电力市场环境下新能源产业园储能优化控制策略研究

吉 斌 谭建成 曾雪彤



电力市场环境下新能源产业园储能优化控制策略研究

吉 斌 谭建成 曾雪彤

（广西电力系统最优化与节能技术重点实验室（广西大学），南宁 530004）

本文研究电力市场环境下新能源产业园储能系统的优化控制策略。根据超短期风光发电预测，选择产业园工业负荷的日运行方式；利用产业园储能系统与趸售电力市场的交互，补偿产业园综合不平衡电量，在分时电价激励下，参与电网削峰填谷。建立了产业园储能系统电力市场环境的非线性数学规划模型，编制了Matlab程序进行求解。通过对3种典型案例的分析，验证了所提储能控制策略的可行性，讨论了风光预测不确定性的实时电力市场应对方案，通过储能的优化控制，实现了电力市场环境下新能源产业园与电网的无缝连接、调度及间歇性可再生能源的异地消纳。

储能系统；最优控制；日前电力市场；产业园微电网；虚拟同步机

能源是人类社会生产生活的基础，是社会发展的保障。近年来，随着化石能源消耗的增长，因化石能源而引发的生态、气候、国家安全问题也日益显著，备受世界各国关注。目前关于能源主要存在以下问题：①化石能源发电带来的环境问题日趋突出，而人类对能源的需求却日益增大，因化石能源而引发的世界范围的社会安全问题也日益增多；②使用化石能源而导致的雾霾，已严重影响我国北方工业政治中心的发展，绿色低碳已成为未来能源的发展趋势；③风起云涌的风、光可再生能源的快速发展，对电网的调度优化提出了严峻的挑战，严重弃风弃光现象的发生，已成为可再生能源消纳必须解决的问题[1]。

传统日前调度为确定性发电机组的非凸混合整数非线性规划优化问题，以系统总运行费用最小为目标，满足功率平衡、电压安全，机组起停、爬坡及有功、无功上下限等约束条件。含风光不确定性能源的日前调度主要采用：①不确定规划法，利用Monte Carlo模拟、机会约束规划、相关机会规划等技术进行求解[2-3]。当采样规模足够大时可获得满意的计算精度，但计算量过大；②引入电力不足概率、电量不足期望值、负荷不足期望指标、系统失负荷等风险指标的随机优化问题，通常无法直接采用随机变量的分布函数进行求解[4]，往往将其进行离散化处理，演绎成具有有限个情景的概率问题；③多案例方法[5]，根据概率分布，对风光发电样本抽样形成多个离散运行案例，并对单个案例进行分别寻优的优化方法。多案例调度中案例的生成多采用不确定变量概率分布的蒙特卡罗法、拉丁超立方抽样法等，样本集规模庞大。以上求解方法虽考虑了风光新能源的随机性、不确定性，但究其实质还是将不确定的风光发电转化为允许风险下的拟常规机组的调度方式。

随着储能技术的发展，储能已成为提升能源互联网灵活性、安全性、稳定性，提高可再生能源消纳的关键技术之一[6]。应用储能平抑风电波动，已有大量学者进行了相关研究[7-8,15]。文献[9]研究储能系统用于提高风电接入的规划和运行综合优化模型，构建了多源并存的风-火-水-储-气联合优化调度模型。文献[10]进一步研究含大规模储能的火电储协调调度模型，提出了基于双层规划和机会约束目标规划结合求解方法。文献[11]给出了储能在主动配电网的容量配置方案。综合分析以上文献，储能多用于平滑风电出力曲线，其在系统中的作用并不明确。如能针对系统平衡电量（负荷与风光出力之差）曲线进行补偿，可有效地降低电网调节难度。文献[12]建立电力市场环境下发电侧、供电侧、大规模储能系统及用户响应的实时电价动态博弈联动模型，指出大规模储能电站的设置，可降低负荷峰谷差及各时段的电价差；需求侧大规模电池储能是解决电源、电网建设瓶颈及消纳新能源发电的理想途径。文献[13]提出了基于模型预测控制的风/储集成发电系统的滚动调控策略，并将预测值作为调度指令，通过功率调节单元内的控制策略计算出合理的储能充放电功率，以补偿调度指令和风场实际输出的差值，实现风/储集成系统跟踪调度指令的能力。

