利用电化学储能追踪风电预测曲线的风储联合调度经济性分析

徐伟航，杨茂，孙莉

（1.现代电力系统仿真控制与绿色电能新技术教育部重点实验室（东北电力大学），吉林 吉林 132012；2.国家电网长春供电公司，长春 130021）

0 引言

近年来，全球大部分国家都面临着化石能源短缺的困境，因而清洁能源的发展倍受关注，其中风能凭借来源广、成本低、环境友好的优势得到高速发展。但是，风资源严重的波动性和随机性，决定了风电功率强烈的不稳定性［1-3］。这一特性严重限制了风电的大规模并网，是电力系统稳定运行和风电场经济运行的最大障碍。预测风电功率是降低风电的波动性和不确定性带来的负面影响的最为有效的方法［2-6］，精准的风电功率预测不仅是制定风电发电计划的基础，而且是提高风电利用率，促进风电大规模并网的有力措施。受限于风电功率预测的精度，越来越多的风电场都会配备储能系统，以弥补风电预测误差同时提高风电利用率［7-8］。

因为风电的不确定性和波动性，跟踪风电出力调度模式需要配置大容量的功率型储能系统，但受制于储能建设成本，大容量储能不利于系统整体经济性［9-12］。因此，目前国内外对利用风电场配备储能系统研究主要集中在平抑风电功率，但是对于利用储能系统追踪风电预测曲线调度模式的研究较少。文献［13-14］建立的储能容量优化模型，综合考虑了弃风量和储能系统损失电量，以风储电站成本最小为目标函数，但在计算储能投入成本时忽略了风电预测误差补偿度的影响。文献［15］提出了利用电化学储能系统平抑风电波动的运行控制策略，降低了因风电波动性引起的系统调峰压力，提高了风电利用率。文献［16］提出在风电场配备大型电化学储能系统，通过双闭环控制策略，对有功功率进行平滑。但是文献［15-16］只考虑通过增设储能系统增加风电利用率，并未考虑到配置储能系统容量的经济性。文献［17］以风储联合发电收益最大化为目标，建立了风储联合发电系统模型，将全年的风电功率预测曲线设置为调度曲线分析系统运行的经济性，但是风电场实际出力曲线与预测曲线差异较大。文献［18］将风电功率中的高频部分进行过滤，通过控制滤波常数控制储能系统补偿风电功率高频部分，但是并未考虑储能系统的经济性。

上述文献均为风储联合调度模型，但是在各自的模型中均未考虑到风电场增设储能系统后风电预测精度变化对风储联合调度经济性的影响。为了解决上述问题，本文通过引入风电功率预测误差惩罚成本反应预测精度变化对于储能系统跟踪效果和风储联合调度经济性的影响，构建综合考虑经济性和风电不确定性的风储联合调度策略。

1 储能全寿命周期成本

为使风电场实际功率出力追踪预测曲线，需要在风电场增设储能系统，因此不可避免地要增加储能系统的投资成本，同时储能系统的主体投资属于一次性投资［19-20］，需要转化为全寿命周期下的成本［21-22］。本文采用电化学储能系统，储能系统全寿命周期总成本Csum由初始投资成本Civ、年运行维护成本Com、更换成本CR、充电成本Cc、电站残值Crec共同构成。

1.1 初始投资成本

储能系统初始投资成本占总成本的主要部分，包括在设计、建造、施工等过程中所产生的总费用［10］。根据储能系统的特点可分为容量成本Cive和功率成本Civp，即：

容量成本Cive指储能系统与容量有关的建造和人工成本，如电化学储能中的电池集装箱、电池等的原材料费用和安装费用，用单位储能容量成本Ce和储能容量We计算，如式（2）所示。

