从运营到设计：基于概率的日前预测方法，用于风电为主电力系统中风险意识的储能容量决策 Dimitrios Zafirakis, Ioanna Smyrnioti, Christiana Papapostolou, Konstantinos Moustris

《Energies》：From Operations to Design: Probabilistic Day-Ahead Forecasting for Risk-Aware Storage Sizing in Wind-Dominated Power Systems Dimitrios Zafirakis, Ioanna Smyrnioti, Christiana Papapostolou and Konstantinos Moustris

【字体：大中小】 时间：2026年04月20日 来源：Energies 3.2

编辑推荐：

　　摘要：风能的大规模整合为现代电力系统带来了更高的不确定性和 variability，这对系统的设计和运行都有直接影响。在应对这些问题时，储能作为系统灵活性的关键来源起到了至关重要的作用。然而，在不确定性增加的情况下，储能系统的设计和规模确定仍然具有挑战性。基于此，本研究提出了一种

　　摘要：风能的大规模整合为现代电力系统带来了更高的不确定性和 variability，这对系统的设计和运行都有直接影响。在应对这些问题时，储能作为系统灵活性的关键来源起到了至关重要的作用。然而，在不确定性增加的情况下，储能系统的设计和规模确定仍然具有挑战性。基于此，本研究提出了一种替代的方法框架，采用逆向规模确定路径，即从运行到设计。具体而言，目前将日前预测中与风电发电和负荷需求相关的残差不确定性作为与设计相关的信号加以利用，而储能则被明确视为风险对冲机制。通过概率建模，将一年运行期间的预测残差纳入问题中，生成对应于不同风险水平的轨迹，并作为设计场景进行管理。在不确定性建模方面，本研究考察了两种不同的策略：全局建模方法和k-means聚类方法。通过分析储能容量、不确定性水平（或风险容忍度）、实现的可再生能源份额和系统级成本之间的相互作用，我们强调了储能作为风险对冲实体的作用，而不仅仅是能量平衡的手段。研究结果表明，即使在风能变化受限的区域内，实现的可再生能源份额也表现出更高的敏感性；同时，储能容量具有不同的对冲价值区域，并且在超过某些储能水平时会出现对冲饱和效应。此外，对两种建模策略的评估反映了它们的互补性：全局建模方法确保了连续性，而聚类方法捕捉了不同运行模式下的局部不对称性。总之，本研究提出的方法框架架起了运行预测与长期系统设计之间的桥梁，提供了一个基于实际运行信号而非固定历史数据和相关场景的风险意识强的储能规模确定框架。

1. 引言
可再生能源（RES）在现代电力系统中的大规模整合带来了一系列结构性挑战，这些挑战主要与发电量的増加的变异性和不确定性有关。在以风能为主导的系统中，这些问题可能更加显著，因为大量的发电量受到频繁且剧烈的短期波动的影响，同时预测性也有限。因此，风能发电的不确定性直接影响了这类系统的运行性能和长期设计。应对这些挑战需要适当的系统灵活性[1,2]，这可以通过储能组件[3,4,5,6]、需求侧管理[7,8,9,10]、电网强化[11]、行业耦合[12]和先进的能源管理[13]等手段来支持。其中，储能通过平衡变化的风能发电和负荷需求发挥着关键作用，尽管这需要额外的投资成本。同时，最近在能源预测方面的进展显著提高了风能发电的短期可预测性，从而降低了运行层面的不确定性[14,15]。结合使用，能源预测和储能作为两种互补机制来减轻风能不确定性的影响：预测通过改进的预测来减少事前的风能不确定性，而储能则通过适应风能的变异性和残差预测误差来提供事后的缓解。基于此，本研究将储能视为解决能量平衡变化的一种手段，以及对冲决定以风能为主导的电力系统中的不确定性的机制。为此，重点关注第二个维度以及储能和能源预测之间的互补作用和权衡[16,17,18,19]。

在这个背景下，本研究还强调了以风能为主导的电力系统的设计，特别是类似环境中储能的风险意识规模确定。与传统的能源规划方法——无论是确定性方法[20,21,22]还是仅依赖历史数据的概率建模[23]——不同，我们采用了一种基于运行不确定性的替代设计策略。更详细地说，我们利用了一年内风电发电和负荷需求的日前、每小时预测残差[24,25]，并将这些视为与设计相关的不确定性信号。为此，通过采用概率建模框架将不确定性整合到问题中，并将得到的概率轨迹解释为由不同风险容忍度决定的长期规划场景。这本质上引入了一个概念性的转变，即不仅仅将概率预测限制在运行对冲上，而是在设计阶段明确嵌入相关的不确定性，挑战了将系统运行与系统规划区分开来的传统做法。因此，所采用的方法框架旨在将短期运行预测与长期系统设计联系起来，使储能规模确定决策能够考虑不同运行风险水平。这重新定义了储能规划的焦点，从资源变异性转向运行预测的不确定性，使储能可以被解释为针对预测误差的风险对冲资产，而不仅仅是为了能量不平衡的缓冲，从而通过引入风险对冲设计理念和逆向规模确定路径（即从运行到设计）来挑战基于历史的、基于场景的标准规模确定方法。在同一背景下，我们的方法将预测视为一个闭环[26]的一部分，将预测、系统运行和设计结果联系起来。这意味着目前基于系统级指标[27,28]而不是传统的准确性指标[29]来评估预测性能。通过将预测残差概率传播到长期设计结果，确定了风能和负荷需求不确定性对所需的储能容量水平的联合影响[30]，这些水平受到系统层面的可再生能源份额和平准化能源成本（LCOE）的限制。从这个角度来看，预测模型的价值最终是根据它们限制运行风险和减少额外灵活性需求及总体系统成本的能力来评估的，从而将预测性能与长期系统设计联系起来。

本文的其余部分结构如下：第2节介绍方法框架，介绍研究的输入数据并描述开发的预测模型架构。随后，在第3节中，我们展示了研究结果，应用了两种不同的概率建模策略，并重点关注预测不确定性对关键系统级指标（即实现的可再生能源份额和平准化能源成本LCOE）在整个问题空间中的影响。接下来，第3节进行了风险意识的储能规模确定练习，我们将研究问题空间限制在一组有意义的场景中，并进行了关注关键成本参数变化的敏感性分析。最后，第4节讨论了分析的主要发现，并批判性地评估了所提出方法的局限性，同时提供了我们研究的主要结论。

2. 数据和方法论
2.1. 方法框架
所提出的方法框架在图1的块图中进行了总结。首先，开发了基于人工神经网络（ANNs）的预测模型，用于风能容量因子（CF）和负荷需求的日前（DA）和每小时预测。风能CF和负荷需求是研究的两个不确定性组成部分，为目前采用的概率方法提供了信息。更详细地说，在确定了最佳ANN架构[24,25]之后，生成了基线预测和预测残差。这些构成了概率问题制定的基础，进而研究了两种不同的残差分布建模策略，即全局建模和k-means聚类[31]。图1. 方法框架块图。基于应用不同的百分位数来形成概率场景，这些百分位数调用了建模的残差分布，随后为所研究的系统进行了概率驱动的能量平衡模拟。为此，首先进行了基于每小时基础的一阶能量平衡模拟分析，假设系统以风能为主导，并主要由储能支持，其次由基于石油的发电作为备份。为了隔离预测不确定性对风能发电和负荷需求的影响，目前采用的简化模拟方法专注于能量平衡，而不涉及单元承诺方面。因此，它没有明确包含某些运行约束，如系统级约束（例如，技术最小值、启动/关闭时间和传统基于石油的发电单元的爬坡限制，以及影响风能调度能力的动态渗透限制）和与储能相关的约束（例如，储能资产的爬坡限制）。

在概率方法的应用方面，不同百分位数场景在连续几天内一致应用，而不是详尽地探索所有可能的日间组合。这提供了一个有意义的风险谱，在此范围内，我们提出了一个针对储能组件的风险意识规模确定练习。在此背景下，我们将储能视为一个风险对冲实体，并继续评估储能容量需求及其在不同风险容忍度下支持保证年度可再生能源份额的敏感性。同时，获得的结果被投影到系统级LCOE的估计上，从而允许对问题进行更广泛的经济评估。

2.2. 输入数据和预测模型
根据方法框架的概述，在本节中，我们介绍了问题的输入数据，并详细说明了使用的最佳ANN模型的架构，借鉴了作者之前的研究[24,25]。关于风能，使用的数据集涵盖了全年的每小时理论CF值（2019年），测试了多种模型架构以预测滚动日前的24小时CF值。关于模型的训练过程，我们使用了2019年的时间序列数据，并开发了两个数据子集。第一个子集包含可用训练数据集的80%，剩余的20%用于交叉验证。子集是随机创建的，而对于模型的性能评估，我们使用了2020年的数据序列，这些数据在模型的训练阶段没有使用。对于负荷需求，使用了一个涵盖2.75年期间（2016年1月1日–2018年9月30日）的更丰富的数据集，代表了一个小型岛系系统的需求特征。训练和验证遵循相同的程序步骤，而性能评估则是基于2019年的数据进行的。在测试的模型中，最佳的风能CF模型对应于一个具有38个输入神经元、2个隐藏层（分别有35个和17个神经元）以及一个输出神经元的全归一化前馈神经网络（GFNN）（图2）。训练基于带有动量的梯度下降，激活函数使用了tanhaxon。另一方面，最佳的负荷需求模型是一个多层感知器（MLP），具有28个输入神经元、一个隐藏层（50个神经元）和一个输出神经元（图3），也使用了反向传播算法和tanhaxon激活函数。图2. 风能CF ANN预测模型的架构。图3. 负荷需求ANN预测模型的架构。每个模型的输入特征列在表1和表2中，统计性能指标总结在表3中。性能使用相关系数（R）、平均偏差误差（MBE）、均方根误差（RMSE）和一致性指数（IA）来衡量。结果表明，GFNN风能CF模型表现出中等的预测能力，而MLP负荷需求模型则表现出更强的性能。表1. 输入（训练）数据和输出目标—风能CF预测模型。表2. 输入（训练）数据和输出目标—负荷需求预测模型。表3. 统计指标—最佳风能CF和负荷需求预测模型。这在图4中得到了更好的说明，其中绘制了整个研究期间观察值和预测值的时间序列。可以看出，风能CF模型虽然有效地再现了中等范围的CF值，但在极端情况下表现不佳（图4a）。另一方面，负荷需求模型（图4b）在几乎整个负荷谱范围内都表现一致，除了全年负荷需求的明显较低值。

2.3. 输入数据和预测模型
根据方法框架的概述，在本节中，我们介绍了问题的输入数据，并详细说明了使用的最佳ANN模型的架构，借鉴了作者之前的研究[24,25]。关于风能，使用的数据集包含了覆盖全年的每小时理论CF值（2019年），测试了多种模型架构以预测滚动日前的24小时CF值。关于模型的训练过程，我们使用了2019年的时间序列数据，并开发了两个数据子集。第一个子集包含了80%的可用训练数据集，剩余的20%用于交叉验证。子集是随机创建的，而对于模型的性能评估，我们使用了2020年的数据序列，这些数据在模型的训练阶段没有使用。对于负荷需求，使用了一个涵盖2.75年期间（2016年1月1日–2018年9月30日）的更丰富的数据集，代表了一个小型岛系系统的需求特征。训练和验证遵循相同的程序步骤，而性能评估则是基于2019年的数据进行的。在测试的模型中，最佳的风能CF模型对应于一个具有38个输入神经元、两个隐藏层（分别有35个和17个神经元）以及一个输出神经元的全归一化前馈神经网络（GFNN）（图2）。训练基于带有动量的梯度下降，激活函数使用了tanhaxon。另一方面，最佳的负荷需求模型是一个多层感知器（MLP），具有28个输入神经元、一个隐藏层（50个神经元）和一个输出神经元（图3），也使用了反向传播算法和tanhaxon激活函数。表1. 输入（训练）数据和输出目标—风能CF预测模型。表2. 输入（训练）数据和输出目标—负荷需求预测模型。表3. 统计指标—最佳风能CF和负荷需求预测模型。图4更好地说明了这一点，其中绘制了整个研究期间观测值和预测值的时间序列。如图所示，尽管风能CF模型有效地再现了中等范围的CF值，但在极端条件下表现不佳（图4a）。另一方面，负荷需求模型（图4b）在负荷谱的几乎整个范围内都表现一致，除了全年负荷需求的明显较低值。（由于文本较长，内容涉及到风能发电系数（CF）、负荷需求以及预测模型性能的详细分析，以下是按照中文写作习惯和结构进行的简化翻译，请注意实际应用时可能需要根据具体情况进行调整）

观察值与预测值的风能发电系数（CF）（a）和负荷需求（b），以及风能发电系数（c）和负荷需求（d）预测模型的残差直方图。另一种解释模型性能的方法是通过图4c,d中提供的相应残差分布。根据直方图，风能发电系数呈现右偏分布（平均残差约为-0.03，标准差为0.228），而负荷需求近似正态分布，其平均残差为-2.19 kW，标准差约为44 kW。总体而言，可以认为负荷需求模型具有较高的预测准确性，而风能发电系数模型则表现出更大的不确定性，尤其是在分布的尾部。因此，这两种模型之间的不对称性在概率情景的制定和通过基于百分位的残差整合来确定性预测过程中得到了体现，这将在论文的第3节中进一步分析。

3. 应用结果
3.1 概率预测
在介绍了这两种预测模型并评估了它们的性能后，本节将继续对相应的风能发电系数和负荷需求预测进行概率校准。这是通过将预测残差系统性地整合到模型提供的基准预测中实现的。为此，我们采用了两种不同的建模策略，这两种策略都是基于预测残差的倒数累积分布（图5）来进行的。图5显示了风能发电系数和负荷需求的倒数累积分布。具体来说，第一种方法是全局建模策略，我们在一个单一的模型方程中模拟所有残差范围；第二种方法是聚类策略，我们使用k均值方法确定残差群组，然后分别对这些群组进行建模。在这种情况下，第一种方法的优点在于它依赖于更具信息量、更稳健的数据集，利用了数据的连续性；而第二种方法则能够针对不同数据区域提供更为精确的预测不确定性表示，但每个群组的数据量较少。

3.1.1 全局建模策略
如前所述，全局建模策略捕捉了图5中的所有倒数累积概率曲线范围，并确定了风能发电系数和负荷需求分量的最佳拟合多项式。相应的七阶多项式在表4中给出，R(p)公式可以返回在所有预测点上应用百分位数p时的残差值。表4显示了风能发电系数和负荷需求的最佳拟合多项式（表4、表5和表6中的多项式系数已四舍五入以便于阅读）。

3.1.2 聚类建模策略
聚类建模策略用于进一步探索不同不确定性建模方法对设计结果的影响。为此，实施了聚类预测点的方法作为第二种建模策略。通过k均值聚类算法将预测点分成有意义的群组。根据基于肘部方法的经验分析，风能发电系数和负荷需求预测的指定群组数量均为7个，分析显示在该点附近的群内方差仅有边际差异，表明增加更多群组会导致饱和现象。表5和表6分别给出了风能发电系数和负荷需求分组别的最佳拟合多项式和R2值。

图6展示了实际残差与模型残差之间的相关性。全局模型总体上表现良好，但在分布尾部效果不佳，此时最佳拟合多项式的适用性较低。这表明模型能够正确捕捉到残差的中心分布，但在表示极端残差方面表现较差，而这些极端残差对应于在整个分布中贡献较小的低概率事件。

应用最佳拟合的全局多项式可以生成涵盖整个累积概率范围的概率情景。图7展示了一个实例，反映了连续20天（即一年中的第480小时到第960小时）的概率预测结果。图中详细展示了风能发电系数、负荷需求和预期储能状态（SoC）的概率变化。结果表明，与负荷需求相比，风能发电系数的不确定性更高，这归因于预测模型的性能以及风能发电本身较高的变异性。仅考虑负荷不确定性的影响会传递到储能循环上。例如，当前测试了一种容量相当于1小时的储能系统，该系统能够应对每年平均负荷需求（约340 kWh），并在固定的p50风能发电系数轨迹和系统年峰值负荷需求下运行。正如预期的那样，不同的负荷需求概率曲线会导致不同的残差平衡，从而产生不同的充放电要求，即使是在考虑了最低不确定性维度（即负荷需求）的情况下，储能的SoC曲线也会显著分化。低负荷需求百分位数可以减轻储能的压力，而高负荷需求百分位数则会导致更频繁的充放电和更深的储能损耗。这反过来影响了储能作为风险对冲资产的能力，尤其是在确保在预定区间内实现可再生能源份额方面。

最后，关于使用不同百分位数的长期影响，必须指出，选择低于或高于某些阈值的百分位数会引入显著偏差（例如，对于风能发电系数，当p ≤ p30时，长期CF下降到约21%，而当p ≥ p70时，它超过43%，相比之下观察平均值是33%，预测值是30%）。这强调了从操作到设计转变以及相关概率结果解释必须在问题的合理范围内进行。此外，在全局建模策略下，假设不确定性在不同预测点之间是对称分布的，这提供了更均匀的误差分配，但缺乏条件性的误差分配。

3.2 聚类建模策略
为了进一步探索不同不确定性建模方法对设计结果的影响，实施了聚类预测点的方法作为第二种建模策略。这使得能够针对不同的风能发电系数和负荷需求情景进行有针对性的残差建模和加权校准。为此，应用k均值聚类算法将预测点分成有意义的群组。通过基于肘部方法的实证分析，选择风能发电系数和负荷需求预测的群组数量均为7个，分析显示在该点附近的群内方差仅有边际差异，表明增加更多群组会导致饱和现象。表5和表6分别给出了风能发电系数和负荷需求分量的相应群组边界和最佳拟合多项式（七阶多项式）。图8还展示了每个指定预测群的残差倒数累积概率分布。 Accordingly，在应用聚类方法的情况下，之前使用全局建模方法得出的概率预测实例得到了再现，结果见图9。

在应用聚类方法后，不同预测情景下的概率预测结果如图9所示。可以看出，基于聚类的方法在不同预测区间内导致了更不对称的误差分配，特别是在预期风能发电系数的高值和低值端更为明显。对于高端风能发电系数群组，校准结果显得更为受限；而对于低端群组，则相反，低百分位数的轨迹更接近于零CF值。这种行为与不同预测群组中的多项式系数异质性一致，并突出了局部误差分配在不同预测情景下捕获不同风险水平的影响。这些差异进一步影响了储能配置的运行行为，表现为循环强度的局部变化，这与全局建模策略中预期的平滑过渡动态相反。

3.2. 确保的可再生能源份额和系统级平准化成本（LCOE）
在介绍了采用两种不同建模策略下的概率预测实例后，本节将探讨假设的储能容量和风能发电系数及负荷需求的综合不确定性对两个关键设计指标（即实现的年可再生能源份额和系统级平准化成本LCOE）的相互作用。在此背景下，我们将储能视为一种风险对冲资产，将风险解释与系统在实现和维持预定变化范围内的可再生能源份额的能力联系起来。为此，我们让储能容量从0变化到10小时的等效储能持续时间，并监测在不同可再生能源份额目标下的综合不确定性水平的变化。结果进一步扩展到系统LCOE的估算中，同时评估了储能容量与风险吸收之间的权衡。表7给出了LCOE计算的成本假设，图10和图11分别展示了两种建模策略下的结果。在每组图中，负荷需求百分位数从p0变化到p100，而相应的风能发电系数百分位数随着可再生能源份额的增加而动态变化。此外，对于每个pCF，通过箱形图展示了pLD的相关变化，同时叠加了储能容量点以指示不同不确定性空间下的所需储能容量变化。每个负荷需求百分位数图表都与同一映射空间中的相应LCOE图表配对。在此背景下，图10汇集了全球建模策略的图表对。展示了三组不同的图表对，分别对应于50%至60%、60%至70%以及70%至80%不同的可再生能源（RES）占比区间。需要指出的是，在确定性方法下（使用观测到的风力发电系数CF和负荷需求值）和应用预测信号（风力发电CF和负荷需求值的基线预测）下，可再生能源占比分别约为61.3%至65.7%和64.5%至68.2%。在给定的可再生能源占比区间内，可以观察到图10中风力发电系数CF的高百分位数逐渐增加的趋势，分别在p16–p58、p26–p68和p34–p78区间内，随着可再生能源占比的增加，风力发电系数CF的低百分位数被吸收。同时，作为对冲实体的储能容量变化为应对更高的负荷需求百分位数相关风险提供了潜力。对于中等范围的风力发电系数CF百分位数，这一效应更为显著，表明储能在这一领域的影响更大；而在S形分布的尾部，由于每个风力发电系数百分位区间内的可用数据点减少，储能容量的影响减弱。LCOE指数的表现则相反，风力发电系数CF百分位数的增加会带来总体成本的显著下降，甚至可能超过250–300欧元/兆瓦时（€/MWh），而每个子分布内部的LCOE变化则可能导致LCOE差异超过100欧元/兆瓦时。

接下来转向关于聚类建模策略应用的下一组图表（图11），结果显示风力发电系数CF百分位数在较低的可再生能源占比区间50–60%内有所扩展。此外，每个风力发电系数区间内的负荷需求百分位数中值箱线图表明，在所考察的储能容量范围内，对可吸收风险的可容忍度较低。这种趋势在较低和中等范围的风力发电系数百分位数上尤为明显，特别是在50–60%的可再生能源占比区间（约10%）内最为显著，并且随着可再生能源占比的增加而逐渐减弱。LCOE图表也显示出类似的模式，在k均值建模方法下，主要对于中等范围的风力发电系数百分位数和低于70%的可再生能源占比，LCOE略有上升。

3.3. 基于风险的储能容量确定
在初步的映射分析之后，我们在更受限的不确定性范围内关注储能作为风险对冲资产的作用，结合了两种建模策略的应用。为此，我们提供了更有针对性的储能容量需求估计，以抵消负荷需求和风力发电变化带来的风险，以满足每年必须达到的可再生能源占比要求。为此，我们分离了与不同风力发电系数轨迹（百分位数）相关的负荷需求百分位数的局部分布，并考察了四个不同的变化区间，即50–60%、60–70%、70–80%和80–90%。对于每个区间，我们估算了在两种建模策略应用下的平均储能容量，并提供了相应的系统级LCOE，同时监测了预定义区间内的可再生能源占比变化。分析结果分别显示在图12、图13和图14中，其中平均储能容量、可再生能源占比和LCOE随风力发电系数百分位数的变化而变化，从p30到p70，每条曲线代表一个不同的可再生能源占比区间，连续线和虚线分别代表全局和聚类建模策略。所选的pCF窗口足够宽，能够捕捉到有意义的运营预测风险，同时足够窄，避免了极端年份的表现。在所研究的系统中，p30到p70的区间对应于预期的年均发电系数值约为21–43%，而观测到的平均值为33%，从而定义了一个宽泛且具有运营解释意义的不确定性范围，与关于特定风力发电装置风力发电系数变化的实证证据相符[32]。值得注意的是，鉴于当前研究区域的 medium-high 风力潜力，预期的风力发电系数对于平均风速的微小偏差可能非常敏感，因为风力发电曲线的过渡段操作频率较高。这表明由相关预测残差引起的风力发电系数变化幅度可能证明了所选百分位数窗口的合理性。总体而言，较窄的范围可能无法充分捕捉问题的敏感性，而较宽的范围则可能增加预测驱动的不确定性与极端年份表现之间的重叠风险。

图12显示了每个局部负荷需求（pLD）和不同可再生能源占比区间下的平均储能容量与风力发电系数（pCF）变化的关系。图13显示了每个局部负荷需求（pLD）和不同可再生能源占比区间下的可再生能源占比与风力发电系数（pCF）变化的关系。图14显示了每个局部负荷需求（pLD）和不同可再生能源占比区间下的平均LCOE与风力发电系数（pCF）变化的关系。分析的第一个关键发现（图12）表明，随着pCF的增加，储能需求显著减少，这是因为风力发电的可用性是主要的不确定性来源，储能提供了一种补偿机制。同时，满足更高负荷需求水平的挑战也产生了影响，这种影响取决于具体情况，并且受到风力发电系数百分位数的强烈影响。特别是在较低的pCF尾部，更高的负荷条件导致储能需求相对增加。在所有平均储能容量图表中，识别出一个储能饱和区，该区域大约位于5小时，有效地吸收了广泛的负荷和风力发电不确定性。

