0 引言
目前，传统化石能源短缺问题越来越受到关注，为了能够高效、可持续地利用多种能源，综合能源系统（Integrated Energy System, IES）成为研究热点之一[1-3]。绝大部分时间IES 处于并网状态，考虑到重要负荷的特殊地位，系统会为重要负荷预留足够的事故备用容量，以应对非计划脱网风险。目前已有较多针对事故备用或旋转备用方面的研究。文献[4-5]引入条件风险价值理论，建立了基于风险备用的最优化模型，但该方法需通过设定置信水平以达到风电系统可靠性和经济性的平衡，含有一定的主观因素；文献[6]提出了一种基于鲁棒优化方法的实时电力市场能量与备用联合调度模型，模型中考虑了备用的分区布置，可提高备用在突发情况下的输送能力；文献[7]采用鲁棒线性优化方法确定最优备用容量，与风险规避随机规划模型相比，该鲁棒优化模型能够很好地适应电力系统的规模，具有较好的应用前景；文献[8]考虑发电控制自动备用和事故备用的购入成本，提出一种考虑备用容量分类优化分配的动态经济调度模型，可同时对两类备用容量分时段最优分配；文献[9]从事故后频率恢复控制对备用容量需求出发，提出了事故条件下备用容量配置方法和评价方法；文献[10-11]研究了基于成本效益分析的概率性备用容量确定方法在确定备用容量方面的应用，但该方法难以对效益进行准确评价；文献[12]提出了一种计及成本效益比的电网事故备用容量风险量化协调分配方法，对事故备用配置不足所产生的风险进行量化，基于量化结果重新分配区域电网的事故备用容量。
以上文献的备用容量研究主要是针对电力系统而言，且关注的焦点在备用容量的配置及分配方面，针对不同状态动态优化利用事故备用容量的研究较少。与大电网不同，IES 对重要负荷的事故备用具有更强的针对性，需根据系统负荷特性进行备用配置。与柴油机、燃气机等备用电源相比，具有快速响应能力以及短时高倍率放电等优点[13-15]的电储能是IES 理想的备用电源。然而，与之矛盾的是，受益于目前大电网极高的安全性和稳定性，IES 在实际运行过程中，配置的储能事故备用基本处于闲置状态，在一定程度上造成资源浪费。在承担一定风险的情况下，可考虑以下几个因素优化利用储能备用，进一步提高系统运行的经济性：①考虑系统各时段重要负荷需求差异；②考虑系统所处区域不同状态（特别是天气状态[16-17]，负载状态等）下发生事故的概率差异；③考虑不同事故发生后损失的差异。另一方面，柔性负荷的调节是缓解供需侧矛盾的重要手段之一。随着手机、智能无线设备和电动汽车的快速发展，电池的需求越来越广。电池生产过程中的分容测试逐渐采用能量回馈的形式以实现节能环保。目前，厂商对分容工序充放电参数设置过于简单，通过需求响应手段优化分容工序，不仅可以提高并网运行的经济性，同时，还可以满足脱网情况下部分重要负荷的供电需求，以进一步优化利用储能事故备用容量。系统中若含有温控负荷，可利用其柔性特征[18]，在许可范围内降低舒适度，起到短时缓冲供能不足的作用。
综上所述，本文兼顾脱网风险与并网收益，并考虑分容电池与温控负荷的柔性特征，提出一种基于风险量化与需求侧响应的储能事故备用容量优化利用方法。所提方法总体算法步骤如图1 所示。首先建立IES 设备能量模型，在此基础上，兼顾脱网风险与并网收益，构建基于风险量化与需求侧响应的IES 经济优化调度模型，利用混合整数线性规划算法求解模型，并通过模型预测控制（Model Predictive Control, MPC）滚动优化，消除预测误差，最终确定最优方案。
图1 总体算法步骤
Fig.1 Overall algorithm steps
1 IES 设备能量模型
本文以某电池生产园区IES 为研究对象，其能流如图2 所示。系统主要包括可再生能源、电储能、生产性储能、燃气机、冷温水机、电制冷机、冷/热储能、燃气锅炉以及水泵等辅助设备。电池生产过程需要对电池分容，即充放电测试电池容量，该过程在分容柜内进行，放电过程的电能通过分容柜反馈回电网进行利用。分容电池可看作双向互动性柔性负荷。本质上，电池分容模型与储能充放电模型类似，不同之处在于需要满足生产工序约束（详见4.3 节）。为方便起见，后文将分容电池称为生产性储能。园区生产线有四种类型（a/b/c/d）电池，本文将同一类型电池看作一个生产性储能进行优化。本文建立的部分设备能量模型如下。
图2 电池生产园区IES 能流图
Fig.2 Energy flow diagram of IES in battery production park
1.1 储能模型
储能包括电、冷、热储能和生产性储能，其均为能量存储设备， 建立其统一模型。 对于
，有
式中，t 为运行时段；N 为运行时段集合；ES 为储能类型，分别为电（bes）、冷（ces）、热（hes）、生产性（ges）四类；
为储能所储存的容量与额定容量的比值；κ ES为能量自损耗率；
