出力波动影响下的风电储能优化调度技术

张红伟 邹相国

出力波动影响下的风电储能优化调度技术

张红伟 邹相国

（湖北省电力规划设计研究院有限公司，湖北 武汉 430040）

针对现有风电储能调度技术受出力波动影响较大，导致风电储能调度目标与实际调度结果误差较大的问题，提出一种优化调度技术。首先，分析出力波动对风电储能的影响过程，获得判断波动特征量；然后，建立出力波动影响下的风电储能调度尺度模型；接着，优化风电储能调度目标函数，实现出力波动变量的全局优化，提升风电储能调度精准度，增强调度参量对出力波动影响系数的抗扰定力；最后，通过数据调试进一步证明了该优化调度技术的有效性与可实现性。

风电出力波动；风电储能；调度技术；调度尺度模型；调度目标函数

0 引言

为保障电网安全稳定地运行，我国积极推动风电并网。目前，全国累计装机容量超过3.4亿瓦[1]。随着我国电网对电力系统调峰调频能力要求的不断提高，风电接入电力系统后的调峰调频也成为当前的研究热点。风电接入电力系统后的调峰调频存在不稳定、制约较大等风险。为降低以上风险，一般利用储能系统调节风电出力波动性，即出力波动影响下的风电储能优化调度技术。

针对出力波动影响下的风电储能优化调度技术，现有的研究主要从电力系统安全稳定运行的角度考虑，如在考虑风电预测误差的基础上，设计电-热系统混合时间尺度调度方法[2]；提出考虑风光出力季节性波动的储能容量配置方法[3]；建立考虑风电预测误差的柔性负荷日内调度模型[4]；设计基于平抑风光出力波动的主动配电网优化调度方法[5]等，但上述方法调度效果与设计预期存在较大差距。为此，将多目标优化问题转化为多目标函数模型，对发电计划模型进行改进，取得了良好的效果。

基于此优化思路，本文充分考虑风电出力波动影响下的调度目标，在分析出力波动影响过程的基础上，提出一种新的优化调度技术，以获得较好的调度优化效果。

1　优化调度技术的实现

1.1　出力波动影响过程分析

根据风电储能的特征可知，电能存储速率与天气密切关联[6-7]。在风力资源充足的状态下，电能存储速率的时间序列和存储信号均处于低频状态；而出力波动对应的随机扰动序列为高频随机出力，需对其进行分离滤波处理，以获得更精准的出力波动影响。但考虑到高频随机出力在滤波过程中电能存储存在不规则湍流运动[8-9]，需要先进行独立滤波，提取高频随机出力分布区域的序列轮廓，再根据风电储能波动的幅度与宽度（持续时间）的差值，获取最终的出力波动影响。滤波前后的高频随机出力分布区域的序列轮廓，如图1所示。

图1　滤波前后的高频随机出力分布区域的序列轮廓

由图1可知，滤波后的高频随机出力分布区域相对稳定，为后续更好地分析高频随机出力的波动特征奠定了基础。出力波动影响下的高频随机出力分布区域的序列轮廓对应的时间量为多个不同起伏变化的波动量构成的时间序列。若将其中某一个时间波动值放大至最大值，再将其缩小至最小值，且对应到下一个波动出力位置，则这一过程可视为一次出力波动影响下的风电储能波动，该过程可通过数学模型表达为

1.2　出力波动影响下的风电储能调度尺度模型

图2　风电储能设备高斯分量拟合效果

出力波动影响下的风电储能调度高斯拟合属于一维高斯混合模型，其表达式为

出力波动影响下的风电储能调度尺度模型以8组风电储能设备调度数据为基础，修改其中任意一组风电储能设备的分量系数，得到的拟合效果如图2所示。

由图2可知，一维分量高斯混合的拟合效果最好。

因此，一维分量高斯混合可以更好地实现风电储能调度尺度拟合，以此构建一维高斯混合拟合后的风电储能调度尺度模型为

1.3　风电储能调度优化目标函数

对出力波动影响下的风电储能调度尺度模型的调度函数进行目标优化。根据风电储能效果与时间分布之间的特征，将调度优化目标函数的时间量划分为24个时段。

基于24个优化目标时间量，可得到出力波动影响下相同调度尺度风电储能调度的初始目标函数为

为保护风电储能单元，在调度目标函数优化的过程中，需对出力波动影响下的电能调度状态进行约束。约束函数的计算公式为

出力波动影响下的风电储能调度目标的综合优化函数为

调度过程中的有功系数量平衡关系函数为

关联环境时间因素，整理得到风电储能波动调度目标函数的出力约束为

考虑到多个拟合分量之间的约束融合关系，可得到

经过整理计算，得到最终的调度优化目标函数为

2　应用测试

为验证本文提出的出力波动影响下的风电储能优化调度技术的可行性，进行仿真测试。为保证测试的客观准确，引入基于波动特性的风电储能调度模型（对比方法1）、基于出力时间序列风电储能调度方法（对比方法2）作为对比方法。在设定的测试条件下，对比不同指标差异，并加以分析得出测试结论。

2.1　测试数据

采用2021年6～10月某风电储能数据作为测试数据。在MATLAB仿真环境下完成测试数据的自动化配置与测试流程的执行、分析。测试数据样本量与执行量均采用随机的方式产生，测试内容为调度响应测试、出力波动抗扰性能测试与调度误差测试3项。

2.2　调度响应测试

基于MATLAB仿真环境，在风电储能数据库中随机抽取500组数据样本，掺杂出力波动扰动数据后，生成测试样本信号。通过MATLAB工具将测试样本信号发送至对比方法1、对比方法2、本文方法进行调度处理，由MATLAB工具中数据统计模块对调度响应指标进行记录统计，并生成图3所示曲线。

图3　3种调度方法在出力波动影响下的风电储能调度响应测试结果

对比图3可知：图3(a)中风电储能调度响应曲线的响应值域范围为103～158 ms，随着调度样本的增加，波动变得越发激烈，结合出力波动拟合曲线可以发现，其受到出力波动拟合不足的影响，说明对比方法1存在局部调度响应延迟的现象，结合风电储能的调度特征，该调度响应结果不满足调度响应指标要求；图3(b)中风电储能调度响应曲线整体波动较为剧烈，根据出力波动拟合曲线分析，调度过程受到激烈波动的影响，其响应值域范围为113～170 ms，调度响应时间区间偏大，易出现调度偏差；图3(c)中风电储能调度响应曲线相对平稳，出力波动的拟合效果与调度响应指标达到平衡，可以判定本文方法调度响应效果较好。

2.3　出力波动抗扰性能测试

分别测试瞬时出力波动与连续出力波动的抗扰性能，结果分别如图4、图5所示。

图4　3种调度方法的瞬时出力波动抗扰性能

图5　3种调度方法的连续出力波动抗扰性能

由图4可知：在瞬时出力波动扰动下，对比方法1的抗扰曲线变化较大，在测试过程中后期出现明显的波峰起伏，说明对比方法1的瞬时出力波动抗扰性存在阈值权重控制缺陷；对比方法2抗扰曲线呈平滑上升趋势，但上升幅度较大，经过时间的积累，其后期抗扰性能存在不稳定因素；本文方法抗扰曲线平滑，随着时间的积累，抗扰强度缓慢增长，说明该方法对瞬时出力波动具有较好的控制能力。

由图5可知：3种调度方法在连续出力波动作用下，抗扰性能均有所减弱，其中对比方法1波动扰动最为剧烈；对比方法2波动次数明显增多，虽由波动幅度可以看出其具有收敛作用，但整体收敛控制不足；本文方法抗扰强度明显下滑，但中后期调度控制分量优化的收敛作用有效果，抗扰强度有所回升。

2.4　调度误差测试

在上述测试结果数据中，随机抽取20组测试数据，对其中的调度偏差值进行提取统计，获得调度误差统计如表1所示。

表1　调度误差测试结果统计

通过横向对比表1数据发现，本文方法的调度误差明显小于对比方法1、对比方法2的调度误差值，说明本文提出的出力波动影响下的风电储能优化调度技术，能够有效降低出力波动影响下的风电储能调度偏差，提升调度稳定性与准确性，证明了本文方法具有可实现性。

3　结论

本文通过对出力波动特征的分析，结合风电储能调度现状，在分析出力波动影响过程的基础上，利用一维高斯混合模型构建了出力波动影响下的风电储能调度尺度模型。以此为基础，设计了风电储能调度优化目标函数，实现风电储能优化调度，解决调度误差偏大的问题，为风电储能及清洁能源储能调度研究提供了一个新的研究思路。但受到风电储能系统联合属性的影响，无法将调度效果应用到全局，造成局部能源调度系数与风电储能调度优化系数出现调度差值，进而降低调度优化效果。为避免这一问题，可尝试设计一组分量控制系统，通过BP神经网络算法或大数据融合算法等自适应学习算法，对其调度变量进行区域匹配，以此保证优化效果，更好地适应各种储电调度应用。

[1] 秦海岩.十八大以来我国风电产业实现高质量发展[J].风能, 2022(9):1.

[2] 夏洪伟,李坤,韩丽.考虑风电预测误差的电-热系统混合时间尺度调度[J].电力系统保护与控制,2022,50(17):86-96.

[3] 梅书凡,檀勤良,代美.考虑风光出力季节性波动的储能容量配置[J].电力工程技术,2022,41(4):51-57.

[4] 雷旭,马鹏飞,宋智帅,等.计及风电预测误差的柔性负荷日内调度模型[J].发电技术,2022,43(3):485-491.

[5] 朱自伟,黄彪,裘昕月,等.基于平抑风光出力波动的主动配电网优化调度[J].太阳能学报,2022,43(5):90-97.

[6] 张紫菁,张芳,姚文鹏.基于风电出力概率预测模型的源荷储日前概率优化调度[J].电力自动化设备,2022,42(7):190-197.

[7] 米夏,徐晓红,刘小恺.基于波动特性的光伏电站出力时间序列建模方法研究[J].微型电脑应用,2022,38(3):120-122.

[8] 郑晨昕,江岳文.基于改进Shapley值的风电波动成本分摊策略[J].电网技术,2021,45(11):4387-4394.

[9] 程军照,林涛,杜蕙.计及新能源出力波动性的节点状态脆弱性评估[J].电测与仪表,2021,58(12):118-124.

[10] 裴蕾,卫志农,陈胜,等.计及光伏出力波动的交直流混合配电网安全域模型[J].电网技术,2021,45(10):4084-4093.

[11] 郑浩,谢丽蓉,叶林,等.考虑光伏双评价指标的混合储能平滑出力波动策略[J].电工技术学报,2021,36(9):1805-1817.

[12] 李德鑫,王佳蕊,张家郡.基于光伏波动性的储能出力特性分析[J].电网与清洁能源,2021,37(2):99-107.

[13] 韦子瑜,赵书强,方宇晨.平抑风光联合系统短期出力波动的光热电站储热系统优化运行策略[J].电网技术,2021, 45(3):881-892.

[14] 乔延辉,韩爽,许彦平,等.基于天气分型的风光出力互补性分析方法[J].电力系统自动化,2021,45(2):82-88.

[15] 焦东东,陈洁,方圆,等.基于变分模态分解下利用混合储能平抑风电出力波动的控制策略[J].电测与仪表,2021,58(5): 14-19;30.

Optimal Dispatching Technology of Wind Power Energy Storage under the Influence of Output Fluctuation

ZHANG Hongwei ZOU Xiangguo

(Power China Hubei Electric Engineering Co., Ltd., Wuhan 430040, China)

Aiming at the problem that the existing wind energy storage dispatching technology is greatly affected by output fluctuations, resulting in a large error between the wind energy storage dispatching goals and actual dispatching results, an optimized dispatching technology is proposed. Firstly, analyze the impact process of output fluctuations on wind power energy storage, and obtain the characteristic quantities for judging fluctuations; Then, establish a scale model for wind energy storage dispatching under the influence of output fluctuations; Next, optimize the objective function of wind energy storage dispatching, achieve global optimization of output fluctuation variables, improve the accuracy of wind energy storage dispatching, and enhance the anti-interference ability of dispatching parameters on the coefficient of output fluctuation; Finally, the effectiveness and feasibility of the optimized dispatching technology were further demonstrated through data debugging.

fluctuation output of wind power; wind power energy storage; dispatching technology; dispatching scale model; dispatching objective function

TM732

A

1674-2605(2023)04-0002-07

10.3969/j.issn.1674-2605.2023.04.002

张红伟，男，1981年生，本科，高级工程师，主要研究方向：新能源工程设计、管理等。E-mail: zhanghwsj@powerchina-hb.com

：张红伟,邹相国.出力波动影响下的风电储能优化调度技术[J].自动化与信息工程,2023,44(4):7-12;27.

ZHANG Hongwei, ZOU Xiangguo. Optimal dispatching technology of wind power energy storage under the influence of output fluctuation[J]. Automation & Information Engineering, 2023,44(4):7-12;27.