多类型储能参与的调峰模型及其优化调度策略

doi:10.16513/j.2096-2185.DE.2409203

多类型储能参与的调峰模型及其优化调度策略

谢代钰^,¹, 李宏洲^,², 陈标¹, 李培恺¹, 李光明¹, 代伟²

1．广西电网有限责任公司电力调度控制中心，广西壮族自治区　南宁市　530013

2．广西电力系统最优化与节能技术重点实验室(广西大学)，广西壮族自治区　南宁市　530004

Multitype Energy Storage Participation Peak Load Regulation Model and Its Optimal Scheduling Strategy

XIE Daiyu^,¹, LI Hongzhou^,², CHEN Biao¹, LI Peikai¹, LI Guangming¹, DAI Wei²

1. Dispatching Control Center, Guangxi Power Grid Company, Nanning 530013, Guangxi Zhuang Autonomous Region, China

2. Guangxi Key Laboratory of Power System Optimization and Energy Technology, Guangxi University, Nanning 530004, Guangxi Zhuang Autonomous Region, China

收稿日期: 2024-01-24

基金资助:

广西自然科学基金项目. 2021GXNSFBA220032

Received: 2024-01-24

Fund supported:

Natural Science Foundation of Guangxi. 2021GXNSFBA220032

作者简介 About authors

谢代钰(1989)，男，硕士，工程师，研究方向为电力调度运行与管理、负荷侧需求响应，371486756@qq.com； , E-mail：371486756@qq.com

李宏洲(1999)，男，硕士研究生，研究方向为电力系统优化运行，2212392053@st.gxu.edu.cn； , E-mail：2212392053@st.gxu.edu.cn

陈　标(1966)，男，学士，高级工程师，从事电力系统优化运行研究工作；。

李培恺(1992)，男，硕士，工程师，研究方向为虚拟电厂调度运行控制、电力市场运营、新能源分布式控制等；。

李光明(1993)，男，硕士，工程师，研究方向为电力系统规划；。

代　伟(1990)，男，博士，副教授，研究方向为电力系统运行调度、大规模电网的降维分析等。

摘要

为了实现“碳达峰”和“碳中和”战略目标，中国电网将逐步建设成为一个以新能源为主、多类型电源共存的绿色智慧电网。然而，传统常规电源有限的调峰能力难以满足未来电力系统接入高比例新能源后的调峰需求，制约了新能源的消纳能力，并降低了系统运行的安全性与经济性。因此，需要构建抽水蓄能、电化学储能、电动汽车(electric vehicle, EV)虚拟储能等多类型储能模型，并结合某省级电力系统4种典型场景和极端场景，在现有储能调峰辅助服务补偿机制基础上提出站在调度机构角度下的最优调峰效益模型。通过对某省级电网历史数据进行仿真验证，证明该模型在减少火电机组频繁启停、提升调峰经济性方面发挥着积极作用，促进未来新型电力系统的经济性和安全性运行。

关键词： 多类型储能 ; 深度调峰 ; 优化调度 ; 调峰补偿机制 ; 新能源消纳

Abstract

In order to achieve the strategic goals of "carbon peak" and "carbon neutral", China's power grid will gradually be built into a green smart grid with new energy as the main power source and multiple types of power sources coexisting. However, the limited peak regulation capacity of traditional conventional power sources is difficult to meet the peak regulation demand of the future power system after accessing high proportion of new energy, which restricts the absorption capacity of new energy and reduces the safety and economy of system operation. Therefore, it is necessary to build multiple types of energy storage models, such as pumped storage, electrochemical energy storage, and electric vehicle virtual energy storage. Combined with four typical scenarios and extreme scenarios of a provincial power system, an optimal peak regulation efficiency model from the perspective of dispatching agency is proposed based on the existing energy storage peak regulation auxiliary service compensation mechanism. Through simulation verification using historical data from a provincial power grid, it has been demonstrated that this model plays a positive role in reducing frequent start-stop cycles for thermal power units and improving economic efficiency in peak regulation. This promotes both economic viability and safe operation for future advanced electricity systems.

Keywords： multitype energy storage ; depth peak regulation ; optimized scheduling ; peak load compensation mechanism ; new energy consumption

PDF (6703KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

谢代钰, 李宏洲, 陈标, 李培恺, 李光明, 代伟. 多类型储能参与的调峰模型及其优化调度策略. 分布式能源[J], 2024, 9(2): 19-29 doi:10.16513/j.2096-2185.DE.2409203

XIE Daiyu, LI Hongzhou, CHEN Biao, LI Peikai, LI Guangming, DAI Wei. Multitype Energy Storage Participation Peak Load Regulation Model and Its Optimal Scheduling Strategy. Distributed Energy[J], 2024, 9(2): 19-29 doi:10.16513/j.2096-2185.DE.2409203

0　引言

随着“双碳”目标的提出，电力系统正加速向以新能源为主的清洁能源体系方向转型^[1,2,3]。随着新能源高比例接入电力系统，新能源具有的波动性与逆调峰特性，使得电力系统需要更多调峰容量以维持系统电力平衡^[4,5,6]。然而，传统电源有限的调峰能力难以满足日益攀升的调峰需求，降低了系统运行的经济性与可靠性^[7,8,9]。储能作为促进高比例新能源消纳的重要抓手，各大电网公司均在大力推进^[10,11]。抽水蓄能电站、锂电池储能、电动汽车(electric vehicle, EV)虚拟储能等与新能源的有机结合，有助于提升电力系统运行效益^[12]，降低新能源对电网的不良影响，提高新能源的消纳率^[13,14]。

