CN107528341A - 一种用于高风电渗透率的大电网储能调度的方法 - Google Patents
一种用于高风电渗透率的大电网储能调度的方法 Download PDFInfo
- Publication number
- CN107528341A CN107528341A CN201710740446.1A CN201710740446A CN107528341A CN 107528341 A CN107528341 A CN 107528341A CN 201710740446 A CN201710740446 A CN 201710740446A CN 107528341 A CN107528341 A CN 107528341A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- mrow
- wind
- wind power
- prediction
- 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.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 105
- 230000005611 electricity Effects 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000035699 permeability Effects 0.000 title claims abstract description 17
- 238000012502 risk assessment Methods 0.000 claims abstract description 15
- 230000005619 thermoelectricity Effects 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 18
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 6
- 229910052739 hydrogen Inorganic materials 0.000 claims description 5
- 239000001257 hydrogen Substances 0.000 claims description 5
- 238000005868 electrolysis reaction Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 230000005684 electric field Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000000153 supplemental effect Effects 0.000 claims description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 2
- 229910052744 lithium Inorganic materials 0.000 claims description 2
- 238000009738 saturating Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005370 electroosmosis Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- 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
- 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
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Abstract
本发明公开了一种用于高风电渗透率的大电网储能调度的方法,依据历史风电功率预测误差和风功率预测数据,进行相应的风电功率预测风险性分析,求得风电可信容量,对负荷和结算电价进行相应预测,然后依据电力市场的运行方式及其参数要求,选用合适的两级储能装置并设计相适应的两级储能调度的策略,完成对风电场并网功率、储能系统充放电以及火电厂并网功率的调度,从而可靠地保证电力系统的供需平衡,维持电网的稳定性。
Description
技术领域
本发明属于电网储能调度技术领域,更为具体地讲,涉及一种用于高风电渗透率的大电网储能调度的方法。
背景技术
随着化石能源的枯竭,近些年许多国家加大了对新能源的研究和应用,期以通过新能源发电方式来缓解能源紧张的问题,例如风力发电,光伏发电等。利用新能源发电所带来的好处,不仅仅在于缓解了化石燃料的危机,同时也为能源的生产和传输提供了新的思路,另一方面,还解它们决了由于依赖化石能源所带来的环境污染问题,减少了碳的排放。然而,新能源发电技术对电力系统的安全稳定运行存在一些不利影响。例如,风力发电由于受到诸多因素影响,具有随机性、间歇性和不可控性的特点,在风电高渗透率的情况下,这些特点将会影响电力系统的实时供需平衡,对生产计划编制和调度运行安排提出了更高的要求,增大了配电网的复杂性和不确定性。
顺应时代发展的需求,就需要大力发展风力发电,所以,如何在风电高渗透率的环境中,提高风电的利用效率,可靠地满足电力系统的供需平衡要求,同时提高风电经济效益,减少“弃风”现象的发生是时下研究的热点。在如今的能源形势下,能源革命顺势而生,它旨在通过构建新的能源系统,将电网和分布式电源、储能装置、能源综合高效系统等有机融合,使可再生能源如风能、太阳能等在一次生产和消费中占据更大的比例,从而建立一个可持续发展的能源系统。这其中,大规模的可再生能源的生产、存储、转化、消费涉及到了系统科学、能源转化存储和综合利用科学技术相关工程,是能源革命中的关键技术。
目前,在国内外针对能源的存储、转化除过传统的抽水蓄能、大电池储能、超级电容器储能等,出现了许多新兴的技术,其中,电转气技术(P2G)的出现让电力系统和天然气系统、氢气系统有机的联系了起来,使能量的双向流动成为了可能,促进了气-电网络的深度融合,也为解决间歇性可再生能源发电的波动性和不可控性提供了新的思路。
如何在新的国家形势、行业背景下,在风电高渗透率的大电网中,保证电力系统安全稳定运行,保证供需平衡、供电可靠性,提高风电的利用效率同时提高风电厂经济效益成为本发明的重点。
文献“于芃,赵瑜,周玮,孙辉,等.基于混合储能系统的平抑风电波动功率方法的研究.电力系统保护与控制,Vol.39(24),2011,pp.35-40”基于蓄电池和超级电容器构成的新型混合储能系统,提出了一种基于混合储能系统的平抑风电波动功率的方法,但并未考虑负荷的影响,只以平抑功率波动作为唯一目标函数,无法保证供电可靠性,且其并未结合电力市场背景,经济效益不明显。在文献“Liu.Meng,L.Franklin,Lee Wei-Jen.DispatchScheduling for a Wind Farm With Hybrid Energy Storage Based on Wind and LMPForecasting.IEEE Transaction on Industry Applications,Vol.51,2015,pp.1970–1976.”中,虽然结合了电力市场的运行背景,以节点边际电价为储能策略的判定条件,但仅考虑了风电场单方面因素,忽略了负荷的影响,并未考虑供需平衡,这就在一定程度上影响了电力系统的稳定性。
发明内容
本发明的目的在于克服现有技术的不足,提供一种用于高风电渗透率的大电网储能调度的方法,以保障电力系统供需平衡,减少弃风,提高风电场经济效益为多目标,完成对风电场并网功率及火电厂并网功率的调度。
为实现上述发明目的,本发明一种用于高风电渗透率的大电网储能调度的方法,其特征在于,包括以下步骤:
(1)、对历史风电功率预测数据加入风险分析,得到风电功率预测可信容量;
(1.1)、将历史风电功率数据和历史风电功率预测数据进行对比,得到历史风电功率预测误差数据;
(1.2)、利用蒙特卡洛方法对历史风电功率预测误差数据进行统计分析:对历史风电功率预测误差数据进行概率分布拟合,构造出概率分布模型,再根据概率分布模型建立历史风电功率预测误差概率密度函数f(x),最后根据历史风电功率预测误差概率密度函数f(x),求出对应的概率分布函数F(x)=k,其中,k为历史风电功率预测误差的概率分布值;
(1.3)、将历史风电功率预测数据加入风险分析:采用(0,1)之间的均匀随机数发生器,随机产生N个(0,1)之间的数值,并作为概率分布函数F(x)中求得的历史风电功率预测误差的概率分布值k,根据概率分布函数F(x)=k,以求得N个随机抽样的x值;
将N个随机k值按从小到大的顺序排列,对应的随机抽样值x按照k值排序后的位置作相应排列;设置信度为T%,则第(1-T)%N和T%N个随机抽样值x为其所对应的风电功率预测误差置信区间的上限和下限;
将风电功率预测值减去预测误差置信区间的上限,得到风电功率预测可信容量;
(2)、对历史负荷预测数据加入风险分析,得到负荷预测可信容量;
按照步骤(1.1)~(1.3)的方法,处理历史负荷预测数据,得到负荷预测误差置信区间的上限和下限;
将负荷预测值加上负荷预测误差置信区间的下限的绝对值,得到负荷预测可信容量;
(3)、依据当前电力市场的运行方式及相应参数要求,选择合适的两级储能装置;
(4)、根据市场运行方式及选择的两级储能装置,依据上述的可信容量,设计高风电渗透率的大电网两级储能调度策略;
(4.1)、根据步骤(1)得到的风电功率预测可信容量和步骤(2)得到的负荷预测可信容量,进行日前储能调度安排;
(4.1.1)、若风电功率预测可信容量大于负荷预测可信容量,则停用火电,用风电可信容量优先满足负荷的需求,并且将风电多余的部分能量向第一级储能装置进行储能;即
Pw(i)=Load(i)
Pch(i)=Pwf(i)-Load(i)
Pf(i)=0
其中,Pf(i)是火电日前计划并网电量;Load(i)是负荷预测可信容量;Pw(i)风场日前计划并网容量;Pwf(i)是风电功率预测可信容量;Pch(i)是储能系统日前计划充电电量;
风电场剩余出力通过电解水方法将电能转化为氢能,存储在第一级储能装置中;
