基于源-荷匹配的区域电网风/光/储容量配比优化方法

李湃，方保民，祁太元，黄越辉，史昭娣，王莲芳

(1.新能源与储能运行控制国家重点实验室（中国电力科学研究院有限公司），北京 100192；2.国网青海省电力公司，青海 西宁 810008)

0 引言

截至2020年12月，国家电网有限公司经营范围内的新能源累计装机已超过4.5亿kW，预计2030年中国的新能源装机将超过12亿kW，届时全国大部分省份将形成高比例新能源接入的局面[1-2]。通过大规模配置电化学储能可平抑新能源出力波动，是提高新能源利用率的一种有效方式[3]。由于目前化学储能的建设成本仍然较高，需要在利用储能灵活调节能力的基础上，充分挖掘风/光资源的广域时空互补作用，对风/光/储容量进行合理优化配置[4-5]。

风/光资源的时空互补特性一方面体现在资源的广域平滑效应，即区域范围越广，风/光资源受同一天气过程影响的概率越低，互补效果越佳；另一方面，风电和光伏发电存在时间上的互补性，即光伏白天出力，夜间出力为0，风电通常夜间出力较大。目前，已有相关学者开展了针对风光资源广域互补及其在电力系统规划方面的研究。文献[6]考虑风光出力相关性，提出了大规模风光互补的多目标电网扩展规划方法。文献[7]指出如何描述风电和光伏发电出力之间的互补程度以及生成符合相关特性分布的出力序列是规划建模的基础性问题，并基于非参数估计方法生成可适用于任何分布的风光相关性样本。上述文献主要关注风/光自身的互补特性，忽视了与负荷特性之间的协调匹配。文献[8]基于混合Copula模型，采用秩相关系数、尾部相关系数评价新能源出力之间的互补性，并充分考虑了风/光互补特性及其与负荷之间的协调匹配作用。由于风/光随机波动性和间歇性较强，为实现高比例新能源的接入还需要储能等灵活调节资源进行协调配合。

在风/光/储协同规划方面，目前国内外针对新能源与储能的协调规划研究主要面向单个场站或微网中的多能互补系统[9-13]，并且主要基于典型的出力场景开展规划计算，因此难以充分考虑新能源出力的随机波动性和互补作用。针对该问题，有学者提出采用全年时序生产模拟的方式开展新能源的容量优化计算[14-15]。时序生产模拟方法以全年逐小时的新能源出力序列为输入，能够充分考虑新能源发电的随机波动性和互补特性，因而计算结果更加科学合理。由于装机规划问题需要同时进行装机容量的寻优和火电机组的运行优化，针对实际大规模电网开展时序生产模拟计算会面临模型复杂度高、计算耗时等难题，因此需要针对性地采用复杂的双层求解或迭代算法来提高求解速度，影响了方法的实用性[16-17]。

针对大规模区域电网，确定风光储的最优容量配比是开展容量规划计算的重要基础[18-19]。风电出力具有空间平滑作用，风光出力也具有明显的资源互补作用（中国北方地区普遍风电夜间出力大，光伏夜间出力为零），并且随着区域规模的增加，互补特性越来越明显。针对大规模区域电网，通过充分挖掘各省风光出力的时空互补作用，能够显著降低全网新能源出力的随机波动性[20-21]。文献[14]的研究表明，对百万千瓦级别的风电和光伏发电基地，当新能源与抽蓄电站装机配比为1∶4时，火电机组无须参与调节便能够实现系统整体出力与受端负荷特性相一致，可以大大降低系统调峰难度。该方法能够为大规模区域电网风光储容量的规划提供一种可行的思路，即先不考虑常规电源的调节作用，从新能源广域互补与源-荷匹配的角度来优化风光储的容量配比，然后在最优配比的基础上进一步考虑常规电源的运行优化，进行风光储容量的精细化规划。

针对风光储容量配比问题，本文提出一种基于源-荷匹配的区域电网风/光/储容量配比优化方法。首先，建立多区域风/光容量优化模型，模型以全网新能源总发电量最大为目标，综合考虑新能源与化学储能装机容量约束、新能源发电功率约束、新能源弃电率约束、化学储能运行约束等，并通过引入新能源与用电负荷匹配约束来保证匹配后出力与负荷变化相一致。然后，以各区域风/光全年归一化出力和负荷序列为输入，通过时序生产模拟计算，得到各区域满足源-荷最优匹配后的风/光/储接入容量配比。最后，以中国“三北”地区某区域电网为对象，对所提方法进行了验证测试。

