CN108306319B - 一种新能源微网中储能配置优化方法及系统 - Google Patents
一种新能源微网中储能配置优化方法及系统 Download PDFInfo
- Publication number
- CN108306319B CN108306319B CN201810146185.5A CN201810146185A CN108306319B CN 108306319 B CN108306319 B CN 108306319B CN 201810146185 A CN201810146185 A CN 201810146185A CN 108306319 B CN108306319 B CN 108306319B
- Authority
- CN
- China
- Prior art keywords
- preset
- energy storage
- energy
- power
- microgrid
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供了一种新能源微网中储能配置优化方法及系统,所述方法包括:S1,求解预设分布鲁棒性优化模型,得到100%新能源微网中储能设备的储能容量;所述预设分布鲁棒性优化模型的目标为使储能设备的成本最小,所述预设分布鲁棒性优化模型的约束条件包括在预设概率分布下,预设约束条件组成立的概率不小于第一阈值;S2,根据所述储能容量实现对所述100%新能源微网进行储能配置。在合理选取保守性参数的情况下,在100%新能源微网中储能配置过程中使用的预设分布鲁棒优化模型能够考虑样本数据描述分布的偏差,在保证微网足够的可靠性的前提下,提高经济性,达到合理配置储能容量的目标。
Description
技术领域
本发明实施例涉及电力系统技术领域,更具体地,涉及一种新能源微网中储能配置优化方法及系统。
背景技术
光伏、风力等新能源发电是清洁的发电方式。新能源的广泛应用有利于节约化石能源、减轻环境污染、减少温室气体排放。因此,近十几年来,全世界范围内许多国家出台政策支持新能源的发展。其中,分布式新能源发电是微网中一种很有潜力的新兴电源,需要微网的支撑与协调。然而,新能源发电的输出功率具有典型的间歇性和随机性特点,因此当微网中新能源电源比例高时,微网的安全稳定运行面临很大挑战。在100%新能源的微网(即新能源电源占电源比例为100%的微网)中,由于没有任何传统电源作为支撑,挑战性更大。为了应对新能源发电的随机性,通常在微网中配备一定容量的储能设备,通过合理的充电和放电,起到平抑发电和负荷波动、保持微网安全稳定运行、降低负荷缺电率的作用。一般而言,配备的储能设备容量越大,越有利于微网的运行,但是所需设备成本也越大。因此,在经济性和可靠性之间需要合理折中。
为了考虑含新能源微网中负荷和新能源的随机性,传统的储能配置方法通常假设这些随机量的分布已知,使用鲁棒优化或含机会约束的随机优化方法建模和求解。鲁棒优化要求在任意随机量的取值下,运行约束都能够被满足。这种方法能有效地处理随机性,但是常常过于保守,因为一些极端情况出现的概率很小,却可导致成本的极大增加。含机会约束的随机优化可以解决这个问题。这种方法要求运行约束至少在指定的概率下成立,因此既可以免除对一些极端情况的考虑,又可以通过调节指定的概率阈值来控制保守性。
但是,以上两种方法的局限性是,它们都建立在随机量的分布精确已知的前提上,而这往往是不符合实际的。在微网中,负荷和新能源的分布很难精确获得,通常只能用一些样本数据刻画。因此,在仅已知随机量的近似分布的情况下,如何保证安全运行的概率,同时降低不必要的保守性,以提高经济性,是亟需解决的问题。
发明内容
本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的新能源微网中储能配置优化方法及系统。
一方面本发明实施例提供了一种新能源微网中储能配置优化方法,所述方法包括:
S1,求解预设分布鲁棒性优化模型,得到100%新能源微网中储能设备的储能容量;所述预设分布鲁棒性优化模型的目标为使储能设备的成本最小,所述预设分布鲁棒性优化模型的约束条件包括在预设概率分布下,预设约束条件组成立的概率不小于第一阈值;
