CN112307603A

CN112307603A - 考虑大规模风电接入的混合储能容量优化配置方法及系统

Info

Publication number: CN112307603A
Application number: CN202011096065.2A
Authority: CN
Inventors: 张倩茅; 姚福星; 齐晓光; 张松岩; 王颖; 张菁; 朱天曈; 韩璟琳; 孙鹏飞; 刘芮; 邵华; 苗世洪
Original assignee: Huazhong University of Science and Technology; State Grid Corp of China SGCC; Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Current assignee: Huazhong University of Science and Technology; State Grid Corp of China SGCC; Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Priority date: 2020-10-14
Filing date: 2020-10-14
Publication date: 2021-02-02
Anticipated expiration: 2040-10-14
Also published as: CN112307603B

Abstract

本发明公开了一种考虑大规模风电接入的混合储能容量优化配置方法及系统，所述方法包括：构建容量决策模型以及日前调度模型；采用粒子群优化算法，初始化各粒子的参数，并进行可行性检测；对各典型日下的风电出力进行经验模态分解，并将分解出的高频本征模态函数分量之和作为VRB的期望平抑功率；基于所述期望平抑功率、所述日前调度模型以及各粒子的位置参数，确定各典型日的运行成本；基于所述各典型日的运行成本，得到相应的年度运行成本，并结合所述容量决策模型，计算各粒子的适应度，直至输出最优配置结果。如此，本发明能够有效平抑风电出力波动、削峰填谷、改善系统的新能源消纳能力，还能够降低系统运行成本，提高系统的可靠性。

Description

考虑大规模风电接入的混合储能容量优化配置方法及系统

技术领域

本发明属于混合储能优化规划技术领域，更具体地，涉及一种考虑大规模风电接入的混合储能容量优化配置方法及系统。

背景技术

近年来，以风光为代表的新能源取得了长足显著的发展，较好地满足了我国清洁低碳的供电需求。然而，由于风光出力具有明显的波动性，其大规模接入给电网的安全稳定运行带来了巨大挑战，亟需采取有效手段对其出力波动进行平抑。另一方面，随着工商业负荷的大量接入以及居民生活水平的不断提高，我国电网峰谷差正逐步加大，出现了用电高峰期电能供应不足、非用电高峰时发电机组停机或低负荷运行等一系列现象，如何有效削峰填谷，提升电网调节能力并保证清洁能源的全额消纳，也已成为亟待解决的关键问题之一。

在此背景下，储能技术越来越多地受到学术界及工业界的广泛关注。不同的储能技术具有不同的基础特性，因此适用于不同的应用场景，两种或多种储能技术耦合将能够更加全面高效地满足用电系统的不同需求，为解决上述问题提供了新的手段和方法。因此，考虑混合储能系统中不同储能类型的技术经济特性，研究混合储能系统的容量优化配置方法，对挖掘不同储能技术的协调互补特性、发挥各类型储能技术的独特优势并进一步提升电网的经济安全运行水平具有重要意义。

现有文献针对由蓄电池、超级电容器或飞轮组成的混合储能系统开展了大量研究，这种组合具有变工况特性好、易于控制的优点。也有部分文献对锂电池及超级电容器组成的混合储能系统进行了深入研究，分别采用不同的方法对二者的功率频段进行划分，进而配置其容量。此外，还有部分文献分析了蓄电池与抽水蓄能电站的容量优化配置问题。以上文献在功率分配策略、求解方法等方面开展了卓有成效的研究工作，并提出了行之有效的混合储能系统容量优化配置方案，但在推广应用方面还存在以下问题：①超级电容器以及飞轮储能的成本较高，难以大规模应用，且二者持续充放电能力差，在应对可再生能源出力剧烈波动时往往捉襟见肘；②蓄电池循环寿命短，日常维护较为频繁，且存在环境污染风险，锂电池成本高，安全性较差，均不适合大规模应用；③抽水蓄能技术对地形和水源的要求较高，规划设计前需要进行生态评估，建设周期长，应用场景受限。

发明内容

针对现有技术的缺陷和改进需求，本发明提供一种考虑大规模风电接入的混合储能容量优化配置方法及系统，用以解决现有的可再生能源出力波动性较大、峰谷差逐年增加、新能源消纳困难的技术问题。

为实现上述目的，本发明提供了一种考虑大规模风电接入的混合储能容量优化配置方法，所述混合储能包括压缩空气储能CAES和全钒液流电池VRB，所述方法包括以下步骤：S1、构建容量决策模型以及日前调度模型；S2、采用粒子群优化算法，初始化各粒子的参数，并进行可行性检测；S3、对各典型日下的风电出力进行经验模态分解，并将分解出的高频本征模态函数分量之和作为VRB的期望平抑功率；基于所述期望平抑功率、所述日前调度模型以及各粒子的位置参数，确定各典型日的运行成本；S4、基于所述各典型日的运行成本，得到相应的年度运行成本，并结合所述容量决策模型，计算各粒子的适应度，直至输出最优配置结果。

进一步地，所述容量决策模型的目标函数为：

C_ins＝c_VRB,EE_VRB+c_VRB,pP_VRB,r+c_CAES,cP_CAES,rc+c_CAES,gP_CAES,rg+c_STV_ST

C_om＝c_VRB,omP_VRB,r+c_CAES,om(P_CAES,rc+P_CAES,rg)

其中，i为折现率，T_CAES和T_VRB分别为CAES及VRB的寿命，C_ins、C_rep、C_rec、C_om、C_op分别为混合储能系统的安装成本、置换成本、残值回收、年度维护成本、年度运行成本；c_VRB,E和c_VRB,p分别为VRB的单位容量成本及单位功率成本，E_VRB为VRB的规划容量，P_VRB,r为VRB的额定功率，c_CAES,c、c_CAES,g、c_ST分别为CAES的压缩机、膨胀机、储气室成本系数，P_CAES,rc、P_CAES,rg和V_ST分别为CAES的额定压缩功率、额定发电功率及储气室容积；c_VRB,om和c_CAES,om分别为VRB及CAES每年单位额定功率的维护成本系数，n为VRB需要进行置换的次数，

代表向上取整。

进一步地，以典型日运行成本最小为目标，构建所述日前调度模型的目标函数；其中，所述典型日运行成本包括电网向常规机组的购电成本、电网向常规机组的备用购置成本、VRB不按照预期方式出力的惩罚成本以及弃风成本；

所述日前调度模型的目标函数为：

min(C_G,g+C_G,R+C_H,gov+C_W,cur)

其中，C_G,g、C_G,R、C_H,pen和C_W,cur分别为电网向常规机组的购电成本、电网向常规机组的备用购置成本、VRB不按照预期方式出力的惩罚成本以及弃风成本；N_G为常规机组数目，T为调度时段数，a_i及b_i分别为常规机组i的发电成本一次项及常数项系数，P_G,i,t表示机组i在t时段的发电功率，S_G,i,t代表机组i在t时段的启动成本；α_i及β_i分别为电网向常规机组i购买正、负备用容量的单价，

和

分别为电网在t时段向机组i购买的正、负备用容量；λ_H,pen为VRB不按预期方式出力的单位功率惩罚项，P_VRB,c,t和P_VRB,d,t分别为VRB在t时段的实际充、放电功率，

为VRB在t时段的期望充放电功率；λ_W,cur为单位弃风成本，P_W,f,t为t时段的风电预测出力，P_W,t为t时段的风电实际调度出力。

进一步地，所述步骤S2中初始化各粒子的参数包括：

在所述容量决策模型的约束条件范围内初始化各粒子的位置及速度，生成VRB的规划容量、VRB的额定功率、CAES的额定压缩功率、CAES的额定发电功率、CAES的储气室容积的初始值。

进一步地，所述步骤S2中进行可行性检测包括：

基于

更新VRB的规划容量、VRB的额定功率、CAES的额定压缩功率、CAES的额定发电功率、CAES的储气室容积；其中，k_g为发电系数，p_ST,max及p_ST,min分别为储气室气压的上下限。

进一步地，所述步骤S4中计算各粒子的适应度，直至输出最优配置结果包括：根据各粒子的适应度，更新个体最优位置及全局最优位置；根据惯性因子及加速常数，更新各粒子的位置及速度，直至达到最大迭代次数或结果收敛，则输出最优的VRB的规划容量、VRB的额定功率、CAES的额定压缩功率、CAES的额定发电功率、CAES的储气室容积。

