基于可逆抽水储能的新能源配电网协调优化方法

随着全球能源需求不断增长与环境问题日益突出，新能源技术得到了迅猛发展，推动了能源结构的深刻变革。传统配电网在应对化石燃料能源枯竭和减少温室气体排放方面显得力不从心，因此正逐步向高比例可再生能源集成的新能源配电网转型。然而，由于新能源具备显著的间歇性和波动性，这对配电网的稳定性和经济性提出了前所未有的挑战。

《中国电力》2025年第8期刊发了陈峰等撰写的《基于可逆抽水储能的新能源配电网协调优化方法》一文。文章提出了一种基于RPHS的新能源配电网协调优化方法。与现有的储能优化技术相比，本方法的创新点在于：1）针对可逆泵涡轮的运行特性，提出了一种新方法，提高了系统的调度精度；2）结合人工神经网络优化算法，在最小化平准化能源成本（levelized cost of energy，LCOE）的同时优化配电网规模，提高经济效益。

（来源：中国电力  作者：陈峰1，赵鹏2

1.国网新源集团有限公司

2.输配电装备及系统安全与新技术国家重点实验室

(重庆大学)）

摘要

当前，新能源在配电网中占比持续攀升，其固有的间歇性与波动性给配电网管理带来严峻挑战。为此，提出一种基于可逆抽水储能（reversible pumped hydro-storage，RPHS）的新能源配电网协调优化方法，构建基于RPHS的能源管理系统，以最小化平准化能源成本（levelized cost of energy，LCOE）为目标，实现新能源的协调优化配置，并通过仿真实验验证所提方法。结果显示，RPHS在提高能源利用效率、降低运行成本、增强系统稳定性等方面成效显著。

01

并网混合电力系统建模

分布式能源资源（distributed energy resources，DERs）不仅包含了公用电网，还考虑到了RPHS组件和BESS。光伏模块和风力涡轮机作为主要的可再生能源（renewable energy，RESs），是该系统的主要能源来源。若光伏模块的降额系数fPV为0.98，该系数考虑了光伏模块老化、接线损耗、模块污染、积雪和阴影的影响。在满足目标函数的条件下，调整光伏模块的额定功率PPV_rat达到最佳值，则t时刻光伏的输出功率Ppv(t)可参考文献[17-18]。风力涡轮机的输出功率PW受风速v的影响很大，具体模型可参考文献[19-20]。

DC/DC和DC/AC转换器对于新能源配电网而言都是必须的。提供给负载或注入主电网的最大交流预期需求必须通过这些转换器来处理。因此，逆变器的额定功率Pcon,rate(t)为

式中：ηinv为逆变器的工作效率。

本文所提出的能源管理策略的关键即选择以一定的间隔向公用电网购买或出售能源，具体可参考文献[23-24]。电池通常用作混合储能系统中的存储元件。电池的最大额定容量CBat可用预期自主天数NAD和平均负载需求来计算，具体可参考文献[25-26]。

混合抽水储能-电池储能为ESS的主要组成部分。在充电和放电阶段，通常使用两个独立的泵和涡轮机。在充电模式下，通过泵将水从下部水库移动到上部水库，将剩余RES的电能存储为重力势能。在放电模式下，涡轮机通过发电机将水库中存储的重力势能转化为电能。本文中抽水储能系统是由一个可逆泵涡轮机，以及两个水库组成的，这样可以有效降低LCOE，从而降低了总费用。计算上水库和下水库的最佳水位、容量以及可逆泵涡轮机和发电机的数量是抽水储能系统的主要优化目标。在排放模式（泵送阶段）期间，当剩余能量超过泵容量的振动极限时，可逆式机器运行。

在充电模式期间，当可再生能源不能满足需求并且涡轮机运行并开始供给负载时，t时刻从上水库排出的水流速qt(t)为

式中：η为可逆泵效率；ρ为水密度；g为势能参数；hur为上水库的高度；E(t)为t时刻输入到可逆式泵涡轮机的能量。

尽管利用一台机器会节省成本，但由于可逆泵存在严重的非线性和振动的特点，必须对其进行一定的限制约束。通过可逆泵的最大水流速Qmax计算为

式中：Prate为可逆泵的额定功率；np为平均效率，给定为50%。

如果天气的不可预测性得到了解决，则可以获取更加可靠的优化配置，从而有效地在混合ESS和主电网之间分配电力。经研究发现，过去十年的太阳辐射的变化基本是一致的，大部分数据位于中位数以上。风速和温度的异常值说明了利用混合ESS的必要性。

02

新能源电网协调优化

粒子群优化（particle swarm optimization，PSO）是一种具有高开发能力的传统生物过程优化器，该方法通过寻求捕获全局最佳（globel best，GB）和个体最佳（personal best，PB）解决方案以改进现有的整体解决方案。天鹰优化（aquila optimizer，AO）同样也是一种生物启发的优化算法。对于AOPSO方法，在t⩽2T/3时刻的探索与利用转移意味着探索特征优先于利用特征。在AO中，所有初始化的猎物位置都参与更新最佳猎物解，与PSO相反，不存在最佳个体。为了对受限的利用步骤进行更新，AO的全局最佳（Xb）被用来更新Aquila的速度。对于PSOAO方法，在本文中，AO可能会改进PSO的探索特征，这将降低总成本和二氧化碳排放的最终盈利能力。因此，PSO的设置是通过指定AO和PSO的参数来完成的。PSO触发并更新个体种群，而AO在此之后对运行中的解进行额外更新。

实现新能源配电网协调优化的关键是如何构建数学模型来确定最佳容量与配置，从而降低成本和保持足够的环境水平。因此构建一个目标函数f1来确保含有可逆抽水储能的混合储能配电网系统的经济可行性，即

式中：Xt为包含搜索空间的决策变量；C为能源成本；T为每年的总小时数。

使用成本回收系数（cost recovery coefficient，CRC）CCRC计算总净现值成本（total net present cost，TNPC）CTNPC为

式中：Cslv为残值收入；Cpfg、Cs2g分别为从公用事业电网购买、销售能源的成本；i为利率；N为项目的寿命年限；Ct为t时刻的维护成本。

为了能够正确处理混合配电网系统组件并创建可访问资源，组件的容量应该足以满足负载期望，混合配电网系统应满足功率约束。部分可再生能源被收集起来供给上部水库或电池。反之，则可以从可逆抽水储能系统的发电机或公用电网获得短缺能量。与此同时，从主电网出售或购买的能源受平均成本约束。

03

仿真验证

为了实现最小化LCOE，通过求解优化问题来确定混合微电网组件的最佳容量。选择相同的步长及容量，对本文所提出的算法进行验证。比较了4种优化方法的最优参数如表1所示。根据表1中决策变量的不同，可以发现混合优化方法在执行时间和成本方面比单独使用任一算法更快地接近最优解。

表1  混合储能系统与可逆抽水储能系统最佳参数

Table 1  Optimal parameters of hybrid energy storage system and reversible pumped storage system

输入参数包括实时风速、光照强度、负荷需求及水库水位，输出为最优储能调度指令。网络结构为3层前馈神经网络（输入层12节点，隐含层8节点，输出层4节点），采用ReLU激活函数。训练数据基于历史气象数据（2013—2023年）及实际电网运行记录，通过5折交叉验证优化权重，训练周期为100次，学习率设为0.001。优化算法的目标是确定全年可再生能源的最佳容量。此外，还满足目标函数，即在保持可接受的温室气体排放水平的同时，降低LCOE。为了达到最低的LCOE，会选择在上述超参数和执行时间方面表现优于其他优化器的优化器，因为它具有内在的探索和利用特性。同时，每次迭代中获得的最佳决策变量中，最佳解决方案是决定性的。为了防止死区并确保涡轮机模式按计划发生，涡轮机不以低于0.28 p.u.的标准化流速运行。

为验证所提RPHS协调优化方法的综合性能，本节增设两组算例对比实验，分别与传统PHS及混合储能系统（RPHS+BESS）进行多维度性能对比。实验采用相同的历史气象数据及电网负荷参数，确保结果可靠性。在固定光伏（8个）与风力涡轮机（6个）配置条件下，对比RPHS与传统PHS在相同水库容量下的性能差异。实验结果如表2所示。从表2可以看出，RPHS凭借可逆泵涡轮双向运行特性，储能效率提升11.7%，且响应时间缩短至28 s，显著优于传统PHS。此外，电压波动率降低39.5%，证明其在平抑新能源波动性方面更具优势。因此，RPHS在提升储能效率、缩短响应时间及增强系统稳定性方面具有显著优势，尤其适用于平抑新能源波动性场景。

表2  RPHS与传统PHS性能对比

Table 2  Performance comparison between RPHS and traditional PHS

为进一步探究混合储能系统的适用性，在相同负荷需求下对比单独RPHS与RPHS+BESS混合系统的性能差异。实验结果如表3所示，其中供电可靠性通过失负荷概率（loss of load probability，LOLP）来表示。从表3的实验结果可以看出，引入BESS后，混合系统LOLP降低33.3%，LCOE进一步下降9.3%，但初期投资成本增加14.6%。结果表明，在高波动性场景下，混合系统可通过电池快速响应弥补RPHS的惯性延迟，提升供电可靠性。

表3  RPHS与RPHS+BESS性能对比

Table 3  Performance comparison between RPHS and RPHS+BESS

从场景适用性来看，RPHS更适合中长期储能及高功率需求场景，而RPHS+BESS混合系统在短时高频次波动调节中表现更优，二者互补可实现全时间尺度的能源优化调度。经济性方面，混合系统虽需额外初期投资，但其LCOE降低与可靠性提升可覆盖增量成本，尤其在新能源渗透率较高的区域电网中具有推广价值。