區域風電場群儲能電站的優化配置及運行策略

張　峰　張　熙　張　利　苗驍健　楊立濱　梁　軍

（1. 山東大學電網智能化調度與控制教育部重點實驗室　濟南　250061 2. 山東大學山東省電動汽車工程實驗室　濟南　250061 3. 國網青海省電力公司電力科學研究院　西寧　810003 4. 青海省光伏發電并網技術重點實驗室　西寧　810003）

區域風電場群儲能電站的優化配置及運行策略

張峰1，2張熙1張利1苗驍健1楊立濱3，4梁軍1

（1. 山東大學電網智能化調度與控制教育部重點實驗室濟南250061 2. 山東大學山東省電動汽車工程實驗室濟南250061 3. 國網青海省電力公司電力科學研究院西寧810003 4. 青海省光伏發電并網技術重點實驗室西寧810003）

風電場群的空間規模效應使其自身具備波動平滑調節能力，由此使得區域風電場群中配置電池儲能電站（BESS）具備理論可行性。基于此，分析了區域風電場群配置BESS的運行形態和工作模式，指出當前規模的 BESS可參與功率波動平抑和適度的電網調峰。基于構建 BESS充放電策略，提出了以運營成本最小為目標的成本優化模型，由此確定風電場群最佳BESS容量配比。同時，利用風功率出力波動的季節性規律差異，探討BESS在低風電出力季節參與電網調峰的可行性，提出了以實時運行效益最大為目標的BESS運行策略，使其在該目標下根據風電出力季節性差異調整運行模式。利用風電場實際運行數據驗證該方法，計算結果表明所提BESS優化運行策略的有效性和可行性。

風電場群電池儲能電站優化容量運行

0　引言

間歇性電源滲透率的持續提升，使得電網能量平衡體系中的不確定因素不斷增加，當前電網調控面臨巨大壓力。儲能系統作為傳統能量流傳遞鏈中的新環節應運而生，并成為提升間歇性電源可控性和利用效率的重要可行方式［1］。

目前國內外對于風電場分散儲能及電池儲能電站（Battery Energy Storage Station， BESS）均展開了相關研究，其中分散儲能研究主要集中在儲能系統最優容量的計算［2-4］及系統控制策略的優化［5-7］，其功能主要定位于風電場功率波動的平抑。其中，容量計算屬于規劃問題，在于利用典型歷史運行數據，依據影響儲能運行的主導因素構建優化目標函數，確定實現風電場期望功率輸出所需的最優儲能容量。而后者在于實現對實際儲能運行系統的控制和調整，其目標一般為儲能系統的運行經濟性或者波動平滑的有效性。

與風電場分散儲能相比，電池儲能電站功能定位具有更強的可擴展性，其具有備用電源、間歇性電源平抑、調峰、調頻、暫態有功緊急響應以及暫態電壓緊急支撐等多重功能［8-10］。目前對于 BESS的研究主要集中在BESS性能對比、動靜態功能分析以及系統監控等領域。文獻［11］對以鋰電池、鈉硫電池以及液流電池為儲能介質的BESS建立了綜合兼容性模型，并對性能、應用效果及經濟指標等進行了對比分析。文獻［12］根據微網系統運行特點，提出了一種分布式發電單元和蓄電池儲能單元間的協同控制能量管理策略。對于國內已建成的 BESS示范工程，文獻［13，14］分別介紹了國家風光儲輸示范工程和深圳寶清BESS的關鍵技術和運行模式。文獻［15］建立了 BESS與發電側、供電側及用戶響應的實時電價動態博弈聯動模型，并對其市場環境下的效益進行了分析。上述文獻對于推進BESS的相關研究具有積極意義，但對于功能定位靈活、運行適應度高的 BESS系統，其具體運行形態、復合功能模式及策略等領域仍未見相關較明確的報道。

