CN110034561A - 一种基于云储能租赁服务的风电场储能容量优化方法 - Google Patents
一种基于云储能租赁服务的风电场储能容量优化方法 Download PDFInfo
- Publication number
- CN110034561A CN110034561A CN201910404131.9A CN201910404131A CN110034561A CN 110034561 A CN110034561 A CN 110034561A CN 201910404131 A CN201910404131 A CN 201910404131A CN 110034561 A CN110034561 A CN 110034561A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power plant
- cost
- monthly
- cloud
- 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 241
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 230000005611 electricity Effects 0.000 claims abstract description 39
- 238000005553 drilling Methods 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 12
- 230000005684 electric field Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in 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—
-
- 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
- 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
- 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
-
- 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
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/10—Energy trading, including energy flowing from end-user application to grid
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于云储能租赁服务的风电场储能容量优化方法,步骤包括:S1.预测风电场用户使用租赁储能的行为,得到云储能服务价格;S2.以预测所得的云储能月度租赁服务价格、风电场弃风惩罚成本、缺电惩罚成本最小化确定储能容量优化目标函数,以云储能月度租赁服务价格小于风电场自建储能月度成本为约束条件,满足风电波动平抑率,对风电场租赁储能最优月度容量进行配置;S3.设计云储能初期商业模式,即储能容量租赁服务,以便于储能租赁市场价格、规则的初步建立。本发明实现方法简单、云储能商业模式和技术服务具有较高经济性和有效性。
Description
技术领域
本发明涉及新能源电力系统技术领域,尤其涉及一种基于云储能租赁服务的风电场储能容量优化方法。
背景技术
随着风电渗透率升高,风电为电力系统输出大量低成本清洁能源的同时,风电固有的波动性、间歇性对电力系统可靠性、稳定性的影响也在与日俱增。近年很多学者对储能平抑风电波动问题进行了研究,取得了诸多成果。比如,定义了风电场可调度性作为约束,计及放电过程蓄电池寿命减损建立了目标函数,实现了考虑蓄电池经济性的风电场可调度性;提出了荷电状态分区模型对电池充放电功率实时调整,以风电场投资维护成本、运行成本、电池越限成本最小为目标函数实现了风电波动平抑;通过仿真方法对不同平抑策略,不同并网方式、不同波动平抑信度下的风电场储能配置进行了研究;分析了风电输出在时域和频域的波动特征,提取波动度以量化指数QI(Quantization Index)表示,基于QI聚类配置了最优储能功率容量。
上述方法对改善风储系统经济性起到重要作用,但投资实体储能成本仍然较高,不具备大规模推广的可能性。针对储能装置成本较高等缺陷,有人提出来云储能的概念。云储能提供商为满足用户储能租赁需求,投资建设大规模储能设备,并将分散在用户侧的闲置储能集中起来,用云端虚拟的储能容量替代用户实体储能,是共享经济与电力系统的深度融合。
