶側(cè)儲能為規(guī)劃對象,提出一種計(jì)及全年8 760 h 運(yùn)行的儲能容量高效規(guī)劃方法。該方法基于場景線性化重塑思路,通過典型場景對全年部分極端場景進(jìn)行精確化重表征。同時(shí),將重塑場景進(jìn)行時(shí)序連接并嵌入儲能容量優(yōu)化模型、重新構(gòu)造決策變量,以更小的計(jì)算規(guī)模實(shí)現(xiàn)全年運(yùn)行模擬。最后,通過算例分析用戶側(cè)配置儲能的經(jīng)濟(jì)性,并對比不同規(guī)劃方法的計(jì)算規(guī)模與準(zhǔn)確性。

1 問題描述

1.1 用戶側(cè)微電網(wǎng)結(jié)構(gòu)

本文以安裝分布式屋頂光伏的并網(wǎng)型用戶側(cè)微電網(wǎng)為研究背景,其結(jié)構(gòu)如圖1 所示。源側(cè)包含光伏陣列與公共電網(wǎng),分布式光伏發(fā)電系統(tǒng)和公共電網(wǎng)分別通過逆變器與變壓器連接到交流母線上,并支持光伏消納余量上網(wǎng)。負(fù)荷則包含家用電器、電動(dòng)汽車等。同時(shí),儲能裝置通過逆變器連接到母線上,為用戶側(cè)提供靈活可調(diào)能力。

圖1 用戶側(cè)微電網(wǎng)結(jié)構(gòu)Fig.1 Structure of demand-side microgrid

1.2 規(guī)劃框架

如圖2 所示,本文所提出的規(guī)劃框架由典型場景提取、場景線性建模、決策變量構(gòu)造與優(yōu)化模型求解4 個(gè)部分組成。基于聚類算法提取出的典型場景,提出一種場景線性化重塑方法,對典型場景與其他自然場景間的關(guān)系進(jìn)行建模,從而考慮了全年中部分極端場景對規(guī)劃結(jié)果的影響。為實(shí)現(xiàn)全年8 760 h 高效模擬運(yùn)行、計(jì)及季節(jié)性等長時(shí)間尺度功率波動(dòng),本文采用場景時(shí)序連接的思路,重新構(gòu)造優(yōu)化模型中的決策變量,使得變量與約束個(gè)數(shù)相較于全年精確模擬大幅減少。

圖2 儲能容量規(guī)劃框架Fig.2 Framework of energy storage capacity planning

2 考慮全年模擬運(yùn)行的儲能容量優(yōu)化模型

本章按照全年8 760 h 精確運(yùn)行模擬方式,結(jié)合儲能投資成本和運(yùn)行成本,建立儲能容量規(guī)劃數(shù)學(xué)模型。

2.1 目標(biāo)函數(shù)

式中：CInv、COpe分別為整個(gè)系統(tǒng)的投資成本和運(yùn)行成本；λCRF為容量衰減因子,用于將總投資分?jǐn)傊聊骋粋€(gè)年份中；γ為折現(xiàn)率；n為系統(tǒng)規(guī)劃年限；cBatP、cBatE分別為電池儲能的單位功率、能量容量價(jià)格；EBat、PBat分別為配置的儲能能量、功率容量；CPV-Grid、CGrid分別為光伏并網(wǎng)收益、購電成本；PPV-Gridd,h、PGridd,h分別為全年第d天內(nèi)第h個(gè)小時(shí)的并網(wǎng)、購電功率；cPV-Grid為分布式光伏并網(wǎng)的單位收益；cElech為用戶側(cè)在第h個(gè)小時(shí)向電網(wǎng)購電的分時(shí)電價(jià)；D、H分別為全年考慮的天數(shù)和每天的小時(shí)數(shù),在全年運(yùn)行中分別取為365 與24。

2.2 約束條件

1）系統(tǒng)功率平衡約束：

式中：P為用戶側(cè)全年第d天內(nèi)第h個(gè)小時(shí)的光伏與負(fù)荷不平衡功率；分別為第d天內(nèi)第h個(gè)小時(shí)電池儲能的充、放電功率。