随着现场实测的风光物理预测技术的发展，风光发电的在线预测精度正稳步提高。未来7天144h的短期功率预测精度已达90%左右，超短期预测误差可小于2.5%[14]。相比于不确定规划法、机会规划法，在线风光功率预测的调度规划将进一步提高系统的安全性及可靠性。规模化储能也将作为新能源并网消纳的明星技术之一，正向商业化模式发展[15-16]。

随着新能源占比的提高，100%新能源的本地消纳模式将成为间歇性可再生能源消纳的发展趋势。常规确定性可调机组的调度策略及其改进算法无法胜任完全不可调度的风光新能源的本地消纳模式的优化与调度，从而本文提出一种电力市场环境下产业园储能系统的优化控制策略。不同于常规确定性机组的调度优化，而采用风光发电预测驱动负荷运行的机制。根据超短期风光发电预测，选择产业园工业负荷的日运行方式；利用产业园储能系统与趸售电力市场的交互，补偿产业园综合不平衡电量，并参与电网的削峰填谷，从而实现产业园供需平衡、安全稳定运行及间歇性可再生能源的本地消纳。本文简单介绍了新能源产业园的源网荷构架，产业园的储能配置及优化控制策略。建立了产业园储能系统电力市场环境下的数学规划模型，编制了Matlab程序进行求解。对3种典型案例的分析，验证了该机制的可行性。

1 新能源产业园的配网架构

新能源产业园采用±20kV柔直电网，由4条±20kV直流线路、两个柔性直流换流站、两个DC/DC变换站组成。主要负荷为3组6MW工业负荷，及为其提供辅助服务的可中断负荷。电能的供应主要由本区域的风力发电厂、光伏发电站供给。产业园基地安装有12.5MW×4h储能电池单元，应急发电机等设备。新能源产业园通过单点接入主电网，参与趸售电力市场的实时交易。

1.1 风力发电厂

风力发电厂由10台2.5MW、GW121-2500直驱永磁发电机组成，共25MW。单机额定风速为9.3m/s，额定功率为2500kW。机组切入风速为3m/s，10min平均切出风速为22m/s，3s可承受最大风速为52.5m/s。

图1 新能源产业园配网结构图

1.2 光伏电站

新能源产业园的光伏电站额定发电容量为10MW。新能源产业园的光伏发电单元的主接线采用单母分段结构，接入母线5，经DC/DC双向隔离变压后由母线3接入±20kV柔性直流电网为产业园负荷供电。

1.3 储能系统

产业园的储能系统采用能量密度功率密度优越的超级电容电池（super-capacitor energy storage system, SESS）模型，具有超级电容及电池储能的综合优势，功率密度高、充放电速度快，循环使用寿命长等优点。

储能系统的充放电控制电路如图4所示。当S1关断，S2以给定占空比通断时，超级电容电池以给定速度向系统释放能量（放电控制）；反之，当S2关断，S1以给定占空比通断时，超级电容电池以给定速度吸收来自系统的能量（充电控制）。设SOCmin为储能系统的禁放电量，SOCmax为储能系统的禁充电量，则储能系统禁充电量可定义为其额定容量，禁放电量可按需进行配置。

图2 超级电容电池储能系统

1.4 产业园与电网的交互

新能源产业园经并网点PCC与交流电网相联，参与趸售电力市场交易、获取所需的相关辅助服务。PCC点柔性换流器采用虚拟同步机控制策略，具有同步发电机、同步电动机运行模式。当产业园售出盈余电量时，PCC柔性换流器运行于同步发电机控制模式；在买入系统电量时，切换至同步电动机模式。柔性换流器还具有独立的有功、无功、交流电压、直流电压控制功能，可独立控制PCC交流母线电压、有功无功输出，执行调度下达的调频调压指令。

