风电集群的储能容量优化配置

王凯， 李喜兰， 刘振伟 ， 郑海林

(1.福建永福电力设计股份有限公司，福建 福州 350000；2.福州大学 电气工程与自动化学院，福建 福州 350108)

0 引 言

要实现我国能源发展战略目标，风力发电装机比重必将进一步提升。然而，风电出力的间歇特性大大制约了风电的进一步发展[1]。为风电场配置储能可以提高风电消纳率以及风电场的经济性[2-3]。

目前已有一些文献对风电配置储能的容量优化进行相关的研究。文献[4]从风电功率预测误差缩减、预测结果的合格率以及投运成本来考虑风电场的储能配置容量。文献[5]通过储能的回收年份与预测误差控制范围来确定风电场配置储能的最优容量。文献[6]从减少风电场的缺电惩罚成本和弃风惩罚成本带来的收益来优化储能容量配置。文献[7]提出配置合适比例容量的储能用于平抑风电功率波动。同时，储能作为良好的调峰和调频资源[8-9]，文献[10]提出了风储系统可以通过提供辅助服务来回收成本。

现有文献对于风电配置储能往往仅考虑单一风电场的配置储能情况，容易出现储能资源浪费。此外，随着风电并网规模的增大，电网对风电场的接纳度给未来风电场发展会带来一定的影响。

本文分析对比了各个风电场配置储能的效益与风电集群配置储能的效益，提出了电网对风电场并网的接纳度指标，综合考虑了风电集群配置储能所减少偏差考核的经济效益、参与辅助服务市场带来的经济效益、社会效益和储能设施的投建以及运行维护成本。

1 风电集群配置储能的优势

假设风电集群中有三个风电场，参数如表1所示。

表1 各个风电场参数

考虑完全消除风电的预测偏差所需要的储能容量，各个时刻风电场与风电集群偏差量如图1所示。

图1 各个风电场与风电集群风电预测偏差量

在各个电场配置储能的场景下，各风电场所需储能容量分别为124.24 MWh、173.47 MWh和134.51 MWh。在风电集群配置储能的场景下，所需要的储能容量为405.94 MWh，减小了23.28 MWh的储能配置，减少比例为5.73%，提高了风电场的经济效益。

2 风电集群配置储能的效益与成本

2.1 减少偏差考核的收益

当风电场的出力偏差电量超范围时，按照偏差范围分段计算偏差考核电量。

Rbias=∑Pbias×p1

(1)

(2)

式中:Rbias为减少偏差考核收益；Pbias为偏差考核电量；P为风电出力超发电量或欠发电量；Swind为风电场总装机容量；p1为机组批复的上网电价。

2.2 风电场的接纳度

风电功率的波动过大会降低电网对风电场的接纳程度，不利于风电场规模的进一步扩大。

(3)

(4)

式中:Faccept为电网对风电场的接纳度；K为总的采样区间数；Sk为第k次采样区间风电波动指标；Pw(k-1)、Pw(k)分别为k-1与k时刻风电出力；Pes(k-1)、Pes(k)分别为k-1与k时刻储能动作；p为风电场每小时最大有功出力变化限值。

2.3 参与辅助服务市场的收益

参与调峰的市场主体采用分区间报价补偿[11],对参与调频的市场主体，根据调频里程进行补偿[12]。

(5)

(6)

式中:Rps为调峰带来的收益；Rfm为调频带来的收益；N为时间段内计费周期的个数；p2为有偿调峰申报价格；Pw(t)为风电场第t个计费周期内的实际出力；Pwe(t)为风电场参与调峰时第t个计费周期内的出力；LFM(t)为第t个计费周期内的调频里程；Pclear(t)为调频里程补偿价格。

2.4 环境效益

环保收益为体现在燃煤机组和燃气机组产生的污染治理成本。

(7)

式中：REP为风力发电带来的环境效益；Cpoll为常规机组燃煤发电单位电量所产生的污染物治理费用，为了简化计算，本文简化为0.11 元/kWh；Pw(t)为t时刻风电配置储能后增加的出力；T为计算周期。

2.5 储能成本和运行损耗

由于电池容量衰减，在项目周期内更换带来电池更换成本。储能成本模型采用全寿命周期进行分析。

(8)

(9)

(10)

(11)

式中:Creplace为储能电池更换成本；α为电池成本年下降比例；KR为电池的更换次数；Ces为电池的单位成本；N为电池储能电站运营周期;L为储能电池更换周期；CLCCNPV为储能电站全寿命周期净现值；CLCCNAV为储能电站全寿命周期净年值；CCI为储能电站的投资成本；CCM.j为第j年的检修成本；i为贴现率；CCD为期末退役成本。

(12)

式中：Celc为储能运行损耗成本；Pes(t)为储能t时刻的充电量；η为储能的循环效率；p2为电池储能循环损耗成本。

2.6 目标函数

用于减小偏差考核部分的储能容量，以配置储能后单位投资的收益最大、电网对风电接纳度的提高程度为目标函数。参与辅助服务市场的储能容量则把配置储能后的净收益最大化作为目标函数，通过粒子群算法进行寻优求解。

max[(Rbias+REP)/CLCCNAV+Faccept.ws-Faccept.w]

(13)

(14)

max[(Rps+Rfm)-CLCCNAV-Celc]

(15)

(16)

式中:Faccept.w为配置储能前风电集群的接纳度；Faccept.ws为配置储能后风电集群的接纳度；Sbias为用于调整偏差考核的储能容量；Sps为参与调峰辅助服务市场的储能容量；max(windbias)为风电的最大偏差量。

3 粒子群算法

算法流程如图2所示。

图2 粒子群算法流程

(1) 输入算例参数和粒子群初始参数。

(2) 计算每个粒子的适应度值，与个体极值对比，保留最优值并继续下一次迭代。

(3) 用每个粒子的适应度函数值和全局极值对比，并更新粒子的速度和位置。

(4) 如果满足结束条件，终止程序并输出结果，否则返回步骤(2)继续执行程序。

4 算例仿真分析

4.1 算例参数

本文基于某地区风电集群数据作为计划出力曲线，假定所有预测偏差符合正态分布，风电机组以及储能电站的参数如表2所示。

表2 算例参数

4.2 算例结果分析

(1) 针对风电集群不同的预测偏差进行了分类，不同预测精度下的最优储能配置容量以及配置前后的接纳度与投资需求如表3所示。

表3 用于减少偏差考核的储能配置容量与效益

(2) 采用粒子群算法对风电集群所配置的储能参与辅助服务市场经济性的收敛曲线如图3所示。当收敛到最优值时，储能的配置容量、投资净年值、年净收益以及回收年限如表4所示。

表4 参与辅助服务市场储能配置容量与效益

图3 粒子群算法收敛曲线

本文研究了以风电集群配置储能相较于分散配置储能可以减少5.73%的储能配置容量。当预测精度为15%时，风电场储能最优配置比例为11.58%，回收年限为13.79年；当预测精度为20%时，风电场储能最优配置比例为11.84%，回收年限为13.95年。

5 结束语

本文对比得出了以风电集群配置储能的优势，提出了风电场的接纳度这一指标，综合考虑了风电配置储能的成本、效益以及并网后的发展，能够更加贴近实际生活，为风电场配置储能提供参考借鉴。