CN110350589A - 一种可再生能源和储能调度模型及调度方法 - Google Patents
一种可再生能源和储能调度模型及调度方法 Download PDFInfo
- Publication number
- CN110350589A CN110350589A CN201910703985.7A CN201910703985A CN110350589A CN 110350589 A CN110350589 A CN 110350589A CN 201910703985 A CN201910703985 A CN 201910703985A CN 110350589 A CN110350589 A CN 110350589A
- Authority
- CN
- China
- Prior art keywords
- scene
- energy storage
- model
- energy
- indicate
- 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 123
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 238000002948 stochastic simulation Methods 0.000 claims abstract description 7
- 238000009987 spinning Methods 0.000 claims description 21
- 230000005611 electricity Effects 0.000 claims description 16
- 230000009194 climbing Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 9
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 10
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 240000000094 Borassus aethiopum Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
- 210000000051 wattle Anatomy 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H02J3/382—
-
- 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]
-
- 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
本发明公开了一种可再生能源和储能调度模型及调度方法,包括,第一阶段模型即日前调度模型,构建两阶段随机日前机组组合模型来分析包含于场景集合场景集的日前调度方案;第二段模型即后期分析模型,通过随机模拟的方法来分析不包含于场景集合场景集的风场景的日前调度方案,本发明构建了计及可再生能源和储能的电力系统调度两阶段模型,并针对两阶段模型提出了两阶段模型下的电池储能调度方法,从而充分解决了可再生能源场景下的机组配置问题和配电能源调度问题,同时结合两阶段模型下的不同电池储能调度分析以得到配置利用率和经济性最优的计划,其局限性低,运用前景较广。
Description
技术领域
本发明实施例涉及能源调度技术领域,尤其涉及一种可再生能源和储能调度模型及调度方法。
背景技术
一次能源可以进一步分为再生能源和非再生能源两大类型。再生能源包括太阳能、水能、风能、生物质能、波浪能、潮汐能、海洋温差能、地热能等。它们在自然界可以循环再生。是取之不尽,用之不竭的能源,不需要人力参与便会自动再生,是相对于会穷尽的非再生能源的一种能源。
《含高光伏渗透的配电网分散式优化调度方法研究》中,研究了可再生能源电源和电力网络作为不同利益主体的分散式优化调度方法,并提出应对可再生能源出力和负荷需求预测精度较低的解决措施,对提升配电网的可再生能源消纳能力、实现配电网的安全经济运行均具有重要的理论意义和工程价值。但由于中低压配电网线路高阻抗比的特性,同时随着可再生能源渗透率的提高,传统的基于有功—无功解耦特性的优化算法己不再适用,使得配电网的优化调度问题难以像高压输电网一样直接采用直流潮流模型进行求解,因此配电网的优化调度通常以同时考虑有功和无功功率优化的最优潮流形式进行。《大规模光伏电站接入电网可调节鲁棒优化调度》中,采用盒式不确定集描述光伏出力的不确定性,构建了含大规模光伏接入的电力系统鲁棒优化调度模型,同时提出不确定预算决策方案以提高优化策略的经济性,模型采用微分进化算法进行求解。《Strategy Design ofHybrid Energy Storage System for Smoothing Wind Power Fluctuations》中,针对风电出力波动提出了一种双层储能系统控制方法,第一层运用一阶滤波控制方法计算出储能系统计划出力,第二层将得到的计划出力分配给每个电池单元以避免储能过充或过放,进而延长其使用寿命。
然而在现有研究中对于可再生能源接入场景和储能配置的考虑稍显简单,很少有分析不同可再生能源场景下不同储能配置对配电网调度的影响,仅考虑储能的单目标配置存在利用率和经济性不高的缺陷,其局限性较大,运用前景不高。
发明内容
为此,本发明实施例提供一种可再生能源和储能调度模型及调度方法,以解决现有技术中对于可再生能源接入场景和储能配置的考虑稍显简单,很少有分析不同可再生能源场景下不同储能配置对配电网调度的影响,仅考虑储能的单目标配置存在利用率和经济性不高的缺陷,其局限性较大,运用前景不广阔的问题。
为了实现上述目的,本发明的实施方式提供如下技术方案:
一种综合能源系统中可再生能源和储能调度模型,包括:
第一阶段模型即日前调度模型,构建两阶段随机日前机组组合模型来分析包含于场景集合场景集的日前调度方案;
第二段模型即后期分析模型,通过随机模拟的方法来分析不包含于场景集合场景集的风场景的日前调度方案。
进一步地,所述日前调度模型的具体构建通过如下步骤实现:
将可再生能源的储能调度范围划分为若干个时间块,根据可再生能源中风电出力的预测均值将每个时间块内的风况分为不同的场景区域;然后,针对每个时间块中处于同一场景集合中的场景加入非预期约束;
所述时间块可以作为目标函数接入日前UC模型进行求解,从而为随机机组组合提供更灵活的调度;
所述UC模型包括目标函数、约束条件和求解方法;
所述再生能源具体为风能源。
进一步地,所述后期分析模型通过随机模拟的方法来测试日前调度是否满足未包含在日前UC中的风场景,并通过建立小时级的调度模型来进行后期分析,从而选择出解决机组小时调度问题的最优解。
进一步地,所述第一阶段模型的目标函数表达为:
目标函数表示系统总成本、非自愿切负荷成本、以及无法满足备用成本之和的最小化,其中πs表示场景s的概率,Cg(x)表示机组g的可变成本函数,和分别表示机组g的空载成本与启动成本,Pgst表示机组g的功率输出,ugst为表示机组g UC状态的0-1变量,vgst为表示机组g启动状态的0-1变量,cvL表示非自愿切负荷成本,表示在节点n的非自愿切负荷量,cvR+、cvR-、cvSP、cvOR分别表示无法满足系统的调节备用上限、调节备用下限、旋转备用、运行备用的成本,分别表示与之对应的松弛变量;
所述第一阶段模型的约束条件包括:发电机组约束;储能单元约束以及系统备用约束。
进一步地,所述发电机组约束可通过如下公式确定:
上式表示每条总线的功率平衡,其中δ+(n)表示对于流入节点n的任何输电线路k,δ-(n)表示对于流出节点n的任何输电线路k,Pkst表示输电线路k上的实时潮流,分别表示储能单元b的功率输出与功率输入,dnt表示在时段t节点n的有功功率需求,表示风场w在时段t和场景s下的出力值,表示风场w的弃风量;
每条线路上的直流潮流平衡表示为:
其中Bk表示线路k的电纳,和分别表示流出和流入输电线路k中节点的节点相角;
线路实时潮流的约束表示为:
其中Pk max表示线路k的最大有源容量;
每台发电机组的输出功率的上限与下限约束分别表示为:
其中和分别表示发电机组g提供的调节备用的上限与下限,表示发电机组g提供的旋转备用,Pg max和Pg min分别表示发电机组g的最大和最小有功功率输出;
非预期约束表示为:
e代表场景集合,其中e=β(s,t)表示在时间段t中将风场景s分配给场景集合e,另外,该约束条件只针对慢速机组,其余场景中并不涉及该约束条件,ΩGs表示慢速机组的集合;
机组的最小爬坡上下限时间约束通过下列组合表示:
其中UTg和DTg分别表示发电机组g的最小启、停时间,wgst为表示机组g关停状态的0-1变量;
火电机组的调节备用、旋转备用和非旋转备用的爬坡率约束通过下列组合表示:
其中表示发电机组g提供的非旋转备用,分别代表发电机组g的5分钟功率上升速率最大值和功率下降速率最大值, 分别代表发电机组g的10分钟功率上升速率最大值和功率下降速率最大值,表示发电机组g的非旋转备用的最大爬坡速率;
机组的小时级爬坡速率约束表示为:
分别代表发电机组g一小时的功率上升速率最大值和功率下降速率最大值,分别代表发电机组g在启、停时刻的最大爬坡速率;
所述储能单元约束可通过如下公式确定:
式(17)-式(20)表示电池提供的调节备用和旋转备用的约束,式(18)和(20)表明了电池储能在和的小时内保持稳定出力才可以提供旋转备用,其中表示必须保持的旋转备用的最短持续时间,表示必须保持的调节备用的最短持续时间,和分别表示储能单元b放电循环和充电循环的效率值,Ebst表示储能单元b的充电状态,和分别表示储能单元b的最小容量和最大容量;
针对电池储能建模的约束条件如式(17)-式(24)所示,式(21)表示储能的功率平衡约束;
储能电池的充电和放电约束:
电池的储能容量上下限约束:
其中zbst为表示储能单元b的0-1变量;
所述系统备用约束可通过如下公式确定:
式(25)-式(29)表示系统范围的调节备用和旋转备用的相关约束,其中,表示时段t和场景s下的系统运行储备要求,表示对应运行储备的松弛变量。
进一步地,所述第二阶段模型的目标函数可通过如下公式表示:
所述第二阶段模型的约束条件可通过如下公式表示:
约束(2)-(6),约束(11)-(29),
t∈{t',...,t'+i} (32)
在式(30)-式(33)中,指标t'表示当前时间段,i代表提前期的小时数,所述慢速机组是指机组启停的爬坡时间的极值差大于一小时的机组,所述快速机组是指机组启停的爬坡时间的极值差不大于一小时的机组,为了更好的反应不同类型机组的情况,在模型中引入参数其为0-1变量,表示该机组在日前UC中的状态,慢速机组的启停计划根据日前UC得出,如式(31)所示,而快速机组的机组状态是可变的,假定提前期内风电出力预测具有持续性,如式(33)所示,模型中的其他约束条件同于日前UC中的约束条件。
另外,本发明还提供了一种可再生能源和储能调度模型的调度方法,包括:
固定调度计划法以及在固定调度计划法基础上应用随机机组组合方法推导出经济调度中电池储能的灵活调度方法,即为灵活调度区间法;
通过对所述调度方法进行分析从而得到最优解;
所述固定调度计划法的电池储能调度分析步骤如下:
首先,获取每个场景对应的电池储能的调度计划;
之后针对每个风场景,从日前调度计划中选择最合适的电池储能调度计划与之匹配;
所述电池储能调度计划的选择依据是后阶段的风场景和日前调度的风场景之间的相似程度,该相似程度的量化值由两者之间的欧几里德距离决定,对于后期分析中的每个风场景s,识别与之最接近的日前调度中的风场景然后在后期分析的场景s中使用对应于场景的电池储能调度计划,将该电池储能调度计划表示为 是一个列向量,向量中每个元素表示每个时段中的SOC目标值,对于每个后期分析的场景s,需要在求解两阶段模型中的第一阶段之前确定对应的电池储能调度,通过上述方法获得的储能电池调度计划可称为固定调度计划,并以此作为基准方法。
进一步地,所述灵活调度区间法的电池储能调度分析步骤如下:
首先,应用固定调度计划中所述程序,在每个后期场景的模拟开始之前获取每个后期场景s中电池储能的固定调度计划,将此固定调度计划表示为
其次,在解决每个时段的每小时调度问题之前,找到与后期场景s在同一个场景集合中的日前场景,并将相应的日前电池储能调度表示为 然后将灵活调度范围的上限和下限通过如下公式确定:
其中和是电池储能在时间段t内灵活调度范围的下限和上限,而灵活调度区间可以视作SOC的一对约束条件;和是一对松弛变量,可以在必要时通过惩罚成本来放宽灵活调度区间。
进一步地,所述惩罚成本可通过如下公式确定:
对于所提出的灵活调度区间方法,将式(37)中所示的惩罚成本添加到每小时调度问题的目标函数中,如式(30)所示,式(37)中的和的取值为所有在线慢速机组的最高边际成本。
进一步地,所述两阶段模型下的电池储能调度方法具体实施步骤如下:
S100、基于固定调度计划法和灵活调度区间法生成可再生能源场景集合,之后再通过基于概率的场景削减随机规划方法筛选日前UC中需要使用的风场景集合;
S200、基于第一阶段得到的可再生能源场景集求解随机UC问题,然后针对在后期分析中未包括在日前UC中的可再生能源场景,测试日前调度方案,在后期分析中,假设以上风场景出现概率相同;
S300、比较提出的灵活调度方法与基准方法,对于比较结果进行进一步分析,最终得到最优解。
本发明的实施方式具有如下优点:
本发明构建了计及可再生能源和储能的电力系统调度两阶段模型,并针对两阶段模型提出了两阶段模型下的电池储能调度方法,从而充分解决了可再生能源场景下的机组配置问题和配电能源调度问题,同时结合两阶段模型下的不同电池储能调度分析以得到配置利用率和经济性最优的计划,其局限性低,运用前景较广。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引伸获得其它的实施附图,
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内,
图1为本发明的调度方法流程框图;
图2为本发明的流程示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,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,
如图2所示,本发明提供了一种可再生能源和储能调度模型,包括,
第一阶段模型即日前调度模型,构建两阶段随机日前机组组合模型来分析包含于场景集合场景集的日前调度方案;
第二段模型即后期分析模型,通过随机模拟的方法来分析不包含于场景集合场景集的风场景的日前调度方案。
所述日前调度模型的具体构建通过如下步骤实现:
首先,将可再生能源的储能调度范围划分为几个时间块,根据可再生能源中风电出力的预测均值将每个时间块内的风况分为不同的场景区域;然后,针对每个时间块中处于同一场景集合中的场景加入非预期约束;
所述时间块可以作为目标函数接入日前UC模型进行求解,从而为随机机组组合提供更灵活的调度;
所述UC模型的建立是对传统的电力系统日前优化调度问题进行了数学描述,且所述UC模型包括目标函数、约束条件和求解方法;
所述再生能源具体为风能源。
该可再生能源的种类较多,此处优选风能,而光伏、光热、水电等可再生能源发电不在研究中考虑,但在模型中也可以添加相应变量与参数,以待未来更进一步的研究,在日常使用时风力发电预测受到多种不确定性因素的影响,如数据偏差、物理建模等等,而本发明在风场景中考虑了数值天气预报中的误差情况,并使用高斯过程回归生成场景集。
所述后期分析模型通过随机模拟的方法来测试日前调度是否满足未包含在日前UC中的风场景,并通过建立小时级的调度模型来进行后期分析,从而选择出解决机组小时调度问题的最优解。
所述第一阶段模型的目标函数可用公式(1)表达:
式(1)为目标函数,表示系统总成本、非自愿切负荷成本、以及无法满足备用成本之和的最小化,其中,πs表示场景s的概率,Cg(x)表示机组g的可变成本函数,和分别表示机组g的空载成本与启动成本,Pgst表示机组g的功率输出,ugst为表示机组g UC状态的0-1变量(0表示离网,1表示在网),vgst为表示机组g启动状态的0-1变量(0表示不启动,1表示启动),cvL表示非自愿切负荷成本,表示在节点n的非自愿切负荷量,cvR+、cvR-、cvSP、cvOR分别表示无法满足系统的调节备用上限、调节备用下限、旋转备用、运行备用的成本,分别表示与之对应的松弛变量;
所述第一阶段模型的约束条件包括:发电机组约束;储能单元约束以及系统备用约束。
所述发电机组约束可通过如下公式确定:
式(2)表示每条总线的功率平衡,其中δ+(n)表示对于流入节点n的任何输电线路k,δ-(n)表示对于流出节点n的任何输电线路k,Pkst表示输电线路k上的实时潮流,分别表示储能单元b的功率输出与功率输入,dnt表示在时段t节点n的有功功率需求,表示风场w在时段t和场景s下的出力值,表示风场w的弃风量;
式(3)表示每条线路上的直流潮流平衡,其中Bk表示线路k的电纳,和分别表示流出和流入输电线路k中节点的节点相角;
式(4)表示线路实时潮流的约束,其中Pk max表示线路k的最大有源容量;
式(5)和式(6)分别表示每台发电机组的输出功率的上限与下限约束,其中和分别表示发电机组g提供的调节备用的上限与下限,表示发电机组g提供的旋转备用,Pg max和Pg min分别表示发电机组g的最大和最小有功功率输出,该可表示每台发电机组在不同场景和时间段的信息;
式(7)表示非预期约束,e代表场景集合,其中e=β(s,t)表示在时间段t中将风场景s分配给场景集合e,另外,该约束条件只针对慢速机组,其余场景中并不涉及该约束条件;其中,ΩGs表示慢速机组的集合;
式(8)-式(10)表示机组的最小爬坡上下限时间约束,其中UTg和DTg分别表示发电机组g的最小启、停时间,wgst为表示机组g关停状态的0-1变量(0表示不关停,1表示关停),该可表示不同场景和时间段每台机组的信息(即区域值);
式(11)-式(14)表示火电机组的调节备用、旋转备用和非旋转备用的爬坡率约束,此处提及的调节备用指的是用于追踪自动发电控制(AGC)信号的备用,旋转备用和非旋转备用指的是用于应对电力系统中的突发情况的应急备用,其中表示发电机组g提供的非旋转备用,分别代表发电机组g的5分钟功率上升速率最大值和功率下降速率最大值,分别代表发电机组g的10分钟功率上升速率最大值和功率下降速率最大值,表示发电机组g的非旋转备用的最大爬坡速率;
式(15)和式(16)表示机组的小时级爬坡速率约束,分别代表发电机组g一小时的功率上升速率最大值和功率下降速率最大值, 分别代表发电机组g在启、停时刻的最大爬坡速率;
所述储能单元约束可通过如下公式确定:
式(17)-式(20)表示电池提供的调节备用和旋转备用的约束,式(18)和(20)表明了电池储能在和的小时内保持稳定出力才可以提供旋转备用,其中表示必须保持的旋转备用的最短持续时间(小时),表示必须保持的调节备用的最短持续时间(小时),和分别表示储能单元b放电循环和充电循环的效率值,Ebst表示储能单元b的充电状态,和分别表示储能单元b的最小容量和最大容量;
针对电池储能建模的约束条件如式(17)-式(24)所示;
式(21)表示储能的功率平衡约束;
式(22)和式(23)表示储能电池的充电和放电约束,其中zbst为表示储能单元b的0-1变量(0表示充电,1表示放电);
式(24)表示电池的储能容量上下限约束;
所述系统备用约束可通过如下公式确定:
式(25)-式(29)表示系统范围的调节备用和旋转备用的相关约束,其中,表示时段t和场景s下的系统运行储备要求,表示对应运行储备的松弛变量。
所述第二阶段模型的目标函数可通过如下公式表示:
所述第二阶段模型的约束条件可通过如下公式表示:
约束(2)-(6),约束(11)-(29),
t∈{t',...,t'+i} (32)
在式(30)-式(33)中,指标t'表示当前时间段,i代表提前期的小时数,所述慢速机组是指机组启停的爬坡时间的极值差大于一小时的机组,所述快速机组是指机组启停的爬坡时间的极值差不大于一小时的机组,为了更好的反应不同类型机组的情况,在模型中引入参数其为0-1变量(0表示离网,1表示在网),表示该机组在日前UC中的状态,慢速机组的启停计划根据日前UC得出,如式(31)所示,而快速机组的机组状态是可变的,假定提前期内风电出力预测具有持续性,如式(33)所示,模型中的其他约束条件同于日前UC中的约束条件。
一种可再生能源和储能调度模型的调度方法,包括对权利要求1至6所述两阶段模型提出的电池储能调度方法,所述调度方法包括:
固定调度计划法以及在固定调度计划法基础上应用随机机组组合方法推导出经济调度中电池储能的灵活调度方法,即为灵活调度区间法。
为了避免提前期对于储能调度的影响从而提出的来自于日前调度中针对储能的固定调度计划法(因在实时调度中提前期有限)以及为了增加对调度中的不确定性因素的考虑,并分析实时调度中电池储能的调度灵活性,在固定调度计划法基础上再应用随机机组组合方法推导出经济调度中电池储能的灵活调度方法,即灵活调度区间法,在实施过程中,先综合两种调度方法,之后再开展两阶段模型下的电池储能调度分析。
通过对所述调度方法进行分析从而得到最优解;
所述固定调度计划法的电池储能调度分析步骤如下:
首先,获取每个场景对应的电池储能的调度计划;
之后针对每个风场景,从日前调度计划中选择最合适的电池储能调度计划与之匹配;
所述电池储能调度计划的选择依据是后阶段的风场景和日前调度的风场景之间的相似程度,该相似程度的量化值由两者之间的欧几里德距离决定,对于后期分析中的每个风场景s,识别与之最接近的日前调度中的风场景然后在后期分析的场景s中使用对应于场景的电池储能调度计划,将该电池储能调度计划表示为 是一个列向量,向量中每个元素表示每个时段中的SOC目标值,对于每个后期分析的场景s,需要在求解两阶段模型中的第一阶段之前确定对应的电池储能调度,通过上述方法获得的储能电池调度计划可称为固定调度计划,并以此作为基准方法。
所述灵活调度区间法的电池储能调度分析步骤如下:
首先,应用固定调度计划中所述程序,在每个后期场景的模拟开始之前获取每个后期场景s中电池储能的固定调度计划,将此固定调度计划表示为
其次,在解决每个时段的每小时调度问题之前,找到与后期场景s在同一个场景集合中的日前场景,并将相应的日前电池储能调度表示为 然后将灵活调度范围的上限和下限通过如下公式确定:
其中和是电池储能在时间段t内灵活调度范围的下限和上限,而灵活调度区间可以视作SOC的一对约束条件;和是一对松弛变量,可以在必要时通过惩罚成本来放宽灵活调度区间。