功率成本Civp指储能系统与功率相关的建造和人工成本，如电化学储能中的变压器、变流器等，用单位功率成本Cp和装机容量Qp计算，如式（3）所示。

1.2 年运行维护成本

年运行维护成指在储能系统寿命周期内，为保证其安全稳定的运行进行维护所产生的材料、人工等成本，与储能系统的初始投资有关，通过运行维护系数计算，计算公式为：

式中：Com为储能系统年运行维护费用；μ为运行维护系数。

1.3 更换成本

本文使用电化学储能系统，由于在运行过程中蓄电池性能会逐渐衰减直至报废，此时需更换电池，每次更换所产生的设备和人工费用即为更换成本，计算公式如下。

式中：CR为储能电站单次更换电池成本；α为储能电池成本的年均下降比例；k为储能电站设计运行寿命内储能电池更换系数；n为储能电池寿命，即电池循环次数。

1.4 充电成本

在储能系统服役的过程中，有时需要从电网或者新能源电站充电，由此产生的费用即为充电成本。

式中：Cc为充电成本；Uc为充电单价，万元/MWh，与储能系统应用场景和电价有关；Qc为单次充电电量；Ny为年均充电次数；r为折现率；N为储能电站设计服务年限；i为储能电站已运行年限。

式中：θDoD为放电深度；η为充放电效率。

1.5 电站残值

储能系统在服役结束后需要进行回收，除去处置设备的人工等成本后的剩余价值即为电站残值。不同种类电池差别较大，铅蓄电池和全钒液流电池回收价值较高，约为20%～40%；电极中含有贵金属的三元锂电池，回收价值约为10%～18%。除了储能电池外，储能系统的功率转换部件仍具有回收价值，因此，电化学储能的残值系数介于3%～40%，具体值视储能类型而定。

式中：λrec为储能电站残值系数；Crec为回收价值。

1.6 全寿命周期总成本

本文从储能系统的建设、运行、维护、回收4个方面进行分析，考虑各环节的储能成本构建全寿命周期储能总成本计算模型，计算公式如下。

式中：Csum为储能系统服役期内总成本；N为储能电站设计使用寿命；r为折现率；k为储能电站设计运行寿命内储能电池更换系数。

2 预测误差惩罚成本

风电场经济效益主要取决于风电场的并网电量，但是受风电的波动性和不确定性的影响，风电的大规模并网仍面临巨大挑战［23-25］。因此，对风电功率进行准确预测是提高风电场经济效益、减少弃风量最为有效的途径［26-29］。随着风电场上报给调度中心的预测功率准确率提高，调度中心制定的出力计划中风电占比会有所增加，风电场收益增加，同时对于预测误差的惩罚减少，从收益和成本两方面提高经济效益。

根据能源局发布的发电厂并网运行管理实施细则［30］，各风电场均应展开风电功率预测工作，并上报预测结果。电力系统调度中心会根据风电场上报的除风电受限时段外的超短期功率预测准确率对风电场进行考核［31-32］。

按规定风电场上报的超短期预测功率需要以日为单位统计，以月为单位上报，准确率应不低于90%，当准确率低于90%时，按以下公式考核。

3 储能追踪出力模型

根据能源局发布的发电厂并网运行管理实施细则［30］，对于已经配有规模在兆瓦级及以上储能设备的风电场，将储能设备和风电场共同的发（受）电力作为风电场的考核值。所以可以利用储能系统消纳和补偿风电场的实际出力，减少电力系统调度机构对风电场上报的预测功率误差惩罚和产生的弃风量惩罚［33］，达到减少弃风量和提高风电场运行经济效益的目的。

3.1 储能追踪出力模型

为了能够提高风电场上报给电力系统调度中心的预测曲线精度，在风电场增设储能系统。当风电场实际出力高于预测值时，储能系统充电，减少弃风损失和误差惩罚；当风电场实际出力低于预测值时，储能系统放电，减少误差惩罚。在实际的运行过程中，会出现预测曲线严重偏离实际出力的极端情况，若要使风电场实际出力严格追踪预测曲线就需要配备装机容量和额定充放电功率足够大的储能系统，达到短时间大量放电的目的。就目前的储能发展来看，储能系统的造价仍然很高，在风电场配备过大装机容量和额定充放电功率的储能系统产生的投资成本远高于预测误差引起的惩罚成本。因此，需要优化配置储能系统的装机容量，合理分配风电场和储能系统的出力。为了解决上述问题，本文提出了考虑风电场预测误差惩罚的风储电站联合经济调度模型，该模型是以风储电站经济性最优，误差惩罚最小为目标函数的多目标最优化问题。

3.1.1 目标函数

本文所建立的优化模型是一个多目标优化模型，目标函数F1以风储电站建设和运行的经济性最优为目标，包括风电场风机的运行成本Cw，因传输限制造成的弃风损失成本Cqi，储能系统动态运行成本Cbat，公式如下。

风机运行成本和弃风损失成本通过风电运行系数μw和弃风系数μqi求取，公式如下。

式中：μw为风电运行系数，即风电场风机的单位电量运维成本；Ew为风电场实际发出的电量；μqi为弃风系数，即单位弃风量损失成本；Eqi为受风电场传输限制造成的弃风量。

储能系统动态运行成本Cbat通过在式（9）的基础上引入储能成本动态转化系数μbat求得，首先将储能系统单次动作功率转化为铅蓄电池循环次数占比，将动态的储能系统荷电状态值转化为铅蓄电池寿命占比，然后通过储能电池更换系数k，转化为储能电站全寿命周期占比，进而实现将储能全寿命周期成本转化为动态成本。此外需要注意，因为储能系统在电网结构中处于源测，无需进行充电成本的计算，充电成本为0，具体公式如下。

式中：Ebat·t为t时刻储能系统荷电状态（state of charge，SOC）；T为运行周期内储能系统控制时刻数，本文设置控制周期为24 h，分辨率为15 min，所以T取值为96。

目标函数F2以风电场是上报的预测结果误差惩罚成本最少为目标，通过式（19）求取，公式如下。

子目标函数F1和F2共同构成总目标函数F，但不同子目标函数中变量所代表的意义各不相同，所以本文对各个子目标函数进行归一化处理，将多目标优化问题转化为单目标优化问题，即：

3.1.2 约束条件

模型的约束主要包括风机和储能系统运行状态两方面的约束。对于风机要保证风电场各个时刻出力小于风电场实际可发出的最大功率小于风电场的开机容量，同时保证风电场作为源测向电网输送功率，即：

式中：Pw为风电场实际发电功率；Pw·max为风电场当前可发出的最大电功率；Ccap为风电场开机容量。

储能系统的约束条件主要包括功率平衡和运行状态两方面的约束，既需要保证系统各部分出力平衡，也要保证储能系统安全运行。

1）功率平衡约束

式中：Ppre为风电场上报到电力系统调度中心的各时刻预测功率；Pbat为储能系统各时刻功率；Perr为各时刻经过储能系统补偿后仍然存在的功率偏差，对于严格跟踪模式和允许弃风跟踪模式Perr取0；Pdis为储能系统各时刻放电功率；Pcha为储能系统各时刻充电功率。

2）功率约束

式中Pcs为储能系统额定充放电功率。

3）荷电状态约束

式中：E0为储能系统初始SOC 状态，本文取0.5；μcha·i为i时刻充电系数，充电时取1，放电时取0；μdis·i为i时刻放电系数，放电时取1，充电时取0；Pcha·i为i时刻储能系统充电功率；Pdis·i为i时刻储能系统放电功率；Δt为储能系统控制时间间隔。

实际应用中储能系统是一次性建设，而调度计划一般是每24 h更新一次，为了使模型可以不受调度计划更新的影响，需要保证一个调度周期始末时刻储能系统SOC状态相同，即：

式中EN为每个调度周期末尾时刻储能系统荷电状态。

4 算例分析

4.1 数据说明

本文选取2021 年吉林省某风电场全年实测数据进行算例分析，数据分辨率为15 min，风电场总装机容量249.9 MW。本文通过对比严格追踪调度模式，允许弃风追踪调度模式，优化追踪模式，无储能调度模式4 种不同调度模式下的风电场储能系统的配置和风储联合调度情况，对不同调度模式下风储电站的经济性进行分析。储能系统具体参数如表1所示。

表1 储能系统参数Tab.1 Parameters of energy storage system

4.2 风电功率预测结果

本文通过Python 平台搭建长短期神经网络（long short term memory，LSTM）对风电功率进行预测。将2021 年每一季度的前两个月数据作为训练集，第三个月数据作为测试集。将上一时段的实际功率共同输入到预测模型中，进行一天96 次滚动预测，每次输出预测时段内16 个时刻点的预测功率，并将最后一个时刻点的预测结果作为最终预测值。图1为测试集中一周的预测结果。

图1 部分风电功率预测结果Fig.1 Prediction results of partial wind power

对测试集预测结果进行统计，具体量化评价指标如表2 所示，测试集整体均方根误（root mean squared error，RMSE）为0.102 5，平均绝对误差（mean absolute error，MAE）为0.095 5，测试集中每日预测精度均不相同，且预测精度最高与预测精度最低的两天RMSE 值和MAE 值相差较大，为使本文所提调度策略更具普适性，选取测试集中预测精度最低的一天作为后续算例分析数据，预测结果如图2所示。

图2 预测精度最低日预测结果Fig.2 Daily prediction results with the lowest prediction accuracy

表2 风电功率预测结果评价指标Tab.2 Evaluation indicators of wind power prediction results

4.3 调度结果对比

4.3.1 模型求解

为避免智能算法求解优化问题易陷入局部最优解的情况，本文通过调用MATLAB 中的CPLEX 工具箱对优化模型进行求解，所有数值模拟均在具有Intel Core Duo CPU（2.4 GHz）和8 GB RAM 的PC平台上进行测试。

4.3.2 严格追踪模式

严格追踪模式通过在风电场增加储能系统，不考虑经济成本，不限制储能系统装机容量，不存在风电场传输限制（无弃风），使风电场上报的预测曲线准确率达到100%。在风电真实出力大于预测值时，储能系统充电将多余电量完全吸收；在风电真实出力小于预测值时，储能系统放电严格补偿缺失电量，不增加系统备用容量。使风储联合出力曲线与风电电场上报的预测曲线完全相同，如图3 所示。风电场和储能系统调度周期内的具体出力情况如图4所示。

图3 严格追踪模式出力曲线Fig.3 Output curves in strict tracking mode

图4 严格追踪模式出力情况Fig.4 Output situation in strict tracking mode

严格追踪模式下各时刻储能系统的荷电状态变化情况如图5 所示。由图中可以看出，在严格追踪模式下储能系统出现长时间充放电的情况，在时刻点28—48 和76—96 之间尤为明显。储能系统长时间充放电是导致风电场配备的储能系统装机容量过大，经济成本过高的主要原因。

图5 严格追踪模式储能系统荷电状态Fig.5 State of charge of energy storage system in strict tracking mode

4.3.3 允许弃风追踪模式

允许弃风追踪模式在严格追踪调度模式的基础上进行一定放松，同样是为了追求高比例风电利用率，但是考虑一定经济成本，对储能系统装机容量增加一定限制，在不增加系统备用容量的前提下，允许存在弃风成本。因为对于电力系统来说，备用容量增加所带来的成本远大与因弃风降低的收益。由图6 可以看出，相对于严格追踪模式，允许弃风调度模式在时刻57 和时刻59 增加了弃风量，但根据图7 所示，整体出力情况仍然与严格追踪模式接近。

图6 允许弃风追踪模式出力情况Fig.6 Output situation in allowable wind abandonment tracking mode

图7 允许弃风追踪模式出力曲线Fig.7 Output curves in allowable wind abandonment tracking mode

允许弃风调度模式下储能系统荷电状态如图8所示，从图中可以看出，储能系统仍存在长时间充放电的情况。在弃风时刻57和59储能仍进行放电，因为在相邻时段内，风电最大可用出力远高于风电功率预测值，储能系统将进行长时间的充电，需要储能系统提前释放容量，但为了降低预测误差惩罚成本，将放电时刻集中于弃风时刻57 和59，将预测误差惩罚成本转化为弃风损失成本，达到降低总成本的目的。

图8 允许弃风追踪模式储能系统荷电状态Fig.8 State of charge of the energy storage system in allowable wind abandonment tracking mode

