CN105576699B - 一种独立微电网储能裕度检测方法 - Google Patents
一种独立微电网储能裕度检测方法 Download PDFInfo
- Publication number
- CN105576699B CN105576699B CN201610019461.2A CN201610019461A CN105576699B CN 105576699 B CN105576699 B CN 105576699B CN 201610019461 A CN201610019461 A CN 201610019461A CN 105576699 B CN105576699 B CN 105576699B
- Authority
- CN
- China
- Prior art keywords
- scene
- energy storage
- load
- micro
- wind
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 134
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000009467 reduction Effects 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 230000007812 deficiency Effects 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000007600 charging Methods 0.000 abstract description 7
- 238000007599 discharging Methods 0.000 abstract description 6
- 230000005611 electricity Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000005520 cutting process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H02J3/383—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H02J3/386—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/388—Islanding, i.e. disconnection of local power supply from the network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种独立微电网储能裕度检测方法，基于拉丁超立方采样场景生成和基于概率距离的场景削减技术，建立风电、光伏出力与负荷的随机模型；建立以孤岛电力不足期望值和孤岛电力过剩期望值为可靠性评价指标，建立基于场景生成和削减技术、蓄电池充放电优化技术和弦截法相结合的微电网储能裕度检测模型；在考虑微源和负荷随机特性的基础上，在维持系统可靠性不变的条件下，由于储能设备的引入，新增的负荷承载能力与系统原始负荷的比值，对微电网储能裕度进行检测或计算微电网要达到某一储能裕度时，所需的储能设备的最小容量。本发明实现了对含储能设备的微电网储能裕度进行量化，对于含储能设备的微电网优化运行具有指导意义。
Description
技术领域
本发明涉及微电网储能技术领域，特别涉及一种基于可靠性和随机特性的独立微电网储能裕度检测方法。
背景技术
近年来，随着能源、环境问题日益突出以及电力市场改革的深入，可再生能源发电在全球迅速发展。由于风、光等间歇性能源具有的波动与随机等变化特性，对微电网的功率平衡、电压和频率稳定带来了较大影响。并且，目前风、光等间歇性能源功率预测精度不高，也增加了风、光并网的随机性。储能设备，由于其具有灵活的功率调节能力，已成为平衡微电网内部的瞬时功率、提高电能质量和系统稳定性的一种重要装置。利用储能系统能够有效地平抑间歇性能源功率波动，减小波动对电网的影响，增强间歇性能源发电功率的稳定性。
微电网主要有并网运行、孤网运行等模式，在并网模式下，微电网可由上级配网对其进行支持。为了体现微电网对上级配网的支撑作用，要求微电网在失去外部供电后，其自身具有对本地负荷持续供电能力[1]。目前，储能系统的研究主要集中在控制策略和容量优化配置上，常见的优化模型有：以装置成本最低为目的的基于机会约束规划的混合储能容量配置方法[2]、以平抑风电场功率波动目标的基于短期神经网络算法容量配置的优化设计[3]、以及基于最小成本、最佳功率匹配、最平滑输出功率的多目标储能优化配置模型[4]，但较少涉及储能裕度。
[1]王成山，高菲，李鹏，等.低压微电网控制策略研究[J].中国电机工程学报，2012，25：2－9.
[2]谢石骁，杨莉，李丽娜.基于机会约束规划的混合储能优化配置方法[J].电网技术，2012，05：79-84；
[3]张坤，毛承雄，谢俊文，等.风电场复合储能系统容量配置的优化设计[J].中国电机工程学报，2012，25：79－87+13.
[4]谭兴国，王辉，张黎，等.微电网复合储能多目标优化配置方法及评价指标[J].电力系统自动化，2014，08：7－14.
发明内容
本发明所要解决的技术问题是提供一种独立微电网储能裕度检测方法，通过对含储能设备的微电网的储能裕度进行量化，能够充分地提高含储能设备的微电网运行效率。
为解决上述技术问题，本发明采用的技术方案是：
一种独立微电网储能裕度检测方法，包括以下步骤：
步骤1：确定可靠性评价指标
微电网孤岛运行，在电力不足而削减负荷的情况下，其可靠性采用孤岛电力不足期望值指标进行描述，即式中，EDNSI为孤岛电力不足期望值，Ci为微电网在孤岛运行时，第i个场景下的负荷削减量，Pi为第i个场景的概率，np代表总的场景数；在电力过剩而弃风弃光的情况下，其可靠性采用孤岛电力过剩而生成的弃风弃光量进行描述，即式中，EPEI为孤岛电力过剩期望值，i代表由抽样产生的场景，Di为微电网在孤岛运行时，第i个场景下的弃风弃光量，np代表总的场景数；若是第i个场景下的发电量恰好能满足负荷，则认为第i个场景的负荷削减量Ci和弃风弃光量Di均为0；
步骤2：建立考虑随机特性的风、光或负荷模型
各个时刻的风、光或负荷由预测功率和由预测所带来的误差的补偿两部分组成，即v＝d+p，式中，v为考虑预测误差的风、光或负荷的出力，d为风、光或负荷出力的日前预测值，p为日前功率预测值d的预测误差补偿部分，通过p的变化描述日前预测所带来的误差；采用正态分布N(μ,σ2)对风、光或负荷出力的随机特性进行描述，即描述产生满足正态分布N(μ,σ2)的随机数为风、光或负荷的各个时刻的出力v，其中，μ为日前预测值，σ为由于预测误差所带来的标准差；
步骤3：输入风、光或负荷日前预测值及对应的日前预测误差
步骤4：生成场景
基于拉丁超立方采样的蒙特卡洛模拟法，分别产生Ns个风、光出力或负荷随机场景，各场景初始概率均为1/Ns，其中Ns为需要生成的场景总数；各个风、光或负荷的场景具体生成方法为：分别针对各个时刻，对步骤2中正态分布进行反函数变换，生成的符合分布的随机变量即为该场景该时刻的风、光或负荷的实际出力；
步骤5：评估储能设备接入前系统的可靠性
针对所述步骤4中产生的各个随机场景，利用步骤1中所述的可靠性评价指标，即分别利用孤岛电力不足期望值指标和孤岛电力过剩指标对该场景进行评价，然后将负荷削减量与弃风弃光量相加作为该场景的可靠性评价结果，计算出储能设备接入前系统的可靠性评价结果R0，记录初始负荷水平L0；
步骤6：投入储能设备，输入储能设备荷电状态约束和功率约束
步骤7：投入储能设备后，再次生成场景
投入储能设备后，再次基于拉丁超立方采样的蒙特卡洛模拟法，分别产生Ns个风、光出力或负荷随机场景，各场景初始概率均为1/Ns，其中Ns为需要生成的场景总数；各个风、光或负荷的场景具体生成方法为：分别针对各个时刻，对步骤2中正态分布进行反函数变换，生成的符合分布的随机变量即为该场景该时刻的风、光或负荷的实际出力；
步骤8：评估储能设备接入后系统的可靠性
对投入储能设备后产生的各个随机场景，利用步骤1中所述的可靠性评价指标，即分别利用孤岛电力不足期望值指标和孤岛电力过剩指标对该场景进行评价，然后将负荷削减量与弃风弃光量相加作为该场景的可靠性评价结果，计算出储能设备接入后系统的可靠性评价结果R1，记录当前负荷水平L1；
步骤9：将投入储能装置前后的微电网系统孤网运行的可靠性评价结果作差，即|R1-R0|
步骤10：对差值|R1-R0|进行判别
若满足|R1-R0|<ε，则根据步骤5记录的微电网初始负荷水平L0和步骤8记录的微电网当前负荷水平L1，利用公式|L1-L0|/L0计算微电网的储能裕度；若不满足|R1-R0|<ε，利用弦割法求解新的负荷水平并调整投入储能设备后微电网的负荷水平L1，再对|R1-R0|进行判别，直到|R1-R0|<ε，计算出微电网的储能裕度|L1-L0|/L0。
进一步的，还包括对储能设备进行充放电优化；建立储能设备充放电优化模型，即目标函数式中，f为负荷削减和弃风弃光，Ci为微电网在孤岛运行时，第i个场景下的负荷削减量，Di为微电网在孤岛运行时，第i个场景下的弃风弃光量，Pl t,i、Ppv it,i、Pwt t,i、PSD it,i分别为第i个场景在第t时刻的负荷、光伏出力、风机出力和储能设备出力。
进一步的，还包括对储能设备进行充放电优化；建立储能设备充放电优化二次规划模型，式中，f为负荷削减和弃风弃光，Ci为微电网在孤岛运行时，第i个场景下的负荷削减量，Di为微电网在孤岛运行时，第i个场景下的弃风弃光量，Pl t,i、Ppv t,i、Pwt t,i、PSD it,i分别为第i个场景在第t时刻的负荷、光伏出力、风机出力和储能设备出力。
进一步的，所述储能设备的约束条件为：一、荷电状态约束，即SOCmin≤SOC(t)≤SOCmax，式中，SOC(t)为t时刻储能设备的荷电状态；SOCmax、SOCmin分别为储能设备荷电状态的上限和下限；二、功率约束，即是PSD,min≤PSD≤PSD,max，式中，PSD为储能设备的功率，PSD,max、PSD,min分别为储能设备功率的上限和下限。
进一步的，在所述步骤4和所述步骤7中还包括削减场景，即采用场景削减技术，通过计算每个时段中各个场景间的距离与该场景的概率的乘积，形成概率距离矩阵，逐步删除与其它场景概率距离之和最小的场景，并将删除场景的概率赋予离其最近的场景，依次循环，直到达到预先设定的保留场景数。
与现有技术相比，本发明的有益效果是：基于拉丁超立方采样的场景生成和基于概率距离的场景削减技术模拟风、光出力或负荷的随机特性，建立了微电网储能裕度检测模型，提出了基于场景生成和削减技术、蓄电池充放电优化技术和弦截法相结合的微电网储能裕度检测方法，实现了对含储能设备的微电网储能裕度进行量化，对于含储能设备的微电网优化运行具有指导意义。
附图说明
图1是本发明独立微电网储能裕度检测方法流程示意图。
图2是本发明中采用弦截法迭代求解储能裕度检测模型示意图。其中，两条曲线分别为原始微电网系统和接入储能设备后的微电网系统可靠性评价指标曲线，虚线R0表示原始微电网系统的储能裕度评估函数值，L为系统的初始负荷。R1为加入储能设备后不增加负荷水平时的储能裕度评价函数值，R2为增加负荷后的充裕度评价函数值，过X1、X2两点做直线与虚线R0相交于P1点，将P1点的横坐标L3作为新负荷水平计算得到X3点，连接X3、X1点的直线与虚线R0相交于P2点，将其横坐标作为新的负荷带入，得出新的评价指标。以此迭代，逐步逼近X点，X点横坐标与初始负荷L的百分比差值ΔL/L即为微电网的储能裕度。
图3是本发明实施例所采用微电网的结构图。
图4是本发明实施例典型日的风力发电机组、光伏电池和负荷24小时日前出力预测曲线。
图5是本发明实施例采用基于概率距离的场景削减技术对场景进行削减前后的场景的均值对比图。其为24个时段原始场景(削减前的场景)和近似场景(削减后的场景)的数字特征指标(均值)的百分比堆积柱形图，下部分实心柱和上部分空心柱分别代表削减后的近似场景和原始场景所占的比例，中间曲线的平滑程度代表了两者的匹配程度，越平滑，差异越小，若该曲线波动为零(即为一条水平直线)，则表示两者比例相等。
图6是本发明实施例采用基于概率距离的场景削减技术对场景进行削减前后的场景的方差对比图。其为24个时段原始场景(削减前的场景)和近似场景(削减后的场景)的数字特征指标(方差)的百分比堆积柱形图，下部分实心柱和上部分空心柱分别代表削减后的近似场景和原始场景所占的比例，中间曲线的平滑程度代表了两者的匹配程度，越平滑，差异越小，若该曲线波动为零(即为一条水平直线)，则表示两者比例相等。
图7是本发明实施例采用基于概率距离的场景削减技术对场景进行削减前后的场景的峰度对比图。其为24个时段原始场景(削减前的场景)和近似场景(削减后的场景)的数字特征指标(峰度)的百分比堆积柱形图，下部分实心柱和上部分空心柱分别代表削减后的近似场景和原始场景所占的比例，中间曲线的平滑程度代表了两者的匹配程度，越平滑，差异越小，若该曲线波动为零(即为一条水平直线)，则表示两者比例相等。
图8是本发明实施例对微电网储能裕度进行检测的迭代过程。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。基于可靠性和随机特性的微电网储能裕度检测方法，其主要思路是：首先，针对风、光或负荷的随机特性，在日前预测的基础上，基于拉丁超立方采样场景生成和基于概率距离的场景削减技术，建立风电、光伏出力或负荷的随机模型；其次，建立以孤岛电力不足期望值和孤岛电力过剩期望值为可靠性评价指标，建立基于场景生成和削减技术、储能设备充放电优化技术和弦截法相结合的微电网储能裕度检测模型；最后，在考虑微源和负荷随机特性的基础上，在维持系统可靠性不变的条件下，由于储能设备的引入，新增的负荷承载能力与系统原始负荷的比值，对微电网储能裕度进行检测或计算微电网要达到某一储能裕度时，所需的储能设备的最小容量。详述如下。
1)定义微电网储能裕度
由于储能设备具有电源与负荷双重特性，直接对含储能设备的微电网进行储能裕度评估，具有一定难度。因此，本发明定义微电网储能裕度为在维持系统可靠性不变的条件下，由于储能设备的引入，新增的负荷承载能力与系统原始负荷的比值，即ΔL/L。系统可靠性可由式(1)进行评价。
R＝P(G+GSD,L+ΔL)＝P(G,L) (1)
式中，P为储能裕度评估函数；R为储能裕度评估指标；L和ΔL分别为系统原始负荷和新增的负荷承载能力；G、GSD分别为系统除储能外的装机容量和储能设备容量。
2)可靠性评价指标
微电网具有在孤岛和并网运行状态之间无缝切换的能力，当微电网由于主网停运被迫切换至孤岛运行时，存在由于电力不足而削减负荷的可能，其可靠性可采用孤岛电力不足期望值指标进行描述，即：
式中，EDNSI为孤岛电力不足期望值，Ci为微电网在孤岛运行时，第i个场景下的负荷削减量，Pi为第i个场景的概率，np代表总的场景数。
同时，在孤岛模式下，也存在由于电力过剩而弃风弃光，采用孤岛电力过剩期望值对微电网转为孤岛运行状态时，由电力过剩而生产的弃风弃光量进行描述，即：
式中，EPEI为孤岛电力过剩期望值，i代表由抽样产生的场景；Di为微电网在孤岛运行时，第i个场景下的弃风弃光量，np代表总的场景数。若是第i个场景下的发电量恰好能满足负荷，则认为第i个场景的负荷削减量Ci和弃风弃光量Di均为0；
3)建立考虑随机特性的风、光或负荷模型
风速与光照强度具有随机性与波动性，负荷受生产、气象等因素的影响也同样具有不确定性，因而通过日前预测所获得风、光或负荷与实际值之间具有一定的误差。
为了获得风、光或负荷的随机特性，较为准确的描述风、光出力及负荷，将各个时刻的风、光或负荷分为两部分，预测功率部分和由于预测所带来的误差的补偿部分，即：
v＝d+p (4)
式中：v为考虑预测误差的风、光或负荷的出力，d为风、光或负荷出力的日前预测值，p为日前功率预测值d的预测误差补偿部分，通过p的变化描述日前预测所带来的误差。为了获得随机特性，采用正态分布N(μ,σ2)，对风、光出力及负荷进行描述，其中μ为日前预测值，σ为由于预测误差所带来的标准差，其它概率分布也可以类似处理。
4)输入风、光、负荷日前预测值及对应的日前预测误差
5)基于拉丁超立方抽样的场景生成和基于概率距离的场景削减技术的随机场景生成
采用基于拉丁超立方采样的蒙特卡洛模拟法，对3)中正态分布进行反函数变换，生成符合分布的随机变量。场景数目选取对于仿真结果具有一定影响，通常来说，场景数目越多，模拟结果的精度越高，同时所需的计算量也越大。需要在削减后的场景的数量和模拟结果的准确度之间做出一定平衡。采用一种基于场景削减技术的场景削减方法，该方法通过计算每个时段中各个场景间的距离与该场景的概率的乘积，形成概率距离矩阵，逐步删除与其它场景概率距离之和最小的场景，并将删除场景的概率赋予离其最近的场景，依次循环，直到达到预先设定的保留场景数。基于拉丁超立方采样的蒙特卡洛模拟法，分别产生Ns个风、光出力或负荷随机场景，各场景初始概率均为1/Ns，其中Ns为需要生成的场景总数；各个风、光或负荷的场景具体生成方法为：分别针对各个时刻，对3)中正态分布(其中正态分布函数的均值为风、光或负荷的日前预测值，正态分布函数的标准差为日前预测值的误差)进行反函数变换，生成的符合分布的随机变量即为该场景该时刻的风、光或负荷的实际出力；然后，基于概率距离矩阵的场景削减技术，将Ns个风、光出力或负荷场景分别削减为ns个场景，其中Ns为削减前的场景总数，ns为削减后的场景总数，针对削减后的风、光或负荷场景进行组合，生成对应的微网运行场景及对应的概率。
6)评估储能设备接入前系统的可靠性
针对5)产生的各个随机场景，利用2)中所述的可靠性评价指标进行评价，其具体方法：为分别利用孤岛电力不足期望值指标和孤岛电力过剩指标对该场景进行评价，然而将负荷削减量与弃风弃光量相加作为该场景的可靠性评价结果；计算出储能设备接入前系统的可靠性评价结果R0，同时记录初始负荷水平L0。
7)投入储能设备，输入储能设备荷电状态约束和功率约束
8)基于拉丁超立方抽样的场景生成和基于概率距离的场景削减技术的随机场景生成
投入储能设备后，再次基于拉丁超立方采样的蒙特卡洛模拟法，分别产生Ns个风、光出力或负荷随机场景，各场景初始概率均为1/Ns，其中Ns为需要生成的场景总数；各个风、光或负荷的场景具体生成方法为：分别针对各个时刻，对3)中正态分布(其中正态分布函数的均值为风、光或负荷的日前预测值，正态分布函数的标准差为日前预测值的误差)进行反函数变换，生成的符合分布的随机变量即为该场景该时刻的风、光或负荷的实际出力；然后，基于概率距离矩阵的场景削减技术，将Ns个风、光出力或负荷场景分别削减为ns个场景，其中Ns为削减前的场景总数，ns为削减后的场景总数，针对削减后的风、光或负荷场景进行组合，生成对应的微网运行场景及对应的概率。
9)基于二次规划的储能设备充放电优化
微电网配置储能设备，是希望当上级配网停运时，微电网能够自行以孤岛运行的方式，利用内部的微源持续向网内负荷供电。同时需对各场景下的储能充放电进行优化，才能实现最佳的供电效果。根据2)中的储能裕度评估指标，建立孤岛模式下，以负荷削减和弃风弃光量最小为目标的储能设备充放电优化模型，即目标函数为：
式中，f为负荷削减和弃风弃光，Ci为微电网在孤岛运行时，第i个场景下的负荷削减量，Di为微电网在孤岛运行时，第i个场景下的弃风弃光量，Pl t,i、Ppv t,i、Pwt t,i、PSD t,i分别为第i个场景在第t时刻的负荷、光伏出力、风机出力和储能设备出力。
为了利用二次规划法进行储能设备充放电优化，建立储能设备充放电优化二次规划模型，利用式(6)代替式(5)，可知海森矩阵H为半正定矩阵。因此，蓄电池充放电优化问题是一个凸二次规划问题。
式中，f为负荷削减和弃风弃光，Ci为微电网在孤岛运行时，第i个场景下的负荷削减量，Di为微电网在孤岛运行时，第i个场景下的弃风弃光量，Pl t,i、Ppv t,i、Pwt t,i、PSD t,i分别为第i个场景在第t时刻的负荷、光伏出力、风机出力和储能设备出力。
约束条件:
A储能设备荷电状态约束。
SOCmin≤SOC(t)≤SOCmax (7)
式中，SOC(t)为t时刻储能设备的荷电状态；SOCmax、SOCmin分别为储能设备荷电状态的上下限。
储能设备在t时刻的荷电状态SOC(t)与t-1时刻的荷电状态SOC(t-1)以及t与t-1时刻间时段的充放电状态有关：
充电时：PSD(t)≤0
放电时：PSD(t)≥0
式(8)和(9)中，PSD为t时刻储能设备的充放电功率；ηC、ηD分别为储能设备的充、放电效率；DB为储能设备自放电比例；QB S为储能设备的总容量，SOC(t)和SOC(t)分别为第t和t-1时刻能设备的荷电状态。
B功率约束
PSD,min≤PSD≤PSD,max (10)
式(10)中，PSD为储能设备的功率，PSD,max、PSD,min分别为储能设备功率的上下限。
10)评估储能设备接入后系统的可靠性
针对8)产生的各个随机场景，其中各随机场景的储能设备的出力按照9)计算，利用2)中所述的可靠性评价指标进行评价，其具体方法：为分别利用孤岛电力不足期望值指标和孤岛电力过剩指标对该场景进行评价，然而将负荷削减量与弃风弃光量相加作为该场景的可靠性评价结果；计算出储能设备接入后系统的可靠性评价结果R1，同时记录当前负荷水平L1。
11)将投入储能装置前后的微电网系统孤网运行的可靠性评价结果作差，即|R1-R0|
12)进入判别条件，若满足|R1-R0|<ε转到14)，不满足条件则转到13)
13)基于弦截法的迭代求解模型
弦截法是牛顿迭代算法的一种变形，具有不需要求导以及较快求的解速度，其求解思路是通过不断取连接非线性方程的两点的直线与坐标轴的交点的横坐标,来逼近非线性方程的根。利用弦截法求解新的负荷水平并调整投入储能设备后微电网的负荷水平L1，转到8)。
14)根据6)记录的微电网的初始负荷水平L0和10)记录的微电网的当前负荷水平L1，利用公式|L1-L0|/L0计算微电网的储能裕度。
为更进一步的说明本发明的实现过程及带来的技术效果，下面通过一个具体的实施例子进行具体描述。
如图1所示，利用基于场景生成和削减技术、蓄电池充放电优化技术和弦截法相结合的方法对微电网储能裕度进行检测。利用图3所示的微电网结构，风力发电机组、光伏电池和负荷24小时日前出力预测值如图4所示。蓄电池的最大充放电功率分别为-50kW和50kW，容量为900kW·h，最大、最小和初始荷电状态分别为95％、20％、35％。
由于风、光具有间歇性和波动性，负荷具有随机性，日前预测值与实际值具有误差，在计算可靠性时需计及日前预测误差。本发明假设风、光出力或负荷服从以日前预测值为期望、日前预测值的10％为标准差的正态分布，其他分布也可类似处理。
利用基于拉丁超立方采样的蒙特卡洛模拟法进行抽样分别产生3000个风、光出力和负荷独立场景，各场景发生概率均为1/3000，利用基于概率距离的场景削减技术，将3000个风、光出力和负荷场景分别削减为1000个场景。针对削减后的风、光和负荷场景进行组合，生成对应的微电网运行场景及概率。利用均值、方差和峰度等统计特征削减后场景的有效性进行验证，如图5-图7所示。从图5-图7可以看出，各个时段的近似场景与原场景的数字特征差异并不大，一定程度说明所生成的近似场景能较好地反映原始场景的统计特征。
利用基于场景生成和削减技术、蓄电池充放电优化技术和弦截法相结合的方法对微电网储能裕度进行检测，其中ε取10-5，检测迭代过程如图8所示，经15次迭代后，可使蓄电池接入前后微电网系统的可靠性评价指标达到一致，蓄电池后的可靠性评价指标之差|R1-R0|＝4.529×10-6，此时的负荷为原始负荷的2.1059倍，即使此时的储能裕度为110.59％。
Claims (5)
1.一种独立微电网储能裕度检测方法，其特征在于，包括以下步骤：
步骤1：确定可靠性评价指标
微电网孤岛运行，在电力不足而削减负荷的情况下，其可靠性采用孤岛电力不足期望值指标进行描述，即式中，EDNSI为孤岛电力不足期望值，Ci为微电网在孤岛运行时，第i个场景下的负荷削减量，Pi为第i个场景的概率，np代表总的场景数；在电力过剩而弃风弃光的情况下，其可靠性采用孤岛电力过剩而生成的弃风弃光量进行描述，即式中，EPEI为孤岛电力过剩期望值，i代表由抽样产生的场景，Di为微电网在孤岛运行时，第i个场景下的弃风弃光量，np代表总的场景数；若是第i个场景下的发电量恰好能满足负荷，则认为第i个场景的负荷削减量Ci和弃风弃光量Di均为0；
步骤2：建立考虑随机特性的风、光或负荷模型
各个时刻的风、光或负荷由预测功率和由预测所带来的误差的补偿两部分组成，即ν＝d+p，式中，v为考虑预测误差的风、光或负荷的出力，d为风、光或负荷出力的日前预测值，p为日前功率预测值d的预测误差补偿部分，通过p的变化描述日前预测所带来的误差；采用正态分布N(μ,σ2)对风、光或负荷出力的随机特性进行描述，即描述产生满足正态分布N(μ,σ2)的随机数为风、光或负荷的各个时刻的出力v，其中，μ为日前预测值，σ为由于预测误差所带来的标准差；
步骤3：输入风、光或负荷日前预测值及对应的日前预测误差
步骤4：生成场景
基于拉丁超立方采样的蒙特卡洛模拟法，分别产生Ns个风、光出力或负荷随机场景，各场景初始概率均为1/Ns，其中Ns为需要生成的场景总数；各个风、光或负荷的场景具体生成方法为：分别针对各个时刻，对步骤2中正态分布进行反函数变换，生成的符合分布的随机变量即为该场景该时刻的风、光或负荷的实际出力；
步骤5：评估储能设备接入前系统的可靠性
针对所述步骤4中产生的各个随机场景，利用步骤1中所述的可靠性评价指标，即分别利用孤岛电力不足期望值指标和孤岛电力过剩指标对该场景进行评价，然后将负荷削减量与弃风弃光量相加作为该场景的可靠性评价结果，计算出储能设备接入前系统的可靠性评价结果R0，记录初始负荷水平L0；
步骤6：投入储能设备，输入储能设备荷电状态约束和功率约束
步骤7：投入储能设备后，再次生成场景
投入储能设备后，再次基于拉丁超立方采样的蒙特卡洛模拟法，分别产生Ns个风、光出力或负荷随机场景，各场景初始概率均为1/Ns，其中Ns为需要生成的场景总数；各个风、光或负荷的场景具体生成方法为：分别针对各个时刻，对步骤2中正态分布进行反函数变换，生成的符合分布的随机变量即为该场景该时刻的风、光或负荷的实际出力；
步骤8：评估储能设备接入后系统的可靠性
对投入储能设备后产生的各个随机场景，利用步骤1中所述的可靠性评价指标，即分别利用孤岛电力不足期望值指标和孤岛电力过剩指标对该场景进行评价，然后将负荷削减量与弃风弃光量相加作为该场景的可靠性评价结果，计算出储能设备接入后系统的可靠性评价结果R1，记录当前负荷水平L1；
步骤9：将投入储能装置前后的微电网系统孤网运行的可靠性评价结果作差，即|R1-R0|
步骤10：对差值|R1-R0|进行判别
若满足|R1-R0|<ε，则根据步骤5记录的微电网初始负荷水平L0和步骤8记录的微电网当前负荷水平L1，利用公式|L1-L0|/L0计算微电网的储能裕度；若不满足|R1-R0|<ε，利用弦割法求解新的负荷水平并调整投入储能设备后微电网的负荷水平L1，再对|R1-R0|进行判别，直到|R1-R0|<ε，计算出微电网的储能裕度|L1-L0|/L0。
2.如权利要求1所述的一种独立微电网储能裕度检测方法，其特征在于，还包括对储能设备进行充放电优化；建立储能设备充放电优化模型，即目标函数式中，f为负荷削减和弃风弃光，Ci为微电网在孤岛运行时，第i个场景下的负荷削减量，Di为微电网在孤岛运行时，第i个场景下的弃风弃光量，Pl t,i、Ppv t,i、Pwt t,i、PSD t,i分别为第i个场景在第t时刻的负荷、光伏出力、风机出力和储能设备出力。
3.如权利要求1所述的一种独立微电网储能裕度检测方法，其特征在于，还包括对储能设备进行充放电优化；建立储能设备充放电优化二次规划模型，式中，f为负荷削减和弃风弃光，Ci为微电网在孤岛运行时，第i个场景下的负荷削减量，Di为微电网在孤岛运行时，第i个场景下的弃风弃光量，Pl t,i、Ppv t,i、Pwt t,i、PSD t,i分别为第i个场景在第t时刻的负荷、光伏出力、风机出力和储能设备出力。
4.如权利要求2或3所述的一种独立微电网储能裕度检测方法，其特征在于，所述储能设备的约束条件为：一、荷电状态约束，即SOCmin≤SOC(t)≤SOCmax，式中，SOC(t)为t时刻储能设备的荷电状态；SOCmax、SOCmin分别为储能设备荷电状态的上限和下限；二、功率约束，即是PSD,min≤PSD≤PSD,max，式中，PSD为储能设备的功率，PSD,max、PSD,min分别为储能设备功率的上限和下限。
5.如权利要求1所述的一种独立微电网储能裕度检测方法，其特征在于，在所述步骤4和所述步骤7中还包括削减场景，即采用场景削减技术，通过计算每个时段中各个场景间的距离与该场景的概率的乘积，形成概率距离矩阵，逐步删除与其它场景概率距离之和最小的场景，并将删除场景的概率赋予离其最近的场景，依次循环，直到达到预先设定的保留场景数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610019461.2A CN105576699B (zh) | 2016-01-12 | 2016-01-12 | 一种独立微电网储能裕度检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610019461.2A CN105576699B (zh) | 2016-01-12 | 2016-01-12 | 一种独立微电网储能裕度检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105576699A CN105576699A (zh) | 2016-05-11 |
| CN105576699B true CN105576699B (zh) | 2018-01-26 |
Family
ID=55886532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610019461.2A Expired - Fee Related CN105576699B (zh) | 2016-01-12 | 2016-01-12 | 一种独立微电网储能裕度检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105576699B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107276121A (zh) * | 2017-06-23 | 2017-10-20 | 广东工业大学 | 一种计及不确定性因素的家庭并网协同经济调度优化方法 |
| CN107482656B (zh) * | 2017-08-11 | 2019-12-27 | 电力规划总院有限公司 | 微电网的电力规划方法、装置、设备及计算机可读存储介质 |
| CN107480837B (zh) * | 2017-09-29 | 2020-10-09 | 山东理工大学 | 一种基于gps同步定频的孤岛运行微电网协调控制方法 |
| CN109978211B (zh) * | 2017-12-28 | 2021-04-06 | 北京航空航天大学 | 航班进离港率的预测方法和装置 |
| CN108964019B (zh) * | 2018-06-14 | 2022-05-27 | 沈阳工业大学 | 一种电网多元调控方法 |
| CN109728607B (zh) * | 2019-03-07 | 2022-06-17 | 云南电网有限责任公司 | 一种风电消纳评估方法及装置 |
| CN111030091B (zh) * | 2019-11-28 | 2021-11-30 | 新奥数能科技有限公司 | 一种确定分布式可再生能源电力装机容量的方法及系统 |
| CN111682574B (zh) * | 2020-06-18 | 2021-10-15 | 国网江苏省电力有限公司电力科学研究院 | 一种交直流混联系统运行场景辨识方法、存储介质和设备 |
| CN113328470B (zh) * | 2021-06-10 | 2022-06-24 | 国家电网有限公司 | 一种多态能源的产能储能综合利用系统 |
| CN113410846B (zh) * | 2021-07-12 | 2022-03-15 | 广东电网有限责任公司 | 一种结合网络重构的配电网日前无功电压双层优化方法 |
| CN114662741B (zh) * | 2022-03-09 | 2024-06-21 | 广西电网有限责任公司 | 一种虚拟电厂中风力、光伏发电与储能聚合管理的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5842994B2 (ja) * | 2012-03-12 | 2016-01-13 | 富士通株式会社 | 運転計画作成方法、運転計画作成プログラムおよび運転計画作成装置 |
| CN105098810B (zh) * | 2015-08-11 | 2018-04-10 | 华北电力大学 | 自适应式微网储能系统能量优化管理方法 |
| CN105226691B (zh) * | 2015-11-11 | 2017-11-24 | 重庆大学 | 一种孤立微电网混合储能优化配置方法 |
-
2016
- 2016-01-12 CN CN201610019461.2A patent/CN105576699B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105576699A (zh) | 2016-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105576699B (zh) | 一种独立微电网储能裕度检测方法 | |
| CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
| Zhao et al. | An MAS based energy management system for a stand-alone microgrid at high altitude | |
| CN104779631B (zh) | 基于风电预测功率的储能跟踪风电出力计划方法及其系统 | |
| CN106921164B (zh) | 配网电压无功协同优化的混合整数二阶锥规划方法与系统 | |
| CN107069814B (zh) | 配网分布式电源容量布点的模糊机会约束规划方法与系统 | |
| CN103485977B (zh) | 风力发电系统实时功率预测的修正方法 | |
| Lotfi et al. | Optimal design of a hybrid solar-wind-diesel power system for rural electrification using imperialist competitive algorithm | |
| CN106549392B (zh) | 一种配电网协调控制方法 | |
| CN104242335A (zh) | 一种基于额定容量的风光储发电单元容量优化配置方法 | |
| CN104092231A (zh) | 一种独立微网混和储能容量优化配置方法 | |
| CN106485358A (zh) | 结合序列运算和粒子群算法的独立微电网优化配置方法 | |
| Cheng et al. | A particle swarm optimization based power dispatch algorithm with roulette wheel re-distribution mechanism for equality constraint | |
| CN105896578B (zh) | 一种用于风光储联合发电系统的随机生产模拟方法 | |
| Maulik | Probabilistic power management of a grid-connected microgrid considering electric vehicles, demand response, smart transformers, and soft open points | |
| Gao et al. | Optimal operation modes of photovoltaic-battery energy storage system based power plants considering typical scenarios | |
| CN109560574A (zh) | 一种考虑不确定因素的智能配电网网架规划方法 | |
| CN111064192A (zh) | 一种计及源荷不确定性的独立型微网容量优化配置方法 | |
| Wang et al. | An improved min-max power dispatching method for integration of variable renewable energy | |
| CN109066741A (zh) | 一种用于区域电网削峰填谷的分布式储能规划方法及系统 | |
| CN110365058A (zh) | 基于模拟退火粒子群算法的孤立微电网运行优化方法 | |
| CN116722561A (zh) | 一种无功功率补偿系统 | |
| Wu et al. | Optimized capacity configuration of an integrated power system of wind, photovoltaic and energy storage device based on improved particle swarm optimizer | |
| CN103915851B (zh) | 一种递进步长和期望输出均可变的储能系统优化控制方法 | |
| CN105305463B (zh) | 计及光伏发电和谐波污染的基于随机潮流的无功优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180126 |