结合随机规划和序贯蒙特卡洛模拟的风电场储能优化配置方法

通过在风电场站内优化配置储能资源,可以有效平抑风力发电的出力波动,提高风电的并网消纳水平。结合多场景随机规划和序贯蒙特卡洛模拟方法,提出了考虑储能寿命折损的风电场站内储能优化配置方法。首先,利用考虑风电出力和负荷典型场景集的随机规划模型,求解风电场站内储能的初始配置方案。其次,利用自回归滑动平均模型模拟出风电场全年时序风速,利用序贯蒙特卡洛模拟出机组、线路工作状态时序,对配置初始储能方案的联合发电系统进行全年运行模拟。然后,基于运行模拟中储能的等效循环寿命和储能容量的收益投资比对储能初始配置方案进行修正。仿真结果表明,所提方法能够有效考虑风电场全年的出力变化,以及储能循环寿命折损的影响,获得合理的储能优化配置方案。

0 引言

储能资源不仅具有快速的功率调节能力,还可以实现能量在时间上的转移。因此,在风电场站内配置储能系统,能够有效平抑风力发电的出力波动,提高电网消纳风电的水平[1]。

目前,国内外学者对风电场储能配置的优化规划方法已取到了一些研究成果。文献[1-2]提出了一种鲁棒线性规划模型求解风电场站内储能优化配置问题,并采用风电功率的均值和波动区间上下限描述风电功率的随机性,将不确定性模型转化为确定性模型进行求解。文献[3]针对于风电场储能优化配置问题,提出了一种基于概率分布的鲁棒联合机会约束模型,并将其转化为确定性的线性矩阵不等式问题进行求解。文献[4]针对风电场站内混合储能系统的优化配置问题,提出了一种结合专家系统和改进遗传算法的求解方法。文献[5]采用粒子群算法对风电出力的预测误差进行了极大似然估计,并建立了含风电预测误差置信度约束的储能优化配置模型。文献[6]提出了一种考虑网架结构的储能配置双层优化模型,并采用改进帝国竞争算法求解所提模型。文献[7]建立了以最小化投资、运行总成本为目标函数的双层储能优化配置模型,并采用改进的粒子群算法进行求解。文献[8]利用短期神经网络模型建立了复合储能系统与风电功率平滑度之间的混合模型,并综合考虑复合储能系统的技术和经济性能,通过遗传算法求解复合储能系统的最佳组合方案。文献[9-10]针对输电系统中的储能优化配置问题,提出了考虑风电出力场景集的0-1混合整数线性规划模型,并采用Benders分解法进行求解。文献[11]提出了考虑典型日场景集的输电网与储能联合规划方法。文献[12-13]针对配电网与储能联合规划问题,提出了多场景非线性随机规划模型与求解方法。以上储能优化配置的研究方法主要是以鲁棒优化[1-3]、遗传算法[4-8]、随机规划[9-13]为基础。其中,鲁棒优化模型易于考虑不确定因素,但存在优化结果的鲁棒性和经济性难以协调的缺点。遗传算法等智能算法存在对大规模系统难以可靠获得高质量解的缺点。多场景随机规划模型一方面难以选取典型场景集,另一方面如果考虑大量的典型场景,模型复杂度又会急剧增加,难以求解。

基于运行模拟的储能优化配置方法,通过将规划与运行相结合的思路,能够在储能配置阶段充分考虑风电不确定性的影响[14-20]。文献[14]利用非参数核密度估计法对风电功率的预测误差进行置信区间估计,计算满足不同置信度要求的储能配置方案。文献[15]以我国沿海地区一个大型风电场的历史出力数据,研究了配置不同容量储能对风电出力波动的平抑效果。文献[16]以小时级的风电场群预测出力作为参考,对储能和机组的运行状态进行优化调控,实现了总弃风功率和切负荷率的最小化。文献[17]提出了含储能和风电不确定性的电力系统随机生产模拟方法。文献[18-19]采用动态的充放电控制区间,以全年风电实际出力与目标出力总偏差最小为目标,优化储能全年每个充放电区间的长度及区间内的充放电功率,以此计算储能的投资与系统收益之间的灵敏度关系。文献[20]建立了含储能的24 h最优潮流模型,并采用运行模拟分析了不同节点配置储能与成本之间的灵敏度,但该模型没有分析储能的容量和功率与成本之间的灵敏度。基于运行模拟的储能配置方法,通过将考虑多个随机场景的不确定性规划模型,转化为多个确定性模型求解,综合考虑各随机场景下决策变量与目标函数之间的灵敏度关系,求解方法简单。但以灵敏度分析为基础的运行模拟方法无法考虑连续决策变量的所有取值与目标函数之间的灵敏度关系。

与常规机组相对固定的使用寿命不同,储能的使用寿命与其放电深度密切相关。因此,在求解风电场储能最优配置方案时,考虑储能充放电次数以及充放电深度对储能寿命的影响非常必要[21-22]。文献[21]将考虑储能寿命成本的风储联合运行模型视为黑盒函数,采用网格自适应直接搜索算法求解满足风电场并网要求的储能最优配置容量。文献[22]采用雨流计数法将储能的寿命折损费用考虑到所提的风电场储能优化配置模型中,并采用粒子群算法求解。由于储能寿命的建模含离散的逻辑变量,因此难以直接在随机规划等数学优化模型中考虑。

本文结合多场景随机规划与基于序贯蒙特卡洛的运行模拟,提出一种考虑风电不确定性和储能寿命折损的储能优化配置方法。首先,利用考虑风电出力和负荷典型场景集的随机规划模型,求解风电场站配置储能的初始优化方案。其次,利用自回归滑动平均(auto-regressive moving average,ARMA)模型模拟出风电场全年时序风速,利用序贯蒙特卡洛模拟机组、线路工作状态时序,对初始储能配置方案进行日运行模拟,利用运行模拟中储能的能量变化曲线,计算储能100%充放电深度的等效循环次数,并以此对储能的初始配置方案进行修正。最后,利用运行模拟计算投建不同储能容量时的收益投资比,对储能的配置方案进一步修正。对修改的IEEE-RTS 24节点算例进行仿真,结果表明所提方法能够有效考虑风电场全年的随机出力场景,以及储能寿命折损的影响,可得到合理的储能配置方案。

1 风电场储能优化配置的模型与方法

1.1 风电场储能优化配置的多场景随机规划模型

本文选取春夏秋冬4个季节的典型日风电出力场景,以及工作日和非工作日2类典型日负荷曲线,形成风电场储能优化配置随机规划的典型场景集。建立多场景0-1混合整数线性规划模型,求得风电场储能功率和容量的初始配置方案[9-13]。

1.1.1 随机规划模型的目标函数

对于风电场储能优化配置问题,本文从社会效益最优的角度研究,随机规划模型以最小化储能投资与系统运行的综合成本为目标函数[23],包括：

1)储能投资成本;2)弃风惩罚成本;3)切负荷惩罚成本;4)常规机组发电成本。计算公式分别如下。

1)储能投资成本,等年值投资成本

式中：Cep、Cee分别为储能单位功率和单位容量的投资成本;PESS、EESS分别为储能的功率和容量配置决策变量;I为折现率;Yr为储能使用寿命年限。

2)弃风惩罚成本：

3)切负荷惩罚成本：

4)常规机组发电成本[24]：

1.1.2 随机规划模型的约束条件