劉志剛1,2，伍也凡1,2，肖振鋒1,2，姚穎1,2，何書耘1,2，劉順成1,2，徐燾3，侯慧3*
（1.國網湖南省電力有限公司經濟技術研究院，湖南省 長沙市 410004；2.能源互聯(lián)網供需運營湖南省重點實驗室，湖南省 長沙市 410004；3.武漢理工大學自動化學院，湖北省 武漢市 430070）
摘要
風電場、光伏電站和儲能系統(tǒng)的容量優(yōu)化規(guī)劃是降低風光儲多能源混合系統(tǒng)成本、保證系統(tǒng)可靠性的有效措施之一。依托山體的重力儲能，可以風光儲多能源混合系統(tǒng)中風電場容量、光伏電站容量和儲能系統(tǒng)容量為決策變量，建立以系統(tǒng)總成本最小和包括風光互補特性、供電自給損失率及風光儲多能源混合系統(tǒng)貢獻率等因素的綜合指標最優(yōu)為目標函數的多目標容量優(yōu)化規(guī)劃模型，并利用多目標自適應混沌粒子群算法求解模型?；诖?，考慮不同規(guī)劃偏好，利用逼近理想解排序法對帕累托前沿進行排序，得到不同規(guī)劃偏好下的最優(yōu)規(guī)劃方案。另外，利用熵權法定權的秩和比評價方法對不同規(guī)劃方案的可靠性指標進行了評價，并選取某典型日對規(guī)劃方案的運行狀態(tài)進行分析。仿真結果表明，所提模型具有良好的經濟性及可靠性，為風光儲多能源混合系統(tǒng)在不同偏好下的規(guī)劃提供了參考。
關鍵詞 : 重力儲能；風光儲；多能源混合系統(tǒng)；容量優(yōu)化規(guī)劃；規(guī)劃偏好
基金項目：國網湖南省電力公司科技項目（5216A220000D）；湖南省科技創(chuàng)新平臺與人才計劃（2019TP1053）。 Science and Technology Project of State Grid Hunan Electric Power Company (5216A220000D); Science-Technology Innovation Platform and Talents Program of Hunan Province (2019TP1053).
0 引言
近年來，以風電、光伏為代表的可再生能源快速發(fā)展，風電、光伏的裝機規(guī)模持續(xù)擴大，技術不斷進步[1]。但由于其具有出力間歇性、消納困難等特點，影響了進一步的發(fā)展[2]。風光系統(tǒng)配置一定容量的儲能，不僅可以充分利用風光的互補特性，還可以有效提高清潔能源消納能力，是未來能源利用的重要方式[3-4]。
針對風光儲多能源混合系統(tǒng)容量優(yōu)化規(guī)劃問題，目前已有一些學者進行了研究，根據容量優(yōu)化規(guī)劃目標的不同，可分為單目標和多目標兩類。對于單目標的風光儲多能源混合系統(tǒng)容量優(yōu)化規(guī)劃，文獻[5]以降低系統(tǒng)運行成本為目標，提出并網型多能源混合系統(tǒng)的容量優(yōu)化規(guī)劃模型，但該模型未能保證供電可靠性。文獻[6]考慮峰值負荷要求，對風光儲多能源混合系統(tǒng)的容量進行規(guī)劃，使系統(tǒng)總成本最低，但沒有討論系統(tǒng)的供電可靠性。文獻[7]在風光柴儲多能源混合系統(tǒng)的容量優(yōu)化規(guī)劃模型中未考慮發(fā)電系統(tǒng)的可靠性，只對投資成本進行了優(yōu)化。文獻[8]針對獨立型的風光柴蓄多能源混合系統(tǒng)，提出了考慮補貼的容量優(yōu)化規(guī)劃方法。該方法以總凈現(xiàn)成本最低為優(yōu)化目標，并以負荷缺額率為約束條件保證供電可靠性。文獻[9]以最小化總成本為目標，提出供電損失率的指標，分析其對成本的影響。結果表明，供電損失率較小時，成本明顯降低。單目標容量優(yōu)化規(guī)劃主要以系統(tǒng)總成本最小為目標，沒有考慮多個目標間的相互制約，考慮因素不甚全面。由于目標單一使得規(guī)劃結果存在一定的局限性，僅利用約束條件對系統(tǒng)可靠性進行約束，無法合理準確地保證系統(tǒng)的供電可靠性。
相比單目標容量優(yōu)化規(guī)劃僅將經濟性最優(yōu)作為優(yōu)化目標的不足，多目標容量優(yōu)化規(guī)劃還考慮了提高可再生能源利用率、減少污染物排放等目標。文獻[10]以系統(tǒng)總成本和電源損耗概率為優(yōu)化目標，在4種氣象條件下采用智能優(yōu)化算法對系統(tǒng)進行容量優(yōu)化規(guī)劃。文獻[11-12]考慮數據的不確定性，建立了以系統(tǒng)成本和可靠性為目標的容量優(yōu)化規(guī)劃模型。結果表明，所提模型保證了系統(tǒng)的經濟性，但并沒有體現(xiàn)環(huán)境效益。文獻[13]采用遺傳算法探討了在系統(tǒng)成本和污染物排放等兩個目標下的優(yōu)化問題，并對蓄電池與氫儲能的優(yōu)劣進行了對比分析。文獻[14]以投資效益、可靠性和風光利用率為目標，建立了風光儲多能源混合系統(tǒng)容量優(yōu)化規(guī)劃模型。該模型延長了儲能的使用壽命，提升了發(fā)電系統(tǒng)的孤島能力。文獻[15]提出了包含微網全壽命周期內的總凈現(xiàn)成本、負荷容量缺額率和污染排放的多目標優(yōu)化設計模型，但未將污染排放納入經濟成本。與單目標的容量優(yōu)化規(guī)劃相比，多目標的容量優(yōu)化規(guī)劃將系統(tǒng)可靠性納入目標，既降低了系統(tǒng)總成本，又保證了可靠性。