1 多区域新能源装机容量优化方法

1.1 新能源广域互补与负荷匹配特性分析

新能源出力具有较强的随机波动性，大规模并网会增加电网的调峰难度。如图1所示，当新能源出力较大时，会显著改变电网净负荷特性。在新能源大发时段下，系统净负荷若低于常规机组最小出力，则需要采取弃风、弃光等调峰措施。

图1 新能源出力波动对调峰的影响Fig.1 Impacts of renewable power fluctuations on peak load regulation

风/光资源具有广域时空互补特性。图2为中国某4个地区电网连续3天风电归一化出力以及总归一化出力。可以发现，单个地区风电出力的波动性较大，可能会出现出力接近于0的情况，而不同地区间风电出力具有广域互补特性，能够平滑总出力，缓解风电接入带来的系统调峰压力。

图2 风电出力互补性示意Fig.2 Schematic diagram of wind power complementarity

然而，图2中的平均出力序列仍然与负荷序列的特性具有一定的差别，因此，从减少系统调峰压力的角度来看，合理的新能源装机容量配比应在保证新能源消纳量的前提下，使得新能源总出力与负荷变化趋势相一致，这样可以尽可能让常规机组承担基荷发电任务，降低调峰难度。

1.2 基于时序生产模拟的多区域风光容量优化流程

本文采用时序生产模拟方法优化多区域风光储装机容量，具体步骤如下。

（1）根据各区域历史数据，采用文献[22-24]的方法对各区域风电和光伏出力、负荷进行全年逐时段的随机模拟，其中风/光出力数据进行归一化处理。

（2）以全网新能源全年发电量最大为优化目标，考虑基准负荷匹配约束、基准用电负荷约束、日负荷匹配偏差约束、新能源发电功率限制、新能源弃电率限制、化学储能运行限制等约束条件，建立基于源-荷匹配的多区域风光装机容量优化模型。

（3）输入各区域风电、光伏出力、负荷全年时间序列、电网边界参数以及化学储能参数，采用Cplex求解多区域风光装机容量优化模型，得到各区域风电、光伏、储能的最优容量配比。

2 多区域风/光装机容量优化模型

2.1 目标函数

容量配比优化模型的目标函数为全网各区域新能源全年总发电量最大，即

式中：n为区域序号；N为区域总数；d为优化日；D为全年的总日数；t为每日各优化时段；T为每日的优化时段总数；Δt为单位优化时段长度；为区域n优化日d时段t下的风电出力；为区域n优化日d时段t下光伏发电出力。

2.2 约束条件

（1）基准负荷匹配约束。

（2）基准用电负荷约束。

（3）日负荷匹配偏差约束。

式中：ε为日负荷匹配偏差系数，本文中ε=0.005，即优化时段的出力匹配偏差不超过目标负荷电量的0.5%。

式（2）～（4）保证了各区域新能源总出力与负荷变化特性相一致，可降低系统调峰难度。

（4）新能源出力约束。

（5）新能源与化学储能装机容量约束。

（6）新能源弃电率约束。

式中：θ为新能源弃电率上限。

（7）新能源发电量占比约束。

式中：λq为新能源发电量占负荷总量的最小占比。

（8）化学储能充放电功率约束。

（9）化学储能充放电状态约束。

该约束表示区域n的化学储能在同一时刻不能同时处于充电和放电状态。

（10）化学储能荷电状态约束。

（11）化学储能储电量约束。

式（1）～（12）组成了多区域风光储装机容量优化模型，求解模型可得到与日负荷特性相匹配的电网中最优风电装机容量、光伏发电装机容量、化学储能装机容量和储电量，进而可得到风光储的最优装机容量配比。

2.3 模型求解

2.2节所建立的风光装机容量配比优化模型是典型的混合整数线性规划模型（mixed integer linear programming，MILP），本文采用通用代数建模系统（general algebraic modeling system，GAMS）来进行数学建模和优化求解。GAMS是一款最佳化的计算机数值分析商业软件，具有强大的代数和逻辑关系描述功能，并且模型可以独立于算法系统，是特别为建模线性、非线性和混合整数最优化问题而设计的[25]。针对本文所建立的优化规划模型，在GAMS中调用Cplex求解器即可进行求解。

