摘 要：針對區(qū)域內(nèi)新能源場站群聯(lián)合出力場景的集中式共享儲能配置規(guī)劃問題，提出考慮資源相關(guān)性，即風(fēng)光出力互補(bǔ)特性、各新能源場站出力空間相關(guān)性的新能源場站群共享儲能優(yōu)化配置策略。該策略首先利用Copula方法進(jìn)行典型場景生成，以剖析風(fēng)光資源的相關(guān)性與互補(bǔ)性；在此基礎(chǔ)上，建立新能源場站群集中式共享儲能的優(yōu)化配置模型，以實現(xiàn)多主體間儲能的共享與互補(bǔ)利用，同時盡可能利用風(fēng)光資源的相關(guān)性。最后通過仿真分析驗證所提方法的正確性和有效性。

關(guān)鍵詞：新能源；儲能；相關(guān)性方法；風(fēng)光互補(bǔ)特性；空間相關(guān)性

中圖分類號：TM614 文獻(xiàn)標(biāo)志碼：A

0 引 言

隨著“雙碳”目標(biāo)的提出，新能源發(fā)電飛速發(fā)展［1］。以風(fēng)電、光伏為主的新能源出力具有較強(qiáng)的不確定性，對電網(wǎng)的安全運行帶來較大挑戰(zhàn)。儲能可平抑新能源出力不確定性、優(yōu)化出力曲線，促進(jìn)新能源友好并網(wǎng)［2］。因此，在大力建設(shè)風(fēng)電、光伏的背景下，研究儲能的規(guī)劃配置符合中國新能源、電網(wǎng)、儲能協(xié)同發(fā)展的迫切需求。

目前，儲能的成本相對較高，單個發(fā)電主體配置儲能單獨利用的方式在經(jīng)濟(jì)性上效益低，同時儲能利用率也不高［3］。共享儲能通過多個主體共用或共建儲能的方式，以平抑新能源出力的隨機(jī)性與波動性，提高儲能的利用率，間接降低儲能的配置成本，是解決此問題的較好方式［4］。目前，發(fā)電側(cè)共享儲能基本結(jié)構(gòu)主要為分散式和集中式兩種。文獻(xiàn)［5］采用分散式共享儲能結(jié)構(gòu)，使共享儲能在滿足新能源場站一次調(diào)頻義務(wù)的基礎(chǔ)上，利用閑置儲能提供二次調(diào)頻服務(wù)，參與峰谷套利，最大化場站儲能的利用；但是，新能源場站配置分散式共享儲能，可能會導(dǎo)致整體儲能資源的冗余；與分散式共享儲能相比，集中式共享儲能可進(jìn)一步利用各場站調(diào)節(jié)需求的時空互補(bǔ)特性，提高共享儲能的利用率，優(yōu)化資源配置。文獻(xiàn)［6-7］建立發(fā)電側(cè)集中式共享儲能模型，發(fā)現(xiàn)集中式共享儲能可有效提高參與者的收益總和。文獻(xiàn)［8］將集中式共享儲能應(yīng)用于社區(qū)光伏系統(tǒng)中，提高了社區(qū)光伏的利用率，帶來較大的效益。

在新能源場站的集中式儲能規(guī)劃配置方法上，目前已有較多研究。文獻(xiàn)［9］采用雙層優(yōu)化模型對共享儲能的容量進(jìn)行優(yōu)化，以達(dá)到經(jīng)濟(jì)效益最優(yōu)，顯著降低了棄風(fēng)棄光率；文獻(xiàn)［10］針對共享儲能協(xié)調(diào)電源側(cè)、電網(wǎng)側(cè)的調(diào)節(jié)需求，建立了魯棒優(yōu)化模型進(jìn)行規(guī)劃配置；文獻(xiàn)［11］采用兩階段隨機(jī)規(guī)劃模型，以成本最小化為目標(biāo)對售電主體風(fēng)光儲容量進(jìn)行優(yōu)化配置，采用共建共享的模式，提高了設(shè)備的利用率。

然而，現(xiàn)有對集中式共享儲能的規(guī)劃配置研究中，較少考慮新能源場站群之間的資源相關(guān)性，對風(fēng)光資源的分析有一定不足。在風(fēng)光資源的分析與利用方面，文獻(xiàn)［12］通過擬合風(fēng)速和光照的概率分布，以分析地區(qū)風(fēng)光資源情況。然而其未考慮風(fēng)光資源之間的相關(guān)性，擬合結(jié)果與實際情況有一定偏差。文獻(xiàn)［13］采用拉丁超立方采樣與Cholesky 分解法生成了具有相關(guān)性的風(fēng)速場景，剖析風(fēng)電資源的空間相關(guān)性；文獻(xiàn)［14］借助Copula 函數(shù)描述多個光伏系統(tǒng)輸出功率的概率分布，擬合區(qū)域光伏出力的空間相關(guān)性與差異性。以上文獻(xiàn)僅單一分析了同種新能源出力的相關(guān)性。文獻(xiàn)［15］采用基于貝葉斯估計和KL 散度的方法刻畫同種新能源出力不確定性的相關(guān)性，并采用Frank Copula 方法描述不同新能源出力不確定性的相關(guān)性。但其未刻畫出同種新能源出力相關(guān)性的強(qiáng)弱?？傮w而言，現(xiàn)有研究較少充分分析新能源場站群中風(fēng)光資源的空間相關(guān)性與風(fēng)光互補(bǔ)性特征，一方面會使得規(guī)劃的集中式共享儲能容量與實際需要的容量有一定偏差，另一方面也可能導(dǎo)致未充分挖掘風(fēng)光電源的出力互補(bǔ)潛力。

為此，本文提出一種考慮資源相關(guān)性的新能源場站群集中式共享儲能優(yōu)化配置方法。首先，考慮風(fēng)光互補(bǔ)特性和各場站出力的空間相關(guān)性，提出一種因子Copula 方法進(jìn)行典型場景生成，該方法可刻畫異質(zhì)新能源出力的相關(guān)性特征，具有較強(qiáng)的可擴(kuò)展性；其次，考慮跟蹤計劃出力，降低預(yù)測誤差懲罰的應(yīng)用模式，以經(jīng)濟(jì)性最優(yōu)為目標(biāo)對共享儲能進(jìn)行優(yōu)化配置，以分析資源相關(guān)性對共享儲能優(yōu)化配置結(jié)果的影響；最后，通過算例仿真驗證所提方法的正確性與有效性，并分析影響優(yōu)化結(jié)果的關(guān)鍵因素，以便更好地指導(dǎo)集中式共享儲能的合理規(guī)劃配置。

1 含集中式共享儲能的新能源場站群

新能源場站群配建集中式共享儲能的系統(tǒng)框架如圖1所示。多個新能源場站的運營主體通過合作，聯(lián)合投資集中式共享儲能；合作形成的聯(lián)盟以整體效益最優(yōu)為目標(biāo)，以能量匯聚的方式對共享儲能進(jìn)行調(diào)度使用。新能源場站群與集中式共享儲能作為一個整體與電網(wǎng)進(jìn)行電量交互獲取收益；電網(wǎng)通過對新能源場站群的預(yù)測誤差進(jìn)行考核罰款，引導(dǎo)儲能系統(tǒng)跟蹤預(yù)測出力曲線，平滑出力。集群控制中心根據(jù)各風(fēng)電場、光伏電站的預(yù)測出力數(shù)據(jù)、實際出力數(shù)據(jù)以及電網(wǎng)的電價信息，對儲能資源、各電站出力進(jìn)行調(diào)度，控制各電站對儲能的充電和儲能向電網(wǎng)的放電，向電網(wǎng)提交發(fā)電計劃，并與電網(wǎng)進(jìn)行實時電量交互，以獲得最大收益。

2 新能源場站群出力相關(guān)性建模

2.1 風(fēng)電、光伏出力特性建模

文獻(xiàn)研究表明，兩參數(shù)的Weibull 分布模型是擬合實際風(fēng)速較好的模型［16］。其概率密度函數(shù)為：

式中：vt——t 時刻的風(fēng)速，m/s；k——Weibull 分布的形狀參數(shù)，表征區(qū)域風(fēng)速變化與陣性情況；c——Weibull 分布的尺度參數(shù)，表征區(qū)域風(fēng)速的整體大小。

風(fēng)電場輸出功率與風(fēng)速關(guān)系［17］為：

式中：Pwt—— 風(fēng)電場在t 時刻的實際輸出功率，kW；vc、vr、vo——風(fēng)電機(jī)組的啟動風(fēng)速、額定風(fēng)速和切出風(fēng)速，m/s；Pwr——風(fēng)電場的額定功率，kW。

在正常運行情況下，一定時段內(nèi)光伏電站的出力可用Beta 分布表示［18］。其概率密度函數(shù)為：

式中：α、β——Beta 分布的形狀參數(shù)；Psmax——光伏電站的最大出力，kW；Pst—— 光伏電站在t 時刻的實際出力，kW；xt——光伏電站的相對出力情況。

2.2 新能源場站群出力相關(guān)性分析

考慮相關(guān)性的風(fēng)電場、光伏電站出力時序序列視作多維隨機(jī)變量（Pw，Ps ）={（Pwt，Pst）， t ∈N }。傳統(tǒng)的Gaussian-Copula方法是通過協(xié)方差矩陣生成多元正態(tài)分布，再利用分位數(shù)變換的方式生成相關(guān)性數(shù)據(jù)［19］，但對于數(shù)量較多的風(fēng)光電站，協(xié)方差矩陣規(guī)模較大，計算復(fù)雜。本文提出一種改進(jìn)的因子式Gaussian-Copula 方法生成相關(guān)性數(shù)據(jù)，其計算簡便，可擴(kuò)展性較強(qiáng)。具體方法為：