目前，针对各类储能资源参与调峰已取得一定的研究成果。文献[15]通过时序生产模拟抽水蓄能，对其在典型省份中促进新能源的消纳作用进行了量化研究。文献[16]构建了调峰场景集，采用随机规划解决多场景下的不确定性调峰问题。文献[17]提出了一种数据驱动下基于风电调峰场景的多时间控制策略，构建了风光火储调峰模型，补充完善了在极端风电情况下的调度方案。文献[18]针对新能源的不确定性和随机性，提出了多能源储能联合调峰多场景动态鲁棒优化模型，提高了系统在多场景下运行的经济性。上述文献评估了调峰多场景下系统运行的经济性及可靠性，然而缺乏对多类型储能协同参与调峰的探究，潜在的协调运行效益未得到充分挖掘。文献[19]建立了储能参与低碳灵活调峰的双层模型，上层决定各时刻的储能中放电功率，下层确定各时刻的储能备用容量，模型可以提高系统的调峰灵活性，减少系统碳排放。文献[20]建立含电-氢混合储能的调峰优化模型，通过新能源功率分配，能量管理策略，氢储能模块化和多时间尺度管理提出了电氢混合储能协调运行方案。尽管文献[19,20]构建了多类型储能参与调峰的模型，但考虑的调峰场景有限，系统在其他苛刻场景下的调峰效益难以得到保证。

目前的研究大多针对单一类型的储能制定调峰策略，尽管可以提升电网的灵活性，但从调峰资源整合利用的角度来看，尚且缺乏对多类型储能协调参与调峰的实际应用工程分析与研究。其次，缺乏基于场景多样性的电网调峰情况的评估以及多调峰场景下的调峰缺口分析与优化调度策略研究。

为了弥补上述不足，本文首先分析抽水蓄能电站、锂电池储能、EV虚拟储能等运行特性，考虑其充放电速率、充放电容量、充放电次数等因素，构建各类型储能模型，为应对各类型调峰缺口的调度方案奠定基础；其次，以某省现有常规调峰资源为主，锂电池储能、EV虚拟储能为辅，考虑该省独特气候条件，如汛期连续降雨或台风等水电大发天气下叠加风电大发的极端调峰场景以及4个典型场景，并基于现有储能调峰辅助服务补偿机制，构建多类型储能参与的调峰效益最优模型，生成不同储能资源应对调峰缺口的充放电时段，促进新能源消纳，减少火电的频繁启停，指导调度人员合理调度决策。

1　多类型储能模型构建

1.1　抽水蓄能电站运行模型

目前主流的抽蓄电站机组为可逆式水泵水轮机机组，其运行方式灵活，可快速高效地切换正反向运转状态的特点。然而，由于抽蓄电站的固有特性，其运行情况也会受到限制。因此，需根据抽水蓄能电站宏观运行特性，构建抽水蓄能机组运行模型。

(1)抽蓄机组运行工况模型。

任意1台抽蓄机组只能同时处于1种运行工况，并且各工况下都受到相应的功率限制。此外，抽蓄电站的机组是串联式的，即机组之间通过输水系统相连，如果机组运行于不同工况，会导致输水系统的压力不稳定，影响机组的安全和效率。抽蓄电站单一运行工况模型为

(1) ${\begin{array}{l} γ_{k, t}^{PS, p} P_{k, min}^{PS, p} \leq P_{k, t}^{PS, p} \leq γ_{k, t}^{PS, p} P_{k, max}^{PS, p} \\ γ_{k, t}^{PS, g} P_{k, min}^{PS, g} \leq P_{k, t}^{PS, g} \leq γ_{k, t}^{PS, g} P_{k, max}^{PS, g} \\ γ_{k, t}^{PS, p} + γ_{k, t}^{PS, g} \leq 1 \\ γ_{t}^{PS, p} + γ_{t}^{PS, g} \leq 1 \end{array}$

式中： $γ_{k, t}^{PS, p}$ 、 $γ_{k, t}^{PS, g}$ 分别表示抽蓄机组k的抽水、发电工况，为二元变量； $P_{k, \max}^{PS, p}$ 、 $P_{k, \min}^{PS, p}$ 分别为抽蓄机组k处于抽水工况的功率上、下限； $P_{k, \max}^{PS, g}$ 、 $P_{k, \min}^{PS, g}$ 分别为抽蓄机组k发电工况的功率上、下限； $P_{k, t}^{PS, p}$ 、 $P_{k, t}^{PS, g}$ 分别为抽蓄机组k在t时段的抽水、发电功率； $γ_{t}^{PS, p}$ 、 $γ_{t}^{PS, g}$ 分别表示整个抽蓄电站在t时段的抽水、发电工况状态。

(2)抽蓄机组运行台数限制。

(2) ${\begin{array}{l} \sum_{k = 1}^{K} γ_{k, t}^{PS, p} \leq K γ_{t}^{PS, p} \\ \sum_{k = 1}^{K} γ_{k, t}^{PS, g} \leq K γ_{t}^{PS, g} \end{array}$

式中K为抽蓄电站最大机组运行台数。

(3)抽蓄电站水位限制及变化模型。

抽蓄电站上、下水库库容有限，抽蓄机组处于何种运行工况会影响上、下水库库容量。此外，上、下游水库库容量随抽蓄机组运行而有所变化，因此构建以下抽蓄电站水位模型：

(3) ${\begin{array}{l} V_{min}^{u} \leq V_{t}^{u} \leq V_{max}^{u} \\ V_{min}^{d} \leq V_{t}^{d} \leq V_{max}^{d} \end{array}$

