基于風險量化與需求側響應的綜合能源系統儲能事故備用優化利用

劉小龍 李欣然 劉志譜 盧穎華 羅 真

（1. 湖南大學電氣與信息工程學院 長沙 410082 2. 國網湖南省電力有限公司長沙供電分公司 長沙 410015）

0 引言

目前，傳統化石能源短缺問題越來越受到關注，為了能夠高效、可持續地利用多種能源，綜合能源系統（Integrated Energy System, IES）成為研究熱點之一[1-3]。絕大部分時間IES 處于并網狀態，考慮到重要負荷的特殊地位，系統會為重要負荷預留足夠的事故備用容量，以應對非計劃脫網風險。目前已有較多針對事故備用或旋轉備用方面的研究。文獻[4-5]引入條件風險價值理論，建立了基于風險備用的最優化模型，但該方法需通過設定置信水平以達到風電系統可靠性和經濟性的平衡，含有一定的主觀因素；文獻[6]提出了一種基于魯棒優化方法的實時電力市場能量與備用聯合調度模型，模型中考慮了備用的分區布置，可提高備用在突發情況下的輸送能力；文獻[7]采用魯棒線性優化方法確定最優備用容量，與風險規避隨機規劃模型相比，該魯棒優化模型能夠很好地適應電力系統的規模，具有較好的應用前景；文獻[8]考慮發電控制自動備用和事故備用的購入成本，提出一種考慮備用容量分類優化分配的動態經濟調度模型，可同時對兩類備用容量分時段最優分配；文獻[9]從事故后頻率恢復控制對備用容量需求出發，提出了事故條件下備用容量配置方法和評價方法；文獻[10-11]研究了基于成本效益分析的概率性備用容量確定方法在確定備用容量方面的應用，但該方法難以對效益進行準確評價；文獻[12]提出了一種計及成本效益比的電網事故備用容量風險量化協調分配方法，對事故備用配置不足所產生的風險進行量化，基于量化結果重新分配區域電網的事故備用容量。

以上文獻的備用容量研究主要是針對電力系統而言，且關注的焦點在備用容量的配置及分配方面，針對不同狀態動態優化利用事故備用容量的研究較少。與大電網不同，IES 對重要負荷的事故備用具有更強的針對性，需根據系統負荷特性進行備用配置。與柴油機、燃氣機等備用電源相比，具有快速響應能力以及短時高倍率放電等優點[13-15]的電儲能是IES 理想的備用電源。然而，與之矛盾的是，受益于目前大電網極高的安全性和穩定性，IES 在實際運行過程中，配置的儲能事故備用基本處于閑置狀態，在一定程度上造成資源浪費。在承擔一定風險的情況下，可考慮以下幾個因素優化利用儲能備用，進一步提高系統運行的經濟性：①考慮系統各時段重要負荷需求差異；②考慮系統所處區域不同狀態（特別是天氣狀態[16-17]，負載狀態等）下發生事故的概率差異；③考慮不同事故發生后損失的差異。另一方面，柔性負荷的調節是緩解供需側矛盾的重要手段之一。隨著手機、智能無線設備和電動汽車的快速發展，電池的需求越來越廣。電池生產過程中的分容測試逐漸采用能量回饋的形式以實現節能環保。目前，廠商對分容工序充放電參數設置過于簡單，通過需求響應手段優化分容工序，不僅可以提高并網運行的經濟性，同時，還可以滿足脫網情況下部分重要負荷的供電需求，以進一步優化利用儲能事故備用容量。系統中若含有溫控負荷，可利用其柔性特征[18]，在許可范圍內降低舒適度，起到短時緩沖供能不足的作用。

綜上所述，本文兼顧脫網風險與并網收益，并考慮分容電池與溫控負荷的柔性特征，提出一種基于風險量化與需求側響應的儲能事故備用容量優化利用方法。所提方法總體算法步驟如圖1 所示。首先建立IES 設備能量模型，在此基礎上，兼顧脫網風險與并網收益，構建基于風險量化與需求側響應的IES 經濟優化調度模型，利用混合整數線性規劃算法求解模型，并通過模型預測控制（Model Predictive Control, MPC）滾動優化，消除預測誤差，最終確定最優方案。

