摘" 要： 針對新能源消納困難的問題，提出一種風(fēng)光儲聯(lián)合就近供電模式，并建立了多時間尺度的多目標(biāo)優(yōu)化調(diào)度模型。文中關(guān)注不同時間尺度下的調(diào)度問題，包括日前、超短期和實時。在日前調(diào)度計劃中，以風(fēng)光發(fā)電和本地負(fù)荷需求日前預(yù)測數(shù)據(jù)為基礎(chǔ)，考慮風(fēng)光儲發(fā)電系統(tǒng)運行成本問題和負(fù)荷供電可靠性問題，建立了雙目標(biāo)優(yōu)化模型，并使用基于PSO改進(jìn)的黃金搜索優(yōu)化算法（GSO）進(jìn)行求解。在日內(nèi)超短期計劃中，結(jié)合日內(nèi)功率預(yù)測更新數(shù)據(jù)和雙儲能實際利用情況對儲能系統(tǒng)與電網(wǎng)并/離網(wǎng)情況進(jìn)行調(diào)整。在實時調(diào)度中，基于本地供需設(shè)備監(jiān)測情況和雙儲能荷電狀態(tài)持續(xù)可用性，以電網(wǎng)峰谷電價為依據(jù)，建立了雙電池儲能實時調(diào)度模型，以實現(xiàn)源/網(wǎng)/荷/儲能量的綜合管理。最后，利用Matlab搭建了仿真模型，驗證了所提出的多時間尺度雙儲能風(fēng)光發(fā)電功率調(diào)度方法的經(jīng)濟(jì)性和實用性。

關(guān)鍵詞： 多時間尺度； 能量管理； 雙儲能； 荷電狀態(tài)； 功率分配； 風(fēng)光儲聯(lián)合就近供電模式

中圖分類號： TN911.1?34" " " " " " " " " " " " " "文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2024）19?0109?06

Wind?solar?storage joint nearby power supply multi?timescale optimization scheduling

TAN Likun， ZHU Jianhong， DENG Junyi

（College of Electrical and Automation， Nantong University， Nantong 226019， China）

Abstract： A wind?solar?storage joint nearby power supply mode is proposed and a multi?timescale multi?objective optimization scheduling model is established to cope with the difficulties in the new energy consumption. This paper focuses on scheduling issues at different time scales， including day?ahead scheduling， ultra?short?term scheduling and real?time scheduling. In the day?ahead scheduling plan， a dual?objective optimization model is established based on the day?ahead forecast data of wind?solar power generation and local load demand， considering the operation cost of wind?solar?storage power generation system and the reliability of load power supply. The model is solved by the PSO?based improved golden search optimization （GSO） algorithm. In the intra?day ultra?short?term plan， the energy storage system and the grid connection/disconnection status are adjusted based on the updated intra?day power forecast data and the actual utilization of dual energy storage. In the real?time scheduling， on the basis of the local supply and demand equipment monitoring and the continuous availability of dual energy storage SOC （state of charge）， a real?time scheduling model of dual?battery energy storage is established according to the grid peak?valley price， so as to achieve comprehensive management of source， grid， load and storage energy. A simulation model is built with Matlab to verify the economy and practicality of the proposed multi?timescale dual energy storage wind?solar power generation scheduling method.

Keywords： multi?timescale; energy management; dual energy storage; SOC; power distribution; wind?solar?storage joint nearby power supply mode

0" 引" 言

隨著可再生能源的商業(yè)價值不斷開發(fā)與國內(nèi)新能源發(fā)電技術(shù)的不斷進(jìn)步，風(fēng)力發(fā)電與光伏發(fā)電因為發(fā)展較早且技術(shù)較為成熟逐漸成為未來一段時間新能源發(fā)電應(yīng)用的重要方向[1?2]?？紤]到風(fēng)能、光能資源的分布特性，采用新能源就近供電的方法即分布式發(fā)電系統(tǒng)結(jié)合本地負(fù)荷組成的發(fā)電系統(tǒng)成為未來的一個重要發(fā)展趨勢[3]。

