風力發電與儲能聯合優化調度策略研究

摘 要：為了提升電力系統穩定性和可靠性、減少棄風電量，需要風力發電與儲能系統間能夠進行合理調度，因此，本文提出風力發電與儲能系統聯合運行的優化調度策略。首先，結合風儲一體化系統結構和運行特性，構建風儲聯合運行優化調度模型，并確定該模型的目標函數和約束條件。其次，改進螢火蟲算法并進行求解，獲取優化調度策略結果。最后，對該方法的應用效果進行分析，結果表明，風電上網功率和調度曲線間的匹配程度顯著提升，兩者間的差異較小，輸出功率差值均＜20 kW，棄風量＜68 MW·h，系統年收益顯著提升，最高為451.65萬元，應用效果較好。

關鍵詞：風力發電；儲能系統；聯合運行；優化調度策略" " "中圖分類號：TP 641" " " " " " " " " 文獻標志碼：A

1 風力發電與儲能系統聯合運行優化調度

1.1 風儲一體化系統結構和運行特性

在儲能電站與風電系統的集成過程中，靈活接入儲能電站能夠使電網管理具有良好的調控能力，兩者結合后可以形成風儲一體化系統。該系統采用高度智能化的平臺控制模式，能夠顯著提升操作便捷性與靈活性[1]。該平臺控制模式的核心優勢是其能夠根據電網的功率波動情況，動態調整儲能系統的介入深度和響應速度，從而有效平衡風電的間歇性與電網穩定性間的矛盾[2]。該智能化的調控策略不僅能夠優化儲能資源的使用效率，而且能夠增強整個風儲一體化系統對電網的支撐作用。風儲一體化系統結構如圖1所示。

風儲一體化系統主要包括風力發電場、儲能系統和控制中心等多個部分。控制中心能夠根據系統的歷史運行數據，進行風電與儲能間的無縫銜接與高效協同，并且完成系統的自主調度[3]。在該模式下，系統能夠實時分析電網的功率需求和風電的出力狀況，精準制定儲能電站的充、放電計劃，實現電網穩定運行與風電最大化利用。

在運行過程中，該系統的控制中心與發電廠、儲能系統和輸電線路直接連接，能夠實時獲取上述部分的運行數據，該數據包括發電成功率數據、并網功率以及儲能系統的運行數據等。風儲一體化系統在運行過程中需要滿足功率標準。設風力發電廠的并網功率為Ps（t），如公式（1）所示。

式中：Pw（t）和Pe（t）分別為t時刻下風力發電場的輸出功率和儲能系統功率。

當Pe（t）gt;0時，儲能系統進行充電；當Pe（t）lt;0時，儲能系統進行放電。儲能系統是風儲一體化系統中的關鍵組成部分，其儲能能量變化需要滿足運行標準，如公式（2）所示。

式中：Ee（t+1）和Ee（t）分別為（t+1）時刻和t時刻下儲能系統的能量；ΔT為采樣時間。

在實際運行中，需要實時監測和計算公式（1）和公式（2）來調整儲能系統的充、放電策略。例如，當檢測到風力發電場輸出功率大于當前電網需求時，根據公式（1）可以得知儲能系統需要充電，以儲存多余的能量。反之，當風電場輸出功率小于電網需求時，儲能系統將根據公式（2）進行放電，以補充電網功率的不足。這種動態調整能夠保證電網穩定運行。

1.2 風儲聯合運行優化調度模型構建

1.2.1 優化調度目標函數確定

基于上文分析的風儲一體化系統的結構和運行功率特性，構建風儲聯合運行優化調度模型。該模型綜合考慮風儲聯合運行優化調度的需求，從運行成本、能源利用和調度效果3個方面考慮，設計相應的目標函數，分別為系統收益最大化maxfc、最大出力結果和調度匹配程度maxfs、最小輸出功率差值minfp、最小棄風量minfo，4個目標函數如公式（3）～公式（6）所示。

式中：c1為風儲系統發電收益；c2為儲能參與輔助市場調頻服務收益；c3為儲能投資年等效值；c4為儲能系統運維成本；c5為儲能設備殘值年等效值；c6為風儲系統懲罰成本；T為調度周期；Pg（t）為調度曲線功率；Pa（t）為風儲系統的總上網功率；ΔPe（t）和ΔPe（t-1）分別為儲能系統在t和（t-1）時刻下的功率波動；N為風電場的數目；n為風電場的數目；ξk為風電場減載比例；ξk（t）為t時刻下的風電場減載比例；Pw（t）為t時刻下風力發電場的輸出功率；ΔPw（t）為風電場在被動情況下發生的棄風功率；Δt為時間間隔。