在中國風能和太陽能資源豐富的西北地區(qū)，采用風光儲多能源混合系統(tǒng)具有非常廣闊的應用前景，而能否科學合理地規(guī)劃風電場容量、光伏電站容量及儲能系統(tǒng)容量，對于其運行的可靠性和經濟性有著較大影響。在多山地的西北地區(qū)，受建設規(guī)模、場地環(huán)境等影響，多數儲能技術應用有局限。依托山體的重力儲能在山地較多地區(qū)有天然優(yōu)勢，可用于大規(guī)模儲能[16]。重力儲能利用山體落差高度儲存能量，它的建設可以適應地形的變化，儲能載體可以循環(huán)利用，幾乎不會對環(huán)境造成污染，具有良好的可靠性和經濟性，在未來具有廣闊的應用前景。
基于上述背景，本文的儲能系統(tǒng)選擇以依托山體的重力儲能為研究對象，建立以系統(tǒng)總成本最小和包括風光互補特性、供電自給損失率及風光儲多能源混合系統(tǒng)貢獻率等因素的綜合指標最優(yōu)為目標函數的多目標容量優(yōu)化規(guī)劃模型，以提升系統(tǒng)的經濟性，確保系統(tǒng)的可靠性。
1 風光儲多能源混合系統(tǒng)模型
1.1 系統(tǒng)結構
并網型風光儲多能源混合系統(tǒng)一般由風電場、光伏電站、儲能系統(tǒng)、電網及負荷構成，系統(tǒng)結構如圖1所示。
圖1 并網型風光儲多能源混合系統(tǒng)結構
Fig.1 Structure of grid-connected wind-photovoltaic-storage multi-energy hybrid power system
其中，風機模型、光伏電池模型分別參考文獻[17-18]，本文主要對重力儲能進行建模。
1.2 重力儲能模型
依托山體的重力儲能的原理就是在山體一定高度建立電動機和發(fā)電機裝置，利用山體的落差高度來儲存和釋放能量。
1.2.1 存儲能量過程
本文假設在建模過程中只有一條軌道，即只研究一套重力儲能裝置，只考慮山體高度、坡度、重物質量等對重力儲能存儲和釋放能量多少的影響。其中，在存儲能量時，電動機工作，消耗電能，利用滑輪組將重物從山底軌道處拉至山頂，過程中重力勢能增加，最終在山頂存儲起來。電動機將重物從山底拉上山頂過程中保持勻速，此時重物受力包括摩擦力、電動機牽引力、自身重力等，具體的重物受力平衡可用式（1）—（2）表示。
1.2.2 釋放能量過程
釋放能量過程包括加速階段、并網階段和停運階段，在釋放能量過程中，重物受力包括軌道摩擦力、電動機牽引力、自身重力、發(fā)電機牽引力等。
加速階段：在開始過程中，重物初始速度為零，重物處于加速階段，重物下滑速度由零開始，逐漸加速，加速過程中發(fā)電機出力不穩(wěn)定，為避免入網功率的波動過大，不進行并網發(fā)電。重物由初始高度下滑到一定高度時，達到某一速度，該速度即為并網階段時的恒定速度，利用式（5）—（6）表示。
停運階段：重物到達山底后，并網階段結束，發(fā)電機不再發(fā)電。裝置停止運行，重物速度由恒定逐漸減小，最后變?yōu)榱?。在停運階段，重物可以依靠摩擦力自行減速，若速度過大或對減速距離有要求時，可以增設減速帶、隔離設備等外界輔助減速。停運階段不存在能量損耗，故建模時暫不考慮該階段的能量損耗。
2 多目標容量優(yōu)化規(guī)劃模型
本文以系統(tǒng)總成本最小和包括風光互補特性、供電自給損失率及風光儲多能源混合系統(tǒng)貢獻率等因素的綜合指標最優(yōu)為目標函數進行容量優(yōu)化規(guī)劃，對風光儲多能源混合系統(tǒng)中的風電場容量、光伏電站容量、重力儲能容量進行合理規(guī)劃分配。
2.1 目標函數
1）目標函數1：系統(tǒng)總成本（F1）最小，包括系統(tǒng)初始成本、運行維護成本、購電成本、售電收益及環(huán)保收益等。
式中：CIN為系統(tǒng)初始成本；COM為年運行維護成本；CBE為向電網的年購電成本；CSE為系統(tǒng)年售電收益；CEP為年環(huán)保收益，該環(huán)保收益為電網向風光儲系統(tǒng)支付；Wwt為風電場容量；Cwt為風電場單位容量的價格；Wpv為光伏電站容量；Cpv為光伏電站單位容量的價格；Wgs為重力儲能容量；Cgs為重力儲能單位容量的價格；fDR為折舊系數；d為折舊率；y為使用年限；Δtwt、Δtpv、Δtgs分別為風電場、光伏電站、重力儲能的運行時間；pagenumber_ebook=49,pagenumber_book=467、pagenumber_ebook=49,pagenumber_book=467、pagenumber_ebook=49,pagenumber_book=467分別為單位時間內風電場、光伏電站、重力儲能的運行維護成本；Cp(t)為t時刻系統(tǒng)購電的分時電價；EBE(t)為t時刻系統(tǒng)向電網購買的電量；Em_down(t)為t時刻重力儲能放電過程中電動機運行時消耗的電量；CS(t)為t時刻系統(tǒng)售電的分時電價；ESE(t)為t時刻系統(tǒng)向電網出售的電量；E(t)為t時刻系統(tǒng)提供給負荷的電量；wwt、wpv分別為風力及光伏的發(fā)電量；N為污染物的種類數；pagenumber_ebook=49,pagenumber_book=467pagenumber_ebook=49,pagenumber_book=467分別為火力發(fā)電、風力發(fā)電、光伏發(fā)電第i類污染物的環(huán)境價值成本。
