考虑分布式资源灵活性与不确定性的共享储能两阶段分布鲁棒容量配置方法

《Journal of Modern Power Systems and Clean Energy》：Two-Stage Distributionally Robust Capacity Configuration Method for Shared Energy Storage Considering Flexibility and Uncertainty of Distributed Resources

为解决分布式资源（如电动汽车EV和暖通空调HVAC）的异质性和不确定性给共享储能（SES）配置带来的挑战，研究人员开展了一项关于共享储能容量配置的研究。该研究提出了一种考虑分布式资源灵活性与不确定性的两阶段分布鲁棒优化（DRO）方法，通过构建广义储能（GES）模型和不确定性概率集，实现了对SES的精准配置。结果表明，该方法能有效提升运营商收益和储能资源利用率，同时降低物理储能（PES）的配置容量，为SES的规划与运行提供了更经济、更可靠的技术支撑。

　　

随着“双碳”战略的持续推进，新型电力系统的需求侧正从传统的被动消纳向主动产销转变。电动汽车（EV）和暖通空调（HVAC）等分布式资源规模日益庞大，为电力系统的灵活调节能力带来了巨大挑战。储能技术作为提升可再生能源利用率和需求侧灵活性的关键，其重要性不言而喻。然而，传统的物理储能（PES）设备普遍存在利用率低、投资成本高、投资回收期长等问题，制约了其大规模应用。

在此背景下，共享储能（SES）应运而生。它通过引入共享经济模式，允许多个用户共同使用一套储能设施，从而有效提高储能资源利用率，降低单位投资成本。然而，现有研究多集中于物理储能的配置，而忽略了需求侧资源同样具备的“储能”潜力。这些资源，如EV和HVAC，数量庞大、分布广泛、调节灵活，可被统称为广义储能（GES）。将GES纳入SES的规划与运行，能够进一步降低PES的配置需求，实现更经济、更高效的资源利用。

但这条路并非一帆风顺。首先，分布式资源具有高度的异质性和不确定性。例如，EV的接入时间、离网时间、初始荷电状态（SOC）以及充放电效率各不相同，且用户行为难以预测。其次，现有针对EV集群的聚合模型（如虚拟电池模型）通常假设电池为理想状态，忽略了实际充放电效率的差异，导致聚合后的外部特性与真实集群行为存在偏差，进而影响配置和调度结果的准确性。最后，在规划阶段如何有效处理这些不确定性，避免因模型过于保守（导致成本过高）或过于激进（导致风险失控），是SES配置面临的核心难题。

为了攻克这些难题，华北电力大学的研究团队在《Journal of Modern Power Systems and Clean Energy》上发表了一项研究，提出了一种考虑分布式资源灵活性与不确定性的共享储能两阶段分布鲁棒容量配置方法。该研究旨在通过构建更精确的GES模型和更智能的不确定性处理机制，为SES运营商提供一套兼顾经济性与鲁棒性的配置方案。

关键技术方法

本研究主要采用了以下关键技术方法：

1. 1.
   广义储能（GES）聚合建模：针对EV集群，提出了一种基于参数规划的GES模型。该模型通过求解两个优化问题（分别使集群容量达到上下限），将考虑个体充放电效率的实际运行区域映射为理想电池的外部特性，从而更准确地表征EV集群的灵活调节能力。对于HVAC集群，则采用已有的方法将其热惯性特性映射为储能特性。
2. 2.
   不确定性概率集建模：采用数据驱动的方法，利用历史数据生成大量随机场景，并通过K-means聚类算法提取典型场景及其初始概率分布。在此基础上，构建了包含1-范数和∞-范数约束的综合不确定性概率集，用以描述EV和HVAC集群运行参数的不确定性。
3. 3.
   两阶段分布鲁棒优化（DRO）模型：构建了一个“min-max-min”结构的两阶段DRO模型。第一阶段（主问题）决策SES的配置容量，以最小化投资成本；第二阶段（子问题）在给定配置下，寻找最恶劣的概率分布，以最小化运行成本。该模型能够有效平衡经济性与鲁棒性。
4. 4.
   列与约束生成（C&CG）算法：采用C&CG算法求解上述两阶段DRO模型。该算法通过主问题与子问题的迭代求解，不断引入新的变量和约束，最终收敛到全局最优解。

