CN110707737B - 一种基于云计算的高渗透新能源电网电池容量配置方法 - Google Patents

Abstract

本发明公开一种基于云计算的高渗透新能源电网电池容量配置方法，属于新能源优化配置技术领域，该方法首先通过云端神经网络计算所采集的各环境影响因素的环境影响系数，再分析不同环境系数下的储能电池的容量与实际需要的误差量，并通过火电机组等常规机组的出力情况及负荷预测来确定电网所能接收的新能源消纳电量，结合对新能源出力的预测值，计算需要用电池储能系统调节的功率，最后通过误差调节，得到需配置的电池储能系统容量。本发明的配置方法通过云端数据的分析计算，最大程度的确保新能源电池的最优配置。

Description

一种基于云计算的高渗透新能源电网电池容量配置方法

技术领域

本发明涉及新能源优化配置技术领域，尤其涉及一种基于云计算的高渗透新能源电网电池容量配置方法。

背景技术

近年来，以风电、光伏为代表的新能源得到广泛青睐和普遍关注，新能源的装机和发电量在电网中的占比也在逐年攀升，我国高渗透新能源电池储能占比在20％-30％左右。而随着新能源装机的不断发展，受网源规划不协调、就地消纳空间有限、新能源发电不稳定等多重因素影响，各地区出现不同程度的弃风弃光问题。利用储能系统在电网对新能源接纳能力不足时存储受限新能源电量，在电网接纳能力充裕时释放存储电量，可有效提高新能源的接纳能力，从而减小新能源的弃电率。

电池储能是目前运用最为广泛的一种储能形式，但其规划设计要注重考虑容量配置问题，容量配置的大小不仅影响系统投资的经济性，还对系统内新能源能量利用率和负荷供电可靠性有较大影响。目前常见的电池储能容量配置方案主要针对出力、负荷波动与经济调度，但因各地区环境不同对储能电池容量也会产生不同的影响。而且因为环境的不同，对电池储能系统容量的计算也会出现较大误差。本发明利用云计算的自助服务、广泛的网络接入、虚拟资源池化、可计量的服务等特点，通过对各地区各时段新能源发电和用电量的分析，考虑环境的影响因素，为不同环境的地区安排最优电池储能容量配置。

发明内容

针对上述现有技术的不足，本发明提供一种基于云计算的高渗透新能源电网电池容量配置方法。

为解决上述技术问题，本发明所采取的技术方案是：一种基于云计算的高渗透新能源电网电池容量配置方法，其流程如图1所示，包括如下步骤：

步骤1：对新能源电网所在环境的影响因素数据进行采集；

所述环境的影响因素数据包括：环境温度λ、相对湿度μ、日照强度ζ、空气密度ρ和当地风速

步骤2：设置云端神经网络，将采集到的影响因素数据输入云端神经网络中进行计算，得到各环境影响因素的影响系数；

步骤2.1：设置的云端神经网络结构如图2所示，包括输入层、隐层和输出层，所述输入层由m个输入神经单元构成，输出层由n个输出神经单元构成，隐层由c个隐层神经单元构成，隐层神经单元个数c由输入层神经单元个数m及输出层神经单元个数n决定，其计算公式如下：

步骤2.2：将环境的影响因素数据作为输入，记为

运用神经网络时间迭代法对输入信号进行迭代，环境温度λ的迭代公式如下：

相对湿度μ、日照强度ζ、空气密度ρ和当地风速

的迭代方法与环境温度λ的迭代方法相同；

步骤2.3：根据迭代结果计算各环境影响因素的影响系数：

其中，

表示预测的输出变量，θ,γ,S,

分别表示电池储能系统的环境系数、风能发电环境系数、光伏发电环境系数、负荷环境系数。

步骤3：通过步骤2得出的风能发电环境系数γ、光伏发电环境系数S、负荷环境系数

对新能源出力和负荷进行预测，并通过火电机组出力情况及负荷预测值来确定电网所能接受的新能源消纳电量；

步骤3.1：运用云计算平台，根据步骤2得到的风能发电环境系数γ预测当前环境系数下的风电输出功率：

其中，γ为风能发电环境系数，P_feng.e为风机装机容量，v_h为风机叶片高度风速，h_hai为风机所在海拔高度，v为风速效率，A_f为叶轮扫风面积；

步骤3.2：运用云计算平台，根据步骤2得到的光伏发电环境系数S预测当前环境系数下的光伏输出功率：

其中，S为光伏发电环境系数，P_guang.e为光伏的装机容量，B为组成光伏板的光伏组件个数，A_g为光伏板面积，W为光伏温度系数，T为光伏板表面温度；

步骤3.3：拟合计算出当前负荷曲线下的新能源发电机组的输出功率之和，即新能源出力预测值P_i.xin：

P_i.xin＝P_feng+P_guang

步骤3.4：通过多次对光伏与风电的总体功率的求解再运用加权平均的方法求出更为准确的预测：

其中，P_zong.xin为新能源发电精确预测值，ε_l(ε₁+ε₂+...ε_m＝1)为多次计算出功率的权重，P_l为预测出的某时刻新能源发电功率，K为总的预测次数；

