新型电力系统下的分布式储能应用场景

摘要：随着分布式能源的大量接入，电力系统面临如何减弱新能源并网引起波动的挑战。合理配置分布式储能能够有效平抑波动，提高电能质量，因此需要对分布式储能配置问题进行深入研究。该文首先研究并归纳了分布式储能的发展现状，其次从新型电力系统下分布式储能的优点入手，通过分析电源侧、电网侧以及用户侧等不同的应用场景，建立了完善的分布式储能合理配置流程，然后分别从优化模型的搭建和优化方法的选择2方面展开研究，汇总了常用的目标函数和约束条件，论述了典型优化算法的适用性，*后根据目前分布式储能配置的研究现状，指出了目前优化过程中需要改进的问题。

关键词：新型电力系统；分布式能源；分布式储能；优化配置；智能优化算法

0.引言

分布式可再生能源发电是基于风、光等新能源的分布式发电，具有建设周期短、应用场景多、环境负效应低、技术成熟度高等优势，发展前景广阔[1]。2022年前3季度，分布式光伏新增装机超过全国光伏新增装机的2/3，成为装机增长*快的可再生能源发电类型，这意味着“分布式光伏整县推进"模式在全国范围内铺开，高比例清洁能源占比逐步提高，分布式配储能的应用前景逐渐体现，因此分布式储能的规划部署作为分布式储能工程合理性应用的前提至关重要。

为实现2021年4月国家能源局发布的《关于加快推动新型储能发展的指导意见(征求意见稿)》中“储能装机3000万kW"目标，各省份纷纷出台相应政策，对不同项目的储能配比做出相应规定，具体见附录A表A1。通过汇总表对比可以看出：(1)各省份储能储能装机配比均在10%以上，充电时长均在2h以上；(2)规范的项目多为集中式储能容量配比，对于分布式储能容量配比规定较少，缺乏对其系统性研究；(3)政策中关于储能容量配比还未能根据储能具体应用场景细化。

相较于集中式储能，分布式储能可减少集中储能电站的线路损耗和投资压力，但也具有分散布局、可控性差等特点。合理规划分布式储能，不但可以促进新能源的消纳，降低弃风弃光率，还可以通过“削峰填谷"来降低配电网的容量，减少投资资源[3]。围绕分布式储能规划的问题，国内外专家学者开展了大量研究，已获得阶段性成果，目前主要侧重于不同场景的数学建模和规划优化方法等方面。对此，本文从新型电力系统下分布式储能的特点入手，围绕分布式储能的应用场景建立了分布式储能优化配置的研究框架，旨在对新型电力系统下分布式储能的配置方法进行详细梳理，对新型电力系统的优化具有重要意义。首先研究了分布式储能的物理架构，对其典型应用场景进行了归纳总结，基于对不同指标以及不同目标函数的考虑，归纳分布式储能容量配置的不同，旨在对分布式储能的容量规划配置做系统的归纳以及对改进其配置方法做合理的展望。

1.分布式储能应用场景及配置流程

规划配置分布式储能系统，需要从分析储能在不同应用场景下发挥的关键作用和服务典型应用场景下的分布式储能容量配置流程设计2个方面出发，满足分布式储能容量配置合理性与科学性要求。

1.1分布式储能的应用场景

根据分布式储能在电力系统中的安装位置，其应用场景可分为发电侧、电网侧以及用户侧，如图1所示。在发电侧，分布式储能可参与可再生能源并网、减少弃风弃光、负荷跟踪、系统调频等应用场景；在电网侧，可参与辅助电力调峰、备用容量、缓解电网阻塞、延缓输配电设备扩容、无功支持、辅助动态运行等应用场景；在用户侧，分布式储能可用于峰谷价差套利、容量费用管理、提升电能质量、提升供电可靠性等应用场景，下面对不同场景下分布式储能的不同应用进行归纳分析，以找到各场景下储能的合理容量配置方法。

图1分布式储能应用场景

在用户侧，分布式储能可用于峰谷价差套利、容量费用管理、提升电能质量、提升供电可靠性等应用场景，下面对不同场景下分布式储能的不同应用进行归纳分析，以找到各场景下储能的合理容量配置方法。