(4) ${\begin{array}{l} V_{t + 1}^{u} = V_{t}^{u} + (μ_{p} \sum_{k = 1}^{K} P_{k, t}^{PS, p} - μ_{g} \sum_{k = 1}^{K} P_{k, t}^{PS, g}) Δ t \\ V_{t + 1}^{d} = V_{t}^{d} + (μ_{g} \sum_{k = 1}^{K} P_{k, t}^{PS, g} - μ_{p} \sum_{k = 1}^{K} P_{k, t}^{PS, p}) Δ t \end{array}$

式中： $V_{\max}^{u}$ 、 $V_{\min}^{u}$ 分别为上水库水位上、下限； $V_{\max}^{d}$ 、 $V_{\min}^{d}$ 分别为下水库最大、最小水位； $V_{t}^{u}$ 、 $V_{t}^{d}$ 分别为上、下水库在t时段的水位；μ_p、μ_g分别为机组抽水、发电工况下的水量电量转换系数。

1.2　电池储能电站运行模型

(1)电池储能充放电功率及状态模型。

储能电池在任意时段只能处于充电或放电状态，并且充放电功率不能超过最大限制，以保证电池储能的稳定可靠运行，其模型为

(5) ${\begin{array}{l} γ_{i, t}^{BS, ch} P_{i, min}^{BS, ch} \leq P_{i, t}^{BS, ch} \leq γ_{i, t}^{BS, ch} P_{i, max}^{BS, ch} \\ γ_{i, t}^{BS, dis} P_{i, min}^{BS, dis} \leq P_{i, t}^{BS, dis} \leq γ_{i, t}^{BS, dis} P_{i, max}^{BS, dis} \\ γ_{i, t}^{BS, ch} + γ_{i, t}^{BS, dis} \leq 1 \end{array}$

式中： $γ_{i, t}^{BS, ch}$ 、 $γ_{i, t}^{BS, dis}$ 分别为表征储能电池i在t时段充、放电状态的二元变量； $P_{i, \max}^{BS, ch}$ 、 $P_{i, \min}^{BS, ch}$ 分别为储能电池i充电功率上、下限； $P_{i, \max}^{BS, dis}$ 、 $P_{i, \min}^{BS, dis}$ 分别为储能电池i放电功率上、下限； $P_{i, t}^{BS, ch}$ 、 $P_{i, t}^{BS, dis}$ 分别为储能电池i在t时段的充、放电功率。

(2)荷电状态变化模型。

储能电池的荷电状态(state of charge, SOC)变化模型为

(6) $λ_{i, t}^{BS, SOC} = (1 - ζ) λ_{i, t - 1}^{BS, SOC} + (η^{ch} P_{i, t - 1}^{BS, ch} - \frac{P_{i, t - 1}^{BS, dis}}{η^{dis}}) \frac{Δ t}{E_{i}^{BS}}$

式中： $λ_{i, t}^{BS, SOC}$ 为储能电池i在t时段的SOC；ζ为储能电池日自放电率；η^ch、η^dis分别为储能电池充、放电效率； $E_{i}^{BS}$ 为储能电池i的容量。

1.3　EV运行模型

(1)单体EV运行可调区域构建。

EV参与电网电能交互的灵活性可通过其充电行为信息刻画，本文考虑EV电能馈入电网，即车网互动。某EV的充电行为信息可由4个参数(t_a，j，t_d，j， $λ_{a, j}^{EV, SOC}$ ， $λ_{d, j}^{EV, SOC}$ )进行描述，其中：t_a，j、 t_d，j分别为第j个EV到达和离开的时间； $λ_{a, j}^{EV, SOC}$ 、 $λ_{d, j}^{EV, SOC}$ 分别为第j个EV到达和离开充电地点时动力电池的SOC，这些充电行为信息可通过充电站在线预约系统或历史数据获取^[21,22]。

通过获取的这4个参数，可采用能量、功率边界模型便可刻画单体EV参与电网电能交互的灵活性^[23]，从而构建出第j辆EV在t_a，j～t_d，j时间内EV累积充放电量 $E_{j}^{EV}$ 与充放电功率 $P_{j}^{EV}$ 的可行区域，分别由上界( ${\bar{E}}_{j}^{EV}$ / ${\bar{P}}_{j}^{EV}$ )和下界( ${\underline{E}}_{j}^{EV}$ / ${\underline{P}}_{j}^{EV}$ )所包围。并且，该区域包含了EV能量与功率的所有可行轨迹，如图1所示，图中： $λ_{\max}^{EV, SOC}$ 、 $λ_{\min}^{EV, SOC}$ 分别为EV动力电池SOC值的最大值和最小值；P^EV，ch、P^EV，dis分别为EV的充、放电功率。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 考虑车网互动的单体EV能量及功率边界

Fig.1 Energy and power boundary of an EV considering vehicle to grid

(2)大规模EV运行可调区域构建。

EV规模庞大，集中式调度模式下计算负担增重，大大降低车网互动效率，因此电动汽车聚合商(electric vehicle aggregator, EVA)应运而生。EVA通过收集到的各单体EV充电行为信息，基于能量、功率边界模型生成其可调区域，进而直接叠加各EV的边界值即可获得大规模EV的整体可调容量，EV聚合可调容量模型为

(7) ${\begin{array}{l} {\bar{E}}_{n, t}^{EVA} = \sum_{j = 1}^{N_{n}^{EV}} {\bar{E}}_{j, t}^{EV} \\ {\underline{E}}_{n, t}^{EVA} = \sum_{i = 1}^{N_{n}^{EV}} {\underline{E}}_{j, t}^{EV} \end{array}$

(8) ${\begin{array}{l} {\bar{P}}_{n, t}^{EVA} = \sum_{j = 1}^{N_{n}^{EV}} {\bar{P}}_{j, t}^{EV} \\ {\underline{P}}_{n, t}^{EVA} = \sum_{i = 1}^{N_{n}^{EV}} {\underline{P}}_{j, t}^{EV} \end{array}$

式中： $N_{n}^{EV}$ 为第n个EVA中的EV数量； ${\bar{E}}_{n, t}^{EVA}$ 、 ${\underline{E}}_{n, t}^{EVA}$ 分别为EVA能量上、下边界； ${\bar{P}}_{n, t}^{EVA}$ 、 ${\underline{P}}_{n, t}^{EVA}$ 分别为聚合功率上、下边界。

2　考虑调峰补偿机制的多类型储能参与系统调峰优化模型

《南方区域电力辅助服务管理实施细则》将电力辅助服务的提供方式划分为基本电力辅助服务和有偿电力辅助服务，因而调峰也划分成基本调峰与有偿调峰，按照调峰提供源出力范围、是否启停等标准区分。基本调峰下调峰提供方义务提供调峰服务，而无需对其进行补偿，有偿调峰采用固定补偿方式，补偿机制因调峰提供源类型而异，《南方区域新型储能并网运行及辅助服务管理实施细则》给出了如表1所示的调峰辅助服务补偿机制。

表1 调峰辅助服务补偿机制

Table 1 Compensation mechanism of peak-shaving auxiliary service

机组类型	基本调峰范围	深度调峰补偿价格/[元·(MW·h)^－1]	单次启停调峰补偿价格/(元·kW^－1)
燃煤、生物质机组	100%～50%额定容量	49.5(40%～50%额定容量) 3 963(0%～40%额定容量) 594(30%以下额定容量)	2.5
燃气、燃油及水电机组	100%～0%额定容量	—	0.125
抽水蓄能机组	100%～0%额定容量(发电工况)	0.495(抽发和抽水累计利用小时均达到规定值时，超出部分抽水电量)	—
新型储能	—	396(按充电电量)	—

新窗口打开| 下载CSV

2.1　目标函数

本文站在调度机构利益方，基于现有调峰辅助服务补偿机制(如表1所示)，构建调峰经济性最优的目标函数，其中包含调峰环境下火电机组相关费用、水电发电费用、分时电价机制下各类型储能调度成本以及弃新能源成本总和最小，即

(9) $\begin{array}{l} f = min {\sum_{t = 1}^{T} {\sum_{m = 1}^{N^{H}} (C_{m, t}^{H} + C_{m, t}^{HU} + C_{m, t}^{HD}) + \\ \sum_{s = 1}^{N^{HY}} (ω_{s} R_{s, t} + C_{g}^{HY} P_{s, t}^{HY}) + \\ \sum_{k = 1}^{N^{PS}} (C_{c}^{PS} P_{k, t}^{PS, p} + C_{g} P_{k, t}^{PS, g} - C_{b} P_{k, t}^{PS, p}) + \\ \sum_{i = 1}^{N^{BS}} (C_{c}^{BS} P_{i, t}^{BS, ch} + C_{g} P_{i, t}^{BS, dis} - C_{b} P_{i, t}^{BS, ch}) + \\ \sum_{n = 1}^{N^{EVA}} [(1 + θ) C^{BD} P_{n, t}^{EVA, dis} - C_{b} P_{n, t}^{EVA, ch}]}} \end{array}$

(10) $\begin{array}{l} C_{m, t}^{H} = \\ {\begin{array}{l} 0, & P_{m, t}^{H} = 0 \\ Z_{n} (P_{m, t}^{H}) = C_{g}^{H} P_{m, t}^{H}, & P_{m, min}^{H} \leq P_{m, t}^{H} \leq P_{m, max}^{H} \\ Z_{R 1} (P_{m, t}^{H}) = Z_{n} (P_{m, t}^{H}) & + α (P_{m, min}^{H} - P_{m, t}^{H}), \\ P_{m, R 1}^{H} \leq P_{m, t}^{H} \leq P_{m, min}^{H} \\ Z_{R 2} (P_{m, t}^{H}) = Z_{n} (P_{m, t}^{H}) & + α (P_{m, min}^{H} - P_{m, R 1}^{H}) + \\ β (P_{m, R 1}^{H} - P_{m, t}^{H}), & P_{m, R 2}^{H} \leq P_{m, t}^{H} \leq P_{m, R 1}^{H} \end{array} \end{array}$