(4.1.2)、若风电功率预测可信容量小于等于负荷预测可信容量,则优先选择风电功率预测可信容量和第一级储能释放的电量来满足负荷要求;
若依旧不满足负荷要求,则计算出功率缺额Pd(i);
Pd(i)=Load(i)-Pw(i)-Pdh(i)
∑Pf(i)=∑Pd(i)
其中,Pdh(i)是储能系统日前计划放电电量;火电日前计划并网电量的总额应等于功率缺额的总额;
以火力发电量平稳为目标函数,同时不影响储能系统放电总量为约束条件,利用遗传算法求出火电输出功率的最优解,利用该最优解来补充功率缺额部分;
(4.2)、根据实际的风电场出力,进行实时储能调度安排;
(4.2.1)、若实际负荷小于风电场日前计划并网电量与火电厂计划并网电量以及风电功率预测误差之和,则将多出的功率优先进行二级储能充电,每个单位时间段内的储能容量不能超过第二级储能装置允许的最大储能容量;
(4.2.2)、若实际负荷大于风电场日前计划并网电量与火电厂计划并网电量以及风电功率预测误差之和,则优先进行二级储能放电以补偿功率缺额,但每个单位时间段内的释放容量不能超过第二级储能装置允许的最大释放容量,若还有缺额,则继续由火电补充。
本发明的发明目的是这样实现的:
一种用于高风电渗透率的大电网储能调度的方法,依据历史风电功率预测误差和风功率预测数据,进行相应的风电功率预测风险性分析,求得风电可信容量,对负荷和结算电价进行相应预测,然后依据电力市场的运行方式及其参数要求,选用合适的两级储能装置并设计相适应的两级储能调度的策略,完成对风电场并网功率、储能系统充放电以及火电厂并网功率的调度,从而可靠地保证电力系统的供需平衡,维持电网的稳定性。
同时,本发明一种用于高风电渗透率的大电网储能调度的方法还具有以下有益效果:
(1)、本发明针对电力市场的运行方式,进行不同的调度策略,从而减少了风电场的“弃风”电量,提高了风电场侧的经济效益,进一步增加了风电场参与市场的积极性,加大了风电的开发意愿和力度;
(2)、根据对风力发电运行特性的分析,本发明在最大程度上保证风电的并网容量,减少火电的发电量,实现对绿色、无污染的新能源的应用,减少CO2的排放,这对于环境保护方面来说,也起到积极的作用。
附图说明
图1是本发明一种用于风电场储能调度的方法流程图;
图2是典型风电功率预测结果;
图3是风电功率预测误差分析;
图4是基于风险分析的预测风电功率可信容量结果;
图5是基于风险分析的预测负荷功率可信容量结果;
图6是日前市场下运行结果;
图7是实时市场下运行结果。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明一种用于高风电渗透率的大电网储能调度的方法流程图。
在本实施例中,如图1所示,本发明一种用于高风电渗透率的大电网储能调度的方法,包括以下步骤:
S1、历史风电功率预测误差分析
受风力发电的随机性和间歇性的影响,风电功率的预测总是会出现各种不可避免的误差,如图2所示,实线为预测数据,虚线为实际的风电出力数据;从图中可以看出,风电的预测功率普遍存在误差,在一些尖峰时刻甚至会出现很大的误差,这些误差会导致调度的不可靠性,为了解决这一问题,对风电功率的预测误差进行分析:将历史风电功率数据和历史风电功率预测数据进行对比,得到历史风电功率预测误差数据。
S2、对历史风电功率预测数据加入风险分析,得到风电功率预测可信容量;
S2.1、利用蒙特卡洛方法对历史风电功率预测误差数据进行统计分析:对历史风电功率预测误差数据进行概率分布拟合,构造出概率分布模型,再根据概率分布模型建立历史风电功率预测误差概率密度函数f(x),如图3所示,柱状图为利用蒙特卡洛抽样后得到的预测误差率的概率分布,对概率分布进行拟合后得到图中的曲线,该曲线为历史风电功率预测误差概率密度函数f(x),服从正态分布:
其中,x是预测误差率;μ=-0.036;σ=0.058;
根据历史风电功率预测误差概率密度函数f(x),可以求出概率分布函数F(x):
S2.2、历史风电功率预测数据加入风险分析
类似于经济学中风险管理和分析中的风险价值概念,风电功率预测的风险来源于风电的随机性和间歇性,而它的表现形式正是不可避免的风电功率预测误差;
采用(0,1)之间的均匀随机数发生器,随机产生1000个(0,1)之间的数值作为概率分布值k,根据概率分布函数F(x)=k,可以求得1000个随机抽样的x值;
将1000个随机k值按从小到大的顺序排列,对应的随机抽样值x按照k值排序后的位置作相应排列,若取置信度为95%,则第50、950个x值为其所对应的风电功率预测误差置信区间的上限和下限;
利用现有的风电功率预测值减去预测误差置信区间的上限,得到风电功率预测可信容量;最终结果如图4所示,其中,实线为风电功率预测值,虚线为95%置信度下的风电功率预测可信容量。
S3、对历史负荷预测数据加入风险分析,得到负荷预测可信容量;
按照步骤S1~S2所述的方法,处理历史负荷预测数据,得到负荷预测误差置信区间的上限和下限;
不同于历史负荷预测数据加入风险分析的方法,负荷预测的95%可信容量是将负荷预测值加上负荷预测误差置信区间的下限的绝对值,得到负荷预测可信容量;最终结果如图5所示,其中,虚线为负荷预测值,实线为95%置信度下的负荷预测可信容量。
S4、选择储能装置
