CN107423852A - 一种计及典型场景的光储联合电站优化运营方法 - Google Patents
一种计及典型场景的光储联合电站优化运营方法 Download PDFInfo
- Publication number
- CN107423852A CN107423852A CN201710606874.5A CN201710606874A CN107423852A CN 107423852 A CN107423852 A CN 107423852A CN 201710606874 A CN201710606874 A CN 201710606874A CN 107423852 A CN107423852 A CN 107423852A
- Authority
- CN
- China
- Prior art keywords
- power
- photovoltaic
- power generation
- typical scene
- optical storage
- 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.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 136
- 238000007726 management method Methods 0.000 title abstract description 6
- 238000004146 energy storage Methods 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000010248 power generation Methods 0.000 claims description 130
- 230000003287 optical effect Effects 0.000 claims description 81
- 238000005070 sampling Methods 0.000 claims description 32
- 230000008901 benefit Effects 0.000 claims description 28
- 210000002569 neuron Anatomy 0.000 claims description 23
- 230000005611 electricity Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000036642 wellbeing Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种计及典型场景的光储联合电站优化运营方法，属于光储联合电站优化配置领域。本发明一种基于SOM聚类算法的典型场景划分方法，对光储联合电站的不同典型运行场景进行分析；然后考虑发电收益、考核奖惩收益和储能削峰填谷收益，建立了光储联合电站典型场景收益最优化模型；最后利用该模型，对光储联合电站典型运行场景下的收益最优化运营模式进行分析探讨。算例分析表明，利用本文提出的典型场景分析方法和收益最优化模型，可对光储联合电站的蓄电池储能系统进行合理的优化配置，建立正确的运营模式，使得光储联合电站获得最优化的经济收益。
Description
技术领域
本发明涉及一种计及典型场景的光储联合电站优化运营方法，属于光储联合电站优化配置领域。
背景技术
在发展低碳经济的大背景下，中国对可再生能源的认可度越来越高。与常规能源发电相比，光伏发电具有安全清洁、储量充足的优点，在可再生资源中占据了重要地位，具有良好的发展前景，与之相关的应用技术也得到了迅猛发展。
光伏发电存在随机性、波动性，大规模集中式光伏电站集群引起发电功率变化，并且其有功功率上调节能力较弱，将大量占用系统备用资源，影响电网的经济稳定运行。由于光伏发电随机性等特性导致光伏并网后，光伏电站预测发电功率与实际发电功率存在偏差，导致系统旋转备用容量增加。因此，电力调度机构需要对光伏电站的日前发电功率预测精确度进行考核，光伏电站本身需要承担相应的考核费用。
储能电池具有快速双向调节能力，在光伏发电站安装储能装置对其发电功率进行调节控制，不仅可以有效抑制光伏发电发电功率的波动性，减少纯光伏发电接入电网带来的负面影响，还可以有效减小光伏电站实际发电功率与预测发电功率之间的偏差，减少电网企业的备用成本和光伏电站的考核费用。此外，还可充分挖掘电池储能系统参与辅助服务的潜力，将部分电池储能容量投入到削峰填谷等辅助服务中去，获得一部分额外的经济收益。可见，光储联合发电为大容量光伏集中并网提供新的解决思路，是未来的发展方向之一。
目前，光储联合发电项目主要以示范工程为主，如何充分合理地利用储能电池系统，探索光储联合电站典型场景下可行的运营模式，是提高光储联合电站经济性的重要手段。光储联合电站的典型场景是指能够反映光储电站典型光伏发电功率时序特性的典型情况。由于光伏发电主要受光照影响，存在一定周期性和时序性[8]，为减少计算量、保持分析结果的客观性，可将全年四季光储联合电站的光伏发电功率情况划分为合适的典型场景。
目前，国内外对于光储联合电站典型场景运营模式的研究内容较少，部分关于风电场和微电网典型场景分析的文献以及关于光伏电站经济运行控制策略和储能容量优化配置的文献可为本申请提供参考。有相关技术提出一种基于k均值聚类算法的典型场景分析方法，对计算周期内微网中的大量风电/光伏发电功率和负荷原始数据进行同步聚类划分，形成能够反映计算周期内历史数据特征的典型场景集。有相关技术综合考虑了风光发电功率特性、负荷特性、机组调峰特性、供热机组热电耦合特性、开机方式等因素，建立了含大规模风能和太阳能发电的年度时序生产模拟仿真模型。文献[11] 基于时序分析思想，建立风电发电功率曲线和系统负荷曲线的时间序列，进而计算系统可接纳风电电量。有相关技术考虑电网调度运行计划的输出功率参考值，以运行成本最小化为目标，构建了计及弃风能量和储能损失能量的储能容量优化模型。有相关技术以风电场寿命周期内储能系统初始购置及更换总成本最低为优化目标，建立了储能容量优化配置模型，并将电池寿命和运行控制策略纳入优化模型。有相关技术将能量型储能同时应用于削峰填谷和计划跟踪两种模式，但优化模型中并未计及考核费用。
所以现在亟需研究出一种考虑发电收益、考核奖惩收益和储能削峰填谷收益，对光储联合电站典型运行场景下的收益最优化运营模式。
发明内容
本发明所要解决的技术问题是提供一种基于SOM聚类算法的典型场景划分方法，对光储联合电站的不同典型运行场景进行分析；然后考虑发电收益、考核奖惩收益和储能削峰填谷收益，建立了光储联合电站典型场景收益最优化模型；最后利用该模型，对光储联合电站典型运行场景下的收益最优化运营方法。
为解决上述技术问题，本发明所采取的技术方案是：一种计及典型场景的光储联合电站优化运营方法，其特征在于：包括如下步骤：
(1)对待优化运营光储联合电站在一年内的光伏发电功率按照季节分类进行分析；对每个季节的每一日光伏发电功率进行同一时间间隔采样获得采样数据；采用自组织映射聚类算法将采样数据训练形成每个季节的光伏日发电功率曲线，并分类；然后求取每个季节的每类光伏日发电功率曲线的聚类中心，作为此季节的一种典型场景的光伏预测发电功率曲线；
(2)对每个季节的每种典型场景的光伏预测发电功率曲线采用自组织映射聚类算法再次进行分类，并求取相应曲线的聚类中心，作为此季节的相应典型场景下不同情况下的光伏实际发电功率曲线；
(3)对待优化运营光储联合电站，按季节依据各季节的相应典型场景的光伏预测发电功率曲线，以及相应典型场景下不同情况下的光伏实际发电功率曲线，确定相应典型场景下光储电站的发电收益、考核奖励收益、考核奖惩收益、储能参与削峰填谷收益，然后建立光储联合电站典型场景联合收益模型；
所述光储电站的日发电收益可表示为：
Relc＝ρpv·Qpv-bess (5)
其中，Relc为光储电站发电收益，单位：元；ρpv为地区光伏上网标杆电价，单位：元/kWh：Qpv-bess为光储电站日发电量，单位kWh； Ppv-bess(k)为第k个采样点处光储联合发电功率,单位：kW；Ppv(k)为第k个采样点光伏发电功率，单位：kW；为在第k个采样点用于优化光伏发电发电功率的储能电池放电功率，单位：kW；Δt为采样时间间隔，单位：h；N为采样点个数，N＝24/Δt，0<k≦N；
所述光储电站的考核奖惩收益可表示为：
Rass＝αass·Qpv-bess (9)
其中，Rass为考核奖惩收益，单位：元；αass为考核奖惩因子，单位：元/kWh；αass的取值可根据不同地区电网企业考核细则的相关内容进行设置；
所述储能电池参与削峰填谷的收益可表示为：
其中，Rtou为储能电池参与削峰填谷收益，单位：元；ρtou(i)为第i个时段的峰谷分时电价，单位：元/kWh；为第i个时段的储能电池充电功率或放电功率，单位：kW；在同一时间内，储能电池系统只会保持单一的充电或者放电状态；
所述光储联合电站典型场景联合收益模型的目标函数可表示为：
Max Rsum＝Relc+Rass+Rtou (11)
其中，Rsum为光储电站典型场景的联合收益，单位：元；
(4)利用光储联合电站典型场景联合收益模型对待优化运营光伏电站进行调整优化，获得光储联合电站典型场景联合收益最大的优化运营方案。
进一步的技术方案在于，所述步骤1中光储联合电站在温带则以春、夏、秋、冬四季分类，或者在热带和部分亚热带地区则以干季、雨季两季划分；或者在北非部分地区以凉季、热季和雨季三季节划分；或者在极地附近，则以夏季、冬季两季节划分。
进一步的技术方案在于，所述步骤1的具体步骤为：
1)对待优化运营光储联合电站在一年内的光伏发电功率按照春、夏、秋、冬四个不同的季节进行分析；
2)对一年中的每一日以时间间隔Δt全天候采集采样点个数N 个，并记录各个采样点的发电功率数据；
3)确定自组织映射聚类算法的神经网络结构；输入层神经元数 n＝N，每一神经元对应输入特征向量的一个分量，输出神经元数j；
4)自组织映射聚类算法的初始化，对输入元到输出元的连接权 wnj(t)赋[0,1]区间的随机值；
5)对每一日N个光伏发电功率数据构成的发电功率向量 Ppv＝[Ppv(1),Ppv(2),......,Ppv(N)]提供给网络的输出层，做归一化处理，即：
6)计算欧式距离:
其中，距离最小的神经元j*为获胜的神经元；
7)调整连接权矢量；对j*及其邻域Nj*(t)以内的神经元的连接权矢量进行更新，即
式中，η(t)为可变学习速度，η(t)和Nj*(t)邻域都随着时间而衰减；
8)按照上述步骤，待结束后，将输出获胜神经元编号一样的光伏日发电功率曲线化为同一类；
9)由式(4)求取春、夏、秋、冬四季中各季节每一类发电功率曲线的聚类中心作为每种典型场景下的光伏预测发电功率曲线；
式中Zl代表第l个类别的聚类中心；nl为第l个类别包含的曲线数；PPV(L)为某日光伏发电功率曲线。
进一步的技术方案在于，所述步骤2的具体步骤为：
将步骤1中得到的春、夏、秋、冬四季中各季节每种典型场景下的光伏预测发电功率曲线再次采用自组织映射聚类算法分成3类得出每种典型场景下光储联合电站不同情况下的光伏实际发电功率曲线；
进一步的技术方案在于，步骤(3)中相应典型场景下光储电站的发电收益、考核奖励收益、考核奖惩收益、储能参与削峰填谷收益测算过程应符合光储电站的运行约束，具体如下：
(1)系统功率平衡约束
(2)储能电池系统功率约束
其中，为用于优化光伏发电发电功率的储能电池组最大充放电功率，单位：kW；
(3)储能电池系统荷电状态约束
为防止蓄电池过充和过放的发生，蓄电池的荷电状态电池剩余电量与电池容量的比值；应满足上、下限值约束；
式中，和分别为储能电池在第k 个采样点时刻的SOC状态及上、下限值；
其中，为储能电池组SOC的初始状态，为用于优化光伏发电发电功率的储能电池组的额定容量，单位：kWh；ηbess为储能电池组的充放电效率；
(4)储能电池容量配置约束
其中，Ebess为整个光储电站储能电池系统的额定容量，单位： kWh。
进一步的技术方案在于，步骤(4)中利用光储联合电站典型场景联合收益模型对待优化运营光伏电站进行调整优化的模式求解过程如下：
在某典型场景中，第k个采样点光伏发电功率预测Ppv_for(k)和实际Ppv(k)可由步骤(1)-(2)的分析结果得到；
(a)输入Ppv_for(k)和Ppv(k)等计算参数；
(b)设置的值；由于储能电池系统由若干个电池组构成，所以在设定的值之后，其相应的最大充放电功率也就可以确定；
(c)将储能电池放电功率作为输入变量，利用遗传算法 (GA)求RMSEpv-bess的最小值及相应的
(d)分别计算发电收益Relc、考核奖惩收益Rass和储能电池参与削峰填谷收益Rtou；
(e)计算为光储电站典型场景总收益Rsum；
(f)判断是否遍历所有取值，若是，则进行下一步，否则返回步骤(b)重新设置的值，并重复(a)～(d)；
(g)选择Rsum的最大值对应的来作为最优解。
进一步的技术方案在于，所述步骤(4)分别采用典型场景下的光伏预测发电功率曲线和相应典型场景下不同情况下的光伏实际发电功率曲线，利用光储联合电站典型场景联合收益模型计算每种光伏实际发电功率曲线对应的最优则光储联合电站在某典型场景下的最优的可由如下公式获得：
式中，为该典型场景第i个光伏功率实际曲线下，用于优化光伏发电功率的储能电池组容量，单位：MWh；η(i)为该光伏功率实际曲线出现的概率，单位：％。
采用上述技术方案所产生的有益效果在于：本文首先基于光伏站的历史数据，提出基于SOM聚类算法的典型场景划分方法，生成光储联合电站全年不同季节的典型场景；然后以收益最优为目标，建立光储联合电站典型场景最优收益的运营模型，该模型以光储电站发电收益、考核奖惩收益和储能削峰填谷收益组成的联合收益最大为目标；最后，基于光伏电站实测数据和已有示范性光储联合电站的储能参数，建立光储站典型场景的运营模型库，为光储站的运营提供指导。
附图说明
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。
图1是本发明基于SOM的光伏发电功率曲线聚类识别拓扑结构图；
图2是本发明各典型场景光伏实际发电功率的生成；
图3是本发明光储光储联合电站典型场景联合收益模型求解过程；
图4a-4b是春季各典型场景及代表场景发电功率曲线；
图5a-5b是夏季典型场景及代表场景发电功率曲线；
图6a-6b是秋季典型场景及代表场景发电功率曲线；
图7a-7b是冬季典型场景及代表场景发电功率曲线；
图8a-8d是全年春、夏、秋、冬四季各典型场景的概率(％)；
图9是夏季典型场景(a)不同光伏发电功率下关系曲线；
图10是夏季典型场景(d)不同光伏发电功率下关系曲线；
图11是各典型场景优化运营模式与现有运营模式收益对比。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
一、各季节典型场景光伏预测发电功率的生成
本发明前期研究探讨过程中将光伏电站一年365天的发电功率情况按照春、夏、秋、冬四个不同的季节进行分析，采用自组织映射(self-organizing map,SOM)聚类算法将每个季节的光伏发电功率曲线分成5类，求取每类曲线的聚类中心，作为每种典型场景的光伏预测发电功率。
自组织映射(self-organizing map,SOM)神经网络是一种无监督竞争式学习网络，能够识别环境特征并自动聚类，在聚类分析中得到广泛应用。SOM网络由输入和输出层2层神经元组成，输入层中每一个神经元通过可变权值与输出层各神经元相连，输出神经元形成一个二维平面阵列。
本申请以光伏电站某日以时间间隔0.25h全天候N＝96个时刻发电功率数据构成的发电功率向量PPV＝[PPV(1),PPV(2),…,PPV(96)]作为SOM网络的输入向量进行训练，其拓扑结构如图1所示；
以春季为例，基于SOM聚类算法的典型场景光伏预测发电功率生成的主要步骤如下：
1)确定神经网络结构。输入层神经元数n＝96，每一神经元对应输入特征向量的一个分量，输出神经元数j为1×5＝5个。
2)初始化，输入元到输出元的连接权wnj(t)赋[0,1]区间的随机值，n＝1,2,…,96；j＝1,2,…,5。
3)选取春季某日光伏的发电功率数据PPV，提供给网络的输入层，作归一化处理，即:
4)计算欧式距离:
其中，距离最小的神经元j*为获胜的神经元。
6)调整连接权矢量。对j*及其邻域Nj*(t)以内的神经元的连接权矢量进行更新，即
式中，η(t)为可变学习速度，η(t)和Nj*(t)邻域都随着时间而衰减。
7)选取新一天的光伏发电功率数据，从步骤3)-6)重复学习过程，直到春季每日的光伏发电功率都得到训练。
8)训练结束后，将输出获胜神经元编号一样的光伏日发电功率曲线化为同一类。
9)由式(4)求取每一类簇发电功率曲线的聚类中心作为每种典型场景下的光伏预测发电功率曲线。
式中Zl代表第l个类别的聚类中心；nl为第l个类别包含的曲线数；PPV(L)为某日光伏发电功率曲线。
二、各典型场景光伏实际发电功率的生成
基于上述所述每个季度光伏发电功率的5类聚类结果，将每一类别的发电功率曲线再次利用SOM聚类算法进行更精细的聚类划分，每一种分类曲线的聚类中心作为每种典型场景下的光伏电站不同发电功率情况下的实际发电功率曲线。主要的流程如图2所示。
三、计及典型场景的光储电站的联合收益模型
本申请将光储电站典型场景的收益分为发电收益、考核奖惩收益、储能参与削峰填谷收益三个部分。针对不同典型场景，寻求用于优化光伏发电功率及用于参与削峰填谷的储能电池容量使得光储电站在该场景下收益最大。
(1)发电收益
光储电站的收益主要来源于并网发电，按照地区统一的光伏上网标杆电价来进行结算，因此光储电站的日发电收益可表示为：
Relc＝ρpv·Qpv-bess (5)
其中，Relc为光储电站发电收益(元)，ρpv为地区光伏上网标杆电价(元/kWh)，Qpv-bess为光储电站日发电量(kWh)，Ppv-bess(k)为采样点光储联合发电功率(kW)，Ppv(k)为采样点光伏发电功率(kW)，为采样点用于优化光伏发电出力的储能电池放电功率(kW)，Δt为采样时间间隔(h)，N为采样点数，N＝24/Δt。
(2)考核奖惩收益
光伏电站接入电网后，调度机构会按照管理办法对其发电运行情况进行考核。以《西北区域发电厂并网运行管理实施细则(试行)》为例，该细则第三十一条规定，光伏实际出力与日前96点预测值均方根偏差应小于预测值的10％。偏差在10％以内，按积分电量1000 元/万千瓦时奖励；偏差在10％至20％之间，按积分电量1000元/万千瓦时考核；偏差超过20％，按积分电量3000元/万千瓦时考核。
根据规定，均方根偏差的计算公式为：
其中，RMSEpv为预测均方根偏差(％)，Ppv(i)为第i时刻的光伏发电实际功率(kW)，Ppv_for(i)为第i时刻的光伏发电预测功率(kW)， Cap为光伏电站平均开机容量(kW)，n为预测遍历的时刻数。
对于光储电站，其并网发电功率为光伏发电系统和储能电池系统功率之和，因此上述均方根偏差计算公式可表示为：
光储电站的考核奖惩收益可表示为：
Rass＝αass·Qpv-bess (9)
其中，Rass为考核奖惩收益(元)，αass为考核奖惩因子(元/kWh)。αass的取值可根据不同地区电网企业考核细则的相关内容进行设置。
(3)储能电池参与削峰填谷收益
光储站中储能电池系统的首要作用是优化光伏发电系统出力，减少光伏实际出力与日前预测出力的偏差。而实际运行中，往往只需要储能电池系统的部分容量对光伏发电系统出力进行优化即可满足需求。光储电站可将剩余的储能电池容量投入到电网削峰填谷中，在用电低谷时段及用电平时段以较低的电价充电，在用电高峰时段以较高的电价放电，可获得部分额外的收益。
储能电池参与削峰填谷的收益可表示为：
其中，Rtou为储能电池参与削峰填谷收益(元)，ρtou(i)为第i 个时段的峰谷分时电价(元/kWh)，为第i个小时段的储能电池充电功率或放电功率(kW)。在同一时间内，储能电池系统只会保持单一的充电或者放电状态。
综合以上分析，光储电站典型场景收益最优化目标函数可表示为：
Max Rsum＝Relc+Rass+Rtou (11)
其中，Rsum为光储电站典型场景的联合收益(元)。
本申请所建立的光储电站典型场景中，各项收益的测算过程应符合光储电站的运行约束，具体如下：
(1)系统功率平衡约束[20]
(2)储能电池系统功率约束
其中，为用于优化光伏发电出力的储能电池组最大充放电功率(kW)。
(3)储能电池系统荷电状态约束
为防止蓄电池过充和过放的发生，蓄电池的荷电状态 (SOC,State-of-Charge，即电池剩余电量与电池容量的比值)应满足上、下限值约束。
式中，和分别为储能电池在第k 个采样点时刻的SOC状态及上、下限值。
其中，为储能电池组SOC的初始状态，为用于优化光伏发电出力的储能电池组的额定容量(kWh)，ηbess为储能电池组的充放电效率，本申请取90％。
(4)储能电池容量配置约束
其中，Ebess为整个光储电站储能电池系统的额定容量(kWh)。
四、模型求解
本申请所建立的光储联合电站典型场景联合收益模型，所要解决的主要问题，是通过调整用于优化光伏发电出力的储能电池容量来使得光储联合电站典型场景联合收益Rsum达到最大值。待优化的变量为输入变量和中间变量
在某典型场景中，光伏发电功率预测曲线Ppv_for(k)和实际曲线 Ppv(k)可由第2节的分析结果得到。模型的求解过程如下：
(1)输入Ppv_for(k)和Ppv(k)等计算参数。
(2)设置的值。由于储能电池系统由若干个电池组构成，所以在设定的值之后，其相应的最大充放电功率也就可以确定。
(3)将储能电池放电功率作为输入变量，利用遗传算法 (GA)求RMSEpv-bess的最小值及相应的
(4)分别计算发电收益Relc、考核奖惩收益Rass和储能电池参与削峰填谷收益Rtou。
(5)计算为光储电站典型场景总收益Rsum。
(6)判断是否遍历所有取值，若是，则进行下一步，否则返回步骤(1)重新设置的值，并重复(1)～(4)。
(7)选择Rsum的最大值对应的来作为最优解。
模型求解的具体流程如图3所示.
分别采用典型场景下的光伏功率预测曲线和三种光伏功率实际曲线，利用上述模型计算每种光伏实际功率曲线对应的最优则光储联合电站在某典型场景下的最优的可由如下公式获得：
式中，为该典型场景第i个光伏功率实际曲线下，用于优化光伏出力的储能电池组容量(MWh)，η(i)为该光伏功率实际曲线出现的概率(％)。
五、算例分析
本申请的研究对象为2016年并网的青海省格尔木地区示范型光储联合电站。该光储联合电站的光伏发电系统装机容量为50MW，储能系统额定充放电功率为15MW，额定容量为18MW。由于该光储电站并网时间较短，所以光伏发电功率数据来源于青海海西某50MW 光伏电站2012年的实际历史发电数据，采样间隔时间为15min。部分计算参数设置如下：
表1计算参数
考核奖惩因子αass参考《西北区域发电厂并网运行管理及并网发电厂辅助服务管理实施细则》进行设置，具体如下：
表2光储电站考核奖惩因子
| RMSE(％) | 0～10％ | 10％～20％ | >20％ |
| αass(元/kWh) | 0.1 | -0.1 | -0.3 |
峰谷分时电价的设置按照全国大多数省份的峰谷时段划分方法，峰时段为08:00-12:00和17:00-21:00，平时段为12:00-17:00 和21:00-24:00，谷时段为00:00-08:00。峰时段电价为平时段电价上调50％，谷时段电价为平时段电价下调50％。
采用青海海西某50MW光伏电站2012年全年的实际历史发电数据，来模拟生成光储联合电站的运行的典型场景。历史数据采样间隔时间为15min，日发电功率曲线为96点数据。首先对数据进行处理，踢出不良数据，然后利用本申请所提出的基于SOM聚类算法的典型场景生成方法，按照季节建立光储电站典型场景。
图4-图7分别为春、夏、秋、冬四个季节的典型场景及代表场景出力曲线，其中每个季节的典型场景分为(a)～(e)五种，每个季节代表场景(a)的出力曲线包括预测出力曲线PVfor，以及三种不同情况下的实际出力曲线PV1，PV2，PV3。其中PVfor为该典型场景的聚类中心曲线。由于受光照影响，光伏发电功率96采样点有部分功率值为0，为便于分析，典型场景中只显示8:00-20:00之间的采样点数据。图8为各典型场景及每种场景三条实际出力曲线的分布概率。
由以上聚类结果可知，将不同季节光伏发电的典型场景分为5 类，每一类的聚类中心为该典型场景中的光伏发电预测功率。对每一种典型场景中所包含的光伏出力曲线继续进行聚类分析，分为3 类，作为3种典型的光伏发电实际功率。由于天气情况是光伏发电的主要影响因素，所以每一种典型场景在一定程度上反映了该季节的不同天气情况对光伏出力的影响。如夏季的5种典型场景分别对应全天晴天、上午晴天下午多云、上午多云下午晴天、全天多云、全天阴天。
在对全年不同季节光储电站典型场景进行聚类分析的基础上，以夏季典型场景(a)和夏季典型场景(d)为例，对利用本申请提出的光储电站典型场景收益最优化模型建立运行模式的过程进行详细分析。图8、图9和表4是模型优化结果。
表3夏季典型场景(a)和(d)的运营模式及收益
由图9、图10和表3可以得出以下结论：
1)同一典型场景，不同光伏实际出力情况下，光储联合电站收益最优的运行模式不同，但关系曲线的趋势相同，这主要是因为，同一典型场景中，天气情况相同，光伏发电功率的变化趋势相同，光伏发电功率日前预测也具有相近的精确度。
2)不同典型场景，光储联合电站收益最优的运行模式不同。这主要是因为，不同典型场景中，天气情况不同，光伏发电功率曲线的变化趋势不同，光伏发电功率日前预测精确度也不同。如夏季(a) 场景为全天晴天，光照波动性较小，光伏发电功率日前预测精度较高；而夏季(d)场景为全天阴天，光照波动性较大，光伏发电功率日前预测精度较低。
3)影响光储电站典型场景运行模式优化配置的主要因素为考核奖惩收益。进行光储电站运行模式优化配置的主要目的是通过配置电池储能系统来调节光伏出力，减少光储联合实际功率曲线与日前预测曲线的偏差，从而减少考核惩罚费用，或者获得考核奖励费用。
光储电站全年四季典型场景下的运营模式及期望收益见下表所示：
表4光储电站全年四季典型场景运营模式及期望收益
由表4可知，在不同的典型运行场景下，光储联合电站对电池储能系统容量和功率的需求不同。通过对典型场景光伏发电功率的详细分析，可对光储联合电站蓄电池储能系统进行合理的分配，建立运营模式库，从而指导光储联合电站获得更大的经济收益。
在光储联合电站现有运营模式下，所有电池储能系统全部用于优化光伏出力，以减少日前光伏功率预测曲线与实际光伏功率曲线的偏差。将光储联合电站现有运营模式与本申请优化运营模式下各典型场景的经济收益进行对比，图11为春、夏、秋、冬20个典型场景优化运营模式与现有运营模式收益对比。
由图11可知，与现有的运营模式相比，本申请建立的典型场景优化运营模式可使光储联合电站获得更高的期望经济收益。在现有运营模式下，光储联合电站的全年期望经济收益为8860.87万元，在本申请建立的典型场景优化运营模式下，光储联合电站的全年期望经济收益为9081.17万元，增加220.30万元。
本申请通过对光伏发电历史数据进行分析，将全年四季光储联合电站的光伏出力划分为不同典型场景，并且考虑发电收益、考核奖惩收益和储能削峰填谷收益，建立了光储联合电站联合收益最优化模型。利用该模型对光储联合电站不同典型场景可行的运营模式进行了探讨。算例分析结果表明，利用本申请提出的光储联合电站典型场景分析方法和收益最优化模型，可对光储联合电站典型运行场景的电池储能进行优化配置，建立可行的运营模式，从而使得光储联合电站获得最优化的经济收益，为光储联合电站的运营提供指导。
Claims (7)
1.一种计及典型场景的光储联合电站优化运营方法，其特征在于：包括如下步骤：
(1)对待优化运营光储联合电站在一年内的光伏发电功率按照季节分类进行分析；对每个季节的每一日光伏发电功率进行同一时间间隔采样获得采样数据；采用自组织映射聚类算法将采样数据训练形成每个季节的光伏日发电功率曲线，并分类；然后求取每个季节的每类光伏日发电功率曲线的聚类中心，作为此季节的一种典型场景的光伏预测发电功率曲线；
(2)对每个季节的每种典型场景的光伏预测发电功率曲线采用自组织映射聚类算法再次进行分类，并求取相应曲线的聚类中心，作为此季节的相应典型场景下不同情况下的光伏实际发电功率曲线；
(3)对待优化运营光储联合电站，按季节依据各季节的相应典型场景的光伏预测发电功率曲线，以及相应典型场景下不同情况下的光伏实际发电功率曲线，确定相应典型场景下光储电站的发电收益、考核奖励收益、考核奖惩收益、储能参与削峰填谷收益，然后建立光储联合电站典型场景联合收益模型；
所述光储电站的日发电收益可表示为：
Relc＝ρpv·Qpv-bess (5)
其中，Relc为光储电站发电收益，单位：元；ρpv为地区光伏上网标杆电价，单位：元/kWh：Qpv-bess为光储电站日发电量，单位kWh；Ppv-bess(k)为第k个采样点处光储联合发电功率,单位：kW；Ppv(k)为第k个采样点光伏发电功率，单位：kW；为在第k个采样点用于优化光伏发电发电功率的储能电池放电功率，单位：kW；Δt为采样时间间隔，单位：h；N为采样点个数，N＝24/Δt，0<k≦N；
所述光储电站的考核奖惩收益可表示为：
Rass＝αass·Qpv-bess (9)
其中，Rass为考核奖惩收益，单位：元；αass为考核奖惩因子，单位：元/kWh；αass的取值可根据不同地区电网企业考核细则的相关内容进行设置；
所述储能电池参与削峰填谷的收益可表示为：
其中，Rtou为储能电池参与削峰填谷收益，单位：元；ρtou(i)为第i个时段的峰谷分时电价，单位：元/kWh；为第i个时段的储能电池充电功率或放电功率，单位：kW；在同一时间内，储能电池系统只会保持单一的充电或者放电状态；
所述光储联合电站典型场景联合收益模型的目标函数可表示为：
Max Rsum＝Relc+Rass+Rtou (11)
其中，Rsum为光储电站典型场景的联合收益，单位：元；
(4)利用光储联合电站典型场景联合收益模型对待优化运营光伏电站进行调整优化，获得光储联合电站典型场景联合收益最大的优化运营方案。
2.根据权利要求1所述的一种计及典型场景的光储联合电站优化运营方法，其特征在于：所述步骤1中光储联合电站在温带则以春、夏、秋、冬四季分类，或者在热带和部分亚热带地区则以干季、雨季两季划分；或者在北非部分地区以凉季、热季和雨季三季节划分；或者在极地附近，则以夏季、冬季两季节划分。
3.根据权利要求1所述的一种计及典型场景的光储联合电站优化运营方法，其特征在于：所述步骤1的具体步骤为：
1)对待优化运营光储联合电站在一年内的光伏发电功率按照春、夏、秋、冬四个不同的季节进行分析；
2)对一年中的每一日以时间间隔Δt全天候采集采样点个数N个，并记录各个采样点的发电功率数据；
3)确定自组织映射聚类算法的神经网络结构；输入层神经元数n＝N，每一神经元对应输入特征向量的一个分量，输出神经元数j；
4)自组织映射聚类算法的初始化，对输入元到输出元的连接权wnj(t)赋[0,1]区间的随机值；
5)对每一日N个光伏发电功率数据构成的发电功率向量Ppv＝[Ppv(1),Ppv(2),......,Ppv(N)]提供给网络的输出层，做归一化处理，即：
6)计算欧式距离:
其中，距离最小的神经元j*为获胜的神经元；
7)调整连接权矢量；对j*及其邻域Nj*(t)以内的神经元的连接权矢量进行更新，即
式中，η(t)为可变学习速度，η(t)和Nj*(t)邻域都随着时间而衰减；
8)按照上述步骤，待结束后，将输出获胜神经元编号一样的光伏日发电功率曲线化为同一类；
9)由式(4)求取春、夏、秋、冬四季中各季节每一类发电功率曲线的聚类中心作为每种典型场景下的光伏预测发电功率曲线；
式中式中Zl代表第l个类别的聚类中心；nl为第l个类别包含的曲线数；PPV(L)为某日光伏发电功率曲线。
4.根据权利要求1或2所述的一种计及典型场景的光储联合电站优化运营方法，其特征在于：所述步骤2的具体步骤为：
将步骤1中得到的春、夏、秋、冬四季中各季节每种典型场景下的光伏预测发电功率曲线再次采用自组织映射聚类算法分成3类得出每种典型场景下光储联合电站不同情况下的光伏实际发电功率曲线。
5.根据权利要求1所述的一种计及典型场景的光储联合电站优化运营方法，其特征在于：步骤(3)中相应典型场景下光储电站的发电收益、考核奖励收益、考核奖惩收益、储能参与削峰填谷收益测算过程应符合光储电站的运行约束，具体如下：
(1)系统功率平衡约束
(2)储能电池系统功率约束
其中，为用于优化光伏发电发电功率的储能电池组最大充放电功率，单位：kW；
(3)储能电池系统荷电状态约束
为防止蓄电池过充和过放的发生，蓄电池的荷电状态电池剩余电量与电池容量的比值；应满足上、下限值约束；
式中，和分别为储能电池在第k个采样点时刻的SOC状态及上、下限值；
其中，为储能电池组SOC的初始状态，为用于优化光伏发电发电功率的储能电池组的额定容量，单位：kWh；ηbess为储能电池组的充放电效率；
(4)储能电池容量配置约束
其中，Ebess为整个光储电站储能电池系统的额定容量，单位：kWh。
6.根据权利要求1或3或4或5所述的一种计及典型场景的光储联合电站优化运营方法，其特征在于：步骤(4)中利用光储联合电站典型场景联合收益模型对待优化运营光伏电站进行调整优化的模式求解过程如下：
在某典型场景中，第k个采样点光伏发电功率预测Ppv_for(k)和实际Ppv(k)可由步骤(1)-(2)的分析结果得到；
(a)输入Ppv_for(k)和Ppv(k)等计算参数；
(b)设置的值；由于储能电池系统由若干个电池组构成，所以在设定的值之后，其相应的最大充放电功率也就可以确定；
(c)将储能电池放电功率作为输入变量，利用遗传算法(GA)求RMSEpv-bess的最小值及相应的
(d)分别计算发电收益Relc、考核奖惩收益Rass和储能电池参与削峰填谷收益Rtou；
(e)计算为光储电站典型场景总收益Rsum；
(f)判断是否遍历所有取值，若是，则进行下一步，否则返回步骤(b)重新设置的值，并重复(a)～(d)；
(g)选择Rsum的最大值对应的来作为最优解。
7.根据权利要求6所述的一种计及典型场景的光储联合电站优化运营方法，其特征在于:所述步骤(4)分别采用典型场景下的光伏预测发电功率曲线和相应典型场景下不同情况下的光伏实际发电功率曲线，利用光储联合电站典型场景联合收益模型计算每种光伏实际发电功率曲线对应的最优则光储联合电站在某典型场景下的最优的可由如下公式获得：
式中，为该典型场景第i个光伏功率实际曲线下，用于优化光伏发电功率的储能电池组容量，单位：MWh；η(i)为该光伏功率实际曲线出现的概率，单位：％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710606874.5A CN107423852A (zh) | 2017-07-24 | 2017-07-24 | 一种计及典型场景的光储联合电站优化运营方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710606874.5A CN107423852A (zh) | 2017-07-24 | 2017-07-24 | 一种计及典型场景的光储联合电站优化运营方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107423852A true CN107423852A (zh) | 2017-12-01 |
Family
ID=60430341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710606874.5A Pending CN107423852A (zh) | 2017-07-24 | 2017-07-24 | 一种计及典型场景的光储联合电站优化运营方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107423852A (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376316A (zh) * | 2018-02-12 | 2018-08-07 | 国家电网公司 | 一种风电功率预测方法和系统 |
| CN108470033A (zh) * | 2018-02-01 | 2018-08-31 | 杭州电子科技大学 | 一种城市公共自行车系统借还模式的可视化分析方法 |
| CN108985515A (zh) * | 2018-07-24 | 2018-12-11 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及系统 |
| CN109149651A (zh) * | 2018-10-19 | 2019-01-04 | 国网江苏省电力有限公司南通供电分公司 | 一种计及调压辅助服务收益的光储系统优化运行方法 |
| CN109768626A (zh) * | 2018-07-16 | 2019-05-17 | 上海交通大学 | 一种储能电站即插即用的能量流实现方法 |
| CN111327053A (zh) * | 2020-03-16 | 2020-06-23 | 上海电力大学 | 一种适用于极地气候下的多源微电网容量优化配置方法 |
| CN112072655A (zh) * | 2020-09-10 | 2020-12-11 | 天津大学 | 一种并网风储发电系统混合储能优化配置方法 |
| JPWO2019130718A1 (ja) * | 2017-12-28 | 2020-12-24 | 住友電気工業株式会社 | 判定装置、太陽光発電システム、判定方法および判定プログラム |
| CN112332454A (zh) * | 2020-11-13 | 2021-02-05 | 国网冀北电力有限公司电力科学研究院 | 基于含抽蓄柔性直流输电系统的电池储能处理方法及装置 |
| CN112366753A (zh) * | 2020-11-27 | 2021-02-12 | 国家电网有限公司 | 光储联合运行的经济最优控制方法 |
| CN112508287A (zh) * | 2020-12-11 | 2021-03-16 | 国网重庆市电力公司营销服务中心 | 基于用户侧bess全寿命周期的储能优化配置方法 |
| CN112750341A (zh) * | 2020-12-31 | 2021-05-04 | 佛山职业技术学院 | 一种户用型光伏电站安装评价系统及其评价方法 |
| CN112785027A (zh) * | 2020-06-22 | 2021-05-11 | 国网江苏省电力有限公司经济技术研究院 | 风光储联合发电系统置信容量评估方法及系统 |
| CN113178896A (zh) * | 2021-05-08 | 2021-07-27 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种固定出力光储联合电站装机容量配置方法及系统 |
| CN113193553A (zh) * | 2021-04-29 | 2021-07-30 | 中国华能集团清洁能源技术研究院有限公司 | 一种结合储能控制系统的新能源发电侧功率预测方法及系统 |
| CN113867291A (zh) * | 2021-10-08 | 2021-12-31 | 润泰新能源集团有限公司 | 一种储能换热优化调度方法 |
| CN113922398A (zh) * | 2021-11-01 | 2022-01-11 | 北方工业大学 | 多应用场景下光储电站功率分配方法 |
| CN117742135A (zh) * | 2024-02-09 | 2024-03-22 | 石家庄学院 | 一种用于通信机房的光伏节能控制方法及系统 |
-
2017
- 2017-07-24 CN CN201710606874.5A patent/CN107423852A/zh active Pending
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2019130718A1 (ja) * | 2017-12-28 | 2020-12-24 | 住友電気工業株式会社 | 判定装置、太陽光発電システム、判定方法および判定プログラム |
| JP7188399B2 (ja) | 2017-12-28 | 2022-12-13 | 住友電気工業株式会社 | 判定装置、太陽光発電システム、判定方法および判定プログラム |
| CN108470033A (zh) * | 2018-02-01 | 2018-08-31 | 杭州电子科技大学 | 一种城市公共自行车系统借还模式的可视化分析方法 |
| CN108376316B (zh) * | 2018-02-12 | 2020-10-27 | 国家电网公司 | 一种风电功率预测方法和系统 |
| CN108376316A (zh) * | 2018-02-12 | 2018-08-07 | 国家电网公司 | 一种风电功率预测方法和系统 |
| CN109768626A (zh) * | 2018-07-16 | 2019-05-17 | 上海交通大学 | 一种储能电站即插即用的能量流实现方法 |
| CN109768626B (zh) * | 2018-07-16 | 2022-09-27 | 上海交通大学 | 一种储能电站即插即用的能量流实现方法 |
| CN108985515A (zh) * | 2018-07-24 | 2018-12-11 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及系统 |
| CN108985515B (zh) * | 2018-07-24 | 2021-11-26 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及系统 |
| CN109149651A (zh) * | 2018-10-19 | 2019-01-04 | 国网江苏省电力有限公司南通供电分公司 | 一种计及调压辅助服务收益的光储系统优化运行方法 |
| CN109149651B (zh) * | 2018-10-19 | 2022-05-06 | 国网江苏省电力有限公司南通供电分公司 | 一种计及调压辅助服务收益的光储系统优化运行方法 |
| CN111327053A (zh) * | 2020-03-16 | 2020-06-23 | 上海电力大学 | 一种适用于极地气候下的多源微电网容量优化配置方法 |
| CN111327053B (zh) * | 2020-03-16 | 2023-08-04 | 上海电力大学 | 一种适用于极地气候下的多源微电网容量优化配置方法 |
| CN112785027B (zh) * | 2020-06-22 | 2022-07-15 | 国网江苏省电力有限公司经济技术研究院 | 风光储联合发电系统置信容量评估方法及系统 |
| CN112785027A (zh) * | 2020-06-22 | 2021-05-11 | 国网江苏省电力有限公司经济技术研究院 | 风光储联合发电系统置信容量评估方法及系统 |
| CN112072655A (zh) * | 2020-09-10 | 2020-12-11 | 天津大学 | 一种并网风储发电系统混合储能优化配置方法 |
| CN112332454A (zh) * | 2020-11-13 | 2021-02-05 | 国网冀北电力有限公司电力科学研究院 | 基于含抽蓄柔性直流输电系统的电池储能处理方法及装置 |
| CN112332454B (zh) * | 2020-11-13 | 2024-08-13 | 国网冀北电力有限公司电力科学研究院 | 基于含抽蓄柔性直流输电系统的电池储能处理方法及装置 |
| CN112366753A (zh) * | 2020-11-27 | 2021-02-12 | 国家电网有限公司 | 光储联合运行的经济最优控制方法 |
| CN112508287B (zh) * | 2020-12-11 | 2023-10-13 | 国网重庆市电力公司营销服务中心 | 基于用户侧bess全寿命周期的储能优化配置方法 |
| CN112508287A (zh) * | 2020-12-11 | 2021-03-16 | 国网重庆市电力公司营销服务中心 | 基于用户侧bess全寿命周期的储能优化配置方法 |
| CN112750341A (zh) * | 2020-12-31 | 2021-05-04 | 佛山职业技术学院 | 一种户用型光伏电站安装评价系统及其评价方法 |
| CN113193553B (zh) * | 2021-04-29 | 2022-07-29 | 中国华能集团清洁能源技术研究院有限公司 | 一种结合储能控制系统的新能源发电侧功率预测方法及系统 |
| CN113193553A (zh) * | 2021-04-29 | 2021-07-30 | 中国华能集团清洁能源技术研究院有限公司 | 一种结合储能控制系统的新能源发电侧功率预测方法及系统 |
| CN113178896B (zh) * | 2021-05-08 | 2023-06-16 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种固定出力光储联合电站装机容量配置方法及系统 |
| CN113178896A (zh) * | 2021-05-08 | 2021-07-27 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种固定出力光储联合电站装机容量配置方法及系统 |
| CN113867291A (zh) * | 2021-10-08 | 2021-12-31 | 润泰新能源集团有限公司 | 一种储能换热优化调度方法 |
| CN113867291B (zh) * | 2021-10-08 | 2023-11-03 | 润泰新能源集团有限公司 | 一种储能换热优化调度方法 |
| CN113922398A (zh) * | 2021-11-01 | 2022-01-11 | 北方工业大学 | 多应用场景下光储电站功率分配方法 |
| CN117742135A (zh) * | 2024-02-09 | 2024-03-22 | 石家庄学院 | 一种用于通信机房的光伏节能控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107423852A (zh) | 一种计及典型场景的光储联合电站优化运营方法 | |
| Sun | A multi-objective optimization model for fast electric vehicle charging stations with wind, PV power and energy storage | |
| Yang et al. | Optimal sizing and placement of energy storage system in power grids: A state-of-the-art one-stop handbook | |
| CN109462231B (zh) | 居民微电网的负荷优化调度方法、系统和存储介质 | |
| Liu et al. | Optimal operation of independent regional power grid with multiple wind-solar-hydro-battery power | |
| CN109508857B (zh) | 一种主动配电网多阶段规划方法 | |
| Kunya et al. | Review of economic dispatch in multi-area power system: State-of-the-art and future prospective | |
| CN107947165A (zh) | 一种面向调节需求的配电网灵活性评价方法 | |
| Gao et al. | Optimal operation modes of photovoltaic-battery energy storage system based power plants considering typical scenarios | |
| Li et al. | Optimal planning of Electricity–Hydrogen hybrid energy storage system considering demand response in active distribution network | |
| Mohammadi et al. | Optimal operation management of microgrids using the point estimate method and firefly algorithm while considering uncertainty | |
| CN111311012A (zh) | 基于多智能体的微电网电力市场双层竞价优化方法 | |
| Naderi et al. | MILP based Optimal Design of Hybrid Microgrid by Considering Statistical Wind Estimation and Demand Response | |
| Li et al. | A scheduling framework for VPP considering multiple uncertainties and flexible resources | |
| CN114498690B (zh) | 支持大规模可再生能源消纳的多元复合储能优化配置方法 | |
| TWI639962B (zh) | 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法 | |
| Alikhani et al. | Optimal implementation of consumer demand response program with consideration of uncertain generation in a microgrid | |
| CN117811002A (zh) | 风光储大基地容量和调度协同优化方法及系统 | |
| CN112508241A (zh) | 一种智能电网能量优化调度方法 | |
| CN108683211B (zh) | 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型 | |
| CN116073417A (zh) | 考虑综合性能的配电网源-网-荷-储联合规划方法 | |
| CN113158412B (zh) | 一种基于布谷鸟算法的光储电站协同优化方法 | |
| CN112861376B (zh) | 一种基于单元调度模型的评估方法及装置 | |
| CN113255957A (zh) | 综合服务站不确定因素的定量优化分析方法及系统 | |
| Zhang et al. | Coordinated Optimal Scheduling of WPHTNS Power System Based on Adaptive Improved Genetic Algorithm (July 2023) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |