面向薄弱配电网的农村多能互补系统储能协同优化配置

DOI:10.12158/
文章编号:2096-3203(2024)05-0013-14中图分类号:TM715

面向薄弱配电网的农村多能互补系统储能协同优化配置

董福贵,孟子航,郗来昊,王小锋

华北电力大学经济与管理学院,北京102206

收稿日期：2024-03-25；修回日期：2024-05-18

基金项目：北京市社会科学基金资助项目(21JJB012)

作者简介:

董福贵(1974)，男，博士，教授，研究方向为能源管理理论(E-mail：dfg@);

孟子航(1999)，男，硕士在读，研究方向为综合能源系统优化运行;
郗来昊(1999)，男，硕士在读，研究方向为电力市场优化。

摘要：位于配电网薄弱区域的农村常常存在供能可靠性不足的问题，导致接入大规模光伏的多能互补系统难以在此类地区广泛开展。储能系统作为新型能源系统融合的纽带，能够有效提升此类地区的供能可靠性。为此，文中提出一种面向薄弱配电网的农村多能互补系统(ruralmulti-energycomplementarysystem,RMES)储能协同优化配置策略。首先，明确包含生物质废弃物能源转化系统的RMES架构。然后，以系统缺供损失成本作为评判依据，提出一种储能配置评价准则。最后，建立计及储能全生命周期成本的RMES多元储能协同优化配置模型。针对该模型的特性，将其解耦转化为包含规划-运行两阶段的双层优化模型，并采用粒子群算法和Gurobi求解器相结合的混合策略进行求解。算例分析表明，所提储能配置评价准则有效激发了RMES配置储能的积极性。此外，构建的多元储能协同配置模型使得RMES表现出更好的经济效益和环境效益，并且在提升系统运行可靠性方面具有优越性。

关键词：农村多能互补系统(RMES)薄弱配电网储能配置生物质利用系统可靠性储能全寿命周期成本

0引言

我国农村地区存在大量秸秆、垃圾和生活污水等废弃资源，为发展生物质发电技术提供了天然的实验基地。此外，农村人口密度和负荷密度相对较低，也为屋顶光伏(photovoltaic,PV)的建设应用提供了丰富的空间资源[1-2]。如何促进农村生物质资源的能源转换，兼顾完善屋顶光照资源的能源利用，建立生物质和PV耦合利用的清洁供能模式，已经成为推动农村新型供能系统建设的热点话题[3-4]。农村多能互补系统(ruralmulti-energycomplementarysystem,RMES)能够利用多种能源转化设备和能源耦合设备实现生物质资源、光照资源及现有供能资源的整合，满足终端用户的负荷需求。另外，与RMES相连的上级配电网通常位于配电网薄弱区域，容易产生断电、断气等风险。而储能系统在提升系统可靠性和可再生能源消纳能力方面发挥着积极作用。因此，研究薄弱配电网下的RMES储能协同优化配置策略对加速农村地区新型能源系统的建设具有重要的理论和实践意义。

系统优化运行方面的研究主要集中在如何选择优化目标，从而确定机组的最优调度策略[16]。文献[17]构建以最小能耗和环境成本为双目标的微电网运行模型。文献[18]提出计及碳交易全寿命周期成本的优化调度模型。文献[19]建立计及用电行为的虚拟电厂双层调度模型，该模型以运行成本和用户行为变动成本为目标。此外，可再生能源的出力存在波动性和不确定性，容易导致调度方案与实际产生偏差。因此，如何处理源荷不确定性对调度结果的影响是必须要解决的问题[20]。文献[21]基于信息间隙决策理论建立考虑源荷不确定性的鲁棒调度模型。文献[22]应用两阶段随机优化方法消除风光出力不确定性对微电网调度的影响。文献[23]提出一种微电网多时间尺度优化调度策略，有效平衡了微电网调度的准确性、经济性和鲁棒性。然而，上述研究很少选择将包含生物质燃料利用的能源系统作为研究对象。文献[24]提出一种包含乡村多元产业、垃圾废物处理与可再生能源发电的乡村多能源系统规划模型。文献[25]研究沼气发电机组和空气源热泵对农村综合能源系统运行经济性的促进作用。文献[26]设计一种基于农村生物质废弃物利用系统的微电网模型，实现了农村秸秆、垃圾、生活污水等生物质废弃物资源的高效利用。

在薄弱配电网可靠性评估和优化方面，文献[27]提出一种考虑多信息因素干扰及分布式电源接入的配电网可靠性评估方法，有效评估了信息失效下的配电网信息物理系统可靠性。文献[28]提出一种计及综合能源系统接入影响的配电网可靠性评估方法，大幅改善了配电网的可靠性。文献[29]为提高配电网薄弱区域的供电可靠性，建立一种基于虚拟变电站的分布式电源与储能双层选址定容模型。文献[30]提出一种适用于含源配电网的供电可靠率评价指标，进而建立计及可靠性的含源配电网储能系统优化配置模型。

综上所述，针对储能配置和系统运行的单一研究已经十分成熟，但鲜有研究考虑储能配置对农村薄弱配电网的支撑作用，故亟须开展大规模PV接入的多能互补系统研究。文中将包含生物质废弃物能源转化系统(biomasswastesenergyconversionsystem,BWS)的RMES作为研究对象，提出一种面向薄弱配电网的多元储能协同优化配置策略。首先，构建包含BWS的RMES架构。然后，提出一种面向薄弱配电网的多元储能配置评价准则，用于提升RMES配置储能的积极性。最后，建立考虑全生命周期成本的多元储能协同优化配置模型，并提出改进粒子群算法和Gurobi求解器的混合策略对其进行求解。将所提模型应用于实际案例分析，结果表明其有助于RMES表现出更好的经济效益和环境效益，并且在提升系统运行可靠性方面具有优越性。

1薄弱配电网下的RMES架构和储能配置策略1.1RMES架构和设备模型

文中构建的RMES是指利用分布式PV、BWS、能源转化系统(energyconversionsystem,ECS)及上级配电网实现生物质资源、光照资源以及现有供能资源的整合，进而满足用户负荷需求的能源系统。其系统架构如图1所示。

