基于置信容量的風場配套儲能容量優化配置

陸秋瑜 馬千里 魏 韡 于 珍 劉 洋

基于置信容量的風場配套儲能容量優化配置

陸秋瑜1馬千里2魏 韡2于 珍1劉 洋1

（1. 廣東電網有限責任公司電力調度控制中心 廣州 510000 2. 電力系統國家重點實驗室（清華大學電機工程與應用電子系） 北京 100084）

風力發電具有隨機性和波動性，給大規模利用風力資源造成諸多困難。通過配置儲能設備可以平滑風電場功率輸出，使風電場可以替代火電或供應電網負荷。首先，該文基于風資源特性定義了風電場的火電替代容量和負荷供應容量，這兩個指標反映了風電場穩定輸出功率或供應負荷的能力；其次，根據風資源數據和置信要求，可以通過混合整數線性規劃求解火電替代容量和負荷供應容量；最后，根據風電場火電替代容量和負荷供應容量的具體需求，進一步構建了儲能MW/(MW?h)參數的優化配置方法，該方法通過計算儲能參數可行域邊界，再根據儲能成本系數確定最優配置方案的范圍。算例選用廣東省風力發電歷史數據，采用該文方法可以快速確定儲能最優參數配置，同時兼顧配置的經濟性及供電平穩性、可靠性。

風力發電 火電替代容量 負荷供應容量 儲能設備 容量配置

0 引言

發展可再生能源是緩解化石能源短缺和環境保護壓力的重要手段，是實現我國“碳達峰，碳中和”愿景的重要途徑[1]。其中，風力發電技術比較成熟，已在全球范圍內廣泛應用，僅在2020年，中國風力發電新增裝機容量達52GW，總裝機容量達288.3GW[2]。風力發電已經成為我國電力系統能源供應的重要組成部分。其中，海上風力發電擁有環境污染小、占用陸地資源少、風速穩定、容量因子高的優點。我國東部沿海地區海上風電資源豐富，具有極大的開發潛力和價值，僅在2020年，我國海上風電新增裝機容量達3.06GW[2]。我國經濟和負荷中心靠近東部沿海地區，有利于海上風電的輸送和消納，發展海上風電對于緩解用電緊張、實現雙碳目標具有重要意義。

風力發電的大規模利用促進了電力系統低碳綠色運行進程。但是，由于風力發電具有隨機性和不確定性，大規模風力發電的接入給電力系統規劃配置、調度運行提出了新的要求，抑制風力發電的波動性，確保電力系統負荷供應的可靠性成為當前研究的重點[3]。儲能設備具有高度靈活性，可以實現電能在時間和空間上的平移。在風力發電較多時，儲能設備可以吸收多余的電量；在風力發電較少時，儲能設備可以補足電量的缺額，使風電場出力平穩，可靠供應電力系統的負荷[4]。因此，儲能設備對于風電場平穩運行具有關鍵作用，如何配置儲能設備的容量和功率也是研究者關注的重點[5-6]。

針對儲能設備功率和容量的配置問題，很多學者根據實際需求確定目標函數，采用多目標優化等方法獲取儲能設備最優參數。文獻[7]研究了儲能系統聯合火電廠參與系統調峰時儲能系統的參數配置問題，通過構建多目標優化配置儲能系統最優參數。文獻[8]研究了風光儲系統儲能容量優化配置問題，并構建雙層決策模型使儲能設備初始投資和聯絡線功率波動最小。文獻[9]應用模型預測控制算法，分析了不同風電光伏配比下儲能設備的參數配置。文獻[10]基于主從博弈問題，研究了綜合能源系統中氫儲能配置問題，有效地解決了園區級綜合能源系統的能量平衡問題，同時提高了系統運營商的收益。以上模型以投資方收益為關注重點，對新能源和系統的建模比較簡單。同時這些方法采用少量典型場景來確定風電功率輸出，具有較大的局限性，不能體現風電輸出功率的不確定性。

