大数据下分布式风电光伏储能容量配置方法

饶成成

（广东电网有限责任公司机巡管理中心，广东广州 510000）

风电系统具有间歇性、波动性的输出特性，严重影响了电力系统的安全稳定运行[1]。现阶段，光伏储能系统的容量配置方法是实际储能工程建设中的重要研究方向，许多学者都在相关领域作出研究，针对大型分布式风电光伏储能系统调峰负荷瓶颈问题，提出了容量优化配置方法。霍现旭等人[2]提出采用上层优化微网经济运行，下层优化储电、储热容量配比，实现不同储能形式下微网的成本最小化运行；孙秀娟等人[3]引入多类型需求响应模型，构建以总成本和光伏消纳率为目标函数的储能容量优化配置模型，实现了光伏发电的合理配置储能容量；唐夏菲等人[4]提出以储能成本最小为目标函数，建立风电场自建储能与租赁云储能容量最优配置模型，实现云储能与自建储能的合理配置。但以上研究主要针对一种情景下的储能容量配置问题进行分析，很少涉及多个情景同时进行的情况。为此，提出了一种大数据下分布式风电光伏储能容量配置方法。储能容量配置系统应在保持波动性不变的前提下，接受弃风。

1 分布式风电光伏储能损耗分析

微网络储能系统需要整流器和逆变器的支持，以保证储能系统能够准确、有效地调节系统需求[5-7]。储能装置的控制主要通过变频器来实现，这种变频器是用来调节蓄电池充放电的。蓄能器放电时，变频器处于休息状态；蓄能器在充电时，变频器处于工作状态[8]。分布式风电光伏储能的实际使用寿命主要取决于储能充放电循环次数，储能周期作为一个充放电循环，一旦启动，所储存的能量将全部释放，然后开始新一轮充放电，分布式风电光伏充、放电功率损耗如式（1）所示：

式（1）中，t表示时间；表示分布式风电光伏放电功率损耗；表示分布式风电光伏充电功率损耗[9]。

根据分布式风电光伏充、放电功率损耗，分析电力侧效益，主要是为了在实际应用中降低备用容量投资和建设费用，使不同变电所的负荷在不同时段产生移峰效应，可充分利用峰谷电价差获取利润，分布在夜间的风电发电负荷和价格较低，用储能控制对电能进行充电和储存[10-11]。日间负荷大，电价高，储能控制系统可在日间释放储能，实现了利用峰谷差获取利润的目的，从而完成了大规模储能系统中移峰填谷的分析[12]。利用这种现象，研究分布式风电在大数据条件下的光伏储能容量配置。

2 分布式风电光伏储能容量配置

2.1 储能装置能量状态调整

为了实现风电并网的经济性和可靠性，在实际调度运行中，应允许风电机组和储能混合系统的功率在规定的目标值范围内波动[13]。从经济性和可靠性两个方面考虑，风电光伏发电和储能的发电效率可在一定范围内波动[14]。在风电光伏机组的输出功率大于给定目标值的情况下，储存剩余的风力。在风电光伏领域，当输出功率小于给定目标时，储能释放的能量不足以进行补偿[15]。

设分布式风电光伏储能装置的充放电功率为Es,t，表达式为：

式（2）中，Ew,t表示分布式风电光伏充放电损耗功率；Ed表示分布式风电光伏出力功率。分布式风电光伏储能装置的充放电功率受到其额定功率和充电状态的限制，应有效地管理能级能量存储设备，实时调整其能量状态，以确保其始终在安全范围内运行，以避免能量存储设备过放电，从而延长其使用寿命。

设定4个临界点，把储能装置的能量状态分成3个分区，即非工作区间、工作区间和警戒工作区间，如图1 所示。

图1 储能装置能量状态分区

由图1 可知，早期预警工作范围表明，储能设备很容易从这一区域进入损耗或饱和状态，因此，必须长时间避免在这一能量范围内运行[16]。在蓄能器充电状态处于正常工作区域时，根据分布式风电光伏场出力和目标电量的差异确定其充放电功率。储能装置充电状态在警戒工作区间1 时，应采取弃风措施，防止储能装置超调；储能装置充电状态处于警戒工作区间2 时，设置放电限位，引导储能装置降低放电功率，使储能装置的寿命损失接近其极限。

设计放电惩罚遵循原则：储能装置的剩余容量较大时，惩罚因子较大；反之，储能装置剩余能量较小时，惩罚因子较小。设5 个区域的放电惩罚系数为a1～a5，由式（3）拟合得到的放电惩罚结果：

将所设计的放电惩罚系数计入目标函数中，使得分布式风电光伏储能装置在剩余较少能量时，尽量减少放电。

2.2 分布式储能布局和容量配置建模

通过调整储能装置能量状态，计算放电惩罚结果，以此为基础，尽量减少放电。在该情况下，确定f1和f2两个充放电目标函数指数，结合分布式风电光伏负荷偏差量最小目标，对分布式储能布局，目标函数表达式如下：

在储能总体布局中，通过改变权值调整调峰充谷和抑制波动性的重点，以满足不同储能应用的需要。图2 中显示了储能系统跨时间尺度的总体布局，对分层储能的研究主要集中在削峰填谷、平滑功率波动、改善电能质量等方面。

图2 跨时间尺度储能统筹布局

由图2 可知，针对储能系统分层时间尺度、应用方式及储能类型等特点，建立了具有不同时间尺度的布局评价指标体系，该方法可作为分层储能系统选址、容量等的目标函数和结果评价验证指标，有效地解决了不同类型单一时间尺度规划不兼容的问题。

2.3 储能容量配置流程设计

充分考虑跨时间尺度储能统筹布局不确定性因素，使用大数据分析方法求解目标函数。大数据分析方法在求解迭代过程中储能容量更新公式如下所示：

储能容量配置流程如图3 所示。

图3 储能容量配置流程

由图3 可知，针对层次式储能的位置问题，需在最大负荷点处安装集中式储能，分布式储能是指将分布式发电安排在最近的位置，能达到很好的调峰和谷底填充效果，有效平滑净负荷功率的波动。通过储能容量配置流程，完成大数据下分布式风电光伏储能容量配置。

3 实 验

以华东地区风电光伏为例，对大数据下分布式风电光伏储能容量配置合理性进行实验验证分析。

3.1 实验项目

华东电网气候温和，四季分明，全年负荷呈“双峰双谷”特征。夏季和冬季用电高峰出现在夏季的7、8月份和12、1月，春、秋两季用电量较低，一般在4月、10 月。以夏天典型的负荷日为例，如图4 所示。

图4 华东电网2018年运行工况

华东各地并网和新增风电光伏容量如表1所示。

表1 华东各地并网和新增风电光伏容量

3.2 实验结果与分析

分别使用文献[2]大型蓄电池储能系统容量配置、文献[3]通过非参数估计和曲线拟合储能容量配置、文中大数据下储能容量配置方法，分析在不同场景的储能容量大小，如图5 所示。

图5 不同配置方法储能容量大小对比分析

由图5可知，在大雾天气下，使用文献[2]方法在供电充裕度达到最大值1.0 时，储能容量达到38 MW，与预期配置30 MW 相比，多了8 MW；使用文献[3]方法在供电充裕度达到最大值1.0 时，与预期配置的30 MW 一致，但最初的储能容量比预期配置低8 MW；使用文中方法，储能容量与预期配置结果一致。在大雨天气下，使用文献[2]方法在供电充裕度达到最大值1.0时，储能容量达到45 MW，与预期配置38 MW相比，多了7 MW；使用文献[3]方法在供电充裕度达到最大值1.0 时，比预期配置38 MW 少了3 MW；使用文中方法，储能容量与预期配置结果一致。在雷暴天气下，使用文献[2]方法在供电充裕度达到最大值1.0 时，储能容量与文献[3]方法一致，都为38 MW；使用文中方法，储能容量与预期配置结果一致。

4 结束语

大数据下分布式风电光伏储能容量配置通过将广泛分布的终端用户储能设备汇集到分布式风电光伏储能中，实现电网与用户的双向交互，当总容量不变时，可降低高功率储能系统的应用容量，从而降低建设成本，增加辅助服务的收益。

虽然从解决配电网安全问题的角度考虑储能设备的选址和容量分配，但是忽略了储能建设成本对容量配置的影响，成本是制约储能系统在实际应用中大规模推广的主要因素，也是今后研究工作需要综合考虑的重点。