新能源接入下電力系統儲能容量自適應規劃方法

劉莉莉

（中國能源建設集團遼寧電力勘測設計院有限公司，遼寧 沈陽 110179）

0 引 言

隨著新能源技術的快速發展，新能源的接入規模不斷擴大，導致電力系統運行方式和結構發生深刻變化。這種變化帶來了一些新的問題，如電力系統的穩定性、安全性和經濟性等有所下降。其中最為突出的是新能源發電的不穩定性和間歇性，對電力系統的影響最為嚴重。為解決這些問題，需要研究新能源接入下電力系統儲能容量的規劃方法。目前，國內外學者已經提出了一些方法來規劃電力系統儲能容量。文獻[1]基于山體重力儲能的形式，構建了一種以儲能成本最小為目標的容量規劃模型，以規劃風光儲聯合發電系統的儲能容量。文獻[2]以儲能凈收益總和最大化為目標，進行梯次電池儲能容量的配置，以延長儲能壽命。但這些方法仍存在一些問題，如計算復雜度高、規劃時間長或無法適應系統運行狀態的變化等。基于此，文章提出一種新能源接入下電力系統儲能容量自適應規劃方法，以適應系統運行狀態的變化，提高儲能容量的利用率和系統穩定性。

1 構建新能源接入下電力系統儲能容量規劃模型

由于風力、光伏等新能源大規模并網時具有波動與隨機性，嚴重影響儲能裝置運行的穩定性，需要通過儲能容量規劃來抑制新能源負荷的波動[3]。現有的新能源接入下電力系統儲能容量規劃方法具有計算復雜度高、無法適應電力系統運行變化等問題，應用效果較差，因此文章提出一種新能源接入下電力系統儲能容量自適應規劃方法。簡單來說，儲能容量的自適應規劃就是利用強化學習算法的函數近似結構來處理儲能容量規劃過程中遇到的復雜動態變化問題，避免求解復雜的微分方程，以提高儲能容量規劃的效率和適應性[4]。因此，需要構建一個儲能容量規劃模型，并選取適當的目標函數和約束條件，文章主要以儲能的出力滿足度和儲能的更換次數最優為目標函數。新能源接入下電力系統儲能出力滿足度是儲能實際出力達到預期出力的時間比，表達式為

式中：η表示新能源接入下電力系統儲能的出力滿足度；δi,t表示儲能在t時刻第i種天氣類別下實際出力值是否達到預期出力值的判別系數，δi,t=0 表示實際出力值未達到預期出力值，δi,t=1 表示實際出力值達到預期出力值；N表示新能源接入下電力系統運行過程中所遇天氣類別的總數；M表示新能源接入下電力系統運行過程中儲能出力的總時長；T表示儲能的日均出力時長。儲能更換次數指新能源接入下電力系統儲能模塊達到使用壽命時進行更換的次數，計算公式為

式中：μ表示新能源接入下電力系統儲能模塊的更換頻次；qi表示第i種天氣類別下電力系統儲能模塊的整體儲電量；y表示新能源接入下電力系統的運行年限；pi表示第i種天氣類別下新更換的儲能模塊使用壽命；H表示新能源接入下電力系統儲能模塊的放電深度；L表示儲能在整個生命周期內循環使用的容量；C表示儲能在整個生命周期內循環使用的次數。綜合式（1）與式（2），構建新能源接入下電力系統儲能容量規劃模型，即

式中：f表示新能源接入下電力系統儲能容量規劃模型。已知新能源接入下電力系統主要由新能源模塊、電能轉換器模塊和混合儲能模塊組成，因此在電力系統運行過程中，存在能量平衡關系，即

式中：P0表示新能源接入下電力系統儲能模塊的充放電功率；P1表示儲能模塊中超級電容的充放電功率；P2表示儲能模塊中蓄電池的充放電功率；P3表示新能源接入下電力系統中儲能模塊與新能源模塊的輸出功率總和；P4表示新能源接入下電力系統中新能源模塊輸出功率。根據式（1），在新能源接入下的電力系統正常運行過程中，儲能模塊的輸出功率是影響系統充放電能力的重要因素[5]。因此，要想對電力系統儲能容量進行自適應規劃，就需要將儲能模塊的輸出功率作為儲能容量規劃模型的約束條件，表達式為

