CN110289631B - 一种风电场储能装置容量的计算方法及系统 - Google Patents

一种风电场储能装置容量的计算方法及系统 Download PDF

Info

Publication number
CN110289631B
CN110289631B CN201910295786.7A CN201910295786A CN110289631B CN 110289631 B CN110289631 B CN 110289631B CN 201910295786 A CN201910295786 A CN 201910295786A CN 110289631 B CN110289631 B CN 110289631B
Authority
CN
China
Prior art keywords
energy storage
storage device
wind power
distribution function
reference distribution
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
Application number
CN201910295786.7A
Other languages
English (en)
Other versions
CN110289631A (zh
Inventor
陈来军
梅生伟
范越
李春来
魏韡
曹阳
杨立滨
李延和
李正曦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Qinghai Electric Power Co Clean Energy Development Research Institute
Tsinghua University
State Grid Qinghai Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Qianghai Electric Power Co Ltd
Original Assignee
State Grid Qinghai Electric Power Co Clean Energy Development Research Institute
Tsinghua University
State Grid Qinghai Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Qianghai Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Qinghai Electric Power Co Clean Energy Development Research Institute, Tsinghua University, State Grid Qinghai Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Qianghai Electric Power Co Ltd filed Critical State Grid Qinghai Electric Power Co Clean Energy Development Research Institute
Priority to CN201910295786.7A priority Critical patent/CN110289631B/zh
Publication of CN110289631A publication Critical patent/CN110289631A/zh
Application granted granted Critical
Publication of CN110289631B publication Critical patent/CN110289631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • 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—
    • 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]
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种风电场储能装置容量的计算方法及系统，该方法包括：根据所述风电场的风电出力历史数据，获取风电出力的基准参考分布函数和所有近似参考分布函数；获取每一近似参考分布函数与所述基准参考分布函数的KL距离，将所有KL距离不超过预设KL距离的近似分布函数组成不确定集合；基于所述不确定集合，建立风电场的分布鲁棒储能装置规划模型；根据所述风电场的分布鲁棒储能装置规划模型，获取所述储能装置的容量。本发明实施例建立分布鲁棒储能装置规划模型，分布鲁棒优化不需要精确的概率分布函数，因而结果在统计意义下鲁棒性更强，不会投入大量资源应对发生概率极低的极端场景，从而结果的保守性较小。