式（4）表示通過儲能充放電以及余量上網(wǎng)/購電功率來實(shí)現(xiàn)微電網(wǎng)全年8 760 h 的功率平衡。

2）電池儲能相關(guān)約束：

式中：EBatd,h為全年第d天內(nèi)第h個(gè)小時(shí)電池儲能的荷電狀態(tài)；ηBatCha、ηBatDis分別為電池儲能的充、放電效率；ηBatLoss為儲能的自放電率；EBatmin為電池荷電狀態(tài)的最低健康值；Δd和Δh分別表示時(shí)間分辨率1 d 和1 h。

式（5）表示電池荷電狀態(tài)在一天之內(nèi)的變化情況；式（6）表示電池狀態(tài)在相鄰兩天之間的變化；式（7）和式（8）分別表示儲能系統(tǒng)充放電功率的上下限約束和儲能能量的上下限約束；式（9）表示電池儲能水平在全年的始末平衡。

3）并網(wǎng)、購電約束：

式中：P為全年第d天內(nèi)第h個(gè)小時(shí)的光伏發(fā)電功率。

式（10）—式（12）分別表示全年每小時(shí)光伏并網(wǎng)功率的物理上限約束以及購電功率、并網(wǎng)功率的下限約束。

3 求解方法

3.1 場景線性化重塑

聚類等場景縮減方法生成的典型場景并不能準(zhǔn)確地反映全年所有可能發(fā)生的情況,尤其是在場景代表個(gè)數(shù)較少的情況下,典型場景與某些極端場景更是存在較大差異。因此,本文在聚類分析的基礎(chǔ)上,提出了一種聚類結(jié)果的線性化重塑方法。該方法對幾類典型場景下的功率波動(dòng)曲線進(jìn)行線性變換,并通過最小二乘法使得變換結(jié)果最優(yōu)逼近同一類中所有自然場景的功率波動(dòng)曲線。場景線性化重塑的數(shù)學(xué)表達(dá)式如下：

式（13）的目的是以典型日內(nèi)的不平衡功率向量P和向量I為基,通過兩者的線性組合表示其對應(yīng)的全年某一自然日內(nèi)的不平衡功率向量。同時(shí),注意到式（13）中的向量維數(shù)為24,僅通過P與I兩組基無法嚴(yán)格線性表示P,故式（13）中引入了余項(xiàng)εd用于表示誤差。

3.2 線性表示系數(shù)求解

為保證場景線性化重塑的近似精度,需要對線性表示系數(shù)αd與βd進(jìn)行優(yōu)化。以εd的各元素平方和最小為目標(biāo),優(yōu)化問題表示如下：

上述優(yōu)化問題可以轉(zhuǎn)化為求取線性方程組的最佳近似解：

式中：

為獲得線性方程組式（15）在最小二乘意義下的最佳近似解,兩邊同時(shí)左乘AT,得到ATAx=ATb。其中,矩陣A滿秩的條件是PImo各元素不完全相同,這是容易滿足的。 因此,由矩陣秩的性質(zhì)rank(ATA)=rank(A)可知,矩陣ATA滿秩,則線性表示系數(shù)的最佳近似解如式（16）所示。

由此,根據(jù)典型日場景以及全年每個(gè)場景對應(yīng)的線性表示系數(shù)就可以近似得到全年每個(gè)場景的對應(yīng)功率向量,從而以較小的維數(shù)代價(jià)實(shí)現(xiàn)對初始聚類結(jié)果的精確化。此外,其應(yīng)用并不局限于某一種具體的聚類手段,而是對聚類結(jié)果的一種通用精確化方法。

3.3 決策變量構(gòu)造

為將場景線性化重塑表達(dá)式（13）嵌入計(jì)及全年8 760 h 精確運(yùn)行的儲能容量規(guī)劃模型,本文從系統(tǒng)功率平衡方程入手,將針對全年每個(gè)自然日的功率平衡式（4）縮減到僅考慮每個(gè)典型日,即