3 算例分析

3.1 参数设置

基于中国某区域电网的风、光、负荷历史数据开展算例测试。各地区风电和光伏出力的年利用小时数和最大同时率如表1所示，负荷年用电量为4 529亿kW·h。算例中生产模拟计算的周期为1年，步长为1 h，负荷匹配的周期为1天。图3为各区域风电光伏发电、负荷和日平均出力归一化曲线。本算例中储能装置为化学储能电池，具体参数如表2所示。负荷匹配偏差系数设为0.5%，新能源弃电率上限设为5%。

表1 风/光特性参数Table 1 Wind and PV characteristic parameters

图3 各区域风电、光伏、负荷日平均出力归一化曲线Fig.3 Normalized power level of daily average wind, PV and load curves in each region

表2 化学储能参数Table 2 Parameters of battery energy storage

3.2 结果分析

3.2.1 未接入化学储能时的风光容量优化

采用式（1）～（8）计算未配置化学储能时各区域的风/光最优接入容量。经计算，此时全网的风电和光伏最大接入容量分别为31.39 GW和5.54 GW，全网新能源总发电量为69.6 TW·h，风光最优配比为5.7∶1，各地区的风/光最大接入容量结果如表3所示。可以看出，风电的装机容量要明显高于光伏，影响装机结果的主要因素为全年利用小时数、出力与负荷的匹配特性。因为风电年利用小时数更高，因此在同等装机规模和限电率水平下，风电可以提供更多发电量。由图3可知风电出力的变化序列特性与负荷更加接近，由此风电装机容量明显高于光伏。需要注意的是，针对同一类型新能源，出力特性对装机结果的影响可能会更大，如B地区风电年利用小时数要高于A地区，但其日平均出力的“反调峰”性更加明显（午间负荷低谷时出力处于高峰），因此B地区风电装机反而要低于A地区。图4为各地区某日的出力情况，可以发现，虽然新能源出力具有随机性和间歇特性，但是通过多区域广域互补后的新能源出力是可以在一定程度上匹配每日负荷的变化趋势，但整体来看新能源出力仍存在一定的波动性和间歇性，当日16:00—19:00存在较大电力缺额，调峰难度较大。

表3 未接入储能时风光接入容量优化结果Table 3 Wind and PV capacity optimized results without energy storage

图4 未接入化学储能各地区典型日内的发电运行情况Fig.4 Load and power generation operation of regions without battery energy storage in a typical day

3.2.2 接入化学储能后的风光容量优化

假定全网储能最大装机规模为 5 GW/10 GW·h，优化各区域的风/光/储最优接入容量。经计算，此时全网的风电和光伏最大接入容量分别为38.89 GW和11.11 GW，风光最优配比为3.5∶1，各地区的风/光最大接入容量如表4所示。可以看出，风光接入容量较未接入储能时分别增长了23.9%和100.5%。由于光伏出力的日特性显著，储能与光伏的协调互补作用更加明显，在接入储能后系统的光伏接入容量会显著增加。在本案例中，化学储能的最优装机和容量均达到了所设定的最大规模水平。

图5为图4对应日各地区的出力情况，对比图4可以发现，在接入化学储能后，系统总出力较未接入储能有明显的提升，当日最小出力由未接入储能时的14 GW增至45 GW，当日负荷调节系数也由0.31增至0.92。在储能的调节作用下，系统发电功率的波动性和间歇性明显下降，并且与负荷的变化特性更加接近，因而能够大大降低系统的调峰难度。

图5 配置5 GW/10 GW·h储能后各地区典型日内的发电运行情况Fig.5 Load and power outputs of regions with 5 GW/10 GW·h energy storage in a typical day

3.2.3 不同化学储能容量下的风光多点布局优化容量

本节研究最大储能装机由 5 GW/10 GW·h 增至10 GW/20 GW·h 时，新能源装机容量变化和年发电量情况，计算结果如图6所示。可以看出，随着储能装机容量的增加，风电的接入容量逐渐增加至最大值98.89 GW，而光伏接入容量则变化不大。这主要是由于风电的利用小时数更高，在同等装机下电网会优先接纳风电；另外，光伏发电出力曲线形状较为固定（夜间出力为0，正午大发），而风电的广域互补特性更强，在负荷匹配约束的限制下，系统更倾向于接纳风电。同时，新能源年发电量随着化学储能接入容量的增加呈近似线性上升的趋势，说明在保证源-荷匹配效果的同时，化学储能的接入有利于提升新能源消纳。

