基于机器学习的机组组合决策的风电与银杉蓄电池储能协同运行可靠性提升研究
发布时间：2026-06-19 10:41:53 点击： 次
可再生能源的不可预测性和波动性特征给电力系统充分平衡供需带来了挑战，危及整个电力系统的可靠性。风电的接入会导致向电网提供的输出功率出现波动，影响大电网系统的可靠性。如今，能量存储系统正成为应对风电不确定性并提升系统可靠性的关键替代方案。本文提出了一种协调运行风电与Battery Energy Storage System（BESS）的可靠性评估框架，旨在实现资源的有效利用并增强系统可靠性。为确保减少风电弃风现象，采用混合整数线性规划方法开发了一个基于可靠性的随机机组组合问题模型。该模型整合了风电与BESS，并最小化Expected Energy Not Use这一关键可靠性指标。为了验证该公式的实用性和经济可行性，机组组合问题包含了一系列成本构成要素，包括储能退化成本。此外，为突出该方法在在线应用中的适用性，通过整合可靠性指标和储能充放电状态，应用了机器学习模型。结果表明，该方法减少了风电弃风量和旋转备用机组的调度，并最终提升了...以充分平衡供需，危及整个电力系统的可靠性。风电的接入导致向电网提供的输出功率出现波动，影响了bulk power system的可靠性。如今，energy storage systems正成为应对风电不确定性并提升系统可靠性的关键替代方案。本文提出了一种wind power与Battery Energy Storage System (BESS)协同运行的可靠性评估框架，旨在实现资源的有效利用并增强系统可靠性。为了确保减少wind的...，开发了一个基于可靠性的随机机组组合问题，采用了混合整数线性规划方法。它整合了风电和BESS，并最小化期望未用能量——一个关键的可靠性指标。为了证明其实用性和“
工业化驱动的电力需求增长，导致大气中温室气体浓度迅速上升。煤炭、石油和天然气等传统能源在历史上满足了负荷需求，但其储量正在迅速减少。由于RES提供了一种更具成本效益且环保的选择，因此必须转变我们的能源战略以纳入它们[1]。生产削减会导致供应与可变负荷需求之间出现失配，这是将RES整合到大容量电力系统中的一个重大挑战。与RES相关的波动性阻碍了电力系统充分平衡供需，从而损害了整个电力系统的可靠性。例如，风电场的接入会导致向电网提供的输出功率发生波动，影响供电质量。ESS对于存储RES产生的过剩能量并在峰值负荷需求期间释放这些能量至关重要。可以提出一种智能技术来缓解功率输出波动，同时保持可靠性。ESS的集成确保了向消费者稳定供电，消除了停电的可能性[2]。
由于实施便捷且空间需求小，Battery Energy Storage Systems (BESS) 目前被广泛用作 ESS 来缓解风电波动。在风电并网的大型电力系统中，BESS 的部署正变得越来越普遍，尤其是在可靠性研究中，这反映了当前可再生能源整合的趋势。通过减少风电输出固有的间歇性和波动性，BESS 提高了此类系统的可靠性。BESS 的集成使公用事业公司和电网运营商能够有效管理风电输出的波动，从而最终提升系统可靠性 [3]。通过采用 Machine Learning (ML) 方法，用于风电并网电力系统可靠性分析的 BESS 利用技术已取得显著进展。ML 技术借助海量数据集，增强了系统运营商对 BESS 运行及应对各种运行条件（如 RES 不确定性和变化的负荷需求）响应能力的决策能力，以缓解潜在的可靠性问题 [4,5]。
在存在众多运行和环境不确定性的背景下，可靠性提升方案对于集成RES的大型电力系统至关重要。该领域专注于开发和应用创新技术、流程及政策，以提高大型电力系统的可靠性、可用性和可维护性。研究人员旨在通过识别脆弱点并实施预防措施，来提升这些复杂系统的整体可靠性和性能。集成RES系统中的ESS是应对RES波动特性并增强整体可靠性最常采用的技术之一。
文献[6]的作者提出了一种由电池和超级电容器组成的混合ESS，以缓解风光互补发电因风光微网随机且不可预测特性所引起的功率波动。文献[7]的作者通过纳入必要的输电升级评估了风电并网系统的可靠性，同时开发了适当规模的现场储能系统。文献[8]在可靠性模型中加入了削峰填谷变量，并讨论了一种基于伪解析采样的可靠性评估技术，该技术结合了ESS的连续充放电过程。在文献[9]中，作者采用合适的成本函数来最小化最佳备用容量和运行成本，从而实现利润最大化并降低风电不确定性的影响。文献[10]的作者考虑了风电不确定性和风速时间分辨率、Wind Turbine Generators（WTGs）故障以及与系统负荷的相关性，确定了ESS的容量配置。ESS的容量配置是基于AC OPF模型下复合电力系统在运行和技术约束条件下的可靠性确定的。在文献[11,12]中，提出了一种基于ESS和风能系统的协调策略，以提高复合电力系统的可靠性并降低运行成本。所提出的模型考虑了为进行成本效益分析而确定ESS的最佳容量和位置。文献[13]的作者提出了一种基于MCS的可靠...