將式（13）代入式（17）,并忽略式（13）中的最小范數(shù)余項(xiàng),則有

式（18）中的決策變量表示第o個(gè)典型日內(nèi)的各項(xiàng)功率,但需要平衡全年第d個(gè)自然日內(nèi)的源荷功率差。因此,本文對式（18）進(jìn)行恒等變形,以構(gòu)造自然與典型場景之間決策變量的關(guān)系,即

式（19）中,引入附加變量的目的在于將常數(shù)項(xiàng)βd分配至各個(gè)典型日決策變量,使得式（19）與第2章中的式（4）在變量形式上一致。兩式對比,將式（4）中原本的自然日決策變量替換為式（19）中括號內(nèi)的構(gòu)造變量,從而僅通過幾類典型場景對應(yīng)變量來模擬儲能全年8 760 h 的運(yùn)行情況,減小了原優(yōu)化模型的決策變量規(guī)模。

為縮減優(yōu)化模型中的實(shí)際約束條件數(shù)量,本文對構(gòu)造變量進(jìn)一步簡化,從所有自然日中篩選出部分極端場景并保留其線性表示系數(shù),而其余場景與典型場景差異較小,其對應(yīng)的系數(shù)αd與βd分別重置為1 與0。極端場景可按下列規(guī)則選?。?/p>

式中：集合S的元素通過線性表示系數(shù)量化每個(gè)自然日d與其對應(yīng)的典型場景之間的差異,可選取集合S中最大的前N項(xiàng)作為非典型的極端場景。其中,N可根據(jù)αd與βd的實(shí)際數(shù)值分布情況選取。

表1 總結(jié)了本節(jié)中不同場景所對應(yīng)的構(gòu)造變量,通過該變量替代全年8 760 h 運(yùn)行模型中的常規(guī)變量Pd,h,可得到變量與約束規(guī)?？s減的優(yōu)化模型。

表1 不同決策變量對比Table 1 Comparison of different decision variables

4 結(jié)果分析

首先,本章設(shè)置了優(yōu)化模型的邊界條件,對容量規(guī)劃問題進(jìn)行求解并分析用戶側(cè)配置儲能的經(jīng)濟(jì)性；其次,將本文提出的規(guī)劃方法與現(xiàn)有方法進(jìn)行對比,以驗(yàn)證它的高效性與準(zhǔn)確性。本文中的優(yōu)化工作均通過GAMS 平臺調(diào)用CPLEX 商用求解器完成。

4.1 邊界條件

本文以文獻(xiàn)［16］中建筑屋頂光伏與負(fù)荷的全年8 760 h 數(shù)據(jù)作為容量規(guī)劃的邊界條件。采用k均值聚類方法［17］對全年表示光伏與負(fù)荷功率之差的凈發(fā)電數(shù)據(jù)進(jìn)行典型場景抽取,聚類結(jié)果中某一類的日凈發(fā)電曲線集群如圖3（a）所示。

圖3 凈發(fā)電曲線聚類及其場景重塑結(jié)果Fig.3 Net power generation curve clustering and its scenario reconfiguration results

由圖3（a）可以看出,由于原始數(shù)據(jù)中存在一些與多數(shù)場景相差較大的極端場景曲線,無論采取何種場景縮減方法,得出的典型場景都與之相差甚遠(yuǎn)。因此,若直接采用典型場景代表其他所有情況,必將削弱規(guī)劃結(jié)果的準(zhǔn)確性,這也正是上文所述的傳統(tǒng)規(guī)劃方法的局限性。圖3（b）展示了利用場景線性化重塑方法對聚類曲線進(jìn)一步建模的結(jié)果。從圖3（b）中可以看到,通過典型場景線性變換獲得的重塑場景曲線與極端場景幾乎重合,準(zhǔn)確刻畫了部分極端情況下凈發(fā)電曲線的特征。

