储能参与新能源消纳的优化控制策略

刘联涛1, 刘飞1, 吉平2, 林伟芳2, 张祥成1, 田旭1, 高菲2

（1. 国网青海省电力公司经济技术研究院，青海 西宁 810008; 2. 中国电力科学研究院有限公司，北京 100192）

  摘要：在中国提升新能源消纳能力、助力碳达峰碳中和目标实现的背景下，提出了一种基于解耦的储能参与新能源消纳的优化控制方法。针对储能系统优化控制非线性模型求解难题，提出了基于解耦的线性简化方法，利用枚举优化和迭代潮流计算结合方法，建立了满足提升新能源消纳目标和电网安全运行约束的储能运行紧致约束条件。算例测试显示，基于解耦的线性简化模型与原有非线性模型保持一致，降低了高阶优化控制模型的求解难度，保障了储能提升新能源消纳的快速可靠决策，提升了新能源和储能综合运行效益。

  引文信息

  刘联涛, 刘飞, 吉平, 等. 储能参与新能源消纳的优化控制策略[J]. 中国电力, 2023, 56(3): 137-143.

  LIU Liantao, LIU Fei, JI Ping, et al. Research on optimal control strategy of energy storage for improving new energy consumption[J]. Electric Power, 2023, 56(3): 137-143.

  引言

  碳达峰碳中和中长期目标的制定，体现了中国积极应对气候变化的重要决心[1-2]。为推动该目标如期实现，中国发改委明确指出，加快推进能源结构优化，严格控制化石能源消费，积极推进风电、光伏等清洁能源的发展。大规模新能源电源在实际运行中出现了限电问题[3-4]。对此在《贯彻落实<关于促进储能技术与产业发展的指导意见>2019—2020年行动计划》[5]中指出，鼓励和支持负荷侧储能发展，探讨储能与分布式发电相结合，建设分布式能源系统，实现可再生能源就地就近消纳利用。

  目前储能技术已成为实现可再生能源高效利用的关键技术和重要途径，并得到广泛认可[6-8]。文献[9-10]开展了新能源消纳评价研究，但更多侧重于储能运行策略研究。文献[11-15]与负荷侧储能优化运营[16-18]类似，着重考虑功率平衡，没有考虑安全运行等非线性约束。文献[11]提出一种光储混合系统在平抑功率波动和峰谷电价套利2种模式下协调运行控制策略。文献[12]针对提高新能源利用水平典型场景，开展电网侧储能典型案例的应用价值和经济性研究。文献[13]以光储充电站的收益最大化为目标，详细考虑光储充电站中储能运行效率和寿命衰减过程，构建储能系统优化运行模型。文献[14]考虑储能调峰能力，以系统调峰成本最小为目标得到不同光伏渗透率下的系统最优调峰策略。文献[15]提出一种基于灵活性平衡理论的可再生能源消纳策略，实现参与消纳各主体相互利益达到均衡。

  文献[19-21]综合考虑了新能源接入系统安全性约束，但针对高阶非线性优化模型，多采用智能优化算法，计算速度和稳定性难以保证。文献[19]通过迭代收敛方式最终获得最优运行策略。文献[20]建立了源–储–荷互动的分布式优化博弈模型，结合粒子群算法和约束支配原则实现了分布式迭代求解。文献[21]构建了集群储能经济模型，利用遗传算法确定各节点储能最优时序出力。

  在大规模新能源并网场景下，特别是在配电网中，制约新能源消纳的原因主要为负荷较小无法实现就地消纳时，反向潮流造成局部电压升高[22-24]，从而降低了电网运行安全性。因此储能运行控制模型须考虑电网安全性约束，并适应新能源和储能快速发展需求，进一步提出适应大规模非线性优化问题的快速稳定的求解方法。在此背景下，本文提出了一种基于解耦的储能参与新能源消纳的优化控制方法。该方法建立了提升新能源消纳的储能系统优化控制模型。针对该非线性优化模型的求解难题，提出了基于枚举优化和迭代潮流计算解耦的储能系统功率的理想下限计算方法，保障了系统电压运行安全约束。根据储能系统的容量和功率约束进一步修正功率下限。在满足修正后的功率约束条件下，建立解耦简化后的储能系统优化控制的线性规划模型，进而计算储能优化运行策略。

  1 储能系统优化控制模型

  当储能系统运行目标为保障电网安全运行、提升新能源消纳能力时，储能系统优化控制模型侧重于利用其灵活的调控手段，减小新能源电源在实际运行中的限电量。在分布式新能源电源并网的中低压电网中，制约新能源消纳的主要因素为反向潮流导致的电压抬升问题。因此优化控制模型主要以降低限电量为目标，兼顾储能运营成本，同时满足电网安全运行约束和储能系统自身运行约束。

  储能优化控制模型以新能源电源和储能运行总成本f最小为目标函数，即

  式中： Δt 为时段间隔；T为调度时段数； NRES 为分布式电源数量；图片分别为时刻t分布式电源i单位限电成本和限电功率； NES 为储能数量； CES,t 为时刻t储能系统充、放电电价；图片为储能系统i在时刻t的充、放电功率，充电时该值为正，放电时该值为负。

  模型运行约束包括常用的电网功率平衡约束和电网安全约束，具体参见文献[21]。

  综上可得由控制变量图片建立的储能系统优化控制模型。该模型为非线性优化模型，当电网规模较大、分布式电源和储能数量较多时，其求解存在难度大、速度慢的问题。为了适应分布式电源和储能大量接入场景下的计算需求，将研究更为简化和稳定的求解方法。

  2 储能系统优化控制模型解耦求解方法

  储能系统优化控制模型解耦求解思路为：考虑到模型中非线性特性主要体现在潮流平衡关系隐性表达的电压约束上，因此要将功率平衡约束和电网安全约束解耦并简化到储能系统的运行约束中，即可将非线性优化问题转化为线性优化问题。基于上述思路，提出的储能系统优化控制模型的解耦求解步骤如下。

  1）利用枚举优化和迭代潮流计算完成储能系统充放电功率的理想下限计算；

  2）根据储能系统的容量和功率约束，利用累加电量法和新能源整体消纳比例计算修正后的充放电功率下限；

  3）建立满足修正后充放电功率约束条件的储能线性规划模型；

  4）计算储能运行策略和新能源限电功率。

  2.1 储能系统充放电功率理想下限计算

  在包含多个分布式电源和储能系统的配电网中，限电功率和储能系统消纳新能源出力的分配遵循公平性原则。

  首先计算在新能源出力较大时段，各储能单元完成100%消纳所需的充放电功率理想下限。此时在潮流计算中，各分布式电源出力为该时段最大出力，各储能单元功率设置为分摊电网无法消纳的部分出力，即

  式中： pRES,t 为时刻t的新能源消纳比例；图片为储能系统i的分摊比例。

  考虑到式（5）唯一变量 pRES,t 是[0,1]区间的数值，因此以1为变量初始值，以0.01为步长，进行枚举优化求解，充电功率理想下限计算流程如图1所示，可得在电网无法完全消纳新能源发电时段的各储能单元充电功率理想下限。

图1 充电功率理想下限计算流程

Fig.1 Calculation flowchart of charging power lower limit

  为了保持电压安全性，须计算储能系统放电功率下限，设置此时储能功率为

  式中： sES,t 为储能系统t时段放电比例，同样属于[0,1]区间。

  pRES,t 求解后，利用枚举优化与迭代潮流计算结合的方法即可求解 sES,t 。将不同时段充电功率和放电功率理想下限结合，可得到各储能单元的理想功率下限

  2.2 储能系统充放电功率下限修正

  最后进行时段恢复，恢复后的图片即为时刻t储能系统i的实际功率下限，理想和实际功率下限的差值即为新能源各时段总限电功率。

  2.3 建立解耦简化的储能系统线性模型

  解耦后的储能系统优化控制模型的目标函数中不再考虑提升新能源消纳能力，约束条件同样不再包含功率平衡约束和电网安全约束。此时的优化控制模型的目标函数仅为储能运营成本最小化，功率约束条件的下限修正为实际功率下限，即

  3 案例分析

  采用IEEE 33节点测试算例系统对所提方法进行验证。节点7、10、15和18分别接入装机容量为560 kW的光伏发电系统，装机总容量占负荷基值的50%。节点13接入额定容量为450 kW·h，最大充放电功率为225 kW的储能系统，储能配置比例为光伏容量的10%，储能时长为2 h，满足目前光伏配建储能的主流要求。储能系统荷电状态正常运行范围为0.1~0.9，电网电压安全运行的上限为1.05(p.u.)，下限为0.95(p.u.)。

  光照场景选取夏季光照曲线，太阳辐照基准值设为1 000 W/m2。负荷场景选用典型的工业负荷，负荷基值参照文献[25]。电价数据参考某省工业分时电价。上述参数在典型日各时段数据如图2所示。

图2 太阳辐照度、负荷和电价的典型日数据

Fig.2 Typical daily solar irradiance, load and electricity price

  储能系统功率以及光伏系统限电曲线如图3所示。从图3中可以看出，为了完全消纳光伏出力，不考虑储能系统约束的理想功率下限在12:00—15:00分别达到了27.9 kW、259.7 kW、228.6 kW和74.5 kW。该功率已经超过了储能系统实际运行能力，因此实际功率下限修正为18.1 kW、146.3 kW、146.3 kW和48.5 kW。修正后光伏出力无法完全消纳，则理想功率下限和实际功率下限的差值分别为9.8 kW、113.4 kW、82.3 kW和26.0 kW。

图3 储能功率下限和光伏限电曲线

Fig.3 Energy storage power limit and photovoltaic curtailment

  考虑与不考虑光伏消纳提升的储能系统运行策略如图4所示。从图4中可以看出，储能运行策略在中午光伏出力高峰时段差异性较大。考虑光伏消纳提升时，其优化运行策略完全符合实际功率下限约束，说明了实际功率下限计算的合理性。不考虑光伏消纳提升的储能系统充、放电特性仅与电价峰谷特性紧密相关，与光伏出力特性并无关联。

图4 储能系统运行策略

Fig.4 Operation strategy of energy storage system

  虽然解耦后储能优化控制模型中不包含功率和电压约束，但经过校验可以看出在13:00时考虑光伏消纳提升后测试系统的电压完全满足电压安全约束，测试系统电压分布如图5所示，从而验证了所提解耦方法的有效性。在不考虑光伏消纳提升的储能系统运行策略下，测试系统中12~18节点的电压在13:00均超过上限。

图5 测试系统电压分布

Fig.5 Test system voltage distribution

  2种目标下光伏限电功率如图6所示。当储能考虑光伏消纳提升时，光伏日限电量仅为231.7 kW·h，此时储能日收益为376.2元。当储能不考虑光伏消纳提升时，光伏日限电量为603.4 kW·h，此时储能日收益为475.9元。储能不考虑光伏消纳提升时，储能收益提高了26.5%，但是限电量增加了160.4%，其社会总效益仍呈现了大幅降低趋势。采用提出的储能优化控制模型和方法，能够实现光伏和储能系统的综合效益提升，并且降低大规模电网的求解难度。

图6 光伏系统总体限电功率

Fig.6 Total curtailment power of photovoltaic

  4 结语

  本文提出了一种基于解耦的储能参与新能源消纳的优化控制方法。该方法利用枚举优化和迭代潮流计算相结合的方法，通过对储能实际运行功率下限的计算，简化了原有模型中的功率平衡约束和电网安全约束，为大规模配电网中的非线性优化模型提供了快速稳定的求解方法。算例测试结果显示，该方法得到的储能充、放电特性仍能保证电网安全约束等原有模型中的非线性约束，验证了基于解耦的储能优化控制简化模型仍和原有模型保持高度一致，实现了原有模型优化目标中新能源和储能的综合运行效益提升。所提方法保障了储能提升新能源消纳的快速可靠决策，为大规模储能系统优化运行提供了技术支撑。