通过半监督代表性日方法,对考虑极端天气情况的混合长时与短时储能系统进行协同规划

《Journal of Energy Storage》:Coordinated planning of hybrid long- and short-duration energy storage considering extreme weather via semi-supervised representative days

【字体: 大 中 小 】 时间:2026年07月06日 来源:Journal of Energy Storage 10.7

编辑推荐:

  范学军|赵飞 中国公安大学信息网络安全学院,北京,102623,中国 摘要:可再生能源的大规模应用加剧了多时间尺度上的电力与能源失衡问题,这使得对混合长时与短时储能系统进行协同规划变得愈发重要。为降低计算复杂度,人们广泛采用基于典型日的储能规划模型;然而,传统基于欧几里得距离的

  范学军|赵飞 中国公安大学信息网络安全学院,北京,102623,中国

摘要:可再生能源的大规模应用加剧了多时间尺度上的电力与能源失衡问题,这使得对混合长时与短时储能系统进行协同规划变得愈发重要。为降低计算复杂度,人们广泛采用基于典型日的储能规划模型;然而,传统基于欧几里得距离的K-Means聚类方法往往无法捕捉整体时间模式相似性,还倾向于平滑处理或忽略极端天气状况,从而导致规划结果出现偏差。为解决这一问题,本文提出一种基于动态时间规整的半监督聚类方法用于典型日提取,该方法能够明确保留极端净负荷日。研究了一种由锂离子电池、抽水蓄能、氨储存以及氨-煤联合燃烧模块构成的混合储能系统,并通过三种规划框架进行了案例分析:全年储能规划模型、独立典型日模型以及双时间分辨率模型。研究结果表明,所提方法显著提升了长时与短时储能系统的协同规划精度,尤其是在季节性时间尺度上运行的长时储能系统。更重要的是,研究发现,由典型日合成出的时间序列与原始年度数据之间的高拟合度并不一定意味着得到的储能配置更接近全年最优解。文章提出了三种相互关联的机制来解释这一现象。这一发现挑战了“最小化时间序列重建误差就能保证规划精度”的普遍假设,强调了在基于典型日的储能规划中保留极端天气驱动的时间模式的重要性。

引言:可再生能源的大规模应用加剧了多时间尺度上的电力与能源失衡问题,包括日内波动、日间变化以及季节性能源短缺。由于可再生能源出力具有明显的气象依赖性,因此在极端天气条件下,电力系统面临着更大的供应风险[1]。为应对这些多时间尺度挑战,人们开始关注那些具备互补放电时长的混合储能系统。在对其进行最优规划时,一个关键问题是如何以可行的计算方式同时捕捉常规的多时间尺度时间耦合关系以及罕见但影响巨大的极端场景,这也推动了改进型典型日提取方法的发展。

储能技术通常可分为超短时、短时、中时和长时储能,如图1所示。超短时储能的充放电时长一般在几秒到几分钟之间,主要用于频率和电压调节。由于本研究侧重于电力与能源平衡而非稳定性控制,因此不再进一步探讨超短时储能。本文中,短时储能指的是额定全功率充放电时长为1–4小时的储能技术,中时储能对应4–10小时,而长时储能则指时长超过10小时的储能技术,分别用于应对日内、日间及月度级别的能源波动。

近期有一些研究对不同的储能技术进行了全面综述[2]、[3]。其中,基于氢气和氨气的长时储能技术近年来受到了越来越多的关注。为实现氢气和氨气的低碳利用,将氨气与煤炭在现有燃煤电厂中联合燃烧已成为一项具有前景的研究与工程方向。此类改造能够在充分利用现有设施的运行灵活性的同时,减少季节性储能的所需容量。氨-煤联合燃烧使得氨气可作为零碳燃料,替代部分煤炭消耗,在无需对锅炉设备进行大规模改造的情况下降低二氧化碳排放,相比碳捕获与封存等方案更具经济优势[4]。以往的研究已经探讨了氨气的燃烧特性[5]、[6],以及不同混合比例下煤-氨混合物的运行性能[4]、[7]、[8]。然而,目前仍有较少研究将氨气储存与联合燃烧技术整合到混合短时与长时储能系统的协同规划框架中。

[1]中对不同类型储能系统的规划方法进行了系统性综述,同时还详细分析了相关模型、求解算法以及储能技术。不过,针对多种储能类型联合规划的全面综述仍然较为有限。近期,许多研究集中在特定应用场景下的综合能源系统,如孤岛系统、微电网以及港口能源中心。在这些场景中,电力-热力-气体/氢气耦合系统内的多时序储能系统协同规划已得到广泛研究。例如,[9]针对一个模拟的海滨社区提出了区域综合能源系统,整合了电池储能、压缩空气储能以及热能储存技术。该系统模型基于TRNSYS 18构建,年度模拟时长为8760小时,时间分辨率则为0.25小时。不过,该研究并未为规划问题建立定制的数学优化模型。

构建一个具有8760小时时间分辨率的全年储能规划模型(FY-ESPM)是同时捕捉长时与短时储能特性的最直接且准确的方法。然而,这无疑会导致模型规模过大,带来极大的计算难度[10]。因此,人们通常会从原始的年度时间序列中提取一组典型日,以此来近似FY-ESPM[11]。