儲能容量規(guī)劃模型中的部分關(guān)鍵參數(shù)設(shè)定如下：cBatE為1 500 元/（kW?h）,cBatP為100 元/kW,ηBatLoss為1%,ηBatCha、ηBatDis為90%,cPV-Grid為0.35 元/（kW?h）。本文中用戶側(cè)儲能使用年限設(shè)為10 年,用戶購電分時(shí)電價(jià)cElech可參照2022 年12 月發(fā)布的分時(shí)電價(jià)機(jī)制文件［18］。

4.2 算例分析

4.2.1 用戶側(cè)儲能經(jīng)濟(jì)性分析

為討論用戶側(cè)配置儲能的經(jīng)濟(jì)效益,本節(jié)先按照計(jì)及全年8 760 h 準(zhǔn)確運(yùn)行的規(guī)劃方法得到儲能容量經(jīng)濟(jì)性最優(yōu)的規(guī)劃結(jié)果（案例1）,并與不安裝儲能,依靠電網(wǎng)購電與光伏發(fā)電、就地消納余量上網(wǎng)（案例2）的經(jīng)濟(jì)效益進(jìn)行對比分析。規(guī)劃結(jié)果如表2 所示。

表2 儲能容量規(guī)劃結(jié)果Table 2 Results of energy storage capacity planning

在表2 中,案例1 的年均總成本除購電成本與上網(wǎng)收入外,還包含儲能投資成本的折算年成本?？梢钥吹?在本文給定的邊界條件下,案例1 中安裝容量為65 kW/173 kW?h 的儲能后,年均總成本相較于無儲能的案例2 下降了約31%。

原因分析如下：

1）通過分時(shí)電價(jià)差套利。通過年購電成本與年購電電量計(jì)算可知：在不安裝儲能情況下,用戶全年平均需以0.628 元/（kW?h）的價(jià)格向電網(wǎng)購電；在安裝儲能之后,年平均單位購電成本下降到0.385 元/（kW ?h）。首 先,用 戶 側(cè) 優(yōu) 先 消 納 光 伏 發(fā)電,只有在光資源不足的時(shí)段才會考慮向電網(wǎng)購電。而如果不安裝儲能,在缺電的時(shí)刻沒有“選擇權(quán)”,也就是說即便此刻電價(jià)較高,也只能選擇購電,導(dǎo)致了用戶年平均購電成本較高；而安裝儲能后,在光伏有余量或者是電價(jià)較低的時(shí)刻,儲能都可以進(jìn)行充電從而為光資源不足的時(shí)段作儲備。

2）提高光伏就地消納率。隨著光伏發(fā)電上網(wǎng)補(bǔ)貼逐年下降,上網(wǎng)價(jià)格已接近燃煤電價(jià)。從用戶側(cè)角度來說,就地消納光伏是更加符合自身利益的選擇。通過表中年光伏發(fā)電總量與上網(wǎng)電量計(jì)算可知：不安裝儲能情況下,全年用戶直接使用光伏發(fā)電量203 741 kW?h,就地消納率為40.4%；在安裝儲能以后,通過儲存光資源豐富時(shí)段的多余電量,光伏就地消納能力提升,其比例上升到51.4%。

本文算例中還對儲能的容量規(guī)劃結(jié)果進(jìn)行了敏感性分析。經(jīng)測算,按照10 年使用年限,當(dāng)儲能的單位容量價(jià)格cBatE在3 000 元/（kW?h）以下時(shí),用戶側(cè)具備一定的盈利前景。同時(shí),分時(shí)電價(jià)的峰谷價(jià)格差也對用戶側(cè)儲能配置效益有較大影響。合理優(yōu)化儲能容量價(jià)格以及分時(shí)電價(jià)機(jī)制,對于儲能在用戶側(cè)更大規(guī)模推廣具有一定的促進(jìn)作用。

4.2.2 不同規(guī)劃方法的結(jié)果對比

本節(jié)從優(yōu)化計(jì)算量及規(guī)劃結(jié)果準(zhǔn)確性兩個(gè)維度比較4 種考慮全年運(yùn)行模擬的規(guī)劃方法。4 種方法分別如下：

