风电、光伏等新能源大规模接入电网带来电力电量不平衡问题。对此，本工作提出考虑新能源电网调峰调频需求的储能优化配置方法。首先，建立典型日多时间尺度运行模拟模型用于量化储能参与系统调峰和频率响应的贡献，即兼顾碳足迹约束的日前调峰和兼顾联络线偏差控制的日内调频。然后，建立储能配置-运行双层优化模型，上层配置模型以系统年运行成本与储能等值年投资成本总和最小为目标决策储能容量，下层运行模型通过两阶段时序模拟刻画不同典型日下的多时间尺度运行。该双层优化问题通过差分进化算法+Gurobi求解器的混合算法求解。最后，算例表明考虑储能参与双重应用场景的配置结果更为合理，系统运行总成本更低、碳排放更少。

“碳达峰、碳中和”目标下，我国每年风光新能源的新增装机容量将达到75 GW，电力系统正经历绿色低碳转型和能源结构变革。新能源渗透率的升高使电网面临日益严峻的电力电量不平衡问题，新能源随机性、波动性和间歇性对电网安全稳定运行的冲击日益加剧。传统火电等灵活性资源发展受限，电化学储能作为前景广阔的灵活资源将在新型电力系统中充当重要角色。因此，面向系统调峰、调频等需求合理配置电化学储能是缓解新能源电网电力电量不平衡矛盾的重要措施。

当前国内外学者立足调峰、调频、抑制超低频振荡、消纳新能源等储能应用场景，开展了电化学储能电站容量配置相关研究。文献[6]提出一种储能辅助电网调峰的双层配置方案，并对储能系统全寿命周期内的经济性进行分析；文献[7]以频率变化率和频率偏差为限制条件，提出了一种高风电渗透率下考虑电网频率支撑需求的储能系统配置方法；文献[8]提出了电网侧储能电站参与超低频振荡抑制应用的容量分配方法；文献[9]构建了基于分类概率机会约束信息间隙决策理论的配网储能鲁棒优化配置模型。综上，储能电站容量配置相关研究多基于单一应用场景，如调峰、调频、消纳新能源、平抑波动、提高供电可靠性等，然而仅考虑单一应用场景配置储能，忽略电网侧储能电站其他辅助服务价值，会低估储能带来的效益，造成规划建设阶段储能配置容量与系统实际储能需求容量不匹配，难以充分挖掘储能调峰-调频等多应用场景协调运行的潜力。

考虑到电化学储能仍具有较高成本，挖掘储能多场景协调应用，实现其参与电网多重辅助服务，可提高储能经济效益以及电网的灵活性和稳定性。有学者提出将储能频率调节、削峰填谷、消纳新能源等多应用场景结合起来。文献[3]采用动态规划框架整合频率控制和调频目标，实现储能双重辅助服务联合优化；文献[14]利用频率响应备用容量约束将储能一次调频和储能调峰统一到同一时间尺度下，实现百兆瓦级储能参与电网双重辅助服务；文献[15]从电/热储能互补的角度提出了储能在消纳新能源弃电和削减电负荷高峰两个场景下的协调运行策略；文献[16]考虑电池寿命衰减、运行约束以及负荷和调节信号的不确定性，提出了储能调峰和调频联合优化框架；文献[17]提出基于荷电状态的储能调峰-调频工作区域划分方法和协同控制策略，提高了储能利用率。上述文献虽然结合了储能多重应用场景，但并未将多重应用场景下储能的规划配置与运行调度有机融合，即在储能配置时并未对储能与常规机组的调峰-调频多时间尺度运行进行刻画。此外，面向新型电力系统的储能优化配置技术亦不能忽视碳约束的影响。

综上研究与问题，本文提出考虑新能源电网调峰调频需求的储能优化配置方法。首先，建立典型日运行模拟模型，考虑到调峰和调频的时间尺度不同将典型日运行模拟分为日前调峰与日内调频两个阶段，调峰阶段以电源发电成本和弃风弃光成本最小为目标，计及网络潮流约束、碳约束、储能运行约束等，调频阶段以机组调频容量费用、电量费用和联络线功率交换偏差惩罚最小为目标，计及功率平衡约束、AGC可征用容量约束等。然后，建立储能双层优化配置模型，上层为配置问题，下层为运行模拟问题，通过差分进化算法+Gurobi求解器的混合算法进行求解。

