滚动信息2

摘要

鉴于风储一体化系统中储能容量是影响电网安全稳定运行的关键因素之一，本文提出了一种分布鲁棒优化模型用于风电—电化学储能系统的容量优化配置。该模型采用Wasserstein距离约束对风电出力的随机性进行优化，并以储能容量最小化为目标，构建了包含功率平衡约束、储能充放电约束以及Wasserstein距离约束的数学模型。进一步地，采用免疫算法对上述数学模型进行求解。最后，以安徽省某地风电场的区域电网一月至十一月的电力数据对目标函数进行了仿真验证。结果表明，最优储能容量为6903.55kWh，最小成本为4067111.56元。

关键词：免疫算法；储能容量优化；Wasserstein距离优化模型

1引言

风电是目前应用较成熟、具备规模化发展条件的重要可再生能源。随着我国风电装机容量不断增加，能源结构得到优化，化石能源消耗和环境污染问题得到缓解。但风能具有间歇性和随机性，风速波动会导致风电输出功率不稳定，从而影响电网安全稳定运行。因此，利用储能系统平抑风电波动已成为提高新能源消纳能力的重要手段。

储能技术主要包括物理储能、电化学储能和电磁储能三类[1,2]。其中，电化学储能因配置灵活、调节效率高以及成本持续下降，被广泛应用于新能源并网系统[3-6]。然而，大容量储能系统运行工况复杂，若储能容量配置不合理，会增加系统成本甚至影响运行安全。已有研究开始关注储能系统健康状态对能量管理策略的影响，并提出了多种优化控制方法[7]。同时，针对风电不确定性与弃风率约束的储能容量配置问题，相关研究也取得了一定成果[8]。此外，基于分时电价机制的微网多目标优化调度研究，为储能系统经济运行提供了重要参考[9]。因此，如何在考虑风电不确定性的条件下，实现储能容量优化配置并降低系统运行成本，已成为当前研究重点。

针对上述问题，本文构建基于分布鲁棒优化的储能容量模型，引入Wasserstein距离衡量实际风电出力与预测风电出力之间的差异，并结合免疫算法进行求解。通过实际风电数据仿真分析，验证模型在降低系统成本、增强电网稳定性方面的有效性。

2 基于分布鲁棒优化的储能容量数学模型

2.1目标函数

在储能容量优化配置中，系统总成本是评价方案优劣的重要指标。本文以系统总成本最小为目标，构建如下目标函数：

模型基于Wasserstein[1]距离建立模糊不确定集合，通过预测偏差补偿减少风电波动对系统运行的影响，实现储能配置的经济性与鲁棒性统一。

2.2 约束条件

为保证储能系统安全稳定运行，模型需满足以下约束：

1. SOC约束：限制电池荷电状态在安全范围内运行，避免过充和过放。本文设置SOC上限为0.9，下限为0.2。

2. 功率平衡约束：风电出力与储能系统输出需满足负荷需求，即：

3. 充放电约束：储能系统充放电功率不能超过额定范围。本文规定最大充放电功率为储能总容量的20%。

2.3Wasserstein距离约束

仅依靠传统约束难以有效处理风电出力随机性，因此本文引入Wasserstein距离约束衡量实际风电出力概率分布与预测概率分布之间的差异：

当Wasserstein距离超过设定阈值时，引入惩罚机制，其惩罚值由超出部分与误差成本系数乘积确定。该方法能够动态适应风电波动，提高模型鲁棒性，降低预测误差对储能配置结果的影响。

3 算例仿真

3.1 算例简介

为验证本文所提出基于分布鲁棒优化的储能容量模型的正确性与可行性，本文采用基于Wasserstein距离约束的目标函数衡量实际风电出力与预测风电出力概率分布之间的差异，以保证误差处于可接受范围内。考虑到月度电力数据在预测值与实际值之间通常存在一定偏差，本文选取2023年安徽省某地风电场区域电网1—11月的电力数据作为Matlab仿真数据，以验证模型的准确性与实用性。
同时，由于免疫算法在初始种群选择、交叉及变异过程中具有随机性，因此本文通过多次求解选取最优结果。