2 新能源产业园源荷综合平衡

2.1 风光发电预测

风光发电预测可分为物理预测及统计预测两大类[17]。基于统计的预测根据历史数据，对未来某时段的非水可再生能源发电进行预测，适用于中长期规划。基于物理的预测方法，接收多方实时数字天气预报信息，结合风光发电站测光塔和测风塔现场实测数据（如风速、风向、光照强度、光照角度、湿度、温度等因素），考虑风光发电厂周围地理环境，采用风光发电设备厂家提供的出力曲线进行预测。风光可再生能源发电集合预报含预测值，及给定置信水平下的预区间[预测上限max，预测下限min]，如图3所示。

图3 基于物理方法的新能源发电集合预测系统

图4为某风电场采用物理集合预测技术的7天144h预测值。分别对应置信水平2.5%和97.5%，构成置信水平区间为95%的风电预测出力上下界。

图4 风电出力144h的预测图

考虑光伏出力时，某新能源基地7天144h的风光综合出力预测值如图5所示。基于物理方法的短期或超短期集合预测，采用实时运行时间尺度，对负荷与新能源出力的预测相对更加准确。

图5 风光出力144h预测图

设时段时风电场、光伏电站预测出力分别为wind、pv对应时段时的预测电能输出wind和pv为

2.2 产业园运行方式及综合平衡

对于工业负荷的运行方式可根据需要进行调整。以某小型电解铝产业园为例，一条生产线由多个电解槽串联组成，具有电解及保温两种状态。生产线运行于电解状态时，具有低电压大电流大功率的特性；处于保温状态时，不电解，消耗的功率仅为维持电解槽连续工作所需温度的电量；电解槽保温状态可持续数小时然后恢复电解，一般为5～8h不等，依生产线设备的不同而不同。

设产业园总负荷为L按电力供应情况及生产线可能的安排方式，已拟定种常用的运行方式。设运行方式，其对应的预测负荷为L()，其中=1, …,，则产业园负荷以运行方式在[0,]时段运行时消耗的电能为

设运行方式1和n对应三组3×6MW工业负荷全天候24h投入、退出的运行方式；运行方式k为二组2×6MW全天候24h投入的运行方式；运行方式j在0∶00—16∶00时段，三组工业负荷全部投运，在16∶00—24∶00时段，一组工业负荷退出运行。图6为给定1、k、j运行方式的负荷预测。

产业园孤岛运行时，通过储能系统充放电过程的优化控制，补偿产业园在给定日前24h各时段的综合平衡电量，实现产业园孤岛运行时供需平衡。产业园联网运行时，根据产业园风光发电预测，调整产业园工业负荷运行方式，储能系统在补偿产业园综合平衡的同时，参与电力市场交易，获取产业园安全稳定运行所需的辅助服务，在实时电价激励下，还可参与电网削峰填谷，其数学模型如第3部分所述。

3 储能参与日前电力市场的数学模型

接入产业园的风光可再生能源，其边际发电成本接近零边际成本价，通过优惠电价与产业园工业企业达成大用户直购电协议，激励地区工业的发展。产业园微网运维商利用产业园储能配置容量，结合产业园运行方式优化，通过虚拟同步发电机控制，参与趸售电力市场博弈。有电力需求时，产业园作为买方从趸售电力市场购电，有剩余电量时作为卖方向趸售电力市场输出剩余电能，从而实现间歇性可再生能源的本地消纳和供需平衡，并通过趸售电力市场，将盈余电量送至远方异地消纳。

产业园参与趸售电力市场有售电、购电模式。当综合平衡电量为负时，产业园为趸售电力市场的用户，即购电者；当综合平衡电量为正时，向趸售电力市场输出盈余电量。设储能系统充放电过程以给定速度匀速进行，输出稳定功率，D()为储能系统在时刻的充（放）电量，可表示为