式中：N^H为火电机组总量； $C_{m, t}^{H}$ 为火电机组m在t时段的发电成本及深度调峰补偿之和； $C_{m, t}^{HU}$ 、 $C_{m, t}^{HD}$ 分别为火电机组m在t时段的启停调峰补偿费用；N^HY为水电机组总量；ω_s为水电机组s弃水惩罚成本；R_s，t为水电机组s在t时段的弃水量； $C_{g}^{HY}$ 为水电上网电价； $P_{s, t}^{HY}$ 为水电机组s在t时段的出力；N^PS为抽水蓄能机组总量； $C_{c}^{PS}$ 为抽水蓄能深度调峰补偿成本；C_g、C_b分别为峰谷分时电价下的放、用电价格；N^BS为储能电池总量； $C_{c}^{BS}$ 为新型储能深度调峰补偿价格；N^EVA为储能电池总量；θ为EVA服务成本系数；C^BD为EV参与电网交互时的电池寿命衰减成本，具体计算方法参考文献[24]，相关参数取值参考文献[25]； $P_{n, t}^{EVA, ch}$ 、 $P_{n, t}^{EVA, dis}$ 分别为第n个EVA在t时刻的充电、放电功率；Z_n、Z_R1和Z_R2分别为火电机组在基本调峰、深度调峰不投油阶段和深度调峰投油阶段的成本； $P_{m, t}^{H}$ 为火电机组m在t时刻的出力； $C_{g}^{H}$ 为火电上网电价； $P_{m, \max}^{H}$ > $P_{m, \min}^{H}$ > $P_{m, R 1}^{H}$ > $P_{m, R 2}^{H}$ 为火电机组不同运行阶段分界点；α、β分别为深度调峰一阶段、二阶段补偿系数。

2.2　约束条件

(1)火电机组出力约束。

在火电机组基本调峰范围内只需考虑发电成本，当存在调峰需求需要降负荷减少发电量，由于控制火电机组低负荷输出需要额外的控制以及投油成本等，通常须要给予一定的补偿。除此之外，为了保证模型的求解效率，使用大M法对火电机组出力约束进行了线性化处理，即

(11) $w_{m, t}^{n} + w_{m, t}^{R 1} + w_{m, t}^{R 2} = w_{m, t}^{h}$

(12) ${\begin{cases} - w_{m, t}^{h} M \leq P_{m, t}^{H} \leq w_{m, t}^{h} M \\ P_{m, min}^{H} - (1 - w_{m, t}^{n}) M \leq P_{m, t}^{H} \leq \\ P_{m, max}^{H} + (1 - w_{m, t}^{n}) M \\ P_{m, R 1}^{H} - (1 - w_{m, t}^{R 1}) M \leq P_{m, t}^{H} \leq \\ P_{m, min}^{H} + (1 - w_{m, t}^{R 1}) M \\ P_{m, R 2}^{H} - (1 - w_{m, t}^{R 2}) M \leq P_{m, t}^{H} \leq \\ P_{m, R 1}^{H} + (1 - w_{m, t}^{R 2}) M \end{cases}$

式中： $w_{m, t}^{n}$ 、 $w_{m, t}^{R 1}$ 、 $w_{m, t}^{R 2}$ 及 $w_{m, t}^{h}$ 为表征火电机组m在t时段运行状态的二元变量；M为一个极大数。

(2)火电机组基本及深度调峰成本约束。

考虑深度调峰下，火电机组运行成本具有分段特征，火电调峰成本约束为

(13) ${\begin{cases} - w_{m, t}^{h} M \leq C_{m, t}^{H} \leq w_{m, t}^{h} M \\ Z_{n} (P_{m, t}^{H}) - (1 - w_{m, t}^{n}) M \leq C_{m, t}^{H} \leq Z_{n} (P_{m, t}^{H}) + \\ (1 - w_{m, t}^{n}) M \\ Z_{R 1} (P_{m, t}^{H}) - (1 - w_{m, t}^{R 1}) M \leq C_{m, t}^{H} \leq Z_{R 1} (P_{m, t}^{H}) + \\ (1 - w_{m, t}^{R 1}) M \\ Z_{R 2} (P_{m, t}^{H}) - (1 - w_{m, t}^{R 2}) M \leq C_{m, t}^{H} \leq Z_{R 2} (P_{m, t}^{H}) + \\ (1 - w_{m, t}^{R 2}) M \end{cases}$

(3)火电机组启停成本、启停时间及爬坡约束。

(14) ${\begin{array}{l} C_{m, t}^{HU} \geq 0 \\ C_{m, t}^{HD} \geq 0 \\ C_{m, t}^{HU} \geq \frac{P_{m, max}^{H}}{ϕ^{h}} A (w_{m, t}^{h} - w_{m, t - 1}^{h}) \\ C_{m, t}^{HD} \geq \frac{P_{m, max}^{H}}{ϕ^{h}} B (w_{m, t - 1}^{h} - w_{m, t}^{h}) \end{array}$

(15) ${\begin{array}{l} (T_{m, t}^{H, on} - T_{min}^{H, on}) (w_{m, t - 1}^{h} - w_{m, t}^{h}) \geq 0 \\ (T_{m, t}^{H, off} - T_{min}^{H, off}) (w_{m, t}^{h} - w_{m, t - 1}^{h}) \geq 0 \end{array}$

(16) $R_{m}^{D} \leq P_{m, t}^{H} - P_{m, t - 1}^{H} \leq R_{m}^{U}$

式中：A、B分别为启停调峰补偿价格； $ϕ^{h}$ 为单次启停调峰补偿价格，如表1所示，单位为元/kW； $T_{m, t}^{H, on}$ 、 $T_{m, t}^{H, off}$ 分别为火电机组m在t时段的连续启停时间； $T_{\min}^{H, on}$ 、 $T_{\min}^{H, off}$ 分别为最小启、停时间； $R_{m}^{U}$ 、 $R_{m}^{D}$ 分别为爬坡上升速率和下降速率。

(4)水电站库容量约束。

(17) ${\begin{array}{l} V_{s}^{min} \leq V_{s, t} \leq V_{s}^{max} \\ V_{s, 1} = V_{s, T} \end{array}$

式中： $V_{s}^{\max}$ 、 $V_{s}^{\min}$ 分别为水电站s的库容上、下限；V_s，t为水电站s在t时段的水库库容量。

(5)水量平衡约束。

(18) $V_{s, t} = V_{s, t - 1} + Q_{s, t}^{in} - \sum_{l = 1}^{N_{s}^{HY}} Q_{l, t} - R_{s, t}$

式中： $Q_{s, t}^{in}$ 为水电站s在t时段的来水量；Q_l，t为水电机组l在t时段的发电流量； $N_{s}^{HY}$ 为水电站s的机组台数。

(6)水能转换约束。

(19) $P_{s, l, t}^{HY} = r_{1, l} Q_{l, t} + r_{2, l} V_{s, t} + r_{3, l}$

式中： $P_{s, l, t}^{HY}$ 为水电站s中机组l在t时段的出力；r_1，l、r_2，l及r_3，l为水能转换系数，采用二元线性拟合方法表示水能转换关系^[26,27]。

(7)抽水蓄能及电池储能运行。

本文已在第1节针对抽水蓄能及电池储能运行特性构建对应数学模型，因此不再过多赘述，其相关运行约束如式(1)—(9)所示。

(8) EVA充放电功率约束。

(20) ${\begin{array}{l} 0 \leq P_{n, t}^{EVA, dis} \leq - γ_{n, t}^{EVA, dis} {\underline{P}}_{n, t}^{EVA} \\ 0 \leq P_{n, t}^{EVA, ch} \leq γ_{n, t}^{EVA, ch} {\bar{P}}_{n, t}^{EVA} \\ γ_{n, t}^{EVA, dis} + γ_{n, t}^{EVA, ch} \leq 1 \end{array}$

式中： $γ_{n, t}^{EVA, ch}$ 、 $γ_{n, t}^{EVA, dis}$ 分别为表征第n个EVA在t时段的充、放电状态的二元变量。

(9) EVA能量约束。

(21) ${\begin{array}{l} {\underline{E}}_{n, t}^{EVA} \leq E_{n, t}^{EVA} \leq {\bar{E}}_{n, t}^{EVA} \\ E_{n, t}^{EVA} = E_{n, t - 1}^{EVA} + (P_{n, t - 1}^{EVA, ch} - P_{n, t - 1}^{EVA, dis}) Δ t \end{array}$

式中 $E_{n, t}^{EVA}$ 为第n个EVA在t时段的聚合能量大小。

(10)新能源运行约束。

(22) ${\begin{array}{l} P_{r, t}^{sche} = P_{r, t}^{fore} - P_{r, t}^{shed} \\ 0 \leq P_{r, t}^{sche} \leq P_{r, t}^{fore} \end{array}$

式中； $P_{r, t}^{sche}$ 为新能源场站r在t时刻的调度出力； $P_{r, t}^{fore}$ 为新能源预测功率； $P_{r, t}^{shed}$ 为弃新能源功率。

(11)系统功率平衡约束。

(23) $\begin{array}{l} \sum_{m = 1}^{N^{H}} P_{m, t}^{H} + \sum_{s = 1}^{N^{HY}} P_{s, t}^{HY} + \sum_{r = 1}^{N^{r}} P_{r, t}^{sche} + \sum_{k = 1}^{N^{PS}} (P_{k, t}^{PS, g} - P_{k, t}^{PS, p}) + \\ \sum_{i = 1}^{N^{BS}} (P_{i, t}^{BS, dis} - P_{i, t}^{BS, ch}) + \sum_{n = 1}^{N^{EVA}} (P_{n, t - 1}^{EVA, dis} - P_{n, t - 1}^{EVA, ch}) = P_{t}^{L} \end{array}$

式中：N^r新能源场站数； $P_{t}^{L}$ 为t时段的负荷大小。

3　仿真分析

3.1　算例介绍

本算例选取1台投运额定容量为300 MW的可逆式水轮发电机，14个总功率能量比为3 500 MW/7 000 MW·h的储能电站，参与调峰的EV数量为41 250，依照《2022中国电动汽车用户充电行为白皮书》用户充电行为特征统计平均值设定单体EV参数。通过实际文件规划要求及假设分析，各类型储能单元具体相关运行参数设置如表2，表3，表4所示。储能充放电电价参数通过《关于进一步完善抽水蓄能价格形成机制的意见》及《加快推动“某地区”新型储能示范项目建设的若干措施》文件中获得，如表5所示。表1及表5共同组成目标函数中相关调峰补偿费用系数。

表2 抽水蓄能相关参数

Table 2 Parameters of pumped storage

储能类型	抽水工况出力/MW		发电工况出力/MW		水量电量转换系数/[m³·(MW·h)^－1]	电量水量转换系数/[(MW·h)·m^－3]	机组台数
储能类型	上限	下限	上限	下限	水量电量转换系数/[m³·(MW·h)^－1]	电量水量转换系数/[(MW·h)·m^－3]	机组台数
抽水蓄能	300	0	300	0	251.62	318.24	1

新窗口打开| 下载CSV

表3 电池储能相关参数

Table 3 Parameters of battery energy storage

储能类型	总充放电功率/GW	充放电效率/%	电池容量/(GW·h)	SOC值		数量
储能类型	总充放电功率/GW	充放电效率/%	电池容量/(GW·h)	上限	下限	数量
锂电池储能	3.5	95	7.0	0.9	0.1	14

新窗口打开| 下载CSV

表4 EV相关参数

Table 4 Parameters of EV

储能类型	充放电功率/kW	充放电效率/%	电池容量/(kW·h)	SOC值		数量
储能类型	充放电功率/kW	充放电效率/%	电池容量/(kW·h)	上限	下限	数量
单体EV	30	95	40	1.0	0.1	41 250

新窗口打开| 下载CSV

表5 上网/放电电价和充电电价

Table 5 Discharging electricity price and charging electricity price　元/(kW·h)

比较项目	上网/放电电价	充电电价
火电	0.495(平均)	—
水电	0.275(平均)	—
抽水蓄能	按燃煤机组上网电价执行	按燃煤机组标杆上网电价的75%执行
新型储能	0.420 7	1.289(尖峰)	1.082(高峰)	0.739(平段)	0.395(低谷)
电动汽车	1.116	1.289(尖峰)	1.082(高峰)	0.739(平段)	0.395(低谷)

新窗口打开| 下载CSV

3.2　多场景情形下多类型储能参与调峰结果分析

考虑地区独特气候条件，夜间低谷时段新能源多发、汛期连续降雨水电大发天气的极限场景，以及4种典型场景下该地区电源及负荷特性，设定了2025年夏大、夏小、冬大、冬小这4种运行方式下调峰场景和极限调峰场景的相关参数(如图2，图3所示)，各场景下系统调峰成本如表6所示。

表6 各场景下系统调峰成本情况

Table 6 Peaking cost in each scenario　10⁶元

场景	调峰成本
场景	火电	抽水蓄能	电池储能	EV	总和
夏大	98.890	1.380	3.080	0.000	10.335
夏小	126.150	3.528	0.000	0.000	12.967
冬大	124.580	1.653	2.771	0.000	12.900
冬小	93.350	2.352	0.426	0.000	9.312

新窗口打开| 下载CSV

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 各场景下的净负荷曲线

Fig.2 Net load curves in each scenario

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 各场景下多类型储能出力情况

Fig.3 Multitype energy storage output in each scenario

由图2可看出：2025年各场景下的净负荷曲线调峰需求都有不同特点。夏大场景下的调峰需求波动范围广(10～22 GW)，在08：00—09：00、09：00—10：00这2个时段的短时爬坡需求大。夏小场景下的调峰需求波动范围相较夏大运行方式有所减小，但在09：00—10：00这个时段的短时爬坡需求仍较大。冬大和冬小场景下的调峰需求波动范围广，冬大场景下在08：00—09：00这个时段的短时爬坡需求仍较大，冬小场景下在01：00—02：00、08：00—09：00这2个时段的爬坡需求较大。因此，在各个场景要实现新能源更高消纳率，储能、火电机组等调峰资源容量、爬坡特性要充分满足净负荷曲线调峰需求。

由图3可知：

(1)夏大场景下，抽水蓄能在夜间处于满抽工况，尽可能地填补可能出现的下调缺口，但在净负荷曲线下凹时段可以不发。锂电池的出力柱形图基本与净负荷曲线互补，净负荷越小储能充电功率越大，有将净负荷曲线低谷“填平”的趋势。

(2)相较于夏大场景，夏小场景下系统调峰压力更小，调峰容量相对充沛，此时应侧重于提升系统经济性。由于抽蓄放电电价与火电相当并且其容量相对较小，因此既可全天满发，也可全天不发，都能满足系统调峰要求，调峰经济性相当。由表1所示燃煤机组调峰一阶段补偿价格及上网电价可知，处于深度调峰的火电机组增加1 MW出力，系统调峰成本约上升445.5元(495元－49.5元)或99元(495元－396元)，低于抽蓄放电电价，若存在需要火电机组深度调峰的情况，则抽蓄机组不可能满发，因为让深度调峰的火电机组承担抽蓄出力将进一步降低系统调峰成本。反之，当抽蓄全天满发时，火电机组必定处于基本调峰状态，基本调峰火电机组上网价格与抽蓄放电价格一致，因此，将抽蓄承担的负荷量转移至火电机组，调峰成本应基本不变。此外，由于夏小场景净负荷水平整体较高，因此火电成本较夏大场景更大。

(3)冬大运行方式下，夜间存在一定的调峰缺口，因此夜间应尽可能地使用火电深度调峰，即使火电二阶段深调与锂电池储能充电补偿价格一致，但火电的少发也意味着降低了发电成本，提升系统经济性。夜间在用尽火电二阶段深调后，在03：00—06：00时段调用更便宜的抽蓄满功率抽水，再考虑锂电池储能的调用。另外，冬大场景净负荷也处于较大水平，火电成本与夏大场景相差不大，主要在于调峰需求有所提高，需要调用电池储能设备削峰填谷，造成较大的电池储能调用费用。

(4)冬小运行方式下，所需调峰容量相对其他3个场景较小，夜间在净负荷最小的2个时段调用抽蓄满抽，此外还需额外调用锂电池储能250 MW左右的充电功率即可。由于EV虚拟储能的调峰成本最昂贵，在火电机组、抽水蓄能、电池储能能够满足调峰需求的情况下，4个典型场景均没有调用EV虚拟储能参与调峰，原因在于EV调峰成本过高，其调峰调用优先级较低，间接验证了模型的经济性。

3.3　极限场景下的调峰分析

在该地区特殊外部自然环境条件下，如昼夜风力存在较大差异，夜间负荷低谷却大风来袭风电多发，白天负荷高峰时段风力小风电少发，可能呈现较为严重的风电逆调峰特性。其次，传统机组的调节能力同样可能受到特殊场景制约，例如汛期来水较大时，区内水电需维持满出力运行，失去调节能力，火电机组调峰压力进一步增大，新能源消纳空间受到压缩。模拟的2025年极限场景基于2022年真实调峰极端场景生成，参与调峰的各类型储能相关参数同上，结果如图4，图5所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 极限场景下储能参与调峰的调峰需求

Fig.4 Peak regulation demand when energy storage participating in peak regulation in the extreme scenario

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 极限场景下多类型储能出力情况

Fig.5 Multitype energy storage output in extreme scenario

由图4可知：在新能源高比例接入及负荷增长背景下，2025年极限场景净负荷曲线较2022年峰谷差增大，调峰难度有所上升。为分析2025年储能参与下的系统调峰充裕度，判断未来资源条件应对极限调峰场景的可能性，将各类型储能功率“填补”净负荷曲线尖峰和低谷，即在谷荷时段，考虑各类型储能以最大充电功率充电，峰荷时段以最大放电功率放电，获得储能参与下的调峰需求范围。可以发现新的调峰需求范围处于火电出力范围区间内，因此在2025年考虑储能参与调峰后，较2022年实现了调峰缺口499 MW的全额消除，系统调峰需求得到基本满足，但是储能参与下的调峰需求下限略大于火电出力范围下限，因此在极限场景下系统调峰资源依然相对紧张，依赖调度计划制定的精准性，若仅凭经验进行调度，可能存在需要采用火电机组启停来完成调峰的情况，降低调峰经济性。

由图5可知：极限调峰场景下，按最小开机方式安排火电机组开机时，夜间调峰下调出力具有一定的充裕性，可不安排抽蓄机组抽水，并且抽蓄机组容量仅300 MW，对于调峰贡献不大，应重点关注调峰容量较大的锂电池储能。极限场景下净负荷低谷位于03：00—04：00时段，这个时段调用锂电池储能以1.350 GW的功率进行充电，01：00—02：00及05：00—06：00时段的净负荷也相对较低，分别以850 MW左右的功率充电，因此在01：00—06：00时段调用锂电池储能充电即可，后几个时段由下调出力成本更低的火电机组承担。由3.2小节分析可知，负荷高峰期存在调峰缺口，从08：00时刻起即可调用抽蓄满发，尽可能地填补负荷高峰期调峰缺口。同时，由于电池储能放电容量有限，放电时段的选择应慎重考虑，在净负荷顶峰的18：00时刻调用电池储能以1.450 GW功率放电，相邻时段以平均500 MW左右的功率放电。

另外，结合图3、图5可知：4种场景下无一场景调用EV进行调峰，仅极限场景安排EV出力，并且其出力大小较抽蓄和电池储能相比相对有限。造成该情况的主要原因在于当前EV保有量依然存在极大提升空间，截至2022年底，中国新能源汽车仅占汽车总量的4.1%，并且EV参与调峰需要技术设备等支持，EV的车网互动技术亟待突破和普及^[24]。其次是受限于EV调峰价格，使得EV在系统调峰中的优先级较低，采用其他储能进行调峰的经济性更优。

如表7所示，极限场景下，考虑储能参与调峰时火电运行成本较高，然而无需调控火电进行启停调峰，总体运行成本较无储能调控方式更低。而无储能参与调峰时产生了巨大的调峰缺口，火电机组总启停运行达到了13次，频繁的启停调峰，不仅增加系统的运行成本647.18万元，还会影响设备的使用寿命，制约了系统对新能源的消纳能力，与建设新型电力系统的目标背道而驰。

表7 储能参与或不参与系统调峰下的成本指标

Table 7 Cost indexes when energy storage participating in system peak shaving or not

比较项目	含储能	无储能
火电运行成本/(10⁶元)	108.74	106.15
火电机组启动总次数	0	3
火电机组关停总次数	0	10
抽水蓄能调峰成本/(10⁴元)	220.60	0.00
锂电池调峰成本/(10⁴元)	457.24	0.00
EV调峰成本/(10⁴元)	58.98	0.00
总成本/(10⁶元)	116.11	122.58

新窗口打开| 下载CSV

储能参与系统调峰可显著提升系统运行经济性，改善该地区调峰运行效益。具体表现在储能参与调峰可以降低极限场景下的调峰成本，实现调峰充裕度的显著提升。并且采用本文所提的调峰调度方法可以更全面、更合理地协调各调峰资源运行，权衡各调峰资源间的成本关系，避免如启停火电机组等不必要的调峰措施，实现调峰经济性、安全性的进一步提升。

4　结论

新型电力系统建设背景下，调峰需求量显著提高。针对未来多类型储能参与电力系统调峰调度问题，本文考虑多种调峰场景，提出了一个基于调峰辅助服务补偿机制的调峰效益最优模型。该模型可提升未来储能参与调峰适应性，提升电网调峰效益。以某省级电网为例进行仿真，得到的主要结论如下：

(1)分析了4种典型场景下各灵活资源调峰调度结果，基于调峰补偿机制及相关价格的引导，在填谷阶段，火电基本调峰、深度调峰一阶段以及抽水蓄能的优先级最高，电池储能、EV调峰的优先级较低。在削峰阶段，火电深度调峰二阶段及新型储能的调峰优先级高于火电基本调峰及EV，验证了所提模型可权衡各资源间的价格关系，具有经济性。

(2)鉴于未来可能出现的调峰困难场景，较不考虑储能参与系统调峰，多类型储能参与系统调峰的经济性更好，具体表现在多类型储能弥补了调峰缺口，从而避免了高费用的火电启停操作，使得极限场景下的电网调峰成本降低，调峰充裕度得以提升。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

杨博文

能源转型中未来主力能源发展方向探析

[J]. 能源与节能，2020(6): 49-50, 91.