图1为该风电场区域电网1—11月的月电力数据，包括风电场实际出力、预测出力以及实际出力与负荷差值三条曲线。

图1安徽省某地风电场的区域电网一月到十一月的月电力数据

在算例仿真过程中，本文设定最大荷电状态（SOC）为0.9，最小荷电状态为0.2[10]。单位功率投资成本、单位容量投资成本和单位功率维护成本分别取1500元/kW、500元/kWh和55元/kW·年[11]。考虑到风电并网成本涉及整流、传输等多种因素，本文为简化计算，将单位储能并网成本设定为20元/kWh。为避免充放电功率过大对电网造成冲击，规定最大充放电功率为储能装置总容量的20%。此外，储能系统充放电效率设定为95％。

3.2 仿真结果及分析

依据算例简介中的相关数据，采用本文提到的基于Wasserstein距离优化模型求解，并且在多次求解中选取最优结果。最优结果如图2和图3所示。

图2最优储能容量变化曲线

图3最小成本和储能容量的关系曲线

采用本文提出的基于Wasserstein距离的优化模型进行求解，结果表明，最优储能容量为6903.55 kWh，对应最小成本为4067111.56元。

根据风电场1—11月电力数据分析，储能系统最大储能需求约为5800 kWh，而优化结果预留了一定缓冲空间，可有效应对风电波动及预测误差。

因此，该模型能够有效平抑风电功率波动，降低系统运行成本，提高电网运行的稳定性与安全性。

4 结论

本文提出的基于Wasserstein距离的储能容量优化模型，通过对风电出力的概率分布进行优化，有效解决了风电出力随机性和不确定性对电网安全稳定运行的影响。仿真结果表明，该模型能够显著提升系统的鲁棒性和可靠性。在最优储能容量为6903.55千瓦时、最小成本为4067111.56元的情况下，系统运行成本和电网稳定性得到了显著改善。本文还对误差成本、充放电速率和SOC约束等参数进行了敏感性分析，发现这些因素对优化结果有重要影响，适当调整这些参数能够进一步优化储能容量配置方案。研究成果不仅为电化学储能系统的容量优化配置提供了新思路，也为风电场的高效运行和智能电网建设提供了重要的理论支持和实践指导。因此，本文推荐在实际应用中采用该最优储能容量和成本配置，以提高风电并网系统的稳定性和经济性。

参考文献

[1] 山雨琦.新能源场站储能容量优化配置[D].华北电力大学:2023.

[2]  孙玉树,杨敏,师长立,等.储能的应用现状和发展趋势分析[J].高电压技术, 2020, 46(1).

[3] 马倩倩.风电—抽蓄—储能电池系统容量优化配置研究[D].天津大学:2022.

[4]  Ge L , Zhang S , Bai X ,et al.Optimal Capacity Allocation of Energy Storage System considering Uncertainty of Load and Wind Generation[J].Mathematical Problems in Engineering, 2020, 2020(10):1-11.

[5]  郭松林、孙博洋、姚峣、胡丽华、柴宏钊、黄阮明、赵晶晶.储能技术及其在新能源并网系统中的典型应用[J].工业控制计算机, 2020, 33(11):4.

[6] IRENA.Electricity storage and renewables: costs and markets to 2030[R]. International Renewable Energy Agency(IRENA),2017.

[7] 李相俊,马锐.考虑电池组健康状态的储能系统能量管理方法[J].电网技术, 2020, 44(11):8.

[8] 杨立滨,曹阳,魏韡,等.计及风电不确定性和弃风率约束的风电场储能容量配置方法[J].电力系统自动化, 2020, 44(16): 45-52.

[9]  王先齐,吕智林,汤泽琦.基于分时电价机制的并网型微网多目标动态优化调度[J].电力系统保护与控制, 2017, 45(4):10.

[10] 王成山,于波,肖峻,等.平滑可再生能源发电系统输出波动的储能系统容量优化方法[J].中国电机工程学报, 2012.

[11] 彭冀浔.电化学储能的成本分析及价值评估方法研究[D].华北电力大学(北京):2023.

陶仁峰、辛丰旭、孔绍兴、周慧男、吴思语

阜阳师范大学物理与电子工程学院