本发明另一方面提供了一种考虑大规模风电接入的混合储能容量优化配置系统，所述混合储能包括压缩空气储能CAES和全钒液流电池VRB，所述混合储能容量优化配置系统包括：

模型建立模块，用于构建容量决策模型以及日前调度模型；

初始化模块，用于采用粒子群优化算法，初始化各粒子的参数；

可行性检测模块，用于进行可行性检测；

运行成本获取模块，用于对各典型日下的风电出力进行经验模态分解，并将分解出的高频本征模态函数分量之和作为VRB的期望平抑功率；基于所述期望平抑功率、所述日前调度模型以及各粒子的位置参数，确定各典型日的运行成本；

输出模块，用于基于所述各典型日的运行成本，得到相应的年度运行成本，并结合所述容量决策模型，计算各粒子的适应度，直至输出最优配置结果。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

(1)本发明通过构建容量决策模型以及日前调度模型；采用粒子群优化算法，初始化各粒子的参数，并进行可行性检测；对各典型日下的风电出力进行经验模态分解，并将分解出的高频本征模态函数分量之和作为VRB的期望平抑功率；基于所述期望平抑功率、所述日前调度模型以及各粒子的位置参数，确定各典型日的运行成本；基于所述各典型日的运行成本，得到相应的年度运行成本，并结合所述容量决策模型，计算各粒子的适应度，直至输出最优配置结果。本发明充分考虑VRB及CAES的运行特性，并借助经验模态分解技术，不仅能够有效平抑风电出力波动、削峰填谷、改善系统的新能源消纳能力，还能够在降低系统运行成本的同时，提高系统的运行灵活性及可靠性。

(2)本发明在构建日前调度模型的目标函数时，考虑VRB不按照预期方式出力的惩罚成本以及弃风成本，从而提升了VRB平抑风电功率波动的积极性，并提高了风电消纳率。

附图说明

图1为本发明提供的混合储能系统的结构示意图；

图2为本发明实施例提供的一种考虑大规模风电接入的混合储能容量优化配置方法的流程图；

图3为本发明实施例中各典型日下的负荷功率曲线图；

图4为本发明实施例中各典型日下的原始风电出力曲线图；

图5为本发明实施例中场景1各典型日下经VRB平抑后的风电出力曲线图；

图6为本发明实施例中场景1春季典型日下的调度结果图；

图7为本发明实施例中场景1春季典型日下的风电调度结果与弃风功率图；

图8为本发明实施例中场景1春季典型日下的备用需求与备用结果图；

图9为本发明实施例中场景2春季典型日下的调度结果图；

图10为本发明实施例中场景2春季典型日下的风电调度结果与弃风功率图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

需要说明的是，由于全钒液流电池(Vanadium Redox Flow Battery，VRB)储能具有功率与容量可独立设计、循环寿命长、响应速度快、效率高、安全性高及成本低等特点，应用于新能源出力波动的平抑更具优势；同时，压缩空气储能(Compressed-Air EnergyStorage, CAES)技术可选用钢瓶作为储气室，受地理条件的限制较小，较适合于实现电网的削峰填谷及新能源的大规模消纳。因此，本发明考虑VRB和CAES的运行特性，构建了由VRB和CAES组成的混合储能系统容量优化配置双层模型。

参阅图1，结合图2，本发明提供了一种考虑大规模风电接入的混合储能容量优化配置方法的流程图，包括以下步骤：

步骤A、分别设定规划层及调度层的系统参数；

步骤B、规划层采用粒子群优化算法，在容量决策模型的约束条件范围内初始化各粒子的位置及速度；

步骤C、进行可行性检测；

步骤D、各粒子将其位置参数传递给调度层，调度层首先对各典型日下的风电出力进行经验模态分解(Empirical Mode Decomposition，EMD)，将分解出的高频本征模态函数(Intrinsic Mode Function，IMF)分量之和作为VRB的期望平抑功率，而后根据建立的日前调度模型及传递的参数，借助商业优化软件gurobi进行求解，得到日前调度结果，并将相应的运行成本反馈给规划层；