依据当前电力市场的运行方式及相应参数要求,在现有的储能技术中选择合适的两级储能装置;
S4.1、根据电力市场运行方式将市场分为日前市场和实时市场两部分,日前市场按小时进行调度安排,实时市场每15分钟为一个结算周期,相应的储能装置依据不同的市场要求分别进行选择;
S4.2、日前市场和实时市场的参数要求应考虑储能系统的响应时间、运行效率、系统容量、应用成熟情况以及建设环境等,日前市场应选择容量足够大,易于建立在风电场周围的储能装置,在国内外针对能源的存储、转化除过传统的抽水蓄能、大电池储能、超级电容器储能等,出现了许多新兴的技术,其中,电转气技术(P2G)的出现让电力系统和天然气系统、氢气系统有机的联系了起来,使能量的双向流动成为了可能,促进了气-电网络的深度融合,也为解决间歇性可再生能源发电的波动性和不可控性提供了新的思路;为了顺应已经到来的能源革命与低碳城市建设,本发明选择采用新兴技术P2G,在风电场功率富余时候利用电解水技术将电能转换成氢能存储在管道中,当供需不平衡,风电场功率缺额时,利用燃料电池技术将氢气燃烧,产生电能,补充缺额;
S4.3、实时市场要求能快速响应以适应市场交易机制,响应时间至少为分钟级别,储能容量相对于日前市场储能装置不必很大,满足要求的有飞轮储能、超导储能和电池储能等,飞轮储能相较于电池储能能量密度低,自放电率高,若停止充电则会将能量自行耗尽,超导储能相对于电池储能成本过高,尚处于研究阶段,还未广泛应用,考虑以上因素以及储能技术的成熟状况,选择锂电池储能系统。
S5、设计高风电渗透率的大电网两级储能调度策略
S5.1、根据风电功率预测可信容量和负荷预测可信容量,进行日前储能调度安排;
日前市场是以经济性为主要目标,依据预测的风机发电状况,进行日前储能调度安排,对负荷需求进行初步的平衡;
S5.1.1、若风电功率预测可信容量大于负荷预测可信容量,则停用火电,用风电可信容量优先满足负荷的需求,并且将风电多余的部分能量向第一级储能装置进行储能;即
Pw(i)=Load(i)
Pch(i)=Pwf(i)-Load(i)
Pf(i)=0
其中,Pf(i)是火电日前计划并网电量;Load(i)是负荷预测可信容量;Pw(i)风场日前计划并网容量;Pwf(i)是风电功率预测可信容量;Pch(i)是储能系统日前计划充电电量;
通过如上公式可以看出,风电场日前计划并网电量等于负荷预测可信容量,储能系统日前计划充电电量等于风电场富裕功率,火电日前计划并网电量为零;
风电场剩余出力通过电解水方法将电能转化为氢能,存储在第一级储能装置中;第一级储能装置联通电网与气网,实现能量的转化,加强的不同能源之间的联系,即解决了风电场并网中供需平衡的问题,又实现了能源系统的有机融合;
S5.1.2、若风电功率预测可信容量小于等于负荷预测可信容量,则优先选择风电功率预测可信容量和第一级储能释放的电量来满足负荷要求;
若依旧不满足负荷要求,计算出功率缺额Pd(i),此部分缺额由火电补充;即
Pd(i)=Load(i)-Pw(i)-Pdh(i)
∑Pf(i)=∑Pd(i)
其中,Pdh(i)是储能系统日前计划放电电量;
由此可见,火电日前计划并网电量的总额应等于功率缺额的总额。考虑到火电的爬坡速率等一系列对系统稳定性产生影响的特性,以火力发电量尽可能平稳的目标函数,同时不影响储能系统放电总量的约束条件,利用遗传算法求出火电输出功率的最优解,利用该最优解来补充功率缺额部分;
通过日前市场的储能策略,由图6(a)可以看出,在0:00到11:00,第一级储能装置的储量处于连续增长状态,并于11:00左右到达储能最大值300MWh,在11:00到22:00时,储能储量下降,而并网电量上升。在20:00之后,继续进行充电工作,储能装置储电量继续上升。图6(b)显示了经过储能调度后,日前市场下风电场的计划并网电量与第一级储能系统充放电量的关系;
S5.2、根据实际的风电场出力,进行实时储能调度安排;
日前市场调度后,由于其是基于预测数据进行的一系列调度安排,尽管已经对预测进行了风险性分析,然而其总是不可避免存在一定的误差,为了消除预测误差带来的不利影响,进行实时市场策略;
S5.2.1、若实际负荷小于风电场日前计划并网电量与火电厂计划并网电量以及风电功率预测误差之和,则将多出的功率优先进行二级储能充电,每个单位段内的储能容量不能超过第二级储能装置允许的最大储能容量;
S5.2.2、若实际负荷大于风电场日前计划并网电量与火电厂计划并网电量以及风电功率预测误差之和,则优先进行二级储能放电以补偿功率缺额,但每个单位段内的释放容量不能超过第二级储能装置允许的最大释放容量,若还有缺额,则继续由火电补充;
图7为按照储能策略进行调度安排后的结果,根据图中显示的结果可以明显看出,使用本发明的方法可以显著提升风电场并网容量,减少火电的并网容量,同时平滑了风电场和火电的并网容量,提升了电力系统的稳定性和供电可靠性。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种用于高风电渗透率的大电网储能调度的方法,其特征在于,包括以下步骤:
(1)、对历史风电功率预测数据加入风险分析,得到风电功率预测可信容量;
(1.1)、将历史风电功率数据和历史风电功率预测数据进行对比,得到历史风电功率预测误差数据;
