基于风电功率预测误差区间的储能系统控制策略

严干贵，冯凯翔，刘 嘉，李军徽，王 月，孙兆键，李鸿博

（1东北电力大学，吉林 吉林 132012； 2广西电网有限责任公司，广西 南宁 530029； 3国网烟台供电公司，山东 烟台 264000； 4国网吉林省电力有限公司培训中心，吉林 长春 130022）

风能作为当前最具发展潜力的非水能可再生能源，在世界范围内得到快速的发展，对比传统的化石类能源，具有安全、可靠、无污染的良好特性，并且逐步发展为一种新兴主导能源。然而，由于风速具有较强的随机波动性，且风速预测也存在一定的误差[1-2]，风电场的输出功率随之具有波动性和不确定性。为保证电网的安全运行，电网调度人员通 常按历史最大预测误差预留电网空间，这将限制联网风电机组的入网容量。储能系统在响应速度、调节精度上明显优于传统火电机组[3]，与风力发电系统联合运行已成为解决大规模风电并网受限问题的有效手段。风电场的储能装置用于应对风电功率的随机波动，能有效弥补风电功率预测的风电调度风险，保障电网的安全运行。但是，利用储能系统提高风电功率确定性及其策略评估的研究还比较少。

文献[4]指出储能能够提高风电对其并网系统的友好性，并设计了一种储能平抑风电出力波动的策略。文献[5]考虑未来风电出力波动对储能装置当前充放电行为的影响，提出了一种新的电池储能平抑风电场出力短期波动的运行控制策略。文献[6]为了更好利用储能系统平抑大容量风电场功率波动，提出采用多级全钒液流电池（vanadium redox flow battery，VRB）储能的功率优化分配控制策略。文献[7]为提高风电功率的可控性，依据国家电网公司关于风电场并网的技术规定，提出了一种基于新型混合储能系统平抑风电波动功率的方法。文献[8]为缩小0～24 h时间尺度内的风电功率波动幅度，抑制风电输出较大峰谷差，提高风电可靠性，改善电网调峰能力，基于风电功率短期预测技术，提出了平抑风电功率波动的全钒电池储能系统（vanadium redox flow battery energy storage system，VRB-ESS）运行控制策略。文献[9]提出了一种基于模型预测控制（MPC）的实时平抑风电场功率波动的电池储能系统（BESS）优化控制方法。文献[10]指出大规模电池储能系统是平抑风电出力波动的有效途径，介绍了一种铅酸蓄电池的三阶动态模型，验证了仿真模型的准确性及有效性。

以上文献主要研究平抑风电场输出功率及其控制策略设计。本文针对传统风电调度方法导致风电大量弃风的问题，基于时间序列自回归模型预测风电功率，提出利用储能系统应对风电调度风险、提高风电调度入网规模的控制策略；分析风电历史数据，选择适当的概率预测区间作为储能系统动作的阈值，从风电调度入网规模、风电发电量、电网空间利用率等方面，评估了利用储能系统提高风电接纳规模以及容量配置，为提高风电调度入网容量提供了决策依据。

1 风电调度原理及调度策略评价指标

1.1 风电调度的基本原理

风电调度的基本原则是在不危及电网安全的前提下，最大限度利用电网可利用空间。以一定装机容量的历史运行数据作为风电基准值，滚动预测未来调度时段的风电最大出力值。根据该预测值对电网可利用空间的占比，确定各时段安排多大基准装机容量能够实现全额利用电网空间。相应时段的风电调度入网容量计算公式[11]见式(1)

由式(1)可知，风电功率预测最大值越大，为了使调度入网规模不超过电网的接纳极限，单位时段风电调度入网容量必须相应减小。

1.2 调度策略评价指标

为了验证本工作提出策略的有效性，提出三个评价指标：电网空间利用率、平均入网容量及风电总发电量[12]。

电网空间利用率，从“网”的角度评价调度策略。以调度日某时段最大风电功率占该时段电网空间的百分比作为评价指标。即k时段电网空间最大利用率

式中，ηgrid，max∈（0,1），该值越大，表明电网空间得到的利用越充分。

平均入网容量和风电总发电量，从“源”的角度评价调度策略。风电的平均调度入网容量以调度日各调度时段入网容量和的平均值作为评价指标。计算式见式(3)