在構建優化調度模型過程中，應用公式（3）～公式（6）所示的目標函數，需要以下2個步驟。1） 收集歷史運行數據，包括風電場的輸出功率、儲能系統的充、放電記錄以及電網的負載需求。2） 利用這些數據計算目標函數中的各項參數，例如系統收益、成本和棄風量。

為使系統收益最大化并使棄風量最小化，采用優化算法對目標函數進行求解，以找到最佳的調度策略。例如，調整儲能系統的充、放電計劃可以減少棄風量，并參與輔助市場調頻服務，以增加系統收益。

1.2.2 約束條件

確定風儲聯合運行優化調度目標函數后，結合實際調度情況和需求，設定相應的約束條件。

1.2.2.1 儲能系統充放電約束條件

風能是一種間歇性能源，其輸出功率具有隨機性和波動性，設定合理的充、放電約束，可以使儲能系統在風電富余情況下充電，儲存多余的風電，從而減少清潔能源的浪費[4]，并且有助于緩解電網的調峰壓力，提高電網的調節靈活性。該約束條件分別如公式（7）、公式（8）所示。

式中：Sc（t）為剩余電量；Smax為剩余電量上限；Smin為剩余電量下限；和分別為充、放電狀態標識；為充電功率；κ為自放電率；S（t-1）為時刻（t-1）下的剩余電量；χ（t）為充過放能力；和分別為額定充電和放電功率；和分別為充、放電效率。

公式（7）、公式（8）能夠保證儲能系統的電量在安全范圍內波動，防止過充和過放，實時監測儲能系統的剩余電量，并根據約束條件調整其充、放電狀態。

1.2.2.2 儲能系統充電功率約束條件

在風力發電與儲能系統聯合運行優化調度過程中，為避免過充現象的發生，需要對充電功率進行限制，以避免大功率充電可能帶來的電網波動和儲能設備內部應力過大的問題，有助于平抑風電出力的波動性，提高整個風儲聯合系統的穩定性和可靠性。該約束條件如公式（9）所示。

式中：Pq（t）為其他發電機出力；Pl（t）為負荷。

公式（9）限制了儲能系統的充電功率，以避免對電網造成沖擊。在實際操作中，比較其他發電機出力和負荷，可以保證儲能系統的充電功率不超過預設的限制。

1.2.2.3 風電場上網約束條件

設定風電上網的上、下限值，并結合儲能系統的調節能力，能夠盡可能多地消納風電，減少由風電出力波動導致的棄風現象，進而提高風電利用率。設為風電實際出力，該約束條件如公式（10）所示。

式中：Pr（t）為風電場t時段的上網功率；Prmax為Pr（t）的最大值。

公式（10）設定了風電場上網功率的上、下限，并結合儲能系統的調節能力，能夠最大限度地消納風電，減少棄風現象。

1.2.2.4 安全約束條件

限制網絡線路上的傳輸功率不超過其最大值，并設定負載率約束，以保護線路不受過載影響，防止由線路過熱或損壞導致的停電事故。安全約束條件如公式（11）所示。

式中：Pm（t）為線路傳輸功率；Pmmax為線路傳輸功率上限；Pmmin為線路傳輸功率下限。

公式（11）能夠保護電網線路不受過載影響，實時監測線路傳輸功率可以保證線路傳輸功率不超過最大值，使電網安全運行。

1.3 目標函數求解

在確定好風儲聯合運行優化調度目標函數和約束條件后，進行目標函數求解。為保證求解效果，使調度策略滿足多個目標函數，本文采用改進的螢火蟲算法進行目標函數求解。該算法是在傳統螢火蟲算法的基礎上，結合均方根傳遞理念，將學習速率引入算法中，以此調整算法的收斂速度，并對移動記憶進行一次指數平滑，提升算法的自適應能力，保證其能更平穩地完成最優解搜索。

在改進螢火蟲算法求解過程中，每個螢火中均對應1個候選解，即每個螢火蟲代表1個可能的調度方案，求解步驟如下所示。

1.3.1 初始化

設定初始學習率為ω0，并為每個螢火蟲分配1個隨機位置（這些位置基于歷史數據和預設的參數），代表1個初始調度方案。

1.3.2 迭代求解

在每次迭代中，使用公式（12）來計算任意2個螢火蟲間的移動距離，它代表2個調度方案間的差異。公式中的吸引力A0由公式（13）確定，它基于螢火蟲間的距離和各自的亮度。任意2個可能的xi和xj在（τ+1）次迭代下的移動距離diτ+1如公式（12）所示，螢火蟲移動記憶的一次平滑指數μiτ+1如公式（13）所示。

式中：A0為吸引力，基于螢火蟲間的距離和各自的亮度；?為滿足高斯分布的矢量；d2ij為調度方案xi和xj間的距離；xjτ、xiτ分別為第t次迭代中螢火蟲i和j的位置向量；ε為步長因子；μiτ+1為螢火蟲移動記憶的一次平滑指數；wτ為τ次迭代過程中的平滑參數；μiτ為在第τ次迭代中螢火蟲i的移動記憶。

1.3.3 更新位置調度方案

根據公式（14）更新每個螢火蟲的位置，即調整調度方案。步長因子和吸引系數決定了螢火蟲移動的速度和方向，移動記憶的一次指數平滑xiτ+1有效保證了算法的穩定性和自適應能力，xiτ+1如公式（14）所示。

1.3.4 動態調整學習率

在迭代過程中，根據種群的平均適應度和最優解的變化情況動態調整學習率。該步驟能夠保證算法能夠快速收斂到最優解和求解過程的準確性。

1.3.5 停止條件

持續進行迭代，直到達到預定的迭代次數或其他停止條件，例如當最優解的變化小于某個閾值時。

1.3.6 輸出最優解

迭代結束后，找到亮度最高的螢火蟲，它代表了最優調度方案。評估該方案對應的目標函數值，并輸出最優調度方案。

2 結果分析

為驗證本文方法在風力發電與儲能聯合運行優化調度中地應用效果，本文以改進的IEEE30節點系統為例進行相關測試。該系統中共計接入4座風電場和1個儲能系統。

改進的IEEE30節點系統結構包括4座風電場和1個儲能系統。每個風電場由320臺機組組成，總額定容量為475 MW。

儲能系統具有400 MW·h的容量，最大充、放電功率為50 MW，充、放電效率為95%。該系統采用改進的IEEE30節點模型進行測試，以驗證本文提出的優化調度策略的有效性。系統中的各部分相互連接和協作，儲能系統利用充、放電來調節風電輸出，以實現系統穩定運行和風電最大化利用。

為驗證本文方法對風力發電與儲能聯合運行優化調度的效果，本文測試了調度曲線和風電上網功率間的匹配程度，調度前、后的匹配結果如圖2所示。

由圖2可知，進行優化調度前，風電上網功率和調度曲線間的匹配程度較低，兩者間的差異較大。應用本文方法進行調度優化后，風電上網功率和調度曲線間的匹配程度顯著提升，兩者間的差異較小。因此，本文方法具有較好的優化調度效果。

為進一步測試本文方法的優化調度效果，本文以輸出功率差值、棄風量為例，測試優化調度前、后在不同運行時序下的輸出功率差值、棄風量，見表1。

由表1可知，應用本文方法進行優化調度后，風力發電與儲能輸出功率差值、棄風量均顯著降低，其中輸出功率差值均＜20 kW，棄風量＜68 MW·h。該結果顯著優于優化調度前的結果。因此，本文方法能夠滿足風力發電與儲能聯合運行優化調度的需求。

3 結論

風力發電與儲能聯合運行優化調度是提升電力系統穩定性和可靠性、優化電力市場運營、提高調峰能力、減少棄風電量以及促進可再生能源消納/節能減排的有效途徑。因此，本文結合風儲聯合運行的特點，提出相應的聯合運行優化調度方案，并對方案的應用效果進行相關分析，確定所提策略能夠滿足調度需求，并能提高系統的智能化和自動化水平。

參考文獻

[1]張榮權，李剛強，卜思齊，等.基于自適應學習率螢火蟲算法的多能源系統聯合優化調度[J].綜合智慧能源，2022，44（7）：49-57.

[2]陸秋瑜，楊銀國，謝平平，等.風電場集群租賃共享儲能兩階段優化運行策略[J].電網技術，2024，48（3）：1146-1165.

[3]李艷梅，任恒君，張致遠，等.考慮儲能系統調度與風電消納的峰谷分時電價優化模型研究[J].電網技術，2022，46（11）：4141-4149.

[4]許志軍，臧鵬程，白格平，等.考慮風儲聯合運行系統經濟性的儲能配置優化[J].內蒙古電力技術，2022，40（4）：47-53.