协调大规模风电汇聚外送的储能配置优化规划

李笑蓉，朱 瑾，石少伟，周 毅，程 瑜

（1.国网冀北电力有限公司经济技术研究院，北京 100038；2.华北电力大学电气与电子工程学院，北京 102206）

0 引言

为有效应对日益严峻的能源短缺和环境污染困境，风电、光伏发电等洁净可再生能源大规模并网成为必然，特别是“双碳”目标提出后，我国能源转型升级进程进一步加速[1]。新能源发电具有间歇性、波动性和随机性，使得大规模新能源并网给电网的安全稳定、电能质量、新能源消纳等方面带来了新的挑战[2-4]。电网调峰容量不足[5]以及网架约束受阻[6]带来的弃风问题成为新能源高占比电力系统发展建设关注的焦点问题。其中，大规模风电并网后，由于电网传输受限引起的弃风问题日益严峻[7-8]。针对我国将新能源跨省区外送到负荷中心的现实需求，除了利用风、光、火联合打捆的源侧多能互补形式[9-10]，减少新能源弃能，合理配置储能[11-12]，也是提升新能源的消纳水平的重要措施。尤其是由于送端电网风电出力与受端电网负荷间的反调峰特性，新能源外送通道利用率低的问题凸显，亟待优化配置电网侧储能，有效缓解网架结构的限制，提升外送通道的利用率。

已开展的关于储能系统优化配置的研究主要集中在提高风电场可调度性[13-14]，减小风电功率预测误差[15]，平抑风电波动[16-17]，改善风电场汇集系统静态电压稳定性[18]方面。文献[19-20]考虑网架约束和系统调峰约束，建立储能优化规划模型，提高风电消纳。目前，考虑外送通道和新能源汇集区的送受布局，计及储能系统经济性影响的电网侧储能优化配置研究较少。文献[21]研究了提高风电外送的储能系统的控制策略，未涉及配置策略。

本文考虑外送通道和新能源汇集区空间分布对储能选址的影响，同时计及储能配置带来的外送电增益，构建一种协调风电规模外送的储能配置优化规划模型。为便于优化模型的求解，采用直流潮流约束将模型构建为混合整数线性规划（Mixed Integer Linear Programming，MILP）模型，利用商用化的优化规划软件Gurobi 实现模型求解，并结合算例论证分析配置储能后对系统弃风情况的改善和外送通道利用率的提升效果。

1 协调风电汇聚外送的储能配置优化模型

1.1 规划场景聚类生成

针对风电出力的不确定性带来的随机优化问题，场景法规划分析是一种有效方法[22-23]。风电汇聚外送网络的储能规划侧重关注提升新能源利用率。因此，本文建立含极限场景提取和聚类有效性指标判定的K-means 规划场景聚类模型，模型以风电出力扣减负荷后净出力日曲线作为规划场景聚类分析样本，直接反映风电弃能压力，并在聚类过程中优先提取极限弃能场景为有效场景类，再进一步利用聚类有效性判断指标BWP（Between-Within Proportion）指标和CH（Calinski-Harabasz）指标[24-25]对不含极限弃能场景的样本进行最佳聚类，形成规划场景集。BWP 指标表示每个数据最小类间平均距离与类内平均距离的商，BWP 值越大，聚类效果越好，计算公式为：

式中：nall为净出力日曲线样本总数；K代表总聚类数；nk，nb分别为第k类、第b类所包含的样本数；BWP(b,a)为第b类的第a个样本的BWP 值；为第b类的第a个样本，为第k类的第p个样本,为第b类的第q个样本；d为2个样本间的欧式距离。

CH 指标为基于全部样本的类内离差矩阵和类间离差矩阵的测度，CH 指标值越大，聚类效果越好，计算公式为：

式中：Tr(SB)为类间离差矩阵的迹；Tr(Sw)为类内离差矩阵的迹；vb为第b类的类中心；vˉ为所有数据的中心。

规划场景聚类流程如下：

1）采集各地理位置的风电和负荷1 年8 760 h实测历史数据，汇总形成风电-负荷综合净出力日曲线作为原始聚类样本。

2）优先提取极限场景类，利用K-means 聚类算法，基于初始大聚类数，进行细粒度聚类，提取净出力幅值大类作为极限场景类，计入有效场景类，在样本集合中剔除极限场景类覆盖的样本，更新聚类样本。

