图1 集中式共享储能运营模式示意图
Fig.1 Centralized shared energy storage operation mode
摘要 随着高比例新能源电力系统的发展，源网荷不同场景下对储能的需求与日俱增。该文提出一种面向多场景调节需求的集中式共享储能鲁棒优化配置模型。首先，设计了兼顾协调电源侧出力计划和参与电网侧调频的共享储能运营模式，给出了共享储能在不同场景调节需求下的运行策略；然后，考虑源网储的联合出力约束与动态频率约束，同时对发电与用电不确定性采用精确概率分布的鲁棒理论进行分析，建立了考虑随机变量极端偏差情况下的集中式共享储能鲁棒优化配置模型；最后，以修改后的IEEE 39节点对所构建模型进行仿真分析，讨论了影响容量配置模型经济性与鲁棒性的关键因素，验证了该文所提优化共享储能配置模型的有效性。
关键词：集中式共享储能 容量优化配置 多场景调节需求 源网荷不确定性
在“碳中和、碳达峰”以及打造“国家清洁能源产业高地”的双重目标驱动下，青海省已成为目前全国新能源装机占比最高的省域电网[1]。由于新能源装机容量的快速增长导致电网侧压力持续增大，电源侧弃电形势日益严峻，储能以灵活性资源应对上述挑战[2]。然而常规的储能规划往往从电源、电网等单一主体角度出发，难以适应共享模式下的多主体需求，因此研究兼顾多场景调节需求的集中式共享储能优化配置方法，对推动青海省新能源电站与共享储能的协同发展具有重要的理论意义与现实价值。
目前对集中式共享储能的优化配置根据不同场景的调节需求主要集中在电网侧与电源侧。在电网侧，面对高比例新能源电力系统的未来发展形态，通过储能弥补电网中存在的调节需求，来保证新能源电力系统的安全稳定运行[3-4]。文献[5]通过将共享储能与火电机组进行联合调频来提升电网的调节能力。文献[6]利用储能装置进行惯量补偿来响应系统的频率变化和提升系统的频率稳定性，进行储能的容量配置。文献[7]提出了通过共享储能平抑净负荷波动的储能配置方法。文献[8]提出利用储能来跟踪日前调度计划以及参与电网调频，为电网提供频率支撑。在电源侧，通过存储或补偿功率误差提升新能源的友好并网能力。文献[9-10]分别利用截断正态分布法与计算跟踪计划允许误差带法对储能补偿新能源功率预测误差场景开展储能配置。文献[11]联合共享储能解决不同类型风电场收益分配失衡的问题，通过对风电场采用预测误差比例分配方式的方法求解发电侧共享储能规划模型。文献[12]考虑了不同的风光互补方式，通过分析不同情况下新能源电站并网后的波动率进行储能的配置。文献[13]提出一种发电侧新能源电站自配储能下的共享储能合作模式，各新能源电站通过发电过剩功率和缺额功率构建共享网络，确定储能的容量。
在对集中式共享储能优化配置问题的求解方面，多种仿真方法、规划理论、智能算法以及双层优化方法等被广泛应用到储能配置的求解问题上。文献[14-15]采用了不同的仿真方法，其中文献[14]以满足电力供需为目标，确定风光储联合发电系统的整体并网功率，采用蒙特卡洛仿真方法计算储能的配置；文献[15]分析了系统调峰能力的不确定性，基于时序运行仿真方法求解储能的容量。文献[16-18]均采用不确定规划理论，分别利用随机规划的方法与鲁棒优化的方法对储能的配置问题进行规划，其中文献[16]采用随机规划方法对负荷和风电的随机性进行分析，构建了多个典型场景对储能进行规划；文献[17-18]均通过对新能源电站以及负荷采用不确定性方法进行分析，构建了在极端场景下的发电和负荷的随机特征，采用鲁棒优化的方法对储能进行规划。文献[19-22]采用智能优化算法与双层优化方法进行求解，其中文献[19]以平抑风电场功率波动为目标，采用云模型和K-means聚类算法提取充放电工况曲线的典型集合求解储能的容量；文献[20]通过贝叶斯理论分析风光出力的不确定性，采用多目标鲸鱼算法对储能配置模型进行求解；文献[21]通过考虑微网之间的电需求和热需求，以共享储能容量租赁机制为基础，采用双层优化方法构建共享储能的容量配置模型；文献[22]通过储能参与调峰，考虑系统经济性构建储能的双层优化配置模型。
总体而言，集中式共享储能配置下目标多样，从电源侧促进新能源发电友好并网到电网侧提升新能源电力系统安全经济运行水平均有涵盖，但大多从电源、电网等单一主体的角度出发，难以适应共享模式下的多主体多目标需求。在对优化配置问题的求解上对源荷不确定性的准确描述仍然是合理配置储能容量时面临的主要挑战，多参与者之间大量的数据分析与求解、不同场景下的调节需求与目标造成的利益冲突、参与者之间复杂的不确定分析、储能对不同参与者的响应情况等导致难以平衡集中式共享储能容量优化配置模型的经济性与鲁棒性。
