CN108599206B - 高比例不确定电源场景下的配电网混合储能配置方法 - Google Patents

Abstract

本发明公开了一种高比例不确定电源场景下的配电网混合储能配置方法，包括建立分布式可再生能源的的典型发电模型；建立储能上层优化模型和储能下层优化模型；联合储能上层优化模型和储能下层优化模型并求解，得到最终的配电网混合储能配置结果。本发明不仅详细的从社会效益、投资者收益、降低网损等角度建立经济性评价模型，研究混合储能对中高压配电网系统消峰填谷的选址定容和经济运行，同时提出功率型储能和能量型储能协调控制方法，从而更好的实现对系统的消峰填谷，增强系统对不确定电源的消纳能力。

Description

高比例不确定电源场景下的配电网混合储能配置方法

技术领域

本发明具体涉及一种高比例不确定电源场景下的配电网混合储能配置方法。

背景技术

随着当前能源需求的快速增长和环境保护压力的不断增大，分布式电源的大量并网对电网带来了不容忽视的冲击，配电网由“无源”变为“有源”，潮流由“单向”变为“双向”，呈现出越来越复杂的“多源性”特征，将会对配电网负荷特性、供电安全性、可靠性和资产利用率等产生深刻影响。一方面，分布式能源接入电网，电网负荷峰谷差的增大严重影响了电网的安全性和经济性；另一方面，分布式能源的大规模接入给电网公司带来了新的机遇和挑战，有利于电网公司开拓售电市场，扩充负荷调控资源，改善电网峰谷特性，提升电网利用效率，储能系统的接入为解决这些问题提供了新的途径，储能系统可以有效地实现需求侧管理，消除昼夜峰谷差，平滑负荷，提高电力设备利用率，降低供电成本，提高对新能源发电的消纳能力。

目前关于储能系统容量配置的研究大多集中在改善风电场功率波动，提高风电场并网点电压、频率稳定性等局部问题方面，而从配电网调峰角度考虑利用功率型和能量型混合储能系统削峰填谷的深入研究鲜有报道。《用于电网消峰填谷的储能系统容量配置及经济性评估》建立了储能系统投资经济评价模型，但该模型中经济效益模型与投资模型相对简单，没有考虑不同储能配置对系统消峰填谷性能的影响；《基于成本分析的超级电容器和蓄电池混合储能优化配置方案》提出基于成本分析的混合储能优化配置方案，但止于单目标优化；现有混合储能多集中在储能控制方法或就某单一目标进行容量优化，较少考虑混合储能的多目标控制及求解算法。

发明内容

本发明的目的在于提供一种能够实现配电网的消峰填谷平稳运行的高比例不确定电源场景下的配电网混合储能配置方法。

本发明提供的这种高比例不确定电源场景下的配电网混合储能配置方法，包括如下步骤：

S1.建立分布式可再生能源的的典型发电模型；

S2.根据步骤S1得到的模型，建立储能上层优化模型；

S3.根据步骤S2建立的储能上层优化模型，建立储能下层优化模型；

S4.联合步骤S2得到的储能上层优化模型和步骤S3得到的储能下层优化模型并求解，得到最终的配电网混合储能配置结果。

步骤S1所述的建立分布式可再生能源的的典型发电模型，具体为根据分布式可再生能源的历史输出数据和历史负荷数据得到分布式可再生能源的概率密度函数，并采用基于Wasserstein距离的最优场景生成技术进行分布式可再生能源的的典型发电模型的建模。

所述的建立分布式可再生能源的的典型发电模型，具体为采用如下步骤进行建模：

A.采用如下算式建立风力发电的概率模型：

式中P_m为风电机组的机械功率，ρ为空气密度，A为风轮覆盖的面积，C_r是风电机组的风能利用系数，P_rated为风电机组有功功率的额定值，v_cut-in是切入风速，v_cut-out为切出风速，v_rated为额定风速；其中平均风速v满足下述关系式：