假設(shè)集群中共有n 個風(fēng)電系統(tǒng)與n 個光伏系統(tǒng)，認(rèn)為一個風(fēng)電電站等效為一個風(fēng)電系統(tǒng)與一個光伏系統(tǒng)的加和，若是集群中風(fēng)電場數(shù)量大于光伏電站數(shù)量，則認(rèn)為多出的光伏系統(tǒng)最大出力為0，反之亦然。各風(fēng)電系統(tǒng)之間出力的相關(guān)系數(shù)為ρww，各光伏系統(tǒng)之間出力的相關(guān)系數(shù)為ρss，風(fēng)光之間的出力相關(guān)系數(shù)為ρws。

首先，構(gòu)建2n 個正態(tài)分布序列：

式中：Sw、Ss——中間矩陣，輔助生成n 個風(fēng)電場、光伏電站T個時間段的出力；a1、b1、a2、b2—— 待定系數(shù)；F1、F2、Zwi、Zsi——獨立同分布的標(biāo)準(zhǔn)正態(tài)分布。

這些分布滿足以下條件：

最后利用Copula 連接函數(shù)，采用分位數(shù)對應(yīng)的方法將數(shù)據(jù)轉(zhuǎn)化為風(fēng)速以及光伏出力數(shù)據(jù)，函數(shù)為：

vi，t =Fw-1（G （Uwi，t ）） （9）

Psi，t /Psi，max =Fs-1（G （Usi，t ）） （10）

式中：Fw（·）——風(fēng)速的累積分布函數(shù)；Fs（·）——光伏發(fā)電出力的累積分布函數(shù)；G （·）——標(biāo)準(zhǔn)正態(tài)分布的累積分布函數(shù)。

利用相同的方法可生成風(fēng)速、光照出力的預(yù)測誤差序列Δvi，t、ΔPsi，t，具體方法為：假設(shè)各機(jī)組的各時段預(yù)測相對誤差滿足正態(tài)分布［20］，各機(jī)組之間的預(yù)測誤差具有一定的相關(guān)性，利用提出的因子Copula 方法即可生成各新能源機(jī)組的相對預(yù)測誤差序列，根據(jù)相對預(yù)測誤差與實際出力序列即可生成預(yù)測出力曲線。最后根據(jù)Δvi，t 和vi，t 及式（3）可計算出每個風(fēng)電場出力預(yù)測誤差ΔPwi，t。

從模型上來看，該方法可描述不同出力分布的風(fēng)光資源相關(guān)性，同時具有較強(qiáng)的擴(kuò)展性，在新能源場站數(shù)量較多時，其計算復(fù)雜度也相對較低，具有很強(qiáng)的適應(yīng)性。在相關(guān)性方面，風(fēng)光資源之間的相關(guān)性決定了風(fēng)電、光伏的出力相關(guān)性；風(fēng)電之間、光伏之間每小時的出力符合相似的分布模式，其相關(guān)系數(shù)主要由生成數(shù)據(jù)時正態(tài)分布的相關(guān)系數(shù)決定；風(fēng)電、光伏之間由于出力服從不同的分布，其總體出力的相關(guān)系數(shù)由區(qū)域風(fēng)力、光照的分布情況和每小時出力的相關(guān)系數(shù)共同決定。

3 集中式共享儲能優(yōu)化配置模型

3.1 目標(biāo)函數(shù)

集中式共享儲能參與新能源場站群發(fā)電的運行模式采用跟蹤計劃出力的形式。配置共享儲能帶來的效益主要來自于減少預(yù)測誤差帶來的懲罰。以配置共享儲能的容量、功率作為優(yōu)化變量，以儲能年凈收益最大化為優(yōu)化目標(biāo)，目標(biāo)函數(shù)為：

min f =Cinv +Com +Ear -Epun （11）

其中，儲能的建設(shè)成本Cinv 為：

式中：λicnv——儲能設(shè)施投建單位容量價格，元/MWh；λiPnv——投建單位功率價格，元/MW；Smax——配置儲能的容量，MWh；Pmax——配置儲能的最大功率，MW；r——折現(xiàn)率；Ls——儲能運行壽命，a。

儲能的運維成本Com 為：

Com =λcomSmax +λoPmPmax （13）

式中：λcom——儲能的單位容量運維價格，元/MWh；λoPm——儲能的單位功率運維價格，元/MW。

儲能低儲高發(fā)收益Ear 為：

式中：λt——t 時段的售電電價，元/MWh；Pbdt、Pbct——t 時段的儲能放電功率、充電功率，MW；η——儲能設(shè)施的效率。若新能源場站采用標(biāo)桿上網(wǎng)電價，則此項表示儲能的損耗成本。