图1RMES架构

1.1.1BWS

BWS通过利用热解气化发电(pyrolysispowergeneration,PG)、污水处理(sewagetreatment,ST)、厌氧沼气(anaerobicbiogas,AB)和沼气制气(biogastogas,B2G)等技术实现了秸秆、干垃圾、湿垃圾及生活污水等多种生物质废弃物资源的综合利用，其系统框架如图2所示。

图2BWS架构

BWS具体模型[26]表达式如下：

Vfuel(t)=[Mstraw(t)βstrawMgaw(t)βgar]T[βstraw,,R2Fβgar,R2F]ηpfVfuel(t)=[Mstraw(t)βstrawMgaw(t)βgar]T[βstraw,,R2Fβgar,R2F]ηpf

(1)

Ppg(t)=Vfuel(t)ηpg,ePpg(t)=Vfuel(t)ηpg,e

(2)

Hpg(t)=Ppg(t)ηpg,hHpg(t)=Ppg(t)ηpg,h

(3)

Vst(t)=Pst(t)βstηabVst(t)=Pst(t)βstηab

(4)

Vbg(t)=(Vst(t)βsludgeρsludge+Mwet-g(t))βbgVbg(t)=(Vst(t)βsludgeρsludge+Mwet-g(t))βbg

(5)

Vng(t)=Vbg(t)ηb2gVng(t)=Vbg(t)ηb2g

(6)

式中：Vfuel(t)为t时刻PG产生的可燃气体体积；Mstraw(t)、Mgar(t)分别为t时刻PG消耗的秸秆和干垃圾质量；βstraw、βgar分别为秸秆和干垃圾的单位可气化系数；βstraw,R2F、βgar,R2F分别为秸秆和干垃圾的单位气化系数；ηpf为热解炉的产气效率；Ppg(t)、Hpg(t)分别为t时刻PG输出的电功率和热功率；ηpg,e为PG的单位气转电效率；ηpg,h为PG的单位气转热效率；Vst(t)为t时刻ST的污水体积；Pst(t)为t时刻ST所消耗的电功率；βst为ST单位功率处理污水体积；ηab为污水混合物中可发酵的有机物系数；Vbg(t)为t时刻AB产生的体积；βsludge为污水静置沉淀后的污泥系数；ρsludge为污水静置和沉淀后的平均密度；Mwet-g(t)为t时刻AB消耗的湿垃圾质量；βbg为污泥和湿垃圾混合物的单位产气系数；Vng(t)为t时刻B2G产生的天然气体积；ηb2g为B2G转换系数。

1.1.2ECS

ECS由电制冷(electricrefrigeration,EF)、热制冷(absorptionchiller,AC)、燃气轮机(gasturbine,GT)和待配置的储能系统(energystoragesystem,ESS)等单元构成，架构如图3所示。根据图3可知，ECS是具有4个输入和4个输出的虚拟能源转换系统。其中ESS是包含ES、HS和冷储能(coolingenergystorage,CS)在内的待配置储能系统。各类储能的能源存储特性可参考文献[13]。ESS内部的能源转换如图4所示。

图3ECS架构

图4ESS内部结构

图4中，Pef(t)、Cef(t)分别为t时刻EF输入的电功率和输出的冷功率；Vgt(t)、Pgt(t)、Hgt(t)分别为t时刻GT输入的气体体积、输出的电功率和热功率；Hac(t)、Cac(t)分别为t时刻AC输入的热功率和输出的冷功率；Pes(t)、Hhs(t)、Ccs(t)分别为t时刻ES、HS和CS的输出值，其中正值表示放能，负值表示充能。

通过矩阵描述ECS内的能量转换、存储和输出过程，从而实现多能量的协调分配，如：

⎡⎣⎢⎢⎢⎢PoutECS(t)HoutECS(t)VoutECS(t)CoutECS(t)⎤⎦⎥⎥⎥⎥=⎡⎣⎢⎢⎢⎢1−αef00αefηef01−αac0αacηacαgtηegtαgtηhgt1−αgt00001⎤⎦⎥⎥⎥⎥.⎡⎣⎢⎢⎢⎢⎢PinECS(t)HinECS(t)VinECS(t)CinECS(t)⎤⎦⎥⎥⎥⎥⎥+⎡⎣⎢⎢⎢⎢Pes(t)Hhs(t)0Ccs(t)⎤⎦⎥⎥⎥⎥[PECSout(t)HECSout(t)VECSout(t)CECSout(t)]=[1−αef0αgtηgte001−αacαgtηgth0001−αgt0αefηefαacηac01].[PECSin(t)HECSin(t)VECSin(t)CECSin(t)]+[Pes(t)Hhs(t)0Ccs(t)]

(7)

式中：PECSout(t)、HECSout(t)、CECSout(t)、VECSout(t)分别为t时刻ECS的输出电功率、热功率、冷功率和天然气；αef、αgt、αac分别为EF、GT和AC消耗对应输入功率的比例；ηgte为GT发电系数；ηgth为GT供热系数；ηef为EF系数；ηac为AC系数；PECSin(t)、HECSin(t)、CECSin(t)、VECSin(t)分别为t时刻ECS的输入电功率、热功率、冷功率和天然气。

1.2配电网薄弱性及储能配置评价准则

文中研究的农村配电网薄弱性主要体现在以下几个方面：(1)由于与RMES连接的上级供能网络位于配电网末端，相关设备老化严重，易产生断电、断气等风险。因此，其故障率相较RMES内部供能网络故障率更高。文中研究为进一步突显上级配电网的薄弱性，假定RMES内的供能网络不发生故障。(2)农村配电网的供应面积广、线路长、散乱点多、覆盖率低，当一处发生故障时，常常引起大面积的供能瘫痪。因此，当上级配电网某处发生故障时，可直接假设上级配电网无法为RMES提供能源保障，从而忽略配电网中具体节点和线路的故障。(3)当上级配电网发生故障时，RMES无法与其进行能源交互。此时，农村用户的负荷需求只能通过RMES自主供应。如果RMES无法满足用户需求，则表明系统存在缺供的情况，应对其进行惩罚。农村配电网薄弱性的具体表现如图5所示。

图5农村配电网薄弱性表现

由上述分析可知，RMES连接的上级网络位于配电网末端，容易导致RMES供能可靠性不足。PV的大规模接入加剧了对RMES运行可靠性的挑战。储能设备在提高系统运行可靠性方面具有巨大潜力，但受限于成本导致系统建设储能的积极性不高。因此，为进一步激发RMES配置储能的积极性，提出了一种面向薄弱配电网的多元储能配置评价准则，以突显储能在提升系统可靠性方面的巨大优势。所提准则采用系统缺供损失成本fpc作为评价依据。具体计算流程如下。