部分文獻采用聚類分析和頻譜分析的方法，這類方法克服了選取典型風電功率輸出場景的不足。文獻[11]采用云模型理論和K-means聚類方法獲取儲能運行時的典型充放電曲線，以最小化風電輸出功率波動為目標，建立了儲能容量優化配置方法。該方法的典型場景依賴聚類數目的選擇，合理的聚類數目難以事先確定。文獻[12]借助離散傅里葉變換技術，對可再生能源功率輸出進行頻譜分解，將長周期波動/短周期波動通過反變換得到時域曲線，配置相應的儲能容量。文獻[13]根據響應時間將平抑風電波動所需的容量進行分類，再應用離散傅里葉變換確定風電場配套儲能系統的容量需求。文獻[14]采用蒙特卡洛模擬法考慮新能源出力的不確定性，對最小補償功率進行頻譜分析，確定混合儲能設備的容量大小。然而按照頻譜分解得出的儲能容量并不一定是最優的，與如何劃分高頻與低頻波動有關，不合理的高頻和低頻波動劃分將影響儲能參數配置的最優性。

為了更加積極地考慮風電不確定性對容量配置的影響，學者們通過引入置信水平或分布魯棒優化，以降低優化結果的保守性。文獻[15]采用變時間常數的一階低通濾波算法，研究了用于平抑風電波動的儲能設備容量配置方法，分析了不同約束條件和不同置信水平下的儲能設備容量配置需求。文獻[16]基于一階巴特沃思濾波環節的平抑策略，通過引入維納過程研究了不同時間尺度的風功率變化量的概率分布，進而提出了一種滿足一定置信區間的儲能裝置功率和容量的配置方法。文獻[17]采用分布魯棒優化對風電不確定性進行建模，通過考慮氫儲能的熱平衡約束，有效提升氫儲能實際可用容量，實現氫儲能系統容量優化配置。文獻[18]借助分布魯棒優化，研究了考慮風電不確定性和棄電率約束的風電場配套儲能設施容量規劃問題。這類方法允許配置儲能時在一定概率下違背部分約束條件，在較高的置信水平下能較好地兼顧儲能配置的經濟性和可靠性。但是，以上方法只針對固定的儲能投資成本，如果儲能投資成本在一定范圍內變動，則需要重新求解問題。總體而言，現有方法除了上述問題，大都針對具體系統進行研究，尚且缺乏針對風力供電一般性特點的刻畫與分析。

為了解決以上問題，本文從風電場置信容量出發，分別定義了風電場的火電替代容量和負荷供應容量，反映了在一定置信概率下，風電場能向外界穩定輸出的功率大小和風電場能穩定供應的負荷水平。通過在儲能配置問題中滿足風電場火電替代容量指標和風電場負荷供應指標，能保證儲能參數配置的經濟性和負荷供應的可靠性。為了應對儲能投資成本的可變性，本文首先求解出基于火電替代容量指標和負荷供應容量指標的儲能參數配置可行域，而非一個具體的配置方案，再根據儲能成本參數變化范圍確定儲能裝置最優配置范圍，給決策者提供更靈活的選擇空間。

1 風電場火電替代容量

風力發電具有高度的隨機性和不確定性，給電力系統的安全穩定運行帶來了極大挑戰。在實際運行中，風電場的功率輸出受氣象條件的影響，其實際最大輸出功率在一定范圍內波動。為了維持電力系統的穩定運行，風電場應具有向電網穩定輸出功率的能力。儲能裝置具有良好的能量時間和空間平移能力，制定合適的儲能設備的充放電策略，可以使風電場在全天范圍內維持平穩的功率輸出。由于儲能的調節作用，風儲聯合系統可以長時間穩定輸出功率，消除了風力發電的間歇性，在平穩輸出功率、供應系統負荷上，風儲聯合系統發揮了與火電廠相仿的作用。本節將主要介紹風電聯合系統的火電替代容量定義及其計算方法。

1.1 火電替代容量定義

圖1 風儲聯合結構示意圖

圖2 單日風儲聯合系統功率輸出

1.2 火電替代容量計算方法

考慮到風儲聯合系統中儲能設備的動態特性和安全約束，需滿足

考慮到風儲聯合系統的輸出功率的置信概率約束，風儲聯合功率輸出應當滿足

2 風電場負荷供應容量

在風儲聯合系統向負荷供電時，并不需要風電場維持穩定的輸出，而是需要風儲系統聯合火電廠跟蹤負荷。因此，需要著重研究風火儲聯合系統能夠可靠供應的負荷大小，本節首先介紹負荷供應容量的定義及其計算方法。

