上海交通大学学报

上海交通大学学报, 2024, 58(9): 1410-1419 doi: 10.16183/j.cnki.jsjtu.2022.493

新型电力系统与综合能源

面向电力市场多时间尺度场景应用的风储系统调度方法

殷高文, 沈非凡,, 黄晟, 魏娟, 屈尹鹏, 王鹏达

湖南大学 电气与信息工程学院,长沙 410082

Dispatching Method of Combined Wind-Storage System for Multi-Time Scale Scenarios Application in Electricity Markets

YIN Gaowen, SHEN Feifan,, HUANG Sheng, WEI Juan, QU Yinpeng, WANG Pengda

College of Electrical and Information Engineering, Hunan University, Changsha 410082, China

通讯作者: 沈非凡,助理教授;E-mail:shenfeifan@hnu.edu.cn.

责任编辑: 王历历

收稿日期: 2022-12-2   修回日期: 2023-01-22   接受日期: 2023-02-10  

基金资助: 湖南省科技创新计划(2021RC2046)
国家自然科学基金(52207096)

Received: 2022-12-2   Revised: 2023-01-22   Accepted: 2023-02-10  

作者简介 About authors

殷高文(1996—),硕士生,从事面向电力市场的风储系统优化调度研究.

摘要

针对风储系统参与电力市场不同调用时间尺度场景的耦合问题,提出面向电力市场多时间尺度场景应用的风储系统优化调度方法,指导风储系统进行短时风功率波动平抑,并参与电能量市场及备用辅助服务市场,实现不同调用时间尺度场景间协同优化,最大化风储系统经济效益.首先,考虑不同场景盈利机制,以风储系统多场景经济收益最大为目标建立目标函数.然后,建立风储系统参与各应用场景条件约束以及多调用时间尺度耦合约束.最后,算例仿真验证了所提方法可在保证风功率波动不越限的同时,提升风储系统在日前电能量市场及备用辅助服务市场中的综合运行效益.

关键词： 电力市场; 风储系统; 多场景应用; 多调用时间尺度协同优化

Abstract

Aimed at the coupling problem of the combined wind-storage system participating in different call time scale scenarios in electricity markets, an optimal dispatching method of the combined wind-storage system oriented to the application of multi-time scale scenarios in electricity markets is proposed to guide the combined wind-storage system to suppress short-term wind power fluctuation, and participate in the electric energy market and the reserve ancillary service market, so as to realize the collaborative optimization among different call time scale scenarios application and maximize the economic benefits of the combined wind-storage system. First, considering the profit mechanism of different scenarios, the objective function is established with the objective of maximizing the economic benefits of multiple scenarios of the combined wind-storage system. Then, the constraints of the combined wind-storage system participating in various application scenarios and multi call time scale coupling constraints are established. Finally, the numerical simulation verifies that the proposed method can improve the comprehensive operation profit of the combined wind-storage system in the day-ahead electric energy market and the reserve ancillary service market while ensuring that the wind power fluctuation does not exceed the limit.

Keywords： electricity markets; combined wind-storage system; multi-scenario application; multi call time scale collaborative optimization

PDF (2736KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

殷高文, 沈非凡, 黄晟, 魏娟, 屈尹鹏, 王鹏达. 面向电力市场多时间尺度场景应用的风储系统调度方法[J]. 上海交通大学学报, 2024, 58(9): 1410-1419 doi:10.16183/j.cnki.jsjtu.2022.493

YIN Gaowen, SHEN Feifan, HUANG Sheng, WEI Juan, QU Yinpeng, WANG Pengda. Dispatching Method of Combined Wind-Storage System for Multi-Time Scale Scenarios Application in Electricity Markets[J]. Journal of Shanghai Jiaotong University, 2024, 58(9): 1410-1419 doi:10.16183/j.cnki.jsjtu.2022.493

加强风电、光伏等清洁能源在电力系统中的比例,减少化石能源消耗是推进“双碳”战略实施的重要举措[1].随着风电并网规模不断提高,风电的随机性、波动性等固有特性一方面加剧弃风现象,降低风电场收益;另一方面严重威胁电力系统安全稳定运行[2].风电场配置储能可有效提升风电动态特性和并网性能,已成为降低风电不利影响的有效手段[3-4].

目前,随着国内电力现货市场建设深入推进,已有诸多关于风电和储能联合参与电力市场运行策略的研究.文献[5-6]中提出考虑风功率波动平抑的风储系统日前能量调度策略.文献[7]中综合考虑风储系统日前及实时电能量市场收益,建立风储一体化电站参与日前市场投标模型和实时平衡市场滚动自调度模型.文献[8]中同样从电能量市场角度出发,规划储能充放电时间及功率,提高风电消纳水平.文献[9]中针对调频应用场景,提出基于模型预测控制的风储联合调频策略.文献[10]中建立考虑储热备用效益的电热综合能源系统优化调度模型,提升新能源消纳水平及储热应用收益.

然而,上述研究均只考虑风储系统参与单一应用场景的情况,由于现阶段储能投资运营成本较高[11-12],单一场景应用使得风储系统面临收益率低、成本回收周期长等问题,所以亟需研究风储系统多场景应用策略,以提高风储系统经济效益.文献[13]中提出面向调峰、调压及备用场景的分布式储能优化调度策略,但未考虑风电的不确定性.文献[14]中提出储能以消纳风电为基本应用场景,综合参与电能量市场、备用辅助服务市场的协同运行策略.文献[15]中基于云储能租赁服务提出风储系统参与能量-调频市场的调度策略.文献[16]中将储能同时应用于削峰填谷和风电计划跟踪两种场景.文献[17]中则提出将储能应用于风电计划跟踪并参与调频的策略,建立在电力市场环境下以风储电站利润最大为目标的风储两场景运行模型.此外,由于电能量与备用具有很强的耦合关系[18-19],所以目前针对风储系统参与电能量市场和备用市场的研究多集中在两种应用场景下的联合协调优化.如文献[20]中建立一个指导风电-储热综合能源系统同时参与电能量市场和备用市场的日前优化决策模型.文献[21-22]中均借助储能实现风储系统日前电力市场收益最大与日内平衡市场偏差最小目标,提高风储系统参与电能量及备用联合市场的综合收益.文献[23]中则研究了风电场与储能系统采用虚拟发电厂形式提供电能量与备用辅助服务时的协同优化问题.但上述针对风储系统多场景应用的研究均是针对同一调用时间尺度下的多场景应用,或为方便研究忽略调用时间尺度差异问题,未考虑不同调用时间尺度应用场景之间的协同优化.

综上所述,现阶段针对风储系统参与3种及以上应用场景协同优化的研究有限,且目前研究仅聚焦同一调用时间尺度下的场景应用,风储系统参与多样化组合场景以拓宽营收渠道方案受限.为此,聚焦风电不确定性及电力市场价格不确定性下风储系统多场景应用的耦合问题,提出电力市场环境下风储系统参与10 min调用时间尺度的风功率波动平抑、参与1 h调用时间尺度的日前电能量市场及备用辅助服务市场3种调用时间尺度不同的场景应用间的协同优化调度方法,最大化风储系统参与电力市场经济效益.基于MATLAB平台进行算例分析,仿真结果表明所提方法可在保证风功率波动不越限的同时,有效提升风储系统在日前电能量市场及备用辅助服务市场中的综合运行效益.

1 风储系统多调用时间尺度场景应用机制

1.1 风储系统多调用时间尺度场景应用的可行性分析

所考虑的风储系统为采用共交流母线将储能与风电场连接至同一母线的拓扑结构,储能需保证风电场出力波动在允许范围内,同时储能还具备一定的自主性.针对风储系统平抑风功率波动以及参与电能量市场、备用辅助服务市场的不同调用时间尺度场景协同优化调度策略进行研究,在此之前应考虑所述场景组合的可行性.

首先,从储能寿命及充放电损耗角度出发,风储系统中储能不适宜频繁充放电,且在大电网中利用储能系统过度平抑风电高频次、小幅度的波动工程意义有限[24].参考风电并网标准[25],考虑当风电场输出功率在10 min时间尺度内波动超过30 MW时调用储能进行平抑,提高风电并网质量.

其次,电能量市场应用场景中包含两种收益方式.一种是风储系统依据日前电能量市场的预测电价形成1 h调用时间尺度的日前出力计划,在电价较低时段从电力市场购买电能依靠储能进行储存,在电价较高时段向市场出售电能,通过电价差获得利润;另一种是风电直接向电网输送电能,获得电能量收益.

最后,对于用以应对电力系统容量不足风险的备用辅助服务市场的收益机制,国内外均有一定研究[26⇓-28].当储能系统的功率有余量、能量有裕量时,可依据日前备用辅助服务市场预测电价形成1 h调用时间尺度的日前备用辅助服务调度计划,通过提供备用容量获得收益.

因此,3种应用场景均有对应的应用机制及市场机制,具备运行机制可行性.

1.2 多调用时间尺度场景应用调度模式

风储系统参与不同调用时间尺度场景应用中存在两类耦合.第一类耦合是平抑风功率波动过程中10 min调用时间尺度与电力市场中1 h调用时间尺度的耦合,在一个调度周期内,10 min尺度优化结果会对1 h尺度下的优化造成影响,反之亦然;此外,风储系统中储能的备用容量与当前充放电功率、当前荷电状态有关,且由于备用电量本质上也是电能量的交换,所以备用辅助服务计划的制定与储能电能量市场的充放电计划也会相互影响.备用电量及功率与电能量的耦合称为第二类耦合.

在制定多调用时间尺度场景应用调度模式时需综合考虑上述两类耦合产生的影响,进行适当处理.针对第一类耦合,因波动平抑调用尺度为10 min,可设定风功率波动平抑动作所在的小时段内不再进行电能量市场与备用辅助服务市场规划,解耦的同时优先保证风电并网质量;对于第二类耦合,储能备用容量同时受可充放的功率和电能量状态制约,则可采用电能量市场的储能充放电功率来表示备用辅助服务市场上下调备用容量,针对能量状态则将3种场景纳入同一体系中,要求多场景应用下储能各时刻的综合能量状态不超过其额定值.

基于对上述两类耦合关系及风储系统其他运行约束的考虑,风储系统参与不同调用时间尺度场景的应用调度计划形成过程如图1所示.风储系统日前计划出力优化调度模型对风电预测出力数据及日前电力市场电价预测数据分析处理,指导优化风储系统参与不同调用时间尺度场景应用.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   风储系统多调用时间尺度场景应用调度计划形成示意图

Fig.1   Formation of multi time scale scenario applications scheduling plan of combined wind-storage system


2 风储系统日前计划出力优化调度模型

2.1 目标函数

在日前优化调度中,风储系统基于日前风电功率预测、储能能量状态和充放电特性、电能量市场预测电价及备用辅助服务市场预测电价,以风储系统经济收益最大为目标,形成目标函数:

max[∑i=1Iρi∑t=1Tλei, t(Pde, t-Pce, t)Δt+

∑j=1Jρj∑t=1T(λupj, tsupe,t+ λdownj, tsdowne, t)Δt]
(1)

式中:第1项为风储系统参与电能量市场的经济收益,为突出显示储能调度规划对经济收益的影响,此处只计算风储系统通过低储高发获得的经济收益,不包含风电直接并网收益;第2项为风储系统参与备用辅助服务市场的经济收益;I、J分别为电能量市场预测电价场景集合和备用辅助服务市场预测电价场景集合;T为调度周期内以1 h为时间尺度的时段集合;t为调度周期内以1 h为时间尺度的任意时段,取值为1, 2, …, 24;Δt为1 h时间间隔;ρi、ρj分别为电能量市场预测电价场景i和备用辅助服务市场预测电价场景j的概率参数;λei, t为日前电能量市场时段t预测电价参数;Pce,t、Pde,t分别为风储系统参与电能量市场时段t充、放电功率变量;λupj,t、λdownj,t分别为日前备用辅助服务市场时段t上调备用和下调备用的预测电价参数;supe,t、sdowne,t分别为风储系统参与备用辅助服务市场时段t的上调备用容量变量和下调备用容量变量.

2.2 约束条件

2.2.1 风储系统平抑风功率波动约束

表示为

(Uce, t'+ Ude, t')M≥ |Pw, g, t'-Pw, g, t'-Δt'|-Pδ
(2)
Pw, g, t'≥0
(3)
PSw, t'=Pw,g,t'- Pce,t'+ Pde,t'
(4)
|PSw, t'-PSw, t'-Δt'|≤Pδ
(5)

式中:t'为调度周期内以10 min为时间尺度的任意时段,取值为1, 2, …, 144;Δt'为10 min时间间隔;Uce,t'、Ude,t'分别为储能参与平抑风功率波动时段t'充、放电状态0-1变量,Uce,t'为1且Ude,t'为0时,储能充电,Uce,t'为0且Ude,t'为1时,储能放电;Pce,t'、Pde,t'分别为储能参与平抑风功率波动时段t'充、放电功率变量;M为一个极大值;Pw, g, t'为在风电预测出力场景w下调度周期内时段t'风电输出功率变量;PSw, t'为在风电预测出力场景w下调度周期内时段t'风储系统并网功率变量;Pδ为10 min时间尺度内风电功率允许的最大波动幅值.式(2)对风功率波动是否越限进行判断,当风电输出功率波动越限时储能进行平抑动作;式(3)限制风电输出功率为非负值;式(4)表示技术校核过程中风储系统并网功率等于风电预测出力与储能计划出力之和;式(5)确保若储能发生平抑动作则平抑后的风储系统并网功率满足并网要求.

2.2.2 储能功率约束

表示为

0≤ Pce, t'≤ Uce, t'Pratede
(6)
0≤ Pde, t'≤ Ude, t'Pratede
(7)
0≤ Pce, t≤ Uce, tPratede
(8)
0≤ Pde, t≤ Ude, tPratede
(9)
Uce, t'+ Ude, t'≤1
(10)
Uce, t+ Ude, t≤1
(11)

supe, t=max{{1-max{Ude, t, max[max(Uce, t',

Ude, t')]}}(Pratede+Pce, t), {1-

max{Uce, t, max[max(Uce, t', Ude, t')]}}

(Pratede- Pde, t)}
(12)

sdowne, t=max{{1-max{Ude, t,

max[max(Uce, t', Ude, t')]}}(Pratede-Pce, t),

{1-max{Uce, t, max[max(Uce, t',

Ude, t')]}}(Pratede+ Pde, t)}
(13)

式中:Pratede为储能的额定充放电功率;Uce, t、Ude, t为储能参与电能量市场时段t充、放电状态0-1变量,Uce, t为1且Ude, t为0时,储能充电,Uce, t为0且和Ude, t为1时,储能放电.式(6)~(9)表示储能充放电功率不能超过额定值;式(10)和(11)分别表示储能在平抑风功率波动及参与电能量市场时不允许同时充放电;此外,风储系统参与备用辅助服务市场时可通过调整储能运行状态提供备用容量,在放电状态增加放电功率、在充电状态减小充电功率或转为放电状态可提供上调备用,而在充电状态增加充电功率、在放电状态减小出力或转为充电状态可提供下调备用,参考文献[14]进行约束推导,结果如式(12)和(13)所示.