圖1 總體算法步驟Fig.1 Overall algorithm steps

1 IES 設備能量模型

本文以某電池生產園區IES 為研究對象，其能流如圖2 所示。系統主要包括可再生能源、電儲能、生產性儲能、燃氣機、冷溫水機、電制冷機、冷/熱儲能、燃氣鍋爐以及水泵等輔助設備。電池生產過程需要對電池分容，即充放電測試電池容量，該過程在分容柜內進行，放電過程的電能通過分容柜反饋回電網進行利用。分容電池可看作雙向互動性柔性負荷。本質上，電池分容模型與儲能充放電模型類似，不同之處在于需要滿足生產工序約束（詳見4.3 節）。為方便起見，后文將分容電池稱為生產性儲能。園區生產線有四種類型（a/b/c/d）電池，本文將同一類型電池看作一個生產性儲能進行優化。本文建立的部分設備能量模型如下。

圖2 電池生產園區IES 能流圖Fig.2 Energy flow diagram of IES in battery production park

1.1 儲能模型

儲能包括電、冷、熱儲能和生產性儲能，其均為能量存儲設備， 建立其統一模型。 對于，有

式中，t為運行時段；N為運行時段集合；ES 為儲能類型，分別為電（bes）、冷（ces）、熱（hes）、生產性（ges）四類；為儲能所儲存的容量與額定容量的比值；κES為能量自損耗率；分別為儲能充、放能效率；分別為儲能充、放能功率；WESn為儲能額定容量；Δt為調度周期；分別為最小允許儲能容量、最大允許儲能容量與儲能額定容量的比值；為儲能額定功率；為儲能功率，規定放能為正，充能為負。式（1）表示儲能運行相鄰時段能量平衡關系；式（2）表示儲能容量狀態上、下限約束；式（3）～式（5）表示儲能出力限制及充/放能互補約束；式（6）表示儲能輸出功率。

1.2 熱電聯產模型

熱電聯產設備主要為燃氣機。當輸入熱能達到一定程度時燃氣機同時輸出電能和熱能，對于，其模型描述為

1.3 制冷設備模型

制冷設備包括以熱能為能源的吸收式冷溫水機和以電能為能源的電制冷機，其模型為

1.4 水泵模型

水泵是冷熱聯供系統中輸送冷熱能的設備，其耗電功率與輸送冷熱能關系描述為

2 風險量化方法

利用儲能事故備用容量提高并網運行經濟性需要承擔一定風險。IEEE 標準100-1992 將風險定義為對不期望發生事件的概率和后果的度量，采取概率與后果乘積的表達形式，即

式中，FX 為事件的風險量化值；R為事件發生的概率；V為事件帶來的后果。風險量化的關鍵在于計算事件發生的概率以及事件帶來的后果，下文對其進行重點分析。

2.1 非計劃脫網概率計算方法

研究表明，惡劣天氣更容易引起設備故障[16-17]。設備長期處于重載或超載狀態引起故障的概率更大。除此之外，發生不同故障的概率也存在差別。基于此，提出一種考慮天氣狀態、負載率水平及脫網類型多種因素的非計劃脫網概率計算方法。首先，本文提出如下劃分方法對各類因素進行劃分。

1）負載率水平劃分。根據工作時段將一天劃分為T1(0:00～8:00)、T2(8:00～16:00)、T3(16:00～24:00)三個時段，分別對應低、高、中三種負載率水平。

2）天氣類型劃分。根據天氣類型對電網造成影響的嚴重程度，將其劃分為好天氣（A）、壞天氣（B）、災害天氣（C）三種。若某時段內w類型天氣影響程度最大，則將該時段作為w類型天氣時段。

3）脫網類型劃分。本文研究IES 所處配電網位置主要存在三種故障處理方法，對應三種脫網類型（時長）：①通過隔離開關將系統與故障區隔離（平均15min）；②通過隔離開關將系統與故障區隔離并切換到備用回路（平均45min）；③故障與系統處于同一區塊，需修復完元件才可恢復并網（大于2h）。