云储能作为电力系统新形态,不久的将来风电场、需求侧等均可能购买云储能服务或选择自建储能。为此,本发明设计了云储能初期商业模式,即储能容量租赁服务,发明一种基于云储能租赁服务的风电场储能容量优化方法。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现方法简单、能够有效用于风电波动平抑,可较好地实现风电功率准确控制的方法。根据云储能运营商的成本结构,采用统计学方法预测了风电场云储能月度租赁价格,降低风电场储能成本。
为解决上述技术问题,本发明提出的技术方案为:
一种基于云储能租赁服务的风电场储能容量优化方法,步骤包括:
S1.预测风电场用户使用租赁储能的行为,得到云储能服务价格;
S2.以预测所得的云储能月度租赁服务价格、风电场弃风惩罚成本、缺电惩罚成本最小化确定储能容量优化目标函数,以云储能月度租赁服务价格小于风电场自建储能月度成本为约束条件,满足风电波动平抑率,对风电场租赁储能最优月度容量进行配置;
S3.设计云储能初期商业模式,即储能容量租赁服务,以便于储能租赁市场价格、规则的初步建立。
作为本发明的进一步改进:所述步骤S1中,预测风电场用户使用租赁储能的行为,得到云储能服务价格。用户之间的互补效应以及规模效益,云储能投资、维护折合至月度的成本较低,但用户使用租赁储能的不良习惯会增加云储能运营商的成本。
作为本发明的进一步改进:云储能服务价格的具体计算步骤如下:
S11.云储能的投资总成本以及每月维护成本为:
Cess=αCmCap
Com=αCmvCap
其中,Cess、Com为云储能的投资成本、维护成本,α为云储能的成本降低系数,α<1;Cm为单位储能容量系统造价;Cap为风电场u拟购买的储能容量;Cmv为储能系统单位每月的维护费用。
S12.因用户过充过放、频繁充放电会导致储能寿命减损,使云储能总投资成本折合至月度的成本升高,需考察风电场u使用租赁储能的行为习惯。风电场u每月调用租赁储能的行为习惯与当月风电波动情况、预测准确度相关,即每个月风电场u的充放电行为是变化的,云储能总投资成本折合至月度的成本也是变化的。假设储能的全寿命周期内均由风电场u使用,最终储能的使用寿命为Tlife,u。则云储能为风电场u提供储能服务平均每月的投资成本为:
云储能月度总成本为:
Cces,u=Cess,u+Com
若能估计出Tlife,u,即可得到云储能为风电场用户u提供租赁服务的平均月度总成本。考虑云储能为降低运营风险,取N座相似风电场中全寿命周期Tlife,i最大的n家风电场的平均数作为风电场u的全寿命周期Tlife,u,如下式:
S13.在云储能月度总成本的基础上乘以利润系数即得到针对风电场用户u的储能月度租赁服务价格:
Fces=(1+β)Cces,u
式中,Fces为云储能月度租赁服务价格,β为利润系数。
作为本发明的进一步改进:所述步骤S2中以预测所得的云储能月度租赁服务价格、风电场弃风惩罚成本、缺电惩罚成本最小化确定储能容量优化目标函数,以云储能月度租赁服务价格小于风电场自建储能月度成本为约束条件,满足风电波动平抑率,对风电场租赁储能最优月度容量进行配置。目标函数的建立步骤如下:
弃风惩罚成本以及平滑功率短缺损失成本:
FLT=ρLLLT
FLT=ρLLLT
式中:LLT、FLT为加装储能系统后该月弃风电量、惩罚成本,LST、FST为平滑功率短缺电量、损失成本;PMS为风储系统联合出力;Eup、Edown为风电场波动出力最大允许范围上、下限;n1、n2分别为风电场弃风的次数、平滑波动功率不足的次数;t1,t2分别为风电场弃风开始、结束时间或平滑功率短缺的开始、结束时间;ρL、ρS分别为风电场弃风能量损失、平滑功率短缺能量对应单价。
目标函数为:
min(Fces+FLT+FST)
作为本发明的进一步改进:假设风电场u自建储能的月度成本为FBess,u,以云储能月度租赁服务价格小于风电场自建储能月度成本为约束:
FBess,u<Fces
作为本发明的进一步改进:风电场出力波动约束:
P{|ΔPd(t)|≤ΔPd max}≥Λ
其中,P{·}为概率分布函数;ΔPd{t}为风电场-云储能联合出力波动值;ΔPd max为波动值最大允许范围上限;Λ为置信度水平。
基于遗传算法求解云储能容量月度配置的最优值。设计了云储能初期商业模式,即储能容量租赁服务,以便于储能租赁市场价格、规则的初步建立。
与现有技术相比,本发明的优点在于:
1)云储能作为电力系统新形态,不久的将来风电场、需求侧等均可能购买云储能服务或选择自建储能。为此,本发明设计了云储能初期商业模式,即储能容量租赁服务。用户使用租赁储能的不良习惯会导致云储能运营商产生额外成本,采用储能月度寿命额外减损量进行度量。通过月度寿命额外减损量估计方法,得到针对风电场用户的云储能月度租赁价格。在满足一定风电波动平抑效果的前提下,以预测所得的云储能月度租赁服务价格、风电场弃风惩罚成本、缺电惩罚成本最小为目标函数,以云储能月度租赁服务价格小于风电场自建储能月度成本为约束,建立了风电场云储能配置的优化模型,得到月度最优云储能配置容量。