4.3.4 优化追踪模式

优化追踪模式就是对储能系统容量进行限制，综合考虑风储联合运行的经济性与预测曲线的准确率，在允许一定预测误差的前提下降低风储电站成本。目前，风电场配置储能系统装机容量通常为风电场装机容量的10%～20%，本文选择额定功率为风电场装机容量20%，额定容量按4 小时放电时长配置的储能系统配合风电实际出力追踪风电功率预测曲线。具体出力情况如图9所示。

图9 优化追踪模式出力情况Fig.9 Output situation in optimized tracking mode

图10 给出了优化追踪模式下风储联合出力曲线。由图中可以看出，优化追踪模式下出力风储联合功率曲线不再完全地等同于预测曲线。这是因为综合考虑经济性与预测准确率之后，风电场配置的储能系统装机容量大幅度降低。

图10 优化追踪模式下出力曲线Fig.10 Output curves in optimized tracking mode

由图11 可以看出，相对于其他两种调度模式，优化追踪模式下储能系统的充放电状态变化更加频繁，储能系统通过多次充放电来平衡预测曲线与真实曲线之间的差值，使得预测误差整体在一个小范围内波动，而且使得大部分是预测误差在风电场允许的预测误差范围内，减少了预测误差惩罚成本，进一步提高了风储电站的经济性。但是在某些时刻风储联合出力曲线远超预测曲线，因为在这些时刻储能系统荷电状态达到饱和，且临近时间段风电实际出力长时间大于预测值，为满足之后的调度需求并保证一定的安全裕度，需要储能系统集中时刻进行放电，将误差惩罚成本降到最低，以此来保证风储联合出力曲线与预测曲线的追踪关系。

图11 优化追踪模式储能系统荷电状态Fig.11 State of charge of energy storage system in optimized tracking mode

4.3.5 不同调度模式对比

本文对比分析了一个调度周期内4 种不同调度模式下各部分经济成本和风电利用率。其中无储能模式下不进行弃风将风电完全并网，因此本文对无储能模式只进行量化计算，并与其他调度模式对比。因为4 种调度模式下实际发电量有所不同，故转化为单位度电成本进行分析，具体结果如表3所示。

表3 不同调度模式对比Tab.3 Comparison of different dispatching modes

从表3 中可以看出储能系统成本占总成本的主要部分。4 种调度模式中严格追踪模式是最理想的情况，预测误差成本为0，风电利用率达到100%，但是度电成本远高于其他调度模式，为了追求准确率需要配备大容量的储能系统来应对各种极端情况，导致储能投资成本远高于其他调度模式；允许弃风追踪模式相对于严格追踪模式经济性有了一定提高，风电功率预测的准确率也很理想，但是储能系统的配置仍然远高于目前风电场所配置的储能系统装机容量，经济性仍然较差；优化追踪模式下的储能系统装机容量远小于其他调度模式，满足目前风电场所配备储能系统的要求，通过控制储能系统充放电状态，使得风储联合出力曲线围绕预测曲线上下波动，避免储能系统的长时间充放电，以此来达到大幅度减小储能系统装机容量，减小储能系统建设成本的目的，使得经济性远远优于严格追踪模式和允许弃风模式。相对于无储能模式优化跟踪模式虽然增加了储能系统投资，但是因增设储能系统风电场风电利用率大幅提高，弃风惩罚成本减小，风电场收益增加，同时预测准确率提高，预测误差惩罚成本大幅减小，总体经济性大幅度提高。

5 结论

本文通过在风电场增加储能系统，构建利用储能系统追踪风电功率预测曲线风储联合经济调度模型。在模型中综合考虑风电预测误差成本以及风储电站的建设和运行成本，获得风储联合出力计划。最后，通过对吉林省某风电场算例的分析，得出以下结论。

1）储能系统的投资成本仍然是风储联合运行的主要成本，而其中储能系统初始投资又是储能系统投资成本的主要部分，降低储能电池原料成本，开发新型储能设备是提高经济性最有效的途径，也将是以后的重点研究方向。

2）在风电场增设储能系统，利用储能系统追踪风电预测曲线，可以大幅提高风电利用率和风电场上报的预测功率精度，增大风电场收益的同时减小预测误差惩罚成本，为大规模的风电并网提供基础。