基于SSA-RNN算法的新能源側儲能最優容量配置

董志國 徐全海 馬志剛

摘要：為了優化儲能容量配置來提高新能源側的新能源利用率，提高系統的運行效率和可靠性。本文尋找有效的方法來最大限度地利用新能源資源。結合電網平衡和穩定要求，以光能資源浪費所損失的成本和儲能投資成本之和作為目標函數。利用數學建模和麻雀搜索算法優化循環神經網絡優化算法確定合理的儲能容量配置方案。同時，設計了儲能調度策略，既能最大限度地減少電池的損耗和劣化，又可以確保系統能夠滿足能量需求。研究結果可為新能源儲能容量配置提供指導，促進新能源發電的可持續發展。

關鍵詞：儲能容量配置；新能源利用率；麻雀優化算法；循環神經網絡；儲能調度策略

Energy?Storage?Capacity?Allocation?of?Renewable?Energy?Side?Based?on?SSA-RNN?Algorithm

Dong?Zhiguo1，?XU?Quanhai1，?MA?Zhigang2

（1.?Qinghai?Electric?Power?Co.，?LTD.，?National?Energy?Group，?Xining?810001，?China;

2.?Haixi?Photovoltaic?Power?Generation?Co.，?LTD.，?National?Energy?Group，?Haixi?817000，?China）

Abstract：?In?order?to?optimize?the?configuration?of?energy?storage?capacity?to?improve?the?utilization?rate?of?new?energy?on?the?new?energy?side，?improve?the?operating?efficiency?and?reliability?of?the?system.?This?paper?looks?for?effective?ways?to?maximize?the?use?of?new?energy?resources.?Combined?with?the?requirements?of?power?grid?balance?and?stability，?the?sum?of?the?cost?of?solar?energy?waste?and?energy?storage?investment?is?taken?as?the?objective?function.?Using?mathematical?modeling?and?sparrow?search?algorithm?to?optimize?the?recurrent?neural?network?optimization?algorithm?to?determine?a?reasonable?energy?storage?capacity?allocation?scheme.?At?the?same?time，?the?energy?storage?scheduling?strategy?is?designed，?which?can?minimize?the?loss?and?deterioration?of?the?battery，?and?ensure?that?the?system?can?meet?the?energy?demand.?The?research?results?can?provide?guidance?for?the?allocation?of?new?energy?storage?capacity?and?promote?the?sustainable?development?of?new?energy?power?generation.

Key?words：?storage?capacity?allocation，?new?energy?utilization?rate，?sparrow?optimization?algorithm，?recurrent?neural?network，?energy?storage?scheduling?strategy

中圖分類號：TM175????文獻標識碼：A

隨著新能源的快速發展和能源轉型的推進，風光互補系統已成為一種重要的能源供應方式。然而，由于風能和太陽能的不穩定性和間歇性特點，合理規劃儲能容量配置成為當前研究的熱點之一[1]。儲能系統可以平衡能源的供需差異、消納一定量的風能和太陽能[2]。在風光互補系統中，不合理的電池容量和調度會直接影響電池的疲勞程度，破壞電網運行的平衡和穩定狀態，并對新能源發電產業的可持續發展造成不利影響，從而降低經濟效益。因此，對儲能單元進行合理的容量分配和配置是確保其穩定輸出的關鍵。

本文通過優化儲能容量配置來提高新能源側的新能源利用率和運行可靠性[3]。結合電網平衡和穩定要求，以風光資源浪費所損失的成本和儲能投資成本之和作為目標函數。利用數學建模和SSA-RNN優化算法確定合理的儲能容量配置方案，并設計了儲能充放電策略，既能最大限度地減少電池的損耗和劣化[4]，又可以確保系統能夠滿足能量需求。

1新能源場站系統結構

在新能源側配置儲能是一種重要的策略，通過該策略可以實現各類能源與儲能之間的協調互補運行。通過合理規劃儲能的配置容量，可以有效地平衡風力發電和光伏發電的波動性和間歇性，從而實現新能源的穩定輸出。

儲能系統可以接收和儲存風力和光伏發電的多余能量，在負荷需求高峰或新能源出力低谷時釋放儲能，以平衡供需差異。這樣的配置策略可以提高新能源的并網能力，使其能夠更加穩定地注入電網，減少對傳統發電方式的依賴。

由于風力發電和光伏發電的波動性，部分新能源可能無法即時消納，導致能源浪費。通過配置適當容量的儲能系統，可以將多余的新能源儲存起來，并在需要時釋放出來，以滿足負荷需求。典型的風光儲系統如圖1所示。

如圖1所示，發電側包括風電機組和光伏機組，并且通過逆變器與電網相連接。當風光出力富余時，儲能電池可以充電并將多余的能量存儲起來。此外，儲能電池還可以作為負荷，從發電側吸收能量。這種配置可以實現能量的有效利用和調節。

2儲能容量配置模型

2.1目標函數

在風光儲系統的優化運行中，實現系統經濟和穩定運行是關鍵目標。通過合理配置儲能容量，可以實現風力和光伏發電的協調互補運行，最大化利用可再生能源并提高能源消納能力。我們可以將目標函數定義為最小化投資成本和資源浪費損失的利潤。則目標函數可如式表示：

式中：?Cps表示儲能系統的單位功率投資年均成本，Psn表示儲能系統的額定功率，Ces?表示儲能系統的單位容量投資年均成本，Esn表示儲能系統的額定容量，Cp表示新能源上網電價，Pct，i表示該年第i天t時刻的棄風棄光功率，表達式如式（2）所示：

