文章快速检索 高级检索

1. 广州供电局有限公司, 广东 广州 440110;
2. 南京南瑞继保电气有限公司, 江苏 南京 211102

Strategies for lifting the capacity credit of wind power by utilizing energy storage system
YANG Yongmei1, HUA Huangsheng1, WANG Hua1, QI Zhong2
1. Guangzhou Power Supply Company Limited, Guangzhou 440110, China;
2. Nari Relays Electric Company Limited, Nanjing 211102, China
Abstract: In order to avoid data waste caused by the fluctuation and randomness of intermittent energy, energy storage was utilized to assist the intermittent energy, so as to lift the capacity credit of intermittent energy and sufficiently utilize its capacity value. Firstly, the effective load capacity was taken as the evaluation criterion of capacity credit, the reliability theory was applied and the sequential Monte Carlo Method was the basis for modeling, and the secant method was applied to calculate the capacity credit of intermittent energy; then increasing the capacity credit of intermittent energy was taken as the optimization target for researching the binding strategy of energy storage, the particle swarm algorithm was applied to calculate the configured capacity of energy storage; finally, on the basis of the reliability and economical efficiency, the optimized capacity configuration of energy storage was calculated. The result shows that energy storage can effectively lift the capacity credit of wind power.
Key words: intermittent energy     wind power     energy storage     capacity credit

1 风电置信度计算方法 1.1 风电模型

 (1)

t时刻的预测风速vw，t可以通过时刻t的平均风速t的平均风速μt、标准差σt和时间序列值yt按下式得到：

 (2)

1.2 风电功率预测模型

 (3)

1.3 置信度定义

 (4)

1.4 序贯蒙特卡洛计算可靠性

 (5)

 (6)
 (7)

 (8)

1.5 算法迭代过程

 图 1 弦截法求解置信容量示意图

2 捆绑储能后的置信容量 2.1 储能策略

 (9)

2.2 模型约束条件

 (10)

 (11)

 (12)

2.3 粒子群算法

 (13)
 (14)

3 算例 3.1 算例简介

 图 2 8 760 h风的出力
 图 3 8 760 h负荷数据

3.2 计算方法

1) 根据目标函数和约束条件，确定罚函数，得到增广目标函数。

2) 随机产生粒子群体的初始位置和速度。

3) 根据每个粒子的初始位置以及增广目标函数计算每个粒子的目标函数值pbest，所有pbest中最好的作为这一代粒子的gbest

4) 迭代次数增加1，同时更新罚因子，更新增广目标函数。

5) 计算新的一代所有粒子的速度与位置。

6) 同步骤3) ，计算新一代粒子的pbest，并将所有pbest中最优的作为这一代粒子的gbest。将产生gbest的位置记入到存储器中。

7) 判断迭代次数是否达到了设定的最大次数，如达到，则取gbest的值作为粒子群算法的最优值，产生gbest的位置作为最优解。如未达到，返回步骤4。

1) 在粒子群算法中，pg的更新是根据目标函数f(x)进行的，但是由于本章的算法中混杂了处理约束条件所用的罚函数法，故需按照式(3) ~(12) 进行更新。

2) r(0)的选取以及罚因子的放大规律，对罚函数的成败，有着极大的影响。使用外点法时，r(0)过小，会使得函数极小化，但其极小点距离约束最优解较远，使得极小化次数增多；反过来，罚函数极小点距离约束最优解较近，又可能在初次极小化时遇到困难。经过多次实验，将初始罚因子选为1，且令r(k)=cr(k－1) ，其中c为0.5，这样来保证r(k)是一个无穷递减序列。

3.3 计算结果

 不含储能风电置信容量/MW 容量置信度/% 储能加入后置信容量/MW 容量置信度/% 18.4 15.53 25.6 21.6

 储能容量/MW 容量置信度/% 48 21.6 58 25.3 68 31.3 78 33.2

4 结论

1) 储能对于间歇式能源的置信容量具有一定的提升作用，但是间歇式能源的整体置信容量还是处于一个较低的水平，这是由于间歇式能源的特性所决定的。

2) 在储能对间歇式能源提升效果的饱和区内，可以看到，储能容量对置信容量的提高效果相比于储能功率的提升效果要明显一点，由此可见，置信容量的提高需要较大的容量裕度来满足电量转移的需要。

3) 储能功率与容量的选择相互制约，合理选择储能功率与容量的配置对于风电储能电厂的经济运行至关重要。

 [1] Integration of Variable Generation Task Force. Accommodating high levels of variable generation[R]. Princeton:North American Electric Reliability Corporation, 2009. [2] 梁双, 胡学浩, 张东霞, 等. 光伏发电置信容量的研究现状与发展趋势[J]. 电力系统自动化, 2011, 35(19): 101-107 [3] 王海超, 鲁宗相, 周双喜. 风电场发电容量可信度研究[J]. 中国电机工程学报, 2005, 25(10): 103-106 [4] 张硕, 李庚银, 周明. 考虑输电线路故障的风电场容量可信度计算. 中国电机工程学报, 2010, 30(16):19-25. http://www.oalib.com/references/16842414 [5] 张宁, 康重庆, 陈治坪, 等. 基于序列运算的风电可信容量计算方法[J]. 中国电机工程学报, 2011, 31(25): 1-9 [6] LEE D, BALDICK R. Short-term wind power ensemble prediction based on Gaussian processes and neural networks[J]. IEEE transactions on smart grid, 2014, 5(1): 501-510 DOI:10.1109/TSG.2013.2280649 [7] FRIED L. GWEC Reveals Global Wind Industry Status of 2015[EB/OL].[2015-06-03]. http://www.gwec.net/gwec-reveals-global-wind-industry-statustry-stats-of-2015/. [8] ZHANG Ning, KANG Chongqing, DUAN Changgang, et al. Simulation m ethodology of multiple wind farms operation considering wind speed correlation[J]. Power 8L energy systems, 2010, 30(4): 264-273 [9] 杨国华, 朱向芬, 周鑫, 等. 基于遗传算法的风电混合储能容量优化配置[J]. 电气传动, 2015, 45(2): 50-53 [10] 郑静, 文福拴, 李力. 计及风电场和储能系统联合运行的输电系统扩展规划[J]. 电力系统自动化, 2013(1): 135-142 [11] BLUDSZUWEIT H, DOMíNGUEZ-NAVARRO J A. A probabilistic method for energy storage sizing based on wind power forecast uncertainty[J]. IEEE transactions on power systems, 2011, 26(3): 1651-1658 DOI:10.1109/TPWRS.2010.2089541 [12] 谢晓锋, 张文俊, 杨之廉. 微粒群算法综述[J]. 控制与决策, 2003, 18(2): 129-134 [13] 朱向芬. 粒子群算法的混合储能系统容量优化配置[D]. 银川:宁夏大学, 2014. [14] El-GALLAD A, El-HAWARY M, SALLAM A, et al. Particle swarm optimizer for constrained economic dispatch with prohibited operating zones[C]//Canadian Conference on Electrical and Computer Engineering. Manitoba, Canada, 2002:78-81. [15] 廖强强, 陆宇东, 王栋. 发电侧备用电池储能系统的技术经济分析[J]. 电力建设, 2014(1): 118-121

文章信息

YANG Yongmei, HUA Huangsheng, WANG Hua, QI Zhong

Strategies for lifting the capacity credit of wind power by utilizing energy storage system

Applied Science and Technology, 2017, 44(1): 18-22
DOI: 10.11991/yykj.201508030