(1.2)、利用蒙特卡洛方法对历史风电功率预测误差数据进行统计分析:对历史风电功率预测误差数据进行概率分布拟合,构造出概率分布模型,再根据概率分布模型建立历史风电功率预测误差概率密度函数f(x),最后根据历史风电功率预测误差概率密度函数f(x),求出对应的概率分布函数F(x)=k,其中,k为历史风电功率预测误差的概率分布值;
(1.3)、将历史风电功率预测数据加入风险分析:采用(0,1)之间的均匀随机数发生器,随机产生N个(0,1)之间的数值,并作为概率分布函数F(x)中求得的历史风电功率预测误差的概率分布值k,根据概率概率分布函数F(x)=k,以求得N个随机抽样的x值;
将N个随机k值按从小到大的顺序排列,对应的随机抽样值x按照k值排序后的位置作相应排列;设置信度为T%,则第(1-T)%N和T%N个随机抽样值x为其所对应的风电功率预测误差置信区间的上限和下限;
将风电功率预测值减去预测误差置信区间的上限,得到风电功率预测可信容量;
(2)、对历史负荷预测数据加入风险分析,得到负荷预测可信容量;
按照步骤(1.1)~(1.3)的方法,处理历史负荷预测数据,得到负荷预测误差置信区间的上限和下限;
将负荷预测值加上负荷预测误差置信区间的下限的绝对值,得到负荷预测可信容量;
(3)、依据当前电力市场的运行方式及相应参数要求,选择合适的两级储能装置;
(4)、根据市场运行方式及选择的两级储能装置,依据上述的可信容量,设计高风电渗透率的大电网两级储能调度策略;
(4.1)、根据步骤(1)得到的风电功率预测可信容量和步骤(2)得到的负荷预测可信容量,进行日前储能调度安排;
(4.1.1)、若风电功率预测可信容量于负荷预测可信容量,则停用火电,用风电可信容量优先满足负荷的需求,并且将风电多余的部分能量向第一级储能装置进行储能;即
Pw(i)=Load(i)
Pch(i)=Pwf(i)-Load(i)
Pf(i)=0
其中,Pf(i)是火电日前计划并网电量;Load(i)是负荷预测可信容量;Pw(i)风场日前计划并网容量;Pwf(i)是风电功率预测可信容量;Pch(i)是储能系统日前计划充电电量;
风电场剩余出力通过电解水方法将电能转化为氢能,存储在第一级储能装置中;
(4.1.2)、若风电功率预测可信容量小于等于负荷预测可信容量,则优先选择风电功率预测可信容量和第一级储能释放的电量来满足负荷要求;
若依旧不满足负荷要求,则计算出功率缺额Pd(i);
Pd(i)=Load(i)-Pw(i)-Pdh(i)
∑Pf(i)=∑Pd(i)
其中,Pdh(i)是储能系统日前计划放电电量;
以火力发电量平稳为目标函数,同时不影响储能系统放电总量为约束条件,利用遗传算法求出火电输出功率的最优解,利用该最优解来补充功率缺额部分;
(4.2)、根据实际的风电场出力,进行实时储能调度安排;
(4.2.1)、若实际负荷小于风电场日前计划并网电量与火电厂计划并网电量以及风电功率预测误差之和,则将多出的功率优先进行二级储能充电,每个单位时间段内的储能容量不能超过第二级储能装置允许的最大储能容量;
(4.2.2)、若实际负荷大于风电场日前计划并网电量与火电厂计划并网电量以及风电功率预测误差之和,则优先进行二级储能放电以补偿功率缺额,但每个单位时间段内的释放容量不能超过第二级储能装置允许的最大释放容量,若还有缺额,则继续由火电补充。
2.根据权利要求1所述的一种用于高风电渗透率的大电网储能调度的方法,其特征在于,所述的第一级储能装置选用P2G储能系统,第二级储能装置选用锂电池储能系统。
3.根据权利要求1所述的一种用于高风电渗透率的大电网储能调度的方法,其特征在于,所述步骤(1.2)中,建立的历史风电功率预测误差概率密度函数f(x)为:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<mi>&sigma;</mi>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
求得的概率分布函数F(x)为:
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<mi>&sigma;</mi>
</mrow>
</mfrac>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>x</mi>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
<mi>d</mi>
<mi>t</mi>
</mrow>
其中,σ表示历史风电功率预测误差的标准差,μ表示历史风电功率预测误差的均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710740446.1A CN107528341B (zh) | 2017-08-25 | 2017-08-25 | 一种用于高风电渗透率的大电网储能调度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710740446.1A CN107528341B (zh) | 2017-08-25 | 2017-08-25 | 一种用于高风电渗透率的大电网储能调度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107528341A true CN107528341A (zh) | 2017-12-29 |
