通過在風(fēng)電場站內(nèi)優(yōu)化配置儲能資源,可以有效平抑風(fēng)力發(fā)電的出力波動,提高風(fēng)電的并網(wǎng)消納水平。結(jié)合多場景隨機規(guī)劃和序貫蒙特卡洛模擬方法,提出了考慮儲能壽命折損的風(fēng)電場站內(nèi)儲能優(yōu)化配置方法。首先,利用考慮風(fēng)電出力和負荷典型場景集的隨機規(guī)劃模型,求解風(fēng)電場站內(nèi)儲能的初始配置方案。其次,利用自回歸滑動平均模型模擬出風(fēng)電場全年時序風(fēng)速,利用序貫蒙特卡洛模擬出機組、線路工作狀態(tài)時序,對配置初始儲能方案的聯(lián)合發(fā)電系統(tǒng)進行全年運行模擬。然后,基于運行模擬中儲能的等效循環(huán)壽命和儲能容量的收益投資比對儲能初始配置方案進行修正。仿真結(jié)果表明,所提方法能夠有效考慮風(fēng)電場全年的出力變化,以及儲能循環(huán)壽命折損的影響,獲得合理的儲能優(yōu)化配置方案。

0 引言

儲能資源不僅具有快速的功率調(diào)節(jié)能力,還可以實現(xiàn)能量在時間上的轉(zhuǎn)移。因此,在風(fēng)電場站內(nèi)配置儲能系統(tǒng),能夠有效平抑風(fēng)力發(fā)電的出力波動,提高電網(wǎng)消納風(fēng)電的水平[1]。

目前,國內(nèi)外學(xué)者對風(fēng)電場儲能配置的優(yōu)化規(guī)劃方法已取到了一些研究成果。文獻[1-2]提出了一種魯棒線性規(guī)劃模型求解風(fēng)電場站內(nèi)儲能優(yōu)化配置問題,并采用風(fēng)電功率的均值和波動區(qū)間上下限描述風(fēng)電功率的隨機性,將不確定性模型轉(zhuǎn)化為確定性模型進行求解。文獻[3]針對于風(fēng)電場儲能優(yōu)化配置問題,提出了一種基于概率分布的魯棒聯(lián)合機會約束模型,并將其轉(zhuǎn)化為確定性的線性矩陣不等式問題進行求解。文獻[4]針對風(fēng)電場站內(nèi)混合儲能系統(tǒng)的優(yōu)化配置問題,提出了一種結(jié)合專家系統(tǒng)和改進遺傳算法的求解方法。文獻[5]采用粒子群算法對風(fēng)電出力的預(yù)測誤差進行了極大似然估計,并建立了含風(fēng)電預(yù)測誤差置信度約束的儲能優(yōu)化配置模型。文獻[6]提出了一種考慮網(wǎng)架結(jié)構(gòu)的儲能配置雙層優(yōu)化模型,并采用改進帝國競爭算法求解所提模型。文獻[7]建立了以最小化投資、運行總成本為目標(biāo)函數(shù)的雙層儲能優(yōu)化配置模型,并采用改進的粒子群算法進行求解。文獻[8]利用短期神經(jīng)網(wǎng)絡(luò)模型建立了復(fù)合儲能系統(tǒng)與風(fēng)電功率平滑度之間的混合模型,并綜合考慮復(fù)合儲能系統(tǒng)的技術(shù)和經(jīng)濟性能,通過遺傳算法求解復(fù)合儲能系統(tǒng)的最佳組合方案。文獻[9-10]針對輸電系統(tǒng)中的儲能優(yōu)化配置問題,提出了考慮風(fēng)電出力場景集的0-1混合整數(shù)線性規(guī)劃模型,并采用Benders分解法進行求解。文獻[11]提出了考慮典型日場景集的輸電網(wǎng)與儲能聯(lián)合規(guī)劃方法。文獻[12-13]針對配電網(wǎng)與儲能聯(lián)合規(guī)劃問題,提出了多場景非線性隨機規(guī)劃模型與求解方法。以上儲能優(yōu)化配置的研究方法主要是以魯棒優(yōu)化[1-3]、遺傳算法[4-8]、隨機規(guī)劃[9-13]為基礎(chǔ)。其中,魯棒優(yōu)化模型易于考慮不確定因素,但存在優(yōu)化結(jié)果的魯棒性和經(jīng)濟性難以協(xié)調(diào)的缺點。遺傳算法等智能算法存在對大規(guī)模系統(tǒng)難以可靠獲得高質(zhì)量解的缺點。多場景隨機規(guī)劃模型一方面難以選取典型場景集,另一方面如果考慮大量的典型場景,模型復(fù)雜度又會急劇增加,難以求解。

