CN110649638B - 一种弥补风电功率预测误差的储能系统的优化方法 - Google Patents

Abstract

一种弥补风电功率预测误差的储能系统的优化方法，包括以下步骤，(1)分析风电厂风电功率的预测误差，得到预测误差的分布规律；(2)建立储能系统的额定功率和额定容量的数学模型；(3)在某一误差补偿度下，建立以风电厂收益最大为目的的目标函数；(4)从前瞻性考虑，分析电价、储能成本的变化对风电厂收益的影响，找到使储能有投资价值的电价区间及储能成本区间。

Description

一种弥补风电功率预测误差的储能系统的优化方法

技术领域

本发明涉及风电厂储能的技术领域，具体的是一种弥补风电功率预测误差的储能系统的优化方法。

背景技术

风电作为一种优质的可再生能源，近年来得到了快速发展，然而随着风电渗透率不断增大，风力发电在为电网输送大量清洁电能的同时，其功率输出的不确定性、随机性、波动性也对电网的安全可靠运行带来了巨大的挑战。

储能系统可以为电力系统提供快速响应容量，具有动态吸收能量并适时释放的特点，可实现对功率和能量的时间迁移，有助于实现电力系统在各种工况下的功率和能量平衡。在电力系统中配置合适的储能系统，可以提高电力系统对风电接纳能力，增强风电的可调度性，保障电网的安全运行，因而受到越来越多的重视。

由于储能系统的成本较高，使得如何根据不同的需求和目的，最优化储能系统的功率与容量成为了一个热门话题。由于风力发电的特点，风电功率的预测误差是不可避免的。在风电厂出口安装储能系统以补偿风电功率预测误差，保证风电厂的输出功率能够按照预先申报的计划出力可靠输出风电功率。在实时调度中，当风电厂的实时功率值与计划出力有误差时，储能系统存储电量或释放电能以平衡相应的功率误差。

在考虑风电厂经济性的前提下，找到储能系统的最优配置，保证风电厂在一定误差补偿度下，严格按照计划出力输出风电功率，减少了风电的不确定性，增加了风电的可调度性。现有方法没有考虑当误差补偿度相同的时候，误差补偿区间实际上是不唯一的，如何根据不同的目标找到最优的补偿区间。这是现有技术的不同之处。

发明内容

本发明所要解决的技术问题，就是针对现有技术所存在的不足，而提供一种弥补风电功率预测误差的储能系统的优化方法，在相同的补偿度下，得到最优的补偿区间，进而得到最优的储能配置(额定功率和额定容量)，实现风电厂收益的最大化。

本方案是通过如下技术措施来实现的：一种弥补风电功率预测误差的储能系统的优化方法，包括以下步骤，

(1)分析风电厂风电功率的预测误差，得到预测误差的分布规律；

(2)建立储能系统的额定功率和额定容量的数学模型；

(3)在某一误差补偿度下，建立以风电厂收益最大为目的的目标函数，并求解得到最优的误差补偿区间；

(4)从前瞻性考虑，定性定量的分析上网电价、储能成本的变化对风电厂收益的影响，找到使储能有投资价值的上网电价区间及储能成本区间。

优选的，所述预测误差为e，e＝P_actual-P_forecast，其中：P_actual为风电厂的实际风电功率，P_forecast为风电厂的预测风电功率。

优选的，当储能系统补偿全部预测误差时，即补偿度为100％时，储能系统需要的储能额定功率为预测误差绝对值的最大值：

P_rate＝max|e|

当储能系统补偿α％的预测误差时，预测误差的置信区间为(e_αlow，e_αup)，e_αlow为置信区间下限，e_αup为置信区间上限，储能系统需要配置的储能额定功率为置信区间上下限绝对值的最大值，即：