其中,所述预设约束条件组包括:所述储能设备的初始荷电状态在第一预设上下限之间、能量流动方向满足预设能量流动模型中的能量流动方向、所述储能设备的充放电功率不超过第二预设上下限、所述储能设备在任意时刻的储存能量在预设范围内、所述储能设备每日终止荷电状态与初始荷电状态相同、在所述预设能量流动模型中从电源流向储能设备和负荷的功率之和不超过电源能发出的功率、在所述预设能量流动模型中从电源和储能流向负荷的功率不低于负荷需求的功率;
S2,根据所述储能容量对所述100%新能源微网进行储能配置。
进一步地,在步骤S1之前,所述方法还包括:
获取所述100%新能源微网中负荷和新能源发电效率,得到所述100%新能源微网的样本数据;
根据实际需求和所述100%新能源微网的样本数据的数量确定所述100%新能源微网的保守性参数以及所述第一阈值。
进一步地,所述方法还包括:
将所述100%新能源微网的预设基本优化模型转化为所述预设分布鲁棒性优化模型;
其中,所述预设基本优化模型的目标为储能设备的成本最小,所述预设基本优化模型的约束条件为所述预设约束条件组。
进一步地,步骤S1具体包括:
将所述预设分布鲁棒性优化模型转化为混合整数线性规划求解模型;
其中,所述混合整数线性规划求解模型的目标为使储能设备的成本最小,所述混合整数线性规划求解模型的约束条件包括:所述储能设备的初始荷电状态在第一预设上下限之间、各样本数据下能量流动方向满足预设能量流动模型中的能量流动方向、各样本数据下所述储能设备的充放电功率不超过第二预设上下限、各样本数据下所述储能设备在任意时刻的储存能量在预设范围内、各样本数据下所述储能设备每日终止荷电状态与初始荷电状态相同、各样本数据下在所述预设能量流动模型中从电源流向储能设备和负荷的功率之和不超过电源能发出的功率、使得所述预设能量流动模型中从电源和储能流向负荷的功率不低于负荷需求的功率的样本数据所占比例,不小于经所述分布鲁棒优化模型修正后的第二阈值;
求解所述混合整数线性规划求解模型,得到100%新能源微网中储能容量。
另一方面本发明实施例提供了一种新能源微网中储能配置优化系统,所述系统包括:
求解模块,用于求解预设分布鲁棒性优化模型,得到100%新能源微网中储能容量;所述预设分布鲁棒性优化模型的目标为使储能设备的成本最小,所述预设分布鲁棒性优化模型的约束条件包括在预设概率分布下,预设约束条件组成立的概率不小于第一阈值;
其中,所述预设约束条件组包括:所述储能设备的初始荷电状态在第一预设上下限之间、能量流动方向满足预设能量流动模型中的能量流动方向、所述储能设备的充放电功率不超过第二预设上下限、所述储能设备在任意时刻的储存能量在预设范围内、所述储能设备每日终止荷电状态与初始荷电状态相同、在所述预设能量流动模型中从电源流向储能设备和负荷的功率之和不超过电源能发出的功率、在所述预设能量流动模型中从电源和储能流向负荷的功率不低于负荷需求的功率;
配置模块,用于根据所述储能容量对所述100%新能源微网进行储能配置。
第三方面本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述方法。
第四方面本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述方法。
本发明实施例提供的一种新能源微网中储能配置优化方法及系统,在合理选取保守性参数的情况下,在100%新能源微网中储能配置过程中使用的预设分布鲁棒优化模型能够考虑样本数据描述分布的偏差,在保证微网足够的可靠性的前提下,提高经济性,达到合理配置储能容量的目标。
附图说明
图1为本发明实施例提供的一种新能源微网中储能配置优化方法的流程图;
图2为本发明实施例中的预设能量流动模型示意图;
图3为本发明实施例提供的一种新能源微网中储能配置优化系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将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地描述,显然,所描述的实施例是本发明一部分实施例,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。
