Page 22 - 《中国电力》2026年第4期
P. 22
2026 年 第 59 卷
∑ ( )
S UAFt = min R max ,P max （26） 3 算例分析
i hi − P hi,t
i∈I
∑ ( max min ) 选取中国某高比例水电区域电力系统作为仿
S DAFt = min R i ,P hi,t − P hi （27）
i∈I 真案例，该区域年度峰值负荷为 6 883.65 万 kW，
式中： I为具备调节能力的水电站集合。 其电源结构如下。火电系统为燃煤机组，总装机
2.4 储能出力安排 容 量 2 680 万 kW， 各 机 组 关 键 参 数 如 表 2 所 示 ；
储能是新型电力系统与能源互联网发展的关 水电系统含径流式与日调节式电站，其中日调节
键支撑技术，对中国能源结构转型与电网高质量 水电站最大装机容量为 1 280 万 kW；储能系统装机
发展具有战略意义 [33] 。储能参与随机生产模拟主 容量 300 万 kW，充放电循环效率 90%；新能源装
要有 3 种方式：1）通过充放电调整负荷调峰需求 机含风电与光伏，其中风电装机容量为 900 万 kW，
曲线，增强系统的调峰灵活性；2）充电时作为 光伏装机为 1 000 万 kW，出力特性符合区域实际
负荷，放电时作为机组；3）将充放电等效为技 运行数据。
术 出 力 。 文 献 [34] 指 出 第 3 种 方 式 更 为 简 洁 高
表 2 燃煤火电机组参数
效，可灵活应对发电容量变化，提升系统灵活性 Table 2 Parameters of coal-fired thermal power units
和可靠性。基于此，本文采用将储能充放电等效 额定功率/ 最小技术 故障率/ 爬坡速率/
类型 台数
为技术出力的方式参与随机生产模拟。 万kW 出力/万kW % ((万kW)·h )
–1
1 10 100 55.0 0.49 28.6
2.4.1 储能充放电
2 10 90 49.5 0.49 25.7
t
储能在 t时刻可以提供的充电功率 P 和放电
ch
3 10 48 26.0 0.63 26.0
t
功率 P 分别为
dis 4 10 30 10.0 0.86 15.0
max t−1
S −S
t t SOC SOC max （28）
P = min E , ,P
ch UCS ch
∆tη ch 3.1 新能源出力与负荷置信区间估计
( )
t−1 min 以该区域历史年份的风电、光伏、径流式水
S −S
η dis
t t SOC SOC max
P = minE , ,P （29）
dis DCS ∆t dis 电出力及负荷数据构建基准数据集，考虑到新能
源出力的随机性和波动性，通过向风电、光伏和
式中： E t 和 E t 分别为 t时刻系统向上和向下
UCS DCS 径流式水电的基准数据集引入 ±5% 的随机扰动生
发电容量不足期望； S max 和 S min 分别为储能系统
SOC SOC 成 预 测 数 据 集 ， 对 于 负 荷 的 基 准 数 据 集 则 引 入
的最大和最小容量； η ch 和 η dis 分别为储能的充放 ±3% 的随机扰动。采用非参数核密度估计方法对
电效率； P max 和 P max 分别为 t时刻储能的最大充放
ch dis 各电源功率偏差与负荷偏差进行概率分布建模，
电功率。 置信区间估计结果如图 4 所示。可见，核密度估
2.4.2 荷电状态（state of charge，SOC）更新 计曲线相较于正态分布曲线更贴合功率预测误差
储能 SOC 状态具有时序关联性， t时刻状态更 直方图，但当样本容量 n＜100时，核密度估计存
新方式如下。 在过拟合现象，与 Silverman 带宽准则的理论预期
1）充电时荷电状态 S t 增加为 一致 [35] 。
SOC
t
S t = S t−1 + P ∆tη ch （30） 基于图 4 的误差概率密度分布，计算新能源
SOC SOC ch
出 力 与 负 荷 在 85%、 95% 置 信 度 下 的 置 信 区 间 ，
2）放电时 S t 减小为
SOC 并选取连续 日运行数据进行可视化，如图 5、图
t
P ∆t 5 6
dis
S t = S t−1 − （31） 所示。结果显示，预测值与实际值多数时段位于
SOC SOC
η dis
置信区间内，尤其是曲线平稳时段；非参数估计
为保证系统的正常运行，荷电状态需满足约
生成的置信区间可有效包络功率波动范围，且区
束为
间宽度随置信水平降低而递减，符合理论预期。
S min ≤S t ≤S max （32）
SOC SOC SOC 由 表 3 不 同 置 信 度 下 源 荷 区 间 估 计 的 P PIC 可
18