1.2分布式储能容量配置流程

分布式储能容量配置需要综合考虑应用场景用户与市场需求的分析，建立起适合该应用情况下的容量配置数学模型，具体容量配置流程见图

从流程图可以看出：

(1)分布式储能容量配置需

要根据应用场景以及市场与用户需求得出储能容量配置的目标函数；

.       根据配电网运行要求以及储能自身条件确定该模型的运行约束条件；

.       对设计的数学模型，选取合理的算法对目标函数进行求解。因此，本文接下来就目前对不同目标函数的研究进行归纳总结与分析。

图2分布式储能容量配置流程

2.分布式储能数学建模

经济性是储能配置过程中 要考虑的因素，而可靠性贯穿于新型电力系统的各个部分，它保证了分布式储能的持续出力能力以及抵御电网波动的能力，因此研究分布式储能优化配置的经济性和可靠性具有重要意义，下面将分别对其进行深入研究。

2.1经济性

目前，分布式储能存在投资成本较高、投资回收期较长等问题，对此，行业内专家学者对分布式储能各类应用场景的经济性问题开展了相关研究。针对优化应用于电源侧的储能容量配置，其经济性主要体现在新能源消纳以及碳收益方面!。提高了储能参与新能源消纳的效率。对于配电网侧，其经济性主要体现在降低网损收益、削峰填谷、配电网新能源消纳等方面。文献针对配电网削峰填谷、降低网损的场景，提出了一种修正储能容量的方法，以配电网总成本*低为优化目标，使得储能容量与寿命达到较好的配合,具有更优的经济性。

从分布式储能的优化配置经济性研究现状中，可以得出:

.       政策为分布式储能提供效益保障，合理制定电价机制以及补贴政策是实现储能商业价值的重要因素;

.       目标函数的设立大多包含投资成本及运维成本，体现出目前成本高昂问题依旧是提高储能容量配置经济性的限制因素，因此如何降低配置成本是储能行业发展的 ;

.       约束条件的确定与储能应用场景相关，在用户侧，通常要考虑储能自身约束，比如储能充放电约束、荷电状态约束等，

在电源侧，还需要考虑传统火电机组、新能源电站的出力约束；在配电网侧，还需要考虑电力系统潮流约束、节点电压约束等。

2.2可靠性

新型电力系统中可再生能源发电占比越来越大，大量新能源并网以及电力电子器件的接入会给电网带来较大冲击，配电网中包含了很多 负荷、二级负荷，需要越来越高的电能质量，同时在负荷高峰期，部分负荷可能会因系统输配电能力有限而失去供电。

为减少新型电力系统中的重要用户因电网故障或负荷停电造成的经济损失，通过配置一定容量的分布式储能作为应急电源或不间断电源，能有效提高系统可靠性。除此之外，储能系统因其本身特性可以 快速地控制有功和无功，提升系统响应扰动的能力，调整频率与电压到标准值，还能补偿负荷波动，提高系统运行的稳定性，因此研究分布式储能配置的可靠性指标是提升新型电力系统稳定性的重要方向。

.       优化算法

3.1经典优化算法

在根据分布式储能的应用场景选取合适的目标函数以及约束条件后，需要对建立好的储能配置模型进行求解，才能得到储能配置参数，完成储能配置过程，选取合适的优化算法也是储能能否实现优化配置的重要一环。

3.1.1线性规划

线性规划是在一组线性约束条件的限制下，求一线性目标函数*大或*小的问题。而在求解储能容量配置问题时，其目标数及约束条件往往是非线性的，因此需要将非线性的目标函数及约束条件进行线性化才能求解。

3.1.2动态规划

动态规划是通过将大问题拆分成小问题，同时明确各问题之间的逻辑关系，进而以递推的方式去解决问题。在求解储能容量配置模型优化问题中，将目标函数中的优化变量折解为子变量，按子变量的逻辑关系逐一求解。

分布式储能的动态配置通过动态地调节配电网的潮流分布，可有效降低配电网网损成本，由于网内负荷的季节性变化是储能配置发生变化的主要影响因素，而动态规划模型相对于静态规划模型的优点是能够得到全局*优解，因此，储能动态配置比固定配置更具有经济性，且能利用优化目标与子目标之间的逻辑关系，减少冗余计算过程，提高优化效率。其缺点在于：没有固定的求解模型，依赖决策者提供*优判断，同时没有维数限制，对求解的空间需求大。

3.2智能优化算法

3.2.1遗传算法

遗传算法(geneticalgorithm,GA)其本质是一种具有并行性、全局性、自适应寻优特点的方法，能在寻优过程中自动搜集可行域内的有效信息，并自适应地控制搜索过程以求得近似*优解。在应用于储能容量配置的过程中，其主要求解流程如图3所示，主要步骤有：确定储能容量配置参数集，对所需参数进行二进制编码，确定初始储能容量配置种群，根据储能各应用场景下的目标函数对其进行适应度评价，对参数进行选择交叉变异产生新一代种群直到迭代次数满足所设置要求。算法求解结束，可以得到所要求的储能容量配置的参数。

遗传算法为全局优化算法，其对于求解多目标函数、混合非线性问题有其显著的优点，但其求得的优化解一般不为*优解，一般为*优解附近的职值，在收敛性以及求解速度方面都存在局限性。对此，国内外专家学者对遗传算法应用在分布式储能规划问题上展开研究，表2归纳了遗传算法求解的标丞数、改进之处以及目前在应用方面的侧 。

图3遗传算法流程图

分析表2可以看出，目前应用遗传算法来解决分布式储能规划的选址定容问题，其评价指标主要考虑储能容量配置的经济性方面或者以经济性为主体的多目标函数，目前改进的方向主要有：

.       与其他智能算法相结合，通过算法之间的嵌入来改善遗传算法的收敛性以及收敛速度；

.       改进遗传算法中的选择、交叉以及变异因子，使其更科学，更具适用性；

.       在使用遗传算法优化前，对种群个体适应度进行排序，选取适用度高的个体做初代种群。

3.2.2群智能优化算法

群智能算法源于自然群体通过合作方式觅食的行为研究，每个具有经验和智慧的个体通过相互作用机制形成强大的群体性智慧，以此解决复杂的问题，目前常见的应用在分布式储能容量配置领域中的群智能优化算法有：蚁群算法、粒子群算法、菌群算法、蛙跳算法、狼群算法、鲸鱼算法等。其中，粒子群算法(particleswarmoptimization，PSO)因为容易、精度高、收敛快等优点，被广泛应用于储能容量配置等方面。

粒子群算法的核心思想是利用群体中个体对信息的共享，使得整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得问题的*优解，粒子群算法中两大核心公式为速度更新公式与位置更新公式，即：

粒子群算法应用在分布式储能容量配置方面，其主要的流程如图4所示，首先需要确定区域配电网的各项参数，确定储能应用场景，选取储能配置参数作初始化粒子群，初始化粒子位置向量和速度向量，计算粒子的目标函数值，种群速度主要受惯性权重和学习因子参数影响，学习因子影响多维度寻优效率，惯性权重大小与全局搜索能力正相关，ω取值较大时有利于全局搜索，使得PSO算法收敛速度更快；ω取值较小时则更有利于局部搜索，使得PSO算法收敛精度更高。

PSO算法有迭代简单、利用群体智能进行优化等优点，广泛应用于新型电力系统中分布式储能容量优化配置中。

图4PSO优化算法流程图

分布式储能优化配置的应用场景很多，针对不同应用场景下的求解需要选择合理的算法，各类算法具有各自的优缺点，需要在此基础上进行改进，使之更好地对问题进行求解，目前主要应用的智能算法，如遗传算法和粒子群算法，依然有计算量大、易落入局部*优等缺点，对此类算法进行改进并使之在储能优化配置问题中有更好的收敛性与效率是目前的研究 。

4.Acrel-2000ES储能柜能量管理系统

4.1系统概述

安科瑞储能能量管理系统Acrel-2000ES，专门针对工商业储能柜、储能集装箱研发的一款储能EMS，具有完善的储能监控与管理功能,涵盖了储能系统设备(PCS、BMS、电表、消防、空调等)的详细信息,实现了数据采集、数据处理、数据存储、数据查询与分析、可视化监控、报警管理、统计报表等功能。在 应用上支持能量调度,具备计划曲线、削峰填谷、需量控制、防逆流等控制功能。

4.2系统结构

Acrel-2000ES，可通过直采或者通过通讯管理或串口服务器将储能柜或者储能集装箱内部的设备接入系统。系统结构如下：

4.3系统功能

4.3.1实时监测

系统人机界面友好，能够显示储能柜的运行状态，实时监测PCS、BMS以及环境参数信息，如电参量、温度、湿度等。实时显示有关故障、告警、收益等信息。

4.3.2设备监控

系统能够实时监测PCS、BMS、电表、空调、消防、除湿机等设备的运行状态及运行模式。

PCS监控：满足储能变流器的参数与限值设置；运行模式设置；实现储能变流器交直流侧电压、电流、功率及充放电量参数的采集与展示；实现PCS通讯状态、启停状态、开关状态、异常告警等状态监测。

BMS监控：满足电池管理系统的参数与限值设置；实现储能电池的电芯、电池簇的温度、电压、电流的监测；实现电池充放电状态、电压、电流及温度异常状态的告警。

空调监控：满足环境温度的监测，可根据设置的阈值进行空调温度的联动调节，并实时监测空调的运行状态及温湿度数据，以曲线形式进行展示。

UPS监控：满足UPS的运行状态及相关电参量监测。

4.3.3曲线报表

系统能够对PCS充放电功率曲线、SOC变换曲线、及电压、电流、温度等历史曲线的查询与展示。

4.4.3.4策略配置

满足储能系统设备参数的配置、电价参数与时段的设置、控制策略的选择。目前支持的控制策略包含计划曲线、削峰填谷、需量控制等。

4.3.5实时报警

储能能量管理系统具有实时告警功能，系统能够对储能充放电越限、温度越限、设备故障或通信故障等事件发出告警。

4.3.6事件查询统计

储能能量管理系统能够对遥信变位，温湿度、电压越限等事件记录进行存储和管理，方便用户对系统事件和报警进行历史追溯，查询统计、事故分析。

4.3.7遥控操作

可以通过每个设备下面的红色按钮对PCS、风机、除湿机、空调控制器、照明等设备进行相应的控制，但是当设备未通信上时，控制按钮会显示无效状态。

4.3.8用户权限管理

储能能量管理系统为保障系统安全稳定运行，设置了用户权限管理功能。通过用户权限管理能够防止未经授权的操作（如遥控的操作，数据库修改等）。可以定义不同级别用户的登录名、密码及操作权限，为系统运行、维护、管理提供可靠的安全保障。

5.相关平台部署硬件选型清单

6.结束语

新型电力系统中新能源占比越来越大，给电网稳定性和电能质量带来很多问题和挑战，通过合理规划分布式储能，不仅可以促进新能源的消纳，还可以提升电网稳定持续供电能力。本文针对分布式储能的优化配置问题展开深入研究，根据分布式储能的不同应用场景，构建了完善的优化配置模型，同时从模型搭建和优化算法选择2方面进行研究归纳，得到以下结论：

1）通过对分布式储能系统经济性方面目标函数的研究，得出目前存在的储能成本较高、 期长等问题，需要相关部门制定相应政策进行引导调节，例如在建造分布式储能初期给予投资方一定比例的奖励以降低投资成本，在电网调度中优先调用已投运的分布式储能以减短 期。

2）现有的分布式储能优化配置模型一般从经济性和可靠性2方面选取目标函数，且优化目标一般较为单一，下一步应考虑加入其他方面的优化目标，例如环保性和能源利用率等，并考虑将其转化为经济性、可靠性2方面的目标函数；此外，对于多目标优化中各目标函数的权重应根据具体场景进行合理分配。

3）随着分布式储能优化配置的研究更加深入，会出现更多类型的优化指标，因此不仅要完善目标函数体系，还要对现有的优化算法进行改进，提高方法 度和适用性，使得优化结果具有更高的可信度。

参考文献

[1]李建林，姜冶蓉，马速良，崔宜琳，郭霄宇.新型电力系统下分布式储能应用场景与优化配置.2024

[2]张光儒，任浩栋，马振祺，等.提升配电网承载力和调节能力的整县分布式光伏储能配置方法[J].电气技术，2022，23(11)：49-55，61.

[3]安科瑞企业微电网设计与应用手册.2022.05版.