吳永飛，包宇慶

（南京師范大學南瑞電氣與自動化學院，江蘇省南京市 210046）

0 引言

近年來，各種類型的儲能被運用到電力系統(tǒng)中。儲能作為一種重要的柔性資源，可有效平抑風電波動，重塑負荷分布。因此，對含有風電和不同儲能資源的電網(wǎng)系統(tǒng)進行優(yōu)化調(diào)度，已成為高比例風電并網(wǎng)下電網(wǎng)系統(tǒng)亟待解決的問題［1-3］。

儲能系統(tǒng)具有快速的雙向調(diào)節(jié)能力，配置一定容量的儲能系統(tǒng)可以有效應(yīng)對風電隨機波動［4］。文獻［5］提出一種基于預(yù)測控制的風電場調(diào)度方法，有效提升電池儲能系統(tǒng)（battery energy storage system，BESS）性能。文獻［6］從發(fā)電側(cè)和電網(wǎng)側(cè)的角度，提出一種高比例風電并網(wǎng)下考慮儲能參與的互聯(lián)電網(wǎng)調(diào)度模型。文獻［7］針對可再生能源在儲能調(diào)度中的不確定問題，采用隨機對偶動態(tài)規(guī)劃的方法，建立多階段隨機規(guī)劃模型。文獻［8］考慮風電接入下儲能的閑置時段和容量，提出儲能運行的協(xié)同策略，實現(xiàn)最大程度消納風電。文獻［9］提出一種風電-電池儲能-蓄熱電鍋爐的調(diào)度模型，充分考慮電池特性以及電、熱系統(tǒng)互補的物理特性。文獻［10］提出一種考慮BESS 和超級電容（supercapacitor，SC）的隨機優(yōu)化調(diào)控模型，采用概率預(yù)測與自適應(yīng)模態(tài)分解相結(jié)合的方法，有效平抑風電波動。文獻［11］以系統(tǒng)風險、煤耗量、棄風量為目標，建立一種風-儲聯(lián)合的多目標優(yōu)化調(diào)度系統(tǒng)。

利用持續(xù)更新的預(yù)測信息進行滾動調(diào)度可有效提升電網(wǎng)風電消納能力［12］。文獻［13］采用協(xié)調(diào)調(diào)度和多目標決策的方法，建立了風-儲聯(lián)合系統(tǒng)的滾動優(yōu)化模型。 文獻［14］將需求響應(yīng)（demand response，DR）資源和實際儲能視為廣義儲能，實現(xiàn)火電機組與廣義儲能聯(lián)合滾動調(diào)度。文獻［15］使用BESS 與抽水蓄能儲能系統(tǒng)組成混合儲能系統(tǒng)（hybrid energy storage system，HESS），結(jié)合DR 資源建立了多時間尺度調(diào)度模型。文獻［16］采用卡爾曼濾波算法，提出一種增強超短期預(yù)測與超前滾動優(yōu)化組合的風儲系統(tǒng)調(diào)度策略。文獻［17］建立了基于機會約束目標規(guī)劃的火-儲滾動調(diào)度模型，提升調(diào)度計劃的全局最優(yōu)性。文獻［18］建立了考慮多類型火電機組及儲能的兩階段滾動調(diào)度模型，提出一種截斷滾動優(yōu)化的方法。文獻［19］考慮可平移負荷的能量特性，將日內(nèi)滾動周期拓展到日內(nèi)剩余時間，提出一種全周期的滾動調(diào)度模型。

上述文獻分別從日前及日內(nèi)優(yōu)化方法、各類資源出力特性的角度提出創(chuàng)新，建立了滾動調(diào)度模型。目前，圍繞含儲能裝置的滾動調(diào)度研究中，電能型儲能資源在優(yōu)化調(diào)度中主要依靠其電能存儲的優(yōu)勢實現(xiàn)削峰填谷；而功率型儲能資源在優(yōu)化調(diào)度中主要依靠其大功率快充快放的優(yōu)勢，平抑風電波動［20-22］。然而，傳統(tǒng)調(diào)度策略在處理由電能型和功率型儲能資源組成的HESS 時，存在以下兩點不足：