對各類因素進行劃分后統計近幾年各時段天氣類型與脫網類型數據，如圖3 所示。

統計T2時段A 天氣I 類型脫網的段數（實線所示）與T2時段A 天氣的總段數（實線+虛線所示），將其比值作為T2時段A 天氣發生I 類型脫網的概率，其余時段類似。脫網概率計算公式為

圖3 非計劃脫網數據統計示意圖Fig.3 Schematic diagram of unplanned off grid data statistics

式中，s、w、i分別為時段、天氣類型、脫網類型，為Ts時段w類型天氣發生i類型脫網的概率；ms,w,i為Ts時段w類型天氣發生i類型脫網的段數；Ms,w為Ts時段w類型天氣的總段數。根據脫網概率統計數據及天氣預測信息，可較準確地得出未來一天各時段發生不同類型脫網的概率。

2.2 重要負荷損失計算方法

1）重要環節電負荷損失。電池生產流程與重要負荷分布如圖4 所示。

圖4 電池生產流程與重要負荷分布Fig.4 Battery production process and important load

圖 4 中點畫線框中藍色部分為重要環節電負荷，共四個。化成環節通過給電池充電以激活電池。分容環節通過充放電測試電池容量。脫網后，需要維持重要環節正常工作一段時間（約1h）以處理完當前批次剩余材料。處理材料的數量與所消耗電能基本成正比，本文以重要環節單位時間單位功率缺額產生的經濟損失與缺額電能的乘積表示重要環節損失，如式（18）。

假設τ時刻脫網，對于?τ∈N，有

式中，為脫網后重要環節總損失；Δtoff為脫網時長；h表示第h個重要環節；為脫網后某時刻重要環節單位時間單位功率缺額產生的損失；為脫網后某時刻重要環節需求功率；為二進制變量，取1 和0 分別表示某時刻供應與不供應重要環節負荷。

2）重要溫控負荷損失。脫網后需維持在舒適溫度范圍內防止各生產環節材料損壞，在舒適范圍內偏離標準溫度會降低舒適度。本文以溫控負荷單位時間單位冷（熱）功率缺額產生的經濟損失與缺額冷（熱）能的乘積表示舒適度降低引起的損失，如式（19）和式（20）。

假設τ時刻脫網，對于?τ∈N，有

3）控制中心與消防負荷損失。消防或控制中心斷電，設置經濟損失為無窮大。

3 基于風險量化與需求側響應的優化模型

3.1 優化變量

優化調度模型中的變量包括并網運行變量與脫網運行變量。以夏季供冷為例，并網運行變量包括電/冷/生產性儲能充放能功率、燃氣機功率、可再生能源功率、IES 與電網交互功率、電制冷功率及冷溫水機功率等。脫網運行變量包括各時刻脫網運行變量，其中某一時刻脫網運行變量包括電/冷/生產性儲能充放能功率、燃氣機功率、可再生能源功率、重要環節負荷是否投切（0-1 變量）、電制冷功率及冷溫水機功率等。脫網可能發生在任意時刻，考慮到模型求解難度及預測精度，設置脫網時間間隔等于調度周期。

3.2 目標函數

利用儲能事故備用容量增加了風險，但是降低了并網運行成本，存在兼顧兩者的最優解。基于此，本文以并網期望收益與脫網期望損失之差最大為目標函數構建IES 并網優化調度模型，見式（21）～式（23）。

式中，E為期望收益；Ec為并網期望收益；El為脫網期望損失。

式中，C0、C分別為不利用儲能備用與利用儲能備用的并網運行成本；n為并網運行時段數；為某時刻燃氣熱功率與單位功率的成本；KQ、KP分別為供冷（熱）、供電設備數量，和分別為供冷（熱）設備出力與單位出力的運行維護成本；和分別為供電設備出力與單位出力的運行維護成本；、分別為IES 與電網交互功率、交互成本。

式中，V為脫網運行成本與切負荷損失之和；τ、i分別為脫網時刻和類型；為τ時刻脫網情形下某時刻的燃氣熱功率；、分別為τ時刻脫網情形下某時刻供冷（熱）、供電設備出力；為二進制變量，取1 和0 分別表示τ時刻脫網情形下某時刻供應與不供應第h個重要環節負荷。