1 储能与常规机组联合调峰-调频运行

1.1 典型日下调峰-调频运行模拟

以满足系统调峰调频需求为导向的储能配置研究需对其双重辅助服务效果进行量化。本工作采用典型日两阶段运行模拟的方法量化储能对系统调峰-调频的贡献。具体思路是通过对规划年的负荷、风电、光伏时序曲线进行聚类得到典型日曲线；再基于典型日曲线进行两阶段运行模拟得到系统运行成本；将储能配置前后运行成本求差即可得到储能的贡献。两阶段运行模拟亦使储能配置优化问题包含了调峰-调频双重应用场景的运行约束。

前述对时序曲线进行聚类是因为若以全年时序负荷、风电、光伏功率进行优化会存在求解规模过大的问题，考虑到负荷、风电、光伏功率有明显的季节性，可采用K-means聚类方法得到典型日功率曲线来表征全年的功率曲线。聚类步骤：首先，随机选择D个初始聚类质心(规划典型日)；其次，对年时序功率曲线以日为单位划分的365个聚类单元进行聚类；最终，得出D种规划典型日以及各典型日的对应天数。利用典型日的功率数据进行后续优化可大幅降低求解规模，缩短求解时间。

基于全年时序数据聚类处理的典型日调峰-调频运行模拟借鉴“here-and-now & wait-and-see”的思想，划分为日前调峰阶段和日内调频阶段，如图1所示。两个阶段时间尺度不同，日前调峰为1 h时间尺度的优化，日内调频为5 min时间尺度的优化。日前调峰阶段模拟储能、机组等灵活资源的开关机状态、计划出力和备用容量等，将第一阶段基准功率和可调容量传递给第二阶段日内调频模拟灵活资源的功率调整量，日前调峰与日内调频有机整合则得到典型日的运行模拟结果。


1.2 调峰阶段运行

1.2.1 目标函数

1.2.2 约束条件调峰运行模拟约束条件考虑电网功率平衡以及各发电主体实际物理限制。本工作特别考虑了电网运行的碳足迹约束，进一步促进新能源的消纳。式(5)～(9)表示网络潮流约束，式(10)～(14)表示机组运行约束，式(15)～(20)表示储能运行约束，式(21)表示机组备用约束，式(22)表示储能备用约束，式(23)表示系统分区备用约束，式(24)～(25)表示碳足迹约束。


1.3 调频阶段运行

1.3.1 目标函数电力系统由多个控制区互联组成，各互联系统的静态频率保持一致，在调度管理上各区域的源荷功率平衡应由本区域自己解决，也就是说当某一区域发生功率不平衡时，在保证系统频率在正常范围的前提下，联络线交互功率稳态值应与计划值一致。对此，调频阶段目标函数包含联络线交互功率偏差惩罚函数，以保证区域间联络线有功交换符合系统安全优质运行要求。目标函数见式(26)，具体包含机组二次调频电量。


2 储能电站容量配置双层优化

2.1 配置问题框架

建立储能规划-运行双层优化模型，如图2所示。上层为储能配置问题，以规划年储能投资成本和系统运行成本最小为目标；下层为典型日运行模拟问题，分为调峰-调频两个阶段即第1节所述模型。双层优化问题的上层模型生成储能配置结果并传递给下层，下层模型基于不同典型日生成运行模拟结果并回传给上层，随后上层计算规划年总成本并更新储能配置结果，通过不断交互迭代实现储能系统的最优配置。图2考虑综合成本的储能配置框架


2.2 储能配置模型

2.2.1 目标函数上层配置问题的目标函数式(35)包含储能等值年投资成本、储能年运维成本以及系统规划年运行成本，其中系统规划年运行成本由下层各典型日运行模拟结果加权算得，权重系数为各典型日表征的天数。