步骤3.5：运用云计算平台，根据步骤2得到的负荷环境系数

预测负荷消耗的功率：

其中，β₀为直流分量，P_u为u时刻的历史负荷功率，ω_u为u时刻的角频率，K为时刻的总个数；

步骤3.6：通过负荷的需求量减去火电机组等常规机组的发电量，计算新能源电网可以消纳的新能源功率P_w.xin：

P_w.xin(t)＝P_chu(t)-P_zj

其中，P_w,xin(t)为电网接受新能源最大功率，P_chu(t)为负荷消耗功率值，P_zj为火电机组等常规机组出力之和。

步骤4：通过步骤2得出的电池储能系统环境系数θ分析在该环境下放置储能电池的容量与实际使用时的误差量，结合电网所能接收的新能源消纳范围及预测的新能源出力，计算需配置的电池储能系统的容量。

步骤4.1：计算需要用电池储能系统调节的功率P_db.xin：

P_db.xin＝P_zong.xin-P_w.xin

步骤4.2：计算在环境系数θ下放置储能电池的容量与实际使用时的误差量；

步骤4.2.1：计算在环境系数θ下电池充放电的最大功率：

充电时最大功率计算公式如下：

放电时最大功率计算公式如下：

其中，P_dis,max(t)、P_ch,max(t)分别为储能电池考虑外部环境下的充电和放电最大功率，P_dian.e为储能电池额定功率，SOC(t)为储能电池在t时刻的电荷状态，η为充放电效率，I_j为充放电最大电流，

为期望状态最大电流，S_B为储能电池的状态，S_B＝0表示不工作，S_B＝1表示充电状态，S_B＝-1表示放电状态，k(k＝1,2,...c)为历史数据个数；

步骤4.2.2：在环境系数θ下放置储能电池的容量与实际需要的误差量δ：

步骤4.3：需配置的电池储能系统容量P_rd：

P_rd＝P_db.xin×[1+δ]

其中，δ为储能电池的容量与实际需要的误差量。

采用上述技术方案所产生的有益效果在于：

1、本发明可以通过云计算分析负荷与环境之间的关系，优化配置保证了电池储能系统与用户的用电规模相匹配；

2、本发明通过云计算得出装机容量与环境之间的关系差异，保证电池储能在投入运行后，可实现最佳的效益，不出现容量、功率的缺配、超配情况。

3、本发明计算出的电池储能系统能更好的匹配电网多出的功率，减少了能源浪费、降低了电网能源成本。

附图说明

图1为本发明一种基于云计算的高渗透新能源电网电池容量配置方法流程图；

图2为本发明云端神经网络结构图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例以某地区新能源电网为例，该电网风电与光伏的装机容量分别为400MW和200MW，风机扫风面积约10.36m²，光伏温度系数0.41,单个光伏板需要11个光伏组件，单个光伏板面积18.7W/m²，单个光伏板表面温度59.6°。火电机组装机容量为1300MW，电池储能系统充放电效率按90％。根据当地气象部门的气象预报：风机叶片高度风速为4m/s，风机所在海拔高度为3.3m，日照强度0-865W/m²，环境温度-2度至36度，空气密度1.243kg/m³至1.376kg/m³，相对湿度为5％至32％。

如图1所示，本实施例的方法如下所述。

步骤1：对新能源电网所在环境的影响因素数据进行采集：

本实施例以环境温度λ＝21、相对湿度μ＝0.3、日照强度ζ＝365、空气密度ρ＝1.275和当地风速

为例。

步骤2：设置云端神经网络，将采集到的影响因素数据输入云端神经网络中进行计算，得到各环境影响因素的影响系数；

步骤2.1：设置的云端神经网络结构如图2所示，包括输入层、隐层和输出层，所述输入层由m＝554个输入神经单元构成，输出层由n＝489个输出神经单元构成，隐层由c个隐层神经单元构成，隐层神经单元个数c由输入层神经单元个数m及输出层神经单元个数n决定，其计算公式如下：

步骤2.2：将环境的影响因素数据作为输入，记为x＝[x₁,x₂,x₃,x₄,x₅]＝[21,0.3,365,1.275,4]，运用神经网络时间迭代法对输入信号进行迭代，环境温度λ的迭代公式如下：