式中k为形状参数，c为尺度参数；

B.采用如下算式建立光伏发电的概率模型：

式中P_PV,N为光伏发电额定功率，α和β为Beta分布的参数，Γ(.)为伽马函数；

C.采用基于Wasserstein距离的最优场景生成方法得到风力发电与光伏发电的功率分点以及功率分点对应的概率；

D.根据步骤C得到的功率分点及对应概率，联合得到基于Wasserstein距离的风光联合最优场景发电模型。

步骤S2所述的建立储能上层优化模型，具体为采用基于投资经济效益最大化的原则建立储能上层优化模型。

所述的建立储能上层优化模型，具体为采用如下步骤建立模型：

a.采用如下算式计算运行效益F₁：

F₁＝C_discharge(E_bat/η_discharge2+E_cap/η_discharge2)-(C_chargeE_bat/η_charge1+E_cap/η_discharge2)

式中C_charge为电网低谷时段的电压，C_discharge为电网高峰时段的电价，E_bat为配置的储能电池的储能容量，E_cap为配置的超级电容的储能容量，η_charge1为储能电池的充电效率，η_discharge2为储能电池的放电效率，η_discharge2为超级电容的放电效率；

b.采用如下算式计算延缓设备投资收益F₂：

F₂＝C_vest(P_bat+P_cap)

式中C_vest为设备单位功率投资额，P_bat为储能电池额定功率，P_cap为超级电容额定功率；

c.采用如下算式计算环境公益F₃：

式中C_f为火电机组生产单位电能的排放成本，E_bat为配置的储能电池的储能容量，E_cap为配置的超级电容的储能容量，

为金属i的价格，

为单位重量储能电池中金属i的含量，C_handle为处理单位重量废电池所需生产支出，

为能重比系数；

d.采用如下算式计算配电网年供电损耗费用F₄：

式中c为电价，t为供电时间，S为场景个数，N为系统节点数，P_i(s)为第s个场景节点i处注入的有功功率之和，P_i,bess(s)为第s个场景对应储能出力值，p(s)为第s个场景对应的概率；

e.采用如下算式计算折算到每年的储能固定投资费用F₅：

式中d为贴现率，y为储能设备的使用年限，

为年运行维护费用系数，c_{k_bat}为储能电池的单位容量投资成本，E_bat为储能电池的容量，c_{k_cap}为超级电容的单位容量投资成本，E_cap为超级电容的容量；

f.按照如下规则建立储能上层优化模型的目标函数和约束条件：

目标函数：F＝F₁+F₂+F₃+F₄+F₅

约束条件：

式中

为储能系统k的最小荷电状态，SOC_k为储能系统k的荷电状态，

为储能系统k的最大荷电状态，

为节点i的电压下限，U_i,s为储能系统k中的节点i的电压值，

为节点i的电压上限，P_l ^max为支路流过的有功功率最大值，P_l,t为支路l在t时段流过的有功功率。

步骤S3所述的建立储能下层优化模型，具体为在约束条件下以负荷曲线最平坦为原则建立储能下层优化模型。

所述的建立储能下层优化模型，具体为采用如下步骤建立模型：

(1)采用如下算式建立目标函数：

式中N为负荷数据点的采集个数，D(i)为时刻i的预测负荷，D(j)为时刻j的预测负荷，b(i)为储能设备在时刻i的功率，b(j)为储能设备在时刻j的功率，且充电时刻为正，放电时刻为负；

(2)采用如下算式建立约束条件：

储能容量约束：S_min≤S(i)≤S_max,i＝0,1,...,N

式中S_min为储能设备的储能下限，S_max为储能设备的储能上限，S(i)为储能设备在时刻i的电量；S(0)为初始电量，S(N)为最终电量，且充放电过程满足S(i)＝S(i-1)+ηb(i)Δt-S(i-1)θ,i＝0,1,...,N，式中η为相邻时刻的时间间隔，b(i)为储能设备在时刻i的功率，Δt为相邻时刻的时间间隔，θ为储能在Δt时间内的自漏电率；