CN107528341B CN107528341B (zh) | 2019-08-20 |
Family
ID=60682232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710740446.1A Active CN107528341B (zh) | 2017-08-25 | 2017-08-25 | 一种用于高风电渗透率的大电网储能调度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107528341B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108448650A (zh) * | 2018-03-21 | 2018-08-24 | 广东电网有限责任公司电力科学研究院 | 一种多目标联合调度决策方法及系统 |
CN110516832A (zh) * | 2019-06-17 | 2019-11-29 | 南方电网科学研究院有限责任公司 | 可再生能源跨区域消纳的备用出清方法、装置及电子设备 |
CN110673569A (zh) * | 2019-10-25 | 2020-01-10 | 国网安徽省电力有限公司电力科学研究院 | 一种绿色能源与火力发电机组协同控制方法及装置 |
CN111969595A (zh) * | 2020-07-28 | 2020-11-20 | 电子科技大学 | 一种在离网/并网下水光蓄混合能源系统的运行优化方法 |
CN112052987A (zh) * | 2020-08-18 | 2020-12-08 | 国网山东省电力公司潍坊供电公司 | 一种计及风电的综合能源系统优化规划方法及系统 |
CN112310988A (zh) * | 2020-10-20 | 2021-02-02 | 齐鲁工业大学 | 一种基于波动率裕度的混合储能容量优化配置方法 |
CN112383074A (zh) * | 2020-10-28 | 2021-02-19 | 国网四川省电力公司经济技术研究院 | 一种能量型与功率型混合储能系统及储能方法 |
CN113452044A (zh) * | 2021-05-21 | 2021-09-28 | 广东电网有限责任公司广州供电局 | 一种含氢与液态金属电池混合储能系统的风力光伏电网调度方法 |
CN113471948A (zh) * | 2021-06-23 | 2021-10-01 | 国网吉林省电力有限公司电力科学研究院 | 风光储互补制氢交直流系统的自适应管控方法 |
CN117239843A (zh) * | 2023-11-13 | 2023-12-15 | 国网山东省电力公司东营供电公司 | 一种考虑储能的风电场调峰优化调度方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120065792A1 (en) * | 2010-09-09 | 2012-03-15 | Kabushiki Kaisha Toshiba | Supply-demand balance controller |
CN103545832A (zh) * | 2013-09-22 | 2014-01-29 | 国家电网公司 | 一种基于发电预测误差的光伏系统储能容量配置方法 |
CN103606967A (zh) * | 2013-11-26 | 2014-02-26 | 华中科技大学 | 一种实现电力系统鲁棒运行的调度方法 |
CN103746396A (zh) * | 2014-01-16 | 2014-04-23 | 东北电力大学 | 一种提高电力系统调度经济性的风电场储能容量配置方法 |
CN104124708A (zh) * | 2014-07-25 | 2014-10-29 | 国家电网公司 | 一种能源协调优化机组组合方法 |
CN104300585A (zh) * | 2014-10-13 | 2015-01-21 | 江苏大学 | 一种基于大规模风电并网的经济调度优化方法 |
JP2015167439A (ja) * | 2014-03-03 | 2015-09-24 | 国立大学法人岐阜大学 | 太陽光発電装置の発電量予測システム及び発電量予測方法 |
CN105490310A (zh) * | 2016-01-25 | 2016-04-13 | 武汉大学 | 一种基于通用分布的含风电电力系统实时动态经济调度方法 |
CN106026164A (zh) * | 2016-06-16 | 2016-10-12 | 上海电机学院 | 一种具有储能装置的光伏发电系统 |
CN106712093A (zh) * | 2017-01-23 | 2017-05-24 | 南京理工大学 | 基于大容量储能系统的孤岛并联运行的控制方法 |
