通过在风电场站内优化配置储能资源,可以有效平抑风力发电的出力波动,提高风电的并网消纳水平。结合多场景随机规划和序贯蒙特卡洛模拟方法,提出了考虑储能寿命折损的风电场站内储能优化配置方法。首先,利用考虑风电出力和负荷典型场景集的随机规划模型,求解风电场站内储能的初始配置方案。其次,利用自回归滑动平均模型模拟出风电场全年时序风速,利用序贯蒙特卡洛模拟出机组、线路工作状态时序,对配置初始储能方案的联合发电系统进行全年运行模拟。然后,基于运行模拟中储能的等效循环寿命和储能容量的收益投资比对储能初始配置方案进行修正。仿真结果表明,所提方法能够有效考虑风电场全年的出力变化,以及储能循环寿命折损的影响,获得合理的储能优化配置方案。
0 引言
储能资源不仅具有快速的功率调节能力,还可以实现能量在时间上的转移。因此,在风电场站内配置储能系统,能够有效平抑风力发电的出力波动,提高电网消纳风电的水平[1]。
目前,国内外学者对风电场储能配置的优化规划方法已取到了一些研究成果。文献[1-2]提出了一种鲁棒线性规划模型求解风电场站内储能优化配置问题,并采用风电功率的均值和波动区间上下限描述风电功率的随机性,将不确定性模型转化为确定性模型进行求解。文献[3]针对于风电场储能优化配置问题,提出了一种基于概率分布的鲁棒联合机会约束模型,并将其转化为确定性的线性矩阵不等式问题进行求解。文献[4]针对风电场站内混合储能系统的优化配置问题,提出了一种结合专家系统和改进遗传算法的求解方法。文献[5]采用粒子群算法对风电出力的预测误差进行了极大似然估计,并建立了含风电预测误差置信度约束的储能优化配置模型。文献[6]提出了一种考虑网架结构的储能配置双层优化模型,并采用改进帝国竞争算法求解所提模型。文献[7]建立了以最小化投资、运行总成本为目标函数的双层储能优化配置模型,并采用改进的粒子群算法进行求解。文献[8]利用短期神经网络模型建立了复合储能系统与风电功率平滑度之间的混合模型,并综合考虑复合储能系统的技术和经济性能,通过遗传算法求解复合储能系统的最佳组合方案。文献[9-10]针对输电系统中的储能优化配置问题,提出了考虑风电出力场景集的0-1混合整数线性规划模型,并采用Benders分解法进行求解。文献[11]提出了考虑典型日场景集的输电网与储能联合规划方法。文献[12-13]针对配电网与储能联合规划问题,提出了多场景非线性随机规划模型与求解方法。以上储能优化配置的研究方法主要是以鲁棒优化[1-3]、遗传算法[4-8]、随机规划[9-13]为基础。其中,鲁棒优化模型易于考虑不确定因素,但存在优化结果的鲁棒性和经济性难以协调的缺点。遗传算法等智能算法存在对大规模系统难以可靠获得高质量解的缺点。多场景随机规划模型一方面难以选取典型场景集,另一方面如果考虑大量的典型场景,模型复杂度又会急剧增加,难以求解。
基于运行模拟的储能优化配置方法,通过将规划与运行相结合的思路,能够在储能配置阶段充分考虑风电不确定性的影响[14-20]。文献[14]利用非参数核密度估计法对风电功率的预测误差进行置信区间估计,计算满足不同置信度要求的储能配置方案。文献[15]以我国沿海地区一个大型风电场的历史出力数据,研究了配置不同容量储能对风电出力波动的平抑效果。文献[16]以小时级的风电场群预测出力作为参考,对储能和机组的运行状态进行优化调控,实现了总弃风功率和切负荷率的最小化。文献[17]提出了含储能和风电不确定性的电力系统随机生产模拟方法。文献[18-19]采用动态的充放电控制区间,以全年风电实际出力与目标出力总偏差最小为目标,优化储能全年每个充放电区间的长度及区间内的充放电功率,以此计算储能的投资与系统收益之间的灵敏度关系。文献[20]建立了含储能的24 h最优潮流模型,并采用运行模拟分析了不同节点配置储能与成本之间的灵敏度,但该模型没有分析储能的容量和功率与成本之间的灵敏度。基于运行模拟的储能配置方法,通过将考虑多个随机场景的不确定性规划模型,转化为多个确定性模型求解,综合考虑各随机场景下决策变量与目标函数之间的灵敏度关系,求解方法简单。但以灵敏度分析为基础的运行模拟方法无法考虑连续决策变量的所有取值与目标函数之间的灵敏度关系。
与常规机组相对固定的使用寿命不同,储能的使用寿命与其放电深度密切相关。因此,在求解风电场储能最优配置方案时,考虑储能充放电次数以及充放电深度对储能寿命的影响非常必要[21-22]。文献[21]将考虑储能寿命成本的风储联合运行模型视为黑盒函数,采用网格自适应直接搜索算法求解满足风电场并网要求的储能最优配置容量。文献[22]采用雨流计数法将储能的寿命折损费用考虑到所提的风电场储能优化配置模型中,并采用粒子群算法求解。由于储能寿命的建模含离散的逻辑变量,因此难以直接在随机规划等数学优化模型中考虑。
本文结合多场景随机规划与基于序贯蒙特卡洛的运行模拟,提出一种考虑风电不确定性和储能寿命折损的储能优化配置方法。首先,利用考虑风电出力和负荷典型场景集的随机规划模型,求解风电场站配置储能的初始优化方案。其次,利用自回归滑动平均(auto-regressive moving average,ARMA)模型模拟出风电场全年时序风速,利用序贯蒙特卡洛模拟机组、线路工作状态时序,对初始储能配置方案进行日运行模拟,利用运行模拟中储能的能量变化曲线,计算储能100%充放电深度的等效循环次数,并以此对储能的初始配置方案进行修正。最后,利用运行模拟计算投建不同储能容量时的收益投资比,对储能的配置方案进一步修正。对修改的IEEE-RTS 24节点算例进行仿真,结果表明所提方法能够有效
考虑风电场全年的随机出力场景,以及储能寿命折损的影响,可得到合理的储能配置方案。
1 风电场储能优化配置的模型与方法
1.1 风电场储能优化配置的多场景随机规划模型
本文选取春夏秋冬4个季节的典型日风电出力场景,以及工作日和非工作日2类典型日负荷曲线,形成风电场储能优化配置随机规划的典型场景集。建立多场景0-1混合整数线性规划模型,求得风电场储能功率和容量的初始配置方案[9-13]。
1.1.1 随机规划模型的目标函数
对于风电场储能优化配置问题,本文从社会效益最优的角度研究,随机规划模型以最小化储能投资与系统运行的综合成本为目标函数[23],包括：
1)储能投资成本;2)弃风惩罚成本;3)切负荷惩罚成本;4)常规机组发电成本。计算公式分别如下。
1)储能投资成本,等年值投资成本：
式中：Cep、Cee分别为储能单位功率和单位容量的投资成本;PESS、EESS分别为储能的功率和容量配置决策变量;I为折现率;Yr为储能使用寿命年限。
2)弃风惩罚成本：
3)切负荷惩罚成本：
4)常规机组发电成本[24]：
1.1.2 随机规划模型的约束条件
1.2 风电场储能优化配置的运行模拟
通过求解多场景随机规划模型,可以得到储能的初始配置方案。但由于其未充分考虑风电出力不确定性的影响,储能的初始配置容量需进一步的验证和优化。通过对含初始储能配置方案的系统进行全年的运行模拟[26],可考虑风电全年的出力变化和储能运行的寿命折损[27]对储能配置结果的影响,以便获取更合理的储能配置方案。
1.2.1 运行模拟的输入参数
首先,需要生成运行模拟的输入参数,主要包括：①电网网架结构以及线路参数;②各节点负荷的时序曲线;③储能的初始配置方案;④风电场年出力时序曲线;⑤常规机组和线路的运行状态等。其中,第①—②部分的输入参数由系统直接确定,第③部分的输入参数由1.1节的优化方法求得。下面分别给出其余输入参数的获取方式。
1)风速模型和风机出力特性：采用时间序列法中的ARMA模型模拟生成风电场全年每小时的风速曲线[28]。风电场全年的时序出力曲线由风机的切入风速、切出风速和额定风速决定,与风速之间的关系采用文献[28]中的分段函数。
2)常规机组和线路运行状态模拟：采用序贯蒙特卡洛模拟抽样法生成常规机组和线路特定时段(全年)的时序工作状态。一般情况下,认为机组或线路的正常运行持续时间和故障修复时间服从指数分布,则其维持当前状态的持续时间ττ可由式(14)给出[29]。
式中：U为[0,1]上的均匀分布随机数;λ为元件的故障率或修复率。
1.2.2 日运行优化的数学模型
对于配置初始储能方案系统,采用考虑储能充放电约束的多时段直流最优潮流(DC optimal power flow,DC-OPF)模型进行全年的日运行模拟。
本文1.1节所建立的风电场储能优化配置的随机规划模型本质上是一种考虑多场景集和储能投资优化的多时段DC-OPF模型。因此,通过将该模型目标函数中的储能投资成本去除,将PESS、EESS变量替换为已知的储能配置方案,将场景集DD设置成1 d,即可获得所需的日运行优化数学模型。
1.2.3 储能容量的收益投资比
通过对不同E1ESS百分比的配置方案进行日运行模拟,得到配置不同储能容量时的收益投资比,可对E1ESS进行修正。储能容量的收益投资比由运行模拟中储能能量上限约束式(13)的对偶变量累加求得,计算方式如下[19]：
Aee为储能单位容量投资成本的年金值。
1.3 储能的寿命模型
本文以锂电池储能系统作为研究对象,锂电池的循环次数与其放电深度密切相关.,对于特定的放电深度下所能释放的总电能是一定的,称之为有效放电量,即锂电池在特定的放电深度下总的循环次数一定[27]。锂电池在充放电深度dd下总的循环次数
kp为不同类型储能电池循环寿命的指数系数,kp的取值一般由电池生产厂家根据实验测试结果提供。对于某一特定放电深度d的充放电循环过程,可将其等效为100%充放电深度下的循环次数,转换公式如下：
式中：Neq是指等效为100%充放电深度的循环次数,Nd为充放电深度d下的循环次数。
2 风电场储能优化配置的算法流程
结合随机规划和序贯蒙特卡洛模拟的风电场储能优化配置方法主要包括以下2个阶段,流程如图1所示。
图1 风电场储能优化配置方法流程
Fig. 1 Flowt of optimal ESS planning for wind farms
2.1 阶段1(随机规划)
在随机规划阶段获得储能的初始功率和容量配置方案,步骤如下：
Step1。对全年的风电出力曲线和日负荷曲线利用K-means聚类算法进行聚类[30],得到春夏秋冬4个季节的风电出力典型曲线和工作日与非工作日2类日负荷典型曲线,并将其组合成8类典型场景作为随机规划的场景集。
Step2。利用1.1节中建立的多场景0-1混合整数线性规划模型求得储能的初始功率和容量配置方案,即P1ESS和E1ESS。
2.2 阶段2(运行模拟)
在运行模拟阶段,考虑风电全年的出力变化和储能的寿命折损对储能配置结果的影响,获取更合理的储能配置方案,步骤如下：
Step3。利用ARMA模型模拟生成风电场全年时序风速,计算出风电场全年各时段的最大有功出力,利用序贯蒙特卡洛模拟机组、线路全年的工作状态时序。
3 算例分析
3.1 算例设置
以修改后的IEEE RTS-24节点系统为仿真系统,命名为IEEE MRTS-24。为仿真分析,对IEEE RTS-24节点系统的修改如下：1)在节点1处接入总装机容量为300 MW的风电场,风速数据来自参考文献[28]采用的ARMA(4, 3)模型。2)将支路1-2、1-3、1-5的额定功率分别调整为80、50、80 MW。当节点1处的风电场可发有功功率大于200 MW时,送出通道1-2、1-3、1-5将会出现不同程度的阻塞,导致弃风。因此,可以在节点1处配置一定容量的储能系统,平抑风电场的有功出力波动并减少弃风电量。采用2020年锂电池储能的预计投资成本和循环次数[31],并设定使用寿命年限,如表1所示。锂电池的循环寿命指数系数kp取为1.25[27],折现率取为4.9%。
表1 锂电池的投资成本与循环寿命
Tab. 1 Investment costs and cycle life of the ESS
3.2 仿真结果
算例的仿真分析主要包括以下内容：1)当不考虑储能配置时,利用多时段DC-OPF模型求解IEEE MRTS-24系统在典型场景集下的各项成本以及线路利用情况。2)利用所提出的多场景随机规划模型求解储能的初始配置容量和功率,并得到储能初始配置方案下系统的各项成本和线路利用情况。3)利用多时段DC-OPF模型对配置P1ESS和E1ESS储能方案的系统进行日运行模拟,并根据储能的能量变化曲线E(t)E(t)计算储能使用寿命期间内100%充放电等效循环次数,对储能最优配置方案进行修正,得到P2ESS和E2ESS。4)对配置不同百分比E2ESS后的系统分别进行全年的日运行模拟,求解储能容量的收益投资比,并根据储能容量的收益投资比变化曲线对储能配置容量进行修正,得到E3ESS。
3.2.1 基于随机规划的储能初始配置方案
首先,对全年的风电出力曲线和日负荷曲线利用K-means聚类算法进行聚类,得到春夏秋冬4个季节的风电出力聚类曲线和工作日与非工作日2类日负荷聚类曲线,分别如图2和图3所示。
图2 春夏秋冬4个季节的风电聚类曲线
Fig. 2 Clustering curves of wind power in spring, summer, autumn and winter
图3 工作日与非工作日典型负荷曲线
Fig. 3 Typical daily load curves in weekdays and weekends
将以上风电和负荷的典型曲线,组合成8种不同的典型场景,作为随机规划的典型场景集。利用多时段DC-OPF模型,求解不含储能配置时的IEEE MRTS-24系统在典型场景集下的各项成本以及线路利用情况,结果分别如表2、3所示。
表2 不含储能时电网的综合成本
Tab. 2 Costs of IEEE MRTS-24 system without ESS
表3 不含储能时部分线路利用情况
Tab. 3 Line usage indices of IEEE MRTS-24 without ESS
其次,利用多场景随机规划模型求解IEEE MRTS-24中储能的初始配置容量和功率,如表4所示,该储能初始配置方案下系统的各项成本和线路利用情况,如表5、6所示。
表4 风电场站内初始储能配置方案
Tab. 4 Initial investment plan of ESS
表5 储能初始配置方案下系统的综合成本
Tab. 5 Cost of IEEE MRTS-24 with the initial ESS investment plan
表6 储能初始配置方案下系统部分线路利用情况
Tab. 6 Line usage indices of IEEE MRTS-24 system with the initial ESS investment plan
从以上表格中的结果对比分析可知：
1)由表2和表5的结果对比可知,在未配置储能时,系统的弃风电量较大,弃风成本达到26.25×106 USD。当系统配置储能后,全年的弃风成本下降为13.39×106USD,总的弃风成本下降了48.99%。
2)由表4和表5的结果可知,储能的初始最优配置功率PESS1P1ESS和容量E1ESS分别为172.34 MW和191.49 MW•h。虽然系统配置储能后,增加了6.08×106 USD的储能投资成本,但系统全年的总成本依然从512.23×106USD下降到了501.69×106USD,即总成本下降了10.54×106 USD。
3)由表3和表6的结果可知,系统配置储能后,风电送出通道1-2和1-5这2条线路的利用小时数和满载小时数都得到了不同程度的增加,即提高了线路1-2和1-5的利用效率。
3.2.2 基于运行模拟对储能配置容量的修正
1)基于储能等效循环寿命修正E1ESS。
随机选取系统某天的运行模拟结果中,储能能量E(t)E(t)变化曲线和风电场的可出力曲线,见图4。
图4 储能能量变化曲线与风电场预期出力曲线
Fig. 4 ESS energy curve and wind power expected output curve
