CN106786736A - 基于经济调度的风电储能源功率与容量优化配置方法 - Google Patents

Abstract

本发明公开一种基于经济调度的风电储能源功率与容量优化配置方法，建立风电功率的威布尔概率曲线，建立基于经济调度的风电系统储能装置随机规划模型，采用“2m+1”点估计法来建立的储能装置随机规划模型，采用并行分支定界法来求解储能装置随机规划模型，得出储能装置的最优功率和容量配置方案。旨在对不确定风电环境下的风储有效配合问题，提出了储能装置功率和容量最优配置的随机规划模型，并基于点估计和并行分支定界策略的综合求解方案，快速有效地求解储能随机规划模型，从而确定储能装置的最优功率和容量配置方案。

Description

基于经济调度的风电储能源功率与容量优化配置方法

技术领域

本发明涉及电力系统技术领域，具体涉及基于经济调度的风电储能源功率与容量优化配置方法。

背景技术

在污染和资源耗竭的担忧下，可再生能源发电具有环保和可持续性等特点，其得到了业界的普遍认可，目前中国正在建设含高比例可再生能源的新一代电力系统。随着可再生能源并网尤其是风电上网比例提高，电网将呈现出更强的随机性和波动性。目前，风电功率预测的精确性虽然得到稳步提高，但它的不确定性仍是一个难题，为有效抑制电网功率波动，配置合适容量的储能显得尤其重要。

风力发电作为可再生能源中最具有大规模开发与商业化前景的发电方式，应用日趋成熟，已由小容量离网型发展为大规模并网型，在电网所占比例也大幅增加。但风电场输出功率受风速影响很大，具有不可控和不可预期的特点。当电网接纳的风电容量超过一定比例时，会使原动机输出的机械功率发生变化，从而使发电机输出功率产生波动而使频率越限、电能质量下降。而且风电场多位于电网末端，运行需要较强的无功支撑，所以风电场功率波动还将造成风电场接入点电压明显变化，并导致电压稳定破坏的后果。虽然许多研究用不同的算法对风速进行预测，希望借此对含并网风电场系统进行调度。但对幅值波动和时间间隔较小的风进行精准预测是很困难的，但储能装置可以促进发电机输出电压和频率质量的改善，电池储能系统具有能量密度高、响应速度快的特点，可在s级、min级、小时乃至季节时间尺度对电力系统的运行进行支持。也是平抑风电功率预测误差的理想选择，然而现有储能电池成本过高，国家也未出台相关政策，对用于跟踪风电计划出力的电池储能系统功率与容量的优化配置成为决定投资成本、缩减预测误差的重要因素。

因此，为风电系统配置合适规格的储能装置，能有效抑制电网功率波动并提高系统经济运行水平，本发明提出了一种基于经济调度的风电储能源功率与容量优化配置方法。

发明内容

本发明所要解决的主要技术问题是提供一种基于经济调度的风电储能源功率与容量优化配置方法，旨在对不确定风电环境下的风储有效配合问题，提出了储能装置功率和容量最优配置的随机规划模型，并基于点估计和并行分支定界策略的综合求解方案，快速有效地求解储能随机规划模型，从而确定储能装置的最优功率和容量配置方案。

为实现上述目的，本发明采用了以下技术方案：基于经济调度的风电储能源功率与容量优化配置方法，该方法包括以下步骤：

(1)建立风电功率的威布尔概率曲线。

(2)建立基于经济调度的风电系统储能装置随机规划模型。

(3)采用“2m+1”点估计法来处理步骤(2)建立的储能装置随机规划模型。

(4)采用并行分支定界法来求解步骤(3)处理过的储能装置随机规划模型，得出储能装置的最优功率和容量配置方案。

进一步的，步骤(1)所述的“建立风电功率的威布尔概率曲线”的具体内容为：

针对多年的风电历史数据，将每一天同一小时风电数据用直方图进行数据统计，再进行概率曲线拟合可获得一天24小时对应的24组风电功率的威布尔概率曲线，从而可以将风电功率的概率特征方便的考虑在后文提出的储能装置容量配置随机规划模型中。风电功率的概率曲线公式如下：

式中λ为形状系数、k为尺度参数、pwt为第t时刻的风电功率。

进一步的，步骤(2)中所述的“建立风电功率的储能装置随机规划模型”的具体内容为：

将储能装置的安装和运行成本按天均摊，以机组组合问题为背景提出兼顾储能装置安装、运行日均摊费用及机组期望费用的储能装置随机规划模型，以期望值的形式来表述：

Min

式中，E代表数学期望值计算，ICp和IC_SOC为单位功率和单位容量费用系数，FC_cost包括所有N台机组在T时间段内总的机组燃料费用和启停费用，见式(3)

式(3)中F(P_it)＝a_i·(P_it)²+b_i·P_it+c_i；ai,bi和ci是燃料费用系数，Pit是机组i在时刻t的有功功率。式(2)中第二、三项代表储能安装和运行费用，而其单位功率和单位容量费用系数可依据资本收益率、利用式(4)-(5)按天均摊计算获得。

式(4)-(5)中，Inv_p和Inv_c代表每单位容量和单位功率一次性安装费用，单位为：$/MW和$/MWh,OMc是储能装置的每年运行和维护费用，$/MWh-year；l是ESS的寿命，单位为年；r是投资回报率，N_days是一年的天数。

储能装置容量配置模型含有的常规机组功率平衡约束和储能装置自有特性约束如下：

a.系统的有功功率平衡约束：

b.系统向上、下旋转备用约束：

c.机组爬坡率约束：

P_it-P_i(t-1)≤[1-x_it·(1-x_i(t-1))]·UR_i+x_it·(1-x_i(t-1))·P_i,min (9)

P_i(t-1)-P_it≤[1-x_i(t-1)·(1-x_it)]·DR_i+x_i(t-1)·(1-x_it)·P_i,min (10)

d.机组功率上下限约束：

P_i,min·x_it≤P_it≤P_i,max·x_it (11)

e.机组最小开停机时间约束：

f.储能装置的充放电功率约束：

g.储能装置的充放电状态约束：

u_ch,t+u_dis,t≤1 (16)

h.储能装置的SOC储能约束：

SOC_t＝SOC_(t-1)+P_ch,t·Δt-P_dis,t·Δt (17)

i.储能装置能量连续使用约束，即储能装置起始储能等于调度结束时的储能：

SOC_T＝SOC₀ (19)

式(6)-(19)中，P_i,max和P_i.min分别为机组i的最大功率和最小功率；x_it机组i的启停状态，1代表开启；S_Ui和S_Di机组i的开、停机费用；P_w,t为风电t时刻的有功功率，η_ch、η_dis为储能装置的充放电效率，u_ch,t、u_dis,t、P_ch,t和P_dis,t为储能装置的充放电状态(1为充电,其他为0)和功率；η₁和η₂为储能装置的储能上下限系数；P_D,t系统t时刻负荷水平；SR_U,t和SR_D,t系统t时刻向上、下旋转备用需求；UR_i和DR_i机组i向上、下爬坡功率限值；MUT_i、MDT_i为机组i最小开、停机时间；和机组i时刻t已开、停机总时间；SOC_t为储能装置时刻t的储存能量。