CN107017625A (zh) * | 2017-04-28 | 2017-08-04 | 北京天诚同创电气有限公司 | 用于独立微电网的能量动态调度的方法和设备 |
-
2017
- 2017-08-25 CN CN201710740446.1A patent/CN107528341B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120065792A1 (en) * | 2010-09-09 | 2012-03-15 | Kabushiki Kaisha Toshiba | Supply-demand balance controller |
CN103545832A (zh) * | 2013-09-22 | 2014-01-29 | 国家电网公司 | 一种基于发电预测误差的光伏系统储能容量配置方法 |
CN103606967A (zh) * | 2013-11-26 | 2014-02-26 | 华中科技大学 | 一种实现电力系统鲁棒运行的调度方法 |
CN103746396A (zh) * | 2014-01-16 | 2014-04-23 | 东北电力大学 | 一种提高电力系统调度经济性的风电场储能容量配置方法 |
JP2015167439A (ja) * | 2014-03-03 | 2015-09-24 | 国立大学法人岐阜大学 | 太陽光発電装置の発電量予測システム及び発電量予測方法 |
CN104124708A (zh) * | 2014-07-25 | 2014-10-29 | 国家电网公司 | 一种能源协调优化机组组合方法 |
CN104300585A (zh) * | 2014-10-13 | 2015-01-21 | 江苏大学 | 一种基于大规模风电并网的经济调度优化方法 |
CN105490310A (zh) * | 2016-01-25 | 2016-04-13 | 武汉大学 | 一种基于通用分布的含风电电力系统实时动态经济调度方法 |
CN106026164A (zh) * | 2016-06-16 | 2016-10-12 | 上海电机学院 | 一种具有储能装置的光伏发电系统 |
CN106712093A (zh) * | 2017-01-23 | 2017-05-24 | 南京理工大学 | 基于大容量储能系统的孤岛并联运行的控制方法 |
CN107017625A (zh) * | 2017-04-28 | 2017-08-04 | 北京天诚同创电气有限公司 | 用于独立微电网的能量动态调度的方法和设备 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108448650A (zh) * | 2018-03-21 | 2018-08-24 | 广东电网有限责任公司电力科学研究院 | 一种多目标联合调度决策方法及系统 |
CN110516832B (zh) * | 2019-06-17 | 2022-04-12 | 南方电网科学研究院有限责任公司 | 可再生能源跨区域消纳的备用出清方法、装置及电子设备 |
CN110516832A (zh) * | 2019-06-17 | 2019-11-29 | 南方电网科学研究院有限责任公司 | 可再生能源跨区域消纳的备用出清方法、装置及电子设备 |
CN110673569A (zh) * | 2019-10-25 | 2020-01-10 | 国网安徽省电力有限公司电力科学研究院 | 一种绿色能源与火力发电机组协同控制方法及装置 |
CN111969595A (zh) * | 2020-07-28 | 2020-11-20 | 电子科技大学 | 一种在离网/并网下水光蓄混合能源系统的运行优化方法 |
CN111969595B (zh) * | 2020-07-28 | 2023-04-18 | 电子科技大学 | 一种在离网/并网下水光蓄混合能源系统的运行优化方法 |
CN112052987A (zh) * | 2020-08-18 | 2020-12-08 | 国网山东省电力公司潍坊供电公司 | 一种计及风电的综合能源系统优化规划方法及系统 |
CN112310988A (zh) * | 2020-10-20 | 2021-02-02 | 齐鲁工业大学 | 一种基于波动率裕度的混合储能容量优化配置方法 |
CN112383074A (zh) * | 2020-10-28 | 2021-02-19 | 国网四川省电力公司经济技术研究院 | 一种能量型与功率型混合储能系统及储能方法 |
CN113452044A (zh) * | 2021-05-21 | 2021-09-28 | 广东电网有限责任公司广州供电局 | 一种含氢与液态金属电池混合储能系统的风力光伏电网调度方法 |
CN113452044B (zh) * | 2021-05-21 | 2022-10-25 | 广东电网有限责任公司广州供电局 | 一种含氢与液态金属电池混合储能系统的风力光伏电网调度方法 |
CN113471948A (zh) * | 2021-06-23 | 2021-10-01 | 国网吉林省电力有限公司电力科学研究院 | 风光储互补制氢交直流系统的自适应管控方法 |
CN113471948B (zh) * | 2021-06-23 | 2022-11-08 | 国网吉林省电力有限公司电力科学研究院 | 风光储互补制氢交直流系统的自适应管控方法 |
CN117239843A (zh) * | 2023-11-13 | 2023-12-15 | 国网山东省电力公司东营供电公司 | 一种考虑储能的风电场调峰优化调度方法 |
CN117239843B (zh) * | 2023-11-13 | 2024-01-26 | 国网山东省电力公司东营供电公司 | 一种考虑储能的风电场调峰优化调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107528341B (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107528341B (zh) | 一种用于高风电渗透率的大电网储能调度的方法 | |
Mehrjerdi et al. | Daily-seasonal operation in net-zero energy building powered by hybrid renewable energies and hydrogen storage systems | |
CN102694391B (zh) | 风光储联合发电系统日前优化调度方法 | |
CN103311942B (zh) | 一种用于配电网削峰填谷的电池储能系统的控制方法 | |
Zhang et al. | Energy management of PV-diesel-battery hybrid power system for island stand-alone micro-grid | |
CN107104462B (zh) | 一种用于风电场储能调度的方法 | |
CN104300585B (zh) | 一种基于大规模风电并网的经济调度优化方法 | |
CN109687523A (zh) | 一种基于多时间尺度的微电网的运行优化方法 | |
Wang et al. | A multi-period optimal power flow model including battery energy storage | |
CN106295853A (zh) | 基于储能调度模式的分布式光伏两阶段多目标就地消纳法 | |
CN104410089A (zh) | 基于电动汽车的风力发电微网功率平衡实时调度方法 | |
CN108808744A (zh) | 有储能参与的新能源发电系统的有功协调控制方法及系统 | |
CN102593855B (zh) | 平抑电力系统中可再生能源电源输出功率波动的方法 | |
CN109993345A (zh) | 一种面向园区的孤岛运行多能互补系统动态经济调度方法 | |
CN110165715B (zh) | 一种将电动汽车储能式充电站接入虚拟电厂的方法 | |
Jafari et al. | Electrify Italy: The role of renewable energy | |
Nian et al. | A method for optimal sizing of stand-alone hybrid PV/wind/battery system | |
CN104659818A (zh) | 一种正负旋转备用容量在含风电系统中的最优分配方法 | |
Adebanji et al. | Optimal sizing of an off-grid small hydro-photovoltaic-diesel generator hybrid power system for a distant village | |
Chen et al. | Economic dispatch of hydro-thermal power system with large-scale wind power penetration | |
Yang et al. | Coordinated optimal scheduling of multi-energy microgrid considering uncertainties | |
CN110417002B (zh) | 一种孤岛微电网能量模型的优化方法 | |
Park et al. | Feasibility analysis of the power-to-gas concept in the future Swiss power system | |
CN110601264B (zh) | 计及超大功率蓄热电锅炉消纳能力的多能源优化调度方法 | |
Lu et al. | Research on the Day-Ahead Dispatch Strategy for Multi-Energy Power Systems Considering Wind and PV Uncertainty |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |