基于多时间尺度调节的构网型储能电站定容选址优化配置

杨天鑫; 黄云辉; 何珍玉; 王栋; 唐金锐; 谢长君; YANG Tianxin; HUANG Yunhui; HE Zhenyu; WANG Dong; TANG Jinrui; XIE Changjun

网刊加载中。。。

使用Chrome浏览器效果最佳，继续浏览，你可能不会看到最佳的展示效果，

确定继续浏览么?

复制成功，请在其他浏览器进行阅读

基于多时间尺度调节的构网型储能电站定容选址优化配置

- ORCID：
杨天鑫 ^1,2
✉
- ORCID：
黄云辉 ^1,2
✉
- ORCID：
何珍玉 ^1,2
✉
- ORCID：
王栋 ^1,2
- ORCID：
唐金锐 ^1,2
- ORCID：
谢长君 ^1,2

1. 水路交通控制全国重点实验室（武汉理工大学），湖北省武汉市 430070； 2. 武汉理工大学自动化学院，湖北省武汉市 430070

最近更新：2024-12-04

DOI：10.7500/AEPS20240320002

目录contents

摘要

针对目前高比例新能源电力系统对电网侧储能的调节需求，提出一种基于多时间尺度调节的构网型储能电站定容选址优化配置方法。首先，为了描绘净负荷的波动性与不确定性，提出了改进迭代自组织聚类与高斯混合模型结合的多时间尺度场景集生成方法。在此基础上，建立了多场景与多时间尺度的联合优化运行模型，以处理净负荷的波动性与不确定性，并对储能容量进行优化配置。然后，分析惯性常数、储能电池循环寿命与其备用容量之间的关系，提出了一种可提升电力系统惯量与储能电池循环寿命的多目标构网型储能电站选址与容量优化方法。最后，基于中国中部某地区实际系统算例进行分析。结果表明，该方法能准确配置储能最优容量，使其满足至少90%场景下的多时间尺度调节需求。同时，利用多目标模型对储能选址与容量校正后，系统惯量分布指标与储能电池的循环寿命分别提升了28.9%和27.2%。

关键词

储能系统; 优化配置; 多时间尺度; 电力系统惯量; 高比例新能源电力系统; 不确定性; 构网型控制

0 引言

可再生能源渗透率的提高将导致电力系统面临多种时间尺度的问题。在调峰时间尺度上，火电机组逐步退役，传统调峰方式将难以满足系统需求^［

1-2］；在调频（二次调频）时间尺度上，可再生能源渗透率的提高将增加净负荷（负荷与可再生能源出力的差值）的随机性扰动，即增加电力系统调频难度^{［参考文献 3

百度学术}3］；在惯量调节时间尺度上，传统机组逐渐被新能源机组替代，造成电力系统的惯量水平持续降低，电力系统频率稳定性面临严峻的挑战^{［参考文献 4-5}4-5］。储能由于具有双向传输、响应速度快的特性，成为当前应对系统不确定性和增强系统调节能力的有效手段^{［参考文献 6

百度学术}6］。

针对电网侧储能需求的研究目前大多集中在单时间尺度优化配置^［

7-11］。其中，文献［7］采用双层优化方法，提出了一种储能辅助电网调峰的配置方案，其内层以调峰成本最低为目标对系统进行调度，外层对储能容量进行迭代优化配置；文献［8］通过分析锂电池储能参与二次调频的过程，利用模糊控制理论形成了考虑频率偏差率和容量损失率的双级控制策略；文献［9］通过建立含虚拟惯量风-储系统的频率响应模型，并根据系统惯量需求实现风、储虚拟惯量分配。对于高渗透率可再生能源电力系统，净负荷的不确定性是影响储能配置容量的重要因素，当前有少量研究基于净负荷不确定性对储能需求容量进行求解^{［参考文献 10-11}10-11］。上述文献中储能仅应用于单一场景，只有在特定时段储能才动作，在其他时段处于闲置状态，极大浪费了储能资源。

除上述储能多时间尺度调节需求研究方向外，目前研究主要在储能电站控制方法与储能优化配置方法这两个方向上开展。在储能电站控制方法研究中，现有储能变流器控制方法根据锁相环同步和功率控制同步可分为跟网型控制和构网型控制^［

12］，相较于传统跟网型控制，构网型控制可以在有效提升电力系统稳定性^{［参考文献 13

百度学术}13］的同时，解决新能源机组取代同步机组导致电力系统惯量大幅下降的问题^{［参考文献 14-15}14-15］。文献［16］从提升系统稳定裕度的角度，研究了基于构网型变流器的储能系统选址定容优化方法。在储能优化配置方法研究中，目前的主流方法包括双层优化模型^{［参考文献 17-18}17-18］和智能寻优算法^{［参考文献 19

百度学术}19］。例如，文献［17］构建共享储能双层优化模型，其上层模型形成最大化投资成效的共享储能规划方案，下层模型形成储能的最优投标调度方式。目前，针对储能的研究多基于上述3个研究方向中的一个或两个开展。因此，亟须结合这3个方向，开展电网层面的储能电站完整配置研究。

本文针对上述3个方向开展如下研究：1）在多时间尺度调节需求上，生成包含净负荷不确定性的多时间尺度典型场景及概率模型，该典型场景集与概率模型可用于分析储能调峰调频（二次调频）需求容量；2）在储能电站控制方法上，配置使用构网型控制并网的储能电站（以下简称构网型储能），并基于所提节点计算惯量研究构网型储能对系统惯量分布的影响；3）在储能优化配置方法上，以调度前端的储能优化为研究对象，基于多时间尺度典型场景及其概率模型构建了双层优化模型，并采用群智能算法对储能容量进行求解。

1 高比例新能源下源荷多时间尺度不确定性场景生成

为了更准确地配置储能容量，本文在储能参与调峰与调频的前提下，根据其不同的时间尺度（调峰时间尺度为15 min，调频时间尺度为5 min），采用改进迭代自组织数据分析技术算法（iterative self-organizing data analysis technique algorithm，ISODATA）生成调峰时间尺度下的净负荷典型场景，采用分位数回归（quantile regression，QR）和高斯混合模型（Gaussian mixture model，GMM）聚类生成调频时间尺度下的净负荷典型场景。需要注意的是，采用本文方法生成典型场景需要大量机组出力与负荷的历史数据。

1.1　调峰时间尺度下不确定性场景生成

在无监督聚类算法中，IOSDATA相比K均值聚类，其聚类数可利用“合并”和“分裂”进行动态变化。然而，净负荷曲线含有高维特征，如时序变化特征，常规ISODATA采用欧氏距离作为距离量度无法提取。为此，将原始净负荷数据映射到合适的高维空间，在这个空间中，净负荷曲线将更容易分离和结构化。核函数可在不计算映射函数的前提下，直接计算高维空间内积，如式（1）所示。

K (x_{1}, x_{2}) = ϕ (x_{1}) ϕ (x_{2})

（1）

式中： $K (\cdot)$ 为核函数； $ϕ (\cdot)$ 为高维映射函数；x₁和x₂为净负荷样本。

因此，两个样本之间高维空间中的距离d（x₁，x₂）可以用核函数简化计算，如式（2）所示。

\begin{array}{l} d (x_{1}, x_{2}) = | | ϕ (x_{1}) - ϕ (x_{2}) | |^{2} = ϕ^{2} (x_{1}) - \\ 2 ϕ (x_{1}) ϕ (x_{2}) + ϕ^{2} (x_{2}) = K (x_{1}, x_{1}) - \\ 2 K (x_{1}, x_{2}) + K (x_{2}, x_{2}) \end{array}

（2）

利用样本在高维空间中的距离，对全年净负荷曲线进行分类，以使簇内净负荷曲线相似性和簇间净负荷曲线差异性增大。由于各聚类中心在各簇中具有典型性，故选取离各聚类中心最近的样本为典型净负荷场景。为找到最优核函数并验证所提改进ISODATA的优越性，本文采用戴维斯-博尔丁指数（Davies-Bouldin index，DBI）和邓恩指数（Dunn index，DI）作为评价聚类效果的指标，这两个指数分别从“中心”和“边界”角度出发来反映聚类效果，如式（3）所示。其中，DBI越小，簇间差异性和簇内相似性越大，聚类效果越好；DI越大，聚类效果越好。

\{\begin{array}{l} D_{B I} = \frac{1}{k_{c}} \sum_{i' = 1}^{k_{c}} \underset{j' = 1,2, \dots, k_{c}, j' \neq i'}{m a x} (\frac{a v g (C_{i'}) + a v g (C_{j'})}{d (u_{i'}, u_{j'})}) \\ D_{I} = \underset{1 \leq i' \leq k_{c}}{m i n} \{\underset{j' = 1,2, \dots, k_{c}, j' \neq i'}{m i n} (\frac{d_{m i n} (C_{i'}, C_{j'})}{\underset{1 \leq l \leq k_{c}}{m a x} d i a m (C_{l})})\} \end{array}

（3）

式中： $D_{B I}$ 为DBI值； $D_{I}$ 为DI值；k_c为总簇数； $a v g (C_{i'})$ 为簇 $C_{i'}$ 中样本到其聚类中心 $u_{i'}$ 的平均距离； $d_{m i n} (C_{i'}, C_{j'})$ 为簇 $C_{i'}$ 和 $C_{j'}$ 样本间的最小距离； $d i a m (C_{l})$ 为簇 $C_{l}$ 中样本间的最大距离。

1.2　调频时间尺度不确定性表征及其场景生成

可再生能源渗透率高的电力系统的不确定性主要来自可再生能源和负荷。为了表征净负荷的不确定性，本节提出一种基于QR和GMM的净负荷场景集生成方法。首先，假设实际功率和预测净负荷之间存在如下线性拟合关系：

p_{τ}^{n e t, r} = a_{τ} p^{n e t, f} + b_{τ}

（4）

式中：p^net，f为预测净负荷；p $_{τ}^{n e t, r}$ 为τ分位数下拟合实际净负荷；a_τ和b_τ为τ分位数下线性拟合方程参数。

QR拟合曲线如图1所示。其中，QR拟合曲线越接近虚线L，其对应的净负荷不确定性越低，可通过不同QR拟合曲线对净负荷不确定性进行描述。

图1 QR拟合曲线

Fig.1 QR fitting curves

将全年的预测净负荷与实际净负荷用分位数矩阵T_365×96表示。采用GMM对所生成的全年分位数日变化曲线进行场景聚类。GMM具有鲁棒性强的特征^［

20］，其将样本数据划分为D类（即高斯混合模型的D个多维高斯分布分量）。GMM算法的思路为：将样本数据估计为属于D个多维高斯分布概率的线性叠加，而每一类样本服从一个多维高斯分布，GMM概率密度函数

g (x)

的定义如式（5）所示。

g (x) = \sum_{s = 1}^{D} ω_{s} N (x | μ_{s}, Σ_{s})

（5）

式中：ω_s为第 $Σ_{s}$ 个高斯分布分量的权重系数，在本文中对应调频时间尺度场景s发生的概率ρ； $N (x| μ_{s}, Σ_{s})$ 为均值为 $μ_{s}$ 、协方差为 $Σ_{s}$ 的高斯分布的概率密度函数；x为对应调频净负荷样本。GMM的参数 $ω_{s}$ 、 $μ_{s}$ 和 $Σ_{s}$ 一般通过期望最大化算法进行估计。

将D个多维高斯分布的中心作为调频时间尺度的典型场景。实际净负荷场景生成方式为：将调峰场景的典型日 $i$ 与调频典型场景 $j$ 的分位数日回归曲线结合，利用式（4）得到实际净负荷场景，且该场景的分布概率为 $ρ_{i j} = ρ_{i} ρ_{j}$ ，其中， $ρ_{i}$ 、 $ρ_{j}$ 分别为调峰典型日 $i$ 和调频典型场景 $j$ 发生的概率。

1.3　多时间尺度下不确定性场景生成分析

利用中国中部地区某市2022年的预测净负荷与实际净负荷数据进行典型场景算例分析。首先，对于调峰时间尺度，分别采用不同的聚类方法对全年预测净负荷曲线进行聚类，得到聚类评价指标结果如表1所示。

表1 不同算法聚类效果实验对比

Table 1 Experimental comparison of clustering performances of various algorithms

聚类算法	簇数	DBI	DI
K均值聚类	3	0.029 9	0.579 0
K均值聚类	4	0.023 2	0.607 0
K均值聚类	5	0.309 0	0.759 0
常规ISODATA	4	0.022 9	0.657 0
改进ISODATA（线性核函数）	5	0.030 4	0.546 3
改进ISODATA（多项式核函数）	4	0.037 8	0.435 0
改进ISODATA（高斯核函数）	4	0.019 6	0.825 0

由表1可知，尽管常规ISODATA相比K均值聚类算法的聚类效果更好，但改进ISODATA采用不同核函数进行优化得到的结果差异很大，甚至出现负向优化，这是由于其映射后的高维特征空间不同导致的。采用高斯核函数的改进ISODATA的聚类效果最佳。同时，由于ISODATA聚类数可自适应变化，且K均值聚类算法中簇数为4时聚类效果最佳，故该年净负荷曲线应分为4类。根据上述分析，选取基于高斯核函数的改进ISODATA聚类结果作为研究对象，将离聚类中心最近的样本作为调峰时间尺度的净负荷典型场景，如图2（a）所示。其中，典型日1、2代表两者减少量大致相同的净负荷簇，典型日3代表负荷减少量大于光伏减少量的净负荷簇，典型日4代表负荷减少量小于光伏减少量的净负荷簇。由于该区域电网的光伏装机容量比例较大，4个典型日趋势大致相同，呈现M型曲线，晚间负荷减少的量与光伏出力减少的量不同将导致在采样时段80后净负荷曲线的趋势不同。典型日4的变化趋势将会增大日内峰谷差，而典型日净负荷的日间最大峰、谷值分别为1 221.1 MW、392.1 MW，这将增加常规机组调峰难度，故储能参与调峰的需求很大。

图2 不同时间尺度下的典型场景

Fig.2 Typical scenarios with various timescales

将预测净负荷与实际净负荷数据代入式（4）进行QR的参数估计，以0.01为间隔，从0到1取分位数，得到QR曲线如图1所示。在采用插值法生成调频时间尺度分位数日变化曲线后，利用GMM对其进行聚类，结果如图2（b）所示。分位数越小，表示净负荷的预测值减去实际值的差值越大。例如，场景6描述了一类净负荷的预测值相比实际值整体偏大的情况，该场景下系统调频电源在大多时段应向下出力调频。将分位数日变化值与典型日净负荷代入式（4）可计算出实际净负荷值，假设区域间联络线传输功率保持恒定，则实际净负荷与预测净负荷的差值即为系统调频需求值。同时，为验证所获得的净负荷典型场景保留了原始数据的特征，将原始年净负荷预测偏差分布与典型场景偏差分布进行对比，如附录A图A1所示。其中，原始数据拟合为（-40.1 MW，51.9 MW²）的高斯分布，而典型场景拟合为（-39 MW，44.5 MW²）的高斯分布。因此，典型场景能表示原始数据的源荷不确定性，由于典型场景取样数据量较少，因而有一定的随机性误差。

通过以上算例结果可得不同场景下调峰、调频需求集合及其对应发生概率，其中，聚类场景概率分布如附录A图A2所示。将24个场景发生概率从大到小排列，其中，靠后9个场景发生概率之和约为10%。因此，为提高算法运算效率，在下述模型中仅考虑前90%的场景，即所配置储能容量至少满足90%场景的调峰调频需求。

2 基于多时间尺度调节的构网型储能电站定容选址优化模型

在储能定容模型中，假设系统灵活性资源主要来自常规火电机组和储能，根据15 min和5 min两个调度周期，将获得的每个场景的净负荷功率分为调峰净负荷及调频净负荷，内层模型基于上述两种净负荷，以调度成本最低为目标，在MATLAB平台上运用YALMIP+CPLEX求解器对储能及各机组出力进行求解。在此基础上，外层模型基于风光能源完全消纳和考虑储能全寿命周期成本两种不同情景，采用改进粒子群优化（particle swarm optimization，PSO）算法^［

21］对储能配置容量进行迭代寻优。

在储能选址模型中，基于构网型控制的惯量支撑特性，推导了含构网型储能的区域电网多机系统节点等效惯量计算公式；然后，提出3个目标函数，包括惯量分布指标、储能电池循环寿命指标和储能成本指标；最后，通过基于熵权的逼近理想解排序(TOPSIS）算法^［

22］求解储能选址多目标优化模型。综上所述，基于多时间尺度调节的构网型储能电站定容选址优化配置流程如附录A图A3所示。

2.1　储能电站与常规机组联合调度优化模型

本文提出的常规机组与储能的联合运行模型旨在最大限度地降低发电、调峰和调频的总成本，并以式（6）为目标函数进行最优调度求解。

\begin{array}{l} F = m i n \{\sum_{i = 1}^{4} \sum_{j = 1}^{6} \sum_{t = 1}^{96} [ρ_{i j} \sum_{m = 1}^{N_{G}} (C_{i j, m, t}^{G, o p} + C_{i j, m, t}^{G, p r} + C_{i j, m, t}^{G, s s} + \\ C_{i j, m, t}^{G, r e}) \overset{}{\underset{}{+}} C_{i j, t}^{E, p r} + C_{i j, t}^{E, r e} + C_{i j, t}^{W V L}]\} \end{array}

（6）

式中：下标ij表示在调峰典型日i、调频典型场景j下的相应变量；C $_{i j, m, t}^{G, o p}$ 、C $_{i j, m, t}^{G, p r}$ 、C $_{i j, m, t}^{G, s s}$ 、C $_{i j, m, t}^{G, r e}$ 分别为t时段常规机组m运行、调峰、启停和备用成本函数；C $_{i j, t}^{E, p r}$ 和C $_{i j, t}^{E, r e}$ 分别为t时段储能的调峰和调频备用成本函数；C $_{i j, t}^{W V L}$ 为t时段新能源和负荷弃用惩罚函数；N_G为常规机组总数。

各成本函数的具体表达式如式（7）所示。

\{\begin{array}{l} C_{i j, m, t}^{G, o p} = a_{m} (p_{i j, m, t}^{G})^{2} + b_{m} p_{i j, m, t}^{G} + c_{m} x_{i j, m, t}^{G} \\ \begin{array}{l} C_{i j, m, t}^{G, p r} = u_{i j, m, t}^{G 1} d_{1, t} (p_{m, m a x}^{G} - p_{i j, m, t}^{G}) + \\ u_{i j, m, t}^{G 2} d_{2, t} (p_{m, m i d}^{G} - p_{i j, m, t}^{G}) \end{array} \\ C_{i j, m, t}^{G, s s} = C_{i j, m, t}^{G, s t a r t} + C_{i j, m, t}^{G, s t o p} \\ C_{i j, m, t}^{G, r e} = \sum_{k \in Λ_{t}} (e_{u p, m} r_{i j, m, t, k}^{G, u p} + e_{d o w n, m} r_{i j, m, t, k}^{G, d o w n}) \\ C_{i j, t}^{E, p r} = z_{u p} p_{i j, t}^{E, p r, u p} + z_{d o w n} p_{i j, t}^{E, p r, d o w n} \\ C_{i j, t}^{E, r e} = \sum_{k \in Λ_{t}} (k_{u p} r_{i j, t, k}^{E, r e, u p} + k_{d o w n} r_{i j, t, k}^{E, r e, d o w n}) \\ C_{i j, t}^{W V L} = k_{1} P_{i j, t}^{W} + k_{2} P_{i j, t}^{V} + k_{3} P_{i j, t}^{L} \end{array}

（7）

式中：a_m、b_m、c_m为常规机组m的发电成本系数；p $_{i j, m, t}^{G}$ 为t时段常规机组m的有功输出；x $_{i j, m, t}^{G}$ 为t时段常规机组m的启停状态；d_1，_t和d_2，_t为不同峰值深度的成本系数；p $_{m, m i d}^{G}$ 和p $_{m, m a x}^{G}$ 分别为常规机组m的深度调峰边界和额定功率；u $_{i j, m, t}^{G 1}$ 和u $_{i j, m, t}^{G 2}$ 为t时段常规机组m的峰值深度表征值，当 $p_{i j, m, t}^{G} \in (p_{m, m i d}^{G}, p_{m, m a x}^{G}]$ 时， $u_{i j, m, t}^{G 1} = 1$ 、 $u_{i j, m, t}^{G 2} = 0$ ，而当 $p_{i j, m, t}^{G} \in (p_{m, m i n}^{G}, p_{m, m i d}^{G}]$ 时， $u_{i j, m, t}^{G 1} = 0$ 、 $u_{i j, m, t}^{G 2} = 1$ ，其中， $p_{m, m i n}^{G}$ 为常规机组m的最小有功功率；C $_{i j, m, t}^{G, s t a r t}$ 和C $_{i j, m, t}^{G, s t o p}$ 分别为t时段常规机组m启动和关闭的成本；k为调峰时段t中的调频时间序列编号； $Λ_{t}$ 为调峰时段t中的一组调频时间序列；r $_{i j, m, t, k}^{G, u p}$ 和r $_{i j, m, t, k}^{G, d o w n}$ 分别为t时段常规机组m的上、下备用容量；e_up，_m和e_down，_m分别为常规机组m的上、下备用成本系数；p $_{i j, t}^{E, p r, u p}$ 和p $_{i j, t}^{E, p r, d o w n}$ 分别为t时段储能上、下调峰备用功率；z_up和z_down分别为储能的上、下调峰成本系数；r $_{i j, t, k}^{E, r e, u p}$ 和r $_{i j, t, k}^{E, r e, d o w n}$ 分别为t时段储能的上、下调频备用功率；k_up和k_down分别为储能的上、下调频成本系数；k₁、k₁、k₃分别为风、光、荷弃用成本系数；P $_{i j, t}^{W}$ 、P $_{i j, t}^{V}$ 和P $_{i j, t}^{L}$ 分别为t时段风、光、荷弃用功率。

功率平衡约束见式（8）。其他约束条件包括常规机组出力约束、爬坡约束、备用容量约束、机组启停成本约束和储能调频备用容量约束，详见附录B。

\{\begin{array}{l} \begin{array}{l} \sum_{m = 1}^{N_{G}} p_{i j, m, t}^{G} + p_{i j, t}^{E, p r, u p} - p_{i j, t}^{E, p r, d o w n} = P_{i, t}^{n e t, f} - \\ (P_{i j, t}^{L} - P_{i j, t}^{W} - P_{i j, t}^{V}) \end{array} \\ Δ P_{i j, t, k}^{n e t, r} = P_{i j, t, k}^{n e t, r} - [P_{i, t}^{n e t, f} - (P_{i j, t}^{L} - P_{i j, t}^{W} - P_{i j, t}^{V})] \\ \sum_{m = 1}^{N_{G}} (p_{i j, m, t, k}^{G, a d, u p} - p_{i j, m, t, k}^{G, a d, d o w n}) + p_{i j, t, k}^{E, a d, u p} - p_{i j, t, k}^{E, a d, d o w n} = Δ P_{i j, t, k}^{n e t, r} \end{array}

（8）

式中： $P_{i, t}^{n e t, f}$ 为典型日i中t时段调峰净负荷； $Δ P_{i j, t, k}^{n e t, r}$ 为t时段调频净负荷； $P_{i j, t, k}^{n e t, r}$ 为t时段系统调频需求功率；p $_{i j, m, t, k}^{G, a d, u p}$ 和p $_{i j, m, t, k}^{G, a d, d o w n}$ 分别为t时段常规机组m的上、下调频功率；p $_{i j, t, k}^{E, a d, u p}$ 和p $_{i j, t, k}^{E, a d, d o w n}$ 分别为t时段储能的上、下调频功率。

该模型在MATLAB平台上运用YALMIP+CPLEX求解器对储能及各机组出力进行求解。

2.2　储能容量优化配置模型

1）构网型储能调峰调频需求分析

情景1：在联合调度优化模型中增加约束条件 $C^{W V L} = 0$ ，即令风光荷弃用量 $C^{W V L}$ 为0以最大限度地利用可再生能源并满足负荷需求，同时外层模型中不考虑等效年值成本，但增加容量过剩惩罚，以使得储能容量刚好满足系统无风光荷弃用。因此，情景1中储能容量优化配置模型的目标函数见式（9）。

f_{1} = F + K_{L} [(P_{e} - P_{e}^{m a x}) + E_{e} S_{Δ}^{m a x}]

（9）

\{\begin{array}{l} P_{e}^{m a x} = m a x [| (p_{i j, t}^{E, p r, u p} + p_{i j, t, k}^{E, a d, u p}) - \\ (p_{i j, t}^{E, p r, d o w n} + p_{i j, t, k}^{E, a d, d o w n}) |] \\ S_{Δ}^{m a x} = m i n {m i n (S_{i j, t, k} - S_{m i n}), m i n (S_{m a x} - S_{i j, t, k})} \end{array}

（10）

式中： $P_{e}^{m a x}$ 和 $S_{Δ}^{m a x}$ 分别为储能输出最大功率绝对值和荷电状态（SOC）冗余值；K_L为储能冗余容量惩罚系数； $S_{i j, t, k}$ 为t时段储能的SOC变化量； $S_{m i n}$ 和S_max分别为储能SOC的最小值和最大值；P_e和E_e分别为配置储能功率和能量容量。

2）考虑储能初期建设成本

情景2：储能参与调峰调频可提高电力系统运行稳定性和电网电能质量，其投资成本应作为配置储能的重要因素进行考虑。储能投资的成本年值可以根据全寿命周期理论进行测算，其成本主要由初期投资成本和运行维护成本两部分组成。本文在情景2中仅考虑初期投资成本，其等效年值如式（11）所示。

C_{I n} = (K_{P} P_{e} + K_{E} E_{e}) \frac{r {(1 + r)}^{n}}{{(1 + r)}^{n} - 1}

（11）

式中：C_In为初期投资成本年值；K_P和K_E分别为储能功率和能量容量的单位成本；r为基准折现率；n为储能的运行寿命。

在储能配置容量优化阶段，考虑储能初期投资成本设置目标函数，如式（12）所示。

f_{2} = F + \frac{m i n C_{I n}}{365}

（12）

2.3　构网型储能电站选址分析及多目标优化模型

储能参与系统调峰与调频可以应对当前新能源的波动性与随机性，同时在快时间尺度上采用构网型控制的储能电站可以支撑电网电压和频率稳定。虚拟同步机控制为构网型控制的一种，其所模拟转子运动方程的虚拟惯量与电气阻尼可以自由设置而不受物理条件约束，如式（13）所示。

2 H_{e} \frac{d Δ ω_{p s c}}{d t} = P_{r e f} - P_{e} - D_{e} Δ ω_{p s c}

（13）

式中：H_e和D_e分别为虚拟惯量和电气阻尼；P_ref为储能功率参考值；Δω_psc为频率偏移量。

构网型控制与跟网型控制的控制框图及惯量响应过程对比见附录C图C1和图C2。

在实际电网中，根据节点等效惯性常数可识别出低惯量区域，为最大化构网型储能对系统的惯量支撑效果，在此基础上提出一种可提升低惯量区域频率稳定性的构网型储能电站选址方法。

若多机电力系统的节点q出现功率扰动，不平衡功率ΔP_q将按照同步功率系数分配到惯量源^［

23］（同步机组与构网型储能）。因此，将构网型储能电站等效为第N_G+1台同步机组，忽略电力系统负荷惯量的影响，扰动后瞬间惯量源b处频率变化率df_G_b/dt如式（14）所示。

\frac{d f_{G b}}{d t} = \frac{Δ P_{q} \frac{K_{s b q}}{\sum_{b = 1}^{1 + N_{G}} K_{s b q}}}{2 H_{G b}}

（14）

式中： $K_{s b q}$ 为惯量源b处节点q的同步功率系数，是关于转移电纳与初始角的函数；H_G_b为惯量源b的惯性常数。

同时，假设系统的电压维持额定值不变且在小扰动时近似为线性系统，可以计算出多机系统节点q与惯量源的相位关系，据此推导出节点q与各惯量源之间频率变化率的关系。

\{\begin{array}{l} \sum_{b = 1}^{1 + N_{G}} y_{b q} V_{G b} s i n (θ_{G b} - θ_{q}) = 0 \\ \frac{d f_{q}}{d t} = \frac{\sum_{b = 1}^{1 + N_{G}} y_{b q} V_{G b} \frac{d f_{G b}}{d t}}{\sum_{b = 1}^{1 + N_{G}} y_{b q} V_{G b}} \end{array}

（15）

式中： $y_{b q}$ 为导纳增广矩阵中的元素^［

24］；

θ_{G b}

和

θ_{q}

分别为惯量源b内电势和节点q电压的相角；

V_{G b}

为惯量源b内电势；

d f_{q} / d t

为暂态过程中节点q的频率变化率，是各惯量源频率变化率的加权和，其权重大小与网络参数有关。

根据同步机惯性常数的定义延伸出系统节点惯性常数，如式（16）所示，即节点q惯性常数H_q为系统稳定后该处发生的功率阶跃扰动ΔP_q与其2倍初始频率变化率df_q/dt的比值。

H_{q} = \frac{Δ P_{q}}{2 \frac{d f_{q}}{d t}}

（16）

根据式（14）—式（16）可以推导出节点q的等效惯性常数，如式（17）所示。

H_{q} = \frac{\sum_{b = 1}^{1 + N_{G}} y_{b q} \sum_{b = 1}^{1 + N_{G}} B_{b q}}{\sum_{b = 1}^{1 + N_{G}} \frac{1}{H_{G b}} y_{b q} B_{b q}}

（17）

式中： $B_{b q}$ 为惯量源b处节点q的转移电纳。

由式（17）可知，节点惯量为系统所有惯量源在该节点的体现，同时惯量源的大小、节点到惯量源的电气距离是影响节点惯性常数的主要因素。因此，系统中构网型储能电站的选址、虚拟惯性常数是影响节点等效惯性常数的重要因素。构网型储能电站并入区域电网的控制方法及结构示意图如附录C图C3所示。

构网型控制通过增大虚拟惯量或者阻尼系数来提高变流器在频率波动时的有功支撑能力，然而有功支撑能力的增加是以增加储能容量为前提的^［

25］。因此，需要合理配置虚拟惯量以保证储能的经济性。根据储能备用功率容量与系统允许最大频率变化率配置储能的惯性常数

H_{e}

，如式（18）所示。

H_{e} = \frac{μ_{p} P_{e}^{m a x}}{{(d f / d t)}_{m a x} P_{S N}}

（18）

式中：μ_p为储能惯量备用功率容量系数；P_SN为系统有功功率基准值； ${(d f / d t)}_{m a x}$ 为系统允许最大频率变化率。定义系统所有节点惯性常数的标准差 $H_{σ}$ 来指示惯量的分布性，并通过该指标配置构网型储能电站的位置。

类似地，储能电池的放电深度（depth of discharge，DOD）是影响储能电池运行寿命的重要因素。DOD越大，使用寿命越短；DOD越小，使用寿命越长。基于雨流计数法，可采用一个五阶函数来拟合全循环次数 $N_{d}$ 和放电深度 $d_{d}$ 的关系，如式（19）所示，而DOD的定义如式（20）所示。

\begin{array}{l} N_{d} = - 220.2 d_{d}^{5} + 287.1 d_{d}^{4} + 58.43 d_{d}^{3} + 224.3 d_{d}^{2} - \\ 804.6 d_{d}^{5} + 3 500 \end{array}

（19）

d_{d} = \frac{|\int P_{t}^{E} d t|}{E_{e} + μ_{e} E_{e}} \times 100 %

（20）

式中：μ_e为储能备用能量容量系数； $P_{t}^{E}$ 为t时段储能实际充放电功率。

以100%放电深度下循环次数 $N_{100}$ 为基准，则储能的年累计等效循环次数N $_{i j}^{y e a r}$ 及储能电池的循环寿命n_b如式（21）所示。

\{\begin{array}{l} N_{i j}^{y e a r} = 365 \times \sum_{z = 1}^{T_{L}} (0.5 | Δ S_{i j, z} | \frac{N_{100}}{N_{d}}) \\ n_{b} = \sum_{i = 1}^{4} \sum_{j = 1}^{6} ρ_{i j} \frac{N_{100}}{N_{i j}^{y e a r}} \end{array}

（21）

式中：T_L为储能连续充放电序列数；ΔS_ij_，_z为第z个连续充放电SOC变化量。由式（21）可知，储能电池的循环寿命与充放电SOC变化量及放电深度相关。因此，增加储能的备用能量容量 $μ_{e} E_{e}$ 将提高储能电池的循环寿命。

综上所述，通过提高储能的功率与能量容量可优化系统惯量及储能电池循环寿命，但同样会增加储能成本。采用基于熵权的TOPSIS算法，考虑储能经济性以求解出最佳储能备用容量系数μ_p与μ_e的配置方案，其综合指标G如式（22）所示。

\begin{array}{l} G = \\ m a x \{\frac{\sqrt[]{\sum_{h = 1}^{3} (ω_{h} g_{h} - ω_{h} g_{h -})^{2}}}{\sqrt[]{\sum_{h = 1}^{3} (ω_{h} g_{h} - ω_{h} g_{h +})^{2}} + \sqrt[]{\sum_{h = 1}^{3} (ω_{h} g_{h} - ω_{h} g_{h -})^{2}}}\} \end{array}

（22）

式中：下标“+”和“-”分别表示理想最优解和最劣解； $g_{h}$ 为所配置方案的第h个目标函数，即系统惯性分布指标、储能电池循环寿命指标及储能经济性指标，如式（23）所示； $ω_{h}$ 为熵权法所得第h个目标函数对应权重。

\{\begin{array}{l} g_{1} = \underset{N_{B}}{m i n} H_{σ} \\ g_{2} = m i n \frac{1}{n_{b}} \\ g_{3} = m i n (K_{P} μ_{p} P_{e}^{m a x} + K_{E} μ_{e} E_{e}) \end{array}

（23）

式中：N_B为储能配置节点数。

通过熵权法计算各个目标函数的权重，可以有效避免数据的主观性，此方法不仅不需要指定目标函数，也不需要进行检验，操作相对方便和灵活^［

21］。

3 构网型储能电站定容选址优化算例分析

3.1　基于多时间尺度调节的构网型储能电站容量优化配置分析

本节算例基于1.3节所提中部地区区域电网净负荷需求数据进行分析。采用联合调度优化模型与改进PSO算法对储能的功率和能量容量进行优化求解，其中，常规机组及储能电站相关参数见附录C表C1和附录D表D1。同时，为了研究在调度过程中考虑实际电网不同需求及储能电站建设成本的影响，建立2.2节所述两种情景进行对比分析，其结果如下。

1）构网型储能调峰调频需求分析

情景1：令风光荷弃用量为0以最大限度地利用可再生能源，并满足负荷需求；同时，储能容量优化过程中不考虑等效年值成本，但增加容量过剩惩罚，以使储能容量刚好满足系统无风光荷弃用。

储能容量优化配置模型采用改进PSO算法进行迭代求解，其迭代过程如图3所示。设置惩罚系数K_L使得储能冗余成本相比调度成本大得多，进而个体迭代过程将近似表示对储能冗余的削减过程，而群体迭代过程表示以系统调度成本最低为目标的储能容量寻优过程。由图3（a）可知，个体迭代过程收敛说明采用改进PSO寻优可以有效减小储能容量的冗余，而由图3（b）中群体迭代过程收敛可看出，以系统调度成本最低为目标的储能容量寻优过程有效。储能功率容量与能量容量分别收敛于208 MW、464 MW·h，而通过求解器计算得到系统无储能时日调度成本为1 415.9万元，而在储能最优配置下为1 383.1万元，系统配置储能后日调度成本有明显下降。

图3 储能容量优化迭代过程

Fig.3 Iterative process for energy storage capacity optimization

在最优配置下，通过MATLAB平台上运用YALMIP+CPLEX软件对储能及各机组出力进行求解，其中，储能调峰调频出力如图4所示（仅展示典型日1的曲线，其余见附录E）。由图4（a）可知，在午间时段，由于常规机组深度调峰成本的限制，储能会吸收掉无法消纳的光伏出力。在晚间时段，由于常规机组最大输出功率限制，储能会将储存的能量释放出来参与调峰。其中，场景3和5由于储能储存的能量被用于系统调频，如图4（b）所示，储能多数时段向上调频，故和其他场景不同。由此可知，储能辅助调峰可以吸收中午无法消纳的新能源并在下午将其释放出来，但二者并不平衡，而利用储能辅助调频有助于实现自身充放电平衡。

图4 典型日1储能调峰、调频出力

Fig.4 Peak shaving and frequency regulation outputs of energy storage on the first typical day

2）考虑储能初期建设成本

情景2为节约投资成本、提升储能调峰调频的利润，在储能功率容量和能量容量的寻优过程中考虑储能初期投资成本，即式（11）。在此情景下，储能配置功率容量为113 MW，能量容量为284 MW·h。相比情景1，考虑储能初期建设成本的容量配置模型可以获得更加经济的储能配置方案，具体各项成本如表2所示。由表2可知，储能参与调峰、调频极大促进了新能源消纳，常规机组的燃煤成本也因此降低。与情景1相比，情景2所配置的储能容量更小，无法保证新能源完全消纳，同时情景2中常规机组深度调峰时间的增加导致常规机组调峰成本高于情景1，但考虑储能的建设成本后，情景2的经济性更高。

表2 各情景下储能及运行调度成本

Table 2 Energy storage and operation and dispatch costs in various scenarios

情景	储能调峰调频成本/万元	弃风光荷惩罚成本/万元	常规机组调峰成本/万元	常规机组调频成本/万元	常规机组燃煤成本/万元	储能初期建设成本/万元	系统等效日成本/万元
无储能	0	11.5	647.6	23.8	733.0	0	1 415.9
情景1	25.9	0	631.1	0.6	725.5	12.4	1 395.5
情景2	25.1	1.8	631.9	0.9	727.5	7.5	1 394.7

3.2　构网型储能电站选址及多目标优化分析

为说明系统中惯性常数分布特性及储能优化系统节点惯量的效果，本节同样采用1.3节所提中部地区的10机25节点系统进行分析。惯性时间常数均以1 000 MW为基准值，采用2.3节所述方法计算系统各节点的等效惯性常数，并通过插值得到整个系统的等效惯性常数，绘制出初始情况下系统不同位置的计算惯量热力图，如图5所示。由图5可知，系统不同区域的惯量差距很大，且与2.3节分析相同，离同步机组电气距离越远的节点所表现的惯性常数越小，其中，新能源机组并网节点的惯性常数最小。因此，对附加虚拟同步控制的构网型储能电站进行选址以提高低惯量区域频率稳定性很重要。

图5 10机25节点系统惯量分布

Fig.5 Inertia distribution of 10-machine 25-bus system

在MATLAB/Simulink软件中建立该区域10机25节点系统模型；然后，设置同步发电机并网节点处负荷扰动为0.003 p.u.，并取该节点扰动发生后初始暂态过程0.02 s内的平均频率变化率作为初始频率变化率；最后，根据式（16）计算出节点等效惯性常数，其中，同步发电机节点的同步机实际惯性常数、节点计算惯性常数和节点仿真惯性常数如附录F表F1所示。由表F1可知，同步发电机节点的惯性常数略大于所对应同步发电机自身的惯性常数，这是由于其他同步发电机与系统储能设备在该点也有惯量贡献。同时，由于推导过程中的线性化处理及实际测量误差的存在，使得节点惯性常数的仿真值大于计算值，但误差相对较小。

考虑储能备用功率容量系数为30%，并根据式（18）可计算出储能配置惯性常数为3.39 s。在不增加额外节点的前提下，可计算出该储能配置在不同节点下的区域电网惯性常数的标准差，其中，储能配置在节点17时系统惯量分布最均衡。此时，惯性常数的标准差H_σ为1.26 s，相比未配置储能时的1.45 s，系统惯量分布性提升了13%。类似地，通过插值法画出储能配置在各个节点下的系统惯量分布指标热力图，如附录F图F1所示。其中，颜色越偏蓝，表明配置构网型储能的效果越好，与前面结论相同，离高惯量同步机组电气距离越远的节点越适合配置构网型储能，以提升系统惯量分布指标。

在情景2所配置储能容量的基础上，逐渐增大其能量容量，以减小全过程DOD，提高储能电池的循环寿命；逐渐增大功率容量，以提高系统惯量分布指标，得到储能电池循环寿命与备用能量容量、系统惯量分布指标与备用功率容量的拟合曲线，如附录F图F2所示。由图F2可知，储能电池循环寿命近似和备用能量容量呈线性递增关系。在备用功率容量系数小于87.3%时，储能提供的惯量越大，分布指标越好；而在备用功率容量系数大于87.3%时，由于构网型储能提供的惯量太大导致该区域的惯量分布指标变差，故构网型储能所提供的惯量并不是越大越好。同时，依据所建立的构网型储能选址模型，即储能根据其惯量大小配置节点，计算不同储能备用功率容量下储能最优配置节点，如附录F图F3所示。由图F3可知，按照构网型储能提供惯量从小到大的顺序，应将其依次配置在节点3、14、17、7上，最有利于提高该区域电网的惯量分布性。

采用熵权法可得3个目标函数的系统惯量分布指标、储能电池循环寿命指标和储能额外初期建设成本的权重分别为0.336 3、0.329 7、0.334 1。由于3个目标函数随储能备用容量的变化都近似为线性变化，导致其分配的权重大小几乎相同。利用TOPSIS算法计算各方案的综合指标，如图6所示。其中，指标越大表明方案越好。最优储能备用能量容量与功率容量系数分别为53.8%、83.2%，构网型储能配置在节点7处。储能电池循环寿命为12年，相比未配置额外能量容量时的9.4年，储能电池循环寿命提升了27.2%，而系统最优惯量分布指标H_σ为1.03 s，相比未配置储能时的1.45 s，系统惯量分布性提升了28.9%。

图6 多目标优化综合指标分布

Fig.6 Distribution of comprehensive index for multi-objective optimization

4 结语

针对高渗透率新能源电力系统中多时间尺度调节需求对构网型储能灵活性与经济性的迫切需求，本文提出了一种面向电网侧的多时间尺度调节构网型储能电站定容选址优化配置方法。主要结论如下：

1）提出一种基于源荷多时间尺度不确定性的场景集生成方法。该方法基于改进ISODATA得到调峰时间尺度场景，基于QR和GMM得到调频时间尺度场景集。结果表明，相比传统聚类方法，ISODATA利用高斯核函数表征净负荷样本的高维距离，其簇间差异性更大，簇内相似性更小，聚类效果更好，所得调频时间尺度场景集能有效表征历史数据中净负荷的不确定性。

2）提出了一种基于多时间尺度调节的构网型储能电站定容选址优化模型。其中，联合调度优化模型及容量优化模型可依据不同情景以经济性最优配置储能容量；所提构网型储能电站选址模型及多目标优化方法则能综合提升储能电池循环寿命与电力系统惯量分布指标。

3）基于中国中部地区某市的算例数据对构网型储能定容选址进行分析，结果表明，所提方法能准确配置在满足至少90%场景下面向多时间尺度调节需求的储能最优容量。通过该算法定容选址的优化，区域电网惯量分布指标提升了28.9%，构网型储能电池的循环寿命提升了27.2%。

本文储能优化配置未考虑可再生能源渗透率的影响，下一步将研究可再生能源渗透率与储能需求容量的关系。

附录

附录A

图A1 净负荷不确定性分布对比

Fig.A1 Typical scenarios at different time scales

图A2 聚类场景概率分布

Fig.A2 Probability distribution of clustering scenarios

图A3 储能电站定容选址优化配置的流程图

Fig.A3 Process flowchart for optimal configuration of capacity and site selection for energy storage power plants

附录B

Constraint1：常规机组及储能出力约束

（B1）

式中：p $_{m, m a x}^{G}$ 和p $_{m, m i n}^{G}$ 分别为常规机组m的最大功率和最小功率；S_min和S_max分别为储能允许最小和最大SOC。

Constraint2：常规机组爬坡约束

（B2）

式中：R $_{m, m a x}^{G, u p}$ 和R $_{m, m a x}^{G, d o w n}$ 分别是常规机组i的最大上爬坡率和下爬坡率。

Constraint3：常规机组及储能二次调频备用容量约束

（B3）

Constraint4：常规机组启停成本约束

（B4）

式中：β $_{m}^{G, s t a r t}$ 和β $_{m}^{G, s t o p}$ 分别为常规机组m的启停成本。

Constraint5：储能SOC约束

（B5）

式中：S_ij_，_tk和S₀分别为储能的SOC变化量和初始值；η_down和η_up分别为储能充电、放电效率；S_min和S_max为储能SOC的最小值与最大值；S_d和S_u为储能当日最后时刻SOC的最小值与最大值。

附录C

虚拟同步控制的构网型储能与常规跟网型储能并网控制结构对比如图C1所示。电力系统从扰动发生至系统频率最低点包含扰动功率分配及惯量响应过程，为对比跟网型控制与构网型控制惯量响应过程在MATLAB/Simulink中建立图C1所示模型，相关参数可见表C1。在并网点施加相同大小负荷扰动后跟网型控制与构网型控制频率响应过程如图C2所示，由于构网型变流器控制环节引入同步发电机转子运动方程，其相比跟网型控制在相同扰动下最大频率变化率及暂态频率偏差极值更小，频率支撑能力更强。

图C1 构网型/跟网型储能电站-同步发电机系统带负荷拓扑结构及控制框图

Fig.C1 Topology and control block diagram of grid-forming/grid-following energy storage plant-synchronous generator system with load

图C2 跟网型控制与构网型控制频率响应过程

Fig.C2 Inertial response processes for grid-forming and grid-following control

表C1 构网型/跟网型储能电站-同步发电机系统参数表

Table C1 Parameter table of grid-forming/grid-following energy storage plant-synchronous generator system

参数	数值
P_ref/W	3×10⁶
Q_ref/var	10⁶
V_dcref/V	1100
X_c/Ω	0.0314
X_g/Ω	0.1655
U₀/V	1000
ω₀/rad	314

图C3 构网型储能电站接入区域电网的主电路及控制框图

Fig.C3 Main circuit and control block diagram of a grid-forming energy storage plant connected to the regional power grid

附录D

表D1 同步发电机组相关参数

Fig.D1 Parameters related to synchronous generator sets

传统机组编号	a/ (元·MW^-2)	b/ (元·MW^-1)	c/元	d₁/ (元·MW^-1)	d₂/ (元·MW^-1)	C^G,start/元	C^G,stop/元	e_up/ (元·MW^-1)	e_down/ (元·MW^-1)	P $_{m a x}^{G}$ /MW	H_G/s
1	0.003 3	97.65	1 229.69	49.98	142.64	80 682	80 682	97.65	97.65	150	1.64
2	0.003 3	97.65	1 229.69	49.98	142.64	80 682	80 682	97.65	97.65	155	1.66
3	0.001 3	38.88	940.35	49.98	142.64	369 465	369 465	28.93	28.93	660	3.82
4	0.001 3	38.88	940.35	49.98	142.64	369 465	369 465	28.93	28.93	142	1.60
5	0.003 6	128.03	990.99	49.98	142.64	183 622	183 622	12.80	12.80	180	1.77
6	0.003 6	128.03	990.99	49.98	142.64	183 622	183 622	12.80	12.80	120	1.51

表D2 储能系统相关参数

Fig.D2 Parameters related to synchronous generator sets

储能参数	数值
z_up/(元·MW^-1)	54.18
z_down/(元·MW^-1)	54.18
k_up/(元·MW^-1)	10.85
k_down/(元·MW^-1)	10.85
K_P/(万元·MW^-1)	25.31
K_E/(万元·MWh^-1)	101.26
r/%	6

附录E

图E1 各典型日储能调峰出力

Fig.E1 Energy storage peaking output by typical day

图E2 各典型日储能调频出力

Fig.E2 Energy storage and frequency regulation out of each typical day

图E3 各典型日常规机组出力

Fig.E3 Conventional unit output for each typical day

附录F

表F1 同步发电机节点惯性常数对比

Table F1 Comparison of synchronous generator nodal inertia time constants

同步发电机节点	惯性时间常数/s
同步发电机节点	机组实际值	节点计算值	节点仿真值
节点1	1.64	1.72	2.06
节点2	1.66	1.74	2.09
节点3	3.82	4.16	4.27
节点4	1.60	1.67	1.95
节点5	1.77	1.81	2.39
节点6	1.51	1.53	1.76

图F1 储能不同选址下系统惯量分布指标

Fig.F1 System inertia distribution metrics under different siting of energy storage

图F2 储能备用容量与n_b、H_σ关系曲线

Fig.F2 Curve of energy storage system standby capacity versus n_b, H_σ

图F3 不同备用功率容量下储能最优配置节点

Fig.F3 Nodal diagram of the optimal configuration of energy storage with different storage standby power capacities

参考文献

巩志强，商攀峰，徐明新，等.煤电机组耦合储热系统的灵活性调峰特性研究及其性能评价［J/OL］.中国电机工程学报［2023-12-08］.https：//doi.org/10.13334/j.0258-8013.pcsee.231153． [百度学术]

GONG Zhiqiang， SHANG Panfeng， XU Mingxin， et al. Research and evaluation on the flexible peaking performance of coal-fired power plants coupled with thermal storage［J/OL］. Proceedings of the CSEE［2023-12-08］. https：//doi.org/10.13334/j.0258-8013.pcsee.231153. [百度学术]

张俊涛，程春田，于申，等.水电支撑新型电力系统灵活性研究进展、挑战与展望［J］.中国电机工程学报，2024，44（10）：3862-3885. [百度学术]

ZHANG Juntao， CHENG Chuntian， YU Shen， et al. Progress， challenges and prospects of research on hydropower supporting the flexibility of new power systems［J］. Proceedings of the CSEE， 2024， 44（10）： 3862-3885. [百度学术]

LI Z W， CHENG Z P， LIANG J， et al. Distributed cooperative AGC method for new power system with heterogeneous frequency regulation resources［J］. IEEE Transactions on Power Systems， 2023， 38（5）： 4928-4939. [百度学术]

王博，王宇，张颂，等.基于随机数据驱动SDMD的电力系统区域惯量评估方法［J］.电力系统自动化，2024，48（10）：78-86. [百度学术]

WANG Bo， WANG Yu， ZHANG Song， et al. Regional inertia estimation method for power system based on random data-driven subspace dynamic mode decomposition［J］. Automation of Electric Power Systems， 2024， 48（10）： 78-86. [百度学术]

ZENG F H， ZHANG J B， ZHOU Y， et al. Online identification of inertia distribution in normal operating power system［J］. IEEE Transactions on Power Systems， 2020， 35（4）： 3301-3304. [百度学术]

李更丰，孙少华，别朝红，等.面向新型电力系统弹性提升的储能优化配置与灵活调度研究综述［J］.高电压技术，2023，49（10）：4084-4095. [百度学术]

LI Gengfeng， SUN Shaohua， BIE Zhaohong， et al. Review on optimal configuration and flexible scheduling research of energy storage for resilience improvement of new power system［J］. High Voltage Engineering， 2023， 49（10）： 4084-4095. [百度学术]

李军徽，张嘉辉，李翠萍，等.参与调峰的储能系统配置方案及经济性分析［J］.电工技术学报，2021，36（19）：4148-4160. [百度学术]

LI Junhui， ZHANG Jiahui， LI Cuiping， et al. Configuration scheme and economic analysis of energy storage system participating in grid peak shaving［J］. Transactions of China Electrotechnical Society， 2021， 36（19）： 4148-4160. [百度学术]

LI C P， LI J， LI J H， et al. Optimization strategy of secondary frequency modulation based on dynamic loss model of the energy storage unit［J］. Journal of Energy Storage， 2022， 51： 104425. [百度学术]

RAHIMI T， DING L， KHESHTI M， et al. Inertia response coordination strategy of wind generators and hybrid energy storage and operation cost-based multi-objective optimizing of frequency control parameters［J］. IEEE Access， 2021， 9： 74684-74702. [百度学术]

吴彪，张少华，王晛，等.基于信息间隙决策理论-分布鲁棒优化的含电-氢-热混合储能综合能源系统需求响应策略［J］.电网技术，2024，48（3）：1030-1045. [百度学术]

WU Biao， ZHANG Shaohua， WANG Xian， et al. Demand response strategy for integrated energy system with electric-hydrogen-thermal hybrid energy storage based on information gap decision theory and distributionally robust optimization［J］. Power System Technology， 2024， 48（3）： 1030-1045. [百度学术]

施沁琳，汤波，余光正，等.基于优先指数的配电网分布式储能序次规划［J］.电力系统自动化，2024，48（13）：89-99. [百度学术]

SHI Qinlin， TANG Bo， YU Guangzheng， et al. Distributed energy storage sequence planning for distribution network based on priority index［J］. Automation of Electric Power Systems， 2024， 48（13）：89-99. [百度学术]

刘辉，于思奇，孙大卫，等.构网型变流器控制技术及原理综述［J/OL］.中国电机工程学报［2024-05-10］.https：//kns.cnki.net/kcms/detail/11.2107.tm.20240509.1704.007.html. [百度学术]

LIU Hui， YU Siqi， SUN Dawei， et al. An overview of control technologies and principles for grid-forming converters［J/OL］. Proceedings of the CSEE［2024-05-10］. https：//kns.cnki.net/kcms/detail/11.2107.tm.20240509.1704.007.html. [百度学术]

王新宝，葛景，韩连山，等.构网型储能支撑新型电力系统建设的思考与实践［J］.电力系统保护与控制，2023，51（5）：172-179. [百度学术]

WANG Xinbao， GE Jing， HAN Lianshan， et al. Theory and practice of grid-forming BESS supporting the construction of a new type of power system［J］. Power System Protection and Control， 2023， 51（5）： 172-179. [百度学术]

MALLEMACI V， MANDRILE F， CARPANETO E， et al. Simplified virtual synchronous compensator with grid-forming capability［J］. IEEE Transactions on Industry Applications， 2023， 59（5）： 6203-6219. [百度学术]

SWAIN N， SINHA N， BEHERA S. Stabilized frequency response of a microgrid using a two-degree-of-freedom controller with African vultures optimization algorithm［J］. ISA Transactions， 2023， 140： 412-425. [百度学术]

吴琛，刘晨曦，黄伟，等.提升新能源电力系统稳定性的构网型变流器选址定容方法［J］.电力系统自动化，2023，47（12）：130-136. [百度学术]

WU Chen， LIU Chenxi， HUANG Wei， et al. Siting and sizing method of grid-forming converters for improving stability of power system with renewable energy［J］. Automation of Electric Power Systems， 2023， 47（12）： 130-136. [百度学术]

王亚武，黄淳驿，王承民，等.市场环境下考虑全周期经济效益的工业园区共享储能优化配置［J］.电力系统自动化，2024，48（10）：129-138. [百度学术]

WANG Yawu， HUANG Chunyi， WANG Chengmin， et al. Optimal configuration of shared energy storage in industrial park considering full-cycle economic benefits in electricity market environment［J］. Automation of Electric Power Systems， 2024， 48（10）： 129-138. [百度学术]

米阳，何进，卢长坤，等.计及新能源并网的火储联合调峰运行优化研究［J/OL］.中国电机工程学报［2024-03-29］.https：//kns.cnki.net/kcms/detail/11.2107.tm.20240328.1553.006.html. [百度学术]

MI Yang， HE Jin， LU Changkun， et al. Research on optimized operation of combined heat and power with energy storage for peak shaving considering renewable energy integration［J/OL］. Proceedings of the CSEE［2024-03-29］. https：//kns.cnki.net/kcms/detail/11.2107.tm.20240328.1553.006.html. [百度学术]

李欣，卢景涛，黄文勋.绿电牵引场景下高速铁路长大坡道混合储能系统容量优化配置［J/OL］.中国电机工程学报［2024-04-28］.https：//doi.org/10.13334/j.0258-8013.pcsee.232070． [百度学术]

LI Xin， LU Jingtao， HUANG Wenxun. Capacity optimization configuration of hybrid energy storage system for long steep slope of high-speed railway under green electric traction scenarios［J/OL］. Proceedings of the CSEE［2024-04-28］. https：//doi.org/10.13334/j.0258-8013.pcsee.232070. [百度学术]

张美霞，李丽，杨秀，等.基于高斯混合模型聚类和多维尺度分析的负荷分类方法［J］.电网技术，2020，44（11）：4283-4296. [百度学术]

ZHANG Meixia， LI Li， YANG Xiu， et al. A load classification method based on Gaussian mixture model clustering and multi-dimensional scaling analysis［J］. Power System Technology， 2020， 44（11）： 4283-4296. [百度学术]

杨天鑫，黄云辉，唐金锐，等.高比例新能源下含调频控制的储能系统多目标优化［J］.高电压技术，2023，49（7）：2744-2753. [百度学术]

YANG Tianxin， HUANG Yunhui， TANG Jinrui， et al. Multi-objective optimization of energy storage system with frequency regulation control under high proportion of renewable energy［J］. High Voltage Engineering， 2023， 49（7）： 2744-2753. [百度学术]

CHEN P Y. A novel coordinated TOPSIS based on coefficient of variation［J］. Mathematics， 2019， 7（7）： 614. [百度学术]

ANDERSON P M，FOUAD A A. Power system control and stability［M］. USA： Wiley-IEEE Press， 2002. [百度学术]

刘方蕾，胥国毅，刘家豪，等.考虑电网结构和参数的电力系统惯量分布特性［J］.电力系统自动化，2021，45（23）：60-67. [百度学术]

LIU Fanglei， XU Guoyi， LIU Jiahao， et al. Inertia distribution characteristics of power system considering structure and parameters of power grid［J］. Automation of Electric Power Systems， 2021， 45（23）： 60-67. [百度学术]

ZHU J B， BOOTH C D， ADAM G P， et al. Inertia emulation control strategy for VSC-HVDC transmission systems［J］. IEEE Transactions on Power Systems， 2013， 28（2）： 1277-1287. [百度学术]

Address：No.19 Chengxin Avenue, Nanjing 211106, Jiangsu Province, P. R. China Postcode：211106 ServiceTel：025-81093050

Publish: 025-81093071 Fax:025-81093040 E-mail：aeps@alljournals.cn

Home

Introduction

Editorial Board

Purple Mountain Forum

MPCE

基于多时间尺度调节的构网型储能电站定容选址优化配置

摘要

关键词

0 引言

1 高比例新能源下源荷多时间尺度不确定性场景生成

1.1　调峰时间尺度下不确定性场景生成

1.2　调频时间尺度不确定性表征及其场景生成

1.3　多时间尺度下不确定性场景生成分析

2 基于多时间尺度调节的构网型储能电站定容选址优化模型

2.1　储能电站与常规机组联合调度优化模型

2.2　储能容量优化配置模型

2.3　构网型储能电站选址分析及多目标优化模型

3 构网型储能电站定容选址优化算例分析

3.1　基于多时间尺度调节的构网型储能电站容量优化配置分析

3.2　构网型储能电站选址及多目标优化分析

4 结语

附录

附录A

附录B

附录C

附录D

附录E

附录F

参考文献

Home

Introduction

Editorial Board

Purple Mountain Forum

MPCE

基于多时间尺度调节的构网型储能电站定容选址优化配置

摘要

关键词

0 引言

1 高比例新能源下源荷多时间尺度不确定性场景生成

1.1 调峰时间尺度下不确定性场景生成

1.2 调频时间尺度不确定性表征及其场景生成

1.3 多时间尺度下不确定性场景生成分析

2 基于多时间尺度调节的构网型储能电站定容选址优化模型

2.1 储能电站与常规机组联合调度优化模型

2.2 储能容量优化配置模型

2.3 构网型储能电站选址分析及多目标优化模型

3 构网型储能电站定容选址优化算例分析

3.1 基于多时间尺度调节的构网型储能电站容量优化配置分析

3.2 构网型储能电站选址及多目标优化分析

4 结语

附录

附录A

附录B

附录C

附录D

附录E

附录F

参 考 文 献

1.1　调峰时间尺度下不确定性场景生成

1.2　调频时间尺度不确定性表征及其场景生成

1.3　多时间尺度下不确定性场景生成分析

2.1　储能电站与常规机组联合调度优化模型

2.2　储能容量优化配置模型

2.3　构网型储能电站选址分析及多目标优化模型

3.1　基于多时间尺度调节的构网型储能电站容量优化配置分析

3.2　构网型储能电站选址及多目标优化分析

参考文献