进一步的，步骤(3)中所述的“采用“2m+1”点估计法来处理步骤(2)建立的储能装置随机规划模型”的具体内容为：

在储能装置的模型中，设定每小时的风电为一个随机变量，T小时的风电便形成了T维的随机向量，记为(p_w1,p_w2,…,p_wt,…,p_wT)。据2m+1点估计理论，随机向量的样本通过以下方式产生：在t(t＝1,2,…,T)时刻的风电功率用三个典型值p_wt,k(k＝1,2,3)代替，而剩下T-1个随机变量固定在其均值μ_w1,μ_w2,…,μ_wT，因此仅处理第t时刻的随机变量p_wt，便会产生3组风电样本值(μ_w1,μ_w2,…p_wt,k,...,μ_wT)(k＝1,2,3)。对于T小时的风电随机向量，最终会产生3T组风电样本值(μ_w1,μ_w2,…p_wt,k,...,μ_wT)(k＝1,2,3；t＝1,2,…,T)。而典型值p_wt,k(k＝1,2,3)计算如下：

p_wt,k＝μ_wt+ε_t,k·σ_wt k＝1,2,3；t＝1,2,...T (20)

式中：ε_t,k是标准化的位置系数，μ_wt和σ_wt为第t小时风电出力p_wt的均值和方差，可从步骤(1)中风电功率的概率曲线获得。而位置系数ε_t,k和权重ω_t,k可按式(21)计算：

式中λ_t,3和λ_t,4是第t小时风电功率p_wt的偏度和峰度。另外式(22)中，ε_t,3＝0导致p_wt,k＝μ_wt,因此T组风电样本均相同为：(μ_w1,μ_w2,…,μ_wt,...,μ_wT)，而它们对应的权重系数之和为：

进而3T组风电样本减少为2T+1组风电样本。对于2T+1组风电样本，通过求解确定性的机组组合问题便可获得2T+1个系统燃料费用值。记2T+1组风电样本对应的燃料费用为FC^s，对应的权重系数为ζ_s(s＝1,2,…,2T+1)，则2T+1组风电样本对应的燃料费用期望值为：

将式(24)代入式(2)，所提模型的目标函数转化为式(25)：

式中 和为风电样本s下，第i台机组t时刻的机组启停状态及功率。采用类似(同样的)手法，将式(6)中风电P_w,t用点估计法产生的风电样本代替，并计及对其他变量的影响，储能装置随机规划模型的约束(6)-(19)即转化为(26)-(39)。最终通过点估计法将储能装置的成本收益随机模型(1)-(19)转化为确定性优化模型，其包含目标函数(25)和约束条件(26)-(39)。

式中：变量带上标s代表在第s个风电功率样本值下的对应变量。

进一步的，步骤(4)中所述的“采用并行分支定界法来求解步骤(3)处理过的储能装置随机规划模型，得出储能装置的最优功率和容量配置方案”的具体内容为：

a.首先，根据点估计法产生2T+1组风电样本(p_w1,p_w2,…,p_wt,…,p_wT)及对应权重系数ζ_s(s＝1,2,…,2T+1)；

b.将储能装置的参数和离散化，再两两交叉形成网格式的数据对

c.基于步骤b的数据对对每一组风电样本(p_w1,p_w2,…,p_wt,…,p_wT)求解一次机组组合问题；因此对于2T+1组风电样本(p_w1,p_w2,…,p_wt,…,p_wT)，可采用分支定界方法并行求解2T+1次机组组合问题，从而获得步骤(3)中目标函数和约束函数中2T+1次机组燃料费用FC^s(s＝1,2,…,2T+1)；

d.根据FC^s(s＝1,2,…,2T+1)及对应的权重ζ_s计算系统燃料费用的期望值，再依据式(25)加上储能装置的安装和运行日均摊费用，获得系统总费用；

e.重复步骤b、c直至所有离散化数据对的系统费用总成本均计算完毕；

f.最终具有最小系统总费用的ESS参数即为储能装置的最优功率和容量配置。

采用以上技术方案所产生的有益效果在于，本发明以机组组合问题为背景提出了兼顾了储能装置安装、运行日均摊费用及机组期望费用的储能装置随机规划模型，进一步设计了基于点估计和并行分支定界法的综合计算方案，快速有效的确定了储能装置的最优功率和容量配置。并以含风电的10机系统为算例，验证了模型和算法的正确性和有效性。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明的工作流程图；

图2是00:00-1:00小时的风电功率直方图；

图3是IEEE10机39节点系统网络拓扑图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清晰、完整地描述，显然，所描述的案例仅仅是本发明的一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开具体实施例的限制。

本发明阐述了一种基于经济调度的风电储能源功率与容量优化配置方法，如图1所示，该方法包含以下步骤：

(1)建立风电功率的威布尔概率曲线

风电出力主要受风速的影响，针对多年的风电历史数据，以小时为颗粒度，将每一天同一小时风电数据用直方图进行数据统计，见图2，再进行概率曲线拟合可获得一天24小时对应的24组风电功率的威布尔概率曲线，从而可以将风电功率的概率特征方便的考虑在后文提出的储能装置容量配置随机规划模型中。风电功率的概率曲线公式如下：

(2)建立风电功率的储能装置随机规划模型

将储能装置的安装和运行成本按天均摊，以机组组合问题为背景提出兼顾储能装置安装、运行日均摊费用及机组期望费用的储能装置随机规划模型，以期望值的形式来表述：

Min

式中，E代表数学期望值计算，ICp和IC_SOC为单位功率和单位容量费用系数，FC_cost包括所有N台机组在T时间段内总的机组燃料费用和启停费用，见式(42)

式(42)中F(P_it)＝a_i·(P_it)²+b_i·P_it+c_i；ai,bi和ci是燃料费用系数，Pit是机组i在时刻t的有功功率。式(41)中第二、三项代表储能安装和运行费用，而其单位功率和单位容量费用系数可依据资本收益率、利用式(43)-(44)按天均摊计算获得。

式(43)-(44)中，Inv_p和Inv_c代表每单位容量和单位功率一次性安装费用，单位为：$/MW和$/MWh,OMc是储能装置的每年运行和维护费用，$/MWh-year；l是ESS的寿命，单位为年；r是投资回报率，N_days是一年的天数。

储能装置容量配置模型含有的常规机组功率平衡约束和储能装置自有特性约束如下：

a.系统的有功功率平衡约束：

b.系统向上、下旋转备用约束：

c.机组爬坡率约束：

P_it-P_i(t-1)≤[1-x_it·(1-x_i(t-1))]·UR_i+x_it·(1-x_i(t-1))·P_i,min (48)

P_i(t-1)-P_it≤[1-x_i(t-1)·(1-x_it)]·DR_i+x_i(t-1)·(1-x_it)·P_i,min (49)

d.机组功率上下限约束：

P_i,min·x_it≤P_it≤P_i,max·x_it (50)

e.机组最小开停机时间约束：

f.储能装置的充放电功率约束：

g.储能装置的充放电状态约束：

u_ch,t+u_dis,t≤1 (55)

h.储能装置的SOC储能约束：

SOC_t＝SOC_(t-1)+P_ch,t·Δt-P_dis,t·Δt (56)

i.储能装置能量连续使用约束，即储能装置起始储能等于调度结束时的储能：

SOC_T＝SOC₀ (58)

式(45)-(58)中，P_i,max和P_i.min分别为机组i的最大功率和最小功率；x_it机组i的启停状态，1代表开启；S_Ui和S_Di机组i的开、停机费用；P_w,t为风电t时刻的有功功率，η_ch、η_dis为储能装置的充放电效率，u_ch,t、u_dis,t、P_ch,t和P_dis,t为储能装置的充放电状态(1为充电,其他为0)和功率；η₁和η₂为储能装置的储能上下限系数；P_D,t系统t时刻负荷水平；SR_U,t和SR_D,t系统t时刻向上、下旋转备用需求；UR_i和DR_i机组i向上、下爬坡功率限值；MUT_i、MDT_i为机组i最小开、停机时间；和机组i时刻t已开、停机总时间；SOC_t为储能装置时刻t的储存能量。

(3)采用“2m+1”点估计法来处理步骤(2)建立的储能装置随机规划模型

装置的模型中，设定每小时的风电为一个随机变量，T小时的风电便形成了T维的随机向量，记为(p_w1,p_w2,…,p_wt,…,p_wT)。据2m+1点估计理论，随机向量的样本通过以下方式产生：在t(t＝1,2,…,T)时刻的风电功率用三个典型值p_wt,k(k＝1,2,3)代替，而剩下T-1个随机变量固定在其均值μ_w1,μ_w2,…,μ_wT，因此仅处理第t时刻的随机变量p_wt，便会产生3组风电样本值(μ_w1,μ_w2,…p_wt,k,...,μ_wT)(k＝1,2,3)。对于T小时的风电随机向量，最终会产生3T组风电样本值(μ_w1,μ_w2,…p_wt,k,...,μ_wT)(k＝1,2,3；t＝1,2,…,T)。而典型值p_wt,k(k＝1,2,3)计算如下：

p_wt,k＝μ_wt+ε_t,k·σ_wt k＝1,2,3；t＝1,2,...T (59)

式中：ε_t,k是标准化的位置系数，μ_wt和σ_wt为第t小时风电出力p_wt的均值和方差，可从步骤(1)中风电功率的概率曲线获得。而位置系数ε_t,k和权重ω_t,k可按式(60)计算：

式中λ_t,3和λ_t,4是第t小时风电功率p_wt的偏度和峰度。另外式(61)中，ε_t,3＝0导致p_wt,k＝μ_wt,因此T组风电样本均相同为：(μ_w1,μ_w2,…,μ_wt,...,μ_wT)，而它们对应的权重系数之和为：

进而3T组风电样本减少为2T+1组风电样本。对于2T+1组风电样本，通过求解确定性的机组组合问题便可获得2T+1个系统燃料费用值。记2T+1组风电样本对应的燃料费用为FC^s，对应的权重系数为ζ_s(s＝1,2,…,2T+1)，则2T+1组风电样本对应的燃料费用期望值为：

将式(63)代入式(41)，所提模型的目标函数转化为式(64)：

式中 和为风电样本s下，第i台机组t时刻的机组启停状态及功率。采用类似手法，将式(45)中风电P_w,t用点估计法产生的风电样本代替，并计及对其他变量的影响，储能装置随机规划模型的约束(45)-(58)即转化为(65)-(78)。最终通过点估计法将储能装置的成本收益随机模型(40)-(58)转化为确定性优化模型，其包含目标函数(64)和约束条件(65)-(78)。

式中：变量带上标s代表在第s个风电功率样本值下的对应变量。

(4)采用并行分支定界法来求解步骤(3)处理过的储能装置随机规划模型，得出储能装置的最优功率和容量配置方案。

a.首先，根据点估计法产生2T+1组风电样本(p_w1,p_w2,…,p_wt,…,p_wT)及对应权重系数ζ_s(s＝1,2,…,2T+1)；

b.将储能装置的参数和离散化，再两两交叉形成网格式的数据对

c.基于步骤b的数据对对每一组风电样本(p_w1,p_w2,…,p_wt,…,p_wT)求解一次机组组合问题；因此对于2T+1组风电样本(p_w1,p_w2,…,p_wt,…,p_wT)，可采用分支定界方法并行求解2T+1次机组组合问题，从而获得步骤(3)中目标函数和约束函数中2T+1次机组燃料费用FC^s(s＝1,2,…,2T+1)；

d.根据FC^s(s＝1,2,…,2T+1)及对应的权重ζ_s计算系统燃料费用的期望值，再依据式(64)加上储能装置的安装和运行日均摊费用，获得系统总费用；

e.重复步骤b、c直至所有离散化数据对的系统费用总成本均计算完毕；

f.最终具有最小系统总费用的ESS参数即为储能装置的最优功率和容量配置。

算例分析：

本发明通过10机系统来检验所提模型和求解方法，网络拓扑图如图3所示。

该系统含有24小时风电功率满足威布尔分布，风电以300MW为额定功率归一化后的参数见下表

铅酸储能装置、锌溴储能装置、钠硫储能装置和超导磁储能装置四种典型的储能装置参数如下表：

参数值	LAB-ESS	AB Zn/Br-ESS	AB Na/S-ESS	SM-ESS
					能量费用系数Invc($/kWh)	150	400	250	500
功率费用系数Invp($/kW)	225	175	150	300
					运行费用系数($/MW-year)	155	100	100	100
充放电效率ηch＝ηdis	0.90	0.85	0.85	0.92
					电池寿命l(year)	15	20	20	30

系统向上和向下旋转备用设为负荷的8％。算例中将会考察铅酸储能装置、锌溴储能装置、钠硫储能装置和超导磁储能装置的不同性能表现，10机系统的常规机组费用系数如下表。

储能投资回报率设为5％，储能装置的储能限制在的10％至90％。储能装置额定功率设置为10MW为步长的离散值，储能装置额定容量以10MWh为步长的离散值。本发明基于Matlab 2011b编写了点估计和分支定界的混合求解方案，并基于MatlabParallel Computing Toolbox 5.2搭建了并行计算平台。

未安装储能装置时，10机系统的总费用仅含有机组的燃料费用期望值为4495641.6$，见下表；当有铅酸储能装置时，采用混合并行分支定界方法花费943s求得的储能装置最优参数值为：和费用为4494903.3$。可以看出20MW/50MWh的储能系统可以节省3927$/天，而投资费用仅有3188.7$/天，因此安装20MW/50MWh的储能装置可以每天节省738.3$。

当10机系统配置锌溴储能装置时，如下表，系统的总费用为4495641.6$，对应的锌溴储能配置为：额定功率和安装容量均为零。上述表明，当10机系统尝试安装锌溴储能装置，由于其安装与运行费用较高，超过了带来的收益，因此并不适合安装。考虑配置钠硫储能装置和超导磁储能装置时，系统的总费用分别为4495293.6$/天和$4495506.1$/天，和未配置储能装置时相比，系统总费用分别减少$348/天and$135.5/天。对四种不同形式的储能进行比较，铅酸储能系统具有较便宜的单位费用，即59.39$/MW和40.02$/MWh，因此其具有最为经济的系统总费用，可配置功率和容量也较高。可见，储能系统的单位成本费用是影响储能装置容量配置的关键因素，储能装置的单价较低时，可配置较大容量的储能装置以减少系统总费用。

Claims (5)

1.一种基于经济调度的风电储能源功率与容量优化配置方法，其特征在于：该方法包括以下步骤：

(1)建立风电功率的威布尔概率曲线；

(2)建立基于经济调度的风电系统储能装置随机规划模型；

(3)采用“2m+1”点估计法来处理步骤(2)建立的储能装置随机规划模型；

(4)采用并行分支定界法来求解步骤(3)处理过的储能装置随机规划模型，得出储能装置的最优功率和容量配置方案。

2.如权利要求1所述的基于经济调度的风电储能源功率与容量优化配置方法，其特征在于：步骤(1)所述的“建立风电功率的威布尔概率曲线”的具体内容为：针对多年的风电历史数据，将每一天同一小时风电数据用直方图进行数据统计，再进行概率曲线拟合可获得一天24小时对应的24组风电功率的威布尔概率曲线，风电功率的概率曲线公式如下：

$f(p_{w,t},\mathrm{\λ},k)=\frac{k}{\mathrm{\λ}}{\left(\frac{p_{w,t}}{\mathrm{\λ}}\right)}^{k-1}{e}^{-{\left(\frac{p_{w,t}}{\mathrm{\λ}}\right)}^k}---\left(1\right).$

3.如权利要求1所述的基于经济调度的风电储能源功率与容量优化配置方法，其特征在于：步骤(2)中所述的“建立风电功率的储能装置随机规划模型”的具体内容为：

将储能装置的安装和运行成本按天均摊，以机组组合问题为背景提出兼顾储能装置安装、运行日均摊费用及机组期望费用的储能装置随机规划模型，以期望值的形式来表述：

$\begin{array}{cc}Min& E\left({\mathrm{FC}}_{\cos t}\right)+P_{ES}^{Rated}\·{\mathrm{IC}}_p+{\mathrm{SOC}}_{ES}^{installed}\·{\mathrm{IC}}_{soc}\end{array}---\left(2\right)$ .

式中，E代表数学期望值计算，ICp和IC_SOC为单位功率和单位容量费用系数，FC_cost包括所有N台机组在T时间段内总的机组燃料费用和启停费用。

4.如权利要求1所述的基于经济调度的风电储能源功率与容量优化配置方法，其特征在于：步骤(3)中所述的“采用“2m+1”点估计法来处理步骤(2)建立的储能装置随机规划模型”的具体内容为：

在储能装置的模型中，设定每小时的风电为一个随机变量，T小时的风电便形成了T维的随机向量，记为(p_w1,p_w2,…,p_wt,…,p_wT)，据2m+1点估计理论，随机向量的样本通过以下方式产生：在t(t＝1,2,…,T)时刻的风电功率用三个典型值p_wt,k(k＝1,2,3)代替，而剩下T-1个随机变量固定在其均值μ_w1,μ_w2,…,μ_wT，因此仅处理第t时刻的随机变量p_wt，便会产生3组风电样本值(μ_w1,μ_w2,…p_wt,k,...,μ_wT)(k＝1,2,3)，对于T小时的风电随机向量，最终会产生3T组风电样本值(μ_w1,μ_w2,…p_wt,k,...,μ_wT)(k＝1,2,3；t＝1,2,…,T)，而典型值p_wt,k(k＝1,2,3)计算如下：

p_wt,k＝μ_wt+ε_t,k·σ_wt k＝1,2,3；t＝1,2,...T(20)

式中：ε_t,k是标准化的位置系数，μ_wt和σ_wt为第t小时风电出力p_wt的均值和方差，可从步骤(1)中风电功率的概率曲线获得。

5.如权利要求1所述的基于经济调度的风电储能源功率与容量优化配置方法，其特征在于：步骤(4)中所述的“采用并行分支定界法来求解步骤(3)处理过的储能装置随机规划模型，得出储能装置的最优功率和容量配置方案”的具体内容为：

a.首先，根据点估计法产生2T+1组风电样本(p_w1,p_w2,…,p_wt,…,p_wT)及对应权重系数ζ_s(s＝1,2,…,2T+1)；

b.将储能装置的参数P_ES ^Rated和SOC_ES ^installed离散化，再两两交叉形成网格式的数据对(P_ES ^Rated，SOC_ES ^installed)；

c.基于步骤b的数据对(P_ES ^Rated，SOC_ES ^installed)，对每一组风电样本(p_w1,p_w2,…,p_wt,…,p_wT)求解一次机组组合问题；因此对于2T+1组风电样本(p_w1,p_w2,…,p_wt,…,p_wT)，可采用分支定界方法并行求解2T+1次机组组合问题，从而获得步骤(3)中目标函数和约束函数中2T+1次机组燃料费用FC^s(s＝1,2,…,2T+1)；

d.根据FC^s(s＝1,2,…,2T+1)及对应的权重ζ_s计算系统燃料费用的期望值，再依据式(25)加上储能装置的安装和运行日均摊费用，获得系统总费用；

e.重复步骤b、c直至所有离散化数据对(P_ES ^Rated,SOC_ES ^installed)的系统费用总成本均计算完毕；

f.最终具有最小系统总费用的ESS参数(P_ES ^Rated，SOC_ES ^installed)即为储能装置的最优功率和容量配置。