分别为储能充、放能效率；
分别为储能充、放能功率；WESn 为储能额定容量；Δt 为调度周期；
分别为最小允许储能容量、最大允许储能容量与储能额定容量的比值；
为储能额定功率；
为储能功率，规定放能为正，充能为负。式（1）表示储能运行相邻时段能量平衡关系；式（2）表示储能容量状态上、下限约束；式（3）～式（5）表示储能出力限制及充/放能互补约束；式（6）表示储能输出功率。
1.2 热电联产模型
热电联产设备主要为燃气机。当输入热能达到一定程度时燃气机同时输出电能和热能，对于
，其模型描述为
式中
分别为热电联产输出的电、热功率；
分别为输入热能功率上、下限；
与κchpq、κ q分别为输入热能与输出电、热能的转换系数； ΔU 、 ΔD 分别为热电联产最大上爬坡出力、最大下爬坡出力；Qt chpr为经余热回收设备回收利用的热能；η chpr为热能利用系数。式（7）～式（11）为热电联产出力及爬坡约束；式（12）表示燃气机产生的热量一部分经余热回收设备回收，另一部分未被利用成为弃热。
1.3 制冷设备模型
制冷设备包括以热能为能源的吸收式冷温水机和以电能为能源的电制冷机，其模型为
式中，
分别为冷温水机的供冷功率、耗热功率；
分别为电制冷机的供冷功率、耗电功率； acη 、 ecη 分别为吸收式制冷设备和电制冷设备的性能系数；
为制冷设备额定容量。
1.4 水泵模型
水泵是冷热联供系统中输送冷热能的设备，其耗电功率与输送冷热能关系描述为
式中，
为水泵耗电功率；
与 cλ 、 hλ 分别为输送冷、热能以及相应耗电系数。
2 风险量化方法
利用储能事故备用容量提高并网运行经济性需要承担一定风险。IEEE 标准100-1992 将风险定义为对不期望发生事件的概率和后果的度量，采取概率与后果乘积的表达形式，即
式中，FX 为事件的风险量化值；R 为事件发生的概率；V 为事件带来的后果。风险量化的关键在于计算事件发生的概率以及事件带来的后果，下文对其进行重点分析。
2.1 非计划脱网概率计算方法
研究表明，恶劣天气更容易引起设备故障[16-17]。设备长期处于重载或超载状态引起故障的概率更大。除此之外，发生不同故障的概率也存在差别。基于此，提出一种考虑天气状态、负载率水平及脱网类型多种因素的非计划脱网概率计算方法。首先，本文提出如下划分方法对各类因素进行划分。
1）负载率水平划分。根据工作时段将一天划分为T1(0:00～8:00)、T2(8:00～16:00)、T3(16:00～24:00)三个时段，分别对应低、高、中三种负载率水平。
2）天气类型划分。根据天气类型对电网造成影响的严重程度，将其划分为好天气（A）、坏天气（B）、灾害天气（C）三种。若某时段内w 类型天气影响程度最大，则将该时段作为w 类型天气时段。
3）脱网类型划分。本文研究IES 所处配电网位置主要存在三种故障处理方法，对应三种脱网类型（时长）：①通过隔离开关将系统与故障区隔离（平均15min）；②通过隔离开关将系统与故障区隔离并切换到备用回路（平均45min）；③故障与系统处于同一区块，需修复完元件才可恢复并网（大于2h）。
对各类因素进行划分后统计近几年各时段天气类型与脱网类型数据，如图3 所示。
统计T2 时段A 天气I 类型脱网的段数（实线所示）与T2 时段A 天气的总段数（实线+虚线所示），将其比值作为T2 时段A 天气发生I 类型脱网的概率，其余时段类似。脱网概率计算公式为
图3 非计划脱网数据统计示意图
Fig.3 Schematic diagram of unplanned off grid data statistics
式中，s、w、i 分别为时段、天气类型、脱网类型，
为Ts 时段w类型天气发生i 类型脱网的概率；ms , w, i 为Ts 时段w类型天气发生i 类型脱网的段数；Ms, w 为Ts 时段w类型天气的总段数。根据脱网概率统计数据及天气预测信息，可较准确地得出未来一天各时段发生不同类型脱网的概率。
2.2 重要负荷损失计算方法
1）重要环节电负荷损失。电池生产流程与重要负荷分布如图4 所示。
图4 电池生产流程与重要负荷分布
Fig.4 Battery production process and important load
图 4 中点画线框中蓝色部分为重要环节电负荷，共四个。化成环节通过给电池充电以激活电池。分容环节通过充放电测试电池容量。脱网后，需要维持重要环节正常工作一段时间（约1h）以处理完当前批次剩余材料。处理材料的数量与所消耗电能基本成正比，本文以重要环节单位时间单位功率缺额产生的经济损失与缺额电能的乘积表示重要环节损失，如式（18）。
假设τ 时刻脱网，对于∀τ ∈N ，有
式中，
为脱网后重要环节总损失；Δ t off为脱网时长；h 表示第h 个重要环节；