功率约束：b_min≤b(i)≤b_max,i＝0,1,...,N

式中b_min为储能设备的最大放大功率，b_max为储能设备的最大充电功率，且b_min＝-b_max；

放电深度约束：β₁S_max≤L_d≤β₂S_max

式中L_d为储能设备的单次放电深度，β₁和β₂为放电深度对应百分比的下限值和上限值，且0≤β₂≤β₁≤1；

每次初始能量约束：S(0)＝S(N)

式中S(0)为初始时刻电量，S(N)为截止时刻电量；

最大功率约束：P_bat+P_cap≥ΔP_max

式中P_bat为储能电池的功率，P_cap为超级电容的功率，ΔP_max为最大瞬时功率缺失值。

步骤S4所述的对模型进行求解，具体为采用模拟退火算法作为模型的优化框架，用于求解储能设备的安装位置和容量，并在模拟退火算法的每次迭代过程中采用锥算法求解得到每个场景下的最小峰谷差，并进一步计算出模拟退火算法中个体的适应度。

所述的对模型进行求解，具体为采用如下步骤进行求解：

1)输入配电网络、分布式电源参数和模拟退火算法(SA)参数；

2)采用聚类削减，构建考虑风电和光电不确定性的储能规划场景；

3)SA给定初始温度，在当前温度下进行整数编码，随机产生混合储能规划方案；

4)非线性约束线性化，基于目标函数，计算各场景负荷曲线最小方差；

5)计算当前温度的混合储能规划方案适应度；

6)若结果收敛，得到最优混合储能选址定容规划方案。

本发明提供的这种高比例不确定电源场景下的配电网混合储能配置方法，不仅详细的从社会效益、投资者收益、降低网损等角度建立经济性评价模型，研究混合储能对中高压配电网系统消峰填谷的选址定容和经济运行，同时提出功率型储能和能量型储能协调控制方法，从而更好的实现对系统的消峰填谷，增强系统对不确定电源的消纳能力。

附图说明

图1位本发明方法的方法流程图。

具体实施方式

如图1所示为本发明方法的方法流程图：本发明提供的这种高比例不确定电源场景下的配电网混合储能配置方法，包括如下步骤：

S1.建立分布式可再生能源的的典型发电模型；具体为根据分布式可再生能源的历史输出数据和历史负荷数据得到分布式可再生能源的概率密度函数，并采用基于Wasserstein距离的最优场景生成技术进行分布式可再生能源的的典型发电模型的建模；在具体实施时，可以采用如下步骤进行建模：

A.采用如下算式建立风力发电的概率模型：

式中P_m为风电机组的机械功率，ρ为空气密度，A为风轮覆盖的面积，C_r是风电机组的风能利用系数，P_rated为风电机组有功功率的额定值，v_cut-in是切入风速，v_cut-out为切出风速，v_rated为额定风速；其中平均风速v满足下述关系式：

式中k为形状参数，c为尺度参数；

B.采用如下算式建立光伏发电的概率模型：

式中P_PV,N为光伏发电额定功率，α和β为Beta分布的参数，Γ(.)为伽马函数；

C.采用基于Wasserstein距离的最优场景生成方法得到风力发电与光伏发电的功率分点以及功率分点对应的概率；

D.根据步骤C得到的功率分点及对应概率，联合得到基于Wasserstein距离的风光联合最优场景发电模型；

S2.根据步骤S1得到的模型，建立储能上层优化模型；具体为采用基于投资经济效益最大化的原则建立储能上层优化模型；在具体实施时，可以采用如下步骤建立模型：

a.采用如下算式计算运行效益F₁：

F₁＝C_discharge(E_bat/η_discharge2+E_cap/η_discharge2)

-(C_chargeE_bat/η_charge1+E_cap/η_discharge2)

式中C_charge为电网低谷时段的电压，C_discharge为电网高峰时段的电价，E_bat为配置的储能电池的储能容量，E_cap为配置的超级电容的储能容量，η_charge1为储能电池的充电效率，η_discharge2为储能电池的放电效率，η_discharge2为超级电容的放电效率；

b.采用如下算式计算延缓设备投资收益F₂：

F₂＝C_vest(P_bat+P_cap)