P_rate＝max(|e_αlow|，|e_αup|)。

优选的，对一个调度周期内的各个采样时刻的储能充放电量进行累计，获得不同采样时刻储能相对于初始状态的能量波动，如公式：

式中：Δt是采样周期，

N是一个调度周期内的采样数，

E[n]为在第n个采样时刻相对于初始状态的能量波动，亦即前n个采样周期内，储能累计充放电量之和，

P_ESS为储能实际的充放电功率，

n是第n个采样点，

根据在整个样本数据周期内的能量波动，计算最大、最小能量波动之差，并考虑到储能运行荷电状态的限制，可以获得储能系统的储能额定容量E_rate：

式中：C_up和C_low分别为储能系统运行荷电状态的上下限约束，

max(E[n])、min(E[n])分别为整个样本数据周期内储能系统相对于初始状态的最大、最小能量变化。

优选的，当补偿度为100％时，P_ESS为各采样时刻的误差e，

当补偿度为α％时，

优选的，在某一补偿度下，以风电厂收益最大为目标，风电厂收益的目标函数为：

f＝c*E_sell-c_P*P_rate-c_E*E_rate-c₁*E_curtail-c₂E_shortage

式中：f为安装储能系统后的风电厂收益，

c为上网电价，

E_sell为风电厂安装储能系统后多发的电量，

c_P为储能系统的单位功率成本，

P_rate为储能系统的储能额定功率，

c_E为储能系统的单位容量成本，

E_rate为储能系统的储能额定容量，

c₁为弃风惩罚，

E_curtail为弃风电量，

c₂为缺电惩罚，

E_shortage为缺电电量，

式中：e[n]是每个采样时刻的误差，

Δt为采样周期，

优选的，所述风电厂最大收益的算法步骤依次如下：

(1)找到风电厂风电功率的预测误差的分布规律，让k＝1；

(2)让补偿度＝α％，解出补偿区间，满足F(e_αup)-F(e_αlow)＝α％

(3)得到第k个区间的上下限e_αlowk，e_αupk；

(4)计算第k个量：P_ratek，E_ratek，E_sellk，E_curtailk，E_shortagek；

(5)比较P_ratek与max|e|的大小，当P_ratek小于等于max|e|时，计算风电厂的收益f_k；

(6)判断f_k与f_k-1的大小，

当f_k大于f_k-1时，f_max＝f_k，令k＝k+1，从步骤(2)开始重新执行以下步骤；

当f_k小于等于f_k-1时，令k＝k+1，从步骤(2)开始重新执行以下步骤；

(7)在步骤(5)中，当P_ratek大于max|e|时，直接输出f_max，即为风电厂最大收益。

优选的，影响风电厂最大收益的因素包括上网电价，储能单位功率成本，储能单位容量成本，弃风单位惩罚以及缺电单位惩罚；

当补偿度相同时，随着上网电价的提高，风电厂最大收益会增加；

当电价相同时，随着补偿度的提高，风电厂最大收益会增加；

在补偿度相同的情况下，风电厂最大收益随着储能单位功率成本的增加而减少；

当补偿度相同时，风电厂最大收益随着储能单位容量成本的增加而减少；

在所有补偿度下，单位弃风惩罚越高，风电厂最大收益越小；

当补偿度相同时，随着弃风惩罚的增加，风电厂最大收益将减少；

当单位弃风惩罚相同时，随着补偿度的增加，风电厂最大收益将增加。

优选的，为了比较不同因素对风电厂最大收益的敏感性，引入敏感度SD的概念，

index是风电厂的最大利润；

parameter为各影响因素；

SD>0表明评价指标与影响因素的变化方向一致，

SD<0表明评价指标与影响因素的变化方向相反，

︱SD︱越大，表明影响因素对评价指标越敏感。

与现有技术相比，本发明的有益效果如下：

1.本发明可以有效的弥补风电厂的预测误差，使风电厂的输出有效跟踪计划出力，改善风电厂输出功率的不确定性，使风电厂接近常规电源，增加了风电厂的可调度性，提高了电网对风电的消纳能力。

2.本发明针对某一误差补偿度下不同的误差区间，找到了使风电厂收益最大的补偿区间，进而确定了最优的储能系统配置。

由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。

附图说明

图1为风电厂风电功率的示意图；

图2为风电厂风电功率的预测误差的示意图；

图3为风电厂风电功率的预测误差的概率密度示意图；

图4为补偿度为80％时的最优化结果表；

图5为不同误差补偿度下的最优化结果表；

图6为不同补偿度下风电厂收益与储能系统容量的关系图；

图7为不同补偿度下风电厂收益与储能系统功率的关系图；

图8为不同补偿度下风电厂收益与风电厂多发电量的关系图；

图9为不同补偿度下风电厂收益与缺电量的关系图；

图10为不同补偿度下风电厂收益与弃风量的关系图；

图11为上网电价与风电厂最大收益的关系示图；

图12为储能单位功率成本与风电厂最大收益的关系示图；

图13为储能单位容量成本与风电厂最大收益的关系示图；

图14弃风单位惩罚与风电厂最大收益的关系示图；

图15缺电单位惩罚与风电厂最大收益的关系示图；

图16上网电价、储能单位功率成本、储能单位容量成本的敏感度图表；

图17弃风单位惩罚的敏感度图表；

图18缺电单位惩罚的敏感度图表；

图19补偿度为80％时各影响因素的敏感度表；

图20为风电厂最大收益的算法流程图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本方案进行阐述。

本专利中储能系统是为了补偿风电功率的预测误差，使风电厂出力跟踪计划出力。根据计划出力曲线，控制储能的充放电过程，使风电厂实际输出功率尽可能接近计划出力。在这里，以风电日前预测出力作为计划出力。

储能系统的功率配置是以风电预测误差为基础的。储能系统实时补偿风电实际功率与日前计划出力间的差值(即预测误差e)，使得风电厂由一个出力不确定的电源转化为出力确定的电源，使风电厂像常规电源一样可以完成计划发电，实现风电厂的可调度性。

该情况下储能功率和容量配置大小与风电出力预测值的准确性有关，误差越小，所需储能配置越小。

设风电厂实际风电功率P_actual与预测风电功率P_forecast的差值为e，e＝P_actual-P_forecast。预测误差e服从正态分布，如果置信度是α％,置信区间(e_αlow，e_αup)的含义是有α％的误差落入区间(e_αlow，e_αup)内，见图1-3。

为了跟踪风电厂的计划出力，用储能系统来补偿风电功率的预测误差e，使风电厂实际出力紧跟计划出力(预测值)。当e>0时，即风电厂实际出力大于预测出力时，储能充电，使风电厂免受弃风惩罚；当e<0时，即风电厂实际出力小于预测出力时，储能放电，避免了风电厂因为电量不足而产生缺电惩罚。通过在风电厂出口配置合适的储能装置，使风电厂的出力尽量等于日前计划出力。

从概率角度考虑，风电预测误差较大的情况发生的概率非常小，为了补偿小概率的大误差，则需安装更大功率的储能系统，会导致储能的费用大幅上升、经济性下降。因此提出补偿度的概念。

补偿度α％的含义是储能装置补偿α％的风电功率预测误差。

当储能补偿全部预测误差时，即补偿度为100％时，储能系统需要的额定功率为预测误差绝对值的最大值：

P_rate＝max|e|

当储能补偿α％的预测误差时，称此时的补偿度为α％。此时预测误差的置信度为α％，误差的置信区间为(e_αlow,e_αup)，e_αlow为置信区间下限，e_αup为置信区间上限，需要配置的储能额定功率为置信区间上下限绝对值的最大值，即：

P_rate＝max(|e_αlow|，|e_αup|)

因电网调度运行计划不同，本专利取时间窗口为1天来进行储能系统额定容量的配置。

对各个采样时刻的储能充放电量进行累计，可获得不同采样时刻储能相对于初始状态的能量波动，如以下公式：

其中：

Δt是采样周期，本文的采样周期为10分钟，即1/6小时，

N是一个调度周期内的采样数，时间窗口为1天的话N＝144；

E[n]为储能在第n个采样时刻相对于初始状态的能量波动，亦即前n个采样周期内，储能累计充放电量之和，

P_ESS为储能实际的充放电功率，

n是第n个采样点，根据储能在整个样本数据周期内的能量波动，计算最大、最小能量波动之差，并考虑到储能系统运行荷电状态(SOC)的限制，可以获得储能需要配置的容量，即储能的额定容量：

式中C_up和C_low分别为储能系统运行荷电状态(SOC)的上下限约束，理想情况下，C_up＝1,C_low＝0，考虑到储能实际运行时要避免过充过放，C_up和C_low应适当在[0,1]内取值，本文取为0.9和0.1。

max(E[n])、min(E[n])分别为整个样本数据周期内储能相对于初始状态的最大、最小能量变化。

当补偿度为100％时，即储能完全补偿风电预测误差时，P_ESS为各采样时刻的误差e，

当补偿度为α％时，即储能补偿α％的误差时，

其中，e_aup,e_alow分别为置信度为α％时的置信区间的上下限。

储能最优配置的目的是在能够达到系统要求的补偿度的前提下，尽可能减少储能系统的功率和容量，并实现系统收益的最大化。

要想求得某补偿度下的储能最优配置，就需要先求得该补偿度下预测误差的置信区间。在相同的补偿度下，误差的置信区间并不是唯一的，以风电厂收益最大为目标，寻找最优的误差补偿区间，进而得到最优的储能功率和容量配置，风电厂收益的目标函数为：

f＝c*E_sell-c_P*P_rate-c_E*E_rate-c₁*E_curtail-c₂E_shortage

其中：

f为安装储能系统后的风电厂收益，

c为上网电价，

E_sell为风电厂安装储能系统后多发的电量，

c_P为储能系统的单位功率成本，

c*E_sell为风电厂安装储能后的多发电收入，

P_rate为储能系统的储能额定功率，

c_P*P_rate为储能系统的功率成本，

c_E为储能系统的单位容量成本，

E_rate为储能系统的储能额定容量，

c_E*E_rate为储能系统的容量成本，

c₁为弃风惩罚，

E_curtail为弃风电量，

c₁*E_curtail为弃风成本，

c₂为缺电惩罚，

E_shortage为缺电电量，

c₂*E_shortage为缺电成本，

P_ESS[n]是储能实际充放电功率，

e[n]是每个采样时刻的误差，

Δt为采样周期,本专利中是10分钟，

其中：储能额定功率的约束：

0≤P_rate≤max|e|

误差补偿区间上下限的约束：

F(e_αup)-F(e_αlow)＝α％

F(·)是误差的概率分布函数。

所述风电厂最大收益的算法步骤依次如下：

(1)找到风电厂风电功率的预测误差的分布规律，让k＝1；

(2)让补偿度＝α％，解出补偿区间，满足F(e_αup)-F(e_αlow)＝α％

(3)得到第k个区间的上下限e_αlowk，e_αupk；

(4)计算第k个量：P_ratek，E_ratek，E_sellk，E_curtailk，E_shortagek；

(5)比较P_ratek与max|e|的大小，当P_ratek小于等于max|e|时，计算风电厂的收益f_k；

(6)判断f_k与f_k-1的大小，

当f_k大于f_k-1时，f_max＝f_k，令k＝k+1，从步骤(2)开始重新执行以下步骤；

当f_k小于等于f_k-1时，令k＝k+1，从步骤(2)开始重新执行以下步骤；

(7)在步骤(5)中，当P_ratek大于max|e|时，直接输出f_max，即为风电厂最大收益。

以80％补偿度为例，补偿度相同，补偿区间不唯一，求解上述最优化模型，得到该误差补偿度下，最优的补偿区间，进而得到储能的最优配置及风电厂最大收益，如图4所示。图5所示是不同误差补偿度下的最优化结果。

影响风电厂最大收益的因素包括上网电价，储能单位功率成本，储能单位容量成本，弃风单位惩罚以及缺电单位惩罚。

上网电价直接影响风电厂的利润。风电厂的最大利润与上网电价的关系如图11所示。风电厂在一定的电价范围内是可以盈利的，但如果低于一定的下限，则无投资的价值。以80％补偿度为例，在其他因素不变的情况下，当电价为49.6$/MWh时，风电厂的最大利润为零。如果低于这个价格，就没有投资的必要。对于其他补偿度，也可以得到相应的临界价格。

当补偿度相同时，随着上网电价的提高，风电厂的最大利润会增加。

当电价相同时，随着补偿度的提高，风电厂的最大利润将增加。

可以解释为，当补偿度增加时，额外发电量增加，虽然额外储能成本也增加，但这两个方面的综合作用最终使风电厂的利润增加，仿真算例也验证了这个结果。

此外，储能的单位成本会发生变化，也将影响最优化结果。

在补偿度相同的情况下，风电厂的最大利润随着储能单位功率成本的增加而减少。

在相同的单位功率成本下，如果单位成本小于某一值，则风电厂的最大利润将随着补偿度的增加而增加，但如果单位成本大于某一值，则风电厂的最大利润将不一定会随着补偿度的增加而增加。最优结果可能会出现在较低的补偿度时，即补偿度较低时利润最大。这可以解释为当单位功率成本过高时，补偿越多，风电厂的利润越少，甚至出现负利润。

以80％补偿度为例，当单位功率成本为382.1*10000$/MW时，最大利润为零，即成本在382.1*10000$/MW以上时，投资储能就没有意义了，对于其他补偿度，也可以计算出临界的储能功率成本。

与单位功率成本相同，在80％补偿条件下，临界的单位容量成本为100.5*10000$/MWh。

在所有补偿度下，单位弃风惩罚越高，风电厂的最大利润越小，风电厂的最大利润甚至可能变成负值。在80％的误差补偿度下，当弃风惩罚大于1547$/MWh时，风电厂的最大利润为负。

在补偿度相同的情况下，随着弃风惩罚的增加，风电厂的最大利润将减少。

当单位弃风惩罚相同时，随着补偿度的增加，风电厂的最大利润将增加。这是因为随着补偿度的增加，弃风量将减少，弃风总惩罚减少，风电厂的最大利润增加。

为了比较不同因素对最优结果的敏感性，引入了敏感度的概念。

SD表示评价指标对各影响因素的敏感度。定义为评价指标的变化率除以影响因素的变化率。

index是风电厂的最大利润；

parameter为各影响因素，包括电价、储能单位功率成本、储能单位容量成本、弃风单位惩罚以及缺电单位惩罚。

SD>0表明评价指标与影响因素的变化方向一致，

SD<0表明评价指标与影响因素的变化方向相反。

︱SD︱越大，表明影响因素对评价指标越敏感，反之亦然。

从图16可以看出，敏感度最高的是电价，其次是单位容量成本和单位功率成本。弃风惩罚和缺电惩罚的敏感度见图17和图18。

当弃风单位惩罚相同时，随着补偿度的增加，灵敏度降低。因为随着补偿度的增加，弃风量减少了，弃风量对风电厂利润的影响减小。

当补偿度相同时，随着弃风单位惩罚的增加，灵敏度降低，最终趋于一个小常数。当弃风单位惩罚过大时，最佳补偿区间将更趋近于包含更多的正误差(甚至是所有正误差)，因此弃风量将会很小(甚至没有弃风量)，使弃风对风电厂最大收益的影响降低到最小。

弃风单位惩罚大于某值时，各敏感度均降至一个较小的常数。此时最佳补偿区间包含了最多的正误差，且弃风量最小。

当缺电单位惩罚大于某值时，各敏感度均降至接近零的同一个小常数。此时最优补偿区间包含了大部分负误差，且缺电量趋近于很小的值。

对于仿真算例中讨论的情况，在80％误差补偿度及算例的成本条件下，计算灵敏度，如图19所示。

通过比较，在上述条件下，风电厂的最大利润对电价最为敏感，其次是弃风单位惩罚、缺电单位惩罚、储能单位容量成本以及储能单位功率成本。

图6-15以及图17-18中的75％、80％、85％、90％以及95％指的是补偿度为75％、80％、85％、90％以及95％。

本发明中未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述，当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述实施方式，本领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (2)

1.一种弥补风电功率预测误差的储能系统的优化方法，其特征是：包括以下步骤，

(1)分析风电厂风电功率的预测误差，得到预测误差的分布规律；

(2)建立储能系统的额定功率和额定容量的数学模型；

(3)在某一误差补偿度下，建立以风电厂收益最大为目的的目标函数；

(4)从前瞻性考虑，分析上网电价、储能成本的变化对风电厂收益的影响，找到有投资价值的上网电价区间及储能成本区间；

所述预测误差为e，

e＝P_actual-P_forecast，

其中：P_actual为风电厂的实际风电功率，P_forecast为风电厂的预测风电功率；

当储能系统补偿全部预测误差时，即补偿度为100％时，储能系统需要的额定功率为预测误差绝对值的最大值：

P_rate＝max|e|

当储能系统补偿α％的预测误差时，预测误差的置信区间为(e_αlow，e_αup)，e_αlow为置信区间下限，e_αup为置信区间上限，储能系统需要配置的额定功率为置信区间上下限绝对值的最大值，即：