对时间序列样本进行聚类是提取典型日的一种常用方法,[12]、[13]对各类常用的聚类方法进行了综述。K-Means聚类是提取典型日中最常用的方法之一,该方法通过欧几里得距离来衡量每日数据特征之间的差异。然而,电力系统中的发电与负荷时间序列通常具有内在的周期性和季节性特征,比如负荷在平日与周末之间的反复变化,以及光伏发电输出高峰期的季节性偏移。由于欧几里得距离仅能捕捉点对点的差异,而忽视时间模式的变化,因此无法识别时间序列的整体相似性。此外,这种无监督方法会将簇中心确定为簇内所有样本的平均值,这往往导致提取的典型日会平滑处理或忽略极端天气事件,从而产生次优甚至不可靠的储能规划结果。这类限制可能会使系统在面对极端天气时缺乏足够抵御能力,也无法实现可再生能源消费目标。

另一类方法将典型日的提取视为一个优化问题,其目标通常是 minimizing由典型日合成出的时间序列与原始时间序列之间的差异[13]、[14]、[15]。例如,[15]提出了一种混合整数二次规划模型,用于最小化合成时间序列与原始时间序列之间的平方误差。这种建模方式隐含地认为,较小的重建误差意味着更准确的规划结果。尽管[16]在容量扩展模型的背景下简要提到了这种分离性,但其背后的机制尚未得到系统性的识别与分析,也未能在涉及长时季节性储能的混合多时序储能规划中得到验证。本文对为何较低的重建误差并不能保证更准确的储能规划结果进行了系统的机制分析。这一发现挑战了该领域普遍存在的假设,为未来的典型日提取研究提供了重要的方法指导。

有一类研究是根据季节性特征来提取典型日,并将其用于规划研究。例如,[17]和[18]开发了整合电池储能与氢能储存的多类型储能规划模型,而[18]还进一步加入了抽水蓄能技术。在这两项研究中,都只提取了对应四季的四个典型日。在[18]中,每个典型日都是独立模拟的,没有考虑日间的能量相互作用;这种方法被称为独立典型日ESPM(IRD-ESPM)。相比之下,[17]将四个典型日按顺序排列,形成简化的时间序列;然而,这种构建方式实际上仅代表了四天的情况,因此不足以准确反映长时或季节性储能的动态特性。类似的分简化处理也出现在[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27]中。还有另一类研究则构建双层优化模型来规划多类型储能系统,上层代表规划问题,下层则描述系统运行或市场出清过程。例如,[28]考虑了日前与日内的市场出清,但其建模时间范围仅限于两天。类似地,[29]将时间范围扩展到一周,但仍无法体现储能系统的全年动态特性。[17]、[23]、[30]、[31]也采用了类似的方法。上述大多数研究要么没有明确说明典型日选择的方法,要么依赖于K-Means之类的传统聚类技术。此外,它们通常也没有在典型日提取过程中明确考虑或纳入极端条件。

为保留更长时间尺度的动态变化,更好地捕捉不同时长储能系统之间的时间耦合效应,[32]提出了一种时间周期聚类方法(CTPC)。该方法会对8760小时时间序列中的相邻时间步进行聚类,从而在保持全年时间结构的同时减少时间步的数量。基于这一思路,又衍生出了几种变体。例如,[33]和[34]首先提取典型日,然后在每一天内部应用CTPC;而[35]和[36]则将其应用于典型周。不过,[37]指出,CTPC倾向于低估输入数据中的极端值。为解决这一问题,[37]提出了PCTPC方法,该方法相较于CTPC更注重捕捉局部最大值与最小值。然而,PCTPC仍然会平滑处理中等负荷水平附近的日间变化,这可能限制其准确反映储能系统运行状态的能力。

有些研究为不同类型的储能设备采用不同的时间步长,例如[38]、[39]、[40]提出的多时间网格方法。[41]和[42]在日尺度上对长时储能系统的运行进行建模,同时在小时尺度上优化短时储能系统的运行。虽然这大大降低了计算复杂度,但不一致的时间粒度会影响对长时与短时储能系统之间交互作用的准确描述。[15]、[43]采用了双时间分辨率ESPM(DTR-ESPM)方法,即在每个典型日内保持小时级分辨率,同时按时间顺序排列典型日,以便追踪长时储能水平的波动。[15]是通过最小化合成时间序列的误差来提取典型日的,但这并不一定能得到与FY-ESPM更为接近的规划结果。此外,这两项研究也都未明确考虑如何纳入极端运行场景。

除了时间建模框架的选择之外,如何将极端天气条件纳入典型日提取过程,也是混合储能规划中的另一个关键因素。[11]指出,除了使用聚合后的典型日外,若能纳入真实的极端天气日,也能显著提升模型性能。目前已有多种指标被用来识别极端事件,包括风能和太阳能发电量的极值[44]、负荷峰值[13]、连续正变化的最大幅度[45]、净负荷的最大值或最小值[45]、[46]、停电成本[47]、极端电价[48],以及运行约束的最大违反程度[49]、[50]。

有些研究在识别极端条件时,没有考虑可再生能源发电量与需求之间的共同变化规律。例如,[51]和[52]仅关注风力发电的极端变化,而[12]则将传统的K-Means方法与最大负荷作为极端条件相结合。相比之下,以净负荷的最大值与最小值作为极端条件,能够更好地反映可再生能源发电量与需求之间的相互作用。这种方法通过在可再生能源产出较高而需求较低的过剩条件下确保可再生能源得到充分利用,以及在可再生能源产出较低而需求较高的短缺条件下保障供应充足,从而提高了规划结果的稳健性。尽管[45]、[46]考虑了这两种极端条件,但他们的研究重点在于发电容量扩展规划。此外,[45]仅研究了时长为2小时和5小时的电池。这些研究均未在具有长时时间耦合特性的混合储能规划问题中验证其方法的有效性。在本研究中,我们发现纳入这两种极端条件后,得到的规划结果会更接近全年模型下的结果,这一点将在后续的案例分析中加以说明。[11]对极端时段的纳入方法进行了综述,指出了两种主要方法。第一种是将极端时段以非零权重添加到典型日集合中,这种方法通常被称为附加法[13]。第二种则是以零权重纳入极端时段,这种方法被称为可行性步骤法[53]。大多数研究采用简单的统计方法来识别极端时段,并将其添加到代表性数据集中,要么为每个属性添加一个极端时段[44]、[54]、[55]、[56],要么为电力需求选择单个极端时段[57]。也有研究提出迭代方法,即根据优化问题本身的信息来选择极端时段[49]、[53]、[58]。此外,[12]将极端日选择策略分为零值型、替换型、添加型和迭代型。本文提出的方法并不严格属于这些类别。另一类研究则提取连续的多日代表性时段,以捕捉极端天气事件的多日特征。例如,[35]提出了一种考虑极端天气的代表性周构建方法,并将其应用于包含电池和氢储能的系统规划中。[52]和[59]分别聚焦于风旱和极端热浪事件。这些研究旨在同时纳入极端时段及其之前的连续时段。但在[52]中,常规代表性日被定义为单日时段,而极端日则涵盖两天,这导致难以确定一致的权重。在[59]中,与热浪相关的代表性日的提取方法描述不明确,案例研究中也仅模拟了三天,不足以捕捉长期的变化规律。有些研究则分阶段提取常规和极端代表性日[35]、[46]、[52]、[60]。例如,[60]基于AHP-CRITIC-TOPSIS框架提出了一种针对综合能源系统的运营风险评估方法,利用综合风险指数来识别关键日。不过,这种方法需要提前解决规划模型才能确定极端日,从而增加了方法的复杂性。[46]采用自组织映射聚类技术,通过先识别极端日,再为剩余的常规日分配权重,分两阶段确定代表性日的权重。[52]则使用K均值聚类分别提取常规日和极端日,之后再将它们合并,没有统一的框架。还有一些研究仅专注于极端场景的生成,如[61]、[62],它们分别采用改进的生成对抗网络和源-负荷平衡熵方法。然而,这些方法没有考虑极端场景与常规场景之间的协调性,因此难以确定合适的权重。相比之下,本文采用半监督K均值方法,在统一框架内确定所有代表性日的权重,无需单独的流程。综上所述,可以发现三个研究缺口。首先,整合氨煤联烧技术的混合长时序和短时序存储系统的协同规划仍然较少,季节性存储与燃煤机组灵活性之间的相互作用也尚未得到系统建模。其次,传统的基于欧几里得距离的无监督K均值聚类无法捕捉整体时间序列的相似性,还倾向于平滑或忽略极端天气状况。第三,现有研究中普遍认为最小化时间序列重建误差就能保证规划精度,这一假设并未受到深入质疑或检验。因此,有必要改进聚类和代表性日提取方法,同时开发一种能够考虑氨煤联烧的混合长时序和短时序存储系统的协同规划模型,从而实现多时间尺度的最优资源分配,提升系统对极端天气以及可再生能源接入的适应能力。本文的主要贡献如下:(a)提出了一种基于动态时间规整(DTW)距离的半监督K均值聚类方法,即DTW-SS-K-Means,用于提取代表性日,从而更全面地描述整体时间相似性和极端天气模式。(b)研究了一种由锂离子电池、抽水蓄能、氨储存及氨联烧模块组成的混合能源存储系统,并通过三种经典规划模型——FY-ESPM、IRD-ESPM和DTR-ESPM,验证了所提代表性日提取方法的优点。(c)得出了一个反直觉的结论并进行了理论解释:合成时间序列与原始全年数据之间的拟合精度越高,并不一定意味着存储配置就越接近全年的最优解。这一结果挑战了通常用最小化重建误差作为规划精度指标的做法,为评估存储规划中的代表性日提取方法提供了新的思路。本文的其余部分结构如下:第2节介绍所提出的DTW-SS-K-Means算法及代表性日提取过程;第3节建立混合能源存储的规划模型;第4节进行案例研究及对比分析;第5节总结全文并探讨未来研究方向。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号