相对湿度μ、日照强度ζ、空气密度ρ和当地风速

的迭代方法与环境温度λ的迭代方法相同；

步骤2.3：根据迭代结果计算各环境影响因素的影响系数：

其中，

表示预测的输出变量，θ,γ,S,

分别表示电池储能系统的环境系数、风能发电环境系数、光伏发电环境系数、负荷环境系数。

本实施例中计算得到的影响系数为y＝[y₁,y₂,y₃,y₄]＝[0.53,0.568,0.85,0.63]

步骤3：通过步骤2得出的风能发电环境系数γ、光伏发电环境系数S、负荷环境系数

对新能源出力和负荷进行预测，并通过火电机组出力情况及负荷预测值来确定电网所能接受的新能源消纳电量；

步骤3.1：运用云计算平台，根据步骤2得到的风能发电环境系数γ＝0.568，预测当前环境系数下的风电输出功率：

其中，风机装机容量为P_feng.e＝400MW，风机叶片高度风速为v_h＝4m/s，风机所在海拔高度为h_hai＝3.3m，叶轮扫风面积为A_f＝10.36m²，v为风速效率；

步骤3.2：运用云计算平台，根据步骤2得到的光伏发电环境系数S＝0.85，预测当前环境系数下的光伏输出功率：

其中，光伏的装机容量为P_guang.e＝200MW，组成光伏板的光伏组件个数为B＝11，光伏板面积为A_g＝17.7W/m²，光伏温度系数为W＝0.41，光伏板表面温度为T＝59.6°；

步骤3.3：拟合计算出当前负荷曲线下的新能源发电机组的输出功率之和，即新能源出力预测值P_i.xin：

P_i.xin＝P_feng+P_guang

本实施例计算得到

步骤3.4：通过536次对光伏与风电的总体功率的求解再运用加权平均的方法求出更为准确的预测：

其中，P_zong.xin为新能源发电精确预测值，ε_l(ε₁+ε₂+...ε_m＝1)为多次计算出功率的权重，P_l为预测出的某时刻新能源发电功率，K＝536为总的预测次数；

步骤3.5：运用云计算平台，根据步骤2得到的负荷环境系数θ预测负荷消耗的功率：

其中，β₀为直流分量，P_u为u时刻的历史负荷功率，ω_u为u时刻的角频率，K为时刻的总个数；

步骤3.6：通过负荷的需求量减去火电机组等常规机组的发电量，计算新能源电网可以消纳的新能源功率P_w.xin：

P_w.xin(t)＝P_chu(t)-P_zj＝1493.526-1025.687＝467.839MW

其中，P_w,xin(t)为电网接受新能源最大功率，P_chu(t)为负荷消耗功率值，火电机组等常规机组出力之和为P_zj＝1025.687MW。

步骤4：通过步骤2得出的电池储能系统环境系数θ分析在该环境下放置储能电池的容量与实际使用时的误差量，结合电网所能接收的新能源消纳范围及预测的新能源出力，计算需配置的电池储能系统的容量。

步骤4.1：计算需要用电池储能系统调节的功率P_db.xin：

P_db.xin＝P_zong.xin-P_w.xin＝43.481MW

步骤4.2：计算在环境系数θ下放置储能电池的容量与实际使用时的误差量；

步骤4.2.1：计算在环境系数θ＝0.53下电池充放电的最大功率，由于步骤4.1已计算出需要调节的功率，此处选取50MW电池进行计算：

充电时最大功率计算公式如下：

放电时最大功率计算公式如下：

其中，P_dis,max(t)、P_ch,max(t)分别为储能电池考虑外部环境下的充电和放电最大功率，储能电池额定功率为P_dian.e＝50MW，SOC(t)为储能电池在t时刻的电荷状态，充放电效率为η＝90％，I_j为充放电最大电流，

为期望状态最大电流，S_B为储能电池的状态，S_B＝0表示不工作，S_B＝1表示充电状态，S_B＝-1表示放电状态，本实施案例在{0、1、-1}中随机选取536个数据作为历史运行数据，k(k＝1,2,...c)为历史数据个数；

步骤4.2.2：在环境系数θ下放置储能电池的充能容量与实际需要消耗功率的误差量δ：

步骤4.3：需配置的电池储能系统容量P_rd：

P_rd＝P_db.xin×[1+δ]＝47.69MW

其中，δ为储能电池的容量与实际需要的误差量。

根据上面算法可基本上确定电池储能系统的容量，具体数据整理为下表所示：

项目	无储能	本发明储能方案
			储能配置方案	0	50MW
弃风率/％	4.32	2.75
			弃光率/％	18.69	15.81

Claims (2)