2.1 風電場負荷供應容量定義

圖3 風火儲聯合系統結構示意圖

圖4 單日風火儲系統輸出功率及電網負荷需求

2.2 負荷供應容量計算方法

考慮到風火儲聯合系統的負荷供應的置信概率約束，風火儲聯合輸出功率應當滿足

3 儲能設備參數優化配置

在上述火電替代容量和負荷供應容量模型中，儲能設備的MW/(MW?h)參數是給定的。在一定范圍內增大儲能容量，可以降低風電場棄風率，提高火電替代容量和負荷供應容量。然而儲能設備成本目前仍然較高，其容量配置需要考慮逆變器（決定MW容量）和電池組（決定MW?h容量）的成本，而成本參數往往在一定范圍內變化。采用常規的優化方法只能計算某一確定成本下儲能設備的最優參數配置。本文方法求解滿足系統的安全運行要求，使風儲系統或風火儲系統滿足火電替代容量或負荷供應容量要求的儲能MW/(MW?h)參數可行域，給儲能設備規劃和建設提供有益的參考。

3.1 基于火電替代容量的儲能設備參數可行域

針對風儲聯合系統，根據給定的火電替代容量指標配置儲能設備參數。通過判斷以下優化問題的可行性，可以確定儲能設備MW/(MW?h)參數可行域。

3.2 基于負荷供應容量的儲能設備參數可行域

針對風火儲聯合系統，根據給定的負荷供應容量指標配置儲能設備參數。儲能設備MW/(MW?h)參數可行域可通過判斷以下優化問題的可行性得出

3.3 儲能設備參數最優配置

圖5 儲能設備最優參數決策示意圖

Fig.5 Schematic of optimal parameters decision-making for energy storage equipment

4 算例分析

4.1 風儲聯合系統的火電替代容量分析

不同儲能設備MW/(MW?h)參數下，風儲聯合系統的90%火電替代容量如圖6所示。隨著儲能功率和儲能容量的增大，風儲聯合系統的火電替代容量顯著的增大，這證明配置儲能設備可以有效平抑風電場的功率波動，實現風電場功率的平穩輸出。同時，在一定范圍內，儲能的功率和容量具有替代作用，減少部分儲能功率可以通過增加儲能容量來維持火電替代容量不變。但是火電替代容量的上限仍受風電場自身出力特性制約，當儲能設備的功率和容量足夠大時，風儲聯合系統的火電替代容量不再隨儲能功率和容量的增加而增大。因此，有必要從經濟性的角度配置合適的儲能MW/(MW?h)參數。

在不同儲能設備參數配置下，不同置信概率指標下的風儲聯合系統火電替代容量如圖7所示。其中，火電替代容量隨著置信概率的增加單調下降；在相同的置信概率下，儲能設備的容量和功率越大，風儲聯合系統的火電替代容量越大。由于置信概率對系統火電概率影響顯著，在根據該指標規劃儲能設備參數時，需要選取合適的置信概率，以平衡計算結果的可靠性和經濟性。在圖7中，在儲能設備容量為20MW·h且置信概率大于0.8的條件下，儲能功率為3MW、5MW、10MW時，風儲聯合系統火電替代容量差異較小，說明此時儲能容量為火電替代容量的制約因素。綜合圖6來看，儲能容量對火電替代容量影響更大。

圖7 不同置信概率下風儲聯合系統火電替代容量

圖8 90%火電替代容量指標下儲能設備參數可行域

表1 基于指標的儲能設備最優參數配置

4.2 風火儲系統的負荷供應容量分析

本節針對風火儲聯合系統，選用廣東省風電場的全年最大理論出力作為風電歷史數據，利用經過歸一化處理的PJM市場負荷數據作為電網負荷需求變化曲線。其中，風電場和儲能設備參數與4.1節一致。火電廠最大出力為20MW，火電廠最大爬坡速率為4MW/h。首先，通過改變火電廠和儲能設備參數，研究這些參數對系統風電場負荷替代容量的影響。

