基于SSA-RNN算法的新能源侧储能最优容量配置

董志国 徐全海 马志刚

摘要：為了优化储能容量配置来提高新能源侧的新能源利用率，提高系统的运行效率和可靠性。本文寻找有效的方法来最大限度地利用新能源资源。结合电网平衡和稳定要求，以光能资源浪费所损失的成本和储能投资成本之和作为目标函数。利用数学建模和麻雀搜索算法优化循环神经网络优化算法确定合理的储能容量配置方案。同时，设计了储能调度策略，既能最大限度地减少电池的损耗和劣化，又可以确保系统能够满足能量需求。研究结果可为新能源储能容量配置提供指导，促进新能源发电的可持续发展。

关键词：储能容量配置；新能源利用率；麻雀优化算法；循环神经网络；储能调度策略

Energy Storage Capacity Allocation of Renewable Energy Side Based on SSA-RNN Algorithm

Dong Zhiguo1， XU Quanhai1， MA Zhigang2

（1. Qinghai Electric Power Co.， LTD.， National Energy Group， Xining 810001， China;

2. Haixi Photovoltaic Power Generation Co.， LTD.， National Energy Group， Haixi 817000， China）

Abstract： In order to optimize the configuration of energy storage capacity to improve the utilization rate of new energy on the new energy side， improve the operating efficiency and reliability of the system. This paper looks for effective ways to maximize the use of new energy resources. Combined with the requirements of power grid balance and stability， the sum of the cost of solar energy waste and energy storage investment is taken as the objective function. Using mathematical modeling and sparrow search algorithm to optimize the recurrent neural network optimization algorithm to determine a reasonable energy storage capacity allocation scheme. At the same time， the energy storage scheduling strategy is designed， which can minimize the loss and deterioration of the battery， and ensure that the system can meet the energy demand. The research results can provide guidance for the allocation of new energy storage capacity and promote the sustainable development of new energy power generation.

Key words： storage capacity allocation， new energy utilization rate， sparrow optimization algorithm， recurrent neural network， energy storage scheduling strategy

中图分类号：TM175    文献标识码：A

随着新能源的快速发展和能源转型的推进，风光互补系统已成为一种重要的能源供应方式。然而，由于风能和太阳能的不稳定性和间歇性特点，合理规划储能容量配置成为当前研究的热点之一[1]。储能系统可以平衡能源的供需差异、消纳一定量的风能和太阳能[2]。在风光互补系统中，不合理的电池容量和调度会直接影响电池的疲劳程度，破坏电网运行的平衡和稳定状态，并对新能源发电产业的可持续发展造成不利影响，从而降低经济效益。因此，对储能单元进行合理的容量分配和配置是确保其稳定输出的关键。

本文通过优化储能容量配置来提高新能源侧的新能源利用率和运行可靠性[3]。结合电网平衡和稳定要求，以风光资源浪费所损失的成本和储能投资成本之和作为目标函数。利用数学建模和SSA-RNN优化算法确定合理的储能容量配置方案，并设计了储能充放电策略，既能最大限度地减少电池的损耗和劣化[4]，又可以确保系统能够满足能量需求。

1新能源场站系统结构

在新能源侧配置储能是一种重要的策略，通过该策略可以实现各类能源与储能之间的协调互补运行。通过合理规划储能的配置容量，可以有效地平衡风力发电和光伏发电的波动性和间歇性，从而实现新能源的稳定输出。

储能系统可以接收和储存风力和光伏发电的多余能量，在负荷需求高峰或新能源出力低谷时释放储能，以平衡供需差异。这样的配置策略可以提高新能源的并网能力，使其能够更加稳定地注入电网，减少对传统发电方式的依赖。

由于风力发电和光伏发电的波动性，部分新能源可能无法即时消纳，导致能源浪费。通过配置适当容量的储能系统，可以将多余的新能源储存起来，并在需要时释放出来，以满足负荷需求。典型的风光储系统如图1所示。

如图1所示，发电侧包括风电机组和光伏机组，并且通过逆变器与电网相连接。当风光出力富余时，储能电池可以充电并将多余的能量存储起来。此外，储能电池还可以作为负荷，从发电侧吸收能量。这种配置可以实现能量的有效利用和调节。

2储能容量配置模型

2.1目标函数

在风光储系统的优化运行中，实现系统经济和稳定运行是关键目标。通过合理配置储能容量，可以实现风力和光伏发电的协调互补运行，最大化利用可再生能源并提高能源消纳能力。我们可以将目标函数定义为最小化投资成本和资源浪费损失的利润。则目标函数可如式表示：

式中：?Cps表示储能系统的单位功率投资年均成本，Psn表示储能系统的额定功率，Ces?表示储能系统的单位容量投资年均成本，Esn表示储能系统的额定容量，Cp表示新能源上网电价，Pct，i表示该年第i天t时刻的弃风弃光功率，表达式如式（2）所示：

式中：Pw，t为t时刻风电出力，Ppv，t为t时刻光伏出力，当风光出力有富余时，既包含各自向电网提供的功率，又包含为储能系统充电的功率。Prw，t为t时刻风电实际可以发出的总功率，Prpv，t为t时刻光伏实际发出的总功率。