可再生能源发电的动态特性所带来的日益增长的约束，使得在RES集成的大型电力系统中建立一种协调方法来管理ESS变得十分必要。现有研究主要通过部署ESS并减少系统未利用的总能量来提高电力系统的可靠性。近期的工作缺乏对ESS和RES协调运行的重视，而这种协调运行本可以通过减少弃能和未利用能量来提高大型电力系统的可靠性，从而最大限度地提高RES的利用率，并通过常规发电机组和ESS的最优调度进一步降低总成本。此外，文献综述中缺乏将基于学习的算法应用于不同运行条件下包含ESS和RES的系统运行，因为这些算法在增强可靠性评估方法的有效性方面具有巨大潜力。它能够提升系统的决策能力，以预测发电和需求模式的变化，并有效处理RES的动态特性，从而确保大型电力系统的运行充足性。
根据文献综述，表1在多个参数上对现有方法与所提方法进行了比较，这些参数包括可靠性分析的考虑、风电与储能的纳入、UC公式中运行成本组件的类型以及ML技术的应用。
引言
由于实施便捷且空间需求小，Battery Energy Storage Systems (BESS) 目前被广泛用作 ESS 来缓解风电波动。在风电并网的大型电力系统中，BESS 的部署正变得越来越普遍，尤其是在可靠性研究中，这反映了当前可再生能源整合的趋势。通过减少风电输出固有的间歇性和波动性，BESS 提高了此类系统的可靠性。BESS 的集成使公用事业公司和电网运营商能够有效管理风电输出的波动，从而最终提升系统可靠性 [3]。通过采用 Machine Learning (ML) 方法，用于风电并网电力系统可靠性分析的 BESS 利用技术已取得显著进展。ML 技术借助海量数据集，增强了系统运营商对 BESS 运行及应对各种运行条件（如 RES 不确定性和变化的负荷需求）响应能力的决策能力，以缓解潜在的可靠性问题 [4,5]。
文献[6]的作者提出了一种由电池和超级电容器组成的混合ESS，以缓解风光互补发电因风光微网随机且不可预测特性所引起的功率波动。文献[7]的作者通过纳入必要的输电升级评估了风电并网系统的可靠性，同时开发了适当规模的现场储能系统。文献[8]在可靠性模型中加入了削峰填谷变量，并讨论了一种基于伪解析采样的可靠性评估技术，该技术结合了ESS的连续充放电过程。在文献[9]中，作者采用合适的成本函数来最小化最佳备用容量和运行成本，从而实现利润最大化并降低风电不确定性的影响。文献[10]的作者考虑了风电不确定性和风速时间分辨率、Wind Turbine Generators（WTGs）故障以及与系统负荷的相关性，确定了ESS的容量配置。ESS的容量配置是基于AC OPF模型下复合电力系统在运行和技术约束条件下的可靠性确定的。在文献[11,12]中，提出了一种基于ESS和风能系统的协调策略，以提高复合电力系统的可靠性并降低运行成本。所提出的模型考虑了为进行成本效益分析而确定ESS的最佳容量和位置。文献[13]的作者提出了一种基于MCS的可靠...
根据文献综述，表1在多个参数上对现有方法与所提方法进行了比较，这些参数包括可靠性分析的考虑、风电与储能的纳入、UC公式中运行成本组件的类型以及ML技术的应用。