式中C_vest为设备单位功率投资额，P_bat为储能电池额定功率，P_cap为超级电容额定功率；

c.采用如下算式计算环境公益F₃：

式中C_f为火电机组生产单位电能的排放成本，E_bat为配置的储能电池的储能容量，E_cap为配置的超级电容的储能容量，

为金属i的价格，

为单位重量储能电池中金属i的含量，C_handle为处理单位重量废电池所需生产支出，

为能重比系数；

d.采用如下算式计算配电网年供电损耗费用F₄：

式中c为电价，t为供电时间，S为场景个数，N为系统节点数，P_i(s)为第s个场景节点i处注入的有功功率之和，P_i,bess(s)为第s个场景对应储能出力值，p(s)为第s个场景对应的概率；

e.采用如下算式计算折算到每年的储能固定投资费用F₅：

式中d为贴现率，y为储能设备的使用年限，

为年运行维护费用系数，c_{k_bat}为储能电池的单位容量投资成本，E_bat为储能电池的容量，c_{k_cap}为超级电容的单位容量投资成本，E_cap为超级电容的容量；

f.按照如下规则建立储能上层优化模型的目标函数和约束条件：

目标函数：F＝F₁+F₂+F₃+F₄+F₅

约束条件：

式中

为储能系统k的最小荷电状态，SOC_k为储能系统k的荷电状态，

为储能系统k的最大荷电状态，

为节点i的电压下限，U_i,s为储能系统k中的节点i的电压值，

为节点i的电压上限，P_l ^max为支路流过的有功功率最大值，P_l,t为支路l在t时段流过的有功功率；

S3.根据步骤S2建立的储能上层优化模型，建立储能下层优化模型；具体为在约束条件下以负荷曲线最平坦为原则建立储能下层优化模型；在具体实施时，可以采用如下步骤建立模型：

(1)采用如下算式建立目标函数：

式中N为负荷数据点的采集个数，D(i)为时刻i的预测负荷，D(j)为时刻j的预测负荷，b(i)为储能设备在时刻i的功率，b(j)为储能设备在时刻j的功率，且充电时刻为正，放电时刻为负；

(2)采用如下算式建立约束条件：

储能容量约束：S_min≤S(i)≤S_max,i＝0,1,...,N

式中S_min为储能设备的储能下限，S_max为储能设备的储能上限，S(i)为储能设备在时刻i的电量；S(0)为初始电量，S(N)为最终电量，且充放电过程满足S(i)＝S(i-1)+ηb(i)Δt-S(i-1)θ,i＝0,1,...,N，式中η为相邻时刻的时间间隔，b(i)为储能设备在时刻i的功率，Δt为相邻时刻的时间间隔，θ为储能在Δt时间内的自漏电率；

功率约束：b_min≤b(i)≤b_max,i＝0,1,...,N

式中b_min为储能设备的最大放大功率，b_max为储能设备的最大充电功率，且b_min＝-b_max；

放电深度约束：β₁S_max≤L_d≤β₂S_max

式中L_d为储能设备的单次放电深度，β₁和β₂为放电深度对应百分比的下限值和上限值，且0≤β₂≤β₁≤1；

每次初始能量约束：S(0)＝S(N)

式中S(0)为初始时刻电量，S(N)为截止时刻电量；

最大功率约束：P_bat+P_cap≥ΔP_max

式中P_bat为储能电池的功率，P_cap为超级电容的功率，ΔP_max为最大瞬时功率缺失值；

S4.联合步骤S2得到的储能上层优化模型和步骤S3得到的储能下层优化模型并求解，得到最终的配电网混合储能配置结果；具体为采用模拟退火算法作为模型的优化框架，用于求解储能设备的安装位置和容量，并在模拟退火算法的每次迭代过程中采用锥算法求解得到每个场景下的最小峰谷差，并进一步计算出模拟退火算法中个体的适应度；在具体实施时，可以采用如下步骤进行求解：