2.2约束条件

为保证系统的安全稳定运行，系统运行过程中需满足如下约束条件。

1）风电和光伏发电的实际注入电网功率不能超过其发电量：

2）电力系统的供需平衡关系：

式中：Pstd为t时刻储能放电功率，Pstc为t时刻储能充电功率，Lt为调度指令，当储能放电时，把它看作电源。

3）储能充放电功率约束：

表示储能充电功率和放电功率都不能超过其额定功率。

4）储能充放电状态约束：

表示储能在同一时刻不能同时进行充电和放电。

5）为了限制储能充放电深度提高储能的寿命对储能的荷电状态SOC进行约束：

式中：SOCt可表式为：

ηc为储能充电效率，ηd为储能放电效率，Δt为间隔时间。

6）储能系统每次循环初始状态与最终状态相等的约束：

3麻雀搜索算法優化循环神经网络

使用麻雀搜索算法优化循环神经网络求解非线性规划问题可以充分利用循环神经网络的非线性建模能力，并通过麻雀搜索算法的全局搜索、自适应性和多样性等特点，提高求解的效率和质量。将麻雀算法与RNN结合可以采用以下具体过程：

数据准备：准备用于训练RNN模型的时间序列数据。

初始化种群：使用SSA初始化一个种群，其中每个个体表示RNN模型的参数集合。

适应度评估：使用每个个体的参数集合训练RNN模型，并评估其适应度。

更新种群：根据适应度值，使用SSA的选择、交叉和变异等操作更新种群。

迭代优化：重复执行适应度评估和种群更新的步骤，直到达到停止条件。

最优解提取：选择适应度最低的个体作为最优解，提取其对应的RNN模型参数。

4算例分析

本研究通过对某风光电站一年实际上网功率进行采集，利用上述算法进行储能容量配置仿真分析。为了进行仿真分析，我们选择了某典型日的24小时风光出力情况，具体可见图2。

输入该典型日的风光实际出力及电网调度指令，以及各项参数，采用麻雀搜索算法优化循环神经网络的计算方法求解以上的非线性规划问题，求得出最优的储能额定功率PSn，ESn。以及典型日风光出力、在最佳储能容量下24小时储能充放电及弃风弃光量。

根据仿真分析结果，我们得出了最优的储能容量配置解为1.5MW/4.5MWh。图3展示了典型日的风光出力、调度要求出力以及在最佳储能容量下的24小时充放电情况。

储能的初始容量设为额定容量的50%。在风光发电能力不足的情况下，通过储能系统的放电来补偿其与调度命令之间的差额，从而使储能电池的SOC降低，如果降低到SOCmin，则储能系统停止放电。在风能和光能出力富余的情况下，为了减少风能、光能资源的浪费，储能进行充电，使储能电池的 SOC不断增加，达到最大SOC后，储能不再充电。典型日的弃风弃光量如图4所示。

配置储能后，相比较无储能，弃风弃光量大大减少，并且起到了平衡供需的作用。每年可多向电网发出约229万kWh的电量。若按1.08元/kWh的上网电价计算，一年仍然约获得163万元的净利润。

6、结论

针对新能源电站规模化储能后，新能源电站如何和储能进行配合，能够最大化利用储能的调节能力，获得最大的收益，得到的主要结论包括建立的单目标储能容量配置模型综合考虑了由弃风弃光导致损失的经济及对储能每年消耗的投资的总金钱，并在约束条件中来使新能源和储能相互配合后，提高新能源场站对电网的供需平衡能力。经过算例分析发现，最佳的储能容量选择方案相较于其他储能装置方案，更有效的减少了弃风弃光量。这一研究验证了这种方法的有效性，同时显示出它在经济性领域有着良好的应用前景。

参考文献

[1]张智刚， 康重庆， 碳中和目标下构建新型电力系统的挑战与展望[J]. 中国电机工程学报， 2022， 42（8）： 2806-2818．

[2]张宝锋， 童博， 冯仰敏， 等. 电化学储能在新能源发电侧的应用分析[J]. 热力发电， 2020， 49（8）： 13-18.

[3]董昱， 范高锋， 董存， 等. 电力系统配置储能分析计算方法[J]. 中国电力， 2022， 55（1）： 26-36．

[4] 繆家森， 成丽珉， 吕宏水. 基于PSO-ELM的储能锂电池荷电状态估算[J]. 电力工程技术， 2020，39（1）： 165-169， 199.

[5]杨晓雷， 徐建元， 陶欢， 等. 基于改进鲸鱼算法的储能系统优化配置研究[J]. 浙江电力， 2021， 40（3）： 113-120.

[6]叶季蕾， 李斌， 张宇， 等. 基于全球能源互联网典型特征的储能需求及配置分析[J]. 发电技术， 2021， 42（1）： 20-30.

[7]周鹏程， 邱锋凯， 风电场中储能电站应用场景及经济效益分析[J]. 山东电力技术， 2021， 48（2）： 11-16.

作者简介：董志国（1978年-）， 男，汉族，甘肃靖远人，  硕士研究生，高级工程师，研究方向：电力企业管理及新能源消纳利用技术