研究结果

A. 不同SES站配置方案分析

研究人员设计了四种不同案例进行对比分析，以验证所提方法的有效性。结果表明，相较于用户独立配置储能（Case 1），采用共享储能模式（Case 2）能够利用不同产消者之间的负荷互补性，显著减少储能资源浪费，配置容量降低了26.90%。进一步地，当在共享储能中引入GES模型进行调度（Case 4）时，能够更有效地利用需求侧资源的灵活调节能力进行削峰填谷，相比仅采用共享储能模式（Case 2），配置容量进一步降低了42.52%。同时，PES的日等效循环次数从1.6869次提升至2.5次以上，表明储能利用率得到显著提高。在经济效益方面，Case 4的运营商总收益比Case 3（无SES站，仅GES调度）和Case 2分别提升了26.53%和37.54%，PES的静态投资回收期也从8.75年缩短至3.14年。

B. GES模型精度分析

为了验证所提GES模型的准确性，研究人员将其与传统模型（TM）和虚拟电池（VB）模型进行了对比。结果显示，所提GES模型的功率调度结果与TM（即真实集群行为）高度吻合。而VB模型由于未考虑充放电效率，其功率调度结果低于TM，且在部分时段（如08:00和16:00）的调度功率甚至超出了实际集群的灵活运行区域，存在调度风险。在容量方面，GES模型与理想容量保持一致，而VB模型与实际容量之间存在明显差距。在规划结果上，虽然GES模型配置的储能容量（1888.89 kWh）略高于VB模型（1616.10 kWh），但其总收益（3573.82 CNY）显著高于VB模型（2992.89 CNY）。这主要是因为VB模型低估了充放电损耗，导致在运行过程中需要从电网购买额外电力来弥补能量缺口，产生了720.59 CNY的补偿成本；而GES模型则因预测准确，在调度阶段产生了能量盈余，通过向电网售电获得了35.71 CNY的收益。

C. 不同方法对比分析

1. 1.
   与确定性容量配置方法对比：在极端场景下，确定性方法配置的储能容量（1779.18 kWh）较高，投资成本（1696.20 CNY）也较高，且面临高达237.82 CNY的风险损失成本。而所提方法配置的容量（1384.57 kWh）更小，投资成本（1320.00 CNY）更低，且风险损失成本仅为27.69 CNY，展现了更优的风险控制能力。
2. 2.
   与其他模型对比：与随机优化（SO）和鲁棒优化（RO）模型相比，所提分布鲁棒优化（DRO）模型能够通过调整样本量来灵活调节保守程度。当样本量达到200时，结果收敛于SO模型；而采用传统RO模型则会导致收益下降。这表明DRO模型在SO的经济性和RO的保守性之间取得了良好平衡。

D. EV和HVAC系统不确定性敏感性分析

通过改变预测误差乘子进行敏感性分析发现，随着乘子增大，SES运营商无法提供足够的放电容量，被迫以更高的电价从电网购电来履行合同，导致补偿成本逐步上升。由于EV比HVAC系统具有更多的模糊变量和更高的波动性，EV相关的补偿成本随乘子增大的变化更为显著。

结论与讨论

本研究针对分布式资源的灵活性与不确定性，提出了一种共享储能两阶段分布鲁棒容量配置方法。通过构建广义储能（GES）聚合模型，更准确地表征了EV和HVAC集群的外部特性；通过建立不确定性概率集，有效处理了需求侧资源的不确定性；最终通过两阶段DRO模型，实现了SES容量配置的经济性与鲁棒性的平衡。

研究结果表明，所提方法能够有效降低物理储能（PES）的配置容量，提升储能资源利用率和运营商收益，同时具备更强的风险控制能力。该研究为共享储能的规划与运行提供了一种更精准、更可靠的技术手段，对于推动新型电力系统中分布式资源的规模化、高效化利用具有重要意义。