減少預(yù)測偏差懲罰［21］的收益Epun 為：

式中：Cbpeufnore、Capfutenr——新能源場站群投建儲能前和投建儲能后的收益，元；λpu——單位功率缺額或過剩的懲罰費用，元/MW；ΔPt——t 時段的功率過大或過小的數(shù)值。計算如下：

式中：ep——電網(wǎng)允許的相對誤差；ΔPsi，t、ΔPwi，t——光伏電站、風(fēng)電場的預(yù)測出力與實際出力的偏差，MW。

3.2 約束條件

共享儲能參與新能源場站群運行的約束條件如下。

儲能SOC 狀態(tài)約束：

式中：St—— 儲能系統(tǒng)t 時段的電量，MWh；ESoC_min、ESoC_max——儲能系統(tǒng)允許的最小電量狀態(tài)和最大電量狀態(tài)。

儲能功率約束：

0≤Pbct ≤Pmax（20）

0≤Pbdt ≤min{ } Pmax， Pwt+Pst（21）

3.3 相關(guān)性的影響分析

在目標(biāo)函數(shù)中，相關(guān)性主要影響新能源場站群的預(yù)測偏差懲罰。在以集中式共享儲能為橋梁的各新能源場站合作關(guān)系中，各新能源場站作為一個整體向電網(wǎng)售電、提交預(yù)測信息并跟蹤整體預(yù)測出力。在風(fēng)力、光伏空間相關(guān)性較強(qiáng)的情況下，一個區(qū)域的機(jī)組出力呈現(xiàn)出相似的特性，預(yù)測偏差之和也會偏大，共享儲能所能平抑的波動性減小，則可能需要配置更多的儲能資源以降低預(yù)測偏差的懲罰；而風(fēng)光互補(bǔ)特性會使集中式共享儲能能夠更多利用新能源的互補(bǔ)特性，一定程度上減小儲能資源的配置需求。

4 算例仿真

4.1 算例及參數(shù)配置

新能源場站群由一個風(fēng)光聯(lián)合場站、一個風(fēng)電場、一個光伏電站組成，分別編號為1、2、3；其中風(fēng)電場的裝機(jī)容量為140 MW，光伏電站的裝機(jī)容量為320 MWp，風(fēng)光聯(lián)合場站中，風(fēng)電、光伏裝機(jī)分別為108、200 MW［22］。根據(jù)同一區(qū)域數(shù)據(jù)擬合，得到風(fēng)電機(jī)組之間的風(fēng)速空間相關(guān)系數(shù)ρww =0.7，光伏電站之間的光照空間相關(guān)系數(shù)ρss =0.87，風(fēng)光互補(bǔ)的相關(guān)系數(shù)ρws =-0.33；3 個新能源場站每小時出力的預(yù)測誤差方差均設(shè)置為13%。每小時太陽輻照度的Beta 分布參數(shù)由某地若干年實測各小時的太陽輻照度擬合得到，風(fēng)速的Weibull分布參數(shù)參考文獻(xiàn)［16］。各新能源場站可選擇是否合作投建集中式共享儲能。

儲能系統(tǒng)相關(guān)參數(shù)與電價數(shù)據(jù)如表1 所示［16］，其中新能源售電電價采用標(biāo)桿上網(wǎng)電價，記為λ，電網(wǎng)容許預(yù)測誤差為ep =5%［21］，超過預(yù)測誤差部分需按照前述規(guī)則罰款。

4.2 場景生成

首先，將本文提出的相關(guān)性場景生成方法與拉丁超立方采樣結(jié)合Cholesky 分解重排的方式進(jìn)行相關(guān)性場景生成的方法［13］對比，結(jié)果如表2 所示。利用拉丁超立方采樣結(jié)合Cholesky 分解重排的方式進(jìn)行相關(guān)性場景生成，要求生成數(shù)據(jù)的概率分布服從相同的分布，因此無法生成有相關(guān)性的風(fēng)速、光照數(shù)據(jù)；使用該方法單獨生成有相關(guān)性的風(fēng)速數(shù)據(jù)與光照數(shù)據(jù)，與本文方法生成的數(shù)據(jù)進(jìn)行對比，可發(fā)現(xiàn)采用本文方法，相關(guān)系數(shù)與目標(biāo)相關(guān)系數(shù)更加接近。

為分析相關(guān)性對新能源場站群共享儲能優(yōu)化配置的影響，算例設(shè)置兩種場景，對不同合作聯(lián)盟組合下共享儲能配置功率、容量與成本進(jìn)行分析。

場景1：不考慮風(fēng)電和光伏場站的相關(guān)性。即不采用Copula 方法，只利用Weibull 分布和Beta 分布刻畫風(fēng)電和光伏出力。

