电池储能系统在电力系统调频中的应用及模型分析

目前内外已经有大量学者围绕电池储能系统参与电力系统应用中的选址定容规划问题进行了研究。主要存在以下一些问题：过程中只考虑了BESS直接参与电力系统调频所带来的直接效益，而储能作为一种辅助调频手段，除了能够改善系统调频效果维持电力系统稳定，在与常规调频机组协调配合时还能减少其频繁切机磨损、延长使用寿命等隐形效益；现有的规划大多都是计及系统现有的调频需求而言，而随着我国经济的快速发展与日益增长负荷需求，电力系统的调频压力及需求也会越来越大，在进行调频规划时不仅要规划当下，更要规划未来，适合发展的需要。此外，对于储能规划定容选址方法的研究中，有一些将应用于变电站选址的人工智能算法（如遗传算法、人工神经网络法）直接应用于储能调频选址规划时，而忽略对储能自身充放电功率和容量以及充放电时间等条件的约束。如参考文献[58]以日平均运行维护和日平均投资费用总和最小为目标函数，对BESS和分布式电源联合规划的组合问题进行了研究；参考文献[59]也以储能参与调频经济性最优为目标函数，利用遗传算法中的混合整数规划（MILP）方法，建立了BESS规划、运行一体化的优化模型；参考文献[60]计及日益增长调频需求，建立综合考虑BESS的多重经济效益模型。

1.电池储能系统参与电网调频的选址模型

储能调频选址受到很多因素的影响，是一个多目标决策的问题。可从技术和经济两个方面建立指标评估模型，评估储能系统各接入位置的优劣，从而进行合理的选址。因此，需对储能调频选址进行建模，并且在考虑储能调频成本与效益的基础上确定储能调频选址的目标函数和约束条件。

（1）目标函数

储能调频选址的目标函数一般包括技术指标和经济指标。经济指标主要包括储能的投资、运行成本以及调频收益；技术指标则指储能参与调频后对电力系统频率稳定水平的改善程度（即安全性、稳定性等）。因此，在综合考虑储能调频的投运成本和所带来效益的基础上选取储能的投资和运行成本、调频收益和对频率的改善程度为目标函数。

minF=λ₁C_Δ+λ₂P_Δ+λ₃|Δf| （4-1）

式中 C_Δ——储能的日均投运总成本；

P_Δ——储能的日均调频总收益；

Δf——电力系统频日均频率偏差的无量纲值；

λ₁、λ₂、λ₃——各自所占的权重，且有λ₁+λ₂+λ₃=1。

（2）约束条件

在进行储能调频选址时，不仅需要考虑系统运行状态的约束，同时也要考虑储能充放电功率以及容量的约束等。

1）系统频率约束，即

f_min≤f≤f_max （4-2）

式中　f_min、fmax——分别为电力系统频率允许的下限和上限。

2）储能功率约束，即

-P_{essmax_ch}≤P_ess≤P_{essmin_dis} （4-3）

式中　P_{essmax_ch}、P_{essmin_dis}——分别为储能的充放电功率上限和下限。(https://www.xing528.com)

3）储能SOC约束，即

SOC_min≤SOC≤SOC_max （4-4）

式中 SOC——储能电源的荷电状态；

SOC_max和SOC_min——分别为储能电源荷电状态的上限和下限。

4）储能充放电转换约束，即

T_c≥T_{c_min} （4-5）

T_dc≥T_{dc_min}

式中 T_c和T_dc——储能电源的放电持续时间和充电持续时间；

T_{c_min}和T_{dc_min}——最小的充放电持续时间^[65]。

2.电池储能系统参与电网调频的选址步骤与流程

电池储能系统参与电网调频的选址，应在考虑储能的技术特点与技术成熟度、相关政策及部门的支持度的基础上进行范围初定（即方案初选），并在此基础上，通过前文所建立储能系统参与电网调频应用的选址模型，得到储能调频选址的优化目标。在众多方案中，结合实际情况选取一种最优目标方案，通常可借助多目标优化算法对其有效分析与解决，如禁忌搜索算法、遗传算法、人工神经网络算法和群粒子算法等。除此之外，当将这些多目标智能算法应用到储能调频选址当中时，为适应储能调频选址的特殊性，还需要对这些算法进行修正，以满足需要。

电池储能系统参与电网调频选址的具体流程如图4-1所示。其主要步骤如下：

1）结合储能的技术特点与技术成熟度与相关政策及部门的支持度，初步确定储能系统的选址范围。

2）利用多目标优化模型结合初选范围，建立储能应用的目标函数及各约束条件。

3）利用多目标智能优化算法进行方案寻优与筛选，确定储能选址的最优方案。

图4-1　储能调频选址的步骤