風(fēng)、光等可再生能源因其固有的波動性與隨機(jī)性等特征導(dǎo)致風(fēng)電、光伏不像傳統(tǒng)的火電穩(wěn)定可控，需要額外添加其他設(shè)備以維持其發(fā)電的穩(wěn)定性。文獻(xiàn)[4]就提出一種聯(lián)合電化學(xué)儲能的風(fēng)電儲能聯(lián)合經(jīng)濟(jì)調(diào)度控制策略，利用儲能系統(tǒng)追蹤風(fēng)電功率預(yù)測曲線以確定功率計劃上報的準(zhǔn)確性，提升風(fēng)能的利用率與供電的穩(wěn)定性；文獻(xiàn)[5]則提出了一種分布式儲能與光伏發(fā)電系統(tǒng)聯(lián)合調(diào)度控制策略，利用電池儲能解決光伏發(fā)電并入電網(wǎng)后發(fā)電網(wǎng)絡(luò)有源損耗成本與電壓偏差成本過大等問題?？梢园l(fā)現(xiàn)在可再生能源發(fā)電系統(tǒng)中加入一個穩(wěn)定可控的發(fā)電源可以有效地穩(wěn)定風(fēng)、光等可再生能源發(fā)電功率的波動范圍，增強(qiáng)了新能源發(fā)電的實用性與經(jīng)濟(jì)性。文獻(xiàn)[6?7]則在分析與總結(jié)風(fēng)、光兩種不同的可再生發(fā)電資源的分布特點后，發(fā)現(xiàn)了風(fēng)電與光電之間的發(fā)電功率可以實現(xiàn)互補(bǔ)，進(jìn)一步提升了新能源的利用率。

優(yōu)化調(diào)度從時間上主要分為單時間尺度與多時間尺度[8]。由于可再生能源發(fā)電的預(yù)測特性，隨著預(yù)測時間的接近，其預(yù)測精度也隨之上升，如日前24 h尺度的可再生能源發(fā)電的預(yù)測誤差在25%～40%之間，而超短期4 h預(yù)測誤差則會降低到10%～25%之間，如果進(jìn)一步精進(jìn)預(yù)測時間其誤差值還可以進(jìn)一步減小[9?11]。對此，文獻(xiàn)[11]基于多時間尺度的優(yōu)化調(diào)度控制策略，將日前優(yōu)化調(diào)度分為了24個時間段進(jìn)行。通過更合理的規(guī)劃儲能的充放電功率以達(dá)到減小發(fā)電系統(tǒng)運行成本的目的。文獻(xiàn)[12]則考慮市場電價波動以及風(fēng)光發(fā)電的不確定性，建立風(fēng)光儲日前、日內(nèi)多時間尺度經(jīng)濟(jì)收益模型，使風(fēng)光儲電站最大化收益的同時風(fēng)險最小。文獻(xiàn)[13]針對多儲能系統(tǒng)提出了一種多儲能協(xié)同控制算法，動態(tài)地調(diào)節(jié)了各儲能的充放電功率，保障了發(fā)電在正常運行中儲能荷電狀態(tài)維持在合理的范圍內(nèi)，儲能處于可充可放狀態(tài)，提高了發(fā)電并網(wǎng)運行的靈活性和孤島運行的穩(wěn)定性。

由此，本文在考慮風(fēng)光互補(bǔ)發(fā)電方式與雙儲能功率分配的基礎(chǔ)上，建立“日前?超短期?實時”多時間尺度功率調(diào)度策略，最終實現(xiàn)源/荷/儲三端之間的動態(tài)平衡。分析比較了最終的優(yōu)化結(jié)果，驗證了多時間尺度的功率調(diào)度策略的有效性。

1" 風(fēng)光儲發(fā)電系統(tǒng)

1.1" 雙儲能風(fēng)光儲發(fā)電系統(tǒng)結(jié)構(gòu)