式中，kC表示调度时段k的风电调度入网容量，N表示总的风电调度时段。风电的总发电量以调度日单位时段风电实际出力的积分和作为评价指标，算式见式(4)

2 基于概率区间预测的风电调度策略研究

2.1 基于时间序列法的风电功率预测模型

风电功率预测精度对于解决风电合理调度具有重要意义。时间序列法的自回归模型所需资料不多，可用自变量数列来进行预测。因此这种方法广泛适用于某些具有时间序列趋势相关的经济自然现象，即受历史因素影响较大的经济自然现象，如各种开采量，各种自然产量等。

自回归模型具体形式为：

式中，tx代表随机变量；p代表模型的阶数；0φ为常数项；φ1，φ2…，φ p为自回归系数，εt为随机干扰量。

以一定装机容量的Q天历史运行数据作为风电功率预测的历史数据样本，计算出特定装机容量风电机组历史数据集上k时段风电功率的最大值。基于历史各调度时段的最大风电功率计算未来调度日各时段风电功率预测最大值，见式(6)

已知的k时段电网传输空间spacekP，由式(1)就可以算出对应的k时段初步风电调度入网容量。

2.2 考虑概率预测区间的风电功率预测模型

出于对电网安全的考虑，通过考虑历史最大预测误差值maxε来安排风电调度方案

由式(7)可知，这种调度方法会牺牲一定量的风电调度入网容量，来顾全系统运行的安全性。然而有关研究表明，风电功率的预测误差呈现正态分布[13]，针对其“大幅值小概率、小幅值大概率”的特点，提出了基于风电概率区间预测的储能系统调度方法。风电功率的概率预测区间可以由经验分布函数(ξ)获得，假设(q) 为(ξ)的反函数，则基于α概率区间的风电调度入网容量计算式见式(8)

式中，2α为风电功率概率区间的上限值，单位时段风电调度入网容量应大于对应时段的电网可利用空间，小于系统内的总风电装机容量。

3 储能系统控制策略及容量配置

3.1 储能系统运行控制策略研究

就目前的经济技术水平，储能系统的造价昂贵。因此，如何设计储能系统运行控制策略及其控制目标成为提高储能系统经济性的重要研究。利用储能系统平抑“大幅值、小概率”的预测误差功率，既能够有效防止电网按历史最大预测误差预留电网宝贵空间，又能防止储能系统进行频繁充放电。本文构建了提高风电调度入网规模的储能系统运行控制策略，以合理的预测误差区间作为储能系统的动作区间阈值，当风电功率预测误差幅度超过该阈值时储能系统动作，反之储能系统不动作。

图1 风电功率的预测误差区间示意图Fig.1 The schematic diagram of wind power prediction error interval

由图1可知，对于2、4、7、10这4个调度时段，风电功率实际幅值超出了允许的预测误差区间，需要利用储能系统进行充放电控制以保障电网安全运行。其它调度时段，由于允许的预测误差区间能够覆盖风电功率实际值，外加系统本身具有一定的调控能力，所以储能系统不必动作。

3.2 储能系统容量计算方法

已知风电功率预测误差曲线和对应的允许误差范围，假设储能系统充放电效率分别为ηcharge、ηdischarge，即可计算出各个时段储能系统的充放电能量Ek，见式(9)

式中，t1表示储能系统的充放电起始时刻，t2表示储能系统的充放电结束时刻，PEss.ref(t)表示储能系统的充放电参考功率。假设储能系统初始能量为E0，则充放电累积能量Wk计算式见式(10)

则所需配置的储能系统容量C就是整个控制周期内储能系统充放电累积能量最大值maxW与最小值minW的差值。

图2给出了储能系统的容量配置计算示意图，其物理意义可表述为：在利用大规模储能平抑风电功率预测误差的过程中，在整个运行周期内需要对储能系统进行充放电控制，对其充放电能量进行累加即可得到对应控制策略的储能系统最大、最小能量需求。为满足对应控制目标，所需的储能系统容量配置必须覆盖最大、最小能量需求，因而取二者的差值。

