基于时序生产模拟的多类型储能配置收益特性分析

郭相阳; 王文倬; 李武璟; 张亚刚; 郭舒毓; 荆逸然; 张曦

doi:10.12404/j.issn.1671-1815.2507442

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (22) :9552-9561 DOI: 10.12404/j.issn.1671-1815.2507442

电工技术

基于时序生产模拟的多类型储能配置收益特性分析

郭相阳 ¹ ,
王文倬 ¹ ,
李武璟 ¹ ,
张亚刚 ¹ ,
郭舒毓 ¹ ,
荆逸然 ² ,
张曦 ³^,^*

作者信息 +

Benefit Characteristic Analysis of Energy Storage Allocation with Multi-type Energy Storage Systems in Power Grids

Author information +

文章历史 +

摘要

储能配置是提升新型电力系统新能源消纳能力的关键途径。目前常见的储能形式包括飞轮储能、电化学储能和抽水蓄能等,不同类型在充放电速率、成本及适用场景等方面存在显著差异。在多类型储能系统规划中,需统筹考虑其投资成本与运行收益,实现经济高效的配置。提出了一种基于时序生产模拟的多类型储能配置多维度经济特性分析框架。首先,构建以系统总运行成本最小为目标的时序生产模拟模型,该模型综合考虑可再生能源出力波动、储能充放电策略及运行效率等约束,能够有效评估系统在长时间尺度下的运行成本。进而,基于模拟所得运行收益与储能配置成本,建立储能投入产出比评价指标体系,为储能经济性分析提供量化依据。仿真结果表明,合理配置储能可有效降低系统弃风弃光率,提升新能源消纳水平,揭示了储能“收益-容量”的非线性规律与边际效益递减效应,明确了最优经济配置区间的存在。研究结果为实际工程中储能系统的精准投资与优化配置提供了关键的理论依据和决策工具。

Abstract

Energy storage configuration is regarded as a key approach for enhancing the renewable energy accommodation capacity of new power systems. Commonly adopted forms of energy storage include flywheel energy storage, electrochemical energy storage, and pumped hydro storage, among others, with significant variations observed in charging and discharging rates, costs, and applicable scenarios. In the planning of multi-type energy storage systems, investment costs and operational benefits must be holistically considered to achieve an economical and efficient configuration. A multi-dimensional economic characteristic analysis framework for multi-type energy storage configuration was proposed based on time-series production simulation. First, a time-series production simulation model was constructed with the objective of minimizing the total system operating cost. This model comprehensively incorporates constraints such as renewable energy output fluctuations, energy storage charging and discharging strategies, and operational efficiency, enabling the system's operational costs to be effectively evaluated over long time scales. Subsequently, based on the operational benefits obtained from simulations and energy storage configuration costs, an evaluation index system for the input-output ratio of energy storage was established, providing a quantitative basis for economic analysis of energy storage. It is demonstrated through simulations that a reasonable configuration of energy storage can effectively reduce the system's wind and solar curtailment rates and enhance the level of renewable energy accommodation. The nonlinear relationship between energy storage “benefits and capacity” is revealed, along with the diminishing marginal effect, and the existence of an optimal economic configuration range is identified. A critical theoretical foundation and decision-making tool are provided by this research for the precise investment and optimal configuration of energy storage systems in practical engineering applications.

Graphical abstract

关键词

高比例新能源电力系统 / 多类型储能 / 储能配置 / 生产模拟 / 投入产出比分析

Key words

high-penetration renewable energy power system / multi-type energy storage / energy storage configuration / production simulation / cost-benefit ratio analysis

引用本文

引用格式 ▾

郭相阳, 王文倬, 李武璟, 张亚刚, 郭舒毓, 荆逸然, 张曦. 基于时序生产模拟的多类型储能配置收益特性分析[J]. 科学技术与工程, 2026, 26(22): 9552-9561 DOI:10.12404/j.issn.1671-1815.2507442

GUO Xiang-yang, WANG Wen-zhuo, LI Wu-jing, ZHANG Ya-gang, GUO Shu-yu, JING Yi-ran, ZHANG Xi. Benefit Characteristic Analysis of Energy Storage Allocation with Multi-type Energy Storage Systems in Power Grids[J]. Science Technology and Engineering, 2026, 26(22): 9552-9561 DOI:10.12404/j.issn.1671-1815.2507442

登录浏览全文

4963

注册一个新账户忘记密码

在“2030年前碳达峰、2060年前碳中和”的战略目标驱动下^[1],构建以风电、光伏等新能源为主体的新型电力系统已成为中国能源结构转型的核心任务^[2]。然而,与可灵活调度的常规火电机组不同,风、光资源具有显著的间歇性与波动性,其大规模、高比例的并网给电网的实时功率平衡、调峰调频及安全稳定运行带来了严峻挑战^[3-4]。如何有效平抑新能源出力的不确定性,最大限度提升新能源消纳水平,同时保证系统运行的经济性,是当前电力系统研究领域亟待解决的关键问题^[5]。

