新能源接入下电力系统储能容量自适应规划方法

刘莉莉

（中国能源建设集团辽宁电力勘测设计院有限公司，辽宁 沈阳 110179）

0 引 言

随着新能源技术的快速发展，新能源的接入规模不断扩大，导致电力系统运行方式和结构发生深刻变化。这种变化带来了一些新的问题，如电力系统的稳定性、安全性和经济性等有所下降。其中最为突出的是新能源发电的不稳定性和间歇性，对电力系统的影响最为严重。为解决这些问题，需要研究新能源接入下电力系统储能容量的规划方法。目前，国内外学者已经提出了一些方法来规划电力系统储能容量。文献[1]基于山体重力储能的形式，构建了一种以储能成本最小为目标的容量规划模型，以规划风光储联合发电系统的储能容量。文献[2]以储能净收益总和最大化为目标，进行梯次电池储能容量的配置，以延长储能寿命。但这些方法仍存在一些问题，如计算复杂度高、规划时间长或无法适应系统运行状态的变化等。基于此，文章提出一种新能源接入下电力系统储能容量自适应规划方法，以适应系统运行状态的变化，提高储能容量的利用率和系统稳定性。

1 构建新能源接入下电力系统储能容量规划模型

由于风力、光伏等新能源大规模并网时具有波动与随机性，严重影响储能装置运行的稳定性，需要通过储能容量规划来抑制新能源负荷的波动[3]。现有的新能源接入下电力系统储能容量规划方法具有计算复杂度高、无法适应电力系统运行变化等问题，应用效果较差，因此文章提出一种新能源接入下电力系统储能容量自适应规划方法。简单来说，储能容量的自适应规划就是利用强化学习算法的函数近似结构来处理储能容量规划过程中遇到的复杂动态变化问题，避免求解复杂的微分方程，以提高储能容量规划的效率和适应性[4]。因此，需要构建一个储能容量规划模型，并选取适当的目标函数和约束条件，文章主要以储能的出力满足度和储能的更换次数最优为目标函数。新能源接入下电力系统储能出力满足度是储能实际出力达到预期出力的时间比，表达式为

式中：η表示新能源接入下电力系统储能的出力满足度；δi,t表示储能在t时刻第i种天气类别下实际出力值是否达到预期出力值的判别系数，δi,t=0 表示实际出力值未达到预期出力值，δi,t=1 表示实际出力值达到预期出力值；N表示新能源接入下电力系统运行过程中所遇天气类别的总数；M表示新能源接入下电力系统运行过程中储能出力的总时长；T表示储能的日均出力时长。储能更换次数指新能源接入下电力系统储能模块达到使用寿命时进行更换的次数，计算公式为

式中：μ表示新能源接入下电力系统储能模块的更换频次；qi表示第i种天气类别下电力系统储能模块的整体储电量；y表示新能源接入下电力系统的运行年限；pi表示第i种天气类别下新更换的储能模块使用寿命；H表示新能源接入下电力系统储能模块的放电深度；L表示储能在整个生命周期内循环使用的容量；C表示储能在整个生命周期内循环使用的次数。综合式（1）与式（2），构建新能源接入下电力系统储能容量规划模型，即

式中：f表示新能源接入下电力系统储能容量规划模型。已知新能源接入下电力系统主要由新能源模块、电能转换器模块和混合储能模块组成，因此在电力系统运行过程中，存在能量平衡关系，即

式中：P0表示新能源接入下电力系统储能模块的充放电功率；P1表示储能模块中超级电容的充放电功率；P2表示储能模块中蓄电池的充放电功率；P3表示新能源接入下电力系统中储能模块与新能源模块的输出功率总和；P4表示新能源接入下电力系统中新能源模块输出功率。根据式（1），在新能源接入下的电力系统正常运行过程中，储能模块的输出功率是影响系统充放电能力的重要因素[5]。因此，要想对电力系统储能容量进行自适应规划，就需要将储能模块的输出功率作为储能容量规划模型的约束条件，表达式为

式中：Qn表示新能源接入下电力系统中第n个储能的充放电功率；Qnmax表示新能源接入下电力系统中第n个储能的最高功率。

文章基于新能源接入下电力系统储能规划的实时性与复杂性等特征，构建了一个多目标约束的储能容量规划模型，以得到储能规划的最优策略。

2 基于深度强化学习算法求解模型

通过构建自适应规划模型，优化算法，有助于提高电力系统的供电可靠性和稳定性。文章构建的新能源接入下电力系统储能容量规划模型是一个由多目标函数组成的优化模型，且储能容量的规划过程是一个较为复杂的动态过程，如果采用常规算法求解模型，不仅难以保障模型的求解精度，而且求解速度极慢，因此文章采用基于深度强化学习（Deep Reinforcement Learning，DRL）算法来求解储能容量规划模型[6-7]。由于新能源发电和电力负荷等因素具有动态性和不确定性，因此储能容量规划模型要能够自适应地应对各种变化。深度强化学习算法通过大量的数据训练和学习，能够提取系统内在的特征和规律，从而有效应对不同场景的变化。DRL 是深度学习与强化学习的结合，兼具强大的感知能力与决策能力，在复杂问题求解中具有优越的自适应性，因此文章通过DRL 算法来求解新能源接入下电力系统储能容量规划模型。首先，将文章构建的新能源接入下电力系统储能容量规划模型转化为马尔可夫决策过程。该过程是DRL 算法实现迭代的关键，不仅与电力系统储能当前状态有关，还关系着储能的下一个状态。其次，对DRL 算法的迭代次数、离散时间间隙、状态等参数进行初始化设置，计算回报值，以推动电力系统储能规划的马尔可夫决策过程达到下一状态，得到规划的序列轨迹，并将其存储在经验池中用于下次迭代使用。最后，综合考虑DRL算法折扣因子的未来回报值，确定收敛是否结束，公式为

式中：B表示未来状态回报值；τ表示当前状态回报值；α表示动作变量；σ表示折扣因子；W(β)表示期望，β表示状态变量。在利用DRL 算法求解新能源接入下电力系统储能容量规划模型时，如果马尔可夫决策结果收敛到最小回报值，则可以结束算法，并将当前结果作为最优方案输出。

新能源接入电力系统储能容量规划是一个多阶段动态决策优化的过程。为避免发生维数灾等问题，文章采用具有函数近似结构的DRL 算法对模型进行求解。该算法通过在迭代过程中逐渐逼近最优控制解，实现对储能容量的动态规划，并提高了新能源接入电力系统储能容量规划的自适应性。

3 电力系统储能容量自适应规划方法发展方向

未来的研究中，将结合文章设计内容，基于历史数据、季节性变化、天气情况以及社会经济因素等进行综合分析，捕捉电力需求的短期和长期波动规律。利用大数据分析技术建立更精确的电力需求预测模型，并引入机器学习提高预测模型的准确性和实时性，提高电力需求变化趋势预测效果，为储能容量的规划提供有力的数据支持。由于不同种类的储能设备（如锂电池、液流电池、飞轮储能等）具有不同能量密度、功率密度、充放电效率以及循环寿命等特点，因此在选择储能设备时，应根据电力系统的实际需求进行性能匹配。对于快速响应场合，选择功率密度较高的储能设备；对于长时间储能场合，选择能量密度较高的储能设备。此外，还需要考虑储能设备的成本、安全性、环保性等因素，进行综合评估和优化。

4 结 论

文章提出的新能源接入下电力系统储能容量自适应规划方法具有显著的实用价值和发展潜力。通过建立目标函数、引入深度强化学习算法，并根据实际情况自动调整储能容量，使电力系统实现储能的均衡充放电，提高了系统的可靠性和稳定性。该方法的应用解决了电力系统中新能源的波动性与随机性带来的问题，优化了储能系统的运行效果。实验证实，采用该方法进行电力系统储能容量规划时，能够有效降低储能容量的波动率，在确保储能寿命的前提下，提高储能系统的使用效率。同时，该方法能够适应新能源接入的变化条件，为电力系统提供了更强的适应性和可持续发展的能力。未来，研究者要考虑更多因素对储能容量进行调整，如电力需求的波动性、储能设备的性能匹配等，以提高储能容量规划的精确性和适应性。