李益民，董海鷹*，丁坤，王金巖

（1.蘭州交通大學(xué) 新能源與動(dòng)力工程學(xué)院，蘭州 730070； 2.國(guó)網(wǎng)甘肅省電力公司電力科學(xué)研究院，蘭州 730070）

0 引言

隨著大規(guī)模高占比的新能源建成并網(wǎng)，對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行提出嚴(yán)峻挑戰(zhàn)。風(fēng)電、光伏的間歇性和波動(dòng)性給電力系統(tǒng)帶來(lái)巨大的不穩(wěn)定因素，大規(guī)模儲(chǔ)能系統(tǒng)對(duì)于風(fēng)光的波動(dòng)平抑，電力系統(tǒng)的削峰填谷起著重要作用［1］。其中，在電網(wǎng)側(cè)的儲(chǔ)能系統(tǒng)往往功率和容量較大，其初始配置的投資成本和后期運(yùn)行的收益決定著儲(chǔ)能投資運(yùn)營(yíng)商的意愿［2］。

針對(duì)儲(chǔ)能的容量配置，國(guó)內(nèi)外已有相關(guān)研究且方法多樣。文獻(xiàn)［3］以?xún)?chǔ)能經(jīng)濟(jì)性為目標(biāo)，建立了混合儲(chǔ)能系統(tǒng)模型，通過(guò)與單一儲(chǔ)能對(duì)比證實(shí)了混合儲(chǔ)能系統(tǒng)在穩(wěn)定性和經(jīng)濟(jì)性方面具有明顯優(yōu)勢(shì)。文獻(xiàn)［4］以總凈現(xiàn)值成本最小為前提，對(duì)能源利用率和負(fù)荷損失率進(jìn)行評(píng)價(jià)，建立含氫儲(chǔ)能和蓄電池的混合儲(chǔ)能模型，以降低微電網(wǎng)的運(yùn)行成本。文獻(xiàn)［5］以混合儲(chǔ)能系統(tǒng)電能交互成本和儲(chǔ)能投資運(yùn)行成本最低為目標(biāo)，應(yīng)用離散傅里葉變換將原功率分解，對(duì)儲(chǔ)能系統(tǒng)的充放電功率進(jìn)行優(yōu)化。文獻(xiàn)［6］通過(guò)最小化儲(chǔ)能初始投資和聯(lián)絡(luò)線(xiàn)波動(dòng)，建立了儲(chǔ)能容量配置模型。文獻(xiàn)［7］提出了基于多代理系統(tǒng)的微電網(wǎng)競(jìng)價(jià)優(yōu)化策略，從微電網(wǎng)的系統(tǒng)層次對(duì)發(fā)電成本進(jìn)行討論。文獻(xiàn)［8］設(shè)計(jì)了一種儲(chǔ)能電池參與一次調(diào)頻的充放電策略，從電網(wǎng)頻率信號(hào)波動(dòng)特性出發(fā)，在確定的電網(wǎng)調(diào)頻及儲(chǔ)能電池運(yùn)行要求約束下，得出調(diào)頻效果最優(yōu)、經(jīng)濟(jì)性最優(yōu)目標(biāo)下的儲(chǔ)能電池容量配置方案。文獻(xiàn)［9］從電力市場(chǎng)化的角度出發(fā)，提出了一種具有協(xié)調(diào)規(guī)劃和運(yùn)行的電網(wǎng)側(cè)電池儲(chǔ)能系統(tǒng)的雙層優(yōu)化選址和規(guī)模模型。文獻(xiàn)［10-11］提出了一種考慮一次調(diào)頻速率特性的電池儲(chǔ)能系統(tǒng)容量?jī)?yōu)化配置方法，以提高電力系統(tǒng)的調(diào)頻能力和性能。文獻(xiàn)［12-13］分別對(duì)電網(wǎng)側(cè)和微電網(wǎng)進(jìn)行電價(jià)相關(guān)的儲(chǔ)能優(yōu)化配置。文獻(xiàn)［14］分析了獨(dú)立儲(chǔ)能現(xiàn)貨套利和輔助調(diào)頻的市場(chǎng)機(jī)制。文獻(xiàn)［15-16］從微電網(wǎng)變流器的結(jié)構(gòu)和控制入手進(jìn)行儲(chǔ)能優(yōu)化配置。