式中：Qn表示新能源接入下電力系統中第n個儲能的充放電功率；Qnmax表示新能源接入下電力系統中第n個儲能的最高功率。

文章基于新能源接入下電力系統儲能規劃的實時性與復雜性等特征，構建了一個多目標約束的儲能容量規劃模型，以得到儲能規劃的最優策略。

2 基于深度強化學習算法求解模型

通過構建自適應規劃模型，優化算法，有助于提高電力系統的供電可靠性和穩定性。文章構建的新能源接入下電力系統儲能容量規劃模型是一個由多目標函數組成的優化模型，且儲能容量的規劃過程是一個較為復雜的動態過程，如果采用常規算法求解模型，不僅難以保障模型的求解精度，而且求解速度極慢，因此文章采用基于深度強化學習（Deep Reinforcement Learning，DRL）算法來求解儲能容量規劃模型[6-7]。由于新能源發電和電力負荷等因素具有動態性和不確定性，因此儲能容量規劃模型要能夠自適應地應對各種變化。深度強化學習算法通過大量的數據訓練和學習，能夠提取系統內在的特征和規律，從而有效應對不同場景的變化。DRL 是深度學習與強化學習的結合，兼具強大的感知能力與決策能力，在復雜問題求解中具有優越的自適應性，因此文章通過DRL 算法來求解新能源接入下電力系統儲能容量規劃模型。首先，將文章構建的新能源接入下電力系統儲能容量規劃模型轉化為馬爾可夫決策過程。該過程是DRL 算法實現迭代的關鍵，不僅與電力系統儲能當前狀態有關，還關系著儲能的下一個狀態。其次，對DRL 算法的迭代次數、離散時間間隙、狀態等參數進行初始化設置，計算回報值，以推動電力系統儲能規劃的馬爾可夫決策過程達到下一狀態，得到規劃的序列軌跡，并將其存儲在經驗池中用于下次迭代使用。最后，綜合考慮DRL算法折扣因子的未來回報值，確定收斂是否結束，公式為

式中：B表示未來狀態回報值；τ表示當前狀態回報值；α表示動作變量；σ表示折扣因子；W(β)表示期望，β表示狀態變量。在利用DRL 算法求解新能源接入下電力系統儲能容量規劃模型時，如果馬爾可夫決策結果收斂到最小回報值，則可以結束算法，并將當前結果作為最優方案輸出。

新能源接入電力系統儲能容量規劃是一個多階段動態決策優化的過程。為避免發生維數災等問題，文章采用具有函數近似結構的DRL 算法對模型進行求解。該算法通過在迭代過程中逐漸逼近最優控制解，實現對儲能容量的動態規劃，并提高了新能源接入電力系統儲能容量規劃的自適應性。

3 電力系統儲能容量自適應規劃方法發展方向

未來的研究中，將結合文章設計內容，基于歷史數據、季節性變化、天氣情況以及社會經濟因素等進行綜合分析，捕捉電力需求的短期和長期波動規律。利用大數據分析技術建立更精確的電力需求預測模型，并引入機器學習提高預測模型的準確性和實時性，提高電力需求變化趨勢預測效果，為儲能容量的規劃提供有力的數據支持。由于不同種類的儲能設備（如鋰電池、液流電池、飛輪儲能等）具有不同能量密度、功率密度、充放電效率以及循環壽命等特點，因此在選擇儲能設備時，應根據電力系統的實際需求進行性能匹配。對于快速響應場合，選擇功率密度較高的儲能設備；對于長時間儲能場合，選擇能量密度較高的儲能設備。此外，還需要考慮儲能設備的成本、安全性、環保性等因素，進行綜合評估和優化。

4 結 論

文章提出的新能源接入下電力系統儲能容量自適應規劃方法具有顯著的實用價值和發展潛力。通過建立目標函數、引入深度強化學習算法，并根據實際情況自動調整儲能容量，使電力系統實現儲能的均衡充放電，提高了系統的可靠性和穩定性。該方法的應用解決了電力系統中新能源的波動性與隨機性帶來的問題，優化了儲能系統的運行效果。實驗證實，采用該方法進行電力系統儲能容量規劃時，能夠有效降低儲能容量的波動率，在確保儲能壽命的前提下，提高儲能系統的使用效率。同時，該方法能夠適應新能源接入的變化條件，為電力系統提供了更強的適應性和可持續發展的能力。未來，研究者要考慮更多因素對儲能容量進行調整，如電力需求的波動性、儲能設備的性能匹配等，以提高儲能容量規劃的精確性和適應性。