Description

一种风电场储能装置容量的计算方法及系统
技术领域
本发明涉及能源利用技术领域，尤其涉及一种风电场储能装置容量的计算方法及系统。
背景技术
过去几十年中，以风、光为代表的清洁可再生能源得到了快速的发展。截至2017年底，我国风电和光伏装机容量分别达到1.64亿千瓦和1.3亿千瓦，均已位居世界第一。然而，输电通道建设工期长、常规机组调峰(调频)能力不足、风光发电波动性对电网运行构成潜在风险等多方面原因导致了新能源消纳问题。
我国2017年弃风电量高达419亿千瓦时，弃风率达到12％，造成资源严重浪费。鉴于我国资源分布特点，新能源富集区远离负荷中心，无法借鉴欧美分布式消纳的经验；而建设远距离输电线路成本高、利用率低，而且容易造成稳定性问题。
随着储能技术的发展，储能装置单位容量成本逐年下降，风电场内配置储能装置不但可以使风电场站的输出趋于平滑可控，经济性上也优于远距离输电，逐渐成为近年来的研究热点。
在当前考虑风电的储能规划研究中，大多数研究采用了随机规划或鲁棒优化的方法处理风电的不确定性，以建立相应的规划模型。随机规划方法需要事先假定不确定因素(诸如风电出力)服从某一概率分布，但实际中往往由于缺乏足够的历史数据，经验分布并不准确。
此外，即使根据历史数据估计出了某一参考分布，当实际情况中真实分布相对参考分布出现偏离时，随机规划结果的最优性往往会大打折扣。鲁棒优化则忽略了不确定因素的历史数据中的分布统计信息，仅仅考虑最坏情况下的优化结果，而实际中最坏场景发生的概率往往很低，从而导致鲁棒优化的结果趋于保守。
发明内容
针对上述问题，本发明实施例提供一种风电场储能装置的容量计算方法及系统。
第一方面，本发明实施例提供一种风电场储能装置的容量计算方法，包括：
根据所述风电场的风电出力历史数据，获取风电出力的基准参考分布函数和所有近似参考分布函数，所述基准参考分布函数为所有近似参考分布函数中的一个，每一近似参考分布函数均表示所述风电出力历史数据的分布情况；
获取每一近似参考分布函数与所述基准参考分布函数的KL距离，将所有KL距离不超过预设KL距离的近似分布函数组成不确定集合；
基于所述不确定集合，建立风电场的分布鲁棒储能装置规划模型，所述分布鲁棒储能装置规划模型的目标函数为最小化投资成本，所述分布鲁棒储能装置规划模型的约束条件包括所述风电场的电网潮流方程、储能装置的充放电约束、潮流变量的上下界约束、所述风电场的鲁棒机会约束；
根据所述风电场的分布鲁棒储能装置规划模型，获取所述储能装置的容量。
第二方面，本发明实施例提供一种风电场储能装置的容量计算系统，包括：
历史模块，用于根据所述风电场的风电出力历史数据，获取风电出力的基准参考分布函数和所有近似参考分布函数，所述基准参考分布函数为所有近似参考分布函数中的一个，每一近似参考分布函数均表示所述风电出力历史数据的分布情况；
距离模块，用于获取每一近似参考分布函数与所述基准参考分布函数的KL距离，将所有KL距离不超过预设KL距离的近似分布函数组成不确定集合；
分布模块，用于基于所述不确定集合，建立风电场的分布鲁棒储能装置规划模型，所述分布鲁棒储能装置规划模型的目标函数为最小化投资成本，所述分布鲁棒储能装置规划模型的约束条件包括所述风电场的电网潮流方程、储能装置的充放电约束、潮流变量的上下界约束、所述风电场的鲁棒机会约束；
容量模块，用于根据所述风电场的分布鲁棒储能装置规划模型，获取所述储能装置的容量。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面提供的一种风电场储能装置的容量计算方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现第一方面提供的一种风电场储能装置的容量计算方法的步骤。
本发明实施例提供的一种风电场储能装置容量的计算方法及系统，首先根据风电出力的历史数据构造出风电出力的基准经验分布函数和所有近似经验分布函数，并以KL散度作为分布函数距离测度建立了风电出力的概率分布函数集合，建立分布鲁棒储能装置规划模型，分布鲁棒优化不需要精确的概率分布函数，因而结果在统计意义下鲁棒性更强，与鲁棒优化相比，分布鲁棒优化考虑了不确定性的分布特性，因此，不会投入大量资源应对发生概率极低的极端场景，从而结果的保守性较小。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种风电场储能装置的容量计算方法的流程图；
图2为本发明实施例提供的一种风电场储能装置的容量计算系统的结构示意图；
图3为本发明实施例提供的一种电子设备的实体结构示意图。