图1为本发明实施例提供的一种新能源微网中储能配置优化方法的流程图,如图1所述,所述方法包括:
S1,求解预设分布鲁棒性优化模型,得到100%新能源微网中储能设备的储能容量;所述预设分布鲁棒性优化模型的目标为使储能设备的成本最小,所述预设分布鲁棒性优化模型的约束条件包括在预设概率分布下,预设约束条件组成立的概率不小于第一阈值;
其中,所述预设约束条件组包括:所述储能设备的初始荷电状态在第一预设上下限之间、能量流动方向满足预设能量流动模型中的能量流动方向、所述储能设备的充放电功率不超过第二预设上下限、所述储能设备在任意时刻的储存能量在预设范围内、所述储能设备每日终止荷电状态与初始荷电状态相同、在所述预设能量流动模型中从电源流向储能设备和负荷的功率之和不超过电源能发出的功率、在所述预设能量流动模型中从电源和储能流向负荷的功率不低于负荷需求的功率;
S2,根据所述储能容量实现对所述100%新能源微网进行储能配置。
其中,所述预设能量流动模型如图2所示,在100%新能源微网中,发电功率可以流向负荷或储能设备,储能设备可以从发电部分吸收功率或者向负荷提供功率。设xg是电源容量,xs是储能容量,ξc(t)是时间段t的负荷功率,ξg(t)是时间段t新能源电源的发电效率,P1(t)表示时间段t从电源流向负荷的功率,P2(t)表示时间段t从电源流向储能的功率,P3(t)表示时间段t从储能流向负荷的功率。
在步骤S1之前,所述方法还包括:
获取所述100%新能源微网中负荷和新能源发电效率,得到所述100%新能源微网的样本数据;
根据实际需求和所述100%新能源微网的样本数据的数量确定所述100%新能源微网的保守性参数以及所述第一阈值。
具体地,搜集负荷和新能源发电的样本数据,确定保守性参数。将一天的24个小时作为时间段,时间段集合记作St={1,2,…,T},其中T=24。以一天为单位,24个小时的平均负荷ξc和新能源发电效率ξg(指新能源实际发电功率与装机容量之比)作为一组样本数据。其中,ξc和ξg都是T维向量,ξc(t)和ξg(t)分别表示时间段t的平均负荷和新能源发电效率。记ξ=(ξg,ξc),则微网中一组随机量的样本数据就是ξ的一次取值。设通过搜集得到q组负荷和新能源发电的样本数据,依次记为ξ1,ξ2,…,ξq。
根据实际需求,确定保守性参数dKL和α。其中,dKL是分布鲁棒优化中的参数,表示样本数据描述的分布与真实分布的差距,值越大说明差距越大。选取dKL时决策者应该考虑保守性和样本数据量这两方面的因素。α是可以容忍的微网非正常运行概率,包括所有不能满足全部负荷需求的情况。α越小说明保守性越高。保守性参数均由决策者根据客观因素和主观需求决定。
所述方法还包括:
将所述100%新能源微网的预设基本优化模型转化为所述预设分布鲁棒性优化模型;
其中,所述预设基本优化模型的目标为储能设备的成本最小,所述预设基本优化模型的约束条件为所述预设约束条件组。
其中,所述预设基本优化模型的构建过程具体包括:设Cs是单位容量储能装置的成本,此处成本包含建设成本和折算后的运行维护成本。设wh和wl分别是储能装置荷电状态的上下限,η1和η2分别是储能装置充放电效率,ζ1和ζ2分别是单位容量储能充放电功率上限。设Δt是时间段长度(1小时),T是时间段总数(24),ξc是负荷功率(T维列向量),xg是新能源电源容量。变量包括储能容量xs、日初始储能荷电状态w0、从电源流向负荷的功率P1、从电源流向储能的功率P2、从储能流向负荷的功率P3。
优化目标是最小化配置储能的成本,即最小化Csxs。约束的作用是保证微网能正常运行并满足负荷需求。所述预设基本优化模型的表达式为:
min Csxs
s.t.xs≥0,wl≤w0≤wh
其中约束第一行表示储能容量非负,且所述储能设备的初始荷电状态在第一预设上下限之间;第二行规定能量流动方向满足预设能量流动模型中的能量流动方向;第三行表示所述储能设备的充放电功率不超过第二预设上下限;第四行表示所述储能设备在任意时刻的储存能量在预设范围内;第五行规定所述储能设备每日终止荷电状态与初始荷电状态相同,使得微网的运行方式可持续;第六行表示在所述预设能量流动模型中从电源流向储能设备和负荷的功率之和不超过电源能发出的功率;第七行表示在所述预设能量流动模型中从电源和储能流向负荷的功率不低于负荷需求的功率。
