陈颖, 石永富，钟鸿鸣, 王湘，雷霞，尹洪全, 刘鑫
(1.国网内蒙古东部电力有限公司，呼和浩特市 010010；
2.西华大学电气与电子信息学院，成都市 610039)
习近平总书记在2020年12月12日气候雄心峰会宣布，中国二氧化碳排放量力争在2030年前达到峰值，努力争取 2060年前实现碳中和，2030年风电、光伏发电总装机容量将达到1.2亿千瓦以上[1]。随着大规模新能源装机并网发电，风光消纳压力将长期存在[2]。储能装置作为灵活性强的可调节资源，具有快速吞吐功率的能力，已受到国内外广泛关注[3-5]。通过投资储能装置可以利用其对电量的时间转移特性，降低弃风弃光率，减少高碳化石能源的消耗量[6]。混合储能系统(hybrid energy storage system, HESS)通过不同类型储能元件的互补性能，可以提高电网运行的经济性[7]，同时还能降低弃风弃光率。
电网中储能系统的容量合理配置是降低弃风弃光率的重要手段，对保证系统安全稳定运行、减少投资成本等方面具有重要的指导意义。近年来，对于储能系统容量配置已有很多研究。文献[8]提出了一种管理不平衡和调整储能大小的方法，以达到确定的可控水平。文献[9]提出了非直供电模式下的储热电混合储能系统的就地供热结构，建立了该模式下的混合储能系统的供热模型，然后提出了一种兼顾混合储能系统经济效益和功率优化分配的双层优化模型，采用模糊隶属度函数，通过满意度比较得到储能系统容量配置的最优解。文献[10]针对园区综合能源系统储能容量优化配置问题，为提升园区综合能源系统规划-运行经济性，提出了考虑电池寿命损耗的园区综合能源系统电/热混合储能优化配置方法，并比较分析了电/热混合储能与单一储能对系统规划-运行经济性和电池使用寿命的影响。文献[11]以经济性最优为原则进行混合储能配置，使液态金属电池和氢储能两种储能装置协调配合，共同平抑并网光伏电能的功率波动。
综上，混合储能系统在调节能力和经济性两个方面都比单一储能更优。目前国内风电、光伏资源主要集中在“三北”地区，这些地区电网的风电光伏渗透率已经达到20%，需要大量外送，目前储能配置问题的研究大多是以新能源场站、微网和配电网为背景，针对高比例可再生能源接入的输电网的储能系统研究相对薄弱。文献[6]以实际大电网为例，考虑弃电率限制，利用恒功率法确定储能的初始配置规模，再得到储能最佳时长；
进而对储能进行优化配置，得到满足弃电率约束的储能最佳配置规模。文献[12]以投资成本和消纳性能最优为目标进行储能容量需求计算。文献[13]在电源侧构建了电氢一体化能源站的可逆固体氧化物电池以及储氢库容量规划模型。文献[14]以提升新能源消纳和经济性为目标，提出了含风电场、制氢设备的煤风氢能源网的经济运行策略。目前以输电网为背景的电池储能配置研究大多数是对单一储能进行配置，较少对混合储能系统进行研究。氢能具有清洁、高效、能量密度大和扩容成本低等优势[15]，但氢储能在低功率运行状态下的效率较低，而蓄电池效率不随功率变化而变化，能够弥补氢储能的缺点。因此研究氢-电HESS的协调配合，能够提高能源利用率和降低成本。故本文选择氢-电HESS进行输电网的储能配置研究。
综上所述，本文以含高比例风光接入的输电网为研究对象，进行氢-电混合储能系统的优化配置研究。首先，对氢-电HESS的各组成部分分别进行建模，其次建立输电网中风力和光伏发电的出力模型及电网约束模型，在此基础上建立输电网氢-电混合储能系统功率与容量配置的双层规划模型；
其后基于蓄电池和氢储能的不同特性，提出一种氢-电HESS配合策略；
最后以某地区含高比例风电光伏接入的220 kV-500 kV输电网为例，采用双层迭代粒子群算法与潮流计算相结合进行模型求解。
1.1 蓄电池与氢储能模型
蓄电池储能与氢储能是氢-电HESS的两个部分。其中氢储能系统由质子交换膜电解池(proton exchange membrane electrolyzer，PEME)、质子交换膜燃料电池(proton exchange membrane fuel cell，PEMFC)与储氢罐(hydrogen storage，HS)组成，功能分别为“充电”、“放电”、“储存氢气”[16]。
1.1.1 蓄电池储能模型
蓄电池储能系统充放电模型为：
SOCi,t(1-δBS)
(1)
式中：SOCi,t为蓄电池i在t时刻的荷电量；
Pcha,i,t、Pdis,i,t分别为蓄电池i的充放电功率；
ηcha、ηdis分别为蓄电池的充放电效率；
Icha,i,t表示蓄电池i在t时刻充电状态的0-1变量，为1时充电，为0时不进行充电；
Icha,i,t表示蓄电池i在t时刻放电状态的0-1变量，为1时放电，为0时不进行放电；
蓄电池不能同时充放电，因此Icha,i,tIdis,i,t=0；
EBS,i,rate为蓄电池i的额定容量；
δBS为蓄电池的自放电率。
蓄电池储能系统约束条件为：
SOCmin≤SOCi,t+1≤SOCmax
(2)
SOCi,1=SOCi,T
(3)
0≤Pcha,i,t≤Icha,i,tPBS,i,rate
(4)
0≤Pdis,i,t≤Idis,i,tPBS,i,rate
(5)
式中：SOCmax、SOCmin分别为蓄电池储能系统最大最小电荷量；
T为配置周期；
PBS,i,rate为蓄电池i的额定功率。
1.1.2 氢储能系统模型
氢储能系统充放电模型为：
(6)
式中：PPEME,j,t、PPEMFC,j,t分别为氢储能系统j的充放电功率；
ηPEME和ηPEMFC分别为充放电效率；
SH2,j,t为氢储能系统j在t时刻的等效SOC；
uPEME,j,t和uPEMFC,j,t分别为氢储能系统j的PEME和PEMFC在t时刻的启停状态变量，为1时表示启动状态，为0时表示停止状态；
EH2,j,rate为氢储能系统j的额定容量。
氢储能系统约束条件为：
PH2,j,min≤PPEME,j,t≤PH2,j,rate
(7)
PH2,j,min≤PPEMFC,j,t≤PH2,j,rate
(8)
SH2,j,1=SH2,j,T
(9)
(TPEMFC,on,j,t-1-TPEMFC,on,min)×
(uPEMFC,j,t-1-uPEMFC,j,t)≥0
(10)
(TPEMFC,off,j,t-1-TPEMFC,off,min)×
(uPEMFC,j,t-uPEMFC,j,t-1)≥0
(11)
(TPEME,on,j,t-1-TPEME,on,min)(uPEME,j,t-1-uPEME,j,t)≥0
(12)
(TPEME,off,j,t-1-TPEME,off,min)(uPEME,j,t-uPEME,j,t-1)≥0
(13)
uPEMFC,j,t+uPEME,j,t<2
(14)
式中：PH2,j,rate为氢储能系统j的额定功率；
PH2,j,min为氢储能系统j工作时的最小功率；
TPEME,on,j,t和TPEME,off,j,t分别为氢储能系统j的PEME在t时刻已经连续运行、停运的时间；
TPEMFC,on,j,t和TPEMFC,off,j,t分别为氢储能系统j的PEMFC在t时刻已经连续运行、停运的时间；
TPEME,on,min和TPEME,off,min分别为PEME的最小连续运行时间与最小连续停运时间；
TPEMFC,on,min和TPEMFC,off,min分别为PEMFC的最小连续运行时间与最小连续停运时间。
1.2 氢-电HESS配合策略
氢储能系统在高功率运行状态下有更高的效率，综合成本也更低，因此应使氢储能系统在较高的功率下运行[14]。如附录图A1所示，蓄电池与氢储能系统在储能时长和储能功率上互补，又因氢储能系统功率与效率正相关，在功率达到一定阈值后氢储能系统的运行综合成本比蓄电池低[17]。故把两种储能系统相结合，同时提出了一种氢-电HESS配合策略，从而达到氢-电HESS充放电的最优解。设蓄电池储能系统和氢储能系统综合成本相等时的功率为HESS的模式切换功率阈值PHESS,th。为了防止功率指令在阈值功率附近波动时，HESS在2种储能模式下反复切换，设定如图1所示的功率-储能模式滞环。
图1 氢-电HESS分配策略模式切换流程图Fig.1 Flow chart of distribution strategy mode switching of hydrogen-electricity HESS
模式1：在功率指令未达到阈值时，氢储能系统关闭，蓄电池承担电能充放的功能。
