《Materials》：Nitrogen-Doped Carbon Composites Embedded with Cu/Co Species Derived from Metal-Functionalized Ionic Liquids: Design and Supercapacitive Performance
编辑推荐：
用于可靠性评估的电池储能系统（Battery Energy Storage System, BESS）模型以及其他电力系统仿真研究，通常以两个关键变量为特征：荷电状态（State of Charge, SOC），表示以MWh为单位的存储能量；以及注入功率（In
用于可靠性评估的电池储能系统（Battery Energy Storage System, BESS）模型以及其他电力系统仿真研究，通常以两个关键变量为特征：荷电状态（State of Charge, SOC），表示以MWh为单位的存储能量；以及注入功率（Injected Power, PB），表示以MW为单位的充电或放电功率。这些变量强烈依赖于BESS在系统中的运行角色。理想情况下，来自实际装置的长时序数据——至少涵盖一年——可用于支持精确建模。然而，由于BESS技术部署相对较新，此类数据往往有限或不可用。为解决这一局限，本文提出一种针对特定BESS配置和运行目标生成SOC和PB合成时间序列的方法。该方法基于一个确定BESS运行以满足预定目标的框架。生成的数据随后用于开发适用于采用非序贯蒙特卡洛模拟（non-sequential Monte Carlo simulation）的复合可靠性评估的BESS模型。
**论文解读：基于状态空间模型的电池储能系统非序贯可靠性评估方法**
随着可变可再生能源（Variable Renewable Generation, VRG）尤其是风电和光伏的大规模并网，电力系统对大规模储能的需求日益迫切，以补偿可再生能源出力间歇性对系统造成的冲击。电池储能系统（Battery Energy Storage System, BESS）凭借其响应速度快、布置灵活等优势，成为平抑VRG波动的可行技术选项。电力系统可靠性评估旨在检验电网在元件意外故障、发电出力难以预测的波动或负荷尖峰等情况下持续供电的能力，对保障公共安全、避免停电造成大规模经济损失以及指导电网基础设施的规划建设具有关键意义。
用于发输电组合系统可靠性评估的仿真方法主要分为序贯蒙特卡洛模拟（Sequential Monte Carlo Simulation, SMCS）和非序贯蒙特卡洛模拟（Non-sequential Monte Carlo Simulation, NMCS）。序贯模拟按时间顺序仿真系统事件，能够准确刻画含储能和间歇性可再生能源的系统时序行为，但计算负担大；非序贯模拟则通过随机抽取元件或变量状态生成系统快照，计算效率高，适用于实际规模系统的评估，但其忽略了时间演化过程，难以直接表征BESS这类随时间累积能量并具有记忆效应的时序设备。现有BESS可靠性模型多基于序贯框架，当与非序贯仿真结合时，存在状态表征精度不足、可靠性指标偏差较大等问题。因此，有必要发展一种能够在非序贯仿真框架下有效近似BESS时序运行特性的建模方法。
针对上述问题，研究人员提出一种面向非序贯MCS的BESS状态空间模型。该模型以BESS注入/消耗功率与其荷电状态（State of Charge, SOC）之间的关联为核心，通过内置的再调度算法，在系统面临失负荷风险时确定BESS可提供的最大功率注入量，从而在非时序抽样框架下近似表达BESS的时序转移特性。研究表明，该方法能够在显著缩短计算时间的同时，获得与序贯仿真高度一致的可靠性指标。相关成果发表在《Materials》。
为开展研究，研究人员采用的主要关键技术方法包括：以巴西东北部电力系统聚合发电机与负荷的五年小时级时间序列（2019—2023年，共43825个数据点）为输入，基于峰值削峰运行策略生成BESS合成历史运行序列；利用聚类技术将BESS功率与SOC历史数据离散为多个状态水平，建立马尔可夫多状态模型并计算状态转移率与状态概率；基于最优潮流（Optimal Power Flow, OPF）提出再调度算法，以当前SOC与BESS最大功率之积估计可提供的再调度功率；采用Rank Score相关性保持方法结合拉丁超立方采样（Latin Hypercube Sampling, LHS），在非序贯抽样中保持可再生能源、负荷与SOC变量间的相关性。
基于巴西东北部案例设置了三个测试系统。案例1不含风电，案例2含一台风电机组，案例3含七台风电机组；每个案例分别配置无BESS、单台BESS（标记a）、两台相同放电时长BESS（标记b）以及两台不同放电时长BESS（标记c）等场景。研究人员分别计算了各场景下非序贯与序贯仿真的失负荷概率（Loss of Load Probability, LOLP）和期望缺供电量（Expected Power Not Supplied, EPNS），并对结果进行了对比分析。
案例1（无风电）结果显示，当所有BESS放电时长相同时（1a与1b），功率与SOC曲线高度相似，表明具有相同时长的储能系统在时序仿真中运行行为一致；当放电时长不同时（1c），容量较大而功率较小的BESS 1能够更持久地维持充放电，承担更多调节任务。可靠性指标方面，配置BESS后LOLP与EPNS较无BESS场景明显降低，说明储能有效提升了系统可靠性；1c场景指标略差于1a与1b，原因是其中一台BESS时长较短，更早达到运行边界。非序贯仿真中，采用Rank Score相关性保持的指标均落入序贯结果置信区间内，而未保持相关性的部分指标出现偏差，且非序贯仿真计算时间显著低于序贯仿真。
案例2（一台风电机组）中，受风电接入影响，储能系统利用率下降。BESS功率与SOC不再呈现逐日削峰填谷规律，而是较长时间维持高SOC水平并偶发放电。不同放电时长场景下，BESS 1被调用的频率高于BESS 2，但在低储能需求时段两者曲线重叠。可靠性指标整体低于案例1，表明新增风电改善了系统充裕度；配置BESS进一步降低LOLP与EPNS，且等放电时长场景的指标优于非等时长场景。非序贯仿真中，仅保留相关性的抽样结果与序贯仿真统计一致。
案例3（七台风电机组）中，风电装机容量进一步增加，储能利用率继续降低。BESS更多时间停留于高SOC状态，放电峰值与充放电时长均较案例2减小。可靠性指标较案例2进一步下降，说明高比例可再生能源接入提升了系统可靠性，但储能配置及其放电时长仍对指标产生影响。研究再次确认，保持输入时间序列相关性是非序贯仿真获得可靠指标的关键。
讨论部分指出，BESS充放电时长的不一致性会影响其参与系统调节的能力；在非序贯仿真中，若忽略变量间的相关结构，可靠性指标将出现统计不一致，而Rank Score结合LHS的方法在精度与计算效率上具有综合优势。研究结论可概括为：本文提出了一种用于发输电组合系统可靠性非序贯蒙特卡洛仿真的BESS模型。该模型基于表示BESS注入功率和SOC的历史或合成数据，将BESS建模为马尔可夫多状态系统，并结合简单逻辑确定可用于再调度以防止失负荷和电量的最大功率注入量。所提模型在巴西东北部电力系统等效配置上进行了验证，所得可靠性指标与序贯蒙特卡洛仿真结果高度吻合，同时显著降低了计算时间。