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、完整地描述，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作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。
针对现有技术中，鲁棒优化忽略了不确定因素的历史数据中的分布统计信息，仅仅考虑最坏情况下的优化结果，而实际中最坏场景发生的概率往往很低，从而导致鲁棒优化的结果趋于保守，不能准确的反应真实场景。
为了解决该问题，分布鲁棒优化方法称为近年来的研究热点，该方法考虑与经验分布距离接近的一族概率分布函数，与传统随机规划相比，鲁棒优化方法具有明显的优势。
图1为本发明实施例提供的一种风电场储能装置的容量计算方法的流程图，如图1所示，该方法包括：
S1，根据所述风电场的风电出力历史数据，获取风电出力的基准参考分布函数和所有近似参考分布函数，所述基准参考分布函数为所有近似参考分布函数中的一个，每一近似参考分布函数均表示所述风电出力历史数据的分布情况；
S2，获取每一近似参考分布函数与所述基准参考分布函数的KL距离，将所有KL距离不超过预设KL距离的近似分布函数组成不确定集合；
S3，基于所述不确定集合，建立风电场的分布鲁棒储能装置规划模型，所述分布鲁棒储能装置规划模型的目标函数为最小化投资成本，所述分布鲁棒储能装置规划模型的约束条件包括所述风电场的电网潮流方程、储能装置的充放电约束、潮流变量的上下界约束、所述风电场的鲁棒机会约束；
S4，根据所述风电场的分布鲁棒储能装置规划模型，获取所述储能装置的容量。
首先采集风电场的风电出力历史数据，这些历史数据必然服从某一分布，对这些风电出力历史数据进行拟合，找出这些风电历史数据所有可能满足的分布，称为近似参考分布函数，然后再根据历史经验，从这些近似参考分布函数中选取一个作为基准参考分布函数。
由于风电出力具有随机性和波动性，在系统规划这种长期优化决策问题中如果忽略不确定性的影响，可能会最终导致结果无法满足实际系统对弃风率的要求。
因此，本发明实施例中采用了基于KL距离的分布鲁棒优化方法处理风电场的不确定性，计算每个近似参考分布函数与基准参考分布函数之间的KL距离，KL距离越小，说明这两该分布函数越相似。
将每个近似参考分布函数对应的KL距离与预设KL距离进行比较，将所有KL距离不超过预设KL距离的近似分布函数组成不确定集合。
然后基于该不确定集合，以该分布鲁棒储能装置规划模型的最小化投资成本为目标函数，以风电场的电网潮流方程、储能装置的充放电约束、潮流变量的上下界约束和风电场的鲁棒机会约束为该分布鲁棒储能装置规划模型的约束条件。
需要说明的是，本发明实施例中自考虑储能装置的规划问题，网络架构、传统火电机组容量位置和风电场容量位置均为给定值。
最后根据建立的风电场的分布鲁棒储能装置规划模型，得到储能装置的容量。
本发明实施例提供的一种风电场储能装置容量的计算方法，首先根据风电出力的历史数据构造出风电出力的基准经验分布函数和所有近似经验分布函数，并以KL散度作为分布函数距离测度建立了风电出力的概率分布函数集合，建立分布鲁棒储能装置规划模型，分布鲁棒优化不需要精确的概率分布函数，因而结果在统计意义下鲁棒性更强，与鲁棒优化相比，分布鲁棒优化考虑了不确定性的分布特性，因此，不会投入大量资源应对发生概率极低的极端场景，从而结果的保守性较小。
在上述实施例的基础上，优选地，所述获取每一近似参考分布函数与所述基准参考分布函数的KL距离，具体包括：
若所有近似参考分布函数和所述基准参考分布函数均为连续型分布，对于任一近似参考分布函数，所述任一近似参考分布函数与所述基准参考分布函数之间的KL距离通过公式(1)计算得到：
Figure BDA0002026437910000061
其中，P表示所述任一近似参考分布函数，P0表示所述基准参考分布函数，DKL(P||P0)表示所述任一近似参考分布函数与所述基准参考分布函数之间的KL距离，Ω表示随机变量取值空间，f(ξ)表示所述任一近似参考分布函数，f0(ξ)表示所述基准参考分布函数，ξ表示随机变量；
若所有近似参考分布函数和所述基准参考分布函数均为离散型分布，对于任一近似参考分布函数，所述任一近似参考分布函数与所述基准参考分布函数之间的KL距离通过公式(2)计算得到：
Figure BDA0002026437910000062
其中，n表示所述任一近似参考分布函数为离散型分布函数时的概率点个数，πn表示所述任一近似参考分布函数为离散型分布函数时对应的概率，