2)本发明将云储能新型运营模式用于风电波动平抑,可较好地实现风电功率准确控制。所设计的云储能初期商业模式有助于储能租赁市场价格、规则的初步建立。
3)本发明根据云储能运营商的成本结构,采用统计学方法预测了风电场云储能月度租赁价格。风电场租赁储能服务相比自建储能可以在保证风电平抑效果的同时大量降低成本。
4)本发明在风电场根据当月风电波动程度配置最优租赁储能,相比自建储能固定的储能容量大大提高了配置储能的针对性和灵活性。
附图说明
图1是本实施例基于云储能租赁服务的风电场储能容量优化方法的实现流程示意图。
图2是本发明具体实施例中风电场实际出力示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1所示,本实施例基于云储能租赁服务的风电场储能容量优化方法,步骤包括:
S1.预测风电场用户使用租赁储能的行为,得到云储能服务价格;
S2.以预测所得的云储能月度租赁服务价格、风电场弃风惩罚成本、缺电惩罚成本最小化确定储能容量优化目标函数,以云储能月度租赁服务价格小于风电场自建储能月度成本为约束条件,满足风电波动平抑率,对风电场租赁储能最优月度容量进行配置;
S3.设计云储能初期商业模式,即储能容量租赁服务,以便于储能租赁市场价格、规则的初步建立。
本实施例针对风电出力波动平抑问题,采用购买云储能的新型商业模式,实现风电场出力功率可控。云储能聚合了大量分布式储能与集中式储能的控制信息,可为风电场提供储能租赁服务,由此设计了云储能初期商业模式,即储能容量租赁服务,以便于储能租赁市场价格、规则的初步建立。研究云储能运营商的成本结构,为了避免用户过充过放等给云储能带来额外成本,基于对风电场用户使用租赁储能行为的预测得到了云储能服务价格。以预测所得的云储能月度租赁服务价格、风电场弃风惩罚成本、缺电惩罚成本最小为目标函数,以云储能月度租赁服务价格小于风电场自建储能月度成本为约束,满足风电波动平抑率,对风电场租赁储能最优月度容量进行配置。仿真分析结果验证了所提云储能商业模式和技术服务的经济性和有效性。
本实施例中,步骤S1中首先基于对风电场用户使用租赁储能行为的预测得到了云储能服务价格。云储能运营初期限制用户短期租赁决定了风电场用户不能每天甚至每几小时更换储能容量以及功率,以配合超短期预测做最优决策,本实施例假设风电场按月购买云储能服务。因用户之间的互补效应以及规模效益,云储能投资、维护折合至月度的成本较低,但用户使用租赁储能的不良习惯会增加云储能运营商的成本。以电池储能系统BESS为例,BESS的月度成本受储能工作环境温度、充放电深度、充放电次数的影响。用户能够自由决定租赁储能的充放电次数、充放电深度,用户充放电策略的变化、充放电次数的不同均会影响BESS的使用寿命,从而影响云储能运营商的成本。而云储能所聚合的储能工作环境温度条件良好,温度因素对云储能成本影响很小,可以忽略。
本实施例中,云储能的投资总成本以及每月维护成本为:
Cess=αCmCap (1)
Com=αCmvCap (2)
其中,Cess、Com为云储能的投资成本风电场u每月调用租赁储能的行为习惯与当月风电波动情况、预测准确度相关,所以每个月风电场u的充放电行为是变化的,云储能总投资成本折合至月度的成本也是变化的。、维护成本,α为云储能的成本降低系数,α<1;Cm为单位储能容量系统造价;Cap为风电场u拟购买的储能容量;Cmv为储能系统单位每月的维护费用;
本实施例中,由于用户过充过放、频繁充放电会导致储能寿命减损,使云储能总投资成本折合至月度的成本升高,需考察风电场u使用租赁储能的行为习惯。因为获取云储能的平均月度出租成本,假设储能的全寿命周期内均由用户u使用,最终储能的使用寿命为Tlife,u。则云储能为风电场u提供储能服务平均每月的投资成本为:
云储能月度总成本为:
Cces,u=Cess,u+Com (4)
由式(1)-(4)可知,若能估计出Tlife,u,即可得到云储能为风电场用户u提供租赁服务的平均月度总成本。为实现风电场用户u的针对性定价,获取与风电场u具有相似特性的N座风电场使用租赁储能的全寿命周期作为样本。不存在与风电场u完全一样的风电场,为保证样本量N足够大,需提取影响功率波动的主要因素。本实施例取与风电场u具有相同的气候、地势,装机容量相差不超过10%的风电场作为样本。
考虑云储能为降低运营风险,取N座相似风电场中全寿命周期Tlife,i最大的n家风电场的平均数作为风电场u的全寿命周期Tlife,u,如式(5)所示:
本实施例中,在云储能月度总成本的基础上乘以利润系数即得到针对风电场用户u的储能月度租赁服务价格:
Fces=(1+β)Cces,u (6)
式中,Fces为云储能月度租赁服务价格,β为利润系数。
本实施例S2中,风电场储能容量优化的目标在于满足功率波动平滑的约束下,使总成本最少,包括预测所得的云储能月度租赁服务价格、弃风惩罚成本、缺电惩罚成本,以最低的成本实现风电场最优经济运行。
1.目标函数
弃风惩罚成本以及平滑功率短缺损失成本:
FLT=ρLLLT (9)
FST=ρSLST (10)
式中:LLT、FLT为加装储能系统后该月弃风电量、惩罚成本,LST、FST为平滑功率短缺电量、损失成本;PMS为风储系统联合出力;Eup、Edown为风电场波动出力最大允许范围上、下限;n1、n2分别为风电场弃风的次数、平滑波动功率不足的次数;t1,t2分别为风电场弃风开始、结束时间或平滑功率短缺的开始、结束时间;ρL、ρS分别为风电场弃风能量损失、平滑功率短缺能量对应单价。
目标函数为:
min(Fces+FLT+FST) (11)
2.约束条件
假设风电场u自建储能的月度成本为FBess,u,以云储能月度租赁服务价格小于风电场自建储能月度成本为约束:
FBess,u<Fces (12)
风电场出力波动约束:
P{|ΔPd(t)|≤ΔPd max}≥Λ (13)
其中,P{·}为概率分布函数;ΔPd{t}为风电场-云储能联合出力波动值;ΔPd max为波动值最大允许范围上限;Λ为置信度水平;
3.求解方法
本实施例基于遗传算法求解最优模型,具体步骤如下:
步骤1:输入风电场以及云储能单位容量月度服务费等原始数据、写入约束条件。
步骤2:将变量转化为编码形式,通过编码得到初始染色体。
步骤3:求得每一染色体适应函数值。通过繁殖、交叉、变异3种产生新一代染色体域,并对下一代染色体解码后计算其新的适应值。
步骤4:预先设定遗传次数;若不满足等式约束与不等式约束以及变量约束范围的,立即返回。
步骤5:得到染色体中适应度最好的解,即云储能容量月度配置的最优值。
为了验证本实施例上述方法的有效性,以历史出力数据完备的某风电场2014年1-6个月实际运行数据计算购买云储能最优容量。该风电场装机容量为100MW,风电场实际运行数据如图2,采集时间间隔为10min。设置云储能成本为目前实体储能成本的60%,即云储能的成本降低系数α为60%,设置利润系数β为10%。
假设云储能提供商以上述的方法估计得出风电场u的月度额外寿命减损ΔTu为0.23个月,由此可得云储能月度租赁服务价格单位容量价格为5778USD/MWh。风电场根据月度租赁服务价格及本月自身出力数据,计算最优云储能容量,所得6个月风电场云储能容量配置情况如表1所示。
表1计算结果
风电场使用自建储能时为延长储能寿命,充放电范围一般设置为20%-80%最大储能容量,而使用租赁储能时一般不设置充放电范围约束。假设自建储能容量也能够灵活变化,其每月的容量大小和云储能容量大小一致,对6个月中风电场自建储能的单位容量月度价格求平均值,得到7808USD/MWh。即自建储能的月度单位容量价格为7808USD/MWh,风电场租赁云储能月度单位容量成本与其相比可节约2030USD/MWh。根据表1可知,储能租赁容量能够随风电月份波动情况灵活变化,而自建储能固定的储能容量有可能造成某些月份储能容量过剩或不足。综上所述,云储能成本较低且云储能容量可以灵活跟踪风电场出力波动季节性。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (6)
1.一种基于云储能租赁服务的风电场储能容量优化方法,其特征在于,步骤包括:
S1.预测风电场用户使用租赁储能的行为,得到云储能服务价格;
S2.以预测所得的云储能月度租赁服务价格、风电场弃风惩罚成本、缺电惩罚成本最小化确定储能容量优化目标函数,以云储能月度租赁服务价格小于风电场自建储能月度成本为约束条件,满足风电波动平抑率,对风电场租赁储能最优月度容量进行配置;
S3.设计云储能初期商业模式,即储能容量租赁服务,以便于储能租赁市场价格、规则的初步建立。
2.根据权利要求1所述的一种基于云储能租赁服务的风电场储能容量优化方法,其特征在于,所述步骤S1中,预测风电场用户使用租赁储能的行为,得到云储能服务价格。用户之间的互补效应以及规模效益,云储能投资、维护折合至月度的成本较低,但用户使用租赁储能的不良习惯会增加云储能运营商的成本。
3.根据权利要求2所述的一种基于云储能租赁服务的风电场储能容量优化方法,其特征在于,云储能服务价格的具体计算步骤如下:
S11.云储能的投资总成本以及每月维护成本为:
Cess=αCmCap
Com=αCmvCap
其中,Cess、Com为云储能的投资成本、维护成本,α为云储能的成本降低系数,α<1;Cm为单位储能容量系统造价;Cap为风电场u拟购买的储能容量;Cmv为储能系统单位每月的维护费用。
S12.因用户过充过放、频繁充放电会导致储能寿命减损,使云储能总投资成本折合至月度的成本升高,需考察风电场u使用租赁储能的行为习惯。风电场u每月调用租赁储能的行为习惯与当月风电波动情况、预测准确度相关,即每个月风电场u的充放电行为是变化的,云储能总投资成本折合至月度的成本也是变化的。假设储能的全寿命周期内均由风电场u使用,最终储能的使用寿命为Tlife,u。则云储能为风电场u提供储能服务平均每月的投资成本为:
云储能月度总成本为:
Cces,u=Cess,u+Com
若能估计出Tlife,u,即可得到云储能为风电场用户u提供租赁服务的平均月度总成本。考虑云储能为降低运营风险,取N座运行状况相似的风电场中全寿命周期Tlife,i最大的n家风电场的平均数作为风电场u的全寿命周期Tlife,u,如下式:
S13.在云储能月度总成本的基础上乘以利润系数即得到针对风电场用户u的储能月度租赁服务价格:
Fces=(1+β)Cces,u
式中,Fces为云储能月度租赁服务价格,β为利润系数。
4.根据权利要求1所述的一种基于云储能租赁服务的风电场储能容量优化方法,其特征在于,所述步骤S2中以预测所得的云储能月度租赁服务价格、风电场弃风惩罚成本、缺电惩罚成本最小化确定储能容量优化目标函数,以云储能月度租赁服务价格小于风电场自建储能月度成本为约束条件,满足风电波动平抑率,对风电场租赁储能最优月度容量进行配置。目标函数的建立步骤如下:
弃风惩罚成本以及平滑功率短缺损失成本:
FLT=ρLLLT
FLT=ρLLLT
式中:LLT、FLT为加装储能系统后该月弃风电量、惩罚成本,LST、FST为平滑功率短缺电量、损失成本;PMS为风储系统联合出力;Eup、Edown为风电场波动出力最大允许范围上、下限;n1、n2分别为风电场弃风的次数、平滑波动功率不足的次数;t1,t2分别为风电场弃风开始、结束时间或平滑功率短缺的开始、结束时间;ρL、ρS分别为风电场弃风能量损失、平滑功率短缺能量对应单价。
目标函数为:
min(Fces+FLT+FST)。
5.根据权利要求4所述的一种基于云储能租赁服务的风电场储能容量优化方法,其特征在于,假设风电场u自建储能的月度成本为FBess,u,以云储能月度租赁服务价格小于风电场自建储能月度成本为约束:
FBess,u<Fces
风电场出力波动约束:
P{|ΔPd(t)|≤ΔPdmax}≥Λ
其中,P{·}为概率分布函数;ΔPd{t}为风电场-云储能联合出力波动值;ΔPdmax为波动值最大允许范围上限;Λ为置信度水平。
6.根据权利要求1-5所述的一种基于云储能租赁服务的风电场储能容量优化方法,其特征在于,设计云储能初期商业模式,即储能容量租赁服务,以便于储能租赁市场价格、规则的初步建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910404131.9A CN110034561B (zh) | 2019-05-15 | 2019-05-15 | 一种基于云储能租赁服务的风电场储能容量优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910404131.9A CN110034561B (zh) | 2019-05-15 | 2019-05-15 | 一种基于云储能租赁服务的风电场储能容量优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110034561A true CN110034561A (zh) | 2019-07-19 |
CN110034561B CN110034561B (zh) | 2022-10-11 |
Family
ID=67242259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910404131.9A Active CN110034561B (zh) | 2019-05-15 | 2019-05-15 | 一种基于云储能租赁服务的风电场储能容量优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110034561B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111864770A (zh) * | 2020-08-19 | 2020-10-30 | 国网河南省电力公司电力科学研究院 | 一种基于云储能的储能辅助调频调度方法 |
CN112016824A (zh) * | 2020-08-25 | 2020-12-01 | 国网四川省电力公司经济技术研究院 | 一种基于共享经济理念的储能资源匹配方法 |
CN113592553A (zh) * | 2021-08-02 | 2021-11-02 | 广西大学 | 一种竞争条件生成式对抗网络的云储能双层优化控制方法 |
CN114564815A (zh) * | 2022-01-14 | 2022-05-31 | 重庆邮电大学 | 基于布雷斯悖论效应的电力系统可靠性与经济性建模方法 |
CN117314598A (zh) * | 2023-11-30 | 2023-12-29 | 深圳海辰储能科技有限公司 | 一种储能设备租赁容量调整方法、装置和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100179704A1 (en) * | 2009-01-14 | 2010-07-15 | Integral Analytics, Inc. | Optimization of microgrid energy use and distribution |