(1)假定上级电网、热网和气网的故障率分别为λze、λzh、λzv。注意到上级配电网虽然处于配电网薄弱区域，但现有供能网络的故障率仍处于较低水平，因此假定上级电网、热网、气网不同时发生故障。则当上级电网故障时，系统在第k个运行时段的缺供时间计算如下：

tez(k)=te,ez(k)+te,hz(k)+te,cz(k)tze(k)=tze,e(k)+tze,h(k)+tze,c(k)

(8)

te,ez(k)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪0Pload(k)⩽Ppv(k)+Ppg(k)+Pgt(k)−Pst(k)−Pef(k)ΔtPload(k)Ppv(k)+Ppg(k)+Pgt(k)−Pst(k)−Pef(k)tze,e(k)={0Pload(k)⩽Ppv(k)+Ppg(k)+Pgt(k)−Pst(k)−Pef(k)ΔtPload(k)Ppv(k)+Ppg(k)+Pgt(k)−Pst(k)−Pef(k)

(9)

te,hz(k)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪0Hload(k)⩽Hgrid(k)+Hpg(k)+Hgt(k)−Hac(k)ΔtHload(k)Hgrid(k)+Hpg(k)+Hgt(k)−Hac(k)tze,h(k)={0Hload(k)⩽Hgrid(k)+Hpg(k)+Hgt(k)−Hac(k)ΔtHload(k)Hgrid(k)+Hpg(k)+Hgt(k)−Hac(k)

(10)

te,cz(k)={0ΔtCload(k)⩽Cac(k)+Cef(k)Cload(k)Cac(k)+Cef(k)tze,c(k)={0Cload(k)⩽Cac(k)+Cef(k)ΔtCload(k)Cac(k)+Cef(k)

(11)

式中：tze(k)为上级电网故障时系统在第k个运行时段的缺供时间；tze,e(k)、tze,h(k)、tze,c(k)分别为系统在第k个运行时段的电负荷、热负荷和冷负荷缺供时间；Δt为单位缺供时间，文中取1h；Px(k)、Hx(k)、Cx(k)分别为x在第k个运行时段输出/消耗的电功率、热功率、冷功率，x∈{load,grid,pv,pg,gt,st,ef,ac,es,hs,cs}，load表示用户负荷，grid表示上级网络，pv表示PV，pg表示PG，gt表示GT，st表示ST，ef表示EF，ac表示AC，es表示ES，hs表示HS，cs表示CS。上级热网和气网故障时的系统缺供时间计算与之类似，记作tzh(k)和tzv(k)。

(2)当系统内接入储能后，能够实现生物质和PV资源的跨时段利用，从而减少供能缺失成本，提升系统供能可靠性。假设ES、HS、CS故障率分别为λse、λsh、λsc，则当RMES配置储能且ESS输出功率时，故障下系统在第k个运行时段的缺供时间为：

tez(k)=te,e′z(k)+te,h′z(k)+te,c′z(k)tze(k)=tze,e′(k)+tze,h′(k)+tze,c′(k)

(12)

te,e′z(k)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪0ΔtλesΔtPload(k)⩽Ppv(k)+Ppg(k)+Pgt(k)−Pst(k)−Pef(k)Ppv(k)+Ppg(k)+Pgt(k)−Pst(k)−Peff(k)＜Pload(k)⩽Ppv(k)+Ppg(k)+Pgt(k)+Pes(k)−Pst(k)−Peff(k)Pload(k)Ppv(k)+Ppg(k)+Pgt(k)+Pes(k)−Pst(k)−Pef(k)tze,e′(k)={0Pload(k)⩽Ppv(k)+Ppg(k)+Pgt(k)−Pst(k)−Pef(k)ΔtλsePpv(k)+Ppg(k)+Pgt(k)−Pst(k)−Peff(k)＜Pload(k)⩽Ppv(k)+Ppg(k)+Pgt(k)+Pes(k)−Pst(k)−Peff(k)ΔtPload(k)Ppv(k)+Ppg(k)+Pgt(k)+Pes(k)−Pst(k)−Pef(k)

(13)

te,h′z(k)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪0ΔtλhsΔtHload(k)⩽Hgrid(k)+Hpg(k)+Hgt(k)−Hac(k)Hgrid(k)+Hpg(k)+Hgt(k)−Hac(k)＜Hload(k)⩽Hgrid(k)+Hpg(k)+Hhs(k)+Hgt(k)−Hac(k)Hload(k)Hgrid(k)+Hpg(k)+Hhs(k)+Hgt(k)−Hac(k)tze,h′(k)={0Hload(k)⩽Hgrid(k)+Hpg(k)+Hgt(k)−Hac(k)ΔtλshHgrid(k)+Hpg(k)+Hgt(k)−Hac(k)＜Hload(k)⩽Hgrid(k)+Hpg(k)+Hhs(k)+Hgt(k)−Hac(k)ΔtHload(k)Hgrid(k)+Hpg(k)+Hhs(k)+Hgt(k)−Hac(k)

(14)

te,c′z(k)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪0ΔtλcsΔtΔtCload(k)⩽Cac(k)+Cef(k)Cac(k)+Cef(k)＜Cload(k)⩽Cac(k)+Cef(k)+Ccs(k)Cload(k)Cac(k)+Cef(k)+Ccs(k)tze,c′(k)={0Cload(k)⩽Cac(k)+Cef(k)ΔtλscCac(k)+Cef(k)＜Cload(k)⩽ΔtCac(k)+Cef(k)+Ccs(k)ΔtCload(k)Cac(k)+Cef(k)+Ccs(k)

(15)

