考慮碳效益和運行策略的風(fēng)電場儲能優(yōu)化配置

摘 要：中國碳交易及輔助服務(wù)市場的逐步開放豐富了新能源電站儲能的收益模式，提出一種考慮碳效益和運行策略的風(fēng)電場儲能優(yōu)化配置方法。首先，構(gòu)建儲能綜合效益計算模型，考慮儲能增發(fā)電量效益、調(diào)頻效益、碳效益和全壽命成本；其次，為協(xié)調(diào)儲能同時參與風(fēng)電平抑和輔助調(diào)頻，建立儲能運行-配置雙層模型。上層模型以儲能出力最小和充放能力最大為目標(biāo)，采用模型算法控制求解平抑作用域，兼顧可充放電能力確定調(diào)頻作用域?；谧饔糜蛑贫紤]荷電狀態(tài)（SOC）的多場景協(xié)調(diào)運行策略。下層儲能優(yōu)化配置模型以綜合效益最大為目標(biāo)，上層求解結(jié)果和運行策略為約束，采用哈里斯鷹算法求解。最后，通過算例驗證了所提風(fēng)電場儲能優(yōu)化配置方法有效性。

關(guān)鍵詞：儲能；風(fēng)電；碳效益；波動平抑；輔助調(diào)頻服務(wù)

中圖分類號：TM614 " " " " 文獻標(biāo)志碼：A

0 引 言

在全球低碳經(jīng)濟背景下，截至2022年底，中國風(fēng)電累計裝機容量已達到395.6 GW，全球占比39.1%［1-2］。但風(fēng)電固有的時空不確定性會對電力系統(tǒng)安全穩(wěn)定運行造成沖擊［3］。儲能（energy storage system，ESS）作為可調(diào)度性強的技術(shù)，能顯著平抑風(fēng)電波動，提高大規(guī)模風(fēng)電并網(wǎng)的可信度［4-5］。中國碳交易市場的建立以及各省市陸續(xù)頒布將儲能納入調(diào)頻主體的補償政策，豐富了儲能的應(yīng)用場景和投資收益方式［6-7］。然而目前ESS的投資成本較高，如何平衡儲能經(jīng)濟性與多場景目標(biāo)實現(xiàn)效果之間的利弊是新市場環(huán)境下亟待解決的問題。

國內(nèi)外對風(fēng)電場側(cè)儲能配置與運行已有諸多研究成果。文獻［8］通過改進小波分解方法利用儲能平抑風(fēng)電波動，分析了平抑方法對儲能配置的影響，相比于傳統(tǒng)方法，該文所提方法有效降低了儲能配置成本；文獻［9］利用儲能技術(shù)解決高比例風(fēng)電消納問題，建立以系統(tǒng)成本最小的儲能配置模型，梳理了影響儲能配置的多種因素；文獻［10］提出一種凈效益最大為目標(biāo)的儲能參與二次調(diào)頻的容量配置方法，以調(diào)頻需求為約束，從而優(yōu)化儲能容量；文獻［11］基于模型算法控制（model algorithm control，MAC）構(gòu)建了一種多目標(biāo)混合儲能雙層規(guī)劃模型，旨在實現(xiàn)日均運行成本最低和有效平抑風(fēng)電波動。上述研究中的儲能容量配置方法通常只涉及單一場景，如風(fēng)電場平抑波動或輔助二次調(diào)頻等，復(fù)雜工況下ESS難以同時應(yīng)對多應(yīng)用場景的工程需求。

面對多應(yīng)用場景儲能配置模型需綜合考慮不同場景的考核要求、ESS的性能及其全壽命周期內(nèi)的投資成本和收益。文獻［12］結(jié)合削峰率及并網(wǎng)指標(biāo)，提出“雙應(yīng)用”場景的容量配置方法，驗證了儲能同時平抑風(fēng)電波動和削峰填谷的技術(shù)經(jīng)濟性；文獻［13］建立一種考慮儲能減少棄風(fēng)和參與調(diào)頻的優(yōu)化運行模型，結(jié)果表明合理分配儲能參與減少棄風(fēng)和二次調(diào)頻的容量可顯著提高風(fēng)儲聯(lián)合系統(tǒng)的收益；文獻［14］提出一種ESS同時跟蹤出力計劃和參與輔助調(diào)頻的動態(tài)控制策略，以風(fēng)儲系統(tǒng)整體利益最大，對儲能容量進行優(yōu)化，算例驗證了在所提控制策略下所配置的儲能經(jīng)濟性最佳。但以上研究中的儲能容量配置模型均未考慮風(fēng)電場參與碳交易所得收益，未充分發(fā)掘ESS的碳效益。

隨著中國碳交易市場的建立，碳效益成為儲能容量配置需要考慮的重要因素。文獻［15］計算了ESS在建設(shè)、運輸階段產(chǎn)生的碳排放；文獻［16］引入碳交易機制，將風(fēng)儲聯(lián)合系統(tǒng)全生命周期的售電量轉(zhuǎn)化為碳排放收益，建立了計及碳收益的儲能容量優(yōu)化配置模型；文獻［17］建立了考慮階梯式碳交易的儲能優(yōu)化模型，進一步降低了直接碳排量?？梢?，現(xiàn)有研究主要集中于計算儲能的直接碳排放，較少探討儲能在可再生能源消納和提高電網(wǎng)靈活性過程中產(chǎn)生的間接碳效益。

針對上述問題，本文考慮ESS同時實現(xiàn)平抑波動和參與輔助調(diào)頻服務(wù)的多場景應(yīng)用并引入碳交易機制，研究風(fēng)電場側(cè)儲能容量配置方法。首先，構(gòu)建儲能綜合效益計算模型；其次，為協(xié)調(diào)儲能同時參與風(fēng)電平抑和輔助調(diào)頻，建立儲能運行-配置雙層優(yōu)化模型。最后，采用哈里斯鷹算法（Harris hawks optimizer， HHO）求解儲能容量。以中國某百兆風(fēng)電場為例，驗證模型的有效性。

1 系統(tǒng)結(jié)構(gòu)

1.1 含風(fēng)儲聯(lián)合系統(tǒng)的電力系統(tǒng)結(jié)構(gòu)

在風(fēng)電場并網(wǎng)處接入ESS，通過合理控制策略可使儲能滿足多個場景的協(xié)調(diào)運行，本文研究的含風(fēng)-儲聯(lián)合系統(tǒng)（wind-energy storage system，WESS）的電力系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1中，負(fù)載功率PL主要由傳統(tǒng)發(fā)電廠的輸出功率PT和風(fēng)電場的并網(wǎng)輸出功率[Pg]提供，[Pw]為風(fēng)電場原始輸出功率。儲能系統(tǒng)出力[P]包括幫助風(fēng)電場平抑波動輸出[Pb]，同時向輔助服務(wù)市場提供頻率調(diào)節(jié)服務(wù)[Pr]；SOC為儲能系統(tǒng)的荷電狀態(tài)。

1.2 AGC系統(tǒng)結(jié)構(gòu)

本文構(gòu)建的AGC系統(tǒng)參考美國獨立運營市場（Pennsylvania-New Jersey-Maryland Interconnection， PJM）運行過程分為日前和實時兩個階段。在日前階段，AGC系統(tǒng)根據(jù)現(xiàn)有的市場規(guī)則和電網(wǎng)運行狀態(tài)，預(yù)測第二天的調(diào)頻功率，并對分布在ESS和傳統(tǒng)機組之間的頻率調(diào)節(jié)功率進行解耦，傳統(tǒng)機組的頻率調(diào)節(jié)指令（traditional regulation signal， RegA）確定次日傳統(tǒng)機組的輸出曲線。在實時階段，AGC系統(tǒng)在下一個控制周期前15 min，根據(jù)全網(wǎng)狀態(tài)對區(qū)域控制誤差（area control error，ACE）進行超短期預(yù)測，確定快速調(diào)節(jié)的需求并在調(diào)頻期間實時向各儲能電站發(fā)送快速調(diào)頻指令（dynamic regulation signal， RegD）。

2 儲能綜合效益模型

本節(jié)從風(fēng)電場配置儲能后增加的上網(wǎng)電量效益，調(diào)頻收益以及碳效益3個方面分析儲能的綜合效益結(jié)構(gòu)，并結(jié)合全壽命周期成本模型，構(gòu)建儲能綜合效益計算模型。為統(tǒng)一效益計算標(biāo)準(zhǔn)，利用費用現(xiàn)值法，將設(shè)備不同時間的成本和收益轉(zhuǎn)化為每年的平均現(xiàn)值，假設(shè)研究期為[n]年，折現(xiàn)率為[r]，引入資金折合系數(shù)[iLF]。

[iLF=r（1+r）nr（1+r）n-1] （1）

2.1 儲能效益模型

2.1.1 增發(fā)上網(wǎng)電量效益

通過在風(fēng)電場出口安裝合適容量的儲能系統(tǒng)，利用ESS的蓄輸特性減少棄風(fēng)，改善風(fēng)電并網(wǎng)可信度。本文將未配置儲能時的棄風(fēng)部分視作增發(fā)電量[Eextra]。

[Eextra=t=1TPw（t）-Pγ（t）] （2）

式中：[Pw（t）]——第[t]時刻風(fēng)電原始功率，MW；[Pγ（t）]——第[t]時刻風(fēng)電場未配置儲能時的并網(wǎng)功率，MW。

[Iw-sell=cwEextra] （3）

式中：[cw]——風(fēng)電場單位上網(wǎng)電價，元/MWh。

2.1.2 調(diào)頻效益

若風(fēng)電機組也參與調(diào)頻，則必須保持足夠的旋轉(zhuǎn)備用以便隨時響應(yīng)調(diào)頻命令，這將極大影響WESS的發(fā)電收益。因此，本文僅考慮ESS參與調(diào)頻，即調(diào)頻系統(tǒng)所需的功率差由ESS提供；將ESS放電的情況稱為向上調(diào)頻，反之稱為向下調(diào)頻。

假設(shè)儲能作為價格接受者和優(yōu)質(zhì)調(diào)頻資源參與輔助服務(wù)市場的實時階段（時間尺度為 15 min），所報調(diào)頻容量全部被AGC系統(tǒng)接受。儲能參與調(diào)頻輔助市場收益包括容量補償和里程補償兩部分。

[Ir-sell=t=1Tccapt+mcpertRs，t] （4）

式中：[ccapt]、[cpert]——[t]時段的容量價格（元/MWh）、里程價格（元/MW）；[m]——平均里程；[Rs，t]——[t]時段申報參與調(diào)頻服務(wù)的功率，MW。

2.1.3 碳效益

儲能在風(fēng)電場側(cè)的碳效益主要體現(xiàn)為減少棄風(fēng)，增加上網(wǎng)電量從而減少碳排放和參與調(diào)頻輔助服務(wù)減少傳統(tǒng)發(fā)電廠調(diào)頻的碳排放；另一方面，儲能在生產(chǎn)制造、運輸建設(shè)、運維及報廢處理階段會消耗能源，增加碳排放。參考文獻［18］對低碳因素的描述，將上述ESS減少和增加的碳排放分為積極碳效益[Ipositivecarbon]和消極碳效益[Inegtivecarbon]?？傻?，ESS的碳效益為：

[Ic-sell=cc-sell（Ipositivecarbon-Inegtivecarbon）] （5）

式中：[cc-sell]——碳交易單位價格，元/t。截至2021年底，中國碳排放權(quán)交易市場的平均價值為50～55元/t。

1）積極碳效益

碳交易機制是國家生態(tài)環(huán)境部為企業(yè)分配初始配額，企業(yè)間通過碳交易市場進行碳排放額交易以平衡各自的碳排放量，交易原理如圖2所示。風(fēng)電、光伏等新能源發(fā)電廠作為清潔能源，是出售碳排放額度的主體，因此配置儲能后所增發(fā)的電量可轉(zhuǎn)為碳排放額度進行盈利。

[Iecarbon=γessEextra] （6）

式中：[γess]——單位電量碳排放配額，取0.57 t/MWh。

儲能系統(tǒng)參與調(diào)頻市場時，實際運行中的充放電功率不斷變化，以響應(yīng)調(diào)頻信號。本文通過引入[kCO2]火電機組碳排放因子和[ktp]調(diào)頻電量到火電機組出力的折合系數(shù)（一般取值在0.8～1.0之間）計算輔助調(diào)頻過程中產(chǎn)生的碳效益[Ircarbon]，計算公式為：

[Ircarbon=t=1TkCO2ktpPr（t）Δt] （7）

式中：[kCO2]——取值參考中國六大區(qū)域2019年度的電量邊際排放因子［19］的平均值0.8953 t/MWh。

積極碳效益[Ipositivecarbon]的計算公式為：

[Ipositivecarbon=Iecarbon+Ircarbon] （8）

2）消極碳效益

儲能設(shè)備在投入使用前的生產(chǎn)制造、運輸安裝和運行維護過程中會消耗電能和燃料而產(chǎn)生碳排放。

生產(chǎn)階段碳排放量[Isccarbon]計算表達式為：

[Isccarbon=kscPrate] （9）

式中：[ksc]——儲能設(shè)備單位功率生產(chǎn)所造成的碳排放系數(shù)（0.1～0.2 t/MWh）；[Prate]——儲能設(shè)備的額定功率，MW。

運維階段碳排放量[Iomcarbon]一般取生產(chǎn)階段排量的3%。傳輸階段碳排放量[Iyscarbon]計算表達式為：

[Iyscarbon=kysSH] （10）

式中：[kys]——傳輸碳排放系數(shù)，取0.1553 kg/（t?km）；[S]——傳輸距離，km；[H]——傳輸質(zhì)量，t。

消極碳效益[Inegtivecarbon]的計算公式為：

[Inegtivecarbon=（Isccarbon+Iyscarbon+Iomcarbon）×iLF] （11）

2.2 儲能全壽命周期成本模型

考慮儲能運行壽命，建立儲能全壽命周期成本模型。ESS的循環(huán)壽命受到溫度、自放電率、放電深度（depth of discharge，DOD）、充放電次數(shù)等多種因素影響，考慮到充電站儲能電池的環(huán)境溫度較穩(wěn)定，且隨著儲能技術(shù)的不斷發(fā)展，其自放電率可達0. 0001 min-1以下［20］。為簡化計算，本文僅考慮充放次數(shù)和DOD建立基于儲能放電深度的循環(huán)壽命模型，采用四階函數(shù)表征儲能循環(huán)壽命［21］，即：

[N=-3278D4OD-5D3OD+128235D2OD-14122DOD+5112] （12）

式中：[N]——循環(huán)壽命；[DOD]——放電深度。

等效總循環(huán)壽命可通過將各個周期的等效循環(huán)壽命累加得出，即：

[y=i=1nN（1）N（DOD（i））] （13）

式中：[n]——儲能總工作周期數(shù)；[N1]——放電深度為1時的循環(huán)壽命；[N（DOD（i））]——放電深度為[DOD（i）]時的循環(huán)壽命，取值為0～1。

2.2.1 初始投資成本

儲能設(shè)備的初始投資成本與其額定功率和容量呈正相關(guān)，計算公式為：

[Cinv=CpinvPrate+CeinvErate] （14）

式中：[Cpinv]、[Ceinv]——單位功率成本、容量成本，元；[Prate]、[Erate]——額定功率、容量，MW、MWh。

2.2.2 重置成本

當(dāng)儲能達到壽命周期時，需對其進行無害化報廢回收處理，將回收利用所得收益用作補貼，如式（15）所示。

[Cres=（1-σres）b=1xCeinvErate?r（1+r）yxr（1+r）yx-1] （15）

式中：[x]——更換次數(shù)；[σres]——回收殘值率，取5%；[y]——儲能等效總循環(huán)壽命，由式（12）、式（13）確定，a。

2.2.3 運行維護成本

為保障儲能系統(tǒng)在其完整壽命期內(nèi)穩(wěn)定運行所需的資金投入被稱為運維護成本。

[Com=comErate] （16）

式中：[com]——單位容量的維護成本，元。

綜上，ESS全壽命周期成本[CLCC]為：

[CLCC=Cinv+Com×iLF+Cres] （17）

則儲能綜合效益計算模型為：

[J=Iw-sall+Ir-sell+Ic-sell-CLCC] （18）

3 風(fēng)電場儲能雙層優(yōu)化配置模型

針對協(xié)調(diào)儲能同時參與風(fēng)電平抑和輔助調(diào)頻的問題，構(gòu)建儲能運行-配置雙層模型。上層模型在分別確定平抑、調(diào)頻作用域的基礎(chǔ)上制定考慮荷電狀態(tài)（state of charge，SOC）儲能多場景協(xié)調(diào)運行的控制策略，下層以儲能綜合效益最大為目標(biāo)建立配置模型，并將上層模型制定的策略作為配置模型的約束，通過HHO算法進行求解。

3.1 基于MAC的上層模型

3.1.1 基于MAC確定儲能平抑作用域

MAC具有滾動預(yù)測、提前控制和實時優(yōu)化的特點，能根據(jù)當(dāng)前風(fēng)電實際輸出和約束條件，有效計算儲能在未來一段時間內(nèi)平抑風(fēng)電波動的作用域。

由圖1可知，在利用儲能系統(tǒng)平抑風(fēng)電場并網(wǎng)過程中，風(fēng)電原始功率[Pw]、儲能出力功率[Pb]、風(fēng)電并網(wǎng)功率[Pg]、以及荷電狀態(tài)SOC之間的關(guān)系。

[Pg（t+1）=Pw（t）-Pb（t）] （19）

[S（t+1）=S（t）+TEes×Pb（t）] （20）

式中：[Pg（t+1）]——[t+1]時刻風(fēng)電場并網(wǎng)功率，MW；[Pw（t）]、[Pb（t）]——[t]時刻風(fēng)電場實際輸出功率、儲能充放功率，MW；[S（t+1）]——[t+1]時刻儲能SOC；[T]、[Ees]——儲能控制周期、額定容量，min、MWh。

傳統(tǒng)方法僅以儲能最小出力為目標(biāo)，忽略了儲能當(dāng)前出力將影響其未來輸出能力［21］。儲能參與輔助調(diào)頻時，調(diào)頻表現(xiàn)受到荷電狀態(tài)的影響，當(dāng)儲能荷電狀態(tài)處于中間值時，雙向調(diào)頻表現(xiàn)最好。

因此，本文在考慮降低儲能出力的同時將SOC變化引入優(yōu)化目標(biāo)，以儲能出力最小和充放能力最大為MAC滾動優(yōu)化目標(biāo)函數(shù)。

[J=mini=0M-1P2b（t+i）+i=1M（S（t+i）-Smid）2] （21）

式中：[Smid]——儲能最大充放電能力，取0.5；[M]——預(yù)測時間尺度，即控制指令序列長度。第一項使儲能充放電功率最小，第二項縮小了儲能SOC與最大充放電能力之間的差值。為儲能電池對未來風(fēng)功率變化、跟蹤調(diào)頻指令有最大適應(yīng)能力提供了保障。

在MAC滾動優(yōu)化中考慮儲能的充放功率上下限、SOC上下限以及風(fēng)電場并網(wǎng)波動要求，約束條件為：

[-Pmax≤Pb（t+i）≤Pmax] （22）

[Smin≤S（t+i）≤Smax] （23）

[Pg（t+i+1）-Pg（t+i）Prated≤δ] （24）

式中：[Pmax]——儲能系統(tǒng)最大允許充放功率，即額定功率，MW；[Smin]、[Smax]——儲能系統(tǒng)SOC上下限；[δ]——風(fēng)電場并網(wǎng)波動率限制值，%；[Prated]——風(fēng)電場裝機容量，MW。

參考文獻［22］，通過數(shù)值計算將目標(biāo)函數(shù)式（21）和約束條件式（22）～式（24）化為二次型標(biāo)準(zhǔn)優(yōu)化模型，利用Matlab的二次規(guī)劃方法優(yōu)化求解，獲得優(yōu)化變量序列。按滾動優(yōu)化的思想，只取求解出的優(yōu)化變量序列的第一項作為儲能平抑風(fēng)電波動的控制指令，滾動至下一時刻，更新SOC變量值與并網(wǎng)功率值。重復(fù)上述過程，從而得到各時刻風(fēng)電場并網(wǎng)功率[Pg（t）]和儲能平抑風(fēng)電波動出力的控制指令[Ut]。

3.1.2 兼顧充放電能力確定儲能調(diào)頻作用域

在求解時平抑風(fēng)電波動作用域時，儲能不直接作用，只求出符合允許并網(wǎng)波動要求的儲能平抑區(qū)間。對儲能平抑風(fēng)電波動后的儲能理論可充放電功率[Pbe]進行分析，將其絕對值與額定功率[Prate]相比較，取小的一方作為申報功率并作為ESS參與輔助調(diào)頻服務(wù)的作用域。結(jié)合儲能平抑和調(diào)頻作用域，為后續(xù)制定基于SOC的儲能多場景協(xié)調(diào)控制策略提供參考。

申報上調(diào)功率時，儲能可充功率由儲能SOC上限和前一時刻儲能剩余容量決定；申報下調(diào)功率時，儲能可放功率由儲能SOC下限和前一時刻儲能剩余容量決定。

[t]時刻可充放功率[Pbet]表達式為：

[Pbet=ErateSmax-Ebt′t-Δt，Ebt′t-Δt-ErateSmin， Pbtgt;0 Pbtlt;0] （25）

式中：[Ebt′t-Δt]——儲能設(shè)備前一時刻剩余容量，MWh。

t時刻申報調(diào)頻功率表達式為：

[Rs，t=Pbe（t）， Pbe（t）lt;PratePrate， Prate≤Pbe（t）] （26）

3.2 基于SOC的儲能多場景協(xié)調(diào)運行策略

儲能在同時平抑風(fēng)電波動和參與輔助調(diào)頻服務(wù)的過程中可能會過充電或過放電，由式（12）可知，DOD越大，循環(huán)壽命越短。為盡可能延長ESS的使用壽命，應(yīng)使儲能系統(tǒng)的SOC保持在適當(dāng)范圍。本文提出基于SOC的多場景協(xié)調(diào)儲能運行控制策略。以儲能的SOC為協(xié)調(diào)運行的橋梁，調(diào)整儲能系統(tǒng)在優(yōu)化周期內(nèi)的控制目標(biāo)。

本文依據(jù)SOC將ESS分為5個不同工作狀態(tài)區(qū)間。當(dāng)0.4≤SOC≤0.6時，稱為儲能的最佳工作狀態(tài)。當(dāng)儲能處于最佳工作狀態(tài)時，ESS的控制目標(biāo)是跟蹤風(fēng)電波動平抑序列指令[Ut]的同時參與輔助服務(wù)提供雙向調(diào)頻服務(wù)。當(dāng)0.1≤SOC≤0.4時，為優(yōu)先充電狀態(tài)。在這種狀態(tài)下，ESS的控制目標(biāo)是優(yōu)先跟蹤需儲能充電的平抑序列[U+t]（即[Ut]gt;0）的同時并向輔助服務(wù)市場提供向下調(diào)頻服務(wù)；當(dāng)平抑指令、調(diào)頻信號同時為放電時，取功率較小的一方進行工作。當(dāng)0.6≤SOC≤0.9時，為優(yōu)先放電狀態(tài)。在這種狀態(tài)下，控制目標(biāo)是優(yōu)先跟蹤需儲能放電的平抑指令[U-t]（即[Ut]lt;0）的同時并向輔助市場提供向上調(diào)頻服務(wù)；當(dāng)平抑指令、調(diào)頻信號同時為充電時，取功率較小的一方進行工作。當(dāng)SOClt;0.1為過放電保護狀態(tài)。在這種狀態(tài)下，ESS僅充電，直到SOC增加到0.2以恢復(fù)優(yōu)先充電狀態(tài)；當(dāng)SOCgt;0.9為過充電狀態(tài)。在這個狀態(tài)下，儲能系統(tǒng)僅放電，直到SOC降低到0.8以恢復(fù)優(yōu)先放電狀態(tài)。

ESS跟隨平抑風(fēng)電指令序列與輔助調(diào)頻信號協(xié)調(diào)配合控制框圖如圖3所示。圖3中，[Sace]為電力系統(tǒng)某區(qū)域的控制誤差；[Sagc]為AGC調(diào)頻指令；[Rs（t）]為儲能系統(tǒng)申報的t時刻輔助調(diào)頻服務(wù)的容量；[ΔPagc（t）]為[t]時刻調(diào)頻信號要求的儲能出力變化幅值；[P（t）]為[t]時刻跟隨平抑序列指令、調(diào)頻指令時

儲能的實際出力，即[Pb（t）]與[Pr（t）]之和；AGC指令[Sagc]根據(jù)調(diào)度中心實時ACE傳達至儲能系統(tǒng)。

其時域滾動優(yōu)化過程為：

1）根據(jù)當(dāng)前風(fēng)電場實際出力值、儲能SOC變量值，通過MAC求解出平抑指令；2）根據(jù)ESS可充放電能力申報調(diào)頻容量；3）結(jié)合調(diào)頻需求，通過約束SOC控制儲能平抑波動和參與輔助調(diào)頻的實際出力功率；4）滾動至下一個時刻，更新SOC變量值、儲能出力功率和并網(wǎng)功率，重復(fù)上述過程。

3.3 基于HHO的下層模型

在滿足并網(wǎng)要求的前提下，以風(fēng)電場配置的ESS綜合效益最大為目標(biāo)：

[J=max（Ie-sall+Ir-sell+Ic-sell-CLCC）] （27）

3.3.1 約束條件

1）功率約束

儲能系統(tǒng)的實際充放電功率不應(yīng)大于ESS的額定功率，如式（28）、式（29）所示。

[P（t）=Pbt+Prt] （28）

[-Pmax≤P≤Pmax] （29）

式中：[P（t）]——[t]時刻儲能系統(tǒng)總出力功率，MW；[Pbt]——[t]時刻儲能平抑風(fēng)電出力功率，MW；[Prt]——[t]時刻儲能參與輔助調(diào)頻服務(wù)功率，MW。

儲能系統(tǒng)[t]時刻平抑波動充放電功率約束為：

[0≤Pb（t）ηbc≤u（t）， u（t）gt;0u（t）≤Pb（t）ηbd≤0， u（t）lt;0] （30）

式中：[u（t）]——[t]時刻MAC所求儲能充放電作用域；[ηbc]、[ηbd]——儲能充電和放電效率。

儲能系統(tǒng)[t]時刻參與輔助調(diào)頻充放電功率約束為：

[0≤Pr（t）ηbc≤S-agc，tRs，tS+agc，tRs，t≤Pr（t）ηbd≤0] （31）

式中：[S+agc，t]、[S-agc，t]——[t]時刻上調(diào)頻率調(diào)節(jié)指令、下調(diào)頻率調(diào)節(jié)指令，MW。

2）電量約束

[Ebs=k=1tP（t）ηbcΔt+Eb0， P（t）gt;0P（t）ηbdΔt+Eb0， P（t）lt;0] （32）

[Erate≥maxEbsSmax-Smin] （33）

式中：[Ebs]——調(diào)度周期內(nèi)儲能設(shè)備最大剩余容量，MWh；[Eb0]——儲能設(shè)備初始容量，MWh。

3）SOC約束

本文提出的多場景協(xié)調(diào)運行策略在一定程度上限制了ESS的SOC，因此只添加了基本的檢查約束，以確保SOC在規(guī)定的上下限內(nèi)。

[Smin≤S（t）≤Smax] （34）

3.3.2 HHO優(yōu)化算法

HHO優(yōu)化算法是一種模擬哈里斯鷹協(xié)作捕食行為的智能優(yōu)化算法，涵蓋了全局搜索、全局搜索與開發(fā)的轉(zhuǎn)換以及開發(fā)3個不同階段［23］。為提高控制策略與配置方法的匹配性，本文多場景協(xié)同儲能運行策略嵌入HHO算法，用于求解儲能優(yōu)化配置雙層模型的下層目標(biāo)函數(shù)。

3.4 雙層模型架構(gòu)

針對儲能同時實現(xiàn)平抑風(fēng)電波動和參與輔助調(diào)頻協(xié)調(diào)運行的優(yōu)化配置問題，為兼顧所配儲能的低碳經(jīng)濟性，建立儲能優(yōu)化配置雙層模型，如圖4所示。

上層模型中，MAC優(yōu)化目標(biāo)是儲能出力最小和充放能力趨于最大，決策變量是儲能平抑風(fēng)電波動輸出，以SOC、風(fēng)電并網(wǎng)功率為約束條件，求解儲能平抑風(fēng)電波動作用域。其次，兼顧儲能充放能力申報參與調(diào)頻的容量，以申報容量作為儲能參與輔助調(diào)頻的作用域。最后，基于儲能平抑-調(diào)頻作用域制定考慮SOC的儲能多場景協(xié)調(diào)運行的控制策略。

下層模型中，優(yōu)化目標(biāo)是最大化綜合效益；決策變量是儲能功率、容量；以平抑風(fēng)電波動作用域、參與輔助調(diào)頻服務(wù)作用域、儲能SOC為約束條件。將考慮SOC的多場景協(xié)調(diào)儲能運行控制策略嵌入HHO算法進行求解。

上層模型將平抑-調(diào)頻作用域作為制定多場景協(xié)調(diào)儲能運行控制策略的約束，將該控制策略傳遞給下層，并作為下層決策變量優(yōu)化的約束；下層模型在此基礎(chǔ)上對儲能容量進行尋優(yōu)，并把求解結(jié)果反饋給上層，雙層迭代最終獲得儲能最佳容量和運行的最優(yōu)結(jié)果。

4 算例分析

4.1 算例設(shè)置

本文研究期為20 a，選取目前裝機份額最大的鋰電池儲能系統(tǒng)和新疆某裝機容量100 MW的風(fēng)電場典型日的實測數(shù)據(jù)進行仿真驗證，風(fēng)電數(shù)據(jù)采樣時長為24 h，采樣頻率為1 min，儲能系統(tǒng)初始SOC設(shè)置為0.5。算例中調(diào)頻市場價格參考文獻［13］；調(diào)頻信號數(shù)據(jù)來自PJM市場［24］；系統(tǒng)相關(guān)參數(shù)見表1。

按國標(biāo)GB/T 19963—2021風(fēng)電場并網(wǎng)技術(shù)規(guī)定，風(fēng)電功率變化量需滿足在1和10 min兩個時間尺度上不超過所規(guī)定的限值［25］，在上層MAC求解平抑作用域時設(shè)置風(fēng)電波動率約束[δ]為8%，依據(jù)風(fēng)電場裝機容量大小規(guī)定允許功率波動范圍，設(shè)置允許并網(wǎng)波動率[δ0]為10%。

為充分說明考本文優(yōu)化配置方法的有效性，使用相同的參數(shù)設(shè)置以下4種情景：

1）采用本文提出的配置方法儲能基于SOC的多場景協(xié)調(diào)運行；

2）儲能完全跟蹤平抑序列，考慮碳交易并基于SOC參與輔助調(diào)頻市場；

3）儲能基于SOC跟蹤平抑序列并考慮碳交易，但不參加輔助調(diào)頻市場；

4）儲能基于SOC跟蹤平抑序列并參與輔助調(diào)頻市場，但不考慮碳交易。

4.2 優(yōu)化結(jié)果分析

4種情景下儲能容量與儲能綜合效益之間的關(guān)系，如圖5所示。可見，隨著風(fēng)電場配置儲能容量的增加，收益先上升后下降。換言之，在這4種情景下，通過適當(dāng)配置儲能容量，可提高綜合效益，并存在最優(yōu)解。在最佳儲能容量下，每個情景的運行結(jié)果如表2所示，每個部分的收益和成本以瀑布圖的形式呈現(xiàn)在圖6中。圖中，[Iw_sell]為增加上網(wǎng)電量收益，[Ir_sell]為調(diào)頻收益，[Ic_sell]為低碳收益，REV為儲能收益，[Cin]為儲能投資年等值，[Coamp;m]為年儲能的運營和維護成本，[Cres]為儲能重置成本。

根據(jù)結(jié)果顯示，基于本文提出的配置方法獲得了最高利潤，對優(yōu)化結(jié)果的分析如下：

情景1通過基于SOC跟蹤平抑序列指令，可在一定程度上增加儲能的綜合效益。相比于情景2，在滿足并網(wǎng)要求的前提下，雖犧牲了部分平抑效果，但得益于SOC控制儲能狀態(tài)的優(yōu)化，ESS的壽命延長了14.81%，有更多機會參與輔助頻率調(diào)節(jié)服務(wù)并獲得更多利潤。

比較情景1和情景3，ESS參與基于SOC的AGC頻率調(diào)節(jié)將大大增加綜合收入。在情景1的運營策略下，ESS不僅可通過調(diào)頻服務(wù)優(yōu)化其SOC，還可獲得較高的收入。值得注意的是，如果ESS無法從調(diào)頻服務(wù)中獲取收益，情景3的最佳儲能容量較情景1的最佳容量降低25.02%。這說明過多的儲能容量只會導(dǎo)致綜合效益下降。

通過比較情景1、3、4，情景1的年收益相較于僅情景3增加了59.63萬元（約2.78倍）；相較于情景4增加了15.52萬元（約1.2倍）。在ESS僅應(yīng)用于平抑波動的場景下，碳效益對儲能綜合效益的影響力較小，儲能的碳效益在此單一應(yīng)用場景下較難發(fā)揮優(yōu)勢。在考慮ESS參與輔助調(diào)頻后，減少了傳統(tǒng)機組參與輔助調(diào)頻服務(wù)的頻繁啟停，使得儲能的碳效益得到進一步提高，從而增加了儲能的綜合效益。

4.3 運行結(jié)果分析

4.3.1 平抑效果分析

在1和10 min時間尺度上，分析采用4種情景下的控制方法比較風(fēng)電場功率波動平抑效果。圖7為風(fēng)電原始功率和平抑后的并網(wǎng)功率曲線，圖8為風(fēng)電功率平抑前后并網(wǎng)功率波動頻率分布。由圖7和圖8可知，在風(fēng)電場配置儲能系統(tǒng)后4種控制方法可大幅降低風(fēng)電并網(wǎng)功率不滿足波動限制的時間。原始風(fēng)電輸出功率的波動率在平抑周期內(nèi)發(fā)生多次越限，為滿足波動率要求，風(fēng)電直接并網(wǎng)在多個時段發(fā)生嚴(yán)重棄風(fēng)。從圖7b可看出，在1 min時間尺度上第751 min風(fēng)電原始功率為57.31 MW，4種不同運行策略平抑后的風(fēng)電并網(wǎng)功率分別為49.93、44.66、44.81、47.31 MW。在10 min時間尺度上，原始數(shù)據(jù)的最大波動率為22.04%，經(jīng)過4種不同控制策略的平抑后，并網(wǎng)功率得到不同程度的平滑。就平抑效果而言，情景2完全跟蹤平抑作用域的效果最好，多數(shù)波動率分布在7%以下。情景1與其他3個情景的效果相比，情景1的平抑效果略顯不足，多數(shù)波動率分布在9%以下。這是因為儲能的出力表現(xiàn)受到SOC的限制，儲能處于非最佳工作狀態(tài)時會選擇不出力或者少出力。但正得益于SOC控制儲能的優(yōu)化，儲能壽命得到延長并獲取更多收益。

4.3.2 SOC分析

通過研究儲能的荷電狀態(tài)變化情況，進一步探討本文配置方法對儲能壽命的影響。圖9為在4種情景下SOC時間占比分布情況，典型日ESS在不同場景下及不同時間尺度下的SOC變化曲線見附錄圖A1。

經(jīng)過觀察，情景1的SOC曲線每次波動的幅度都小于情景2的幅度。這是由于當(dāng)儲能的SOC進入優(yōu)先充放電狀態(tài)時，情景1儲能系統(tǒng)的控制目標(biāo)不再完全跟蹤平抑指令，而情景2繼續(xù)完全跟蹤平抑指令，易造成滿充滿放。當(dāng)儲能系統(tǒng)需連續(xù)充電或放電時，基于SOC多場景協(xié)調(diào)運行的控制策略，使ESS能保持良好的荷電狀態(tài)，應(yīng)對隨時可能發(fā)生的緊急情況，并更好地響應(yīng)頻率調(diào)節(jié)指令。在情景3中，ESS的SOC曲線明顯平坦，這表示儲能長時間閑置，無法產(chǎn)生收益。并且由于ESS無法通過參與AGC調(diào)頻來優(yōu)化自身SOC，當(dāng)風(fēng)電場的實際輸出持續(xù)大于或小于波動限值時，儲能SOC將很快進入過大或過小的狀態(tài)，從而影響ESS的調(diào)節(jié)作用。情景4的SOC曲線與情景1的曲線相比，整體變化幅度大，這是忽略碳效益收入，所配置儲能容量不足所導(dǎo)致的。

在本文設(shè)置的配置方法下，儲能系統(tǒng)的荷電狀態(tài)在72.95%的時間內(nèi)都處于最佳工作狀態(tài)，SOC保持在0.4～0.6之間。與其他情景相比，儲能壽命分別延長了25.98%、14.81%和19.11%。

5 結(jié) 論

在中國碳交易市場和輔助服務(wù)市場逐步開放、儲能收益多元化的背景下，本文提出考慮碳效益和運行策略的風(fēng)電場儲能容量配置方法。主要結(jié)論如下：

1）本文設(shè)定的運行策略和配置方法下的儲能系統(tǒng)，不僅使風(fēng)電場輸出功率滿足并網(wǎng)要求，且其荷電狀態(tài)在72.95%的時間內(nèi)都保持在0.4～0.6之間，與其他情景相比，儲能壽命得到了延長。

2）通過引入碳交易機制實現(xiàn)了碳效益和經(jīng)濟效益的統(tǒng)一。充分利用了ESS本體碳排放量極低的優(yōu)勢平抑風(fēng)電波動、參與輔助調(diào)頻，碳排放量減少24624.68 t，獲得碳收益13.28萬元，相較于不考慮碳效益的情況，綜合效益增加了15.52萬元。在配置中計及碳效益，可合理利用儲能的調(diào)節(jié)能力，最大限度地挖掘其低碳潛力。

3）考慮ESS參與輔助調(diào)頻服務(wù)市場，求解出最佳儲能容量為15.15 MWh，與未考慮輔助調(diào)頻服務(wù)的情況相比，綜合效益增加了57.12萬元。因此，在適當(dāng)?shù)目刂撇呗韵?，儲能參與輔助服務(wù)市場可進一步提高經(jīng)濟性。

［參考文獻］

［1］ 呂萍， 石耀鵬. 中國風(fēng)電產(chǎn)業(yè)進入市場化高質(zhì)量發(fā)展階段［J］. 風(fēng)能， 2023（5）： 72-76.

LYU P， SHI Y P. China wind power industry has entered the stage of market-oriented and high-quality development［J］. Wind energy， 2023（5）： 72-76.

［2］ 張智剛， 康重慶. 碳中和目標(biāo)下構(gòu)建新型電力系統(tǒng)的挑戰(zhàn)與展望［J］. 中國電機工程學(xué)報， 2022， 42（8）： 2806-2819.

ZHANG Z G， KANG C Q. Challenges and prospects for constructing the new-type power system towards a carbon neutrality future［J］. Proceedings of the CSEE， 2022， 42（8）： 2806-2819.

［3］ 周博， 艾小猛， 方家琨， 等. 計及超分辨率風(fēng)電出力不確定性的連續(xù)時間魯棒機組組合［J］. 電工技術(shù)學(xué)報， 2021， 36（7）： 1456-1467.

ZHOU B， AI X M， FANG J K， et al. Continuous-time modeling based robust unit commitment considering beyond-the-resolution" " wind" " power" " uncertainty［J］. Transactions of China Electrotechnical Society， 2021， 36（7）： 1456-1467.

［4］ 楊立濱， 曹陽， 魏韡， 等. 計及風(fēng)電不確定性和棄風(fēng)率約束的風(fēng)電場儲能容量配置方法［J］. 電力系統(tǒng)自動化， 2020， 44（16）： 45-52.

YANG L B， CAO Y， WEI W， et al. Configuration method of energy storage for wind farms considering wind power uncertainty and wind curtailment constraint［J］. Automation of electric power systems， 2020， 44（16）： 45-52.

［5］ LIN L， JIA Y Q， MA M H， et al. Long-term stable operation control method of dual-battery energy storage system for smoothing wind power fluctuations［J］. International journal of electrical power amp; energy systems， 2021， 129： 106878.

［6］ 吳智泉， 賈純超， 陳磊， 等. 新型電力系統(tǒng)中儲能創(chuàng)新方向研究［J］. 太陽能學(xué)報， 2021， 42（10）： 444-451.

WU Z Q， JIA C C， CHEN L， et al. Research on innovative direction of energy storage in new power system construction［J］. Acta energiae solaris sinica， 2021， 42（10）： 444-451.

［7］ 許高秀， 王旭， 鄧暉， 等. 考慮調(diào)頻需求及風(fēng)光出力不確定性的儲能系統(tǒng)參與能量-調(diào)頻市場運行策略［J］. 電網(wǎng)技術(shù)， 2023， 47（6）： 2317-2330.

XU G X， WANG X， DENG H， et al. Optimal operation strategy of energy storage system’s participation in energy and regulation market considering uncertainties of regulation requirements and wind-photovoltaic output［J］. Power system technology， 2023， 47（6）： 2317-2330.

［8］ 齊先軍， 鄭夕煒， 王曉蓉， 等. 基于時頻分析的改進小波包風(fēng)電功率波動平抑方法［J］. 太陽能學(xué)報， 2022， 43（7）： 302-309.

QI X J， ZHENG X W， WANG X R， et al. Improved wavelet packet method of smoothing wind power fluctuations based on time-frequency analysis［J］. Acta energiae solaris sinica， 2022， 43（7）： 302-309.

［9］ 齊曉光， 姚福星， 朱天曈， 等. 考慮大規(guī)模風(fēng)電接入的電力系統(tǒng)混合儲能容量優(yōu)化配置［J］. 電力自動化設(shè)備， 2021， 41（10）： 11-19.

QI X G， YAO F X， ZHU T T， et al. Capacity optimization configuration of hybrid energy storage in power system considering large-scale wind power integration［J］. Electric power automation equipment， 2021， 41（10）： 11-19.

［10］ 湯杰， 李欣然， 黃際元， 等. 以凈效益最大為目標(biāo)的儲能電池參與二次調(diào)頻的容量配置方法［J］. 電工技術(shù)學(xué)報， 2019， 34（5）： 963-972.

TANG J， LI X R， HUANG J Y， et al. Capacity allocation of BESS in secondary frequency regulation with the goal of maximum" " "net" " "benefit［J］." " Transactions" " "of" " China Electrotechnical Society， 2019， 34（5）： 963-972.

［11］ 馬蘭， 謝麗蓉， 葉林， 等. 基于混合儲能雙層規(guī)劃模型的風(fēng)電波動平抑策略［J］. 電網(wǎng)技術(shù)， 2022， 46（3）： 1016-1029.

MA L， XIE L R， YE L， et al. Wind power fluctuation suppression strategy based on hybrid energy storage Bi-level programming model［J］. Power system technology， 2022， 46（3）： 1016-1029.

［12］ 王明， 李欣然， 譚紹杰， 等. 考慮經(jīng)濟性的風(fēng)儲聯(lián)合雙應(yīng)用的儲容配置方法［J］. 電力系統(tǒng)及其自動化學(xué)報， 2017， 29（2）： 7-13.

WANG M， LI X R， TAN S J， et al. Capacity configuration method of energy storage in wind-ESS coordination considering economic efficiency［J］. Proceedings of the Csu-Epsa， 2017， 29（2）： 7-13.

［13］ 李軍徽， 侯濤， 穆鋼， 等. 電力市場環(huán)境下考慮風(fēng)電調(diào)度和調(diào)頻極限的儲能優(yōu)化控制［J］. 電工技術(shù)學(xué)報， 2021， 36（9）： 1791-1804.

LI J H， HOU T， MU G， et al. Optimal control strategy for energy storage considering wind farm scheduling plan and modulation frequency limitation under electricity market environment［J］. Transactions of China Electrotechnical Society， 2021， 36（9）： 1791-1804.

［14］ YI T， YE H D， LI Q X， et al. Energy storage capacity optimization of wind-energy storage hybrid power plant based on dynamic control strategy［J］. Journal of energy storage， 2022， 55： 105372.

［15］ 袁世琦， 潘鵬程， 魏業(yè)文， 等. 園區(qū)綜合能源系統(tǒng)低碳經(jīng)濟優(yōu)化調(diào)度模型研究［J］. 太陽能學(xué)報， 2024， 45（3）： 347-356.

YUAN S Q， PAN P C， WEI Y W， et al. Study on low-carbon economic optimal scheduling model of community integrated energy system［J］. Acta energiae solaris sinica， 2024， 45（3）： 347-356.

［16］ 陳崇德， 郭強， 宋子秋， 等. 計及碳收益的風(fēng)電場混合儲能容量優(yōu)化配置［J］. 中國電力， 2022， 55（12）： 22-33.

CHEN C D， GUO Q， SONG Z Q， et al. Optimal configuration of hybrid energy storage capacity for wind farms considering carbon trading revenue［J］. Electric power， 2022， 55（12）： 22-33.

［17］ 郝婷， 樊小朝， 王維慶， 等. 階梯式碳交易下考慮源荷不確定性的儲能優(yōu)化配置［J］. 電力系統(tǒng)保護與控制， 2023， 51（1）： 101-112.

HAO T， FAN X C， WANG W Q， et al. Optimal configuration of energy storage considering the source-load uncertainty under ladder-type carbon trading［J］. Power system protection and control， 2023， 51（1）： 101-112.

［18］ 羅鳳章， 米肇豐， 王成山， 等. 并網(wǎng)光伏發(fā)電工程的低碳綜合效益分析模型［J］. 電力系統(tǒng)自動化， 2014， 38（17）： 163-169.

LUO F Z， MI Z F， WANG C S， et al. Comprehensive low-carbon benefit analysis models of grid-connected photovoltaic power generation projects［J］. Automation of electric power systems， 2014， 38（17）： 163-169.

［19］ 中華人民共和國生態(tài)環(huán)境部. 2019年度減排項目中國區(qū)域電網(wǎng)基準(zhǔn)線排放因子［EB/OL］. ［2022-04-08］.Ministry" of" Ecology" and" Environment" of" the" People’s Republic of China. Emission reduction projects for the 2019 China regional power grid baseline emission factors［EB/OL］. https：//www.mee.gov.cn/ywgz/ydqhbh/wsqtkz/202012/W020201229610353816665.pdf

［20］ 宋元明， 劉亞杰， 金光， 等. 鋰離子電池/超級電容器混合儲能系統(tǒng)能量管理方法綜述［J］. 儲能科學(xué)與技術(shù)， 2024， 13（2）： 652-668.

SONG Y M， LIU Y J， JIN G， et al. Review of energy management methods for lithium-ion battery/supercapacitor hybrid energy storage systems［J］. Energy storage science and technology， 2024， 13（2）： 652-668.

［21］ 劉軍， 甘乾煜， 張澤秋， 等. 考慮儲能電池運行壽命的風(fēng)電功率波動平抑方法研究［J］. 電網(wǎng)技術(shù)， 2023， 47（5）： 2098-2108.

LIU J， GAN Q Y， ZHANG Z Q， et al. Research on wind power fluctuation suppression method considering the operating life of energy storage battery［J］. Power system technology， 2023， 47（5）： 2098-2108.

［22］ 劉穎明， 王曉東， 彭朝陽. 計及儲能出力水平的平滑風(fēng)電功率模型預(yù)測控制策略［J］. 電網(wǎng)技術(shù)， 2020， 44（5）： 1723-1731.

LIU Y M， WANG X D， PENG C Y. Model predictive control strategy for smoothing wind power with energy storage output level［J］. Power system technology， 2020， 44（5）： 1723-1731.

［23］ HEIDARI A A， MIRJALILI S， FARIS H， et al. Harris Hawks optimization： algorithm and applications［J］. Future generation computer systems， 2019， 97： 849-872.

［24］ PJM. RTO Regulation Signal Data［DB/OL］. （2021-7-2）［2022-04-28］. https：//www.pjm.com/-/media/markets-ops/ancillary/regulation-signal-posting.ashx.

［25］ 國家市場監(jiān)督管理總局， 國家標(biāo)準(zhǔn)化管理委員會. 風(fēng)電場接入電力系統(tǒng)技術(shù)規(guī)定 第1部分： 陸上風(fēng)電： GB/T 19963.1—2021［S］. 北京： 中國標(biāo)準(zhǔn)出版社， 2021.

Standardization Administration of the People's Republic of China. Technical specification for connecting wind farm to power system—Part 1： On shore wind power： GB/T 19963.1—2021［S］. Beijing： Standards Press of China， 2021.

WIND FARM ENERGY STORAGE OPTIMIZATION CONFIGNRATION CONSIDERING CARBON BENEFIT AND OPERATION STRATEGY

Liu Daobing，Li Juecen，Qi Yue，Guo Yingying，Bao Miaosheng

（School of Electrical amp; New Energy， China Three Gorges University， Yichang 443000， China）

Abstract：The gradual opening of China’s carbon emissions trading and auxiliary services market has enriched the revenue model of energy storage in new energy power stations. A wind farm energy storage optimization allocation method considering carbon benefit and operation strategy is proposed in this paper. Firstly， a comprehensive benefit calculation model for energy storage is constructed， which takes into account the energy storage incremental capacity benefit， frequency regulation benefit， carbon benefit and whole life cost. Secondly， in order to coordinate energy storage to participate in wind power smoothing and auxiliary frequency regulation at the same time， a two-layer model of energy storage operation-configuration is established. The upper layer model aims to minimize the energy storage output and maximize the charging and discharging capacity， and adopts the model algorithm to control and solve the smoothing scope， and takes into account the charging and discharging capacity to determine the frequency regulation scope. A multi-scenario coordinated operation strategy considering SOC is developed based on the role scopes. The lower layer model is solved by the Harris Hawk algorithm with the objective of maximizing the integrated benefits， and the upper layer solution results and operation strategies as constraints. Finally， the article verifies the effectiveness of the proposed method for optimizing the allocation of energy storage in wind farms by means of an arithmetic example.

Keywords：energy storage； wind power； carbon economy； fluctuation smoothing； auxiliary frequency regulation service

附錄A