方法1：基于全年8 760 h 準(zhǔn)確運(yùn)行模擬的規(guī)劃方法,未經(jīng)近似地求解第2 章中的儲能容量規(guī)劃模型。

方法2：文獻(xiàn)［13-15］中所提出的規(guī)劃方法。該方法通過典型場景的時(shí)序連接來近似模擬儲能全年8 760 h 運(yùn)行。

方法3：在方法2 的基礎(chǔ)上,將部分極端場景內(nèi)的決策變量用方法1 中的常規(guī)變量表示,以進(jìn)一步提升其精確性。

方法4：本文所提出的求解方法。

1）計(jì)算成本對比

4 種求解方法所需的計(jì)算資源如表3 所示。其中,方法1 需要32 488 個(gè)決策變量與45 990 個(gè)約束條件進(jìn)行規(guī)劃建模,優(yōu)化過程涉及的非零元素為174 836 個(gè),所需計(jì)算規(guī)模是4 種方法中最龐大的。在面對更大規(guī)模變量的規(guī)劃問題時(shí),方法1 難以保證其可解性。

表3 不同求解方法所需計(jì)算成本對比Table 3 Comparison of computational costs required of different solution methods

相較于方法1,方法2、3、4 均進(jìn)行了近似,使得所需的決策變量、約束條件以及非零元素個(gè)數(shù)均顯著降低,尤其是決策變量數(shù),分別僅有方法1 的9.0%、12.7%、12.9%,更適用于包含大規(guī)模變量的規(guī)劃問題。相應(yīng)地,方法2、3、4 的計(jì)算效率與方法1相比也有所提升,分別僅需0.53、0.69、1.06 s,更為高效地實(shí)現(xiàn)了儲能全年8 760 h 運(yùn)行模擬。

2）規(guī)劃準(zhǔn)確性對比

表4 對比了4 種求解方法的計(jì)算結(jié)果。其中,方法1 的計(jì)算結(jié)果將作為基準(zhǔn)值,用于評估方法2、3、4的規(guī)劃準(zhǔn)確性。

由表4 可以看到,方法4 的每一項(xiàng)規(guī)劃結(jié)果誤差均顯著低于方法2 與方法3。尤其是年均總成本與年光伏上網(wǎng)電量兩項(xiàng),方法2 與基準(zhǔn)值間的相對誤差分別高達(dá)77.9%與58.6%；而方法3 與基準(zhǔn)值間的相對誤差分別為36.0%與30.0%,這對儲能規(guī)劃與經(jīng)濟(jì)性評估來說是難以接受的。本文中方法4 的相對誤差分別僅有11.5%與10.8%,在提高求解效率的同時(shí)也保證了規(guī)劃結(jié)果的可靠性。

與方法2 相比,可從兩個(gè)角度說明方法4 精確度更高的原因：一方面,方法2 僅通過幾類典型場景代表全年365 個(gè)自然日,未考慮到全年中與典型場景的變化趨勢、幅度差異較大的某些極端場景,而本文中的方法4 通過場景線性化建模,更準(zhǔn)確地保留了極端場景的特征,從而提升了規(guī)劃的精確度；另一方面,從決策變量的形式來看,方法2 中的決策變量相當(dāng)于方法4 中所有場景對應(yīng)變量的線性表示系數(shù)都取1、0 時(shí)的特殊情況,而方法4 則基于最小二乘優(yōu)化系數(shù),進(jìn)一步體現(xiàn)了極端場景與典型場景之間的差異。

同時(shí),為了更準(zhǔn)確地刻畫極端場景下的系統(tǒng)調(diào)度行為,方法3 在方法2 基礎(chǔ)上進(jìn)行了改進(jìn),針對部分極端場景采用方法1 的常規(guī)變量。該方法固然能夠提升方法2 的計(jì)算精度,但也引入了大量的常規(guī)變量；而方法4 的優(yōu)勢在于通過建立典型場景與極端場景變量的線性關(guān)系,能夠在不引入額外變量的情況下考慮極端場景下的充放電行為。因此,在優(yōu)化模型總變量個(gè)數(shù)接近的情況下,方法4 的規(guī)劃準(zhǔn)確度相較于方法3 依舊具備優(yōu)勢。