風(fēng)光儲發(fā)電系統(tǒng)結(jié)構(gòu)如圖1所示。其中包括：風(fēng)力發(fā)電機(jī)（Wind Turbine， WT）、光伏發(fā)電陣列（Photovoltaic Generator， PG）、雙儲能系統(tǒng)（Dual Energy Storage System， DESS）、本地負(fù)荷以及一系列驅(qū)動電路和控制器。電網(wǎng)通過公共節(jié)點（Point of Common Coupling， PCC）與系統(tǒng)相連。

1.2" 雙儲能聯(lián)合調(diào)度策略

系統(tǒng)設(shè)置雙儲能的首要目標(biāo)是實現(xiàn)新能源發(fā)電就近供電的可靠性，減少并網(wǎng)供電的頻次；其次是并網(wǎng)發(fā)電經(jīng)濟(jì)套利，為了提高儲能容量的利用率，在儲能容量存在盈余時，電網(wǎng)負(fù)荷高峰盡量提高并網(wǎng)發(fā)電計劃。因此，多時間尺度的風(fēng)光發(fā)電計劃及在線儲能調(diào)度方法如圖2所示。其中，日前計劃中，考慮儲能工作可靠性很大程度取決于初始荷電狀態(tài)，由于補(bǔ)償供需偏差過程的極性與幅值隨機(jī)波動，所以在日前，在確保過充過放約束范圍內(nèi)，基于發(fā)電計劃與負(fù)荷預(yù)測對儲能日前功率計劃進(jìn)行初步設(shè)計，以給后面在線調(diào)度的儲能能量管理提供參考數(shù)據(jù)。

在4 h超短期計劃中，考慮儲能容量利用的經(jīng)濟(jì)套利，基于儲能實際運行情況，設(shè)計了儲能調(diào)度策略，參考前時段容量變化趨勢，以及后時段儲能荷電狀態(tài)預(yù)測數(shù)據(jù)，對于風(fēng)光儲盈余量較大且電網(wǎng)用電負(fù)荷上升情況，調(diào)整風(fēng)光發(fā)電計劃，觸發(fā)并網(wǎng)發(fā)電。在實時調(diào)度中，設(shè)計5 min功率計劃，考慮實時供電可靠性，提高區(qū)域新能源消納水平，結(jié)合并網(wǎng)點電流與儲能荷電狀態(tài)監(jiān)測情況，給出雙儲能切換的條件，優(yōu)化雙儲能調(diào)度能力。

2" 多時間尺度功率調(diào)度模型構(gòu)建

2.1" 日前計劃優(yōu)化模型

日前調(diào)度計劃以1 h為時間間隔，綜合考慮各分布式發(fā)電資源與負(fù)荷消耗情況，以24 h為規(guī)劃周期，以風(fēng)光儲發(fā)電系統(tǒng)供需平衡成本最低、風(fēng)光儲負(fù)荷缺電率最低為目標(biāo)進(jìn)行優(yōu)化調(diào)度。

2.1.1" 日前計劃目標(biāo)函數(shù)

目標(biāo)函數(shù)1：風(fēng)光儲發(fā)電系統(tǒng)供需平衡成本。

[F1=minn=1NFbess+Fgrid] （1）

具體公式如下。

1） 儲能系統(tǒng)供需平衡成本[Fbess]

[Fbess=Kbuildn-1nUnchPch，n+UndhPdh，ndnEBAEb+KbUnchPch，n+UndhPdh，n] （2）

式中：[Kb]、[Kbuild]分別為儲能單位功率運行成本與單位儲能容量建設(shè)成本；[Pch，n]、[Pdh，n]為儲能計劃充電功率與儲能計劃放電功率；[EBA]為儲能系統(tǒng)使用周期內(nèi)能量的總吞吐量；[Eb]為儲能系統(tǒng)容量；[Unch]、[Undh]分別為儲能系統(tǒng)充電、放電狀態(tài)。

2） 電網(wǎng)購售電成本[Fgrid]

[Fgrid=UnbuyCg_buynPbuy，n-UnsellCg_sellnPsell，n] （3）

式中：[Cg_selln]與[Cg_buyn]分別為電網(wǎng)售電、購電價格；[Pbuy，n]與[Psell，n]為并網(wǎng)計劃購電功率、計劃售電功率；[Unbuy]、[Unsell]分別為電網(wǎng)購電、售電狀態(tài)。

