最优光伏-电池储能协同预测：电站配置与可靠性评估

《Journal of Energy Storage》：Optimal photovoltaic–battery coordinated forecasting: Plant configuration and reliability assessment

　　

摘要

光伏（PV）发电预测误差是不可避免的。为了实现可调度性，即所谓的"刚性"或"完美"预测，使实际发电量始终与预测值相符，一种逻辑上直观的方法是通过配置隐式（如光伏过度建设）或显式（如电池）储能，使预测不足和预测过剩的部分可按需得到补偿。在预测过程中协调光伏与电池本质上构成了一个数学优化问题，例如，在满足功率平衡和运行约束的条件下，以最低成本配置光伏过度建设量和电池容量。然而，由于输入优化模型的数据有限（例如仅一年数据），所配置系统在实际运行后的有效性和可靠性往往无法得到保证——这一问题在现有文献中从未被提及。因此，本研究针对主要优化数据，即光伏功率预测中的不确定性和意外多样性，采用随机规划和补充灵活性进行处理，其中前者利用历史集合预报来优化光伏和电池容量，后者利用部分新预报来配置额外的保障储能容量。与以往仅进行系统配置的确定性模型相比，新的随机模型和补充灵活性虽然会带来较高的系统成本，但显著增强了系统的灵活性，使太阳能在多种运行条件下真正具备可调度性。

引言

光伏发电量在很大程度上受地球表面可用的短波太阳辐射影响，而该辐射是波动且间歇性的[1]。因此，光伏一直以来被视为一种不可调度的发电形式[2]。尽管光伏是不可调度的，但如果不是强制性要求， worldwide 仍建议对光伏进行预测，因为了解光伏功率在不同时间尺度上的可用性对于电力系统运行至关重要，例如日前机组组合或日内经济调度[3]。这些预测需求催生了大量研究成果，读者可参考Yang和Kleissl的著作[4]以了解相关理论与应用。话虽如此，无论预测模型构建得多么完善，以及有多少数据可用于训练该模型，预测误差都是不可避免的。为实现可调度性——此处将其定义为光伏电站按照预测曲线精确发电的能力——一种直观的策略是使用储能设备，通过按需释放和储存能量来补偿预测不足和预测过剩。在此方面，一些人将实现可调度光伏功率的方法称为"刚性预测"[5]或"完美预测"[6]。然而，这两种名称在某些语境下可能会产生误导，一个更具描述性和更直接的术语应该是"光伏-储能协调预测"——这些术语仅仅是不同研究惯例下使用的不同标签，并不涉及任何本质区别。因此，具有协调预测能力的光伏电站可被称为可调度光伏电站。

鉴于有多种储能选择可用，如电池[7]、抽水蓄能[8]或氢储能[9]，配置可调度光伏电站的方式必然更多——因为可以采用多种储能选项的组合[10]。值得注意的是，在协调预测的语境下，储能可大致分为显式和隐式两类。前者指的是能够实际储存能量的设备和系统[11]，后者指的是无法储存能量但在协调预测过程中具有类似于显式储能效果的策略和控制操作。例如，地理平滑[12]和光伏过度建设[13]是两种广为人知的隐式储能选项，两者都能减小实际与预测光伏功率曲线之间的差异。在这方面，可调度光伏电站配置背后的问题是一个优化问题。与大多数电力系统配置工作类似，实现可调度光伏电站的关键目标之一是以最低成本进行配置[14]，同时满足灵活性（即实际光伏功率曲线与预测光伏功率曲线之间的功率平衡）和运行（如电池充放电限制）约束。

有两篇开创性的综述[15]、[16]总结了这一研究方向，得出了两个共识。第一，在现有的电网运行框架下，可调度光伏电站在提供可调度性方面可以与可调度机组相媲美。第二，隐式储能对于以最低成本配置可调度光伏电站至关重要。这些共同发现推动了光伏功率预测新范式的形成，并为进一步探索开辟了前景，但它们并非没有局限性。例如，一些用于确定最佳储能选项组合的算法往往过于复杂、计算效率低下且难以复现[17]、[18]。为应对这一挑战，Gao等[19]和Yang等[20]基于运筹学理论提出了数学优化模型，用于规划包含电池储能和光伏过度建设的可调度光伏电站；他们提出的模型采用标准形式编制，使商业求解器能够高效地获得最优解。尽管如此，所有现有工作都存在一个严重的局限性，即所配置系统的有效性和可靠性被忽略了。换言之，所配置的可调度光伏电站是否真能按设计运行尚不明确。

从优化角度看，一旦确定了每个时间瞬间各系统组件的功率路径（即优化变量），相对于一组给定的数据（即优化参数），配置过程便已完成[21]。这一过程具有确定性本质，且至少面临两个陷阱。第一，数据不确定性未被考虑。由于所配置的光伏电站仅对优化过程中使用的那组预测具有可调度性，因此无法确定该电站在其他预测情景下是否仍然可调度——如果某些新预报严重偏差，在试图补偿这些预报时已配置的储能是否会被耗尽？第二，可调度光伏电站的规划与其运行相脱节。也就是说，可调度光伏电站在优化完成后其配置即固定，运行后很难改善电站的可调度性——如果需要额外储能，应如何与初始配置相协调地进行配置？此类陷阱和问题因此激发了本研究，本研究旨在弥补确定性优化模型在协调预测中应用所产生的不足。