CN107230088A (zh) * | 2017-06-02 | 2017-10-03 | 张华� | 一种锂电池追溯与租赁管理系统 |
CN108596464A (zh) * | 2018-04-17 | 2018-09-28 | 南京邮电大学 | 基于动态非合作博弈的电动汽车与云储能经济调度方法 |
CN109190882A (zh) * | 2018-07-25 | 2019-01-11 | 南京邮电大学 | 电力市场环境下基于云储能的微网经济优化交易方法 |
CN109245175A (zh) * | 2018-11-21 | 2019-01-18 | 郑州大学 | 一种计及辅助服务补偿的大规模风电场储能容量优化方法 |
-
2019
- 2019-05-15 CN CN201910404131.9A patent/CN110034561B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100179704A1 (en) * | 2009-01-14 | 2010-07-15 | Integral Analytics, Inc. | Optimization of microgrid energy use and distribution |
CN107230088A (zh) * | 2017-06-02 | 2017-10-03 | 张华� | 一种锂电池追溯与租赁管理系统 |
CN108596464A (zh) * | 2018-04-17 | 2018-09-28 | 南京邮电大学 | 基于动态非合作博弈的电动汽车与云储能经济调度方法 |
CN109190882A (zh) * | 2018-07-25 | 2019-01-11 | 南京邮电大学 | 电力市场环境下基于云储能的微网经济优化交易方法 |
CN109245175A (zh) * | 2018-11-21 | 2019-01-18 | 郑州大学 | 一种计及辅助服务补偿的大规模风电场储能容量优化方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111864770A (zh) * | 2020-08-19 | 2020-10-30 | 国网河南省电力公司电力科学研究院 | 一种基于云储能的储能辅助调频调度方法 |
CN111864770B (zh) * | 2020-08-19 | 2022-11-15 | 国网河南省电力公司电力科学研究院 | 一种基于云储能的储能辅助调频调度方法 |
CN112016824A (zh) * | 2020-08-25 | 2020-12-01 | 国网四川省电力公司经济技术研究院 | 一种基于共享经济理念的储能资源匹配方法 |
CN112016824B (zh) * | 2020-08-25 | 2023-01-10 | 国网四川省电力公司经济技术研究院 | 一种基于共享经济理念的储能资源匹配方法 |
CN113592553A (zh) * | 2021-08-02 | 2021-11-02 | 广西大学 | 一种竞争条件生成式对抗网络的云储能双层优化控制方法 |
CN113592553B (zh) * | 2021-08-02 | 2023-10-17 | 广西大学 | 一种竞争条件生成式对抗网络的云储能双层优化控制方法 |
CN114564815A (zh) * | 2022-01-14 | 2022-05-31 | 重庆邮电大学 | 基于布雷斯悖论效应的电力系统可靠性与经济性建模方法 |
CN114564815B (zh) * | 2022-01-14 | 2024-03-15 | 重庆邮电大学 | 基于布雷斯悖论效应的电力系统可靠性与经济性建模方法 |
CN117314598A (zh) * | 2023-11-30 | 2023-12-29 | 深圳海辰储能科技有限公司 | 一种储能设备租赁容量调整方法、装置和存储介质 |
CN117314598B (zh) * | 2023-11-30 | 2024-03-12 | 深圳海辰储能科技有限公司 | 一种储能设备租赁容量调整方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110034561B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A coordinated dispatch method with pumped-storage and battery-storage for compensating the variation of wind power | |
