计及深度信念网络场景生成的风_光_储协同优化规划方法_史昭娣.pdf

第 47 卷 第 4 期 电 网 技 术 Vol.47 No.4 2023 年 4 月 Power System Technology Apr.2023 文章编号：1000-3673（2023）04-1331-09 中图分类号：TM 721 文献标志码：A 学科代码：47040 计及深度信念网络场景生成的风 光 储协同优化规划方法史昭娣，黄越辉，李湃，王伟胜（新能源与储能运行控制国家重点实验室(中国电力科学研究院有限公司)，北京市 海淀区 100192）Collaborative Optimization Planning for Wind/PV/storage Based on Scenario Generated by Deep Belief Network SHI Zhaodi,HUANG Yuehui,LI Pai,WANG Weisheng(State Key Laboratory of Operation and Control of Renewable Energy&Storage Systems(China Electric Power Research Institute),Haidian District,Beijing 100192,China)1ABSTRACT:As renewable energy output has stochastic and fluctuating characteristics,it is of great significance to have the renewable energy output stochastic scenarios in solving the problems as renewable generation expansion and energy storage planning.However,the existing methods of scenario generation based on the statistical models hardly consider the stochastic and fluctuating characteristics of renewable energy output.Based on this,this paper first proposes a time sequence scenario generation based on the deep belief network to fully explore the characteristics of renewable energy output.Secondly,comprehensively considering the system economy and the environmental protection costs,a optimization planning model for wind/photovoltaic(PV)/storage based on the mid-to-long-term timing power balance simulation is established.In order to fully take into account the stochastics output,this paper adopts several annual wind/PV output sequences as the input of the planning model.Taking the expected results of all the scenarios as the final optimization result,the reliability of the planning results is checked.Finally,a provincial power grid in China is taken as an example to analyze the wind/PV/storage capacity planning schemes under different stochastic scenarios and parameter