预设基本优化模型的形式是线性规划,但是它含有随机变量ξc和ξg。则将预设基本优化模型转化为预设分布鲁棒性模型。
分布鲁棒优化的基本思想是:虽然无法获得随机变量ξ的真实概率分布函数F,但是可以得到一个近似概率分布函数F0,而且有把握认为F在F0附近的一个集合中,将这个集合记为D。这时,只要要求含随机变量的机会约束对于D中的任意概率分布,都以不低于某指定阈值的概率成立,那么就能保证该机会约束对于真实分布能以足够大的概率成立。记约束为C(x,ξ)≤0,Pr表示对事件取概率,inf表示取下确界,1-α是能接受的最低约束成立概率,即所述第一阈值,则分布鲁棒约束为:
该约束的意义是,对于概率分布集合D中的任意概率分布F,约束C(x,ξ)≤0成立的概率不小于1-α。
为了便于将分布鲁棒优化问题转化成易于求解的形式,本发明选取的概率分布函数集合是:
D={F|DKL(F||F0)≤dKL}
其中,F0是观测到的近似概率分布函数,dKL是真实分布和F0的差距上限。这里概率分布函数之间的差距用KL散度(Kullback-Leibler divergence)刻画。在讨论连续随机变量的情况时,概率分布F和F0的KL散度的定义是:
根据数学规划领域的分布鲁棒优化相关文献,当采用以上方式定义集合D时,分布鲁棒约束等价于对于参考分布F0,有
Pr0[C(x,ξ)≤0]≥1-α1+
该约束的意义是,在参考分布F0下,约束C(x,ξ)≤0成立的概率不小于1-α1+。其中,1-α1+是一个常数,意义是分布鲁棒优化修正后的阈值,即所述第二阈值,并且可以根据以下公式计算得出。
根据分布鲁棒优化文献,计算α1只需求解一维凸规划,因此可以容易地求出α1。
在配置储能的基本优化模型中,目标函数和约束第一行不含随机变量,而其他约束含有ξc、ξg、P1、P2、P3这些随机变量或随机变量的函数。因此,将约束第二行至最后一行记为C(x,ξ)≤0,其中x=xs表示决策变量,ξ=(ξc,ξg)表示随机变量,根据以上讨论将其转化为分布鲁棒优化模型的等价形式:
min Csxs
s.t.xs≥0,wl≤w0≤wh
Pr0[C(x,ξ)≤0]≥1-α1+
本发明实施例提供的一种新能源微网中储能配置优化方法,在合理选取保守性参数的情况下,在100%新能源微网中储能配置过程中使用的预设分布鲁棒优化模型能够考虑样本数据描述分布的偏差,在保证微网足够的可靠性的前提下,提高经济性,达到合理配置储能容量的目标。
基于上述实施例,步骤S1具体包括:
将所述预设分布鲁棒性优化模型转化为混合整数线性规划求解模型;
其中,所述混合整数线性规划求解模型的目标为使储能设备的成本最小,所述混合整数线性规划求解模型的约束条件包括:所述储能设备的初始荷电状态在第一预设上下限之间、各样本数据下能量流动方向满足预设能量流动模型中的能量流动方向、各样本数据下所述储能设备的充放电功率不超过第二预设上下限、各样本数据下所述储能设备在任意时刻的储存能量在预设范围内、各样本数据下所述储能设备每日终止荷电状态与初始荷电状态相同、各样本数据下在所述预设能量流动模型中从电源流向储能设备和负荷的功率之和不超过电源能发出的功率、使得所述预设能量流动模型中从电源和储能流向负荷的功率不低于负荷需求的功率的样本数据所占比例,不小于经所述分布鲁棒优化模型修正后的第二阈值;
求解所述混合整数线性规划求解模型,得到100%新能源微网中储能容量。
具体地,为了刻画负荷需求未完全满足的情形,定义以x和ξ为自变量的损失函数g(x,ξ):
g(x,ξ)=min g
可以看出,g(x,ξ)被定义为一个关于P1、P2、P3的线性规划问题的最优值。P1、P2、P3全等于零向量是该数学规划问题的一个可行解。因为根据实际意义,ξg是有界的,所以由P1、P2、P3的非负性以及最后三个约束知该线性规划问题也是有界的。从而根据线性规划的性质,该问题有最优解,因此g(x,ξ)有定义。对比基本优化模型中的约束:
可以看出,g(x,ξ)的意义是未满足的负荷需求。由此易证,C(x,ξ)≤0等价于g(x,ξ)≤0。因此,分布鲁棒优化模型转化为:
min Csxs
s.t.xs≥0,wl≤w0≤wh
Pr0[g(x,ξ)≤0]≥1-α1+