1）較短的日內(nèi)滾動時間窗會影響電能型儲能資源的長期調(diào)度效果，這種調(diào)度策略在處理電能型儲能資源時只考慮局部的調(diào)度范圍，不能反映當天全局調(diào)度目標，無法充分發(fā)揮其削峰填谷的能力，導(dǎo)致電能型儲能資源調(diào)度的“近視”問題。

2）較長的日前時間窗會影響功率型儲能資源的短期調(diào)度效果，這種調(diào)度策略會導(dǎo)致功率型儲能資源過度參與削峰填谷，無法發(fā)揮其快速充放電的優(yōu)勢，造成功率型儲能資源調(diào)度的“遠視”問題。

為解決上述問題，本文在已有研究的基礎(chǔ)上，提出一種同時考慮電能型和功率型儲能的日前-日內(nèi)協(xié)同滾動調(diào)度模型。為解決電能型儲能的“近視”問題，提出電能型儲能的變周期調(diào)度策略，將滾動周期分為時間分辨率不同的兩部分，并動態(tài)調(diào)整滾動周期長度，提升模型的求解效率；為解決功率型儲能的“遠視”問題，對風電波動量的極值進行統(tǒng)計分析，提出功率型儲能資源的有限時間窗電量約束策略，實現(xiàn)其大功率快速充放電，有效平抑風電波動。最后，構(gòu)建混合整數(shù)線性規(guī)劃模型進行求解，結(jié)合算例驗證模型的有效性。

1 滾動調(diào)度模型的基本框架

1.1 整體架構(gòu)

風電的不確定性和波動性給電力系統(tǒng)的調(diào)度帶來了新的挑戰(zhàn)：一方面，目前風電預(yù)測還存在一定誤差，其精度與時間尺度強相關(guān)；另一方面，系統(tǒng)中各調(diào)度資源存在多時間尺度的特性，只采用日前調(diào)度難以滿足各類資源的運行特性［23］。同時，電能型和功率型儲能資源因傳統(tǒng)調(diào)度策略中調(diào)度時間窗的限制而無法充分發(fā)揮其在電量和功率上的調(diào)度潛力。

基于上述因素，針對不同時間尺度的風電預(yù)測數(shù)據(jù)和各類調(diào)度資源，本文建立了一種同時考慮電能型和功率型儲能資源的日前-日內(nèi)協(xié)同滾動調(diào)度模型，有效降低并網(wǎng)風電給系統(tǒng)帶來的影響，提高系統(tǒng)運行的經(jīng)濟性與可靠性。模型中考慮以下調(diào)度資源：

1）火電機組資源：在日前調(diào)度中確定火電機組啟停狀態(tài)，在日內(nèi)調(diào)度中確定火電機組出力；

2）風電機組資源：在日前調(diào)度確定預(yù)測誤差較大條件下的消納情況，在日內(nèi)調(diào)度中確定預(yù)測誤差較小條件下的消納情況；

3）BESS：在日內(nèi)調(diào)度中，確定BESS 的充放電功率；

4）SC：在日內(nèi)調(diào)度中，確定SC 的充放電功率。

滾動調(diào)度模型流程如圖1 所示。通過本文提出的功率型儲能的有限時間窗電量約束策略，有效解決了功率型儲能資源調(diào)度的“遠視”問題；通過提出的電能型儲能的變周期調(diào)度策略，有效解決了電能型儲能資源調(diào)度的“近視”問題。

1.2 功率型儲能的有限時間窗電量約束策略

SC 具有快速充放電的特性，響應(yīng)較為迅速，可以在調(diào)度周期內(nèi)頻繁切換充放電狀態(tài)，起到平抑風電波動的作用。然而，SC 的能量密度較小，需要構(gòu)建SC 的有限時間窗電量約束策略來保證其不會長期處于單一的充/放電狀態(tài)中。對于SC 的電量約束時間窗Tsc（SC 的單次充放電循環(huán)周期）求解過程如附錄A 圖A1 所示。