目標(biāo)函數(shù)2：風(fēng)光儲負(fù)荷缺電率最低。

[F2=minn=1NPload，n-Pg，nPload，n] （4）

[Pg，n=Pw，n+Ppv，n+Pdh，n-Pch，n] （5）

式中：[Pw，n]、[Ppv，n]、[Pload，n]分別為風(fēng)力發(fā)電功率、光伏發(fā)電功率與本地負(fù)荷需求功率；[Pg，n]為發(fā)電系統(tǒng)發(fā)電功率。

2.1.2" 日前計劃約束條件

1） 功率平衡約束

[Pload，n=Pg，n+Pbuy，n-Psell，n] （6）

2） 儲能充放電功率約束

[0≤Pch，n≤Pch_max0≤Pdh，n≤Pdh_max] （7）

[0≤Unch≤10≤Undh≤1Unch+Undh=1] （8）

式中：[Pch_max]、[Pdh_max]為儲能系統(tǒng)單位時間充/放電功率最大值。

3） 儲能荷電狀態(tài)約束

[SOCn=SOCn-1+n-1nPch，nηch-Pdh，nηdhdnEb] （9）

[SOCmin≤SOCn≤SOCmax] （10）

[SOCmin≤SOC0≤SOCmax] （11）

式中：[SOCn]、[SOCn-1]分別為儲能荷電狀態(tài)與上一階段荷電狀態(tài)；[ηch]、[ηdh]分別為儲能電池的充電效率、放電效率；[SOCmin]、[SOCmax]分別為儲能系統(tǒng)荷電狀態(tài)最小值、最大值，本文取值為0.1與0.9；[SOC0]為儲能荷電狀態(tài)的初始值。

4） 電網(wǎng)購售電時間段約束

[Unbuy=0，" " " n∈電價峰值時段0，1，" " " other] （12）

[0≤Unsell≤1] （13）

[Unbuy+Unsell=1] （14）

在本文中設(shè)定的電網(wǎng)購電峰值時段為10：00—15：00與18：00—21：00。

2.2" 日內(nèi)超短期計劃優(yōu)化模型

日內(nèi)超短期計劃是日前計劃的延續(xù)，在最大化風(fēng)光儲供電率的基礎(chǔ)上降低系統(tǒng)供需平衡成本，其目標(biāo)函數(shù)為：

[" " " " " " " " "Fr1=minn=ii+3m=1M（Fbess_r+ΔFbess_r+Fgrid_r），" " " " " " " " " " " " " " "i=1，5，9，13，17，21] （15）

[Fr2=minn=ii+3m=1MPnload，m-Png，mPnload，m，" i=1，5，9，13，17，21] （16）

[Fbess_r=KbuildUnchr，mPnchr，m+Undhr，mPndhr，mΔmEBAEb+KbUnchr，mPnchr，m+Undhr，mPndhr，m] （17）

[ΔFbess_r=0，" " "Unch，mUnchr，m=1 or Undh，mUndhr，m=1λPnb，m-Pnbr，m，" " "other] （18）

[Fgrid_r=Cg_buynmUnbuyr，mPnbuyr，m-Cg_sellnmUnsellr，mPnsellr，m] （19）

式中：[Fbess_r]、[ΔFbess_r]、[Fgrid_r]分別為儲能系統(tǒng)日內(nèi)運行成本、儲能系統(tǒng)充放電懲罰、配電網(wǎng)日內(nèi)功率交換成本；[Δm]為超短期計劃時間間隔；[λ]充放電懲罰系數(shù)[14]，本文取值為0.75。約束條件與日前計劃一致。

2.3" 實時功率調(diào)度模型

為實現(xiàn)對負(fù)荷電力需求與風(fēng)光儲發(fā)電系統(tǒng)供應(yīng)的檢測與調(diào)整，根據(jù)式（20）得到儲能日內(nèi)計劃功率[ΔPn1，t]與負(fù)荷需求功率[ΔPn2，t]。