图6 不同储能容量下优化结果对比Fig.6 Comparison between optimization results under different energy storage capacities

图7为不同储能装机规模场景下每日负荷调节系数统计直方图。可以发现，无储能时每日负荷调节系数的取值范围为[0.04,0.6]，均值为0.22；当配置 5 GW/10 GW·h 储能时，每日负荷调节系数的取值范围为[0.14,1]，均值为0.63；当配置 10 GW/20 GW·h 储能时，每日负荷调节系数的取值为[0.6,1]，均值为0.97。显然，增加储能规模能够有效平抑新能源出力的随机波动性，不仅提高了新能源的接入规模，也使得系统总出力与实际负荷水平更加接近。图8为系统配置 10 GW/ 20 GW·h储能在与图4相同日的发电运行情况，此时系统匹配负荷水平与实际负荷水平相等，除3个时段外系统总出力均超过了实际负荷水平，并且在午间光伏大发时段新能源出力已明显超过系统负荷需求，因此需要组织区域外送才能避免新能源的大规模限电。由于式（7）约束的限制，全网全年新能源弃电率并未超过5%。需要注意的是，风光装机容量还需要考虑常规电源的运行，进行进一步的协调优化。

图7 不同场景下每日负荷调节系数统计直方图Fig.7 Histogram of load matching index in each day under different scenarios

图8 配置储能10 GW/20 GW·h后各地区典型日内的发电运行情况Fig.8 Load and power outputs of regions with 10 GW/20 GW·h energy storage in a typical day

3.2.4 不同弃电率下的风光多点布局优化容量

假定储能装机规模 5 GW/10 GW·h，图9为系统新能源最大弃电率由0增加到10%时新能源最优接入容量和年负荷匹配平均偏差的情况。可以看出，随着弃电率上限的不断增加，新能源的最优接入容量也不断增加，当弃电率为10%时，风光容量达到最大值65.02 GW和42.44 GW。并且风电的增长趋势高于光伏，这也进一步证实了大规模光伏较风电更难以与负荷进行匹配，系统更倾向于配置互补性更强的风电。此外，随着弃电率的增加，日负荷匹配平均偏差呈下降趋势，由4.84 GW·h 降至 2.98 GW·h，这说明允许一定的弃电率可使系统发电功率与负荷形状更容易匹配，缓解调峰压力。

图9 不同新能源弃电率下优化结果对比Fig.9 Comparison of optimization results under different renewable energy curtailment rate

表5为不同弃电率水平下全年优化求解的计算耗时。结果显示，全年计算耗时均不超过4 min，所提出方法由于无须开展火电机组组合优化，因此能够很好地满足工程实用性的需要。

表5 不同场景计算耗时Table 5 Computational times of different scenarios

4 结论

针对大规模新能源与储能的协调规划问题，本文基于源-荷匹配的思想，提出了多区域风光储容量配比优化方法。以电网新能源发电量最大为目标，综合考虑新能源发电功率限制、新能源弃电率限制、化学储能运行限制等约束条件，建立了多区域风光容量配比优化模型。为减少大规模新能源系统接入带来的调峰压力，模型中考虑新能源出力与系统每日负荷特性的匹配约束。算例以中国某区域电网为测试对象，以全年逐小时序列风光负荷序列为输入，通过优化确定风光储最优接入容量配比，主要结论如下。

（1）所提方法适用于大规模区域电网，能够充分利用风光广域时空互补特性和化学储能的灵活调节能力，得到在给定新能源利用率和负荷匹配偏差限制下的风光储最优接入容量配比。

（2）由于风电的利用小时数更高，广域互补特性更强，从源-荷匹配的角度来看，系统会优先接纳风电；但由于光伏出力的日特性显著，储能与光伏的协调互补作用更加明显，在接入储能后系统的光伏接入容量会显著增加。

（3）本文方法未考虑火电机组组合的运行优化，因而能够快速计算区域电网风光储的容量配比。基于所得到的风光储最优容量配比，可进一步考虑常规电源的调节作用，进行精细化的规划计算。