电力系统中可再生能源渗透率快速增大，其固有的间歇性和波动性问题加剧了电网的频率波动，自动发电控制（Automatic Generation Control, AGC）指令调节更加快速、剧烈。传统调频火电机组调频能力有限，难以满足系统调频需求。

近几年，火电—储能联合调频项目增长迅速，储能系统（Energy Storage System, ESS）具有功率响应速度快且精确的特点，参与电力调频能够有效提高系统的频率响应能力。然而，由于储能成本高，考虑到项目经济性，一般储能容量配置有限难以完全满足系统调频需求。同时，储能系统频繁不规则的充/放电会对使用寿命造成严重影响，因此，能量管理策略的优劣对调频性能以及储能系统的寿命至关重要。而储能需求功率模型是研究能量管理策略首先需要解决的基础性和关键性问题。

目前，国内外学者针对储能参与AGC调频领域的储能需求功率建模及控制策略已开展了相关研究。但是，目前储能参与AGC调频领域的研究主要集中于储能提高AGC性能的控制策略，或针对系统调度，建立各种储能需求功率的小时级或日前预测模型。考虑储能需求功率的随机性，应用于实时控制的储能需求功率模型方面鲜有研究。

为此，中国科学院电工研究所等单位的研究人员在分析AGC指令及火电机组功率响应特点的基础上，提出一种基于马尔科夫链（Markov chain）的自适应储能需求功率预测模型。该储能需求功率预测模型适用于锂电池、铅酸电池等能量型储能设备参与电力系统二次调频，同时适用于由功率型储能（如超级电容器、飞轮储能等）与能量型储能组成的混合储能参与火电机组二次调频场景。

图1 储能需求功率预测模型建模流程

图2 自适应马尔科夫预测模型算法流程

他们首先针对火电机组响应AGC指令时功率随机变化且难以实时监测的问题，采用马尔科夫链建立储能需求功率模型，并针对AGC指令周期性波动的特点，采用后验信息实时自适应调整Markov转移概率矩阵以提高预测精度。然后，针对随机场景繁多的问题，提出一种可变预测时域的场景树生成方法。该方法能够在树节点规模一定的前提下更有效地选择预测场景。最后，通过算例分析了所提自适应预测模型的准确性。结果表明，所提模型能够为优化能量管理策略提供更有效、可靠的功率预测信息。

表1 不同场景选择方法预测准确度对比

研究人员表示，通过本课题的工作可以得出以下结论：

1）采用马尔科夫链来预测储能的需求功率，并利用后验需求功率信息实时自适应调整预测模型。采用本课题算例，当自适应时间DT =3h时，自适应Markov矩阵的方均根误差为0.7139MW。相比未调整的马尔科夫链预测模型，预测精度提升8.28%。算例结果表明所提自适应马尔科夫链模型的预测精度更高。

2）针对随机性问题场景繁多的问题，提出一种可变预测时域的场景树生成方法。该方法通过增加大概率场景的预测时域提高预测精度。同时，本课题将MLE方法和加权随机采样法相结合，提出一种新的场景选择方法，不仅最大概率场景容易被选择，同时相对低概率的场景也能被选择，从而提高了场景的预测精度。算例结果表明采用本方法所选场景的方均根误差相对固定场景树结构的方法提高了6.67%，较极大似然估计法提高了4.65%。

本文编自2021年《电工技术学报》增刊2，论文标题为“基于马尔科夫链的自适应储能需求功率预测模型”，作者何俊强、师长立 等。