高頻風電波動很大程度上決定了SC 的電量約束時間窗Tsc。確定Tsc的過程如表1 所示。首先，對日內(nèi)風電曲線進行短期預(yù)測，得到原始日內(nèi)風電預(yù)測數(shù)據(jù)Pw，利用濾波器設(shè)置通帶頻率得到高頻風電功率Pwh；其次，對高頻風電電量Ewh的極值點、和其出現(xiàn)時間進行統(tǒng)計分析，得到高頻風電的峰值電量波動及其出現(xiàn)時間；最后，取峰值電量波動的平均時間間隔，即可得到SC的電量約束時間窗Tsc。SC 在單個時間窗內(nèi)完成一次充放電循環(huán)，從而構(gòu)建了SC 的有限時間窗電量約束策略，避免因過度參與削峰填谷而導(dǎo)致無法快速充放電，解決功率型儲能資源調(diào)度的“遠視”問題。

1.3 電能型儲能的變周期調(diào)度策略

為實現(xiàn)火電、風電、混合儲能資源調(diào)度的協(xié)同配合，本文提出電能型儲能的變周期調(diào)度策略。該策略將日內(nèi)短周期的局部調(diào)度轉(zhuǎn)變?yōu)槿諆?nèi)變周期的全局調(diào)度，通過動態(tài)調(diào)整日內(nèi)滾動周期范圍及對應(yīng)的分辨率，調(diào)度結(jié)果可以反映全局調(diào)度目標。滾動調(diào)度模型的基本結(jié)構(gòu)如圖2 所示。

日前調(diào)度計劃調(diào)度周期為24 h，分辨率為1 h，SC 不參與日前調(diào)度。日內(nèi)調(diào)度計劃單次滾動調(diào)度周期為日內(nèi)剩余時間，分辨率為5 min 和1 h 兩部分，每5 min 向前滾動優(yōu)化一次，對日內(nèi)調(diào)度結(jié)果進行更新。以10：00—11：00 為例，圖2 展示了日內(nèi)調(diào)度范圍和長度的變化。隨著時間推移，模型周期呈現(xiàn)階段1 到階段12 的狀態(tài)。為避免電能型儲能資源調(diào)度的“近視”問題，同時提高計算效率，該方法將調(diào)度周期分為兩段，即初始段Ω5min和剩余段Ω1h，具體過程如表2 所示。初始段Ω5min從當前時刻開始，到第3 個整點時刻結(jié)束，分辨率為5 min，考慮SC 的有限時間窗電量約束，每個時間窗內(nèi)完成單次充放電循環(huán)；剩余段Ω1h為剩余時間，從整點時刻開始到一天的結(jié)束時刻，分辨率為1 h。

2 滾動調(diào)度模型的建立

確定滾動模型的整體架構(gòu)后，對日前、日內(nèi)調(diào)度計劃進行建模。

2.1 日前調(diào)度模型

2.1.1 日前調(diào)度模型目標函數(shù)

日前調(diào)度模型的目標函數(shù)是最小化成本函數(shù)CDA，如式（1）所示。

2.1.2 日前調(diào)度模型主要約束條件

1）有功功率平衡約束

式中：Pd，t，s為第s個場景下第d個節(jié)點在t時段的負荷量。

2）棄風約束

3）失負荷約束

4）火電機組開停機狀態(tài)約束

式中：ug，t為第g臺火電機組在t時段的開停機狀態(tài)，為1 時表示機組處于開機狀態(tài)，為0 時表示機組處于停機狀態(tài)。

5）火電機組出力上下限約束

6）火電機組爬坡約束

式中：Dg為第g臺火電機組爬坡的功率限制。

7）BESS 充放電功率約束

8）BESS 電量約束

2.1.3 目前調(diào)度模型優(yōu)化結(jié)果

日前調(diào)度采用基于場景的隨機規(guī)劃，對日前調(diào)度模型進行求解，確定火電機組的啟停狀態(tài)ug，t，求解結(jié)果作為已知量代入日內(nèi)調(diào)度模型中。

2.2 日內(nèi)調(diào)度模型

2.2.1 日內(nèi)調(diào)度模型目標函數(shù)

日內(nèi)調(diào)度模型的目標函數(shù)是最小化成本函數(shù)CID，如式（10）所示。

2.2.2 日內(nèi)調(diào)度模型主要約束條件

1）有功功率平衡約束

2）棄風約束

3）失負荷約束

4）火電機組出力上下限約束

5）火電機組爬坡約束

6）BESS 充放電功率約束

7）BESS 電量約束

8）SC 充放電功率約束

9）SC 電量約束

10）系統(tǒng)旋轉(zhuǎn)備用約束

式中：ε為設(shè)置的置信度，本文取值為0.95；Φ-1為正態(tài)分布概率密度函數(shù)的反函數(shù)；δD為負荷預(yù)測的標準差；δW為風電預(yù)測的標準差。

2.2.3 日內(nèi)調(diào)度模型優(yōu)化結(jié)果

日內(nèi)調(diào)度采用本文提出的電能型儲能的變周期調(diào)度策略和功率型儲能的有限時間窗電量約束策略，對日內(nèi)調(diào)度模型進行求解。

3 算例分析

3.1 算例參數(shù)

本文基于PJM-5 系統(tǒng)對所提出的調(diào)度模型進行驗證。該系統(tǒng)由5 臺火電機組、2 個儲能單元和1 個風電場構(gòu)成。系統(tǒng)的5 個節(jié)點分別接入1 臺火電機組，總裝機容量為1 530 MW，火電機組的具體參數(shù)如表3 所示，其中，csh均為0 元。同時，在節(jié)點4接入1 個裝機容量為600 MW 的風電場，系統(tǒng)的風電滲透率約為35%。

表3 火電機組參數(shù)Table 3 Parameters of thermal power units

該系統(tǒng)包含兩種儲能設(shè)備，在節(jié)點1 接入1 個功率為70 MW、容量為280 MW·h 的BESS，同時在節(jié)點2 接入1 個功率為20 MW、容量為5 MW·h 的SC，系統(tǒng)的總儲能容量占比約為17%。儲能設(shè)備參數(shù)參考文獻［24］，具體參數(shù)見表4 所示。

表4 HESS 參數(shù)Table 4 Parameters of HESS

本文風電和負荷預(yù)測曲線及預(yù)測誤差如附錄A圖A2 所示，根據(jù)該曲線執(zhí)行滾動調(diào)度?？梢悦黠@看出，與日前曲線相比，日內(nèi)曲線精確度更高。

日前調(diào)度采用基于場景的隨機規(guī)劃。首先，通過對實際曲線添加擾動來獲得日前風電預(yù)測曲線，生成全部風電場景數(shù)設(shè)置為200 個；然后，采用kmeans 算法對生成的全部風電場景進行聚類［25］，獲得3 類典型場景，各類典型場景的個數(shù)在全部風電場景中的占比即為典型風電場景的概率πs；最后，使各典型場景曲線的加權(quán)平均等于實際曲線，即可得到本文中的場景1、場景2 及場景3 下的日前風電預(yù)測曲線。附錄A 圖A3 為日前調(diào)度中生成的典型風電出力場景，各場景的發(fā)生概率分別為0.300、0.295、0.405。

3.2 算例結(jié)果分析

為了研究一天中發(fā)電側(cè)資源、儲能資源的調(diào)度情況，本文以系統(tǒng)運行總成本最低為目標，對所提出的調(diào)度模型進行求解，得到一天24 h 的滾動調(diào)度結(jié)果及相應(yīng)的成本。此時，火電機組、風電機組、儲能裝置的調(diào)度出力情況如附錄A 圖A4 及圖3 所示。

圖3 HESS 功率及荷電狀態(tài)Fig.3 Power and state of charge of HESS

附錄A 圖A4 中，藍色曲線代表預(yù)測負荷曲線，綠色曲線表示調(diào)度結(jié)果，在系統(tǒng)調(diào)度過程中實現(xiàn)了高峰負荷的轉(zhuǎn)移。風電出力處于高峰階段（00：00—08：00 和19：00—24：00 時段）時，在儲能裝置的作用下，有效實現(xiàn)系統(tǒng)對風電的消納，對保障電網(wǎng)安全運行具有重要意義。

同時，由圖3 可以看出，BESS 起到了削峰填谷的作用，在夜間（00：00—08：00 時段）進行充電，在白天（08：00—20：00 時段）進行放電。在夜間風電出力高峰階段（00：00—08：00 時段），由于BESS 處于充電狀態(tài)，風電波動基本由BESS 與火電機組共同承擔，SC 響應(yīng)頻率較低。在08：00—20：00 時段，BESS 電量飽和，處于放電狀態(tài)，同時因火電機組功率變化受到爬坡約束，SC 處于快速充放電的狀態(tài)，有效平抑了風電波動，充分發(fā)揮了HESS 的調(diào)度潛力。

在日內(nèi)調(diào)度中，風電和負荷的預(yù)測精度較高，需要調(diào)整日前階段確定的各資源調(diào)度結(jié)果，以獲取更新后的結(jié)果。附錄A 圖A5 給出了日前調(diào)度與日內(nèi)調(diào)度階段火電機組、BESS、SC 功率的調(diào)整量。其中，火電機組承擔了大部分的功率調(diào)整量，BESS 起到削峰填谷的作用，SC 承擔了一部分變化較為劇烈的功率調(diào)整量，起到了平抑風電波動的作用，對維持系統(tǒng)功率平衡具有重要意義。

3.3 與其他調(diào)度方法對比分析

為了體現(xiàn)本文所提出的調(diào)度模型對實現(xiàn)風電消納、充分發(fā)揮HESS 調(diào)度潛力的作用，在接下來的算例中，本文設(shè)置了4 種其他調(diào)度模型來進行對比。各調(diào)度策略如附錄A 圖A6 所示。

調(diào)度模型1：日前調(diào)度模型。僅采用日前調(diào)度模型，考慮BESS 與SC 這2 種儲能裝置。

調(diào)度模型2：單一時間尺度滾動調(diào)度模型。日內(nèi)調(diào)度的滾動周期為2 h，分辨率為5 min。

調(diào)度模型3：變周期滾動調(diào)度模型。日內(nèi)調(diào)度的滾動周期為日內(nèi)剩余時間，分辨率為5 min 和1 h，不考慮功率型儲能的有限時間窗電量約束策略。

調(diào)度模型4：全周期滾動調(diào)度模型。日內(nèi)調(diào)度的滾動周期為日內(nèi)剩余時間，分辨率為5 min?？紤]功率型儲能的有限時間窗電量約束策略。

調(diào)度模型5：本文所提出的調(diào)度模型。日內(nèi)調(diào)度的滾動周期為日內(nèi)剩余時間，分辨率為5 min 和1 h，考慮功率型儲能的有限時間窗電量約束策略。

不同調(diào)度模型的調(diào)度結(jié)果如圖4 所示。不同調(diào)度模型的儲能調(diào)度結(jié)果如圖5 所示。

圖4 不同調(diào)度模型的調(diào)度結(jié)果Fig.4 Scheduling results of different scheduling models

圖5 不同調(diào)度模型的儲能調(diào)度結(jié)果Fig.5 Scheduling results of energy storage with different scheduling models

從圖4 和圖5 可以看出，調(diào)度模型1 可以成功對各類資源進行調(diào)用，但是相比于滾動調(diào)度模型，其調(diào)度結(jié)果不能根據(jù)最新的負荷及風電預(yù)測信息進行更新。24 h 內(nèi)SC 充放電循環(huán)僅2 次，無法有效平抑風電波動。

調(diào)度模型2 的日內(nèi)單次滾動周期為2 h，每5 min 向前滾動一次。從圖5 中可以看出，調(diào)度結(jié)果僅考慮接下來的2 h，而忽略了整個調(diào)度周期的資源安排，從而導(dǎo)致電能型儲能資源調(diào)度的“近視”問題。具體到本文算例而言，則為模型2 中BESS 因過度考慮短期的調(diào)度收益，無法起到長期的削峰填谷的效果，在負荷低谷期及高峰期調(diào)用過少，其調(diào)用量明顯少于其他調(diào)度方法，轉(zhuǎn)移峰值負荷的性能最差。同時，調(diào)度結(jié)果中還存在一定失負荷情況（13：00—17：00 時段），總失負荷電量為51.53 MW·h。因此，調(diào)度模型2 的總運行成本顯著高于其他調(diào)度模型。

調(diào)度模型3 的日內(nèi)單次滾動周期為日內(nèi)剩余時間，但未考慮功率型儲能的有限時間窗電量約束策略。具體到本文算例而言，則為模型3 中SC 因過度考慮長期的調(diào)度收益，無法起到短期的快速充放電效果，在負荷低谷期及高峰調(diào)用過少。在負荷高峰階段（12：00—17：00 時段），SC 過度參與削峰填谷而導(dǎo)致電量不足，無法有效平抑這一時段的風電波動，從而導(dǎo)致功率型儲能資源調(diào)度的“遠視”問題。

調(diào)度模型4 和調(diào)度模型5 均可以實現(xiàn)BESS 和SC 的充分利用，各火電機組出力及儲能資源調(diào)用的幅值和變化趨勢基本相同。區(qū)別在于本文提出的模型5 通過動態(tài)調(diào)整滾動周期的范圍及對應(yīng)的分辨率，相比于模型4 減少了求解混合整數(shù)線性規(guī)劃模型的決策變量數(shù)量，有效提升了求解效率。在模型5 中，通過構(gòu)建電能型儲能的變周期調(diào)度策略及功率型儲能的有限時間窗電量約束策略，充分發(fā)揮了電能型、功率型儲能資源的調(diào)度潛力，對比模型2 和模型3，分別解決了電能型儲能的“近視”問題及功率型儲能的“遠視”問題，在負荷低谷期、高峰期BESS 及SC 均充分調(diào)用。

表5 給出的總運行成本是基于式（10）構(gòu)建的日內(nèi)調(diào)度最小成本函數(shù)CID，通過MATLAB 中的YALMIP 工具箱構(gòu)建混合整數(shù)線性規(guī)劃模型，采用CPLEX 商業(yè)優(yōu)化軟件進行求解。表5 中對各模型的成本和計算時間進行了比較，從數(shù)據(jù)中可以看出，模型5 的計算效率比模型4 提高了22.19%，但總成本幾乎一致。

表5 不同調(diào)度模型的總運行成本及計算時間Table 5 Total operation costs and computation time of different scheduling models

4 結(jié)語

為解決電能型儲能資源調(diào)度的“近視”問題，以及功率型儲能資源調(diào)度的“遠視”問題，本文提出一種同時考慮電能型和功率型儲能資源的日前-日內(nèi)協(xié)同滾動調(diào)度策略。結(jié)果表明：

1）滾動調(diào)度模型可以充分利用日內(nèi)風電、負荷的預(yù)測結(jié)果進行更新，提高調(diào)度計劃的準確性。

2）較短的日內(nèi)滾動時間窗會影響電能型儲能資源的長期調(diào)度效果，通過構(gòu)建電能型儲能資源的變周期調(diào)度策略，避免其因“近視”問題而導(dǎo)致其削峰填谷能力受限，同時提升了模型的求解效率。

3）較長的日前時間窗會影響功率型儲能資源的短期調(diào)度效果，通過構(gòu)建功率型儲能資源的有限時間窗電量約束策略，避免其因“遠視”問題而影響其平抑風電波動的能力，實現(xiàn)功率型儲能資源的快速充放電。

本文提出的同時考慮電能型和功率型儲能資源的協(xié)同滾動調(diào)度模型，可以充分發(fā)揮不同儲能資源在電量和功率上的調(diào)度潛力，有效提升電網(wǎng)對風電消納的能力。后續(xù)將針對日前-日內(nèi)-實時的多時間尺度及多類型儲能的協(xié)同滾動調(diào)度開展進一步研究。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。