徐 毅

（國網(wǎng)冀北電力有限公司經(jīng)濟技術研究院, 北京 100038 ）

關于儲能設備優(yōu)化定位的思考

徐 毅

（國網(wǎng)冀北電力有限公司經(jīng)濟技術研究院, 北京 100038 ）

隨著風能在電力系統(tǒng)中占比的不斷增長,其對電力系統(tǒng)運行控制的重大影響越來越被重視。電力儲能設備能夠在削峰填谷和加強系統(tǒng)可靠性方面提供很好的解決方案。因此,電力儲能設備的選址問題就成為了一個需要研究的課題。針對這一問題提出了一種關于儲能設備單元在有風能的電力系統(tǒng)中的優(yōu)化定位方法,即通過遺傳算法來確定儲能設備的最佳位置。最后, 將該方法應用于有改進的IEEE 24 節(jié)點的系統(tǒng)中,并分析說明其結果,證實其有效可行。

電力儲能；優(yōu)化定位；最優(yōu)潮流；概率最優(yōu)潮流；風能

0 引言

電力系統(tǒng)運營者需要提供高效優(yōu)質(zhì)的服務來滿足電力市場的需求。近些年，新興能源一直保持增長態(tài)勢，尤其是風能的增長尤為突出。2012年，風能是美國新增發(fā)電容量中最主要的來源，這甚至比其他新興能源的總和還多[1]。與此同時，這些綠色清潔能源的不確定性和間歇性也對電網(wǎng)的可靠性帶來影響。在新興能源為高占比的電網(wǎng)運行中，當面對不可預測的突然的新型能源的產(chǎn)出的減少或者用電需求的增加時，電力儲能設備的使用被認為是有效處理這種變化的方案。

大規(guī)模儲能設備能夠使用多種形式的能量然后再轉(zhuǎn)化為電能，比如化學能、動能等[2]。主要的功能包括有減少運行成本、延后輸電網(wǎng)的升級擴張、削減備用容量等。進而，電力儲能設備的定位問題就成為了亟待解決的主要課題。在有風能的電力系統(tǒng)中，儲能設備的優(yōu)化定位可以帶來巨大的效益并使其充分發(fā)揮所具有的功能。風能輸出的巨大變化能夠以恰當?shù)姆绞酵ㄟ^儲能設備調(diào)節(jié)。利用儲能設備一般的工作方式是用其存儲過剩的風能并在合適的時間進行放電。但是并不存在有統(tǒng)一固定的工作方式，根據(jù)具體的情況也存在有多種不同的靈活工作方式。優(yōu)化電力儲能設備定位目的是在滿足系統(tǒng)各方面的約束條件下使得電力儲能設備發(fā)揮最大作用。

與電力儲能系統(tǒng)方面相關的研究已經(jīng)開展多年了，最早是開始于1963年的水力火力協(xié)調(diào)方面的研究。隨著科學技術的發(fā)展，更多不同形式的儲能方式被開發(fā)并應用到系統(tǒng)中，比如，飛輪、壓縮空氣儲能系統(tǒng)CAES（Compressed Air Energy Storage）、電池等。近幾年，絕大多數(shù)的研究都集中在調(diào)度與協(xié)調(diào)與其他類型發(fā)電廠的配合上。根據(jù)具體的研究目的，多種建模方法被發(fā)展并應用。例如，德國的離散型電力市場模型被用于估計大規(guī)模風能發(fā)電廠在系統(tǒng)運行和CAES儲能設備投資經(jīng)濟效益之間的影響關系[3]。只有極少數(shù)的研究關注于儲能設備在有新興能源的電網(wǎng)中的優(yōu)化定位問題[4-6]。所有這些研究都是小儲能設備在配電網(wǎng)中的應用。也有少數(shù)研究[7-9]是在輸電網(wǎng)背景下進行的。但是，其中部分研究[8-9]是使用確定模型建模，這就欠缺了對新興能源自然屬性的考慮。在文獻[7]中，所使用的多變量2m點估算方法的準確性問題還待商榷。再者，在對環(huán)境問題不斷關注的背景下，這些研究中都沒有將CO2價格這個重要因素考慮進去。

本文中使用概率化最優(yōu)潮流方法和遺傳算法來優(yōu)化電力儲能設備在含有風電廠的電力系統(tǒng)中的優(yōu)化定位問題。優(yōu)化定位儲能設備主要包括2個步驟。概率化優(yōu)化最優(yōu)潮流的主要作用是通過2m+1點估算法最小化運行費用，遺傳算法的主要作用是根據(jù)適應性函數(shù)篩選出最合適的配置點。最后，將上述方法應用于一個有改進的IEEE 24 節(jié)點的電力系統(tǒng)中，并對結果做出相應的說明。在本示例中儲能設備工作的方式為之后的進一步研究提供了有價值的數(shù)據(jù)參考。

1 儲能設備優(yōu)化定位方法

1.1 一般流程

圖1描述了確定電力儲能設備最優(yōu)化定位的一般化流程。其中風能和負荷作為輸入量,即為概率化最優(yōu)潮流計算的變量。遺傳算法用于尋找儲能設備的最適合定位點。必要時對上述步驟進行循環(huán)。

圖1 優(yōu)化定位一般化流程

1.2 概率化最優(yōu)潮流

與傳統(tǒng)方法相比，概率化最優(yōu)潮流POPF （Probabilistic Optimal Power Flow）方法提供了更實際可行的結果因為充分考慮了風能的特性。目前存在有很多不同的建模方法來處理風能的不確定性，比如Monte Carlo 模擬法、分析法等。本文使用的點估計法是通過計算隨機變量的矩來實現(xiàn)的。文獻[10]研究中所使用的用于解決潮流問題的點估計法要優(yōu)于文獻[11]和文獻[12]的方法。特別是2m+1 方法的準確性明顯由于2m 方法，且運算效率也高于3m 方法。

圖2是對點估算法的一般性描述。對于給定的輸入數(shù)據(jù)，圖中底部的實線通過若干選定的點來估算出輸出數(shù)據(jù)的分布特性。

被選定的點的坐標為（pl,k, wl,k），它與其他變量間的關系表達式為

圖2 點估算法的一般性描[10]

其中,（pl,k, ωl, k）是變量pl的第k個中心距。ξl, k是標準定位。μpl和σpl分別是輸入數(shù)據(jù)的平均值和方差。λl, j是輸入數(shù)據(jù)的第j個標準中心矩。變量m是指輸入變量的個數(shù)。fpl是pl的概率密度函數(shù)。

對于2m+1方案，則有如下數(shù)據(jù)。其中，K=3 , ξl, 3=0， 則有

圖3展示了2m+1方案的具體實現(xiàn)步驟。

圖3 2m+1方案流程

1.3 風能的模擬方案

風能是通過風速的歷史數(shù)據(jù)轉(zhuǎn)換而來。風速被模擬為1個2個參數(shù)的韋伯分布，其概率密度函數(shù)如式（9）所示，曲線擬合的方法用于估算其參數(shù)。風機的輸出與風速的關系[13]如式（10）所示。當風速低于切入風速或高于切出風速時，其風能輸出為零；當風速介于額定風速和切出風速中間時，風能輸出為額定風力發(fā)電機功率；當風速介于切入風速和額定風速中間時，風能輸出為一定比例的額定風力發(fā)電機功率。

其中，f (x)是以k和λ為參數(shù)的韋伯分布函數(shù)，Gwr是風力發(fā)電機功率，Gw是風能輸出，vi是切入風速，v0是切出風速，vr是額定風速。

1.4 最優(yōu)潮流

輸變電工程建設需要大量的建筑材料、物資、生產(chǎn)設備的購買費用和維修費用，還有施工人員的工資、獎金、社保等費用。

MATPOWER是一個由Zimmerman等開發(fā)的基于Matlab的開源電力系統(tǒng)仿真程序包[14]。使用MATPOWER解析確定型的電力系統(tǒng)模型，用其最小化目標函數(shù)，如式（11）所示。同時在最優(yōu)潮流中考慮了CO2排放價格。其展開的具體形式如式（12）所示。

其中，Cj表示燃料價格，e fj是CO2的排放系數(shù)，Cco2是CO2的價格，Pi表示第i臺發(fā)電機的有功輸出，ki0，ki1和ki2為熱耗率系數(shù)。

1.5 遺傳算法

遺傳算法的使用是為了找到最合適的儲能設備定位點。需要達到的目標包含在適應性函數(shù)式（13）中。

其中，D表示負荷側的需求，P表示來自電源的有功，k表示儲能單元所在的節(jié)點。適應性方程表示儲能設備的充電量。遺傳算法中，參數(shù)的設置很關鍵。一個合適的種群數(shù)量的選取能夠改善結果的收斂性。

2 應用舉例

本文的測試系統(tǒng)選用有改動的IEEE 24節(jié)點系統(tǒng)[15]，如圖4所示。將風電場置于第19個節(jié)點，因為通常情況下風電站遠離負荷中心。負荷的允許參數(shù)來源于德克薩斯電力可靠性委員會ERCOT的官方網(wǎng)站，是2013年3月1日的每小時負荷參數(shù)文檔。

圖4 IEEE 24 節(jié)點系統(tǒng)圖

儲能設備工作模式是指設備具體何時充放電。它根據(jù)不同的情況有多種模式，都對結果有直接影響。

本例中儲能設備和風電場配合工作，吸收多余的風電。本例中風電場優(yōu)先給鄰近的負荷中心供電，再將富余的電能存儲，如若風電場不能夠滿足周圍的用電需求，則儲能設備開始放電。

2.2 結果

在不同功率的風電場情況下，最優(yōu)化的儲能設備定位節(jié)點如表1所列。所示信息表明，隨著風電場功率的升高，儲能設備更傾向于靠近負荷中心。當風電場功率處于100 MW至200 MW時，儲能設備處于高電壓等級的節(jié)點上。如圖5所示，儲能設備的充電量和利用率隨著風電場功率的升高而上升。其中，利用率是儲能設備的充電量與額定風電發(fā)電量的比值。由儲能設備的工作方式可知，這是對富余風電的有效利用。

表1 示例結果信息表

圖5 充電量和利用率曲線圖

圖6所示為測試系統(tǒng)在有無儲能設備時運行成本費用的比較。顯而易見，有儲能設備時的費用遠低于無儲能設備。在無儲能設備的情況下，隨著風電場輸出功率的升高，費用降低，如圖中實線所示。在有儲能設備的情況下，隨著風電場輸出功率的升高，費用升高，如圖中虛線所示在風電場輸出功率約為160 MW時，費用上升明顯加快，因為根據(jù)儲能設備的工作模式，此時其較少有時機放電，需要傳統(tǒng)發(fā)電機增大輸出以滿足負荷需求，使得費用快速增加。

圖6 運行成本費用的比較圖

圖7所示為測試系統(tǒng)在有無儲能設備時CO2排量的比較。其基本特征與圖6相似，原因相同。

圖7 CO2排放量比較圖

3 結束語

本文給出了一種通用有效的方法用于在有新能源的電網(wǎng)中優(yōu)化儲能定位。該方法通過2m+1方案和遺傳算法，降低運行成本費用和提高儲能設備利用率，尋求儲能設備最優(yōu)定位點。以有修改IEEE 24節(jié)點系統(tǒng)為實例顯示了有儲能設備相配合運行的優(yōu)點。其中儲能設備的工作模式是關鍵因素。示例說明了該方法的準確性和高效性，同時其仍有更多改進之處有待進一步探討。

[1] R. Wiser, M. Bolinger, 2012 wind technologies market report[R]. U.S. Department of Energy DOE/GO-102013-3948, 2012.

[2] V. Vittal, G. T. Heydt, S. Hariharan, et al. Tools and Techniques for Considering Transmission Corridor Options to Accommodate Large Scale Renewable Energy Resources[R]. PSERCProject S-41 Report, 2012.

[3] D. J. Swider. Compressed Air Energy Storage in an Electricity System With Significant Wind Power Generation[J].Energy Conversion, IEEE Transactions, 2007( 22): 95-102.

[4] G. Celli, S. Mocci, F. Pilo, et al. Optimal integration of energy storage in distribution networks[J]. Power Tech, 2009 IEEE Bucharest, 2009:1-7.

[5] G. Carpinelli, F. Mottola, D. Proto, et al.Optimal allocation of dispersed generators, capacitors and distributed energy storage systems in distribution networks[J].Modern Electric Power Systems (MEPS), 2010 Proceedings of the International Symposium, 2010:1-6.

[6] A. K. Basu, S. Chowdhury, and S. P. Chowdhury. Impact of Strategic Deployment of CHP-Based DERs on Microgrid Reliability[J]. Power Delivery, IEEE Transactions,2010(25):1697-1705.

[7] M. Ghofrani, A. Arabali, M. Etezadi-Amoli.A Framework for Optimal Placement of Energy Storage Units Within a Power System With High Wind Penetration[J]. Sustainable Energy, IEEE Transactions, 2013( 4)：434-442.

[8] S. Bose, D. F. Gayme, U. Topcu, et al. Optimal placement of energy storage in the grid[J]. Decision and Control (CDC), 2012 IEEE 51st Annual Conference, 2012: 5605-5612.

[9] K. Dvijotham, S. Backhaus, and M. Chertkov. Operations-based planning for placement and sizing of energy storage in a grid with a high penetration of renewables[J].arXiv preprint arXiv:1107.1382, 2011.

[10] J. M. Morales and J. Perez-Ruiz. Point Estimate Schemes to Solve the Probabilistic Power Flow[J].Power Systems, IEEE Transactions, 2007(22): 1594-1601.

[11] K. Li. Point-estimate method for calculating statistical moments[J]. Journal of Engineering Mechanics, 1992(118): 1506-1511.

[12] M. E. Harr. Probabilistic estimates for multivariate analyses[J]. Applied Mathematical Modelling, 1989(13): 313-318.

[13] S. Roy. Market constrained optimal planning for wind energy conversion systems over multiple installation sites [J]. Energy Conversion, IEEE Transactions,2002(17): 124-129.

[14] R. D. Zimmerman, S. Murillo, x, C. E. nchez, and R. J. Thomas. MATPOWER: Steady-State Operations, Planning, and Analysis Tools for Power Systems Research and Education[J].Power Systems, IEEE Transactions, 2011(26):12-19.

[15] C. Grigg, P. Wong, P. Albrecht, et al. The IEEE Reliability Test System-1996. A report prepared by the Reliability Test System Task Force of the Application of Probability Methods Subcommittee[J].Power Systems, IEEE Transactions, 1999(14):1010-1020.

Optimal Location of Energy Storage Equipment

XU Yi

（State Grid Jibei Electric Economic Research Institute, Beijing 100038, China）

With the gradually increased proportion of wind energy in power system, the significant impacts of wind energy on power system operation got more attentions. Electrical energy storage equipment provides a satisfied solution on peak shaving operation and reliability enhancement. The location problem for electrical energy storage is becoming a prominent issue needing to be figured out. This paper gives a general procedure on optimal location of storage unit in a power system with wind energy. Wind generation is modeled probabilistically using actual wind speed historical data. Then the genetic algorithm is used for selecting the desired location for a storage unit. The proposed method is applied on a modified IEEE 24-bus system, and it is verified to be feasible.

power energy storage; optimal location; optimal power flow; probabilistic optimal power flow; wind energy

TM910

A

1671-0320（2016）04-0011-05

2016-05-09，

2016-06-12

徐 毅（1983），男，山西太原人，2014年畢業(yè)于美國威奇塔州立大學電氣工程專業(yè)，博士，工程師，主要研究方向為電力系統(tǒng)優(yōu)化運行。