本文提出的優化調度模型中，并網期望收益包括兩部分：①一天中無脫網的收益，即根據不脫網概率與并網收益相乘計算；②一天中發生脫網的收益。若脫網發生在T1時段，恢復并網后儲能仍然可以在剩余時段完成峰谷差套利，其收益與無脫網的收益相同。因此，計算cE時s不用取1。若脫網發生在其余時段，可能影響到峰谷差套利，且該部分收益相對于無脫網的收益很小，本文忽略該部分。考慮到一天中多次脫網的概率極低，本文也忽略該種情況。

3.3 約束條件

優化模型中主要包括并網約束、脫網約束、并網與脫網關聯約束以及生產性儲能生產約束。

1）并網運行約束。式（24）、式（25）分別為冷（熱）能、電能平衡約束；λ為水泵電耗系數；為并網電負荷；為電制冷（熱）功率；為并網冷（熱）負荷；為第d個生產性儲能出力；D為生產性儲能數量。

對于?t∈N，有

2）脫網運行約束。對于?τ∈N,?t∈[τ,τ+有

式中，第一項為重要環節連續供能約束；第二項為τ時刻脫網情形下電能平衡約束；第三、四項為τ時刻脫網情形下溫控負荷柔性約束；為控制中心與消防負荷；Ts為標準溫度；分別為溫控負荷舒適度范圍下、上限。

3）并網與脫網關聯約束。對于?τ∈N,有

4）生產性儲能生產約束如下：①全部電池自動裝入分容柜需要預留一定時間；②分容過程充放電倍率范圍需根據客戶要求設置；③分容步驟需按照充滿-放完-充至初始狀態的順序進行且必須在一天內完成全部步驟，分容過程中可靜置。將以上約束條件表示如式（28）～式（30）。式（28）為滿足第①、第②項約束，Kr為預留時段數，和為充放電倍率上限值；式（29）、式（30）為滿足第③項約束條件，其中，式（29）為電池先充滿后放完順序約束，式（30）為一個循環充放電過程且滿充滿放約束。

3.4 模型線性化轉換

本文提出的優化模型屬于混合整數規劃模型，模型中決策變量較多，為了提高計算效率將非線性約束項線性化處理轉換為混合整數線性規劃模型，然后調用Matlab 混合整數線性規劃intlinprog 函數進行求解。主要非線性約束項處理如下。

1）互補約束處理。本文模型中IES 與電網交互功率公式（25）、電/冷（熱）/生產性儲能充放能公式（1）～式（6）均為互補約束，以儲能為例，引入二進制變量對該互補約束進行處理。

2）max/min 項線性化處理。生產性儲能約束公式（30）含有max、min 項約束，兩種處理方法類似，以約束含min 項為例，引入二進制變量進行線性化處理。

3）分段函數約束處理。式（7）～式（12）燃氣機出力存在分段點，引入二進制變量與連續變量進行處理。

對于?t∈N，有

4 基于MPC 的日內滾動優化調度

為了提高IES 的穩定性與可控性，同時避免過多或過少利用電儲能備用，本文通過MPC 滾動優化，減少并網運行中的不確定性因素，實時跟蹤上文求解出的聯絡線功率與電儲能備用（SOCbes）日前計劃值。MPC 是不斷局部優化和不斷滾動實施控制作用的交替過程，詳細介紹可參考文獻[19]。首先，建立狀態空間模型，如式（43）、式（44）。

以夏季供冷為例，當前時刻k的狀態量x(k)由燃氣機功率、電儲能功率、SOCbes、聯絡線功率、電制冷機功率、冷溫水機功率以及冷儲能功率、SOCces構成；輸出量y(k)為聯絡線功率以及電儲能SOCbes。式（43）中，κac為燃氣機出力與冷溫水機出力比例系數，根據式（7）～式（14）計算。基于超短期預測數據，并對狀態空間模型反復迭代，可得到聯絡線功率與電儲能SOCbes在控制時域mΔt內的預估輸出值構成的向量Yf，如式（45）上部分。取當前時刻向前mΔt時段內，聯絡線功率與電儲能SOCbes日前計劃值構成的向量Rref為跟蹤控制目標，如式（45）下部分。

以聯絡線功率和電儲能SOCbes預估輸出值與日前計劃值之間的誤差最小為目標，同時保證各機組控制調節增量盡量小，將日內滾動優化調度轉換為式（46）所示的二次規劃問題。

式中，H為聯絡線功率跟蹤誤差和電儲能SOCbes跟蹤誤差的權重系數矩陣；G為控制量的權重系數矩陣；A、b為不等式約束中的系數矩陣；Aeq、beq為等式約束中的系數矩陣；lb、ub 分別為變量的上、下區間。該模型通過調用Matlab 二次規劃quadprog函數進行求解。求解之后可得到控制時域內所有機組出力調整量構成的控制序列，下發當前時刻向后第一個調度周期的指令。下一個調度周期到來時，重復上述過程。

5 仿真分析

以某電池生產園區IES 夏季典型日為算例進行仿真驗證。電池生產園區IES 供能設備參數、生產性儲能參數以及重要環節損失見表1～表3，分時電價數據為：峰時段（8:00～11:00/18:00～23:00）價格1.314 元/(kW·h)，平時段（7:00～8:00/11:00～18:00）價格0.869 元/(kW·h)，谷時段（23:00～7:00）價格0.443 元/(kW·h)，天然氣價格2.37 元/m3，天然氣熱能9.96kW·h/m3。

表1 IES 供能設備參數Tab.1 IES energy supply equipment parameters

表2 生產性儲能參數Tab.2 Productive energy storage parameters

表3 重要負荷單位時間單位功率缺額損失Tab.3 Important load unit time unit power shortage loss

5.1 脫網風險分析

利用儲能事故備用容量會帶來風險，假設在重要負荷需求較大時發生1h 脫網，脫網時刻電儲能，冷儲能，生產性儲能根據本文模型可求出脫網運行能源最優調度方案和負荷最優投切方案，結果如圖5～圖7 所示。

圖5 (電)能源調度方案與重要負荷投切方案Fig.5 (Electrical)Energy scheduling scheme and important load switching scheme

圖6 生產性儲能和電儲能SOC 變化曲線Fig.6 SOC curves of productive energy storage and BES

重要電負荷損失在脫網的前段時間內較大（見表3），因此前段時間滿足全部重要負荷供能需求；而中后段時間，電儲能與生產性儲能能量不足且負荷的損失較小，因此先后切除了負荷3 和4。同時，減小制冷機耗電功率（圖7），利用溫控負荷的柔性特征，在溫度許可范圍內（21～23℃）降低舒適度，保障剩余重要電負荷的供能，減少總損失。在該狀態下脫網運行所產生的最小經濟損失為50.4 萬元。

圖7 (冷)能源調度方案與溫度變化曲線Fig.7 (Cold)Energy scheduling scheme and temperature change

根據以上分析，儲能備用不足時會產生一定的經濟損失。通過計算，極限狀態下（無可再生能源與生產性儲能利用且重要負荷需求最大）不同儲能備用下的經濟損失如圖8 所示。可知，脫網時間越長，對儲能備用要求越高，當儲能SOCbes=0.72 時，可以滿足任意類型脫網的重要負荷需求。但是，當脫網時間較短時，只需較小的備用（SOCbes=0.25）即可滿足重要負荷需求。同時，考慮到非極限狀態及脫網概率，實際產生的損失并不會太大。

圖8 不同儲能備用下的脫網損失與期望損失Fig.8 Off grid loss and expected loss under different reserve

根據本文提出的脫網概率統計方法，研究區域內不同天氣不同時段發生不同類型脫網的概率分布如圖9 所示。可知，天氣狀況越好，脫網概率越小，并且脫網時間相對越短。負載率（工作時段）對脫網概率有一定影響，A、B 類型天氣下，高峰時段T2的脫網概率相對較大。對于C 類型天氣，負載率的影響相對天氣因素可忽略，同時因C 類型天氣統計數據有限，導致部分時段部分類型脫網概率為0 的情況，本文以同一脫網類型下的脫網概率平均值作為各時段的脫網概率。根據脫網概率可計算極限狀態下的期望損失如圖8 所示。在考慮多種脫網類型及脫網概率情況下，A 類型天氣下的期望損失非常小，儲能備用容量在該情況下具有較大優化利用的潛力。另外，考慮生產性儲能響應，備用容量利用潛力可進一步增大。

圖9 脫網概率分布Fig.9 The probability distribution of off-grid

通過不斷升級改造，大電網的穩定性會越來越好，發生非計劃脫網的次數（概率）基本呈遞減趨勢。易知，通過統計過去多年的歷史數據得到的平均脫網概率會大于等于最近時段統計的脫網概率。而電網在不斷升級改造，當前時刻（實際）的脫網概率會接近甚至低于最近時段統計的脫網概率，由此可知，本文通過統計過去10 年的歷史數據得到的脫網概率比實際情況偏高，承擔的風險偏小，不會影響優化模型的有效性。隨著時間推移，通過新的數據修正脫網概率使之不斷趨近于實際情況。

5.2 并網電儲能備用與生產性儲能優化利用分析

假設未來一天天氣類型為AAB，基于風險量化與需求側響應的模型可求出利用儲能備用以及生產性儲能后的優化調度方案，結果如圖10 和圖11 所示。同時對比了三種策略下SOC。策略1，按重要負荷最大需求備用；策略2，基于風險量化備用；本文策略，基于風險量化與需求側響應備用。比較結果如圖12、圖13 和表4 所示。

圖10 電能優化調度曲線Fig.10 Power optimization dispatching curves

圖11 冷能優化調度曲線Fig.11 Cold energy optimization scheduling curve

圖12 電儲能SOC 變化曲線Fig.12 SOC curves of electric energy storage

圖13 生產性儲能SOC 變化曲線Fig.13 SOC curves of productive energy storage

表4 各策略對比Tab.4 Comparison of strategies

由圖10 和圖11 可知，在并網運行中，一方面優先消納可再生能源滿足部分電負荷需求，在平高峰時段，利用燃氣機和冷溫水機實現冷電聯產，由性價比更高的天然氣供能，提升了供能的經濟性；另一方面，在考慮風險的情況下利用儲能備用進行峰谷電價差套利，靈活調節電池分容工序，引導其在電價平谷期充電，在電價高峰期放電，降低了高峰時段的供能成本。

由圖12 可知，相比于策略1，策略2 兩次利用儲能備用（ΔSOC1、ΔSOC3），T3時段優化利用備用深度最高為0.28。T2時段利用深度相對較小，主要有三個原因：①該時段重要負荷需求較大；②該時段脫網概率相對較高；③該時段賺取的峰平電價差較小。本文策略利用生產性儲能響應，在策略2 基礎上進一步利用儲能備用（ΔSOC2、ΔSOC4），優化利用備用深度最高為0.198。生產性儲能優化結果如圖13 所示。其中，c、d 類型電池利用峰谷電價差套利，可降低并網運行成本。但是，該類型電池容量最小時刻與儲能備用最小時刻相近，此時脫網會產生較大損失。a、b 類型電池受充放電倍率上限影響，在平時段即開始充電，主要為峰平電價差，因此無法有效降低并網運行成本。但是，a、b 類型電池在儲能備用最小時刻具有較大容量，能夠降低此時脫網的損失，從另一個角度看，可以進一步優化儲能備用利用深度。策略1、2 無優化分容工序，即先完成前道工序的電池先分容。因為數量龐大且工序不同步，控制難度較大，脫網下無法有效利用其能量。由于各電池狀態的隨機性，電池整體SOC 在0.5 左右。

由表4 可知，相比策略1，策略2 利用儲能備用容量產生期望收益1 018 元/天，提升了系統運行經濟性。在此基礎上，本文策略利用生產性儲能與儲能備用使系統產生期望收益1 773.2 元/天，進一步提升了經濟性。相比于策略1，本文儲能備用利用率最高提升了72.5%。進一步，根據本文方法可求得各類天氣狀態下儲能備用最優利用深度及期望收益，結果如圖14 和表5 所示。其中，x指A、B、C 天氣中的任意一種。