1)输入配电网络、分布式电源参数和模拟退火算法(SA)参数；

2)采用聚类削减，构建考虑风电和光电不确定性的储能规划场景；

3)SA给定初始温度，在当前温度下进行整数编码，随机产生混合储能规划方案；

4)非线性约束线性化，基于目标函数，计算各场景负荷曲线最小方差；

5)计算当前温度的混合储能规划方案适应度；

6)若结果收敛，得到最优混合储能选址定容规划方案。

Claims (7)

1.一种高比例不确定电源场景下的配电网混合储能配置方法，包括如下步骤：

S1.建立分布式可再生能源的典型发电模型；

S2.根据步骤S1得到的模型，建立储能上层优化模型；具体为采用基于投资经济效益最大化的原则建立储能上层优化模型；

采用如下步骤建立模型：

a.采用如下算式计算运行效益F₁：

F₁＝C_discharge(E_bat/η_discharge1+E_cap/η_discharge2)-(C_chargeE_bat/η_charge1+E_cap/η_discharge2)

式中C_charge为电网低谷时段的电价，C_discharge为电网高峰时段的电价，E_bat为配置的储能电池的储能容量，E_cap为配置的超级电容的储能容量，η_charge1为储能电池的充电效率，η_discharge1为储能电池的放电效率，η_discharge2为超级电容的放电效率；

b.采用如下算式计算延缓设备投资收益F₂：

F₂＝C_vest(P_bat+P_cap)

式中C_vest为设备单位功率投资额，P_bat为储能电池额定功率，P_cap为超级电容额定功率；

c.采用如下算式计算环境公益F₃：

式中C_f为火电机组生产单位电能的排放成本，E_bat为配置的储能电池的储能容量，E_cap为配置的超级电容的储能容量，

为金属i的价格，

为单位重量储能电池中金属i的含量，C_handle为处理单位重量废电池所需生产支出，

为能重比系数；

d.采用如下算式计算配电网年供电损耗费用F₄：

式中c为电价，t为供电时间，S为场景个数，N为系统节点数，P_i(s)为第s个场景节点i处注入的有功功率之和，P_i,bess(s)为第s个场景对应储能出力值，p(s)为第s个场景对应的概率；

e.采用如下算式计算折算到每年的储能固定投资费用F₅：

式中d为贴现率，y为储能设备的使用年限，

为年运行维护费用系数，c_{k_bat}为储能电池的单位容量投资成本，E_bat为储能电池的容量，c_{k_cap}为超级电容的单位容量投资成本，E_cap为超级电容的容量；

f.按照如下规则建立储能上层优化模型的目标函数和约束条件：

目标函数：F＝F₁+F₂+F₃+F₄+F₅

约束条件：

式中

为储能系统k的最小荷电状态，SOC_k为储能系统k的荷电状态，

为储能系统k的最大荷电状态，

为节点i的电压下限，U_i,s为储能系统k中的节点i的电压值，

为节点i的电压上限，P_l ^max为支路流过的有功功率最大值，P_l,t为支路l在t时段流过的有功功率；

S3.根据步骤S2建立的储能上层优化模型，建立储能下层优化模型；

S4.联合步骤S2得到的储能上层优化模型和步骤S3得到的储能下层优化模型并求解，得到最终的配电网混合储能配置结果。

2.根据权利要求1所述的高比例不确定电源场景下的配电网混合储能配置方法，其特征在于步骤S1所述的建立分布式可再生能源的典型发电模型，具体为根据分布式可再生能源的历史输出数据和历史负荷数据得到分布式可再生能源的概率密度函数，并采用基于Wasserstein距离的最优场景生成技术进行分布式可再生能源的典型发电模型的建模。