圖9 不同的火電廠和儲能設備參數下的風電場90%負荷供應容量

不同儲能功率和容量下風電場90%負荷供應容量如圖10所示，其中火電廠功率為20MW。在一定范圍內，提升儲能功率和容量均能增大風電場負荷供應容量。同時儲能功率和容量具有替代作用，在儲能功率減少時，可以通過增加儲能容量來維持風電場負荷供應容量保持不變。因此，可以通過合理配置儲能設備參數，實現系統的經濟性配置。

圖10 不同儲能設備參數下的風電場90%負荷供應容量

不同儲能參數下，不同置信概率的風電場負荷供應容量如圖11所示。其中，風電場負荷供應容量隨置信概率的增大單調遞減。在相同置信概率下，儲能設備功率和容量越大，風電場負荷供應容量越大。在圖11中，當儲能設備功率輸出為5MW，儲能設備容量分別為20MW?h、50MW?h、80MW?h時，系統負荷供應容量變化不大；當儲能設備容量為50MW?h，儲能設備功率為2MW、5MW、8MW時，系統負荷供應容量隨儲能功率增加顯著提高。因此，儲能功率對負荷供應容量影響更大。由于置信概率對負荷供應容量指標影響顯著，在根據該指標規劃儲能設備參數時，應選取合適的置信概率以兼顧系統的經濟性和可靠性。

圖11 不同置信概率下風電場負荷供應容量

圖12 90%負荷供應容量指標下儲能設備參數可行域

Tab.2 The optimal parameters of the energy storage equtimenty base on the value of

4.3 方法比較

為了和傳統儲能參數配置方法比較，本節選用文獻[12]中的方法配置儲能參數。此方法借助離散傅里葉變化分析風電場功率輸出，將長周期和短周期功率波動解耦。將部分頻段的功率輸出加以補償，可以獲取經功率平抑后的風儲聯合系統功率輸出，按照該功率和風電場功率輸出差值確定儲能設備應配置的最大功率，再根據仿真法確定儲能設備的容量配置。

根據本文的算例數據，按照此方法應配置儲能設備功率為3.21MW，儲能容量為407MW?h。與本文方法相比，該方法配置結果過于激進，因為該方法沒有引入置信概率的概念，無法考慮風電場連續多日無風的場景，儲能設備需要配置較大容量來實現儲能設備穩定的功率輸出。因此，這種方法難以有效地根據風電不確定性配置儲能設備容量參數，具有一定局限性。而本文通過引入置信容量的概念，有效地避免了風電不確定性對于容量配置造成的影響，能夠保證儲能設備參數配置的經濟性和負荷供應的可靠性。

5 結論

為了平抑風電場輸出功率的間歇性和隨機性，需要配置儲能設備以平滑風電場功率輸出。本文根據風電場歷史數據，分別定義了風電場火電替代容量和負荷供應容量，該指標可以考察風電場平穩輸出功率的能力。通過配置儲能設備，可以有效提高風電場火電替代容量和負荷供應容量，實現風電場可靠運行。根據以上指標，本文提出了儲能設備最優參數配置方法，通過計算儲能設備參數可行域，可以快速確定不同成本參數范圍的儲能設備最優參數配置。在具體的工程實踐中，可以根據實際需求選取火電替代容量和負荷供應容量指標，如：可以按照電網聯絡線功率計劃值和系統的最大負荷需求值確定指標需求。當風儲聯合系統需要通過聯絡線向電網輸送功率時，需要使系統火電替代容量大于聯絡線功率計劃值；當風火儲聯合系統需要穩定供應區域負荷時，需要使系統負荷供應容量大于負荷峰值。按照類似的方法選取合適的指標，可以使儲能設備參數滿足系統的實際運行需求，保證系統安全穩定運行。同時，本方法兼顧了儲能最優參數配置的經濟性和可靠性，能夠有效解決儲能成本在一定區間范圍內變動的問題。

[1] 周孝信, 陳樹勇, 魯宗相, 等. 能源轉型中我國新一代電力系統的技術特征[J]. 中國電機工程學報, 2018, 38(7): 1893-1904, 2205.

Zhou Xiaoxin, Chen Shuyong, Lu Zongxiang, et al. Technology features of the new generation power system in China[J]. Proceedings of the CSEE, 2018, 38(7): 1893-1904, 2205.

[2] Renewable Energy Policy Network for the 21st Century．Renewables 2021 global status report[R]. 2021. https://www.ren21.net/reports/global-status-report.

[3] 康重慶, 姚良忠. 高比例可再生能源電力系統的關鍵科學問題與理論研究框架[J]. 電力系統自動化, 2017, 41(9): 2-11.

Kang Chongqing, Yao Liangzhong. Key scientific issues and theoretical research framework for power systems with high proportion of renewable energy[J]. Automation of Electric Power Systems, 2017, 41(9): 2-11.

[4] 朱瑛, 高云波, 臧海祥, 等. 風電機組輸出功率平滑技術綜述[J]. 電力系統自動化, 2018, 42(18): 182-191.

Zhu Ying, Gao Yunbo, Zang Haixiang, et al. Review of output power smoothing technologies for wind turbine[J]. Automation of Electric Power Systems, 2018, 42(18): 182-191.

[5] Zhao Haoran, Wu Qiuwei, Hu Shuju, et al. Review of energy storage system for wind power integration support[J]. Applied Energy, 2015, 137: 545-553.

[6] Yang Yuqing, Bremner S, Menictas C, et al. Battery energy storage system size determination in renewable energy systems: a review[J]. Renewable and Sustainable Energy Reviews, 2018, 91: 109-125.

[7] 李軍徽, 張嘉輝, 李翠萍, 等. 參與調峰的儲能系統配置方案及經濟性分析[J]. 電工技術學報, 2021, 36(19): 4148-4160.

Li Junhui, Zhang Jiahui, Li Cuiping, et al. Configuration scheme and economic analysis of energy storage system participating in grid peak shaving[J]. Transactions of China Electrotechnical Society, 2021, 36(19): 4148-4160.

[8] 李建林, 郭斌琪, 牛萌, 等. 風光儲系統儲能容量優化配置策略[J]. 電工技術學報, 2018, 33(6): 1189-1196.

Li Jianlin, Guo Binqi, Niu Meng, et al. Optimal configuration strategy of energy storage capacity in wind/PV/storage hybrid system[J]. Transactions of China Electrotechnical Society, 2018, 33(6): 1189-1196.

[9] 陳澤西, 孫玉樹, 張妍, 等. 考慮風光互補的儲能優化配置研究[J]. 電工技術學報, 2021, 36(增刊1): 145-153.

Chen Zexi, Sun Yushu, Zhang Yan, et al. Research on energy storage optimal allocation considering complementarity of wind power and PV[J]. Transactions of China Electrotechnical Society, 2021, 36(S1): 145-153.

[10] 熊宇峰, 司楊, 鄭天文, 等. 基于主從博弈的工業園區綜合能源系統氫儲能優化配置[J]. 電工技術學報, 2021, 36(3): 507-516.

Xiong Yufeng, Si Yang, Zheng Tianwen, et al. Optimal configuration of hydrogen storage in industrial park integrated energy system based on stackelberg game[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 507-516.

[11] 吳杰, 丁明, 張晶晶. 基于云模型和K-means聚類的風電場儲能容量優化配置方法[J]. 電力系統自動化, 2018, 42(24): 67-73.

Wu Jie, Ding Ming, Zhang Jingjing. Capacity configuration method of energy storage system for wind farm based on cloud model and K-means clustering[J]. Automation of Electric Power Systems, 2018, 42(24): 67-73.

[12] 王成山, 于波, 肖峻, 等. 平滑可再生能源發電系統輸出波動的儲能系統容量優化方法[J]. 中國電機工程學報, 2012, 32(16): 1-8.

Wang Chengshan, Yu Bo, Xiao Jun, et al. Sizing of energy storage systems for output smoothing of renewable energy systems[J]. Proceedings of the CSEE, 2012, 32(16): 1-8.

[13] 李濱, 陳姝, 韋化. 風電場儲能容量優化的頻譜分析方法[J]. 中國電機工程學報, 2015, 35(9): 2128-2134.