3）不断迭代更新聚类数进行K-means 聚类，并计算BWP 和CH 指标，判定最佳聚类数。

4）汇总包含极限场景类的各类场景在时间轴上覆盖的日期，形成各类场景的时序相关日期集。

5）针对各地理位置的风电、负荷，按各类场景时序相关日期集，加权平均日期集内的实测日曲线数据，形成其各地理位置的风电、负荷在各类场景下的类中心日曲线。

6）根据目标年各地理位置预测的风电装机、最大负荷增长情况，修正其各类场景下的各风电、负荷类中心日曲线，形成其规划场景日曲线。

1.2 目标函数

储能优化配置目标是在满足系统及储能设备运行约束条件的前提下，实现系统配置储能前后的净收益f最大，如式（6）。优化模型决策变量为储能的配置节点、容量与功率以及储能充放电策略。即：

式中：xh为待建储能h选址位置的决策变量，是1 个0-1 变量，xh=1，xh=0 分别表示储能设备h接入、不接入系统；Eh为储能设备h配置的容量；为储能设备h配置的额定功率；ΔFoper为系统配置储能后节省的运行费用；ΔFout为系统配置储能后外送电力收益增量；Bcon为系统配置储能后实现的电网输电线路容量替代效益；Finv为储能的投资和运维成本。

ΔFoper计算如式（7）所示：

式中：ΔCoper为配置储能后送入电网的风电功率替代常规机组发电所节省的常规机组的发电费用；ΔCdeal为配置储能前后对常规机组产生的污染气体的环境处理费用的节省量，指的是送入电网的风电功率替代常规机组出力产生的污染气体减排收益；ΔCseal为配置储能后比配置储能前电网向本地负荷用户增加售电获得的收益增量。

式（6）中系统配置储能后的系统净收益各构成费用项的计算模型见式（8）—式（14），储能设备为电池储能系统（Battery Energy Storage System，BESS）。

式中：s为规划场景序号，场景由1.1 节聚类模型形成，总数为Ns；π(s)为场景s的概率；t为时段序号；Nt为1 d 总时段数；Tt为每一时间段的间隔时间；n为常规机组序号；为系统配置储能设备后s场景下t时刻第n台常规发电机组少发的电功率；Cgi为常规发电机组的单位电量燃料成本。

式中：Cdeal为常规机组发电单位电量污染物排放对应的环境治理成本。

式中：m为负荷序号；为系统配置储能设备后s场景t时刻m处多供给的负荷；Ces为电网向用户售电电价。

式中：k为外送通道序号；为系统配置储能设备后s场景t时刻外送通道k增加的外送功率；Cout为系统单位外送电量的收益，取外送电交易电价。

式中：IE，IP分别为储能单位容量、单位功率的投资费用；GE，GP分别为储能单位容量、单位功率的运维费用；λb为储能设备的年化系数；r为贴现率。

1.3 约束条件

1.3.1 系统运行约束

1）节点功率平衡约束表达式为：

2）线路潮流约束。

采用直流潮流模型，构建线性化的线路潮流约束，如式（16）—式（17）：

1.3.2 机组运行约束

1）常规机组出力约束表达式为：

2）常规机组爬坡约束表达式为：

式中：Dn,Un分别为常规机组n的下爬坡速率和上爬坡速率允许的最大值。

3）风电机组出力约束表达式为：

4）负荷约束表达式为：

5）外送通道负荷约束表达式为：

1.3.3 储能运行约束

1）储能设备荷电状态（State of Charge，SOC）约束表达式为：

2）储能设备充放电功率上限约束表达式为：

3）储能设备充放电状态约束表达式为：

约束储能设备的运行状态只能为充电状态、放电状态或不充放电状态中的一种。

1.3.4 储能延缓外送输电线路升级容量耦合约束

针对风电汇聚外送网络，储能延缓外送线路升级改造的容量，即式（12）中的，由在无储能设备场景下同样达到配置储能后风电利用率的外送通道容量需求扣减外送通道现有额定容量确定，由式（26）—式（29）计算。