图2 储能系统容量配置示意图Fig.2 The schematic drawing of energy storage system capacity

4 算例分析

算例以某省级电网为研究对象，该省风电主要集中在一片区域内。风电总装机容量为3000 MW，电网的最大输送能力为2500 MW。为了计算各个调度时段的风电并网容量，本文选取特定装机容量（=1000 MW）30天的历史数据作为风电功率预测启动数据，计算自回归预测模型的参数。以30天的预测数据作为分析风电功率预测误差的样本，分析预测误差，以计算调度日第一个调度时段的风电概率预测区间值。未来调度日计划出力为实测数据。

图3给出了30天的风电功率预测误差曲线，图4给出了其预测误差概率分布直方图。由图3可以看出，风电功率预测误差幅值最大达到0.353 p.u.。传统的风电调度策略需要按0.353 p.u.的预测误差预留电网空间，然而，由图4可知，风电功率预测误差主要集中在±01p.u.以内（94.03%），因此，使用最大预测误差预留电网空间，绝大多数调度时段会极大浪费宝贵的电网空间，导致风电调度入网容量受限。本文选取90%风电功率概率预测区间，基于历史预测误差数据的经验概率分布特性，得到的 90%概率预测区间值约为[-68.41 MW, 93.1 MW]。因此利用储能系统应对10%的预测误差风险，仅需按0.09倍装机容量预留电网空间，与传统的考虑最大预测误差的0.353倍装机容量风电调度方法进行比较。

图3 历史30个调度日风电功率预测误差曲线Fig.3 The curve of history 30 scheduling days wind power prediction error

图4 历史30个调度日风电功率预测误差概率分布直方图Fig.4 History 30 scheduling days of wind power prediction error probability distribution histogram

以一个调度日为例，对比分析本工作方法与传统计及最大预测误差方法的优劣。图5为该调度日内各调度时段的电网可利用空间。对历史数据进行滚动预测，获得24个调度时段的风电功率预测值，预测结果如图6所示。

图5 各调度时段的电网可利用空间Fig.5 Grid scheduling periods of each available space

图6 各调度时段的风电功率预测值（=1000 MW）Fig.6 Wind power prediction value of each scheduling period (= 1000 MW)

给定1000 MW基准风电装机容量，两种方法调度时段风电功率的调度参考值（预测值+预测误差）如图7所示。

图7 各调度时段风电的调度参考值（=1000 MW）Fig.7 Each scheduling period scheduling of wind power reference value (= 1000 MW)

由式(1)可以计算出各调度时段下的风电调度入网容量，计算结果如图8所示。

图8 各调度时段风电的调度入网容量Fig.8 Each scheduling period network of wind power capacity

由图8可知，利用储能系统应对10%风险的风电调度入网容量（平均入网容量2117 MW）要大于传统计及最大预测误差的调度方法（平均入网容量1444 MW）。图9给出了各个调度时段下两种调度方法电网空间最大利用率ηgrid.max，由图9可知，传统计及最大预测误差的风电调度方法在各个调度时段电网空间最大利用率远小于本工作方法，导致风电调度入网受限。

根据调度入网的风电装机容量以及调度日的标准化风电出力值计算出各个调度时段的风电发电量，如图10所示。

图9 各调度时段电网空间最大利用率Fig.9 Each scheduling period grid maximum utilization of space

图10 各调度时段风电发电量Fig.10 Each scheduling period the wind power generating capacity

由图8～图10可知，当利用储能系统应对10%的概率预测误差风险（风电功率的概率预测区间为90%）时，所提出调度方案的入网装机容量、风电总发电量、电网空间最大利用率指标较传统考虑最大预测误差的调度方案均有所提高。即所提出的调度方案能够在满足电网运行安全的前提下提高风电的开发利用规模，此时，仅需配置94 MW·h容量的储能系统即可。