以上内容与图13中的可再生能源占比变化一致。总体而言，风力发电系数（CF）的曲线内增加对应于可再生能源渗透率的增加10%，这与预定义的可再生能源占比类别相符。此外，可以看出，为了在较高的局部负荷需求（pLD）区间内保持一定的可再生能源占比，需要转向更高的风力发电系数百分位数（大多数情况下增加两个风力发电系数百分位数单位）。此外，关于特定风力发电系数百分位数的局部负荷需求（pLD）变化的影响，虽然在图10和图11中有所体现，但目前被储能容量的增加所掩盖；例如，在80–90%的pLD区间和pCF = p48时，可再生能源占比从约60%增加到约63%，意味着储能需求增加了5小时。因此，虽然储能需求和可再生能源占比主要由风力发电不确定性驱动，但也应注意到，局部负荷相关的风险也会产生次要的、较难追踪的影响。

之前的输出结果进一步影响LCOE（图14），储能容量的减少（图12）和可再生能源占比的增加（图13）导致LCOE显著下降。这主要是由于储能的作用，并且在低于识别出的饱和区的储能容量下更为明显。风险对冲的成本主要由为补偿在较低pCF值下减少的风力发电可用性所需的额外储能容量决定，并且在更高负荷需求条件下这种影响更为显著。沿着给定曲线，这种效应体现在LCOE的显著差异上，尾部之间的差异甚至可达约100欧元/兆瓦时（€/MWh）。总体而言，通过观察整套图表可以发现，在给定图表内不同可再生能源占比类别之间的转换（即，在pCF共同值下的重叠曲线）反映了可再生能源占比增加的曲线内效应，大约需要额外3.5–4.0小时的储能容量，导致LCOE相应增加20–30欧元/兆瓦时。同时，不同图表之间的比较反映了负荷需求上升的曲线间效应，导致储能需求系统性增加，从而在所考察的pLD范围内LCOE增加了约10–25欧元/兆瓦时。总之，储能容量作为对抗两种不确定性成分带来的风险的对冲机制。在不利条件下，即低pCF值或高pLD值时，额外的储能容量可以减轻未能达到可再生能源目标的风险，但代价是相应的成本增加。

获得的结果还表明了储能容量在对冲效果和相关价值方面的不同情况。对于较小的储能容量（≤2小时），可以观察到入门级的对冲潜力，其中储能作为对小偏差的有限缓冲，使能够勉强满足期望的可再生能源目标。主要的对冲区间出现在2小时至5小时的范围内。正是在这个区间内，储能的扩展允许适应更恶劣的pCF和pLD条件，但代价是更高的成本（LCOE）。超出这个范围后，会出现饱和行为，由于储能成本显著增加，边际对冲价值下降。最后，全局和k均值建模策略之间的比较揭示了针对不确定性成分变化的具有一致的趋势，估计指标的幅度存在系统性差异。详细来说，k均值建模策略产生了更高的储能需求和LCOE，同时产生的可再生能源占比较低，尤其是在低pCF和低可再生能源占比区间。随着可再生能源占比的增加，这些差异似乎逐渐减小，两种策略最终在较高可再生能源占比区间内趋于一致。

3.4. 敏感性分析
在本节中，我们使用之前确定的一组解决方案（局部负荷需求（pLD）区间60–70%）来评估关键成本参数变化对系统级LCOE的影响。此外，我们还比较了两种k均值配置，对应于不同数量的簇（基线情景k = 7和k = 5）（图15）。关于成本假设，我们考察了油价的上涨，从1.1欧元/升增加到1.5欧元/升，以及风能和储能组件的交钥匙资本成本的减少（分别从2000欧元/千瓦减少到1500欧元/千瓦，以及从750欧元/千瓦时减少到250欧元/千瓦时）。图15显示了关键成本参数变化和k均值配置后的平均LCOE敏感性分析。正如预期的那样，油价的上涨（约36%）导致LCOE上升，这与系统对基于石油的发电的依赖程度成正比，因此与实现的可再生能源占比成反比。这种效应在整个pCF范围内都有观察到，pCF较低的值显示出最多约50欧元/兆瓦时的增加，而较高的值则显示出约25欧元/兆瓦时的适度增加（全局方法），这是由于实现了更高的可再生能源占比。另一方面，k均值建模方法表现出稍高的敏感性，这种敏感性随着pCF的增加而降低（也见图13）。相反，风能资本成本降低25%导致整个pCF范围内的LCOE均匀下降了约25欧元/兆瓦时，两种建模方法之间没有明显差异。对于储能资本成本的显著降低（约67%），观察到更为明显的效应，导致LCOE在pCF较低值时降低了超过50欧元/兆瓦时，而在较高的pCF值时逐渐减少到约25欧元/兆瓦时，这是因为储能需求减少了。同时，两种建模方法之间的差异减小，相应的曲线紧密收敛。最后，k = 5和k = 7之间的比较证实了基线聚类选择（k = 7）的稳健性，因为得到的LCOE曲线几乎相同，表明两种配置之间的敏感性可以忽略不计。

4. 讨论与结论
当前研究采用了一种从运营到设计的逆向方法论路径，将风力发电和负荷需求预测中的固有不确定性解释为在设计风电主导的电力系统时表达不同风险容忍度的手段。在这一背景下，储能被视为一种风险对冲资产，能够吸收风电和负荷需求预测的综合不确定性。我们的研究结果量化了这种对冲对关键设计指标的影响，即实现的可再生能源（RES）份额和系统级的平准化成本（LCOE）。这些指标随后被用作信号和目标，以指导一个全面的风险意识储能容量评估。为此，我们采用了两种不同的建模策略来整合预测残差，即全局建模策略和聚类建模策略，从而能够从额外的不确定性维度更全面地评估问题的敏感性。全局方法基于残差稳定的假设，支持不确定性分布的连续性和对称性，导致预测风险在各种运行状态中的更为均匀分布。相比之下，基于聚类的方法引入了更加非对称的、权重的风险分配。需要指出的是，这两种策略应该是互补的而非竞争的，全局方法提供了一个连续的基线，聚类方法在此基础上展示出局部特征和行为，允许对问题空间进行更为系统性的探索。

此外，正如已经观察到的，应用结果指出了储能作为对冲工具在不同不确定性范围内的不同价值和成本。在2小时至5小时的储能容量范围内，其对平均每小时负荷需求（约340千瓦时）的风险吸收和对冲效果最为显著。这与给定电力系统的特点相符，即负荷需求的峰谷比为约2.5，风电与峰值负荷需求的比为100%。这一5小时的限制还表明了一个规划层面的饱和区[28]。在该区域内，储能能够在由风电贡献和负荷需求共同塑造的广泛风险空间内提供对冲效果，从而证明了其作为风险对冲机制的价值。然而，在此范围之外，储量的边际价值会降低，因为系统的总成本会显著增加。这凸显了在类似以风电为主的情况下，合理的储能容量下储能作为风险对冲机制的潜力，同时也表明，在超过某个饱和区后，还应探索发展灵活性组合（例如引入需求侧管理和行业耦合[9,12]）以避免极端系统成本。

另一个重要方面是所识别出的储能对冲区域对用于生成不确定性信号的预测模型质量的敏感性。由于主要的不确定性来源是风电贡献（CF）预测残差，因此获得更精确的风电贡献预测模型很可能会使不确定性范围变得更窄，从而减少相对于效率较低的模型所需的储能容量。相反，不精确的风电贡献模型将导致更大的不确定性，从而需要更强的对冲能力和更大的储能容量。这反映了预测准确性和储能容量在现代电力系统优化中的互补作用，同时也强调了提高能源预测精度和降低储能及灵活性成本的紧迫性。

关于研究的建模假设，应当提到的是，我们的方法采用了基于一阶能量平衡的模拟，忽略了单位承诺约束（如技术最小值、爬坡时间以及系统层面的动态可再生能源渗透限制）。纳入这些约束一方面会增加风电被削减的可能性，从而增强储能作为灵活性资源的价值；另一方面则凸显了储能资产整体灵活性的重要性，例如需要更高的功率与容量比以适应更快的响应要求。此外，连续几天内百分比分位数保持不变的假设限制了风险评估的范围和系统的更广泛运行动态，但有助于更规范地映射相关风险。

总体而言，研究结果表明，储能设计问题不仅仅是一个优化问题，还应被视为一个风险容忍度问题。在这种情况下，储能的价值取决于其对冲不确定性对实现预期可再生能源份额目标的贡献，而不仅仅取决于其在纯经济术语中所具备的提高系统竞争力的潜力。最后，所提出的方法旨在弥合运行预测与长期系统设计之间的差距，提供了一个基于实际运行信号的风险意识储能容量评估框架，而不是依赖于静态的历史数据和情景。

热点排行