Figure BDA0002026437910000063
表示所述基准参考分布函数为离散型分布函数时对应的概率。
对于KL距离的描述，本发明实施例中自考虑了与基准参考分布P0的KL距离不超过预设KL距离dKL的所有近似参考分布函数，从而构建如下的不确定集合W，不确定集合W中的元素为近似参考分布函数：
W＝{P|DKL(P||P0)≤dKL}，
当dKL＞0时，不确定集合W中含有无穷多个近似参考分布函数，随着dKL趋近于0，W变成单元素P0，后续描述的分布鲁棒规划模型也转变为一个传统的随机规划模型。
在上述实施例的基础上，优选地，所述预设KL距离通过公式(3)获得：
Figure BDA0002026437910000071
其中，dKL表示所述预设KL距离，
Figure BDA0002026437910000072
表示N-1自由度的卡方分布α*上分位数，M表示样本数量，α*表示置信水平。
具体地，在实际决策中，决策制定者需要根据风险偏好觉定预设KL距离dKL的大小，显然，风电出力历史数据越多，则估计出来的近似参考分布与历史数据的真实分布越接近，可以设定更小的dKL的值，dKL可以采用如下的选取方法：
Figure BDA0002026437910000073
其中，
Figure BDA0002026437910000074
代表N-1自由度的卡方分布α*上分位数，保证了真实分布以不小于α*的概率包含在集合W中。
在上述实施例的基础上，优选地，所述风电场的分布鲁棒储能装置规划模型通过公式(4)获得：
Figure BDA0002026437910000076
其中，IE表示所述储能装置的单位投资造价，
Figure BDA0002026437910000077
表示节点i储能装置的容量，Cons-PF表示所述风电场的电网潮流方程，Cons-EES表示所述储能装置的充放电约束，Cons-BD表示所述潮流变量上下界约束，
Figure BDA0002026437910000081
表示所述风电场的鲁棒机会约束，Pr表示概率函数，W表示所述不确定集合，Dcurt表示实际弃风率，Rcurt表示第一预设阈值，α表示第二预设阈值，ξ表示风电出力不确定因素。
具体地，由于储能装置主要对有功进行调控，故采用直流潮流对风电场进行建模，风电场的电网潮流方程如下：
Figure BDA0002026437910000082
Pij,t＝(θi,t-θj,t)/xij，
其中，Pi,t表示节点i的注入有功功率之和，Pij,t表示线路(i,j)的有功潮流，θi,t表示节点i的电压相角，xij表示线路(i,j)的电抗值，j表示节点编号，Si表示所有与节点i相连的节点，θj,t表示节点j的电压相角值。
具体地，储能装置在风电场中发挥削峰填谷的作用，当风电出力过剩的时候，储能装置充电，当系统风电出力不足的时候，储能装置放电。
储能装置的充放电约束方程如下：
Figure BDA0002026437910000083
其中，
Figure BDA0002026437910000084
表示储能装置在时刻t的储能量，
Figure BDA0002026437910000085
表示储能装置的损失率，
Figure BDA0002026437910000086
表示储能装置的充电功率，
Figure BDA0002026437910000087
表示储能装置的放电功率，
Figure BDA0002026437910000088
表示充电效率，
Figure BDA0002026437910000089
表示放电效率，
Figure BDA00020264379100000810
表示储能装置的最小充电效率，
Figure BDA00020264379100000811
表示储能装置的最大充电功率，
Figure BDA00020264379100000812
表示储能装置的最小放电功率，
Figure BDA00020264379100000813
表示储能装置的最大放电功率，
Figure BDA00020264379100000814
表示储能装置的最小储能量，
Figure BDA00020264379100000815
表示储能装置的最大储能量。
具体地，实际弃风率Dcurt的定义如下：从春、夏、秋、冬四个季节中各取一个典型日，调度时间间隔为1小时，则以此96个点代表全年的风电出力情况，则Dcurt可以表述为：
Figure BDA0002026437910000091
其中，
Figure BDA0002026437910000092
表示t时刻风电场i的最大可发电量；
