李凌，卓毅鑫，崔長江，盧純顥，李一銘，劉思夷，林湘寧

(1.廣西電網(wǎng)有限責任公司電力調度控制中心，廣西 南寧 530023；2. 強電磁工程與新技術國家重點實驗室(華中科技大學)，湖北 武漢 430074)

能源危機和環(huán)保需求促使風電等清潔能源在世界范圍內得到廣泛應用。然而，由于風能具有隨機性和波動性，大規(guī)模風電并網(wǎng)將給電網(wǎng)安全穩(wěn)定運行帶來極大的挑戰(zhàn)[1-3]。近年來，各國陸續(xù)出臺相關政策，強制風電場必須采取措施改善并網(wǎng)功率的平滑性，實現(xiàn)柔性并網(wǎng)。例如，愛爾蘭ESB公司明確規(guī)定在15 min內小于100 MW的風電場有功輸出波動不大于裝機容量的5%。雖然目前國內風電場并未做出相關限制，但是電力市場化和風電柔性并網(wǎng)的趨勢必將普及到國內，研究如何實現(xiàn)風電柔性并網(wǎng)極為必要。

風電預測精度是決定風電柔性并網(wǎng)效果的關鍵因素，近年來關于風電功率預測的研究主要集中在短期預測和超短期預測[4]。在短期預測中：文獻[5]基于對風電功率時間序列波動性多重機制的研究，提出一種基于多重離群點平滑轉換自回歸模型的風電功率預測方法；文獻[6]基于風電功率數(shù)據(jù)特征聚類技術，提出一種使用經(jīng)驗正交函數(shù)法的區(qū)域風電功率統(tǒng)計升尺度預測方法；文獻[7]引入非參數(shù)化方法，根據(jù)歷史風資源狀況得到風電出力的非參數(shù)條件概率預測結果，建立風電日前消納調度模型。考慮到短期預測誤差較大，在實際調度時進一步采用超短期預測方法提高預測精度，例如：文獻[8-9]基于馬爾可夫預測技術，采用小波變換理論剖析了風電出力的時頻特性，得到了風電出力在實時階段的波動變化特點；文獻[10]針對不變的預測模型難以支撐短期風電功率預測模型的魯棒性問題，提出按時間序列動態(tài)模式離散分類優(yōu)化模型及在線匹配的思路；文獻[11]提出一種基于風電功率超短期預測和混合儲能系統(tǒng)實現(xiàn)平抑功率在電池和超級電容器之間有效分配的方法；文獻[12]為最大程度地提高風電跟蹤計劃出力能力，基于超短期風電預測功率，建立了包含5個控制系數(shù)的儲能系統(tǒng)充放電控制策略。上述研究為降低風電并網(wǎng)功率的波動性奠定了堅實的理論基礎，但是并沒有考慮風電功率的預測誤差隨時間的遷移特性。一般來說，對于前瞻周期內的不同時間斷面，一般預測的時間點距離起始時刻越遠，其預測誤差越大[13]；因此，應針對風電功率預測誤差的時間遷移特性，對預測前瞻周期內各個處于不同預測精度的數(shù)據(jù)點進行差異化處理，建立更為精準的控制優(yōu)化模型。