式中：tze,e′(k)、tze,h′(k)、tze,c′(k)分别为储能配置后，上级电网故障时系统在第k个运行时段的电负荷、热负荷和冷负荷缺供时间。

(3)ESS输入功率时，系统在第k个运行时段的缺供时间如下：

te,e′z(k)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪0ΔtλesΔtPload(k)⩽Ppv(k)+Ppg(k)+Pgt(k)+Pes(k)−Pst(k)−Pef(k)Ppv(k)+Ppg(k)+Pgt(k)+Pes(k)−Pst(k)−Pef(k)＜Plogd(k)⩽Ppv(k)+Ppg(k)+Pgt(k)−Pst(k)−Pef(k)Pload(k)Ppv(k)+Ppg(k)+Pgt(k)−Pst(k)−Pef(k)tze,e′(k)={0Pload(k)⩽Ppv(k)+Ppg(k)+Pgt(k)+Pes(k)−Pst(k)−Pef(k)ΔtλsePpv(k)+Ppg(k)+Pgt(k)+Pes(k)−Pst(k)−Pef(k)＜Plogd(k)⩽Ppv(k)+Ppg(k)+Pgt(k)−Pst(k)−Pef(k)ΔtPload(k)Ppv(k)+Ppg(k)+Pgt(k)−Pst(k)−Pef(k)

(16)

te,h′z(k)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪0Hload(k)⩽Hgrid(k)+Hpg(k)+Hhs(k)+Hgt(k)−Hac(k)ΔtλhsHgrid(k)+Hpg(k)+Hhs(k)+Hgt(k)−Hac(k)＜Hload(k)⩽Hgrid(k)+Hpg(k)+Hgtt(k)−Hac(k)ΔtHload(k)Hgrid(k)+Hpg(k)+Hgt(k)−Hac(k)tze,h′(k)={0Hload(k)⩽Hgrid(k)+Hpg(k)+Hhs(k)+Hgt(k)−Hac(k)ΔtλshHgrid(k)+Hpg(k)+Hhs(k)+Hgt(k)−Hac(k)＜Hload(k)⩽Hgrid(k)+Hpg(k)+Hgtt(k)−Hac(k)ΔtHload(k)Hgrid(k)+Hpg(k)+Hgt(k)−Hac(k)

(17)

te,c′z(k)=⎧⎩⎨⎪⎪⎪⎪⎪⎪0ΔtλcsΔtCload(k)⩽Cac(k)+Cef(k)+Ccs(k)Cac(k)+Cef(k)+Ccs(k)＜Cload(k)⩽Cac(k)+Cef(k)Cload(k)Cac(k)+Cef(k)tze,c′(k)={0Cload(k)⩽Cac(k)+Cef(k)+Ccs(k)ΔtλscCac(k)+Cef(k)+Ccs(k)＜Cload(k)⩽Cac(k)+Cef(k)ΔtCload(k)Cac(k)+Cef(k)

(18)

(4)储能配置后，上级热网和气网故障时的系统缺供时间计算与上述类似。最终以系统缺供损失成本fpc作为系统可靠性的评估指标，表达式如下：

fpc=Tl¯∑y∈{e,h,v}λy,zφ(ty,z)fpc=Tl¯∑y∈{e,h,v}λy,zφ(ty,z)

(19)

φ(ty,z)=∑y∈{e,h,v}δ2(ty,z)φ(ty,z)=∑y∈{e,h,v}δ2(ty,z)

(20)

式中：T为系统年运行小时数，取8760h；l为电热冷负荷总量的单位小时平均值；λy,z为y网络的故障率，y∈{e,h,v}，e表示电网，h表示热网，v表示气网；ty,z为y网络故障时系统的缺供时间；φ(ty,z)为缺供对应的损失费用函数；δ为对应的惩罚系数，取0.05。

2基于典型日法和场景分析法的源荷不确定性处理策略

鉴于PV出力和用户负荷受季节、天气等环境因素的影响较大，文中提出一种结合典型日法和场景分析法的源荷不确定性处理策略，生成反映规划年季节特性的场景集合用于模型计算，以更好地描述其波动对系统规划的影响。源荷不确定性处理策略如图6所示。具体操作步骤如下。

图6源荷不确定性处理策略

步骤1：依据季节特性选取夏季、冬季和过渡季3个典型日表征规划年，其中，冬季典型日包含电负荷、热负荷，夏季包含电负荷、冷负荷，过渡季仅有电负荷。

步骤2：收集3种典型日下的光照信息及负荷信息，利用蒙特卡洛分别进行场景生成。

步骤3：由于模型求解的规模和复杂度与规划典型日的场景数量呈正比关系，采用基于概率距离的快速前代消除技术[31]分别对基于3种典型日生成的场景集合进行削减，进而得到可以体现PV出力和负荷全年时序变动特征的典型日集合。

步骤4：得到符合季节特征的PV出力及负荷需求曲线。

场景分析法的具体操作如下：

(1)假设蒙特卡洛生成的场景集合为S，计算S中每两对场景之间的几何距离。

(2)选定与其他场景距离之和最小的场景d。

(3)从S中选取与场景d几何距离最近的场景r替代场景d，并将场景d的概率加到场景r的概率上，消除d，形成新的S′。

(4)判断剩余场景数目是否满足要求；若不满足，重复步骤1至步骤3；若满足，结束场景削减。文中将单个典型日集合的场景数目设置为5。

3RMES储能协同优化配置模型3.1储能协同优化配置策略

在RMES中配置一定容量的储能可以有效提升系统运行的稳定性，并促进可再生能源的就地消纳。然而，储能成本是制约当前“新能源+储能”发展的关键因素。因此，为更准确地评估储能配置成本，提出考虑储能全生命周期成本的协同规划策略。此外，由于储能的长期规划和系统的短期运行方案相互影响，建立包含储能配置和系统运行的协同优化配置模型。模型的决策变量可划分为储能规划变量和系统运行变量两部分。规划变量主要包括新建储能的接入容量、功率；运行变量包括规划典型日内各时段的GT输出电热功率、EF输出冷功率、AC输出冷功率、BWS输出功率、ESS充放能功率、系统购能功率和PV真实出力。

3.2目标函数

以ESS配置的全生命周期成本和RMES年运行成本之和最小为优化目标，具体如式(21)所示。

minF=finv+frc+fdc+fecs+fbws−fsub+fe+fem+fpc−fpvminF=finv+frc+fdc+fecs+fbws−fsub+fe+fem+fpc−fpv

(21)

finv=∑i∈Ωess(ceiEeni+cpiPeni)r(1+r)ri(1+r)yi−1finv=∑i∈Ωess(cieEien+cipPien)r(1+r)ri(1+r)yi−1