聚類時(shí)選取的典型場景個(gè)數(shù)也對規(guī)劃結(jié)果準(zhǔn)確性有較大影響。文獻(xiàn)［13］在全年選取了72 個(gè)典型場景進(jìn)行仿真來保證方法2 具備較高的精度,但提取大量場景又違背了場景縮減與模型簡化的初衷。本文在仿真時(shí),方法2、3、4 的典型場景均只有9 個(gè),因此,方法2 的結(jié)果產(chǎn)生了較大誤差,而方法4 在典型場景個(gè)數(shù)較少的情況下,依舊能夠保證優(yōu)化結(jié)果誤差在合理范圍內(nèi)。

圖4 展示了采用4 種不同求解方法的儲能荷電狀態(tài)96 h 變化趨勢。從圖中可以看出,在每天的時(shí)段1 至5,由于用戶側(cè)用電電價(jià)較低,儲能在此時(shí)進(jìn)行充電以備使用,從而通過峰谷電價(jià)差獲利；而在時(shí)段12 至16,光伏發(fā)電量充足,多余電量可以就地儲存并為其他時(shí)段供電,促進(jìn)分布式光伏就地消納。同時(shí),對比4 種求解方法下儲能的運(yùn)行結(jié)果可以看到,方法4 的荷電狀態(tài)曲線與方法1 的基準(zhǔn)曲線較為接近；而方法2、3 與基準(zhǔn)值相差較遠(yuǎn),尤其是在每天的時(shí)段5、6、14 至17,其荷電狀態(tài)曲線整體偏高較為明顯。因此,上述儲能荷電狀態(tài)曲線符合實(shí)際運(yùn)行預(yù)期,并且進(jìn)一步驗(yàn)證了方法4 在運(yùn)行結(jié)果準(zhǔn)確度方面的優(yōu)勢。

圖4 4 種規(guī)劃方法下電池儲能的運(yùn)行結(jié)果對比Fig.4 Comparison of operation results of battery energy storage with four planning methods

5 結(jié)語

面向新型電力系統(tǒng)建設(shè),本文以用戶側(cè)分布式光儲系統(tǒng)為研究對象,聚焦其儲能系統(tǒng)容量規(guī)劃問題。本文的主要結(jié)論簡述如下：

1）考慮到現(xiàn)有的基于典型場景模擬運(yùn)行的規(guī)劃方法無法充分考慮極端場景對規(guī)劃的影響,本文提出了一種場景線性化建模方法,建立了自然場景與典型場景之間的線性映射關(guān)系,并將其嵌入規(guī)劃問題中。仿真結(jié)果表明,所提出的規(guī)劃方法在減少全年8 760 h 運(yùn)行模型所需計(jì)算成本的同時(shí),取得了比現(xiàn)有近似方法更準(zhǔn)確的規(guī)劃結(jié)果。

2）本文針對用戶側(cè)配置儲能的經(jīng)濟(jì)性進(jìn)行了分析。結(jié)果表明,在1 500 元/（kW?h）的儲能投資成本以及現(xiàn)有的分時(shí)電價(jià)與上網(wǎng)價(jià)格前提下,在用戶側(cè)配置一定容量儲能能夠降低31%的年綜合成本,其中的獲利主要來自分時(shí)電價(jià)差以及提高光伏的就地消納率。同時(shí),儲能的單位容量價(jià)格以及峰谷電價(jià)差對于規(guī)劃結(jié)果有顯著影響,是用戶側(cè)能否獲利的關(guān)鍵因素。本文所提出的方法可為電網(wǎng)用戶側(cè)儲能配置提供理論依據(jù)。

下一步工作是將該方法的應(yīng)用范圍與對象進(jìn)一步拓展,研究電力系統(tǒng)源網(wǎng)儲各環(huán)節(jié)在不同應(yīng)用場景下的高效規(guī)劃路徑。同時(shí),如何結(jié)合規(guī)劃問題的特點(diǎn),提出具備較高計(jì)算效率與精度的方法也是未來的研究方向。