[ΔPn1，t=Pndh，t-Pnch，tΔPn2，t=Pnload，t-Pnw，t-Pnpv，t-ΔPnbuy，t+Pnsell，t] （20）

式中：[Pnw，t]、[Pnpv，t]、[Pnload，t]為日內(nèi)第[n]小時內(nèi)[t]時刻的風(fēng)力發(fā)電實際功率、光伏發(fā)電實際功率與負(fù)荷需求實際功率?？紤]系統(tǒng)供需關(guān)系與功率極性，在實時調(diào)度中以儲能放電為正、充電為負(fù)。

公式（21）綜合[ΔPn1，t]與[ΔPn2，t]計算出了實時儲能調(diào)度偏差功率[Δerrornt]。

[Δerrornt=ΔPn2，t-ΔPn1，t] （21）

當(dāng)[ΔPn1，t]、[ΔPn2，t]、[Δerrornt]正負(fù)一致時，此時日前計劃制定功率不足，儲能系統(tǒng)B將作為儲能系統(tǒng)A工作的補(bǔ)充，此時儲能系統(tǒng)A追蹤日前功率計劃[ΔPn1，m]，儲能系統(tǒng)B消納功率偏差[Δerrornt]；當(dāng)[ΔPn1，t]與[ΔPn2，t]正負(fù)一致且與[Δerrornt]正負(fù)相反時，此時日前計劃制定功率盈余，為減少儲能功率多余損耗，此時儲能系統(tǒng)A消納日內(nèi)供需偏差[ΔPn2，m]，儲能系統(tǒng)B備用；當(dāng)[ΔPn1，m]與[ΔPn2，m]正負(fù)不一致且與[Δerrornt]正負(fù)相反時，此時日前計劃已經(jīng)不再適用，儲能系統(tǒng)B消納日內(nèi)供需偏差[ΔPn2，m]，儲能系統(tǒng)A備用。理想情況下雙儲能工作狀態(tài)如表1所示。

根據(jù)每5 min更新的功率預(yù)測數(shù)據(jù)，對雙儲能功率與電網(wǎng)功率進(jìn)行微調(diào)，使得雙儲能系統(tǒng)整體運行成本最低，其目標(biāo)函數(shù)為：

[Fs=minn=1Nt=1T（Fnba_t+Fnbb_t+Fng_t）] （22）

[Fba_t=KbuildPnA，t+ΔPnAr，tΔtEBAEb+KbPnA，t+ΔPnAr，t] （23）

[Fbb_t=KbuildPnB，t+ΔPnBr，tΔtEBAEb+KbPnB，t+ΔPnBr，t] （24）

[Fg_t=（Cg_buynt+Knt）Pnbuy，t-Cg_sellntPnsell，t] （25）

式中：[Fnba_t]、[Fnbb_t]、[Fng_t]分別為第[n]個小時內(nèi)第[t]個5 min的儲能系統(tǒng)A運行成本、儲能系統(tǒng)B運行成本、電網(wǎng)購售電成本；[ΔPnAr，t]、[ΔPnBr，t]為儲能系統(tǒng)A實時調(diào)整功率、儲能系統(tǒng)B實時調(diào)整功率；[Δt]為實時調(diào)度時間間隔；[Knt]為高峰購電懲罰系數(shù)。

實時功率[Png_t]與電網(wǎng)功率應(yīng)該等于負(fù)荷需求功率[Pload，t]。

[Pnw，t+Pnpv，t+PnA，t+ΔPnAr，t+PnB，t+ΔPnBr，t=Png_t] （26）

[Png，t+Pnbuy，m-Pnsell，m=Pnload，t] （27）

[Knt]為電網(wǎng)高峰購電懲罰系數(shù)，滿足公式（28）：

[Knt=2×Cg_buynt，" " " t∈購電電價高峰時段0，" " "other] （28）

其余約束條件與日內(nèi)計劃一致。

3" 案例分析

3.1" 黃金搜索多目標(biāo)優(yōu)化算法

為提高多目標(biāo)粒子群優(yōu)化（Multiple Objective Particle Swarm Optimization， MOPSO）算法在全局最優(yōu)解附近的優(yōu)化精度并加快優(yōu)化過程，基于傳統(tǒng)的多目標(biāo)粒子群優(yōu)化算法權(quán)重系數(shù)改進(jìn)后提出了黃金搜索多目標(biāo)優(yōu)化算法[15]。

1） 用指數(shù)運算指標(biāo)[Titer]代替固定權(quán)重系數(shù)，使得在迭代后期尋優(yōu)粒子迅速收斂，提升優(yōu)化算法運行速度。[Titer]如公式（29）所示：

[Titer=100?exp-20?itermaxiter，" " " " " " "iter=1，2，…，maxiter] （29）

式中：[iter]、[maxiter]分別為尋優(yōu)粒子當(dāng)前迭代次數(shù)與最大迭代次數(shù)。

2） 為降低MOPSO陷入局部最優(yōu)解的可能性，加入式（30）所示的隨機(jī)變異環(huán)節(jié)。

[Xit+1=Xit+1，" " rand≤μr3Xmax-Xmin+Xmin，" " randgt;μ] （30）

式中：[Xmin]、[Xmax]分別為粒子位置下限、上限值；[r3]為區(qū)間（0，1）的隨機(jī)數(shù)；[μ]為變異置信度，本文取值為0.5。

3） 考慮到求解目標(biāo)并不單一，需要根據(jù)計算得到的不同目標(biāo)函數(shù)值，找出全局非支配個體并確定每一個解向量間的支配關(guān)系，選擇不受其他個體支配的個體將其歸納至檔案庫中，并根據(jù)不同解之間的擁擠距離CD精簡篩選檔案庫中的解。擁擠距離越大說明周圍解的分布越廣闊，保證了種群中有一定數(shù)量的解，有利于維持種群的多樣性。

[CDij=fjXi+1-fjXi-1fjXmax-fjXmin，" i=2，3，…，maxiter-1] （31）

式中：[CDij]為第[j]個目標(biāo)函數(shù)第[i]個個體的擁擠度；[fj]為第[j]個目標(biāo)函數(shù)。

4） 通過輪盤賭策略篩選出最終的全局最優(yōu)粒子，在得到個體最優(yōu)粒子與群體最優(yōu)粒子之后，進(jìn)入下一個循環(huán)迭代，直到達(dá)到最大迭代次數(shù)為止。

3.2" 調(diào)度結(jié)果

為驗證所提出的多時間尺度調(diào)度能保證系統(tǒng)在穩(wěn)定運行的同時提高系統(tǒng)的經(jīng)濟(jì)效益并減少發(fā)電與電網(wǎng)之間的功率交換。在Matlab仿真平臺中搭建了仿真模型。其中風(fēng)光儲發(fā)電系統(tǒng)運行參數(shù)、電網(wǎng)分時段購/售電價格如表2、表3所示[16]。

根據(jù)本文所提出的優(yōu)化調(diào)度策略，基于某風(fēng)電場、光伏電站歷史發(fā)電數(shù)據(jù)對日前24 h風(fēng)力發(fā)電、光伏發(fā)電進(jìn)行預(yù)測，以黃金搜索多目標(biāo)優(yōu)化算法對日前計劃目標(biāo)函數(shù)進(jìn)行求解，得到的風(fēng)光儲發(fā)電系統(tǒng)日前計劃曲線如圖3所示。

由圖3可以看出，風(fēng)力發(fā)電在全天的分布更加平均，而光伏發(fā)電主要集中于10：00—15：00，風(fēng)光的聯(lián)合使用可以有效實現(xiàn)雙方發(fā)電量的互補(bǔ)。同時本地負(fù)荷的高峰主要集中在每天的中午與下午，此時也是電網(wǎng)電價的高峰時段，需要儲能的補(bǔ)充以保障系統(tǒng)的供需平衡減小電網(wǎng)的調(diào)度壓力。最后可以看出在電網(wǎng)電價低谷時段與負(fù)荷低谷時段，此時儲能系統(tǒng)可以更多地進(jìn)行充電補(bǔ)充高峰時的發(fā)電消耗以保障儲能系統(tǒng)的長時間運行。這表明了引入儲能系統(tǒng)的日前計劃可以有效地應(yīng)對電網(wǎng)電價與本地負(fù)荷的峰谷差，緩解了電網(wǎng)的調(diào)峰壓力。

為驗證所提出的基于雙儲能系統(tǒng)的多時間尺度調(diào)度方法的有效性，設(shè)計了兩種不同的調(diào)度案例進(jìn)行對此與分析，具體如下。

案例1：發(fā)電系統(tǒng)按照日前功率計劃運行，針對日前日內(nèi)功率預(yù)測的偏差，雙儲能采用預(yù)測偏差分配策略，并施加儲能過充過放保護(hù)，其結(jié)果如圖4所示。

案例2：發(fā)電系統(tǒng)采用日前?日內(nèi)?實時多級調(diào)度方法，根據(jù)更新后的風(fēng)電、光伏發(fā)電功率與負(fù)荷需求功率及雙儲能荷電狀態(tài)進(jìn)行日內(nèi)工況劃分并修正雙儲能日內(nèi)功率吞吐量，其結(jié)果如圖5所示。

針對不同能量管理方案的仿真結(jié)果如表4所示。

圖4是基于日前日內(nèi)功率偏差分配的雙儲能能量調(diào)度，由于雙儲能系統(tǒng)的存在使得風(fēng)光儲發(fā)電系統(tǒng)功率消納能力得到顯著提升。從仿真結(jié)果可以看出雙儲能功率分配控制策略保障。最終仿真結(jié)果表現(xiàn)出相較于日前計劃提升了新能源的利用率，減少了發(fā)電整體運行成本等優(yōu)勢。但也表現(xiàn)出儲能系統(tǒng)A無法釋放功率，儲能系統(tǒng)B功率波動較大且缺乏補(bǔ)充等問題，對發(fā)電系統(tǒng)的長時間運行有一定的影響。

圖5是基于日前日內(nèi)功率偏差建立的風(fēng)光儲發(fā)電日內(nèi)計劃目標(biāo)函數(shù)優(yōu)化后并通過實時調(diào)度方法進(jìn)行進(jìn)一步優(yōu)化的結(jié)果。由于調(diào)度時間精度從1 h細(xì)分到了15 min，再從15 min提升到5 min，最終結(jié)果可以看出在降低風(fēng)光儲發(fā)電系統(tǒng)總運行成本的同時提升了新能源利用率，并降低了雙儲能吞吐功率上限，減小了雙儲能的容量需求，降低了雙儲能的整體調(diào)用成本。使得雙儲能功率吞吐更加均衡，有利于發(fā)電系統(tǒng)的長期穩(wěn)定運行。

4" 結(jié)" 語

通過在風(fēng)光儲發(fā)電系統(tǒng)中添加另一套相同的儲能系統(tǒng)，建立了一種雙儲能風(fēng)光儲日前?日內(nèi)?實時多級功率調(diào)度方法對儲能的充放電行為與并網(wǎng)開關(guān)的閉合時段進(jìn)行控制。仿真算例表明在日前階段，提出的黃金搜索多目標(biāo)優(yōu)化的日前調(diào)度方法能有效降低系統(tǒng)運行成本，提升負(fù)荷供電情況。在日內(nèi)計劃階段針對分布式發(fā)電系統(tǒng)中不可預(yù)見因素的影響，提出了一種滾動更新的日內(nèi)計劃方法與雙重儲能功率規(guī)劃方法，能夠?qū)崿F(xiàn)對雙儲能功率進(jìn)行修正并對風(fēng)光儲發(fā)電系統(tǒng)日前計劃進(jìn)行完善。在實時調(diào)度階段，考慮雙儲能之間的功率調(diào)度，利用雙儲能之間與雙儲能與電網(wǎng)對各自的充放電功率進(jìn)行修正，最終保障雙儲能系統(tǒng)的穩(wěn)定運行。針對算例在Matlab中搭建了仿真模型，驗證了調(diào)度策略的可行性。

注：本文通訊作者為朱建紅。

參考文獻(xiàn)

[1] 何永秀，呂媛，車怡然.基于地區(qū)用戶成本的分布式風(fēng)力發(fā)電長期規(guī)模預(yù)測[J].山東電力技術(shù)，2021，48（12）：21?28.

[2] 劉琳，馬超，黃書馨，等.分布式光伏發(fā)電發(fā)展政策法律保障研究[J].中阿科技論壇（中英文），2023（9）：153?157.

[3] SAEED M H， WANG F Z， KALWAR B A， et al. A review on microgrids′ challenges amp; perspectives [J]. IEEE access， 2021， 9： 166502?166517.

[4] 徐偉航，楊茂，孫莉.利用電化學(xué)儲能追蹤風(fēng)電預(yù)測曲線的風(fēng)儲聯(lián)合調(diào)度經(jīng)濟(jì)性分析[J].南方電網(wǎng)技術(shù)，2023，17（11）：87?96.

[5] LI X J， WANG L J， YAN N， et al. Cooperative dispatch of distributed energy storage in distribution network with PV generation systems [J]. IEEE transactions on applied superconductivity， 2021， 31（8）： 1?4.

[6] 徐陽旭，彭學(xué)林，張夢.考慮柔性負(fù)荷的風(fēng)光儲微電網(wǎng)多時間尺度優(yōu)化調(diào)度[J].電工材料，2023（4）：67?70.

[7] KUMAR P S， CHANDRASENA R P S， RAMU V， et al. Energy management system for small scale hybrid wind solar battery based microgrid [J]. IEEE access， 2020， 8： 8336?8345.

[8] 祝榮，陳俊清，宋偉，等.風(fēng)光儲一體化綜合能源系統(tǒng)柔性調(diào)度策略[J].太陽能，2022（5）：67?76.

[9] 楊曉萍，劉浩杰，黃強(qiáng).考慮分時電價的風(fēng)光儲聯(lián)合“削峰”優(yōu)化調(diào)度模型[J].太陽能學(xué)報，2018，39（6）：1752?1760.

[10] 劉曉艷.風(fēng)光儲微網(wǎng)系統(tǒng)多時間尺度模型預(yù)測調(diào)度策略[J].電子器件，2020，43（6）：1294?1298.

[11] 趙詣，方陳，馮冬涵，等.考慮電池儲能壽命損耗的風(fēng)光儲微網(wǎng)隨機(jī)日前調(diào)度策略[J].電氣工程學(xué)報，2022，17（3）：210?218.

[12] 王凱，延肖何，劉念.基于投資組合理論的風(fēng)光儲場站參與多時間尺度電力現(xiàn)貨市場的出力分配優(yōu)化方法[J].工程科學(xué)與技術(shù)，2023，55（1）：101?109.

[13] 郭佩乾，郝峰杰，袁志昌，等.混合多類型儲能的分布式能源系統(tǒng)運行優(yōu)化方法[J/OL].南方電網(wǎng)技術(shù)：1?11[2023?09?14].[http：//kns.cnki.net/kcms/detail/44.1643.TK.20230913.2328.008.]html.

[14] PALIWAL N K. A day?ahead optimal scheduling operation of battery energy storage with constraints in hybrid power system [J]. Procedia computer science， 2020， 167（3）： 2140?2152.

[15] NOROOZI M， MOHAMMADI H， EFATINASAB E， et al. Golden search optimization algorithm [J]. IEEE access， 2022， 10： 37515?37532.

[16] 謬妙，李勇，曹一家，等.考慮環(huán)境因素的多能源系統(tǒng)交直流混合供能優(yōu)化策略[J].電力系統(tǒng)自動化，2018，42（4）：128?134.

作者簡介：檀立昆（1998—），男，安徽宣城人，碩士研究生，主要研究方向為新能源發(fā)電與調(diào)度。

朱建紅（1971—），女，江蘇南通人，博士研究生，副教授，主要研究方向為新能源發(fā)電。

鄧俊逸（2004—），男，湖南邵陽人，主要研究方向為電氣工程及其自動化。

收稿日期：2024?04?03" " " " " "修回日期：2024?04?22