Figure BDA0002026437910000093
表示t时刻风电场i的实际发电量。
本发明实施例提出的风电场储能设施容量规划方法，其优点是：在当前考虑风电的储能规划研究中，大多数研究采用了随机规划或鲁棒优化的方法处理风电的不确定性，以建立相应的规划模型。
随机规划方法需要事先假定不确定因素(诸如风电出力)服从某一概率分布，但实际中往往由于缺乏足够的历史数据，经验分布并不准确。
此外，即使根据风电出力历史数据估计出了某一参考分布，当实际情况中真实分布相对参考分布出现偏离时，随机规划结果的最优性往往会大打折扣。
鲁棒优化则忽略了不确定因素的历史数据中的分布统计信息，仅仅考虑最坏情况下的优化结果，而实际中最坏场景发生的概率往往很低，从而导致鲁棒优化的结果趋于保守。
与随机规划相比，分布鲁棒优化不需要精确的概率分布函数，因而结果在统计意义下鲁棒性更强，与鲁棒优化相比，分布鲁棒优化考虑了不确定性的分布特性，因此，不会投入大量资源对发生概率极低的极端场景，从而，分布鲁棒优化结果的保守型比较小。通过分布鲁棒优化可以降低配电网的年弃风率。
在不考虑风电不确定性的情况下，传统的风电场储能规划模型是一个线性规划模型，可以高效求解。
在对分布鲁棒储能装置规划模型(4)进行求解的过程中，最主要的难点在于鲁棒机会约束的处理，因为鲁棒机会约束在一个含有无穷个近似参考分布函数的不确定集合中进行概率估计，然而，当采用KL距离描述不确定集合时，将所述风电场的鲁棒机会约束简化为传统机会约束，所述传统机会约束如公式(5)和公式(6)所示：
Pr0{(Dcurt-Rcurt)≤0}≥1-α+， (5)
Figure BDA0002026437910000101
其中，
Figure BDA0002026437910000102
表示所述基准参考分布函数P0的概率，
Figure BDA0002026437910000103
表示Z的凸函数。
Figure BDA0002026437910000104
为单变量表达式，其最小值可以很容易通过传统的黄金分割搜索计算出来，同样，α+＜α因为若鲁棒机会约束被满足，则在参考分布下的弃风率达标的概率估计一定大于1-α。
但是，传统的机会约束(5)仍然是一个非凸约束，难以求解，本发明实施例中寻找一个保守的凸近似的方法进行求解。
对公式(5)的等价表达式如下：
Figure BDA0002026437910000105
其中，
Figure BDA0002026437910000106
表示基准参考分布函数的期望函数，I+(x)定义如下：
Figure BDA0002026437910000107
接着，本发明实施例中引入一个凸函数ψ(x)以对I+(x)进行凸近似，则下述表达式成立：
Figure BDA0002026437910000108
其中，ψ(x)的定义如下：
ψ(x)＝max{0,x/β+1}，
其中，β＞0是一个常数。此外，β也作为待优化参数出现在最后的优化模型中，以提供更好的凸近似结果。
最后，采用抽样平均的方法，取K个典型样本ξ1,ξ2,...,ξK，对应概率分别是π1,π2,...,πK，则
Figure BDA0002026437910000111
变为如下的线性形式：
Figure BDA0002026437910000112
其中，φk是辅助变量。
因此，所述根据所述风电场的分布鲁棒储能装置规划模型，获取所述储能装置的容量，进一步包括：
对所述风电场的分布鲁棒储能装置规划模型转进行化简，并根据化简后的分布鲁棒储能装置规划模型进行求解，获取所述储能装置的容量，所述化简后的分布鲁棒储能装置规划模型如公式(7)所示：
Figure BDA0002026437910000114
其中，Dcurt(ξk)表示弃风率，β表示第一辅助变量，φk表示第二辅助变量，
Figure BDA0002026437910000115
表示对任意的样本k都成立，k表示样本编号，πk表示离散概率值。
通过公式(7)可以将分布鲁棒规划模型转换为线性形式，公式(7)中的目标函数和约束条件均为线性，利用成熟的商业软件即可高效求解。
本发明实施例首先根据风电出力的历史数据构造风电出力的经验分布，以KL距离作为分布函数距离测度，建立了风电出力的概率分布函数集合。随后，建立了以储能投资成本最小为目标，以年弃风率为约束的鲁棒机会约束规划模型。最后，通过简化鲁棒机会约束中的风险阈值将鲁棒机会约束转化为传统机会约束，并借助凸近似和抽样平均构建线性规划进行高效求解，具有计算高效简单、易于投入工程实践等诸多优点。
图2为本发明实施例提供的一种风电场储能装置的容量计算系统的结构示意图，如图2所示，该系统包括历史模块201、距离模块202、分布模块203和容量模块204，其中：