(22)

frc=∑i∈Ωess∑l=1LiceiEeni(1−α)yi(1+r)li×r(1+r)yi(1+r)yi−1frc=∑i∈Ωess∑l=1LicieEien(1−α)yi(1+r)li×r(1+r)yi(1+r)yi−1

(23)

fdc=∑i∈ΩesscdciEeni(1+r)−yir(1+r)yi(1+r)yi−1−γres(finv+frc)fdc=∑i∈ΩesscidcEien(1+r)−yir(1+r)yi(1+r)yi−1−γres(finv+frc)

(24)

fess=∑m∈{ts,w}Tm24∑d=15Gm(d)∑t=124(∑xcocx|Pm,d,x(t)|+∑xcocx|Hm,d,x(t)|+∑xcocx|Cm,d,x(t)|)fess=∑m∈{ts,w}Tm24∑d=15Gm(d)∑t=124(∑xcxoc|Pm,d,x(t)|+∑xcxoc|Hm,d,x(t)|+∑xcxoc|Cm,d,x(t)|)

(25)

fbws=∑m∈{tr,s,w}Tm24∑d=15Gm(d)∑t=124(cstrawMm,d,straw(t)+cgarMm,d,gar(t)+cfuelVm,d,fuel(t)+cbgVm,d,bg(t)+cstVm,d,st(t)+cngVm,d,ng(t))fbws=∑m∈{tr,s,w}Tm24∑d=15Gm(d)∑t=124(cstrawMm,d,straw(t)+cgarMm,d,gar(t)+cfuelVm,d,fuel(t)+cbgVm,d,bg(t)+cstVm,d,st(t)+cngVm,d,ng(t))

(26)

fsub=∑m∈{tr,s,w}Tm24∑d=15Gm(d)∑t=124(φstrawMm,d,straw(t)+φgarMm,d,gar(t))fsub=∑m∈{tr,s,w}Tm24∑d=15Gm(d)∑t=124(φstrawMm,d,straw(t)+φgarMm,d,gar(t))

(27)

fe=∑m∈{ur,s,w}Tm24∑d=15Gm(d)∑t=124(γe(t)Pm,d,grid(t)+γh(t)Hm,d,grid(t)+γg(t)Vm,d,grid(t))fe=∑m∈{ur,s,w}Tm24∑d=15Gm(d)∑t=124(γe(t)Pm,d,grid(t)+γh(t)Hm,d,grid(t)+γg(t)Vm,d,grid(t))

(28)

fem=∑m∈{tr,s,w}Tm24∑d=15Gm(d)∑t=124βc(αePm,d,grid(t)+αgPm,d,gt(t))fem=∑m∈{tr,s,w}Tm24∑d=15Gm(d)∑t=124βc(αePm,d,grid(t)+αgPm,d,gt(t))

(29)

fpv=∑m∈{tr,s,w}Tm24∑d=15Gm(d)∑t=124cpvPm,d,pv(t)fpv=∑m∈{tr,s,w}Tm24∑d=15Gm(d)∑t=124cpvPm,d,pv(t)

(30)

式中：F为总成本；finv为储能初始投资成本；Ωess为储能类型集合；cie、cip分别为储能i的单位容量成本和单位功率成本；Eien为储能i配置的额定容量；Pien为储能i配置的额定功率；r为基准折现率；yi为储能i的使用年限；frc为储能设备更换成本；α为储能设备投资成本年均递减率；l为更换次数；Li为系统运行周期内储能i的总更换次数，Li=n/yi-1，n为系统运行总年限；fdc为储能设备报废回收成本；cidc为储能i的单位容量报废处理成本；γres为储能设备回收残值率；fecs为ECS运维成本；m为季节集合，tr表示过渡季，s表示夏季，w表示冬季；Tm为季节m的小时数；Gm(d)为季节m中场景d的概率；cxoc为设备x的单位功率运维成本；Pm,d,x(t)、Hm,d,x(t)、Cm,d,x(t)分别为设备x在季节m的场景d下t时刻输出的电功率、热功率、冷功率；fbws为BWS运维成本；cstraw、cgar分别为处理单位秸秆和垃圾的成本；cfuel、cbg、cst、cng分别为PG、AB、ST和B2G的单位输出运维成本；Mm,d,straw(t)、Mm,d,gar(t)分别为PG在季节m的场景d下t时刻消耗的秸秆和垃圾质量；Vm,d,fuel(t)、Vm,d,bg(t)、Vm,d,ng(t)分别为PG、AB和B2G在季节m的场景d下t时刻产生的气体体积；Vm,d,st(t)为在季节m的场景d下t时刻处理的污水体积；fsub为生物质利用补贴成本；φstraw、φgar分别为利用单位秸秆和垃圾的补贴系数；fe为RMES的购能成本；γe(t)为t时刻购电电价；γh(t)为t时刻购热热价；γg(t)为t时刻购气气价；Vm,d,grid(t)为系统在季节m的场景d下t时刻的购气功率；fem为RMES的环境惩罚成本；βc为碳排放价格；αe、αg分别为购电和GT的碳排放强度；fpv为PV补贴收益；cpv为PV补贴电价。

3.3约束条件3.3.1规划型约束

储能安装容量与功率约束。

{Emini⩽Eeni⩽Emaxi0⩽Peni⩽ωiEmaxi{Eimin⩽Eien⩽Eimax0⩽Pien⩽ωiEimax

(31)

式中：Eimax、Eimin分别为储能i的安装容量上、下限；ωi为储能i的最大充放能速率。

3.3.2运行型约束

(1)功率平衡约束。

Pm,d,grid(t)Pm,d,es(t)+Pm,d,pg(t)+Pm,d,pv(t)+Pm,d,gt(t)+=Pm,d,load(t)+Pm,d,st(t)+Pm,d,eff(t)Pm,d,grid(t)+Pm,d,pg(t)+Pm,d,pv(t)+Pm,d,gt(t)+Pm,d,es(t)=Pm,d,load(t)+Pm,d,st(t)+Pm,d,eff(t)

(32)

Hm,d,grid(t)+Hm,d,pg(t)+Hm,d,gt(t)+Hm,d,hs(t)=Hm,d,load(t)+Hm,d,ac(t)Hm,d,grid(t)+Hm,d,pg(t)+Hm,d,gt(t)+Hm,d,hs(t)=Hm,d,load(t)+Hm,d,ac(t)