場景2：采用本文方法考慮風(fēng)電和光伏場站的相關(guān)性。

圖2、圖3 分別為在場景1、場景2 下截取的48 h 中3 個新能源場站實際總出力與短期預(yù)測總出力；3 個新能源場站的風(fēng)光配置不同，分別呈現(xiàn)出不同特點：風(fēng)電場受風(fēng)速隨機(jī)性影響，出力波動性較大；光伏電站夜晚無出力，白天峰值較高；風(fēng)光聯(lián)合場站出力相對平穩(wěn)。

在場景1 和場景2 下分別計算各新能源場站在不同合作聯(lián)盟情況下的出力時均值和相對預(yù)測誤差，結(jié)果如表3 所示。在兩種場景下，出力時均值無顯著差異。出力時均值計算公式為：

式中：PCap——新能源場站的總裝機(jī)容量，MW；ΔPt——t 時段的出力預(yù)測誤差，MW。

從表3 可看出，對于單個場站而言，風(fēng)光聯(lián)合場站、風(fēng)電場規(guī)模相當(dāng)，光伏電站規(guī)模較??；在預(yù)測誤差方面，由于光伏電站夜晚無出力，其平均預(yù)測誤差較??；在兩種場景對比下，單個新能源場站的相對預(yù)測誤差無顯著差異；對于新能源場站聯(lián)合出力的情況下，若三場站完全合作出力，在考慮相關(guān)性情況下，其預(yù)測誤差相較于不考慮相關(guān)性會相對偏大；對于風(fēng)光電站和風(fēng)電場的合作也呈現(xiàn)出相同的趨勢。對于僅風(fēng)電場與光伏電站合作的情況下，考慮相關(guān)性場景下整體預(yù)測誤差有一定降低。

4.3 資源相關(guān)性對共享儲能配置影響分析

本文主要考慮風(fēng)速空間相關(guān)性、光照空間相關(guān)性和風(fēng)光互補(bǔ)特性3 種資源相關(guān)性。在本節(jié)算例中，先分析資源相關(guān)性總體對于共享儲能配置的影響，再進(jìn)一步單獨分析3 種資源相關(guān)性對共享儲能配置的影響強(qiáng)弱。

4.3.1 整體影響分析

在不同的合作聯(lián)盟組合下，對比場景1 與場景2 中優(yōu)化計算出的配置儲能的功率與容量，結(jié)果如圖4 所示。在三者完全合作的情況下，考慮相關(guān)性場景需要配置儲能的功率與容量與不考慮相關(guān)性場景相比，均增加約25%；這說明在不考慮相關(guān)性的情況下，配置模型會顯著低估需要配置的集中式共享儲能的容量；僅風(fēng)光聯(lián)合場站與風(fēng)電場合作的情況下，需要配置儲能的功率增加約7%，容量增加約20%；而僅風(fēng)光聯(lián)合場站與光伏電站合作的情況下，配置儲能的成本也略有增加。這可初步認(rèn)為算例情況下風(fēng)速相關(guān)性對共享儲能配置的影響大于光照空間相關(guān)性的影響；對于風(fēng)光聯(lián)合場站單獨運行、僅風(fēng)電場和光伏電站合作的組合下，考慮相關(guān)性后計算得到需要配置的儲能資源略有減少，即考慮風(fēng)光互補(bǔ)特性會使得優(yōu)化得到的儲能配置略有減少。

4.3.2 各因素影響分析

為進(jìn)一步探究相關(guān)性對儲能配置的影響，進(jìn)一步調(diào)節(jié)相關(guān)系數(shù)，控制其他相關(guān)性強(qiáng)弱相同的情況下，分別研究風(fēng)速空間相關(guān)性、光照空間相關(guān)性以及風(fēng)光互補(bǔ)特性對儲能配置的影響，并探討其影響的強(qiáng)弱程度。本節(jié)在場景2 的基礎(chǔ)上，分別將風(fēng)速空間相關(guān)系數(shù)、光照空間相關(guān)系數(shù)、風(fēng)光互補(bǔ)相關(guān)系數(shù)設(shè)置為0，進(jìn)行算例仿真，結(jié)果如圖5 所示。

在風(fēng)電場、光伏電站、風(fēng)光聯(lián)合場站完全合作的情況下，考慮風(fēng)速相關(guān)性與不考慮相比，配置共享儲能的功率與容量均提升約16%；考慮光照空間相關(guān)性與不考慮相比，配置的功率與容量提升約10%；考慮風(fēng)光互補(bǔ)特性與不考慮相比，優(yōu)化得到的結(jié)果降低約3%，影響較前兩者相比較小。對于其他聯(lián)盟方式，如風(fēng)光聯(lián)合場站與風(fēng)電場聯(lián)盟情況下，考慮風(fēng)速空間相關(guān)性與不考慮相比，配置的儲能資源提升約20%，與前述相同。

