技术领域
[0001] 本
发明涉及储能技术领域，特别是涉及一种市场机制下面向电网的储能电站选址定容方法。
背景技术
[0002]
电池储能系统(Battery Energy Storage System,BESS)的充放电特性能够对
能量进行
时空平移，在一定程度上实现
削峰填谷。因此，电
力系统配置储能，将有效解决新
能源并网给系统带来的运行压力。且随着我国市场化
进程的不断推进以及储能技术的不断革新，成本的不断下降，储能电站作为独立的运行商参与电力市场成为可能。合理的储能电站选址与定容是储能技术在电力系统中推广应用的关键问题。
[0003] 储能电站的选址定容是一个多目标优化问题，并且储能电站的规划问题和运行问题相互影响，而网络损耗涉及潮流，属于规划问题；储能、新能源和常规机组的优化调度属于运行问题。目前常用的多目标
粒子群优化算法在处理规划和运行两个时间尺度的优化时，比较混乱，因此本发明采用双层决策规划思想建立模型。
[0004] 面向电网配置BESS需综合考虑储能规划和运行，除成本较高外，还面临应用价值不明晰，参与市场机制不健全等问题，在推广过程中的经济优势不足，使得面向电网配置储能的积极性不高。因此，考虑市场机制并从规划和运行分层的
角度分析面向配置BESS的经济性是优化储能容量和
位置的关键。
发明内容
[0005] 针对
现有技术中的
缺陷，本发明提供了一种市场机制下面向电网的储能电站选址定容方法，为储能应用于电力系统提供了新的思路。
[0006] 为解决上述技术问题，本发明采用的一个技术方案是：一种市场机制下面向电网的储能电站选址定容优化方法，包括以下步骤：
[0007] 构建多目标双层规划模型；
[0008] 求解多目标双层规划模型的内层：基于机组组合，采用二进制粒子群算法确定机组的启停状态、出力以及新能源弃电量；
[0009] 求解多目标双层规划模型的外层：基于潮流计算，采用多目标粒子群算法得到储能的布局、容量和充放电功率；
[0010] 根据内层、外层的相互嵌套，得到面向电网的储能电站的最优配置，实现储能电站的定址与定容。
[0011] 所述多目标双层规划模型包括外层目标函数和内层目标函数；
[0012] 所述外层目标函数的构建如下：
[0013] S1：建立储能侧净收益最大的目标函数；
[0014] S2：建立新能源侧附加并网收益最大的目标函数；
[0015] S3：建立机组侧运行成本减小收益最大的目标函数；
[0016] S4：建立电网侧网损减小收益最大的目标函数；
[0017] 所述内层目标函数为计及弃
风的储能、新能源和常规机组的协调最小运行成本。
[0018] 所述建立储能侧净收益最大的目标函数如下：
[0019]
[0020] 其中，f1为储能电站的净收益；Carb为储能电站的高储低放套利；T为调度周期，Δt为时间间隔，ηr为对应时段电价，Caux为储能参与调峰的辅助服务补偿，ηaux为储能电站调峰的补偿价格，m为一年中选取的典型日个数；Pwloss,t和P’wloss,t分别为储能配置前后每小时新能源的弃电量，Cinvest为储能折合到每天的投资成本和运行维护成本，Cc为资本回收系数，r为年利率，αs为储能折合到每年的容量单价即单位容量成本，βs为BESS折合到每年的功率单价即单位功率成本，Pcap和Scap分别为储能的额定充放电功率和额定容量，CE为储能单位投资成本，Tlife为等效运行年限，COM为单位运行维护成本，ε为单位容量成本与单位功率成本的比例，Ps,t为储能电站t时刻的充放电功率。
[0021] 所述建立新能源侧附加并网收益最大的目标函数如下：
[0022]
[0023] 其中，f2为储能配置前后新电源侧的附加并网收益，ηw是风电上网电价。
[0024] 所述建立机组侧运行成本减小收益最大的目标函数如下：
[0025]