当D()＞0，储能系统放电。储能系统总荷电量SOC()较SOC(-1)减少D()。当D()＜0，储能系统充电，储能系统总荷电量SOC()较SOC(-1)增加|D()|。单位时间的充放电量|D()|受充放电匀速的限制。设储能系统在单位时间最大放电量为1，最大充电量为2。在时段[-1,]，储能系统充电，可表示为

在时段[-1,]，储能系统放电，其放电量可表示为

设产业园电力盈余向电网售出电量时，trade()为正，反之为负。产业园交易电量trade()与时段产业园的综合平衡电量E()、储能系统荷电状态SOC(1)和SOC()有关，可用下式表示：

设()为产业园在日前电力市场[-1]时段的交易电价，在该时段的期望收益为

产业园在平衡本体综合不平衡电量的同时，参与电力市场博弈，在实时电价激励下参与电网削峰填谷的目标函数等式约束、不等约束可分别表示为

等式约束为

不等约束为

式中，trade(t)为产业园时刻在趸售电力市场的交易电量；()为时刻产业园的日前电力市场电价；H()为时刻产业园综合平衡电量；D()为储能系统时刻的充（放）电量；SOC()为储能系统时刻电量；SOC(-1)为储能系统(-1)时刻电量；pv()为时刻光伏发电预测量；wind()为时刻风力发电预测量；load()为时刻产业园预测负荷电量；SOCmin为储能系统的禁放电量；SOCmax为储能系统禁充电电量；pccmin为PCC母线最低电压限制；pccmax为PCC母线最高电压限制。

4 案例分析

为验证本文提出的储能系统优化控制策略，首先需要对产业园的风光进行在线发电预测，结合预测结果匹配相应的电解铝运行方式，利用Matlab软件根据约束式（4）至式（13）进行编程确定产业园储能系统参与趸售电力市场的时间和交易电量。本文通过对产业园给定的3种综合不平衡电量案例进行综合分析，论证本方案的可行性。

4.1 案例1

风光发电预测见表1。应用式（5）得产业园运行方式1综合平衡电量最小，该运行方式三组电解铝负荷全开，其24h风光、发电预测、负荷用电及综合平衡电量、相关电价见表1。

表1 产业园综合平衡1

（续）

时段光伏/ MWh风电/ MWh运行方式1/ MW综合平衡/ MWh日前电价/ (元/MWh) 12∶009.117.025.01.1300 13∶009.317.025.01.3300 14∶009.517.024.02.5300 15∶008.817.023.02.8300 16∶008.217.023.02.2300 17∶006.517.024.0-0.5450 18∶005.620.025.00.6450 19∶003.920.025.0-1.1450 20∶001.820.025.0-3.2450 21∶000.119.024.0-4.9450 22∶00019.023.0-4.0300 23∶00019.020.0-1.0300 24∶00019.020.0-1.0300

由图7（a）可见，产业园24h不平衡电量波动幅度较小时，利用储能容量参与实时电力市场，根据储能充放电约束和市场价格变化编制Matlab程序，确定储能系统在1∶00—5∶00和9∶00—15∶30时段参与实时电力市场购电，对应趸售电力市场电力供大于求的时段；其他时段储能参与售电，获得利益。

图7 产业园综合平衡1

由图7（b）可知，趸售电力市场电高峰时段 [6∶00—9∶00]，[16∶00—21∶00]电价高，根据Matlab求解结果确定产业园向电力市场售出盈余电能的时刻和电量，此时产业园运行于虚拟同步发电机模式，向外电网供电；在趸售电力市场“低谷”时，产业园运行于虚拟同步电动机模式，根据Matlab计算的结果确定低价“吸纳”主电网多余电能的电量和时刻，用于生产和储存，参与电价激励下的主电网削峰填谷运行。观察图7（b）可知，时段[1∶00—4∶00]为“低谷”时段，分时电价出现负值，储能系统“吸纳”主电网多余电量的同时，还增加了部分收益。低谷负电价使储能系统充放电双向获益，激励将来典型储能调峰调频的发展，有效实现系统削峰填谷。趸售电力市场出现负电价，主要原因有：①作为基荷的核电机组无法短时经济退出；②新能源机组的边际成本价格因受补贴的影响可能低于零边际成本价。