圖14 各類天氣狀態下儲能備用最優利用深度Fig.14 Optimal utilization depth of energy storage reserve under various weather conditions

表5 各類天氣狀態下備用最優利用深度與期望收益Tab.5 Reserve optimal utilization depth and expected return under various weather conditions

由圖14 可知，天氣情況越壞（脫網風險越大），儲能備用利用程度越小，該特點與實際情況吻合。T1時段為電價平谷期，儲能處于充電或者充滿狀態，無優化利用空間。T2～T3時段，A-A 型天氣脫網概率較低，儲能備用利用深度為0.399～0.117，T3時段優化效果顯著，幾乎完全利用備用容量參與并網優化調度增加收益，所得日期望收益為2 676 元。同時，A-A 型天氣在全年出現的次數非常多，如按典型日計算，其全年期望收益可達75.73 萬元。C-C 型天氣脫網概率最大，優化目標側重于減小脫網期望損失，因此儲能備用利用深度只有0.622～0.424。但C類天氣全年出現次數很少，不影響全年總期望收益。B 類天氣T3時段儲能備用利用深度介于A 和C 之間，可獲取一定收益。

由表5 可知，利用本文方法年總期望收益可達90.9 萬元，具有一定的經濟效益。其中，僅優化利用儲能備用年總期望收益為69 萬元（14.74 萬元/年/(MW·h)）。未來園區生產線擴張，儲能備用需求增大，則可獲取更多收益。并網運行中，僅優化生產性儲能充放電年總收益為20.4 萬元（15.2 萬元/年/(MW·h)）。若市場上一年生產的電池為20GW·h，其中分容過程采用能量反饋型的電池按5%計算，則一年可產生總收益或節約成本1.52 億元。

5.3 MPC 滾動優化調度仿真分析

MPC 滾動優化的預測時長取1h，控制時長取30min，滾動調度執行周期為5min。以夏季典型日ABB 天氣為例進行分析。通過MPC 滾動優化得到燃氣機、電/冷儲能、電制冷機以及冷溫水機的實時出力，如圖15 所示。可知，為保證聯絡線功率以及電儲能備用跟蹤日前計劃值，實時調度將對日前調度計劃進行修正，同時保證各機組的調整增量盡量小。圖16a 為施加MPC 滾動優化時，儲能備用的實際變化狀態與日前計劃值的對比效果。可以看出，儲能備用可較好地跟蹤計劃曲線，避免了過多或過少利用儲能備用的情況。圖16b 對比了MPC 優化前后聯絡線功率跟蹤情況。無優化時，聯絡線功率在計劃值附近有較大波動，優化后，聯絡線功率與日前計劃值基本吻合，實現了IES 接入配電網的平穩、可控調度。

圖15 日內實時調整后的供電/供冷機組出力Fig.15 Power and cooling power unit output after realtime adjustment

圖16 電儲能備用與聯絡線功率跟蹤計劃值情況Fig.16 Situation of BES reserve and tie line power tracking plan value

6 結論

本文針對綜合能源系統并網運行中如何提高儲能事故備用利用效率的問題進行研究，提出了一種基于風險量化與需求側響應的儲能事故備用容量優化利用方法。本文主要研究工作可歸納如下：

1）提出一種考慮天氣狀態、負載率水平及脫網類型多種因素的脫網概率計算方法，并結合重要負荷損失計算方法將脫網風險進行量化。所提計算方法同時考慮了多種因素，能夠較為準確地預判脫網風險。

2）兼顧脫網風險與并網收益，并利用分容電池與溫控負荷的柔性特征，構建了基于風險量化與需求側響應的IES 經濟優化調度模型，通過線性化處理將其轉換為混合整數線性規劃模型進行求解。該方法能夠實現不同狀態下儲能事故備用容量的最優化利用以及電池分容工序的最優化安排，可在承擔較小風險的情況下提高IES 運行的經濟性，具有較好的實用性和經濟性。

3）通過MPC 滾動優化，減少并網運行中的不確定性因素，實時跟蹤求解出的聯絡線功率與電儲能備用日前計劃值。該方法可提高IES 的穩定性與可控性，同時避免過多或過少地利用電儲能備用。