基于此，本文對BESS可行的運行形態進行了對比分析，指出了適合當前BESS規模的復合功能定位和工作模式，提出了以BESS運營成本最小為目標的容量優化計算模型。而在實際運行策略中，根據風電出力的季節差異性［16］，提出了考慮風電場群功率波動平抑和適度電網調峰的BESS復合功能充放電模式。利用風功率預測信息，以 BESS同步參與功率波動平抑和電網調峰時的收益最大為目標構建實時優化運行模型。本文以區域風電場群波動平抑為前提優化BESS規劃容量，其時間尺度一般依據風電出力的年度周期性。實際運行中考慮風電季節性差異引入適度電網調峰功能，并在運行效益最大的目標函數下提出了均衡運行模式以增加與整體成本提升間制約關系的優化方法。由此，該優化目標下，以天為時間尺度，使BESS在風電出力偏弱季節可利用閑置容量參與調峰且創造價值，而在風電出力較強季節則不參與或在優化目標下適度參與調峰。

1　理論分析

1.1區域風電場群平滑效應

理論分析和實際運行數據表明，風電場群出力呈現空間規模效應，即平滑效應，其機理在于風能在時間上的延遲效應和過濾效應，以及空間上的分布效應［17］。該現象可致使區域風電場群的匯集功率在各時間尺度下均呈現平滑效果，波動性有效減弱。由此，區域風電場群配置 BESS將比各風場分散儲能在規劃容量、平抑效果、功用拓展等方面均具有優勢。

1.2BESS運行形態

BESS規模必然伴隨從微型到超大型的發展歷程，同時其運行形態也會在電力市場的推動下不斷分化和完善。為提升供電的可靠性或經濟性，微小型 BESS更多配置于微電網以及分布式電源［8］，運行形態融合于微電網或分布式電源綜合供電系統。大中型BESS目前較多與大規模間歇性電源配合［2-7］，解決功率出力的波動平抑問題，同時具備參與調頻、調峰、緊急備用等的規模能力。超大型BESS在儲能成本大幅降低前提下在未來智能電網中有望出現，其規模水平可能在源網荷平衡的可控性和經濟性方面發揮革命性作用。

當前BESS理論研究及應用均主要集中于微小和大中型規模。BESS的運行形態依賴于能量存儲和釋放過程中的效益產出，由此當前BESS可能出現的歸屬形式主要有電力公司、發電企業、大負荷用戶或電力市場下的其他企業（如供電零售商）。

1.3當前規模BESS的工作模式

考慮到當前規模 BESS的直接收益形式，若BESS參與調頻不僅對其備用容量要求較高，而且調頻和功率波動平抑的實時同步控制可能存在一定難度，同時受制于電網狀態的不確定調頻容量，BESS容量的動態經濟分配也存在一定問題。相對而言，電網調峰對容量需求具有較高的確定性和規律性，同時差異化的風電場群季節性出力為 BESS參與調峰提供了可能，因此當前BESS工作模式較適于風電功率波動平抑和可控性較高的電網調峰。

2　區域風電場群BESS優化配置

2.1BESS充放電策略

風電場群BESS平抑功率波動過程中，當風電場群功率 P（t）＞Pref（t）時，BESS系統充電；P（t）＜Pref（t）時，BESS系統放電，其中，Pref（t）為期望輸出功率。當充電功率、荷電狀態（State Of Charge， SOC）或充電功率變化率大于BESS限值，即如式（1）～式（3）所示時，則會出現棄風。

式中，Pmax-cha為BESS的最大充電功率；σcha為BESS充電效率，本文取σcha=0.85；SOCmax為SOC上行限值，本文取SOCmax=1.0；ΔPcha（t）為充電功率變化率，ΔPcha（t）=P（t） -P（t-1）；ΔPmax-cha為BESS的充電功率變化率極大值。

同理，當放電功率及其變化率大于BESS限值，或SOC低于下行限值時，如式（4）～式（6）所示，則會因平抑功率不足而出現平抑不充分。

式中，Pmax-discha為BESS的最大放電功率，Pmax-discha＞0；σdischa為BESS放電效率，本文取σdischa=0.9；SOCmin為 SOC下行限值，本文取 SOCmin=0.1；ΔPdischa（t）為放電功率變化率；ΔPmax-discha為BESS的放電功率變化率極大值。

2.2BESS容量規劃優化模型

建立考慮運營成本的容量規劃模型需計及BESS建設投入到運行的各項支出，以其總體成本費用最小為目標函數。運營成本主要包含建設成本Ccons和運行成本Crun，其中Crun將在式（1）～式（3）所示行為引起棄風、式（4）～式（6）所示而引發波動平抑不足或 SOC過度充放而導致越限運行影響BESS壽命時產生。因此Crun包含棄風成本Caba、SOC 越限懲罰成本 Coutline和期望輸出懲罰成本Clack。總體而言，Ccons與Crun相互制衡，顯然BESS的容量V將是影響Ccons與Crun平衡性及總體成本的關鍵因素。具體計算模型如式（7）～式（10）所示。

式中，γ 為單位容量電池儲能基礎成本；ε 為BESS安裝成本；k為BESS運行壽命折合年數；inc為考慮資本投入時間價值引入的年利率；T為所提取運行數據的時窗長度；β為單位容量的棄風成本；α為平抑功率不足導致所缺容量的單位懲罰成本；η 為SOC越限運行時的單位容量懲罰成本；SOC（t-1）為對應前一時刻SOC取值；Δt為采樣間隔；SOCHline、SOCLline分別為SOC正常運行上、下限值，當SOC（t）＞SOCHline時，BESS仍可充電至SOCmax，但其越限運行容量將產生越限懲罰成本，本文取 SOCHline=0.85，SOCLline=0.20；同理，SOCmin＜SOC（t）＜SOCLline時將產生下行越限懲罰成本。Faba（t）、Flack（t）、Foutline（t）分別為棄風、平抑不足或越限運行狀態布爾量，其表達式如（11）～式（13）所示。

由此，以總體運營成本最小為目標構建優化模型為

式中，kT為成本計算所取區間時長T的折合年數。由此可確定該目標函數下的 BESS最優容量 V。BESS容量規劃依據風電出力的年度周期性，利用年度歷史運行數據進行優化計算。

3　區域風電場群BESS優化運行

3.1實時運行優化策略

BESS具備引入調峰功能的可行性，原因在于：①考慮風電場功率輸出的年度周期性，一般取kT=1；②理論研究表明，風電場出力具有明顯季節性差異［16］，作者進一步實地走訪山東諸城、威海等多個風電場，現場數據表明各風電場均具備該特征。由此可得，V作為保障全年平抑效果的平均容量取值，而全年各季節風電出力及其波動并不均衡。由此，在某季節風電出力大、波動幅度大的季節，V將主要用于保證波動平抑效果。而在風電出力小或出力平緩的季節，V將具備參與調峰行為的容量空間。

本文實時運行效益優化的思想在于，以市場化的價格引導為手段，利用風電出力季節差異性特征和峰谷期間上網電價差額，參照短期功率預測數據，充分均衡利用BESS容量，使其具備同時參與波動平抑和電網調峰的可行性，并實現其總體效益的最大化。可見，BESS參與調峰可實現谷荷期風能的存儲，既有利于降低火電深度調峰的壓力，又可為峰荷提供電源供給，同時為BESS空閑容量提供收益運行模式。

3.2BESS優化運行模型

BESS參與電網調峰，一方面產生效益，另一方面因其對容量的占用，必然在風功率波動平抑時提升部分充放區間棄風或平抑功率不足的風險，引起BESS運行成本的上升。因此，協調優化成本上升與調峰收益間的關系，實現總體效益最大化將是本文優化運行模型的構建目標。

設定參與調峰的充放電行為將依據BESS在谷荷和峰荷期間的可充放能量，在對應時間區間內恒功率存儲或釋放，則有

式中，Echa、Pv（t）分別為谷荷期間的充電能量和功率；Edischa、Pp（t）分別為峰荷期間的的放電能量和功率；Δtcha、Δtdischa分別為充、放電持續時間。

以日為實時運行優化時間尺度，市場行為引導下確定地區尖峰負荷和低谷負荷時間范圍［tpi， tpl］、［tvi， tvl］，以及其對應電價rp、rv，設Δt為t的遞進步長，即采樣間隔，則 BESS峰谷荷能量對應價值差額為式中，前半部分為峰荷期間放電產生的收益；后半部分為谷荷期間充電能量所需成本。

考慮峰谷荷時期的充放電行為，各時段充放電及運行模型如下。

tpi≤t≤tpl時

式中，SOCst1（t）為tpi≤t≤tpl區間的SOC變量表達式；SOC（tpi）為該區間的初始SOC數值，對應為tpi時刻的數值；Ps（t）為該區間功率波動平抑充放電功率；Cst1為該區間運行成本，根據式（8）～式（10）可得，對于BESS充放電特征參數如Pmax-cha、SOCmax等確定的前提下，該區間成本計算式均為SOC變量的函數。該區間 BESS具有峰荷放電調峰以及功率波動平抑的雙重運行功能。

tpl＜t＜tvi時

式中，SOCst2（t）為該時間區間的SOC變量表達式；SOC（tpl）為該區間的初始SOC數值；Cst2為該區間運行成本。該區間以功率波動平抑為BESS主要運行行為。

tvi≤t≤tvl時

式中，SOCst3（t）為該時間區間的SOC變量表達式；SOC（tvi）為該區間的初始SOC數值；Cst3為該區間運行成本。該區間BESS具有谷荷期充電以及功率波動平抑的雙重運行行為。

tvl＜t＜tpi時

式中，SOCst4（t）為該時間區間的SOC變量表達式；SOC（tvl）為該區間的初始SOC數值；Cst4為該區間運行成本。該區間以功率波動平抑為BESS主要運行行為。

綜合上述分析，日時間級實時運行效益計算可表達為

式中，Qd為日級實時運行效益為 BESS僅參與風功率波動平抑時的運行成本，其計算式為其中 SOC（t）為僅參與功率平抑時的 SOC變化量。運行效益優化以 Qd的最大化為目標和Ps（t）是該目標下的優化變量。當Qd＞0時表明參與電網行為具有收益，且Qd越大則收益越可觀。而當電網調峰收益與成本增加值相當甚至不足以平衡時，Qd將逐漸降低直至為零，Qd=0時表明BESS未參與電網調峰。

本文實時運行效益優化策略實現過程中部分問題解決方案如下。

（2）柴油發電機等備用電源將成為彌補風功率預測偏差的重要方式，因此本文所參考風功率預測認為其誤差可得到風電場自備電源一定程度的彌補消化。同時誤差相對更小的超短期風功率預測可進一步引入實時運行效益優化過程中，輔助在線計算的調整優化。

4　算例驗證

選取山東某區域風場，包含3個地理位置毗鄰的風電場，其裝機容量分別為 45MW、40MW和65MW，并網功率采樣間隔為 10min，本文選用技術成熟化的改性鉛酸電池，參數取值見表1。表1中參數在數值上為以單位儲能容量（MW·h）基礎成本為基準值的標幺值。文中成本基準值取6×105＄［18］。

表1　參數取值Tab.1　Calculation parameters

4.1BESS容量規劃

選取某年度各風場并網功率數據，按照全年風功率利用率最高為目標確定區域風場和各分散風場的平抑目標數值，基于文中儲能容量規劃方法確定區域風場BESS及分散BESS容量計算結果見表2。

表2　容量計算結果Tab.2　Calculation results

由表2可以看出，相比三塊分散風場總體儲能投入，區域風場 BESS容量需求大幅降低 30.5%，區域風場的空間平滑效應有效地降低了儲能所需配置容量。進一步分析區域風場 BESS平抑效果和運行狀態，分別選取1月份和7月份的典型日風功率曲線，平抑效果與SOC分別在1月份和7月份典型日運行狀態如圖1和圖2所示。

可以看出，1月份山東地區風場大部分風資源充足，風電功率數值較大，同時伴隨較大幅度波動。由圖1a可以看出，本文確定的儲能容量基本可實現1月份期望功率的輸出，同時SOC大幅波動，并伴有越限過程。原因在于容量規劃選取年度樣本數據，由此獲取的BESS容量為保障全年平抑效果的優化容量。而對于全年風功率波動程度不同的各季節，其平抑效果也將有差別。

圖1　1月份典型日運行狀態示意圖Fig.1　Fluctuation smoothing of a typical day in January

圖2　7月份典型日運行狀態示意圖Fig.2　Fluctuation smoothing of a typical day in July

進一步觀察圖2可以看出，由于7月份的山東地區風力減弱，功率輸出明顯偏低且無大幅波動，此時利用本文規劃儲能將有效實現期望輸出，且SOC無越限狀況發生，并保持在0.5上下。由此不難得出，基于風功率出力的季節差異性，在風功率出力較弱的季節，BESS不僅可有效平抑風電波動，同時具備較強的調峰可行性。

4.2實時運行優化

根據本文實時運行效益優化策略，可得1月份典型日風功率出力若參與調峰，將進一步加劇SOC越限程度。且此時調峰收益不足以抵消BESS運營成本的增加，此類季節BESS全部參與功率波動平抑將是最優運行狀態。對于參與調峰可行性較強的7月份，SOC的空閑將為調峰提供了容量空間。選取該季節典型日參與電網調峰，調峰收益計算結果見表3，參與調峰后的運行狀態如圖3所示。

表3　調峰收益計算結果Tab.3　Calculation results

由表3可得，7月份區域風場BESS參與調峰可獲得可觀收入，其中Qd為標幺值，其有名值單位為＄，同時各風場按擔責與收益關系各自不同程度獲利。圖3a中SOC′為參與調峰的SOC變化曲線。通過比較可以看出，BESS在谷荷期間充入調峰能量，SOC處于高位運行，將增加 SOC上行越限的風險。峰荷期間BESS調峰放電后，SOC處于低位運行，同理下行越限風險增大。但本文優化模型在調峰收益和運營成本增加間的相互制約下，可尋找到最優可行解。圖3b為峰谷荷期間儲能參與調峰的充放電功率示意圖。

圖3　參與調峰后的運行狀態Fig.3　Operating state with peak regulation

進一步分析全年各月份收益見表 4，可見該結果符合風功率出力的季節性差異，同時本文方法可實現區域風場BESS的可觀額外運行收益。

表4　全年各月份收益統計Tab.4　Statistics of monthly benefits in one year

綜上可得，利用區域風場的年度運行數據，可獲得區域風場配置BESS的最優規劃容量。在此容量基礎上，利用風場出力的季節差異性，引入BESS調峰功能，實際數據表明該運行模式將為BESS帶來可觀的年度收益。

5　結論

1）利用風電場群的平滑效應，從運營成本和收益方面探討了集群風場配置BESS的可行性。基于充放電策略構建，以運營成本最小為優化目標，確定BESS的最優容量，算例表明集群風場BESS在容量配置方面較各風場分散儲能具有優勢。

2）基于風電場群出力的季節性差異，提出了BESS弱風季節同時參與功率波動平抑和電網調峰的運行策略，并以實時運行效益最大為目標建立優化運行模型。驗證結果表明，該策略可顯著增加BESS的運行收益。

3）利用風電場實際運行數據驗證本文方法，計算結果表明了本文所提BESS優化運行策略具有有效性和可行性。

［1］Yoshimoto K， Nanahara T， Koshimizu G. New control method for regulating state-of-charge of a battery in hybrid wind power/battery storage system［C］// Power Systems Conference and Exposition， Atlanta， GA，2006： 1244-1251.

［2］馮江霞， 梁軍， 張峰， 等. 考慮調度計劃和運行經濟性的風電場儲能容量優化計算［J］. 電力系統自動化， 2013， 37（1）： 90-95. Feng Jiangxia， Liang Jun， Zhang Feng， et al. A method for the optimization calculation of wind farm energy storage capacity［J］. Automation of Electric Power Systems， 2013， 37（1）： 90-95.

［3］韓濤， 盧繼平， 喬梁， 等. 大型并網風電場儲能容量優化方案［J］. 電網技術， 2010， 34（1）： 169-173. Han Tao， Lu Jiping， Qiao Liang， et al. Optimized scheme of energy storage capacity for grid-connected large-scale wind farm［J］. Power System Technology，2010， 34（1）： 169-173.

［4］Brekken T K A， Yokochi A， Von Jouanne A， et al. Optimal energy storage sizing and control for wind power application［J］. IEEE Transactions on Sustainable Energy， 2011， 2（1）： 69-77.

［5］戚永志， 劉玉田. 風光儲聯合系統輸出功率滾動優化與實時控制［J］. 電工技術學報， 2014， 29（8）：242-248. Qi Yongzhi， Liu Yutian. Output power rolling optimization and real-time control in wind-photovoltaicstorage hybrid system［J］. Transactions of China Electrotechnical Society， 2014， 29（8）： 242- 248.

［6］馬速良， 蔣小平， 馬會萌， 等. 平抑風電波動的混合儲能系統的容量配置［J］. 電力系統保護與控制，2014， 42（8）： 108-114. Ma Suliang， Jiang Xiaoping， Ma Huimeng， et al. Capacity configuration of the hybrid energy storage system for wind power smoothing［J］. Power System Protection and Control， 2014， 42（8）： 108-114.

［7］張純江， 董杰， 劉君. 蓄電池與超級電容混合儲能系統的控制策略［J］.電工技術學報， 2014， 29（4）：334-340. Zhang Chunjiang， Dong Jie， Liu Jun. A control strategy for battery-ultracapacitor hybrid energy storage system［J］. Transactions of China Electrotechnical Society， 2014， 29（4）： 334-340.

［8］陳健， 王成山， 趙波. 考慮不同控制策略的獨立型微電網優化配置［J］. 電力系統自動化， 2013， 37（11）：1-6. Chen Jian， Wang Chengshan， Zhao Bo. Optimal sizing for stand-alone microgrid considering different control strategies［J］. Automation of Electric Power Systems， 2013， 37（11）： 1-6.

［9］鮑冠南， 陸超， 袁志昌. 基于動態規劃的電池儲能系統削峰填谷實時優化［J］. 電力系統自動化， 2012，36（12）： 11-16. Bao Guannan， Lu Chao， Yuan Zhichang. Load shift real-time optimization strategy of battery storage system based on dynamic programming［J］. Automation of Electric Power Systems， 2012， 36（12）：11-16.

［10］陳大宇， 張粒子， 王澍. 儲能在美國調頻市場中的發展及啟示［J］. 電力系統自動化， 2013， 37（11）：9-13. Chen Dayu， Zhang Lizi， Wang Shu. Development of energy storage in frequency regulation market of united states and its enlightenment［J］. Automation of Electric Power Systems， 2013， 37（11）： 9-13.

［11］丁明， 徐寧周， 畢銳， 等. 基于綜合建模的 3類電池儲能電站性能對比分析［J］. 電力系統自動化，2011， 35（15）： 34-39. Ding Ming， Xu Ningzhou， Bi Rui， et al. Modeling and comparative study on multiple battery energy storage system［J］. Automation of Electric Power Systems， 2011， 35（15）： 34-39.

［13］姜世公， 李琰， 王衛. 一種微網系統孤島運行條件下的能量管理策略［J］. 電工技術學報， 2014， 29（2）：130-135. Jiang Shigong， Li Yan， Wang Wei. A novel power management strategy for microgrid on islanding mode［J］. Transactions of China Electrotechnical Society， 2014， 29（2）： 130-135.

［13］李建林， 謝志佳， 惠東， 等. 國家風光儲輸示范工程介紹及其典型運行模式分析［J］. 電力系統自動化， 2013， 37（1）： 59-64. Li Jianlin， Xie Zhijia， Hui Dong， et al. Presentationof national wind/photovoltaic/energy storage and trans- mission demonstration project and analysis of typical operation modes［J］. Automation of Electric Power Systems， 2013， 37（1）： 59-64.