为脱网后某时刻重要环节单位时间单位功率缺额产生的损失；
为脱网后某时刻重要环节需求功率；
为二进制变量，
取1 和0 分别表示某时刻供应与不供应重要环节负荷。
2）重要温控负荷损失。脱网后需维持在舒适温度范围内防止各生产环节材料损坏，在舒适范围内偏离标准温度会降低舒适度。本文以温控负荷单位时间单位冷（热）功率缺额产生的经济损失与缺额冷（热）能的乘积表示舒适度降低引起的损失，如式（19）和式（20）。
假设τ 时刻脱网，对于∀τ ∈N ，有
式中，
为脱网后温控负荷总损失；
为脱网后某时刻单位时间单位冷（热）功率缺额产生的损失；
为某时刻重要温控负荷需求功率；Qt 为某时刻温控设备输出功率；cair、mair 分别为空气定压比热容、质量；
、
分别为某时刻室内、外温度；kq、Aq、Dq 分别为墙体的传热系数、面积和厚度。
3）控制中心与消防负荷损失。消防或控制中心断电，设置经济损失为无穷大。
3 基于风险量化与需求侧响应的优化模型
3.1 优化变量
优化调度模型中的变量包括并网运行变量与脱网运行变量。以夏季供冷为例，并网运行变量包括电/冷/生产性储能充放能功率、燃气机功率、可再生能源功率、IES 与电网交互功率、电制冷功率及冷温水机功率等。脱网运行变量包括各时刻脱网运行变量，其中某一时刻脱网运行变量包括电/冷/生产性储能充放能功率、燃气机功率、可再生能源功率、重要环节负荷是否投切（0-1 变量）、电制冷功率及冷温水机功率等。脱网可能发生在任意时刻，考虑到模型求解难度及预测精度，设置脱网时间间隔等于调度周期。
3.2 目标函数
利用储能事故备用容量增加了风险，但是降低了并网运行成本，存在兼顾两者的最优解。基于此，本文以并网期望收益与脱网期望损失之差最大为目标函数构建IES 并网优化调度模型，见式（21）～式（23）。
式中，E 为期望收益； E c 为并网期望收益； E l为脱网期望损失。
式中，C0、C 分别为不利用储能备用与利用储能备用的并网运行成本；n 为并网运行时段数；
为某时刻燃气热功率与单位功率的成本；KQ、KP 分别为供冷（热）、供电设备数量，
和
分别为供冷（热）设备出力与单位出力的运行维护成本；
和
分别为供电设备出力与单位出力的运行维护成本；
、
分别为IES 与电网交互功率、交互成本。
式中，V 为脱网运行成本与切负荷损失之和；τ、i 分别为脱网时刻和类型；
为τ 时刻脱网情形下某时刻的燃气热功率；
、
分别为τ 时刻脱网情形下某时刻供冷（热）、供电设备出力；
为二进制变量，
取1 和0 分别表示τ 时刻脱网情形下某时刻供应与不供应第h 个重要环节负荷。
本文提出的优化调度模型中，并网期望收益包括两部分：①一天中无脱网的收益，即根据不脱网概率与并网收益相乘计算；②一天中发生脱网的收益。若脱网发生在T1 时段，恢复并网后储能仍然可以在剩余时段完成峰谷差套利，其收益与无脱网的收益相同。因此，计算cE 时s 不用取1。若脱网发生在其余时段，可能影响到峰谷差套利，且该部分收益相对于无脱网的收益很小，本文忽略该部分。考虑到一天中多次脱网的概率极低，本文也忽略该种情况。
3.3 约束条件
优化模型中主要包括并网约束、脱网约束、并网与脱网关联约束以及生产性储能生产约束。
1）并网运行约束。式（24）、式（25）分别为冷（热）能、电能平衡约束；λ 为水泵电耗系数；
为并网电负荷；
为电制冷（热）功率；
为并网冷（热）负荷；
为第d 个生产性储能出力；D 为生产性储能数量。
对于 ∀t ∈N ，有
2）脱网运行约束。对于∀τ∈N ,∀t ∈[τ,τ+
有
式中，第一项为重要环节连续供能约束；第二项为τ 时刻脱网情形下电能平衡约束；第三、四项为τ 时刻脱网情形下温控负荷柔性约束；
为控制中心与消防负荷； Ts 为标准温度；
分别为温控负荷舒适度范围下、上限。
3）并网与脱网关联约束。对于∀τ ∈N ,
有
式中，
为并网运行过程中τ 时刻燃气机电功率；
为τ 时刻脱网运行燃气机初始电功率；
为并网运行过程中τ 时刻储能容量状态；
为τ 时刻脱网运行储能初始容量状态。
4）生产性储能生产约束如下：①全部电池自动装入分容柜需要预留一定时间；②分容过程充放电倍率范围需根据客户要求设置；③分容步骤需按照充满-放完-充至初始状态的顺序进行且必须在一天内完成全部步骤，分容过程中可静置。将以上约束条件表示如式（28）～式（30）。式（28）为满足第①、第②项约束，Kr 为预留时段数，
和
为充放电倍率上限值；式（29）、式（30）为满足第③项约束条件，其中，式（29）为电池先充满后放完顺序约束，式（30）为一个循环充放电过程且满充满放约束。
对于
有
3.4 模型线性化转换
本文提出的优化模型属于混合整数规划模型，模型中决策变量较多，为了提高计算效率将非线性约束项线性化处理转换为混合整数线性规划模型，然后调用Matlab 混合整数线性规划intlinprog 函数进行求解。主要非线性约束项处理如下。