为此，本文结合青海省共享储能发展的需求，分析了共享储能兼顾电源侧和电网侧的多场景调节需求的运营模式。在此基础上，计及源荷双侧不确定性，对发电和用电不确定变量采用的鲁棒理论进行分析，并规划在极端偏差情况下集中式共享储能净收益最大时的储能容量，进而提出面向多场景调节需求的集中式共享储能鲁棒优化配置模型。最后通过多目标鲸鱼算法进行求解，解决模型中多目标与非线性的复杂约束，算例仿真分析了多场景调节需求发生变化时对配置结果的影响，验证了本文所提集中式共享储能鲁棒配置模型的可行性。
集中式共享储能利用储能在时间和空间上的互补特性，来满足兼顾协调电源侧出力与参与电网侧调频的多场景调节需求，通过合理地配置和调用储能资源，有效提升储能的经济性和灵活性。在协调电源侧出力的调节需求场景下，共享储能通过充电存储光伏电站的弃电量，通过放电补偿光伏电站跟踪调度计划的缺额功率。在参与电网侧调频的调节需求场景下，共享储能通过充电存储电网中火电机组的向下调频缺额，通过放电补偿电网中火电机组的向上调频缺额。本文所构建的集中式共享储能多场景调节需求下的运营模式如图1所示。
图1 集中式共享储能运营模式示意图
Fig.1 Centralized shared energy storage operation mode
集中式共享储能在电源侧的调节需求场景下，主要用于协调光伏电站的出力计划，解决由于光伏电站的发电时间段集中在中午，而用户的电量使用高峰时段集中在白天和晚上，造成电力系统出现弃电、电量供不应求等问题。
为解决光伏电站弃光率高、利用率低的问题，本文根据太阳能辐照度等数据，利用共享储能协调光伏电站群的出力计划。光伏电站的出力
受到太阳能辐照强度
的影响，具体表示为
（1）
式中，
为标况太阳能辐照强度，一般
；
为光伏电站的额定容量。
集中式共享储能在t时刻用于协调电源侧出力计划调节需求场景的功率表示为
（2）
式中，
为光伏电站群在t时刻的弃光电量；
为集中式共享储能满足电源侧调节需求的充放电功率；
为电网中火电机组的数量；
为电网中火电机组s在t时刻的出力；
为t时刻的负荷。此外，通过参与电源侧调节需求功率的正负，约束集中式共享储能同一时刻协调电源侧出力计划的充放电功率。
集中式共享储能在电网侧的调节需求场景下，主要用于参与电网侧的调频，解决由于光伏电站并网后内部发电机组的低惯量特征以及负荷用电功率波动造成电网出现的频率失稳等问题。
本文通过将光伏电站发电的随机性视为负负荷，负荷用电的随机性视为正负荷来求解净负荷波动。研究净负荷波动对电网频率造成的影响，利用集中式共享储能参与电网调频，来缓解当电网中的火电机组出力无法调节净负荷波动时的情况。电网中火电机组可以向上、向下调节的最大出力为
（3）
式中，
为火电机组向上调频的最大出力；
为火电机组向下调频的最大出力；
为火电机组可以调节的净负荷波动的最大出力的标幺值，其与电网允许的最大频率偏差以及电网中调频的传递函数有关，详细建模与分析见文献[8,14]；
为火电机组s的容量。
集中式共享储能在t时刻用于参与电网调频调节需求场景的功率表示为
（4）
式中，
、
分别为集中式共享储能参与电网调节需求时向上、向下的调频功率；
为净负荷的波动量。此外，通过布尔变量
、
来约束集中式共享储能在同一时刻只能对电网进行向上或向下调频。
集中式共享储能在满足兼顾电源侧与电网侧的多场景调节需求时，根据净负荷波动的状态可以将其划分为两种运行模式。
1）运行模式1：电网中火电机组出力可以满足净负荷波动，即共享储能只需满足协调电源侧出力计划的调节需求。
2）运行模式2：电网中火电机组出力无法满足净负荷波动，即共享储能需要兼顾电源侧协调出力的调节需求以及电网侧参与弥补火电机组调频功率缺额的调节需求。净负荷波动超过火电机组的调频下限，共享储能通过放电来进行补偿；净负荷波动超过火电机组的调频上限，共享储能通过充电来进行存储。
综上所述，根据1.2节与1.3节的多场景调节需求分析，集中式共享储能运行模式的切换依据是共享储能参与电网侧调频需求的功率。因此集中式共享储能以满足电源侧调节需求为前提，根据面向多场景调节需求的运行模式，可以建立集中式共享储能容量与其充放电功率的关系表达式和储能的运约束，具体表示为
（5）
（6）
（7）
式中，
为共享储能在t时刻的荷电状态，由集中式共享储能额定容量以及当前时刻的容量状态进行计算，因此与共享储能多场景调节需求的充放电功率有关；
为集中式共享储能的净功率，
表示集中式共享储能在t时刻充电，
表示集中式共享储能在t时刻放电；
、
、
分别为集中式共享储能的自放电系数以及充、放电系数；
为共享储能参与电网调频的系数。约束式（7）保证集中式共享储能在总周期内的充电量等于放电量。
考虑源荷双侧不确定性，利用鲁棒理论构造发、用电功率不确定合集，本节以光伏电站的输出功率为例进行描述，其不确定合集表示为
（8）
式中，
、
、
分别为光伏电站i在t时刻的实际输出功率、预测功率与最大输出功率的偏差；
为光伏电站i在t时刻输出功率的偏差系数；
为光伏电站的总数；
为偏差系数的无穷范数约束；