基于運行模擬的儲能優(yōu)化配置方法,通過將規(guī)劃與運行相結(jié)合的思路,能夠在儲能配置階段充分考慮風(fēng)電不確定性的影響[14-20]。文獻[14]利用非參數(shù)核密度估計法對風(fēng)電功率的預(yù)測誤差進行置信區(qū)間估計,計算滿足不同置信度要求的儲能配置方案。文獻[15]以我國沿海地區(qū)一個大型風(fēng)電場的歷史出力數(shù)據(jù),研究了配置不同容量儲能對風(fēng)電出力波動的平抑效果。文獻[16]以小時級的風(fēng)電場群預(yù)測出力作為參考,對儲能和機組的運行狀態(tài)進行優(yōu)化調(diào)控,實現(xiàn)了總棄風(fēng)功率和切負荷率的最小化。文獻[17]提出了含儲能和風(fēng)電不確定性的電力系統(tǒng)隨機生產(chǎn)模擬方法。文獻[18-19]采用動態(tài)的充放電控制區(qū)間,以全年風(fēng)電實際出力與目標(biāo)出力總偏差最小為目標(biāo),優(yōu)化儲能全年每個充放電區(qū)間的長度及區(qū)間內(nèi)的充放電功率,以此計算儲能的投資與系統(tǒng)收益之間的靈敏度關(guān)系。文獻[20]建立了含儲能的24 h最優(yōu)潮流模型,并采用運行模擬分析了不同節(jié)點配置儲能與成本之間的靈敏度,但該模型沒有分析儲能的容量和功率與成本之間的靈敏度。基于運行模擬的儲能配置方法,通過將考慮多個隨機場景的不確定性規(guī)劃模型,轉(zhuǎn)化為多個確定性模型求解,綜合考慮各隨機場景下決策變量與目標(biāo)函數(shù)之間的靈敏度關(guān)系,求解方法簡單。但以靈敏度分析為基礎(chǔ)的運行模擬方法無法考慮連續(xù)決策變量的所有取值與目標(biāo)函數(shù)之間的靈敏度關(guān)系。

與常規(guī)機組相對固定的使用壽命不同,儲能的使用壽命與其放電深度密切相關(guān)。因此,在求解風(fēng)電場儲能最優(yōu)配置方案時,考慮儲能充放電次數(shù)以及充放電深度對儲能壽命的影響非常必要[21-22]。文獻[21]將考慮儲能壽命成本的風(fēng)儲聯(lián)合運行模型視為黑盒函數(shù),采用網(wǎng)格自適應(yīng)直接搜索算法求解滿足風(fēng)電場并網(wǎng)要求的儲能最優(yōu)配置容量。文獻[22]采用雨流計數(shù)法將儲能的壽命折損費用考慮到所提的風(fēng)電場儲能優(yōu)化配置模型中,并采用粒子群算法求解。由于儲能壽命的建模含離散的邏輯變量,因此難以直接在隨機規(guī)劃等數(shù)學(xué)優(yōu)化模型中考慮。

本文結(jié)合多場景隨機規(guī)劃與基于序貫蒙特卡洛的運行模擬,提出一種考慮風(fēng)電不確定性和儲能壽命折損的儲能優(yōu)化配置方法。首先,利用考慮風(fēng)電出力和負荷典型場景集的隨機規(guī)劃模型,求解風(fēng)電場站配置儲能的初始優(yōu)化方案。其次,利用自回歸滑動平均(auto-regressive moving average,ARMA)模型模擬出風(fēng)電場全年時序風(fēng)速,利用序貫蒙特卡洛模擬機組、線路工作狀態(tài)時序,對初始儲能配置方案進行日運行模擬,利用運行模擬中儲能的能量變化曲線,計算儲能100%充放電深度的等效循環(huán)次數(shù),并以此對儲能的初始配置方案進行修正。最后,利用運行模擬計算投建不同儲能容量時的收益投資比,對儲能的配置方案進一步修正。對修改的IEEE-RTS 24節(jié)點算例進行仿真,結(jié)果表明所提方法能夠有效考慮風(fēng)電場全年的隨機出力場景,以及儲能壽命折損的影響,可得到合理的儲能配置方案。

1 風(fēng)電場儲能優(yōu)化配置的模型與方法

1.1 風(fēng)電場儲能優(yōu)化配置的多場景隨機規(guī)劃模型

本文選取春夏秋冬4個季節(jié)的典型日風(fēng)電出力場景,以及工作日和非工作日2類典型日負荷曲線,形成風(fēng)電場儲能優(yōu)化配置隨機規(guī)劃的典型場景集。建立多場景0-1混合整數(shù)線性規(guī)劃模型,求得風(fēng)電場儲能功率和容量的初始配置方案[9-13]。

1.1.1 隨機規(guī)劃模型的目標(biāo)函數(shù)

對于風(fēng)電場儲能優(yōu)化配置問題,本文從社會效益最優(yōu)的角度研究,隨機規(guī)劃模型以最小化儲能投資與系統(tǒng)運行的綜合成本為目標(biāo)函數(shù)[23],包括：

1)儲能投資成本;2)棄風(fēng)懲罰成本;3)切負荷懲罰成本;4)常規(guī)機組發(fā)電成本。計算公式分別如下。

1)儲能投資成本,等年值投資成本

式中：Cep、Cee分別為儲能單位功率和單位容量的投資成本;PESS、EESS分別為儲能的功率和容量配置決策變量;I為折現(xiàn)率;Yr為儲能使用壽命年限。

2)棄風(fēng)懲罰成本：

3)切負荷懲罰成本：

4)常規(guī)機組發(fā)電成本[24]：

1.1.2 隨機規(guī)劃模型的約束條件