1）无储能配置时的节点功率平衡约束为：

2）无储能配置时的总风电上网量约束为：

式（27）约束不考虑储能配置，仅通过扩容外送线路实现与有储能配置时同样的风电利用率，即总风电上网量不变。

3）无储能配置时需求的外送通道容量约束为：

式（28）约束无储能配置时需求的外送通道容量取通道上外送功率的最大值，该约束式非线性，可采用大M法线性化Max函数。

4）储能延缓输电线路k扩容的容量为：

式（6）—式（29）构成的优化模型可转化为混合整数线性规划模型。

2 算例分析

2.1 算例基础数据说明

以华北某风电富集区域为规划目标区域，该区域的网架结构如图1 所示，图1 中W 表示风电机组，G 表示常规机组。

图1 算例地区网架结构图Fig.1 Grid system diagram of case area

区域内风电场接入参数信息见表1，外送通道接入参数见表2。节点5，8，14 分别是风电汇集外送节点。

表1 风电场分布信息表Table 1 Data of wind farms distribution MW

表2 外送通道分布信息表Table 2 Data of power delivery passageway MW

考虑场地及施工条件，集中储能站的待选站址的节点集合为{2，3，4，5，6，7，8，13，14，19，26}，储能设备的投资费用及其他运维参数见表3。区域内火电机组为180 MW，火电发电价格为372 元/MWh，火电发电的环境治理费用为110 元/MWh，外送通道电量的外送电价为480 元/MWh，本地负荷售电分时电价见表4。

表3 储能设备参数Table 3 Parameters of battery energy storage system

表4 电网分时电价Table 4 Time-of-use prices of the grid

2.2 仿真结果分析

2.2.1 场景聚类结果

采集目标区域风电、负荷数据，利用1.1 节中的场景聚类生成模型，设置初始聚类数为13，提取出极限弃能场景类，并针对不含极限弃能场景类的场景样本测算不同聚类数下BWP 和CH 聚类判断指标值变化情况，如图2 所示。BWP 和CH 判定指标越大越好的原则，决策最佳聚类数为5，连同优先提取的极限弃能场景类，共生成6 类规划场景，各场景类中心净出力曲线如图3 所示，每类场景概率见表5。其中，第1 类场景较多集中在风出力小、负荷大的夏季；第6 类场景是优先提取的极端弃能场景类，此类场景的日期集多分布在春秋，春秋负荷处于低位水平，在一些大风日易出现严重的弃能；第2，3，4，5 类场景在春秋冬季处于相对均衡的分布。

图2 聚类数及聚类判断指标值Fig.2 The number of clusters and judgment index value

图3 风-荷净出力聚类场景集Fig.3 Wind-load net output clustering scene set

表5 典型场景概率Table 5 Typcial scenario probaility

2.2.2 储能配置及运行策略

采用式（6）—式（29）协调风电汇聚外送的储能配置优化规划模型，进行算例仿真，决策储能的优化配置方案如表6 所示，共配置3 个储能站，分别布点在5，8，14 节点，这3 个节点本身处于新能源汇集区，且连接有外送通道。

表6 储能配置规划结果Table 6 Results of BESS planning

为节省篇幅，集中于分析储能规划运行，故仅选取聚类场景中所占权重最大的场景3，做该场景下储能充放电策略分析。选取8 节点处的BESS2充放电特性进行分析，场景3 下BESS2 充放电功率、荷电状态（State of Charge，SOC）的变化情况及8节点处的弃风情况如图4 所示。

图4 场景3下BESS2运行曲线及弃风曲线Fig.4 Bess2 operation curve and abandoned wind curve under scenario 3

由图4 可见，储能趋向于在风电大发、系统负荷低谷时段充电，在高峰电价时段放电，从而通过减少新能源弃能，利用新能源满足更多本地峰荷需求，以尽可能多地获得本地负荷用户的售电收益以及节省常规机组购电及环境治理的费用。