步骤E、规划层对反馈的各典型日运行成本进行加权处理，获得全年运行成本，并结合容量决策模型的目标函数，计算各粒子的适应度；

步骤F、根据各粒子的适应度，更新个体最优位置及本次全局最优位置；

步骤G、根据惯性因子及加速常数，更新各粒子的位置及速度；

步骤H、重复进行步骤C～步骤G，直至达到设定的最大迭代次数或结果收敛为止，输出最优规划结果。

具体地，步骤A中，规划层系统参数包括VRB及CAES各项待规划参数上下限及相应的成本系数、寿命年限等；调度层系统参数包括常规机组数目、出力上下限及相应成本系数，CAES储气室气压参数及VRB SOC状态参数及惩罚项等。

步骤B中，容量决策模型的目标函数为：

C_om＝c_VRB,omP_VRB,r+c_CAES,om(P_CAES,rc+P_CAES,rg)

代表向上取整。

容量决策模型的目标函数的约束条件包括VRB容量上下限约束、VRB额定功率上下限约束、CAES额定压缩功率及发电功率上下限约束、CAES储气室容积上下限约束，其中，

VRB容量上下限约束：

E_VRB,min≤E_VRB≤E_VRB,max

上式中，E_VRB,max和E_VRB,min分别为VRB规划容量上下限。

VRB额定功率上下限约束：

P_VRB,r,min≤P_VRB,r≤P_VRB,r,max

上式中，P_VRB,r,max和P_VRB,r,min分别为VRB额定功率上下限。

CAES额定压缩功率上下限约束：

P_CAES,rc,min≤P_CAES,rc≤P_CAES,rc,max

上式中，P_CAES,rc,max和P_CAES,rc,min分别为CAES额定压缩功率上下限。

CAES额定发电功率上下限约束：

P_CAES,rg,min≤P_CAES,rg≤P_CAES,rg,max

上式中，P_CAES,rg,max和P_CAES,rg,min分别为CAES额定发电功率上下限。

CAES储气室容积上下限约束：

V_ST,min≤V_ST≤V_ST,max

上式中，V_ST,max和V_ST,min分别为CAES储气室容积的上下限。

步骤C中，可行性检测为：

CAES的额定压缩功率不得小于额定膨胀功率的三分之一，额定膨胀功率也不得小于额定压缩功率的三分之一，且CAES的最大气压额定功率发电持续时间不得低于3小时；VRB最大放电功率持续时间不得低于3小时。即：

上式中，k_g为发电系数，p_ST,max及p_ST,min分别为储气室气压的上下限。

步骤D中，日前调度模型的目标函数为：

min(C_G,g+C_G,R+C_H,gov+C_W,cur)

和

为VRB在t时段的期望充放电功率，其值等于风电出力EMD分解后的高频分量合成后的相反数；λ_W,cur为单位弃风成本，P_W,f,t为t时段的风电预测出力，P_W,t为t时段的风电实际调度出力。需要特别说明的是，本发明假定CAES由电网公司建设并管理，其充电成本(发电成本及备用成本)体现在常规机组的购电成本上。

日前调度模型的目标函数的约束条件包括常规机组运行约束、CAES运行约束、VRB运行约束、风电场运行约束、系统功率平衡约束及备用约束，其中，

所述常规机组运行约束包括：

常规机组出力上下限约束：

u_G,i,tP_G,i,min≤P_G,i,t≤u_G,i,tP_G,i,max

上式中，u_G,i,t为机组i在t时段的启停状态变量，u_G,i,t＝1表示机组i在t时段处于开机状态，而u_G,i,t＝0则表示机组i在t时段处于停机状态，P_G,i,min和P_G,i,max分别为机组i的最小和最大出力。