表示同一个时段内各光伏电站实际输出功率与预测输出功率的偏差不能同时到达其功率的边界[23]，因此需要通过光伏电站的空间约束参数
对光伏电站输出功率的不确定合集进行求解。
本文假设归一化后的光伏电站的输出功率的偏差
服从标准正态分布，对光伏电站输出功率的偏差系数以及不确定性空间约束参数的详细建模与求解见文献[17]，推出本文光伏电站输出功率的空间约束参数，表示为
（9）
式中，
为累计概率密度函数的反函数；
为不确定变量的置信概率；
为方差。
通过构造拉格朗日函数，对式（7）和式（8）使用线性对偶理论可以求得偏差极端情况下光伏电站群的输出功率，具体表示为
（10）
式中，
、
分别为偏差极端情况下光伏电站群在t时刻输出功率的上边界和下边界；
为向下取整函数。
同理，对负荷的用电不确定性采用上述鲁棒理论的方法进行分析。可求得负荷的空间约束参数
，偏差极端情况下负荷的用电功率为
（11）
式中，
、
分别为偏差极端情况下负荷在t时刻输出功率的上边界和下边界；
、
分别为负荷i在t时刻的实际用电功率、预测功率与最大用电功率的偏差。
综上所述，考虑发电、用电功率偏差极端情况，当光伏电站为1个时，其输出功率的偏差系数小于1，设该光伏电站为j；当负荷为1个时，其用电功率的偏差系数小于1，记该负荷为m，分别达到各自不确定合集的上下边界。
本文构建在电网中火电机组碳排放量
最少下集中式共享储能电站面向多场景调节需求下净收益
最高的鲁棒优化配置模型。
1）目标函数
（12）
（13）
式中，
、
、
分别为电网中火电机组s的碳排放系数；
、
分别为集中式共享储能协调电源侧出力，参与电网调频的收益；
、
分别为集中式共享储能中年化投资成本、运行维护成本。
式中，
、
为集中式共享储能协调电源侧出力和参与电网侧调频的单位功率的辅助服务价格。
（15）
式中，
为集中式共享储能的容量；
为集中式共享储能的年均运行维护成本系数；
为集中式共享储能建设的单位容量成本；
为其使用寿命，
为贴现率。
2）约束条件
（1）电网中火电机组运行约束见文献[17]。
（2）共享储能的功率平衡约束见式（2）。
（3）共享储能的调频功率约束见式（4）。
（4）共享储能的运行约束见式（5）～式（7），包括共享储能的容量约束、SOC约束和充放电功率约束。
根据本文1.3节集中式共享储能参与电网调频的分析，结合本文2.1节发电与用电功率偏差极端情况的描述，集中式共享储能在参与电网调频的调节需求场景下存在以下两种极端情况。
（1）光伏电站群发电的输出功率达到其自身不确定合集的下边界，负荷的用电功率达到其自身不确定合集的上边界，系统处于供不应求的状态。
（2）光伏电站群发电的输出功率达到其自身不确定合集的上边界，负荷的用电功率达到其自身不确定合集的下边界，系统处于供大于求的状态。
本文采用在极端情况外运行概率值（Probability Out of Extreme cases, POE）来对所构建模型的鲁棒性进行分析，POE推导过程见文献[17]，表示为
综上所述，结合本节对共享储能参与电网极端情况的分析与式（9），可以通过光伏与负荷不确定变量的空间集群效应与置信概率求解所构建模型的POE。当POE=0时，本文所构建模型退化为传统鲁棒优化模型。该情况下，集中式共享储能配置结果的经济性最低。因此，可以根据共享储能不同发展阶段的需求与特点，合理设置模型中的POE水平，在满足多场景调节需求下兼顾共享储能优化配置模型的经济性与鲁棒性。
集中式共享储能在可行范围内寻求最优配置方案由多目标鲸鱼算法（Multi-Objective Whale Optimization Algorithm, MOWOA）完成。集中式共享储能模型求解流程如图2所示。对于模型中共享储能的功率平衡约束、共享储能的调频功率约束、共享储能的荷电状态约束等复杂约束，在算法中利用动态松弛约束方式进行处理。
图2 容量鲁棒配置模型求解流程
Fig.2 Flow chart of capacity configuration model solution
本文基于青海省某500MW的光伏电站群运行数据构建算例，采用修改后的IEEE 39节点对共享储能鲁棒配置模型进行仿真分析，其结构如附图1所示，参考文献[24]结构，在37号节点接入光伏电站群，在35号节点接入集中式共享储能。电网中火电机组的运行参数[17]详见附表1，其中电网中火电机组可以调节的最大出力值的标幺值为
。集中式共享储能的相关参数[25]详见附表2。本文选取四种典型日（春、夏、秋、冬）下24个时段的光伏出力与负荷进行分析。典型日光伏电站出力与负荷如图3所示。
图3 典型日光伏出力与负荷
Fig.3 PV power and load on typical days
3.2.1 集中式共享储能的运行结果
本文假设随机性变量光伏输出功率、负荷用电功率相对应的光伏电站与负荷的总数分别为20、30，并假设不确定变量偏差的标准值服从标准正态分布[20]（即不确定变量的预测精度为68.27%），储能时长按1h进行配置，研究在置信概率为60%时共享储能的容量配置结果。面向多场景调节需求的容量配置结果见表1。从表1可以看出集中式共享储能的配置容量为85MW，电源侧调节需求的收益为659万元，电网侧调节需求的收益为135万元，多场景调节需求下的净收益为794万元。另外，根据式（16）可计算此时模型POE为0.02%，处于较低状态，模型具有鲁棒性。
表1 面向多场景调节需求的容量配置结果
Tab.1 Capacity configuration results for multi-scenario regulation demands
电源侧调节需求收益/万元电网侧调节需求收益/万元净收益/万元容量/MWPOE(%) 659135794850.02
多场景调节需求下集中式共享储能的运行情况如图4所示。以向下调频的极端情况进行分析，从图4可以看出集中式共享储能在四个典型日下任意时段的运行情况同时满足电源侧与电网侧的调节需求，即处于本文1.4节所述的运行模式2。
图4 多场景调节需求下集中式共享储能的运行情况
Fig.4 Operation of centralized shared energy storage under multi-scenario regulation demands
从图4a可以看出集中式共享储能在协调电源侧出力下利用较为充分，在光伏电站的发电输出的高峰时段，共享储能充电来吸收弃电电量；在无光伏发电时段，共享储能进行放电来保证用电需求。
从图4b可以看出集中式共享储能在参与电网侧调频下，其在向下调频极端情况下任意时段的充放电变化趋势与净负荷波动变化趋势基本保持一致，因此集中式共享储能能够满足电网的调频需求，保证模型的电力供需稳定与电力供需平衡。
需要指出的是，以春季典型日与冬季典型日为例，对比图4a可以看出，在冬季典型日的1～12时段下，光伏电站发电输出功率较高（见图3），但共享储能在该时段却处于放电状态。一方面是由于在该时段负荷的用电功率较高（见图3），因此需要共享储能放电来协调电源侧的出力以满足电量需求；另一方面是由于在该时段的负荷用电功率较大，造成净负荷的波动也较大，因此需要共享储能放电来满足该时刻电网的调频需求。
3.2.2 电源侧调节需求分析
集中式共享储能满足电源侧调节需求下光伏电站的出力在四个典型日的总出力电量为13 202.56MW·h，其中弃光总电量为542.39MW·h，弃光率仅为4.1%。多场景调节需求下集中式共享储能能够较好地协调光伏电站的出力计划，将弃光率保持在较低的状态。
需要指出的是，以春季典型日为例，结合结合图3和图4，在春季典型日的12、14、16时段存在较少的弃光电量。这是由于该时段电力供大于求，共享储能通过充电来降低电源侧的弃电量，但该时段共享储能的荷电状态（式（5））已超过其正常工作的范围。
3.2.3 电网侧调节需求分析
集中式共享储能满足电网侧调节需求下电网中火电机组的出力情况如图5所示。从图5可以看出：无论是在对电网进行向上调频还是向下调频的需求中，火电机组的总体出力一直保持在较低的状态，这是由于所构建模型通过增加集中式共享储能参与电网侧调频的功率来达到降低电网中火电机组的碳排放量的目的。另外，结合附表2中10个火电机组的运行参数，可以发现各个机组均保留部分出力来应对集中式共享储能无法参与调节电网调频需求时的情况。
需要指出的是，分析图5中火电机组在春季典型日与冬季典型日的出力情况，可以看出火电机组在对电网进行向下调频的总体出力小于向上调频的总体出力，尤其是冬季典型日的14～18时段。这是由于在电网存在向上调频需求时，光伏的输出功率处于自身不确定合集的下边界、负荷的用电功率处于自身不确定合集的上边界，系统处于供不应求的状态，因此，一方面需要集中式共享储能放电，另一方面需要增加火电机组的出力，来满足光伏电站的跟踪需求和电网的调频需求。
图5 电网中火电机组的向上向下调频出力情况
Fig.5 Extreme output situation of frequency modulation of thermal power units
3.3.1 置信概率与空间集群效应的影响分析
多场景调节需求下电源侧与电网侧调节需求功率发生变化时，集中式共享储能的配置结果也会发生改变。需要指出的是，多场景调节需求功率的变化主要表现在集中式共享储能的运行模式的切换。根据式（6）可知，面向多场景调节需求的集中式共享储能以满足电源侧调节需求为前提。根据式（8）～式（10）可知，集中式共享储能满足电网侧调节需求的功率与光伏输出功率以及负荷用电功率的置信概率与空间集群效应有关。
集中式共享储能参与电网侧调频的功率与置信概率的关系如图6a所示。从图6a可以看出，以冬季典型日为例，置信概率的改变会造成电网中存在调频需求的不断减少，造成在集中式共享储能在面向多种调节需求中电网侧调频的需求占比不断减少，共享储能的出力趋于只需满足电源侧的调节需求。需要指出的是，当置信概率a减小到30%时，集中式共享储能参与电网调频的功率为0，即电网中火电机组的出力能够满足电网存在的调频需求，集中式共享储能的运行模式此时处于多场景调节需求的运行模式1。
图6 集中式共享储能电网侧需求与不确定变量的关系
Fig.6 Relationship between centralized shared energy storage grid side demand and uncertain variables
集中式共享储能参与电网侧调频的功率与空间集群效应的关系如图6b所示。从图6b可以看出，以冬季典型日为例，不同空间集群效应中集中式共享储能参与电网调频的功率保持一致，空间集群效应的改变基本不会造成电网中调频需求的变化。需要指出的是，当置信概率a大于30%时，无论空间集群效应发生怎样的改变，集中式共享储能始终处于运行模式2。
3.3.2 共享储能容量配置的经济性分析
结合前文的分析，可知不确定变量的置信概率是共享储能配置经济性的影响因素之一。本节研究置信概率对集中式共享储能配置结果与净收益影响。
不同置信概率下集中式共享储能配置结果见表2。从表2可看出，当置信概率为α=68.27%时，共享储能的容量为86MW，收益为773万元，模型POE=0，为传统鲁棒优化模型；当置信概率为α=55.5%时，共享储能的容量为83MW，收益为816万元，模型POE=0.09%，共享储能的容量降低了3MW，净收益增加了43万元。
表2 不同置信概率对集中式共享储能配置结果的影响
Tab.2 The effect of different confidence probabilities on centralized shared energy storage configuration results
α（%）空间约束参数POE（%）共享储能容量/MW净收益/万元 传统鲁棒086773 6028.5019.200.0285794 55.526.4017.600.0983816 4521.7017.601.1181857 3014.509.7024.2379899 208.905.90100.0079899 100.890.59100.0079899
综上所述，随着置信概率a的减小，共享储能的容量在不断减少，净收益不断增加。这是由于置信概率的下降使得光伏的输出功率以及负荷的用电功率的不确定合集变小，系统中净负荷的波动减少，电网对集中式共享储能的调频功率需求也在减小。相对应的储能的容量与投资成本减小，净收益增加。且当置信概率a减小到30%及以下时，电网的调频需求通过火电机组的出力即可满足，集中式共享储能处于运行模式1。
3.3.3 共享储能容量配置的鲁棒性分析
本节研究置信概率与空间集群效应对集中式共享储能配置模型POE的影响。
多场景调节需求下不同置信概率对所构建模型POE的影响如图7所示。从图7可看出，随着置信概率a的减小，所构建模型的POE不断增加，模型的鲁棒性趋于不稳定。
图7 不同置信概率对所构建模型POE的影响
Fig.7 The effect of different confidence probabilities on the model POE
多场景调节需求下不同空间集群效应对所构建模型POE的影响如图8所示，其中采用文献[15]的划分情况对不同的空间集群效应进行体现，一共设置了10组空间集群效应的情况。从图8可以看出，在空间集群效应较高的Case1下，系统POE的数值基本保持在0的位置，处于图8中的下端方格部分。在空间集群效应较低的情况10下，系统POE的数据基本保持在1的位置，处于图8中的上端斜线部分，以置信概率为60%为例，观察不同空间集群效应对模型POE的影响，可知所构建模型POE同空间集群效应的变化趋势相反，随着空间集群效应的增加，所构建模型POE不断减小，模型的鲁棒性趋于稳定。
图8 不同空间集群效应对所构建模型POE的影响
Fig.8 The effect of different spatial cluster effects on POE
针对新能源电力系统中多场景调节需求对储能灵活性与经济性的迫切需求，本文提出了一种面向多场景调节需求的集中式共享储能鲁棒优化配置模型。主要结论如下：
1）设计了考虑多场景调节需求的集中式共享储能模式。该模式下集中式共享储能能够兼顾协调光伏出力计划和满足电网的调频的调节需求，在降低光伏电站弃光率的同时，还可以减轻电网侧火电机组调频压力。
2）建立了考虑随机变量极端偏差情况下的集中式共享储能鲁棒优化配置模型。通过对发电与用电的不确定性进行精确刻画，集中式共享储能可以在光伏出力和用电负荷存在较大不确定性时，兼顾多场景调节需求的鲁棒性与经济性。
3）分析了多场景调节需求下源荷不确定性对集中式共享储能优化配置的影响。分析表明，空间集群效应主要影响集中式共享储能电源侧的调节需求，置信概率主要影响集中式共享储能电网侧的调节需求和收益。
附表1 集中式共享储能的相关参数
App.Tab.1 Related parameters of shared energy storage
参数数值 储能充、放电效率(%)90 贴现率(%)12 储能寿命/a15 储能自放电率(%)5 储能调频功率系数0.13 运行维护成本系数/[元/(MW·h)]20 000 储能电荷状态上限/下限1/0 储能单位造价/(元/MW)1 200 000 储能调频单位辅助服务价格/(元/MW)5 储能协调出力单位辅助服务价格/(元/MW)500
附表2 火电机组运行参数
App.Tab.2 Operating parameters of the thermal power unit
机组编号出力上界/MW出力下界/MW 1470150786.7938.540.152 4 2470135451.1646.160.105 8 3340731 049.9940.390.028 0 4300601 243.5338.300.035 4 5243731 658.5736.330.021 1 6180571 356.6638.270.017 9 7130201 450.7036.510.012 1 8120471 450.7036.510.012 1 980201 455.6039.580.109 0 1055101 469.4040.540.129 5
附图1 修改后的IEEE 39节点系统
App.Fig.1 Modified IEEE 39 node system
参考文献
[1] 伍梦尧. 清洁能源高比例发展看青海[N]. 中国电力报, 2021-07-21(1).
[2] 吴珊, 边晓燕, 张菁娴, 等. 面向新型电力系统灵活性提升的国内外辅助服务市场研究综述[J]. 电工技术学报: 1-11[2022-06-25]. DOI: 10.19595/j.cnki. 1000-6753.tces.211730.
Wu Shan, Bian Xiaoyan, Zhang Jingxian, et al. A review of domestic and foreign ancillary services market for improving flexibility of new power system[J]. Transactions of China Electrotechnical Society: 1-11[2022-06-25]. DOI: 10.19595/j.cnki.1000- 6753.tces.211730.
[3] Yang Yuqing, Bremner S, Menictas C, et al. Battery energy storage system size determination in renewable energy systems: a review[J]. Renewable and Sustainable Energy Reviews, 2018, 91: 109-125.
[4] 王霞, 应黎明, 卢少平. 考虑动态频率约束的一次调频和二次调频联合优化模型[J]. 电网技术, 2020, 44(8): 2858-2867.
Wang Xia, Ying Liming, Lu Shaoping. Joint optimization model for primary and secondary frequency regulation considering dynamic frequency constraint[J]. Power System Technology, 2020, 44(8): 2858-2867.
[5] 裴佑, 裴哲义, 邱伟强, 等. 基于区块链的共享储能联合调频分散交易机制设计[J]. 电力自动化设备, 2021, 41(10): 138-145.
Pei You, Pei Zheyi, Qiu Weiqiang, et al. Design of decentralized trading mechanism for shared energy storage joint frequency regulation based on blockchain[J]. Electric Power Automation Equipment, 2021, 41(10): 138-145.
[6] 刘巨, 姚伟, 文劲宇, 等. 一种基于储能技术的风电场虚拟惯量补偿策略[J]. 中国电机工程学报, 2015, 35(7): 1596-1605.
Liu Ju, Yao Wei, Wen Jinyu, et al. A wind farm virtual inertia compensation strategy based on energy storage system[J]. Proceedings of the CSEE, 2015, 35(7): 1596-1605.
[7] 李咸善, 解仕杰, 方子健, 等. 多微电网共享储能的优化配置及其成本分摊[J]. 电力自动化设备, 2021, 41(10): 44-51.
Li Xianshan, Xie Shijie, Fang Zijian, et al. Optimal configuration of shared energy storage for multi-microgrid and its cost allocation[J]. Electric Power Automation Equipment, 2021, 41(10): 44-51.
[8] 李军徽, 侯涛, 穆钢, 等. 电力市场环境下考虑风电调度和调频极限的储能优化控制[J]. 电工技术学报, 2021, 36(9): 1791-1804.
Li Junhui, Hou Tao, Mu Gang, et al. Optimal control strategy for energy storage considering wind farm scheduling plan and modulation frequency limitation under electricity market environment[J]. Transactions ofChina Electrotechnical Society, 2021, 36(9): 1791-1804.
[9] 石涛, 张斌, 晁勤, 等. 兼顾平抑风电波动和补偿预测误差的混合储能容量经济配比与优化控制[J]. 电网技术, 2016, 40(2): 477-483.
Shi Tao, Zhang Bin, Chao Qin, et al. Economic storage ratio and optimal control of hybrid energy capacity combining stabilized wind power fluctuations with compensated predictive errors[J]. Power System Technology, 2016, 40(2): 477-483.
[10] Bludszuweit H, Domínguez J A. Probabilistic energy storage sizing for reducing wind power forecast uncertainty[J]. Renewable Energy and Power Quality Journal, 2010, 1(8): 1153-1157.
[11] 杨帆, 王维庆, 程静, 等. 基于误差分配原则的发电侧共享储能容量规划研究[J]. 电力系统保护与控制, 2022, 50(7): 91-102.
Yang Fan, Wang Weiqing, Cheng Jing, et al. Capacity planning of shared energy storage on the generation side based on the error distribution principle[J]. Power System Protection and Control, 2022, 50(7): 91-102.
[12] 熊宇峰, 司杨, 郑天文, 等. 基于主从博弈的工业园区综合能源系统氢储能优化配置[J]. 电工技术学报, 2021, 36(3): 507-516.
Xiong Yufeng, Si Yang, Zheng Tianwen, et al. Optimal configuration of hydrogen storage in industrial park integrated energy system based on stackelberg game[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 507-516.
[13] 孙偲, 陈来军, 邱欣杰, 等. 基于合作博弈的发电侧共享储能规划模型[J]. 全球能源互联网, 2019, 2(4): 360-366.
Sun Cai, Chen Laijun, Qiu Xinjie, et al. A generation-side shared energy storage planning model based on cooperative game[J]. Journal of Global Energy Interconnection, 2019, 2(4): 360-366.
[14] Hou Kai, Jia Hongjie, Xu Xiandong, et al. A continuous time Markov chain based sequential analytical approach for composite power system reliability assessment[J]. IEEE Transactions on Power Systems, 2016, 31(1): 738-748.
[15] 孙伟卿, 宋赫, 秦艳辉, 等. 考虑灵活性供需不确定性的储能优化配置[J]. 电网技术, 2020, 44(12): 4486-4497.
Sun Weiqing, Song He, Qin Yanhui, et al. Energy storage system optimal allocation considering flexibility supply and demand uncertainty[J]. Power System Technology, 2020, 44(12): 4486-4497.
[16] Akram U, Mithulananthan N, Raza M Q, et al. RoCoF restrictive planning framework and wind speed forecast informed operation strategy of energy storage system[J]. IEEE Transactions on Power Systems, 2021, 36(1): 224-234.
[17] 李笑竹, 王维庆, 王海云, 等. 考虑荷源双侧不确定性的跨区域灵活性鲁棒优化运行策略[J]. 高电压技术, 2020, 46(5): 1538-1549.
Li Xiaozhu, Wang Weiqing, Wang Haiyun, et al. Robust optimized operation strategy for cross-region flexibility with bilateral uncertainty of load source[J]. High Voltage Engineering, 2020, 46(5): 1538-1549.
[18] Zahasky C, Krevor S. Global geologic carbon storage requirements of climate change mitigation scenarios[J].Energy & Environmental Science, 2020, 13(6): 1561-1567.
[19] 吴杰, 丁明, 张晶晶. 基于云模型和K-means聚类的风电场储能容量优化配置方法[J]. 电力系统自动化, 2018, 42(24): 67-73.
Wu Jie, Ding Ming, Zhang Jingjing. Capacity configuration method of energy storage system for wind farm based on cloud model and K-means clustering[J]. Automation of Electric Power Systems, 2018, 42(24): 67-73.
[20] 李笑竹, 王维庆. 基于贝叶斯理论的分布鲁棒优化在储能配置上的应用[J/OL].电网技术:1-11[2022-06-25].DOI:10.13335/j.1000-3673.pst.2021.1978.
Li Xiaozhu, WANG Weiqing. Distributed robust optimization based on Bayesian theory application in allocation of energy storage[J/OL]. Power System Technology:1-11[2022-06-25].DOI:10.13335/j.1000-3673.pst.2021.1978.
[21] 帅轩越, 王秀丽, 吴雄, 等. 计及电热需求响应的共享储能容量配置与动态租赁模型[J]. 电力系统自动化, 2021, 45(19): 24-32.
Shuai Xuanyue, Wang Xiuli, Wu Xiong, et al. Shared energy storage capacity allocation and dynamic lease model considering electricity-heat demand response[J]. Automation of Electric Power Systems, 2021, 45(19): 24-32.
[22] 李军徽, 张嘉辉, 李翠萍, 等. 参与调峰的储能系统配置方案及经济性分析[J]. 电工技术学报, 2021, 36(19): 4148-4160.
Li Junhui, Zhang Jiahui, Li Cuiping, et al. Configuration scheme and economic analysis of energy storage system participating in grid peak shaving[J]. Transactions of China Electrotechnical Society, 2021, 36(19): 4148-4160.
[23] 王少林, 韩鑫磊, 王海磊. 新能源场站储能系统的鲁棒优化配置策略[J]. 现代电力, 2021, 38(6): 636-644.
Wang Shaolin, Han Xinlei, Wang Hailei. Robust optimization configuration strategy for energy storage system of new energy station[J]. Modern Electric Power, 2021, 38(6): 636-644.
[24] 郑乐, 胡伟, 陆秋瑜, 等. 储能系统用于提高风电接入的规划和运行综合优化模型[J]. 中国电机工程学报, 2014, 34(16): 2533-2543.
Zheng Le, Hu Wei, Lu Qiuyu, et al. Research on planning and operation model for energy storage system to optimize wind power integration[J]. Proceedings of the CSEE, 2014, 34(16): 2533-2543.
[25] 梅生伟, 王莹莹, 刘锋. 风-光-储混合电力系统的博弈论规划模型与分析[J]. 电力系统自动化, 2011, 35(20): 13-19.
Mei Shengwei, Wang Yingying, Liu Feng. A game theory based planning model and analysis for hybrid power system with wind generators-photovoltaic panels-storage batteries[J]. Automation of Electric Power Systems, 2011, 35(20): 13-19.
[26] Liu Sai, Zhou Cheng, Guo Haomin, et al. Operational optimization of a building-level integrated energy system considering additional potential benefits of energy storage[J]. Protection and Control of Modern Power Systems, 2021, 6(1): 1-10.
Robust and Optimized Configuration of Centralized Shared Energy Storage for Multi-Scenario Regulation Demand
Abstract With the continuous development of the high proportion new energy power system, the demand for energy storage under different scenarios of source network load is increasing day by day. A robust optimal allocation model of centralized shared energy storage for multi-scenario regulation demand is proposed. Firstly, the operation mode of shared energy storage is designed, which takes into account the coordination of the power supply side output plan and participation in power grid side frequency modulation. The operation strategy of shared energy storage under multi-scenario regulation demand is given. Secondly, considering the joint output constraint and dynamic frequency constraint of source network storage, and describing the uncertainty of power generation and consumption by using the robust theory of accurate probability distribution, a robust optimal allocation model of centralized shared energy storage considering the extreme deviation of random variables is established. Finally, the modified IEEE 39 node is used to simulate and analyze the constructed model, and the key factors affecting the economy and robustness of the capacity allocation model are further discussed to verify the effectiveness of the optimal allocation model proposed in this paper.
Keywords: Centralized shared energy storage, capacity optimization configuration, multi-scenario regulation demand, source-load uncertainty
DOI:10.19595/j.cnki.1000-6753.tces.220726
中图分类号：TM910
国家自然科学基金（52077109）和青海省科技成果转化专项（2021-GX-109）资助项目。
收稿日期 2022-05-04
改稿日期 2022-06-25
杜锡力 男，1998年生，硕士研究生，研究方向为共享储能的优化配置。E-mail：duxl1017@foxmail.com
陈来军 男，1984年生，教授，硕士生导师，研究方向为新能源发电与储能技术。E-mail：chenlaijun@qhu.edu.cn（通信作者）
（编辑 赫蕾）