結(jié)合以上討論可發(fā)現(xiàn)，風(fēng)力空間相關(guān)性對集中式共享儲能資源配置的影響最大，其次為光照空間相關(guān)性，考慮風(fēng)光互補(bǔ)特性與否對計算得到的儲能資源配置情況影響最小。

4.4 敏感性分析

新能源場站之間的空間距離、所處區(qū)域風(fēng)速與光照情況會影響風(fēng)光相關(guān)性的強(qiáng)弱。一般來說，地域廣度越大，氣象變化越頻繁，相關(guān)性越小。為探究儲能資源配置對風(fēng)速空間相關(guān)系數(shù)、光照空間相關(guān)系數(shù)以及每小時風(fēng)光出力的相關(guān)系數(shù)的敏感性，在保證其他條件為場景2 所述條件情況下，改變單一相關(guān)系數(shù)，計算完全合作情況下需要配置的儲能功率與容量，從而計算出集中式共享儲能配置的成本，擬合得到儲能配置成本與相關(guān)系數(shù)之間的關(guān)系。

優(yōu)化得到的儲能配置成本與風(fēng)速空間相關(guān)性、光照空間相關(guān)性、風(fēng)光互補(bǔ)相關(guān)性強(qiáng)弱之間的關(guān)系如圖6 所示，其中橫坐標(biāo)為相關(guān)系數(shù)的絕對值。共享儲能配置成本與風(fēng)速、光照空間相關(guān)系數(shù)大致呈一次函數(shù)正相關(guān)關(guān)系，相關(guān)性越強(qiáng)，需要配置儲能資源越多；共享儲能配置成本與風(fēng)光互補(bǔ)相關(guān)系數(shù)的絕對值大致呈一次函數(shù)負(fù)相關(guān)關(guān)系，相關(guān)性越強(qiáng)，需要配置儲能資源越少。

對共享儲能配置成本Cinv（單位：億元）與3 個相關(guān)系數(shù)的關(guān)系進(jìn)行線性擬合，可得到以下擬合關(guān)系：

Cinv =0.67ρww +1.76 （24）

Cinv =0.27ρss +2.02 （25）

Cinv =0.47ρws +2.41 （26）

從而得到結(jié)論：在完全合作的情況下，儲能資源的配置成本對風(fēng)速空間相關(guān)性的敏感度最大，對光照空間相關(guān)性的敏感度最小，對風(fēng)光互補(bǔ)特性的敏感度介于二者中間。

5 結(jié) 論

為充分考慮、利用新能源場站之間的資源相關(guān)性，合理配置集中式共享儲能，本文提出考慮相關(guān)性的新能源場站群集中式共享儲能優(yōu)化配置模型，分析風(fēng)電空間相關(guān)性、光伏空間相關(guān)性、風(fēng)光互補(bǔ)特性對共享儲能配置功率與容量的影響，主要得出如下結(jié)論：

1）提出的不確定性場景生成方法能夠考慮風(fēng)光互補(bǔ)特性和空間相關(guān)性的影響，更貼近實際情況；可量化分析相關(guān)性和互補(bǔ)特性的強(qiáng)弱，并分析其對各新能源場站合作情況下預(yù)測誤差的影響。

2）建立共享儲能優(yōu)化配置模型，通過考慮新能源場站預(yù)測誤差懲罰，可分析相關(guān)性對集中式共享儲能配置需求的影響。若不考慮相關(guān)性條件，對儲能資源的配置需求可能會被低估高達(dá)20%。

3）在算例情況下，風(fēng)力空間相關(guān)性對儲能資源配置的影響最大，考慮風(fēng)力空間相關(guān)性后，優(yōu)化得到的儲能資源配置需求與不考慮相比增加16%；光照空間相關(guān)性影響次之，考慮光照空間相關(guān)性后配置儲能資源增加約10%；風(fēng)光互補(bǔ)特性的影響最小。

［參考文獻(xiàn)］

［1］ 孟高軍， 張峰， 徐曉軼， 等. 基于網(wǎng)絡(luò)安全穩(wěn)定約束的新能源消納能力評估方法［J］. 太陽能學(xué)報， 2023， 44（11）： 505-512.

MENG G J， ZHANG F， XU X Y， et al. New energyconsumption capacity assessment method based on networksecurityand stability constraints［J］. Acta energiae solarissinica， 2023， 44（11）： 505-512.

［2］ 田博文， 張志禹. 基于多目標(biāo)合作博弈的儲能平滑風(fēng)功率運行控制策略［J］. 高電壓技術(shù)， 2023， 49（6）： 2546-2557.

TIAN B W， ZHANG Z Y. Control strategy of energystorage smooth wind power operation based on multiobjectivecooperative game［J］. High voltage engineering，2023， 49（6）： 2546-2557.

［3］ DAI R， ESMAEILBEIGI R， CHARKHGARD H. Theutilization of shared energy storage in energy systems： acomprehensive review［J］. IEEE transactions on smartgrid， 2021， 12（4）： 3163-3174.

［4］ 閆東翔， 陳玥. 共享儲能商業(yè)模式和定價機(jī)制研究綜述［J］. 電力系統(tǒng)自動化， 2022， 46（23）： 178-191.

YAN D X， CHEN Y. Review on business model and pricing mechanism for shared energy storage［J］. Automationof electric power systems， 2022， 46（23）： 178-191.

［5］ 馬昱欣， 胡澤春， 刁銳. 新能源場站共享儲能提供調(diào)頻服務(wù)的日前優(yōu)化策略［J］. 電網(wǎng)技術(shù)， 2022， 46（10）：3857-3868.

MA Y X， HU Z C， DIAO R. Day-ahead optimizationstrategy for shared energy storage of renewable energypower stations to provide frequency regulation service［J］.Power system technology， 2022， 46（10）： 3857-3868.

［6］ 孫偲， 陳來軍， 邱欣杰， 等. 基于合作博弈的發(fā)電側(cè)共享儲能規(guī)劃模型［J］. 全球能源互聯(lián)網(wǎng)， 2019， 2（4）：360-366.

SUN C， CHEN L J， QIU X J， et al. A generation-sideshared energy storage planning model based on cooperativegame［J］. Journal of global energy interconnection， 2019，2（4）： 360-366.

［7］ 何錦華， 吳斌， 曹敏健， 等. 面向輔助服務(wù)的新能源場站共享儲能容量優(yōu)化配置［J］. 電力工程技術(shù)， 2022， 41（6）： 50-57.

HE J H， WU B， CAO M J， et al. Capacity optimizationconfiguration of shared energy storage in renewable energystations for ancillary service［J］. Electric powerengineering technology， 2022， 41（6）： 50-57.

［8］ 王再闖， 陳來軍， 李笑竹， 等. 基于合作博弈的產(chǎn)銷者社區(qū)分布式光伏與共享儲能容量優(yōu)化［J］. 電工技術(shù)學(xué)報， 2022， 37（23）： 5922-5932.

WANG Z C， CHEN L J， LI X Z， et al. Capacityoptimization of distributed PV and shared energy storage ofprosumer community based on cooperative game［J］.Transactions of China Electrotechnical Society， 2022， 37（23）： 5922-5932.

［9］ MA M T， HUANG H J， SONG X L， et al. Optimal sizingand operations of shared energy storage systems indistribution networks： a bi-level programming approach［J］. Applied energy， 2022， 307： 118170.

［10］ 杜錫力， 李笑竹， 陳來軍， 等. 面向多場景調(diào)節(jié)需求的集中式共享儲能魯棒優(yōu)化配置［J］. 電工技術(shù)學(xué)報，2022， 37（23）： 5911-5921.

DU X L， LI X Z， CHEN L J， et al. Robust and optimizedconfiguration of centralized shared energy storage for multiscenarioregulation demand［J］. Transactions of ChinaElectrotechnical Society， 2022， 37（23）： 5911-5921.

［11］ 簡川黔， 劉繼春， 蒲天驕， 等. 共建共享模式下考慮需求響應(yīng)的多售電主體風(fēng)光儲容量優(yōu)化方法［J］. 電力自動化設(shè)備， 2021， 41（9）： 206-214.

JIAN C Q， LIU J C， PU T J， et al. Wind-photovoltaicstoragecapacity optimization method for multipleelectricity sell entities considering demand response underco-construction and sharing mode［J］. Electric powerautomation equipment， 2021， 41（9）： 206-214.

［12］ 張曉英， 張藝， 王琨， 等. 基于改進(jìn)NSGA-Ⅱ算法的含分布式電源配電網(wǎng)無功優(yōu)化［J］. 電力系統(tǒng)保護(hù)與控制，2020， 48（1）： 55-64.

ZHANG X Y， ZHANG Y， WANG K， et al. Reactivepower optimization of distribution network with distributedgenerations based on improved NSGA-Ⅱ algorithm［J］.Power system protection and control， 2020， 48（1）： 55-64.

［13］ 王玲玲， 王昕， 鄭益慧， 等. 計及多個風(fēng)電機(jī)組出力相關(guān)性的配電網(wǎng)無功優(yōu)化［J］. 電網(wǎng)技術(shù)， 2017， 41（11）：3463-3469.

WANG L L， WANG X， ZHENG Y H， et al. Reactivepower optimization of distribution network consideringoutput correlation of multiple wind turbines［J］. Powersystem technology， 2017， 41（11）： 3463-3469.