隨著儲能技術的發(fā)展，在風電場側配置儲能系統(tǒng)實現(xiàn)風電柔性并網(wǎng)的研究成果較為豐碩。文獻[14]在充分分析風電功率幅頻特性的基礎上，提出一種基于小波包分解理論的超級電容器平抑風電場輸出功率高頻分量的方法；文獻[15]引入并構建了基于蓄電池的風電經(jīng)濟性調度模型，驗證了利用蓄電池提高風電并網(wǎng)規(guī)模、降低風電調度風險的可行性；文獻[16-17]提出由超級電容器和氫儲能裝置組成混合儲能系統(tǒng)，在秒級時間尺度上平抑風電并網(wǎng)功率和直流母線電壓波動；文獻[18-19]提出將風電功率波動在秒級和分鐘級2種不同時間尺度上進行分解，并采用由超級電容器和蓄電池組成的混合儲能系統(tǒng)分別平抑2個時間尺度上的功率波動，在分鐘級時間尺度上除關注并網(wǎng)波動功率指標外，同樣關注蓄電池壽命特性；文獻[20]以上海東海風電場為例，對風電耦合制氫系統(tǒng)的運行模式進行經(jīng)濟性分析；文獻[21]提出“波峰”制氫“削峰”、“波谷”氫氣發(fā)電“填谷”的風氫互補發(fā)電系統(tǒng)。上述文獻主要關注單一蓄電池或氫儲能系統(tǒng)的工作特性，為風電場柔性并網(wǎng)奠定了堅實的理論基礎，但是也存在局限性：①蓄電池-氫燃料電池在運行成本和儲能效率等方面存在互補優(yōu)勢和協(xié)同效益，目前學界鮮有涉及；②前瞻周期內不同時間斷面風電場運行成本的當前效益不同，在模型預測控制(model predictive control，MPC)調度時需要對未來收益進行差異化折現(xiàn)，這可能導致風電場調度策略改變，關于這方面的研究尚缺乏關注。

針對以上問題，本文立足于我國未來電力市場化趨勢，以實現(xiàn)風電場經(jīng)濟性自調峰為主要目標，采用帶位移因子和伸縮系數(shù)的t分布模擬超短期預測數(shù)據(jù)的預測誤差，并充分考慮蓄電池和氫燃料電池的優(yōu)勢互補特點，對蓄-氫混合儲能系統(tǒng)進行配置，提出一種對前瞻周期內不同時間斷面的期望收益給予不同權重的滾動優(yōu)化策略。最后，通過仿真分析對所提策略的合理性與可行性進行驗證。

1 超短期預測誤差分析

與正態(tài)分布相比，帶位移因子和伸縮系數(shù)的t分布呈現(xiàn)胖尾特性，對風電功率分鐘級誤差具有更好的擬合效果[22]。t分布概率密度函數(shù)

(1)

式中：Γ為伽馬函數(shù)；ν為t分布的形狀系數(shù)。

文獻[23]通過推導證明，對t分布進行適當?shù)钠揭坪蜕炜s變換，可得到tlocation-scale分布。若隨機變量x滿足tlocation-scale分布，則變量y=(x-μ)/σ滿足形狀系數(shù)為ν的t分布，其中μ為位置系數(shù)，σ為尺度系數(shù)。tlocation-scale分布概率密度函數(shù)可表示為

(2)

如果某變量x服從tlocation-scale分布，則該變量95%的置信區(qū)間為[-σtinv(0.975)+μ，σtinv(0.975)+μ]，其中tinv為t分布的分位數(shù)函數(shù)。隨著預測時間m的增加，tlocation-scale分布參數(shù)中σ逐漸增大，且呈現(xiàn)先快速增加后增勢漸緩的特點，可采用σ=a+be-km對σ進行擬合，其中a、b、k均為擬合參數(shù)，σ隨時間m的變化情況如圖1所示。以此擬合不同時間預測誤差曲線，效果如圖2所示。

圖1 t location-scale分布的σ隨時間變化曲線Fig.1 σ curve in t loaction-scale distribution varying with time

圖2 0.25 h、1 h和2 h誤差擬合曲線Fig.2 Fitting error curves of 0.25 h，1 h and 2 h

超短期預測誤差的概率分布隨時間的變化情況如圖3所示。由圖3可知，超短期預測誤差分布隨著時間的增長而變得分散，這與圖2中擬合誤差曲線的變化情況相印證，可見tlocation-scale分布可以較好地還原超短期預測誤差變化規(guī)律。

圖3 3 h內的功率誤差變化Fig.3 Power error change within three hours

因此，本文采用tlocation-scale分布來模擬前瞻周期內風電出力情況，力求提高對前瞻周期內風電出力的預測準確性。

2 風-蓄-氫聯(lián)合系統(tǒng)