5 结 论

由于风电功率预测误差精度低，针对传统计及最大预测误差的风电调度方法过度预留电网空间导致风电入网容量被限的严峻问题，提出利用储能系统提高风电功率的确定性，松弛电网宝贵空间，提高风电调度入网规模。设计了基于概率区间预测的风电调度策略，利用储能系统应对风电功率的预测误差风险以保障风电并网的安全性。算例以90%概率预测区间为例，从风电的调度入网容量、风电的发电量、电网空间的利用率三个方面对比分析了所提出的调度方法与传统方法的优劣。算例计算结果显示：配置94 MW·h的储能系统能够有效应对10%的电网风险，提高风电调度入网规模，验证了所提出的调度方案的有效性。

[1]Fan Gaofeng（范高锋），Wang Weisheng（王伟胜），Liu Chun（刘纯），et al．Wind power prediction based on artificial neural network [J]．Proceedings of the CSEE（中国电机工程学报），2008，28（34）：118-123.

[2]Yang Xiuyuan（杨秀媛），Xiao Yang（肖洋），Chen Shuyong（陈树勇），et al．Wind speed and generated power forecasting in wind farm[J]．Proceedings of the CSEE（中国电机工程学报），2005，25（11）：1-5.

[3]Yan Gangui（严干贵），Feng Xiaodong（冯晓东），Li Junhui（李军徽），et al．Optimization of energy storage system capacity for relaxing peak load regulation bottlenecks[J]．Proceedings of the CSEE（中国电机工程学报），2012，32（28）：27-35.

[4]Yuan Tiejiang（袁铁江），Chen Jie（陈洁），Liu Peihan（刘沛汉），et al．Strategy of improving large-scale wind farm output fluctuation based on energy storage system[J]．Power System Protection and Control（电力系统保护与控制），2014，42（4）：47-53.

[5]Lou Suhua（娄素华），Wu Yaowu（吴耀武），Cui Yanzhao（崔艳昭），et al．Operation strategy of battery energy storage system for smoothing short-term wind power fluctuation[J]．Automation of Electric Power Systems（电力系统自动化），2014，38（2）：17-22.

[6]Li Hui（李辉），Fu Bo（付博），Yang Chao（杨超），et al．Power optimization distribution and control strategies of multistage vanadium redox flow battery energy sorage systems[J]．Proceedings of the CSEE（中国电机工程学报），2013，33（16）：70-77.

[7]Yu Peng（于芃），Zhao Yu（赵瑜），Zhou Wei（周玮），et al．Research on the method based on hybrid energy storage system for balancing fluctuant wind power[J]．Power System Protection and Control（电力系统保护与控制），2011，39（24）：35-40.

[8]Li Bei（李蓓），Guo Jianbo（郭剑波）．A control strategy for battery energy storage system to level wind power output[J].Power System Technology（电网技术），2012，36（8）：38-43.

[9]Hong Haibo（洪海波），Jiang Quanyuan（江全元），Yan Yuting（严玉婷）．An optimization control method of battery energy storage system with wind power fluctuations smoothed in real time[J]．Automation of Electric Power Systems（电力系统自动化），2013，37（1）：103-109.

[10]Li Junhui（李军徽），Jiao Jian（焦健），Yan Gangui（严干贵），et al．Simulation research of the third-order dynamic model of lead-acid battery[J]．Journal of Northeast Dianli University（东北电力大学学报），2013，33（1-2）：103-108.

[11]Mu Gang，Cui Yang，Liu Jia，et al．Source-grid coordinated dispatch method for transmission constrained grid with surplus wind generators[J]．Automation of Electric Power Systems，2013，37（6）：24-29.

[12]Liu Jia（刘嘉）．Study on the control strategies of energy storage system to improve the scheduling scale of wind power[D]．Jilin：Northeast Dianli University，2014.

[13]Bludszuweit H，Dominguez-Navarro J A，Liombart A.Statistical analysis of wind power forecast error[J].IEEE Trans.on Power Systems，2008，23（3）：983-991.