Li Bin, Chen Shu, Wei Hua. Optimization of energy storage capacity based on spectral analysis for wind farm[J]. Proceedings of the CSEE, 2015, 35(9): 2128-2134.

[14] 黃金鑫, 李華強, 陸楊. 基于蒙特卡洛模擬和頻譜分析法的孤島微電網儲能容量配置[J]. 電網技術, 2020, 44(5): 1622-1629.

Huang Jinxin, Li Huaqiang, Lu Yang. Energy storage capacity configuration of isolated microgrid based on Monte Carlo simulation and spectrum analysis[J]. Power System Technology, 2020, 44(5): 1622-1629.

[15] 孫玉樹, 唐西勝, 孫曉哲, 等. 風電波動平抑的儲能容量配置方法研究[J]. 中國電機工程學報, 2017, 37(S1): 88-97.

Sun Yushu, Tang Xisheng, Sun Xiaozhe, et al. Research on energy storage capacity allocation method for smoothing wind power fluctuations[J]. Proceedings of the CSEE, 2017, 37(S1): 88-97.

[16] 李學斌, 趙號. 基于維納隨機過程的風電場儲能配置方法[J]. 電網技術, 2022, 46(9): 3437-3446.

Li Xuebin, Zhao Hao. Wind farm energy storage configuration based on Wiener stochastic process[J]. Power System Technology, 2022, 46(9): 3437-3446.

[17] 司楊, 陳來軍, 陳曉弢, 等. 基于分布魯棒的風-氫混合系統氫儲能容量優化配置[J]. 電力自動化設備, 2021, 41(10): 3-10.

Si Yang, Chen Laijun, Chen Xiaotao, et al. Optimal capacity allocation of hydrogen energy storage in wind-hydrogen hybrid system based on distributionally robust[J]. Electric Power Automation Equipment, 2021, 41(10): 3-10.

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

Yang Libin, Cao Yang, Wei Wei, 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.

[19] Pfenninger S, Staffell I. Long-term patterns of European PV output using 30 years of validated hourly reanalysis and satellite data[J]. Energy, 2016, 114: 1251-1265.

Optimal Configuration of Energy Storage Parameters Based on Confidence Capacity of Wind Farms

Lu Qiuyu1Ma Qianli2Wei Wei2Yu Zhen1Liu Yang1

（1. Guangdong Power Grid Corporation Power Dispatch Control Center Guangzhou 510000 China 2. State Key Laboratory of Control and Simulation of Power System and Generation Equipments Department of Electrical Engineering Tsinghua University Beijing 100084 China）

Wind power generation has the characteristics of random fluctuation and intermittence. The energy storage equipment can be used to smooth the output of the wind farm, which can replace thermal power plants and provide a reliable load supply for the grid. Firstly, based on the wind resource characteristics, we define the thermal power replacement capacity and load supply capacity of wind farms, which reflect the ability of wind farms to output smoothly and supply loads reliably. Given wind resource data and confidence probability requirements, thermal power replacement capacity and load supply capacity can be solved by mixed integer linear programming. According to the requirements of the thermal power replacement capacity and load supply capacity, we construct an optimal configuration method for MW/(MW·h) parameters of the energy storage. This method calculates the boundary of the parameter feasible region and then determines the range of optimal parameter configuration according to the energy storage cost coefficient. In the case study, the historical data of wind farms in Guangdong province is used. It shows that our method can determine the optimal parameter configuration of energy storage quickly, while taking into account the economy and the reliability and stability of the power supply.

Wind power generation, thermal power replacement capacity, load supply capacity, energy storage equipment, capacity configuration

10.19595/j.cnki.1000-6753.tces.220939

TM715

南方電網公司科技資助項目（03600KK52200049(GDKJXM20201978)）。

2022-05-30

2022-09-24

陸秋瑜 女，1989年生，高級工程師，研究方向為新能源電力系統運行調控。E-mail：luqiuyu22@126.com

馬千里 男，1998年生，博士，研究方向為電力系統優化調度與控制。E-mail：mql19@mails.tsinghua.edu.cn （通信作者）

（編輯 赫蕾）