岑有奎， 任建文*， 张豪林

(1.华北电力大学电力工程系， 保定 071003； 2.国网山东省电力有限公司烟台供电公司， 烟台 264000)

近年来，可再生能源发电并网容量不断升高，并且“十四五”期间新能源仍将继续快速发展[1]。电力系统逐步向高比例可再生能源和高比例电力电子设备的趋势发展[2-3]。“双高”背景下，风电消纳问题显著。为缓解风力发电的消纳困难局面，实现国家CO2排放力争于2030年前达到峰值、努力争取2060年前实现碳中和的目标，需要发展清洁高效的储能方式[4]。现阶段储能方式主要分为物理式储能和化学式储能两大类，其中前者的思路是以动能或势能的形式将电能进行转化储存，如飞轮储能，抽水蓄能等。而飞轮储能的容量较小，抽水蓄能等储能方式对自然环境要求比较高，通过物理方式储能受限于各种因素。相比之下化学储能应用范围更广。化学储能指将电能储存于蓄电池、超级电容等器件或者基于电化学技术将电能转化为其他形式的能量，如电解制氢，煤化工等。将风电电能转换为氢能，是一种新的风电储能思路[5-6]。氢能作为一种清洁、高效的能源形式，可以二次利用且无污染，适合大规模存储和运输[7]。各种工业制氢方法中，电解水制氢目前应用比较广泛，具有控制灵活、产氢品质较高的特点。将电解水制氢与风电耦合，结合燃料电池的使用，可提高风电的品质，促进风电消纳，增加风电综合效益。

近年来风氢耦合发电技术取得了长足发展。文献[8]在现有电转天然气技术基础上构建氢能-天然气混合储能，验证了含氢能-天然气混合储能电-气综合能源微网的经济、环保性。文献[9]提出的含电制氢装置的综合能源系统优化模型同时满足了多种形式的负荷需求。文献[10]构建的含制氢储能的电-气综合能源经济调度模型提高了系统的经济性和环保性。文献[11]考虑了氢能的交互转换，提出了相关的综合能源微网协调调度方法。文献[12]以储能经济效益最大、能量损耗最小以及储能调度参与下微网与外网间功率波动最小等为目标，提出一种电热氢多元储能优化调度模型。文献[13]提出的由虚拟电厂和虚拟制氢中心构成的虚拟弃风-制氢联合体在促进弃风消纳、降低制氢成本和碳排放等方面具有显著效果。当前，关于风电制氢储能参与电力系统优化调度的研究，更多的文献仅将制氢储能视为综合能源系统中多元储能的一部分，或仅将电转氢视为电转气过程的中间环节来分析其作用，未能充分发挥制氢储能参与消纳大规模清洁能源发电的优越性，且大部分研究未考虑清洁能源发电的不确定性。

首先考虑到风电出力的不确定性，采用考虑保守度可调的鲁棒优化盒式集合来描述风电出力。在此基础上，以降低系统成本和提高风电消纳为目标，建立了考虑风电出力不确定性的优化调度模型。以期利用氢储能来提升风电消纳、降低系统运行成本，并且向外界出售氢气，增加系统经济收益，从而提高系统的经济性。

1 基于氢储能的含大规模风电电力系统的建模

1.1 风电出力的不确定性的建模

(1)

考虑到空间集群效应和时间平滑效应，分别对每个调度时段加入对所有风电场出力预测总体偏差量的限制，以及对特定的风电场加入对所有时段出力预测总体偏差量的限制。

(2)

(3)

(4)

(5)

综上可得描述风电出力的集合PW为

(6)

由于式(6)表示的集合是多面体，若ΓS若ΓS和ΓT取整数，其所刻画的不确定性最坏的情况必定会发生在极点上，因此只需考虑多面体的极点集，可表示为

(7)

1.2 基于氢储能的含大规模风电电力系统

图1 系统结构示意图Fig.1 System structure diagram

氢储能系统主要由电解槽(electrolyzer, EL)、燃料电池(fuel cell, FC)和储氢罐(hydrogen tank, HT)组成[15]。图1为基于氢储能的含大规模风电电力系统的结构示意图。系统仍以火电为主。风电通过输电工程并入电网。富余的风电出力可用于电解水生产氢气，压缩储存在高压储氢设备中，以此来减少弃风。储存于储氢罐的氢气可运送到加氢站售出，也可以在风电出力不足时通过燃料电池再发电补充上网，以满足负荷需求。

1.3 氢储能系统的数学模型

(8)

(9)

(10)

2 基于氢储能的含大规模风电电力系统经济调度模型

2.1 目标函数

所建立的模型旨在利用氢储能来提升风电消纳、降低系统运行成本，并且向外界出售氢气，增加系统经济收益，从而提高系统的经济性。目标函数为

minF=F1-FH

(11)

F1=FG+FW+FC

(12)

式(12)中：F1为系统总运行成本；FH为系统对外售氢的收益；FG为火电机组运行成本；FW为弃风惩罚成本；FC为压缩储存氢气成本。

(13)

(14)

(15)

(16)

2.2 约束条件

(1)风电出力约束。

(17)

(2)火力发电机组约束。火力发电机组约束包括输出功率上下限约束，最小启停时间约束，上、下爬坡约束以及正、负旋转备用约束分别为

(18)

(19)

-Rd≤Pi,t-Pi,t-1≤Ru

(20)

(21)

(22)

(3)氢储能部分相关约束。燃料电池、电解槽输出功率上下限约束、氢气储存量的上下限约束、氢气存储平衡约束分别为

(23)

(24)

(25)

(26)

(27)

(4)功率平衡约束。

(28)

上述优化调度模型中，风电出力均为未考虑不确定性的预测值。为了更加贴近实际情况，需另建立考虑风电出力不确定性的弱鲁棒优化调度模型以做对比，只需将风电出力预测值置换为用弱鲁棒优化描述的实际出力值，其他部分一致，不复赘述。

3 模型求解

所建立的基于氢储能的含大规模风电电力系统经济调度模型为混合整数规划模型，可在MATLAB R2015b平台上利用GUROBI 9.0.3求解器进行求解。具体步骤如下。

步骤1输入次日电、氢负荷预测值和风电预测出力。

步骤2输入火电机组参数、氢储能设备参数。根据次日电、氢负荷预测值和风电预测出力，考虑设备的相关约束条件，以尽量降低系统成本、增加风电消纳为目标，制定火力机组、氢储能设备次日的启停计划和出力计划，设置风电的入网功率。

步骤3利用弱鲁棒优化描述风电出力的不确定性，建立考虑风电出力不确定性的弱鲁棒优化调度模型并求解，制定相应的调度计划以应对可能由风电出力不确定性带来的风险。

4 算例分析

所建立的优化调度模型包括10台常规机组，一个风电场和一个制氢储能系统。火力机组的相关数据见文献[17]，具体如表1所示。风电场以某总装机容量为400 MW的风电集群为例。氢储能系统的容量设为50 MW[18]，氢储能系统参数参考文献[16]，具体如表2所示。氢气售价设为35 元/kg。当地电负荷和氢负荷[8]相关数据如图2所示。根据天气预报，该地区风电出力相关预测数据如图3所示。设置鲁棒保守度调节因子为0.5。每1小时为1个调度时段，一共24 h。

为了更好地分析氢储能降低弃风以及系统运行成本的作用，对比是否考虑风电出力的不确定性对该系统优化调度的影响，设置了以下3个情景。

情景1不含氢储能系统，不考虑风电出力不确定性。

表1 火电机组运行参数Table 1 Parameters of thermal units

表2 氢储能系统参数Table 2 Hydrogen energy storage system parameters

图2 负荷需求Fig.2 Load demand

图3 风电场出力Fig.3 Output of the wind farm

情景2含氢储能系统，不考虑风电出力不确定性。

情景3含氢储能系统，考虑风电出力不确定性。

另外，为进一步体现氢储能的经济性，于情景3设置氢储能系统对外售氢。由于当地氢负荷需求量设为确定值，且只占系统储氢量很小一部分，是否售氢对系统运行的影响几乎可以忽略不计，因此并不影响情景2、情景3相互对照。

4.1 风电消纳量和系统各部分出力分析

图4为风电出力预测值、情景1、情景2、情景3实际电网调度风功率、情景3风电实际出力随时间变化曲线。

图4 各个情景中的风电相关出力Fig.4 Wind power related output in various scenarios

图4中，在时段0:00—6:00，该地区风力强劲但是当地负荷需求较低。对比情景1、情景2电网调度风功率曲线可看出，由于风电的反调峰特性，情景1在该时段的弃风量比较大，而情景2基本实现了风电的全额消纳。这是因为情景1中不含氢储能系统，而情景2中的氢储能设备能利用多余的风电电解水制造氢气，提高了风电的利用率。另外，由于情景3中考虑了风电出力的不确定性，情景3风电实际出力曲线与风电预测值曲线并不完全重合，这是因为决策者以更加谨慎保守的态度应对风电出力不确定性的变化，风电的实际出力与其预测值存在着一定的偏差。

图5描述了情景2中系统各部分设备的出力及负荷需求随时间的变化。

图5 情景2中系统各部分出力及负荷需求Fig.5 Output of each part of the system and the load demand in scenario 2

时段0:00—5:00中，风力强劲但负荷需求不高，情景2中的风电制氢装置利用富余的风电通过电解槽电解水生产氢气，经压缩存储到储氢设备，实现了能量的转换与存储，减少了风电的浪费。而在当天的其他时段，该地区的负荷需求增加，燃料电池利用储存的氢气发电满足电力负荷需求。

4.2 风电出力的表示形式对系统的影响

表3为情景3中不同的风电表示形式对系统的影响。与不考虑风电出力不确定性的情况相比，以弱鲁棒优化方法来描述风电出力使得弃风量增大、系统成本升高，这是因为这种情况下风电出力更加贴合实际情况，系统需另外付出成本来应对可能由风电波动带来的风险。而以传统鲁棒优化方法来描述风电出力时系统的弃风量和成本最高，这是因为传统鲁棒优化设定风电运行在条件最恶劣的情况下，风电出力波动最大，系统为增强应对风险能力所付出的成本也最高。相较于传统鲁棒优化，弱鲁棒优化方法同时考虑了解的鲁棒性和经济性，降低了问题求解的保守度。

图6为情景3中鲁棒保守度调节因子的变化对系统成本的影响。可见鲁棒保守度调节因子越大，系统总成本越高，这是因为调度员对风电出力持更保守的态度来应对可能出现的风险。当鲁棒保守度调节因子取0则相当于忽略了风电出力的不确定性，视风电实际出力等于预测值；当取1时，风电出力变化范围最大，调度决策最为保守，一定程度上牺牲了系统的经济性来加强鲁棒性，系统有更强的能力来应对未知风险。

表3 不同风电表示形式对系统的影响Table 3 Impact of different forms of wind power on the system

图6 鲁棒保守度调节因子对系统的影响Fig.6 Impact of the robust conservation adjustment factor on the system

4.3 不同情景中系统的经济性分析

由情景1与情景2对比(表4)可知，系统中引入制氢储能设备参与调度降低了火电成本，减轻了火力机组的调峰压力，从而减少温室气体排放量，有助于中国“双碳”目标的实现。制氢储能显著地提高了风电消纳水平，从而提高了系统的经济性。由情景2与情景3对比可知，当考虑风电出力的不确定性时，系统的总运行成本略微升高，这是因为系统需付出更大的成本以应对可能出现的风险。由情景3可知，系统对外出售氢气带来的收益降低了系统的总成本。除此之外，从长远角度看，制氢储能为当地化工企业或公共交通系统等终端产业提供氢气，可带动当地其他相关产业发展，体现了氢储能相较于其他形式储能的又一优点。

表4 不同情景中系统的成本和收益Table 4 System costs and benefits in different scenarios

5 结论

为应对“双高”背景下风电消纳困难问题以及实现“双碳”目标，结合风电制氢这种新兴的储能方式，提出了基于风电制氢的风储联合系统优化调度模型。得出如下结论。

(1)相比于风电场独自发电上网，引入制氢储能设备后系统充分利用弃风，有效消纳风电，实现能量的转换与储存，降低了火力机组的发电成本，减轻了火力机组的调峰压力。同时相较于其他储能方式，氢储能改善当地风电消纳情况之余，还可对外售氢，增加额外的经济收益，从而进一步降低系统总体的运行成本。另外，氢储能为当地用氢终端产业提供原料，带动当地经济发展。

(2)利用考虑保守度可调的鲁棒优化描述风电出力，能有效应对风电出力的不确定性，兼顾了求解的鲁棒性和经济性，降低了鲁棒优化的保守度。