利用搜集的随机变量样本数据ξ1,ξ2,…,ξq,记Sk={1,2,…,q},进一步转化优化模型为:
min Csxs
s.t.xs≥0,wl≤w0≤wh
其中M是一个足够大的整数(例如由实际意义得到的负荷功率ξc的上限),zk是表示ξk情况下是否能满足负荷需求的0-1变量,zk=0表示能满足,因为此时约束g(x,ξk)≤Mzk变为g(x,ξk)≤0。约束第三行表示不能满足负荷需求的概率不超过α1+。
进一步利用损失函数g(x,ξ)的定义,即可得到用于求解的混合整数线性规划模型:
min Csxs
s.t.xs≥0,wl≤w0≤wh
其中,所述混合整数线性规划求解模型的目标为使储能设备的成本最小;约束第一行表示所述储能设备容量非负、所述储能设备的初始荷电状态在第一预设上下限之间;约束第二行表示各样本数据下能量流动方向满足预设能量流动模型中的能量流动方向;约束第三行表示各样本数据下所述储能设备的充放电功率不超过第二预设上下限;约束第四行表示各样本数据下所述储能设备在任意时刻的储存能量在预设范围内;约束第五行表示各样本数据下所述储能设备每日终止荷电状态与初始荷电状态相同;约束第六行表示各样本数据下在所述预设能量流动模型中从电源流向储能设备和负荷的功率之和不超过电源能发出的功率;约束第七、八行表示使得所述预设能量流动模型中从电源和储能流向负荷的功率不低于负荷需求的功率的样本数据所占比例,不小于经所述分布鲁棒优化模型修正后的第二阈值;
用商业求解器(如CPLEX、MOSEK或GUROBI等)求解上述混合整数线性规划,得到最优储能配置方案。
图3为本发明实施例提供的一种新能源微网中储能配置优化系统的结构框图,如图3所示,所述系统包括:求解模块1和配置模块2。其中:
求解模块1用于求解预设分布鲁棒性优化模型,得到100%新能源微网中储能容量;所述预设分布鲁棒性优化模型的目标为使储能设备的成本最小,所述预设分布鲁棒性优化模型的约束条件包括在预设概率分布下,预设约束条件组成立的概率不小于第一阈值;其中,所述预设约束条件组包括:所述储能设备的初始荷电状态在第一预设上下限之间、能量流动方向满足预设能量流动模型中的能量流动方向、所述储能设备的充放电功率不超过第二预设上下限、所述储能设备在任意时刻的储存能量在预设范围内、所述储能设备每日终止荷电状态与初始荷电状态相同、在所述预设能量流动模型中从电源流向储能设备和负荷的功率之和不超过电源能发出的功率以及在所述预设能量流动模型中从电源和储能流向负荷的功率不低于负荷需求的功率。配置模块2用于根据所述储能容量对所述100%新能源微网进行储能配置。
具体地,本发明实施例中各模块的作用与操作流程与上述方法类实施例是一一对应的,在此不再赘述。
本发明实施例提供的一种新能源微网中储能配置优化系统,在合理选取保守性参数的情况下,在100%新能源微网中储能配置过程中使用的预设分布鲁棒优化模型能够考虑样本数据描述分布的偏差,在保证微网足够的可靠性的前提下,提高经济性,达到合理配置储能容量的目标。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:求解预设分布鲁棒性优化模型,得到100%新能源微网中储能设备的储能容量;所述预设分布鲁棒性优化模型的目标为使储能设备的成本最小,所述预设分布鲁棒性优化模型的约束条件包括在预设概率分布下,预设约束条件组成立的概率不小于第一阈值;其中,所述预设约束条件组包括:所述储能设备的初始荷电状态在第一预设上下限之间、能量流动方向满足预设能量流动模型中的能量流动方向、所述储能设备的充放电功率不超过第二预设上下限、所述储能设备在任意时刻的储存能量在预设范围内、所述储能设备每日终止荷电状态与初始荷电状态相同、在所述预设能量流动模型中从电源流向储能设备和负荷的功率之和不超过电源能发出的功率以及在所述预设能量流动模型中从电源和储能流向负荷的功率不低于负荷需求的功率;根据所述储能容量对所述100%新能源微网进行储能配置。