基于分布式计算的储能辅助火电厂调频的容量及功率规划方法
发电侧储能系统容量规划的准确性和计算量之间是此消彼长的，本文提出了一种基于分布式计算的储能辅助火电厂调频的容量及功率规划方法来兼顾两者。
问题源起
电力系统中电能无法大量储存，因此电能的生产和使用是即时供需平衡的，但是电能在需求端是不断在变化的，所以电能的供应也得不断调整来满足需求，传统的火电机组响应时间长，爬坡速率慢，这不利于保障电力系统的电能质量，特别是这些年大规模新能源并网，其本身的间歇性和不确定性给电网的电能质量带来非常大的影响，传统的调频方式已经无法应对这种调节需求了。储能系统技术的进步为缓解这种压力带来了曙光，储能系统具有较快的功率调节速度，能够对指令需求做出快速的响应，非常适合参与电能调频的工作。但是由于目前储能装置造价昂贵，运行寿命有限，无法大面积推广，在调节过程中应当以辅助性的手段参与。
国内各区域电网针对调频机组的考核、补偿计算方式虽然存在些许差异，但都是通过考核、补偿的方式激励机组满足调度指令，可以以同样的思路对调频机组建立考核、补偿模型，再通过加入储能系统后考核费用的减少和补偿费用的增加来建立收益模型，最后结合储能系统的成本模型并结合合适的算法来规划求解储能系统的最优容量。
文献[1]针对电网的考核指标提出多个储能充放电策略，考虑频繁动作对寿命的影响并建立有关储能经济性的目标函数，并通过算例证明储能提升调频性能的同时，也给电厂带来了收益。该方法具有较强的实际指导意义，但是其规划方法仅以储能电池的运行寿命为基础进行计算，没有考虑储能系统的全寿命周期，且仿真数据仅仅以日为单位，这就使得计算结果有失准确性。本文兼顾规划的准确性和计算速度的提升，提出了一种基于分布式计算的储能辅助火电厂调频的容量及功率规划方法
主要思路
模型搭建
储能系统参与辅助电厂火电机组调频的所带来的收益有电厂被电网考核费用的减少以及电网对电厂AGC服务贡献的补偿费用的增加，考核费用和补偿费用是根据机组的调节性能指标计算得出的。
储能系统的加入能有效提升调频性能，通过增加服务补偿费用和减少考核费用来给电厂带来相对收益，但是储能系统的建立是需要成本的，随着储能系统功率和容量的增加，其带来的收益是呈边际递减的，而储能成本大致上是线性增加的，所以储能功率和容量并不是越大越好。因此综合考虑收益项和成本项建立如下以净收益最大为目标的成本收益模型：
$$\max { (R{\rm{Tlcc}} - R{\rm{before}}) + (R{\rm{Kbefore}} - R{\rm{KTlcc}}) - C{\rm{om}} - C{\rm{inv}}}%$$
式中：$R{\rm{Tlcc}}$为全寿命周期内加入储能系统的补偿电费，$R{\rm{before}}$为全寿命周期内加入储能系统前机组自行调频产生的补偿电费，$R{\rm{Kbefore}}$是加入储能前的考核电费，$R{\rm{KTlcc}}$是加入储能后的考核电费，$C{\rm{om}}$是全寿命周期内储能系统的运行成本，$C{\rm{inv}}$是全寿命周期内储能系统的投资成本。
规划路径
上图中历史数据包括火电机组的历史出力数据以及电网调度指令数据，其中①④表示计算得出未加入储能系统的机组考核费用以及补偿费用，并换算成全寿命周期内的机组考核费用和补偿费用。②③表示在给定储能系统的容量及功率并考虑储能约束及策略的情况下，仿真计算得出储能-机组联合出力及储能出力，⑤表示计算得出加入储能系统之后的考核费用以及补偿费用，并换算成全寿命周期内的考核费用和补偿费用。⑥通过储能出力以及储能电池的循环寿命次数计算出电池等效寿命，进而得出储能系统全寿命周期成本。⑦表示计算得出最终收益。
整个流程当中，只有储能容量与功率是变量，规划的过程就是通过在搜索空间中不断搜索使得最终收益最大化的储能容量与功率。
求解算法
为了提高规划的准确性，本文采用的历史运行数据量比较大，传统的算法计算效率太低，计算周期太长。于是本文采用了一种基于分布式计算技术的粒子群优化算法。
粒子群优化算法本质是一种随机搜索算法，适合在动态、多目标优化环境中寻优，与传统优化算法相比，具有较快的计算速度和更好地全局搜索能力。在算每个粒子适应度值的时候，每个粒子的计算具有相对独立性，不受其他粒子计算的影响，这就使得每个粒子的适应度计算具有非常好的并行计算特征。在每一代粒子群计算的时候，把各个粒子的适应度计算分配给不同的Matlab分布式计算单元，这些计算单元可以同时进行运算，由此达到大大提升运算速度，减少计算时间得到的目的。
结果分析
本文以国内某电厂300MW机组作为储能系统规划对象来进行分析，其规划结果如下：
由上表可知，加入储能后，K1、K2、K3三个指标都变大了，其中K1上升尤为明显， Kp值也由原来的0.6231升为29.254。
由上图可以看出加入储能后联合出力能明显比较贴近指令值，再结合表中的计算结果，可以看出加入储能后可以明显提高机组的调频性能。
本次仿真计算中，如果使用传统粒子群算法，计算一次的时间花费是2296.63分钟，而使用基于分布式计算技术的粒子群算法，计算一次的时间花费是112.32分钟，如果增加分布式计算单元的话，时间可以更少。
由此可以看出基于分布式计算技术的粒子群算法可以明显提升计算速度，使得基于大量数据的储能系统规划变得可行。
结论
本文就储能系统参与火电机组调频规划问题做了计算分析，以调频政策为导向，以净收益最大化为目标函数建立基于全寿命周期内的成本收益模型，从工程项目全寿命周期出发去考虑成本收益问题使得结果更具有实际的意义。
本文采用了一种基于分布式计算技术的粒子群优化算法，使得规划过程中火电机组大量历史运行数据的应用成为了可能，提升了计算结果的准确性。
参考文献
[1] 陈丽娟,姜宇轩,汪春.改善电厂调频性能的储能策略研究和容量配置[J].电力自动化设备,2017,37(08):52-59.
文章链接
若对于本文有任何疑问或者建议，请联系作者21710148@zju.edu.cn。
版权声明：本文由SGOOL团队创作和发表，转载或引用本文内容请注明作者及出处。
上一篇：国家重点研发计划课题《保障综合供能可靠性的多能协调控制技术与综合控制系统》通过自验收
下一篇：A Robust and Efficient Two-Stage Algorithm for Power Flow Calculation of Large-Scale Systems