4.2 案例2

表2给出对应风光发电预测。应用式（5）求得产业园运行方式。在0∶00—16∶00时段，三组电解铝负荷全部投运；在16∶00—24∶00高峰负荷时段，一组电解铝负荷退出进入保温状态运行。对产业园工业运行方式的分析计算，表明运行方式k较适宜该风光预测案例。由图8可观察，1∶00—5∶00时段为用电“低谷”，电网电价较低，此时三组电解铝负荷及储能系统全部投入，消耗廉价电量。16∶00—24∶00高峰时段，一组电解铝负荷退出，储能逐步减少，实现产业园的经济运行。

表2 产业园综合平衡k

(续）

时段光伏/ MWh风电/ MWh运行方式1/ MW综合平衡/ MWh日前电价/ (元/MWh) 13∶009.619.222.06.8350 14∶0010.019.222.07.2350 15∶009.820.020.09.8350 16∶008.020.020.08.0400 17∶006.020.017.09.0480 18∶004.019.616.07.6480 19∶002.020.016.06.0480 20∶00019.116.03.1480 21∶00020.016.04.0480 22∶00020.013.07.0380 23∶00017.813.04.8380 24∶00020.013.07.0380

图8 产业园综合平衡k

4.3 案例3

风光预测发电量波动较大，产业园电解铝负荷全天开两组，对应运行方式1。观察图9（a）可见，24h综合平衡电量波动较小，利用Matlab确定具体产业园储能系统具体参与市场的时间和电量。根据优化的结果确定储能系统在1∶00—5∶00时段和14∶00—15∶00时段进入充电状态。结合图9（b）分时电价可看出，电价较低，电网运行于“低谷”时段，产业园通过PCC点向电网购电。在7∶00—10∶00时段和17∶00—22∶00时段，电价较高，电网处于用电“高峰”时段，根据Matlab的结算结果确定产业园通过PCC点向电力市场售出电量，获得最优收益，满足储能系统充放电速度及容量约束条件。

图9 产业园综合平衡j

综上，在电力市场环境下，通过产业园储能系统参与日前电力市场的优化控制策略，受趸售电力市场实时电价引导和自身储能充放电速度以及容量的限制。通过算例结果可知，将风光发电-产业园生产运行-储能系统三者合理优化组合参与趸售电力市场可以获得可观的收益。

5 结论

本文研究电力市场环境下新能源产业园储能系统的优化控制策略。根据超短期风光发电预测，选择产业园工业负荷的日运行方式；利用产业园储能系统与趸售电力市场的交互，补偿产业园综合不平衡电量，并参与电网的削峰填谷。建立了产业园储能系统电力市场环境的非线性数学规划模型，编制了Matlab程序进行求解。对3种典型案例的分析，验证了该机制的可行性。

不同于常规确定性机组的调度优化，100%新能源产业园依据风光发电预测选择工业负荷运行方式。通过控制规模储能系统的充放，与趸售电力市场交互。对产业园储能系统的优化控制，既补偿了产业园综合不平衡电量，在分时电价激励下参与电网的削峰填谷，又同时通过趸售电力市场将盈余电量送至远方异地消纳。

[1] 杜欣. 我国弃风弃光现象的成因及对策分析[J]. 产业与科技论坛, 2017, 16(19): 85-87.

[2] Wang Qianfan, Guan Yongpei, Wang Jianhui. A Chance-Constrained Two-Stage stochastic program for unit commitment with uncertain wind power output[J]. Power Systems, IEEE Transactions on, 2012, 27(1): 206-215.

[3] 张坤亚, 马平, 赵世文, 等. 含风电场的电力系统环保经济调度[J]. 电气技术, 2017, 18(3): 25-29, 46.