式中：Pw，t為t時刻風電出力，Ppv，t為t時刻光伏出力，當風光出力有富余時，既包含各自向電網提供的功率，又包含為儲能系統充電的功率。Prw，t為t時刻風電實際可以發出的總功率，Prpv，t為t時刻光伏實際發出的總功率。

2.2約束條件

為保證系統的安全穩定運行，系統運行過程中需滿足如下約束條件。

1）風電和光伏發電的實際注入電網功率不能超過其發電量：

2）電力系統的供需平衡關系：

式中：Pstd為t時刻儲能放電功率，Pstc為t時刻儲能充電功率，Lt為調度指令，當儲能放電時，把它看作電源。

3）儲能充放電功率約束：

表示儲能充電功率和放電功率都不能超過其額定功率。

4）儲能充放電狀態約束：

表示儲能在同一時刻不能同時進行充電和放電。

5）為了限制儲能充放電深度提高儲能的壽命對儲能的荷電狀態SOC進行約束：

式中：SOCt可表式為：

ηc為儲能充電效率，ηd為儲能放電效率，Δt為間隔時間。

6）儲能系統每次循環初始狀態與最終狀態相等的約束：

3麻雀搜索算法優化循環神經網絡

使用麻雀搜索算法優化循環神經網絡求解非線性規劃問題可以充分利用循環神經網絡的非線性建模能力，并通過麻雀搜索算法的全局搜索、自適應性和多樣性等特點，提高求解的效率和質量。將麻雀算法與RNN結合可以采用以下具體過程：

數據準備：準備用于訓練RNN模型的時間序列數據。

初始化種群：使用SSA初始化一個種群，其中每個個體表示RNN模型的參數集合。

適應度評估：使用每個個體的參數集合訓練RNN模型，并評估其適應度。

更新種群：根據適應度值，使用SSA的選擇、交叉和變異等操作更新種群。

迭代優化：重復執行適應度評估和種群更新的步驟，直到達到停止條件。

最優解提取：選擇適應度最低的個體作為最優解，提取其對應的RNN模型參數。

4算例分析

本研究通過對某風光電站一年實際上網功率進行采集，利用上述算法進行儲能容量配置仿真分析。為了進行仿真分析，我們選擇了某典型日的24小時風光出力情況，具體可見圖2。

輸入該典型日的風光實際出力及電網調度指令，以及各項參數，采用麻雀搜索算法優化循環神經網絡的計算方法求解以上的非線性規劃問題，求得出最優的儲能額定功率PSn，ESn。以及典型日風光出力、在最佳儲能容量下24小時儲能充放電及棄風棄光量。

根據仿真分析結果，我們得出了最優的儲能容量配置解為1.5MW/4.5MWh。圖3展示了典型日的風光出力、調度要求出力以及在最佳儲能容量下的24小時充放電情況。

儲能的初始容量設為額定容量的50%。在風光發電能力不足的情況下，通過儲能系統的放電來補償其與調度命令之間的差額，從而使儲能電池的SOC降低，如果降低到SOCmin，則儲能系統停止放電。在風能和光能出力富余的情況下，為了減少風能、光能資源的浪費，儲能進行充電，使儲能電池的?SOC不斷增加，達到最大SOC后，儲能不再充電。典型日的棄風棄光量如圖4所示。

配置儲能后，相比較無儲能，棄風棄光量大大減少，并且起到了平衡供需的作用。每年可多向電網發出約229萬kWh的電量。若按1.08元/kWh的上網電價計算，一年仍然約獲得163萬元的凈利潤。

6、結論

針對新能源電站規模化儲能后，新能源電站如何和儲能進行配合，能夠最大化利用儲能的調節能力，獲得最大的收益，得到的主要結論包括建立的單目標儲能容量配置模型綜合考慮了由棄風棄光導致損失的經濟及對儲能每年消耗的投資的總金錢，并在約束條件中來使新能源和儲能相互配合后，提高新能源場站對電網的供需平衡能力。經過算例分析發現，最佳的儲能容量選擇方案相較于其他儲能裝置方案，更有效的減少了棄風棄光量。這一研究驗證了這種方法的有效性，同時顯示出它在經濟性領域有著良好的應用前景。

參考文獻

[1]張智剛，?康重慶，?碳中和目標下構建新型電力系統的挑戰與展望[J].?中國電機工程學報，?2022，?42（8）：?2806-2818．

[2]張寶鋒，?童博，?馮仰敏，?等.?電化學儲能在新能源發電側的應用分析[J].?熱力發電，?2020，?49（8）：?13-18.

[3]董昱，?范高鋒，?董存，?等.?電力系統配置儲能分析計算方法[J].?中國電力，?2022，?55（1）：?26-36．

[4]?繆家森，?成麗珉，?呂宏水.?基于PSO-ELM的儲能鋰電池荷電狀態估算[J].?電力工程技術，?2020，39（1）：?165-169，?199.

[5]楊曉雷，?徐建元，?陶歡，?等.?基于改進鯨魚算法的儲能系統優化配置研究[J].?浙江電力，?2021，?40（3）：?113-120.

[6]葉季蕾，?李斌，?張宇，?等.?基于全球能源互聯網典型特征的儲能需求及配置分析[J].?發電技術，?2021，?42（1）：?20-30.

[7]周鵬程，?邱鋒凱，?風電場中儲能電站應用場景及經濟效益分析[J].?山東電力技術，?2021，?48（2）：?11-16.

作者簡介：董志國（1978年-），?男，漢族，甘肅靖遠人，??碩士研究生，高級工程師，研究方向：電力企業管理及新能源消納利用技術