(33)

Cm,d,ac(t)+Cm,d,ef(t)+Cm,d,cs(t)=Cm,d,load(t)Cm,d,ac(t)+Cm,d,ef(t)+Cm,d,cs(t)=Cm,d,load(t)

(34)

Vm,d,grid(t)+Vm,d,ng(t)=Vm,d,gtt(t)Vm,d,grid(t)+Vm,d,ng(t)=Vm,d,gtt(t)

(35)

(2)设备出力和爬坡约束。

⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪Pminx⩽Pm,d,x(t)⩽PmaxxHminx⩽Hm,d,x(t)⩽HmaxxCminx⩽Cm,d,x(t)⩽CmaxxVminng⩽Vm,d,ng(t)⩽Vmaxng{Pxmin⩽Pm,d,x(t)⩽PxmaxHxmin⩽Hm,d,x(t)⩽HxmaxCxmin⩽Cm,d,x(t)⩽CxmaxVngmin⩽Vm,d,ng(t)⩽Vngmax

(36)

⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪|Pm,d,x(t+1)−Pm,d,x(t)|⩽RxΔt|Hm,d,x(t+1)−Hm,d,x(t)|⩽RxΔt|Cm,d,x(t+1)−Cm,d,x(t)|⩽RxΔt|Vm,d,ng(t+1)−Vm,d,ng(t)|⩽RngΔt{|Pm,d,x(t+1)−Pm,d,x(t)|⩽RxΔt|Hm,d,x(t+1)−Hm,d,x(t)|⩽RxΔt|Cm,d,x(t+1)−Cm,d,x(t)|⩽RxΔt|Vm,d,ng(t+1)−Vm,d,ng(t)|⩽RngΔt

(37)

式中：Pxmin、Hxmin、Cxmin和Pxmax、Hxmax、Cxmax分别为设备x的最小和最大输出电、热、冷功率；Vngmin、Vngmax分别为B2G的最小和最大产气体积；Rx为设备x的爬坡功率；Rng为B2G单位时刻产气体积的最大值。

(3)联络线功率约束。

⎧⎩⎨⎪⎪⎪⎪Pmingrid⩽Pm,d,grid(t)⩽PmaxgridHmingrid⩽Hm,d,grid(t)⩽HmaxgridVmingrid⩽Vm,d,grid(t)⩽Vmaxgrid{Pgridmin⩽Pm,d,grid(t)⩽PgridmaxHgridmin⩽Hm,d,grid(t)⩽HgridmaxVgridmin⩽Vm,d,grid(t)⩽Vgridmax

(38)

式中：Pgridmax、Pgridmin分别为RMES与上级电网交互有功上、下限；Hgridmax、Hgridmin分别为RMES与上级热网交互功率上、下限；Vgridmax、Vgridmin分别为RMES与上级气网交互功率上、下限。

(4)储能运行约束。

考虑到储能运行差异性并非文中讨论的重点，且在以年为规划周期的储能配置问题中，不同储能的运行差异性并不会显著影响配置结果。因此，文中选择使用统一模型描述ES、HS和CS的运行状态，具体模型如下：

Esoci(t+1)=(1−εi)Esoci(t)+(Pchi(t)ηchiEeni−Pdisi(t)Eeniηdisi)ΔtEisoc(t+1)=(1−εi)Eisoc(t)+(Pich(t)ηichEien−Pidis(t)Eienηidis)Δt

(39)

Esoci,min⩽Esoci(t)⩽Esoci,maxEi,minsoc⩽Eisoc(t)⩽Ei,maxsoc

(40)

Esoci(1)=Esoci(24)Eisoc(1)=Eisoc(24)

(41)

0⩽Pchi(t)⩽Peniλchi(t)0⩽Pich(t)⩽Pienλich(t)

(42)

0⩽Pdisi(t)⩽Peniλdisi(t)0⩽Pidis(t)⩽Pienλidis(t)

(43)

λchi(t)+λdisi(t)⩽1λich(t)+λidis(t)⩽1

(44)

式中：Eisoc(t+1)、Eisoc(t)分别为t+1和t时刻储能i的荷能状态；εi为储能i的自损率；Pich(t)、Pidis(t)分别为t时刻储能i的充、放能功率；ηich、ηidis分别为储能i的充、放能效率；Ei,minsoc、Ei,maxsoc分别为储能i的最小、最大荷能状态；λich(t)、λidis(t)分别为t时刻储能i的充、放能状态变量。

3.4模型求解

由于式(39)、式(42)、式(43)中存在变量乘积的情况，所提多元储能协同优化配置模型属于混合整数非线性规划模型，不利于快速求解。针对上述问题，将模型分解为双层优化模型，将储能运行约束中的非线性项解耦，从而提升模型求解速度。分解得到的优化模型具体如下：

{式(31){式(31)

(45)

{minf=fecs+fbws−fsub+fe+fem+fpc−式(12)-式(18),式(32)-式(44){minf=fecs+fbws−fsub+fe+fem+fpc−式(12)-式(18),式(32)-式(44)

(46)

式中：f为系统年运行成本。针对下层模型中的非线性分式约束式(13)、式(16)，处理如下：

⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪ye1+ye2+ye3=1te,e′z=ye2λesΔt+ye3ΔtPpv(k)+Ppg(k)+Pgt(k)−Pches(k)−Pst(k)−Pef(k)⩾Pload(k)ye1−Me2−Mye3Ppv(k)+Ppg(k)+Pgt(k)−Pches(k)−Pst(k)−Pef(k)⩽Pload(k)ye2+Mye1+Mye3Ppv(k)+Ppg(k)+Pgt(k)+Pdises(k)−Pst(k)−Pef(k)⩾Pload(k)ye2−Me1−Mye3Ppv(k)+Ppg(k)+Pgt(k)+Pdises(k)−Pst(k)−Pef(k)⩽Pload(k)ye3+Mye1+Mye2{ye1+ye2+ye3=1tze,e′=ye2λseΔt+ye3ΔtPpv(k)+Ppg(k)+Pgt(k)−Pesch(k)−Pst(k)−Pef(k)⩾Pload(k)ye1−Me2−Mye3Ppv(k)+Ppg(k)+Pgt(k)−Pesch(k)−Pst(k)−Pef(k)⩽Pload(k)ye2+Mye1+Mye3Ppv(k)+Ppg(k)+Pgt(k)+Pesdis(k)−Pst(k)−Pef(k)⩾Pload(k)ye2−Me1−Mye3Ppv(k)+Ppg(k)+Pgt(k)+Pesdis(k)−Pst(k)−Pef(k)⩽Pload(k)ye3+Mye1+Mye2