［14］ 孫媛媛， 程凱強(qiáng)， 許慶燊， 等. 考慮光伏出力相關(guān)性的主動配電網(wǎng)薄弱環(huán)節(jié)識別［J］. 電力系統(tǒng)自動化， 2022，46（15）： 96-103.

SUN Y Y， CHENG K Q， XU Q S， et al. Identification ofweak link for active distribution network consideringcorrelation of photovoltaic output［J］. Automation of electricpower systems， 2022， 46（15）： 96-103.

［15］ WANG Q， ZHANG X G， YI C Z， et al. A novel sharedenergy storage planning method considering the correlationof renewable uncertainties on the supply side［J］. IEEEtransactions on sustainable energy， 2022， 13（4）： 2051-2063.

［16］ 李軍， 胡非， 王丙蘭， 等. 風(fēng)速的Weibull分布參數(shù)［J］.太陽能學(xué)報， 2012， 33（10）： 1667-1671.

LI J， HU F， WANG B L， et al. Weibull parameters forwind speed［J］. Acta energiae solaris sinica， 2012， 33（10）： 1667-1671.

［17］ 侯亞麗， 栗廣浩， 楊宇昕， 等. 基于現(xiàn)場測量的建筑環(huán)境風(fēng)場特征分析及風(fēng)力機(jī)出力評估［J］. 太陽能學(xué)報，2023， 44（11）： 318-324.

HOU Y L， LI G H， YANG Y X， et al. Wind energypotential and micro-wind turbine performance analysisbased on site measure ments in urban environment［J］.Acta energiae solaris sinica， 2023， 44（11）： 318-324.

［18］ 魏勇， 李浩然， 范雪峰， 等. 計及日照強(qiáng)度時間周期特征的光伏并網(wǎng)系統(tǒng)風(fēng)險評估方法［J］. 電網(wǎng)技術(shù)， 2018，42（8）： 2562-2569.

WEI Y， LI H R， FAN X F， et al. Risk assessment methodof PV integrated power system considering time periodiccharacteristics of solar irradiance［J］. Power systemtechnology， 2018， 42（8）： 2562-2569.

［19］ 謝敏， 熊靖， 劉明波， 等. 基于Copula的多風(fēng)電場出力相關(guān)性建模及其在電網(wǎng)經(jīng)濟(jì)調(diào)度中的應(yīng)用［J］. 電網(wǎng)技術(shù)， 2016， 40（4）： 1100-1106.

XIE M， XIONG J， LIU M B， et al. Modeling of multi wind farm output correlation based on Copula and its applicationin power system economic dispatch［J］. Power systemtechnology， 2016， 40（4）： 1100-1106.

［20］ 韓子嬌， 李正文， 張文達(dá)， 等. 計及光伏出力不確定性的氫能綜合能源系統(tǒng)經(jīng)濟(jì)運行策略［J］. 電力自動化設(shè)備， 2021， 41（10）： 99-106.

HAN Z J， LI Z W， ZHANG W D， et al. Economicoperation strategy of hydrogen integrated energy systemconsidering uncertainty of photovoltaic output power［J］.Electric power automation equipment， 2021， 41（10）： 99-106.

［21］ 江岳文， 鄭晨昕. 風(fēng)電場群聯(lián)合共享儲能兩階段協(xié)同并網(wǎng)優(yōu)化［J］. 電網(wǎng)技術(shù)， 2022， 46（9）： 3426-3439.

JIANG Y W， ZHENG C X. Two-stage operationoptimization for grid-connected wind farm cluster withshared energy storage［J］. Power system technology，2022， 46（9）： 3426-3439.

［22］ 陸秋瑜， 羅澍忻， 胡偉， 等. 集群風(fēng)儲聯(lián)合系統(tǒng)廣域協(xié)調(diào)控制及利益分配策略［J］. 電力系統(tǒng)自動化， 2019， 43（20）： 183-191.

LU Q Y， LUO S X， HU W， et al. Wide-area coordinatedcontrol and benefit assignment strategy of clustering windenergystorage integrated system［J］. Automation of electricpower systems， 2019， 43（20）： 183-191.

［23］ 國家能源局南方監(jiān)管局. 南方區(qū)域風(fēng)電并網(wǎng)運行及輔助服務(wù)管理實施細(xì)則［EB/OL］.（2022-06-13）［2024-05-17］. https：//nfj. nea. gov. cn/hdhy/zlxz/202402/t20240208_244591.html

Southern Regulatory Bureau of the National EnergyAdministration. Implementation rules for grid-connectedoperation and auxiliary service management of wind powerin the southern region［EB/OL］.（2022-06-13）［2024-05-17］. https：//nfj. nea. gov. cn/hdhy/zlxz/202402/t20240208_244591.html

基金項目：國家自然科學(xué)基金聯(lián)合基金項目（U22A20224）；國家自然科學(xué)基金面上項目（52077109）