配置储能系统是应对上述挑战、提升电网灵活性的关键技术手段之一^[6-7]。储能装置通过在用电低谷时充电、用电高峰时放电,能够有效平抑负荷峰谷差,跟踪平滑新能源出力波动,从而为系统运行提供备用容量,显著提升新能源的接纳能力。中国多地通过部署不同技术路线的储能项目,有效应对了新能源发电的波动性与间歇性挑战。例如,河北围场共享储能电站(规模3.55×10⁵ kW/9.2×10⁵ kW·h)具备快速响应与长时储能能力,可执行调频、黑启动及削峰填谷等多类电网服务,年调峰电量超2.8×10⁸ kW·h,并通过容量租赁模式使当地风光项目年均利用小时数提升约15%^[8]。江苏滨海组串式储能电站(200 MW/400 MW·h)作为电网侧重要调节资源,以每日充放运行模式,年均可降低电网峰值负荷220 MW,并提供100 GW·h清洁电能,显著增强了沿海电网的调度灵活性^[9]。乌兰察布化德县复合储能项目(100 MW / 400 MW·h)创新融合电化学与氢储能技术,实现了秒级调频与跨季节储能的协同,预计年放电量约100 GW·h,有效缓解了地区“弃风弃光”压力^[10]。这些工程实践表明,因地制宜配置储能系统,是中国构建高弹性新型电力系统的有效路径。

近年来,学者们围绕储能参与电网优化调度开展了广泛研究。文献[11]构建了含单一类型储能的电网调度模型,验证了储能对促进新能源消纳的有效性。文献[12]构建了一种由超级电容和蓄电池构成的混合储能双层模糊控制策略,以平抑风力发电系统的出力波动。在储能配置方面,文献[13]以最小化配电网年成本费用和日节点电压偏差为目标,对锂电池在配电网中的选址定容问题展开研究。文献[14]结合多场景储能调节输出功率, 以日净收益最大化为目标构建网系统储能配置优化模型,并采用遗传算法求解储能最优配置方案。

不同类型的储能(如锂电池、抽水蓄能、超级电容等)在功率密度、能量密度、响应速度及建设成本等方面存在显著差异,在满足电力系统各层面安全要求上存在互补特性^[15]。若充分考虑并发挥多种储能技术的协同优势,通过在规划中合理配置不同类型储能,形成“功率型”与“能量型”储能的梯次配合^[16-17],有望进一步挖掘系统灵活性潜力,实现更优的新能源消纳技术经济效益^[18-19]。然而,现有研究对多类储能的配置效益分析尚不充分:未充分结合多类型储能差异化成本结构,在评估不同类型储能长期运行收益和配置成本的影响方面,也缺乏统一的收益比综合评价框架,难以支撑工程中多类型储能的最优配置决策。因此,研究分析各类储能配置下计及系统长时间尺度运行收益及配置成本关系对储能规划具有显著的现实意义^[20]。

因此,针对高比例新能源并网所引发的消纳挑战与多类型储能配置问题,现提出一种基于生产模拟的多类型储能配置收益特性分析方法。首先,构建以系统总运行成本最小为目标的时序生产模拟模型,该模型综合考虑可再生能源出力波动、储能充放电策略及运行效率等约束,能够有效评估系统在长时间尺度下的运行性能。进而,基于模拟所得运行收益与储能配置成本,建立储能投入产出比评价指标体系,为储能经济性分析提供量化依据。通过在电力系统算例中进行多场景仿真分析,验证合理配置储能在提升新能源消纳水平与降低系统运行成本方面的有效性,同时揭示储能配置存在边际效益递减特性,需合理确定其最优容量区间以实现经济效益最大化。

1 考虑储能的电网时序生产模拟模型

1.1 目标函数

目标函数旨在最小化电力系统的总运营成本,综合考虑常规发电、可再生能源发电、储能设备运行以及可再生能源弃用的经济影响。总运营成本的数学表达式为

(1)F=min$\sum _{t=1}^{T}{{C}^{g}}_{t}$+${C}_{t}^{pv}$+${C}_{t}^{wind}$+${C}_{t}^{sto}$

(2)C^g_t=a_g(P^g_t)²+b_gP^g_t+c₀

(3)${C}_{t}^{pv}$=α_pv(${\mu }_{pv}^{t}$)²+c_pv

${\mu }_{pv}^{t}$

(4)${C}_{t}^{wind}$=a_wind(${\mu }_{wind}^{t}$)²+c_wind

${\mu }_{wind}^{t}$

(5)${\mu }_{pv}^{t}$=${P}_{t}^{pre.pv}$-${P}_{t}^{pv}$

(6)${\mu }_{wind}^{t}$=${P}_{t}^{pre.wind}$-${P}_{t}^{wind}$

(7)${C}_{t}^{sto}$=c₀+c₁

$\left|{P}_{t}^{bat}\right|$

(8)${P}_{t}^{bat}$=$\left\{\begin{array}{ll}{P}_{t}^{bat.dis},& \mathrm{储}\mathrm{能}\mathrm{放}\mathrm{电}\\ -{P}_{t}^{bat.ch},& \mathrm{储}\mathrm{能}\mathrm{充}\mathrm{电}\end{array}\right.$

式中:C^g_t为时段t内常规机组运行成本;a_g、b_g、c_g分别为常规机组的运行成本系数;

${C}_{t}^{pv}$

为时段t内弃光惩罚成本;a_pv为弃光二次惩罚成本系数;c_pv为弃光一次惩罚成本系数;μ^t_pv为第t 时段光伏弃电量;

${P}_{t}^{pre.pv}$

为光伏出力预测值;

${P}_{t}^{pv}$

为光伏实际出力值;