为弥补第一个陷阱，本研究采用了随机规划，这是一种用于建模部分或全部优化参数不确定的问题的优化框架。虽然将足够大的数据集输入确定性优化模型可以在一定程度上表征预报场景的多样性，但这会增加优化模型的计算时间和求解成本。此外，获取长达十年的运行期预报数据集存在实际困难：由于数据量庞大，历史天气预报很少被归档保存，且光伏功率预报通常属于专有信息[22]。因此，现有协调预测研究仅限于单年数据集，呼应了上述陷阱。值得注意的是，近年来概率型光伏功率预测已成为一个突出的研究焦点[23]。作为量化预报不确定性的关键方法，概率型预测与我们在不确定的预报条件下优化可调度光伏电站配置的目标完美契合。在此背景下，在随机优化框架中利用一年的概率预报，是传统优化方法中依赖长达十年确定性预报的一种可行替代方案。

为弥补第二个陷阱，本研究提出了一种方法，允许在可调度光伏电站的运行阶段配置补充灵活性。事实上，当前关于协调预测的研究尚未考虑光伏电站在整个生命周期内实现可调度性的可靠性。鉴于光伏和电池的模块化特性，本研究提出了一种方法，利用运行期间的新预报来配置额外的光伏和电池容量（即补充灵活性），确保在较长时间内实现可调度性。除了增强可调度性的方法外，还缺乏评估此类可靠性的指标。由于年中断持续时间（AID）和年未供应能量（AENS）被广泛用于评估常规火力发电机组的可靠性[24]、[25]，这两个指标可以直接应用于可调度光伏电站。具体而言，可以通过引入一个表示光伏功率预测未满足部分的变量，来获得可调度光伏电站的这些指标。

总之，本研究提出了一种在不确定性存在条件下的光伏-电池协调预测通用方法。本研究的贡献可以从以下两个方面进行总结：（1）构建了一个两阶段随机优化模型，用于在预报不确定性下配置可调度光伏电站；（2）引入补充灵活性来量化电站实现可调度性的能力。两者都有助于提高运行期间配置的可靠性。本研究的其余部分结构如下：第2节回顾光伏-电池协调预测问题，以及可调度光伏电站配置的确定性优化模型。第3节介绍所提出的随机优化模型，并设计评估流程以评价可调度性。第4节概述实证部分所用的数据和参数。第5节展示随机模型的优化结果，并评估系统在提供可调度性方面的表现。为进行讨论，进行了与确定性模型的比较以及对关键参数的敏感性分析。最后给出结论。

章节摘要

问题描述

本节分为三个部分。第一部分解释可调度光伏电站的结构及其相关经济指标。第二部分建立电站配置的确定性优化模型。第三部分描述将气象参数映射为光伏输出的物理模型链，这在各种光伏模拟中是必需的，例如将天气预报转换为光伏功率预报。

方法

本节首先在第3.1节中提出一个两阶段协调框架，以应对光伏功率预报中的不确定性，然后在第3.2节中建立随机模型来优化组件规模。同时，在第3.3节中引入了一种情景缩减技术，并在第3.4节中检查可调度光伏计划的可靠性。所提方法的总体研究流程如图3所示。

数据和参数

本研究所用的数据分为三类：气象参数、光伏电站技术规范和优化模型输入参数。气象参数来自两个来源，即表面辐射收支网络（SURFRAD）和欧洲中期天气预报中心（ECMWF），分别提供辐照度观测数据和预报数据。涉及两年（2017-2018年）的数据；具体而言，数据

结果与讨论

本节由四部分组成。首先，第5.1节展示了两阶段随机模型的优化结果，并对配置系统的可靠性进行了评估。其次，对本文所提模型与确定性模型进行了比较，以突出前者在光伏-电池协调预测中的优越性能。第三，第5.3节对关键参数（如典型情景数量等）进行了敏感性分析。

结论

天气的内在不可预测性使得光伏功率预测误差不可避免[53]。为实现可调度性，即使光伏发电与预测完全吻合，一种概念上简单的方法是光伏-电池协调预测。在Yang等[20]提出的优化框架基础上——该框架本质上属于确定性——本研究提出了一个随机优化模型，以确定在预报不确定性下可调度光伏电站的组件规模，以及

CRediT作者贡献声明

Yang Guoming：撰写——原稿撰写，验证，软件，方法论，概念构思。Yang Dazhi：撰写——审阅与编辑，指导，资源，资金获取，形式化分析，方法论，概念构思。

利益冲突声明

作者声明不存在可能影响本论文所报告工作的已知竞争性经济利益或个人关系。

致谢

Yang Dazhi受国家自然科学基金资助（项目编号：W2632047、42375192）。

Yang Guoming | Yang Dazhi

福州大学电气与自动化工程学院，福建福州，中国