1）互补约束处理。本文模型中IES 与电网交互功率公式（25）、电/冷（热）/生产性储能充放能公式（1）～式（6）均为互补约束，以储能为例，引入二进制变量对该互补约束进行处理。
对于
有
式中
均为二进制变量，表示t 时刻储能的充放能状态。当储能充能时，
为1，
为0；当储能放能时，
为0，
为1。
2）max/min 项线性化处理。生产性储能约束公式（30）含有max、min 项约束，两种处理方法类似，以约束含min 项为例，引入二进制变量进行线性化处理。
对于
，有
式中，
为二进制变量。
存在唯一的1，当其取1 时，生产性储能
为满放约束。
3）分段函数约束处理。式（7）～式（12）燃气机出力存在分段点，引入二进制变量与连续变量进行处理。
对于 ∀t ∈N ，有
式中，
别为燃气机可调功率下限、上限；
均为二进制变量；
为连续变量。
为0 时，一定为0，即输入热能未达到要求时，燃气机输出功率始终为 0；
为1 时，
可取[0,1]内连续值，即燃气机功率在上、下限范围内连续可调。
4 基于MPC 的日内滚动优化调度
为了提高IES 的稳定性与可控性，同时避免过多或过少利用电储能备用，本文通过MPC 滚动优化，减少并网运行中的不确定性因素，实时跟踪上文求解出的联络线功率与电储能备用（SOCbes）日前计划值。MPC 是不断局部优化和不断滚动实施控制作用的交替过程，详细介绍可参考文献[19]。首先，建立状态空间模型，如式（43）、式（44）。
以夏季供冷为例，当前时刻k 的状态量x(k)由燃气机功率、电储能功率、SOCbes、联络线功率、电制冷机功率、冷温水机功率以及冷储能功率、SOCces 构成；输出量y(k)为联络线功率以及电储能SOCbes。式（43）中，κac为燃气机出力与冷温水机出力比例系数，根据式（7）～式（14）计算。基于超短期预测数据，并对状态空间模型反复迭代，可得到联络线功率与电储能SOCbes 在控制时域m Δt 内的预估输出值构成的向量Yf，如式（45）上部分。取当前时刻向前m Δt时段内，联络线功率与电储能SOCbes 日前计划值构成的向量Rref为跟踪控制目标，如式（45）下部分。
以联络线功率和电储能SOCbes预估输出值与日前计划值之间的误差最小为目标，同时保证各机组控制调节增量尽量小，将日内滚动优化调度转换为式（46）所示的二次规划问题。
式中，H 为联络线功率跟踪误差和电储能SOCbes 跟踪误差的权重系数矩阵；G 为控制量的权重系数矩阵；A、b 为不等式约束中的系数矩阵；Aeq、beq 为等式约束中的系数矩阵；lb、ub 分别为变量的上、下区间。该模型通过调用Matlab 二次规划quadprog函数进行求解。求解之后可得到控制时域内所有机组出力调整量构成的控制序列，下发当前时刻向后第一个调度周期的指令。下一个调度周期到来时，重复上述过程。
5 仿真分析
以某电池生产园区IES 夏季典型日为算例进行仿真验证。电池生产园区IES 供能设备参数、生产性储能参数以及重要环节损失见表1～表3，分时电价数据为：峰时段（8:00～11:00/18:00～23:00）价格1.314 元/(kW·h)，平时段（7:00～8:00/11:00～18:00）价格0.869 元/(kW·h)，谷时段（23:00～7:00）价格0.443 元/(kW·h)，天然气价格2.37 元/m3，天然气热能9.96kW·h/m3。
表1 IES 供能设备参数
Tab.1 IES energy supply equipment parameters
设备 出力范围/kW 容量/(kW·h)可再生能源 [0, 1 000] 1 000电储能 [-4 500, 4 500] 6 500燃气机 [0, 2 040] 2 040冷温水机 [0, 4 106] 4 100电制冷机 [0, 5 800] 5 800冷储能 [-3 050, 2 250] 16 500
表2 生产性储能参数
Tab.2 Productive energy storage parameters
电池类型电池数量测试倍率范围标称电压/V充电效率回馈效率额定容量/(A·h)a 2 000 [0, 0.35C] 3.7 0.82 0.72 75 b 4 000 [0, 0.35C] 3.7 0.82 0.72 35 c 4 000 [0, 0.7C] 3.2 0.82 0.72 10.5 d 2 000 [0, 0.7C] 3.2 0.82 0.72 21
表3 重要负荷单位时间单位功率缺额损失
Tab.3 Important load unit time unit power shortage loss