在現(xiàn)有的儲能系統(tǒng)中，蓄電池和氫燃料電池系統(tǒng)備受關注。蓄電池具有靈活的調節(jié)性能，充放電效率較高，但充放電壽命損耗較為嚴重。氫燃料電池通過電解水制氫和氫氣燃燒過程進行充放電轉化，運行成本較低，但充放電過程存在嚴重的電量損耗。為了合理利用蓄電池與氫燃料電池的互補特性，本文將兩者結合起來運用到風電場中。如圖4所示，蓄電池以及氫燃料電池與風力機輸出端通過母線連接，借助主變壓器將風電場并網(wǎng)功率送至電網(wǎng)。功率預測系統(tǒng)實時預測每個前瞻周期內的風電場功率，并借助控制系統(tǒng)調節(jié)風電場輸出功率以及蓄電池和氫燃料電池的充放電功率。

圖4 風-蓄-氫聯(lián)合系統(tǒng)Fig.4 Schematic diagram of wind-storage-hydrogen combination system

2.1 蓄電池模型

不計蓄電池的自放電過程，其充放電數(shù)學模型可表示為

EB(m)=

EB(m-1)+PBc(m)ηB-PBd(m)/ηB.

(3)

式中：EB為蓄電池的剩余能量；PBc、PBd分別為蓄電池的充電、放電功率；ηB為蓄電池的充放電效率，可達90 %。

定義蓄電池剩余能量百分比SOC為

(4)

式中EBm為蓄電池的額定容量。

2.2 氫儲能系統(tǒng)模型

氫儲能系統(tǒng)包括電解水裝置、燃料電池和儲氫裝置3個部分。在風電過剩時，可借助電解水裝置利用富余電能制氫，并將氫氣存儲于儲氫裝置中；在風電不足時，再將存儲的氫氣導入燃料電池反應產(chǎn)生電能，實現(xiàn)氫儲能系統(tǒng)的充放電行為。對于電解水制氫過程，轉化效率與輸入功率之間成正相關關系，制氫裝置的效率和產(chǎn)量隨輸入功率的變化關系如圖5所示[24]。只有在輸入功率足夠大時，轉化效率才較為可觀，否則會因效率過低而導致運行經(jīng)濟性過低。

圖5 氫氣產(chǎn)量W及系統(tǒng)效率η曲線Fig.5 Curves of hydrogen production W and system efficiency η

電解水制氫過程儲氫量WH計算公式為

WH(m)=WH(m-1)+PHc(m)ηHc.

(5)

式中：PHc為輸入功率；ηHc為轉化效率。

對于燃料電池，其放電效率ηHd基本可視為常數(shù)(一般為70%)，在放電過程中儲氫量WH可表示為

WH(m)=WH(m-1)-PHd(m)/ηHd.

(6)

式中PHd為燃料電池的輸出功率。

3 風-蓄-氫聯(lián)合系統(tǒng)滾動優(yōu)化策略

在當前的技術水平下，日前功率預測的精度尚難令人滿意，協(xié)議上網(wǎng)功率很有可能與風電實際出力產(chǎn)生非常大的偏差。在電力市場環(huán)境下，電網(wǎng)對風電并網(wǎng)不僅有平滑性的要求，還會根據(jù)風電場日前預測功率，指定允許的并網(wǎng)風電功率波動范圍[25-27]。面向電力市場的風電并網(wǎng)功率控制如圖6所示。當風電并網(wǎng)功率超過預計并網(wǎng)功率上限即Pint>Pu-limit時，風電場將棄掉多余的風電功率；當風電并網(wǎng)功率小于預計并網(wǎng)功率下限即Pint

為此，針對基于日前功率預測的風電協(xié)議上網(wǎng)功率，風電場在日內調度時往往結合超短期功率預測對風-蓄-氫聯(lián)合系統(tǒng)進行實時優(yōu)化調度。為了合理計及超短期預測誤差隨時間推移而變大的特點，

圖6 面向電力市場的風電并網(wǎng)功率控制Fig.6 Electricity market oriented control of wind grid-connected power

本文采用折現(xiàn)方法對常規(guī)目標函數(shù)進行改進，對每個時間斷面目標值進行折現(xiàn)，提高滾動優(yōu)化的準確性，降低風電運行成本。

3.1 目標函數(shù)

為了合理計及風電功率超短期時變預測誤差的影響，對不同時間斷面風電場運行成本折現(xiàn)后計入綜合成本。在經(jīng)濟學中，折現(xiàn)率的量化通常采用資產(chǎn)定價模型[27]，即

Ke=Rf+βRpm.

(7)

式中：Ke為權益資本成本，表示單位利益的投資成本；Rf為無風險報酬率，通常取1；β為企業(yè)風險系數(shù)，與距離預測開始的起始時間成正比；Rpm為資本溢價，通常為無風險報酬率的比例系數(shù)。

對于預測數(shù)據(jù)而言，前瞻時間越長，風險系數(shù)越大，投資成本越高。參考經(jīng)濟學資產(chǎn)定價模型，考慮未來發(fā)電不確定性的折現(xiàn)系數(shù)

rm=1/(1+um).

(8)

式中：u為折現(xiàn)率；rm為前瞻周期內時間斷面m的折現(xiàn)系數(shù)。顯然，在同一時間窗內，時間越長，rm對應的值越小，此時運行狀況對整體的作用就越小。

因此，以前瞻周期內風電場運行成本C最小為目標函數(shù)，即

(9)

式中：fmd為電網(wǎng)懲罰價格，Pmd為相應的懲罰功率；fB為蓄電池充放電單位功率運行損耗成本；M為滾動優(yōu)化時段數(shù)，滾動優(yōu)化的時間間隔為15 min。

3.2 約束條件

a)蓄電池容量及功率約束為

SOC,min≤SOC(m)≤SOC,max.

(10)

式中SOC,min、SOC,max分別為蓄電池剩余能量百分比的下限和上限，一般分別取值0.1和1.0。

此外，蓄電池具有充放電功率約束，即：

0≤PBc(m)≤PBc,max；

(11)

0≤PBd(m)≤PBd,max.

(12)

式中PBc,max、PBd,max分別為最大充電、放電功率。

b)氫燃料電池的約束條件包括儲氫罐容量WH約束以及運行功率PH(放電為正)約束，即：

0≤WH(m)≤WH,max；

(13)

-PHc,max≤PH(m)≤PHd,max.

(14)

式中：WH,max為儲氫罐容量上限；PHc,max、PHd,max分別為氫燃料電池的最大充電、放電功率允許值。

c)風電并網(wǎng)功率約束為：

Pr(m)=Pw(m)+PBd(m)-PBc(m)+

PHd(m)-PHc(m)-Paban(m)；

(15)

0.9Ppro(m)≤Pr(m)+Pmd(m)≤1.1Ppro(m).

(16)

式中：Pr(m)為風電場實際并網(wǎng)功率；Pw(m)為風電場可發(fā)功率；Paban(m)為風電場棄風功率；Ppro(m)為風電場日前協(xié)議上網(wǎng)功率。

3.3 滾動優(yōu)化過程

基于MPC方法，采用滾動優(yōu)化的控制策略，對典型日內各個調度時刻的功率進行優(yōu)化，其基本流程如圖7所示，其中N為日內調度時段數(shù)，本文以15 min為時間間隔，故N=96。

圖7 滾動優(yōu)化流程Fig.7 Flowchart of rolling optimization

4 仿真分析

4.1 仿真算例

本文以某100 MW風電場為例，并配置20 MWh蓄電池和60 MWh氫儲能系統(tǒng)，其中蓄電池最大充放電功率為5 MW，氫儲能系統(tǒng)的最大充放電功率為12 MW。tlocation-scale分布對應參數(shù)參考文獻[24]，其中μ=0，ν=1.47，σ隨時間的變化情況見表1。前瞻周期為2 h，滾動時間單位為15 min。

表1 σ隨時間的變化Tab.1 Changes of σ varying with time

參考西班牙風電并網(wǎng)標準，即當風電實際上網(wǎng)電量與其日前發(fā)電協(xié)議出現(xiàn)較大偏差時，風電企業(yè)須向電網(wǎng)繳納超過其上網(wǎng)電價數(shù)十倍的罰款，相關費用高達7.8歐元/kWh[28]。為了體現(xiàn)我國未來電力市場化趨勢對風電場運行經(jīng)濟性的影響，假設風電懲罰費率為2元/kWh(為當前風電標桿電價的4倍)，蓄電池損耗成本為0.8元/kWh，儲氫罐容量WH2=104m3，初始時蓄電池SOC=0.5。

4.2 對比方案分析

為深入研究風電場儲能系統(tǒng)作用以及誤差折現(xiàn)效果，本文設計以下3種方案進行對比分析：

a)方案1：風電場配有蓄-氫儲能系統(tǒng)，采用誤差折現(xiàn)滾動優(yōu)化。

b)方案2：風電場不配置任何儲能系統(tǒng)，采用誤差折現(xiàn)滾動優(yōu)化。

c)方案3：風電場配有蓄-氫儲能系統(tǒng)，但不采用誤差折現(xiàn)滾動優(yōu)化。

圖 8為方案1的風電場功率分布曲線。由圖8可知，雖然日內實際風電功率普遍超出了風電協(xié)議上網(wǎng)功率上下限，但是得益于風電場配置的蓄-氫混合儲能系統(tǒng)的調節(jié)性能，以及誤差折現(xiàn)滾動優(yōu)化策略，優(yōu)化所得的方案1中風電實際并網(wǎng)功率基本達到協(xié)議并網(wǎng)要求。在調度周期內，共有163 MWh風電功率被補償或消納，僅在09：30—13：00和22：45—24：00存在78 MWh風電功率缺額未被補償?？梢姡桨?中的風電場實現(xiàn)了較好的并網(wǎng)效果。

圖8 方案1風電場并網(wǎng)功率曲線Fig.8 Wind integrated power curves of scheme 1

方案1中混合儲能的充放電策略(功率為正表示放電)如圖9所示。由圖9可知，在誤差折現(xiàn)滾動優(yōu)化策略指引下，風電超短期預測功率更為精準，蓄電池和氫燃料電池的互補特性得以充分發(fā)揮。具體而言，在風電功率缺額的07：15—09：30和18：15—20：00期間，為達到并網(wǎng)協(xié)議要求，風電場利用儲能系統(tǒng)進行自調峰。由于氫儲能系統(tǒng)無需承擔額外的運行成本，運行中優(yōu)先考慮氫儲能系統(tǒng)進行放電，能量或功率受限時才采用蓄電池支撐，該段時間蓄電池釋放11 MWh能量，氫燃料電池提供43 MWh能量。而在09：30—13：00，由于儲能系統(tǒng)能量耗竭，風電場失去調節(jié)能力，不得不向電網(wǎng)購入64 MWh電量并支付相應懲罰費用。在風電功率較高的13：00—17：30以及20：00—22：30期間，考慮到氫儲能系統(tǒng)運行功率較低時的低效工作特性，在富余功率較大時利用氫儲能系統(tǒng)消納67 MWh，而在富余功率較小時利用蓄電池消納14 MWh富余能源。此外，受限于儲能系統(tǒng)額定功率約束，在20：00—21：45有55 MWh風電被舍棄?？梢?，風電場通過蓄-氫儲能系統(tǒng)在全時段的移峰填谷，有效減小了向電網(wǎng)購買的懲罰功率，從而規(guī)避了需要向電網(wǎng)支付高額懲罰費用的風險。

圖9 方案1儲能功率變化與懲罰功率Fig.9 Change of energy storage power and punish power of scheme 1

方案2風電場并網(wǎng)功率分布情況如圖10所示。由圖10可知，日內風電場出力在較長時段超出了協(xié)議并網(wǎng)功率上下限。較之配置了蓄-氫儲能系統(tǒng)的方案1，方案2自調節(jié)手段十分匱乏。針對風電出力超發(fā)，風電場通過主動棄風滿足并網(wǎng)要求。而對于風電出力短缺的場景，由于風電場內部完全缺乏功率調節(jié)手段，不得不支付因功率缺額而產(chǎn)生的懲罰費用。調度周期內，風電場共棄風145 MWh，產(chǎn)生142 MWh電量缺額。可見，缺乏儲能調節(jié)手段的方案2的風電場并網(wǎng)功率極不理想。

圖10 方案2風電場實際上網(wǎng)功率與懲罰功率Fig.10 Actual integrated power and punish power of wind farm of scheme 2

方案3的風電場并網(wǎng)功率分布情況如圖11所示。由圖11可知，未采用誤差折現(xiàn)滾動優(yōu)化時，風電場可能會對預測數(shù)據(jù)產(chǎn)生誤判，導致未能有效利用蓄-氫儲能系統(tǒng)的調節(jié)能力，在08：00—09：30導致實際上網(wǎng)風電出現(xiàn)12 MWh缺額。較之方案1，方案3尚有優(yōu)化空間。

圖11 方案3風電場并網(wǎng)功率曲線Fig.11 Integrated power of wind farm of scheme 3

進一步分析方案3中的儲能系統(tǒng)功率分布情況。如圖12所示，在滾動優(yōu)化時，方案3對未來不同時段的預測數(shù)據(jù)同等對待，出現(xiàn)較大偏差。例如，在05：00—07：15，方案3優(yōu)先使用氫-燃料電池消納富余能源；雖然有助于降低系統(tǒng)運行成本，但是氫-燃料電池低效的工作狀態(tài)導致能量儲存量極為有限，致使在07：15—08：15的氫-燃料電池放電過程中，儲存的能量被全部耗竭；在08：15—09：30，受限于額定功率，蓄電池無法獨立填充風電缺額，不得不支付部分懲罰費用。可見，方案3的調度策略并不理想。

圖12 方案3儲能功率變化與懲罰功率Fig.12 Change of energy storage power and punish power of scheme 3

4.3 經(jīng)濟性分析

3種方案的日運行經(jīng)濟性見表2。由于嚴重缺乏調節(jié)手段，方案2日運行成本高達284 000元，在3種方案中經(jīng)濟性最差；方案3雖然配置了儲能系統(tǒng)，但是由于預測誤差不夠精準，未能充分發(fā)揮儲能系統(tǒng)的調節(jié)作用，日運行成本為196 601元，經(jīng)濟性居中；只有在配置儲能系統(tǒng)和采用誤差折現(xiàn)滾動優(yōu)化的方案1中，日運行成本僅為173 830元，經(jīng)濟性最優(yōu)。可見，本文所提的考慮預測誤差折現(xiàn)效應的風電場柔性并網(wǎng)策略具有優(yōu)越性。

表2 不同配置方案下風電場運行成本對比Tab.2 Comparisons of wind farm operation costs of different schemes

4.4 影響因素分析

4.4.1 折現(xiàn)系數(shù)與誤差系數(shù)的影響

為了選擇最優(yōu)的折現(xiàn)系數(shù)，針對方案1在預測誤差固定的情況下改變折現(xiàn)系數(shù)，求取使得運行經(jīng)濟性最優(yōu)時的折現(xiàn)系數(shù)。由于不同的超短期預測方法可能有不同的預測誤差，進一步分析預測誤差的大小對滾動優(yōu)化經(jīng)濟性和最優(yōu)折現(xiàn)系數(shù)的影響，結果如圖13所示。

結合圖13可知，當超短期預測功率不考慮預測誤差時，風電場單日運行成本將隨著折現(xiàn)率u的增大而逐漸上升，此時最優(yōu)折現(xiàn)率u=0，采用誤差折現(xiàn)方法并非最佳選擇。而當超前預測功率以一定誤差偏離實際功率時，經(jīng)濟成本將隨著折現(xiàn)率u的增大呈先減小后增大趨勢，但均高于忽視預測誤差場景下的系統(tǒng)日運行成本。究其原因，前瞻周期內的功率預測誤差影響了控制策略的準確性，從