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:求解预设分布鲁棒性优化模型,得到100%新能源微网中储能设备的储能容量;所述预设分布鲁棒性优化模型的目标为使储能设备的成本最小,所述预设分布鲁棒性优化模型的约束条件包括在预设概率分布下,预设约束条件组成立的概率不小于第一阈值;其中,所述预设约束条件组包括:所述储能设备的初始荷电状态在第一预设上下限之间、能量流动方向满足预设能量流动模型中的能量流动方向、所述储能设备的充放电功率不超过第二预设上下限、所述储能设备在任意时刻的储存能量在预设范围内、所述储能设备每日终止荷电状态与初始荷电状态相同、在所述预设能量流动模型中从电源流向储能设备和负荷的功率之和不超过电源能发出的功率以及在所述预设能量流动模型中从电源和储能流向负荷的功率不低于负荷需求的功率;根据所述储能容量对所述100%新能源微网进行储能配置。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种新能源微网中储能配置优化方法,其特征在于,所述方法包括:
S1,求解预设分布鲁棒性优化模型,得到100%新能源微网中储能设备的储能容量;所述预设分布鲁棒性优化模型的目标为使储能设备的成本最小,所述预设分布鲁棒性优化模型的约束条件包括在预设概率分布下,预设约束条件组成立的概率不小于第一阈值,所述预设概率分布函数集合是:
D={F|DKL(F||F0)≤dKL}
其中,F0是观测到的近似概率分布函数,dKL是真实分布和F0的差距上限,且所述预设概率分布函数之间的差距用KL散度刻画,概率分布F和F0的KL散度的定义是:
其中,所述预设约束条件组包括:所述储能设备的初始荷电状态在第一预设上下限之间、能量流动方向满足预设能量流动模型中的能量流动方向、所述储能设备的充放电功率不超过第二预设上下限、所述储能设备在任意时刻的储存能量在预设范围内、所述储能设备每日终止荷电状态与初始荷电状态相同、在所述预设能量流动模型中从电源流向储能设备和负荷的功率之和不超过电源能发出的功率、在所述预设能量流动模型中从电源和储能流向负荷的功率不低于负荷需求的功率;
S2,根据所述储能容量对所述100%新能源微网进行储能配置。
2.根据权利要求1所述方法,其特征在于,在步骤S1之前,所述方法还包括:
获取所述100%新能源微网中负荷和新能源发电效率,得到所述100%新能源微网的样本数据;
根据实际需求和所述100%新能源微网的样本数据的数量确定所述100%新能源微网的保守性参数以及所述第一阈值。
3.根据权利要求2所述方法,其特征在于,所述方法还包括:
将所述100%新能源微网的预设基本优化模型转化为所述预设分布鲁棒性优化模型;
其中,所述预设基本优化模型的目标为储能设备的成本最小,所述预设基本优化模型的约束条件为所述预设约束条件组。
4.根据权利要求2所述方法,其特征在于,步骤S1具体包括:
将所述预设分布鲁棒性优化模型转化为混合整数线性规划求解模型;
其中,所述混合整数线性规划求解模型的目标为使储能设备的成本最小,所述混合整数线性规划求解模型的约束条件包括:所述储能设备的初始荷电状态在第一预设上下限之间、各样本数据下能量流动方向满足预设能量流动模型中的能量流动方向、各样本数据下所述储能设备的充放电功率不超过第二预设上下限、各样本数据下所述储能设备在任意时刻的储存能量在预设范围内、各样本数据下所述储能设备每日终止荷电状态与初始荷电状态相同、各样本数据下在所述预设能量流动模型中从电源流向储能设备和负荷的功率之和不超过电源能发出的功率、使得所述预设能量流动模型中从电源和储能流向负荷的功率不低于负荷需求的功率的样本数据所占比例,不小于经所述分布鲁棒优化模型修正后的第二阈值;
求解所述混合整数线性规划求解模型,得到100%新能源微网中储能容量。
5.一种新能源微网中储能配置优化系统,其特征在于,所述系统包括:
求解模块,用于求解预设分布鲁棒性优化模型,得到100%新能源微网中储能容量;所述预设分布鲁棒性优化模型的目标为使储能设备的成本最小,所述预设分布鲁棒性优化模型的约束条件包括在预设概率分布下,预设约束条件组成立的概率不小于第一阈值,所述预设概率分布函数集合是:
D={F|DKL(F||F0)≤dKL}
其中,F0是观测到的近似概率分布函数,dKL是真实分布和F0的差距上限,且所述预设概率分布函数之间的差距用KL散度刻画,概率分布F和F0的KL散度的定义是:
