文丨胖仔研究社编辑丨胖仔研究社前言燃煤发电系统在电力系统中占比较大，我国目前采用火电机组为主的电源结构，其调峰调频能力有限，通常难以满足电力系统对调峰调频容量的需求。
储能技术作为一种有效的辅助手段，可以显著提高电网的安全性、可靠性和灵活性，对促进电力系统转型升级具有重要作用。
近年来，储能技术得到了快速发展，在电力系统中的应用也越来越广泛，国内外相关研究机构已经开展了大量工作。
提出了基于 PCC容量和功率预测模型的储能容量估计方法；文献[2]提出了一种基于神经网络和遗传算法的储能容量估计方法；提出了一种基于自适应粒子群优化算法的储能容量估计方法。
提出了一种基于广义回归神经网络的储能容量估计方法；文献[5]提出了一种基于支持向量回归机的储能容量估计方法。
目前，有关储能容量估计的研究主要集中在以电化学储能为主、以超级电容器为辅的两类电池储能技术，而在燃煤发电系统中开展储能容量估计研究较少。
近年来，随着新能源发电占比不断提升，为有效平抑新能源发电带来的有功功率波动和电压波动影响，国内有关单位开始探索在燃煤发电系统中开展储能容量估计工作。
专家提出了一种基于 BP神经网络和粒子群算法的燃煤发电系统储能容量估计方法；专家提出了一种基于多模型融合和粒子群算法的燃煤发电系统储能容量估计方法；专家提出了一种基于支持向量回归机和遗传算法相结合的储能容量估计方法；文献[9]提出了一种基于神经网络和粒子群算法相结合的燃煤发电系统储能容量估计方法；提出了一种基于支持向量回归机和遗传算法相结合的储能容量估计方法；专家提出了一种基于遗传算法和神经网络相结合的储能容量估计方法；提出了一种基于粒子群算法和 BP神经网络相结合的储能容量估计方法。
与国外相比，我国对燃煤发电系统储能容量估计研究还处于起步阶段，相关研究工作相对较少。
考虑到燃煤发电系统负荷波动大、运行工况复杂，因此开展燃煤发电系统中电池储能容量估计研究具有重要意义。
目前国内外学者主要开展了电池类型、功率类型和充放电状态等因素对电池储能容量影响机理研究，但对电池类型、充放电状态等因素对电池储能容量影响机理缺乏深入研究。
此外，随着新能源发电占比不断提升，新能源发电功率预测精度不足也成为制约燃煤发电系统电池储能电站发展的重要因素之一。
针对以上问题，本文以燃煤发电系统为研究对象，首先通过对该系统负荷波动特性进行分析，明确影响电池储能电站运行经济性、可靠性和安全性的主要因素。
其次通过对该系统历史负荷数据进行分析，建立基于神经网络和粒子群算法相结合的模型来进行负荷预测；最后利用粒子群算法对该模型参数进行优化求解来获得最优负荷预测值。
本文主要研究内容如下：燃煤发电储能容量估计方法设计在电力系统中，燃煤发电系统的储能容量主要由电网负荷需求和储能设备的放电功率决定，因此可以通过分析燃煤发电系统中储能设备的放电功率和电网负荷需求，在此基础上得到燃煤发电系统中储能容量估计方法。
本文研究的燃煤发电系统主要包括4种类型的储能设备，分别是燃气发电机、电动/柴油发电机、锂离子电池和液流电池。
本文首先对这4种不同类型的储能设备进行建模分析，得到其输出功率和放电功率与电网负荷需求之间的关系。
然后利用粒子群算法对这4种不同类型储能设备在不同运行工况下的放电功率与电网负荷需求之间的关系进行估计，得到各类型储能设备在不同运行工况下的充放电功率，从而得到燃煤发电系统中不同类型储能设备的容量。
最后利用PSO-PSO算法对燃煤发电系统中不同类型储能设备在不同运行工况下的充放电功率和容量进行估计。
其中， Ui表示电网负荷需求， Uj表示燃气发电机输出功率， Ui表示燃气轮机转速， Uj表示燃机转速。
由图1可知，在电力系统中，当负荷需求小于燃气轮机转速时，燃气发电机将不会向电网提供电力；而当负荷需求大于燃气轮机转速时，燃气发电机则会向电网提供电力。
将 Ui和 Uj视为系统负荷需求与燃气轮机转速之间的函数关系。
将这两个函数关系代入到图1中，可以得到燃气发电机输出功率和燃气轮机转速之间的关系：其中，I （t）表示燃气轮机转速； Vi= xij+1- yij+1为燃气轮机转速； Yij为燃气发电机输出功率； Wi为发电系统总发电量；E （t）表示燃机输出功率。
当电网负荷需求等于燃气轮机发电系统总发电量时，燃气发电机与燃气轮机之间并无多余的电力交换。
为简化模型分析过程，在本文中假设燃机发电系统总发电量不变，将燃煤发电系统中的储能设备看作是燃机发电系统的备用电源。
由于燃气轮机发电机和燃机发电机组均不能直接参与电力系统中的能量交换过程，因此可以将燃气轮机发电机和燃机发电机组视为非惯性元件。
此时利用其自身机械惯性特性和工作状态的周期性变化特性来反映其运行特性。
由图1可知，燃机发电机在整个运行工况下都能保持稳定运行状态；而燃气发电机则只能在某个特定工况下保持稳定运行状态。
当燃气发电机组处于额定转速时（即发电功率为最大时），其输出功率与燃气发电机的转速成正比；当燃气发电机组处于额定转速以下（即发电功率为最小时）时，其输出功率与燃气发电机组的转速成反比。
储能系统的容量的仿真分析本文基于粒子群算法提出了一种考虑燃煤发电系统储能容量估计的方法，首先，利用粒子群算法对燃煤发电系统中储能设备的容量进行估计，然后采用该方法对某地区燃煤发电系统中储能设备的容量进行估计。
首先对所采用的粒子群算法进行了说明，其原理是通过以系统总有功功率为基准，利用粒子群算法来求解最优的功率分配模型，然后通过比较电池储能系统与传统发电机组在有功功率上的差异来确定储能设备的容量。
然后，建立了一个含燃煤发电系统和电池储能系统的两层仿真模型，分别为上层模型和下层模型。
为了避免本文所采用的粒子群算法在求解最优功率分配问题时可能出现收敛速度慢、早熟等现象。
在建立下层模型时引入了一种改进粒子群算法，改进后的粒子群算法将所有粒子视为一个群体，通过迭代寻优来求解出每一个粒子最优的功率分配问题，而不必进行单独的每一步迭代寻优操作。
仿真过程中根据本文所提出的模型设置了相应的参数，包括初始粒子数量、种群大小、惯性权重和学习因子等。
其中初始粒子数量为系统总有功功率（以 MPCE作为系统总有功功率参考值）与电池储能系统所占容量之比为a=10%。
惯性权重则是根据本文所提出算法得到的迭代寻优结果对每个粒子在当前迭代过程中所受到的惯性力进行加权。
学习因子则是根据粒子群算法求出最优功率分配问题后，对该问题求解所需的学习因子，通过对该地区某一具体火电机组进行仿真计算。
随着火电机组负荷的不断降低，储能设备在每一次潮流循环中所吸收的电能会不断减少，直至达到平衡状态；但由于储能设备本身具有一定的惯性力，使其在储能设备达到平衡状态之前能够吸收更多的电能。
当火电机组负荷降低到某一值时，储能设备在每一次潮流循环中吸收的电能会达到平衡状态；此时储能设备处于工作状态下。
如果火电机组负荷继续降低，那么储能设备会根据火电机组所发出的电能继续吸收电能；而如果火电机组负荷继续降低，那么储能设备将会停止工作并将吸收到的电能释放出来。
在每次潮流循环中，火电机组都会发出相应数量的电能；在这一过程中储能设备可以吸收或者释放一定数量的电能。
当火电机组负荷降低到某一值时，若此时系统没有足够能量来满足该次潮流循环所需能量时，则需要增加储能设备以保证其能够吸收或者释放一定数量的电能。
当火电机组负荷继续降低到某一值时，若此时系统没有足够能量来满足该次潮流循环所需能量时，则需要降低储能设备以保证其能够吸收或者释放一定数量的电能。
因此在每次潮流循环中需要对储能设备所吸收或者释放出来的电能进行回收，随着火电机组负荷不断降低，当火电机组负荷为0时储能设备吸收或释放出来电量为0。
笔者观点本文从储能的概念入手，首先阐述了储能的特性，然后总结了储能系统的发展现状和主要的储能技术，在此基础上分析了现有研究中存在的问题，并提出了改进建议。
针对传统估计方法存在的不足，本文提出一种基于粒子群算法的储能容量估计方法，通过粒子群算法可以准确估计出储能系统在给定时刻对应的容量，并结合传统估计方法对两种方法进行了对比分析，验证了该方法的有效性和可行性。
利用 MATLAB进行仿真分析，结果表明该方法可以有效地估计出储能系统在给定时刻对应的容量，并对两种方法进行对比分析，结果表明该方法具有较高的准确性和可靠性。
利用 MATLAB建立了实际储能系统仿真模型，并在该模型基础上提出了一种基于粒子群算法的储能容量估计方法。
为了验证本文所提出算法的有效性和可行性，对本文提出的储能容量估计算法进行了仿真分析，结果表明该算法可以准确地估计出储能系统在给定时刻对应的容量。
参考文献张雪垠《基于电动汽车 V2G 响应能力的储能容量配置方法》电力建设，2019年。
张利涛《储能调频系统接入火力发电厂电气一次系统研究》电气技术与经济，2021年。
李华强《基于蒙特卡洛模拟和频谱分析法的孤岛微电网储能容量配置》电网技术，2020年。
杨立滨《计及风电不确定性和弃风率约束的风电场储能容量配置方法》 电力系统自动化，2020年。
李相俊《基于电池健康度的微电网群梯次利用储能系统容量配置方法》 电网技术，2020年。