储能的配置及运行策略中涉及本地负荷与外送负荷供应的协调优化。以8 节点规划配置的储能BESS2 为例，分析配置储能后相邻负荷点的失负荷量、相邻外送通道的输送量以及相邻支路的潮流情况。根据运行结果分析，在4:00—6:00、13:00—16:00，储能进行充电，与8 节点相连的外送通道2的利用率为100%，这说明储能会配合外送通道输送容量以及常规机组调峰能力，在风电富裕的情况下，进行储能充电，提高风电利用率。在9:00—13:00、17:00—19:00，由于本地负荷售电电价高于外送电价，在线路潮流不越限的情况下，储能放电优先供给本地负荷，节点7 在10:00—11:00 存在失负荷，但此时与8 节点相连支路潮流已达到允许的容量上限，说明储能已尽可能地将存储电量供给了本地负荷。其中，在12:00—13:00、17:00—19:00，储能放电全部用于供应本地负荷，在9:00—12:00，本地负荷已最大限度得到满足的情况下，储能放电有部分用于增加外送。

2.2.3 弃风、外送通道利用率改善情况分析

在场景3 的运行工况下，系统整体的弃风率下降了1.76%，同时系统总体的外送电量提高了163.7 MWh，系统总体的失负荷量也减少了170.4 MWh，说明储能配置缓解了系统弃风现象，这些多消纳的风电用来外送及供应本地负荷。与节点5，8，14 相连的各风电汇集区的弃风情况均有所改善，如表7 所示。

表7 邻近风电汇集区的弃风量情况Table 7 Abandoned wind power adjacent to wind power collection area

配置储能前后外送通道的输送电量及利用率情况如表8 所示。

表8 外送通道的外送电量情况Table 8 Power delivered out of local grid

由表8 可见，各外送通道的外送电量都有所提高。配置储能后各外送通道在大部分时段的外送功率均大于或等于未配置储能时的外送功率，即合理配置电网侧储能能够明显提高外送通道利用率。表8 中，外送通道2 的利用率提升效果最大，提升了4.61%。依据表6，与外送通道2 邻接的节点8 处配置的储能设备BESS2 的容量更大，更有力支撑了该通道利用率的提升。

2.2.4 蓄能投资的各项收益增量分析

配置储能设备后，虽增加了储能投资运维成本，但从系统运行收益的角度，增加了外送电收益、本地负荷的售电收益，节省了常规机组发电和环境处理费用。配置储能前后系统运行收益增项信息如表9 所示。算例中，配置储能促进了本地负荷消纳风电带来的新增售电收益最大，在3 项收益增量中占比达到61.13%；储能提升风电外送通道利用率带来的收益增量也比较可观，在3 项收益增量中占比达到29.70%。

表9 储能配置导致系统运行收益增项信息Table 9 Income items resulted from energy storage system 万元

基于风能汇集区弃风与外送通道的利用率改善情况和储能投资的各项收益增量分析，可见，结合风电汇集区及外送通道的布局特征，合理配置储能设备存储受限弃风电量，针对网架约束受阻导致的弃风问题，可充分利用现有网架的输送能力，优化释放存储电能用于协调供应本地负荷和外送负荷，提升外送输电线路的利用率，增强系统对风电的就地消纳和外送能力。

3 结语

“碳达峰”和“碳中和”目标将推动可再生能源大规模、高占比的开发与利用，伴随可再生能源装机规模及发电量不断增长，给电网安全可靠供电和新能源消纳带来严峻挑战。本文面向风电汇聚外送网络，基于风电外送与就地消纳协同并举的消纳模式，建立了一种协调大规模风电汇聚外送的储能配置优化规划模型，算例分析表明：（1）对于风电富集地区，模型结合风电汇集区和外送通道空间分布，协同考虑配置储能带来的风电就地消纳和外送消纳增益影响，优化决策储能配置和运行策略；（2）储能布点决策中倾向于邻近风电汇集接入区或外送通道，有利于减少网架约束受阻导致的弃风问题；储能定容决策中倾向于针对通道利用率提升空间较大的外送通道邻近处加大储能配置容量。

针对新能源富集地区面临的网架约束受阻带来的新能源消纳问题，合理配置储能是促进可再生能源消纳的一项重要措施。本文模型基于网架结构、负荷和电源出力特性、储能运行特性，计及外送通道和新能源汇集区空间分布、外送通道利用率提升空间的影响优化决策储能配置，促进可再生能源就地和外送消纳。