常规机组爬坡约束：

上式中，u_G,i,t-1和P_G,i,t-1分别为机组i在t-1时段的启停状态变量及出力，

和

分别为机组i的上爬坡及下爬坡速率。

最小启停时间约束：

上式中，

和

分别为机组i的最小开机时间及最小停机时间。该约束的意义是：机组在开机后，要至少运行

时段后才能停机；机组在停机后，要至少经过

时段后才能再次开机。

备用容量约束：

上式中，Δt为时间间隔。

CAES电站具有快速响应能力，在日前调度尺度下，可以忽略其爬坡约束、起停时间约束和工况转换时间约束。因此，所述CAES运行约束包括：

CAES运行状态约束：

u_CAES,g,t+u_CAES,c,t≤1

上式中，u_CAES,g,t和u_CAES,c,t为表征CAES运行状态的二进制变量，若u_CAES,g,t＝1，表明CAES处于发电工况；若u_CAES,c,t＝1，表明CAES处于压缩工况；若u_CAES,g,t＝u_CAES,c,t＝0，表明CAES处于停机工况。

CAES发电功率上下限约束：

u_CAES,g,tP_CAES,g,min≤P_CAES,g,t≤P_CAES,g,maxu_CAES,g,t

上式中，P_CAES,g,t为CAES在t时段的发电功率，P_CAES,g,max和P_CAES,g,min分别为CAES发电功率上下限，本发明取P_CAES,g,max＝P_CAES,rg，P_CAES,g,min＝0.4P_CAES,rg。

CAES压缩功率上下限约束：

P_CAES,c,minu_CAES,c,t≤P_CAES,c,t≤P_CAES,c,maxu_CAES,c,t

上式中，P_CAES,c,t为CAES在t时段的压缩功率，P_CAES,c,max和P_CAES,c,min分别为CAES压缩功率上下限，本发明取P_CAES,c,max＝P_CAES,rc，P_CAES,c,min＝0.4P_CAES,rc。

CAES储气室气压约束：

p_ST,min≤p_ST,t≤p_ST,max

(1-μ)p₀≤p_ST,T≤(1+μ)p₀

上式中，p_ST,t为储气室在t时段的气压值，p₀为储气室初始气压，k_c为压缩系数；p_ST,T表示末时段的储气室气压值，μ为始末气压最大允许偏差系数。

CAES备用能力约束：

压缩状态：

停机状态：

发电状态：

上式中，

和

分别为CAES在t时段的正、负备用能力。

所述VRB运行约束包括：

VRB运行状态约束：

u_VRB,c,t+u_VRB,d,t≤1

上式中，u_VRB,c,t和u_VRB,d,t为表征VRB运行状态的二进制变量，若u_VRB,c,t＝1，表明VRB处于充电状态；若u_VRB,d,t＝1则表明VRB处于放电状态。

VRB充放电功率约束：

0≤P_VRB,c,t≤u_VRB,c,tP_VRB,r

0≤P_VRB,d,t≤u_VRB,d,tP_VRB,r

VRB SOC状态约束：

SOC_VRB,min≤SOC_VRB,t≤SOC_VRB,max

(1-ν)SOC₀≤SOC_VRB,T≤(1+ν)SOC₀

上式中，SOC_VRB,t为VRB在t时段的荷电状态，SOC₀为VRB初始荷电状态，η为VRB的充放电效率，取为0.9；SOC_VRB,max和SOC_VRB,min分别为VRB的SOC上下限值；SOC_VRB,T为VRB末时段的荷电状态，ν为VRB始末荷电状态最大允许偏差系数。

所述风电场运行约束，即风电调度功率约束：

0≤P_W,t≤P_W,f,t+P_VRB,c,t+P_VRB,d,t

所述系统功率平衡约束为：

上式中，P_L,t为t时段的负荷功率。

所述备用约束为：

上式中，ε_L和ε_W分别为负荷及风电预测误差系数，max{P_G,i,t}表示t时段常规机组中最大的出力。

步骤D中，所述日前调度结果包括常规机组的启停状态、CAES装置和VRB装置的运行工况，以及常规机组、CAES装置、VRB装置、风电机组的调度计划。

步骤H中，输出的最优规划结果包括VRB的规划容量、VRB的额定功率、CAES的额定压缩功率和额定发电功率，以及CAES的储气室容积。

本发明的原理说明如下：

本发明提供了一种考虑大规模风电接入的混合储能容量优化配置方法，其针对电网中现有的可再生能源出力波动性较大、峰谷差逐年增加、新能源消纳困难等问题，考虑VRB及CAES的运行特性，构建了由VRB及CAES组成的混合储能系统容量优化配置双层模型。其中，规划层采用粒子群优化算法，建立了以混合储能系统的安装成本、置换成本、残值回收(负值)、年度维护成本及运行成本之和最小为目标函数的混合储能容量决策模型，在约束条件允许的范围内随机生成各粒子参数，并传递给调度层；调度层首先对各典型日下的风电出力进行EMD分解，将高频IMF分量之和用作VRB出力的期望值，而后根据建立的日前调度模型及传递的参数，借助gurobi进行优化求解，并将运行成本反馈给规划层。双层模型反复迭代直至收敛，得出VRB及CAES的最优容量配置结果。

混合储能容量决策模型：优化目标为混合储能系统的安装成本、置换成本、残值回收(负值)、年度维护成本及运行成本之和最小。

规划变量上下限约束：主要包括VRB容量上下限约束、VRB额定功率上下限约束、CAES压缩及发电功率上下限约束、CAES储气室容量上下限约束。此类约束条件可以保证模型输出的最优容量配置结果在实际建设条件及经济条件允许的范围内。

日前调度模型：调度目标为电力系统总体运行成本的最小化，包括电网向常规机组的购电成本、电网向常规机组的备用购置成本、VRB不按照预期方式出力的惩罚成本以及弃风成本。需要特别说明的是，本发明假定CAES由电网公司建设并管理，因此目标函数中并未考虑其充电成本，该项目将相应地体现在常规机组的购电成本上。此外，之所以在目标函数中考虑VRB不按照预期方式出力的惩罚成本以及弃风成本，是为了提升VRB平抑风电功率波动的积极性，提高风电消纳率。

常规机组运行约束：主要指常规机组的出力上下限约束、爬坡约束、最小启停时间约束及备用容量约束。

CAES运行约束：包括CAES的运行状态约束、压缩及发电功率上下限约束、储气室气压约束以及备用能力约束。其中，储气室气压约束的含义是：为保障CAES的安全、正常运行，储气室气压不能过高也不能过低，应处于一定范围内。同时，储气室始末状态气压偏差不能过大，否则难以长期稳定运行。

VRB运行约束：包括VRB的运行状态约束、充放电功率约束以及SOC状态约束。

风电场运行约束：即风电调度功率约束，该约束条件用于保证系统实际调用的风电功率在平抑后的风电出力允许范围内。

功率平衡约束：该约束条件用于保证系统中常规机组、风电出力及CAES装置等电源的发电量与负荷量平衡，避免负荷缺额或电能浪费。

系统备用约束：为保证系统在功率波动或发生事故时能够安全运行，本发明根据负荷、风电的预测值以及常规机组的最大出力情况为系统预留一定的旋转备用功率。

模型建立模块，用于构建容量决策模型以及日前调度模型；

可行性检测模块，用于进行可行性检测；

上述考虑大规模风电接入的混合储能容量优化配置系统中各个模块的划分仅用于举例说明，在其他实施例中，可将考虑大规模风电接入的混合储能容量优化配置系统按照需要划分为不同的模块，以完成上述装置的全部或部分功能。

本申请实施例中提供的考虑大规模风电接入的混合储能容量优化配置系统中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在电子设备的存储器上。该计算机程序被处理器执行时，实现本申请实施例中所描述方法的步骤。

下面结合具体的应用场景进一步说明本发明的具体实现过程。

参阅图1，本实施例中电网部分采用IEEE-30节点系统，风电场及VRB储能电站接入原系统22节点，CAES电站接入原系统23节点，依次按照以下步骤进行：

步骤1、分别设定规划层及调度层的系统参数；其中，规划层系统参数包括VRB及CAES各项待规划参数上下限及相应的成本系数、寿命年限等，参见表1；调度层系统参数包括常规机组数目、出力上下限及相应成本系数，CAES储气室气压参数及VRB SOC状态参数及惩罚项等，参见表2。

表1 规划层的系统参数

表2 调度层的系统参数

步骤2、规划层采用粒子群优化算法，在容量决策模型的约束条件范围内初始化各粒子的位置及速度；

步骤3、进行可行性检测；

步骤4、各粒子将其位置参数传递给调度层，调度层首先对各典型日下的风电出力进行EMD分解，将分解出的高频IMF分量之和作为VRB的期望平抑功率，而后根据建立的日前调度模型及传递的参数，借助商业优化软件gurobi进行求解，得到日前调度结果，并将相应的运行成本反馈给规划层；

步骤5、规划层对反馈的各典型日运行成本进行加权处理，获得全年运行成本，并结合容量决策模型的目标函数，计算各粒子的适应度；

步骤6、根据各粒子的适应度，更新个体最优位置及本次全局最优位置；

步骤7、根据惯性因子及加速常数，更新各粒子的位置及速度；

步骤8、重复进行步骤3～步骤7，直至达到设定的最大迭代次数或结果收敛为止，输出最优规划结果。

为验证本发明方法的有效性，本实施例设定了如表3所示的3种运行场景。其中，场景1系统中同时建设VRB及CAES电站；场景2系统中只包含VRB，不含有CAES储能电站；场景3系统中只包含CAES，不含有VRB储能电站。

表3 各运行场景的设置

场景名称	是否包含VRB	是否包含CAES
			场景1	是	是
场景2	是	否
			场景3	否	是

对比图4及图5可以看出，经VRB储能电站平抑后，各典型日下的风电功率波动性明显降低，且除秋季个别时段较难以平抑外，各典型日的风电出力曲线均较为平滑，十分有益于电力系统的调度安排。为便于精确分析VRB储能电站的建设效果，表4还给出了各典型日下场景1与场景3的风电消纳率对比结果。由表4可知，除夏季典型日下风电出力较小，可以实现全额消纳外，各典型日下场景3的风电消纳率均低于场景1，这主要是因为场景3未配置VRB储能电站，无法对风电出力波动进行有效平抑，直接加剧了风电调度的困难程度，从而导致风电消纳率的降低。这也反向证明：采用EMD分解法对风电出力进行分解，而后将高频IMF分量用作VRB储能电站的期望出力，该方法在风电出力波动平抑方面具备有效性。

表4 各典型日下场景1与场景3的风电消纳率对比结果

图6、图7、图8分别为场景1春季典型日下的系统调度结果图、风电调度结果与弃风功率图、备用需求与备用结果图。从图6中可以看出，在00:00-08:30以及20:30-24:00时段内，风电大发而负荷功率较小，CAES工作在压缩状态，吸收富余的风电并进行存储，而在08:30-20:30时段内，风电出力处于较低水平，负荷却处于高峰期，此时CAES将已存储的电能进行释放，以满足高峰时期的用电需求。经CAES电站削峰填谷后，系统峰谷差率为48.72％。为便于比较，图9还给出了场景2春季典型日下的系统调度结果图，由图可知，若不建设CAES储能电站，系统将难以实现削峰填谷，峰谷差率高达67.71％。由此可见，建设CAES储能电站以后，系统峰谷差率下降了18.99％，这是主要是因为CAES电站实现了富余风电的“低储高放”，即在负荷低谷时期将富余的风电进行存储，并在高峰期进行释放，较好地实现了削峰填谷的功能。

从图7中可以看出，在CAES储能电站的参与下，系统的风电消纳率高达96.75％，较好地促进了新能源消纳。为便于进行比较，图10还给出了场景2春季典型日下的风电调度结果。由图可知，场景2的风电消纳率较低，仅为57.78％，近乎一半的风电资源都被浪费。由此可见，建设CAES储能电站以后，系统的风电消纳率提升了38.97％，这同样是由于CAES储能电站具有“低储高放”的特性，能够将富余的风电功率进行存储，并在有需要时进行释放，有力保障了新能源的消纳。

从图8可以看出，CAES承担了全部的系统负备用需求以及近乎30％的正备用需求，这主要是由于CAES具有出色的快速响应能力，在日前调度尺度下，可以忽略其爬坡约束、起停时间约束等，因此相比于常规机组，CAES储能电站能够更好地响应系统的备用需求，保证系统运行的可靠性。其余三个季节(夏、秋、冬)典型日下的调度结果与春季类似，在此不再赘述。

此外，场景1、2、3下储能系统的规划结果与综合成本明细分别如表5及表6所示：

表5 各运行场景下的储能装置最优规划结果

场景名称	场景1	场景2	场景3
				VRB额定功率/MW	148.0047	145.4665	--
VRB容量/MWh	1467.7372	1495.8748	--
				CAES额定压缩功率/MW	500.0000	--	451.3866
CAES额定发电功率/MW	236.3357	--	473.0589
				CAES储气室容积/(10<sup>3</sup>m<sup>3</sup>)	3932.1804	--	3301.6276

表6 各场景下储能系统的综合成本对比结果

成本项目	场景1	场景2	场景3
				投建成本/$	5.9575*10<sup>8</sup>	2.0777*10<sup>8</sup>	4.2883*10<sup>8</sup>
置换成本/$	8.5401*10<sup>7</sup>	8.6147*10<sup>7</sup>	0
				维护成本/$	4.1297*10<sup>6</sup>	1.1637*10<sup>6</sup>	3.6982*10<sup>6</sup>
回收残值(负值)/$	3.1604*10<sup>6</sup>	3.1880*10<sup>6</sup>	0
				春季典型日运行成本/$	3.9442*10<sup>5</sup>	1.9252*10<sup>6</sup>	8.0190*10<sup>7</sup>
夏季典型日运行成本/$	7.5056*10<sup>5</sup>	8.0659*10<sup>5</sup>	2.3724*10<sup>7</sup>
				秋季典型日运行成本/$	3.4737*10<sup>5</sup>	1.5462*10<sup>6</sup>	8.9012*10<sup>7</sup>
冬季典型日运行成本/$	5.9375*10<sup>5</sup>	2.0935*10<sup>6</sup>	2.7026*10<sup>7</sup>
				全年总加权运行成本/$	1.9036*10<sup>8</sup>	5.8140*10<sup>8</sup>	2.0071*10<sup>10</sup>
综合成本(适应度)/$	2.5068*10<sup>8</sup>	6.0694*10<sup>8</sup>	2.0110*10<sup>10</sup>

由表5可知，场景1与场景2下的VRB规划结果相差并不大，这主要是因为VRB用于风电出力波动的平抑，仅以EMD分解结果中高频IMF分量的相反数作为其出力期望值，面对同样的风电预测数据，其规划结果必然相近。然而，对比场景1及场景3可以发现，场景3中CAES的额定发电功率规划值大幅增加，这是因为场景3并未建设VRB储能电站，无法对风电功率波动进行有效平抑，但系统又存在功率平衡约束，要求在任何时段都能满足负荷的用电需求。常规机组爬坡能力有限，难以进行有效响应，因此要求CAES能够根据风电功率的大幅波动而大幅调整其出力，从而保证系统的用电需求，因此CAES的发电功率规划水平较高。

由表6可知，场景3的综合成本最高，原因在于：虽然场景3未建设VRB储能电站，降低了相应的投建成本及维护成本，并避免了置换成本，但由于其无法对风电出力波动进行有效平抑，因此每年都必须承担高昂的功率波动惩罚成本，这直接导致其各典型日下的运行成本处于较高水平，因此综合成本最高；相比而言，场景2的综合成本也较高，这是因为场景2仅建设VRB储能电站平抑风电出力波动，而未建立CAES电站削峰填谷、保证新能源消纳，虽然避免了高昂的风电功率波动惩罚成本，但由于其无法较好地削峰填谷，实现富余风电资源的“低储高放”，从而导致部分风电资源被浪费，因此需要承担较高的弃风成本，同时也间接提升了常规机组的运行成本；相比之下，场景1的综合成本最低，这是因为场景1既可以充分利用VRB平抑风电出力波动，又可以借助CAES削峰填谷，有效保障新能源消纳，相比于场景3其风电功率波动惩罚成本大大降低，相比于场景2其运行成本及弃风成本也有所下降，因此最为经济。

由此可见，在电网内进行VRB及CAES混合储能的容量优化配置，不仅可以平抑新能源出力的波动性、实现削峰填谷、有效保障新能源消纳，还可以在降低系统运行成本的同时，提高系统的运行灵活性及可靠性，对提升电网的安全经济运行水平具有重要意义。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。