2.2.3 储能能量约束

表示为

0≤Ee, t'≤ Eratede
(14)
0≤Ee, t≤ Eratede
(15)
Ee, t'=Ee, t'-1+ (ηchPce, t'-Pde, t'ηdis)Δt'
(16)
Ee, t=Ee, t-1+ (ηchPce, t-Pde, tηdis)Δt
(17)
Eupe, t≥ supe, tΔt
(18)
Edowne, t≥ sdowne, tΔt
(19)

式中:Ee, t'、Ee, t分别为储能参与平抑风功率波动时段t'和参与电能量市场时段t的能量值; Eupe,t、Edowne,t分别为储能在参与备用辅助服务市场时段t需预留的最小上调备用能量空间和最小下调备用能量空间;Eratede为储能的额定容量参数;ηch、ηdis分别为储能充电和放电效率参数.式(14)和(15)分别表示储能在参与平抑风功率波动及电能量市场时任意时刻能量值不应超过其额定值;式(16)和(17)表示储能某一时刻的能量值等于其前一时刻的能量值加上间隔时间段内的能量变化量;式(18)和(19)表示储能预留能量需满足备用调用需求[29].

2.2.4 多调用时间尺度耦合约束

表示为

Et=Ee, t'+Ee, t, t'=6t
(20)
Eupe, t≤Et
(21)
Ee, t+ Edowne, t≤ Eratede
(22)
E1=E24
(23)
E1= Einite

max{Uce, t', Ude, t'}+max{Uce, t, Ude, t}≤1,

(24)
6 t-5≤t'≤6t
(25)

式中:Et为整个调度周期内储能在各个以1 h为尺度的时刻能量值,是储能参与平抑风功率波动和电能量市场场景应用下能量的耦合值;Einite为储能每个调度周期初始能量值参数;Ee, 24为储能每个调度周期末尾能量值变量;Ee, 1为储能每个调度周期起始时刻能量值变量.式(20)旨在将储能平抑风功率波动和参与电能量市场下的能量值进行合并处理;式(21)和(22)分别表示储能在某一时刻可参与上调备用的能量应不超过当前时刻储能所储存的能量值,可参与下调备用的能量空间与当前时刻储能所储存的能量之和应不超过储能额定能量值;且为保证下一调度周期内储能被顺利调度,还应令储能在每个调度周期始末能量值相等,保证持续工作能力,如式(23)所示;式(24)则为给储能系统能量状态赋初值;为实现不同调用时间尺度场景间调用时间尺度的解耦,保证调度过程顺利进行,设定在平抑风功率波动时储能能量不再被用来参与电能量市场,约束如式(25)所示,在实际电能量市场日前投标过程中此时刻储能报价应足够大,以保证该时刻其在电能量市场不中标[30].

3 算例仿真

3.1 算例设置

为了验证所提不同调用时间尺度场景应用优化调度模型的有效性,在MATLAB仿真平台上进行仿真验证,并调用Gurobi求解器对模型进行求解.

采用场景生成与缩减方法来模拟不确定性事件.针对风电预测出力的不确定性,对一容量为200 MW的风电场采用蒙特卡罗方法随机生成 1 000 个风电预测出力场景[31-32],再利用欧氏距离缩减法,缩减至4个出力场景,并获得各缩减后场景的发生概率.缩减后的风电预测出力场景如图2所示.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   不同风电预测出力场景

Fig.2   Different wind power forecast output scenarios


随着电力市场化程度提高,电力市场价格不确定性也将增加.为提高模型的实际应用效果,考虑美国电力市场发展程度较高,电价数据对市场供需情况反映得更加灵敏、真实,此处选取美国PJM(Pennsylvania-New Jersey-Maryland)电力市场数据为例,采用与处理风电不确定性相同的处理方法先生成电能量市场预测电价与备用辅助服务市场预测电价场景各 1 000 个,再各缩减至10个电价场景.缩减后的电能量市场预测电价场景和备用辅助服务市场预测电价场景分别如图3和图4所示,风电各预测出力场景及电力市场各预测电价场景的发生概率如表1所示.表中:空白表示不适用,下同.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   不同电能量市场预测电价场景

Fig.3   Different forecast price scenarios of electric energy market


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   不同备用辅助服务市场预测电价场景

Fig.4   Different forecast electricity price scenarios of reserve ancillary service market


表1   不同预测场景的发生概率

Tab.1  Probability of different prediction scenarios

预测项目概率
场景1场景2场景3场景4场景5场景6场景7场景8场景9场景10
风电预测出力0.2860.3460.1570.211
电能量市场预测电价0.1060.1540.2260.0610.1140.0600.0710.0700.0700.068
备用辅助服务市场预测电价0.0460.1010.2350.1000.1180.0890.1210.0600.0530.077

新窗口打开| 下载CSV


设定风储系统中的储能容量为 40 MW/160 MW·h,储能初始荷电状态Einite为0.2Eratede,储能充电效率ηch与放电效率ηdis均为0.95.

3.2 算例结果及分析

图5为4种风电预测出力场景下,风储系统平抑风功率波动情况.由图可见,对于风电所有预测出力场景中的每个越限时段,风储系统均能对其进行平抑,使得10 min尺度的出力波动情况满足并网要求.此外,平抑过程中储能的充放电功率情况如图6所示,结合图2可直观看到平抑动作主要发生在凌晨及下午风电高发且波动较大时段.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   不同风电出力场景下平抑效果情况

Fig.5   Stabilization effect in different wind power output scenarios


图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   平抑风功率波动场景中储能日前计划出力情况

Fig.6   Planned output of energy storage system in the scenario of stabilizing wind power fluctuation


风储系统参与电能量市场应用场景时储能充放电功率情况如图7所示.结合图3可见,在 13:00—17:00电能量市场电价较高时段,风储系统反而未进行放电动作,这主要是因为此时恰巧也是风电波动较大时段,储能在此时优先被用来平抑风功率波动,不进行电能量市场充放电动作.同样,在 02:00—04:00,由于储能参与平抑风功率波动,从而在电能量市场不再进行充放电动作.电能量市场中储能其余动作时段,储能低储高发,借助电价差获利.风储系统出力和充放电功率均以标幺值(p.u.)表示.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   风储系统参与电能量市场日前计划出力

Fig.7   Planned output of combined wind-storage system participating in electric energy market


图8给出风储系统参与备用辅助服务市场的容量预留量计划.储能所能提供的备用容量受到备用辅助服务市场电价及储能荷电状态的综合影响.00:00—07:00 备用辅助服务市场电价接近0,因而优化结果中风储系统在该时段即使有较高的能量状态也并未安排参与备用辅助服务市场.由图4可知,在 09:00 辅助服务市场电价出现下跌,但在 08:00—12:00 时段备用辅助服务电价整体仍处于较高水平,且由图9得知此时段储能荷电状态位于50%左右,故风储系统既可进行上调备用容量预留,也可进行下调备用容量预留.在 18:00—22:00 时段,备用辅助服务电价同样整体处于高位状态,储能荷电状态满足调用需求,此时段也安排风储系统参与备用辅助服务市场.此外,由于储能可通过切换充放电状态提供备用,因而会出现如 08:00、10:00、11:00、19:00、20:00 时段风储系统可提供备用功率超过储能额定功率的情况.

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   风储系统参与备用辅助服务市场日前计划出力

Fig.8   Planned output of combined wind-storage system participating in reserve auxiliary service market


图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   各时段储能充放电功率及荷电状态

Fig.9   Charging and discharging power and state of charge of energy storage system in each period


为分析所提不同调用时间尺度场景应用方法的营收优势,对以下两种算例场景进行对比:算例场景①考虑风储系统同时进行平抑风功率波动、参与电能量市场和备用辅助服务市场3种应用场景;算例场景②考虑风储系统只进行平抑风功率波动及参与电能量市场2种应用场景.不同算例场景下风储系统经济收益情况如表2所示.由表可见,算例场景①中风储系统电能量收益虽然低于算例场景②,但因其较算例场景②多获得备用辅助服务市场的收益,所以总收益仍高于算例场景②,这证明了所提多调用时间尺度场景应用在提高经济收益方面的有效性.

表2   不同算例场景下风储系统经济收益情况

Tab.2  Economic benefits of combined wind-storage system in different examples

算例场景电能量
收益/美元		备用辅助服务
收益/美元		总收益/美元
①267.6216 056.5216 324.14
②2 407.982 407.98

新窗口打开| 下载CSV


4 结论

综合考虑风电不确定性及电力市场电价不确定性,针对风储系统参与不同调用时间尺度场景应用耦合问题,提出面向电力市场的平抑风功率波动、电能量市场、备用辅助服务市场多调用时间尺度场景应用的风储系统优化调度方法,旨在优化风储系统多调用时间尺度协同运行策略,最大化其运行效益.进一步基于算例对所提方法进行仿真验证,结论如下:

(1) 所提方法能够有效平抑风功率波动,对算例中越限的风功率波动风储系统均能借助储能充放电使得风电并网质量得到改善,且优化得到的风储系统出力能有效应对风电预测出力的不确定性.

(2) 储能在电力市场中通过对能量的统筹规划使自身调度更具经济性,所提方法可使得风储系统在电能量市场与备用辅助服务市场均获得相应收益.

(3) 对比分析所提多调用时间尺度场景应用方法与只参与两种应用场景的经济收益,可知所提方法可有效提升风储系统经济收益,定量验证了所提方法的有效性.

依据日前风电预测出力数据及日前电力市场的价格数据,借助所建立的多调用时间尺度优化模型来规划风储系统参与不同调用时间尺度场景应用,所形成的仅是日前出力调度计划.依据超短期预测数据进行实时平衡市场的风储系统优化调度将是下一步研究方向.

参考文献

黄强, 郭怿, 江建华, 等.

双碳”目标下中国清洁电力发展路径

[J]. 上海交通大学学报, 2021, 55(12): 1499-1509.

DOI:10.16183/j.cnki.jsjtu.2021.272      [本文引用: 1]

目前,第三次能源革命已经开始,为了减少碳排放,发达国家先后制定了清洁能源发展战略,并公布了放弃火电、核电的时间表.与此同时,中国也向世界作出承诺:2030年前碳排放达峰,2060年实现碳中和.因此,在&#x0201c;双碳&#x0201d;目标下,研究清洁电力发展路径具有重要意义.分析了中国水、风、光等清洁能源储量及其特征,预测了中长期电力需求,依据电力电量平衡原理,估算了2030和2050规划水平年电力系统结构组成,并分析了未来CO<sub>2</sub>排放趋势,提出了未来中国清洁电力的发展对策与建议.结果表明:预计2027年中国电力系统将实现&#x0201c;碳达峰&#x0201d;;2030年中国清洁电力发电量将超过总发电量的50%;2050年火电、核电将被水、风、光等清洁电力全部取代,电力行业将实现CO<sub>2</sub>的&#x0201c;零排放&#x0201d;,基本全面实现电力系统的绿色转型,以响应国家的&#x0201c;双碳&#x0201d;目标.

HUANG Qiang, GUO Yi, JIANG Jianhua, et al.

Development pathway of China’s clean electricity under carbon peaking and carbon neutrality goals

[J]. Journal of Shanghai Jiao Tong University, 2021, 55(12): 1499-1509.

[本文引用: 1]

谢小荣, 马宁嘉, 刘威, 等.

新型电力系统中储能应用功能的综述与展望

[J]. 中国电机工程学报, 2023, 43(1): 158-169.

[本文引用: 1]

XIE Xiaorong, MA Ningjia, LIU Wei, et al.

Functions of energy storage in renewable energy dominated power systems: Review and prospect

[J]. Proceedings of the CSEE, 2023, 43(1): 158-169.

[本文引用: 1]

SHI J, LEE W J, LIU X F.

Generation scheduling optimization of wind-energy storage system based on wind power output fluctuation features

[J]. IEEE Transactions on Industry Applications, 2018, 54(1): 10-17.

[本文引用: 1]

沈阳武, 宋兴荣, 罗紫韧, 等.

基于模型预测控制的分布式储能型风力发电场惯性控制策略

[J]. 上海交通大学学报, 2022, 56(10): 1285-1293.

DOI:10.16183/j.cnki.jsjtu.2022.134      [本文引用: 1]

分布式储能型(DES)风力发电机组是解决规模化风力发电接入引起系统频率稳定问题的有效手段.提出一种基于模型预测控制(MPC)的分布式储能型风力发电场惯性控制方法,首先建立分布式储能型风力发电场的线性化预测模型,在此基础上结合MPC控制框架,设计考虑储能损耗成本和风机转子转速均衡变化的MPC惯性控制优化模型和策略,以实现惯量控制期间风力发电机组转子转速的均衡变化.仿真结果表明:所提控制策略可以有效协调分布式储能型风力发电机组中风力发电单元和储能系统单元的有功功率输出,降低储能系统的充放电损耗成本,并保证风力发电场内所有风机转速在惯性控制期间趋于平均,避免由于风机转速下降过度而导致风力发电机组退出调频的问题.分布式储能型风力发电场惯性控制策略有利于提高电网频率稳定性,对保障电网的安全运行具有重要意义.

SHEN Yangwu, SONG Xingrong, LUO Ziren, et al.

Inertial control strategy for wind farm with distributed energy storage system based on model predictive control

[J]. Journal of Shanghai Jiao Tong University, 2022, 56(10): 1285-1293.

[本文引用: 1]

刘颖明, 王晓东, 彭朝阳.

计及储能出力水平的平滑风电功率模型预测控制策略

[J]. 电网技术, 2020, 44(5): 1723-1731.

[本文引用: 1]

LIU Yingming, WANG Xiaodong, PENG Chaoyang.

Model predictive control strategy for smoothing wind power with energy storage output level

[J]. Power System Technology, 2020, 44(5): 1723-1731.

[本文引用: 1]

李江, 马昊天, 宋田宇.

风储系统爬坡事件的日前能量最优平抑方法

[J]. 中国电机工程学报, 2021, 41(12): 4153-4164.

[本文引用: 1]

LI Jiang, MA Haotian, SONG Tianyu.

An event-based day-ahead energy optimization method to smooth ramp events of combined wind storage systems

[J]. Proceedings of the CSEE, 2021, 41(12): 4153-4164.

[本文引用: 1]

何翔路, 娄素华, 吴耀武, 等.

双结算模式下风储一体化电站两阶段市场投标调度策略

[J]. 电力系统自动化, 2022, 46(4): 47-55.

[本文引用: 1]

HE Xianglu, LOU Suhua, WU Yaowu, et al.

Two-stage market bidding and scheduling strategy of integrated wind power and energy storage station in dual-settlement mode

[J]. Automation of Electric Power Systems, 2022, 46(4): 47-55.

[本文引用: 1]

李军徽, 岳鹏程, 李翠萍, 等.

提高风能利用水平的风电场群储能系统控制策略

[J]. 电力自动化设备, 2021, 41(10): 162-169.

[本文引用: 1]

LI Junhui, YUE Pengcheng, LI Cuiping, et al.

Control strategy of energy storage system in wind farm group to improve wind energy utilization level

[J]. Electric Power Automation Equipment, 2021, 41(10): 162-169.

[本文引用: 1]

虞临波, 寇鹏, 冯玉涛, 等.

风储联合发电系统参与频率响应的模型预测控制策略

[J]. 电力系统自动化, 2019, 43(12): 36-43.

[本文引用: 1]

YU Linbo, KOU Peng, FENG Yutao, et al.

Model predictive control strategy for combined wind-storage system to participate in frequency response

[J]. Automation of Electric Power Systems, 2019, 43(12): 36-43.

[本文引用: 1]

李健, 李雪峰, 张娜, 等.