即在实施时,为了增加对调度中的不确定性因素的考虑,并分析实时调度中电池储能的调度灵活性,在固定调度计划下的电池储能调度的基础上提出了一种灵活调度区间下的电池储能调度方法,该方法设计的初衷在于实现两个目标:第一,该方法能够向电池发出何时充电、放电和提供备用的指令,使其在当前时段和未来时段都具备充裕的容量;第二,该方法可以当可再生能源出力偏离其计划时通过电池的快速爬坡能力来进行调整,为实时调度的调整提供足够的空间,对固定调度计划下的电池储能调度所提出的固定调度计划方法进行了改进,所提出的方法称为灵活调度区间法,其基本思想是使用日前UC方案来根据实时调度中的电池储能的固定调度计划生成调取区间,进而确定每个时段中的电池的调度区间。
所述惩罚成本可通过如下公式确定:
对于所提出的灵活调度区间方法,将式(37)中所示的惩罚成本添加到每小时调度问题的目标函数中,如式(30)所示,式(37)中的和的取值为所有在线慢速机组的最高边际成本。
通常在所有慢速机组完全被调度时,如果可以避免额外的快速机组上线,那么约束(36)将会放宽,因此将惩罚成本取值为慢速机组的最高边际成本可以有效地避免该情况,此外,由于启动额外的快速机组不仅会产生燃料成本,还会产生空载成本和启动成本,因此预计上线额外的快速机组将比使用电池储能中的能量成本更高。
如图1所示,所述两阶段模型下的电池储能调度方法具体实施步骤如下:
S100、基于固定调度计划法和灵活调度区间法生成可再生能源场景集合,之后再通过基于概率的场景削减随机规划方法筛选日前UC中需要使用的风场景集合;
S200、基于第一阶段得到的可再生能源场景集求解随机UC问题,然后针对在后期分析中未包括在日前UC中的可再生能源场景,测试日前调度方案,在后期分析中,假设以上风场景出现概率相同;
S300、比较提出的灵活调度方法与基准方法,对于比较结果进行进一步分析,最终得到最优解。
在实施时,基于固定调度计划法和灵活调度区间法生成第一个场景s在第一个时间段t下的固定调度方案,之后,在确定第一个场景s属于哪个场景集合,待确定后,从相应的场景集合中获取慢速机组的日前UC调度方案,匹配和第一个场景s处于同一场景集合的日前场景集合,然后在使用公式(34)-(36)确定电池的灵活调度范围,之后求解小时调度问题,并与基准方法比较,若第一个时间段t与基准T相等则进行下一步,若不等,则确定时间段t+1下的固定调度方案并确定其属于哪个场景集合,之后依照上述操作继续进行即可,直到时间段t与基准T相等之后,便确定场景s与基准S是否相等,若相等则直接计算指标即可,若不等,则基于固定调度计划法和灵活调度区间法生成场景s+1的固定调度方案,之后依照上述操作继续进行直至场景s与基准S相等。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的,因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种综合能源系统中可再生能源和储能调度模型,其特征在于,包括:
第一阶段模型即日前调度模型,构建两阶段随机日前机组组合模型来分析包含于场景集合场景集的日前调度方案;
第二段模型即后期分析模型,通过随机模拟的方法来分析不包含于场景集合场景集的风场景的日前调度方案。
2.根据权利要求1所述的一种综合能源系统中可再生能源和储能调度模型,其特征在于,所述日前调度模型的具体构建通过如下步骤实现:
将可再生能源的储能调度范围划分为若干个时间块,根据可再生能源中风电出力的预测均值将每个时间块内的风况分为不同的场景区域;然后,针对每个时间块中处于同一场景集合中的场景加入非预期约束;
所述时间块可以作为目标函数接入日前UC模型进行求解,从而为随机机组组合提供更灵活的调度;
所述UC模型包括目标函数、约束条件和求解方法;
所述再生能源具体为风能源。
3.根据权利要求1所述的一种综合能源系统中可再生能源和储能调度模型,其特征在于,所述后期分析模型通过随机模拟的方法来测试日前调度是否满足未包含在日前UC中的风场景,并通过建立小时级的调度模型来进行后期分析,从而选择出解决机组小时调度问题的最优解。
4.根据权利要求1所述的一种综合能源系统中可再生能源和储能调度模型,其特征在于,所述第一阶段模型的目标函数表达为:
目标函数表示系统总成本、非自愿切负荷成本、以及无法满足备用成本之和的最小化,其中πs表示场景s的概率,Cg(x)表示机组g的可变成本函数,和分别表示机组g的空载成本与启动成本,Pgst表示机组g的功率输出,ugst为表示机组gUC状态的0-1变量,vgst为表示机组g启动状态的0-1变量,cvL表示非自愿切负荷成本,表示在节点n的非自愿切负荷量,cvR+、cvR-、cvSP、cvOR分别表示无法满足系统的调节备用上限、调节备用下限、旋转备用、运行备用的成本,分别表示与之对应的松弛变量;
所述第一阶段模型的约束条件包括:发电机组约束;储能单元约束以及系统备用约束。
5.根据权利要求3所述的一种综合能源系统中可再生能源和储能调度模型,其特征在于,所述发电机组约束可通过如下公式确定:
上式表示每条总线的功率平衡,其中δ+(n)表示对于流入节点n的任何输电线路k,δ-(n)表示对于流出节点n的任何输电线路k,Pkst表示输电线路k上的实时潮流,分别表示储能单元b的功率输出与功率输入,dnt表示在时段t节点n的有功功率需求,表示风场w在时段t和场景s下的出力值,表示风场w的弃风量;
每条线路上的直流潮流平衡表示为:
其中Bk表示线路k的电纳,和分别表示流出和流入输电线路k中节点的节点相角;
线路实时潮流的约束表示为:
其中Pk max表示线路k的最大有源容量;
每台发电机组的输出功率的上限与下限约束分别表示为:
其中和分别表示发电机组g提供的调节备用的上限与下限,表示发电机组g提供的旋转备用,Pg max和Pg min分别表示发电机组g的最大和最小有功功率输出;
非预期约束表示为:
e代表场景集合,其中e=β(s,t)表示在时间段t中将风场景s分配给场景集合e,另外,该约束条件只针对慢速机组,其余场景中并不涉及该约束条件,ΩGs表示慢速机组的集合;
机组的最小爬坡上下限时间约束通过下列组合表示:
其中UTg和DTg分别表示发电机组g的最小启、停时间,wgst为表示机组g关停状态的0-1变量;
火电机组的调节备用、旋转备用和非旋转备用的爬坡率约束通过下列组合表示:
其中表示发电机组g提供的非旋转备用,分别代表发电机组g的5分钟功率上升速率最大值和功率下降速率最大值, 分别代表发电机组g的10分钟功率上升速率最大值和功率下降速率最大值,表示发电机组g的非旋转备用的最大爬坡速率;
机组的小时级爬坡速率约束表示为:
分别代表发电机组g一小时的功率上升速率最大值和功率下降速率最大值,分别代表发电机组g在启、停时刻的最大爬坡速率;
所述储能单元约束可通过如下公式确定:
式(17)-式(20)表示电池提供的调节备用和旋转备用的约束,式(18)和(20)表明了电池储能在和的小时内保持稳定出力才可以提供旋转备用,其中表示必须保持的旋转备用的最短持续时间,表示必须保持的调节备用的最短持续时间,和分别表示储能单元b放电循环和充电循环的效率值,Ebst表示储能单元b的充电状态,和分别表示储能单元b的最小容量和最大容量;
针对电池储能建模的约束条件如式(17)-式(24)所示,式(21)表示储能的功率平衡约束;
储能电池的充电和放电约束:
电池的储能容量上下限约束:
其中zbst为表示储能单元b的0-1变量;
所述系统备用约束可通过如下公式确定:
式(25)-式(29)表示系统范围的调节备用和旋转备用的相关约束,其中,表示时段t和场景s下的系统运行储备要求,表示对应运行储备的松弛变量。
6.根据权利要求1所述的一种综合能源系统中可再生能源和储能调度模型,其特征在于,所述第二阶段模型的目标函数可通过如下公式表示:
所述第二阶段模型的约束条件可通过如下公式表示:
约束(2)-(6),约束(11)-(29),
t∈{t',...,t'+i} (32)
在式(30)-式(33)中,指标t'表示当前时间段,i代表提前期的小时数,所述慢速机组是指机组启停的爬坡时间的极值差大于一小时的机组,所述快速机组是指机组启停的爬坡时间的极值差不大于一小时的机组,为了更好的反应不同类型机组的情况,在模型中引入参数其为0-1变量,表示该机组在日前UC中的状态,慢速机组的启停计划根据日前UC得出,如式(31)所示,而快速机组的机组状态是可变的,假定提前期内风电出力预测具有持续性,如式(33)所示,模型中的其他约束条件同于日前UC中的约束条件。
7.一种可再生能源和储能调度模型的调度方法,其特征在于,包括对权利要求1至6所述两阶段模型提出的电池储能调度方法,所述调度方法包括:
固定调度计划法以及在固定调度计划法基础上应用随机机组组合方法推导出经济调度中电池储能的灵活调度方法,即为灵活调度区间法;
通过对所述调度方法进行分析从而得到最优解;
所述固定调度计划法的电池储能调度分析步骤如下:
首先,获取每个场景对应的电池储能的调度计划;
之后针对每个风场景,从日前调度计划中选择最合适的电池储能调度计划与之匹配;
所述电池储能调度计划的选择依据是后阶段的风场景和日前调度的风场景之间的相似程度,该相似程度的量化值由两者之间的欧几里德距离决定,对于后期分析中的每个风场景s,识别与之最接近的日前调度中的风场景然后在后期分析的场景s中使用对应于场景的电池储能调度计划,将该电池储能调度计划表示为是一个列向量,向量中每个元素表示每个时段中的SOC目标值,对于每个后期分析的场景s,需要在求解两阶段模型中的第一阶段之前确定对应的电池储能调度,通过上述方法获得的储能电池调度计划可称为固定调度计划,并以此作为基准方法。
8.根据权利要求7所述的一种可再生能源和储能调度模型的调度方法,其特征在于,所述灵活调度区间法的电池储能调度分析步骤如下:
首先,应用固定调度计划中所述程序,在每个后期场景的模拟开始之前获取每个后期场景s中电池储能的固定调度计划,将此固定调度计划表示为
其次,在解决每个时段的每小时调度问题之前,找到与后期场景s在同一个场景集合中的日前场景,并将相应的日前电池储能调度表示为 然后将灵活调度范围的上限和下限通过如下公式确定:
其中和是电池储能在时间段t内灵活调度范围的下限和上限,而灵活调度区间可以视作SOC的一对约束条件;和是一对松弛变量,可以在必要时通过惩罚成本来放宽灵活调度区间。
9.根据权利要求8所述的一种可再生能源和储能调度模型的调度方法,其特征在于,所述惩罚成本可通过如下公式确定:
对于所提出的灵活调度区间方法,将式(37)中所示的惩罚成本添加到每小时调度问题的目标函数中,如式(30)所示,式(37)中的和的取值为所有在线慢速机组的最高边际成本。
10.根据权利要求7所述的一种可再生能源和储能调度模型的调度方法,其特征在于,所述两阶段模型下的电池储能调度方法具体实施步骤如下:
S100、基于固定调度计划法和灵活调度区间法生成可再生能源场景集合,之后再通过基于概率的场景削减随机规划方法筛选日前UC中需要使用的风场景集合;
S200、基于第一阶段得到的可再生能源场景集求解随机UC问题,然后针对在后期分析中未包括在日前UC中的可再生能源场景,测试日前调度方案,在后期分析中,假设以上风场景出现概率相同;
S300、比较提出的灵活调度方法与基准方法,对于比较结果进行进一步分析,最终得到最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910703985.7A CN110350589B (zh) | 2019-07-31 | 2019-07-31 | 一种可再生能源和储能调度模型及调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910703985.7A CN110350589B (zh) | 2019-07-31 | 2019-07-31 | 一种可再生能源和储能调度模型及调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110350589A true CN110350589A (zh) | 2019-10-18 |
CN110350589B CN110350589B (zh) | 2022-07-12 |
Family
ID=68183536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910703985.7A Active CN110350589B (zh) | 2019-07-31 | 2019-07-31 | 一种可再生能源和储能调度模型及调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110350589B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111463838A (zh) * | 2020-05-07 | 2020-07-28 | 国网山东省电力公司经济技术研究院 | 计及储能参与二次调频的两阶段鲁棒优化调度方法及系统 |
CN112039056A (zh) * | 2020-08-10 | 2020-12-04 | 国网甘肃省电力公司电力科学研究院 | 一种新能源两阶段优化调度方法 |
CN112234653A (zh) * | 2020-12-10 | 2021-01-15 | 华东交通大学 | 一种基于可拓距k-均值聚类的风储联合优化配置方法 |
CN112381375A (zh) * | 2020-11-09 | 2021-02-19 | 浙江大学 | 一种基于潮流分配矩阵的电网经济运行域快速生成方法 |
CN115688970A (zh) * | 2022-09-21 | 2023-02-03 | 三峡大学 | 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341601A (zh) * | 2017-06-26 | 2017-11-10 | 南方电网科学研究院有限责任公司 | 基于日前、日内时间尺度的电力资源调度方法和系统 |
CN107863784A (zh) * | 2017-11-21 | 2018-03-30 | 国网江苏省电力有限公司经济技术研究院 | 含可中断负荷的风电及电动汽车联合系统的日前调度方法 |
CN107895971A (zh) * | 2017-11-28 | 2018-04-10 | 国网山东省电力公司德州供电公司 | 基于随机规划和模型预测控制的区域能源互联网调度方法 |
CN109149631A (zh) * | 2018-08-20 | 2019-01-04 | 上海电力学院 | 一种考虑风光储提供柔性爬坡容量的两阶段经济调度方法 |
-
2019
- 2019-07-31 CN CN201910703985.7A patent/CN110350589B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341601A (zh) * | 2017-06-26 | 2017-11-10 | 南方电网科学研究院有限责任公司 | 基于日前、日内时间尺度的电力资源调度方法和系统 |
CN107863784A (zh) * | 2017-11-21 | 2018-03-30 | 国网江苏省电力有限公司经济技术研究院 | 含可中断负荷的风电及电动汽车联合系统的日前调度方法 |
CN107895971A (zh) * | 2017-11-28 | 2018-04-10 | 国网山东省电力公司德州供电公司 | 基于随机规划和模型预测控制的区域能源互联网调度方法 |
CN109149631A (zh) * | 2018-08-20 | 2019-01-04 | 上海电力学院 | 一种考虑风光储提供柔性爬坡容量的两阶段经济调度方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111463838A (zh) * | 2020-05-07 | 2020-07-28 | 国网山东省电力公司经济技术研究院 | 计及储能参与二次调频的两阶段鲁棒优化调度方法及系统 |
CN111463838B (zh) * | 2020-05-07 | 2022-03-04 | 国网山东省电力公司经济技术研究院 | 计及储能参与二次调频的两阶段鲁棒优化调度方法及系统 |
CN112039056A (zh) * | 2020-08-10 | 2020-12-04 | 国网甘肃省电力公司电力科学研究院 | 一种新能源两阶段优化调度方法 |
CN112381375A (zh) * | 2020-11-09 | 2021-02-19 | 浙江大学 | 一种基于潮流分配矩阵的电网经济运行域快速生成方法 |
CN112381375B (zh) * | 2020-11-09 | 2024-03-29 | 浙江大学 | 一种基于潮流分配矩阵的电网经济运行域快速生成方法 |
CN112234653A (zh) * | 2020-12-10 | 2021-01-15 | 华东交通大学 | 一种基于可拓距k-均值聚类的风储联合优化配置方法 |
CN112234653B (zh) * | 2020-12-10 | 2021-03-16 | 华东交通大学 | 一种基于可拓距k-均值聚类的风储联合优化配置方法 |
CN115688970A (zh) * | 2022-09-21 | 2023-02-03 | 三峡大学 | 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110350589B (zh) | 2022-07-12 |
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 | |
CN109325608B (zh) | 考虑储能并计及光伏随机性的分布式电源优化配置方法 | |
CN110502814B (zh) | 考虑储能和负荷管理技术的主动配电网多目标规划方法 | |
CN110350589A (zh) | 一种可再生能源和储能调度模型及调度方法 | |
Abdullah et al. | An effective power dispatch control strategy to improve generation schedulability and supply reliability of a wind farm using a battery energy storage system | |
Ali et al. | A peer-to-peer energy trading for a clustered microgrid–Game theoretical approach | |
CN110212579A (zh) | 一种风-水-火联合鲁棒机组组合方法 | |
Mahesh et al. | Optimal sizing of a grid-connected PV/wind/battery system using particle swarm optimization | |
CN112381269A (zh) | 一种考虑负荷重要度及电价激励的独立微电网容量优化配置方法 | |
CN115173453A (zh) | 一种储能辅助电网调峰的优化配置方法 | |
CN110661301A (zh) | 一种水光蓄多能互补发电系统的容量配置优化方法 | |
Ma et al. | Dynamic economic dispatch and control of a stand-alone microgrid in DongAo Island | |
CN108711887A (zh) | 一种考虑虚拟电厂渗透背景下的电力系统优化调度系统 | |
CN102593855A (zh) | 平抑电力系统中可再生能源电源输出功率波动的方法 | |
CN116957294A (zh) | 基于数字孪生的虚拟电厂参与电力市场交易的调度方法 | |
Hannan et al. | ANN-Based Binary Backtracking Search Algorithm for VPP Optimal Scheduling and Cost-Effective Evaluation | |
Alayi et al. | Optimization of Renewable energy consumption in charging electric vehicles using intelligent algorithms | |
Ignat-Balaci et al. | Day-Ahead Scheduling, Simulation, and Real-Time Control of an Islanded Microgrid. | |
CN110401210A (zh) | 需求响应参与下风电储能系统调度方法 | |
Soykan et al. | Evaluation of the effect of weather conditions on optimal sizing of an isolated microgrid | |
Hannan et al. | ANN based binary backtracking search algorithm for virtual power plant scheduling and cost-effective evaluation | |
om Bade et al. | Battery Uses for Regulating Active Power in Utility-scale Wind-based Hybrid Power Plant | |
Wang et al. | Research on Multi-Time-Scale Robust Economic Dispatch of Microgrid Considering Discrete Events | |
Zhang et al. | Economic analysis based on virtual power plant's optimal bidding strategy | |
Azizi et al. | Decentralized Multi-Objective Energy Management With Dynamic Power Electronic Converters and Demand Response Constraints |
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 |