由图4的结果可知,当风电场的预期出力较大时,往往伴随着储能存储能量,以便减少弃风。当风电场预期出力较小时,储能便释放能量,以减小风电场和储能的联合出力的波动。因此,通过在风电场配置一定容量的储能,能够有效减小风电场的出力波动,提高风电的消纳水平。
式中Yr为储能修正后的使用寿命年限,由式(18)计算可得Yr为8年。
储能使用寿命年限的变化,将导致储能投资成本年金值的变化,因此,利用1.1节中的多场景随机规划模型重新求解得到修正后的储能配置方案,得到P2ESS和E2ESS分别为158.73 MW和176.37 MW•h。通过运行模拟,得到修正后的储能配置方案在8a间100%充放电等效总循环次数为6100次,满足储能循环次数寿命的要求。
2)基于储能容量收益投资比修正E2ESS。通过对IEEE MRTS-24系统配置不同百分比E2ESS(70%~130%)的储能,并对其进行全年的日运行模拟,求解得到储能容量的收益投资比变化曲线如图5所示。
图5 配置不同百分比EESS2E2ESS时储能容量的收益投资比
Fig. 5 Income/investment ratio of the ESS capacity with different percentageE2ESS
由图5的结果可知,随着所配储能容量从70%E1ESS不断增加到130%E1ESS,储能容量的收益投资比不断下降,说明随着所配置储能的容量饱和度不断增加,储能容量的收益投资比不断减小。直到当储能容量配置为110%E1ESS时,储能容量的收益/投资比已降到了1.048,为保证所配储能容量具有较高的经济效益,本文选取储能容量收益投资比处于1~1.05之间,并最接近1.05时的储能容量(即110%E1ESS)作为修正后的储能配置容量,即E3ESS=194.01 MW⋅h。采用运行模拟验证得到修正后的储能配置方案E3ESS在8a间100%充放电等效总循环次数约为5800次,满足储能循环次数寿命的要求,因此储能最终的配置容量为194.01 MW•h。
4 结论
本文考虑风速的时序变化,提出了结合随机规划和序贯蒙特卡洛模拟的风电场储能优化配置方法。通过算例仿真分析,得到的主要结论如下：
1)通过求解多场景随机规划模型得到的储能初始配置方案,有效降低了系统全年的弃风电量和综合成本,并提高了部分风电送出通道的利用率。
2)通过对配置初始储能方案的联合发电系统进行运行模拟,进一步考虑了风电场全年出力变化和储能寿命折损对储能优化配置结果的影响,并基于运行模拟中求得的储能等效循环次数和储能容量的收益投资比变化曲线,对储能的初始配置方案进行修正,获得了更合理的储能配置结果。
未来的研究工作将进一步研究储能的多点布局选址优化,以及储能选址、定容和电网规划的联合优化问题。
参考文献
[1] 韩杏宁,陈雁,文劲宇.风电场储能装置的鲁棒优化配置[J].高电压技术,2015,41(7):2217-2224. Han Xingning,Chen Yan,Wen Jinyu.Robust allocation of energy storage system for multiple wind farms[J].High Voltage Engineering,2015,41(7):2217-2224(in Chinese).
[2] 韩杏宁,黎嘉明,文劲宇,等.含多风电场的电力系统储能鲁棒优化配置方法[J].中国电机工程学报,2015,35(9):2120-2127. Han Xingning,Li Jiaming,WenJinyu,et al.Optimization for robust energy storage allocation in power system with multiple wind farms integrated[J].Proceedings of the CSEE,2015,35(9):2120-2127(in Chinese).
[3] 戴蕾思,叶承晋,傅旭华,等.考虑概率分布约束的含高渗透率风电电力系统储能鲁棒优化方法[J].电网技术,2017,41(3):769-774. Dai Leisi,Ye Chengjin,FuXuhua,et al.Distributional robust joint chance constrained optimal capacity installment of energy storage in power system with high penetration of wind power[J].Power System Technology,2017,41(3):769-774(in Chinese).
[4] 江润洲,邱晓燕,陈光堂.风电场混合储能系统优化配置方法[J]. 电力系统及其自动化学报,2015,27(1):37-42. Jiang Runzhou,Qiu Xiaoyan,ChenGuangtang.Optimal configuration method of hybrid energy storage system for wind power[J].Proceedings of the CSU-EPSA,2015,27(1):37-42(in Chinese).
[5] 兑潇玮,朱桂萍,刘艳章.考虑预测误差的风电场储能配置优化方法[J].电网技术,2017,41(2):434-439.Dui Xiaowei,Zhu Guiping,Liu Yanzhang.Research on battery storage sizing for wind farm considering fore error[J].Power System Technology,2017,41(2):434-439(in Chinese).
[6] 徐国栋,程浩忠,方斯顿,等.用于提高风电场运行效益的电池储能配置优化模型[J].电力系统自动化,2016,40(5):62-70. Xu Guodong,Chen Haozhong,Fang Sidun,et al.Optimal configuration method of battery energy storage for improving the operation efficiency of wind farm[J].Automation of Electric Power System,2016,40(5):62-70(in Chinese).
[7] 程庭莉,陈民铀,罗欢.含可再生能源发电的配网储能多目标优化配置方法[J].电网技术,2017,41(9):2808-2815. Cheng Tingli,Chen Minyou,Luo Huan.Multi-objective allocation of energy storage in distribution network penetrated with renewable energy generation[J].Power System Technology,2017,41(9):2808-2815(in Chinese).
[8] 张坤,毛承雄,谢俊文,等.风电场复合储能系统容量配置的优化设计[J].中国电机工程学报,2012,32(25):79-87. Hang Kun,Mao Chengxiong,Xie Junwen,et al.Optimal design of hybrid energy storage system capacity for wind farms[J].Proceedings of the CSEE,2012,32(25):79-87(in Chinese).
[9] Xiong P,Singh C.Optimal planning of storage in power systems integrated with wind power generation[J].IEEE Transactions on Sustainable Energy,2015,7(1):232-240.
[10] Jabr R A,Džafić I,Pal B C.Robust optimization of storage investment on transmission networks[J].IEEE Transactions on Power Systems,2014,30(1):531-539.
[11] Qiu T,Xu B,Wang Y,et al.Stochastic multistage coplanning of transmission expansion and energy storage[J].IEEE Transactions on Power Systems,2016,32(1):643-651.
[12] Asensio M,de Quevedo P M,Munoz-Delgado G,et al.Joint Distribution network and renewable energy expansion planning considering demand response and energy storage ̶ Part I:stochastic programming model[J].IEEE Transactions on Smart Grid,2016,PP(99):1-1.
[13] Asensio M,Quevedo P M D,Munoz-Delgado G,et al.Joint distribution network and renewable energy expansion planning considering demand response and energy storage ̶ Part II:numerical results and considered metrics[J].IEEE Transactions on Smart Grid,2016,PP(99):1-1.
[14] 叶瑞丽,郭志忠,刘瑞叶,等.基于置信区间估计及储能装置优化配置的风电场可靠出力研究[J].电力自动化设备,2017,37(5):85-91. Ye Ruili,Guo Zhizhong,Liu Ruiye,et al.Research on wind farm reliability based on confidence interval estimation and optimal allocation of energy storage device[J].Electric Power Automation Equipment,2017,37(5):85-91(in Chinese).
[15] 梁亮,李建林,惠东.大型风电场用储能装置容量的优化配置[J]. 高电压技术,2011,37(4):930-936.Liang Liang,Li Jianlin,Hui Dong.Optimization configuration for capacity of energy storage system in large-scale wind farm[J].High Voltage Engineering,2011,37(4):930-936(in Chinese).
[16] 王成福,李熙娟,梁军,等.计及预测功率的含储能风场群优化调控方法[J].电网技术,2017,41(4):1253-1260. Wang Chengfu,Li Xijuan,Liang Jun,et al.Optimal dispatch and control of active power for wind farm cluster including storages considering the foreing power[J].Power System Technology,2017,41(4):1253-1260(in Chinese).
[17] 廖庆龙,谢开贵,胡博.含风电和储能电力系统的时序随机生产模拟[J].电网技术,2017,41(9):2769-2776. Liao Qinglong,Xie Kaigui,Hu Bo.Sequential probabilistic production simulation of power systems with wind power and energy storage[J].Power System Technology,2017,41(9):2769-2776(in Chinese).
[18] Zhang F,Xu Z,Meng K.Optimal sizing of substation-scale energy storage station considering seasonal variations in wind energy[J].IET Generation Transmission & Distribution,2016,10(13):3241-3250.
[19] Zhang F,Wang G,Meng K,et al.Improved cycle control and sizing scheme for wind energy storage system based on multi-objective optimization[J].IEEE Transactions on Sustainable Energy,2016,PP(99):1-1.
[20] Nguyen N T A,Le D D,Moshi G G,et al.Sensitivity analysis on locations of energy storage in power systems with wind integration[J].IEEE Transactions on Industry Applications,2015,52(6):5185-5193.
[21] 沈子奇,裴玮,邓卫,等.考虑电池寿命和运行控制策略影响的风电场储能容量优化配置[J].高电压技术,2015,41(7):2236-2244. Shen Ziqi,Pei Wei,Deng Wei,et al.Storage capacity optimization for wind farm considering the impact of battery lifetime and control strategy[J].High Voltage Engineering,2015,41(7):2236-2244(in Chinese).
[22] 栗然,党磊,周鸿鹄,等.基于费用效率法的风电场混合储能容量优化配置[J].电力系统保护与控制,2015,43(24):55-62. Li Ran,Dang Lei,Zhou Honghu,et al.Capacity optimization disposition of hybrid energy storage in wind field based on cost efficiency model[J].Power System Protection and Control,2015,43(24):55-62(in Chinese).
[23] Hozouri M A,Abbaspour A,Fotuhi-Firuzabad M,et al.On the use of pumped storage for wind energy maximization in transmission- constrained power systems[J].IEEE Transactions on Power Systems,2015,30(2):1017-1025.
[24] 吴玮坪,胡泽春,宋永华,等.结合半正定规划和非线性规划模型的OPF混合优化算法研究[J].中国电机工程学报,2016,36(14): 3829-3836. Wu Weiping,Hu Zechun,Song Yonghua,et al.Hybrid optimization of optimal power flow by combining the seefinite programming and nonlinear programming[J].Proceedings of the CSEE,2016,36(14):3829-3836(in Chinese).
[25] Ding H,Hu Z,Song Y.Value of the energy storage system in an electric bus fast ging station[J].Applied Energy,2015(157): 630-639.
[26] Zhang N,Kang C,Kirschen D S,et al.Planning pumped storage capacity for wind power integration[J].IEEE Transactions on Sustainable Energy,2013,4(2):393-401.
[27] He G,Chen Q,Kang C,et al.Optimal bidding strategy of battery storage in power markets considering performance-based regulation and battery cycle life[J].IEEE Transactions on Smart Grid,2016,7(5):2359-2367.
[28] Billinton R,Wangdee W.Reliability-based transmission reinforcement planning associated with large-scale wind farms[J].IEEE Transactions on Power Systems,2007,22(1):34-41.
[29] 程林,何剑.电力系统可靠性原理和应用[M].北京:清华大学出版社,2015:199-203.
[30] 王聪. 基于聚类算法的风电场动态等值问题研究[D].吉林:东北电力大学,2012.
[31] 中国储能网新闻中心.未来几年锂电池价格将呈逐年下降趋势[EB/OL].[2017-08-10].2014.
关注一下，获取最全储能资料包，请回复：资料
原标题：结合随机规划和序贯蒙特卡洛模拟的风电场储能优化配置方法