2）目標函數2：綜合指標（F2）最優(yōu)，包括風光互補特性、供電自給損失率及風光儲多能源混合系統(tǒng)貢獻率等可靠性指標。
式中：D為風光互補特性，表示風力發(fā)電和光伏發(fā)電的輸出功率之和相對于負荷功率的波動[19]；f為供電自給損失率，以系統(tǒng)供給過程中負荷的缺少電量表示系統(tǒng)供電可靠性；R為風光儲多能源混合系統(tǒng)貢獻率，以系統(tǒng)供給負荷的功率占負荷功率的比值表示；c1、c2、c3分別為3個指標的權重系數，3個指標同等重要，故均為1/3；pagenumber_ebook=49,pagenumber_book=467為負荷的平均功率；Pwt(t)為t時刻風力發(fā)電的功率；Ppv(t)為t時刻光伏發(fā)電的功率；PL(t)為t時刻負荷的功率；Pgs(t)為t時刻重力儲能功率；PE(t)為t時刻系統(tǒng)提供給負荷的功率。
2.2 約束條件
2.2.1 風光儲多能源混合系統(tǒng)容量約束
風光儲多能源混合系統(tǒng)的容量下限為0，上限為一年中最大負荷的10倍[20]，即
2.3 求解方法
對所建立的多目標容量優(yōu)化規(guī)劃模型利用自適應混沌粒子群算法[21]進行仿真求解，得到一系列非劣解，并由一系列非劣解組成帕累托前沿。在帕累托前沿中，利用熵權法[22]求解不同目標函數的權重，并利用逼近理想解排序法[23]對求得的帕累托前沿進行排序評價，選擇排序評價最優(yōu)的解作為最優(yōu)規(guī)劃方案，具體計算流程如圖2所示?；谇蠼獾玫降娘L光儲多能源混合系統(tǒng)多目標容量優(yōu)化規(guī)劃結果，利用熵權法定權的秩和比評價方法[24]對不同規(guī)劃方案下的可靠性指標進行排序評價，具體評價流程如附錄B圖B1所示。
圖2 多目標容量優(yōu)化規(guī)劃模型計算流程
Fig.2 Calculation process of multi-objective capacity optimization planning model
3 仿真分析
3.1 參數設置
本文選取中國西部某地區(qū)（38o44′N，106o0′E）作為參考，該地區(qū)多為山地，平均海拔2000 m以上，滿足重力儲能建設條件。由中國氣象數據網可知，該地區(qū)每月平均風速如附錄B圖B2所示，利用Weibull分布模擬得到該地區(qū)一年的風速預測數據，如附錄B圖B3所示。該地區(qū)平均光照強度為4.32 kW/m2，在HOMER軟件[25]中，模擬得到該地區(qū)一年的太陽光照強度預測數據，如附錄B圖B4所示。另外，該地區(qū)負荷曲線如附錄B圖B5所示。
圖B3 西部某地區(qū)全年風速預測數據
Fig.B3 Annual wind speed forecast data for the region
圖B4 西部某地區(qū)全年光照強度預測數據
Fig.B4 Annual illumination forecast data for the region
圖B5 西部某地區(qū)負荷曲線
Fig.B5 Load curve for the region
本文選擇異步風力發(fā)電機，單臺風機容量為2.5 MW，風機額定風速為11 m/s，切入風速為3 m/s，切出風速為20 m/s[26]。電池板工作溫度為25 ℃，參考溫度為25 ℃，功率溫度系數為1[15]。重物質量為5萬t，坡度為30°，重力加速度為9.8 m/s2，軌道摩擦系數為0.05，重物下滑過程中的速度為10 m/s，理想狀態(tài)下充放電效率為90%左右，具體證明過程參見附錄A。本文為貼合實際情況以充放電效率為80%進行保守估計。風光儲多能源混合系統(tǒng)優(yōu)化規(guī)劃使用年限為20 a，折舊率為5%。
風光儲多能源混合系統(tǒng)中風電場、光伏電站、重力儲能的安裝成本及運行維護成本如附錄A表A1所示[7,16,27]，不同發(fā)電方式下各類污染物的環(huán)境價值成本如附錄B表B2所示[28]。另外，電網及系統(tǒng)售電的分時電價如附錄B表B3所示[29]。
表B2 不同發(fā)電方式下各類污染物的環(huán)境價值成本
Table B2 Costs of environmental values of various pollutants under different power generation modes元/MWh
表B3 分時電價
Table B3 Time-of-use price
3.2 規(guī)劃方案選擇及對比
本文借助MATLAB軟件，利用多目標自適應混沌粒子群算法求解建立的多目標容量優(yōu)化規(guī)劃模型，得到多目標帕累托前沿，如圖3所示。其中，橫坐標F1表示系統(tǒng)總成本，縱坐標-F2表示綜合指標的相反數，帕累托前沿中的每個點都表示一個規(guī)劃方案，共有11個可行的規(guī)劃方案。由圖3可知，系統(tǒng)總成本及綜合指標均在比較小的范圍內變化，滿足系統(tǒng)總成本越小，綜合指標的相反數越大，即系統(tǒng)總成本的降低，對綜合指標有著負面的影響。類似的，如果綜合指標更優(yōu)，系統(tǒng)總成本將會增大，兩個目標之間存在一定的制約關系。
圖3 考慮重力儲能時的帕累托前沿
Fig.3 Pareto front when considering gravity energy storage
在實際規(guī)劃過程中，需要確定一種最終的最優(yōu)規(guī)劃方案，因此，需要根據不同規(guī)劃偏好在帕累托前沿中選擇最優(yōu)規(guī)劃方案。為表現(xiàn)不同的規(guī)劃偏好，本文提出4種規(guī)劃方案，具體的規(guī)劃方案及目標函數權重值如表1所示。
表1 4種方案權重設置
Table 1 Weight setting of four schemes
本文利用逼近理想解排序法對帕累托前沿中11種方案進行計算排序，選擇得出在4種不同規(guī)劃偏好下各自對應的最優(yōu)規(guī)劃結果，最優(yōu)規(guī)劃結果如表2所示。4種規(guī)劃方案下的系統(tǒng)總成本及綜合指標值如圖4所示。
表2 4種規(guī)劃方案的最優(yōu)規(guī)劃結果
Table 2 Optimal planning results of four planning schemes
圖4 4種規(guī)劃方案的總成本及綜合指標值
Fig.4 Total cost and comprehensive index values of four planning schemes
由表2及圖4可知，由于不同規(guī)劃方案下的偏好不同，通過規(guī)劃得到的風電場、光伏電站、重力儲能的容量均不同，從而導致了系統(tǒng)總成本和綜合指標值的變化。對比4種規(guī)劃方案來看，方案二的系統(tǒng)總成本最小，方案三的綜合指標最優(yōu)。另外，規(guī)劃方案一的初始成本為33 716.37萬元，規(guī)劃方案二的初始成本為33 582.87萬元，規(guī)劃方案三的初始成本為34 052.28萬元，規(guī)劃方案四的初始成本為33 017.28萬元，由于規(guī)劃方案三配置的風電場容量、儲能容量最大，而風電場的安裝成本又比較高，所以導致規(guī)劃方案三的初始成本較高。此外，規(guī)劃方案三配置了相比其他幾種方案較大容量的儲能，主要是為了保證系統(tǒng)的供電可靠性及系統(tǒng)的貢獻率，而規(guī)劃方案二為追求系統(tǒng)總成本最小，配置的儲能容量最小，同時配置的風電場容量也最小。
規(guī)劃方案一雖然在4種方案中的兩目標均不屬于最優(yōu)，但其兼顧了系統(tǒng)的成本及可靠性，有效降低了系統(tǒng)總成本，提高了系統(tǒng)的可靠性。相比而言，規(guī)劃方案二認為系統(tǒng)的總成本重要，忽視了系統(tǒng)的可靠性，得到的系統(tǒng)總成本是最小的，但綜合指標值卻是幾種規(guī)劃方案中最小的。同樣地，規(guī)劃方案三認為系統(tǒng)的可靠性重要，忽視了系統(tǒng)的總成本，得到的綜合指標值是最優(yōu)的，但系統(tǒng)總成本卻是最大的。規(guī)劃方案四同樣既考慮系統(tǒng)總成本，又考慮了系統(tǒng)可靠性，在損失一定成本的同時有效優(yōu)化了綜合指標。
綜合指標中對應的3個具體指標值如圖5所示，對比來看，規(guī)劃方案二的風光互補特性最小，故而風光的互補性最好，系統(tǒng)的發(fā)電功率越能滿足負荷需求，但供電自給損失率偏大，系統(tǒng)貢獻率偏低；規(guī)劃方案三的系統(tǒng)貢獻率最大，說明需要從電網購買的電量最少，能夠節(jié)約購電的成本，同時供電自給損失率最小，說明系統(tǒng)供電最可靠，但風光互補特性偏大。
圖5 綜合指標中對應的3個具體指標值
Fig.5 Three specific index values corresponding to comprehensive index
僅依照可靠性指標的數值，只是簡單對比不同規(guī)劃方案對應每個可靠性指標值的大小，無法確定哪種規(guī)劃方案的可靠性指標更優(yōu)，因此，本文利用熵權法定權的秩和比評價方法進行評價，排序選出綜合3種可靠性指標最優(yōu)的規(guī)劃方案。從不同規(guī)劃方案的具體可靠性指標值出發(fā)考慮，利用熵權法對3個可靠性指標的權重進行求取，其中，風光互補特性、供電自給損失率為負向指標，風光儲多能源混合系統(tǒng)貢獻率為正向指標。求解得到風光互補特性、供電自給損失率、風光儲多能源混合系統(tǒng)貢獻率的權重分別為0.435 3、0.251 4、0.313 3。
基于可靠性指標值及權重值，利用秩和比法及2.4節(jié)基本評價流程進行排序評價，首先得到的秩次值如表3所示。
表3 可靠性指標對應的秩次值
Table 3 Rank value of reliability index
規(guī)劃方案一、規(guī)劃方案二、規(guī)劃方案三、規(guī)劃方案四的加權秩和比值分別為0.687 5、0.573 6、0.671 9、0.569 4，評分排序為1、3、2、4。因此，僅從3種可靠性指標來看，規(guī)劃方案一最優(yōu)，其次為規(guī)劃方案三、規(guī)劃方案二，最后為規(guī)劃方案四?？傮w來看，規(guī)劃方案一和規(guī)劃方案三中均考慮了系統(tǒng)的可靠性，對綜合指標進行了優(yōu)化，排名在前兩位，而規(guī)劃方案二忽視了系統(tǒng)可靠性，沒有對綜合指標進行優(yōu)化，排名靠后。另外，雖然規(guī)劃方案四排名最后，但與規(guī)劃方案二相比，兩種規(guī)劃方案的加權秩和比值相差不大，規(guī)劃方案四的供電自給損失率及風光儲多能源混合系統(tǒng)貢獻率要優(yōu)于規(guī)劃方案二，同時規(guī)劃方案四的綜合指標較優(yōu)，所以，規(guī)劃方案四在一定程度上對具體的可靠性指標進行了優(yōu)化，只是綜合來看規(guī)劃方案二較優(yōu)一些。因此，綜合考慮系統(tǒng)成本及可靠性指標排序評價，規(guī)劃方案一為最優(yōu)規(guī)劃方案，即在規(guī)劃過程中要合理考慮成本及可靠性，既要保證系統(tǒng)的經濟性，也不影響系統(tǒng)的可靠性。
3.3 規(guī)劃結果分析
針對3.2節(jié)得到的4種多目標容量優(yōu)化規(guī)劃方案，選取某典型日，對典型日下24 h不同規(guī)劃方案的各部分出力進行分析。規(guī)劃方案一、規(guī)劃方案二、規(guī)劃方案三和規(guī)劃方案四中各部分在該典型日的出力曲線分別如圖6—圖9所示。
圖6 典型日下規(guī)劃方案一的出力曲線
Fig.6 Output curve of planning scheme 1 in a typical day
圖7 典型日下規(guī)劃方案二的出力曲線
Fig.7 Output curve of planning scheme 2 in a typical day
圖8 典型日下規(guī)劃方案三的出力曲線
Fig.8 Output curve of planning scheme 3 in a typical day
圖9 典型日下規(guī)劃方案四的出力曲線
Fig.9 Output curve of planning scheme 4 in a typical day
由于不同規(guī)劃方案中的風電場、光伏電站、重力儲能的容量不同，導致每時刻風力、光伏出力不同，重力儲能在配合時進行儲能和放電的電量也不同。由圖6—圖9可以看出，不同規(guī)劃方案的出力曲線趨勢一致，這主要是因為不同規(guī)劃方案規(guī)劃的風電場、光伏電站的容量相差不大，但仍能看出規(guī)劃方案二中每時刻的光伏出力較大，而規(guī)劃方案三中每時刻的風力出力較大。
以圖6為例對不同規(guī)劃方案的出力曲線進行分析。對于負荷而言，在23:00—7:00內負荷利用水平較低，處于谷時段；10:00開始，負荷增加，一直持續(xù)到15:00，負荷在這個時間段內處于峰時段；然后負荷逐漸降低，到17:00時到達最低點，之后又開始增加，20:00到達另一負荷高峰。對于風力出力而言，該日早晚的風力資源比較豐富，使得風力出力較大，而在中午，風力資源較少，幾乎沒有出力。在風力出力較大的時刻，負荷利用水平較低，首先對儲能進行充電，然后將多余的電能出售給了電網。光伏出力恰好相反，該日中午的太陽能資源比較豐富，使得光伏出力較大，而在早晚沒有出力。
對于儲能而言，本文利用分時電價來引導其充放電，在風光出力不足以供給負荷時，谷電價時選擇從電網購電，峰電價時再利用儲能放電，以此來提高系統(tǒng)的經濟性。圖中可以看出，重力儲能在1:00前充電，在1:00已完成充電，從5:00開始，風光出力不足以供給負荷，由于此時處于谷時段，因此儲能不進行放電，而是選擇直接從電網購電，將電能存儲下來，作為下一時刻的備用電。在10:00時，風光出力依然不足以供給負荷，而此時處于峰時段，儲能放電，到12:00時，儲存電能用盡，之后也不能滿足負荷需求，從而選擇從電網購電?？梢钥闯觯谝惶斓臅r間中，風光出力不足的時刻較多，重力儲能共充放電2次。
另外，對比分析不同規(guī)劃方案下風光儲多能源混合系統(tǒng)的供電、購電及售電，分別如圖10—圖13所示。
圖10 典型日下規(guī)劃方案一的供電、購電及售電圖
Fig.10 Power supply, power purchase and power sale of planning scheme 1 in a typical day
圖11 典型日下規(guī)劃方案二的供電、購電及售電圖
Fig.11 Power supply, power purchase and power sale of planning scheme 2 in a typical day
圖12 典型日下規(guī)劃方案三的供電、購電及售電圖
Fig.12 Power supply, power purchase and power sale of planning scheme 3 in a typical day
圖13 典型日下規(guī)劃方案四的供電、購電及售電圖
Fig.13 Power supply, power purchase and power sale of planning scheme 4 in a typical day
從圖中可以看出，4種規(guī)劃方案中向電網購電多于向電網售電，向電網售電主要集中在晚間谷時段，而其余時刻主要是向電網購電。對比來看，規(guī)劃方案三向電網出售的電能多于其他3種規(guī)劃方案，規(guī)劃方案二向電網出售的電能最少，主要是因為規(guī)劃方案三中風電場容量最大，且在谷時段主要是風力出力。規(guī)劃方案三在6:00時風光出力大于負荷，存在部分電能出售給電網情況，而其他3種規(guī)劃方案在6:00時風光出力小于負荷，選擇向電網購電。對于供電部分，在4種規(guī)劃方案中，除晚間谷時段向電網售電外，其余電能均供給負荷使用，在11:00—14:00及22:00達到比較高的供電水平。對于4種規(guī)劃方案的購電部分，在5:00—8:00、14:00及22:00向電網購買的電能小于50 MW，而在晚高峰19:00—21:00時段向電網購電處于比較高的水平。由于規(guī)劃方案二中光伏電站容量較大，在14:00時光伏出力充足，完全供給負荷需求，多余電量利用儲能系統(tǒng)進行存儲，因此在該時刻既無購電也無售電。比較特殊的是，規(guī)劃方案一、規(guī)劃方案三和規(guī)劃方案四在11:00時風光出力正好完全供給負荷需求，同樣既無購電也無售電。
整體來看，除個別時刻購電部分的水平較高外，其他時刻供電部分均大于購電，能夠有效提高風光儲多能源混合系統(tǒng)貢獻率，同時有效提高了風光互補特性。盡管風光儲多能源混合系統(tǒng)對電網的依賴程度比較高，但這樣有效保證了系統(tǒng)的供電可靠性。
4 結論
本文基于依托山體的重力儲能，建立了以系統(tǒng)總成本最小和綜合指標最優(yōu)的風光儲多能源混合系統(tǒng)容量優(yōu)化規(guī)劃模型，利用多目標自適應混沌粒子群算法求解模型，通過對比分析規(guī)劃結果有如下結論。
1）利用山體落差高度來儲存能量，具有良好的可靠性及經濟性。
2）在不同規(guī)劃偏好下，通過進行不同規(guī)劃方案對比，最終得出規(guī)劃方案一為最優(yōu)規(guī)劃方案，既考慮了系統(tǒng)總成本，又考慮了系統(tǒng)的可靠性。
3）在典型日場景下深入分析不同規(guī)劃方案中的各部分出力曲線可知，本文所提模型能夠有效提高風光儲多能源混合系統(tǒng)貢獻率，同時有效提高了風光互補特性，保證了供電的可靠性。
本文所提模型主要是對重力儲能容量配置的優(yōu)化，所構建的重力儲能模型還不夠完善，在后續(xù)工作中將重點從對重力儲能的多個影響因素入手，對其軌道數、山體坡度、重物質量等展開詳細研究。
附錄A 重力儲能能量轉換
在整個釋放能量的過程中，主要的損耗包括
式中：W1為重物在加速階段時的能量損耗；W2為重物下滑過程中的摩擦損耗；W3為重物下滑過程中電動機工作所需的能量；t為重物下滑過程中電動機工作時間。
因此，整個過程中的能量轉換效率為
式中：α為重力儲能的能量轉換效率；Wre為釋放的能量；Wst儲存的能量。
經分析，重力儲能的能量轉換效率大于90%。
附錄B 圖表
圖B1 不同規(guī)劃方案的評價流程
Fig.B1 Evaluation process of different planning scheme
圖B2 西部某地區(qū)每月平均風速
Fig.B2 Monthly average wind speed for the region
參考文獻
[1]魯宗相，黃瀚，單葆國，等.高比例可再生能源電力系統(tǒng)結構形態(tài)演化及電力預測展望[J].電力系統(tǒng)自動化，2017，41(9)：12-18.
LU Zongxiang, HUANG Han, SHAN Baoguo, et al.Morphological evolution model and power forecasting prospect of future electric power systems with high proportion of renewable energy[J].Automation of Electric Power Systems,2017, 41(9): 12-18(in Chinese).
[2]REN G R, WAN J, LIU J F, et al.Spatial and temporal assessments of complementarity for renewable energy resources in China[J].Energy, 2019, 177: 262-275.
[3]孫玉樹，楊敏，師長立，等.儲能的應用現(xiàn)狀和發(fā)展趨勢分析[J].高電壓技術，2020，46(1)：80-89.
SUN Yushu, YANG Min, SHI Changli, et al.Analysis of application status and development trend of energy storage[J].High Voltage Engineering, 2020, 46(1): 80-89(in Chinese).
[4]BLOESS A, SCHILL W P, ZERRAHN A.Power-to-heat for renewable energy integration: a review of technologies,modeling approaches, and flexibility potentials[J].Applied Energy, 2018, 212: 1611-1626.
[5]AMROLLAHI M H, BATHAEE S M T.Techno-economic optimization of hybrid photovoltaic/wind generation together with energy storage system in a stand-alone micro-grid subjected to demand response[J].Applied Energy, 2017, 202:66-77.
[6]PRIYADHARSHINI B, GANAPATHY V, SUDHAKARA P.An optimal model to meet the hourly peak demands of a specific region with solar, wind, and grid supplies[J].IEEE Access, 2020, 8: 13179-13194.
[7]丁明，王波，趙波，等.獨立風光柴儲微網系統(tǒng)容量優(yōu)化配置[J].電網技術，2013，37(3)：575-581.
DING Ming, WANG Bo, ZHAO Bo, et al.Configuration optimization of capacity of standalone PV-wind-diesel-battery hybrid microgrid[J].Power System Technology, 2013, 37(3):575-581(in Chinese).
[8]潘文霞，李建成，方坤豪.考慮補貼的獨立微網容量配置優(yōu)化方法[J].電網技術，2018，42(7)：2206-2213.
PAN Wenxia, LI Jiancheng, FANG Kunhao.Optimization method of capacity configuration of standalone microgrid considering subsidy[J].Power System Technology, 2018,42(7): 2206-2213(in Chinese).
[9]JAVED M S, MA T.Techno-economic assessment of a hybrid solar-wind-battery system with genetic algorithm[J].Energy Procedia, 2019, 158: 6384-6392.
[10]ZHANG D B, LIU J W, JIAO S F, et al.Research on the configuration and operation effect of the hybrid solar-windbattery power generation system based on NSGA-II[J].Energy,2019, 189: 116121.
[11]張建華，于雷，劉念，等.含風/光/柴/蓄及海水淡化負荷的微電網容量優(yōu)化配置[J].電工技術學報，2014，29(2)：102-112.
ZHANG Jianhua, YU Lei, LIU Nian, et al.Capacity configuration optimization for island microgrid with wind/photovoltaic/diesel/storage and seawater desalination load[J].Transactions of China Electrotechnical Society, 2014, 29(2):102-112(in Chinese).
[12]SHADMAND M B, BALOG R S.Multi-objective optimization and design of photovoltaic-wind hybrid system for community smart DC microgrid[J].IEEE Transactions on Smart Grid,2014, 5(5): 2635-2643.
[13]KATSIGIANNIS Y A, GEORGILAKIS P S, KARAPIDAKIS E S.Multiobjective genetic algorithm solution to the optimum economic and environmental performance problem of small autonomous hybrid power systems with renewables[J].IET Renewable Power Generation, 2010, 4(5): 404.
[14]竇曉波，袁簡，吳在軍，等.并網型風光儲微電網容量改進優(yōu)化配置方法[J].電力自動化設備，2016，36(3)：26-32.
DOU Xiaobo, YUAN Jian, WU Zaijun, et al.Improved configuration optimization of PV-wind-storage capacities for grid-connected microgrid[J].Electric Power Automation Equipment, 2016, 36(3): 26-32(in Chinese).
[15]郭力，劉文建，焦冰琦，等.獨立微網系統(tǒng)的多目標優(yōu)化規(guī)劃設計方法[J].中國電機工程學報，2014，34(4)：524-536.
GUO Li, LIU Wenjian, JIAO Bingqi, et al.Multi-objective optimal planning design method for stand-alone microgrid system[J].Proceedings of the CSEE, 2014, 34(4): 524-536(in Chinese).
[16]曾蓉.山體儲能技術及其與風電場聯(lián)合出力的容量配置研究[D].長沙: 長沙理工大學，2016.
[17]廖秋萍，呂林，劉友波，等.考慮重構的含可再生能源配電網電壓控制模型與算法[J].電力系統(tǒng)自動化，2017，41(18)：32-39.
LIAO Qiuping, LYU Lin, LIU Youbo, et al.Reconfiguration based model and algorithm of voltage regulating for distribution network with renewable energy[J].Automation of Electric Power Systems, 2017, 41(18): 32-39(in Chinese).
[18]朱蘭，嚴正，楊秀，等.風光儲微網系統(tǒng)蓄電池容量優(yōu)化配置方法研究[J].電網技術，2012，36(12)：26-31.
ZHU Lan, YAN Zheng, YANG Xiu, et al.Optimal configuration of battery capacity in microgrid composed of wind power and photovoltaic generation with energy storage[J].Power System Technology, 2012, 36(12): 26-31(in Chinese).
[19]徐林，阮新波，張步涵，等.風光蓄互補發(fā)電系統(tǒng)容量的改進優(yōu)化配置方法[J].中國電機工程學報，2012，32(25)：88-98.
XU Lin, RUAN Xinbo, ZHANG Buhan, et al.An improved optimal sizing method for wind-solar-battery hybrid power system[J].Proceedings of the CSEE, 2012, 32(25): 88-98(in Chinese).
[20]梅生偉，王瑩瑩，劉鋒.風—光—儲混合電力系統(tǒng)的博弈論規(guī)劃模型與分析[J].電力系統(tǒng)自動化，2011，35(20)：13-19.
MEI Shengwei, WANG Yingying, LIU Feng.A game theory based planning model and analysis for hybrid power system with wind generators-photovoltaic panels-storage batteries[J].Automation of Electric Power Systems, 2011, 35(20): 13-19(in Chinese).
[21]贠保記，白森珂，張國.基于混沌自適應粒子群算法的冷熱電聯(lián)供系統(tǒng)優(yōu)化[J].電力系統(tǒng)保護與控制，2020，48(10)：123-130.
YUN Baoji, BAI Senke, ZHANG Guo.Optimization of CCHP system based on a chaos adaptive particle swarm optimization algorithm[J].Power System Protection and Control, 2020,48(10): 123-130(in Chinese).
[22]劉志譜，李欣然，劉小龍，等.考慮負荷重要性與源-荷互補性的負荷恢復策略[J].全球能源互聯(lián)網，2019，2(5)：449-456.
LIU Zhipu, LI Xinran, LIU Xiaolong, et al.Load recovery strategy considering importance and source-load complementarity[J].Journal of Global Energy Interconnection,2019, 2(5): 449-456(in Chinese).
[23]趙騰，鄔煒，李雋，等.“兩個替代”趨勢下的歐洲跨國電力互聯(lián)通道研究[J].全球能源互聯(lián)網，2020，3(6)：632-642.
ZHAO Teng, WU Wei, LI Jun, et al.Research on cross-border power interconnection channels in Europe under trend of two replacements[J].Journal of Global Energy Interconnection,2020, 3(6): 632-642(in Chinese).
[24]吳鳴，趙婷婷，趙鳳展，等.微電網運行效果評價指標體系及評價方法[J].電網技術，2018，42(3)：690-697.
WU Ming, ZHAO Tingting, ZHAO Fengzhan, et al.Evaluation index system of microgrid operation effect and corresponding evaluation method[J].Power System Technology, 2018, 42(3):690-697(in Chinese).
[25]AL-KARAGHOULI A, KAZMERSKI L L.Optimization and life-cycle cost of health clinic PV system for a rural area in southern Iraq using HOMER software[J].Solar Energy, 2010,84(4): 710-714.
[26]郭琦.風光儲微電網多目標優(yōu)化配置[D].蘭州：蘭州交通大學，2016.
[27]GUO L, HOU R S, LIU Y X, et al.A novel typical day selection method for the robust planning of stand-alone windphotovoltaic-diesel-battery microgrid[J].Applied Energy,2020, 263: 114606.
[28]馬麟，劉建鵬.考慮時序特性和環(huán)境效益的多目標多類型分布式電源規(guī)劃[J].電力系統(tǒng)保護與控制，2016，44(19)：32-40.
MA Lin, LIU Jianpeng.Multi-objective planning of multitype distributed generation considering timing characteristics and environmental benefits[J].Power System Protection and Control, 2016, 44(19): 32-40(in Chinese).
[29]繆妙，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.
MIAO Miao, LI Yong, CAO Yijia, et al.Optimization strategy of multi-energy hybrid AC/DC power system considering environmental factors[J].Automation of Electric Power Systems, 2018, 42(4): 128-134(in Chinese).
表B1 系統(tǒng)各部分安裝成本及運行維護成本
Table B1 Installation costs and operation and maintenance costs of each part of system
Multi-objective Optimal Capacity Planning of the Wind-photovoltaic-storage System Based on Gravity Energy Storage
LIU Zhigang1,2, WU Yefan1,2, XIAO Zhenfeng1,2, YAO Ying1,2, HE Shuyun1,2,LIU Shuncheng1,2, XU Tao3, HOU Hui3*
(1.State Grid Hunan Electric Power Company Limited Economic & Technical Research Institute, Changsha 410004, Hunan Province, China;2.Hunan Key Laboratory of Energy Internet Supply-demand and Operation, Changsha 410004, Hunan Province, China;3.School of Automation, Wuhan University of Technology, Wuhan 430070, Hubei Province, China)
Abstract: Capacity planning for wind farms, photovoltaic power stations, and energy storage systems is an effective measure to reduce costs and ensure the reliability of windphotovoltaic-storage multi-energy hybrid power systems.Based on gravity energy storage relying on mountains, we herein consider the capacities of the wind farm, photovoltaic power station, and energy storage system as decision variables, and establish a multi-objective optimal capacity planning model with the minimum total costs of the system and the optimization of comprehensive indices including the complementary characteristics of wind and solar, the loss rate of power supply,and the contribution rate of the wind-photovoltaic-storage multienergy hybrid power system.Simultaneously, multi-objective adaptive chaotic particle swarm optimization is used to solve the model.In this study, different planning preferences were considered.The Pareto front is sorted using the technique for order preference by similarity to an ideal solution, and the optimal planning schemes under different planning preferences are obtained.In addition, the rank sum ratio evaluation method of the entropy weight is used to evaluate the reliability indices of different planning schemes, and a typical day was selected to analyze the output state of the planning schemes.The simulation results show that the proposed model can have great economy and reliability, thereby providing a reference for the planning of hybrid systems with different preferences.
Keywords: gravity energy storage; wind-photovoltaic-storage;multi-energy hybrid power system; optimal capacity planning;planning preferences
pagenumber_ebook=56,pagenumber_book=474
劉志剛
作者簡介：
劉志剛（1963），男，高級工程師，研究方向為電網優(yōu)化調度及安全運行，E-mail： liuzg@hn.sgcc.com.cn。
伍也凡（1989），男，工程師，研究方向為電力系統(tǒng)二次及智能化，E-mail：fan_cs@foxmail.com。
侯慧（1981），女，博士，副教授，研究方向為能源互聯(lián)網。通信作者，E-mail：houhui@whut.edu.cn。