sensitivity.Therefore,a solution to the renewable generation planning problem considering the stochastic output of the wind/PV is provided.KEY WORDS:renewable energy;stochastic output;generation planning;deep belief network;scenario generation 基金项目：国家电网有限公司总部管理科技项目(1300-20 2155460A-0-0-00)：“碳达峰碳中和背景下我国能源电力低碳发展模型方法研究及关键技术评估”。Project Supported by Science and Technology Project of State Grid Corporation of China(1300-202155460A-0-0-00):Research on Chinese Power System Low-carbon Development Model Method and Key Technology Assessment Under the Target of Carbon Dioxide Peaking and Carbon Neutrality.摘要：新能源出力具有随机波动性，考虑具有随机性的新能源出力场景对新能源与储能规划具有重要意义。现有基于随机抽样的场景生成方法难以考虑新能源波动性和出力时序性。基于此，首先提出一种基于深度信念网络的新能源出力时间序列场景生成方法，以充分挖掘新能源出力特性。其次，综合考虑系统经济性和环保性，建立了基于中长期时序电力平衡的风/光/储协同规划模型。为充分计及新能源出力随机性，采用多组风/光出力模拟序列作为规划模型输入，以所有场景期望结果作为最终规划结果，并对规划结果进行可靠性校核。最后，以我国某省级电网为例进行算例分析，研究不同随机场景和参数灵敏度下的风/光/储容量规划方案，为考虑新能源出力随机性的电源规划问题提供解决方案。关键词：新能源；出力随机性；电源规划；深度信念网络；场景生成 DOI：10.13335/j.1000-3673.pst.2022.1193 0 引言 世界范围内以风能、太阳能等新能源大规模开发利用1为特征的能源革命正在蓬勃发展。我国“双碳”目标的提出将推动新能源逐步向“主体能源”转变。大规模新能源接入电网增加了系统灵活性需求，配置储能是应对新能源出力随机性、提升系统灵活性的重要措施之一。国务院印发的2030 前碳达峰行动方案 中指出要积极发展“新能源+储能”，进行新能源与储能协同规划可以充分计及新能源和负荷的时序特性，在源头维持电力系统供需平衡，为保障系统安全可靠运行提供基础。风、光出力的随机波动性2使得新能源与储能协同规划条件、运行方式等更加复杂多样，现有基于确定性模型、面向常规电源的规划理论和方法已不能完全适应新能源与储能规划。一方面，基于持1332 史昭娣等：计及深度信念网络场景生成的风/光/储协同优化规划方法 Vol.47 No.4 续负荷曲线的随机生产模拟3难以灵敏、准确地反映新能源和负荷时序变化特性对系统经济技术指标的影响。另一方面，基于电量平衡和典型电力平衡的传统规划方法无法考虑新能源出力时空特性与系统新能源消纳能力。因此，新能源与储能协同规划问题需要充分考虑新能源出力随机特性。针对新能源与储能协同规划问题，已有学者进行了研究。文献4提出一种风/光/储微电网储能容量协同优化方法，建立了微电网储能容量规划-运行双层协同优化模型。文献5基于典型日方法建立了微电网风/光/储双层规划模型优化风/光/储容量配置。文献6综合分析风/光/储系统的技术经济特性，提出基于博弈论的风/光/储系统规划模型。可以看出，进行新能源与储能协同规划是高比例新能源电力系统经济、可靠发展的重要基础。但以上关于风/光/储协同规划的研究多是尽可能详细考虑系统短期时序运行特性。多基于典型日、典型周方法进行分析，如文献7采用典型日法研究了系统动态特性对新能源电源规划的影响。文献8基于典型周运行模拟方法进行新能源电源规划。这些方法在一些特定场景和系统中得到较好的应用，然而新能源资源特性具有季节性，需要更长时间尺度的运行模拟才能展现，典型日、典型周法无法反映新能源中长期随机波动性和统计特性。新能源中长期时间序列建模是开展风/光/储协同规划的重要基础9，现有研究大多采用场景生成法10模拟新能源出力随机性，通过对新能源出力进行抽样得到可能出现的场景，采用多个确定性场景来表征新能源出力随机性。例如拉丁超立方抽样法11、场景树法12。这些方法多是在短期时间尺度进行新能源场景生成，而风/光/储协同规划通常需要以年度新能源场景为规划边界。上述方法难以直接用于新能源中长期序列场景生成。已有关于新能源中长期出力序列建模的方法主要有基于波动特性建模法13以及马尔科夫-蒙特卡洛模拟法14，这些方法通常基于随机抽样方法，通过历史数据求解统计学概率分布模型参数并结合随机抽样法获得新能源出力场景。对应的应用于中长期时序的风/光/储协同规划也已有相应研究。文献15提出一种基于源-荷匹配的区域电网风/光/储容量配比优化方法。通过时序生产模拟计算，确定满足源-荷最优匹配后的风/光/储最优接入容量配比。文献16建立了基于直流潮流的新能源与多端柔性直流电网混合优化规划模型。这些方法虽然可以在特定场景下得到规划方案，然而基于随机抽样的场景生成法的精准度非常依赖所提统计指标，因此会对规划结果准确性造成影响，且对于风电和光伏需要分别建立对应的随机场景生成模型。此外，这些研究多基于某一特定中长期序列进行规划计算，鲜少考虑多场景随机规划法。随着人工智能技术快速发展，采用黑盒模型描述新能源出力随机性在一定程度上可降低建模面临的困难，由此衍生出基于神经网络的建模法。其采用的无监督学习方法可以对变量非线性概率分布进行拟合，基于给定样本训练数据，生成符合概率分布的新数据。如文献17以 Wasserstein 距离作为对抗神经网络判别器损失函数，采用对抗神经网络学习新能源出力时空相关性。文献18提出一种基于对抗神经网络的训练算法，结合新能源预测值生成新能源出力场景。基于以上分析，本文工作着重于新能源出力时间序列随机场景生成和风/光/储协同规划建模。首先，针对新能源出力随机性，提出一种基于深度信念网络(deep belief network，DBN)的新能源出力时间序列场景生成方法，该方法可通过神经网络学习，深入挖掘新能源历史出力数据特性，无须对新能源出力随机概率分布进行精细化建模，且应用于风、光场景生成时仅须微调训练网络。其次，综合考虑系统经济性、环保性以及新能源消纳，以最小化投资、运维成本和最小化碳排放成本为目标函数，建立了基于中长期时序电力平衡的风/光/储协同规划模型。最后，以我国某省级电网为例进行算例分析。值得注意的是，在风/光/储协同规划中，若仅采用某一种新能源出力场景进行计算容易导致规划结果与实际运行情况有偏差，影响规划结果的准确性。针对该问题，可以采用多场景随机规划法19-20进行规划，以提高规划结果的可靠性。算例测试结果表明，所提模型能够充分考虑新能源资源特性，得到满足一定经济性、环保性、可靠性、新能源消纳指标的风/光/储协同规划方案，为解决新能源电源和储能规划问题提供科学且有效的规划方法。1 基于深度信念网络的新能源出力时间序 列场景生成 采用人工智能方法的黑盒模型描述新能源出力随机性无须针对不同新能源单独建模，其中以DBN 为代表的无监督学习模型具有学习能力强、适应性好的优势，可以较好地拟合复杂随机变量概率分布，深入挖掘基准数据的各方面特性，可用来进第 47 卷 第 4 期 电 网 技 术 1333 行新能源出力场景生成。1.1 深度信念网络构成和原理 DBN 由多个受限玻尔兹曼机(restricted Boltzmann machines，RBM)串联组成。DBN 的学习训练过程通常分为逐层预训练和整体精调 2 个阶段，其中逐层预训练通过训练 RBM 完成。关于受限玻尔兹曼机和深度信念网络的具体构成和详细的原理描述可参见附录 A。1.2 基于 DBN 的时间序列场景生成方法 为揭示新能源发电状态的转移规律，采用Markov 链描述新能源出力在各时刻的状态。首先，令 Q(t)表示新能源每一时刻的出力状态，将新能源出力状态划分为N个等级，Q(t)的取值范围为 1N 之间的正整数，对应新能源出力在时刻 t 的出力状态，即 Q(t)有“状态 1”至“状态 N”共 N 个状态。根据新能源出力归一化数据(范围为 01)进行状态划分，将其根据出力大小分为 N 个等级，对应 N 个出力状态，然后，根据历史序列中所得的发电状态统计得到发电状态及其频数，计算 Markov 状态转移概率矩阵 PQ，用以描述相邻时刻状态的转移概率，具体形式如下：111212122212NNQNNNNpppppppppP(1)式中：元素ijp表示新能源出力状态由t时刻的状态i转移至1t 时刻的状态j的概率(,1,2,i jN)，其具体形式为 r()|()ijpP Q ttj Q ti(2)式中 Pr()函数为概率计算公式，用以计算新能源出力状态由t时刻的状态i转移至1t 时刻的状态j的概率。根据PQ可以进一步得到Markov累积状态转移概率矩阵 PQ：111(1)212(1)1(1)000NNQNN Npppppp P(3)式中1=jijimmpp。新能源出力状态随着时间的推移进行转换，采用 Markov 链生成的累积状态转移矩阵可以描述新能源出力不同状态之间的转移概率。令新能源出力历史序列为 DBN 的输入数据。自底向上进行无监督的逐层预训练，到达最上层后利用反向传播算法使用梯度下降的方法对有标签的数据进行修正，微调整个 DBN 网络。反向传播算法中采用的数据标签采用新能源出力累积状态转移概率矩阵。这种信号正向传播与误差反向传播的各层权值调整过程周而复始进行。权值不断调整的过程，即神经网络的学习训练过程。该过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。由于 RBM 中概率分布(,)Pv|h难以直接求解，训练过程中使用式(4)和式(5)进行交替吉布斯(Gibbs)21采样，得到不同神经元条件概率分布，具体方法为0()Pvv，00(,)Phh|v，10(,)Pvv|h，1h1(,)Ph|v，1(,)kkPvv|h。其中()P v 为训练数据的分布。值得注意的是，基于 DBN 的场景生成方法同时适应于风电和光伏场景生成，仅须对神经网络参数进行微调。2 考虑新能源出力随机性的风/光/储协同规划模型 2.1 风/光/储协同规划数学模型 2.1.1 目标函数 传统电源规划方案应满足安全性和经济性要求，在“双碳”目标指引下，电源规划方案还应具有环保性。所提规划模型以满足安全可靠性条件作为规划方案可行的前提，规划目标从经济性和环保性方面进行考虑。风/光/储协同规划涉及不同电源的规划，其各自的使用寿命和投产年限通常不同，等年值法可以处理这种问题。风/光/储协同规划数学模型的目标函数为规划期内综合费用最低，主要包含3个部分：投资费用等年值tzN、年固定运行费用1ywN以及年可变运行费用2ywN，其中年可变运行费用主要指规划期系统消耗化石燃料的费用及 CO2排放的处理费用。目标函数具体形式为 sce1,2,min()jjjjtzywywjNENNN(4)其中：cv()(,)(1)jjtziiiiiNB N C RY(5)cv1,()jjywiiiiiNB N C(6)2cvcp2,coalcoalCO,()jjjywiiiiNBBN E(7)式中：()E 表示所有场景结果期望值；sce表示新能源随机场景集合；j表示新能源随机场景j出现的概率；表示贴现率；i表示电厂类型；cv和cp1334 史昭娣等：计及深度信念网络场景生成的风/光/储协同优化规划方法 Vol.47 No.4 分别表示所有待选电厂集合和已有电厂集合，主要包括g、h、w、pv、s，分别表示火电厂、水电厂、风电场、光伏电站和储能电站集合；iN表示各电厂机组台数，对待选电厂而言即投资决策变量；iC表示电厂单机额定容量；iB表示机组的单位综合造价；iY表示机组运行年限；i表示电厂年固定运行费用；iE表示电厂年发电量；coal表示燃煤单位价格；coalB表示煤耗系数；i为各电源的CO2排放强度22；2COB表示碳交易成本；,iRY为电源资金回收系数：(1)(,)(1)1iiYiYRY(8)2.1.2 约束条件 1）电力系统运行约束。新能源电源规划需要考虑中长期时序电力平衡和电源运行特性。时序电力平衡约束。cvcp,()()()ljjiliptL tL t(9)式中：l为联络线集合；()jipt、()L t、()jlL t分别表示t时刻电厂出力功率、负荷和可调负荷，其中可调负荷应满足上下限约束：()jlllLL tL(10)式中：lL为系统最大可调负荷空间，考虑省级电网规划场景，可调节负荷一般取值较小，主要用于疏导不平衡功率。在时序仿真过程中，若要满足负荷不损失的前提，可以将可调负荷空间下限取值为 0。电量平衡约束。cvcpcvcptotal,()ljjiiit TiptEE(11)式中：totalE表示总需求电量；iE表示弃电量。联络线约束。(),jiiilpptpi(12)式中lp、lp分别为联络线最大、最小输送功率。电源运行约束。新能源电源输出功率受最大和最小出力限制，最大出力受天气等因素决定，可采用 1.3 节所提场景生成方法进行新能源时间序列生成。wpv0()(),jjjiiiiptN C Pti,(13)式中()iP t为新能源出力序列，为随机变量。水电机组的发电功率上限由河流流量决定，其出力约束如下：()jiiihPptPi,(14)式中hP、hP表示水电机组出力上下限，其中hP由河流流量决定，可基于历史数据给定其范围。火电时序运行约束包括发电功率约束、爬坡约束、最小启/停机时间约束、运行状态约束等，即 onoff,up,down11()()()()()()()()1()()1()()()()0jjiiiijjiiijjiiiHjjiihHjjiihjjjjiiiiPZt ptPpttptPptpttPutvthvtuthZtZttvtut (15)式中：iP、iP表示火电机组出力上下限；,upiP和,downiP分别表示火电机组向上和向下爬坡率；()jiut和()jivt均为 0-1 整数变量，分别表示火电机组在t时段的启机和停机状态，()1jiut 表示机组启机，()1jivt 表示机组停机；()jiZt为 0-1 整数变量，()1jiZt 表示机组在t时段处于运行状态；onH和offH分别为机组最小启/停机时间。储能运行约束。储能装置考虑锂离子储能电池，其运行约束包括电量平衡约束、容量约束、充放电状态约束、荷电状态约束等。,soc()()()()1()()()()0()0()0()()1|()()|jjjjiiiiijjjiiiiijiiiijiijiijjiijjiiiEttEtutpttutpttEtEEthCptCptCututEttEtEhH (16)式中：()jiEt表示电池电量；,jip、,jip表示电池充、放电功率；i表示自放电率；,jiu、,jiu表示充、放电状态 0-1 整数变量；iE表示电量下限值；socE为荷电状态最大变化值；ih为储能充、放电时长；H为储能最大充、放电时长。备用需求约束。cphgwpvD,()()ljiiiijjiiiriiiN Cr LPPPL tp (17)式中：i为各电源备用系数；L表示系统最大负荷；Dr为容量备用系数；rp表示系统运行功率正备用。2）新能源电量占比约束。wpvEtotal,()jjiiiN EE(18)第 47 卷 第 4 期 电 网 技 术 1335 式中：E表示新能源电量占系统总电量的最低比例；totalE表示系统总负荷电量需求。3）新能源限电率约束。wpvwpvre,()()jjjiiiiiiptN C Pt(19)式中re表示新能源限电率。4）决策变量可行域约束条件。cv0,jijiiNiNN(20)式中iN为各电源最大允许装机台数。2.1.3 可靠性评估 采用时序仿真法对规划年各时段进行生产模拟计算，统计全年负荷下调小时数，除以全年8760h，以其作为衡量规划方案可靠性的指标。失负荷概率(loss of load probability，LOLP)(记为PLOLP)为 LOLPLOLP()()0jiip tLPPt(21)式中：()P 表示以负荷不损失为前提的规划年电力不足概率；LOLP为给定的可靠性标准。若所得规划方案不满足可靠性约束，表明规划模型所设边界条件不合适，可以通过更改决策变量可行域约束限值，或更改可调负荷最大值的手段来调整规划策略，重新进行规划计算。2.2 规划模型求解方法 所提模型是一个典型的混合整数线性规划模型，可在 GAMS23平台上调用商业求解器 CPLEX24 求解。基于多场景法，以多组新能源出力序列为规划模型输入，确定风/光/储规划方案。所建规划模型求解流程具体如下。1）以规划地区年度新能源资源历史出力序列为基准样本，通过所提基于 DBN 的新能源出力序列场景生成方法模拟生成多组风/光出力序列。2）分别以这些序列为输入的电源规划模型，所有场景计算完成后，以计算结果收敛值作为优化结果。3）对优化所得规划方案进行 K 个可行场景下的可靠性校核，若不满足可靠性指标，则找出薄弱环节，可以通过更改决策变量可行域约束限值，或更改可调负荷最大值的手段来调整规划策略；若是所得规划方案不合理，则修改规划条件重新进行计算，反之进行下一组场景校验；若满足可靠性指标，判断是否遍历随机场景集，若是，则输出最优解；反之，继续计算其余场景结果，直至得到最终结果。基于多场景的电源规划模型求解流程见图 1。开始选取第n组风/光出力为输入场景，输入模型所需基础数据采用CPLEX求解规划模型优化结果输出遍历N组场景?是n=n+1否计算所有场景结果收敛值结束基于DBN生成N组风/光出力序列在第k组场景下，对规划结果进行可靠性校核是否k=k+1满足可靠性指标?是否找出薄弱环节，分析原因输出结果重新生成K组风/光出力场景可靠性场景校验完成?规划结果不合理?是否重新准备数据，调整规划策略对规划结果收敛值进行可靠性校核电源规划计算规划方案可靠性校核 图 1 规划模型求解流程 Fig.1 Flowchart of planning model 3 算例分析 3.1 参数设置 以我国某省级电网为例进行分析，研究 2030年的风/光/储规划问题。该省风资源与太阳能辐射资源丰富，图 2 为新能源理论出力归一化序列，风电和光伏的利用小时数分别为 2006h 和 1476h。系统全年最大负荷 18754MW，最小负荷 14267MW，年用电量 1697.34 亿 kWh。火电总装机容量为3025MW，水电总装机容量为 11696MW。火电机组煤耗、标煤价格、排放系数参见文献25，各类电源的平均 CO2排放强度参见文献22，待规划储能装置为广泛使用的锂离子储能电池，其满充时间为2h，其余参数见表 1。本文规划为尽量减少负荷损失，可调负荷空间下限取值为 0。现阶段 LOLP 的指标并未有统一标准，本节基于电力系统规划通常选取的经验值，选取可靠性指标LOLP为 0.0001。3.2 风/光出力场景生成及特性分析 基于图 3 年度历史出力序列，采用所提方法进行年度风/光出力场景生成，时间分辨率为 1h，全年共 8760h。设置训练神经元为 8760 个，每批次神 1336 史昭娣等：计及深度信念网络场景生成的风/光/储协同优化规划方法 Vol.47 No.4 图 2 新能源时序出力序列 Fig.2 Renewable energy time sequence output 表 1 算例参数 Table 1 Simulation parameters 参数 数值 参数 数值 wC/MW 50 pvC/MW 50 sC/MW 50 sB/(元/kW)6000 wB/(元/kW)5000 pvB/(元/kW)3700 w/(元/(kW年)140 pv/(元/(kW年)132 s/(元/(kW年)280 wY/年 35 pvY/年 35 sY/年 3 s/%92/%10 Dr/%10 E/%60 2COB/(元/t)200 re/%8 经元训练个数为 24 个，训练批次为 365 次。出力状态 N 取值 5。图 3 为所采用的 DBN 在风电出力序列训练过程中输入层 RBM 可视层和隐层间的连接权值W。由于权重是用来控制信号的重要性，因此颜色越红的区域对应的训练数据越重要，即训练过程中需要保留的特征数据。图 4 为所采用的 DBN 在风电出力序列训练过程中输出层 RBM 隐层神经元偏置b、隐层神经元偏置更新梯度b以及各自频率分布直方图。由于神经网络中神经元偏置适用于控制神经元被激活的容易程度，因此数值越大的区域对应的神经元更容易被激活。神经元偏差和偏差梯度均服从明显的正态分布，表明所采用的 DBN 进行了稳定的训练，训练数据与原始样本之间的误差收敛。新能源出力时间序列场景生成需要最大程度地拟合新能源出力季节性、波动性、时变性等特性，以保证生成场景的质量。通常可采用概率分布、月平均出力、波动概率分布和自相关系数作为新能源出力序列大小、季节性、波动性和时变性的评价指标，各指标具体形式参见文献14。为验证所提基于 DBN 的新能源出力场景生成方法的优越性，基于以上数据，分别采用所提方法和对比方法 MCMC 方法11进行新能源出力场景生成。为更为直观地量化新能源历史序列与两种生成方法所得序列指标对比结果，分别计算了风电和光伏序列特性指标的标准差，其结果如表 2 所示。标准差用来度量一组数据平均值分散程度，标准差越 图 3 输入层 RBM 层间权值 Fig.3 Inter layer weight of input layer RBM 图 4 输出层 RBM 隐层参数 Fig.4 Parameters in hidden layer of output layer RBM 大，表明大部分数值与其平均值之间的差异越大。以历史序列指标为基准，生成序列对应指标越接近历史序列指标，表明生成序列越能准确刻画历史序列特性。可以看出，本文所提方法生成的序列指标与历史序列更为接近(各指标标准差较小)，因此整体性能优于 MCMC 方法。总体来说，相比 MCMC方法，所提基于深度学习算法的本文所提新能源场景生成方法可以更好地刻画新能源出力特性，适用于新能源出力时间序列场景生成。表 2 新能源出力序列特性指标对比 Table 2 Comparison of renewable energy output characteristics 新能源 类型 方法 概率分布 标准差 月平均出力标准差 1h 波动 标准差 自相关 系数标准差 风电 所提方法 0.0111 0.0826 0.4268 0.2174 MCMC 0.0145 0.1087 0.4743 0.2498 光伏 所提方法 0.0347 0.0176 0.3422 0.4063 MCMC 0.0491 0.0211 0.4136 0.5080 3.3 规划结果分析及可靠性评估 3.3.1 规划结果分析 基于多场景法，分别以 100 组新能源出力序列作为算例的输入场景求解规划模型，得到各组序列下的风、光、储最优容量以及系统综合成本，如 第 47 卷 第 4 期 电 网 技 术 1337 图 5 所示。图 5 100 组新能源出力场景的结果 Fig.5 Planning results of 100 RE output samples 可以看出，100 组场景下风电装机容量、光伏装机容量、储能容量以及系统综合成本的收敛结果分别为 34600、28800MW、8500/17000 MW/MWh 以及 4358.24 亿元。储能与新能源装机容量比例约为 13.4%。所有场景的计算结果均服从正态分布，且分布比较聚集，说明 100 组场景下的规划结果收敛度很高。所提模型和多场景法可以应对新能源资源依赖随机性，适用于不同新能源场景下的电源和储能规划分析。为验证所提基于中长期时序电力平衡的规划方法的优越性，将所得规划结果与典型日规划方法的结果进行对比。其中典型日选取方法见文献4，其余参数保持不变。典型日方法所得风电容量、光伏容量、储能容量以及系统综合成本分别为 35800、29450MW、17950MWh 以及 4510.02 亿元，相比本文规划结果分别提高 3.47%、2.26%、5.59%和3.48%。由于不能计及新能源出力的随机性和时序性，典型日法通常考虑最严重情况下电力平衡情况，因此新能源消纳能力计算偏于保守，在应用于新能源电力系统规划问题中具有局限性。3.3.2 可靠性评估 本节评估所得规划方案的可靠性水平，以 2.1.2节中提及的可靠性指标 LOLP 作为评价指标，基于前述风光多场景构建方法，另外生成 200 组 8760h新能源场景。评估所得规划方案在不同新能源出力随机场景下的可靠性水平，得到 200 组场景可靠性指标如图 6 所示。我国现阶段并未形成统一的可靠性指标标准，一般认为可靠性指标越接近于 0，表明电力供应富裕充分。可以看出，所得规划方案在 200 组场景中 050100150200场景78910LOLP/104 图 6 200 组新能源出力场景的 LOLP Fig.6 LOLP of 200 RE output samples 可靠性指标最大值小于 0.001，即全年负荷下调小时数不超过 9h，可以认为满足工程实际需求，因此所提模型所得规划方案在不同新能源出力随机场景下均具有可靠性。3.4 碳交易成本价格对规划结果的影响 所提电源规划模型中考虑了环保性，即将最小化碳交易成本计入规划模型目标函数以降低各电源 CO2排放量。本节分析碳交易成本价格对电源规划结果的影响，规划结果如图 7 所示。图 7 不同碳交易成本下的结果 Fig.7 Results under different carbon trading costs 可以看出，随着碳交易成本单价的增加，规划结果变化趋势分为 3 个阶段。在第 1 阶段，风/光/储容量呈缓慢线性增长趋势。当碳交易成本增加至大于碳减排边际成本(208 元/t)时，第 2 阶段中风/光/储容量增长趋势加快，这主要是由于当碳交易成本高于碳减排边际成本时，才能有效发挥碳排放权1338 史昭娣等：计及深度信念网络场景生成的风/光/储协同优化规划方法 Vol.47 No.4 交易机制促进企业节能减排的职能。此时为避免过高的碳交易总成本，系统倾向于接纳更多新能源。碳排放成本与新能源装机变化趋势相反，随碳交易成本的增加呈下降趋势。在第 3 阶段，当碳交易成本增加至 290 元/t 时，碳排放量降低至最小值(198.78 万 t)并维持不变，此时系统灵活性不足，火电机组需要维持一定发电量保证系统可靠运行，此时风电和光伏容量均达到最大值 37850MW 和31500MW。综合成本随着碳交易成本的增加呈上升趋势，这主要是因为随着碳交易成本价格的增加，虽然碳排放量降低，但新能源电源投资成本增加，综合成本呈上升趋势。在第 3 阶段中，电源、储能容量和碳排放量不变，综合成本随碳排放成本增加呈缓慢上升趋势。3.5 储能时长对规划结果的影响 储能持续时长是储能装置的一个重要特征，本节分析储能时长对电源规划结果的影响，不同储能时长下规划结果如表 3 所示。表 3 不同储能时长下规划结果 Table 3 Planning results under different energy storage duration 储能 时长/h 风电 容量/MW 光伏 容量/MW 储能容量/(MW/MWh)综合 成本/亿元 限电率/%2 34600 28800 8500/17000 4358.24 7.97 3 34450 29000 8300/24900 4623.32 7.98 4 34350 29150 8200/32800 4896.68 7.99 可以看出，随着储能时长增大，风电容量呈略微下降趋势，光伏容量呈略微增长趋势，风光总容量基本保持不变。储能时长为 2h 时，储能逆变器容量最大，而储能电池容量最小。随着储能时长增大，综合成本呈增大趋势，这充分说明新能源波动性对储能需求的影响。在该场景下，储能时长 2h最优，且容量最小，单纯增加储能时长而不增加逆变器容量不能减少新能源弃电，还可能造成储能投建资源的浪费。因此在进行新能源与储能规划时，须选择具备合适容量和时长的储能设备。4 结论 本文研究了考虑新能源出力随机性的风/光/储协同规划问题。首先，对新能源出力进行中长时间尺度的场景生成。其次，综合考虑经济性和环保性，建立了考虑新能源出力随机性的风/光/储协同规划模型。最后经过算例分析验证所提模型和方法的有效性。主要研究结论如下：1）提出了基于深度信念网络的新能源出力时间序列场景生成方法，与常用的 MCMC 方法相比，所提方法可以深入挖掘历史出力序列的高维非线性特性，精确刻画新能源出力的季节性、波动性和时变性。2）建立了考虑新能源出力随机性的风/光/储协同规划模型，模型以投资成本和 CO2排放成本最小为目标，并计及多场景中长期时序电力平衡，可在规划阶段考虑新能源长时间尺度特性和随机特性，适用于新能源电力系统规划问题。3）风/光/储协同规划问题中经济性和环保性为博弈关系，为得到更加合理可行的电源规划方法，须在满足安全性约束的基础上，兼顾经济性与环 保性。附录见本刊网络版(http:/ 1 水电水利规划设计总院 中国可再生能源发展报告 2019R 北京：水电水利规划设计总院，2020 2 黄越辉，王伟胜，董存，等新能源发电调度运行管理技术M北京：中国电力出版社，2019 3 刘纯，黄越辉，石文辉，等 新能源电力系统生产模拟M 北京：中国电力出版社，2019 4 谢鹏，蔡泽祥，刘平，等考虑多时间尺度不确定性耦合影响的风光储微电网系统储能容量协同优化J 中国电机工程学报，2019，39(24)：7126-7136 XIE Peng，CAI Zexiang，LIU Ping，et alCooperative optimization of energy storage capacity for renewable and storage involved microgrids considering multi time scale uncertainty coupling influenceJ Proceedings of the CSEE，2019，39(24)：7126-7136(in Chinese)5 郭力，杨书强，刘一欣，等风光储微电网容量规划中的典型日选取方法J中国电机工程学报，2020，40(8)：2468-2479 GUO Li，YANG Shuqiang，LIU Yixin，et alTypical day selection method for capacity planning of microgrid with wind turbine-photovoltaic and energy storageJProceedings of the CSEE，2020，40(8)：2468-24