模式2：当功率指令超过阈值后，氢储能系统根据功率指令正负启动PEMFC或PEME。
其中PHESS,t为t时刻氢-电HESS的充放电功率；
PBS,t为t时刻蓄电池储能系统的充放电功率；
PH2,t为t时刻氢储能系统的充放电功率；
ξ为返回系数，取值大于1；
b为当前模式切换变量，为1时表示模式1，为2时表示模式2。
返回系数的取值应重点考虑氢储能设备的最小连续运行时间与最小连续停运时间对模式切换的影响。返回系数ξ取值较小时，会使切换过于敏感，导致迟滞环作用降低或无效；
返回系数ξ取值较大时，会使氢-电HESS中的两种储能工作在效率相对较低的区间，增加综合成本。
1.3 风光出力模型
1.3.1 风电出力模型
风电出力与风速正相关，国内外普遍使用的风电出力公式为：
(15)
本文使用风速vm,t的历史数据对风电理想出力进行计算。
1.3.2 光伏出力模型
本文使用的光伏出力模型为：
(16)
θn=θTEST[1-φ(Tn,t-TTEST)]
(17)
本文使用太阳辐照度Ln,t的历史数据对光伏理想出力进行计算。
本文的配置优化目标为年综合成本和弃风弃光率最小，根据这两个优化目标，建立了氢-电HESS的双层规划模型。
2.1 上层模型
上层模型中，目标是输电网年综合成本最小，决策变量是氢-电HESS的并网位置，约束条件有氢-电HESS容量约束和氢-电HESS功率约束。
2.1.1 目标函数
minF1=CI+COM+CP+CL
(18)
式中：F1为上层目标函数，即年综合成本；
CI为氢-电HESS等年值安装成本；
COM为氢-电HESS年运行维护成本；
CP为年发电成本；
CL为年网损成本[18]。
1)氢-电HESS等年值安装成本：
(19)
(20)
(21)
(22)
(23)
式中：CI_BS为蓄电池储能系统等年值安装成本；
CI_H2为氢储能系统等年值安装成本；
r为贴现率；
τ为设备寿命周期；
cI_BS,p、cI_BS,e、cI_H2,p、cI_H2,e分别为蓄电池储能系统单位功率投资成本、蓄电池储能系统单位容量投资成本、氢储能系统单位功率投资成本、氢储能系统单位容量投资成本；
PBS,rate、EBS,rate、PH2,rate、EH2,rate分别为蓄电池储能系统总额定功率、蓄电池储能系统总额定容量、氢储能系统总额定功率、氢储能系统总额定容量；
NBS、NH2分别为蓄电池储能系统和氢储能系统数量。
2)氢-电HESS年运行维护成本：
(24)
(25)
(26)
式中：COM_BS为蓄电池储能系统的年运行维护成本；
COM_H2为氢储能系统的年运行维护成本；
cOM_BS、cOM_H2分别为蓄电池储能系统和氢储能系统的单位运行功率成本；
PBS,t为蓄电池储能系统在t时刻的总功率；
PH2,t为氢储能系统在t时刻的总功率。
3)各机组年发电及维护成本：
(27)
式中：CG、CW、CPV分别为火力、风电、光伏的年发电及维护成本；
NG、NW、NPV分别为火电机组、风电场、光伏电站的数量；
cG、cW、cPV分别为火力、风电、光伏的单位发电及维护成本之和；
PG,l,t、PW,m,t、PPV,n,t分别为火力、风电、光伏的实际发出功率。
4)年网损成本:
(28)
式中：closs为单位网损成本；
Ploss,t为有功损耗。
2.1.2 约束条件
1)氢-电HESS容量约束:
0≤EBS,i,rate≤EBS,max
(29)
0≤EH2,j,rate≤EH2,max
(30)
式中：EBS,max、EH2,max分别为蓄电池储能系统和氢储能系统在每个节点能够建设的最大容量。
2)氢-电HESS功率约束：
0≤PBS,i,rate≤PBS,max
(31)
0≤PH2,j,rate≤PH2,max
(32)
式中：PBS,max、PH2,max分别为蓄电池储能系统和氢储能系统在每个节点能够建设的最大功率。
2.2 下层模型
下层模型中，目标是弃风弃光率最小，决策变量是并网蓄电池储能系统和氢储能系统的额定容量和额定功率；
约束条件有功率平衡约束、节点功率平衡约束、节点电压限制约束、支路容量约束和备用约束。
2.2.1 目标函数
(33)
式中：F2为下层目标函数，即弃风弃光率。
2.2.2 约束条件
1)功率平衡约束：
(34)
式中：N为节点数；
Pload,k,t为节点k在t时刻的负荷功率。
2)节点功率平衡约束、节点电压限制约束、支路容量约束:
(35)
Ui,min≤Ui,t≤Ui,max
(36)
Sij,t≤Sij,max
(37)
式中：Pi,t、Qi,t分别为t时刻节点i的有功和无功注入；
Ui,t、Uj,t分别为t时刻节点i和节点j的电压幅值；
Gij、Bij分别为t时刻支路ij的电导和电纳；
θij为节点i与节点j电压间的相角差；
Ui,max、Ui,min分别为节点i电压幅值的上下限；
Sij,t为t时刻支路ij的功率值；
Sij,max为支路ij的最大传输功率。
3)备用约束。
电网需要留有足够的备用来应对负荷波动等情况。
(38)
式中：Pr{·}为{}中不等式成立的概率；
ΔPG,l,t为火电厂l在t时刻可以提供的备用容量；
ΔPW,m,t、ΔPPV,n,t、ΔPload,k,t分别为风电、光伏出力和负荷在t时刻的预测误差，预测误差一般采用正态分布得到[19-20]；
ΔPBS,t、ΔPH2,t分别为蓄电池储能系统和氢储能系统在t时刻可以提供的备用容量；
β为置信度。
2.3 双层规划模型求解
在实际的储能配置问题中，需要先考虑经济性最优，然后在此基础上考虑弃风弃光率最低，即上层目标最优前提下求得下层最优。同时考虑到输电网优化配置是一个非线性多目标问题，难以得到全局最优解，因此本文采用与潮流计算结合的双层迭代粒子群算法进行求解。粒子群算法具有计算效率高、简单易实现的优点。结合本文研究对象及运行控制策略，利用粒子群算法对输电网优化配置进行上下层相互迭代，从而得到最优解，其中：
上层规划模型采用粒子群算法进行求解，其中粒子为是否在节点i配置氢-电HESS的0-1变量Li。当Li=0时，表示不在节点i配置氢-电HESS；
当Li=1时，表示在节点i配置氢-电HESS。
下层规划模型采用与潮流计算结合的粒子群算法进行求解，每个粒子为接入各节点的氢-电HESS，包含4个部分：接入各节点的蓄电池储能系统额定容量EBS,i,rate、蓄电池储能系统额定功率PBS,i,rate、氢储能系统额定容量EH2,i,rate和氢储能系统额定功率PH2,i,rate。当上层粒子Li=0时，节点i的氢-电HESS额定容量和额定功率均为0。
在迭代过程中，上层粒子需要作为参数输入下层，决定下层粒子在各节点的初始化和更新；
下层的容量和功率优化结果需要输入上层，计算上层目标，更新最优值和适应度。
具体实施步骤如下：
步骤1：初始化上层粒子群。根据上层规划决策变量的取值范围，初始化粒子群的速度、位置、个体最优值和群体最优值，设置当前迭代次数iter=1。
步骤2：上层粒子作为参数输入下层规划模型，更新迭代次数iter=iter+1。
步骤3：下层优化。步骤如下：
1)初始化下层粒子群。以上层粒子和下层规划决策变量的取值范围为条件，初始化下层粒子的速度和位置，初始化个体最优值和种群最优值，设置当前迭代次数iter2=0。
2)计算下层粒子适应度。根据下层粒子数据，更新输电网潮流程序中各节点接入的氢-电HESS额定容量和额定功率。进行潮流计算，获得下层粒子群的适应度。
3)更新下层粒子群的个体最优值、个体最优适应度、种群最优值和种群最优适应度。将粒子群的适应度依次与当前对应的个体最优适应度进行比较，更新个体最优值和个体最优适应度。再将个体最优适应度依次与当前群体最优适应度进行比较，更新群体最优值和群体最优适应度。
4)下层粒子群更新。更新下层粒子的速度和位置，并判断更新后的值是否满足条件：若更新前、后的速度一致，则对当前速度乘以一个(0,1)之间的随机数；
若更新后的粒子出现越界情况，则使越界粒子等于最近的边界值。更新迭代次数iter2=iter2+1。
5)迭代次数判断。判断是否满足条件iter2
步骤4：计算上层粒子适应度。根据当前种群粒子数据，求取粒子适应度。
步骤5：上层粒子群更新。同步骤3。
步骤6：更新上层粒子群的个体最优值、个体最优适应度、群体最优值和群体最优适应度。同步骤3。
步骤7：迭代次数判断。判断是否满足条件iter1
3.1 算例说明
本文进行算例仿真的计算环境为Intel Xeon E5-2680 v4 2.40 GHz双CPU，96 GB内存，NVIDIA RTX 2080 Ti GPU台式机，算例仿真的网络为某地区80节点含高比例风电和光伏接入的输电网，网络拓扑结构如图2所示。
图2 某地区80节点输电网网架结构Fig.2 80-node transmission grid structure in a certain area
该算例的网架结构包括 80 个节点，其中节点1为外送节点，负荷节点有38个，火电节点有6个，风电光伏节点有36个，各类型电站接入节点如附录表A1所示。网络有220 kV和500 kV两个电压等级。
风电光伏出力和负荷功率数据采用该地区2019年的实测数据，如图3—5所示。火力发电总装机容量为1 600 MW；
风力发电总装机容量为5 075 MW；
光伏发电总装机容量为194 MW。配置储能系统前，整个电网的外送负荷占总负荷的48.23%，属于典型的电力外送电网。
图3 风光理想出力Fig.3 The ideal output of photovoltaic and wind power
由图3—5可知：由风光理想出力曲线可以得出春秋两季为风光发电的旺季，冬季其次，夏季最次，年平均风光出力为1 769.74 MW；
本地负荷在夏季最高，春秋冬三季比较平均，年平均本地负荷为763.34 MW。外送负荷与风光理想出力的变化趋势基本相同，呈正相关，年平均外送负荷为711.14 MW。
双层粒子群算法中，上层求解复杂度低，为了加快求解效率，上层种群规模较小；
下层求解复杂度高，为了避免陷入局部收敛，下层种群规模需要比上层稍大。惯性权重系数设置参考了文献[18]。故仿真参数设置为：上层种群规模为30；
下层种群规模为50；
上层迭代次数为50；
下层迭代次数为100；
上下层最大惯性权重系数取0.9，最小惯性权重系数取0.4。置信度为0.9。配置周期为一年，即8 760 h。通过多次仿真实验，返回系数ξ取值为1.05。
图4 每小时本地负荷功率Fig.4 Local load power per hour
图5 每小时外送负荷功率Fig.5 Delivered load power per hour
3.2 仿真结果
3.2.1 配置场景
为了验证模型及配合策略的有效性，本文选取了4个不同的场景进行对比，并分析不同情况下的储能配置问题。
场景1：无储能系统。
场景2：只配置蓄电池储能系统。配置单一的储能系统不需要储能系统的配合策略。本文蓄电池储能系统使用锂离子电池，相关参数参考文献[21]。
场景3：只配置氢储能系统。与场景2相同，不需要储能系统的配合策略。
场景4：配置氢-电HESS，采用本文提出的氢-电HESS配合策略。
3.2.2 各场景配置结果
场景2蓄电池储能系统的配置结果如附录表A2所示，有31个节点配置了蓄电池储能系统。储能系统总额定容量为3 423.48 MW·h，总额定功率为699.91 MW。
场景3氢储能系统的配置结果如附录表A3所示，有12个节点配置了氢储能系统。储能总额定容量为2 273.69 MW·h，总额定功率为565.96 MW。
场景4的氢-电HESS的配置结果如附录表A4所示，有 30个节点配置了储能系统，其中有9个节点配置了氢-电HESS，另外21个节点只配置了蓄电池储能系统。储能系统总额定容量为3 715.38 MW·h，总额定功率为729.22 MW。
场景2和场景4的选址结果大体相同；
场景3的选址结果与场景2和场景4差别较大，主要是因为氢储能系统最低容量和功率的约束导致部分需要低功率储能的节点无法配置，从而使总额定容量和总额定功率相对较小。
不同场景下的各项成本如表1所示。对比场景1、2、3和4，分析储能系统配置对输电网的影响。场景2、3和4的火力发电成本比场景1分别降低了37.81%、18.54%和46.68%，年综合成本分别降低了4.14%、1.84%和4.78%。说明输电网在配置储能系统后能够有效对风电光伏出力进行时序上的转移，从而有效减少高碳化石能源的消耗量。各场景对应的弃风弃光情况如表2和图6所示。场景2、3和4的弃风弃光率分别比场景1降低了3.95%、2.37%和5.48%，可以得出场景4的结果最优。配置储能系统后弃风弃光率降低的并不多，但配置储能系统的目的并不是一味地降低弃风弃光率，还要考虑储能系统的利用率，在综合成本最低的情况下进行储能系统配置。
表1 不同场景的各项成本和投资回收年限Table 1 List of costs and payback period for different scenarios
图6 各场景月弃风弃光量Fig.6 Amount of monthly abandoned wind and PV in various scenarios
表2 各场景的弃风弃光率和年网损Table 2 Wind and PV curtailment rate and annual network loss in various scenarios
氢储能系统的单位额定功率成本约为蓄电池储能系统的2倍，氢储能系统的储氢罐单位容量成本约为蓄电池储能的1/15[22]。对比场景4、场景2和场景3，分析单一蓄电池储能系统和单一氢储能系统的配置与氢-电HESS配置的不同。在表1中场景4的火力发电成本比场景2和场景3分别降低了14.26%和34.54%，安装成本也更低，同时场景4中氢-电HESS的总额定容量和总额定功率更高。在表2中场景4的弃风弃光率比场景2和场景3分别降低了1.53%和3.11%。另外，场景3因氢储能安装的最低容量和功率约束，氢储能安装位置较少，安装总容量较小，所以对风电光伏出力进行时序上的转移能力也较弱。综上，场景4用更低的成本配置了更高的容量和功率，能更有效地对风电光伏出力进行时序上的转移，减少更多高碳化石能源的消耗量，同时能够进一步降低弃风弃光率。
此外，对比表1中三个场景的投资回收年限，场景2的回收年限最长，场景4的回收年限最短。因本文只考虑了储能系统的配置成本，没有考虑储能系统建设时的用地和设施成本，故所有场景的投资回收年限均较短。
表2中各场景的年网损差别很小，是由于该输电网很依赖电力外送，外送电量占生产电量的近一半，储能系统对风电光伏出力进行时序上的转移并不能有效减少线路上流动的电量。
综上，本文提出的氢-电HESS能在更低的综合成本下配置更大规模的储能系统，能够较大地降低高碳化石能源的消耗量，同时还能降低弃风弃光率。
3.2.3 典型日系统运行工况分析
该地区的供暖期和非供暖期时间均为半年，故分别在供暖期和非供暖期选取典型日进行分析。其中供暖期和非供暖期典型日分别处于风电旺季和淡季。图7、8分别为供暖期典型日节点1—30运行工况时空分布图和非供暖期典型日节点31—60运行工况时空分布图，其中负荷和储能系统充电为正，火力、风光发电和储能系统放电为负，但不包括外送负荷。
图7 供暖期典型日节点1—30运行工况时空分布图Fig.7 Spatial and temporal distribution of operating conditions of node 1 to 30 on typical days during the heating period
图8 非供暖期典型日节点31—60运行工况时空分布图Fig.8 Spatial and temporal distribution of operating conditions of node 31 to 60 on typical days during non-heating period
由图7可知，节点7、14、29配置的氢-电HESS在发电高峰期进行了充电，发电低谷进行了放电；
节点3、16的火力发电有了较大的减少，共减少了31.67%；
节点24、25、26的风光实际出力有了明显的增加，共增加了9.35%。说明在风电旺季氢-电HESS能有效对风电光伏出力进行时序上的转移，增加风光的消纳量，减少化石能源的消耗量。从时间上可以看出，01:00—09:00储能系统放电，同时火电出力减少；
10:00—16:00储能系统充电，同时风光出力增加。从空间上，对火电或风光发电都是使用最近且有调节能力的储能系统进行调节。
由图8可知，节点34、47、50的火力发电有了较大减少，共减少了29.34%；
节点46、48、49、51配置的氢-电HESS大部分时间处于放电状态，以减小火电出力；
此时为风电淡季，风光出力全部得到了消纳。说明在风电淡季氢-电HESS能有效的减少火电出力，增加电网的备用，提高系统的稳定性。从时间上可以看出，01:00—05:00储能系统放电，同时火电出力大幅度减少；
06:00—10:00储能系统放电减缓，同时火电出力小幅度减少。从空间上，对火电或风光同样是使用空间上最近且具有调节能力的储能系统进行调节。
综上，本节通过对供暖期和非供暖期的典型日运行工况进行分析，说明配置氢-电HESS对增加风光消纳量、减少高碳化石能源的消耗量和提高电网稳定性有良好的效果。
3.2.4 有无氢-电HESS配合策略对比
根据场景4得出的配置结果进行有无氢-电HESS配合策略对比。有配合策略的氢-电HESS使用本文提出的带有迟滞环的氢-电HESS配合策略控制储能模式的切换。无配合策略的氢-电HESS当切换功率达到阈值PHESS,th时就马上进行储能模式的切换。
图9为某日氢-电HESS的充放电功率曲线。在05:00，氢-电HESS的切换功率低于阈值PHESS,th，但又大于PHESS,th/ξ，此时无配合策略的氢-电HESS进行了模式切换，而有配合策略的氢-电HESS没有进行模式切换。在接下来的06:00—08:00，切换功率大于PHESS,thξ，然而无配合策略的氢-电HESS因氢储能系统不满足最小连续停运时间而无法启动，导致模式无法切换；
到09:00时，氢储能系统达到最小连续停运时间后才进行了模式切换。到10:00时，切换功率小于PHESS,th/ξ，无配合策略的氢-电HESS因氢储能系统不满足最小的连续运行时间，模式无法切换，而有配合策略的氢-电HESS进行了模式切换。18:00—21:00情况与前面类似。故可以看出有配合策略比无配合策略的氢-电HESS充放电结果更优。
图9 有无配合策略的氢-电HESS充放电情况Fig.9 Hydrogen-electricity HESS charge and discharge with or without coordination strategy
综上可以得出氢-电HESS配合策略能够有效避免切换功率在阈值PHESS,th附近波动时的错误切换，使氢-电HESS能够在最佳状态下运行。
本文提出了含高比例可再生能源接入的输电网氢-电混合储能系统配置方法。建立了氢-电HESS的双层规划模型，基于蓄电池和氢储能系统的不同特性，提出了一种氢-电HESS配合策略，并采用双层迭代粒子群算法与潮流计算相结合进行模型求解。主要结论如下：
1)储能系统对风电光伏出力进行时序上转移的能力主要是受容量和功率的限制，本文提出的氢-电HESS比传统单一蓄电池储能系统在建设和维护成本降低了2.60%的情况下，还能够增加8.53%的容量和4.18%的功率，从而提高对风电光伏出力进行时序上转移的能力，减少高碳化石能源的消耗量，降低弃风弃光率。
2)氢-电HESS不仅能在整体上降低火电出力，提高风光消纳量，通过对典型日的分析，氢-电HESS还能降低火电的整体出力曲线，使得火电备用更充足，提高了系统的稳定性。
3)氢-电HESS配合策略能够有效避免切换功率在阈值PHESS,th附近波动时的错误切换，使氢-电HESS在最佳状态下运行。
本文的氢储能模型只有制氢没有售氢，未来可以进一步研究售氢对含高比例可再生能源网络配置和调度的影响。
猜你喜欢 出力储能蓄电池 相变储能材料的应用煤气与热力(2021年6期)2021-07-28相变储能材料研究进展煤气与热力(2021年4期)2021-06-09聊聊蓄电池的那点事儿（1） 汽车蓄电池的前世汽车维修与保养(2017年1期)2017-05-15蓄电池去哪儿了汽车维修与保养(2016年1期)2016-09-07“出力”就要做为人民“出彩”的事杭州(2016年1期)2016-08-15基于实测数据的风电场出力特性研究风能(2016年3期)2016-07-05蓄电池去哪儿了？VOL12.雷克萨斯RX450h汽车维修与保养(2016年12期)2016-03-14蓄电池去哪儿了？汽车维修与保养(2016年11期)2016-02-21汽车内饰件用塑料挂钩安装力及脱出力研究汽车零部件(2014年2期)2014-03-11家庭分布式储能的发展前景汽车电器(2014年5期)2014-02-28