计及储热备用效益的电热综合能源系统优化调度模型

[J]. 电网技术, 2021, 45(10): 3851-3859.

[本文引用: 1]

LI Jian, LI Xuefeng, ZHANG Na, et al.

Optimal dispatch model of electricity-heat integrated energy system considering reserved benefits of heat storage

[J]. Power System Technology, 2021, 45(10): 3851-3859.

[本文引用: 1]

程瑜, 陈熙.

基于源-荷-储互动的储能对风电消纳能力影响分析

[J]. 电力系统自动化, 2022, 46(13): 84-93.

[本文引用: 1]

CHENG Yu, CHEN Xi.

Analysis of influence of energy storage on acceptability for wind power based on source-load-storage interaction

[J]. Automation of Electric Power Systems, 2022, 46(13): 84-93.

[本文引用: 1]

黄南天, 包佳瑞琦, 蔡国伟, 等.

多主体联合投资微电网源-储多策略有限理性决策演化博弈容量规划

[J]. 中国电机工程学报, 2020, 40(4): 1212-1225.

[本文引用: 1]

HUANG Nantian, BAO Jiaruiqi, CAI Guowei, et al.

Multi-agent joint investment microgrid source-storage multi-strategy bounded rational decision evolution game capacity planning

[J]. Proceedings of the CSEE, 2020, 40(4): 1212-1225.

[本文引用: 1]

甘伟, 郭剑波, 李相俊, 等.

面向多应用需求的分布式储能优化调度

[J]. 电网技术, 2019, 43(5): 1504-1511.

[本文引用: 1]

GAN Wei, GUO Jianbo, LI Xiangjun, et al.

Distributed energy storage optimization scheduling for multiple application requirements

[J]. Power System Technology, 2019, 43(5): 1504-1511.

[本文引用: 1]

宋天昊, 李柯江, 韩肖清, 等.

储能系统参与多应用场景的协同运行策略

[J]. 电力系统自动化, 2021, 45(19): 43-51.

[本文引用: 2]

SONG Tianhao, LI Kejiang, HAN Xiaoqing, et al.

Coordinated operation strategy of energy storage system participating in multiple application scenarios

[J]. Automation of Electric Power Systems, 2021, 45(19): 43-51.

[本文引用: 2]

张巍, 缪辉.

基于云储能租赁服务的风储参与能量-调频市场竞价策略研究

[J]. 电网技术, 2021, 45(10): 3840-3852.

[本文引用: 1]

ZHANG Wei, MIAO Hui.

Bidding Strategies of wind power and energy storage participating in energy and frequency regulation market based on cloud energy storage leasing services

[J]. Power System Technology, 2021, 45(10): 3840-3852.

[本文引用: 1]

陆秋瑜, 胡伟, 闵勇, 等.

考虑时间相关性的风储系统多模式协调优化策略

[J]. 电力系统自动化, 2015, 39(2): 6-12.

[本文引用: 1]

LU Qiuyu, HU Wei, MIN Yong, et al.

A multi-pattern coordinated optimization strategy of wind power and energy storage system considering temporal dependence

[J]. Automation of Electric Power Systems, 2015, 39(2): 6-12.

[本文引用: 1]

李军徽, 侯涛, 穆钢, 等.

电力市场环境下考虑风电调度和调频极限的储能优化控制

[J]. 电工技术学报, 2021, 36(9): 1791-1804.

[本文引用: 1]

LI Junhui, HOU Tao, MU Gang, et al.

Optimal control strategy for energy storage considering wind farm scheduling plan and modulation frequency limitation under electricity market environment

[J]. Transactions of China Electrotechnical Society, 2021, 36(9): 1791-1804.

[本文引用: 1]

黄杨, 胡伟, 闵勇, 等.

计及风险备用的大规模风储联合系统广域协调调度

[J]. 电力系统自动化, 2014, 38(9): 41-47.

[本文引用: 1]

HUANG Yang, HU Wei, MIN Yong, et al.

Risk-constrained coordinative dispatching for large-scale wind-storage system

[J]. Automation of Electric Power Systems, 2014, 38(9): 41-47.

[本文引用: 1]

黄鹏翔, 周云海, 徐飞, 等.

基于负荷与风电出力场景集的运行备用动态调度方法

[J]. 可再生能源, 2021, 39(5): 658-665.

[本文引用: 1]

HUANG Pengxiang, ZHOU Yunhai, XU Fei, et al.

Operating reserve dynamic dispatching method based on load and wind power scenario set

[J]. Renewable Energy Resources, 2021, 39(5): 658-665.

[本文引用: 1]

江婷, 邓晖, 陆承宇, 等.

电能量和旋转备用市场下电-热综合能源系统低碳优化运行

[J]. 上海交通大学学报, 2021, 55(12): 1650-1662.

DOI:10.16183/j.cnki.jsjtu.2021.297      [本文引用: 1]

建立电-热综合能源系统,同时参与电能量市场和旋转备用市场的日前优化决策模型,并将阶梯式碳交易引入该模型中.模型采用条件风险价值方法对新能源和电负荷不确定性风险进行管理,以电-热综合能源系统运营方案成本和碳排放成本最低为目标函数,制定运行计划和安排备用资源.算例分析表明,该模型通过发挥综合能源系统多能互补优势和合理安排备用资源应对不确定性因素引发的风险,提高了能源供应的可靠性、经济性和低碳性.

JIANG Ting, DENG Hui, LU Chengyu, et al.

Low-carbon optimal operation of an integrated electricity-heat energy system in electric energy and spinning reserve market

[J]. Journal of Shanghai Jiao Tong University, 2021, 55(12): 1650-1662.

[本文引用: 1]

ZHANG Z, ZHANG Y, HUANG Q, et al.

Market-oriented optimal dispatching strategy for a wind farm with a multiple stage hybrid energy storage system

[J]. CSEE Journal of Power & Energy Systems, 2018, 4(4): 417-424.

[本文引用: 1]

DING H, PINSON P, HU Z, et al.

Integrated bidding and operating strategies for wind-storage systems

[J]. IEEE Transactions on Sustainable Energy, 2016, 7(1): 163-172.

[本文引用: 1]

NEMATI H, SIGRIST L, RODRíGUEZ L R, et al. Addressing unfeasibilities of energy storage systems participating in energy and reserve markets[C]//2022 IEEE PES Innovative Smart Grid Technologies Conference Europe (ISGT-Europe). Novi Sad, Serbia: IEEE, 2022: 1-5.

[本文引用: 1]

黄杨, 胡伟, 闵勇, 等.

考虑日前计划的风储系统多目标协调调度

[J]. 中国电机工程学报, 2014, 34(28): 4743-4751.

[本文引用: 1]

HUANG Yang, HU Wei, MIN Yong, et al.

Multi-objective coordinative dispatch for wind-storage combined systems considering day-ahead generation schedules

[J]. Proceedings of the CSEE, 2014, 34(28): 4743-4751.

[本文引用: 1]

中华人民共和国国家标准化管理委员会. 风电场接入电力系统技术规定第1部分: 陆上风电: GB/T 19963.1—2021[S]. 北京: 中国标准出版社, 2021.

[本文引用: 1]

Standardization Administration of the People’s Republic of China. Technical specification for connecting wind farm to power system—Part 1: On shore wind power: GB/T 19963.1—2021[S]. Beijing: Standards Press of China, 2021.

[本文引用: 1]

刘硕, 张梦晗, 夏清, 等.

基于备用辅助服务需求申报的现货市场机制设计

[J]. 电力系统自动化, 2022, 46(22): 72-82.

[本文引用: 1]

LIU Shuo, ZHANG Menghan, XIA Qing, et al.

The mechanism design of spot market based on the bidding of reserve requirement

[J]. Automation of Electric Power Systems, 2022, 46(22): 72-82.

[本文引用: 1]

HARBORD D, PAGNOZZI M.

Britain’s electricity capacity auctions: Lessons from Colombia and New England

[J]. The Electricity Journal, 2014, 27(5): 54-62.

[本文引用: 1]

GONZAlEZ P, VILLAR J, DIAZ C A, et al.

Joint energy and reserve markets: Current implementations and modeling trends

[J]. Electric Power Systems Research, 2014, 109: 101-111.

[本文引用: 1]

中华人民共和国国家能源局浙江监管办公室. 关于征求《2022年浙江省第三方独立主体参与电力辅助服务结算试运行方案(征求意见稿)》意见的函[EB/OL].(2022-09-02)[2022-10-07]. https://zjb.nea.gov.cn/scjg1/8379.jhtml.

URL     [本文引用: 1]

Zhejiang Regulatory Office of National Energy Administration the People’s Republic of China. Letter on soliciting opinions on the 2022 scheme for Zhejiang Province’s third party independent entities to participate in the settlement and trial operation of power auxiliary services (draft for comments)[EB/OL]. (2022-09-02)[2022-10-07]. https://zjb.nea.gov.cn/scjg1/8379.jhtml.

URL     [本文引用: 1]

冯忠楠, 文汀, 林湘宁, 等.

孤立发电系统参与电力市场的模式探讨

[J]. 中国电机工程学报, 2021, 41(14): 4845-4857.

[本文引用: 1]

FENG Zhongnan, WEN Ting, LIN Xiangning, et al.

Discussions on the mode of isolated power generation system participating in electricity market

[J]. Proceedings of the CSEE, 2021, 41(14): 4845-4857.

[本文引用: 1]

杨茂, 董昊.

基于数值天气预报风速和蒙特卡洛法的短期风电功率区间预测

[J]. 电力系统自动化, 2021, 45(5): 79-85.

[本文引用: 1]

YANG Mao, DONG Hao.

Short-term wind power interval prediction based on wind speed of numerical weather prediction and monte carlo method

[J]. Automation of Electric Power Systems, 2021, 45(5): 79-85.

[本文引用: 1]

潘虹锦, 高红均, 杨艳红, 等.

基于主从博弈的售电商多元零售套餐设计与多级市场购电策略

[J]. 中国电机工程学报, 2022, 42(13): 4785-4800.

[本文引用: 1]

PAN Hongjin, GAO Hongjun, YANG Yanhong, et al.

Multi-type retail packages design and multi-level market power purchase strategy for electricity retailers based on master-slave game

[J]. Proceedings of the CSEE, 2022, 42(13): 4785-4800.

[本文引用: 1]

/

〈 〉