P_rate＝max(|e_αlow|, |e_αup|)；

对储能系统的一个调度周期内的各个采样时刻的充放电量进行累计，获得不同采样时刻储能系统相对于初始状态的能量波动，如公式：

式中：Δt是采样周期，

N是一个调度周期内的采样数，

E[n]为储能系统在第n个采样时刻相对于初始状态的能量波动，亦即前n个采样周期内，储能系统累计充放电量之和，

P_ESS为储能系统实际的充放电功率，

n是第n个采样点，

根据在整个样本数据周期内的能量波动，计算最大、最小能量波动之差，并考虑到储能系统运行荷电状态的限制，可以获得储能系统的额定容量E_rate：

式中：C_up和C_low分别为储能系统运行荷电状态的上下限约束，

max(E[n])、min(E[n])分别为整个样本数据周期内储能系统相对于初始状态的最大、最小能量变化；

当补偿度为100％时，P_ESS为各采样时刻的误差e，

当补偿度为α％时，

在某一补偿度下，以风电厂收益最大为目标，风电厂收益的目标函数为：

f＝c*E_sell-c_P*P_rate-c_E*E_rate-c₁*E_curtail-c₂E_shortage

式中：f为安装储能系统后的风电厂收益，

c为上网电价，

E_sell为风电厂安装储能系统后多发的电量，

c_P为储能系统的单位功率成本，

P_rate为储能系统的额定功率，

c_E为储能系统的单位容量成本，

E_rate为储能系统的额定容量，

c₁为弃风惩罚，

E_curtail为弃风电量，

c₂为缺电惩罚，

E_shortage为缺电电量，

式中：e[n]是每个采样时刻的误差，

Δt为采样周期，

风电厂的最大收益的算法步骤依次如下：

(1)找到风电厂风电功率的预测误差的分布规律，让k＝1；

(2)让补偿度＝α％，解出补偿区间，满足F(E_αup)-F(e_αlow)＝α％

(3)得到第k个区间的上下限e_αlowk，e_αupk

(4)计算第k个量：P_ratek，E_ratek，E_sellk，E_curtailk，E_shortagek；

(5)比较P_ratek与max|e|的大小，当P_ratek小于等于max|e|时，计算风电厂的收益f_k；

(6)判断f_k与f_k-1的大小，

当f_k大于f_k-1时，f_max＝f_k，令k＝k+1，从步骤(2)开始重新执行以下步骤；

当f_k小于等于f_k-1时，令k＝k+1，从步骤(2)开始重新执行以下步骤；

(7)步骤(5)中，当P_ratek大于max|e|时，直接输出f_max，即为风电厂的最大收益；

影响风电厂最大收益的因素包括上网电价，储能单位功率成本，储能单位容量成本，弃风单位惩罚以及缺电单位惩罚；

当补偿度相同时，随着上网电价的提高，风电厂最大收益会增加；

当上网电价相同时，随着补偿度的提高，风电厂最大收益会增加；

在补偿度相同的情况下，风电厂最大收益随着储能单位功率成本的增加而减少；

当补偿度相同时，风电厂最大收益随着储能单位容量成本的增加而减少；

在所有补偿度下，单位弃风惩罚越高，风电厂最大收益越小；

当补偿度相同时，随着弃风惩罚的增加，风电厂最大收益将减少；

当单位弃风惩罚相同时，随着补偿度的增加，风电厂最大收益将增加。

2.根据权利要求1所述的弥补风电功率预测误差的储能系统的优化方法，其特征是：为了比较不同因素对风电厂最大收益的敏感性，引入敏感度SD的概念，

式中：index是风电厂的最大利润；

parameter为各影响因素；

SD＞0表明评价指标与影响因素的变化方向一致，

SD＜0表明评价指标与影响因素的变化方向相反，

︱SD︱越大，表明影响因素对评价指标越敏感。

Images