［14］陸志剛， 王科， 劉怡. 深圳寶清鋰電池儲能電站關鍵技術及系統成套設計方法［J］. 電力系統自動化，2013， 37（1）： 65-69. Lu Zhigang， Wang Ke， Liu Yi. A control scheme design for smoothing wind power fluctuation with hybrid energy storage system［J］. Automation of Electric Power Systems， 2013， 37（1）： 65-69.

［15］崔強， 王秀麗， 劉祖永. 市場環境下計及儲能電站運行的聯動電價研究及其效益分析［J］. 中國電機工程學報， 2013， 33（13）： 62-68. Cui Qiang， Wang Xiuli， Liu Zuyong. Study on linkage electricity price and benefit analysis considering energy storage station operation in market enviroment［J］. Proceedings of the CSEE，2013， 33（13）： 62-68.

［16］于大洋， 韓學山， 梁軍. 基于 NASA地球觀測數據庫的區域風電功率波動特性分析［J］. 電力系統自動化， 2011， 35（5）： 77-81. Yu Dayang， Han Xueshan， Liang Jun. Study on the profiling of China's regional wind power fluctuation using GEOS-5 data assimilation system of national aeronautics and space administration of america［J］. Automation of Electric Power Systems， 2011， 35（5）：77-81.

［17］劉燕華， 田茹， 張東英. 風電出力平滑效應的分析及應用［J］. 電網技術， 2013， 37（4）： 987-991. Liu Yanhua， Tian Ru， Zhang Dongying. Analysis and application of wind farm output smoothing effect［J］. Power System Technology， 2013， 37（4）： 987-991.

［18］蔣凱， 李浩秒， 李威. 幾類面向電網的儲能電池介紹［J］. 電力系統自動化， 2013， 37（1）： 47-53. Jiang Kai， Li Haomiao， Li Wei. On several battery technologies for power grids［J］. Automation of Electric Power Systems， 2013， 37（1）： 47-53.

Size Optimization and Operating Strategies for Battery Energy Storage Station in Adjacent Wind Farms

Zhang Feng1，2Zhang Xi1Zhang Li1Miao Xiaojian1Yang Libin3，4Liang Jun1
（1. Key Laboratory of Power System Intelligent Dispatch and Control of Ministry of EducationShandong UniversityJinan250061China 2. Electric Vehicle Engineering Laboratory of Shandong ProvinceShandong University Jinan250061China 3. State Grid Qinghai Electric Power Research InstituteXining810003China 4. Qinghai Province Key Laboratory of Photovoltaic Grid Connected Power Generation Technology Xining810003China）

Due to the spatial scale effect， battery energy storage station （BESS） in adjacent wind farms has advantages in capacity and investment compared with the distributed energy storage systems. Besides， BESS has centralized supervisory control， which bears higher controllability when participating in dispatching and control. Therefore， this paper analyzes the operation pattern and working mode of BESS. It is shown that the current BESS scale can participate in the fluctuation smoothing and peak shaving in power grid. After that， the cost optimization mathematical model is set up based on charging and discharging strategy， to minimize the sum of operating cost. So the optimal BESS capacity can be determined. According to the seasonal differences of wind power outputs， theBESS operating strategy for fluctuation smoothing and peak shaving has been discussed. Taken the maximal benefit of real time operation as the target， the optimal operating model has been built. Thus BESS can adjust the operating mode in accordance with the wind power output differences. The actual wind power data show that this method can optimize the capacity and operating strategy of BESS， and has high feasibility.

Adjacent wind farms， battery energy storage station， optimization， capacity， operation

TM614

張峰男，1983年生，博士，副教授，研究方向為新能源發電并網的運行與控制。

E-mail： fengzhang@sdu.edu.cn（通信作者）

張熙男，1982年生，博士研究生，研究方向為電動汽車與新能源發電的協同運行與控制。

E-mail： kczx@sdu.edu.cn

國家自然科學基金（51307101、51177091）和山東省優秀中青年科學家科研獎勵基金（BS2013NJ011）資助項目。

2014-09-15改稿日期 2015-03-20