${C}_{t}^{wind}$

为时段t内弃风惩罚成本;a_wind为弃风二次惩罚成本系数;c_wind为弃风一次惩罚成本系数;

${P}_{t}^{pre.wind}$

为风电出力预测值;

${P}_{t}^{wind}$

为实际风电出力值;

${C}_{t}^{sto}$

为时段t内储能的运行成本;c₀、c₁分别为储能装置的运行成本系数;

${P}_{t}^{bat}$

为储能装置在时段t的充电或放电功率;

${P}_{t}^{bat.ch}$

为储能充电功率;

${P}_{t}^{bat.dis}$

为储能放电功率。

1.2 优化变量

时序生产模拟模型中的优化变量有:常规机组实际出力值P^g_t,风电实际出力值

${P}_{t}^{wind}$

,光伏实际出力值

${P}_{t}^{pv}$

,储能装置t时刻的充电功率

${P}_{t}^{bat.ch}$

和放电功率

${P}_{t}^{bat.dis}$

。

1.3 约束条件

为了确保发电设备的可靠运行和安全性,考虑各种能源发电设备的特性和运行限制,设置优化调度模型的约束条件,包括各机组单元功率约束等。

(9)0≤P^g_t≤P^g.max

(10)0≤${P}_{t}^{pv}$≤P^pre.pv

(11)0≤${P}_{t}^{wind}$≤P^pre.wind

(12)-P^bat.min≤${P}_{t}^{bat}$≤P^bat.max

式中:P^g^.^max为常规机组出力上限;P^pre.wind和P^pre^.^pv分别为风电和光伏预计发电上限;P^bat.max和P^bat.min分别为电池的充、放电功率上限。

上述约束条件能够确保优化目标函数的正常运行,其中常规机组的输出限制,保证机组出力不为负数,且限制机组在时刻t的出力不超过预先给定的可用容量。

设置储能装置功率及电池荷电状态约束为

(13)${S}_{bat}^{min}$≤${S}_{t}^{bat}$≤${S}_{bat}^{max}$

(14)${S}_{t}^{bat}$=${S}_{t-1}^{bat}$+η_c${P}_{t}^{bat.ch}$Δt-$\frac{{P}_{t}^{bat.dis}\Delta t}{{\eta }_{d}}$

式中:

${S}_{bat}^{min}$

和

${S}_{bat}^{max}$

分别为最小储能容量和最大储能容量;

${S}_{t-1}^{bat}$

为t-1时段后储能的荷电状态;

${S}_{t}^{bat}$

为t时段后储能的荷电状态;η_c和η_d分别为储能系统的充、放电效率。

通过功率平衡约束确保每一时间步的总输出满足负载需求,即

(15)P^g_t+${P}_{t}^{wind}$+${P}_{t}^{pv}$+${P}_{t}^{bat.dis}$=${P}_{t}^{load}$+${P}_{t}^{bat.ch}$

式(15)中:

${P}_{t}^{load}$

为总负载。

在每个时刻,火电机组、风电、光伏与电池放电功率之和必须等于负荷需求和电池充电功率之和,确保供需平衡。

2 储能投入产出比指标

为全面评价不同类型储能在高比例可再生能源系统中的运行效益与经济性,提出储能投入产出比指标体系。该体系在目标函数与约束条件基础上,刻画储能在系统运行中的收益、成本、效率与利用规律,能够揭示不同储能技术在多场景下的适应性与约束,从而为合理的储能配置与调度策略提供量化依据。重点对锂电池、飞轮储能与氢气储能进行对比分析。

2.1 储能建设和运行成本

建设成本是储能容量和储能单位建设费用的乘积。本文中锂电池、飞轮储能和氢储能单位建设成本分别为100美元/(MW·h)、300美元/(MW·h)和90美元/(MW·h)。

运行成本是指储能系统在充放电及维护过程中所产生的费用。根据式(8),选取典型参数,列于表1以作为不同储能技术运行成本的参考。

2.2 储能等效循环充电次数

等效循环充电次数(equivalent full cycles, EFC)反映了储能在运行过程中的使用强度和寿命消耗情况,它通过统计充放电量来计算等效的完整充放电循环次数,从而衡量储能系统在运行中所承受的寿命消耗水平。

(16)EFC=$\frac{\sum _{t=1}^{T}({P}_{t}^{bat.ch}+{P}_{t}^{bat.dis})}{2{S}_{bat}}$

式(16)中:EFC为等效循环充电次数;S_bat为储能容量;系数2表示一次完整的充电和放电才是一次循环。

2.3 储能投入收益比

定义储能收益比例C_rate为

(17)C_rate=$\frac{{F}_{pre}-{F}_{post}}{{C}_{bat}}$

式(17)中:F_pre和F_post分别为优化前后系统的运行成本;C_bat为储能的配置成本,包括建设成本和固定成本。

固定成本主要来源于运行维护人员工资、设备保养零件采购和土地占用租金等。储能收益比旨在衡量单位配置成本的储能带来的系统整体运行收益。

3 算例仿真与分析

3.1 仿真参数及优化求解方法

先获取新能源发电、负荷功率的历史值,以及常规发电容量、各类型储能配置情况。然后,采用上述时序生产模拟模型,评估不同储能配置下电力系统的运行收益。使用修改的IEEE 14 节点电力系统算例,涵盖6个负载节点和5个储能节点。系统参数包括常规发电的功率上下限、发电成本以及储能设备的性能参数。储能设备被分配到5个节点,容量从50 MW·h变化至5 000 MW·h,充放电效率为0.95,荷电状态范围为20%~90%,初始荷电状态设为30%。运行成本参数取值情况为:a_g=0.003美元/(MW)²,b_g=0.05美元/MW,c_g=0美元,a_pv=0.5美元/(MW)²,c_pv=美元/MW,a_wind=0.5美元/(MW)²,c_wind=4.9美元/MW。

3.2 仿真结果与分析

3.2.1 不同锂电池储能容量对新能源消纳促进作用分析

图1通过对比储能容量分别为200 MW·h和800 MW·h的两种情境,定性分析了系统各主体的表现变化。结果显示,储能容量的增加显著提升了系统的调节能力。在200 MW·h储能容量情况下,系统弃电现象较为严重。相比之下,800 MW·h储能容量下,系统的弃电量显著减少,确保了更多的可再生能源能够被储存并在负荷高峰时释放。

为定量评估储能系统配置对风能与太阳能利用效率的提升效果,表2展示了在储能容量由50 MW·h逐步增加至5 000 MW·h条件下,风能和太阳能的利用率变化情况及对应的弃电量。

随着储能容量的增加,系统中风光资源的利用水平显著提升,表现出明显的递增趋势。具体而言,风能利用率由初始的84%逐步升高至97%,太阳能利用率亦由53%提升至87%。其中,在储能容量达到400 MW·h时,风能利用率已达88%,太阳能利用率提升至61%。进一步将储能容量提升至800 MW·h,可实现风能与太阳能分别91%和66%的利用率,对应的弃电量显著降低,仅剩8 249 MW·h和4 469 MW·h。上述结果表明,储能系统在提升可再生能源利用率方面发挥了关键作用。

为进一步评估验证储能配置对电网灵活性与新能源消纳的促进作用,以中国西北电网为实证对象,构建了考虑区域资源禀赋、负荷特性及发展规划的精细化分析模型。模型设定2030年西北电网火电装机容量为280 GW,新能源装机容量为840 GW, 并基于规划形成的21条直流外送通道与21条内部交流联络线,模拟电力外送与互济能力。在此基础上,分析了不同储能配置容量对系统整体新能源消纳水平的影响。

通过时序生产模拟与优化算法,计算得出在840 GW新能源装机场景下不同储能容量配置对应的新能源电量占比与弃电率变化情况,如图2和图3所示。

由图2和图3可知,配置储能可以提升西北电网新能源消纳能力,但随着储能容量的不断提升,运行收益的边际递减效应凸显。

综上所述,储能容量的合理配置是提高风光资源消纳水平的有效手段。结合表中数据分析可知,当储能容量配置在过高水平时,继续扩容所带来的利用率提升有限。

3.2.2 不同配置容量下储能利用率分析

表3展示了不同储能容量下的EFC和常规电源发电量。由表3可知,随着储能容量的增加,EFC呈现出显著的下降趋势。当储能容量仅为50 MW·h时,其EFC高达45.79,说明在该容量下系统能够较为频繁地完成充放电循环,表现出较强的利用强度。但随着储能容量逐步增大至5 000 MW·h,EFC逐渐下降至5.68,循环次数明显减少。这表明在大容量储能条件下,单位容量的利用效率相对较低。

从总充放电量来看,储能容量的提升能够显著增加总的充放电规模。例如,当容量由50 MW·h提升至5 000 MW·h时,总充放电量由2 289 MW·h增加至28 398 MW·h,增长超过10倍。然而,与容量的提升幅度相比,总充放电量的增加并不成比例,体现出边际效益递减的特征。这一现象与EFC的下降相呼应,说明储能系统在大容量条件下的使用频度降低,存在一定的容量冗余。

表3还显示了不同储能容量配置下系统的常规发电电量随之变化的情况。随着储能容量从50 MW·h提升至 5 000 MW·h,常规发电电量由 28 847 MW·h 逐步下降至 20 323 MW·h,整体呈现出较为平稳的下降趋势。该结果表明,储能系统的引入有效缓解了对常规电源的依赖,其通过在负荷低谷期间储能、在负荷高峰期间释能,起到了削峰填谷的作用,优化了系统的负荷曲线,从而减少了常规电源的运行时间和发电负担。尤其在储能容量由50 MW·h增加至3 200 MW·h阶段,常规发电量减少幅度较大,说明该区间内储能系统对提升新能源消纳、减少常规发电具有显著效益。之后储能容量继续增大至5 000 MW·h时,常规发电量下降趋缓,仅由20 659 MW·h进一步降至20 323 MW·h,显示出边际效益递减的特征。由此可见,储能系统在一定容量范围内可有效替代部分常规发电,但在高容量区间其替代作用趋于饱和,需综合考虑系统调度策略与经济性进行储能容量的合理配置。

3.2.3 不同储能配置容量下收益比分析

表4展示了不同储能容量配置下,系统优化前后运行成本、储能带来的运行收益以及储能投资费用的变化情况。在一定范围内,运行成本随着储能容量的提升逐步下降。对于容量不超过800 MW·h的情况,优化后费用仍处于较高水平,例如,50 MW·h时为1 316 931美元,200 MW·h时为1 305 495美元;当容量超过800 MW·h后,运行成本削减效果显著增强,1 600 MW·h 时下降至1 279 935美元。

在收益方面,储能容量的增加带来了持续提升的经济效益:当容量由50 MW·h提升至5 000 MW·h时,储能收益由1 428美元增至45 009美元,增长幅度近31.5倍。这表明,在一定范围内,更大规模的储能配置能够在更大程度上提升新能源利用率,实现电能跨时段调节,从而获取更高的经济回报。

与此同时,储能建设成本成为决定系统整体经济性的另一重要因素。表4所示,储能建设成本从5 000美元增加至500 000美元,呈线性快速增长,导致储能收益比(C_rate)随着容量增加而逐步下降:由200 MW·h时的0.64下降至5 000 MW·h时的0.09,体现储能配置的边际收益递减规律。

上述结果表明,储能系统在不同容量配置下表现出明显的经济性差异。小容量储能尽管优化后运行成本削减有限,但收益比相对较高,适合于对投资敏感且需要较快回收周期的应用场景,如分布式电源配套、孤岛型微电网运行等。中等规模储能在运行成本削减和收益提升之间取得平衡,是电网削峰填谷、提升新能源消纳能力的有效配置方案。而超大规模储能尽管在运行成本上表现出极强的削减优势,但其投资成本过高,且收益比显著下降,说明其在经济性方面需依赖政策补贴或容量电价等机制才能实现可持续推广。

储能配置收益比随配置容量呈非线性变化:在达到最优点前,收益比上升主要是由于有效地减少了弃风弃光;超过最优点后,边际效益递减。原因是运行收益增幅与配置成本增幅随储能配置容量变化特性不同。

3.2.4 多类型储能配置指标体系综合分析

1)锂电池储能在不同充电速率下的收益比分析

从表4可知,当储能容量为200 MW·h时,系统收益比达到最大值,是不同容量配置下的最优选择。因此,本小节均在容量固定为200 MW·h的前提下,对比分析不同充电倍率下的运行效果与经济性。由表5可知,充电倍率对系统的运行费用、收益和收益比均产生显著影响。

(1)优化后系统成本。随着充电倍率由0.25C(C为电池的额定容量)提升至0.5C,系统优化后成本由1 305 495美元大幅下降至1 301 793美元,表现出明显的优化效果。但当充电倍率进一步提升至1C时,成本仅小幅下降至1 298 352美元,表明运行成本削减效果在中高倍率时趋于稳定。

(2)储能收益。储能收益随充电倍率增加呈现边际递减特征:从0.25C的12 864美元提升至0.5C的16 566美元,增幅高达28.8%;但继续提升至1C时,收益仅增加至20 007美元,增幅降至20.8%,说明高倍率下储能系统对新能源消纳能力的提升存在边界效应。

(3)锂电池储能的EFC。等效循环充电次数在0.25C~0.5C显著提升,由39.31增加至45.34,增幅达15.34%;而在0.5C~1C的增加量降至5.51,提升幅度下降到12.15%,同样呈现出趋于饱和的规律。

(4)储能总成本构成。储能总成本随倍率提升显著上升:从0.25C的20 100美元增加至0.5C的25 100美元,再增至1C的35 100美元。其主要原因在于建设成本持续增长(10 000→12 500→17 500美元)。这表明高倍率不仅推高了建设投入,还改变了运行支出的结构特征。

(5)储能收益比(C_rate)。收益比随充电倍率呈现“先升后降”的趋势:由0.25C时的0.64提升至0.5C时的0.66,达到最高值,但与0.25C相比提升幅度仅0.02,差异并不显著。而在1C时大幅下降至0.57,降幅超过0.09,主要原因在于总成本的增长速度远快于收益的增加。

综上,在200 MW·h容量下,充电倍率的提升能够显著改善运行经济性和循环性能,但同时也带来建设成本的快速增加及收益比的下降风险。在工程实践中,中等倍率(约0.5C)实现了运行成本削减、收益提升与投资效率的相对平衡,是收益效率意义上的最优选择;过高的充电倍率(如1C)虽在技术性能上具备优势,但经济性显著下降,需结合市场补偿机制方可具备推广价值。

2)多种储能类型的收益比分析

表6给出了锂电池、飞轮储能和氢储能在50、200、400 MW·h 3种容量条件下的系统运行成本、建设费用及收益比对比情况。总体来看,3类技术随着容量扩大,储能收益和系统成本均显著增加,但收益比的变化趋势和经济性差异较为明显。

首先,从同一技术内部看,3类储能的收益和成本都随容量上升而增加,但收益比表现出“先升后稳/略降”的特征。

(1)锂电池储能:当容量从 50 MW·h 提高到 200 MW·h 时,储能收益由1 428美元激增至12 864美元,系统储能总成本由5 100美元增至20 100美元,收益比由 0.28 提升到 0.64,经济性明显改善;继续扩容到 400 MW·h 后,收益增至22 456美元,总成本升至40 100美元,收益比略降为0.56,表明在200 MW·h 左右已接近最优区间,之后扩容的边际收益有所减弱。

(2)飞轮储能:收益从2 525美元、26 466美元增至48 861美元,总成本则从10 100美元上升到80 100美元,对应的收益比由0.25提升到0.66,随后小幅回落至0.61。飞轮在200 MW·h 时收益比最高,说明其在中等容量下能充分发挥高功率、频繁充放电的优势,而在更大容量下,新增投资带来的收益增量相对不足。

(3)氢储能:系统储能总成本在3类技术中整体最低(50、200、400 MW·h 分别为 4 600 美元、18 100 美元和 36 100 美元),收益由 874 美元增长到 17 689 美元,收益比从 0.19 提升至 0.52,随后略降为 0.49,整体水平虽有提升但明显低于锂电池和飞轮,说明在本算例下氢储能的经济性相对较弱。

其次,从跨技术对比来看,在相同容量下飞轮和锂电池的收益比普遍高于氢储能。在 50 MW·h 时,锂电池收益比为 0.28,略高于飞轮的 0.25,而氢储能仅为 0.19,三者经济性差异尚不算巨大;在 200 MW·h 时,飞轮收益比达到 0.66,为全表最高,其次为锂电池的 0.64,氢储能为 0.52,显示出中等容量下飞轮与锂电池的收益优势最为突出;在 400 MW·h 时,飞轮和锂电池收益比分别为 0.61 和 0.56,仍然明显高于氢储能的 0.49,但相较 200 MW·h 均出现不同程度回落,表明3类技术在进一步扩容时都面临边际收益递减的问题。

总体而言,3种储能技术在容量扩展过程中均体现出一定的规模效应:中等容量阶段收益比最高,是经济性较优的配置区间。其中,飞轮储能和锂电池在收益比方面整体领先,更适用于本文算例中的短-中时长储能场景;氢储能虽然总成本相对较低,但单位投资产生的收益有限,在相同容量下经济性略逊一筹。实际工程中,应结合应用场景(功率需求、时长需求)与投资预算,充分评估边际收益和系统整体经济性。以上经济性分析方法可以辅助系统规划部门确定储能配置的最优容量。根据规划的需求,优化目标可以包括系统总运行成本最低、储能利用率或投入产出比最高等。

3.2.5 常规机组最小开机约束

所提优化调度模型只考虑储能在平抑新能源出力波动方面的作用。在优化过程中观察到,为了最小化系统运行成本,常规火电机组在部分时段的出力可能降至零,如图1所示。然而,这种运行方式可能导致系统总惯量水平、电网强度降低,进而使得系统稳定问题突出。为增强系统的动态鲁棒性,我们在原有优化模型基础上引入最小开机机组数约束,以确保有一定数量的火电机组持续运行,从而为系统提供必要的惯量支撑与频率稳定保障。为了便于量化分析,假设每台火电机组开机时的最小输出功率为10 MW,并设置最小开机机组数为1~3的情形,进一步评估其对系统新能源消纳能力的影响。图4和图5分别给出了不同储能容量(50~5 000 MW·h)及最小开机数目条件下EFC和弃电量变化情况。整体来看,EFC 随储能容量增加逐步下降,而最小开机数目的提高在各容量下均导致 EFC 与弃电量同步上升。

在小容量阶段,EFC 值较高且对开机数目并不敏感。以 50 MW·h 为例,当最小开机单元数由 0 台增加至 3 台时,EFC 仅由 45.79 略升至 45.99,变化不到 0.3 次,而弃电量却由约 2.05×10⁴ MW·h 增长至 2.64×10⁴ MW·h;在 200 MW·h 下,EFC 由 39.31 升至 39.40、变化不足 0.1 次,但弃电量增加约6 000 MW·h。说明在小容量条件下,储能本身是系统的“稀缺资源”,无论开机多少台火电,都可以把有限的储能容量充分调动起来,EFC 已接近可实现的上限;开机数目的增加主要体现在压缩新能源直接消纳、推高系统弃电量,而不是显著改变储能的充放电频次。

在中等容量阶段,EFC 下降至14~33,说明随着容量扩展,单位容量的循环次数自然回落。此时开机数目对 EFC 的影响开始逐渐显现但整体仍较温和:如1 600 MW·h情况下,EFC随开机单元数由14.24增至14.74,增幅约3.5%;而400、800 MW·h 下不同开机方案之间的EFC差异仍控制在0.2次以内。与此同时,各容量下“0 台”和“3 台”方案的弃电量差异保持在 4.7×10³~6.2×10³ MW·h 的量级。这表明在中等容量区间,储能已经能够承担更大比例的调峰任务,机组最小开机约束对储能利用率的边际影响开始增强,但尚未成为主导因素。

在大容量阶段,EFC 进一步降至8.47~9.18和5.68~6.38的水平,但不同开机方案之间的相对差异明显放大:例如在5 000 MW·h 下,EFC 随开机单元数由 5.68 升至 6.38,增幅超过 12%;3 200 MW·h下的增幅也接近 8%。对应地,弃电量在“0 台”和“3 台”方案之间仍存在3.5×10³~4.1×10³ MW·h 的差距。此时储能规模已与系统功率水平相当,其能否充分参与调峰,在很大程度上取决于火电机组的最小开机数目:开机单元越多,越会通过刚性出力挤占可再生能源消纳空间,迫使储能进行更多“被动”充放电,同时推高系统弃电量。

综上,最小开机数目的增加在数值上往往伴随着 EFC 的小幅上升,但这一“提升”并非来自储能效率的改善,而是常规机组出力刚性增强带来的挤占效应,其代价是系统弃电量的同步增加。随着储能容量从小到大逐步扩展,火电出力策略对储能利用率和新能源消纳的影响由弱变强,体现出火电与储能之间显著的耦合与博弈关系。研究结果表明,在高比例新能源背景下,需要将储能规模配置与火电最小开机策略进行协同优化,尽量减少不必要的机组刚性出力,并结合构网型储能等技术手段,在保障系统安全稳定的同时最大程度提升可再生能源消纳水平。

4 结论

针对高比例可再生能源并网背景下电力系统面临的消纳与储能规划挑战,提出了一种基于时序生产模拟的多类型储能配置多维度特性分析框架。通过时序生产模拟模型评估系统配置储能后在长时间尺度下的运行收益,进而基于所得运行收益与储能配置成本。评价多类储能投入产出比,并进行了多场景仿真验证,得出如下结论。

(1)合理配置并优化调度储能系统,实现了系统中能量在时间维度上的高效转移。通过减少弃电惩罚成本和在用电高峰时段替代高成本火电机组出力,显著改善电力系统的整体运行经济性。仿真结果表明,配置储能策略能够显著降低系统的弃风、弃光率,从而大幅提升电网对高波动性可再生能源的接纳能力。

(2)研究深刻揭示了储能系统“收益-容量”的非线性特性与边际效益递减规律。这一定量结论表明,储能配置规模存在明确的经济上限,“规模越大越好”的传统观念可能导致投资效益低下。因此,在实际工程规划中,必须在技术效益与投资成本之间进行精确权衡,以确定经济最优的配置区间,本文方法正是实现这一权衡的关键工具。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	中共中央、国务院. 关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见[N]. 人民日报, 2021-10-25(001).

[2]	Central Committee of the Communist Party of China, State Council. Opinions on fully, accurately and comprehensively implementing the new development philosophy and doing a good job in carbon peaking and carbon neutrality[N]. People's Daily, 2021-10-25(001).

[3]	国家能源局. 国家能源局关于2021年风电、光伏发电开发建设有关事项的通知[EB/OL]. (2021-05-11)[2025-11-01]. https://zfxxgk.nea.gov.cn/2021-05/11/c_139958210.htm.

[4]	National Energy Administration (NEA). Notice on the Development and Construction of Wind and Solar Power in 2021[EB/OL]. (2021-05-11)[2025-11-01]. https://zfxxgk.nea.gov.cn/2021-05/11/c_139958210.htm.

[5]	许竞, 赵铁军, 高小刚, 等. 高比例新能源电力系统调节资源灵活性不足风险分析[J]. 中国电力, 2024, 57(11): 129-138.

[6]	Xu Jing, Zhao Tiejun, Gao Xiaogang, et al. Risk analysis of insufficient flexibility from regulation resources in high proportion rene-wable energy power systems[J]. Electric Power, 2024, 57(11): 129-138.

[7]	汪梦军, 郭剑波, 马士聪, 等. 新能源电力系统暂态频率稳定分析与调频控制方法综述[J]. 中国电机工程学报, 2023, 43(5): 1672-1694.

[8]	Wang Mengjun, Guo Jianbo, Ma Shicong, et al. Review of transient frequency stability analysis and frequency regulation control methods for renewable power systems[J]. Proceedings of the CSEE, 2023, 43(5): 1672-1694.

[9]	张智刚, 康重庆. 碳中和目标下构建新型电力系统的挑战与展望[J]. 中国电机工程学报, 2022, 42(8): 2806-2819.

[10]	Zhang Zhigang, Kang Chongqing. Challenges and prospects for constructing the new-type power system towards a carbon neutrality future[J]. Proceedings of the CSEE, 2022, 42(8): 2806-2819.

[11]	顾运. 新型电力系统下的储能技术发展分析[J]. 能源与节能, 2025(6): 20-22.

[12]	Gu Yun. Development of energy storage technologies in new power system[J]. Energy and Energy Conservation, 2025(6): 20-22.

[13]	赵冬生. 储能技术及其在风电场中的应用现状研究[J]. 中国设备工程, 2025(9): 233-235.

[14]	Zhao Dongsheng. Research on energy storage technology and its application status in wind farms[J]. China Plant Engineering, 2025(9): 233-235.

[15]	围场融媒. 围场绿色“充电宝” 破解消纳难题[N/OL]. (2025-02-22)[2025-11-19]. https://mp.weixin.qq.com/s?__biz=MzAwNjE1ODIxMA==&mid=2650475854&idx=1&sn=f387a5214c01da78a06b02079825c4fe&chksm=82a304e8c1c57d09aea04154380ddf656f19baa15663bf09cc6a7553511367726064b6638cf3&scene=27.

[16]

Weichang Media. Green “power bank” in Weichang solves the absorption problem[N/OL]. (2025-02-22)[2025-11-19]. https://mp.weixin.qq.com/s?__biz=MzAwNjE1ODIxMA==&mid=2650475854&idx=1&sn=f387a5214c01da78a06b02079825c4fe&chksm=82a304e8c1c57d09aea04154380ddf656f19baa15663bf09cc6a7553511367726064b6638cf3&scene=27.

[17]	江苏省人民政府. 全国规模最大组串式储能电站在滨海建成投运[EB/OL]. (2024-06-25)[2025-11-19]. https://www.jiangsu.gov.cn/art/2024/6/25/art_88959_11281646.html.

[18]	Jiangsu Provincial People's Government. The largest string-type energy storage power station in China completed and put into operation in Binhai[EB/OL]. (2024-06-25)[2025-11-19]. https://www.jiangsu.gov.cn/art/2024/6/25/art_88959_11281646.html.

[19]	乌兰察布市人民政府. 化德县全力推进电网侧独立储能示范项目建设赋能绿色能源发展新征程[EB/OL]. (2025-06-19)[2025-11-19]. https://www.wulanchabu.gov.cn/qxdt/1834657.html

[20]	Ulanqab Municipal People's Government. Huade County fully promotes the construction of grid-side independent energy storage demonstration projects to empower a new journey of green energy development[EB/OL]. (2025-06-19)[2025-11-19]. https://www.wulanchabu.gov.cn/qxdt/1834657.html.

[21]	金昱烨, 方家琨, 艾小猛, 等. 含季节性氢储能的电力系统跨尺度全年时序生产模拟方法[J]. 电力系统自动化, 2025, 49(14): 120-129.

[22]	Jin Yuye, Fang Jiakun, Ai Xiaomeng, et al. Cross-time-scale annual chronological production simulation method for power system with seasonal hydrogen energy storage[J]. Automation of Electric Power Systems, 2025, 49(14): 120-129.

[23]	刘航, 张雷, 冯志远, 等. 混合储能系统能量优化管理策略[J]. 科学技术与工程, 2025, 25(17): 7187-7196.

[24]	Liu Hang, Zhang Lei, Feng Zhiyuan, et al. Energy optimization management strategies for hybrid energy storage systems[J]. Science Technology and Engineering, 2025, 25(17): 7187-7196.

[25]	闫群民, 李召, 马永翔, 等. 考虑综合经济性的风光配电网储能优化配置[J]. 科学技术与工程, 2024, 24(12): 5014-5022.

[26]	Yan Qunmin, Li Zhao, Ma Yongxiang, et al. Consider the optimal configuration of energy storage in wind-solar distribution networks with comprehensive economy[J]. Science Technology and Engineering, 2024, 24(12): 5014-5022.

[27]	孙开元, 岑海凤, 陈坤, 等. 计及高比例可再生能源的配网系统储能多场景优化配置[J]. 科学技术与工程, 2023, 23(21): 9094-9099.

[28]	Sun Kaiyuan, Cen Haifeng, Chen Kun, et al. Optimized configuration of multi-scenario energy storage in distribution system with high proportion of renewable energy[J]. Science Technology and Engineering, 2023, 23(21): 9094-9099.

[29]	熊展, 王素, 王玲玲, 等. 考虑多能互补灵活性和用户低碳意愿的区域综合能源系统鲁棒优化调度[J]. 电网技术, 2024, 48(7): 2691-2701.

[30]	Xiong Zhan, Wang Su, Wang Lingling, et al. Robust optimal scheduling of regional integrated energy system considering multi-energy flexibility complementary and users' low-carbon willingness[J]. Power System Technology, 2024, 48(7): 2691-2701.

[31]	张国驹, 唐西胜, 齐智平. 超级电容器与蓄电池混合储能系统在微网中的应用[J]. 电力系统自动化, 2010, 34(12): 85-89.

[32]	Zhang Guoju, Tang Xisheng, Qi Zhiping. Application of hybrid energy storage system of super-capacitors and batteries in a microgrid[J]. Automation of Electric Power Systems, 2010, 34(12): 85-89.

[33]	周登涛, 金福宝, 马山刚, 等. 基于EMD-VMD的混合储能系统容量优化配置[J]. 科学技术与工程, 2025, 25(19): 8090-8098.

[34]	Zhou Dengtao, Jin Fubao, Ma Shangang, et al. Capacity optimization configuration of hybrid energy storage system based on EMD-VMD[J]. Science Technology and Engineering, 2025, 25(19): 8090-8098.

[35]	林少伯, 韩民晓, 赵国鹏, 等. 基于随机预测误差的分布式光伏配网储能系统容量配置方法[J]. 中国电机工程学报, 2013, 33(4): 25-33, 5.

[36]	Lin Shaobo, Han Minxiao, Zhao Guopeng, et al. Capacity allocation of energy storage in distributed photovoltaic power system based on stochastic prediction error[J]. Proceedings of the CSEE, 2013, 33(4): 25-33, 5.

[37]	武晓朦, 孙安磊, 李晨晨, 等. 考虑风电出力波动性的混合储能双层优化配置[J]. 科学技术与工程, 2024, 24(24): 10313-10320.

[38]	Wu Xiaomeng, Sun Anlei, Li Chenchen, et al. Hybrid energy storage double-layer optimal configuration considering wind power output volatility[J]. Science Technology and Engineering, 2024, 24(24): 10313-10320.

[39]	陈沼宇, 王丹, 贾宏杰, 等. 考虑P2G多源储能型微网日前最优经济调度策略研究[J]. 中国电机工程学报, 2017, 37(11): 3067-3077, 3362.

[40]	Chen Zhaoyu, Wang Dan, Jia Hongjie, et al. Research on optimal day-ahead economic dispatching strategy for microgrid considering P2G and multi-source energy storage system[J]. Proceedings of the CSEE, 2017, 37(11): 3067-3077, 3362.

基金资助

国家电网有限公司西北分部科技项目(SGNW0000DKJS2400244)

PDF (4683KB)

访问

被引

详细

导航

Received	Published	Revised
2025-10-25	2026-08-08	2026-01-24
Online Date
2026-09-03

摘要