[0026] 其中，f3为储能配置前后机组运行成本的减小收益，Cg和C’g分别为储能接入前后机组的单位
煤耗成本，Cgen为机组的运行成本，Ng为机组台数；Pgi,t和P’gi,t为配置储能前后第i台机组在t时刻的出力。
[0027] 所述建立电网侧网损减小收益最大的目标函数如下：
[0028]
[0029] 其中，f4为配置储能前后电网网损的减小收益；Ploss,t和P’loss,t分别是储能配置前后第t小时电网系统的总有功功率损耗；ΔWloss为配置储能前后电网网损的变化量。
[0030] 所述计及弃风的储能、新能源和常规机组的协调最小运行成本的目标函数如下：
[0031]
[0032] 其中，f(Pgi,t)为机组的成本二次函数；ai、bi、ci为系数，Si,t为第i台机组t时刻的启停成本，Pgi,t为机组i在t时刻的出力；ui,t为机组i在t时刻的开停机状态，为0-1变量；Cgen为机组的运行成本。
[0033] 所述求解多目标双层规划模型的内层包括以下步骤：
[0034] 在多目标双层规划模型的内层中，依据外层输入的Pcap和Scap，采用二进制粒子群算法，将机组开停机状态矩阵作为粒子坐标，并进行预处理，当开停机状态矩阵满足机组旋转备用约束和最小开停机时间约束后，得到T个调度周期机组启停状态ui,t及开停机成本Si,t；依据等耗量微增率原则进行经济调度，在满足机组组合约束、储能约束、弃风约束、功率平衡约束后，得到T个调度周期各机组的出力Pgi,t，储能电站充放电功率Psk,t和新能源的弃电量Pwlossj,t。
[0035] 所述求解多目标双层规划模型的外层，包括以下步骤：
[0036] 多目标双层规划模型的外层中，将储能电站的配置位置k，储能电站的充放电功率Ps,t作为多目标粒子群算法的粒子；依据内层输出的T个调度周期电力系统的机组出力Pgi,t，弃电量Pwlossj,t值以及基于潮流计算得到的电网侧有功功率损耗Ploss,t，计算外层目标函数即电网侧、储能侧、新能源侧、机组侧的净收益目标函数，采用多目标粒子群算法实现多目标的优化求解。
[0037] 所述根据内层、外层的相互嵌套，得到面向电网的储能电站的最优配置，包括以下步骤：
[0038] 外层将决策变量即储能的额定容量Scap和额定充放电功率Pcap传入内层，作为内层储能的约束条件上限；内层的目标函数Cgen传递给外层机组侧的收益目标函数，经
迭代得到Pareto解；
[0039] 通过信息熵法对Pareto解进行处理，得到权重系数w1～w4，进而得到最优储能配置，包括以下步骤：
[0040] 1)最优接入方案如下：
[0041] max C＝w1f1+w2f2+w3f3+w4f4 (3)
[0042] 其中，C为最优接入方案；w1～w4为权重系数；
[0043] 2)面向电网的电池储能电站参与电力市场综合效益：
[0044] CBESS＝Cdirect+Cindirect＝f1+(f2+f3+f4) (4)
[0045] 其中，CBESS为电池储能电站参与市场下电力系统的综合效益，Cdirect为电池储能电站的直接收益，即f1，Cindirect为配置储能后带来的间接收益，即f2+f3+f4；
[0046] 3)确定最优储能配置如下：
[0047] C最大时所对应的f1、f2、f3、f4下的储能电站变量参数即为最优的选址定容结果，变量参数包括：储能电站的配置位置k，储能电站的额定功率Pcap和容量Scap，储能电站的充放电功率Ps,t；
[0048] 根据C最大时所对应的f1、f2、f3、f4得到储能电站参与电力市场综合效益CBESS。
[0049] 本发明的有益效果是：引入储能电池的等效寿命损耗模型，储能容量规划计及全寿命周期，能够得到统计和电化学意义上更为合理的优化结果；储能作为独立的运行商参与系统运行，给自身带来经济性的同时也带来了较好的社会效益；可有效减小弃风电量，减小常规机组启停以提高机组运行经济性，同时在一定程度上改善了电网潮流分布；虽然储能投资成本与带来的社会效益正相关，但是市场机制的作用仍能保证储能电站正收益，实现了共赢；基于双层决策的储能选址与定容方法把规划与运行结合在一起，且计及储能的充放电策略对
循环寿命的影响，让运行指导规划，为储能应用于电力系统提供了新的思路。
附图说明
[0050] 图1是一种市场机制下面向电网的储能电站选址定容方法
流程图；
[0051] 图2是BESS参与市场的效益分析图；
[0052] 图3是双层规划模型架构图；
[0053] 图4a是冬季典型日风电、光伏以及负荷功率曲线图；
[0054] 图4b是夏季典型日风电、光伏以及负荷功率曲线图；
[0055] 图5是不同场景下各利益主体的成本效益分析图；
[0056] 图6是场景3储能的充放电策略图。
具体实施方式
[0057] 下面结合附图对本发明的较佳
实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0058] 一种市场机制下面向电网的储能电站选址定容方法，包括以下步骤：
[0059] 步骤1、BESS参与市场的效益分析；
[0060] 步骤2、多目标双层决策模型架构描述；
[0061] 步骤3、BESS等效寿命损耗分析及定量计算；
[0062] 步骤4、从面向电网的储能配置出发，构建综合考虑规划和运行的储能优化配置多目标双层决策模型；
[0063] 步骤5、求解模型，得到市场机制下面向电网的储能电站的最优布局和最优容量；
[0064] 步骤6、进行灵敏度分析。
[0065] 请参阅附图和附表，本发明实施例包括：
[0066] 如图1所示，一种市场机制下面向电网的储能电站选址定容方法，包括以下步骤：
[0067] 步骤1、BESS参与市场的效益分析，如图2所示；
[0068] 以常规机组侧、新能源侧、储能侧和电网侧四个利益主体为研究对象，BESS参与电力市场最直接的效益是通过高储低放的电价差套利和通过为系统提供辅助服务得到补偿。而BESS在主动积极获取经济收益的同时，系统中其他利益主体均获得了效益，这部分收益视为间接效益。间接效益包括：①常规机组侧，BESS削峰填谷作用降低了常规机组的运行成本；②新能源侧，BESS提供调峰辅助服务增加了新能源并网消纳量；③电网侧，储能作为电力和电量的“搬运工”，通过充放电在一定程度上改变了电网潮流，降低了网络损耗。可见大规模储能参与市场在一定程度上实现了电力市场所追求的帕累托最优。
[0069] 步骤2、多目标双层决策模型架构描述，如图3所示；
[0070] 双层规划(BLP)是一类具有主从递阶关系结构的数学模型，外层问题和内层问题都有各自的目标函数和约束条件。外层问题的目标函数和约束条件不仅与外层的决策变量有关，还依赖于内层问题的最优解，而内层问题的最优解又受外层决策变量的影响。双层规划的数学模型描述为：
[0071]
[0072] 其中，F和f分别为外层规划和内层规划的目标函数；x和y分别为外层规划和内层规划的决策变量；G和g分别为外层规划和内层规划的约束条件。
[0073] 外层目标函数为储能电站带来的综合收益最大，包括直接收益Cdirect和间接收益Cindirect，涉及四个利益主体，是多目标优化问题；决策变量是储能的布局、容量配置以及充放电策略，其中容量配置表示为Pcap和Scap。内层将弃风作为决策变量之一，目标函数为储能、新能源和常规机组的协调运行成本最小。即内层的决策变量可表示为Pgi,t、Pwloss,t和Psk,t。
[0074] 步骤3、BESS等效寿命损耗分析及定量计算；
[0075] 考虑充放电策略对储能循环寿命的影响，基于等效寿命损耗将储能规划和运行的相互影响引入模型，以
锂离子电池为例，采用的幂函数法对不同放电深度与循环寿命的对应关系进行拟合，结果如下：
[0076] Lcyc,D＝4000·D-0.795 (2)
[0077] 其中，Lcyc,D为第i次充放电深度下储能电站的循环寿命，次数；D为充放电深度，％。基于BESS每次充放电对电池寿命造成的不可逆转电化学损耗的思想，则BESS的等效运行年限Tlife的计算公式如下：
[0078]
[0079] 其中，NB为一年中的充放电次数。
[0080] 步骤4、从面向电网的储能配置出发，构建综合考虑规划和运行的储能优化配置多目标双层决策模型；
[0081] 进一步地，在外层目标函数的计算中：
[0082] S1：计算储能侧的综合收益：将BESS的投资成本定义为储能电站的额定功率Pcap和储能电站的容量Scap的函数，参考目前已有的研究和设备制造商提供的数据，计算BESS投资成本；在计算调峰辅助服务补偿时，采用调峰里程法量化储能接入前后间新能源弃电量的变化，如公式(4)所示。
[0083]
[0084] 其中，f1为储能电站的净收益，$；Carb为BESS的高储低放套利，$；T为调度周期，24h；Δt为时间间隔，1h；ηr为对应时段电价，$/kW·h；Caux为储能参与调峰的辅助服务补偿，$；ηaux为BESS调峰的补偿价格，$/MW·h；m为一年中选取的典型日个数；Pwloss,t和P’wloss,t分别为储能配置前后每小时的弃电量，MW；Cinvest为储能折合到每天的投资成本和运行维护成本，$；Cc(r,n)为资本回收系数；r为年利率，取0.1；αs为储能折合到每年的功率单价，$/kW；βs为BESS折合到每年的容量单价，$/kW·h；Pcap和Scap分别为储能的额定充放电功率和额定容量，MW、MW·h，传递给内层作为内层的约束条件上限；CE为储能单位投资成本，$/kW·h；COM为单位运行维护成本，$/kW·h；ε为kW·h/kW成本的比例。Ps,t为储能电站t时刻的充放电功率，MW。
[0085] S2：计算新能源侧的收益，如公式(5)所示。
[0086]
[0087] 其中，f2为储能配置前后新电源侧的附加并网收益，ηw是风电上网电价，$/kW·h。
[0088] S3：计算常规机组侧的收益，如公式(6)所示。
[0089]
[0090] 其中，f3为储能配置前后常规机组运行成本的减小收益，$；Cg和C’g分别为储能接入前后常规机组的单位煤耗成本，$/MW·h；Cgen为常规机组的运行成本，$；Ng为常规机组台数；Pgi,t和P’gi,t为配置储能前后第i台机组在t时刻的出力，MW。
[0091] S4：计算电网侧的收益，如公式(7)所示。
[0092]
[0093] 其中，f4为配置储能前后电网网损的减小收益，$；ΔWloss为配置储能前后电网网损的变化量；Ploss,t和P’loss,t分别是储能配置前后第t小时系统的总有功功率损耗，本发明不计及
无功功率损耗。
[0094] 进一步地，创建储能优化配置模型约束条件，包括BESS的功率和容量约束、充放电状态约束、静态潮流约束，如公式(8)～(11)所示。
[0095] S1：储能的功率和容量约束：Ps,t为t时刻储能电站的充放电功率，则此时储能电站的
荷电状态Ssoc为：
[0096] Ssoc,t＝Ssoc,(t-1)+Ps,t·Δt (8)
[0097] 受制于储能充放电功率和容量的限制，t时刻的储能电站应满足：
[0098]
[0099] 其中，Pmax,t和Smax,t分别为储能在t时刻的充放电功率最大值和存储能量的最大值，MW、MW·h。
[0100] S2：储能充放电状态约束：假设λt为储能的充放电状态标志，因每个时间段只能有一种状态，因此其取值原则为：
[0101] λ1,λ2,…,λt∈{-1,0,1} (10)
[0102] 其中，λt＝0表示储能处于闲置的浮充状态；λt＝1为充电状态；λt＝-1为放电状态。t表示时刻。
[0103] S3：静态潮流约束
[0104]
[0105] 其中，Pgi和Qgi分别是
节点i处常规机组的有功和无功出力；Pdgi和Qdgi分别是节点i处新能源的有功和无功出力；Pwlossi为弃电量；Psi是节点i处储能的充放电功率；Pli和Qli分别是节点i的有功负荷和无功负荷；Ui、Uj分别为节点i和j的
电压；Gij、Bij分别为节点导纳矩阵i行j列的
实部和
虚部；θij为节点i，j之间的相角差；N为节点个数。
[0106] 除节点功率约束外，节点电压幅值和相角约束、系统电源的有功和无功出力约束等其他约束，这里不再赘述。
[0107] 进一步地，在内层目标函数的计算中：
[0108]
[0109] 其中，f(Pgi,t)是常规机组的成本二次函数；ai、bi、ci为系数，$/h、$/MW·h、$/MW2·h；Si,t是第i台机组t时刻的启停成本，$。ui,t和u’i,t为配置储能前后第i台机组在t时刻的启停状态。忽略新能源的运行成本，并不计及储能的自放电量，因此只考虑计及弃风的储能、新能源和常规机组的协调最小运行成本中只需要计算常规机组的运行成本。
[0110] 进一步地，创建内层约束条件，包括弃风功率约束、储能约束、机组组合约束，如公式(13)～(15)所示。其中，常规机组约束还包含出力上下限约束、爬坡约束、最小开停机约束以及旋转备用约束等其他约束，在此不做赘述。
[0111] S1：弃风功率约束
[0112] 0≤Pwlossj,t≤Pdgj,t (13)
[0113] 其中，Pdgj,t为新能源j在t时刻的预测出力，MW。Pwlossj,t表示为第j个风
电场在t时刻的弃风量，MW。
[0114] S2：储能约束
[0115]
[0116] 其中，Psk,t和Ssock,t分别为t时刻第k座储能电站的实际输出功率和容量；Pcapk和Scapk分别为第k座储能电站的最大输出功率和总容量，是外层问题的决策变量，由外层计算以后传递给内层。
[0117] S3：机组组合约束
[0118]
[0119] 其中，NI、Ns分别为系统接入新电源、储能电站的数量，Pl,t为t时刻的总负荷需求，MW。Psk,t为第k座储能电站在t时刻的充放电功率，MW。
[0120] 外层基于最优潮流，采用多目标连续粒子群法确定储能的布局、容量配置和充放电功率；内层基于机组组合，采用二进制粒子群
优化算法来确定机组的启停状态、出力以及新能源的弃电量。内外双层多次迭代结束后，得到一组Pareto解，即得到多组f1～f4。为了避免决策者自身对最终决策的影响，本发明采用信息熵法来确定各目标值的权重w1～w4，，得到maxC，即确定最优接入方案。
[0121] maxC＝w1f1+w2f2+w3f3+w4f4 (16)
[0122] 其中，C为确定权重后的接入方案；w1～w4为权重系数。
[0123] 因此，面向电网的储能电站参与电力市场综合效益包括直接收益和间接收益两部分，可表示：
[0124] CBESS＝Cdirect+Cindirect＝f1+(f2+f3+f4) (17)
[0125] 其中，CBESS为BESS参与市场下系统的综合效益，$；Cdirect为储能电站的直接收益，即f1，$；Cindirect为配置储能后带来的间接收益，即f2+f3+f4，$。
[0126] 步骤5、求解模型，得到市场机制下面向电网的储能电站的最优布局和最优容量；
[0127] S1、载入系统基本数据，包括负荷数据，风电数据，光伏数据，以及10台常规机组的参数数据，初始化储能位置、容量和充放电功率；
[0128] 以锂离子电池储能电站为例，各参数取值如表1所示。采用基于10机系统修正后的39节点测试系统，机组与节点的对应情况如表2所示。系统的最大负荷是1500MW，新能源的总装机是625MW，其中风电500MW。选取冬夏两个典型日为例，即m＝2。冬季和夏季典型日风电、光伏以及负荷功率情况如图4a、图4b所示。
[0129] 分时电价设定为：高电价时段：10:00～14:00、19:00～21:00，电价为1.1元/kW·h；低电价阶段：00:00～09:00和15:00～18:00，22:00～24:00，电价定为0.35元/kW·h。风电上网电价取83.76$/MW·h(0.56元/kW·h)。
[0131]
[0132] 表2 10机系统与39节点的对应关系
[0133]
[0134]
[0135] 本发明选取以下4个场景进行比较：
[0136] 场景1：无储能；
[0137] 场景2：单位置配置储能；
[0138] 场景3：两位置配置储能；
[0139] 场景4：三位置配置储能。
[0140] S2：内层依据外层输入的Pcap和Scap，采用二进制粒子群算法，将机组开停机状态矩阵作为粒子坐标，并进行预处理，当开停机状态矩阵满足机组旋转备用约束和最小开停机时间约束后，得到T个调度周期机组启停状态ui,t及开停机成本Si,t；依据等耗量微增率原则进行经济调度，在满足机组组合约束、储能约束及弃风约束、功率平衡约束后，后，得到T个调度周期各机组的出力Pgi,t，储能电站充放电功率Psk,t和新能源的弃电量Pwlossj,t；计算目标函数，作为粒子适应值。进行循环迭代；
[0141] S3、当内层迭代结束后，外层将储能电站的配置位置k，储能电站的充放电功率Ps,t作为多目标粒子群算法的粒子；依据内层输出的T个调度周期电力系统的机组出力Pgi,t，弃电量Pwloss,t值以及基于潮流计算得到的电网侧有功功率损耗Ploss,t，计算外层目标函数即电网侧、储能侧、新能源侧、机组侧的净收益目标函数，采用多目标粒子群算法实现多目标的优化求解。
[0142] 从而得到内外双层多次迭代结束后，得到一组Pareto解，即得到多组f1～f4。为了避免决策者自身对最终决策的影响，本发明采用信息熵法来确定各目标值的权重w1～w4，，得到maxC，即确定最优接入方案，实现储能的定址与定容；模型的优化配置结果如图5和图6所示；
[0143] 步骤6、进行灵敏度分析。分析不同分时电价和储能投资成本对储能优化配置结果的影响。
[0144] 在一种市场机制下面向电网的储能电站选址定容方法的步骤5中，即求解模型，得到市场机制下面向电网的储能电站的最优布局和最优容量，本发明提出的储能优化配置模型属于非线性、混合整数、多目标优化问题。由于优化本身是一个具有挑战性的课题，本发明仅关注在市场机制下面向电网的储能电站优化配置结果，而不是优化技术本身，因此，外层基于最优潮流，采用多目标连续粒子群法确定储能的布局、容量配置和充放电功率；内层基于机组组合，采用二进制粒子群优化算法来确定机组的启停状态、出力以及新能源的弃电量。
[0145] 在一种市场机制下面向电网的储能电站选址定容方法的步骤6中，即进行灵敏度分析，影响优化结果的因素有分时电价、BESS单位投资成本，具体的敏感性分析方法为：(1)以两位置配置BESS为
基础，依次等比例改变分时电价的取值，分析不同分时电价对BESS的位置和容量以及总收益的影响关系；(2)以两位置配置BESS为基础，分析不同分时电价对BESS的位置和容量以及总收益的影响关系。
[0146] 本方案的验证结果如下：该系统两位置配置储能更具合理性和优越性。最优规划安装位置为节点3和节点7，最优规划功率分别为74MW、68MW，最优规划容量分别为162MW·h、178MW·h。
[0147] 以上所述仅为本发明的实施例，并非因此限制本发明的
专利范围，凡是利用本发明
说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