[4] 熊虎, 向铁元, 陈红坤, 等. 含大规模间歇式电源的模糊机会约束机组组合研究[J]. 中国电机工程学报, 2013, 33(13): 36-44, 前插5.

[5] Teng F, Trovato V, Strbac G. Stochastic scheduling with inertia-dependent fast frequency response requirements[J]. IEEE Transactions on Power Systems, 2016, 31(2): 1557-1566.

[6] 高亚静, 李瑞环, 梁海峰, 等. 考虑间歇性电源与负荷不确定性情况下基于多场景技术的主动配电系统两步优化调度[J]. 中国电机工程学报, 2015, 35(7): 1657-1665.

[7] 国家电网公司“电网新技术前景研究”项目咨询组, 王松岑, 来小康, 等. 大规模储能技术在电力系统中的应用前景分析[J]. 电力系统自动化, 2013, 37(1): 3-8, 30.

[8] 陈聪伟, 江修波, 刘丽军. 考虑时序与储能配合的分布式电源优化配置研究[J]. 电气技术, 2017, 18(6): 41-47.

[9] 张晴, 李欣然, 杨明, 等. 净效益最大的平抑风电功率波动的混合储能容量配置方法[J]. 电工技术学报, 2016, 31(14): 40-48.

[10] 甘伟, 艾小猛, 方家琨, 等. 风-火-水-储-气联合优化调度策略[J]. 电工技术学报, 2017, 32(S1): 11-20.

[11] 赵书强, 王扬, 徐岩, 等. 基于机会约束目标规划的高风电接入比例下大规模储能与火电协调调度[J]. 中国电机工程学报, 2016, 36(4): 969-977.

[12] 颜宁, 厉伟, 邢作霞, 等. 复合储能在主动配电网中的容量配置[J]. 电工技术学报, 2017, 32(19): 180- 186.

[13] 崔强, 王秀丽, 刘祖永. 市场环境下计及储能电站运行的联动电价研究及其效益分析[J]. 中国电机工程学报, 2013, 33(13): 62-68, 前插8.

[14] 杨德友, 温佳鑫, 陈家荣, 等. 用于提高风电场可调度性的储能系统预测控制策略[J]. 高电压技术, 2017, 43(3): 1043-1048.

[15] Wind Power Forecasting, www.aeso.ca

[16] 邓恢平. 储能进入商业化“临界点”[N]. 中国电力报, 2017-10-19(007)

[17] 陈深, 毛晓明, 房敏. 风力和光伏发电短期功率预测研究进展与展望[J]. 广东电力, 2014, 27(1): 18- 23.

Energy storage optimal control strategy for renewable energy based industrial park under electricity market

Ji Bin Tan Jiancheng Zeng Xuetong

(Institute of Power System Optimization (Guangxi University), Nanning 530004)

An optimal control strategy of energy storage systems is proposed in the paper for applications in an renewable energy based industrial park under electricity market. Driven by the short term forecast of hourly electricity generation of wind and solar plants, a load daily operational mode is chosen that best fit the application. The controlled energy storage system interacts with the wholesale electricity market, selling and purchase electricity to compensate the imbalance hourly power in the industrial park, as well contribute to the valley filling and peak shifting under the hourly price incentives. A nonlinear optimization programming problem of the energy storage system is formulated in the paper and solved using a Matlab solver. Analyzing into the three scenario examples have proven that the proposed energy storage control strategy is feasible. The paper discusses the uncertainty associated with wind and solar power projections, where measures in real-time market to deal with the uncertainty are analyzed. By optimal control of the energy storage system, seamless connection and trading to the wholesale electricity market, dispatching between the renewable energy based industrial park and intermittent renewable energy accommodation are realized.

energy storage systems; optimal control; day-ahead electricity market; industrial micro-grid; virtual synchronous machine

2018-03-26

吉 斌（1992-），男，安徽省马鞍山市人，硕士研究生，主要从事电力市场及需求侧管理方向的研究工作。

广西壮族自治区重点实验室资助项目（AE02003304）