以上方法大多從改進(jìn)混合儲(chǔ)能和調(diào)度策略著手，均在穩(wěn)定性和經(jīng)濟(jì)性的優(yōu)化上取得了良好的效果。但是對(duì)于電網(wǎng)側(cè)的儲(chǔ)能配置，忽略了負(fù)荷增長(zhǎng)帶來(lái)的影響。在上述研究的基礎(chǔ)上，本文提出了一種考慮長(zhǎng)期負(fù)荷概率預(yù)測(cè)的儲(chǔ)能多階段優(yōu)化配置方法，用于電網(wǎng)側(cè)獨(dú)立儲(chǔ)能系統(tǒng)的容量配置。以獨(dú)立大規(guī)模儲(chǔ)能的成本和效益之和最低為目標(biāo)，采用非參數(shù)組合回歸的長(zhǎng)期負(fù)荷概率預(yù)測(cè)模型，將“十四五”期間分為3個(gè)階段，在此基礎(chǔ)上對(duì)甘肅省酒泉地區(qū)進(jìn)行多階段儲(chǔ)能優(yōu)化配置，用改進(jìn)的粒子群算法（PSO）求解，最后用酒泉地區(qū)的電力節(jié)點(diǎn)系統(tǒng)進(jìn)行算例分析，驗(yàn)證方法和模型的可行性和優(yōu)越性，并分別從峰谷電價(jià)差和新能源利用率兩個(gè)方面對(duì)儲(chǔ)能投資回本周期進(jìn)行了靈敏度分析，為酒泉地區(qū)的儲(chǔ)能規(guī)劃提供一定的參考。

1 獨(dú)立大規(guī)模儲(chǔ)能成本效益分析

電網(wǎng)側(cè)獨(dú)立儲(chǔ)能功率和容量一般較大，其初始配置成本和運(yùn)行收益大［17-18］，本文從獨(dú)立儲(chǔ)能電站的視角出發(fā)，將規(guī)劃周期T分為n個(gè)階段對(duì)其進(jìn)行多階段成本效益分析。

1.1 儲(chǔ)能全壽命周期成本

儲(chǔ)能的成本模型主要由儲(chǔ)能的能量成本和功率成本兩部分組成［19-20］，當(dāng)計(jì)及儲(chǔ)能折舊后的剩余價(jià)值時(shí)，在第i階段的投資成本可用式（1）表示。式（3）對(duì)式（2）中的成本部分進(jìn)行了說(shuō)明：

（1）容量成本僅與一次性投資成本相關(guān)；

（2）功率成本由建設(shè)成本和運(yùn)行維護(hù)成本兩部分組成。當(dāng)采用多階段規(guī)劃，部分設(shè)備在規(guī)劃周期外依然具有使用價(jià)值，因此計(jì)及設(shè)備的使用情況。

式中：，ψ為設(shè)備的折舊系數(shù)，1-ψ為未利用價(jià)值系數(shù)［21-22］；分別為儲(chǔ)能的功率成本與容量成本；分別為在i階段儲(chǔ)能裝置的功率與容量；cP，cS分別為初期儲(chǔ)能的單位功率成本和單位容量成本；βj為第j年運(yùn)行維護(hù)費(fèi)用相對(duì)于初期功率成本的折算系數(shù)；k為通貨膨脹率；d為貼現(xiàn)率；ti為規(guī)劃期內(nèi)設(shè)備的使用時(shí)間；τbat為說(shuō)明書(shū)上的使用年限。

1.2 儲(chǔ)能運(yùn)行經(jīng)濟(jì)效益

獨(dú)立儲(chǔ)能在電網(wǎng)側(cè)的收益主要有3 個(gè)方面：現(xiàn)貨市場(chǎng)峰谷電價(jià)套利收益、調(diào)頻輔助服務(wù)收益和延緩電網(wǎng)投資建設(shè)收益［23-24］。

1.2.1 電力市場(chǎng)峰谷電價(jià)套利

在峰谷電價(jià)下，儲(chǔ)能系統(tǒng)的“填谷”和“削峰”獲得的套利收益為

式中：Bdis，i為第i階段放電的售電收益；Ccha，i為第i階段充電時(shí)的購(gòu)電成本。

在負(fù)荷峰值期間，通過(guò)釋放儲(chǔ)能中電能緩解電網(wǎng)壓力，在電力市場(chǎng)環(huán)境下，售電收益為

式中：Pdis(t)為時(shí)刻t儲(chǔ)能裝置提供給電網(wǎng)的功率；Cpeak，t為峰值時(shí)t儲(chǔ)能裝置的售電電價(jià)；ηdis為儲(chǔ)能裝置的放電效率；Ti為第i階段的總小時(shí)數(shù)。

利用儲(chǔ)能裝置的負(fù)荷特性，提高在電源出力高峰時(shí)期的電網(wǎng)消納能力，在負(fù)荷非高峰時(shí)，儲(chǔ)能系統(tǒng)吸納上級(jí)電網(wǎng)的電量，在電力市場(chǎng)環(huán)境下的購(gòu)電成本為

式中：Pcha(t)為t時(shí)刻儲(chǔ)能裝置吸納的功率；Coff，t為低谷t時(shí)刻的電價(jià)；ηcha為儲(chǔ)能充電效率。

1.2.2 調(diào)頻輔助服務(wù)收益

電池儲(chǔ)能比傳統(tǒng)火電機(jī)組和水電機(jī)組具有更快的響應(yīng)和爬坡能力，可以輔助電力系統(tǒng)進(jìn)行調(diào)頻。目前中國(guó)的電池儲(chǔ)能調(diào)頻以一次調(diào)頻為主，各省份政策對(duì)儲(chǔ)能參與一次調(diào)頻的主體地位尚未明晰，全國(guó)統(tǒng)一電力大市場(chǎng)尚在完善，大多省份要求在一天內(nèi)儲(chǔ)能只能參與現(xiàn)貨電能市場(chǎng)或者調(diào)頻輔助市場(chǎng)，二者不可同時(shí)參與，且日前的調(diào)頻能量投標(biāo)涉及調(diào)度，本文在此不予考慮。

1.2.3 延緩電網(wǎng)投資建設(shè)收益

電力系統(tǒng)升級(jí)是為了滿(mǎn)足不斷增長(zhǎng)的負(fù)荷需求［14］，但利用儲(chǔ)能裝置在提高風(fēng)光滲透率的同時(shí)實(shí)現(xiàn)了削峰填谷，從而延緩了電網(wǎng)建設(shè)。雖然各個(gè)階段均由延緩電網(wǎng)升級(jí)的作用，但隨著時(shí)間的推移，多階段的累加，將導(dǎo)致該收益的重復(fù)計(jì)算，因此僅在最后階段進(jìn)行計(jì)算。因此，延緩電網(wǎng)建設(shè)的收益模型可寫(xiě)為

2 長(zhǎng)期負(fù)荷概率預(yù)測(cè)模型

本文基于多維變量篩選-非參數(shù)組合回歸組合的長(zhǎng)期負(fù)荷概率預(yù)測(cè)模型，結(jié)合多階段規(guī)劃方法，對(duì)甘肅酒泉地區(qū)的長(zhǎng)期負(fù)荷進(jìn)行概率預(yù)測(cè)，得到不同分位點(diǎn)值的負(fù)荷。

2.1 非參數(shù)組合回歸模型

長(zhǎng)期負(fù)荷發(fā)展受多個(gè)因素共同影響，若采用單個(gè)因素映射得到的一維非參數(shù)回歸模型對(duì)長(zhǎng)期負(fù)荷進(jìn)行預(yù)測(cè)，其精度不能滿(mǎn)足要求。文獻(xiàn)［23］對(duì)經(jīng)濟(jì)因素、人口因素、技術(shù)因素、市場(chǎng)因素和氣候因素中包括的14 個(gè)具體因素進(jìn)行Granger 因果分析，發(fā)現(xiàn)國(guó)內(nèi)生產(chǎn)總值（GDP）、三產(chǎn)占比、人均消費(fèi)支出、常住人口、城鎮(zhèn)化率和消費(fèi)者價(jià)格指數(shù)（CPI）這6個(gè)變量與電量序列同階平穩(wěn)，再初步增大滯后期，發(fā)現(xiàn)這6個(gè)變量對(duì)電量具有拉動(dòng)關(guān)系或者電量對(duì)其有拉動(dòng)關(guān)系，認(rèn)為這6 個(gè)變量為電量的Granger 因，表明其對(duì)長(zhǎng)期負(fù)荷具有顯著驅(qū)動(dòng)作用。然后對(duì)這6個(gè)一維非參數(shù)模型根據(jù)預(yù)測(cè)精度進(jìn)行優(yōu)先級(jí)排序。在此基礎(chǔ)上，采用逐步平均組合法對(duì)這些一維非參數(shù)回歸模型進(jìn)行不同的組合，得到的非參數(shù)組合回歸模型為

式中：mj(·)為第j個(gè)影響變量映射下的一維非參數(shù)回歸函數(shù)；J為影響變量總數(shù)；k為進(jìn)行平均組合的模型數(shù)目，取1，2，…，J；其中第k個(gè)非參數(shù)組合回歸模型中的k個(gè)進(jìn)行組合的一維非參數(shù)回歸模型，對(duì)組合后的J個(gè)非參數(shù)組合回歸模型的預(yù)測(cè)精度進(jìn)行評(píng)價(jià)，選擇其中精度最高的組合模型作為最優(yōu)非參數(shù)組合回歸模型。在6個(gè)影響因素中選取最優(yōu)組合回歸模型的變量為GDP、人均消費(fèi)支出、CPI 和城鎮(zhèn)化率［23］。

2.2 基于隨機(jī)變化率的不確定性建模

影響因素的不確定性等價(jià)于其變化率的不確定性，本文基于隨機(jī)變化率對(duì)影響因素進(jìn)行不確定性建模［20］。

考慮到影響變量的隨機(jī)變化率受多個(gè)獨(dú)立的且不能產(chǎn)生支配性的因素共同作用，因此可認(rèn)為隨機(jī)變化率近似服從正態(tài)分布。文獻(xiàn)［23］用歷史變化率的標(biāo)準(zhǔn)差代替未來(lái)變化率的波動(dòng)，未來(lái)變化率的均值則按照影響變量是否有規(guī)劃值來(lái)確定。

（1）若有未來(lái)規(guī)劃值，結(jié)合當(dāng)前年的時(shí)值，求算未來(lái)年平均增長(zhǎng)率，以此作為未來(lái)隨機(jī)變化率的均值。

（2）若沒(méi)有未來(lái)規(guī)劃值，按歷史變化率的均值作為未來(lái)變化率均值。此外，為了模擬未來(lái)影響因素的不確定性，對(duì)影響因素的隨機(jī)變化率進(jìn)行不確定性建模，將等概率抽樣得到隨機(jī)變化率還原為影響變量逐年的等概率值。還原過(guò)程如下。

假設(shè)對(duì)未來(lái)T年進(jìn)行N次模擬，得到隨機(jī)變化率模擬矩陣R，再通過(guò)式（10）逐年累乘方法得到隨機(jī)變化率的乘子矩陣

式中：E為元素全為1 的矩陣；prod為對(duì)前t行（1≤t≤T）逐列進(jìn)行累乘。將當(dāng)前年影響變量的時(shí)值乘上乘子矩陣M，則可得到影響變量逐年的等概率值。

2.3 長(zhǎng)期負(fù)荷概率預(yù)測(cè)綜合實(shí)現(xiàn)流程

本文采用的長(zhǎng)期負(fù)荷概率預(yù)測(cè)實(shí)現(xiàn)流程如下。

（1）利用Granger因果分析進(jìn)行影響因素的多維變量初步篩選，確定變量維數(shù)J。

（2）對(duì)J個(gè)變量組成的一維非參數(shù)模型根據(jù)預(yù)測(cè)精度進(jìn)行優(yōu)先級(jí)排序，然后采用逐步平均組合法對(duì)不同的非參數(shù)模型進(jìn)行精度校驗(yàn)，確定最優(yōu)的非參數(shù)組合回歸模型和對(duì)應(yīng)的影響變量。

（3）利用圖1的不確定建模流程，對(duì)影響變量進(jìn)行N次等概率模擬，獲取未來(lái)影響因素等概率序列，將其代入非參數(shù)組合回歸模型實(shí)現(xiàn)長(zhǎng)期負(fù)荷不同分位點(diǎn)值的概率預(yù)測(cè)。

圖1 基于隨機(jī)變化率的不確定建模流程Fig.1 Uncertain modeling based on random change rate

3 考慮長(zhǎng)期負(fù)荷概率預(yù)測(cè)的儲(chǔ)能多階段模型

3.1 多階段規(guī)劃目標(biāo)函數(shù)

本文提出的計(jì)及負(fù)荷預(yù)測(cè)的儲(chǔ)能容量配置流程如圖2 所示，Count為設(shè)置的迭代次數(shù)，此處Count=100。在模型的初期，需要對(duì)多階段進(jìn)行劃分，以“十四五”為規(guī)劃周期，分成3個(gè)階段。

圖2 多階段儲(chǔ)能優(yōu)化配置流程Fig.2 Multi-stage energy storage optimal configuration

各階段包括規(guī)劃層和運(yùn)行層，用運(yùn)行指導(dǎo)規(guī)劃。階段內(nèi)，以成本效益函數(shù)最低為目標(biāo)，以系統(tǒng)電力電量平衡，風(fēng)光火儲(chǔ)的運(yùn)行等條件為約束，優(yōu)化求解總規(guī)劃周期內(nèi)的儲(chǔ)能容量配置。下一階段的預(yù)測(cè)負(fù)荷更新上一階段的負(fù)荷，對(duì)儲(chǔ)能的規(guī)劃和運(yùn)行產(chǎn)生影響。在多階段規(guī)劃的目標(biāo)函數(shù)中，各階段的規(guī)劃層成本減去運(yùn)行層收益的數(shù)值再求和最小，表明在規(guī)劃周期內(nèi)儲(chǔ)能配置經(jīng)濟(jì)性最佳。以?xún)?chǔ)能經(jīng)濟(jì)性最優(yōu)為目標(biāo)函數(shù)

3.2 約束條件

3.2.1 系統(tǒng)功率平衡約束

3.2.2 儲(chǔ)能運(yùn)行約束

式（14）和（15）約束了儲(chǔ)能荷電狀態(tài)的上下限，對(duì)儲(chǔ)能的功率進(jìn)行約束，式（16）表明儲(chǔ)能在1 d 的開(kāi)始時(shí)段和結(jié)束時(shí)段的荷電狀態(tài)保持相同。

3.2.3 系統(tǒng)電壓約束

式中：Ui(t)為系統(tǒng)各節(jié)點(diǎn)電壓；Uimin(t)和Uimax(t)為節(jié)點(diǎn)電壓的最小值和最大值。

3.3 求解算法

本文采用改進(jìn)的PSO算法求解。采用PSO求解不同的問(wèn)題時(shí)，對(duì)局部最優(yōu)能力和全局最優(yōu)能力的權(quán)衡也不一樣，針對(duì)這個(gè)問(wèn)題，在速度更新公式中添加了一個(gè)慣性權(quán)重

式中：x，v分別為位置和速度，均為向量；w為慣性權(quán)重；L1，L2為學(xué)習(xí)因子；r1，r2為［0，1］區(qū)間均勻分布的隨機(jī)數(shù)；vi，t為上一輪迭代結(jié)束時(shí)的速度；()為社會(huì)學(xué)習(xí)向量；()為自我學(xué)習(xí)向量。

4 算例分析

為了驗(yàn)證長(zhǎng)期負(fù)荷概率預(yù)測(cè)模型和儲(chǔ)能的多階段優(yōu)化配置，本文搭建了甘肅省酒泉地區(qū)的電力節(jié)點(diǎn)系統(tǒng)進(jìn)行仿真驗(yàn)證。具體的電力拓?fù)淙鐖D3所示，包括15 個(gè)火電廠、8 個(gè)風(fēng)力發(fā)電廠和10 個(gè)光伏發(fā)電廠。

圖3 電力系統(tǒng)拓?fù)銯ig.3 Power system topology

本文的參數(shù)設(shè)置見(jiàn)表1，選取的2022 年甘肅省酒泉地區(qū)冬季某典型日的負(fù)荷和機(jī)組出力如圖4所示，外送電量和凈負(fù)荷如圖5所示。

表1 參數(shù)設(shè)置Table 1 Parameter settings

圖4 冬季典型日的機(jī)組和負(fù)荷功率Fig.4 Typical daily load variation in winter

圖5 冬季典型日的外送功率和凈負(fù)荷Fig.5 Typical daily transmission power and net load in winter

圖5 中，凈負(fù)荷表示負(fù)荷和外送功率的和減去所有出力機(jī)組的差值，負(fù)數(shù)代表電源的出力大于負(fù)荷和外送功率的總需求。

4.1 長(zhǎng)期電量概率預(yù)測(cè)分析

將本文的非參數(shù)組合回歸模型與文獻(xiàn)［24］的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比。2種模型對(duì)甘肅酒泉地區(qū)測(cè)試集的預(yù)測(cè)結(jié)果如圖6所示。

圖6 2種模型預(yù)測(cè)結(jié)果對(duì)比Fig.6 Model prediction results of two models

由圖6 可知，對(duì)于酒泉地區(qū)2019—2022 年的實(shí)際用電量，非參數(shù)組合回歸模型的預(yù)測(cè)精度為1.52%，小于BP 神經(jīng)網(wǎng)絡(luò)模型的，表明本文模型的預(yù)測(cè)精度較高。

通過(guò)隨機(jī)變化率的不確定性建模，對(duì)酒泉地區(qū)2023—2025 年電量進(jìn)行概率預(yù)測(cè)。根據(jù)本文提出的基于隨機(jī)變化率的不確定建模方法，對(duì)上述4 個(gè)變量：GDP、人均消費(fèi)支出、CPI 及城鎮(zhèn)化率進(jìn)行不確定性建模。結(jié)合酒泉地區(qū)統(tǒng)計(jì)年鑒及“十四五”規(guī)劃報(bào)告，可得到“十四五”期間當(dāng)?shù)谿DP、人均消費(fèi)支出、CPI 及城鎮(zhèn)化率。通過(guò)對(duì)各變量的變化率按正態(tài)分布進(jìn)行200 次等概率抽樣模擬，得到2023—2025 年共3 年的不同分位點(diǎn)值的預(yù)測(cè)電量，見(jiàn)表2。由表2 可知，50%分位點(diǎn)值與規(guī)劃值最接近，代表平穩(wěn)發(fā)展水平下的電量預(yù)測(cè)水平。

表2 不同分位點(diǎn)的預(yù)測(cè)電量Table 2 Power prediction results at different quantile levels GW·h

4.2 儲(chǔ)能多階段優(yōu)化配置分析

本文設(shè)置粒子群算法總的迭代次數(shù)設(shè)為100，為了使得粒子群算法在初期具有較強(qiáng)的全局收斂能力，在后期具有較強(qiáng)的局部收斂能力，本文采用自適應(yīng)調(diào)整慣性權(quán)重的策略，隨著迭代次數(shù)增加，慣性權(quán)重線(xiàn)性減小，其最大、最小慣性系數(shù)分別為1.0，0.6，學(xué)習(xí)因子L1=L2=2，在配置的3 個(gè)階段中每個(gè)階段含有功率與容量變量，所以粒子的維度為6。以50%為負(fù)荷預(yù)測(cè)分位點(diǎn)值代入多階段優(yōu)化模型，各階段的儲(chǔ)能功率和容量見(jiàn)表3。

表3 各階段儲(chǔ)能配置功率和容量Table 3 Power and capacity configurations of energy storage at different stages

隨著“十四五”期間的負(fù)荷增長(zhǎng)，每年需要增加儲(chǔ)能的配置以滿(mǎn)足電力系統(tǒng)的供需平衡。根據(jù)表3，截至2025 年，甘肅省酒泉地區(qū)需要配置271.05 MW，13 300.2 MW·h 的儲(chǔ)能。各階段的典型日的儲(chǔ)能荷電狀態(tài)變化如圖7所示。多階段規(guī)劃使得在各個(gè)階段設(shè)備的利用率提高，可以通過(guò)調(diào)度過(guò)程中的SOC的變化來(lái)體現(xiàn)設(shè)備利用率。圖7選取了3個(gè)階段的冬季典型日的SOC變化情況來(lái)體現(xiàn)儲(chǔ)能的利用情況。3 個(gè)階段的最大SOC分別為0.749，0.782，0.800，與安全運(yùn)行下的SOCmax=0.8差值逐漸縮??；相應(yīng)的最小SOC為0.241，0.220，0.201，與安全運(yùn)行下的SOCmax=0.2相差逐漸減小，說(shuō)明考慮預(yù)測(cè)負(fù)荷的儲(chǔ)能多階段容量配置方法使得儲(chǔ)能設(shè)備的利用率提高。多階段容量配置在保證風(fēng)電和光伏峰值時(shí)期的出力被充分利用的同時(shí)，實(shí)現(xiàn)了配套儲(chǔ)能裝置的充分利用，通過(guò)提高設(shè)備的利用率，實(shí)現(xiàn)了經(jīng)濟(jì)利益的優(yōu)化。

圖7 各階段儲(chǔ)能SOC狀態(tài)Fig.7 Multi-stage SOC

4.3 靈敏度分析

在儲(chǔ)能的功率和容量?jī)?yōu)化配置中，不同的峰谷電價(jià)差會(huì)影響儲(chǔ)能電站的盈利水平和回本周期，不同的新能源利用率也會(huì)對(duì)儲(chǔ)能電站的初始投資規(guī)模和盈利水平產(chǎn)生較大影響。甘肅電網(wǎng)新能源的尖峰出力很大，但持續(xù)時(shí)間較短，如果追求過(guò)高的新能源利用率，會(huì)極大提高系統(tǒng)的備用率，帶來(lái)過(guò)高的邊際消納成本，影響整個(gè)系統(tǒng)的經(jīng)濟(jì)性。下面從峰谷電價(jià)差和新能源利用率2個(gè)方面對(duì)儲(chǔ)能規(guī)劃的經(jīng)濟(jì)性進(jìn)行靈敏度分析。

4.3.1 峰谷電價(jià)差

不同的峰谷電價(jià)差對(duì)儲(chǔ)能電站的峰谷套利和回本周期影響較大，下面設(shè)置電價(jià)差從0.7 元/（kW·h）起始，以0.1 元/（kW·h）為步長(zhǎng)，分析到1.5元/（kW·h）為止的儲(chǔ)能電站回本周期，考慮建設(shè)成本和運(yùn)維成本，以?xún)?chǔ)能電站平均壽命20 年，年運(yùn)行平均300 d為基準(zhǔn)，結(jié)果如圖8所示。

圖8 峰谷電價(jià)差與儲(chǔ)能回本周期的關(guān)系Fig.8 Sensitivity analysis on peak-valley electricity price difference

由圖8 可以看出，參與現(xiàn)貨電力市場(chǎng)的獨(dú)立儲(chǔ)能運(yùn)營(yíng)商，在峰谷電價(jià)差逐漸提高的過(guò)程中，其回本周期也大幅縮短。從0.7 元/（kW·h）逐步增大至1.5 元/（kW·h），可以發(fā)現(xiàn)儲(chǔ)能的回本周期由接近12.63 年降低至5.57 年，這大幅縮短了投資商資金回流時(shí)間，提高了配置儲(chǔ)能的經(jīng)濟(jì)效益。2023 年以來(lái)，山東省出現(xiàn)的負(fù)電價(jià)現(xiàn)象就是峰谷電價(jià)差提高的具體體現(xiàn)。在全國(guó)統(tǒng)一電力大市場(chǎng)機(jī)制逐步完善過(guò)程中，不同省份的現(xiàn)貨電力市場(chǎng)政策差別較大，為了提升儲(chǔ)能投資商的投資意愿，可以適當(dāng)提高峰谷電價(jià)差。此外，在建設(shè)全國(guó)統(tǒng)一電力大市場(chǎng)的過(guò)程中，現(xiàn)貨電力市場(chǎng)和輔助服務(wù)市場(chǎng)的聯(lián)合出清優(yōu)化體系也在逐步形成，可以更進(jìn)一步地為儲(chǔ)能投資商帶來(lái)更好的市場(chǎng)環(huán)境。

4.3.2 新能源利用率

甘肅酒泉地區(qū)新能源滲透率高，本地負(fù)荷體量低，新能源小發(fā)期間電力供應(yīng)不足和大發(fā)期間消納困難的問(wèn)題頻繁出現(xiàn)，制定合理的新能源利用率，既可以提高系統(tǒng)經(jīng)濟(jì)性，也可以促進(jìn)新能源的規(guī)模發(fā)展。下面從儲(chǔ)能投資運(yùn)營(yíng)商角度考慮，以峰谷電價(jià)差為0.7元/（kW·h），分析新能源利用率與回本周期的關(guān)系，如圖9所示。

圖9 新能源利用率與儲(chǔ)能回本周期的關(guān)系Fig.9 Sensitivity analysis on new energy utilization rate

由圖9可以看出，適當(dāng)降低新能源利用率，可以大幅減少儲(chǔ)能的回本周期，在新能源利用率降低至98%時(shí)，由初始儲(chǔ)能規(guī)模減小帶來(lái)的投資降低與儲(chǔ)能運(yùn)行的收益降低達(dá)到平衡，回本周期開(kāi)始上升［25-27］。

5 結(jié)論

本文針對(duì)甘肅省酒泉地區(qū)電網(wǎng)側(cè)的儲(chǔ)能配置提出了考慮長(zhǎng)期負(fù)荷概率預(yù)測(cè)的多階段規(guī)劃方法，采用非參數(shù)組合回歸的長(zhǎng)期負(fù)荷概率預(yù)測(cè)模型，以“十四五”期間獨(dú)立儲(chǔ)能的經(jīng)濟(jì)性最優(yōu)為目標(biāo)函數(shù)，改進(jìn)粒子群算法進(jìn)行求解，分析了多階段儲(chǔ)能配置結(jié)果和峰谷電價(jià)差以及新能源利用率對(duì)儲(chǔ)能經(jīng)濟(jì)性的靈敏度。得出以下結(jié)論。

（1）考慮負(fù)荷概率預(yù)測(cè)的儲(chǔ)能多階段優(yōu)化配置方法可以更加真實(shí)地反映由電力電量平衡和調(diào)峰平衡帶來(lái)的儲(chǔ)能需求，對(duì)于儲(chǔ)能的荷電狀態(tài)利用更加充分。

（2）峰谷電價(jià)差和新能源利用率對(duì)于儲(chǔ)能投資運(yùn)營(yíng)商的回本周期影響較大，適當(dāng)合理地降低新能源利用率可以大幅提高儲(chǔ)能優(yōu)化配置的經(jīng)濟(jì)性。

（3）隨著全國(guó)統(tǒng)一電力市場(chǎng)的完善健全，儲(chǔ)能參與現(xiàn)貨市場(chǎng)和輔助服務(wù)聯(lián)合優(yōu)化出清勢(shì)必會(huì)進(jìn)一步降低儲(chǔ)能的回本周期，下一步將以此為突破點(diǎn)進(jìn)行研究分析。