圖13 日運行成本隨折現(xiàn)率的變化情況Fig.13 Changes of daily operation costs with discount rates

而使得調度成本受預測誤差的影響而增大。隨著折現(xiàn)率u不斷增大，盡管功率預測誤差同樣存在，但對應誤差較大的時間斷面所占權重減小，降低了誤差因素的干擾，使得控制策略更為準確。也就是說，當折現(xiàn)率u增大到一定程度后，未來時間斷面所占權重較低，對當前決策的影響淡化，使調度策略更為注重當前運行狀況，而忽略未來時間斷面的潛在調峰風險，一旦出現(xiàn)較大功率缺額，將會導致風電場的懲罰費用增加。

考慮到不同超短期預測方法的誤差存在差異，進一步研究預測誤差對風電場經(jīng)濟成本的影響。由圖13可見，隨著預測誤差的增加，系統(tǒng)整體的經(jīng)濟運行成本逐漸上升，對應的最優(yōu)折現(xiàn)率u也有所減小。當預測誤差為σ、1.3σ、1.5σ時，風電場最優(yōu)經(jīng)濟成本分別為17.38萬元、17.51萬元、17.94萬元，最優(yōu)折現(xiàn)率分別為0.02、0.03、0.04。隨著預測誤差的增加，調度策略的準確性受到影響，使得調峰風險增大，經(jīng)濟成本也隨之增加。由此可見，應增大折現(xiàn)率u，以減小預測誤差對調度決策的影響。

4.4.2 滾動優(yōu)化窗長的影響

滾動優(yōu)化的效果與滾動窗長密不可分，當滾動窗長較小時，調度策略會較為短視，難以實現(xiàn)全局最優(yōu)；當滾動窗長較大時，由于預測誤差隨時間增加而增大，對調度策略的準確性產(chǎn)生不利影響。因而在不同預測誤差條件下，采用相應的最優(yōu)折現(xiàn)率，分析滾動窗長對運行成本的影響，結果如圖14所示。

由圖14可知，當不考慮預測誤差時，風電場運行成本隨著滾動窗長的增大呈先下降后平穩(wěn)趨勢。究其原因，當滾動窗長較小時，儲能系統(tǒng)不能很好地應對未來風電的變化，導致運行成本上升；隨著滾動窗長增大，儲能系統(tǒng)能較好地將未來時段風電變化納入考量，使運行成本更為經(jīng)濟。隨著誤差水平的增大，風電場運行成本逐漸增大。當預測誤差為σ、1.3σ、1.5σ時，最優(yōu)窗長分別為4.25 h、4.00 h和3.50 h，原因在于預測誤差越大，未來較長時段的預測誤差就越大，其對調度策略的參考價值就越弱，甚至會造成誤導，因而隨著預測誤差增大，對應最優(yōu)滾動窗長將會減小。

圖14 滾動窗長與日運行成本的關系Fig.14 Relationship between rolling window length and daily operation cost

5 結論

為應對滾動優(yōu)化前瞻周期內超短期預測誤差隨時間推移而逐漸增大的問題，采用帶位移因子和伸縮系數(shù)的t分布對風電超短期預測誤差進行擬合，并提出了一種對前瞻周期內不同時間斷面的功率給予不同折現(xiàn)權重的滾動優(yōu)化方法。主要結論如下：

a)風電場側配置蓄-氫混合儲能系統(tǒng)有助于實現(xiàn)風電場柔性并網(wǎng)，提高風電場運行經(jīng)濟性，同時降低大電網(wǎng)運行壓力。

b)考慮風電功率預測的胖尾效應，基于預測誤差折現(xiàn)方法的滾動優(yōu)化策略能夠使儲能的充放電控制更加準確，有助于提高風電場運行經(jīng)濟性。

c)增大折現(xiàn)率u，能夠降低預測誤差對風電場調度決策的影響。