历史模块201用于根据所述风电场的风电出力历史数据，获取风电出力的基准参考分布函数和所有近似参考分布函数，所述基准参考分布函数为所有近似参考分布函数中的一个，每一近似参考分布函数均表示所述风电出力历史数据的分布情况；
距离模块202用于获取每一近似参考分布函数与所述基准参考分布函数的KL距离，将所有KL距离不超过预设KL距离的近似分布函数组成不确定集合；
分布模块203用于基于所述不确定集合，建立风电场的分布鲁棒储能装置规划模型，所述分布鲁棒储能装置规划模型的目标函数为最小化投资成本，所述分布鲁棒储能装置规划模型的约束条件包括所述风电场的电网潮流方程、储能装置的充放电约束、潮流变量的上下界约束、所述风电场的鲁棒机会约束；
容量模块204用于根据所述风电场的分布鲁棒储能装置规划模型，获取所述储能装置的容量。
具体地，历史模块201首先采集风电场的风电出力历史数据，这些历史数据必然服从某一分布，对这些风电出力历史数据进行拟合，找出这些风电历史数据所有可能满足的分布，称为近似参考分布函数，然后再根据历史经验，从这些近似参考分布函数中选取一个作为基准参考分布函数。
本发明实施例中采用了基于KL距离的分布鲁棒优化方法处理风电场的不确定性，距离模块202计算每个近似参考分布函数与基准参考分布函数之间的KL距离，并将每个近似参考分布函数对应的KL距离与预设KL距离进行比较，将所有KL距离不超过预设KL距离的近似分布函数组成不确定集合。
然后基于该不确定集合，分布模块203以该分布鲁棒储能装置规划模型的最小化投资成本为目标函数，以风电场的电网潮流方程、储能装置的充放电约束、潮流变量的上下界约束和风电场的鲁棒机会约束为该分布鲁棒储能装置规划模型的约束条件。
容量模块204根据建立的风电场的分布鲁棒储能装置规划模型，获取储能装置的容量。
本系统实施例的具体执行过程与上述方法实施了的具体执行过程相同，详情请参考上述方法实施例，本系统实施例在此不再赘述。
图3为本发明实施例提供的一种电子设备的实体结构示意图，如图3所示，该服务器可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和总线340，其中，处理器310，通信接口320，存储器330通过总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：
根据所述风电场的风电出力历史数据，获取风电出力的基准参考分布函数和所有近似参考分布函数，所述基准参考分布函数为所有近似参考分布函数中的一个，每一近似参考分布函数均表示所述风电出力历史数据的分布情况；
获取每一近似参考分布函数与所述基准参考分布函数的KL距离，将所有KL距离不超过预设KL距离的近似分布函数组成不确定集合；
基于所述不确定集合，建立风电场的分布鲁棒储能装置规划模型，所述分布鲁棒储能装置规划模型的目标函数为最小化投资成本，所述分布鲁棒储能装置规划模型的约束条件包括所述风电场的电网潮流方程、储能装置的充放电约束、潮流变量的上下界约束、所述风电场的鲁棒机会约束；
根据所述风电场的分布鲁棒储能装置规划模型，获取所述储能装置的容量。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本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：根据所述风电场的风电出力历史数据，获取风电出力的基准参考分布函数和所有近似参考分布函数，所述基准参考分布函数为所有近似参考分布函数中的一个，每一近似参考分布函数均表示所述风电出力历史数据的分布情况；
获取每一近似参考分布函数与所述基准参考分布函数的KL距离，将所有KL距离不超过预设KL距离的近似分布函数组成不确定集合；
基于所述不确定集合，建立风电场的分布鲁棒储能装置规划模型，所述分布鲁棒储能装置规划模型的目标函数为最小化投资成本，所述分布鲁棒储能装置规划模型的约束条件包括所述风电场的电网潮流方程、储能装置的充放电约束、潮流变量的上下界约束、所述风电场的鲁棒机会约束；
根据所述风电场的分布鲁棒储能装置规划模型，获取所述储能装置的容量。
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。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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 (9)

1.一种风电场储能装置的容量计算方法，其特征在于，包括：
根据所述风电场的风电出力历史数据，获取风电出力的基准参考分布函数和所有近似参考分布函数，所述基准参考分布函数为所有近似参考分布函数中的一个，每一近似参考分布函数均表示所述风电出力历史数据的分布情况；
获取每一近似参考分布函数与所述基准参考分布函数的KL距离，将所有KL距离不超过预设KL距离的近似分布函数组成不确定集合；
基于所述不确定集合，建立风电场的分布鲁棒储能装置规划模型，所述分布鲁棒储能装置规划模型的目标函数为最小化投资成本，所述分布鲁棒储能装置规划模型的约束条件包括所述风电场的电网潮流方程、储能装置的充放电约束、潮流变量的上下界约束、所述风电场的鲁棒机会约束；
根据所述风电场的分布鲁棒储能装置规划模型，获取所述储能装置的容量。
2.根据权利要求1所述风电场储能装置的容量计算方法，其特征在于，所述获取每一近似参考分布函数与所述基准参考分布函数的KL距离，具体包括：
若所有近似参考分布函数和所述基准参考分布函数均为连续型分布，对于任一近似参考分布函数，所述任一近似参考分布函数与所述基准参考分布函数之间的KL距离通过公式(1)计算得到：
Figure FDA0002026437900000011
其中，P表示所述任一近似参考分布函数，P0表示所述基准参考分布函数，DKL(P||P0)表示所述任一近似参考分布函数与所述基准参考分布函数之间的KL距离，Ω表示随机变量取值空间，f(ξ)表示所述任一近似参考分布函数，f0(ξ)表示所述基准参考分布函数，ξ表示随机变量；
若所有近似参考分布函数和所述基准参考分布函数均为离散型分布，对于任一近似参考分布函数，所述任一近似参考分布函数与所述基准参考分布函数之间的KL距离通过公式(2)计算得到：
Figure FDA0002026437900000021
其中，n表示所述任一近似参考分布函数为离散型分布函数时的概率点个数，πn表示所述任一近似参考分布函数为离散型分布函数时对应的概率，
Figure FDA0002026437900000027
表示所述基准参考分布函数为离散型分布函数时对应的概率。
3.根据权利要求1所述风电场储能装置的容量计算方法，其特征在于，所述预设KL距离通过公式(3)获得：
Figure FDA0002026437900000022
其中，dKL表示所述预设KL距离，
Figure FDA0002026437900000023
表示N-1自由度的卡方分布α*上分位数，M表示样本数量，α*表示置信水平。
4.根据权利要求1所述风电场储能装置的容量计算方法，其特征在于，所述风电场的分布鲁棒储能装置规划模型通过公式(4)获得：
Figure FDA0002026437900000024
其中，IE表示所述储能装置的单位投资造价，
Figure FDA0002026437900000025
表示节点i储能装置的容量，Cons-PF表示所述风电场的电网潮流方程，Cons-EES表示所述储能装置的充放电约束，Cons-BD表示所述潮流变量上下界约束，
Figure FDA0002026437900000026
表示所述风电场的鲁棒机会约束，Pr表示概率函数，W表示所述不确定集合，Dcurt表示实际弃风率，Rcurt表示第一预设阈值，α表示第二预设阈值，ξ表示风电出力不确定因素。
5.根据权利要求4所述风电场储能装置的容量计算方法，其特征在于，所述根据所述风电场的分布鲁棒储能装置规划模型，获取所述储能装置的容量，具体包括；
将所述风电场的鲁棒机会约束简化为传统机会约束，所述传统机会约束如公式(5)和公式(6)所示：
Pr0{(Dcurt-Rcurt)≤0}≥1-α+， (5)
Figure FDA0002026437900000031
其中，Pr0表示所述基准参考分布函数P0的概率，
Figure FDA0002026437900000032
表示Z的凸函数。
6.根据权利要求5所述风电场储能装置的容量计算方法，其特征在于，所述根据所述风电场的分布鲁棒储能装置规划模型，获取所述储能装置的容量，进一步包括：
对所述风电场的分布鲁棒储能装置规划模型转进行化简，并根据化简后的分布鲁棒储能装置规划模型进行求解，获取所述储能装置的容量，所述化简后的分布鲁棒储能装置规划模型如公式(7)所示：
Figure FDA0002026437900000033
其中，Dcurt(ξk)表示弃风率，β表示第一辅助变量，φk表示第二辅助变量，
Figure FDA0002026437900000034
表示对任意的样本k都成立，k表示样本编号，πk表示离散概率值。
7.一种风电场储能装置的容量计算系统，其特征在于，包括：
历史模块，用于根据所述风电场的风电出力历史数据，获取风电出力的基准参考分布函数和所有近似参考分布函数，所述基准参考分布函数为所有近似参考分布函数中的一个，每一近似参考分布函数均表示所述风电出力历史数据的分布情况；
距离模块，用于获取每一近似参考分布函数与所述基准参考分布函数的KL距离，将所有KL距离不超过预设KL距离的近似分布函数组成不确定集合；
分布模块，用于基于所述不确定集合，建立风电场的分布鲁棒储能装置规划模型，所述分布鲁棒储能装置规划模型的目标函数为最小化投资成本，所述分布鲁棒储能装置规划模型的约束条件包括所述风电场的电网潮流方程、储能装置的充放电约束、潮流变量的上下界约束、所述风电场的鲁棒机会约束；
容量模块，用于根据所述风电场的分布鲁棒储能装置规划模型，获取所述储能装置的容量。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述风电场储能装置的容量计算方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述风电场储能装置的容量计算方法的步骤。
CN201910295786.7A 2019-04-12 2019-04-12 一种风电场储能装置容量的计算方法及系统 Active CN110289631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910295786.7A CN110289631B (zh) 2019-04-12 2019-04-12 一种风电场储能装置容量的计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910295786.7A CN110289631B (zh) 2019-04-12 2019-04-12 一种风电场储能装置容量的计算方法及系统

Publications (2)

Publication Number Publication Date
CN110289631A CN110289631A (zh) 2019-09-27
CN110289631B true CN110289631B (zh) 2021-01-15

Family

ID=68001404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910295786.7A Active CN110289631B (zh) 2019-04-12 2019-04-12 一种风电场储能装置容量的计算方法及系统

Country Status (1)

Country Link
CN (1) CN110289631B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125637B (zh) * 2019-12-06 2023-07-14 图灵人工智能研究院（南京）有限公司 储能装置的容量数据处理方法、系统及存储介质
CN111931331B (zh) * 2020-06-23 2021-06-22 河海大学 一种适用于配电网机组组合的分布鲁棒优化方法
US20230372736A1 (en) * 2020-10-12 2023-11-23 Elekta (Shanghai) Technology Co., Ltd. Evaluation and presentation of robustness of a treatment plan
CN112446145B (zh) * 2020-11-20 2022-11-08 国网山西省电力公司经济技术研究院 一种基于kl散度的储能电站分布鲁棒规划方法
CN112561732B (zh) * 2020-12-14 2022-12-06 南方电网科学研究院有限责任公司 一种电力系统有功调度优化的方法、装置和可读存储介质
CN116796926B (zh) * 2023-06-30 2024-03-15 国家电网有限公司华东分部 低压侧新能源资源聚合容量评估方法及装置、介质、设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8996187B2 (en) * 2011-07-18 2015-03-31 Nec Laboratories America, Inc. Optimal storage sizing for integrating wind and load forecast uncertainties
CN103259279B (zh) * 2013-06-09 2014-11-05 国家电网公司 基于风电功率min级分量波动的风电场储能容量优化方法
CN106786735B (zh) * 2016-12-16 2019-07-23 国网浙江省电力有限公司经济技术研究院 一种基于随机鲁棒优化的风场系统储能配置方法

Also Published As

Publication number Publication date
CN110289631A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110289631B (zh) 一种风电场储能装置容量的计算方法及系统
CN107039977B (zh) 电力系统鲁棒调度不确定集构建方法
CN107204615B (zh) 一种实现功率预测的方法及系统
CN108281989B (zh) 一种风电电力系统经济调度方法及装置
Tahir et al. Optimal ESS size calculation for ramp rate control of grid-connected microgrid based on the selection of accurate representative days
CN116306006A (zh) 风光水联合发电的优化调度方法、装置和计算机设备
CN113363976B (zh) 一种基于场景图的风光水互补发电系统中期优化调度方法
CN109299853B (zh) 一种基于联合概率分布的水库调度函数提取方法
CN113435659B (zh) 基于场景分析的综合能源系统两阶段优化运行方法及系统
CN111047163A (zh) 储能策略数据处理系统、方法、装置及介质
CN117332897A (zh) 人工智能驱动的新能源小时间尺度功率插值集成预测方法
Wen et al. Optimal operation framework of customer-premise battery storage for energy charge reduction and primary frequency regulation
CN115498694A (zh) 多微电网组群规划方法、装置及电子设备
CN115935212A (zh) 一种基于纵向趋势预测的可调节负荷聚类方法及系统
CN112668751B (zh) 一种机组优化调度模型的建立方法及装置
CN115329899A (zh) 一种聚类等效模型构建方法、系统、设备和存储介质
CN113506185A (zh) 梯级水电站的发电优化调度方法、装置和计算机设备
CN112821451A (zh) 一种基于需求侧管理与储能的智慧城镇配电网分布式光伏接入应对方法
Li et al. Multi-Model Fusion Harvested Energy Prediction Method for Energy Harvesting WSN Node
CN117039896B (zh) 基于风电不确定性的调度方法及装置、介质、电子设备
CN111951123B (zh) 控制用电负荷的方法、装置、计算机设备和存储介质
CN109119987B (zh) 基于电网灵活性的城市电网不平衡功率波动范围评估方法
CN110674986B (zh) 外购售电年度分解方案的调峰影响力评估方法及相关设备
CN110912117B (zh) 一种电力平衡计算方法及装置
Betge et al. Efficient Assessment of Electricity Distribution Network Adequacy with the Cross-Entropy Method

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