3.根据权利要求2所述的高比例不确定电源场景下的配电网混合储能配置方法，其特征在于所述的建立分布式可再生能源的典型发电模型，具体为采用如下步骤进行建模：

A.采用如下算式建立风力发电的概率模型：

式中P_m为风电机组的机械功率，ρ为空气密度，A为风轮覆盖的面积，C_r是风电机组的风能利用系数，P_rated为风电机组有功功率的额定值，v_cut-in是切入风速，v_cut-out为切出风速，v_rated为额定风速；其中平均风速v满足下述关系式：

式中k为形状参数，c为尺度参数；

B.采用如下算式建立光伏发电的概率模型：

式中P_PV,N为光伏发电额定功率，α和β为Beta分布的参数，Γ(.)为伽马函数；

C.采用基于Wasserstein距离的最优场景生成方法得到风力发电与光伏发电的功率分点以及功率分点对应的概率；

D.根据步骤C得到的功率分点及对应概率，联合得到基于Wasserstein距离的风光联合最优场景发电模型。

4.根据权利要求1～3之一所述的高比例不确定电源场景下的配电网混合储能配置方法，其特征在于步骤S3所述的建立储能下层优化模型，具体为在约束条件下以负荷曲线最平坦为原则建立储能下层优化模型。

5.根据权利要求4所述的高比例不确定电源场景下的配电网混合储能配置方法，其特征在于所述的建立储能下层优化模型，具体为采用如下步骤建立模型：

(1)采用如下算式建立目标函数：

式中N为负荷数据点的采集个数，D(i)为时刻i的预测负荷，D(j)为时刻j的预测负荷，b(i)为储能设备在时刻i的功率，b(j)为储能设备在时刻j的功率，且充电时刻为正，放电时刻为负；

(2)采用如下算式建立约束条件：

储能容量约束：S_min≤S(i)≤S_max,i＝0,1,...,N

式中S_min为储能设备的储能下限，S_max为储能设备的储能上限，S(i)为储能设备在时刻i的电量；S(0)为初始电量，S(N)为最终电量，且充放电过程满足S(i)＝S(i-1)+ηb(i)Δt-S(i-1)θ,i＝0,1,...,N，式中η为相邻时刻的时间间隔，b(i)为储能设备在时刻i的功率，Δt为相邻时刻的时间间隔，θ为储能在Δt时间内的自漏电率；

功率约束：b_min≤b(i)≤b_max,i＝0,1,...,N

式中b_min为储能设备的最大放大功率，b_max为储能设备的最大充电功率，且b_min＝-b_max；

放电深度约束：β₁S_max≤L_d≤β₂S_max

式中L_d为储能设备的单次放电深度，β₁和β₂为放电深度对应百分比的下限值和上限值，且0≤β₂≤β₁≤1；

每次初始能量约束：S(0)＝S(N)

式中S(0)为初始时刻电量，S(N)为截止时刻电量；

最大功率约束：P_bat+P_cap≥ΔP_max

式中P_bat为储能电池的功率，P_cap为超级电容的功率，ΔP_max为最大瞬时功率缺失值。

6.根据权利要求1～3之一所述的高比例不确定电源场景下的配电网混合储能配置方法，其特征在于步骤S4所述的对模型进行求解，具体为采用模拟退火算法作为模型的优化框架，用于求解储能设备的安装位置和容量，并在模拟退火算法的每次迭代过程中采用锥算法求解得到每个场景下的最小峰谷差，并进一步计算出模拟退火算法中个体的适应度。

7.根据权利要求6所述的高比例不确定电源场景下的配电网混合储能配置方法，其特征在于所述的对模型进行求解，具体为采用如下步骤进行求解：

1)输入配电网络、分布式电源参数和模拟退火算法参数；

2)采用聚类削减，构建考虑风电和光电不确定性的储能规划场景；

3)给定初始温度，在当前温度下进行整数编码，随机产生混合储能规划方案；

4)非线性约束线性化，基于目标函数，计算各场景负荷曲线最小方差；

5)计算当前温度的混合储能规划方案适应度；

6)若结果收敛，得到最优混合储能选址定容规划方案。

Images