3.2.1 经济性分析为分析考虑双重应用场景配置储能的合理性，设计3个规划方案进行对比。方案1考虑系统调峰调频需求配置储能；相较于双重应用场景，现有文献[22-23]多考虑储能系统参与单一调峰场景的配置优化，因此设定方案2，仅考虑系统调峰需求配置储能，作为本工作规划方案的对比；方案3无储能，仅有火电机组调峰调频。

3.2.2 调峰效果和新能源消纳程度分析为分析储能系统配置后对系统调峰效果的影响，引入3个方案下净负荷曲线，如图7所示，以各典型日无储能方案作为对比，可看出在18:00～24:00时段，方案1和方案2的系统净负荷更低，且方案1系统净负荷低于方案2系统净负荷，说明考虑调峰调频运行的储能配置相较于方案2、3更有利于削减系统尖峰负荷。典型日3的4:00～10:00时段，方案1和方案2的系统净负荷高于方案3的系统净负荷，说明配置的储能填补了系统负荷缺额，此时储能系统作为负荷吸收电网电能进行充电。典型日2的7:00～17:00时段，方案1系统净负荷低于方案2、3的系统净负荷，这是因为典型日2的风光出力大幅高于典型日1、3出力，系统净负荷低体现了储能在系统中发挥了调峰的作用。

典型日2的机组开机状态如图8所示，方案1相较方案2、3，其7:00～18:00时段火电机组G1、G2的关机时间更长，说明配置储能后，区域Ⅰ的负荷大部分由新能源机组承担。方案2、3则发生了新能源的弃风、弃光现象，可见配置储能有利于消纳新能源，并减少火电机组运行。将典型日数据输入模型模拟运行，得到年8760个小时各方案的新能源出力分布函数曲线如图9所示，方案1中储能虽然参与了系统的调频调峰场景，系统仍不能将新能源出力完全消纳，这是因为运行模型是以总运行成本最低为目标函数，若完全消纳则不能达到全局最优，但是与方案2、3相比，方案1已实现了大幅消纳新能源出力的效果。

表1储能系统经济参数



表2各能源类型CO2当量值

3.2.1 经济性分析为分析考虑双重应用场景配置储能的合理性，设计3个规划方案进行对比。方案1考虑系统调峰调频需求配置储能；相较于双重应用场景，现有文献[22-23]多考虑储能系统参与单一调峰场景的配置优化，因此设定方案2，仅考虑系统调峰需求配置储能，作为本工作规划方案的对比；方案3无储能，仅有火电机组调峰调频。

3.2.2 调峰效果和新能源消纳程度分析为分析储能系统配置后对系统调峰效果的影响，引入3个方案下净负荷曲线，如图7所示，以各典型日无储能方案作为对比，可看出在18:00～24:00时段，方案1和方案2的系统净负荷更低，且方案1系统净负荷低于方案2系统净负荷，说明考虑调峰调频运行的储能配置相较于方案2、3更有利于削减系统尖峰负荷。典型日3的4:00～10:00时段，方案1和方案2的系统净负荷高于方案3的系统净负荷，说明配置的储能填补了系统负荷缺额，此时储能系统作为负荷吸收电网电能进行充电。典型日2的7:00～17:00时段，方案1系统净负荷低于方案2、3的系统净负荷，这是因为典型日2的风光出力大幅高于典型日1、3出力，系统净负荷低体现了储能在系统中发挥了调峰的作用。

 

图5负荷、光伏、风电全年功率曲线

 

图6典型日负荷、光伏、风电曲线
 

3.2.1 经济性分析

为分析考虑双重应用场景配置储能的合理性，设计3个规划方案进行对比。方案1考虑系统调峰调频需求配置储能；相较于双重应用场景，现有文献[22-23]多考虑储能系统参与单一调峰场景的配置优化，因此设定方案2，仅考虑系统调峰需求配置储能，作为本工作规划方案的对比；方案3无储能，仅有火电机组调峰调频。

3.2.2 调峰效果和新能源消纳程度分析

为分析储能系统配置后对系统调峰效果的影响，引入3个方案下净负荷曲线，如图7所示，以各典型日无储能方案作为对比，可看出在18:00～24:00时段，方案1和方案2的系统净负荷更低，且方案1系统净负荷低于方案2系统净负荷，说明考虑调峰调频运行的储能配置相较于方案2、3更有利于削减系统尖峰负荷。典型日3的4:00～10:00时段，方案1和方案2的系统净负荷高于方案3的系统净负荷，说明配置的储能填补了系统负荷缺额，此时储能系统作为负荷吸收电网电能进行充电。典型日2的7:00～17:00时段，方案1系统净负荷低于方案2、3的系统净负荷，这是因为典型日2的风光出力大幅高于典型日1、3出力，系统净负荷低体现了储能在系统中发挥了调峰的作用。

图7 3种方案的净负荷曲线对比

典型日2的机组开机状态如图8所示，方案1相较方案2、3，其7:00～18:00时段火电机组G1、G2的关机时间更长，说明配置储能后，区域Ⅰ的负荷大部分由新能源机组承担。方案2、3则发生了新能源的弃风、弃光现象，可见配置储能有利于消纳新能源，并减少火电机组运行。将典型日数据输入模型模拟运行，得到年8760个小时各方案的新能源出力分布函数曲线如图9所示，方案1中储能虽然参与了系统的调频调峰场景，系统仍不能将新能源出力完全消纳，这是因为运行模型是以总运行成本最低为目标函数，若完全消纳则不能达到全局最优，但是与方案2、3相比，方案1已实现了大幅消纳新能源出力的效果。

 

图8 典型日2下3种方案的机组开机状态

 

 

图9 新能源出力的概率分布曲线

3.2.3 系统运行碳足迹分析

典型日2下3种方案的碳足迹如图10所示，由式(24)可知，系统总碳足迹由火电、光伏和风电出力共同决定，且火电碳足迹当量值大幅高于光伏和风电，可见火电机组出力对碳足迹有决定性的影响，图7典型日2的净负荷曲线与图10曲线大致拟合，是因为配置储能系统后，方案1的光伏、风电出力占比提升，使总体碳足迹更低，间接说明了系统运行产生的碳排放更少。

 

图10 典型日2下三种方案的碳足迹

3.2.4 储能运行及AGC调频分析

方案1和方案2下储能系统调峰、调频出力及SOC变化曲线如图12所示，图中方案1和方案2的储能日前运行并不相同，可知考虑储能频率响应会影响储能日前调峰运行。典型日2下AGC征用的火电机组总容量如图11所示，方案1、方案2和方案3均能使系统频率和区域联络线传输功率保持在正常区间内，方案2的AGC征用容量与方案3基本相同，说明储能若不参与调频，则系统的频率调整均由常规机组完成；方案1的AGC征用容量远小于方案2，说明储能响应ACE信号可以减少常规机组的功率调整。结合表3，因为储能系统调频比火电机组调频的成本更低，因此方案1系统调频成本更低，综上，在规划阶段考虑储能调峰调频运行可以更好匹配系统的实际储能需求。

图11 典型日2下AGC征用的火电机组总容量

 

 

图12 储能调峰、调频出力及SOC变化曲线

4 结论

针对新能源电网的调峰调频需求，本工作提出储能参与双重应用场景的最优配置方法。首先模拟典型日调峰-调频两阶段运行，然后基于不同典型日下运行模拟提出储能规划-运行双层优化方法。算例结果表明：（1）与仅计及调峰需求配置储能相比，考虑调峰-调频需求配置储能的经济性更优、系统灵活性更高；（2）考虑调峰需求配置储能可平整系统的净负荷曲线，提升新能源并网消纳，实现火电机组发电占比下降并减少系统运行碳排放；（3）考虑调频需求配置储能可降低火电机组AGC征用总容量，储能系统以其快速充放电能力以及成本较低的优势响应了系统的调频需求。

原标题：考虑调峰调频需求的新能源电网储能优化配置