其中,所述预设约束条件组包括:所述储能设备的初始荷电状态在第一预设上下限之间、能量流动方向满足预设能量流动模型中的能量流动方向、所述储能设备的充放电功率不超过第二预设上下限、所述储能设备在任意时刻的储存能量在预设范围内、所述储能设备每日终止荷电状态与初始荷电状态相同、在所述预设能量流动模型中从电源流向储能设备和负荷的功率之和不超过电源能发出的功率、在所述预设能量流动模型中从电源和储能流向负荷的功率不低于负荷需求的功率;
配置模块,用于根据所述储能容量对所述100%新能源微网进行储能配置。
6.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如权利要求1至4任一项所述的方法。
7.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810146185.5A CN108306319B (zh) | 2018-02-12 | 2018-02-12 | 一种新能源微网中储能配置优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810146185.5A CN108306319B (zh) | 2018-02-12 | 2018-02-12 | 一种新能源微网中储能配置优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108306319A CN108306319A (zh) | 2018-07-20 |
CN108306319B true CN108306319B (zh) | 2020-06-16 |
Family
ID=62865493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810146185.5A Active CN108306319B (zh) | 2018-02-12 | 2018-02-12 | 一种新能源微网中储能配置优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108306319B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109617100B (zh) * | 2018-12-27 | 2022-08-02 | 国网青海省电力公司电力科学研究院 | 一种数据驱动的风电场储能容量规划方法 |
CN113972659B (zh) * | 2021-11-04 | 2024-02-02 | 国网冀北电力有限公司经济技术研究院 | 一种考虑随机潮流的储能配置方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016067101A (ja) * | 2014-09-24 | 2016-04-28 | 新神戸電機株式会社 | 再生可能エネルギ用変動緩和蓄電池システム |
CN106253294A (zh) * | 2016-10-20 | 2016-12-21 | 广东电网有限责任公司佛山供电局 | 智能电网的储能调度方法和装置 |
CN105226688B (zh) * | 2015-10-12 | 2018-11-27 | 中国电力科学研究院 | 基于机会约束模型的多类型储能系统容量优化配置方法 |
-
2018
- 2018-02-12 CN CN201810146185.5A patent/CN108306319B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016067101A (ja) * | 2014-09-24 | 2016-04-28 | 新神戸電機株式会社 | 再生可能エネルギ用変動緩和蓄電池システム |
CN105226688B (zh) * | 2015-10-12 | 2018-11-27 | 中国电力科学研究院 | 基于机会约束模型的多类型储能系统容量优化配置方法 |
CN106253294A (zh) * | 2016-10-20 | 2016-12-21 | 广东电网有限责任公司佛山供电局 | 智能电网的储能调度方法和装置 |
