一种储能单元在高风力渗透电力系统中的布置方法与流程

本发明涉及电力储能技术领域，特别是涉及储能单元在高风力渗透电力系统中的布置方法。

背景技术：

随着电力系统向不受管制的结构过渡，系统运营商必须有效地提供新服务以实现电力市场目标。储能可以提高社会福利，同时提高电网性能和可靠性。这些服务可以管理高峰需求，集成间歇性可再生能源技术，提供负荷跟踪和监管等辅助服务，解决输电线路拥堵，推迟输电和配电(t&d)升级以及支持需求响应资源，参考文献[1]：s.eckroad,epridoehandbookforenergystoragefortransmissionordistributionapplications,paloalto,ca,dec.2003。根据桑迪亚国家实验室的报告，这些可以通过减少因停电导致的最终用户财务损失来避免传输接入费用和14.3亿美元的利润，从而节省2.3亿美元的资金，参考文献[2]：j.eyerandg.corey,energystoragefortheelectricitygrid:benefitsandmarketpotentialassessmentguide,sandianationallaboratories,albuquerque,nm,sand2010-0815,feb.2010。

可再生能源投资标准(rps)将通过间歇性输出增加可再生能源发电，需要采取适当的策略来最大化储能单元的效用，参考文献[3]：i.p.gyukands.eckroad,energystorageforgridconnectedwindgenerationapplications,u.s.departmentofenergy,washington,dc,epri-doehandbooksupplement,1008703,dec.2004。为此，必须有效解决最优储能单元大小和放置问题，参考文献[4]：g.celli,s.mocci,f.pilo,andm.loddo,“optimalintegrationofenergystorageindistributionnetworks,”inproc.ieeepowertechconf.,bucharest,oct.2009。在具有高风力穿透的不受管制的电力系统中，储能单元的最优配给提供了若干益处，包括基于市场的机会，例如可再生能源时移，可再生能源产能确认，通过收入或降低成本和与储能相关的社会效益，参考文献[2]整合更多可再生能源，减少排放和提高电网资产利用率的形式推迟的输配电升级。储能系统的经济评估也需要进行成本效益分析。在大风期间有限的输电能力可能需要减缩风力，这取决于合同协议，可能导致风力发电机的收入损失或电网运营商的额外成本。存储超过传输容量的风能使其可在之后传输容量可用时调度。因此，储能单元的最优分配导致传输容量的高效利用。风资源本身所具有的间歇性对最终输出功率造成了很大的不确定性，典型误差在30％-50％范围内，参考文献[5]：j.garcia-gonzalez,r.m.r.delamuela,l.m.santos,anda.m.gon-zalez,“stochasticjointoptimizationofwindgenerationandpumped-storageunitsinanelectricitymarket,”ieeetrans.powersyst.,vol.23,no.2,pp.460–468,may2008。充足的储能容量的最优布置提供了遵守市场中清除风电计划和对冲预测不确定性所需的灵活性，参考文献[6]：h.bludszuweitandj.a.dominguez-navarro,“aprobabilisticmethodforenergystoragesizingbasedonwindpowerforecastuncertainty,”ieeetrans.powersyst.,vol.26,no.3,pp.1651–1658,aug.2011，参考文献[7]：t.k.a.brekken,a.yokochi,a.v.jouanne,z.z.yen,h.m.hapke,andd.a.halamay,“optimalenergystoragesizingandcontrolforwindpowerapplications,”ieeetrans.sustain.energy,vol.2,no.1,pp.69–77,jan.2011。当风力产生高于清除计划时，通过存储多余的能量来实现这种灵活性。所存储的能量被用来避免与生成比清除计划更少的能量相关的惩罚。此外，为了更有效地利用储能容量同时保持传输热约束，还需要储能系统的最优布置。随后，净功率输送更准确地遵循市场上的清除计划。

目前，很少有出版物讨论在具有可再生能源发电的电力系统中储能的最优布置参考文献[4]，参考文献[8]-[10]，

参考文献[8]：k.dvijotham,s.backhaus,andm.chertkov,operation-basedplan-ningforplacementandsizingofenergystorageinagridwithahighpenetrationofrenewables,arxiv:1107.1382v2，

参考文献[9]：g.carpinelli,f.mottola,d.porto,anda.russo,“optimalallocationofdispersedgenerators,capacitorsanddistributedenergystoragesys-temsindistributionnetworks,”inproc.int.symp.ofmodernelectricpowersyst.(meps),sep.2010,pp.1–6，

参考文献[10]：h.kihara,a.yokoyama,k.m.liyanage,andh.sakuma,“optimalplacementandcontrolofbessforadistributionsystemintegratedwithpvsystems,”j.int.councilelect.eng.,vol.1,no.3,pp.298–303,2011。

除了参考文献[4]，这些研究是基于不代表可再生能源的随机性的确定性模型。除此之外，参考文献[4]中的模型没有适当的表现可再生能源的不确定性。此外，这些出版物都没有考虑到电力系统的不受管制结构。储能单元及其在不受管制市场环境中的应用在参考文献[11]-[17]中进行了调查。

参考文献[11]：m.g.hoffman,a.sadovsky,m.c.kintner-meyer,andj.g.desteese,analysistoolsforsizingandplacementofenergystorageingridapplications,u.s.departmentofenergy,sep.2010

参考文献[12]：r.sioshansi,p.denholm,t.jenkin,andj.weiss,“estimatingthevalueofelectricitystorageinpjm:arbitrageandsomewelfareef-fects,”energyecon.,vol.31,pp.269–277,2009

参考文献[13]：r.walawalkar,j.apt,andr.mancini,“economicsofelectricen-ergystorageforenergyarbitrageandregulationinnewyork,”energypolicy,vol.35,pp.2558–2568,apr.2007

参考文献[14]：f.c.figueiredo,p.c.flynn,ande.a.cabral,“theeconomicsofenergystoragein14deregulatedpowermarkets,”energystudiesrev.,vol.14,pp.131–152,oct.2006

参考文献[15]：e.drury,p.delholm,andr.sioshansi,“thevalueofcompressedairenergystorageinenergyandreservemarkets,”energy,vol.36,pp.4959–4973,aug.2011

参考文献[16]：epri-doehandbookofenergystoragefortransmission&distribu-tionapplications,epri,paloalto,ca,andu.s.departmentofen-ergy,washington,dc,1001834

参考文献[17]：j.m.eyer,j.j.iannucci,andg.p.corey,energystoragebenefitsandmarketanalysishandbook,astudyforthedoeenergystoragesyst.program2004

这些研究都假设调度储能设备不会影响市场价格。这种“价格接受者”分析不适用于批发电力市场中储能单元对市场清算价格有显著影响的大规模储能应用。此外，这些研究都没有探讨最优的储能位置和储能分配，由于会增加社会福利，需要综合随机优化框架来优化地将储能单元放置和调度在具有高风穿透的不受管制的电力系统内。

因此希望有一种储能单元在高风力渗透电力系统中的布置方法能够解决现有技术中存在的问题。

技术实现要素：

本发明公开了储能单元在高风力渗透电力系统中的布置方法，所述布置方法建立基于市场的概率最优潮流，所述潮流具有储能集成和风力发电，包括以下步骤：

步骤1：根据风力发电和负荷概率建模；

步骤2：利用储能系统对可再生能源的电能进行时移；

步骤3：压缩空气蓄能的经济特性；

步骤4：建立功率池模型，将单边拍卖市场纳入最优潮流；

步骤5：使用概率最优潮流，在潮流计算中考虑风电输出和可变负荷等不确定因素；

步骤6：利用遗传算法进行优化，基于电力市场的概率最优潮流来确定不受管制的风力发电系统中储能单元的最优位置。

优选地,所述步骤1具体包括：根据风速和负荷的历史数据，使用概率密度函数表征所述风力发电和负荷的不确定性，使用韦伯分布对风速进行统计建模，其概率密度函数为公式(1)：

λ为韦伯分布的比例因子，k为韦伯分布的形状因子，v为风速；

使用曲线拟合的方法，对历史每小时风速数据计算韦伯分布参数的最大似然估计，风力发电机的输出功率为公式(2)的风速函数：

gw为风力输出功率，为风力额定功率，vi为切入风速，vo为切断风速，vr为额定风速；

使用高斯分布对荷载变化进行静态建模，高斯分布的概率密度函数为公式(3)：

μl,σl为高斯分布的期望值和标准差负荷；

采用曲线拟合的方法，对历史小时负荷数据计算高斯分布参数的最大似然估计。

优选地，所述步骤2利用储能系统对可再生能源的电能进行时移具体包括：当的非高峰时段，储能单元使用超过负荷或传输容量的风电充电，或传输容量限制风电的传输；当时，储存的能量在高峰负荷时段被释放；其中，为风力在t时刻的输出功率，lt为t时刻的负荷需求。

优选地，所述步骤3的压缩空气蓄能总成本为公式(10)中涡轮机、蓄水池和压缩机的总和，涡轮机即压缩空气蓄能的额定功率，蓄水池即压缩空气蓄能的额定能量，

cinv为压缩空气蓄能总的投资成本，cc，cp，cs为压缩空气蓄能的压缩机，动力，能源成本,pmax为储能系统额定功率，为压缩机额定功率；

压缩空气蓄能的运行成本为公式(11)，包括燃料成本、固定运行成本和维护成本：

hr为压缩空气蓄能的涡轮机热耗率，为储能系统在t时刻的发电能力，cng为压缩空气蓄能的天然气成本，com为压缩空气蓄能的固定运行和维护成本；

每年等价成本是公式(12)：

优选地,所述步骤4的建立功率池模型中，每个市场参与者以边际成本的形式提交每小时的价格出价，出价被作为最优潮流的输入，确定供应和节点边际电价以最小化每小时社会成本，风电供应商和储能所有者之间的双边合同用于购买被削减的风电，每小时社会成本表示为发电出价的函数。采用增量成本法进行投标，基于电力市场最优潮流的目标函数为：

为t时刻第i个发电机组的发电量，ai，bi为投标函数第i个发电机组的系数；

利用电力系统的直流模型，功率平衡方程式为公式(14)：

为t时刻母线i的需要；

功率损失被忽略了，电力生产的界限给出了不等式(15)

发电机的斜坡上升和斜坡下降为公式(16)和(17)：

线路流量限制为公式(18)

hl-i为有功功率流对母线i功率注入变化的灵敏度；

基于市场的最优潮流的拉格朗日函数为公式(19)

在一个基于节点边际电价的电力市场中，在时刻t的母线节点边际电价为母线λi,t提供下一个需求增量的边际成本；

基于karush–kuhn–tucker最优条件，拉格朗日函数的一阶导数在每条母线产生节点边际电价为公式(20)和(21)：

在节点边际电价市场，负荷支付和发电机支付基于节点边际电价，在时刻t母线i的发电机收入为公式(22)：

优选地，所述步骤5通过点估计近似方法执行概率最优潮流。

本发明提出了一种储能单元在高风力渗透电力系统中的布置方法，该方法基于市场的概率最优潮流(popf)，该潮流具有储能集成和风力发电。提出的方法将储能单元视为市场清算过程中的市场参与者，最优地放置和安排它们来最小化社会成本。

附图说明

图1是增强的遗传算法基于电力市场的概率最优潮流流程图。

图2是有两个分布式储能系统的45％的风电渗透结果线型图。

图3是没有储能的母线14的每小时节点边际电价线型图。

图4是两单元和45％风电渗透仿真结果线型图；

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明储能单元在高风力渗透电力系统中的布置方法，所述布置方法建立基于市场的概率最优潮流，所述潮流具有储能集成和风力发电，包括以下步骤：

步骤1：根据风力发电和负荷概率建模；

使用概率密度函数(pdfs)表征风力发电和负荷的不确定性，其数据来自风速和负荷的历史数据。使用韦伯分布对风速进行统计建模，其概率密度函数为公式(1)：

使用曲线拟合的方法，对历史每小时风速数据计算韦伯分布参数的最大似然估计。风力发电机的输出功率是风速的函数为公式(2)：

本文使用高斯分布对荷载变化进行静态建模，高斯分布的概率密度函数为公式(3)：

采用曲线拟合的方法，对历史小时负荷数据计算高斯分布参数的最大似然估计。

步骤2：利用储能系统对可再生能源的电能进行时移；

储能单元使用超过负荷或传输容量的风电来充电，否则将被削减。这发生在(非高峰时段)或传输容量限制决定了风电的传输。储存的能量在一天中最有价值的高峰负荷时段被释放并且在输电网络中，对风力发电的能量时移转换的大规模和经济性储能要求使得压缩空气蓄能(caes)和抽水蓄能(phes)成为一种有前景的能源套利服务技术。然而，后者的地理限制使得压缩空气蓄能成为本文所使用的可行技术。储能系统中的瞬时能量平衡是：

a)对于充电公式(4)：

b)对于放电公式(5)：

对于最小储能容量smin和最大储能容量smax在时刻t的储能满足公式(6)：

假设最大充放电率相同(pmax)，储能系统每小时的功率必须满足以下不等式公式(7)：

与所有发电机类似，涡轮机的自己的斜坡上升和斜坡下降约束条件由下式给出公式(8)和(9)：

循环生命周期和这种储能技术的日历生命周期相同都是等于30年。

步骤3：压缩空气蓄能的经济特性；

压缩空气蓄能的总成本是涡轮机(压缩空气蓄能的额定功率)，蓄水池(压缩空气蓄能的额定能量)和压缩机的总和为公式(10)：

cs为53$/kwh。假设压缩空气蓄能和压缩机具有相同的额定功率，功率和压缩机的成本为425$/kw。压缩空气蓄能的运行成本包括燃料(天然气)成本，固定运行成本和维护(o&m)成本为公式(11)：

hr，cng和com分别是4300btu/kwh,5$/mbtu和2.5$/kw-年。所有初始投资支出必须转换为一系列统一的年度成本。

每年等价成本为公式(12)：

d和n分别是10％和30年。

步骤4：建立功率池模型，将单边拍卖市场纳入最优潮流；

在功率池模型中，每个市场参与者以边际成本的形式提交每小时的价格出价。出价被作为最优潮流的输入，最佳地确定供应和节点边际电价(lmp)以最小化每小时社会成本(hsc)。风电供应商和储能所有者之间的双边合同用于购买被削减的风电。每小时社会成本可以表示为发电出价的函数。采用增量成本法进行投标，基于电力市场最优潮流的目标函数为公式(13)：

在单边市场中，每小时社会成本以发电成本的形式存在。独立系统运营商(iso)在满足以下等式和不等式约束的同时，执行这一市场清算过程。利用电力系统的直流模型，功率平衡方程式为公式(14)：

功率损失被忽略了，电力生产的界限给出了不等式公式(15)：

经济方面的考虑因素决定了下限发电量，而发电机的物理约束则限制上限发电量。发电机的斜坡上升和斜坡下降为公式(16)和(17)：

线路流量限制为公式(18)：

这个极限由传输线的热容量决定的。方程的左边表示通过传输线l的有功功率。hl-i是有功功率流对母线i功率注入变化的灵敏度。基于市场的最优潮流的拉格朗日函数为公式(19)：

在一个基于节点边际电价的电力市场中，在时刻t的母线节点边际电价为母线λi,t提供下一个需求增量的边际成本。基于karush–kuhn–tucker(kkt)最优条件，拉格朗日函数的一阶导数将在每条母线产生节点边际电价为公式(20)和(21)：

在节点边际电价市场，负荷支付和发电机支付基于节点边际电价。在时刻t母线i的发电机收入为公式(22)：

在发电模式运行期间，储能系统销售能源所获得的收入使用公式(22)计算；

步骤5：使用概率最优潮流，在潮流计算中考虑风电输出和可变负荷等不确定因素；

通过使用概率最优潮流，可以在潮流计算中考虑风电输出和可变负荷等不确定因素。提出的几种方法来执行概率最优潮流问题中的概率分析。这些方法被分类为仿真，分析和近似方法，蒙特.卡罗仿真(mcs)是一种简单而准确的方法，它使用概率量的历史数据来找到它们的概率密度函数.选择这些概率密度函数中的随机值并用于量化不确定性。大量的计算工作是有效使用这种方法的主要障碍。概率最优潮流分析方法的主要缺点是其复杂的数学计算。已经提出几种近似的方法来分别减少与蒙特.卡罗仿真和分析方法相关的计算负担和数学计算。点估计(pe)是一种常用的近似方法，具有精度高、计算简单、速度快等优点。两点估计(2pe)是点估计的一种变形，用来对不确定性进行建模。与蒙特.卡罗仿真相比，该方法在概率最优潮流问题的应用中表现出高精度水平，同时显着降低了计算负担。输入随机变量和输出随机变量的矢量和相应的非线性函数分别为公式(23)、(24)和(25)：

x＝[windspeed,loads](23)

y＝[hsc](24)

y＝h(x)(25)

h是一个函数用于控制以市场为基础的概率最优潮流，其中包括整合和风力发电中的储能。通过匹配其前三个时刻两个浓度被用来代替xk和h(xk)的函数关系被用于生成y的两个变量估计值(yk,i＝pk,1和pk,2缩放估算值以计算输出的期望值和标准差。

该方法采用基于单元分解的直流最优潮流对每小时发电进行调度。单元分解程序提供了一种机制，可以关闭运行成本高的发电机，并找到成本最低的承诺和调度。这导致系统在调度周期内的经济运行。所提出的方法将能量存储结合到基于市场的opf模型中，以使来自风力的电能时移。所提出的方法将能量存储纳入到基于市场的最优潮流模型中，以使来自风力的电能时移。为此，储能被视为可变负荷或可变发电机。当风电比负荷高(非高峰时期)或超过传输容量限制时，储能作为一种可变负荷储存多余的风能，否则将被削减。这种交易是通过风电供应商和存储所有者之间的双边合同来完成的。然后，在一天的高峰时段，这种储能作为一个可变的发电机，在储存的能量最有价值的时候出售。针对调度周期提出的概率最优潮流算法概述如以下步骤：

1.加载输入数据(风速和负荷)。

2.令t＝1。

3.为每个概率变量分配适当的概率密度函数。

4.令e(y)＝e(y²)＝0。

5.令k＝1。

6.确定2pem的必要参数为公式(26a)、(26b)和(26c)：

n表示概率变量的数量。

7.使用输入向量x设置浓度为公式(27)：

注意，由步骤2给出的变换用于从风速中获得风力。

8.计算注意在每次迭代中被xk,i(i＝1,2)代替。

9.如果gw-l>0或风电超过传输容量，储能装置通过双边合同购买多余的风能，并在以下约束条件下作为可变负荷:

否则，储能单元作为发电机有以下约束：

10.运行基于确定性市场的最优潮流，将储能系统作为可变负荷或发电机使用z

用步骤4-5计算充电状态

12.计算每小时社会成本

13.更新均值e(y)和均方e(y)²为公式(28a)和(28b)

14.令k＝k+1，并对所有输入变量重复步骤6-13

15.计算期望值和标准差为公式(29a)和(29b)：

μy＝e(y)(29a)

16.令t＝t+1，并重复步骤3-15直至t>t。

上述概率最优潮流算法在满足调度周期内每小时约束的情况下，使系统社会成本最小化。

步骤6：利用遗传算法进行优化，基于电力市场的概率最优潮流来确定不受管制的风力发电系统中储能单元的最优位置；

利用遗传算法(gas)进行优化是一个强有力的工具，它可以在一个不受管制的高风渗透电力系统中获得最佳的储能位置。通常，从可行解空间中随机选择一组初始解(初始总体)，用于启动遗传算法。对每个解决方案评估适应度函数，然后对解决方案进行排序。种群通过繁殖、交叉、变异等多种操作进行进化，优化适应度函数，得到最终的最优解。重复此过程，直到满足终止标准。这种进化算法优于经典优化方法，因为它可以处理储能放置的非线性，非凸和混合整数优化问题。该问题的非凸性使得经典优化方法难以获得全局最优解。遗传算法，在另一方面，全局搜索可能解的域以获得最优解。与传统的优化方法相比，遗传算法需要更少的变量。然而，如果不仔细执行，遗传算法可能收敛到局部最小值。

一些实施策略避免收敛到局部最小值。较大的总体规模会增加收敛到全局最小值的概率，但这将显著增加计算负担。每代保留两个优质个体来确保保留理想的解决方案。杂交后代和突变后代之间的良好平衡是通过将杂交分数保持在78％左右来实现的。为了满足约束条件，对违反约束条件的解分配了较大的惩罚因子。遗传算法的参量在附录的表4中给出：

表4：遗传算法参量

本发明采用一种增强的遗传算法基于电力市场的概率最优潮流来确定不受管制的风力发电系统中储能单元的最优位置。该方案最小化了系统的每小时社会成本，并在调度期间最大化了电力池市场中的风电利用率。压缩空气蓄能必须具有足够的储能容量来存储超过负荷的风能，同时满足传输约束。然后基于优化结果计算存储容量。所提出的优化方法的适应度函数为：

如图1所示为该方法的流程图，初始化决策变量的第一个种群，以优化储能系统的位置，并使调度期间的风能利用率最大化。利用基于市场的概率最优潮流，基于储能系统的最优位置计算系统每小时的最小社会成本。对所有个体进行评估的适应度函数由公式(30)给出。接下来，检查约束是否违反。违反的约束被分配一个大的惩罚因子(v)，并结合适应度函数f为公式(31)：

f′(x,u)＝f(x,u)+v[h(x,u)]²(31)

这使得不可行的解决方案比具有相同目标值的可行方案的成本更高。通过对染色体进行交叉和突变操作，产生后代群体，然后通过选择和繁殖产生下一代。这个进化算法重复执行，直到满足终止准则。最终，选择最佳染色体作为优化问题的最优解决方案。在调度期间最大化风能利用率确保储能单元被最佳地放置以最大化系统的社会福利。

本发明所提出的概率最优潮流，在两种不同风渗透水平的情况下，对ieee24总线系统内的储能单元进行优化放置，并评估其仿真结果。压缩空气蓄能的经济效益也通过比较相关成本和套利收入进行评估。成本是24小时调度期间的等价投资成本和运营成本之和。套利收益是指储能系统出售能源所获得的收益与通过双边合同购买过剩风能所支付的成本之间的差额。风渗透量定义为安装的风力发电容量与系统峰值负荷的比率。对于这两种情况，主要能源是安装在母线14上的风电场。首先，所有发电机组在调度期间的每小时都被提交。如果需要，储能系统的放置应使具有最低边际成本功能的发电机在24小时内进行调度。这最小化系统的每小时社会成本，同时最大化调度期间的风能利用率。发电机组的投标函数系数在附录中给出(表5)。风速和负荷来自于bpa权威机构和mesonet的历史小时数据。

表5：发电机数据

a.方案ⅰ：无限容量的分布式储能

此方案评估了风电渗透(wp)水平及其对储能单元的最优布局的潜在影响以及ieee24总线系统中基于市场的能源套利机会。所有市场参与者都根据历史数据在日前能源市场进行竞价。寻找风力和储能的最优投标策略超出了本文的范围。假设风电业主的出价使得风力发电成为市场上的主要能源。可用的生产税抵免使这一假设合理。

针对这种情况，研究了几种风力渗透水平。首先，使用没有储能的基于市场的概率最优潮流来计算24小时调度期间的风能利用率。其次，储能单元的放置使用增强的遗传算法基于市场的概率最优潮流来最大化风电利用率。

表1：储能系统最优放置的仿真结果(方案ⅰ)

仿真结果总结在表1，图2，图3中。所有数据都提供了24小时调度期间中每个小时的期望值。结果表明，在风电渗透水平较低的情况下，24小时内风电负荷低于系统负荷时，几乎所有产生的风电都被利用，不需要存储。这是在风电渗透水平为20％的情况下，96.11％的风电被利用。在母线4上安装一个容量为100.1mwh、额定功率为99.82mw的储能系统，可以将风能利用率略微提高到97.37％。在非高峰时段，将风电渗透水平提高到25％会使风力发电量高于系统负荷。将一个容量为396.65mwh、额定功率为260.1mw的存储系统最优地放置在母线4上，会使风电利用率从90.37％(没有储能单元)增加到97.37％(有储能单元)。超过25％的风电渗透水平，产生的风电可能超过连接到风电母线(母线14)的输电容量限制。虽然一个适当大小和位置的储能系统可以储存多余的能量，但是将储能系统放置在任何总线而不是风力总线上将会违反输电线路的约束，或者需要减少风力的产生。这对于30％-45％的风电渗透来说是显而易见的，正如人们直观地预测的那样，储能单元的最优位置在母线14。比较不同风电渗透水平下的仿真结果发现，仅凭套利收益并不能证明低风电渗透水平下压缩空气蓄能的总成本是合理的(20％和25％)。然而，如果将其他与储能相关的好处或信贷包括进来，比如可再生能源产能的加强和生产税收抵免，那么成本可能是合理的。套利收入证明了更高风电渗透水平的压缩空气蓄能成本是合理的(30％–45％).然而，连接到风力总线的线路的物理限制将45％风电渗透的风力利用率期望值降低到92.61％，这比较低风电渗透水平的97.37％风力利用率效率更低。

表2：分布式储能系统的最优放置的仿真结果(方案ⅰ-45％风电渗透)

45％的风电渗透仿真结果在图2中。当风能超过系统负荷或连接到风力总线的线路的传输容量时，储能系统在一天的早些时候充电。这种能源可以通过风力发电场和储能业主之间的双边合同购买。风电是满足电力需求的主要能源，总线14上的储能可作为可变负荷。在这一时期，没有任何一家传统发电公司承诺向市场提供风力发电的补充。在中午负荷超过风力发电的高峰时段，储能单元作为发电机在市场上竞价，释放储存的能量补充风力发电，同时保持输电约束。当风力发电和储能不足以供应负荷时，常规发电被调度以满足需求。当风点大于系统负荷时，储能单元在15到17小时之间再次充电。当负荷超过风力发电时，储存的能量在一天的晚些时候被释放以补充风力发电。然而，储能不是完全释放，还需要传统的发电来满足负载。这是由于夜间风速大提高了风力发电量，使之超过了与风力总线相连的输电线的物理限制。超过这个约束时风能就被储存在母线14，在此期间没有能量释放。图3展示了没有储能的母线14的每小时节点边际电价。通过提高非高峰电价和降低峰值电价，优化风力总线的集中储能单元布局，使节点边际电价水平下降。

45％的高风电渗透水平的仿真结果表明连接到风力总线的线路传输约束如何限制风电集成。输电扩展是一种有效但昂贵的选择，可通过高效利用现有输电容量来避免。然而，由于传输的限制，集中储能不能满足许多网络的这一目标。图2展示出有两个分布式储能系统的45％的风电渗透的结果：一个两单元和一个三单元系统。对集中储能的结果进行重复比较。分布式储能可以更高效地利用传输容量，将渗透率更高的风电集成起来。将净收益定义为套利收益与成本之间的差额，集中式存储的净收益为(公式)，两单元系统第一个储能和第二个储能的净收益分别为(公式)(公式)。因此，净收入随着单元数量的增加而增加，即这种分布式存储系统增加了套利收入。

图4展示了两单元和45％风电渗透仿真结果。概率最优潮流将储能系统放置在母线14和10.在非高峰时段，当风电超过需求时，额外的能量被分配到存储系统中，以最大限度地提高存储，同时满足连接到风力总线的线路的物理约束。与集中式存储系统相比，这更有效地利用了传输线。很明显，在一天的最后几个小时，储存的能量几乎全部释放出来，以补充风力发电。在45％风电渗透情况下，在ieee24总线系统中进行分布式储能，将集中式储能的风能利用率从92.61％提高到两单元和三单元储能的97.31％。然而，没有使用三单元储能系统中的第三个单元。因此，分布式两单元储能系统为45％风电渗透的高效风电集成提供了最优解决方案。两单元系统的压缩空气蓄能总成本是由套利市场收益决定的。

表3：分布式储能系统最优放置的仿真结果(方案ⅱ-45％风电渗透)

b.方案ⅱ：有限容量的分布式储能

此场景考虑在ieee24总线系统中，受可用能源和电力容量的地理和物理限制，能量存储的最佳位置。为简单起见，母线分为两类，压缩空气蓄能容量分别为400mw(1200mwh)和300mw(1000mwh)。母线1,2,3,4,10,11,12,13,14,19,21,和23属于第一类，第二组包含剩余的总线。表3展示了这种方案的仿真结果。分布式两单元储能系统是风电与45％风电渗透高效集成的最优方案。来自风力发电的能源时间转移收入证明了这个解决方案的合理性。

本发明研究了在不受管制的电力系统中储能单元的最优位置，以最小化每小时的社会成本。利用历史数据和曲线拟合，对风和负荷进行了随机建模。一种增强的遗传算法基于市场的概率最优潮流，具有储能集成和风力发电，最大限度地提高了风电在调度期间的利用率。开发了能量套利模型来评估压缩空气蓄能的经济性。对ieee24总线系统的仿真结果表明，共混风电和储能风电的优点在于能够高效集成具有更高渗透水平的风电。最优的储能分配使得风电集成化的输电能力得到有效利用，同时满足连接到风电母线的线路的输电约束。这消除了昂贵的传输扩展的需要。针对不同的储能分布情况，计算储能单元的最优位置，选择最高效集成风电和高渗透水平的解决方案。仿真结果还表明，在低风电渗透水平下，仅凭套利收益无法证明压缩空气蓄能的总成本是合理的。然而，如果包括一些与存储相关的其他好处或信贷，比如可再生能源产能的加强和生产税收抵免，成本可能是合理的。对于较高的风电渗透水平，集中式和分布式储能系统都可以通过可再生能源时移市场的收入实现经济可行性。案例研究表明，分布式存储系统增加了净套利收入

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。