脱网运行时段/min单位时间单位功率缺额损失/(元/min/kW)重要环节1重要环节2重要环节3重要环节4重要温控负荷0～15 29 39 20 21 3 15～3022 33 16 17 3 30～4518 31 12 15 3 45～6012 17 8 9 3
5.1 脱网风险分析
利用储能事故备用容量会带来风险，假设在重要负荷需求较大时发生1h 脱网，脱网时刻电储能
，冷储能
，生产性储能
根据本文模型可求出脱网运行能源最优调度方案和负荷最优投切方案，结果如图5～图7 所示。
图5 (电)能源调度方案与重要负荷投切方案
Fig.5 (Electrical)Energy scheduling scheme and important load switching scheme
图6 生产性储能和电储能SOC 变化曲线
Fig.6 SOC curves of productive energy storage and BES
重要电负荷损失在脱网的前段时间内较大（见表3），因此前段时间满足全部重要负荷供能需求；而中后段时间，电储能与生产性储能能量不足且负荷的损失较小，因此先后切除了负荷3 和4。同时，减小制冷机耗电功率（图7），利用温控负荷的柔性特征，在温度许可范围内（21～23℃）降低舒适度，保障剩余重要电负荷的供能，减少总损失。在该状态下脱网运行所产生的最小经济损失为50.4 万元。
图7 (冷)能源调度方案与温度变化曲线
Fig.7 (Cold)Energy scheduling scheme and temperature change
根据以上分析，储能备用不足时会产生一定的经济损失。通过计算，极限状态下（无可再生能源与生产性储能利用且重要负荷需求最大）不同储能备用下的经济损失如图8 所示。可知，脱网时间越长，对储能备用要求越高，当储能SOCbes=0.72 时，可以满足任意类型脱网的重要负荷需求。但是，当脱网时间较短时，只需较小的备用（SOCbes=0.25）即可满足重要负荷需求。同时，考虑到非极限状态及脱网概率，实际产生的损失并不会太大。
图8 不同储能备用下的脱网损失与期望损失
Fig.8 Off grid loss and expected loss under different reserve
根据本文提出的脱网概率统计方法，研究区域内不同天气不同时段发生不同类型脱网的概率分布如图9 所示。可知，天气状况越好，脱网概率越小，并且脱网时间相对越短。负载率（工作时段）对脱网概率有一定影响，A、B 类型天气下，高峰时段T2 的脱网概率相对较大。对于C 类型天气，负载率的影响相对天气因素可忽略，同时因C 类型天气统计数据有限，导致部分时段部分类型脱网概率为0 的情况，本文以同一脱网类型下的脱网概率平均值作为各时段的脱网概率。根据脱网概率可计算极限状态下的期望损失如图8 所示。在考虑多种脱网类型及脱网概率情况下，A 类型天气下的期望损失非常小，储能备用容量在该情况下具有较大优化利用的潜力。另外，考虑生产性储能响应，备用容量利用潜力可进一步增大。
图9 脱网概率分布
Fig.9 The probability distribution of off-grid
通过不断升级改造，大电网的稳定性会越来越好，发生非计划脱网的次数（概率）基本呈递减趋势。易知，通过统计过去多年的历史数据得到的平均脱网概率会大于等于最近时段统计的脱网概率。而电网在不断升级改造，当前时刻（实际）的脱网概率会接近甚至低于最近时段统计的脱网概率，由此可知，本文通过统计过去10 年的历史数据得到的脱网概率比实际情况偏高，承担的风险偏小，不会影响优化模型的有效性。随着时间推移，通过新的数据修正脱网概率使之不断趋近于实际情况。
5.2 并网电储能备用与生产性储能优化利用分析
假设未来一天天气类型为AAB，基于风险量化与需求侧响应的模型可求出利用储能备用以及生产性储能后的优化调度方案，结果如图10 和图11 所示。同时对比了三种策略下SOC。策略1，按重要负荷最大需求备用；策略2，基于风险量化备用；本文策略，基于风险量化与需求侧响应备用。比较结果如图12、图13 和表4 所示。
图10 电能优化调度曲线
Fig.10 Power optimization dispatching curves
图11 冷能优化调度曲线
Fig.11 Cold energy optimization scheduling curve
图12 电储能SOC 变化曲线
Fig.12 SOC curves of electric energy storage
图13 生产性储能SOC 变化曲线
Fig.13 SOC curves of productive energy storage
表4 各策略对比
Tab.4 Comparison of strategies
策略 日运行成本/元储能备用利用深度日期望收益/元策略1 250 878 0.720～0.720 0策略2 249 385 0.470～0.280 1 018本文策略 248 680 0.399～0.198 1 773本文策略vs.策略1 ↓2 198 ↑44.6%～72.5% ↑1 773
由图10 和图11 可知，在并网运行中，一方面优先消纳可再生能源满足部分电负荷需求，在平高峰时段，利用燃气机和冷温水机实现冷电联产，由性价比更高的天然气供能，提升了供能的经济性；另一方面，在考虑风险的情况下利用储能备用进行峰谷电价差套利，灵活调节电池分容工序，引导其在电价平谷期充电，在电价高峰期放电，降低了高峰时段的供能成本。
由图12 可知，相比于策略1，策略2 两次利用储能备用（ΔSOC1、ΔSOC3），T3 时段优化利用备用深度最高为0.28。T2 时段利用深度相对较小，主要有三个原因：①该时段重要负荷需求较大；②该时段脱网概率相对较高；③该时段赚取的峰平电价差较小。本文策略利用生产性储能响应，在策略2 基础上进一步利用储能备用（ΔSOC2、ΔSOC4），优化利用备用深度最高为0.198。生产性储能优化结果如图13 所示。其中，c、d 类型电池利用峰谷电价差套利，可降低并网运行成本。但是，该类型电池容量最小时刻与储能备用最小时刻相近，此时脱网会产生较大损失。a、b 类型电池受充放电倍率上限影响，在平时段即开始充电，主要为峰平电价差，因此无法有效降低并网运行成本。但是，a、b 类型电池在储能备用最小时刻具有较大容量，能够降低此时脱网的损失，从另一个角度看，可以进一步优化储能备用利用深度。策略1、2 无优化分容工序，即先完成前道工序的电池先分容。因为数量庞大且工序不同步，控制难度较大，脱网下无法有效利用其能量。由于各电池状态的随机性，电池整体SOC 在0.5 左右。
由表4 可知，相比策略1，策略2 利用储能备用容量产生期望收益1 018 元/天，提升了系统运行经济性。在此基础上，本文策略利用生产性储能与储能备用使系统产生期望收益1 773.2 元/天，进一步提升了经济性。相比于策略1，本文储能备用利用率最高提升了72.5%。进一步，根据本文方法可求得各类天气状态下储能备用最优利用深度及期望收益，结果如图14 和表5 所示。其中，x 指A、B、C 天气中的任意一种。
图14 各类天气状态下储能备用最优利用深度
Fig.14 Optimal utilization depth of energy storage reserve under various weather conditions
表5 各类天气状态下备用最优利用深度与期望收益
Tab.5 Reserve optimal utilization depth and expected return under various weather conditions
注：表格中括号内数值为无可再生能源与生产性储能的情况下，仅利用储能备用优化结果。
天气类型储能备用利用深度日期望收益/元年期望收益/元年总期望收益/万元x-A-A(283d)x -0.399-0.117(x-0.511-0.120)2 676(2 108)757 308(596 564)x -A-B(32d)x-0.399-0.198(x-0.511-0.280)1 773(999)56 736(31 968)x -B-A(17d)x-0.622-0.117(x-0.655-0.120)2 590(2 042)44 030(34 714)x -B-B(20d)x-0.622-0.198(x-0.655-0.280)1 697(943)33 940(18 860)90.9(69.0)x -B-C(6d)x-0.622-0.424(x-0.655-0.498)1 242(501)7452(3 006)x -C-B(5d)x-0.622-0.198(x-0.655-0.280)1 581(869)7905(4345)x -C-C(2d)x-0.622-0.424(x-0.655-0.498)1 169(473)2 338(946)
由图14 可知，天气情况越坏（脱网风险越大），储能备用利用程度越小，该特点与实际情况吻合。T1 时段为电价平谷期，储能处于充电或者充满状态，无优化利用空间。T2～T3 时段，A-A 型天气脱网概率较低，储能备用利用深度为0.399～0.117，T3 时段优化效果显著，几乎完全利用备用容量参与并网优化调度增加收益，所得日期望收益为2 676 元。同时，A-A 型天气在全年出现的次数非常多，如按典型日计算，其全年期望收益可达75.73 万元。C-C 型天气脱网概率最大，优化目标侧重于减小脱网期望损失，因此储能备用利用深度只有0.622～0.424。但C类天气全年出现次数很少，不影响全年总期望收益。B 类天气T3 时段储能备用利用深度介于A 和C 之间，可获取一定收益。
由表5 可知，利用本文方法年总期望收益可达90.9 万元，具有一定的经济效益。其中，仅优化利用储能备用年总期望收益为69 万元（14.74 万元/年/(MW·h)）。未来园区生产线扩张，储能备用需求增大，则可获取更多收益。并网运行中，仅优化生产性储能充放电年总收益为20.4 万元（15.2 万元/年/(MW·h)）。若市场上一年生产的电池为20GW·h，其中分容过程采用能量反馈型的电池按5%计算，则一年可产生总收益或节约成本1.52 亿元。
5.3 MPC 滚动优化调度仿真分析
MPC 滚动优化的预测时长取1h，控制时长取30min，滚动调度执行周期为5min。以夏季典型日ABB 天气为例进行分析。通过MPC 滚动优化得到燃气机、电/冷储能、电制冷机以及冷温水机的实时出力，如图15 所示。可知，为保证联络线功率以及电储能备用跟踪日前计划值，实时调度将对日前调度计划进行修正，同时保证各机组的调整增量尽量小。图16a 为施加MPC 滚动优化时，储能备用的实际变化状态与日前计划值的对比效果。可以看出，储能备用可较好地跟踪计划曲线，避免了过多或过少利用储能备用的情况。图16b 对比了MPC 优化前后联络线功率跟踪情况。无优化时，联络线功率在计划值附近有较大波动，优化后，联络线功率与日前计划值基本吻合，实现了IES 接入配电网的平稳、可控调度。
图15 日内实时调整后的供电/供冷机组出力
Fig.15 Power and cooling power unit output after realtime adjustment
图16 电储能备用与联络线功率跟踪计划值情况
Fig.16 Situation of BES reserve and tie line power tracking plan value
6 结论
本文针对综合能源系统并网运行中如何提高储能事故备用利用效率的问题进行研究，提出了一种基于风险量化与需求侧响应的储能事故备用容量优化利用方法。本文主要研究工作可归纳如下：
1）提出一种考虑天气状态、负载率水平及脱网类型多种因素的脱网概率计算方法，并结合重要负荷损失计算方法将脱网风险进行量化。所提计算方法同时考虑了多种因素，能够较为准确地预判脱网风险。
2）兼顾脱网风险与并网收益，并利用分容电池与温控负荷的柔性特征，构建了基于风险量化与需求侧响应的IES 经济优化调度模型，通过线性化处理将其转换为混合整数线性规划模型进行求解。该方法能够实现不同状态下储能事故备用容量的最优化利用以及电池分容工序的最优化安排，可在承担较小风险的情况下提高IES 运行的经济性，具有较好的实用性和经济性。
3）通过MPC 滚动优化，减少并网运行中的不确定性因素，实时跟踪求解出的联络线功率与电储能备用日前计划值。该方法可提高IES 的稳定性与可控性，同时避免过多或过少地利用电储能备用。
[1] 赵霞, 杨仑, 瞿小斌, 等. 电-气综合能源系统能流计算的改进方法[J]. 电工技术学报, 2018, 33(3): 5-15.
Zhao Xia, Yang Lun, Qu Xiaobin, et al. An improved method for energy flow calculation of electric gas integrated energy system[J]. Transactions of China Electrotechnical Society, 2018, 33(3): 5-15.
[2] 韩佶, 苗世洪, 李超, 等. 计及相关性的电-气-热综合能源系统概率最优能量流[J]. 电工技术学报,2019, 34(5): 169-181.
Han Ji, Miao Shihong, Li Chao, et al. The probability optimal energy flow of electricity gas heat integrated energy system considering correlation[J]. Transactions of China Electrotechnical Society, 2019, 34(5): 169-181.
[3] 王莉, 吴任博, 潘凯岩, 等. 园区智能综合能源管理运营中心建设探究[J]. 电气技术, 2019, 20(8): 110-114.
Wang Li, Wu Renbo, Pan Kaiyan, et al. Research on the construction of intelligent comprehensive energy management and operation center in the park[J].Electrical Engineering, 2019, 20(8): 110-114.
[4] Wang Mu, Wang Jiangbo, Bai Hongkun, et al. A generation-reserve co-optimization dispatching model for wind power integrated power system based on risk reserve constraints[C]//International Conference on Renewable Power Generation (RPG 2015), IET,Beijing, 2015: 1-6.
[5] Chen Houhe, Kong Yiming, Li Guoqing, et al.Conditional value-at-risk-based optimal spinning reserve for wind integrated power system[J].International Transactions on Electrical Energy Systems, 2016, 26(8): 1799-1809.
[6] Li Chunlai, Yun Jingyang, Ding Tao, et al. Robust cooptimization to energy and reserve joint dispatch considering wind power generation and zonal reserve constraints in real-time electricity markets[J]. Applied Sciences, 2017, 7(7): 680.
[7] Zugno M, Conejo A J. A robust optimization approach to energy and reserve dispatch in electricity markets[J].European Journal of Operational Research, 2015,247(2): 659-671.
[8] 罗超, 杨军, 孙元章, 等. 考虑备用容量优化分配的含风电电力系统动态经济调度[J]. 中国电机工程学报, 2014, 34(34): 6109-6118.
Luo Chao, Yang Jun, Sun Yuanzhang, et al. Dynamic economic dispatch of wind integrated power system considering optimal scheduling of reserve capacity[J].Proceedings of the CSEE, 2014, 34(34): 6109-6118.
[9] 林勇, 陈筱中, 郑秀波, 等. 电力系统旋转事故备用容量的配置研究[J]. 电力系统自动化, 2014,38(19): 114-121.
Lin Yong, Chen Xiaozhong, Zheng Xiubo, et al.Estimation of spinning contingency reserve capacity in power systems[J]. Automation of Electric Power Systems, 2014, 38(19): 114-121.
[10] 谭伦农, 张保会. 市场环境下的事故备用容量[J].中国电机工程学报, 2002, 22(11): 55-59.
Tan Lunnong, Zhang Baohui. Reserve capacity for accident in power market environment[J]. Proceedings of the CSEE, 2002, 22(11): 55-59.
[11] 曲翀, 王秀丽, 姚力, 等. 基于条件成本收益分析的旋转备用优化配置[J]. 电力系统自动化, 2014,38(14): 62-69, 89.
Qu Chong, Wang Xiuli, Yao Li, et al. Optimal configuration of spinning reserve based on conditional cost/benefit analysis[J]. Automation of Electric Power Systems, 2014, 38(14): 62-69, 89.
[12] 周霞, 李威, 唐静, 等. 基于风险量化的事故备用容量协调分配方法[J]. 电网技术, 2015, 39(7): 1927-1932.
Zhou Xia, Li Wei, Tang Jing, et al. Risk quantification based coordinative allocation of emergency reserve[J].Power System Technology, 2015, 39(7): 1927-1932.
[13] 付菊霞, 陈洁, 滕扬新, 等. 基于集合经验模态分解的风电混合储能系统能量管理协调控制策略[J].电工技术学报, 2019, 34(10): 2038-2046.
Fu Juxia, Chen Jie, Teng Yangxin, et al. Energy management coordination control strategy of wind power hybrid energy storage system based on set empirical mode decomposition[J]. Transactions of China Electrotechnical Society, 2019, 34(10): 2038-2046.
[14] 汤杰, 李欣然, 黄际元, 等.以净效益最大为目标的储能电池参与二次调频的容量配置方法[J]. 电工技术学报, 2019, 34(5): 77-86.
Tang Jie, Li Xinran, Huang Jiyuan, et al. The capacity allocation method of energy storage battery participating in secondary frequency modulation aiming at the maximum net benefit[J]. Transactions of China Electrotechnical Society, 2019, 34(5): 77-86.
[15] Nguyen Hong N, Nakanishi Y. Optimal scheduling of an isolated wind-diesel-energy storage system considering fast frequency response and forecast error[J]. Energies, 2019, 12(5): 843-863.
[16] Zhang Ning, Liu Jingkun, Kong Chongqing, et al.Mid-short-term risk assessment of power systems considering impact of external environment[J].Journal of Modern Power Systems & Clean Energy,2013, 1(2): 118-126.
[17] Salman A M, Li Yue, Stewart M G. Evaluating system reliability and targeted hardening strategies of power distribution systems subjected to hurricanes[J].Reliability Engineering & System Safety, 2015,144(12): 319-333.
[18] Yang Jingjie, Guo Bingqing, Bo Qu. Economic optimization on two time scales for a hybrid energy system based on virtual storage[J]. Journal of Modern Power Systems and Clean Energy, 2018, 6(5): 164-174.
[19] Parisio A, Wiezorek C, Kyntaja T, et al. Cooperative MPC-based energy management for networked microgrids[J]. IEEE Transactions on Smart Grid, 2017,8(6): 3066-3074.