Non-Patent Citations (1)
Title |
---|
考虑新能源不确定性的储能容量随机鲁棒优化方法;戴蕾思;《中国优秀硕士学位论文全文数据库》;20170715;第1-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108306319A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11757404B2 (en) | Coordinated control of renewable electric generation resource and charge storage device | |
Teng et al. | Stochastic scheduling with inertia-dependent fast frequency response requirements | |
Chen et al. | Key technologies for integration of multitype renewable energy sources—Research on multi-timeframe robust scheduling/dispatch | |
CN109741110B (zh) | 一种基于机会约束规划的风氢系统联合优化建模方法 | |
CN110581571A (zh) | 一种主动配电网动态优化调度方法 | |
CN107944757A (zh) | 电力互联系统可再生能源消纳能力评估分析方法 | |
CN109149571A (zh) | 一种考虑系统燃气和火电机组特性的储能优化配置方法 | |
CN105303267B (zh) | 一种考虑动态频率约束的含高渗透率光伏电源的孤立电网机组组合优化方法 | |
Zhai et al. | Robust model predictive control for energy management of isolated microgrids | |
CN106203714A (zh) | 考虑电网运行风险的高压直流输电系统检修时机优化方法 | |
CN108306319B (zh) | 一种新能源微网中储能配置优化方法及系统 | |
Torchio et al. | A mixed integer SDP approach for the optimal placement of energy storage devices in power grids with renewable penetration | |
CN113659627A (zh) | 一种含光伏发电和液态空气储能的微电网优化调度方法 | |
CN110889540B (zh) | 电力市场环境下系统备用需求的优化方法及装置 | |
CN114529100A (zh) | 一种面向区域电网风光消纳的储能优化配置方法及系统 | |
CN116562563A (zh) | 一种基于最小惯量需求评估的电力系统优化运行方法 | |
CN115713202A (zh) | 一种基于两阶段随机规划算法的有序用电方案制定方法 | |
CN110661252B (zh) | 一种考虑风光储提供柔性爬坡容量的实时经济调度方法 | |
CN111404195B (zh) | 一种基于智能网关的含分布式电源微电网的调度方法 | |
CN110854929B (zh) | 一种计及时段内不确定性的日前调度方法 | |
CN112184049A (zh) | 一种抽水蓄能电站服务电网能力评估方法 | |
CN108258734B (zh) | 基于风功率区间预测的鲁棒最优调度方法 | |
CN114465226A (zh) | 一种电力系统多级备用获取联合优化模型的建立方法 | |
CN112054553A (zh) | 电热气互联系统协调优化运行方法、系统、介质及设备 | |
CN104753086A (zh) | 一种满足多种场景鲁棒运行的最小旋转备用调度方法 |
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 |