在“碳中和、碳達(dá)峰”目標(biāo)的引領(lǐng)之下，能源革命面臨新的機(jī)遇，風(fēng)電、光伏等新能源形式雖然在一定程度上優(yōu)化了產(chǎn)業(yè)結(jié)構(gòu)，并可加快“雙碳”目標(biāo)的實(shí)現(xiàn)速度

。但新能源發(fā)電固有的隨機(jī)性和波動性使得大規(guī)模并網(wǎng)后系統(tǒng)的調(diào)峰壓力加重，對電力系統(tǒng)的穩(wěn)定性將產(chǎn)生較大的沖擊。此外，火電機(jī)組在深度調(diào)峰時，按現(xiàn)有的調(diào)峰補(bǔ)償制度難以滿足火電廠的調(diào)峰成本，其調(diào)峰成本主要在于燃煤成本的大幅提升。根據(jù)文獻(xiàn)[2]的計(jì)算結(jié)果，對于300 MW火電機(jī)組，當(dāng)調(diào)峰深度從55%增加到40%時，機(jī)組能耗單位容量平均成本增加314515元/kWh；當(dāng)調(diào)峰深度從40%增加到20%時，機(jī)組能耗單位容量平均成本增加715300 元/kWh。對于600 MW 火電機(jī)組，當(dāng)調(diào)峰深度從50%增加到40%時，機(jī)組能耗單位容量平均成本增加406500元/kWh；當(dāng)調(diào)峰深度從40%增加到20%時，機(jī)組能耗單位容量平均成本增加554500元/kWh?？梢娫诨痣姍C(jī)組參與深度調(diào)峰輔助服務(wù)時，火電廠承受較大經(jīng)濟(jì)負(fù)擔(dān)，對于能源發(fā)電廠更為有利。儲能系統(tǒng)具有響應(yīng)速度快、可調(diào)節(jié)性強(qiáng)等特點(diǎn)，對于解決新能源出力間歇性、電網(wǎng)穩(wěn)定調(diào)節(jié)等問題提供了一種新的解決方案，是實(shí)現(xiàn)“雙碳”目標(biāo)和能源革命的關(guān)鍵支撐技術(shù)。但目前儲能系統(tǒng)配置成本較高，故不能大批量建設(shè)，因此，如何合理規(guī)劃有限儲能電站的位置，更好地為電力系統(tǒng)服務(wù)成為一個重要的研究方向

。

針對包含光伏發(fā)電、風(fēng)力發(fā)電和典型負(fù)荷的電力系統(tǒng)，儲能系統(tǒng)一般與可再生能源發(fā)電系統(tǒng)配合使用，例如在風(fēng)電場并網(wǎng)處加入儲能系統(tǒng)可以有效平抑風(fēng)電并網(wǎng)功率波動

。儲能系統(tǒng)的容量及選址配置是設(shè)計(jì)規(guī)劃中的重要問題。文獻(xiàn)[7]提出了一種滑動平均和標(biāo)準(zhǔn)校正的組合方法，分離出風(fēng)電的并網(wǎng)分量和波動分量，然后采用小波分解得到電池和超級電容器的配置容量。上述文獻(xiàn)均是以平抑新能源出力的波動性為優(yōu)化目標(biāo)，并未考慮儲能系統(tǒng)的剩余壽命及成本等因素。文獻(xiàn)[8]綜合考慮風(fēng)光儲聯(lián)合發(fā)電系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性，提出一種雙層決策模型的儲能容量配置方法。文獻(xiàn)[9]建立了以節(jié)點(diǎn)電壓波動、負(fù)荷波動和儲能系統(tǒng)總?cè)萘繛槟繕?biāo)的電網(wǎng)模型，采用優(yōu)化的多目標(biāo)粒子群算法求解儲能的配置問題。文獻(xiàn)[10]關(guān)于城市電動汽車建造充電站的選址和容量問題提出了一種混沌模擬退火粒子群優(yōu)化算法，該算法引入混沌理論，綜合充電樁運(yùn)營商，車主和發(fā)電商多方利益后建立模型。文獻(xiàn)[11]考慮可再生能源出力的不確定性，建立了分支定界法及遺傳算法雙層模型來解決儲能電站選址定容問題。文獻(xiàn)[12]選擇分布式儲能用于緩解傳輸網(wǎng)絡(luò)的擁堵，描述了三階段規(guī)劃程序，可確定分布式儲能單元的最佳位置和參數(shù)?？紤]換流器功率等級和儲能容量的投資成本，文獻(xiàn)[13]提出了在多電壓等級下確定分布式電池儲能系統(tǒng)最優(yōu)位置、能量容量和功率等級的方法，可實(shí)現(xiàn)技術(shù)經(jīng)濟(jì)最優(yōu)的儲能選址需求。文獻(xiàn)[14]綜合投資、使用和安裝等成本，提出了基于遺傳算法的雙級優(yōu)化方法，在電網(wǎng)系統(tǒng)的允許節(jié)點(diǎn)配置儲能來減少光伏滲透引起的電壓波動。而對于含有儲能電站的電力系統(tǒng)的規(guī)劃與控制策略，文獻(xiàn)[15]設(shè)計(jì)了一種基于Benders 分解的變分算法和相應(yīng)的收斂準(zhǔn)則和增強(qiáng)策略，提出風(fēng)電場、儲能與輸電網(wǎng)結(jié)合的規(guī)劃方法，并采用機(jī)會約束優(yōu)化算法。為了提高系統(tǒng)的可靠性及降低運(yùn)行成本，文獻(xiàn)[16]為了保障系統(tǒng)運(yùn)行的經(jīng)濟(jì)性以及延長儲能電池的使用壽命，滿足良好的經(jīng)濟(jì)目標(biāo)，建立了雙層微電網(wǎng)儲能規(guī)劃模型，可有效避免儲能電池過充或過放。如上述文獻(xiàn)所述，國內(nèi)外學(xué)者對于儲能的優(yōu)化配置問題多針對容量配置問題，而對于儲能選址問題研究得較少。尤其在含有風(fēng)電、光伏、火電及儲能的電力系統(tǒng)中，儲能的選址配置問題復(fù)雜度較高

，往往求解困難。

綜上，在含有風(fēng)電、光伏、火電及儲能的電力系統(tǒng)中，為了減小調(diào)峰時火電機(jī)組的調(diào)節(jié)與啟停成本，本文從儲能輔助火電廠調(diào)峰的角度出發(fā)，綜合考慮風(fēng)-光-火-儲多能系統(tǒng)的運(yùn)行特性和約束條件，將火電廠的輸出功率波動最小作為目標(biāo)函數(shù)，基于權(quán)重自適應(yīng)鯨魚優(yōu)化算法，對儲能電站的容量及選址配置問題進(jìn)行優(yōu)化求解。然后以IEEE-33節(jié)點(diǎn)的電力系統(tǒng)為例，選取風(fēng)-光-火-儲多能系統(tǒng)的典型功率數(shù)據(jù)進(jìn)行分析，求解得到儲能電站的最優(yōu)配置方案，并得到了儲能電站充放電運(yùn)行策略。

操作上，筆者建議的是采取逢低分批買入的策略，不建議大家總是試圖想著一筆買在最低點(diǎn)，一筆賣在最高點(diǎn)。建議逢急跌、分批次、每次一點(diǎn)點(diǎn)的加倉建倉。同時，在介入前必須要做好相應(yīng)的策略應(yīng)對。每筆介入前，必須做到以下四點(diǎn)：

1 多能系統(tǒng)儲能電站的最優(yōu)配置模型

本文研究的多能系統(tǒng)由風(fēng)電、光伏發(fā)電、火電、儲能以及負(fù)荷等部分組成，結(jié)構(gòu)如圖1所示。

由于在空間科學(xué)材料實(shí)驗(yàn)中針對熱電偶信號的精度要求在微伏級，因而對系統(tǒng)的抗干擾能力有著很高的要求。在硬件設(shè)計(jì)中，通過放大調(diào)理電路的設(shè)計(jì)，系統(tǒng)接地方式的選取以及相應(yīng)的抗干擾設(shè)計(jì)，從而減少噪聲對系統(tǒng)的影響，提高信號檢測精度[1]。

1.1 儲能電站選址配置的最優(yōu)目標(biāo)函數(shù)

由于風(fēng)電、光伏在時間分布上具有隨機(jī)性和波動性的特點(diǎn)，使得火電廠調(diào)峰壓力增加?；痣姀S的大幅度調(diào)節(jié)與啟停，一是成本很高，二是調(diào)節(jié)時間長，極端條件下不利于電力系統(tǒng)穩(wěn)定。因此為提高綜合效益和系統(tǒng)的穩(wěn)定性，本文將多能系統(tǒng)中火電廠的輸出功率波動最小作為儲能配置的目標(biāo)函數(shù)：

1.2 約束條件

式中，

(

)是

時刻的電價，

是儲能運(yùn)行單位成本，

是單位容量儲能電站的造價。

（1）潮流及節(jié)點(diǎn)電壓約束

式中，

P

、

Q

分別為系統(tǒng)中節(jié)點(diǎn)

的有功、無功功率；

U

、

U

分別為節(jié)點(diǎn)

、

的電壓幅值；

G

、

B

為節(jié)點(diǎn)

、

間的支路導(dǎo)納；

δ

為節(jié)點(diǎn)

、

間的電壓相角差；

和

分別為節(jié)點(diǎn)電壓的最小和最大值。

（2）功率平衡約束

（3）傳輸容量約束

式中，

P

是

節(jié)點(diǎn)和

節(jié)點(diǎn)之間的線路潮流；

最大線路傳輸容量。

（4）風(fēng)電、光伏出力約束

推進(jìn)《黑龍江省節(jié)約用水條例》《黑龍江省地下水管理辦法》立法，印發(fā)《黑龍江省“十三五”節(jié)水型社會建設(shè)規(guī)劃》《縣域節(jié)水型社會達(dá)標(biāo)建設(shè)工作實(shí)施方案(2017—2020年)》，節(jié)水規(guī)劃體系進(jìn)一步完善。

式中，

(

)為從當(dāng)前種群中選擇個體的隨機(jī)位置向量。

（5）儲能電站的約束

觀察對比組間護(hù)理效果(VAS評分、SDS評分、QOL評分)和恢復(fù)情況(住院費(fèi)用、住院時間)差異評價結(jié)果[3]。

1.3 儲能系統(tǒng)模型

儲能電池的充放電特性可由以下參數(shù)描述：容量、功率、充/放電效率、自放電率和SOC。電池儲能系統(tǒng)的SOC 代表電池剩余電量占額定電量的百分比，

時刻電池的SOC(

)計(jì)算式如下：

式中，

(

)為

時刻電池的剩余電量；

是儲能電池容量。

目前臨床尚未完全明確慢性支氣管炎發(fā)病機(jī)制，普遍認(rèn)為該疾病的產(chǎn)生與有害氣體、有害顆粒入侵有關(guān)，支原體、病毒和細(xì)菌感染同樣是該疾病產(chǎn)生的重要原因。慢性支氣管炎病程長，臨床癥狀主要表現(xiàn)為咳嗽、咳痰，同時伴隨不同程度喘息，每年發(fā)病時間超過3個月，發(fā)病時間為2年或2年以上，發(fā)病早期異常癥狀不明顯，可在患者急性發(fā)作期聽到肺部干濕啰音，合并哮喘者可有廣泛哮鳴音出現(xiàn)。

儲能電站的充放電功率特性如下：

式中，

(

)和

(

)分別代表儲能電站的放電和充電功率；

是自放電率；

和

分別是放電和充電效率；

z

是

節(jié)點(diǎn)的儲能配置變量，含義如下：

儲能系統(tǒng)的運(yùn)行成本

，包括儲能電站損耗成本以及儲能電站投產(chǎn)需要的資金計(jì)算式如下：

儲能優(yōu)化配置的約束條件主要有兩類：一類約束是電力系統(tǒng)和儲能電站的設(shè)備特性約束，例如各節(jié)點(diǎn)電壓也要滿足上下限約束，以及為了防止電池的過充和過放，荷電狀態(tài)(SOC)和儲能充放電功率必須滿足上下限約束；另一類是系統(tǒng)在運(yùn)行過程中需要滿足的條件，例如應(yīng)保證系統(tǒng)功率平衡等。這些約束條件表示如下：

2 儲能電站最優(yōu)配置求解方法

利用Matlab 2020a，將待檢驗(yàn)的3種算法分別對標(biāo)準(zhǔn)測試函數(shù)獨(dú)立重復(fù)尋優(yōu)50 次，得到各算法尋優(yōu)能力的平均值和均方差，如表2所示?？梢钥闯鯳WOA相比于標(biāo)準(zhǔn)WOA算法和GA算法，在尋優(yōu)

時精度遠(yuǎn)大于另外兩種算法；在尋優(yōu)

時，雖然尋優(yōu)精度相差不大，甚至比標(biāo)準(zhǔn)WOA還要略低，但尋優(yōu)的均方差比WOA 和GA 要小，說明算法的穩(wěn)定性更好。

2.1 鯨魚優(yōu)化算法

鯨魚優(yōu)化算法(whale optimization algorithm，WOA)是2016年由澳大利亞格里菲斯大學(xué)的Mirjalili等模仿座頭鯨狩獵行為而提出的一種新型啟發(fā)式優(yōu)化算法

。WOA主要由包圍獵物(encircling prey)，氣泡攻擊(bubble-net attacting)以及尋找獵物(search for prey)三部分組成。

5個載體通過農(nóng)桿菌介導(dǎo)瞬時轉(zhuǎn)化洋蔥內(nèi)表皮細(xì)胞，GUS染色結(jié)果（圖6）表明：除了GGPPS啟動子全長活性略弱外，其余幾個缺失片段活性均很強(qiáng)，能夠高效驅(qū)動下游GUS基因的表達(dá)，且表達(dá)水平與CaMV 35S啟動子基本一致，這表明該啟動子的核心區(qū)域在上游518 bp以內(nèi)。同時將GGPPS啟動子全長與其他3個缺失啟動子驅(qū)動GUS蛋白表達(dá)結(jié)果相比較，可以初步預(yù)測在上游1 131～1 052 bp可能存在著某些負(fù)的調(diào)控元件或誘導(dǎo)元件。相反，在上游1 052～518 bp，則存在著較多的增強(qiáng)子，在轉(zhuǎn)錄表達(dá)過程中發(fā)揮的促進(jìn)作用也就越大。

座頭鯨在狩獵時要包圍獵物，該行為可用如下模型描述：

式中，

(

)是當(dāng)前鯨魚個體位置向量；

(

)是當(dāng)前最優(yōu)解位置；

為當(dāng)前鯨魚個體與最優(yōu)位置之間的距離；

代表當(dāng)前迭代次數(shù)；系數(shù)向量

和

由下式確定：

式中，

在迭代過程中由2 呈線性減小到0；

為0～1之間的隨機(jī)向量。

專題教學(xué)可以是同一作者相似作品連類而成的學(xué)習(xí)，比如，學(xué)習(xí)蘇軾的《前赤壁賦》時，和《后赤壁賦》進(jìn)行比較閱讀；學(xué)習(xí)莫泊桑的《項(xiàng)鏈》時，和其《珠寶》進(jìn)行比較閱讀。相對于《前赤壁賦》和《項(xiàng)鏈》的單篇學(xué)習(xí)，這樣的比較閱讀會讓學(xué)生更好地把握單篇的特點(diǎn)，豐富對作者及作品的認(rèn)識。

（2）氣泡攻擊

根據(jù)座頭鯨的狩獵行為，狩獵時其是以螺旋運(yùn)動游向獵物，數(shù)學(xué)模型如下：

（1）包圍獵物

式中，

代表獵物和鯨魚之間的距離；

是對數(shù)螺旋線的形狀參數(shù)；

為0～1之間的隨機(jī)數(shù)。鯨魚以螺旋形狀游向獵物的同時還要收縮包圍圈，因此，在這種同步行為模型中，假設(shè)有

P

的概率選擇收縮包圍機(jī)制和1-

P

的概率選擇螺旋模型來更新鯨魚的位置，其數(shù)學(xué)描述如下：

（3）搜索獵物

座頭鯨除氣泡攻擊策略外，隨機(jī)捕食也是一種重要手段。如果|

＞1，距離數(shù)據(jù)

將隨機(jī)更新，說明座頭鯨根據(jù)彼此的位置進(jìn)行隨機(jī)搜索，此時的捕獵模型為：

式中，

、

分別為風(fēng)電、光伏的最小輸出功率；

、

分別為風(fēng)電、光伏的最大輸出功率。

2.2 基于權(quán)重自適應(yīng)的WOA改進(jìn)

與其他智能算法相比，WOA 具有計(jì)算簡單、收斂速度快、易于執(zhí)行等優(yōu)點(diǎn)，但也存在過早收斂以及易陷入局部最優(yōu)等不足。尤其權(quán)重對算法影響明顯：權(quán)重較大時，收斂速度較快，算法搜索范圍較大；權(quán)重較小時，不易錯過全局最優(yōu)解，但收斂速度慢。因此有必要對權(quán)重進(jìn)行自適應(yīng)改進(jìn)

。

在WOA 中引入非線性權(quán)重

和

，計(jì)算式如下：

式中，

為

和

的取值范圍；

為

和

的取值步長。

隨迭代次數(shù)增加非線性遞增，使種群能充分向最優(yōu)位置移動；

隨迭代次數(shù)增加非線性遞減，在迭代后期有較小步長而加快收斂速度。

小型農(nóng)田水利工程單體工程量較小、分布較為分散，增加了建設(shè)管理難度，特別是工程建設(shè)機(jī)械都要從農(nóng)村農(nóng)田中經(jīng)過，工程進(jìn)場道路不具備，農(nóng)村河網(wǎng)密集，很多建設(shè)機(jī)械、建筑材料都要通過水路翻運(yùn)，大大增加了施工成本。田間灌溉閘、防滲渠均建在農(nóng)戶莊稼中，與農(nóng)民存在較大的矛盾協(xié)調(diào)工作。

將非線性權(quán)重

和

引入公式(14)～(15)，對包圍獵物、氣泡攻擊及搜索獵物過程進(jìn)行改進(jìn)，得到：

基于權(quán)重自適應(yīng)改進(jìn)的WOA(WWOA)流程如圖2所示：

員工進(jìn)入馬來西亞后并拿到工作準(zhǔn)證后，HSSE 部門要向馬來西亞政府部門申請CIDB 培訓(xùn)，員工完成培訓(xùn)并考核合格，拿到經(jīng)政府批準(zhǔn)授予的CIDB 綠卡后，才真正具備進(jìn)入施工現(xiàn)場的基本資格。培訓(xùn)內(nèi)容主要為CIDB 重要性和歷史發(fā)展背景、CIDB 卡個人信息備案情況、持有CIDB 卡人員必須具備的安全生產(chǎn)基本知識、必須遵守的安全規(guī)則、操作規(guī)程、雇主和雇員的安全職責(zé)，以及注冊了CIDB 卡人員的保險享受條款等。

2.3 改進(jìn)的WOA算法性能分析

本小節(jié)利用標(biāo)準(zhǔn)測試函數(shù)來對比WWOA、標(biāo)準(zhǔn)WOA 和遺傳算法(genetic algorithm，GA)的性能。測試函數(shù)如表1 所示，最優(yōu)值都為0。其中

是單峰函數(shù)，可檢驗(yàn)算法的收斂速度和求解精度，

是多峰函數(shù)，可檢驗(yàn)算法的全局探索能力。

儲能電站的最優(yōu)配置引入電力系統(tǒng)潮流方程，該方程為非線性規(guī)劃問題，求解較困難，可用智能優(yōu)化算法進(jìn)行求解。

收斂曲線作為評價算法性能的重要指標(biāo)。通過收斂曲線可分析算法在求解函數(shù)時的收斂速度、求解精度和全局搜索能力。圖3為利用三種算法分別求解測試函數(shù)的收斂曲線圖，可明顯觀察WWOA具有如下特點(diǎn)：收斂速度更快，收斂值低，這說明該算法求解精度較高；收斂曲線先出現(xiàn)拐點(diǎn)說明全局搜索能力更強(qiáng)。

2.4 儲能最優(yōu)配置流程

圖4 為風(fēng)-光-火-儲多能系統(tǒng)儲能優(yōu)化配置流程，配置算法采用WWOA 代求解，最終得到儲能電站的最優(yōu)容量和位置。

3 算例分析

本文采用IEEE-33節(jié)點(diǎn)電力系統(tǒng)來進(jìn)行仿真分析，其結(jié)構(gòu)如圖5 所示。模擬的多能系統(tǒng)配置如下：在節(jié)點(diǎn)1規(guī)劃火力發(fā)電廠，并作為系統(tǒng)的平衡節(jié)點(diǎn)；在節(jié)點(diǎn)8接入光伏；將節(jié)點(diǎn)25作為風(fēng)力發(fā)電節(jié)點(diǎn)。系統(tǒng)節(jié)點(diǎn)電壓允許范圍為0.90～1.05 p.u.。在系統(tǒng)中其余節(jié)點(diǎn)規(guī)劃儲能電站，容量和位置待配置。

精準(zhǔn)對接建設(shè)交通強(qiáng)國的內(nèi)涵框架，按照全省建設(shè)交通強(qiáng)省的戰(zhàn)略部署，四川水運(yùn)將重點(diǎn)在增強(qiáng)供給能力、優(yōu)化服務(wù)質(zhì)量、強(qiáng)化安全保障、提升管理效率四個方面發(fā)力，推動水運(yùn)實(shí)現(xiàn)高質(zhì)量發(fā)展。

正是因?yàn)榄h(huán)保的自覺遵守，以及理念超前，所以無錫工廠自2012年起連年被無錫新區(qū)評為綠標(biāo)企業(yè)。愛克發(fā)用行動證明了印刷業(yè)完全可以成為綠色環(huán)保產(chǎn)業(yè)。

3.1 仿真條件

本文以我國西部某地區(qū)光伏發(fā)電場和風(fēng)電場日出力特性分別作為節(jié)點(diǎn)8和節(jié)點(diǎn)25的輸入功率。光伏在10∶00—16∶00 發(fā)電功率較強(qiáng)，而風(fēng)力發(fā)電功率隨風(fēng)速變化，如圖6所示。

系統(tǒng)總裝機(jī)容量為2000 MW，風(fēng)電場總裝機(jī)容量800 MW，光伏裝機(jī)容量200 MW，火電機(jī)組容量為500 MW，儲能類型為容量型化學(xué)儲能，磷酸鐵鋰電池。儲能系統(tǒng)的相關(guān)參數(shù)如表3所示。

維納濾波語音增強(qiáng)技術(shù)能有效改善語音質(zhì)量,抑制帶噪語音中的噪聲,但和大部分語音增強(qiáng)算法一樣,它并不能有效提高語音可懂度(Speech Intelligibility)。維納濾波算法增益函數(shù)依賴于語音各頻點(diǎn)的估計(jì)信噪比,大量的研究工作用于分析信噪比估計(jì)算法的性能對提升語音質(zhì)量和減少殘留噪聲的影響,而忽略了分析信噪比估計(jì)誤差對語音可懂度的影響。而助聽器的主要目的是提高使用者的語音可懂度,因此對增強(qiáng)算法的研究需充分考慮增強(qiáng)算法對語音可懂度的影響。

3.2 仿真結(jié)果分析

根據(jù)權(quán)重自適應(yīng)的WOA算法，各節(jié)點(diǎn)配置儲能的目標(biāo)函數(shù)值與年運(yùn)行成本如圖7所示。當(dāng)以火電廠功率波動最低為目標(biāo)，儲能選址在13節(jié)點(diǎn)，功率波動6.3 MW，相應(yīng)儲能的配置容量為40.2 MWh，此時的年運(yùn)行成本為1329 萬元。此條件下雖然目標(biāo)函數(shù)最小，但儲能容量和年運(yùn)行成本并非最低值。儲能容量配置最低值在2 節(jié)點(diǎn)，為27.6 MWh，但此時功率波動達(dá)到了12.3 MW，年運(yùn)行成本也達(dá)到了1708萬元，兩項(xiàng)指標(biāo)均高于節(jié)點(diǎn)13選址。儲能年運(yùn)行成本最低值在24節(jié)點(diǎn)，為1001萬元，但此時功率波動達(dá)到了9.7 MW。

以圖6的典型日特性估算年運(yùn)行特性，儲能系統(tǒng)的運(yùn)行成本為1329 萬元。根據(jù)行業(yè)經(jīng)驗(yàn)數(shù)據(jù)，容量型電化學(xué)儲能技術(shù)中經(jīng)濟(jì)性較好的是鉛蓄電池和磷酸鐵鋰電池，目前每度電成本大致在0.6～0.9元/kWh

?；谝陨蠑?shù)據(jù)，假設(shè)平均每天完成一次完整的充放電，該儲能電站的年運(yùn)行成本約為880萬元～1320萬元；若平均每天完成兩次完整的充放電，該儲能電站的年運(yùn)行成本約為1760 萬元～2640萬元；1329 萬元位于上述區(qū)間內(nèi)，說明算法得到的運(yùn)行成本比較合理。

圖8 所示為儲能系統(tǒng)的出力特性趨勢，功率為正表示電池充電，功率為負(fù)表示電池放電。儲能充電的最大充電功率為50.3 MW，最大放電功率為-48.2 MW，SOC 由最初的60%，變?yōu)樽罱K的42%。

圖9所示為在節(jié)點(diǎn)13配置儲能電站前后，火電廠1的出力曲線。通過對比看出，火電廠的功率波動明顯得到改善。未加儲能時，在考察時間段內(nèi)，火電功率的平均值為190.1 MW，最大功率256.7 MW，最小功率53.5 MW，峰谷差達(dá)到203.2 MW；加入儲能后，火電功率的平均值為195.6 MW，最大功率208.9 MW，最小功率190.1 MW，峰谷差降為18.7 MW。峰谷差減小了90.79%，輔助調(diào)峰效果明顯。配置儲能前后的風(fēng)火互補(bǔ)系統(tǒng)的功率對比如表4所示。

防污劑在溶脹聚合物中擴(kuò)散的模擬研究 程棟材,黃志雄,任潤桃,王晶晶,葉章基,張亮,王躍平(11-18)

4 結(jié) 論

本文基于權(quán)重自適應(yīng)鯨魚優(yōu)化算法，提出了多能系統(tǒng)儲能電站最優(yōu)配置方法，研究結(jié)果表明：

（1）引入非線性自適應(yīng)權(quán)重

和

對包圍獵物、氣泡攻擊及搜索獵物過程進(jìn)行改進(jìn)，通過標(biāo)準(zhǔn)測試函數(shù)驗(yàn)證，證明WWOA 相比標(biāo)準(zhǔn)WOA 和GA算法具有更好的收斂速度、求解精度、穩(wěn)定性以及全局搜索能力，利于求解儲能配置目標(biāo)函數(shù)這一非線性規(guī)劃問題。

（2）利用IEEE33節(jié)點(diǎn)系統(tǒng)作為風(fēng)-光-火-儲系統(tǒng)的仿真模型，根據(jù)權(quán)重自適應(yīng)鯨魚優(yōu)化算法的計(jì)算結(jié)果，以火電廠的輸出功率波動最小作為目標(biāo)函數(shù)，儲能選址在13 節(jié)點(diǎn)，儲能的最優(yōu)配置容量為40.2 MWh，此條件下儲能系統(tǒng)的年運(yùn)行成本為1329萬元。

（3）儲能配置策略有效抑制了多能系統(tǒng)中火電廠的功率波動，加入儲能后，在平均輸出功率基本不變的前提下，火電廠功率的峰谷差由203.2 MW減小為18.7 MW，下降了90.79%，有效實(shí)現(xiàn)了輔助調(diào)峰。

[1] 陳海生, 劉暢, 徐玉杰, 等. 儲能在碳達(dá)峰碳中和目標(biāo)下的戰(zhàn)略地位和作用[J].儲能科學(xué)與技術(shù),2021,10(5):1477-1485.CHEN H S, LIU C, XU Y J, et al. The strategic position and role of energy storage under the goal of carbon peak and carbon neutrality[J]. Energy Storage Science and Technology, 2021, 10(5):1477-1485.

[2] 祁樂, 陳標(biāo), 江平, 等. 燃煤火電機(jī)組提供調(diào)峰輔助服務(wù)的成本和效益分析[J].電力大數(shù)據(jù),2019,22(10):23-29.QI L, CHEN B, JIANG P, et al. Cost and benefit analysis of peak regulation auxiliary services for coal-fired thermal power units[J].Power Systems and Big Data,2019,22(10):23-29.

[3] 劉英軍,劉亞奇,張華良,等.我國儲能政策分析與建議[J].儲能科學(xué)與技術(shù),2021,10(4):1463-1473.LIU Y J, LIU Y Q, ZHANG H L, et al. Energy storage policy analysis and suggestions in China[J]. Energy Storage Science and Technology,2021,10(4):1463-1473.

[4] 張軍,張偉,曹凌捷,等.國內(nèi)儲能市場發(fā)展現(xiàn)狀及趨勢分析[J].電力與能源,2020,41(6):739-743.ZHANG J, ZHANG W, CAO L J, et al.Analysis of the development of energy storage market and the key development direction in China[J].Power&Energy,2020,41(6):739-743.

[5] 李建林,李雅欣,周喜超,等.儲能商業(yè)化應(yīng)用政策解析[J].電力系統(tǒng)保護(hù)與控制,2020,48(19):168-178.LI J L, LI Y X, ZHOU X C, et al.Analysis of energy storage policy in commercial application[J]. Power System Protection and Control,2020,48(19):168-178.

[6] 楊立濱, 曹陽, 魏韡, 等. 計(jì)及風(fēng)電不確定性和棄風(fēng)率約束的風(fēng)電場儲能容量配置方法[J].電力系統(tǒng)自動化,2020,44(16):45-52.YANG L B, CAO Y, WEI W, et al. Configuration method of energy storage for wind farms considering wind power uncertainty and wind curtailment constraint[J].Automation of Electric Power Systems,2020,44(16):45-52.

[7] 馬速良, 蔣小平, 馬會萌, 等. 平抑風(fēng)電波動的混合儲能系統(tǒng)的容量配置[J].電力系統(tǒng)保護(hù)與控制,2014,42(8):108-114.MA S L, JIANG X P, MA H M, et al. Capacity configuration of the hybrid energy storage system for wind power smoothing[J].Power System Protection and Control,2014,42(8):108-114.

[8] 李建林,郭斌琪,牛萌,等.風(fēng)光儲系統(tǒng)儲能容量優(yōu)化配置策略[J].電工技術(shù)學(xué)報,2018,33(6):1189-1196.LI J L, GUO B Q, NIU M, et al. Optimal configuration strategy of energy storage capacity in wind/PV/storage hybrid system[J].Transactions of China Electrotechnical Society, 2018, 33(6):1189-1196.

[9] 吳小剛, 劉宗歧, 田立亭, 等. 基于改進(jìn)多目標(biāo)粒子群算法的配電網(wǎng)儲能選址定容[J].電網(wǎng)技術(shù),2014,38(12):3405-3411.WU X G, LIU Z Q,TIAN L T, et al. Energy storage device locating and sizing for distribution network based on improved multiobjective particle swarm optimizer[J]. Power System Technology,2014,38(12):3405-3411.

[10]艾欣, 李一錚, 王坤宇, 等. 基于混沌模擬退火粒子群優(yōu)化算法的電動汽車充電站選址與定容[J].電力自動化設(shè)備,2018,38(9):9-14.AI X, LI Y Z, WANG K Y, et al. Locating and sizing of electric vehicle charging station based on chaotic simulated annealing particle swarm optimization algorithm[J]. Electric Power Automation Equipment,2018,38(9):9-14.

[11]丁倩,曾平良,孫軼愷,等.一種考慮可再生能源不確定性的分布式儲能電站選址定容規(guī)劃方法[J].儲能科學(xué)與技術(shù),2020,9(1):162-169.DING Q, ZENG P L, SUN Y K, et al. A planning method for the placement and sizing of distributed energy storage system considering the uncertainty of renewable energy sources[J]. Energy Storage Science and Technology,2020,9(1):162-169.

[12]PAND?I? H, WANG Y S, QIU T, et al. Near-optimal method for siting and sizing of distributed storage in a transmission network[J].IEEE Transactions on Power Systems,2014,30(5):2288-2300.

[13]MASSUCCO S, PONGIGLIONE P, SILVESTRO F, et al. Siting and sizing of energy storage systems: Towards a unified approach for transmission and distribution system operators for reserve provision and grid support[J]. Electric Power Systems Research,2021,190:106660.

[14]BABACAN O, TORRE W, KLEISSL J. Siting and sizing of distributed energy storage to mitigate voltage impact by solar PV in distribution systems[J].Solar Energy,2017,146:199-208.

[15]李昀昊, 王建學(xué), 曹曉宇, 等. 面向風(fēng)電場-儲能-輸電網(wǎng)聯(lián)合規(guī)劃的機(jī)會約束IGDT模型[J].電網(wǎng)技術(shù),2019,43(10):3715-3724.LI Y H, WANG J X, CAO X Y, et al. A chance-constrained IGDT model for joint planning of wind farm, energy storage and transmission[J].Power System Technology,2019,43(10):3715-3724.

[16]肖浩, 裴瑋, 楊艷紅, 等. 計(jì)及電池壽命和經(jīng)濟(jì)運(yùn)行的微電網(wǎng)儲能容量優(yōu)化[J].高電壓技術(shù),2015,41(10):3256-3265.XIAO H, PEI W, YANG Y H, et al. Energy storage capacity optimization for microgrid considering battery life and economic operation[J].High Voltage Engineering,2015,41(10):3256-3265.

[17]李益民, 王關(guān)平, 馬建立, 等. 基于天牛須搜索遺傳算法的風(fēng)光柴儲互補(bǔ)發(fā)電系統(tǒng)容量優(yōu)化配置研究[J]. 儲能科學(xué)與技術(shù), 2020, 9(3):918-926.LI Y M, WANG G P, MA J L, et al. Study on optimal capacity in the construction of wind-solar-dieselbattery hybrid power system based on bettle antennae search algorithm improved genetic algorithm[J].Energy Storage Science and Technology,2020, 9(3):918-926.

[18]袁曉玲, 程淋偉, 魯麗娟, 等. 基于萬有引力搜索算法的微電網(wǎng)風(fēng)光儲容量優(yōu)化配置[J].電力需求側(cè)管理,2017,19(6):14-19.YUAN X L, CHENG L W, LU L J, et al. Configuration optimization of wind-solar-storage system in microgrid based on GSA[J].Power Demand Side Management,2017,19(6):14-19.

[19]趙晶,祝錫晶,孟小玲,吳霄.改進(jìn)鯨魚優(yōu)化算法在機(jī)械臂時間最優(yōu)軌跡規(guī)劃的應(yīng)用[J/OL]. 機(jī)械科學(xué)與技術(shù):1-10[2022-06-20].DOI:10.13433/j.cnki.1003-8728.20200596.

[20]趙傳武, 黃寶柱, 閻躍觀, 等. 一種非線性權(quán)重的自適應(yīng)鯨魚優(yōu)化算法[J].計(jì)算機(jī)技術(shù)與發(fā)展,2020,30(10):7-13.ZHAO C W, HUANG B Z, YAN Y G, et al. An adaptive whale optimization algorithm of nonlinear inertia weight[J]. Computer Technology and Development,2020,30(10):7-13.

[21]何穎源,陳永翀,劉勇,等.儲能的度電成本和里程成本分析[J].電工電能新技術(shù),2019,38(9):1-10.HE Y Y, CHEN Y C, LIU Y, et al.Analysis of cost per kilowatt-hour and cost per mileage for energy storage technologies[J].Advanced Technology of Electrical Engineering and Energy,2019,38(9):1-10.