(47)

式中：ye1、ye2、ye3为0-1变量；M为一个无穷大的数；Pesch(k)、Pesdis(k)分别为第k个运行时段的充、放能功率。式(14)、式(15)、式(17)、式(18)的处理与之类似。

经上述处理后，上层模型式(45)和下层模型式(46)均转换为仅含线性不等式约束的混合整数非线性规划问题，采用改进粒子群和Gurobi求解器对上述模型进行迭代求解，具体的求解流程如图7所示。

图7模型求解流程

4算例分析4.1系统概况

为验证所提规划运行策略的可行性，以北方某大型乡村作为规划对象进行算例仿真。ECS内设备的技术和经济参数见表1。能源价格见表2。BWS内设备的转化效率及关键参数参考文献[26]。上级电网、热网的单位功率碳排放系数分别为0.78、0.38kg/(kW·h)，燃气设备的单位功率碳排放系数为0.58kg/(kW·h)，碳排放价格为18元/t，上级配电网和储能设备的故障率设置为0.003。待配置储能的成本参数参考文献[13]。规定ES全年均可运行，HS仅在冬季供暖时期运行，CS仅在夏季供冷时运行。PV补贴电价取0.05元/(kW·h)。基准折现率取0.05。

表1ECS内设备的技术和经济参数Table1TechnicalandeconomicparametersofthedeviceswithinECS

表2能源价格Table2Energyprices

基于当地冬季典型日、夏季典型日和过渡季典型日的PV/负荷数据，应用文中所提源荷不确定性处理策略，得到反映季节特性的15个典型日用于表征规划年。3个典型日的累计天数分别为125、120、120d。其中夏季典型日的PV/负荷数据如图8所示，其电负荷曲线的场景削减结果如图9所示。

图8夏季典型日的PV/负荷曲线

图9夏季典型日的电负荷曲线场景削减结果y

4.2多元储能协同配置结果对比分析

为分析所提储能协同配置策略对系统运行经济性和可靠性的影响，设置如下5种场景进行对比分析。

场景0：基准情景，不考虑储能配置，直接进行RMES运行优化；

场景1：在基准情景基础上考虑ES配置；

场景2：在基准情景基础上考虑HS配置；

场景3：在基准情景基础上考虑CS配置；

场景4：在基准情景基础上考虑ES、HS、CS协同配置。

4种场景下的储能配置结果如表3所示。

表3不同情景下的储能配置结果Table3Energystorageconfigurationresultsunderdifferentscenarios

与单独进行储能配置的场景1、2、3相比，场景4在考虑多元储能协同配置后，ES的总容量降低了17.29%，HS的总容量降低了5%，CS的总容量增加了5.45%。各场景的系统成本如表4所示。与场景0、2、3相比，场景4储能配置的全生命周期成本较高，但系统年运行成本f、系统总成本F最低，降低了7.46%的RMES年运行成本以及2.83%的总成本。其中，年运行成本降低主要是由于配置的储能系统提升了系统运行的稳定性和PV消纳水平。与场景0相比，场景4的系统缺供损失成本fpc降低了3.61%，PV补贴收益fpv增加了4.84%。此外，配置储能后能够减少RMES对上级供能网络的依赖，使得购能成本fe减少了11.18%。

表4不同情景下的成本明细Table4Detailedcostsindifferentscenarios

图10为储能配置的全生命周期成本结构对比情况。

图10储能配置的全生命周期成本构成

横向对比各场景可知，ES的配置成本远高于HS和CS。以场景4为例，储能投资成本中ES占比达83%，HS达11%，CS最小仅占6%，因此在储能配置中应优先把握ES建设的合理性。纵向对比可知，储能投资成本在储能配置的全生命周期成本中占据较大的比重，储能更换成本次之。就场景4而言，储能更换成本为3.9万元，约占储能投资成本的21.9%，报废回收成本则为－2.8%，说明在进行储能配置时仅考虑储能的投资成本是不可行的。为进一步验证考虑储能全生命周期成本的必要性，基于场景4设置如下3种案例：仅考虑储能投资成本(案例1)、考虑储能全生命周期成本(案例2)和案例1下等比例叠加储能全生命周期成本案例2和系统总成本(案例3)，结果如表5所示。

表5场景4下不同案例的系统成本Table5Systemcostofdifferentcasesunderscenario4

对比案例1和案例2可知，如果仅考虑储能投资成本，系统会大幅增加储能系统的配置容量，提升RMES自身的负荷调节能力，从而减少与上级网络的交互功率。与案例2相比，案例1的储能配置成本增加了24.74万元，但系统总成本下降了1.38%，表现出更好的经济效益。然而，依据储能更换成本和报废回收成本占储能配置成本的比例，将其等比例叠加至案例1后可以发现系统的真实效益低于案例2。与案例2相比，案例3的系统总成本增加了0.59%。由此可知，考虑储能的全生命周期成本能够更有效地评估RMES内储能接入的经济性，与单独考虑储能的投资成本相比更具现实意义。

4.3多元储能协同配置对系统可靠性提升的影响

由表4可知，在场景1和场景4中，系统缺供损失成本fpc均下降了3.61%，储能配置对系统可靠性的提升作用主要体现在ES上。这主要因为上级配电网故障时，RMES难以提供可靠的热能和冷能供应，导致接入的HS和CS对于提升系统可靠性的支撑作用不明显。

为分析ES接入对系统可靠性的提升作用。在场景4下，保持配置容量不变，不断变化ES的配置功率，得到系统成本变化情况如图11所示。随着配置功率的提高，系统缺供损失成本fpc先下降后趋于平稳，系统总成本F则呈现出先下降后上升的趋势，当ES的配置功率大于0.35MW时，系统缺供损失成本趋于平稳，同时总成本增加。文中的目标函数为兼顾储能配置全生命周期成本的RMES运行年成本，RMES总成本先呈现降低的变化趋势表明可靠性和经济性具有一定的一致性，RMES总成本随后升高体现了经济性和可靠性还具有矛盾性。因此，在配置储能时应合理优化储能配置结构，就文中而言保持其配置功率与配置容量的比值在0.3左右即可实现经济性和稳定性的双赢。