1.一种基于云计算的高渗透新能源电网电池容量配置方法，其特征在于包括如下步骤：

步骤1：对新能源电网所在环境的影响因素数据进行采集；

步骤2：设置云端神经网络，将采集到的影响因素数据输入云端神经网络中进行计算，得到各环境影响因素的影响系数；

所述环境的影响因素数据包括：环境温度λ、相对湿度μ、日照强度ζ、空气密度ρ和当地风速

步骤3：通过步骤2得出的风能发电环境系数γ、光伏发电环境系数S、负荷环境系数θ，对新能源出力和负荷进行预测，并通过火电机组出力情况及负荷预测值来确定电网所能接受的新能源消纳电量范围，过程如下；

步骤3.1：运用云计算平台，根据步骤2得到的风能发电环境系数γ预测当前环境系数下的风电输出功率：

其中，γ为风能发电环境系数，P_feng.e为风机装机容量，v_h为风机叶片高度风速，h_hai为风机所在海拔高度，v为风速效率，A_f为叶轮扫风面积；

步骤3.2：运用云计算平台，根据步骤2得到的光伏发电环境系数S预测当前环境系数下的光伏输出功率：

其中，S为光伏发电环境系数，P_guang.e为光伏的装机容量，B为组成光伏板的光伏组件个数，A_g为光伏板面积，W为光伏温度系数，T为光伏板表面温度；

步骤3.3：拟合计算出当前负荷曲线下的新能源发电机组的输出功率之和，即新能源出力预测值P_i.xin：

P_i.xin＝P_feng+P_guang

步骤3.4：通过多次对光伏与风电的总体功率的求解再运用加权平均的方法求出更为准确的预测：

其中，P_zong.xin为新能源发电精确预测值，ε_l为多次计算出功率的权重，ε₁+ε₂+...ε_m＝1，P_l为预测出的某时刻新能源发电功率，K为总的预测次数；

步骤3.5：运用云计算平台，根据步骤2得到的负荷环境系数

预测负荷消耗的功率：

其中，β₀为直流分量，P_u为u时刻的历史负荷功率，ω_u为u时刻的角频率，K为时刻的总个数；

步骤3.6：通过负荷的需求量减去常规机组的发电量，计算新能源电网可以消纳的新能源功率P_w.xin：

P_w.xin(t)＝P_chu(t)-P_zj

其中，P_w,xin(t)为电网接受新能源最大功率，P_chu(t)为负荷消耗功率值，P_zj为常规机组出力之和；

步骤4：通过步骤2得出的电池储能系统环境系数θ分析在该环境下放置储能电池的容量与实际使用时的误差量，结合电网所能接收的新能源消纳电量范围及预测的新能源出力，计算需配置的电池储能系统的容量，过程如下：

步骤4.1：计算需要用电池储能系统调节的功率P_db.xin：

P_db.xin＝P_zong.xin-P_w.xin

步骤4.2：计算在环境系数θ下放置储能电池的容量与实际使用时的误差量；

步骤4.2.1：计算在环境系数θ下电池充放电的最大功率：

充电时最大功率计算公式如下：

放电时最大功率计算公式如下：

其中，P_dis,max(t)、P_ch,max(t)分别为储能电池考虑外部环境下的充电和放电最大功率，P_dian.e为储能电池额定功率，SOC(t)为储能电池在t时刻的电荷状态，η为充放电效率，I_j为充放电最大电流，

为期望状态最大电流，S_B为储能电池的状态，S_B＝0表示不工作，S_B＝1表示充电状态，S_B＝-1表示放电状态，k为历史数据个数，k＝1,2,...m；

步骤4.2.2：在环境系数θ下放置储能电池的容量与实际需要的误差量δ：

步骤4.3：计算需配置的电池储能系统容量P_rd：

P_rd＝P_db.xin×[1+δ]

其中，δ为储能电池的容量与实际需要的误差量。

2.根据权利要求1所述的一种基于云计算的高渗透新能源电网电池容量配置方法，其特征在于所述步骤2的过程如下：

步骤2.1：设置的云端神经网络包括输入层、隐层和输出层，所述输入层由m个输入神经单元构成，输出层由n个输出神经单元构成，隐层由c个隐层神经单元构成，隐层神经单元个数c由输入层神经单元个数m及输出层神经单元个数n决定，其计算公式如下：

步骤2.2：将环境的影响因素数据作为输入，记为

运用神经网络时间迭代法对输入信号进行迭代，环境温度λ的迭代公式如下：

相对湿度μ、日照强度ζ、空气密度ρ和当地风速

的迭代方法与环境温度λ的迭代方法相同；

步骤2.3：根据迭代结果计算各环境影响因素的影响系数：

其中，

表示预测的输出变量，θ,γ,S,

分别表示电池储能系统的环境系数、风能发电环境系数、光伏发电环境系数、负荷环境系数。

Images