CN110034561A (zh) | 一种基于云储能租赁服务的风电场储能容量优化方法 | |
Zakeri et al. | Policy options for enhancing economic profitability of residential solar photovoltaic with battery energy storage | |
CN105846423B (zh) | 一种计及需求响应的光伏微电网储能多目标容量配置方法 | |
Yang et al. | Optimal sizing and placement of energy storage system in power grids: A state-of-the-art one-stop handbook | |
CN108667052B (zh) | 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统 | |
CN112016747B (zh) | 一种适用于源荷储灵活资源统筹规划与运行的优化方法 | |
Luburić et al. | FACTS devices and energy storage in unit commitment | |
CN109948849B (zh) | 一种计及储能接入的配电网网架规划方法 | |
CN109995063B (zh) | 一种用户侧储能控制策略 | |
CN109245175A (zh) | 一种计及辅助服务补偿的大规模风电场储能容量优化方法 | |
Schwaegerl et al. | Quantification of technical, economic, environmental and social benefits of microgrid operation | |
CN110137955A (zh) | 一种计及CVaR的鲁棒机组组合调度的决策方法 | |
Li et al. | Optimal configuration of photovoltaic energy storage capacity for large power users | |
CN114037191A (zh) | 基于大数据的虚拟电厂优化调度方法、装置、设备及介质 | |
Cai et al. | Application of battery storage for compensation of forecast errors of wind power generation in 2050 | |
Rahmati et al. | Pumped-storage units to address spinning reserve concerns in the grids with high wind penetration | |
WO2023167631A1 (en) | An electrical power system and a multi-timescale coordinated optimization scheduling method therefor | |
CN109829624B (zh) | 一种风电合作博弈爬坡控制方法和装置 | |
Du et al. | Optimal whole-life-cycle planning for battery energy storage system with normalized quantification of multi-services profitability | |
Couture et al. | Residential prosumers: drivers and policy options (re-prosumers) | |
CN117713068A (zh) | 考虑应用场景变化的用户侧储能日前优化调度方法与系统 | |
Schill et al. | Decentralized solar prosumage with battery storage: System orientation required | |
Zalzar et al. | An incentive-based settlement mechanism for participation of flexible demands in day-ahead markets | |
Yang et al. | Inverse proportion technique based scheduling strategy for energy storage system considering load demand differences |
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 |