图11ES配置功率对优化结果的影响

为进一步验证所提评价准则的有效性，选取时段安全性[32-33]、系统综合安全性[34-35]、弃光率、期望缺供电量[36]等指标，并基于场景0和场景4进行对比评价，具体计算如下。

Cw(t)=12(13∑m=13∑d=15Gm(d)Clssm,d(t)+minm,dClsm,d(t))Cw(t)=12(13∑m=13∑d=15Gm(d)Cm,dlss(t)+minm,dCm,dls(t))

(49)

Cscs=12(13×24∑m=13∑d=15Gm(d)∑t=124Clssm,d(t)+minm,d,tClssm,d(t))Cscs=12(13×24∑m=13∑d=15Gm(d)∑t=124Cm,dlss(t)+minm,d,tCm,dlss(t))

(50)

Clssm,d(t)=1−∑φ∈{P,H}λφ(φm,d(t)−φRMESm,d(t))∑φ∈{P,H}λφφm,d(t)Cm,dlss(t)=1−∑φ∈{P,H}λφ(φm,d(t)−φm,dRMES(t))∑φ∈{P,H}λφφm,d(t)

(51)

CEENS=∑t=1Tλe,zFlps(t)CEENS=∑t=1Tλe,zFlps(t)

(52)

式中：Cw(t)为t时刻的时段安全性指标；Cm,dlss(t)为在季节m的场景d下t时刻的负荷安全供能率；Cscs为系统综合安全性指标；φ为负荷种类，P表示电负荷，H表示热负荷；λφ为供应φ负荷时上级网络的故障率；φm,d(t)为在季节m的场景d下负荷φ在t时段的总需求量；φm,dRMES(t)为在季节m的场景d下RMES自身可供应的负荷φ在t时段的总量；CEENS为期望缺供电量；Flps(t)为上级电网故障时RMES在t时刻的缺供电量。

场景0和场景4的时段安全性指标如图12所示。由图12可知，储能的接入增强了RMES的孤岛运行能力，系统多数时段的安全性显著提升。场景0和场景4的可靠性评价指标结果如表6所示。与场景0相比，考虑储能协同配置后场景4的系统综合安全性提高了2.97%，弃光率降低至3.11%。上述对比分析说明了对RMES进行储能协同配置能够减少故障发生后系统的缺供负荷，提高RMES能源供应的可靠性，同时增强系统的PV消纳能力，因此验证了文中所提评价准则的有效性。

图12场景0和场景4的时段安全性指标

表6场景0和场景4的可靠性评价指标计算结果Table6Calculationresultsofreliabilityevaluationindexofscenario0andscenario4

4.4BWS运行状况分析

BWS在规划年各季节的供能情况如图13所示。

图13规划年BWS运行状况

由于过渡季中不存在热负荷和冷负荷需求，因此BWS降低PG出力，减少热功率损耗；同时增加ST和AB出力，提升产气体积，进而降低系统购气成本。夏季增大PG出力，通过EF和AC转化满足所需冷负荷。冬季增大PG输出热功率直接供给用户负荷，减少热传输损失，不足的热负荷由GT和上级热网联合供应。

为进一步分析储能配置对BWS的影响，比较BWS在场景0和场景4下夏季典型日的最优调度计划，结果见图14。当不考虑储能配置(场景0)时，RMES无法有效消纳正午时段的PV，BWS需要主动承担负荷调节工作，灵活降低PG出力。考虑储能配置(场景4)后，ES能够有效减少弃光，促使PG保持额定功率运行，进一步提升了农村生物质利用效率。而B2G则选择在气价较高时段(05:00—21:00)进行产气，且与PV出力呈反比关系。

图14夏季典型日BWS在场景0和场景4下的最优调度计划io0andscenario4

4.5RMES优化运行结果分析

场景4下在RMES冬季典型日的优化运行结果，如图15所示。

图15场景4下RMES在冬季典型日的优化运行结果io4

ES选择在电价平谷时段(06:00—07:00、18:00)或PV出力较大时段(11:00—次日01:00)进行充电，从而减少购电成本，提升RMES的PV消纳水平；HS在温度较高的白天进行蓄热，温度较低的夜晚时段(22:00—次日09:00)进行放热以降低燃气轮机供能功率。此外，RMES选择在气价低时段(22:00—次日04:00)进行购气，其余时段利用BWS产气满足燃气轮机的天然气需求，降低系统购能成本。综上所述，通过在RMES中实施多元储能的协同配置，有效降低了RMES的运行成本，平衡了能源的供需关系，提高了PV和生物质等资源的利用效率，为农村地区提供了更可靠的能源供应体系。

5结论

文中提出一种面向薄弱配电网的多元储能协同优化配置模型，通过算例分析验证了所提模型的有效性，得到如下结论：

(1)与单一储能配置相比，所提多元储能协同优化配置方法使得RMES表现出更好的经济效益和环境效益，并且在提升系统可靠性方面显现出优越性。仿真结果显示，考虑多元储能协同优化配置后，系统缺供损失成本降低了3.61%，PV补贴收益增加了4.84%，RMES年运行成本降低了7.46%，总成本下降了2.83%，有效提高了RMES运行的稳定性和灵活性，进一步提升了系统PV消纳水平。

(2)考虑储能的全生命周期成本能够更有效地评估RMES内接入储能的经济性，进而得到更具现实意义的规划方案。仿真结果显示，与考虑储能全生命周期成本案例2相比，单独考虑储能投资成本案例1使得系统总成本下降了1.38%，但将储能更换成本和报废回收成本等比例叠加至案例1后所得的系统总成本较案例2增加了0.59%，表明案例1的真实效益低于案例2，验证了考虑储能全生命周期成本的有效性和必要性。

(3)应用所提储能配置评价准则进行储能规划方案决策后，RMES在时段安全性、系统综合安全性、弃光率和期望缺供电量等多项指标上均显现出优势，验证了其在提升系统供能可靠性方面的有效性。此外，合理优化储能配置结构有助于实现RMES运行经济性和稳定性的双赢。

很赞哦!（162）